1700514040
1700514041
综上所述，我相信我们可以确定以下几件事：第一，在工业时代，新技术带来了长期就业机会增长和工资水平的增长；第二，新的GPTs依然很罕见且重要，应单独评估各个GPT对于就业的影响；第三，在被广泛认可的三个GPTs中，蒸汽动力和电气化同时推动了生产力和就业率提高，ICT提高了生产力却不一定增加就业；第四，人工智能也会是一种GPT，它偏重于技能，应用速度快（受到数字传播、风险投资和中国影响力的加持），这两个特性表明人工智能会对就业和收入分配产生不利影响。
1700514042
1700514043
如果上述论据正确，那接下来的问题就很清楚了：哪些工作会受到冲击？情况究竟有多糟？
1700514044
1700514045
AI·未来 [:1700512295]
1700514046
人工智能的“可以”与“不可以”
1700514047
1700514048
分析人工智能取代工作岗位，不能仅仅用传统“低技能”对比“高技能”的单一维度来分析。人工智能既会产生赢家，也会产生输家，这取决于具体工作内容。尽管人工智能可以在基于数据优化的少数工作中远胜人类，但它无法自然地与人类互动，肢体动作不像人类那么灵巧，也做不到创意地跨领域思考或其他一些需要复杂策略的工作（因为这些工作投入的要素和结果无法轻易量化）。下面我用两张图来解释一下，第一张分析体力劳动，第二张分析脑力劳动。
1700514049
1700514050
1700514051
1700514052
1700514053
就业风险评估图：体力劳动
1700514054
1700514055
1700514056
1700514057
1700514058
就业风险评估图：脑力劳动
1700514059
1700514060
对于体力劳动来说，X轴左边是“低技能、结构化”，右边是“高技能、非结构化”。Y轴下边是“弱社交”，上边是“强社交”。脑力劳动图的Y轴与体力劳动一样（弱社交到强社交），但X轴不同：左侧是“优化型”，右侧是“创意或决策型”。如果脑力劳动的重点是将数据中可量化的变量最大化（例如设置最优保险费率或最大化退税），就归类为“优化型”的职业。
1700514061
1700514062
这几条轴将两张图各分为四个象限：第三象限是“危险区”，第一象限是“安全区”，第二象限是“结合区”，第四象限是“慢变区”。工作内容主要落在“危险区”的工作（如卡车司机等）在未来几年面临着被取代的高风险。“安全区”的工作（如心理治疗师、理疗师等）在可预见的未来中不太可能被自动化。“结合区”和“慢变区”象限的界限并不太明确：尽管目前不会完全被取代，但工作任务的重组或技术的稳定进步，可能引起针对这些工作岗位的大范围裁员。
1700514063
1700514064
在左上角的“结合区”中，大部分计算和体力性质的工作已经可以由机器完成，但关键的社交互动部分使它们难以完全自动化。所以，最可能产生的结果就是幕后优化工作由机器完成，但仍需要人类员工来做客户的社交接口，人类和机器形成共生关系。此类工作可能包括服务员、理财顾问甚至全科医生。这些工作消失的速度和比例取决于公司改造员工工作内容的灵活程度，以及客户对于与计算机互动心态的开放程度。
1700514065
1700514066
落在“慢变区”的工作（如水暖工、建筑工人、美术设计师等）不依赖于人类的社交技能，而依赖灵活和巧妙的手工、创造性或适应非结构化环境的能力。这些仍是人工智能的短板。由于不断发展的技术会在未来几年中慢慢提升这些短板，所以此象限中工作消失的速度，更多地取决于人工智能能力的实际扩展。
1700514067
1700514068
这两张图让我们对哪些类型的工作有被人工智能替代的风险有了基本的认识，但这对于整体经济层面的就业总量意味着什么呢？这时我们需要参考经济学家的研究。
1700514069
1700514070
AI·未来 [:1700512296]
1700514071
经济学家的研究结果
1700514072
1700514073
