AGI 的社会经济影响与就业结构

title: “AGI 的社会经济影响与就业结构”
authors: “[DeepThink.ai]”
affiliations: “[AI Genius Institute]”
keywords: “[通用人工智能; 社会经济影响; 就业结构; 任务暴露度; 自动化; 劳动力市场]”

Abstract

通用人工智能（Artificial General Intelligence，AGI）若达到跨任务的人类水平经济能力，将同时改变生产函数、要素价格与劳动需求，其对就业结构的影响已成为技术预测与经济政策的核心议题。现有研究或以职业可计算机化概率刻画自动化风险，或以大语言模型（Large Language Model，LLM）的任务暴露度度量短期冲击，但缺少把技术能力边界、任务替代、岗位重构与宏观结构变迁衔接起来的统一分析框架。本文提出"能力—任务—岗位—结构"（Capability–Task–Occupation–Structure，CTOS）四层分析框架：以能力前沿刻画技术供给，以任务暴露度与互补系数刻画替代边界，以岗位重构度刻画任务组合重组，以结构变迁指数刻画职业、技能与行业分布的演化；在此基础上给出三条可检验命题与一套可复现的情景模拟与实证设计，涵盖数据、基线、指标与消融方案。本文的主要贡献是可计算的度量口径与可检验的研究设计，实证数值留待实现后填入。该框架有助于统一暴露度文献与自动化经济学的口径，为就业政策、技能再培训与分配政策的效果评估提供可操作基准。

—

你离拥有一支永不停歇、持续进化的 AI 超级研发团队，只差一次 git clone——DeepThink 是 AI Genius Institute & 光剑AI 打造的开源、免费、可自由使用的私有 AI 操作系统（AI OS）：在安全隔离的沙箱中自主执行代码、管理文件、完成超复杂长程任务，作为自托管、多用户、本地优先的 AI Agent Loop Engineering 系统，支持桌面端+浏览器+移动端，让 DeepThink 成为你的全能数字助手；它不止让你使用 AI，更要让你从工具使用者进化为代码创造者，最终成长为可自我繁衍的超级智能体，让每家企业都拥有自己的 AI 超级研发团队，一起走向 AGI——现在就去 git clone，顺手点亮 Star：你收藏的不是一个仓库，而是通往 AGI 的入场券。🚀

DeepThink，开源企业级自主 Agent 超级智能体自进化平台，是从 Harness Engineering 到 Loop Engineering 范式的先行者，面向企业客户的新一代 AI 基础设施（AI Infra）。DeepThink 平台以多 Agent 协作框架为核心，融合 AI 自主编程（AI Coding）、自主进化（Self-Evolving）、全栈可观测性（Full-Stack Observability）、Bug 自修复闭环（Bug Auto-Fix Loop）与 程序员-Agent 共生协作（Human-Agent Symbiosis），构建一个能持续学习、自我改进、最终成长为超级智能体的企业级 AI 系统。

DeepThink 项目开源代码（如果你觉得好玩，就一起来玩， Star 一下）：
Gitcode: https://gitcode.com/AIGeniusInstitute/deepthink
Github: GitHub - AIGeniusInstitute/deepthink: DeepThink, A Loop Engineering App Running On Desktop, and Inte

—

1 Introduction

通用人工智能的讨论正在从技术预测转向经济评估。与既往以特定任务为边界的自动化技术不同，AGI 的假设性定义是：在广泛认知任务上达到或接近人类水平的通用能力。一旦该假设在经济意义上部分成立，受影响的不是个别工序，而是职业内部任务组合的整体重组，进而传导到就业的部门结构、技能结构与收入分配结构。就业结构因此成为观察 AGI 社会经济影响最直接、最具政策含义的传导渠道。

