AI 越强，其在经济中的份额可能越小——Alex Imas 和 Phil Trammell

（原标题：The better AI gets, the smaller its share of the economy might get – Alex Imas and Phil Trammell）

🎯 核心论点与宏观框架

• 经济预测存在巨大分歧，个体预测往往失效，应转向预测市场以利用群体智慧，从而更准确地捕捉市场共识。
• 劳动份额（Labor Share）长期稳定在60%以上，即便经历工业革命和自动化浪潮，这一比例未显著下降，挑战了“技术必然导致失业”的传统假设。
• “关系型部门”（Relational Sector）指人类参与本身构成产品价值的一部分（如医生诊断、艺术家创作），这是稀缺性的关键来源，也是人类在AI时代保持经济地位的核心依据。
• 自动化可能使非关系型商品边际效用趋零，但若资本能持续创造新需求（如算力用途），劳动份额未必归零，关键在于需求弹性的变化。
• 政治经济因素常被模型忽略，失业率微小波动（如2%）即可引发政治风向剧变，因此经济分析必须纳入政治约束条件。

📊 历史参照与数据局限

• 大卫·李嘉图曾预测工业革命导致失业，但实际就业率达历史高位，归因于“劳动总量谬误”（Lump of Labor Fallacy）及新服务需求涌现，证明技术替代往往伴随新岗位创造。
• 缺乏消费者需求弹性数据，O-Net数据库更新滞后且质量低，阻碍了对自动化影响的精准预测，需通过情景分析反推所需数据。
• 摩尔定律可解读为“每18个月计算价值减半”，但AI时代算力租金上涨（如H100），表明计算机会成本上升，需求未被饱和，算力成为新的稀缺要素。
• 艺术印刷品实验中，人类制作版本因“连接感”溢价显著，而AI版本被视为商品；当数量增加时，人类作品溢价下降，显示稀缺性与内在偏好的交互作用。
• 美国计算机及电子产品网络调整资本份额约50%，表明供应链上游仍依赖劳动，但未来可能出现全自动化供应链，需警惕结构性变化。

📉 经济影响与分配困境

• AI 自动化可能导致“滴漏式”失业，即白领工作被替代后，劳动力流向低薪部门，而非完全失业，造成收入结构恶化。
• 引用 1920-1940 年电话接线员自动化案例，技术存在但耗时 20 年才完成替代，导致从业者薪资下降且就业不足，显示转型期的长期痛苦。
• 若 AI 仅替代部分工作而未显著扩大经济总产出（“饼”未变大），则缺乏资金进行广泛再分配（如 UBI），引发政治经济危机。
• Yale Budget Lab 数据显示，目前尚无大规模白领失业证据；初级开发者岗位增长放缓，但高级软件工程师需求反而上升，表明技能结构正在调整。
• 基于 O-ring 模型和需求弹性，若 AI 自动化 90% 任务，剩余 10% 的人类工作价值可能提升，导致总需求增加而非减少，反驳了自动化必然导致经济衰退的观点。

⚖️ 政策工具与实施障碍

• 负所得税实施快，提供收入底线，但存在政治依赖风险，需确保财政可持续性。
• UBI 易受执政者更替影响，可能导致权力集中，且缺乏退出机制，政治稳定性较差。
• 通用基本资本赋予公民股权，但面临资产选择难题（如特定公司归零风险）及指数化困难，需设计稳健的投资组合。
• 建议通过消费税或外部性税收筹集资金，由政府购买股票并分配给公众，类似社保私有化提案，避免直接征收财富税导致的投资扭曲。
• 发展中国家需立即行动，通过主权财富基金或补贴参与 AI 供应链，避免在自动化时代被完全排除在全球经济之外。

🤖 技术限制与未来演化

• O-ring 理论指出，生产流程需极高可靠性，AI 目前无法完全替代人类环节，否则整体质量下降；法律、会计等行业受监管和问责制限制，需人类承担法律责任。
• 随着 AI 效率提升，人类可能因交易成本和速度劣势被排除在生产流程外；未来经济主体（AI 或含 AI 的企业）将基于生存和增长偏好演化，优先积累计算资源等稀缺要素。
• 递归改进、在线学习（Online Learning）等技术问题与收益捕获能力紧密相关；若 AI 发展缓慢，再培训仍有价值，但长期看指数化更优。
• 前沿 AI 模型的商品化（Commoditization）虽可能削弱安全缓冲，但能避免财富过度集中，并减少政府针对特定实验室的政治干预风险。
• 开放模型若仅落后前沿模型 6-9 个月，AGI 突破后资源将迅速普及，使得“指数化 AI”成为可能，投资者可通过指数基金获取广泛收益。

🧠 人类偏好与财富动力

• 人类对人际互动、信任及共情的偏好可能通过自然选择得以保留，因为具备此类偏好的个体在繁衍中更具优势，引用 Jonathan Haidt 的道德情感框架支持此观点。
• 财富积累的动力并非源于对物质消费的满足，而是源于对资本复利增长的内在偏好或工具性需求（如政治影响力、功利主义慈善）。
• 以 Mark Zuckerberg 为例，其财富主要体现为 Meta 股票而非直接消费，显示富人倾向于让财富在资本中复利增长以建设数据中心，而非个人享乐。
• 即使资本回报率极高，若资本品（如机器人）价格相对于消费品（如人类服务）快速下降，实际利率可能保持高位，从而维持较高的劳动份额。
• 将极度贪婪的资本积累者比作 Von Neumann 探针，指出其边际价值在于扩张而非消费，这可能主导经济偏好，导致资源向算力集中。

🌍 全球格局与发展中国家

• 发展中国家面临被边缘化的风险，因为缺乏硬件和模型训练资源，且难以通过传统指数基金有效捕捉AI带来的财富增长。
• 印度、尼日利亚等国若未参与 AI 硬件（如 HBM、芯片制造）或模型生产，可能因自动化导致传统出口市场消失而陷入贫困。
• 对于发展中国家，直接购买包含 AI 收益的指数基金比单纯进行劳动力再培训或自建数据中心更可行且高效，需优先采用“指数化 AI”策略。
• 美国非微型公司中私有化比例仍低于 20% 总市值；OpenAI 和 Anthropic 预计将很快上市，且 AI 本身可能降低上市合规摩擦，促进资本分散。
• 广泛分布的公共公司所有权可平衡安全与收益分配，减少地缘政治风险，推动 AI 实验室商品化或尽快上市有助于更公平地分配经济剩余。

⚖️ 结论与战略建议

• 共识认为人类在“关系型”服务中具备不可替代性，但需更多数据验证其经济占比；AI 时代经济结构将发生根本变化，传统宏观模型中“产出”均质化的假设不再适用。
• 分歧在于偏好持久性：一方认为人类对人际互动的偏好是进化结果，难以被 AI 替代；另一方认为随着技术习惯养成，AI 可能被视为更优产品，人类偏好可能减弱。
• 财富分配机制上，一方认为少数“贪婪优化者”将主导经济，导致财富高度集中；另一方强调边际效用递减和社会地位需求会限制无限积累，且历史表明财富往往因代际传递或慈善而耗散。
• 建议优先采用“指数化 AI”策略以捕获广泛收益，同时保留再培训作为应对长期非 AGI 场景的补充手段，避免单一策略风险。
• 叙事上应强调 AI 带来的广泛繁荣可能性，而非仅聚焦于失业风险，因为构建积极愿景比描述损失更具挑战性，有助于争取政策支持。
• 尽管存在安全担忧，但推动 AI 实验室商品化或尽快上市，有助于更公平地分配经济剩余并降低地缘政治风险，实现安全与发展的平衡。