2025年5月，蘭德公司發布報告《管理人工智能的經濟未來》（Managing AI's Economic Future），提出應對人工智能經濟影響的新政策框架，旨在通過穩健決策分析平衡技術驅動下的經濟增長與財富分配。報告強調，政策制定需基于技術不確定性與地緣競爭背景，聚焦人工智能取代人工勞動的橫向自動化與人工智能優化現有流程的縱向自動化兩個維度，通過稅收、研發資助等既有工具實現差異化引導，為技術治理與國家安全挑戰提供可操作的路徑參考。啟元洞見編譯核心研究內容，解析“縱向自動化”與“橫向自動化”的雙維互動機制，為讀者提供參考。

摘要

在人工智能快速發展的時代，政策制定者需平衡經濟增長與財富分配，制定有效的自動化管理政策。全球技術競爭加劇了政策緊迫性：人工智能可能在監管框架成熟前大規模滲透經濟領域，而當前經濟預測分歧巨大，突顯發展路徑的不確定性。

本研究通過“穩健決策分析”構建經濟模型，模擬數千種情境，區分兩類自動化：橫向（替代人工勞動）與縱向（提升現有自動化流程），并將政策選擇內生化。結果顯示，強力激勵縱向自動化是最穩健策略，存在于所有最優政策組合中。研究指出，實現溫和增長存在多種政策路徑，但達成變革性增長需精準政策設計，即使接受更高不平等，仍需特定技術條件支撐。

一、引言

當前人工智能政策制定面臨多重經濟挑戰：人工智能發展路徑的不確定性、技術競爭壓力與社會影響并存。本研究聚焦三個核心問題：第一，何種縱向或橫向自動化政策組合能達成預期經濟目標；第二，不同增長與不平等目標如何影響最優政策選擇；第三，實現最優政策路徑所需技術條件。

通過穩健決策分析（RDM）發現：若以加速經濟增長的同時緩解財富分配不平等為目標，非對稱政策（強力支持縱向自動化+適度限制橫向擴張）在技術不確定性下最具穩健性；而實現變革性增長需激進政策與特定技術條件支撐，但僅19%情境滿足條件，顯示該路徑的狹窄性。無論目標如何，強力激勵縱向自動化始終是高效政策組合的核心要素。

研究揭示兩個關鍵啟示：首先，人工智能經濟預測分化嚴重（從溫和增長到技術奇點），強化了穩健政策設計的必要性；其次，地緣技術競爭中，依賴人工智能自動化加速增長的成功概率受技術條件嚴格制約。政策實施可依托稅收、科研資助等現有機制推進，無需新建規制體系。未來需開發區分縱向和橫向自動化的評估指標以提升政策精準度。

第二章 模型設定

本章構建了一個經濟模型，用于分析人工智能如何通過拓展新任務自動化和提升現有自動化流程，影響生產率、收入和工資。該框架基于Jones和Liu（2024）的研究，兼顧技術變革的廣度（橫向）與深度（縱向）。Jones和Liu的模型表明，新任務的自動化（橫向自動化）與既有任務中資本生產率的提升（縱向自動化）共同作用，決定工資與產出水平。橫向自動化傾向于提高資本在收入中的份額，而縱向自動化則傾向于降低這一份額。

將橫向與縱向自動化區分開來，有助于更深入理解人工智能對經濟可能帶來的影響。例如，計算機視覺系統可體現這兩種變化：當人工智能系統取代人類質檢員承擔新的質檢任務時，屬于橫向自動化；當這些系統為現有自動化設備提供實時反饋，從而提升其操作效率時，則體現為縱向自動化。

從這兩個維度分析自動化，可揭示在僅將自動化視為勞動力替代時可能被忽視的政策杠桿。橫向與縱向自動化的互動有助于解釋如“鮑莫爾效應”這類經濟現象，反映出資本不僅承擔新任務，也在持續提升已有任務的效率，如摩爾定律推動計算性能提升。當然，縱向自動化也可能間接推動橫向自動化的發展，例如：計算性能提升催生了可自動撰寫文本的生成式人工智能模型。

