耶鲁大学最新论文（全译文）：AGI时代一半人不上班，GDP也不会掉，人类的经济角色几乎丧失

作者｜沐风

来源｜AI先锋官

耶鲁大学最新的研究论文《We Wont be Missed: Work and Growth in the Era of AGI》，描绘了一幅让人震惊的未来图景：

在通用人工智能（AGI，Artificial General Intelligence）驱动的新经济中，人类的经济角色几乎完全丧失意义。一半以上的人明天停止工作，经济规模都不会受到影响。

过去几百年来，人类通过自己的劳动，推动了世界不断进步。我们建造城市、开拓科学前沿、创造财富。工作，不仅让我们赚钱，更让我们感到自己有价值、有贡献。

但是，AGI经济时代的到来，彻底斩断了“劳动与进步”之间的联系。

未来，我们仍然会有工作，却失去了经济上的意义，不再是社会发展的主要推动力。

以下为论文译文：

我们不会被错过：

AGI时代的就业与增长

帕斯夸尔·雷斯特雷波

pascual.restrepo@yale.edu

耶鲁大学

2025年7月4日

摘要

本章从理论层面探讨人工通用智能（AGI）对经济增长和劳动力市场的长期影响。AGI使得通过计算资源完成所有具有经济价值的工作成为可能。我将工作划分为瓶颈任务与辅助性任务——即对经济持续增长至关重要的核心工作与非核心任务。随着计算资源的扩展：(i)经济将自动化所有瓶颈任务；（ii）部分辅助性任务可能被AI排除在外，完全由人类承担；（iii）产出量与计算资源、劳动力规模呈线性关系，其增长由计算资源的扩展驱动；（iv）工资水平将趋近于替代人类劳动所需计算资源的机会成本；(v)劳动收入占GDP比重将趋近于零。

本章研究在开发了人工通用智能（AGI）且计算资源会随着时间增长的经济中，工资和增长的 长期行为。AGI允许经济使用计算系统完成所有相关工作。这些系统消耗计算资源但不需要人为输 入、指导或努力即可完成工作。

关键的经济问题是，如何分配有限（但不断增长）的计算资源和人力劳动来完成生产产出所需的工作。

本章介绍了瓶颈工作和辅助工作之间的关键区别。

• 瓶颈工作包括经济增长所必需的任务。除非瓶颈任务中的投入也扩大或变得无限有价值，否则产出不 可能无限扩大。

• 配套工作对增长并非必不可少。即使放弃这些任务或限制投入，产出也可以无限扩大。

我的主要理论结果表明，所有瓶颈性工作最终都会自动化，而一些辅助性工作可能不会被人工智能所触及。一旦这种情况发生，产出将从计算和人力的乘积关系转变为加和关系，经济的长期增长率将由计算的增长率决定。

尽管人工智能已能完全自主完成所有瓶颈性任务，但人类仍保有工作岗位。他们可以通过承担瓶颈性工作来创造价值。人力劳动之所以依然重要，是因为它能节省稀缺的计算资源。另一种情况是，当现有劳动力已足够充足时，自动化处理辅助性工作就变得不切实际。在第一种情形下，工资水平由节省的计算资源价值决定；而在第二种情形中，工资上限则取决于自动化替代辅助性工作所需消耗的计算资源成本。

总体而言，人工智能的出现彻底改变了劳动力的价值评估方式。在人工智能出现之前，工资水平反映了瓶颈性工作的价值以及具备相关技能的劳动力稀缺程度。而人工智能时代，工资则完全取决于复制人类劳动成果所需的计算成本。尽管人力劳动仍保有部分价值，但其对GDP和经济增长的贡献正变得微乎其微——劳动力在GDP中的占比逐渐趋近于零，最终所有收入都将归计算机所有。

然后，我将分析扩展到一个可以使用AGI来完成科学工作的经济体，从而加速技术进步的步伐。

如果没有AGI用于科学，技术进步将受到人口增长的限制(正如Jones、Kortum、Segerstrom提出的半内生增长模型中所描述的那样 )。有了AGI，所有科学瓶颈工作都是自动化的，技术进步的速率取决于计算的增长率。这可能会产生持续的指数增长，尽管人口在减少，但不会产生奇点或无限增长的爆炸。

