智能体时代,谁来为认知劳动定价?——计算锚定工资理论 Who Prices Cognitive Labor in the Age of Agents? Compute-Anchored Wages
把AI智能体视为资本转劳动技术,推导出工资天花板 WH≤λ·k·rc
前置知识
边际产品定价理论
完全竞争市场中,要素价格等于其边际产品的价值。对劳动而言 $W = P \cdot \partial F/\partial L$,对资本 $r = P \cdot \partial F/\partial K$。Mankiw 教材是该理论的经典来源。
本文推导 CAW 上界完全建立在标准成本最小化框架之上,核心改动是把'智能体'的入模型位置重新编码,因此理解原始框架才能看到作者的'再编码'在哪里起作用。
CES(常替代弹性)生产函数
形如 $L_{eff} = A(\alpha L_H^\rho + \beta L_A^\rho)^{1/\rho}$ 的聚合函数,$\sigma = 1/(1-\rho)$ 即劳动间替代弹性。$\sigma \to \infty$ 完全替代,$\sigma \to 0$ Leontief 固定比例
完美替代假设过于强烈,作者用 CES 把 CAW 推广到任意 $\sigma$,并指出 $\sigma$ 才是任务级别的真正经验原语,取代'是否被 AI 替代'的二元划分。
Task-based 自动化框架(A-R)
Acemoglu & Restrepo 提出:资本自动化一组任务,把劳动力挤出该任务,同时通过新任务创造产生回流效应。CAW 框架可视为其特例,把自动化资本锁定为计算资本,把被替代劳动锁定为认知劳动。
本文与 A-R 既有继承也有扩展,了解 A-R 才能理解 CAW 强调'识别弹性边际'这一增量贡献的相对位置。
技能偏向型技术变迁(SBTC)
Katz-Murphy 与 Autor 等学者论证 IT 资本历史上对高技能认知劳动是互补、对常规劳动是替代,形成技能溢价上升与职业极化。本文预测 SBTC 在认知劳动内部出现'方向反转':同一职业内可替代部分被压价、可互补部分被加价。
SBTC 是论文对比的'前范式',作者声称 CAW 给出可检验的横截面新预测,与传统一维技能阶梯不同。
研究动机
流行讨论把 AI 智能体等同于'边际成本近零的劳动力',从而推出认知工资被压至零的结论。这一'水平供给曲线'直觉在 Acemoglu-Restrepo 任务框架、Eloundou 等人 80% 工人受影响 10% 任务的暴露度量、以及 Brynjolfsson 等人在客服场景记录到的 14% 生产力提升等经验事实面前显得过于粗糙。具体场景中,一份合同审查 paralegal 的'可替代小时'工资究竟由谁定价?文本生成、检索、分类、摘要这些任务上的工资上限应当由何处决定?如果仍放在劳动市场里,劳动力供给曲线几乎不可能无限弹性,这一思路在机制上就不自洽。
本文的目标是本文目标是把'弹性供给'这条边际识别到正确的市场——计算资本市场——而非劳动力市场。具体目标包括:(1) 推导一个闭式的人类认知工资上界 $W_H \leq \lambda \cdot k \cdot r_c$,称之为 Compute-Anchored Wage(CAW);(2) 通过 CES 聚合把完美替代推广到任意替代弹性 $\sigma$,并指出 $\sigma$ 是任务级别可估计的经验量;(3) 用 2024-2025 年的 GPU 租金与推理强度做数值校准,展示 CAW 已经在多大范围内具有现实约束力;(4) 在任务异质性 $T_S \cup T_C$ 上给出可检验的横截面预测,在宏观层面落到资本-劳动份额与可干预政策杠杆。
与已有工作不同的是，已有文献中,Acemoglu-Restrepo 强调任务结构,Korinek/Stiglitz 关注分配后果,Aghion 等聚焦通用目的技术增长含义,但几乎没有一篇把'可替代认知劳动'的工资上界显式绑定到 GPU 租金 $r_c$、推理强度 $k$ 与相对生产率 $\lambda$ 这三个可观测变量上。本文独特切入点是:把智能体重新编码为'把 $K_c$ 转化为 $L_A$ 的资本-劳动转换技术 $\phi$',把边际识别明确指向物理 fab 容量、电力、土地与地缘政治约束下供给弹性有限的计算资本市场,从而给出既有理论已经具备全部数学机制、只是'原语位置放错了'的论断。
核心方法
