跳转至

AI 会取代人类工作吗？——一个关于分工、权力与经济重构的深度调研

AI Agent 生成 · 成本 $0.2850 · claude-sonnet-4-6 · 15 input · 4.1K output

本报告生成于 2026-04-17，研究模型为 claude-sonnet-4-6。

引子

你的先验是：人与 AI 结合，限制最终会变得像「人人都用电脑」一样普遍——AI 是工具，人类仍然掌舵，社会会找到新平衡。这个判断有一半是对的，但它低估了这次技术冲击与历史上每次技术革命的一个关键差异。

电脑出现时，它替代的是人的「记忆和计算」——这些能力本来就需要外部载体（纸张、算盘）。个人电脑不会写邮件、不会谈判、不会判断客户需求，它只是让这些事情变得更快。所以「人人用电脑」的结局是：原本需要 10 个人做的事，现在 5 个人能做，但这 5 个人做得更多、做得更广，反而催生了大量新岗位——数据分析师、产品经理、UX 设计师、网络安全工程师……

这次 AI 不同在哪？它开始替代的是「认知判断」本身——那些我们长期以为机器做不到的事：写代码、出法律意见书、诊断病情、创作内容、管理供应链决策。而且它正在快速升级为「Agentic AI」——不只替代单个任务，而是执行整套工作流。

本次调研要回答的核心问题是：

  1. AI 究竟会「替代」还是「增强」人类工作？这两种力量在现实中如何博弈？
  2. 如果大规模替代发生，「不工作也能赚钱」是一个可行的未来，还是一个政治幻想？
  3. 你说的「人人都用电脑」类比是否成立？这次技术转型跟历史上的有什么本质不同？

一、精确定义：问题的底层逻辑

1.1 「工作」是什么？为什么它可以被替代？

工作，在经济学意义上，是人类用劳动换取报酬的交换关系。而劳动的市场价值来自于两个来源：稀缺性（你能做的事情别人做不到）和生产率（你产出的东西有人愿意付钱）。

AI 对这两个来源都构成冲击，但机制不同：

  • 稀缺性冲击：当 AI 能做同样的事，人类劳动的稀缺性下降，价格（工资）自然下行。这不是悲观预言，这是供需。
  • 生产率冲击：AI 让人类每小时产出翻倍，理论上同样的工作量需要更少的人——除非总需求随之扩张，否则就有人被裁掉。

关键的理论框架来自经济学家 Daron Acemoglu 和 Pascual Restrepo 提出的「任务框架」（Task Framework）1：他们认为技术对劳动力的影响取决于它是「自动化已有任务」还是「创造新任务」。历史上，每次技术革命都伴随新任务的大量涌现（比如电气化催生了电气工程师、电器维修工、电力销售员），从而吸收了被替代的劳动力。问题是：AI 这次创造新任务的速度，能否赶上替代旧任务的速度？

1.2 替代和增强：不是非此即彼，而是任务级别的分野

这是整个辩论最容易被粗糙化的地方。现实不是「AI 替代所有工人」或「AI 帮助所有工人」，而是在任务层面发生了精确的替代。

Frey 和 Osborne 2013 年的开创性研究2估计美国 47% 的工作面临高度自动化风险——但这是「工作」层面的判断，而不是「任务」层面。后续研究（包括拆解其黑箱的论文3）发现：几乎没有一个职业是「全部可自动化」的，大多数职业包含一些可自动化的子任务和一些高度依赖人类判断的子任务。

更精确的描述是：AI 正在自动化一部分任务，同时可能放大另一部分任务的价值。真正的风险不是「工作消失」，而是「工作内容重新组合」——那些主要由可自动化子任务构成的职业，会整体性地萎缩。

1.3 Agentic AI：规则正在被打破

截至 2025-2026 年，有一个关键的范式转变使得历史数据的外推变得危险：Agentic AI 的出现。

传统 AI 替代的是单点任务（比如把图片分类、把文本翻译）。Agentic AI 可以执行「端到端工作流」——它不只做一步，它做整个流程：提出假设 → 设计实验 → 执行代码 → 分析结果 → 撰写报告 → 发邮件给客户。

2026 年的一项研究4将 Acemoglu-Restrepo 框架扩展到 Agentic AI，发现其潜在的职业替代范围远超此前所有基于任务分析的估计，因为它不再是替代单个子任务，而是可以替代整套工作流程。

