新质生产力是由新一轮科技革命和产业变革催生的生产力跃迁，它以科技创新为核心驱动力，以数字化、网络化、智能化为基本特征，以战略性新兴产业和未来产业为主要载体，不仅引起大多数产业和行业的系统性变革，还彻底改变了人类社会的生产生活方式和组织运作模式。作为引领新一轮科技革命和产业变革的战略性技术，人工智能代表了技术进步的高阶形态，成为发展新质生产力的主要阵地。
新质生产力是由新一轮科技革命和产业变革催生的生产力跃迁，它以科技创新为核心驱动力，以数字化、网络化、智能化为基本特征，以战略性新兴产业和未来产业为主要载体，不仅引起大多数产业和行业的系统性变革，还彻底改变了人类社会的生产生活方式和组织运作模式。作为引领新一轮科技革命和产业变革的战略性技术，人工智能代表了技术进步的高阶形态，成为发展新质生产力的主要阵地。
如果说以往技术进步对劳动的介入主要基于程序式自动化，对生产力的驱动仍局限在专用性上，那么人工智能则突破了程序式的局限，极大扩展了功能性和通用性，并从根本上重塑新型劳动力。鉴于技能劳动力是全面支撑人工智能劳动介入的主体力量，就势必成为发展新质生产力背景下需求量最大、结构性矛盾最突出的劳动力群体。从人工智能劳动介入的视角探究技能劳动力需求的改变及特征，对于理清适宜的职业教育人才培养和供给思路意义重大。
人工智能的理论基础与研究范式
人工智能的理论雏形最早可追溯至亚里士多德（公元前384—322年）创立三段论的某些形式逻辑的推理方式，这既是现代符号逻辑和数理逻辑的起点，也是迈向人工智能的第一步。此后，科学家们不断试图理解感知、推理、学习、沟通、行动等与人类智能相关的问题；直到1956年，麦卡锡（John McCarthy）等十余位科学家在达特茅斯学院会议上采用“人工智能”①概括他们探讨的机器模拟人类智能的问题，才促使人工智能作为一门学科正式诞生。学界普遍认为，图灵思想以及达特茅斯会议共同构成早期人工智能研究的理论基础，认知科学②以及认知神经科学③则为学科研究及理论构建提供了根本遵循。基于对智能本质的不同理解，形成不同学派和研究范式。
（一）学科脉络与理论基础
从学科脉络看，人工智能在达特茅斯学院会议上被正式提出时，还只是计算机科学的一个分支学科。1936年，图灵（Alan Mathison Turing）在论文《论可计算数及其在判定问题上的应用》中提出“图灵机”的设想，即由虚拟的计算机替代人类进行数学运算，并把相关的哲学思考引入智能领域，最早提出机器可以具有智能的观点。1950年，他在文章《计算机器与智能》中提出图灵机的理论模型，一种判断机器是否具有智能的“模仿游戏”④，即图灵准则。这篇文章被广泛认为是机器智能最早的系统化科学化论述⑤，图灵准则也成为最重要的智能机标准。然而，不同于科学领域的其他学科，人工智能不仅在认识论层面沿袭了哲学的系统性思维，学科内部也与哲学诸多分支学科难解难分，最终使其发展成为跨领域的综合性学科。
从理论基础看，计算理论奠定了早期人工智能研究的理论基础。20世纪50—70年代，早期认知科学中占主流地位的计算理论认为，认知即计算，认知活动的实质是“在心理表征之上运作的计算程序”。无论是功能上模拟思维过程的符号主义，还是结构上模拟神经系统的连接主义，都属于运算智能的范畴，差别是基于抽象思维还是形象思维进行构建。70年代之后，随着认知神经科学的发展，科学家们逐渐意识到行为从不同维度反映智能，这与意识层面研究形成互补，对于理解智能的本质至关重要。由此，出现了区别于前二者聚焦发展感知智能的行为主义学派。不同研究范式和路径中，人工智能还充分汲取了逻辑学、仿生学、心理学、控制论等学科和科学的理论成分。
（二）符号主义与思维过程模拟
符号主义（Symbolism）是一种基于逻辑推理的智能模拟方法， 又称逻辑主义、心理学派或计算机学派。这一学派认为智能产生于大脑思维，主张基于显性公理和数理逻辑模拟大脑的思维过程，主要理论基础是纽厄尔和西蒙提出的“物理符号系统假说”⑥（表1）。
