在智能体时代，谁来为认知劳动定价？关于“计算锚定工资”的观点

# 在智能体时代，谁为认知劳动定价？关于算力锚定工资的立场陈述
来源：https://arxiv.org/html/2605.05558
###### 摘要

关于人工智能（AI）智能体经济学的自然直觉认为，由于智能体可以以接近零的边际成本进行复制，它们构成了供给无限弹性的劳动投入，因此会将认知劳动的工资推向零。我们认为这种框架在机制上是错误的，但在结论上是部分正确的，且这一修正对于理论和政策都具有重要意义。智能体并非劳动，而是一种将算力资本 $K_c$ 转化为有效认知劳动单位 $L_A$ 的生产技术。一旦认识到这一点，决定均衡工资弹性的供给边际就从劳动力市场转移到了算力资本市场。基于教科书式的要素定价框架 [mankiw2020]，我们推导出了一个**算力锚定工资（Compute-Anchored Wage, CAW）**界限，指出在人类与智能体认知劳动互为替代品的任务中，竞争性人类工资的上限由 $\lambda \cdot k \cdot r_c$ 决定，其中 $r_c$ 是算力资本的租赁率，$k$ 是一个有效智能体劳动单位的算力强度，$\lambda$ 是人类相对于智能体的生产率。我们通过恒定替代弹性（CES）聚合推广了这一结果，区分了可替代任务与互补任务（导致技能偏向型技术变革的方向性逆转），并讨论了要素份额的后果。本立场陈述简明扼要：**认知劳动的定价者不再是劳动力市场。**

## 1 引言

正如 [mankiw2020] 中所述的标准教科书工资决定理论包含两个要素：由劳动边际产出给出的向下倾斜的劳动需求曲线，以及由家庭时间分配和人口统计学因素决定的劳动供给曲线。均衡工资出清劳动力市场。

强大 AI 智能体的出现扰乱了这一图景，分析问题在于扰动从何处进入。人们很容易将智能体建模为一种新的劳动投入——人类认知劳动的替代品，以接近零的边际成本可复制，其供给曲线在零价格处呈水平状，并由此读出工资崩溃的结果。我们认为这种会计处理错误地定位了弹性边际。智能体不是劳动投入；它们是一种将算力资本转化为有效认知劳动的技术。它们的供给弹性继承自算力资本的供给弹性，后者是有限的，并受物理和政治经济约束（半导体晶圆厂产能、电力、水资源、土地、地缘政治）支配。因此，正确的模型将价格决定问题通过算力资本市场而非劳动力市场重新路由。

### 一个具体案例。

考虑一名初级合同审查助理律师，其工作主要涉及条款提取、对照模板进行修订以及撰写摘要备忘录。前沿大语言模型（LLM）执行这些任务的质量接近或高于该助理律师，而在 2024-2025 年的价格下，每单位等效人工小时的边际算力成本约为个位数美元（见第 7 节 (https://arxiv.org/html/2605.05558#S7)）。因此，该助理律师的可替代工作时间的竞争性工资并非由助理律师的供给决定，而是由算力资本的租赁率决定，并乘以一个算法常数。同样的逻辑适用于初步股权研究起草、客户支持分流以及长列表中许多被通俗讨论归类为“可自动化”但未确定新价格决定具体市场的认知任务。

本立场论文明确了这一重新路由，推导了竞争性工资的封闭形式上限（即算力锚定工资，以下简称 CAW），通过 CES 聚合器推广了替代结构，区分了不同任务的工资效应，将界限校准至当前算力价格，并讨论了局限性和政策。该论证自觉地作为一个**立场**：它不声称实证结论已定，而是指出分析原语——即在哪里放置弹性供给——在许多当前的讨论中被错误编码，而修正这一错误编码将对认知劳动定价产生尖锐且可测试的预测。该界限的数学内容是标准的成本最小化；其实质性内容在于识别弹性边际。

### 路线图。

第 2 节回顾相关文献，并将我们的贡献置于 [acemoglu2018], [acemoglu2022] 的任务型自动化框架以及 [korv2000] 的资本-技能互补传统中进行定位。第 3 节建立教科书式的要素定价模型。第 4 节将 AI 智能体重构为从资本到劳动的转换技术。第 5 节推导 CAW 界限。第 6 节通过 CES 推广至不完全替代情况。第 7 节对界限进行校准。第 8 节可视化定价者的迁移。第 9 节开发跨任务异质性的预测。第 10 节讨论宏观要素份额后果和政策杠杆。第 11 节 (https://arxiv.org/html/2605.05558#S11) 陈述局限性。

