1704605307
1704605308
1704605309
1704605310
图18 按照收入和受教育程度划分的工作岗位面临的自动化风险
1704605311
1704605312
1704605313
1704605314
来源：C. B. Frey and M. A. Osborne, 2017, “The Future of Employment: How Susceptible Are Jobs to Computerisation?”, Technological Forecasting and Social Change 114 (January): 254–80。
1704605315
1704605316
注释：本图描述了按照中位年收入和受教育程度划分的工作岗位面临自动化的可能性。平均而言，工资较高的岗位和要求受教育水平较高的岗位较少受到自动化的影响。
1704605317
1704605318
自从我们第一次发表文章以来，一些新出现的研究得出了不同的结论。比如经合组织的研究估计，14%的工作有被取代的风险，另有32%的工作面临着重大变化的风险。 53 经合组织误以为我们重点关注的是工作岗位而不是任务，因而高估了自动化的范围。但他们忽略了一个事实：我们的研究是基于工作岗位所承担的任务来推断自动化程度的。据我们估计，即使算法在医疗诊断等任务中应用得越来越普遍，医生也不会面临被自动化取代的风险。记者不会因为人工智能算法现在能大量生产粗糙的短新闻而受自动化的影响。据我们估计，就算记者和医生处理的工作包含某些可以实现自动化的任务，他们也不会被自动化取代。那么，为什么经合组织的预测和我们的结论存在如此大的差异呢？一种解释是他们使用的职业数据精细度不够，另一种解释是他们的模型与我们的训练数据集相比表现不太好。 54
1704605319
1704605320
然而，我们的研究尽管在结论上存在差异，但一致认为非技术型工作最容易受到自动化的影响。 55 奥巴马总统的经济顾问委员会采纳了我们的预测，按照工资水平把最有可能被自动化所取代的职业进行了分类。他们发现在从事时薪低于20美元的工作的人群中，83%的人被取代的风险很高；但在时薪高于40美元的工作中，只有4%的人面临被取代的高风险。 56 这说明除非有其他力量抵消这一趋势，否则非技术工人在劳动力市场中的前景将继续恶化。我们在第九章中提到，许多常规工作在第一次自动化浪潮中被取代，迫使很多美国人失去了体面的中产阶级工作，只能去从事低收入的服务业工作。如今这些低技能工作很多也面临着自动化的威胁。可以想象，下一波浪潮可能会继续压低中产阶级的工资，许多中产阶级成员已经在竞争低收入工作岗位了。曾担任奥巴马政府经济顾问委员会主席的哈佛大学教授贾森·弗曼（Jason Furman）说：“我们已经了解了一些趋势，比如，我们购物时拿着商品去自助结账台付款而不是去找收银员结账；当我们拨打客服电话时，接听电话并与我们沟通的是自动化客服代表”。 57
1704605321
1704605322
因此，存在着一个普遍的误解：自动化将取代技术工人的工作。马丁·福特（Martin Ford）在畅销书《机器人时代》（Rise of the Robots）中断言：“许多专业技术人员（包括律师、记者、科学家和药剂师等）已经受到了不断前进的信息技术的极大侵蚀。因此，接受更多教育、掌握更多技能在未来不一定能有效地抵御工作岗位的自动化。” 58 虽然在他强调的工作岗位中，许多工作包含了一些能实现自动化的任务，但它们同样包括许多不能实现自动化的任务。比如，最近达纳·雷穆斯（Dana Remus）和弗兰克·利维通过分析律师的开票记录发现，如果马上在律师工作中采用人工智能和与其相关的应用程序（虽然可能性很低），律师们能够节省约13%的时间。律师的大部分工作时间都用在了法律文书写作、事实调查、谈判、出庭和为客户提供咨询等工作内容上。正如雷穆斯和利维解释的那样，律师不仅需要预测，“还需要了解客户的情况、目的和利益，创造性地思考如何依法为客户的利益提供最好的服务。有时候律师需要拒绝客户提议的行动方案并建议其合规。这些事务都需要频繁的人类互动和高智商，至少目前还无法实现自动化”。 59 令人欣慰的是，我们的算法同样得出了律师工作的自动化风险很低的结论。
1704605323
1704605324
阿玛拉定律
1704605325
