香港經濟政策綠皮書2026｜關穎倫教授、太明珠教授、王子涵先生

在高度依賴編碼、內容創作、客戶服務和數據分析等工作的組織和工作流程中，生成式人工智能及大型語言模型的應用正在快速發展。這一趨勢下，關於生成式人工智能究竟是好幫手還是取代人手，正廣為各方討論。根據Eloundou等（2023）的研究，其依據職業資訊網（ONET）分類的估計顯示，約有19%美國就業人口，其至少一半的職責或受大型語言模型影響。雖然職業及職責不免有所變化，但部分人則視之為生成式人工智能對就業潛在影響的早期預警信號。

國際研究證實AI衝擊年輕職場

至少在某些職業和人口特徵方面，上述關注已獲關於生成式人工智能近期學術研究的印證。例如，Brynjolfsson、Chandar與Chen（2025）證明，企業對生成式人工智能的採用與勞動市場中側重年資的變化顯著相關。此研究基於美國約五分之一僱員人數在50人或以上的企業薪酬數據，從中可見在受到生成式人工智能影響的行業中，較年輕就業者的人數顯著減少。與2022年第4季度（即ChatGPT推出前的最後一季度）相比，25歲以下就業人數（如客戶服務和軟件開發等職位）減少近20%，而30至45歲的就業人數亦僅略有增加。同樣，Lichtinger與HosseiniMaasoum（2025）就LinkedIn來自285,000家公司的6,200萬份履歷數據進行分析，亦印證這一趨勢：招聘「生成式人工智能整合人員」的公司，其初級員工數量大幅下降，而高層人員數目則保持穩定甚或有所增加。

香港職場受影響程度輕

在有關人工智能對勞動市場影響的研究中，上述研究屬最早之列，從中提出此一迫切問題：世界各地相關情況如何？尤其是香港目前表現如何？這對包括香港在內的各個國際金融中心尤為重要。由於經濟結構、監管和勞動市場的差異，香港的情況或會與西方經濟體迥然不同。

考慮及此，本研究匯集了幾方面的數據來源，從而分析香港在受生成式人工智能影響程度、採用和能力方面的表現。筆者利用數據公司RevelioLabs所提供的LinkedIn數據、美國專利及商標局的專利記錄、OpenAlex的學術出版趨勢，以及BuiltWith的數字化指標進行實證分析。雖然此等數據未臻完善，而人工智能領域的發展一日千里，但綜合以上數據的廣度，亦足以就香港勞動市場與人工智能活動提供迄今最為全面的視角。

基於按上述數據庫構建而成的衡量指標，筆者從中所得結果顯示，香港的職業結構使本地極易受生成式人工智能影響，勞動市場中有一大部分工種已被現有研究指出，屬於易受人工智能衝擊。即便如此，若按「生成式人工智能整合人員」職位招聘、專利，以及研究成果衡量，就可觀察到人工智能的採用與創新主要集中在少數企業，其中不少屬跨國公司。香港在這些方面普遍落後於美國、新加坡等先進人工智能中心。借助LinkedIn的就業者歷史數據，筆者構建出香港工作人口組成的時間序列板圖，並按照標準生成式人工智能影響程度指標加以分類，從而追蹤在企業展開招聘人工智能相關職位的就業趨勢，將其中變化與類似經濟體進行比較。儘管香港職業結構意味着受人工智能影響的水平甚高，與其他先進經濟體相若，但在本地受影響的行業中，實際就業調整則不至那麼急劇。至於近幾年2019冠狀病毒病疫情肆虐、社會事件及人口遷移模式等因素，與此亦不無關係。

此外，本文論及關於人工智能對勞動市場影響與日俱增的研究文獻。例如，Humlum與Vestergaard（2025）發現，人工智能在丹麥的影響迄今為止較為溫和，這可能歸因於制度環境、勞工規例，以及與人工智能互補的技能減輕了人工智能的潛在衝擊。同樣，KleinTeeselink（2025）在英國的研究表明，儘管部分職位被取代，但新增的工作和互補性往往能夠抵消這種影響。

最後，筆者也提出對香港及類似經濟體的政策建議，其中特別強調須對教育制度、技能政策、數據基礎設施和勞動市場制度加以調適，以致能夠實現生成式人工智能，而不至於對特定群體造成過度傷害或加重過渡期成本。

