Token Taxes: Mitigating AGI's Economic Risks¶

会议: ICLR 2026
arXiv: 2603.04555
代码: 无
领域: AI 治理 / 计算经济学
关键词: AGI 治理, Token 税, 机器人税, 计算治理, 经济风险, AI 安全

一句话总结¶

提出 Token Tax（基于模型推理 token 使用量的附加税）作为缓解后 AGI 时代经济风险的一线治理工具——利用云计算提供商作为中介实施三阶段审计管道（黑盒 token 验证 → 基于规范的税率 → 白盒审计），相比传统机器人税具有两大独特优势：可通过现有计算治理基础设施执行，以及在 AI token 使用地而非模型托管地征收以缓解全球不平等。

研究背景与动机¶

领域现状：AI 安全研究长期聚焦于能力风险（superintelligence、alignment），对 AGI 带来的经济风险研究相对薄弱。然而，早期证据已显示 AI 暴露的早期职业角色失业率上升 16%（Brynjolfsson et al., 2025），历史上第一次工业革命的"恩格尔暂停期"（1790-1830）实际工资停滞 40 年——AGI 可能引发更严重的经济动荡。

现有痛点：AGI 发展威胁经济的三个维度：(1) 政府财政危机——AI 替代劳动使最高税收来源（劳动税）萎缩，同时失业增加支出，双侧削弱公共财政；(2) 公民逐步边缘化（Gradual Disempowerment）——当 AI 成为经济增长引擎，政府失去善待公民的激励，类似委内瑞拉等"食租国"的资源诅咒——靠石油而非劳动创收的国家，公民多陷于贫困；(3) 全球不平等加剧——前沿 AI 芯片和模型公司高度集中在 "Compute North"（美国/中国/少数发达国家），"Compute South"（发展中国家）被迫租用计算资源，AGI 经济收益极不均衡。

核心矛盾：AGI 将在所有经济领域替代人类劳动——与以往自动化特定窄任务不同，AGI 跨行业替代意味着传统基于劳动的税收体系和社会契约将根本性崩溃。现有的"机器人税"提案（企业税/自动化税/取消投资减免）是基于企业的（firm-based），难以跨司法管辖区执行且无法惠及全球。

本文目标：设计一种可执行、基于使用量、能缓解全球不平等的 AGI 时代税收工具。

切入角度：现有 LLM API 已按 token 计费——Token 税作为计费的百分比附加，从技术实现和商业实践上都天然可行。云计算提供商已具备收集计算元数据和监督 AI 工作负载的能力（如 EU AI Act 和 Biden 行政令 14110 中的计算阈值监管），可直接作为税收中介。

核心 idea：在模型推理 token 的销售点征收使用税——可通过现有计算基础设施执行，在使用地而非托管地征收以实现全球公平。

方法详解¶

整体框架¶

Token Tax 定义：应用于模型推理 token 的基于使用量的附加费（usage-based surcharge），在销售点征收。实现方式：以提供商计费的 token 成本为基础加收百分比税（如 10% 税率 × $1/token = $0.10 token 税）。核心架构：云计算提供商作为 AI 模型提供商与政府之间的中介，运行推理、收集 token 计费、通过三阶段审计管道确定税额、向政府报告。

关键设计 1：三阶段审计管道（Staged Audit Pipeline）¶

功能：解决 AI 公司通过低报 token 数量来膨胀利润的核心执行问题
核心思路：三阶段递进——Stage 1（黑盒 Token 审计）：要求云计算提供商收集 token 级使用数据并作为独立验证者，与 AI 公司自报的 token 数交叉核验；Stage 2（基于规范的税率）：借鉴挪威石油税的"Norm Tax"理念——如果公司低报，审计员可参考每类模型的平均 token 使用量标准税率征收，仅需黑盒访问；Stage 3（白盒审计）：法律要求公司向第三方审计员共享推理过程信息，彻底消除博弈空间
设计动机：当前仅模型提供商有权限访问完整生成过程，审计员只能看到输出——这种信息不对称使 token 数低报（如隐藏推理 token）有利可图。三阶段设计从低成本黑盒验证逐步升级到高可信白盒审计，在执行成本与准确性之间取得平衡

关键设计 2：基于使用地的征收以缓解全球不平等¶

功能：确保 AI 消费国（包括 Compute South 发展中国家）也能从 AI 税收中受益
核心思路：传统企业税在企业注册地征收，FLOP 税在计算设施所在地征收——两者都有利于 Compute North。Token 税在 token 被使用的地方征收（point of sale），使任何使用 AI 服务的国家都能获得对应税收。类比增值税（VAT）的消费地征收原则
设计动机：AI 供应链（芯片→训练→推理→API）高度集中在少数国家，如果仅在供给侧征税，Compute South 将被完全排除在 AGI 经济利益之外

关键设计 3：与现有计算治理基础设施的对接¶

功能：利用已有监管框架和技术能力实现可执行性
核心思路：EU AI Act 和 Biden 行政令 14110 已引入基于计算量的监管阈值；云超大规模提供商（AWS/Azure/GCP）已收集计算消耗和工作负载类型元数据——扩展至 token 级数据收集是增量而非革命性变化
设计动机：政策工具的可执行性与其依赖的基础设施成正比——Token 税可搭载现有计算治理基础设施，避免从零建设新的执行机构

