机器思考变便宜后，2031 年最稀缺的四样东西

Carlo Iacono 于 2026 年 8 月 22 日在 Hybrid Horizons 发布 《The World After AI Becomes Ordinary》。文章预测 2031 年 12 月 31 日人们所处的经济、制度和物理环境，中心判断是：机器准备的分析、草稿、代码、翻译、辅导、预测、图像和声音会越来越便宜；证明输出正确的能力、对输出采取行动的权限、把输出落实到现实的执行能力，以及让人接受结果的制度正当性，依然稀缺。1

作者把 2026 年 8 月 21 日设为证据截止日，把 AI 放进经济、机构和物理系统中观察，而不是把 AI 当成一个拥有单独发展轨迹的角色。文章的 12 条判断都要写清机制、时间、地理范围、分配结果、置信度、最有力的反方证据、可观察指标和放弃条件。作者还按证据家族去重，避免把多份使用同一数据集的报告当成多次独立确认；置信度使用 high、medium-high 和 medium 三档，因为现有材料不足以支持精确概率。1

作者明确划出预测的边界：文章没有断言 AI 能力会停止增长，也没有断言所有重要行动都必须由人逐次点击批准。文章拒绝把「宣布建设的数据中心」等同于「已经运行的数据中心」，把「通过的监管」等同于「得到执行的监管」，把「基准测试分数」等同于「一份可以交付的工作」，也把「内容来源凭证」等同于「内容真实」。这份预测本身也由机器在作者指导下准备，作者对结论负责；作者承认，富裕国家和大型企业之外的材料核验更薄弱。1

第一种稀缺是证明。到 2031 年，合成语音、视频和文字会同时进入商业、娱乐、教育、个人生活与诈骗。伪造一段可信内容的成本下降得很快，核实每次通话、每段视频和每项说法的成本却不会同步下降。银行、平台、出版机构和政府会部署身份检查、内容凭证、设备认证、交易限额和账户恢复渠道，但这些工具主要证明文件来自哪台设备、由哪个账户或密钥控制，无法单独证明文件里的说法为真。真实影像可以配上错误说明，凭证可以被剥离，攻击者也可以接管真实账户。作者因此预期，人们会更依赖已经熟悉的机构和封闭的信任圈；这能减少一部分风险，也会收窄信息来源。1

科学研究会遇到同一条边界。AI 可以扩大文献检索、分析代码编写、蛋白质和材料设计、化学空间搜索以及部分仪器操作，文章以 medium confidence 预测，到 2031 年会有一些重要药物、材料或工程进展部分源自 AI。候选分子必须通过实验、临床试验、监管和制造，模拟结果无法替代这些环节。论文和审稿人会面对大量读起来很完整的工作，复制实验、阴性结果和数据维护因此更有价值，因为这些环节负责把合理的主张变成可核验的知识。1

教育中的变化最直观。机器写出的高质量作业不能单独证明学生已经掌握知识，学校和大学会把口头答辩、分阶段作业、实践项目、作品集和安全考试放在更重要的位置。作者引用 OECD 2026 年的综合研究指出，无人指导的生成式 AI 可以提高学生的任务表现，却未必带来持久学习。机器输出越容易获得，经过检查的事实和能够被现场展示的技能就越有价值。1

第二种稀缺是对结果采取行动的权限。作者预测，到 2031 年，AI 会执行软件维护、销售行政、理赔准备、合规检查和研究支持等长流程数字工作。企业会把这些工作放进有明确权限的系统：机器在授权范围内行动，记录过程，把例外交给指定的人或机构。作者把这种形态称为 bounded autonomy，即「受限自主」，并对 AI 成为默认工作层给出 high confidence，对权限边界能否稳定存在给出稍低的信心。1

这套安排来自可靠性差异。AI 在短而容易核验的任务上表现很强，在陌生、持续时间长、目标含糊的任务上表现更不稳定。模型能够流畅表达，无法自动解决目标如何定义、权限如何授予、上下文如何保持、隐蔽错误如何发现、外部操纵如何防止和责任由谁承担的问题。因此，付款、法律承诺、临床决定、公共福利和武力使用等后果严重的事项，会保留更强的监督、日志和审计；低风险工作则会越来越少向人请求许可。1

