什么还稀缺

• Dwarkesh 开场把整期的问题定死了：「因为什么稀缺，基本上就告诉了你价值最终会沉淀在哪里。」 所以整场对话表面在谈就业和税收，底层其实是在问一个资产定价问题——AGI 之后，哪些要素还能收租。→ 详细
• 他给出的直觉泵：未来会分裂成两套经济。一套是机器经济（机器建工厂、做研究、造机器人），它对人类是闭环的——机器不在乎让一个人类咖啡师给自己做咖啡；另一套是人类经济（人给人提供服务）。人类经济的钱一部分内部循环，另一部分外流去买机器经济的产品；反向的流入却几乎没有。既然是这么个单向漏水的结构，人类经济的份额难道不是注定越来越小？→ 详细
• Alex 的回答方式很关键，也是这期的方法论主线：别做点预测，做情景推演。先假定一个结论（比如「劳动份额归零」或「劳动份额纹丝不动」），再倒推「什么条件下它才成立」，然后问「哪个维度上的稀缺性会造出这个条件」，最后才是「那我们该去收集什么数据」。→ 详细

• Alex 的定义：「有人类在环」这件事本身就是产品价值的一部分的那些服务和商品。因为人天然稀缺，所以哪怕别的都不稀缺了，这一块还稀缺。→ 详细
• 但他主动否掉了「芭蕾舞演员／表演者」这个例子，说那是选错了参照类。正确的模型是「任务型工作模型」：一份工作是一堆任务的集合。医生的主体工作其实是填保险单、给药企打电话，真正见病人只是其中一项任务。你可以把一大堆任务自动化掉，问题只在于——消费者愿不愿意为「只保留医生亲自给诊断那一环」的版本多付钱。愿意，这份工作就属于关系型部门。→ 详细
• 但这件事今天完全没有数据。要判断哪些岗位是关系型的，得做「联合分析」（conjoint analysis，一种测支付意愿的实验）：给受试者三个版本——全人做、全机器做、只有关键那一环是人做——分别问支付意愿。没有这个数据，任何预测都是空的。Alex 干脆说：这就是为什么我一直在喊要搞**「数据领域的曼哈顿计划」**——我们连消费者需求弹性都不知道，O*NET（美国官方的岗位任务数据库）几乎不更新、质量极差。→ 详细
• Phil 的补刀：即使关系型部门确实存在，它对劳动份额也可能毫无帮助。如果机器经济那边「品类多样性」（variety）持续爆炸——不断冒出新东西让你永远吃不饱——而人类这边的花样是固定的，那你想看多少场真人演出都可以，劳动份额照样归零。→ 详细

• Alex 团队做过一个「掏真钱」的实验（激励相容设计，说真话才划算）：同一幅艺术版画，一半人被告知是人做的，一半人被告知是 AI 做的。结果人做的估值高得多。→ 详细
• 关键在第二组条件：把「只有一份」改成「一共 500 份」。人做的那幅价格大跌——因为「你在和这一位艺术家建立连接」的感觉没了；而 AI 那边毫无变化，因为 AI 早就已经被视为大宗商品（commodity）。→ 详细
• Alex 用一个很锋利的比喻总结这套故事成立的前提：「人不是马。」 马是纯投入品，你只在乎产出，换掉马不影响产出价值；而如果人只是产出链条上的一匹马，那关系型故事就崩了。这套逻辑必须是：把人换掉，产出本身的价值就下降——而且要在足够多的行业、足够多的岗位上成立。→ 详细
• 这个偏好会不会消失？Alex 说这是个真难题。他给的「不会消失」的论证是演化：两类人，一类无所谓（AI 治疗师更好我就用 AI），一类几乎有一种「把社交外包给 AI 是不道德的」的道德情感（用 Jonathan Haidt 的框架）。谁更容易找到伴侣、繁衍后代？答案挺明显。 他引 David Reich（上过本节目的遗传学家）的观点：人类仍处在自然选择的活跃期，所以这个偏好甚至可能被选择得更强。→ 详细

