#AI 經濟學
•

黃仁勳與楊小凱

輝達在幹什麼？ 它試圖為AI產業鏈融資。2026年8月，輝達聯合Apollo、BlackRock、Blackstone、Brookfield、高盛和KKR，擬建立融資平台，長期撬動超過5000億美元第三方資金。 它為上游托底。資料顯示，截至2026年7月，輝達採購承諾從上一季度的1190億美元升至2790億美元，主要增量來自記憶體。 它還向下游注入信用。資料顯示，截至7月26日，輝達應收帳款631億美元，應付帳款151億美元，差額480億美元。銷售回款天數由上一季度的45天升至60天。公司披露，對部分投資級客戶提供90天至一年的付款期限，以配合大型資料中心建設。這一操作與中國大廠完全相反。
黃仁勳與楊小凱
科技#黃仁勳#楊小凱#AI產業鏈
https://fightingfantazine.proboards.com/thread/40951/best-free-instagram-followers-methods https://fightingfantazine.proboards.com/thread/40955/best-free-instagram-followers-methods https://fightingfantazine.proboards.com/thread/40845/nintendo-simple-beginner-guides-working https://fightingfantazine.proboards.com/thread/40966/best-free-instagram-followers-methods https://fightingfantazine.proboards.com/thread/40971/best-free-instagram-followers-methods https://fightingfantazine.proboards.com/thread/40974/best-robux-methods-roblox-player https://fightingfantazine.proboards.com/thread/40981/tiktok-followers-profile-setup-boost https://fightingfantazine.proboards.com/thread/40991/tiktok-followers-boost-likes-views https://fightingfantazine.proboards.com/thread/40996/tiktok-followers-boost-likes-views https://fightingfantazine.proboards.com/thread/41005/free-instagram-followers-easy-methods https://fightingfantazine.proboards.com/thread/41013/tiktok-followers-quick-start-beginners
•

獨家：輝達正在幫助這家AI公司實現「每美元更高的智能效率」

The next AI winner may not be the company with the biggest model. It could be the company that figures out how to get more useful AI for every dollar it spends.Nvidia Corp.(NASDAQ:NVDA) is helping shape that shift by powering more efficient, task-specific AI systems that aim to squeeze more performance out of every GPU cycle. 下一個AI贏家可能並非擁有最大模型的公司，而可能是找到如何讓每投入一美元都能獲得更有用AI的公司。