技术摘要：数据驱动型自动化

1. 问题陈述

本文探讨了现代人工智能驱动型自动化的轨迹及其经济影响，其特征是数据生成与资本生产率之间存在明显的反馈循环。不同于以往主要取代常规任务的技术变革浪潮，现代 AI 系统依赖于大量、异质且具有特定任务属性的数据来提升性能。作者指出，现有文献中存在一个关键空白：虽然数据是作为经济活动的副产品产生的，但它同时增强了资本的生产率，从而扩张了自动化任务的前沿。

核心问题在于如何确定这种数据-自动化反馈循环如何塑造自动化的速度、方向和长期极限。具体而言，本文研究了：

• 在何种条件下，经济实现完全自动化与部分自动化。
• 数据溢出（迁移学习）的网络结构如何影响自动化动态。
• 对长期工资和经济效率的影响。
• 数据驱动型自动化结合资本积累，是否会导致爆发式增长或停滞。

2. 研究方法

作者基于任务框架（Zeira, 1998; Acemoglu and Restrepo, 2018）构建了一个动态一般均衡模型，并将其扩展到包含内生数据积累的维度。

核心模型特征

• 任务空间： 一个连续的任务空间 $X = [0,1]$，通过具有替代弹性 $\sigma$ 的常替代弹性（CES）生产函数进行聚合。
• 生产要素： 资本 ($K$) 和劳动力 ($L$)。在基准模型中，这些是固定的；随后引入了资本积累。
• 数据作为状态变量： 数据 ($D_{it}$) 是特定于任务的，并作为生产的副产品内生积累：$\dot{D}_{it} = y_{it}$。数据不会贬值。
• 资本生产率： 任务 $i$ 中资本的生产率 $\psi^K_i$ 是有效数据 $A_i(D)$ 的函数：
  $$\psi^K_i(A_i(D)) = f_i \cdot (A_i(D))^\eta$$
  其中 $\eta \in (0,1)$ 捕捉了数据的收益递减效应，$f_i$ 代表任务特有的异质性。
• 跨任务溢出： 使用 graphon $W(i,j)$ 进行建模，该函数是一个可测函数，代表从任务 $j$ 到任务 $i$ 的数据溢出强度。任务 $i$ 的有效数据为 $A_i(D) = \int W(i,j) D_j dj$。这捕捉了迁移学习和技能重叠。
• 自动化边界： 一个均衡阈值 $\gamma_t$ 将由资本生产的任务（$i \le \gamma_t$）与由劳动力生产的任务（$i > \gamma_t$）区分开来。

分析方法

作者分三个阶段对模型进行分析：

1. 数据自给自足阶段： 无溢出情况（$W(i,j) = \mathbb{I}_{i=j}$）。他们根据任务替代性（$\sigma$）与数据回报（$\eta$）之间的关系，推导出完全自动化与部分自动化的条件。
2. 连通经济体： 引入溢出效应以分析“传染性”自动化和核心-边缘动态。
3. 效率与增长： 将分散均衡与社会规划者问题进行比较，并引入内生资本积累以研究增长极限。

3. 主要贡献与结果

A. 长期自动化极限

自动化的程度取决于跨任务替代性（$\sigma$）与数据收益递减（$\eta$）之间的相互作用。

• 完全自动化 ($\sigma \le 1/\eta$)： 如果任务具有足够的互补性（或弱替代性），经济将收敛于完全自动化（$\lim_{t\to\infty} \gamma_t = 1$）。资本配置会向数据贫乏的任务倾斜，从而平衡全经济的数据积累。
• 部分自动化 ($\sigma > 1/\eta$)： 如果任务是强替代品且数据呈现收益递减，经济可能会保持部分自动化。资本会集中在少数“数据丰富”的任务中，形成一种反馈循环：数据丰富的任务吸引更多资本，而数据贫乏的任务则被忽视。富集任务与贫乏任务之间的数据比例趋于无穷大。

