AI 讓服務業生產力上升，

 人工智慧會終結鮑莫爾效應嗎？全球經濟增速可望因此顯著提升


過去幾十年來，我們可以發現許多東西的效能越來越好，但價格變動卻不大。例如手機、衣服、電視等等，也就是說，我們用同樣的成本買到了品質更好的商品。


另一方面，也有許多東西是越來越貴，但品質卻很難說有大規模的提升。像是高等教育、幼兒托育、專業服務或是各種時薪制的工作。


為什麼會有這種兩極化的發展呢？


美國經濟學家威廉·鮑莫爾（William Baumol）提出了一個理論。他把經濟分成兩大部門後發現：隨著科技發展、經濟成長，


商品部門的價格持續降低，而服務部門的價格卻持續走高。


30 年前，在樓下的理髮店剪頭髮，最多 100 元；買一隻電子手錶，要價 1500 元。但今天，我們去樓下剪頭髮，流程與方式沒什麼不同，就要收 500 元；但網購一隻電子錶，還是 1500 元，性能卻大幅提升。


他認為，因為製造業生產力大增，商品產業的報酬因此提高；若服務部門的報酬沒有隨之提高，理髮師就會去電子工廠上班，這樣就沒有人當理髮師了。


換言之，「商品」產業生產力提高的同時，也提高了「服務」業人員的機會成本，因此服務業的報酬也必須提高。


鮑莫爾認為這是一種成本病。


━━━━


＃成本病導致經濟成長放緩


鮑莫爾效應解釋了許多重要的經濟現象


鮑莫爾在其原始論文中指出，從長遠來看，成本病會導致整體生產力成長放緩，進而導致經濟成長放緩。


因為生產力成長高的產業在總就業中所佔的比例下降，而生產力成長低的產業在總就業中所佔的比例上升。


隨著越來越多的勞動力從高生產力成長產業轉向低生產力成長產業，生產力整體成長率放緩是必然的。而由於經濟成長在很大程度上是由生產力成長所驅動，因此經濟成長也會放緩。


這種向後工業社會（即大多數勞工受僱於第三產業，也就是服務業的經濟體）的轉型稱為第三產業化。由於政府支出專注於醫療、教育和執法等服務，因此受鮑莫爾效應的影響尤為嚴重。


