专题长文 · AGI 经济学 · 约 12 分钟阅读

智能的经济学:AGI 将如何以及何时引发经济转型?

更聪明的 AI 固然会提升生产率,但真正引发经济结构剧变的,是智能体学会相互协同的那一刻。

文章目录
本文基于研究论文 《组织智能》(Organizing Intelligence),该论文构建了完整的经济学模型并给出了所有结论的形式化推导。

能力的提升究竟会如何、又会在何时重塑经济?在本文中,我们从经济影响的角度重新定义“初级 AGI(minimal AGI)”等能力阈值——即以它们如何改变经济格局来界定能力边界。随后,我们将追踪当 AI 跨越不同能力阶段时,市场结构、就业形态与薪酬体系会如何随之演进。

过去几年里,机器智能的能力呈指数级跃升。每隔几个月,前沿 AI 模型就会接连跨过那些曾看似遥不可及的里程碑:编写生产级软件、在专业领域超越人类专家,乃至攻克数学千禧年大奖难题。然而环顾宏观经济,一切却显得出奇地平静。大多数人依然从事着熟悉的工作,企业员工规模与几年前相差无几,全要素生产率数据也几乎没有明显跃升。

造成这种脱节的原因之一,在于我们选错了经济分析的基本单位——单个 AI 智能体。绝大多数能力基准测试评估的都是孤立的 AI 智能体单独解题的表现;但经济转型却是一种均衡结果,在这个结果中,真正参与供需博弈与市场竞争的是组织。劳动者并非在真空中作业。企业将拥有互补专长的人汇聚在一起,通过分工协作打造出远胜于任何单兵的团队。正因为现有基准测试只考察 AI 能否在一对一比拼中胜过个人,一个模型完全可能在单人维度上超越每一个人类,却依然在市场上败给一支结构精良的人类团队。这也正是为什么组织有时被称为一种“超级智能”(superintelligence)。

与此同时,标准经济模型也容易低估 AI 的变革潜力,因为它们习惯于把机器智能套进过往技术革新的旧框架里——要么视其为劳动者手中更趁手的工具,要么视其为逐个岗位替换人力的机器。但通用机器智能并不符合这一套路,原因有二:首先,人类劳动力的供给总量是刚性的,而 AI 智能体及其能力却可以按算力成本按需无限复制;其次,过去限制人类团队规模的种种约束——如管理幅度限制、沟通摩擦以及激励错位——未必适用于机器智能体。当机器智能体最终能够直接彼此协作,而不再嵌套在人类层级结构之中时,我们将面对一种前所未有的新型经济生产要素。

那么,机器智能究竟何时才会真正引发经济转型?AI 要达到怎样的能力,才会深刻改写市场结构、薪酬分配与就业图景?

为了回答这一问题,我们推导了不同 AI 能力水平下的经济演进情景。通过剖析“智能”如何在组织内部运转,我们发现经济何时发生转型,取决于两个关键能力阈值何时被跨越:

  • 独立能力(Competence):数学、写作或编程等单项技能的提升,会平滑地调整工资水平、商品价格以及企业内部人类与 AI 的配比,但行业整体结构基本保持原样。
  • 协同能力(Coordination):智能体在企业内部彼此配合的能力提升,将直接改变组织的规模边界。一旦协同能力跨过某道临界阈值,就会触发市场集中度、就业格局与薪酬水平的剧烈跳变。

沿着这两个维度定位 AI 所处的坐标,便会浮现出几个截然不同的能力阶段(regimes)——它们各自对应不同的市场面貌、就业人群与薪酬水平。我们将这四个阶段命名为:初级 AGI(minimal AGI)、超能 AI(supercompetent AI)、超协同 AI(supercooperative AI)以及人工超级智能(ASI)。追踪各阶段之间的跃迁过程,就能解释为什么真正肉眼可见的经济巨变或许来自“协同能力”的突破——而这恰恰是当前大多数基准测试尚未捕获的维度。

