标签
一篇评论文章,探讨由人工智能主导的经济是否会通过将财富和权力集中于现有精英阶层、消除传统的向上流动途径,从而永久阻断社会流动。
根据最新的《联邦建筑支出报告》,美国数据中心的月度建设支出已达964.6亿美元,是普通办公楼建设支出459.6亿美元的两倍多(2.09倍)。作者指出,数据中心支出数据持续被向上修正,而建筑活动通常在夏季达到高峰。
Claude Opus 5.5 和 GPT-6 Astra 分别独立审查了 138 篇经济学论文,标记出 2,035 个潜在问题和 147 项可能改变核心结论的发现,同时由第三个 AI 尝试核实,引发了关于利用 AI 系统性重新审视数十年来已发表研究的讨论。
DeepMind 的文章(基于论文《Organizing Intelligence》)建模分析了 AGI 能力的提升——沿着能力与协调两大阈值——如何重塑市场结构、工资水平、就业状况,以及真正的经济变革何时发生。
Elon Musk 回复“确实”,回应了一篇帖子。该帖子声称 Tesla 的 Full Self-Driving(完全自动驾驶)每年可释放超过 1.5 万亿美元的价值,因为致命和严重车祸每年给美国造成近 2 万亿美元的损失,同时敦促立法者加快 FSD 的推广。
该推文讨论了所谓 Neolab(由顶尖 AI 研究员创办、在没有产品和收入前就募集巨额资金、用 GPU 算力攻克大型 AI 问题的初创公司)面临的最大挑战——并非训练模型,而是算清 GPU 算力成本这笔昂贵的经济账,从买下算力那一刻起就进入了昂贵的倒计时。
Venkatesh Rao 的文章《认知重商主义》认为,AI 恐慌反映了前资本主义重商主义的零和世界观,他借用 Joyce Appleby 的资本主义历史研究指出,社会面临的挑战不是生产智能,而是为智能找到用途。
对 jobloss.ai 数据的分析显示,自2025年1月以来,美国有136,460个岗位的裁减与人工智能相关的人员缩减有关,但分析同时提醒,这一数字综合了明确归因、据报道的归因以及混合归因,并非完全代表被人工智能取代的岗位。
一篇观点文章,认为全自动驾驶和电动交通将像宽带之于数据一样,彻底变革物流与出行,引发类似杰文斯悖论所描述的需求增长,并重塑区位价值与成本的形成机制。
本文提出了一项审计,用于检验经过强化学习训练的大语言模型定价智能体是否确实通过惩罚背叛者来维持合谋。研究发现,经过强化学习训练的小型大语言模型主要学会的是固定规则或威慑策略,而非真正的卡特尔执行机制;仅凭结果指标,无法区分真正的合谋与遵循规则的行为。
一位推特用户思考,人工智能和自动化或许能让基本商品变得极其便宜,从而深刻冲击当前围绕稀缺资源分配展开的政治辩论。
swyx 指出,DeepSeek 在其知乎页面上分享了更多实质性细节,包括声称其自研推理框架 DeepInfer 每个集群每天可处理约 155 万亿个 token,每 GPU 小时收入达 38 美元;相较于通常每 GPU 小时 5–10 美元的成本,这意味着推理服务的利润率约为 80%。
Jack Clark在曼谷举行的IMF会议上发表Per Jacobsson讲座演讲,认为令人信服的证据表明AI奇点已经来临,并敦促经济学家和政策制定者为快速变化做好准备,同时确保全人类共享AI带来的收益。
一篇博客文章系统分析了决策模型(如 Jev)的经济学,探讨其 choice/score/noul 输出类型、几乎免费的输出 token 成本,以及由此衍生的"决策层级"内存层级类比。
作者认为,人工智能和机器人将取代大部分人类劳动,迫使社会走向两种结局之一:新封建主义式的财富集中,或者通过全民基本收入实现的社会主义再分配。他们主张,鉴于历史上技术发展从未被真正限制,不存在其他合乎逻辑的结论。
这篇文章将人工智能对白领工作可能产生的影响与工业化对农业的影响相比较,认为正如农业自动化大幅减少了对农业劳动力的需求一样,人工智能也将同样大幅减少以计算机为基础的白领工作。
一篇主张人工智能快速腾飞的个人随笔,认为对于那些经济拮据的人来说,维持现状并不是安全的基准,而放慢人工智能的发展也会付出相应的人道代价。作者权衡了未能与人类目标对齐的人工超级智能(ASI)所带来的风险,以及全民基本收入和医学进步的前景。