B体育2024年开年，硅谷科技圈就被新一轮的裁员恐惧所支配：谷歌在两周时间内裁掉1000人，而整体受影响的员工总数可能达到 1.5 万人。根据相关媒体报道，受影响最严重的部门主要是「大客户销售」（LCS）团队，一个已经大量使用生成式AI的部门，因此很多员工怀疑这次裁员很有可能与AI替代了自己的工作有关。
这一事件就像一面镜子，映射出了AI革命带给我们的复杂感情：在过去一年里，人们在期待一场由AI带来的新技术革命之时也惴惴不安，害怕它也可能取代就业，加剧人群间的不平等。
这种恐惧由来已久，自20世纪50年代初计算机在商业中的应用以及“自动化”一词的普及以来，关于人工智能对就业岗位快速替代的预测就甚嚣尘上。而生成式AI的出现让对AI工作替代实现速度的预测大大提高。
整个行业似乎都相信在不久的将来，AI能力就会超越人类，并取代当前许多职业。投行高盛在去年3月发表的一份报告中指出，全球范围内超过3亿个工作岗位可能会受到人工智能的影响；而咨询公司麦肯锡估计，到2030年，至少有1200万美国人将转行到其他领域；到2055年，近一半的工作将由人工智能驱动B体育。宾夕法尼亚大学、纽约大学和普林斯顿大学的一项调查发现，单单是ChatGPT就可能影响约80%的工作。就业咨询公司Challenger Gray & Christmas在报告中指出，人工智能已经取代了成千上万的工人B体育。国际货币组织在本月发布的最新报告中指出，全球近40%的就业岗位会受到人工智能的影响。
不过近日美国MIT计算机科学和人工智能实验室发出了一份报告，打断了这一悲观预期。他们认为AI还暂时抢不到一般工作者的饭碗。
该实验室的研究科学家、这份研究报告的合著者尼尔·汤普森（Neil Thompson）表示，关键的一点是，即将到来的这场人工智能革命可能会比评论者所预计的要慢一些，也不会那么引人注目。
汤普森在接受采访时表示：“与最近的许多研究一样，我们发现人工智能在自动执行任务方面具有巨大潜力。但我们能够表明，这些任务中有许多尚不具备自动化的吸引力。”
针对之前的所有预测结果，MIT的研究人员认为他们都犯了同一个错误：使用仅能代表自动化取代潜力的“人工智能暴露”（AI Exposure）的概念来衡量人工智能的工作替代可能。但根本没考虑到这种替代的技术可行性或经济可行性，也没有明确指出其影响的时间线和范围。这种模糊的预测只会带来“机器会偷走我们的工作”恐慌，而非对AI工作替代的正确认知。
MIT的这项研究主要关注了目前AI系统应用最广泛，成本估计更准确的领域，即视觉分析领域。主要涉及在生产线末端检查产品质量、识别医疗图像等任务的工作。在这一领域中，使用AI替代工人需要花费的成本会包括：固定成本、性能相关成本和维持规模的成本三大部分。其中固定成本包括维护费用和安装费用，性能成本包括训练和再训练过程中的算力和数据费用，维持规模成本则是指系统运行的算力成本消耗。
而对应完成同样工作的人力成本有劳动者的工资，复杂工作的提成和工人数量构成。
虽然看起来自动化是个一劳永逸的事，但实际上部署一套人工智能设备的价格极其高昂，因为在真正的工作中，一个人可执行的任务往往是多样的，由多个子任务构成。而AI系统虽然显示出跨任务泛化的能力，但能完成的子任务越多，训练和部署的成本就越高。在现阶段缺乏通用型AI的情况下B体育，要能保证AI系统和人类一样的完成准确率，一定需要新的数据和训练。
部署一次后，更新和维护成本也非常高。在美国，单软件系统的运行寿命是五年，也就是说五年后系统就需要重新训练和部署。
研究人员举了一个面包师的例子。根据美国劳工统计局的数据，一名面包师花大约6%的时间检查食品质量——这项任务可能由人工智能自动化。一家雇用5名面包师、年收入4.8万美元的面包店，如果实现食品质量检测自动化，可以节省1.4万美元。但根据这项研究的估计，部署一个最基本的、从头开始的人工智能系统需要花费16.5万美元，每年含折旧的维护费用超过12万美元。
