算力資本的勞動化

從 AI 時間槓桿、人數—產能脫鉤到可購買的智能生產能力

英文題名： The Laborization of Compute Capital: From AI Time Leverage and Headcount-Capacity Decoupling to Purchasable Intelligent Productive Capacity
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： 01 / 08
文件編號： EML-CLATE-2026-01
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 原生生產理論
直接前置： 《AI 時間槓桿的多重估值》；《個體機構化：AI 增幅型單核複合機構與人數—產能脫鉤》；《Agentic Organization 的時間經濟學》
上位接口： 《經濟世界域轉化論》（EWDT），尤其 EWDT-08、EWDT-12、EWDT-13、EWDT-18
狀態： Public Theory Draft

摘要

人工智慧經濟常被描述為「AI 取代勞動」、「AI 提高生產率」或「AI 是新的自動化工具」。這些表述捕捉到部分現象，卻不足以描述一個正在形成的新結構：當模型能力、Agent 編排、軟體工具、知識資本、驗證機制與計算硬體被組合為持續生產系統後，新增算力資本不再只是使既有程式跑得更快，而可能增加企業在固定世界時間內可動員的有效智能生產能力。此時，購買 GPU、租用雲端算力、配置推理預算或建置本地模型叢集，在部分可數位化、可規格化、可驗證的任務域中，開始具有與「增加可用勞動能力」相似的經濟效果。

本文將此現象稱為「算力資本的勞動化」。此處的「勞動化」並不表示算力在本體上等於勞動，也不表示 GPU、模型或 Agent 應被視為人類勞工。相反地，本文明確區分算力資本、模型能力、Agent 編排、軟體與工具、上下文與知識資本、驗證與治理，以及最終形成的有效 AI 生產能力。本文提出：

K_C \xrightarrow{ M,A,S,X,V,G } L_{\mathrm{eff}}^{AI},

其中 $K_C$ 為算力資本， $M$ 為模型能力， $A$ 為 Agent 編排能力， $S$ 為軟體與工具， $X$ 為上下文與知識資本， $V$ 為驗證能力， $G$ 為治理與授權結構，而 $L_{\mathrm{eff}}^{AI}$ 表示經品質、可靠性與可交付性調整後的有效 AI 生產能力。只有當上述轉化鏈成立時，算力資本才具有「類勞動」的經濟效果。

本文承接既有時間經濟學，進一步區分人類生命時間、治理時間、機器運算時間與世界曆時。新增算力不創造新的世界時間，但可以增加單位世界時間內同時存在的有效智能過程，從而提高智能時間密度、委任槓桿與經驗證的世界提交密度。本文據此提出「人數—產能脫鉤」的第二代形式：企業產能的擴張不再必然要求人類 headcount 同步增加；在某些任務域中，資本支出可以直接增加可被調度的智能生產容量。

本文同時建立三種邊際決策：僱用人類、購買本地算力與租用外部 AI 服務。三者並非簡單替代。人類具有責任承擔、社會互動、具身能力與高階判斷；本地算力具有高固定成本、低邊際推理成本、版本可控與可重現性；API 則具有低前期資本需求、高模型前沿性與按量付費特徵。AI 原生企業的生產決策因而逐漸從單一「僱多少人」轉為「如何在 Human Labor、Local Compute 與 Rented Intelligence 之間配置有限資本與時間」。

本文最後把「算力勞動化」與經濟世界域連接，但不以前者依賴完整 EWDT 才成立。時間經濟學負責描述算力如何重寫時間索取、並行與產能；EWDT 則提供更高階的閉合：若新增算力只提高既有流程速度，這主要是效率提升；若它使原本不可完成的任務進入可行集合，則可能發生微觀或組織世界域擴張。由此，算力的經濟價值不應只以 FLOPS、Token、GPU 數量或模型 benchmark 衡量，而應以其能否被轉化為經驗證、可部署、可沉積的世界改變能力衡量。

關鍵詞： 算力資本、勞動化、AI 時間槓桿、有效 AI 生產能力、Agentic Organization、人數—產能脫鉤、智能時間密度、本地模型、AI API、計算勞動、經濟世界域

0. 研究定位與非主張

本文提出「算力資本的勞動化」，但刻意排除下列過強主張：

不主張算力在本體上等於人類勞動；
不主張 GPU、模型或 Agent 是法律或制度意義上的員工；
不主張所有人類工作都可以被算力替代；
不主張增加算力一定增加有效產出；
不主張更多 Agent 一定提高組織能力；
不主張 AI 生產具有零邊際成本；
不主張本地模型必然比 API 便宜；
不主張 API 必然比本地模型品質更高；
不主張所有 AI 生成物都可計入生產力；
不主張模型 benchmark 可以直接代表企業產能；
不主張 AI 投資與人力投資是完全可替代生產要素；
不主張 AI 將使 headcount 普遍下降；
不主張算力資本深化必然帶來平均分配或普遍繁榮；
不主張本文已建立經驗上完成驗證的生產函數；
不主張完整 EWDT 是理解本命題的必要前置。

本文真正主張的是：

\boxed{ \text{在部分任務域中，算力資本可以透過 AI 生產棧被轉化為可持續、可調度、可驗證的有效智能生產能力。} }

當這種能力可以執行原本需要額外人類時間才能完成的任務時，新增算力便取得「類勞動」的經濟功能。本文將這種資本功能轉換稱為「算力資本的勞動化」。

1. 問題提出：買一台更好的電腦，何時開始像擴編？

傳統企業購買電腦，通常被理解為資本深化：

K \uparrow \quad \Rightarrow \quad \text{human productivity} \uparrow.

