智能時間價格與算力錨定工資

從 AI 智能產能價格、任務替代與驗證成本，到人類認知勞動的新價格邊界

英文題名： The Price of Intelligent Time and Compute-Anchored Wages: From AI Capacity Pricing and Task Substitution to New Boundaries on Human Cognitive Labor
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： 07 / 08
文件編號： EML-CLATE-2026-07
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／勞動經濟學／AI 價格形成
直接前置： CLATE-01《算力資本的勞動化》；CLATE-02《可購買智能與時間資本化》；CLATE-03《人數—產能脫鉤 2.0》；CLATE-05《算力資本深化與企業邊界重構》；CLATE-06《算力租賃與新型智能勞動市場》
上位接口： 《經濟世界域轉化論》（EWDT）之價格、供需、轉化能力、微觀世界域與 AI 世界域
狀態： Public Theory Draft

摘要

人工智慧進入勞動市場的常見敘事是「AI 供給幾乎可以無限複製，因此人類認知工作的工資將被壓低」。這個直覺抓到一部分結果，卻混淆了真正的供給機制。AI Agent 本身不是一個無資源成本的勞動供給來源；每一單位有效 AI 工作仍需要算力、模型、記憶、工具、驗證、能源、網路與治理。更準確的結構是：算力資本經由模型與 Agent 生產技術被轉換為有效智能工作，而其市場價格進一步對可替代的人類認知任務形成競爭性價格約束。

本文以「智能時間價格」為核心，把 CLATE-06 的智能產能市場推進到勞動價格形成。對任務域 $d$ ，本文定義品質、驗證與風險調整後的 AI 智能價格：

\boxed{ p_I^{(d)} = \frac{ r_C k_d + c_M^{(d)} + c_T^{(d)} + c_V^{(d)} + c_G^{(d)} + c_R^{(d)} }{ q_A^{(d)} }. }

其中 $r_C$ 為算力租金， $k_d$ 為產生一單位任務域有效 AI 工作所需的算力強度， $c_M$ 為模型與服務成本， $c_T$ 為工具與資料成本， $c_V$ 為驗證成本， $c_G$ 為治理與合規成本， $c_R$ 為風險成本， $q_A$ 為最終可接受成果比例。此式的核心含義是：人類認知勞動的潛在 AI 替代價格並不等於 token 單價，也不等於 GPU 租金，而是完整 AI 生產鏈在「可接受成果」層級的有效成本。

本文承接 Zhu（2026）的 Compute-Anchored Wage 機制。其核心修正是：Agent 不是 labor，而是把 compute capital 轉成 effective cognitive labor 的生產技術。在高替代、競爭性任務中，人類工資可能受到 AI 等價產出的成本約束。本文將其擴展為任務相對的「算力錨定工資區間」：

\boxed{ w_H^{(d)} \lesssim \lambda_d p_I^{(d)} + \Pi_H^{(d)}, }

其中 $\lambda_d$ 表示人類相對於 AI 的任務生產力轉換係數， $\Pi_H^{(d)}$ 表示只有人類或人類參與才能提供的責任、社會信任、具身能力、關係連續性、制度正當性、特殊創造力或其他不可完全替代溢價。當 $\Pi_H^{(d)}$ 接近零、替代彈性高且 AI 可隨時採購時，算力與 AI 智能價格的錨定作用最強；當 AI 與人類互補、驗證困難、責任不可轉移或人類參與本身是產品價值的一部分時，這個價格錨可能很弱。

本文因此拒絕「AI 價格下降必然造成所有工資下降」的單向命題。AI 可以同時產生自動化、增幅、技能門檻下降、新任務生成與需求反彈。2026 年的 task-based 研究亦顯示，AI simplification 可能使較低技能工作者進入原本不可達職務；pro-worker AI 理論則強調新任務與人類專業互補可以提高勞動需求。本文將這些效果統一為「任務價格轉化矩陣」：AI 對工資的方向，首先取決於一個人的工作組合中哪些 task 被替代、哪些被增幅、哪些被重新分配，以及哪些新 task 被創造。

本文進一步提出「智能時間價格指數」、「算力價格傳導率」、「工資錨定強度」、「人類不可替代溢價」與「任務暴露係數」等可實證概念。當智能產能市場成熟後，企業招募人類時會逐漸隱性比較：

\text{Hire Human Cost} \quad \text{vs} \quad \text{Equivalent AI Capacity Cost}.

因此，AI 時代的人類認知工資不再只由人類之間的勞動供需形成，而會在部分任務上受到算力市場、模型效率與驗證技術的間接定價。

本文最終主張：真正被「算力錨定」的不是人的價值，而是某一可替代任務之市場價格。工資只是個人所攜帶多個 task、責任、關係與不可替代能力的組合價格。理解這一點，是在 AI 時代分析工資、職業、技能投資與收入分配時避免概念錯誤的前提。

關鍵詞： 算力錨定工資、智能時間價格、認知勞動、AI 替代、任務經濟學、算力租金、驗證成本、人類溢價、智能產能市場、工資形成

0. 研究定位與非主張

本文不主張：

人類價值等於工資；
人類工資等於 GPU 價格；
token 價格直接決定工資；
所有工作都能被 AI 替代；
AI 價格下降必然使所有工資下降；
Agent 是法律或本體意義上的勞工；
所有認知工作具有相同算力強度；
所有企業都能無摩擦採用 AI；
驗證成本可以忽略；
責任成本可以完全轉移給 AI；
高算力供給必然形成完全競爭；
勞動市場會瞬間調整；
職業可以被單一 task 代表；
AI 增幅效果可以忽略；
本文已提供完整一般均衡工資預測模型。

本文真正研究的是：

\boxed{ \text{在可被 AI 高度替代的任務上，AI 等價產出的有效成本如何成為人類工資的競爭性價格錨。} }

1. 先區分「人的價值」與「任務價格」

市場工資：

w_H

不是：

\text{HumanWorth}.

