摘要：随着生成式人工智能（GAI）在社会经济各领域的加速渗透，其在提升效率与激发创新的同时，也在一定程度上加剧了劳动收入的不平等。本文以马克思主义劳动价值论、技能偏向技术进步理论和共同富裕理论为基础，构建了“价值重构—技能分化—共享机制”的理论分析框架，剖析技术资本主义内在矛盾如何通过市场机制演化为分配失衡，并在我国社会主义制度下寻求制度性调节路径。GAI通过自动生成文本、图像和代码等内容，部分替代创造性劳动，削弱了传统劳动价值的衡量逻辑。其高效特性提升了生产力，却加剧了劳动异化，劳动者不仅与劳动成果分离，更在价值创造全过程中被边缘化。同时，GAI重塑技能结构，使收入不平等从结果性差异演变为能力积累与机会获取的失衡。进一步分析表明，GAI的快速发展引发了就业结构两极分化、数据控制权集中、技能代际传递中断和社会保障滞后等多重挑战。为此，本文构建了“全链条人力资本升级—全维度数据价值分配—全场景数字基建普惠—全周期智能治理规范”四维递进的实践路径体系，以期推动技术红利更广泛地惠及劳动者，优化收入分配格局。

关键词：生成式人工智能；劳动收入不平等；高质量发展；共同富裕

当前，中国的劳动收入不平等问题日益凸显。尽管过去几十年里中国经济取得了显著增长，人民生活水平大幅提高，但收入不平等的问题依然存在，特别是在城乡之间和区域之间。根据国家统计局的数据显示，2024年中国居民人均可支配收入基尼系数约为0.465，表明收入分配不均的状况有待进一步改善。城乡差距方面，农村居民的收入仍然远低于城市居民，2025年城乡居民人均可支配收入分别为56，502元和24，456元，即城镇居民人均可支配收入约是农村居民的2.3倍。此外，沿海发达地区和内陆欠发达地区之间的收入不平等依旧显著。城市内部的收入不平等也在加剧，高收入群体和低收入群体之间的差距不断扩大。高收入群体往往集中在金融、信息技术等高增长行业，而低收入群体则多从事服务业、制造业等传统行业。党的二十大报告指出：“坚持按劳分配为主体、多种分配方式并存，构建初次分配、再分配、第三次分配协调配套的制度体系。努力提高居民收入在国民收入分配中的比重，提高劳动报酬在初次分配中的比重。坚持多劳多得，鼓励勤劳致富，促进机会公平，增加低收入者收入，扩大中等收入群体。完善按要素分配政策制度，探索多种渠道增加中低收入群众要素收入，多渠道增加城乡居民财产性收入。”党的二十届三中全会进一步指出，要“完善收入分配制度”“完善就业优先政策”“健全社会保障体系”，通过完善收入分配制度、加强再分配调节等措施，逐步缩小收入不平等，促进社会公平正义。通过这些措施，党和国家致力于解决收入不平等问题，促进社会和谐稳定，实现全体人民的共同富裕。

生成式人工智能（Generative Artificial Intelligence，GAI）作为近年来技术领域的重要创新，凭借深度学习、自然语言处理和计算机视觉等核心技术的突破，正在迅速改变各个行业的生产和服务方式。GAI不仅具备自动生成文本、图像、音频等内容的能力，还能够在创作、设计、教育、医疗等多个领域发挥重要作用。通过大规模数据的深度训练，GAI能够模拟和增强人类的创造力，尤其是在艺术创作、内容生成和决策支持等领域，展现出其不可忽视的潜力。随着计算能力的提升和算法的不断迭代，GAI的应用场景不断扩展，其创新性与多样性正成为推动现代化生产方式的重要力量。

然而，GAI的广泛应用也带来了明显的社会经济挑战，特别是在劳动收入不平等问题上，其影响尤为显著。首先，GAI具有显著的任务替代性和技术偏向性，尤其是在低技能领域，许多传统岗位可能因自动化程度的提高而消失。例如，基于GAI的内容生成、语言处理和图像创作等任务，可以取代大量从事这些工作的低技能劳动力，使这些劳动者的就业机会大幅减少，进而导致这些劳动者的收入水平停滞甚至下降。其次，GAI的引入进一步加剧高技能劳动者与低技能劳动者之间的收入差距。在技术驱动的经济中，拥有高技能的劳动者能够通过利用GAI提升生产力、优化决策和创新，获得更高的收入，而低技能群体则可能面临技术溢出效应的负面影响，进一步拉大收入不平等的鸿沟。最后，尽管GAI的出现创造了一些新的就业机会，如大模型微调与提示工程、算法优化和AI技术支持等，但这些岗位通常需要较高的专业技能和培训要求，因此无法为低技能劳动者提供有效的就业替代，反而强化技术和教育程度较高的群体的收入增长，推动收入极化现象的加剧。GAI的发展在推动经济效率极大提升的同时，也带来更加复杂的劳动市场结构变化以及在收入分配上的不平等问题。其深远影响不仅仅体现在个体收入差距的扩展，也可能对社会稳定和经济可持续发展产生长期影响。因此，如何在推动技术进步的同时，合理应对GAI带来的社会经济挑战，特别是缩小劳动收入差距，将成为未来政策制定的重要课题。

