人工智能对就业影响的分类与评估——基于三维BCG矩阵“技术-经济-文化”分析方法

冯晶晶,刘奕辰,李嘉铭

(1.上海市科学学研究所,上海 200031;2.复旦大学 管理学院,上海 200433;3.外交学院 外交学与外事管理系,北京 102206;4.北京大学 国际关系学院,北京 100871)

0 引言

随着一项人工智能技术的功能逐渐强大,其成本也逐渐下降,从而逐渐被广泛应用。在人工智能为人类带来便利的同时,那些在竞争中被人工智能所替代的人会因为失业而陷入贫困。皮尤研究中心的研究发现,目前由人类完成的大部分工作将在50年内被人工智能所取代。麦肯锡公司做出类似的预测,到2030年,全球将有8亿岗位被人工智能取代,而另一些岗位将被人工智能所改变。

由于不同行业的属性不同,人工智能技术对不同行业所产生的影响是不同的。目前,国外学者围绕人工智能对就业的影响与评估的研究主要有以下几种方法论。20世纪末,麻省理工学院David[1]将信息技术定义为能够做“流程性”工作的技术,从而判断哪些可被流程化的工作将会被取代。2013年,牛津大学学者指出,人工智能不仅能做流程性工作,也能完成非流程性的工作,例如,无人驾驶、人脸识别等[2]。有学者认为,人工智能只能替代某些具体任务,因为任何职业都是由不同类型的任务组成的。麦肯锡公司则进一步指出,那些具备越丰富的任务的高技能职业或使用人工智能的成本过高的低技能职业,短期内都不会被人工智能所取代,但是这些职业工作模式仍然会发生变化。

未来,大部分工作岗位将会以人机协同模式来完成[3]。例如,如果智能护理机器人得以实现,智能机器人并不会完全取代护士的工作,而只是转变了护士的工作模式,使得护士能够把更多精力用于陪伴和安抚病人,从而使未来的护士或许将具有心理医生的职能。人工智能对就业的影响是一个复杂的动态过程,这个过程受到技术、经济以及社会文化等多方面因素的交互影响。

以上的研究更多侧重于从人工智能技术预见角度判断某类职业是否可能被替代。然而,除了技术因素,经济、文化因素将如何影响人工智能技术对就业的影响?人工智能将如何带来潜在的新型工作岗位?这将是重要且有待回答的问题,并且目前考虑多因素的模型与方法还较为少见。

本文将采用三维BCG矩阵,为评估人工智能对就业的影响提供一个新的分类方法。一方面,基于人工智能技术与经济成本因素,本文将各行各业划分为4种类型,并判断人工智能将如何带来新型工作岗位。本文在BCG矩阵中增加文化因素,利用三维BCG矩阵进一步对各行各业进行拓展分类。本文针对不同类别的就业场景提供了应对建议。

1 方法内涵——建立三维BCG矩阵

本文通过建立三维BCG矩阵模型,构建“技术-经济-文化”的分析框架,分析不同行业受到人工智能技术的影响。具体而言,首先,本文建立二维BCG矩阵,旨在分类评估人工智能技术与人工智能成本对不同行业就业的影响,矩阵的横轴是人工智能技术取代人类技能的可能性,矩阵的纵轴是人工智能成本使得某些职业易于被取代的可能性。其次,本文将在每个象限中增加社会文化维度,建立三维BCG矩阵,旨在分析文化因素对于人工智能取代就业的影响,如图1所示。

图1 技术、成本、文化对于人工智能取代人类技能可能性的影响

1.1 技术因素

从技术上来讲,人工智能能够取代的人类劳动可以分为两大类:脑力、体力。在脑力方面,人工智能能够取代的人类脑力劳动又分为智力与情感两方面。在智力方面,人工智能技术容易取代人类对大量信息的记忆与总结能力、逻辑判断的能力。卡内基梅隆大学教授金出武雄说:“人工智能不仅能做好单调乏味的工作,还能够识别模式,这种能力甚至远远超过了人类”[4]。但是,人工智能难以取代的是“发现知识”的创造性思维。原则上,“发现知识”这一过程可以被理解为一个映射:输入的是数据,输出的是假设,中间是黑盒子[5]。想要发现知识,一方面,人工智能需要有对数据背后因果关系进行推理的能力;另一方面,人工智能需要有对信息进行抽象的能力。以基础物理学为例,人工智能需要先验知识,然后基于对现象的观察,以及针对火车上的光束是否超越光速这一思考,才能使得人工智能推断并发现新知识,从而提出相对论。这种先验知识本身就是用先验知识进行学习的结果。这是一个循环系统,目前人工智能很难实现这一能力。

