《自然》杂志：关于人类未来的工作，有三个最紧迫的问题

编者按：本文是一篇发表在《自然》杂志的综述，着重探讨了三个关于未来工作紧迫的问题：机器学习会淘汰工人吗？零工经济（Gig Economy）会增加对工人的剥削吗？技能的差距能够弥补吗？并给出了学者们对这些问题的研究成果。文章由36氪编译。

去年，在线教育公司Udacity的创始人和总裁Sebastian Thrun开始用人工智能来“武装”销售团队。销售团队主要任务是回答潜在用户提出的问题，从而来提高转化率。Thrun在斯坦福大学有一个计算机科学实验室，他和他的一个学生一起收集了那些能够成功让学生报名参加课程的聊天记录。然后将聊天内容输入到机器学习系统中，经过训练，这一系统能够对各种常见的问题给出最有效的回答。

接下来，他们让这个系统——数字销售助理和人类同事一起工作。当问题出现时，这个系统会给出一个合适的回应，销售人员可以根据实际情况进行调整。这一做法获得非常良好的效果：销售团队处理问题的效率得到了提升，转化率也得到了大幅度提高。Thrun表示，从本质上来说，这一系统将公司最优秀的销售人员的技能打包起来，并交付给整个团队使用。他认为，这一过程可能具有革命性的意义。“就像蒸汽机和汽车增强了我们的肌肉力量一样，这可能会增强我们的智力，让我们在智力上完成跃迁，成为超级人类。”过去10年，数字技术取得了显著进步，包括人工智能（AI）、机器人技术、云计算、数据分析和移动通信。

在未来的几十年里，这些技术将改变几乎所有的行业（从农业、医药和制造业到销售、金融和交通），并重塑工作的性质。“数百万的工作岗位将被淘汰，数以百万计的新工作将被创造，更多的工作将会发生改变，”麻省理工学院数字经济项目的负责人Erik Brynjolfsson说。

但做出准确的预测非常困难。Brynjolfsson说：“这些技术正在快速发展，这在某种程度上是一件好事，但我们在理解它们的影响方面有巨大的差距，这需要有更多的研究。”研究人员已经开始这样做了，但新出现的变化都表明，这背后并不简单。数字技术的进步可能会以复杂而微妙的方式改变工作，为就业者创造机会，或者带来风险。

这里有三个紧迫的关于未来工作的问题，以及研究人员是如何开始回答这些问题的。

人工智能会淘汰工人吗？

在以前的自动化浪潮中，技术进步让机器能够接管简单、重复和常规的任务。机器学习提高了将更复杂、非常规的认知任务自动化的可能性。Brynjolfsson说：“在过去的40~50年的大部分时间里，机器是不可能自动完成任务的。”“这已经是过去式了。”现在机器可以自己学习了。”

机器学习系统可以转译语音、识别图像、挑选股票、检测欺诈和诊断疾病，在一些新的领域几乎能与人类的表现相抗衡。Thrun说：“一台机器实际上可以看到非常非常非常多的数据样本，远远超出了人类能处理的范畴。”今年早些时候，他领导团队做了一项研究，用了大约129000张皮肤损伤图像训练一台机器诊断皮肤癌，其精确度与合格的皮肤科医生相当。

这些进步让人们担心，这样的系统可能会取代曾经看起来过于复杂、无法实现自动化的人类工人。专家在前几年给出的预测非常可怕。2013年，英国牛津大学的研究人员评估了机器学习与移动机器人技术对702种不同职业产生的影响。他们得出的结论是，美国有47%的工作都有高风险，交通、物流、生产和行政支持方面的工作岗位最容易受到自动化的影响。同时，这对于出租车司机、档案员来说也是一个麻烦。不过从那以后，其他的研究人员认为47%的数字太高了，因为许多岗位的工作者都有很多工作要做。

德国曼海姆欧洲经济研究中心的高级研究员Ulrich Zierahn说：“一旦你深入研究，你就会发现人们在工作中真正承担的角色是什么，然后你会发现他们的估计要‘水’得多。”

例如，牛津大学的研究报告称，记账、会计和审计的职员面临着98%的自动化风险。但当Zierahn和他的同事们分析调查数据时，发现76％的工作需要团队合作或面对面的互动。至少就目前而言，这样的工作并不容易实现自动化。当研究人员将他们的方法扩展到其他职业时，他们发现在被调查的21个国家中，危险工作的数量并不那么令人担忧。在美国，自动化程度高的工人所占的比例仅为9%，而在韩国和爱沙尼亚，这一比例为6%，德国和奥地利为12%。

