人工智能时代的工作变化、能力需求与培养 人工智能对于劳动市场的影响具有不确定性的原因

人工智能时代的工作变化、能力需求与培养

摘要：在人工智能时代，程序化工作和一部分非程序化工作将被人工智能取代，工作将向高度智慧化转移，劳动者的工作定位将发生升级方式、介入方式、前进方式、转移方式和集中方式等不同的变化。为了适应人工智能时代，要在学校教育和企业教育中注重提高受教育者的人工智能素养、培养创造性思维能力、社会交流能力以及环境应变能力。应对人工智能时代培养所需人才的关键措施包括：突出个性化培养理念；构建人工智能素养教育体系；实施问题导向及跨学科合作探讨的学习方式；利用人工智能技术提高学习效率。

关键词：人工智能；工作定位；能力需求；能力培养

基金项目：本文系中国社会科学院登峰战略企业管理优势学科建设项目、中国社会科学院京津冀协同发展智库研究课题的阶段性成果。

 

当前，我们正处在全面进入人工智能时代的过渡期，几乎所有领域都出现了装载有人工智能技术的机械设备。18世纪中期以来，人类历史上先后出现了蒸汽机、内燃机与马达、计算机与互联网技术。这些技术极大地改变了人类的生产生活方式，推动了人类社会的发展。可以说，人工智能是继三大技术之后的又一重大技术。况且，与以往技术不同，人工智能可以替代人的脑力劳动，这将大幅度地改变人们现有的工作内容，并要求人们拥有不同于以往的特殊能力。然而，关于如何界定人在人工智能时代的工作定位及所需能力、如何培养人工智能时代所需要的人才，是尚未解决的课题。目前，有研究围绕人工智能可能产生的就业影响，尤其是结构性失业风险以及社会经济对策等方面进行了分析（万昆，2019；陈明生，2019；王君等，2017；潘文轩，2018），也有研究对人工智能背景下职业教育体制改革与发展问题进行了探讨（南旭光，汪洋，2018；毛旭，张涛，2019；丁晨，2019），但深入到工作能力层面，从劳动者角度探究人工智能时代的人才培养问题的相关研究还较为少见。鉴于此，本文基于技术—工作—能力—培养的视角，结合前沿研究进行理论分析，阐明人工智能对工作业务的影响机制，明确人工智能时代的工作定位与能力需求，探讨能力培养的战略思路和关键方法。

一、人工智能时代的工作变化

人工智能（ArtificialIntelligence，简称AI）是指可以感应环境、做出行动，并获取最佳结果的合理主体（RationalAgent）（S.J.Russell，P.Norvig，2018）。感应环境、做出行动和获取最佳结果，属于人的智慧行为，而这些行为通过计算机程序（合理主体）被再现出来，就成为了人工智能。换言之，人工智能就是具有人类智慧的计算机系统。而在现实的工作环境中，人工智能的计算机系统又是与大量的感应器、超高速通信网、大数据收集分析装置、终端设备、机器手等组成更为复杂的系统来进行实际作业的，如机场出入境管理的人脸识别系统、汽车自动驾驶系统等。因此，可以说人工智能就是装载有可以模拟人类智慧行为的计算机程序的自动化设备。

现阶段的人工智能可以在一定程度上替代人完成识别、决策和操控方面的任务。在识别方面，人工智能可以进行信息判别、分类与检索，如从影像中发现癌变征兆；从音调语速中检测情绪；从图像中监控设备异常、天气异常、用户账号异常等。在决策方面，人工智能可以进行数值形式下的物象评估与匹配，如预测销售额、GDP指标、民意度、信用风险、病变风险；推断消费者爱好、产品推销时机；根据消费者爱好、习惯不同而推荐不同内容的商品广告等。在操控方面，人工智能可以进行表现生成、设计行动最佳化及作业自动化，如自动撰写新闻稿件、概括文章大意；设计项目路线图、商品标识、网页布局、药品成分、建筑物结构；优化游戏策略、送货路线、店铺布局；实施自动驾驶、客户咨询等。只要人规定好了计算机程序的信息处理目的和分析方式，人工智能就能准确无误地替代人工进行作业（安宅和人，2015）。

（一）工作变化的特征

人工智能时代工作变化的特征体现在以下三方面。

1.程序化工作被人工智能取代

所谓程序化工作，按照美国经济学家奥托（D.H.Autor）等的定义，是指变化少、可以按照事先规定的程序进行的工作（Autoretal，2003）。程序化工作又分为主要使用认知能力的程序—认知型工作和主要使用肢体能力的程序—肢体型工作。认知能力是指直觉、判断、想象、推理、决策、记忆、语言理解等能力；肢体能力是指体力。程序—认知型工作具有重复性、单一性、目的明确并且主要使用脑力等特点，如行政事务、会计工作。程序—肢体型工作虽然也有重复性、单一性、目的明确等特点，但主要使用体力，如流水线组装、仓库运输业务。由于程序化工作相对简单，易于编制成计算机程序，所以人工智能对人类劳动的替代，首先会从这些工作开始。例如，产品组装是按照作业标准反复实施同样内容的工作，而作业标准完全可以编制为计算机程序，所使用的设备以及动作也完全可以建立成模型，因此，产品组装就可以由人工智能来代替实施。再如，需要一定认知能力的会计业务，人工智能也可以通过扫描或接受电子信号等方式获取相关数据，而后根据规定程序进行分类、汇总等作业。因此，在人工智能时代程序化工作会呈现明显的减少趋势，以往的自动化设备，基本是替代体力劳动的蓝领劳动者，而人工智能将替代白领劳动者。英国剑桥大学学者弗雷（C.B.Frey）与奥斯本（M.Osborne）在2013年发表的报告中指出，美国在未来20年里将有47%的工作存在被替代的可能性，电话推销员、标题审查与摘要人员、手工缝纫工、技工、保险受理员、手表修理工、货物运输人员、税务代理员、照片处理工、会计助理、图书馆技术员、数据输入员等工作被取代的概率可高达99%（C.B.Frey，M.Osborne，2013）。日本经济新闻和英国金融时报2017年合作进行的调查显示，制造、餐饮、运输等23个产业的2000项工作中有超过3成的业务可能被替代，制造业被替代的比例是80.2%，包括焊接、组装、裁缝、制鞋等业务；餐饮业被替代的比例是68.5%，如客服、点餐、食材准备、餐桌与餐具摆放等业务；运输业被替代的比例是48.4%，包括车辆维修、飞机驾驶、运输信息提供等业务（ShotaroTani，2017）。这些研究表明，被取代概率高的工作基本上都是重复性、单一性、目的明确的程序化工作，其中不乏白领岗位的部分业务。

2.一部分非程序化工作被人工智能取代

相对于程序化工作，非程序化工作通常变化较大，难以按照事先规定的计划进行。这一工作又分为两类，一类是非程序—认知型工作，如科学研究、文学创作、作曲作画、经营管理、医疗诊断、诉讼辩护等；一类是非程序—肢体型工作，如烹饪、理疗、看护以及汽车驾驶等。非程序—认知型工作需要高层次的文化水平、分析能力和想象力，现阶段的人工智能还达不到完全替代的水平。烹饪、理疗、看护以及汽车驾驶等非程序—肢体型工作需要高度的人际间互动、灵敏的环境反应能力以及灵活的肢体动作，而这些要求现阶段的人工智能尚不能完全做到，所以这些工作基本上还需要人来承担。但随着人工智能技术的发展，人工智能在未来不仅会代替人做更多的程序化工作，而且有望将一部分非程序化工作纳入替代范围，如自动驾驶、行走助力、编制诉讼方案、作曲作画等（Autor，2015）。届时非程序化工作完全由人来完成的局面就会发生变化，进而带来业务重组，从以前由人承担所有业务变成由人工智能和人共同分担业务，如影像诊断由人工智能完成，最终诊断由医生完成；围棋陪练由人工智能承担，棋艺解说由教练承担。

3.工作向高度智慧化转移

装载有人工智能的设备可以替代人的程序化工作，甚至部分非程序化工作，但现阶段人工智能仍有很大的局限性，如人工智能不能设定目标和规划未来、不能产生意识、不能对未曾有的变化作出反应、不能提出问题、不能设计分析框架、不能产生灵感、不具有常识判断力、不具有指挥人的领导能力（安宅和人，2015）。所以现阶段仍有四类工作是人工智能所无法替代的。一是高度创造性的思维工作。如通过综合分析各种知识归纳和提出新概念、通过多方面分析发现问题并提出解决方案、基于情感创造出文学艺术作品等。二是高度社会化的沟通工作。如包含理解、说服、交涉在内的工作，人际间交往与协同作业等。三是高度灵敏的肢体型工作。如演奏乐曲、表演舞蹈、高难度手工艺等。四是高度非程序化的工作。如看护、清扫工作。这些工作看似简单，但需要人根据知识、经验以及常识等对情境作出判断，如在清扫时对发现的废纸需要进行判断，确定它是重要笔记还是真正的废纸，而人工智能的扫地机是无法做到的（野口悠纪雄，2018）。但即使如此，现在几乎所有领域中都在使用人工智能，并且人工智能的工作领域还在不断扩展。在看护工作中，移动搀扶患者机器人已经开始出现；人工智能已能够进行文学、绘画及音乐的初步创作，人与人工智能协同作业的状态已成为普遍现象。在这种状态下，人的工作内涵必然要向高度智慧化转移。

（二）人机关系与工作定位

在刚开始引进人工智能的生产过程中，人仍是作业的主体，人工智能起辅助性和支持性作用。人工智能辅助人进行数据和信息处理方面的业务，支持人做一些复杂的、技术性的工作，从事需要肢体劳动的、程序化的操作，但对于需要高度认知能力的工作，如推理与决策，以及需要与人沟通的工作，如协调、开发与咨询、沟通与互动，人工智能的贡献相对较少，但这种情况将会发生改变。世界经济论坛《职业前景报告2018》发表了2018年人与设备的工作时间占比值和2022年人与设备的工作时间占比的预测值（见表1）。对于所有业务，2022年设备的工作时间占总工作时间的比值会增加，其中设备在信息和数据处理、探索和获取业务信息的工作时间占比将超过人的工作时间。在行政、肢体的程序化任务、识别和评估业务信息、执行复杂技术任务中，设备的工作时间占比也将超过四成。即使在推理与决策以及沟通与互动这样原本主要由人来完成的业务中，设备的工作时间也将提高三成左右。因此，未来人工智能不仅能在生产过程中起辅助、支持的作用，而且在一些业务中将会作为“数字劳动力”发挥主导作用。进而言之，在人工智能时代，智能设备将越来越多地替代人的劳动，人机协作的关系将越来越显著。

 

表12018年、2022年人与设备的工作时间占比值单位：%

资料来源：作者根据世界经济论坛《职业前景报告2018》整理。

 

在人工智能时代，一些职业及一些工作被替代是不可避免的趋势，因此劳动者必须对职业及工作选择有清楚的认知。美国管理学学者达文波特（T.H.Davenport）和卡比（J.Kirby）认为，人工智能时代劳动者的工作定位，即如何选择能实现自身价值的职业，有五种方式，分别为：一是升级方式，即提升管理素质和掌握超越计算机的大局思维，向高级管理岗位发展。这要求对经营系统有透彻的理解，并需要有充分的计算机知识与技能。随着人工智能质量的提高、数量的增加，高级管理岗位的事务性工作将被大幅度替代，因此升级到高级管理岗位的人数会比以往少；二是转移方式，即转移到不能程序化、结构化的工作领域。现阶段，人工智能设备尚不能完全替代人的劳动，因此工作流程中会保留一些人的岗位。但随着人工智能水平的提高，这些岗位也将逐渐被替代，因此，这些岗位的劳动者，要有充分的危机感；三是介入方式，即学习计算机的程序化决策过程，掌握监视和调整计算机功能的新型能力，以现场管理者的身份介入基本上由人工智能实施的作业过程中；四是集中方式，即以计算机程序尚未渗透到的领域为唯一标准来选择职业或工作。这种方式要求特殊、高超的人类智慧及技能，需要早期、长期训练，甚至需要天赋；五是前进方式，指与时俱进，加大学习力度，研究开发能改变当前领域工作效率的高水平智能机器（T.H.DavenportandJ.Kirby，2015）。从与人工智能的关系看，升级方式、介入方式和前进方式，都需要学习人工智能技术。对这些人群，国家应该对他们的学习进行资助。转移方式中劳动者没有学习新技术的欲望或能力，他们的收入可能会减少，就业也不稳定，国家应从就业政策角度进行援助。集中方式需要从中小学起通过个性化教育对这方面的人才进行培养。

二、人工智能时代的能力需求

随着人工智能在生产过程中的普遍应用，人在生产中的地位不断发生变化，大量程序化作业、甚至越来越多的非程序化作业都将由自动化设备实施，而人必须能够驾驭智能设备，发现和解决工作流程中的问题，对智能设备进行更新创造，从而使其更好地服务于人类社会。从劳动者角度看，必须具备符合人工智能时代所需要的能力，才能使自己的劳动付出变得更有价值；从企业角度看，具有符合人工智能时代能力的员工，是创造价值所不可缺少的人力资源，值得大力引进和培养；从社会角度看，劳动队伍和后备力量都具备符合人工智能时代要求的能力，就可以稳定就业，促进社会经济持续发展。关于能力，可以对有认知能力和社会情感能力的基础理论进行研究。为了探讨能力与社会需求的关系，能力被分成诸多子能力，以验证与不同技术条件的适配性。在解析这些研究之后，笔者将提出符合人工智能时代要求的能力要件，以便为理论研究和政策决策提供参考。

（一）能力的两个方面

理论上看，人的能力一般包含两个方面。一个方面被称为认知能力，另一个方面是非认知能力。其中关于非认知能力有着几种不同的命名，如社会情感能力、软能力、社会能力、人格特质、性格（Heckman，Kautz，2012）。以下将沿用经济合作与发展组织（OECD）（2015）的表述样式，用“社会情感能力”来表示非认知能力。该研究认为，认知是关于获取和应用知识经验的过程，而认知能力就是所有与获取和应用知识经验有关的能力。认识能力有三个层次：第一层是基本能力，如模式识别、计算和记忆；第二层是获取能力，如检索、分类和解释；第三层是应用能力，如思考、推理和概念化。这三层能力的复杂程度从低到高、依次递进。与认知能力不同的是，社会情感能力是对目标实现、社会协作和情感控制产生影响的人格特征。例如，目标实现方面的忍耐、自律、意愿；社会协作方面的沟通、开放、体贴；情感控制方面的自尊、灵活、自信等。

