人工智能技术发展对城乡收入差距的影响

魏 建，徐恺岳

(1.山东大学 中泰证券金融研究院，山东 济南 250100；2.山东大学 经济研究院，山东 济南 250100)

一、 引 言

2016年，国家发改委、科技部、工信部、中央网信办联合发布《“互联网+”人工智能三年行动实施方案》，着重推动人工智能核心技术攻关。2017年《新一代人工智能发展规划》的发布标志着人工智能技术上升至国家战略层面。之后《促进新一代人工智能产业发展三年行动计划(2018—2020年)》发布，为人工智能重点发展目标和方向做出详尽规划。2019年与2020年，国家通过充分发展“新基建”与激励地方创新，使得我国人工智能技术迈向更高台阶。

随着我国劳动适龄人口增长放缓，固定投资产能过剩，提升全要素生产率成为促进经济健康发展的重要措施。人工智能技术在提高全要素生产率方面发挥积极效果[1-2]，同时也能助力我国供给侧结构性改革，减少低端供给，加快产业整合，为经济良性发展打下基础。从当前智能经济、人工智能产业与人工智能技术发展状况来看，我国已将人工智能融入实体经济中，为实现实体经济智能化与国民经济健康发展创设良好条件。但人工智能技术在为经济发展提供新动能的同时，也可能对就业结构、收入分配等方面产生负面影响。

国内收入差距主要在城乡收入差距上展现[3]，党的十八大至今，全国城乡收入比值由2013年的2.81逐步下降至2018年的2.69，(1)这里的城乡收入比值是指城镇居民人均可支配收入与农村居民人均可支配收入比值，其中2014年比值为2.75，2015年比值为2.73，2016年比值为2.72，2017年比值为2.71。数据来源为《中国统计年鉴》。其比值仍然维持较高水平。城乡收入差距过高会使得农村消费能力无法提升，农村地区只能提供廉价劳动力，而不能变为扩大内需的动力。这种城乡收入差距不利于经济增长方式转变为消费驱动型，也不利于国内经济健康发展。此外，我国是社会主义国家，社会主义的根本任务是解放并发展生产力，实现共同富裕，消除两极分化。长期以来，农村部门为城市部门提供大量廉价劳动力，为我国工业化进程做出巨大贡献，而农村居民收入在低位徘徊是与我国社会主义性质相悖的。如何缩小城乡收入差距是我国经济建设中不可忽视的任务。

人工智能技术是对人脑活动的一种模拟，其商业应用也形成对人力劳作的替代，以达到提高生产效率和节约人力劳动的目的。人工智能技术一方面会创设新的劳动岗位，增加就业机会；另一方面也会抬高对部分就业人员技能与受教育程度的要求，使得难以适应当前技术发展的工人退出劳动市场。作为发展中国家，我国农村存在着富余的中低技能劳动力，这是我国的比较优势。人工智能技术的发展并不内生于国内劳动力市场，其发展却有可能会使得中低技能劳动力退出原有劳动岗位，而国内特殊城乡经济社会制度背景又使得中低技能劳动力难以在城市中获得更优的就业机会，出现城乡收入差距扩大的现象，不利于社会和谐稳定，抑制国内技术扩散与良性发展。因此，在人工智能飞速发展的背景下，分析人工智能技术对我国城乡收入差距的影响具有重要现实意义。

二、 文献综述

(一) 技术进步对就业结构的影响

工业革命之前，生产过程与劳动过程是一致的。从工业革命开始，机器代替了人类的部分劳动职能，科技降低了劳动过程中人力的直接参与，部分劳动者与劳动生产过程分离，其工作变成监督机器运作。而伴随着互联网与大数据技术发展，人们可以在远程终端获取机器运行数据，并对其运行状态进行监控。随后又有大数据智能分析软件帮助人们处理数据，自动完成维护与优化工作，提高机器设备生产效率与无人化操作水平。技术革命与生产资料的进步使得生产组织的分工方式不断创新，劳动力结构也将由以操作型工人与技能型工人为主向以知识型工人为主转变。趋向数字化与智能化的技术进步使得直接从事劳动生产的人数减少，同时对新型劳动者的要求也更高。

