人工智能实际上有助于重建中产阶级

在最近接受英国首相里希·苏纳克(Rishi Sunak)采访时,埃隆·马斯克(Elon Musk)宣称人工智能是“历史上最具颠覆性的力量”,并指出“未来终将有一天不再需要工作”。去年,人工智能教父杰弗里·辛顿(Geoffrey Hinton)建议人们“去干管道工的工作”。

这一信息似乎很明确:对我们许多人来说,工作的未来岌岌可危。盖洛普(Gallup)最近的一项民意调查发现,75%的美国成年人认为人工智能将导致就业岗位减少。

但这种担忧是错位的。

工业化世界充斥着工作岗位,而且这种情况将持续下去。在新冠疫情爆发四年后,美国的失业率已回落至疫情前的最低点,而总就业人数比疫情前的峰值增加了近三百万。由于出生率骤降和劳动力萎缩,整个工业化世界(包括中国)正在上演一场类似的劳动力短缺危机。

这不是预测,而是人口统计学事实。所有将在2053年满30岁的人都已经出生了,我们无法创造更多的人。除非移民政策发生巨大变化,否则美国和其他富裕国家在工作岗位耗尽之前,就会先耗尽劳动力。

人工智能将改变劳动力市场,但方式并非马斯克和辛顿所认为的那样。相反,它将重塑人类专业知识的价值和本质。从定义上讲,专业知识是指完成特定任务所需的知识或能力,例如测量生命体征、编写应用程序或准备餐点。如果一项专业知识既是实现目标所必需的,又相对稀缺,那么它在市场上就具有溢价。套用电影《超人总动员》中辛德罗姆(Syndrome)的话说,如果人人都是专家,那就等于没有人是专家。

专业知识是美国和其他工业化国家劳动力价值的主要来源。那些几乎不需要培训或认证的工作,如餐厅服务员、清洁工、体力劳动者,甚至包括托儿工作者,通常处于工资阶梯的最底层。

以空中交通管制员和交通协管员这两个职业为例。从大体上看,它们是同一类工作:在极短时间内做出生死攸关的决定,以避免车辆乘客与行人之间的碰撞。但2022年空中交通管制员的年薪中位数为132,250美元,几乎是交通协管员33,380美元年薪中位数的四倍。

原因在于专业知识。成为一名空中交通管制员需要多年的教育和在职学徒训练——这是一种稀缺技能。相反,在美国大多数州,担任交通协管员不需要正式培训、专业知识或认证。如果急需更多交通协管员,大多数空中交通管制员都能胜任,但反之则不然。

专业知识处于不断变化之中。曾经拥有巨大市场溢价的形式——如钉马掌、排版、捕兽、拼写检查——现在要么已经过时,要么已被自动化取代。与此同时,工业化经济中许多薪酬最高的工作——肿瘤学家、软件工程师、专利律师、治疗师、电影明星——在特定的技术或社会创新创造出需求之前并不存在。但是,被淘汰或获得流通的专业知识领域会随着技术时代而转移。人工智能时代预示着又一次这样的转型。

信息时代的乌托邦愿景是,计算机将通过信息民主化来拉平经济等级制度。2005年,网景(Netscape)联合创始人马克·安德森(Marc Andreessen)告诉《纽约时报》的托马斯·弗里德曼(Thomas Friedman):“今天,对我来说最深刻的事实是,罗马、班加罗尔、[前]苏联或越南的一个14岁孩子,可以轻松获得所有信息、所有工具和所有软件,随心所欲地应用知识。”

但事实却与这一愿景背道而驰。

事实证明,信息仅仅是更重要的经济功能——决策——的输入,而决策是精英专家(通常是拥有大学或研究生学位的少数美国成年人)的专属领域。通过使信息和计算变得廉价且充裕,计算机化催生了决策权及相关资源在精英专家群体中前所未有的集中。

与此同时,它使行政支持、文书和蓝领生产职业中广泛的中等技能工作实现了自动化。与此同时,由于缺乏更好的机会,60%没有学士学位的成年人被降级为非专业、低薪的服务性工作。

“人工智能为人类提供的独特机会是,去抵制由计算机化开启的这一进程——将人类专业知识的相关性、影响范围和价值扩展到更广泛的劳动者群体中。”

人工智能为人类提供的独特机会是,去抵制由计算机化开启的这一进程——将人类专业知识的相关性、影响范围和价值扩展到更广泛的劳动者群体中。由于人工智能可以将信息和规则与习得的经验交织在一起以支持决策,它能够使更多具备必要基础培训的劳动者,去执行目前被医生、律师、软件工程师和大学教授等精英专家所垄断的高风险决策任务。从本质上讲,如果使用得当,人工智能可以帮助恢复美国劳动力市场中被自动化和全球化掏空的中等技能、中产阶级核心。

