霍金、馬斯克等人都曾公開警告說，機器最終將超越人類的能力，它們的行動將超越我們的控制，甚至可能引發人類文明的崩潰。他們并非少數為此感到擔憂的人。

2014年，皮尤研究中心調查了近1900名技術專家，詢問他們對未來工作的看法，其中近一半的人相信過不了多久，人工智能機器將導致失業加速。根據一項被廣泛引用的分析，到21世紀30年代初，失業比例將達到近50%。他們擔心大規模的失業，以及目前已令人越發擔憂的收入不平等現象的進一步惡化將是不可避免的結果，而這些都將導致社會秩序的崩潰。

事情真的會如他們所擔憂的發展嗎？我們先來看一個簡單的例子：

上個世紀，當各大銀行開始大規模地安裝自動取款機（ATM）時，在這些銀行工作的柜員似乎正面臨被快速淘汰的威脅。如果機器可以全天候24小時地發放現金和接收存款，那么誰還需要人工服務呢？但事實是，銀行仍然需要人。誠然，ATM使得分支銀行能夠在員工數量少得多的情況下運營：平均員工數量從20人降至13人。但節省出來的成本鼓勵了母公司開設更多的分行，結果出納員的總雇傭人數實際上上升了。

事實上，在金融、醫療、教育和法律等領域，都可以找到類似的故事。這并非要說自動化就一定能增加就業，但是它能夠且經常能夠增加就業。

當聽到工作前景在機器人和人工智能時代將越來越堪憂等言論時，ATM的故事就是一個值得記住的事例。想想無人駕駛汽車，或者是以假亂真的人類語音合成，又或者是栩栩如生、能夠自主奔跑、跳躍和開門的機器人——鑒于此類應用的飛速發展，人類離無事可做還有多遠呢？

考慮到目前的發展，機器智能要與人類的全部能力相匹配還有很長的路要走，我們也沒有什么理由擔心在未來10年或20年會出現大規模的失業。

所以，事情會如何發展呢？或許在未來真正到來之前，我們無法確切的知道將會發生什么。但也許這不是正確的提問。人們爭論失業與就業增加的問題，使我們對其他問題視而不見——比如，面對人工智能和機器人技術，工作將如何改變，社會將如何應對這樣的變化。例如，這些新技術是被用作替代人類工人、削減成本的另一種方式，還是被用來幫助員工、解放他們去鍛煉人類獨有的能力，比如解決問題和創造力？

自動化與就業：來自過往的經驗

在過去的40年間，一些高度自動化國家的汽車制造商、鋼鐵廠和其它制造商雇傭的工人總數開始持續、緩慢地減少。比如在美國，這一數字從1979年的高點1950萬，下降到2000年的大約1730萬，接著在2007-2009年的大蕭條后急劇跌落到1150萬的低點。

這是事實，自動化無疑是其中一個因素，但不可能是導致下降的全部原因?；氐竭^去的一百年，工業正以如今同等的速度或更快的速度自動化，就業正強勁增長，這些都是最初吸引數百萬工廠工人的原因。相反，經濟學家將就業率下降歸咎于多種因素的共同作用，其中包括全球化、工會的衰落，以及美國上世紀80年代強調裁員、削減成本、季度利潤高于一切的企業文化。

人工智能和機器人

自動化有許多形式，包括計算機控制的、可以由少數員工操作的鋼鐵廠，以及工業機器人——可以用編程通過一系列動作移動工具（噴漆器、焊槍等）的機械臂。從上世紀70年代以來，這類機器人的使用數量一直在穩步增長。目前，全球約有200萬臺工業機器人在使用，其中大部分是在汽車和電子產品裝配線上，每臺機器人都可以替代一名或多名工人。

誠然，自動化、機器人技術和人工智能（AI）之間的區別相當模糊，而且因為無人駕駛汽車和其他先進的機器人在它們的數字大腦中使用著人工智能軟件，這種區別變得越來越模糊。

但粗略的經驗法則是，機器人執行的是曾經需要人類智能的身體勞動任務，而人工智能軟件則試圖執行理解語言、識別圖像等人類層面的認知任務。自動化是一個概括性術語，不僅包括機器人和人工智能這兩方面，還包括普通計算機和非智能機器。