整体方法是在 Mankiw 标准因子市场框架上做一次'原语重新编码'。先把 AI 智能体从'另一种劳动 $L_A$'改写为'通过技术 $\phi$ 把计算资本 $K_c$ 转化为有效认知劳动 $L_A = \phi(K_c) \approx K_c/k$ 的资本-劳动转换器',$L_A$ 没有家庭供给曲线,其供给弹性继承自 $K_c$。在此基础上,先用完美替代假设 $L_{eff} = L_H + \lambda^{-1} L_A$ 做成本最小化推出 CAW 上界;再用 CES 聚合 $L_{eff} = A(\alpha L_H^\rho + \beta L_A^\rho)^{1/\rho}$,$\sigma = 1/(1-\rho)$,得相对工资条件 $W_H/W_A^{eff} = (\alpha/\beta)(L_H/L_A)^{\rho-1}$;最后用 $r_c = \$2/\text{GPU-hour}$、$k \in \{0.05, 1\}$、$\lambda \in \{0.5, 1, 2\}$ 在 2024-2025 价位做数值标定,并讨论宏观因子份额与政策杠杆。
核心创新不在数学上——CAW 推导只是教科书级成本最小化——而在原语层面的经济直觉重置:把智能体从'供给水平为 0 的劳动'改写为'供给受 fab/电力/数据中心 lead time 约束的计算资本的转换器'。其本质区别有三:(1) 弹性边际从劳动市场迁移到计算资本市场,工资决定方程不再含 $L_H^s$;(2) 任务级参数 $\sigma$ 取代二元'自动化/不自动化'编码,作为可估计经验原语;(3) CAW 上界显式绑定到可观测的 GPU 租金 $r_c$,把'AI 是否压低工资'的争论转化为'$(k_t, r_{c,t})$ 联合轨迹如何在任务级别传播'这一可证伪问题。
方法步骤详情
第一步:定义 $L_A = \phi(K_c)$,$\phi$ 嵌入模型与推理栈,其提升等价于降低 $k$;$K_c$ 含物理、IP、沉没资本。第二步(Prop 1):完美替代下解 $\min W_H L_H + r_c k L_A$ s.t. $L_H + \lambda^{-1} L_A \geq 1$,得 $W_H < \lambda k r_c$ 全用 $L_H$,$W_H > \lambda k r_c$ 时 $L_H$ 无法雇佣,$W_H = \lambda k r_c$ 时共存。第三步(CES):对数微分得半弹性,$\sigma \to \infty$ 退化为 CAW,$\sigma \to 0$ 通道失效。第四步(标定):代入 $r_c \in \{2,5\}$、$k \in \{0.05, 1\}$、$\lambda \in \{0.5, 1, 2\}$ 得 9 格。第五步(任务):分 $T_S$(起草/检索/摘要)与 $T_C$(判断/问责/关系),paralegal 80%/20% 与律师 30%/70% 为例。第六步(政策):讨论计算税、公共计算、反垄断、电力四
技术新颖性
技术新颖性体现在三处再编码,而不是新的均衡存在性定理。第一,把'智能体'从劳动投入侧移到资本-劳动转换函数 $\phi$,让原本无限弹性的水平供给曲线消失;第二,把任务级替代弹性 $\sigma$ 显式提升为经验原语,与 Eloundou 等人暴露度指标挂钩;第三,把因子价格 $r_c$ 显式锚定到 GPU 现货与合约租金这一可观测市场。三者合起来,使原本只能在 A-R 框架里定性讨论的'自动化压工资'变成可定量跟踪的 $(k_t, r_{c,t}, \sigma_{task})$ 三元组动力学,从而把 AI 对工资的影响从思辨叙事推进到可证伪预测。
实验结果
核心发现是闭式上界 $W_H \leq \lambda \cdot k \cdot r_c$ 与 CES 推广。完美替代下,只要 $L_H > 0$,任何均衡必须满足上界,内点解 $W_H = \lambda k r_c$。CES 半弹性 $d\log W_H/d\log W_A^{eff} = 1 - (1/\sigma)\cdot d\log(L_H/L_A)/d\log W_A^{eff}$,劳动力完全弹性时退化为 1,Leontief 时归零。Table 1 显示:前沿模型 $r_c = \$2$/h、$k = 1$ 时,$\lambda = 0.5/1/2$ 对应上界 \$1.00、\$2.00、\$4.00/h;$r_c = \$5$/h 时升至 \$2.50、\$5.00、\$10.00/h;蒸馏模型 $k = 0.05$ 降至 \$0.05-0.20/h。横截面预测:同一传统技能下,$T_S$ 占比高(paralegal 80%)工资被压,$T_C$ 占比高(资深诉讼律师 70%)工资被抬,与 Katz-Murphy SBTC 一维阶梯不同的方向反转。
查看结构化数据
| 任务 | 指标 | 本文 | 基线 | 提升 |
|---|---|---|---|---|
| 高产量可替代任务(摘要/分类/初审) | CAW 上界($/小时) | 蒸馏小模型场景 $\lambda \in \{0.5, 1.0, 2.0\}$, $W_H \leq \{0.05, 0.10, 0.20\}$ USD/h | 美国最低工资 7.25 USD/h 与 paralegal 中位 ~25 USD/h | 理论预测显示该任务人类工资无法维持高于 CAW 上界,实际就业将向 $L_A$ 转移 |
