上一章提到的所有人工智能产品和服务都可通过现有技术实现了，将它们投放到市场上已经不需要人工智能研究的重大突破。这些产品和服务进一步激发了大众对于人工智能的想象力。它们使大众相信：现在距离实现人工智能研究的终极目标——强人工智能（AGI）只有一步之遥；作为有思维能力的机器——强人工智能有能力执行任何人类可以完成甚至人类都无法完成的任务。
有人预测，随着强人工智能迎来曙光，具备自我完善能力的机器会触发计算机智能发展的“奇点”——出现一种理解和操纵世界的能力让人类相形见绌的机器，人类与它们的智力差距差不多就是昆虫与人类的差距。这一大胆的预测将知识界分为两个阵营——乌托邦人士和反乌托邦人士。
乌托邦人士将强人工智能的开端和之后的奇点看作人类繁荣的前沿阵地，认为这是人类进一步拓宽智识和永生的机会。谷歌首席未来学家雷·库兹韦尔（Ray Kurzweil）设想了一个极端的未来，他认为人类和机器将完全融合。他预言，我们会将自己的思维上传到云，通过放入我们血流中的智能纳米机器人不断更新我们的身体。而现在距离实现强人工智能只差10年，2045年，我们将会迎来奇点时刻。(1)另一些乌托邦思想家认为强人工智能可以快速解开物理宇宙的未解之谜。DeepMind创始人哈萨比斯则预言，创造超级智能可以让人类文明解决目前无解的难题，如为全球变暖和不治之症带来绝妙的解决方案。拥有超越人类想象力且可以更大程度地理解宇宙的超级能力后，这些机器就不再只是减轻人类负担的工具，它们更接近于全知全能的上帝。
不是所有人都如此乐观。埃隆·马斯克将超级智能称为“人类文明面临的最大风险”(2)，他将创造超级智能比为“召唤恶魔”(3)。已故的宇宙学家斯蒂芬·霍金（Stephen William Hawking）也加入了反乌托邦阵营。他们之中许多人都受牛津大学哲学家尼克·波斯特洛姆（Nick Bostrom）的著作《超级智能》(4)启发。波斯特洛姆在书中展示了对人工智能研究人员的调查结果。他们预测的中值是在2040年创造出强人工智能，超级智能可能会在此后30年内出现。这本书吸引了众多未来学家。反乌托邦阵营中的大部分人其实并不担心人工智能会像《终结者》（The Terminator）等科幻电影中想象的那样接管世界，他们真正恐惧的是如果人类本身成为超级智能实现某一目标的障碍，例如改变全球变暖，它们可以轻易甚至是无意中将人类从地球上抹去。对于想象力远超人类的计算机程序而言，抹杀人类根本不需要像电影中持枪机器人一样粗鲁。对于化学、物理和纳米技术的深刻理解，让它们可以用巧妙得多的方式立即完成任务。
尽管对强人工智能实现的时间各执一词，但这并不妨碍上述乌托邦和反乌托邦构想在人们心中激荡出惊叹和畏惧之情。这种强烈的情感甚至模糊了人类关于人工智能的幻想与现实水平之间的界限，也混淆了现状与需要思考的未来方向。
人工智能发展现状
请本书的读者放心，我认为万能的超级智能在当前技术下还不可能实现。目前还没有已知的强人工智能算法或明晰的工程路线可以实现这些构想。人类的独特性并不是突然自发产生的，就像自动驾驶汽车不可能在深度学习过程中突然“醒悟”——“啊，我们（自动驾驶汽车）可以联合起来形成一个超级智能网络。”
实现强人工智能需要大量的人工智能基础科学的突破，以及深度学习的一连串巨大进步。这些突破与进步需要去除目前弱人工智能的能力天花板，赋予它们更强大的新能力，如多域学习、泛领域学习、自然语言理解、常识推理、规划以及通过少量示例学习。下一步发展情感智能机器人可能需要赋予它们自我意识、幽默感、爱、同情心和审美。这些都是阻碍当前人工智能发展成为强人工智能的关键障碍。每一项新能力的实现都可能需要多项重大突破，真正的强人工智能则意味着解决一切此类障碍。
许多针对强人工智能预测的错误，在于简单地以过去10年深度学习的高速进步推断未来，或者认为计算机智能会以不可阻挡的滚雪球方式呈现指数式增长。深度学习代表了机器学习的一个重要升级，但没有证据证明这样的升级代表了强人工智能快速发展的开始。
科学研究不是易事，基础科学的突破更是难上加难。像深度学习这类真正让机器智能更上一层楼的发现极其少见，通常需要数十年的发展甚至更长时间。自杰弗里·辛顿发表关于深度学习的里程碑式论文之后的12年(5)，我还没有看到机器智能领域出现任何可与之比肩的重大进步。
接受波斯特洛姆调查的人工智能科学家们预言实现强人工智能的中位时间是2040年。但我认为他们高估了学术论证转化为广泛应用的速度。就像在20世纪80年代，作为世界领先的人工智能语音识别研究人员加入苹果公司时，我认为这项技术会在5年内成为主流，结果却延误了整整20年。
当然，另外，我也无法保证科学家们一定不会取得非常规的突破，创造出强人工智能甚至超级智能。不过我相信距离真正实现的那一天还有几十年甚至上百年，甚至永远无法实现。
强人工智能会是人机关系的一个重大转折点，许多人预测这会是人类史上意义最重大的一件事。我认为除非彻底解决了所有控制问题和安全问题，人类不应该跨越这个点。人工智能未来不会只有稳定的实质性进展和辉煌的人类繁荣；相反，我认为人类文明很快就会面临人工智能引起的危机。这场危机虽然不会带来好莱坞大片里的末日场景，却会以同样惊人的规模破坏经济和社会，甚至会触及21世纪人类意义的核心。简而言之，这将是一场涉及工作和不平等的危机。
目前来看，我并不恐惧引起人类文明瓦解的杀人机器人，但我害怕人类的错误选择会将自身引向悲剧。幸运的是，考虑到进展相对缓慢的基础科学突破，即使将来会实现强人工智能或超级智能，我们也还有时间针对未来的危机进行讨论、分析和准备。
《北京折叠》：科幻小说和人工智能经济学
清晨6点的钟声敲响时，这座城市将自身折叠收起。密密匝匝的水泥钢筋建筑从头到脚弯折然后绕轴扭曲。外部阳台和雨篷转为向内，形成完全密封的光滑外观。高楼分解成一个个部件，重新组合，蜷缩成致密的巨大魔方。