在实际中，人是认知能力和社会情感能力的载体。换言之，这两种能力在人的身体中同时存在，相互影响、相互作用，形成了人的脑力活动和肢体行为。例如，批判性思考就是两种能力合二为一的结果。批判性思考既有认知能力的特点，即能够客观地进行逻辑推理，严守成本收益原则，冷静地进行战略分析。同时，因为批判性思考的对象是现实中的新问题，仅仅依靠过去的经验和教科书手法是不够的，还必须对新现象持有开放心态，根据具体情况，灵活改变思路和行动，而这些特点正是社会情感能力范畴的内容（池迫浩子，宫本晃司，2015）。

（二）能力需求变化与预测

技术进步使得工作环境发生变化，对劳动者的能力需求也出现了新变化。20世纪70年代以来，以大型计算机、电脑终端和互联网为代表的信息通信技术迅速发展，制造业以及服务业的生产过程大为改观，这使得对劳动者的社会情感能力的需求显著提高（Deming，2015）。在1980-2012年间，需要高度社会情感能力的职业就业人数占美国所有就业人数的比例增长了近12个百分点，而只需要认知能力的职业就业人数占比减少了3个百分点。另外，需要高度社会情感能力的职业的工资增长也比其他职业更快，并且2000年以后的增幅大于2000年之前。这是因为生产过程自动化，岗位任务重组，人员重新分配，团队形式增加，而社会情感能力可以降低协调成本，加强不同作业领域的有效合作。

以数字技术为轴心的自动化设备的应用，不仅要求劳动者提高社会情感能力的水平，同时也要求其认知能力和社会情感能力综合水平的提高。维因伯格（Weinberger，2014）利用美国职业大典的数据，对1977-2002年间各职业就业人员具有的计算能力、人际能力以10阶段法进行了赋值，根据数值把职业分为了两类，一类是计算能力与人际能力赋值均高于5的职业，一类是两种能力中一方赋值高于5而另一方赋值低于5的职业。分析发现，两种能力赋值均高于5的职业的就业人数增加，仅一种能力赋值高于5的职业的就业人数减少。该研究还以1972年和1992年的高中3年级中的两个年级层为对象，考察了各层人群的高中数学成绩、领导经验和高中毕业7年后的工资之间的关系。结果表明，同时具有数学能力和领导经验的人的工资在增加，只有一方面能力的人的工资没有变化，不具有这两方面能力的人的工资在减少。这个结论揭示了能力间互补的重要性，即认知能力与社会情感能力，不是各自单独产生价值，而是相互组合（互补）来产生更大的价值。技术进步并没有否定人的任何一方面的能力，而是要求在提高各自水平的基础上达到新高度的互补。由此可以推论出，兼有两种能力的劳动者在以人工智能为轴心的新技术时代将为社会所需，他们的劳动价值会得到社会认可。

 

表22018年、2022年关键能力需求

资料来源：世界经济论坛《职业前景报告2018》。

  

以上的推论不仅在以往的数据研究中得到了验证，在近未来的预测研究中也得出了同样的结论。世界经济论坛的《职业前景报告2018》发表了313家跨国企业管理高层的调查数据，从中可以看出2022年需要的关键能力中，属于认知能力的有8个，分别是：分析性思考与创新，主动学习与战略性学习，创造性、独特性和主动性，技术设计与编程，批判性思考与分析，解决复杂问题，问题推理与构思，系统分析与评估。与2018年相比，技术设计与编程、系统分析与评估是新增项目，反映出人工智能时代对劳动者的数字技能的强烈需求，揭示了劳动力素质提高的方向。而领导力和社会影响、情绪性智商属于社会情感能力的范畴。这两个能力同时出现在2018年、2022年两个时间段里，由此可以说，社会情感能力在未来的人工智能技术环境中是不可缺少的。只要生产过程中有人的存在，只要市场及组织内部环境不断变化，就需要社会情感能力去发现问题、运用技术技能去解决问题从而实现劳动的价值。另一方面，包括脑力、肢体在内的基本认知能力的需求将会减少，如操作灵活性、持久性与准确性，视觉、听觉与说话，读、写、算等能力。一些基本操作能力的需求也会减少，如财务和物资资源管理、设备安装与维护、质量管理与安全管理等能力。这些能力基本用于实施程序化业务，其工作的操作标准简单明了，个人发挥创造性的空间较少，从能力层次看，虽然属于知识经验应用能力范畴，但处于低级层次。

世界经济论坛在2016年对人工智能时代的能力需求变化进行了探讨。当时的研究报告指出，高层次认知能力不仅在当时受到重视，而且在2020年对其的需要将会进一步增加。而对于与肢体相关的能力，专家大都认为其需求将会减少。尤其是设备维护、质量管理与安全管理等能力，2016年报告中还有五成的人认为需求会处于稳定状况（世界经济论坛，2016）。由于2016年、2018年的调查方式不同，因此不能对其进行严格的对比，但可以看到能力变化的趋势，即对高层次认知能力的需求一直处于增强趋势，而对设备安装与维护等低层次能力的需求则明显减弱，这反映出人工智能时代对能力的高层次化有着越来越强的需求。

巴克什（Bakhshi）等利用美国和英国数据预测了两国2030年各职业的就业增长和职业所需的能力（Bakhshietal，2017）。该研究中的职业能力包括120项。美英两国各职业最为重视的能力有15项（见表3）。从表3看，美国和英国总体情况类似。在美国，与人际交往有关的能力会越来越重要，这些能力包括指导、社交知觉/认识、协调、服务导向、主动倾听，以及相关知识，如心理学和人类学、教育和培训、治疗和咨询、哲学和神学。认知能力范畴中的应用能力也会越来越重要，如要求能够了解当前和未来形势并且能够做出行动规划（战略性学习）；能够了解新信息对当前和未来问题的解决与决策发挥影响（主动学习）；能够提出有关某个主题的许多想法（思想流利性）。在英国，有10项属于认知能力范畴中的应用能力，这些能力是判断和决策、思想流利性、主动学习、战略性学习、原创性、系统评价、推理、解决复杂问题、系统分析、批判性思考。在人工智能技术更为广泛应用的近未来，劳动者只有充分具备这些能力，才能够有效解决新环境中出现的新问题，并且能够有针对性地提出新想法，积极吸收新信息；能够识别社会技术系统的变化，了解社会技术系统各环节的互连和反馈关系并采取正确行动。另外，英国对于人际交往的能力也非常重视，这些能力包括指导、协调，以及相关知识，如教育和培训等。

表32030年美国、英国各职业中最重要的15项能力

资料来源：作者根据Bakhshi等（2017）整理。

 

2017年，日本人才咨询公司阿德卡（Adecco）对309家上市公司管理高层进行了抽样调查，收集到了两个时间点（调查时间点为2017年、人工智能普遍应用的2035年）对各种能力的需求程度。结果显示（见表4），2035年最需要的前10项重要能力中，5项为认知能力，包括创造性、分析性思考与抽象性思考、解决复杂问题、信息收集和解决简单问题。5项是社会情感能力，分别是人际关系、灵活性、挑战精神、领导力和积极性与主体性。2017年的前10项重要能力中，4项为认知能力，依次是分析性思考与抽象性思考、解决复杂问题、创造性和信息收集；6项是社会情感能力，如人际关系、积极性与主体性、挑战精神、团队工作与协调性、灵活性和目标实现意愿。从数量看，不论是2017年还是2035年，认知能力和社会情感能力的排名基本相当，表明无论什么时代，均衡能力结构都是必要的。从内容看，不论是2017年还是2035年，认知能力和社会情感能力的子项目基本相同，反映出企业能力需求具有一定的稳定性。从个别能力变化看，有两个突出现象，一个是认知能力中，创造性需求的大幅上升。这表明在人工智能时代企业将进行业务重组，要求员工在高价值工作领域创新工作方式和取得突破；另一个是社会情感能力中，对灵活性的需求有所提升。这反映出企业需要员工充分发挥主动性，去发现生产流程中的问题、发现新的社会需求，而不仅仅是执行指令。

表42017年、2035年最需要的前10项重要能力

资料来源：作者根据西村崇（2017）整理。

 

（三）符合时代要求的能力要件

综合以上研究，笔者认为，在人工智能时代，能力的首要内容应该是与人工智能有关的新知识、新技能。此外要在人工智能的学习与应用过程中提高社会情感能力，主要是指与人沟通的方法与相关知识。再者，劳动者的能力结构要向高层次升级，应重点发展高层次认知能力。具体概括为两个方向：一是应用人工智能技术创造新产品、新服务的能力，这里称作创造性思维能力；二是发现新问题和解决新问题的能力，这里称作环境应变能力，包括主动学习与战略性学习、解决复杂问题等。在人工智能时代，对于劳动者而言，重要的是使能力结构升级以符合技术发展需要，不仅认知能力要达到新水平，还要与工作方式变化相匹配，而且与人工智能技术互补的社会情感能力也要同步发展。鉴于此，人工智能时代的能力要件可归纳为以下四个方面。

1.人工智能知识

正如读、写、算是工业社会所必须的基本能力一样，对于要在人工智能技术条件下工作的劳动者而言，人工智能的基础知识是不可缺少的。这是以往时代所没有的全新的能力。所谓的人工智能知识，首先是数学知识。因为人工智能的基础就是数理模型，主要包括概率、统计、线形代数等内容；其次是数据科学，是在计算机上收集、解析数据的知识和技能，需要有数理和计算机语言知识，需要计算机操作能力。有了这两方面的知识，就可以形成关于人工智能的新技能：能够使用程序语言，利用既成模块，编制、操作或使用具有简单的感应、解析、反馈等智慧行为的自动化装备。劳动者掌握了人工智能的新技能，不仅可以理解新设备的基本机制，甚至可以研究更先进的人工智能、或利用人工智能来提高生产效率。根据领域、岗位、业务的不同，涉及人工智能的内容会有所不同。国家的教育、经济以及科技部门应该与企业联手设计内容、层次不同的教材，设定认知资格制度，作为评价人才的标杆。

2.社会交流能力

在人工智能时代，要创造新价值，人际或社会交流能力愈发显得重要。创造新产品、新服务及新的工作模式，意味着要对现状有充分的了解，利用人工智能对现状进行改变、重组。这需要周边很多人及社会的理解、帮助及合作。因此，在人工智能时代，人应该提高自身的社会交流能力，能简明扼要地说明目的，开诚布公地寻求理解与帮助，诚实守信地与人合作。社会交流能力的基础是情感，所以人在情绪、意志等方面的情商以及对于文化艺术的审美都非常重要。人工智能时代社会交流能力的特点，就是大量运用网络社交媒体、互联网等工具。这些工具有其便捷之处，但也存在虚假信息等伦理道德问题以及易受黑客攻击的脆弱性问题。社会交流能力与创造性思维能力一样，需要长时间的培养，需要社会氛围的支撑。社会交流能力的特殊之处在于它涉及性格，而性格有天生的因素。所以，在学校教育以及企业教育中，既要传授基本的交流方法，也要考虑个人性格中的天生因素，因人施教，调动有利因素，培养能够从社会中学习、有益于社会的人才。

3.创造性思维能力

人工智能技术使程序化的工作自动化，把人从单一循环、重度及危险的劳动中解放出来，给予人更多的时间，为人的创造性思维提供了更大的可能性。同时，人也必须发挥自己特有的创造性思维能力，才能在人工智能时代确立自身的存在价值。所谓创造性思维能力，是利用人工智能技术，结合自己所在的特定领域，去发现社会及市场需求，提出关于新产品、新服务以及新工作模式的能力。创造性思维能力包括抽象能力、综合能力和应用能力。抽象能力，就是能够概括出事物本质并发展成为概念的能力。借助抽象能力进行分析和推理，才会产生新的认识。综合能力，就是能够融会贯通，把不同领域的知识连接起来，进行整合、分析和再创造的能力。经济学家熊彼特认为，创新有五种形式，即产品创新、技术创新、原材料创新、市场创新和组织创新，它们无一不是生产要素间组合与创造的结果（约瑟夫·熊彼特，2016）。利用人工智能提出关于新产品、新服务以及新工作模式的设想，是对人工智能与其他知识进行融合与创造的过程，所以需要综合能力。应用能力，是能够把知识应用于解决现实问题，也就是解决问题的能力。其中的关键是有目的意识，能够发现问题，使创造性活动具有经济价值与社会意义。而这恰恰是人类特有的能力，无法用计算机程序再现。创造性思维能力，需要长时间的培养，从幼儿园到大学、甚至到就业之后都必须接受持续的教育或启发。同时，要在家庭教育、学校教育和社会上形成鼓励独创、容许差异的宽松氛围。

4.环境应变能力

环境应变能力，就是能够根据不同情境作出不同决策的能力。在人工智能时代留给人的工作基本上都是非程序化工作，它们不可事先预测，也无法编制操控指南，需要劳动者根据自身掌握的知识、经验、常识以及悟性来灵活行动。现阶段的人工智能可以通过大样本学习来增加经验和提高应变能力，但世界是复杂的，很多变化都带有偶然性，解决方案没有经验可循，这限制了样本数量，从而制约了人工智能应变能力的提高。与人工智能不同的是，人所特有的生命体的构造使得其对事物的理解在很多情况下只需要小样本学习和借助常识就可以完成（李开复，王咏刚，2017）。在以往的人才培养中，人们也注意到了环境应变能力，但人工智能时代的特殊之处在于劳动者要接触更为复杂的数字技术，而数字技术的进步日新月异，人们为了防止知识的陈腐化，要能够主动学习，因为仅仅靠教师或上级安排的在岗或离职学习完全不够，要根据自己的具体情况，不间断地吸取新知识。战略性学习，是具有前瞻性的、有长远目标的学习。这个长远目标，可以是对自己所在领域发展前景的预测、自我发展方向的判断，也可以是对企业战略的理解，提前着手学习新知识，当环境变化时就可以游刃有余地应对。人工智能时代的劳动者往往处于与自动化设备合作的作业环境中，生产过程中的故障不仅有硬件的问题，也有计算控制系统的问题，只有在对硬件、软件充分理解的基础上，才能解决现场工作中的复杂问题。总而言之，人工智能时代的环境应变能力，有其鲜明的时代要求，在学校教育和企业教育中必须使用有针对性的教学方法来培养有用人才。

以上归纳了符合人工智能时代要求的四个方面的能力，这四个方面的能力并不是独立存在的，它们之间有着不可分割的联系。人工智能知识是新时代劳动者能力的基础，有了它才能够驾驭自动化设备，进行新产品、新技术及新价值的创造。创造性思维是人工智能时代劳动者能力的核心，突出显示了人的智慧价值。而社会交流能力和环境应变能力则对人的气质或性格提出了新要求，要求处于人工智能时代的劳动者区别于越来越聪明的自动化设备，在纷繁复杂的社会和飞速变化的技术环境中发挥人的作用。