锯齿状智能体,马赛克式组织

当前绝大多数基准测试甚至没有尝试去衡量协同能力。它们把智能简化为一个孤立的单一分数,而没有将其视为能够与互补队友配合的“锯齿状(jagged)”能力轮廓。

为了说明这一点有多重要,我们让 100 名受试者完成了一项涵盖六个领域的测试:数学(Math)、语言推理(Verbal)、科学(Science)、模式识别(Patterns)、文化(Culture)和经济学(Econ)。结果发现,一个人在某一领域的表现,几乎无法预测他在另一领域的表现。人群中并不存在所谓“平均智能”的整齐复制品;相反,每个人都是在不同方向上各有长短的偏才(某些方面极强,某些方面偏弱)。

例如,有的人在许多领域都表现优异,唯独在模式识别上一塌糊涂;而另一名参与者则可能在模式识别上出类拔萃,其余各项却平平无奇(图 1 展示了其中六位参与者的数据)。

图 1:跨六个领域的锯齿状人类能力分布与组织“马赛克智能”。

但在消费市场和企业服务市场中,劳动者几乎从不孤军奋战。他们身处组织之中,而组织存在的很大一部分意义,正是巧妙利用人类天生的这种“锯齿状”特征:它将能力互补的专才组合在一起,使团队的整体能力覆盖任何单个成员都无法企及的广度。这就是大卫·李嘉图(David Ricardo)的比较优势原理在企业内部的体现——人们会流向自己相对最擅长的岗位。岗位并非随机填充,而是经过精心编排,以最大化每位专才的比较优势。

由此诞生的便是马赛克智能(mosaic intelligence):组织构建出一种集体能力,既吸纳了每一位专才的锋芒,又填补了彼此之间的短板。通过拼合不同员工的锯齿状短板,马赛克智能得以超越组织内的每一个个体。图 1 直观地展示了我们数据中的这一效应:蓝色虚线包络代表左侧六位参与者的平均能力,而大得多的红色实线包络则代表将专才精准匹配至各自最强领域后形成的组织智能。在实验中,当参与者按优势互补原则配对完成特定任务时,其表现比随机配对高出 32%。

现在,将这一逻辑推广到整个团队。试想构建并交付一款软件产品的过程:这既需要扎实的编程功底,也离不开清晰的文字表达。让这两方面的专才搭档,正好能抹平各自的能力洼地。由此带来的生产率跃升,使得企业内部的程序员与写作者都能赚得比单干时更多——并非因为他们独自工作时变得更强了,而是因为互补的专才相互放大了对方的比较优势,从而双双获得了更高的薪酬(图 2a 用一个简单的数值算例展示了这一机制)。

组织同时还为第三类劳动者释放了巨大价值:协调者(coordinators)。若用任何单兵基准测试去衡量,一名纯粹的协调者看起来就像是经济体中最弱的劳动者——编程水平平平,写作也稀松平常。若是单打独斗,他创造的经济产出几乎可以忽略不计。然而置身团队之中,一位高明的协调者能够润滑同事之间的交接摩擦,让团队在不断壮大的同时不至于失焦涣散,并让每位程序员与写作者的产出都显著提高。正是协调者,让团队得以充分兑现每位专才的个人锋芒。在市场均衡中,协调者——或者用更通俗的称呼,管理者(managers)——往往拿取整个经济体中最高的薪酬之一,并不是因为他们在某项具体任务上技压群雄,而是因为他们让整幅“马赛克”的产出实现了最大化。

那么机器智能又如何呢?关于 AI 智能体的“锯齿状”能力特征,学界与业界已有诸多讨论——它们能解出高难度数学题,却可能在某些看似极其简单的问题上频频栽跟头。人类能力同样参差不齐,但关键区别在于:人类智能是在不同方向上呈锯齿状分布的,而 AI 模型往往在相似的方向上呈现相同的短板。我们可以往团队里引入一位互补的人类专才来补齐盲区,但把同一个模型多复制几个实例,增加的只是并发吞吐量,却无法拓宽能力边界。

