朱火弟，叶 润

(重庆理工大学 a.管理学院； b.经济金融学院， 重庆 400054)

一、引言

自2013年以来，美国、德国等西方发达国家为增强自身的竞争力，积极推动人工智能相关产业的发展，作出人工智能相关战略规划。伴随着人工智能等技术的发展，有学者研究认为欧美发达国家已出现就业“两极化”现象。为把握住人工智能这一重大的历史性机遇，我国把建设发展人工智能技术提升到了国家战略层面。2017年1月，将人工智能写进党的十九大报告。2018年和2019年，发布相关政策推进人工智能教育。2020年4月，国家发展改革委员会次明确新基建的主要领域之一是人工智能。在这个大背景下，人工智能的发展在提升生产力水平的同时，也会对劳动力市场产生一系列冲击，因而劳动力就业结构也会受到影响。受新冠肺炎疫情、中美贸易摩擦、人口老龄化等因素的冲击，我国整体就业形势不容乐观，结构性失业规模大且问题严重。2019年，《政府工作报告》提到“当前和今后一个时期，我国就业总量压力不减、结构性矛盾凸显”，“必须要把就业摆在更加突出位置”。2020年，我国“十四五”规划明确提出要“强化就业优先政策”，“千方百计稳定和扩大就业”，“更加注重缓解结构性就业矛盾，加快提升劳动者的技能素质”并明确指出人工智能发展对我国劳动力就业结构会造成影响。因此，正视这种影响将有助于人工智能与我国经济社会协调发展，并为人工智能影响劳动力市场做出充足的准备。于是，本文使用2006—2019年的省级面板数据，分析人工智能发展对我国劳动力就业结构的影响，并基于我国区域发展不平衡的事实，进一步分析我国不同区域的人工智能发展对劳动力就业结构的异质性影响。

二、文献综述

(一)人工智能发展方面的相关研究

作为一门前沿交叉性综合学科，人工智能在不断演进中，学术界至今尚未对人工智能概念的界定进行统一。斯坦福大学的Nils J.Nilsson教授认为人工智能是一门关于如何表达知识、获取知识以及使用知识的学科[1]。目前，MIT电气工程领域的研究者对于人工智能概念的描述是比较全面的，即人工智能是一个有机整体，是通过模型建立的关于思维、感知和行动的表达系统，以生成测试法为基本运行方式，并通过算法(程序或方法)实现约束条件的作用[2]。张鑫等认为人工智能的目标是在某方面机器具备相当于人类的智能，达到该目标则可称为人工智能[3]。程承坪等认为人工智能就是利用大数据和云计算来执行人类赋予它的算法，回答并解决人类提出的问题，其基本要素是芯片、算法和数据[4]。

受到各个阶段科学认知水平和信息处理能力限制，人工智能发展经历多次潮起潮落。王丽华指出，人工智能发展的第一次浪潮是在20世纪五六十年代，主要是以“图灵测试”为标志，进行了理论革新；第二次浪潮是在20世纪八九十年代，从专家系统到基于数据统计模型，发生了思维的转变；第三次浪潮是从2006年至今，出现了深度学习等技术相互融合[5]。基于云计算、大数据技术、移动互联网、物联网的发展，在算力、算法、数据、应用场景的共同作用下，人工智能技术与产业发展呈现加速态势。人工智能发展有“三阶段”和“两阶段”之说。“三阶段”说认为：第一阶段属于弱人工智能阶段，该阶段的人工智能被称为专用人工智能，只擅长某一方面的工作[6]；第二阶段属于强人工智能阶段，该阶段的人工智能被称为通用人工智能，具有意识、自我和创新思维，能够完成思考、计划、解决问题、抽象思维等人类级别智能的工作[6]；第三个阶段是超人工智能阶段，该阶段的人工智能具有超强的理解能力、情感意识和创造能力[7]。而两阶段说是指弱人工智能阶段和强人工智能阶段[4]。