这些楼宇中生活着北京第三空间的居民，他们是下层的劳动人民，夜间辛勤劳动，白天睡觉。随着城市折叠自身，小块小块土地开始180度旋转，它们翻过来将缩成一团的建筑挤入地下。
当这些方块的另一面转向天空时，另一座城市就呈现在眼前。随着第一缕曙光爬上地平线，这座新的城市露出地表。树木成荫的街道，宽阔的公园以及漂亮的独栋房屋开始展开，直至完全覆盖地表。第一空间的居民从睡梦中醒来，伸了伸懒腰，看向窗外只属于他们的世界。
这些是中国科幻作家、经济学者郝景芳的幻想。她的中篇小说《北京折叠》因生动描述了不同经济阶层被分开，生活在不同的世界而获得了著名的雨果奖。(6)
在这个未来的城市，城市分为三个阶层，人们在不同的时间来到地面生活。生活在第一空间的500万精英居民可以在清晨6点到第二天清晨6点的整整24小时里生活在一个干净整洁的超现代城市中。第一空间折叠翻转后，第二空间的2000万居民开始在稍逊于第一空间的城市中工作生活16个小时。最后，生活在第三空间的5000万人口是清洁工、小摊贩和普通的劳动者。从晚上10点到清晨6点，他们奔波于摩天大楼与垃圾堆之间。
作为第三空间支柱的垃圾分类工作本可以完全自动化，但现在却是靠人工完成，这是为了给在此生活的不幸居民提供就业岗位。不同的世界之间是禁止跨越的，这就创造出了一个阶层明确的社会，第一空间的特权居民无须担心底层贫民会来污染他们的技术乌托邦。
真正的人工智能危机
这个反乌托邦故事虽是一篇科幻小说，却清晰地描述了人们对未来世界中的经济阶层形成和失业率等问题的真实恐惧。郝景芳是清华大学的经济管理学博士，她的日常工作是在政府智库中开展经济学研究，包括调查人工智能对中国就业的影响。许多经济学家、技术专家和未来学家，包括我本人在内，深深地对未来感到忧虑。我认为人工智能的四波浪潮席卷了全球经济，它们有潜力撬开更大的贫富差距，引起大范围的技术性失业。正如郝景芳在故事中的生动刻画，未来由技术导致的财富与阶层上的悬殊可能演变为更深刻的裂痕：撕裂社会结构、挑战我们的人格尊严。
我与《北京折叠》的作者、科幻作家郝景芳博士
人工智能对于商业来说是一个异常强大的工具。经济学家预测到2030年，人工智能将为全球经济带来15.7万亿美元的财富。很多收益来自自动化取代大量人工的工作。由此引发的裁员对所有劳动者都一视同仁，给高学历白领职工和许多体力劳动者带来同样的巨大打击。当人类与运算能力超过人脑的机器竞争时，大学本科甚至是高度专业化的研究生学位都不再是工作的保障。
除了引起直接失业，人工智能还会加剧全球经济不平衡。通过赋予机器人看、听、拿、操作、移动的能力，人工智能会彻底改革制造业，迫使发展中国家那些雇用了大量低薪工人的工厂破产，切断底层人民改善生活的路径，剥夺发展中国家通过低成本出口促进经济发展的机会。中国、韩国、新加坡的脱贫致富之路曾经证明了这种方式的有效性。大量的年轻工人曾经是发展中国家的最大优势，但在人工智能跨越式发展的未来，却会变成拖累和潜在的不稳定因素。
即使是发达国家，人工智能依然会造成更大的贫富差距。人工智能驱动的产业天然趋向于垄断，会在压低价格的同时消除公司间的竞争。最终，小型企业会被迫关门，人工智能时代的行业主宰会获得以前根本无法想象的利润，经济权力集中到少数人手中。在我看来，如果不加以管制，人工智能对于潜在的社会经济问题就是火上浇油。随着越来越多的人担心被机器取代，科学家扪心自问：在智能机器时代，人类的意义是什么？
技术乐观主义者和“勒德谬误”
就像强人工智能有乌托邦和反乌托邦的预测一样，关于失业与不平等危机的预测也有两种意见对立。
一部分经济学家和技术乐观主义者认为对于技术性失业的恐惧是毫无根据的。此阵营人士否定因“勒德谬误”（Luddite Fallacy）而产生的可怕的失业预测。该词来源于勒德派（the Luddites）——一批19世纪的英国纺织工。他们认为工业革命带来的机器生产摧毁了他们的生计，于是砸毁了纺织机表示抗议。但是，在接下来的两个世纪，英国工业化依然全速前进，工作岗位数量和生活质量都稳定大幅提高。勒德派未能成功阻止自己的手艺被自动化取代，他们的子孙后代却因此生活得更好。(7)
因此技术乐观主义者认为，技术可以提升人类的生产力，降低商品及服务的价格。价格降低意味着消费者的消费能力增强，会购买更多商品及服务。这样的结果最终会增加对人力劳动的需求，从而增加就业岗位。确实，技术转变可能会在短期内造成一些工作被取代。但就像以前成千上万的农民转变成工厂工人一样，现在这些下岗工人也可以转型成瑜伽老师和软件工程师。从长期来看，技术进步从未真正引起工作岗位的减少或失业率的上升。工业世界的物质财富不断增长，就业市场相对稳定，这是最简单优雅的解释。自从工业革命之后，每一次生产力的提高，自由市场的力量都能够解决因生产力提升而出现的各种问题。那些在未来将通过人工智能赚取巨额利润的公司，利用以上历史来否定未来人工智能会引起失业的说法。他们指出，成千上万的发明，如轧棉机、电灯泡、汽车、摄像机和手机，都没有引起过大范围失业，他们认为人工智能也不会。人工智能会大幅提高生产力，推动工作岗位稳健增长并提升人类福利，所以有什么好忧虑的呢？
盲目乐观的终结
如果将所有发明看作数据点并分配同样的权重，技术乐观主义者完全可以将这些数据作为乐观的理由。但发明不是生来平等。有的发明改变了我们的工作方式（打字机），有的发明消除了对特定劳动的需求（计算器），还有一些发明瓦解了整个行业（轧棉机）。