工資是一種制度、市場與契約價格。

因此：

\boxed{ \text{Wage} \neq \text{Moral Worth}. }

同理，某個 AI 服務價格：

p_I

也不代表 AI 的任何人格價值。

本文只處理：

同一經濟任務可以由不同生產技術完成時，價格如何互相約束。

2. 2026 年的關鍵修正：Agents are not labor

Zhu（2026）提出一個非常重要的修正：

\boxed{ \text{Agents are not labor.} }

更精確地：

\boxed{ K_C \xrightarrow{\text{AI production technology}} L_A. }

即 Agent 是把算力資本 $K_C$ 轉成有效認知工作 $L_A$ 的生產技術。

所以 AI 認知供給的彈性來源並不是：

可以免費 copy 一個 Agent。

而是：

可以增加算力、提高模型效率，並在同一軟體生產技術上啟動更多 Agent runtime。

因此工資價格錨從：

\text{agent copy cost}

移向：

\boxed{ \text{compute capital rental cost}. }

3. Zhu 的基本 Compute-Anchored Wage

在其最基本的高替代設定中，可以概括為：

\boxed{ w_H \le \lambda k r_C. }

其中：

$w_H$ ：競爭性人類認知工資；
$r_C$ ：算力資本租金；
$k$ ：產生一單位有效 agent cognitive labor 所需算力；
$\lambda$ ：人類相對於 Agent 的生產力轉換。

這不是：

w_H = \text{GPUPrice}.

而是：

如果企業可以用成本 $\lambda k r_C$ 取得等價 AI 產出，它不會長期為完全可替代的人類產出支付任意更高價格。

4. 本文的第一個擴展：完整智能成本

真實企業 AI 成本不是只有：

r_C k.

還包括：

模型供應商；
tool；
data；
verification；
governance；
risk。

所以本文定義：

\boxed{ c_{AI}^{(d)} = r_C k_d + c_M^{(d)} + c_T^{(d)} + c_V^{(d)} + c_G^{(d)} + c_R^{(d)}. }

這是任務 $d$ 的 AI 生產總成本。

5. 第二個擴展：接受率

如果生成：

100

次只有：

50

次可接受，

則不能把總成本除以 100 個有效產出。

定義：

q_A^{(d)} = \frac{ N_{\mathrm{accepted}}^{(d)} }{ N_{\mathrm{attempted}}^{(d)} }.

因此：

\boxed{ p_I^{(d)} = \frac{ c_{AI}^{(d)} }{ q_A^{(d)} }. }

這才是品質調整智能價格。

6. 智能時間價格

如果一個任務域中：

W_{\mathrm{eff}}^{(d)}

表示品質調整後有效智能工作，

則：

\boxed{ p_T^{I,(d)} = \frac{ C_{\mathrm{AI,total}}^{(d)} }{ W_{\mathrm{eff}}^{(d)} }. }

本文稱之為：

智能時間價格

它不是每 token 價格。

而是：

一單位真正可用的智能工作，市場需要付多少資源？

7. 為什麼叫「時間」價格？

因為 CLATE-02 已指出：

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

企業購買的並不是抽象 token，而是：

\boxed{ \text{machine-mediated intelligent time}. }

智能時間價格衡量：

把一部分世界曆時填入有效智能過程，需要多少成本？

8. 智能時間價格的六個組成

可以寫成：

\boxed{ p_T^I = p_C + p_M + p_X + p_V + p_G + p_R. }

其中：

$p_C$ ：算力；
$p_M$ ：模型／軟體；
$p_X$ ：資料與 context；
$p_V$ ：驗證；
$p_G$ ：治理；
$p_R$ ：風險。

不同任務權重不同。

9. 計算密集任務

例如影片生成：

p_C

占比可能很高。

所以：

\frac{ \partial p_I }{ \partial r_C }

較高。

10. 驗證密集任務

例如：

法律；
高風險研究；
醫療支援；

可能：

p_V+p_G+p_R \gg p_C.

因此即使算力價格下降：

p_I

也不會同比下降。

11. 工具密集任務

某些 Agent 需要：

搜尋；
SaaS；
database；
licensed data。

此時：

p_T

顯著。

所以 AI 智能不是純算力商品。

12. 算力價格傳導率

定義：

\boxed{ \theta_C^{(d)} = \frac{ \partial\ln p_I^{(d)} }{ \partial\ln r_C }. }

$\theta_C$ 表示：

算力租金下降 $1\%$ ，任務 AI 智能價格下降多少？

若：

\theta_C\approx1,

算力高度主導。

若：

\theta_C\approx0,

其他成本主導。

13. 模型效率也會改變價格

如果：

k_d \downarrow,

則即使：

r_C

不變，

p_I^{(d)} \downarrow

可能成立。

所以：

\boxed{ \text{Compute Price} \neq \text{Compute Cost per Task}. }

14. Test-Time Compute 的反方向效應

更強 reasoning model 可能使用：

k_d\uparrow.

如果能力提高幅度大於成本：

Q_A\uparrow\uparrow,

則品質調整價格仍可能下降。

因此：

\boxed{ \text{More Compute per Task} \not\Rightarrow \text{Higher Effective Intelligence Price}. }

15. 工資比較必須在 task 層

一個職業：

Occupation_o

不是一個 task。

令：

\mathcal T_o = \left\{ d_1,d_2,\ldots,d_n \right\}.

每個 task 有不同：

\sigma_{H,AI}^{(d)}.

所以：

\boxed{ \text{Occupation Exposure} \neq \text{One Binary Automation Flag}. }

16. 任務權重

令：

s_d

為 task $d$ 在職業中的時間／價值比重。

滿足：

\sum_d s_d=1.

因此職業的 AI 價格壓力來自：

\left\{ s_d, \sigma_{H,AI}^{(d)}, p_I^{(d)} \right\}.

17. 任務替代係數

定義概念性：

\boxed{ \alpha_d \in[0,1]. }

若：

\alpha_d=1,

AI 幾乎可完全替代。

若：

\alpha_d=0,

AI 幾乎不可替代。

18. 任務增幅係數

同時定義：

\boxed{ \beta_d\ge0. }

表示 AI 對人類 task productivity 的增幅程度。

因此同一 task 可以同時具有：

\alpha_d>0, \qquad \beta_d>0.

也就是：

一部分被自動化，一部分被增幅。

19. 任務新生係數

再定義：

\boxed{ \nu_d }

表示 AI 是否創造新的 task demand。

例如：

AI QA；
Agent governance；
synthetic-data curation；
prompt / workflow design；
AI audit。

所以：

\boxed{ AI \neq \text{Automation Only}. }

20. 工資效果的三分解

對一個職業：

\boxed{ \Delta w = \Delta w_{sub} + \Delta w_{aug} + \Delta w_{new}. }

其中：

$\Delta w_{sub}$ ：替代效果；
$\Delta w_{aug}$ ：增幅效果；
$\Delta w_{new}$ ：新任務效果。

方向不必相同。

21. 高替代任務的價格錨

若：

\alpha_d\rightarrow1,

且 AI 市場足夠成熟，

人類 task 價格：

w_H^{(d)}

將受到：

p_I^{(d)}

約束。

本文寫成：

\boxed{ w_H^{(d)} \lesssim \lambda_d p_I^{(d)} + \Pi_H^{(d)}. }

22. 人類不可替代溢價

$\Pi_H^{(d)}$ 可以包括：

\boxed{ \Pi_H^{(d)} = \Pi_{resp} + \Pi_{trust} + \Pi_{body} + \Pi_{social} + \Pi_{creative} + \Pi_{legitimacy}. }

分別表示：

責任；
信任；
具身；
社會關係；
特殊創造；
制度正當性。

23. 如果人類參與本身就是產品

例如：

心理陪伴；
高階顧問；
表演；
手工藝；
某些教育；

消費者可能重視：

\text{HumanOrigin}.