本文构建了“价值重构—技能分化—共享机制”的理论分析框架，以系统探析GAI对我国劳动收入不平等的深层影响。首先，从“价值重构”的视角出发，揭示GAI对传统劳动价值创造逻辑的根本性冲击，指出在数字资本主导的生产方式下，劳动者面临边缘化的风险与趋势。其次，从“技能分化”的角度，剖析GAI对不同技能层级劳动者所产生的异质性影响，揭示其推动劳动力市场结构性断裂与收入极化的内在机制。最后，从“共享机制”的维度，探讨在共同富裕目标引领下，通过制度设计与政策创新实现技术红利再分配、缩小收入差距的可行路径。在该理论框架的指导下，本文进一步厘清GAI对劳动收入不平等产生的潜在风险，并提出具有前瞻性和创新性的应对策略。本文旨在为GAI时代缓解劳动收入差距、促进社会公正与实现共享发展提供理论支持与政策借鉴。

本文的创新体现在以下几个方面：第一，立足于马克思主义劳动价值理论、技能偏向技术进步理论以及共同富裕理论，构建以“价值重构—技能分化—共享机制”为主线的理论分析框架，系统揭示GAI在多维度上对劳动收入不平等的深层影响，丰富GAI与收入分配关系的理论研究范畴；第二，深入探讨GAI技术发展过程中可能引发的潜在风险，并在此基础上提出具备前瞻性和可行性的应对策略，力求为构建更加公平、包容和可持续的收入分配体系提供理论支撑和政策参考。

现有文献关于传统人工智能（Traditional Artificial Intelligence，TAI）与GAI的研究日渐增多，本文将从如下几个方面进行综述：（1）人工智能对经济影响的理论研究；（2）TAI对劳动收入不平等的影响；（3）GAI对劳动收入不平等的影响；（4）应对人工智能负面影响的政策研究。

人工智能对经济影响的理论研究。现有研究主要通过构建新古典模型和任务类模型解释人工智能对经济的影响，认为人工智能可以通过使用更便宜的资本，补充或者替代劳动力，促进经济增长。任务类模型将工作岗位细分为连续的工作任务，根据自动化替代能力和要素成本比较原则，选择资本或劳动力进行生产活动，同时人工智能将创造新任务，吸纳更多劳动力。

人工智能对收入不平等的影响研究。（1）行业收入不平等。人工智能是一种偏向数据、算法的通用性数字技术。数据、算法的非竞争性催生行业之间的不公平竞争，导致行业间收入不平等扩大。同时，人工智能对传统行业的渗透，可以提高传统落后部门的行业增长率，从而缩小行业差距。（2）要素收入不平等。人工智能将增加资本收入份额，减少劳动收入份额。从产业结构转型升级而言，人工智能使资本价格更低廉，企业更多地使用人工智能和自动化替代劳动力工作岗位，导致资本和劳动力在不同产业部门流动，从而劳动收入份额发生变动。从生产率角度而言，人工智能同时提高生产效率和工资率，但劳动生产率增长速度快于工资率，使劳动收入份额下降。（3）劳动收入不平等。短期内，人工智能将替代大量低技能工作岗位，同时增加对高技能工作岗位的需求，导致高技能工人工资提高，低技能工人工资增长缓慢甚至下降，使劳动者收入不平等扩大。从长期来看，新岗位技能的普及在一定程度上会抑制收入不平等的扩大。

GAI对劳动收入不平等的研究。（1）GAI相较于传统人工智能在创造性和自主性方面具有显著优势，能够处理复杂的数据分析，生成创意内容和支持高级决策。Liu等指出，GAI在自然语言处理、图像生成和复杂数据建模等方面显示出强大潜力，极大地提升了高技能劳动者的生产力和收入水平。Huseynov 强调，GAI在创意产业中的应用显著提高了创意工作者的效率和价值。（2）GAI显著增强高技能劳动者的生产力和收入水平。Korinek 发现，GAI通过复杂数据处理和高级分析，极大地提升了数据科学家、金融分析师和医疗专家的工作效率和收入水平。GAI的应用使这些高技能劳动者能够在更短时间内完成更多高价值任务，从而显著提高其收入水平。（3）GAI对低技能劳动者的替代效应更加显著。Yilmaz 等表明，GAI可自动化许多低技能任务，如数据输入、基础客户服务和初级文案写作，使这些岗位需求大幅减少，低技能劳动者面临收入和就业机会的双重冲击，这种替代效应显著扩大高低技能劳动者之间的收入差距。

公共政策应对人工智能的负面影响。技术进步带来的劳动收入不平等问题引起广泛关注。陈永伟强调，政府需要通过政策干预，确保技术进步带来的利益能够更公平地分配。具体措施包括完善收入分配制度，加强再分配调节等，以缩小收入差距。郑世林等的研究也支持这一观点，认为政策干预对缓解技术进步带来的收入不平等至关重要，教育和培训被视为应对技术进步带来不平等效应的重要手段。柏培文和张云则强调，针对人工智能所带来的负面影响，通过提升劳动者的技能水平，可以增强其适应新技术的能力。王林辉等认为，通过职业培训和继续教育，可以帮助低技能劳动者掌握新技术，减少其被替代的风险。杨光和侯钰强调终身学习和技能更新的重要性，以应对GAI技术的快速发展，制度创新是应对技术进步带来不平等效应的另一重要手段。黄旭和董志强强调技术进步应当考虑社会公平，制定政策时需要兼顾技术进步和社会福利。董志强提出调整劳动市场政策的建议，认为需要通过灵活就业、社会保障体系的完善等措施，保障劳动者的权益。董志强和黄旭研究发现，延长普及教育年限可以有效缓解人工智能技术带来的收入不平等问题。陈韦宏和罗志佳指出，应构建劳动者友好型制度环境、推动现代教育体系改革，从而激发劳动者的创造力。

