摘要：伴随着AI的迅速发展，几乎每个劳动领域都面临冲击，像创意工作、数据分析等，只要能被量化的任务，都可能被自动化。对于那些引领组织穿越这场动荡转型的领导者而言，应对方法很简单。支持那些投资回报率模糊的冒险赌注，奖励那些重新定义问题并勇于探索未知的团队。留出空闲时间

AI无需如科幻作品那般升级，便能颠覆经济格局。当下的模型，以及正在研发中更廉价、性能更强的版本，几乎注定要冲击劳动力市场的各个角落。它们在文本、图像和视频领域展现出的惊人表现，不仅可能改变作家、设计师、摄影师、建筑师、动画师和品牌广告商等创意阶层的工作模式，还会影响金融分析师、顾问、会计师和税务申报员等处理电子表格的职业人群。就连法律、医学或学术等有着专业门槛的领域也难以幸免：AI能够筛选海量内容，以如今几分之一的成本提供定制化建议或课程，且质量也在迅速提升，与人类不相上下。

关于AI工具究竟还能强大到何种程度，以及这一进程会有多快，目前仍存在诸多重大疑问。Anthropic的达里奥·阿莫迪（Dario Amodei）和OpenAI的山姆·奥特曼（Sam Altman）声称，通用人工智能（AGI）或许仅需一两年就能实现。而Meta的杨立昆（Yann LeCun）则持更怀疑的态度，他认为当前的模型缺乏对物理世界的扎实理解、持久的记忆、连贯的推理能力以及战略前瞻性。苹果公司刚刚发布的一项新研究也指出，如今的模型仅在其训练数据的范围内发挥作用。然而，即便AI的发展明天就戛然而止，其带来的冲击已然开始。

为了在这全新的局面中找准方向，领导者们需要理解并规划自动化将如何影响他们的业务。这就要求他们明确哪些任务和职责最有可能面临压力，并在时间耗尽之前，规划出一条让企业向智能价值链上游迈进的路径。

哪些不会面临自动化风险？

学术研究人员和从业者广泛探讨了哪些工作和任务最容易受到自动化的威胁。有些威胁显而易见：自动驾驶汽车可能很快就会取代数百万网约车、公交和卡车司机。与此同时，语言翻译、大量创意写作、设计，甚至日常编程工作，都逐渐交由AI来完成。

今年2 月，Anthropic分享了一组引人深思的用户数据：尽管聊天模式自然地引导人们进行人机协作，但约43%的交互已经属于某种形式的自动化，即用户要求AI直接执行任务，而非协助他们反复思考并解决问题。随着模块化AI智能体进入职场，通过MCP等协议进行数据交换和任务协调，这一比例还将持续攀升。那些被广泛量化或规范化的环境，无论是通过法律、税法、合规协议，还是传感器数据流，在短期内都面临着被机器取代的最大风险。

2018年，AI研究先驱阿贾伊·阿格拉沃尔（Ajay Agrawal）、约书亚·甘斯（Joshua Gans）和阿维·戈德法布（Avi Goldfarb）提出，随着AI的发展，人类最后的优势领域将是判断力，即在不确定情况下权衡选项并做出决策的能力。然而，这一观点给我们出了一道难题：在任何特定时刻，确切界定究竟什么才算是判断力。

如今那些需要人类判断力的任务，比如选择治疗方案、审核法律合同、撰写紧扣时代精神的电影剧本等，随着模型能够利用更丰富的数据和更强大的计算能力，可能很快就会被AI接手。近期研究还表明，我们也不能理所当然地认为人们总是更倾向于选择人类治疗师、咨询师或调解人。与之对应的AI可以全天候工作，成本仅为人类的一小部分，而且除了少数人类顶尖专家外，AI提供的服务质量可能更为稳定。

那么，我们如何区分哪些任务AI很快就能自动化，哪些任务还需要AI技术取得新突破才能实现自动化呢？要回答这个问题，我们必须回归到基本原则，回顾这一切的起源。

从实验室竞赛到工业革命

回溯到21 世纪初，计算机科学家李飞飞发现，专注于让计算机“看见”并解读图像的计算机视觉领域遭遇了瓶颈：算法因缺乏像素数据，摄入的视觉信息过少，无法达到人类的表现水平。她的解决方法简单粗暴却卓有成效：她创建了ImageNet，这是一个庞大且经过精心标注的图像库，借助亚马逊土耳其机器人众包平台完成数据收集。但她真正的天才之举是在2010年，她在这个数据集上设置了一个全球排行榜，将图像识别变成了研究人员之间的一场激烈竞赛。

