AI 計算時間經濟學：Token、算力、額度與智能資源配置

AI Computational Time Economics: Tokens, Compute, Quotas, and the Allocation of Intelligent Resources

系列：AI 互動時間與智能時間經濟學系列，第 5 篇／共 8 篇
文件編號：EML-AICTE-2026-05-v0.1
作者：Neo.K（許筌崴）with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-08-20
性質：理論框架／時間經濟學／Inference-Time Compute／Agent 資源配置
狀態：Public Theory Draft
直接前置：《互動時間拓撲：平行 Agent、偏序因果與不可約互動深度》v0.1

摘要

AI 時代的生產力討論經常把模型能力、token 額度、推理時間、工具費用、Agent 數量與最終產出混成一個模糊概念：好像只要模型更強、額度更多、推理更長，產出就必然同比增加。然而，前四篇已經證明，AI-native 工作至少必須區分意圖、互動週期、執行軌跡、總工作量與不可約因果深度。本文進一步處理下一個問題：當 token、算力、context、工具呼叫、平行 Agent 槽位、wall-clock、金錢與人類治理時間都有限時，下一單位智能計算究竟應該被配置到哪裡？

本文提出「AI 計算時間經濟學」（AI Computational Time Economics, AICTE），把 AI inference budget 理解為對未來智能計算過程的有限索取權，而非單純的文字生成配額。令系統可用資源預算為：

\mathbf B_A = \left( B_{\mathrm{token}}, B_{\mathrm{compute}}, B_{\mathrm{context}}, B_{\mathrm{tool}}, B_{\mathrm{parallel}}, B_{\mathrm{runtime}}, B_{\mathrm{money}}, B_{\mathrm{human}} \right).

對候選計算行動 $c_i$ ，其價值不能只由「可能提高多少答案品質」表示，而應至少考慮：

V(c_i) = V_{\mathrm{completion}} + V_{\mathrm{evidence}} + V_{\mathrm{verification}} + V_{\mathrm{option}} + V_{\mathrm{knowledge}} - C_i - R_i.

本文進一步提出「邊際意圖實現價值」：

MIV(c_i) = \frac{ E[\Delta V_{\mathrm{intent}}(c_i)] }{ E[\Delta C(c_i)]+\epsilon },

並以 shadow price／影子價格描述有限智能計算的全域稀缺程度。當某計算的邊際價值低於當期影子價格時，系統應停止、延後、降階或將資源轉移到其他任務；當驗證債務過高時，計算資源應從生成轉向 verification reserve，而不是繼續擴大名義產量。

本文區分模型能力、已配置能力與實現產能：

\boxed{ \text{AI Capability} \neq \text{Allocated AI Capability} \neq \text{Realized Productivity}. }

並指出 AI 額度的經濟意義並非「可以多講多少字」，而是「在有限人類載體時間與世界歷史時間中，可額外調度多少搜尋、推理、工具、驗證、分支、重算、平行執行與世界提交」。因此，在其他條件相同時，更高額度主要擴張的是：

\Omega_{\mathrm{feasible}},

即原本不會被完成、現在開始進入可行集合的任務與研究路徑。

本文與 EveMissLab 既有《時間稀缺性的永恆結構》、《AI 時間槓桿的多重估值》、UCPNP、WDC-06 世界計算投資組合、個體機構化理論直接整合；並與 2026 年 adaptive test-time compute、turn-adaptive budgeting、budget-constrained tool agents、value-of-information search control 與 global shadow-price allocation 等研究形成對話。本文的核心結論是：AI 時代真正稀缺的不再只是「推理能力」，而是能否在有限世界時間中，持續把有限智能計算配置到最值得推進的意圖、證據、驗證與世界行動上。

關鍵詞：AI 時間經濟學、Test-Time Compute、Token Budget、Compute Allocation、Shadow Price、Agent Budget、Value of Information、Verification Reserve、AI Quota、可行集合、智能計算索取權

0. 核心問題

如果一個 AI 系統今天可以使用：

B_A

單位計算，而明天可以使用：

4B_A,

能否直接推論：

Y_{\mathrm{tomorrow}} = 4Y_{\mathrm{today}}?

答案一般是否定的。

原因是 AI 生產不是單一線性函數，而是：

Y = F \left( I, C_A, \mathbf B_A, G_I, H, V, K, W \right),

其中：

$I$ ：意圖品質；
$C_A$ ：AI 潛在能力；
$\mathbf B_A$ ：被配置的資源預算；
$G_I$ ：互動與執行拓撲；
$H$ ：人類治理與判斷；
$V$ ：驗證能力；
$K$ ：知識、記憶與可重用資本；
$W$ ：外部世界、工具、制度與期限。

因此本文的問題不是：

更多 token 有沒有用？

而是：

在多維預算有限時，哪一單位計算應該投入哪一個意圖、哪一輪、哪條 branch、哪個 Agent、哪個工具、哪一個 validator，才能提高整體有效價值？

1. 從時間稀缺到計算稀缺

前置時間理論提出：

\boxed{ \text{運算資源的稀缺性} = \text{時間稀缺性的數位化形式}. }

即使智能存在可以高速運算、平行複製、長期存在，只要：

|\Omega|>1

且：

\mathbf B<\infty,

它仍然必須選擇。

選擇：

c_i

等於暫時不選擇：

c_j.

