論文の概要: The Economics of AI Inference: Inflation Dynamics, Welfare Costs, and Optimal Monetary Policy under the Inference-Cost Phillips Curve

• arxiv url: http://arxiv.org/abs/2605.20281v1
• Date: Tue, 19 May 2026 05:26:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.265001
• Title: The Economics of AI Inference: Inflation Dynamics, Welfare Costs, and Optimal Monetary Policy under the Inference-Cost Phillips Curve
• Title（参考訳）: AI推論の経済学:インフレーションダイナミクス、福祉コスト、そして推論-コストフィリップス曲線の下での最適通貨政策
• Authors: Gustav Olaf Yunus Laitinen-Fredriksson Lundström-Imanov,
• Abstract要約: 我々は、人工知能推論コストの統一的ミクロ経済・金融理論と、インフレ、福祉、最適金融政策へのパススルーを開発する。 Inference-Cost Phillips Curve (ICPC, Inference-Cost Phillips Curve)は、非自明なAIコンポーネントバーを含む、差別化された商品を製造するためのファームレベルの限界コストを増大させる、ニューケインシアン・フィリップス曲線である。 我々は、推論コストショック下での消費者福祉のHicks-Kaldor分解を導出し、最適な金融政策対応係数を特徴づける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a unified microeconomic and monetary theory of artificial intelligence inference costs and their pass-through to inflation, welfare, and optimal monetary policy. We introduce the Inference-Cost Phillips Curve (ICPC), an augmented New Keynesian Phillips curve in which firm-level marginal costs of producing differentiated goods include a non-trivial AI inference component lambda-bar, and prove a closed-form structural slope kappa*_inf = lambda-bar * kappa, where kappa is the standard Calvo-Yun slope. We derive a welfare-relevant Hicks-Kaldor decomposition of consumer welfare under inference-cost shocks, prove a generalized Taylor principle for the inference-augmented economy, and characterize the optimal monetary policy response coefficient psi*_inf = (1 + phi*rho) * lambda-bar * kappa under commitment. A second-order welfare loss formula closes the model in closed form. We confront the theory with U.S. monthly data 2022:M01-2026:M04 using a two-step GMM estimator with Newey-West HAC standard errors and Hansen J-test, recovering an empirical slope kappa-hat_inf = 0.087 (HAC s.e. 0.021) which lies within one standard error of the structural prediction. A scaling regression over 50 rolling-window subwindows yields b-hat = 0.987 (R^2 = 0.998), consistent with a near-unit-elasticity pass-through. A G7 reduced-form panel with Driscoll-Kraay HAC standard errors yields b-hat^G7 = 0.094 (s.e. 0.026), and a Wald test fails to reject cross-country homogeneity (p = 0.78). The framework provides a single equilibrium scaffold for the joint study of AI inference cost dynamics, monetary policy under generative-AI shocks, and the welfare cost of inference-driven inflation.
• Abstract（参考訳）: 我々は、人工知能推論コストの統一的ミクロ経済・金融理論と、インフレ、福祉、最適金融政策へのパススルーを開発する。 Inference-Cost Phillips Curve (ICPC)は、非自明なAI推論コンポーネントであるlambda-barを含む、差別化された商品を生産するファームレベルの限界コストを増大させるニューケインシアン・フィリップス曲線であり、カッパが標準カルボ・ユン斜面である閉形式構造斜面であるkappa*_inf = lambda-bar * kappaを証明している。 我々は、推論コストショック下での消費者福祉のHicks-Kaldor分解を導出し、推論強化経済のための一般化されたテイラー原理を証明し、最適金融政策対応係数 psi*_inf = (1 + phi*rho) * lambda-bar * kappa をコミットメントの下で特徴づける。 2階の福祉損失公式は、モデルを閉じた形で閉じる。 我々は、Newey-West HAC標準誤差を持つ2段階のGMM推定器とHansen J-testを用いて、アメリカの月次データ2022:M01-2026:M04を用いてこの理論に直面し、構造予測の標準誤差の1つの内にある経験的勾配Kappa-hat_inf = 0.087 (HAC s.e. 0.021)を復元する。 50個のローリングウインドウサブウィンドウのスケーリング回帰は b-hat = 0.987 (R^2 = 0.998) となり、ほぼ単位-弾性パススルーと一致する。 Driscoll-Kraay HAC 標準誤差を持つ G7 還元形式パネルは b-hat^G7 = 0.094 (s. 0.026) となり、ウォルド試験はクロスカントリー同質性 (p = 0.78) を拒絶しない。 このフレームワークは、AI推論コストのダイナミクス、生成AIショック下での金融政策、推論駆動インフレーションの福祉コストの共同研究のための単一の均衡足場を提供する。

