10 个关键问题Q&A
-
Q：为什么现在 AI 能力很强，但宏观经济变化不大？ A：当前 AI 单智能体能力提升快，但多智能体协同能力不足，难以形成超越人类团队的组织马赛克智能。 -
Q：什么是马赛克智能？ A：组织把能力参差、各有专长的个体互补搭配，补齐短板，让团队整体能力超过任何单个成员。 -
Q：胜任力和协同能力分别带来什么影响？ A：胜任力带来渐进式的价格、工资、人机配比变化；协同突破临界阈值会引发经济突变。 -
Q：什么是组织缩放定律？ A：描述团队扩张时人均产出变化：独立低效→有限最优规模→协同达标后无边界递增回报。 -
Q：最小 AGI 阶段的主要变化是什么？ A：AI 平均水平追上人类，行业结构不变；被替代岗位工资向算力成本靠拢，专家与协调者薪资上涨。 -
Q：超胜任 AI 会不会造成行业垄断？ A：不会。单智能体很强但协同受限，企业变精简、产能充裕，行业依旧分散。 -
Q：超协同 AI 的标志性转变是什么？ A：规模报酬由递减转为递增，市场快速集中，工资发生断崖式变动，属于经济相变。 -
Q：ASI 阶段人类还有就业空间吗？ A：有，就业大量流向关系型部门，这类场景中人类参与本身就是价值；同时会诞生全新岗位。 -
Q：AI 和人类劳动力最核心的两点差异？ A：AI 可按需复制、成本锚定算力；AI 智能体之间没有人类的注意力、默会知识、激励错配约束。 -
Q：监测 AI 经济冲击，优先看什么指标？ A：工资与岗位结构，它们的变动早于 GDP、市场集中度等宏观指标。
核心论点：更强的 AI 会提升生产力，但真正的经济变革，取决于智能体能否学会协同协作。本文基于论文：https://storage.googleapis.com/deepmind-media/papers/organizing-intelligence.pdf，该论文构建了完整经济学模型，并完成形式化推导。
能力提升会如何改变经济？变革会在何时发生？在本文中，我们以对经济的改造效应为标尺，定义各类经济能力阈值（例如最小 AGI）。随后追踪经济体在跨越不同能力阶段的转型过程中，市场结构、就业、工资会如何演变。
过去几年，机器智能的能力呈指数级增长。每隔几个月，前沿 AI 模型就拿下一项曾经被认为还要数年才能达成的里程碑：编写可投产的软件、在专业领域超越人类专家、攻克千禧年数学难题。但放眼整个宏观经济，变化却十分有限。大多数人仍从事熟悉的工作，企业员工规模和几年前相差不大，总生产率数据几乎没有明显上涨。
这种脱节，一部分原因在于：单个 AI 智能体并不是合适的经济分析单元。绝大多数能力基准测试，衡量的都是孤立状态下独立 AI 智能体解决问题的水平；而经济转型是一种均衡结果 —— 组织在供需规律约束下相互竞争。劳动者并不是在真空中工作。组织把具备互补优势的人聚集在一起，拆分任务，组建团队，团队能力远高于任何单独的个体。现有的基准只测试 AI 能不能一对一战胜人类，所以即便一个模型单挑胜过所有人，依然可能输给结构良好的团队。这也是为什么有人将组织视作一种超级智能。
与此同时，传统经济模型会低估 AI 的变革潜力，因为它们往往把机器智能类比成过往的技术革新：要么是劳动者手中更好的工具，要么是可以逐任务替代人的机器。通用机器智能并不符合这个框架，主要源于两大特性：第一，人类劳动力供给是固定的，但 AI 智能体及其能力可以按需扩容，成本仅为算力开销；第二，限制人类团队规模的约束 —— 管理幅度、沟通摩擦、激励错配，未必会作用于机器智能体。一旦智能体可以直接彼此协作，而不是嵌套在人类层级体系之内，我们就将面对一类全新的生产要素。
那么，机器智能究竟会在什么时候带来经济转型？要让 AI 显著影响市场结构、工资与就业，需要达成哪些能力？
为回答这个问题，我们推演不同 AI 能力水平下的经济情景。通过研究智能在组织内部的运行方式，经济转型的触发，取决于是否跨过两大关键能力阈值：
-