在最初的两年里，年度排行榜上的成绩进展缓慢。

然而，在2012年，亚历克斯·克里泽夫斯基（Alex Krizhevsky）、伊利亚·苏茨克韦尔（Ilya Sutskever）和杰弗里·辛顿（Geoffrey Hinton）脱颖而出，令其他竞争者望尘莫及。来自多伦多的这三人团队使用两张现成的英伟达GTX 580显卡，仅用几天时间就训练出了具有突破性的卷积神经网络。这种开创性的方法证明，即便只有研究生的预算，也能改写计算机视觉的历史。

这一时刻终结了长达数十年的AI寒冬，将神经网络推到了技术进步的核心位置，并揭示了该领域至今仍在沿用的成功模式。首先，收集相关数据，在ImageNet项目中大约收集了1400万张标注图像；其次，依靠指标来量化和推动进展；最后，为模型提供大量数据和强大的GPU计算能力，直到它自我学习。正是这个模式，让AI从物体分类发展到撰写流畅的文章，直至如今在新兴的 “思考” 系统中实现推理、规划和运用外部工具。

数据、奖励、计算能力

推动图像识别取得突破的这个框架，其通用性远超大多数人的认知。只要满足以下条件，这个框架就能发挥作用：

第一，定义任务环境并收集其数据，无论是文本语料库、图像和视频库、记录的行驶里程，还是机器人传感器传来的数据流；

第二，明确目标奖励，可以是明确的（比如 “模型是否预测出了下一个单词？”），也可以是隐含的（通过观察人类行为推断得出）；

第三，提供计算能力，让系统能够不断迭代。

集齐这三个要素，就得到了一个通用的自动化引擎。如今，有两个数据趋势加速了这一进程。其一，模型能够生成无限的合成样本，例如，生成涵盖各种极端场景的虚拟 “行驶里程”，而无需依赖现实世界中司机的数据。其二，AI越来越多地应用于各种设备和传感器，如手机、汽车等，它就像一个低成本的监测器，捕捉并量化那些曾经因成本过高或不切实际而难以测量的现实世界信号。

只要你能将一种现象转化为数据，AI就能学习并大规模重现它。而且这项技术还在不断降低这种转化的成本，使得测量变得更廉价、更快速，并悄然融入我们所接触的一切事物中。越来越多的事物变得可量化，这个循环不断重置，模型也不断进化。这意味着，理论上任何可量化的工作都能实现自动化。

测量成本低廉，应用无处不在

经济学家兹维·格里利谢斯（Zvi Griliches）在1957年对杂交玉米推广的具有里程碑意义的研究，让我们清晰地看到了未来的走向。起初，农民们只在最优质的土地上种植这种昂贵的种子，因为在这些土地上，产量的提升很容易弥补使用新产品的额外成本和学习成本。随着杂交种子的改良和口碑传播，即使是利润微薄的土地也很快达到了收益成本平衡点。对于AI而言，投入到测量事物上的成本也遵循同样的收益曲线。当将现实转化为数据的成本高昂时，公司往往只在一些关键领域进行投资，如信用卡欺诈检测、算法做市、喷气发动机故障预测等。

但如今，AI大幅降低了精确测量的成本，使得持续、精细的感知成为常态。轻量级模型与传感器协同工作，减少带宽和延迟，而合成数据则在现实世界数据获取缓慢或困难时填补空白。每多一个小数位都能迅速带来回报：在数百万由AI驱动的决策中，微小的误差削减会迅速累积。随着精确测量成本的降低，即使是收益微薄的领域也变得有利可图，那些曾经因微不足道而未被关注的任务，也逐渐被纳入自动化的范畴。

我们不仅可能很快拥有廉价到近乎免费的智能，而且我们还将对世界进行更多的测量，以扩展并不断升级这种智能的应用范围。我们已然身处 “人工测量智能” 的时代，任何我们能够量化的事物，都会迅速被列入自动化的日程。

于未知中蓬勃发展

人类是进化中的多面手，生来就能在信息不全的情况下摸索前行。我们不仅能在未知的未知中生存，还能从中蓬勃发展，这种适应能力正是我们的决定性优势。历经无数代的进化，我们不断优化声带和社会思维大脑，直至语言诞生，从而开启了积累知识、抽象推理和符号思维的大门。从那时起，我们突破了自身的生物局限，制造出各种工具，拓展了我们的感知，增强了我们的记忆，提升了我们的能力。

但我们优势的基石在于高度灵活、紧密连接的前额叶皮层。这个神经指挥中心让我们能够设想无数的 “假设”，预演各种可能的未来，并在条件变化时立即调整策略。除非真正实现奇点突破，否则即使是量子计算机，也难以企及我们在开放式、跨领域的反事实规划方面的天赋。