AI的工作是最艱難的。大約在2010年之前，應用程序受到一個著名悖論的限制，那就是哲學家Michael Polanyi在1966年提出的論述：“我們知道的東西多于我們能夠說出來的?！?這意味著，幫助我們度過每一天的大部分技能都是經過練習的、無意識的、幾乎無法表達的。Polanyi將這些技能稱為隱性知識（相比于教科書上的顯性知識）。

想象一下，你是如何確切地知道像素呈現出的一種特定模式是小狗的照片？或者你是如何在迎面而來的車流中做到安全地左轉的？你可以說你會等待車流中交出現的空位，這聽起來很容易，但是如何把“空位”定義得足夠好，讓計算機也能夠識別出來、或者能夠準確定義車輛間距必須有多大才算得上安全呢？

這種隱性知識包含了眾多諸如此類的微妙、特例以及用“感覺”衡量的事物，以至于程序員似乎沒有辦法提取它，更不用說用精確定義的算法對它進行編碼了。

當然，現如今即使是智能手機的應用程序通常也能識別小狗的照片，自動駕駛汽車也在習以為常地完成左轉任務，盡管并不總是完美。在過去10年里發生的變化是，人工智能開發者現在可以將巨大的計算能力投向海量的數據集——這一過程被稱為“深度學習”。這基本上相當于向機器展示無數張小狗照片和無數張非小狗的照片，然后讓人工智能軟件調試出無數個內部變量，直到它能夠正確識別照片。

盡管這種深度學習過程不是特別有效——人類兒童只需看到一兩只小狗就能識別出狗這種動物——但它對人工智能應用程序（如自動駕駛汽車、機器翻譯以及任何需要語音或圖像識別的應用程序）產生了革命性的影響。

德勤咨詢的數據科學家Jim Guszcza表示，讓人們感到害怕的是，以前需要隱性知識的事情現在可以用計算機解決。因此，人們對法律和新聞等領域的大規模失業產生了新的焦慮，而這些領域以前從未擔心過自動化。所以許多人預測，商店職員、保安和快餐工人，以及卡車、出租車、豪華轎車、送貨車司機，都將很快被淘汰。

你好，我的機器人同事

ATM被大規模應用的時候，銀行柜員本應被淘汰。然而事實卻是，通過ATM實現的自動化不僅擴大了銀行柜員的市場，也改變了這項工作的性質：由于柜員處理現金的時間減少了，他們可以花更多的時間與客戶討論貸款和其他銀行服務。而且因為人際交往能力變得更為重要，銀行柜員的工資有了適度增長。同時，全職而非兼職柜員的職位也有所增加。因此，這是一幅比人們通常能想象的都豐富得多的圖景。

類似的故事在許多其他行業也能找到。例如，即使在網購和自助結賬的時代，零售業的就業人數仍在迅速上升。事實是，即使是現在，要完全的取代人工服務也是很困難的事。

鋼鐵廠也證明了這個規則。鋼鐵廠是環境非常惡劣、艱難的地方，但是，不管是生產哪種鋼鐵，熔煉、鑄造、軋制等過程本身本質上是相同的。因此鋼鐵廠相對容易實現自動化，這也是鋼鐵行業裁員如此之多的原因。

當人工更好時

如果有很多變化和定制，自動化就變得更為困難?，F在在汽車行業可以看到的情景是：大多數人想要的是為他們量身定制的東西，有個性化的顏色、配件、甚至中網。每一輛從裝配線上下來的汽車可能都略有不同。

實現這種靈活性的自動化并非不可能。有可能在某個地方就有一個實驗室的機器人已經掌握了相關技術。但這與大規模、有效控制成本地做這件事是不一樣的。在現實世界中，大多數工業機器人仍然是巨大的、盲目的機器，無論什么人或什么東西阻撓了它們，它們都要進行自己的動作。因此，為了安全起見，機器必須與人隔開。對于這樣的機器，要實現靈活性需要大量的工具和大量的編程，這不是一夜之間就能實現的。

