算力租賃與新型智能勞動市場

從 API、GPU Cloud、Agent Service 到可即時購買的認知生產能力

英文題名： Compute Rental and the Emerging Market for Intelligent Productive Capacity: From APIs, GPU Clouds, and Agent Services to On-Demand Cognitive Work
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： 06 / 08
文件編號： EML-CLATE-2026-06
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／AI 市場設計／算力租賃／智能產能市場
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-04《AI 工廠：從工具自動化到持續數位生產》；CLATE-05《算力資本深化與企業邊界重構》
上位接口： 《經濟世界域轉化論》（EWDT）之供需、貨幣接口、中觀耦合域、AI 世界域與世界轉化能力
狀態： Public Theory Draft

摘要

勞動市場的基本功能之一，是把需要工作能力的一方與願意提供時間、技能與責任的一方連接起來。AI 時代出現了一個相似但並不相同的新市場：企業與個人可以按月訂閱模型、按 token 購買推理、按小時租用 GPU、按任務啟動 Agent、按工作流購買自動化服務，甚至將一個高階意圖直接交由雲端 Agent 執行。市場出售的已不只是軟體授權，而是「在指定時間窗內可被調度的智能生產能力」。

本文將這一市場稱為「智能產能市場」（Intelligence Capacity Market, ICM），並刻意避免把它直接等同於傳統勞動市場。AI Agent 不是人類勞動者；模型、算力與 Agent service 也不天然具有勞動者的法律、人格、責任與福利地位。真正發生的是：算力資本經由模型與 Agent 被轉換成有效認知生產能力，而這種能力可以被租賃、計量、路由、競價與按需調度。於是在可被 AI 完成的任務域中，智能產能市場開始取得傳統勞動市場的部分功能。

本文提出一個分層市場模型：

\boxed{ \text{Compute} \rightarrow \text{Model} \rightarrow \text{Agent} \rightarrow \text{Application} \rightarrow \text{TaskDemand}. }

上游算力市場提供 GPU、能源與基礎設施；模型市場將算力轉成推理能力；Agent 市場再將模型能力包裝成可持續執行、可使用工具與可委任的任務能力；應用層則把這些智能能力賣給最終企業與個人。每一層都可能形成獨立定價、平台抽成、鎖定與雙重邊際化，使「每百萬 token 價格」與「每一個可接受成果的真正價格」出現巨大差異。

本文定義品質調整智能產能價格：

\boxed{ p_I^{(d)} = \frac{ C_{\mathrm{total}}^{(d)} }{ L_{\mathrm{eff}}^{AI,(d)} }, }

並定義更實務的「每接受成果成本」：

\boxed{ p_A^{(d)} = \frac{ C_{\mathrm{total}}^{(d)} }{ N_{\mathrm{accepted}}^{(d)} }. }

智能產能市場的價格不是由 token 單價單獨決定，而由算力租金、模型計算強度、有效利用率、品質、驗證成本、延遲、資料風險、供應商集中度與切換成本共同形成。

本文進一步提出「智能勞動市場近似條件」：只有當 AI 產能與特定人類認知工作在任務層具有足夠替代性、品質可比較、輸出可驗證且市場可即時調用時，ICM 才會在該任務上對人類勞動市場形成類似的價格約束。換句話說：

\boxed{ \text{Intelligence Capacity Market} \neq \text{Labor Market}, }

但：

\boxed{ \text{ICM can partially price labor-like cognitive output}. }

本文也處理 Agent-to-Agent 交易、AI 降低搜尋與契約成本、智能容量現貨／預留／自有三種期限結構、供應商集中、模型路由、價格不透明、算力短缺與能源約束。當智能產能可以被 API 化、標準化與自動採購時，企業將不再只面對「招聘市場」，而同時面對一個 24 小時持續運作、可跨國、可快速複製、但高度依賴實體算力基礎設施的新型智能生產能力市場。

本文最終主張：AI 時代正在形成的不是一個單純「機器取代人」的市場，而是一個把貨幣、算力、模型與 Agent 連成即時智能服務供應鏈的新中觀經濟結構。第七篇將在此基礎上進一步處理：當人類與 AI 在部分認知任務中形成替代關係時，為什麼人類工資的價格錨可能逐步向算力租金、模型計算強度與驗證成本移動。

關鍵詞： 智能產能市場、算力租賃、AI API、GPU Cloud、Agent Service、認知勞動、智能時間價格、模型路由、Agent 市場、算力錨定、AI 市場設計

0. 研究定位與非主張

本文不主張：

AI Agent 是法律意義上的勞工；
API 市場等於人類勞動市場；
人類工資可以被 token 價格直接決定；
所有認知工作都能由 AI 替代；
算力供應具有完全彈性；
AI 推理的邊際成本為零；
AI Agent 可以無成本複製；
GPU 雲端價格等於智能價格；
所有 AI 市場都會完全競爭；
模型價格只受算力成本決定；
平台抽成與品牌不存在；
AI 市場沒有資訊不對稱；
外部 AI 服務一定比人類外包便宜；
AI 智能服務一定降低總體勞動需求；
本文已完成智能產能市場的完整實證估計。

本文主張：

\boxed{ \text{AI creates a market in which effective intelligent productive capacity can be rented on demand.} }

1. 傳統勞動市場到底交易什麼？

最簡化地：

\text{Employer} \rightarrow \text{Wage} \rightarrow \text{WorkerTime} \rightarrow \text{Output}.

企業購買的不是人的本體，而是在：

契約；
法律；
工作時間；
技能；
責任；

框架中的服務。

可以表示：

\boxed{ M \rightarrow \mathsf{Claim} \left( T_H, \text{Skill}, \text{Effort}, \text{Responsibility} \right). }

勞動市場因此是一種：

\text{productive capacity allocation mechanism}.