電腦本身不工作於企業目標，而是提高人類工作者的效率。若要增加更多平行認知工作，企業通常仍需增加：

L_H,

即人類勞動。

AI 原生生產開始改變這一點。

若一台新 GPU 可以支撐額外的：

本地語言模型推理；
圖像生成 worker；
程式 Agent；
驗證 Agent；
音訊或影片生成；
搜尋與資料整理；
長時間批次任務；
多個平行世界生成流程；

則新增硬體不只是提高同一工作者的速度，而可能增加新的可執行工作槽位。

因此問題變成：

在什麼條件下，新增算力資本的邊際效果，不再只是「工具變快」，而是「企業獲得更多可被委任的有效智能工作容量」？

這正是本文的核心問題。

2. 三條既有理論線的閉合

本文不是從零開始，而是閉合三條既有研究線。

2.1 AI 時間槓桿

既有《AI 時間槓桿的多重估值》指出，AI 的價值不只是降低人工成本，而是重新組合：

T_H, \quad T_M, \quad T_G, \quad K_X, \quad C.

其中可以分別理解為人類時間、機器時間、治理時間、知識資本與貨幣成本。

其更強主張是：

\boxed{ \Omega_{AI} \supsetneq \Omega_{Human} }

可能成立，也就是 AI 使原本因成本、時間或組織限制而不可完成的任務首次成為可行。

2.2 人數—產能脫鉤

《個體機構化》提出 AI 增幅型單核複合機構，並指出：

\boxed{ N_H \not\propto Y }

開始成為可觀察的組織可能性。

傳統上，企業要增加大量認知產出，往往必須增加人數、管理層級與協調成本；AI Agent 則可能讓同一人類核心控制更多平行工作流。

2.3 Agentic Organization 的時間經濟學

《Agentic Organization 的時間經濟學》進一步定義：

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

即單位世界時間中的品質調整智能工作密度。

並定義委任槓桿：

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

因此本文新增的不是「AI 可以工作」這個事實，而是：

當更多機器算力可以承載更多被委任的智能過程時，算力資本本身開始取得擴張 $L_{\mathrm{eff}}^{AI}$ 的能力。

3. 算力不是勞動：先排除錯誤等號

最粗糙的寫法是：

\text{Compute} = \text{Labor}.

本文否定這個等號。

一張沒有模型、沒有軟體、沒有任務、沒有資料、沒有驗證流程的 GPU，不會自動形成經濟產出。

同樣地，一個很強的模型若沒有：

權限；
工具；
上下文；
工作流；
可靠輸入；
驗證；
輸出接口；

也不會自動變成企業可使用的生產能力。

因此更合理的轉化形式是：

\boxed{ K_C \xrightarrow{ M,A,S,X,V,G } L_{\mathrm{eff}}^{AI}. }

其中：

$K_C$ ：Compute Capital，算力資本；
$M$ ：Model Capability，模型能力；
$A$ ：Agentic Orchestration，Agent 編排；
$S$ ：Software and Tools，軟體、工具與 runtime；
$X$ ：Context and Knowledge Capital，上下文、資料與知識資本；
$V$ ：Verification，驗證、品質控制與 evidence；
$G$ ：Governance，授權、風險與世界提交治理；
$L_{\mathrm{eff}}^{AI}$ ：經品質、可部署性與合法性調整後的有效 AI 生產能力。

此式的重點是：

\boxed{ K_C \neq L_{\mathrm{eff}}^{AI}, }

但：

\boxed{ \frac{\partial L_{\mathrm{eff}}^{AI}}{\partial K_C} > 0 }

在某些條件下可以成立。

這就是「算力勞動化」真正要研究的邊際關係。

4. 定義：算力資本的勞動化

4.1 工作定義

本文定義：

算力資本的勞動化，是指在給定模型、Agent、軟體、知識、驗證與治理結構下，新增計算資本能夠穩定提高可被委任、可被驗證、可被交付的智能生產能力，使資本投入在部分任務域中取得類似增加有效勞動容量的經濟效果。

形式上，令：

\mathcal P = \left( K_C, M, A, S, X, V, G \right)

為 AI 生產棧，則：

L_{\mathrm{eff}}^{AI} = \Psi(\mathcal P).

若在指定任務域 $\mathcal D$ 中：

\frac{\partial L_{\mathrm{eff}}^{AI}}{\partial K_C} > 0,

且新增能力能真正形成經驗證產出，則稱存在算力勞動化效應。

4.2 為何叫「勞動化」而不是「勞動」

「勞動化」描述的是經濟功能遷移，而不是本體身份改變。

類比而言：

工廠機器不是工人；
自動化設備不是人類勞動；
但資本設備可以替代或補充部分勞動投入。

AI 的特殊性在於它開始進入原本高度依賴認知時間的任務域，因此資本與認知生產能力之間的邊界變得更模糊。

本文因此保留：

\text{Capital} \neq \text{Labor},

同時研究：

\text{Capital} \rightarrow \text{LaborLikeCapacity}.