该假说指出，“符号是智能行动的根基”“物理符号系统是一般智能行为的必要和充分条件”。该学派认为人类大脑特征可以用特定的物理符号表示，思维过程则应被视为符号⑦的表征和运算过程。基于具有严格规定性的算法程序以及“假设—论证—新假设”的启发式程序，使计算机习得一定的“解决问题的能力”，学习过程则是“从经验或规则出发，根据前提推出结论的过程”。这种自上而下的演绎式推理是自动发生的，且由于符号系统对知识表达的确切性和逻辑性，其过程具有可解释、可追溯的特点。然而，在大量不确定、不完全信息的复杂环境中，通用领域的知识边界难以划定，因此，其研究合理性是有限的，只能聚焦某个专门领域，主要包括启发式程序、专家系统、知识工程等。
（三）连接主义与神经系统模拟
连接主义（Connectionism）是一种基于神经网络和网络间连接机制的智能模拟方法，又称仿生学派或生理学派。他们认为智能是物理结构和连接方式的统一，主张基于仿生学模拟神经元的连接机制。神经元是神经系统最基本的结构和功能单位，它们通过自身的突触部分发生连接，构成庞大的脑神经网络，从而进行信息传递和交互。“如果我们可以用有限的语句来描述自然神经系统的任何功能”，那么，“我们就可以用形式的人工的神经网络来实现它”。连接主义从这种结构类比中获得启示，试图通过算法规则模拟神经元之间的连接机制以及改变权值构建人工神经网络（图1）。
与符号主义不同的是，其构建除了在“软件”上探究大脑的学习和训练机能，还在“硬件”上模拟大脑的生物结构和连接机制。然而，鉴于模拟目的具有指向性以及大脑结构、功能的复杂性，就只能从部分的模仿构建中推导出整体，没有必要也没有可能进行完整模拟。因此，它仍然无法摆脱专用人工智能的限制，其研究主要包括感知机、反向传播和深度学习等。
（四）行为主义与反应行为模拟
行为主义（Actionism）是一种基于“感知—行动”的智能模拟方法，又称进化学派或控制论学派。他们认为智能的本质是主体与环境的交互，主张模拟人类对环境的反应行为，以行为主义和控制论思想作为理论基础。从行为主义⑧视角看，心理学的理论目标在于“预见和控制行为”。这里的行为是指“有机体用以适应环境变化的各种身体反应的组合”，还可以分解为多个独立的“刺激—反应”单元。从控制论⑨角度看，机器与有机体属于同一概念体系的研究对象，行为是“对象相对于它的环境做出的任何变化”，表现为输入和输出两种形式，行为过程是为达到稳态的调节与控制过程。该学派摆脱了传统人工智能的哲学假设，既反对研究心理和意识，也不采取内省的方法，转而研究客观存在、可观察的大脑行为，并把信息反馈作为调节控制行为的关键点。通过输入端感知和输出端反馈，使机器自主适应各种复杂、不确定和非结构化的客观环境，进而达到智能主体内部以及主体间的协调。这种适应，本质上是“复杂系统的各个要素彼此之间的精确联系以及它们整个集团与四周环境的精确联系”。
人工智能应用的三个层级与劳动介入
根据韦伯字典对智能的定义，学习、理解和处理是智能的基本要素⑩，人工智能应用的目的就是让机器具备这些要素，从而更高效地介入人类劳动、完成需要人类智能才能完成的各种任务。然而，“人工智能是人的智能的延长而不是人的智能的复制”。相对于人类劳动力而言，人工智能的优势在于技术赋能放大了机器模拟人脑的机能，使其在一定程度和范围内能够克服人类的生物局限，甚至显著优于自然原型，这是一种根本性的性能延长优势。基于这种优势，不同应用层级的人工智能通过自动化特定任务以及全智能功能模拟的方式介入人类劳动，高层级人工智能甚至可能实现智能的质性跃迁。
（一）专用人工智能与自动化特定任务
专用人工智能（ANI）是人工智能发展的初级阶段，对应智能辅助11或弱人工智能，主要“通过技术手段在机器上表现出一定的智能性”。一方面，ANI对劳动的嵌入仅限于特定领域、单一智能。它的认知范围比较狭窄，基于“大数据驱动小任务”范式运作，只“针对特定的目标实现智能化应用”，如自然语言处理、计算机视觉，对于特定任务以外的事物并不具备完整认知功能。另一方面，ANI对劳动的嵌入本质上仍体现为工具性。作为基于特定任务的单一智能，ANI功能非常有限，仍需借助大型数据集来学习和训练，这既离不开人类的程序设计和数据灌注，也无法脱离人类的监督和管理。以谷歌的AlphaGo和IBM公司的Watson为例，AlphaGo以及它的升级版本Zero仅在局部智能水平的单项测试中超越人类智能，Watson也只在癌症治疗、基因检测等医疗领域有突出表现。尽管它们在特定领域的狭窄认知上已经表现出显著优于人类的智能水平，但对标注数据12仍具有强依赖性，说到底只能作为专用领域的一种劳动工具，辅助人类完成劳动任务。
