When Do AI Gains Become Broadly Shareable? A Policy Threshold for AI-Driven Automation
Aran Nayebi
econ.GN, cs.AI, cs.GT
2025-05-24
CMU 用任务自动化增长模型算出:现行美国税率下 AI 要强到今天 5.6 倍才够发 11% GDP 的全民转移,公共捕获提到三分之一就砍到 3.2 倍。
AI 治理辩论里有一个默认前提:先把模型做强,等 AI 足够强大,社会再去决定怎么分蛋糕。Aran Nayebi(CMU 机器学习系)发表在 AIES 2026 的这篇论文反过来问。能力增长本身,并不能决定 AI 带来的生产力红利最后变成全民福利、私有利润、降价、工人增效,还是离岸利润。决定这个结果的,是税收、公共持股、反避税能力、市场集中度这些制度变量。
他把这个制度问题变成一道可算的题:在什么样的制度条件下,AI 创造的租金(可被公共捕获的 AI 资本收入)才能撑起一笔全民规模的转移支付?论文不是预测 AI 何时上线,也不是福利最优分析,而是一个面向政策的压力测试。
核心是把 Solow-Zeira 的任务自动化增长模型加一个 AI 能力参数 γt。生产函数是 CES 形式,把经济看作一揽子任务,每个任务要么由自动化资本完成,要么由劳动力完成。关键变量:
两个关键设计选择值得点出。第一,γt 放大的是自动化任务的生产效率,让能力提升不被「任务难替代」机械稀释,而不是去堆原始资本。第二,固定任务前沿(不假设新岗位)是刻意保守:它让模型成为一个压力测试,就算 AI 只能自动化目前可自动化的部分、没有新岗位涌现,全民分红还撑不撑得起。
在这些设定下,论文推导出一个闭式阈值(命题 1):AI 能力必须达到 γt 才能撑起目标转移支付,这个阈值同时依赖公共捕获 Θ、运营成本 c、可自动化比例 ᾱ 和市场结构。
按美国当前宏观量纲校准(转移支付基准 B/Y=0.11,约等于每个成年人每年 1.2 万美元的 UBI 规模;Θ=0.145,来自 GAO 的有效企业所得税证据):
| 设定 | 所需 AI 能力阈值 |
| 美国现行捕获(Θ≈0.145) | 5.6×(成本区间 4.8–7.6×,弹性区间 4.9–6.4×) |
| 公共捕获提到三分之一(Θ=0.33) | 3.2×(含不确定性 2.4–4.4×) |
| 目标砍到 5% GDP(现行捕获) | 3.3× |
| 目标砍到 5% GDP(三分之一捕获) | 1.9× |
最直接的结论:把有效公共捕获从约 15% 提到 33%,阈值从 5.6× 砍到 3.2×。制度改革的效应,和人们常猜测的能力跨越是同一个量级。但越过三分之一之后边际收益迅速递减,全面国有化带来的额外好处很小,尤其在运营成本高的时候。
跨国比较(Table 2)把不同税率换算成不同阈值:
| 司法管辖区 | Θ | γ(c=0.60) |
| 美国有效企业所得税 | 0.145 | 5.6× |
| 新加坡法定企业税 | 0.170 | 5.0× |
| 瑞典 | 0.206 | 4.4× |
| 挪威 | 0.220 | 4.2× |
| 日本(大企业有效税率) | 0.297 | 3.5× |
| 三分之一基准 | 0.330 | 3.2× |
| 阿联酋(仅税) | 0.090 | 7.7× |
新加坡和阿布扎比点出一条税收看漏的路:新加坡的净投资回报贡献允许政府动用 GIC、MAS、淡马锡储备收益的最多 50%,阿布扎比靠 ADIA、Mubadala、ADQ 等主权投资者。低名义税率不等于低有效公共捕获,政府可以靠持股和投资回报拿走 AI 租金,不只靠税。
市场集中度(命题 2)是个双刃结果:寡头垄断因为利润更大、可捕获的租金池更大,反而降低了融资阈值。但论文反复强调这不是福利背书:集中同时带来依赖、排他、锁定。
对从业者的价值不在那个 5.6× 的具体数字,而在它把「AI 何时造福全民」这道含糊的问题拆成了可观测的政策杠杆:公共捕获 Θ、运营成本 c、市场结构 θ、可自动化比例 ᾱ、劳动增效 ψt。这些是现在就能动的变量,不是远期话题。
论文给了两条现实判断。一,接近美国基线的国家不能指望能力增长独自完成分红,必须在捕获和执法上提前动手。二,「更多竞争」和「更多公共收入」可能互相拉扯。竞争压扁租金的速度如果快过公共机构学会捕获它的速度,反而会让未来租金变得不可见、不可主张。反垄断和分配政策必须一起设计。
对 AI 公司而言,这暗示一种长期风险:可捕获性本身会成为政策靶心。能在价值链里把利润藏起来(跨境支付、云合同、知识产权选址)的空间,正是 OECD 最低税、预扣税协调要逐个堵上的口子。
作者自己列了一串:模型是聚合的,省略了家庭层面的负担差异、内生的任务创造、策略性利润转移(附录的 Ramsey-Cass-Koopmans 分析显示储蓄下降会放松约束);固定任务前沿是压力测试不是预测;阈值不能识别最优政策,也没有动态建模制度投资;UBI 只是尺子不是建议;集中度结果不做福利排序。
读下来更让人不踏实的,是方程两边的不确定性都不小。运营成本 c=0.60 是个硬猜(论文用 OpenAI 毛利率和推理成本的第三方估算撑着),阈值对它高度敏感,4.8–7.6× 的带子很宽。有效捕获 Θ 对 AI 租金而言今天基本不可测,论文拿法定企业税率当代理,自己也承认两者不一一对应,跨国表只是「风格化」参照。γt 这个 AI 能力倍数同样没有经验测度,论文点名 METR 的任务时长框架最接近,但还远没到位。阈值公式的输入端几乎全是估的,5.6× 更像是一个把制度变量摆上桌面的诊断工具,而不是一个能拿来定日期的数。