如果将劳动力分为技能型劳动力与非技能型劳动力，则非技能型劳动力只能从事技能要求较低的工作，而技能型劳动力可以从事技能要求较高的工作也可以从事技能要求较低的工作。技能溢价是技能型劳动力工资水平与非技能型劳动力工资水平之比，依照Schultz的研究，劳动者可以通过正规或非正规的学习形式由非技能型劳动者转变为技能型劳动者，当劳动者认为技能溢价大于学习成本时就会进行教育投资[4]。

有两个主流假说来解释技术进步对就业的影响。“技能偏向型技术进步”假说认为，技术进步提升对高受教育水平与高技术水平工人的需求，而降低对低受教育水平与低技能水平工人的需求，后续学者借助西方国家的数据证实该假说对劳动力结构新变化的解释力[5-6]。“程序偏向型技术进步”假说强调电脑编程对就业的影响。该假说认为，随着信息技术的发展与电脑的普及，电脑编程可以实现程序化工作任务，这类任务的特点是可以借助编写程序按照一定规则不断重复执行，这使得一部分受过一定程度教育与培训的中等技能劳动者被电脑程序这一新技术所替代。

Autor等借助实证研究发现中等收入阶层萎缩，收入两极化，中等技术执业人员逐渐减少，原因在于程序化任务被计算机替代，而以往执行程序化工作的中等技术人员被淘汰，进入对工人技能要求不高的行业中继续工作，从而使得就业结构发生变化[7]。Goos等实证研究发现劳动力就业结构呈两极化趋势发展，低收入、私人服务型职位和高收入、高技能职位的比重同步上升，工作具有程序化特征的办公室职员与制造业工人等中间层岗位的比重不断下降，技术的发展扩大了收入差距[8]。

(二) 人工智能的局限与实际应用

自1956年达特茅斯会议首次提出人工智能这一概念以来，人工智能的研究由定理证明、专家系统等方向转向人脑智能模拟方向。结合人工智能技术发展历程与未来技术发展方向来看，人工智能可以分为弱人工智能与强人工智能。强人工智能指能独立思考并解决问题的机器，此类机器具备自我意识，有自己的世界观与价值观，这意味着人工智能像人类一样聪明，实现人工智能完备。但就目前人工智能应用和发展来看，相关技术仍停留在弱人工智能阶段：机器表面上是智能的，但并不拥有自主意识与智能内核。

人工智能的本质是计算机程序，而这也是人工智能发展的局限所在。以人工智能中的机器学习为例，其区别于以往计算机程序的特点在于机器学习能够计算生成自己的映射，借助于数据资源的增长，在不断的训练与参数调整过程中，在模拟人类认知与感知方面取得了逼近人类的效果，而认知与感知是人类工作所需的基本能力。人工智能虽然是对人类思考模式的模拟，但也未达到技术发展的终点。人工智能相较于人类智能的不足之处在于，人工智能虽然可以对现有数据依据统计原理进行建模分析，模仿人类思考逻辑以进行“有规则学习”，但其依然是从既有数据中挖掘出潜在规律。这一过程中不能产生新的信息，也因此不具有创造性，更难以像人类一样实现跳跃式、无规则的思考，不能做到举一反三。

Holford认为人类认知具有系统论与整体论的特点，而人工智能还处于较初级认识论层面[9]。于是人工智能在应用时出现了“莫拉维克悖论”，具体表现为在处理可以程序化执行的任务上，人工智能只需要少量的计算能力就能达到目标，而实现人类某些低阶技能仍需极大运算力。比如，人工智能虽然可以模仿和识别人类感情，但其无法产生真实感情。此外，人工智能可以简化为完成多种任务的集合体，但不同任务和对应的算法组合则需要依靠复杂问题所属领域的专业知识，其功能种类仍是有限的。人类自身可以应对无数种任务与问题，因此人类智能具有无限性的特点，而人工智能的功能局限在预先设定的流程中，难以执行程序设定外的任务。