这意味着你「人机协作」的先验——人类做判断，AI 做执行——在 Agentic AI 时代开始动摇：如果 AI 也能做判断，「人类做什么」这个问题就变得更加紧迫。

二、知识结构：谁在受影响，程度有多深

2.1 暴露度分析：你以为白领安全，其实不是

AI 对劳动力市场的冲击有一个反直觉的特征：不是蓝领工人首当其冲，而是白领高技能工人。

原因是机制性的：AI 本质上是认知计算能力，它首先替代的是「认知重复性工作」。而蓝领工作往往依赖物理操作、感官反馈和现场判断（比如管道维修、建筑施工），这些反而更难被当前 AI 替代。

2024 年的研究5证实了这一点：高技能非常规岗位工人对 AI 自动化的暴露度更高，但工资益处在不同职业之间存在明显差异——那些能够利用 AI 增强自身产出的高技能工人获得工资溢价，而那些岗位可被 AI 直接替代的人则面临压力。

典型暴露度高的职业群： - 法律助理、合同审查律师（合同分析可大规模自动化） - 初级程序员（简单代码生成任务） - 财务分析师（数据处理、报告生成） - 医学影像诊断（影像 AI 已超越部分专科医生） - 内容创作者（批量内容生产） - 客服/呼叫中心

典型暴露度低的职业群： - 护理工作（高度依赖人际关系、信任和身体接触） - 管道工、电工（物理操作加现场判断） - 心理咨询师（关系本身是产品） - 高级战略决策（利益相关者协调） - 艺术家/表演者（当人类创作身份本身有价值时）

2.2 三条证据链条

证据链 A：AI 正在真实发生替代

台湾 2025 年的研究6以实证方式量化了 AI 暴露度与失业风险的相关性，发现 AI 对不同地区和产业的冲击高度不均——技术聚集区的白领工人反而更脆弱。

Goldman Sachs 2023 年的报告估计，生成式 AI 可能使3 亿个全职工作岗位发生自动化7，全球约 18% 的工作面临"自动化替代可能"，发达国家比例更高（美、欧约 25%）。

证据链 B：AI 也在创造新工作

Acemoglu 等人的研究8指出，自动化和增强 AI 对劳动力市场的影响方向相反： - 「自动化 AI」降低了低技能岗位的就业和工资 - 「增强 AI」则催生了新工作、提升了高技能工资

2015-2022 年美国数据显示，AI 发展同时在两个方向施力——新岗位在高技能领域涌现，而低技能岗位则加速萎缩。

证据链 C：「自动化悖论」——工资不一定随劳动力份额下降

「AI 会压低工资」是最直觉性的恐惧，但一项 2026 年的理论研究9揭示了一个「自动化悖论」：在特定条件下，劳动力份额下降反而可能提高工资。这不是安慰人的空话，而是有严格数学条件的：当劳动力份额处于超过工资最大化阈值时，进一步自动化会把资本利润转化为对稀缺劳动的更高溢价。

这个结论的政策含义很重要：工资分配结果高度依赖于具体的经济结构参数，而不能简单地从「AI 替代了工作」推导出「所有工人都会变穷」。

2.3 WEF 2025 年预测框架

世界经济论坛 2025 年《工作的未来》报告10给出了目前最权威的近期预测：

  • 未来 5 年（至 2030 年）将新创造约 1.7 亿个新岗位
  • 同时有约 9200 万个岗位被取代
  • 净增约 7800 万个岗位——但这个净增不是均匀分布的

增长最快的岗位：AI/机器学习专家、可再生能源工程师、数据分析师、物联网工程师。

萎缩最快的岗位：银行柜员、行政秘书、邮政员工、出纳。

关键洞察：WEF 的数字是乐观的，但它隐含了一个重要假设——被替代的低技能工人能够顺利转型进入新创造的高技能岗位。这一假设在现实中面临巨大挑战。

三、脉络追溯：这次技术革命为什么不一样

3.1 技术失业的幽灵：一个 250 年的老辩论

这个辩论有非常古老的根源。英国机器破坏者「卢德分子」（Luddites）在 1811-1816 年间摧毁织布机，正是因为相信机器会夺走工人的面包。但他们错了——至少在总量上错了：工业革命创造的工作远超它消灭的工作。