虽然人们可能会担心人工智能只会使专业知识变得多余,使专家变得无用,但历史和经济逻辑表明事实并非如此。人工智能是一种工具,就像计算器或电锯一样,工具通常不是专业知识的替代品,而是应用专业知识的杠杆。

通过缩短从意图到结果的距离,工具使受过适当培训并具备判断力的劳动者能够完成以前耗时、易错或不可行的任务。相反,对于缺乏相关培训和经验的人来说,工具充其量是无用的,最坏的情况下则是危险的。气动钉枪对于屋顶工人来说是不可或缺的省时利器,但对于家庭业余爱好者来说,则是一个迫在眉睫的穿刺危险。

对于拥有基础培训和经验的劳动者来说,人工智能可以帮助利用专业知识,从而让他们从事更高价值的工作。人工智能当然也会使现有的工作自动化,使某些现有的专业知识领域变得无关紧要。它还将进一步创造出新的人类能力、新的商品和服务,从而产生对我们尚未预见到的专业知识的需求。

我的论点不是预测,而是关于什么是可实现的主张。人工智能不会决定它如何被使用,其建设性和破坏性应用是无限的。那种认为未来是由技术必然性决定的错误假设——肖莎娜·祖博夫(Shoshana Zuboff)称之为“必然论”(inevitabilism)——剥夺了公民在制定、甚至识别塑造未来的集体决策中的能动性。正如西蒙娜·德·波伏娃(Simone de Beauvoir)所写:“一旦我们相信命运,命运就会获胜。”人工智能提供了用于增强劳动者能力和提升工作的巨大工具。我们必须掌握这些工具,并让它们为我们服务。

从工匠专业知识到大众专业知识

如果我们这个时代的多数“专家”被传送到18世纪,他们会感到束手无策。在工业革命之前,商品是由熟练工匠手工制作的:车轮由造车匠制作;服装由裁缝制作;鞋子由鞋匠制作;钟表由钟表匠制作;枪支由铁匠制作。工匠们花费数年时间习得至少两种广泛的专业知识:程序性专业知识,即遵循高度练习的步骤来产生结果;以及专家判断力,即根据具体情况调整这些程序。

如果一个铁匠打算根据同一个设计制作两把火枪,那么其中一把火枪的任何零件都无法与另一把互换。每个零件都需要经过锉削、磨砺和抛光,才能精确地安装在它所对应的火枪上。我们这个时代的专家中,很少有人能做这样的工作,而能使用当时原始工具完成工作的人就更少了。

尽管工匠专业知识备受推崇,但其价值最终在18世纪和19世纪大规模生产兴起后被摧毁。大规模生产意味着将工匠的复杂工作分解为离散、独立且通常非常简单的步骤,这些步骤可以由生产工人团队在机械辅助和受过高等教育的管理人员监督下机械地执行。

大规模生产的效率远高于工匠工作,但普通工人的工作条件通常危险且艰苦,除了愿意在极其恶劣的条件下以极低的工资劳动外,不需要任何专业知识。

熟练工匠几乎必然是成年男性——这反映了掌握其行业所需的多年学徒期以及限制性的性别规范——而早期工厂则大量使用儿童和未婚女性。19世纪那些起义抗议机械化的熟练英国织布工和纺织工人——即著名的卢德分子(Luddites)——经常因其对技术的所谓天真恐惧而受到嘲笑。

但这种恐惧是有道理的。正如经济历史学家乔尔·莫基尔(Joel Mokyr)及其同事在2015年所写的那样:“1815年后,拥有小型作坊的手摇织布工和框架针织工很快就被工厂消灭了。”尽管工业时代的创新推动了生产力的激增,但直到五十年后,工人阶级的生活水平才开始提高。

“人工智能提供了用于增强劳动者能力和提升工作的巨大工具。我们必须掌握这些工具,并让它们为我们服务。”

随着现代工业的工具、流程和产品变得日益复杂,对一种新型劳动者专业知识——“大众专业知识”——的需求激增。操作和维护复杂设备的工人需要具备机械加工、装配、焊接、化学处理、纺织品处理、染色和校准精密仪器等方面的培训和经验。在工厂车间之外,电话接线员、打字员、记账员和库存管理员充当了信息渠道——即他们那个时代的信息技术。

这种新需求的专业知识中,很大一部分是新颖的。在电力找到工业和消费用途之前,对电工的需求并不存在。在他们操作的机器发明之前,没有熟练的机械师。在电话网络建设之前,也没有电话接线员。为了掌握这些工作的工具、规则和严格要求,劳动者通常需要具备读写和计算能力。

并非巧合的是,美国劳动力中很大且不断增长的一部分人新获得了高中文凭,这意味着这些技能越来越容易获得并得到实质性的回报。这种工业生产力提高与劳动者专业知识需求增加的良性结合,帮助工业化国家建立了一个新的中产阶级,他们能够负担得起全套服装、工厂制造的家居用品以及电烤面包机和熨斗等新型工业产品。