本文的分析是对现有人工智能经济学研究的补充，包括美国国家经济研究局（NBER）系列专著中的多项贡献（参见阿吉恩、琼斯与琼斯，2019；阿西莫格鲁与雷斯特雷波，2019 )。方法论上，我借鉴了任务模型的核心思想，该模型聚焦于如何运用不同生产技术完成多样化工作任务（奥托、莱维与穆尔纳恩，2003；阿西莫格鲁与奥托，2011；阿西莫格鲁与雷斯特雷波，2018，详见相关文献）。与这些模型类似，我研究的核心经济问题在于如何将工作分配给人类劳动力或人工智能系统，并推导这一过程对工资和产出的影响。关于向人工智能系统转型的研究重点，我与安东·科里内克及其合作者的互补性研究存在共识——这些研究对我形成部分学术思路产生了影响（参见特拉梅尔与科里内克，2023；科里内克与苏，2024）。除了传统经济学之外，还有大量有趣的关于世界构建的文献，想象AGI如何改变经济和世界（参见Kokotajlo等人，2025；Drago和Laine，2025）。

本章结构安排如下：第一节展示在生产型经济体系中，人工智能通用体（AGI）如何通过计算能力完成所有生产性工作的分析。随后将分析延伸至半内生增长型经济体系，探讨AGI在科研领域的应用。最后将讨论与收入分配及有意义工作相关的政策议题。

1生产与人工通用智能的工作

经济通过完成工作来产生产出yt——使用人力或计算资源来完成生成有价值产出所需的任务。所有有价值的工作集合是Ω ,每种具体类型的工作用w标记。我假设Ω是一个有限的（但很大的集合）。

在时间t时完成的工作量w由下式给出：

工作w可以通过人力劳动Lt（w）或计算资源Qt（w）来完成。人类单位时间内创造的工作量被标准化为1。用计算机模拟或复制这种工作需要消耗αt（w）个计算单元。我们可以通过设定αt（w）=∞使得w无法通过计算机复制人类的努力。

此时产生的输出量为：

其中F在所有条目中都是递增的、可微的、凹的，并且具有恒定规模报酬。我还假设边际产品在[0 ，∞]内收敛，对于[0，∞]中的任何收敛的输入序列也是如此。

人类具有不同技能，用s∈S 表示，数量用H（s）表示。具有技能的人s可以完成工作Ω（s）≤Ω，其中 Ω （s）表示分组Ω 。这意味着：

各分组的划分Ω（s）反映了技能只能用于特定工作类型的程度(Ω（s）表示S到Ω的一一映射关系），或 是具有通用性(Ω（s）= Ω且存在单一通用技能）。假设各Ω（s）之间不存在重叠，这样可以简化说明。

我们可支配的计算资源总量是Qt 。可以将其理解为经济在给定其数据中心和芯片的情况下，每单位时间 能够执行的计算总量。那么经济的计算资源约束就是

前提：这里的目标是描述一个面临两种技术进步形式的经济体的行为： 人工智能通用智能的发展和其计算能力的不断增强。一个达到AGI并获得足够计算能力来运行它的经济体会发生什么？

所考虑的第一种技术进步形式是AGI的发展。这一前提可以用工作方程1

前提1（经济中发展了AGI。）对于所有工作wΩ,αt （w）在日期T时达到一个有限值（w）并收敛到一个终值a（w）∈（ ，∞)。

AGI是将原始计算转化为各类有用工作的知识或技术。获得AGI意味着我们已经找到了训练或创造计算机系统的方法，使其能够完成目前由人类完成的所有工作。这一定义区分了AGI和计算资源。AGI是利用计算作为输入来完成任何类型工作的输出的配方。这样做会消耗我们有限的计算资源，Qt。

虽然我将这个前提作为我分析的出发点，但澄清一下这里所假设的三点是有帮助的。

可行性与现实性：超级人工智能（AGI）的定义表明，从理论上说，只要拥有足够的计算资源，我们就能复制人类的智能活动。根据复制人类行为所需的计算成本（w），我们可能会决定不使用计算资源来完成这项工作。关键在于，AGI使得这种复制成为可能；仅仅因为我们开发出了AGI ，并不意味着所有工作都能通过计算机高效完成——毕竟我们的计算资源是有限的，且可以投向更有价值的方向。