（二）通用人工智能与全智能功能模拟
通用人工智能（AGI）是人工智能应用发展的较高阶段，对应智能增强或强人工智能，在智能功能整合以及通用性方面有了质的飞跃。它具备类似人类的一般智力，能够抽象思考、常识积累、学习迁移，并在非特定输入下自我学习和纠错调试；也能够像人类一样在现实环境中独立执行非预设性任务、自主产生并完成任务。对于上述核心能力的探讨，学界提出类人智能和非类人智能两种可能性，分歧在于是否仿照人的思维方式和行为模式。然而，无论属于哪种类型，AGI无疑是以更高级别自动化或全智能功能模拟的方式介入劳动过程，同时也创造出适宜人类从事或体现人类生物优势的新任务新职位。以迈向AGI的突破性技术BERT和GPT系列模型为例，这类预训练语言模型“已经为一般类型的模型提供了基础模型这一术语”，它们通过自我监督进行大规模数据训练，“很容易适应于执行广泛的下游任务”，其重要发展方向是“吸收世界上其他感官数据，实现集成的、多模态学习”，这无疑初步展示出一种通用性更强的人工智能应用。
（三）超人工智能与机器智能质性跃迁
与前两个层级相比，超人工智能（ASI）的定性描述最模糊，尽管只是基于智能涌现和技术奇点的一种预测，但无疑代表着一种“在几乎所有领域远远超过人类的认知能力”。目前，人工智能整体处于专用技术层级，向通用层级跃迁的过程就是将机器的性能优势13与一般智力结合起来，增强其功能整合能力和通用性能。然而令人担忧的是，促成智能跃迁的大模型训练在执行任务时产生了一些出乎意料的行为、思路或想法，研究者们将其称为“智能涌现”14，这意味着机器可能具备某种人类无法解释的自我觉醒的能力。此外，弗诺·文奇（Vernor Steffen Vinge）、库兹韦尔（Ray Kurzweil）等人揭示的即将到来的“技术奇点”也受到广泛关注。库兹韦尔认为人工智能会在一段时期后“发生近似垂直的指数增长”，而“计算机就能够融合传统的生物智能与机器智能的双重优势”。这让科学家们开始警惕，人工智能技术有可能发展成为“比人类的生物性思维更快、更有效的思维方式”，实现各方面智能全面超越人类的机器智能的质性跃迁。
人工智能介入对技能劳动力需求的改变
作为引领新一轮科技革命和产业变革的战略性技术，人工智能凭借性能延长优势介入劳动过程，不仅提升了生产要素质量、改善了资源配置效率，还成为催生新产业、新模式、新动能，发展新质生产力的核心要素。相对于蒸汽、电力、信息等技术进步而言，人工智能突破了程序式的局限，极大扩展了功能性和通用性，并从根本上重塑新型劳动力。鉴于技能劳动力是全面支撑人工智能劳动介入的主体力量，就势必成为发展新质生产力背景下需求量最大、结构性矛盾最突出的群体。人工智能不仅在本体层面对技能需求量和结构产生深刻改变，也在社会层面对技能劳动者就业和收入带来重塑性影响。
（一）需求增量和减量呈结构性矛盾
根据价格的需求定律，需求量反映了一定时期内劳动力价格的变动情况，当其他因素不变时，需求量随价格的变动而反方向变动。任务自动化在一定程度上提高了生产效率、降低了生产成本，但也变相提高了劳动力的相对价格，劳动力需求量随价格“提高”而减少，此时需求线是一条向右下方倾斜的曲线。然而，需求定律并不是解释需求量变化的唯一公理，扩容增产也是直接导致需求量改变的因素。生产效率极大提高有效刺激了企业扩大生产和投资规模的行为，促使需求曲线D1整体向右平移至D2，在另一个维度上提高了劳动力需求量15，即从Q1提高至Q2（图2）。概括而言，人工智能介入对劳动力需求量的改变是一个双向传导机制，但增量和减量的目标群体既不交叉重叠也不能直接抵消，需求量改变呈结构性矛盾。
（二）劳动力替代与劳动力创造并存