因此：

\boxed{ \text{Compute Allocation} \text{ is a temporal choice structure}. }

這是 AI 計算時間經濟學的第一原理。

2. AI 額度不是「文字額度」

一個 AI 配額可以限制：

reasoning tokens；
output tokens；
context；
model calls；
tool calls；
accelerator time；
parallel workers；
persistent Agent runtime；
external API；
storage；
memory；
money。

因此其一般形式應是：

\mathbf B_A = \left( B_t, B_c, B_x, B_u, B_p, B_r, B_m, B_h \right).

其中：

B_t = \text{token budget},

B_c = \text{compute budget},

B_x = \text{context / memory budget},

B_u = \text{tool-use budget},

B_p = \text{parallelism budget},

B_r = \text{runtime budget},

B_m = \text{monetary budget},

B_h = \text{human governance budget}.

所以：

\boxed{ \text{Quota} \neq \text{Text Length Limit}. }

3. 智能計算索取權

傳統時間經濟學把貨幣理解為對他人未來時間與能力的索取權。

在 AI 時代，可以提出功能類比：

\boxed{ \text{AI Quota} \sim \text{Claim on Future Intelligent Computation}. }

這個 claim 可能讓使用者要求 AI：

搜尋；
比較；
推理；
生成候選；
執行工具；
寫程式；
跑測試；
找反例；
驗證；
重算；
branch；
parallelize；
保存與恢復；
commit。

因此配額的經濟價值來自：

\text{future state-transition capacity}.

4. 模型能力與被配置能力

令模型／Agent 的潛在能力為：

C_A.

令實際配置強度為：

A_A = \operatorname{Allocate} \left( C_A, \mathbf B_A, G_I \right).

則：

A_A \le C_A

在操作性意義上表示：潛在能力未必都能在特定任務中被實現。

因此：

\boxed{ \text{AI Capability} \neq \text{Allocated AI Capability}. }

再考慮驗證、工具、世界與人類瓶頸：

Y_{\mathrm{realized}} = F(A_A,H,V,K,W).

故：

\boxed{ \text{Allocated AI Capability} \neq \text{Realized Productivity}. }

5. 為什麼 4 倍額度不等於 4 倍成果

若成果函數：

Y(B)

具有 diminishing return，則：

\frac{\partial^2Y}{\partial B^2}<0

在某些區間成立。

若過度推理造成負效應，甚至可能：

\frac{\partial Y}{\partial B}<0.

因此更高額度提供的是：

\boxed{ \text{更大的可配置選擇空間}, }

而不是固定倍數產出承諾。

真正問題是：

\operatorname{Policy}(\mathbf B_A).

6. 外部研究：Test-Time Compute 已變成 allocation problem

2026 年 adaptive test-time compute 研究已直接把問題寫成：

\max E[\mathrm{Accuracy}]

subject to：

E[\mathrm{Compute}] \le B.

這意味 inference-time compute 不再只是一個固定 generation length，而是一個 constrained allocation problem。

更重要的是，不同 query 的最佳 compute 並不相同。

因此：

\boxed{ \text{Uniform Budget} \neq \text{Optimal Budget}. }

7. 單題、跨題與跨輪三種配置

本文區分：

7.1 Intra-Task Allocation

在同一問題內決定：

是否再想；
是否再 sample；
是否 search；
是否 verify。

7.2 Inter-Task Allocation

在多個任務間配置：

B_1,\ldots,B_n

使：

\sum_iB_i\le B_{\mathrm{total}}.

7.3 Inter-Turn Allocation

同一長時程 Agent trajectory 中：

B^{(1)}, B^{(2)}, \ldots, B^{(T)}.

前面多花一單位資源，會減少後面可用資源。

所以：

\boxed{ \text{Multi-Turn Budgeting} = \text{Sequential Resource Allocation}. }

8. Turn-Adaptive Budget

對第 $t$ 輪：

s_t = \text{trajectory state},

budget policy：

\pi_B : s_t \rightarrow b_t.

需滿足：

\sum_{t=1}^{T}b_t \le B.

這意味：

不是每一輪都值得同樣深度。

簡單 bookkeeping turn 可能只需少量推理。

關鍵決策 turn 可能需要高額 compute。

9. Context Cost 的跨輪複利

Multi-turn 系統存在一個容易忽略的現象：

第 $t$ 輪產生的內容：

y_t

可能進入：

Context_{t+1}.

