人工智能会抢走你的饭碗吗？

从好莱坞编剧到卡车司机，许多人都对人工智能表示担忧。随着技术的飞速发展，人们越来越担心生成式人工智能对我们的工作、社会结构和整个世界的影响。是否会有机器无法完成的任务？ 

在过去的十年里，我和我的合作者们深入研究了人工智能的影响。十年前，我与迈克尔·奥斯本（Michael Osborne）共同撰写了一篇论文，估计随着人工智能和移动机器人技术拓宽计算机可处理任务的范围，理论上，美国近47%的工作岗位都可以被自动化。

我们的预测基于这样一种信念，即无论当今的技术如何进步，人类都将在三个关键领域继续占据上风：创造力、复杂的社交互动以及应对家庭等非结构化环境。 

然而，我必须承认，即使在这些领域，人工智能也取得了重大进展。现在，GPT-4等大语言模型可对大量提示词做出类似人类的文本反应，令人印象深刻。在这个生成式人工智能的时代，机器可能会替你写下情真意切的情书。

然而，我们十年前发现的自动化瓶颈在今天仍然具有现实意义。比如说，如果你的情书由GPT-4代写，那么你们面对面约会的重要性就会放大。问题的关键在于，随着数字化社交活动与算法越来越紧密地交织在一起，机器尚无法复制的面对面互动的价值将会激增。

此外，虽然人工智能可能会写出一封与莎士比亚的文采相仿的书信，但这只是因为它借鉴了莎士比亚的现有作品进行训练。一般来说，人工智能擅长完成由明确数据和目标定义的任务，例如优化游戏得分或模仿莎士比亚散文。然而，在开创原创内容而不是迭代既有创意方面，我们的目标应该以什么为基准呢？如何确定这一目标，往往是人类创造力发挥作用的地方。

更重要的是，正如我们2013年论文中所指出，许多工作无法实现自动化。生成式人工智能是广阔的人工智能领域的一个子集，严格来说，它并不是一种自动化工具。它的启动、后续完善、事实检查和结果编辑都需要人工输入。

最后，生成式人工智能输出内容的质量反映其训练数据的质量。“垃圾进，垃圾出”仍是亘古不变的真理。通常情况下，这些算法依赖庞大的数据集，通常包括互联网上的绝大部分数据，而不是专家精心编撰的数据集。因此，大型语言模型倾向于输出反映网上常见或一般水准内容的文本，而非特别优异的内容。正如迈克尔和我最近在《经济学人》上发表的一篇文章中所论述的，原理很简单：一般水准的数据导致一般水准的结果。 

人工智能需要人才

那么，这对未来的就业有何预示呢？首先，最新一波人工智能始终需要人类监督。有趣的是，那些专业技能不那么强的人可能会发现自己更占优势，因为他们现在可以产出符合“一般水准”的内容。

当然，一个关键问题是，未来的进步是否会很快改变这种状况，甚至在创意和社交领域实现自动化？如果没有重大的创新，这似乎还值得怀疑。首先，大语言模型可能已经学习了互联网上大部分的数据。因此，人们对未来几年能否充分扩大训练数据持怀疑态度。此外，人工智能生成的低质量内容的激增可能会降低互联网的整体质量，进而成为不太可靠的训练数据来源。

此外，虽然科技界已经开始期待摩尔定律所预言的持续增长——即集成电路(IC)上的晶体管数量大约每两年翻一番——但越来越多人认为，由于固有的物理极限，这一增速到2025年左右可能会趋于平稳。

第三，据说开发GPT-4的能源支出占其1亿美元训练成本的很大一部分，这还是在能源价格飙升之前。由于气候变化问题迫在眉睫，这种做法的可持续性正受到审查。 

我们需要人工智能能够从更简洁、专业编撰的数据集中学习，优先考虑质量而不是数量。然而，这种突破何时到来仍然难以预测。一个切实的步骤是营造一个促进数据高效创新的环境。

从历史视角反思：20世纪初，电动汽车和内燃机汽车之间展开了一场世纪竞赛，争夺新兴汽车行业的主导地位。起初，两者似乎不相上下，但大量石油的发现很快使天平向后者倾斜。如果我们在那个时代实施石油税，其发展轨迹可能会有利于电动汽车，从而大幅减少我们的碳足迹。同样，征收数据税也能刺激人们努力使人工智能流程在数据消耗方面更加精简。

正如我在之前的文章中所讨论的，许多工作岗位必然会经历自动化。然而，这并不一定是由于当前一代的生成式人工智能所致。除非有重大创新，否则我预计2013年研究中强调的挑战将持续存在，从而限制未来几年的自动化发展程度。