规模更大的技术变革会影响到许多行业，从根本上改变经济组织甚至社会结构。这就是经济学家所说的“通用技术”，或称GPTs（General Purpose Technologies）。麻省理工学院的教授埃里克·布莱恩约弗森（Erik Brynjolfsson）和安德鲁·麦卡菲（Andrew McAfee）在他们具有里程碑意义的著作《第二次机器革命》（The Second Machine Age）(8)中，将GPTs描述为“真正重要”的技术，可能“中断和加速正常经济发展进程”。只看GPTs的话，可用于评估技术变革和失业数据点的数量就大幅减少。经济史学家关于到底哪些现代发明可以称为GPTs有着许多模棱两可的观点（如铁路和内燃机是否可以算作GPTs），但三种技术获得了广泛支持：蒸汽机、电力和信息通信技术（Information and Communications Technology, ICT，概括来说就是计算机和互联网）。这些颠覆性技术的影响延伸到经济的许多角落，改变了我们的生活和工作方式。当只看GPTs时，三个数据点不足以提取出一个无懈可击的原理。我们应该查找历史记录，从中发现这些突破性创新是如何分别影响了工作和薪资的。
“大脱节”：生产力持续提升，但薪资和就业却持平或下降。此图为美国的数据，但某种程度上来说美国的指标也是世界的指标。
随着时间推进，不同工作类型的就业人数变化。
蒸汽机和电气化分别引发了第一次工业革命和第二次工业革命。这两项GPTs都推动了现代工厂制度的创建，颠覆了传统生产模式。总的来说，这种生产模式变化主要是去技能化。这些工厂以前需要高水平技工来完成任务（例如手工纺织品）。现在，这些任务被分解成一个个简单得多的小任务，低水平技工就能完成（操作蒸汽驱动的动力织布机）。在这个过程中，产量大大增加，价格大大降低。
从就业率来说，这些早期GPTs实现了流程创新，例如装配线让数以千计乃至数以亿计的农民转行，在新的工业经济中发挥了生产作用。虽然它们确实取代了相对少量的熟练手工艺人（他们中有部分人成为勒德派），但它们也让更多的低水平技工可以从事机器引导的重复工作，提高了生产力。同时，经济蛋糕做大，整体生活水平也随之提高。
但最新的GPT——信息和通信技术（ICT）如何呢？到目前为止，其对就业市场和财富分配不均的影响还不能说是完全明确。正如布莱恩约弗森和麦卡菲在《第二次机器革命》一书中指出的那样，过去30年中，美国工人生产力稳步增长，但收入中位数和就业率增长陷入停滞。布莱恩约弗森和麦卡菲将此过程称为“大脱节”(9)。在生产力、工资和工作岗位经过了数十年几乎同步的增长后，这一曾经紧密的联系开始松动。在生产力继续提高的同时，工资和工作岗位停滞不前或下降。
这一变化加快了发达国家的经济分层。1980年到2016年，随着ICT的收益越来越多地集中到前1%的人手中，美国的精英群体在国民经济中的份额近乎翻倍(10)。到2017年，站在美国金字塔尖1%的人拥有的财富几乎是下层90%的人拥有的总财富的两倍(11)。而普通美国人的实际工资在30年中保持不变，最贫穷的美国人的工资还降低了(12)。美国的工作岗位和工资水平停滞不前，ICT在其中发挥了多大作用？全球化、工会衰落和外包都是相关因素，但有一个特点很明显：ICT不同于蒸汽机和电气化，它“偏重技能”（skill-bias），通过打破信息传播障碍，增强了世界顶尖知识工作者的力量，而将中间许多人的经济作用缩减了一半。所以，有一件事越来越明确：没人能保证提高了生产力的GPTs还能为工人带来更多的工作岗位或更高的工资。
与技术乐观主义者展开争论的是当代一些最聪明的经济学家，劳伦斯·萨默斯（Lawrence Summers）就是其中一位。他是世界银行的首席经济学家，克林顿在任时的财政部长，以及奥巴马在任时的国家经济委员会主席。近几年，他开始告诫大家要警惕对技术变革和就业率的盲目乐观。2014年萨默斯在《纽约时报》的采访中称：“答案当然是不要停止技术变革，但也不能只是假设市场的力量会保证一切都好起来。”(13)布莱恩约弗森也提出了类似警告，呼吁正视财富创造和就业逐渐脱节的问题。他认为这会是“我们社会在未来10年内面临的最大挑战”(14)。
人工智能：让技术变得通用
我相信，人工智能很快会成为举世公认的下一个GPT，刺激经济生产甚至促进社会组织变革。人工智能革命会达到工业革命的规模，甚至规模会更大，速度会更快。这些变革会比之前的经济革命更广泛。蒸汽动力从根本上改变了体力劳动的性质，ICT从根本上改变了某些类型的脑力劳动，人工智能则会同时影响这两者。人工智能会以远超人类的速度和力量执行多种类型的体力和智力任务，大大提升运输、制造、医学等各个方面的生产力。
与第一次和第二次工业革命中的GPTs不同的是，人工智能不会推动经济生产的去技能化。它不会让少数人完成高级任务，也不会将其分解成由更多低水平技工完成的小任务。它只会接管符合以下两个标准的任务：可以利用数据优化，并且不需要社会互动（在后边的章节中我会更详细地分析到底哪些工作可以由人工智能取代，哪些工作不能被代替）。
确实，这一过程中会创造一些新的岗位，例如机器人修理工和人工智能数据科学家。但人工智能对就业的主要影响不是通过去技能化而创造工作，而是通过越来越智能的机器替代工作。理论上来说，失业工人可以在其他更加难以自动化的产业中找到工作，但这一漫长的过程本身极具破坏性。
硬件：更好，更快，更强
然而，人工智能不会给我们足够的时间。和前几次GPTs推动的经济转型相比，人工智能带动的经济转型会发生得更快。工业革命历时几代人才完成，而人工智能革命在一代人的时间内就能产生重大影响。这是因为人工智能会在三个催化剂的作用下加速自身的应用与扩散进程，这些催化剂在蒸汽动力和电力投入广泛应用时是不存在的。
第一个催化剂是人工智能算法的易复制性。硬件密集型革命的技术转型要获得动力，需要发明、设计原型，建造实体产品并出售和运送给最终用户。任何硬件想要获得小幅提升，都需要重复以前的流程，同时参与成本和社会摩擦会减慢每次微调被采纳的速度。这些流程、摩擦减缓了新技术的开发，延长了发展的时间，直到产品获得商业收益后才会被广泛使用。
然而，许多提高生产力的人工智能产品只是数字算法，可在全球无限复制、零成本应用。应用后的更新和改进也是几乎无成本的。这些数字算法（人工智能机器人和自动驾驶汽车的硬件会有复制生产的成本，但底层软件没有）会很快推广，替代大量的白领工作。如今的大部分白领员工的职责是获取信息和处理信息，然后根据这些信息做出决策或提出建议。而人工智能算法恰好最擅长这一工作，可以全面且快速地完成人机替换。实际上人工智能机器人的销售情况只会越来越好。如果再把推广和改善的成本降低，人工智能推广应用会急速加快。