• Dwarkesh 本想说「几万亿机器人 vs 几十亿人，花在机器上的钱怎么可能少于付给人的钱」，然后自己意识到这是谬误——世界上晶体管数量涨了大约一万亿倍（也许一千万亿倍），而经济中花在算力上的份额一直在下降（Chad Jones 的结果）。→ 详细
• 原因是价格由供求两边定：不只是晶体管变便宜了，是边际晶体管的价值也在跌。所以摩尔定律的悲观版表述是：「每 18 个月，计算的价值减半。」 我们把计算的用途消耗得太快，快到刚好撑住摩尔定律。→ 详细
• 而 AI 可能是头一次让这条不成立的东西。原话给的证据是：现在租一块 H100 比三年前更贵，尽管技术更先进、全世界算力更多——因为模型变聪明之后，算力的机会成本变高了。这就是 Phil 说的「多样性增加」在算力这一侧的体现：你给资本发明了新用途，需求曲线整条往上跳。→ 详细
• Alex 把它抬成终极问题：「我们能为算力找到多少种新用途、而且这些用途确实有需求？」 只要对算力的需求永远吃不饱，经济中流向算力的份额就会持续上升。→ 详细

• Alex 说这是「对这些论证最关键的统计量」。逻辑链：AI 自动化了一份工作 10 项任务中的 9 项 → 人专注在剩下那 1 项、生产率上升 → 如果转化成降价、而且需求反应足够大，服务被用得更多 → 反而多雇人。→ 详细
• 但「变便宜就会想要更多」不是市场的固有属性，而是杰文斯悖论（Jevons paradox）的一个特例：只有在需求高度弹性时才成立。反例给得很实在——石油变得超级便宜，也不会魔法般地冒出多得多的汽车；农业更彻底：如果按一百年前的经济比例投入农业，我们能产出多得多的粮食，但你吃饱了也就够了。（长期弹性高于短期，但农业连长期都撞墙。）→ 详细
• 结论：软件恰好是那种「越便宜越想要更多」的特殊商品——这也是很多人把杰文斯悖论乱套到所有行业上时忘掉的前提。→ 详细

• 金融圈流传很广的 Citrini 情景推演预测：强 AI 自动化白领 → 工资没了 → 消费塌 → 经济负增长。Alex 写文章回应，方法就是他那套倒推：先接受「负增长」这个结论，然后问经济要满足什么条件。→ 详细
• 拆出来的条件有两条，都很离谱：① 财富转移到资本所有者手上后，富人的需求必须有「硬上界」——不是边际递减那种软的，而是硬的「我够了，一分钱都不想再花」；② 这些钱还不能以投资的形式回到经济里。→ 详细
• 第二条尤其荒唐，原话：「一个已经出现了奇点、我们却不想再多投一分钱的世界，那也太荒唐了吧？就算有了 AGI，我们居然不投更多数据中心去跑 AGI？」→ 详细
• Alex 的收尾区分很值得记：大萧条能产生负增长，是因为技术前沿没有外扩；而 AI 情景里技术前沿在外扩，你拿到的是「富足」——让富足产生负增长，非常难。 有意思的插曲：他把这篇文章发给 Phil，Phil 回「这挺蠢的，你的条件根本不可能成立」，Alex 说——这正是这篇文章的用意。→ 详细

• Alex 说这是眼睛最多、数据最多的领域，耶鲁 Budget Lab 刚发的报告结论是：你得眯着眼睛使劲看才能看出点什么。 就算只盯软件工程这种最暴露的行业，也没什么在发生。→ 详细
• 唯一的信号：初级开发者拿到工作的比例略低于趋势——但那是「增速比以前慢」，不是水平的整体下移，入门级仍在增长；与此同时对资深软件工程师的需求反而在增加。→ 详细
• 应届生说找工作变难的坊间说法？Alex 一句话：「那就是坊间轶事。」 找工作对有些人一直都难，只是现在被套进了 AI 叙事里；裁员同理，很可能只是正常裁员被包装成了 AI 裁员。→ 详细

• 这是本期最实用的一个「叙事污染数据」的机制：一旦形成「不裁人 = AI 用得不够」的公开协调装置，公司就会为了观感而裁员，形成级联。Alex 直言这种情况特别危险，因为公司裁完之后可能实际上比裁之前更糟，它裁只是为了证明「我们没落伍」。他还点名了那种「要求员工把 token 用量最大化」的 token 计数器轶事。所以当前所有「AI 造成裁员」的统计都被这层噪音污染了。→ 详细