由于本文主要研究人工智能发展对就业结构的影响，因此将从经济学的角度，对人工智能进行重新界定，具体定义如下：人工智能是为了实现与人类认知、思维等智能水平相似的一系列理论、方法和技术，也是感知、模拟人类智能活动的思维过程，实现其目的的载体是数字计算机控制的机器、软件、网络等，具有能感知、能学习、能适应等特征。应用场景包括医疗、交通、制造、金融、物流等领域，消费终端包含智能机器人、智能设备等产品。当前人工智能的发展整体上处于第一个阶段，即弱人工智能阶段。

(二)就业结构方面的相关研究

就业结构是指在一国或地区中劳动力的分布与构成，可依照城乡、行业、性别、职业、技能等标准来划分就业结构。以不同技能劳动就业份额的变化来分析就业结构的变化特征是分析的主要思路，关键在于确定技能结构的划分标准。在实证研究中，对于劳动者技能结构的划分标准主要分为两类：一类是采用工作性质标准。姚先国等将高技能劳动力定义为非生产性工人，包括管理人员和技术人员，而低技能劳动力定义为生产性工人[8]。雍昕根据工作性质，实证检验了工业机器人等自动化技术对我国制造业中普通工人、技术人员、文员和管理人员等不同岗位技能水平的“重塑效应”[9]。另一类是采用受教育程度标准。陈明艺等在实证研究人工智能对我国就业结构的影响时，以劳动者受教育程度来划分就业结构，将劳动力分为低等技能劳动力、中等技能劳动力和高等技能劳动力[10]。孙早等在经验层面上探究工业智能化是否将导致中国劳动力就业结构出现相应的变化趋势时，采用不同受教育程度就业人员占比来衡量不同技能劳动力的就业情况[11]。

(三)人工智能发展影响就业结构的相关研究

目前，关于人工智能影响就业结构方面的研究主要聚焦于劳动力“就业极化”现象。劳动力就业极化是指不同技能水平的职业的就业比重增长曲线呈现U型，即高技能劳动力就业比重相对于中低等技能劳动力就业比重快速增长，同时低技能劳动力就业比重相对于中等技能劳动力就业比重也出现了上涨[12]。很多学者都强调需要警惕人工智能和自动化等技术引起的劳动力就业极化现象[13]。人工智能影响就业结构的相关研究成果主要分为以下3类：

一部分学者认为造成了就业“两极化”。David等研究发现中等技能水平岗位的数量和工资增长速度相对于低等技能水平和高等技能水平的岗位更为缓慢[14]。Goos等利用西欧16个国家1993—2010年的就业数据，证实在发达国家中出现了“就业极化”现象：中等技能岗位的劳动需求相对于高技能和低技能岗位呈减少趋势[15]。Autor、Frey 等认为计算机革命与人工智能快速发展导致劳动力市场两极分化的趋势已出现，即中等收入、中等技能需求的岗位数量减少，而高收入的脑力劳动(认知工作)和低收入的体力劳动岗位数量有所增加[16-17]。孙早等通过固定效应模型探究工业智能化发展对中国劳动力就业结构的影响，研究结果表明工业智能化导致中国整体出现就业“两极化”趋势，但我国东南沿海发达地区的就业结构呈现出“单极极化”特征[11]。蔡跃洲等认为人工智能对就业的结构性冲击不可避免，中间岗位容易被替代，就业结构将呈两极化趋势[18]。

另一部分学者认为导致了就业结构“高级化”。陈明艺等利用我国2007—2016年的省级面板数据，研究发现人工智能技术发展为高等技能劳动力创造了更多的就业机会，但对中、低等技能劳动力就业造成负面冲击[10]。Jerbashian的实证研究表明以计算机化为代表的智能技术有可能会导致就业岗位单极化[19]。吕洁等基于1990—2015年22个国家的经验分析，发现工业机器人的技术进步会加快对低技能劳动力的替代步伐，但同时会提升对中、高技能劳动力的互补性需求，进而促进一国的劳动力结构转型[20]。陈晓等通过固定效应模型和中介效应模型，研究发现工业智能化增加了高等技能劳动力需求和替代中等技能劳动力，从而实现就业结构高级化，提升了经济增长质量[21]。

