本文来自微信公众号： IPP评论 ，作者：蒋余浩
导读：随着生成式人工智能（GenAI）的突破性发展，近年来，智能技术迈入突飞猛进的时期。然而，人工智能究竟能够给经济社会带来什么变化，其未来发展的状况是什么样，如何缓解社会上弥漫着的“人工智能焦虑”，这些问题却没有得到很好的解答。近期，欧洲几个主要国家陷入动荡，极端立场的左翼或右翼政党获得失业青年和工薪阶层支持的趋势相当显著。根据分析，人工智能等以替代人类工作为主要功能的技术发展，正是加剧这种趋势的重要因素之一。
毋庸讳言，近年我国也出现过地方政府推广此类自动化技术发展的政策，激发出“自动化智能技术取代人类工作”的争议。但在更高层面的决策上，展现了更深刻复杂的认识。2026年10月23日，国务院办公厅颁布《关于适应人工智能技术发展助力构建就业友好型发展方式的意见》，提出“积极增强人工智能创造就业机会、赋能传统岗位、提升就业质量、激发创业活力的正面效应，有效减缓人工智能应用就业替代影响，努力实现技术进步、产业升级与就业促进、民生改善相协调的包容性发展”的政策目标。
本文汇总了作者近期的若干观点，从理论角度，反思“自动化”的特性及其历史演变，提出以政策手段激励增强人类工作能力的自动化智能技术发展的思考。
蒋余浩
华南理工大学公共政策研究院（IPP）资深研究员、教授
广东新质生产力政策研究中心主任
※与本文相关的更系统研究发表于《文化纵横》2026年第5期。（文末附链接）。
许多经济史文献传播着一个“大而化之”的观点，即从17世纪开始，机械化生产的趋势就是使生产过程标准化、自动化，从而取代既有的人类工作，由此极大提升了生产效率，为人类社会创造出惊人的财富。[1]这个观点不能说错误，但是却存在“大而化之”的问题，无法真实认识不同经济社会的现代化发展的复杂过程。[2]
“自动化”存在不同的类型
“自动化”（automation）一词在工业领域的明确应用，始于20世纪40、50年代。当时，福特汽车公司管理层以这一概念来描述原材料和零部件自动进出机床的过程。但对于自动化技术的追求，的确早在机械化兴起之时就已出现。早期主要依赖磨坊、纺织机械等简单的机械设备和传动装置实现自动化。到了20世纪下半叶，电子技术和信息技术的飞速发展推动了自动化技术的突飞猛进。
但何谓“自动化”，不能一概而论。一般来说，自动化可以区分为两种：
一是由工人监督和维护机器运作、控制生产过程的自动化技术；
二是把人类工作分解为各个不同步骤，以机器运作逐个代替人的操作，由工人在流水线上辅助机器生产的自动化技术。
在前者，工人不仅照看和管理着机器，而且以其经验推动机器更贴近具体的生产要求；在后者，工人只是作为机器尚未发展完善时期辅助机器运作的眼和手，随着技术的进一步发展，其在生产实践中的地位不可避免地被边缘化。技术进步的每一个历史阶段，几乎都同时存在这两种自动化技术，只要“因地制宜”地加以利用，均能带来工业生产力的提升。
比如，英国在18世纪，出于劳动力短缺、能源开采成本较低的经济社会特点，发明了珍妮纺纱机等一系列节省劳动力、低成本利用能源的技术，为形成集中化、流水线生产方式创造了条件；而法国在19世纪初，为适应其棉纺织业广泛分布在农村的特征，发明了雅卡尔纺纱机，通过打孔纸带的程序设置方法来控制产品标准，既便于农户自主进行分散作业，又能满足标准化生产的需求，同样带来了棉纺工业的重大突破。
有意思的是，随着电力、蒸汽机等技术的发展，同样的自动化技术既能节省劳动力，又能提高人类劳动的生产效率。我国著名社会学家费孝通在20世纪40年代就发现，抗战期间，原本集中部署在大都市的工厂被迫搬迁到农村地区，而电力和内燃机既能适应原有的集中化部署方式，也能适应工厂搬迁到农村后的分散化部署需要。[3]
“美国化”的偏执影响
进入全球化时代，由于美国的经济实力和科技领先地位，美国的技术发展路线一度成为世界各国竞相模仿、追赶的对象。虽然受具体经济社会发展条件的制约，大多数后发国家都难以在实践中仿制美国的技术路线和经济发展模式，但是在理念上，“美国化就是现代化”的认识却根深蒂固，严重影响了各项政策的设计。
实际上，美国的技术和经济模式受到其国内发展条件的制约，具有显著的特殊性，因而往往不具有普遍性。例如，20世纪50、60年代，美国工业自动化技术领域曾有过两种技术路线并行探索的时期：
