《FR-12》认知能力：从外生残差到重塑经济基石的关键要素

传统的经济学范式内改良，通常表现为在既有框架下追求降本、提效或降价。然而，真正的“范式革命”则意味着对“什么问题算问题、什么算好答案”标准进行颠覆性改变。本研究报告将经济学范式革命的判据聚焦于两大核心转变：一是生产要素的“身份”是否改变，即什么可以被拥有、复制、折旧和交易；二是“成本的决定方式”是否改变，即边际成本是外生技术参数，还是内生策略变量。

在这一标准下，革命性转折的关键不在于AI让成本更低，这仅属能力深化；而在于“认知能力”本身是否已成为一种可复制、可折旧、可拥有的内生生产要素，并且边际成本不再由技术外生给定。当“能力”第一次可以直接被购买、复制并作为资产计入负债表时，这无疑将重写生产函数的结构，预示着一场深刻的经济学革命。

在AI浪潮席卷之前，支撑现代经济学大厦的核心假设体系是“不证自明”的。其中，要素二分与外生技术是基石，标准生产函数将资本与劳动视为可替代要素，而技术进步则被视为外生残差，如Solow核算所揭示。边际成本被普遍认为是正且报酬递减，价格趋向于边际成本，这构成了市场均衡的核心逻辑，即使信息商品的“近零边际复制成本”也常被视为“特例”处理。【已查证·经典文献】（Solow增长核算；Shapiro & Varian《Information Rules》(1999)）。

此外，稀缺性是经济学的公理，知识作为非竞争性公共品，市场会供给不足，故需要专利、版权等制度人为制造稀缺以激励创新（Arrow 1962, Romer 1990）。【已查证·经典文献】。企业存在的边界由Coase（1937）提出的交易成本理论决定，而竞争均衡和报酬递减则确保了超额利润的暂时性与长期增长的收敛性。劳动与资本的二分，以及工资等同于边际劳动产品的理念，更是税收、劳动法和公司治理的共同基础。【已查证·经典文献】。这些假设共同勾勒了一个“物质-信息二分”的经济图景，其中知识是外生公共品，稀缺是理所当然，企业是交易成本的容器。

AI对传统经济假设的冲击并非单一维度，而是通过七大具体机制展开。首先是“成本坍塌”的真实性与复杂性。尽管有报告称LLM推理成本在三年内下降1000倍，达到MMLU 42分的能力最低成本从60美元/百万token降至0.06美元/百万token【已查证·本报告直接核验】（a16z 2024-11-12），但关键在于这种坍塌是“能力调整后的价格”，而非普遍归零。前沿模型在知识、推理、数学、软件工程上的价格-性能每年改善约5-10倍，控制硬件进步后，算法效率约3倍/年，但最高性能档降幅高达31倍，最低档却仅为1.7倍【已查证·本报告直接核验】（arXiv:2511.23455，MIT FutureTech）。这表明边际成本由“能力档位”内生决定，击穿了传统上边际成本由技术外生给定的假设。

其次，AI将“非竞争性”从内容复制扩展到“生产能力本身”。模型权重一旦训练完成，便可无限复制，并行服务无数任务，且不因使用而损耗。这使得认知劳动的能力首次具备了“非竞争性资本”的属性，可被拥有、部署、复用，但又提供劳动式服务【推断，基于经典Romer理论】。这种“哑铃型”成本结构尤为显著：前沿模型训练成本自2016年以来以2.4倍/年增长，2027年最大训练运行将超10亿美元【已查证·本报告直接核验】（arXiv:2405.21015，Epoch AI），固定成本指数上升，而边际成本指数下降，将递增报酬集中于少数拥有算力的主体【推断】。

更反直觉的是“生成廉价、验证昂贵”的成本病迁移。尽管模型价格-性能暴跌，但运行基准评估的成本却持平甚至上升，如ARC-AGI一次突破性评测花费约3000美元【已查证·本报告直接核验】（arXiv:2511.23455，MIT团队）。这呼应了Baumol & Bowen（1966）的“成本病”，意味着价值瓶颈从“生产”转向“验证、规格、信任、责任”。同时，Jevons回弹效应正在发生：效率提升并非导致通缩，而是需求扩张。推理账单上升，因为Agent任务消耗的token可达等价聊天任务的5-30倍，单任务成本可达50-60倍【单一来源·待一手核对】（Inferbase）。这些机制共同动摇了传统经济学的六大假设，揭示了经济学底层逻辑的深刻转变。

