事件背景
NVIDIA 執行長黃仁勳在 2026 年 COMPUTEX 台北演講中宣佈「有用的 AI 已經到來」。最具體的證據是：軟體開發者的生產力出現爆炸性成長。
具體數據如下： - GitHub 程式碼提交量（代理式 AI 工具協助下的開發速度）： - 2023 年：3 億次 - 2024 年：4 億次 - 2025 年：5 億次 - 2026 年初幾個月：近 15 億次（幾近三倍）
黃仁勳的經濟學推論
他將這個物理現象轉換為經濟價值計算：
已知條件： - 全球約 3,000 萬名軟體開發者 - 年薪總支出約 3 兆美元 - 單位時間產出提升 3 倍
推論： 當同樣的薪資投入（3 兆美元）換來三倍的產出能力時，等於用 3 兆美元的成本槓桿出 9 兆美元的生產力。這不是數字魔術，而是機械加倍效應（leverage effect）直接映射到知識工作。
反駁「AI 裁員論」
黃仁勳最後指出一個常見的認知盲點：「AI 會減少工作機會」。他的反駁邏輯是：
當一名工程師能創造的價值大幅提高時，企業反而會想雇用更多工程師——而不是解雇人員。
這背後的經濟學假設是：需求曲線是向下傾斜的。當產出變便宜、品質維持、企業會增加採購量，總需求會非線性上升。
例子： - 當編程工具從「手寫機器碼」進化到「高階語言」時，並沒有裁減程序員，反而爆炸性增加。 - 當 Excel 問世，財務分析師不是失業，而是需求十倍成長。 - 當數據庫出現，數據工程師成為新職位，而非舊職位消亡。
工具槓桿效應的三層模式
### 層級 1：邊際成本驟降 AI 工具（如 GitHub Copilot、o1 推理模型）把「單位程式碼行」的產出成本從 1 小時→ 5 分鐘。
### 層級 2：總需求非線性增長 因為變便宜了，原本無法負擔的「夢幻功能」、「邊界需求」都被激活。軟體公司開始寫以前捨不得寫的小工具、優化、監控系統。
### 層級 3：淨就業增加 因為 work to be done 遠多於 work to be eliminated，淨結果是更多人被雇用、薪資可能上升（因為稀有能力溢價）。
與歷史類比
這個故事在工業史上反覆上演： - 機械製造（18 世紀）：紡織機不是減少紡織工人、而是讓布料便宜 100 倍，反而激爆了需求、工人數增長 10 倍。 - 汽車組裝線（1920s）：流水線降低汽車成本、讓中產階級買得起車，反而創造更多相關工作（加油站、維修、駕駛等）。 - 個人電腦普及（1990s）：人工計算師失業了、但軟體工程師、程式設計師、IT 支援崗位暴增。
為什麼這次不同？
過去的技術革命需要 15-20 年才能完成「需求激活」的周期。但 AI 代理式工具的魔力在於：
1. 立即成效：AI 今天寫的程式碼、明天就能測試、後天就能部署。反饋週期縮短到小時級。 2. 無需大資本投入：軟體開發不需要重新蓋廠房、買設備，純粹是知識生產率提升。 3. 跨領域可複製：如果軟體開發者產出提升 3 倍，那麼分析師、設計師、內容創作者也會經歷同樣槓桿。
這意味著「需求激活期」可能從 20 年縮短到 2-3 年。所以黃仁勳說「有用的 AI 已經到來」——不是未來式、而是現在式。GitHub 的數據就是證據。
警惕：為什麼有人還在擔心失業？
工具槓桿效應有個隱藏的條件：需求層面上升幅度 ≥ 生產力提升幅度。如果上升幅度不足，會出現「技術性失業」。例如： - 如果軟體產業的總需求只成長 50%、但每個工程師產出提升 300%，那麼仍需要砍 60% 的工程師。 - 如果公司決定降價 50%（搶市佔）而非擴大團隊，也會造成就業下降。
黃仁勳的樂觀假設是：軟體/AI 的市場需求幾乎無限（因為幾乎所有企業都在數位化、沒有一個產業飽和）。在這個假設下，槓桿效應成立。