因此,哪怕一个模型的能力轮廓超越了每一个人类个体的平均水平,它在自由竞争市场上依然可能败给一支由“锯齿状”人类组成的互补团队——即便这支团队里没有一个人能单挑赢过 AI。所以,只问“模型是否比人类更强”,实际上找错了经济分析的对象。在竞争市场中,真正切中要害的问题是:由 AI 智能体组成的组织,能否超越由人类组成的组织,或是由人类与智能体混合而成的组织。

图 2:跨技能的马赛克智能(左)与不同企业规模下的组织规模曲线(右)。

AI 与人类的核心差异

除了能力轮廓如何拼合之外,AI 智能体与人类劳动者在两个维度上存在根本差异,这也是理解经济转型的钥匙:可复制性与协同能力。

人类专业能力的供给是固定且有限的。每个人每天只有二十四小时,无法随心所欲地批量复制。一个行业若想扩张,就不得不向人才分布的更深处高薪挖角,这不可避免地推高了工资成本。这正是李嘉图(没错,还是前面那位)留给我们的核心洞见:最高的经济回报,总是流向那些技能无法被复制的人。

而 AI 在规模上彻底打破了这一稀缺性瓶颈。一旦模型达到了某种能力水平,它就可以按算力租赁价格以任意数量无限供应。这构成了 AI 介入经济后工资变化的主轴:每当模型能够匹敌某类人类能力,对应的人类工资就会被锚定在算力成本上。

第二个关键差异在于协同。诺贝尔经济学奖得主罗纳德·科斯(Ronald Coase)曾提出过一个著名的追问:如果把生产组织在企业内部能够节约交易成本,那为什么全世界所有的生产不由一家超级巨无霸企业包办?过去一个世纪的组织经济学,用人类自身的局限性回答了科斯。两名并肩作战的同事可以在脑中同步保有项目的完整蓝图,随时消弭理解偏差;可一旦团队扩大到 20 人甚至 200 人,注意力就会被稀释,默契前提会在层层交接中脱落,而个人职业晋升的私利更会在员工间催生利益错位。人类的大部分知识属于默会知识——正所谓“波兰尼悖论”(Polanyi’s Paradox)所说的“我们所知的多于我们所能言说的”——工作在人与人之间流转时,丰富的上下文往往会被压缩成有损摘要。雅各布·马尔沙克(Jacob Marschak)与罗伊·拉德纳(Roy Radner)甚至围绕沟通中必然损耗的信息,建立了一整套“团队理论”。

历史告诉我们,当协同约束发生松动时,世界会变成什么样。19 世纪电报与铁路的横空出世,并没有让单个工人变得更聪明——它们只是提高了工作交接的速度与保真度,而仅此一项就将生产重塑成前所未有的组织结构。催生现代大型企业制度的,与其说是个人技能的飞跃,不如说是协同技术的进步。

至关重要的是,限制人类协同的种种天花板,未必适用于 AI 智能体。诚然,今天的 AI 系统在实战中的协同表现还很糟糕。但得益于极高的通信带宽,它们的协同潜能却极为惊人。同一智能体的不同副本共享完全一致的权重与内部表征。它们能够无损传递完整的运行状态——包括整个代码库、中间推理步骤以及完整的上下文窗口——并围绕共同目标全速运转,而毫无个人晋升算计的干扰。

历史上束缚企业规模的极限,源于人类带宽的局限与激励机制的错位。要预判 AI 驱动的经济转型将走向何方,核心就在于弄清这些极限是否同样约束着智能体。

能力决定水平,协同决定规模

现在设想这样一个市场:企业可以自由组建任何形态的团队——既可以按市场工资雇佣稀缺的人类,也可以按算力价格租用 AI 副本。随后,市场竞争会残酷地筛选出能够抵御新进入者冲击而存活下来的组织形态。

任何企业的综合战斗力,都可以拆解为前文所述的“独立能力”与“协同能力”两大维度。独立能力决定了在给定企业规模下的人均产出基准水平;协同能力则决定了当企业继续增加人类或 AI 智能体时,人均产出会发生怎样的变化。换言之,独立能力设定了潜在的生产率高度,而协同能力决定了组织究竟能做多大而不至于陷入混乱瘫痪。

