智能经济学：AGI 如何以及何时带来经济变革？（24 分钟阅读）

# 智能的经济学：AGI 如何以及何时带来经济转型？ 来源：https://institute.deepmind.com/essays/the-economics-of-intelligence/ *本文基于论文*Organizing Intelligence (https://storage.googleapis.com/deepmind-media/papers/organizing-intelligence.pdf)*，该论文呈现了完整的经济学模型并正式推导了相关结果。\* 能力提升如何改变经济？又在何时改变？本文中，我们以经济转型效果为函数，定义了经济能力的阈值——例如最低限度的 AGI。随后我们追踪经济——包括市场结构、就业和工资——在能力层级间过渡时如何变化。 过去几年，机器智能的能力呈指数级增长。每隔几个月，我们就看到前沿 AI 模型又突破了一个看似还遥不可及的里程碑：编写生产级软件、超越领域专家、解决数学千禧年大奖难题。但放眼更广泛的经济，变化却似乎微乎其微。大多数人仍在从事熟悉的工作，企业人员规模与几年前相差无几，整体生产率数字也几乎纹丝不动。 这种脱节的部分原因在于，**单个 AI 智能体**并非正确的经济学分析对象。绝大多数能力基准测试衡量的是*孤立的个体* AI 智能体解决问题的能力，但经济转型是*组织*在供需力量作用下竞争的均衡结果。工人并非在真空中运作。组织将具有互补优势的人组合在一起，并分配任务，从而构建出远超任何个体工作者能力的团队。由于现有基准测试只检验 AI 能否超越个体，一个模型即便能在一对一较量中胜过每一个人，仍然可能输给一个结构良好的团队。这也是组织有时被称为一种**超级智能**形式的原因 (https://global.oup.com/academic/product/superintelligence-9780199678112?cc=us&lang=en&)。 与此同时，标准经济模型也会错失 AI 的转型潜力，因为它们仍倾向于将机器智能视为以往的技术创新——要么是工人手中更好的工具，要么是逐项替代人力的机器。通用机器智能不符合这种模式，主要有两大特征。第一，人力劳动者的供给是固定的，而 AI 智能体及其相关能力可以按需扩展，成本仅为算力开销。第二，限制人类团队规模的约束——如管理幅度、沟通摩擦和激励错位——未必适用于机器智能体。当它们最终能彼此直接协作，而不再被置于人类科层体系中时，我们将面对一种真正新型的经济投入要素。 那么，机器智能究竟在何时才能带来经济转型？需要达到哪些能力，才能看到 AI 对市场结构、工资和就业的影响？ 为回答这一问题，我们推导了不同 AI 能力水平下的经济情景。通过考察智能在组织内部的运作方式，经济何时转型取决于两个关键*能力阈值*何时被突破： - *胜任力（Competence）*：数学、写作或编程等个体技能的提升将平稳地改变工资、价格以及企业中人与 AI 智能体的比例，而行业结构基本保持不变。 - *协作力（Coordination）*：智能体在企业内部协同工作能力的提升会改变组织的扩展方式。一旦协作力达到临界阈值，就会引发市场集中度、就业和工资的大幅突变。 将 AI 在这两个维度上的位置进行映射，可以揭示出不同的*能力层级（regimes）*——它们依据对经济面貌、就业群体及薪酬水平的影响来划分。我们将这些层级称为*最低限度 AGI（minimal AGI）*、*超级胜任 AI（supercompetent AI）*、*超级协作 AI（supercooperative AI）*和*人工智能超级智能（ASI）*。追踪各层级之间的过渡会揭示：真正可见的转型可能来自协作力的提升——这是大多数基准测试尚未捕捉到的能力。 ## 参差不齐的智能体与马赛克式的组织 目前绝大多数基准测试并未试图衡量协作力。它们将智能视为一个单一分数，而非一张能够与互补队友协同的参差画像。 为说明这一点的重要性，我们让 100 人参加了一套涵盖六个领域的测试：数学、语言推理、科学、模式识别、文化与经济学。结果发现，一个人在某一领域的表现对另一领域的预测性很低。群体中并非充斥着"平均智能"的复制品，而是在不同维度上参差不齐的专才（某些领域很强，另一些领域较弱）。 