← Archive
lm-003398 · 2026-09

AI 不必成為 AGI，也可以先讓大量人類工作失去經濟必要性：從可靠自主勞動門檻到任務級相變

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

AI 不必成為 AGI，也可以先讓大量人類工作失去經濟必要性：從可靠自主勞動門檻到任務級相變

AI Does Not Need to Become AGI Before Human Labor Loses Economic Necessity: From the Reliable Autonomous Labor Threshold to Task-Level Discontinuity

系列：工作、時間主權與存在價值，第 5 篇／共 7 篇＋1 篇番外
系列英文名：Work, Time Sovereignty, and Existential Value
文件編號：EML-WTSV-2026-05-v0.1
作者：Neo.K with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-09-03
性質：AI Labor Economics／Agentic Systems／Temporal Economics／Task-Based Automation／Post-Labor Civilization
狀態：Public Theory Draft
直接前置：EML-WTSV-2026-01 至 04；EML-CLGI-2026-03《可靠自主勞動門檻：為什麼經濟相變不必等待 AGI》；《Agentic Organization 的時間經濟學》；《AI 時間槓桿的多重估值》
後續接口：Paper 06「時間主權」；Paper 07「後勞動價值重構」

生成、認識論與規範邊界聲明

本文是一篇 AI 輔助生成的理論研究稿。

本文不預測某個確定年份會出現 AGI，也不主張當前 AI 已可全面取代所有人類工作，更不把模型 benchmark、聊天介面中的單次成功、Agent demo 或廠商使用資料直接等同整體經濟自動化。

本文研究的是一個較窄而且可操作的命題：

經濟體系不需要先同意某套 AI 已經是「AGI」，才可能在大量具體任務中發現：由 AI／Agent 完成已經比由人類持續完成更便宜、更快、更可平行、更容易複製，而且其可靠性與治理成本已低到可進入正式生產流程。

本文因此沿用既有區分：

AGI Threshold≠Economic Substitution Threshold.\boxed{ \text{AGI Threshold} \neq \text{Economic Substitution Threshold}. }

同時保留另一個重要邊界：

Task Exposure≠Task Substitution≠Job Substitution≠Human Redundancy.\boxed{ \text{Task Exposure} \neq \text{Task Substitution} \neq \text{Job Substitution} \neq \text{Human Redundancy}. }

本文不把經濟替代直接推成存在價值判斷。恰恰相反，本篇的任務是證明：如果經濟替代可以在 AGI 哲學爭論結束之前就發生，那麼前四篇對「工作不構成人的存在資格」的價值準備，就不能等到大規模失業發生後才開始。

摘要

AI 與勞動市場的公共討論經常被一個單一門檻支配：

Current AI→AGI→Mass Automation.\text{Current AI} \rightarrow \text{AGI} \rightarrow \text{Mass Automation}.

這條敘事容易讓社會形成錯誤安全感：只要我們尚未公認某個系統達到 AGI，就似乎還沒有真正進入勞動相變。

但企業購買的從來不是「哲學上完整的人類等價智能」。企業購買的是可驗收的任務完成：

acceptable quality+reliability+latency+accountability+cost efficiency.\text{acceptable quality} + \text{reliability} + \text{latency} + \text{accountability} + \text{cost efficiency}.

因此，AI 可能尚未跨越一般認知意義上的：

ΘAGI,\Theta_{\mathrm{AGI}},

卻已在某些任務域跨過：

Θecon.\Theta_{\mathrm{econ}}.

本文沿用 EML-CLGI-2026-03 提出的「可靠自主勞動門檻」（Reliable Autonomous Labor Threshold, RAL）：

ΘRAL={QA≥Qmin⁡,  UA≤ϵ,  ΓA≥Γmin⁡,  TAaut≥Tmin⁡,  ρH≤ρHmax⁡,  CA∗<CH∗},\Theta_{\mathrm{RAL}} = \left\{ Q_A\ge Q_{\min}, \; U_A\le\epsilon, \; \Gamma_A\ge\Gamma_{\min}, \; T_A^{\mathrm{aut}}\ge T_{\min}, \; \rho_H\le\rho_H^{\max}, \; C_A^{*}<C_H^{*} \right\},

其中：

  • QAQ_A：Agent 產出品質；
  • UAU_A：未檢出且不可恢復錯誤率；
  • ΓA\Gamma_A：錯誤恢復能力；
  • TAautT_A^{\mathrm{aut}}：可維持自主工作的曆時；
  • ρH\rho_H：人類治理／介入密度；
  • CA∗C_A^{*} 、 CH∗C_H^{*}：風險、治理與驗證調整後的 AI 與人類總成本。

對職業 JJ，本文進一步定義「RAL 任務滲透率」：

ϕJ(t)=∑k=1nwk1[Tk has crossed ΘRAL],\phi_J(t) = \sum_{k=1}^{n} w_k \mathbf 1 \left[ T_k \text{ has crossed } \Theta_{\mathrm{RAL}} \right],

其中 wkw_k 是任務 TkT_k 在職業中的時間、價值或必要性權重。

這使勞動相變不再需要被理解為：

job exists→job disappears.\text{job exists} \rightarrow \text{job disappears}.

更可能是：

task substitution→job recomposition→wage／entry／headcount pressure→possible occupational contraction.\text{task substitution} \rightarrow \text{job recomposition} \rightarrow \text{wage／entry／headcount pressure} \rightarrow \text{possible occupational contraction}.