輝達公司（納斯達克：NVDA）正通過為更高效的、面向特定任務的AI系統提供算力支援，推動這一轉變，力求從每個GPU計算周期中搾取更多性能。 DigitalOcean Holdings Inc.(NYSE:DOCN) CEOPaddy Srinivasantold Benzinga in an exclusive email interview that AI builders are increasingly mixing different models for different jobs rather than relying exclusively on expensive frontier systems from companies such as OpenAI and Anthropic. DigitalOcean Holdings Inc.（紐約證券交易所：DOCN）首席執行長Paddy Srinivasan在與Benzinga進行的一次獨家電子郵件採訪中表示，AI開發者越來越多地針對不同任務混合使用不同的模型，而非完全依賴OpenAI和Anthropic等公司提供的昂貴前沿系統。
科技#輝達#Nvidia#AI 經濟學
•

AI會帶來經濟爆發，但引線很長｜Hao好聊論文

近兩年來，關於 AI 經濟學最引人注目的論戰，實際上是一場關於“速度”的博弈。關於AI泡沫的討論，最終都會還原到，「AI 多久會反映到 GDP/生產率上」這個問題上。（TFP）的增長貢獻可能僅為微不足道的 0.07% 到 1%。他的判斷主要立足於 AI 只能自動化很少一部分人類任務，且很難在短時間內大幅降低成本。諾貝爾經濟學獎得主 Daron Acemoglu 在 2024 年拋出了一盆冷水。他通過對當時 AI 能力（主要是 GPT-3.5 時代）的實證觀察，計算出 AI 對未來十年全要素生產率但在Agent全面接管工作流、推理模型層出不窮的當下，Acemoglu基於Chat時代的觀察顯得有點落伍了。在他的論點之外，轉折派、奇點飛昇派等多個流派對AI、對GDP年增長的影響預測從0.07%到10%，分佈在極其廣闊的光譜上。成功落地，以及能夠自我迭代的AI進入研發流程，意味著完全不同的增長軌跡。這些預期差距很大程度上源於他們對AI技術本身發展速度的理解差別。AI發展停滯、Agentic AI而史丹佛大學商學院經濟學家 Charles I. Jones 在 2026 年 1 月發佈的最新論文《人工智慧與我們的經濟未來》（A.I. and Our Economic Future），為這場爭論引入了一個超越具體技術參數的宏觀框架。Jones沒有糾結於模型能力的範圍，而是通過數學化的生產函數模型模擬了AI在不同場景下的可能。他認為，AI 確實擁有引爆經濟的潛力，但這個引爆過程將被經濟系統中的「薄弱環節」無情地拉長。和過往的電氣、網際網路革命一樣，這很可能也將是一個被馴服的奇點時代。01AI對經濟影響的三種敘事關於 AI 將在多大程度上提升長期 GDP 增長率，學術界目前分裂為三種截然不同的敘事。分歧不僅源於對技術能力的判斷不同，也源於他們看待經濟機器運轉方式的根本差異。漸進主義視角：任務模型的摩擦 (Acemoglu)（Hulten’s Theorem）作為依據進行論證。Daron Acemoglu 是這一流派的代表。在 2024-2025 年的系列研究中，他主要通過霍爾頓定理霍爾頓定理的推導邏輯非常直接：AI 對總生產力的貢獻，大約等於「受 AI 影響的 GDP 份額」X「這些任務的成本節約率」。根據Acemoglu的測算，即便假設 AI 能影響 20% 的任務並帶來 25% 的成本降低，其在未來十年內對 TFP （全要素生產率）的累計提升僅為 0.71%，折合年均增長不到 0.1 個百分點 。但是，Acemoglu的測算在方法論上存在根本性缺陷。他用了一個為衡量漸進式技術改進設計的工具，即霍爾頓定律，去預測一個可能改變經濟結構本身的通用目的技術。如果1900年有人用霍爾頓定理計算電力影響，其結論可能是電力只能替代20%的蒸汽機任務，成本節約30%，影響有限。