文丨郑立（暨南大学经济与社会研究院助理教授）

在美剧《西部世界》第三季中，未来的人类世界有一个名为“雷荷波”的系统，它是一个掌握了人类社会所有信息、能计算出未来任何可能性、给出任何问题答案的人工智能系统。毫无疑问，只要拥有这样全知全能的系统，很多人类的技能和工作都能被替代。现实世界里没有“雷荷波”，但它背后的原理——机器学习却在近年来蓬勃发展，并深刻影响着我们的“饭碗”。人们似乎应该愈发担忧：我的工作在未来会不会被算法取代？

什么是机器学习？ and (2017)将机器学习归类为人工智能的一个子领域，其研究“我们如何建立计算机程序，使其通过经验自动提升处理任务的能力”。如同机器人和自动化一样，机器学习也可以看作是一项通用技术。

在这里，我们可以将机器学习理解为一类用于“预测”的计算机算法：我们将数据输入算法中，由机器来“学习”数据中的规律，最后输出我们想要的结果。例如我们向系统输入一个人的饮食偏好和当天行程，然后让系统输出这个人今晚想吃的菜。

事实上，很多统计、计量经济学和计算机模型都可以被纳入这个“预测算法”的大类中，从经典的回归模型到前沿的深度学习等。一般我们所说的机器学习更倾向于由“数据驱动”的方法获得结果，力求预测的准确性，而非由研究者对实际问题进行建模。在如今的“大数据”时代，得益于数据量的膨胀以及计算机算力的提升，由数据驱动的机器学习得到了迅猛的发展。

今天，机器学习对各行各业的影响已经无处不在，并且愈加深化。人力资源部门可以把招聘、员工升职和调动等工作中的简历筛选任务交给机器学习，经常需要处理大量邮件和电话的办公室文员可以利用机器学习进行自动回复，外科医生做手术时可以借助图像识别和机器学习算法的实时建议进行操作。

近年来涌现了不少实证研究探讨人工智能算法在工作中协助人类决策的作用。Hong et al. (2019)建立了一个统计模型分析人工智能算法在医学诊断中的作用，并应用于分析医生对风险妊娠的诊断，他们发现人工智能的预测对医生诊断是有益的，尤其是农村地区的医生。在法院庭审前，法官通常要根据对被告人的判断来决定是否同意保释。 et al. (2018)模拟了用人工智能算法代替法官来进行判断，结果表明在保持保释比例不变的情况下，使用人工智能算法可以减少24.8%的（保释后）犯罪率。

机器学习如此强大，我们不免担心，算法会不会完全取代人类？我们的饭碗会不会丢？要探讨这个问题，我们应该先理解机器学习是如何影响我们的工作的。Autor et al. (2003)将一个工作（job）看作一系列任务（task）的组合，分析机器学习是如何影响一个个具体的任务，而不是作为整体的职业或者工作。 et al. (2019)将任务进一步分为预测任务（ task）和决策任务（ task）。预测任务是机器学习的强项，在充足的数据量和强大的算力支持下，机器学习在自然语言处理、图像识别等方面已经能超越人类。机器学习在预测上的优势主要体现精确度高、耗时少、不确定性降低。决策任务基于预测任务给出的预测值，来做出工作的最终决定。鉴于目前法律和伦理道德的约束，目前决策任务绝大多数依然需要由人来执行。因此，机器学习能替代或者改变的是工作中的预测任务。例如一家基金公司利用上市公司业绩、宏观经济指标等数据，由机器学习算法预测出上市公司的表现，得出选股和权重的建议，最后由基金经理做出配置的决策。

机器学习的影响体现在两方面。一方面，机器学习取代了人类在预测任务上的工作，从而减少了劳动力的需求。另一方面，机器学习在预测任务上的表现提升了人类在决策任务上的资本或劳动的相对回报，从而提高了整体的劳动生产率。更进一步，机器学习在预测任务上的成功还会加速其决策任务上机器学习取代人类决策。比如目前的自动驾驶技术尚未完全成熟，一般而言自动驾驶系统只负责预测任务：通过传感器获取周边环境数据，根据系统内已有的人类驾驶员的决策数据对当前环境做出驾驶建议，但最终决策需要人类执行，这是因为在自动驾驶中出错的代价非常大。可以想象随着自动驾驶系统的预测能力不断进步，由算法代替人类决策的相对回报率将越来越高，最终实现真正的无人驾驶。

