怎样看待AI就业冲击？

技术进步对于就业的影响，从工业革命开始就是社会的焦点和研究的关注点。具有“卢德主义”性质的运动和思潮，曾经以各种面貌反复出现。不过，无论是从原因穷究结果，还是从本质看到表象，AI就业冲击这一次来得真的不同以往。凡事预则立。面对可能的AI就业冲击，需要澄清一些认识，确立若干政策原则。

AI就业冲击不同于历史上反反复复出现的“技术性失业”

首先，这一次不再是历史上反反复复出现的“技术性失业”幽灵（spectre），而是可以替代几乎所有职业的终结者（terminator）。从懂科学的企业家马斯克，到关心AI发展的经济学家萨默斯，都认为AI对岗位的替代将是全面的，一旦不久后通用人工智能（artificial general intelligence，AGI）出现，简单的、复杂的、体力的、智力的，无论何种岗位将无一幸免。

其次，AI技术进步的速度之快，越来越让人有一日千里、一日三秋的感觉。例如，从“土耳其下棋机器人”（1770年骗局，可将其权且当作这个想法的起点）到图灵1950年论文发表，经过了180年；再到1997年“深蓝”战胜卡斯帕罗夫，又经历47年；再到名为“阿尔法狗”的国际象棋机器人于2016年战胜李世石、于2017年战胜柯洁，也相隔了约20年。而从ChatGPT问世到Sora的出炉，仅仅相隔一年。我们无须用任何复杂的模型来预测，只要看一看这个速度和加速度，即可得出对通用人工智能出现的合理预期。

最后，大模型AI的“发展悖论”注定了岗位的大规模损失几乎是必然的。阵营之间、国家之间、企业之间都认识到能否占据AI技术和产业的制高点关乎生死存亡。这导致围绕着AI的发展，形成一种类似冷战时期太空竞赛、军备竞赛、核武器竞赛的竞争。并且，大模型AI高度耗能、烧钱。挖掘模型用途、扩大用户群、提高回报率的必然方向和方式，便是提高劳动生产率，从而减少劳动力和人力资本的使用。

人类应对岗位替代的两条根本出路，迄今尚未发生根本性的变化

然而，只要人类劳动还没有彻底由人工智能替代或者决定，或者说“人机一体”尚未普遍实现之前，就仍有一些东西不会发生变化。而且，这些没变的事物或方面越发弥足珍贵，可以为我们提供一个时间窗口。

最重要的一点就是，人仍然是主导的一方，仍然是“人告诉机器做什么”，这是使我们保持信心的根本。这一点既有技术上的含义，也有制度上的含义。也就是说，我们人类应对岗位替代的两条根本出路，迄今尚未发生根本性的变化，虽然也需要与时俱进，不断校正方向。

第一，人力资本依然是抵御AI冲击的底气，但是人类需要知道自身的所长和所短，把扬长避短作为AI时代人力资本培养的基本策略。迄今为止，人类智能或自然智能相对于AI，仍然具有优势的方面在于：（1）软技能而非硬技能；（2）非认知能力而非认知能力；（3）情商而非智商；（4）人文的理解力和同理心，而非数理化的解题能力，甚至不是编码技能；（5）隐性的知识而不仅是显示性的技能。

第二，社会福利体系仍然是根本性的托底制度，而且履行此类功能的物质条件日益增强。马克思从早期资本主义的发展看到，一旦劳动力成为商品，工人从制度上便难以摆脱受剥削的命运。北欧在建立福利国家之初，在制度设计中就突出“去商品化”，即弱化劳动力作为纯私人要素的属性，强化劳动者及其家庭的社会权利。在AI的“岗位破坏”日益大于和快于“岗位创造”的条件下，这个理念和做法越来越重要。

AI就业冲击下劳动者的几种出路

无论是老办法还是新思路，就业对AI替代做出反应的方式，不外以下几种。在概括这些方式之前，我们先给出一个合理的预设前提，即AI的发展终究会以前所未有的幅度提高劳动生产率。在此基础上，劳动者通常并且可以有以下几种出路。

第一，转入要求更高技能的岗位。这是乐观的经济学家始终坚信的一种结果，自从历史上发生“卢德主义运动”以来，也不断被事实所证明。只不过这要求劳动者具有更高的技能与之相适应。换句话说，获得这种新岗位的与失去旧岗位的，通常不是同一批人，很大程度上也不是同一队列的人，甚至不是同一代人。

今后，失去老工作和得到新工作的时间缺口只会更大。包括美国前财长萨默斯在内的许多经济学家，已经从以前对技术进步创造岗位充满信心，转变为如今认为“卢德主义”自有其道理。鉴于另一位美国前财长姆努钦对AI的就业影响仍然“乐观”，并且如今已经难得找到持这种态度的人了，我们可以称这种不会自然而然产生的岗位为“姆努钦式岗位”。