胜任力（Competence）：数学、写作、编码这类个体能力提升，会平缓改变工资、价格以及企业内人与 AI 的配比，行业结构大体保持不变。 -
协同能力（Coordination）：智能体在企业内部协同共事的能力提升，会改变组织的可扩张边界。一旦协同能力抵达临界阈值，就会引发市场集中度、就业、工资的大幅、突变式跃迁。
把 AI 在这两个维度上的位置标注出来，我们可以划分出四类能力阶段，它们对经济形态、就业人群、薪酬水平的影响截然不同：最小 AGI、超胜任 AI、超协同 AI、人工超级智能（ASI）。追踪不同阶段之间的跃迁就能发现：真正肉眼可见的变革，可能来自协同能力的进步 —— 而这是绝大多数现有基准测试尚未覆盖的能力。
参差不齐的智能体，马赛克式组织
当下绝大多数基准测试，根本不衡量协同能力。它们把智能当成一个单一的个体分数，而不是一套参差不齐、可以和互补队友配合的能力剖面。
我们做了一个实验：让 100 人完成一套覆盖六大领域的测验：数学、语言推理、科学、模式识别、人文文化、经济学。结果发现，一个人在某一领域的表现，很难预测他在其他领域的水平。人群里不存在 “平均智能” 的复刻版本；每个人都是在不同方向上能力参差不齐的专家 —— 某些领域很强，另一些领域薄弱。
举例来说，有人擅长多个领域，但模式识别能力很差；另一个参与者模式识别能力突出，但其余项目表现平平。（图 1 展示了 6 名受试者的数据）
图 1：人类在六大领域参差不齐的能力剖面，以及组织的马赛克智能
但劳动者几乎不会以个体身份直接面向消费市场与企业市场。人归属于组织，组织存在的核心价值，就是利用人类这种天然的能力参差：把具备互补性的专家组合起来，让团队的能力覆盖任何单个成员都无法独立完成的范围。这就是企业内部的李嘉图比较优势：人们会流向自己相对更擅长的岗位。岗位不是随机分配，而是为最大化每个专家的比较优势而设计。
由此诞生马赛克智能（mosaic intelligence）：组织形成一种集体能力，吸纳所有专家的长处，补齐所有人的能力短板。通过抹平个体能力剖面的参差，马赛克智能的表现优于团队里任何一个单独的人。图 1 的数据可以直观体现：蓝色包络线代表左侧 6 名受试者的平均水平，而范围大得多的红色包络线，代表把专家匹配到各自最擅长任务后形成的组织智能。当受试者两两配对、能力互补来解决特定任务时，他们的表现比随机配对高出 32%。
这套逻辑可以推广到完整团队。举个例子：开发交付软件，既需要优秀编码能力，也需要清晰的文字表达。把两类专家配对，抵消各自短板。由此带来的生产率提升，意味着企业里的程序员和写作者，收入都高于他们单独接单的水平 —— 不是因为他们单独工作时变强了，而是互补专家互相放大了对方的比较优势，让双方都能拿到更高薪酬。（图 2 左面板用简单数值示例展示该机制）
组织还释放了第三类劳动者的价值：协调者。用任何单智能体独立基准去评判，纯协调者看起来是经济体系里最弱的一类人，编码、写作都只是平均水平。独自工作时，产出几乎可以忽略不计。但在团队内部，优秀的协调者可以减少同事之间工作交接的摩擦，让团队在扩张的同时不失去目标，让每一位程序员、写作者的生产率明显提升。协调者让团队充分发挥每个专家的长板。在均衡状态下，协调者 —— 也就是我们常说的管理者，往往能拿到经济体里最高一档的工资；不是因为他们擅长某一项具体任务，而是他们最大化了马赛克团队的总产出。
那机器智能呢？很多讨论都提到 AI 智能体的能力参差：它们能攻克高深数学，却会在看似简单的问题上栽跟头。人类智能同样不均衡，但人类的能力参差方向各不相同；而 AI 模型的能力短板，彼此高度趋同。我们可以给团队加入一名互补的人类专家补齐短板，但复制一份模型，只能增加算力容量，不会拓宽能力边界。