2. AI 市場正在交易什麼？

API 使用者支付：

M

後得到：

inference；
tool use；
reasoning；
generation；
Agent runtime。

GPU cloud 使用者支付：

M

後得到：

\text{ComputeTime}.

Agent service 使用者支付：

M

後得到：

\text{TaskExecution}.

所以：

\boxed{ M \rightarrow \mathsf{Claim} \left( T_M, \text{Compute}, \text{Model}, \text{AgentCapability} \right). }

這就是新的智能產能交易。

3. 定義：智能產能市場

本文定義：

智能產能市場（Intelligence Capacity Market, ICM），是供需雙方以價格、配額、訂閱或契約交換可被調度的機器智能生產能力之市場。

形式上：

\boxed{ \mathcal M_I = \left( S_I, D_I, P_I, Q_I, R_I, G_I \right), }

其中：

$S_I$ ：智能產能供給；
$D_I$ ：智能產能需求；
$P_I$ ：價格結構；
$Q_I$ ：品質與能力異質性；
$R_I$ ：路由、平台與交易關係；
$G_I$ ：治理、權限與市場規則。

4. 為什麼不直接叫「AI 勞動市場」？

因為：

\boxed{ \text{Agent} \neq \text{Laborer}. }

在現行大多數 AI 服務中，市場交易的是：

模型服務；
計算資源；
軟體服務；
自動化服務。

而不是一個具有獨立勞動契約地位的主體。

因此本文採取：

\boxed{ \text{Intelligence Capacity Market} }

作為上位名稱。

只有在功能層面討論「類勞動市場」。

5. 什麼時候它像勞動市場？

對任務 $d$ ，若 AI 與人類都能產生近似可替代產出：

Y_H^{(d)} \approx Y_{AI}^{(d)},

品質：

Q_H^{(d)} \approx Q_{AI}^{(d)},

並且 AI 產能可隨時市場採購，

則：

\boxed{ \mathcal M_I^{(d)} }

會開始約束：

\mathcal M_H^{(d)}.

此時它在功能上像：

\text{alternative labor supply}.

6. 智能勞動市場近似條件

本文提出至少五個條件：

6.1 任務替代性

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

必須足夠高。

6.2 品質可比性

必須能比較：

Q_H, Q_{AI}.

6.3 驗證性

V_d

必須足夠高。

6.4 可即時採購

AI 能力不能需要多年建置。

6.5 法律／流程可接受

企業能合法把任務交給 AI。

只有這些條件接近成立時：

\boxed{ \text{ICM} \approx \text{labor-market substitute} }

才有分析意義。

7. AI 供應鏈不是單層市場

實際結構是：

\boxed{ \text{Compute} \rightarrow \text{Model} \rightarrow \text{Agent} \rightarrow \text{Application} \rightarrow \text{FinalDemand}. }

每一層都有：

成本；
markup；
風險；
鎖定。

因此：

\boxed{ \text{Final AI Price} \neq \text{Compute Rental Price}. }

8. 第一層：算力市場

上游供給：

K_C.

包括：

GPU；
TPU；
accelerators；
memory；
datacenter；
electricity。

租賃價格：

r_C.

它是整個智能供應鏈最底層的重要成本之一。

9. 算力租賃

算力租賃可以表示：

\boxed{ M \rightarrow r_C \rightarrow K_C^{rented}. }

例如按：

GPU-hour；
reserved instance；
cluster contract；

計價。

但：

1\text{ GPU-hour}

不等於固定智能產出。

10. 每單位算力的智能效率

定義：

\boxed{ \eta_C^{I} = \frac{ L_{\mathrm{eff}}^{AI} }{ K_C^{used} }. }

它取決於：

model architecture；
quantization；
batching；
inference engine；
context length；
workload。

所以：

\boxed{ \text{Compute Price} \times \text{Compute Intensity} }

才更接近智能底層成本。

11. 第二層：模型市場

模型提供者把：

K_C

轉成：

\text{ModelCapability}.

其價格可能採：

subscription；
token；
request；
seat；
bundled credits。

模型市場出售的是：

\boxed{ \text{Quality-Adjusted Inference Access}. }

12. 第三層：Agent 市場

Agent 不只回答。

它還：

plan；
use tools；
search；
transact；
monitor；
persist。

所以 Agent service 出售的是：

\boxed{ \text{Delegated Task Capacity}. }

價格可能由：

runtime；
actions；
tool calls；
success fee；
subscription；

組成。

13. 第四層：應用市場

應用商把底層模型封裝成：

coding service；
design service；
marketing service；
research service；
customer support。

最終使用者支付：

P_{app}.

但應用商支付：

P_{model}.

這形成垂直價值鏈。

14. 雙重邊際化

若上游模型商加價：

\mu_U>0,

下游應用商再加價：

\mu_D>0,

則：

P_{final}

可能高於整合式供應鏈價格。

2026 年 Zhang 對 GenAI ecosystem 的研究即特別討論：

上游 usage-based pricing；
下游 subscription pricing；

之間的 vertical pricing mismatch 與 double marginalization。

本文將此擴展到智能產能市場。

15. 智能產能價格

對任務域 $d$ ，定義：

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

如果 $L_{\mathrm{eff}}^{AI}$ 難測，

使用：

\boxed{ p_A^{(d)} = \frac{ C_{\mathrm{total}}^{(d)} }{ N_{\mathrm{accepted}}^{(d)} }. }

即每個可接受成果的真正成本。

16. 為什麼 token 價格不是智能價格？

假設模型 A：

p_A^{token} < p_B^{token}.