三、人工智能时代的劳动者能力培养

为了培养与人工智能时代相适应的人才，提高全社会的智慧水平，我们应该在理念、内容以及方式、手段上有所变革。

（一）突出个性化培养理念

在工业时代，大批量单品种生产是主流方式，为了提高效率实施机械化、专业化分工，产生了大量单一循环、目标明确的标准化工作岗位。企业将作业编成操作手册或计算机程序，要求劳动者达到按照手册或程序正确操作的能力标准。在这种体制下，劳动者和设备、产品一样都是标准化管理的对象，因此人才培养也是标准化的。体现在高等教育、职业教育及企业教育上，就是培养能够按照标准进行反复、简单作业的劳动者。教育方法基本上依靠大量、统一的习题，或反复练习。这样的理念与方法培养出来的学生或劳动者，只能做单纯的工作，其不仅在精度、速度方面要输给人工智能，并且会变得只能简单地对工作中的变化作出机械的反应，缺少发现问题、解决问题的能力，更谈不上创造新价值，而这种能力恰恰是人工智能时代的劳动者最需要的。因为程序化的工作都由人工智能完成，需要人来做的正是去发现工作系统的问题，不断地进行更新改进，提高生产效率，或者通过新思路、新方法创造新价值。因此，人工智能时代的人才培养，尤其要重视学习者的创造性思维能力，要在因材施教的理念下，充分发挥个人的潜在优势。

（二）构建人工智能素养教育体系

把人工智能教育贯穿小学、初高中、大学以及工作后的全部阶段，提高全社会的人工智能基本素养。目前，包括中国在内的主要国家都已经在小学及初高中开展计算机编程教育，在大学实施更为专业的人工智能教育。同时，针对在职者的相关教育也极为重要。这是因为人工智能技术对劳动的影响面越来越广泛，工作甚至职业变得愈发不确定，在职者要提前做好转业与转岗的准备。为了维持社会经济的可持续发展，国家应该就全社会、全生涯的人工智能素养教育制定战略规划，集结教育及各行业行政管理部门的力量，从资金、设备、师资、教材、技术资格认定、学习费用补助等诸方面制定具体措施。对于义务教育的中小学阶段，应该完善每个学校的信息网络，要使高速Wi-Fi网络覆盖全部校区，使每个学生都有自己专用的终端设备（电脑或平板电脑）。在教室等集体授课的场所，安装可以触屏输入、可以数据储存传递的电子黑板，在教学过程中使用人工智能设备。当前，教育界中能担任人工智能教学的教师人才十分欠缺。国家应该制定紧急行动计划，至少要在5年内填补中小学相关基础素养课程的空白，使每个学校至少有一名该学科的教师。教师的来源，可以直接从博士毕业生、企业的工程师等专业人才中招聘，可以不受教师资格的约束。在大学阶段，理工科要学习高度的人工智能技术，文科及美术、音乐等学科，也要开设人工智能专业课程，因为今后人工智能将在模拟人的艺术感受方面深入发展，需要既懂艺术又懂人工智能的人才。由于人工智能技术发展很快，要组织学术界和企业界的力量，及时更新课程，并且根据人在不同生涯阶段的特点编制有针对性的教材。应该利用大数据来补充劳动力市场信息系统并监控不断变化的技能需求，以适应所提供的课程与教材（OECD，2016）。要尽快设立国家人工智能技术资格认定制度，使学习成果能在社会上受到评价，提高学习者的学习积极性。对于在职人员的学习，应给予费用和时间上的支持。对于企业实施的员工培训，应该以减免培训费等激励政策给予扶持。

（三）实施问题导向及跨学科合作探讨的学习方式

创造性思维能力、社会交流能力的具体表现是能够利用人工智能技术解决现实问题，以及能够利用人工智能创造新产品、新服务与新工作模式。以往“满堂灌”的学习方式难以培养这些能力，今后应该加强问题导向及跨学科合作探讨方式的学习。所谓问题导向，就是有明确、真实并且具体的现实问题，解决这些问题是学习的目的。这需要企业与学校共同制订学习目标，引导学生进行社会实践。问题导向的学习方式，还需要学习材料具有现实性。数据要真实，设备及材料要先进，教材要能够反映前沿理论与实践。跨学科合作探讨学习包含四个方面，首先是跨学科的学习内容，即学生根据具体问题学习数学、统计、数据、人工智能以及物理、化学、生物、艺术等多学科知识，这需要打破以往文理分科的界限；其次是跨学科的学习成员，即打破以往班级学习约束，组成由不同专业背景学生构成的小组，尤其是大学阶段要尽可能采取这种办法；再次是小组学习方式，即在教师指导下以小组为中心进行讨论和得出解决方案。同时，要构筑互联网学习平台，教师与学生之间、学生与学生之间有充分的提问—反馈—讨论的渠道。跨学科合作探讨形式的学习方法，不仅有利于提高学习自主性和团队合作性，也有助于进行知识碰撞、知识整合和知识创造，从而提高综合能力和应用能力。

现阶段，包括中国在内的一些国家都在进行问题导向及跨学科合作探讨学习方式的实践，诞生了STEAM（Science，Technology，Engineering，Art，Mathematics）教育课程、问题/项目导向型教育课程（Problem/Project-BasedLearning：PBL）、创新思维课程等方法。但这些方式都处在发展过程中，需要专家和学者不断吸取有益经验对其进行改进。日本为了培养人工智能人才，制定了国家战略推行STEAM教育，并研究整理了具体案例，为各学校及企业提供参考材料。如日本某职业高中与企业合作，开展了STEAM教育课程。该课程的项目之一是设计使用便利的人工智能设备，推进智能化农业生产。项目分四个阶段进行。第一阶段引发学生对农业和机器人的兴趣，使用4个课时。教师启发学生考虑联系农业作业的实际需求，确定制作机器人的具体内容。企业技术专家介绍机器人控制语言，演示机器人的动作。学生进行讨论，得出关于制作方向的结论；第二阶段进行机器人控制与数学、物理等学科知识的应用，使用4个课时。具体任务有两个，一个是解剖分析现有农业机械，获得感性、基础认识，再使用控制语言设计机器人基本雏形，另一个是运用数学知识，探讨马达转速与机器人动作的关系，设计控制程序，制作马达。企业技术专家讲解高感度彩色感应器、图像识别等技术，联系物理知识，讲解关于摩擦作用的处理方法；第三阶段学习机器人开发的基本程序，使用4个课时。技术专家讲解现实社会中技术人员如何编写“产品规格书”、通用计算机语言、数据解析工具等，引导学生继续使用控制语言模块制作机器人；第四阶段进行总结和演示，使用4个课时。学生演示、讲解自己制作的机器人的特点以及与农业作业的关联。同时，教师引导学生梳理学习内容，激发今后学习机器人技能的兴趣（经济产业省，2019）。

（四）利用人工智能技术提高学习效率，增强学生的创造性思维能力、社会交流能力

现阶段的人工智能已经可以代替教师对学生进行辅导，提高学生的学习效率，如X-Tech、EdTech、LearnTech等技术。这些工具可以根据每个学生的实际情况，给出不同的学习指导方案，提高学习效率。有国外学校在教学中引进了人工智能系统，学生使用平板电脑阅读数学教材、做习题。人工智能系统收集所有学生的学习信息，包括答案、解题过程、速度、集中力、理解力等，在此基础上判断出每个学生的强、弱项，给出符合个人学习水平的阅读材料和习题，大大提高了学习效率。该学校利用人工智能对小学六年级学生进行了初中一年级上学期的数学课程教育，常规需要14周的学习内容仅用2周就完成了，并且学生们的考试成绩都超过了常规教育的平均点。如果能如此高效地接受知识，学生就可以把时间更多地用在联系实际的项目学习以及体育、艺术等活动上，强化学生创造力和社会交流能力的培养。如果说铅笔、笔记本、橡皮是传统必需的学习工具，那么当前与互联网无障碍连接的电子终端已经成为人工智能时代学习的必要工具。国家应该尽快完善义务教育、高中教育、大学教育和在职教育的电子化环境，引进人工智能设备，提高全社会的学习效率。

目前，人工智能正以前所未有的速度部分或完全替代人的劳动，社会生产率将会大大提高。我们必须精准理解人工智能对职业、劳动和能力的影响，从国家层面制定战略规划，运用市场经济杠杆和政策手段提高包括义务教育、高中教育、高等教育和在职教育在内的生涯教育的人工智能基本素养，维持社会经济的稳定发展。

 

参考文献

[1]陈明生.人工智能发展、劳动分类与结构性失业研究[J].经济学家，2019（10）：66-74.

[2]丁晨.从适应到引领：人工智能时代职业教育发展的机遇、挑战与出路[J].中国职业技术教育，2019（13）：53-59.

[3]李开复，王咏刚.人工智能[M].北京：文化发展出版社，2017.

[4]毛旭，张涛.人工智能与职业教育深度融合的促动因素、目标形态及路径选择[J].教育与职业，2019（24）：53-59.

[5]南旭光，汪洋.人工智能时代职业教育治理的限时挑战与路径选择[J].教育与职业，2018（18）：25-30.

[6]潘文轩.人工智能技术发展对就业的多重影响及应对措施[J].湖湘论坛，2018（4）：146-153.

[7][美]S.J.Russell，P.Norvig.人工智能：一种现代的方法（第3版）[M].殷建平，等译.北京：清华大学出版社，2018.

[8]王君，张于喆，张义博，等.人工智能等新技术进步影响就业的激励与对策[J].宏观经济研究，2017（10）：169-181.

[9]万昆.人工智能技术带来的就业风险及教育因应[J].广西社会科学，2019（6）：185-188.

[10][奥]约瑟夫·熊彼特.经济发展理论[M].何畏，等译.北京：商务印书馆，2016.

[11]安宅和人.人工知能はビジネスをどう変えるか[J].DiamondHarvardBusinessReview，2015（11）：43-58.

[12]池迫浩子,宮本晃司.家庭、学校、地域社会におけるスキルの育成：国際的エビデンスのまとめと日本の教育実践·研究に対する示唆[R/OL].2015-08-27.https://berd.benesse.jp/feature/focus/11-OECD/pdf/FSaES_20150827.pdf.

[13]経済産業省.“未来の教室”実証事業成果報告：ベジタリア株式会社[R/OL].2019-07-12.https://www.learning-innovation.go.jp/verify/z0044/.

[14]野口悠纪雄.AI入門講座[M].東京：東京堂出版，2018.[15]西村崇.AI時代に必要なスキルは「対人関係力」と「創造力」、アデコが調査報告[EB/OL].2017-05-17.https://xtech.nikkei.com/it/atcl/news/17/051701429/.

[16]D.H.Autor,L.F.Levy，R.J.Murnane.Theskillcontentofrecenttechnologicalchange：anempiricalexploration[J].QuarterlyJournalofEconomics，2003（4）：1279–1333．

[17]D.H.Autor.Whyaretherestillsomanyjobs？Thehistory andfutureofworkplaceautomation[J].JournalofEconomicPerspectives，2015（3）：3–30.

[18]H.Bakhshi，J.M.Downing，M.A.Osborneetal.Thefuture ofskills:employmentin2030[R/OL].2017-12-30.https://futureskills.pearson.com/research/assets/pdfs/technical-report.pdf.

[19]T.H.Davenport，J.Kirby.Beyondautomation[J].Harvard BusinessReview，2015（6）：59-65.

[20]D.J.Deming.Thegrowingimportanceofsocialskillsinthelabormarket[J].NBERWorkingPaper，2015：21473.

[21]C.B.Frey，M.A.Osborne.Thefutureofemployment:how susceptiblearejobstocomputerisation？[R].WorkingPaper，OxfordMartinProgrammeonTechnologyandEmployment，2013.

[22]J.J.Heckman，T.Kautz.Hardevidenceonsoftskills[J].LaborEconomics，2012：451-464.

[23]ShotaroTani.Isyourjobrobot-ready？Ourinteractive calculatorletsyoufindouthowthreatenedyouare[R/OL].2017-04-22.https://asia.nikkei.com/Economy/Is-your-job-robot-ready.

[24]C.J.Weinberger.Theincreasingcomplementaritybetweencognitiveandsocialskills[J].TheReviewofEconomicsandStatistics，2014（5）：849-861.

[25]WorldEconomicForum.Thefutureofjobs：employment，skillsandworkforcestrategyforthefourthindustrialre-volution[R/OL].2016-01-18.https://reports.weforum.org/future-of-jobs-2016/preface/.

[26]WorldEconomicForum.Thefutureofjobsreport2018：Centrefortheneweconomyandsociety[R/OL].2018-09-17.https://www.weforum.org/reports/the-future-of-jobs-report-2018.

[27]OECD.Skillsforsocialprogress：thepowerofsocialand emotionalskills[R/OL].2015-12-30.OECDSkillsStudies，OECDPublishing，Paris，http：//dx.doi.org/10.1787/9789264226159-en.

[28]OECD.Skillsforadigitalworld[R/OL].2016-12-30.https://www.oecd.org/els/emp/Skills-for-a-Digital-World.pdf.

 

刘湘丽.人工智能时代的工作变化、能力需求与培养[J/OL].新疆师范大学学报(哲学社会科学版),2020(04):1-12[2020-05-20].https://doi.org/10.14100/j.cnki.65-1039/g4.20200518.001.

