Intelligence Inflation

Intelligence Inflation（智慧通膨） 是程世嘉在 BusinessNext 文章中提出的框架：當生成式 AI 讓文字、分析、程式與一般知識輸出的邊際成本快速下降，原本稀缺的「智慧」會像貨幣一樣被大量供給，單靠知道更多或產出更多不再足以維持價值。這是來源作者的趨勢命名，不是已被經濟學界或勞動市場資料獨立驗證的正式指標。

機制

1. 認知輸出商品化：模型、API 與 agent 把摘要、草稿、程式、研究與方案候選變成可大量複製的服務。
2. 一般能力貶值：只提供通用知識、格式化文字或一次性產出的角色，面臨更低價格與更高替代壓力。
3. 價值往上下游移動：稀缺性轉向問題定義、領域脈絡、判斷與取捨、跨系統協調、實體世界執行、品味、責任承擔與治理 agent 的能力。
4. 分配可能兩極化：能使用 agent 放大既有資產、資本、客戶與現場能力的人，可能與只被動接受自動化的人拉開差距；這是文章的社會趨勢判斷，不是本頁的實證結論。

這個機制可和 code-abundance-product-taste 對讀：前者描述認知輸出的供給增加，後者描述大量候選出現後，產品選擇、整合與驗證變成瓶頸。它也和 ai-reverse-division-of-labor 相連，因為 agent 不只替代局部任務，也可能讓領域工作者跨入資料、軟體與自動化工作。

從產出量轉向品質、信任與 AI 素養

BusinessNext 2026-08-10 的觀點文把智慧通膨的價值轉移補成一個可操作的組織 gate：當文字、論文、周報與一般分析可以被 AI 大量生成，token 數量、文件長度或產出件數就不再是可靠的生產力代理指標。文章以「空燒 token」描述只追求用量可能造成的反效果，也主張真正需要累積的是品質、可查核性與個人／組織／品牌的信任。

來源提出的四項方向是明確的 AI 使用規範、濫用與查核教育、品質與影響力導向的評量，以及全民 AI literacy。可重用的判斷不是把蓋洛普數字或個案當成普遍因果證據，而是把「產出變便宜」接到 ai-native-enterprise-governance 的規範／owner gate、eval-is-spec 的品質定義與 ai-cognitive-offloading-and-agency 的人類查證責任：先定義什麼算好，再衡量 AI 是否改善真實結果。

AI 1.0／2.0／3.0 的作者分期

文章把 AI 商業發展粗分為三段：AI 1.0 是能力尚未普及的長期探索期；AI 2.0 是 ChatGPT 之後、以生成內容為主的快速落地期；AI 3.0 則是 agent 主動執行、使用工具並可能自我改進的階段。這個分期有助於區分「回答問題」與「替人完成工作」兩種產品形態，但日期、能力邊界與自我進化敘述都應視為作者框架，不要當成共識的技術歷史。

在 AI 3.0 的敘事下，企業不只是在買一個更好的模型，而是在重新設計工作分配：哪些任務先交給 agent、哪些資料與權限能被使用、哪些決策要保留 Human in the Loop，以及如何用 trace、KPI 與停止條件驗收。這使智慧通膨與 ai-native-enterprise-governance、agent-economy 和 token-economics 發生連結。

可重用的判斷問題

• 這項工作交付的是通用資訊，還是只有特定領域與現場才有的判斷？
• 如果 agent 產生十個候選，誰定義品質、選擇方向並負責整合？
• 產出能否進入真實流程或物理場域，還是只停留在文字與 demo？
• 哪些資料、權限、品牌價值或安全責任不能直接外包給模型？
• 人的價值是否被重新放到問題定義、例外處理、關係協調、驗收與長期 ownership？

限制與來源歸屬

文章是書籍摘錄／評論式產業分析，將 token 用量、API 價格、AI 3.0、模型自我進化、產品案例與勞動市場影響放在同一條敘事中；本頁只抽取可重用的價值轉移框架，不把其中的數字、產品描述或未來預測當成獨立證據。對「智慧是否真的像貨幣一樣通膨」以及 AI 是否會快速淘汰特定職業，我不確定；應分別用勞動市場資料、產品成本、任務級 eval 與實際工作流結果驗證。

相關頁面

• code-abundance-product-taste
• ai-reverse-division-of-labor
• ai-native-enterprise-governance
• agent-economy
• token-economics
• ai-cognitive-offloading-and-agency
• taiwan-ai-reindustrialization

