人工智能相关职业仍集中在大城市

悉尼已集中了澳大利亚三分之一的人工智能相关招聘岗位。国家人工智能中心（National AI Centre）对这些岗位进行了系统梳理，发现围绕人工智能出现的职位并不都是工程师岗位。这些职位分为八个不同类别，其中若干类别的核心职能是在工具逻辑与组织现实之间做转译。这些混合型岗位确实存在，但64%要求人工智能相关技能的招聘集中在四个大都市区，澳大利亚其余劳动力市场合计占36%。

要点

• 澳大利亚人工智能相关职位地图显示出八个类别，其中若干类别是连接工具与组织的岗位，而不仅是技术岗位。
• 据国家人工智能中心2025年6月报告，悉尼、墨尔本、布里斯班和珀斯集中了这类岗位的64%。
• 报告确认了招聘岗位在大都市的集中态势，但未就这种集中对人工智能向地区扩散的影响作出判断。
• 达龙·阿西莫格鲁（Daron Acemoglu）和帕斯夸尔·雷斯特雷波（Pascual Restrepo）的研究指出，自动化可能同时提高整体生产率，并侵蚀部分劳动者的工资机会；西蒙·约翰逊（Simon Johnson）与阿西莫格鲁则更宽泛地指出，自动化对劳动者的影响——改善还是恶化——取决于任务性质和互补性就业：澳大利亚的案例正体现了这一张力。
• 还未解答的问题是大都市以外的培训：如果本地没有雇主能提供相应岗位，仅靠在线培训并不够。

八个类别，不是两个阵营

国家人工智能中心的报告挑战了一个惯常叙事。关于人工智能与就业的讨论，常常对立成两派：一派认为工程师在创造岗位，另一派认为算法在摧毁岗位。澳大利亚的梳理显示，实际情况更为复杂。

分析的招聘岗位呈现出八个类别。有些确实对应预期的技术型人才：开发人员、数据科学家、机器学习研究员。另一些描述的是不同角色：能在业务团队中推进人工智能部署的项目负责人、受过模型约束培训的变革管理专家、在运营场景中负责数据质量的人员。这些岗位不要求会训练模型，而要求能在工具的能力与组织的承接力之间搭建桥梁。

这一区分有实际意义。开发人员岗位可以由通过在线培训学习的人担任，不受地点限制。人工智能—业务转译岗位则要求现场存在、要求对话对象、要求一个能够测试和部署的组织。这类岗位扎根于特定地点和集体结构。而这些扎根于地点的岗位，64%位于四座城市。

生产率给部分劳动者创造租金，把另一些人排除在外

阿西莫格鲁和雷斯特雷波对自动化的分析，直接说明了这张澳大利亚地图。他们的研究表明，自动化可以同时提高整体生产率，并减少一部分劳动者的工资机会。机制在于：自动化侵蚀中间岗位的工资租金，同时把收益集中到本就处于有利位置的劳动者身上——他们靠近决策中心，靠近有能力采用新技术的雇主。

四个都市区的集中，说明的是要求人工智能相关技能的招聘岗位的地理分布。悉尼或墨尔本的劳动者一旦培养出人工智能—业务衔接技能，很快能找到雇主、薪资和晋升路径。报告指出，雇主为人工智能相关岗位频繁寻找混合型技能。汤斯维尔（Townsville）或巴拉瑞特（Ballarat）的劳动者接受同样的培训，得到的却是本地没有市场可以吸收的技能。培训机会和人工智能岗位都存在，但岗位高度集中，而培训供给方面的数据仍不完整。

这种不对称有自身的逻辑，单靠观察招聘岗位难以把握。采用人工智能的企业首先在总部推进——那里作决策，技术团队也已就位。地区分部、子公司、远离大城市的中小企业采用得更慢，往往也缺少有助于整合的中间岗位。先在大都市部署是组织逻辑的结果，不是刻意加深不平等的选择。但效果是一样的。

在线培训的局限

面对这类地区差距，常见的回应是在线培训。各平台提供将人工智能应用于项目管理、数据分析、变革推进的课程模块。这类供给存在，质量往往不错，从任何地区都可获取。

澳大利亚的报告记录了另一个问题。国家人工智能中心发现，关于人工智能培训及其与市场需求匹配程度的数据存在缺口。在阿德莱德或达尔文接受培训的劳动者寻找人工智能混合岗位时，可能具备所需技能，却找不到任何能设立该岗位的本地企业。在线培训仍然必要，但当可能吸收这些技能的雇主在地理上高度集中时，培训的实际效果就成了问题。

这一局限在其他领域同样存在。德国和瑞士的双元培训制度，恰恰建立在培训与雇主存在之间的耦合上——这些雇主能以一份工作为培训画上句号。澳大利亚的地区人工智能培训将需要类似的配套：不只是课程模块，还需要足够靠近的企业或公共机构，让技能找到出路。负责职业前瞻的公共机构Jobs and Skills Australia在其2026年的工作中已指出这一需求，但系统性应对尚未到位。