• Molly Kinder 写过的「混乱的中间地带」（messy middle）：自动化了岗位、创造的财富却不够补偿被裁的人。政治难题也很实在：先被裁的是年薪 20 万美元的 Meta 员工，你怎么持续每年给他开 20 万美元的支票？→ 详细
• Alex 引 Andy Hall：失业率涨 2% 政治风向就翻转；而最糟的恰恰是慢到不触发紧急状态的「滴漏式」（drip）情景。样本：1920–1940 年电话接线员被彻底自动化，技术早就有却花了 20 年；QJE 论文显示他们最终被重新吸收，但工资更低、大多就业不足。反例是新冠——真·紧急状态（失业快速涨 2%–3%）下财政响应可以很快。→ 详细
• 但两人都认为窗口极窄：要落进去，必须「只能一块一块地自动化白领工作」（裁得光软件工程师却裁不动会计和分析师）+「AI 还得比人便宜」同时成立——而真能裁光所有软件工程师的能力，早就够自动化各种白领工作了。→ 详细

• 定义：经济产出要么以工资付给人（劳动份额），要么付给资本（租金 + 股东）。几百年来劳动份额稳定在 60% 多，资本拿 30%–40%，稳到有人怀疑是记账错误。近 20–30 年「下降」的说法也有争议：Andy Atkeson 的论文显示，会计口径拉齐后劳动份额其实从来没跌过。→ 详细
• Phil 的「网络调整要素份额」（顺着供应链往下看，而不只看最后一道工序）给出一个反直觉结论：至今没有任何东西被完全自动化——美国计算机与电子产品的网络调整资本份额稳定在 50% 左右，不是 100%。真正的质变是有商品的这个数字走到 1。→ 详细

• 1820 年，李嘉图准确预言了「我看到的这些赚钱的工作都会被机器自动化」——而且他全说对了。他错的是结论：如果告诉他 2026 年的黄金年龄段就业率是除 2000 年以外历史最高，他会震惊。他漏掉的是「结构性变迁经济学」：被自动化的东西变便宜 → 人手里的钱变多 → 钱流向服务。这就是「劳动总量谬误」。→ 详细

• Phil 的类比：那时的人把「内在属于人」的（歌手）和「不内在属于人」的（马的运输、酸奶、蒙古包）品种数固定住，然后预言自动化之后一切份额归零、钱全花在歌手身上。错在他们没想到「歌手之外可以花钱的东西的范围」会扩张——所以花在歌手身上的份额始终小到可忽略。这也是 Phil 对未来的核心预测（他自己说两边都有可能）。→ 详细

• O 型环理论（挑战者号因一个部件失效而全毁）：生产要求每一环都可靠，所以哪怕 AI 有一定概率能做成，你也不敢把整份工作交出去。→ 详细
• Gans 和 Goldfarb 的模型更进一层：如果只能自动化 9/10 且质量比人差，你可能连那 9/10 都不想自动化。Phil 指出这条可以对称地反过来用——将来人达不到 AI 做其余部分的质量或速度，人反而会把成品拉下来，于是「那 1/10 也不给人做了」。→ 详细
• Dwarkesh 补充律师的例子：你付钱给律师买的是「不，真的，我公司不会因此完蛋」这份保证。Alex 加上监管层：需要有实体背书、产品有归属、有人可以被解雇、有执照——这些和「人有没有能力做这事」无关。Phil 认为这些全是过渡性的：一旦 AI 运行的政治体系效率高得多，它会把其他方案竞争掉。→ 详细

• 负所得税（收入低于门槛反向拿钱）见效最快，写进法律当天就有下限；UBI 的隐患 Alex 讲得最狠——「现在我们每个人的禀赋是自己的劳动力；当这一点不再成立、基本生活要仰仗某位民选官员时，那是一种非常危险的权力分配安排。」 通用基本资本让你成为普通股东、有产权，但有瞄准问题（「万一 Anthropic 归零，而某家名不见经传的机器人公司拿走了全部剩余呢？」）且六个月内产不出回报。所以最后大概率是分层组合。→ 详细
• Phil 的关键区分是把「税什么」和「怎么分」分开：宽税基收钱（如欧洲式增值税，David Autor 方案）+ 政府买股票再分给每个人，本质等同于当年的社保私有化（发一篮子股票）。财富税则没有政治上可持续的均衡——所得税就是从战时低税率一路爬到今天美国边际税率约 40%、有些州超 50%。→ 详细