然而,与他们之前的工匠不同,在充斥着办公室和装配线上的“大众专家”劳动者中,并不一定需要——甚至不容忍——专家判断力。正如大规模生产时代的管理大师弗雷德里克·温斯洛·泰勒(Fredrick Winslow Taylor)在1911年所写的那样:“每个工人的工作都由管理层至少提前一天进行全面规划,并且在大多数情况下,每个人都会收到完整的书面说明,详细描述他要完成的任务,以及完成工作所要使用的手段。”

结果,大众专家工作狭窄的程序性内容,及其要求劳动者遵循规则但几乎不发挥主观能动性的特点,在随后的时代中显得格外容易受到技术替代的影响。

从大众专业知识到信息时代的精英专业知识

源于二战期间开创的创新,计算机时代(又称信息时代)最终消灭了工业革命所培育的大部分对大众专业知识的需求。与之前的所有技术相比,数字计算机的独特力量在于它能够廉价、可靠且快速地执行编码在明确、确定性规则中的认知和体力任务,即经济学家所称的“常规任务”,软件工程师所称的程序。

这种描述可能看起来平淡无奇:难道所有的机器不都是简单地遵循确定性规则吗?在某种程度上,是的:机器会做它们被建造出来要做的事情,除非它们发生故障。但在另一个层面上,则不然。与仅仅执行特定物理任务的先前机械设备不同,计算机是能够访问、分析和处理抽象信息的符号处理器。正如艾伦·图灵(Alan Turing)在1937年所证明的那样,只要任务可以被编码为一系列步骤(更正式地称为算法),这样的机器就可以执行无穷无尽的任务。

在计算机时代之前,本质上只有一种符号处理工具:人类大脑。计算机提供了第二种这样的工具,一种具有非凡能力但也有深刻局限性的工具。在计算机时代之前,专门从事熟练办公室和生产任务的劳动者是大众专业知识的化身。

随着计算技术的进步,数字机器在掌握工具和遵循规则方面被证明比劳动者更精通且成本更低。这削弱了大众专业知识的价值,正如工业革命的技术削弱了工匠专业知识的价值一样。

但并非所有任务都遵循众所周知的规则。正如哲学家迈克尔·波兰尼(Michael Polanyi)在1966年观察到的那样,“我们知道的远比我们能说出来的多”,这意味着我们的隐性知识往往超过了我们明确的正式理解。

提出一个有说服力的论点、讲一个笑话、骑自行车或在婴儿照片中识别成年人的脸,都是微妙而复杂的任务,人们在没有对自己在做什么进行正式理解的情况下就能完成——而且往往毫不费力。

掌握这些所谓的“非常规”任务不是通过学习规则,而是通过在实践中学习来实现的。孩子不需要学习陀螺仪的物理原理就能学会骑自行车——简单的反复试验就足够了。但在人工智能出现之前,程序员必须为机器人骑自行车指定所有相关的步骤、分支和异常情况。这一观察结果——即存在许多人类凭直觉知道如何执行但无法用语言表达其规则和程序的任务——通常被称为“波兰尼悖论”。

“先进的计算削弱了大众专业知识的价值,正如工业革命的技术削弱了工匠专业知识的价值一样。”

由于许多高薪工作在非常规任务方面非常密集,波兰尼悖论被证明是传统计算机能做什么的主要制约因素。经理、专业人士和技术人员经常被要求在一次性的、高风险的案例中行使判断力(而非规则):为肿瘤患者选择治疗方案、起草法律摘要、领导团队或组织、设计建筑物、设计软件产品或在危险条件下安全降落飞机。了解规则对于此类案例是必要的,但还不够。

类似于前工业时代的工匠,现代精英专家(如医生、建筑师、飞行员、电工和教育工作者)将程序性知识与专家判断力,以及经常性的创造力结合起来,以处理特定的、高风险且往往不确定的案例。同样类似于工匠,专业人士通过在监督实践(如学徒制)中花费数年时间来培养专家判断力,尽管这个术语很少应用于白领专业人士。

即使计算机化削弱了大众专业知识的价值,它对从事精英专家工作的劳动者来说也近乎神赐。计算机使专业人士能够减少获取和组织信息的时间,而将更多时间用于解释和应用这些信息——即参与实际的决策。这增强了专家专业判断的准确性、生产力和彻底性,从而放大了其价值。

随着计算机化的推进,拥有四年制大学学位,特别是法律、医学、科学和工程等研究生学位的劳动者的收入大幅上升。然而,这是一把双刃剑:计算机使专业人士过去所依赖的非精英劳动者的大众专业知识实现了自动化。

讽刺的是,计算机化对于那些从事非专业工作的人来说同样具有重大影响。工业化国家中许多薪酬最低的工作都在实践性服务职业中:食品服务、清洁和保洁服务、保安以及个人护理。