【国君国际宏观】人工智能对欧盟及美国劳动力市场的影响

人工智能（AI）是眼下最为热门的话题，没有之一。我们也选取了一篇刊载于美国白宫网站的关于人工智能对劳动力市场影响的研究报告[1]，并对此进行翻译，试图找到欧美国家中对于人工智能的最新思考。

这篇报告详实地介绍了AI，并指出人工智能对工作的影响：一方面，人工智能可能提高生产力，创造新的就业机会并提高生活水平；另一方面，由于人工智能已经开始执行以前被认为严格属于人类才可以执行的任务，人工智能可能会扰乱现有的劳动力市场，并损害现有工人的工作机会。

对于不同行业而言，人工智能的影响虽然不同，但影响却会是巨大且长期的。比如说人工智能已经并会继续影响招聘和仓储行业。其带来了效率的极大提升，改变了产业的格局，也要求从业者更加理解人工智能。

人工智能的推广的确为经济发展提供了许多机会，但是人工智能也带来了一些挑战。综合考虑，政府必须要制定监管措施以引导人工智能向积极方向发展。

人工智能对于劳动力市场的影响才刚刚开始。但本文中最让我们触动的一个案例是，1970年左右引进的第一台自动取款机被预测为将结束传统银行柜员的工作，但今天美国反而有更多的银行柜员。

报告背景

美国和欧盟委员会（EC）在2019年美国-欧盟贸易和技术委员会期间都对开展一项联合研究以评估人工智能对劳动力的潜在影响表示了强烈兴趣。匹兹堡声明承诺会进行一项联合研究，内容主要涉及经济领域，通过关注就业、工资和劳动力市场审查人工智能对劳动力市场未来的影响。通过该合作，本报告试图为符合包容性经济政策的人工智能方法提供信息，以确保技术成果能够应用于所有工资水平的工人当中。

报告范围

鉴于该项目涉及范围较广，本报告并不会作全面覆盖；相反，它以更均衡的方式展示人工智能经济学的一些重要话题。由于欧盟委员会和美国经济顾问委员会（CEA）在这项工作上的独特合作，我们的目标是综合运用美国和欧盟的数据以及两国的学术成果为政策制定提供服务。我们这份联合报告的目标是加强分析和政策方面的合作，以扩大人工智能带来的利益。该报告旨在强调人工智能驱动的技术变革背后的经济学原理，特别侧重于AI未来对劳动力体系和政策制定的影响。

摘要

人工智能是一项发展快速并且具有巨大潜力的技术，它可以提高工人生产力、公司运转效率并推动产品和服务创新。同时人工智能也可以推进现有工作的自动化，但是这可能会导致对工人的歧视并加剧社会的不平等。虽然以前的自动化技术进步倾向于影响“常规”任务，但人工智能有可能使“非常规”任务自动化，这将导致大量的工人失业。因此政策制定者面临的挑战是在促进人工智能的进步和创新的同时，保护工人和消费者免受可能出现的潜在伤害。本报告第一和第二部分介绍了人工智能及其在欧盟和美国使用情况；第三部分重点介绍了人工智能对劳动力的影响；第四部分包含了招聘和物流领域的案例研究；第五部分是结论。

01

人工智能概述

什么是人工智能

经合组织对人工智能系统是这样定义的：“人工智能系统是一个基于机器的系统，它能够通过为一组特定的目标产生输出（预测、建议或决定）来影响环境。它使用机器或基于人的数据和输入来：（1）感知真实或虚拟环境；（2）通过自动方式（例如，用机器学习）的分析，将这些感知抽象成模型；（3）使用模型来推理可能的结果。人工智能系统可以按照不同程度的自主性进行运作。”

作为人工智能实际应用的一个例子，可以考虑让人工智能给出它自己的人工智能的定义。我们对一个现代的、经过训练的人工智能引擎“GPT-3”给出如下指令：写一段话，描述什么是人工智能以及它能做什么。GPT-3的答案是：AI是人工智能的缩写。人工智能是应用认知科学技术的结果，以人工方式创造出一些东西来完成只有人类才能完成的任务，如推理、自然交流和解决问题。人工智能很重要，因为它有可能帮助人类更好地完成认知任务，并将目前人类难以完成或无法完成的任务自动化。

这个例子能突出人工智能技术的变革力量。虽然以前的许多技术进步导致了常规任务的自动化，但人工智能有能力自动化原本被认为只能由人类来完成的任务。在本报告的第三部分，我们将进一步描述GPT-3关于人工智能对劳动力影响的看法。

近期关于AI的进展

人工智能的潜力来自于它对机器学习的使用，机器学习是计算统计学的一个分支，它专注于设计能够从新数据中自动和迭代地建立分析模型的算法，而无需明确地对解决方案进行编程。它是统计学意义上的预测工具，利用你拥有的信息，用它来预测你没有的信息。如图1所示，自20世纪80年代以来，机器学习一直是人工智能研究的重点。在过去10年左右的时间里，机器学习作为预测技术的用途已经大大增加。机器学习的重点领域是是计算机视觉以及使用计算机从图像和视频中获取信息。这在一系列应用中具有十分重要的意义，如确定在线图像的内容以进行标记或审核、实现汽车自动驾驶以及从数据库中检索特定的图像或视频。

在过去五年中，人们更多地关注机器学习算法的一个特定领域——神经网络。这些算法使用权重和激活函数的组合，将一组数据输入转化为对输出的预测，并衡量这些预测与现实的“接近程度”，然后调整其使用的权重，以缩小预测和现实之间的距离。输入和输出之间有两层以上转换的网络被称为“深度”。这些体系结构可以学习分层抽象，这有助于它们有效地表述复杂的关系。

Dean（2019）总结了机器学习的演变历程。机器学习的关键思想和算法从20世纪60年代就已经存在。在20世纪80年代末和90年代初，随着人们意识到机器学习可以用独特的方式解决一些问题，人工智能界掀起了一股热潮，人工智能的优势源于其接受原始形式输入数据的能力，以及训练算法来执行预测任务。然而在那个时候，计算机还没有强大到足以处理大量的数据。在摩尔定律的推动下，经过几十年的发展，计算机开始变得足够强大，为人工智能的发展奠定了基础。此外，公共单位和个人现在都可以获得大量复杂的数据，这也为开发和训练人工智能模型提供了条件。Beraja、Yang和Yuchtman（2022）对此进行了研究，结果显示，能够获得政府海量数据的公司开发出商业人工智能软件的数量大幅增长。

以下展示一些机器学习进展的例子。

（1）斯坦福大学在2010年举办了首届ImageNet挑战赛。该挑战是给定一个120万张彩色图像（被分为1,000个类别）组成的“训练集”，通过训练机器模型，将新的彩色图像进行分类。2010年和2011年的获胜团队使用了传统的编码方法，但是错误率仍高于25%。2012年，一位参赛者首次使用深度神经网络，并以16.4%的错误率获胜。随后几年，深度学习在该类问题中广泛使用，2017年获胜的错误率只有2.3%，这远低于人类的错误水平。（Russakovskyetal.2015）

（2）AlphaGo，这是一款旨在与人类棋手对弈的围棋软件。它使用了神经网络，除了了解围棋的规则外，该模型既通过与自己对弈来训练，也通过数以千计的真实比赛来学习策略。2016年3月，AlphaGo以4比1的成绩击败了世界排名第一的选手。研究人员随后考虑通过让神经网络只与自己下棋来训练它--结果是AlphaGo零胜。该神经网络开始时只有随机策略，但在三天内与自己下了490万盘棋，随后新的人工智能以100比0的成绩击败了上一版本的AlphaGo。

（3）DALL-E，它与GPT-3具有相同的技术。DALL-E是在一组2.5亿个文本——图像组合基础上进行训练的模型，可以根据用户提供的文字描述生成图像。经过学习，它可以创造出它从未“见过”但符合要求的图像。

以上这些例子表明了以前被认为是不可能的任务，现在可以由人工智能执行，甚至呈现优于人类执行的结果。

总体进展和未来方向

自20世纪50年代以来，人工智能发展的特点是周期性的突破和巨额投资（“人工智能的春天”）以及失望和少量资金（“人工智能的冬天”）。技术突破引发了对未来预期的上修，这推动了投资的增长。当研究停滞不前时，投资也会随之下行（Mitchell2021）。2010年左右显然是一个“春天”，人工智能在图像处理和自然语言处理方面取得了较大的进展。一部分人认为，人工智能现在正处于一个“黄金时代”。然而，鉴于一些目标仍然遥不可及，例如完全自动化的汽车（Mitchell2021），人们担心“冬天”即将到来。具有前瞻视角的科学家开始考虑人工通用智能（AGI）的可行性，它等同于或超过了当下的人类智能。AGI概念在二战后就已经出现了，第一次人工智能会议于1956年在达特茅斯学院举行。1965年，诺贝尔奖获得者赫伯特-西蒙（HerbertSimon）预言，“机器将在20年内有能力做任何人类能做的工作"。近年来，由于机器学习的发展和进步，AGI出现了回潮。虽然AGI不是本研究的重点，但超越人类智能的机器学习对经济和社会具有深远的影响。

虽然人工智能的崛起有望改善现有的商品和服务，并大大提高生产效率，但Cockburn、Henderson和Scott（2019）认为，机器学习作为一种新的通用技术（GPT），是一种“发明方法的发明”（IMI），可能对经济产生更大的影响。GPT与IMI的不同之处在于，IMI可以研究与开发本身的组织结构。例如，Jumper等人（2021）展示了他们基于机器学习的工具AlphaFold在预测蛋白质的物理结构方面的成功应用，并随后向科学界提供了一个超过2亿个预测蛋白质形状的数据库供研究人员使用。这意味着深度学习可以使我们能更好地理解基因组，从而推动分子生物学和遗传学领域的进步。

人工智能带来的经济机遇和挑战

随着人工智能技术的不断完善，它可能会在生产效率、增速、创新和就业等方面对经济产生实质性影响。政策制定者可以利用人工智能来制定更有效和公平的决策。另一方面，由于人工智能未来发展的不确定性以及目前人工智能的使用范围（如搜索引擎、数字助理或社交媒体）并没有体现直接的经济利益，因此很难量化人工智能可以带来的好处。

为此，Brynjolfsson等人（2019）提出了一个名为GDP-B的新指标，该指标量化了人工智能带来的收益而非成本。通过一系列的实验，他们评估了消费者对免费数字商品和服务的支付意愿。例如，Facebook带来的相关收益将使美国每年的GDP-B增加0.05至0.11个百分点。考虑到Facebook仅仅是数字经济中的一个产品，因此人工智能带来的收益一定是巨大的。

然而，正如Acemoglu（2021）所说的那样，人工智能会让社会付出巨大的代价，由于“人工智能的前景和巨大的潜力”，理解和面对这些代价就显得更加重要。直接源于人工智能对信息过度使用的例子包括侵犯隐私，创造反竞争环境，以及通过机器学习技术进行行为操纵，使公司能够识别和利用消费者不能自我认知的漏洞。此外还存在因过度自动化导致工人被直接取代的风险。最后，人工智能或可以通过多种方式加剧社会问题，有大量证据表明人工智能已经引入并延续了种族或其他形式的歧视。人工智能还可能在社会关于民主国家运作等至关重要的问题上产生负面影响，例如社交媒体中传播虚假信息和分化社会。虽然这些代价是巨大的，但它们往往不是人工智能所固有的，而是开发和研究该技术时所作选择的产物，这意味着政府在研究和监管人工智能方面发挥着核心作用，美国的《人工智能权利法案》和《人工智能法》就是证明。

本报告的重点是人工智能对劳动力市场的影响。虽然在二战后的四十年里，技术进步看似为所有工人带来了繁荣的劳动力市场，但在20世纪80年代开始出现了一条不同的技术发展道路，这个方向对低薪工人的包容性较差，这给政策制定者带来了挑战。Acemoglu和Autor（2011）发表的SkillBiasedTechnologicalChange（SBTC）阐释了美国内部和不同经济体的收入分配趋势。然而，典型的SBTC模型表明技术对高技能工人会比低技能工人产生更大的好处，而人工智能既可以是相对较高技能工人的替代品，也可以是补充品。例如，为推进自动化，而不是提高工人的工作强度，企业希望开发和采用人工智能；另外，人工智能可以增加对工人的实时检测，但是一旦这种检测会导致工人工资降低，那么这种人工智能的作用就是负面的。总而言之，不受约束的人工智能可能导致更不民主的劳动力市场、更糟糕的工作条件以及对工人有利的劳动力市场制度的侵蚀。

如果没有对人工智能负面作用的正确理解和管理，其巨大潜力就无法实现。工业革命开始后经济的持续增长并不完全是由具体发明所推动的，人类对这些发明的理解和管理也起了相对重要的作用。虽然1750年之前的世界也有来自火药、眼镜和机械钟等发明所推动的经济增长，但由于缺乏对这些技术的理解和管理，这种增长并不持续。因此我们应如何管理人工智能所可能带来的负面影响？我们如何才能最好地利用其巨大的潜力实现持续的经济增长？这篇报告将会回答这两个问题。

02

人工智能应用的现状

美国对人工智能的采用情况

在美国，关于不同技术（包括人工智能）采用情况的最新公开数据来自人口普查局的年度商业调查（ABS）。最近来自于Acemoglu等人（2022）和McElheran等人（2022）的两篇论文分别使用2019年和2018年的ABS模块来描述美国企业对AI技术的采用情况。两篇论文都发现，人工智能的总体采用率很低，但在某些大型的、年轻的公司中采用率较高。McElheran等人的论文（2022）专注于研究所有者和管理层的特征与人工智能采用的关联情况，结果显示拥有更年轻、更高教育水平管理者或所有者的公司更有可能采用人工智能技术。Acemoglu等人的论文（2022）则专注于研究扩大采用人工智能的问题，如企业采用人工智能背后的原因，进一步采用的障碍，以及人工智能采用和生产力之间的联系。

这两篇论文都发现，总体上很少有公司采用人工智能，但公司层面采用的统计数据掩盖了美国工人接触人工智能的真实状况。McElheran等人（2022）报告说，在2017年，2.9%的公司使用机器学习，1.8%使用机器视觉，1.3%使用自然语言处理。同样，Acemoglu等人（2022）发现，在2016年至2018年间，只有3.2%的美国公司将人工智能作为其流程和方法的一部分。然而在2017年，11.7%的工人在使用机器学习的公司工作（6.8%和8.8%的工人在使用机器视觉和自然语言处理的公司），在2016年至2018年期间，12.6%的工人受雇于利用人工智能的公司。企业和工人层面的这种差异源于两篇论文的一个关键发现：大型企业更有可能采用人工智能技术。

除公司规模外，其他因素也会影响公司对人工智能的采用。首先，信息、专业服务、管理和金融等行业的公司最有可能采用人工智能技术；零售业、运输业和公用事业等行业也更有可能采用人工智能技术。其次，无论公司规模如何，年轻的公司更有可能采用人工智能。例如，在特定规模的所有大公司中，年轻公司（前四分之一）大约有7%采用了人工智能，在最老公司（后四分之一）中，只有大约3%至4%的公司采用人工智能。人工智能的采用主要集中在较大和较年轻的公司，这反映出采用这种技术很可能需要解决大量的成本和架构问题。此外，拥有风险投资资金的企业和其他被McElheran归类为“以高增长创业原则为创业基础”的企业与人工智能的使用更相关。

2019年ABS还询问了企业为什么采用人工智能，以及在实施这项技术时面临哪些障碍。采用和不采用人工智能的公司均反馈，人工智能对公司业务的不适用性以及成本太高是不采用人工智能的主要原因。在所有人工智能的采用者中，大约80%（按雇员人数加权）反馈这样做是为了提高其产品或服务的质量，65%是为了升级现有流程，54%是为了使现有流程自动化。虽然人工智能采用公司表示自动化并不是采用人工智能的最主要因素，但Acemoglu发现人工智能采用公司的劳动生产率较高且劳动份额低于同类公司，这与自动化作为人工智能的主要应用相一致。但是使用人工智能来实现现有流程的自动化可能会对工人产生重要的不利影响。与其他先进技术相比，人工智能与工人的竞争更加激烈，可能会对个别工人的就业产生重要的不利影响。

