AGI 之后什么仍然稀缺？Dwarkesh 对话 Alex Imas 与 Phil Trammell：劳动份额、关系型服务、资本所有权与发展中国家的 AI 指数化策略
Alex Imas and Phil Trammell – What remains scarce after AGI?
📌 一句话核心
这场对话用经济学框架拆解 AGI 后的稀缺性：劳动份额是否坍塌取决于需求弹性、关系型服务、资本品价格和新产品种类；再分配不只是 UBI，还涉及基础资本所有权、指数化 AI 收益和发展中国家如何接入全球 AI 供应链。
💡 核心观点
- 核心问题是 AGI 后什么仍然稀缺。Dwarkesh 把问题落到经济学最基本的分配逻辑：如果 AI 和机器人能自动化多数生产，价值会流向哪里？劳动份额会不会从长期稳定的约 60% 坍塌到接近 0？答案取决于哪些 goods/services 仍稀缺，以及这些稀缺是否与人类劳动绑定。
- Alex Imas 提出 relational sector：人类在场本身可能成为价值来源。所谓关系型部门，是那些消费者愿意为“人类在 loop 中”额外付费的服务或商品。关键不是芭蕾演员这个极端例子，而是医生、导师、顾问、治疗师等岗位中，很多任务可自动化，但诊断、共情、责任背书或人际连接仍可能由人类保留并产生溢价。
- Phil Trammell 提醒：劳动份额高低并不直观。即使某些供应链完全自动化，整体资本份额是否上升仍取决于相对价格与边际效用。如果自动化商品数量趋近无限，但边际效用下降更快，人类关系型服务反而可能吸走更高消费份额。反过来，如果资本品种类持续扩张、需求不饱和，资本份额可能长期上升。
- “Messy Middle” 是政治经济学风险，而非纯技术风险。如果 AI 逐步替代白领岗位，却没有足够快地扩大总蛋糕，社会可能进入低速、局部失业、工资下移的 messy middle。两位嘉宾认为这个窗口存在但较窄；真正麻烦的是政治响应：2-3% 的快速失业上升就足以改变政治风向，而缓慢 drip 式冲击可能让人们转向低薪低匹配岗位。
- 再分配方案不应只停留在 UBI。Alex 担心纯 UBI 让基本生活依赖当权者支票，形成危险权力结构；universal basic capital 则把人变成正常股东，但难点在于如何买对未来 AI 收益资产。Phil 区分“税什么”和“怎么分配”：政府可以用消费税等方式筹资，再为公众购买广泛资本组合。
- 现在还看不到白领血洗，但不能据此排除未来跃迁。Alex 引用 Yale Budget Lab 等分析，认为宏观数据里目前很难看到 AI 导致的大规模失业；软件工程等暴露行业最多是 junior hiring 增速低于趋势，senior demand 甚至可能更强。短期解释包括 O-ring model：一个流程只要有少数关键环节不够可靠，就不能把多数任务放心交给 AI。
- O-ring 逻辑未来可能反向作用于人类。今天 AI 因可靠性不足难以替代完整岗位；但当 AI 生产流速度、质量、接口都远超人类后，人类可能反过来成为系统中的低速/低可靠组件。即使人类在某些任务上有比较优势，把人类整合进 machine economy 也可能因交易成本和质量约束而不划算。
- 资本所有权和“指数化 AI”成为分配核心。对个人和发展中国家，关键不只是再培训，而是能否持有未来 AI 经济增长的索引资产。如果 AI 像电力一样广泛扩散，买全球指数即可分享收益；如果收益集中在少数私有 frontier labs、芯片链或机器人公司，普通人和非供应链国家会更难获得增长份额。
- 发展中国家的策略更接近买入 AI index，而不是简单建数据中心。Phil 倾向优先让国家和公民尽早获得 AI 经济敞口，同时不放弃教育和再培训。Alex 强调存在两种世界：AI 像电力一样扩散、开放模型让各国 leapfrog；或收益集中，未接入硬件/模型/资本链的国家被甩开。
- 文章最终呈现的是一棵决策树，而非单一预测。劳动份额、需求坍塌、AI commoditization、open models、recursive self-improvement、资本市场可得性、发展中国家储蓄结构彼此相连。经济学的价值不是给一个确定答案，而是标出哪些变量会决定不同未来。
🎯 启示与思考
