Token Taxes: mitigating AGI's economic risks

该论文提出通过针对模型推理实施“代币税”（即基于使用量的销售环节附加费），利用现有算力治理基础设施在 AI 使用端而非托管端捕获价值，从而有效缓解通用人工智能（AGI）可能引发的税基侵蚀、生活水平下降及公民赋权丧失等经济风险。

要点

这篇文章提出了一种应对“超级人工智能（AGI）”未来可能带来的经济危机的新方案。为了让你轻松理解，我们可以把这篇论文想象成一份**“给未来的经济危机开药方”**的说明书。

以下是用大白话和生动的比喻为你解读的核心内容：

1. 为什么要担心？（未来的“大失业”危机）

想象一下，以前的工业革命只是让机器代替了人的手（比如织布机代替了手工纺织），虽然大家也失业，但后来经济又慢慢好转了。

但这次不一样。未来的超级人工智能（AGI）不仅代替了人的手，还要代替人的大脑。它能在所有领域（从写代码到做手术，甚至当总统）都比人类干得好、干得快。

这就带来了三个大麻烦：

• 国家没钱了： 以前政府主要靠收“人的工资税”来维持运转。如果大家都失业了，没人领工资，国家就收不到税，学校、医院、警察都要没钱了。
• 国家不管你了： 如果国家不再依赖人类的劳动来赚钱，它可能就不在乎老百姓的死活了。这就像有些靠卖石油发财的国家（比如某些中东国家），因为钱是地底下挖出来的，不是老百姓挣的，所以政府往往不太关心普通人的需求，导致贫富差距巨大。
• 世界更不公了： 只有少数几个国家（比如美国、中国）拥有制造超级 AI 芯片的工厂。其他国家只能花钱租他们的算力。结果就是：富国越富，穷国越穷，因为 AI 产生的利润都被富国拿走了。

2. 以前的药方不管用（“机器人税”的局限）

以前有人提议给机器人征税（Robot Tax），意思是：如果你用机器人代替了人，你就得给政府交点钱，这样用机器人和用人的成本就差不多了，大家就不会拼命裁员。

但这个老办法有个大问题：很难收上来。

• 就像你想给“云端的幽灵”收税一样，AI 模型可能住在某个国家的服务器里，但全世界的人都在用。如果只向“拥有模型的公司”收税，那些公司可能会把服务器搬到没税收的地方，或者偷偷改账本，说“我没用那么多算力”。

3. 新药方：代币税（Token Tax）

作者提出了一个更聪明的办法：“代币税”。

什么是代币？
你可以把 AI 的每一次思考、每一句话、每一个生成的字，都想象成消耗了一个"代币"（Token）。就像你开车要烧汽油，或者打电话要扣话费一样，AI 每“动一下脑子”，就要消耗一个代币。

这个税怎么收？（核心比喻：过路费）
传统的税是向“工厂”收，而代币税是向“过路费”收。

• 比喻： 想象 AI 模型是一座巨大的收费站。以前，政府只盯着收费站老板（AI 公司）收税，老板可以偷偷少报车流量。
• 新办法： 政府规定，每有一辆车（用户）通过收费站，就要交一笔“过路费”。这笔钱由云服务商（比如提供算力的亚马逊、微软等）在中间代收。
  • 不管 AI 公司把服务器藏在哪里，只要有人用 AI，就要经过这些云服务商的“管道”。
  • 云服务商就像高速公路的收费员，他们数着有多少车（代币）过去了，直接按比例扣下税款交给政府。

4. 这个办法为什么好？（两大优势）

优势一：抓得牢（防作弊）
作者设计了一个**“三级安检”**流程，防止 AI 公司撒谎：

1. 黑盒检查（数数）： 云服务商直接数你用了多少个代币。就像数出租车跑了多少公里，很难造假。
2. 平均数检查（拍板）： 如果公司说“我这次只用了 1 个代币”，但系统发现这通常要 100 个，那就按行业平均标准（比如 100 个）来收税。这就逼着公司不敢乱报。
3. 白盒检查（查账）： 如果还不行，就强制公司把内部账本打开给审计员看，彻底查清。