此時：

\Pi_H

很高。

AI 價格錨弱。

24. 責任溢價

企業可能需要：

\text{HumanSignature}.

即使 AI 已完成大部分工作。

所以：

\boxed{ \text{Execution Substitution} \neq \text{Responsibility Substitution}. }

25. 具身溢價

若 task 需要：

現場；
物理操作；
即時感測；

純數位 AI：

\alpha_d

較低。

除非 robotics 同步成熟。

26. 社會信任溢價

客戶可能願意支付：

\Pi_{trust}>0

取得：

reputation；
relationship；
accountability。

27. 法律溢價

法律可能要求：

\text{LicensedHuman}.

所以即使 AI 技術可做：

Authority_{AI}=0.

此時價格錨被制度阻隔。

28. 算力錨定強度

定義：

\boxed{ A_C^{(d)} = \alpha_d \cdot m_d \cdot v_d \cdot a_d \cdot \left( 1-\ell_d \right). }

其中：

$\alpha_d$ ：技術替代性；
$m_d$ ：市場可取得性；
$v_d$ ：可驗證性；
$a_d$ ：企業採用可行性；
$\ell_d$ ：法律／制度阻隔。

$A_C^{(d)}$ 越高，算力錨定越強。

29. 強錨定任務

理想化條件：

A_C^{(d)} \rightarrow1.

例如：

可自動驗證；
純數位；
標準化；
API 可立即取得；
低責任差異。

此類 task 最容易接近算力價格。

30. 弱錨定任務

若：

A_C^{(d)} \rightarrow0,

算力價格即使下降，也不直接決定工資。

例如：

高信任；
高實體；
高責任；
強制度限制。

31. 工資錨不是瞬間工資

即使：

p_I\downarrow,

人類工資也可能因：

contract；
minimum wage；
shortage；
bargaining；
firm-specific capital；

延遲調整。

因此：

\boxed{ \text{Price Anchor} \neq \text{Instantaneous Wage}. }

32. 工資調整速度

定義：

\boxed{ \phi_w = \text{wage adjustment rate}. }

如果：

\phi_w\ll1,

市場可長時間偏離新的 AI 成本錨。

33. Hiring Margin 先調整

企業通常先改變：

\text{NewHiring}.

而不是立刻調降所有既有薪資。

所以 AI 影響可能先出現在：

entry-level openings；
junior hiring；
contractor demand。

2026 AI Index 的勞動市場整理亦顯示，AI 暴露職業的年輕工作者與招聘管道已較早出現變化，而總體就業尚未顯示同等幅度的大規模衝擊。

34. 工資與就業的調整不同

企業可以：

Hiring\downarrow

而：

Wage_{incumbent} \approx \text{constant}.

所以：

\boxed{ \text{LaborDemandShock} \neq \text{ImmediateWageCut}. }

35. 新人最先面對 AI 比較

新人缺乏：

firm-specific knowledge；
reputation；
client relationships。

所以：

\Pi_H^{entry}

可能較低。

因此 entry-level task 更容易被 AI 價格比較。

36. 資深者的組織資本

資深工作者擁有：

K_{org,H}.

例如：

internal context；
tacit knowledge；
trust；
authority。

因此：

\Pi_H^{senior}>0.

可延緩替代。

37. 但 AI 會吃掉資深知識壁壘嗎？

如果企業把 tacit knowledge：

\text{Tacit} \rightarrow \text{Explicit} \rightarrow \text{AIContext},

則：

\Pi_H^{senior}

可能下降。

所以組織知識形式化會重寫工資結構。

38. 人類專業溢價可以轉成治理溢價

當 AI 執行更多工作，

專家可能從：

\text{Execution}

轉向：

\text{Verification}, \text{Governance}, \text{Exception}.

所以：

\boxed{ \Pi_{expert} \text{ can migrate rather than disappear}. }

39. AI 增幅可以提高工資

若：

\beta_d\gg\alpha_d,

AI 主要提高人類 output。

則：

MP_H\uparrow.

在競爭市場：

w_H\uparrow

可能成立。

因此：

\boxed{ AI Price Decline \not\Rightarrow Universal Wage Decline. }

40. Task-Specific Technical Change

Althoff 與 Reichardt（2026）使用 task-based 動態模型，將 AI 區分為：

augment；
automate；
simplify。

其結果顯示，在其估計情境中，simplification 可以降低部分工作的技能門檻，使較低技能工作者進入原本不可達的工作，並可能提高平均工資、縮小工資不平等。

這提醒：

\boxed{ \text{Task Requirement Change} }

和：

\text{Task Replacement}

必須分開。

41. 技能簡化

如果 AI 使：

SkillRequirement_d\downarrow,

更多人可以執行 task。

則人類供給：

S_H^{(d)}\uparrow.

即使 AI 不直接替代，

工資仍可能受供給增加影響。

42. 技能升級

另一類工作需要：

\text{AIManagementSkill}.

因此：

SkillRequirement\uparrow

也可能成立。

AI 不是單一去技能化。

43. Pro-Worker AI

Acemoglu、Autor 與 Johnson（2026）區分：

labor-augmenting；
capital-augmenting；
automating；
expertise-leveling；
new-task-creating。

其中新任務創造最明確增加人類專業需求。

因此本文將：

\nu_d

保留為工資分析的一級變量。

44. 新任務價格

若 AI 創造：

d_{new},

且：

Supply_H^{new}

稀缺，

則：

w_H^{new}\uparrow.

所以 AI 可以同時：

壓低舊 task 價格；
拉高新 task 價格。

45. 職業不是消失／存在二元

更合理：

Occupation_t = \left\{ d_1,d_2,\ldots,d_n \right\}.

AI 後：

Occupation_{t+1} = \left\{ d_1',d_2',\ldots,d_m' \right\}.