上面讨论的调查数据并不是对公司层面采用人工智能技术的完全全面考察。在这些调查中，许多人工智能的使用可能被忽略，例如Siri、Cortana或Alexa这样的语音助手。根据皮尤研究中心（PewResearchCenter）的数据，2017年，46%的美国人使用数字语音助手，绝大多数人通过智能手机使用该服务。根据微软的一项调查，2019年，报告使用数字语音助理的美国人的比例已经增长到72%。这说明了人工智能已经在生活中的许多领域出现，而不仅仅是企业。

除私营部门外，美国联邦政府也已经开始采用人工智能，包括改善纳税人与国内税收署（IRS）联系时的等待时间，利用医疗保险数据预测病人的健康状况等。国税局为了解决来电者等待时间过长的问题，已经实施了一个基于人工智能的语音机器人系统，目前该系统允许纳税人设置付款并取得已设定问题的答复。在明年，这项服务范围将被进一步扩大，允许机器人检索更多关于个别纳税人的信息，进一步减少等待时间。2019年，医疗保险和医疗补助服务中心（CMS）创建了CMS人工智能健康结果挑战赛，这项比赛旨在加速“开发人工智能解决方案，预测医疗保险受益人的病人健康结果”。2021年比赛结束，获胜者使用医疗保险病例记录，准确预测可能出现不良事件的患者，并向临床医生解释这些预测结果。

欧盟对人工智能的采用情况

在欧盟，企业方面人工智能采用的总体趋势似乎与美国类似（数据来自欧盟统计局关于企业ICT使用和电子商务的社区调查，范围涵盖一系列人工智能技术的使用情况，包括深度学习、图像和书面/口头语言的分析以及工作自动化）。2021年，所有雇员超过10人的企业中，有8%采用了人工智能技术。规模较大的公司更有可能使用人工智能技术，在雇员超过250人的公司中，有28%的公司使用人工智能。调查还显示，企业使用人工智能最多的场景是采用机器学习或分析书面语言使工作流程自动化。整体情况与前一年的结果相差不大：2020年，欧盟有7%的企业使用人工智能。常见用途是通过机器学习分析大型数据集和部署聊天机器人。通过这些数据，我们也可以看到人工智能在欧盟成员国的使用分布。2021年，丹麦的企业使用人工智能比例最高（24%），其次为葡萄牙（17%）、芬兰（16%）、卢森堡和荷兰（均为13%）。

Hoffman和Nurski（2021）更详细地探究了欧盟统计局关于企业ICT使用、电子商务的社区调查以及其他调查（包括欧盟委员会的小型调查）。与美国一样，欧盟的机器人使用集中在制造业，其他类型的先进技术在金融、教育、卫生和社会工作等服务领域的采用率更高。在这些部门中，大型企业采用人工智能的比例更高，这表明采用人工智能涉及大量成本和架构问题。技能和资金限制是报告的主要障碍，大约80%的企业提到内部劳动力和外部劳动力市场缺乏相关技能，同时购买AI和调整运营流程成本过高。

03

人工智能对工作的影响

我们在前文探讨过，随着人工智能的发展和在各种应用中的尝试，它对社会的潜在收益是巨大的。人工智能的优势可以跨越行业，为工人提供时间来完成新工作，并通过自动化提高公司的运营效率。该报告还显示了在使用人工智能技术时，它又给政策制定带来了怎样的挑战。

报告这一部分将重点讨论人工智能给劳动力市场带来的机遇和挑战。一方面，人工智能有可能提高生产力，创造新的就业机会并提高生活水平；另一方面，由于人工智能已经开始执行以前被认为严格属于人类才可以执行的任务，人工智能可能会扰乱现有的劳动力市场，并损害现有工人的工作机会。

人工智能开发和采用的目的是为了使工作自动化，而不是扩大工作机会。推进人工智能技术的公司通常会朝着利润最大化的方向发展，而这可能与利于社会发展的方向不同。（比如，人工智能增加了雇主监控工人的能力）总而言之，虽然人工智能对劳动力市场的潜在好处很多，但不受约束的人工智能也可能导致劳动力市场更加不民主和不平等。

人工智能的发展带来了众多挑战，因此政策制定必须要正确理解技术进步是如何影响劳动力市场的，以及未来人工智能将如何改变工作。Autor（2022）概述了关于“数字技术对劳动力市场影响”的思考。他的出发点是基于工作的劳动力市场观点，该观点在过去十年中已经成为文献中的标准框架。这一观点产生的假设是，数字技术可以使“常规工作”自动化。常规工作的特点是，它遵循一套明确的规则和程序。符合这种描述的工作可以被编入计算机软件并由机器执行（例如，机器人组装汽车，用电子邮件传递信息）。相反，“非程序性工作”是很难编程的，因为完成这些工作通常没有明确的步骤。有趣的是，尽管我们无法用算法表达非常规工作，但许多这些工作对人类来说却很容易完成。这就是所谓的波兰尼悖论“人类知道的比他们能说的多”，这是以20世纪的哲学家迈克尔-波兰尼和他的论点命名的，即我们所有的知识都植根于隐性知识中。

Goos、Manning和Salomons（2014）表明，常规工作集中在中等收入的职业（如电脑操作员、办公室文员），而非常规工作（如在餐厅中等待餐桌、清洁房间、诊断疾病或团队管理）集中在低薪职业（如餐厅服务员、清洁工）和高薪职业（如卫生专业人员、经理）。因此，自动化技术减少了中等收入人群的工作，进而导致了工作两极分化的过程。研究发现，这种情况发生在他们所研究的1993年至2010年的16个西欧国家，美国也有类似的情况（Acemoglu和Autor 2011）。

人工智能有可能从根本上改变自动化技术、劳动力需求和不平等之间的关系。虽然迄今为止的研究已经考察了计算机和工业机器人等数字技术，但人工智能颠覆了技术只能完成常规任务的假设。由于人工智能通过对实例的训练来学习归纳执行这些任务，而不是遵循可编程的明确规则，因此人工智能可以用来推断底层软件无法完全指定的默契关系。

因此，未来人工智能可以完成在低薪和高薪职业中许多不能由计算机完成的非程序性工作，这将对劳动力需求、就业两极化和不平等有深远的影响。例如，我们可能不再看到就业两极分化的过程，而是高薪职业就业增长更强（如果人工智能使低薪职业的非程序性工作自动化）或低薪职业就业增长更强（如果人工智能使高薪职业的非程序性工作自动化）。

综上所述，人工智能对劳动力市场的影响方面依旧存在很多不确定性。接下来将重点讨论这四个问题：

a)哪些工作和任务会受到人工智能的威胁？

b)人工智能将出现哪些新的工作和任务？

c)人工智能对工人的影响将是什么？

d)人工智能对工作场所的影响将是什么？

a）哪些工作和任务会受到人工智能的威胁？

虽然早期的数字技术将涉及常规工作的职业（如机器操作人员、办公室文员）自动化，但人工智能作为一种预测技术，也有可能将各种非常规工作自动化，这涉及更广泛的职业范围。学术界已经开始加速研究这个问题，Acemoglu等人（2022）；Brynjolfsson、Mitchell、Rock（2018）；Felten、Raj、Seamans（2020）；Webb（2020）已经应用适当方法来分析人工智能的采用对不同职业的影响。这些研究假设人工智能并不是只能做某种特性类型的工作，而是可以依靠各种创新的方式来确定人工智能可以或不可以完成哪些工作。

Webb（2020）提供了一个例子。他使用自然语言处理（NLP）算法，利用工作任务描述的文本和专利文本之间的重叠程度，开发出一种新的方法来识别哪些任务可以被自动化，这样他构建了一个衡量职业对该技术的“暴露”程度的工具。例如，假设一名医生的工作描述包括“诊断病人的状况”这一任务。NLP算法将从这项任务中提取动词——名词组合，即“诊断病情”；然后，该算法在不同的专利样本中对相同的动词——名词进行量化，以确定是否有技术可以使医生的任务自动化。

利用这种方法，Webb（2020）首先研究了以前两种类型技术的影响：软件和机器人。对于软件来说，工人整体接触程度与受教育程度呈负相关，中薪职业的个体接触程度最高。就机器人而言，受教育程度低于高中的人群和30岁以下的男性受影响最大。总的来说，这些结果与关于工作两极分化的文献一致，即在1980年至2010年期间，计算机和机器人减少了对常规的、中等工资工作的需求，但是增加了对非常规的、低工资和高工资工作的需求。

韦伯（2020）的研究随后转向了人工智能对职业需求的影响。与软件和机器人相比，人工智能执行的任务涉及检测模式、做出判断和优化。其影响最大的职业包括临床实验室技术人员、化学工程师、验光师和发电厂操作员。更广泛地说，高技能的职业最容易受到人工智能的影响。此外，正如可以预期的那样，受人工智能影响的工作主要是涉及高教育水平和经验积累的工作，因此年龄较大的工人最容易受到人工智能的影响。与此同时，也有一些低技能的工作受人工智能影响较大。例如，涉及检查和质量控制的生产工作会受到影响，但是这些工作只占低技能工作的一小部分。

最后，一个新成立研究机构的调查表明，未来会有越来越多的需要高学历水平的负责工作将被人工智能所代替。与早期的数字创新相比，这表明我们对人工智能使工人工作自动化潜力的思考发生了本质转变。例如，人工智能对工人工作的自动化推动可能会加速职业去技术化过程，而不是工作的两极化。

但是这种转变不会是轻松就可以完成的。一方面，由于人工智能并不能完全了解现实世界的复杂性，因此它不能完成人类在工作中需要承担的复杂的决策工作；另一方面，目前为止人工智能还没有对劳动力市场产生明显的影响。

b)人工智能将出现哪些新的工作和任务？

在探讨人工智能的优势时，决策者的一个重要考量是人工智能不仅能实现自动化，还能增加工作机会。历史上有很多例子表明，一些工作虽然最初被预测会消失，但它们反而获得了蓬勃的发展。1970年左右引进的第一台自动取款机被预测为将结束传统银行柜员的工作，但今天美国反而有更多的银行柜员。如果工作内容是固定的，那么不断推进的自动化将把工人限制到越来越窄的细分工作领域，如果人工智能发展到AGI的状态，也许最终会使人类劳动完全被淘汰，但是AGI也有可能会为工人创造许多新的工作。

目前我们对人工智能为工人创造新工作的潜力了解的非常少，不过我们可以从更广泛的角度探讨技术进步到底创造了多少新工作。为了回答这个问题，Autor等人（2022）利用了美国人口普查局的职业描述中出现的新工作头衔进行统计，分析表明，无论新工作是由于技术进步还是其他原因而产生的，新工作的数量都很庞大。他们估计2018年美国有超过60%的就业是在1940年不存在的工作种类中发现的。如2000年增加的“手指甲技术员”和2018年增加的“太阳能光伏电工”，“人工智能专家”也在2000年首次出现。

对于新工作的性质，Autor等人发现，在1940年至1980年间，大多数雇用非大学工人的新工作都来源于中等技能的工作；1980年后，非大学工人创造新工作的地点从这些中等技能工作转移到了传统的低薪个人服务。相反，雇佣受过大学教育工人的新工作创造越来越集中于专业、技术和管理职业。综合来看，1980年后新工作的创造出现了两极分化，这也代表总体工作出现了两极分化。

为了进一步解释新工作种类的产生，以及这其中技术进步的作用，Autor等人（2022）采用了与Webb（2020）类似的程序，用NLP检查专利数据。例如1999年，美国专利和商标局授予一项“加强和修复指甲方法”的专利。Autor的算法将这项专利与人口普查局在2000年增加的“指甲技术员”的职业名称关联起来。同样地，他们的算法将2014年专利“用于高效太阳能转换的系统”关联到“太阳能光伏电工”职业，该职业名称是在2018年增加的。总而言之，Autor等人（2022）的研究表明，新技术是创造新工作的重要驱动力。

Autor等人（2022）还发现，一些职业（如放射科技术员和机械师），相对于工作机会增加而言，自动化率更高，因此这些职业的劳动力需求和就业将趋于下降；而在其他职业中（如工业工程师和分析员），增员比自动化更重要，这导致该类职业的就业增加。有趣的是，许多职业要么同时接触到增员和自动化，要么根本没有接触到任何技术。到目前为止，与技术进步相关性较小的职业包括需要人际交往技能的工作，如儿童保育员、酒店职员和神职人员。

总而言之，尽管技术进步使工作自动化的潜力得到了广泛的关注，但它也增加了工作机会，是创造新工作的一个重要驱动力。Autor等人（2022）将创新对工作的这种双面影响称为“自动化和增员之间的竞赛”。在就业份额下降（增加）的职业中，这场竞赛是自动化（增员）获胜。更好理解这场竞赛可以给政策制定者提供重要的政策制定思路。

Autor等人（2022）并没有特别关注人工智能。但许多由人工智能增加的新工作种类可能很快就会产生新的职业名称——数字助理工程师、仓库机器人工程师以及社交媒体内容策划者。从政策角度来看，需要进一步考虑这些新工作是否是社会希望人工智能创造的工作，以及随着未来人工智能的发展，高薪职业会不会被人工智能所取代。

c)人工智能对工人的影响将是什么？

包括人工智能在内的技术进步对工作影响的优势集中在可自动化的工作以及增加就业机会上，尤其（主要）是在更细分的职业领域。因此，研究人员的重点不仅应该是人工智能的自动化或增员潜力，还应该是工作的重新设计。例如，Brynjolfsson、Mitchell和Rock（2018）推测，机器学习将推动对礼宾员、信贷授权人和经纪公司职员的工作进行实质性的重新设计，工作重新设计也是对工人适应能力的挑战。

Acemoglu等人（2022）利用美国人口普查局2019年ABS中引入的一个新模块，在评估企业对人工智能的采用情况的同时，还探讨了企业对人工智能对其劳动力和技能需求影响的自我评估。在人工智能采用者中，15%的人报告说人工智能提高了总体就业水平，6%的人表示人工智能降低了就业水平，这表明人工智能对就业水平的影响尚不明朗。与此同时，41%的人工智能采用者增加了雇员的技能需求，几乎没有公司（不到2%）报告他们对雇员技能的需求降低。