5. 有效 AI 生產能力不是模型能力

令原始模型能力為：

C_M.

企業真正取得的能力不是 $C_M$ 本身，而是：

\boxed{ L_{\mathrm{eff}}^{AI} = C_M \cdot q_A \cdot q_S \cdot q_X \cdot q_V \cdot q_G \cdot u_K, }

其中各 $q$ 可視為介於 $0$ 與 $1$ 的有效化係數，而 $u_K$ 表示可被實際利用的算力容量。

這不是唯一生產函數，而是一個結構性示意。

如果：

q_V \approx 0,

大量生成結果無法被信任。

如果：

q_G \approx 0,

結果可能無法合法部署或提交。

如果：

q_X \approx 0,

Agent 缺乏必要上下文。

如果：

u_K \approx 0,

模型再強也沒有可用 runtime。

因此：

\boxed{ \text{Model Capability} \not\Rightarrow \text{Productive Capacity}. }

6. 從「一張 GPU」到「一個 Worker Slot」

假設一個本地圖像模型在既定品質門檻下，單一 GPU 每日可完成：

n_g

個候選資產。

其中通過 QA 的比例為：

p_a.

則每日可接受產出約為：

T_A = n_g p_a.

若新增一張 GPU，在其他瓶頸不變時使：

T_A' > T_A,

則新增硬體已經不是單純加速同一張圖，而是提高整條產線的可交付 throughput。

更一般地，定義經驗證產出吞吐：

\boxed{ \rho_{\mathrm{prod}} = \frac{ N_{\mathrm{accepted\ outputs}} }{ \Delta t_W }. }

如果：

\frac{\partial \rho_{\mathrm{prod}}}{\partial K_C} > 0,

則算力資本增加有效生產容量。

這種關係特別容易出現在：

圖像批量生成；
影音轉碼與生成；
合成資料；
程式測試；
數學候選搜尋；
大量文件轉換；
embedding；
模型推理；
模擬與篩選。

7. 世界時間不增加，但智能時間密度增加

時間經濟學必須保留一個核心不變式：

\boxed{ \text{More Compute} \neq \text{More World Time}. }

一天仍然是一天。

但在同一世界時間 $\Delta t_W$ 中，可以存在更多平行的機器智能過程。

因此：

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

可以隨 $K_C$ 增加而上升。

若有：

m

個近似獨立工作流，且它們可被不同 worker 同時執行，則：

W_I \uparrow

而：

\Delta t_W

不必等比例增加。

因此真正被資本購買的，不是「更多世界時間」，而是：

\boxed{ \text{More Effective Intelligent Processes per Unit World Time}. }

8. 人類治理時間是另一種瓶頸

算力勞動化不代表人類可以消失。

令人類治理時間為：

T_H^{gov}.

若 Agent 數量增加：

N_A \uparrow,

但每一個 Agent 都要求人類逐步確認，則：

T_H^{gov} \uparrow

可能迅速成為瓶頸。

因此真正重要的是：

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

如果新增算力只是增加更多需要人工收拾的輸出：

K_C \uparrow \quad \text{but} \quad \Lambda_D \downarrow,

則算力並未成功勞動化。

因此本文提出：

\boxed{ \text{Compute Laborization requires governance decoupling without verification collapse}. }

也就是人類低價值介入必須下降，但驗證品質不能同時崩潰。

9. 驗證後產出才是生產力分子

假設系統每天生成：

10{,}000

個候選。

但真正可使用的只有：

500.

不能把 $10{,}000$ 全部算成生產力。

因此定義：

Y_{\mathrm{eff}} = Y_{\mathrm{raw}} \cdot q_{\mathrm{valid}} \cdot q_{\mathrm{deploy}} \cdot q_{\mathrm{use}}.

其中：

$q_{\mathrm{valid}}$ ：驗證通過比例；
$q_{\mathrm{deploy}}$ ：可部署比例；
$q_{\mathrm{use}}$ ：真正被使用、吸收或提交的比例。

於是：

\boxed{ \text{Raw Generation} \neq \text{Effective Production}. }

算力資本的勞動化只有在 $Y_{\mathrm{eff}}$ 提高時才具有強經濟意義。

10. 算力勞動化係數

為了描述新增算力對有效智能生產能力的貢獻，本文提出第一代概念性係數：

\boxed{ \lambda_C = \frac{ \Delta L_{\mathrm{eff}}^{AI} }{ \Delta K_C }. }

$\lambda_C$ 不是物理常數，也不是跨任務固定值。

它取決於：

\lambda_C = f( M, A, S, X, V, G, \mathcal D, B ),

其中 $\mathcal D$ 為任務域， $B$ 為其他瓶頸。

若：

\lambda_C \approx 0,

增加硬體幾乎不能增加有效產能。

可能原因包括：

任務不可平行；
模型能力不足；
資料不足；
人類審查卡死；
I/O 瓶頸；
軟體 orchestration 不成熟；
需求不足；
生成品質過低。

若：

\lambda_C \gg 0,

則新增算力可有效增加可交付工作容量。

11. 邊際算力勞動價值

令一單位有效 AI 生產能力的經濟價值為：

v_L.

