一個資料中心裝滿天才之後：AI 最被低估的經濟衝擊是降低試錯成本
《預測機器》作者艾格拉瓦與格恩斯的最新論述認為，AI 的核心經濟效應不是取代勞動力，而是製造一場「天才供給衝擊」。當解決問題的成本趨近於零，真正的瓶頸變成了發現哪些問題值得解決。他們提出的「實驗回報率」框架，為 AI 時代的創新政策指出了全新方向。
本文為《數位主義者文集》（The Digitalist Papers）導讀系列第 V2-9 篇。
從預測到實驗：一對經濟學家的十年思想旅程
2018 年，多倫多大學羅特曼管理學院的兩位教授阿杰．艾格拉瓦（Ajay Agrawal）和約書亞．格恩斯（Joshua Gans），與同事 Avi Goldfarb 合著了《預測機器》（Prediction Machines）。那本書提出一個簡潔的框架：AI 的本質就是降低預測的成本。當預測變便宜，決策結構就會改變，人類判斷力的價值反而上升。這個框架成為理解 AI 經濟影響最被廣泛引用的起點之一，Forbes 將它選為該年度十大科技書籍。
四年後，兩人在《權力與預測》（Power and Prediction，2022）中承認了一個尷尬的現實：預測確實變便宜了，但多數企業只做到了漸進式應用，他們期待的系統性破壞遲遲沒有發生。他們的診斷是：真正需要改變的不只是單一預測任務，而是整個決策系統。就像電力花了四十年才從工廠蒸汽引擎的替代品，演變成重塑整個工業生產線的基礎設施，AI 也需要組織層級的系統性轉型，而不只是在現有流程中塞進一個預測模型。
到了 2025 年底發表的這篇〈實驗回報率〉，兩人的框架又推進了一大步。他們不再只談「便宜的預測」，而是提出一個更激進的概念：AI 正在製造一場「天才供給衝擊」。而這場衝擊最深層的影響，不在於降低生產成本，而在於降低實驗成本。這兩位學者有一個多數 AI 經濟學家沒有的優勢：他們同時在做理論和實踐。艾格拉瓦在 2012 年創辦了創意破壞實驗室（Creative Destruction Lab, CDL），這個設在多倫多大學的非營利加速器計畫，至今已服務超過七千九百位創辦人，創造了超過五百一十億加幣的股權價值。CDL 不收股權，獨特之處在於「基於目標的導師制」：資深創業者為新手設定並排序目標，無法達標的團隊直接淘汰。格恩斯則擔任 CDL 的首席經濟學家，橫跨 AI、量子運算和 Web3 等領域。當他們談「實驗回報率」，不是在象牙塔裡推公式，而是每天看著新創公司在真實市場中試錯。
天才供給衝擊：當解題成本趨近於零
艾格拉瓦和格恩斯借用 Anthropic 執行長 Dario Amodei 的比喻來開場：想像一個資料中心裡裝著「一整個國家的天才」。這不是詩意的誇張。2025 年 7 月，多個前沿 AI 系統在國際數學奧林匹克競賽中達到金牌水準，在各種專業基準測試中的表現已超越多數人類專家。AI 在解決特定問題時展現出的能力密度，正在以超乎預期的速度攀升。
這場天才供給衝擊改變了什麼？文章舉了三個例子。在生技製藥領域，原本需要數年才能完成的藥物標靶發現和候選藥物篩選，現在可以在數小時內完成初步方案。在國際貿易談判中，過去需要數週的政策情境分析，AI 可以在數分鐘內產出。在基礎建設工程中，AI 能自動生成建築改建計畫書，省去大量前期人力。這些案例的共同點不是「AI 取代了人類」，而是「AI 把嘗試一個方案的成本壓到接近零」。Insilico Medicine 的案例最具代表性：這家公司用 AI 在十八個月內完成了從新標靶到臨床前候選藥物的全流程，傳統方法需要四到六年，成本僅十五萬美元（不含實驗室驗證），而且已取得 Phase IIa 的正面結果。