因此，即便一个模型的能力剖面，超过了所有人类个体的平均水平，在市场竞争中依然可能输给一组能力互补、互相支撑的人类团队 —— 这些人单独拿出来，谁都赢不了这个 AI。所以纠结 “模型是不是比人强”，其实找错了经济分析的对象。在竞争性市场里，真正关键的问题是：由 AI 智能体组成的组织，能不能胜过人类组织、或是人机混合组织。
图 2：跨技能维度的马赛克智能，以及不同企业规模下的组织扩张曲线
AI 和人类的核心差异
除了能力剖面如何互补搭配之外，AI 智能体和人类劳动者还有两个关键区别，决定了经济转型的走向：可复制性与协同性。
人类专业能力供给是稀缺固定的。每个人一天只有有限时长，无法随意扩容。行业想要扩张，只能去招募能力梯队里更靠后的人才，这必然推高工资。这正是李嘉图理论的核心：最高的经济回报，流向那些无法被复制的技能所有者。
AI 从根源上消除了这种稀缺瓶颈。一旦模型达到某一能力水平，就可以按需无限部署，成本只等于算力租赁费用。这也是 AI 进入经济后工资变化的底层逻辑：只要模型能够匹配人类能力，对应的人类工资就会被锚定在算力成本上。
第二个差异是协同。诺贝尔经济学奖得主罗纳德・科斯提出经典问题：如果把生产放在企业内部组织可以降低成本，为什么不是所有生产都由一家巨型企业完成？一个世纪的组织经济学给出答案：根源在于人类的局限。两个人并肩工作，可以同时掌握项目全貌，即时解决矛盾。团队扩张到 20 人、200 人之后，人的注意力被摊薄，交接过程中隐性假设丢失，员工个人职业诉求带来激励错配。大量人类知识属于默会知识 —— 也就是波兰尼悖论所说的 “我们知道的，多于我们能言说的”；工作交接时，丰富的上下文信息会被压缩丢失。雅各布・马尔沙克更是基于通信过程中的信息损耗，建立了整套团队理论。
历史告诉我们协同约束被打破时会发生什么。19 世纪，电报与铁路的出现，并没有让单个工人变得更强；它们只是提升了工作交接的速度与保真度。仅此一点，就催生了现代企业这种前所未有的组织形态。是协同技术进步，而非个体技能提升，造就了现代企业。
重点在于：限制人类协同的那些约束，未必会作用于 AI 智能体。当下 AI 的协同能力依然有限，但它们拥有极高的通信带宽，协同潜力巨大。同一个智能体的副本共享完全相同的权重与表征。它们可以传递完整的工作状态，包含整套代码库、中间推导过程、全部上下文窗口，并且朝着同一个目标执行，不存在相互冲突的职业诉求。
历史上限制企业规模的天花板，来自人的认知带宽与激励分歧。想要预判 AI 驱动的经济转型，关键就是判断这些约束会不会落在 AI 智能体身上。
胜任力决定产出水平，协同能力决定扩张上限
设想一个市场：企业可以自由搭建人力组合，以市场工资雇佣稀缺人类，按算力价格租用 AI 副本。竞争会筛选出能够抵御新进入者的组织形态。
任何组织的总能力，都可以拆解为前文所说的胜任力与协同能力两个维度。胜任力决定固定规模下，单个劳动者的产出水平；协同能力决定组织新增人类或 AI 智能体时，产出如何变化。换而言之：胜任力设定了生产率的潜力上限；协同能力决定组织可以扩张到多大，而不会混乱失效。
追踪组织扩张过程中人均产出的变化，我们得到组织缩放定律，和大模型缩放定律形成对照。模型缩放定律描述参数、数据带来的收益；组织缩放定律描述智能体团队扩张时的表现。它分为三个阶段：
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
把胜任力和协同分开，会得到一个关于经济转型的核心洞见：胜任力带来渐进式改变，协同能力带来突变式转型。提升领域胜任力，会平缓改变价格、工资、人机配比，企业规模普遍偏小，外部看上去经济变化不大。但一旦协同能力突破超协同阈值，市场集中度、就业、工资会出现跳变式剧变，经济面貌和今天截然不同。
AGI 的四个阶段
我们不把 AI 进步当成单一滑块单向提升，而是独立追踪胜任力、协同能力两条发展线。据此，按照它们对市场结构、就业、工资的影响，划分四大能力阶段：最小 AGI、超胜任 AI、超协同 AI、人工超级智能（ASI）。
为了看清这几个阶段在整个经济体（而不只是单一行业）的影响，我们区分三类市场：