政府最能显示这条边界。到 2031 年，多数有稳定网络的政府会用 AI 阅读申请、检索规则、标记异常、起草信件、分流案件并辅助一线工作人员。机器未必直接作出高风险决定，却会影响官员看到哪些证据、哪些案件优先得到注意。资料完整、结构清楚的案件会处理得更快；收入不规则、残障情况无法填入表格、语言处理质量较差或档案本身有误的复杂个案，会被推入昂贵的人工渠道。有效申诉需要完整记录、解释、纠正档案的机会、有权限作决定的人和足够的人工容量；让工作人员在时间压力下给机器准备的文件签字，无法单独提供有效复核。作者把能否接触到真正的人类申诉渠道，视为新的不平等轴线。1

第三种稀缺是把想法落实到现实的能力。机器人、工厂、仓库、港口、矿山、农场、医院、交通路线、电力、变压器、输电线、土地、供水和施工人员共同决定 AI 能否从软件输出变成物理行动。

工业机器人在路线固定、环境受控、任务重复的场所更容易达到经济性。家庭包含楼梯、杂物、儿童、宠物、易碎物品和低重复任务，通用家用机器人到 2031 年仍难以成为普通家电。作者认为，最有价值的实体 AI 往往不是人形机器，而是围绕机器重新设计的标准化货柜、带传感器的货架和划定边界的路线；企业先把环境变得适合机器工作，再等待机器适应所有环境。1

数据中心把这条限制直接带回 AI 产业。即使到 2031 年数据中心占全球用电需求的比例低于 3%，数据中心的负载依然集中、持续且增长很快。电网接入、稳定电力、变压器、土地、用水和地方许可决定哪些项目能够运行；一份建设公告只能表示意图，实际运行的负载才是事实。作者预计，2027 年之后，算力容量会更多流向能够同时提供稳定电力、设备、土地、水和熟练施工人员的地区，部分项目会排队或迁移。1

因此，作者没有预测 AI 会在 2031 年把全球经济带出低增长状态。作者的判断是，AI 会在领先企业和行业中带来可见的生产率提升，降低一部分服务成本并创造新活动，但资本、可信数据、客户、试验、监管和基础设施会限制这些收益扩散。由 AI 生成一份计划只需几秒，企业仍要有资金、数据和客户执行计划，药物设计仍要经过试验，电网预测仍要面对接入排队。文章把执行能力概括为：机器生成想法的速度提高后，验证和交付会成为更明显的瓶颈。1

第四种稀缺是让人接受一个自己没有选择的结果的正当性。作者预计，AI 到 2031 年不会带来全球范围的就业清空，主要变化会先表现为任务压缩：团队把研究、起草、分析和行政工作的第一轮交给软件，管理者要求更快交付，部分职能合并，熟练员工和 AI 结合后完成更多工作。

办公室会因此变得更紧凑，却不会变成空房间。初级岗位受到的压力更大，因为适合新人练习的低风险任务减少，从新手成长为熟手的阶梯变窄。作者引用国际劳工组织的全球指数：约四分之一的工作受到某种程度的 AI 暴露，转型比完全替代更常见。这个平均数掩盖了职业、城市、年龄、性别和服务出口地区的集中损失。印度和菲律宾的业务流程中心可能减少常规语音、转录和后台工作，同时增加复杂客户工作、监督和系统整合；结果取决于企业能否在常规认知劳动的价格优势消失前向更高价值环节移动。1

国家之间的差距也不会由「能否使用聊天机器人」决定。便宜模型可以传播到很多地方，可靠电力和网络、负担得起的设备与算力、本地语言数据、实施人才、融资和能追责的机构却分布不均。没有稳定电力的诊所，或无法审计采购系统的政府，难以把模型接入持续运行的服务链；从别的法律、文化或医疗环境移植过来的合理答案，也可能带来新的错误。