香港勞動市場與人工智能

觀乎人工智能對香港勞動市場的影響，至今仍未有充分研究。香港特區政府未有提供可供學術縱向調查的優質職業數據。因此，在勞動市場數據方面，筆者採用了RevelioLabs從LinkedIn所得的統一工作人口數據。該數據庫定期更新就業者履歷，並補充職銜、職責說明、入職及離職日期、職業／職位分類、據職銜估計的職級、技能和地理位置，以及教育背景和人口特徵。如此統一的數據有助於筆者構建香港企業按時間維度劃分的工作人口組成板圖，並根據用於文獻中受生成式人工智能影響的不同程度來配對職位。這些資料足以建立職業構成、初級與高級員工比例，以及受人工智能影響程度相關分組的分時段指標，從而檢視外在結合企業層面的人工智能採用信號，例如通過文本識別在招聘資訊中或公司企業傳訊中反映的人工智能採用情況。

至於筆者的研究方法，也有需要注意的地方。一、在香港的LinkedIn資訊覆蓋面有所不同。例如，由於該平台在中國內地的採用程度或存在狀況隨時間推移而變化，內地企業對該平台的使用率或有所不足。二、香港勞動力的構成或大有不同。例如，儘管香港極受人工智能影響，本地不少金融及管理人才卻較難被取代，而較趨向年長或精英化（紐約大概可作類比）。同時，生成式人工智能目前的影響多集中於精英化程度較低且較年輕的人口。三、香港企業採用人工智能的速率和深度或較緩慢。然而，筆者認為本研究樣本數據中的偏差與ChatGPT面世應無相關性，亦非受生成式人工智能影響職業的獨有現象。

在衡量受人工智能影響程度和採用情況（亦即整合）方面，可資參考數據來源有二：一、一般職業層面受影響程度指標，其中隱含所有企業採用人工智能程度相同的假設。這一常用職業層面受影響指標由Eloundou等（2025）提出。二、企業層面採用人工智能的指標，通常透過企業招聘發布資訊。具體而言，Lichtinger與Hosseini（2025）實施了一種用「整合者」（即筆者稱之為大型語言模型「採用者」）的分類方式，這些就業者試圖將人工智能技術融入其工作流程之中。

基於第一種衡量指標，筆者計算【表1】中極受人工智能影響的職位比例。「受影響」可指獲得協助或人手被人工智能取代，但大抵意指產生作用。此類職位包括金融分析師、客戶服務人員和軟體開發人員等類型。按此標準，香港在極受影響職位比例方面，在各經濟體中排名不算特別高。

接下來，筆者標示出2016年各種受影響與不受影響職業的標準化增長，從而加以對比，其中受人工智能影響一環，所依據的是Eloundou等（2023）在O*NETSOC職業層級的GPT-4評級。各種職業按百分位數排名劃分為不同的受影響程度組別：受影響程度低（第0至25百分位數）、受影響程度中等（第25至75百分位數）和受影響程度高（第75至100百分位數）。這種分類方法能夠捕捉到非線性效應，同時保持結果的可解釋性。受影響程度高組別約佔香港2022年第4季度所有職位的20%。

數據為半年度統計，並從旁列出美國、新加坡的數據加以對比。在新加坡和美國，（1）在ChatGPT面世的同時，受生成式人工智能影響的年輕就業者人數激增；然而，（2）在香港，雖然同期就業人數是否下降不得而知，但似乎出現源自新冠疫情時期的影響，原因可能在於疫情期間的種種限制，又或社會事件所引致的移民潮。因此，有別於新加坡和美國，香港當年似乎存在先前趨勢，以致難以判定人工智能對本地勞動市場的影響。筆者稍後嘗試透過企業層面的分析進一步剖析此現象，基於企業之間的差異而非職業之間的差異。歸根究柢，研究結論明確：在發達經濟體之中，大型語言模型的興起似乎產生了影響。

筆者接下來進行企業層面的回歸分析，利用企業層面受人工智能影響程度的差異，以更好地判斷人工智能會否曾帶來影響。這是因為整體而言，香港似已出現就業下跌的潛在先前趨勢。筆者在本研究的企業樣本中，加入美國企業數據作為對照組，令樣本規模超過40萬家企業，從而觀察人工智能對香港的效果到底較大還是較小。