-
深度可规模化市场：软件、物流、金融这类标准化大行业，需求可以承接巨量供给； -
利基市场：规模更小、高度定制化的场景，需求总量有限，规模扩张带来的收益存在上限； -
关系型服务部门：商品、服务、体验本身，人类参与就是价值的一部分，例如医疗、教育、手工服务。
图 3 展示了我们从一个阶段跃迁到下一个阶段时，利基市场、深度可规模化市场、关系型服务部门的组织形态与就业变化。
图 3：在 AI 能力各阶段，利基市场、深度规模化市场、关系部门的企业组织演化
最小 AGI（Minimal AGI）
最小 AGI 指：可复制的 AI，在各类任务上达到或超过人类平均水平。乍一看，经济结构几乎没有变化。在深度规模化市场里，均衡的人类马赛克团队依然胜过纯 AI 企业，互补专家的组合能力压倒只有平均水平的 AI 组织。企业员工规模基本稳定，行业依旧分散，大量中小公司并存。
所有变化都集中在工资层面：技能被 AI 匹配的劳动者，工资会向算力成本靠拢；而专业专家、人类协调者，反而可以索要更高薪酬。最小 AGI 智能体副本可以按算力成本租用，小型 AI 企业进入价格敏感的小众利基市场，压低商品价格。
这个结论对当下 AI 经济讨论至关重要：工资效应先于组织重构出现，所以单纯看就业率这类宏观统计数据，并不能证明 AI 没有对经济产生影响。
超胜任 AI（Supercompetent AI）
接下来是超胜任 AI：AI 系统在所有单项能力上，超过所有人类专家，唯独协同能力还没有突破。当 AI 个体胜任力极强，但协同能力没有同步进步，会发生什么？
出人意料的是，依然不会出现剧烈结构性变革。即便没有任何人类专家团队能在单项任务上胜过模型，协同能力依然是企业规模的硬上限，规模太大就会崩溃。引入超胜任 AI 之后，企业生产率大幅提升，但不会变大；事实上，员工规模、组织体量反而可能收缩。行业里依然有大量精简的企业相互竞争，商品服务变得廉价充裕，经济呈现一种反直觉的状态：供给极大丰富，但市场没有走向集中。
但在这些精简企业内部，岗位结构会发生剧烈翻转：AI 可以独立完成常规专业工作，成本等于算力，常规专业岗位的薪酬逐步走低。但大型项目、复杂团队依然离不开熟练的人类协调者。由人来设定方向、对齐目标，才能放大一整队超胜任 AI 智能体的产出。人类不会从生产中消失；人的比较优势转向判断、统筹、搭建高效协同的架构。
超协同 AI（Supercooperative AI）
换一个方向：保持 AI 个体胜任力停留在最小 AGI 水平，持续提升智能体协同能力，直到跨过超协同阈值。
这时经济会发生突发性相变。组织里每新增一个智能体，都不再带来摩擦，反而提升团队整体生产率。数学上，规模报酬从凹函数转为凸函数。在标准化的深度大市场里，这种高度同步的 AI 组织可以无限扩张，迅速碾压小企业 —— 哪怕单个智能体在独立基准测试里并不亮眼。
处在超协同阈值两侧的两个经济体，差距会极其悬殊：即便模型的个体胜任力几乎一样，一侧经济体行业分散、面貌熟悉；另一侧快速重构，少数几家纯 AI 巨头主导市场。后者的组织重构，也会带来工资的断崖式下跌。
但这种变化不会席卷全部经济。利基市场需求天然有限，AI 组织很难依靠规模优势，打败小规模人类专业团队。但大量被挤出的劳动者涌入利基市场和关系型部门，压低这些领域的工资。这说明：机器协同能力的突破，可以通过传导，带动整个经济体发生巨变。
人工超级智能（ASI）
当同时跨过超胜任阈值、超协同阈值，就抵达**人工超级智能（ASI）**阶段。深度规模化市场的生产，持续集中在大型 AI 企业。同时 ASI 在单项任务上超越人类专家，于是小型利基市场也不再是人类团队的避风港：精简 AI 企业不需要巨大规模，就可以承接定制化需求。