如果沿着企业扩张的过程追踪人均产出的轨迹,我们就能得到所谓的组织规模定律(organizational scaling laws)——它与大模型领域的“规模定律(model scaling laws)”遥相呼应。如果说模型规模定律支配的是参数量与数据量带来的回报,那么组织规模定律支配的就是团队规模扩张时的产出规律。它一共包含三个阶段:

阶段 特征描述
Phase 1 第一阶段
单兵作战

低于基本的协同底线时,智能体之间配合极差、内耗过大,此时单兵独立作业反而胜出。

Phase 2 第二阶段
有界规模

在基本底线与更高一道临界点之间,正是人类社会迄今一直所处的世界。在小企业阶段,分工协作会抬高人均产出;但随着企业不断变大、人多手杂到难以有效协同,人均产出就会趋于平缓并开始滑落。提升独立能力会把整条产出曲线向上平移,却不会改变最优企业规模;真正让企业能够做大的,是协同能力的提升(见图 2)。

在前述“程序员与写作者”的例子中,引入技能互补的专才(编程-写作团队)改变的是生产率的绝对高度,却没有改变最优企业规模;真正促成更大规模企业在均衡中得以成立的,是“协调者”的加入。

Phase 3 第三阶段
无界规模

如果一家企业的协同能力强到跨越了我们称之为超协同(supercooperative)阈值的临界点,那么每新加入一名成员,不仅不会稀释效率,反而会比上一名成员带来更高的边际产出(即图 2b 中的红色虚线)。这将彻底打破“科斯上限”:在任何规模下都是“越大越强”,企业的边界将仅受限于市场总需求的容量。

将独立能力与协同能力拆开审视,能为我们带来一个关于经济转型的核心洞见:独立能力以渐进方式重塑经济,而协同能力则以突变方式颠覆经济。提高特定领域的独立能力,会平滑地微调价格、工资以及组织内人机比例,但企业规模依然相对克制,在外部观察者看来,整个经济体仍然保持着熟悉的样貌。然而,一旦协同能力跨过超协同阈值,市场集中度、就业结构与薪酬水平就会骤然跃迁——那时的经济图景,将与我们今天所见的一切毫无共同之处。

AGI 的四大演进阶段

我们的分析框架不把 AI 进步看作单根进度条的线性推进,而是分别追踪独立能力与协同能力的演化。由此,依据它们对市场结构、就业与工资的不同含义,我们可以划分出四个截然不同的能力阶段:初级 AGI(minimal AGI)、超能 AI(supercompetent AI)、超协同 AI(supercooperative AI)以及人工超级智能(ASI)。

为了看清这些阶段如何在整个宏观经济层面展开(而不仅仅局限于单一行业),我们同时追踪三类截然不同的经济部门:

  • 深度可扩展市场(Deep scalable markets):体量庞大、高度标准化的行业,如软件、物流或金融,其市场需求足以吸纳巨量供给。
  • 利基市场(Niche markets):规模较小、高度专业化或定制化的细分场景,有限的需求限制了单纯靠规模扩张带来的回报。
  • 关系型部门(The relational sector):人类参与本身即构成核心价值的商品、服务与体验——涵盖医疗照护、教育教学,乃至各类现场服务与手工匠艺。

下方图 3 动态展示了当 AI 从一个能力阶段迈向下一个阶段时,这三大部门中的市场结构与就业流向如何随之演进。

图 3:不同 AI 能力演进阶段下,利基市场、深度可扩展市场与关系型部门中的企业组织形态演变。(可拖动底部时间轴、点击阶段节点或悬停企业边界查看详细指标)

初级 AGI Minimal AGI · 高泛化均值,协同未破局

首先考察初级 AGI阶段:此时可复制的 AI 在各项任务上已追平乃至超过人类的平均能力。乍看之下,经济结构似乎几乎没有变化。在深度市场中,配置均衡的人类“马赛克智能”团队依然能击败纯 AI 企业,因为互补专家合力形成的能力包络,仍然盖过仅具备平均水平的单质 AI 企业。企业雇员规模大致维持原状,各个行业也依然由众多中小企业分散竞争。

