感谢有机会在此发表演讲1。本次会议的主题是金融包容性，而人工智能(AI)将在未来数年对金融包容性乃至整个美国经济产生重大影响。正如我在过去几年的数次演讲中所探讨的那样，AI有潜力改变人们的生活和美国经济，或许能让工人提高生产力，其中中低收入工人受益最大2。但同样，AI也可能加剧不平等，淘汰部分中低收入岗位，同时推高高收入者的收入和财富。由于我们不清楚未来会走向何种情景，因此利用我之前在AI与经济关系方面采用过的潜在情景分析法会颇有益处。
每一次重大技术进步都对劳动力市场和经济产生了深远影响。许多工人因这些技术变革而遭受损失，而许多其他工人则看到了新的机遇。从长远来看，技术进步倾向于通过创造比其摧毁的更多的就业机会并提高生产力来广泛提升生活水平。但转型过程和结果可能各不相同，在诸如电力、电话和基于互联网的个人电脑等通用技术大规模普及之后，被取代的人数及其可能遭受的损害规模可能很大且持续时间长。
要权衡这些成本与收益，就需要审视收益是广泛共享还是集中在一小部分人手中。以往的经验表明，技术飞跃可以提高生活水平。但当收益集中在相对少数人手中时，技术可能加剧收入和财富不平等，尤其是在转型期。互联网的广泛普及提高了我们经济的生产能力，并普遍提升了生活水平，但它也可能加剧了不平等，因为它对信息密集型工作(如会计师)的裨益大于其他工作(如建筑工人)。
因此，政策挑战不仅仅是观察AI的开发和部署，还在于作为社会，要考虑与AI及其对教育、职业培训和劳动力发展、竞争、税收政策以及其他领域影响的政策，使得AI带来的收益能够由工人、家庭和社区共享，而非仅仅归于少数公司和投资者3。当然，这些政策不在美联储的职责范围内，而是应由其他政策制定者考虑和决定。
今天我思考的问题是：AI究竟会有助于缩小收入和财富不平等、支持金融包容性的进步，还是会扩大这些不平等、破坏我们今日所正确庆祝的金融包容性方面取得的近期成果？
理解不平等
让我们首先理解收入和财富不平等。
要理解收入不平等，将收入分解为各个组成部分会有所帮助。最大组成部分是劳动收入。个体之间劳动收入的差异反映了其技能、生产力及工作时间的供需情况——所有这些都将受到AI的影响。收入还包括来自资本和投资的收益，因此也包括了在公司(如AI公司)所有权的集中程度。2024年，美国收入最高的五分之一家庭赚取了所有收入的52%，而收入最低的20%家庭仅赚取了3%4。2024年，美国在二十国集团(G20)国家中不平等程度排名第六5。
财富不平等是资产(土地、商品、企业、知识产权和其他投资资产)所有权分配的函数。美国底层一半家庭持有的财富不足3%，顶层十分之一的家庭持有59%，而顶层千分之一的家庭持有15%6。当投资回报被再投资时，财富会自然复利增长。因此，那些已经拥有增值资产的人，其财富增长速度往往远快于主要依赖工资的家庭，从而扩大了“有产者”与“无产者”之间的差距。
一个核心问题是：AI是否会通过让更多人获得有价值的技能和生产性工作来扩大机会，还是会强化已经集中在少数人身上的优势？不平等不仅对当今的工人重要，而且与美国梦的一个重要方面——即期望我们的孩子未来能够改善自己的生活，包括通过提高生活水平来实现——密切相关7。
AI如何可能加剧不平等
我先谈谈AI可能加剧不平等的几种方式。
自动化与劳动力替代
首先，AI可能导致劳动力替代。大多数人，尤其是年轻工人，最关心的问题是AI可能大幅减少对他们的需求。AI可能会不成比例地影响劳动力市场的新进入者。根据克劳迪娅·戈尔丁(Claudia Golden)和拉里·卡茨(Larry Katz)的一篇著名论文，在以往的一些技术浪潮中，收益往往倾向于改善技能更高、受教育程度更高的工人的状况8。但在这种情景下，AI不仅可能伤害低技能工人，也可能伤害年轻的大学毕业生工人，因为AI比以往的技术浪潮更容易复制他们的技能。此外，更密集使用AI的工人可能获益最多，而使用最先进、最昂贵AI模型的工人可能战胜那些使用基础模型的工人。