職業內容會重組。

46. Task Rebundling

CLATE-05 已指出：

\text{TaskBoundary} \leftrightarrow \text{FirmBoundary}.

工資同樣受到 task rebundling 影響。

原本一份工作：

A+B+C+D.

AI 自動化：

B,C.

人類工作變成：

A+D+E.

所以：

w_{old}

不能直接對應：

w_{new}.

47. 人類工作重新組合價值

如果剩下的 task：

A,D,E

更高價值，

即使總工時下降：

w_H

仍可能提高。

因此：

\boxed{ Hours\downarrow \not\Rightarrow WageRate\downarrow. }

48. 但總收入可能仍下降

若：

\text{Hours}

下降幅度大於：

\text{WageRate}

上升，

則：

Income\downarrow.

所以要區分：

\boxed{ \text{WageRate} \neq \text{LaborIncome}. }

49. 工資率、工作量與收入三分

Income_H = w_H T_H.

AI 可同時改變：

w_H

與：

T_H.

因此只看 hourly wage 不足。

50. 智能時間價格指數

沿用 CLATE-06：

\boxed{ IIPI_t = \sum_d \omega_d p_I^{(d)}(t). }

本文將其正式命名為：

Intelligent-Time Price Index

中文：

智能時間價格指數

51. 指數下降的意義

若：

IIPI_t\downarrow,

表示標準任務組合的 AI 智能時間價格下降。

這可能稱為：

\boxed{ \text{Intelligent-Time Deflation}. }

52. 智能時間通縮

它表示：

同樣貨幣可以購買更多品質調整後 AI 智能工作。

不是一般 CPI 通縮。

所以：

\boxed{ \text{ITDeflation} \neq \text{GeneralDeflation}. }

53. 工資錨定指數

對職業 $o$ ：

\boxed{ CAWI_o = \sum_{d\in\mathcal T_o} s_d A_C^{(d)}. }

稱為：

Compute-Anchoring Wage Index

$CAWI_o$ 越高，該職業越容易受到 AI 智能價格變動約束。

54. 為什麼不是「AI Exposure Index」？

Exposure 只問：

AI 能不能做？

CAWI 還問：

市場能不能買到？
能不能驗證？
法律允不允許？
人類有沒有不可替代溢價？

所以：

\boxed{ \text{CapabilityExposure} \neq \text{PriceAnchoring}. }

55. 生產率轉換係數

令：

\lambda_d = \frac{ Y_H^{(d)} }{ Y_{AI}^{(d)} }

作為人類相對 AI 等價單位轉換。

若：

\lambda_d=2,

一單位人類工作相當於兩單位 AI 工作。

因此 AI 等價成本：

\lambda_d p_I^{(d)}.

56. 人類工資價格帶

更實務地：

\boxed{ w_H^{(d)} \in \left[ w_{\min}^{institution}, \; \lambda_d p_I^{(d)} + \Pi_H^{(d)} + B_d \right] }

其中：

$w_{\min}^{institution}$ ：制度／契約下限；
$B_d$ ：短缺、議價、品牌等市場溢價。

不是一個精確閉式解。

而是價格帶。

57. 工資錨會移動

如果：

r_C\downarrow,

k_d\downarrow,

q_A\uparrow,

則：

p_I^{(d)}\downarrow.

高錨定 task 的工資上界壓力下降。

58. 反過來算力短缺會提高 AI 替代成本

若：

r_C\uparrow,

AI 變貴。

因此：

\boxed{ \text{ComputeScarcity} \rightarrow \text{WeakerAutomationPressure}. }

可能成立。

59. 能源價格傳導

若 GPU 運行高度受電價影響：

EnergyPrice\uparrow \rightarrow r_C\uparrow.

進一步：

p_I\uparrow.

因此能源市場可能間接影響認知勞動價格。

60. 晶片供應傳導

若先進晶片短缺：

K_C^{supply}\downarrow,

租金：

r_C\uparrow.

也可能提高 AI 智能價格。

所以：

\boxed{ \text{Cognitive labor pricing can inherit physical bottlenecks}. }

61. 這是 AI 經濟最反直覺的一點之一

表面上：

\text{CognitiveWork}

是數位活動。

但底層價格錨可能來自：

\boxed{ \text{Chip} + \text{Datacenter} + \text{Electricity}. }

所以認知工作第一次大規模被物理計算資本直接定價。

62. 算力價格與工資的傳導鏈

可寫：

\boxed{ r_C \rightarrow p_I^{(d)} \rightarrow w_H^{(d)} }

但中間受到：

\alpha_d, \Pi_H, \text{Law}, \text{Demand}, \text{Bargaining}

調節。

63. 傳導係數

定義：

\boxed{ \tau_{C\rightarrow W}^{(d)} = \frac{ \partial\ln w_H^{(d)} }{ \partial\ln r_C }. }

高錨定 task：

\tau_{C\rightarrow W}

絕對值較高。

低錨定 task 接近零。

64. 動態傳導

更合理：

w_{t+1} = w_t + \phi_w \left( w_t^\ast-w_t \right).

其中：

w_t^\ast

為新的 task equilibrium wage。

$\phi_w$ 控制調整速度。

65. 工會與議價

即使 AI 替代價格很低，

如果：

BargainingPower_H\uparrow,

人類工資可高於純技術成本錨。

所以：

\boxed{ \text{Technology} \neq \text{Institution}. }

66. 最低工資與規範

制度可以設定：

w_H\ge w_{\min}.

因此市場不會自動落到 AI 成本。

但企業可能改變：

\text{EmploymentQuantity}.

所以制度影響價格與數量的分配。

67. 企業內部工資與市場工資

員工可能擁有：

\text{FirmSpecificCapital}.

因此：

w_{internal} > w_{external\ task}.

這是正常的。

AI task market 更可能先壓：

contractor；
freelance；
entry-level standardized work。

68. 自由工作市場的先行效應

如果 task 容易拆分：

\text{FreelanceTask}

與 AI 直接競爭。

所以：

CAWI_{freelance}

可能較高。

69. 企業家工資不容易定義

創辦人收入包括：

wage；
equity；
residual claim；
option value。

因此 AI 使一人公司能力上升：

C_{\mathrm{eff}}\uparrow

不一定表現為：

wage\uparrow.

可能表現在：

\text{Profit}, \text{EquityValue}.

