【界面资讯】人工智能与劳动力市场：我的工作会不会被算法取代？
<img src="https://mmbiz.qpic.cn/mmbiz_jpg/nGBvNAJgWAkm3LjHAguQgVxnaf9VBojO90RNjFDWw7oD1Un3UfMSAUoQicbAy6g9YW8AgPIZv1tRgcXfAvjvEVw/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1" style="width: 50%; margin-bottom: 20px;"><p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">作者：郑立（暨南大学经济与社会<span style="color: black;">科研</span>院助理教授）</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">在美剧《西部世界》第三季中，<span style="color: black;">将来</span>的人类世界有一个名为“雷荷波”的系统，它是一个<span style="color: black;">把握</span>了人类社会所有信息、能计算出<span style="color: black;">将来</span>任何可能性、给出任何问题答案的人工智能系统。毫无疑问，只要<span style="color: black;">持有</span><span style="color: black;">这般</span>全知全能的系统，<span style="color: black;">非常多</span>人类的技能和工作都能被替代。现实世界里<span style="color: black;">无</span>“雷荷波”，但它<span style="color: black;">背面</span>的原理——<span style="color: black;">设备</span>学习却在近年来蓬勃发展，并深刻影响着<span style="color: black;">咱们</span>的“饭碗”。人们似乎应该愈发担忧：我的工作在<span style="color: black;">将来</span>会不会被算法取代？</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">什么是<span style="color: black;">设备</span>学习？Brynjolfsson and Mitchell (2017)将<span style="color: black;">设备</span>学习归类为人工智能的一个子<span style="color: black;">行业</span>，其<span style="color: black;">科研</span>“<span style="color: black;">咱们</span><span style="color: black;">怎样</span><span style="color: black;">创立</span>计算机程序，使其<span style="color: black;">经过</span>经验自动<span style="color: black;">提高</span>处理任务的能力”。如同<span style="color: black;">设备</span>人和自动化<span style="color: black;">同样</span>，<span style="color: black;">设备</span>学习<span style="color: black;">亦</span><span style="color: black;">能够</span>看作是一项通用技术。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">在<span style="color: black;">这儿</span>，<span style="color: black;">咱们</span><span style="color: black;">能够</span>将<span style="color: black;">设备</span>学习理解为一类用于“预测”的计算机算法：<span style="color: black;">咱们</span>将数据输入算法中，由<span style="color: black;">设备</span>来“学习”数据中的规律，最后输出<span style="color: black;">咱们</span>想要的结果。例如<span style="color: black;">咱们</span>向系统输入一个人的<span style="color: black;">膳食</span>偏好和当天行程，<span style="color: black;">而后</span>让系统输出这个人今晚想吃的菜。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">事实上，<span style="color: black;">非常多</span>统计、计量经济学和计算机模型都<span style="color: black;">能够</span>被纳入这个“预测算法”的大类中，从经典的回归模型到前沿的深度学习等。<span style="color: black;">通常</span><span style="color: black;">咱们</span>所说的<span style="color: black;">设备</span>学习更倾向于由“数据驱动”的<span style="color: black;">办法</span><span style="color: black;">得到</span>结果，力求预测的准确性，而非由<span style="color: black;">科研</span>者对<span style="color: black;">实质</span>问题进行建模。在如今的“大数据”时代，得益于数据量的膨胀以及计算机算力的<span style="color: black;">提高</span>，由数据驱动的<span style="color: black;">设备</span>学习得到了迅猛的发展。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">今天，<span style="color: black;">设备</span>学习对各行各业的影响<span style="color: black;">已然</span>无处不在，并且愈加深化。人力资源<span style="color: black;">分部</span><span style="color: black;">能够</span>把招聘、员工升职和调动等工作中的简历筛选任务交给<span style="color: black;">设备</span>学习，经常需要处理<span style="color: black;">海量</span>邮件和<span style="color: black;">tel</span>的办公室文员<span style="color: black;">能够</span>利用<span style="color: black;">设备</span>学习进行自动回复，外科<span style="color: black;">大夫</span>做手术时<span style="color: black;">能够</span>借助图像识别和<span style="color: black;">设备</span>学习算法的实时<span style="color: black;">意见</span>进行操作。