尽管这些工作需要灵活性、视觉能力、简单的沟通技巧和常识——因此属于非常规任务,不适合计算机化——但它们仍然薪酬很低,因为它们几乎不需要专业知识:大多数身体健全的成年人只需极少的培训和认证就能胜任。

计算机无法“做”这些工作,但它们确实增加了竞争这些职位的劳动者供应。在几十年前本有资格从事文书、行政和生产职业中大众专业知识工作的劳动者,反而被分流到了非常规的实践性服务职业中。这给这些工作本已很低的工资带来了下行压力。

因此,计算机化并没有像工业革命那样催生出一个新的大众专业知识时代,而是助长了长达四十年的不平等加剧趋势。

人工智能时代的专业知识

像之前的工业革命和计算机革命一样,人工智能标志着人类专业知识经济价值的一个转折点。要理解原因,请考虑人工智能与我们现在正在告别的人工智能前时代有何区别。在人工智能之前,计算的核心能力是其对常规、程序性任务的无差错且几乎零成本的执行。它的致命弱点是无法掌握需要隐性知识的非常规任务。人工智能的能力恰恰相反。

在一种宇宙般的讽刺中,人工智能在事实和数字方面并不值得信任——它不遵守规则。然而,人工智能在获取隐性知识方面却非常有效。人工智能不是依赖硬编码的程序,而是通过示例学习,在没有明确指令的情况下获得精通,并获得它并非明确设计去拥有的能力。

如果说传统的计算机程序类似于只演奏乐谱上音符的古典演奏家,那么人工智能更像是一位爵士乐手——在现有旋律上即兴发挥,进行即兴独奏,并哼唱出新的曲调。像人类专家一样,人工智能可以将形式知识(规则)与习得的经验交织在一起,以做出——或支持——一次性的、高风险的决策。

人工智能偏离脚本、根据训练和经验进行即兴创作的能力,使其能够参与专家判断——这一能力直到现在还属于精英专家的领域。

虽然还处于起步阶段,但这是一种超能力。随着人工智能在专家判断方面的能力在未来几年变得更加可靠、敏锐和易于获取,它将成为我们工作生活中几乎无处不在的存在。其主要作用将是为决策者在行使专家判断力时提供建议、指导和警示。如果这听起来有些牵强,请观察一下人工智能的决策能力已经渗透到我们日常生活的边缘。

当您的电子邮件应用程序建议完成您的句子,您的智能手表询问您是否摔倒,或者您的汽车轻推方向盘以将您的车辆重新置于车道中央时,人工智能正在提供专家判断力来解释您的意图并指导您的行动。

“计算机化并没有像工业革命那样催生出一个新的大众专业知识时代,而是助长了长达四十年的不平等加剧趋势。”

目前,这些决策中的大多数后果并不严重,除非您在特斯拉驾驶时睡着了,但随着人工智能的进步并承担我们生活中更高价值的任务,这些决策的重要性将会上升。

这种机器能力的划时代进步对人类专业知识的未来意味着什么?尽管它具有新颖性,但我认为人工智能的影响在经济史上有一个相关的平行点,但这个平行点与现状背道而驰。

回想一下,人工智能前计算技术的出现,通过加快获取和组织信息的任务,使专业决策者的专家判断力变得更加重要和更有价值。与此同时,计算机化贬低并取代了许多中等技能劳动者赖以生存的程序性专业知识。

但想象一下一种可以颠倒这一过程的技术:它会是什么样子?它将支持和补充判断力,从而使更广泛的非精英劳动者能够参与高风险决策。它将同时缓和医生对医疗护理、律师对文档制作、软件工程师对计算机代码、教授对本科教育等所拥有的垄断权力。

人工智能就是这种反转技术。通过以实时指导和护栏的形式提供决策支持,人工智能可以使更多具备补充知识的劳动者能够执行目前被医生、律师、程序员和教育工作者等精英专家所垄断的一些高风险决策任务。这将改善没有大学学位的劳动者的工作质量,调节收入不平等,并且——类似于工业革命对消费品所做的那样——降低医疗、教育和法律专业知识等关键服务的成本。

大多数人都明白,大规模生产降低了消费品的成本。当代面临的挑战是医疗、高等教育和法律等基本服务的高昂且不断上涨的价格,这些服务被受过高等教育的专家行会所垄断。

美联储经济学家艾米丽·多尔曼(Emily Dohrman)和布鲁斯·法利克(Bruce Fallick)估计,在过去四十年中,医疗和教育的价格相对于美国家庭收入分别上涨了约200%和600%。导致这些增长的原因之一是雇佣精英决策者的成本不断上升。这种收益可以说是合理的:当专业知识既必要又稀缺时,它具有巨大的溢价。

但人工智能有潜力通过减少稀缺性来降低这些成本——也就是说,通过授权更多的劳动者来从事这种专家工作。

为了使这一论点具体化,请考虑一个不来自人工智能领域的例子:执业护士(NP)。执业护士是注册护士(RN),他们拥有额外的硕士学位,证明他们有资格管理和解释诊断测试、评估和诊断患者以及开具处方——这些服务曾经完全属于医生的领域。