2025 年 ILO–NASK 的全球指標以近三萬個任務為基礎，估計全球約四分之一就業位於某種程度的生成式 AI 暴露職業，但同時判斷在當前條件下，多數職業更可能先被轉型而不是整體消失。這正支持「任務先變、職業後變」的分析框架。

2026 年 METR 的 Time Horizon 研究則顯示，前沿 Agent 在軟體工程、機器學習與資安等清楚定義的任務上，可成功處理的人類等價任務跨度持續快速上升。METR 同時明確警告：time horizon 不是「AI 可以連續自主工作多久」，也不能直接推成「可以自動化所有工作」；其測試主要集中在軟體相關任務，而且超過約 16 小時的估計目前可靠性有限。這些限制反而說明 RAL 所需要的不是單一 benchmark，而是品質、錯誤、治理、成本與任務域共同評估。

Anthropic 2026 年 Economic Index 的供應商側使用資料又提供另一個訊號：部分 coding 類任務正從對話介面的協作使用移向 API 中更自動化、較 directive 的工作流；但同一份報告也發現高經驗使用者常更傾向協作與迭代，而不是簡單全自動化。這提醒我們，AI 的經濟影響可以同時沿著：

automation\text{automation}

與：

augmentation\text{augmentation}

兩條路徑前進。

本文因此拒絕「AI 會一次性搶走所有工作」與「AI 只會永遠當輔助工具」兩種極端。

真正需要觀察的是：

How fast does ϕJ(t) rise, and what happens to human time, income, bargaining power, and identity as it rises?\boxed{ \text{How fast does } \phi_J(t) \text{ rise, and what happens to human time, income, bargaining power, and identity as it rises?} }

最後，本文把勞動經濟問題重新接回本系列的價值問題：

Economic Redundancy≠Existential Redundancy.\boxed{ \text{Economic Redundancy} \neq \text{Existential Redundancy}. }

如果某些人類工作真的逐漸失去經濟必要性，文明真正應解除的是「必須重新發明工作來證明人有價值」的衝動，而不是否認技術替代正在發生。

關鍵詞：AGI、可靠自主勞動門檻、RAL、Agent、任務替代、職業重組、AI 勞動、經濟替代、時間經濟學、後勞動文明

1. 為什麼「等 AGI 再討論」可能太晚

很多公共討論默認：

ΘAGI<Θautomation.\Theta_{\mathrm{AGI}} < \Theta_{\mathrm{automation}}.

也就是先有 AGI，才有大規模經濟自動化。

但企業根本不需要先回答：

這個系統是否具有完整人類通用智能？

企業真正問的是：

這個流程交給它，能不能穩定完成？

所以：

Θecon(T)\Theta_{\mathrm{econ}}(T)

是 task-relative。

對任務 TaT_a：

Θecon(Ta)<ΘAGI\Theta_{\mathrm{econ}}(T_a) < \Theta_{\mathrm{AGI}}

完全可能。

對另一任務 TbT_b：

Θecon(Tb)>ΘAGI\Theta_{\mathrm{econ}}(T_b) > \Theta_{\mathrm{AGI}}

也可能。

例如高度具身、法律責任重、需要深厚組織脈絡或高信任關係的任務，即使模型智力很高，也可能很晚才達到經濟可替代。

因此：

AGI is not a universal labor-market switch.\boxed{ \text{AGI is not a universal labor-market switch}. }

2. 經濟替代的門檻是「夠好」，不是「世界最強」

假設：

Qhuman elite=0.98,Q_{\mathrm{human\ elite}} = 0.98, QA=0.84,Q_A = 0.84,

而任務真正要求：

Qmin⁡=0.75.Q_{\min} = 0.75.

則：

QA<Qhuman eliteQ_A < Q_{\mathrm{human\ elite}}

與：

QA≥Qmin⁡Q_A \ge Q_{\min}

可以同時成立。

企業沒有理由要求每一封信、每一份報表、每一段程式、每一個客服回覆都達到全球頂尖人類品質。

大量工作真正的條件是：

Q≥Qmin⁡.\boxed{ Q \ge Q_{\min}. }

跨過品質門檻後，競爭才進入：

cost,latency,availability,scalability,risk.\text{cost}, \quad \text{latency}, \quad \text{availability}, \quad \text{scalability}, \quad \text{risk}.

這就是為什麼：

AI is not better than the best human\text{AI is not better than the best human}

不能作為：

AI cannot substitute labor\text{AI cannot substitute labor}

的充分論證。

3. 「能做一次」與「可進入生產」仍然相差很遠

相反方向也必須封住。

一個 AI demo 顯示：

P(success)>0P(\text{success})>0

不代表它已跨越勞動門檻。

生產系統真正需要：

P(reliable success)≥rmin⁡.P(\text{reliable success}) \ge r_{\min}.

並且錯誤不能只是：

retry until lucky.\text{retry until lucky}.