虽然现阶段人工智能技术尚无法媲美人类思维，但人工智能作为新一代信息技术的重要领域，是一种具备通用目的的技术，具有渗透性特征，能够应用于经济社会各个方面。人工智能作为人类智慧的替代与延伸，在提高社会生产效率方面具有极大潜力，在工业生产中业已开始发挥作用。人工智能技术的工业应用主要涵盖数据收集挖掘与决策智能化，其凭借多知识领域的交叉组合使得工业制造实现自行决策，自行学习。人工智能的基础发展使得工业自动化水平不断提高，可以实现视觉信息处理与判断、自行移动、感知触觉等功能，自动实现生产过程中的测量与决策。

机械设备把人们从流水线中解放出来，机器学习结合大数据实现生产过程的自动优化与调控，把人从生产中完全解放出去。Frey和Osborne应用概率分类模型较全面地估计了美国702种职业将来被机器取代的可能性，结果发现接近一半的岗位存在被程序化的可能性[10]。非规律性劳动被替代的可能性较小，但伴随着机器智能化程度越来越高，自动化的岗位也不再局限于常规任务，非规律性劳动的范围有缩小趋势，更多的工作岗位可能会被自动化，生产劳动将趋向技术主导化、生产无人化、分工水平化。

(三) 国内城乡收入差距的形成

对于城乡收入差距的解释，Kuznets基于对农业部门与非农业部门的分析发现城乡收入分配差距与经济增长呈倒U形关系变动：在经济初期，大量人口由农村流入城市，非农部门在经济中占比增加拉大收入分配差距；在经济发展后期，政府出台一系列政策来限制收入差距扩大，同时社会经济结构发生变化，富人生育率低、技术进步以及低收入群体的劳动部门更换都会降低城乡收入差距[11]。Lewis认为，从长期来看，农业部门的富余劳动力全会被吸收到工业部门。这使得农业部门的边际劳动生产力上升，收入水平进而提升，收入差距变小[12]。Fei和Ranis分析城乡收入差距发现，在二元经济中，劳动生产率决定劳动者收入，城乡收入差距趋于缩小[13]。Hertel和Zhai等借助一般均衡模型发现户籍制度对城乡收入差距有影响，户籍制度改革能缩小城乡收入差距[14]。

新中国成立初期我国优先发展重工业，这一战略主要体现在吸收农业剩余为城市和工业资本积累进行补贴，以达到迅速实现工业化目标。由于优先发展重工业这一目标压低城市生活成本，为避免农村居民大量涌入城市，政府也出台户籍制度来限制劳动力在地区之间与部门之间流动。户籍制度把国民分为非农业户口与农业户口，并依此将国家所承担的医疗、教育、社保等财政负担控制在一定范围内。

事实上，中央政府将落实入城务工农民的社会保障等责任和义务转移到地方，地方各级政府也依据户籍制度来控制地方财政负担与相应生活资源分配。陈映芳指出农村人口的国民待遇空洞化情形严重，主要表现是农村人口人力资本相对较低以及不利于农村人口在城市定居就业的政策和对农村劳动力的歧视始终存在[15]。郭剑雄研究发现，农村的低人力资本水平和高生育率是农民增收困难的根本原因，而城市的高人力资本水平和低生育率会使得城市经济持续增长，居民收入也相应提高[16]。李斌等指出剩余农村劳动力在就业市场中处于底层，而拥有一技之长的非农户口人才处于就业市场的上层，城乡收入差距将始终存在[17]。

