# 可靠自主勞動門檻：為什麼經濟相變不必等待 AGI ## The Reliable Autonomous Labor Threshold: Why Economic Discontinuity Does Not Require AGI **系列**：閉環全域智能：從模型競賽到文明級智能系統，第 3 篇／共 8 篇＋1 篇總結 **系列英文名**：Closed-Loop Global Intelligence: From Model Competition to Civilization-Scale Intelligent Systems **文件編號**：EML-CLGI-2026-03-v0.1 **作者**：Neo.K with Aletheia（GPT-5.6 Sol） **機構**：EveMissLab／一言諾科技有限公司 **版本**：v0.1 **日期**：2026-09-02 **性質**：理論框架／Agentic Labor Economics／Temporal Economics／Autonomous Systems／AI Political Economy **狀態**：Public Theory Draft **直接前置**：EML-CLGI-2026-01《模型不是智能系統》；EML-CLGI-2026-02《超級智能的整合路徑》；《AI 時間槓桿的多重估值》；《Agentic Organization 的時間經濟學》 --- ## 生成、邊界與可反駁性聲明 本文是一篇 AI 輔助生成的理論研究稿。 本文不主張當前所有 Agent 已經足以廣泛替代人類，也不主張工作市場會依照單一路徑快速自動化。本文討論的是一個較窄但重要的命題： > 經濟體系發生重大 AI 勞動相變，不需要先等到模型被普遍承認為 AGI；只要某類 Agent 在足夠多任務域跨過「品質達標、低未檢出錯誤、可恢復、長期自主、低治理時間與成本優勢」的共同門檻，它就可能先成為一個具有經濟意義的自主智能勞動單元。 本文因此區分： $$ \text{AGI Threshold} \neq \text{Economic Substitution Threshold}. $$ 同時區分： $$ \text{Capability Demonstration} \neq \text{Reliable Production}. $$ 本文不把「能做一次」視為「可以長期部署」，也不把「可以替代某些任務」擴張為「可以替代整個職業」或「可以替代所有人類工作」。 --- # 摘要 AI 與勞動市場的討論經常以 AGI 作為主要分界：當 AI 達到人類通用智能時，才會大規模影響白領、專業工作與組織結構。本文提出另一種可能：經濟相變的真正門檻可能顯著早於 AGI，而且其核心不是模型是否在所有領域達到人類水平，而是 Agent 是否在特定任務集合中達到「可靠自主勞動門檻」。 本文將自主 Agent 的經濟可用性分解為六個核心條件：最低品質門檻、可靠性、未檢出錯誤率、恢復能力、自主曆時與人類治理密度。若一個 Agent 的平均品質已高於任務最低可接受品質，且錯誤能被驗證、回溯、重試與局部隔離，使真正能污染長期狀態的未檢出錯誤維持在可接受風險範圍；同時，Agent 可以在低人類介入下持續工作數小時、數日或更久，並以低於可比人類流程的成本產生可驗證成果，則它已具有「自主智能勞動單元」的經濟性質，即使它仍不是 AGI。 本文提出可靠自主勞動門檻： $$ \Theta_{\mathrm{RAL}} = \left\{ Q_A \ge Q_{\min}, \; U_A \le \epsilon, \; \Gamma_A \ge \Gamma_{\min}, \; T_A^{\mathrm{aut}} \ge T_{\min}, \; \rho_H \le \rho_H^{\max}, \; C_A^{*} < C_H^{*} \right\}, $$ 其中 $Q_A$ 是品質， $U_A$ 是未檢出且不可恢復錯誤率， $\Gamma_A$ 是恢復能力， $T_A^{\mathrm{aut}}$ 是可維持自主工作的曆時， $\rho_H$ 是人類介入密度， $C_A^{*}$ 與 $C_H^{*}$ 分別為風險與驗證調整後的 Agent 與人類成本。 本文進一步指出，Agent 的經濟競爭對象通常不是最頂尖專家，而是大量「要求穩定中上品質、可驗收、可持續與可追蹤」的組織任務。當這類工作可以被自主 Agent 持續完成時，經濟效果來自四個槓桿：人類治理時間釋放、24/7 機器智能時間、可利用平行度，以及成果的歷史累積。這使「單次能力是否勝過頂尖人類」與「總經濟產出是否具有替代性」成為兩個不同問題。 本文最後主張，AI 勞動相變可能不是一個單一瞬間，而是任務級門檻在不同職業中逐步被跨越。首先被重構的可能不是最需要極端原創性的工作，而是具備明確驗收標準、可分解、可重試、資訊可外部取得、錯誤可驗證、成果可累積的工作。當大量任務先被抽離，職業本身才進一步被重組。因此未來勞動研究應從「AI 能不能取代這個職業」轉向「這個職業中有多少任務已跨過可靠自主勞動門檻」。 **關鍵詞**：自主 Agent、AI 勞動、可靠自主勞動門檻、AGI、時間經濟學、未檢出錯誤、恢復能力、人類治理時間、數位勞動、經濟相變 --- # 0. 