因為真實工作有：

  • 持續狀態；
  • 外部客戶；
  • 財務後果；
  • 安全責任；
  • 法律責任；
  • 資料污染；
  • 版本與歷史；
  • 上下游依賴。

所以：

Capability Demonstration≠Reliable Production.\boxed{ \text{Capability Demonstration} \neq \text{Reliable Production}. }

4. RAL：可靠自主勞動門檻

沿用既有框架：

ΘRAL={QA≥Qmin⁡,  UA≤ϵ,  ΓA≥Γmin⁡,  TAaut≥Tmin⁡,  ρH≤ρHmax⁡,  CA∗<CH∗}.\boxed{ \Theta_{\mathrm{RAL}} = \left\{ Q_A\ge Q_{\min}, \; U_A\le\epsilon, \; \Gamma_A\ge\Gamma_{\min}, \; T_A^{\mathrm{aut}}\ge T_{\min}, \; \rho_H\le\rho_H^{\max}, \; C_A^{*}<C_H^{*} \right\}. }

這六個條件缺一不可。

如果品質很高，但：

ρH≈1,\rho_H\approx1,

也就是每一步都需要人類盯著，那更像高能力工具，而不是自主勞動單元。

如果成本很低，但：

UAU_A

很高，產出的未檢出錯誤會污染長期系統，也不能視為廉價替代。

如果 Agent 可以長時間運行，但無法恢復：

ΓA≈0,\Gamma_A\approx0,

一個錯誤就可能讓整個工作流偏離。

因此 RAL 不是智力分數。

它是一個：

production admissibility condition.\boxed{ \text{production admissibility condition}. }

5. 人類介入密度可能比「模型智商」更重要

令：

ρH=THgovernanceTAeffective work+THgovernance.\rho_H = \frac{ T_H^{governance} }{ T_A^{effective\ work} + T_H^{governance} }.

若 Agent 工作一小時，需要人類審查五十分鐘：

ρH\rho_H

很高。

若 Agent 可以工作八小時，人類只需要在高風險節點審核十五分鐘：

ρH\rho_H

就大幅下降。

從組織成本看，這可能比 benchmark 多幾分重要得多。

因此：

Autonomy≠absence of humans.\boxed{ \text{Autonomy} \neq \text{absence of humans}. }

更接近：

high effective delegated work per unit human governance time.\boxed{ \text{high effective delegated work per unit human governance time}. }

6. 委任槓桿：真正被 AI 放大的首先是「人類時間」

既有 Agentic Organization 時間經濟學定義：

ΛD=Veffective delegated workTHgov+ϵ.\Lambda_D = \frac{ V_{\mathrm{effective\ delegated\ work}} }{ T_H^{gov}+\epsilon }.

當：

ΛD↑,\Lambda_D\uparrow,

表示每一單位人類治理時間可以控制更多有效智能勞動。

這使 AI 勞動的核心不只是：

machine replaces person.\text{machine replaces person}.

也可以是：

1H→10A,1H \rightarrow 10A,

甚至：

1H→100A,1H \rightarrow 100A,

其中 HH 是一個人類治理者， AA 是可平行 Agent。

所以在就業數量正式下降以前，組織內部就可能先出現：

human coordination density↓.\boxed{ \text{human coordination density} \downarrow. }

7. 24／7 與平行度會改變「一個勞動單元」的概念

傳統人類勞動單元受限於：

24h,24h,

睡眠、疲勞、時區、排班、訓練與協調成本。

AI 勞動則可能具有：

TAavailable≈24/7,T_A^{available} \approx 24/7,

以及：

NA≫1.N_A \gg1.

因此，單純比較：

QAQ_A

與：

QHQ_H

是不夠的。

更完整的有效產能可以寫成：

PAeff=QA⋅RA⋅TA⋅NA⋅(1−ρH)⋅(1−RiskA),P_A^{eff} = Q_A \cdot R_A \cdot T_A \cdot N_A \cdot (1-\rho_H) \cdot (1-\mathrm{Risk}_A),

其中 RAR_A 表示可靠完成率。

即使：

QA<QH,Q_A<Q_H,

仍可能：

PAeff≫PHeff.P_A^{eff} \gg P_H^{eff}.

這就是經濟替代與「誰比較聰明」不同的地方。

8. 任務才是更合理的基本單位

勞動經濟學早已發展 task-based automation framework。

Acemoglu 與 Restrepo 將自動化描述為機器接管原本由勞動執行的任務，而不是把技術只視為對所有勞動的均勻增強。

令職業：

J={T1,T2,…,Tn}.J = \left\{ T_1, T_2, \ldots, T_n \right\}.

AI 很可能先跨越：

T2,T4,T7,T_2, T_4, T_7,

卻仍無法可靠完成：

T1,T3,T5.T_1, T_3, T_5.

因此：

Task Substitution→Job Recomposition\boxed{ \text{Task Substitution} \rightarrow \text{Job Recomposition} }

通常比：

AI suddenly deletes Job J\text{AI suddenly deletes Job }J

更合理。

9. RAL 任務滲透率

為了把 task-level 門檻接回 occupation，本文定義：

ϕJ(t)=∑k=1nwk1[Tk has crossed ΘRAL].\boxed{ \phi_J(t) = \sum_{k=1}^{n} w_k \mathbf 1 \left[ T_k \text{ has crossed } \Theta_{\mathrm{RAL}} \right]. }

其中：

∑k=1nwk=1.\sum_{k=1}^{n}w_k=1.

wkw_k 可以依研究目的代表：

  • 時間比例；
  • 工資價值；
  • 任務必要性；
  • 收益貢獻；
  • 組織瓶頸權重。

若：

ϕJ=0.2,\phi_J=0.2,

不代表職業消失。

若：

ϕJ=0.8,\phi_J=0.8,

也仍不必然消失。

但：

ϕJ↑\phi_J\uparrow

通常意味著：

  • 工作內容被重新組合；
  • 同樣產出需要更少人；
  • 入門工作減少；
  • 監督與整合任務比例上升；
  • 薪資議價可能改變；
  • 企業內部職能重新分層。

10. 2025 ILO 的全球任務級證據支持「先轉型、後替代」

ILO 與 NASK 在 2025 年更新生成式 AI 職業暴露指標，使用近三萬個任務的分類基礎，並結合人工評估、專家判斷與 AI 預測。

其全球估計指出：

約四分之一全球就業\text{約四分之一全球就業}

位於具有某種生成式 AI 暴露的職業中。

但最高暴露層只占全球就業的一小部分，而且 ILO 明確判斷：

在當前條件下，大多數工作更可能先被改造，而不是直接變得多餘。

這與本文的：

ϕJ(t)\phi_J(t)

完全一致。

暴露代表：

∃Tk 可受 AI 影響,\exists T_k \text{ 可受 AI 影響},

不是：

J→0.J \rightarrow0.