則新增算力的邊際勞動化價值可概念性表示為：

\boxed{ MV_C^{labor} = v_L \frac{ \partial L_{\mathrm{eff}}^{AI} }{ \partial K_C } - MC_C, }

其中 $MC_C$ 包括：

硬體折舊；
電力；
散熱；
儲存；
維護；
軟體與模型成本；
驗證；
治理；
風險。

若：

MV_C^{labor}>0,

則新增算力在該任務域具有正的類勞動邊際價值。

這個式子也說明：

「GPU 很強」不等於「值得買」。

真正要看的是它能否增加經驗證產出，以及增加的產出是否有足夠價值。

12. 人數—產能脫鉤 2.0

傳統近似直覺：

Y = F(K,L_H).

AI 原生企業至少需要擴充為：

\boxed{ Y = F( K_P, L_H, K_C, M, A, S, X, V, G ), }

其中 $K_P$ 為傳統物理資本。

當：

\frac{\partial Y}{\partial K_C} > 0

且：

\frac{\partial Y}{\partial N_H}

不再是唯一主要擴產路徑時，就出現人數—產能脫鉤。

強形式不是：

N_H \downarrow.

而是：

\boxed{ \frac{\partial Y}{\partial N_H} \text{ 不再決定全部產能擴張。} }

因此企業可能出現：

Y\uparrow, \qquad N_H\approx\text{constant}.

甚至在特定數位產品上：

Y\uparrow\uparrow, \qquad N_H \text{ only slightly rises}.

這是組織結構上的真正變化。

13. 三種擴產方式：僱人、買算力、租智能

AI 原生企業的邊際擴產可以粗分為三條路徑。

13.1 Human Hiring

H: C_H \rightarrow L_H.

優點：

高社會理解；
可承擔複雜責任；
適合模糊與高語境工作；
可處理線下、具身與跨人際工作；
可形成長期組織記憶。

成本包括：

薪資；
招募；
管理；
福利；
培訓；
溝通；
同步時間；
組織摩擦。

13.2 Local Compute

C_L: I_C \rightarrow K_C \rightarrow L_{\mathrm{eff}}^{AI}.

其中 $I_C$ 為資本支出。

優點：

大量生成時邊際成本可能下降；
工作流、模型與版本可凍結；
可持續背景執行；
資料控制較高；
可建立專用 LoRA、checkpoint、runtime；
可反覆重現相同生產條件。

成本包括：

高前期資本；
電力與折舊；
顯存限制；
模型維護；
技術負擔；
開源模型能力可能落後前沿。

13.3 Rented Intelligence

C_R: M_R \rightarrow \text{API/Cloud Intelligence} \rightarrow L_{\mathrm{eff}}^{AI}.

優點：

前期資本低；
可取得前沿模型；
易於彈性擴縮；
不需自行維護大型推理基礎設施。

成本包括：

邊際呼叫成本；
價格變動；
rate limit；
模型版本漂移；
服務依賴；
隱私與資料治理；
大規模持續生產時成本累積。

因此企業的選擇不再只有：

\text{Hire or Not}.

而是：

\boxed{ \text{Hire Human} \quad \text{vs} \quad \text{Buy Compute} \quad \text{vs} \quad \text{Rent Intelligence}. }

14. API 與本地模型：成本函數不同

API 的總成本可粗略寫為：

C_{\mathrm{API}}(N) = F_{\mathrm{API}} + N c_{\mathrm{call}},

其中 $N$ 為有效工作量。

本地算力則可寫為：

C_{\mathrm{local}}(N) = F_{\mathrm{hardware}} + F_{\mathrm{setup}} + C_{\mathrm{energy}}(N) + C_{\mathrm{maint}}(N).

因此平均成本：

AC_{\mathrm{API}}(N) = \frac{ C_{\mathrm{API}}(N) }{ N },

AC_{\mathrm{local}}(N) = \frac{ C_{\mathrm{local}}(N) }{ N }.

當 $N$ 很小時，API 往往較有利。

當 $N$ 持續上升，且本地模型品質足夠時：

AC_{\mathrm{local}}(N) < AC_{\mathrm{API}}(N)

可能成立。

這不是普遍定律，因為還要考慮：

模型品質差；
GPU 使用率；
資本成本；
電價；
更新速度；
人員維護成本。

但它解釋了為什麼「AI 工廠」與「偶爾使用 AI」具有完全不同的技術經濟結構。

15. AI 工廠：算力勞動化的最直觀案例

假設一個 AI 原生美術產線由下列模組構成：

\text{World/Character Specification} \rightarrow \text{Agent Planning} \rightarrow \text{Prompt/Control Generation} \rightarrow \text{Image Model} \rightarrow \text{QA} \rightarrow \text{Repair} \rightarrow \text{Asset Commit}.

若每一個 GPU worker 都可承擔一組獨立工作，則增加 GPU 可提高：

N_{\mathrm{parallel\ jobs}}.

