市場定價的 AI 暴露（AI 溢價）

資料來源#

AI Premium

摘要#

Borri, Liu & Tsyvinski（arXiv 2606.30583）使用 380 兆個已實現 AI 使用量的 tokens——2024 年 1 月至 2026 年 4 月期間，經由授權 OpenRouter 面板路由的每一筆付費推論請求，涵蓋 400+ 個 LLM，約占全球每月 token 總量的 2%——來為股市中的 AI 暴露定價。流程是：建立 AI Factor（全球 AI 消費成長的高頻指數）、估計每家公司的 AI Beta（其報酬如何與該因子共同變動），並衡量 AI Premium（市場如何為這種敏感度付費）。核心結論是：高 AI beta 公司之後的報酬較高——價值加權的多空五分位策略每週產生 64.1 個基點——而且溢價集中在 AI 使用的高強度、前沿導向邊際。映射到勞動力後，市場推導的暴露對互動／溝通／實作技能呈正向，對分析／科學／營運控制技能呈負向，這與直覺式的「AI 自動化雙手、保留知識工作」故事相反。

這對本知識庫的方法論意義在於：它是 AI 暴露的第三種衡量範式。其中 AEI taxonomy 以問卷（已回報／預期）和使用遙測（已觀察）衡量暴露，而基於任務的衡量（Acemoglu-Restrepo、Eloundou GPT-4、Eisfeldt-Schubert-Zhang）則從LLM 理論上能做什麼來衡量；本文從市場推導的風險衡量——也就是股票價格揭示投資人如何看待公司由 AI 驅動的贏家與輸家。它是前瞻且有定價的，而非能力分數。

證據註記。 empirical——已實現的付費請求（不是自我回報，也不是分類器推斷）、涵蓋數百萬匿名帳戶的使用者－模型－日期面板、標準資產定價工具（Fama-French 五因子＋動能調整、Fama-MacBeth、區塊 bootstrap、事件研究）。但樣本不具代表性，作者也明確如此表示：OpenRouter「可能過度代表成熟使用者與開發者使用者」，而開放權重／角色扮演／編碼流量相對於該聚合器的利基市場呈不成比例。因此，這項溢價是市場對這個偏向開發者的已實現消費切片的定價，發生在早期且快速變動的擴散窗口中——應解讀為「AI 暴露目前的價格」，而非長期估計。代表性限制請見下文。

衡量創新：跨供應商的已實現消費#

這些底層資料與知識庫其他使用遙測來源的差異如下：

已實現，而非已回報。 每筆觀測都是一項付費請求，帶有自己的 token 數量與美元成本——沒有問卷、沒有自我回報，也沒有由轉錄分類器推斷意圖。
跨供應商，而非單一實驗室。 面板涵蓋 OpenAI、Anthropic、Google、Meta、DeepSeek、Qwen、Hermes，以及 400+ 個模型；平均帳戶使用 >5 個不同模型，十個帳戶中有七個使用 ≥2 家供應商。消費「不太可能反映任何單一供應商的產品週期」。作者明確將此與 AEI 對比，後者「只從單一供應商的約一百萬段 Claude 對話進行分類」——這是刻意在廣度與代表性之間取捨（見限制）。
使用者－模型－日期的粒度讓他們能沿著對定價重要的邊際拆分消費：封閉原始碼與開放權重、付費／核心與新使用者、資深與休閒、長與短提示、內容類別，以及代理式（工具呼叫）與一般使用。

AI Factor 是三個序列中標準化每週對數成長的第一主成分——總 tokens、支出美元，以及不重複的活躍使用者（PC1 負荷為 0.665／0.559／0.496，佔共同變異的 56.5%）。之所以使用成長而非水準，是因為報酬回應的是採用的意外成分，而非機械式上升趨勢。每週 tokens 從第一週的 114 億上升到最後一週的 15.6 兆（累計 380.8T）。

AI Premium：AI 暴露有市場定價#

公司 AI Beta 是每週對 AI Factor 進行的滾動 13 週迴歸，以每週對數超額報酬為因變數，並控制市場因素——每週重新估計，不使用前視資訊。公司每週被分為五分位。

投資組合排序：價值加權高減低利差為每週 64.1 bps（t=2.84）；經 Fama-French 五因子調整後為 56.3 bps（t=2.43），再加入動能後為 55.9 bps。等權重利差較小但仍為正（35.0／30.9 bps），因此不只是少數超大型股。
Fama-MacBeth 橫斷面迴歸在控制規模、價值、獲利能力、投資、動能、反轉、槓桿與應計項目後，確認 AI 風險具有正的價格（在最嚴格規格中，價值加權 β_AI 係數為 18.25，t=3.58）。
符號符合轉型風險管道（Pastor-Veronesi 2009）：技術革命會在公司／產業／資本世代／勞工之間重新分配租金；當這種重新分配具有系統性時，厭惡風險的投資人會要求持有暴露最高公司的補償。溢價就是該風險的價格，不是免費午餐。