综上所述，现有文献为我们理解GAI和TAI对劳动收入不平等的影响提供了丰富的理论和实证依据。然而，随着GAI技术的快速发展，其对劳动市场和收入分配的具体影响及应对策略需要进一步研究和探讨。在此背景下，准确识别GAI可能带来的多维风险，并围绕人力资本协同升级、数据劳动价值分配、公共数字基础设施建设及人工智能社会责任治理等方面提出具有针对性、前瞻性和可操作性的对策建议，对于缓解技术进步所导致的收入差距扩大趋势，实现技术发展与社会公平之间的动态平衡、推动社会经济的可持续与包容性增长，具有重要的理论价值与现实意义。

图1 生成式人工智能影响劳动收入不平等的理论分析框架

（一）马克思主义劳动价值论：从“活劳动主导”到“技术租金嵌入”的转向

马克思主义劳动价值论明确指出，劳动是一切价值的唯一源泉。然而，在GAI广泛介入经济活动的语境中，虽然劳动依旧是价值的唯一来源，但劳动力要素及其所有者的地位却进一步下降。一方面，劳动者的能力被部分地替代，即GAI生成内容的能力不断逼近人类创造的边界，使部分脑力劳动、创造性劳动被算法所替代，价值的载体不再明确依附于人的劳动，而是转化为算法模型与数据资源产出的形式。另一方面，劳动者在劳动过程中的自主决策权也被进一步削弱，其被以算力、数据和算法为核心的技术资本所驱动，从而游离在劳动成果之外。

资本凭借对数据资源、模型权属与平台规则的垄断性掌控，重新定义了价值归属的边界，同时通过“技术租金”的形式攫取劳动者借助工具所创造的大量剩余价值。这种租金机制导致劳动成果的所有权与使用权高度剥离，劳动者沦为技术流程的附庸，劳动异化在数字语境下呈现出平台主导、算法锁定、数据失控的新形态。劳动者对自身价值创造过程的主导权被架空，劳动产品被平台逻辑吸收和再利用，而劳动报酬则被压缩至可替代性最低的边缘。

在这种情况下，劳动价值的本体性面临挑战，社会分配机制也被资本逻辑进一步侵蚀。对此，中国特色社会主义坚持劳动价值的主体性，强调数据要素的公共属性，以进一步推动“数据公有—技术共创—价值共建”的机制重塑，试图在技术资本主导的结构中重申劳动在价值创造中的主位角色。这一理论路径的核心在于恢复劳动的社会本质，通过再分配手段反制技术私有化所带来的剩余价值初次分配失衡。技术资本对数据、模型等生产资料的垄断，本质上是在价值创造与初次分配环节侵占劳动者剩余价值，导致初次分配中劳动报酬占比失衡。而“数据公有—技术共创—价值共建”的机制重塑，正是通过再分配的调节作用，纠正初次分配层面的失衡问题，保障劳动者在价值创造中的合理收益。

（二）技能偏向技术进步理论：从“线性替代”到“超线性分化”的技能结构跃迁

技能偏向技术进步理论指出，技术发展并非中性，而是倾向性地影响不同技能层次劳动者的收入水平。在GAI主导的新一轮技术革命中，这一理论逻辑表现出更为复杂和剧烈的动态分化趋势。GAI的渗透路径不再仅限于传统的低技能岗位替代，而是直接延伸至中高端认知型与创造型劳动领域。这种跨维度的技能替代机制打破了既有的“高技能高报酬—低技能低报酬”线性结构，形成“技术赋能—技能溢价—阶层固化”的负向增强回路。

对于掌握模型调优、Prompt设计、人机协同等高阶技能的“GAI原生群体”而言，GAI成为放大个体能力与市场影响力的“倍增器”，其劳动生产率呈现非对称跃升，导致技能溢价持续累积。而在另一个极端，大量中低技能劳动者所从事的内容编辑、客服响应、基础翻译、图像处理等工种被GAI替代，甚至部分技能通过微调模型即可完成。这些岗位的价值快速贬损，劳动者不得不流入低门槛、低保障的零工市场，成为数字流水线中的灵活构件。

更值得关注的是，GAI引发的不平等并非仅存在于当前群体之间，而是向代际维度扩展。技术适应能力日益成为收入分化的决定性变量，而这一能力的获取高度依赖于教育资源、数字基础设施与成长环境，导致高收入家庭可通过教育投资强化子代的技术适配力，而低收入家庭则陷入“低技能—低收入—低教育—再低技能”的循环。这一路径进一步强化了阶层边界，使技能分化不再是职场竞争的结果，而演变为代际固化的风险。

（三）共同富裕理论：从“分配补偿”到“制度重构”的公平治理路径

面对GAI引发的结构性收入不平等，单一依靠市场机制进行调节已难以奏效。共同富裕理论不仅强调收入分配的再平衡，更在制度层面寻求技术进步与社会正义的有机耦合。在这一框架下，数据资源、公平参与和社会保障被视为调节不平等的三大支点，构成“要素共治—能力普惠—再分配干预”的制度调节闭环。