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">近年来涌现了不少实证<span style="color: black;">科研</span>探讨人工智能算法在工作中<span style="color: black;">帮助</span>人类决策的<span style="color: black;">功效</span>。Hong et al. (2019)<span style="color: black;">创立</span>了一个统计模型分析人工智能算法在医学诊断中的<span style="color: black;">功效</span>，并应用于分析<span style="color: black;">大夫</span>对<span style="color: black;">危害</span>妊娠的诊断，<span style="color: black;">她们</span><span style="color: black;">发掘</span>人工智能的预测对<span style="color: black;">大夫</span>诊断是有益的，尤其是农村地区的<span style="color: black;">大夫</span>。在法院庭审前，法官<span style="color: black;">一般</span>要<span style="color: black;">按照</span>对被告人的判断来决定<span style="color: black;">是不是</span>同意保释。Kleinberg et al. (2018)模拟了用人工智能算法代替法官来进行判断，结果<span style="color: black;">显示</span>在保持保释比例不变的<span style="color: black;">状况</span>下，<span style="color: black;">运用</span>人工智能算法<span style="color: black;">能够</span>减少24.8%的（保释后）犯罪率。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;"><span style="color: black;">设备</span>学习如此强大，<span style="color: black;">咱们</span><span style="color: black;">难免</span>担心，算法会不会完全取代人类？<span style="color: black;">咱们</span>的饭碗会不会丢？要探讨这个问题，<span style="color: black;">咱们</span>应该先理解<span style="color: black;">设备</span>学习是<span style="color: black;">怎样</span>影响<span style="color: black;">咱们</span>的工作的。Autor et al. (2003)将一个工作（job）看作一系列任务（task）的组合，分析<span style="color: black;">设备</span>学习是<span style="color: black;">怎样</span>影响一个个<span style="color: black;">详细</span>的任务，而不是<span style="color: black;">做为</span>整体的职业<span style="color: black;">或</span>工作。Agrawal et al. (2019)将任务进一步分为预测任务（prediction task）和决策任务（decision task）。预测任务是<span style="color: black;">设备</span>学习的强项，在充足的数据量和强大的算力支持下，<span style="color: black;">设备</span>学习在自然语言处理、图像识别等方面<span style="color: black;">已然</span>能超越人类。<span style="color: black;">设备</span>学习在预测上的<span style="color: black;">优良</span><span style="color: black;">重点</span><span style="color: black;">表现</span>精确度高、耗时少、不确定性降低。决策任务基于预测任务给出的预测值，来做出工作的<span style="color: black;">最后</span>决定。鉴于<span style="color: black;">日前</span>法律和伦理道德的约束，<span style="color: black;">日前</span>决策任务绝大多数依然需要由人来执行。<span style="color: black;">因此呢</span>，<span style="color: black;">设备</span>学习能替代<span style="color: black;">或</span>改变的是工作中的预测任务。例如一家基金<span style="color: black;">机构</span>利用上市<span style="color: black;">机构</span>业绩、宏观经济指标等数据，由<span style="color: black;">设备</span>学习算法预测出上市<span style="color: black;">机构</span>的表现，得出选股和权重的<span style="color: black;">意见</span>，最后由基金经理做出配置的决策。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;"><span style="color: black;">设备</span>学习的影响<span style="color: black;">表现</span>在两方面。一方面，<span style="color: black;">设备</span>学习取代了人类在预测任务上的工作，从而减少了劳动力的<span style="color: black;">需要</span>。另一方面，<span style="color: black;">设备</span>学习在预测任务上的表现<span style="color: black;">提高</span>了人类在决策任务上的资本或劳动的相对<span style="color: black;">报答</span>，从而<span style="color: black;">加强</span>了整体的劳动生产率。