Brynjolfsson现在正与卡内基梅隆大学的计算机科学家Tom Mitchell合作，深入研究机器学习的影响。他们制定了一个规范，列出了特别适合自动化的任务都有哪些特征。例如，机器学习系统擅长将一组输入——比如皮肤病变的图像——转换成另一组输出，如癌症诊断。因此，它们非常适合用来处理那些需要大量数据集来完成的任务。Brynjolfsson和Mitchell正在深度挖掘几个大型职业数据库，以确定各种各样的工作任务与自动化特征的匹配程度。

即使有了这些分析，去确定劳动力市场将会发生什么也非常困难。但一个工作可以自动化，并不代表着它就肯定会自动化。企业或组织需要耗费大量的金钱与时间变革，以适应新技术的普及与运用。法律、伦理和社会的障碍也会阻碍自动化的部署。“人工智能还不是一种现成的产品，”意大利米兰-比奥卡大学医疗信息学专家Federico Cabitza说。举例来说，一个医疗机器学习系统的实施运转，不仅需要技术上的准备，还需要有大量时间入进去。更不用说让护理人员和病人的参与了。

研究表明，劳动力对新技术的适应能力是很强的。在20世纪后半叶，自动化程度的提高导致了职业的转变，工人开始执行更复杂和非常规的任务。在未来的一些场景中，这些转变可能是积极的;如果自动化系统能够进行常规的医学诊断，它就可以让医生花更多的时间与病人互动，去处理复杂的病例。Mitchell说：“计算机在医学诊断方面的能力越来越强，这并不意味着医生会这个职业类别消失。”“也许这意味着我们会有更好的医生。”

事实上，许多人可能会发现自己能与人工智能系统一起工作，来提高工作效率，就像Udacity的销售人员所做的那样，而不是被它们取代。例如，自动驾驶汽车还无法应对所有情况，所以日产正在研发一种以人为本的解决方案。如果它的一辆自动驾驶汽车遇到了它不明白的情况，比如道路施工或发生了交通事故，它将会将信息反馈给一个遥控指挥中心，在那里，将车辆交给一个“移动经理”控制，直到通过故障点。“机器思考的方式与人类完全不同，而且每个人都有自己的优势，”弗吉尼亚州费尔法克斯市人类计算研究所执行主任Pietro Michelucci说，“因此，机器和人类之间存在着一种真正的、自然的‘联姻’。”

零工经济（Gig Economy）会增加对工人的剥削吗？

正在蓬勃发展的零工经济具有灵活性、多样性和自主性等特征。在这种经济模式下，人们可以利用在线平台来寻找短期的工作。现在，有各种各样这种按需的，依赖于网络媒介的工作形式。最典型的莫过于Uber司机。其他还有各种众包，比如亚马逊的众包平台 Mechanical Turk，有着做调查、翻译几句话或给一张图片贴上标签的微任务。

这些数字平台可以让员工在任何地方完成任务，这意味着他们可以消除一些地理障碍，从而找到工作。“Nairobi（东非国家肯尼亚的首都）已经有人不再受制于当地劳动力市场，”牛津大学数字地理学家Mark Graham说。

Graham和他的同事们花了几年时间研究东南亚和撒哈拉以南非洲地区的网络-按需经济。他们对这些地区超过150名零工劳动者进行了面对面的采访，对超过500人进行了调查，并对网上劳动力平台上的数十万笔交易进行了分析。

他们的初步结果显示，这些工作确实能给一些零工劳动者带来好处;68%的受访者表示，这项工作是他们家庭收入的重要组成部分。网络平台为各种各样的人提供了工作机会，比如移民女性和没有工作许可的移民，对于他们来说，就业机会非常有限。Graham说：“这个体系确实让有些人获益匪浅，但并不是每个人都是这样。”

在零工经济中，劳动力明显供过于求。所以劳动报酬被压的很低。有些时候工作要求的时间非常紧急，许多人不得不加班加点。Graham说：“他们的生活本来就很不稳定，所以他们很担心那些工作会对自己说‘不’。”“我们访谈了很多人，他们为了按时完成工作付出了很多的代价，比如连续工作48个小时。”

不同地域之间仍旧存在着很大的不平等。在2014年的一项研究中，Graham和几位同事分析了一个平台在2013年3月的6万多笔交易。他们发现，大多数工作都是由高收入国家的雇主列出，并由低收入或中等收入国家的工人完成的。

但那些离工作地点很近的人似乎仍有优势。同样的任务，他们挣得比外国工人高得多——平均每小时24.13美元，而外国工人的工资是每小时11.66美元。此外，还有一些低收入和中等收入国家的就业机会比其他国家多，在Graham的分析中，印度和菲律宾是前两名。

这些差异其实也可以解释。语言和时区差异可能会导致一些雇主不愿雇用外国劳工，印度和菲律宾有着劳工外包的历史，对于雇主来说，可能会更有吸引力。但无论是否有意识，Graham的团队在其中发现了一些歧视，比如一些任务，来自某些国家的人不需要申请就可以去做。