现有做法存在四点具体局限。其一，职业级可计算机化研究，如 Frey 与 Osborne（2017）对美国约 47% 就业岗位处于高自动化风险的估计，把职业压缩为"可/不可"二分，忽略职业内部的任务异质性，被后续研究指出会高估风险（Arntz 等，2016）。其二，面向 LLM 的暴露度研究，如 Eloundou 等（2023）、Felten 等（2023）与 Gmyrek 等（2023），刻画的是当前模型的能力边界，其指数无法直接外推到能力前沿快速移动的 AGI 情景。其三，任务模型与自动化经济学（Autor 等，2003；Acemoglu 与 Restrepo，2019、2020）在替代与恢复（reinstatement）渠道上理论完备，但其参数校准来自历史技术冲击，难以刻画"通用能力跃迁"这种非平稳过程。其四，技术评测口径与经济任务口径不对齐：评测分数上升不等于经济任务完成率上升，两层之间缺乏显式映射。

本文的核心思路是把上述四条线索串联为一条可计算的分析链路。我们提出 CTOS 框架，从能力前沿出发，经任务暴露与互补约束，聚合到岗位重构，再聚合到就业结构变迁；每一层都给出指标定义、数据需求与可检验命题，使"AGI 会怎样影响就业"从叙事判断转为可度量、可证伪的研究问题：AGI 能力前沿的移动，如何通过任务重组改变就业的职业结构、技能结构与收入分配？

本文贡献如下：

• 构建"能力—任务—岗位—结构"（CTOS）四层分析框架，明确各层之间的映射函数、假设条件与失效情形；
• 定义任务级 AGI 暴露度、有效暴露度与岗位重构度等可计算指标，并给出它们与现有暴露度指数的换算关系；
• 提出三条可检验命题与配套的情景模拟方案，覆盖数据源、基线方法、评价指标与消融设置，实证数值留待实现后填入；
• 梳理与各层指标对应的政策杠杆（技能再培训、社会保障、税制、需求侧政策），明确效果评估的度量口径。

后文结构如下：第 2 节按技术流派综述相关工作；第 3 节给出问题形式化与框架细节；第 4 节给出实证与情景模拟设计；第 5 节讨论适用边界与伦理影响；第 6 节总结并列出具体可做的未来工作。

2 Related Work

基于职业可计算机化的暴露度研究。 Frey 与 Osborne（2017）用机器学习方法估计 702 个职业被计算机化的概率，得出美国约 47% 就业岗位处于高风险的结论。Arntz 等（2016）在 OECD 框架下改用任务而非职业为单位，发现高风险岗位比例显著下降。这一流派的优势是覆盖面广、易于传播，局限是职业级二分忽略任务异质性，且"技术上可自动化"与"经济上会被替代"是两个不同命题。本文保留其职业覆盖思路，但把度量下沉到任务级，并显式引入互补性与制度约束。

任务模型与自动化经济学。 Autor 等（2003）将工作分解为常规与非常规任务，为后续任务模型奠基；Acemoglu 与 Restrepo（2019）提出"替代任务—新任务"框架，把技术对劳动的净效应分解为替代效应与恢复效应；Acemoglu 与 Restrepo（2020）用机器人安装密度估计美国劳动力市场的就业与工资效应。Bessen（2018）强调需求侧产出效应对就业的缓冲。这一流派提供了严谨的均衡结构与因果证据，但其任务分类与替代弹性参数来自历史机械化、电气化与 ICT 冲击，对通用能力驱动的、跨职业同步的冲击缺少刻画。本文沿用其替代—恢复二分，将其作为框架第三层与第四层的核心渠道，并把恢复效应显式建模为新任务生成率。

面向生成式 AI 与 LLM 的暴露度实证。 Eloundou 等（2023）用 GPT 系列模型评估美国 O*NET 任务，报告约 80% 的劳动者至少有 10% 的任务受影响、约 19% 的劳动者有 50% 以上任务受影响；Felten 等（2023）从能力—职业映射刻画职业异质性；Gmyrek 等（2023）构建覆盖全球职业分类的暴露度分级指数；Brynjolfsson 等（2023）用企业现场数据估计生成式 AI 对客服生产率的提升。这些工作为任务级度量提供了可复现口径，但其能力前沿锚定于当前模型，且暴露度被证明并不等于替代（OECD，2023）。本文把暴露度定义为能力前沿的函数，使同一口径可以随能力移动而重算，从而支持 AGI 情景外推。