這裡有一個更深層的轉變值得注意。當解決問題的成本趨近於零，瓶頸就從「怎麼解」移動到「解什麼」。過去，企業面對一個問題時，光是嘗試一個解決方案的成本就很高昂，所以必須謹慎挑選方向。現在，AI 讓「試試看」的代價大幅降低，但企業面對的新問題是：它們不知道該拿這些便宜的天才去解決什麼。實驗回報率框架的核心洞見正在於此：AI 時代最稀缺的不再是解題能力，而是發現問題的能力，以及建立允許大量實驗的組織結構和政策環境。
混合玉米的教訓：需求為什麼跟不上供給
為什麼天才變便宜了，但多數企業還在觀望？艾格拉瓦和格恩斯援引了經濟學家 Zvi Griliches 在 1957 年對混合玉米擴散過程的經典研究。混合玉米比傳統品種的產量明顯更高，這一點很早就被證實了。但美國各州的農民從「聽說有這個東西」到「真的開始種」，中間隔了十幾年甚至更久。原因不是資訊不足，而是農民需要看到「我的鄰居在我的土地條件下種成功了」的本地證據，才願意承擔改變的風險。AI 的處境幾乎一模一樣。
文章指出，企業面對的結構性障礙包括：既有的長期合約綁定了決策空間、遺留的 IT 系統無法相容新工具、互補性資本（如資料基礎建設、流程再造）需要大量前期投資、網路安全負擔隨 AI 應用增加而加重、法律責任歸屬不明、採購流程僵化、人才短缺，以及智財權歸屬不清。根據 Deloitte 2026 年的調查，只有 20% 的企業認為自己在 AI 人才方面已做好充分準備，僅 25% 的組織有四成以上的 AI 實驗成功進入生產環境。這不是一個「教育不夠」就能解決的問題，而是一整個制度體系的慣性。
文章接著指出三個讓問題更嚴重的「社會無效率」。第一是資訊外部性：率先嘗試 AI 的企業要承擔所有試錯成本，但它們發現的「哪些任務適合用 AI」這項知識，卻會外溢給競爭對手，導致搶先實驗的動機不足。第二是預防性過度管制：因為擔心風險，監管機構可能在尚未充分了解 AI 潛力之前就設下過嚴的限制，阻礙了原本可以產生重大社會利益的應用。第三是制度慣性：現有的監管機構缺乏評估 AI 應用的專業知識和人力，形成審批瓶頸。
對應這些問題，艾格拉瓦和格恩斯提出兩個政策工具。一是「監管沙盒」（regulatory sandbox）：為特定企業提供有時間限制、有監督的法規豁免，讓它們在受控環境中實驗 AI 應用。這個機制源自英國金融行為監管局在 2015 年的首創，歐盟 AI 法案要求每個成員國在 2026 年 8 月前設立沙盒，美國猶他州在 2025 年設立了第一個州級 AI 沙盒。二是「監管假期」（regulatory holiday）：更廣泛的、事前宣布的法規暫停，適用於整個應用類別而非個別企業。例如，允許醫院在不需要事先取得認證的情況下，使用 AI 處理行政編碼工作。兩者的設計原則都包含落日條款、強制資訊揭露，以及獨立的監督機制。
三場對話：實驗框架碰上其他鏡頭
這篇文章放在《數位主義者文集》的脈絡中，形成了幾組有意思的對話。先從它與大衛．奧特（David Autor）的框架之間的互補關係說起。我們在導讀奧特那篇時提到，他的「專業知識框架」聚焦在勞動端：AI 自動化的究竟是某個職業的高門檻任務還是低門檻任務，決定了從業者的薪資溢價會上升還是下降。這是一個以個人職涯為單位的微觀分析。艾格拉瓦和格恩斯則站在企業決策端看同一個現象：AI 讓解題成本崩潰之後，企業的問題不再是「該不該用 AI」，而是「該拿 AI 去試什麼」。兩個框架合在一起，就像一副 3D 眼鏡的左右鏡片：奧特那片告訴你誰的飯碗會被影響，艾格拉瓦和格恩斯這片告訴你企業為什麼還沒行動，以及政策可以怎麼推一把。
