人工智能时代的人力资本重塑

时代环境巨变　教育与就业面临挑战

以人工智能为代表的科技革命和产业结构变革对当前经济社会发展的影响是一个大课题。

今年全国两会期间，习近平总书记在参加江苏代表团审议时发表重要讲话，明确提出“积极主动解答如何实现高质量充分就业、如何增加城乡居民收入、如何进一步提升基本公共服务和社会保障水平等课题”。其中，教育作为人力资本培养的核心途径，本身就是基本公共服务的重要组成部分。

同时，“十五五”规划纲要也对上述相关课题作出了系统部署，包括：综合应对外部环境变化和人工智能等新技术发展对就业的影响；促进人工智能助力教育模式变革；扩大高质量培训供给。

即便不讨论人工智能的冲击，单就中国自身的人力资本培养与教育发展而言，我们也正面临着重要的阶段性转变：教育发展的功能定位，正从过去服务高速经济增长的阶段，转向支撑高质量发展的全新时代。

此前，我国经济增长速度与教育发展的关系呈现“两级火箭”特征：

一是上世纪90年代开始全面普及的九年制义务教育，是推动我国经济高速增长的“第一级火箭”。当九年制义务教育实现全面覆盖后，其对经济增长的边际拉动效应有所减弱，但此时我国经济仍具备保持高速增长的潜力。

二是本世纪初启动的高等教育扩招，成为“第二级火箭”，持续为经济增长注入动力。

依托这一发展模式，中国不仅创造了经济快速发展的奇迹，也实现了社会长期稳定的奇迹，在社会发展领域取得了举世瞩目的成就。

其中一个重要标志是人类发展指数的提升：1990年联合国首次发布人类发展指数时，中国位列低人类发展水平组。此后，我国跨越中等人类发展水平组，目前已进入高人类发展水平组，正朝着“极高人类发展水平组”迈进。

这也意味着，我国教育发展进入了全新阶段：早期我国人类发展指数的提升主要依靠人均GDP的增长，而在经济发展进入新常态、人均GDP增速放缓的背景下，未来我们人类发展水平的进一步提高，将更多依赖教育和健康水平的提升。这既是高质量发展的题中应有之义，也是实现2035年远景目标的重要内容。

与此同时，人工智能的快速发展为这一进程带来了全新变量。人工智能带来了前所未有的创造性与破坏性，这是“创造性破坏”范式在新一轮科技革命中的典型体现。其创造性毋庸置疑，是我们所欢迎的；而其破坏性同样史无前例，需要我们最大限度地加以管控与驾驭。

人工智能加剧就业的结构性矛盾

今天我要重点讨论的问题是，现有的结构性就业矛盾与人工智能冲击之间是什么样的关系。我的基本结论是：人工智能对劳动力市场的冲击，与我国目前已有的劳动力市场结构性矛盾，在本质上是一致的；人工智能的冲击只是将这一矛盾进一步加剧，且这种加剧影响在持续增强。

就业岗位的增长是岗位创造与岗位破坏共同作用的结果。当企业录用一名求职者，便创造了一个就业岗位；当一个劳动者被解雇，对应的岗位便被破坏。

从统计的角度看，新岗位不断被创造出来，统计名称为“新增城镇就业”，即每年新创造的就业岗位数量。新增就业中，部分得以存续，成为“就业净增长”，另一部分岗位则被破坏。

“新增城镇就业”这一指标仅统计每年新增量，不包含岗位破坏量。而“净增”与“新增”的比值称为“转化率”。数据显示，从2000年至2024年，转化率表现出一个显著的下行曲线。这说明，新增就业岗位转化为净就业增长的比例在持续迅速下降。

过去，我国的主要就业矛盾是总量矛盾，即岗位供给不足。彼时经济高速增长的主要目标之一就是创造就业岗位，而且新创造的就业岗位基本上都能够留存，新增就业向净增就业的转化率近100%。

而现在，尽管经济仍在合理增长、新增就业持续产生，但产业结构的快速调整与自动化、机器人等新技术的广泛应用，已开始对传统岗位形成替代。即便在人工智能的就业冲击尚未充分显现的阶段，岗位破坏现象已然存在，导致这一转化率大幅下滑。

未来就业前景是乐观的，劳动力市场仍有望回升，技术进步还会创造出无限量的新岗位。但是，下行趋势已经发生，且在未来一段时期内持续，这是确定无疑的。

如何使就业曲线变下行为上行，取决于我们如何认识劳动力市场所受的冲击，以及能否采取有效的应对政策。这正是我们当前面临的紧迫课题。

图1 当前就业领域的主要矛盾是结构性矛盾

总体而言，我国当前就业领域的主要矛盾是结构性矛盾。如图1，分年龄组的就业率呈现两头低、中间高的倒U形曲线。其中，青年毕业生群体的就业率相对偏低，他们虽拥有较高的受教育程度，但缺乏工作经验与职业技能积累，存在人力资本结构上的短板；而50岁以上的大龄劳动者群体虽拥有一定的工作经验，但整体受教育年限偏低，在技术快速迭代的背景下，面临着巨大的数智鸿沟，所以在人力资本适配性方面存在缺陷。这便形成了以“一老一小”为重点人群的结构性就业困难。