一种是记录熟练机械工的动作，根据记录向机器发出指令的“记录-回放”（record-playback）方法；另一种是由工程师事先编制程序，对生产过程予以控制的“编程-控制”（program-control）方法。
前者对熟练工人的依赖程度较高，后者更能满足管理层和科技界控制技术偏差、管理生产秩序的需要。随着军方对大批量、标准化产品的订单成为最大的市场需求，军方通过提供资助决定技术发展方向，科技界为这一需求提供科学论证，管理层则将其推广到企业生产层面。在这三股力量的共同作用下，不依赖工人实践经验的技术路线（即“编程-控制”方法）成了自动化的主要发展方向。[4]
随后，美国经济社会条件的进一步变化，加速了上述“取代人类工作的自动化”的发展。从20世纪60、70年代开始，美国进入制造业空心化进程，电子信息产业成为工业化的核心支柱。1952年，信息技术专家约翰·迪宝德（John T.Diebold）重新定义了“自动化”这一术语，认为计算机技术建立在通信和控制基础理论的数学公式之上，可以制造出能自我控制、自我编程的机器。通过在不同磁带程序之间简单切换，一台机器就可以运行多项应用程序，而存储程序技术的创新又使每个磁带程序都能包含一系列供机器执行的不同指令。最终，组织内完成多项任务所需的人员数量可以大幅缩减。[5]
20世纪60年代，IBM System/360大型计算机及其磁带存储系统。图源：Wikimedia Commons
进入20世纪70、80年代，数字自动化技术再次获得重大突破，尤其是微处理器的发展，将计算机中央处理器的所有关键部件组合成单一、微小且廉价的单元，由此催生了廉价、迅捷和可靠的小型计算机，使得文书工作及制造业中常规工作的自动化变得更加容易。[6]IT专家和企业信息官一度成为商业世界所谓的“专制者”（当时IT行业的口号是“软件定义一切”），工人在生产过程和创新系统中完全失去了地位。而政策层面的变化也在加剧这一趋势：出于去工业化的考虑，政府停止资助创造新工作任务的研究，支持优质就业的劳动力市场制度同时被削弱，少数几家以自动化为商业模式的巨头主宰了经济，政府的税收政策也更加向资本和自动化倾斜。[7]
近十余年，借助神经网络和深度学习技术的重大发展，新一代人工智能有了将“取代人类工作的自动化”推进到全新阶段的表现。
一方面，在技术领域实现了神经网络深度学习模式的重大成功，而神经网络所获取的知识是体现在神经元之间相互连接的权重值上，这种迄今无法可靠解释的知识生产机制，可以说彻底排除了个体经验对深度学习程序的参与和诊断；[8]
另一方面，各类机器学习应用于大型数据集，从而低成本、高效率完成基于预测的任务，以模式识别、对象分类和统计预测等技术取代了执行具体工作的数百万工人的现场差异性，这使管理层获得无需深入生产和经营过程就能做出决策的所谓“科学”依据。[9]
“取代人类工作的自动化”的缺陷
但是，过于激进地推动“取代人类工作的自动化”会产生相当严峻的后果，不仅如丹尼·罗德里克（Dani Rodrik，美国哈佛大学肯尼迪政府学院福特基金会国际政治经济学教授）所分析的那样，无法帮助具有劳动力密集型产业优势的发展中国家[10]，而且还会对目前正大力推动制造业回流的美国造成严重损害。[11]
美国制造业2024—2033年劳动力需求预测。图源：德勤、美国制造业研究所，2024年
第一，这种自动化技术忽视了经济社会发展的多样性需求。譬如说，对于相当多的企业而言，节省用工成本并不是当务之急。在全球价值链遭遇冲击之际，新的技术需求正在兴起：眼下的通信技术主要用于协调产品内生产任务的跨国外包成本，但基于产品内生产任务分工的全球化模式如今已难以为继，企业越来越需要能够辅助工人完成多项生产任务的新信息技术。但这类“增强人类工作”的新型技术在政策上没有得到足够的支持。
第二，这种自动化技术无法真正进入生产、生活的具体场景。人类在生产、生活的互动中形成了许多无法清晰表述的“隐性知识”，这种知识构成了人类交往的底层逻辑。以自动化技术取代人类工作，有可能破坏这种交往生态，从而产生不可预期的损失。例如，陶瓦包装时，在装好托盘、打收缩膜之前，工人会在托盘上“趴”一下，这个习惯性动作使陶瓦之间的缝隙变小，打上收缩膜之后不易变得松垮。根本不可能将这类隐性知识预先迁移到智能机器人。[12]