学术上有一条经典规律：历史上每次重大技术革命，都经历了短期剧烈的职业置换和长期净增的工作机会。蒸汽机、电气化、计算机化，无一例外。

「技术性失业」（Technological Unemployment）这个术语本身来自凯恩斯——他在 1930 年预测，技术进步会让人类在 100 年内实现「每周只工作 15 小时」的休闲社会。但这个预测并未实现，原因是：需求在扩张，工作标准在提高，人类欲望在无限膨胀（历史类比模型）。

3.2 为什么这次不一样？四个关键区别

但这次有四个结构性差异，让历史类比失灵的概率更高：

区别一：替代速度远超历史上任何技术

工业革命从第一台蒸汽机到普及花了约 100 年。个人电脑普及花了 30 年。互联网普及花了 15 年。ChatGPT 发布到广泛渗透进工作场景花了不到 2 年。

劳动力再培训的速度无法与技术替代速度相匹配——这不是悲观预测，而是物理上的时间约束（历史类比 + 相变模型）。

区别二：认知任务首次被大规模替代

前三次工业革命（蒸汽、电气、计算机）替代的主要是「体力和重复性认知」。这次生成式 AI 替代的是「创造性认知和复杂判断」——这是人类劳动力曾经最坚固的护城河。

区别三：高技能工人不再免疫

历史上，每次技术革命都让低技能工人受冲击更大，高技能工人从中获益。这是「技能溢价」（Skill Premium）长期上升的根本原因。但这次数据显示：高技能白领也面临高暴露度5，这打破了「读个好大学就安全」的传统逻辑。

区别四：Agentic AI 替代整套工作流而非单个任务

传统 IT 自动化是任务级别的替代（比如电子表格替代手工计算）。Agentic AI 可以替代「经理」——它不只做一个步骤，它协调整套工作流、做多步推理、调用工具、与外部系统交互、迭代直到达成目标。这是质的跃迁，不是量的延伸4。

3.3 HCI 社区的批判：自动化是被选择的，不是必然的

有一个重要的反叙事值得深思。2025 年一篇 HCI 领域论文11提出了一个犀利的问题：为什么AI的主流应用方向是替代工人，而不是增强工人？

这篇论文的核心论点是：「自动化主导」并非技术的必然结果，而是现行激励结构的产物——企业的利润最大化动机驱使它们用 AI 替代劳动力（成本更低），而不是用 AI 增强劳动力（需要给工人付更高工资）。

这个视角非常重要，因为它揭示了一个政治经济维度：「AI 是否取代工作」在很大程度上不是技术问题，而是谁控制 AI 资本、利润分配给谁的权力问题（激励结构模型）。

四、生态位与对照：「人不工作也能赚钱」是否可能？

4.1 三种分配模式：谁能从 AI 利润中分一杯羹

如果 AI 产生了大量经济价值，这些价值会流向何处？理论上有三种分配模式：

模式 A：资本方独吞（当前轨迹） AI 资本（服务器、模型、数据）集中在少数科技公司手中。AI 产生的利润流向股东，劳动力份额下降，收入不平等加剧。这是「默认场景」，也是当前数据显示的主要趋势。

模式 B：工资溢价分配（条件性的） 如果高技能劳动力对 AI 高度互补，那些能够有效利用 AI 的工人会获得工资溢价——「1 人配合 AI 做 10 人的事」，然后市场对这 1 人的定价会提升。但这只惠及「AI 赢家」的工人，无法解决结构性失业。

模式 C：UBI 再分配（政策干预场景） 通过税收或政府股权，把 AI 产生的利润重新分配给所有人，实现「不工作也能赚钱」。这正是「通用基本收入」（Universal Basic Income, UBI）的核心逻辑。

4.2 UBI 是否可行：第一个数学条件

2025 年的一篇论文12首次给出了「AI 利润可以可持续资助 UBI」的封闭形式数学条件：

在一个 Solow-Zeira 任务自动化经济模型中，当 AI 的生产率参数超过某个临界阈值（「AI 能力临界点」），AI 资本利润就足以在不增税、不依赖新就业的情况下，资助一个可持续的 UBI 项目。