但 A 需要：

更多 retry；
更多人工修正；
更多驗證。

則：

p_A^{accepted} > p_B^{accepted}

可能成立。

因此：

\boxed{ \text{TokenPrice} \neq \text{IntelligencePrice}. }

17. 品質調整價格

定義：

\boxed{ p_{IQ} = \frac{ C_{\mathrm{total}} }{ Q_{\mathrm{eff}} W_{\mathrm{raw}} }. }

其中：

Q_{\mathrm{eff}}\in[0,1].

此式只是第一代表示。

目的在於阻止：

廉價但低品質的輸出

被誤認為廉價智能。

18. 智能產能的現貨市場

API 很接近：

\boxed{ \text{SpotIntelligence}. }

使用者：

Demand_t \rightarrow Call_t.

需要時購買。

不需要時不付固定硬體資本。

19. 預留智能

Reserved GPU / reserved inference：

\boxed{ \text{FutureCapacity} }

被提前鎖定。

使用者付出：

commitment；
reservation fee；

換取：

price certainty；
capacity guarantee。

這類似：

\text{forward capacity contract}.

20. 自有智能

企業購買硬體：

M_0 \rightarrow K_C.

未來多期取得：

T_M.

因此：

\boxed{ \text{Owned Intelligence Capacity} }

不是市場即期交易，而是內部生產。

21. 三種期限結構

因此：

\boxed{ \mathcal I = \left\{ I_{spot}, I_{reserved}, I_{owned} \right\}. }

企業會形成智能時間投資組合。

22. 智能產能供給

供給可以表示：

S_I = F \left( K_C, \text{Energy}, \text{Model}, \text{Software}, \text{Network} \right).

短期：

K_C

相對固定。

所以智能供給並非真正無限彈性。

23. 「AI 可以複製」不等於供應無限

軟體副本成本低。

但每一份運行實例仍需要：

\boxed{ \text{Compute} + \text{Memory} + \text{Energy}. }

因此：

\text{Agent Replication} \neq \text{Zero Marginal Resource}.

24. 短期供應曲線可能很陡

當：

GPU 滿載；
rate limit；
datacenter 滿載；

時：

\frac{ \partial S_I }{ \partial p }

可能有限。

因此短期智能價格可以因 capacity shortage 上升。

25. 長期供應可擴張

長期：

Investment_C\uparrow

可以增加：

K_C.

因此智能供給曲線外移。

這就是算力資本深化在市場層的版本。

26. 模型效率使供給曲線外移

即使 GPU 不變，

若：

\eta_C^I\uparrow,

則：

S_I\uparrow.

來源包括：

quantization；
distillation；
better inference engine；
sparse model；
caching。

所以智能供應擴張不只靠更多硬體。

27. 智能需求是衍生需求

企業不會為 token 本身付錢。

它想要：

\text{TaskOutcome}.

所以：

\boxed{ D_I = D_I(Y_{\mathrm{desired}}). }

這是 derived demand。

NBER 的 Agent 市場研究亦強調，Agent adoption 取決於：

decision quality；
effort reduction；
task context。

28. 智能價格下降可能擴大需求

如果：

p_I\downarrow,

原本不可負擔任務：

a\notin\Omega

變成：

a\in\Omega.

所以：

D_I\uparrow.

這就是 CLATE-02 的 Intelligence Rebound Effect。

29. 需求彈性可能很高

大量工作過去：

不翻譯；
不做圖；
不研究；
不做影片；
不做個人化。

不是因為價值為零。

而是：

\text{CostTooHigh}.

AI 降價後：

QuantityDemanded\uparrow\uparrow.

所以：

\boxed{ \text{AI may create markets for previously unperformed work}. }

30. 智能市場與人類外包市場競爭

對任務 $d$ ：

p_H^{(d)}

為人工市場價格。

p_I^{(d)}

為 AI 有效價格。

若：

p_I^{(d)} < p_H^{(d)}

且：

Q_I^{(d)} \ge Q_{\min},

企業會增加 AI 採用機率。

但不是絕對替代。

31. 互補任務

某些任務：

Human+AI

的產出高於任一方：

Y_{H+AI} > \max \left( Y_H, Y_{AI} \right).

因此：

\boxed{ \text{ICM can complement labor markets instead of replacing them}. }

32. 替代彈性

可使用 CES 類型概念：

\sigma_{H,AI}.

若：

\sigma_{H,AI}\gg1,

替代性高。

若：

\sigma_{H,AI}<1,

互補性較強。

不同職業、task 必須分開估計。

33. 智能市場不是職業市場，而是 task 市場

人類市場常以：

\text{Job}

為交易單位。

AI 更容易以：

\text{Task}

交易。

因此：

\boxed{ \text{Job Market} \rightarrow \text{Task-Capacity Market} }

可能是更準確的轉化。

34. Task Granularity

若 task 可被切得越細：

Granularity\uparrow,

市場匹配可能越精確。

但：

\text{CoordinationCost}

也可能提高。

Agent protocol 可降低這個成本。

35. AI Agent 降低交易成本

Agent 可以：

search；
compare；
negotiate；
verify；
transact。

因此：

\boxed{ C_{search}, C_{contract}, C_{monitor} \downarrow. }

NBER 的 The Coasean Singularity? 即將 AI agents 視為可能大幅降低數位市場交易成本的參與者。

36. 市場設計可行集合擴張

如果 Agent 降低：

preference elicitation；
contract enforcement；
identity verification；

成本，

則過去太複雜的市場機制可能變得可行。

因此：

\boxed{ \Omega_{\mathrm{market},t+1} \supsetneq \Omega_{\mathrm{market},t}. }

37. Agent-to-Agent Market

如果：

Agent_A

可以直接向：

Agent_B

採購服務，

則：

\text{Human}

不需要介入每筆交易。

因此：

\boxed{ A2A = \text{Agent-to-Agent Economic Coordination}. }

這是智能市場的重要演化。

38. A2A 不代表零治理

仍需：

identity；
permission；
budget；
liability；
dispute resolution。

所以：

\boxed{ \text{AutonomousTransaction} \neq \text{UngovernedTransaction}. }

39. Agent 預算

如果 Agent 有：

B_A

可以在授權範圍內自主採購：

\text{Compute}, \text{Data}, \text{Service}.