又如，传统OT控制系统经过长期运行，能够严格按照确定性要求进行设计，并提供预期的稳定行为，而工业智能体仍具有概率性特征，且难以获得完整的结构化数据进行训练，因此还无法与OT技术系统所形成的环境相匹配。[13]
第三，这种自动化目前已成为美国少数科技巨头主导的人工智能发展的主要功能。少数科技巨头主导了人工智能创新发展的前沿，使得全世界的技术精英几乎都围绕着人工智能既定的主流路线展开探索，很少主动结合经济社会发展的多样性需求。
近期，甚至有科技精英宣称，可以通过将学习模式（人工神经网络）与逻辑推理和知识表示（符号学派）相结合的神经符号模型（Neural-Symbolic AI），超越ChatGPT、Gemini这类大语言模型，突破人类显性知识与隐性知识的区分，从而彻底取代人类劳动，实现模型捕捉人类从未设想或无法表述的关联关系的能力——这是一个令人恐怖的科技发展“雄心”。以自动化智能技术全面取代具体工作场景中的隐性知识，会导致工作技能的积累和传承无法延续，更有甚者，还会在许多领域造成对技术创新能力的损害。
总之，自动化技术存在不同类型，这要求在政策设计上谨慎对待“取代人类工作的自动化”，同时大力支持“增强人类工作的自动化”的发展。
世界银行《2026年世界发展报告》显示，与高收入国家相比，发展中国家面临的岗位自动化潜力较低，而劳动增强潜力相对更为突出。图源：世界银行，2026年；基于ILO 2025年研究数据
何为“增强人类工作的自动化技术”？
从理论上讲，人工智能不只是一组具有特定的、预先确定的应用和功能的狭窄技术，不应将其局限于“取代人类工作的自动化技术”这一狭隘理解。人工智能是一个综合性技术平台，可以用来重组生产过程，为劳动力创造许多新的、高生产率的任务。[14]
正如近期颁布的《国务院办公厅关于适应人工智能技术发展助力构建就业友好型发展方式的意见》（国办发〔2026〕29号）所体现的，我国的人工智能产业政策需要充分考虑经济社会发展的实际需求。因此，设置激励措施，鼓励探索人工智能的新型功能，为提高劳动生产率、帮助劳动者增收作出贡献，也是追求先进技术的一条可选路径。
人工智能对就业的影响取决于技术应用方式及市场需求变化。BCG研究将AI的劳动替代效应与增强效应加以区分，指出技术在提高生产率的同时，也可能改变劳动需求及工作任务的构成。图源：BCG，2026年
实践中已经出现许多“增强人类工作的自动化智能技术”，需要在政策层面对这些探索给予更大的支持。
例如，案例一：华南地区几位制浆造纸、食品等专业出身的科研人员创办了一家科技公司，借助开源模型为这些传统行业设计和运行工艺大模型，并结合专业知识和“老师傅经验”优化模型性能。其智能产品的实测数据显示，行业术语与隐喻识别准确率达95%，专业问题回答准确率达90%。
案例二：一家早期从事模具生产的企业，近年在当地政府大力引入科研资源的帮助下，实现了向科技企业的转型，近期借助基础模型研发出一套“数采推理一体化解决方案”，凭借其对模具生产流程和工艺的熟悉程度，以及大模型的数据处理能力，构建了从采集、训练到推理、控制的全链条系统，在一定程度上克服了模具生产这类非标准化、离散型行业难以建立优质、实时、准确、完整的数据集的问题。
这两个案例的成功经验可以归纳为两条：
（1）开源路线使众多用户能够以较低成本、更加便利地接触多种人工智能模型。
（2）在先进技术的应用中，以行业实践知识和需求为核心来优化智能模型。
广东东莞模德宝智能工厂内，技术人员正在进行模具合模作业。图源：新华社
但是，实践中仍存在阻碍“增强人类工作的自动化智能技术”发展的诸多问题。
一方面，当前科研与生产相分离的线性政策，难以保障各行各业的独特性知识向科研过程迁移，从而无法形成推动“增强人类工作的自动化智能技术”发展的创新生态。在人工智能服务市场上，有一句常见的话：
“做AI的不懂行业，做行业的不懂AI。”
这句话表达了不同领域之间知识迁移的难度。实际上，目前无论是大语言模型还是多模态智能体，在技术水平上都远未达到能够理解、处理各行各业那些难以用数字化系统表述的问题的程度。在线性创新政策影响下，科学研究与产业发展长期处于分离状态，产业发展和企业发展的具体需求难以对科研形成规导作用。
