正文
本章构建了一个经济模型，用于分析人工智能如何通过拓展新任务自动化和提升现有自动化流程，影响生产率、收入和工资。该框架基于Jones和Liu（2024）的研究，兼顾技术变革的广度（横向）与深度（纵向）。Jones和Liu的模型表明，新任务的自动化（横向自动化）与既有任务中资本生产率的提升（纵向自动化）共同作用，决定工资与产出水平。横向自动化倾向于提高资本在收入中的份额，而纵向自动化则倾向于降低这一份额。
将横向与纵向自动化区分开来，有助于更深入理解人工智能对经济可能带来的影响。
例如，计算机视觉系统可体现这两种变化：当人工智能系统取代人类质检员承担新的质检任务时，属于横向自动化；当这些系统为现有自动化设备提供实时反馈，从而提升其操作效率时，则体现为纵向自动化。
从这两个维度分析自动化，可揭示在仅将自动化视为劳动力替代时可能被忽视的政策杠杆。
横向与纵向自动化的互动有助于解释如“鲍莫尔效应”这类经济现象，反映出资本不仅承担新任务，也在持续提升已有任务的效率，如摩尔定律推动计算性能提升。当然，纵向自动化也可能间接推动横向自动化的发展，例如：计算性能提升催生了可自动撰写文本的生成式人工智能模型。
采用稳健决策分析
（RDM）
框架，对大量潜在未来情境进行模拟。RDM是评估人工智能潜在经济影响的有力工具，它将分析中的不确定性纳入考虑，评估政策如何影响高度不确定结果时尤为有效。本研究中，不确定的结果是收入与工资增长路径。
图3.1展示了RDM分析的结构示意图。分析包括四个组成部分：不确定性、政策杠杆、变量关系、评估指标。
1.不确定性
本分析的核心不确定性是人工智能的发展与部署动态。模型中有若干参数控制这一过程，将它们视为现实世界状态的不确定性来源。
表3.1列出了本模型中作为不确定因素的11个参数，包括每个参数的简要说明及其在模拟中可能取值范围。
这些不确定性主要围绕人工智能自动化的动态变化，同时也包括初始资本在收入中的份额、经济任务之间的互补性水平等变量。
其中涵盖了各种可能的人工智能未来情景，包括：人工智能快速取代人类任务的未来、任务间高度互补与相互依赖、通用人工智能出现于本就高度资本密集的环境中、随着自动化推进，新任务自动化难度因边际收益递减而上升以及其他数千种组合。
2.杠杆变量
（Levers）
模型定义了两项政策杠杆，分别调控纵向与横向自动化的激励或抑制强度。
这些杠杆通过影响两类自动化的扩展速度及其产生的生产率增益发挥作用。
研究将自动化激励视为补充或替代传统再分配政策的工具。此类政策虽未广泛实施，但与全局性财富再分配相比，在产业层面更具实施可行性。因此，本分析将自动化政策作为一种可行替代路径，同时承认全面再分配措施尽管理论上更优，但在政治实践中可能更难落实。
3.指标体系
（Metrics）
针对每一种政策组合（共81种），对模型进行5,000次模拟。每次模拟中，随机从表3.1所列参数的允许范围中抽样。在每次模拟中，记录十年期的人均收入复合年增长率
（CAGR）
以及不平等的复合年增长率，其中不平等增长率指标衡量的是资本回报与劳动回报之间增长速度的差异。
4.阈值设定
（Thresholds）
本分析使用FRED（2025）数据库的历史数据分析过去的趋势来设定收入增长与不平等增长的阈值标准，以界定政策是否成功。图3.2展示了这些趋势。
基于分析，设定收入与不平等年复合增长率
（CAGR）
的阈值为2%。该标准要求政策至少维持历史增长轨迹，或实现更优表现。
情景分析显示，自动化政策效果呈现显著非对称性。图4.3热力图揭示，
最优策略表现为强力推动纵向自动化（提升现有任务效率），同时适度抑制横向自动化（控制新增任务自动化）。反之，抑制纵向自动化（特别是配合中性/抑制性横向政策）将导致绩效显著恶化。
“纵向vs横向”的框架为政策制定者提供了一种新的思考方式。与其试图事先预测哪些技术将增强人类能力（这本身具有很强的不确定性），不如将重点放在纵向自动化上，即利用人工智能提高已实现自动化任务的生产率。
这一过程往往更明确，也较少依赖主观判断。相较于判断“技术是否有利于人类互补”，我们对既有自动化流程的理解可能更清晰，从而更易于识别改进空间并付诸实施。