此時：

K_C\uparrow \rightarrow \rho_{\mathrm{prod}}\uparrow.

而不是只讓某一個人「畫得更快」。

當同樣架構被擴展到：

圖像；
音樂；
語音；
影片；
遊戲素材；
世界觀投影；

就形成：

\boxed{ \text{Autonomous Multimodal Production Capacity}. }

此時算力的經濟角色已非常接近「數位工廠產能」。

16. 為什麼「超算」的經濟意義正在改變

傳統超算主要被理解為：

科學計算；
模擬；
HPC；
大規模資料處理。

AI Agent 時代新增一種用途：

同一計算設施可以承載大量可被委任的異質認知工作流。

因此一個 AI 原生組織擁有更多算力，可能意味：

\begin{aligned} &\text{更多同步 Agent},\\ &\text{更長推理預算},\\ &\text{更多候選探索},\\ &\text{更高頻驗證},\\ &\text{更多影音生成},\\ &\text{更多模型實例},\\ &\text{更低等待時間}. \end{aligned}

如果這些工作都能被有效吸收：

\boxed{ \text{Compute Infrastructure} \rightarrow \text{Organizational Productive Capacity}. }

因此未來企業購買高階工作站、GPU 叢集或雲端計算額度，部分情況下將不再只是 IT 預算，而更接近：

\text{capacity expansion}.

17. 算力勞動化的五個必要條件

本文提出至少五個必要但未必充分的條件。

17.1 任務可數位化

任務必須至少部分能表示為：

\text{digital state} \rightarrow \text{digital transformation} \rightarrow \text{verifiable output}.

純具身、強現場、強人際信任任務的算力勞動化程度較低。

17.2 任務可委任

若所有步驟都必須由人類持續即時操作：

\Lambda_D \approx 1

甚至更低，則 Agent 無法形成高委任槓桿。

17.3 任務可驗證

生成容易但驗證困難的工作會造成：

D_V \uparrow,

即 verification debt。

若驗證成本超過生成收益，新增算力可能形成負價值。

17.4 任務可平行

若所有工作存在單一不可約 critical path：

D_I \approx W_I,

則更多 worker 不能有效提高曆時產能。

17.5 產出可被世界吸收

即使產出有效，如果沒有：

需求；
部署；
發布；
使用；
銷售；
知識沉積；

則：

\rho_{\mathrm{commit}}

仍可能很低。

18. 算力勞動化的三種失敗模式

18.1 算力過剩

若：

K_C\uparrow

但：

\text{Demand} \approx 0,

則新增能力無法變成經濟產出。

18.2 驗證瓶頸

若：

\lambda_G > \lambda_V,

其中 $\lambda_G$ 為生成速率， $\lambda_V$ 為驗證速率，則未驗證候選持續累積。

18.3 組織吸收瓶頸

若 AI 每天能產生大量結果，但企業流程、法務、產品或市場無法吸收：

\text{AIOutput} \gg \text{AbsorptionCapacity}.

則真正有效產出仍受限制。

因此：

\boxed{ \text{Compute abundance can migrate the bottleneck instead of removing it}. }

19. 外部理論對照：Agents are not labor

Zhu 在 2026 年的 Who Prices Cognitive Labor in the Age of Agents? Compute-Anchored Wages 中提出一個重要修正：AI Agent 不應直接被視為 labor，而是將 compute capital 轉成 effective cognitive labor 的 production technology。

其核心形式可概括為：

K_C \rightarrow L_A.

本文接受這個區分，並向前擴展兩步。

第一，實際企業中的轉化不只依賴算力：

K_C \xrightarrow{ M,A,S,X,V,G } L_{\mathrm{eff}}^{AI}.

第二，時間經濟學不只關心 cognitive labor 的均衡價格，也關心：

\Delta t_W, \quad T_H^{gov}, \quad \rho_{\mathrm{intel}}, \quad \Lambda_D, \quad \Omega.

因此「算力勞動化」不是把 Agent 重新標成勞工，而是研究：

資本如何經由 AI 生產棧取得擴張有效智能工作容量的功能。

20. 外部理論對照：Computational Work

Lee 在 2026 年的 The AI Production Function: Code Capital, Context Capital, and Computational Labor 中，提出 Code Capital、Context Capital 與 Computational Work 三項 AI 原生生產原語，並明確指出 AI-native production 無法由傳統物理資本與人類工時完整描述。

這與本文具有高度相容性。

但本文保留兩個額外區分。

第一：

\text{Computational Work} \neq \text{Validated Economic Work}.

第二：

\text{Compute Token} \neq \text{World-Time Value}.

同樣數量的計算可以：

產生垃圾；
產生可驗證程式；
找到數學反例；
生成一套可賣遊戲素材。

因此計算量不能直接替代價值核算。

21. 2026 年的經驗訊號

Stanford 2026 AI Index 顯示，受調查組織中約 $88\%$ 報告至少在某處使用 AI，生成式 AI 在至少一項業務功能中的使用率約為 $70\%$ ；然而 AI Agent 在多數業務功能中的部署仍處於個位數百分比。

這組數據的重要性不是證明本文已成立，而是顯示：

\boxed{ \text{AI Adoption} \gg \text{Deep Agentic Production Adoption}. }

換句話說，目前大量組織仍處於：

\text{AI as Tool}

而不是：

\text{AI as Persistent Productive Capacity}.