GAI时代的数据要素已成为价值生产的核心资源，若任其私有化与平台化趋势蔓延，社会财富的集中程度将持续加剧。因此，共同富裕理论主张推动数据公共平台建设，通过确立多元主体参与机制，推动算法开源共享等手段，打破资本对数据与模型的垄断，实现数据价值的共享。在此基础上，劳动者可作为数据生态的共建者而非仅仅是使用者，从源头上提升其在技术价值链中的地位。

此外，为应对由GAI引发的技能断层，应构建面向未来劳动市场的适应性人力资本体系。该体系强调以政府牵头、企业共建的模式开展普惠式数字技能培训，强化对弱势群体的教育保障，通过人机协同教育、职业再培训等机制重塑劳动者的技术适应能力与市场竞争力。技能普惠不只是教育问题，更是收入分配公平的前置条件。

综上所述，本框架在马克思主义劳动价值论的基础上揭示GAI时代的价值创造矛盾，进一步借助技能偏向技术进步理论分析GAI带来的收入分化机制，最后以共同富裕理论为基础，提供解决收入不平等的制度设计方案。这一理论框架从“技术资本主义的内在矛盾”到“市场分配失衡的动态过程”，再到“社会主义制度的修复机制”，构成一个完整的逻辑闭环，既符合马克思主义的科学性，又能体现中国特色社会主义的实践指导意义。

（一）数据生成机制：数据劳动的价值错位与技术租金的嵌入逻辑

GAI的运作机制以大规模数据为基础，通过算法训练形成可用于多类认知性任务的模型。这一过程不仅重构传统的生产要素结构，也模糊价值创造主体与劳动产权的界限。在传统经济体系中，劳动者作为价值的直接来源，其“活劳动”与生产资料的结合构成价值生成的核心。而在GAI时代，数据开始替代部分人力劳动，成为主导性的生产要素，用户在日常交互、内容创作和消费路径中生成的数据被采集、加工并用于算法训练，最终内嵌于技术系统之中。这些训练数据构成平台模型能力提升的关键资源，但其生成者往往无法获得相应的回报，其成果被吸纳为“公共池化”资源，导致价值主体的隐形化与虚化。

更为深层的问题在于，平台企业通过控制数据采集、算法模型与产品形态，形成“数据—算法—资本”闭环，嵌入一种新的“技术租金”结构。平台利用用户生成内容不断优化模型，进而将模型应用于API接口、增值服务、广告系统等商业化场景中，并从中获取长期收益，而数据提供者则被排除在持续性收益分配之外。例如，AI绘图平台常以用户协议为依据，将创作者上传的图像纳入训练数据，并据此升级模型，却仅向创作者支付一次性费用。这种将创造性劳动解构为“原料”的做法，意味着劳动者在价值链中的地位不断边缘化，陷入高投入、低回报的困境。

此外，随着平台经济的垄断趋势增强，数据资源的集中控制进一步推动了价值分配结构的转变。在以GAI为代表的数字经济体系中，剩余价值的提取方式不再依赖于对传统生产资料的控制，而是转向对数据要素和技术系统的全面垄断。劳动者尽管通过平台提升了部分效率，但却被锁定在“人机协作陷阱”中——其创作内容在算法重构下被标准化、可复制、可交易，而实际收益却主要流向平台方。在平台佣金制度、订阅机制和算法推荐规则等制度设计下，劳动者议价能力持续下降，甚至被压缩至“零边际博弈”的境地。

这一过程中形成“数据资本-技术精英-普通劳动者”的三元分层结构，不仅颠覆传统“劳动力-资本”的价值分配逻辑，也挑战既有的社会保障与劳动权益调节机制。平台对数据与算法的私有化控制，使价值创造与分配的过程在“数字黑箱”中变得不可见、不可控，加剧劳动价值实现的断裂现象。GAI平台以极低的边际成本实现对海量数据的指数级控制和利用，却未能建立起与劳动力投入对等的分配机制，从而在制度层面固化技术红利的集中化趋势，并推动收入不平等在算法主导的技术体系中持续深化。

（二）就业岗位异化机制：劳动关系重构与收入层级固化

GAI对就业岗位的影响超越了传统“替代-创造”二元框架，呈现出岗位性质异化、劳动关系碎片化、职业发展两极化的特征。从岗位性质看，标准化认知岗位（如基础代码编写、法律文书生成、新闻稿件撰写）被GAI直接替代，而需要创意整合、情感交互的岗位（如方案策划、艺术设计、心理咨询）因“人机协作”升级为高技能岗位，中等技能岗位的“空心化”导致就业结构从“橄榄形”向“哑铃形”转变。

劳动关系的碎片化在零工经济中尤为显著。GAI催生的内容创作、在线客服、数据标注等岗位多以平台众包形式存在，劳动者与资本之间的雇佣关系转化为“平台-用户”的松散连接。平台通过算法制定任务价格、考核标准与派单规则，劳动者缺乏议价能力与集体谈判权，陷入“数字泰勒主义”困境。有调查研究表明，受行业门槛低、市场竞争引发的价格战影响，GAI训练数据标注的基础单价从2020年的0.5元/条降至2024年的0.2元/条，更严重的是转包模式带来的利润侵蚀，直接导致标注员收入偏低，缺乏稳定保障。这种异化的劳动关系不仅导致即时收入下降，更剥夺了劳动者的社会保障与职业发展机会，使低技能群体陷入“零工化—低收入—无保障”的恶性循环。