但電帶來的最核心改變是，工廠無需再圍繞中央蒸汽機佈局、因此其生產限度和範圍都大幅擴展；而在微型化後，整個家用電器產業從零誕生。這些結構性變化不在替代舊技術的框架裡。然而，Acemoglu 確實敏銳的發現了一些很敏銳的現象。他注意到，當時AI的成果，比如寫程式碼的速度提升55%，職場寫作效率提高40%這類，都發生在他所謂的「易學任務」光譜裡。這些任務有兩個特點，依賴性，它們都有明確的對錯標準；二來，網際網路上有對此海量的訓練資料。但其實經濟活動裡大部分區域都沒這麼理想。比如一個醫生診斷罕見病，一個律師在複雜案件中尋找突破口，一個建築師在地形限制下設計方案，這些「難學任務」就沒有明確的答案，而且必鬚根據語境做判斷，而AI在這些領域的進步將極其緩慢。而且因為缺乏客觀的評判標準，AI只能從人類的平均表現中學習，這可能最終導致它們永遠無法超越人類專家。這一批評，在推理模型、RLVR，乃至Agent盛行的今天，甚至依然成立。爆發論視角：自我進化的AI在光譜的另一端，是耶魯大學的William Nordhaus和研究機構Epoch AI代表了這一陣營。他們不只把AI看作Acemoglu眼中那種提效工具，而是看作一種全新的生產要素，一種可以無限複製的「數字勞動力」。他們假設的基礎是AGI確實會到來。在這一假設之下，AI能在幾乎所有認知任務上替代人類，那麼傳統經濟模型中「勞動力受人口增長限制」這一鐵律就會被打破。經濟增長將不再被人口瓶頸所束縛，而只取決於我們能以多快的速度生產算力。，他們認為傳統索洛模型中「勞動」和「資本」互補的假設將失效。如果 AI 技術發展到足以在絕大多數認知任務中完全替代人類，經濟增長將僅受限於資本（算力）的積累，而不再受制於人口增長的停滯，長期增長率顯著上移。這一派別採用了內生增長模型他們預測，如果AI能夠自動化科研過程（設計更好的晶片、發現新材料、最佳化演算法），就會形成一個正反饋循環，更強的AI →更好的硬體/演算法 → 更強的AI。根據 Epoch AI 的預測，如果這一循環打通，全球GDP的年增長率可能在2030年代突破10%，甚至達到30%的爆發性水平。的再現融合視角：J型曲線與索洛悖論然而，目前的實證資料似乎更支援Erik Brynjolfsson 提出的「生產力 J 型曲線」解釋。該理論認為，通用目的技術（比如GPT）在引入初期，往往會導致生產力增長放緩甚至下降。這是因為企業需要進行大量的無形資產投資，這包括去重組業務流程、重新培訓員工、開發配套軟體。這些投入在短期內被計為巨額成本，而收益卻滯後顯現。2025年的調查資料也佐證了他的想法。儘管 GenAI 的個人使用率已極高，但許多企業正處於試點煉獄（Pilot Purgatory）之中，投了很多錢，但沒看到什麼規模化回報。這種現象完美復刻了羅伯特·索洛在 1987 年的名言：“到處都能看到電腦，除了在生產力統計資料裡” 。緩慢的爆炸，被馴服的奇點Charles Jones的新論文，其實站在了一個統合者的角色上，去看待上面提到的所有三種路徑。他既不否認AI擁有無限自我進化的革命性潛力，也不否認組織變革之類拖後腿的因素。他把這些因素都塞進了一個理論中去融合，即「薄弱環節」理論，或者說是經濟發展中的木桶效應。現實經濟中，絕大多數任務是互補的，是一個由無數相互依賴的環節組成的複雜系統。比如藥物研發，就包含靶點驗證、毒理、臨床試驗、監管批准，任何一環都無法用其他部分替代。工程交付，則包含設計、供應鏈、施工、驗收、許可，某一步過不了整體交付不了。現代社會之所以有如此多的分工，正是因為為了保證安全和質量、完成一件足夠複雜的工作，是需要很多不可替代的環節的。而在這樣一個系統中，最慢的環節決定了整體的速度，Jones就把它稱為「薄弱環節」。在論文裡，Jones自己用了一個比喻去解釋這套理論。準備一頓晚餐的過程由兩個步驟組成：想菜譜和做菜。現在AI來了，它超好用，能在瞬間生成一份完美的菜譜，考慮到營養搭配、時令食材、你的飲食偏好。因此在「想菜譜」這個環節，生產力直接可能飆升一萬倍。但真想讓它上桌，廚師仍然需要花一個小時切菜、炒菜、擺盤。AI讓你在菜譜上省了十分鐘，但整個流程的瓶頸，即實際的烹飪過程並沒有改變。