Google DeepMind 联合创始人、首席 AGI 科学家 Shane Legg,联合 AGI 经济学总监 Alex Imas 和研究科学家 Andrew Koh,在 DeepMind Institute 发布长文《智能的经济学》,并同步公开工作论文《Organizing Intelligence》。

Alex Imas 在 X 上表示,他加入 DeepMind,就是为了搭建 AGI 经济学研究项目。三位作者试图回答一个核心问题:从 AGI 走向 ASI 的过程中,经济会在什么阶段、以什么方式被重写。
论文把 AI 演进划分为四个区间:最小 AGI、超能力 AI、超协作 AI 和 ASI。作者认为,每跨过一道门槛,市场结构、劳动分工和工资形成机制都会变化。
论文关注点从单体能力转向组织能力
在作者看来,外界过去常问的是「AI 能不能考过律师资格证」,但更关键的问题应当是「AI 能不能自己开一家律所」。这篇论文把观察重点从单个模型的能力,转向 AI 是否能作为组织参与市场竞争。
作者指出,当前大量基准测试衡量的是一个 AI 对一个人的表现,但现实经济中的竞争主体并不是孤立个体,而是公司和组织。
为验证这一点,研究团队找来 100 名受试者,进行了覆盖数学、言语推理、科学、模式识别、文化和经济学六大领域的测试。结果显示,一个人在某个领域的得分,几乎无法预测其在另一个领域的表现。论文据此认为,现实中并不存在各项能力均衡的「平均聪明人」,更多是能力结构不规则、各有长短的专才。
论文把这种由不同专长拼接而成的团队能力称为「马赛克智能」。企业的作用,就是把能力互补的人组织起来,按比较优势分工。实测数据显示,按能力互补配对的两人组,表现比随机配对高出 32%。
作者认为,大模型在这里存在天然短板:同一个模型即便复制很多份,偏强项和盲区仍然重叠。增加副本可以扩大产能,却不能补齐短板。因此,即便单个 AI 已经达到或超过人类平均水平,面对分工互补的人类团队,仍可能处于下风。
最小 AGI 场景下,就业不变但工资先跌
论文随后构建了一个 14 人的微型经济体:6 名程序员、6 名写作者和 2 名协调者。
其中,程序员写代码得分 9、写文章得分 1;写作者则相反。2 名协调者在这两项任务上都只有 1 分,是单人测试中的最低分群体,但他们擅长促进协作,也就是管理和协调。
在没有 AI 的情况下,程序员和写作者以 1 比 1 组队,专才工资升至 4.15,接近单干时的 3 倍;协调者帮助团队减少交接摩擦,工资为 2.41。
接着,研究团队向这个经济体引入一颗「最小 AGI」。它的单项能力为 1.69,协作能力为 0.78,恰好对应这组人类单打独斗时的平均水平。

结果是,就业率没有变化。14 个人全部留在大市场中工作,失业人数为 0。
但工资明显下滑。专才工资从 4.15 降到 2.90,跌幅 30%;协调者从 2.41 降到 1.30,降幅 46%。
作者给出的解释是,稀缺性先被削弱。人类专家之所以有较高议价能力,一个原因在于个体时间不可复制;而 AI 即便只达到人类平均线,也可以按算力价格复制并进入细分市场,形成压价效应。
论文据此提出一条判断:只要模型追平人类某项能力,这项工作的工资就会开始被算力成本锚定。作者还特别提醒,工资变化可能先于组织结构重组出现,因此仅凭「就业率没变」来判断 AI 尚未冲击经济,并不充分。
当 AI 单项能力超过专家,协调者相对价值上升
在下一阶段,研究团队把 AI 的单项能力提高到超过所有人类专家,同时保持协作能力不变。论文将这一阶段称为「超能力 AI」。

在这个设定下,程序员和写作者在大市场中失去价格优势,被挤入更小的细分市场,工资从 2.90 继续降到 0.39,较峰值缩水超过九成。
与之相对,原本在单项测试中垫底的 2 名协调者,反而成为 AI 公司争夺的对象。原因在于,当一组单兵能力很强、但彼此不会配合的 AI 一起工作时,仍需要有人负责定方向和分工。协调者工资停在 0.48,超过了所有专家。
论文同时列出若干现实数据作为印证:AI 原生初创公司的总人数比同期同行少 25%;受冲击职业的初级岗位就业下降 7.7% 到 19%,起薪下降 4.2%;资深员工的岗位和薪资则保持稳定或上升。
多 Agent 协作失灵,纯 AI 公司暂未全面替代传统企业
论文接着追问:如果 AI 的单项能力已经很强,算力也可以租用,为什么还没有纯 AI 公司把传统企业整体挤出市场。
作者把这个问题与 1937 年科斯提出的经典问题联系起来:既然公司内部分工可以节省成本,为什么世界没有合并成一家巨型公司。经济学长期给出的答案,指向人的协调极限。团队规模扩大后,注意力、信息传递和激励约束都会带来内耗,最终抵消分工收益。论文把这一上限称为「科斯天花板」。
作者认为,当前前沿模型在多 Agent 协作上同样受制于类似问题,而且内耗并不比人类更轻。