在美联储最近开展的《美国家庭经济与决策调查》中，43%拥有研究生学位的工人报告在过去一个月内使用过AI，而高中及以下学历的工人中这一比例为10%9。该调查进一步发现，使用AI的工人更倾向于认为AI会改善他们的职业生涯，而非取代他们的工作。衡量生成式AI接触程度的指标也表明，受教育程度较高和收入较高的工人接触生成式AI的程度更高10。这些事实的后果尚不明确。如果AI主要替代劳动力，那么不与AI接触对这些工人来说可能是积极的；然而，如果AI增强了现有工作，那么不与AI接触的工人将被抛在后面。
劳动力市场将如何演变存在很大的不确定性。截至目前，几乎没有证据表明AI导致了整个经济范围内的岗位替代11。然而，有一些证据表明，AI可能使得年轻工人在某些工作类别中更难进入就业市场12。考虑到重大技术进步的历史以及我们处于AI应用时间线的早期阶段，考虑未来可能产生的一系列影响，包括更广泛的劳动力替代可能性，至关重要。
潜在的集中化
另一个担忧是集中化。高度的市场集中对个人的经济状况有着重要影响。我们不知道市场将如何演变。在一个极端情况下，竞争和分布式创新可能使AI成为一种廉价且无处不在的商品。在这种情景下，获取途径变得民主化，收益广泛共享。初创企业和小型企业能够获得最先进的AI资源，并继续作为创新思想、商品和服务的关键来源，以及美国经济就业创造的重要引擎。
但根据安东·科里内克(Anton Korineck)和贾伊·维普拉(Jai Vipra)在2025年发表的一篇论文，一个重要因素是，AI具有一些在过去曾强化市场力量集中的特性13。与其他高科技创新一样，由于AI依赖于对数据、模型改进和计算能力的获取，它受益于规模经济和范围经济。更多的数据、模型改进和计算能力会产生更强大的智能和能力。这种优势带来的高回报有助于解释对大型AI公司进行巨额投资和集中投资的现象，这也是它们被称为“超大规模企业”的原因。AI还有另一个似乎正在推动市场力量更加集中的特征——AI本身是一个强大的工具，可以训练和加速新AI模型的开发。也就是说，AI能改善自身的研发。虽然计算技术一直倾向于支持行业领导者的市场主导地位，但AI行业领导者所拥有的优势程度可能被证明是前所未有的。
由于这些力量的作用，少数AI公司可能主导市场，投资回报主要归于AI的所有者14。在这个潜在的未来中，财富创造——以及在某种程度上，那些能够从获取AI资源中受益的工人的收入创造——可能会增加。但对大多数其他公司及其员工来说，获取不断改进的AI资源的机会减少，将意味着他们的生产力增长放缓，并且他们与那些拥有更多获取机会的公司及其员工之间的差距将稳步扩大。正如我一开始所说，我并非预测这种特定结果，只是将其作为一种可能的情景进行探讨。
AI如何可能缓解不平等
接下来，我谈谈AI可能减少不平等的情景。
AI作为生产力工具
一种情景是更广泛地获取能力建设机会，从而带来更广泛的生产力提升。正如印刷术使知识民主化、互联网使信息民主化一样，AI可能使能力本身民主化。通过让数百万人获得辅导、指导、写作协助、编程支持和问题解决指导，AI可以使个人发展那些曾经只为拥有特殊教育背景、财富或指导的人保留的技能。在这个未来，AI可能成为一股“水涨船高”的力量，提升所有人的福祉，而不是像我们近几十年来所看到的那样扩大不平等，“击沉其他船只”。越来越多的研究表明，AI可以在不必取代工人的情况下提高工人的生产力，尤其是对经验不足的工人来说，其收益更为显著，从而使个人能够完成更广泛的任务，并增加整体经济产出15。
在一项实验中，受过大学教育的专业人士完成了一系列任务，如撰写简短报告或分析，然后在AI的帮助下进行了第二轮任务。AI将完成任务的平均时间缩短了40%，并将结果质量提高了18%——这种结合构成了显著的生产力提升16。最大的改进来自于那些在无AI辅助任务中表现最差的人，从而缩小了生产力差距17。