1704605326
虽然自动化涉及的范围很广，但它的发展速度又是另一回事了。和西蒙的预测一样，我们的预测仅仅基于对计算机能完成的任务进行观察；我们也没有预测变革的节奏，因为它还取决于技术本身之外的很多不可预测的因素。 60 我们当然也不指望那47%的工作很快实现自动化，我们强调了可能影响自动化步伐的很多因素。我们的底线是，本书讨论的所有原型技术不会同时到来，这些技术的推广也不会一帆风顺。监管、消费者的偏好、工人的抵制以及许多其他变量都会影响技术得到采用的速度。因此过高的期待往往伴随着幻灭。正如罗伊·阿玛拉（Roy Amara）的著名论断，“人们总是高估一项技术所带来的短期效果，却又低估它的长期影响”。实际上，要了解过去的技术进步轨迹，阿玛拉定律（Amara’s Law）是很好的指南。
1704605327
1704605328
从历史角度来看，这一次自动化的范围也许不像我们有时认为的那样惊人。1870年，美国有大约46%的劳动力仍从事农业；但如今农业领域的劳动力大约只占1%（表1）。 61 拖拉机对农场劳动力需求的下降产生了关键作用（见第六章和第八章）。当柴油拖拉机出现后，尽管有人推断很多农场工作面临被取代的危险，但推广速度仍难以预测。
1704605329
1704605330
有很多因素阻碍了拖拉机的推广。第一，日益复杂的机器需要更熟练的操作员。早先时候，农民们通常等着采购拖拉机，想看看其他农场的劳动者多久才能掌握操作拖拉机所需的机械技能。正如1918年《纽约时报》上的一篇文章评论的那样，“拖拉机这么好的机器不能交给技术差的操作员来操作……对买家来说，找到一流的操作员比买到一辆拖拉机更成问题”。 62 同一年，纽约州立农业学院宣布开设为期三周的拖拉机与卡车操作员培训课，目的在于弥补技能差距，加快机器推广。第二，和其他通用技术一样，在不同的应用场景中，拖拉机的推广速度不同。“最初的拖拉机只适合耕种和收割小的谷物。直到20世纪20年代末，这一技术才成为通用技术，被用在了玉米、棉花和蔬菜等分行列种植的庄稼上。” 63 有些应用场景直到机械发展后期才出现。
1704605331
1704605332
第三，即使拖拉机变得更加普遍，然而农村仍存在着大量的廉价劳动力，这意味着很长一段时间内农业机械化都没有经济意义。然而，第二次工业革命不断创造新的高薪工业工作岗位，许多美国人离开农村去城市工作，这为机械化的发展提供了更多动力。但即便如此，拖拉机在许多情况下仍不经济。它们主要被用在了依赖雇佣劳动的大型农场。许多低收入农民非常抗拒风险，相比于投资昂贵的拖拉机，他们更愿意用马匹——尽管这意味着他们不得不留出大量土地种植饲料。如果不能一次性购买，偿还贷款就又成了阻碍拖拉机推广的一个重要因素。1921年《纽约时报》的一篇文章指出，美国农场中仍有1700万匹马，但只有246,139辆拖拉机。这篇文章十分关心拖拉机推广的滞后问题,它认为需要外力的助推来提高农业生产率。 64 10年之后，推动力出现了。20世纪30年代，经历了10年的大萧条，拖拉机的推广进程终于加快了，因为新经济政策（如商业信贷公司和农业信贷管理局的出现）降低了价格风险，同时降低了利率，让农民有了现金。 65
1704605333
1704605334
阿玛拉定律也适用于计算机革命。虽然自动化焦虑在20世纪五六十年代普遍存在（第七章），但在20世纪80年代以前，计算机太笨重又太昂贵，没有得到推广（第九章）。虽然许多企业家惊叹于计算机的能力，但几乎没人愿意掏钱购买。正如规避风险的农民不愿意使用昂贵的拖拉机一样，企业也正确地认识到计算机的成本高到无法承受。在计算机化终于成功时，出现了一些意想不到的小插曲。1987年，当罗伯特·索洛还在为“计算机时代体现在了生产率统计数据之外的任何地方”而感到困惑时，《华尔街日报》上的一篇文章就提到，“公司正在进行小规模自动化，这样就能在进行巨额投资之前解决掉已经出现的问题”。 66 正如美国电话电报公司的工程主管解释的那样：“如果你想一年生产3000万箱惠特斯麦片，那么你可以使用自动化，不会有任何问题。但如果你处在产品不断迭代、生命周期很短、竞争激烈的市场，那你最好谨慎一点。” 67
1704605335
1704605336