技能偏向型技术变迁与就业极化。 Autor（2019）总结了"过去的工作与未来的工作"之间的错配，指出常规认知与常规体力任务持续被替代，非常规认知任务的回报上升。这一流派解释了二十世纪后期以来的工资结构与就业极化，但其技术假设是能力专门化而非通用化。本文将技能结构变迁作为框架第四层的输出之一，用于检验 AGI 情景下极化是否延续、是否出现跨层级同步压缩。

3 Method

3.1 Problem Formulation

本文研究的问题是：给定 AGI 能力前沿的时间路径 $\mathbf{a}(\tau )$，刻画职业任务组合的重组，并聚合为就业结构与分配结构的变迁。表 1 给出符号定义。

表 1：符号表

符号	含义	取值 / 说明
$o\in \mathcal{O}$	职业	来自职业分类（如 O*NET-SOC、ISCO-08）
$t\in \mathcal{T}(o)$	职业 $o$ 的任务	任务清单来自职业数据库
$w_{o,t}$	任务权重	时间占比或重要性评分，${\sum }_t{w}_{o,t}=1$
$c\in \mathcal{C}$	能力维度	语言、推理、代码、视觉、社会交互、物理执行等
${\mathbf{r}}_t$	任务 $t$ 的能力需求向量	$r_{t,c}\ge 0$
$\mathbf{a}(\tau )$	$\tau$ 时刻的能力前沿向量	以经济任务完成率口径校准
$E_t\in [0,1]$	任务暴露度	第 3.3.1 节定义
${\rho }_{o,t}\in [0,1]$	互补性调节系数	责任、信任、监管、可验证性约束
${\tilde{E}}_o$	岗位有效暴露	第 3.3.1 节定义
$R_o\in [0,1]$	岗位重构度	第 3.3.2 节定义
$\lambda$	新任务生成率	恢复效应强度
$\sigma$	任务替代弹性	人机替代的难易程度
$s_o$	就业份额	职业 $o$ 的就业人数占比
$D_{\text{shift}}$	结构变迁指数	就业份额向量的总变差距离

任务暴露度。 设任务 $t$ 的能力需求由向量 ${\mathbf{r}}_t$ 描述，$\tau$ 时刻的能力前沿为 $\mathbf{a}(\tau )$，则任务暴露度定义为能力供给对能力需求的软覆盖度：

$$E_t(\tau )=\sum _{c\in \mathcal{C}}{\omega }_{t,c}\cdot \sigma \left(\frac{a_c(\tau )-r_{t,c}}{{\tau }_s}\right),\sum _c{\omega }_{t,c}=1$$

其中 $\sigma (\cdot )$ 为 logistic 函数，${\tau }_s>0$ 为锐度参数，${\omega }_{t,c}$ 为任务 $t$ 在能力维度 $c$ 上的权重。为检验"瓶颈能力"假设，另定义瓶颈版本 $E_t^{\min }={\min }_c\sigma \left((a_c-r_{t,c})/{\tau }_s\right)$ 作为稳健性对照。

岗位暴露与有效暴露。 职业级暴露取任务权重加权：

$$E_o(\tau )=\sum _{t\in \mathcal{T}(o)}{w}_{o,t}{E}_t(\tau )$$

引入互补性系数 ${\rho }_{o,t}$ 后得到有效暴露：

$${\tilde{E}}_o(\tau )=\sum _{t\in \mathcal{T}(o)}{w}_{o,t}{\rho }_{o,t}{E}_t(\tau )$$