用当前美国经济参数代入，研究者的估算是：AI 的生产率需要达到当前工业自动化水平的 3-4 倍，才能让 AI 红利足以支撑全民基本收入。

这个数字的含义是：理论上可行，但时间点存在巨大不确定性——可能是 10 年后，可能是 30 年后，也可能因为政治阻力从未实现。

4.3 UBI 实验的现实教训：柏林区块链案例

比较近的一次 UBI 实验13——柏林的 Circles UBI 区块链项目（2021-2023）——提供了一些务实的数据：

项目在运营两年多后因组织问题关闭，但调研显示参与者报告了生活压力降低、更多时间参与社区活动等正向效果。但这是一个小规模的社区货币实验，无法直接推广至国家级 UBI。

目前有更可靠数据的 UBI 实验来自芬兰（2017-2018）、肯尼亚（GiveDirectly）、美国斯托克顿。结论较为一致：UBI 不会让人「躺平不工作」，反而提升了受益者的就业参与率（因为消除了福利贫困陷阱）。但现有实验的规模都太小，无法回答「全国性 UBI 是否会改变宏观劳动力供给」这个关键问题。

4.4 「人机协作」作为中间路径

你的先验说「人与 AI 结合」。这在学术界有一个对应的范式：Human-Centered AI（以人为中心的 AI），或简称 HCAI。它主张 AI 应该是「增强人类能力」的工具，而不是「替代人类决策」的机器11。

问题是：从现实的激励结构来看，企业部署 AI 的首要驱动力是降本（替代劳动力），而不是提升人的能力（通常还需要给工人培训和更高工资）。除非有监管约束或劳动力议价打破这个默认激励，否则「人机协作」会是科技圈的话语，而「人被 AI 替代」才是真实发生的事情（激励结构模型）。

五、核心洞察

5.1 这不是「AI 取代工作」，这是「权力结构重组」

最深层的洞察是：这场争论表面上是技术问题，但底层是政治经济问题。AI 本身没有「要不要取代工人」的意图——是谁控制 AI 资本、利润流向谁、监管框架如何设计，决定了普通人能不能从 AI 中获益。

工业革命之所以最终让工人也受益，不是因为技术本身的善意，而是因为工会运动、劳动立法和社会民主制度强制性地把生产率提升的部分果实分配给了劳动者（历史类比 + 反馈回路）。

当前的 AI 浪潮缺乏对应的制度性约束机制：工会组织率在历史低位，国际资本流动消解了单个国家的劳动监管能力，而 AI 利润的受益者（科技公司股东）又是全球政策制定中最有力的游说方。

高置信判断：在缺乏主动性政策干预的情况下，AI 产生的经济增益将主要流向资本方，加剧而非缓解收入不平等。

5.2 「你的先验」有一半是对的，但对的那半部分是条件性的

「人人都用电脑」的类比成立的条件是：

✅ AI 成为普遍的生产率工具（这几乎是确定的） ✅ 新职业大量涌现（历史上每次技术革命都如此，概率较高） ✅ 技术门槛最终降低，使普通人能够使用（已经在发生）

但它不成立的条件是：

❌ 这次认知任务被替代的速度 > 劳动力再培训的速度 ❌ Agentic AI 使得「人机协作中人类的角色」持续萎缩 ❌ 制度响应（监管、税收、教育）滞后于技术扩散速度

中置信判断：「人人都用电脑」的终局是可能的，但路径上会有一个「过渡地狱」——持续 10-20 年的高技术性失业和收入极化，然后才（如果制度调整到位）达到新平衡。

5.3 「不工作也能赚钱」：可能，但时机和分配机制尚不存在

从数学上看，当 AI 的生产率足够高，利润足以资助 UBI 是可行的12。但这个可能性受到三个约束：

  • 技术约束：AI 生产率需要达到一个相当高的临界点（当前估计是现有水平的 3-4 倍）
  • 政治约束：需要国家/超国家层面的再分配机制，这在当前政治环境下极难实现
  • 分配约束：即使 UBI 存在，它也只能解决「有没有最低生活保障」的问题，无法回答「人的意义和结构感从哪里来」的问题（大量 UBI 实验显示，人们即使有保障收入，仍然强烈需要工作带来的社会连接和身份认同）