替代效应基于任务自动化产生，是指以机器自动化生产替代人类生产，从而将人类劳动力排除在具体生产环节之外。如前文所述，与人类劳动力相比，人工智能具备一些根本性的性能延长优势，由此形成高效率、低成本、高稳定性等特征成为任务自动化的基础。在市场机制的驱动下，资本更倾向于具备极高生产效率的技术投入，减少对人类劳动力的需求，进而造成一部分技术性失业。创造效应基于新任务新职位发挥作用，是在现有职业和岗位之外，创造适宜人类从事或人类具有比较优势的新任务新职位，如一些需要人类情感智能和道德判断的工作，需要情感交流和物理接触的工作，以及涉及人工智能研发及训练的技术类工作。这种介入方式使旧任务被具有更高生产力的新变体取代，进而成为拉动就业增长的主要途径。
（三）技能结构趋于高级化和两极化
学界对于劳动力技能结构的研究，主要基于技能和任务两种研究路径和方法。单从技能匹配度分析，“高技能且从事复杂工作任务的工人因具备较强的判断、分析、解决问题等认知技能不易被人工智能替代”，中低技能劳动力更容易被自动化替代，从而导致技能结构趋于高级化。若从工作任务类型分析，则是将工资率与劳动力机会成本考虑在内，企业选择自动化以及社会倾向去自动化之间的矛盾显现，导致“从事程序性日常任务的中等技能工人最易被替代”，而从事低复杂度弱程序性手工任务以及高技能复杂任务的劳动力不易被替代，导致技能结构呈“U”型，即两极化趋势。不同层级的技能结构特征存在显著差异，较低层级人工智能主要体现技能偏向属性，而较高层级人工智能则更需要体现任务偏向或双重属性。
（四）就业极化与收入分配差距扩大
就业“极化”是指高技能与低技能劳动力就业份额不断增加，而中等技能劳动力就业份额不断下降，呈现“两端上涨、中间下跌”的现象。来自中国企业的研究数据表明，机器人引入会导致从事常规、重复类型任务的劳动者转向更低技能的非常规任务岗位或者面临技术性失业，同时为从事非常规复杂劳动的高技能劳动者创造更多任务岗位，这与前文提到的“U”型结构彼此呼应。在就业极化现象背后，蕴含着更为复杂的初次分配和再次分配效应，采购机器设备的资本投入、生产要素数字化转型、高技能人力资本培养都需要得到相应补偿，在收入分配上则体现为人工智能对资本、数据和技能的偏向性，最终导致部分企业、生产要素、劳动群体优先受益。技术进步对不同领域、群体非均衡的渗透，成为扩大收入分配差距的重要因素。
人工智能介入下技能劳动力需求特征
人工智能介入对技能劳动力需求的改变，本质上源于生产方式的变革，但这种变革并非单纯发生在生产力或生产关系的单一维度里，而是根植于不同制度的社会系统之中。这意味着阐释技能劳动力需求特征时，除了考虑生产力跃迁、生产关系变革带来的替代和创造效应，还要充分考量抵御社会关系剧烈变动进行的宏观干预和调控，其根本目的是使技能劳动力需求维持一种动态的平衡。现阶段，这种动态平衡一方面基于劳动力自身知识、技术、技能等的提升，另一方面则基于劳动力对生产力、生产关系以及社会关系变革的适应和转变。
（一）以高学历高技能为核心竞争力
作为一种概念性图式，人工智能既强调理论知识的中轴作用，也强调技术技能的支撑作用。它广泛涉猎数学、计算机、哲学、脑神经科学等领域的学科知识，包含机器学习、自然语言处理、计算机视觉、数据挖掘等高新技术，具有典型的高知识、高技能特征。鉴于受教育程度是表征知识和技能的重要信号，学历层次在技能劳动力需求特征中的重要意义就格外突显，主要体现为社会资本、资源对高学历高技能劳动力的偏向和倾斜，这成为内隐于社会系统中的普遍共识。
过去十余年，我国技能劳动力受教育年限和学历层次整体呈向上优化的趋势，理论知识和技能水平均有大幅提升，高学历高技能已经成为衡量技能劳动力竞争力的重要标准。现阶段及未来一段时期，随着人工智能技术的广泛渗透和应用，它对低学历低技能劳动力的替代和挤出效应将持续加速释放，对高学历高技能人才的需求也将在短期内达到较高水平。无论是初次就业还是再就业的技能劳动力，知识和技能依然是最难获得、最难替代的竞争力，也是最重要和最具决定性的生产要素，高学历高技能势必成为他们的核心竞争力。
（二）技术强渗透领域就业吸纳显著