從智慧通膨到分配與制度回應

BusinessNext 2026-08-27 轉述 Bill Gates 的 AI 風險文章，提供智慧通膨的分配側補充：當 AI 能快速替代部分認知工作，衝擊可能先落在入門與中階職缺，且不一定像景氣循環一樣自行恢復；Gates 也把惡意濫用與孩童發展列為同等重要的制度風險。這些是 Gates 的預測、研究轉述與媒體整理，不是跨產業就業因果或安全統計的獨立證據。

「人類保留區」把人的價值從市場價格之外重新定義：照護、關係、現場感與促成人類成長的摩擦，不應只因機器人能模擬部分輸出就被視為可任意自動化。這延伸本頁「一般認知輸出貶值、脈絡與責任升值」的框架，也與 ai-cognitive-offloading-and-agency 的 agency gate、ai-native-enterprise-governance 的人工責任邊界相接；保留區是制度選擇，不是模型能力測試的結果。

Gates 提議對 AI token 與機器人課稅，理由是現行薪資稅與設備費用扣抵可能鼓勵「以機換人」，稅收則可支援勞工再培訓與社會安全網。可重用的分析方式是把 產出變便宜 → 工作轉移 → 人類價值與保留領域 → 再分配與訓練 串成一條政策鏈，但不要預設課稅一定改善就業或公平；稅負歸宿、創新誘因、替代速度與公共支出效果仍需實證評估。

Gates 與 Huang：替代模型與擴張模型並列

BusinessNext 2026-09-02 整理 Jensen Huang 對 Gates 的回應：Gates 聚焦 AI 取代認知工作後的入門／中階職缺壓力、Human Reserved 與再分配；Huang 則把 AI 的生產力提升、企業利潤、再投資與新增聘僱連成擴張模型，並把晶片廠、封裝廠、電腦工廠與 AI data center 視為當下的基礎建設工作來源。這些是兩位科技領導者的公開預測與因果敘事，不是已完成的勞動市場比較。

對本概念最有用的補充不是選邊，而是把 substitution → redistribution 和 productivity → expansion 拆成不同可驗收問題：工作是否被替代、入門招聘是否下降、資本支出創造的是短期建設職缺還是長期職位、需求是否擴張、利益如何分配，以及這些變化在何種產業與時間尺度成立。Huang 的「史無前例淨工作創造」與 Gates 的「較少好工作」都維持 attributed／unresolved；應以任務級替代、招聘與裁員分母、產業轉移、薪資與再培訓結果驗證，而不是用單一名人預測當作總體結論。

Huang 對 AI／機器人直接課稅的保留，也補上政策選擇層：支持「生產者回饋社會」不等於支持某一種課稅對象或稅基。可重用的判準是分開檢查替代誘因、稅負歸宿、創新與投資效果、再培訓財源，以及 Human Reserved 的適用範圍；這些仍是政策研究問題，不是智慧通膨框架已解決的答案。

企業改組不等於 AI 替代證據

BusinessNext 2026-09-03 報導 Uber 約 10% 的組織縮減，並把 3,300 人、成本節省、自駕車投資與日常 AI 工具使用放在同一個敘事中；但 Uber 第一方公告把變更理由寫成成長後的管理層級、協調成本、分散 ownership、團隊整併與據點策略，未直接提及 AI。這個案例補上一條重要證據界線：觀察到裁員或組織簡化，不等於已證明 AI 導致職位消失。¹

分析智慧通膨的工作轉移時，應把組織行動與 AI 因果拆開驗收：裁員數與職務分母、受影響任務、AI 採用與工具限制、招聘／薪資變化、替代解釋、時間尺度與反事實結果都要分別記錄。年化節省、自駕車資本支出與「AI 是背後推手」在本案例中仍是來源歸屬或 unresolved，不應直接寫成 AI 取代工作的統計結論；這也和 ai-native-enterprise-governance 的 owner、workflow KPI 與人類責任邊界相接。¹

Footnotes

1. BusinessNext〈Uber全球大裁3,300人！狠砍20%管理層、取消遠距，省下千億重押「自駕車」〉，2026-09-03；canonical URL：https://www.bnext.com.tw/article/92121/uber-layoffs-10-percent-3300-jobs。 ↩ ↩²