因此早期不必要的長輸出，不只消耗本輪 token，也可能增加後續：

memory；
bandwidth；
attention；
serving；
retrieval；
compression；

成本。

所以：

\boxed{ C_{\mathrm{early\ verbosity}} > C_{\mathrm{local\ tokens}} }

在長 trajectory 中可能成立。

10. 不是所有 Token 都是同型資源

Raw token count 不能完整表示：

\text{reasoning effort}.

因為：

有些 token 是重複敘述；
有些是有效推導；
有些是探索；
有些是自我驗證；
有些只是格式；
有些可能導致 overthinking。

因此：

\boxed{ \text{Token Count} \neq \text{Effective Cognitive Work}. }

Token 是 accounting proxy，不是智能價值本體。

11. 邊際計算價值

對候選 computation：

c_i,

定義預期價值增量：

E[\Delta V(c_i)].

定義成本：

E[\Delta C(c_i)].

則：

MV(c_i) = \frac{ E[\Delta V(c_i)] }{ E[\Delta C(c_i)]+\epsilon }.

這是最簡單的 marginal value per compute。

但本文進一步要求：

\Delta V

回到意圖實現，而非單純 local score。

12. 邊際意圖實現價值

定義：

MIV(c_i) = \frac{ E[\Delta V_{\mathrm{intent}}(c_i)] }{ E[\Delta C(c_i)]+\epsilon }.

其中：

\Delta V_{\mathrm{intent}}

可以包含：

completion gain；
evidence gain；
verification gain；
uncertainty reduction；
risk reduction；
future option gain；
knowledge capital；
world value。

因此：

\boxed{ MIV \neq \text{next-token probability gain}. }

它是 task-level / intent-level 的資源配置概念。

13. Value of Information 與 Value of Computation

一個 search action：

c_s

可能沒有直接提高完成度，但增加 evidence：

\Delta E>0.

一個 validator：

c_v

可能沒有生成新 artifact，但降低錯誤風險：

\Delta R<0.

所以計算價值至少分成：

V(c) = V_C + V_E + V_V + V_O + V_K - Cost - Risk.

其中：

$V_C$ ：completion；
$V_E$ ：evidence；
$V_V$ ：verification；
$V_O$ ：option / future policy；
$V_K$ ：knowledge capital。

14. Myopic Value 與 Dynamic Value

Myopic computation value：

V^{myopic}(c_t)

只看現在做完這一步得到多少直接收益。

Dynamic value：

V^{dyn}(c_t) = E \left[ V_t + \sum_{\tau=t+1}^{T} \gamma^{\tau-t}V_\tau \right].

一個便宜 probe 可能：

本身沒有高價值；
卻決定是否值得啟動昂貴模型；
是否需要外部工具；
是否應該放棄某 branch；
是否應該要求人類決策。

所以：

\boxed{ \text{Cheap Probe} \text{ can have high option value}. }

15. Deficit-Directed Computation

與其問：

哪一個候選目前分數最高？

更好的問題可能是：

現在真正缺哪種證據或能力？

定義 epistemic deficit：

\boldsymbol\delta = ( \delta_{run}, \delta_{ind}, \delta_{counter}, \delta_{transport}, \delta_{tail}, \delta_{unknown} ).

若：

\delta_{counter}\gg0,

則優先反例搜尋。

若：

\delta_{ind}\gg0,

則優先 independent backend。

若：

\delta_{transport}\gg0,

則優先 external calibration。

所以：

\boxed{ \text{Score-Directed Compute} \rightarrow \text{Deficit-Directed Compute}. }

16. 計算投資組合

定義：

\Pi_t^C = \{ (c_1,\mathbf b_1), \dots, (c_m,\mathbf b_m) \}.

要求：

\sum_i\mathbf b_i \preceq \mathbf B_t.

Portfolio 可以包含：

main-path execution；
alternative hypothesis；
counterexample search；
independent verification；
replication；
calibration；
rare-event stress；
unknown exploration；
fidelity escalation；
knowledge compression；
tool construction；
human review。

因此：

\boxed{ \text{Compute Portfolio} \neq \text{全部資源投最高分候選}. }

17. Portfolio Diversity

若所有 compute 都投入同一推理模式：

c_1\sim c_2\sim\cdots\sim c_n,

可能形成：

\text{Compute Mode Collapse}.

因此 portfolio quality 應考慮：

Q_{\Pi} = f ( Utility, Diversity, CounterCoverage, Independence, Latency, Safety, Cost ).

更多 sample 不一定增加真正資訊。

18. Shadow Price of Compute

令總預算限制：

\sum_i b_i \le B.

Lagrangian：

\mathcal L = \sum_iU_i(b_i) - \lambda \left( \sum_i b_i-B \right).

其中：

\lambda

是當前有限計算的 shadow price。

在內點最優條件下：

U_i'(b_i) = \lambda.

