生成式 AI 与就业影响：探讨 ChatGPT 对劳动力的作用

作为一名曾担任多年量化顾问和数据科学家的人，我过去对推荐引擎和聊天机器人等 AI 技术在短期内的潜力持怀疑态度。然而，近期由大型语言模型（LLM）驱动的生成式 AI 的进步——如 OpenAI 的 ChatGPT 和 Google 的 BERT——令我大为震惊。

这些 LLM 现在可以执行诸如写作文章或代码、通过考试，并就各类主题进行深入对话等任务。

这一进展重新点燃了关于 AI 对社会与经济潜在影响的讨论，包括对自动化与就业流失的担忧。在本博文中，我们将客观探讨生成式 AI 对劳动力的潜在影响，讨论其对白领工作的意义，并就如何为由变革性 AI 驱动的未来做好准备提出建议。您也可以在我们的独立网络研讨会中了解领导者需要了解的负责任实施 AI 的要点。

技术影响劳动力的简史

在讨论当下生成式 AI 对就业的潜在影响之前，让我们简要回顾近代历史上几个关键节点，技术如何影响我们的工作与经济（参见例如 Acemoglu, 2002）。

1770 至 1970：自动化推动生产率提高

19 世纪的英国，低技能劳动力充足而高技能工人稀缺。彼时，工厂将纺织等行业中熟练工匠的工作（如棉纺）予以简化并自动化。这带来了显著的生产率提升，但也引发了如卢德分子暴动等抗议，工匠们破坏机器以阻止这种自动化。

20 世纪初，装配线的出现带来了类似的发展，极大地增加了对重复性、低技能岗位的需求。然而，自 1970 年代以来，这种情况成为例外：新技术大多通过替代常由中产阶层岗位承担的非技能或半技能的常规任务而使高技能工人受益，具体见下一节所述。

农业部门的广泛自动化就是一例，先是以畜力机械，后是以内燃机，取代了繁重的体力劳动。

1970 至 2010：自动化推动不平等上升

几年前我完成劳工经济学与统计学博士时，我们已经目睹了长达四十年的工资不平等上升。这一上升在很大程度上源于对受过更好教育劳动力的需求增加（叠加可外包岗位工资承压）。当然，其他因素同样重要，例如工会覆盖率的下降。

这一趋势颇为意外，因为同一时期教育扩张使高学历年轻毕业生的供给大幅增加。缺乏智能的自动化（如机器人）与离岸外包被广泛实施，尤其在制造业中，取代了此前的中产阶层岗位，这些岗位往往执行易被自动化的常规任务（见 Autor 等，2022）。

例子包括重复的装配、拣选或分拣，以及记录或计算工作。Microsoft 的 Excel 显著改变了典型办公室岗位，银行出纳或接线员等工作大多消失。与此同时，我们并未进入无业世界，因为出现了此前不为人知的职业，如数据分析师、风力发电机技术员或心理健康咨询师。这些职业的出现并非自动化的直接结果，但自动化与生产率提升让我们能够专注于新的领域。

这些新技术的宏观经济总体效果却不及预期。自 1970 年代初以来，生产率增速明显放缓（除 1990 年代末互联网泡沫期间的短暂例外，见 Moss 等，2020）。诺奖得主罗伯特·索洛用著名的生产率悖论描述了这一点：“计算机时代无处不在，唯独不在生产率统计中。”

关于为何计算机未让我们更高效的确切原因众说纷纭（如测度误差或维基百科、社交媒体等看似免费的产品），但具体原因仍有争议。无可争辩的是，生产率增长仅约为二战后 30 年的二分之一。

2010 至新冠疫情：在缺乏 AI 和疫后相关技术进步下的就业增长

尽管大衰退后的复苏（以及生产率增长）令人失望，但劳动力需求强劲，正如《经济学人》在 2019 年的标题所言：“发达国家正享受前所未有的就业繁荣。”这些就业增长主要由与新技术无关的因素驱动，如经济刺激、低利率以及女性劳动力参与率提高。

企业大约在 2010 年开始招聘与 AI 相关的专家。该趋势在 2015 年左右再次加速，也有证据显示这些企业在其他部门的招聘有所减少。然而，直到新冠疫情爆发之前，几乎没有证据表明早期的机器学习模型影响了就业或工资（参见例如 Acemoglu 等，2022）。

新冠疫情对企业和工作产生了出人意料的影响，这些变化原本可能需要十年才能展开。远程办公与在家办公变得普遍；疫情前在家完成的工作日仅约占 5%，疫情高峰时跃升至 60%，此后一直维持在约 30%（见 Bloom 等，2023）。许多公司也加大了对自动化的投资，例如采用机器人或自助结账机。

LLM 将如何影响白领工作？

这段简短的历史回顾表明，技术变革对就业的影响并不明确。经济学家认为，它既可能是替代技能（如 19 世纪），也可能是增强技能（如 20 世纪）。

在现代经济模型中，有时称为经修订的经典模型（Acemoglu 和 Autor，2011），我们假定岗位由一组任务构成，而人力具有不同的技能或教育背景，各自有比较优势。

这些群体可以相互替代，但并不完全。新技术是否会替代某些技能群体，取决于特定任务的需求、这些群体的供给或可得性，以及他们的工资等因素。

总体上，我们看到人口老龄化更快的发达国家，如德国、日本和韩国，为应对生产工人稀缺而采用了更多机器人。如果高技能工人不足、高技能工资高，或存在需求与供给间的技能错配，企业就有动力发明与采用替代技能的技术。在 DataCamp，我们正积极让尽可能多的人掌握某些紧缺技能！

