可購買智能與時間資本化

從貨幣索取人類時間，到購買機器智能時間、委任容量與未來可行世界

英文題名： Purchasable Intelligence and the Capitalization of Time: From Monetary Claims on Human Time to Machine-Mediated Intelligent Time, Delegation Capacity, and Future Feasible Worlds
系列名稱： 算力勞動化與 AI 時間經濟學（Compute Laborization and AI Temporal Economics）
系列篇號： 02 / 08
文件編號： EML-CLATE-2026-02
作者： Neo.K with GPT-5.6 Sol
機構： EveMissLab／一言諾科技有限公司
日期： 2026-09-30
版本： v0.1
文件性質： 理論論文／時間經濟學擴展／AI 原生資本與智能市場
直接前置： CLATE-01《算力資本的勞動化》；《貨幣的時間本質》；《AI 時間槓桿的多重估值》；《Agentic Organization 的時間經濟學》
上位接口： 《經濟世界域轉化論》（EWDT），尤其貨幣、轉化能力、微觀世界域與 AI 世界域相關篇章
狀態： Public Theory Draft

摘要

傳統貨幣經濟中，貨幣的一項核心功能是取得他人的勞動、注意力、等待、風險承擔與資源配置。時間經濟學因此可以把貨幣理解為一種制度化的廣義時間索取能力：貨幣不是物理時間，但它使持有者能在市場與制度中要求他人把有限生命時間投入指定工作。人工智慧改變了這條結構。當算力、模型、Agent、軟體工具、知識資本與驗證系統形成可持續的生產棧後，貨幣不再只能透過薪資、契約與外包間接索取人類時間，也可以直接購買 GPU、雲端推理、API 額度、模型訂閱、Agent runtime、儲存與能源，進而取得大量「機器媒介的智能時間」。

本文提出「可購買智能」與「時間資本化」兩個核心概念。可購買智能不是把模型能力當作普通商品，而是指在指定制度、技術與治理條件下，貨幣可被轉化為具有可調度性、可持續性、可委任性與可驗證性的智能工作容量。本文將其表示為：

M \rightarrow \mathcal B_I \rightarrow T_M \rightarrow L_{\mathrm{eff}}^{AI} \rightarrow Y_{\mathrm{eff}},

其中 $M$ 為貨幣， $\mathcal B_I$ 為可購買的智能資源組合， $T_M$ 為機器智能時間， $L_{\mathrm{eff}}^{AI}$ 為有效 AI 生產能力，而 $Y_{\mathrm{eff}}$ 為經驗證、可部署、可吸收的有效產出。

本文進一步區分四種時間：人類生命時間、治理時間、機器運算時間與世界曆時。AI 不創造新的世界時間，但能夠提高單位世界時間內可同時執行的智能工作密度。由此，貨幣所能購買的不再只是他人的工作時數，而包括平行度、延續性、候選搜尋密度、驗證頻率與自主委任窗口。若一個 Agent 可以在兩次人類治理介入之間完成更多合法工作，則貨幣購買的不是單純 token，而是委任槓桿。

本文將時間資本化重新定義為：將當前貨幣、算力、知識與制度資源投入，使未來的有效智能時間、可行集合與世界提交能力增加。這與傳統金融資本化不同；它並非單純把未來現金流折現為今日資產價值，而是把未來「可做之事」的擴張納入資本形成。由此，GPU、模型權重、LoRA、資料集、工作流、Agent 記憶、驗證器與自動化管線都可能成為不同型態的「智能時間資本」。

本文最後建立「智能時間價格」與「時間資本化率」的第一代概念模型，並提出一個關鍵判準：AI 支出只有在其真正提高經驗證智能時間密度、降低人類低價值介入、增加可交付產出或擴張可行集合時，才應被視為時間資本形成；否則它只是一筆消耗。這為後續的人數—產能脫鉤、AI 工廠、算力租賃市場與算力錨定工資奠定共同基礎。

關鍵詞： 可購買智能、時間資本化、智能時間、貨幣索取權、AI API、本地算力、委任槓桿、時間經濟學、Agentic Organization、可行集合、智能資本

0. 研究定位與非主張

本文提出「可購買智能」與「時間資本化」，但不主張：

貨幣等於時間；
貨幣可以購買真正的物理時間；
人類時間與機器時間可以用單一標量完全互換；
AI token 數量等於智能勞動量；
API 呼叫次數等於產能；
所有 AI 支出都形成資本；
所有本地硬體購買都比 API 更有利；
所有 AI Agent 都具有獨立經濟主體性；
所有可購買智能都應被視為「員工」；
未使用的 GPU 或未部署的 Agent 自動構成生產能力；
大量生成必然等於大量價值；
時間資本化可以忽略品質、能源、風險與治理；
AI 可以完全消除人的時間稀缺；
「智能時間價格」可以在不同任務間無條件直接比較；
本文已提供一個完成經驗校準的統一價格理論。

本文主張的是：

\boxed{ \text{貨幣可透過 AI 生產棧購買與配置機器媒介的有效智能時間。} }

以及：

\boxed{ \text{當今日投入提高未來可動員的有效智能時間與可行集合時，便形成時間資本。} }

1. 從貨幣的時間性開始

時間經濟學的核心起點之一是：

M \neq t.