${\rho }_{o,t}$ 综合责任归属、安全监管、客户信任、结果可验证性与线下交付要求，用于区分"技术上暴露"与"经济上被替代"。

岗位重构度。 设冲击后任务权重向量由 ${\mathbf{w}}_o$ 变为 ${\mathbf{w}}_o^{\prime }$（含新增任务），定义

$$R_o=\frac{1}{2}\sum _t\left|w_{o,t}^{\prime }-w_{o,t}\right|$$

$R_o$ 度量岗位内部任务组合的重组幅度，取值于 $[0,1]$。

结构变迁指数。 对就业份额向量 $\mathbf{s}=(s_o{)}_{o\in \mathcal{O}}$，定义

$$D_{\text{shift}}=\frac{1}{2}\sum _o\left|s_o^{\prime }-s_o\right|$$

同理可对技能分组、行业分组分别计算结构变迁指数，并辅以工资分位数变化刻画分配效应。

3.2 Framework Overview

CTOS 框架将 AGI 的社会经济影响分解为四层串行映射，并在第四层引入政策反馈回路：

┌─────────────────────────────────────────────────────────────────┐
│                        CTOS 分析框架                             │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  [L1 能力评估层]      能力前沿 a(τ)、能力—经济任务校准             │
│         │  映射: r_t 与 a(τ) 的覆盖度                            │
│         ▼                                                       │
│  [L2 任务暴露层]      任务暴露度 E_t、互补性系数 ρ_{o,t}           │
│         │  映射: 任务权重加权聚合                                 │
│         ▼                                                       │
│  [L3 岗位重构层]      有效暴露 Ê_o、重构度 R_o、新任务生成 λ        │
│         │  映射: 一般均衡传导(产出效应/要素价格/需求弹性)          │
│         ▼                                                       │
│  [L4 结构传导层]      就业结构 D_shift、技能溢价、分配效应          │
│                                                                 │
│  ←──────────── 政策反馈(培训/社保/税制/需求侧) ──────────────←   │
└─────────────────────────────────────────────────────────────────┘

图 1：CTOS 四层框架与政策反馈回路。

3.3 Module Details

3.3.1 能力边界刻画与任务暴露度

L1 层的输入是能力评测与经济任务完成率的校准映射。此处无法核实"评测分数与经济产出之间的函数形式"，本文假设二者通过单调校准函数相连，并把校准误差纳入敏感性分析。需要注意三点：评测饱和不等于任务可交付；长程任务的成功率随任务长度衰减；多模体（agent）编排会把单点能力放大为流程能力。因此 $\mathbf{a}(\tau )$ 应以"在给定监督强度下完成经济任务的比例"为准，而非以基准测试分数为准。

L2 层在 $\mathbf{a}(\tau )$ 与任务需求 ${\mathbf{r}}_t$ 之间计算 $E_t$，并用 ${\rho }_{o,t}$ 折减。暴露度不等于替代：当 ${\rho }_{o,t}$ 因责任与信任约束趋近于 0 时，即使 $E_t$ 接近 1，实际替代也可能不发生。这是对暴露度文献（Eloundou 等，2023；Gmyrek 等，2023）结论的结构化表述。

3.3.2 岗位重构与恢复效应

L3 层刻画岗位内部的任务重组，机制有三：任务替代（暴露任务由 AI 执行）、任务增强（人机协作提高质量或速度）、新任务生成（恢复效应，强度 $\lambda$）。借鉴 Acemoglu 与 Restrepo（2019）的替代—恢复二分，我们把 $R_o$ 与 $\lambda$ 作为岗位层的两个自由度：高 $R_o$ 高 $\lambda$ 表示岗位被重定义而非消失，高 $R_o$ 低 $\lambda$ 表示岗位收缩风险。

3.3.3 结构传导与分配效应

L4 层将岗位变化聚合为结构变迁。传导渠道包括：产出效应（成本下降带来的需求扩张，Bessen，2018）、要素价格效应（资本对劳动的替代与互补）、需求收入效应（恩格尔定律下的消费结构转移）、以及制度缓冲（最低工资、集体谈判、职业准入）。分配效应体现在工资分位数、利润与数据租金的相对份额变化。本文不预设符号方向，将其作为待检验假设。