图1中，下方的橙色水平线代表平均就业率。如果将这条线视作当前人工智能大模型的冲击阈值，那么“一老一小”这两类弱势群体将率先受到冲击：青年劳动者的入门级技能面临贬值风险，大龄劳动者的数智鸿沟则进一步拉大，二者成为人工智能就业冲击的首要承受者。从这个角度而言，人工智能带来的并非一种全新的就业冲击，而是对既有结构性就业矛盾的加剧。

随着人工智能技术的持续进步，除通用大模型外，各类专用模型将不断涌现，并与智能机器人深度融合，其冲击范围将逐步覆盖所有岗位。这意味着，上述冲击阈值将不断抬升，若进入通用人工智能（AGI）时代，理论上所有岗位都有被替代的可能性。

因此，在人工智能发展的全过程中，我们需要持续应对结构性就业矛盾，且随着冲击强度的不断提升，政策应对的力度也必须同步加大。

重塑人力资本培养模式：U字形曲线

应对冲击有许多方法，但其中的关键是提升人力资本技能，这始终是解决就业问题的看家本领。

结合已有研究对人生不同阶段人力资本培养特征的分析，我们可以得出一个结论：人力资本的培养不是一次性完成的，不存在“小学毕业就终身是小学水平”“博士毕业则终身是博士水平”的情况，在人工智能时代更是如此。因此，人力资本的内涵需要更新，培养模式也需要进行系统性重塑。教育要向持续性、扁平化、终身化方向转型。

图2：赫克曼曲线

诺贝尔经济学奖得主詹姆斯·赫克曼曾提出，教育投资的回报率在人生不同阶段存在显著差异，并据此绘制了一条向下倾斜的教育回报率曲线。这条曲线突出反映的是教育的社会回报率，即为整个社会带来的收益，而非仅局限于个人或家庭层面。

该曲线的走势与年龄高度相关：0岁阶段的教育回报率最高，0-3岁阶段次之，随后依次是学前教育、基础教育和其他学校教育，而毕业后的职业培训的社会回报率相对最低。

赫克曼曲线的贡献在于，它从经济学角度论证了教育应当从娃娃抓起的必要性。这也正是中国发展研究基金会等机构持续推进儿童早期发展项目的理论依据。

但现在，这条曲线已显现出局限性。按照赫克曼曲线，职业教育与终身学习的社会回报率似乎偏低。这一结论源于实证经济学的分析，这种研究范式以新古典经济学理论为基础，核心逻辑是基于现实可行性对教育投入进行决策，能产生收益的才是值得做的。

然而，在人工智能时代，在我们越来越靠近中国式现代化实现的时代，更高的发展阶段要求我们将分析视角从实证经济学转向规范经济学：不仅要关注“我们能够做什么”，更要回答“我们应该做什么”。只有这样，才能为人工智能时代的人力资本培养模式找到必要的理论基础。

赫克曼本人信奉市场机制。当年他到美国财政部游说贫困儿童补助政策，希望政府投入资金保障学龄前儿童尤其是贫困家庭儿童享有平等的早期发展与受教育机会。他给出的理由是，这将带来巨大的经济回报。他当时强调，这一结论并非基于社会公平正义的价值判断，而是纯粹的经济核算，政府投入的每一分钱都能获得实实在在的经济收益。

他的这一方法论固然重要，也确实证明了儿童早期发展投资的经济合理性。但是，在更高的发展阶段，我们还需要超越这一视角。

在更高的发展阶段，我们应该认识到，社会公平正义也是一个必要的要求。无论这件事是否有可度量的回报，无论回报率是高是低，只要是符合社会公平正义要求、关乎全体人民共同福祉的事情，我们就应当去做。

50后、60后、70后、80后、90后、00后不同代际人群受教育程度的差异，本质上是其所处特定年代的产物。因此，为他们补足短板，本身就是维护社会公平正义的必然要求。

图3：U字形社会收益率曲线

基于从实证经济学到规范经济学的范式转换和视角转变，我对赫克曼曲线做了补充完善：给这条向下倾斜的曲线补上了后半段，增加了一段向上的曲线，形成完整的U字形曲线。

这意味着，针对大龄劳动者乃至临近退休人员的职业培训与终身学习，无论从实证经济学的收益角度，还是从规范经济学的公平角度，都具有极高的社会回报率，其成本应当由政府承担。

我们正面临着人工智能冲击下的新问题，技能竞赛从人与人之间演变为人类与AI之间。技术发展的速度远超预期，我们今天耗费大量精力掌握的技能，很可能在明天就被新的人工智能模型所替代。因此，我们已无法预判学习什么内容、学习多长时间、达到何种水平，才能确保自己免受劳动力市场的冲击。