在任何职业中获取技能或建立经验和专长都是困难的。这需要努力和自律，通常需要多年的努力，并且依赖于教育、获取和保留知识的能力，以及运用知识和其它资源的判断力。AI有潜力扩展专长，缩短培养技能所需的时间和精力，或者直接提供这些技能本身，从而最大程度地提高低技能、低教育程度工人的生产力。AI还可以降低那些有好想法但缺乏某些技能(如金融或会计)来发展或实施该想法的人的创业门槛。AI模型使编程能力民主化，这也是AI如何为许多企业的关键投入创造公平竞争环境的例证。虽然现在判断AI对创业的帮助有多大还为时过早，但AI在小企业中的迅速应用强烈预示了其潜在价值18。
新的就业机会
AI还可能创造新的就业机会——那些我们甚至尚未想象到的岗位，就像我们在其他通用技术中看到的那样。想想看，据某些估计，美国目前有1200万全职社交媒体网红在谋生，这在十年前是难以想象的19。研究表明，重大技术革新会带来这种类型的就业创造，而且进步越大，对劳动力市场的影响也越大20。对于那些倾向于将技术变革带来的就业替代视为零和游戏的人来说，有必要记住经济学家所谓的“劳动力总量谬误”。劳动力市场不是零和的。例如，像Excel这样的电子表格软件取代了基础会计工作的低技能部分，这提高了会计师的生产力。也就是说，技术并非取代个人，而是增强了个人完成工作的能力。技术进步并未消除某个领域，而是重新定义了可能性。AI或许能在整个经济中做到这一点。如果是这样，AI可以通过创造新的、生产力更高、报酬更高的工作岗位来帮助降低不平等。
决定结果的因素
我大致阐述了AI可能如何影响不平等的最坏和最好的情景。中间可能还有许多其他情景。现在无法预测这些未来版本中哪一种更有可能，但我会讨论几个可能决定结果的因素的例子。
教育、职业培训和劳动力发展
首先是教育、职业培训和劳动力发展。正如计算机技能对当今许多工作至关重要一样，熟练掌握AI很可能成为未来工作的一项必要技能。工人需要向AI发出提示，将AI集成到工作流程中，监督编码代理，并管理多个AI代理。他们需要对AI的输入和输出进行判断，验证AI结果，并拓展人类知识的边界21。AI在编写计算机代码方面的惊人能力很可能会取代那些仅以编写基本代码为工作的人；然而，它不仅会赋能那些将监督编码代理的高级编码专家，还将赋能更多没有接受过正式编程培训的人，使他们能够利用编程将自己的想法转化为实用的程序。如果这难以想象，可以想想计算器、文字处理器和演示软件是如何使工作场所民主化的。不久前，这些功能还由专家执行，但现在已成为大多数办公室工作的最低资格要求。
教育对于工人和美国经济如何适应AI革命至关重要。经济学家克劳迪娅·戈尔丁和劳伦斯·卡茨在《教育与技术的竞赛》一书中探讨了这段历史，叙述了整个20世纪教育供给和需求如何响应经济的技术需求22。首先，高中毕业率的显著增长帮助美国摆脱了农业作为主导产业的局面。在20世纪下半叶，高等教育的普及回应了许多职业对专业知识的需要。在这一波浪潮中，关于AI如何影响不平等的一个关键问题是，高质量且负担得起的教育和培训是否不仅能从一开始就广泛提供，而且能在个人的整个工作生涯中持续提供。
然而，仅仅关注AI技能可能不是正确的方法。我的直觉是，好奇心、灵活性，以及重要的常识和人类判断力，很可能成为这个新经济中的关键技能。正如伊桑·莫利克(Ethan Mollick)在其著作《共同智能》中所论证的那样，在AI时代取得成功，与其说是掌握技术本身，不如说是发展提出有洞察力问题的人类能力23。这包括能够区分合理的推理和貌似合理的胡言乱语，做出道德判断，并整合跨学科的知识。因此，这不仅仅是学习AI技能的问题。为了在未来取得成功，无论是年轻人还是已经在职业生涯中的人，都需要学习在一个变化日益加速的经济中所必需的技能。对以人为中心的技能、人际关系和人文素养的投资，可能与技术技能同等重要。
竞争与市场结构