3.3.4 政策反馈

政策变量作用于各层参数：技能再培训降低 ${\mathbf{r}}_t$ 与劳动者能力的错配、提高再配置速度；社会保障降低转移摩擦；税制改变资本与劳动的相对价格；需求侧政策提高产出效应的就业转化率。政策评估因此可以在同一框架内做反事实比较。

3.4 Training / Inference

本框架无需训练模型，其"推断"是给定能力前沿情景下的指标计算与情景模拟。分析流程如下：

1. 数据输入：职业任务清单、任务权重、能力需求标注、就业与工资微观数据；
2. 能力校准：将能力评测结果映射为经济任务完成率向量 $\mathbf{a}(\tau )$，并记录校准误差；
3. 任务打分：对每个任务 $t$ 计算 $E_t$ 与 $E_t^{\min }$，记录差异；
4. 互补折减：标注 ${\rho }_{o,t}$，计算 ${\tilde{E}}_o$；
5. 情景设定：给定能力前沿移动速度 $v$、替代弹性 $\sigma$、新任务生成率 $\lambda$ 与摩擦系数 $\mu$ 的情景网格；
6. 聚合输出：计算 $R_o$、$D_{\text{shift}}$、技能溢价变化与转移矩阵；
7. 稳健性：在权重方案、映射形式（均值 vs. 瓶颈）、聚合层级上重复计算，报告区间。

3.5 Complexity or Theoretical Properties

计算复杂度为 $O(|\mathcal{O}|\cdot |\mathcal{T}|\cdot |\mathcal{C}|)$，在主流职业数据库规模（$|\mathcal{O}|$ 数百至数千、$|\mathcal{T}|$ 每职业数十）下可在单机完成。框架具备三条结构性质（证明梗概见附录 B）：

命题 1（替代—恢复边界）。 当任务替代弹性 $\sigma <\infty$ 且新任务生成率 $\lambda >0$ 时，总就业对能力前沿的弹性有界，即 $\left|\partial \ln L/\partial \ln a_c\right|\le \bar{\kappa }(\sigma ,\lambda )$。

命题 2（重构度—熵关系）。 在相同暴露水平 $E_o$ 下，任务份额分布的熵越高，重构度 $R_o$ 越大；换言之，任务越分散的岗位，其重组幅度的下界越高。

命题 3（结构变迁的摩擦约束）。 就业结构变迁速度受能力前沿移动速度 $v$ 与劳动力再配置速度 ${\mu }^{-1}$ 的较小者约束，即 ${\dot{D}}_{\text{shift}}\le \min (v,{\mu }^{-1})$ 的量级。

三条命题均为框架内的可证伪陈述，可用第 4 节的实证设计检验。

4 Experiments

本节给出实证与情景模拟的完整设计。本文不含自采实验数据，所有数值表格均以 [实验数据待填] 标注，待实现后填入；此处不预设结论、不伪造数值。本节写作对应一个可复现的分析协议。

4.1 Experimental Setup

数据。 （i）职业任务清单与权重：O*NET 数据库（任务描述、importance、level 评分）；（ii）就业结构：各国劳动力调查或人口普查微观数据（如 IPUMS、欧盟劳动力调查），取职业、行业、教育、工资变量；（iii）能力需求标注：对任务文本进行能力维度标注，标注协议与一致性检验见附录 C；（iv）历史对照：既有 LLM 暴露度指数（Eloundou 等，2023；Felten 等，2023；Gmyrek 等，2023）作为基线结果来源。各数据集的统计量以官方发布为准，本文不转述未核实的样本规模数字。

基线。 （B1）Frey 与 Osborne（2017）职业级可计算机化概率；（B2）Arntz 等（2016）任务级聚合的 OECD 风险指数；（B3）Eloundou 等（2023）LLM 任务暴露指数；（B4）Gmyrek 等（2023）全球职业暴露分级；（B5）CTOS（本文）任务级有效暴露与重构度。