还有的学者认为造成了就业“反极化”。潘丹丹基于我国2008—2017年上市公司的人工智能相关数据，实证研究发现人工智能技术的应用使得就业出现反极化效应，即显著提升了中技能劳动者的就业比重，而降低了高技能和低技能劳动者就业的比重，这在信息产业中表现尤为突出[22]。

(四)人工智能发展对我国就业结构的区域异质性影响的相关研究

我国疆域辽阔，不同地区有着不同的资源禀赋与发展战略，因而不同区域下经济发展状况是非均衡的，而人工智能的发展也是如此。有学者研究发现，我国不同区域下人工智能发展程度存在差异性。李俊珏通过自主构建AI发展指数发现东部地区的人工智能发展程度最高，然后依次是中部和西部，并且东部地区的人工智能发展程度远远高于其他两个区域[23]。田正杰通过计算各省份的机器人渗透率发现沿海地区使用机器人较多，行业内的工人面临被机器人替代的概率较高，并且从沿海到内陆有一个渐变的趋势，内陆省份受到的影响相对较小[24]。进一步地，有少数学者从区域层面研究了人工智能发展对我国就业结构的影响。孙早等实证研究了我国地区间不同的工业智能化发展程度对就业结构的异质性影响，发现大部分地区的就业结构呈现“两极化”趋势，而东南沿海地区的就业结构因过高生活成本挤出低技能劳动力而呈现出“单极极化”趋势，但第三产业的快速发展在一定程度上弱化了这一替代效应[11]。

(五)研究述评

现有国内外文献关于人工智能发展影响劳动力就业结构的研究主要聚焦于“就业极化”现象方面，研究视角主要着眼于地区层面和行业层面，相关研究成果较为丰富。但现有研究还存在一些局限性：第一，大部分文献聚焦于人工智能发展对就业总量的影响，对就业结构的影响的研究还不足，而人工智能对劳动就业最重要的影响是对就业结构的影响。另外，中国究竟是出现了就业结构“两极化”还是出现了就业结构“高级化”，亦或是就业结构“反极化”，还存在一些争论。第二，人工智能技术的发展水平和应用程度在不同地区有所不同，但研究不同区域下人工智能发展对就业结构的异质性影响的文献比较少。因此，为了更有针对性地进行研究，本文将利用我国30个省份2006—2019年的面板数据，实证检验人工智能发展对我国整体劳动力就业结构的影响，并进一步分析不同区域下人工智能发展水平对就业结构的异质性影响，以便更有针对性地提出对策来缓解我国结构性就业矛盾。

三、模型设定与指标选取

(一)模型设定

根据前文的理论分析，本部分的主要目的是从实证角度探究人工智能发展对我国就业结构的影响，其基本计量模型如下：

lowi，t=α0+α1lnroboti，t+α2fdii，t+α3tradei，t+α4uri，t+α5chi，t+α6edui，t+εi，t

(1)

midi，t=β0+β1lnroboti，t+β2fdii，t+β3tradei，t+β4uri，t+β5chi，t+β6edui，t+εi，t

(2)

highi，t=γ0+γ1lnroboti，t+γ2fdii，t+γ3tradei，t+γ4uri，t+γ5chi，t+γ6edui，t+εi，t

(3)

上述模型中，式(1)、式(2)、式(3)分别表示低、中等和高技能劳动力的模型。下标i和t分别表示第i个省份和第t年。low表示低技能劳动力就业占比，mid表示中等技能劳动力就业占比，high表示高技能劳动力就业占比，均为被解释变量。robot表示机器人渗透度，是人工智能发展水平的代理变量，为核心解释变量。fdi表示外商直接投资，trade表示贸易开放度，ur表示城镇化水平，ch表示生活成本，edu表示教育质量，均为控制变量；ε表示随机误差项。将绝对数变量取对数，以消除可能存在的异方差。

