人工智能、社会结构重构与资源再分配

——基于结构动力学的动态可行域理论

Artificial Intelligence, Social-Structural Reconfiguration, and Resource Reallocation:
A Dynamic Feasible-Domain Theory of Social Structural Change

作者：文颜博士 / Dr. Wen Yan

机构：Vinson Technology (Singapore) Pte. Ltd.

身份：新加坡独立历史与社会科学研究者

联系：drpeng99@126.com

稿件性质：原创理论论文 · 中文完整稿 v1.1

日期：2026年8月21日

理论状态声明：本文提出可检验的结构动力理论与研究协议，不将待验证命题表述为既成事实。

摘 要

现有人工智能社会影响研究主要沿着技术暴露、任务替代、生产率增益与收入分布四条路径展开，却难以解释同一种人工智能为何在不同组织、阶层、地区和制度环境中产生方向相反的结果。本文提出“人工智能驱动的结构性资源迁移”理论（AI-Driven Structural Resource Reallocation, ASRR），并以结构动力分析建立一个连接技术能力、关系网络、制度约束、动态可行域、资源流动与恢复能力的统一框架。本文将社会结构表示为运行时状态 S_t=(V_t,E_t,A_t,C_t,R_t,L_t)，把人工智能界定为进入既有结构并改变能力、连接、规则与合法性的内生性结构算子，而非单一外生冲击。资源再分配不再仅指收入份额变化，而包括财富、数据、算力、知识、组织机会、规则制定权和恢复能力的联动迁移。本文提出“动态可行域不平等”：社会不平等的更深层形式，是不同主体在约束条件下可实施行动集合的持续分化。由此推导出八项可证伪命题，并给出基于劳动者—企业—平台—地区多层面板数据、事件研究、网络分析与机制分解的实证协议。理论表明，人工智能既可能通过能力普及和知识门槛降低扩大弱势主体的可行域，也可能通过资产所有权、平台控制、规则设定和累积反馈强化结构性排斥；其净效应取决于“接入—转化—控制—恢复”四种能力的联合分布。本文的贡献在于将人工智能不平等研究从结果差异推进到生成结果的结构机制，并为比较不同AI制度路径提供可操作的中层理论。

关键词：人工智能；社会结构；资源再分配；结构动力学；动态可行域；结构性不平等；恢复能力

Abstract

Research on the societal consequences of artificial intelligence has largely focused on technological exposure, task substitution, productivity, and income distribution. These approaches do not fully explain why similar AI systems generate divergent outcomes across organizations, classes, regions, and institutional settings. This article develops a theory of AI-Driven Structural Resource Reallocation (ASRR) through a structural-dynamic framework. Social structure is modeled as a runtime state S_t=(V_t,E_t,A_t,C_t,R_t,L_t), and AI is treated as an endogenous structural operator that changes capabilities, relations, constraints, resource positions, and legitimacy. Resource reallocation is therefore broader than shifts in income: it includes the redistribution of wealth, data, compute, knowledge, organizational opportunity, rule-setting authority, and recovery capacity. The article introduces dynamic feasible-domain inequality—the persistent divergence in the sets of actions that actors can actually undertake under prevailing constraints. Eight falsifiable propositions and a multilevel empirical protocol are developed. The theory predicts that AI may widen the feasible domains of disadvantaged actors by lowering knowledge barriers, but may also intensify structural exclusion through ownership, platform control, rule-setting, and cumulative feedback. Its distributive effect depends on the joint distribution of access, conversion, control, and recovery capacities. The framework shifts analysis from observed distributional outcomes to the structural mechanisms that generate them.