第二个催化剂是风险投资业（VC）的诞生。VC指的是对高风险高潜力公司的早期投资，这一行业在20世纪70年代之前几乎不存在。前两次工业革命中，投资者和创新者只能依赖脆弱的、东拼西凑的筹资机制来开发自己的产品。通常他们的资金来源于自身财富、家族成员、富有的赞助人或银行贷款。这些都没有为高风险高潜力的革命性创新建立激励机制。缺乏风险融资，意味着许多好想法可能永远都无法实现，GPTs的推广应用也会很慢。
如今，VC已是新技术商业化的一种常见投资方式。2017年，全球风险投资创造了1480亿美元的新纪录。(15)同年，日本软银（Softbank）宣布成立1000亿美元的“愿景基金”（Vision Fund），而全球VC投资人工智能创业公司的金额也跃升到了152亿美元(16)，跟2016年相比增长了141%。VC在坚持不懈地寻找好项目，以获得新的GPT（如人工智能）中每一美元生产力的回报。在未来10年中，VC会推动人工智能的快速应用和商业模式迭代，千方百计地探索这一技术可以做的每一件事。
第三个催化剂是中国的影响力。人工智能会使现代中国首次有机会在推动和应用GPT方面与西方并肩而立。在工业化和电气化的时代，中国远远落后于西方国家，但到了互联网时代，在过去的5年时间里中国就赶上了互联网技术发展的进程，可以向全球输出人才，这一趋势大大加快了移动互联网的创新速度。在人工智能方面，中国的进步让全球将近五分之一人口的研究才能和创造力可以对人工智能的推广和应用有所贡献。中国雄心勃勃的企业家、独特的互联网生态系统与政府积极推动相结合，再加上中国向人工智能领域的进军，这些共同构成了之前GPTs中不存在的新催化剂。
综上所述，我相信我们可以确定以下几件事：第一，在工业时代，新技术带来了长期就业机会增长和工资水平的增长；第二，新的GPTs依然很罕见且重要，应单独评估各个GPT对于就业的影响；第三，在被广泛认可的三个GPTs中，蒸汽动力和电气化同时推动了生产力和就业率提高，ICT提高了生产力却不一定增加就业；第四，人工智能也会是一种GPT，它偏重于技能，应用速度快（受到数字传播、风险投资和中国影响力的加持），这两个特性表明人工智能会对就业和收入分配产生不利影响。
如果上述论据正确，那接下来的问题就很清楚了：哪些工作会受到冲击？情况究竟有多糟？
人工智能的“可以”与“不可以”
分析人工智能取代工作岗位，不能仅仅用传统“低技能”对比“高技能”的单一维度来分析。人工智能既会产生赢家，也会产生输家，这取决于具体工作内容。尽管人工智能可以在基于数据优化的少数工作中远胜人类，但它无法自然地与人类互动，肢体动作不像人类那么灵巧，也做不到创意地跨领域思考或其他一些需要复杂策略的工作（因为这些工作投入的要素和结果无法轻易量化）。下面我用两张图来解释一下，第一张分析体力劳动，第二张分析脑力劳动。
就业风险评估图：体力劳动
就业风险评估图：脑力劳动
对于体力劳动来说，X轴左边是“低技能、结构化”，右边是“高技能、非结构化”。Y轴下边是“弱社交”，上边是“强社交”。脑力劳动图的Y轴与体力劳动一样（弱社交到强社交），但X轴不同：左侧是“优化型”，右侧是“创意或决策型”。如果脑力劳动的重点是将数据中可量化的变量最大化（例如设置最优保险费率或最大化退税），就归类为“优化型”的职业。
这几条轴将两张图各分为四个象限：第三象限是“危险区”，第一象限是“安全区”，第二象限是“结合区”，第四象限是“慢变区”。工作内容主要落在“危险区”的工作（如卡车司机等）在未来几年面临着被取代的高风险。“安全区”的工作（如心理治疗师、理疗师等）在可预见的未来中不太可能被自动化。“结合区”和“慢变区”象限的界限并不太明确：尽管目前不会完全被取代，但工作任务的重组或技术的稳定进步，可能引起针对这些工作岗位的大范围裁员。
在左上角的“结合区”中，大部分计算和体力性质的工作已经可以由机器完成，但关键的社交互动部分使它们难以完全自动化。所以，最可能产生的结果就是幕后优化工作由机器完成，但仍需要人类员工来做客户的社交接口，人类和机器形成共生关系。此类工作可能包括服务员、理财顾问甚至全科医生。这些工作消失的速度和比例取决于公司改造员工工作内容的灵活程度，以及客户对于与计算机互动心态的开放程度。
落在“慢变区”的工作（如水暖工、建筑工人、美术设计师等）不依赖于人类的社交技能，而依赖灵活和巧妙的手工、创造性或适应非结构化环境的能力。这些仍是人工智能的短板。由于不断发展的技术会在未来几年中慢慢提升这些短板，所以此象限中工作消失的速度，更多地取决于人工智能能力的实际扩展。
这两张图让我们对哪些类型的工作有被人工智能替代的风险有了基本的认识，但这对于整体经济层面的就业总量意味着什么呢？这时我们需要参考经济学家的研究。
经济学家的研究结果
预测人工智能会引发的失业规模，已经成了全球经济学家和咨询公司的主流研究课题，使用不同的研究模型会得出不同结果。这些结果的数字有的大到令人恐惧，有的看起来还算安全。因为针对中国市场的优秀研究少之又少，因此我们在此主要介绍对美国的研究，然后通过这些结果来推导中国的情况。
2013年，牛津大学两位研究人员的论文做出了一个可怕的预测：在未来10年或20年内，美国47%的工作可能实现自动化。(17)论文的作者卡尔·本尼迪克特·弗雷（Carl Benedikt Frey）和麦克尔·奥斯本（Michael A.Osborne）请机器学习专家评估70种职业在未来几年实现自动化的可能性。之后，他们将此数据与机器学习的主要“工程瓶颈”清单（类似于指示上图“安全区”的特征）相结合，使用了一个概率模型来预测另外632种职业实现自动化的难易程度。结果显示，在未来几十年中，美国近一半的工作都处于“高风险”区。尽管两位作者反复提醒：该研究最重要的是评估哪些工作“在技术上可以”由机器执行，而不是实际的工作流失和失业规模。但一石激起千层浪，后续的媒体报道基本上没有说明这些重要细节，而是发出警告：“有半数的劳动者很快就会失去工作。”