則：

\boxed{ \text{Delegated Purchasing} }

出現。

這會增加市場交易頻率。

40. 機器速度交易

Agent 可在毫秒／秒級比較：

N

個方案。

因此搜尋成本下降。

但也可能形成：

Congestion\uparrow.

大量 Agent 同時詢價可能增加平台負擔。

41. Price Obfuscation

Agent 市場不必然更透明。

供應商可能使用：

complex bundle；
credits；
limits；
dynamic pricing；
hidden priority。

所以：

\boxed{ AI Search \neq Perfect Price Transparency. }

NBER 研究亦指出 price obfuscation 是 AI-mediated market 可能的新摩擦之一。

42. Credits 與配額

AI 市場常以：

Q_{quota}

限制使用。

因此價格不只是：

P.

還有：

\boxed{ \text{Price} + \text{CapacityConstraint}. }

兩個方案月費相同，

但：

Q_A\neq Q_B.

有效價格不同。

43. Reset 與易腐智能容量

若 quota 到期消失：

Q_t \not\rightarrow Q_{t+1}.

則它像：

\boxed{ \text{Perishable Intelligence Capacity}. }

未使用即失效。

這會改變消費者使用策略。

44. Bankable Capacity

若 quota 可以 bank：

Q_t \rightarrow Q_{t+h},

則：

\boxed{ \text{Intelligence Inventory} }

特性增加。

這類制度設計會改變需求平滑化與高峰使用行為。

45. Rate Limit 作為供給配給

即使使用者願意支付，

若：

RateLimit<R_{demand},

仍無法取得更多能力。

因此：

\boxed{ \text{Price Rationing} \neq \text{Capacity Rationing}. }

AI 市場常同時存在兩者。

46. 智能市場的有效供給

定義：

\boxed{ S_I^{eff} = S_I \cdot q_Q \cdot q_A \cdot q_V. }

其中：

$q_Q$ ：品質；
$q_A$ ：可用性；
$q_V$ ：可驗證性。

名義 token capacity 不等於有效供給。

47. 供應商集中

底層：

chip；
cloud；
frontier model；

可能高度集中。

因此：

\boxed{ \text{Application-Level Competition} \not\Rightarrow \text{Upstream Competition}. }

48. 上游市場權力

若少數供應者控制：

K_C

或：

M_{frontier},

則：

Markup\uparrow

或：

\text{AccessRestriction}

可能影響整個 ICM。

49. 下游競爭仍可能激烈

應用層：

N_{apps}\gg1.

所以可能出現：

\boxed{ \text{Concentrated Upstream} + \text{Competitive Downstream}. }

這會產生垂直依賴。

50. 模型路由商

未來可能有專門：

\text{Router}

根據：

price；
quality；
latency；

自動選模型。

因此：

\boxed{ \text{Router} = \text{Intelligence Market Intermediary}. }

51. Router 的經濟功能

它降低：

\text{SearchCost}.

並增加：

\text{Switchability}.

但也可能取得：

\text{GatekeeperPower}.

所以中介不會消失，只會變型。

52. Agent Marketplace

市場也可能出售：

\text{specialized agents}.

例如：

coding；
legal research；
design；
translation；
sales。

每個 Agent 具有：

\boxed{ \text{CapabilityProfile}. }

53. Agent 的評價問題

如何知道 Agent 真正品質？

需要：

benchmark；
reputation；
audited success；
verified history。

因此：

\boxed{ \text{ReputationCapital} }

會成為 Agent 市場重要資產。

54. 可驗證工作更容易市場化

如果結果可由：

\text{Verifier}

快速驗證，

就可以降低：

\text{TrustRequirement}.

因此：

\boxed{ \text{Verifiability} \rightarrow \text{Marketability}. }

55. 程式市場的特殊性

程式可：

compile；
test；
benchmark。

所以：

V_{code}\uparrow.

Agent coding 因而特別適合形成 task market。

56. 數學形式化市場

若 theorem proof 可以：

LeanCheck=PASS,

則驗證成本下降。

所以：

\boxed{ \text{FormalVerification} \rightarrow \text{TradabilityOfReasoning}. }

某些數學智能服務更容易被市場化。

57. 圖像市場的特殊性

圖像很難完全自動驗證。

品質包含：

aesthetic；
audience fit；
style。

因此：

V_{image}

較主觀。

市場更依賴：

reputation；
preview；
human taste。

58. 影音市場更複雜

影音包含：

script；
voice；
image；
edit；
copyright。

因此：

VerificationCost\uparrow.

完整 Agent service 比單模型更重要。

59. 智能市場中的工資類比

傳統工資：

w_H^{(d)}

是人類在任務 $d$ 的時間價格。

AI 市場有：

p_I^{(d)}.

當兩者高度替代：

\boxed{ w_H^{(d)} \leftrightarrow p_I^{(d)} }

形成價格互動。

這是第七篇的前置。

60. Compute-Anchored Wage 的市場基礎

Zhu 2026 的核心命題：

Agent 不是 labor，而是把 compute capital 轉成 effective cognitive labor 的 production technology。

因此底層價格錨：

r_C

經：

k_d

即每單位有效智能工作所需算力，

形成：

\boxed{ p_I^{(d)} \approx r_C k_d + C_V + C_{software} + \text{Markup}. }

這使算力市場開始間接影響人類認知工作價格。

61. 算力強度

定義：

\boxed{ k_d = \frac{ K_C^{used} }{ L_{\mathrm{eff}}^{AI,(d)} }. }

不同任務：

k_d

不同。

所以 AI 對不同職業價格壓力不同。

62. 更聰明模型可能降低算力強度，也可能提高

若模型效率提升：

k_d\downarrow.