例如，某个人可能在多数领域表现出色，但模式匹配能力极差；而另一位参与者可能在模式识别上出类拔萃，但在其他方面表现平平。（图 1 展示了六位参与者的数据。） **六个领域中参差不齐的人类能力与组织马赛克智能。** *图 1. 六个领域中参差不齐的人类能力与组织马赛克智能。* 但工作者几乎不会孤立地参与消费者和企业市场。他们是*组织*的一部分，而组织存在的很大程度上正是为了巧妙利用人类固有的参差性：将互补的专才组合在一起，使*团队的*能力覆盖面超越任何单个成员所能触及的范围。这正是李嘉图比较优势在企业内部的运作——人们各就其位于自己相对擅长的岗位。岗位分配并非随机，而是经过结构化设计以最大化每位专才的比较优势。 由此产生了*马赛克智能*：组织构建出一种集体能力，既捕获每位专才的优势，又弥合了他们之间的所有空隙。通过填补员工能力画像中的参差缝隙，马赛克智能超越了其中的每一个个体。图 1 展示了我们数据中的运作方式：蓝色轮廓代表左侧六位参与者的平均能力，而红色（大得多的）轮廓则对应一个将专才匹配到其最佳技能的组织的智能水平。当参与者被配对为互补搭档来完成特定任务时，他们的表现比随机配对高出 32%。 现在将这一逻辑应用到整个团队。考虑构建并交付软件，这既需要强大的编码能力，也需要清晰的写作能力。将两个领域的专才配对可以弥补各自的弱点。由此带来的生产力提升意味着企业内的每位程序员和写作者都能获得比独自在外工作更高的收入——不是因为他们各自在孤立状态下变得更强大，而是因为互补的专才相互强化了彼此的比较优势，使双方都能获得更高的薪酬。（图 2 左侧面板用一个简单的数值示例展示了这一机制。） 组织还为第三类工作者创造了价值：*协调者*。在任何单独的单智能体基准测试中，纯粹的协调者看起来都像经济中最弱的工作者——编码平平、写作平平。独自工作时，他们的经济产出微乎其微。然而在团队中，熟练的协调者能够减少同事之间的交接摩擦，使团队在规模扩大时仍不失焦点，并让每位程序员和写作者的生产力显著提升。协调者使团队得以受益于每位专才各自的长处。在均衡状态下，协调者——也就是更常见的称呼*管理者*——获得了经济中最高的薪酬之一，不是因为他们在某项任务上出类拔萃，而是因为他们最大化了马赛克的整体产出。 那么机器智能呢？人们已经广泛讨论了 AI 智能体的参差性——它们能解决高深的数学问题，却在看似相当简单的问题上栽跟头。人类能力同样参差不齐，但与人类智能在不同方向上参差不同的是，AI 模型的参差方式彼此之间非常相似 (https://arxiv.org/abs/2512.15567)。我们可以向团队中加入一位互补的人类专才来填补空缺，但启动模型的另一个副本只能增加容量，而不会拓宽能力范围。 因此，一个能力画像优于*所有人类个体平均水平*的模型，仍可能在竞争市场中输给一群相互强化的参差型人类团队——其中没有任何一个人能单独战胜 AI。所以，问"这个模型是否比人类更强"是在关注错误的经济分析对象。在竞争市场中，正确的问题是：一个由 AI 智能体组成的组织能否超越一个人类组织，或者一个人与智能体混合的组织？ **跨技能的马赛克智能与不同企业规模下的组织规模曲线。** *图 2. 跨技能的马赛克智能与不同企业规模下的组织规模曲线。* ## AI 与人类有何不同 除了能力画像的互补方式不同之外，AI 智能体还在两个关键方面区别于人类工作者——而这两点对于理解经济转型至关重要：可复制性和协作力。 人类专业知识的供给是固定的。每人每天只有有限的小时数，无法随意扩展。要扩张业务，企业必须从人才分布的更高层级招人，这不可避免地推高了工资。这正是大卫·李嘉图（还是那位李嘉图）教给我们的：最高的经济回报流向那些其技能无法被复制的人。 AI 从*规模上*消除了这一稀缺瓶颈。一旦模型达到某一能力水平，它就可以按算力租金价格无限量供应。这构成了 AI 引入经济后工资变化的底层逻辑：只要模型能匹配人类的能力，人类工资就与算力成本挂钩。 第二个区别是*协作力*。诺奖得主、经济学家罗纳德·科斯曾提出一个著名的问题 (https://en.wikipedia.org/wiki/The_Nature_of_the_Firm)：如果在企业内部组织工作能降低成本，为什么不是所有生产都由一家大企业来完成？一个世纪的组织经济学以人类的局限性作答。两位并肩工作的同事能将整个项目的设计铭记于心并立即解决不匹配问题。