在体力方面,随着芯片技术与硬件的发展,实现自动化的行业范围逐渐扩大[6],人工智能逐渐取代了部分人类体力劳动。然而,真正能够被取代的体力劳动是那些对判断能力的要求相对较低的体力劳动。例如无人驾驶,无人驾驶技术并不是简单取代人类体力,其核心是取代了人的判断能力。而那些对判断力的要求相对较高的人类体力劳动则难以完全被人工智能取代,例如,护士需要提供的不仅仅是逻辑判断,还需要提供情感需求、道德判断等,而后者是人工智能难以提供的。

1.2 经济因素

从经济角度,各行业期待的是节省成本。因此,通过预测哪些人工智能领域技术的成本会低于人力成本,可以判断哪些职业将被取代。某些岗位在他们眼中是急需被取代的,不仅仅是因为技术可行性,而是因为人工智能设备价格低于人力价格。例如司机、护士的人力费比人工智能成本高很多,因而这些行业的决策者会更倾向将人工智能应用于这些领域。

1.3 文化因素

人工智能作为一个新兴领域,其面临的问题不仅限于经济效益与科技可行性,而且来源于社会对于人工智能应用场景的接受程度。文化因素对于人工智能与就业的影响主要体现在两个方面。

(1)社会文化对于技术本身的判断。以人脸识别技术为例,虽然它能够在较低成本范围内较为精确地识别个人信息,但是在不同的社会文化环境中,民众对人脸识别技术的认同程度不同[5-6]。

(2)社会文化对于人工智能技术应用在特定岗位的接受程度。以服务业为例,人工智能在服务业的应用已经较为普遍,然而在养老保障等领域中,民众的接受度较低[7]。其主要原因是,民众需要由人来提供情感沟通的服务。

2 BCG矩阵因素分析

2.1 技术与经济因素的BCG矩阵

“技术-经济”二维BCG矩阵,如图2所示。第一象限代表技术上和经济上都预计会消失的职业(如司机);第二象限代表经济上急需被取代(能降低成本),但技术上难以突破因而难以取代的职业(如护士);第三象限代表技术上被取代风险低且经济上预期不会消失的职业(如心理学家);第四象限代表技术上被取代风险高,但人们并没有意识到会被取代的职业(如编程)。

图2 引入技术与经济2个维度的BCG矩阵

2.1.1 第一象限

第一象限代表技术上可行,且各行业都期待能够将人工智能应用于部分岗位,这是在人类计划中的,因而是人类有所准备的失业。第一象限的工作通常是机械性、重复性的、易于模仿的工作。比如文本翻译、文档整理、基本的文本分析等工作。另一个例子是ChatGPT,ChatGPT可以支持一些需要人力进行决策与判断的工作,比如市场调查与分析,从而冲击这些行业从业人员的工作岗位。这些行业可以使用ChatGPT进行自然语言处理分析、对话系统与语音识别等工作。鉴于新科技普及需要些许时间,可以比较容易统计出这些行业的失业人口总数。同时,从人力资源专家对未来新兴职业及其人力需求的预测,可以判断产业结构以及就业问题能够多大程度得到解决。专家预测未来ChatGPT的发展趋势为增强复杂推理能力、提高对用户解答的一致性,有助于提升ChatGPT的准确性、在应用中更强大、进行更复杂的学术研究及与用户建立更优质的信任[8]。未来由科技驱动的工作将会大量增加,社会将对人工智能专家与机器学习专家有大量需求;文员、秘书、银行出纳这一类业务岗将成为下降最快的岗位;教育行业的工作预计增长10%左右[9]。之后,可以通过政府的教育政策,在教育资源和岗位配置上进行调整[10],以及决定是否发放最低工资。