第二組對話是與 John Cochrane 的「放輕鬆」（Just Relax）立場。Cochrane 的主張很明確：別管了，市場會自己調整，監管只會被大企業俘獲。他對監管俘獲的分析確實犀利，但缺乏一個關鍵的解釋：市場「怎麼」調整？透過什麼機制？艾格拉瓦和格恩斯的框架恰好補上了這塊拼圖。他們指出，市場調整的機制就是實驗：企業透過大量嘗試來發現 AI 的最佳用途，資訊逐漸擴散，技術逐步被採納。但這個過程不是自動發生的，如果實驗成本太高（包括監管造成的成本），調整就會卡住。所以他們既不是 Cochrane 式的放任主義者，也不是歐盟式的事前全面管制派。沙盒和假期，是兩個極端之間的務實路線。
第三組對話關乎一個更大的問題：AI 最終會讓經濟走向集中還是分散？Ramin Toloui 在他的文章中用一個二乘二矩陣描繪了四種可能的 AI 未來，其中「泰坦統治」代表少數巨頭壟斷，「顛覆蜂群」代表去中心化創新爆發。艾格拉瓦和格恩斯的框架為這個選擇提供了一個清晰的判準：誰能做實驗，誰就能捕捉 AI 的價值。如果只有大企業有能力負擔 AI 實驗的前期投資（資料基礎建設、合規成本、專業人才），結果就是泰坦統治。如果政策工具有效降低了中小企業和新創的實驗門檻，結果就可能走向蜂群。技術降低的是實驗的絕對成本，但相對成本的分配，是一個政策選擇。
台灣的實驗赤字
讀完這篇文章，很難不想到台灣。台灣的產業結構以代工和精密製造見長，這套模式的核心邏輯是「把確定的事情做到極致」，而不是「不確定的事情多試幾次」。台灣企業長期被批評「不敢冒險」、「不擅長創新」，但如果用艾格拉瓦和格恩斯的框架重新理解，問題可能不是「不敢」，而是「試不起」。在過去，每一次嘗試新產品、新市場、新流程，都需要投入大量的人力、時間和資金。對利潤率只有個位數的代工廠來說，迴避實驗是理性的選擇。
但 AI 正在改變這個等式。如果產品原型測試可以透過數位孿生在數天內完成模擬（PepsiCo 已經用 Siemens 的數位孿生技術，在實體改動前找出九成的潛在問題，產量增加兩成），如果市場分析可以用 AI 在數小時內跑完多個情境，那麼台灣那些擁有深厚製造 know-how 的中小企業，是不是也能開始做一些過去「試不起」的實驗？問題在於，降低技術層面的實驗成本只是第一步。艾格拉瓦和格恩斯強調的三個社會無效率在台灣同樣存在，甚至更嚴重：法規環境偏保守，金融、醫療、教育等領域的 AI 實驗空間極為有限，而且缺乏類似沙盒的機制來創造安全的試驗場。
CDL 的模式對台灣也有參考價值。台灣不缺加速器，但多數加速器的運作邏輯還是「辦活動、做媒合、給一小筆錢」，而不是 CDL 那種「設目標、淘汰不達標、讓資深創業者的判斷力成為最核心的資源」。CDL 從不拿股權，這在台灣的加速器圈幾乎聞所未聞。而 CDL 專注在科學基礎的深科技新創，這與台灣在半導體、生技、材料科學等領域的研發能量高度吻合。如果台灣能建立一個類似的機制，把學術研究的商業化成功率從目前的低水準往上拉，對整體創新生態的影響可能遠大於再多蓋幾個科學園區。
這篇文章的框架留給我們一個尖銳的問題：AI 降低的是實驗的絕對成本，但誰能實際進行實驗，取決於政策和制度的設計。如果台灣的法規環境和產業慣性不做出相應的調整，AI 帶來的實驗紅利，就會被那些已經在快速實驗的經濟體率先收割。Toloui 在他那篇文章裡說得精準：決定技術革命結果的不是技術本身，而是制度選擇。曼徹斯特和孟加拉用的是同一台紡織機。台灣要成為 AI 時代的曼徹斯特還是孟加拉，答案不在技術裡，在政策裡。
📚 「數位主義者文集」導讀系列