不过，2016年，经济合作与发展组织（OECD）的三名研究人员利用另一个模型，得出的预测似乎直接反驳了上述研究的结果：美国只有9%的工作面临自动化的高风险。(18)两项研究的结果为何差距如此之大？原因是奥斯本和弗雷采用了“职业分析法”。这种分析模型请机器学习专家判断的是单一工作岗位可实现自动化的可行性。而OECD团队认为，被“自动化”的不是整个工作岗位，只是岗位职责中的一部分。OECD团队论证称，以岗位为最小单位的方法忽略了那些人类可以执行，但算法不能执行的许多任务，如与同事展开团队合作、与客户面谈等。对此，OECD团队提出了“工作任务分析法”，将每个工作岗位分解为许多不同的活动，然后看有多少活动可以自动化。在此模型中，报税人不仅是一个岗位，还拆分成了一系列可以自动化的任务（如审查收入文件、计算最大扣减等），以及一些不可自动化的任务（如会见新客户、向客户解释决定等）。之后，OECD团队使用概率模型找出“高风险”的工作比例（至少70%的岗位职责可自动化）。如上所述，他们发现在美国仅有9%的工作属于“高风险”类别。将同一模型用于其他20个OECD国家，高风险工作的比例范围也只是在6%（韩国）到12%（奥地利）。
“工作任务分析法”基于岗位职责划分进行研究，这一方法得到了多数研究人员的认可。但不是所有人都同意OECD团队的乐观结论。2017年年初，普华永道的研究人员使用“工作任务分析法”得出了自己的估算：到21世纪30年代，美国38%的工作都存在被自动化的高度风险。(19)
在参考了这些大相径庭的预测之后，麦肯锡全球研究院（McKinsey Global Institute）的研究人员得出了一个折中的估算结果。我协助麦肯锡全球研究院进行了与中国相关的研究，并共同撰写了关于中国数字化现状的报告。麦肯锡团队同样使用“工作任务分析法”得出的结论是，全球大约50%的“工作任务”在技术上已经实现自动化。(20)中国的这个数字是51.2%，美国为45.8%。但是他们不认为人的工作会那么快被人工智能取代，他们预测2030年会有30%的任务和14%的工作被人工智能取代。
结合不同研究方法的结果，美国各类工作被自动化的可能性在9%到47%。即便只采用“工作任务分析法”，结果仍为9%到45.8%。如此大的数据差，代表未来既可能实现社会繁荣发展，也可能发生彻底的就业危机。面对差异性如此大的预测，我们应该认真思考这些研究究竟告诉了我们什么，以及我们可能忽略了什么。
这些研究忽略了什么
我尊敬做出以上预测的经济学家的专业水平，但我并不认可OECD团队的预测。这种差异源于两种分歧：一是输入的数据，二是我对人工智能改变就业市场的设想。
我对输入数据不认同，原因是他们用2013年人工智能的技术水平来评估未来。经过了5年，机器学习的准确性和能力已有重大进步。当时，极少有专家能够预测到深度学习会发展得如此出色、如此快速。这些令人意想不到的巨大进步，扩展了人工智能在真实世界应用的可能，也增加了对就业率的影响。
例如在ImageNet图像识别算法大赛中，我们就可以看到明显的进步。在这场竞赛中，各个团队需要提交不同的算法，在成百上千万张不同的图片中，识别几千种不同的对象：鸟、棒球、螺丝刀和清真寺。它很快成为最受推崇的图像识别算法大赛，同时也成了人工智能计算机视觉领域进步的公认标杆。当牛津机器学习专家在2013年年初预测技术能力时，深度学习才第一次出现在刚结束的2012年ImageNet大赛。那一届比赛，杰弗里·辛顿的团队利用深度学习技术实现了低至16%的错误率创下了新纪录，之前从未有团队达到过错误率在25%以下的水平。但到了2017年，几乎所有团队都能将错误率降到5%以下。
另外，人工智能的巨大进步并不局限于计算机视觉领域，比如在语音识别、机器阅读和机器翻译领域，新算法也在不断创造纪录和打破纪录。总体而言，这些技术进步和新兴应用让我倾向于采用“工作任务分析法”得出的预测上限。
两类失业：“一对一取代”和“彻底清除”
但是，除了对于输入数据的分歧外，我认为“工作任务分析法”也存在误差，因为它遗漏了另一种完全不同的可能导致职业消失：由人工智能推动的新商业模式引起的全行业变革——我称为“产业分析法”。
上述研究多数由经济学家完成，在预测哪些工作存在自动化风险时，经济学家关注的是人在开展工作时完成了哪些任务，同时考察机器是否可以完成一样的任务。换句话说，“工作任务分析法”研究的是机器一对一取代人类工人的可能性。而我是一名技术专家和早期风险投资者，我的专业背景教会我尝试以不同的方法解决问题。在职业生涯早期，我致力于将先进的人工智能技术转化为有用的产品。同时，作为风险资本家，我也投资和协助一些新的创业公司。这两份工作让我发现人工智能对工作岗位构成的威胁不只是“一对一取代”，还有“彻底清除”。
我投资的许多人工智能公司，都在尝试开发可以取代某类工人的单一人工智能驱动产品，如可以完成仓库搬运工工作的机器人，可以完成出租车司机核心任务的自动驾驶汽车算法等。如果取得成功，这些公司会向客户销售其人工智能产品，而客户可能解雇被替代的剩余劳动力。这些“一对一取代”的工作类型，正是经济学家利用“工作任务分析法”所研究的课题核心。
但还有一种完全不同的人工智能创业公司：它们想从根本上重构整个行业。这些公司并不是想用同样功能的机器人取代工人，而是追求通过新的方式来满足整个产业用人的基本需求。如智融集团（Smart Finance），人工智能驱动的借贷公司，未雇用任何人类信贷员、F5未来商店（无人餐馆）等创业公司是这类公司的杰出代表。算法没有取代这些公司的员工，因为这些公司从来就没有雇用人类员工。但是随着这些公司优质而低价的服务逐渐占据市场，它们会给雇用人类员工的竞争对手造成压力。它们的对手将被迫从头开始调整，如重构工作流程、利用人工智能、裁员等，否则就面临倒闭的风险。最终结果是一样的：人类工人将会越来越少。