• 实体工作：有些工作需要与世界进行实体互动。这里的前提是，当需要时，计算机系统可以控制机器和硬件来完成这项工作。在适当的时候，我将Qt重新解释为一种能量和计算资源的集合，计算机利用这种集合来执行认知和物理工作。

• 社会工作：有人认为某些工作需要人际互动，必须由人类来完成。治疗师或医护人员特有的 “人文关怀”与“共情能力”可能无法复制，这使得人工服务更具价值。前提1的假设在于： 量本身具有独特的品质——任何计算机无法企及的人类优势，或许都能通过大量使用计算资 源来弥补。试想这样一个AI系统：它能完美复现顶尖治疗师的诊疗手法，随时待命为你服务，对你了如指掌，永不疲倦，并且愿意倾尽全部智慧与能力帮助你克服焦虑。不过这种系统可能因成本过高而难以实际应用，但既然有这支超人团队的国际专家团队可以治疗，您却非要找人类心理治疗师不可吗？试想一个运用海量算力诊断治疗疾病的AI系统，难道您会因为AI缺乏“人文关怀”而拒绝患病儿童接受治疗吗？若该论点成立，就意味着我们仍可通过高计算价值a（w）来表征此类情境——这种价值体现着补偿“人文关怀”所需额外的计算资源。至于用算力替代人工是否实际可行，将是下文要探讨的另一个问题。

技术进步的第二种形式涉及计算资源的增加，Qt。这里的前提是计算资源在每个时间点上都是有限的，但随着时间的推移而增长，并变得无限丰富。

前提2（计算能力充足）。计算资源Q t 是有限的，但随着时间的推移无限增长。

这个前提是由历史趋势和规律所驱动的，比如摩尔定律。这个前提是我们将在未来继续扩展计算资源，就像我们历史上所做的那样，在近期或中期没有明显的天花板，而一个限制远远超过当前的计算资源。

自1970年现代计算机和晶体管问世以来，人类的计算能力已实现跨越式发展。传统上，我们用“每秒浮点运算次数（flops）”来衡量计算资源——即全行业计算机总和每秒能完成的浮点运算总量。从1980年到2007年，计算能力实现了三个数量级的飞跃，从101515flops增至10 21 21 54 flops，目前峰值运算能力已达10^21flops。预计长期来看，这个数字有望突破10^541618flops，这意味着计算能力仍有巨大的发展空间。作为对比，人脑的运算能力约为10^16flops，由此可见计算资源的发展速度已远超人类脑力极限数个量级。

计算能力的进步被认为是外生的，并被包含在Qt的路径中。作为基准，可以想象计算资源会随着时间呈指数级增长——就像某些版本的摩尔定律——尽管我的结果只需要Qt变得足够大。

瓶颈：在下文中，我用F（{ x（w ）}）表示当工作量为x（w）时获得的输出，而FW（{ x（w ）}）> 0表示工作w的边际增益。

分析的核心部分是定义瓶颈和辅助工作。

定义1：若对于任意满足F （{ x t （w ）}）无界的{ x t （w）}，存在两种情况：i. x t （w）无界；ii . F W （{ x t （w）}）无界，则称工作w是瓶颈。

这个定义精准捕捉了瓶颈工作的本质：这类工作对经济持续增长至关重要，必须持续扩张才能避免价格飙升至离谱水平，从而在产出中占据更大份额。典型的瓶颈工作包括：为民众提供温饱、保障能源供给、维护经济基础设施、推动科技进步、协调决策执行、优化物流配送，以及保障国家安全与社会秩序。这些工作堪称经济命脉，试想若缺少其中任何一个环节，经济持续增长将无从谈起。

定义2.若存在x t （w）使得当x t （w ）和F W （{ x t （w ）}）均有界时，F （{ x t （w）}）无界，则称工作w是附属的。

定义表明，辅助性工作与瓶颈性工作截然相反：我们可以在保持这类工作稳定且无需支付过高报酬的情况下促进经济增长。潜在案例包括与艺术手工艺相关的工作、为他人表演的行业、文学创作以及酒店餐饮业。设计与客户服务类工作也可能无法随经济规模扩大而同步增长。此外，司法工作、宗教及民间组织相关事务、自然保护团体的工作同样属于此类。就连学术经济学家从事的工作也可能被归为辅助性工作，因其未来价值可能难以持续提升。这些仅是可能案例，因为究竟哪些属于瓶颈性工作或辅助性工作，取决于未来人们的偏好、生产结构，以及他们面临的生存问题与挑战。

