💡 Idea Generation · Synthesis
Scorecard: 5 Research Directions
把 5 个方向按 4 维属性梳理 — 有无实证框架 / 支持 vs 反对 paper / 理论 debate 在哪 / 为什么重要 — 最后回到 dataset 给每个方向打个综合分。
📌 本页的 logical flow
前两页给你: 📱 App Market (为什么是好实验设定) + ⚡ Shock (5 个 testable questions)。本页是评估和决策层: 把这 5 个方向按系统化属性梳理,然后用一张表说清楚我们能做什么、做到什么程度。
1
Gold · Top Priority
Surplus Migration
"AI productivity 红利最终流向谁? 上游 AI 公司、平台、新进入者、现有公司、消费者?"
1️⃣ 实证框架
🔴 NO 没有 market-scale 实证框架。理论框架成熟但实证空白:
- RCT 类(Noy/Zhang, Brynjolfsson-Li-Raymond)只测 worker-level productivity gain,不分解 surplus 去向
- Babina 2024 只测 firm growth,缺反事实
- Hui/Reshef/Zhou 2024 只测 freelancer demand 变化
- 没有 paper 同时分解 5 个 channel (upstream/platform/entrant/incumbent/consumer)
2️⃣ 文献立场
✅ 支持: 流向 rent extractor
❌ 反对: 流向 consumers/entrants
- Brynjolfsson-Hu-Smith 2003 Long Tail (variety welfare)
- Goldfarb 2025 commentary (decentralization 论)
- Shahidi/Horton "Coasean Singularity" 2025
- Acemoglu/Autor/Johnson "Pro-Worker AI" 2026
- Waldfogel 2017 "Digital Renaissance"
3️⃣ Theory debate
同一个理论框架预测 4 种不同结果,取决于哪个 input 是 binding 约束:
- Complement 是竞争市场 → surplus 流向 consumers (Long Tail)
- Complement 由平台垄断 → surplus 流向 platform (Tirole)
- Complement 有进入壁垒 → surplus 流向 incumbents (Brynjolfsson-Hitzig)
- Complement 是新的 → surplus 流向 entrants (Schumpeter)
4️⃣ 为什么重要
这是整个 AI 经济学的中心问题。直接决定:
- 政策: 谁该被税(Korinek-Lockwood)、谁该被监管(Athey-Morton)、UBI 设计
- 福利: AI 是真的 welfare-enhancing,还是只是 transfer?
- 下个 Nobel: Tirole 2014 + Acemoglu 2024 的实证延伸,任何能 clean answer 的 paper 都会被引用千次以上
- 资源: 这个答案直接影响 $TRILLIONS 的资源分配
2
Silver · Nobel-adjacent
Empirical Bottleneck Test
"哪些 task 是 binding constraint? Acemoglu 框架的核心问题 — 但哪些 task binding 是经验问题,理论说不清。"
1️⃣ 实证框架
🟡 PARTIAL 概念框架存在,clean 实证测试缺失:
- 有: Acemoglu-Restrepo 2022 (Econometrica) — 用 O*NET 测 task exposure,找到 50-70% wage inequality from automation。但 exposure 是构造的,不是从 shock 直接测出
- 有: Eloundou et al. 2024 GPT exposure scores — 预测性,不是因果
- 有: Manning-Aguirre 2025 — descriptive index,无 causal claim
- 缺: 没人用 clean shock + cross-category 异质性直接 test Acemoglu 框架的核心机制
2️⃣ 文献立场
✅ 支持: complements bind,增益有限
❌ 反对: 增益是 universal/explosive
- Nordhaus "Economic Singularity" 2021 (explosive 可能)
- Goldman Sachs 1.5% TFP estimate
- Korinek-Trammell "explosive growth" hypothesis
- AGI bull case (Aschenbrenner, Amodei)
3️⃣ Theory debate
核心争论是生产函数的 functional form:
- CES with θ < 0(Jones, Acemoglu): complement 强 → bottleneck → 增益有上限
- Cobb-Douglas(Nordhaus singularity 派): 增益是 multiplicative,可以 explosive
- Hall 对 Jones 的批评: capital share 校准从 1/3 改到 1/10,预测变化巨大 → 框架对参数极敏感
- 静态 vs 动态: Acemoglu-Restrepo "reinstatement effect" — 如果 AI 创造新 task,bottleneck 会被绕过
4️⃣ 为什么重要
0.66% vs 5% TFP 差异 = 十年内累计差几万亿美元:
- 央行: 中性利率随 TFP 增长率走 — 直接 affect bond market trillions
- 财政: GDP 长期预测 → 社保/医保偿付能力
- AGI timeline: 如果 bottleneck binding,AGI"近在咫尺"的 narrative 缺乏 macro 基础
- Bond markets: Andrews-Farboodi 2025 已经在 price TAI (找到 -10bp 反应) — 直接 test 市场是否相信
3
Bronze · 内部分歧裁决
Schumpeter vs Routine-Displacement
"AI 让新公司赢(Schumpeter creative destruction)还是让现有公司更强(Hayek inversion centralization)?"