Keywords: artificial intelligence; social structure; resource reallocation; Structural Dynamics Analysis; dynamic feasible domain; inequality; recovery capacity

一、问题的提出：AI改变的不是一项资源，而是资源分配的结构

人工智能进入经济与社会生活以后，最容易观察的是工具变化，最难把握的却是结构变化。对于个体，生成式人工智能可以缩短写作、编程、检索和分析时间；对于企业，它能够重组任务边界、管理幅度和知识流程；对于平台，它可以把数据、算力、模型、接口与交易规则整合为新的控制节点；对于国家，它又会改变产业竞争、公共服务与治理能力。这些变化并不沿同一方向发生。低技能劳动者可能因知识门槛下降而获益，高技能劳动者也可能因与AI互补而进一步扩大优势；工资差距可能收窄，财富差距却因模型和算力资本回报而扩大；单个员工获得效率提升，组织层级与资源配置却未必立即改变。

已有研究已经证明，AI社会效应不能由“暴露程度”单独推断。任务模型区分自动化、劳动增强、资本增强和新任务创造（Acemoglu & Restrepo, 2018, 2019；Acemoglu, Kong, & Restrepo, 2024）；实验研究发现，生成式AI常对基线能力较低者产生更大生产率增益（Noy & Zhang, 2023；Brynjolfsson, Li, & Raymond, 2025），但实际收益还取决于判断校准、组织采用和互补性（Caplin et al., 2024；Dillon et al., 2025）。跨国研究进一步显示，高收入、高教育群体的AI暴露较高，同时往往具有更强互补性和更高资本收益承接能力（Cazzaniga et al., 2024；Rockall, Tavares, & Pizzinelli, 2025）。因此，“谁更暴露”与“谁最终受益”并不是同一个问题。

本文据此提出：AI不是直接把资源从甲转移给乙，而是先改变主体的行动能力、关系位置、制度约束与可进入机会，再通过这些结构变量改变资源流向。需要解释的因果链条是：

AI能力进入 → 运行结构改变 → 约束与机会重排 → 动态可行域分化 → 资源与权力迁移 → 恢复或锁定

这一转向具有两层意义。其一，资源必须从“存量物品”扩展为能够改变未来行动空间的多维资源组合；其二，不平等必须从某一时点的收入差异扩展为主体可行行动集合的差异。本文将这一过程称为人工智能驱动的结构性资源迁移（ASRR）。

二、理论缺口：从任务、资本与平台到结构生成机制

（一）任务模型的贡献与边界

任务模型的核心贡献，是将技术对“职业”的影响拆解为对具体任务的替代、增强与创造，从而避免“AI取代所有工作”的粗糙判断。近期研究还表明，任务暴露的均值与集中度会产生不同的劳动需求效应：若暴露集中于少数任务，劳动者可以重配努力；若暴露广泛分布，替代压力更强（Hampole et al., 2025）。2026年的研究进一步区分了降低技能要求的“简化效应”和创造新人类专长需求的“亲劳动者技术”（Althoff & Reichardt, 2026；Acemoglu, Autor, & Johnson, 2026）。

然而，任务模型通常把组织权力、平台规则、数据产权和恢复能力压缩为生产函数参数。它能够解释工资和劳动份额，却较难解释：为什么相同的任务增强在某些组织转化为员工晋升，在另一些组织只转化为监控强化；为什么低技能者即便获得工具，也未必获得客户、责任授权和成果所有权；为什么工资差距可能下降而规则制定权更加集中。

（二）资本所有权与财富效应

人工智能具有显著的资本属性。模型、芯片、云基础设施、专有数据和分发渠道的所有者可以在更大范围内复制服务，并通过规模经济、网络效应和锁定机制获取租金。IMF的校准研究提示，即使AI可能通过替代高工资认知任务压低工资差距，高收入群体仍可凭借更高的权益资产占比和更强的AI互补性承接资本回报，从而扩大财富不平等（Rockall et al., 2025）。这说明工资分布与综合资源分布可能背向变化。

但资本所有权视角也不足以描述资源转化的中间机制。拥有AI工具不等于能将其转化为市场收入；拥有数据不等于拥有模型控制权；拥有模型不等于能够设定行业准入标准。资源效力由关系位置和制度规则共同决定。

