捆绑生产与非捆绑生产#

我们假设第一种状态是捆绑生产（Bundled Production）。在这种状态下，人类没有被替代，而是将AI作为辅助工具。人类工人拥有一个单位的时间，必须将其分配在两个任务上（$t1​+t2​≤1$）。在捆绑状态下，包含AI辅助的总产出函数被定义为：

这里，

代表当前前沿AI对Task 1的辅助能力，

$η$ 是人类在Task 1中保留的权重。由于人类必须同时兼顾两项任务，为了最大化产出，工人必须解一个最优时间分配的寻优问题。根据一阶条件，最优的时间分配为：

其中

其中 $\kappa \equiv \alpha\eta + 1-\alpha$。这是一个非常关键的常数。在这个常数的约束下，人类实际上构成了自身产能的瓶颈。因为人类工作必须把时间分摊给Task 1，导致无法全神贯注于不可替代的Task 2。

然而，保留这种捆绑对人类在经济利益上是有利的。在竞争性定价下，各个生产要素按其产出弹性获得收益份额。如果保持捆绑，人类不仅获得了Task 2的全部收益 $(1-\alpha)$，还保留了Task 1中属于人类的收益份额 $\alpha\eta$。因此，在这个情况下，人类的总收益份额为全部的 $\kappa$。

相对的，第二种状态是解绑生产（Unbundled Production）。这是真正意义上的部分自动化。在这个状态下，AI完全自主接管了Task 1（即，AI拥有独立生产力 $\mu_A(m)$），人类被彻底从Task 1中解放出来，将 $100\%$ 的时间（$t_2=1$）投入到Task 2中。

但是，拆分原本一体化的工作会产生协调成本 $c \in [0, 1)$（如果协调成本为1，产出就会变为0）。这可能源于语境的丢失、沟通的摩擦或是法律责任归属的困难。解绑后的总产出变为：

此时，人类只能获得Task 2的收益份额，即 $(1-\alpha)$。

由于 $\kappa = 1 - \alpha(1-\eta) > 1-\alpha$，因此很显然，只要工作保持捆绑，人类就能从总收入中切下更大比例的份额。那么，为什么有些工作还是会被解绑呢？

这涉及到个人理性的选择边界。

在竞争性市场中，各生产要素按其边际贡献获得收益。假设最终产品价格为 $P$

工人会比较两种状态的净收益，即比较 $w_U = (1-\alpha) P y_U$ (解绑状态下的总收益） 和 $w_H = \kappa P y_H$ （捆绑状态下的总收益）。当 $w_U \ge w_H$ 时，工人倾向于解绑。化简这两个等式，可以得到一个临界点 $s_1^*$：

其中， $Γ(m)$是AI自主工作相较于AI辅助工作的相对优势。$Ω_H$​代表的是人类的“多任务时间分配的效率损耗系数”（Efficiency loss from splitting time）。这个名词不够直观，论文试图这样解释： 当人类决定不解绑工作时，他必须把自己唯一的1个单位工作时间，切分成$t_1^*$和$t_2^*$两部分，分别投入到 Task 1 和 Task 2 中。

根据柯布-道格拉斯（Cobb-Douglas）生产函数的性质，我们将最优的时间分配 $t_1^* = \frac{\alpha\eta}{\kappa}$ 和 $t_2^* = \frac{1-\alpha}{\kappa}$ 代回最初的总产出函数后，这些时间分数会被提取出来，组合成一个常数，这个常数就是 $\Omega_H$：

由于 $t_1^*$ 和 $t_2^*$ 都是小于 1 的分数，它们带有正数次幂相乘后，$\Omega_H$ 成为了一个介于 0 和 1 之间的常数。 比如说，一个高级全栈程序员，他既要花时间写基础代码，又要花时间跟产品经理对需求。因为一天只有24小时，他花在敲代码上的时间，必然挤占了沟通的时间。这种时间拆分导致的理论最高产能的折损，就是这个常数。