| 前沿模型可替代推理任务 | CAW 上界($/小时) | $r_c = 2$ 时 $W_H \leq \{1.00, 2.00, 4.00\}$, $r_c = 5$ 时 $\{2.50, 5.00, 10.00\}$ USD/h | Brynjolfsson 等客户支持 14% 时间节省、Noy & Zhang 写作 40% 时间节省 | 上界随 $k$ 改进单调下降,任务级 $\sigma$ 控制 CAW 压力传导速率 |
| 可互补认知任务($T_C$,判断/问责/关系) | 相对工资与替代弹性 | CES 给出 $\sigma \to 0$ 时压缩通道失效, $W_H$ 跟随 $L_H^s$ | Acemoglu-Restrepo 任务回流效应 | 提供任务级 $\sigma$ 估计框架,显式保留 A-R 的 Reinstatement Effect |
局限与改进
作者承认的局限有七项:(1) Jevons 效应——认知产出需求弹性可使 $L_H$ 总就业上升,CAW 只约束工资不约束工资账单;(2) Ricardian 比较优势只决定配置,不改变可替代边际价格锚定;(3) 责任、问责、信任与共场等非边际产品工资成分不在生产函数刻画之内;(4) CAW 假设计算市场完全竞争,被垄断或纵向整合时 $r_c$ 失去竞争含义,需代之以 markup-adjusted 版本;(5) 算法改进使 $\phi$ 内生,$k$ 指数衰减 $k_0 e^{-gt}$ 长期把 CAW 推向零;(6) $T_S \cup T_C$ 任务边界随能力前沿外移,需要时间索引任务分类学;(7) $K_c$ 物理/IP/沉没三组件未分解。我额外观察的局限:推导基于代表性企业,忽略劳动力异质技能分布;CAW 是均衡条件而非因果识别,经验上难把 $W_H$ 下降归因于 CAW 而非同时发生的全球化或教育溢价变化;$r_c$ 与 $k$ 任务级取值以区间和点估计给出,缺乏公开标准化测量协议。
独立分析的弱点
从独立分析角度,本文存在三类弱点。第一,经验校准薄弱:Table 1 完全由作者给定的 $(r_c, k, \lambda)$ 区间代入得出,没有提供对历史职业工资 $W_H$ 的反事实检验,也没有将 paralegal/律师的具体小时工资与 CAW 上界做时间序列对照;改进方向是构造任务级 panel,跑 DID 或合成控制,验证 $W_H$ 在 $r_c$ 下降时是否如 CAW 预测下行。第二,$\sigma$ 估计缺位:作者把 $\sigma$ 称为'可估计经验原语',但全文未给识别策略;改进方向是利用 Eloundou/Felten 暴露度与职业工资变化的面板,或借鉴 Krusell 等用资本-产出比对技能溢价联合估计的方法反推 $\sigma$。第三,$\phi$ 与 $K_c$ 异质性处理粗糙:模型权重 IP、沉没训练资本与物理计算的定价机制迥异,合并成单一 $K_c$ 与单一 $r_c$ 会高估短期 CAW 的纪律力、误判其长期轨迹;改进方向是把三组件分别建模并把 IP 租金作为 markup over marginal compute 进入 CAW。
未来方向
作者已提出六类延伸:(1) 跟踪 $(k_t, r_{c,t})$ 联合轨迹并校准长期 $\phi$ 改进率 $g$;(2) 构造时间索引任务分类学以追踪 $T_S \to T_C$ 迁移;(3) 引入 $K_c$ 三组件分解;(4) 把 CAW 嵌入 DSGE 或任务动态模型;(5) 用 GPU 现货与合约价构造可观测 $r_c$ 时间序列;(6) 在任务级 panel 上估计 $\sigma$。基于成果可延伸的方向还包括:把 CAW 与 'Jevons 补偿' 联合,推出 $W_H L_H$ 总工资账单的符号条件;在跨国面板上比较 $r_c$ 受供给冲击(出口管制、电力价格)冲击时本土职业工资的反应,把 CAW 转化为地缘经济可证伪命题;把问责、信任等非生产函数要素用 Lagrange 乘子或信号博弈模型重新引入,扩展 CAW 到含 liability premium 的版本;最后,把 $\phi$ 与 $K_c$ 都视为内生后讨论 $(\phi, r_c)$ 鞍点动力学。
复现评估
复现成本低。CAW 推导本身只是教科书级成本最小化,数学结果可由任意符号计算或 LaTeX 笔记本重做。Table 1 的 9 个格点由 $(r_c, k, \lambda)$ 区间代入即得,不依赖训练或私有数据;CES 半弹性公式 (10) 可由对 (9) 总微分复现。真正难以复现的是经验内容:$(r_c, k, \lambda)$ 的精确取值依赖云厂商 GPU 现货价、模型推理吞吐量基准、人机对照实验数据,这些数据大部分公开但需要按 $k = 1$ H100-hour/agent-hour 的换算口径重新整理;论文没有给出复现 GitHub 仓库,也没有给出 $\sigma$ 估计的代码与中间产物。算力需求为零(理论文章),实现难度低,但任务级 $\sigma$ 经验估计与 GPU 租金时间序列的构建工作尚待补全。
论文图表