貨幣不是秒、分鐘或生命。

但在制度化市場中，貨幣可以取得：

他人的勞動；
注意力；
專業能力；
等待；
風險承擔；
物流；
計算；
資源使用權。

因此，貨幣可被視為一種廣義請求能力：

\boxed{ M \rightarrow \mathsf{Claim}_{\Sigma} \left( T, R, A, W, C \right), }

其中：

$\Sigma$ ：制度域；
$T$ ：時間；
$R$ ：資源；
$A$ ：注意力；
$W$ ：等待與風險承擔；
$C$ ：能力與控制權。

傳統上，若某人希望取得一百小時專業工作，最典型路徑是：

M \rightarrow \mathsf{Claim}(T_H) \rightarrow Y.

AI 時代新增了另一條路徑：

M \rightarrow K_C \rightarrow T_M \rightarrow L_{\mathrm{eff}}^{AI} \rightarrow Y.

這是貨幣—時間結構的一次重大擴張。

2. 什麼是「可購買智能」？

2.1 定義

本文定義：

可購買智能（Purchasable Intelligence），是指在特定制度、技術、權限與治理條件下，可以透過貨幣支出取得、啟動、延續、配置或擴張的有效智能工作容量。

形式上：

\boxed{ \mathcal I_P = \Phi \left( M, K_C, M_C, A, S, X, V, G \right), }

其中：

$M$ ：貨幣投入；
$K_C$ ：算力資本；
$M_C$ ：模型能力；
$A$ ：Agent 編排；
$S$ ：軟體與工具；
$X$ ：上下文與知識資本；
$V$ ：驗證；
$G$ ：治理。

$\mathcal I_P$ 不是模型 benchmark，也不是原始 token throughput。

它表示：

花出去的資源，最後能形成多少真正可以被委任、被驗證並進入世界的智能工作能力？

3. 可購買智能不是「買一個 AI」

普通使用者容易把：

訂閱一個模型

視為：

買到一個 AI。

經濟上更精確的說法應該是：

\boxed{ \text{Subscription} \rightarrow \text{Access Right} \rightarrow \text{Bounded Intelligent Service Capacity}. }

你購買的可能只是：

一定期間；
一定速率；
一定上下文；
一定模型；
一定工具；
一定使用上限；

下的智能服務權。

因此：

\text{Model Access} \neq \text{Owned Productive Capacity}.

同樣的月費，在不同：

\text{RateLimit}, \text{Context}, \text{ToolAccess}, \text{ModelQuality}, \text{Latency}, \text{UsageCap}

條件下，實際可購買智能差異很大。

4. 三種可購買智能

本文先區分三種最主要的智能取得形式。

4.1 人類智能

\mathcal I_H = \mathsf{Claim} \left( T_H, Skill_H, Responsibility_H \right).

透過：

薪資；
外包；
顧問；
專案契約；

取得。

4.2 租賃式機器智能

\mathcal I_R = \mathsf{Claim} \left( T_M, \text{Model}, API, \text{Cloud} \right).

透過：

API；
SaaS；
雲端 Agent；
GPU 租賃；
推理平台；

取得。

4.3 自有式機器智能

\mathcal I_O = \Psi \left( K_C, \text{ModelWeights}, \text{Software}, \text{Data}, \text{Workflow} \right).

透過：

自有 GPU；
自有模型；
本地 checkpoint；
LoRA；
專用 runtime；
自有知識資本；

形成。

三者可同時存在，而不是互斥。

5. 人類時間與機器時間不是同一單位

令：

T_H = \text{human carrier time},

T_M = \text{machine runtime},

T_G = \text{human governance time},

t_W = \text{world calendar time}.

則：

\boxed{ T_H \neq T_M \neq T_G \neq t_W. }

它們在經濟上互相關聯，但不能直接相加。

例如：

一個模型跑 10 小時；
一個人審閱 1 小時；
整個任務 12 小時完成；

不能簡化為：

23\text{ 小時}.

因為這三種時間具有不同稀缺性、可平行性與機會成本。

6. 世界時間仍然不可購買

即使投入大量金錢與算力：

M\uparrow, \quad K_C\uparrow,

也不代表：

t_W \uparrow.

因此：

\boxed{ \text{Money cannot buy more world time}. }

但貨幣可以提高：

\frac{ \text{effective intelligent work} }{ t_W }.

也就是：

\rho_{\mathrm{intel}}.

所以更精確的說法是：

貨幣買不到更多世界時間，但可以買到更高的智能時間密度。

7. 智能時間密度

延續既有定義：

\boxed{ \rho_{\mathrm{intel}} = \frac{ W_I^{\mathrm{quality\ adjusted}} }{ \Delta t_W }. }

如果一個人只能同時做一個主要研究任務：

\rho_{\mathrm{intel}} \approx 1\text{ stream}.

若透過多個 Agent 同時處理：

程式；
圖像；
搜尋；
驗證；
文件；
分析；

則：

\rho_{\mathrm{intel}} \uparrow.

此時貨幣的作用不是直接增加時間，而是購買：

\boxed{ \text{Parallel Intelligent Occupancy of the Same World Time}. }

8. 從「工時」到「智能時槽」

傳統勞動市場出售：

T_H.