(二)指标选取

1.被解释变量：就业结构

在就业结构方面，划分劳动者技能结构的划分标准主要分为两类：一是采用工作性质标准，二是采用受教育程度标准。由于在研究就业结构时大量使用高中低技能的划分方法[25]，且基于相关数据的可获得性，本文借鉴孙早等[11]、陈晓等[21]、潘丹丹[22]等大部分学者的做法，采用受教育程度标准来衡量劳动者技能结构，从而衡量就业结构。将初中及以下学历的劳动者划分为低技能劳动力，将高中学历(2015年及以后包含中等职业教育)的劳动者划分为中等技能劳动力，将大学专科(2015年及以后包含高等职业教育)及以上学历的劳动者划分为高技能劳动力。

2.核心解释变量：人工智能发展水平

目前，我国对于人工智能发展水平的测算没有统一的衡量标准。我国一部分学者借鉴了Jeff和Michael的做法，用“信息传输、计算机服务和软件业全社会固定资产投资”来衡量人工智能的发展水平[5，23，26-27]。还有一部分学者将工业机器人使用密度或渗透度(每千名劳动力所拥有的工业机器人数量)作为人工智能的代理变量。例如，吕洁等使用工业机器人使用密度来衡量一国或地区的工业制造的自动化程度[20]。韩民春等以机器人渗透度指标来衡量某一地区工业机器人的分布密度和使用程度[28]。工业机器人渗透度反映了工业机器人的分布密度和使用程度，更能直接反映我国目前人工智能发展水平，因此本文采用机器人渗透度来衡量人工智能的发展水平。

工业机器人的数据来源于国际机器人联合会(International Federation of Robotics，简称IFR)的报告。由于本文需要的是省级层面的机器人渗透度的数据，而IFR只公布国家层面以及各个国家行业层面的工业机器人安装量和保有量，因此本文借鉴韩民春等[28]、康茜等[29]、魏下海等[30]学者的做法，采用Bartik工具变量法来计算省级层面的机器人渗透度，从而衡量人工智能发展水平。具体公式如下：

其中，robotit表示i地区t时期的工业机器人渗透度，laborijt表示i地区j行业t时期的就业人数，laborit表示i地区t时期的就业人数，robotjt表示j行业t时期的工业机器人保有量，laborjt表示j行业t时期的就业人数。

3.主要控制变量

(1)外商直接投资(fdi)。蔡昉等认为外商直接投资对中国经济增长和就业具有显著效应[31]。郝楠等基于我国省级面板数据实证研究中国劳动力就业极化的影响因素和作用机制时，发现外商直接投资对劳动力技能需求呈现“U”型非线性影响[32]。本文借鉴该做法，将外商直接投资额占GDP的比重作为外商直接投资的衡量指标。

(2)贸易开放度(trade)。对外贸易会改变社会对不同劳动力素质的需求[33]。罗军利用我国2003—2011年制造业细分行业面板数据进行实证研究，发现国际贸易对我国劳动力就业的劳动作用随着贸易开放度的提高而增加[34]。因此，本文基于该研究结论，采用各省份的进出口总额占GDP的比重来衡量贸易开放度。

(3)城镇化水平(ur)。郝楠等研究发现城镇化通过技术创新对劳动力就业发挥作用，其中显著的作用是促进了高技能劳动力就业，减少了低技能劳动力就业[32]。因此，本文用城镇人口占总人口的比重来衡量地区城镇化水平。

(4)生活成本(ch)。赖德胜等研究了制造业就业的变化对本地服务业的带动作用，在用城镇居民年消费支出额对数衡量本地生活成本时，发现较高的生活成本将带来更大的就业挤出效应[35]。因此，本文在此基础上，用城镇居民家庭人均消费支出占可支配收入的比重来衡量生活成本。