同时，长期形成的基础研究与应用研究的线性分工思维，阻碍了多样化模型开发所要求的协同攻关。在许多后发国家和地区，强调“大学负责基础研究，企业负责应用和商业化研究”的线性分工思维，长期占据主流政策地位。需要指出的是，在一定的发展阶段，由于后发国家在科技和产业领域往往实施“追赶战略”（catch-up strategy），即根据自身的特殊条件来模仿并有限调适发达国家的技术路线，因此，其国内基础研究与能够产生产业化效果的应用研究之间的人为割裂，此时还不至于形成重大困扰。然而，一旦进入新的发展时期，后发国家必然面对如何超越后发跟随者角色的问题，既需要解决已有产业面临的创新发展难题，又需要探索引领新的产业方向的先进科技。此时，通过加强不同类型的科研人员以及企业家、一线工人等多主体之间的协作，共同创造更活跃的创新生态，并催生出对新的基础原理的认识，就变得尤其重要。
另一方面，应用模型的开发是一个需要反复试错的过程，许多行业难以获得科研资源，也难以承担试错成本。基于各行各业的具体需求开发模型，并非一蹴而就的事情，而是需要反复试错，并经过有经验的行业专家反复检验。难点在于，由于长期以来我国的科研投入主要面向高校和科研院所，很多行业缺乏相应的资本、科研资源和基础设施。加之其中某些行业的商业价值并不高，无法以较高的利润预期吸引资源投入。
譬如，在农业领域，不同种类的害虫之间存在着形态特征或危害方式的细微差异，相应的防治方法也因此完全不同。要开发能够识别这种细微差异的智能模型，就需要进行艰苦的科技攻关。但是，即使完成了这样的科技创新，也不见得能实现多大的农业产值提升（当然，其科技进步的意义是不言而喻的）。开源人工智能的发展在一定程度上降低了应用门槛，但是，要基于行业的具体需求来调适或微调这些模型，成本依然不低。为应对这方面的难题，需要综合运用市场机制、商业保险、社会帮扶和财政补贴等多种方式共同推进。
激励“增强人类工作的自动化智能技术”发展
通过区分不同类型的自动化，可以在政策上作出既不盲目激进、又不保守自闭的选择。以公共政策和资源激励“增强人类工作的自动化智能技术”，更有利于推动经济社会走上健康、均衡、可持续发展的现代化道路。
首先，需要明确一个原则，即公共资源不宜轻易投入具有显著取代人类工作效应的自动化智能技术发展中。因此，需要限制各级政府主动大规模支持明显具有“取代人类工作”功能的自动化技术的研发和应用；
同时，对于各个企业自主研发的“取代人类工作的自动化技术”，应要求其必须经过严格的社会实验阶段，只有在明确控制社会风险的条件下，才能逐步推广应用。
此外，应当通过增强技术工人、工程师等在创新系统中的话语权，保障生产体系内生的创新需求和实践得到更充分的重视，提升人类工作在先进技术研发中的主导地位。同时，针对获得财政补贴和科研奖补的企业，强制增加其裁员方案说明义务，设立要求一线工人参与的技术创新项目，将数据权利纳入工人权益保护体系，推动工人广泛参与劳动力发展和转型计划等。通过以上举措，严格而有序地限制“取代人类工作的自动化技术”的发展。
其次，通过变革创新体制来支持“增强人类工作的智能技术”的发展。如在经济发展水平不同的区域设立AI研发公共基金，牵引科研机构、产业界和社会资本组成攻关团队，支持从该区域的真实应用需求出发展开研究探索。同时，围绕这些探索，推进人才培育、政策法规建设，以及核心算法、关键设备、高端芯片、重大产品与系统、基础材料、元器件、软件与接口等软硬件的研发和建设，从整体上逐步构建多种技术路线并行探索的发展格局。
与此同时，深化人才培育和人才考评体制改革，突出强调跨专业性、协同性和实际效用。尤其需要改变目前基于学历、专业、人才帽子、履职经历等标准评价人才的做法，既鼓励不同行业的优秀人士保持热情、勇于学习人工智能等新技术，推动新技术与各个行业深度融合、相互促进，又激励各类科研人员参与实践、观察实际发展状况，从实践中提炼科学问题，推动科学原理探索中的创新。
最后，需要基于各行各业的企业发展需求，建立支持多样化创新探索的机制。如突破既有的部门壁垒，搭建支持各类企业发展的共享性科创平台，推动不同类型的科研人员、企业家、科技金融机构以及一线工人等加强协作，共同开展解决具体发展问题的创新活动。设立公共资金，支持科研机构与企业前瞻性地研发应对发展环境剧变的新型技术。