2011年至2022年间,执业护士的就业人数几乎增加了两倍,达到约224,000人,预计未来十年就业人数将增长约40%,远高于全国平均水平。2022年,执业护士的年薪中位数为125,900美元。

执业护士是精英决策者。他们的工作将程序性专业知识与专家判断力相结合,使他们能够面对一次性的患者案例,在这些案例中,审慎决策的风险极高。

使执业护士职业在这里具有相关性的是,它提供了一个规模异常大的案例,其中高风险的专业任务——诊断、治疗和开具处方——已经从最精英的专业劳动者(医学博士)重新分配(或共同分配)给了另一组具备稍逊(尽管仍然相当可观)正式专业知识和培训的专业人士(执业护士)。

是什么使得这种精英决策权的共享成为可能?主要答案是制度性的。20世纪60年代初,一群护士和医生认识到初级保健医生日益短缺,意识到注册护士的技能未得到充分利用,并开创了一种新的医疗职业来解决这两个短缺问题。

这需要启动新的培训项目,制定认证制度,并在与医生主要游说团体——美国医学会(American Medical Association)——进行了一场艰苦(且可能永无止境)的斗争后,赢得医疗实践法规范围的变更。

对这个起源故事的一个补充答案是,信息技术与改进的培训相结合,促进了这种新的劳动分工。在谈到信息和计算技术(ICT)在执业护士职业中发挥的关键作用时,一项2012年的研究报告称:“ICT以两种方式支持了执业护士角色的高级实践维度:电子患者信息的可用性和完整性提高了诊断和治疗决策的及时性和质量,加快了患者获得适当护理的速度……[并且]来自中央数据库的患者数据支持并改善了卫生专业人员之间沟通的质量。”

“如果说传统的计算机程序类似于只演奏乐谱上音符的古典演奏家,那么人工智能更像是一位爵士乐手——在现有旋律上即兴发挥,进行即兴独奏,并哼唱出新的曲调。”

简单来说:电子病历和改进的沟通工具使执业护士能够做出更好的决策。

展望未来,人工智能最终可以补充执业护士在更广泛的医疗护理任务中行使的专家判断力。这一点适用范围更广。从合同法到微积分教学再到导管插入术,人工智能可能使更广泛的劳动者能够执行高风险的专家任务。它可以通过补充他们的技能和辅助他们的判断力来做到这一点。

是否有证据支持这一假设?最近的三项研究提供了“概念验证”示例。在2023年的一篇论文中,微软研究院的研究经济学家司达·彭(Sida Peng)及其来自GitHub公司和麻省理工学院斯隆管理学院的合著者证明,GitHub Copilot(一种基于生成式人工智能的编程辅助工具)可以显著提高程序员的生产力。在一项对照实验中,获得该工具使用权的实验组完成所需编程任务的速度比没有获得Copilot使用权的对照组快约56%。

在2023年发表于《科学》(Science)杂志的一篇论文中,麻省理工学院的研究生沙克德·诺伊(Shakked Noy)和惠特尼·张(Whitney Zhang)进行了一项专注于写作任务的在线实验。在招募到研究中的营销人员、拨款撰稿人、顾问、经理和其他多元化专业人士中,一半人被随机分配获得(并被鼓励使用)ChatGPT进行写作任务。另一半人使用传统的非人工智能工具(如文字处理器和搜索引擎)来完成他们的任务。

诺伊和张发现,被分配到ChatGPT组的人员在写作输出的速度和质量上都有显著提高。任务时间全面下降了40%。值得注意的是,最大的质量提升集中在底层。ChatGPT组中表现最差的作者,其效率与没有使用ChatGPT的平均水平作者相当——这是一个巨大的质量飞跃。

ChatGPT并没有消除专业知识的作用。虽然最优秀的作者在使用任何一套工具时都保持在顶端,但ChatGPT使最有能力的人写得更快,使能力较弱的人写得既更快又更好——因此,合格作者与优秀作者之间的生产力差距缩小了。

在最近的一篇美国国家经济研究局(National Bureau of Economic Research)论文中,斯坦福大学的研究员埃里克·布林约尔松(Erik Brynjolfsson),以及麻省理工学院的丹妮尔·李(Danielle Li)和琳赛·雷蒙德(Lindsey Raymond)评估了生成式人工智能工具的使用,这些工具为客户服务代理提供建议回复。他们还估计生产力有显著的、约14%的提高,并且与诺伊和张的研究类似,这些收益在新手劳动者中最为明显。

AI 工具帮助新手员工在三个月内(而非十个月)达到了资深员工的能力水平。一个意想不到的副作用是,新员工的离职率也大幅下降,这很可能是因为他们在聊天窗口中面对的客户愤怒减少了。在 AI 工具的缓冲下,支持人员无论是从客户那里感受到的敌意,还是对客户产生的敌意,都显著减少了。