直觀上：

每個仍值得繼續投入的任務，其下一單位 compute 的邊際價值應大致達到同一個全域稀缺價格。

這提供跨任務資源配置的經濟學接口。

19. 非凹效用與啟動門檻

LLM reasoning utility 可能不是簡單凹函數。

有些問題在 budget 太低時：

U_i(b)\approx0.

超過某 threshold：

b_i^\ast

後才快速提高。

之後再飽和。

因此可能存在三區：

\text{Strict} \rightarrow \text{Surge} \rightarrow \text{Ample}.

這意味：

平均分配少量 budget 給所有任務，可能比集中足夠 budget 完成一部分任務更差。

20. Rational Abandonment

如果一個任務需要：

b_i^\ast

才能跨過有效解題 threshold，而目前總資源不足：

B<b_i^\ast,

則合理策略可能是：

b_i=0,

而不是把有限 budget 浪費在永遠達不到有效區間的 trajectory。

因此：

\boxed{ \text{Abandonment} \text{ can be an optimal allocation decision}. }

但高風險任務若涉及責任或不可拒絕義務，則不能只由經濟效率決定。

21. Overthinking 與負邊際價值

如果延長 reasoning：

b \rightarrow b+\Delta b

反而使正確答案翻成錯誤答案，則：

\Delta U<0.

因此：

\boxed{ \text{More Thinking} \not\Rightarrow \text{More Value}. }

Agent runtime 需要：

StopThinking

而不只是：

ContinueThinking.

22. Early Stopping

令：

MIV_t = \text{next-step marginal intent value}.

若：

MIV_t < \lambda_t,

則可以：

stop；
commit；
use current answer；
fallback；
transfer budget；
ask human。

因此停止本身是資源配置動作。

23. Tool Budget 是不同市場

Tool call $u_j$ 有：

Price(u_j),

Latency(u_j),

Risk(u_j),

SuccessProb(u_j).

所以：

E[V(u_j)] = P_{succ}V_{succ} + (1-P_{succ})V_{fail} - Price - Risk.

當工具價格動態變化時，最優 plan 也可能改變。

因此：

\boxed{ \text{Tool Planning} = \text{Budgeted Sequential Decision Making}. }

24. Monetary Budget 與 Compute Budget 不可完全互換

某些平台：

Money \rightarrow MoreCompute.

但不一定：

1 USD = k\text{ tokens}

在所有時刻、模型、工具與方案下固定。

因為：

price 變化；
model tier；
latency tier；
quota；
concurrency；
cache；
tool pricing；
contract。

所以 monetary budget 與 compute budget 必須分欄。

25. Human Governance Budget

最容易被忽略的資源是：

B_H.

人類需要投入：

intent；
clarification；
review；
exception handling；
authority；
risk acceptance；
final judgment。

因此完整資源限制：

\sum_iT_{H,i} \le B_H.

當 AI 產出速度大幅上升時：

B_H

可能成為新的瓶頸。

26. Verification Reserve

若總 AI budget 為：

B_A,

不應全部投入 generation。

定義：

B_A = B_G + B_V + B_R + B_O,

其中：

$B_G$ ：generation；
$B_V$ ：verification；
$B_R$ ：recovery / repair；
$B_O$ ：observation / external calibration。

本文提出：

\boxed{ B_V > 0 }

應被視為高風險或高價值任務的基本治理要求。

27. Verification Debt 與 Compute Rebalancing

定義驗證債務：

D_V = \sum_iw_i(1-v_i).

若：

\frac{dD_V}{dt}>0,

表示生成速度長期高於驗證速度。

此時新增 compute 的最佳用途未必是：

B_G\uparrow.

可能應該：

B_V\uparrow.

因此：

\boxed{ \text{More AI Budget} \text{ should sometimes buy verification, not generation}. }

28. 瓶頸遷移

令：

C_G = \text{generation capacity},

C_V = \text{verification capacity},

C_I = \text{integration capacity},

C_D = \text{diffusion capacity}.

有效吞吐：

Y_{\mathrm{eff}} \lesssim \min (C_G,C_V,C_I,C_D).

當：

C_G\uparrow

而其他不變，新增 generation budget 的邊際價值下降。

所以：

\boxed{ \text{Optimal Budget Allocation} \text{ follows the moving bottleneck}. }

29. 人類生理時間與 AI 計算時間

令一天可用的人類高品質治理時間：

H_{\mathrm{bio}}.

AI 可以在這段世界時間內執行：

M

單位機器計算。

若：

M\uparrow,

但人類 review capacity 不變，則：

\frac{M}{H_{\mathrm{bio}}}

上升。

這就是 AI leverage。

但當：

\frac{M}{H_{\mathrm{bio}}}

超過可治理範圍，系統可能產生：

verification debt；
integration debt；
context debt；
decision overload。

因此 leverage 也有治理極限。

30. Delegated Compute Block

成熟 Agent 可以形成：

U(I) \rightarrow \boxed{ A^{(1)} \rightarrow A^{(2)} \rightarrow \cdots \rightarrow A^{(n)} } \rightarrow U(checkpoint).

