诺奖得主豪伊特：AI将重塑就业结构，财富集中风险需靠税制应对

事件概述

近日，《每日经济新闻》专访了2025年诺贝尔经济学奖得主彼得·豪伊特（Peter Howitt）。作为“创造性破坏”理论模型的构建者之一，豪伊特从经济视角分析了AI技术对劳动力市场、财富分配及个人职业发展的深远影响。他认为AI革命不同于以往的电脑革命，其核心在于自动化常规任务，这将显著提升中等技能群体的生产力，但也带来了财富过度集中的风险。

核心信息

1. AI革命的“逆技能偏向”特征

• 与电脑革命的区别：电脑革命具有“技能偏向性”，即高技能人才获益更多；而AI呈现“逆技能偏向”，主要通过自动化常规任务来提升效率。
• 受益群体差异：大型企业CEO等高层管理者因常规工作已外包，AI对其效率提升有限；相反，护士等中等技能职业可通过AI快速检索医疗信息、自动录入数据，从而大幅提升服务效率。
• 技术路径不确定性：大语言模型并非唯一路径，未来可能转向“世界模型”或模块化路线（如DeepSeek），目前仍处于启发式判断阶段。

2. 就业替代与新职业创造

• 岗位冲击现状：编程等白领岗位已受冲击（如Claude Code工具改变就业格局），但公众往往高估了AI替代速度。当前AI尚无法完全替代需判断力、共情力和隐性知识（经验直觉）的工作。
• 新职业涌现逻辑：历史表明通用技术终将催生无法预见的新职业。例如1875年无法想象博主或飞行员，如今这些已成为常态。长期来看，新增就业将集中于服务业，制造业用工需求持续下降。
• 萨伊定律的作用：若供给能自行创造需求，生产率提升导致的普通从业者总需求下降，最终将通过下游创新实现再就业。

3. 财富集中风险与政策对策

• 风险明确：若不加以干预，AI收益将向少数开发者集中，美国当前的自由放任模式可能加剧此问题。
• 税收方案对比：
  • 机器人税：企业易找到规避办法，且税基狭窄，对市场扭曲较大。
  • 财富税：豪伊特认为更可行。针对未实现资本利得的避税循环（如资产抵押借贷抵税），征收2%~3%的财富税能有效遏制财富集中。
• UBI可行性：仅靠所得税难以支撑全民基本收入（UBI），必须建立在财富税带来的充裕财政资源基础上。

4. 普通人的应对策略

• 技能升级：掌握AI工具将成为未来就业的必备技能，需主动学习并熟练运用。
• 职业转型常态化：一生中经历多次转岗将成为常态，但这并不意味着生活变差。历史经验显示，新技术创造的新工作通常比消失的工作更有趣、更有回报。
• 保持乐观：尽管转型伴随焦虑和扰动，但人类总能适应技术变革，未来机会可能比以往更好。

值得关注

• 隐性知识的壁垒：AI难以复制依赖经验、直觉和观察获得的隐性知识，这构成了人类在短期内不可替代的核心优势。
• 政策导向转变：从单纯关注“机器人税”转向构建覆盖更广的财富税体系，可能是解决AI时代贫富差距的关键制度创新。