AI 市場逐漸出售的是：

\boxed{ \mathcal S_I = \text{Intelligent Processing Slots}. }

每一個時槽可能具有：

模型等級；
context；
工具；
memory；
token budget；
latency；
verification；
autonomy；

不同屬性。

因此「一小時 AI」並不像「一小時人類工時」那樣容易定義。

更合理的表示是：

\mathcal S_{I,j} = \left( m_j, c_j, b_j, a_j, v_j, \tau_j \right),

其中：

$m_j$ ：模型；
$c_j$ ：上下文與知識；
$b_j$ ：推理預算；
$a_j$ ：自主度；
$v_j$ ：驗證程度；
$\tau_j$ ：可用 runtime。

9. 智能時間價格

9.1 原始定義

定義某任務域 $d$ 的智能時間價格：

\boxed{ p_I^{(d)} = \frac{ C_{\mathrm{total}}^{(d)} }{ W_{\mathrm{eff}}^{(d)} }. }

其中：

$C_{\mathrm{total}}^{(d)}$ ：取得該智能工作所需總成本；
$W_{\mathrm{eff}}^{(d)}$ ：品質調整、驗證後的有效智能工作量。

這不是固定市場價格，而是一個生產核算價格。

9.2 為何不能只看 token 價格

如果模型 A：

C_A<C_B,

但：

q_A\ll q_B,

則：

p_I^A

可能反而更高。

因為大量失敗、重試與審閱會提高有效成本。

所以：

\boxed{ \text{Cheap Tokens} \neq \text{Cheap Intelligence}. }

10. 租賃智能的價格結構

API / 雲端智能的成本可以寫成：

C_R = C_{\mathrm{token}} + C_{\mathrm{tool}} + C_{\mathrm{storage}} + C_{\mathrm{latency}} + C_{\mathrm{verification}} + C_{\mathrm{risk}}.

而真正有效價格為：

\boxed{ p_R = \frac{ C_R }{ Y_{\mathrm{accepted}} }. }

因此最重要的不是：

每百萬 token 多少錢？

而是：

每一個真正可使用成果，平均耗費多少？

11. 自有智能的價格結構

本地 AI 的總成本：

C_O = F_{hw} + F_{setup} + C_{energy} + C_{maint} + C_{model} + C_{verify} + C_{human}.

其平均成本：

AC_O(N) = \frac{ C_O(N) }{ N }.

當固定成本能被大量生產攤薄時：

\frac{ F_{hw}+F_{setup} }{ N } \downarrow.

因此：

AC_O(N)

可能隨 $N$ 下降。

這就是「AI 工廠」與普通 AI 使用者的核心成本差異。

12. 本地算力是預付智能時間

購買 GPU 可以被理解為：

M_0 \rightarrow K_C.

接著在未來多期：

K_C \rightarrow T_{M,1}, T_{M,2}, \ldots, T_{M,n}.

因此硬體資本在時間經濟學裡具有：

\boxed{ \text{Prepaid Future Machine-Time Capacity} }

的性質。

但這個預付時間：

有折舊；
有電力成本；
有技術淘汰；
有容量上限；
有模型依賴；
有維護成本。

所以它不是免費未來時間。

13. API 是即期智能時間市場

相對地，API 更接近：

\boxed{ \text{Spot Market for Machine-Mediated Intelligence}. }

你不需要先買：

K_C.

而是在需要時支付：

p_R q.

因此：

本地算力偏資本市場；
API 偏服務／租賃市場。

兩者的經濟選擇取決於：

N, q, p_R, F_{hw}, \delta, r, \text{Risk}.

14. 智能時間的期限結構

與能源或金融資產類似，智能時間也具有期限差異。

可以區分：

\mathcal I_{spot}, \quad \mathcal I_{reserved}, \quad \mathcal I_{owned}.

分別對應：

即期 API 呼叫；
預留雲端資源；
自有硬體。

它們對：

價格；
可用性；
風險；
控制；
彈性；

具有不同結構。

因此未來的 AI-native firm 實際上會做：

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

15. 委任容量是另一種可購買資產

如果 AI 只能：

回答一次；
等人類；
再回答一次；

那麼人類仍然是同步瓶頸。

Agentic system 則可以把一個意圖展開成：

\text{Intent} \rightarrow \text{TaskGraph} \rightarrow \text{Execution} \rightarrow \text{Verification} \rightarrow \text{Commit}.

若 Agent 在兩次人類介入之間可以完成更多步驟，則：

\Lambda_D \uparrow.

因此：

\boxed{ \text{Purchasable Intelligence} \neq \text{Raw Model Intelligence}. }

更重要的是：

\boxed{ \text{Purchasable Intelligence} = \text{Capability} + \text{Delegability} + \text{Persistence} + \text{Verification}. }

16. 委任窗口

定義：

\boxed{ W_D = \frac{ N_{\mathrm{valid\ agent\ transitions}} }{ N_{\mathrm{human\ interventions}}+\epsilon }. }

它表示：

人類每介入一次，Agent 平均能合法完成多少有效狀態轉換？

如果：

W_D\uparrow,

同樣的人類治理時間可以控制更多工作。

因此：

\text{Money} \rightarrow \text{Agent Runtime} \rightarrow W_D\uparrow

可以形成新的時間槓桿。

17. 可購買智能真正購買的是什麼？

可以分成至少六種成分。

17.1 推理容量

C_{\mathrm{reason}}.

17.2 搜尋容量

C_{\mathrm{search}}.