## 2 相关工作

此处提出的立场与五条文献线索相交。我们总结每一条，然后明确陈述算力锚定工资（CAW）框架增加了什么。

### 教科书式要素定价。

竞争性市场中要素定价的边际生产力理论，如 [mankiw2020] 中所编录，提供了我们使用的所有正式工具。我们未对基础理论进行修改；唯一的重新编码在于 AI 智能体如何进入生产函数。

### 技能偏向型和常规偏向型技术变革。

[katz1992] 记录了大学学历溢价的上升，并将技术-技能互补性作为主要驱动力。[autor2003] 将其细化为基于任务的解释，其中信息技术替代常规认知和手动任务，同时补充非常规分析和人际互动任务。随后的实证研究 ([autor2013]; [autor2015]; [goldinkatz2008]) 追踪了工作极化以及教育与技术之间的长期赛跑。我们的框架预测认知劳动*内部*的方向性逆转：显著轴线变为职业暴露于 AI 智能体的可替代与互补混合比例，而非其一维技能阶梯上的位置。相关的原语是每个任务 $j$ 上人类劳动与智能体劳动之间的替代弹性 $\sigma_j$，以任务 $j$ 为索引。

### 资本-技能互补性。

[korv2000] 表明，在一个资本设备与熟练劳动互补、与非熟练劳动替代的 CES 生产函数中，技能溢价和资本-产出比率在几十年内的共同行为得以匹配。我们的设定在结构上相近：我们将算力资本 $K_c$ 视为一种要素，当它与推理堆栈 $\phi$ 配对时，成为可测量子集任务上人类认知劳动的准替代品。关键区别在于，在 KORV 中，替代边际是在物理设备和*非熟练*劳动之间；而在 CAW 中，边际是在算力资本和此前被视为资本互补物的*认知*劳动之间。因此，CAW 继承了 KORV 的机制，但在可替代边际上逆转了隐含技能溢号的符号。

### 任务与自动化（Acemoglu–Restrepo）。

最接近的理论前身是 [acemoglu2018], [acemoglu2019], [acemoglu2020], [acemoglu2022] 的基于任务的自动化框架，其中资本自动化了一个连续的任务子集，在自动化边际上排挤劳动，并通过创造新任务重新安置劳动。我们的框架可以被视为 A-R 在自动化资本为算力、被排挤劳动为认知劳动这一特例下的专业化；我们隔离的价格效应 ($W_H \leq \lambda k r_c$) 是当自动化资本供给弹性但有限时，A-R 排挤效应的显式均衡后果。我们在 A-R 基础上增加了三点：(i) 我们识别了一个具体的弹性边际，即算力资本市场，该边际锚定了自动化任务上的均衡工资，并将价格决定问题追溯到可度量的租赁率 $r_c$；(ii) 我们通过替代弹性参数 $\sigma$ 明确划分任务分区，该参数原则上可从观察到的要素需求中估计；(iii) 我们讨论了算力市场集中的政治经济学，作为 $r_c$ 的决定因素，这在标准 A-R 中无对应物。A-R 的重新安置效应与我们互补任务子集 $T_C$ 一致并得以保留。

### 宏观经济学与增长中的 AI。

[aghion2017] 将 AI 建模为一系列自动执行任务生产的新通用技术，并研究平衡增长的含义。[korinek2019] 考察了在资本-劳动替代下 AI 的分配后果，[trammellkorinek2023] 综述了变革性 AI 的宏观经济学。[korinek2023] 特别讨论了大语言模型的使用。CAW 在更低的抽象层面上运作：它不是建模增长动态，而是识别任何这些动态模型在任何时期的可替代边际上必须满足的均衡定价关系。

### 通用技术。

[bresnahan1995] 将通用技术（GPTs）正式化为价值源于下游行业共同发明的创新。[goldfarb2023] 提供了将机器学习视为 GPT 的实证支持。CAW 与 GPT 观点一致，但对扩散动态保持沉默；它关注的是当 AI 智能体技术大规模部署后的均衡价格关系。

### 职业对 LLMs 的实证暴露度。

新兴的实证文献衡量了职业层面受大语言模型影响的程度。[eloundou2023] 估计 80% 的美国工人可能至少看到 10% 的任务受到影响，19% 的人可能看到 50% 的任务受到影响。[felten2023] 提供了另一种职业暴露度评分。[brynjolfsson2023] 记录使用生成式 AI 助手的客户支持代理生产力提高了 14%，其中经验较少的工人获益最大。[noyzhang2023] 发现专业写作任务的时间减少了约 40%，质量提高了 18%。这些研究为 $T_S/T_C$ 分区以及在每个任务上估计 $\sigma$ 提供了自然的实证输入。

### 算力供给。

[sevilla2022] 记录了前沿模型训练算力的倍增时间；[cottier2024] 估计了前沿模型训练成本的上升。这些确定了驱动 CAW 的 $r_c$ 时间路径的实证内容。我们并未明确建模算力供给，而是依赖于一个典型事实：由于晶圆厂产能、能源、水、土地和政策限制，其中期供给是有限的且仅具有中度弹性。