论文列出多 Agent 系统的若干失败数据:在主流工作流基准中,多 Agent 系统因目标不一致、交接丢失上下文、验证链条断裂,任务失败率达到 41% 到 87%;在需要前后衔接的顺序规划任务中,增加 Agent 数量后,性能反而下降 39% 到 70%;缺乏协调的 Agent 群体,还会把上游小错误放大最多 17.2 倍。
OpenAI 研究员 Noam Brown 也被论文引用。他表示,让大量 Agent 并行处理数学难题时,很难实现有效协作;在他看来,多 Agent 协作带来的贡献甚至不到 10%。
为量化这种约束,研究团队仿照大模型的 Scaling Law,提出企业的「组织规模定律」。论文的概括是:单项能力决定每个成员能做多少事,协作能力决定组织能扩张到多大。
当协作能力低于 1 时,团队规模扩大后,人均产出会先升后降。在模型中,一家纯 AI 公司的最优规模大约只有 7 个副本。只有当协作能力超过 1,每增加一个成员,人均产出才会继续提高,「科斯天花板」才算被打破。
论文还提到,现实中的 AI 团队产出随人数增长的指数只有 0.48 到 0.68,距离 1 仍有明显差距。Google DeepMind 评估学者 Sol Messing 指出,前沿模型的权重是冻结的,无法在岗位上持续学习,强行塞入更多上下文反而会让 Agent 更混乱。这也是人类公司目前仍能保住边界的原因之一。

协作能力跨过阈值后,替代可能从渐进转为断崖式
论文用两条失业曲线展示了两种不同的替代路径。
第一种是企业内部的渐进替代。在 AI 协作能力固定为 0.96 的情况下,单项能力从 3 缓慢提高到 3.4,混合团队中的人类专才数量从 4.58 人平滑下降到 0。
第二种是跨企业的断崖式替代。在 AI 单项能力固定为 4、协作能力从 0.80 上升的设定下,起初 12 名人类专家都在纯人类公司中满编工作;当协作分数升至 0.8521 时,纯 AI 公司的成本击穿纯人类公司的底线,后者整体退出市场,12 人就业从 12 直接降为 0。
论文认为,真正剧烈的变化出现在协作能力越过 1 之后,这一阶段被称为「超协作」门槛。跨过这道门槛后,组织规模报酬由递减转为递增,大市场生产可能迅速向一家巨型纯 AI 公司集中。
作者描述了门槛两侧的差异:在阈值左侧,中小企业仍然并存;在阈值右侧,经济会迅速重组为少数几家纯 AI 巨头主导的格局。
这一阶段里,协调者也不再安全。因为当 AI 自身学会高效配合后,协调能力不再稀缺。论文称,在超协作情景下,约一半协调者失业;进入 ASI 阶段后,2 名协调者全部失业。

作者保留现实约束条件,认为协作能力是关键变量
论文同时强调,「超协作」是一个高度简化的数学性质。现实中的监管、AI 厂商之间的竞争,以及算力约束,都可能阻止这种「企业奇点」真正出现。
按照作者的划分,当 AI 同时跨过「超能力」和「超协作」两道门槛,就进入 ASI 区间。届时,大多数商品和服务会变得非常便宜;在可复制的生产环节,人类工资会被进一步锚定在算力成本上。
至于价值可能流向哪里,作者给出的一种可能是「关系型行业」,例如医疗照护、教育和线下体验,因为在这些领域中,人本身的参与就是价值的一部分。
Alex Imas 在推文中把整篇论文概括为两点:第一,判断 AI 将如何改写经济,关键要看 Agent 之间的协作能力;第二,AI 的冲击更可能先出现在工资层面,随后才传导到市场结构和就业。
这也是论文给出的核心结论之一:通往 ASI 的最后一道门,未必只是更高的单项跑分,而可能是协作。当大量 Agent 能够低损耗地分工和交接时,传统公司的边界才可能真正被改写。


