【世界经济论坛】明日职业走向：大语言模型/AIGC引领的工作变革

最新推荐文章于 2024-11-02 12:50:08 发布

python_知世

最新推荐文章于 2024-11-02 12:50:08 发布

阅读量1.1k

点赞数 23

文章标签：语言模型 AIGC 人工智能

本文链接：https://blog.csdn.net/zhishi0000/article/details/138326695

版权

摘要

随着生成人工智能（AI）的不断进展以前所未有的速度，大型语言模型（LLMs）正在崭露头角，具有重新定义工作格局的潜力。这些工具的最新进展，如GitHub的Copilot、Midjourney和ChatGPT，预计将引起全球经济和劳动力市场的重大变化。这些特定的技术进步与来自经济、地缘政治、绿色转型和技术力量的巨大劳动力市场动荡的时期相吻合。世界经济论坛的2023年未来工作报告预测，由于产业转型，包括人工智能和其他文本、图像和语音处理技术，未来五年全球23%的工作将发生变化。

本白皮书对LLMs对工作的直接、近期潜在影响进行了有条理的分析。由于总工作时间的62%涉及基于语言的任务，广泛采用LLMs，如ChatGPT，可能会对广泛的工作角色产生显著影响。为了评估LLMs对工作的影响，本文对867个职业中的19000多项个体任务进行了分析，评估了每项任务对LLM采用的潜在敏感性，将其分类为具有高自动化潜力（Automation）、高增强潜力（Augmentation）、低潜力或不受影响（非语言任务）。本文还概述了由于采用LLMs而出现的新角色（新兴职位）。

这些技术对重塑行业和商业模式的长期影响超出了本文的范围，但提出的有条理的方法可以应用于技术变革的其他领域以及其对任务和工作的影响。

分析显示，LLMs具有最高自动化潜力的任务往往是例行和重复的，而具有最高增强潜力的任务需要抽象推理和解决问题的能力。潜在受影响较小的任务需要高度的个人互动和合作。

潜在自动化潜力最高的工作包括信用审核员、检查员和文员（81%的工作时间可能被自动化）、管理分析师（70%）、电话销售员（68%）、统计助手（61%）和出纳员（60%）。
具有最高任务增强潜力的工作强调数学和科学分析，如保险承保员（100%的工作时间可能被增强）、生物工程师和生物医学工程师（84%）、数学家（80%）和编辑（72%）。
具有较低自动化或增强潜力的工作是预计将保持基本不变的工作，如教育、指导和职业顾问（84%的时间用于低敏感性任务）、牧师（84%）、律师助理（83%）和家庭护理助手（75%）。
除了重塑现有工作外，LLMs的采用还可能在AI开发人员、界面和交互设计师、AI内容创作者、数据管理者以及AI伦理和治理专家等类别中创造新角色。
通过将工作的潜在敏感性水平聚合到行业水平来进行行业分析，注意到工作可能存在于多个行业。结果显示，估计总潜在敏感性（自动化加增强措施）最高的行业是金融服务的两个部分：金融服务和资本市场以及保险和养老金管理。其次是信息技术和数字通信，然后是媒体、娱乐和体育。每个主要行业类别的最高敏感性潜力排名的其他工作列表都在附录中编制。
类似地，功能组分析显示，对LLMs的总潜在敏感性最大的两个主题领域分别是信息技术，工作时间的73%受到影响，和金融，工作时间的70%受到影响。与行业群体一样，每个功能组的最高敏感性潜力排名的其他工作列表都在附录中编制。
这些新发现与世界经济论坛新经济与社会中心在2023年未来工作报告中的早期工作直接相关。许多被认为具有被LLMs自动化高潜力的工作也被业务领导人预计在未来五年内就业将减少，例如银行出纳员和相关文员、数据录入员以及行政和执行秘书。与此同时，具有高潜力增强的工作预计将增长，如AI和机器学习专家、数据分析师和科学家以及数据库和网络专业人员。这两份报告共同确认了技术变革与劳动力市场转型之间关联的显著主题。本报告的发现揭示了实施LLMs如何可能改变工作格局，为政策制定者、教育者和业务领袖提供了有价值的见解。LLMs可能不会导致工作岗位的消失，而是可能引领一段基于任务的职业转型时期，需要采取积极的策略来为未来的工作做好准备。