（三）平台权力与关系嵌入

平台研究揭示了数字基础设施如何通过匹配、排序、定价、评价和接口规则塑造市场参与者（Rahman & Thelen, 2019；Cutolo & Kenney, 2021）。社会网络理论则表明，经济行动嵌入关系结构，连接位置影响信息、信任和机会（Granovetter, 1985）。AI进一步把认知代理、组织流程与平台基础设施合并，使算法不只分配既有机会，也参与生成任务、评估主体和定义合格行动。

现有平台研究的不足，是往往将平台视为稳定制度场域，而AI使规则本身具有更高频率的更新性和不透明性。主体面对的不是静态规则，而是持续变化的“运行时约束”。因此，需要一种能够同时描述状态、转移、约束、可行域与恢复路径的动态语言。

（四）不平等理论的结构启示

布迪厄关于经济、文化、社会与象征资本的区分说明，资源具有多形态和可转换性（Bourdieu, 1986）；蒂利的持久性不平等理论强调，分类边界、机会囤积、剥削和仿效使差异固化（Tilly, 1998）；默顿的“马太效应”揭示初始优势如何通过累积反馈扩大（Merton, 1968）。数字不平等研究进一步指出，接入差异只是第一层，技能、使用质量和收益转化构成更深层差异（DiMaggio & Hargittai, 2001；van Dijk, 2020）。

本文继承上述洞见，但将研究单位从“资本存量”推进到“受约束的行动空间”。一个主体拥有多少资源固然重要，更重要的是这些资源能否在当前规则和关系结构中转化为可执行行动，以及遭遇冲击后能否返回可持续状态。

三、社会结构动力学：基本概念与分析单位

（一）社会结构作为运行时状态

本文不把社会结构理解为静态背景，而把它表示为在时间 t 可观测、可更新的运行时结构状态：

S_t = (V_t, E_t, A_t, C_t, R_t, L_t) (1)

其中，V_t为行动者集合，包括个人、组织、平台与国家；E_t为关系网络，包括雇佣、交易、信息、依赖和控制关系；A_t为能力与可执行行动集合；C_t为法律、组织、技术和市场约束；R_t为资源持有与资源流；L_t为合法性、权威和社会承认结构。AI系统 M_t 进入社会后，不是简单增加A_t，而是可能同时重写E_t、C_t与L_t。

（二）现实缺口与结构真值

AI治理经常依据数据库、模型评分和流程记录行动，但记录状态并不等于现实状态。定义记录结构为 Ŝ_t，现实结构为 S_t，则现实缺口为：

G_t = d(S_t, Ŝ_t) (2)

若弱势主体的经验、非标准劳动或隐性知识未被记录，G_t会系统性偏向既有优势主体。此时，AI即使在既定目标函数上准确，也可能依据失真的结构状态重新分配机会。本文所称“结构真值”不是宣称获得社会的终极真理，而是要求每一项分配判断都能追溯到现实状态、约束、剩余可能性和证据边界。

（三）动态可行域

对行动者 i，设其候选行动空间为 Ω_i，结构约束函数为 g_k，则其时点 t 的动态可行域定义为：

F_i(t) = {a ∈ Ω_i | g_k(a; S_t, M_t) ≤ 0, k=1,…,K} (3)

F_i(t)不是法律意义上的抽象权利集合，而是主体在资源、能力、关系、规则和合法性条件下真正能够执行的行动集合。用 φ_i(t)=log μ[F_i(t)] 表示其有效规模，用 q_i(t)表示域内行动的平均质量或收益，则“可行域地位”为 D_i(t)=φ_i(t)+λq_i(t)。AI可能增加候选行动，却同时通过认证、排名、接口和数据门槛收缩可执行集合，因此工具数量增长并不必然意味着可行域扩张。