但更強 reasoning 可能使用更多 test-time compute：

k_d\uparrow.

因此：

\boxed{ ModelCapability\uparrow \not\Rightarrow ComputePerTask\downarrow. }

63. 驗證成本是智能價格的重要部分

若：

C_V\gg r_Ck_d,

則 AI 不是由算力成本主導。

例如：

法律；
醫療；
高風險決策。

因此第七篇不能只用 compute price。

64. 責任成本

人類工作往往包含：

\text{Responsibility}.

AI service 的責任可能仍由企業承擔。

所以：

\boxed{ \text{AIExecution} \neq \text{LiabilityTransfer}. }

這會阻止某些工資被純算力價格錨定。

65. 智能市場的最低價格

即使模型成本下降到很低，

仍有：

\text{Energy}, \text{Infrastructure}, \text{Verification}, \text{Compliance}.

所以：

p_I>0

通常成立。

66. 零邊際成本神話

數位檔案複製：

MC\approx0.

但推理：

MC_{inference}>0.

因此生成式 AI 與傳統軟體經濟不同。

2026 的 GenAI pricing 研究也特別指出 inference 的持續 marginal cost 是定價核心。

67. 智能市場的學習曲線

若：

CumulativeCompute\uparrow,

硬體與軟體效率改善：

CostPerInference\downarrow

可能成立。

所以：

p_I(t)

具有下降趨勢。

但下降速度不是固定。

68. 多模態價格不同

文字：

p_I^{text}.

圖像：

p_I^{image}.

影片：

p_I^{video}.

因計算強度不同：

p_I^{video} \gg p_I^{text}

可能成立。

所以不存在單一智能價格。

69. 區域價格

算力價格受：

electricity；
datacenter；
regulation；

影響。

所以：

r_C^{region}

不同。

智能市場具有物理地理底座。

70. AI 不是無地理市場

表面：

API

全球可用。

底層：

\boxed{ \text{DataCenter} + \text{Grid} + \text{Chip} }

高度具地理性。

所以：

\text{Digital Market} \neq \text{Placeless Market}.

71. 24 小時智能市場

AI 服務不需要生理睡眠。

因此：

\text{SupplyHours} \approx24/7.

這使：

\boxed{ \text{Temporal Availability} }

與人類勞動市場不同。

72. 但硬體需要維護

所以：

Availability<1.

仍有：

outage；
maintenance；
overload。

因此：

\boxed{ 24/7 \neq 100\% uptime. }

73. 人類時間區與 AI 時間區

全球人類外包依賴：

timezone；
working hours。

AI 市場較弱化：

\text{TimezoneConstraint}.

這提高全球服務即時性。

74. 速度溢價

對高急迫任務：

LatencyValue\uparrow.

所以：

\boxed{ p_I = p_I(Q,Latency). }

更快的模型可以收速度溢價。

75. Priority Market

供應商可以出售：

standard queue；
priority queue。

因此：

\boxed{ \text{Intelligence Latency} }

本身可以被定價。

76. 資料溢價

特定專有資料可提高：

Q_I.

因此：

\boxed{ \text{Data} }

與算力一樣成為智能生產要素。

Agent 市場不是純算力市場。

77. Context Capital

若一個服務擁有企業長期：

K_X,

它的有效智能可能更高。

所以切換供應商會損失 context。

這形成：

\text{LockIn}.

78. 可攜式 context

如果 context 可以：

\text{Export} \rightarrow \text{Import},

則：

SwitchCost\downarrow.

所以資料可攜性影響市場競爭。

79. Agent Identity

A2A 市場需要知道：

Who is acting?

因此需要：

identity；
authority；
signature；
provenance。

沒有身份，責任無法配置。

80. Contracting Agent

Agent 可以代表企業簽訂微型服務契約。

但必須有：

\text{AuthorityBoundary}.

例如：

Budget_A\le B_{\max}.

這將形成新的 machine contracting layer。

81. 機器支付

如果 Agent 可支付：

Payment_A,

則：

\text{Task} \rightarrow \text{Search} \rightarrow \text{Purchase} \rightarrow \text{Delivery}

可以全自動。

這使 ICM 更接近真正市場。

82. 自動採購與價格戰

Router Agent 可以在多供應者間快速切換。

因此：

PriceElasticity\uparrow

可能成立。

但若 switching cost 高，

則不成立。

83. 品牌價值可能下降，但不消失

如果 Agent 只看：

price；
benchmark；

品牌溢價可能下降。

但若：

reliability；
trust；
liability；

重要，

品牌仍有價值。

84. 智能商品化

某些標準 task：

\text{CommodityIntelligence}.

例如：

basic translation；
formatting；
classification。

價格可能接近：

\text{CostFloor}.

85. 高階智能差異化

高難任務：

theorem；
research；
system design；

仍可能具有高品質差異。

因此：

\boxed{ \text{Intelligence Commoditization} \text{ is task-dependent}. }

86. 智能市場的品質階梯

可表示：

Q_1<Q_2<\cdots<Q_n.

不同品質：

p_1<p_2<\cdots<p_n

通常成立。

但可能出現性能／價格跳躍。

87. 低價智能提高市場參與

小企業原本負擔不起：

analyst；
designer；
programmer。

現在可以按需購買 AI 能力。

因此：

\boxed{ EntryBarrier\downarrow. }

88. 但算力資本持有者仍有優勢

大企業可以：

reserve compute；
self-host；
fine-tune；
build proprietary agents。

所以：

\boxed{ Access Democratization + Capital Concentration }

可以同時成立。

89. 市場民主化與資本固化雙相

個人得到：

\text{FrontierAPI}.