令此自主區塊消耗：

B_{block},

人類治理時間：

T_H^{gov}.

可定義委任計算槓桿：

\Lambda_D = \frac{ V_{\mathrm{effective}}(block) }{ T_H^{gov} }.

這比「用了多少 token」更接近使用者真正關心的價值。

31. AI 額度與可行集合

對任務 $q$ ，若要求：

C_q\le B_m,

T_q^H\le B_h,

T_q^W\le d,

Q_q\ge Q_{\min},

則可行集合：

\Omega(\mathbf B) = \{ q: constraints(q,\mathbf B)=1 \}.

當：

\mathbf B_A \uparrow,

可能：

\mu(\Omega) \uparrow.

所以更高 AI 額度最重要的價值之一可能不是：

把原本一件事做得更快。

而是：

讓原本不會被做的事第一次變成可行。

32. Feasibility Generation Value

定義：

\Delta\Omega = \Omega_A \setminus \Omega_{baseline}.

對新增可行任務：

q\in\Delta\Omega,

其價值：

V_{\mathrm{FG}} = \sum_{q\in\Delta\Omega} p_qV_q.

這就是可行性生成價值。

它不能被誤寫成：

\text{現金節省}.

但也不能被當成零。

33. 20X 類現象的抽象化

假設方案：

L

提供較低 budget，

方案：

H

提供：

\mathbf B_H > \mathbf B_L.

理論上比較不應只看：

Price_H-Price_L.

而應估：

\Delta V = V(\Omega_H) - V(\Omega_L) + V_{\tau} + V_K - \Delta Cost - \Delta Risk.

如果新增 budget 使一批重要任務：

q_1,\ldots,q_n

從不可行變可行，價值可能遠大於單純「每次回答長一點」。

反之，若主要瓶頸已經是人類驗證，增額可能價值很低。

34. 邊際方案升級判準

對較高方案額外成本：

\Delta M,

額外有效價值：

\Delta V_{\mathrm{eff}},

則最簡判準：

Upgrade = \mathbb I \left[ E[\Delta V_{\mathrm{eff}}] > \Delta M \right].

但：

\Delta V_{\mathrm{eff}}

必須包含：

新增可行任務；
曆時壓縮；
人類時間釋放；
知識資本；
驗證負荷；
風險。

不能只以名義 token 數計算。

35. Shadow Price 與個人／組織階段

當公司現金有限時：

\lambda_{money}

高。

當人類時間更稀缺時：

\lambda_{human}

高。

當大型 Agent 系統的 compute 很稀缺：

\lambda_{compute}

高。

因此同一 AI 方案在不同企業階段的最佳選擇不同。

所以：

\boxed{ \text{AI Plan Value} \text{ is state-dependent}. }

不存在脫離資本、時間、任務與瓶頸的普遍「最划算方案」。

36. 多專案 Compute Portfolio

若同時有：

Project_1,\ldots,Project_n,

則：

\sum_i\mathbf B_i \preceq \mathbf B_{\mathrm{org}}.

組織需決定：

哪些 project 加速；
哪些 project 維持；
哪些 project 暫停；
哪些 project 只做 cheap probe；
哪些 project 進入 verification；
哪些 project 值得開平行 Agent。

這是：

\boxed{ \text{Machine-Time Portfolio Allocation}. }

37. 跨專案的邊際價值

最簡策略是每次把下一單位 budget 給：

i^\ast = \arg\max_iMIV_i.

但有：

threshold；
fixed startup cost；
dependency；
deadline；
fairness；
risk；
option value；

時，greedy 不一定全域最佳。

因此實際上可能需要：

dynamic programming；
constrained MDP；
bandit；
portfolio optimization；
rule-based governor；
hybrid Agent manager。

38. 任務價值不只由成功率決定

兩個任務：

q_1, q_2

可能成功率相同，但：

V(q_1)\gg V(q_2).

因此 compute allocator 不應只追求：

Accuracy.

而應最大化：

ExpectedIntentValue.

這對企業、研究與治理任務尤其重要。

39. Deadline 與 World Time

令世界 deadline：

d_q.

即使某計算具有高最終價值，如果：

T(c)>d_q,

也可能失去實際價值。

因此：

V(c) = V(c\mid t_W,d_q).

時間經濟學中的「成果提前存在」在 AI 系統中尤其重要。

40. 曆時與總 Compute

兩個方案可能：

A

W_A=1000

compute units，

\tau_A=10.

B

W_B=300

compute units，

\tau_B=30.