1.1限制行为

本小节将在前提条件1和2下，描述经济的极限行为∞→t 。我将描述竞争均衡的特性：计算资源和人力资源的分配。

劳动最大化产出，生产要素得到边际报酬。这一选择突出了起作用的关键经济力量

建议1.所有瓶颈最终都会自动化，而一些辅助工作可以留给劳动力。

该命题阐明了AGI经济中的工作模式。所有瓶颈性工作最终都将通过计算自动化完成，而部分辅助性工作则完全由人类承担。人类劳动仍可能与AGI协同完成某些瓶颈任务，从而增加总产出量，或完全专注于辅助性工作。在所有工作均为瓶颈型的特殊情形下，该命题意味着 所有工作最终都将通过计算实现自动化生产。

这个最新研究结果似乎与里卡多比较优势原理相矛盾。我们可以将AGI经济视为一个“在数据中心聚集天才的国度”与人类进行贸易的世界，用计算能力换取生产性工作。按照里卡多原理解 说，AGI国家和人类国家难道不应该完全专业化以最大化贸易收益吗？为何让AGI承担所有瓶颈性工作的策略才是最优选择？

这个逻辑漏洞的揭示具有启发意义，为命题提供了直观的证明思路。假设人工智能专家系统 （AGI）专精于特定计算任务的生成，而人类劳动力则负责其他工作模块。随着时间推移，经济结构将逐渐失衡：前者的工作量持续扩大，后者却保持固定规模。这种失衡状态显然非最优——要维持经济增长，就必须以相同速度扩展所有瓶颈性工作的规模。正如命题所述，唯一可能实现最优的失衡路径，是当非自动化工作属于辅助性岗位时才会成立。

现在，让我们描述当所有瓶颈工作都被自动化后，产出和工资的行为特征 。将技能S 的计算等效单位 （CEU）定义为

这为复制熟练人员S在该领域的工作提供了所需的计算资源，他们执行的最复杂的计算任务。前提1意味着CEU（s）对所有s都是有限的。

命题2. 输出收敛于

对于某些CEU(—)（ s ） < CEU （s ），其中，贝是仅执行自动化工作的技能集，N是执行未自动化的辅助工作的技能集。

在计算资源与劳动力层面，经济体系中的总生产可能性呈现可加性特征，其中劳动力以计算资 源为计量单位。这一规律适用于任何初始生产函数F 。举例来说，若采用科布-道格拉斯模型对不同 形式的工作进行整合，经济形态将从计算资源与人力以乘法方式结合的阶段（在通用人工智能开发 之前），转变为二者以可加方式结合的阶段（在实现通用人工智能并积累足够计算资源之后）。

要理解这个结果，让我们考虑一个特殊情形：当所有工作都是瓶颈时。命题1意味着所有工作都是自 动化的，这意味着计算被用于所有现有工作。此时，我们可以将输出（在劳动力分配的情况下）表示为：

设分配给工作w 的有效资源（以计算单位为单位）Qt（w ）≡ Qt + α t（w ）Lt（w ）。我们可以将最大化问题改写为：

在经济活动的框架下，总资源（包括计算资源与人力）在总体约束下实现产出最大化。规模报酬不变性意味 着其解决方案具有如下形式：

对于某个A>0，等于计算到输出的转换率。总之，让我们转向劳动。 使总资源最大化化的劳动力分配将所有技能劳动力分配给最大化w∈Ωα（w ）的劳动力，从而产生：

这些步骤阐明了命题背后的经济逻辑。AGI使我们能够通过计算能力完成所有瓶颈性工作。此时，计算能力决定了工作量的价值：当一个工作者产出一个工作单元w时，就相当于多产生了α（w）个计算单元，这等同于获得Aα（w）个输出单元。劳动力能做的最佳选择是专注于那些最节省计算资源的工作，从而释放出能够生成A CEU（S）的计算资源。