（四）接入、转化、控制与恢复

为避免把“拥有账号”误当作AI获益，本文区分四种能力：接入能力 X_i，指获得模型、算力和数据的能力；转化能力 T_i，指把AI输出转化为生产率、收入、知识或组织机会的能力；控制能力 K_i，指决定模型目标、数据用途、接口规则和成果归属的能力；恢复能力 H_i，指在职位、客户、信用或规则受到冲击后重组资源并重新进入可持续状态的能力。综合AI结构能力可写为：

Q_i(t) = X_i(t)^α · T_i(t)^β · K_i(t)^γ · H_i(t)^δ, α,β,γ,δ > 0 (4)

乘法形式意味着任一维度接近零都可能成为瓶颈。免费接入模型无法补偿缺失的数据权、市场入口或申诉渠道；短期生产率增益也无法自动形成长期控制权。

四、AI驱动的结构性资源迁移模型

（一）资源向量与结构算子

令行动者 i 的资源向量为：

P_i(t) = [y_i, w_i, d_i, c_i, k_i, o_i, u_i]ᵀ (5)

其中y为收入，w为财富与权益资产，d为数据控制，c为算力与模型能力，k为知识与专业能力，o为组织和市场机会，u为规则制定权与社会权威。AI结构算子 Ψ(M_t) 作用于运行结构：

S_{t+1} = Ψ(M_t, I_t, ξ_t)S_t (6)

I_t为制度安排，包括竞争政策、劳动制度、数据权利、教育训练、公共算力和社会保障；ξ_t为外部冲击。资源变化不是AI能力的直接函数，而是结构转移的结果：

ΔP_i(t) = B_iΔA_t + N_iΔE_t − H_iΔC_t + J_iΔL_t + Γ_iΔF_i(t) + ε_i(t) (7)

式（7）中的系数不是固定技术常数，而由主体位置和制度环境决定。相同的能力增量，对拥有客户与品牌者可能产生高额收益，对缺乏市场入口者只形成未被变现的效率。

（二）结构迁移的五条机制

第一，能力放大与知识门槛下降。AI可将稀缺专业知识部分编码为可调用服务，扩大原先能力不足者的任务集合；但当高质量数据、工作流整合和判断能力集中于优势主体时，增强效应会转化为互补性溢价。

第二，中介替代与关系重组。AI减少部分翻译、检索、初级分析和监督中介，同时创造模型编排、验证、责任承担和客户关系等新中介。被替代的不是固定职业，而是关系网络中的某些功能位置。

第三，规则设定与平台租金。控制模型接口、分发渠道、排序标准和身份认证者，不仅获得交易收入，还能决定其他主体进入市场的条件。资源因此从“参与生产者”向“定义可参与性者”迁移。

第四，认知反馈与合法性迁移。AI生成内容和评分结果反过来影响人的判断，可能放大偏见或形成对机器输出的制度依赖（Glickman & Sharot, 2025）。当模型建议被视为默认正确，权威从专业主体转向模型所有者和部署组织。

第五，恢复能力分化。遭遇AI替代的主体若拥有可迁移技能、社会网络、现金缓冲和再训练渠道，可以重组行动路径；缺乏恢复资源者则可能从短期损失进入长期锁定。资源分配因此取决于冲击后的返回路径，而非仅取决于冲击强度。

（三）结构性资源迁移指数

为了进行比较研究，本文提出ASRR指数。对群体 g，在标准化资源维度 m 上定义份额 s_gm(t)，权重 ω_m 由理论预注册或主成分/因子分析确定：

ASRR_g(t₀,t₁) = Σ_m ω_m [s_gm(t₁) − s_gm(t₀)] (8)

该指数必须与可行域变化联合报告：

FDI(t) = Var_i[D_i(t)] 或 Gini({D_i(t)}) (9)

若工资差距下降但FDI上升，说明表面分配改善伴随未来行动空间集中；若收入、控制权和恢复能力同时改善，才可认定为结构性包容。

五、理论命题

命题1（条件性能力普及）：在其他条件相同的情况下，AI对低基线能力者的边际生产率增益更大；但只有当市场入口、责任授权和成果归属不构成约束时，这一增益才会转化为可行域扩张与资源份额提升。