問題的提出：為什麼所有人都在等 AGI？ AI 對勞動市場的流行敘事常被寫成： $$ \text{Current AI} \longrightarrow \text{AGI} \longrightarrow \text{Mass Automation}. $$ 這條時間線暗示： > 在 AGI 之前，AI 主要是工具；到了 AGI 之後，才會出現真正自主的機器勞動。 但這個推論混合了兩種不同門檻： $$ \Theta_{\mathrm{cog}} = \text{general cognitive threshold}, $$ 以及： $$ \Theta_{\mathrm{econ}} = \text{economic production threshold}. $$ 一個系統可能尚未跨過： $$ \Theta_{\mathrm{cog}}, $$ 卻已經在某類任務跨過： $$ \Theta_{\mathrm{econ}}. $$ 原因很簡單。 公司購買勞動的目的，不是購買一個「哲學上完整的人類等價智能」。 公司真正需要的是： $$ \text{acceptable output} + \text{reliability} + \text{timeliness} + \text{accountability} + \text{cost efficiency}. $$ 因此，AGI 不是所有經濟任務的必要條件。 --- # 1. 經濟替代的比較對象不是天才，而是任務要求 假設某一任務的最低可接受品質為： $$ Q_{\min}. $$ 頂尖人類專家的品質可能為： $$ Q_{\mathrm{elite}} = 0.98. $$ 某 Agent 只有： $$ Q_A = 0.82. $$ 如果： $$ Q_{\min} = 0.75, $$ 則： $$ Q_A < Q_{\mathrm{elite}} $$ 與： $$ Q_A \ge Q_{\min} $$ 可以同時成立。 這表示： > Agent 不需要擊敗最強人類，才能成為可用生產單元。 大量經濟活動的真實要求並不是： $$ \max Q. $$ 而是： $$ Q \ge Q_{\min} $$ 之後，再比較： $$ \text{cost}, \quad \text{speed}, \quad \text{availability}, \quad \text{reliability}. $$ 因此： $$ \boxed{ \text{Economic usefulness is thresholded, not purely ranked.} } $$ --- # 2. 從「能做」到「能可靠地做」 AI demo 常證明： $$ P( \text{successful completion} ) > 0. $$ 但生產系統真正需要的是： $$ P( \text{reliable completion} ) \ge r_{\min}. $$ 兩者差異很大。 一個 Agent 偶爾能： - 寫出完整軟體； - 做出高品質分析； - 解決數學問題； - 完成市場研究； 並不代表它適合直接進入長期組織流程。 因此需要區分： $$ \text{Capability} $$ 與： $$ \text{Production Reliability}. $$ 真正的勞動替代不是： $$ \text{AI can do task } T. $$ 而是： $$ \boxed{ \text{AI can repeatedly complete } T \text{ under bounded risk and bounded supervision.} } $$ --- # 3. 可靠自主勞動門檻 本文正式提出： $$ \boxed{ \Theta_{\mathrm{RAL}} = \text{Reliable Autonomous Labor Threshold}. } $$ 對任務集合 $\mathcal T$，若 Agent 滿足： $$ Q_A \ge Q_{\min}, $$ $$ U_A \le \epsilon, $$ $$ \Gamma_A \ge \Gamma_{\min}, $$ $$ T_A^{\mathrm{aut}} \ge T_{\min}, $$ $$ \rho_H \le \rho_H^{\max}, $$ 以及： $$ C_A^{*} < C_H^{*}, $$ 則可說該 Agent 在任務域 $\mathcal T$ 跨過可靠自主勞動門檻。 其中： - $Q_A$：品質； - $U_A$：未檢出且不可恢復錯誤率； - $\Gamma_A$：錯誤恢復能力； - $T_A^{\mathrm{aut}}$：可持續自主曆時； - $\rho_H$：人類介入密度； - $C_A^{*}$：風險、驗證與算力調整後 Agent 成本； - $C_H^{*}$：可比人類流程的完整成本。 --- # 4. 真正重要的不是錯誤率，而是未檢出污染率 AI 不可能要求： $$ P( \text{any error} ) = 0. $$ 人類也做不到。 