有趣的是，直到最近，许多人可能认为新一代人工智能（如自动驾驶汽车）会首先替代卡车或火车司机等蓝领工作。然而，新近发布的生成式 AI 应用在白领常做的工作上展现出惊人能力，如撰写文章、做背景研究或编程。

让我们来问问 ChatGPT 等 LLM，它可能会自动化哪些任务。

它给出的建议包括翻译、文本/图像/视频生成、音乐创作、对话代理或个性化推荐。该清单凸显了为何有研究认为生成式 AI 可能对高收入职业影响更大。这些工作包括语言、文学、历史教师，法律服务、金融、保险与会计岗位（参见 Felten 等，2023 的讨论）。

尽管生成式 AI 对教育的影响可能深远，例如让学生按自己的节奏学习的 AI 助手，但短期内教学岗位被大规模替代似乎不太可能（因为教师的作用远超聊天机器人所能教授的内容）。然而，生成式 AI 在图像、文本与音频识别方面的进展，可能对（背景）研究、医学诊断、客户服务或（数据）分析产生深刻影响。

这并不意味着放射科医生、翻译或会计将会消失，但这些工作的形态未来可能会大不相同，从而（有望）让医生把更多时间用在患者身上，摆脱基础的行政事务。

OpenAI 与高盛对就业影响的估算

一项由 OpenAI 合著的研究（ChatGPT 的创始方）将新的 LLM 视为通用技术：首先可在诸多领域嵌入各类工作流程；其次能持续改进；第三会引发互补创新与溢出效应。

他们估计，美国劳动力执行的所有任务中，有 15% 可能通过 LLM 明显更快地完成。如果叠加其他互补技术，这一比例可能超过一半。

暴露程度较高的任务包括写作与编码，而科学或批判性思维则不是。这里的“暴露”计算为“LLM 或基于 LLM 的系统是否会将人类执行或完成某项任务所需时间至少减少 50%”。总体而言，他们发现需要更多教育、培训和经验的工作往往暴露更高。

高盛估计，美国三分之二的工作至少会部分受到生成式 AI 的影响（其 25%–50% 的任务可能被自动化）。不过，他们并不预期大规模裁员，且总体上认为生成式 AI 更多是人类的互补技术，而非替代。

生成式 AI 的短期影响

这很可能是中短期影响的上限，因为新技术通常需要一定的采用周期。生成式 AI 的普及速度很可能快于互联网等技术，后者用了十年至二十年才真正走向大众。

围绕生成式 AI 采用的法律与伦理问题

即便如此，新技术仍会面临某些需跨越的障碍。对于高薪白领职业而言，存在特别相关的法律问题；在教育、医疗或专业服务中自动化任务也存在诸多未知数。

例如，如果生成式 AI 犯错，谁应承担责任？又或者，大规模抓取网络数据训练模型是否可能侵犯版权？此外，即便是发布最新 LLM 的公司也承认，这些模型有时会“翻车”，而为何出错似乎也不易评估。

生成式 AI 对特定工作的冲击

这些障碍并非对所有白领工作都同等重要。生成式 AI 很可能、而且很可能已经在扰动劳动力市场的特定细分领域。比如市场营销中常见的模板化文案撰写，或客服支持中聊天机器人的大幅提升。LLM 在翻译、综合乃至解释文本方面的能力如此之强，以至于很难想象未来我们仍需要同样数量的翻译人员。

Google Translate 或 DeepL 等工具已相当出色，而 Google 的 BERT 首个用例正是翻译。接下来，相对简单的软件开发工作，以及媒体与教育中的标准化内容创作，可能在一定程度上外包给机器，法务助理或报税准备等任务亦然。

客户服务岗位无疑会受到影响，因为对话式支持任务取得了巨大进步。例如，一篇刚发布的工作论文（Erik Brynjolfsson 合著）估计，生成式 AI 将 5000 余名客服座席的平均绩效提高了约 14%，主要体现在新手员工上，而对更资深者影响不大。

对于受影响的劳动者而言，机器外包（自动化）与海外外包（离岸）带来的效果非常相似。他们的工作要么被编码并由本地更廉价的机器人完成，要么被电子传输或实物运到他国，由更廉价的劳动力完成。

生成式 AI 的长期影响

中长期来看，生成式 AI 对经济的影响必然深远。若与机器人等其他技术结合，大多数工作都将不同程度地受到影响（尽管幼儿园教师、服务员或社会工作在目前看来仍相对安全）。

近几十年来，我们看到对高技能工作的需求与工资上升，而中产阶层岗位数量下降，低薪岗位工资经常停滞。但我们也见证了另一趋势，导致劳动力市场的两极分化：对服务性工作的需求上升，这些岗位往往薪酬较低。包括投递包裹、补货上架、仓储作业，以及清洁、安全、育幼或养老等个人服务。这里还可考虑卡车、铁路或网约车司机。

生成式 AI 发展的三种可能情景

如果汽车相关技术进一步发展，机器人变得更智能且更善于处理非平凡的三维任务，这些工作中的许多也可能面临风险。我可以设想三种不同情景：

我们正处在拐点，生成式 AI 如同印刷机、蒸汽机或晶体管制造般的突破性技术，将显著改变我们的工作与生活方式，并在中期持续改进。
生成式 AI 可能需要数十年发展，才能在特定领域之外安全替代人类任务；类似自动驾驶汽车，尽管十年前已有显著进步，但在没有人类监管的情况下仍受安全限制。
当前技术或许已接近顶峰，后续提升不多，类似搜索引擎在 2000 年代初被 Google 的 PageRank 革新（从 Yahoo! 与 Altavista 手中夺取市场份额）后，此后多为渐进式改进。

当然，我们并不知道哪种情景会成真，但相比互联网早期，我如今更为乐观（也有些不安）：我们正看到一项变革性技术正在加速。