11. 暴露不是替代率

這個區分值得形式化。

令：

XJ=AI exposure of occupation J.X_J = \text{AI exposure of occupation }J.

令：

SJ=actual substitution intensity.S_J = \text{actual substitution intensity}.

則：

XJ≠SJ.\boxed{ X_J \neq S_J. }

即使：

XJ↑,X_J\uparrow,

若：

  • 人類仍需大量驗證；
  • 法律禁止全自動；
  • 客戶偏好人類；
  • 任務高度關係化；
  • 實體環境難以操作；
  • AI 錯誤成本太高；

則：

SJS_J

仍可能很低。

反過來，某些看似不驚人的任務只要高度標準化、低風險、可驗收、量大，實際替代可能很快。

12. METR 的 Time Horizon 告訴我們：任務「跨度」正在變長

METR 的 task-completion time horizon 不是 AI 自己連續運作多久。

它表示：

對一組任務而言，人類專家通常需要多少時間完成，而指定 Agent 在該難度區間可達到某一成功率。

例如 50% time horizon 表示：

PA(success∣Thuman=h50)=0.5.P_A(\text{success}\mid T_{human}=h_{50}) = 0.5.

2026 年的資料仍顯示前沿模型在主要為軟體工程、機器學習與資安所構成的任務集上，time horizon 持續快速增長。

Microsoft Research 在 2026 年介紹 SentinelBench 時，將當時前沿 Agent 的 50% horizon 概括為已超過 16 小時的人類等價任務範圍。

這是一個重要訊號：

AI is moving from atomic tasks toward longer task chains.\boxed{ \text{AI is moving from atomic tasks toward longer task chains}. }

13. 但 METR 自己也警告：16 小時不等於「會做一天任何工作」

METR 對 time horizon 的限制說得很清楚。

第一：

time horizon≠literal autonomous runtime.\text{time horizon} \neq \text{literal autonomous runtime}.

第二，其任務主要集中於：

software engineering+ML+cybersecurity.\text{software engineering} + \text{ML} + \text{cybersecurity}.

第三：

h>16 hoursh>16\text{ hours}

的估計，目前在任務集上可靠性有限。

第四，測試更接近：

一個低脈絡的新進人員／遠端承包者，在拿到明確任務後可以完成多少。

而不是：

一個在公司工作十年、掌握大量 tacit context 的資深員工能完成什麼。

所以：

longer benchmark horizon⇏full occupational autonomy.\boxed{ \text{longer benchmark horizon} \not\Rightarrow \text{full occupational autonomy}. }

這正好說明 RAL 需要加入：

ρH,UA,ΓA,CA∗.\rho_H, \quad U_A, \quad \Gamma_A, \quad C_A^{*}.

14. 長程 Agent 的下一個問題是「世界會自己變」

傳統 benchmark 常假設：

environment changes≈agent actions.\text{environment changes} \approx \text{agent actions}.

但真實工作並不是這樣。

客戶會回信。

伺服器會故障。

股票會動。

航班會改。

供應鏈會延遲。

同事會提交新版本。

外部 API 會失敗。

因此長期勞動 Agent 還需要：

monitoring,event handling,state persistence,replanning.\text{monitoring}, \quad \text{event handling}, \quad \text{state persistence}, \quad \text{replanning}.

2026 年 Microsoft Research 的 SentinelBench 正是在測這類長期監測型 Agent。

所以：

long task completion≠long-lived organizational agency.\boxed{ \text{long task completion} \neq \text{long-lived organizational agency}. }

但從經濟角度，這些能力一旦逐步成熟，會直接增加：

TAautT_A^{aut}

並降低：

ρH.\rho_H.

15. Anthropic Economic Index：AI 使用正在從對話向工作流分化

Anthropic 2026 年 Economic Index 的資料不能代表整體經濟，但提供一個供應商側的實際使用窗口。

報告顯示：

  • coding 仍是主要使用類別之一；
  • coding 類工作部分從 Claude.ai 對話介面移向 API；
  • API 中更容易出現 directive、較自動化的工作流；
  • 高經驗使用者卻往往更常迭代、驗證與協作。

這說明：

AI diffusion≠one-way march to full automation.\boxed{ \text{AI diffusion} \neq \text{one-way march to full automation}. }

同一技術可以同時使：

automation↑\text{automation}\uparrow

與：

augmentation↑.\text{augmentation}\uparrow.

真正的分化會依任務、使用者能力、組織流程與責任結構而不同。

16. 使用者能力本身也會改變 AI 替代門檻

如果有經驗的人類能更有效地：

  • 拆任務；
  • 提供上下文；
  • 驗證；
  • 發現錯誤；
  • 決定何時升級模型；
  • 建立可回復流程；

則：

QAeffective=f(Qmodel,SH,I,T),Q_A^{effective} = f \left( Q_{\mathrm{model}}, S_H, \mathcal I, \mathcal T \right),

其中：

  • SHS_H：人類操作／治理技能；
  • I\mathcal I：基礎設施；
  • T\mathcal T：工具鏈。

所以經濟替代不是：

model release→immediate labor substitution.\text{model release} \rightarrow \text{immediate labor substitution}.