17.3 生成容量

C_{\mathrm{gen}}.

17.4 驗證容量

C_{\mathrm{verify}}.

17.5 持續執行容量

C_{\mathrm{persist}}.

17.6 平行容量

C_{\mathrm{parallel}}.

所以：

\boxed{ \mathcal I_P = \left( C_{\mathrm{reason}}, C_{\mathrm{search}}, C_{\mathrm{gen}}, C_{\mathrm{verify}}, C_{\mathrm{persist}}, C_{\mathrm{parallel}} \right). }

這比「模型 IQ」更接近企業真正購買的東西。

18. 時間資本化

18.1 定義

本文定義：

時間資本化（Capitalization of Time），是指把當前資源投入可再使用的硬體、軟體、知識、模型、工作流或制度，使未來取得有效智能時間所需的邊際成本下降、可用智能時槽增加，或可行集合擴張。

形式上：

\boxed{ I_t \rightarrow K_t^{time} \rightarrow \left( T_{I,t+1}^{available}, C_{I,t+1}^{marginal}, \Omega_{t+1} \right). }

其中：

K_t^{time}

表示時間資本。

19. 時間資本不是「儲存時間」

沒有任何硬體可以真的把昨天的時間存起來。

所以：

\boxed{ K^{time} \neq \text{stored physical time}. }

時間資本真正儲存的是：

已完成工作；
可重用能力；
future labor saving；
搜尋結果；
自動化；
模型權重；
workflow；
驗證規則；
知識。

因此：

\boxed{ \text{Time Capital} = \text{Stored Capacity to Avoid or Compress Future Time Claims}. }

20. 七種 AI 時間資本

本文至少區分七種。

20.1 算力資本

K_C.

例如 GPU、TPU、伺服器。

20.2 模型資本

K_M.

例如權重、fine-tune、LoRA。

20.3 軟體資本

K_S.

例如 Agent runtime、自動化工具。

20.4 上下文資本

K_X.

例如結構化文件、知識庫、記憶。

20.5 驗證資本

K_V.

例如 test suite、Lean、checker、QA pipeline。

20.6 工作流資本

K_W.

例如穩定 production pipeline。

20.7 組織資本

K_O.

例如授權、治理、責任、路由。

因此：

\boxed{ K_{\mathrm{AI-time}} = \left( K_C, K_M, K_S, K_X, K_V, K_W, K_O \right). }

21. 時間資本的作用

時間資本至少可以產生四種效果：

21.1 降低未來人類時間索取

T_H^{future}\downarrow.

21.2 降低未來機器時間成本

C_M^{future}\downarrow.

21.3 縮短未來曆時

\tau^{future}\downarrow.

21.4 擴張未來可行集合

\Omega_{t+1} \supsetneq \Omega_t.

因此 AI 資本的價值不應只看今天省了多少錢。

22. 時間資本化率

本文提出概念性的時間資本化率：

\boxed{ \kappa_T = \frac{ \Delta V_{\mathrm{future\ intelligent\ capacity}} }{ I_t+\epsilon }. }

其中：

$I_t$ ：今日投入；
$\Delta V_{\mathrm{future\ intelligent\ capacity}}$ ：因此新增的未來有效智能容量價值。

也可以用物理量版本：

\boxed{ \kappa_T^{work} = \frac{ \Delta W_{\mathrm{eff}}^{future} }{ I_t+\epsilon }. }

$\kappa_T$ 越高，代表今日投入越能形成可重用的未來智能能力。

23. 消費型 AI 支出與資本型 AI 支出

不是所有 AI 支出都形成資本。

23.1 消費型

例如：

M \rightarrow \text{one-shot output} \rightarrow \text{discarded}.

若沒有：

可重用資料；
workflow；
knowledge；
model improvement；
future cost reduction；

則主要是消費。

23.2 資本型

若：

M \rightarrow \text{output} + K_X + K_W + K_V

並使未來：

C_{future}\downarrow

或：

\Omega_{future}\uparrow,

則具有資本形成。

因此：

\boxed{ \text{AI Spending} \neq \text{AI Capital Formation}. }

24. 同一 API 呼叫可以同時是消費與投資

例如一次 Agent 研究：

完成當前報告；
同時產生可重用資料庫；
建立新的 validator；
建立術語表；
更新 workflow。

則：

C_t = C_t^{consumption} + I_t^{capital}.

因此企業應避免把全部 AI 成本都當成：

OPEX

的純經濟概念，或全部當成資本。

真正需要的是功能分解。

25. 知識資本是時間資本的重要形式

假設一個 AI 第一次處理某任務需要：

T_1.

處理後形成：

prompt template；
test；
terminology；
code；
examples；
memory。

第二次只需要：

T_2<T_1.

則：

\Delta T = T_1-T_2

並不是物理時間被保存，而是歷史工作被外部化。

所以：

\boxed{ Knowledge Capital = \text{Externalized Past Time that Reduces Future Time Claims}. }

26. AI 原生複利

若：

K_{t+1} = (1-\delta)K_t + I_t,

並且：

C_{t+1}^{marginal} = f(K_t),

且：

\frac{ \partial C_{t+1}^{marginal} }{ \partial K_t } < 0,

則 AI 工作具有複利結構。

例如：

\text{更多工作} \rightarrow \text{更多資料} \rightarrow \text{更好 workflow} \rightarrow \text{更低成本} \rightarrow \text{更多工作}.