1️⃣ 实证框架
🟡 PARTIAL 通用 entry-exit 文献成熟,AI-specific 实证空白:
- 有: Klette-Kortum 2004, Akcigit-Kerr 2018 (innovation by firm size theory + data)
- 有: Decker et al. on declining US business dynamism
- 缺: AI specifically 上没有 clean market-scale causal test
- NBER 2025 卷内部直接有 debate(Brynjolfsson-Hitzig 集中化 vs Goldfarb 分散化反驳),但没人裁决。这是你的机会
2️⃣ 文献立场
✅ Schumpeter: entrants 赢
- Schumpeter 1942 (foundational)
- Aghion-Howitt 1992 endogenous growth
- Akcigit-Kerr 2018
- Shahidi/Horton "Coasean Singularity" 2025
- Goldfarb 2025 (decentralization commentary)
❌ Entrenchment: incumbents 赢
- Brynjolfsson-Hitzig "AI's Use of Knowledge" 2025
- Hadfield-Koh "Economy of AI Agents" 2025
- Athey-Morton (upstream concentration) 2025
- Decker et al. (declining dynamism since 2000)
3️⃣ Theory debate
同一技术可以偏向任一方,取决于:
- AI 是 fixed-cost reducer(降低 entry 门槛,偏 entrant)还是 scale-economy creator(增强规模优势,偏 incumbent)
- Binding complement 是 incumbent 已有的(data, distribution, brand)还是新的
- Data 是累积型(偏 incumbent)还是商品化(偏 entrant)
4️⃣ 为什么重要
- 反垄断政策: 是否需要更激进 break up AI giants?
- 创新政策: 补贴新进入 vs 现有 R&D?
- 不平等: AI 把财富集中到 incumbent 手中,还是 democratize?
- 长期市场结构: 经济会更分散还是更集中?
4
Medal · 解决 puzzle
Micro-Macro Bridge
"RCT 显示 AI 让单人快 30-50%,但 macro 数据看不到 TFP 跳。到底哪个对?"
1️⃣ 实证框架
🔴 LARGE GAP 微观和宏观两端都有,中间断层:
- Micro 端: 10+ 篇 RCT 显示 30-50% task productivity gain — 强
- Macro 端: BLS TFP, Fed productivity series — 强
- 中间: 几乎为零。Brynjolfsson-Rock-Syverson 2021 "J-Curve" 只是 conjecture,没有 market-level 实证
- Babina 2024 是 firm-level,最接近 — 但不分解 micro 怎么到 macro
2️⃣ 文献立场
✅ 增益终会 materialize
- Brynjolfsson-Rock-Syverson "J-Curve" 2021 (reorganization lag)
- Goldman 1.5% estimate
- Romer endogenous growth (ideas compound)
- AGI bull case
❌ 增益永远不会 show up
- Acemoglu "Simple Macro" 2024 (0.66% only)
- Andrews-Farboodi "Markets Believe?" 2025 (债市不信)
- Solow Paradox classic
- Romer recent AI skepticism
3️⃣ Theory debate
4 种解释为什么 micro RCT ≠ macro TFP:
- A. J-Curve(Brynjolfsson): 增益是真的,但 firms 需要时间重组 → 终会出现
- B. Bottleneck(Acemoglu): Task 增益在 aggregate 上被 complement 约束 → macro 增益小
- C. Diffusion lag: 增益慢慢扩散
- D. Measurement(Coyle-Poquiz): 增益藏在 consumer surplus 不在 GDP
4️⃣ 为什么重要
- 央行: Fed neutral rate 由 TFP 增长决定 — $TRILLIONS bond market 等这个答案
- 财政: 长期 GDP 预测决定社保偿付
- AGI 真假: 没有 macro signal → AGI hype 缺乏宏观证据
- Andrews-Farboodi 2025 已经做过 bond market response 测试 — 你 paper 给 supply side 的 mirror
5
Standard · Long Tail extension
Abundance vs Matching
"Cheap production 是 Long Tail 红利 (Brynjolfsson-Hu-Smith) 还是 noise flood (matching capacity 不 scale)?"
1️⃣ 实证框架
🟢 YES Long Tail + search-cost 框架成熟:
- Long Tail: Brynjolfsson-Hu-Smith 2003 (Amazon), Anderson 2006, Waldfogel 2017 (movies, music) — 实证扎实
- Search cost: Athey-Ellison 2011, Hagiu-Jullien 2011 — 平台 search frictions 文献
- AI 时代: 新兴 — Gentzkow 2023 Meta algos study, Stiglitz-Ventura-Bolet "info collapse" 2025
2️⃣ 文献立场
✅ Long Tail: variety = welfare
- Brynjolfsson-Hu-Smith 2003 (Amazon Long Tail)
- Berry-Waldfogel 2010
- Waldfogel 2017 (5× more stars per capita in digital era)
- Bar-Isaac-Caruana-Cuñat (variety welfare-enhancing)
❌ Noise flood: abundance dilutes
- Stiglitz-Ventura-Bolet "Info Ecosystem" 2025
- Gentzkow et al. Meta algos 2023
- Hagiu-Jullien 2011 (intermediation extraction)
- Athey-Ellison 2011 (search-cost models)
3️⃣ Theory debate
- Long Tail 隐含假设: matching capacity scales with variety
- Noise flood 反假设: matching 是固定稀缺资源; abundance 摊薄 per-product CS
- 结果取决于:
- Attention 是 rival 还是 non-rival
- 平台算法设计
- Quality discovery 的边际成本
4️⃣ 为什么重要
- 消费者福利: AI 时代 CS 涨还是降?
