Pricing Intelligence: Task-Based Learning and Labor Displacement in the AI Economy

伟大的 AI 学习曲线

想象一下，经济就像一个巨大且繁忙的厨房，数以百万计的人正试图准备晚餐。有些任务很简单，比如切胡萝卜或烧开水；有些则很棘手，比如决定新食谱的最佳香料组合，或者处理一位对烧焦食物感到愤怒的顾客。长期以来，人类一直是唯一能够处理这些棘手事务的“主厨”，而机器主要擅长简单的、重复性的“切菜”工作。但现在，人工智能（AI）进入了厨房。它在处理简单任务方面变得极其迅速，但在处理需要复杂判断的任务时仍处于学习阶段。

经济学家们提出的核心问题不仅是“AI 能否胜任这项工作？”，而是“它变强的速度会有多快？”这取决于一个被称为**“边干边学”（learning-by-doing）**的概念。就像人类厨师切过的洋葱越多，切洋葱的技术就越好一样，AI 在执行某种特定类型的任务时，做得越多，就会变得越好。如果 AI 只从事简单的任务，它就永远无法学会如何处理复杂的任务。本文探讨了一个引人入胜的张力：究竟是谁在购买 AI？如果 AI 只卖给那些需要完成简单任务的人，那么 AI 会在简单任务上变得更快，但在复杂任务上依然笨拙。但如果它卖给那些有复杂需求的人，它的学习速度会更快，但这些客户可能更难说服其付费。本文探讨的是：AI 公司收取的价格以及它们之间的竞争，是如何改变 AI 学习接管人类工作的速度的？

---

AI 的价格标签与学习陷阱

在这项研究中，作者卡尔-克里斯蒂安·格罗（Carl-Christian Groh）构建了一个数学模型，用以观察 AI 公司（就像我们今天熟知的那些巨头一样）是如何决定谁可以使用其技术的。故事围绕着两类劳动者展开：一类主要是需要处理简单任务（如撰写标准电子邮件）的人；另一类则是需要处理复杂任务（如为某个奇特的案例起草法律辩护词）的人。

这里有一个转折：在目前的 AI“低技术”状态下，它在简单任务上是超级明星，但在复杂任务上还显得有些笨拙。因此，从事复杂任务的劳动者并不想为 AI 付太多钱——他们宁愿自己进行深度思考。然而，从事简单任务的劳动者却非常渴望付费，因为 AI 在他们所需领域已经表现出色。

这为 AI 公司制造了一个棘手的局面。如果公司想要实现眼下的利润最大化，它应该只向从事简单任务的人出售 AI。但如果这样做，AI 就永远无法获得学习如何处理复杂任务所需的经验数据。这就像一所烹饪学校，如果只招收那些只想学习如何烧开水的学生，学校虽然赚到了钱，但学生们永远学不会烹饪高级料理。

研究发现，这种张力导致了两种截然不同的经济未来：

1. 凸性爆发（幸福路径）： 如果 AI 从复杂任务中学习的速度非常快，公司最终会意识到，降低价格以吸引复杂任务劳动者的做法是值得的。随着更多这类劳动者的加入，AI 处理复杂任务的能力会提升得更快，从而吸引更多的劳动者。这创造了一个“凸性”曲线——起步缓慢，但随后突然飙升，导致 AI 掌握了高难度技能后引发大规模的职业替代。
2. 学习陷阱（停滞路径）： 如果 AI 从简单任务中学习的效果更好，或者从事复杂任务的人非常少，公司就会为了追求短期利润最大化而继续忽视复杂任务的劳动者。结果就是，AI 在烧开水方面变得极其出色，却永远学不会烹调高级料理。其结果是，AI 的应用进程保持缓慢，人类在很长一段时间内仍将继续从事复杂的工作。

竞争效应：对手越多，学习越快？

论文接着提出了一个问题：如果不是只有一家 AI 公司，而是有两家或更多公司在争夺客户，情况会发生什么变化？

你可能会认为，将客户分配给两家公司会减慢进度，因为每家公司能获得的用于学习的数据都变少了。在某些情况下，事实确实如此。如果竞争很弱（例如两家公司并没有进行激烈的价格战），它们都会收取高价。这会让复杂任务的劳动者望而却步，从而使学习进程保持缓慢。

然而，论文表明，如果竞争是剧烈的——即公司之间正在进行激烈的降价竞争——故事就会发生变化。低廉的价格使得复杂任务的劳动者也能负担得起。尽管每家公司获得的总体数据量减少了，但它们获取的数据类型发生了变化。它们获得了更高比例的复杂任务数据。这种“任务构成效应”实际上可以使 AI 比只有一家垄断公司时学习得更快。激烈的价格战迫使公司去服务那些对于教导 AI 如何处理难题最有价值的用户。

专业化转折

最后，论文探讨了如果两家竞争公司最初的优势不同时会发生什么。假设 A 公司天生更擅长简单任务，而 B 公司天生更擅长复杂任务。

模型表明，这些微小的初始差异可能会演变成巨大的鸿沟。由于 B 公司在复杂任务上略胜一筹，它自然会吸引从事复杂任务的劳动者。随着它为这些人提供服务，它在复杂任务上的能力会进一步增强，从而吸引更多此类劳动者。这就是内生专业化（endogenous specialization）。这是一个自我强化的循环：那个在“难点”领域拥有微弱优势的公司，最终会统治整个市场，学习速度极快，并加速在这些复杂领域取代人类劳动力。

核心结论

本文并不只是简单地说“AI 会抢走工作”。它指出，这种接管的速度和方向很大程度上取决于商业决策。

• 垄断 vs. 竞争： 如果一家 AI 公司过于贪婪，为了榨取简单任务的利润而忽视复杂任务，它可能会陷入“学习陷阱”。但如果竞争激烈，它可以迫使公司去服务复杂任务的用户，从而加速 AI 的进化。
• 学习陷阱： 如果 AI 从复杂任务中学习的速度较慢，或者市场被简单任务用户所主导，AI 可能永远学不会处理难题，从而让人们在很长一段时间内仍掌控着最困难的工作。

作者通过模拟展示了这些路径。这些结果并非对未来的保证，但它们强调了一个关键的权衡：追求当下的盈利有时会减缓学习进程，而这种学习本可以让 AI 在处理最难的问题时变得更有用。我们最终迎来的是快速的凸性爆发，还是缓慢的停滞学习陷阱，取决于市场的结构以及 AI 从面对的困难任务中学习的能力。