更重要的是： $$ P( \text{error} \rightarrow \text{undetected persistent contamination} ). $$ 令： $$ e = P( \text{local error} ), $$ $$ d = P( \text{error detected} \mid \text{error} ), $$ $$ g = P( \text{successful recovery} \mid \text{error detected} ). $$ 則簡化的持續污染風險可以表示為： $$ U \approx e \left[ (1-d) + d(1-g) \right]. $$ 因此，就算： $$ e $$ 沒有降到極低，只要： $$ d \uparrow, $$ 以及： $$ g \uparrow, $$ 真正的： $$ U $$ 仍可大幅下降。 這是 Agent 工程的一個根本轉向： $$ \boxed{ \text{Reliable autonomy does not require perfect cognition.} } $$ 它要求的是： $$ \boxed{ \text{fallible cognition} + \text{strong error containment}. } $$ --- # 5. Checkpoint、Retry 與 Rollback 改變了長週期概率 若一個任務有： $$ n $$ 個串行步驟，每一步成功率為： $$ p, $$ 並且任何一步錯誤都永久失敗，則： $$ P_{\mathrm{success}} = p^n. $$ 這使長週期工作快速變得不可靠。 例如： $$ p = 0.99, $$ $$ n = 100, $$ 則： $$ P_{\mathrm{success}} \approx 0.366. $$ 但若每一步都有： $$ \text{checkpoint}, $$ $$ \text{verification}, $$ $$ \text{retry}, $$ $$ \text{rollback}, $$ 則失敗不再必然沿整條鏈傳播。 更合理的長期風險變成： $$ P( \text{error survives all gates} ). $$ 因此： $$ \boxed{ \text{Long-horizon reliability} \neq p^n } $$ 只要架構允許局部錯誤被吸收。 這也是為什麼可靠 Agent 的核心不只是更好的模型，而是： $$ \text{Model} + \text{Verification Architecture}. $$ --- # 6. 人類治理時間是自主勞動的真正瓶頸之一 如果 Agent 每做一步都需要： > 「是否繼續？」 那它仍然只是高能力工具。 令： $$ N_H = \text{human interventions}, $$ $$ N_T = \text{effective task transitions}. $$ 則人類介入密度： $$ \rho_H = \frac{ N_H }{ N_T }. $$ 如果： $$ \rho_H \approx 1, $$ 代表幾乎每一步都需要人。 如果： $$ \rho_H \ll 1, $$ 代表人類主要只處理： - 高風險決策； - 模糊目標； - 例外； - 最終驗收； - 不可逆提交。 因此： $$ \boxed{ \text{Autonomy} \approx \text{reduction of unnecessary human control coupling}. } $$ 這直接接到時間經濟學。 因為真正被釋放的是： $$ T_H^{\mathrm{gov}}, $$ 即有限的人類治理時間。 --- # 7. 自主曆時比單輪能力更接近經濟可用性 一個模型可以非常聰明，但只能穩定工作： $$ 10 \text{ minutes}. $$ 另一個 Agent 單輪能力稍低，但可以穩定維持： $$ 8 \text{ hours}, $$ $$ 24 \text{ hours}, $$ 甚至： $$ 7 \text{ days}. $$ 兩者的經濟意義不同。 因此定義： $$ T_A^{\mathrm{aut}} = \text{maximum reliable autonomous horizon}. $$ 當： $$ T_A^{\mathrm{aut}} \uparrow, $$ AI 能接手的任務型態會發生質變。 因為很多工作不是單次 reasoning，而是： $$ \text{observe} \rightarrow \text{act} \rightarrow \text{wait} \rightarrow \text{observe again} \rightarrow \text{update}. $$ 例如： - 長期軟體維護； - 市場監控； - 資料庫更新； - 文獻追蹤； - 錯誤修復； - 持續測試； - 客戶案件跟進； - 系統營運。 這些工作要求的是： $$ \boxed{ \text{continuity} } $$ 而不只是高峰智力。 --- # 8. 24/7 不是單純延長工作時間 人類工作時間受到： $$ T_H \le 24 \text{ h/day} $$ 的硬限制。 