為隔離出人工智能的作用，筆者採取了3項措施。一、控制了每家企業在2020至2022年期間的招聘增長情況。二、觀測了ChatGPT面世前各企業在易受影響職位（年資低、受大型語言模型影響程度高）中員工比例的橫截面差異。三、筆者還複製了Lichtinger與Hosseini（2025）的研究結果。值得注意的是，在此措施之下，香港的人工智能採用率似乎較高。相關統計摘要見本文附錄。

在這一更為科學的設定下，筆者發現香港企業中，易受人工智能影響職位的僱員人數增幅較低，與美國相比尤其顯著。以模型(1)為例，因獨立變數「員工人數增長率」定義為人工智能衝擊前後的百分比變化，回歸系數因而以百分點方式呈現。對香港企業而言，易受影響職位員工比例對員工人數增長率的邊際效應為主效應與交互作用之和：

𝛽易受人工智能衝擊職位比例+𝛽香港企業×易受人工智能衝擊職位比例=-0.2122+(-0.3670)=-0.5792。由此可見，如果一家公司中有40%職位易受人工智能衝擊，而對比另一家公司僅有20%的職位易受衝擊，則前者的員工人數增幅將約低0.116個百分點（-0.5792×0.2）。換算為實際職位數量，相當於香港一家員工人數中位數約為527的企業（在ChatGPT面世前）減少約0.6個職位；而一家平均規模企業（約3,374名員工）則減少約3.9個職位。

結果的潛在解讀之一是，人工智能在香港勞動市場影響尤甚於美國。如考慮到（1）根據統計摘要，一般香港企業確實較多採用人工智能（仍需要注意LinkedIn在香港的使用情況有別於美國）；（2）同期，香港經濟大受人員流動限制；（3）香港面臨中國經濟疲弱的影響，從回歸分析中的點估計值可見，人工智能對香港的影響或甚於美國。這也不無道理，皆因已有證據表明，在經濟低迷時期，企業往往加快重組生產流程（Hershbein與Kahn2018）。

為便於以視覺方式展示其中的淨效應，筆者在附錄中複製【圖1】，並疊加採用人工智能而受影響職業/職位的企業，以及採用人工智能而職位不受影響的企業。似乎採用者企業稍微較傾向於減少受影響職位的員工人數，而（1）將這些員工人數重新分配到其他職位；（2）對於非採用者企業中所有受影響職業的效果大致上大同小異。總體來看，就淨效果而言，結果顯示採用人工智能的企業以稍快速度減少職位受影響的員工人數，而整體效應則近乎筆者定義的採用者群體所表現出的效應。

香港的人工智能創新

創新雖然範圍較窄，卻是人工智能採用和能力的一環。通常有兩類不受選擇偏差影響的創新數據可用。筆者的數據亦來自多個途徑，包括OpenAlex有關人工智能的學術刊物，以及美國專利及商標局的人工智能專利資料。OpenAlex是一個涵蓋學術著作、作者、機構及概念的綜合開源資料庫，作為Scopus與WebofScience等付費資料庫的免費替代方案。筆者利用OpenAlex追蹤全球人工智能研究，分析各國及各機構在人工智能領域的出版產出趨勢、國際協作，以及研究重點。此資料源的開放性質也便於學術界進行透明而可重複的人工智能研究。

美國專利及商標局設有一個專門的人工智能相關專利資料庫，該資料庫透過機器學習模型篩選出包含人工智能成分的專利。筆者利用其中數據來分析人工智能相關的創新趨勢，特別是識別人工智能專利發明者和承讓人（公司）的地理分布，從而揭示人工智能商業化及企業研發的動態。筆者已透過與RevelioLabs共同協作，讓發明者與Revelio聯繫起來。

筆者每年根據同期情況調整的引用次數,對專利或刊物數據加以調整。無論是採用較高的閾值還是數值型閾值，均呈現出類似的模式。在所有變動情境下，相較於其產業應用，香港始終顯然以科研為先。正如【圖2】至【圖4】所示，在全球按人均頂尖十等分人工智能論文數量排名中，香港位列第3（約173篇／百萬人，2015–2024年），但其人均人工智能專利數量僅處於中游水平（位於前30名之列）。

引用Crunchbase的數據，可見初創企業的情況也大同小異。近10年來在Crunchbase中登記的人工智能／機器學習組織若按人均計算，香港在經合組織國家之中處於中游位置；在獲得融資的初創企業密度方面，也表現平平。籌集資金款額雖有所增長，但仍落後於新加坡和美國的發展軌跡。簡而言之，香港在學術出版上表現突出，但在商業化方面仍有不足，縮小轉化差距（專利、獲得資金支持的人工智能／機器學習創業）依然十分重要。以色列與此對比鮮明，其學術產出遠低於商業化投入。在兼顧科研與應用方面，瑞士、新加坡和美國堪稱典範，不但培養出大量初創企業，也有可觀的學術成果。