人工智能与现有产业的结合，主要指向发生在第二产业的人工智能制造以及第三产业的人工智能应用，这与我国三次产业结构调整优化方向基本一致。过去十余年，我国产业及就业结构整体向二、三次产业转移倾斜，且第三产业对劳动力的吸纳能力逐渐优于第二产业，最终形成“三二一”格局。这不仅为产业链、价值链和产业集群发展指明了方向，也为新产业、新业态、新商业模式建立提供了基本框架。人工智能从科学研究走向全面应用，主要在这些领域产生技术渗透，具体表现为人工智能产业化和产业智能化两种形态（图3）。
就人工智能产业化而言，从基础层的平台、算力、数据等基础设施建设，到技术层的系统框架、通用技术、算法等技术构建，再到应用层基于各类识别技术开发的软件和硬件产品，都是围绕人工智能科研和应用延展的产业链布局。于产业智能化来说，新的科研成果、创新技术与传统产业相结合，形成智慧金融、智慧物流等新业态，以及以“8+9”新产业标准化重点领域为代表的新兴产业和未来产业，具有创新活跃、技术密集、前景广阔等特征，引领重大技术突破、填补重大发展需求。鉴于技术渗透对劳动力需求具有技能偏向，对劳动力需求规模、结构、收入变动的影响也明显优于其他产业和行业，就自然成为吸纳高学历高技能劳动力以及新型劳动力的主要场域。
（三）体现技能和任务二维偏向属性
基于技能偏向属性，人工智能对可编码和重复性的常规任务存在显著替代性，但这并不完全指向劳动力挤出，还存在相当数量的劳动力补充，其中两个非常重要的动因是：人口老龄化以及低生育率带来的劳动力结构失衡，以及生物局限性造成的人类劳动能力极限。目前，世界各国推进人工智能战略，几乎都将克服日益严峻的劳动力不足作为重要目的之一，也始终将弥补人类劳动能力极限、把人类从不适宜的生产劳动中解放出来作为重要目标。
相对于技能偏向，技能劳动力需求更多体现的是任务偏向属性。任务偏向关注人的发展以及一切社会关系的联动，在某种程度上具有协调平衡和保障托底的作用16。据此推测，人工智能对技能劳动力的替代将被调控在一定范围内发生，如一些程序性较强的常规任务或不适宜人类从事的极限任务，对于程序性较弱的非常规任务而言，无论是高技能还是低技能劳动力被替代的风险都相对较低，基于创造效应产生的新任务新职位也主要指这类适宜人类从事的非常规任务（图4）。支撑任务偏向属性的宏观干预和调控，要依托政府的权衡决策和统筹协调，其目的是从个人与社会联动的价值维度出发，使人工智能对技能劳动力的影响优先体现为互补型合作而非挤出式替代。
（四）跨区域迁移促进劳动力再分配
区域差异是相同制度的社会系统存在显著差别的重要因素。作为关键生产要素，劳动力跨区域迁移意味着人力资本在空间上的再配置，它既是影响劳动力市场动态平衡和区域经济发展的重要变量，也是阐释技能劳动力需求特征的重要切入点。影响劳动力迁移的因素很多，而技术优劣对劳动力迁移存在关键性影响。宏观层面，在没有资本流动和政策调控的情况下，劳动力从技术渗透较弱的地区迁移至较强的地区，但在额外资本投入和政策倾斜条件下，劳动力也可能发生反向迁移；17微观层面，就业机会、收入水平、职业偏好、区域黏性等区域差异也是体现技术选择以及劳动力需求的客观信号。
人工智能对各领域的技术渗透和劳动介入在不同区域之间存在显著差异，导致一些地区的劳动生产率和工资率整体高于其他地区，以及一些地区对低技能劳动力的挤出明显高于其他地区。由此，形成两种迁移路径和需求特征：一方面，新任务新职位以及高生产率、高工资率吸引更多高技能劳动力在技术发达、渗透力强的地区集聚，实现个人效用最大化；另一方面，就业挤出以及收入分配差距扩大迫使低技能劳动力向智能技术欠发达地区转移，以抵御收入降低或失业的风险。整体而言，人工智能对技能劳动力跨区域迁移具有显著促进作用，而不同技能群体的迁移选择恰好迎合了劳动力再分配的需求。
供需内在关联逻辑与职业教育供给思路
发展新质生产力背景下，人工智能对各领域的技术渗透以及劳动介入导致生产力、生产关系以及社会关系发生重大变革，并从根本上改变了技能劳动力需求。基于对技能劳动力需求改变和需求特征的深入剖析，本文提出了人工智能视域下技能劳动力供需的内在逻辑，以及作为主要供给途径的职业教育发展思路。
（一）技能劳动力供需内在关联逻辑