Genz等人（2022）对德国的研究得出了类似的结果。他们研究了德国工人如何适应企业对新数字技术的投资，包括人工智能、增强现实或3D打印。他们收集新的数据，将企业技术采用的调查信息与德国的社会安全行政数据联系起来。然后将技术采用者与非采用者进行比较。虽然他们发现几乎没有证据表明人工智能影响了工作的数量，但缺乏整体的就业对比掩盖了工人之间的巨大差异。他们发现受过职业培训的工人比有大学学位的工人受益更多。一种解释可能是，人工智能对职业工人工作机会的增加大于对大学工人工作的增加；另一个解释是，德国传统的职业培训体系（样本中76%的工人完成了职业教育）提供了大量的专业技能，这些职业技能引导了人工智能的发展和采用。

劳动者在不同工作中的流动性。人工智能推动的自动化发展将会导致部分工人的工作被取代，或者原有工人不再满足新工作对技能的需求。对于被裁员的人来说，换工作的成本很高，这可能对整个劳动力市场造成破坏。这些调整代价和之前技术进步的代价很相似，电话接线员角色的自动化就是很好的例子。随着人工智能迅速发展，这些代价正在逐步扩大，但关于因人工智能被淘汰的工人向新工转移的研究非常有限。

Bessen等人（2022）对此做过一个调查。他们使用荷兰的行政数据，研究了当公司投资于人工智能以实现公司生产过程的自动化时，那些被裁员的工人会发生什么。结果显示，人工智能自动化的负面影响在小公司以及中老年工人中更为严重。同时失业工人的调整成本很高，这些成本失业保险只能部分抵消。

d)人工智能对工作场所的影响将是什么？

人工智能将极大地改变工作场所和公司的商业模式，同时这些变化也将进一步影响工作环境。

Wood（2021）讨论了工作场所算法管理的普遍性。算法管理通过对工人数据的收集和监控，以自动化的方式管理劳动力。在线劳务平台是一个常见的例子。这些平台使工人能够选择他们的客户和工作，可以选择如何进行这些工作，并决定如何对这些工作收费。但是工人的选择权受到平台规则和设计结构的限制。算法管理也被用于其他场合，如仓库、零售、制造、营销、咨询、银行、酒店、呼叫中心，以及记者、律师和警察中。Wood（2021）总结了这些部门的几个详细的案例研究。

出租车服务或送货上门的数字平台。在这些平台上，算法通过司机的智能手机（或其他手持设备）将任务分配给他们。例如一个出租车平台可以通知司机一个出行请求，司机必须在15秒的时间内接受这个请求。只有在接受请求后，该算法才会向司机提供乘客的位置、车费和目的地。该算法在通知司机出行请求的同时隐瞒了关键信息，是为了尽量减少司机拒绝出行请求的机会。此外，如果司机拒绝了太多的请求，该算法可以将他们暂时从应用程序中记录下来，作为惩罚。一旦司机接受了出行请求，该算法就会推荐一条到达下车地点的路线。如果司机偏离了建议的路线，该算法可以随即发送通知。如果应用程序还负责支付司机相关费用，那么应用程序可以通过拒绝发放司机的款项，进一步惩罚故意拖延时间的司机。总之，尽管平台给工人和客户带来了许多好处，但他们的算法管理可以大大降低工人的选择空间。

Weil（2017）探讨了算法管理对商业模式和劳动关系的更深远影响。通过对美国众议院证词的分析，他认为企业可以利用信息和通信技术来削弱对传统雇佣关系的需求。自20世纪80年代以来，许多大公司已经放弃了直接雇佣的行为，而将工作外包给较小的分包商或特许经营商。这些分包商或特许经营商之间的竞争意味着工人工资、福利都会降低。Weil所说的这种变化主要影响到低工资的工作，它加剧了工资的不平等，降低了职业安全，并增加了工人的健康风险。另一方面，人工智能可以成为催化剂，促进主导公司及其股东通过对外包工人的智能监测，更好地管理其劳动力供应链，从而提高公司整体的运营效率。

04

案例研究

案例一：人工智能在人力资源和招聘中的应用

在20世纪后半叶，传统的招聘方法是清晰且简单的：申请人提交他们的简历和求职信，以及对具体工作问题的回答。招聘人在一叠申请者的文件中进行筛选，以确定合适人选。经过若干轮的面试后，招聘人会发出工作邀请。最终，候选人会接受聘用并开始工作。

在过去十年，随着人工智能的发展，招聘过程发生了巨大的变化。虽然这个过程的主要步骤大致相似，但在每个阶段，企业都采用了基于人工智能的工具来提高速度和规模。人工智能可以大规模地将简历与职位列表相匹配，为申请人和招聘人节省大量时间。人工智能可以对简历进行筛选，摒弃那些可能不合适的申请人；然后对候选人做再次评估，进一步缩小范围。对许多公司来说，只有在流程的后期阶段，招聘人才会介入：最后的面试、谈判和说服候选人接受聘用，这仍然是人力资源专业人士的重要工作。虽然招聘的核心目标不变，但人工智能的发展已经改变了招聘人的招聘方法。

为了探索人工智能在招聘领域的最新发展，经济顾问委员会的工作人员对该领域的利益相关者进行了一系列采访。在2022年夏天，他们与四家公司、一个行业团体的代表和一位人工智能领域的学者进行了六次访谈，每个人都被问到了一系列关于目前人工智能在招聘中应用的问题。访谈内容由CEA工作人员整理，并结合独立研究和与欧盟委员会合作伙伴的磋商，形成本案例研究。

人工智能在招聘中的实践

假设一家公司正在进行招聘，他们想尽快为每个职位找到合适的候选人，这项任务既需要最大限度地提高匹配质量，也需要追求速度。此外由于该公司现在正面临着现代劳动力市场上许多公司所面临的高工作流动率，这意味着公司有相当大的招聘压力。这种情况对公司来说是陌生的，因为历史上没有发布过如此多工作，也没有过招聘速度的压力。当下招聘市场的规模是前所未有的，职位发布、提交申请和发出邀请的数量都在增加。这种压力要求他们在不牺牲质量的前提下，更快地处理更多的申请，吸引更多不同的合格员工。

招聘经理现在一边要管理招聘团队一边要处理多个职位空缺，每个职位都处于招聘过程中的不同阶段。然而在每个阶段，他们都可以向人工智能寻求指导、建议和支持。求职网站（Indeed）的TreyCausey对招聘领域提出了一些看法：“很难想象在招聘领域有哪个地方没有出现AI。招聘经理已经能够在招聘过程中有效地使用人工智能解决方案”。

在招聘最开始，招聘经理需要发布一个职位空缺，包括在一系列求职平台上发布职位描述的文件。但是他们不需要独自完成这项工作。相反，他们可以使用人工智能服务，这些服务将使用自然语言处理来帮助他们撰写职位描述。这些工具的强大之处在于，它们可以将语言与结果的数据样本联系起来，使招聘经理能够精心设计职位描述，从而最大限度地吸引合适的申请人。

从撰写招聘信息文本开始，招聘经理需要弄清楚如何将这个机会展现在候选人面前。为了做到这一点，他们利用了招聘中最常见的算法应用之一：将求职者与招聘信息进行匹配。这些算法依赖于简历和招聘信息的文本，以及有关职位和候选人的背景信息，以确定哪些候选人最适合给定的招聘信息。在某些情况下，这将产生一个量化分数，招聘经理可以用它来评估候选人。使用这些系统可能需要招聘经理在不同的招聘平台上购买广告，以便将招聘信息展现在合适的候选人面前，从而扩大候选人规模。

几天前，招聘经理发布了一个职位招聘，已经有候选人在申请，并询问有关该职位的细节和申请程序。招聘经理并没有对这些信息作出回应，而是由自然语言处理驱动的聊天机器人负责回答候选人提出的有关空缺职位的具体问题。聊天机器人的使用场景并不局限于此，招聘经理可以使用聊天机器人来筛选第一轮申请人，鉴于公司收到的申请数量可能相当庞大，这是一个重要的环节。这些机器人通过分析候选人的背景和经验资料，决定是否将候选人筛选到下一轮环节。

在初轮筛选后，招聘经理随后可以利用一系列评估工具，从转录和分析的录音面试进入到“游戏化”评估环节，这个环节基本上是逻辑游戏，可以用来评估申请人的特定技能。这些测试通常有科学依据，可以将测试结果与他们所需的特定技能联系起来。但是招聘经理对使用这些工具持有谨慎态度，并不仅仅因为技能和工作表现之间的联系没有得到彻底论证，还因为他们看到旧的工具因为偏见问题被取消使用。与此同时，招聘经理又认为这些工具很有用，因为它们既能提高申请过程的速度，又有可能提高匹配的质量。

申请人的人工智能

在为找工作做准备时，所有申请人（无论是从大学直接申请，还是在一个行业内的角色之间过渡，或者考虑改变职业）都可以求助于一些基于人工智能的工具来提高他们的面试技巧和完善他们的简历。Indeed和VMock等公司提供由人工智能驱动的工具，这些工具通常高度重视评估简历的特定术语，并就如何改进简历提供建议。尤其是现在许多简历都是由基于人工智能工具进行筛选的，因此改进简历的一个重要方法是使用能够帮助候选人通过初步筛选的关键词。

人工智能帮助申请人的另一种方式是关注申请人的擅长技能，这些技能可以扩大申请人的潜在工作范围。VMock给出的一个例子是，厨师的日常工作涉及在高压环境下管理大量人员，同时高效地管理时间，这套技能在餐饮服务以外的许多职位上都很有价值。ZipRecruiter的平台使用一种主动学习算法，试图根据候选人迄今为止对他们所展示职位的兴趣程度，了解哪些空缺职位对他们最有吸引力；他们在招聘方面使用类似的算法，了解招聘经理正在寻找哪些类型的候选人。这些学习算法使申请人和招聘方都能更好地匹配。

在候选人申请了职位后，他们可能会与上一节中提到的聊天机器人进行互动；自然语言处理技术已经发展到了聊天机器人与求职者可以开展类似人类间互动的行为。该公司也阐述了聊天机器人的利弊，指出虽然它们在减少招聘过程中无意识的人类歧视方面很有用，但它们也有可能给候选人造成负面印象。这反映了一个更大的问题：当候选人被人类与算法评估时，他们在多大程度上意识到机器人的存在？

算法爬行和意外结果

在美国和欧洲公司招聘过程的几乎每个阶段，人工智能驱动算法的介入程度都在增加。布鲁金斯学会的亚历克斯-恩格勒(AlexEngler)将这种趋势称之为“算法爬行”，它既包括在招聘过程的不同阶段扩大算法使用，也包括在每个阶段采用算法的公司所占比例的增加。在本报告中被采访的大多数公司都认为这个趋势未来将更快、规模更大，并能使更多的合格候选人找到更好的工作。但是恩格勒也指出这种算法趋势的演变速度比社会对其效果的评估速度更快。

几乎所有受访者都关注的是，采用人工智能驱动的算法是否会在招聘的过程中导致歧视的产生。机器学习算法经常被称为“歧视的洗白”，因为它虽然依托公平的数字化运算过程，但依然可能会出现歧视。一些公司意识到了这种风险，并意识到人工智能有可能导致比以前以人为主的招聘过程产生更多的歧视。例如，Lambrecht和Tucker（2019）发现，明明是性别中立的STEM职业广告，却被算法不成比例地展示给了潜在的男性申请人，因为向年轻的女性申请人做广告的成本较高，算法在成本与效率间做了优化。

为评估申请人而开发的人工智能工具在歧视问题上遇到了更复杂的情况。民主与技术中心在2020年12月发布了一份题为“算法驱动的招聘工具：创新招聘还是加速残疾歧视？”的报告。该报告探讨了对候选人进行算法评估在遵守《美国残疾人法案》方面所面临的挑战，指出了不同的筛选工具可能通过多种方式加大对残疾人士的歧视。由于许多人工智能评估工具采用视频面试，一项关于自动语音识别软件的研究发现，白人和非裔美国人的面试之间存在巨大的种族差异。此外，麻省理工学院媒体实验室的GenderShades项目显示，三种领先的人工智能工具在分析皮肤较黑的人，尤其是皮肤较黑的女性图像时表现较差。这些研究提出了关于在候选人评估中采用人工智能时引入歧视的严重问题，如果公司实施的人工智能解决方案违反了关于歧视的现有法律和法规，相关公司就要承担后续责任。

在调查中发现，人们已经认识到在人工智能介入之前的招聘过程是存在歧视的（有证据表明对非白人工人和残疾人以及其他群体存在长期的歧视），部分人群担心人工智能的使用会加剧这些歧视。然而人们又都或多或少地相信，正确应用人工智能可以减少招聘中的歧视。恩格勒说，在向招聘中大量使用人工智能的过程中有机会“重新设置劳动力市场对工人的种族、性别、残疾和经济方面的歧视。”而数据和信任联盟（DataandTrustAlliance）强调，他们正致力于利用人工智能来识别模型内现有的歧视，并帮助他们的客户实现多样性和包容性目标。对人工智能技术的审计开始逐步成为发展人工智能系统的必要步骤，但是如何进行审计在行业内依然没有共识。

雇佣与失业

在招聘和人力资源行业，任何关于自动化的讨论都会出现一个担忧，那就是工作岗位流失的可能性。正如本报告前面所讨论的，人工智能有能力将非常规工作自动化，如果人力资源部门使用人工智能算法来安排预约、审查简历、回答候选人的问题，那势必会减少相当多的人力资源岗位需求。

这种变化的后果是，人力资源人士可能需要更多或更深的专业技能。Indeed公司的Causey举例如下，人力资源经理现在需要了解如何使用人工智能的内部和外部工具来管理其招聘信息的推广。尽管许多职位发布平台允许免费发布服务，但大多数都提供了付费“推广”职位的机会，以增加其职位曝光量。人工智能提供了一个机会，使之变得简单并减少对招聘经理的要求。不同的网站有不同的模式：有些使用“按点击付费”的模式，即公司在每次点击招聘信息时都要付费，而其他网站则使用“按申请付费”的模式，即公司在每次收到申请时都要付费。这两种类型的系统都要求招聘经理设定每天的预算，以确定要花多少钱。这项工作对人力资源行业来说是一项新的工作，需要学习不同的系统，以及投资推广工作岗位的价值。

我们采访的公司中也反映上述变化是招聘过程中采用人工智能的一个潜在好处。Phenom公司的首席执行官兼联合创始人MaheBayireddi强调，许多利润微薄的公司正在寻求将人工智能作为提高招聘效率和降低人力资源相关成本的一种方式。他把Phenom的功能定位为帮助企业确认“在哪个环节需要自动化，在哪个环节需要人为干预”。通过这个框架，他既强调了人工智能可以使公司以更快的速度与更多的工人联系，同时又将人力资源分配在更有价值的环节当中，如说服某人接受已经发出的招聘邀请。这种将人力资源部门的角色重塑为人工智能的管理者和“人才顾问”的做法，使得招聘过程中的某些环节更加人性化。