A 使用更多總工作但更快完成。

所以：

\boxed{ \text{Compute Economy} \neq \text{Latency Economy}. }

兩者可能衝突。

41. Energy 與 Infrastructure Cost

若擴展至完整社會成本，compute 還包括：

C_{\mathrm{energy}},

C_{\mathrm{hardware}},

C_{\mathrm{cooling}},

C_{\mathrm{network}},

C_{\mathrm{storage}}.

本文不在 v0.1 建立精確能源模型，但要求：

大規模 AI 時間經濟分析不能永遠把 machine time 視為免費背景。

42. Precomputation 與歷史外部化

今天一次便宜 query 可能依賴：

pretraining；
index；
cache；
memory；
tool；
knowledge base；
compiler；
benchmark；
prior failed runs。

因此即時成本：

C_{\mathrm{online}}

不能自動代表完整 lifecycle cost。

應區分：

C_{\mathrm{build}},

C_{\mathrm{precompute}},

C_{\mathrm{online}},

C_{\mathrm{maintain}}.

這也與「歷史外部化補償」直接相容。

43. Knowledge Capital

如果一次計算產生：

reusable prompt；
ontology；
validator；
code；
cache；
index；
memory；
benchmark；
failure record；

則未來成本：

C_{t+1}

可能下降。

所以：

\Delta K>0

應被視為資本形成。

因此：

\boxed{ \text{Compute Consumption} \text{ can create future compute capital}. }

44. Compute Capitalization Rate

定義：

\rho_K = \frac{ \Delta K_{\mathrm{reusable}} }{ C_{\mathrm{compute}} }.

高：

\rho_K

表示本輪計算不只消耗資源，也形成可降低未來成本的資產。

這是一次性問答與機構型 Agent 系統的重大差異。

45. Budget Debt

如果系統持續超額消耗：

B_t>B_t^{plan},

可以形成 budget debt：

D_B(t) = \sum_{\tau\le t} \max(0,B_\tau-B_\tau^{plan}).

若平台採硬 quota，債務會以：

未來不可用；
降速；
額外費用；
任務延遲；

形式顯現。

若採軟 monetary billing，則轉化為 cash-flow risk。

46. Token Hoarding 與 Underthinking

過度節省也可能失敗。

若：

B_i<B_i^{min},

使：

P_{success}\downarrow,

則：

\text{Underthinking}

同樣是配置錯誤。

所以 optimal policy 必須避開：

\text{Overthinking}

與：

\text{Underthinking}.

47. Budget Robustness

一個成熟 Agent 應在不同 budget 下 graceful degradation。

定義：

Q(B).

希望：

B_1<B_2

時，較低 budget 仍能：

提供部分結果；
保存進度；
顯示未完成；
避免虛假完成；
產生可恢復 checkpoint。

所以：

\boxed{ \text{Budget Exhaustion} \neq \text{False Completion}. }

48. Anytime Intelligence

若任務可在任意 budget 截止時提供目前最佳可用結果：

O(B),

且：

Quality(O(B))

通常隨 budget 改善，則可視為 anytime agent。

這對真實 deadline 與動態 quota 特別重要。

49. Budget-Aware Stop State

Run 結束原因至少應區分：

SUCCESS
BUDGET_EXHAUSTED
DEADLINE_REACHED
MARGINAL_VALUE_LOW
WAITING_FOR_HUMAN
WAITING_FOR_EXTERNAL_EVENT
RISK_BLOCKED
FAILED
CANCELLED

因此：

\boxed{ \text{Stopped} \neq \text{Failed} \neq \text{Completed}. }

50. 第一代 AI Compute Ledger

AIComputeLedger
  allocation_id
  intent_id
  project_id
  run_id
  event_id
  model
  tool
  budget_class
  token_budget
  compute_budget
  context_budget
  tool_budget
  parallel_slots
  runtime_budget
  money_budget
  human_budget
  budget_before
  budget_after
  expected_completion_gain
  expected_evidence_gain
  expected_verification_gain
  expected_option_gain
  expected_knowledge_gain
  expected_risk_change
  expected_value
  realized_value
  marginal_intent_value
  shadow_price
  verification_reserve
  debt_state
  stop_reason
  world_deadline
  provenance_ref

51. 第一代核心指標

本文提出：

MIV = \text{Marginal Intent Value per Compute},

\lambda_C = \text{Compute Shadow Price},

\rho_K = \text{Compute Capitalization Rate},

D_V = \text{Verification Debt},

D_B = \text{Budget Debt},

\Lambda_D = \text{Delegation Leverage},

\Lambda_\Omega = \text{Feasibility-Set Leverage}.

其中：

\Lambda_\Omega = \frac{ \mu(\Omega_A) }{ \mu(\Omega_{baseline}) }.

52. 可檢驗命題

命題一：Uniform Allocation 劣化命題

存在混合難度任務集，使 adaptive allocation 在等總 budget 下優於 uniform allocation：

V_{adaptive} > V_{uniform}.

