事實上，人們普遍認為，1800 年代蘭開夏郡鄉村的年輕男女可以找到一份有報酬的工作，成為紡織學徒。在車間前的家庭手工業中，編織家庭通常擁有一把手柄。隨著羊毛紡紗的早期機械化，年輕人可以學到很多東西並願意學習。
當學徒的實際經驗是從挫折開始的。織工大師可以做學生能做的一切，但速度更快、更好。更快地把它放在布上，更快地發現布上的缺陷，每天給兩次。從各方面來看，學生都是低等工人。然而，老人早上從來不准備線軸。每小時，在燈芯未消耗的時間內，染料會被煮兩次，只有織工大師才要求商人的步伐。學生們整天都在風中搖擺，並不是因為他們成績不好，而是因為這樣他們的時間就沒那麼有價值了。
主在每一個職位上都擁有絕對的優勢。學徒在繞線方面具有比較優勢，因為學徒的機會成本較低。這個區別由大衛理查德 (David Richard) 於 1817 年首次提出，是經濟學中最重要的區別之一。即使一方在所有方面都更好，但當每一方都擁有特殊的比較優勢時，雙方都會更好。
我們可以更換機器的擁有者嗎？
圍繞人工智慧的大部分恐懼都是基於已表現出的絕對優勢。 LLM 可以清晰簡潔地寫作。快速縮短大字母。在幾秒鐘內產生可存取的 Python 腳本。在這些離散任務中，人工智慧是直接競爭對手。如果一份工作只是這些工作的集合，那麼工人就是在工作。
但李嘉圖面臨的挑戰是確定人工智慧在哪些方面具有比較優勢，以及這種優勢是否體現在工作層面。比較優勢是由機會成本決定的。對男人來說，需要的是時間。對於AI，約束是計算出來的。這些限制非常不同，而且不同到足以讓人們參與其中。
找放射科醫生。阿加瓦爾等。 (2024) 表明，自我監督演算法在讀取胸部 X 光片方面的表現優於人類放射科醫生，即使對於非罕見疾病也是如此。在這裡，人工智慧充當圖像解釋特定任務的競爭者，並表現出比較優勢，即讓人工智慧執行大量模式匹配練習的機會成本遠低於人類。然而，演算法的輸出並未給予建議或建議或治療。放射科醫生仍然與患者溝通，與臨床醫生協調，並根據情況判斷是否進行幹預。
在這個更廣泛的專業背景下，人工智慧更多是一種工具，而不是直接競爭對手。與人工智慧機會的成本相比，放射科醫生執行高上下文任務的機會成本較低，因為可以完成相同的計算，而不是診斷數千個其他掃描器。此外，隨著機器在日常任務中取代人類，它們增加了人類在判斷方面的相對優勢。正確的分工涉及不斷的重新分配。機器接管了計算成本低廉的工作，而人類則專注於人類時間輸入效率更高的領域。
無論如何我該擔心嗎？
比較效用讓兩個代理人了解了交易的好處，但沒有說明這些好處是如何分配的。如果計算變得夠便宜，人類工人的薪資底線也會跟著下降。 Restrepo（2025）發展了一個模型，顯示獎勵可以滿足複製人類技能的計算成本。如果勞動力的數位成本降至零，勞動力收入佔GDP的比重也會隨之下降。
這聽起來很糟糕，但「無限」這句話花了很多功夫。史丹佛 HAI 2025 人工智慧指數報告發現，運行 GPT-3.5 等級系統的成本在 2022 年至 2024 年間下降了 280%。但我們可以實現廉價計算的物理和經濟目的。
- 身體的困擾。我們正在接近原子硬體模式。如今的晶片的閘極寬度約為 48 奈米。物理上可能的最小電晶體閘極約為 0.34 奈米，即一個碳原子的寬度。從已製定的計劃到原子邊界的整個剩餘距離使密度提高了近 140 倍，低於過去兩年已經實現的成本降低。
- 能源與需求面。再多的智慧軟體也無法消除對土地、資本和電力的需求。隨著單位成本下降，對計算的總需求成長更快，從而釋放出新的用例，使計算與人類勞動力幾乎沒有關係。
最終，人工智慧作為競爭對手和人工智慧作為工具之間的差異是由行動比較優勢一詞定義的。雖然機器在日常事務中為我們安排了絕對的一部分，但計算的物理和經濟缺乏迫使它們專業化，將它們變成增強人類判斷力的工具。
透過將工作交給機器優勢的地方，我們可以將時間集中在人類直覺仍然是最有效輸入的關鍵上下文任務：判斷、身體存在和創造性的即興創作。我們仍處於工業革命的故事之中。新工人透過取代日益流動的勞動分工來保留自己的價值，只不過現在更換的速度比以往任何時候都快。