與人類工人的情況相反，對機器重新編程很容易——只要走進工廠，說，”伙計們，今天我們要做的是這個，不是那個?！叭欢?，人們天生就具備機器人手臂無法匹敵的能力，包括精細的電機控制、手眼協調以及處理突發事件的能力。

這就是為什么今天大多數汽車制造商不在裝配線上實現全部自動化。豐田、奔馳和通用汽車等公司將這些巨大而笨拙、用柵欄隔開的機器人限制在骯臟、危險和重復性的工作上，比如焊接和噴漆。他們把工人安置在最終組裝區這樣的地方，在那里，他們可以把最后的零件組裝在一起，同時檢查校準、適合度、光潔度和質量，以及最終的產品是否符合客戶的定制要求。

此外，為了幫助這些工人，許多制造商（不僅僅是汽車制造商）正大量投資“協作機器人”（cobots），這是當今工業自動化發展最快的類別之一。

協作機器人：機器和人一起工作

現在研發協作機器人的公司都是基于機器人專家Prasad Akella團隊在上世紀90年代發展出來的同一個概念，目標就是制造一種安全的機器人，既可以幫助處理有壓力或重復性的任務，又可以把控制權留給工人。

想象一下從傳送帶上拿起一塊電池，走兩步，把電池放進車里，然后再回去拿下一塊——每分鐘一次，每天八小時。如果讓一個人完成這項工作，他回家時必然痛苦不堪。再想象一下讓機器人抬起一個重68千克的駕駛艙——汽車的儀表盤，連同所有附屬的儀器、顯示器和空調設備——操縱機器人通過汽車的門口，而不損壞任何東西。

西北大學的機械工程師、Akella團隊的外部研究員Michael Peshkin說，設計一個能夠幫助完成這些任務的機器人在當時是一個相當新穎的研究挑戰。這一領域的研究重點在于提高機器人的自主性、感知能力和應對變化的能力。但在這個項目出現之前，沒有人太關注機器人與人類合作的能力。

因此，對于他們的第一個合作機器人，Peshkin和他在西北大學的同事Edward Colgate從一個非常簡單的概念開始：一輛配備了一系列升降機的小車，可以把駕駛艙之類的東西吊起來，并由工人引導小車就位。但是這輛車不完全是被動的，它能感知到自己的位置，然后轉動輪子，讓自己停留在一個“虛擬的約束面”內——實際上，這是一個無形的空中漏斗，它會引導駕駛艙穿過艙門，抵達正確的位置，而沒有任何劃傷。然后，工人就可以輕松地檢查最終的組裝和附件。

另一輛由通用汽車贊助的原型車用工人引導的機械臂取代了小車，這種懸掛在天花板上的機械臂除了擁有可移動的懸掛點之外，還能舉起汽車部件。但它也有同樣的機器輔助和工人控制的原理——當研究人員在通用汽車的裝配線上試用他們的原型時，這個原理被證明是至關重要的。

人們原本預計會遭遇很多來自工人的阻力，但事實上，工人們非常歡迎協作機器人，他們完全理解機器人可以保護他們的背部免受傷害；同樣重要的是，工人們喜歡使用協作機器人，他們喜歡能夠按照自己的意愿讓機器人稍微快一點或慢一點。在裝配線上，每52秒就有一輛汽車開過，一點自主性對于工人來說真的很重要。而且，他們喜歡成為這個過程的一部分。人們希望展示自己的技能，他們喜歡使用自己的身體，從自己的動作中獲得樂趣，而協作機器人給了他們這些，他們能夠以一種固定機械無法提供的方式享受工作。

AI的限制

Akella目前的公司同樣歡迎基于人工智能的軟件。細節仍然是只有工人才能做的，但其基本思想是使用先進的計算機視覺技術（在某種程度上類似于裝配線上的GPS）為工人逐條提供指令和警告。假設一名工人正在組裝一部iPhone，從頭頂上觀看的攝像頭發現，四個螺絲中只有三個是擰緊的，那么就可以提醒工人說：“在螺絲下線之前，一定要把最后一個螺絲也擰緊。”

這確實有讓工人感到被監視的一面。但是，很多操作者最終非常感激這項技術。他們非常清楚自動化和機器人對他們的影響，而且他們很快就意識到，這是一種工具，可以幫助他們變得更高效、更精確，最終對公司更有價值。這樣公司更愿意在員工身上投資，而不是解雇他們。