但若資料錯誤與 epistemic debt 增加，複利也可能反轉。

27. 時間資本也會折舊

AI 時間資本存在不同折舊率。

例如：

\delta_C = \text{hardware obsolescence},

\delta_M = \text{model obsolescence},

\delta_X = \text{knowledge staleness},

\delta_W = \text{workflow incompatibility}.

因此：

\boxed{ K_{\mathrm{AI-time},t+1} = (1-\boldsymbol\delta) K_{\mathrm{AI-time},t} + I_t. }

這是向量折舊，而不是單一折舊率。

28. 為什麼本地模型具有特殊時間資本價值

本地模型最大的經濟意義之一，不只是便宜，而是：

\boxed{ \text{Version Persistence}. }

如果某個 production pipeline 依賴：

特定 checkpoint；
特定 LoRA；
特定 seed；
特定 sampler；
特定 prompt compiler；

則本地環境可以：

Freeze(\mathcal P_t).

未來仍可重現。

API 模型則可能：

Model_t \rightarrow Model_{t+1}

並改變輸出。

因此本地 AI 形成一種：

\boxed{ \text{Temporal Reproducibility Capital}. }

29. 為什麼 API 仍然重要

本地化不意味全部任務都應收回。

前沿模型具有：

更高能力；
更大 context；
更強 reasoning；
更好工具；
更低維護成本。

所以最合理的 AI-native architecture 往往是：

\boxed{ \text{Frontier Cloud Intelligence} + \text{Local Production Intelligence}. }

前者處理：

高價值規劃；
高難推理；
系統設計；
最終 critic；

後者處理：

大量生成；
重複推理；
background jobs；
asset production；
batch processing。

這是時間資本配置問題。

30. 智能時間投資組合

令企業可配置預算：

B.

在：

x_H, x_R, x_O

三類投入之間分配：

$x_H$ ：人類智能；
$x_R$ ：租賃 AI；
$x_O$ ：自有 AI。

滿足：

x_H+x_R+x_O\le B.

企業目標不是最大化「AI 使用量」，而是：

\boxed{ \max V \left( Y_{\mathrm{eff}}, \Omega, \rho_{\mathrm{commit}}, \text{Risk}, \text{Flexibility} \right). }

因此最適解可能是混合的。

31. 可購買智能與可行集合

如果一個人沒有 AI，某些任務：

a \notin \Omega_i.

購買智能後：

\mathcal I_P>0

可能使：

a \in \Omega_{i+AI}.

這表示：

\boxed{ \text{Purchasable Intelligence can expand feasible sets}. }

所以它的價值不能只以：

\text{saved wages}

衡量。

它也可能創造：

\text{new options}.

32. 可購買智能與「我本來不會僱人」

這是時間經濟學中特別重要的反事實。

假設一項工作人工成本：

C_H

非常高。

沒有 AI 時：

P(\text{hire})\approx0.

AI 出現後：

C_{AI}\ll C_H,

所以工作首次發生。

此時：

\text{Avoided Wage Cost} \approx 0,

但：

\text{Feasibility Creation} > 0.

因此：

\boxed{ \text{AI value can be large even when no human job was actually replaced}. }

這是理解可購買智能經濟學的必要條件。

33. 智能價格下降與需求爆炸

若：

p_I\downarrow,

可能發生兩種效果。

第一：

\text{substitution effect}.

用 AI 替代部分既有人力工作。

第二：

\text{creation effect}.

原本根本不會做的工作開始被做。

因此總智能工作量：

W_I^{total}

可能反而大幅上升。

這解釋：

為什麼 AI 越便宜，不一定代表總支出越低？

因為：

Demand_I \uparrow\uparrow

可能超過單價下降。

34. Jevons 型智能反彈

若 AI 的單位智能成本下降：

p_I\downarrow,

使企業新增大量原本不會執行的工作：

Q_I\uparrow\uparrow,

則總 AI 支出：

C_I = p_IQ_I

未必下降。

這可稱為：

\boxed{ \text{Intelligence Rebound Effect}. }

它與 Jevons paradox 類似，但作用於智能工作。

35. 為什麼 AI 額度會變成生產要素

對普通使用者，AI quota 是產品限制。

對 AI-native organization，quota 可能直接限制：

L_{\mathrm{eff}}^{AI}.

所以：

\text{UsageCap} \downarrow \Rightarrow \text{ProductionCapacity} \downarrow

可能成立。

這使：

token；
rate limit；
context window；
Agent slot；
reset；

從 UX 問題變成生產要素約束。

36. AI 額度與「智能庫存」

若某訂閱提供：

Q_{\mathrm{week}}

的使用能力，

但未使用額度在週期結束後消失，則：

\boxed{ \text{Quota} \neq \text{storable capital}. }

它更接近易腐服務容量。

若可以 bank：

Q_t \rightarrow Q_{t+h},

則開始具有有限庫存特性。

這顯示 AI 服務設計本身會影響時間經濟。

37. 可購買智能與資產負債表

未來 AI-native firm 的生產能力不只存在於：

現金；
人數；
機器。

還可能存在於：

\boxed{ \mathcal A_I = \left( K_C, K_M, K_X, K_V, K_W, Contracts_{AI}, Access_{AI} \right). }

其中有些是自有資產，有些只是契約存取權。

因此：

\text{Own} \neq \text{Access}.