在这三个案例中,AI 工具起到了补充专业知识的作用,而非取代专家。这是通过自动化与增强功能的结合来实现的。自动化的好处体现在节省时间上。AI 撰写了计算机代码、广告文案和客户支持回复的初稿。而增强功能的好处则体现在质量提升上。

借助 AI,技能水平较低的员工所产出的工作成果,在质量上更接近其经验丰富、技术娴熟的同行。但质量的提升不仅仅是因为员工在 AI 自动驾驶时“睡着了”。员工仍需运用他们的专业知识和判断力来产出最终的代码、文本或客户支持方案,同时还要善用 AI 提供的建议。

最近的另一篇 NBER 论文提供了一个可以说证明了这一规律的例外情况。麻省理工学院的尼基尔·阿加瓦尔(Nikhil Agarwal)及其合著者进行了一项实验,随机分配了专业放射科医生获得 AI 辅助的机会。他们发现,AI 并没有提高放射科医生的诊断质量——尽管 AI 的预测准确率至少与所研究的近三分之二的医生相当。

这是因为医生们并不了解如何有效地使用 AI 工具;当 AI 提供确信的预测时,医生经常会用自己的判断覆盖这些预测。而当 AI 提供不确定的预测时,医生又经常会用机器提供的结果覆盖他们自己本应更准确的判断。

这给我们的教训不是 AI 不适合医生,而是其广泛的互补性使用需要培训和获取额外的专业知识。掌握了这些专业知识后,放射科医生在诊断时将变得既快又准,从而作为专家更具价值。

“从合同法到微积分教学,再到导管插入术,AI 有潜力使更多的员工能够执行高风险的专家任务。”

如果 AI 在放射学、客户服务、软件编码、文案写作和许多其他领域引发生产力激增,难道不意味着我们将剩下更少的员工来完成以前由多人完成的工作吗?在某些领域,情况很可能恰恰相反。

对医疗保健、教育和计算机代码的需求似乎是无限的——如果 AI 如预期那样降低了这些服务的成本,需求还会进一步上升。但在其他领域,是的,生产力的快速增长确实会侵蚀就业。1900 年,美国约 35% 的就业人口从事农业。经过一个世纪的持续生产力增长,这一比例在 2022 年降至约 1%——但这并不是因为我们吃得少了。

但对于特定产品或服务就业情况的判断,从未适用于整个经济体。当美国近 40% 的工人还在农场工作时,医疗保健、金融保险以及软件计算等领域才刚刚萌芽。

当代大多数工作并非是那些尚未被自动化取代的历史职业的残余。相反,它们是与特定技术创新密不可分的新兴职业;它们需要早期时代无法获得或无法想象的新型专业知识。

在相关创新产生需求之前,并没有空中交通管制员、电工或基因编辑师。技术也不是故事的全部。许多专家级个人服务职业,如纯素厨师、大学招生顾问和私人教练,其生计并非归功于特定的创新,而是归功于收入水平的提高、流行趋势的波动以及经济激励机制的转变。创新通过扩大经济蛋糕,使社会能够要求获得更丰厚的部分,从而对此做出了贡献。

面对未来几十年人口增长停滞和退休人口比例上升的局面,美国乃至整个工业化世界面临的挑战不是工作短缺,而是劳动力短缺。例如,在人口迅速老龄化的日本,《金融时报》报道称:“日本零售商已经缩短了营业时间,安装了虚拟形象,并雇佣了外国留学生来应对劳动力短缺。”

如果 AI 能使更多的员工更有效地利用他们的专业知识,从而提高高生产力岗位的比例,同时缓解人口结构对劳动力市场造成的压力,这对美国和其他工业化国家将大有裨益。

替代与互补

如果 AI 能大量供应廉价的专业知识,那么剩下的一点点人类专业知识是否会变得多余?我用一个类比来回答:YouTube。如果你擅长家庭维修或从事技术行业,你可能花时间看过 YouTube 上的“操作指南”视频:如何更换电灯开关、如何查找煤气泄漏、如何调试吹雪机等等。根据皮尤研究中心 2018 年的一项研究,51% 的成年 YouTube 用户表示,该网站对于“弄清楚如何做他们以前没做过的事情”非常重要。

但这些操作指南视频对谁有用呢?不是专家。他们是视频的制作者。那么业余爱好者呢?假设我想把我 19 世纪住宅里的保险丝盒换成 20 世纪的断路器面板。假设我从未碰过电工钳,也没有绝缘手套。但我有一个空闲的周六,拐角处就有一家家得宝(Home Depot)。我信心满满地打开了网上成百上千个关于这个主题的 YouTube 指南视频,开始动手。不可避免地(虽然不是立即),我意识到我 19 世纪的保险丝盒和视频里的不太一样。无论我是选择中途放弃还是硬着头皮继续,我都面临着触电或引发火灾的明显风险。

