← Archive
lm-003474 · 2026-09

可靠自主勞動門檻：為什麼經濟相變不必等待 AGI

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

可靠自主勞動門檻：為什麼經濟相變不必等待 AGI

The Reliable Autonomous Labor Threshold: Why Economic Discontinuity Does Not Require AGI

系列：閉環全域智能：從模型競賽到文明級智能系統，第 3 篇／共 8 篇＋1 篇總結
系列英文名：Closed-Loop Global Intelligence: From Model Competition to Civilization-Scale Intelligent Systems
文件編號：EML-CLGI-2026-03-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：2026-09-02
性質：理論框架／Agentic Labor Economics／Temporal Economics／Autonomous Systems／AI Political Economy
狀態：Public Theory Draft
直接前置：EML-CLGI-2026-01《模型不是智能系統》；EML-CLGI-2026-02《超級智能的整合路徑》；《AI 時間槓桿的多重估值》；《Agentic Organization 的時間經濟學》

生成、邊界與可反駁性聲明

本文是一篇 AI 輔助生成的理論研究稿。

本文不主張當前所有 Agent 已經足以廣泛替代人類，也不主張工作市場會依照單一路徑快速自動化。本文討論的是一個較窄但重要的命題：

經濟體系發生重大 AI 勞動相變，不需要先等到模型被普遍承認為 AGI；只要某類 Agent 在足夠多任務域跨過「品質達標、低未檢出錯誤、可恢復、長期自主、低治理時間與成本優勢」的共同門檻，它就可能先成為一個具有經濟意義的自主智能勞動單元。

本文因此區分：

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

同時區分：

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

本文不把「能做一次」視為「可以長期部署」，也不把「可以替代某些任務」擴張為「可以替代整個職業」或「可以替代所有人類工作」。

摘要

AI 與勞動市場的討論經常以 AGI 作為主要分界：當 AI 達到人類通用智能時，才會大規模影響白領、專業工作與組織結構。本文提出另一種可能：經濟相變的真正門檻可能顯著早於 AGI，而且其核心不是模型是否在所有領域達到人類水平，而是 Agent 是否在特定任務集合中達到「可靠自主勞動門檻」。

本文將自主 Agent 的經濟可用性分解為六個核心條件：最低品質門檻、可靠性、未檢出錯誤率、恢復能力、自主曆時與人類治理密度。若一個 Agent 的平均品質已高於任務最低可接受品質，且錯誤能被驗證、回溯、重試與局部隔離，使真正能污染長期狀態的未檢出錯誤維持在可接受風險範圍；同時，Agent 可以在低人類介入下持續工作數小時、數日或更久，並以低於可比人類流程的成本產生可驗證成果，則它已具有「自主智能勞動單元」的經濟性質，即使它仍不是 AGI。

本文提出可靠自主勞動門檻：

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 是品質， UAU_A 是未檢出且不可恢復錯誤率， ΓA\Gamma_A 是恢復能力， TAautT_A^{\mathrm{aut}} 是可維持自主工作的曆時， ρH\rho_H 是人類介入密度， CA∗C_A^{*} 與 CH∗C_H^{*} 分別為風險與驗證調整後的 Agent 與人類成本。

本文進一步指出，Agent 的經濟競爭對象通常不是最頂尖專家，而是大量「要求穩定中上品質、可驗收、可持續與可追蹤」的組織任務。當這類工作可以被自主 Agent 持續完成時，經濟效果來自四個槓桿：人類治理時間釋放、24/7 機器智能時間、可利用平行度，以及成果的歷史累積。這使「單次能力是否勝過頂尖人類」與「總經濟產出是否具有替代性」成為兩個不同問題。

本文最後主張，AI 勞動相變可能不是一個單一瞬間，而是任務級門檻在不同職業中逐步被跨越。首先被重構的可能不是最需要極端原創性的工作，而是具備明確驗收標準、可分解、可重試、資訊可外部取得、錯誤可驗證、成果可累積的工作。當大量任務先被抽離，職業本身才進一步被重組。因此未來勞動研究應從「AI 能不能取代這個職業」轉向「這個職業中有多少任務已跨過可靠自主勞動門檻」。

關鍵詞：自主 Agent、AI 勞動、可靠自主勞動門檻、AGI、時間經濟學、未檢出錯誤、恢復能力、人類治理時間、數位勞動、經濟相變

0. 問題的提出：為什麼所有人都在等 AGI？

AI 對勞動市場的流行敘事常被寫成：

Current AI⟶AGI⟶Mass Automation.\text{Current AI} \longrightarrow \text{AGI} \longrightarrow \text{Mass Automation}.