让我们看看c，由于c是一个连续的实数，因此我们可以把工作切分为低协调成本和高协调成本的工作。

所谓弱捆绑工作，是指公式中的协调成本 $c$ 极低。这意味着将工作拆包几乎不会损耗最终价值。此时注意到， $(1-c)$ 在分子很大，导致临界点 $s_1^*$ 很高。大量在Task 1上技能平庸的工人会发现，与其自己费力做认知任务，不如全部扔给AI自主完成，自己专心做Task 2。于是，工作被彻底解绑。

而强捆绑工作，协调成本 $c$ 极高。如果拆分，最终服务的价值会大幅损毁。此时 $(1-c)$ 趋近于零，临界点不复存在。无论AI的能力 $\Gamma(m)$ 增长到多高，市场和工人都不会选择解绑工作。AI只能永远停留在辅助位置，人类保住了完整的工作边界和高昂的收入份额。

从这个角度看，放射科医生可以被分为两个捆绑的任务

• Task 1： 看片子，识别肺部是否有结节，癌变。
• Task 2： 结合病人的病史进行分诊、向主治医师解释、安抚病人，​并在诊断书上签字承担医疗责任​。

由于医院和患者买的不是一个图像分类结果，而是一个连带法律责任的医疗服务包，患者需要训练有素的医生的解释。如果AI只负责看X光成像，而人类医生不亲自查看校验结果，就直接去和外科医生沟通，极易发生致命误诊，这在医学上是极高的协调成本。因此开头对于Geoffrey Hinton的言论，这篇文章给予了一定的驳斥。

解绑过程和市场需求如何导致人类失业#

回看时间分配公式。在解绑前，人类在Task 2上的时间投入仅为 $\frac{1-\alpha}{\kappa}$。解绑后，这个时间瞬间变成了 1。这意味着，每一个留在行业里的工人，其Task 2的产能突然飙升了 $\frac{\kappa}{1-\alpha}$ 倍。

如果该行业面临的是缺乏弹性的需求曲线（$P(Y) = Y^{-1/\epsilon}, \epsilon < 1$），这种产能的瞬间泛滥会导致严重的后果。根据新古典模型下市场出清原则，暴增的产出必然带来产品价格 $P$ 的非线性暴跌。

我们假设$\bar{U}$是指一个工人如果​彻底离开当前被AI覆盖的行业​，去市场上做其他毫不相干的工作，所能获得的​保底收入或基础效用​。比如码农失业去开网约车，网约车带来的基础效用就是这个值。

在论文中，作者定义了工人对职业的选择逻辑（福利函数）：

这个 $\max\{\}$ 函数说明了工人的决策过程。工人会评估三个选项，选出收益最高的一个：

1. $w_H$：留在这个行业，保持工作捆绑（和AI配合）。
2. $w_U$：留在这个行业，接受工作解绑（给AI打下手）。
3. $\bar{U}$：直接转行退出。

只要工人留在该行业挣的钱低于 $\bar{U}$，这个工人就会在数学模型中被判定为退出劳动力市场。

基于此，论文推导出了两个参与门槛（阈值）：$b_H$ 和 $b_U$。人类技能水平（$s_1, s_2$）必须高于这个门槛，在这个行业赚的钱才能超过 $\bar{U}$。

通过对解绑状态下的参与门槛进行求导，论文得出了失业的动态方程：

等式右侧的第一项是价格压缩效应（Price Compression），第二项是生产力提升效应。在弱捆绑职业中，由于每个人都变成了全职做Task 2的熟练工，总产出 $Y^*$ 激增，导致价格下跌。当价格下跌的负面效应压倒了AI带来的生产力提升时，最低参与门槛 $b_U^*$ 就会抬高。原本的底层工人，发现工资已经无法覆盖他们的机会成本，最终被迫退出该行业。

AI导致失业，并不是一个直接的替代过程。由于低协调成本的工作引发任务解绑，这使得人类可用时间得到了释放。如果需求缺乏弹性，导致价格暴跌，就会使得技能低于门槛的工人发生失业。

放射科医生之外？我们还有退路吗#

从协调成本和市场需求是否存在足够弹性来看，我们可以分为四个维度。