## 1. 这篇真正适合拿来和客户 CEO/CFO 谈，而不是只和 CTO 谈 这场对话的价值在于，它把 AGI 讨论从“模型能力会到哪里”拉回到“稀缺性、所有权、价格和分配”。企业高管真正关心的不是 AGI 的哲学定义，而是三个问题：我的业务里什么会变便宜？什么还稀缺？价值最终归谁？ 对咨询场景来说，这比一般 AI 趋势文章更有用。它提供了一套董事会语言：AI 不只是自动化成本项，而是重写 factor shares、relative prices 和资本所有权结构的技术。讨论 AI 战略时，如果只谈 productivity uplift，会低估组织、政治和资本市场层面的冲击。 ## 2. “Relational sector” 是服务业客户最该认真研究的变量 Alex 的 relational sector 对零售、奢侈品、医疗、教育、咨询、财富管理都很关键。很多企业现在默认：只要 AI 能做，消费者就会接受更便宜的 AI 服务。但这篇提醒我们，有些场景中“由人完成”本身就是产品价值的一部分。 这不是反技术，而是更精细的自动化边界划分。未来服务设计可能不是“人 vs AI”，而是把任务拆成三层：后台分析和准备高度自动化；中台验证和质量控制由 AI+人协同；前台关键接触点保留人类身份、共情和责任背书。对 L'Oréal、LVMH 这类品牌客户尤其明显：品牌体验里的人类触感、审美判断和信任关系，可能是越自动化越值钱的部分。 ## 3. 对企业 AI 转型，最危险的误判是把“当前没失业”误读成“长期没冲击” 文章指出目前还没有白领就业血洗，这对缓解恐慌有帮助；但它同时解释了为什么当前没发生：可靠性、监管、责任归属、O-ring 流程和组织惯性都在减速。 这对企业的启示是：不要用今天的宏观就业数据否认未来转型，也不要用未来 AGI 想象制造今天的裁员叙事。更稳妥的路线是做 task-level exposure 和 workflow-level redesign：哪些任务 AI 已经能做但因责任/可靠性不能完全放手？哪些岗位会先变成“少人更强”？哪些岗位短期受益于 AI 而不是被替代？这比粗暴预测“某职业会消失”更可操作。 ## 4. “AI 指数化”是一个被严重低估的国家/企业战略问题 对发展中国家和非 AI 供应链企业来说，最关键的问题可能不是“要不要自己训练大模型”，而是“如何获得未来 AI 经济的 beta”。如果 AI 像电力一样扩散，使用者和下游企业分享大部分收益；如果像社交媒体平台一样集中，租金会留在少数平台和资本所有者手中。 企业层面也一样。很多传统行业客户不一定要成为 frontier lab，但必须确保自己不是只买 AI 服务、却没有任何数据资产、流程资产、客户入口或资本敞口。换句话说，AI 战略要同时设计 operating exposure 和 financial/asset exposure：一边用 AI 改造业务，一边确保自己的专有数据、渠道、品牌和流程能捕获部分增量价值。 ## 5. 给 Accenture / Microsoft 生态的落点：从 Copilot adoption 走向 AI economic resilience 这篇可以转化成一个高阶服务主题：AI Economic Resilience。它不只是部署 Copilot，而是帮助客户回答： - 哪些业务环节会因 AI 变成低价 commodity？ - 哪些客户体验必须保留人类稀缺性？ - 哪些岗位应转向验证、关系和责任背书？ - 企业如何让 AI 带来的生产率提升转化为自身利润，而不是被上游平台吸走？ - 如果行业出现 messy middle，组织如何设计再培训、内部流动和利润分享机制？ Microsoft 生态里，M365 Copilot、GitHub Copilot、Azure AI Foundry 解决的是 capability layer；但客户真正需要的是 capability 之上的经济和组织设计。咨询公司能补上的正是这一层：把 AI 能力翻译成岗位重构、服务体验、治理机制、投资优先级和价值捕获模型。
📜 中文解读
一、为什么经济学是 AGI 问题的核心语言
Dwarkesh 开场提出：有一类关于 AI 的重要问题，只有经济学能回答。AGI 产生的财富应该如何征税和再分配？不在 AI 供应链里的国家如何分享收益？有没有一个世界里不平等不会爆炸？这些问题看似直觉上有答案，但经济学最常提醒我们的，正是直觉经常错。