這對風險分析很重要。

38. 智能主權

若企業的全部智能能力依賴一個外部供應者：

Dependency_{single} \approx1,

則即使：

L_{\mathrm{eff}}^{AI}

很高，也可能具有低智能主權。

定義概念性：

\boxed{ S_I = f( \text{Portability}, \text{LocalFallback}, \text{ModelDiversity}, \text{DataControl}, \text{ComputeControl} ). }

$S_I$ 越高，企業越能在供應者改價、限額、退役模型或中斷時維持生產。

39. 智能時間市場的形成

當大量供應者出售：

模型能力；
GPU 時間；
Agent runtime；
tool access；
context；
inference；

便逐步形成：

\boxed{ \text{Machine Intelligence Capacity Market}. }

這個市場與傳統勞動市場不同。

因為供應量可以透過：

K_C\uparrow

擴張，而不需要生物人口同步增加。

但它仍受：

晶片；
能源；
資料中心；
模型能力；
網路；
軟體；

限制。

40. 智能時間供應曲線

概念性地：

S_I(p)

表示智能容量供應。

短期內，若算力固定：

S_I

可能高度僵硬。

長期：

K_C\uparrow

使供應曲線外移。

因此 AI 智能價格可能由：

\text{Compute Scarcity} + \text{Model Scarcity} + \text{Software Scarcity} + \text{Energy Scarcity}

共同決定。

41. 人類智能價格與機器智能價格開始互相影響

若某任務：

Task_d

可以由人或 AI 完成，

則市場可能比較：

p_H^{(d)}

與：

p_I^{(d)}.

若：

p_I^{(d)} \ll p_H^{(d)}

且品質足夠，AI 替代壓力上升。

但如果人類與 AI 高度互補：

\text{Human} + \text{AI} > \max( \text{Human}, \text{AI} ),

則人類工資也可能因互補性上升。

這將在本系列後續的算力錨定工資篇正式處理。

42. 智能時間價格不是人格價格

即使 AI 未來形成更強主體性，也不能把：

p_I

直接等同於某主體的「價值」。

這裡的 $p_I$ 只表示：

市場為某種可交付智能服務支付多少。

因此：

\boxed{ \text{Service Price} \neq \text{Moral Worth}. }

同樣，人類工資也不等於人的道德價值。

43. 時間資本化與一人公司

若一個人擁有：

T_H^{gov}

但透過：

K_{\mathrm{AI-time}}

控制大量：

T_M,

則：

\Lambda_D\uparrow.

這可能形成：

\boxed{ \text{One Human} + \text{Large Time Capital} \rightarrow \text{Institution-like Capacity}. }

這正是「個體機構化」的時間資本版本。

44. 時間資本化與 AI 工廠

AI 工廠本質上是：

\boxed{ \text{Accumulated Time Capital} \rightarrow \text{Continuous Productive Flow}. }

例如圖像工廠需要：

GPU；
image model；
LoRA；
prompt grammar；
character database；
QA；
scheduler；
output manager。

這些一旦形成，後續生產就不再從零開始。

因此一個成熟工廠的主要資產不是任何單張圖片。

而是：

\boxed{ \text{the reusable capacity to keep producing}. }

45. 時間資本化與世界工廠

若同一世界 canonical source 可以投影為：

\text{Text}, \text{Image}, \text{Music}, \text{Video}, \text{Game},

則每一個新增世界物件都可以重複使用既有：

K_X, K_W, K_V.

因此：

\text{World Infrastructure} \rightarrow \text{Multimodal Production}

會產生更強的時間資本複利。

在這種架構裡：

\boxed{ \text{World Model} \text{ itself becomes time capital}. }

46. 時間資本化不等於無限生產

任何 AI 工廠仍受：

\text{Energy}, \text{Demand}, \text{Verification}, \text{Storage}, \text{Compute}, \text{Governance}

限制。

所以：

\boxed{ K_{\mathrm{AI-time}}\uparrow \not\Rightarrow Y\rightarrow\infty. }

時間資本的作用是擴大或改善可行集合，不是消滅世界約束。

47. 可檢驗假說

H1：智能成本下降假說

若時間資本累積：

K_{\mathrm{AI-time}}\uparrow,

則對重複任務：

MC_I\downarrow

應較常成立。

H2：委任窗口假說

更成熟的 Agent runtime 應使：

W_D\uparrow.

H3：本地資本化假說

高頻 production workflow 的本地算力投入應比低頻使用更容易形成：

\kappa_T>0.

H4：知識資本複利假說

具有結構化 memory、test、tooling 的團隊，其下一期：

p_I^{effective}

應低於缺乏上述資本的團隊。

H5：智能反彈假說

當：

p_I\downarrow,

總智能使用量：

Q_I

可能上升到使總 AI 支出不降反升。

H6：智能主權假說

具有 local fallback 與多供應者策略的企業，面對單一供應商中斷時：

\Delta Y_{\mathrm{loss}}

應較低。

48. 與傳統資本理論的關係

傳統資本可以：

增加產能；
降低單位成本；
儲存過去投入；
產生未來服務流。

AI 時間資本同樣具有：

\boxed{ \text{Past Investment} \rightarrow \text{Future Productive Service Flow}. }

但其特殊性在於服務流包含：

\text{intelligent transformations}.