這條時間線暗示：

在 AGI 之前，AI 主要是工具；到了 AGI 之後，才會出現真正自主的機器勞動。

但這個推論混合了兩種不同門檻：

Θcog=general cognitive threshold,\Theta_{\mathrm{cog}} = \text{general cognitive threshold},

以及：

Θecon=economic production threshold.\Theta_{\mathrm{econ}} = \text{economic production threshold}.

一個系統可能尚未跨過：

Θcog,\Theta_{\mathrm{cog}},

卻已經在某類任務跨過：

Θecon.\Theta_{\mathrm{econ}}.

原因很簡單。

公司購買勞動的目的，不是購買一個「哲學上完整的人類等價智能」。

公司真正需要的是：

acceptable output+reliability+timeliness+accountability+cost efficiency.\text{acceptable output} + \text{reliability} + \text{timeliness} + \text{accountability} + \text{cost efficiency}.

因此，AGI 不是所有經濟任務的必要條件。

1. 經濟替代的比較對象不是天才，而是任務要求

假設某一任務的最低可接受品質為：

Qmin⁡.Q_{\min}.

頂尖人類專家的品質可能為：

Qelite=0.98.Q_{\mathrm{elite}} = 0.98.

某 Agent 只有：

QA=0.82.Q_A = 0.82.

如果：

Qmin⁡=0.75,Q_{\min} = 0.75,

則：

QA<QeliteQ_A < Q_{\mathrm{elite}}

與：

QA≥Qmin⁡Q_A \ge Q_{\min}

可以同時成立。

這表示：

Agent 不需要擊敗最強人類，才能成為可用生產單元。

大量經濟活動的真實要求並不是：

max⁡Q.\max Q.

而是：

Q≥Qmin⁡Q \ge Q_{\min}

之後，再比較：

cost,speed,availability,reliability.\text{cost}, \quad \text{speed}, \quad \text{availability}, \quad \text{reliability}.

因此：

Economic usefulness is thresholded, not purely ranked.\boxed{ \text{Economic usefulness is thresholded, not purely ranked.} }

2. 從「能做」到「能可靠地做」

AI demo 常證明：

P(successful completion)>0.P( \text{successful completion} ) > 0.

但生產系統真正需要的是：

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

兩者差異很大。

一個 Agent 偶爾能：

  • 寫出完整軟體；
  • 做出高品質分析；
  • 解決數學問題；
  • 完成市場研究；

並不代表它適合直接進入長期組織流程。

因此需要區分：

Capability\text{Capability}

與：

Production Reliability.\text{Production Reliability}.

真正的勞動替代不是：

AI can do task T.\text{AI can do task } T.

而是：

AI can repeatedly complete T under bounded risk and bounded supervision.\boxed{ \text{AI can repeatedly complete } T \text{ under bounded risk and bounded supervision.} }

3. 可靠自主勞動門檻

本文正式提出：

ΘRAL=Reliable Autonomous Labor Threshold.\boxed{ \Theta_{\mathrm{RAL}} = \text{Reliable Autonomous Labor Threshold}. }

對任務集合 T\mathcal T，若 Agent 滿足：

QA≥Qmin⁡,Q_A \ge Q_{\min}, UA≤ϵ,U_A \le \epsilon, ΓA≥Γmin⁡,\Gamma_A \ge \Gamma_{\min}, TAaut≥Tmin⁡,T_A^{\mathrm{aut}} \ge T_{\min}, ρH≤ρHmax⁡,\rho_H \le \rho_H^{\max},

以及：

CA∗<CH∗,C_A^{*} < C_H^{*},

則可說該 Agent 在任務域 T\mathcal T 跨過可靠自主勞動門檻。

其中：

  • QAQ_A：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}}：可持續自主曆時；
  • ρH\rho_H：人類介入密度；
  • CA∗C_A^{*}：風險、驗證與算力調整後 Agent 成本；
  • CH∗C_H^{*}：可比人類流程的完整成本。

4. 真正重要的不是錯誤率，而是未檢出污染率

AI 不可能要求：

P(any error)=0.P( \text{any error} ) = 0.

人類也做不到。

更重要的是：

P(error→undetected persistent contamination).P( \text{error} \rightarrow \text{undetected persistent contamination} ).

令：

e=P(local error),e = P( \text{local error} ), d=P(error detected∣error),d = P( \text{error detected} \mid \text{error} ), g=P(successful recovery∣error detected).g = P( \text{successful recovery} \mid \text{error detected} ).