結果是，就算AI無敵了，你也只是把做飯時間從70分鐘縮短到了60分鐘，提升有，但似乎談不上「革命」這麼誇張。當生產環節之間是高度互補時，總產出並不取決於那個最強的環節（AI），而是被鎖死在那個最弱的環節（人類/物理世界）上 。只要這個薄弱環節存在，就算自動化再完善，最終總產出都由最弱環節的完成時間、成本所限制。而在可見的未來中，這個薄弱環節都會存在。首先是AI自身能力還需要提升，目前它缺乏長程任務的處理能力，也缺乏創新能力，更缺乏進入物理世界的具身能力。就算這些技術卡點都解除了，算力、機房、電力也需要現即時間去搭建；組織本身的變革肯定要慢於技術的進展，薄弱環節就會移動至此。而當組織，可能都被AI重新劃定好後，那些涉及倫理、信任、最終決策權、以及人類純粹偏好的「不可替代環節」，又將成為扼住經濟咽喉的那個「絕對薄弱環節」。這些過程，即使Epoch AI預測的超進化發生，也無法被磨平。至少在人類同意將一切決策權交由AI之前，都不可能發生。卡到什麼程度呢？Jones給出了另一個公式。在一個替代彈性為一半，也就是說各項任務都相互依賴的世界裡，如果你把一類任務自動化到「無限供給」，而這類任務在原本經濟中佔 GDP 的成本份額為 s，那麼總產出的比例增益大約是：增益=1 / 1-s這個公式可以這麼理解，把某類任務壓到幾乎免費，帶來的最大效果，本質上就是把生產 1 單位最終產出的總成本裡，那一塊原本屬於它的成本拿掉。如果它原來佔總成本的份額是 s，那剩下的其它必要任務就佔 1−s。在這個強互補設定裡，其它任務那部分成本是你無論如何都躲不開的。在同樣資源/同樣預算下，你能買到的最終產出與單位成本成反比。單位成本從 100% 降到 1−s，產出能力就最多放大到原來的 1/(1−s)。而GDP佔比可以看成衡量一種經濟部門在總價值與總支付中的權重，也可以近似視作成本。比如，軟體開發行業大約佔美國GDP的2%。假設AI現在可以寫出所有的程式碼，讓軟體開發的生產率達到無窮大。即便如此，這項突破會讓GDP變成1 / （1-0.02），也就是大概102%，也就是帶來約2%的增加。聽起來很扯，但這確實是事實。因為拆解開來，美國的GDP大頭，基本上都完全無法用程式設計替代，都涉及到物理勞動、土地等「絕對薄弱環節」。因此，在這個任務無法互相替代的框架中，經濟在微觀上，很多環節效率暴漲（寫程式碼、寫文案、做分析、做客服……）；但宏觀上產出提升依然被少數硬環節卡住（許可、責任簽字、物理建設周期、供應鏈、信任與安全、資料生成等）。結果就是，增長不是瞬間起飛，而是拆一個瓶頸、瓶頸遷移到下一個，呈現緩慢加速。而且，A.I. 把某些任務變便宜後，支出份額 s 未必上升，甚至可能下降。GDP可能會更集中在卡脖子的環節之上。基於這個框架，Jones重新計算了AI的經濟影響。他的結論介於Acemoglu的極度悲觀和奇點論者的極度樂觀之間。AI確實會驅動經濟增長加速，年增長率最終可能突破5%的歷史高位。但這不會是一夜之間的飛躍，而是一個跨越三四十年的漸進過程。在頭十年，我們可能只會看到約0.5-1%的累計TFP增長，勉強高於Acemoglu的預測。換句話說，奇點依然存在，但它被經濟結構的韌性馴服了。爆炸會發生，但引線很長。03加速的可能如果說 Acemoglu 的理論是基於靜態的觀察，那麼 Jones 的理論則更好的描繪了系統的結構性阻力。他是一種極限實驗，在其中假設把某類任務做到近乎無限便宜/無限供給，問總產出最多能被抬高多少。本質上是一個偏結構約束的視角。這種結構約束就是任務間的不可替代性。但這會是一成不變的嗎？Jones 在論文中暗示，技術確實會重構經濟形式。也就是說，在上面公式中，任務間無法互相替代這件事兒，可能會因技術的變化而變化。那麼現實的發展速度就有可能比他的基礎預測更快。根據不同技術情景對任務替代的不同影響，他一共設想了三種可能的重構方式。第一個是改變生產函數本身。當一項新技術足夠強大時，我們往往會重新設計整個流程，用新的範式替代舊的瓶頸。比如當下一些行業的分工，像法律裡，有起草合同、稽核檔案、法庭辯護這些環節高度互補，缺一不可。但如果AI不僅能起草合同，還能直接與另一個AI代理基於智能合約達成協議，中間的許多人工稽核環節就可能被徹底繞過。