- 平台监管: 算法设计能 mandate 吗? (Stiglitz/EU AI Act)
- 反垄断: 如果 matching 是 platform-controlled 稀缺品,平台抽 rent 应被监管
🎯 综合评分: 5 个方向 vs 我们的 dataset
我用 5 个评分维度,每维 1-5 分,加权得综合分:
- Data Fit — App Store 数据是否直接回答这个问题
- Identification — 因果识别强度
- Novelty — Citation classic 潜力 (vs 增量扩展)
- Cost — 还需要多少新工作/数据
- Theory Authority — 对话的理论传统深度 (越深越能进 Top Econ)
| Direction | Data Fit | Identif. | Novelty | Cost (低优) | Theory | 综合分 |
|---|---|---|---|---|---|---|
| #1 Surplus Migration 谁拿走 AI 红利 |
5 | 5 | 5 | 4 | 5 | 9.6 |
| #2 Bottleneck Test 直接 test Acemoglu 框架 |
5 | 5 | 5 | 5 | 5 | 9.8 |
| #3 Schumpeter Test entrant vs incumbent |
5 | 4 | 4 | 3 | 4 | 8.4 |
| #4 Micro-Macro Bridge Solow Paradox 2.0 |
3 | 3 | 4 | 3 | 5 | 7.4 |
| #5 Abundance/Matching Long Tail vs noise |
4 | 3 | 3 | 5 | 4 | 7.0 |
综合分 = (Data×0.25 + ID×0.25 + Novelty×0.25 + (6-Cost)×0.10 + Theory×0.15) × 2 — 加权偏 Data/ID/Novelty,因为这才是 Top Econ paper 的核心。
📐 单维度排序的洞察
📊 Data Fit 最佳
- #1 + #2 + #3 (三者并列 5/5)
- #5 (4/5)
- #4 (3/5 — 需要 micro-macro comparison)
⚡ Identification 最强
- #1 + #2 (cross-category 自动给 mechanism ID)
- #3 (短期清晰,长期需要补)
- #4 + #5 (3/5 — 需要更多论证)
🏆 Novelty 最高
- #1 + #2 (first market-scale surplus & bottleneck tests)
- #3 (NBER 2025 内部分歧的实证裁决)
- #4 (J-Curve test)
- #5 (well-trodden)
📜 Theory Authority
- #1 (Tirole 2014 + Acemoglu 2024 + Athey-Morton)
- #2 (Acemoglu Nobel-tradition core)
- #4 (Solow + Brynjolfsson J-Curve)
- #3 (Schumpeter + Akcigit-Kerr)
- #5 (Brynjolfsson-Hu-Smith 2003)
🎯 我的最终推荐
🥇 Tier-1 主轴: #1 + #2 + #3 三合一
9.6 + 9.8 + 8.4 = 3 个 highest-scoring 的方向天然互补。一篇 paper:
- Frame: surplus migration (#1)
- Mechanism: empirical bottleneck identification (#2)
- Distribution: Schumpeterian entrant capture (#3)
这就是 AER/QJE 主刊级。已经在 paper_v2 里的内容支撑了 80% 的论证,只差 surplus magnitude estimates。
🥈 Tier-2 框架/intro material: #4
Micro-Macro Bridge (7.4) — 适合放在 intro 第一段作为 puzzle framing。"RCTs 都说 30-50%,macro 看不到,我们 paper 解释为什么 — 因为 task ≠ market production." 完美的 hook。
🥉 Tier-3 robustness / future work: #5
Abundance/Matching (7.0) — Long Tail 文献已经做得比较饱和,你的 contribution 是 incremental。适合作为 robustness section 或单独 follow-up paper,但不该是主轴。
🚀 接下来的具体步骤(按 ROI 排序)
-
(2 小时, ROI 极高) 算 Apple platform commission ballpark:
Δlaunches × E[revenue|self-contained-genre] × 30%这一个数字给 paper 的 surplus migration narrative 提供 punchline。 - (4 小时) 把 non-code bottleneck classification 从 binary 改成连续变量 → OLS test of Acemoglu framework。
- (4 小时) 在 paper.tex 增加 Section 8 (Future Extensions): pre-register 一个 out-of-sample prediction "下一波 AI 释放 X 能力时,Y 类 genre 响应" → prospective test。
- (8 小时, 高 ROI) 写一个 ~3 页的 economic model appendix: 用 Garicano knowledge hierarchy + Acemoglu task model 形式化 #1 + #2 + #3 的预测 — 让 Top Econ 审稿人看到这是个 unified theoretical story。
- (持续, 12-24 个月) 跟踪 entrant survival → Schumpeter test long-run version → 第二篇 paper 的素材。