命题2（互补性反转）：AI暴露程度对资源结果的影响由主体的转化能力调节。当高收入或高教育群体具有更强组织互补性时，AI即使降低任务技能门槛，也可能扩大综合资源差距。

命题3（关系位置中介）：AI采用对个人收益的影响，部分通过其在协作、客户和决策网络中的位置变化实现。中心性提升者获得超出直接生产率增益的资源回报，功能被绕过者即使效率提高也可能失去议价权。

命题4（规则控制溢价）：AI时代最稳定的超额收益不一定来自模型使用，而来自对数据、接口、评估标准和准入规则的控制。控制能力对财富与权威增长的解释力将显著高于单纯接入能力。

命题5（可行域分化）：AI采用率与不平等之间不存在稳定的单调关系；当制度约束对弱势主体更强时，采用率上升会同时扩大优势主体的可行域并收缩弱势主体的相对可行域。

命题6（跨维累积反馈）：某一资源维度的初始优势可通过AI转化为其他维度优势：财富购买算力，算力生成知识，知识获取机会，机会积累数据，数据又提高模型能力。资源维度间的正反馈越强，结构性资源迁移越集中。

命题7（恢复能力阈值）：AI冲击对长期阶层位置的影响具有阈值性。恢复能力超过阈值的主体经历短期损失后可返回或进入更高可行域；低于阈值者更可能进入持续锁定。

命题8（制度可塑性）：公共算力、可携带数据权、互操作性、劳动者参与式部署、再训练与收入缓冲的联合制度，比单一技能培训更能降低FDI；其机制是同时改善接入、转化、控制和恢复能力。

六、研究设计：如何检验结构动力理论，而不是用案例自证

（一）研究单位与数据结构

顶刊级检验必须避免从少数成功案例推导普遍结论。本文建议建立劳动者—团队—企业—平台—地区五层面板。劳动者层记录任务、技能、AI使用、收入、晋升、工时和职业转换；团队层记录协作网络、责任边界与管理跨度；企业层记录模型采购、自建能力、数据权和组织流程；平台层记录排序、接口、费率、封禁、申诉和规则变更；地区层记录公共算力、培训、产业结构和社会保障。观察窗口应至少覆盖采用前四期和采用后八期，并记录模型重大升级。

（二）识别策略

第一步使用分期采用的事件研究，而不是简单比较“使用者”和“未使用者”。对结果Y_ift建立：

Y_ift = α_i + λ_f + τ_t + Σ_{k≠−1} β_k·1[t−T_f=k] + X_iftθ + ε_ift (10)

其中T_f为企业或团队的首次实质采用时间。应使用适合异质处理时点的估计方法，检验采用前趋势，并分别估计接入、转化、控制与恢复结果。第二步把组织或平台规则变化作为结构冲击，比较相同AI能力在不同授权、数据权和申诉制度下的效应。第三步进行网络中介分析，检验协作中心性、管理跨度和客户连接是否解释收入与机会变化。第四步使用序列中介或结构方程分解“AI→能力/关系/约束→可行域→资源”的链条。

在无法随机化AI采用时，可利用分阶段许可证发放、供应商区域上线、合规门槛变化或预算周期形成的准实验，但工具变量必须满足排除限制并接受机制质疑。任何研究都应报告处理异质性，而不能只给平均处理效应。

（三）反事实、负向控制与竞争性解释

本理论的有效性不能靠将所有变化重新命名为“结构变化”。至少应设置四类竞争模型：仅含任务暴露的模型、仅含AI互补性的模型、仅含资本所有权的模型、仅含平台集中度的模型。若加入动态可行域和恢复能力后，不能提高跨层级解释、预测或机制识别，本理论的增量价值就不成立。