(5)教育质量(edu)。杨蕙馨等在研究中国信息产业技术进步对劳动力就业及工资差距的影响时，用教育经费支出占财政总支出的比重来衡量教育质量[36]。因此，本文借鉴该做法，用各省份国家财政性教育经费占地方财政一般预算支出的比重来衡量教育质量。

(三)数据来源与描述性统计

本文选取2006—2019年中国30个省份的面板数据为研究样本进行实证检验，由于西藏自治区数据缺失严重，故将其剔除。本文的数据来源于国际机器人联盟IFR、《中国统计年鉴》《中国劳动统计年鉴》《中国人口和就业统计年鉴》《中国科技统计年鉴》以及各省统计年鉴。对于缺失的部分数据，本文采用插值法进行补齐。主要变量的描述性统计见表1所示。

表1 主要变量的描述性统计

四、实证结果与分析

(一)基准回归结果分析

本部分实证检验人工智能发展对我国劳动力就业结构的影响。表2中列(1)、列(2)、列(3)分别报告了人工智能发展对我国低、中和高技能劳动力就业影响的基准回归结果。根据Hausman检验选择固定效应模型或随机效应模型。经检验，列(1)、列(2)和列(3)均为固定效应模型。

表2 基准回归结果

实证结果表明，从全国范围看，人工智能的发展并没有导致我国就业结构呈现“两极化”特征，而是出现了就业结构“高级化”的发展趋势。具体而言，列(1)显示核心解释变量人工智能 lnrobot的系数显著为负，这表明人工智能发展对我国低技能劳动力就业产生显著的负面影响。随着人工智能技术的发展，生产过程、生产工具都逐渐自动化和智能化，因此智能化设备和技术的应用对初中及以下教育程度劳动力产生了替代效应。列(2)中lnrobot的系数显著为负，但系数较小。这说明虽然人工智能发展对我国中等技能劳动力就业有显著的负向影响，但这种“挤出效应”非常小。可能的原因是目前处于弱人工智能阶段的早期阶段，对中等技能劳动力产生替代效应不是很明显。值得注意的是，部分可被数字化和程序化的常规性认知类工作容易被人工智能所替代，例如会计人员、银行柜员等。列(3)中lnrobot的系数显著为正，这说明人工智能发展显著正向影响我国高技能劳动力的就业需求。人工智能等新技术对就业也有“创造效应”，在新一轮科技革命和产业革命深入发展的过程中，对机器人工程师、研发人员等高技能人才的需求会增加。高技能劳动力通常从事一些非常规性的复杂劳动，具有非程式化的灵活性、创造性和抽象性等特点，能与人工智能技术形成互补；而且，受教育程度越高的劳动者，越能执行非常规任务，能满足新技术对人力资本的需求，由此人工智能促进了高技能劳动者的就业。

控制变量方面，外商直接投资显著提升了我国低技能劳动力的就业，但在一定程度上对中等技能劳动力就业产生了显著的负面影响，对高技能劳动力就业的影响不显著。贸易开放度对我国低技能劳动力的就业有显著的促进作用，对高技能劳动力就业有显著的负面影响，但并未对中等技能劳动力就业产生显著影响。城镇化程度与低技能劳动力的就业呈现显著的负相关关系，与中等技能劳动力的就业呈现正相关关系。生活成本在10%的显著性水平上对中等技能劳动力就业产生负面影响。教育质量对中等技能劳动力产生显著的正面影响，对高技能劳动力的就业产生显著的负面影响。

(二)内生性问题

人工智能的发展会对我国劳动力就业结构产生影响，同时劳动力就业结构也可能会反过来影响人工智能的发展。因此，人工智能的发展与劳动力就业结构之间可能存在逆向因果关系，从而引起内生性问题。本文用工具变量法对模型(1)～(3)重新回归估计来解决内生性问题。