Stanford 同時整理到，AI 生產力收益目前在結構化、可測量、容易監控的工作上較明顯。這恰好符合本文的預測：任務越容易數位化、委任、驗證與平行化，算力勞動化係數 $\lambda_C$ 越可能較高。

22. 可檢驗的研究假說

本文提出下列可反駁假說。

H1：任務結構假說

在高度數位化、可驗證與可平行的任務域：

\lambda_C > 0

應顯著高於低數位化、低可驗證任務。

H2：Agent 編排互補假說

在固定算力下：

A\uparrow \rightarrow L_{\mathrm{eff}}^{AI}\uparrow

若 Agent orchestration 改善。

H3：驗證瓶頸假說

當：

\lambda_G > \lambda_V,

繼續增加生成算力對有效產出的邊際收益下降。

H4：本地規模假說

對高頻、可重複、模型品質需求可由本地模型滿足的工作，當 $N$ 超過某規模後：

AC_{\mathrm{local}}(N) < AC_{\mathrm{API}}(N)

可能成立。

H5：人數—產能脫鉤假說

在 AI-native firm 中，當算力、Agent 與知識資本持續深化時：

\frac{ \Delta Y }{ \Delta N_H }

應高於傳統組織基準，但不代表 $N_H$ 必然下降。

H6：瓶頸遷移假說

當 $K_C$ 快速增加，主要瓶頸會從生成能力轉移至：

V, G, \text{Demand}, \text{Energy}, \text{Data}, \text{Deployment}

中的其他維度。

23. 一個更完整的 AI 原生生產函數

本文暫提出一個研究用的結構形式：

\boxed{ Y_t^{AI} = F \left( L_{H,t}, K_{C,t}, M_t, A_t, S_t, X_t, V_t, G_t, D_t \right), }

其中 $D_t$ 表示需求與吸收能力。

這不是要宣稱單一函數可以解釋所有 AI 經濟，而是指出：

\boxed{ K_C \text{ 的生產效果是互補條件依賴的。} }

偏導：

\frac{\partial Y}{\partial K_C}

不是只由硬體決定，而受到其他變數交互作用。

例如：

\frac{ \partial^2 Y }{ \partial K_C \partial V } > 0

可以表示驗證能力提高，使新增算力更能轉化為有效產出。

同理：

\frac{ \partial^2 Y }{ \partial K_C \partial A } > 0

可以表示 Agent orchestration 與算力互補。

24. 從時間經濟學到可購買智能

時間經濟學原本研究：

貨幣如何取得、配置或延後他人的時間？

AI 原生生產增加一條新的制度路徑：

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

也就是貨幣可以先購買：

GPU；
雲端算力；
API 額度；
模型；
儲存與能源；

再取得機器運算時間與智能工作能力。

因此：

\boxed{ \text{Money can increasingly purchase machine-mediated intelligent time}. }

這不消滅人類時間，而是重寫時間索取結構。

過去：

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

現在增加：

M \rightarrow \mathsf{Claim}(K_C,T_M,L_{\mathrm{eff}}^{AI}).

因此貨幣所能購買的「智能時間」種類正在擴張。

25. 算力資本與新的企業邊界

Coase 的企業理論把企業邊界與交易成本連接。

AI 原生企業需要新增另一個問題：

當某項工作可以由內部 Agent、本地模型、外部 API 或人類市場完成時，企業應把哪一條路徑納入內部？

如果本地 AI 工廠的長期成本低於市場採購：

C_{\mathrm{local}} < C_{\mathrm{market}},

且治理成本可接受，企業可能把更多生產內部化。

反過來，如果前沿能力更新太快：

C_{\mathrm{upgrade}} \gg C_{\mathrm{API}},

租用外部智能可能更合理。

因此企業邊界不再只有：

\text{Make} \quad \text{vs} \quad \text{Buy}.

而開始成為：

\boxed{ \text{Human} \quad \text{vs} \quad \text{Local Agentic Production} \quad \text{vs} \quad \text{External AI Service}. }

這將在本系列第 5 與第 6 篇進一步處理。

26. 算力集中與新型資本不平等

如果算力可以轉化為有效智能生產能力，則：

K_C

的分配開始具有比傳統 IT 設備更大的經濟含義。

高算力企業可能同時取得：

更多並行 Agent；
更多探索；
更快測試；
更高生成量；
更大上下文處理；
更高頻驗證。

因此可能形成：

\boxed{ \text{Compute Inequality} \rightarrow \text{Productive Intelligence Inequality}. }

但此關係並非線性。

小型組織若有更好的：

A,S,X,V,G

也可能比低效率的大型算力持有者形成更高：

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

所以真正競爭的是：

\boxed{ \text{Compute} \times \text{Architecture} \times \text{Knowledge} \times \text{Verification}. }

