通往AGI的过渡情景
如果人类能做的任务复杂度无上限，工资可以永远涨；如果有上限，AGI 到来时工资必然崩塌——但即使在崩塌之前，自动化速度超过资本积累速度就足以让工资暴跌。这篇论文用一个以计算量为核心的经济学框架，把通往 AGI 的不同路径翻译成了可量化的产出与工资情景。
它要回答什么问题
AGI——能执行人类所有认知任务的 AI——可能在 5 到 20 年内到来。这不是科幻预测：OpenAI 的 Altman、DeepMind 的 Hassabis、Anthropic 的 Amodei，以及深度学习教父 Hinton 和 Bengio 都公开表达了这一判断。
但经济学界对一个基本问题缺乏框架：从现在到 AGI，产出和工资的路径到底会长什么样？此前 Acemoglu 和 Restrepo 等人的任务替代模型处理的是部分自动化，没有触及逼近完全自动化时的极端情形。Aghion 等人(2019)分析了 AI 与增长，但没有聚焦工资。这篇论文就是来补这个空白——不是预测 AGI 何时到来，而是给定不同的到来路径，推导出各自对应的经济后果。
核心框架：计算空间中的任务
假设一：原子任务。 人类工作可以拆成不可再分的「原子任务」，每个任务有一个固定的计算复杂度 i。一个经济学家的 ONet 职业任务是「教授经济学理论」——但这背后是规划课程、回忆理论、制作幻灯片、解读学生表情、即兴调整节奏等几十个原子任务，各自需要不同的计算量。创新不创造新的原子任务，只是把现有原子任务重新组合成新的职业。
假设二：自动化前沿。 存在一个自动化指数(衡量当前技术能自动化多复杂任务的门槛值) I，它随时间指数增长（对应摩尔定律(芯片算力约每两年翻一番的经验规律)）。所有复杂度低于 I 的任务可以由资本或劳动完成；高于 I* 的只能由劳动完成。
假设三：互补生产。 所有原子任务通过一个CES 聚合器(一种允许任务之间有互补性的生产函数)组合成最终产出，替代弹性 σ < 1——任务之间是互补品，不能互相替代。
核心机制：两个区域与驼峰效应
区域 1（劳动稀缺）： 自动化指数低于阈值时，劳动相对于资本是稀缺的。工资高于资本回报率（w > R），劳动只被部署在无法自动化的任务上，资本负责已自动化的任务。这是过去 200 年人类经历的世界——资本和劳动互补，自动化提高生产率，工资随之上涨。
区域 2（劳动不再稀缺）： 当自动化前沿推进到只剩很少任务是人类独占时，劳动失去稀缺性优势。工资塌到等于资本回报率（w = R = A），劳动和资本在边际上变成完全替代品。经济变成类似 AK 模型——产出随资本线性增长，但劳动不再享有溢价。
关键是：阈值 Î 只取决于 K/L 比率，与任务之间的互补程度 σ 无关。 即使任务高度互补（σ 很小），只要劳动不再稀缺，它就会被当作另一种资本使用。
自动化对工资的效应因此是驼峰形的：低水平自动化提高工资（生产率效应主导），但过了某个阈值后工资下降（替代效应主导）。右面板的模拟显示，在资本充裕（K=10）且任务高度互补（σ=0.2）的条件下，工资在自动化 80% 时看似指数增长，但在 83% 附近急剧下跌约 85%。命运可以在很窄的窗口内翻转。
动态分析：自动化 vs 资本积累的赛跑
静态分析只说「自动化太多工资会跌」。但经济是动态的——自动化提高资本回报率，触发资本积累，把经济拉回劳动稀缺区域。工资的命运取决于这场赛跑的结果。
论文推导出一个核心命题（命题 7），给出了三种长期均衡，全部取决于任务自动化速率 λg 与长期储蓄率 (A−ρ−δ)/η 的比值：
四种情景的模拟结果
初始参数：折现率 ρ=0.04，风险厌恶 η=2，折旧率 δ=0.1，替代弹性 σ=0.5，TFP A=0.5，初始劳动份额 66%。这些是宏观经济学的标准值，不是为特定结论定制的。
五个扩展：固定要素、研发自动化与怀旧岗位
| 扩展 | 核心机制 | 对工资的影响 |
|---|---|---|
| 固定要素（矿产、土地） | 不可再生要素成为增长瓶颈，资本回报率被压到 ρ+δ | 即使任务尾巴无界，工资也终将崩塌——固定要素让资本积累追不上自动化 |
| 自动化研发 | AI 加速 R&D → 技术参数 A 内生增长 → 资本回报率提高 → 更快积累 | 可触发增长奇点（有限时间内产出趋于无穷）；工资也跟着起飞，即使此前已崩塌 |
| 怀旧岗位 | 社会选择不自动化某些岗位（牧师、法官），维持劳动稀缺 | 如果保留的量足够大，工资可以在技术上已可全自动化时仍持续增长 |
| 异质技能工人 | 低技能工人先被替代，高技能者暂时受益 | 产生超级明星效应：越来越少的顶尖工人赚越来越多，多数人工资崩到 A |
| 算力作为专用资本 | 新自动化的任务需要专用算力，不能从其他资本转用 | 算力短缺时回报极高，但积累后回归普通资本回报率——短期瓶颈，长期消散 |
这两个扩展方向相反，构成论文最深层的张力。固定要素让结局更悲观（即使无界分布工资也崩）；研发自动化让结局更乐观（奇点可以拯救工资）。但论文坦承，把两者统一到一个模型中超出了本文范围。
真正在说什么
剥去数学外壳，这篇论文的核心论点可以提炼为三句话：
第一，自动化对工资的影响不是单调的。 初期自动化让经济更有效率，几乎所有好处归劳动者。但越过一个阈值后，进一步自动化反而让劳动者变得多余——关键不在于「被替代了多少任务」，而在于剩余的人类独占任务是否还足以让劳动保持稀缺。
第二，AGI 不一定让工资崩，但速度太快一定会。 如果人类能做的任务复杂度真的无上限（Pareto 尾巴够厚），那么工资可以永远涨。但如果人脑的计算能力有上限——这在物理上是合理的——那么全自动化终将到来，工资终将崩塌。而且，崩塌可能在全自动化到来之前就发生：只要自动化速度超过资本积累速度，劳动就失去稀缺性。
第三，政策工具存在但有代价。 减慢自动化速度可以最大化工资增长（命题 12），但代价是放弃越来越大比例的产出潜力——论文模拟显示最终接近 100%。保留「怀旧岗位」可以维持劳动稀缺，但社会是否愿意为此牺牲效率是一个政治问题。
争议与局限
时效性
这是 2024 年 3 月的 NBER 工作论文，已被广泛引用。 Korinek 本人在此基础上进一步推进：2025 年 9 月发表 Economic Growth under Transformative AI（更全面地分析变革性 AI 下产出与工资的可能路径），2026 年 1 月发表 When Does Automating AI Research Produce Explosive Growth?（具体研究研发自动化何时触发增长奇点，发现阈值已在可及范围内）。后续引用者包括劳动经济学（如 Maydell & Firth 2025 分析教育和失业政策如何倾斜人类与 AI 的赛跑）和金融监管领域的工作。
本文的核心框架（任务在计算空间中的分布、两区域模型、自动化与资本积累赛跑）已成为讨论 AGI 经济影响的标准参照系之一。主要不确定性在于经验参数：任务复杂度分布的真实形状、σ 在接近全自动化时是否稳定、固定要素瓶颈何时约束——这些目前仍然缺乏可靠估计。把本文当作思考框架而非精确预测。
