收入不平等与人力资源的积累有着密切的关系。其中RBET（Race between Education and Technology教育与技术竞赛）理论自提出之初便受到了广泛关注。基于RBET理论框架，人力资本对有效劳动单位是起到增益效果的，从而提高工人的单位生产力。

在一个经济体中，有些经济活动向比其他来说更需要技能，因此需要更多的人力资本。基于这种对人力资本的看法，Goldin和Katz（2007）提出了一个包含两个不同生产要素的模型：技术劳工与非技术劳工，这两种生产要素应用于总体产出，且两者之间具有恒定弹性替代。假设技术是因素增益的，这意味着技术变革可以提高技术劳工或非技术劳工的生产力（或者在技能中立技术进步的情况下同时提高二者的生产力）。假设技术劳工与非技术劳工的工资等于其边际产出，劳工的技能溢价将被技能的相对供给影响。

基于不变的因素增益技术水平，提高技术劳工的相对供供给将降低技能溢价，从而降低收入不平等。然而基于不变的相对技能供应情况，偏向技能增益的技术进步将提高技能溢价，从而增加不平等。因此，如果按照RBET模型预测，当技术进步导致技能需求比人力资本供应增长更快时收入不平等会上升。反之，当人力资本供应增长快于技术增益科技的进步时收入不平等会下降。

正如Goldin和Katz（2007）以及Autor等人（2020）所展示的，RBET的双技能模型在解释美国从1910年代初至2017年大学生工资溢价演变方面表现相对良好。在1980年之前，虽然偏向技能赠益的技术进步迅速但是得益于中学教育的普及技术劳工的相对供给也非常迅速，从而使得两者的增长速度相持并且控制住了收入不平等的增加。但是自1980年后形势发生了逆转，偏向技能赠益的技术进步速度远超技术教育水平的增长速度，因此导致美国高技能劳动力供不应求从而增加技能溢价以及收入不平等。

但是RBET模型的预测能力在2000年后出现显著的下降。自2000年来工资差距增加的最大原因是大学毕业生之间（例如研究生，本科生，与不同科目毕业生）的不平等增加，而不是大学毕业生与非毕业生之间的差距。为了解释这一现象，Acemoglu和Autor（2012）提供了RBET模型的扩展版本。作者提供了一种基于工作任务的模型，即劳工技能并不直接创造产出，而是劳工将技能应用于生产任务以换取工资。在这个框架中，技能被定义为劳工为了完成各种生产任务所具备的能力储备。

鉴于技能和任务之间的区别，具有不同类型技能的工人在不同生产任务上具有不同的相对优势。因此，技术进步和技能供应的变化直接影响对不同生产任务和技能的需求。因此，当技术进步增加了对高技能生产任务的需求时，与高技能生产任务相匹配的技能就会有相对优势，从而这种技能的回报将会增加。此外，当技术改进提高了高技能工人的生产力时，以前由低技能劳工完成的任务将分配给高技能劳工，因为他们现在具有更大的相对优势，从而进一步提高了工资溢价。

基于RBET扩展模型，我们可以对与近期的科技进步进行简单的分析。人工智能的快速发展例如Chat-GPT的普及显然是一种提高技能回报的技术进步。这种技术进步也将增加对于广泛使用人工智能技术的生产任务的需求。因此，拥有熟练使用人工智能技术的劳工在匹配此类生产任务时会拥有相对优势，从而获得更高的回报。同时，我们将看到以前由相对低技能劳工完成的任务将被分配给高技能工人。Chat-GPT 与 微软 Co-pilot的推出将会把相对低技术的工作任务从不具备熟练应用人工智能技术的相对低技能劳工身上替换到现在更有相对优势的高技能劳工，从而进一步提高工资溢价。