因此虽然可能在美国有35%的工作暴露在计算机视觉替代之中，只有8%左右工作在经济上替代是合算的。也就是只有23%可被替代的工作被真正用AI替代了。
当然也不是所有的AI相关工作都需要如此高昂的部署价格。比如说针对非常适合大语言模型的工作，如客服之类工作，可以通过OpenAI等公司销售的自托管、GPTS等针对特定任务进行微调，而非从头开始训练模型。但即使系统成本低至1000美元，仅考虑运营算力成本，也有很多工资低且依赖于多任务处理的工作，对企业而言实现自动化没有任何经济意义。
但我们都知道，AI在高速进化着，训练成本也会因为技术的提升、硬件算力的加强而逐步下降。那这是否就意味着虽然现在AI还没有替代工作的风险，但在未来几年之内这一风险就很紧迫了呢？
研究组认为有两个因素会影响到AI的经济吸引力，一是提高部署规模，为人工智能系统找到通用的实现每个系统更多劳动力自动化的方法。二是降低部署成本，发明成本较低的人工智能系统构建方法。
规模部署是非常有效果的，当规模效应达到一定程度后，机器或软件的成本肯定低于人类成本。但在他们研究中，即使是规模达到5000人的公司，如果只以单个公司构筑定向AI系统，依然难以做到经济划算。而在美国99.9%的公司都要比这个小。这也就是为什么在2023年，全美只有不到6%的公司使用人工智能相关技术，除去本身就从事此项业务的公司外，基本都是巨型公司，他们容纳了就业人数的18%。
那么通过行业统一的模型和AAAS（AI as a service）的方式继续扩大单模型的部署规模，是否能降低成本呢？理论上这是可行的，当规模提升到工业部门水平时，将近85%的技术暴露工作都可以被更经济地被替代。
但这件事其实很难做到，一来自由市场的单家企业很难获得垄断，也就没法用单个模型或解决方案覆盖行业水平的规模。二来公司数据之间壁垒森严，第三方模型公司很难获得足够的行业数据进行有效的能适合规模行业的训练。第三，就算数据和覆盖度的问题解决了，根据行业研究，对变革的也会足够强大到让公司不那么容易接受人工智能改造：在美国，企业IT销售的成交率低至20%。
因此，如果按全社会基本不计成本，一致投入AI化大潮的估计，也就是AI覆盖以年化20%的综合增长速度铺开，也要到2031年才能覆盖到比较高的自动化水平。而实际上，5%的年化综合增长速度已经算是乐观了，那就意味着要到2042年后AI才能覆盖到70%技术可能覆盖的工作。
规模化很缓慢，但技术成本降低可能会相对更快。根据目前学术界的计算GPU成本每年的下降速度约为22%，而微调成本和模型训练成本也由于AI工程界的持续努力而在有明显下降的前景B体育。但即使如此，即使成本每年快速下降20%，计算机视觉任务仍需要几十年的时间才能对企业来讲是经济划算的。
而且，如果考虑到计算机视觉工作所覆盖的工作范围和职能，即使是以机器激进的50%年平均成本下降来看，它的给所涉及行业带来的员工替代和失业率也远低于2017-2019年美国私营部门的整体就业破坏率。也就是说AI替代所带来的就业波动在AI发展无比迅猛的情况下也不会那么猛烈。而更可能的是只会拉高原来的5%-12%。
这项研究有许多局限性，研究人员也承认了这些局限性。举例来说，它没有考虑人工智能可以增强而不是取代人类劳动（例如分析运动员在打高尔夫球时的挥杆）或创造以前不存在的新任务和工作（例如维护人工智能系统）的情况。论文评估的仅仅是计算机视觉相关行业替代带来的波动， 研究人员没有调查像ChatGPT和Midjourney这样的文本和图像生成模型对就业岗位和经济的潜在影响，如果把替代范围提高到文字，数据处理，生成和机器人等更多行业的话，也许复合影响就会有些可观了B体育。
但无论如何，这至少合理地证明了之前如Yann Lecun等AI乐观主义者的部分论断：以社会的惯性和技术发展的逻辑看，就算AI在替代就业，这也是一个非常长久的过程。
而这意味着我们还有很多时间去调整适应，并寻找到自己在这个新时代中的位置。
