algorithm data
图片来源:Pixabay/CC0 公共领域

加拿大统计局最近发布详细报告估计未来几年哪些职业可能会受到人工智能的影响。

报告最后向教育和医疗保健专业人员发出了乐观的信息,表明他们不仅有望保住工作,而且人工智能的进步也将提高他们的生产力。然而,金融、保险、信息和文化行业的前景更为黯淡,他们的职业生涯预计将因人工智能而脱轨。

当会计师和作家惊慌失措时,医生和教师现在是否应该松口气?也许吧,但不是因为这份报告中的数据。

加拿大统计局在此提供的内容是相对毫无意义的练习。它假设的是技术本身以及它如何补充人类的努力,而不是技术本身。旨在破坏我们共同的人性,这是关键的决定因素。由于犯了这个错误,该报告成为企业驱动的乐观主义的又一个牺牲品,而牺牲了更丑陋的商业现实。

高度关注人工智能炒作

推动新创新或产品的公司能够满足我们最大的希望和恐惧没什么新意。唯一可能新颖的是大型科技公司对人工智能影响力的巨大希望,这种影响似乎遍及每个行业。

那么这也就不足为奇了人们普遍感到恐惧哪些行业和部门将被人工智能取代。加拿大统计局寻求减轻其中一些担忧也就不足为奇了。

该研究将工作分为三类:

  • 那些人工智能暴露度高且互补性低的人,这意味着人类可能会直接与机器竞争这些角色;
  • 那些人工智能接触率高、互补性强的领域,自动化可以提高对工作至关重要的工人的生产力;
  • 以及那些人工智能接触率较低的国家,人工智能的替代似乎还没有构成威胁。

该报告的作者声称,他们的方法(检查暴露与互补性之间的关系)优于以前的方法,这些方法着眼于手动与认知或者重复与非重复分析自动化对工作场所的影响时的任务。

然而,通过关注这些类别,该研究仍然相信企业的炒作。这几类分析于 2021 年开发。过去几年,新的窗口打开了,让我们更清楚地了解大型科技公司急于部署人工智能的方式。新发现的不道德策略使得暴露和互补的预测类别变得相当毫无意义。

人工智能通常是由人驱动的

最近的事态发展表明,即使是人工智能暴露度高、人工智能互补性低的工作,仍然依赖幕后的人类来完成必要的工作。以自动驾驶汽车公司 Cruise 为例2016年被通用汽车收购超过10亿美元。出租车驾驶是一项人工智能暴露度高、人工智能互补性低的工作——我们假设出租车要么由人类驾驶员控制,要么如果是无人驾驶的,则由人工智能控制。

事实证明,克鲁斯在加州的“自动”出租车实际上并不是无人驾驶的。有远程人工干预每隔几英里。

如果我们要准确地分析这份工作,需要考虑三类。第一个是车内人类驾驶员,第二个是远程人类驾驶员,第三个是自动人工智能驱动的车辆。第二类使得这里的互补性相当高。但事实是克鲁斯和其他可能的人,试图保守秘密提出了一个全新的问题世界。

Presto Automation 也出现了类似的情况,该公司专门为 Checkers 和 Del Taco 等连锁店提供人工智能驱动的得来速订购服务。该公司称自己是最大的“劳动自动化技术提供商”,但据透露,其大部分“自动化”是由菲律宾的人力

软件公司Zendesk 提供了另一个示例。它曾经根据该软件尝试解决客户问题的频率向客户收费。现在,Zendesk 仅在其专有人工智能在无人干预的情况下完成任务时才收费。

从技术上来说,这种场景可以形容为高曝光度、高互补性。但是,我们是否想要支持一种客户的第一个联系点可能令人沮丧且无益的商业模式?特别是知道企业会在这种模式上掷骰子,因为他们不会为那些无益的互动付费?

审视商业模式

就目前而言,人工智能带来的更多的是商业挑战,而不是技术挑战。加拿大统计局等政府机构需要小心,不要放大围绕它的炒作。政策决策需要基于对企业实际如何使用人工智能的批判性分析,而不是基于夸大的预测和公司议程。

要制定有效的政策,至关重要的是关注人工智能如何真正融入企业,而不是陷入可能永远不会完全实现的推测性预测中。

技术的作用应该是支持人类福祉,而不仅仅是降低企业的劳动力成本。从历史上看,每一次科技创新浪潮都带来担忧关于工作转移。未来的创新可能会取代人类劳动,这一事实并不新鲜,也不值得担心。相反,它应该促使我们批判性地思考它的使用方式以及谁将从中受益。

因此,政策决策应植根于准确、透明的数据。加拿大统计局作为关键数据提供者,在这里可以发挥重要作用。它需要对形势提供清晰、公正的看法,确保政策制定者拥有正确的信息来做出明智的决策。

本文转载自对话根据知识共享许可。阅读原创文章The Conversation

引文:研究人员:政府需要关注人工智能的真正影响,而不是陷入大型科技公司的炒作中(2024 年,9 月 16 日)检索日期:2024 年 9 月 16 日来自 https://techxplore.com/news/2024-09-focus-ai-real-impact-caught.html

本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外,不得未经书面许可,不得复制部分内容。所提供的内容仅供参考。