京公网安备 11010802034615号
经营许可证编号:京B2-20210330
作者 | Kathleen Walch编译 | CDA数据分析师
当在工作环境中被引用时,人工智能带来了混合的情感和观点。如果您向同事,朋友或陌生人问“您认为人工智能会成为网络杀手或网络创造者吗?”的问题,您必然会在此问题上获得非常强烈的意见。可以肯定的是,您会听到一系列有趣且相互矛盾的观点,范围从“人工智能将摧毁我们所知道的所有工作”到“人工智能将使我们能够更好地工作并做我们从未能够做的新事情”。
如果您查看各种经济和分析师预测,那么它们的评估无处不在,从大多数经济部门的巨大工作机会流失到由于工作生产率的显着提高而带来的大量就业增长。当然,与所有内容一样,真正的答案将在中间。毫无疑问,人工智能将消除对许多不同类别的许多不同种类工作的需求。但与此同时,人工智能将在我们已知的类别中创建新的工作,并且在尚未创建的类别中还会创建更多的工作。
盖洛普(Gallup)从2018年开始的民意测验显示,许多人认为AI会破坏工作,但不会破坏他们的工作。实际上,在该民意调查中,超过73%的美国人认为AI将成为净工作岗位破坏者,但在这些接受调查的成年人中,只有23%的人对此感到担忧。您如何调和这两个职位?在同一项调查中,超过90%的受访者认为AI会摧毁至少一半的工作,但91%的受访者认为这不会影响他们的就业。一般人的普遍共识是,人工智能将继续推动自动化和技术的无阻碍发展,从而带来更高水平的生产力。企业将能够利用其现有资源做更多的事情,或者可能用更少的资源做更多的事情,这些资源主要是人工和与之相关的成本。
自动化已经被公司采用了数十年,但是自动化并不是智能,并且毫无疑问,在公司使用的技术中增加更多的认知能力将使组织重新考虑其对人工劳动的使用方式中心运营,仓库活动,卡车运输,实体零售,甚至采矿,石油和天然气活动。许多人认为,失业不会在薪资表的顶部或底部出现,而是在中部出现。人将减少管理,而机器和AI同事将进行更多管理。这些中等收入工作在美国人口中所占的比例很高,因此无疑将对工作和劳动力产生影响。
劳工与统计局(Bureau of Labor&Statistics)于2017年发布的报告称,大多数就业岗位是零售,专业服务,医疗保健和政府部门。毫不奇怪,人工智能可能会减少零售,政府和专业服务工作的一部分。实际上,在需要人工劳动的地区,将纸张或零碎的东西从一个地方移到另一个地方,已经进行了劳动力调整。这些高度重复,监管密集且容易出错的流程作业已被计算机系统取代。当计算机能够完成同样出色的工作时,尤其是具有理解信息的含义和上下文的能力时,为什么人们会四处移动信息?此外,尽管我们仍处于自动驾驶汽车的起步阶段(甚至很危险),毫无疑问,运输,仓库和物流行业的未来方向正在迅速走向自治。在美国许多州,按类别划分的雇佣人数最多的卡车驾驶者无疑将成为未来的危险职业。
从早期工业革命的自动织布机到当今的计算机,每一波技术的争论都认为工作并没有被破坏,而是随着创造了全新的就业类别,就业从一个地方转移到了另一个地方。路德主义者可能是为了抗议机器式自动化而破坏了工厂,但今天,这些工人将捍卫制造业以防止这些工作的消失。实际上,如果您回头看得很远,您会发现从制造转向专业服务的趋势是在第二次世界大战之后以及全球化势不可挡的情况下开始的。
1910年,制造业,运输业,零售业和家庭服务业是主要的雇主。诸如洗衣机,洗碗机,微波炉和炉灶面/炉灶之类的发明终止了作为主要雇主的家庭服务。但是,美国并没有经历过大规模的失业浪潮,因为我们在专业服务领域发明了整个经济新的主要部门,而在1910年几乎没有这个类别。同样,从1978年开始,主要类别的主要雇主的发展也发生了重大变化,秘书是员工类型中最大的类别。随之而来的是计算机,还有打字机,文件柜和负责管理人员调度的人员。
此外,即使是超级认知的AI系统也不会相对影响很多类别的就业。政府,医疗保健,教育,休闲和款待以及许多专业服务类别(尤其是房地产)将继续成为主要雇主,即使将AI添加到这些行业中,仍然需要人类,但他们只会做得更好,对其他人类的需求更敏感,而不是取代他们。毕竟,没有什么比政府或在旅馆里闲逛更人性化了。只要有人,我们就会有政府,老师,医生和小屋。即使在机器人技术产生了重大影响的领域,我们也看到了令人困惑的矛盾。
真正的工作创造者将是我们甚至无法想到的全新的工作类别。如果您时光倒流20或30年,并告诉某人他们将担任社交媒体营销商,那么他们将不知道您在说什么。同样,如果您前进20到30年,那么整个经济领域和主要雇主将是今天所无法实现的。昨天的制造商是今天的程序员。昨天的秘书是今天的数据库管理员。昨天的挤奶者是今天的优步司机。确实,并不是创造或破坏了工作,而是整个工作类别都消失了,而新的职位已经取代了。
人们很难想象要出现什么样的新工作和新领域。由于我们只能如实地预见明天会发生什么,而很难想象未来会发生什么,因此我们有限的人类思维使我们无法确定净影响将是负面的。但是事实并非如此。
毫无疑问,将有新类别的工作直接与创建具有AI功能的功能相关,无论是软件形式还是硬件形式。但是,没有人可以争辩说,这些工作中的任何一个都可以弥补使用这些产品所导致的工人数量的减少。数据科学家,机器人工程师和ML程序员不会弥补卡车司机或呼叫中心工作人员的减少。相反,创造将是我们最不期望的地方。是否会有全新的专业服务类别,而如果不使用高级智能作为助手,这是不可能的?我们是否会看到由智能助手和第三方服务推动的大量自雇浪潮,这些人将个人变成了一家重要的大型公司?