长期以来，我们人类接受教育实际上走了一条违背自身比较优势的道路。但人工智能则是遵循其比较优势在演进，它充分发挥了强大的推理能力、运算能力和其他综合能力。人类的教育在努力追赶人工智能和自然科学的发展步伐，却忽视了人类独有的、区别于机器的核心比较优势，也就是人之为人的那些部分，这是当前教育体系的缺陷。

未来，“一学定终身”的情形肯定将不存在，所以，单纯以受教育年限作为衡量人力资本水平的标准也将不再适用。

劳动者需要在整个职业生涯中持续学习、不断更新技能。过去，劳动者可以通过在劳动力市场的试错来调整职业方向或学习新技能，但在人工智能时代，这种试错的成本将变得极其高昂，劳动者个人将难以承受。市场可以试错，但人的发展不能试错，必须有完善的社会保障体系为劳动者的职业转型托底。与此同时，儿童早期发展的重要性也将进一步凸显。

关于教育和培训的政策建议

最后，我对教育与培训提几点政策建议。根据上述分析，教育与培训已成为人力资本培养体系中并驾齐驱的两大支柱，二者需要共同推进。

第一，教育前移。赫克曼下行曲线仍然有效，提醒我们教育应该前移，尽快将儿童早期发展纳入基本公共服务范畴，保障所有家庭平等享有相关服务。

人之为人的许多核心素养，正是形成于人生早期阶段。教育阶段越靠后，培养的内容更侧重于知识积累型和认知能力；而教育阶段越靠前，则更多是非认知能力、人的本性感知能力等软技能的塑造，而这些正是人类区别于人工智能的比较优势。因此，教育重心前移是必要选择。

当前，我们恰好处于资源调整窗口期：随着人口年龄结构变化，我国幼儿园、小学、初中的在校生数量持续减少，相应的教育资源得以释放，为财政资金统筹和资源重新配置提供了绝好的机会。只要能够进行统筹规划与合理配置，就能为教育向前延伸提供充足的资源。

资源可以更多投入到以下三方面：一是保障所有农民工子女平等进入城镇公立幼儿园和公立学校就读；二是将学前教育之前的婴幼儿早期发展服务纳入基本公共服务；三是逐步实现学前教育城乡全免费，条件成熟时可将其纳入义务教育体系。

第二，培训后延。推动教育培训体系向后延伸，构建完善的终身学习制度。近年来，我国中等职业教育的在校生规模持续缩减，这既源于适龄人口减少，也与更多家庭选择普通高中教育路径有关。由此释放出的中职教育资源，为终身学习体系建设提供了便利。

我们必须打破行政壁垒，将原本主要由教育部门主管的中职教育资源，重新配置到在职人员培训、转岗人员培训、大龄劳动者培训以及延迟退休人员技能提升等领域，以适应人力资本培养扁平化的时代需要。

第三，增加财政教育支出。根据以上两点，人力资本培养需要一端向前移，覆盖儿童早期发展，一端向后延，实现终身化。这必然要求加大教育投入，而投入的责任主体应当是政府。

我的U形人力资本社会收益率曲线提示我们：人生早期基础教育的社会收益率最高，应当由政府承担；后期的职业培训与终身学习，同样有极高的社会收益率，也应由政府买单；U形曲线的中间部分是劳动者年富力强的阶段，个人和市场可适当多承担部分成本。总体而言，政府应当持续加大教育公共资源投入，推动教育逐步成为普惠性的基本公共品。

2012年以来，我国财政性教育经费占GDP的比重始终保持在4%，随着我国GDP的快速增长，教育投入的绝对规模已大幅提升。但是，这一投入水平仍有提升空间。

我统计了全球190个国家和地区的教育投入数据，我国4%的投入水平仅处于全球中位数。然而，鉴于我国的人均GDP已比世界人均GDP中位数高出60%，作为更高发展水平的国家，我们理应进一步加大人力资本投入，实现教育投入与经济发展水平的同步提升。

人工智能专家李飞飞在自传中提到一个故事：她的团队早期研发的图像识别模型，成功识别出“一只斑马在非洲大草原上吃草”，但却完全没有注意到画面背景中的一道彩虹。这个故事启发我们，作为人工智能原住民的年轻一代，虽然在技术能力上算得上天之骄子，但他们的教育同样走了一条偏离人类比较优势的道路，会不会也像这个故事中的人工智能一样“看不到背后的彩虹”？

未来应该学什么、教学内容应该如何改革、早期与终身学习应如何衔接，这都是需要我们深入研究的重大课题，仍待进一步探讨。但至少可以明确的是，非认知能力、同理心、审美感、学习能力等人类独有的精神素养，既是未来新岗位创造的重要源泉，也将成为人类区别于人工智能的核心比较优势。

作者蔡昉系CF40学术委员会主席、中国社会科学院学部委员， 文章仅代表作者个人观点，不代表CF40及作者所在机构立场。