这种原因导致的失业，是众多采用“工作任务分析法”做研究的经济学家没有预测到的。如果将这种划分方法应用在新闻类app上，预测“编辑”这个岗位的自动化程度，会发现有很多任务是机器无法完成的，如阅读和理解新闻专题文章、主观评估应用用户的适合性、与新闻记者以及其他编辑沟通等。但是当今日头条研发算法时，他们并不是想用算法完成以上这些任务。相反，他们重新构思了新闻类app的核心功能——定制用户希望阅读的新闻故事列表——然后使用人工智能算法来完成。
我预计这种彻底的颠覆将会影响美国10%的就业岗位，受冲击最大的工种为市场营销、客户服务，以及涉及大量常规优化工作的行业，如快餐、金融证券甚至是放射医学。据报道，花旗总裁兼机构客户集团CEO杰米·福雷斯（Jamie Forese）表示，在未来5年内，花旗集团2万名技术与运营人员中，最多将有一半员工面临被裁员的境遇。(21)
这些改变会影响到“结合区”象限的就业，公司可能会交给少数员工去整合与客户互动的工作，用算法完成其他大多数幕后的单调工作。虽然所有人类工作不会全部消失，但工作岗位会大大减少。
比较下两种类型的自动化程度：一对一取代的比例为38%，彻底颠覆的比例约为10%。无疑，我们面临着巨大的挑战。我预计在未来10到20年内，美国有40%—50%的工作岗位是能够被人工智能技术取代的。而所有员工工作中任务的自动化比例也会不断增加，将会使他们对公司的价值不断降低。更多的失业人员将会争抢越来越少的工作岗位，这会使薪水进一步降低，导致许多人从事兼职或者共享经济里的“零工”。
当然，这并不意味着美国面临着40%—50%的失业率。社会冲突、监管限制会大大地延缓实际的失业率上涨，同时也会有新的工作岗位被创造出来，以抵消部分人工智能应用导致的失业现象。这些工作岗位可将人工智能导致的实际失业率减至25%，甚至更低，如10%或20%。
这些预测与贝恩咨询公司（Bain & Company）在2018年2月发布的研究结果相吻合。贝恩公司采取的是“总体分析法”来理解作用于世界经济的三大力量的相互作用：人口数量、自动化和分配不均。贝恩公司得出结论：到2030年，雇主对雇员的需求将减少20%—25%，也就是说美国失业人数将达到3000万—4000万。(22)贝恩公司承认，的确有部分失业人员会步入新的岗位，这些岗位在今天可能很少见（例如机器人维修员），但是这种再就业对大规模且呈上升趋势的失业率无法造成实质性影响。何况，自动化带来的冲击并不局限于这20%—25%的失业人员。这份研究报告认为，如果再将薪水降低的因素考虑进去，那么近80%的美国劳动者都将受到影响。这将对工薪家庭带来毁灭性的打击。更糟的是，这种影响不像2008年全球金融危机之后，美国失业率短暂升高到10%。这将会是一种新常态：智能机器全面上岗，人类就业则阻碍重重。
中美失业问题对比与莫拉维克悖论
中国的情况如何？
中国关于自动化带来冲击的研究甚少，但是外界普遍认为中国将受到更大的影响：智能机器人将逐渐代替“世界工厂”里的工人，中国的部分支柱产业需要尽快转型。著名科技评论家维韦克·瓦德华（Vivek Wadhwa）预测，智能机器人将削弱中国在劳动力方面的优势，制造业的春天将再次降临在美国，但不会为人类创造工作岗位。瓦德华写道：“美国机器人和中国机器人一样勤奋，而且都不会抱怨，也不会加入工会。”(23)
我的观点刚好相反。虽然中国面临着因自动化而引发的就业市场转型，但是大部分转型将比美国的失业问题来得更慢、更晚。虽然最简单、最常规的工厂作业（如质控和简单的组装流水线任务）可能在接下来的数年实现自动化，但这些体力劳动任务剩余的部分，机器人可能很难完全接手。这是因为21世纪的智能自动化不同于20世纪的机械自动化。简单来说，创建人工智能算法远比制造智能机器人简单。
该逻辑的核心是人工智能的精髓——20世纪80年代提出的莫拉维克悖论（Moravec's Paradox）。汉斯·莫拉维克（Hans Moravec）是卡内基·梅隆大学的教授，也是我的老师。他在人工智能和机器人的研究中得出一个根本性的结论：与一般的观点相反，让人工智能模仿成年人高知识水平或运算能力比较容易，但要让机器人具备婴儿的感知和感官运动能力，则困难得多。本质上，人工智能是“演算的巨人，行动的矮子”。
今天，深度学习的到来，为机器在语音或图像识别领域提供了超人的感知能力。机器学习在以下两方面的突破同样也增强了机器的智能水平：从大量数据中辨识形态的能力以及做决策的能力。但是机器人的精细动作（如抓取和操纵物体的能力）仍然远远落后于人类。尽管人工智能可以在围棋上战胜最优秀的人类选手，也可以精确地诊断癌症，但它连抓周都很难办到。
担心算法还是担心机器人？
人工智能自动化时代将首先对白领造成冲击。相对于尚未成型的机器人，白领职业更需要担心日新月异、快速进步的算法。
简而言之，人工智能算法之于白领，就像是拖拉机之于农场工人。这一工具将会快速提高工人的生产力，同时缩减实际需要的工作人员。而且与拖拉机不同的是，算法可立即传遍全世界，不会给创建者带来额外的成本。一旦将软件发送给数百万用户（如税务筹划公司、气候变化实验室、律师事务所），它可以不断更新和改善，不需要再制作新的实体产品。
但对于机器人而言难度就大得多了。它需要机械工程学、感知人工智能和精细微妙操纵的相互作用。一旦机器人生产出来，还必须在现场对其进行测试、销售、运输、组装和维护。机器人的基本算法可以远程调整，但是机械故障还需要动手操作。这些问题都会减缓机器人自动化的步伐。
但这并不是说中国的体力劳动者是安全的：在农田上空喷洒农药的无人机，帮助卡车卸货的仓库机器人以及工厂生产质量控制的可视化机器人都将减少相关领域的工作。而且，中国公司已经在研发、制造这些智能机器人方面进行了大笔的投资，中国现在也已经是全球最大的机器人市场，机器人购买的数量几乎等于欧洲和美洲的总和。