那个 YouTube 视频显然不是为我准备的。为了利用这些唾手可得的免费专业知识,我需要基础的专业知识:处理高压电路的程序性知识,以及当工作偏离剧本时解决问题的专家判断力。有了这些专业知识,YouTube 可能正是我所需要的。

我的观点是:工具往往不会让专业知识变得多余,反而通过扩展其效能和范围,使其变得更有价值。而且工具越强大,风险就越高。正如亚历山大·蒲柏(Alexander Pope)所指出的那样,“一知半解是件危险的事”。

虽然 AI 不仅仅是白领专业人士的 YouTube,但它在扩展专家能力方面的作用将是至关重要的。例如,大多数医疗程序都遵循一套明确的步骤。但执行这些步骤需要实践经验以及随之而来的、心领神会的专家判断力。

“工具往往不会让专业知识变得多余,反而通过扩展其效能和范围,使其变得更有价值。”

可以想象,一位经验丰富的医务人员在 AI 的指导下,可以掌握一种新的医疗设备(如使用新型导管),或在紧急情况下执行不熟悉的程序。一个未经培训的成年人或许也能通过观看 YouTube 上的“操作指南”视频成功地为患者(或自己)进行导管插入。但当程序不可避免地偏离剧本时,最好有具备专业医学判断力的人在场。

人工智能通常不会使未经培训的非专家员工能够执行高风险任务,如导管插入。但它可以使具备适当专业基础的员工更上一层楼。AI 可以通过在良好的基础和稳固的结构之上构建“楼层”来扩展专业知识的触角。如果没有这个基础,它就是一种结构性隐患。

我是不是忽略了 AI 驱动的机器人很快就会独立完成这些工作——无需人类专家参与的可能性?我不这么认为。AI 将加速机器人技术的发展,但在不可预测的现实世界环境(而非严格受控的工厂环境)中,部署机器人来执行体力要求高的任务,要做到可行且具有成本效益,依然遥远。

如果这听起来过于悲观,请考虑一下,尽管投入了巨额资金并广泛宣称即将取得成功,但我们这个时代领先的科技公司在实现自动驾驶方面依然步履蹒跚。为什么?并不是因为操作方向盘、油门和刹车踏板对机器人来说有多难。这简直微不足道。真正极具挑战性的是解读并适当地应对一个充满不可预测的行人、不断变化的道路危险和恶劣天气的世界。从这个角度看,安装断路器盒、准备一顿饭或为患者进行导管插入所需的认知和身体灵活性,显得令人敬畏。

专业知识的黄昏?

有人可能会反驳说,我所描述的仅仅是人类专业知识宁静的黄昏。AI 不会像拖拉机取代挖沟、流水线取代手工技艺、计算器取代长除法那样,让专业知识自动化吗?

虽然我怀疑大多数读者不会喜欢一个人类仍然必须用锻铁敲打工具或用纸笔做长除法的世界,但我理解这种担忧。在我看来,一个人类劳动没有经济价值的未来是一个无法治理的噩梦——尽管一些保障性收入的拥护者会持不同意见。无论如何,这个结论并不能从前提中推导出来。

创新总是提供新的工具,而工具往往是自动化的工具。例如,伦敦的出租车司机需要训练多年来背诵伦敦所有的街道——但智能手机导航应用使这种来之不易的专业知识在技术上变得过时,在经济上变得多余。

工具可以而且确实会侵蚀其使用者的专业知识。但事实往往恰恰相反。回想一下之前的空中交通管制员。如果没有雷达、GPS 和双向无线电,这些训练有素的专家除了盯着天空看之外,几乎什么也做不了。同样,如果剥夺了医生、建筑工人和音乐家应用其专业知识所需的工具,大多数长期职业的专业知识将变得远没有那么有用,在许多情况下甚至变得无关紧要。

用经济学术语来说,导航应用使伦敦出租车司机的专业知识自动化了。但雷达、GPS 和双向无线电对空中交通管制员来说却产生了相反的效果。在这种情况下,创新并没有实现自动化,而是创造了一种新型的专家工作。

如果创新仅仅被用于自动化,我们早就没有工作可做了。相反,工业化世界似乎在工作机会用完之前,就先用完了劳动力。可能的原因是,最重要的创新从来都不是关于自动化的。例如,自动化并没有催生飞机、室内管道、青霉素、CRISPR 或电视。

这些创新不是在自动化现有任务,而是开启了人类可能性的全新视野。同时,它们创造了新的就业机会和对专业知识的新需求。在相关创新产生需求之前,并没有机组人员、家庭水管工、遗传学家或电视演员。

AI 将使某些职业的核心任务自动化,淘汰其他职业,并彻底重塑剩余职业中的一部分。它将同时创造新的商品和服务,产生对专业知识的新需求,并为人类进步开辟新的可能性——尽管预测这些可能性是什么总是很困难。