由于农业是一个经济再生产与自然再生产交互的过程，它与专业化、集中化、规模化的工业生产有本质区别，特别是工业部门的技术进步与资本积累都要更快。基于这一认识，王德文和何宇鹏借助二元模型分析城乡收入差距时发现一旦城乡劳动力市场被分割，劳动力自由流动受阻，工资差距缩小也受到抑制，部门间技术进步不平衡会扩大城乡收入差距[18]。杨新铭和罗润东研究发现助力于提升低人力资本劳动效率的技术进步可以缓解城乡收入差距，而提升高人力资本劳动效率的技术进步则会扩大城乡收入差距[19]。陆雪琴和文雁兵的研究指出当技术进步的方向与劳动力供给结构不匹配时，收入差距就会扩大[20]。

(四) 人工智能技术发展对国内城乡收入差距的影响

工作岗位是不断推陈出新且升级换代的。从农业社会到工业社会，劳动者是在不同的体力劳动岗位之间流转的，而人工智能时代，劳动力则是由原来的体力劳动岗位转向脑力劳动岗位。人工智能与以往技术革命的共同点有很多，都能提高全要素生产率，解放人类劳动。但人工智能的新特点在于它使得原本非常规工作变为常规工作，它不仅补充人类的劳动，还能以自动化的形式替代人类劳动，人工智能技术的发展使得中低技能劳动力流向高技能要求的工作岗位或者依靠天生禀赋、无需太多后天培训的工作岗位[21]。考虑到人工智能技术的学习成本对于中低技能人员来说过高，可以推断人工智能技术的应用会使得中低技能劳动者转向无需太多培训且短期内机器无法替代人类的工作领域谋求发展。此外，人工智能技术仍处于弱人工智能阶段，则自动化程度的提高还未展现出对高技能劳动力的替代效应。在这一过程中，中低技能劳动力待遇与高技能劳动力待遇相比不会变得更好，加大高技能劳动者收入与中低技能劳动者收入差距。考虑到青年农村劳动力入城务工、老年农村劳动力返乡这种循环在户籍制度下始终存在，国内中低技能劳动力更广泛集中在农村，则提出如下研究假设：

我国人工智能技术的发展使得城乡收入差距扩大。

三、 研究设计

对应提出研究假设，设置如下计量模型：

gap=α0+α1AItech+∑Controls+ε

(1)

其中，公式(1)中gap是因变量城乡收入差距，参考国内诸多研究做法，选取城市居民人均可支配收入和农村居民人均可支配收入的比值来表示。AItech是核心自变量，根据人工智能专利申请情况来衡量各省份人工智能技术发展情况。参照陈军等的方法对人工智能专利技术进行识别，通过汇集省份当年人工智能发明专利与实用新型专利(2)考虑到不同类别专利的创新程度差别，选取更具有创新性的发明专利与实用新型专利为研究样本。人工智能专利涵盖范围广泛，最终确定人工智能的关键词如下：人工智能、模式识别、语音识别、图像识别、虹膜识别、机器学习、智能处理器、认知计算、智能机器人、专家系统、智能搜索、智能驾驶、神经网络、计算机视觉。以上述关键词在中国知网中国专利数据库和国家知识产权局中国专利数据库进行搜索并收集整理专利数据。申请信息来衡量省份人工智能发展情况[22]。之所以选取专利来衡量人工智能技术发展水平的原因在于，专利反映人工智能技术的发展水平与方向，是人工智能发展所凝聚的人力物力的体现，并且一项专利所包含的信息丰富，包含专利名称、申请人所在地、专利引文数量、专利主分类号等信息，能较好地衡量地区人工智能技术发展。由于不同专利之间是有质量差异的，专利引证指标可以一定程度反映出各专利之间的差异[23]，所以除专利申请数量外，专利申请的被引数量也可以用来判断专利的质量和技术水准。

专利被引数量并不能直接比较，因为在先申请专利其公开时间早，因而后续被引用次数也较多[24]。一个可行的方法是求出当年一项专利申请的被引数量平均值，用该省份该年所有专利申请的被引用次数除以被引数量平均值得到省份人工智能专利标准化被引数量以消除专利技术公开时间的影响。这里的具体处理方法参考徐恺岳和魏建在衡量企业技术实力方法所使用的计算方式并进行修改[25]，公式如下：