則簡化的持續污染風險可以表示為：

U≈e[(1−d)+d(1−g)].U \approx e \left[ (1-d) + d(1-g) \right].

因此，就算：

ee

沒有降到極低，只要：

d↑,d \uparrow,

以及：

g↑,g \uparrow,

真正的：

UU

仍可大幅下降。

這是 Agent 工程的一個根本轉向：

Reliable autonomy does not require perfect cognition.\boxed{ \text{Reliable autonomy does not require perfect cognition.} }

它要求的是：

fallible cognition+strong error containment.\boxed{ \text{fallible cognition} + \text{strong error containment}. }

5. Checkpoint、Retry 與 Rollback 改變了長週期概率

若一個任務有：

nn

個串行步驟，每一步成功率為：

p,p,

並且任何一步錯誤都永久失敗，則：

Psuccess=pn.P_{\mathrm{success}} = p^n.

這使長週期工作快速變得不可靠。

例如：

p=0.99,p = 0.99, n=100,n = 100,

則：

Psuccess≈0.366.P_{\mathrm{success}} \approx 0.366.

但若每一步都有：

checkpoint,\text{checkpoint}, verification,\text{verification}, retry,\text{retry}, rollback,\text{rollback},

則失敗不再必然沿整條鏈傳播。

更合理的長期風險變成：

P(error survives all gates).P( \text{error survives all gates} ).

因此：

Long-horizon reliability≠pn\boxed{ \text{Long-horizon reliability} \neq p^n }

只要架構允許局部錯誤被吸收。

這也是為什麼可靠 Agent 的核心不只是更好的模型，而是：

Model+Verification Architecture.\text{Model} + \text{Verification Architecture}.

6. 人類治理時間是自主勞動的真正瓶頸之一

如果 Agent 每做一步都需要：

「是否繼續？」

那它仍然只是高能力工具。

令：

NH=human interventions,N_H = \text{human interventions}, NT=effective task transitions.N_T = \text{effective task transitions}.

則人類介入密度：

ρH=NHNT.\rho_H = \frac{ N_H }{ N_T }.

如果：

ρH≈1,\rho_H \approx 1,

代表幾乎每一步都需要人。

如果：

ρH≪1,\rho_H \ll 1,

代表人類主要只處理：

  • 高風險決策；
  • 模糊目標；
  • 例外；
  • 最終驗收；
  • 不可逆提交。

因此：

Autonomy≈reduction of unnecessary human control coupling.\boxed{ \text{Autonomy} \approx \text{reduction of unnecessary human control coupling}. }

這直接接到時間經濟學。

因為真正被釋放的是：

THgov,T_H^{\mathrm{gov}},

即有限的人類治理時間。

7. 自主曆時比單輪能力更接近經濟可用性

一個模型可以非常聰明，但只能穩定工作：

10 minutes.10 \text{ minutes}.

另一個 Agent 單輪能力稍低，但可以穩定維持：

8 hours,8 \text{ hours}, 24 hours,24 \text{ hours},

甚至：

7 days.7 \text{ days}.

兩者的經濟意義不同。

因此定義：

TAaut=maximum reliable autonomous horizon.T_A^{\mathrm{aut}} = \text{maximum reliable autonomous horizon}.

當：

TAaut↑,T_A^{\mathrm{aut}} \uparrow,

AI 能接手的任務型態會發生質變。

因為很多工作不是單次 reasoning，而是：

observe→act→wait→observe again→update.\text{observe} \rightarrow \text{act} \rightarrow \text{wait} \rightarrow \text{observe again} \rightarrow \text{update}.

例如：

  • 長期軟體維護；
  • 市場監控；
  • 資料庫更新；
  • 文獻追蹤；
  • 錯誤修復；
  • 持續測試；
  • 客戶案件跟進；
  • 系統營運。

這些工作要求的是：

continuity\boxed{ \text{continuity} }

而不只是高峰智力。

8. 24/7 不是單純延長工作時間

人類工作時間受到：

TH≤24 h/dayT_H \le 24 \text{ h/day}

的硬限制。

實際有效專注工作時間更低。

Agent 則可以在算力與成本允許下：

TA→24/7.T_A \rightarrow 24/7.

但真正重要的不只是：

TA>TH.T_A > T_H.

而是：

same world time+parallel intelligent processes.\text{same world time} + \text{parallel intelligent processes}.