2.1.2 第二象限

未来,因人工智能而产生的新型职业将会来自第二象限。该象限代表经济上急需降低成本,但是人工智能技术难以完全取代的职业。由于属于第二象限的工作涉及较为复杂的职责以及人类的主观判断与决策,因此其很难被完全取代。护士的物理功能比如更换绷带、协助输液等可以被人工智能取代,但是护士的情感功能则可能转型为新的职业,比如临终关怀、心理咨询等。因此,未来的新型职业将来自第二象限。

2.1.3 第三象限

第三象限代表的是那些技术上被取代风险较低,同时人工智能成本高于人力成本的职业。第三象限的职业往往需要一个人具备较高的人际交往能力与情感能力,如心理医生、教育工作者等岗位。对于这些行业的从业者,ChatGPT等模型能够在多方面赋能该职业。首先,ChatGPT能够通过自然语言理解与对话系统等技术辅助从业者为顾客提供更加智能、个性化的服务。其次,需要弥补教育行业存在的空缺从而使得教育行业能够适应未来社会发展。ChatGPT作为人工智能自然语言处理模型可以用于辅助教育工作,例如自动评分、自适应学习、个性化教育等,从而更好地辅助教育工作者。但ChatGPT很难完全取代第三象限的工作,第三象限的工作大多需要频繁地运用自身的创造力与构建知识框架的能力,这些能力都不是ChatGPT能够拥有的。除此之外,第三象限的工作还需要涉及大量的道德判断,这些职业需要考虑道德与伦理问题,而ChatGPT是难以做到的。另外,教育行业也会因为ChatGPT的出现遇到一系列机遇,例如,ChatGPT的自然语言处理能力可以支持自动化处理大量的人类语言文本,这或许使得老师拥有更广泛的授课对象。

2.1.4 第四象限

第四象限代表经济上成本高,但是技术上是可行的。例如,脑机接口可以升级人脑智力,这是科学家能够实现的,但不是经济学家以及各行各业的人希望实现的。这类技术值得警惕,因为大多数普通人无法支付这样昂贵的技术所需要的费用,并且这类技术带来的革新只有少部分人知道。因而,一旦这类技术被应用于现实社会,其可能会带来颠覆性局面。在社会层面,这类技术可能会加大贫富差距,因为只有富人能够购买大脑芯片,将知识传入大脑,从而变得更聪明、更富有。在经济层面,这类技术可能直接带来损失,例如,脑机接口可以读取并输出人的记忆[11]。这类技术将彻底改变人们的交流方式。人类不再需要用语言交流,因而大部分需要语言沟通的职业将会消失。同时,更颠覆性的结局可能是使得人类彻底失去语言文字。

2.2 加入文化因素的BCG矩阵

在BCG矩阵中引入第3个维度——文化因素。“文化正向”是指那些能够为人类带来便捷的同时,不会引发更多社会问题的案例,因此符合大多数民众的价值取向与习惯,如图3所示。例如,对安全、隐私、公正、环境、伦理的保护,以及趣味性、体力的节省、效率的提升,则是社会文化所倾向于支持的,是正向的文化因素。对于不同的国家与社会,文化因素的具体内容与价值取向不同。如图3所示,在4个象限中,“文化正向”代表人工智能取代某行业能够满足大多数民众价值取向的程度,而“文化反向”代表人工智能取代某行业只能满足小众或几乎没人会选择倾向的结果。

图3 引入技术、经济、文化3个维度的BCG矩阵

2.2.1 第一象限

一方面,上文提到第一象限的工作通常是机械性、重复性、易于模仿的工作,其中的例子包括对文本翻译、文档整理、数据分析等工作的替代。在这些例子中,人工智能能够为人类提升效率,因此属于具有文化正向的例子。另一方面,具有文化反向的例子是无人驾驶,专家预测无人驾驶技术的发展可能会对司机、物流行业、餐饮业、保险业等行业造成影响,使得某些工作岗位面临失业风险。但是,同时也会创造新的就业机会,如无人驾驶汽车的维护和管理,大量的软件工程师、数据科学家等[12]。此外,自动驾驶还将涉及伦理问题,如发生事故后的责任主体难以界定。然而伦理难题随着科技与法制的发展有可能在未来得以解决,例如,有研究建议参照民航、高铁使用“黑匣子”技术进行记录,以便事后追溯。因此,各个自动驾驶开发企业都在不断地公开自动汽车的路测数据[13],由此看来,无人驾驶领域将会涌现新一批伦理专家与法律专家。