**公司層級的暴露不是科技產業虛擬變數。**暴露最正向的 S&P 500 成分股包括 AppLovin（最高）、NVIDIA、Lumentum、Expedia 與 NRG Energy（電力）；最負向的包括 Moderna（最低）、Estée Lauder，以及很有意思的 AMD 與 ON Semiconductor。部分半導體公司呈負向負荷，因此這確實是與已實現消費共同變動的衡量，而不是「是不是晶片股」分類器。

溢價集中在哪裡：高強度、前沿邊際#

八組拆分因子排序都指向同一方向——有定價的 AI 消費部分是成熟的部分：

邊際	高暴露側	低暴露側
模型類別	封閉原始碼 53.4	開放權重 32.3
使用者資歷	付費／核心 66.8	新使用者 21.9
使用者經驗	資深 59.3	非資深 29.3
提示複雜度	長 54.1	短 33.0

（每週 bps，價值加權高減低）。休閒與開放權重使用沒有被定價。這種「重要的是高強度邊際」模式，是專業回報與委派轉移在資產定價上的回聲——有資訊量的是使用深度，而非採用廣度。

地理——前沿附近有定價，遠離前沿則不存在。已開發市場的利差為每週 17.9 bps（t=2.77）；新興市場只有 5.0 bps（t=0.94，不顯著）。中國 A 股（即使使用由中國大陸 OpenRouter 消費量建立的中國專屬 AI factor）呈現負向且不顯著的利差。作者透過 Acemoglu-Aghion-Zilibotti 的「距離前沿」解讀此結果：AI 風險只有在上市公司與投資人接近最前沿 AI 開發與部署的地方才具系統性、因而有定價。這是互補因素論的市場定價對應：只有互補的 AI 經濟存在之處，暴露才有定價。

不只是科技股上漲或 AI 炒作#

這項溢價經得起明顯的「你只是重新包裝 AI 股票上漲」質疑。將三個交易基準各自加入市場控制、重新估計 AI Beta 後，利差仍然存在：控制高科技產業報酬為 49.5 bps，控制半導體投資組合為 45.4 bps，控制 AI／機器人 ETF 籃子為 63.4 bps。按 Fama-French 30 產業去平均後為 60.3 bps，控制 Google Trends 的「Artificial intelligence」關注度後為 69.6 bps。溢價定價的是對已實現消費的暴露，而非科技產業成員身分或 AI 主題情緒。

圍繞 19 次前沿模型發布的事件研究（Anthropic、DeepSeek、Google、Meta、OpenAI）顯示，高 beta 公司在窗口期間累計跑贏低 beta 公司約 3%（五天內為 1.9%，t=4.17；風險調整後為 1.1%），並有明顯的事前漂移，在約 5 天後進入平台期——相較之下，非前沿發布只有約 1.5%。但完全移除前沿發布週後，利差仍為每週 0.395%（t=1.96）：溢價在發布附近更強，但在整個樣本期間逐步累積，而不只出現在新聞日期——這表示它是有定價的風險，而不只是連續幾次正面意外。

市場推導的技能圖譜：互動技能受益，分析技能受損#

將公司層級 AI Betas 投射到職業（BLS 就業權重）與技能（O*NET 評分），得到第一張 AI 暴露的市場定價圖譜——可解讀為「在 AI 成功的條件下，市場預期哪些技能受益最多、哪些技能損失最多」。差異十分明顯，而且依作者所述，在 Autor-Levy-Murnane、Acemoglu-Autor 與 Deming 分類法中都很穩健：

**正向暴露（預期受益／互補）：**非例行的互動內容（+0.15，t=2.87）、社交技能（+0.16，t=3.44），以及——最強的單一負荷——互動與溝通（+0.36，t=4.21）。此外還包括安裝／維修、程式設計、說服、教學，以及非例行的手動工作（+0.25）。互動與溝通內容高出一個 SD 的職業，其市場推導的 AI 暴露高出 0.36 SD。
**負向暴露（預期受損／被替代）：**非例行的分析／數學內容（−0.15，t=−3.41）、資訊使用（−0.29，t=−2.43）、演繹／歸納推理（−0.27）、例行的手動工作（−0.41），以及營運控制技能。在詳細技能排名中，Science 是最負向的單一技能（每週報酬反應 −0.021），遠低於營運監控、品質控制與營運控制。

反直覺的重點是：市場對互動、說服、實作、協調密集的工作給予正向 AI 暴露定價，對分析與科學工作給予負向定價——這與「AI 先自動化手工勞動、保留認知」的直覺假設相反。作者把正向暴露技能（互動、說服、教學、安裝／維修）連結到 Jones & Tonetti 的「弱連結」——即使大多數其他任務已被自動化，仍會束縛生產的慢自動化任務。這與問卷／使用研究發現一致：有經驗的工作者認為判斷與關係／人際工作是 AI 無法觸及的部分——但這裡呈現的是市場押注，而非自我回報。