70. AI 對資本與勞動分配的影響

如果更多產出由：

K_C

生成，

收入可能向：

\text{ComputeOwner}

移動。

這是 Zhu 與 Restrepo 類型模型的重要結果方向。

但實際比例取決於：

competition；
compute supply；
ownership；
complementarity。

71. Restrepo 的極端情境

Restrepo 在 2026 出版的 We Won't Be Missed 討論一個更強的 AGI 極限：若所有經濟上重要工作都可以用 compute 完成，工資將朝「重現人類工作所需計算資源的機會成本」收斂。

本文不把這個極端情境當成 2026 現況。

但它提供一個理論極限：

\boxed{ \text{Full Substitutability} \rightarrow \text{Compute Opportunity-Cost Wage Anchor}. }

72. 現在離極限還很遠

2026 AI Index 顯示：

Agent 在 structured benchmark 上仍有顯著失敗率；
多數企業功能中的 Agent deployment 仍在個位數百分比；
生產力增益集中於結構化、可監控工作。

所以：

\boxed{ A_C^{(d)} }

目前高度 task-specific。

不能把 AGI 極限直接套到全勞動市場。

73. 數學、程式與標準知識工作

這類 task：

純數位；
可測試；
可 benchmark；
可平行；

因此：

A_C

相對容易提高。

但高階研究的：

問題選擇；
理論價值；
新表示；

仍可能具高：

\Pi_H.

74. 圖像與設計

生成成本下降非常快。

但：

\text{AudienceFit}, \text{ArtDirection}, \text{BrandIdentity}

仍需要額外價值。

因此：

\boxed{ \text{Image Generation Price} \neq \text{Art Direction Price}. }

75. 影音

AI 可降低：

script；
voice；
edit；
visual。

但內容的：

attention；
taste；
distribution；

可能成為更稀缺能力。

所以價格壓力會遷移。

76. 瓶頸遷移與工資遷移

當：

ExecutionCost\downarrow,

價值可能移向：

\text{Selection}, \text{Verification}, \text{Distribution}, \text{Trust}.

因此：

\boxed{ \text{Wage Pressure} \rightarrow \text{Skill Reallocation}. }

77. 「會做」的價格下降，「知道做什麼」的價格可能上升

若 AI 能便宜完成 execution，

則：

p_{execution}\downarrow.

而：

p_{problem\ selection}

可能相對上升。

這不是必然，但具有強理論合理性。

78. 意圖稀缺

Agent 越多：

ExecutionAbundance\uparrow.

但高價值：

\text{Intent}, \text{Taste}, \text{Judgment}

未必同步增加。

所以：

\boxed{ \text{Intent Scarcity} }

可能成為新的勞動價格來源。

79. 驗證稀缺

同樣：

Generation\uparrow\uparrow

會提高：

\text{VerificationDemand}.

所以 verifier wage：

w_V

可能上升。

80. 信任稀缺

AI 內容爆炸後：

\text{TrustworthySource}

更稀缺。

所以：

\Pi_{trust}\uparrow

可能成立。

81. 注意力稀缺

內容供給：

ContentSupply\uparrow\uparrow.

但：

\text{HumanAttention}

有限。

所以創作者工資可能更多由：

\text{AttentionCapture}

決定，而不是 production cost。

82. 工資錨的轉移，不是全部工資壓低

更準確：

\boxed{ \text{AI changes what sets the marginal price of different tasks}. }

某些 task：

\text{Compute}

定價。

某些：

\text{HumanScarcity}

定價。

某些：

\text{Complementarity}

定價。

83. 工資形成的混合模型

對 task $d$ ：

\boxed{ w_H^{(d)} = F \left( p_I^{(d)}, \Pi_H^{(d)}, D_d, S_H^{(d)}, B_H, \text{Law}, K_{org} \right). }

AI 智能價格只是其中一個變量。

84. 職業工資是 task 價格聚合

可以寫：

\boxed{ w_o = \mathcal A \left( \left\{ s_d w_H^{(d)} \right\}_{d\in\mathcal T_o} \right). }

$\mathcal A$ 是職業內部的 task 聚合與議價機制。

不是簡單平均。

85. 人類時間影子價格

對個人：

p_{T,H}

表示其有限生命／工作時間的影子價格。

AI 使：

T_H^{routine}\downarrow

可能讓人把時間移到：

T_H^{high-value}.

所以工資壓力與時間自由可以同時改善或惡化。

86. AI 時間槓桿與工資

如果人類使用 AI 後：

MP_H\uparrow,

且收益能被勞工取得，

則：

w_H\uparrow.

若收益主要被資本方取得，

則：

w_H

未必同步提高。

所以分配制度很重要。

87. Productive Surplus

AI 創造：

\Delta Y_{AI}>0.

分配到：

\text{Labor}, \text{Capital}, \text{Consumer}.

比例不是技術自動決定。

因此：

\boxed{ \text{ProductivityGain} \neq \text{WorkerIncomeGain}. }

88. 消費者剩餘

智能時間價格下降也可能：

ConsumerSurplus\uparrow.

即使工資沒有提高。

所以 AI 社會福利不能只看工資。

89. 但是工資仍是政治經濟核心

因為人類：

Income_H

影響：

housing；
healthcare；
consumption；
bargaining。

所以 AI 生產力與收入分配不能混為一談。

90. 本系列的中性分析邊界

本文不提出：

應禁止 AI；
應補貼 AI；
應提高或降低某職業工資；

而是提出：

\boxed{ \text{pricing mechanism}. }

制度選擇需另行研究。

91. 智能時間價格與本地 AI

企業若自有 GPU，

其影子 AI 價格：

p_I^{local}

可以低於公開 API。

所以內部的人類 task 可能先受到：

\text{InternalComputeCost}

錨定。

92. 公開市場價格不一定是企業真實 AI 價格

大型企業：

p_I^{enterprise} < p_I^{retail}

可能成立。

因為：

self-host；
volume discount；
custom hardware。

所以 AI 工資壓力具有企業異質性。

93. 小企業反而可利用前沿 API

小企業雖沒有：

K_C^{large},

但可以：

\text{RentIntelligence}.

所以：

p_I^{small}

不必極高。

這降低技術門檻。

94. 地區差異

如果某地區：

API 不可用；
電力昂貴；
網路差；

則：

p_I^{region}\uparrow.

所以工資錨定不是全球同步。

95. 語言差異

低資源語言可能：

Q_A^{language}\downarrow.

因此：

p_I^{language}\uparrow.

人類語言專業者的替代壓力較低。

隨模型改善再變化。

96. 專業資料差異

需要 proprietary data 的 task：

c_X\uparrow.