为了使读者能够更方便的阅读和理解这篇文章，这里对这篇文章中可能涉及到的英文以及术语进行解释：
expose：暴露，即这项任务或者这份工作可能会受到大语言模型/AIGC的影响的程度。
Automation：自动化，即这项任务或者这份工作可能会被大语言模型/AIGC替代的程度
Augmentation：增强，即这项任务或者这份工作可能会被大语言模型/AIGC增强的程度（可以理解为使用了大语言模型/AIGC后会给工作带来更多的效率提升）
Lower potential：低潜力，即这项任务或者这份工作可能与大语言模型/AIGC不相关的程度（可以理解为大语言模型/AIGC无法带来影响的那部分内容）
Non-language tasks：非语言任务，即完全不会收到大语言模型/AIGC的影响。

引言：大型语言模型将如何影响未来的工作？

语言能力与工作中执行的任务有很大的重叠，据估计，多达62%的工作时间涉及基于语言的任务。

劳动力市场正在经历快速变革，这主要是由增长轨迹、地缘经济学、可持续性和技术发展所驱动的。《2023年就业未来报告》发现，商业领袖预计未来五年内全球23%的工作岗位将会发生变化。特别是，生成性人工智能（AI）已经在能力上取得了巨大的飞跃，这在GitHub的编程助手Copilot、图像生成工具Midjourney和作为通用语言助手的ChatGPT等产品中得到了体现。《2023年就业未来报告》还发现，AI及文本、图像和语音处理技术在企业中的重视程度非常高。报告发现，有75%的调查受访者表示计划在其组织的运营中采用AI，62%的受访者表示计划采用文本、图像和语音处理技术。这引发了关于这些新技术将如何影响全球各地的组织和劳动力市场的问题。

这份白皮书研究了一种特定类型的生成性AI——大型语言模型（LLM）对工作岗位可能产生的近期直接影响。由于这些模型在过去一年中在公众辩论中的高度可见性以及它们类似人类的语言创造和理解能力，LLM服务已经迅速流行起来，如ChatGPT这样的免费服务在首次亮相的前两个月内就吸引了多达1亿活跃用户。这些模型的能力，加上它们的易用性和快速采纳率，表明许多工作任务——以及强调这些任务的工作岗位——可能会受到未来几年LLM使用的影响。据估计，多达62%的工作时间涉及基于语言的任务。然而，人工智能及文本、图像和语音处理技术也有可能增强工作并创造新的就业机会。此外，许多角色仍然完全不受这些发展的影响。

快速的技术变革通常会产生对其对日常生活影响的期待，特别是对工作岗位的影响。总体而言，以往的创新导致了更多的就业机会、更好的工作质量和更高的生活质量，但它们也带来了破坏和置换。这篇论文旨在支持所需的详细分析，以便清晰地了解影响、机会和准备情况。

生成式AI、大语言模型（LLMs）和语言任务

通过深度学习创造的最新形式的开创性生成式AI模型，是在海量数据集上训练基础模型的过程。这些基础模型通常以神经网络的形式创建，其结构受到人类大脑中神经元排列的启发。大型基础模型在海量数据上进行训练，具有看似超人的预测能力，可以通过响应书面提示来生成文本或图像来加以利用。

到目前为止，生成性AI模型已被配置成各种不同的工具，以服务于不同的场景，如图像、音频或视频创作、识别金融欺诈和其他安全风险，以及一系列通用语言能力，包括生成自然语言、数学语言和计算语言的能力。尽管生成式AI有广泛的实现范围，但本研究将重点关注大型语言模型（LLM）及其独特的语言生成能力，因为这些模型在短期内对最大数量的工作岗位产生影响的潜力最大。

LLM可以执行广泛的语言任务，通常是对简单的用户提示做出回应，几乎涵盖任何主题：

LLM可以改写并对提供的文本进行详细反馈，包括总结它、将其翻译成另一种语言、校对、讨论其风格或语调，甚至以不同的风格或语调重写。
LLM还可以生成新文本，并在其训练数据中存在的主题上提供一定程度的专业知识，例如以文献综述的形式或完成研究助理通常完成的任务。
由于编程语言是文本，LLM可以作为编程助手。GitHub的Copilot等实现已被证明可以提高程序员的生产力56%。通过将LLM与其他系统集成，这些能力可以扩展到更广泛的抽象任务，如安排会议、下订单、回复电子邮件或就特定主题提供研究。