命題二：Overthinking 命題

存在任務區間，使：

\frac{\partial V}{\partial B}<0.

命題三：Verification Rebalancing 命題

當：

D_V

超過某臨界區，新增 budget 配置至 verification 的有效價值高於配置至 generation。

命題四：Feasibility Expansion 命題

存在任務：

q \notin \Omega(B_1)

但：

q\in \Omega(B_2), \qquad B_2>B_1.

因此新增 budget 可以創造新可行任務，而非只縮短既有任務。

命題五：Human Bottleneck 命題

當：

B_A\uparrow

而：

B_H

固定，存在區間使：

Y_{\mathrm{effective}}

不再同比增加。

命題六：Portfolio Dominance 命題

在相同總 budget 下，具 evidence diversity、counterexample coverage 與 verification reserve 的 portfolio 可優於只追最高分候選的 allocation。

53. 實驗設計

53.1 多額度同任務

固定：

intent；
model；
tools；
evaluator。

改變：

B \in \{B_1,B_2,B_3,B_4\}.

測：

Completion, Quality, Tokens, Latency, ToolCalls, D_V, \Delta K.

53.2 多輪 Budget Allocation

固定 global token budget。

比較：

uniform；
difficulty heuristic；
history-aware adaptive；
full-plan allocation。

53.3 Generation vs Verification

固定總 budget：

B=B_G+B_V.

掃描不同：

\frac{B_V}{B}

找 effective output 最大區域。

53.4 Multi-Project Portfolio

建立多個：

高價值高難度；
低價值低難度；
高風險；
knowledge-capital task。

比較 greedy、uniform、portfolio allocation。

53.5 Upgrade Threshold

比較低額與高額方案，測新增 budget 實際造成：

\Delta\Omega, \Delta T_H, \Delta\tau, \Delta K, \Delta D_V.

54. 與 UCPNP 的接口

UCPNP 已要求每個能力 claim 明確揭露：

\mathbf B_t = \text{resource budget},

以及：

\mathbf C_t = \text{cost ledger}.

並分離 completion、verification、certification frontier。

AICTE 因此可被理解為：

\boxed{ \text{UCPNP resource ledger 的時間經濟學與 allocation 層}. }

UCPNP 問：

哪些 intervention 改變 agent-relative tractability frontier？

AICTE 再問：

在有限 budget 下，哪個 intervention 現在最值得買？

55. 與 WDC-06 的接口

WDC-06 已建立：

\Pi_t^W = \{ (c_i,b_i) \},

與：

\sum_i\mathbf b_i \preceq \mathbf B_t^G.

並要求 allocation 同時考慮：

utility；
evidence diversity；
counterexample；
dependence；
transport；
latency；
safety；
compute cost。

AICTE 將此從「世界計算」推廣到一般：

\boxed{ \text{Intelligent Computation Portfolio}. }

56. 與個體機構化的接口

個體機構化的生產函數已包含：

I_H, J_H, A_P, K, W, V, D

以及 orchestration、platform 與 risk cost。

AICTE 提供其中：

A_P

的 allocation theory。

即：

AI 平行產能不是一個靜態數字，而是一個需要被持續分配的稀缺資產。

57. 與第 6 篇的接口

本文處理：

有多少 AI 計算，以及應該花在哪裡？

下一篇將處理：

當 AI 可以長時間自行消耗這些 budget 時，人類究竟要多久介入一次？哪些 checkpoint 可以放權？哪些必須由人類保留？

因此第 6 篇將建立：

\rho_H = \text{Human Intervention Density},

以及：

\Lambda_D = \text{Delegation Leverage}.

即：

委任時間論

58. 規範與倫理邊界

AI 計算時間經濟學不應被用來：

把所有價值都化約成金錢；
把人類休息視為低效資源浪費；
為追求 ROI 而取消必要安全驗證；
把高 compute 誤認為高智慧；
把低 token 誤認為高效率；
把未驗證的大量生成當有效生產力；
用 shadow price 自動決定不可商品化的人格、權利與尊嚴問題；
因高額度存在就鼓勵無限制 Agent 執行；
忽略能源、硬體與平台權力；
把特定產品方案的商業配額誤寫成普遍物理單位。

59. 理論限制

第一，token、FLOPs、GPU-seconds、工具價格與 wall-clock 並非穩定可互換單位。

第二， $MIV$ 需要 task-relative value function，不存在已證明的通用唯一標準。

第三，shadow-price 模型在非凹效用、threshold、fixed cost 與離散 tool actions 下可能需要更複雜最佳化。

第四，使用者與組織的價值函數本身可能不完整、動態或不可量化。

第五，人類治理成本不能單純等價成機器成本。

第六，本文仍是一般理論框架，而非特定 AI 平台付費方案的採購建議。

60. 結論

AI 時代的額度問題，表面上像是：

我可以多用多少 token？

實際上更接近：

\boxed{ \text{我可以在有限世界時間裡，多索取多少智能計算過程？} }

而真正困難的問題則是：

\boxed{ \text{這些智能計算應該被配置到哪裡？} }

本文因此把 AI inference、Agent 工具、multi-turn reasoning、verification 與 multi-project orchestration 統一為一個有限資源配置問題。

其基本狀態是：

\mathbf B_A = ( B_{\mathrm{token}}, B_{\mathrm{compute}}, B_{\mathrm{context}}, B_{\mathrm{tool}}, B_{\mathrm{parallel}}, B_{\mathrm{runtime}}, B_{\mathrm{money}}, B_{\mathrm{human}} ).