實際有效專注工作時間更低。 Agent 則可以在算力與成本允許下： $$ T_A \rightarrow 24/7. $$ 但真正重要的不只是： $$ T_A > T_H. $$ 而是： $$ \text{same world time} + \text{parallel intelligent processes}. $$ 若存在： $$ N_A $$ 個 Agent，可以同時處理具有可平行性的任務，則： $$ W_A \approx Q_A \cdot R_A \cdot T_A \cdot \Pi_I. $$ 其中： $$ \Pi_I $$ 是可利用平行度。 因此機器智能時間的真正槓桿是： $$ \boxed{ \text{Persistence} \times \text{Parallelism}. } $$ --- # 9. Agent 數量本身不是勞動力 必須避免： $$ N_A \uparrow \Rightarrow W_A \uparrow $$ 的簡單推論。 若任務不可平行，或者多 Agent 產生： - 重複工作； - 狀態衝突； - 互相引用錯誤； - 協調成本； - 過度通訊； 則： $$ \Omega_{\mathrm{coord}} \uparrow. $$ 因此有效 Agent 勞動量應表示為： $$ L_A^{\mathrm{eff}} = N_A \cdot Q_A \cdot R_A \cdot \Pi_A - \Omega_{\mathrm{coord}}. $$ 這再次說明： $$ \boxed{ \text{Agent Count} \neq \text{Effective Labor}. } $$ --- # 10. 成本必須包含驗證、算力與風險 比較 AI 與人類成本時，不能只寫： $$ C_A = \text{token cost}. $$ 完整 Agent 成本至少應包括： $$ C_A^{*} = C_{\mathrm{model}} + C_{\mathrm{compute}} + C_{\mathrm{tool}} + C_{\mathrm{verification}} + C_{\mathrm{governance}} + C_{\mathrm{failure}} + C_{\mathrm{security}}. $$ 同樣，人類成本也不應只用薪水： $$ C_H^{*} = C_{\mathrm{salary}} + C_{\mathrm{benefit}} + C_{\mathrm{management}} + C_{\mathrm{coordination}} + C_{\mathrm{training}} + C_{\mathrm{turnover}} + C_{\mathrm{error}}. $$ 只有比較： $$ C_A^{*} $$ 與： $$ C_H^{*}, $$ 才有經濟意義。 因此： $$ \boxed{ \text{cheap inference} \neq \text{cheap autonomous labor}. } $$ 但反過來： $$ \boxed{ \text{expensive inference} \neq \text{uneconomic autonomous labor}. } $$ 如果 Agent 替代的是高成本、長曆時、需多人協作的工作，即使 token 很貴，也可能仍然具有正價值。 --- # 11. 任務級替代先於職業級替代 職業通常不是一個任務，而是： $$ J = \{ T_1, T_2, \ldots, T_n \}. $$ 例如一名軟體工程師可能同時負責： - 需求理解； - 架構； - coding； - review； - debugging； - 溝通； - 部署； - 維護； - 事故判斷。 Agent 可能先跨過： $$ \Theta_{\mathrm{RAL}} $$ 於： $$ T_3, T_4,T_5, $$ 但尚未跨過： $$ T_1,T_2,T_6. $$ 因此： $$ \boxed{ \text{Task Substitution} \rightarrow \text{Job Recomposition} \rightarrow \text{Possible Job Substitution}. } $$ 而不是： $$ \text{AI suddenly replaces profession}. $$ 這使勞動市場相變更可能呈現漸進、非同步與不均勻擴張。 --- # 12. 哪些任務最容易先跨過門檻 可靠自主勞動門檻較容易在以下任務成立： 1. 驗收標準清楚； 2. 可以分解； 3. 可以重試； 4. 失敗成本可控； 5. 資訊主要可數位取得； 6. 工具介面明確； 7. 結果可自動測試； 8. 狀態可以外部化； 9. 任務重複度高； 10. 可由規則或 verifier 判斷結果。 可將任務適配度粗略表示為： $$ \chi_T = f( V_T, D_T, R_T, O_T, S_T ), $$ 其中： - $V_T$：verifiability； - $D_T$：decomposability； - $R_T$：recoverability； - $O_T$：observability； - $S_T$：state externalizability。 