负向控制包括：AI采用前不应受影响的历史结果；与AI任务无关的岗位或地区；不改变授权和数据权的轻度工具升级；随机置换采用时间。稳健性分析应改变可行域指标权重、排除极端平台、区分自愿与强制采用，并对缺失、退出和幸存者偏差进行逆概率加权或边界分析。

（四）证据等级与可证伪标准

本文建议将证据分为四级：E1为描述性共变；E2为时间顺序与机制一致；E3为可信准实验或随机实验；E4为跨场景复现并能排除主要竞争解释。任何命题若仅达到E1，不得表述为因果机制。本理论的核心可证伪条件包括：动态可行域不能预测后续资源变化；恢复能力对冲击后轨迹无调节作用；控制能力在接入和技能之后没有增量解释力；结构链条在不同制度场景中缺乏可重复方向。

七、理论推论：AI时代不平等的新形态

（一）工资平等不等于结构平等

若AI替代高工资认知任务，工资差距可能缩小；但若模型、算力和平台权益集中于高财富群体，资本收益与控制权会更集中。由此出现“工资压缩—财富集中—权威集中”的组合。只观察基尼系数可能误判结构方向。

（二）普惠接入不等于普惠收益

通用模型价格下降能够改善X，却不能自动改善T、K与H。优势组织通过专有数据、流程整合、品牌与客户关系获得更高转化率；平台通过接口和评估权保留控制溢价。真正的数字普惠应当测量资源转化和失败后的恢复，而不只是账号覆盖率。

（三）新的阶层边界可能围绕“可授权性”形成

AI可以生成建议和内容，但组织仍需决定谁有权确认、签署、承担责任和调动资源。未来阶层分化可能不只沿学历或技能展开，还沿“可被授权作出高后果决定”的资格展开。具有判断权、责任承载能力和规则解释权者，与只执行模型建议者之间，将形成新的结构边界。

（四）组织规模与个人能力可能同时扩张

AI降低协调成本后，小团队能够完成过去由大组织承担的任务，个人创业可行域可能扩大；与此同时，基础模型和云基础设施具有规模经济，底层控制可能更加集中。这不是矛盾，而是不同结构层级的同时变化：应用层去中心化可以与基础设施层集中化并存。

（五）国家间资源再分配取决于结构位置

对国家而言，AI暴露率不是唯一关键。拥有算力、能源、数据治理能力、人才和市场的国家更能将AI转化为产业与规则权；主要依赖外部模型和云服务的国家即便普遍使用AI，也可能在价值链中承担数据供给和应用利润薄弱的位置。国家层面的动态可行域因此取决于技术能力与制度自主性的结合。

八、治理含义：目标不是冻结分配，而是扩大可恢复的社会可行域

如果AI通过结构生成资源结果，治理就不能止于技能培训、伦理原则或事后再分配。结构动力学导向的政策目标是：让更多主体能够进入、转化、参与控制，并在失败后恢复。

第一，建设公共或共享的AI基础能力，降低中小企业、研究机构和弱势群体获得算力、模型与高质量数据的门槛。公共供给应与隐私、安全和用途约束结合，而非无条件开放。

第二，推动互操作性、数据可携带性和程序性申诉，降低平台锁定。主体不仅应知道为何被拒绝，还应拥有更正数据、挑战模型结论和迁移业务关系的现实路径。

第三，将劳动者纳入AI部署设计。组织采用AI时，应同时评估任务替代、责任转移、监控强度、技能积累和晋升通道，防止短期效率以长期能力退化为代价。

第四，把恢复能力纳入社会政策。再培训只有与收入缓冲、职业匹配、可验证技能、社会网络和新岗位创造结合，才可能跨越恢复阈值。

第五，对规则控制权实施结构审计。竞争政策需要关注的不只是市场份额，还包括模型接口、数据反馈、默认标准、身份认证和评估基础设施的控制。

治理评价可用以下目标函数表达：

Max W = Σ_i u(P_i,D_i) − ρ·FDI − κ·G_t + η·Rec_H (11)

