AI一边降低成本、扩大供给，一边又可能通过工资和就业压低消费增长，中长期甚至增加低通胀压力。图：视觉中国

　　文｜李嘉 张丹丹

　　把两个维度合起来看，恩格斯停顿会不会重演，并没有预先写好的答案。在资本维度上，历史确有相似之处：技术进步再次跑在配套资本完备之前，稀缺的算力、电力和基础设施首先获得较高回报。不同的是，现代资本市场能够更快调动储蓄，资本短缺未必持续几十年；但物理瓶颈、快速折旧和资本所有权集中，又可能使资本收益更加集中。

　　真正不同的是故事的后半段。艾伦假设的机器与劳动高度互补，资本积累最终提高了劳动的边际产品；AI却既可以“替代”劳动，也可以“增强”劳动。因而，决定“停顿”能否结束的按钮，在相当程度上掌握在新技术的应用方向上：如果AI主要被用于更便宜地完成已有任务，替代效应可能占主导；如果AI更多被用于增强人的能力，创造新的产品、服务、需求和行业，互补效应和新任务效应就可能重新把劳动带入增长过程。

　　政策不能决定技术会做什么，但可以影响技术被用来做什么。我们强调政策制定不应给技术应用踩刹车。恰恰相反，在全球AI竞争已经展开的背景下，中国仍然需要加快模型、芯片、算力和应用的发展。政策应当关注算力等资本投入有没有扩散到更多企业，有没有让普通劳动者变得更有生产力，有没有催生新的产品、服务和工作。

　　这意味着要把政策重心从“防替代”转向“促增强”。与其试图保护每一个旧岗位，不如让更多人有机会借助AI做原来做不了的事。对企业的数字化、智能化支持，可以更多考察AI采用率、员工技能提升、新产品和新服务创造，而不是简单粗暴地追求“机器换人”。获得公共资金支持的AI项目，也可以更多配套员工培训、岗位调整和人机协作方案。劳动者越早参与工作流程的重新设计，企业越可能发现哪些环节适合交给机器，哪些环节反而可以因为AI而扩大人的作用。

　　此外，要让AI从少数头部公司的“资本品”，变成更多人的“工具箱”。如果最好的模型、算力和数据只掌握在少数大企业手中，AI既容易强化资本集中，也会压缩中小企业和个人创造新任务的空间。公共算力、低成本模型服务、行业数据平台和通用工具，可以在降低企业成本的同时扩充从事创新的参与者队伍。一个小团队能够获得过去只有大公司才有的编程、设计、翻译和研究能力，才更可能出现今天还叫不出名字的新产品和新职业。

　　尤其值得关注的是服务业。制造业里的AI往往首先表现为降本增效，而医疗、养老、托育、教育、文旅、家政等服务业还有大量需求没有被满足，不是因为人们不需要，而是因为过去太贵、太难匹配，或者供给不足。如果AI能把一对一服务的成本降下来，把原本“消费不起”或“供给不到”的需求变成真实市场，它创造的就不只是效率，而是新的需求。对一个内需仍需提振的经济体来说，AI如果只让供给跑得更快，却没有让居民收入和消费能力同步提高，技术进步反而可能加重“供强需弱”。

　　这也是“恩格斯停顿”为什么不只是一个就业问题。如果新增收入越来越多流向资本和高收入群体，而劳动收入增长偏慢，由于不同群体的消费倾向不同，收入分配的变化最终会反过来影响总需求。AI一边降低成本、扩大供给，一边又可能通过工资和就业压低消费增长，中长期甚至增加低通胀压力。于是，一个看似微观的“机器是否替代人”的问题，会沿着收入分配和消费渠道，变成宏观经济问题。

　　因此，观察AI的宏观效果，也不能只盯着投资。数据中心建起来、GPU买进来，并不等于生产率红利已经到手。通用技术真正转化为全社会生产率，往往还需要企业重组流程、治理数据、培训员工，并从头部企业扩散到中小企业。如果出现“AI投资很热、企业应用很窄”“局部效率提升很快、宏观生产率改善很慢”，停顿期反而可能被拉长。相比继续堆叠同质化项目，政策更值得关注的是技术采用率、行业覆盖率和实际生产率改善。

　　最后，即使我们成功地让AI创造出更多财富，劳动者也未必只能通过工资来分享它。如果AI时代资本在生产中的重要性上升，那么只讨论工资分配，本身就可能漏掉越来越大的一块蛋糕。利润分享、员工持股、企业年金和养老金持有生产性资产，都可以让劳动者在领取工资之外，也成为资本收益的间接分享者，也就是“让更多人拥有能够分享生产率增长的资产”。

　　公共资本在这里也可以扮演一个过去讨论得不多的角色。算力、电力和数据中心既是AI发展的瓶颈，也具有很强的基础设施属性。公共投资和国有资本参与这些领域，一方面可以增加供给，避免暂时的稀缺被固化为长期的垄断租金；另一方面，如果这些基础设施产生较高资本回报，公共部门也能分享其中一部分收益，再通过社会保障、教育、公共服务和劳动者转型支持回到更广泛的人群。与其只在收入形成之后再做再分配，不如从资本所有权这一端就思考技术红利如何被更广泛地持有。

　　200年前，恩格斯看到的是技术进步与工人境况之间的反差；艾伦后来解释了资本稀缺、资本积累以及资本与劳动关系如何共同塑造这一结果。人工智能时代面对的仍然是同一个基本问题，但“按钮”更多了：我们既要决定AI被用来替代人还是增强人，也要决定技术扩散到谁、资本收益由谁分享，以及生产率提高能否转化为新的需求。

　　这也是为什么我们不必把“停顿”看成技术进步必然带来的宿命。对未来新产品、新服务和新行业缺乏想象，并不能证明它们不会出现；历史上最重要的新任务，往往恰恰是在技术革命开始时无法预见的。停顿是否发生，也许不能完全由我们决定；但如果AI更多成为普通劳动者和企业扩展能力的工具，如果新的生产率能够转化为新的收入和需求，如果资本收益也有更广泛的分享渠道，那么停顿持续多久、如何结束，以及技术进步的果实最终由谁分享，至少有一部分按钮掌握在我们自己手中。

　　作者李嘉为新加坡管理大学经济学院院长、李光前经济学讲席教授，在该校韧性劳动力研究所研究劳动力市场转型与人工智能对就业的影响；张丹丹为北京大学国家发展研究院副院长、北大博雅青年学者、经济学教授。