這不是在原有流程上做最佳化，而是創造一個全新的、更少瓶頸的流程。一些原先的硬序列鏈條被改造成可以多開工、多條線並跑的結構。這種範式轉換會改變不可替代性的大小。如果經濟活動重組後，任務之間從強互補變為弱互補甚至可替代，那麼單純堆疊算力就能帶來指數級的產出增長。於是宏觀增長會更明顯加速，但仍可能受到物理與制度約束，不一定立刻指數爆炸。依然是一個隨著組織和滲透漸進的過程，但速度會大為增加。理論上講，這一改變是非常可能的，因為我們現在的勞動分工和流程化，在很大程度上都是為了人類本身的限制而設立的。如果對於一個能力高超的AI來講，設計一棟複雜建築的難度和原始人設計木屋的難度一樣，它完全可以邊設計邊建造，而無須拆分流程。第二種改變方法，是份額的內生增長。公式 1/(1-s)假設可自動化任務的份額s是固定的。但歷史告訴我們，當某種投入變得極其便宜時，我們會在所有可能的地方使用它。比如在電力剛出現時，它只是用來照明和驅動少數機器。但隨著電價下降，電力滲透到了經濟的每一個角落：製冷、通訊、交通、娛樂、醫療。類似地，如果AI推理的成本降到接近零，我們會在今天想都不敢想的地方嵌入智能，比如建築材料會自己監測結構安全，農作物會即時最佳化光合作用效率，甚至一片樹葉都可能成為一個微型計算節點。在這個環境下，企業開始加強AI的滲透，替代一部分原來必須由人/組織協調完成的任務，在一定程度上取消某些環節。總體看，AI的用量擴張和任務邊界擴張（把原本不屬於AI的任務重新劃給AI）會減少在各個層級上的「薄弱環節」，把它們同樣自動化。因此 s 並不是僅僅限制在「程式設計」本身的GDP佔比上，而是滲透性更強，幅度更大。對GDP增長的影響也更顯著。這基本上是目前完全可見的一種潛在未來場景。這種擴張不會在一夜之間發生，但也不會像Jones的基準預測那樣緩慢。第三個則是直接通過解決「基礎薄弱環節」，帶來跨越式增長。其實在Jones公式裡，最大的「薄弱環節」並非演算法，而是能源、材料、人力這些物理障礙。AI科學家不能直接建造核聚變反應堆，不能親手合成新材料，也不能獨自組裝iPhone。但這恰恰是AI可能產生最大槓桿效應的地方。Jones在論文中描繪了一個很接近Epoch AI提出「飛輪」場景：AI 科學家可以設計更好的機器人，機器人進行實驗產生資料，實驗資料則用來訓練更強的 AI。在這個過程中，一旦在AI的自我進化式研究的過程中，解決了核聚變（無限能源）和通用人形機器人（無限物理勞力）的問題，那麼原本佔比最大「薄弱環節」和瓶頸都會消失，進入到自動化循環中。這就會是真正的經濟奇點到來的前夜。而在當下，進化性模型正是最火熱的前沿領域，AlphaEvolve帶來的曙光初現。這個場景變得越來越可能。在這三種Scenario之下，我們可以看到相對於Epoch AI和Acemoglu，Charles I. Jones 的研究框架完全可以包容前三者的所有假設。在當下高度互補的經濟系統中，AI 的局部無限能力會被那些尚未被自動化的「硬骨頭」（如物理瓶頸、法律倫理、人類情感）所稀釋。這就是為什麼即便技術在飛速迭代，宏觀經濟變化卻相對緩慢，因為價值會迅速從智能環節逃逸，被死死鎖在那些依然昂貴且稀缺的短板上。而隨著AI的持續發展滲透，打補丁式的替代將轉向徹底的重構。自動化份額逐步擴大，很多生產流程將完成從人機互補到端到端的完全替代。更遠處，利用「AI 科學家+機器人」的飛輪攻克能源與製造等物理底座，則會撬動幾乎所有「薄弱環節」。一旦我們成功擰動這些關鍵的「生產環節替代性」的調節旋鈕，一步步消除系統中擁有一票否決權的短板，經濟增長便能突破引力束縛，從線性的摩擦走向真正的指數級躍升。當然，這些旋鈕中，可能最先被擰動，是你我這樣的人。04人的新位置那麼，在這樣一個由「薄弱環節」定義的未來裡，人類的位置在那裡？從這個圖景看，答案其實很簡單，即人會不斷向瓶頸處遷移。在過去，掌握大量知識是高薪的保障。但在 AI 時代，這些成為了最先被無限化的廉價資源。人類的技能必須向那些 AI 尚未攻克的薄弱環節轉移。而當下尚能看到的瓶頸在那裡？首先是物理世界的最後且最難的一公里。尤其是那些非標準化的、需要靈巧操作和複雜判斷的物理工作。