更进一步，<span style="color: black;">设备</span>学习在预测任务上的成功还会加速其决策任务上<span style="color: black;">设备</span>学习取代人类决策。<span style="color: black;">例如</span><span style="color: black;">日前</span>的自动驾驶技术尚未完全成熟，<span style="color: black;">通常</span>而言自动驾驶系统只负责预测任务：<span style="color: black;">经过</span>传感器获取周边环境数据，<span style="color: black;">按照</span>系统内已有的人类驾驶员的决策数据对当前环境做出驾驶<span style="color: black;">意见</span>，但<span style="color: black;">最后</span>决策需要人类执行，这是<span style="color: black;">由于</span>在自动驾驶中出错的代价非常大。<span style="color: black;">能够</span>想象随着自动驾驶系统的预测能力<span style="color: black;">持续</span>进步，由算法代替人类决策的相对<span style="color: black;">报答</span>率将越来越高，<span style="color: black;">最后</span>实现真正的无人驾驶。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;"><span style="color: black;">咱们</span>把<span style="color: black;">设备</span>学习的影响投射到<span style="color: black;">详细</span>的工作任务，而不是一份工作上。<span style="color: black;">因此呢</span>，在担忧被<span style="color: black;">设备</span>学习和算法抢走工作的时候，<span style="color: black;">咱们</span>应该认真思考，自己<span style="color: black;">持有</span>的技能和能完成的任务是不是足够强大？<span style="color: black;">倘若</span>劳动者的核心技能以预测任务为主，<span style="color: black;">那样</span>就有<span style="color: black;">很强</span><span style="color: black;">危害</span>被人工智能淘汰。相反的，<span style="color: black;">倘若</span>劳动者的核心技能是复合型的，<span style="color: black;">拥有</span>较<span style="color: black;">繁杂</span>的决策任务，<span style="color: black;">需求</span>具备非结构性的认知能力、社会互动能力、创新能力，<span style="color: black;">那样</span>人工智能就难以取代。<span style="color: black;">乃至</span><span style="color: black;">设备</span>学习所带来的更强大的预测能力还会<span style="color: black;">提高</span>劳动者的生产力，让劳动者享受到技术进步的红利。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;"><span style="color: black;">设备</span>学习对工作任务的影响在<span style="color: black;">区别</span>职业种类有很大差别。Levy (2017)指出，<span style="color: black;">非常多</span>低工资的职业（如门卫、清洁员、家庭健康助手等）很难被自动化取代，<span style="color: black;">由于</span>这些工作需要非结构化的体力活动和社会互动；<span style="color: black;">非常多</span>高工资的职业<span style="color: black;">亦</span>很难被自动化取代，<span style="color: black;">由于</span>这些工作需要非结构化的认知能力和社会互动。相对的，中等工资、中等技能的职业则相对较容易受<span style="color: black;">设备</span>学习影响。<span style="color: black;">区别</span>职业内部<span style="color: black;">亦</span>可能有所差别，如律师的技能似乎很难被算法轻易取代，但以往<span style="color: black;">一般</span>交给<span style="color: black;">青年</span>律师的文档归类的任务，如今正在被<span style="color: black;">设备</span>学习取代。Frey and Obsnorne (2013)将O*NET职业调查数据的职业划分为可自动化与不可自动化的，估计了702个职业被计算机化的<span style="color: black;">危害</span>，分析指出美国有47%的就业岗位在<span style="color: black;">将来</span>二十年存在被计算机化的高<span style="color: black;">危害</span>，<span style="color: black;">包含</span>运输和物流行业的工人、办公室行政人员、工厂流水线工人等等。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;"><span style="color: black;">设备</span>学习还可能<span style="color: black;">经过</span>改变某个行业的技术来间接影响其<span style="color: black;">关联</span>行业的劳动力市场<span style="color: black;">状况</span>。Brynjolfsson et al. (2019)考察了在eBay上引入<span style="color: black;">设备</span>翻译系统eMT(eBay Machine Translation)对国际贸易的影响，<span style="color: black;">她们</span><span style="color: black;">发掘</span>引入eMT使得美国对拉丁美洲国家的出口<span style="color: black;">增多</span>了17.5%。<span style="color: black;">增多</span>的贸易额将带来贸易活动的<span style="color: black;">增多</span>，从而刺激上下游<span style="color: black;">关联</span>产业的就业。