技术的性能并不是全部。计算机若想提高生产率，需要和组织、流程及战略变革互相补充。在自动化初期，员工培训和再培训所需的时间通常比预期的要长，许多公司并没有充分意识到将机器、计算机和复杂的软件整合到一起高效协同工作会面临怎样的障碍。经济学家埃里克·布林约尔松、蒂莫西·布雷斯纳汉（Timothy Bresnahan）和洛林·希特（Lorin Hitt）在一些研究中一致发现，如果公司在开展互补性组织变革时投资于计算机技术，就有助于提高生产率。 68 在20世纪80年代，计算机革命专注于单个任务生产率的提高，比如文字处理和加工操作控制，但预先存在的业务流程在很大程度上保持不变。1990年，管理学学者、前计算机科学教授迈克尔·哈默（Michael Hammer）在《哈佛商业评论》（Harvard Business Review）上发表了一篇题为“再造工作：不是自动化，而是重新开始”（“Reengineering Work: Don’t Automate, Obliterate”）的著名文章。文章指出，使用自动化来提高现有工作流程的效率并不会提高生产率。 69 试图这样做的经理们从一开始就错了。哈默认为，要充分释放自动化的潜力，需要分析并重设工作流程和业务流程，从而改善客户服务，减少运营成本。到20世纪90年代中期，《财富》杂志的500强公司大多宣称有流程重设计划。 70 计算机也就是大约从那时开始影响生产率的。
1704605337
1704605338
正如批量生产时代从组合传动向单独传动的转换一样，计算机化和组织结构重组也是渐进的过程，人们需要重新考虑企业的运转方式。因此20世纪80年代晚期，并不是每个人都对生产率未能增长感到困惑。经济史学家意识到他们之前已经了解过这种情况了。牛津大学的保罗·戴维通过研究工厂的电气化革命发现，直到托马斯·爱迪生建立第一个发电站（1882年）约四十年之后，电才体现在生产率统计数据中。第六章讨论过，使用电的神秘力量需要对工厂进行彻底重组。将单独传动作为组织原则需要大量实验，因此直到20世纪20年代，电气化带来的生产率提高才开始显现。 71 戴维接着预测了计算机主导的生产率增长也会出现与电力相似的轨迹，在这一点上他说对了：20世纪20年代和90年代有着惊人的相似性，这两个十年都见证了生产率的提升和通用技术（20世纪20年代的电力和20世纪90年代的计算机）应用的爆炸式增长。 72 经济学家们一致认为，生产率的提升是通用技术应用增长的后果。相比于1991—1995年的生产率增长，1996—1999年生产率增长的约70%都要归功于计算机技术。 73 生产率的回升并不仅仅集中在少数几个行业，而是有着极其广泛的基础，批发、零售和服务业都有了可观的收益，这表明通用技术发挥了作用。 74
1704605339
1704605340
人工智能直到最近才拓展了计算机的操作领域。因此，我们有充分的理由相信，自动化给生产率带来的最大收益还在后头。如上所述，多用途机器人已开始投入使用。虽然它们对生产率的增长贡献很大，但使用场合仍主要局限于重工业。 75 更广泛地说，人工智能仍处于萌芽阶段。2017年，麦肯锡全球研究院通过对3000名高管进行调查发现，人工智能在科技行业外的推广才刚刚开始。很少有企业大规模部署人工智能技术，因为他们拿不准商业案例或投资回报。通过进一步查阅160多个使用案例后，我们发现人工智能只部署在了12%的商业案例中。 76
1704605341
1704605342
众所周知，2005年以来生产率增长放缓，但当技术处于实验阶段时这种情况本就可能发生。 77 只有在长期的延迟后技术才能提高生产率，而且在技术研发初期，主要影响是成本的增加。通常在新发明出现很多年后，它的原型才开始在生产中变得经济可行。因此，新技术对总体经济的变化情况所做的贡献总会延迟：“之前我们讨论过自动驾驶汽车的问题，它为我们提供了生产率可能如何落后于技术的一个更具前瞻性的案例。想想自动驾驶汽车刚刚引进时，汽车生产和汽车操作工人群体的情况吧。为了解决研发、人工智能的开发和新的车辆工程方面的问题，生产端的就业一开始会增加。” 78 比如，布鲁金斯学会估计2014—2017年间自动驾驶领域的投资约为800亿美元，只有少数首例得到了采用。 79 据估计在那三年间，它使劳动生产率每年降低了0.1%。 80 这样说来，经济学家们发现并不能根据当下的生产率增长预测未来生产率的增长也就不奇怪了。 81
1704605343
1704605344
