霍金、马斯克等人都曾公开警告说，机器最终将超越人类的能力，它们的行动将超越我们的控制，甚至可能引发人类文明的崩溃。他们并非少数为此感到担忧的人。

2014年，皮尤研究中心调查了近1900名技术专家，询问他们对未来工作的看法，其中近一半的人相信过不了多久，人工智能机器将导致失业加速。根据一项被广泛引用的分析，到21世纪30年代初，失业比例将达到近50%。他们担心大规模的失业，以及目前已令人越发担忧的收入不平等现象的进一步恶化将是不可避免的结果，而这些都将导致社会秩序的崩溃。

事情真的会如他们所担忧的发展吗？我们先来看一个简单的例子：

上个世纪，当各大银行开始大规模地安装自动取款机（ATM）时，在这些银行工作的柜员似乎正面临被快速淘汰的威胁。如果机器可以全天候24小时地发放现金和接收存款，那么谁还需要人工服务呢？但事实是，银行仍然需要人。诚然，ATM使得分支银行能够在员工数量少得多的情况下运营：平均员工数量从20人降至13人。但节省出来的成本鼓励了母公司开设更多的分行，结果出纳员的总雇佣人数实际上上升了。

事实上，在金融、医疗、教育和法律等领域，都可以找到类似的故事。这并非要说自动化就一定能增加就业，但是它能够且经常能够增加就业。

当听到工作前景在机器人和人工智能时代将越来越堪忧等言论时，ATM的故事就是一个值得记住的事例。想想无人驾驶汽车，或者是以假乱真的人类语音合成，又或者是栩栩如生、能够自主奔跑、跳跃和开门的机器人——鉴于此类应用的飞速发展，人类离无事可做还有多远呢？

考虑到目前的发展，机器智能要与人类的全部能力相匹配还有很长的路要走，我们也没有什么理由担心在未来10年或20年会出现大规模的失业。

所以，事情会如何发展呢？或许在未来真正到来之前，我们无法确切的知道将会发生什么。但也许这不是正确的提问。人们争论失业与就业增加的问题，使我们对其他问题视而不见——比如，面对人工智能和机器人技术，工作将如何改变，社会将如何应对这样的变化。例如，这些新技术是被用作替代人类工人、削减成本的另一种方式，还是被用来帮助员工、解放他们去锻炼人类独有的能力，比如解决问题和创造力？

自动化与就业：来自过往的经验

在过去的40年间，一些高度自动化国家的汽车制造商、钢铁厂和其它制造商雇佣的工人总数开始持续、缓慢地减少。比如在美国，这一数字从1979年的高点1950万，下降到2000年的大约1730万，接着在2007-2009年的大萧条后急剧跌落到1150万的低点。

这是事实，自动化无疑是其中一个因素，但不可能是导致下降的全部原因。回到过去的一百年，工业正以如今同等的速度或更快的速度自动化，就业正强劲增长，这些都是最初吸引数百万工厂工人的原因。相反，经济学家将就业率下降归咎于多种因素的共同作用，其中包括全球化、工会的衰落，以及美国上世纪80年代强调裁员、削减成本、季度利润高于一切的企业文化。

人工智能和机器人

自动化有许多形式，包括计算机控制的、可以由少数员工操作的钢铁厂，以及工业机器人——可以用编程通过一系列动作移动工具（喷漆器、焊枪等）的机械臂。从上世纪70年代以来，这类机器人的使用数量一直在稳步增长。目前，全球约有200万台工业机器人在使用，其中大部分是在汽车和电子产品装配线上，每台机器人都可以替代一名或多名工人。

诚然，自动化、机器人技术和人工智能（AI）之间的区别相当模糊，而且因为无人驾驶汽车和其他先进的机器人在它们的数字大脑中使用着人工智能软件，这种区别变得越来越模糊。

但粗略的经验法则是，机器人执行的是曾经需要人类智能的身体劳动任务，而人工智能软件则试图执行理解语言、识别图像等人类层面的认知任务。自动化是一个概括性术语，不仅包括机器人和人工智能这两方面，还包括普通计算机和非智能机器。