其基本選擇是：

\Pi_t^C = \{(c_i,\mathbf b_i)\}.

其核心比較量是：

MIV(c_i) = \frac{ E[\Delta V_{\mathrm{intent}}(c_i)] }{ E[\Delta C(c_i)]+\epsilon }.

其全域稀缺訊號則可由：

\lambda_C

表示。

因此：

\boxed{ \text{更多 AI 能力} \neq \text{更多已配置能力} \neq \text{更多有效產能}. }

而 AI 時代真正成熟的 Agent manager，不只是讓模型「多想」，而是知道：

何時該多想；
哪一輪值得多想；
哪個任務值得多想；
哪個 branch 值得繼續；
何時應該驗證；
何時應該停止；
何時應該把 budget 留給未來；
何時應該把控制權交還人類。

所以 AI 計算時間經濟學的最簡核心可以寫成：

\boxed{ \text{有限智能計算} + \text{有限人類時間} + \text{不可逆世界時間} \rightarrow \text{最值得實現的意圖配置問題}. }

參考文獻與前置理論

EveMissLab 前置理論

Neo.K，《互動時間論：從鐘錶時間到意圖驅動的智能狀態轉換》v0.1，EveMissLab，2026。
Neo.K，《意圖週期論：使用者意圖、AI 接受、執行與結果的閉環結構》v0.1，EveMissLab，2026。
Neo.K，《單輪不是一步：AI Turn、內部迴圈、工具動作與執行軌跡》v0.1，EveMissLab，2026。
Neo.K，《互動時間拓撲：平行 Agent、偏序因果與不可約互動深度》v0.1，EveMissLab，2026。
Neo.K，《時間稀缺性的永恆結構：從生命有限到選擇排他》，EveMissLab，2026。
Neo.K，《AI 時間槓桿的多重估值：從避免成本、曆時壓縮到可行集合擴張》，EveMissLab，2026。
Neo.K，《WDC-06：Which Worlds Deserve Computation》，EveMissLab，2026。
Neo.K with Aletheia，《UCPNP Unified Theory》v0.1，EveMissLab，2026。
Neo.K，《個體機構化：AI 增幅型單核複合機構與人數產能脫鉤》，EveMissLab，2026。

外部研究

Snell, C., Lee, J., Xu, K., Kumar, A. Scaling LLM Test-Time Compute Optimally Can Be More Effective Than Scaling Model Parameters. arXiv:2408.03314.
Zhai, Z., Li, B., Xiao, B., Li, M., Wang, X. Adaptive Test-Time Compute Allocation for Reasoning LLMs via Constrained Policy Optimization. arXiv:2604.14853, 2026.
Jali, N., Nayak, A., Joshi, G. Not All Turns Are Equally Hard: Adaptive Thinking Budgets For Efficient Multi-Turn Reasoning in Agents. arXiv:2604.05164v3, 2026.
Liu, H., Tian, C., An, N., Wang, Z., Lu, P., Yu, C., Qi, Q. Budget-Constrained Agentic Large Language Models: Intention-Based Planning for Costly Tool Use. arXiv:2602.11541, 2026.
Inference-Time Budget Control for LLM Search Agents. arXiv:2605.05701, 2026.
The Shadow Price of Reasoning: Economic Perspective on Optimal Budget Allocation for LLMs. arXiv:2606.03092, 2026.
Zhou, S., Ling, R., Chen, J., et al. When More Thinking Hurts: Overthinking in LLM Test-Time Compute Scaling. arXiv:2604.10739, 2026.
Chen, W.-L., Peng, L., Tan, T., et al. Think Deep, Not Just Long: Measuring LLM Reasoning Effort via Deep-Thinking Tokens. arXiv:2602.13517v2, 2026.
Hariri, M., et al. Test-Time Scaling in Reasoning LLMs: Inference Regimes, Evaluation, and Reproducibility. arXiv:2608.04001, 2026.

一句話版本

AI 額度不是可以多生成多少文字，而是對未來智能計算過程的有限索取權；真正的能力則在於把這些有限計算配置到邊際意圖價值最高、且不留下不可承受驗證與治理債務的位置。

EML-AICTE-2026-05-v0.1
AI 互動時間與智能時間經濟學系列 05/08