另一项关于零工劳动者的大型人种学研究也开始透露更多关于这项工作是如何完成的。它还提供了一些关于员工需要成功的线索。在2013年到2015年之间，微软研究院的两名高级研究员Mary Gray和Siddharth Suri对美国和印度的大约2,000名零工工人进行了调查，并对近200名工作人员进行了长时间的采访。

他们得出的第一个结论是，尽管零工工人经常被描绘成独立自主的劳动者，但实际上他们中的许多人都需要互相沟通和合作。工人们互相帮助建立账户和个人档案，分享关于优秀雇主和新岗位的信息，并相互提供技术和社会支持。Suri说，工人们正在有意识地将人类的联系重新融入到新的系统中，他们是在用自己的时间去完成工作。“所以他们显然必须重视这个问题。”

在一项后续的定量研究中，他们绘制了1万多名在亚马逊的众包平台Mechanical Turk上工作的工人的社会联系。Gray、Suri和他们的同事们发现，这种合作可以带来真正的回报。在这个平台上与至少另一个人有联系的工人会获得更高的支持率，更有可能比那些没有没有社会联系的人更快地发现新任务。Gray说，要让人们高效工作，“事实证明他们真的需要合作。他们需要彼此。”

技能的差距能够弥补吗？

近年来，专家们一直在提醒人们，拥有数字技能的工人短缺迫在眉睫。他们警告说，没有足够多的受过培训的工人来填补高技术职位，而且缺乏基本的数字化素养，可能会阻碍某些地区或人口群体的工人在数字经济中蓬勃发展。作为回应，世界各地涌现出各种促进数字扫盲和提高技能的创新创业项目。现在，研究已经开始提供一些线索，告诉我们哪些是有效的，哪些是无效的，哪些技能培训可能会失败。

已经有一些成功案例了。十多年前，美国国防高级研究计划局开始开发一种个性化、交互式和自适应的“数字家庭教师”系统，以培训美国海军的新成员，从事信息系统技术（IT）工作。学生们将与导师一对一合作，完成不同主题的课程，并解决相关的问题。该系统对概念学习和反思进行了优先排序，定期督促学生复习他们学过的知识。当辅导系统判断一个学生已经掌握了这种材料时，它就会进入下一个话题。

在2014年的一次审查中，研究人员发现，完成16周课程的12名新学员的表现，超过了传统的、以教室为基础的美国海军的毕业生，更关键的是这些毕业生的培训持续了32周。这些新学员甚至比一组有10年工作经验的高级海军IT技术人员的表现还要好。”

在随后的一项研究中，稍微修改后的“数字家庭教师”系统在培训100名退伍军人从事IT行业中的文职工作时，也得到了类似的结果。在完成该计划的6个月内，97%的退伍军人都获得了对应的工作，他们的平均年薪大致相当于拥有3-5年工作经验的人。

还有许多其他的策略被用于提高工人的数字化技能，改善他们的就业状况，包括大规模开放在线课程（MOOC）和传授计算机编程的基础知识的训练营。

2016年，对哥伦比亚、菲律宾和南非等地的1400名MOOC用户进行了分析发现，80%的学生来自中低收入家庭，41%的学生只具备基本的计算机技能。超过一半的学生（56%）是女性，最受欢迎的课程是计算机科学。

但这其中的很多课程质量参差不齐，很少有人得到严格的评估。但编程训练营费用高昂，还需要投入大量的时间，主要位于城市的。在2015年的一项关于67000多门MOOC课程的研究中，斯坦福大学的两名研究人员发现，来自非洲、亚洲和拉丁美洲的女性学生对课程的完成率都不太乐观，而且她们的成绩比男性学生和来自北美、欧洲和大洋洲的MOOC学生的成绩要低。

即使是那些成功完成数字技能课程的人，也仍然面临着各种各样的就业障碍。2004年，研究人员对内罗毕的斯特拉斯摩尔大学肯尼亚IT项目的学生进行了访谈，一些学生表示，他们担心自己找不到工作，或者工作能力不被认可。“这对女性来说尤其如此，”参与这项研究的信息科学家Lynette Yarger说。正如一名女学生所说：“因为我是女性，雇主可能不会认为他们应该给我一份工作，所以我可能永远无法充分利用我所学到的一切，做我想做的工作。”

这项研究已经明确表明，即使是设计良好的培训项目，也可能不足以确保“学生”能够在数字化领域取得成功。“你有更好的技能，知道如何使用电脑，这并不一定意味着你可以找到一份好工作。”“技能是这个难题的一个重要部分，但除了它们还有很多的问题。”

原文链接：https://www.nature.com/news/the-shape-of-work-to-come-1.22839

编译组出品。编辑：郝鹏程

本文来自翻译, 如若转载请注明出处。