AI公司的市场结构对结果也很重要24。正如科里内克和维普拉所解释的，竞争是促进收入和财富平等的基本力量。竞争降低了成本，传播了技术进步的获取途径，并使得这些进步的收益更有可能在消费者和工人之间广泛共享。如果引领AI革命的公司获得了市场主导地位，收益可能会集中在一小部分幸运儿手中。仅靠竞争本身并不会减少不平等，因为劳动力和资本市场会在公司和工人之间分配收益，但竞争是实现广泛共享收益的重要投入。
结论
总之，关于AI可能如何影响不平等，不同的采用情景差异巨大。市场的演变方式将至关重要。但公共政策也同样重要。AI，就像过去的重大技术进步一样，将以多种方式塑造劳动力市场和更广泛的经济。目前尚不清楚AI是会减少还是增加收入和财富不平等，但社会现在就可以开始做出可能影响这一结果的选择。关于AI政策、教育、工人培训和劳动力发展、竞争、税收政策以及其他领域的决策将有助于决定这一结果。我们听到了许多关于AI在近期和遥远未来能够做什么的大胆声明。有些可能会成真，有些则不会。但未来的不平等不仅取决于AI能做什么，还取决于我们选择用AI做什么。
1. 今天在这里表达的观点仅代表我个人，不一定代表美联储理事会。返回正文
2. 参见迈克尔·S·巴尔(Michael S. Barr)，《人工智能对劳动力市场和经济意味着什么？》，2026年2月17日在纽约商业经济学协会的演讲。返回正文
3. 参见吉恩·斯珀林(Gene Sperling)，《AI时代的经济尊严契约》，《民主》期刊，2026年1月21日。返回正文
4. 参见《美国收入：2024》，美国人口普查局，最后修改于2025年8月25日。返回正文
5. 参见《基尼系数》，世界银行集团。返回正文
6. 参见《DFA：分配性金融账户》，美联储理事会，最后修改于2026年6月18日。返回正文
7. 参见迈尔斯·科拉克(Miles Corak)，《收入不平等、机会平等与代际流动性(PDF)》，《经济展望杂志》第27卷(2013年)：79-102。返回正文
8. 参见克劳迪娅·戈尔丁和劳伦斯·F·卡茨，《教育与技术的竞赛》(哈佛大学出版社，2008年)。返回正文
9. 参见美联储理事会，《2025年美国家庭经济福祉》(理事会，2026年5月)。返回正文
10. 参见马克西姆·马森科夫(Maxim Massenkoff)、伊娃·柳比奇(Eva Lyubich)、彼得·麦克罗里(Peter McCrory)、露丝·阿佩尔(Ruth Appel)和瑞安·海勒(Ryan Heller)，《Anthropic经济指数报告：学习曲线》，Anthropic，2026年3月24日，https://www.anthropic.com/research/economic-index-march-2026-report；以及爱德华·W·费尔滕(Edward W. Felten)、马纳夫·拉吉(Manav Raj)和罗伯特·西曼斯(Robert Seamans)，《接触生成式AI的职业异质性》，2023年4月10日，http://dx.doi.org/10.2139/ssrn.4414065。返回正文
11. 参见萨洛梅·巴斯兰泽(Salomé Baslandze)、扎卡里·爱德华兹(Zachary Edwards)、约翰·格雷厄姆(John Graham)、泰·麦克卢尔(Ty McClure)、布伦特·H·迈耶(Brent H. Meyer)、迈克尔·斯帕克斯(Michael Sparks)、索尼娅·R·瓦德尔(Sonya R. Waddell)和丹尼尔·韦茨(Daniel Weitz)，《人工智能、生产力与劳动力：来自高管的证据》，NBER工作论文第34984号(国家经济研究局，2026年3月)；以及杰西卡·刘(Jessica Liu)和道格拉斯·韦伯(Douglas Webber)，《AI应用与企业的职位发布行为》，FEDS Notes(美联储理事会，2026年3月27日)。返回正文