當： $$ \chi_T \uparrow, $$ 跨過： $$ \Theta_{\mathrm{RAL}} $$ 所需模型能力通常下降。 --- # 13. 哪些任務較晚 以下類型通常更難完全自主化： - 高度模糊的終極目標； - 不可逆高風險決策； - 缺乏可觀測結果； - 無法形式驗證； - 需要深度人際信任； - 高度政治性協商； - 現實世界感測不足； - 極端新穎問題； - 責任不能被輕易轉移的決策。 這些任務可能需要較高： $$ Q_{\min}, $$ 更低： $$ \epsilon, $$ 以及更高： $$ T_H^{\mathrm{gov}}. $$ 因此： $$ \boxed{ \Theta_{\mathrm{RAL}} \text{ is task-dependent}. } $$ 不存在一個對全經濟一致的單一門檻。 --- # 14. 自主智能勞動單元 一旦某 Agent 對任務集合 $\mathcal T$ 穩定跨過： $$ \Theta_{\mathrm{RAL}}, $$ 本文將其稱為： $$ \boxed{ \text{Autonomous Intelligent Labor Unit} } $$ 即： > 自主智能勞動單元。 它不需要具有： - 人類式人格； - 人類式意識； - 人類等價全領域能力； - AGI 身分。 其經濟定義只要求： $$ \text{persistent delegated work} \rightarrow \text{verified useful output}. $$ 因此： $$ \boxed{ \text{Economic agency} \neq \text{human equivalence}. } $$ --- # 15. 從工具到勞動單元的相變 傳統工具： $$ H \rightarrow T \rightarrow O. $$ 人類必須持續操作工具。 自主 Agent： $$ H \rightarrow G \rightarrow \{ A_1,A_2,\ldots,A_n \} \rightarrow O. $$ 人類主要提供： $$ \text{Intent} + \text{Constraints} + \text{High-Risk Governance}. $$ Agent 負責： $$ \text{execution loop}. $$ 因此： $$ \boxed{ \text{Tool} \rightarrow \text{Delegated Worker} } $$ 的真正相變，不是模型突然變成人，而是： $$ \rho_H \downarrow $$ 到足以使人類退出大部分 routine control loop。 --- # 16. 委任槓桿 沿用時間經濟學，可以定義： $$ \Lambda_D = \frac{ V_{\mathrm{effective\ delegated\ work}} }{ T_H^{\mathrm{gov}}+\epsilon }. $$ 如果一個人一天花： $$ 2 \text{ hours} $$ 治理 Agent，卻得到相當於： $$ 20 \text{ hours} $$ 高品質可驗收工作，則： $$ \Lambda_D $$ 已經大幅高於傳統一對一工具使用。 當： $$ \Lambda_D \uparrow, $$ 人類角色可能從： $$ \text{operator} $$ 轉向： $$ \text{governor}, $$ $$ \text{architect}, $$ $$ \text{intent setter}, $$ $$ \text{exception handler}. $$ 這是 AI 原生組織真正可能發生的人機分工改變。 --- # 17. 經濟相變不要求全面取代人類 若 Agent 只替代： $$ 30\% $$ 的任務，也可能使原本需要： $$ 100 $$ 人的部門變成： $$ 70 $$ 人。 若再透過： $$ \Lambda_D \uparrow, $$ 使剩餘員工可以同時治理更多 Agent，組織結構又會進一步改變。 因此經濟相變可以在： $$ \text{partial task automation} $$ 階段先發生。 不需要： $$ 100\% $$ 的職業替代。 這使： $$ \boxed{ \text{Economic discontinuity} \text{ can precede } \text{full labor substitution}. } $$ --- # 18. 低錯誤中上品質可能比偶發天才更有市場價值 對某些創造性任務，人們偏好： $$ Q_{\mathrm{peak}} $$ 很高的系統。 但大量日常組織任務更在乎： $$ Q_{\mathrm{floor}}. $$ 即： > 最差情況有多差。 