优势二：公平（谁用谁交）
这是最精彩的一点。

• 旧模式： 只有拥有 AI 的国家（比如美国）能收税。
• 新模式： 只要你在用，你就得交税。
  • 比喻： 以前是“种苹果的人（美国）”收税，现在变成了“吃苹果的人（全世界）”交税。
  • 这样，即使是一个小国家（比如非洲某国），只要它的老百姓在用 AI，它也能从这笔税款里分到一杯羹，用来改善民生，而不是让富国独吞。

5. 可能会遇到的反对声音（以及作者的回击）

• 反对声音 A： “收税会让 AI 公司不创新，或者搬走。”

  • 作者回击： 别光猜，我们用**“模拟游戏”**（Agent-Based Modeling）来算一算。就像玩《模拟城市》一样，先在游戏里模拟一下收税后的经济变化，看看会不会真的导致经济崩盘，再决定怎么收。

• 反对声音 B： “不如直接按‘计算量’（FLOP）收税。”

  • 作者回击： 这两个不冲突！我们可以**“双管齐下”**。既按计算量收（针对造模型的公司），也按使用量收（针对用模型的人），这样更稳妥。

• 反对声音 C： “美国和中国这么强，他们不答应，小国能怎么办？”

  • 作者回击： 就像欧盟推行“隐私保护法（GDPR）”一样，虽然美国反对，但欧盟市场太大，美国公司为了赚钱不得不遵守。如果一群国家（“愿意联盟”）联合起来一起收这个税，超级大国也不好意思硬顶，否则他们的 AI 产品就进不了这些市场了。

总结

这篇论文的核心思想就是：面对超级 AI 可能带来的“大失业”和“国家破产”，我们不能只盯着 AI 公司收税，而应该盯着“谁在用 AI"收税。

通过向每一次 AI 的“思考”（代币）征收“过路费”，并由云服务商像收费员一样代收，我们既能防止公司逃税，又能让全世界（包括穷国）都能从 AI 的发展中分到一杯羹，从而维持社会的稳定和公平。

技术摘要

以下是基于论文《TOKEN TAXES: MITIGATING AGI'S ECONOMIC RISKS》（代币税：缓解通用人工智能的经济风险）的详细技术总结：

1. 研究背景与问题 (Problem)

核心问题： 通用人工智能（AGI）的发展可能引发严重的经济风险，包括政府税基侵蚀、生活水平下降以及公民赋权能力的丧失。

• 历史教训： 论文指出，第一次工业革命期间曾出现“恩格尔停滞”（Engel's Pause，1790-1830 年），当时人均 GDP 增长但实际工资停滞，导致生活标准下降。AGI 带来的劳动力替代风险可能比这一时期更为剧烈。
• AGI 的特定风险：
  1. 财政危机： 随着 AI 取代人类劳动，基于劳动力的税收（政府主要收入来源）将大幅减少，同时失业救济等财政支出增加，导致国家财政崩溃。
  2. 公民赋权丧失： 如果 AGI 成为经济增长的主要驱动力，政府将不再依赖公民的劳动和税收支持，从而失去响应公民需求的动力（类似“资源诅咒”现象，即国家依赖资源租金而非公民劳动，导致对公民福祉漠视）。
  3. 全球不平等加剧： 算力（Compute）和前沿模型公司高度集中在“计算北方”（如美国、中国），而“计算南方”国家依赖租赁算力。若无新税收机制，AGI 的经济利益将加剧全球贫富差距。
• 现有方案的不足： 传统的“机器人税”（Robot Taxes）通常针对企业或资本，难以在 AGI 时代有效执行，且无法解决价值捕获地点（模型托管地 vs. 使用地）的问题。

2. 方法论与核心提案 (Methodology & Proposal)

论文提出了一种名为**“代币税”（Token Tax）**的新型治理机制，作为应对后 AGI 时代经济风险的首选防御手段。

• 定义： 代币税是一种基于使用量的附加费，在模型推理（Inference）的销售点（Point of Sale）对模型生成的 Token 进行征收。
• 实施机制：
  • 基于现有的语言模型计费流程，向模型提供商收取的 Token 成本上增加一定比例的政府税收（例如：若 Token 税率为 10%，每 Token 成本$1，则企业需额外支付$0.10 给政府）。
  • 核心优势： 相比传统机器人税，代币税具有可执行性（Enforceable）和基于使用地（Usage-based）的特性。

技术执行：分阶段审计管道 (Staged Audit Pipeline)