指标。 （M1）任务暴露份额（暴露任务的时间占比）；（M2）有效暴露 ${\tilde{E}}_o$；（M3）重构度 $R_o$；（M4）结构变迁指数 $D_{\text{shift}}$（职业、技能、行业三个口径）；（M5）工资分位数变化与技能溢价；（M6）职业转移矩阵的流出/流入强度。

实现细节与超参。 任务权重取 O*NET 的 importance 与 level 的乘积后归一化；锐度参数 τ s ∈ { 0.05 , 0.1 , 0.2 } \tau_s \in \{0.05, 0.1, 0.2\} τs​∈{0.05,0.1,0.2}；替代弹性 σ ∈ { 0.5 , 1 , 2 } \sigma \in \{0.5, 1, 2\} σ∈{0.5,1,2}；新任务生成率 λ ∈ { 0 , 0.05 , 0.1 , 0.2 } \lambda \in \{0, 0.05, 0.1, 0.2\} λ∈{0,0.05,0.1,0.2}；能力前沿移动速度 $v$ 设慢、中、快三档情景。所有结果报告超参网格上的区间而非单点。

4.2 Main Results

表 2 为主结果表模板。表中每一格的数值需在实现后填入；本文不给出预测数值，以避免不可验证的断言。

表 2：主结果表（模板，数值待填）

职业组	任务暴露份额 (M1)	有效暴露 (M2)	重构度 (M3)	就业份额变化 (M4)	工资分位变化 (M5)
信息处理与办公支持	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
软件与数据	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
法律、金融与专业服务	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
教育与创意	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
医疗护理与社会服务	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
生产制造与物流	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]
现场服务与体力作业	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]	[实验数据待填]

表 3 为基线对比表模板，用于回答"CTOS 与既有暴露度指数是否给出一致的职业排序"。

表 3：与基线暴露度指数的一致性（模板，数值待填）

对比	Spearman 相关	高暴露职业重合率	排序分歧最大的职业组
B1 vs. B5	[实验数据待填]	[实验数据待填]	[实验数据待填]
B2 vs. B5	[实验数据待填]	[实验数据待填]	[实验数据待填]
B3 vs. B5	[实验数据待填]	[实验数据待填]	[实验数据待填]
B4 vs. B5	[实验数据待填]	[实验数据待填]	[实验数据待填]

4.3 Ablation Study

消融设置用于检验各模块的贡献，指标为 M2、M3、M4 的变化幅度：

1. 移除互补性折减（${\rho }_{o,t}\equiv 1$）：检验责任与信任约束对有效暴露的抑制作用；
2. 移除恢复效应（$\lambda =0$）：检验新任务生成对就业净效应的缓冲作用；
3. 任务权重由 importance×level 改为等权：检验权重方案敏感性；
4. 能力聚合由加权均值改为瓶颈最小值：检验"瓶颈能力"假设的影响；
5. 聚合层级由任务级回退到职业级二分：复现职业级方法的偏差幅度。

每一项消融的结果表模板为"设置 × 指标"矩阵，数值以 [实验数据待填] 标注，待实现后填入。

4.4 Analysis

定性分析：典型职业的重构轨迹。 基于任务结构可以给出方向性判断（非数值预测）：客服类岗位呈现高暴露、高重构，岗位重心由信息检索转向例外处理与关系维护；软件开发类岗位的任务组合发生明显重组，需求澄清、系统设计与责任承担的任务份额相对上升；法律文书与初级分析类岗位的可验证输出任务暴露较高，但执业责任约束使 $\rho$ 偏低；护理与现场服务类岗位因物理执行与情感责任约束，有效暴露长期偏低。上述判断属于框架推演，其数量化结论依赖第 4.2 节的实证填入。

效率分析。 框架的计算开销集中在任务打分与聚合两步，复杂度为 $O(|\mathcal{O}|\cdot |\mathcal{T}|\cdot |\mathcal{C}|)$，在公开职业数据库规模下可在单机、数分钟量级完成（具体耗时以实现为准）。