职业发展的代际固化效应通过岗位技能门槛强化。GAI相关岗位要求掌握大模型操作、数据分析、跨领域协作等复合技能，这些技能的培养依赖优质教育资源与持续培训投入。高收入家庭可通过付费课程、校企合作项目为子女积累技能，而低收入家庭子女因教育资源相对匮乏，只能进入低技能零工岗位，形成“岗位技能壁垒—收入差距—教育投资差距”的代际传递闭环，进一步固化社会阶层结构。

（三）技能分化传导机制：技术偏向性引发的阶层固化效应

GAI具有明显的技能偏向性，其在重构劳动市场技能结构的同时，也推动就业形态的等级化和教育成果的代际垄断。总体上，GAI带来的“技能三分化”效应呈现：赋能高技能、挤压中技能、分割低技能。

对高技能劳动者而言，GAI是“协同放大器”。掌握模型训练、算法架构、数据安全等关键能力的技术人才，因掌控高附加值环节技术，深度参与高附加值环节，其劳动力可在平台、产品、资本市场等多维渠道实现转化，收入显著高于社会平均水平，且呈现强烈的“技术溢价—收益叠加”趋势。对中等技能劳动者而言，GAI是“边界侵蚀者”。其所从事的内容生产、客服答疑、基础分析等任务被AI批量替代，或在工具普及中因“门槛降低—供给扩张”而陷入“就业降级”困境。对低技能劳动者而言，GAI是“机会分割器”。虽然技术赋能推动某些服务型岗位（如语言转录、图片审核）需求上升，但这类工作多呈现出零工化、低保障、高流动的特征，其收入波动大，成长空间小，难以为劳动者提供“跨阶层跃迁”的平台。同时，教育系统未能同步更新技能培训机制，使低收入群体在技术变革中的“先天劣势”进一步积累，形成“技能鸿沟—收入分层—教育差距”的闭环加固，强化社会结构的粘滞性与代际不平等的传导效应。

（四）市场结构重塑机制：平台垄断与行业分化的双重放大

GAI不仅重构企业生产方式和劳动组织形态，更深刻改变整个市场的结构逻辑。“赢家通吃”的平台垄断效应与“行业裂变”的结构分化，共同放大技术红利向资本与技术精英集中的趋势，导致普通劳动者在技术变革中陷入边缘化与失权化的双重困境。

平台经济加剧资源集中与话语权不对等。以Midjourney、ChatGPT等GAI平台为代表的寡头企业通过技术壁垒、数据封锁和网络效应，垄断内容生成、分发与变现链条，其平台不仅成为创作者的唯一依附，更以高比例抽佣与流量定价规则掠夺其劳动价值。在创作收益结构中，普通创作者只能获取边际回报，形成“平台中心化-劳动者去权化”的关系。同时，GAI推动的新兴产业（如AIGC、数字营销、大模型开发）在薪酬水平、技术回报、职业预期等方面与传统行业出现断层。并且，GAI产业的区域集中化趋势进一步加剧“数字中心-传统边缘”的空间不平等。例如，根据智联招聘公布的《2025年人工智能产业人才发展报告》数据显示，在人工智能工程师岗位，上海、深圳、杭州平均薪酬均超2.6万元，而榜单中唯一的中西部代表武汉仅20，337元，与上海相差逾6500元；数据标注/AI训练师领域，北京平均薪酬约为9063元，而西部的西安仅为6162元，前者超过后者47%；AI产品经理地域分化更为明显，杭州高达28，659元，郑州仅16，594元，后者仅为前者的57.9%。数字经济所创造的优质就业机会集中于少数头部企业与城市，形成区域间“数字鸿沟—收入差距—人才吸附”的循环结构。

随着GAI技术的快速发展与广泛应用，其在提升经济效率和重塑生产模式的同时，也带来了对劳动市场结构、收入分配机制及社会保障体系的深刻冲击。尤其是在劳动力结构调整、数据要素分配、技能转型门槛提升和制度适应滞后等方面，GAI可能加剧原有的收入不平等，催生新的结构性风险。本文从就业结构两极化、资本主导的数据控制、技能代际传递失衡和社会保障滞后四个维度出发，系统分析GAI所引发的收入不平等风险机制，旨在揭示其对共同富裕战略目标和社会可持续发展的深层次挑战，为后续政策干预提供理论支撑与现实依据。

（一）就业结构两极分化引发收入分化扩大的风险

GAI对劳动市场的冲击不再局限于重复性劳动的替代，而是扩展至知识密集型和创意密集型岗位。尤其是在新闻编辑、编程、平面设计、翻译等领域，GAI已经能够生成接近人类水准的内容。这种技术替代压缩了中等技能岗位的空间，导致高技能岗位与低技能岗位之间的差距进一步扩大，可能导致中等收入群体萎缩，收入分布呈现“哑铃型”趋势。以图像设计行业为例，GAI工具已在广告创意、社交媒体运营等领域广泛应用，使传统设计师接单量锐减、单价下降，部分设计外包岗位甚至被完全取消。

与此同时，高技能劳动者因具备GAI技术操作能力、平台经济适应能力等新型素质，反而通过与GAI协作大幅提升效率并获取超额回报。这种结构性改变使劳动市场呈现“头部高度集中、尾部零散竞争”的特征，低技能劳动者只能在临时性、碎片化岗位中谋生，收入增长缓慢甚至出现倒退。受GAI替代影响，初级内容撰写、客服、初级开发等核心任务易被算法复制的中低技能岗位需求萎缩，而AI工程师、GAI训练师等技术研发相关高技能岗位，不仅就业需求持续攀升，薪资也显著领先。例如，根据智联招聘发布的2024年第二季度《中国企业招聘薪酬报告》数据显示，人工智能行业平均招聘月薪达13，594元，薪酬中位数10，501元，显著高于同期全行业平均招聘薪资水平。这种分化趋势加剧收入差距，削弱社会中等收入群体的稳定性。

