首发于第一财经一财号
在ChatGPT引发的诸多话题中，有关失业的话题一定是最热门的话题之一。
ChatGPT会不会带来失业?人类会不会被机器人替代?《终结者》、《变形金刚》和《流浪地球》的故事会不会照进现实?其实，这一系列的疑虑与担忧，归根结底只需要回答一个问题：我们该如何理解技术进步与人类社会之间的关系?
1、技术进步与群体分化：关于创新的永恒话题
事实上，历次科技革命都会重组社会分工。农业时代，劳动力是最重要的生产要素之一，“人丁兴旺”、“儿孙满堂”不仅是美好的生活愿望和传宗接代的朴素情感，更是劳动人民积累生产资本、追求社会财富的必要手段。
第一次工业革命实现了从手工劳动向动力机器生产转变的重大飞跃，此时最具代表性的就是圈地运动。机械化驱动农业生产由农户分散耕种转向规模化、集中化生产，因而大量的农民失地失业。
第二次工业革命奠定了科学技术在经济社会发展中关键地位。由于各种新技术、新发明被广泛应用于各个生产领域，出现了人数众多、具有专业知识的中产阶级。
第三次工业革命始于二战之后，以计算科学为代表性技术，因此也被称之为信息技术革命或数字化革命，体现为计算机的广泛应用，信息产业、网络经济蓬勃发展，并为人工智能、物联网等当下的新兴产业奠定了重要基础，首富的行列中出现了众多年轻的互联网新贵，科技公司取代能源公司和金融公司登上公司市值的金字塔塔尖，“码农”逐渐成为炙手可热的职业。
一般认为，技术进步对于经济发展的影响是具有偏向性的。如果将经济增长看作是一系列要素的组合，农业经济的要素是资本和劳动，正如古典经济学家威廉·配第在《赋税论》中所言，“劳动是财富之父，土地是财富之母”。两次工业革命实现了机器对劳动的替代，但是机器需要用金钱购买，机器在生产中占比越高、意味着投入的资金规模越大，因此资本成为工业经济时代的重要生产要素，经济学家的增长模型里有了土地、劳动和资本三大要素。第三次革命实现了经济增长的规模报酬递增，以索洛和罗默为代表的经济学家将知识和技术作为生产要素，科学技术是第一生产力成为共识。
机器是否能够替代劳动取决于使用机器是不是比雇佣工人成本更低，因此机器替代劳动的本质是资本替代劳动。技术的偏向性就表现为这种局部的替代性：在第一次工业革命，农场主可以利用机械化工具高效地耕种，此时农场主离不开土地、但是可以减少劳动，因此技术进步的偏向性体现为抑制劳动需求;同样的，第二次工业革命在生产环节大量使用机械，技术的偏向性仍然体现为抑制劳动需求，导致大量工人下岗失业，最终引发了反对机械化的卢德运动。第三次科技革命使得专业知识成为经济发展中的关键要素，科技对于传统产业的颠覆性日益增强，因此我们看到资本会流向一个充满创意的大学生、一支朝气蓬勃的“菜鸟”团队，而不会流向油田、矿山、银行、工厂，风险投资市场蓬勃兴起。
技术进步对经济发展的有偏性影响会带来社会就业的结构性变化，通常体现为旧职业的替代和新职业的创造。例如，第一次工业革命带来农民的失业，但是失业的农民刚好进入蓬勃兴起的工厂成为产业工人。第二次工业革命导致产业工人失业，但是工程师等技术岗位又创造了新的就业需求，具有技术、管理等专业知识的群体逐渐发展壮大成为中产阶级。第三次科技革命巩固了高端人才的市场地位，专业领域的技术精英成为新兴社会阶层。
2、旧岗位的替代与新岗位的创造：宏观视角与长期趋势
正如布莱恩·亚瑟的形象比喻，工业革命为经济打造了一套肌肉系统、而数字革命为经济打造了一套神经系统。从技术革命与经济发展的演化历史来看，前三次工业革命更多的体现为对人力的替代效应，而以人工智能为代表的第四次工业革命实现了对知识的替代效应。这也成为引发人们对于ChatGPT广泛担忧的关键：当机器具有智力，人们还能保住“饭碗”吗?