上述推论需要根据辅助性工作的存在稍作调整。自动化辅助性工作可按前述方式处理。若某些辅助性工作未实现自动化，则是因为它们不值得耗费稀缺计算资源。假设w由技能工人S∈N执行且不值得自动化。若将生产瓶颈（价值为Aα（w）)中的α（w）计算资源重新分配到生产w（价值为MPL（S）——即技能S劳动力的边际产出）中，必然会导致产出下降，这表明

这个不等式表明，S技术劳动力所从事的辅助工作的价值被ACEU（S）所限制，并且最终必须收敛到一个附加常数（这一最后的声明是规模报酬不变性在F中的一个非平凡含义）。

Proposition2展示了瓶颈的自动化如何允许输出随着计算而扩展，从而维持经济增长。

命题3.输出的增长率与计算资源Q的增长率相同t 。

这让我们有理由保持乐观：在AGI时代，经济只需通过提升计算能力就能实现增长。当AGI让计 算能力转化为各类工作成为可能后，就不再需要其他形式的技术进步。即使仍有辅助性工作未被自动化，也无需担心——因为这些工作不会阻碍经济增长。

命题2声明背后一个微妙的细节是，人类工人分为两个群体。S类技能工人，如果w *（S） 中的某个要素被自动化了，那么这些工人就只在w*（S）中工作，而所有这类工作都被自动化。这是第贝类。剩下的工人属于第N类。

收入如何分配？在竞争性经济中，工人和计算机根据他们对产出的边际贡献获得报酬。从命题2中的产出表达式可以马上看出这些内容。

建议4。计算机资源的实际价格趋近于A，实际工资趋近于

在人工智能通用智能（AGI）主导的经济体系中，劳动者获得的报酬等同于其工作所需的计算资源价值。即便在所有劳动都被自动化取代的世界里，人类技能依然具有价值——因为它们能通过完成实用任务来节省稀缺的计算资源。这揭示了一个关键区别：AGI并非使劳动力变得多余，而是通过计算技术实现劳动的可复制性。由于计算资源本就稀缺，人类劳动的价值仍体现在其对计算资源的使用机会成本上。

辅助性工作的技能要求打折的工资，因为CEU（s）< CEU（s）。留给人工的辅助性工不是 财富增长的来源。之所以没有触及这些工作，是因为我们已经有太多工人来做这些工作了。这降低 了它的价值（因此是打折），并使自动化变得不现实。

这一重大变革使得工资水平与经济增长完全脱钩，在AGI经济体系中，增长完全由计算资源的持续扩张驱动。尽管经济总量持续增长，但人力劳动的价值却停止增长，并始终被复制所需计算资源的价值所制约。由于工资水平在经济持续扩张时始终受限，所有收入最终都将流向计算资源领域。

第5号提案。计算在GDP中的份额趋近于1 ，劳动力在GDP中的份额趋近于零。 劳动力在GDP中的份额可以被我们计算资源中的人类计算份额所限制，以

这个数值会随着时间的推移逐渐趋近于零。上文引用的计算资源数据可以直观地说明这一点。

从规模来看，人类计算能力(Σ SCEU（s）H（s））以数十亿量级的十15-10次浮点运算（flops）计，而经济中的总计算能力可能高达10 54 次浮点运算，相比之下人类计算显得微不足道。这些计算表明，在人工智能经济中，当劳动力按计算能力等值支付报酬时，劳动收入占比将大幅下降——因为总计算能力预计将远超人类计算能力。反之，大部分甚至完全的收入将流向计算资源的所有者。

人类劳动价值始终存在上限且在产出中的占比持续缩水，但这并不意味着人工智能（AGI）会让社会和劳动者陷入贫困。当计算资源与人力劳动产生的收入相加时，社会整体变得更加富裕（只要持续扩大计算资源，这种财富增长趋势将长期持续）。即便不考虑计算技术带来的收益，从AGI出现前的经济形态向AGI时代的转型，必然会使劳动收入的整体价值得到提升。

命题6.在AGI（总收入）之前，所有人的工资总和在AGI之后的极限情况下比在AGI之前的经济中更高（其中Q t = 0 且αt （w）=∞) 。

这个命题表明，工人整体上从向AGI经济的过渡中受益。为什么？AGI的到来不会让我们集体处境更糟，因为我们总是可以建立一个非AGI区域，并继续像什么都没发生一样生活。这至少能带来与以前相同的工资。

