arXiv 论文《No Last Mile: A Theory of the Human Data Market》挑战了”人类数据工作只是过渡性桥梁”的主流观点:把评估、评分标准判断、审计、例外处理建模为持久生产要素后,模型给出”没有最后一英里”的解析解——只要能力存量存在折旧,稳态下结构化人类数据工作的劳动力份额就严格为正,保守校准约为 5%-7%。
人们通常认为,等 AI 越来越强,人类评估 AI 输出、审计结果、处理例外的数据工作会被自动化取代。这篇论文从理论上否定了这个假设。
能力存量与三条折旧渠道
论文提出 AI 能力存量(Capability Stock)概念:人类的结构化数据工作会积累成可复用的能力存量,它既提高现有任务的可靠性,也把 AI 可以高置信度部署的任务边界向外推。但这个存量会折旧,折旧来自三个渠道:
- 技术漂移:模型、工具或产品界面更新会破坏之前写好的规则
- 环境漂移:新意图、新内容、对抗性行为不断制造边缘案例
- 组织漂移:政策、品牌约束、风险承受能力的变化重新定义什么是”好”的输出
在可处理的基线模型中,只要折旧为正,内点稳态就蕴含一个闭式解的、严格为正的长期劳动力份额——模型再强,维护需求也不会归零。论文进一步用任务族组合微观奠基:收益递减、前沿进入与互补性共同驱动劳动力向低成熟度和瓶颈任务族再分配,并以 Roy 式机制解释结构化岗位内部的工资离散。
三个漂移渠道中任一条单独出现都足以让存量贬值:模型换代要求重写全部评估规则,新型对抗样本要求补充例外清单,品牌策略调整则要求重新定义合格输出。维护不是模型缺陷的临时补丁,而是与折旧率挂钩的常设成本。## 校准与现实证据
保守校准下,稳态结构化劳动力份额集中在 5%-7%:均值 5.85%,中位数 5.85%,标准差 1.98 个百分点,Pr(s>5%)≈62.7%,Pr(s>8%)≈17.1%。
现实数据与模型方向一致:到 2024 年底,近 40% 的美国 18-64 岁成年人报告使用生成式 AI,约 23% 的就业受访者报告上周至少用一次 AI 工作;在大型客户支持环境中,AI 助手使每小时解决的问题数平均增加约 15%。AI 采用率上升的同时,为 AI 输出把关的人类工作并未同比例消失。
对政策与企业的含义
若这类工作是永久性的,基于”最终会自动化”假设的劳动力政策会错配培训投资。监管当前聚焦模型部署时刻,对持续维护工作关注不足。企业层面,论文建议把结构化人类数据角色当作独立职业类别——需要职业路径和相称薪酬,而不是临时成本中心。
人类数据工作不会消失,只会被重新分配:漂移需要维护,创新会不断引入新的低成熟度任务系列。
延伸阅读:AI 劳动力市场另一面的研究见《AI 能力平台期》。