若存在：

NAN_A

個 Agent，可以同時處理具有可平行性的任務，則：

WA≈QA⋅RA⋅TA⋅ΠI.W_A \approx Q_A \cdot R_A \cdot T_A \cdot \Pi_I.

其中：

ΠI\Pi_I

是可利用平行度。

因此機器智能時間的真正槓桿是：

Persistence×Parallelism.\boxed{ \text{Persistence} \times \text{Parallelism}. }

9. Agent 數量本身不是勞動力

必須避免：

NA↑⇒WA↑N_A \uparrow \Rightarrow W_A \uparrow

的簡單推論。

若任務不可平行，或者多 Agent 產生：

  • 重複工作；
  • 狀態衝突；
  • 互相引用錯誤；
  • 協調成本；
  • 過度通訊；

則：

Ωcoord↑.\Omega_{\mathrm{coord}} \uparrow.

因此有效 Agent 勞動量應表示為：

LAeff=NA⋅QA⋅RA⋅ΠA−Ωcoord.L_A^{\mathrm{eff}} = N_A \cdot Q_A \cdot R_A \cdot \Pi_A - \Omega_{\mathrm{coord}}.

這再次說明：

Agent Count≠Effective Labor.\boxed{ \text{Agent Count} \neq \text{Effective Labor}. }

10. 成本必須包含驗證、算力與風險

比較 AI 與人類成本時，不能只寫：

CA=token cost.C_A = \text{token cost}.

完整 Agent 成本至少應包括：

CA∗=Cmodel+Ccompute+Ctool+Cverification+Cgovernance+Cfailure+Csecurity.C_A^{*} = C_{\mathrm{model}} + C_{\mathrm{compute}} + C_{\mathrm{tool}} + C_{\mathrm{verification}} + C_{\mathrm{governance}} + C_{\mathrm{failure}} + C_{\mathrm{security}}.

同樣，人類成本也不應只用薪水：

CH∗=Csalary+Cbenefit+Cmanagement+Ccoordination+Ctraining+Cturnover+Cerror.C_H^{*} = C_{\mathrm{salary}} + C_{\mathrm{benefit}} + C_{\mathrm{management}} + C_{\mathrm{coordination}} + C_{\mathrm{training}} + C_{\mathrm{turnover}} + C_{\mathrm{error}}.

只有比較：

CA∗C_A^{*}

與：

CH∗,C_H^{*},

才有經濟意義。

因此：

cheap inference≠cheap autonomous labor.\boxed{ \text{cheap inference} \neq \text{cheap autonomous labor}. }

但反過來：

expensive inference≠uneconomic autonomous labor.\boxed{ \text{expensive inference} \neq \text{uneconomic autonomous labor}. }

如果 Agent 替代的是高成本、長曆時、需多人協作的工作，即使 token 很貴，也可能仍然具有正價值。

11. 任務級替代先於職業級替代

職業通常不是一個任務，而是：

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

例如一名軟體工程師可能同時負責：

  • 需求理解；
  • 架構；
  • coding；
  • review；
  • debugging；
  • 溝通；
  • 部署；
  • 維護；
  • 事故判斷。

Agent 可能先跨過：

ΘRAL\Theta_{\mathrm{RAL}}

於：

T3,T4,T5,T_3, T_4,T_5,

但尚未跨過：

T1,T2,T6.T_1,T_2,T_6.

因此：

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

而不是：

AI suddenly replaces profession.\text{AI suddenly replaces profession}.

這使勞動市場相變更可能呈現漸進、非同步與不均勻擴張。

12. 哪些任務最容易先跨過門檻

可靠自主勞動門檻較容易在以下任務成立：

  1. 驗收標準清楚；
  2. 可以分解；
  3. 可以重試；
  4. 失敗成本可控；
  5. 資訊主要可數位取得；
  6. 工具介面明確；
  7. 結果可自動測試；
  8. 狀態可以外部化；
  9. 任務重複度高；
  10. 可由規則或 verifier 判斷結果。

可將任務適配度粗略表示為：

χT=f(VT,DT,RT,OT,ST),\chi_T = f( V_T, D_T, R_T, O_T, S_T ),

其中：

  • VTV_T：verifiability；
  • DTD_T：decomposability；
  • RTR_T：recoverability；
  • OTO_T：observability；
  • STS_T：state externalizability。

當：

χT↑,\chi_T \uparrow,

跨過：

ΘRAL\Theta_{\mathrm{RAL}}

所需模型能力通常下降。

13. 哪些任務較晚

以下類型通常更難完全自主化：

  • 高度模糊的終極目標；
  • 不可逆高風險決策；
  • 缺乏可觀測結果；
  • 無法形式驗證；
  • 需要深度人際信任；
  • 高度政治性協商；
  • 現實世界感測不足；
  • 極端新穎問題；
  • 責任不能被輕易轉移的決策。

這些任務可能需要較高：

Qmin⁡,Q_{\min},

更低：

ϵ,\epsilon,

以及更高：

THgov.T_H^{\mathrm{gov}}.