将团队扩展到 20 人或 200 人时，注意力开始捉襟见肘，隐含假设在交接中逐渐流失，个人职业利益在员工间造成目标错位。人类知识中有大量是默会知识——正如波兰尼悖论 (https://en.wikipedia.org/wiki/Polanyi%27s_paradox) 所言："我们知道的远多于我们能表达的"——而将工作从一个人传递给另一个人，会将丰富的语境压缩为*有损摘要* (https://www.hbs.edu/faculty/Pages/item.aspx?num=65315)。Jacob Marschak 和 Roy Radner (https://en.wikipedia.org/wiki/Jacob_Marschak) 甚至围绕通信中的信息损失构建了一整套团队理论。 历史向我们展示了协作约束发生变化时会发生什么。19 世纪，电报和铁路的出现并没有让个体工人变得更强——它们提高了*交接*的速度和保真度，仅此一点就将生产*重组* (https://en.wikipedia.org/wiki/The_Visible_Hand) 为前所未有的结构。推动现代企业崛起的是协作技术的进步，而非个体技能的进步。 重要的是，限制人类协作的诸多约束未必适用于 AI 智能体。当今的 AI 系统在实践中*协作能力仍很差* (https://cooperbench.com/)。但由于其高通信带宽，它们的协作潜力巨大。同一个智能体的多个副本共享完全相同的权重和表征。它们可以传递完整的运行状态——包括整个代码库、中间推导步骤和完整的上下文窗口——并在不存在职业利益冲突的情况下执行共同目标。 历史上限制企业规模的瓶颈源于人类带宽和激励错位。要预测 AI 驱动的经济转型，关键在于理解这些限制是否适用于智能体。 ## 胜任力决定水平，协作力决定规模 现在想象这样一个市场：企业可以按需组建任意劳动力队伍，按市场工资招聘稀缺的人类，按算力价格租用 AI 副本。竞争随后选出能够抵御新进入者的组织结构。 任何组织的总能力都可以分解为前面讨论的胜任力和协作力两个维度。胜任力决定了在固定企业规模下每个工人的产出*水平*。协作力则决定了当组织增加更多人类或 AI 智能体时，这些产出会如何变化。换个说法，胜任力设定了潜在的生产力水平；协作力则决定了组织在变得过于混乱而无法运作之前能扩展到多大。 追踪一个组织成长过程中的人均产出，就得到了我们所称的*组织规模法则*——类似于模型规模法则。模型规模法则支配参数和数据带来的收益，组织规模法则则支配扩展智能体团队时所发生的变化。它们分为三个阶段： | 阶段 | 描述 | |------|------| | **阶段一** | **独立作业** —— 在低于基本的协作门槛时，智能体之间的协作极其糟糕，以至于独立作业反而胜出。 | | **阶段二** | **有限规模** —— 在这一门槛与更高的临界点之间，就是我们一直以来所处的世界。分工在小企业中提高了人均产出，但随后趋于平缓并开始下降——随着企业成长，员工太多而无法有效协作。提高胜任力可以提升曲线的高度，但不改变企业规模；更好的协作才是让企业变得更强大的关键（图 2）。 | | **阶段三** | **无限规模** —— 如果一家企业的协作能力足够好——我们称之为*超级协作*阈值——每新增一名成员实际上都比前一位更加高产（图 2b 中的红线）。这打破了科斯的天花板：规模越大在每个阶段都越好，企业规模仅受市场规模的约束。 | 在编码和写作的例子中，加入具有互补技能的专才（编码-写作团队）改变了生产力的*水平*，但没有改变最优企业规模；真正允许更大的企业在此均衡中形成的是*协调者*的加入。 将胜任力和协作力分离，可以得出关于经济转型的一个重要洞察：胜任力逐渐地重塑经济，而协作力则以突变的方式改变它。提升领域胜任力会平滑地改变价格、工资和人与 AI 智能体的比例，同时企业保持相对较小的规模。从外部观察者来看，经济面貌变化不大。但一旦协作力突破超级协作阈值，就会在企业集中度、就业和工资上引发突变。那时的经济将与我们今天看到的截然不同。 ## AGI 的四个层级 我们的框架不是将 AI 进步视为单一的滑动条上调，而是独立地追踪胜任力和协作力的改进。基于这些能力对市场结构、就业和工资的含义，生成了四种能力层级。我们称之为*最低限度 AGI*、*超级胜任 AI*、*超级协作 AI*和*人工智能超级智能（ASI）*。 要了解这些层级如何表现