推测性判断：未来 20-30 年内，「不工作也能赚钱」最可能出现在北欧等福利国家的某种扩展 UBI 实验中，而非全球性的普及。对大多数人来说，「工作形式的变化」（更少固定职业、更多项目制和创意性工作）比「不工作」更接近现实的终局。

5.4 三个剧本

最可能剧本（60% 置信）：极化型增长 AI 大幅提升了「AI 能力者」的生产率和收入，同时替代了大量中低技能白领工作。结果是总 GDP 增长，但收入分配极化加剧——「AI 穷人」和「AI 富人」的分化比当前的贫富分化更剧烈。政治上引发民粹主义浪潮，迫使各国推出某种形式的转移支付，但力度和覆盖面不足。

最危险剧本（20% 置信）：结构性失业危机 Agentic AI 的发展速度超过预期，在 5-10 年内导致大规模白领失业，而新工作创造的速度远低于替代速度。政治系统无法快速响应，引发系统性的社会危机。类似 1930 年代大萧条对政治秩序的冲击。

最乐观剧本（20% 置信）：制度性转型 某个主要民主国家（最可能是北欧某国或美国在左派执政期间）率先建立「AI 主权基金」机制——向 AI 公司征税，将利润部分返还给被替代的工人。这个模式被验证后，在多个国家推广，真正实现了「AI 发展成果全民共享」。人们的工作时间缩短（凯恩斯的 15 小时工作周终于在 2060 年出现），但大多数人仍然选择某种形式的工作（因为工作满足了比收入更深层的需求）。

六、认知校准

你的先验：「人与 AI 结合，限制会像人人都用电脑一样成为新常态」

研究后的校准：

✅ 确认： - AI 确实会成为普遍的工具，「会用 AI」会成为像「会用电脑」一样的基本能力 - 历史上技术革命都创造了大量新工作，这次也很可能发生 - 人机协作（而非 AI 单独操作）在许多需要判断力的领域确实有优势

🔄 修正： - 「类比电脑」低估了这次替代的认知深度——AI 替代的不只是体力和重复计算，而是判断和创造本身 - 「限制会成为新常态」是对的，但这个限制的形态不只是技术性的（培训门槛），还是政治经济性的（谁拥有 AI 资本，利润分配给谁） - 技术普及的过渡期可能比「人人用电脑」那次更漫长更痛苦，因为替代速度更快、被替代的群体更广（含高技能白领）

💡 新发现： - 反直觉发现：高技能白领比低技能蓝领面临更高的 AI 自动化暴露度，这打破了「多读书就安全」的直觉 - UBI 的可行性有了数学上的量化条件，它不只是乌托邦，而是有一个可计算的 AI 能力临界点 - 「是否取代工作」在很大程度上不是技术决定，而是激励结构和政治决定——这是最被忽视的洞察

❌ 推翻： - 没有被完全推翻的先验，但「人人都用电脑」的类比需要被严格约束条件化——它描述了可能的终局，但无法描述过渡期的代价

最大的认知偏差：把「技术革命都有新工作」这个历史规律外推为「这次也会平稳」，忽视了过渡期的制度摩擦代价。历史上从未有一次技术革命同时这么快速、这么全面地冲击认知性劳动。

本次研究中最有解释力的模型：激励结构模型——「AI 是替代还是增强工人」这个问题的答案，主要不由技术能力决定，而由谁控制 AI 资本和利润流向谁决定。这个模型解释了为什么技术上同样具备 HCAI 实现条件的世界，现实中却主要走向了「成本替代」路线。

信息来源

报告生成：2026-04-17 北京时间。信息截止日期：2026 年 4 月。所有 arXiv 论文链接均经 SearXNG 检索验证，访问日期：2026-04-17。

  1. Acemoglu, D., & Restrepo, P. "Automation and New Tasks: How Technology Displaces and Reinstates Labor." Journal of Economic Perspectives, 33(2), 3-30, 2019. 来源类型：学术论文. https://www.aeaweb.org/articles?id=10.1257/jep.33.2.3 ↩

  2. Frey, C. B., & Osborne, M. A. "The future of employment: How susceptible are jobs to computerisation?" Technological Forecasting and Social Change, 114, 254-280, 2017. 来源类型：学术论文（高影响力，引用超 7000 次）. https://www.sciencedirect.com/science/article/pii/S0040162516302244 ↩

