关于AI将对就业和职场产生巨大变革的预测随处可见,但我们仍不确定具体会如何发展。
自从机器学习和生成式语言模型能够处理当今大部分基于知识的工作以来,我们一直在试图预测其长远影响。
悲观主义者警告可能出现大规模失业并导致社会崩溃。乐观主义者则预测将迎来增强型工作的新时代,提高生产力并让我们专注于创造性和人际互动。
大局预测不乏其例。世界经济论坛一项广泛引用的预测称,AI将消除9200万个岗位,同时创造1.7亿个不同的新机会。
这听起来还不错。但如果你在某个即将消失的岗位上工作了30年,却完全不知道如何胜任任何新岗位,情况会如何?
如今,关于岗位被AI取代的新闻越来越频繁。从我的角度看,关于社会如何为这一潜在巨变做准备的信息却不多。
那么,人们真的已经在被替代了吗?如果AI确实在创造新岗位,我们如何获得这些工作?
让我们来看看这场被许多人称为工业革命以来最大工作方式颠覆的现状。
**哪些岗位正在消失?**
不难发现有人正在因AI而失业。
近期一些备受关注的例子包括微软裁员6000人,涉及软件工程师、营销人员、产品经理、律师和研究员。这些工作越来越多地由AI承担。
随后,IBM确认裁员8000名员工,主要是人力资源工作者,他们的许多职能也实现了自动化。
此前科技公司已有多轮大规模裁员,普遍归因于AI,包括谷歌自2023年开始的裁员中失去的1万个岗位、Salesforce的700个岗位,以及Klarna和Duolingo等知名小公司的大幅裁员。
一些公司态度坦率,如班加罗尔电商公司Dukaan的CEO裁掉了整个客服团队,因为AI的效率高出85%。
在技术和软件工程领域之外,媒体行业也有裁员,可追溯到2020年MSN决定用AI替代人类记者。
许多受影响者是代理工作人员,据报道Klarna裁掉700名客服代理的情况也是如此,声称这些工作都能由AI完成。最近传出消息称该公司需要召回部分员工。
这些是个案,整体趋势如何?不幸的是,情况看起来也相当严峻。
Trueup科技裁员跟踪器的数据显示,今年迄今已有超过7.7万人受到影响,平均每天495人。这比去年的每天653人略有下降。
追踪现状的另一种方式是直接询问民众,根据一项调查,14%的人表示曾因机器人而失业。
**新岗位在被创造吗?**
答案是谨慎的肯定,但需要说明的是,没有证据表明这种情况正在以我们所需的规模和速度发生。
有趣的是,这些新岗位不一定是技术类工作。根据世界经济论坛2025年工作未来报告,AI将推动配送司机、建筑、农业、食品加工和护理行业的繁荣,因为人们转向那些历来劳动力短缺且AI仍无法胜任的领域。
在宣布裁员时,公司越来越常见地给出关于再培训和重新部署的模糊保证,但缺乏具体细节。宜家是个例外,该公司表示被AI取代的呼叫中心员工将有机会接受再培训成为室内设计顾问。
也有一些旨在解决这一问题的大规模举措,如IBM承诺为200万人提供AI技能培训。
但迄今为止,这些举措相对稀少,几乎没有迹象表明社会已制定应对这种情况的战略响应。
**正在向悬崖边梦游?**
从我看到的证据来看,发达经济体对几年前还完全是理论性但现在非常现实的挑战准备不足。
一个恶化因素是,许多面临威胁的角色都是入门级的,如初级程序员或设计师,或者是低技能的,包括呼叫中心员工和数据录入员。
这意味着AI驱动的裁员有可能不成比例地冲击经济弱势群体。
迄今为止,几乎没有证据表明政府正在优先应对。很少有明确阐述的策略来管理岗位流失或保护脆弱的工作者。
也许态度是,既然科技行业造成了问题并从中获利,就应该由科技行业来解决。
当然,不同司法管辖区的响应有所不同。在美国,关于监管科技行业的争论仍在进行,这将允许政府就岗位流失管理施加义务。
然而,在英国和欧洲,立法者支持要求AI提供商披露在训练算法中使用版权材料的呼吁,这可能影响创意产业的就业。
危险在于,如果没有计划性的应对,我们很容易梦游般地陷入失业和裁员风险带来长期社会经济不稳定的境地。
**驾驭变化中的工作世界**
随着时间推移,AI对就业的影响越来越少地关乎预测未来,而更多地关乎应对快速变化的现实。
但尽管这种变化在我们周围发生,现在仍是早期阶段。个人和企业仍有时间为AI和自动化处理比今天更多任务的未来做规划。
对个人而言,这意味着获得在AI时代保持价值所需的技能。通常,这些是以人为中心的技能,如领导力、沟通、团队合作、关怀或人际交往技能。
对企业而言,这意味着既要选择与增强人类能力而非替代人类的AI系统合作,同时投资于终身学习、技能提升和管理劳动力转型。
对政府和监管机构而言,这意味着履行确保科技公司帮助失业工人找到新的、更有意义、以人为中心角色的责任。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。