関連論文リスト

• Generalized Distributional Alignment Games for Unbiased Answer-Level Fine-Tuning [49.24876001249647]
  分散アライメントゲームフレームワークは、Answer-Level Fine-Tuning(ALFT)の強力な変分的視点を提供する これらのゲームの標準的なアルゴリズムは、小さなバッチから対数報酬を推定することに依存しており、ジェンセンの不等式により訓練を不安定にできる体系的なバイアスが生じる。 我々は、アライメントゲームを任意のブレグマン発散に一般化し、報酬を誘導する幾何の族に対して、証明可能な正確で偏りのない推定器を構築することができることを示す。
  論文  参考訳（メタデータ） (2026-05-04T10:34:42Z)
• Artificial Intelligence and Systemic Risk: A Unified Model of Performative Prediction, Algorithmic Herding, and Cognitive Dependency in Financial Markets [0.7016842616745783]
  我々は,金融市場におけるAI導入が3つの相互強化チャネルを通じてシステム的リスクを生み出す統一モデルを構築した。 このモデルは、バーゼルIII反環状バッファと比較して経済的に有意な18〜54%のテールロス増幅を示唆している。
  論文  参考訳（メタデータ） (2026-03-23T06:47:55Z)
• Neural Demand Estimation with Habit Formation and Rationality Constraints [0.0]
  我々は、KL分散を最小化して、単純度に基づく予算共有を見積もる、継続的な予算配分のためのフレキシブルなニューラルネットワーク需要システムを開発する。 本研究は, 添加習慣は, サンプル外誤差をc.33%低減し, 代替パターンを再現し, 静的モデルと比較して約15～16%の値上がりからCV損失を増加させることを示した。
  論文  参考訳（メタデータ） (2026-03-02T19:01:06Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Mutual Information Collapse Explains Disentanglement Failure in $β$-VAEs [4.155522769716163]
  $-VAEは、教師なしのアンカンジメントのためのフレームワークである。 MIGやSAPなどのベンチマークは、通常、中間の$でピークに達し、正規化が増加するにつれて崩壊する。 情報崩壊から正規化圧力を分離する$-VAEを導入する。
  論文  参考訳（メタデータ） (2026-02-09T23:38:11Z)
• A Theoretical and Empirical Taxonomy of Imbalance in Binary Classification [0.0]
  我々は、不均衡が差別境界をいかに変化させるかを示し、通常、マイルド、エクストリーム、カタストロフィの4つの状態を予測する劣化勾配を生じさせる。 パラメトリックモデルと非パラメトリックモデル全体で、経験的劣化は理論的な予測に密接に従う。 これらの結果は、三重項 $(,,)$ がモデルに依存しない幾何的基底を持つ不均衡による劣化の説明を提供することを示している。
  論文  参考訳（メタデータ） (2026-01-07T18:02:11Z)
• Rational Adversaries and the Maintenance of Fragility: A Game-Theoretic Theory of Rational Stagnation [0.0]
  本稿では、合理的な敵によって維持される均衡として、そのような「合理的な停滞」を説明する。 ソーシャルメディアのアルゴリズムや政治的信頼への応用は、敵が故意に合理性を維持する方法を示している。
  論文  参考訳（メタデータ） (2025-10-25T09:28:15Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• Robust PAC$^m$: Training Ensemble Models Under Misspecification and Outliers [46.38465729190199]
  PAC-ベイズ理論は、ベイズ学習によって最小化された自由エネルギー基準が、ギブス予想器の一般化誤差に束縛されていることを証明している。 この研究は、一般化されたスコア関数とPAC$m$アンサンブル境界を組み合わせた、新しい堅牢な自由エネルギー基準を示す。
  論文  参考訳（メタデータ） (2022-03-03T17:11:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。