单看机器可以复刻的商品与任务，人类劳动似乎无处可去。但放到整个经济体里，人类未必会失业。理解自动化带来的就业与价值变化，可以参考历史视角：农业、制造业自动化提升生产率之后，这些部门供给充足，社会整体变得更富裕。自动化并没有消灭总岗位 —— 人们把新增收入花在尚未自动化的服务业，这些部门的产值和就业随之扩张。
但 AI 和过往技术变革不一样，自动化覆盖范围会广得多。AI 压低价格之后，绝大多数商品服务都会商品化，社会真实收入大幅上涨。那么消费和就业流向哪里？一个可能性是：财富流向那些稀缺、且受人珍视的品类 —— 也就是关系型服务，人的参与本身就是价值。典型如医疗、教育：很多任务可以自动化，但由人交付会提升价值。同时历史告诉我们，还会诞生今天难以想象的全新岗位（1950 年，谁能想到大量人会从事 “软件工程”？）。所以即便商品化生产里，人类薪酬被算力成本锚定，关系型部门依然会大幅扩张，吸纳大量劳动力，并且提供较高的真实工资。
展望未来
用这套框架来看，当下经济变化温和，完全合乎逻辑：AI 模型的个体胜任力指数级提升，但协同能力滞后。在几十个职业里，模型已经可以独立交付成果，比肩甚至超越资深从业者。但如果拉起一大群智能体协同工作，产出很快就进入收益递减。
前沿落地项目也遇到同样瓶颈。OpenAI 的 Noam Brown 在谈及并行部署数千个智能体攻克公开数学难题时提到：“让这些智能体高效协同，实际上非常困难。” 他观察到，集群智能体常常各自独立干活，无法有效分工；他认为，多智能体协同带来的贡献，甚至不到单智能体能力的 10%。
今天的劳动力市场，正是 AI 当下能力的写照：没有大规模失业，也没有一夜之间形成 AI 垄断；而是初创公司组织更精简、组织架构更扁平化，贴近基准测试任务的入门岗位招聘走弱，而能够统筹跨团队复杂工作的资深人才需求稳定甚至上涨。
如果最深层的结构性变革取决于协同能力，我们的评测体系就必须跟上。当下排行榜几乎全部测试孤立的单智能体。作为经济预测指标，这些分数高估了模型和互补人类团队竞争的实力，也无法预警 AI 距离协同临界点还有多远。
除了单智能体排行榜，我们还需要面向智能体组织的基准测试：衡量多智能体系统如何拆分陌生问题、避免重复劳动、干净地跨节点传递上下文、在长任务链条上发现错误，而不是把错误越放越大。经济统计指标也需要同步更新，同时统计人力薪酬与算力投入，看清人和机器实际如何组队协作。
在此之前，工资与岗位结构，而不是 GDP、行业集中度，是最早的变革信号：它们会在企业边界明显改变之前率先变动。长久以来，AGI 讨论都把智能当成人和机器一对一的竞赛。但真正关键的，是组织 —— 组织把参差不齐的个体能力，融合成远超简单加总的集体力量。
免责声明DMI 是由谷歌与谷歌 DeepMind 研究者发起的平台，用于发布、探讨和 AGI 共存世界的深度原创观点。DMI 文章仅作为讨论的起点，代表作者个人研究观点，不代表谷歌官方立场。
作者Alex Imas谷歌 DeepMind AGI 经济学负责人Alex 研究人工智能与技术变革经济学，聚焦 AI 如何重塑生产率、劳动力市场、创造性工作，以及智能体系统如何和现有经济、社会制度互动。他结合理论建模、受控实验、观测数据分析开展研究，曾获斯隆研究奖，和理查德・塞勒合著《赢家的诅咒：行为经济学异象》。现任谷歌 DeepMind AGI 经济学负责人、芝加哥大学经济学与应用 AI 教授。
Andrew Koh谷歌 DeepMind 研究科学家哥伦比亚大学经济学助理教授，研究博弈论、机制设计、宏观经济学；近期研究强 AI 系统的经济、政策影响，以及面向策略型 AI 智能体对齐的机制设计。
Shane Legg谷歌 DeepMind 联合创始人、首席 AGI 科学家怀卡托大学杰出校友，在瑞士 IDSIA 取得博士学位，论文提出机器智能的形式化定义，获加拿大奇点研究所奖项。
附录二 mosaic intelligence 马赛克智能