為什麼會這樣？


━━━━


＃服務業無法規模化是主因


我認為關鍵在於，工業革命之後，絕大部分的商品經濟都可以規模化生產，且以全世界為銷售範圍。所以生產力可以在專業分工與規模經濟下大幅提升。


相對的，服務業就很難達成這個效果。想想看你家樓下的理髮師，同一時間就只能在一個地方服務一位客人，過去數十年來的電腦、網路、手機等技術發展，都無法提升他的生產力。


製造業：

1800 年：1 個工人 = 10 件衣服/天

1900 年：1 個工人 + 機器 = 1000 件衣服/天

結果：生產力提升 100 倍，衣服價格暴跌


服務業：

1800 年：1 個理髮師 = 剪 10 個人/天

2025 年：1 個理髮師 = 剪 10 個人/天

結果：生產力不變，但薪資必須跟著製造業上漲，理髮價格持續上漲


所以 Baumol 觀察到的效應，本質並不是「製造業 vs 服務業」，

而是這個產業能否運用當下技術實現規模化？


━━━━


＃人工智慧帶來服務業規模化可能


到了人工智慧時代，服務業能夠規模化的可能性大幅提升


前面提到那些過去 25 年來價格不斷上升的服務業：高等教育、幼兒托育、各種時薪制的工作，甚至是寫代碼的工程師。


在人工智慧模型持續優化，加上機器人在未來幾年可能面市之後，服務業規模化的案例將會陸續出現。


AI 正在打破 Baumol 效應，第一次讓服務業可以「量產」。


看幾個例子：


法律服務：

過去：1 個律師審 1 份合約 = 3 小時

現在：Claude 審 1 份合約 = 3 分鐘，律師監督

效率提升 100 倍，成本降 90%


醫療診斷：

過去：1 個醫生 = 看 20 人/天

現在：1 個醫生 + AI = 初步診斷 200 人/天

效率提升 10 倍


教育：

過去：1 個老師 = 教 30 個學生

現在：1 個 AI 導師 = 同時教 1000 人（客製化）

效率提升 30 倍


其他像是自動駕駛，現在美國與中國部分城市已經推出無人駕駛計程車。突破了過去一位司機只能服務一組客人的限制，可以由大量無人駕駛計程車提供服務。


AI 讓服務業第一次可以像製造業一樣「量產」。


━━━━


＃鮑莫爾效應的終結：經濟與生活的雙重躍遷


鮑莫爾在 1960 年代提出這個理論時，預言了經濟成長將不可避免地放緩。過去 50 年，這個預言逐步應驗：美國 GDP 成長率從 4-5% 降到 2% 左右。


核心原因很簡單：服務業佔 GDP 比重從 60% 上升到 80%，但服務業生產力幾乎沒有提升。這就像經濟體裡有一個越來越大的「拖油瓶」，拖慢了整體成長。


但 AI 可能正在改寫這個劇本。


當服務業也能像製造業一樣規模化、自動化，

這個困擾人類 50 年的「成本病」將被治癒。


結果將是雙重的：


對經濟：

整體生產力成長重新加速

GDP 成長率可能回到 3-4% 的高速軌道

新一輪的繁榮週期開啟


對生活：

醫療、教育、法律等服務成本降低 90%

高品質服務從少數人特權變成全民基本權利

生活品質出現躍遷式提升


━━━━


但等等，如果服務業價格變得更便宜......


這時候你可能會問：


如果 AI 讓服務業價格降低 90%，那服務業不就失去價值了嗎？

律師、醫生、老師的收入會不會暴跌？

服務業的就業會不會大幅減少？


直覺告訴我們：價格降低 = 價值降低 = 就業減少。


但歷史告訴我們：完全相反。


當某項服務變便宜，需求往往會暴增，總產值不減反增。

這就是經濟學中另一個經典理論，傑文斯悖論（Jevons Paradox）。


我們留待下一篇再說明。


━━━━


延伸閱讀：

William Baumol, "Macroeconomics of Unbalanced Growth" (1967)

William Jevons, "The Coal Question" (1865)

留言

張貼留言

這個網誌中的熱門文章

物聯網(IOT) - 研華.WISE-PaaS 和 ADAM/UNO 平台

圖片
  WISE-PaaS 和 ADAM/UNO 都是台灣工業電腦與物聯網領導廠商 研華科技（Advantech） 所提供的核心產品與技術，它們在工業物聯網（IIoT）解決方案中扮演著不同的關鍵角色。 簡單來說： WISE-PaaS 是一個 軟體雲端平台 和 服務生態系統 。 ADAM/UNO 是一系列 硬體設備 ，專門用於 數據採集和邊緣運算 。 您好，WISE-PaaS 和 ADAM/UNO 都是台灣工業電腦與物聯網領導廠商 研華科技（Advantech） 所提供的核心產品與技術，它們在工業物聯網（IIoT）解決方案中扮演著不同的關鍵角色。 簡單來說： WISE-PaaS 是一個 軟體雲端平台 和 服務生態系統 。 ADAM/UNO 是一系列 硬體設備 ，專門用於 數據採集和邊緣運算 。 1. WISE-PaaS 平台：工業物聯網的軟體大腦 WISE-PaaS （Platform as a Service，平台即服務）是研華推出的 工業物聯網雲端平台 ，旨在幫助企業快速建立、管理和部署 IIoT 應用程式。 核心功能與定位： 功能項目 說明 數據聯網與管理 負責接收來自底層硬體（如 ADAM/UNO）的海量異構數據，進行標準化、儲存和管理。 應用開發工具 提供各種 API、SDK 和微服務，讓開發者可以輕鬆建立 IIoT 應用（如預防性維護、能源管理、生產可視化儀表板）。 安全與可靠性 提供設備遠端監控、韌體更新和數據加密等安全功能，確保工業數據傳輸的安全性和穩定性。 邊緣與雲端整合 負責將在邊緣設備（如 UNO）上進行的即時運算結果，與雲端上的歷史數據分析進行整合。 簡言之： WISE-PaaS 是一個完整的 IIoT 軟體生態系統 ，是實現數據分析、監控和智慧決策的 中樞平台 。 2. ADAM / UNO 系列：工業物聯網的硬體基石 ADAM 和 UNO 都是研華的 工業級硬體設備 ，專門設計用於惡劣的工廠環境，執行數據採集、控制和邊緣運算。 A. ADAM 系列：數據採集模組 (Data Acquisition Modules) 定位： 用於連接 感測器 和 機台 ，將真實世界的物理信號（如溫度、電壓、電流）轉換成數位信號的 數據採集單元（DAQ） 。 主要任務： 負責訊號轉換和最基本的數據傳輸。 應用場景： 測量工廠的溫度、濕度...
閱讀完整內容