此时,所有剧变都悄然发生在薪酬上。自身技能被 AI 追平的劳动者,其工资会向算力成本滑落;而顶尖专才与人类协调者反而能拿到比从前更高的报酬。由于初级 AGI 智能体可以按算力价格随时租用副本,小型 AI 企业开始切入对价格敏感的小型利基市场,拉低了这类商品的价格。

这一结论对当下关于 AI 与经济的争论有着直接的启示:由于工资冲击的到来要早于组织结构的重组,单靠宏观层面的就业率统计数据,根本不足以证明 AI “尚未对经济产生影响”。

超能 AI Supercompetent AI · 单兵顶尖,协同受限

接下来考虑另一种情景:AI 系统除了协同能力之外,在所有单项能力上都已经全面超越每一位人类专家——我们称之为超能 AI(supercompetent AI)阶段。当 AI 智能体单兵能力登峰造极,但相互协同却未必同步跃进时,经济会变成什么样?

令人意外的是,宏观结构依然鲜有剧变。哪怕没有任何人类专家团队能在单项任务上匹敌 AI 模型,协同瓶颈依然锁死了组织能做多大而不崩塌的上限。超能 AI 的到来让企业生产率大幅飙升,却并未让企业规模变大;恰恰相反,企业人数与组织体量甚至可能收缩。各大行业依然由众多精干企业激烈竞争,商品与服务变得廉价而充沛,经济体呈现出一种反直觉的图景:高度丰裕,却无寡头垄断。

然而在这些精干企业内部,人类的角色却发生了戏剧性的反转。由于 AI 能以算力成本包揽独立的专业技术工作,常规专才的薪酬会逐步走低。但大型团队与复杂项目若失去经验丰富的人类协调者,依然难以顺畅运转。那个能够把控方向、让整个项目对齐聚焦的人,会成倍放大整支超能 AI 团队的产出。人类并不会从生产中消失;人类的比较优势,将全面转向判断力、统筹调度以及搭建高效协同的组织架构。

超协同 AI Supercooperative AI · 跨越阈值,结构相变

现在把两个维度对调一下:将单个 AI 智能体的独立能力维持在初级 AGI 的水准,但让智能体之间的协同能力跨过超协同阈值。

就在这一刻,经济体迎来了骤然的相变。组织每多增加一个智能体,不仅不再增添沟通摩擦,反而让整个团队变得更加高效。用数学语言来说,规模报酬从凹函数(边际递减)翻转成了凸函数(边际递增)。在深度标准化市场中,这种高度同步的 AI 组织能够迅速膨胀,并在一夜之间碾压较小规模的竞争对手——哪怕把它们拆开来看,没有哪一个单个智能体在孤立测试中算得上惊艳。

分居超协同阈值两侧的两个经济体,其面貌可能天差地别:即便 AI 模型的单兵能力几乎一模一样,一侧的经济依然零散而熟悉,另一侧却会迅猛重组为少数几家庞大的纯 AI 巨型企业。在后一种经济中,剧烈的组织重构还会导致人类工资出现断崖式下跌。

但这一幕并不会席卷整个经济体。在利基市场中,买方需求天然有限,使庞大的 AI 组织很难靠规模摊薄成本,从而难以击败依靠精湛技艺取胜的小型人类团队。不过,大量从深度市场溢出的劳动力涌入利基市场与关系型部门,同样会压低这两个领域的工资水平——这正说明,机器协同能力的一场突破,足以在全经济范围内掀起排山倒海的连锁反应。

人工超级智能 ASI · 双维突破,价值迁徙

当智能体的能力同时跨越“超能”与“超协同”两道阈值时,我们便抵达了人工超级智能(Artificial Superintelligence,简称 ASI)的时代。在深度市场中,生产依然高度集中在少数大型 AI 驱动的企业手中。而由于 ASI 在孤立专业任务上也全面超越了人类专家,小型利基市场不再能充当人类团队的避风港:精干的 AI 企业如今无需庞大规模,就能精准满足高度细分化的市场需求。