为了解决模型提供商可能通过少报 Token 使用量来逃税的问题，论文设计了一个由云算力提供商（Compute Providers）作为中介的三级审计管道：

1. 第一阶段：黑盒 Token 审计 (Black-box Token Audits)
   • 机制： 利用云算力提供商现有的基础设施，收集计算消耗元数据。提供商作为独立验证者，记录并交叉核对 AI 实验室报告的 Token 使用量与实际日志。
   • 目的： 解决信息不对称，防止实验室虚报利润。
2. 第二阶段：基于规范的税收 (Norm-based Tax Rates)
   • 机制： 如果黑盒审计失败或数据缺失，审计机构参考各类模型的“规范使用量”（Norm-based rates，即基于历史平均值的估算）。
   • 目的： 即使无法精确获取数据，也能根据经验数据征收固定税率，限制企业通过隐瞒数据获利的空间。此阶段仅需黑盒访问权限。
3. 第三阶段：白盒审计 (White-box Audits)
   • 机制： 在法律强制下，要求公司向第三方审计机构开放生成过程的内部信息（白盒）。
   • 目的： 彻底消除操纵 Token 计数的可能性，确保税收的绝对准确性。

3. 关键贡献 (Key Contributions)

1. 提出代币税作为 AGI 治理工具： 论证了代币税是解决后 AGI 时代经济风险（特别是税基流失和不平等）的最有效工具。
2. 双重优势分析：
   • 可执行性： 利用现有的算力治理基础设施（如云服务商的日志系统）即可实施，无需重建全新的监管体系。
   • 公平性与全球分配： 税收在Token 被使用的地方（消费国）征收，而非模型托管的地方（生产国）。这意味着“计算南方”国家也能从 AI 税收中获益，缓解全球不平等。
3. 技术治理路线图： 提出了具体的“黑盒 - 规范 - 白盒”三级审计实施路径，为政策落地提供了技术可行性方案。
4. 应对反对意见的框架：
   • 创新抑制问题： 建议结合基于主体的建模 (Agent-Based Modeling, ABM)，由技术治理研究者与经济学家合作，模拟不同 AGI 增长场景下代币税对市场的影响，以优化税率设计。
   • FLOP 税 vs. 代币税： 提出两者并非互斥，可构建混合政策框架，结合 FLOP 税（基于浮点运算）的执行优势和代币税的消费公平性。
   • 地缘政治否决权： 针对 AI 超级大国（美、中）可能否决小国税收政策的风险，建议建立“意愿联盟”（Coalition of the willing）的区域协议（类似欧盟 GDPR 的实施），通过集体行动增加谈判筹码。

4. 结果与预期影响 (Results & Impact)

• 财政稳定性： 通过捕获 AI 使用产生的价值，恢复政府财政收入，避免因劳动力税收消失导致的财政危机。
• 社会契约维护： 确保政府仍需通过向 AI 资本征税来维持运转，从而保持对公民需求的响应性，防止“资源诅咒”式的治理失效。
• 全球公平： 改变价值分配格局，使 AI 消费国（通常是发展中国家）也能分享 AI 红利，而非仅由模型开发国垄断。
• 技术可行性验证： 证明了利用现有的云基础设施进行税务审计在技术上是可行的，无需等待全新的监管技术出现。

5. 意义与结论 (Significance)

• 填补研究空白： 目前 AI 安全研究多集中于能力风险（Capability Risks），而忽视了经济风险。本文将经济风险治理置于优先地位。
• 政策创新： 超越了传统的“机器人税”概念，提出了适应生成式 AI 特性（Token 化、API 化）的税收模型。
• 治理范式转变： 强调了**“使用地征税”**原则，这对于解决数字经济时代的跨国税收逃避和全球不平等具有深远意义。
• 未来方向： 呼吁技术社区与经济学界合作，利用 ABM 等工具进行更深入的量化研究，并推动国际层面的协调行动，以防止超级大国对税收政策的单方面否决。

总结： 该论文主张通过代币税这一基于使用量的税收机制，利用现有的算力治理基础设施，在后 AGI 时代重建政府财政基础，防止公民赋权丧失，并缓解全球不平等。其核心创新在于提出了可执行的三级审计管道，并强调了税收在消费端而非生产端征收的公平性优势。