Will Neural Scaling Laws Activate Jevons' Paradox in AI Labor Markets? A Time-Varying Elasticity of Substitution (VES) Analysis

📄 arXiv: 2503.05816v2 📥 PDF

作者: Rajesh P. Narayanan, R. Kelley Pace

分类: econ.GN, cs.AI, cs.CY

发布日期: 2025-03-04 (更新: 2025-06-09)

💡 一句话要点

提出时间变弹性替代分析以探讨AI劳动市场的杰文斯悖论

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 人工智能 劳动市场 杰文斯悖论 时间变弹性替代 市场转型 经济框架 技术影响

📋 核心要点

  1. 核心问题：现有研究未能充分探讨AI扩展法则对劳动市场的影响，特别是杰文斯悖论的激活机制。
  2. 方法要点：提出时间变弹性替代分析框架，形式化AI能力、价格及市场转型的相互关系。
  3. 实验或效果：识别AI市场渗透的五个阶段，发现替代弹性需超过1才能实现完全转型。

📝 摘要（中文）

本文构建了一个正式的经济框架，分析人工智能中的神经扩展法则是否会激活杰文斯悖论，从而导致AI的广泛采用和人类劳动的替代。通过时间变弹性替代（VES）方法，确立了AI系统从补充人类劳动转变为替代的分析条件。模型形式化了四个相互关联的机制：计算能力的指数增长、AI能力与计算的对数缩放、AI价格的下降，以及影响市场转型动态的复合效应参数。研究识别了AI市场渗透的五个不同阶段，表明完全市场转型需要替代弹性超过1，且时机主要由复合参数决定，而非仅由价格竞争驱动。这些发现为评估行业关于AI替代效应的主张提供了分析框架，特别是在技术转型中质量与价格的作用。

🔬 方法详解

问题定义：本文旨在解决人工智能扩展法则对劳动市场的影响，特别是如何激活杰文斯悖论的问题。现有方法未能充分考虑AI能力与人类劳动之间的替代关系，导致对市场动态的理解不足。

核心思路：论文提出时间变弹性替代（VES）分析框架，旨在通过建立四个关键机制，探讨AI系统如何从补充人类劳动转变为替代。这一设计考虑了计算能力的增长、AI能力的提升、价格变化及其复合效应。

技术框架：整体架构包括四个主要模块：1) 计算能力的指数增长模型；2) AI能力与计算的对数缩放关系；3) AI价格的下降趋势；4) 复合效应参数的动态分析。这些模块共同作用，形成一个完整的市场转型分析框架。

关键创新：最重要的技术创新在于通过时间变弹性替代分析，明确了AI市场渗透的五个阶段，并指出替代弹性需超过1才能实现完全市场转型。这一发现与现有方法的本质区别在于强调了复合参数的作用，而非单一的价格竞争。

关键设计：关键参数包括计算能力的初始值、增长率、AI能力的对数缩放系数、AI价格的初始值及下降率等。这些参数的设置对模型的动态行为和市场转型时机有重要影响。

🖼️ 关键图片

fig_0

📊 实验亮点

研究识别了AI市场渗透的五个阶段，发现完全市场转型需要替代弹性超过1，且时机主要由复合参数决定。这一发现为行业提供了新的分析视角，强调了质量与价格在技术转型中的重要性。

🎯 应用场景

该研究的潜在应用领域包括政策制定、经济预测和企业战略规划。通过理解AI对劳动市场的影响，企业和政府可以更好地制定应对策略，优化人力资源配置，促进技术与人力的协同发展。未来，随着AI技术的不断进步，该框架可用于评估不同技术对劳动市场的长期影响。

📄 摘要（原文）

We develop a formal economic framework to analyze whether neural scaling laws in artificial intelligence will activate Jevons' Paradox in labor markets, potentially leading to increased AI adoption and human labor substitution. By using a time-varying elasticity of substitution (VES) approach, we establish analytical conditions under which AI systems transition from complementing to substituting for human labor. Our model formalizes four interconnected mechanisms: (1) exponential growth in computational capacity ($C(t) = C(0) \cdot e^{g \cdot t}$); (2) logarithmic scaling of AI capabilities with computation ($σ(t) = δ\cdot \ln(C(t)/C(0))$); (3) declining AI prices ($p_A(t) = p_A(0) \cdot e^{-d \cdot t}$); and (4) a resulting compound effect parameter ($φ= δ\cdot g$) that governs market transformation dynamics. We identify five distinct phases of AI market penetration, demonstrating that complete market transformation requires the elasticity of substitution to exceed unity ($σ> 1$), with the timing determined primarily by the compound parameter $φ$ rather than price competition alone. These findings provide an analytical framing for evaluating industry claims about AI substitution effects, especially on the role of quality versus price in the technological transition.