人工智能算法对脑力劳动的替代像是导弹空袭，但机器人对体力劳动的打击则接近于地面的堑壕战。长期来看，我认为中国和美国自动化的风险是相似的，但说到对变化的适应，中国的特殊经济结构将会为其争取到一定的时间。
人工智能导致的不平等
在全球经济中出现的两极分化，也将加剧人工智能超级大国内部的不平等。人工智能对垄断的自然倾向，会使许多行业形成赢家通吃的局面。人工智能偏重特定技能，会形成两极分化的就业市场，排挤掉中产阶级。以美国为例，生产力和工资的“大脱节”已经造成了1%和99%两个群体之间的裂缝。如果不干涉，我担心人工智能会继续把这个裂缝撕扯得更大。
我们已看到网络世界走向垄断的趋势。互联网本应是自由、公平竞争的场所，但在短短几年内，许多核心网络功能已经被垄断。对于大多数发达国家来说，谷歌统治搜索引擎，Facebook主宰社交网络，亚马逊拥有电子商务。中国互联网公司比较愿意尝试多元化发展，所以这些巨头彼此间会有更多的竞争。无论中国或美国，少数几家互联网巨头掌控了大部分的互联网。
人工智能会将同样的垄断趋势带到互联网之外的行业中，并逐步侵蚀市场竞争机制。我们会看到新的市场巨头迅速出现，它们是一些由人工智能推动的细分市场中的佼佼者，可以通过自身在数据上的优势，使得良性循环不断壮大，直到无可匹敌。人工智能的垄断者可能会以更低的价格为消费者提供越来越好的服务，这两点都是通过科技带来的惊人生产力和效率提升实现的。
幸存的工作岗位分为两批人：一批顶尖收入（如CEO、投资家），一批收入一般的（如按摩师、家庭护理人员）。但是问题的严重性在于，许多构成中产阶级基石的职业（如卡车司机、会计人员、办公室经理）将被清空。家庭健康护理人员是美国发展最快的一种职业，但也是薪水最低的职业之一（年薪大约22000美元）。新下岗的工人拥入该行业只会让薪资进一步下降。
我担心，利用人工智能获取巨大利益会创造出显著不平等，同时也导致社会的不稳定。人工智能有能力创造前所未有的财富规模，这应该是值得庆祝的一件事。但如果任其发展，人工智能会让全球的财富分配不平等达到无可挽救的程度。人工智能实力薄弱的国家，会发现自己的经济发展没有机会再进一步，只能沦为人工智能超级大国的附属。人工智能实力雄厚的国家可以积聚大量财富，也会存在更加广泛的经济垄断，会让社会阶层差距日益明显。人工智能还可能会滋生21世纪的阶级制度：人工智能精英阶级和“无用阶级”即史学家尤瓦尔·诺亚·赫拉利所说的永远也无法创造出足够的经济价值养活自己的人。(24)
随之而来的个人危机
自工业革命以来的数个世纪里，工作不仅是一种谋生手段，更是一种自我认可以及生活意义的源泉。当我们身处社会之中，需要自我介绍或介绍他人时，首先提到的就是工作。工作让我们过得充实，给人一种规律感，让我们和其他人联结。固定的薪水不仅是一种劳动报酬方式，也代表了个人对于社会的价值，表明每个人都是社会的重要成员。
切断这些联系，或者说迫使人们从事低于过去社会地位工作，影响的不只是收入，还会直接伤害到我们的认同感和价值感。2014年的《纽约时报》采访了下岗电工弗兰克·沃尔什（Frank Walsh），他描述了失业带来的心理影响：“我失去了价值感，你明白我的意思吗？之前有人问我：‘你是做什么工作的？’我会回答：‘我是一名电工。’但现在我却答不上来了。我不再是一名电工了。”(25)
失去人生意义和目标会带来非常现实且严重的后果。失业六个月的人患抑郁症的概率是上班族的三倍(26)，正在寻找工作的人自杀概率是上班族的两倍。酗酒和药物滥用的情况均随失业率升高而增多。
如果是人工智能导致的失业，带来的心理创伤还会更大。人们将面临的境况很可能不是暂时失业，而是永久性地被经济体系拒之门外。他们只能眼睁睁看着自己用一生时间学习并掌握的技能，被算法或机器人轻而易举地超越。随之产生的压倒性的无力感，会让人感觉自己的存在没有了意义。
人工智能经济中的胜利者会惊叹于机器的强大能力。但其他人则会纠结于一个更深层次的问题：既然我们能做的机器都能做，那我们作为人类的意义是什么？我挣扎在死亡边缘的时候，寻找自己的存在意义的时候，也曾不断反复思考过这个问题。那场危机把我带入一个黑暗之地，考验了我身体的极限，挑战着我对人生最重要的事情的认知。虽然那段过程很痛苦，但也开拓了我的眼界，让我看到人类和人工智能这个故事的另一种结局。
(1) 多姆·盖伦（Dom Galeon），克里斯蒂安娜·瑞迪（Christianna Reedy）：《AlphaGo Zero之后，AI何时超越人类？谷歌Kurzweil：2045》，未来主义网站（Futurism），2017年10月5日，https://www.cyzone.cn/a/20171022/316920.html。
(2) 《马斯克：AI是人类最大风险要求政府干预和监管》，网易科技，2017年7月16日，https://money.163.com/17/0716/10/CPF8A2HE002580T4.html。
(3) 格雷格·库姆帕拉克：《马斯克将人工智能的发展比作“召唤恶魔”》，TechCrunch（美国科技类博客），2014年10月27日，https://techcrunch.cn/2014/10/27/elon-musk-compares-building-artificial-intelligence-to-summoning-the-demon/。
(4) 尼克·波斯特洛姆：《超级智能》，中信出版社2015年版。
(5) Geoffrey Hinton, Simon Osindero, Yee-Whye The, “A Fast Learning Algorithm for Deep Belief Nets”, Neural Computation 18 (2006): 1527—1554.