鉴于LLM能力与当前工作任务之间的大量重叠，将LLM引入工作场所将如何改变工作？哪些工作部分将受到最大影响，哪些工作将受到最大影响？最后，随着这些新技术的引入，可以预期会出现哪些新的工作岗位？

基于任务的工作风险评估方法

为了回答这些问题，本白皮书采用的方法评估了基于语言的工作任务对LLM执行这些任务的能力的潜在风险。这种方法首先将工作看作由许多不同任务组成，然后评估LLM可能如何影响每项任务。工作受影响的程度最终取决于该工作中特定任务所需的基于语言的技能程度以及在这些任务上花费的时间。依赖语言、标准化、常规和流程导向的任务是LLM自动化和替代的首选对象。同时，需要更多人际互动的任务更可能被增强并与LLM协作完成。

例如，一些工作任务是常规且可预测的，由单独工作的人员执行，如文员和行政人员，涉及阅读和输入数据、在不同数据库之间交叉参考记录以及审查交易。这些任务更有可能暴露于并最终被LLM自动化，意味着它们将不再由人类执行。结果是，强调这些任务的工作将要么转型以承担不可自动化的任务，要么走向衰退。其他工作任务则需要大量的抽象推理、创造力和解决问题的能力。虽然语言任务可能不是它们的主要产出，但它们可能严重依赖语言和沟通。例如，数学家和编辑严重依赖语言，但需要从他们的专业领域中融入创造性见解。同样，软件开发人员大量使用计算机语言，但也需要理解各种抽象层次的复杂系统，以创建成品软件。这些工作中的工作者不会被LLM替代他们的任务；相反，LLM会增强他们完成这些任务的能力。例如，教师可以依靠LLM协助课程规划和批改学生作业。根据美国的一项研究，三分之一的教师已经使用了ChatGPT进行课程规划（30%）、为课堂生成创意点子（30%）以及构建课程和课堂的背景知识（27%）。 软件开发人员可以利用LLM生成带有清晰功能参数的标准化代码块，加快开发进程，留出更多时间进行高层次架构任务。软件开发人员还执行许多具有高自动化潜力的任务，这表明许多工作将被转型，而不是被自动化或增强。

本文采用的研究方法旨在识别哪些任务将暴露于LLM，并评估它们将如何受到影响：这些任务是否有可能被LLM自动化和替代，或被LLM增强和提升。分析数据来自O*NET和美国劳工统计局（BLS），这些数据描述了867种职业，涉及超过19,000个单独的任务。通过使用机器学习和手动方法，对工作任务进行单独评估，以确定它们对采用LLM的潜在暴露程度，从而将它们归类为以下四个类别之一：

自动化潜力高：未来，任务将由LLM而非人类执行。
增强潜力高：人类将继续执行任务，LLM将提高人类的生产力。
自动化或增强潜力低：人类将继续执行任务，LLM不会产生显著影响。
不受影响（即非语言任务）。

然后，将工作任务映射到使用这些任务的职业中，连同在每项任务上花费的时间份额，并利用这两个指标，在职业层面上创建对LLM潜在暴露的度量。

本文第1章详细介绍了这些结果，针对美国劳工统计局标准职业系统（SOC）提供的详细职业列表中的任务和职业，该列表是目前可用的最高分辨率列表，包含867个职业标题。该章节还分析了在LLM对工作的预期影响方面，不同行业和功能之间的差异。在第2章中，这些详细职业被聚合并映射到《2022年就业未来调查》中使用的职业分类系统上，以直接将工作对LLM的暴露结果与全球商业领袖在特定工作增长或衰退潜力及其背后趋势方面的调查结果相联系，这些内容在《2023年就业未来报告》中有更详细的介绍。