若企業沒有資料，

AI 替代成本提高。

所以資料所有權也影響工資錨。

97. 工資錨定與資料資本

若 AI：

\text{Model} + \text{ProprietaryData}

才能替代人，

則：

\boxed{ \text{Data Capital} }

也是人類工資價格錨的一部分。

98. 智能價格下降的極限

即使：

r_C\rightarrow0,

仍可能有：

p_I > 0

因為：

verification；
tool；
risk；
scarcity of data。

所以工資不必收斂到零。

99. 若驗證也被 AI 自動化

若：

c_V\downarrow,

則：

p_I\downarrow

進一步。

因此：

\boxed{ \text{Automation of Verification} }

可能比單純生成進步更重要。

100. Proof Certificate 與價格

程式、數學等若附：

\text{Certificate},

可使：

c_V\downarrow.

因此證明／驗證基礎設施具有：

\boxed{ \text{Labor-Market Pricing Relevance}. }

它降低 AI 等價產出的可信成本。

101. AI 工資壓力的真正前沿

不是：

AI 會不會生成？

而是：

\boxed{ \text{AI output can be cheaply verified and safely committed?} }

一旦答案為是，價格錨大幅增強。

102. 經驗驗證需要哪些資料？

至少需要：

task-level human wage；
AI cost；
compute price；
compute intensity；
acceptance rate；
verification cost；
latency；
substitution elasticity；
AI adoption；
hiring；
worker tenure；
productivity；
legal restrictions；
human premium；
task mix changes。

103. 不能只用職業分類

因為同一職業：

Occupation_o

內 task 暴露差異大。

所以需要：

\boxed{ \text{task-level panel data}. }

104. 最適實證單位

本文建議：

\boxed{ \text{Worker} \times \text{Task} \times \text{Firm} \times \text{Time}. }

四維 panel。

105. 智能價格歷史資料

同時記錄：

p_I^{(d)}(t).

這樣可以測：

\Delta p_I \rightarrow \Delta w_H.

106. 因果識別難點

AI 價格下降可能同時：

提高需求；
改變產品；
改變企業進入。

所以不能只做簡單相關。

需要：

natural experiment；
provider price change；
capacity shock；
model release；
regional access change。

107. 算力 shock

如果 GPU 租金突然下降，

可觀察：

\Delta r_C<0.

再看高 $CAWI$ task 的：

\text{Hiring}, \text{Wage}, \text{Hours}.

這是可驗證方向。

108. 模型 release shock

新模型使：

q_A\uparrow,

可觀察：

p_I\downarrow.

再追蹤 exposed task。

109. 驗證工具 shock

若新的 verifier：

c_V\downarrow,

高可驗證 task 的 AI 採用可能上升。

這也可以實證。

110. 算力錨定不只對工資

還可能影響：

contractor rate；
outsourcing price；
consulting price；
content price；
software price。

因此：

\boxed{ \text{Compute Anchoring} }

是一個更廣義的認知服務價格現象。

111. 認知商品價格先於工資受影響

企業可能先看到：

FreelancePrice\downarrow,

ServicePrice\downarrow,

再看到：

\text{Wage}.

因為商品市場調整更快。

112. 智能服務商品化

當：

p_I\downarrow

且品質收斂，

某些服務進入：

\text{CommodityStage}.

此時人類價格需要：

\text{Differentiation}.

才能維持溢價。

113. 差異化來源

包括：

brand；
trust；
bespoke judgment；
locality；
relationship；
human authenticity。

這些形成：

\Pi_H.

114. 高階人類工作可能更像 luxury / trust good

當 AI 可以完成基礎工作，

人類專家可能變成：

\boxed{ \text{premium trusted service}. }

這不是所有職業都會發生，但可能是一條市場路徑。

115. AI 也可以降低高階服務價格

專家使用 AI：

Cost_H\downarrow.

即使專家保留溢價，

總服務價格仍可能下降。

所以消費者與專家都可能受益。

116. 工資與服務價格不完全相同

企業對外報價：

P_{service}

可以下降，

而員工工資：

w_H

不同比例下降。

因為：

margin；
productivity；
competition。

117. 長期均衡比短期更接近價格錨

短期：

\text{Contracts}, \text{Skills}, \text{Institutions}

使工資黏性高。

長期：

新人職業選擇；
firm redesign；
automation；

會逐步調整。

所以：

\boxed{ CAW \text{ is primarily a long-run competitive mechanism}. }

118. 人力資本投資會因價格錨改變

如果某 skill：

CAWI\uparrow,

預期收益：

R_{skill}\downarrow

可能成立。

人們可能轉向：

\text{LowAnchorSkills}.

119. 但低錨技能也會變

AI 能力持續進步。

所以：

CAWI_o(t)

是動態的。

教育不能只根據今天的 exposure。

120. 最穩健能力可能是「重構 task」

若人能：

define；
redesign；
integrate；

就不只是執行固定 task。

這種能力的：

\Pi_H

可能較高。

121. 問題選擇

AI 擅長 execution 後，

\boxed{ \text{Problem Selection} }

可能相對稀缺。

這與數學、研究、創業特別相關。

122. 世界建構

同理：

\boxed{ \text{World Construction} }

可能高於單一內容生成的價值。

因為它決定大量後續 projection。

123. 驗證與治理

另一個高價值方向：

\boxed{ \text{Verification} + \text{Governance}. }

當 AI 產出大量候選，

誰能確定它們可用？

這本身形成新 task demand。

124. 對 AI-native founder 的含義

AI-native founder 可以：

\text{RentIntelligence}

以低價格取得大量 execution。

其自身時間更多投入：

\text{Intent}, \text{Architecture}, \text{Verification}, \text{CapitalAllocation}.

這是人數—產能脫鉤與工資重構的微觀版本。

125. 對企業的直接決策式

企業比較：

C_H^{(d)}

與：

\lambda_d p_I^{(d)}.

但還需加入：

\Pi_H, \text{SwitchCost}, \text{Risk}, \text{Governance}.

因此：

\boxed{ \text{ChooseAI} \iff C_{AI}^{eff} < C_H^{eff}. }

不是：

\text{TokenCheap} \Rightarrow \text{ReplaceHuman}.

126. 對勞工的直接決策式

個人可以提高：

\Pi_H

或：

\beta_d

例如：

使用 AI；
建立 domain trust；
擔任 verifier；
掌握 proprietary context；
做高階整合。

這不是保證工資上升，而是降低純替代性。

127. 智能時間價格與時間主權

若 AI 降低：

T_H^{routine},

即使工資未提高，

個人可能取得：

TimeSovereignty\uparrow.