毫无疑问,随着我们从一个工业化时代转移到另一个工业时代,世界经济正在发生革命性转变,这一点在业内被许多人称为工业4.0。每个工业化浪潮之间的过渡不一定都是干净的。如果在淘汰旧的工作类别之前未创建新的工作类别,则过渡可能会很麻烦。但是,很明显,我们已经开始进行过渡,现在拭目以待的是,随着正在开发的新功能的发展,未来将如何发展。只有时间会告诉我们将出现哪些新工作,哪些将会消失。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据处理的全流程中,数据呈现与数据分析是两个紧密关联却截然不同的核心环节。无论是科研数据整理、企业业务复盘,还是日常数 ...
2026-03-06在数据分析、数据预处理场景中,dat文件是一种常见的二进制或文本格式数据文件,广泛应用于科研数据、工程数据、传感器数据等领 ...
2026-03-06在数据驱动决策的时代,CDA(Certified Data Analyst)数据分析师的核心价值,早已超越单纯的数据清洗与统计分析,而是通过数据 ...
2026-03-06在教学管理、培训数据统计、课程体系搭建等场景中,经常需要对课时数据进行排序并实现累加计算——比如,按课程章节排序,累加各 ...
2026-03-05在数据分析场景中,环比是衡量数据短期波动的核心指标——它通过对比“当前周期与上一个相邻周期”的数据,直观反映指标的月度、 ...
2026-03-05数据治理是数字化时代企业实现数据价值最大化的核心前提,而CDA(Certified Data Analyst)数据分析师作为数据全生命周期的核心 ...
2026-03-05在实验检测、质量控制、科研验证等场景中,“方法验证”是确保检测/分析结果可靠、可复用的核心环节——无论是新开发的检测方法 ...
2026-03-04在数据分析、科研实验、办公统计等场景中,我们常常需要对比两组数据的整体差异——比如两种营销策略的销售额差异、两种实验方案 ...
2026-03-04在数字化转型进入深水区的今天,企业对数据的依赖程度日益加深,而数据治理体系则是企业实现数据规范化、高质量化、价值化的核心 ...
2026-03-04在深度学习,尤其是卷积神经网络(CNN)的实操中,转置卷积(Transposed Convolution)是一个高频应用的操作——它核心用于实现 ...
2026-03-03在日常办公、数据分析、金融理财、科研统计等场景中,我们经常需要计算“平均值”来概括一组数据的整体水平——比如计算月度平均 ...
2026-03-03在数字化转型的浪潮中,数据已成为企业最核心的战略资产,而数据治理则是激活这份资产价值的前提——没有规范、高质量的数据治理 ...
2026-03-03在Excel办公中,数据透视表是汇总、分析繁杂数据的核心工具,我们常常通过它快速得到销售额汇总、人员统计、业绩分析等关键结果 ...
2026-03-02在日常办公和数据分析中,我们常常需要探究两个或多个数据之间的关联关系——比如销售额与广告投入是否正相关、员工出勤率与绩效 ...
2026-03-02在数字化运营中,时间序列数据是CDA(Certified Data Analyst)数据分析师最常接触的数据类型之一——每日的营收、每小时的用户 ...
2026-03-02在日常办公中,数据透视表是Excel、WPS等表格工具中最常用的数据分析利器——它能快速汇总繁杂数据、挖掘数据关联、生成直观报表 ...
2026-02-28有限元法(Finite Element Method, FEM)作为工程数值模拟的核心工具,已广泛应用于机械制造、航空航天、土木工程、生物医学等多 ...
2026-02-28在数字化时代,“以用户为中心”已成为企业运营的核心逻辑,而用户画像则是企业读懂用户、精准服务用户的关键载体。CDA(Certifi ...
2026-02-28在Python面向对象编程(OOP)中,类方法是构建模块化、可复用代码的核心载体,也是实现封装、继承、多态特性的关键工具。无论是 ...
2026-02-27在MySQL数据库优化中,索引是提升查询效率的核心手段—— 面对千万级、亿级数据量,合理创建索引能将查询时间从秒级压缩到毫秒级 ...
2026-02-27