Nvida財報 - 泡沫化的論述

圖片
  應收帳款週轉天數：從歷史平均的46天惡化到53.3天 存貨暴增：Nvidia的存貨在一個季度內暴增32% 應收帳款暴增， 客戶欠錢越來越多。 庫存堆積如 山，晶片根本賣不掉。公司為了保持增長，硬塞貨給下游公司。 這聽起來像是一家公司泡沫破裂前夕的完美劇本。 過去幾天，一篇關於Nvidia「驚天黑幕」文章在網上瘋傳，作者洋洋灑灑，引經據典，用各種會計指標直指Nvidia的財報是一場精心策劃的騙局，一場建立在「幻影收入」之上的巨大泡沫。 罪狀1、應收帳款暴增。 作者指出Nvidia的應收帳款週轉天數從歷史平均的46天惡化到53.3天 。這聽起來就像：你開了一家店，生意看似越來越好，但客人賒帳的時間卻越拖越長。一個健康的企業，應該是現金回流越來越快，而不是越來越慢。這暗示著你的客戶可能財務困難，或者你為了催業績，給了他們無法拒絕的超長付款期。 罪狀2、 存貨暴增。作者指出Nvidia的存貨在一個季度內暴增32% 。CEO黃仁勳在電話會議上明明說需求「insane」（瘋狂），晶片供不應求。這就構成了一個巨大的矛盾：如果你開的iPhone專賣店真的賣到斷貨，你的倉庫應該是越來越空才對，怎麼可能反而在短時間內堆滿了賣不出去的iPhone？ 這暗示著 需求可能遠沒有說的那麼強勁，貨都積壓在自己手裡了。這兩個指控結合起來，描繪出一個非常恐怖的畫面： Nvidia為了維持增長神話，把大量晶片硬塞給雲端大廠，但這些大廠其實消化不了，也沒打算馬上付錢。營收是「做」出來的，現金卻沒回來，倉庫裡還堆滿了產品。 這 就是典型的泡沫破裂前夕的景象 。 聽起來很可怕，對吧？Nvidia肯定就是下一個安隆了，《大賣空》原型角色Michael Burry都是對的，快點清掉了！ 當恐慌蔓延時，我們更應該做的，是拿起計算機，翻開財報的附註，逐一驗證。化的
閱讀完整內容

GPU vs TPU

 【TPU 會終結輝達霸業？黃仁勳說 GPU 其實更便宜是真的嗎？】 Google 的突破不是 GPU 的終點，而是算力需求新一輪爆發的起點。 每當 Google 發表新一代 TPU 晶片，市場總會響起一樣的聲音： TPU 能訓練出更強大的模型、更便宜、更省電，輝達（NVIDIA）似乎離「吃鱉」不遠。這種論調在過去幾週再次出現，特別是當 Google 展示自家模型 Gemini 3.0 Pro 的強大時，許多人急著宣告 GPU 時代結束。 但實際情況可能正好相反。Google 的領先不但沒有削弱輝達的地位，反而在結構上成為輝達的大利多。原因不在晶片，而在於這場競賽本身再次證明：「Scaling Law」仍然有效。 ■ Scaling Law 的續命，是輝達最好的消息 Google 在最新一代模型中證明，只要增加訓練規模，模型效能依然能持續提升。這代表「投入更多算力就能產生更好 AI」的邏輯仍成立。這一發現的意義遠超技術層面 - 它重新啟動了整個市場對算力的信心。 一旦 Scaling Law 被驗證，所有想追上 Google 的科技巨頭都別無選擇，只能加碼算力投入。微軟、亞馬遜、Meta、Anthropic、OpenAI 等公司沒有 Google 那樣成熟的自研晶片與垂直整合能力，唯有依靠輝達的 GPU 才能快速擴張訓練與推論能力。 換言之，Google 的技術突破不會削弱 GPU 市場，反而會刺激整體 GPU 採購。輝達賣的不只是晶片，而是算力擴張的「通用通道」- 只要產業還相信規模帶來優勢，輝達的需求就不會減少。 ■ 外界誤解了 TPU 與 GPU 的效率比較 外界對 TPU 與 GPU 的比較，經常停留在單顆晶片的價格與功耗上。這樣的比較方式忽略了 AI 系統的本質：最終衡量單位不是瓦數，也不是美元，而是「每單位電力能產出的 token 數」——也就是生產效率。 從單顆晶片的理論數據來看，Google 的 TPU v6e 在 FP16 精度下提供 926 TFLOPS 的算力，而輝達的 GB200 約為 5000 TFLOPS。若只看每瓦效能（每瓦 TFLOPS），TPU 以 2.64 優於 GPU 的 1.85，效率高出約 42%。表面上，TPU 看似更效率更高更划算。 但這種比較忽略了實際應用的精度設定。FP16 已非主要推論模式，市場真正的主流是...
閱讀完整內容