智能手机和互联网的传播速度的确比曾经的电动机或拖拉机快得多，但把消费品和服务的广泛应用与生产中使用的技术做比较基本没有意义。后者需要重新配置生产过程，而前者不需要。更重要的是，企业在考虑是否发展自动化的时候，需要权衡的不仅仅是待克服的工程瓶颈。除了技术，他们还必须考虑管理费用的增加、是否有足够大的市场、报废现有机器的成本、投资新机器的成本以及〔像哈里·杰罗姆指出的那样〕“工人可能的反抗、公众有时的负面评论甚至严格的立法”。 82 虽然有人可能认为在人工智能时代，实现自动化所需的资本支出更少，但若要部署机器学习系统，就需要大量的补充性投资。正如谷歌首席经济学家哈尔·瓦里安（Hal Varian）指出的那样：
1704605345
1704605346
第一个要求就是要拥有一个用来收集和组织相关数据的数据基础设施，也就是一个数据管道。比如，零售商需要建立一个数据系统，在销售点收集数据，然后将其上传到计算机，让计算机组织整理数据并存入数据库。然后，这些数据将与库存数据、物流数据甚至用户信息等其他数据相结合。一般来说，构建这个数据管道是建立数据基础结构的过程中劳动力最密集的部分，也是最昂贵的部分，因为不同的商业类型通常有各自特殊的遗留系统，很难互联。 83
1704605347
1704605348
虽然数据可能相当于新的石油，但技术瓶颈通常不仅与数据有关，也与技能和培训有关：
1704605349
1704605350
以我的经验来看，问题不在于缺乏资源而在于技能。有的公司有数据但没有人分析数据，就会在利用数据方面处于不利地位。如果内部没有现存的专业知识，企业就很难确定需要哪些技能以及如何寻找并雇用具备那些技能的人。雇用优秀的人才一直是获得竞争优势的关键，但数据的广泛可获得性是近来的事，因此这个问题最近尤为突出。汽车公司可以雇用那些知道如何制造汽车的人，因为这是他们核心竞争力的一部分。他们可能有也可能没有足够的专业知识来雇用优秀的数据科学家，因此在新技能渗透到劳动力市场之后，我们可以预期会看到生产率方面存在差异。 84
1704605351
1704605352
这些原因表明，阿玛拉定律可能同样适用于人工智能。若要实现自动化，就需要无数必要的辅助发明和调整。埃里克·布林约尔松是调查计算机技术在20世纪90年代末对生产率的提升产生影响的那些人之一，他发现人工智能的推广路径可能反映了这方面过去的事实。他在与经济学家丹尼尔·罗克（Daniel Rock）和乍得·西弗森（Chad Syverson）合著的一篇论文中提出，人工智能的推广与20世纪90年代时计算机的情况一样，不仅需要技术本身的发展，还需要巨大的补充性投资和大量实验，这样才能充分发挥其潜能。 85 这一阶段的历史告诉我们，经济经历了一段调整期，生产率增长放缓。
1704605353
1704605354
英国的工业革命也与之极其相似。正如尼古拉斯·克拉夫茨所证明的那样，詹姆斯·瓦特的蒸汽机在发明约80年后才开始明显推动生产率的增长。 86 约翰·斯米顿（John Smeaton）在观察了瓦特〔于1769年申请了专利〕的发明后说：“任何工具或工人都无法如此精确地制造出这样复杂的机器。” 87 若要使这项技术更完善，必须开发补充性的技能。10年后，马修·博尔顿和瓦特的天才组合使蒸汽机获得了商业上的成功。1815年，苏格兰商人及统计学家帕特里克·科洪（Patrick Colquhoun）写道：“当你看到英国过去30年的制造业发展时，你很难不惊叹。其速度之快简直不可思议。蒸汽机在资本和技能的帮助下得到了改进。而且更重要的是，这些精巧的机器为羊毛厂和棉花厂带来的便利是无法估量的。” 88 但有一段时间，水力仍是一种更便宜的能源，因此蒸汽机还没有给生产率增长带来多少贡献。
1704605355
1704605356
即使马尔萨斯在1800年就拥有现代统计设备，他也不可能发现很多关于即将出现的生产率提升的迹象。在技术革命早期阶段，我们无法通过现有的生产率增长情况来了解多少未来的生产率增长。相反，我们必须研究实验室里正发生的情况。马尔萨斯不认可这种观点，因此他无法预测即将发生的事情。他在1798年的那篇著名文章中宣称：“当我们把过去的经验作为推测未来的基础时，如果我们的推测与过去的经验完全矛盾，我们就会陷入一个不确定的广阔领域，任何假设都和另一个一样好……如果人们几乎完全不了解机器的能力，我们就不能指望他们预测机器的影响。” 89