上面的讨论回答了第三部分中提出的关于难以确定人工智能对就业数量影响的问题。尽管人工智能可能会使员工的生产力提高，并创造出需要人类干预的新任务，但是人工智能的发展最终可能会使目前由人执行的许多任务自动化。虽然人工智能对就业数量的影响还不清楚，但它很有可能会使人力资源部门处理更大的业务量。

人工智能和招聘的未来

本报告所调查的公司被问及人工智能如何改变了招聘过程，许多公司指出，人工智能通过大规模执行吸引、筛选和评估潜在员工的系统，从数量上改变了招聘现状。人力资源职能并没有改变，它仍然是为每个职位空缺寻找合适的人。人工智能已被作为一种工具应用于现有的招聘工作；也有部分人乐观地认为，招聘过程中的一些结构性变化可能即将到来。

在调查过程中，几家公司提到的可能发展方向是“数字证书”或“学习和就业记录”，这些技术可以改善人工智能在今天所发挥的作用。教育、培训和技能的标准化电子记录可以简化人工智能如何将申请人与工作岗位相匹配，这将是一种更公平和更平衡的方式。当然，这有赖于一个假设，即获得这些记录的过程本身是公平的。虽然人工智能在使用现有的简历和工作列表方面已被证明是有效的，但尚不清楚这些是否是匹配系统的最佳“输入”。因此就招聘而言，人工智能对人力资源流程进行改造依旧存在很大的潜力。

结论

在与招聘领域公司的讨论中，最重要的信息是，人工智能驱动的算法可以改善公司招聘过程中的几乎每个步骤。事实上，一些公司在回答问题时，非常明确地系统阐述了招聘过程中的每个利益相关者，讨论了每个人如何从更多的部署中受益。然而人工智能的采用是如此迅速，以至于企业可能没有完全认识到允许算法进入人力资源部门的影响。公司应该审核他们对人工智能工具的使用，以确保符合劳动法规和自身的道德标准。

案例二：人工智能在仓储业中的应用

供应链和物流业

在20世纪90年代，由于新的信息技术以及许多国际贸易限制（如配额和关税）的减少，越来越多的行业开始重新评估产品制造流程，供应链管理成为一个重要领域。更专业化的供应链通过降低中间产品和服务的价格提高公司利润。消费者也从更低价的最终产品中受益。供应链运作的核心是物流和仓储，即在公司之间和向消费者运送货物。

当能够以较低成本提供中间投入的外部供应商给公司带来的收益超过了公司自己处理相关工作时，公司通常会采用外包，供应链就会延长。因为供应链通常采取深度整合网络的形式，以主导公司为中心，其供应商围绕其运行，从而形成所谓的精准生产、精准零售和全球价值链的商业模式。

精准生产

精准生产是一种核心生产策略，由丰田公司在二战后开发。它的目标是减少中间零件和成品的库存，严格地使商品的实时需求与供应的数量相匹配。在大多数供应链中，这需要在流程的每个步骤中进行高度协调、严格管理资本和劳动力、关注质量和影响产量的因素，这需要强大的物流支持系统。精准生产始于汽车行业，随后许多其他制造业和零售业都采用了丰田公司部分或全部的开创性做法。

精准零售

像精准生产一样，精准零售利用信息技术、自动化、行业标准以及物流和仓储方面的创新，使供应商的订单与消费者在商店里购买的东西更紧密地结合起来。通过使用数以百万计的条形码标签扫描收集的销售信息，零售商减少了囤积大量产品库存的需要，从而降低了缺货、减价和库存携带成本的风险。

全球价值链

配额和关税的减少，加上运输成本的下降，使得国内供应链转变为全球价值链。在制造业中这意味着制造商将在全球生产商的零部件和组件中寻找供应商。向国外生产商的外包也被称为离岸外包。

供应链的核心——物流和仓储

在过去的几十年里，随着精准生产、精准零售和全球价值链在经济领域的普及，物流和仓储的重要性也随之增加。此外，自20世纪80年代以来，数字技术以及人工智能的发展，已经改变了物流和仓储的性质。

最初，仓库只是一个储存库存的地方——库存货物可以在那里放很长时间。虽然仓储需要跟踪和管理东西放在哪里，但它并不要求关注如何在必要时对货物进行快速存取和移动。然而，随着精准生产的进行，仓库变成了配送中心——一个有效跟踪、处理和转移中间或最终产品的地方。一些现代配送中心也被称为“履行中心（FC）”。

仓储的重要性日益增加

随着精准生产与精准零售的发展，仓储的经济重要性在过去几十年中不断增加。下图说明了这一点，对于每个国家，第一个黑条显示了该国2018年由NAICS第4修订版子行业“仓储和运输支持活动”产值在该国总产值的占比情况。下图按照仓储在2018年总增加值中的重要性进行排名，爱尔兰仓储占总增加值的0.5%，美国是0.7%，最高的是立陶宛的3.6％。对于每个国家，第二个蓝条显示了该国2018年的总劳动力中仓储部门就业的占比。比利时从事仓储工作的劳动力比例最高，为2.3%。在所有国家，仓储部门都是一个重要的劳动力部门。

上图还显示，自1995年以来，仓储相对于其他部门变得更加重要。例如，在欧盟最大的经济体——德国，仓储在总增加值中的份额从1995年的1.0%增加到2018年的1.8%。在美国，1995年仓储的增值份额为0.4%，2018年为0.7%。总的来说，自1995年以来，仓储在发达经济体中的重要性不断增加，这与供应链的快速扩张相一致。

我们可以从下组图中总结推动仓储重要性不断增加的原因。下图展示了样本中五个最大的欧盟成员国（德国、法国、意大利、西班牙、荷兰）和美国的“运输的仓储和支持活动”中平均劳动生产率和平均劳动成本的演变。从长期角度看，平均劳动生产率会随着技术进步而增加。如果劳动者的平均劳动生产率相对于平均实际工资增加，劳动份额（即工人的增值份额）将减少。反之如果每个工人的平均劳动生产率相对于平均实际工资下降，劳动份额就会增加。

下图中的黑色实线展示了仓储业每个雇员增加值的变化过程。例如，德国数据显示，仓储业的平均劳动生产率（即每个雇员增加值）在2000年之前相对较低，然后在2000-2008年经济繁荣时期迅速增加到2006年的峰值，在2008-2010年的经济衰退期间下降，此后保持相对稳定。从长期来看，仓储业的平均劳动生产率在1991年至2019年期间大幅增加了38%。浅蓝色实线显示了整个经济的平均劳动生产率的演变。黑色和浅蓝色实线走势表明，与整个德国经济相比，仓储业在短期内更具顺周期性，在长期内具有更强的劳动生产率增长。

下图中的虚线绘制了仓储业（橙色虚线）和总体经济（绿色虚线）中每个雇员的劳动成本（根据生产力调整）的演变。例如，德国的数据显示，从1995年到2019年，仓储业的平均实际工资增长了28%。在2000年之前，仓储业的平均实际工资与整个经济的变化相一致。仓储业的平均实际工资增长在21世纪初较快，从2005年到2015年为负数，2015年后再次加快。从长期来看，仓储业的平均实际工资增长超过了整个经济的平均实际工资增长，再次表明仓储业在德国经济中的重要性日益增加。

对所有的五个欧盟成员国，下图显示了过去三十年来各国的差异和相似之处，主要有：

（1）仓储业的平均劳动生产率在德国、法国和荷兰有所增加，在西班牙保持相对稳定，在意大利则有所下降。在德国、法国和荷兰，仓储业的平均劳动生产率的增长超过了整个经济的平均劳动生产率的增长。这些欧洲国家仓储业生产力的快速增长表明，随着时间的推移，仓储业新技术正在迅速发展并被使用。

（2）仓储业的平均实际工资变化在各国之间不尽相同。德国的平均实际工资增长最快（超过整个经济的增长），其次是荷兰。法国的平均实际工资长期保持不变，意大利和西班牙的平均实际工资有所下降。

（3）在除意大利以外的所有欧洲国家，平均劳动生产率的增长速度超过了仓储业的平均实际工资。这种生产力和工资增长的脱钩现象在仓储业相比整个经济表现更为明显。这表明仓储业的生产力增长只有部分转化为了工人福利。

最后，下图（f）板块显示了美国仓储业和整个经济的平均劳动生产率和平均实际工资的演变。仓储业的平均劳动生产率在1995年至2019年期间也增长了41%，与经济的生产力高速增长趋势一致。与此同时仓储业的平均劳动生产率和平均实际工资也呈现类似一致趋势，这与2000年以来生产力和工资增长脱钩以及劳动力份额下降形成了鲜明的对比。

仓储中的算法管理

仓储业的生产力增长可能是由技术或组织创新驱动的。Delfanti（2019）和Gent（2018）阐述了亚马逊配送中心是如何围绕四个核心流程运行的：接收、存储、拣选和包装。接收和存储是“进货”过程的一部分，而拣选和包装则构成“出货”过程。具体而言，首先接收站的工人对进入的商品进行拆包，并通过独特的条形码识别每个商品。然后，工人将商品存放在拣选区。拣选区通常是一个大型的多楼层区域，通常有数千个货架。当需要取回商品时，工人们穿过仓库去拣选商品，并把它们搬运到包装站。在包装区，工人对商品进行包装和贴标签，然后商品被送往运输。

Delfanti（2019）认为，接收、存储、拣选和包装的核心是产品条码和各种类型的条码扫描器。这些条形码和扫描仪不仅用于统计库存，还用于协助工人，并收集有关工人工作的信息。工人在开始工作时拿起一个便携式条码扫描仪，用它来扫描他们胸牌上的条码，然后登录到工作系统。随后扫描仪在工人和管理层之间进行协调，分配任务，传达命令，并监控工作。这类似于“打工经济”中的算法管理形式，条形码扫描仪被通常用于收集和使用数据的手机应用程序所取代。大多数情况下，这些企业的算法本身是不透明的，而且工业保密和不披露协议禁止对其进行访问。因此很难对这些算法进行审计。

基于对亚马逊仓库工人的采访，Delfanti（2021）概述了亚马逊位于意大利北部小镇某个仓库中拣货员的工作。拣货员拉着小车在货架间行走，小车上放着一个箱子，她需要按规定挑选出所需要的货物。一旦某件物品被拣选，拣货员就用条形码扫描仪扫描该物品的条形码。条码扫描器记录、批准并向拣选者传达她要拣选的下一件物品。它还记录了取走货物在货架的位置和拣货员完成任务的时间。这种形式的算法管理的效果是辅助了工人的工作：如果没有算法的帮助，没有一个人可以有效地浏览几千个货架的区域来挑选货物清单中的货物。此外，算法管理通过要求拣货员保持快速的“亚马逊速度”（即一个人不能跑，但必须尽可能快地走），进一步提高劳动生产率。

然而数据驱动技术带来仓库运营效率的提高，也让仓库工人付出了代价。由于仓库工人产生的数据是由算法和管理人员（他们通常不在仓库工作，而是在某个遥远的全球总部）管理，仓库工人对他们所做的任务失去了决定权。算法可以决定工作的节奏和内容，而工人们只能猜测管理人员正在提取什么数据，或使用什么分析方法来组织和监督他们的活动。为了说明亚马逊的情况，Delfanti（2021）表述如下：技术决定了亚马逊的工作节奏。它被用来提高工人的生产力，使任务标准化，促进工人流动，并最终获得对劳动力的绝对控制。工人们敏锐地意识到他们与机器关系的不平衡性，同时他们也知道仓库需要他们做最终的工作。正如一位经理所说的那样，“技术可以编纂、理解和管理，但真正的机器是人”。

仓储业的工作条件

一方面，仓库仍然需要依赖人来进行更有效率的接收、储存、拣选和包装工作。另一方面，工人也需要依赖算法，来了解商品的实时状态（如存储位置等）。总而言之，工人和算法管理在今天的仓储业中是必须共存的。

然而Wood（2021）认为，工人和算法之间的平衡可能越来越倾向于算法。在刚刚的统计中，除意大利外的所有欧洲国家，仓储业以牺牲仓储工人的平均报酬为代价，收益越来越多地流向股东。导致这个现象出现的原因可能是算法应用的推广以及工人议价能力的下降。Delfanti（2021）认为，算法管理意味着仓库工人只需要接受最少的培训就能完成他们的工作，这相当于只需要几个小时就可以将新的员工培训成拣货员。这使仓库既能够长期维持高周转率，又能在销售量突然激增的情况下，及时获得所需的灵活劳动力。但是最大限度地减少培训和工人流动的成本是不可行的：管理层还需要确保工人和仓库的算法之间有一个稳定且相对和谐的关系。为了进一步安抚工人的情绪，亚马逊提出了“努力工作，享受乐趣”等口号来创造工作场所文化。

结论

在过去的几十年里，随着精准生产、精准零售和全球价值链在全球经济中传播，仓储的重要性也在增加。目前在发达经济体中，仅仓库就业人数就占总就业人数的1%至2%。此外，自20世纪80年代以来，数字技术以及最近人工智能的发展，改变了仓储的性质。仓库业迭代的标志是平均劳动生产率和平均实际工资的增加。

然而，平均劳动生产率的增长超过了平均实际工资的增长，导致仓储业工人劳动占比的下降。在现代仓储中心，这可能是由于使用了算法管理，加上员工议价能力的降低，使得仓储业的发展开始对工人的利益构成了挑战。随着人工智能的进步，仓储业的未来可能会趋向于完全独立于工人的算法管理系统。不使用人类劳动力，完全自动化的仓库被称为“暗仓”，暗仓意味着所有由算法管理带来的仓储生产力的提高已经可以完全替代工人。虽然不确定在未来是否大多数仓库会成为暗仓，但目前为仓储开发的人工智能技术是趋向自动化的，而不是增加人类的劳动份额。

05

结论

人工智能的推广的确为经济发展提供了许多机会。在过去的十年里，自然语言处理和计算机视觉方面取得的进展使人工智能开始进入原本只有人类才能胜任的领域。由于人工智能可以扩大规模和降低成本、吸收和处理大量的数据、帮助做出更好的决定，因此世界各地的公司正在加速推广采用人工智能。所有这些变化过程都有可能会创造出新的工作岗位，如果没有人工智能，这些工作岗位是不会存在的。