鉴定任务和工作的潜在风险

大型语言模型（LLMs）具有变革潜力，并将显著重塑未来的就业格局。

暴露任务

初步分析揭示了哪些任务具有最高的自动化或增强潜力，以及哪些任务具有较低或没有潜力（见表1）。大型语言模型（LLM）最有可能自动化的任务往往更加常规，如执行行政或文书活动，以及一些与初级分析相关的任务，例如设计数据库或分析数据。最有可能通过增强来实现的任务需要更抽象的推理技能，尤其是那些涉及与人互动的任务。名单首位的是评估人员能力或表现，例如在人力资源专业人员责任的背景下，其次是收集关于消费者需求或意见的数据。对于后者，尽管通过电子邮件和互联网进行调查可能是一个高度自动化的过程，但调查问题的制定和措词仍需要由收集数据的人高度关注和批准。风险潜力较低的任务需要高度的个人互动和协作，如合同谈判、教育项目开发以及其他科学技术工作，后者已经采用了强大的技术增强。最后，非语言任务正如预期的那样，强调物理活动，如装载产品、材料或运输设备，装配活动，农业活动，以及美容和发型设计。

具有更高增强潜力的任务需要更多的抽象推理能力，特别是那些结合与人互动的任务

表1 受影响的关键任务

暴露的工作的详细示例

为了提供一个详细的示例，说明工作中涉及的任务如何决定LLMs对工作的影响，图1展示了对一个暴露的工作和一个非暴露的工作以及每个任务的暴露程度进行分析。图的左侧面板提供了对软件开发人员的概述，这是分析中高度暴露的工作，显示了任务在增强和自动化方面具有很高的潜力。在这个职业中，有28.7%的时间有很高的自动化潜力，包括“分析数据以改善运营”和“分析设备系统的性能”。相比之下，高达43.2%的时间用于任务，具有很高的增强潜力，包括“准备信息或教育材料，评估产品或技术的特性、有用性或性能”。

图1的右侧面板提供了对人力资源经理的概述，这是一个较少暴露的工作。只有16.1%的时间有自动化潜力，包括“确定项目或运营的资源需求和管理预算或财务”，而有22.2%的时间有增强潜力，包括“解释法规、政策或程序和培训他人关于操作或工作程序”。涉及的大部分任务，共计61.7%的时间，具有较低的暴露潜力，因为这些任务涉及直接与个人合作以及与大型群体协调和沟通。

图1 暴露职位和非暴漏职位示例

职业分析

具有自动化潜力的工作岗位根据基于任务的分析结果，潜在的自动化任务最多的工作岗位强调例行和重复的程序，不需要高度的人际交流。潜在可自动化工作时间最多的角色包括信贷授权员，核对员和文员（占工作时间的81%），管理分析师（70%），电话销售员（68%），统计助手（61%）和出纳员（60%）。具有高度自动化潜力的工作通常包括各种类型的办公室文员，特别是那些专注于记录和信息管理的工作——这些是LLM在任务中表现出很高能力的领域。例如，法律秘书和行政助理约有54%的工作时间用于具有高度自动化潜力的任务。

图2: 具有最高自动化潜力的工作

具有增强潜力的工作岗位相同的分析方法表明，潜在的由LLMs增强的工作岗位强调批判性思维和复杂问题解决能力，尤其是在科学、技术、工程和数学（STEM）领域（参见图3）。榜首的是保险核保员，分析表明他们将100%的时间用于可以由生成式人工智能系统增强的任务。其次是生物工程师和生物医学工程师（84%的时间可以增强），数学家（80%）和编辑（72%）。其余的前15个工作岗位同样是技术性或高度专业化的，通常需要高级学位或培训，比如数据库架构师和统计学家。需要注意的是，许多具有潜在增强潜力的工作也具有一定的自动化潜力，因此对于这些工作，总暴露度非常高，比如医疗文字录入员、保险估价员和房地产评估员。