这期嘉宾是 Alex Imas 和 Phil Trammell。Alex 是 Google DeepMind 的 AGI Economics Director，同时是芝加哥大学经济学教授；Phil 是 Epoch AI 的 Head of Economics，也是 Stanford research scholar。对话关注的核心是：在越来越多自动化和高级 AI 的世界里，工资、劳动份额、资本份额、征税、再分配和稀缺性会怎样变化。
二、AGI 之后什么仍然稀缺？
Alex 首先提出 relational sector（关系型部门）：一些商品和服务的价值，部分来自“有人类在 loop 中”。因为人类天然稀缺，如果大量其他东西不再稀缺，那么凡是人类参与本身构成价值的地方，仍可能保持稀缺性。
Dwarkesh 用“机器经济”和“人类经济”拆解这个问题。假设 AI 和机器人能做任何人类能做的物理工作，那么机器可以建工厂、做研究、生产新商品。人类可能仍然愿意为人类芭蕾演员、人类咖啡师、人类医生或人类顾问付费；但这些偏好只存在于人类那里。机器经济本身不需要人类咖啡师。因此问题是：人类之间互相服务的经济，会不会变成越来越小的一部分？
Alex 强调，不应把讨论局限在芭蕾演员这种极端例子。更重要的是大量现实岗位本来就是任务组合。以医生为例，医生要填保险文件、联系药企、看病人、提供诊断和支持。AI 可以自动化很多任务，但消费者可能仍愿意为“关键时刻由人类医生解释和背书”付费。这样的岗位就可能属于关系型部门。
三、劳动份额为什么难预测
Dwarkesh 解释了 labor share 和 capital share：整个经济总产出要么以工资形式支付给人，要么以资本回报形式支付给机器、建筑、土地和企业所有者。长期以来，约 60% 的经济支付给工资，30-40% 支付给资本。AGI 后，这个 60% 会不会缩小？
Alex 回顾了 David Ricardo 在工业革命时期的预测：许多当时有价值的工作会被机器自动化，这点预测对了；但 Ricardo 没预见到结构变化——自动化让某些商品变便宜，人们把更多钱花到新服务上，新工作因此被创造出来。这就是 lump-of-labor fallacy 的教训。
Phil 则提醒，即使某些商品的整个供应链都可以自动化，整体资本份额的变化仍然不直观。设想有两个部门：人类内在价值部门（比如人类表演）和其他全部部门。如果后者完全自动化、数量趋近无限，但人们很快饱和，边际效用下降得比数量上升更快，那么人类部门反而可能占据更大消费份额。反过来，如果资本部门持续创造新种类商品，让人类始终不饱和，那么资本份额可能上升。
四、关系型服务和需求弹性
Alex 强调，现在缺少关键数据。我们没有足够好的 consumer demand elasticities 数据，也没有持续追踪哪些任务被创造或摧毁。O*NET 等任务数据库更新慢、质量低。真正有用的是建立不同场景：如果劳动份额归零，什么模型能解释？如果劳动份额保持稳定，什么稀缺性会支持它？然后反推应该收集什么数据。
关系型服务能否支撑高劳动份额，取决于消费者愿意为人类在场支付多少溢价。Alex 举了艺术品实验：同一张艺术版画，如果是人类创作，消费者支付意愿显著高于 AI 创作；但如果人类创作不再是唯一一张，而是 500 张之一，价格会下降，因为它不再体现与艺术家的连接。AI 作品则本来就被视为 commodity。
关键问题是：人类是不是像马一样只是某个产出的输入？如果人类可以被替换而产出价值不下降，那么关系型故事不成立；如果替换人类会降低消费者对产出的价值评估，那么人类仍可能保留经济稀缺性。
五、Messy Middle：自动化很多，但财富增长不够快
Dwarkesh 提出 Molly Kinder 的 “Messy Middle” 场景：AI 逐步自动化许多工作，很多人失业或降薪，但财富创造速度不足以补偿这些人，社会没有进入全面繁荣，而是进入政治经济学上很麻烦的中间状态。
Phil 认为这种场景可能存在，但窗口较窄。如果 AI 技术强到足以自动化大量工作，通常也意味着总蛋糕会快速增长。除非 AI 只是在很多职业中“刚好便宜一点点”，足以替代人，但不足以带来 abundance effect。
Alex 补充，最坏的可能是 drip scenario：不是大规模突然失业，而是人们被缓慢挤到低薪、低匹配岗位。电话接线员自动化用了约 20 年，许多人最终被重新吸收到经济中，但工资更低、匹配更差。快速失业会触发政治紧急响应；缓慢下滑反而可能更难处理。