• Dwarkesh 的论证：演化会选中会增长的主体（哪怕不是单个 AI，也是「内部包含 AI 的公司」）——胜出的是储蓄率高、对算力之类有无法满足需求的那种。而且这不是假想的未来：扎克伯格大部分财富是 Meta 股票，他完全可以要求分红去消费，却选择让财富复利、去建更多数据中心（近乎尼克·兰德式的、偏好加速资本本身）；马斯克在谈月球电磁弹射器，也不太在乎未来的研究员是人还是 AI。→ 详细
• Phil 的模型化表述值得记：真正决定长期资本份额的不是「谁喜欢人类治疗师」，而是「谁在资本上不会吃饱」——不会吃饱的那位理性行事储蓄率更高，长期拥有绝大部分财富，于是整体资本份额基本上就等于这一个人的偏好。Alex 的反制是：偏好通常不这么运作，享乐到一定量之后就是社会地位那一套（卢梭、圣奥古斯丁都写过）；但他坦承对「只需几个例外就够」没什么可反驳的。→ 详细

• Phil 的解释是**「耗散冲击」（dissipation shocks）**：财富交给孩子被挥霍、或进基金会被花掉。永生会拿掉这个机制——Dwarkesh 补充：只要人活得更久、或能让信托对齐财富积累，几个这样想的能动者就足以主导整个经济的偏好，因为这部分增长比其他部分快得多。→ 详细
• Phil 还补了积累的工具性理由（不需内在偏好也成立）：政治/哲学/宗教影响力的军备竞赛，以及彻底的功利主义慈善——「创造新的幸福存在者」能让效用函数几乎永不饱和（可上溯到 Bostrom 的「天文学级浪费」：给恒星建戴森球、把能量变成幸福的模拟体）。→ 详细

• Phil 指出太多宏观模型不允许的一件事：资本品价格会相对消费品下跌（「投资专有技术变迁」）。所以「一台机器人明年变一百台 → 以机器人计价利率 10000%」和「机器人价格暴跌」可以同时成立。标准宏观假设的那个能一比一分给资本或消费的「产出」怪物，在这个世界里不成立——机器人会变多，芭蕾舞演员的数量不变；推论是以机器人计价，未来对芭蕾的需求会比现在强烈得多。→ 详细
• Alex 的一般均衡提醒：如果我们真处在「劳动份额高」的情景里，那资本回报率必然更低——高劳动份额和高资本回报不能同时要。→ 详细

• 一个纯粹的自我复制探针是个极贪婪的优化器（占一个恒星系 → 变出更多恒星系），但它会不会「主导经济」取决于记账：GDP 只计最终消费品和投资品。如果我们把它认作一个拥有自己的「人」，它在「造一个小探针」和「看一场芭蕾」之间做边际权衡——那按通常口径，劳动份额甚至可能是高的。→ 详细

• Dwarkesh 的假说很尖锐：洛克菲勒后代没能掌控一切，也许只是因为「给经济做指数化」在指数基金出现前根本做不到——回看一百年，只有极小一部分东西贡献了今天绝大部分价值，错过就停滞。指数基金诞生到大约五年前，可能是一个短暂的黄金窗口。→ 详细
• 现在的问题是回报高度集中，尤其集中在私有公司——而普通人对私有股权的可及性格外低。→ 详细
• Phil 的反驳（数字很有用）：现在指数化其实并没有那么难。私有化确实上升了，但美国「非微型公司」总市值中私有部分仍远低于 20%。 而且 OpenAI、Anthropic 看起来也快要上市了；那些一直阻碍公司上市的摩擦（信息披露要求等），本身也可能被 AI 大幅缓解——他猜「降低摩擦、让越来越多人越来越容易指数化」的长期趋势会继续，最近的反向波动只是插曲。→ 详细

• 这一段短但很硬。普通人（至少在美国）的大部分资本就是一栋房子，甚至只是一栋房子的一部分。而房子的价值来自什么？说到底是那块地「离其他人类近」，加上一些关系型的东西——而这些不会是未来主要的生产要素。→ 详细
• 所以房产这种资产独特地不适合与 AI 的生产、AI 的服务或机器人形成互补，也接不住富人会去抬价的那类商品。附带推论：乔治主义（Georgist）土地税筹不到做这些再分配方案所需的钱。→ 详细