其一，人工智能视域下技能劳动力需求的根本点是与机器形成全新的合作关系，明确了职业教育的人才培养目标。人工智能的理论研究和技术应用整体沿着全功能、通用性技术方向发展演进，根本目的是借助人工智能的性能延长优势弥补劳动力短缺、克服劳动能力极限，把人类从程序性较强、复杂程度较高的工作中释放出来，从事更适宜人类或体现人类生物优势的工作。由此，人工智能拓展了传统意义上对于劳动力内涵的界定，人类群体不再是唯一的劳动主体，以机器为载体的智能体也不仅限于发挥劳动工具的价值，而应被视为一种新型的劳动力形态。基于机器性能延长优势形成的人机关系，是一种全新的合作关系，因此，新型合作能力就成为人才培养的主要目标。
其二，人工智能劳动介入导致技能劳动力需求在数量上存在结构性矛盾，在结构上存在极化效应，框定了职业教育的服务范围和功能定位。在需求数量方面，存在通过自动化人类任务替代现有劳动力的替代效应，也存在基于新任务新职位吸纳更多劳动力的创造效应；在技能结构方面，存在基于技能偏向的高级化趋势，也存在基于任务偏向的两极化趋势。这两方面最终都体现为知识与技能的盈缺，以及增量与存量的变化。由此，职业教育的服务范围既要包括中等学校或同等学力毕业生，也涵盖从业、待业、失业等更广泛的社会群体；不仅要依托高等职业教育优化高素质技术技能人才培育，扩大增量，还要依靠职业培训提升技术性失业人员再就业能力，盘活存量。
其三，尽管一定时空范围内劳动力替代效应更显著，但创造效应体现整体性长期性优势，深刻影响职业教育的专业和课程设置。根据现有实证研究，很难通过某个行业或区域数据说明替代效应与创造效应哪个更有优势，但不同应用层级的效应优势却存在一定规律性：对于较低层级，自动化主要发生在特定领域的具体生产环节，低端服务业、制造业等劳动密集型行业劳动力替代比较显著；随着人工智能向更高层级跃迁，以人工智能技术广泛嵌入和深化应用为基础，高新技术领域逐渐衍生以新产业、新业态、新模式为特征的新经济形态，创造效应更具整体性长期性优势。替代以及创造效应对社会不同领域和岗位的职业需求带来根本性改变，深刻影响学校专业和课程设置。
其四，基于技能和任务的二维偏向属性产生于市场机制与宏观调控的共同作用，启发职业教育平衡供需的路径选择。人工智能的技能偏向属性更关注技能的效用，倾向于在智能体与人类劳动力之间选择性价比更高的方式从事生产活动，由此劳动力替代将随着人工智能应用层级跃迁逐渐从低技能劳动力向高技能劳动力逐渐覆盖。而任务偏向属性则更关注人的发展以及社会关系联动，在智能体与人类劳动力之间的选择上顾及平衡和托底问题，该属性下的劳动力替代受到一定限制，这是维持技能劳动力需求动态平衡的重要路径。两种属性分别对应市场机制和宏观调控的典型特征，在两种机制的共同作用下才能形成合力，这对于职业教育统合市场需求和教育响应具有启示意义。
（二）职业教育人才培养和供给思路
基于上述分析发现，人工智能视域下技能劳动力供需的内在逻辑深刻影响着职业教育技术技能人才供给的培养目标、服务范围、专业设置、路径选择等，为职业教育供给侧结构性改革指明了方向。据此本文提出如下建议：
一是树立人机协作的人才培养理念。在发展以人工智能为驱动的新质生产力背景下，数字化、网络化、智能化成为现代社会的典型特征，人工智能的技术渗透和劳动介入广泛影响各行各业，代表了一种与农业社会、工业社会完全不同的生产方式。为了适应新的生产方式，技能劳动力势必要与机器建立新型合作关系，这是现代化建设对人才培养的重大需求，也是技术技能人才供给的重要思路。职业教育在优化技能劳动力供给时要深入思考：机器能做什么、它的能力边界以及与人类合作的界限是什么？人类特有的价值和贡献如何体现，基于哪些基本素养和能力条件能够成就人类特有的价值？无论是职业学校教育还是职业培训，对人的培养都要聚焦区别于机器智能的生物智能所特有的知识、技术、能力和情绪等特质，这些既是推动实现人机协作的基础性条件，也是破解技术性失业的关键所在。
二是以数字化撬动职业教育整体性系统变革。数字化是人工智能赋能职业教育的基础和前提，它突破了物理空间以及工具性应用的局限，成为撬动职业教育整体性系统变革的重要支点。一方面，要以数字思维引领教育思想革新。数字思维是一种体现系统性、交互性和开放性的认知方式，职业教育与经济发展、技术进步、产业升级等处于同一个社会系统，只有树立互联互通、开放共享的教育思想，才能推动教育链与人才链、产业链、创新链贯通融合，才能保持自身可持续性的繁荣发展。另一方面，要以数字技术推动教育系统变革。基于数字技术形成更加丰富优质的智能教育主体、电子教学资源、虚拟实训以及教育治理等，成为推动课程、教学、研发、实训、治理等变革的重要驱动力，“实虚结合”模式不仅弥合了因时空限制或类型差异造成的发展差距，也极大压缩了提质扩容的时间和资金成本。