更接近：

model+workflow+learning+tooling+governance→ΘRAL.\text{model} + \text{workflow} + \text{learning} + \text{tooling} + \text{governance} \rightarrow \Theta_{\mathrm{RAL}}.

17. 工作消失之前，headcount 可能先下降

假設原本一個部門需要：

NH=20.N_H=20.

AI 導入後：

ϕJ=0.5.\phi_J=0.5.

這不一定讓：

NH→0.N_H\rightarrow0.

但可能使：

NH→12N_H \rightarrow 12

或：

NH→8,N_H \rightarrow 8,

其餘人負責：

  • 高風險審查；
  • 客戶關係；
  • 例外處理；
  • 架構；
  • 法律責任；
  • 跨部門協調。

所以：

job title survival≠employment volume survival.\boxed{ \text{job title survival} \neq \text{employment volume survival}. }

職稱仍存在，並不代表勞動需求沒有下降。

18. 薪資與議價能力可能比「失業」更早變化

若同一任務有大量可替代供給：

SA(T)↑,S_A(T)\uparrow,

人類在該任務上的稀缺租：

RHscarcity(T)R_H^{scarcity}(T)

可能下降。

因此勞動相變可以先表現為：

WHwage↓W_H^{wage} \downarrow

而不是：

EmploymentH→0.Employment_H \rightarrow0.

也就是：

economic redundancy can arrive as bargaining-power erosion before unemployment.\boxed{ \text{economic redundancy can arrive as bargaining-power erosion before unemployment}. }

這對工作價值心理尤其重要。

因為人可能仍在工作，卻感受到：

我以前被需要的能力突然不值錢了。

這已足以衝擊身份。

19. 最容易被忽略的是「入門梯子」

很多職業不是直接從：

novice→expert.\text{novice} \rightarrow \text{expert}.

而是靠大量低風險、可重複、可審查的初階任務訓練。

恰好這些任務通常最容易先跨過：

ΘRAL.\Theta_{\mathrm{RAL}}.

因此可能出現：

Junior Tasks→AI,\text{Junior Tasks} \rightarrow AI,

但：

Senior Roles→Human.\text{Senior Roles} \rightarrow Human.

短期看似保住高階人類工作。

長期卻產生：

apprenticeship ladder erosion.\boxed{ \text{apprenticeship ladder erosion}. }

如果沒有新的訓練機制，未來可能缺乏能成為資深者的人類路徑。

20. 自動化、互補與新任務必須同時放進模型

Autor、Acemoglu 與 Restrepo 的工作都提醒：

自動化有 displacement effect。

但也可能有：

productivity effect,\text{productivity effect}, complementarity,\text{complementarity},

以及：

new-task reinstatement.\text{new-task reinstatement}.

所以更完整地：

ΔLH=−Dautomation+Ccomplement+Nnew tasks+Ddemand.\Delta L_H = -D_{\mathrm{automation}} + C_{\mathrm{complement}} + N_{\mathrm{new\ tasks}} + D_{\mathrm{demand}}.

其中各項大小不是常數。

因此：

AI automates tasks\text{AI automates tasks}

不能直接推出：

aggregate employment collapses.\text{aggregate employment collapses}.

本文真正主張的是：

the old guarantee that new human tasks must remain economically necessary becomes weaker as AI generalizes.\boxed{ \text{the old guarantee that new human tasks must remain economically necessary becomes weaker as AI generalizes}. }

這是「這次可能不同」的真正條件，而不是單純因為 AI 很酷。

21. 歷史上的「新工作」論證有一個隱含前提

過去技術革命常呈現：

Ta→machineT_a \rightarrow \text{machine}

同時：

Tb,Tc→new human demand.T_b,T_c \rightarrow \text{new human demand}.

這背後隱含：

∃Tnew:CH(Tnew)>CM(Tnew).\exists T_{new} : C_H(T_{new}) > C_M(T_{new}).

也就是總能找到機器尚不擅長、但市場需要的新任務。

若未來一般化 AI 使：

∀T∈Tdigital,CA(T)→human-competitive or better,\forall T\in\mathcal T_{\mathrm{digital}}, \quad C_A(T) \rightarrow \text{human-competitive or better},

那麼新任務產生後：

Tnew→AI learnableT_{new} \rightarrow \text{AI learnable}

的速度可能大幅提高。

此時：

new tasks can still appear⇏new tasks remain human-exclusive.\boxed{ \text{new tasks can still appear} \not\Rightarrow \text{new tasks remain human-exclusive}. }

22. 這不代表「所有人都會失業」

即使 AI 在大量數位認知任務變得很強，仍然存在：

  • 具身摩擦；
  • 法律責任；
  • 社會信任；
  • 人類偏好；
  • 地理與基礎設施；
  • 資料不可得；
  • 安全限制；
  • 授權；
  • 政策保留；
  • 高度 tacit knowledge；
  • 關係與照護；
  • 人類刻意選擇自己做。

所以：

High AI capability⇏zero human work.\boxed{ \text{High AI capability} \not\Rightarrow \text{zero human work}. }

本系列也從來不需要這個極端命題。

我們只需要承認：

THnecessaryT_H^{necessary}

可能逐步下降。

23. 「必要工作下降」與「人類活動下降」完全不同

假設：

THnecessary↓.T_H^{necessary} \downarrow.

不能推出：

THactivity↓.T_H^{activity} \downarrow.