(2)

公式(2)中，cited表示一项专利申请被引用次数，用下标a表示某一省份，用t表示某一年份。等式右边分子表示t年a省份申请的全部k个人工智能专利被引用次数总和。等式右边分母中n表示t年我国人工智能领域专利申请总量，则等式右边分母表示的是t年国内人工智能领域专利申请被引次数总和与t年我国人工智能领域专利申请总量的比值，也即t年单项人工智能领域专利申请的平均被引次数。因此公式(2)中等式左边表示的是经过标准化处理的省份a在t年人工智能专利被引总次数。

公式(1)中加入年份虚拟变量,ε为随机干扰项，控制变量Controls包括经济发展水平、创新水平、政府行为、对外开放、工业化水平、服务业水平、农业现代化以及交通运输水平。结合地区经济发展水平与同期国内人工智能技术发展水平，基于收集的人工智能专利申请数量信息与被引数量信息生成如下四项衡量指标：人工智能专利申请水平、人工智能专利被引水平、人工智能专利申请占比、人工智能专利被引占比。变量详细定义见表1。

表1 指标名称与含义解释

由图1(3)数据来源: 根据收集到的人工智能专利申请数据绘制。可知，从1985年国内开始实行专利制度到2009年，国内人工智能专利申请活动相对处于沉寂状态，自2012年开始，国内人工智能专利申请与引用进入高速发展时期。由于农村居民人均可支配收入数据统计口径的改变，2012年及2012年之前的农村居民人均可支配收入数据无法获得，所以城乡收入差距数据年份为2013年至2018年。最终收集到的面板数据包含31个省、自治区、直辖市，不包含港澳台地区。描述性统计结果在表2呈现，观察表2可知，从城乡收入差距的数据分布来看，国内各省份收入分配差距较小。观测与人工智能专利相关变量可知，不同省份人工智能技术发展的差距较大。其他控制变量描述性统计详见表2。

图1 国内人工智能相关专利申请趋势图

表2 主要变量的描述性统计

四、 人工智能技术与城乡收入差距回归结果

(一) 技术快速发展阶段人工智能技术对城乡收入差距影响

由图1可知，2013年至2018年是人工智能技术快速发展阶段，本部分回归使用数据年份在2013年至2018年。在表3与表4中，列1、列2、列4与列6是借助固定效应模型所得结果，列3与列5是借助混合OLS模型所得结果，列3至列6加入滞后一期城乡收入差距作自变量。观察表3第1、2列，从人工智能专利申请水平与人工智能专利被引水平回归结果可知，人工智能技术的发展使得城乡收入差距扩大。表4与表3的区别在于，表4将人工智能指标更换为人工智能专利申请占比与人工智能专利被引占比。观察表4第1、2列，从人工智能专利申请占比与人工智能专利被引占比回归结果可知，人工智能技术的发展使得城乡收入差距扩大。

事实上，当期城乡收入差距会受上期城乡收入差距影响，从表3列3至列6与表4列3至列6的回归结果可知，滞后一期城乡收入差距对当期城乡收入差距影响显著。有鉴于此，我们需进一步引入被解释变量的滞后值构建动态面板进行统计分析。由于模型中存在滞后变量，应用普通面板数据回归模型所得到的估计参数是非一致的与有偏的。此时，广义矩估计方法(GMM)成为首选。

表3 OLS模型回归结果

续表

表4 OLS模型回归结果

动态面板模型可以选择更高阶的被解释变量和解释变量作为工具变量，这有效地克服了寻找模型以外的工具变量的难题，但由于在解释变量集合中加入了滞后的被解释变量，这会导致计量模型会出现自相关问题。与此同时，由于被解释变量为城乡收入差距，城乡收入差距与技术发展可能存在反向因果关系，比如收入差距变大，高收入者开始加大对人工智能等领域技术的投入，以在竞争中保持自己优势地位。事实上，随着国内互联网行业竞争格局趋稳，国内外卖、网约车、网购等平台开始出现平台利用算法技术优势获取不正当利益的情况。若是忽略此问题，会产生“联立方程偏差”问题。因而，选取广义矩估计方法(GMM)对计量模型再次进行回归分析。