预测人工智能会引发的失业规模，已经成了全球经济学家和咨询公司的主流研究课题，使用不同的研究模型会得出不同结果。这些结果的数字有的大到令人恐惧，有的看起来还算安全。因为针对中国市场的优秀研究少之又少，因此我们在此主要介绍对美国的研究，然后通过这些结果来推导中国的情况。
1700514074
1700514075
2013年，牛津大学两位研究人员的论文做出了一个可怕的预测：在未来10年或20年内，美国47%的工作可能实现自动化。(17) 论文的作者卡尔·本尼迪克特·弗雷（Carl Benedikt Frey）和麦克尔·奥斯本（Michael A.Osborne）请机器学习专家评估70种职业在未来几年实现自动化的可能性。之后，他们将此数据与机器学习的主要“工程瓶颈”清单（类似于指示上图“安全区”的特征）相结合，使用了一个概率模型来预测另外632种职业实现自动化的难易程度。结果显示，在未来几十年中，美国近一半的工作都处于“高风险”区。尽管两位作者反复提醒：该研究最重要的是评估哪些工作“在技术上可以”由机器执行，而不是实际的工作流失和失业规模。但一石激起千层浪，后续的媒体报道基本上没有说明这些重要细节，而是发出警告：“有半数的劳动者很快就会失去工作。”
1700514076
1700514077
不过，2016年，经济合作与发展组织（OECD）的三名研究人员利用另一个模型，得出的预测似乎直接反驳了上述研究的结果：美国只有9%的工作面临自动化的高风险。(18) 两项研究的结果为何差距如此之大？原因是奥斯本和弗雷采用了“职业分析法”。这种分析模型请机器学习专家判断的是单一工作岗位可实现自动化的可行性。而OECD团队认为，被“自动化”的不是整个工作岗位，只是岗位职责中的一部分。OECD团队论证称，以岗位为最小单位的方法忽略了那些人类可以执行，但算法不能执行的许多任务，如与同事展开团队合作、与客户面谈等。对此，OECD团队提出了“工作任务分析法”，将每个工作岗位分解为许多不同的活动，然后看有多少活动可以自动化。在此模型中，报税人不仅是一个岗位，还拆分成了一系列可以自动化的任务（如审查收入文件、计算最大扣减等），以及一些不可自动化的任务（如会见新客户、向客户解释决定等）。之后，OECD团队使用概率模型找出“高风险”的工作比例（至少70%的岗位职责可自动化）。如上所述，他们发现在美国仅有9%的工作属于“高风险”类别。将同一模型用于其他20个OECD国家，高风险工作的比例范围也只是在6%（韩国）到12%（奥地利）。
1700514078
1700514079
“工作任务分析法”基于岗位职责划分进行研究，这一方法得到了多数研究人员的认可。但不是所有人都同意OECD团队的乐观结论。2017年年初，普华永道的研究人员使用“工作任务分析法”得出了自己的估算：到21世纪30年代，美国38%的工作都存在被自动化的高度风险。(19)
1700514080
1700514081
在参考了这些大相径庭的预测之后，麦肯锡全球研究院（McKinsey Global Institute）的研究人员得出了一个折中的估算结果。我协助麦肯锡全球研究院进行了与中国相关的研究，并共同撰写了关于中国数字化现状的报告。麦肯锡团队同样使用“工作任务分析法”得出的结论是，全球大约50%的“工作任务”在技术上已经实现自动化。(20) 中国的这个数字是51.2%，美国为45.8%。但是他们不认为人的工作会那么快被人工智能取代，他们预测2030年会有30%的任务和14%的工作被人工智能取代。
1700514082
1700514083
结合不同研究方法的结果，美国各类工作被自动化的可能性在9%到47%。即便只采用“工作任务分析法”，结果仍为9%到45.8%。如此大的数据差，代表未来既可能实现社会繁荣发展，也可能发生彻底的就业危机。面对差异性如此大的预测，我们应该认真思考这些研究究竟告诉了我们什么，以及我们可能忽略了什么。
1700514084
1700514085
AI·未来 [:1700512297]
1700514086
这些研究忽略了什么
1700514087
1700514088
我尊敬做出以上预测的经济学家的专业水平，但我并不认可OECD团队的预测。这种差异源于两种分歧：一是输入的数据，二是我对人工智能改变就业市场的设想。
1700514089