因此它不是普通機械資本的簡單重命名，而是：

資本設備第一次在大規模經濟活動中，開始直接承擔原本高度依賴人類認知時間的工作。

49. 與人力資本的關係

人力資本：

K_H

通常內化於人。

AI 時間資本則可：

複製；
部署；
版本化；
平行執行；
在不同載體上遷移。

但其缺點包括：

模型依賴；
軟體脆弱；
電力依賴；
上下文不足；
權限限制。

所以：

\boxed{ K_H \neq K_{\mathrm{AI-time}}. }

它們是不同資本形態。

50. 可購買智能與資本—勞動邊界

傳統概念：

K \quad\text{vs}\quad L.

AI 時代出現：

K \rightarrow L_{\mathrm{eff}}^{AI}.

因此資本與勞動不再只是兩個外生分離投入。

一部分資本：

K_C

可以經模型與 Agent 形成：

\text{labor-like productive capacity}.

這就是第一篇所謂：

\boxed{ \text{Compute Laborization}. }

而本篇進一步指出：

\boxed{ \text{Money can capitalize future intelligent time}. }

51. 與 EWDT 的接口：時間資本擴張可行世界

如果：

I_t \rightarrow K_t^{time}

使：

\Omega_{t+1} \supsetneq \Omega_t,

那麼時間資本化不只是未來效率提升。

它還形成：

\boxed{ \text{Feasible-World Expansion}. }

因此 EWDT 可以把本篇結構寫成：

\Delta K_{\mathrm{AI-time}} \rightarrow \Delta \mathbf C^{tr} \rightarrow \Delta \mathfrak T^{(H)} \rightarrow \Delta\Omega.

但本篇保持較輕量的時間經濟學敘事，完整世界域閉合留到系列第 8 篇。

52. 七個核心命題

命題一：可購買智能命題

\boxed{ M \rightarrow \mathcal I_P }

在 AI 生產棧成立時，貨幣可以取得可調度的有效智能容量。

命題二：世界時間不可購買命題

\boxed{ M\uparrow \not\Rightarrow t_W\uparrow. }

貨幣不能創造新的世界時間。

命題三：智能時間密度命題

\boxed{ M\uparrow \rightarrow K_C\uparrow \rightarrow \rho_{\mathrm{intel}}\uparrow }

在可平行、可委任、可驗證任務中可能成立。

命題四：時間資本命題

\boxed{ \text{Past Investment} \rightarrow \text{Lower Future Time Claims}. }

若今日投入降低未來有效智能時間成本，則形成時間資本。

命題五：智能反彈命題

p_I\downarrow

可能導致：

Q_I\uparrow\uparrow,

使總 AI 支出不一定下降。

命題六：取得權不等於所有權命題

\boxed{ Access_{AI} \neq Own_{AI\ Capacity}. }

API 存取與自有算力具有不同時間與風險結構。

命題七：可行世界命題

若可購買智能使：

a\notin\Omega_t

變成：

a\in\Omega_{t+1},

則 AI 價值超過單純工資替代。

53. 對企業決策的直接含義

企業未來需要回答：

我買的是模型能力，還是有效智能能力？
一單位有效產出的真正智能成本是多少？
哪些工作適合購買即期 AI 服務？
哪些工作值得預付本地算力？
哪些 workflow 已經形成時間資本？
哪些 AI 支出只是一次性消費？
模型更新是否讓既有時間資本快速折舊？
Agent 能否提高委任窗口？
QA 是否讓智能價格被低估？
是否應建立本地 fallback？
智能供應商中斷會造成多少產能損失？
新增一美元 AI 支出，增加的是 token，還是未來可行世界？

54. 理論限制

54.1 智能工作難以建立統一單位

不同任務不能簡單使用：

1\text{ AI-hour}

作同質單位。

54.2 價格受模型品質影響極大

低成本模型的有效智能價格可能高於高成本模型。

54.3 AI 能力更新速度快

資本折舊可能遠快於傳統機械。

54.4 市場尚未成熟

很多 AI 定價仍由訂閱、配額與策略補貼驅動。

54.5 法律與責任尚未完全定型

這會改變：

C_{\mathrm{risk}}.

54.6 智能價值具有任務相對性

不存在單一：

p_I

可涵蓋所有經濟任務。

55. 後續研究問題

如何定義跨模型的有效智能單位？
如何估計不同任務的 $p_I^{(d)}$ ？
API 是否會形成真正的智能現貨市場？
Reserved compute 是否相當於智能期貨？
自有 GPU 應如何估計其未來智能服務流？
模型權重是否是一種可折舊智能資本？
LoRA、memory、workflow 的會計性質如何區分？
AI 額度能否被視為易腐智能庫存？
Banked quota 如何改變使用者的時間配置？
智能反彈效應是否會推高總能源需求？
智能時間價格下降如何影響人類工資？
小型企業的智能資本化率是否可能高於大型企業？
AI 工廠何時由成本中心變成產能資產？
智能主權如何量化？
世界模型、知識圖譜與 canonical world 是否可以直接作為時間資本？