結論

時間所限，筆者在此未及審視香港的初創企業生態圈，但根據本文的研究結果，仍足以提供若干政策啟示。首先，人工智能似乎在香港帶來了一定的增量影響，但影響似乎不大。這是否意味着人工智能在本地的效應較弱？原因又何在？是否與香港的數據不足有關？筆者呼籲政策制定者多提供勞動市場統計數據，尤其在職業層面，以便加以追蹤。無論單由機構僱員獨立完成，抑或與各大學合作構建，香港稅務申報中包含的自報職業資訊，都是這方面尚待開發的數據「金礦」；其中數據可資產生公開的統計資料。借助本地各大學之力，香港就能輕易創建出一套縱向追蹤數據集，以支持各種研究工作和即時政策監測。

其次，儘管香港的大學制度強大，足以產出世界級科研成果，但據筆者研究所得，本地在商業化方面仍存在巨大差距，只有商湯科技屬少數例外。這一現象或有幾方面原因，亦未必僅限於人工智能領域。香港雖已不遺餘力支持大學制度，但大學論文產出與商業化成果之間顯然出現脫節；尚未明確的是，各大學在向本地產業轉移知識方面是否表現不佳、本地產業是否缺乏創新人才，又或只是基礎研究向實際應用轉化所需的孕育期較長。

同樣不明確的是，上述統計數據是否能全面反映實際情況。正如前述，香港本地產業以金融業為主，而該行業對相關技術的掌握程度在統計數據中往往未能充分體現。另一個可能性也許在於本地產業的技術成果和創新優勢部分溢出至鄰近城市（如深圳），大疆創新（DJI）即屬典型案例。

無論如何，近期特區政府在推動創新創業方面的各項舉措值得肯定。香港已設立多項共同聯合投資及公共風險投資計劃，較突出者包括創科創投基金、香港科技園創投基金和數碼港投資創業基金。這些基金通常採取與私人投資者配對投資的方式，其中創科創投基金優化計劃清晰聚焦於人工智能和數據科學領域。然而，相對於香港豐富的科研產出，專注人工智能領域的資本規模與專業風險投資深度仍顯不足。

據多份官方及半官方評估報告的描述，香港的創新資助架構偏於保守，而行政程序繁複。創科創投基金諮詢委員會報告強調，本地私人研發投資者「在創新科技領域抗拒風險」，而本地社會承受失敗風險的程度亦較其他類似經濟體為低。創新科技及工業局和金融發展局（2021、2024年報告）以及團結香港基金均指出，利用公共共同投資工具不足，缺乏承受早期融資風險的意欲，亟需「更加慷慨、風險規避程度較低、由政府主導的孵化計劃和津貼計劃，並配合精簡的行政程序」。

因此，政策重點應在於從新創建共同投資以及：（1）擴大現有共同投資工具的規模；（2）加倍強調計劃在人工智能及其他深科技領域的投資使命；（3）增設至今欠缺的天使投資激勵機制。然而，決策者也應特別關注精簡行政負擔，培訓官員處事靈活開放，而非只顧個人仕途而不願冒險（例如將共同投資利用率定為績效指標之一）。與此同時，各大學也可各司其職，鼓勵學生創業，尤其是支持學生創辦人及教職員，並檢視以績效指標為導向的工作（如研究評審工作）能否盡量擴大各大學世界級科研人員的社會回報。

（香港大學經管學院1月發表《香港經濟政策綠皮書2026》，由港大教授和研究人員，以及多位國際知名學者共同撰寫，就多個香港熱門議題作出研究分析，並從嶄新角度給予政策建議。《香港01》獲授權轉載。）

作者關穎倫教授是港大經管學院金融學副教授；作者太明珠教授是港大經管學院金融學副教授，行為與決策科學研究所副總監；作者王子涵是港大經管學院碩士生。

文章僅屬作者意見，不代表香港01立場。

01論壇歡迎投稿。請電郵至01view@hk01.com，附上作者真實姓名、自我簡介及聯絡方法。若不適用，恕不另行通知。香港01保留最終編輯權。