B. 工资与“训练自身替代品”机制

• 工资停滞： 在完全自动化体制下（$\sigma \le 1/\eta$），长期工资趋于停滞。虽然数据增强的资本提高了生产率，但将劳动力挤压至缩减的任务集所导致的有效劳动力供给增加，抵消了生产率的提升。
• 无限制的工资增长： 在部分自动化体制下（$\sigma > 1/\eta$），工资会无限制增长，因为自动化边界是有限的，防止了劳动的完全置换。
• 机制： 本文强调了一个悖论：跨任务互补性通常在局部均衡中提高工资，但在这种动态设定下却导致了工资停滞，因为它们诱发了“数据贫乏”任务的生产，从而加速了最终自动化这些任务所需的数据积累。

C. 自动化速度

即使完全自动化是必然的，其转型过程也是缓慢的。

• 幂律衰减： 由劳动力生产的任务份额（$1-\gamma_t$）随时间呈幂律衰减（$t^{-\eta/(1-\eta)}$）。
• 肥尾效应： 存在一个长期的“肥尾”任务集由劳动力执行，这并非因为资本无法执行，而是因为由于数据限制，资本的边际成本超过了工资。
• 溢出效应与速度： 虽然跨任务溢出确保了无论 $\sigma$ 如何都会实现完全自动化（命题 5），但它们并未从根本上改变长期的幂律速度。然而，在短期内，网络结构（如核心-边缘结构）可以创造不平衡的动态，即“核心”部门自动化迅速，而“边缘”部门由于数据流的瓶座而滞后。

D. 效率

分散均衡普遍是低效的。

• 低效的方向：
  • 当 $\sigma < 1/\eta$ 时，市场相对于规划者在数据贫乏的任务上投资不足。规划者会进一步向数据贫乏的任务倾斜资本，以加速收敛。
  • 当 $\sigma > 1/\eta$ 时，市场在数据丰富任务上的投资不足。规划者会进一步向数据丰富任务倾斜资本，以利用数据反馈循环。
• 成因： 企业未能将自身生产对总量数据存量（包括自身任务及通过溢出对其他任务的影响）的正外部性内部化。

E. 爆发式增长（奇点）

引入内生资本积累后：

• 数据驱动的奇点： 数据积累（非贬值、收益递减）与资本积累（贬值）的结合导致了爆发式增长。产出和消费会在有限时间内变得无界。
• 与 Nordhaus (2021) 的区别： 不同于依赖于资本生产率外生指数增长的“供给侧奇点”，这一结果源于内生反馈循环。至关重要的是，即使任务是总互补的（$\sigma < 1$），这一结果依然成立，因为自动化边界会内生地扩张，使资本与劳动力在任务层面成为有效的完全替代品。

4. 意义与主张

本文声称为理解人工智能驱动型自动化的独特动态提供了一个严谨的理论框架，并将其与以往的技术变革模型区分开来。

• 数据作为一种独特的要素： 作者认为，数据不仅仅是预测工具（如 Jones and Tonetti, 2020 所述），而是一种可以内生积累并驱动自动化前沿扩张的资本增强型投入。
• 直觉的反转： 本文挑战了关于工资和效率的标准直觉。研究表明，跨任务互补性可能导致工资停滞，且市场力量对数据积累方向的扭曲取决于替代性的非单调关系。
• 缓慢转型： 与快速、即时置换的叙事相反，模型预测了一个缓慢的、遵循幂律的转型过程，伴随着一个持久的、由劳动力执行的“肥尾”现象，其驱动力在于积累足够完成自身替代所需的数据所需的时间。
• 网络效应： 通过引入 graphon，本文分析了知识结构（迁移学习）如何决定自动化的速度和平衡，解释了短期内可能出现的“核心-边缘”差异。

作者总结道，尽管数据驱动的自动化具有实现爆发式增长和完全自动化的潜力，但其转型路径具有复杂的动态特征，存在潜在的低效性，并且会经历一段漫长的时期，在此期间，劳动力对于生成用于替换自身的所需数据仍然至关重要。