• 这是全期最能直接转成投资框架的一段。Alex 的提法：「AI 会更像电力，还是更像社交媒体？」→ 详细
• 电力路径：ComEd 是垄断的、人人都用，但没人觉得它拥有巨大的政治或社会权力——因为电力的下游收益大部分归了使用者，而不是生产者。社交媒体路径：同样无处不在、人人都用，但租金（超额利润）归了平台。→ 详细
• Dwarkesh 当场推出一个自洽的推论（他说「我还不认可，只是在出声思考」）：你越是相信 AGI 会像电力那样成为整个经济的底座，就越该相信「未来一家公司能进标普 500，正是因为它用上了 AI 的杠杆」——那你就又能靠指数拿到收益了。→ 详细
• 决定走哪条路的关键技术变量：开源模型落后前沿多久（如果只落后 6–9 个月，那 AGI 出现半年后人人可用）、递归自我改进、以及持续学习/在线学习（模型部署后还能在岗位上继续学）。Dwarkesh 感叹：这些看似纯技术的预测问题，最后决定的是「乌干达能不能分到 AGI 的回报」。→ 详细
• 另一头的隐忧：标普 500 的集中度一直在上升，大科技占比越来越高——「AI 带来的收益中，有多少能被这些个别的私有公司攥在手里」，是个很难推理的根本问题。→ 详细

• 不是造 HBM 的韩国、不是造晶圆厂的台湾、不是有 ASML 的荷兰——印度、尼日利亚该干什么？Alex 承认这是经济学界资源投入最不足的领域（并自责自己也没在做）：好情景是 AI 扩散过去、拉平竞技场；坏情景是它们既不训练模型也没硬件被甩开，而且自动化之后发达国家自己就能产大宗商品，连它们的消费市场都不需要了。→ 详细
• Phil 的乐观论证：混乱中间地带窄，还因为利率会高得多（等价说法：除人类内在商品外一切价格飞快下跌），于是一点点储蓄明年就能变成大量消费；但他承认发展中国家起点低、与全球经济挂钩弱，中间地带可能更宽——建议现在就动，主权财富基金投向正确供应链，或补贴国民去买一点。→ 详细
• Dwarkesh 把两人立场提炼成一句反直觉建议：别急着搞再培训、就业项目或「在自家建数据中心」，更该做的是「直接买 AGI 的指数」。 Phil 补充这不是非此即彼（长时间线下再培训仍能捞回价值）。悲观注脚：穷国之所以穷，原因之一就是教育系统差；不过「蛙跳」确有先例——手机银行在尼日利亚比德国普及得多。→ 详细

• Dwarkesh 说这期让他比以前更希望前沿实验室被彻底商品化，或至少尽快上市——理由是：「攫取 AI 的收益如果和攫取电气化的收益一样难，AI 会受欢迎得多，也更可能带来广泛的繁荣提升。」 他还给了第二个理由：几家高度集中的实验室会制造一个非常清晰的政治靶子——「我们在《国防生产法》威胁 Anthropic 那件事上就看到了」。→ 详细
• Phil 的反面：商品化的一大代价是技术竞赛动力学——出于安全考虑你可能希望前沿公司少一些，让每家都有放慢速度的缓冲。但他认为这里的取舍比很多人想象的小：你完全可以有一个相当大的领先差距，同时它是上市公司、所有权广泛分散——「差距大」和「收益集中在少数人手里」不必绑在一起。→ 详细
• 收尾的一句很值得记：围绕 AI 的负面叙事之所以压倒性，是因为「想象一个尚不存在的好东西，比想象失去一个已经存在的东西难得多」——上播客说「你喜欢的工作要没了」很容易，凭空构想一个乌托邦很难。→ 详细

（本期无闪电问答。）收尾是 Dwarkesh 的一句自评：「我感觉还有很多问题没有解决，但知道这些重要维度上的第一个分叉点在哪儿，本身就很有帮助。」 → 详细

（本期无。三位均未在节目中给出联系方式；可循 Dwarkesh Podcast 官网 dwarkesh.com 找本期页面。）