在未來很長一段時間里，“使用技術來幫助人們完成他們的工作而不是取代人們”這一主題，很可能是人工智能應用程序的一個特征。就像機器人一樣，還有一些重要的事情人工智能無法做到。

以醫學為例。在華盛頓布魯金斯研究所研究創新的政治科學家Darrell West說，深度學習已經開發出了軟件，可以和人類放射科醫生同樣好甚至更好地分析X射線。但是，我們不想讓軟件告訴一個人，“你剛獲得的診斷可能是癌癥?！?我們仍然需要一位放射科醫生來檢查人工智能，以確保它所觀察到的是真實的情況，然后，如果結果不好，一位癌癥專家會把這個消息告訴病人，并開始計劃治療過程。

同樣，在法律領域，人工智能可以在尋找可能與案件有關的判例方面提供巨大幫助，但是，在解釋判例或在法庭上利用判例處理案件方面，人工智能卻不能提供幫助。Guszcza說，更普遍的是，基于深度學習的人工智能非常善于識別特征，并將注意力集中在需要的地方。但在處理意外事件、整合多種多樣來源的知識和運用常識等方面，它還遠遠不夠，而這些都是人類非常擅長的事情。

而且，我們不能指望軟件真正理解它在處理什么。Guszcza表示：“我沒有看到任何證據表明，利用當前的人工智能能讓我們實現完全的常識性推理?！边@呼應了許多人工智能研究人員的觀點。例如，在2017年9月，深度學習先驅、多倫多大學的計算機科學家Geoffrey Hinton說，如果研究人員希望實現人類水平的人工智能，那么這個領域需要一些全新的想法。

工作的演化

人工智能的局限性是很多經濟學家認為它不會在短期內造成大規模失業的另一個原因。波士頓大學經濟學家James Bessen表示：“自動化幾乎總是自動地完成一項任務，而不是整個工作?！?這呼應了許多人的觀點。雖然每一份工作都至少有一些例行的任務可以從人工智能中受益，但很少有工作是完全由例行任務組成的。事實上，Bessen在系統地研究1950年人口普查中列出的所有工作時，發現只有一種職業可以明確地說是因為自動化而消失的，那就是電梯操作員。1950年有5萬名電梯操作員，而今天一個也沒有。

另一方面，工作場所并不需要大規模的失業才會出現大規模動蕩。機器人和人工智能究竟會帶來更多還是更少的工作崗位，專家們對此很難達成共識，但它們肯定會改變工作本身。每個人都希望，這種對技能和功能的巨大分類將會持續到可以預見的未來。

最為擔憂的那些專家認為，更糟糕的是，在歷史上我們從未經歷過如此迅速的變化。這不只是信息技術、人工智能或機器人，還有納米技術、生物技術、3D打印、通信技術等等。變化發生在許多方面，它們可能壓垮我們調整適應的能力。

為將來的工作做準備

如果是這樣，由此所導致的工作崗位持續動蕩，可能會在更廣泛的社會領域引發一些根本性的變化。皮尤研究中心的專家們和其他人提出的建議包括，加強對尋求新技能的成年人的繼續教育和再培訓，以及完善社會安全網，幫助人們從一份工作轉換到另一份工作，從一個地方搬遷到另一個地方。

科技行業甚至出現了對某種有保障的年收入的支持，其理論是，人工智能和機器人的進步最終將超越目前的局限，使大規模的工作中斷不可避免，這意味著人們將需要一個緩沖。

這是一種非常政治化的討論。目前，皮尤研究中心所做的民意調查顯示，公眾并沒有真正注意到這一點。有很多普通的人會說：“是的，其他人都會被這個搞砸，但我不會。我的事業很好，我無法想象一臺機器或一款軟件如何取代我?！?/p>

但這是一個迫切需要進行討論的問題。看看已經在醞釀中的東西，技術革命的全部力量將發生在2020年至2050年之間。因此，如果我們現在做出改變，在未來20年里逐步分階段實施，情況是完全可以控制的。但如果等到2040年，問題可能就難以收拾了。