其中FDI为可行域不平等，G_t为现实缺口，Rec_H为在给定期限H内受冲击主体恢复至可持续域的比例。该目标不要求结果完全相同，而要求结构机会、证据真实性和恢复路径不被系统性封闭。

九、讨论：结构动力理论相对于既有解释增加了什么

第一，本理论连接微观任务、中观组织与宏观制度。任务模型解释“什么工作被改变”，本文进一步追问“改变如何通过关系和规则转化为资源”。第二，本理论将多维资本从静态持有量改写为可行动性。资源的社会效力取决于能否穿过约束进入行动。第三，本理论把恢复纳入不平等研究。传统分配研究比较冲击前后位置，本文关注主体是否仍保有返回可持续状态的路径。第四，本理论允许结果非单调。AI可以同时降低技能门槛、提高资本回报、扩大小团队能力并集中基础设施控制；这些看似冲突的事实在多层结构模型中可以共存。

这一框架也有明确边界。其一，动态可行域是潜在集合，测量不可避免依赖代理指标；其二，多维资源权重带有规范选择，必须预注册并做敏感性分析；其三，结构动力框架提供机制语言而非自动给出因果识别；其四，人工智能能力快速变化，参数和制度条件不能被视为稳定常数；其五，结构解释若无限扩张会失去可证伪性，因此必须与简化模型比较增量解释力。

本文不主张AI必然导致平等或不平等。理论的关键是条件句：当接入普及但转化、控制与恢复集中时，AI将扩大结构性资源集中；当四种能力同时扩散且现实缺口受到约束时，AI能够扩展弱势主体的可行域。

十、结论

人工智能正在重新组织社会分工，但其历史意义不止于机器完成了多少任务。更深层的变化在于：谁能调用能力，谁占据关键关系位置，谁定义规则，谁拥有数据和算力，谁能把效率转化为权利和资产，以及谁在失败后仍有重新进入的路径。

本文提出ASRR理论，将AI社会效应概括为一条可检验的结构链：现实状态进入运行结构，AI改变能力与关系，制度约束决定剩余可能性，动态可行域塑造可执行行动，行动产生资源迁移，恢复能力决定短期冲击是否固化为长期阶层位置。由此，AI时代最值得关注的不平等不是单一收入差距，而是动态可行域不平等。

AI社会净效应 = 能力扩张 − 结构性排斥 + 可恢复性提升 (12)

这一公式不是价值口号，而是研究议程：分别测量能力、排斥和恢复，识别它们通过何种关系与制度机制作用，并比较不同社会如何把相同技术导向不同结构结果。AI不会自动决定资源分配的未来；决定未来的是技术能力进入何种结构，以及社会是否保留了让更多主体行动、纠错与恢复的制度空间。

参考文献

Acemoglu, D., & Restrepo, P. (2018). The race between man and machine: Implications of technology for growth, factor shares, and employment. American Economic Review, 108(6), 1488–1542.

Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3–30.

Acemoglu, D., & Restrepo, P. (2024/2025). Automation and rent dissipation: Implications for wages, inequality, and productivity. NBER Working Paper No. 32536.

Acemoglu, D., Kong, F., & Restrepo, P. (2024/2025). Tasks at work: Comparative advantage, technology and labor demand. NBER Working Paper No. 32872.

Acemoglu, D., Autor, D., & Johnson, S. (2026). Building pro-worker artificial intelligence. NBER Working Paper No. 34854.

Agrawal, A. K., McHale, J., & Oettl, A. (2026). Enhancing worker productivity without automating tasks: A different approach to AI and the task-based model. NBER Working Paper No. 34781.

Althoff, L., & Reichardt, H. (2026). Task-specific technical change and comparative advantage. NBER Working Paper No. 35353.

Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3–30.