能力上升。

但大型企業擁有：

K_C\gg K_C^{small}.

所以：

\boxed{ \text{Capability Democratization} \neq \text{Capital Equalization}. }

90. 智能市場與一人公司

一人公司可以：

M \rightarrow ICM \rightarrow \text{LargeExternalCapacity}.

因此：

\boxed{ \text{SmallFirm} \rightarrow \text{LargeCallableIntelligence}. }

這是人數—產能脫鉤的重要來源。

91. 市場本身成為企業外骨骼

若公司沒有內部某能力，

但可立即：

Call(ICM),

則：

\Omega_F

仍可擴張。

所以：

\boxed{ \text{MarketAccess} = \text{Capability Prosthesis}. }

92. 但外骨骼可以被撤銷

如果：

ProviderAccess=0,

能力消失。

所以：

\boxed{ \text{AccessCapability} \neq \text{SovereignCapability}. }

93. 智能主權與市場效率的張力

高市場依賴：

Efficiency\uparrow,

可能：

Sovereignty\downarrow.

高自有化：

Sovereignty\uparrow,

可能：

Flexibility\downarrow.

企業需要取捨。

94. 智能產能市場的系統風險

若大量企業依賴同一模型：

CommonDependency\uparrow.

供應商 outage 可造成：

\text{SystemicProductionShock}.

所以：

\boxed{ AI Service Concentration }

可能成為新中觀風險。

95. 同步模型風險

如果大量 Agent 使用相同模型，

可能形成：

\text{CorrelatedDecisionError}.

不是只有 outage。

所以：

\boxed{ \text{ModelHomogeneity} \rightarrow \text{CorrelatedRisk}. }

96. 模型多樣性

企業可持有：

M_1,M_2,\ldots,M_n.

降低：

\text{CommonModeFailure}.

但增加：

\text{IntegrationCost}.

97. 市場的驗證層可能獨立化

未來可能出現：

\boxed{ \text{VerifierMarket}. }

專門檢查：

code；
facts；
proof；
compliance。

這會讓：

\text{Producer}

與：

\text{Verifier}

分離。

98. 三方市場

形成：

\boxed{ \text{Buyer} \rightarrow \text{ProducerAgent} \rightarrow \text{VerifierAgent}. }

若 verifier 獨立，

可降低：

\text{ConflictOfInterest}.

99. 驗證市場的價值

若：

VerificationCost\downarrow,

更多 task 可以外包。

因此 verifier 是 ICM 市場化的重要基礎設施。

100. Reputation + Verification

Agent 市場可能依靠：

\boxed{ \text{Reputation} + \text{FormalVerification} }

共同解決信任。

不同 task 的比例不同。

101. 智能市場的總體單位

本文不建議用：

\text{Token}

作總體單位。

更接近：

\boxed{ \text{QualityAdjustedAcceptedWork}. }

但跨任務仍不可直接加總。

因此需要 task-level price index。

102. Task Intelligence Price Index

對任務群：

d=1,\ldots,n,

可以建立：

\boxed{ IIPI = \sum_d w_d p_I^{(d)}. }

其中：

w_d

是任務權重。

這是未來實證研究方向，不是本文已完成指數。

103. 智能產能通膨／通縮

若：

IIPI_t \downarrow,

表示取得標準智能工作能力的價格下降。

可以稱：

\boxed{ \text{Intelligence-Capacity Deflation}. }

這可能是 AI 經濟的重要價格現象。

104. 智能通縮不等於生活成本通縮

因為：

housing；
energy；
food；

可能不降。

所以：

\boxed{ \text{Cognitive Cost Deflation} \neq \text{General Price Deflation}. }

105. 智能價格下降會改變企業最適規模

若：

p_I\downarrow,

小型 firm 可外購更多能力。

因此最小有效人類規模：

N_{\min} \downarrow

可能成立。

106. 智能價格下降也可能強化平台

若平台能最有效採購、路由大量 AI，

其：

ScaleAdvantage\uparrow.

所以競爭結果不一定分散。

107. 智能市場與地租類比

高階模型 access 可能像：

\text{productive capacity rent}.

企業支付費用取得使用權。

所以：

\boxed{ \text{AISubscription} }

部分具有產能租金性質。

108. AI 額度是租賃契約的一部分

額度決定：

Q_I^{max}.

所以比較訂閱不能只看：

\text{MonthlyPrice}.

而應看：

\boxed{ \frac{ \text{MonthlyPrice} }{ \text{QualityAdjustedCapacity} }. }

109. 非使用期的浪費

若訂閱是固定月費：

C_F.

低使用量時：

AC\uparrow.

高使用量時：

AC\downarrow.

直到 quota。

這與 Do 2026 對 credit plan / API / self-hosted 的 efficiency curve 相符。

110. 自有 GPU 的容量利用率

本地：

Utilization=u.

若：

u\ll1,

平均成本很高。

所以本地化不是只看硬體價格。

111. 供應方式最適化

企業最終在：

\boxed{ \text{Subscription}, API, \text{ReservedCompute}, \text{LocalCompute} }

間配置。

這是一個：

\text{procurement portfolio}.

112. 智能產能採購器

未來 Agent 可以自己計算：

C^{eff}_m

然後自動選：

m^\ast.

所以：

\boxed{ \text{AI can purchase AI}. }

這會形成遞迴市場。

113. AI 購買 AI 的治理問題

如果 Agent A 可以購買 Agent B，

必須有：

budget；
allowed vendors；
data policy；
max price；
audit。

否則：

\text{CostRunaway}

可能出現。

114. 遞迴委任

A_0 \rightarrow A_1 \rightarrow A_2 \rightarrow \cdots

可能提高：

\text{DelegationDepth}.