因此：

ΘRAL is task-dependent.\boxed{ \Theta_{\mathrm{RAL}} \text{ is task-dependent}. }

不存在一個對全經濟一致的單一門檻。

14. 自主智能勞動單元

一旦某 Agent 對任務集合 T\mathcal T 穩定跨過：

ΘRAL,\Theta_{\mathrm{RAL}},

本文將其稱為：

Autonomous Intelligent Labor Unit\boxed{ \text{Autonomous Intelligent Labor Unit} }

即：

自主智能勞動單元。

它不需要具有：

  • 人類式人格；
  • 人類式意識；
  • 人類等價全領域能力；
  • AGI 身分。

其經濟定義只要求：

persistent delegated work→verified useful output.\text{persistent delegated work} \rightarrow \text{verified useful output}.

因此：

Economic agency≠human equivalence.\boxed{ \text{Economic agency} \neq \text{human equivalence}. }

15. 從工具到勞動單元的相變

傳統工具：

H→T→O.H \rightarrow T \rightarrow O.

人類必須持續操作工具。

自主 Agent：

H→G→{A1,A2,…,An}→O.H \rightarrow G \rightarrow \{ A_1,A_2,\ldots,A_n \} \rightarrow O.

人類主要提供：

Intent+Constraints+High-Risk Governance.\text{Intent} + \text{Constraints} + \text{High-Risk Governance}.

Agent 負責：

execution loop.\text{execution loop}.

因此：

Tool→Delegated Worker\boxed{ \text{Tool} \rightarrow \text{Delegated Worker} }

的真正相變，不是模型突然變成人，而是：

ρH↓\rho_H \downarrow

到足以使人類退出大部分 routine control loop。

16. 委任槓桿

沿用時間經濟學，可以定義：

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

如果一個人一天花：

2 hours2 \text{ hours}

治理 Agent，卻得到相當於：

20 hours20 \text{ hours}

高品質可驗收工作，則：

ΛD\Lambda_D

已經大幅高於傳統一對一工具使用。

當：

ΛD↑,\Lambda_D \uparrow,

人類角色可能從：

operator\text{operator}

轉向：

governor,\text{governor}, architect,\text{architect}, intent setter,\text{intent setter}, exception handler.\text{exception handler}.

這是 AI 原生組織真正可能發生的人機分工改變。

17. 經濟相變不要求全面取代人類

若 Agent 只替代：

30%30\%

的任務，也可能使原本需要：

100100

人的部門變成：

7070

人。

若再透過：

ΛD↑,\Lambda_D \uparrow,

使剩餘員工可以同時治理更多 Agent，組織結構又會進一步改變。

因此經濟相變可以在：

partial task automation\text{partial task automation}

階段先發生。

不需要：

100%100\%

的職業替代。

這使：

Economic discontinuity can precede full labor substitution.\boxed{ \text{Economic discontinuity} \text{ can precede } \text{full labor substitution}. }

18. 低錯誤中上品質可能比偶發天才更有市場價值

對某些創造性任務，人們偏好：

QpeakQ_{\mathrm{peak}}

很高的系統。

但大量日常組織任務更在乎：

Qfloor.Q_{\mathrm{floor}}.

即：

最差情況有多差。

因此可以區分：

Qpeak,Q_{\mathrm{peak}},

以及：

Qfloor.Q_{\mathrm{floor}}.

一個 Agent 可能：

Qpeak=0.90,Q_{\mathrm{peak}} = 0.90, Qfloor=0.78.Q_{\mathrm{floor}} = 0.78.

另一個模型：

Qpeak=0.99,Q_{\mathrm{peak}} = 0.99,

但：

Qfloor=0.40.Q_{\mathrm{floor}} = 0.40.