具体论证如下：竞争性市场意味着经济体系能在完全一般化智能（AGI）下高效安排生产。这种重组无法提升产出。假设我们抽取1%的劳动者转移到非AGI区域，这些工人在非AGI区域的产出为（w 预-AGI·H）×1%（这是规模报酬不变的必然结果），

但在AGI时代之后我们却削减了他们的工资 （w 后-AGI·H） ×1% 。 由于这种重组无法提升产出，成本（w 后-AGI·H） ×1%超过了收益（w 预-AGI · H） ×1% ，因此AGI时代之后的工资水平反而高于前。

上述论点存在局限性。如果AGI经济使用了某种有限资源，而这种资源同样被人类劳动所需，或 者存在规模报酬递减的情况，那么上述论点就站不住脚。不过，这种逻辑表明，AGI使人类劳动者 整体价值降低的余地是有限的。AGI的“ 问题”在于，人类劳动不再成为财富增长 的源泉，而非其价值丧失。

1.2 向AGI过渡[Preliminary]

一般来说，从当前经济到AGI极限的转变很难追踪，这取决于计算进步（Qt）相对于AGI ( α “s” ）的进步 速度。

为了简化论述，假设所有工作都是瓶颈，并最终被自动化。还假设αt（w ）在某个有限时间T（w ）内从 无穷大跳到其极限值α（w ）。

两个极端的例子尤为突出。在其中一个极端，技术成为了束缚和 T（w ）的工作已经实现自动化 ，这正是自动化成为可能的时刻。这意味着计算资源充裕，随时可 以用于任何可自动化的瓶颈任务。另一方面，我们面临着另一种转变：计算资源变得紧张，工作w 只能在未来某个时间点实现自动化~ T（w ），一旦经济获得了足够的计算能力来支持这个应用程序。

命题7.假设计算操作在转换过程中保持绑定状态。计算量A的边际值会逐渐 下降 ，并单调收敛于A > 0 。此外， 对于每个技能s：

1. （s）的工作是按顺序自动完成的，从计算需求最低到计算需求最高的工作依次进行。

2. 在一段时间内，工资w（s）在T （ w ） 附近以与A t 相同的速率逐渐降低，然后继续增长，直到下一 个日期。

3. 当arg max w∈Ωα（w ） 的工作最终实现自动化时，工资w t（s） 必须等于A t CEU （ s ），并从该点开始以与A t 相同的速率逐步下降。

总体而言，总工资在过渡期间微弱增长。

在计算类工作向AGI极限过渡的过程中，这一转变是平稳渐进的。对于每项技能s，工资水平通 常会随时间推移持续增长。这种趋势会在部分工作被自动化取代时出现短暂中断。在此类事件中， 劳动者会逐步从自动化岗位转移，最终AGI将完全接管这些岗位。这一过程持续进行，直至只剩下 argmax w∈Ωα（w ）这类工作。当这些岗位最终实现自动化后，劳动者便被困在自动化岗位中，其工 资水平被所保留的计算类工作价值所压制。此后，他们的工资将以与At相同速率下降，直至收敛到命题4所述数值。总体而言，这一过程为总工资量开辟了持续增长路径，避免了劳动者薪资出现剧 烈下跌或“ 断崖式下跌”现象。

命题8. 假设技术在转型过程中存在约束。计算A的边际价值t 可能是非单调的，并在过渡过程中某些 点出现跳跃式增长，最终收敛于A 。此外，对于每种技能s：

1. 在T（w ） 中，Ω（s ） 的工作是自动化的。

2. 如果位移效应占主导地位，那么在某些情况下，工资w_t（s）可能在T（w ） 时下降 Ω（s）。

3. 当最后一个工作在 Ω（s ） 中被自动化时，工资必然w（s）下降

4. 在过渡过程中，工资可能超过A t · CEU （s ）。

作为一个整体，总工资可能会在过渡期间的某些时候下降，否则就会增加。

当技术形成垄断时，向人工智能通用智能（AGI）的过渡过程将充满断断续续、充满不确定性且 杂乱无章。这个设想描绘了一个计算资源充裕且随时待命的世界，应用程序一上线就能立即投入使 用。科技公司正在幕后进行人工智能应用的试验。一旦某个应用程序获得成功，劳动力市场就会被 颠覆，导致从事自动化任务的人员立即失业。而那些在难以自动化的应用领域工作的从业者，其薪 资水平将显著提升，远超AGI时代所能提供的待遇。但另一方面，人们终将意识到：这种高薪终将 消失，因为这不过是他们恰好参与了最后一个成功实验的偶然红利。