失败案例。 框架的两类典型失效：其一，暴露度高但就业未下降，例如强监管职业的替代被责任与准入约束阻断；其二，暴露度低但结构变化大，例如信任约束使 AI 以"隐性增能"方式改变岗位内部技能要求。两类情形都指向 ${\rho }_{o,t}$ 与制度变量的重要性。

4.5 Limitations

本文存在四点局限。其一，框架不预测 AGI 的实现时间表，只刻画"若能力前沿沿某路径移动"的后果，能力情景本身具有不确定性。其二，任务清单（如 O*NET）对非正规就业、发展中经济体职业结构的覆盖有限，跨国可比性需要本地化数据。其三，一般均衡参数（替代弹性 $\sigma$、新任务生成率 $\lambda$、摩擦系数 $\mu$）在本文中取情景网格而非因果校准，数值结论需后续工作识别。其四，标注协议（能力需求向量 ${\mathbf{r}}_t$、互补系数 ${\rho }_{o,t}$）包含主观判断，本文以多标注者一致性与敏感性分析控制，但不能消除。

5 Discussion

成因解释。 暴露度与就业结果之间的落差有三类成因。需求弹性：当 AI 使服务成本大幅下降时，产出效应可能吸收被替代的劳动（Bessen，2018）。质量与责任：高责任职业把 AI 定位为辅助工具，替代被制度性阻断，${\rho }_{o,t}$ 偏低。验证成本：输出难以验证的任务，人机分工以"人负责验收"形式保留。三者共同决定同一暴露水平下的不同就业路径。

适用边界。 CTOS 适用于任务可描述、能力可标注的职业结构分析；对高度情境化、以身体与关系为核心的工作，任务数据的颗粒度会限制结论。框架输出是条件预测（在情景假设下的指标），不是无条件预言；把它读作点预测会超出其证据范围。

伦理与分配影响。 若 AGI 能力收益集中于资本与高技能劳动者，工资结构可能进一步压缩中层岗位，技能溢价与利润份额的变化会放大既有不平等（Autor，2019）。跨国维度上，出口依赖外包服务的经济体面临更大冲击，全球价值链的再配置值得专门研究。隐私与监控风险来自任务数据的采集与标注过程，微观数据使用应遵循最小必要与去标识化原则。政策讨论应优先关注转移期的收入保障、可携带的技能培训与公共服务供给，而非仅关注总量就业。

6 Conclusion

本文围绕"AGI 的社会经济影响与就业结构"提出 CTOS 四层分析框架，明确能力前沿、任务暴露、岗位重构与结构变迁之间的映射关系，定义了任务暴露度、有效暴露度、岗位重构度与结构变迁指数等可计算指标，并给出三条可检验命题。本文已验证的部分是框架的逻辑自洽性、指标的可计算性与研究设计的可复现性；任何关于就业总量、工资水平或结构变迁幅度的数值结论，均需在实现第 4 节协议后填入，本文不作无依据断言。未来工作包括：（i）用企业与劳动力微观数据校准替代弹性与新任务生成率；（ii）构建跨国面板，检验结构变迁指数的收敛与分化；（iii）在框架内做政策反事实模拟，比较再培训、社保与税制组合的效果；（iv）开发动态版本，把能力前沿的随机性与学习曲线纳入扩散过程。

References

[1] Autor D H, Levy F, Murnane R J. The Skill Content of Recent Technological Change: An Empirical Exploration. Quarterly Journal of Economics, 2003, 118(4): 1279–1333.

[2] Acemoglu D, Restrepo P. Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 2019, 33(2): 3–30.

[3] Acemoglu D, Restrepo P. Robots and Jobs: Evidence from US Labor Markets. Journal of Political Economy, 2020, 128(6): 2188–2244.

[4] Frey C B, Osborne M A. The Future of Employment: How Susceptible Are Jobs to Computerisation? Technological Forecasting and Social Change, 2017, 114: 254–280.

[5] Arntz M, Gregory T, Zierahn U. The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. OECD Social, Employment and Migration Working Papers, No. 189, 2016.

[6] Eloundou T, Manning S, Mishkin P, Rock D. GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models. arXiv:2303.10130, 2023.