六、如何征税和再分配 AI 财富
对再分配，Alex 认为不同方案复杂度和生效时间不同。Negative income tax 可以很快建立收入地板；UBI 简洁，但他担心政治经济学后果：如果人们基本生活完全依赖政府支票，谁掌权就变得极其重要。
Universal basic capital 则把人变成资本所有者，像普通股东一样拥有资产权利。但难点是 targeting：应该把哪些资产放进公众组合？如果 Anthropic 归零而某家机器人公司捕获全部收益怎么办？
Phil 强调要区分“如何筹税”和“如何分配”。政府可以用消费税或其他广基税筹资，再购买股票或资本组合分配给大众。重点不是简单没收某个知名 AI 公司，而是让公众拥有未来 AI 经济的广泛资本敞口。
七、为什么现在还没看到白领失业潮
Dwarkesh 问：现在是否已有 AI 导致的大规模自动化或失业证据？Alex 回答，目前宏观数据里很难看到。Yale Budget Lab 等分析显示，即使在软件工程等高暴露行业，也很难看到明显就业冲击；可能有 junior developer hiring 低于趋势的信号，但 senior software engineers 的需求甚至更强。
Alex 提醒不要被叙事带偏。有些公司可能因为“如果不裁员就显得没跟上 AI”而裁员，这是一种公共协调叙事，而不一定反映真实生产率提升。当前还没有白领 bloodbath 的证据。
一个解释是 O-ring model。许多工作由一系列任务组成，只要一个关键环节可靠性不够，整个流程就不能完全交给 AI。AI 可以自动化九成任务，但如果剩下一成决定最终质量，人类仍然保留价值。
八、未来 O-ring 逻辑可能反过来排斥人类
Dwarkesh 指出，O-ring 逻辑今天解释为什么 AI 还不能完全替代律师、会计师、软件工程师；但未来可能反向作用。如果 AI 生产流程速度极快、质量极高、接口彼此优化，那么把人类塞进流程可能变得昂贵且低可靠。即使人类在某个小任务上有比较优势，交易成本和质量拖累也可能让系统不愿集成人类。
Phil 认同这个对称性。今天 AI 可能因为九成任务做得不够可靠而不能替代人；未来人类也可能因为速度或质量无法匹配 AI 流程，而不再被用于那剩下的一成任务。
Alex 补充，律师等职业还受到监管、执照和责任归属约束。即使没有关系型元素，也需要某个实体为产品负责。但 Phil 认为，这些政治和制度摩擦可能只是过渡性。历史上人类组织政治和信任的方式变化过很多次；如果 AI-run political system 明显更高效，也可能最终竞争胜出。
九、资本积累、偏好和未来经济的所有权
对话进一步讨论：未来不只有人类偏好，还可能有 AI 或 AI 驱动企业的偏好。演化选择可能偏好那些增长最快、积累最多资源的 agents。Phil 区分了两类人：一类只是额外喜欢人类服务，但对资本同样会饱和；另一类对资本积累本身几乎不饱和，比如想探索宇宙、扩大影响力、创造新幸福生命。后者会有更高储蓄率，长期可能掌握大部分财富。
Dwarkesh 用现实富豪举例：很多最富有者的财富不是用于消费，而是以公司股票形式继续复利。他们未必在乎未来研究员和工程师是人还是 AI。Phil 认为，历史上这类不饱和资本偏好者一直存在，只是财富会通过死亡、继承、基金会消散；如果未来寿命延长或机制更稳定，这类偏好可能更持久。
十、发展中国家应该怎么办
Dwarkesh 问：不在 AI 生产链上的国家——不训练模型、不生产芯片、不做 HBM、不拥有 ASML——应该怎么办？如果对印度或尼日利亚领导人提建议，会说什么？
Alex 认为，这是经济学界投入严重不足的问题。存在两个世界：一个世界里 AI 技术扩散到尼日利亚等发展中国家，给它们能力跃迁；另一个世界里，因为缺少资源、硬件和模型，它们被完全甩开，而且自动化使发达国家也能生产许多过去依赖发展中国家的商品。后一种世界很糟糕。
Phil 认为，对于发展中国家，messy middle 可能更宽，因为它们起点更低、财富更少、与全球 AI 经济的 index 更弱。因此它们需要尽快获得对 AI 经济增长的敞口。形式可以是主权财富基金投资关键供应链，也可以补贴公民购买相关资产。
十一、AI 会像电力还是社交媒体？
Alex 提出一个关键类比：AI 会像电力，还是像社交媒体？电力是基础资源，很多下游收益流向使用电力的企业和消费者，而不是都留在电力公司。社交媒体则相反，虽然人人使用，但租金主要留在平台。