因此可以區分： $$ Q_{\mathrm{peak}}, $$ 以及： $$ Q_{\mathrm{floor}}. $$ 一個 Agent 可能： $$ Q_{\mathrm{peak}} = 0.90, $$ $$ Q_{\mathrm{floor}} = 0.78. $$ 另一個模型： $$ Q_{\mathrm{peak}} = 0.99, $$ 但： $$ Q_{\mathrm{floor}} = 0.40. $$ 對長期生產而言，前者可能更有價值。 因此： $$ \boxed{ \text{Production AI optimizes the quality floor, not only the quality ceiling.} } $$ 這也是「降低幻覺」在 Agent 時代比單輪聊天時代更重要的原因。 --- # 19. 長期累積使 Agent 產生資本性質 如果 Agent 每次工作後都將結果丟棄： $$ O_t \rightarrow \varnothing, $$ 其價值主要是當期服務。 如果輸出進入： $$ S_{t+1}, $$ 則工作可以成為： - 資料庫； - 程式資產； - 知識圖譜； - 流程； - 模型訓練資料； - 驗證器； - 客戶歷史； - 世界狀態。 因此： $$ O_t \rightarrow K_{t+1}. $$ 這時 Agent 不只產生： $$ \text{labor flow}, $$ 還可能形成： $$ \text{knowledge capital stock}. $$ 於是： $$ \boxed{ \text{Autonomous Labor} \rightarrow \text{Cumulative Capital Formation}. } $$ 這比單純「省幾個人力」更重要。 --- # 20. 與時間經濟學的統合 沿用： $$ \rho_{\mathrm{intel}} = \frac{ W_I^{\mathrm{quality\ adjusted}} }{ \Delta t_W }, $$ 以及： $$ \rho_{\mathrm{commit}} = \frac{ V_{\mathrm{verified\ world\ commit}} }{ \Delta t_W }. $$ 若 Agent 的： $$ \rho_{\mathrm{intel}} $$ 很高，但： $$ \rho_{\mathrm{commit}} $$ 低，代表大量 token 沒有沉積成真正資產。 可靠自主勞動的目標是： $$ \boxed{ \rho_{\mathrm{commit}} \uparrow } $$ 同時： $$ T_H^{\mathrm{gov}} \downarrow. $$ 因此一個更完整的委任效率可以表示為： $$ \eta_{\mathrm{RAL}} = \frac{ V_{\mathrm{verified\ accumulated\ output}} }{ T_H^{\mathrm{gov}} + C_A^{*} + \epsilon }. $$ 這比單純： $$ \text{tokens per second} $$ 更接近經濟價值。 --- # 21. 不是所有自主性都值得追求 Agent autonomy 不應被最大化為： $$ A \rightarrow 1. $$ 因為某些任務： $$ Risk_T $$ 很高。 更合理的目標是： $$ A_T^{*} = \arg\max_A \left[ V(A) - Risk(A) - GovernanceCost(A) \right]. $$ 因此： $$ \boxed{ \text{Optimal Autonomy} \neq \text{Maximum Autonomy}. } $$ 低風險、高可驗證任務可以高度自主。 高風險、不可逆任務則需要： $$ \text{human gate}. $$ 這使未來組織更可能形成「分層自主」而不是全面放權。 --- # 22. 可靠自主勞動與大量基本可替代人員 這裡必須精確處理一個容易引發誤解的命題。 本文不主張「某些人沒有價值」。 本文討論的是： $$ \text{role substitutability}. $$ 一個人在某家公司中負責的任務，可能高度： - 標準化； - 可驗證； - 可重複； - 可數位取得； - 可回滾。 這表示： $$ \chi_T $$ 很高。 若 Agent 跨過： $$ \Theta_{\mathrm{RAL}}, $$ 則該角色中的部分任務具有較高自動化可能。 這是： $$ \boxed{ \text{task architecture} } $$ 的性質，不是： $$ \boxed{ \text{human worth} } $$ 的評價。 --- # 23. 為什麼高薪也不自動等於高不可替代性 市場薪資： $$ W_H $$ 並不只反映： $$ \text{frontier cognitive contribution}. $$ 它還可能包含： - 稀缺證照； - 組織階級； - 網絡位置； - 管理權； - 地理； - 品牌； - 歷史制度； - 議價能力。 因此： $$ \boxed{ W_H \not\propto \text{AI-resistance}. } $$ 某些高薪工作的實際日常任務仍可能具有高： $$ \chi_T. $$ 反之，某些薪資較低工作可能包含： - 現場感知； - 身體互動； - 高社會信任； - 非結構化環境； - 責任承擔； 而更難自主化。 