随着AI加速发展，它带来了新的未知，我们的认知版图也不断被重新绘制。与此同时，它将可预测的部分常规化，就如同机械化农业使我们摆脱了自给自足的生存模式，从而将我们更多用于反事实思考的脑力资源解放出来，去应对更高级别的问题。

在那些几乎无法测量的领域，AI也会面临困境。比如，事件视界望远镜（Event Horizon Telescope）耗费了长达十年、跨越全球的努力，才捕捉到一张黑洞图像；在探索极端尺度物理学、地球深部地幔和深海，以及研究人类大脑内的活细胞相互作用等方面，仍然存在尚未解决的难题。在那些因隐私、伦理或监管限制而难以测量的领域，在社会要求推理过程透明的领域（至少在模型可解释性跟上之前），以及人们更倾向于人类参与的领域，AI的发展也会相对滞后。然而，就像杂交玉米的推广一样，未来几代人会不断重新审视这些领域的成本效益，可能会得出与我们截然不同的结论。

但在可测量的范畴中，有一个至关重要的例外可能具有决定性意义：那些由于结果概率根本无法确定而难以量化的任务，即处于奈特不确定性（Knightian uncertainty）的领域。在这个领域中，由于风险本身都未明确界定，你无法赋予任何概率。比如创立一家初创公司、将资金或人才投入高度不确定的项目、控制新型病原体、在金融体制转变时制定央行政策、起草AI伦理规范、发明一种新的艺术媒介、引发一种时尚潮流，或者打造一部全新的跨界大片，这些都属于概率消失的领域。有些创造性行为和发现只不过是对已知事物的巧妙重组，但真正具有开创性的成果，依赖于我们独特的能力，即设想出全新且复杂的反事实世界。

这个清单并非一成不变，一旦某些任务变得可测量，它们就会从清单上消失，而新的任务也会同样迅速地出现。每一次转变都会带来痛苦的经济和社会调整，使得更多工作集中于一个超级明星经济体系中，将巨大的回报集中在创造力、天赋和资本的巅峰。然而，AI也带来了一个看似矛盾的礼物：通过普及教育并成为每个人的私人助手，它为比以往更多的人提供了攀登这些巅峰的工具。工作本身将持续演变，任何将未知转化为可量化的突破，都会以极快的速度传播并被模仿。

对于那些引领组织穿越这场动荡转型的领导者而言，在电子表格之外还有什么呢？是所有无法在单元格中体现的东西：那些无法量化的技能、没有可靠先例的开放性问题、无形的因素，如信任、品味，以及质量和经验的微妙维度，还有即便所有指标都显示 “等待”，仍勇往直前的信念。只管理你能够测量的事物，就等于将最有价值的领域拱手让给那些培育不可量化事物的竞争对手。

创立了博士音响公司（Bose Corporation）的音响与电子工程师阿马尔·博斯（Amar Bose）就证明了这一点：当其他人都在追捧规格表上的数据时，他专注于音乐在真实房间里给人的听觉感受，这是现有任何指标都无法捕捉的品质，而他也因此改写了音频行业的规则。

总体而言，应对方法很简单。支持那些投资回报率模糊的冒险赌注，奖励那些重新定义问题并勇于探索未知的团队，并让人才在研发、新市场以及复杂的客户、合作伙伴和政策互动等充满不确定性的岗位间轮岗。留出空闲时间，促进跨团队交流，以激发意外发现和创意重组。将这些有意保留的模糊领域视为战略资产，而非负担。

唯有那些既关注可量化之事，更重视那些始终难以量化之事的领导者，方能在下次变革降临时从容应对。

关键词：#AI

克里斯蒂安·卡塔利尼（Christian Catalini）、简·吴（Jane Wu）、凯文·张（Kevin Zhang）| 文

克里斯蒂安·卡塔利尼是麻省理工学院加密经济学实验室的创始人，同时也是麻省理工学院的一名研究科学家。他还是Lightspark公司的联合创始人兼首席战略官。简·吴是加州大学洛杉矶分校的战略学助理教授，她的研究领域集中在创新、创业与战略的交叉点。她目前的工作重点是研究指标在塑造企业创新中的作用，同时也关注高增长初创公司创始人所面临的创业战略选择。凯文·张是Lightspark公司的机器学习工程师，专注于战略性AI项目。他也是Inference Grid的创造者，这是一个用于AI推理的去中心化网络。此前，凯文曾在Meta担任广告核心机器学习高级软件工程师。

周强 | 编校

我们常说“能者多劳”

殊不知在企业里 这种惯性正在逼走顶尖人才↓

投稿、广告、内容和商务合作

来源：哈佛商业评论