有效工具变量应该满足两个条件：一是满足相关性条件，即与内生变量相关；二是满足外生性条件，即与随机扰动项不相关。本文借鉴王智波等[37]、陈永伟等[38]学者的做法，用滞后一期的机器人渗透度作为工具变量。滞后一期的机器人渗透度与当期机器人变量有关，但与当期其他因素不相关，因此同时满足相关性和外生性条件。另外，对工具变量分别进行不可识别检验、弱工具变量检验和过度识别检验。由于本文选取的工具变量与内生变量一一对应，因此无需进行过度识别检验。本文用滞后一期的机器人渗透度，通过2SLS方法对(1)～(3)式进行模型估计，回归结果如表3所示。

表3 内生性检验结果

由表3可知，Anderson canon.corr.LM统计量为225.569，在1%的显著性水平上拒绝原假设，即该工具变量不存在不可识别问题；Cragg-Donald Wald F统计量为591.997，大于10%显著性水平的临界值16.38，说明不存在弱工具变量问题。因此，本文选择的工具变量是有效的。从回归结果看，核心解释变量估计值的符号、显著性与基本回归的结果保持一致，这说明考虑了内生性问题后不影响基准回归的结论，即人工智能发展将会使得我国劳动力就业结构“高级化”。

(三)稳健性检验

1.替换被解释变量

本文借鉴孙早等[11]、郝楠[39]、陆雪琴等[40]的做法，选取初中及以下学历比重最高的农林牧渔业、高中学历比重最高的制造业、大学专科及以上学历比重最高的科学和技术服务业平均工资涨幅与各省份全部就业人员平均工资涨幅的差值来衡量低、中、高等技能劳动力的就业需求，从而进行稳健性检验。另外，将平均工资根据平均实际工资指数进行平减，以便剔除物价变动因素的影响。回归结果如表4所示。

表4 稳健性检验：替换被解释变量

由表4可知，替换被解释变量后，人工智能变量的系数符号、显著性与基本回归保持一致，人工智能发展对低、中技能劳动力就业有显著的负面影响，对高技能劳动力的就业有显著的正面影响，即人工智能发展导致我国呈现就业结构“高级化”发展趋势的基本结论依旧稳健。

2.增加控制变量

本文借鉴李成友等[41]的做法，通过增加控制变量的方式进行稳健性检验。本文增加以下两个控制变量：第一，江永红等基于2001—2012年省级面板数据，实证检验我国产业结构升级导致了劳动力极化现象的产生[42]，因此本文用第三产业增加值与GDP的比值表示产业结构升级。第二，借鉴郝楠的做法，以研发投入强度来表示研发投入[39]。回归结果如表5所示。

表5 稳健性检验：增加控制变量

由表5可知，添加了产业结构升级和研发投入两个控制变量以后，人工智能发展对中低技能劳动力就业有显著的负面影响，对高技能劳动力就业有显著的正面影响，说明前文的基本回归结果稳健可信。

(四)区域异质性分析

中国不同地区之间的经济发展状况存在着较大差异，而人工智能在我国不同区域间的发展程度和使用范围也有所不同。因此，有必要研究不同区域下人工智能发展对我国劳动力就业结构的异质性影响，这样可以避免全样本分析时影响效应的相互抵消。本文采用东、中、西部三大经济区域的划分方法来分析人工智能发展对我国劳动力就业结构的区域异质性影响。表6反映了在三大经济区域，人工智能发展分别对我国低、中、高技能劳动力就业的影响，经Hausman检验，列(1)～(9)均采用固定效应模型。

表6 分样本回归结果

在表6中，列(1)～(3)、列(4)～(6)、列(7)～(9)分别表示在东、中、西部三大区域中，人工智能发展对低技能劳动力、中等技能劳动力和高技能劳动力的影响。通过对比可以看出，人工智能发展导致我国东部地区和中部地区的劳动力就业结构呈现“高级化”趋势。具体而言，人工智能发展对我国东、中部地区低技能劳动力和中等技能劳动力的就业产生显著的负面影响，对高等技能劳动力就业产生显著的正面影响。但是在西部地区，人工智能发展对劳动力就业结构并未产生显著影响。