AI的工作是最艰难的。大约在2010年之前，应用程序受到一个著名悖论的限制，那就是哲学家Michael Polanyi在1966年提出的论述：“我们知道的东西多于我们能够说出来的。” 这意味着，帮助我们度过每一天的大部分技能都是经过练习的、无意识的、几乎无法表达的。Polanyi将这些技能称为隐性知识（相比于教科书上的显性知识）。

想象一下，你是如何确切地知道像素呈现出的一种特定模式是小狗的照片？或者你是如何在迎面而来的车流中做到安全地左转的？你可以说你会等待车流中交出现的空位，这听起来很容易，但是如何把“空位”定义得足够好，让计算机也能够识别出来、或者能够准确定义车辆间距必须有多大才算得上安全呢？

这种隐性知识包含了众多诸如此类的微妙、特例以及用“感觉”衡量的事物，以至于程序员似乎没有办法提取它，更不用说用精确定义的算法对它进行编码了。

当然，现如今即使是智能手机的应用程序通常也能识别小狗的照片，自动驾驶汽车也在习以为常地完成左转任务，尽管并不总是完美。在过去10年里发生的变化是，人工智能开发者现在可以将巨大的计算能力投向海量的数据集——这一过程被称为“深度学习”。这基本上相当于向机器展示无数张小狗照片和无数张非小狗的照片，然后让人工智能软件调试出无数个内部变量，直到它能够正确识别照片。

尽管这种深度学习过程不是特别有效——人类儿童只需看到一两只小狗就能识别出狗这种动物——但它对人工智能应用程序（如自动驾驶汽车、机器翻译以及任何需要语音或图像识别的应用程序）产生了革命性的影响。

德勤咨询的数据科学家Jim Guszcza表示，让人们感到害怕的是，以前需要隐性知识的事情现在可以用计算机解决。因此，人们对法律和新闻等领域的大规模失业产生了新的焦虑，而这些领域以前从未担心过自动化。所以许多人预测，商店职员、保安和快餐工人，以及卡车、出租车、豪华轿车、送货车司机，都将很快被淘汰。

你好，我的机器人同事

ATM被大规模应用的时候，银行柜员本应被淘汰。然而事实却是，通过ATM实现的自动化不仅扩大了银行柜员的市场，也改变了这项工作的性质：由于柜员处理现金的时间减少了，他们可以花更多的时间与客户讨论贷款和其他银行服务。而且因为人际交往能力变得更为重要，银行柜员的工资有了适度增长。同时，全职而非兼职柜员的职位也有所增加。因此，这是一幅比人们通常能想象的都丰富得多的图景。

类似的故事在许多其他行业也能找到。例如，即使在网购和自助结账的时代，零售业的就业人数仍在迅速上升。事实是，即使是现在，要完全的取代人工服务也是很困难的事。

钢铁厂也证明了这个规则。钢铁厂是环境非常恶劣、艰难的地方，但是，不管是生产哪种钢铁，熔炼、铸造、轧制等过程本身本质上是相同的。因此钢铁厂相对容易实现自动化，这也是钢铁行业裁员如此之多的原因。

当人工更好时

如果有很多变化和定制，自动化就变得更为困难。现在在汽车行业可以看到的情景是：大多数人想要的是为他们量身定制的东西，有个性化的颜色、配件、甚至中网。每一辆从装配线上下来的汽车可能都略有不同。

实现这种灵活性的自动化并非不可能。有可能在某个地方就有一个实验室的机器人已经掌握了相关技术。但这与大规模、有效控制成本地做这件事是不一样的。在现实世界中，大多数工业机器人仍然是巨大的、盲目的机器，无论什么人或什么东西阻挠了它们，它们都要进行自己的动作。因此，为了安全起见，机器必须与人隔开。对于这样的机器，要实现灵活性需要大量的工具和大量的编程，这不是一夜之间就能实现的。