Bourdieu, P. (1986). The forms of capital. In J. G. Richardson (Ed.), Handbook of Theory and Research for the Sociology of Education (pp. 241–258). Greenwood.

Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942.

Caplin, A., Deming, D. J., Li, S., Martin, D. J., Marx, P., Weidmann, B., & Ye, K. J. (2024). The ABC’s of who benefits from working with AI: Ability, beliefs, and calibration. NBER Working Paper No. 33021.

Cazzaniga, M., Jaumotte, F., Li, L., Melina, G., Panton, A. J., Pizzinelli, C., Rockall, E. J., & Tavares, M. M. (2024). Gen-AI: Artificial intelligence and the future of work. IMF Staff Discussion Note 2024/001.

Cutolo, D., & Kenney, M. (2021). Platform-dependent entrepreneurs: Power asymmetries, risks, and strategies in the platform economy. Academy of Management Perspectives, 35(4), 584–605.

DiMaggio, P., & Garip, F. (2012). Network effects and social inequality. Annual Review of Sociology, 38, 93–118.

DiMaggio, P., & Hargittai, E. (2001). From the “digital divide” to “digital inequality”: Studying Internet use as penetration increases. Princeton Center for Arts and Cultural Policy Studies Working Paper 15.

Dillon, E. W., Jaffe, S., Immorlica, N., & Stanton, C. T. (2025). Shifting work patterns with generative AI. NBER Working Paper No. 33795.

Fligstein, N., & McAdam, D. (2012). A Theory of Fields. Oxford University Press.

Glickman, M., & Sharot, T. (2025). How human–AI feedback loops alter human perceptual, emotional and social judgements. Nature Human Behaviour, 9, 345–359.

Granovetter, M. (1985). Economic action and social structure: The problem of embeddedness. American Journal of Sociology, 91(3), 481–510.

Hampole, M., Papanikolaou, D., Schmidt, L. D. W., & Seegmiller, B. (2025). Artificial intelligence and the labor market. NBER Working Paper No. 33509.

International Labour Organization. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO.

Korinek, A., & Stiglitz, J. E. (2021). Artificial intelligence, globalization, and strategies for economic development. NBER Working Paper No. 28453.

Merton, R. K. (1968). The Matthew effect in science. Science, 159(3810), 56–63.

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.

Polanyi, K. (1944). The Great Transformation. Farrar & Rinehart.

Rahman, K. S., & Thelen, K. (2019). The rise of the platform business model and the transformation of twenty-first-century capitalism. Politics & Society, 47(2), 177–204.

Rockall, E. J., Tavares, M. M., & Pizzinelli, C. (2025). AI adoption and inequality. IMF Working Paper 2025/068.

Srnicek, N. (2017). Platform Capitalism. Polity.

Tilly, C. (1998). Durable Inequality. University of California Press.

van Dijk, J. (2020). The Digital Divide. Polity.

Wang, A., Morgenstern, J., & Dickerson, J. P. (2025). Large language models that replace human participants can harmfully misportray and flatten identity groups. Nature Machine Intelligence, 7, 400–411.

Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.

附录A：结构变量字典与最低复现要求

为避免概念任意化，任何使用本文框架的实证研究应在分析前公开以下内容：分析单位与层级；AI采用的实质定义；S_t六个维度的观测变量；动态可行域的候选行动全集、约束函数和权重；资源向量维度及标准化方法；接入、转化、控制、恢复的量表或行为指标；主要与次要结果；处理时点；排除标准；缺失数据处理；竞争模型；稳健性检验；随机种子和代码环境。

附录B：稿件的理论贡献边界

本文的原创贡献是ASRR与动态可行域不平等的理论整合、运行结构表示、四能力瓶颈模型以及可证伪研究协议。本文不声称已完成跨国因果验证，不声称式（4）的乘法形式优于所有替代函数，也不将本框架视为替代劳动经济学、组织社会学或平台研究的总理论。其学术地位应由后续预注册研究、开放复现和竞争模型比较决定。