作者：郑立（暨南大学经济与社会科研院助理教授）
在美剧《西部世界》第三季中，将来的人类世界有一个名为“雷荷波”的系统，它是一个把握了人类社会所有信息、能计算出将来任何可能性、给出任何问题答案的人工智能系统。毫无疑问，只要持有这般全知全能的系统，非常多人类的技能和工作都能被替代。现实世界里无“雷荷波”，但它背面的原理——设备学习却在近年来蓬勃发展，并深刻影响着咱们的“饭碗”。人们似乎应该愈发担忧：我的工作在将来会不会被算法取代？
什么是设备学习？Brynjolfsson and Mitchell (2017)将设备学习归类为人工智能的一个子行业，其科研“咱们怎样创立计算机程序，使其经过经验自动提高处理任务的能力”。如同设备人和自动化同样，设备学习亦能够看作是一项通用技术。
在这儿，咱们能够将设备学习理解为一类用于“预测”的计算机算法：咱们将数据输入算法中，由设备来“学习”数据中的规律，最后输出咱们想要的结果。例如咱们向系统输入一个人的膳食偏好和当天行程，而后让系统输出这个人今晚想吃的菜。
事实上，非常多统计、计量经济学和计算机模型都能够被纳入这个“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。通常咱们所说的设备学习更倾向于由“数据驱动”的办法得到结果，力求预测的准确性，而非由科研者对实质问题进行建模。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提高，由数据驱动的设备学习得到了迅猛的发展。
今天，设备学习对各行各业的影响已然无处不在，并且愈加深化。人力资源分部能够把招聘、员工升职和调动等工作中的简历筛选任务交给设备学习，经常需要处理海量邮件和tel的办公室文员能够利用设备学习进行自动回复，外科大夫做手术时能够借助图像识别和设备学习算法的实时意见进行操作。
近年来涌现了不少实证科研探讨人工智能算法在工作中帮助人类决策的功效。Hong et al. (2019)创立了一个统计模型分析人工智能算法在医学诊断中的功效，并应用于分析大夫对危害妊娠的诊断，她们发掘人工智能的预测对大夫诊断是有益的，尤其是农村地区的大夫。在法院庭审前，法官一般要按照对被告人的判断来决定是不是同意保释。Kleinberg et al. (2018)模拟了用人工智能算法代替法官来进行判断，结果显示在保持保释比例不变的状况下，运用人工智能算法能够减少24.8%的（保释后）犯罪率。
设备学习如此强大，咱们难免担心，算法会不会完全取代人类？咱们的饭碗会不会丢？要探讨这个问题，咱们应该先理解设备学习是怎样影响咱们的工作的。Autor et al. (2003)将一个工作（job）看作一系列任务（task）的组合，分析设备学习是怎样影响一个个详细的任务，而不是做为整体的职业或工作。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）。预测任务是设备学习的强项，在充足的数据量和强大的算力支持下，设备学习在自然语言处理、图像识别等方面已然能超越人类。设备学习在预测上的优良重点表现精确度高、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，来做出工作的最后决定。鉴于日前法律和伦理道德的约束，日前决策任务绝大多数依然需要由人来执行。因此呢，设备学习能替代或改变的是工作中的预测任务。例如一家基金机构利用上市机构业绩、宏观经济指标等数据，由设备学习算法预测出上市机构的表现，得出选股和权重的意见，最后由基金经理做出配置的决策。
设备学习的影响表现在两方面。一方面，设备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需要。另一方面，设备学习在预测任务上的表现提高了人类在决策任务上的资本或劳动的相对报答，从而加强了整体的劳动生产率。更进一步，设备学习在预测任务上的成功还会加速其决策任务上设备学习取代人类决策。例如日前的自动驾驶技术尚未完全成熟，通常而言自动驾驶系统只负责预测任务：经过传感器获取周边环境数据，按照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意见，但最后决策需要人类执行，这是由于在自动驾驶中出错的代价非常大。能够想象随着自动驾驶系统的预测能力持续进步，由算法代替人类决策的相对报答率将越来越高，最后实现真正的无人驾驶。
咱们把设备学习的影响投射到详细的工作任务，而不是一份工作上。因此呢，在担忧被设备学习和算法抢走工作的时候，咱们应该认真思考，自己持有的技能和能完成的任务是不是足够强大？倘若劳动者的核心技能以预测任务为主，那样就有很强危害被人工智能淘汰。相反的，倘若劳动者的核心技能是复合型的，拥有较繁杂的决策任务，需求具备非结构性的认知能力、社会互动能力、创新能力，那样人工智能就难以取代。乃至设备学习所带来的更强大的预测能力还会提高劳动者的生产力，让劳动者享受到技术进步的红利。
设备学习对工作任务的影响在区别职业种类有很大差别。Levy (2017)指出，非常多低工资的职业（如门卫、清洁员、家庭健康助手等）很难被自动化取代，由于这些工作需要非结构化的体力活动和社会互动；非常多高工资的职业亦很难被自动化取代，由于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设备学习影响。区别职业内部亦可能有所差别，如律师的技能似乎很难被算法轻易取代，但以往一般交给青年律师的文档归类的任务，如今正在被设备学习取代。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危害，分析指出美国有47%的就业岗位在将来二十年存在被计算机化的高危害，包含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。