与人类工人的情况相反，对机器重新编程很容易——只要走进工厂，说，”伙计们，今天我们要做的是这个，不是那个。“然而，人们天生就具备机器人手臂无法匹敌的能力，包括精细的电机控制、手眼协调以及处理突发事件的能力。

这就是为什么今天大多数汽车制造商不在装配线上实现全部自动化。丰田、奔驰和通用汽车等公司将这些巨大而笨拙、用栅栏隔开的机器人限制在肮脏、危险和重复性的工作上，比如焊接和喷漆。他们把工人安置在最终组装区这样的地方，在那里，他们可以把最后的零件组装在一起，同时检查校准、适合度、光洁度和质量，以及最终的产品是否符合客户的定制要求。

此外，为了帮助这些工人，许多制造商（不仅仅是汽车制造商）正大量投资“协作机器人”（cobots），这是当今工业自动化发展最快的类别之一。

协作机器人：机器和人一起工作

现在研发协作机器人的公司都是基于机器人专家Prasad Akella团队在上世纪90年代发展出来的同一个概念，目标就是制造一种安全的机器人，既可以帮助处理有压力或重复性的任务，又可以把控制权留给工人。

想象一下从传送带上拿起一块电池，走两步，把电池放进车里，然后再回去拿下一块——每分钟一次，每天八小时。如果让一个人完成这项工作，他回家时必然痛苦不堪。再想象一下让机器人抬起一个重68千克的驾驶舱——汽车的仪表盘，连同所有附属的仪器、显示器和空调设备——操纵机器人通过汽车的门口，而不损坏任何东西。

西北大学的机械工程师、Akella团队的外部研究员Michael Peshkin说，设计一个能够帮助完成这些任务的机器人在当时是一个相当新颖的研究挑战。这一领域的研究重点在于提高机器人的自主性、感知能力和应对变化的能力。但在这个项目出现之前，没有人太关注机器人与人类合作的能力。

因此，对于他们的第一个合作机器人，Peshkin和他在西北大学的同事Edward Colgate从一个非常简单的概念开始：一辆配备了一系列升降机的小车，可以把驾驶舱之类的东西吊起来，并由工人引导小车就位。但是这辆车不完全是被动的，它能感知到自己的位置，然后转动轮子，让自己停留在一个“虚拟的约束面”内——实际上，这是一个无形的空中漏斗，它会引导驾驶舱穿过舱门，抵达正确的位置，而没有任何划伤。然后，工人就可以轻松地检查最终的组装和附件。

另一辆由通用汽车赞助的原型车用工人引导的机械臂取代了小车，这种悬挂在天花板上的机械臂除了拥有可移动的悬挂点之外，还能举起汽车部件。但它也有同样的机器辅助和工人控制的原理——当研究人员在通用汽车的装配线上试用他们的原型时，这个原理被证明是至关重要的。

人们原本预计会遭遇很多来自工人的阻力，但事实上，工人们非常欢迎协作机器人，他们完全理解机器人可以保护他们的背部免受伤害；同样重要的是，工人们喜欢使用协作机器人，他们喜欢能够按照自己的意愿让机器人稍微快一点或慢一点。在装配线上，每52秒就有一辆汽车开过，一点自主性对于工人来说真的很重要。而且，他们喜欢成为这个过程的一部分。人们希望展示自己的技能，他们喜欢使用自己的身体，从自己的动作中获得乐趣，而协作机器人给了他们这些，他们能够以一种固定机械无法提供的方式享受工作。

AI的限制

Akella目前的公司同样欢迎基于人工智能的软件。细节仍然是只有工人才能做的，但其基本思想是使用先进的计算机视觉技术（在某种程度上类似于装配线上的GPS）为工人逐条提供指令和警告。假设一名工人正在组装一部iPhone，从头顶上观看的摄像头发现，四个螺丝中只有三个是拧紧的，那么就可以提醒工人说：“在螺丝下线之前，一定要把最后一个螺丝也拧紧。”