进一步来看，GAI加速了职业分层与职业周期的缩短，劳动者在职场中很难维持稳定收入。大量原本可以依靠经验和熟练度积累稳定职业路径的岗位被碎片化、外包化，劳动者不得不频繁转换职业角色和技能方向，加大职业不确定性。在这种不稳定的就业结构下，劳动者缺乏收入安全感和职业保障，导致其消费意愿下降，生活质量下降，给整体社会消费结构和经济增长也带来负面影响。

此外，就业结构的两极分化在不同群体之间表现出不同程度的影响，尤其是女性、老年人和农村劳动力等弱势群体在技术革命中更容易被边缘化。这些群体由于受到教育、技能培训、信息获取等方面的限制，面对GAI替代冲击时往往更难进行技能转型和岗位再配置，因而更容易陷入收入下降和社会流动受阻的困境，加剧劳动力市场的不平等性。

（二）资本主导的数据控制加剧劳动者边缘化风险

在GAI的生产体系中，数据已成为核心生产要素之一，但其所有权和控制权主要集中在少数大型平台企业和技术公司手中。这些企业凭借算法优势和数据垄断，构建起以平台为中心的价值获取体系，普通劳动者在这一体系中仅扮演“数据提供者”或“工具操作者”的边缘角色。例如，大型GAI平台通过众包模式招募大量数据标注员，此类劳动者按平台既定标准完成GAI模型训练所需的数据标注、分类、校验等劳动，平台将这些凝结劳动者劳动力的标注数据用于优化算法模型、训练生成式AI，最终转化为企业的高额利润，而付出具体劳动的普通标注员仅能获得按件计酬的微薄报酬，无法参与数据要素增值带来的合理收益分配，其劳动价值被平台通过数据垄断所攫取。

数据驱动型GAI系统具有极强的路径依赖和马太效应，越来越多的数据和用户流量将进一步增强头部平台的竞争力，加剧资源和利润向资本方集中。这种趋势使劳动者即便通过GAI工具提高生产效率，也难以摆脱低收益、高强度、无保障的劳动形态，从而陷入“高效贫困”的怪圈。这就剥夺劳动者分享技术红利的权利，同时破坏劳动力与报酬之间的公平逻辑，进而造成收入结构的不平等。

此外，数据垄断可能带来劳动者隐私权和信息权被剥夺。例如，从事GAI内容创作、远程技术支持等灵活就业的普通劳动者，在入驻平台承接相关任务时，需强制提交个人身份信息、联系方式、职业履历等敏感数据，部分平台还会暗中收集劳动者的通讯记录、设备信息甚至私人社交数据。这些数据并非用于GAI模型训练，而是被平台用于构建劳动者信用评估体系，限制劳动者跨平台接单，压低劳动报酬议价空间，实现对劳动者的隐性管控。劳动者往往处于被动接受地位，既未明确知晓数据收集的全部范围，也未获得任何形式的权利救济与收益补偿，其隐私权与信息权被悄然侵犯。这种数据层面的支配与剥夺进一步侵蚀劳动者的数据主权与经济主权，损害个体劳动者尊严，削弱其参与收入分配和技术治理的话语权，最终从制度层面加剧劳动收入差距的分化。

（三）技能代际传递失衡带来的社会流动障碍风险

GAI的快速普及使具备GAI操作、模型训练与调试、技术研发等相关技能的劳动者在劳动市场中占据绝对的优势，而技能代际传递失衡的问题进一步放大劳动收入不平等，催生显著的社会流动障碍。技能代际传递的核心逻辑是家庭经济与教育资源的差异会直接转化为子女技能获取的差距，在GAI时代这一差距被进一步扩大。实证研究也表明，家庭教育背景在学生应用GAI的能力中具有重要影响。这就意味着，家庭所能提供的技术资源、指导支持的差异可能会导致子女产生初始技能差距，而这种初始技能差距会在劳动者进入职场后持续发酵，成为阻碍社会流动的壁垒。

技能代际传递失衡引发的社会流动障碍，不仅会固化现有收入差距，还会进一步加剧劳动收入不平等的代际传递，形成“低收入—无技能—低收入”的恶性循环，损害社会公平性。GAI相关岗位的招聘往往要求应聘者具备相关岗位的技能经验，而这些技能的获取往往依赖家庭资源的支撑，低收入家庭子女因缺乏初始技能积累，难以获得此类高薪岗位，只能从事低技能、低报酬的碎片化工作。这种现象背后是技能代际传递失衡导致的社会流动通道收窄。高收入家庭通过传递GAI相关技能，保障子女获得优质就业机会，维持高收入水平，而低收入家庭子女因技能缺失，导致劳动收入不平等在代际间延续，进一步削弱社会流动性，甚至引发社会公平性问题。