三是布局基于智能技术的特色虚拟教学体系。职业教育的基础参照系始终是普通教育，建立与普通教育对等的教育体系和生态系统成为优化职业教育类型定位的基础构件。这不仅指向职业教育的学历层次要向上打通、学科和专业设置要横向延展，还意味着国家资历框架要建立不同类型教育享有“同等社会价值”的融通标准。并且，在对等前提下，职业教育要格外体现区别于普通教育的核心特征，即基于产教融合和校企合作的多元化实训和实践教学体系。相对于理论知识类教学，实训和实践教学对真实生产场景的依赖性更强，智能技术发挥作用的空间也更大。要以产业和行业分类为基本框架，依托学校与行业、企业、政府的协同建设，布局基于智能技术的虚拟教学体系，把实训和实践教学进行模块化和体系化植入，为不同专业、不同级别的学生提供定制化教学方案、进度管理以及过程性评价。
四是克服传统专业门类和职业偏向的框架限制。专业门类与职业偏向是两个相互关联的节点，职业学校通常依据学科体系设置专业和课程，并由此形成相对鲜明的职业偏向。专业门类处于学科体系和职业体系的交织点，相对于学科体系而言，专业门类应更贴近社会不同领域和岗位的职业需求。随着以人工智能为代表的高新技术发展和劳动介入，导致一些基于劳动密集型行业的传统职业被智能技术替代或逐渐消失，也出现一些具有一定规模、具有独立成熟的专业和技能要求的新职业。专业门类要不断对现有框架作出调整，既要反映实际生产和职业体系的要求，也要体现职业功能目标的全面性以及技术技能应用水平的先进性，形成聚焦高新技术领域的新的职业偏向。例如，与人工智能、物联网、大数据、云计算等相关的工程技术，与工业机器人相关的系统操作，以及与信息化应用相关的管理服务。
五是以制度建设统合市场机制和宏观调控的双重作用。推动职业教育紧跟人工智能科研和应用的步伐，源源不断地为社会提供高质量技术技能型人才，不仅立足于市场机制下与日俱增的用工需求，还依赖于广大教育消费者对职业教育的选择响应。两者在触发时间和形成路径上大相径庭，通常企业用人需求对市场机制的反应最敏锐，而消费者观念和行为的转变则是在更为复杂的社会系统中缓慢推进。制度建设体现市场机制与宏观调控的有机结合，是协调二者发展节奏、提升高等职业教育可及性和吸引力的重要路径。无论是职业教育机构与组织的体系化建设还是其运行规则制定，都要充分考虑不同生源背景和基础水平目标群体的需求偏好，为增量群体享有高质量高等教育和系统化知识体系提供服务，为存量群体持续发展、更新特定技能或知识提供支持，也为老龄群体更好适应数字化和智能化生活提供帮助。
注释：
①1956年，麦卡锡和香农合编了一本名为《自动机研究》的论文集，麦卡锡对这些论文主要涉及自动机的数学理论感到失望，他决定用“人工智能”作为1956年达特茅斯会议的标题。（Nils J. Nilsson，1998）但根据麦卡锡晚年回忆，这个词最早也是从别人那里听来的，但具体出处却已无从考究。（尼克，2017）
②认知科学是在心理学、计算机科学（人工智能）、神经科学、科学语言学、科学哲学等学科基础上，涌现出来的高度跨学科的新兴科学，跨学科的交界面在于对智力本质的理解。（路甬祥，2001）
③认知神经科学以神经科学、实验心理学、计算机科学为基础，目标是理解大脑的认知活动，主要聚焦对认知行为的科学研究，特别是与大脑的神经机制有直接联系的行为过程。（路甬祥，2001）
④模仿游戏中，观察者（人）在与被观察者（一个人和一台机器）隔离的情况下，通过终端设备向被观察者随意提问，经过多次测试，如果作为被观察者的机器能够让每个观察者平均作出超过30%的误判，那么这台机器就被认为具有智能。其局限性在于对无法符号化而需要亲眼观察的智能活动无法检验。