2 科研工作

在上文中，我考虑了一个由计算机和人共同完成生产所需工作的经济。现在让我们将分析扩展到科学工作。这类工作不会产生实际产出，但能扩展我们对未来如何更高效地生产的知识。 现在产生的输出量是

其中，z t表示经济的技术复杂程度，通过完成而提高 科学工作。正如半内生增长模型一样，这取决于

其中σ 表示科学工作，Ξ是所有此类工作的集合。函数G在所有条目中都是递增的、可微的、凹的，并 且表现出恒定规模报酬。弹性β> 0捕捉了捕捞效应——随着我们不断深入，想法变得越来越难找到。 在这种经济中完成的科学工作的数量是

科学工作必须由科学家来完成，而科学家的供给是H（s）因为某些技能s ∈SR可以用于一部分科学工作Ξ（s）。这意味着

另一方面，用人工智能完成科研工作需要消耗计算资源。经济的计算资源约束现在是

用于科学工作的技能集被假定为不同于用于生产的技能集，用Sp表示。

为了简化说明，假设所有的科学和生产工作都是瓶颈。

现在，上述两个前提得到加强如下：

前提1(AGI用于科学）。对于所有工作∈Ω和科学研究σ∈Ξ,αt （w）和αt ( σ)随时间推移会收敛到某些有限值α（w），α( σ)∈（0，∞)。

我还加强了前提2：

前提1（指数计算）。Qt以8Q> 0的速率呈指数增长。

下一个命题描述了经济的极限行为。为了突出关键力量，

我假设分配给科学的计算时间λ是恒定的。自然，λ这有一个最优值，这取决于社会对未来消费流量的贴现方式。

第9号提案。假设分配给科学计算的计算资源占λ ∈（0 ，1） 。所有生产和科学瓶颈都被自动化，输出结果趋于稳定。

在哪里

与之前一样，经济中的总生产可能性在计算和劳动力中是可加的，劳动力以计算单位表示。

更具创新性的是，生产性知识储备Z（t ）会随着时间推移持续增长，并与计算资源规模成正比。在传统的半内生增长模型中，Z（t ）的增长通常与人口规模挂钩，因为科研工作需要人力支撑，而人力资源受人口总量限制。但本文提出的新机制显示，Z（t ）的增长将与经济领域的计算资源Qt成正比——由于这些资源能够有效突破所有科研瓶颈。

AGI使得用计算完成科学工作成为可能，这一事实产生了复合增长效应。

第10号提案。产出和技术的增长率趋同

命题3的主要区别在于，在没有其他形式科学进步的经济中，产出与计算成比例，8y= 8Q。使用计算进行科学研究的可能性意味着增长率现在更高8Q（1/β）这是因为，一些计算被用于扩展生产性知识，这进而提高了生产中所有计算单元的生产率，从而产生计算的递增收益Qt。

上述结果表明，即使在可以将计算用于科学研究的AGI世界中，输出也会随着计算能力的提升而增长。这并不必然意味着智能或增长的爆发，因为需要爆炸量的计算。

一个有趣的方面与计算在不同用途中的优先级有关。

命题11。假设经济对未来资源的贴现率为P ≥0。为了长期最大化福利，经济会分配一部分

其中一部分计算用于科学研究，其余部分用于生产。在转换过程中，科学瓶颈被优先处理，λ（t）从较高位置开始，最终收敛到λ *。

这一结果为如何组织一个以最大化贴现总产出为目标的高效经济提供了指导，即如何优先考虑稀缺的计算。

从短期来看，应当优先推进科研工作，因为这能加速生产知识的积累，从而在未来所有时期提升经济生产力。此外，还需考虑过渡期间如何最大限度减少劳动力市场动荡等未尽之务，这就要求我们更加重视科研工作，并逐步将人工智能生成系统应用于生产领域（可参考莱尔与雷斯特雷波的研究，2022)。