（四）社会保障滞后导致的福利缺口风险

在GAI引发的劳动市场重构过程中，越来越多的劳动者转向灵活就业、自主就业或平台就业等非标准劳动形态。这些新就业形态虽然在一定程度上拓展就业空间，但同时也面临社会保障覆盖不全、权益难以保障等现实难题。许多依靠AI平台谋生的劳动者，如短视频创作者、内容审核员、远程客服等，往往游离于传统社会保障体系之外，导致其在遭遇疾病、失业、老龄化等风险时缺乏基本保障，进一步加剧其经济的脆弱性和收入的不安全感。

与此同时，部分中低收入劳动者为适应GAI环境，不得不投入大量时间学习新技术和更新技能，但相关的培训支出和学习成本并未被纳入社会支持体系之中。这使这些劳动者既面临就业压力，又缺乏转型升级的资源支持，长期处于低收入、高支出、高风险的状态，不仅影响其当前生活质量，也损害其未来收入预期和发展潜力。

若不及时改革和优化社会保障体系，将使GAI时代出现“技术强者获得多重保护，技术弱者陷入福利真空”的两极分化局面，进而演化为技术红利分配失衡、社会矛盾激化的制度性风险。因此，推动社会保障制度从“职业绑定型”向“全民基础型”转变，构建涵盖多样劳动形态的普惠型社会保障框架，是缓解AI时代收入不平等风险、维护社会公平与稳定的关键之举。

当前是GAI加速渗透各产业、重塑劳动市场结构与收入分配格局的关键阶段，也是破解技术进步与收入公平失衡难题、完善新型收入分配治理体系的攻坚期。这一阶段，GAI在显著提升生产效率、激发创新活力的同时，也进一步加剧劳动力市场技能分化、资本与劳动回报失衡、数字资源配置垄断等突出问题，对收入分配公平性构成系统性挑战。传统转移支付、最低工资、基础教育等政策工具已难以适配新型不平等的复杂场景，无法有效化解技术变革带来的结构性风险。针对技能分化加剧、数据劳动价值未合理分配、数字基础设施普惠不足、社会责任治理滞后四大核心困境，结合 GAI 技术逻辑与平台生态特征，本部分构建“全链条人力资本升级—全维度数据价值分配—全场景数字基建普惠—全周期智能治理规范”四维递进的实践路径体系，旨在推动技术进步与收入公平实现良性互动、协同发展。

（一）构建以技能转化为核心的人力资本协同升级机制

GAI对劳动者技能结构造成较大冲击，使低技能岗位迅速萎缩，而高技能人才因其不可替代性而获得更多资源与机会，从而加剧收入差距。传统的职业培训往往与产业变革脱节，缺乏前瞻性和系统性，难以有效满足转型需求。因此，应构建一个以技能转化为核心，涵盖教育、企业与政策三位一体的人力资本协同升级机制，推动劳动力由“被动适应”向“主动再造”转变。具体而言，应推进“模块化+个性化”的技能培训体系建设。通过大数据与人工智能算法分析劳动力市场趋势，动态匹配人才供需结构，定制多样化、分阶段的技能课程，使低技能劳动者可以在短周期内完成向中高技能水平的跃升。例如，德国“双元制”职业教育体系在制造业自动化升级中发挥显著作用，该体系以企业实训为主、高校理论教学为辅，企业根据行业升级需求直接参与课程设计，将自动化操作、技术运维等实用技能融入实训环节，让劳动者快速掌握适配产业变革的技能，有效缓解技能断层问题。中国可以探索在地方试点中建立“数字技能双元制”，强化企业实训和高校课程的联动。

此外，应在技术普及与产业变革过程中突出“中间技能”导向，避免技能结构两极分化所带来的社会风险。当前的技术转型普遍聚焦于顶端的高技术研发人才与底层的可替代性劳动者，而忽视大批处于中间层、具有一定技术适应能力但缺乏系统性专业知识的劳动者。这一群体既不具备高技术门槛所需的专业背景，又面临被新技术挤压的就业风险，极易在产业变迁中陷入“被边缘化”的境地。为此，有必要构建以“中间技能”岗位为核心的生态支持体系，推动新职业的制度化发展，如GAI产品管理、GAI内容合规、人机协作协调等岗位，既能承接从低技能向高技能转化的梯度，又为传统行业从业者提供切实可行的转型路径，从而缓解因技能断层带来的结构性失业压力。

在推动这一生态构建过程中，政府应积极承担统筹协调与激励引导的角色。通过提供财政补贴、实施税收减免、推行培训券制度等政策工具，引导企业、教育机构和社会组织形成多方合作机制，共同推进技能提升工程。同时，有必要建立全过程评估体系，对培训项目的实施过程与效果进行动态追踪，包括参与者的学习进度、能力变化和就业转化情况，确保培训成果能够真正落地为收入增长和职业晋升的现实能力。这一机制不仅提升培训资源的使用效率，也有助于打通“教育—就业—再培训”的良性循环通道，推动劳动市场在智能化背景下实现更加公平与高质量的发展。

（二）建立数据劳动价值分配的制度性安排

在GAI的驱动下，数据成为关键的生产要素，其背后蕴含着大量由用户贡献的数据劳动。然而，当前社会并未建立起与数据贡献相匹配的收入分配机制，数据资源的所有权、使用权与收益权高度集中于大型平台企业，使普通劳动者在数字经济中的参与权与分配权被严重压缩。因此，建立数据劳动价值的制度性分配安排，已成为缓解人工智能引发收入不平等问题的关键一环。