照顧老人、修繕古建築、緊急情況下的複雜救援。在這些場景中，只要機器人還沒有達到人類的靈巧度，工作的薪資反而會因為「薄弱環節」理論而水漲船高。這在現實中其實完全有映照。最近，在美國修築算力中心的藍領工人工資就在大幅提升。其次，是監管與信任的能力。 在一個充滿了 AI 生成內容的世界裡，驗證變得比生成昂貴得多。法律責任的界定、倫理的審查、人際間的信任背書，這些是 AI 難以通過算力解決的硬骨頭。這些問題基本沒有技術解決方案，只有社會和制度的解決方案。律師、審計師、倫理顧問的工作重心會從做轉向驗證和擔保。最終，是定義意義的能力。 當 AI 能解決所有如何做（How）的問題時，價值就集中到了做什麼（What）和為什麼做（Why）上。能夠發現需要AI 解決的問題；能夠制定一個城市的規劃願景、一個社會的價值排序；能夠定義人類應該有的生活，確認出可能不適合所有人，但適合一部分人的意義；這些工作，是缺乏生命史和生物本能的AI本身永遠也無法去取代的。直到我們達到「後豐裕時代」，把相當豐富的決定權都交予的AI的圖景。ones 在論文的結尾沒有談論大規模失業的恐慌，而是談到了「退休」和「夏令營」。在傳統的經濟模型中，人類文明的絕大部分時間，都活在不工作就會死的重壓之下。即使在現代社會，這個恐懼只是被包裝得更精緻：不工作就付不起房租，看不起病，養不起孩子，失去社會身份和尊嚴。我們把它叫做"職業發展"、"自我實現"、"社會貢獻"，但底層邏輯從未改變，工作是生存的代價。這種恐懼塑造了人類文明的幾乎所有結構。教育系統，本質上是勞動力培訓營，從幼兒園開始就在為將來有用做準備；時間分配，清醒時間的一半以上用於生產勞動或為生產做準備。身份認同，你是做什麼的？成為認識一個人的第一個問題 。更深層的是，生存恐懼塑造了我們對人性本身的理解。我們把理性定義為效用最大化，把成功定義為資源積累，把價值定義為市場定價。人被簡化為經濟人、生產要素、人力資本。而當後豐裕時代來臨時，人類會退守到那裡？標準答案通常是，AI無法替代的高級工作，創造力、同理心、領導力。但這仍然是生存恐懼的框架，仍然在問「我能提供什麼有用的東西」。真正的新高地，可能根本不在有用的維度上。這聽起來像是一個烏托邦式的幻想，但它符合「薄弱環節」理論的最終推演：當所有的生存需求都變成「容易環節」被解決後，人類唯一剩下的「薄弱環節」，就是如何定義我們存在的意義，以及如何度過這漫長而由自己主宰的一生。這場由 AI 引發的經濟變革，或許不會像原子彈爆炸那樣瞬間摧毀舊世界，而更像是一場持續數十年的氣候變遷。水位會慢慢上漲，舊的大陸（傳統認知工作）會慢慢淹沒。在這之前，我們都將不得不搬遷到新的高地，那些 AI 無法觸及的、屬於人類本質的薄弱環節之上。回歸生存恐懼之外的人性。那不是人類的終點，而是人類的起點。 (騰訊科技)
AI會帶來經濟爆發，但引線很長｜Hao好聊論文
科技#AI#AI 經濟學#GDP
•

最後的經濟學：傳統經濟學的七大致命謊言與AI認知的七宗謬誤

埃馬德·莫斯塔克（Emad Mostaque），一位舊世界的“掠食者”和新世界的“架構師”，是一位身處兩個世界交匯點的獨特人物。他的職業生涯橫跨了舊經濟體系的巔峰與新經濟範式的黎明，並且都取得了巨大的成功。他曾是一位宏觀避險基金經理，作為該領域的頂級玩家，他曾通過分析衛星圖像上油輪的陰影長度來計算全球原油供應量。然後他華麗轉身，創立了全球知名的開源人工智慧公司Stability AI，這家公司因開發出開源圖像生成模型Stable Diffusion而聞名。莫斯塔克最近出了一本書，《最後的經濟學the last economy》，震驚四座。這本書的核心論點是：隨著人工智慧能力的指數級提升，人類正進入一個“千日窗口”——在大約一千天內，社會經濟體系將迎來不可逆轉的相變。作者指出，在當前這個史無前例的時刻，智能成為了一種可擴展的、非生物學的、無上限的商品，打破了基於稀缺性的傳統經濟學假設。人類勞動（需要給養的代謝引擎）與AI/機器人勞動（僅需電力的非代謝引擎）之間根本性的物理差異。形成了第四次經濟發展倒轉、並且是最後一次倒轉的原因。