《Sustainable Futures》：Modeling AI-driven inequality and adaptive governance: A system dynamics approach to U.S. Socioeconomic futures
编辑推荐：
本篇文章探讨人工智能（AI）在提升生产力、加剧不平等和挑战政策响应方面的双重影响。为应对此挑战，作者Mohammadhashem Moosavihaghighi运用系统动力学（SD）方法，构建模型模拟了美国2000年至2035年的社会经济情景，重点分析了AI投资、收入分配和适应性政策设计间的相互依赖关系。研究评估了三种政策情景，结果表明，若无适应性治理，AI驱动的生产力提升会加剧不平等；而将AI税收、再分配与实时不平等和失业指标挂钩的动态再培训等适应性机制，在促进公平和竞争力方面优于静态干预。这些发现强调了设计预见性、适应性政策框架的紧迫性，以使技术创新与包容、可持续的社会经济成果相一致。
人工智能（AI）正以前所未有的深度和广度重塑现代经济。它不仅是推动生产力飞跃和加速创新的引擎，也从根本上改变了劳动力、资本和机构之间的经济机会分配格局。早期的数字化浪潮在很大程度上是“人机协同”，补强了人类劳动，而近年来机器学习、生成式AI等领域的突破，则显著加剧了人们对工作被取代、工资两极分化和经济权力集中的担忧。这些担忧并非杞人忧天，在发达经济体中，生产力的提升常常与停滞的工资、加剧的不平等以及对技术变革社会后果日益增长的公众不安相伴而行。一个核心矛盾浮出水面：AI带来的繁荣果实，是否只被少数技术精英和资本所有者摘取，而让广大劳动者承受失业和收入停滞的阵痛？这种由技术驱动的社会经济分化，如果缺乏有效治理，可能侵蚀社会凝聚力，甚至动摇政治稳定的根基。为了深入理解这一复杂动态，并探索可能的解决方案，一项名为“Modeling AI-driven inequality and adaptive governance: A system dynamics approach to U.S. Socioeconomic futures”的研究在《Sustainable Futures》上发表。
传统经济学研究在分析自动化与劳动力市场关系时，多聚焦于任务替代、技能偏见或特定行业影响，常采用静态或局部均衡模型。然而，现实世界是一个充满反馈、时滞和非线性效应的复杂系统。AI的采用并非孤立地影响就业或生产力，而是会与投资激励、财富积累、政治影响力、公众不满和政策反应产生动态交互。短期收益可能引发长期的动态变化，强化不平等并削弱治理能力，即使初始结果看起来是良性的。因此，迫切需要一种能够捕捉这些复杂相互作用的分析方法。系统动力学（System Dynamics, SD）建模为此提供了一个天然框架。它通过显式地表征反馈循环、积累过程和内生的政策响应，使研究者能够超越线性的因果推理，探索结构机制如何随着时间推移产生可观察的行为模式。SD模型的目标不是提供精确预测，而是解释系统为何如此运行，以及不同的政策设计如何改变其发展轨迹。
为研究AI投资如何影响美国2000年至2035年间的生产力、就业、收入不平等和治理结果，本研究构建了一个系统动力学模型。美国因其在AI发展中的领导角色、相对灵活的劳动力市场以及历史上温和但日益受到争议的再分配制度而成为特别相关的研究背景。模型的核心动态假设是：除非有响应性的治理机制来抵消，否则AI驱动的生产力提升会产生强化反馈，放大不平等和政策惰性。模型的一个显著特点是明确表征了政治经济反馈：财富集中被假定为会增强游说权力和监管俘获，从而抑制改革努力，即使不平等正在恶化。与此同时，上升的失业率和收入不平等会增加社会不满，形成对矫正政策（如税收、再分配和劳动力再培训）的需求。这些对立力量之间的平衡并非事先假定，而是从系统内强化和平衡反馈循环的相互作用中涌现出来。此外，研究还引入了一个受低成本外国AI平台（文中称为“DeepSeek”情景）出现启发的反事实情景，作为压力测试，以检验在现有治理约束下，AI成本的外生性降低会如何与国内不平等动态相互作用。
本研究主要运用了系统动力学（SD）建模这一关键技术方法。首先，研究基于对AI、劳动力市场、不平等和治理等领域文献的梳理，构建了核心的动态假设和概念框架。其次，定义了用于模拟美国社会经济景观的关键变量（如AI投资、劳动生产率、失业率、Gini系数等），并明确了其数据来源（如美国劳工统计局BLS、经济分析局BEA、AI指数报告等）。接着，通过构建因果回路图（CLD）识别了系统中6个强化反馈环（如AI投资-生产力-竞争优势循环、财富集中-政治影响力循环）和5个平衡反馈环（如政府政策-技能发展循环、社会不满-政策改革循环）。最后，将CLD转化为包含数学方程的存量流量图（SFD），并利用美国2000-2024年的历史数据进行模型校准和验证（包括行为复制测试和极端条件测试），进而对2000-2035年进行模拟，以分析不同政策情景下的系统行为。
3.1. 基线模型结果和验证测试