第三章 穩健決策分析

采用穩健決策分析（RDM）框架，對大量潛在未來情境進行模擬。RDM是評估人工智能潛在經濟影響的有力工具，它將分析中的不確定性納入考慮，評估政策如何影響高度不確定結果時尤為有效。本研究中，不確定的結果是收入與工資增長路徑。

（一）RDM框架

圖3.1展示了RDM分析的結構示意圖。分析包括四個組成部分：不確定性、政策杠桿、變量關系、評估指標。

圖3.1：RDM分析結構

1.不確定性

本分析的核心不確定性是人工智能的發展與部署動態。模型中有若干參數控制這一過程，將它們視為現實世界狀態的不確定性來源。

表3.1列出了本模型中作為不確定因素的11個參數，包括每個參數的簡要說明及其在模擬中可能取值范圍。這些不確定性主要圍繞人工智能自動化的動態變化，同時也包括初始資本在收入中的份額、經濟任務之間的互補性水平等變量。其中涵蓋了各種可能的人工智能未來情景，包括：人工智能快速取代人類任務的未來、任務間高度互補與相互依賴、通用人工智能出現于本就高度資本密集的環境中、隨著自動化推進，新任務自動化難度因邊際收益遞減而上升以及其他數千種組合。

2.杠桿變量（Levers）

模型定義了兩項政策杠桿，分別調控縱向與橫向自動化的激勵或抑制強度。這些杠桿通過影響兩類自動化的擴展速度及其產生的生產率增益發揮作用。

研究將自動化激勵視為補充或替代傳統再分配政策的工具。此類政策雖未廣泛實施，但與全局性財富再分配相比，在產業層面更具實施可行性。因此，本分析將自動化政策作為一種可行替代路徑，同時承認全面再分配措施盡管理論上更優，但在政治實踐中可能更難落實。

3.指標體系（Metrics）

針對每一種政策組合（共81種），對模型進行5,000次模擬。每次模擬中，隨機從表3.1所列參數的允許范圍中抽樣。在每次模擬中，記錄十年期的人均收入復合年增長率（CAGR）以及不平等的復合年增長率，其中不平等增長率指標衡量的是資本回報與勞動回報之間增長速度的差異。

4.閾值設定（Thresholds）

本分析使用FRED（2025）數據庫的歷史數據分析過去的趨勢來設定收入增長與不平等增長的閾值標準，以界定政策是否成功。圖3.2展示了這些趨勢。

基于分析，設定收入與不平等年復合增長率（CAGR）的閾值為2%。該標準要求政策至少維持歷史增長軌跡，或實現更優表現。

第四章 情景探索

情景分析顯示，自動化政策效果呈現顯著非對稱性。圖4.3熱力圖揭示，最優策略表現為強力推動縱向自動化（提升現有任務效率），同時適度抑制橫向自動化（控制新增任務自動化）。反之，抑制縱向自動化（特別是配合中性/抑制性橫向政策）將導致績效顯著惡化。

“縱向vs橫向”的框架為政策制定者提供了一種新的思考方式。與其試圖事先預測哪些技術將增強人類能力（這本身具有很強的不確定性），不如將重點放在縱向自動化上，即利用人工智能提高已實現自動化任務的生產率。這一過程往往更明確，也較少依賴主觀判斷。相較于判斷“技術是否有利于人類互補”，我們對既有自動化流程的理解可能更清晰，從而更易于識別改進空間并付諸實施。

但需要注意的是，縱向與橫向自動化本質上是相互關聯的，其界限在實際操作中并不總是清晰。

RDM框架同樣適用于其他政策目標的分析。例如：若政策制定者希望在經濟競爭背景下提高本國的經濟增長率，可能愿意接受更高的不平等；或者，認為當前的不平等增長過快，未來應加以遏制?？梢酝ㄟ^設定兩個額外目標，對這兩種情形進行分析，圖4.4顯示了在三種目標下，所有成功情景中橫向與縱向政策激勵（或抑制）的平均值。

結果表明，在高增長目標下，最優政策配置不再延續基準情景中的“非對稱”策略，而是對橫向與縱向自動化雙雙給予正向激勵，且橫向自動化激勵略高于縱向。這意味著，實現顯著的高增長可能需要積極推動人類任務向自動化轉移。相比之下，低不平等目標則進一步強化了基準情景中的非對稱策略：即在繼續大力激勵縱向自動化的同時，更強力地抑制橫向自動化。在嚴格限制橫向自動化擴張的背景下，為維持增長目標，必須依賴更強的縱向自動化提升。