与传统机器人税的对比¶

传统机器人税提案包括提高企业税率、征收"自动化税"、取消企业自动化投资税收减免——均为基于企业（firm-based）的方案。Token 税是基于使用（usage-based）的，能在 token 使用的终端精确捕获价值，且与具体企业形态无关。

实验关键数据¶

Token Tax vs 替代方案的多维对比¶

维度	Token Tax	FLOP Tax	传统机器人税（企业税/自动化税）
税基	推理 token 使用量	浮点运算量	企业收入/资本投资
征收点	AI 使用地（point of sale）	计算设施所在地	企业注册地
全球公平性	✅ 有利于 Compute South	❌ 有利于 Compute North	❌ 有利于企业注册国
执行机制	云提供商 token 日志 + 三阶段审计	计算基础设施监控	企业财务审计
可规避性	需三阶段审计防低报	较难规避	转移定价/税基侵蚀可规避
与现有框架兼容	✅ API 按 token 计费已有	✅ EU AI Act 计算阈值已有	⚠️ 需重新定义"机器人"
互补性	可与 FLOP Tax 组合	可与 Token Tax 组合	独立方案

后 AGI 三大经济风险的治理对策映射¶

经济风险	风险机制	Token Tax 应对方式
政府财政危机	AI 替代劳动 → 劳动税收萎缩	以 token 税补充财政收入，对齐所得税率恢复税收中性
公民逐步边缘化	政府不再依赖人类劳动 → 失去善待公民激励	使政府收入与 AI 使用量挂钩 → 维持对公民的回应性
全球不平等加剧	Compute North 垄断 AI 基础设施	在使用地征收 → Compute South 也获得 AI 税收

主要反对论点与回应¶

反对论点	论文回应
Token 税会抑制创新、促使 AI 企业迁移	建议通过 Agent-Based Modeling (ABM) 预测市场影响，LLM-based ABM 已成功模拟大规模社交互动
FLOP 税优于 Token 税	两者并非互斥——最优框架可能是混合方案，FLOP 税捕获训练/计算端，Token 税捕获消费端
AI 超级大国（美国/中国）可否决 Token 税	借鉴 GDPR/EU AI Act 经验——一个"意愿联盟"（如 EU）的区域协议比单国措施更难否决

关键发现¶

Token 税的独特价值在于同时满足可执行性（现有计算治理基础设施）和使用地征收（缓解全球不平等）——现有替代方案最多满足其一
数字服务税（DSTs）在欧洲的实施经验表明，即使面对美国贸易压力，区域协调的消费地征税方案仍可推行
隐藏推理 token（thinking tokens）的出现使审计更复杂（Sun et al., 2025 发现可以检测隐藏 token 的存在），norm-based 税率作为后备方案尤为重要
私有部署（on-premise inference）是 Token 税的主要执行盲区——企业在自有硬件上运行模型时绕过了云计算中介

亮点与洞察¶

将 AI 安全从纯技术风险扩展到经济风险：填补了 AI 治理研究中"经济风险"相对于"能力风险"的注意力失衡——社会不稳定可能先于技术失控到来
"Compute North vs Compute South" 框架：简洁而有力地揭示 AGI 时代的地缘经济格局——先进计算高度集中在少数国家，全球不平等将因 AGI 进一步加剧
"食租国"类比的启发性：委内瑞拉/沙特等靠资源而非劳动创收的国家，公民生活在贫困中——AGI 替代劳动后，所有国家都面临成为"AI食租国"的风险
三阶段审计管道的工程务实性：从低成本黑盒验证逐步升级到白盒审计，每阶段都有单独的可行性——不要求一步到位
Token 税 + FLOP 税的互补视角：论文不排斥竞争方案，而是指出二者可组合——训练端 FLOP 税 + 推理端 Token 税 = 全生命周期覆盖

局限与展望¶

缺乏定量分析：纯政策论文，未提供经济建模、模拟实验或最优税率估算——建议的 ABM 研究停留在提议阶段
私有部署盲区：企业在自有硬件运行模型时完全绕过云计算中介——Token 税的执行依赖云中间商，私有部署场景无解
忽略开源模型：开源模型用户可在任何设备运行推理，无 API 调用记录——Token 税基本无法覆盖
政治可行性分析不足：虽援引 GDPR 先例，但 AI 税收涉及的经济利益和地缘政治博弈远比数据隐私复杂（AI 直接关联国家竞争力和军事能力）
对推理定义的模糊性：未明确 token 的定义——不同模型架构（dense vs MoE, 自回归 vs 扩散）的"token"概念差异巨大
假设云计算集中化趋势持续：如果边缘推理或去中心化计算兴起，云中间商的监督能力将被削弱

评分¶

新颖性: ⭐⭐⭐⭐ 首次系统提出 Token Tax 概念并设计可执行的三阶段审计方案，将 AI 治理从能力风险扩展到经济风险
实验充分度: ⭐⭐ 纯政策分析论文，无量化实验或模拟验证，建议的 ABM 未执行
写作质量: ⭐⭐⭐⭐ 论证结构清晰，三大风险→两大优势→三阶段审计→三个反对论点的逻辑链完整
价值: ⭐⭐⭐⭐ 在 AI 治理领域提出了具有实际政策指导意义的框架，但缺乏定量支撑限制了说服力