模型首先进行了验证测试，包括行为复制测试（使用均方根百分比误差RMSPE和泰尔U统计量评估）和极端条件测试，结果显示模型能较好地复现历史趋势，具有稳健性。在基准情景（延续当前AI投资趋势且无政府干预）下，模拟显示：AI投资从2000年约38亿美元增长到2024年约1040亿美元，预计到2035年将达到1520亿美元，呈S型增长。与此同时，GDP年均增长率约为3.02%。AI投资呈S型高速增长与GDP线性增长之间的不平衡，推动了AI主导企业的市场垄断和收入不平等。财富积累预计将从2024年的163.8万亿美元增长到2035年的242.8万亿美元。自动化导致工作岗位逐渐被取代，失业率上升。收入不平等（Gini系数）持续恶化，公众对政府的信任度随之下降，社会不满情绪积累。这表明，在缺乏强有力政策干预的情况下，AI驱动的生产力增长在提高总产出的同时，会通过强化反馈机制导致财富向资本和高技能劳动者集中，加剧社会经济分化，而内生性的政策纠正因既得利益集团的政治影响力而显得乏力。
3.2. 情景选择
研究模拟了三种核心政策情景，以评估不同应对策略的效果：
3.2.1. 情景1：新兴AI（DeepSeek）对关键模型变量的影响
此情景作为压力测试，探讨引入低成本外国AI平台“DeepSeek”对美国系统的冲击，并非真实的 geopolitical 预测。
3.2.2. 情景1-A
“防御性投资激增”情景：为应对外国竞争，美国企业将AI投资年增长率提高5%。这导致AI投资到2035年可能超过2000亿美元，但同时也加剧了自动化，使失业率升至6.5%，收入不平等（Gini系数）恶化至约0.52，超过85%的AI生成财富集中在头部公司。尽管保持了技术主导地位，但代价是市场垄断、社会两极分化和政治不稳定加剧。
3.2.3. 情景1-B
“投资转移与市场适应”情景：美国企业减少国内AI研发投资（降低8%），转而采用成本更低的DeepSeek平台。这使得到2035年的总投资降至约1400亿美元。自动化速度放缓，失业率稳定在4.8%，收入不平等略有改善（Gini系数约0.460），因为AI技术的普及性提高。但这也意味着美国在技术领导力上可能略有削弱。
3.2.4./3.2.5. 情景1-A与1-B小结
两者对比揭示了明确权衡：无节制的AI增长会加剧财富集中和垄断，而增长放缓虽可能改善平等，却增加了对外国技术的依赖。最优策略需要在积极投资AI与建立社会安全网之间取得平衡。
3.2.6. 情景2：AI劳动力适应与包容性增长政策
此情景引入了积极的政府干预，包括对AI收入征收3%的税、扩大劳动力再培训（每年2%劳动力）、通过监管适度放缓自动化速度、以及加强财富再分配（每年再分配4%国民财富）。模拟结果显示，与基准情景相比，AI投资增速放缓（10% vs 40%），但AI采用率未受影响。更重要的是，收入不平等和失业率显著下降，社会不满情绪减少，自动化岗位的增长势头得到遏制，行业主导地位和财富积累差距缩小。这表明，组合式的政策工具包能有效抑制AI的负面分配效应，同时维持技术进步。
3.2.7./3.2.8. 情景3：AI驱动的社会经济平衡计划（适应性可持续治理计划）
这是情景2的强化与系统化版本，提出了一个更全面的治理框架。核心工具包括：设立渐进的AI饱和阈值以限制过度投资；征收0.015的AI税，并将其中25%的税收投入“AI公共部门创新基金”，用于支持医疗、教育等领域的政府研发；同时严格执行反垄断政策、加强劳动力市场适应项目。该情景旨在实现多重目标：促进可持续的AI投资、保存就业并通过再培训提升劳动力技能、通过税收和再投资确保财富公平分配、以及通过前瞻性政府干预实现长期社会经济稳定。模拟结果预期能达成比情景2更优的平衡，即在不大幅牺牲经济增长和技术进步的前提下，最大限度地促进公平与稳定。
研究的结论与讨论部分深刻总结了主要发现并阐述了其广泛意义。研究表明，AI驱动的生产力提升具有双重性：在缺乏响应性治理的情况下，它会通过强化反馈循环加剧不平等和社会政治不稳定。然而，这种命运并非注定。模拟结果清晰地表明，适应性治理机制——例如将AI税收和再分配政策与实时的不平等、失业指标动态挂钩，以及实施大规模、动态的劳动力再培训——在促进公平和维持长期竞争力方面，显著优于静态的、“一劳永逸”的干预措施。研究特别强调了政治经济反馈的核心作用，即财富集中如何转化为政治影响力（“精英俘获”），从而抑制改革，除非公众不满积累到并超过某个临界阈值。这解释了为何在许多经济体中出现“技术繁荣与社会焦虑并存”的现象。
这项研究的重要意义在于其方法论贡献和政策启示。在方法论上，它展示了系统动力学在分析像AI转型这样复杂的、反馈丰富的社会经济问题上的独特价值，能够捕捉传统模型容易忽略的非线性互动和延迟效应。在政策层面，研究为决策者提供了关键见解：首先，必须超越对AI投资总量的简单关注，转而设计能够内生化响应社会经济指标变化的“适应性”政策框架。其次，需要认识到并主动管理AI带来的政治经济风险，通过制度设计（如竞选财务改革、加强反垄断）来制衡财富过度集中对政策过程的扭曲。最后，在国际竞争（如“DeepSeek”情景所暗示的）背景下，国家需要在维持技术领先与保障国内社会经济稳定之间寻求战略平衡，盲目的竞赛或保护主义都可能带来不利后果。总之，这项研究发出了一项紧迫呼吁：为了驾驭AI革命，走向一个更具包容性和可持续性的未来，我们必须发展出更具预见性、适应性和系统性的治理能力。未来的研究可以在本模型基础上，进一步细化AI技术的分类、纳入更多跨国比较、或者探索更具体的政策工具设计，以不断深化我们对这一时代核心挑战的理解。