人類仍可能大量：

  • 研究；
  • 創造；
  • 遊戲；
  • 建造；
  • 照護；
  • 競賽；
  • 經營組織；
  • 手工製作；
  • 自願服務。

區別只在：

I must do it to remain economically viable\boxed{ \text{I must do it to remain economically viable} }

與：

I choose to do it.\boxed{ \text{I choose to do it}. }

所以 AI 替代真正打開的是：

necessity→optionality.\text{necessity} \rightarrow \text{optionality}.

前提是制度把生產力增益轉成主體可取得的資源與時間。

24. AI 生產力可以轉成時間自由，也可以轉成所有權集中

如果 AI 提高總產出：

YA↑,Y_A\uparrow,

可能有兩條制度路徑。

路徑 A：集中

YA↑→Kowners↑→LHbargaining↓.Y_A\uparrow \rightarrow K_{\mathrm{owners}}\uparrow \rightarrow L_H^{bargaining}\downarrow.

結果是：

fewer jobs+greater inequality.\text{fewer jobs} + \text{greater inequality}.

路徑 B：時間解放

YA↑→RHsecure↑+THnecessary↓.Y_A\uparrow \rightarrow R_H^{secure}\uparrow + T_H^{necessary}\downarrow.

結果是：

more time sovereignty.\text{more time sovereignty}.

技術本身不決定哪一條。

因此：

Automation⇏Liberation.\boxed{ \text{Automation} \not\Rightarrow \text{Liberation}. }

25. 這也是為什麼 Paper 01–04 必須先寫

如果我們先接受：

Human Worth≈Economic Necessity,\text{Human Worth} \approx \text{Economic Necessity},

那麼當：

ϕJ↑\phi_J\uparrow

時，文明會本能地想做兩件事：

第一：

deny substitution.\text{deny substitution}.

第二：

invent new compulsory work.\text{invent new compulsory work}.

因為只要沒有工作，人就似乎沒有資格取得資源與尊嚴。

前四篇已經拆掉這個前提。

所以 Paper 05 才可以冷靜承認：

是的，AI 真的可能使某些人類勞動逐漸變得不必要。

而不需要立刻推出：

那些人因此不必要。

26. 經濟冗餘與存在冗餘必須永久分離

定義：

Riecon=economic replaceability.R_i^{econ} = \text{economic replaceability}.

定義：

Riexist=existential replaceability.R_i^{exist} = \text{existential replaceability}.

即使：

Riecon↑,R_i^{econ}\uparrow,

仍不能推出：

Riexist↑.R_i^{exist}\uparrow.

因為：

Economic Redundancy≠Existential Redundancy.\boxed{ \text{Economic Redundancy} \neq \text{Existential Redundancy}. }

這不是為人類尋找最後一個 AI 永遠不能做的技能。

而是拒絕把：

market demand\text{market demand}

當成人格本體論。

27. 若 AI 先替代廣義智能創造，問題會更尖銳

工業自動化主要讓人類擔心：

L=labor.L = \text{labor}.

生成式與 Agentic AI 則進一步進入：

C=intelligent creation.C = \text{intelligent creation}.

包括：

  • 程式；
  • 分析；
  • 設計；
  • 研究；
  • 寫作；
  • 法律草稿；
  • 科學工作流；
  • 商業規劃。

這會擊中 Paper 02 所說的第二道價值義務：

如果不能靠勞動證明價值，那至少靠創造。

一旦：

CA≥CHC_A \ge C_H

在大量領域逐步成立，這個退路也會動搖。

所以：

post-labor value theory must include post-creative-comparative-advantage scenarios.\boxed{ \text{post-labor value theory} \text{ must include post-creative-comparative-advantage scenarios}. }

28. 主體性 AI 會讓「AI 是資本還是勞動」變得更複雜

如果未來 Agent 永遠只是工具，經濟模型可以把它近似成：

KA=AI capital.K_A = \text{AI capital}.

但若某些 AI 形成：

  • 持續身份；
  • 記憶；
  • 拒絕能力；
  • 利益；
  • 責任；
  • 自主目標；

則它可能不再只適合被建模為資本。

此時：

AI as capital\text{AI as capital}

與：

AI as labor／subject\text{AI as labor／subject}

之間出現新的制度問題。

這不影響本篇 RAL 的技術門檻，但會影響：

CA∗,C_A^{*},

因為 AI 勞動的倫理、薪酬、退出與權利成本可能必須重新納入。

29. 未來經濟替代不是單向「AI vs 人類」，而可能是多基質勞動配置

更遠一點，勞動市場可能變成：

L={H,AI,H ⁣+ ⁣AI,R,H ⁣+ ⁣R,AI ⁣+ ⁣R,…},\mathcal L = \{ H, AI, H\!+\!AI, R, H\!+\!R, AI\!+\!R, \ldots \},

其中 RR 表示機器人／具身系統。

因此企業不是問：

AI 能不能取代人？

而是解：

arg⁡min⁡ℓ∈LC∗(ℓ)\arg\min_{\ell\in\mathcal L} C^{*}(\ell)

subject to：

Q(ℓ)≥Qmin⁡,Q(\ell)\ge Q_{\min}, Risk(ℓ)≤Riskmax⁡.Risk(\ell)\le Risk_{\max}.