图3: 具有最高增强潜力的工作

具有较低潜力进行转化和非语言任务的工作岗位强调非语言任务的工作岗位预计将较少或根本不受LLMs潜在影响的影响。任务分析的结果表明，具有最低潜在暴露度（自动化或增强）的工作是那些需要高度个人互动的工作，如医疗专业人士或教师，或需要体力活动的工作，如运动员或体力劳动者（参见图4）。在低潜在转化潜力比例最高的职业中，教育、指导和职业顾问和顾问占总时间的84%。其次是神职人员（84%的时间），律师助理（83%），家庭医护助手（75%），然后是麻醉医生（74%）。社区、社会服务和医疗职业在具有较低自动化或增强潜力的职业中占有重要地位，占前15个具有最低潜在暴露度的职业中的10个。

图4：具有最低暴露风险的工作

除了具有低潜在暴露度的工作之外，还有一些工作根本没有语言任务，并且不受LLMs在工作场所中采用的潜在影响。这些工作包括：

洗碗工
公路维护工
肉类、家禽和鱼类切割和修整工
铁路铺设和维护设备操作员
木匠助手
纸制品机械设置工、操作员和操作工
屠宰工和肉类包装工
石油和天然气野外工人
纺织、服装和相关材料压制工
玻璃纤维层压工和制造工

新兴的工作岗位随着生成式人工智能引入了人机协作的新范式，它将重新定义工作的进行方式，并重塑各种工作角色的性质。关于随着LLMs广泛采用可能出现哪些新角色，没有任何预测能够百分之百确定。但可以明显看出，在几个关键领域存在着工作发展的空间。以下是一些新兴工作的示例，这些工作有助于释放生成式人工智能的价值，并减轻相关后果。

AI模型和提示工程师：工程师和科学家将继续在AI系统创新的最详细层面上开发和微调LLMs。这些工作可能已经存在某些技能集，但它们将与AI系统的进展同时不断演进。这些工作涵盖了一系列工作，包括设计更高效算法的程序员、设计定制芯片以训练和运行模型的电气工程师、构建服务器基础设施的系统管理员，以及确保这些系统具有稳定能源来源以进行长时间运行的基础设施和电力系统工程师。此外，提示工程师将对开发、优化和重新构思LLMs的提示或输入起到关键作用，以达到更加优化的结果。
接口和交互设计师：已完成并训练好的LLMs仍然具有高度的技术性，需要精心设计的界面才能让公众可以使用。在某种程度上，可以将接口和交互设计师视为LLMs的用户体验（UX）设计师。这类工作将负责设计LLMs以适应特定类型的用户输入（例如，键盘输入或口头语音输入）或执行特定任务，例如开发个性化的人工智能助手、导师或教练。这些工作可能包括与人类反馈进行强化学习（RHLF）的重要阶段，其中模型将根据偏好的响应和其他性能评估进行训练。
AI内容创作者：借助技术人员和界面设计师的基础设施，AI内容创作者将利用对LLMs的知识和理解，快速制作各个领域的深度内容。所产生的内容类型可能包括文章、书籍、教材以及电影和电视剧的整个情节，甚至可以自动生成任何相关的视觉和音频媒体。
数据管理员和训练员：大规模的训练数据集对于维护LLMs的性能至关重要。确保高质量的数据是LLM开发的首要任务，因为LLM输出的质量直接反映了其训练数据的质量。由于大多数训练数据都是从互联网上发布的文本中策划的，因此数据质量和完整性检查至关重要，并将导致建立专门的、专业化的工作力量。
伦理和治理专家：培训数据中存在偏见或其他不当语言可能会导致LLMs生成有偏见、有害或不道德的内容。不仅需要检查训练数据的质量，还需要在向公众发布之前对经过训练的LLM系统进行严格测试。这将成为公司级别的专门培训的AI安全官员和伦理学家以及政府级别的特定领域监管机构和律师的职责范围。

尽管可以预期新的工作类别的出现，但还应预期对现有角色的重新定义。对LLMs对客户服务工作的影响的分析发现，在13项核心客户服务任务中，有四项任务保持不变并在人类能力范围内，有四项任务可以完全使用生成式AI自动化，有五项任务可以增强以提高人类绩效，还有五项新的高价值任务出现。通过生成式AI，客户服务代表（CSRs）可以参与新的任务，如为系统改进提供反馈、满足客户需求、测试偏见和确保伦理机器行为，以及监控数据隐私。这些责任赋予了CSRs塑造AI部署、优化客户体验以及在客户服务运营中维护伦理标准的能力。此外，对CSRs的另一项研究发现，生成式AI的实施与员工流失率较低相关。这些发现表明，组织可以利用生成式AI与人类专业知识结合，重新思考工作设计，提高生产力，改善员工体验。