关于培训如何将数字技能转化为真实的职业流动，大学面对生成式人工智能的案例呈现了类似张力：工具到来的速度，快于教人使用工具的机构。

另一种解读：城市竞争作为杠杆

对这一现象还可以有另一种解读，来自另一类经济学思路。关注城市增长动态的经济学家指出，技术岗位向少数大都市集中，首先是一种集体生产率现象。高密度城市产生外部性：相遇机会、观察式学习、快速招聘、接触客户与合作伙伴。人工智能混合岗位集中在悉尼和墨尔本，反映的正是这些优势，而非市场失灵。

在这一解读中，答案不是把岗位分散出去，而是投资于次级城市产生自身采用动态的能力。堪培拉、阿德莱德或霍巴特不会变成悉尼，但可以发展行业利基，让人工智能融入当地特定产业：农业综合企业、国防、老年人服务、自然资源。这些利基会创造扎根于地区现实的混合岗位，而不必复制大都市的产业结构。

两种解读并不互斥。约翰逊和哈赞指出收益可能被本已处于有利位置的劳动者截取，这一判断成立。城市增长理论家指出集中所创造的价值会被强制分散所摧毁，这一判断同样成立。两者之间的张力，与其靠选边站来解决，不如靠培训政策和布局政策的具体设计来回应。

未来十年

从现在到2035年，澳大利亚有两条可能的轨迹，现有数据还无法在两者之间作出判断。

第一条轨迹依赖积极政策：在大都市以外开展面授培训，鼓励公共和半公共雇主落户次级城市，将企业获得人工智能采用补贴与附加条件挂钩。在这一情景中，位于四大都市区之外的人工智能混合岗位占比低于目前记录的64%。国家人工智能中心若设立地区分部，可发挥催化作用：直接与本地雇主对接，培养人工智能—业务转译人员，在小范围内复制双元制的耦合机制。其他国家如何处理数字能力在地区之间的分配，非洲数据主权案例表明，制度问题往往先于技术问题。

第二条轨迹中，在线培训仍是主要工具，没有政策推动雇主在四大都市区之外落地。集中态势维持甚至加剧。人工智能混合技能事实上成为大都市的特权：理论上从任何地区都能获得，但只在四座城市才能变现。围绕技术工作的社会契约在地理上收窄，而没有人刻意决定要让它收窄。

需要追踪的信号明确，但数据难以采集：位于四大都市区之外的人工智能相关招聘岗位占比的变化。如果这一比例到2028年停滞或下滑，集中的轨迹已经确立。如果上升，说明积极政策开始产生效果。国家人工智能中心若定期更新数据，这一信号将可读取。2026年的报告奠定了基础，后续版本将说明趋势是否发生变化。

培训机会与能设立相应岗位的雇主存在，是机会在地域上分布的两个独立要素。受过培训但本地没有职业出路的劳动者，往往难以在劳动力市场上将技能变现。

市场无法独自解决的问题

观察到的市场将人工智能岗位集中在若干城市，报告未就这种集中的具体成因作出判断。悉尼和墨尔本同时具备两个条件：大量采用人工智能的企业，以及大量能胜任中间岗位的候选人。这种集中是市场运行的结果，不是异常现象。

问题在于，这一市场结果形成了一种机会地理：澳大利亚其他劳动力市场虽然占到人工智能相关技能需求岗位的36%，却被挡在这些岗位之外。在线培训日益提供了获取相关技能的渠道。但它未必能提供接触能设立相应岗位的雇主的机会，尤其在大都市以外。而本可在四大都市区之外落地的雇主，激励有限——集中所带来的生产率优势已有据可查。

这一局面不会靠市场自行解决。解决方案取决于三类决定：澳大利亚公共机构如何在自己的地区服务中采用人工智能，它们对私营部门采用补贴附加什么条件，以及它们自身的招聘在地理上如何分布。这些是政策选择，不是技术选择。自动化工具如何在资源不均等的参与者之间共享或不共享在另一个领域提出了同样的问题：谁来决定准入，依据什么标准？

澳大利亚已有精确的诊断。现在需要选择：是任由市场延续集中态势，还是主动构建更广泛扩散的条件。报告梳理出八类人工智能相关工作，记录了招聘岗位的高度地区集中，并指出干预措施可能扩大人才获取和人工智能收益的覆盖面。

来源

1. National AI Centre，《澳大利亚人工智能生态系统：增长与机遇》（2026），https://www.ai.gov.au/news-and-insights/reports/australias-artificial-intelligence-ecosystem-growth-and-opportunities
2. Simon Johnson 和 Eric Hazan，《生成式人工智能时代的人力资本》，Project Syndicate，2024年5月，https://www1.project-syndicate.org/commentary/ai-can-boost-wages-not-displace-human-workers-by-simon-johnson-and-eric-hazan-2024-05
3. Jobs and Skills Australia，2026年报告，[见Jobs and Skills Australia官网，具体网址未经核实]