第二，转到劳动生产率较低，从而报酬也较低的行业。库兹涅茨把劳动力向更高生产率部门转移，是产业结构变化的正常方向，与之相应，生产率降低的岗位则属于具有“逆库兹涅茨化”特征的岗位。从客观上说，新岗位的正规化程度要低于原来的工作。从主观上说，新岗位的体面程度也要低于原来的工作。总而言之，就业质量被降低。

第三，转到少量具有高需求弹性行业的岗位上。这是指那些人们保持着巨大的需求，却天然具有劳动生产率难以提高特性的行业。经济学家威廉·鲍莫尔把表演艺术作为这种行业的典型例子。这种类型的行业和岗位能否继续存在，以及能否得以扩大的关键，在于人们对相应产品和服务的需求及其弹性。但是，此类行业的规模和岗位数量并不会无限扩大。这类岗位可以被称为“鲍莫尔成本病岗位”。

第四，转到由新的消费所诱致出来的岗位上。我们今天的消费内容，在若干年之前可能难以想象，在更早的时候索性就不存在。就业岗位也是如此。未来随着劳动生产率的提高，人们的品位在变化，新事物新观念不断涌现，因而消费的领域不断拓展，职业类型花样翻新。鉴于这类岗位的消费归根结底由供给侧生产率的提高引起，是一种“供给创造需求”的现象，我们可以称之为“萨伊式的岗位”。

第五，转到因重新定义而出现的岗位上。以前不符合就业定义的活动，如今在整体劳动生产率的支撑下，可以被社会承认为“就业”，并以转移支付的方式得到补偿。例如，如果一个人自认为是“作家”却没有作品出版并获得酬劳，按照失业的调查定义，这种“在过去一周内未从事一小时以上有报酬工作”的状态，则不被算作就业。然而，如果社会负担得起，也完全可以认为这是一种就业。

与此相类似的情形还包括那些并不宣称自己正在“工作”的人，即不再寻求就业的人群。这包括两种情形。一种是当事人有供养来源，例如索性采取啃老等方式“躺倒”。另一种是无需就业，却可以得到普惠性的社会福利支撑。例如，如果实施全民基本收入（universal basic income）制度，就形成一种环境，使受到就业冲击的一些人选择不再参与传统意义上的工作。鉴于凯恩斯很早以前就探讨过如何分享生产率提高成果的方式，我们也可以称其为“凯恩斯式岗位”。

应对之策

根据经济史上人类应对技术替代就业现象的长期经验，可以提炼出几个原则性建议，即通过制度建设、政策调整、体制改革引导技术发展以及市场主体行为，最大限度做到几个“同步”：一是保持岗位破坏速度与岗位创造速度的同步性，特别是在数量上尽可能使转岗成为可行的。二是保持各行业生产率提高速度的同步性，避免索洛悖论（IT仅提高部分行业的生产率，却未能渗透到其他行业）情形的发生。三是保持AI替代劳动力的速度与培训劳动者能力的速度同步性，尽可能缩短再就业摩擦期。四是保持生产率提高与生产率分享的同步性，这也是公平与效率统一的要求和体现。

从政府职能的角度保障落实以上原则，可以从若干既重要且紧迫的应对之策入手。

首先，加快建设中国式福利国家。对此应该强调几点：第一，以只争朝夕的精神，或者说以摩尔定律的速度加快完善社会福利体系。第二，按照普惠的原则设计和完善福利制度。这意味着改变以往严格识别社会福利受益对象的理念，因为在岗位的加速流失时代，已经越来越无法区分一个人是否“躺倒”，而且AI驱逐劳动者本身具有强烈的外部性。第三，用社会共济、社会保护和权益保障，抵消非正规就业的蔓延趋势及其对劳动者的不利影响。

其次，大幅度延长义务教育或免费教育年限。与AI竞争的需要，一方面对人力资本提出越来越高的要求，另一方面需要更偏重非认知能力的培养。哈佛大学儿童发展中心的研究显示，在人生的最初几年，大脑每秒钟能够建立超过100万个神经元连接，这在此后任何生命阶段都无法重现。非认知能力的最佳培养时间在三岁至四岁，最理想的举措是把义务教育延长到这个学前教育年龄。劳动生产率的预期大幅度提高，可以显著扩大教育公共资源，足以支撑更长的儿童在校时间。

最后，消除在儿童发展、教育与培训、流动与就业、社会保障，以及其他基本公共服务方面存在的制度性障碍。其中特别是消除流动儿童和留守儿童存在的制度原因。研究表明，对于孩子的人力资本培养，特别是对于非认知能力的获得，以及他们终生的社会流动机会，父母的养育和照护具有学校和社会均无法替代的作用。因此，推动户籍制度改革，解决留守儿童和流动儿童面临的此类问题，应该置于最高的优先序。

想学习大模型 AI 该如何开始呢？

AI的生产效率会使整个社会效率都得到快速提升的，具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。