而不是 GPU 數量本身。

27. 算力資本不只是企業成本，也可能成為產能資產

如果一台工作站只能讓員工開更多瀏覽器，它主要是辦公設備。

如果同一台工作站可以在夜間持續：

生成數千個候選；
跑測試；
進行模型推理；
建構資產；
做資料轉換；
形成可交付產品；

則它開始具有：

\boxed{ \text{productive capacity asset} }

的性質。

因此未來衡量 AI-native firm 時，除了：

\text{Revenue}, \text{Headcount}, \text{Cash}, IP,

還可能需要觀察：

\boxed{ \text{Verified Productive Compute Capacity}. }

這不是 GPU 標稱 FLOPS，而是：

目前這家公司每天真正能把多少算力轉成可使用、可出售、可部署或可沉積的成果？

28. 與 EWDT 的接口：效率提升不等於世界域擴張

本文不需要完整 EWDT 才成立，但 EWDT 能提供更高階區分。

令組織轉化能力為：

\mathbf C^{tr}.

新增算力可能：

\Delta K_C \rightarrow \Delta \mathbf C^{tr}.

在指定時間窗 $H$ 中，組織可到達的轉化包絡為：

\mathfrak T_t^{(H)}.

因此：

\boxed{ \Delta K_C \rightarrow \Delta\mathbf C^{tr} \rightarrow \Delta\mathfrak T_t^{(H)}. }

如果新增算力只使同一任務快 $20\%$ ：

\text{Efficiency} \uparrow.

但如果它使原本不可完成的任務：

z \notin \Omega_t

變成：

z \in \Omega_{t+1},

則可能發生：

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

因此算力的兩種經濟作用必須分離：

\boxed{ \text{Efficiency Deepening} \neq \text{Feasible-World Expansion}. }

這也是本系列最後將與 EWDT 完整閉合的地方。

29. 本文的六個核心命題

命題一：非同一命題

\boxed{ K_C \neq L_H. }

算力資本不是人類勞動。

命題二：轉化命題

\boxed{ K_C \xrightarrow{ M,A,S,X,V,G } L_{\mathrm{eff}}^{AI}. }

算力可透過 AI 生產棧形成有效智能生產能力。

命題三：時間密度命題

在可平行任務中：

K_C\uparrow \Rightarrow \rho_{\mathrm{intel}}\uparrow

可能成立，而不增加世界時間。

命題四：人數—產能脫鉤命題

\boxed{ Y\uparrow \not\Rightarrow N_H\uparrow }

在 AI-native organization 中可以成為更普遍的組織狀態。

命題五：驗證守門命題

\boxed{ \text{RawAIOutput} \not\Rightarrow L_{\mathrm{eff}}^{AI}. }

未經驗證、不可部署、不可吸收的輸出不得完整計入有效產能。

命題六：世界域擴張命題

若：

\Delta K_C \rightarrow \Delta\mathbf C^{tr} \rightarrow z\in\Omega_{t+1},

且：

z\notin\Omega_t,

則新增算力可能不只提高效率，而是擴張主體或組織的可行世界。

30. 對企業決策的直接含義

本文的直接實務含義不是「大家去買 GPU」，而是企業必須開始回答新的資本配置問題：

哪些任務已具備高 $\lambda_C$ ？
哪些工作仍以人類時間為主要瓶頸？
哪些工作適合 API？
哪些工作已達本地化規模？
驗證能力是否跟得上生成能力？
新增 GPU 是擴產，還是只是增加閒置率？
是否有足夠需求吸收新增產能？
模型與 workflow 能否凍結以維持長期一致性？
是否應把前沿推理留在雲端，把高量 production 移回本地？
是否已建立足夠 Agent orchestration，使新增算力能真正被委任？

因此真正的 AI 資本預算應比較：

ROI_{\mathrm{human}}, \quad ROI_{\mathrm{local\ compute}}, \quad ROI_{\mathrm{rented\ intelligence}}.

而不是只比較模型 benchmark。

31. 理論限制

31.1 有效 AI 生產能力難以標準化

不同任務的：

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

不可簡單加總。

一小時數學證明搜尋與一百張背景圖生成不是同一生產單位。

31.2 品質與責任仍難完全內生化

高風險領域中的錯誤成本可能極大，使：

q_V

成為主要限制。

31.3 算力市場價格不是固定

硬體、電力、雲端租金與模型 API 價格都會變化。

因此：

MV_C^{labor}

具有高度時間依賴。

31.4 開源與閉源能力差距會移動

本地化經濟性依賴開源模型是否足以完成特定工作，不應把某一時點的模型差距當成永久結構。

31.5 組織能力具有內生性

更好的組織會吸引更多資本，也可能建立更好的 Agent 系統，因此因果識別需要縱向資料。

31.6 人類勞動不只是可計算認知輸出

人類還涉及：

法律責任；
社會信任；
照護；
具身行動；
文化參與；
制度正當性。

因此本文只研究部分經濟功能的替代與互補。

32. 後續研究問題

如何建立跨任務可比較的 $L_{\mathrm{eff}}^{AI}$ ？
如何實證估計 $\lambda_C$ ？
如何區分算力利用率與真正的智能產能利用率？
本地模型與 API 的成本交叉點如何隨模型能力變化？
AI 產線的折舊應如何計算？
checkpoint、LoRA、prompt、workflow 與 context 是否應列為不同型態資本？
算力資本深化如何改變工資？
哪些人類職業與 AI 生產能力是替代關係，哪些是互補關係？
高算力企業是否會形成新的中觀市場權力？
AI 工廠是否會使小型企業的最低有效規模下降？
一人公司可以在何種任務域達到傳統多人企業產能？
驗證成本何時成為 AI 生產的主要邊際成本？
能源約束如何限制算力勞動化？
世界域擴張應如何從單純效率提升中被經驗識別？
當算力成為可購買智能時間後，貨幣的時間索取結構如何改變？

33. 結論

人工智慧正在改變資本與勞動之間的一條重要邊界。

傳統數位資本主要透過：

K_C \rightarrow \text{Human Productivity}.