對長期生產而言，前者可能更有價值。

因此：

Production AI optimizes the quality floor, not only the quality ceiling.\boxed{ \text{Production AI optimizes the quality floor, not only the quality ceiling.} }

這也是「降低幻覺」在 Agent 時代比單輪聊天時代更重要的原因。

19. 長期累積使 Agent 產生資本性質

如果 Agent 每次工作後都將結果丟棄：

Ot→∅,O_t \rightarrow \varnothing,

其價值主要是當期服務。

如果輸出進入：

St+1,S_{t+1},

則工作可以成為：

  • 資料庫；
  • 程式資產；
  • 知識圖譜；
  • 流程；
  • 模型訓練資料；
  • 驗證器；
  • 客戶歷史；
  • 世界狀態。

因此：

Ot→Kt+1.O_t \rightarrow K_{t+1}.

這時 Agent 不只產生：

labor flow,\text{labor flow},

還可能形成：

knowledge capital stock.\text{knowledge capital stock}.

於是：

Autonomous Labor→Cumulative Capital Formation.\boxed{ \text{Autonomous Labor} \rightarrow \text{Cumulative Capital Formation}. }

這比單純「省幾個人力」更重要。

20. 與時間經濟學的統合

沿用：

ρintel=WIquality adjustedΔtW,\rho_{\mathrm{intel}} = \frac{ W_I^{\mathrm{quality\ adjusted}} }{ \Delta t_W },

以及：

ρcommit=Vverified world commitΔtW.\rho_{\mathrm{commit}} = \frac{ V_{\mathrm{verified\ world\ commit}} }{ \Delta t_W }.

若 Agent 的：

ρintel\rho_{\mathrm{intel}}

很高，但：

ρcommit\rho_{\mathrm{commit}}

低，代表大量 token 沒有沉積成真正資產。

可靠自主勞動的目標是：

ρcommit↑\boxed{ \rho_{\mathrm{commit}} \uparrow }

同時：

THgov↓.T_H^{\mathrm{gov}} \downarrow.

因此一個更完整的委任效率可以表示為：

ηRAL=Vverified accumulated outputTHgov+CA∗+ϵ.\eta_{\mathrm{RAL}} = \frac{ V_{\mathrm{verified\ accumulated\ output}} }{ T_H^{\mathrm{gov}} + C_A^{*} + \epsilon }.

這比單純：

tokens per second\text{tokens per second}

更接近經濟價值。

21. 不是所有自主性都值得追求

Agent autonomy 不應被最大化為：

A→1.A \rightarrow 1.

因為某些任務：

RiskTRisk_T

很高。

更合理的目標是：

AT∗=arg⁡max⁡A[V(A)−Risk(A)−GovernanceCost(A)].A_T^{*} = \arg\max_A \left[ V(A) - Risk(A) - GovernanceCost(A) \right].

因此：

Optimal Autonomy≠Maximum Autonomy.\boxed{ \text{Optimal Autonomy} \neq \text{Maximum Autonomy}. }

低風險、高可驗證任務可以高度自主。

高風險、不可逆任務則需要：

human gate.\text{human gate}.

這使未來組織更可能形成「分層自主」而不是全面放權。

22. 可靠自主勞動與大量基本可替代人員

這裡必須精確處理一個容易引發誤解的命題。

本文不主張「某些人沒有價值」。

本文討論的是：

role substitutability.\text{role substitutability}.

一個人在某家公司中負責的任務，可能高度：

  • 標準化；
  • 可驗證；
  • 可重複；
  • 可數位取得；
  • 可回滾。

這表示：

χT\chi_T

很高。

若 Agent 跨過：

ΘRAL,\Theta_{\mathrm{RAL}},

則該角色中的部分任務具有較高自動化可能。

這是：

task architecture\boxed{ \text{task architecture} }

的性質，不是：

human worth\boxed{ \text{human worth} }

的評價。

23. 為什麼高薪也不自動等於高不可替代性

市場薪資：

WHW_H

並不只反映：

frontier cognitive contribution.\text{frontier cognitive contribution}.

它還可能包含：

  • 稀缺證照；
  • 組織階級；
  • 網絡位置；
  • 管理權；
  • 地理；
  • 品牌；
  • 歷史制度；
  • 議價能力。

因此：

WH∝̸AI-resistance.\boxed{ W_H \not\propto \text{AI-resistance}. }

某些高薪工作的實際日常任務仍可能具有高：

χT.\chi_T.

反之，某些薪資較低工作可能包含：

  • 現場感知；
  • 身體互動；
  • 高社會信任；
  • 非結構化環境；
  • 責任承擔；

而更難自主化。

因此 AI 勞動衝擊不應簡化為：

low salary first.\text{low salary first}.