但也增加：

\text{AccountabilityDistance}.

115. 委任深度

定義：

\boxed{ D_D = \max \text{delegation chain length}. }

若：

D_D\uparrow,

需要更強 provenance。

116. 智能市場的 provenance

每一層應保存：

\text{WhoDidWhat}.

否則發生錯誤時無法追溯。

所以：

\boxed{ \text{Provenance} }

是 ICM 基礎設施。

117. 市場資格與 certification

高風險 Agent 可能需要：

\text{Certification}.

例如：

security；
financial；
medical support。

這會形成新的 Agent certification market。

118. 智能市場與監管

未來規則可能關心：

disclosure；
liability；
identity；
data；
competition。

本文不預測具體法律，而指出：

\boxed{ \text{Market Design} \text{ becomes part of AI productivity}. }

壞制度會增加交易成本。

119. 與 CLATE-05 的接口

第五篇問：

應該自己做還是外部取得？

本篇回答：

外部取得正在變成一個結構化智能產能市場。

因此：

\boxed{ \text{FirmBoundary} \leftrightarrow \text{ICMDepth}. }

市場越成熟，企業可外部化能力越多。

120. 與 CLATE-04 的接口

AI 工廠可以：

Buy(ICM)

作為 worker。

所以工廠不需要自有所有模型。

它可以：

\boxed{ \text{OwnWorkflow} + \text{RentWorkers}. }

121. 與 CLATE-03 的接口

一人公司：

N_H=1

可以呼叫：

ICM

取得大量外部智能。

所以：

\boxed{ \text{Headcount} \not\Rightarrow \text{CallableCapacity}. }

122. 與 CLATE-02 的接口

可購買智能：

\mathcal I_P

在本篇從企業層升級成市場層。

因此：

\boxed{ \text{Purchasable Intelligence} \rightarrow \text{Intelligence Capacity Market}. }

123. 與 CLATE-01 的接口

算力勞動化：

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

當這個轉化可以由第三方服務提供並按價交易：

\boxed{ L_{\mathrm{eff}}^{AI} \rightarrow \text{marketable capacity}. }

124. 與 EWDT 的接口

ICM 是一個新的中觀耦合域：

\mathfrak W_{ICM}.

其中：

X

包含：

compute provider；
model provider；
agent；
router；
verifier；
buyer。

R

包含：

compute；
API；
payment；
delegation；
verification。

因此：

\boxed{ ICM = \text{Meso Economic World-Domain}. }

125. 市場域擴張

Agent 降低交易成本後：

\Omega_{market}

可以擴張。

過去不可執行的大量微型交易：

z\notin\Omega_t

可能變成：

z\in\Omega_{t+1}.

這是 ICM 的世界域效應。

126. 八個核心命題

命題一：市場分離命題

\boxed{ ICM \neq \text{HumanLaborMarket}. }

命題二：功能近似命題

在高替代任務：

\boxed{ ICM \approx \text{AlternativeCognitiveCapacityMarket}. }

命題三：底層錨定命題

\boxed{ p_I \text{ is partly anchored by } r_C }

但還受品質、驗證與 markup 影響。

命題四：多層市場命題

\boxed{ \text{Compute} \rightarrow \text{Model} \rightarrow \text{Agent} \rightarrow \text{Application} }

各層可以獨立定價。

命題五：智能通縮命題

技術進步可以：

p_I^{(d)}\downarrow.

命題六：智能反彈命題

p_I\downarrow \Rightarrow Q_I\uparrow\uparrow

可能使總智能支出上升。

命題七：Agent-to-Agent 市場命題

\boxed{ A2A }

可以降低人類每筆交易介入，但需要身份、預算與治理。

命題八：中觀風險命題

供應集中與模型同質化可以形成：

\boxed{ \text{SystemicIntelligenceDependency}. }

127. 對企業策略的直接含義

企業未來應問：

我們真正購買的是 token 還是 accepted work？
每一類 task 的 $p_I^{(d)}$ 是多少？
API、subscription、reserved compute、local GPU 哪個最划算？
quality-adjusted price 是否比表面價格高很多？
rate limit 是否已成產能瓶頸？
quota 是否會過期？
供應商集中度多高？
context 能否移轉？
router 是否能自動換模型？
是否有 verifier market 可用？
Agent 是否可自行採購其他 Agent？
delegation chain 是否可追溯？
local fallback 是否必要？
哪些任務 AI 與人類高度替代？
哪些任務 AI 只是人類互補工具？

128. 理論限制

128.1 缺乏統一智能單位

跨任務：

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

仍難比較。

128.2 市場價格快速變動

2026 的價格只是截面。

128.3 品質難完全觀測

尤其創意與高語境任務。

128.4 Agent 市場仍非常早期

很多交易尚未完全自動化。

128.5 法律責任仍依附人類與企業

這限制勞動市場類比。

128.6 算力價格受實體世界限制

能源與晶片使 ICM 不是純數位市場。

129. 後續研究問題

如何建立 task-level intelligence price index？
如何測量 $p_I^{(d)}$ ？
如何估計人類與 AI 的替代彈性？
AI Agent marketplace 會不會形成 winner-take-all？
Router 是否成為新的平台守門人？
Verifier market 能否降低 AI 交易信任成本？
Agent reputation 應如何累積？
Agent identity 應如何跨平台？
quota 是否可形成二級市場？
reserved intelligence 是否會形成期貨式產品？
A2A 採購如何防止 cost runaway？
compute shortage 如何傳導到 AI 服務價格？
供應商集中是否形成系統性生產風險？
intelligent-capacity deflation 如何進入生產力統計？
ICM 的成熟度如何改變企業 headcount 與工資？

130. 結論

AI 正在形成一個新的能力市場。

過去企業需要更多認知工作時，最直接的方法是：

\boxed{ \text{HireMoreHumans}. }

現在它還可以：

\boxed{ \text{RentCompute}, \text{CallAPI}, \text{HireAgent}, \text{SubscribeModel}. }

因此：

\boxed{ \text{Productive Intelligence} }

開始具有可即時購買、租賃、路由與組合的市場形式。

但本文刻意不把這個市場簡單稱為：

\text{AI Labor Market}.