總體來看，不同政策目標對應著截然不同的最優政策組合，表明政策制定者在設定人工智能發展方向時必須明確其優先級——是增長，還是公平。

結論

本報告在人工智能自動化路徑高度不確定的背景下，剖析了政策設計的核心挑戰。研究顯示，各國對人工智能的管理能力將深刻影響其未來全球經濟地位，當前政策窗口期尤為關鍵。本研究對在技術競爭時代管理人工智能可能帶來的經濟影響提供了若干啟示。

首先，分析顯示，在多種情境下，強力支持縱向自動化的政策通常帶來最穩健的經濟結果。而橫向自動化的最優政策則取決于具體政策目標：適度的抑制有助于控制人工智能帶來的不平等，同時維持經濟增長率；而若要實現快速增長，則需對兩種自動化均予以正向激勵，但代價是加劇不平等現象。這一發現在不同的人工智能發展路徑、任務互補性和初始經濟條件假設下均成立，但要實現根本性增長，任何戰略的成功機會仍有限。

其次，區分縱向與橫向自動化可能為政策設計提供有益視角。與其試圖預測人工智能應用是增強人類能力還是替代人類，不如關注另一個或許更可觀測的問題：人工智能是用于提升已有的自動化流程，還是用于自動化新的任務。這一框架可能為引導人工智能發展和部署走向有利于社會的方向，提供更具體、可執行的路徑。

第三，強調了在人工智能政策設計中正視不確定性的價值。與其依賴對人工智能發展路徑的單點預測，RDM方法識別出的是在數千種潛在未來中表現良好的政策。鑒于當前圍繞人工智能發展、部署及其經濟影響的不確定性，這一點尤為重要。研究結果表明，即便我們無法準確預知人工智能未來走向，政策制定者仍可在今天就激勵結構作出明智選擇，以推動更具社會益處的自動化形式。

從實踐角度來看，研究結果指出了若干政策方向：

第一，開發縱向/橫向自動化區分指標，避免僵化分類，聚焦政策引導技術向低風險路徑發展。

第二，重構激勵機制，強化兩類自動化的差異化調控。政策落地可依托現有制度工具，無需新增限制措施：例如通過工會談判、職業標準更新、稅收結構調整抑制橫向自動化，或利用社會固有機制（如技術擴散阻力）維持勞動收入份額。核心在于構建激勵結構，促進現有自動化改進的同時，調控任務替代速度。具體工具包括：對現有自動化升級的資本投資實行加速折舊；對縱向自動化研發支出給予稅收抵免；要求新自動化部署配套勞動力再培訓。

“縱向—橫向”框架雖非絕對清晰，但為技術部署前提供了可操作的觀測維度。例如，縱向自動化更易通過企業資本支出結構識別，橫向自動化可通過任務替代率衡量。這一區分使政策能更早介入，而非等待技術路徑明確。關鍵在于，人工智能政策無需等待不確定性消除，通過可觀測的自動化類型區分，即可同步推動經濟增長與分配平衡。政策設計應避免強制規定技術路徑，而是通過激勵引導企業選擇社會效益更高的自動化方向。

免責聲明：本文轉自啟元洞見。文章內容系原作者個人觀點，本公眾號編譯/轉載僅為分享、傳達不同觀點，如有任何異議，歡迎聯系我們！

轉自丨啟元洞見

研究所簡介

國際技術經濟研究所（IITE）成立于1985年11月，是隸屬于國務院發展研究中心的非營利性研究機構，主要職能是研究我國經濟、科技社會發展中的重大政策性、戰略性、前瞻性問題，跟蹤和分析世界科技、經濟發展態勢，為中央和有關部委提供決策咨詢服務?！叭蚣夹g地圖”為國際技術經濟研究所官方微信賬號，致力于向公眾傳遞前沿技術資訊和科技創新洞見。

地址：北京市海淀區小南莊20號樓A座

電話：010-82635522

微信：iite_er