因此 AI 勞動衝擊不應簡化為： $$ \text{low salary first}. $$ --- # 24. 新的人類比較優勢 當既有知識查詢、普通分析、程式生成與資料整理逐漸被 Agent 吸收後，人類比較優勢可能移向： $$ \text{Novel Problem Formation}, $$ $$ \text{Cross-Domain Abstraction}, $$ $$ \text{Normative Judgment}, $$ $$ \text{Institution Design}, $$ $$ \text{High-Stakes Responsibility}, $$ $$ \text{Embodied and Social Context}. $$ 因此： $$ \boxed{ \text{AI substitutability} \neq \text{human obsolescence}. } $$ 更可能出現的是： $$ \text{routine cognition} \downarrow $$ 在人類工作中的比重下降，而： $$ \text{governance} + \text{novelty} + \text{responsibility} $$ 的比重提高。 --- # 25. 經濟相變的早期指標 如果要判斷可靠自主勞動是否真正到來，應觀察： 1. 平均自主曆時： $$ T_A^{\mathrm{aut}}. $$ 2. 人類介入密度： $$ \rho_H. $$ 3. 未檢出且不可恢復錯誤率： $$ U_A. $$ 4. 驗證後世界提交密度： $$ \rho_{\mathrm{commit}}. $$ 5. 風險調整後成本： $$ C_A^{*}. $$ 6. 任務跨域覆蓋： $$ |\mathcal T_{\mathrm{RAL}}|. $$ 若： $$ T_A^{\mathrm{aut}} \uparrow, $$ $$ \rho_H \downarrow, $$ $$ U_A \downarrow, $$ $$ \rho_{\mathrm{commit}} \uparrow, $$ 且： $$ |\mathcal T_{\mathrm{RAL}}| \uparrow, $$ 那麼 AI 勞動相變可能已經在發生，即使沒有人正式宣布 AGI。 --- # 26. 經濟 AGI 是一個容易誤導的名詞 有人可能將這種狀態稱為： $$ \text{Economic AGI}. $$ 但本文不優先採用此名稱。 原因是： > 一個系統可以在大量經濟任務中高度可替代，卻仍不具有人類式通用認知。 因此更精確的概念是： $$ \boxed{ \text{Reliable Autonomous Labor} } $$ 而不是透過修改 AGI 定義，把任何重大經濟影響都叫 AGI。 這能保持： $$ \text{cognitive taxonomy} $$ 與： $$ \text{economic taxonomy} $$ 的分離。 --- # 27. 從個體 Agent 到自主勞動網路 一旦多個 Agent 都跨過： $$ \Theta_{\mathrm{RAL}}, $$ 組織可以形成： $$ \mathcal L_A = \{ A_1, A_2, \ldots, A_n \}. $$ 不同 Agent 負責： - 搜尋； - coding； - verification； - 資料管理； - 文書； - 監控； - 部署； - 研究。 這時 AI 組織的能力變成： $$ W_{\mathcal L_A} = \sum_i W_{A_i} + \Sigma_{\mathrm{synergy}} - \Omega_{\mathrm{coord}}. $$ 只要： $$ \Sigma_{\mathrm{synergy}} > \Omega_{\mathrm{coord}}, $$ 多 Agent 勞動網路就可能形成正協同。 這就是 Paper 02 所討論的： $$ \text{Organizational Superhuman Capability} $$ 在經濟層最早可能出現的實體基礎之一。 --- # 28. 經濟相變的真正順序 本文提出一個可能的漸進序列： $$ \text{Assistant} $$ $$ \downarrow $$ $$ \text{Tool-Using Agent} $$ $$ \downarrow $$ $$ \text{Reliable Task Agent} $$ $$ \downarrow $$ $$ \boxed{ \text{Autonomous Intelligent Labor Unit} } $$ $$ \downarrow $$ $$ \text{Multi-Agent Labor Network} $$ $$ \downarrow $$ $$ \text{Agentic Organization}. $$ 注意： $$ \text{AGI} $$ 不一定必須位於： $$ \text{Reliable Task Agent} $$ 與： $$ \text{Autonomous Intelligent Labor Unit} $$ 之間。 