2.2.2 第二象限

上文提到未来的新型职业将可能来自第二象限。其中,护士作为一个例子,用于说明其物理功能可以被人工智能取代,而情感部分难以取代,然而即便如此,在东方和西方文化中,人们都仍然倾向能够由人类来照护病人、老人、幼儿[14]。因此,在文化维度,护士是具有文化反向的例子。人工智能对科学研究起到关键作用,因此具有文化正向。其中一个例子是深度学习对于自然科学的正向促进,即“AI for Science”。今天的基础物理、化学、材料等领域的发展瓶颈在于数学过于复杂。例如,计算化学的困难在于所谓的高维度问题,计算化学中的薛定谔方程是典型的高维微分方程。由此而来的就是“维数灾难” 的困难,即计算量随着维数的增加呈指数增长,经典的计算方法已经无法适应这样的问题,深度学习提供了一个逼近高维函数的工具,为一系列基础科学问题提供了颠覆性解决方案。

另一个具有文化正向的例子是ChatGPT对于社会科学研究的正向促进。作为一个多模态大型语言模型,ChatGPT集合了自然语言处理与图片处理技术,具备文本与图片的理解与分析功能,可以为属于第二象限的社会科学研究人员提供更加快速、准确的建议[15],并且为研究人员提供更加个性化的服务与支持。因此,在这些功能方面,ChatGPT是具有文化正向的例子。但是从技术维度来看,人工智能只能取代部分科研人员的功能,科研人员的创新思维是难以被人工智能取代的。然而,专家研究证明深度学习方法是可靠的、准确的和线性可扩展的。因此,随着人工智能的优化,未来将能够完成大量基础编码工作,取代程序员的角色。由此,未来在计算机、计算物理、计算化学等领域的科研人员数量将会在达峰后减少,因为人工智能的编程能力逐步增强,使得在计算科学领域并不需要那么多科研人员。

2.2.3 第三象限

上文提到第三象限是技术上被取代风险较低,同时人工智能成本高于人力成本的职业。其中的例子包括心理医生、教育工作者等。然而,从文化维度来看,人们仍然倾向能够由人类来完成这些需要具备较高的人际交往能力与情感能力的工作,因此,这些案例是具有文化反向的案例。具有文化正向的案例是人工智能对考试制度的替代,对于上学与求职过程,学校与工作单位都需要通过考试来判断一个人的各方面能力,从而决定是否录取。然而,考试题目是否能够精准检验并判定一个人的能力,并且考试的方式是否能够检测出例如创新能力等更高阶的能力[16],这些问题一直是存在争议的难题。因此,通过利用大数据分析技术,人工智能有助于提高招聘过程的精准度与效率,然而从技术维度来看,人工智能却难以真正解决这个难题,也难以取代招聘官和考试制度。

2.2.4 第四象限

上文提到第四象限是成本高,但是技术上可替代人力的人工智能技术。其中的例子是脑机接口可以升级人脑智力,然而在社会层面可能会直接加大贫富差距与智力差距,因此脑机接口是具有文化反向的案例。具有文化正向的案例是智能电网。智能电网是以物理电网为基础,将现代先进的传感测量技术、通信技术、信息技术、计算机技术和控制技术与物理电网高度集成而形成的新型电网[17]。智能电网包含一个智慧型电表基础建设,用于记录系统所有电能的流动。通过智慧电表,它会随时监测电力使用的状况。智能电网还具有集成新能源,如风能、太阳能等的能力[18]。因此,智能电网的环保与节能属性使得其具备文化正向的属性。同时,因为智能电网集合了多项数字技术,从经济维度来讲,成本较高。

