推荐一篇很有意思的文章，彭博社的Tracy Alloway提出了一个概念：AI可能极大提高每个人的生产效率，却未必提高整个社会的经济效率。甚至可能创造出大量… · @Zhibin992 · TwKit

@Zhibin992

推荐一篇很有意思的文章，彭博社的Tracy Alloway提出了一个概念：AI可能极大提高每个人的生产效率，却未必提高整个社会的经济效率。甚至可能创造出大量原本不存在的工作，让人类投入越来越多的算力和资金，仅仅为了维持原来的结果。 文章举了几个很有趣的例子。 比如，未来消费者使用AI Agent购物，自动寻找最低价。但商家也有自己的Agent，利用消费者行为数据，努力卖出最高价。 于是，买卖双方的AI开始持续博弈，不断调整策略。最后还是成交了一台电脑，但双方额外消耗了大量Token和算力。 保险行业也一样。保险公司的AI自动拒绝理赔，投保人的AI自动生成申诉材料，保险公司的AI继续驳回，投保人的AI再次反驳。 过去两个人就能完成的工作，现在变成一群Agent没完没了地争论。 网络安全领域则更加典型。AI帮助安全研究人员发现漏洞，攻击者利用AI寻找攻击方式，防御者再利用AI修补漏洞。攻防双方不断升级，算力消耗也随之增加。 作者认为，这可能形成一种AI时代的杰文斯悖论：技术效率的提高，反而带来了更多的资源消耗。 更深层的机制，则是经济学和演化生物学中经常引用的“红皇后效应”。 《爱丽丝镜中奇遇记》里有一句经典的话：你必须拼命奔跑，才能留在原地。 当所有企业都开始使用AI时，单个企业即便不想增加投入，也可能不得不跟进。因为竞争对手正在利用AI变得更加强大。 对每个参与者来说，增加AI投入是理性的；但对整个经济系统来说，这可能是一场昂贵的军备竞赛。 我觉得，这篇文章对理解当前AI资本市场定价尤其有启发。 过去市场习惯于沿着一条逻辑理解AI产业：模型能力越来越强，Token消耗越来越多，算力需求不断增长，最终推动AI企业收入和利润扩张。 但这里有一个容易被忽略的问题：Token消耗量的增长，究竟是在创造新的经济价值，还是仅仅用于抵消竞争对手的技术进步？ 两种情形都会带来算力需求，都会形成数据中心和上游芯片厂商的收入，但对整个产业链的利润分配，影响可能完全不同。 尤其是当AI商业模式逐渐从按照Token、调用次数收费，转向按照完成的任务和结果收费时，这个问题会变得更加突出。 如果两个Agent为了完成一项原本简单的任务，需要相互博弈几十个回合，那么上游算力供应商可能获得更多收入，但按照结果收费的下游服务商，利润率反而可能被不断侵蚀。 当然，这不意味着AI注定无法提高社会生产率。更好的价格发现、更公平的理赔和更可靠的网络安全，也都是真实的经济价值。 但AI创造的工作量，不等于AI创造的经济价值。 这可能是未来几年理解AI产业非常重要的一个区分。 技术进步不一定减少工作，它也可能通过竞争机制，不断创造出新的工作。 最终我们可能发现，机器越来越聪明，算力消耗越来越大，所有人都在拼命奔跑，却只是为了留在原地。

曝光 141 · 评论 4 · 点赞 3 · 书签 0