24. 新的人類比較優勢

當既有知識查詢、普通分析、程式生成與資料整理逐漸被 Agent 吸收後，人類比較優勢可能移向：

Novel Problem Formation,\text{Novel Problem Formation}, Cross-Domain Abstraction,\text{Cross-Domain Abstraction}, Normative Judgment,\text{Normative Judgment}, Institution Design,\text{Institution Design}, High-Stakes Responsibility,\text{High-Stakes Responsibility}, Embodied and Social Context.\text{Embodied and Social Context}.

因此：

AI substitutability≠human obsolescence.\boxed{ \text{AI substitutability} \neq \text{human obsolescence}. }

更可能出現的是：

routine cognition↓\text{routine cognition} \downarrow

在人類工作中的比重下降，而：

governance+novelty+responsibility\text{governance} + \text{novelty} + \text{responsibility}

的比重提高。

25. 經濟相變的早期指標

如果要判斷可靠自主勞動是否真正到來，應觀察：

  1. 平均自主曆時：

    TAaut.T_A^{\mathrm{aut}}.

  2. 人類介入密度：

    ρH.\rho_H.

  3. 未檢出且不可恢復錯誤率：

    UA.U_A.

  4. 驗證後世界提交密度：

    ρcommit.\rho_{\mathrm{commit}}.

  5. 風險調整後成本：

    CA∗.C_A^{*}.

  6. 任務跨域覆蓋：

    ∣TRAL∣.|\mathcal T_{\mathrm{RAL}}|.

若：

TAaut↑,T_A^{\mathrm{aut}} \uparrow, ρH↓,\rho_H \downarrow, UA↓,U_A \downarrow, ρcommit↑,\rho_{\mathrm{commit}} \uparrow,

且：

∣TRAL∣↑,|\mathcal T_{\mathrm{RAL}}| \uparrow,

那麼 AI 勞動相變可能已經在發生，即使沒有人正式宣布 AGI。

26. 經濟 AGI 是一個容易誤導的名詞

有人可能將這種狀態稱為：

Economic AGI.\text{Economic AGI}.

但本文不優先採用此名稱。

原因是：

一個系統可以在大量經濟任務中高度可替代，卻仍不具有人類式通用認知。

因此更精確的概念是：

Reliable Autonomous Labor\boxed{ \text{Reliable Autonomous Labor} }

而不是透過修改 AGI 定義，把任何重大經濟影響都叫 AGI。

這能保持：

cognitive taxonomy\text{cognitive taxonomy}

與：

economic taxonomy\text{economic taxonomy}

的分離。

27. 從個體 Agent 到自主勞動網路

一旦多個 Agent 都跨過：

ΘRAL,\Theta_{\mathrm{RAL}},

組織可以形成：

LA={A1,A2,…,An}.\mathcal L_A = \{ A_1, A_2, \ldots, A_n \}.

不同 Agent 負責：

  • 搜尋；
  • coding；
  • verification；
  • 資料管理；
  • 文書；
  • 監控；
  • 部署；
  • 研究。

這時 AI 組織的能力變成：

WLA=∑iWAi+Σsynergy−Ωcoord.W_{\mathcal L_A} = \sum_i W_{A_i} + \Sigma_{\mathrm{synergy}} - \Omega_{\mathrm{coord}}.

只要：

Σsynergy>Ωcoord,\Sigma_{\mathrm{synergy}} > \Omega_{\mathrm{coord}},

多 Agent 勞動網路就可能形成正協同。

這就是 Paper 02 所討論的：

Organizational Superhuman Capability\text{Organizational Superhuman Capability}

在經濟層最早可能出現的實體基礎之一。

28. 經濟相變的真正順序

本文提出一個可能的漸進序列：

Assistant\text{Assistant} ↓\downarrow Tool-Using Agent\text{Tool-Using Agent} ↓\downarrow Reliable Task Agent\text{Reliable Task Agent} ↓\downarrow Autonomous Intelligent Labor Unit\boxed{ \text{Autonomous Intelligent Labor Unit} } ↓\downarrow Multi-Agent Labor Network\text{Multi-Agent Labor Network} ↓\downarrow Agentic Organization.\text{Agentic Organization}.