AI 原生生產則新增：

\boxed{ K_C \xrightarrow{ M,A,S,X,V,G } L_{\mathrm{eff}}^{AI}. }

因此，企業購買更多計算能力，在部分任務域中開始具有與擴張有效勞動容量相似的功能。

這不是因為 GPU 變成了人。

也不是因為 Agent 在本體上等於勞工。

而是因為：

資本開始可以直接承載、複製、平行化並持續運行部分原本必須依賴人類認知時間才能完成的生產過程。

由此，AI 時代的企業擴產問題開始從：

還要僱多少人？

轉向：

應該增加多少人類時間、多少本地算力、多少外部智能服務，以及多少驗證與治理能力？

時間經濟學因此需要新增一條基本轉化：

\boxed{ \text{Money} \rightarrow \text{Compute Capital} \rightarrow \text{Machine-Mediated Intelligent Time} \rightarrow \text{Validated Productive Capacity}. }

而人數—產能脫鉤也不再只是「AI 幫一個人工作得更快」。

更強的形式是：

\boxed{ \text{同一人類治理核心可以透過更多算力與 Agent，控制更多平行的有效生產過程。} }

當這些過程真正形成產品、知識、程式、圖像、音樂、影片、研究、交易或其他世界提交時，新增算力就不只是硬體升級。

它成為產能擴張。

如果進一步使原本不可達的任務進入可行集合：

z\notin\Omega_t, \qquad z\in\Omega_{t+1},

那麼它甚至不只是生產率提高，而是可行世界的擴張。

本文因此提出本系列的第一個總命題：

\boxed{ \text{AI 時代的算力資本，正在從「提高人類效率的工具資本」，} }

\boxed{ \text{部分轉化為「可被購買、配置與擴張的智能生產能力資本」。} }

下一篇將進一步處理這個轉變對時間經濟學最直接的後果：

當貨幣不再只能透過市場索取人類時間，而可以直接購買大量機器智能時間時，「可購買智能」如何改寫時間資本化、價格、委任與生產能力？

參考文獻

EveMissLab 既有理論

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. 《經濟世界域轉化論》系列，尤其 EWDT-08、EWDT-12、EWDT-13、EWDT-18. 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
Lee, Sangseng. “The AI Production Function: Code Capital, Context Capital, and Computational Labor.” SSRN, 2026. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=7242925
Stanford Institute for Human-Centered Artificial Intelligence. The 2026 AI Index Report, Chapter 4: Economy, 2026. https://hai.stanford.edu/ai-index/2026-ai-index-report/economy
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.
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: Implications of Technology for Growth, Factor Shares, and Employment.” American Economic Review, 2018.
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
$K_C$	算力資本
$M$	模型能力
$A$	Agent 編排能力
$S$	軟體、工具與 runtime
$X$	上下文與知識資本
$V$	驗證能力
$G$	治理、授權與風險控制
$L_H$	人類勞動投入
$L_{\mathrm{eff}}^{AI}$	有效 AI 生產能力
$\lambda_C$	算力勞動化係數
$\rho_{\mathrm{intel}}$	智能時間密度
$\rho_{\mathrm{prod}}$	經驗證生產吞吐
$\Lambda_D$	委任槓桿
$T_H^{gov}$	人類治理時間
$\Delta t_W$	世界曆時
$\Omega$	可行集合
$\mathbf C^{tr}$	世界域轉化能力
$\mathfrak T^{(H)}$	指定時間窗中的世界轉化包絡

附錄 B：最小實證資料表

未來若要把本文從理論框架推進到企業實證，建議每一個 AI-native production workflow 至少紀錄：

任務類型；
使用模型；
本地或 API；
GPU / TPU 型號與數量；
有效推理時間；
電力或 API 成本；
Agent 數量；
人類治理時間；
原始輸出數量；
驗證通過數量；
重試次數；
最終可交付數量；
世界曆時；
與人工基準的品質差；
與人工基準的成本差；
與人工基準的曆時差；
是否產生新可行任務；
產出是否真正被部署、發布、使用或銷售；
workflow 是否形成可重用知識資本；
新增一單位算力後的邊際有效產能變化。

由此可估計：

\lambda_C = \frac{ \Delta L_{\mathrm{eff}}^{AI} }{ \Delta K_C },

以及：

\frac{ \Delta Y_{\mathrm{eff}} }{ \Delta C_{\mathrm{compute}} }.

這將使「買更多算力是否像擴編」從直覺命題進入可驗證的生產經濟學問題。