实事求是地讲，这种担忧由来已久，这一话题也不是什么新鲜事。上世纪80年代开始，索洛就关注到信息技术作为一种典型的有偏性技术进步，是否会引发失业、扩大贫富差距。近年来，随着人工智能技术的进步和人工智能产业的发展，这一话题已成为循环播放的保留节目。例如，2017年麦肯锡就对46个国家展开调查，认为到2030年，有15%(按照预测中位数)的工作将会被自动化替代，7500万至3.75亿工人(占全球劳动力的3%—14%)将面临重新就业。对中国而言，波士顿咨询公司在2017年也曾发表报告指出，55%—77%的就业岗位在未来有可能因技能含量低而被数字技术取代。
事实上，这种担忧更多的源自“管中窥豹”或“非黑即白”。数字技术对就业的影响存在多种补偿效应与替代效应的对冲机制，不少经济学家都以更为理性的视角，系统分析了数字化在未来可能对劳动力市场和就业产生的影响。
新古典学派的代表人物罗伯特·索洛(Robert Solow)是乐观派的代表性学者。基于他的增长模型，经济体存在长期稳态，虽然在短期可能偏离于稳态，但会逐渐向稳态收敛。达到稳态以后，经济体的主要变量将出现均衡增长路径，例如经济产出与资本会同步增长且增长速度等于技术进步和人口增速之和，生产力(经济增长/人口数量)的增长率则等于技术进步速度。因此，在技术进步促使经济发展的同时，劳动力并不会因为被替代而失去市场份额。
但是，考虑到平台经济、AI和智能机器人等新技术不仅仅是独立存在的技术，还可以与现有生产要素(如资本)进行结合，从而改变资本回报边际递减的特性或改变资本和劳动力之间的替代性。也就是说，社会生产的广延边际(Extensive Margin)被改变：在经济学的视角下，这可能意味着新的生产机会(或环节/任务)被创造出来、而不仅仅是在原有的生产模式中加大要素投入。因此，约瑟夫·泽拉(Joseph Zeira)将生产过程描绘成工作任务(Tasks)的组合而非生产要素的组合，由此开创了信息技术(如自动化)改变经济增长的工作任务法(Task-based Approach)。按照泽拉的观点，信息技术的应用可以提高经济体的自动化率，产生极强的资本对劳动力的替代效应，从而造成颠覆性影响。
按照泽拉的观点，当自动化水平提高，资本积累会通过乘数效应无限扩张下去，从而使得劳动收入份额会被不断挤压直至消失。这一论点难免过于悲观，因而德隆·阿西莫格鲁(Daron Acemoglu)将新任务的创造引入了泽拉模型中，认为除了替代效应(Displacement Effect)之外，数字技术的应用还存在一种生产力提升效应(一种补偿效应)，以及新任务创造(Creation of New Tasks)的广延边际效应：新任务创造不仅总是能提高劳动收入份额，也总是能提高工人工资。阿西莫格鲁解释了为什么过去一个多世纪，人类的技术总是在进步并替代了相当一部分的人力劳作，但是工作岗位并没有减少，特别是劳动收入份额为什么能基本保持稳定：很多旧岗位被新技术替代的同时，新岗位也同步被创造了出来，而劳动份额保持不变可能是两者发生速度恰好相等的结果。
基于中国的实际，我们研究得到的结论是，随着人工智能等信息技术的普及，中国数字经济的发展对就业(收入差距)存在非线性影响，二者呈倒U型的关系，即短期内可能会带来失业、但是长期看会促进就业。
经过一段时间的探索，我们发现倒U型的结构来源于一个非常稳固的理论解释——数字技术让新技能的掌握变容易了。换言之，数字技术作为一个高效能的工具，在解放人类而非替代人类。例如，电子商务在替代传统零售岗位的同时，派生出了跑腿小哥、网络主播等新岗位。据测算，阿里巴巴的生态体系中四大业务模块共带动了包括实物商品交易型、线上劳务交易型、线上服务交易型、商户展示型和互联网企业直接就业型在内的五大就业机会，在2019年为6901万人带来就业机会。
除此之外，数字技术从根本上改变了组织的运营方式，可以创建更灵活、更公平、更有弹性的组织，能够有效地提高敏捷性、效率和效益，平衡灵活性、可扩展性与成本效益，从而帮助企业构建最合适的劳动力模式，打造公平而灵活的用工方式。因此从长期看，以人工智能技术为代表的数字革命会创造更多新的岗位以弥补就岗位的替代、同时会让工作变得更加“宜人”。
3、下围棋与打麻将：人工智能与人类智能各有所长
