人工智能和机器学习发展浪潮下，引入机器人推动员工工资增长

著名经济学家阿尔弗雷德・马歇尔（Alfred Marshall）在其著作《产业经济学要素》的第三章《经济学的范围》中指出：“从事商业活动最稳定的动机是对报酬，即工作的物质回报的渴望。” 在一个无限生存的单一部门总量模型中，用于工资的资本具有适应性。

根据国际机器人联合会 2016 年的预测，到 2019 年将有超过 140 万个新的功业机器人被安装在全世界的工厂。那么，基于这一给定的预测结果，广泛采用机器人技术可能会对工作者的真实工资产生什么影响呢？它又会有怎样的长期效应？

在诺贝尔奖得主埃德蒙・费尔普斯（EdmundS Phelps）等几位经济学家合著的《活力：创新源自什么，又如何推动经济增长和国家繁荣》一书中，他们讨论了在标准增长模型中，由人工智能和机器学习支持的机器人的出现，会对工人的工资带来怎样的影响。以新加坡管理大学经济学教授云天德研究内容为主体，他们得出结论：采用增加型机器人将导致真实工资的永久性下降，以及劳动在国民收入份额的不断减少。

研究人员在工资资本具有适应性的模型下，引入了两种不同类型的机器人，分别是增加型和增倍型。增加型机器人可以发挥与人类工人同样的作用，所以是完全可以替代工人的。这种类型的机器人可能最符合普通人对经济中使用的机器人的印象。随着人工智能和机器学习的发展，增倍型机器人也得以出现在人们的视野中。这种类型的机器人可以增强人们的劳动能力，它既可以在几分钟内对庞大的数据库进行挖掘并提供信息，帮助医务人员更有效地完成工作，也可以使年纪较大的工人轻而易举地搬运重物。

诺贝尔经济学奖得主罗伯特・索洛 (Robert Merton Solow）（1956）和斯旺（Trevor Swan）（1956）在 20 世纪 50 年代开始了对经济增长的研究，并一直持续到 60 年代。这一时期的研究以埃德蒙・费尔普斯（Edmund Phelps）（1966）的经济增长黄金律和日本著名经济学家宇泽弘文（Hirofumi Uzawa）（1964）的两部门增长模型为代表。它们为人们理解国民收入和工资在 “第二次机器时代” 之前的增长提供了主要模型。但是，这些早期的研究并没有回答一个关键性的问题：如果对机器人进行采用和调配，将它们的 “劳动” 或 “工作” 有效地增加到已雇佣的劳动力上，劳动力的收入、生产率和工资的增长又将会发生怎样的变化？

据此研究进展和推理逻辑，研究人员将增加型机器人表示为 RA，人类劳动力表示为 H，那么总的劳动力（机器人和人类）就等于 RA+H。又将人工智能赋能型机器人或增倍型机器人表示为 RM，那么总的劳动力（机器人和人类）就变成了 (1+RM) H。增加型机器人的生产函数写作 Y=F (K,RA +H)，它对方程的两个参数是一次齐次的。增倍型机器人的生产函数写作 Y=F（K,（1+RM） H），它对方程的两个参数也是一次齐次的。随后，研究人员还分析了在人类工人从事的两种工作中引入这两种机器人之后的工资效应，并以函数的形式表现出来。

一系列研究表明，在这两种情况下各自得到的工资效应是截然不同的。给定适应性资本既可以被改造成传统机器，也可以被改造成机器人。当增加型机器人出现后，企业将某些现有的传统机器改造成机器人使用后发现有利可图，那么工人的真实工资就会立即下降。当增倍型机器人出现后，企业虽然会在采用机器人有利可图时降低传统机器的存量（其本身往往会压低工资），但由于这类机器人的增倍性质会带来一种补偿性的劳动增进效应，所以真实工资不一定会下降。

为了使研究结果更加全面可信，研究人员首先仅引入能够完全替代人类劳动的增加型机器人，然后仅引入能够增进人类劳动的增倍型机器人，最后比较同时引入两种机器人后产生的工资效应。

增倍型机器人与增加型机器人的情况相同，最初等于主观时间偏好率的真实利率会立即跃升到一个永久性的高位。最初等于零的消费增长率也会变为正值。顺着这条逻辑向下，受到比物质资本折旧速度更快的资本积累的推动，人均消费会不断上升。尽管真实工资在一开始是下降的，但即使不存在稳定的技术进步，它还是会在一条均衡增长的路径上与非人力财富一起继续稳步增长。长期来看，人类劳动力在国民收入中的份额趋向于一个正的常数。

对那些从事增加型机器人可以替代的常规工作的工人们来说，如果在经济中由人类工人从事的常规工作比非常规工作要多，且常规与非常规工作之间的替代弹性大于 1，他们就会因为同时采用增倍型机器人而提高生产率，并使真实工资上涨。

马歇尔认为，具有进取态度的工作者越来越多地从乏味和枯燥的工作转向了需要动用脑力的工作。所以，在眼下人工智能和机器学习深入发展的浪潮下，工人们为什么不更多地将常规工作交由增加型机器人，同时采用增倍型机器人参与创新活动，来进一步提高生产率呢？

原文标题：诺奖得主研究发现：企业引入机器人可推动员工工资增长

文章出处：【微信公众号：DeepTech深科技】欢迎添加关注！文章转载请注明出处。

责任编辑：haq