
机器人的崛起将导致人类失业?经济学家并不这么看
近年来,人工智能和机器人得到了突飞猛进的发展。这导致一些人预测:未来人类将无法找到工作。
中英双字视频如下:
机器人的崛起并不意味着人类的失业
针对不方便打开视频的小伙伴,CDA字幕组也贴心的整理了文字版本,如下:
十年前,机器人看起来还很有局限性。
如今,已经大不相同。
计算机不仅仅能赢得国际象棋 ;它们还能在《危险边缘》中获胜(《危险边缘》(Jeopardy)美国智力问答节目);它们还能在围棋中获胜。
这一切都发生地非常快。这导致一些人预测:未来人类将无法找到工作。
但如果你去问经济学家,他们的看法往往与未来学家和硅谷精英们截然不同。
“你是否担心新的科技将导致大规模失业?”
Heidi Shierholz: 高级经济学家,经济政策研究所
"不担心。 "
Martin Ford:企业家,《机器人崛起》的作者
"担心。"
Heidi Shierholz: 高级经济学家,经济政策研究所
"我致力于研究劳动力市场,尤其是关于中低收入工人的生活水平。我担忧很多问题,但我对这件事并不担忧。"
很多经济学家对于机器人将抢走所有工作持怀疑态度的原因之一在于 ,之前我们听说过这种说法。
历史因素
在20世纪30年代末,对自动化的担忧出现激增。
当时机器开始取代一些农场和工厂的工作。这篇1928年的文章指出 ,当时在纽约的地铁有人负责开关地铁门,而且在闸机出现前有人负责检票。
对自动化的焦虑在50年代末和60年代初再次飙升。肯尼迪总统将自动化列为造成就业挑战的首要因素。
一篇发表于1958年的文章表示,当时约有17000名码头工人在码头上抗议自动化。
如果你不知道码头工人是什么,那是因为如今从事这种职业的人已经很少了。科技摧毁了大量这类工作。
但话又说回来,我们并没失去工作。
这张图表显示了在美国处于壮年期有工作的人口。
自从女性大量加入劳动力大军以来,工作的人口占比一直处于80% 除了经济衰退时期。
在此期间,在美国技术取代了约八百万农民、七百万工厂工人、超过一百万铁路工人,以及成千上万的电话接线员。
大量工作已经消亡,但工作仍在存在。
当看到这些过去的报道时,我们很容易看到哪些工作被机器所取代了,但想象之后会出现哪些工作就不太容易了。
科技将带来新的工作
新型科技通过一些方式产生新的工作。
有一些直接的工作,需要人们来设计和维护科技;有时科技会孕育出全新的行业。
但我们往往忘记是,那些节省劳力发明的间接作用。当企业用更少的精力能完成更多内容,它们能够扩张,也许产生新的产品,或者新开设新办公点,然后降低成本用于竞争。
这意味着消费者可以买更多它们的产品,或者我们不需要更多这种产品的话,我们可以省钱买更多其他产品。也许用来观看更多的体育赛事或者出去就餐;或者更多的理发;为孩子增加日托等。
这个过程显示了我们的生活水平是如何随着时间而提升,而且当中总是需要人工作。
Heidi Shierholz: 经济学家
"这里的关键经济逻辑是,自动化确实取代了一些工作。但因为相互抵消,实际上并没有影响到就业的总人数。"
关于"工作的终结"的警示只关注了这部分内容,而忽视了另一部分的内容。
就像在2013年被广泛引用的一项研究。
"根据牛津大学的一份研究 ,在未来的十年到二十年内,美国47%的工作将被机器人取代。"
这项研究对自动化技术的能力进行了评估,但没有尝试评估自动化实际的程度和发展情况,或者对就业的整体影响。
这并不意味着新的工作会马上出现,也不意味着新工作将出现在同样的领域,而且与消亡的工作薪资一样。这意味着对人类工作的整体需求并没有消失,
技术专家和未来学家没否认这是历史上的事实,但他们质疑历史是否能很好地指导未来的发展。
Martin Ford:企业家,《机器人崛起》的作者
"归根结底,争论在于这次是截然不同的,我是这么认为的。想象一下机器能够将日常的工作都自动化,这就是我们现在在探讨的,而且将会是全面的。"
对科技的低估
人们常常会低估科技的发展。
在一本出版于2004年的书中,两名经济学家对未来自动化进行评估:认为教会计算机驾驶交通设施这类任务是"非常困难的"。
同年,一篇回顾了50年研究的文章得出结论:人类级别的语音识别已经被证明是一个难以实现的目标。
如今呢?
这是计算机硬件发展的图表。
这是随着时间的推移,工程师们压到电脑芯片上晶体管的数量。已经相当可观了,但注意这不是按一般比例增长,这些数字呈指数级增长。
从线性尺度来看,应该是这个样子。很难想象这不会造成颠覆性的影响。
正如《第二个机器时代》的作者指出,"处理器并不是计算能力的成指数性提升唯一维度。"
Martin Ford:企业家
"你在日常生活中遇到的加速是什么概念?也许是在汽车中几秒的加速,或者是在飞机内的几秒。有些东西能在几十年内持续加速,这并不是我们能控制的,我们认为是直线发展。”
自动化的增长≠生产力的增长
但这些创新并没有显示在数据中。
Heidi Shierholz: 经济学家
"说道自动化的大幅增长,我们会想到生产力的增长比通常要快得多,而我们却看到了相反的情况。"
劳动生产率是衡量我们生产的商品和服务除以工作时间的标准。
随着时间的推移,我们能用较少的劳动力做更多的事情,我们的效率更高。
如果看到大量节省劳动力的创新,你会预期这条线变得更陡。
但当看到生产率增长时,你会发现自本世纪初以来生产率一直在放缓,不仅仅美国是这种情况。
新技术正在改变我们的生活,也许并没有从根本上改变经济。
那么这都会改变吗?
今天的机器人和人工智能会造成大规模失业吗?
我们有理由怀疑,但没人真正知道。
但我们知道的是,技术创造的财富并不一定与就业者们分享。
当通货膨胀时,随着经济的增长,大多数家庭的收入都保持在相当低的水平。
Heidi Shierholz: 经济学家
"在过去四十年中,我们看到的一个问题是:生产率的增长并没有被广泛的分享,这只被一小部分高收入的人群所获得。"
即使失业率保持在低水平,自动化也可能加剧经济不平等。
《英国金融时报》:
"美国社会流动差距在持续扩展。"
在美国,这种情况已经比大多数其他发达国家更为严重。
Bloomberg :
"OECD (经合组织) 表示,智利、墨西哥和美国的不平等程度最高。"
但科技并不是定数。
美国《国会山报》:
"自2014年以来 没有医疗保险的人口比例首次增长。"
Martin Ford:企业家
"我们已经采取了一些政策,并不是试图抵消技术 全球化和其他因素造成的趋势。我们在很多情况下加剧了这种趋势。我们在这背后助力,让这发展得更迅猛,这是个大问题。"
我们可能会一直被机器人将取代我们工作的前景所吸引。但是,如果把注意力集中在我们无法控制的事情上,我们就会忽视我们能做的事情。
如何学习 AI
人工智能的发展离不开人才的培育,而CDA数据分析师作为行业的领头羊,将从各个应用场景入手,用实际案例教学来使CDA人工智能工程师就业班课程更能符合行业要求。
扫描二维码,报名CDA人工智能工程师就业班,抓住机遇,赢在未来。咨询电话:赵老师 18510169390。
扫描二维码 报名加入
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01