应推动“数据劳动权”的制度化认定，将用户在使用平台过程中所形成的数据行为（如浏览、评价、上传内容等）视为一种“隐性劳动”，并赋予其合法的收益分配权。这一机制不仅能够拓展劳动收入的边界，也有助于构建更加公平的算法模型和平台生态。部分国家和地区已率先探索数据贡献收益返还机制，欧盟在数据权利立法中形成了个人与数据处理者的权利分层界定体系，二者并非冲突而是互补的关系。欧盟出台的数据库指令（DIRECTIVE 96/9/EC）明确，数据处理者因对数据资源的实质性投入或实现数据的原创性编排可享有相应合法权利。而欧盟《数据治理法案》及2025年正式实施的《数据法案》则进一步强化个人数据权益，明确个人对其在平台使用中产生的行为数据拥有自主控制权，且可依法从数据利用中获得合理的收益回报，这一双层权利体系为数据劳动权的制度化认定提供了重要的域外参考。

可建立“数据红利共享基金”制度，对企业从用户行为数据中所获得的利润按比例抽成，构建全民共享的分配机制。这一模式类似于挪威的国家石油基金，不以市场手段直接干预企业利润分配，但通过公共再分配方式实现数字红利普惠全民。资金可用于补贴低收入群体，支持数字技能培训和数字基础设施建设。

平台企业也需履行“数据劳动责任”，在制定人工智能训练集和算法策略时，应引入“数据劳动代表参与机制”，通过数据协商平台实现用户代表参与算法产品开发与反馈，从而增强弱势群体的议价能力，打破收入分配中的平台垄断结构。制度化的数据价值分配不仅有助于平衡平台与用户的关系，更可推动GAI的发展朝向包容性创新方向转型，提升技术演进的社会正义性。

（三）发展新型公共数字基础设施以提升包容性就业

面对GAI可能引发的就业极化与边缘群体排斥问题，仅依靠市场机制无法实现有效矫正。应由政府主导，构建具有社会功能导向的新型公共数字基础设施，作为弥合“数字鸿沟”与“就业鸿沟”的桥梁，推动包容性就业机会的扩散与下沉。新型公共数字基础设施不仅包括基础的5G、云计算等物理设施，更应涵盖数据开放平台、公共GAI服务接口、智能就业匹配系统等“功能型基础设施”。例如，可以建立覆盖城乡的“智能职业导航平台”，将GAI技术用于识别个体技能与市场需求之间的契合度，实现就业推荐、技能培训建议与政策对接一体化服务，为低学历群体提供精准就业路径。

应发展“数字公益平台经济”作为传统平台经济的替代补充形式。鼓励通过政府采购或公益支持的方式，扶持社会组织或社区平台提供生活服务类数字岗位，如智慧养老助手、远程教育助理等，利用GAI平台实现“劳动密集+技术支持”的新就业形态，为弱势群体开辟可持续就业空间。例如，安徽马鞍山的社区智慧治理平台便依托“雨小智”GAI 政务问答系统辅助社区工作者开展基层服务，同时通过简易的数字化技能培训，为社区弱势群体开发了智慧养老信息录入、社区政务咨询辅助等低门槛数字化就业岗位，切实实现了GAI技术赋能下的基层就业帮扶。

同时，应通过“算法普惠化”工程将人工智能能力向基层开放。构建低成本、易上手的公共GAI工具箱，支持个体创业、微型企业和农村合作社使用GAI提升运营效率，降低进入门槛，从而拓展非正规劳动者的市场参与机会，缓解收入代际差距与城乡差异。这种由政府主导构建的公共数字基础设施，不仅是技术包容的工具，更是一种社会再分配的机制，其实质是以数字手段再造公共服务与机会均等的底层能力结构。

（四）推动人工智能社会责任治理机制的系统化建构

GAI在实际应用过程中所引发的收入分配不均问题，往往并非单纯源于技术本身的中性属性，而更多体现为技术治理体系的相对滞后，尤其在社会责任机制方面仍有进一步完善的空间。因此，探索构建系统化的人工智能社会责任治理机制，对于推动技术发展与社会公平的协调共进具有积极意义。

可以适度引导企业将“算法责任审计”纳入ESG（环境、社会与治理）报告体系，推动其在GAI系统的设计、训练和应用全流程中更好地嵌入公平、透明的价值导向。在涉及招聘、信贷、教育等与收入分配密切相关的重点领域，逐步建立算法公平性评估机制，鼓励企业主动披露其系统在不同人群间可能造成的差异性影响，为政策制定和公众监督提供依据。同时，也可考虑设立“GAI公平创新激励机制”，通过政策引导、专项资助、技术竞赛等多元方式，激励企业和研究机构在模型设计中更多关注就业促进、机会均衡与社会包容等目标。未来可探索构建“GAI社会价值指数”评价体系，将技术成果对低收入群体支持、技能提升贡献等指标纳入其中，为创新资源的配置提供更具社会导向的参考。

此外，在相关制度设计中适当引入公众参与机制，亦有助于增强治理的透明度与合法性。例如，在GAI产品投入广泛使用前，针对涉及劳动关系、收入分配等领域的核心功能设置“公众咨询”或“听证环节”，鼓励相关利益主体参与规则制定过程，从源头上发现并修正潜在风险。通过逐步完善人工智能的社会责任治理结构，不仅有助于提升技术发展的可持续性，也能够为收入分配的公平性注入制度性保障。技术创新在这样一套制度体系的引导下，更有可能成为推动共同富裕的积极力量。

中国人民大学法学院社会法教研中心

责任编辑：陈静娴

审核编辑：高兰兰