⑤有学者认为图灵1948年在英国国家物理实验室完成的题为《智能机器》的内部报告是人工智能更早的源头，理由是英国学术圈在1956年之前的很长一段时间已经开始使用“机器智能”的说法。（尼克，2017）
⑥纽厄尔和西蒙在1976年发表的《作为经验探索的计算机科学：符号和搜索》一文中指出，物理符号系统假设的建立包含“形式逻辑”“图灵机和数字计算机”“存储程序概念”“表处理方法”“LISP语言”五个步骤。（资料来源：Computer Science as Empirical Inquiry: Symbols and Search，1975）
⑦这里的“符号”是一般性、抽象性的概念，由符号组成的符号结构可以被视为一种先天性观念。按照唯理性主义的观点，先天性观念是指独立于感觉经验的客观概念，如数学概念、因果性概念等。（路甬祥，2001）
⑧行为主义是20世纪初起源于美国的一个心理学流派，与心灵主义心理学相对立，可分为方法论的行为主义和形而上学的行为主义。（华生，1998）
⑨数学家维纳（Norbert Wiener）从哲学视角把计算机设计、自动控制装置、通信与信息、神经生理学等理论统合起来，提出控制论（cybernetics），从动物、人、机器等复杂对象中抽取共同的概念，通过计算机进行模拟和仿真，为研究不同学科问题提供了一般的方法。（维纳《控制论》）
⑩韦伯字典对“Intelligence”的定义是“Ability of learning or understanding things, or dealing with new or difficult situations”，提取其中的三要素分别是learning（学习），understanding（理解），dealing（处理）。
11人工智能研究早期就有智能辅助（Intelligent Assistant）和智能增强（Intelligence Augmentation）之分，与之对应的便是弱人工智能和强人工智能两个发展层级。（尼克，2017）
12标注数据是指经过人为标注的数据，通过对语音、图片、文本、视频等原始数据进行加工处理，将非结构化数据转变成机器可识别、可学习的结构化数据。这是专用人工智能算法得以有效运行的关键环节。
13许多非人类生物在某些领域已经表现出明显超越人类的水平，而“比起生物性基质，机器基质的智能潜力要大得多”（Nick Bostrom 64），这意味着机器具备很多超越人类的根本性的性能优势。
14有最新研究指出，“智能涌现”可能并不是AI模型扩展的基本特性，它在使用不同度量标准或更好的统计数据时会消失。（Rylan Schaeffer. “Are Emergent Abilities of Large Language Models a Mirage?”）
15当企业扩容增产这个其他因素发生变化时，尽管劳动力成本提高了，但需求量也增大，这种情况并非彻底推翻了价格的需求定律，而是佐证了需求定律的可证伪性，进而说明需求定律是一种科学的方法论。
16在毛泽东思想体系中，将“一切社会关系”概括为“应该包括生产关系和上层建筑，包括经济、政治、思想、文化各方面的关系”（《毛泽东年谱1949—1976》第4卷），突破了传统“生产力—生产关系—上层建筑”的三元模式，形成了“生产力—社会关系”的二元互动模式。生产关系与上层建筑的联动变革共同推动生产力发展，而联动主体中的短板部分需要一定的协调平衡和托底保障。
17Galor & Stark运用世代交叠模型（overlapping-generations model）对国际劳动力迁移进行动态追踪发现，在没有国际资本流动的情况下，劳动力将从技术劣势国家迁移到技术优势国家，但在过度投资以及利率弹性条件下，劳动力也会发生反向迁移。仅从我国内部观察技术进步对技能劳动力迁移的影响，研究结论基本与此一致，只是导致反向迁移的条件剔除了利率弹性的影响，宏观政策干预的作用更为关键。
本文摘自《中国职业技术教育》2024年第15期，如有转载请注明出处。
引用本文请标注：李钰靖.发展新质生产力背景下技能劳动力需求特征及职业教育供给思路——基于人工智能劳动介入的研究视角[J].中国职业技术教育，2024（15）：13-24.
腾讯微博