根据列(3)、列(6)、列(9)可知，对比其他两个区域，东部地区人工智能发展对高技能劳动力就业的正面影响最大。东部地区，例如长三角、珠三角地区人工智能技术应用较早、范围最广泛，相关产业链相对完善。上海浦东新区有着我国领先且较具国际影响力的工业机器人产业集聚区；广州市为促进人工智能技术集成与行业的融合应用，努力打造建设“国家新一代人工智能创新发展试验区”；苏州昆山布局了智能机器人产品的产业链。另外，东部地区的产业结构正在从劳动密集型产业向知识、技术和资本密集型产业转变，因此对高技能人才有较大需求。另一方面，人工智能的发展在一定程度上呈现出高技能偏向型特征，相应地降低了对低技能劳动力的需求，这也解释了人工智能发展对东部地区低技能劳动力的挤出效应远远大于对中西部地区低技能劳动力的挤出效应的原因。

五、研究结论与对策建议

(一)研究结论

本文基于我国2006—2019年30个省份的面板数据，将劳动力就业结构按照受教育程度标准划分为低、中、高三等，分别检验了人工智能发展对就业结构的影响，并分别考察了东、中、西三大经济区域下，人工智能发展对劳动力就业结构影响的异质性。研究结果显示：第一，从全国范围看，人工智能发展使得我国劳动力就业结构呈现“高级化”发展趋势，即人工智能发展在替代我国低、中等技能劳动力的同时，增加了对高技能劳动力的就业需求。第二，分区域来看，我国东部和中部地区的劳动力就业结构均呈现“高级化”趋势，即人工智能的发展一方面增加了对高中及以上学历的劳动力需求，另一方面对初中及以下学历的劳动力有一定的替代作用，但在我国西部地区，人工智能发展对劳动力就业结构并未产生显著影响。

(二)对策建议

第一，随着人工智能技术的高速发展，越来越多的低技能劳动力将会被替代，因此应致力于提升人力资本。首先，加强对低、中等技能劳动力的职业技能培训。鼓励劳动者积极参与线上、线下职业技能培训，建设一大批知识型和技能型劳动力大军，引导我国劳动力就业结构不断升级，从而有效满足劳动力市场需求。其次，倡导劳动者主动学习新知识和新技能来适应不断变化的工作环境和技能要求，劳动者掌握的技能越多、拥有的知识越广泛，就越不会被机器替代。

第二，为了满足人工智能发展对高技能劳动力的巨大需求，应加强对相关高技能人才的培养与储备。一方面，政府应进一步加大科研经费的投入力度，扩大高等教育规模，并协调发展基础型研究和应用型研究。另一方面，加快实施优化调整高等教育结构战略，动态调整高等院校学科专业结构，设置人工智能相关学科专业。完善人才培养制度，培养一批有创新能力、能解决“卡脖子”关键技术问题的高素质人才。

第三，建立健全社会就业保障制度，多举措全力“稳就业”。首先，对那些因人工智能等新技术的应用而短期失业的人员提供技能培训、就业帮扶和失业补贴，保障基本生活并引导劳动者与工业机器人等智能机器设备互补式发展。其次，建设公共就业服务平台，解决劳动力市场供求信息不对称等问题，提高劳动力市场信息的透明度和人才流动的灵活性。最后，逐步消除我国劳动力市场二元结构以及性别、年龄等就业歧视。

第四，多举措积极推动我国现代服务业多元化与高质量发展。服务业对社交能力、灵活性有着更高的要求，而人工智能往往对那些有高社交、创造性等特点的工作岗位有着更低的替代性[43]。因此，积极鼓励服务业的发展有助于降低人工智能对低技能劳动力的替代性。