
作为即将被机器人取代的第一批职业人,该如何选择
如果你是一名人类工人,那么很不幸地通知你,机器即将在20年内逐步取代你的工作:到2030年,机器人和人工智能将“淘汰”所有人类工人。
近日,麦肯锡全球研究院(McKinsey Global Institute)在周三发布的报告中称,随着科技的进步,机器人将会取代全球8亿个工作岗位,未来全球大概有3.75亿人口将面临重新就业,其中中国占1亿。
麦肯锡报告中分了11个行业大类,看不同国家未来在这些行业的岗位需求变化。其中涉及到创意工作、技术类工程师、管理类以及社会互动类的岗位需求增长明显,因为机器还无法在这些领域取代人类。另一方面,那些在可预测环境中进行物理活动的部分岗位需求将下降明显。
(来源于麦肯锡报告)
(来源于网友摄于某次人工智能大会)
至于人工智能是如何取代人类的?C君认为网友@朱帝庞克 曾经的一张图通过对职业技能按功能分类以后,根据不同职业的属性和岗位要求等四个层面进行细分,总结出的关于机器人的入侵人类职业的路线很具有代表性。
看到人工智能的来势汹汹,很多人甚至开始产生自我怀疑,产生了对机器人的异样的“敬畏”,1969年日本机器人专家森昌弘提出“恐怖谷理论”,为什么人们如此“惧怕”机器人?
根据森昌弘的说法,随着机器人的拟人程度增加,人类对它的好感度就会改变。通过森昌弘图表可以发现,恐怖谷理论就是随着机器人到达“接近人类”程度时候,人类好感度突然下降的范围。会活动的类人体比静止类人体变动的幅度更大。
除了人工智能除了“惧怕”,我们还应该更理性的思考自己的定位和自我职业规划。
麦肯锡报告中也特别指出,到2030年中国将有至少1.18亿人的岗位被机器人取代,而其中700-1200万人需要转换职业(这意味着他们原有的岗位彻底被机器人取代,不再具有人工价值)。而1亿多人口面临再就业,就意味着1亿多人口需要掌握新技能,学习新技术,提升自身的适应时代发展的职业技能与技巧。
(图为成功的人工智能转型需要因素,来源麦肯锡报告)
经过C君采访,CDA数据分析研究院的老师们纷纷指出:个人职业转型关系着自身职业发展,转型就意味着自我投资,选择依旧需要十分谨慎。
顺应人工智能发展的大潮,经管之家联合旗下CDA数据分析师教育品牌成立AIU人工智能学院(AI University),为广大的数据科学家、数据分析师、机器学习工程师、大数据分析师、人工智能工程师等岗位的从业者提供众多优质在线课程,无疑这给很多转型人员一个新的选择和机会来提升自我,适应时代发展对人才的需求。
推荐学习书籍
《CDA一级教材》在线电子版正式上线CDA网校,为你提供系统、实用、前沿的学习资源,助你轻松迈入数据分析的大门!
免费加入阅读:https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10