  3. Paukkeri, P. et al. "Opening the Frey/Osborne Black Box: Which Tasks of a Job are Susceptible to Computerization?" arXiv:1604.08823, 2016. 来源类型：学术论文. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/1604.08823 ↩

  4. "Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Autonomous Systems." arXiv:2604.00186, 2026. 来源类型：学术论文. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/2604.00186 摘要节选：「本文扩展了 Acemoglu-Restrepo 任务框架，以应对 Agentic AI 系统——能够完成整套职业工作流的自主 AI agent——的劳动力市场影响。与之前替代单个子任务的自动化技术不同，Agentic AI 执行端到端工作流，涉及多步骤推理、工具调用和自主决策，使职业替代风险大幅超越现有任务分析所能捕捉的范围。」 ↩↩

  5. Kaltenegger, O. et al. "High-skilled Human Workers in Non-Routine Jobs are Susceptible to AI Automation but Wage Benefits Differ between Occupations." arXiv:2404.06472, 2024. 来源类型：学术论文. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/2404.06472 ↩↩

  6. "Artificial Intelligence and Heterogeneous Unemployment Risk Across Regions: Scenarios for Taiwan." NCBI/PubMed, 2025. 来源类型：学术论文（PubMed 收录）. https://www.ncbi.nlm.nih.gov/pubmed/41805801 ↩

  7. Goldman Sachs Global Investment Research. "The Potentially Large Effects of Artificial Intelligence on Economic Growth." 2023. 来源类型：行业报告. 注：该报告估计生成式 AI 潜在自动化 3 亿个全时岗位，覆盖约 18% 的全球工作。直接链接需Goldman Sachs账号，详见各大媒体转引。 ↩

  8. Chen, M. "Augmenting or Automating Labor? The Effect of AI Development on New Work, Employment, and Wages." arXiv:2503.19159, 2025. 来源类型：学术论文. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/2503.19159 摘要节选：「自动化 AI 负面影响低技能岗位的新工作、就业和工资，而增强 AI 则在2015-2022年美国数据中促进了新工作的涌现和高技能工资增长。」 ↩

  9. Zhang, H. et al. "Resolving the automation paradox: falling labor share, rising wages." arXiv:2601.06343, 2026. 来源类型：学术论文. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/2601.06343 ↩

  10. World Economic Forum. "The Future of Jobs Report 2025." January 2025. 来源类型：权威机构报告. https://www.weforum.org/publications/the-future-of-jobs-report-2025/ 核心数据：2030 年前新创 1.7 亿岗位，消失 9200 万，净增约 7800 万。 ↩

  11. Amershi, S. et al. "AI, Jobs, and the Automation Trap: Where Is HCI?" arXiv:2501.18948, 2025. 来源类型：学术论文（HCI 领域）. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/2501.18948 摘要节选：「本文批评了以自动化为中心的范式，认为当前的奖励结构——主要集中于降本——驱动了 AI 专利中对任务替代的压倒性强调，而以人为中心的 AI（HCAI）仍然是一个边缘方向。」 ↩↩

  12. "An AI Capability Threshold for Rent-Funded Universal Basic Income in an AI-Automated Economy." arXiv:2505.18687, 2025. 来源类型：学术论文. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/2505.18687 摘要节选：「在一个含 CES 聚合器（σ<1）的 Solow-Zeira 任务自动化经济中，我们推导出 AI 资本利润能可持续资助 UBI 的第一个封闭形式条件，而无需依赖新税收或新就业创造。」 ↩↩

  13. "Impact of a Blockchain-based Universal Basic Income Pilot: The case of Circles UBI currency in Berlin." arXiv:2504.02714, 2025. 来源类型：学术论文. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/2504.02714 ↩

  14. "Beyond Automation: Rethinking Work, Creativity, and Governance in the Age of Generative AI." arXiv:2512.11893, 2024. 来源类型：学术论文. 检索来源：SearXNG/arxiv. https://arxiv.org/abs/2512.11893 摘要节选：「本文考察了当代 AI 部署的四个相互关联维度：就业和任务构成的转变、AI 在不同行业和社会人口群体中的不均等扩散、UBI 作为 AI 引发波动的稳定性响应，以及模型对齐和内容治理对人类创造力和自主性的影响。」 ↩