或许引发就业担忧还有一个重要的因素，即ChatGPT技术的创新性。ChatGPT与传统人工智能算法相比，确实实现了跨越式的创新。传统的人工智能模型往往是场景化的(体现为单一任务)，针对具体任务进行训练，一般包括一个由人工打好标签的训练集、包含各种参数的算法和预测集组成。因此，这类人工智能的聪明程度取决于训练集中的数据质量，以及算法中的参数，所以他会越用越聪明：更多的使用会生成更多的数据，同时结果的反馈有助于优化模型的参数，因此传统AI应用都致力于形成这样一个“数据飞轮”。
与上述技术类似，与ChatGPT也基于输入集、通过算法模型来生成预测集。ChatGPT全称Chat Generative Pre-trained Transformer(生成型预训练变换模型)，作为一个专注于对话的模型，他核心功能就是通过学习海量文本实现与人类的即时对话。但与传统技术路线不同的是，ChatGPT并没有预设任务、而是将海量数据直接作为训练集输入模型(即所谓大模型)，通过构建海量的参数形成对训练集的理解(规则，如语法、句法等)和认知(知识，即包含在文本数据中的事实)。通过这样一个大模型，ChatGPT就掌握了人类语言的技巧和各种事实知识，从而实现与人类对话。
注意，尽管从技术路线上来看ChatGPT与传统人工智能相比实现了诸多优势，但是并没有突破“数据智能”的局限和参数优化的原理。“3000亿条数据”、“1750亿参数”、“数据停留在2021年以前”等是各大媒体中频频出现的关键词。这意味着，ChatGPT的出现是一个组合创新的产物，有赖于数字孪生实现的海量数据、云计算及芯片实现的算力提升。
基于上述原理，ChatGPT依然是一个比较聪明的助手、从胜任人类社会职业的角度仍然有着较强的局限性。大卫·奥特尔(David Autor)认为，计算机擅长高级推理，如计数、数学、逻辑推理和量化关系编码，但难以取代感觉运动技能、身体灵活性、常识、判断力、直觉、创造力和口语等人类进化而非发展的能力。因此奥特尔提出了极难被计算机取代的两大类能力：一是“抽象”的任务需要的能力，包括解决问题的能力、直觉、创造力和说服力等;二是“手工”任务需要的能力，包括情境适应性、视觉和语言识别、面对面交互等。
前者具备专业、技术和管理的职业特征，非常重视归纳推理、沟通能力和专业技能的掌握。后者包括类似烹饪(特别是中餐)、服务工作、清洁和监护工作、面对面卫生援助等方面的大量工作，往往需要雇佣熟练工人。虽然上述工作不是劳动力市场标准的高技能岗位，但它们对自动化提出了严峻的挑战。举个例子，AlphaGo的开发人员属于第一类，但是如果来参加“斗地主”或者“血战到底”(一种四川麻将的玩法)的比赛，那么成都街头的大爷大妈们应该可以完胜AlphaGo。概言之，未来如果想不被ChatGPT替代，要么我们要努力学习新知识新技能，让自己的能力认知始终高于ChatGPT;要么我们就发挥人类在经验、社交、灵感方面的优势，努力做掌握一技之长的“社会人”。那些夹在二者中间的、重复性的、规则化的岗位，应该是第一批ChatGPT替代掉的。
4、终身学习：与机器人赛跑的必修课
丹尼尔·卡尼曼将人脑的功能概括为两套系统，第一个系统善于处理非规则的随机事件，快速、自发，从远古进化而来，和所谓的直觉密切相关;第二个系统缓慢、有意识，通过训练形成，与理性相关。在数字技术普及的过程中，人们的第一个系统，即处理非规则随机事件的能力越来重要，而以熟练为目标的学习与训练越来越不重要了。
最近很多学者提出人工智能对中国教育的挑战，也正基于此：我们的教育体系善于训练学生熟练掌握即有知识、但是对于新知识的探索能力培养不足。大概一百年前陶行知先生讲的一句话，“千学万学，学做真人”，恰恰道出了我们在人工智能时代的教育真谛：我们的教育要激发学生身上潜在的人类智慧之光芒、而非把学生变成机器。
当然，未来的学习，不能够仅仅停留在校园中。路德维希·维根斯坦认为，语言的逻辑边界就是人工智能的边界。在这个万物互联、数化万物的时代，未来所有的知识都会数据化。如果停止追求新知，那些由富含知识养分的数据喂养长大的机器人就一定会超越我们。
从这个角度讲，ChatGPT更像我们的“学习委员”，用它强大的算力和精巧的算法时时督促我们要不断学习、不断思考、不断探索、不断创新，用新一轮的技术革命向他证明，人类永远不会被它替代。
(孙毅为中国科学院大学经济与管理学院教授，数字经济学者)