(6) 《〈北京折叠〉斩获“雨果奖”》，《济南日报》，2016年8月22日，https://jnrb.e23.cn/shtml/jinrb/20160822/1583938.shtml。
(7) Robert Allen, “Engel’s Pause: A Pessimist’s Guide to the British Industrial Revolution”, University of Oxford Department of Economics Working Papers, April 2007,https://www.economics.ox.ac.uk/department-of-economics-discussion-paper-series/engel-s-pause-a-pessimist-s-guide-to-the-british-industrial-revolution.
(8) 埃里克·布莱恩约弗森，安德鲁·麦卡菲：《第二次机器革命》，中信出版社2016年版。
(9) 埃里克·布莱恩约弗森，安德鲁·麦卡菲：《第二机器时代与经济“大脱节”》，《哈佛商业评论》，2015年6月12日，https://www.hbrchina.org/2015-06-12/3061_2.html。
(10) 爱德华多·波特，卡尔·罗素（Karl Russell）：《世界充满了不平等，但这其实是可以避免的》，2018年1月9日，https://www.sohu.com/a/215485229_782639。
(11) Matt Egan, “Record Inequality: The Top 1% Controls 38.6% of America’s Wealth”, CNN, September 17, 2017, https://money.cnn.com/2017/09/27/news/economy/inequalityrecord-top-1-percent-wealth/index.html.
(12) Lawrence Mishel, Elise Gould, Josh Bivens, “Wage Stagnation in Nine Charts”,Economic Policy Institute, January 6, 2015, https://www.epi.org/publication/charting-wagestagnation/.
(13) 克莱尔·凯恩·米勒（Claire Cain Miller）：《机器人越来越聪明，工人们赶得上么？》，The Upshot, New York Times，2014年12月15日，https://note.youdao.com/zx/archives/1919，https://www.nytimes.com/2014/12/16/upshot/as-robots-grow-smarter-americanworkers-struggle-to-keep-up.html。
(14) 同注(1)。
(15) Dana Olsen, “A Record-Setting Year: 2017 VC Activity in 3 Charts”, Pitchbook, December 15, 2017, https://pitchbook.com/news/articles/a-record-setting-year-2017-vc-activity-in-3-charts.
(16) “Top AI Trends to Watch in 2018”, CB Insights, February 2018, https://www.cbinsights.com/research/report/artificial-intelligence-trends-2018/.
(17) Carl Benedikt Frey, Michael A. Osborne, “The Future of Employment: How Susceptible Are Jobs to Automation”, Oxford Martin Programme on Technology and Employment,September 17, 2013, https://www.oxfordmartin.ox.ac.uk/downloads/academic/future-of-employment.pdf.
(18) Melanie Arntz, Terry Gregory, Ulrich Zierahn, “The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis”, OECD Social, Employment, and Migration Working Papers, no. 189,（2016-05-14）, https://dx.doi.org/10.1787/5jlz9h56dvq7-en.
(19) Richard Berriman, John Hawksworth, “Will Robots Steal Our Jobs? The Potential Impact of Automation on the UK and Other Major Economies”, PwC, March 2017, https://www.pwc.co.uk/economic-services/ukeo/pwcukeo-section-4-automation-march-2017-v2.pdf.
(20) James Manyika et al., “What the Future of Work Will Mean for Jobs, Skills, and Wages”,McKinsey Global Institute, November 2017, https://www.mckinsey.com/globalthemes/future-of-organizations-and-work/what-the-future-of-work-will-mean-for-jobsskills-and-wages.
(21) 《花旗银行计划5年内让人工智能代替1万个工作岗位》，钛媒体，2018年6月15日，https://www.tmtpost.com/nictation/3303061.html。
(22) Karen Harris, Austin Kimson, Andrew Schwedel, “Labor 2030: The Collision of Demographics, Automation and Inequality”, Bain and Company, February 7,2018, https://www.bain.com/publications/articles/labor-2030-the-collision-of-demographicsautomation-and-inequality.aspx.
(23) Vivek Wadhwa, “Sorry China, the Future of Next-Generation Manufacturing Is in the US”, Quartz, August 30, 2016, https://qz.com/769897/sorry-china-the-future-of-nextgeneration-manufacturing-is-in-the-us/.
(24) Yuval N. Harari, “The Rise of the Useless Class”, TED Ideas, February 24, 2017,https://ideas.ted.com/the-rise-of-the-useless-class/.
(25) Binyamin Appelbaum, “The Vanishing Male Worker: How America Fell Behind”, New York Times, December 11, 2014, https://www.nytimes.com/2014/12/12/upshot/unemployment-the-vanishing-male-worker-how-america-fell-behind.html.
(26) Rebecca J. Rosen, “The Mental-Health Consequences of Unemployment”, Atlantic,June 9, 2014, https://www.theatlantic.com/business/archive/2014/06/the-mental-healthconsequences-of-unemployment/372449/.