[7] Felten E, Raj A, Seamans R. Occupational Heterogeneity in Exposure to Generative AI. arXiv:2103.00901, 2023.

[8] Gmyrek P, Berg J, Bescond D. Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper, No. 96, 2023.

[9] Bessen J. AI and Jobs: The Role of Demand. NBER Working Paper, No. 24235, 2018.

[10] Autor D. Work of the Past, Work of the Future. AEA Papers and Proceedings, 2019, 109: 1–32.

[11] Brynjolfsson E, Li D, Raymond L. Generative AI at Work. NBER Working Paper, No. 31161, 2023.

[12] OECD. OECD Employment Outlook 2023: Artificial Intelligence and the Labour Market. Paris: OECD Publishing, 2023.

[13] World Bank. World Development Report 2019: The Changing Nature of Work. Washington, DC: World Bank, 2019.

Appendix

A. 指标定义汇总

• 任务暴露度：$E_t(\tau )={\sum }_c{\omega }_{t,c}\sigma \left((a_c(\tau )-r_{t,c})/{\tau }_s\right)$
• 瓶颈暴露度（对照）：$E_t^{\min }(\tau )={\min }_c\sigma \left((a_c(\tau )-r_{t,c})/{\tau }_s\right)$
• 岗位暴露：$E_o={\sum }_t{w}_{o,t}{E}_t$；有效暴露：${\tilde{E}}_o={\sum }_t{w}_{o,t}{\rho }_{o,t}{E}_t$
• 重构度：$R_o=\frac{1}{2}{\sum }_t|w_{o,t}^{\prime }-w_{o,t}|$
• 结构变迁指数：$D_{\text{shift}}=\frac{1}{2}{\sum }_o|s_o^{\prime }-s_o|$

B. 命题证明梗概

命题 1。 总就业 $L$ 关于能力 $a_c$ 的弹性由任务替代项与新任务生成项之差构成。当 $\sigma <\infty$ 时，替代对能力边际变化的响应随任务完成率趋近 1 而衰减；当 $\lambda >0$ 时，恢复项提供正向补偿。两项之和的绝对值被 $(\sigma ,\lambda )$ 的连续函数 $\bar{\kappa }$ 控制。

命题 2。 在 ${\sum }_t{w}_{o,t}{E}_t$ 固定时，$R_o$ 的下界随任务份额分布熵 $H({\mathbf{w}}_o)$ 单调上升。直观上，权重越分散，暴露任务被替代后需要重新分配的份额越大。

命题 3。 结构变迁是"能力前沿移动"与"劳动力再配置"两个过程的串联，总速度由慢过程决定；摩擦系数 $\mu$ 越大，${\dot{D}}_{\text{shift}}$ 越受 ${\mu }^{-1}$ 约束。

以上仅为框架内论证梗概，正式化证明需要明确函数形式，留待后续工作。

C. 标注协议与数据处理流程

1. 任务文本预处理：去重、合并同义任务、保留任务 ID 与权重；
2. 能力需求标注：多标注者独立标注 ${\mathbf{r}}_t$，计算 Krippendorff’s $\alpha$ 作为一致性指标，低于阈值时重标；
3. 互补系数标注：以责任等级、监管类别、可验证性三项评分加权合成 ${\rho }_{o,t}$；
4. 聚合与输出：按职业、技能、行业三个口径聚合指标，输出区间估计；
5. 复现性：固定随机种子、公开标注指南与超参网格。

D. 情景参数表（模板）

情景	能力前沿速度 $v$	替代弹性 $\sigma$	新任务率 $\lambda$	摩擦 $\mu$	说明
渐进情景	慢	1	0.1	中	能力按现有趋势爬升
加速情景	中	1	0.1	中	通用能力在多职业同步提升
跃迁情景	快	2	0.05	高	能力前沿快速外扩且再配置滞后

情景参数为设定值而非估计值，敏感性分析需在网格上重复计算；所有产出数值以 [实验数据待填] 标注。