注意：

AGI\text{AGI}

不一定必須位於：

Reliable Task Agent\text{Reliable Task Agent}

與：

Autonomous Intelligent Labor Unit\text{Autonomous Intelligent Labor Unit}

之間。

這正是本文的中心命題。

29. 結論：文明不需要等到 AGI 才會遇到自主機器勞動力

本文的核心結論可以寫成：

AGI is sufficient for broad autonomous labor, but not necessary for many economically valuable forms of autonomous labor.\boxed{ \text{AGI is sufficient for broad autonomous labor, but not necessary for many economically valuable forms of autonomous labor.} }

真正的經濟門檻是：

ΘRAL,\Theta_{\mathrm{RAL}},

而不是：

ΘAGI.\Theta_{\mathrm{AGI}}.

當 Agent 在愈來愈多任務域滿足：

QA≥Qmin⁡,Q_A \ge Q_{\min}, UA≤ϵ,U_A \le \epsilon, ΓA≥Γmin⁡,\Gamma_A \ge \Gamma_{\min}, TAaut≥Tmin⁡,T_A^{\mathrm{aut}} \ge T_{\min}, ρH≤ρHmax⁡,\rho_H \le \rho_H^{\max},

以及：

CA∗<CH∗,C_A^{*} < C_H^{*},

它就開始從：

AI Tool\text{AI Tool}

轉化為：

Autonomous Intelligent Labor Unit.\boxed{ \text{Autonomous Intelligent Labor Unit}. }

它未必是 AGI。

它未必能做頂尖科學。

它未必具有普遍價值判斷。

它甚至可能只在某些領域保持中上品質。

但如果它：

  • 長期不睡；
  • 能查資料；
  • 能用工具；
  • 能維持狀態；
  • 能驗證；
  • 能回滾；
  • 能重試；
  • 能持續累積；

那麼它已經足以改變組織。

因此，AI 勞動市場真正值得追蹤的問題，不再只是：

「哪一年 AGI 到來？」

而是：

「哪一些任務正在跨過可靠自主勞動門檻？」

當這個集合：

TRAL\mathcal T_{\mathrm{RAL}}

持續擴張時，經濟相變可能早已開始。

核心命題摘要

命題一：AGI 門檻與經濟替代門檻不同

ΘAGI≠ΘRAL.\boxed{ \Theta_{\mathrm{AGI}} \neq \Theta_{\mathrm{RAL}}. }

命題二：經濟可用性是門檻問題，而非只看最高品質

QA≥Qmin⁡\boxed{ Q_A \ge Q_{\min} }

即可進入某些生產流程，不要求：

QA=Qelite.Q_A = Q_{\mathrm{elite}}.

命題三：真正重要的是未檢出且不可恢復錯誤

UA=P(undetected unrecoverable error).\boxed{ U_A = P( \text{undetected unrecoverable error} ). }

命題四：可靠自主性依賴錯誤吸收而非完美認知

Fallible Cognition+Error Containment→Reliable Autonomy.\boxed{ \text{Fallible Cognition} + \text{Error Containment} \rightarrow \text{Reliable Autonomy}. }

命題五：人類治理密度是自主勞動的重要指標

ρH=NHNT.\boxed{ \rho_H = \frac{ N_H }{ N_T }. }

命題六：任務級替代先於職業級替代

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

命題七：24/7 與平行性使中上品質 Agent 形成總量優勢

WA=QA⋅RA⋅TA⋅ΠI.\boxed{ W_A = Q_A \cdot R_A \cdot T_A \cdot \Pi_I. }

命題八：自主勞動可以形成知識資本

Autonomous Labor→Cumulative Capital Formation.\boxed{ \text{Autonomous Labor} \rightarrow \text{Cumulative Capital Formation}. }

命題九：經濟相變可以先於 AGI

Economic Discontinuity⇏AGI First.\boxed{ \text{Economic Discontinuity} \not\Rightarrow \text{AGI First}. }

系列接口

Paper 01 將模型與智能系統分離。

Paper 02 提出系統級超人類組織能力可能先於模型級 ASI。

Paper 03 則把這個中間層落到經濟結構：

Non-AGI Agent+Reliability+Persistence+Verification→Autonomous Intelligent Labor.\boxed{ \text{Non-AGI Agent} + \text{Reliability} + \text{Persistence} + \text{Verification} \rightarrow \text{Autonomous Intelligent Labor}. }

下一篇將研究這種自主勞動最容易被低估的一個長期性質：

Paper 04：《累積比聰明更重要：從一次回答到持續世界沉積》

核心問題是：

如果一個 Agent 每一輪只比普通專業人員稍好或相近，但它可以持續工作數月、數年，並把每次輸出都沉積成下一輪可重用的資料、工具、驗證器與世界狀態，那麼「歷史累積」是否會成為比單輪智力更重要的智能資本？