设备学习还可能经过改变某个行业的技术来间接影响其关联行业的劳动力市场状况。Brynjolfsson et al. (2019)考察了在eBay上引入设备翻译系统eMT(eBay Machine Translation)对国际贸易的影响，她们发掘引入eMT使得美国对拉丁美洲国家的出口增多了17.5%。增多的贸易额将带来贸易活动的增多，从而刺激上下游关联产业的就业。另一个例子是药品开发。如Atomwise, Two XAR等机构利用设备学习算法来发掘特定的小分子化合物，其更精确的药品发掘过程能极重地加强下游药品测试行业的工作效率，降低成本加强收益，从而加强该行业的就业和工资水平。更进一步，药品测试效率的加强还将提高将药品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。
设备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需求，从而经过影响行业准入门槛而影响劳动力市场。一个典型例子便是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熟练，乘客报一个地名就要在大脑中快速“计算”出最优的路线，准入门槛因此呢较高。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。
日前有非常多行业都起始显现设备学习的影子，乃至包含咱们始终觉得设备难以“学习”的行业。例如在围棋行业，与电脑人工智能对局已然作为如今职业围棋选手的重要训练方式；在音乐创造行业，索尼推出了人工智能辅助的作曲软件；在历史学考古学行业，我国专家用人工智能技术成功识别出了失传数年的西夏文。设备学习以其强大的预测能力和数据驱动的方式改变了非常多行业始终保有的职业特点和工作内容，这对从业者来讲是需要持续去适应的。设备学习还会催生一批新的工作岗位的诞生，如数据专家、人工智能测试人员等。
对劳动者来讲，汹涌而来的设备学习浪潮既是机遇亦是挑战。在担忧算法会不会抢走咱们饭碗的同期，咱们亦应该思考：应该怎样把握和利用这次新的技术革命？
笔者认为，劳动者首要应当着力提高自己相针对“设备”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构成。另外，在职业的选取方面，咱们亦应该充分思虑人工智能的影响。最后，人工智能和设备学习的技术发展日新月异，对劳动者的技能进步需求持续加强，培养终身学习的习惯、保持谦卑的心理，才可在持续变化的时代中占据领先。
参考文献目录
Autor D H, Levy F, Murnane R J. The skill content of recent technological change: An empirical exploration[J]. The Quarterly journal of economics, 2003, 118(4): 1279-1333.
Brynjolfsson E, Hui X, Liu M. Does machine translation affect international trade? Evidence from a large digital platform[J]. Management Science, 2019, 65(12): 5449-5460.
Brynjolfsson E, Mitchell T. What can machine learning do? Workforce implications[J]. Science, 2017, 358(6370): 1530-1534.
Frey C B, Osborne M A. The future of employment: How susceptible are jobs to computerisation?[J]. Technological forecasting and social change, 2017, 114: 254-280.
Hong, H., Lin, X., Tang, K., & Wang, J. (2019). Artificial-Intelligence Assisted Decision Making: A Statistical Framework. Available at SSRN 3508224.
Kleinberg J, Lakkaraju H, Leskovec J, et al. Human decisions and machine predictions[J]. The quarterly journal of economics, 2018, 133(1): 237-293.
Levy F. Computers and populism: artificial intelligence, jobs, and politics in the near term[J]. Oxford Review of Economic Policy, 2018, 34(3): 393-417.
本文首发在界面资讯，点击“阅读原文”就可查看。  郑立
暨南大学经济与社会科研院助理教授，美国德州农工大学经济学博士。科研行业：计量经济学、实证产业组织、应用计量经济学。
---制作：IESR宣传团队---
---编辑：武茜---
| 
发表于