另一个例子是<span style="color: black;">药品</span><span style="color: black;">开发</span>。如Atomwise, Two XAR等<span style="color: black;">机构</span>利用<span style="color: black;">设备</span>学习算法来<span style="color: black;">发掘</span>特定的小分子化合物，其更精确的<span style="color: black;">药品</span><span style="color: black;">发掘</span>过程能<span style="color: black;">极重</span>地<span style="color: black;">加强</span>下游<span style="color: black;">药品</span>测试行业的工作效率，降低成本<span style="color: black;">加强</span>收益，从而<span style="color: black;">加强</span>该行业的就业和工资水平。更进一步，<span style="color: black;">药品</span>测试效率的<span style="color: black;">加强</span>还将<span style="color: black;">提高</span>将<span style="color: black;">药品</span>市场化的企业的生产力，继续带动下游行业的就业和工资增长。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;"><span style="color: black;">设备</span>学习的加入有时会直接改变行业的工作内容以及对劳动者的技能<span style="color: black;">需求</span>，从而<span style="color: black;">经过</span>影响行业准入门槛而影响劳动力市场。一个典型例子<span style="color: black;">便是</span>出租车行业和导航系统。以往的出租车司机必须对城市的道路非常<span style="color: black;">熟练</span>，乘客报一个地名就要在大脑中<span style="color: black;">快速</span>“计算”出最优的路线，准入门槛<span style="color: black;">因此呢</span>较高。而导航系统的到来使得司机的“认路”技能无处施展，准入门槛大大降低，直接改变了城市出租车行业的劳动力市场。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;"><span style="color: black;">日前</span>有<span style="color: black;">非常多</span>行业都<span style="color: black;">起始</span><span style="color: black;">显现</span><span style="color: black;">设备</span>学习的影子，<span style="color: black;">乃至</span><span style="color: black;">包含</span><span style="color: black;">咱们</span><span style="color: black;">始终</span>觉得<span style="color: black;">设备</span>难以“学习”的<span style="color: black;">行业</span>。<span style="color: black;">例如</span>在围棋<span style="color: black;">行业</span>，与电脑人工智能对局<span style="color: black;">已然</span><span style="color: black;">作为</span>如今职业围棋选手的重要训练方式；在音乐创造<span style="color: black;">行业</span>，索尼推出了人工智能辅助的作曲软件；在历史学考古学<span style="color: black;">行业</span>，我国<span style="color: black;">专家</span>用人工智能技术成功识别出了失传<span style="color: black;">数年</span>的西夏文。<span style="color: black;">设备</span>学习以其强大的预测能力和数据驱动的方式改变了<span style="color: black;">非常多</span>行业<span style="color: black;">始终</span>保有的职业特点和工作内容，这对从业者<span style="color: black;">来讲</span>是需要<span style="color: black;">持续</span>去适应的。<span style="color: black;">设备</span>学习还会催生一批新的工作岗位的诞生，如数据<span style="color: black;">专家</span>、人工智能测试人员等。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">对劳动者<span style="color: black;">来讲</span>，汹涌而来的<span style="color: black;">设备</span>学习浪潮既是机遇<span style="color: black;">亦</span>是挑战。在担忧算法会不会抢走<span style="color: black;">咱们</span>饭碗的<span style="color: black;">同期</span>，<span style="color: black;">咱们</span><span style="color: black;">亦</span>应该思考：应该<span style="color: black;">怎样</span>把握和利用这次新的技术革命？</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">笔者认为，劳动者<span style="color: black;">首要</span>应当着力<span style="color: black;">提高</span>自己相<span style="color: black;">针对</span>“<span style="color: black;">设备</span>”而言的“核心技能”。正如上文所说，简单的预测任务以外的决策能力、非结构性的认知和非认知能力、创新能力等，是人工智能时代的人力资本的重要<span style="color: black;">构成</span>。