从长远来看，计算资源将同时服务于科研与工业两大领域，经济体系最终会实现所有生产环节和科学瓶颈的自动化。这是因为该战略能通过计算资源实现产出的最大化扩展。当所有计算资源都投入科研领域时，其增长率将达到

使用所有计算得出的生产增长率是

对这两种瓶颈进行计算，可以得到更高的增长率，因为它利用了科学进步带来的生产和研究之间的规模收益递增的协同作用。

3讨论

本章深入剖析了人工智能（AGI）对生产、经济增长及劳动力市场的长远影响。研究结果既反驳了对人类劳动前景的过度乐观论调，也纠正了悲观主义倾向。一方面，人类工作并未走向消亡。由于计算资源依然稀缺，劳动通过节省计算资源保持其价值。此外，

某些辅助性工作可能不会被AGI取代，为人类保留稳定且持久的角色定位。另一方面，尽管人类仍能创造经济价值，但其作用范围正急剧缩小。人类保留的工作——无论是核心岗位还是辅助性岗位——都受制于复制所需计算资源的固定价值。在经济增长加速的背景下，这意味着工资水平将停滞不前，劳动收入占比持续下降。即便是从事基础性工作的技术工人，其收入也仅能抵消计算资源的消耗成本——再无增长空间。总而言之：只要人类仍具备时间和技能，就能在AGI主导的经济体系中继续工作，但其经济贡献将变得微乎其微。经济持续增长，而我们却停滞不前。

一个耐人寻味的启示是，非自动化辅助性工作可能会长期存在。对于护理、酒店服务或心理治疗等高度依赖社交的岗位而言，模拟人类情感温度与社会直觉所需的计算资源可能极其庞大。即便这类工作在技术上可实现自动化，其经济可行性仍存疑。因此，这些领域或许仍能为人们提供有意义的工作。然而这些岗位虽重要，却无法带来收入增长——它们提供的薪资存在上限（可能打折交易），且难以跟上整体经济增长的步伐。在转型期的经济中，辅助性工作或许能维持稳定，但若不能让人力劳动占据核心经济地位，就难以成为财富增长的源泉。

向通用人工智能（AGI）的转型也面临着独特的挑战。若技术瓶颈成为关键——即核心制约因素在于开发AGI系统本身——那么转型期间的不平等现象可能急剧加剧，因为某些类型的工作将暂时获得超常价值。从劳动者视角来看，这种转型过程会让人感到不确定甚至不公平。具备特定技能的人可能眼看着工资急速缩水至与计算能力相当的水平，而另一些人则可能凭借纯粹的运气，因工作恰好属于最后一批被我们掌握自动化技术的领域，从而获得显著的薪资溢价。相较于计算能力受限、工资增长伴随着逐步下滑和劳动力重新分配的转型过程，这种转型显然更难驾驭。这里的核心问题在于：如何帮助劳动者顺利度过这场转型？

技术将人们联系在一起。我们如何帮助他们分担风险？其他政策，例如逐步部署该技术，是否有助于解决这个问题？

随着劳动不再主导价值创造，经济政策必须直面一个根本性问题：如何实现计算资源收益的公平分配？在人工智能通用智能（AGI）主导所有瓶颈性工作的世界里，生产活动产生的收益将流向掌控计算资源的群体。一种解决方案是通过全民分红机制重新分配计算收益。另一种思路则是将计算资源重新定义为公共或准公共资源，如同土地或自然资源般实现收益的广泛共享。

除了工资和产出，通用人工智能（AGI）还引发了关于意义与纯粹性的深层思考。历史上，劳动力始终是关键瓶颈：它推动经济增长，赋予个人在生产中的核心地位。但在AGI世界中，这种联系被彻底切断。人类劳动不再驱动进步，也不再是提升生活水平的必要条件。如果未来半数人口停止工作，无人会察觉。在AGI经济体系下，我们的存在将毫无价值。

即使工作毫无意义，人们还会选择继续工作吗？当工作不再具有经济必要性时，它还能保持意义吗？或者，我们是否会完全停止工作，不是因为我们被取代了，而是因为我们选择退出——在一个我们的技能不再重要的世界里寻求满足感？

扫码邀请进群，我们带你一起来玩转ChatGPT、GPT-4、文心一言、通义千问、讯飞星火等AI大模型，顺便学一些AI搞钱技能。

往期文章回顾