“工业化世界似乎在工作机会用完之前,就先用完了劳动力。”

这些抵消效应将产生赢家和输家,调整过程可能会很痛苦。没有任何经济规律规定自动化和新工作创造的力量是相等且相互抵消的;事实上,最新证据表明前者正在超过后者。然而,即使这些相反的力量能够相互制衡,专业知识被 AI 取代的工人,也不太可能是那些专业知识变得新颖有价值的工人。

一种情景,而非预测

历史和学术研究表明,社会发展的技术以及如何使用这些技术——是为了剥削还是解放,是为了扩大繁荣还是集中财富——首先取决于它们所处的制度以及部署它们所依据的激励机制。

20 世纪 40 年代对受控核裂变的科学掌握,使各国既能生产出极具破坏力的武器,也能建造近乎零碳排放的发电厂。八十年后,各国对这些技术的优先排序各不相同。朝鲜拥有大量核武器,但没有民用核电站。日本是唯一遭受过进攻性核武器攻击的国家,它没有核武器,却拥有数十座民用核电站。

人工智能比核技术更具可塑性和广泛的适用性,因此其建设性和破坏性用途的范围也更广。AI 如何部署,以及谁在过程中获益或受损,将取决于行业、政府、外国、非政府组织、大学、工人组织和个人的集体(且相互冲突的)选择。

利害关系是惊人的,不仅影响经济效率,还影响收入分配、政治权力和公民权利。一些国家已经利用 AI 对其人口进行严密监控,压制偏离官方叙事的观点,并识别(并随后惩罚)异见人士——而且他们正在迅速将这些能力出口给志同道合的独裁政权。在其他环境中,同样的底层 AI 技术被用于推进医学药物研发(包括开发新冠疫苗)、实现口语的实时翻译,并为挣扎中的学习者和早慧的自学者提供免费的定制化辅导。

AI 对劳动力市场构成了真正的风险,但不是技术性失业的未来。风险在于专业知识的贬值。一个人类只提供通用、无差异劳动的未来,是一个没有人是专家,因为每个人都是专家的世界。在这个世界里,劳动力是可随意丢弃的,大部分财富将流向人工智能专利的所有者。这样一个世界的政治轮廓将是一片地狱景象:“机器人总动员”(WALL-E)遇见“疯狂的麦克斯”(Mad Max)。

值得注意的是,这也是许多 AI 远见者似乎心目中的经济未来。例如,ChatGPT 和 DALL-E 的开发者 OpenAI 的章程将通用人工智能(AGI)定义为“在大多数具有经济价值的工作中表现优于人类的高度自主系统”。在 2023 年《纽约时报》畅销书中,AI 先驱穆斯塔法·苏莱曼(Mustafa Suleyman)写道:“如果即将到来的浪潮真的像看起来那样具有普遍性和广泛性,人类将如何竞争?”

关于这些不祥的言论,我能说的最宽容的话是,它们很可能是错误的——这是一种将创新的复杂性简化为自动化单一维度的做法。这些技术远见者是否认为百得(Black & Decker)工具使承包商的技能变得不那么有价值,或者飞机表现得比乘客更出色?后一个问题当然是荒谬的。飞机不是我们的竞争对手;没有它们,我们根本无法飞行。

仅仅以更快的速度和更低的成本复制我们现有的能力,是一项微小的成就。最有价值的工具是补充人类能力并开辟新的可能性前沿。最平庸的工具则是渐进式地超越现有工具。

我的美泰(Maytag)洗衣机利用的计算机处理能力比阿波罗登月任务还要多,这样我就可以在地球上的任何地方启动它的脱水程序。但那台洗衣机永远不会到达月球。如果 AGI 只是给了人类一台更好的洗衣机,而不是一次新的登月任务,那么 AGI 并没有辜负我们,是我们辜负了自己。

在关于即将到来的“AI 机器人末日”的媒体报道洪流中,人们很容易忽略工业化世界长期以来一直工作机会多而劳动力短缺的事实。问题不在于我们是否会有工作——我们会有——而在于这些是否是我们想要的工作。

对于我们中的幸运儿来说,工作提供了目标、社区和尊严。但在过去的四十年里,随着计算机化的推进和不平等的加剧,相当一部分工作的质量、尊严和尊重程度已经下降。

“AI 对劳动力市场构成了真正的风险,但不是技术性失业的未来。风险在于专业知识的贬值。”

AI 为人类提供的独特机会是扭转这一趋势——为更多的员工扩展人类专业知识的相关性、触角和价值。这不仅可以抑制收入不平等,降低医疗和教育等关键服务的成本,还可以帮助恢复许多工人和岗位所失去的质量、地位和自主权。

这条替代路径并非 AI 发展的必然或内在结果。然而,它在技术上是可行的,在经济上是连贯的,在道德上是引人注目的。认识到这种潜力,我们不应问 AI 会对我们做什么,而应问我们希望它为我们做什么。