<span style="color: black;">另外</span>，在职业的<span style="color: black;">选取</span>方面，<span style="color: black;">咱们</span><span style="color: black;">亦</span>应该充分<span style="color: black;">思虑</span>人工智能的影响。最后，人工智能和<span style="color: black;">设备</span>学习的技术发展日新月异，对劳动者的技能进步<span style="color: black;">需求</span><span style="color: black;">持续</span><span style="color: black;">加强</span>，培养终身学习的习惯、保持谦卑的<span style="color: black;">心理</span>，<span style="color: black;">才可</span>在<span style="color: black;">持续</span>变化的时代中占据领先。</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;"><span style="color: black;">参考文献目录</span></strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">Autor D H, Levy F, Murnane R J. The skill content of recent technological change: An empirical exploration. The Quarterly journal of economics, 2003, 118(4): 1279-1333.</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">Brynjolfsson E, Hui X, Liu M. Does machine translation affect international trade? Evidence from a large digital platform. Management Science, 2019, 65(12): 5449-5460.</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">Brynjolfsson E, Mitchell T. What can machine learning do? Workforce implications. Science, 2017, 358(6370): 1530-1534.</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">Frey C B, Osborne M A. The future of employment: How susceptible are jobs to computerisation?. Technological forecasting and social change, 2017, 114: 254-280.</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">Hong, H., Lin, X., Tang, K., & Wang, J. (2019). Artificial-Intelligence Assisted Decision Making: A Statistical Framework. Available at SSRN 3508224.</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">Kleinberg J, Lakkaraju H, Leskovec J, et al. Human decisions and machine predictions. The quarterly journal of economics, 2018, 133(1): 237-293.</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">Levy F. Computers and populism: artificial intelligence, jobs, and politics in the near term. Oxford Review of Economic Policy, 2018, 34(3): 393-417.</span></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">本文首发在界面<span style="color: black;">资讯</span>，点击“阅读原文”<span style="color: black;">就可</span>查看。</p><img src="https://mmbiz.qpic.cn/mmbiz_jpg/nGBvNAJgWAkm3LjHAguQgVxnaf9VBojO8rpibmdUkFloKCMgVmmU6pdUjZq4XricvyVK5P0PvThXia05uPEjnthYA/640?wx_fmt=jpeg&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1" style="width: 50%; margin-bottom: 20px;"><strong style="color: blue;">郑立</strong>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">暨南大学经济与社会<span style="color: black;">科研</span>院助理教授，美国德州农工大学经济学博士。<span style="color: black;">科研</span><span style="color: black;">行业</span>：计量经济学、实证产业组织、应用计量经济学。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">---制作：IESR宣传团队---</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">---编辑：武茜---</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><img src="https://mmbiz.qpic.cn/mmbiz_png/nGBvNAJgWAkJO5t8kO2ypeiaP2Yeev7EUia7pE9ObF81BALFHUBxdxUENpzmPcHvzNY0EqW3dLNJicOmKugoVXkCQ/640?wx_fmt=png&tp=webp&wxfrom=5&wx_lazy=1&wx_co=1" style="width: 50%; margin-bottom: 20px;"></p>
谷歌外链发布 http://www.fok120.com/ 你说得对，我们一起加油，未来可期。 你说得对，我们一起加油，未来可期。 我完全同意你的看法，期待我们能深入探讨这个问题。
页:
[1]