56. 結論

貨幣在 AI 時代取得了一種新的時間能力。

過去，一個組織想獲得更多認知工作，通常必須：

\boxed{ M \rightarrow \mathsf{Claim}(T_H). }

也就是透過市場與契約取得更多人類時間。

現在新增：

\boxed{ M \rightarrow K_C \rightarrow T_M \rightarrow L_{\mathrm{eff}}^{AI}. }

因此貨幣可以不經由同等比例的人類 headcount 增長，直接取得更多機器媒介智能時間。

這不代表機器時間等於生命時間。

也不代表 AI 等於勞工。

真正的變化是：

貨幣所能購買的智能生產時間來源增加了。

從時間經濟學角度，AI 使貨幣的時間索取結構由：

\text{Human-Time Dominant}

擴張成：

\boxed{ \text{Human Time} + \text{Machine Time} + \text{Delegated Agent Time} + \text{Reusable Time Capital}. }

更重要的是，今日投入可以沉積成未來能力。

GPU 可以形成未來推理容量。

模型權重可以形成未來智能能力。

workflow 可以降低未來操作時間。

驗證器可以降低未來審查成本。

知識庫可以降低未來搜尋時間。

Agent runtime 可以擴張未來委任窗口。

因此：

\boxed{ \text{Time Capital} = \text{Reusable Capacity that Reduces or Reorganizes Future Time Claims}. }

這正是「時間資本化」的核心。

AI 時代的資本深化，因而不再只是：

機器讓人工作得更快。

而開始變成：

今天買下來或建立起來的機器智能基礎設施，會持續產生未來的智能時間服務流。

由此，企業的真正問題也從：

我今天要花多少 AI 費用？

轉變為：

我今天的 AI 支出，有多少只是消耗，有多少正在沉積成未來可以反覆動員的智能時間資本？

本文因此提出第二篇總命題：

\boxed{ \text{AI 時代的貨幣，正在從主要索取人類時間的媒介，} }

\boxed{ \text{擴張為可以購買、租賃、預付與資本化機器智能時間的制度接口。} }

下一篇將直接處理這種時間資本化對企業結構最明顯的後果：

當更多產能可以由算力、Agent 與智能資本提供時，企業的人數與產能為何開始系統性脫鉤？

參考文獻

EveMissLab 既有理論

Neo.K. 《貨幣的時間本質：從直接勞動到抽象時間的交換邏輯》. EveMissLab, 2026.
Neo.K with GPT-5.6 Thinking. 《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 with GPT-5.6. 《個體機構化：AI 增幅型單核複合機構與人數—產能脫鉤》v2.0. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《Agentic Organization 的時間經濟學：智能時間密度、委任槓桿與經濟沉積》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《算力資本的勞動化》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《經濟世界域轉化論》系列. EveMissLab, 2026.

外部文獻

Becker, Gary S. “A Theory of the Allocation of Time.” The Economic Journal, 1965.
Coase, Ronald H. “The Nature of the Firm.” Economica, 1937.
Solow, Robert M. “Technical Change and the Aggregate Production Function.” The Review of Economics and Statistics, 1957.
Acemoglu, Daron, and Pascual Restrepo. “The Race between Man and Machine.” American Economic Review, 2018.
Brynjolfsson, Erik, Danielle Li, and Lindsey R. Raymond. “Generative AI at Work.” NBER Working Paper 31161, 2023.
Zhu, Siqi. “Who Prices Cognitive Labor in the Age of Agents? Compute-Anchored Wages.” arXiv:2605.05558, 2026.
Lee, Sangseng. “The AI Production Function: Code Capital, Context Capital, and Computational Labor.” SSRN, 2026.

附錄 A：核心符號表

符號	定義
$M$	貨幣投入
$\mathcal I_P$	可購買智能
$T_H$	人類生命／工作時間
$T_M$	機器運算時間
$T_G$	人類治理時間
$t_W$	世界曆時
$\rho_{\mathrm{intel}}$	智能時間密度
$p_I^{(d)}$	任務域 $d$ 的有效智能價格
$K_C$	算力資本
$K_M$	模型資本
$K_X$	上下文與知識資本
$K_V$	驗證資本
$K_W$	工作流資本
$K_O$	組織資本
$K_{\mathrm{AI-time}}$	AI 時間資本向量
$\kappa_T$	時間資本化率
$W_D$	委任窗口
$\Lambda_D$	委任槓桿
$S_I$	智能主權
$\Omega$	可行集合

附錄 B：AI 支出是否形成時間資本的判斷表

一筆 AI 支出若符合越多下列條件，就越接近資本形成而非純消耗：

是否形成可重用 workflow？
是否形成可重用資料？
是否形成可重用模型或 LoRA？
是否形成可重用驗證器？
是否降低下一輪人類治理時間？
是否降低下一輪 API / compute 成本？
是否增加下一輪可平行工作量？
是否提高 Agent 委任窗口？
是否提高輸出一致性？
是否降低錯誤率？
是否提高版本可重現性？
是否形成知識庫或記憶？
是否提高本地 fallback 能力？
是否降低單一供應者依賴？
是否擴張未來可行集合？

若一筆支出只產生單次產出，且上述效果近似為零，則：

\kappa_T \approx 0.

若一筆投入持續降低未來時間索取並提高可動員智能能力，則：

\kappa_T > 0.

這提供一個最小實務判準：

\boxed{ \text{真正的 AI 資本，不是今天用了多少 AI，} }

\boxed{ \text{而是今天的投入讓明天能否以更低時間成本做更多事情。} }