这确实有让工人感到被监视的一面。但是，很多操作者最终非常感激这项技术。他们非常清楚自动化和机器人对他们的影响，而且他们很快就意识到，这是一种工具，可以帮助他们变得更高效、更精确，最终对公司更有价值。这样公司更愿意在员工身上投资，而不是解雇他们。

在未来很长一段时间里，“使用技术来帮助人们完成他们的工作而不是取代人们”这一主题，很可能是人工智能应用程序的一个特征。就像机器人一样，还有一些重要的事情人工智能无法做到。

以医学为例。在华盛顿布鲁金斯研究所研究创新的政治科学家Darrell West说，深度学习已经开发出了软件，可以和人类放射科医生同样好甚至更好地分析X射线。但是，我们不想让软件告诉一个人，“你刚获得的诊断可能是癌症。” 我们仍然需要一位放射科医生来检查人工智能，以确保它所观察到的是真实的情况，然后，如果结果不好，一位癌症专家会把这个消息告诉病人，并开始计划治疗过程。

同样，在法律领域，人工智能可以在寻找可能与案件有关的判例方面提供巨大帮助，但是，在解释判例或在法庭上利用判例处理案件方面，人工智能却不能提供帮助。Guszcza说，更普遍的是，基于深度学习的人工智能非常善于识别特征，并将注意力集中在需要的地方。但在处理意外事件、整合多种多样来源的知识和运用常识等方面，它还远远不够，而这些都是人类非常擅长的事情。

而且，我们不能指望软件真正理解它在处理什么。Guszcza表示：“我没有看到任何证据表明，利用当前的人工智能能让我们实现完全的常识性推理。”这呼应了许多人工智能研究人员的观点。例如，在2017年9月，深度学习先驱、多伦多大学的计算机科学家Geoffrey Hinton说，如果研究人员希望实现人类水平的人工智能，那么这个领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经济学家认为它不会在短期内造成大规模失业的另一个原因。波士顿大学经济学家James Bessen表示：“自动化几乎总是自动地完成一项任务，而不是整个工作。” 这呼应了许多人的观点。虽然每一份工作都至少有一些例行的任务可以从人工智能中受益，但很少有工作是完全由例行任务组成的。事实上，Bessen在系统地研究1950年人口普查中列出的所有工作时，发现只有一种职业可以明确地说是因为自动化而消失的，那就是电梯操作员。1950年有5万名电梯操作员，而今天一个也没有。

另一方面，工作场所并不需要大规模的失业才会出现大规模动荡。机器人和人工智能究竟会带来更多还是更少的工作岗位，专家们对此很难达成共识，但它们肯定会改变工作本身。每个人都希望，这种对技能和功能的巨大分类将会持续到可以预见的未来。

最为担忧的那些专家认为，更糟糕的是，在历史上我们从未经历过如此迅速的变化。这不只是信息技术、人工智能或机器人，还有纳米技术、生物技术、3D打印、通信技术等等。变化发生在许多方面，它们可能压垮我们调整适应的能力。

为将来的工作做准备

如果是这样，由此所导致的工作岗位持续动荡，可能会在更广泛的社会领域引发一些根本性的变化。皮尤研究中心的专家们和其他人提出的建议包括，加强对寻求新技能的成年人的继续教育和再培训，以及完善社会安全网，帮助人们从一份工作转换到另一份工作，从一个地方搬迁到另一个地方。

科技行业甚至出现了对某种有保障的年收入的支持，其理论是，人工智能和机器人的进步最终将超越目前的局限，使大规模的工作中断不可避免，这意味着人们将需要一个缓冲。

这是一种非常政治化的讨论。目前，皮尤研究中心所做的民意调查显示，公众并没有真正注意到这一点。有很多普通的人会说：“是的，其他人都会被这个搞砸，但我不会。我的事业很好，我无法想象一台机器或一款软件如何取代我。”

但这是一个迫切需要进行讨论的问题。看看已经在酝酿中的东西，技术革命的全部力量将发生在2020年至2050年之间。因此，如果我们现在做出改变，在未来20年里逐步分阶段实施，情况是完全可以控制的。但如果等到2040年，问题可能就难以收拾了。