這也是為什麼這本書命名為《最後的經濟學the last economy》。這本書最突出的貢獻，就在於它成功地將前沿的物理學（熱力學、複雜系統）、電腦科學（生成式AI、對齊理論）和網路科學，與經濟學、政治哲學和社會學進行了宏大而連貫的綜合。它為經濟學這門日益陷入“數學遊戲”的學科，重新注入了堅實的物理和資訊理論基礎。在作者看來，經濟學是物理學的一個子集。熱力學、資訊理論和複雜系統科學的法則，比人類心理或政治意願更為根本。社會、市場、公司，都是這些物理法則在不同尺度下的湧現現象。作者不僅將AI用作比喻，而是從根本上認為，宇宙本身就是一個巨大的生成性計算過程。經濟體作為一個學習系統，其運作方式與一個生成式AI並無本質不同。“損失函數”、“訓練”、“推理”等術語，在他看來並非比喻，而是對現實運作機制的直接描述。總之，《最後的經濟學》是一部極具雄心和智識勇氣的著作。它並非對現有經濟學理論的修補或改良，而是一次徹底的“範式推翻”與“第一性原理重建”，是一本絕對不容錯過的思想盛宴。 (不懂經)
最後的經濟學：傳統經濟學的七大致命謊言與AI認知的七宗謬誤
宏觀#經濟學#AI認知#原油供應量
•

最後的經濟學：1000天內，AI將給人類經濟帶來不可逆轉的相變

“這有一個宇宙級的笑話，如果不是那麼悲慘的話，它本該是極其滑稽的。我稱之為‘豐饒陷阱’：我們即將在智能領域實現後稀缺，而我們基於稀缺性的經濟體系卻將把這種豐饒處理為貧困。“想一想我們用來衡量世界的兩個儀表盤。第一個是舊經濟的官方儀表盤：股市創歷史新高，GDP穩定增長，失業率處於歷史低位……“第二個是人類現實的儀表盤：生活滿意度降至有記錄以來的最低點，因自殺、藥物過量和酗酒導致的‘絕望之死’已達到流行病等級，整整一代人正溺於債務，無力購房或組建家庭。“這種斷裂，就是一個正在崩潰的範式所拉響的第一聲警報。”——埃馬德·莫斯塔克（Emad Mostaque）埃馬德·莫斯塔克（Emad Mostaque），一位舊世界的“掠食者”和新世界的“架構師”，是一位身處兩個世界交匯點的獨特人物。他的職業生涯橫跨了舊經濟體系的巔峰與新經濟範式的黎明，並且都取得了巨大的成功。作為舊世界的“掠食者”，他曾是一位宏觀避險基金經理，職業本能要求他洞察並利用全球金融體系的裂痕與脆弱性。這段經歷讓他深刻理解了現實世界經濟的運作邏輯——一個由資本流動、恐懼和貪婪驅動的複雜網路，而非教科書中描繪的理性模型 。有一個廣為流傳的故事是，他曾通過分析衛星圖像上油輪的陰影長度來計算全球原油供應量，這種“上帝視角”的洞察力，正是他作為舊世界頂級玩家的寫照。作為新世界的“架構師”：他華麗轉身，創立了全球知名的開源人工智慧公司 Stability AI，這家公司因開發出開源圖像生成模型Stable Diffusion而聞名。這使他成為推動新一輪智能革命的核心人物之一，也使他得以從內部視角，見證了AI這一即將徹底顛覆舊體系的力量——其指數級增長的數學曲線和內在邏輯。莫斯塔克最近出了一本書，《最後的經濟學the last economy》。這本書的核心論點是：隨著人工智慧能力的指數級提升，人類正進入一個“千日窗口”——在大約一千天內，社會經濟體系將迎來不可逆轉的相變。莫斯塔克還揭示了我們時代最深刻的悖論，他稱之為“豐饒陷阱”災難。AI 正在創造幾乎無限的智能供給，但建立在稀缺邏輯上的現有經濟體系會把這種豐裕視作災難。換言之，我們最大的成就可能會被舊制度解讀為滅頂之災。類比歷史（如印刷術取代抄寫修士），每一次技術革命都伴隨著舊秩序的崩塌。但這一次的不同在於，AI 替代的不僅是體力或機械勞動，而是人類的思維本身。面對這一巨變，莫斯塔克描繪了三種可能的未來：數字封建制（少數巨頭掌握 AI，其餘人依賴救濟生存）、大分裂（各國以演算法冷戰相互對峙）、人類共生（建構讓 AI 放大人類價值的新型經濟體系）。罕見的“局內人診斷”與“架構師藍圖”的雙重身份，賦予了莫斯塔克一種獨特乃至“恐怖”的制高點 。他既瞭解舊經濟大廈的結構性缺陷，又親手設計和建造了即將使其過時的“爆破引擎”。 (不懂經)
最後的經濟學：1000天內，AI將給人類經濟帶來不可逆轉的相變
宏觀#AI#Emad Mostaque#最後的經濟學