AI 经济学
Prediction Machines: The Simple Economics of Artificial Intelligence · 2018
2018 年前后，谈 AI 的主流语言是「智能」「奇点」「机器会不会取代人类」。这些叙事有一个共同毛病：回答不了任何具体问题。读片医生该不该转行？企业买了模型为什么没产生战略价值？一个岗位到底危险不危险？能力叙事只能列清单——AI 能下棋、能识图、能翻译——清单越长，判断越无从下手，因为「能做什么」不等于「会改变什么」。
三位多伦多大学的经济学家（Agrawal、Gans、Goldfarb）做了件经济学家最擅长的事：把宏大叙事还原成一个最枯燥、也最有解释力的问题——AI 让什么东西变便宜了？历史上每一次技术革命，真正重写世界的都不是「新能力」，而是某种投入品的价格暴跌。所以全书真正处理的问题是：不靠科幻、不赌信仰，找到一个可计算的标准，判断 AI 会冲击什么、绕开什么、让什么升值。
回答从一次化约开始：AI 不是智能，是廉价的预测。预测＝用已有信息填补缺失信息——读片是预测，核保是预测，信用评分和需求预测也是。机器学习的全部进展，本质是把这件事的边际成本压向零。化约之后，三个部件咬合起来运转。
第一个部件：价格机制。书里的锚点是电力：降价前，电是照明专用的高门槛设施；降价后扩散到一切需要能量转换的场景，蜡烛煤气灯价值归零，电机电网价值暴升——没有任何人「战略转型」，是价格自动重写了任务边界。AI 同构：投入品变便宜，用量爆炸，替代品（依赖直觉的人工推断）贬值，互补品升值。而且不止现有预测变便宜——过去根本不值得预测的决策，突然全部值得预测了，应用边界爆炸式扩张。
第二个部件：决策分解。任何决策都能拆成：数据、预测、判断、行动、反馈。AI 吞掉的是预测那一块。关键在于，拆到多细不是固定的：老司机在路口「踩刹车还是打方向」原本是打包的直觉，因为拆开的认知成本太高；预测一便宜，这个包就值得拆开——预测交给传感器和模型，剩下的部分被显式编码。决策的最优粒度，内生于预测成本。
第三个部件：判断的精确定义，全书最硬的一步。判断不是神秘的「人类智慧」，而是在收益矩阵上对不同结果做非对称赋权：误报的代价多少，漏报的代价多少，行动阈值定在哪。自动驾驶里，漏判障碍物（撞人）的代价远大于误判（急刹车），所以系统选低阈值，主动接受高频误刹——这个代价比值是组织的价值判断，不是数据的统计结果。预测能跑出任意精度的条件概率，替不了这张权重表。
三个部件合成一句话：预测降价，判断作为预测的互补品升值。而判断里真正守得住的，甚至不是「会判断」的能力，而是权重表的所有权——谁为结果赋权、谁在赋错时承担损失。AI 没有利益，承担不了损失，永远够不到这个锚点。
AI ＝ 预测降价（不是智能降临）
│ 铁律：投入品变便宜 → 用量爆炸，替代品贬值，互补品升值
▼
决策拆开：数据 → [预测] → [判断] → 行动 → 反馈
│ │
会被压向零 因互补而升值
（用已知填未知）（收益矩阵上非对称赋权＋担责）
│ │
▼ ▼
人工推断贬值 守到最后：权重表的所有权
（谁赋权，谁担损失）
f(x) · 怎样回应这个世界
接受这套化约，几件具体的事换掉了。
提问换了。以前问「AI 会不会取代我、取代这个行业」，只能吵信仰；现在问「这件事里多少是预测、多少是判断」，可以拆账。医生的「读片」是预测，会被接管；「跟病人权衡治疗方案、为选择担后果」是判断，会升值——同一个岗位，两种命运。
评估标准换了。衡量一个知识工作者，以前看他知道多少、预测多准，这部分正在贬值；现在看他能不能对权重表做出清晰、可问责的承诺。给组织的推论同样具体：削减预测层级，加厚判断密度。分析师把不确定性转成概率估计的那部分工作，边际成本正在归零；留下他的唯一理由，是他能否为收益参数负责——能，是决策节点；不能，是成本中心。
占位顺序换了。值钱的不是笼统的「数据」，而是模型盲区（分布尾部、最危险的边界情形）里的样本，和委托人身份。书里的思想实验：预测机器可以接管「你会买什么」，甚至支撑亚马逊从「先购物再发货」翻转成「先发货再退货」；但「退货损耗换不换得回主动触达」永远是一道判断题——机器给每个格子填概率，不能替你决定哪个格子值多少。
最后一条是克制：预测与判断的分界线会移动，当年归给「判断」的活，AI 正在一件件学会；守到最后的不是能力清单，是责任归属。所以往判断侧挪的正确姿势，不是宣称「我会判断」，而是把名字签在权重表下面。