我们把机器学习的影响投射到具体的工作任务，而不是一份工作上。因此，在担忧被机器学习和算法抢走工作的时候，我们应该认真思考，自己拥有的技能和能完成的任务是不是足够强大？如果劳动者的核心技能以预测任务为主，那么就有较大风险被人工智能淘汰。相反的，如果劳动者的核心技能是复合型的，具有较复杂的决策任务，要求具备非结构性的认知能力、社会互动能力、创新能力，那么人工智能就难以取代。甚至机器学习所带来的更强大的预测能力还会提升劳动者的生产力，让劳动者享受到技术进步的红利。

机器学习对工作任务的影响在不同职业种类有很大差别。Levy (2017)指出，很多低工资的职业（如门卫、清洁员、家庭健康助手等）很难被自动化取代，因为这些工作需要非结构化的体力活动和社会互动；很多高工资的职业也很难被自动化取代，因为这些工作需要非结构化的认知能力和社会互动。相对的，中等工资、中等技能的职业则相对较容易受机器学习影响。不同职业内部也可能有所差别，如律师的技能似乎很难被算法轻易取代，但以往通常交给年轻律师的文档归类的任务，如今正在被机器学习取代。Frey and (2013)将O*NET职业调查数据的职业划分为可自动化与不可自动化的，估计了702个职业被计算机化的风险，分析指出美国有47%的就业岗位在未来二十年存在被计算机化的高风险，包括运输和物流行业的工人、办公室行政人员、工厂流水线工人等等。

机器学习还可能通过改变某个行业的技术来间接影响其相关行业的劳动力市场情况。 et al. (2019)考察了在eBay上引入机器翻译系统eMT(eBay )对国际贸易的影响，他们发现引入eMT使得美国对拉丁美洲国家的出口增加了17.5%。增加的贸易额将带来贸易活动的增加，从而刺激上下游相关产业的就业。另一个例子是药物研发。如, Two XAR等公司利用机器学习算法来发现特定的小分子化合物，其更精确的药物发现过程能极大地提高下游药物测试行业的工作效率，降低成本提高收益，从而提高该行业的就业和工资水平。更进一步，药物测试效率的提高还将提升将药物市场化的企业的生产力，继续带动下游行业的就业和工资增长。

机器学习的加入有时会直接改变行业的工作内容以及对劳动者的技能要求，从而通过影响行业准入门槛而影响劳动力市场。一个典型例子就是出租车行业和导航系统。以往的出租车司机必须对城市的道路非常熟悉，乘客报一个地名就要在大脑中迅速“计算”出最优的路线，准入门槛因此较高。而导航系统的到来使得司机的“认路”技能无处施展，准入门槛大大降低，直接改变了城市出租车行业的劳动力市场。

目前有很多行业都开始出现机器学习的影子，甚至包括我们一直觉得机器难以“学习”的领域。比如在围棋领域，与电脑人工智能对局已经成为如今职业围棋选手的重要训练方式；在音乐创造领域，索尼推出了人工智能辅助的作曲软件；在历史学考古学领域，我国科学家用人工智能技术成功识别出了失传多年的西夏文。机器学习以其强大的预测能力和数据驱动的方式改变了很多行业一直保有的职业特点和工作内容，这对从业者来说是需要不断去适应的。机器学习还会催生一批新的工作岗位的诞生，如数据科学家、人工智能测试人员等。

对劳动者来说，汹涌而来的机器学习浪潮既是机遇也是挑战。在担忧算法会不会抢走我们饭碗的同时，我们也应该思考：应该如何把握和利用这次新的技术革命？

笔者认为，劳动者首先应当着力提升自己相对于“机器”而言的“核心技能”。正如上文所说，简单的预测任务以外的决策能力、非结构性的认知和非认知能力、创新能力等，是人工智能时代的人力资本的重要组成。此外，在职业的选择方面，我们也应该充分考虑人工智能的影响。最后，人工智能和机器学习的技术发展日新月异，对劳动者的技能进步要求不断提高，培养终身学习的习惯、保持谦卑的心态，才能在不断变化的时代中占据领先。

参考文献目录

Autor D H, Levy F, R J。 The skill of : An [J]。 The of , 2003, 118(4): 1279-1333。 E, Hui X, Liu M。 Does trade? from a large [J]。 , 2019, 65(12): 5449-5460。 E, T。 What can do? [J]。 , 2017, 358(6370): 1530-1534。Frey C B, M A。 The of : How are jobs to ?[J]。

and , 2017, 114: 254-280。Hong, H。, Lin, X。, Tang, K。, & Wang, J。 (2019)。 - : A 。 at SSRN 。 J, H, J, et al。 Human and [J]。 The of , 2018, 133(1): 237-293。Levy F。 and : , jobs, and in the near term[J]。 of , 2018, 34(3): 393-417。