關鍵的是，這張圖譜與先前的 AI 暴露衡量正交：它與 Felten AIOE、Eloundou GPT-4、Webb patent 以及 Eisfeldt-Schubert-Zhang 衡量的相關係數絕對值低於 0.08，且既有衡量沒有任何一項能解釋超過市場推導變異的 2%（GPT-4 衡量呈弱正相關，生成式 AI 前的 Webb patent 衡量則顯著負相關）。市場推導的暴露衡量的是自動化能力分數沒有衡量的東西。

代理式經濟的早期證據#

將完成原因為 tool_calls 的請求定義為代理式請求後，代理式 tokens 占比從 2024 年接近零，上升到最後完整一週的 52.2%（峰值 59.3%）——這是真正的曲棍球棒式成長，也是跨供應商對詢問→執行轉移的相互驗證，且不依賴任何單一實驗室。工具呼叫與快取讀取占比各自達到約 40–50% 的 tokens；推理 tokens 上升得較慢。代理式美元占比落後於 token 占比，因為已實現的每個代理式 token 價格下降——提示快取可在不重新計算的情況下提供前綴 tokens，而供應商會將代理式請求路由到較便宜的後端模型（符合公司管理「暴增的 AI token 預算」）。代理式因子的橫斷面定價給出正的點估計（約每週 0.3–0.5%），但精確度不足（樣本期短）——作者稱其為「正向代理式溢價的早期證據」。

代表性限制#

作者明確指出、且凡引用此來源都值得保留的關鍵限制是：OpenRouter 是一個偏向開發者、開放權重實驗，以及角色扮演／編碼流量的利基聚合器——它約占全球 tokens 的 2%，且「可能過度代表成熟使用者與開發者使用者」。因此，「380T tokens 的已實現消費」不是 AI 使用的代表性普查，而是一個大型、偏向開發者的切片。這有兩層意義：（1）溢價反映的是該切片在早期擴散窗口中的市場定價（「目前價格」，而非長期價格）；（2）作為衡量範式，已實現消費暴露承襲了與 AEI 問卷的重度使用者偏差或單一供應商遙測不同的另一種非代表性——兩者都有偏差，但方向不同。目前沒有任何 AI 暴露工具具代表性；每一種工具都會受到其蒐集機制不同程度的偏斜。這是對衡量問題的銳化，而不是解決方案。

開放問題#

**這項溢價是持久的風險價格，還是早期擴散產物？**作者指出樣本期短且變化快速，並稱其為「AI 暴露目前的價格」。隨著 AI 擴散成熟，轉型風險溢價會持續、縮小，還是反轉？
開發者偏差在多大程度上改變答案？ OpenRouter 的切片不具代表性；如果存在一個具代表性的已實現消費面板，它會為相同的公司與技能定價嗎？還是前沿／高強度邊際的集中，部分是使用 OpenRouter 者之抽樣產物？
**為什麼市場推導的技能圖譜與所有基於任務的衡量都正交（<2% 變異）？**市場推導暴露是否捕捉到真正不同的資訊（前瞻性租金、互補／替代的價值而非技術可自動化程度），還是它更嘈雜——勞動影響預測應該信任哪一種？
**代理式溢價目前只有「早期證據」（精確度不足）。**在更長的樣本中，正向代理式溢價是否仍然存在？即使 token 量暴增，每個代理式 token 價格下降（快取＋廉價模型路由）是否會侵蝕美元側訊號？
**「Science 最負向／互動最正向」在樣本外是否成立？**這項發現違反 AI 最後才自動化認知工作的直覺；市場是對的，還是在為暫時性敘事定價？

資料來源#

AI Premium — Nicola Borri, Yukun Liu & Aleh Tsyvinski, AI Premium (arXiv 2606.30583, 2026-06-29; empirical). §1 Introduction（四個部分＋文獻）；§2 Data（OpenRouter 面板、AI Factor 建構）；§3 The AI Premium（投資組合排序表 2–3、Fama-MacBeth 表 4、穩健性表 5、國際比較表 6、顯著成分拆分表 7、事件研究表 8＋圖 2、公司層級圖 3）；§4 Occupations/Tasks/Skills（表 9–10、技能圖譜圖 4）；§5 The Rise of Agentic AI Consumption（圖 5–7、表 11）

市場定價的 AI 暴露（AI 溢價）

資料來源#

摘要#

衡量創新：跨供應商的已實現消費#

AI Premium：AI 暴露有市場定價#

溢價集中在哪裡：高強度、前沿邊際#

不只是科技股上漲或 AI 炒作#

市場推導的技能圖譜：互動技能受益，分析技能受損#

代理式經濟的早期證據#

代表性限制#

相關連結#

開放問題#

資料來源#