因為：

\text{Agent} \neq \text{HumanWorker}.

更精確的結構是：

\boxed{ \text{Compute Capital} \rightarrow \text{Model Capability} \rightarrow \text{Agent Capacity} \rightarrow \text{Marketable Intelligent Work}. }

所以真正出現的是：

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

它和人類勞動市場在部分任務上競爭。

在另外一些任務上互補。

在更大範圍內，它成為企業的能力外骨骼。

智能產能市場還具有傳統勞動市場較少見的特性：

24 小時供應；
可快速複製 runtime；
可按 token／request 計價；
可自動路由；
可 Agent-to-Agent 採購；
上游高度依賴 GPU、能源與資料中心。

所以它既是：

\text{Digital Market},

也是：

\text{Physical-Capital Market}.

當這個市場逐步成熟，企業的問題不再只是：

我要不要再僱一個人？

而會變成：

這項認知工作應該由人做、本地 AI 做、哪一個 API 做，還是讓一個 Agent 自己去市場採購最合適的智能供應？

這代表：

\boxed{ \text{Intelligence itself is becoming routable economic capacity}. }

而一旦智能產能具有市場價格，人類認知工作的價格就不再只由人類勞動供需決定。

對可被 AI 高度替代的任務，

p_I^{(d)}

會開始進入：

w_H^{(d)}

的定價條件。

因此本文提出第六篇總命題：

\boxed{ \text{AI 時代正在形成一個以算力為底層、模型為轉換器、Agent 為執行單位的智能產能市場。} }

下一篇將正式處理這條價格傳導：

當一單位可替代認知工作的 AI 價格由算力租金、計算強度與驗證成本共同形成時，人類工資何時開始被「算力錨定」？

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. 《AI 工廠：從工具自動化到持續數位生產》. 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. 《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
Shahidi, Peyman, Gili Rusak, Benjamin S. Manning, Andrey Fradkin, and John J. Horton. “The Coasean Singularity? Demand, Supply, and Market Design with AI Agents.” NBER Working Paper 34468, 2025; published in The Economics of Transformative AI, 2026. https://www.nber.org/papers/w34468
Hadfield, Gillian K., and Andrew Koh. “An Economy of AI Agents.” In The Economics of Transformative AI. University of Chicago Press / NBER, 2026. https://www.nber.org/books-and-chapters/economics-transformative-ai/economy-ai-agents
Do, Tuan Anh. “The Economics of AI Inference: An Efficiency Curve for Choosing Between Credit Plans, Pay-per-Token APIs, and Self-Hosted Models.” SSRN, 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7141761
Zhang, Zhongju. “Pricing and Competition in Generative AI Ecosystems.” SSRN, 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7494418
Shaik, Ali Sadhik. “Inference Cost Curves and Business Model Viability: When Does AI-as-a-Service Break Even?” SSRN, 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6727721
Coase, Ronald H. “The Nature of the Firm.” Economica, 1937.
Williamson, Oliver E. Markets and Hierarchies. Free Press, 1975.
Autor, David H. “Why Are There Still So Many Jobs? The History and Future of Workplace Automation.” Journal of Economic Perspectives, 2015.
Acemoglu, Daron, and Pascual Restrepo. “The Race between Man and Machine.” American Economic Review, 2018.

附錄 A：核心符號表

符號	定義
$\mathcal M_I$	智能產能市場
$S_I$	智能產能供給
$D_I$	智能產能需求
$p_I^{(d)}$	任務域 $d$ 的有效智能價格
$p_A^{(d)}$	任務域 $d$ 的每接受成果成本
$r_C$	算力租賃價格
$\eta_C^I$	每單位算力的有效智能效率
$k_d$	任務 $d$ 的算力強度
$\sigma_{H,AI}^{(d)}$	人類與 AI 在任務 $d$ 的替代彈性
$Q_{quota}$	智能服務配額
$D_D$	委任深度
$IIPI$	候選智能產能價格指數
$ICM$	Intelligence Capacity Market

附錄 B：智能市場採購比較表

企業對同一類 task 應至少比較：

維度	Subscription	API	Reserved Compute	Local GPU	Human
固定成本
邊際成本
品質
latency
quota
可擴張性
人類治理成本
驗證成本
可重現性
資料控制
供應商鎖定
fallback
可持續性
future time capital

真正應比較：

\boxed{ \text{Cost per Quality-Adjusted Accepted Work}. }

而不是單純：

\boxed{ \text{Cost per Token}. }

附錄 C：智能產能市場成熟度

Level 0：單模型服務

只能：

\text{Prompt}\rightarrow\text{Response}.

Level 1：多模型商品化

存在不同價格與品質。

Level 2：智能路由市場

Router 可動態比較模型。

Level 3：Agent Service Market

市場出售多步任務能力。

Level 4：Verifier + Agent Market

生產與驗證分離。

Level 5：Agent-to-Agent Economy

Agent 可在授權下：

\text{Search} \rightarrow \text{Purchase} \rightarrow \text{Verify} \rightarrow \text{Pay}.

此時智能產能市場不再只是 SaaS 定價。

而開始形成：

\boxed{ \text{Machine-Mediated Market for Cognitive Productive Capacity}. }