报告标题为“Workers’ Incentives and the Optimal Taxation of AI”,作者为 Jakub Growiec、Klaus Prettner 与 Maciej Szkróbka,发布日期为 2026 年 3 月 19 日,研究主题聚焦于在存在人工智能 (AI)、传统资本、以及认知与体力劳动力的动态经济中最优税制的特征与政策含义 .
报告的核心论点是:在包含认知与体力劳动、传统资本 K 与 AI 资本 AI 的四要素动态框架下,社会最优的对 AI 的税收策略取决于哪一类工人(认知或体力)倾向于模仿另一类工人;当认知工人开始考虑转向体力工作时,开始对 AI 进行征税是最优的,这一阈值可能在 AI 足够能替代人类认知任务时被跨越 .
作者将当前 AI 带来的认知任务自动化视为对早期例行性自动化的延续,并指出两轮自动化都会把要素收入从劳动转向资本所有者,这推动提高资本税的呼声;此处的文献依据包括 Acemoglu & Restrepo (2018) 与近年的实证研究(例如 Eloundou et al., 2024)以说明 AI 在认知任务自动化上的潜力 .
作者的研究动机在于判断“对 AI 征税是否合理”,并通过扩展 Slavík 和 Yazici (2014) 的动态最优税制框架来探索 AI 与传统资本在最优税制中的不同角色 .
关于外部有效性:报告在理论上允许 AI 既为互补也为替代,但未提供对其“程度”(即替代弹性)如何随 AI 能力演进而变化的显式函数或校准,这在将结论用于现实政策时是一个限制 .
关于税收实施与二次效应:报告将最优楔解释为税或补贴方向,但未深入讨论税收实施的公共财政约束(如政府支出 G_t 的融资需要、扭曲性非线性税法)或政治经济学阻碍,这些在现实政策设计中至关重要(文中仅在 UBI 的情形下讨论了再分配对结论的可扩展性).
结论性综合(收束主要发现与政策含义)
主要发现总结:在作者的动态四要素框架下,若认知工人的 ICC 在社会最优配置中绑定,则最优政策为对传统资本 K 征税并对 AI 给予补贴,同时补贴认知劳动;相反若体力工人的 ICC 绑定(当 AI 足以使认知工资下降并促使认知工人转向体力工作时),结论对换,即对 AI 征税、补贴传统资本并补贴体力劳动 .
图式化政策阈值:作者将“认知工人是否考虑转向体力工作”描述为触发从 AI 补贴向 AI 征税的关键阈值,这一点将科技能力与劳动激励直接联系,是本文的政策核心洞见 .
最终评价:报告以清晰的理论推导展示了在包含 AI 的动态最优税制问题上的若干对称性與对换结论,强调 ICC 的关键作用并指出 UBI 以 lump-sum 形式不会改变这些定性结论,然而要将这些理论方向性结论转化为具体税率与操作性政策,需要对模型參數、AI 替代弹性與劳动市场摩擦进行实证校准與动态追踪 .