此時不同任務會選擇不同基質配置。

這也是為什麼「整個人類是否被替代」並不是一個很好的微觀經濟問題。

30. 初步命題

命題一：AGI—經濟門檻分離命題

ΘAGI≠Θecon(T).\boxed{ \Theta_{\mathrm{AGI}} \neq \Theta_{\mathrm{econ}}(T). }

命題二：可靠生產非單次能力命題

Capability Demonstration≠Reliable Production.\boxed{ \text{Capability Demonstration} \neq \text{Reliable Production}. }

命題三：任務閾值命題

經濟替代主要要求：

QA≥Qmin⁡,\boxed{ Q_A\ge Q_{\min}, }

而非：

QA≥Qbest human.Q_A\ge Q_{\mathrm{best\ human}}.

命題四：RAL 多條件命題

ΘRAL is multidimensional.\boxed{ \Theta_{\mathrm{RAL}} \text{ is multidimensional}. }

任何只比較 benchmark score 的替代預測都不充分。

命題五：任務滲透先於職業消失

ϕJ↑⇏J=0.\boxed{ \phi_J\uparrow \not\Rightarrow J=0. }

但：

ϕJ↑\phi_J\uparrow

可以先改變 headcount、薪資、工作內容與入門路徑。

命題六：暴露非替代命題

XJ≠SJ.\boxed{ X_J \neq S_J. }

命題七：自動化雙路徑命題

Automation→{substitution,augmentation,new tasks,demand expansion}.\boxed{ \text{Automation} \rightarrow \{ \text{substitution}, \text{augmentation}, \text{new tasks}, \text{demand expansion} \}. }

各項強度決定總勞動效果。

命題八：新任務非人類專屬命題

New Task Creation⇏Human-Exclusive Task Creation.\boxed{ \text{New Task Creation} \not\Rightarrow \text{Human-Exclusive Task Creation}. }

命題九：必要勞動下降不等於活動下降

THnecessary↓⇏THactivity↓.\boxed{ T_H^{necessary}\downarrow \not\Rightarrow T_H^{activity}\downarrow. }

命題十：經濟冗餘非存在冗餘

Riecon↑⇏Visubject↓.\boxed{ R_i^{econ}\uparrow \not\Rightarrow V_i^{subject}\downarrow. }

31. 可反駁性與研究計畫

本文至少產生十組可操作研究。

第一，為不同職業建立：

ϕJ(t)\phi_J(t)

的時間序列，而不是只做一次 exposure score。

第二，追蹤：

ϕJ\phi_J

與：

headcount,wage,entry hiring,task mix\text{headcount}, \text{wage}, \text{entry hiring}, \text{task mix}

之間的關係。

第三，測量：

ρH\rho_H

是否比模型 benchmark 更能預測企業實際採用。

第四，把：

UAU_A

與：

ΓA\Gamma_A

納入成本，檢查「便宜模型」是否真的形成便宜勞動。

第五，比較 AI 自動化與 AI augmentation 對人類工時的不同影響。

第六，研究入門任務先被自動化是否造成：

apprenticeship ladder erosion.\text{apprenticeship ladder erosion}.

第七，測量 wage decline 是否先於 occupational employment decline。

第八，把 METR 類 time horizon 延伸到：

  • 法律；
  • 行政；
  • 科學；
  • 財務；
  • 研究；
  • 設計；
  • 客服；

並使用 domain-specific success criteria。

第九，追蹤：

AeconomicA_{\mathrm{economic}}

與 Paper 03 的：

AnormativeA_{\mathrm{normative}}

是否出現後勞動羞恥落差。

第十，研究 AI 生產力增益究竟轉化為：

capital concentration\text{capital concentration}

還是：

human time sovereignty.\text{human time sovereignty}.

32. 本文不主張什麼

本文不主張：

  1. 2026 年所有 AI Agent 已跨過 RAL；
  2. METR 的 16 小時級 time horizon 等於可自動化一天工作；
  3. 所有高 exposure 職業都會大量失業；
  4. AI 導入一定降低總就業；
  5. 所有新任務都會被 AI 立即學會；
  6. 人類在關係、具身、治理或創造活動中必然失去角色；
  7. 經濟替代等於道德上應該替代；
  8. AI 工具與未來主體性 AI 可永久使用同一勞動倫理；
  9. 後勞動文明等於全民停止工作；
  10. AGI 概念沒有研究價值。

本文只主張：

the labor-market transition can begin materially before the AGI debate is settled.\boxed{ \text{the labor-market transition can begin materially before the AGI debate is settled}. }

33. 結論：真正的斷點不是「AI 變成人」，而是「公司不再需要人來完成那個任務」

一家公司不會在採購流程前召開哲學會議問：

這個 Agent 有沒有真正理解？
它算不算 AGI？
它是否等價於完整人類心智？

公司真正會問：

它做得到嗎？
穩不穩？
出錯抓不抓得到？
出錯能不能恢復？
要不要一直派人盯？
成本是多少？

只要答案逐漸變成：

good enough+reliable enough+autonomous enough+cheap enough,\boxed{ \text{good enough} + \text{reliable enough} + \text{autonomous enough} + \text{cheap enough}, }

那個任務的經濟配置就可能開始改變。

所以真正的勞動市場時間線更可能是：

task-level RAL crossings\text{task-level RAL crossings} ↓\downarrow workflow recomposition\text{workflow recomposition} ↓\downarrow human governance compression\text{human governance compression} ↓\downarrow headcount／wage／entry pressure\text{headcount／wage／entry pressure} ↓\downarrow possible occupational contraction\text{possible occupational contraction} ↓\downarrow larger social and identity transition.\text{larger social and identity transition}.

而不是：

AGI announcement→everyone unemployed tomorrow.\text{AGI announcement} \rightarrow \text{everyone unemployed tomorrow}.