如果只盯着机器能够复制的商品与任务,人类劳动似乎已无处容身。但只要把视野放回整个宏观经济,劳动者未必就会无事可做。要看清自动化浪潮下工作与价值的归宿,不妨从历史视角回顾一下结构转型的经济学。当年自动化大幅提升了农业生产率,后来又重塑了制造业,这两个部门带来的物质丰裕让全社会整体变得更加富裕。但自动化并没有消灭就业总岗位——人们把新增加的收入花在了尚未自动化的部门(服务业)上,而这些部门随即在产值与就业人数上双双扩张。

当然,AI 不同于以往任何一次技术变革,本轮自动化的波及面可能要宽广得多。随着 AI 不断压低价格,绝大多数商品与服务都可能日趋商品化、平价化,社会在真实购买力意义上将空前富裕。那么,新增的消费支出与就业岗位又会流向何方?一种极具可能性的图景是,财富将涌向那些人们珍视、却依然稀缺的领域——也就是关系型部门,在这里,“人类的亲自参与”本身就是价值不可分割的一部分。这很可能包括许多熟悉的行业:虽然其中大多数标准化环节都能自动化,但由真人交付却能赋予其更高价值,例如医疗看护与教育培养。此外,如果历史还能给我们任何启示的话,未来还会诞生出今日难以想象的全新职业(试想在 1950 年,谁又能预料到未来竟有如此大比例的人口会从事一种叫作“软件工程”的工作呢?)。因此,即便在高度自动化的生产领域,人类薪酬会被锚定在算力成本上——正如帕斯夸尔·雷斯特雷波(Pascual Restrepo)对全面自动化行业所分析的那样——关系型部门却仍有望大幅扩张,并以高昂的实际工资吸纳大量劳动力。

展望未来

透过我们的理论框架来审视当下,今天经济变化相对温和的现实便豁然开朗:AI 模型的单兵能力正在呈指数级狂飙,但协同能力却远远滞后。在几十个职业领域里,模型交付独立成果的水准已经比肩甚至超越资深专家;可一旦同时拉起一支成千上万智能体组成的集群,整体产出很快就会撞上边际效益急剧递减的南墙。

前沿实践也碰到了完全相同的困境。谈及并行调动数千个智能体攻克开放数学难题的经历,OpenAI 的诺姆·布朗(Noam Brown)坦言指出:“让这些智能体以真正富有成效的方式协同配合,其实非常困难。”他观察到,智能体集群往往会退化成各自埋头单干,而非有效分工,并直言相对于单智能体表现,他“甚至不认为多智能体协同能占到 10% 的功劳”。

今天的劳动力市场正精准映照出 AI 系统当前的能力画像:我们看到的并非大规模失业或突如其来的 AI 垄断寡头,而是团队更精干的初创公司、更扁平的组织架构、与基准测试任务最贴近的初级岗位招聘放缓,以及市场对能够跨团队统筹复杂工作的资深人才保持稳定乃至更高的需求。

既然最深层的结构性巨变取决于协同能力,我们的评估工具箱也必须随之升级。今天的模型排行榜几乎清一色在真空中测试单兵智能体。作为经济预测的指标,这些分数既高估了模型对抗互补人类团队的胜算,也几乎无法预警 AI 系统距离“协同拐点”究竟还有多远。

在个人能力排行榜之外,我们迫切需要面向智能体组织的基准测试:衡量多智能体系统能否在不重复做无用功的前提下拆解陌生难题,能否在任务交接中无损传递上下文,又能否在长程任务中相互纠错而非层层放大失误。宏观经济统计同样需要同步更新,同时追踪企业的人力薪酬支出与算力支出,以此洞察人类与机器在现实中究竟如何组队协作。

在此之前,能够最先透露变革信号的风向标,既不是宏观 GDP 增速,也不是行业集中度,而是薪酬结构与岗位角色的悄然位移——它们早在企业边界发生肉眼可见的重塑之前就已经开始松动。长久以来,关于 AGI 的争论总是把智能看作人与机器之间的一场单挑赛跑。然而真正决定经济走向的,从来都是那个能把个体锯齿状能力锻造成“整体远大于部分之和”的组织。