为什么计算机普及会导致“就业极化”而非简单的技能偏向？为什么中等工资劳动者的绝对收入会下降？传统生产函数模型无法回答这些问题，而“任务—技能分析框架”提供了精确工具。易君健与周子煜这篇论文系统梳理了这一框架的二十年演进：从Autor等人2003年的奠基性工作，到Acemoglu和Autor对就业极化的解释，再到中国工业机器人应用的实证检验。AI技术的四个核心效应——自动化、任务替代与互补、新任务创造、全要素生产率——如何在任务层面重塑人力资本需求，是该框架的核心关切。

传统生产函数模型下，任何技术进步都会提升对所有类型人力资本的绝对需求——这一预言与Autor等人观察到的“对特定技能的绝对需求会随着技术进步而下降”的事实不符。任务—技能框架将最终品生产分解为任务层面，假定不同任务可由资本或不同劳动技能高度可替代地完成。要素在单个任务层面具有强替代性，解决了传统模型的弊端：当技术进步提高资本在特定任务中的生产率时，更多任务由资本完成，导致对特定劳动技能的绝对需求下降。

该框架将技术进步效应概括为四个方面：自动化效应——资本在单任务层面对劳动的替代，直接减少特定技能需求；任务间替代互补效应——技术进步异质性地改变各任务生产率，不同任务间发生替代或互补，进而影响由不同要素完成的任务需求；新任务创造效应——生产任务基本组成发生变化，创造需求新技能的新任务；全要素生产率效应——改进全要素层面生产率，增加对所有要素的绝对需求。其中前两者在实证研究中被广泛检验，后两者研究相对较少。

Autor等人2003年提出常规性-非常规任务分类，预测计算机价格下降导致常规技能需求下降、非常规技能需求上升。其实证结果显示1970-1998年间美国劳动力市场对大学毕业生相对需求变化的60%可归因于常规技能需求下降。Acemoglu和Autor进一步发现美国就业极化现象：上世纪九十年代后高工资和低工资劳动者工资上升、中等工资劳动者工资下降，通过任务—技能框架中自动化区间落在中技能任务范围内得以解释。

王永钦和董雯匹配中国行业机器人应用数据和企业微观数据，发现工业机器人渗透度每增加1%，企业劳动力需求下降0.18%，异质性分析符合就业极化特征。王林辉等人强调工业机器人应用使劳动者从事的任务“去常规化”，增加对职业可迁移技能需求，导致技能错配加剧。李磊等人使用不同方法发现机器人使用整体上促进劳动力需求，主要由企业产出规模扩张引致。这些分歧揭示出传统任务—技能框架对主体决策描述不足的缺陷。