作者因此把最有意义的应用限定在完整的交付链中：把农业建议接入推广服务，把翻译接入公共门户，把文件审查接入法院积压案件，把决策支持交给社区卫生工作者。政府或行业协会可以提供小企业无法独自建设的共享工具，数字公共基础设施也可以把身份、支付和公共服务连接起来。交付链存在时，便宜模型才会转化为实际能力；交付链缺失时，模型可能增加依赖、工作强度、排斥和监控。1

上游能力的集中会进一步消耗正当性。作者预测，到 2031 年，少数以美国和中国为中心的企业与生态仍控制大部分前沿训练、先进云服务和全球分发，先进芯片与关键制造环节也集中在少数地区；开放模型和小模型会让应用层更容易竞争。竞争的关键因此从单个模型转向一组互补资产：算力、专有数据、工作流整合、身份、支付、客户入口和信任。公共机构若把关键服务交给无法审计的供应商，受影响的人又没有离开的选择，效率提升就很难自动获得正当性。1

作者不按国家平均数给各地排成单一等级，而是分别观察一个地方控制生产栈的哪一层、制度能否把接入转成结果，以及依赖和风险落在哪里。印度可以同时是常规服务出口国、拥有大规模数字公共基础设施的国家、制造整合者和前沿硬件进口者；台湾掌握整个系统依赖的关键制造环节，也承担整个系统担心的安全暴露；海湾国家可以用资本和能源换取算力与合作伙伴，却未必拥有同等规模的本土企业。

权力沿两条方向移动。一条方向通向算力、云服务、先进芯片和全球分发的上游所有者；另一条方向通向掌握记录、权限、身份、支付和法律责任的最终工作流接口。大型雇主、银行、电信运营商、工作流平台和公共管理部门，会在实际运行中决定 AI 如何影响员工、学生、患者和公民。一个国家可以因承接数据中心获得基础设施投资，也可以因常规服务出口受压而损失原有优势；国家总量无法说明这两种变化落到谁身上。1

作者给出两个会改变主情景的方向。第一种是更快且可靠的自主系统：到 2028—2029 年，AI 能以很高可靠性完成新鲜、混乱、持续数周的工作；接受结果的总成本在监控和纠错之后仍持续下降；AI 明显加速 AI 研究；电网和芯片供应满足新的物理需求。若这些条件同时出现，办公室、软件、金融、研究支持、行政和商业服务中的专业岗位会更快减少，生产率提升会扩散到更多企业，网络安全和军事决策中的自主行动也会变得更危险。作者强调，速度改变影响的规模，所有权、制度和物理容量依然决定收益如何分配。1

第二种是「刹车」：模型在基准测试之外停滞，严重 agent 安全事故迫使企业收缩，投资周期出现长期融资修正，先进芯片供应中断，或电网无法接入计划中的容量。这样的情景会削弱端到端授权和组织生产率，却不会让 2026 年水平的合成内容、翻译、建议和基础辅助消失；2031 年可能因此充满自动化互动和机器生成草稿，却缺少相称的服务改善，收益更集中在能够承担核验成本的企业和政府。1

作者建议在三个时间点检查这套判断：2027 年末看企业是否把执行权限真正交给系统、独立评估的可靠性如何、数据中心负载有多少已经运行、初级岗位发生了什么；2029 年末看生产事故、行业生产率、毕业生和业务流程劳动结果、科学验证以及公共申诉是否改变；2030 年末看上游能力是否扩散、开放系统是否足够满足多数本地需求、技术阵营是否固化，以及不同机构的结果是在收敛还是分化。1

作者想说的不是 AI 会不会变强，而是 AI 变得便宜、普遍并嵌入日常工作之后，什么环节依旧决定结果。证明决定一个输出能否被当成知识，权限决定系统能否采取行动，执行能力决定想法能否进入实验室、工厂、电网和公共服务，正当性决定被影响的人是否愿意接受结果并拥有实际申诉渠道。

到 2031 年，AI 可能不再是人们主动打开的一个地方，而会成为工作、教育、照护、支付、公共管理和安全系统里的默认条件。机器准备的思考会变得普遍，四种稀缺资源会留在它们被所有权、制度能力和现实容量放置的位置。1