這正是本文的中心命題。 --- # 29. 結論：文明不需要等到 AGI 才會遇到自主機器勞動力 本文的核心結論可以寫成： $$ \boxed{ \text{AGI is sufficient for broad autonomous labor, but not necessary for many economically valuable forms of autonomous labor.} } $$ 真正的經濟門檻是： $$ \Theta_{\mathrm{RAL}}, $$ 而不是： $$ \Theta_{\mathrm{AGI}}. $$ 當 Agent 在愈來愈多任務域滿足： $$ Q_A \ge Q_{\min}, $$ $$ U_A \le \epsilon, $$ $$ \Gamma_A \ge \Gamma_{\min}, $$ $$ T_A^{\mathrm{aut}} \ge T_{\min}, $$ $$ \rho_H \le \rho_H^{\max}, $$ 以及： $$ C_A^{*} < C_H^{*}, $$ 它就開始從： $$ \text{AI Tool} $$ 轉化為： $$ \boxed{ \text{Autonomous Intelligent Labor Unit}. } $$ 它未必是 AGI。 它未必能做頂尖科學。 它未必具有普遍價值判斷。 它甚至可能只在某些領域保持中上品質。 但如果它： - 長期不睡； - 能查資料； - 能用工具； - 能維持狀態； - 能驗證； - 能回滾； - 能重試； - 能持續累積； 那麼它已經足以改變組織。 因此，AI 勞動市場真正值得追蹤的問題，不再只是： > 「哪一年 AGI 到來？」 而是： > **「哪一些任務正在跨過可靠自主勞動門檻？」** 當這個集合： $$ \mathcal T_{\mathrm{RAL}} $$ 持續擴張時，經濟相變可能早已開始。 --- ## 核心命題摘要 ### 命題一：AGI 門檻與經濟替代門檻不同 $$ \boxed{ \Theta_{\mathrm{AGI}} \neq \Theta_{\mathrm{RAL}}. } $$ ### 命題二：經濟可用性是門檻問題，而非只看最高品質 $$ \boxed{ Q_A \ge Q_{\min} } $$ 即可進入某些生產流程，不要求： $$ Q_A = Q_{\mathrm{elite}}. $$ ### 命題三：真正重要的是未檢出且不可恢復錯誤 $$ \boxed{ U_A = P( \text{undetected unrecoverable error} ). } $$ ### 命題四：可靠自主性依賴錯誤吸收而非完美認知 $$ \boxed{ \text{Fallible Cognition} + \text{Error Containment} \rightarrow \text{Reliable Autonomy}. } $$ ### 命題五：人類治理密度是自主勞動的重要指標 $$ \boxed{ \rho_H = \frac{ N_H }{ N_T }. } $$ ### 命題六：任務級替代先於職業級替代 $$ \boxed{ \text{Task Substitution} \rightarrow \text{Job Recomposition}. } $$ ### 命題七：24/7 與平行性使中上品質 Agent 形成總量優勢 $$ \boxed{ W_A = Q_A \cdot R_A \cdot T_A \cdot \Pi_I. } $$ ### 命題八：自主勞動可以形成知識資本 $$ \boxed{ \text{Autonomous Labor} \rightarrow \text{Cumulative Capital Formation}. } $$ ### 命題九：經濟相變可以先於 AGI $$ \boxed{ \text{Economic Discontinuity} \not\Rightarrow \text{AGI First}. } $$ --- ## 系列接口 Paper 01 將模型與智能系統分離。 Paper 02 提出系統級超人類組織能力可能先於模型級 ASI。 Paper 03 則把這個中間層落到經濟結構： $$ \boxed{ \text{Non-AGI Agent} + \text{Reliability} + \text{Persistence} + \text{Verification} \rightarrow \text{Autonomous Intelligent Labor}. } $$ 下一篇將研究這種自主勞動最容易被低估的一個長期性質： **Paper 04：《累積比聰明更重要：從一次回答到持續世界沉積》** 核心問題是： > 如果一個 Agent 每一輪只比普通專業人員稍好或相近，但它可以持續工作數月、數年，並把每次輸出都沉積成下一輪可重用的資料、工具、驗證器與世界狀態，那麼「歷史累積」是否會成為比單輪智力更重要的智能資本？