3 讨论与建议

本文利用BCG矩阵探索技术预见、经济效益与社会文化所希望的差异。在科技维度,科学家的技术预测是基于对技术的客观理解。在经济维度,各行业界的人注重降低成本。在文化维度,人们倾向接受那些能够带来便捷且不会带来伦理等风险的事物。

第一象限代表技术上可行且各行业期待能够用人工智能取代的部分岗位,这是在人类计划中的,因而是人类有所准备的失业。鉴于新科技普及需要些许时间,可以比较容易统计出这些行业的失业人口总数。放眼全球,在宏观层面上有7 500万年轻人失业,而未充分就业的人数是这一数字的3倍。当前,许多国家的青年失业率已超过了50%,比如西班牙和希腊,年轻人的失业率为40%～50%。美国的就业报告显示,当前青年就业人数最少的岗位前4名依次是采矿、采石、石油和天然气开采行业(0.14%)、批发贸易(11%)、联邦政府(11.5%)、交通及公用事业(11.8%)。过往研究表明,到21世纪30年代中期,OECD国家多达30%的现有工作岗位可能面临自动化的潜在风险。同时,从人力资源专家对未来新兴职业及其人力需求的预测,中国未来就业市场最关注的能力,按照得分高低依次为认知能力、参与能力、管理能力、体能、技术能力、道德、自我认知及合作能力。之后,可以通过政府的教育政策,在教育资源和岗位配置上进行调整[10],以及决定是否发放最低工资。同时,那些渴望更高生活水平的人仍然可以在不失去普遍基本收入的情况下继续工作。在第一象限中,具有“文化反向”的人工智能技术应用(如无人驾驶)可能导致一系列伦理和法治问题,但是就像过去火车逐步被大众所接受的过程中,技术不断发展,法律不断建立,使得在这一应用场景中的伦理问题可能在未来不再存在。

第二象限有可能产生未来的新型职业。第二象限代表人工智能成本低于人力成本的那些职业,然而,技术上却难以完全突破。如护士,其物理功能能够被人工智能取代,而情感部分会转型成为新的工种,比如临终关怀。因而,未来新的职业将会从第二象限产生。而更为重要的是,人工智能能够为一系列基础科学问题提供颠覆性解决方案。目前,理论研究、实验研究和产业之间的沟通比较欠缺,这是目前AI for Science发展的一大困难所在[14]。例如,在计算化学领域,从事理论化学、实验化学和药物等产品开发的不同工作者之间的沟通相对来说是比较少的,主要原因是彼此工作的交叉度并不高。未来的科学发展要走平台化的科研模式,基础设施的建设是必需的,就像工业化没有公路和铁路是不行的。通过合作发展一套普适的、高精度的且高效的模型,从而打造平台化的模式,使得不同的研究者都可以用这一模型做不同的应用。此外,企业可以提供实际的场景,明确痛点和需要解决的关键。同时,高校的科研机构是解决这些问题的智力来源。这也将在基础科学领域增加更多需要新技能的就业岗位。

第三象限是技术上被取代风险较低,同时人工智能成本高于人力成本的职业。在这个象限中,人工智能技术是较难普及的,因而对于就业的影响较小。在更多时候,人工智能只会作为这些行业工作者的一项辅助工具,因此,应当注重在这些行业的大学或专科培训中加入对人工智能技术的学习。

第四象限代表人工智能成本较高,但技术上是可行的应用,比如,脑机接口可以升级人脑智力。然而这类技术却真正值得警惕,因为大多数普通人无法支付这样昂贵的技术所需要的费用,并且这类技术带来的革新只有少部分人知道。因而,这类技术在社会层面可能导致贫富差距的加深;同时,这类技术的广泛应用将使得不再需要用语言交流,导致大部分需要语言沟通的职业将会消失。因此,对于这类技术,首先,政策制定者不应当阻碍技术的发展与进步,相反应当尽力加速技术的研发与创新,因为从国际来看,美国正在脑科学等新兴前沿技术进行布局,中国不能停止脚步从而失去未来的机会。与此同时,中国应加快伦理治理制度的设计与法治的完善,政府和社会应提前布局备选方案。