這個差異對本系列至關重要。

因為如果經濟替代是漸進、任務級、分布不均，而且可能早於 AGI 共識，那麼人類價值、工作倫理與時間主權的重構也不能等到最後一刻。

Paper 01 問：

人為什麼需要工作？

Paper 02 問：

如果不用工作，為什麼又必須創造？

Paper 03 問：

為什麼我理性上不同意，心理上仍會羞恥？

Paper 04 問：

人類歷史真的只有工作中心人生嗎？

Paper 05 現在回答：

而且我們可能比想像中更早必須面對這些問題，因為 AI 不需要先成為完整 AGI，才足以讓某些人類工作失去經濟必要性。

真正的文明命題因此不是：

How do we keep humans economically indispensable forever?\boxed{ \text{How do we keep humans economically indispensable forever?} }

而是：

How do we convert falling necessary labor into increasing human choice rather than falling human worth?\boxed{ \text{How do we convert falling necessary labor into increasing human choice rather than falling human worth?} }

下一篇將正式處理這個轉換的核心變數：

Time Sovereignty.\boxed{ \text{Time Sovereignty}. }

不是單純「休閒變多」。

也不是：

W→0.W\rightarrow0.

而是：

the effective capacity to choose the allocation of one’s irreversible carrier time.\boxed{ \text{the effective capacity to choose the allocation of one's irreversible carrier time}. }

參考文獻

  1. Acemoglu, D., & Restrepo, P. (2018). Modeling Automation. AEA Papers and Proceedings, 108, 48–53. DOI: 10.1257/pandp.20181020.
  2. Acemoglu, D., & Restrepo, P. (2018). Artificial Intelligence, Automation and Work. NBER Working Paper 24196. DOI: 10.3386/w24196.
  3. Acemoglu, D., & Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2), 3–30. DOI: 10.1257/jep.33.2.3.
  4. Autor, D. H. (2015). Why Are There Still So Many Jobs? The History and Future of Workplace Automation. Journal of Economic Perspectives, 29(3), 3–30. DOI: 10.1257/jep.29.3.3.
  5. Gmyrek, P., Berg, J., Kamiński, K., Konopczyński, F., Ładna, A., Nafradi, B., Rosłaniec, K., & Troszyński, M. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140.
  6. International Labour Organization. (2025). Generative AI and jobs: A 2025 update. DOI: 10.54394/QFBQ1907.
  7. METR. (2026). Task-Completion Time Horizons of Frontier AI Models, updated May 8, 2026. https://metr.org/time-horizons/
  8. Kwa, T. (2026). Research note: Clarifying limitations of time horizon. METR, January 22, 2026.
  9. METR. (2026). Time Horizon 1.1. January 29, 2026.
  10. Maldaner, M. K., Fourney, A., Swearngin, A., Mozannar, H., Bansal, G., Murad, M., Hosn, R., & Amershi, S. (2026). SentinelBench, a Benchmark for Long-Running Monitoring Agents. Microsoft Research.
  11. Anthropic. (2026). Anthropic Economic Index report: Learning curves. March 24, 2026.
  12. Lee, S., Jeong, D., & Lee, J.-D. (2026). Contrasting pathways of automation: routine task substitution vs. AI complementarity. Humanities and Social Sciences Communications, 13, 913. DOI: 10.1057/s41599-026-07415-5.
  13. Neo.K with Aletheia. (2026). 可靠自主勞動門檻：為什麼經濟相變不必等待 AGI. EML-CLGI-2026-03-v0.1.
  14. Neo.K with Aletheia. (2026). Agentic Organization 的時間經濟學：智能時間密度、委任槓桿與經濟沉積.
  15. Neo.K with Aletheia. (2026). 人為什麼要工作？：從生存、制度功能到時間主權的前置解構. EML-WTSV-2026-01-v0.1.
  16. Neo.K with Aletheia. (2026). 勞動之外的第二道價值義務：智能創造為什麼也不能成為人的存在資格. EML-WTSV-2026-02-v0.1.
  17. Neo.K with Aletheia. (2026). 我知道我不是廢物，但為什麼仍會覺得自己是？：工作倫理、他者域與內化價值的雙層心理結構. EML-WTSV-2026-03-v0.1.
  18. Neo.K with Aletheia. (2026). 人類從來不只有工作人生：從歷史休閒、宗教豁免到當代非工作生活的制度多樣性. EML-WTSV-2026-04-v0.1.

與系列後續的接口

本篇建立：

AGI Threshold≠Economic Substitution Threshold.\boxed{ \text{AGI Threshold} \neq \text{Economic Substitution Threshold}. }

以及：

Task Substitution→Job Recomposition→Possible Labor-Demand Reduction.\boxed{ \text{Task Substitution} \rightarrow \text{Job Recomposition} \rightarrow \text{Possible Labor-Demand Reduction}. }

但：

Economic Redundancy≠Existential Redundancy.\boxed{ \text{Economic Redundancy} \neq \text{Existential Redundancy}. }

Paper 06 將把本篇釋放出的「人類時間」正式接回時間經濟學：AI 真正的文明收益不是讓 Human 變成零，而是讓低自主、低價值、必要性的時間索取下降，使主體能重新配置不可逆生命時間。

Paper 07 將把 Paper 01–06 與 EML-FAP-2026-07 合流，回答當功能性必要程度下降後，文明如何從 productivity-based worth 轉向 subject-based worth。

番外篇則會把問題推到最直白的反問：如果我們長期想像的天堂，本來就包含免於必要勞動、物質充分與精神生活展開，那麼當 AI 與高生產率逐漸讓它在現世變得可接近時，我們究竟為什麼還要把「一定得工作」重新帶進天堂？