在这方面，尤其可以学习借鉴德国弗劳恩霍夫研究所（Fraunhofer-Gesellschaft）、美国“创新园圃”（Innovation Orchards）等支持中小初创企业实施创新升级的经验，向中小微创新型企业开放科技资源，并提供融资、科技服务和企业成长扶助等方面的支持，培育更为丰富的创新型市场主体。
此外，针对许多领域中的急难险重工种，有必要通过设置专项经费、提供人才支持，探索利用自动化智能技术辅助或替代相关工作。在研发探索阶段，要求收集和提炼有经验劳动者的意见；在技术应用和推广阶段，也需要不断征求有经验劳动者的反馈，根据其意见推动技术的完善和升级。
*蒋余浩教授的相关研究《从巨头主导到“创新民主化”：人工智能迈向包容性》刊登于《文化纵横》2026年第5期封面选题——“谁的AI？谁的未来？”专题系列。有兴趣的读者敬请点击链接查询查阅。
蒋余浩
华南理工大学公共政策研究院（IPP）资深研究员、教授，广东新质生产力政策研究中心主任
*参考资料：
[1]英国经济史学家大卫·兰德斯所著的《解除束缚的普罗米修斯》是这类文献中的经典。
[2]例如，法国工业化路径与英国大不一样。可以推荐阅读近期出版中译本的法国经济史学家德尼·沃罗诺夫著作《法国工业史》。
[3]费孝通：《乡土重建》，载《费孝通全集》第五卷，呼和浩特：内蒙古人民出版社，第85~92页。以上技术状况的讨论，更详细内容参见崔之元：《中国乡村工业新探——灵活专业化与“莫比乌斯带”组织》，载崔之元：《第二次思想解放与制度创新》，香港：牛津大学出版社，1997年。
[4]戴维·F.诺布尔：《生产力：工业自动化的社会史》，李风华译，北京：中国人民大学出版社，2007年，第100、225~226页。
[5]阿尔弗雷德·D.钱德勒、詹姆斯·W.科塔达编：《信息改变了美国：驱动国家转型的力量》，万岩、邱艳娟译，上海：上海远东出版社，2011年，第229页。
[6]迈克尔·伍尔德里奇：《人工智能全传》，许舒译，杭州：浙江科学技术出版社，2021年，第250页。
[7]Acemoglu，Redesigning AI：Work，Democracy，and Justice in the Age of Automation，p.19.
[8]伍尔德里奇：《人工智能全传》，第171~176页。
[9]Acemoglu，Redesigning AI：Work，Democracy，and Justice in the Age of Automation，p.20.
[10]Dani Rodrik，“New Technologies，Global Value Chains，and the Developing Economies”，NBER Working Paper no.25164，October 2018.
[11]Jesh Ramesh，The Automation Paradox:America’s Hidden Bottleneck to Reindustrialization，https://americanaffairsjournal.org/2026/09/the-automation-paradox-americas-hidden-bottleneck-to-reindustrialization/.
[12]“工人一个小动作，供应商赔款上百万”，https://mp.weixin.qq.com/s/RyEDrnx3Q7UI5SbIGj_Z-Q.
[13]彭瑜：“⼯业AI应⽤的困惑和可能的解决途径探讨”，https://mp.weixin.qq.com/s/TNMLZZOeluJcNiU36YKDSQ.
[14]Daron Acemoglu&Pascual Restrepo，The Wrong Kind of AI?Artificial Intelligence and The Future of Labor Demand，NBER WORKING PAPER SERIES，http://www.nber.org/papers/w25682.