按行业进行分析

为了进一步分析，可以将工作暴露评级汇总，以生成行业水平的潜在自动化或增强估计（参见图5）。为了生成这些估算，将特定行业内所有职业的暴露度测量值进行平均，按总就业人数进行加权，并考虑到职业可能属于多个行业。具有最高总潜在暴露度（自动化加增强措施）估算的两个行业都属于金融服务领域：金融服务与资本市场，以及保险和养老金管理。其次是信息技术和数字通信，然后是媒体娱乐和体育。需要注意的趋势是，具有高潜在暴露度的行业在自动化和增强方面都具有高潜力。这表明引入这些新技术将改变劳动市场的性质，但不一定会减少总的工作岗位数量。

具有高潜在暴露度评级的行业也计划采用人工智能技术，正如《2023年未来就业报告》中调查的企业领导人所报告的。计划采用人工智能技术的前五大行业中，有三个与LLMs的潜在暴露度最大相关，分别是保险和养老金管理、信息技术服务以及媒体、娱乐和体育。

图5: 面临最高暴露度（自动化和增强）的行业

按职能进行分析

职业的暴露评级也可以汇总到功能组中，这显示了与潜在自动化和增强有关的类似主题（参见图6）。与行业分析和《2023年未来就业报告》中的大部分分析一样，总潜在LLMs曝露度最大的两个主题领域是信息技术，总曝露度为73%的工作时间，以及金融，总曝露度为70%的工作时间。这些功能之后是客户销售（总暴露度为67%）、运营（总暴露度为65%）和人力资源（总暴露度为57%）。有可能被自动化的工作职能通常也有很高的机会通过技术来增强或增强，反之亦然。这是对技术创新导致失业的观念的一个重要对立观点：技术创新改变了工作，一些任务被淘汰，而其他任务变得更为重要。

图6: 面临最高暴露度（自动化和增强）的职能群体

大型语言模型与工作和任务的增长与衰退

增长预期凸显了工作任务和职位在劳动力中的变化，表明了对变革的准备

预期任务的增长与下降

《未来就业报告2023》中所呈现的分析结果表明，表格1中的结果与全球商业领袖的预测之间存在一些引人注目的相似之处。该报告发现，被预测在当前和未来五年内最有可能自动化的任务是信息和数据处理。当前基于任务的分析还表明，这项任务在自动化方面具有很高的潜力，特别是在设计数据库、分析数据以改进操作和获取有关商品或服务的信息方面。同样，根据《未来就业报告2023》的结果，推理和决策任务的自动化潜力最低。本文的基于任务的分析将决策任务标记为在增强方面具有很高的潜力（特别是在评估个人能力或绩效、阅读文件或材料以了解工作流程以及评估患者或客户的状况或治疗选项方面），或在暴露方面具有很低的潜力（例如直接的科学或技术活动）。

《未来就业报告2023》的调查结果与本文的基于任务的分析都指出了支持工作人员过渡的共同线索，这表明这些变化确实是根本性的转变。此外，这意味着企业领导者已经在识别这些趋势，并有望处于良好的位置，为未来的变革做好工作人员的准备。

预期工作的增长与下降

图7将本白皮书中关于工作受到LLMs影响的主要发现与《未来就业报告2023》中相同工作的增长预期相结合。在这张图中，垂直轴表示工作的暴露潜力，顶部框中是增强潜力分数，中部框中是低潜力分数，底部框中是自动化分数。水平轴表示未来五年内工作的净增长预期，以工作力量就业的预期百分比变化表示。请注意，为了制作这张图表，本报告中早期使用的O*NET详细职业已被映射到《未来就业报告2023》使用的职位分类。从图中最直接的信息是工作的增强与增长之间存在积极关联，而工作的自动化与增长之间存在负相关。相比之下，具有较低暴露潜力的工作预期增长要低得多。