12. 参见马克西姆·马森科夫和彼得·麦克罗里，《AI的劳动力市场影响：新衡量标准与早期证据》，Anthropic，2026年3月5日。返回正文
13. 参见安东·科里内克(Anton Korinek)和贾伊·维普拉(Jai Vipra)，《集中智能：人工智能的规模与市场结构》，《经济政策》第40卷，第121期(2025年)：225-56，https://doi.org/10.1093/epolic/eiae057。返回正文
14. 参见塔尼亚·巴比纳(Tania Babina)、阿纳斯塔西娅·费迪亚克(Anastassia Fedyk)、亚历克斯·何(Alex He)和詹姆斯·霍德森(James Hodson)，《人工智能、企业成长与产品创新》，《金融经济学杂志》第151卷(2024年)：103745，https://www.sciencedirect.com/science/article/pii/S0304405X2300185X。返回正文
15. 参见阿贾伊·K·阿格拉瓦尔(Ajay K. Agrawal)、约翰·麦克海尔(John McHale)和亚历山大·奥特尔(Alexander Oettl)，《在不自动化任务的情况下提高工人生产力：AI与基于任务模型的不同方法》，NBER工作论文第34781号(国家经济研究局，2026年1月)；以及沙克德·诺伊(Shakked Noy)和惠特尼·张(Whitney Zhang)，《生成式人工智能生产力效应的实验证据(PDF)》，《科学》第381卷，第6654期(2023年)：187-92。返回正文
16. 参见埃里克·布林约尔松(Erik Brynjolfsson)、丹妮尔·李(Danielle Li)和林赛·雷蒙德(Lindsey Raymond)，《工作中的生成式AI》，《经济学季刊》第140卷，第2期(2025年)：889-942，https://doi.org/10.1093/qje/qjae044；以及西达·彭(Sida Peng)、艾里尼·卡利亚姆瓦科(Eirini Kalliamvakou)、彼得·西昂(Peter Cihon)和梅尔特·德米雷尔(Mert Demirer)，《AI对开发者生产力的影响：来自GitHub Copilot的证据》(2023年)。返回正文
17. 参见诺伊和张，《生产力效应的实验证据》。返回正文
18. 参见杰弗里·S·艾伦(Jeffrey S. Allen)，《监测美国经济中的AI应用》，FEDS Notes(美联储理事会，2026年4月3日)。返回正文
19. 参见马克·谢弗(Mark Schaefer)，《创作者经济有多大？比我们想象的大三倍！》LinkedIn，2023年11月14日，https://www.linkedin.com/pulse/how-big-creator-economy-three-times-larger-than-we-thought-schaefer-pihac。返回正文
20. 参见达龙·阿西莫格鲁(Daron Acemoglu)和帕斯夸尔·雷斯特雷波(Pascual Restrepo)，《人与机器的竞赛：技术对增长、要素份额和就业的影响》，《美国经济评论》第108卷，第6期(2018年)：1488-542；以及大卫·H·奥特尔(David H. Autor)，《为什么仍然有这么多工作？工作场所自动化的历史与未来》，《经济展望杂志》第29卷，第3期：3-30。返回正文
21. 参见克里斯蒂安·卡塔利尼(Christian Catalini)、项辉(Xiang Hui)和简·吴(Jane Wu)，《AGI的一些简单经济学》(2026年)。返回正文
22. 参见戈尔丁和卡茨，《教育与技术的竞赛》。返回正文
23. 参见伊桑·莫利克，《共同智能：与AI共处和工作》(Portfolio，2024年)。返回正文
24. 参见科里内克和维普拉，《集中智能》。返回正文