在AI的冲击下，传统经济学范式的假设被全面改写，新的经济蓝图正逐渐清晰。首先，生产函数从单一的“资本+劳动”扩展为更复杂的《Y = F(M, J, C, D, E)》，其中M代表可复制的认知能力（模型），J代表人类的判断与规格（不可复制），C是算力，D是数据，E是能源。技术不再是外生残差，而是可生产、可拥有的投入【推断，基于M1/M2/M3】。其次，边际成本被重构为“任务成本曲线”，其计算涵盖了“能力档 × token × 步数 × 单价 + 验证/信任成本”。名义单价与实际任务成本可以反向运动，意味着“零边际成本”仅是低难度、单步任务的特例，而非普遍法则【推断，基于M1/M4/M5】。

第三，稀缺性重新定位，从传统的“物品/信息稀缺”转变为“判断/验证/信任/责任/能源/意图稀缺”。当生成变得廉价，判断“什么值得做”、“做得对不对”以及“谁来负责”成为真正的约束，稀缺的不再是比特，而是可信度与注意力【推断，基于M4】。第四，价值来源发生根本性迁移。超额利润不再主要来自信息不对称或生产端的垄断，而是源于将模糊意图转化为可验证规格、编排认知能力资产，并为最终结果承担责任的能力【推断，基于M4/M6】。

最后，企业边界不再简单由交易成本决定，而是由“外部算力固定成本”与“内部验证信任成本”双重约束【推断，基于M3/M6与Coase理论】。企业将演变为能力资产的“编排合约网络”，其规模经济则取决于能力复用率和信任层的边际扩展。劳动-资本二分也让位于一个连续谱，核心分配问题变为“谁拥有可复制的认知资本”，Acemoglu（2024）的研究已预测AI将扩大资本收入与劳动收入的差距【已查证·本报告直接核验+推断】，这预示着未来政治经济学的主要战场。由此可见，这场变革的核心是能力成为可复制要素，边际成本由能力档位内生，稀缺性从物品转向判断/信任/责任，以及企业边界受多重约束，这已远超单纯的“深化”，构成了真正的经济学范式革命。

审视这场经济转型的真实性，关键在于对数据的精确解读。例如，a16z报告的“等价性能年降10倍，MMLU 42分成本三年降1000倍”【已核验】，以及Epoch AI指出的“达GPT-4性能价格年降约40倍”【已核验】，都明确指向了给定能力下的成本急剧下降。然而，MIT FutureTech研究更为严谨，其发现前沿模型价格-性能每年改善约5–10倍，控制硬件进步后算法效率约3倍/年，但最高性能档位年降31倍，最低档仅1.7倍【已核验】。这强调了“成本坍塌分层、非普遍归零”的本质，也说明任何“AI边际成本已归零”的论断都必须附带明确的口径，否则结论将不可比【已查证·本报告直接核验】。

尽管微观层面的成本变化显著，宏观经济层面尚未出现统计学意义上的“革命性”证据。Acemoglu（2024）估计AI对未来十年全要素生产率（TFP）的提振不超过0.71%，甚至可能低于0.55%【已核验】，这直接反驳了“革命已在统计上发生”的观点，提示我们微观成本坍塌与宏观生产率之间存在复杂的传导阻碍，如组织与制度惯性。此外，Jevons回弹效应也提醒我们，“单价下降”不等于“总账单下降”：Agent任务的token消耗可达聊天任务的5-30倍，导致单任务成本上升数十倍【单一来源·待核对】。同时，训练成本以2.4倍/年增长，固定成本集中在少数主体，使得“人人可造大模型”的叙事面临资本门槛的约束【已核验】。AI的“零边际成本”也绝不等于“零资源消耗”，能源与算力作为物理约束，将成为长期成本模型中不可忽视的底线【已查证+推断】。

经济底层逻辑的偏移将通过商业、组织和产品三个层面产生深远影响。在商业层面，定价权将从传统的“每token/每席位”转向“每任务/每结果/每单位价值”，因为名义单价已无法准确预测实际账单。毛利结构将发生重组，复制环节利润归零，而验证、评估、路由、编排、溯源与责任担保将成为新的利润池。Jevons回弹效应将把算力与能源成本推回商业模型的核心，使得与硬件和电力深度绑定的商业模式可能获得结构性优势【推断】。

在组织层面，我们将见证“哑铃化”的组织结构：少数拥有庞大固定成本的超级平台，与众多专注于特定领域、拥有不可外包判断与信任的极小可信单元（如一人公司）并存。中间管理层和执行层的存在理由将被削弱。Coase提出的企业边界理论将被重写，企业内外化能力不再只取决于交易成本，更取决于“外部算力的不可拥有性”与“内部验证信任的不可外包性”【推断】。