如果 AI 像电力一样成为整个经济的底层通用技术，每家公司都能接入并利用，那么买广泛市场指数就能分享收益。如果 AI 收益集中在少数私有 frontier labs、芯片公司或机器人公司，那么普通人和发展中国家就很难指数化这些收益。
这也连接到 open models。如果开放模型只落后 frontier 六到九个月，那么 AGI 能力可能快速扩散，AI 更像电力。若 frontier 公司长期保持巨大领先，收益和权力就更集中。
十二、结论：这是一棵决策树，不是一个确定预测
这场对话没有给单一预测，而是呈现了一棵决策树。劳动份额是否坍塌，取决于关系型服务、需求弹性、新资本品种类、资本价格和人类偏好；messy middle 是否出现，取决于自动化速度、总蛋糕扩张速度和政治响应；再分配是否可行，取决于税制、基础资本、资本市场可得性和 AI 收益是否可指数化；发展中国家的命运，取决于 AI 像电力一样扩散，还是像平台一样集中。
经济学在这里的价值，不是预言未来，而是告诉我们应该观察哪些变量、收集哪些数据、设计哪些制度。AGI 后最稀缺的东西，可能不是劳动本身，而是人类关系、可信责任、资本所有权、对增长资产的接入，以及能把这些变量组织成政策和企业战略的能力。
💎 金句精选
"What is scarce tells you where the value will accrue."
「什么是稀缺的，决定了价值会流向哪里。」
"Because humans are naturally scarce, if we have automation where a lot of other things stop being scarce, we will still have scarcity in the things that humans are involved in and in the loop for."
「因为人类天然稀缺，如果自动化让许多其他东西不再稀缺，那么那些有人类参与并处在 loop 中的事物仍会稀缺。」
"We don’t have any data. I’ve been saying we need a Manhattan Project for data."
「我们没有数据。我一直说，我们需要一个数据版曼哈顿计划。」
"One robot now turns into many robots next year, but the number of ballerinas is the same."
「一个机器人今年可以在明年变成很多机器人，但芭蕾舞演员的数量还是一样。」
"If there’s a 2% increase in unemployment, the political winds completely change."
「如果失业率上升 2%，政治风向就会完全改变。」
"Right now, we don’t really have any evidence of a white-collar bloodbath."
「目前我们确实没有任何白领血洗的证据。」
"If you automate nine out of ten tasks. One task is not automated. If that person can now focus in on that task, the job will become more productive."
「如果十个任务中九个被自动化，只剩一个没有自动化，而人可以专注于那个任务，这个岗位反而会更高产。」
"The price of capital is falling relative to the price of consumption."
「资本的价格相对于消费的价格正在下降。」
"AI is going to be like electricity or social media?"
「AI 会像电力，还是会像社交媒体？」
"I would prioritize trying to index, just given how fast AI could hit the world. But I definitely wouldn’t just rely on that."
「考虑到 AI 可能冲击世界的速度，我会优先尝试指数化；但我绝不会只依赖这一点。」