### 劳动份额下降。

[karabarbounis2014], [piketty2014] 和 [autorvanreenen2020] 记录了劳动份额的长期下降和超级企业的崛起。[susskind2020] 提供了非技术性综合。CAW 通过识别一个特定渠道——资本收入中的算力份额——来细化这一讨论，资本收入集中正在通过该渠道运作，并预测同一机制将压缩认知劳动内部的工资。

### 贡献总结。

CAW 立场贡献了一个单一的分析重新编码——智能体是资本到劳动的转换技术，而非劳动投入——并追踪其均衡后果。相对于最接近的前身（A-R），我们 (i) 将算力资本市场识别为对可替代认知劳动定价的弹性边际；(ii) 提出每个任务上的 $\sigma$ 作为替代二元“自动化/未自动化”编码的经验原语；(iii) 将工资界限与定量上易于处理的要素价格 $r_c$ 联系起来，目前对此存在活跃的现货和合约市场。论文的其余部分阐述了这一重新编码的后果。

## 3 设定：曼昆框架中的要素市场

遵循教科书式的要素市场模型，考虑一家具有规模报酬不变生产技术的代表性竞争企业

其中 $K$ 是物理资本，$L$ 是劳动。在价格为 $P$ 的竞争性产品市场中利润最大化得出

$$
W = P \cdot \frac{\partial F}{\partial L}, \quad r = P \cdot \frac{\partial F}{\partial K}. \tag{2}
$$

要素价格等于边际产出的价值。劳动力市场的均衡为

$$
L^d(W) = L^s(W), \tag{3}
$$

其中 $L^s$ 由家庭时间分配和人口统计因素决定。工资 $W$ 由这些曲线的交点决定。

问题是当 AI 智能体作为 $L$ 的部分替代品可用时会发生什么。诱惑是增加一种新的劳动类型 $L_A$，其在零价格处具有无限弹性供给，机械地迫使可替代边际上的 $W \to 0$。我们现在论证这种添加是错误的原语。

## 4 重构：作为资本到劳动转换的智能体

###### 定义 1（智能体劳动）.

一个*智能体劳动单位* $L_A$ 是在固定 bundle 的算力资本 $k$（GPU 小时、能源、内存、带宽、摊销为知识产权租金的模型权重）运行一个单位时间时产生的认知劳动等效产出。形式上，$L_A = \phi(K_c)$，其中 $\phi$ 是递增的，且在相关规模下近似线性，$\phi(K_c) \approx K_c/k$。

扩展的生产函数为

$$
Y = F(K_o, L_H, L_A) = F(K_o, L_H, \phi(K_c)), \tag{4}
$$

其中 $K_o$ 是非算力资本，$L_H$ 是人类认知劳动，$K_c$ 是算力资本，其租赁率 $r_c$ 在算力资本市场中确定。企业的一阶条件变为

$$
W_H = P \cdot \frac{\partial F}{\partial L_H}, \tag{5}
$$
$$
r_c = P \cdot \frac{\partial F}{\partial L_A} \cdot \phi'(K_c). \tag{6}
$$

关键观察点：$L_A$ 没有家庭供给曲线。其供给完全源自 $K_c$ 的供给，后者受晶圆厂产能、能源基础设施、数据中心建设提前期和政策支配。这些在短期内是有限的且相对缺乏弹性，在长期内仅具有中度弹性。

## 5 算力锚定工资界限

我们首先在完美替代的强说明性情况下陈述中心命题，然后进行推广。

###### 假设 1（边际上的完美替代性）.

存在一组任务，在其中 $F$ 中一个单位的人类认知劳动和 $\lambda$ 个单位的智能体劳动是完美替代品，因此这些任务上的有效认知劳动聚合为 $L_{\text{eff}} = L_H + \lambda^{-1} L_A$。等价地，一个人类单位产生的有效认知产出与 $\lambda$ 个智能体单位相同，因此 $\lambda > 1$ 对应于每单位人类更富有生产力，$\lambda < 1$ 对应于智能体占主导地位。

###### 命题 1（算力锚定工资）.

在假设 1 (https://arxiv.org/html/2605.05558#Thmassumption1) 和竞争性要素市场下，在可替代任务集上的均衡人类认知工资满足

$$
\boxed{\;W_H \;\leq\; \lambda \cdot k \cdot r_c\;} \tag{7}
$$

在任何 $L_H > 0$ 的均衡中。此外，在任何 $L_H > 0$ 且 $L_A > 0$ 的均衡中，界限以等式形式成立，$W_H = \lambda k r_c$。

###### 证明概要。

在可替代任务