图7: 工作暴露风险与成长潜力对比

在图7的底部框中展示了具有最高自动化潜力的工作（从图2的列表映射而来），与《未来就业报告2023》中来自商业领袖调查结果所示的未来五年预计下降的工作显著重叠。其中预计下降最多的三个工作是银行出纳员及相关文员（87%的时间用于具有高自动化潜力的任务，预计下降41%），数据录入员（58%的潜力自动化，预计下降36%）和行政和行政秘书（69%的潜力自动化，预计下降34%）。所有具有高自动化潜力的工作都有负面的预期增长，唯一的例外是证券和金融交易员和经纪人。

在图7的顶部框中展示了具有高增强潜力的工作（从图3的列表映射而来），大多与《未来就业报告2023》中预计未来五年内增长强劲的工作相符。主要在技术人员、工程师和分析师家族中的工作具有增强和增长的潜力。AI和机器学习专家有最高的预期增长（75%的时间用于具有高增强潜力的任务，预计增长39%），其次是数据分析师和科学家（84%的潜力增强，预计增长31%）以及数据库和网络专业人员（83%的潜力增强，预计增长14%）。然而，具有高增强潜力的工作在预期增长方面存在显著的差异，该类别中的一些工作预期增长较低，例如数据录入员和网页开发人员。尽管如此，增强潜力和预期增长之间的一般一致性表明，采用具有提高个体工作效率潜力的生成性人工智能可能会推动重大的就业增长。

在中部框中展示了具有低暴露潜力的工作（从图4的列表映射而来），其中许多工作位于教育领域，特别是大学和高等教育教师，这些工作也在《未来就业报告2023》中被认为未来五年内预计增长较低（41%的时间用于具有低暴露潜力的任务，预计增长10%）。具有低暴露潜力的工作在预期增长方面也存在差异，但趋向于接近零的预期增长。在那些具有低自动化潜力的工作中，护理工作突出，与先前的“未来职位报告”的发现一致。该报告发现，来自各个收入水平组的许多国家对护理和教育工作的需求没有得到满足。部分原因是生成性人工智能不能轻松自动化这些工作，而这些服务的需求将在未来几年持续增长。

结论：确保大型语言模型符合工作者的需求

采用LLMs将改变业务和工作性质，取代一些现有的工作，增强其他工作，并最终创造许多新的角色。然而，企业和政府有责任采取积极的措施来为即将到来的转型做好工作人员的准备，以确保社会的所有成员都从生成性人工智能的潜力中受益。

本文采用了一种结构化的方法来评估LLMs对工作的影响，包括积极和消极的影响，使利益相关者能够负责任地应对挑战和机遇。

政策制定者需要调整战略性的劳动力规划能力、终身学习体系和社会安全网，以管理即将到来的混乱时期。类似本文中分享的分析可以帮助更精确地了解特定地理位置的情况。政府还可以与雇主和教育机构合作，提供培训计划，为工人准备从LLMs中获益最多的工作。此外，社会安全网和帮助过渡到新角色的支持需要重新构想，更精确地针对最可能受到影响的人群。
企业领导者可以利用LLMs对工作的直接影响的见解，了解哪些角色将受到最大影响，并负责支持工人过渡到新的角色和工作方式。内部的劳动力规划、学习与发展以及人才管理实践也应加强，以支持在工作场所采用生成性人工智能，招聘新的成长型工作岗位的人才，或大力投资于对工人进行再培训和提升，使其适应成长型岗位。

大型语言模型提供了扩展人类潜力、发展产业和加强全球经济的机会。然而，它们的快速采用对工作人员既带来了风险，又提供了机会。本白皮书中提出的方法有助于计划对任务和工作的直接影响，并为政府、企业和工人提供了他们现在可以采取的行动，以为未来做好准备。

未来已来，无论是如何应对大语言模型/AIGC对我们个人工作的冲击，还是我们个人如何才能学习使用AI，拥抱这个AI引领的新时代，都是我们个人需要考虑的问题。欢迎关注我们：大模型的艺术，授人以鱼不如授人以渔，知其然不如知其所以然。我们将从大语言模型/AIGC的原理出发，将透大语言模型/AIGC的各个方面，我们的知识文章涵盖各个方面，有基础有进阶，适用于全部想要学习AI的人群。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，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。

在这里插入图片描述