所以福利評估不應只看：

w.

128. 但收入風險仍真實

如果：

Hours\downarrow\uparrow?

總收入可能受損。

因此：

\boxed{ \text{TimeFreedom} \neq \text{IncomeSecurity}. }

兩者需要分開。

129. 與 EWDT 的接口：工資是世界投影

EWDT 中：

w_H

不是人類能力本體。

它是：

\boxed{ \pi_w(\mathfrak W_t) }

即特定制度、供需、能力、算力、法律與歷史下的價格投影。

所以：

\text{SameHuman}

在不同世界域：

w_A \neq w_B.

130. 算力加入世界狀態

當：

K_C\uparrow,

AI 轉化能力：

C_{AI}^{tr}\uparrow.

可行任務：

\Omega_{AI}\uparrow.

因此人類 task 的稀缺性被改寫。

這才是工資錨變化的 EWDT 本體解釋。

131. 稀缺性遷移

如果 execution 不再稀缺：

Scarcity_{execution}\downarrow.

稀缺可能遷移到：

\text{Intent}, \text{Trust}, \text{Verification}, \text{Distribution}.

所以：

\boxed{ AI \text{ does not eliminate scarcity; it relocates scarcity}. }

132. 價值遷移

工資也跟著：

\boxed{ \text{ValuePrice} \rightarrow \text{NewBottlenecks}. }

這是本篇與第八篇的重要橋樑。

133. 九個核心命題

命題一：非人格價格命題

\boxed{ \text{Wage} \neq \text{HumanWorth}. }

命題二：Agent 非勞動命題

\boxed{ \text{Agent} = \text{technology converting compute into effective cognitive work}. }

命題三：完整智能價格命題

\boxed{ p_I \neq r_C. }

智能價格需加入模型、工具、驗證、治理與風險。

命題四：任務相對錨定命題

\boxed{ CAW \text{ is task-specific}. }

命題五：替代—互補並存命題

\boxed{ \alpha_d>0 \quad\text{and}\quad \beta_d>0 }

可以同時成立。

命題六：價格錨非瞬時工資命題

\boxed{ \text{Anchor} \neq ObservedWage_t. }

命題七：物理底座命題

\boxed{ \text{Chip}, \text{Energy}, \text{Datacenter} \rightarrow \text{CognitiveServicePrice}. }

命題八：稀缺遷移命題

AI 降低某 task 稀缺性後，價值會向新的瓶頸遷移。

命題九：職業組合命題

\boxed{ \text{OccupationWage} = \text{price of a changing task bundle}. }

134. 可檢驗假說

H1：高錨定工資反應假說

高：

CAWI_o

職業的 entry-level hiring / wages 對：

p_I

下降應更敏感。

H2：驗證成本假說

高：

c_V

任務的工資錨定較弱。

H3：人類溢價假說

高：

\Pi_H

任務即使 AI 技術能力高，也維持較高人類服務價格。

H4：算力 shock 傳導假說

算力價格下降應優先降低高：

\theta_C

任務的 AI 等價成本。

H5：新人先行假說

AI 價格壓力應先在：

junior；
contractor；
freelance；

顯現。

H6：增幅工資假說

高：

\beta_d

低：

\alpha_d

職業的工資可以隨 AI 採用上升。

H7：驗證自動化二階效應

當 verifier 改善：

c_V\downarrow,

AI 對高風險 task 的價格錨定應增強。

135. 對企業的實務含義

企業不應只問：

AI 比員工便宜嗎？

而應問：

哪個 task 可被替代？
AI 的 accepted-output cost 是多少？
驗證要多少錢？
人類有什麼不可替代溢價？
法律責任誰承擔？
AI market 是否有足夠容量？
供應商中斷怎麼辦？
人類使用 AI 後是否反而更便宜？
新 task 是否增加？
執行成本下降後新的瓶頸在哪？

136. 對個人的實務含義

個人不應只看：

AI 能不能做我的工作？

更應拆：

\mathcal T_o.

問：

哪些 task 高錨定？
哪些 task 高人類溢價？
哪些 task 可被 AI 增幅？
哪些新 task 正在出現？
哪些企業 knowledge 可以形成組織溢價？
哪些能力在 AI 產出爆炸後反而更稀缺？

137. 理論限制

137.1 $L_{\mathrm{eff}}^{AI}$ 難以統一

不同 task 不可直接加總。

137.2 人類溢價難測

信任、品牌、責任具有非標準價格。

137.3 替代彈性會隨技術變

今天互補的 task 明天可能變替代。

137.4 市場有制度摩擦

不能假設完全競爭。

137.5 算力價格本身內生

AI 需求增加會反過來推升：

r_C.

137.6 新需求難預測

AI 降價可能創造大量目前不存在的工作。

138. 後續研究問題

如何建立全球智能時間價格指數？
如何估計 task-level $CAWI$ ？
哪些職業最先出現 compute anchoring？
算力價格 shock 如何傳導到 freelance rate？
AI verifier 如何改變工資錨？
人類信任溢價如何測量？
organization capital 如何保護高階工資？
AI simplification 對低技能工資的長期效果如何？
新 task creation 是否足以抵銷 automation？
智能時間通縮會不會擴大內容產業供給？
什麼情況下 AI 會提高而非降低人類 hourly wage？
算力持有集中如何影響勞動所得份額？
能源價格是否會可觀察地傳導到認知服務價格？
低資源語言是否會形成較弱算力錨定？
AGI 極限模型與近程 task-level 模型如何銜接？

139. 結論

AI 進入勞動經濟學後，最容易犯的錯誤是：

Agent 可以複製，所以 AI 勞動供給幾乎無限，於是工資一定趨近零。

真正結構不是這樣。

AI 工作仍需要：

\boxed{ \text{Compute} + \text{Model} + \text{Tools} + \text{Context} + \text{Verification} + \text{Governance}. }

所以 Agent 的有效供給有物理成本。

這使：

\boxed{ \text{Compute Market} }

開始成為認知工作的底層價格來源之一。

因此，人類認知工資的競爭性價格形成由：

\text{Human Labor Supply}

逐漸擴張成：

\boxed{ \text{Human Supply} + \text{AI Intelligence Capacity} + \text{Compute Cost}. }