在产品层面，产品的核心能力将体现在“可验证交付与成本可观测性”。产品将需要提供清晰的cost-per-task仪表盘、推理预算管理、前缀缓存以及显式的假设与不确定性清单。“能力路由”本身将成为核心知识产权，因为同一模型在不同任务形态下，成本可相差数个数量级【推断，基于M1/M4/M5】。对于像研究OPC这样的一人公司而言，其核心立足点将从“更会生产”转向“拥有不可外包的判断与信任，并将验证能力产品化”，从而在固定成本集中和验证成本昂贵的世界中，寻找超额利润的来源【推断】。

面对经济范式的深刻变革，研究OPC必须采取前瞻性策略。首先，将“边际成本”升级为一等观测变量，建立精细的cost-per-task账本，记录每个交付物的能力档、token消耗、处理步数、缓存命中率、验证耗时与具体费用，区分“单价”与“任务成本”，避免仅凭定价页进行预算预测【可执行】。其次，在趋势跟踪时，务必使用“能力调整后成本”，并强制标注口径，例如控制基准性能、区分Pareto前沿与全样本，并注明样本期，避免将片面数据（如“1000倍下降”）当作普遍趋势【可执行】。

第三，建立“固定成本 vs 边际成本”的双账户体系，测算复用率与盈亏平衡点。将模型或Agent能力视为可折旧的固定资产（包含获取、微调、维护成本），而每次运行和验证则视为边际成本。OPC的可行性将直接取决于其能力复用率能否覆盖并超越验证的边际成本【可执行】。第四，将“验证与信任”视为核心资产和护城河进行经营。鉴于成本病已迁移至验证端，OPC应沉淀可重放的检查脚本、评估基座、溯源登记和失败/撤回记录，这些都是难以短期复制且能支撑溢价的资产【可执行】。

第五，为OPC设立“任务预算”而非简单的“token预算”，并主动对抗Jevons回弹效应。通过设置推理预算上限、限制Agent步数、坚持上下文卫生等措施，定期检验效率提升是否仅仅带来了任务量的膨胀而非实际利润的增长【可执行】。第六，运用Coase交易成本理论与固定成本双重框架重估“自建 vs 购买”决策。判断一项能力是应外包给API/模型，还是内化为自建Agent/私有模型，其核心依据是“外部算力固定成本的可承受性”以及“该环节验证信任的不可外包性”，而非只看单位价格【可执行】。第七，将“能力”视为可折旧资产，进行折旧与替代分析，追踪所用模型/工具的能力折旧率、被替代速度和被竞品抢先的记录，警惕押注单一前沿模型带来的高度集中化高折旧风险【可执行】。

第八，将OPC的角色定位明确为“规格定义者 + 编排者 + 责任承担者”。在生成能力日益廉价的世界中，稀缺的是清晰的意图、精确的规格、独特的品味以及对结果负责的担当。研究OPC应将方法论从“AI帮我写”升级为“我定义问题、AI生成、独立验证、我承担归属”【可执行】。第九，复用内部实验设计，将经济要素显式写入OPC生产函数。参照FR-09/10/11等系列研究，将“算力/推理预算”与“验证成本”作为独立自变量，量化其对交付质量与单位成本的影响【可执行】。第十，持续跟踪能源与算力作为OPC成本的物理底线。将电价、算力可得性与推理能耗纳入成本模型，识别那些“名义单价下降但物理成本刚性”的任务，避免将短期降价误判为长期参数的改变【可执行】。

面对这场深刻的经济变革，仍存在诸多待验证命题与潜在风险。例如，关于“Agent任务token消耗与单任务成本激增”的数据，主要来源于厂商博客及其引用的行业分析，其原始数据尚未经过独立核对【单一来源·待一手核对】。此外，不同机构（如a16z、Epoch AI、MIT）对成本下降幅度的估计存在显著差异，例如“3年1000倍”与“9-900倍/年”以及“5-10倍/年”，这些差异源于度量对象、样本期和保真度的不同，因此在引用时必须附带明确的口径，避免混淆【已查证·口径差异】。

值得注意的是，Epoch AI对训练成本的估计（例如GPT-4/Gemini的绝对金额）存在较大误差区间，其作者也明确指出了估算限制，但成本的增长趋势（2.4倍/年）比绝对值更具稳健性【已查证·作者自述限制】。Acemoglu对TFP的估计虽然基于任务模型与既有文献，被视为“保守下界”，但足以证伪“革命已在宏观统计上完成”的观点【已查证·论文摘要】。最大的风险在于，将“零边际成本”当作普遍通则、将“名义单价下降”误判为“总账单下降”，以及将“微观降本增效”等同于“宏观范式已变”，这些都是旧范式惯性在新范式中的典型误用，可能导致重大的商业和战略误判。