这个概念来自 Google DeepMind Alex Imas 等人的论文 Organizing Intelligence（也就是这篇《The Economics of Intelligence》的配套正式模型论文），不是传统 AI 学术里的经典术语，是本文作者提出的原创经济学–组织理论概念。 它的灵感源头：
-
李嘉图比较优势（企业内部分工、专业化互补） -
人类智能是jagged（参差不齐、能力不均衡）：没有人是全才，每个人强弱项不一样 -
组织经济学（科斯、马尔沙克团队理论、波兰尼默会知识）
作者的核心观察：单独个体的能力总有缺口；组织的价值，就是把一堆能力参差的个体拼起来，补上缺口，形成集体能力，像马赛克瓷砖一样，每一块单独有局限，拼在一起才形成完整画面，因此命名 mosaic intelligence。
正式定义
Mosaic intelligence is the collective capability of an organization that assembles jagged, complementary specialists, combining their strengths and filling each other’s capability gaps, so the team’s overall capability profile exceeds any individual member.
中文定义：马赛克智能，是组织将能力参差不齐、具备互补性的专家组合在一起，融合各自长板、补齐彼此短板而形成的集体智能；团队整体能力剖面，优于团队里任何一个单独成员。
关键词
- jagged capabilities（参差能力）
人（或者 AI 智能体）的能力不是均匀的，A 擅长数学、弱于写作；B 擅长写作、弱于数学，各自有能力缺口。 重点：人类的参差是方向多样；当前 AI 的参差是短板高度趋同—— 复制同一个模型，只能增加算力，不能补齐能力缺口，这是原文很关键的对比。
- complementary specialists 互补专家
不是找一堆一样强的人，而是找强项互补的人，发挥企业内部的李嘉图比较优势。 - capability profile 能力剖面
在多个任务维度上的能力分布图，马赛克智能最终得到一张覆盖更广、没有明显漏洞的能力包络线。
举原文例子
-
测验实验：6 个能力参差不齐的受试者，随机配对效果一般；按强项互补配对，解题表现比随机配对高 32%。 -
软件团队：程序员 + 文案 / 产品写作者 + 协调管理者。程序员单独写代码强、表达弱；写作者文字强、工程弱；协调者本身单项能力平平，但降低交接摩擦，放大整个团队马赛克智能。 -
管理者（协调者）的价值：管理者本身单看能力剖面很普通，但他是马赛克的粘合剂，让拼图咬合顺畅。
和几个容易混淆概念的区分
-
✅ 马赛克智能 ≠ 群体智能（swarm intelligence） 群体智能：大量简单个体靠简单规则涌现行为（蚂蚁、鸟群），没有刻意分工互补。 马赛克智能：有意识地匹配互补专长、弥补能力缺口，基于比较优势分工，是组织设计出来的集体能力。 -
✅ 马赛克智能 ≠ 集成大模型 / 混合专家 MoE MoE 是模型内部路由、不同专家模块；马赛克智能是组织层面（人 / AI 智能体组成的企业）的经济概念，不是模型架构。 -
✅ 马赛克智能 ≠ 团队协作（普通 teamwork） 普通协作只是一起干活；马赛克智能强调：个体本身有先天短板，组织的核心价值就是消弭个体参差带来的能力盲区。
放在整篇文章里的作用（为什么这个概念很重要）
作者用它解释一个核心悖论：
哪怕单个 AI 已经强于平均人类，只要 AI 副本之间无法形成马赛克式互补，它依然打不过一支人类互补专家团队。 传统 AI 榜单只测单智能体，衡量的是 “单块瓷砖好不好”；但经济竞争比的是马赛克拼图好不好（组织集体智能）。
浓缩版：
马赛克智能 = 组织把一堆各有短板的互补个体拼成一张完整无缺口的能力拼图，集体能力大于任何个体。