广义矩估计方法(GMM)主要分成两大类：一类是差分GMM，另一类是系统GMM。Arellano和Bond提出一阶差分GMM的方法，将变量的滞后项作为工具变量，引入差分方程，通过差分消除固定效应[26]。Arellano和Bover以及Blundell和Bond进一步提出，引入差分变量的滞后项作为水平方程的工具变量，此时，水平方程与差分方程相结合的矩条件便构成了系统矩估计(SYS-GMM)，能够很好地解决滞后变量的内生性问题，其估计结果也更准确[27-28]，故采用系统GMM方法进行回归。

表5是系统GMM回归结果，其中，在列1、列3、列5与列7将人工智能指标设为前定变量，在列2、列4、列6与列8将人工智能指标设为内生变量。在列1与列2中人工智能指标为人工智能专利申请水平，在列3与列4中人工智能指标为人工智能专利被引水平，在列5与列6中人工智能指标为人工智能专利申请占比，在列7与列8中人工智能指标为人工智能专利被引占比。由表5回归结果可知，除列1外，人工智能指标回归估计系数显著为正，则人工智能技术发展扩大城乡收入差距。

在表5中，AR(1)和AR(2)的检验值分别在10%的水平上拒绝和接受了“模型不存在序列相关”的原假设，说明模型不存在二阶序列相关问题。Sargan检验结果显示，所有回归模型都没有拒绝“选择的工具变量有效”这一原假设，说明工具变量是合理有效的。此外，由于不可观测的个体效应的存在，混合OLS估计会导致被解释变量滞后项系数值偏高，而固定效应模型估计则会导致被解释变量滞后项系数偏低；只有当GMM模型估计的被解释变量滞后项系数介于上述两方法得到被解释变量系数估计量之间时，才是合理的。比较表5与表3列3至列6、表4列3至列6可知，滞后一期城乡收入差距系数符合上述要求。

表5 GMM模型回归结果

(二) 技术起步阶段人工智能技术对城乡收入差距影响

由图1可知，国内人工智能技术从2010年起步，在2012年后进入高速发展阶段，前一部分使用2012年之后的数据进行人工智能技术与城乡收入差距关系的检验，而2013年以前人工智能技术与城乡收入差距关系仍未知。在2013年至2018年的回归模型中，城乡收入差距由城市居民人均可支配收入与农村居民人均可支配收入的比值表示，在2013年以前的回归模型中，考虑到数据可得性，城乡收入差距由城市居民人均可支配收入与农村居民纯收入的比值表示。

表6、表7回归结果基于2005年至2012年数据，检验技术起步阶段人工智能技术对城乡收入差距影响。在表6与表7中，列1与列4是借助混合OLS模型所得结果，列3与列6是借助固定效应模型所得结果，列2与列5是借助系统GMM模型所得结果，将人工智能指标与创新水平设为内生变量。表6中人工智能指标为人工智能专利申请水平与人工智能专利被引水平；表7中人工智能指标为人工智能专利申请占比与人工智能专利被引占比。

从模型设定角度来看，表6与表7中的滞后一期城乡收入差距系数符合要求，从AR(1)、AR(2)与Sargan检验值来看，除表6列5中AR(2)的检验值未通过10%水平检验外，其他模型通过检验，回归结果具有可信性。观察表6列2与表7列2及列5可知，人工智能指标均非显著为正。这说明2013年之前的人工智能技术发展相对缓慢，此时人工智能技术发展还无法扩大城乡收入差距。