但真正被算力錨定的不是「人」。

而是：

\boxed{ \text{可被 AI 可靠替代的任務價格。} }

因此：

w_H^{(d)} \lesssim \lambda_d p_I^{(d)} + \Pi_H^{(d)}

只有在：

替代性高；
市場可取得；
驗證容易；
法律允許；
人類特殊溢價低；

時才具有強約束力。

對其他 task：

\Pi_H

可能很高。

甚至 AI 增幅：

\beta_d

可能使人類生產力與工資提高。

所以：

\boxed{ \text{AI Wage Effect} \neq \text{Universal Downward Pressure}. }

真正變化是價格設定者正在分裂。

有些 task 的 marginal price 仍由人類稀缺性決定。

有些 task 由人類與 AI 互補決定。

有些 task 開始被：

\boxed{ \text{Chip} + \text{Energy} + \text{Datacenter} + \text{ModelEfficiency} + \text{Verification} }

間接定價。

這是 AI 時代非常特殊的一次經濟轉化：

數位認知工作的市場價格，開始直接連到物理算力資本的機會成本。

從時間經濟學看，這代表：

\boxed{ \text{Human Intelligent Time} }

不再是市場中唯一可以被購買的認知時間。

當：

\text{Machine Intelligent Time}

的價格下降，

人類時間必須透過：

稀缺；
互補；
信任；
責任；
創造；
意圖；
治理；

重新形成自己的價格結構。

本文因此提出第七篇總命題：

\boxed{ \text{AI 時代的人類認知工資，在高替代任務上將逐步受到「品質調整後 AI 智能價格」約束；} }

\boxed{ \text{而這個智能價格最終部分錨定於算力資本、能源與驗證成本。} }

系列最後一篇將把前七篇全部放回更大的經濟世界域：

當貨幣可以購買智能、算力可以勞動化、人數與產能脫鉤、AI 工廠形成、企業邊界重構、智能市場出現、工資開始受到算力價格錨定時，整個經濟世界到底發生了什麼結構性轉化？

參考文獻

EveMissLab 既有理論

Neo.K with GPT-5.6 Sol. 《算力資本的勞動化》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《可購買智能與時間資本化》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《人數—產能脫鉤 2.0》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《算力資本深化與企業邊界重構》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《算力租賃與新型智能勞動市場》. EveMissLab, 2026.
Neo.K with GPT-5.6 Sol. 《AI 時間槓桿的多重估值》. 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

Zhu, Siqi. “Who Prices Cognitive Labor in the Age of Agents? Compute-Anchored Wages.” arXiv:2605.05558, 2026. https://arxiv.org/abs/2605.05558
Restrepo, Pascual. “We Won't Be Missed: Work and Growth in the AGI World.” In The Economics of Transformative AI. University of Chicago Press / NBER, 2026. https://www.nber.org/books-and-chapters/economics-transformative-ai/we-wont-be-missed-work-and-growth-agi-world
Althoff, Lukas, and Hugo Reichardt. “Task-Specific Technical Change and Comparative Advantage.” NBER Working Paper 35353, 2026. https://www.nber.org/papers/w35353
Acemoglu, Daron, David Autor, and Simon Johnson. “Building Pro-Worker Artificial Intelligence.” NBER Working Paper 34854, 2026. https://www.nber.org/papers/w34854
Stanford Institute for Human-Centered Artificial Intelligence. The 2026 AI Index Report, Economy and Technical Performance chapters, 2026. https://hai.stanford.edu/ai-index/2026-ai-index-report
Acemoglu, Daron, and Pascual Restrepo. “The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment.” American Economic Review, 2018.
Autor, David H. “Why Are There Still So Many Jobs? The History and Future of Workplace Automation.” Journal of Economic Perspectives, 2015.
Autor, David H. “The Labor Market Impacts of Technological Change: From Unbridled Enthusiasm to Qualified Optimism to Vast Uncertainty.” NBER Working Paper 30074, 2022.
Brynjolfsson, Erik, Danielle Li, and Lindsey R. Raymond. “Generative AI at Work.” NBER Working Paper 31161, 2023.

附錄 A：核心符號表

符號	定義
$r_C$	算力資本租金
$k_d$	任務 $d$ 的算力強度
$p_I^{(d)}$	任務域 $d$ 的品質調整 AI 智能價格
$p_T^{I,(d)}$	任務域 $d$ 的智能時間價格
$q_A^{(d)}$	AI 產出的可接受率
$\theta_C^{(d)}$	算力價格傳導率
$w_H^{(d)}$	人類 task $d$ 的市場工資／價格
$\lambda_d$	人類相對 AI 的生產力轉換係數
$\Pi_H^{(d)}$	人類不可替代溢價
$\alpha_d$	AI 替代係數
$\beta_d$	AI 增幅係數
$\nu_d$	新任務生成係數
$A_C^{(d)}$	算力錨定強度
$CAWI_o$	職業 $o$ 的算力錨定工資指數
$IIPI$	智能時間價格指數
$\phi_w$	工資調整速度
$\tau_{C\rightarrow W}^{(d)}$	算力價格到人類 task 工資的傳導係數

附錄 B：任務層算力錨定評估表

對每個 task $d$ ，至少評估：

維度	問題
技術替代性	AI 能否完成？
品質	AI 是否達最低品質？
可驗證性	能否快速判斷對錯？
市場可取得性	AI 產能能否即時買到？
算力強度	需要多少 compute？
驗證成本	QA / formal verification 成本多高？
責任	是否需要人類承擔責任？
信任	客戶是否重視人類來源？
具身性	是否需要實體操作？
法律限制	AI 是否能合法執行？
組織知識	是否高度依賴 tacit knowledge？
AI 增幅	AI 是否提高人類效率？
新任務生成	AI 是否同時創造新工作？

只有在多數替代條件都高時，才應宣稱：

\boxed{ \text{Strong Compute Anchoring}. }

附錄 C：從智能價格到工資的最低傳導鏈

最簡形式：

\boxed{ r_C \rightarrow k_d \rightarrow p_I^{(d)} \rightarrow w_H^{(d)}. }

完整形式：

\boxed{ \left( r_C, k_d, c_M, c_T, c_V, c_G, c_R, q_A \right) \rightarrow p_I^{(d)} \rightarrow \left( A_C^{(d)}, \Pi_H^{(d)}, D_d, S_H^{(d)}, B_H, \text{Law} \right) \rightarrow w_H^{(d)}. }

因此：

\boxed{ \text{Compute-Anchored Wage} }

不是：

\boxed{ \text{GPU Price}=\text{Human Wage}. }

而是：

當 AI 產能可以低摩擦地替代某一人類認知 task 時，該 task 的競爭性價格將逐漸受到取得等價 AI 產出的完整有效成本約束。

這才是本文所稱的「算力錨定」。