结论先行

这篇于2026年8月5日公开的预印本提出一种把AI带来的工作时间节省与用电成本放到同一货币尺度比较的方法。按照作者设定的美国工作场景准全面采用情景，AI时间节省折算的工资价值约相当于2024年美国名义GDP的8.87%，而直接运营能源成本在所测情景中均低于GDP的0.1%。因此，作者认为在其模型和价格假设下，生产率收益高出直接能源成本多个数量级。这个判断是情景模型的结果，不是现实部署已产生的因果收益，也不等同于完整的社会成本收益结论。

研究对象与方法

研究团队把美国O*NET数据库中的19,265项工作任务映射到923个职业，使用GPT-5评估各任务可能节省的执行时间，并沿用E0、E1、E2三档AI暴露分类：E1表示聊天机器人单独达到至少一半的时间节省门槛，E2表示需要额外的任务软件。汇总估算采用E1任务全量、E2任务按一半计的设定。作者再用美国就业、工资和工时数据，把时间节省换算成工资价值；这里的工资只是比较单位，不是对就业或薪酬变化的预测。

能源部分把O*NET任务执行频率与既有大语言模型推理能耗基准结合。论文测试每次查询0.443、7.066和29.078 Wh三档能耗，以及每项任务1、4、7次迭代；基准情景为7次迭代和模型平均能耗。研究使用2024年美国职业、工资和电价数据，分析对象是工作场景中的AI推理，而不是全部AI或数据中心用电。

主要结果

  • 1. 任务层面结果高度异质：物理操作、现场存在和直接人际协调相关任务的估计时间节省接近0；文本、信息处理和分析类任务的估计节省更高，部分任务集中在60%–70%附近。\n2. 在准全面采用设定下，作者估算的工资节省约为2024年美国名义GDP的8.87%；换用另一种任务频率加权方式时为8.78%。这两项都应理解为作者模型中的货币化估计。\n3. 直接能源成本在所有模型和迭代组合下均低于GDP的0.1%。基准情景约消耗28 TWh，每节省一小时劳动需要约430 Wh；跨模型和迭代情景的范围为27–1,769 Wh/小时。\n4. 论文还估算基准情景约产生10.7 Mt CO2，对应的碳社会成本约为22亿美元；作者将其与直接能源成本合并后，仍与约2.6万亿美元的工资节省估计相差很大。

范围、限制与研究状态

最关键的限制是采用情景和任务节省率并非现实世界观测：GPT-5对O*NET任务的评估不能替代不同职业、用户和组织中的实际实验。任务频率、查询次数和推理能耗也依赖假设，尤其是长提示和硬件配置。论文的生产率指标把节省时间按工资定价，并不意味着劳动需求会等比例下降；生产率也可能表现为产出扩张、任务重新分配或新活动。

论文只估计美国工作场景的AI推理，未覆盖消费端使用、模型训练和其他数据中心负载；作者也指出其基准计算没有纳入宏观反弹效应。Research Square页面显示Posted Date为2026年8月5日，Crossref记录将该版本标为预印本；截至本次核验，它尚未通过同行评审，结论需要真实采用数据、全生命周期环境核算和独立复现进一步检验。

潜在意义

这项工作的价值主要在于提供了一个把任务层面生产率估计与推理能耗并列的分析框架，而不是证明AI在任何组织中都能获得相同净收益。对政策或企业决策而言，实际采用率、任务完成质量、额外软件和基础设施成本，以及碳排放和电网约束，仍需要用观测数据单独评估。