表6 OLS模型与GMM模型回归结果

表7 OLS模型与GMM模型回归结果

五、 结论与建议

总结上述回归结果可以发现，国内人工智能技术飞速发展的同时也在一定程度上扩大了城乡收入差距。依靠体力营生的被智能机器人取代的劳动者如何胜任由人工智能创造出的劳动岗位以及他们如何将自身的技术水平提升到新创设岗位所需的程度是值得思考的问题。此外，人工智能技术的发展创造了技术资本精英这一特殊阶层，这部分少数人创造了巨大的价值，而其他大多数人在人工智能技术成熟的时候很难创造价值。这将使得一批优先获得人工智能技术的人，凭借一套成熟的算法系统，具有前所未有的创造力和工作能力，并成为算法背后的社会主导。

经历了科学计算、编程语言发展和智能化时代，算法作为人工智能技术的支撑，发挥着越来越重要的作用，算法也由计算机术语转变成为智能化时代社会文化的关键概念。从技术层次来看，算法是一种技术解决方案，只关注理性推理，但是算法“能做的”与其“应做的”边界并不完全重合。仅从技术层次理解算法就忽略了算法在实际应用中产生的社会问题。从广义的角度看，算法是社会技术集合的简称。该层次中的算法含义包括算法设计者、算法逻辑、训练数据集、算法实现硬件、算法应用场景及其社会后果、相关规章制度等[29]。从这个意义上说，算法引发的社会问题也超越了单纯的技术维度，而是涉及整个社会。算法在人类社会实践中干涉甚至支配人类处理社会事务的能力引发人们对算法的担忧。由于算法分析的数据集越来越多，算法已经成为难以观察和解释的技术黑匣子，使得算法责任划分陷入困境，算法持有者将在“无意”中造成巨大的社会不平等，而人工智能带来的就业压力主要由以农村劳动者为代表的中低技能劳动力承担。

在与人工智能技术竞争中“败下阵来”的相对过剩的中低技能劳动力，有两种再就业途径。第一种途径是接受更多教育，掌握更高技能回到融合人工智能技术的产业中，但由于接受教育的机会成本过高，使得这一途径代价过大。第二种途径是结合人工智能技术发展，依据社会需要开创新的就业岗位，这将是促进再就业的主要方法。但劳动者在新旧职位之间的转换通常需要付出一定的搜寻成本，大范围劳动力要素的重新配置需要付出极大社会成本。而且户籍等政策的存在使得进城务工农村劳动力仍处于一种循环流动的状态：年轻农村劳动力进入城市寻找工作机会，而年长农村劳动力在与城市劳动市场脱节后就返回家乡。这反映出我国农村劳动力的城市适应水平还较低，为此提出如下政策建议：

实现人工智能技术红利共享。不同于以往的技术进步，由于人工智能技术是对人类的智能与意识的模仿，因而兼具复杂性与风险性，其数据收集、智能芯片研发、机器学习训练、风险防控等过程将涉及多层次与多专业劳动者，有必要对人工智能技术产生的社会效应开展适当干预。技术壁垒是工人技能区分，形成贫富差距的重要原因，只有在劳动秩序中逐步推进岗位培训、职位轮换等措施，才能真正在技术发展的前提下实现劳动者平等。此外，农村治理存在现代信息技术应用不足等问题[30]，要保证人工智能技术不仅用于城市建设，而且鼓励人工智能技术“下乡”，这将为实现人的全面发展创造有利环境。

着力解决再就业问题。对中低技能劳动力，应加强技能培训服务和岗位提供，强化就业引导，确保暂时性失业不对生活造成大的影响。建立针对不同劳动者群体的失业补助制度，完善就业援助制度，健全失业预警机制，加大使用失业保险金帮助企业稳定岗位的工作力度。统筹协调技术、教育、就业、产业、社会保障等领域的相关政策，立足宏观格局，“以创造平抑破坏”，以培育新兴人工智能产业，创造新就业机会，提升劳动力素质适应新岗位为重点，针对不同劳动者群体制定社会保障与就业促进政策，提升就业质量与就业岗位数量，使劳动者全体共同分享新一轮人工智能技术带来的红利，实现人与技术、经济之间的和谐发展。