但是人工智能也带来了一些挑战。由于人工智能现在已经可以处理非日常工作（包括高技能要求工作中的任务），因此大量的劳动力可能会受到人工智能的影响。人工智能对劳动力市场的主要风险在于它可能对工人造成广泛的破坏，无论是通过自动化取代其岗位，还是彻底改变工人的工作职责。人工智能的另一个风险是，它可能导致公司违反有关歧视、欺诈或反垄断的相关法律，并对工人和消费者造成经济损害。鉴于这些系统的黑匣子性质，检测和处理这些违法行为并不是一项简单的工作，因此政府必须要制定监管措施以引导人工智能向积极方向发展。

a）扩大培训和工作过渡服务的投资，以便受人工智能干扰最大的人员能够有效地过渡到相对适宜的新职位。

在公司全面引入人工智能很可能会导致劳动人员失业。我们前文阐述过人工智能可以成为一个有用的工具，通过将技能与职位空缺相匹配，帮助工人在同一家公司找到新的工作机会。这种类型的人工智能可以帮助缓和失业问题，但是开发上述功能或者为开发上述功能而聘请新的专业人员可能意味着大量的投资。

就业发展的长期趋势使得公司更倾向于选择短期合同而不是对现有工人进行再培训。但是较短的合同期限意味着公司对员工培训的不足，这可能进一步导致新入职员工对工作所需技能掌握不足。为了弥补技能短缺，特别是对于受自动化趋势影响较大的工人，政府需要制定政策以促进或补贴分担培训成本。例如政府可以通过对第三方培训机构补贴来推动雇主与雇员的匹配成功率与锲合度。雇主向这些机构支付额外费用，但是可以聘请到已经受过培训的工人，工人可以获得更高的工资，从而释放更高的生产力。

这种第三方培训机构既可以是公共的、也可以是私人的抑或混合的。比如提供培训的公共就业服务机构；由公司资助的为下岗工人服务的职业介绍所；以及专门为那些原本并不打算参与劳动力市场的工人提供培训和寻找工作的临时帮助机构。Katz等人（2020）表示，这种政策在增加受过培训工人的收入和工作流动性方面可能卓有成效。

b）鼓励开发和采用对劳动力市场有利的人工智能。

企业出于利润最大化目标，最有可能大力推动人工智能的研究，并在法律底线之上使用人工智能。因此人工智能的发展和采用可能会偏离劳动力市场的最佳状态，即工人的工资和就业，这其中主要有三个关注点：

（1）投资于可以增强工作的人工智能：谈到人工智能，许多工人面临的最直接担忧是自动化问题。Acemoglu等人（2022）表示，54%的人工智能采用者初始目的是推动现有流程自动化；招聘领域的公司一致的趋势是，人力资源行业某些环节的自动化是商业模式的主要组成部分，也是客户非常看重的关键特性；仓储案例的研究也表明，配送中心的算法管理是趋向流程和劳动力自动化的。使用人工智能来实现现有流程的自动化会对一些工人的工作有非常大不利影响，要么导致工人大面积失业，要么导致大面积工人面临工作转型。Acemoglu（2021）表示，虽然对人工智能和其他技术的投资可以带来经济增长，但公司对利润最大化的追求可能会打破现有的公司利润与劳动力市场间的平衡。规避这种风险的一种方法是利用公共资金来鼓励和推动人工智能研究，以增强而不是完全自动化某种工作。

此外，与私人部门开发人工智能相比，公共资助的学术研究可以专注于更广泛维度人工智能的方法和主题。如从更深入的角度探讨探索人工智能的发展方向，探索人工智能对工人工资和就业的影响，机器算法对市场中反竞争行为的影响，人工智能道德的发展，以及人工智能该如何规避加剧社会中存在的种族、性别歧视。

（2）扩大对可以增加工作数量的人工智能的公共采购规模：公共机构可以通过采购人工智能系统来指导可以增加工作数量的人工智能的发展方向。这种公共采购可以通过为人工智能开发者提供公共数据进行，数据的可用性对创新活动的水平和发展方向至关重要。Beraja等人（2022）对此进行了研究，他们发现能够从政府获得数据合同的公司开发出商业人工智能软件的数量大幅增长。

（3） 鼓励私人部门采用提高工人能力的人工智能：除了现有的对人工智能研究的资助外，政府还有其他机制可以用来激励私营企业负责任地投资于人工智能。虽然公共研究工作可以用来有意识地优先考虑提高工人生产力和鼓励技术多样性的人工智能研究，但政府也应该意识到公司对利益最大化的追求，这使得他们更倾向于扩大对可以自动化的人工智能领域的投资。

c）加大对监管机构的投资，以确保人工智能系统对工人是透明和公平的。

（1）算法的黑匣子性质意味着欺诈风险的存在，在这种情况下，公司将其产品包装成服务，但其客户没有机制来确定其索赔的准确性。也有证据表明，人工智能算法可以演变成在设定价格时有效地相互“勾结”。现有的歧视、欺诈和反托拉斯规则和执法实践并不能够完全规避人工智能创造的欺诈和歧视。

（2）仓储案例的研究也说明，工作场所的算法本身是不透明的，它被工业机密所掩盖，并受到公司保密协议的保护。甚至仓库工人自己也不知道管理他们软件的运作标准，这反映了工人与人工智能的关系：工人与人工智能的关系是建立在信息不对称基础上的，因为工人只能通过自己的行为推测公司管理和监管他们的软件的运作逻辑。

使用人工智能的公司并没有摆脱遵守反欺诈、反歧视法律以及工作场所安全和健康法规的责任。政策制定者的主要目标应该是确保政府机构有足够的能力在必要时调查和执行这些法律，但是这并不是一个简单的过程。BrookingsInstitution最近的一份报告强调了几个必要的环节：为算法审计建立健全的标准，确保监管机构在需要进行审计时能够接触到公司相关数据，在监管机构内部聘用专家来修订和制定政策。这种投资的目标是建立适当的激励机制，使企业开发出遵守国家法律且更公平的算法。正如招聘案例研究中所指出的，设计良好的算法有可能实际减少歧视问题，而且公司已经表示希望使用算法来解决歧视问题。

目前各国政府已经开始着手对人工智能进行更有效的监管。2022年10月，西班牙推出了一个关于人工智能的试点监管沙盒，这个沙盒是连接政策制定者与人工智能开发者和采用者的一种方式。预计它将为公司（包括中小型企业和初创企业）发布易于执行的实践指南，这可以刺激人工智能的发展并减少采用人工智能的阻碍。美国也已宣布一项倡议，为人工智能创建一个涵盖众多领域（如消费者保护和就业、教育、住房和金融以及医疗保健方面的机会平等）的“权利法案”。

[1]https://www.whitehouse.gov/cea/written-materials/2022/12/05/the-impact-of-artificial-intelligence/

免责声明

本研究报告并不构成国泰君安证券(香港)有限公司(“国泰君安”)对收购、购买或认购证券的邀请或要约。国泰君安或其集团公司有可能会与本报告涉及的公司洽谈投资银行业务或其它业务(例如:配售代理、牵头经辨人、保荐人、包销商或从事自营投资于该股票)。

国泰君安的销售员，交易员和其它专业人员可能会向国泰君安的客户提供与本研究部中的观点截然相反的口头或书面市场评论或交易策略。国泰君安集团的资产管理部和投资业务部可能会做出与本报告的推荐或表达的意见不一致的投资决策。

报告中的资料力求准确可靠，但国泰君安并不对该等数据的准确性和完整性作出任何承诺。报告中可能存在的一些基于对未来政治和经济的某些主观假定和判断而做出预见性陈述，因此可能具有不确定性。投资者应明白及理解投资证券及投资产品之目的，及当中的风险。在决定投资前，如有需要，投资者务必向其各自专业人士咨询并谨慎抉择。

本研究报告并非针对或意图向任何属于任何管辖范围的市民或居民或身处于任何管辖范围的人士或实体发布或供其使用，而此等发布，公布，可供使用情况或使用会违反适用的法律或规例，或会令国泰君安或其集团公司在此等管辖范围内受制于任何注册或领牌规定。

© 2023 国泰君安证券(香港)有限公司版权所有，不得翻印

香港中环皇后大道中181号新纪元广场低座27楼

电话 (852)2509-9118 传真(852)2509-7793 网址:www.gtjai.com

取代还是解放： 人工智能对金融业劳动力市场的影响

人工智能数据、算法与应用场景的不断交互与融合驱动着新一轮人工智能的发展。在就业领域，人工智能削减工作岗位、冲破人效瓶颈，减少标准化与重复性劳动，改变工作性质、提升工作效率，同时也催生着一系列新的工作岗位。

人工智能技术将从自动、智能、创造三方面改变商业世界，即推动自动化水平达到新高度、支持智能分析与决策、催生新商业模式与新产业，并在金融业就业市场相应产生岗位削减、效率提升和就业创造三大影响。本报告基于对金融服务业银行、保险和资本市场三大行业的价值链分析，研究人工智能技术应用对三大行业各职业及职能活动的潜在影响，进而详细测算对整体金融业就业市场所带来的影响。

我们访谈了多位金融服务业以及人工智能领域的专家，参考并优化了业界认可的分析框架及方法论，建立了BCG2027人工智能对金融业就业市场影响模型。根据模型测算，到2027年中国金融业约23%的工作岗位将受到人工智能带来的颠覆性[2]影响，其影响方式为岗位的削减或转变为新型工种，其中银行、保险及资本市场的工作岗位削减比例分别为22%、25%及16%。而其余77%的工作岗位将在人工智能的支持下，工作时间减少[3]约27%，相当于效率提升[4]38%。具体而言，资本市场效率提升高达56%，银行次之约42%，保险可提升约29%。除此以外，人工智能在金融行业的应用也将催生大量的就业需求，同时对未来人才的创造力、情感沟通能力和解决复杂问题的能力提出了更高要求。

1.人工智能新浪潮：机遇与挑战并存

1.1十大技术要素，引领人工智能发展新篇章

“人工智能”并非新事物，其概念自诞生以来已有60多年历史。近年来人工智能的数据、算法与应用场景的不断交互与融合，正驱动着新一轮人工智能的发展。人工智能不再局限于模拟人的行为结果，而真正拥有了快速处理与自主学习的能力。

本报告内人工智能的内涵为利用计算机控制的系统感知环境、追求目标、适应改变，进而提供信息或采取行动。这一范畴包含机器学习（即基于数据进行学习的算法）与机器人两大主要子领域，以及由于人工智能的应用而带来的非人工智能技术升级。而支持人工智能在现实世界中得以广泛应用的关键组成部分主要有计算机视觉、语音识别、自然语言处理、信息处理、数据学习、计划与探索、语音生成、图像生成、操作与控制、空间位移十大技术。

波士顿咨询公司亨德森智库（BCGHendersonInstitute）研究认为，人工智能发展至今，语言和视觉是其最重大的两个突破点，计算机视觉、语音识别使机器具备了认知能力，人工智能由此进入到现实世界的应用中，并将在未来改变社会的方方面面。比如，在就业领域，人工智能可削减员工人数需求、冲破人效瓶颈，减少标准化与重复性的劳动，使工作性质发生改变、进而提升工作效率，同时也产生新的商业模式与产业、进而催生出一系列新的工作岗位和职业。

1.2数据、流程、行动，三大维度理解人工智能内涵

波士顿咨询公司亨德森智库（BCGHendersonInstitute）研究认为，所有行业的人工智能使用者都可以从数据、流程和行动三个维度去理解人工智能。人工智能通过处理结构化数据及非结构化的语言、图像等信息，改进工作流程、提供新型的产品和服务，并做出数据化或者物理的信息反馈（参阅图1）。而这一系列动作的完成，正是依赖前文所提到的人工智能十大关键技术：计算机视觉、语音识别以及自然语言处理三大技术是获取和收集信息的主要支撑；而信息处理、数据学习、计划与探索三大技术能在处理流程上帮助用户实现优化；最后，人工智能依赖图像生成、语音生成、操作与控制、空间位移四大技术对外界进行反馈与表达。

1.3人工智能的潜在风险

人工智能在促进社会进步的同时，也可能带来一系列的风险。随着人工智能在金融行业的应用范围逐步扩大，研究伴随产生的潜在风险及其对监管的启示变得至关重要。国际金融稳定委员会2017年11月发布的《金融服务中的人工智能与机器学习——市场发展和对金融稳定的启示》[5]一文中即对该问题进行了探讨，将人工智能在金融行业的潜在风险分为微观金融风险和宏观金融风险两大类。

1）微观金融风险

金融市场风险

大量金融市场参与者同时应用人工智能技术时可能会出现金融市场稳定性风险。例如，如果以机器学习为基础的交易者胜过其他交易者，可能导致更多的交易者采用类似的机器学习策略，放大金融震荡。此外，机器学习交易策略中的可预测模式可能存在被犯罪分子用来操纵市场价格的风险。

金融机构风险

对大部分人而言，人工智能的决策过程如同一个“黑箱子”，透明度的缺乏可能导致监管机构和市场投资者难以判断决策过程中的潜在问题。如果人工智能的决策给金融市场造成损失，责任可能将难以划分。尤其当金融机构内人工智能应用的治理结构存在任何不确定性时，总风险可能被低估。此外，如果未来人工智能高度依赖于少数第三方技术提供商，这种强依赖关系可能为金融机构带来风险。

消费者隐私安全风险

人工智能的背后是海量数据的机器学习，模型通过收集、统计、分析用户的数据来不断提升模型自身的准确性，其发展会导致越来越多的个人数据被记录和分析。一旦被黑客入侵，可能面临个人隐私泄露及数据滥用的风险，如部分数据被人工智能模型采集到或计算出，可能导致模型结果中产生潜在的歧视或偏见。对此，建立相关政策以保护消费者隐私及数据安全至关重要。

2）宏观金融风险

市场集中化风险

如果未来人工智能技术集中于少数领先第三方技术提供商，可能会导致金融系统中某些功能的集中度变高。此外，若某些金融机构拥有海量自有大数据，或最前沿的技术可能因研发成本高昂而只有大公司负担得起，也可能会导致其市场地位上升，加剧市场集中化。

市场漏洞风险

机器学习的交易算法存在一定不可预测性，若出现金融市场冲击，可能较难解释其成因。此外，如果人工智能在高频交易中被广泛使用，大量买入卖出可能会同时进行，导致市场波动性增加。人工智能的应用还可能允许更少流动性缓冲、更高杠杆，从而导致潜在的流动性或高杠杆风险。

关联性风险

金融体系存在互相联动的特点，如果众多金融机构在某一关键部分依赖于相同数据或算法，那么当这些数据或算法出现问题时，问题可能会从单个节点向整个市场扩散。因此，集体采用人工智能工具可能会带来关联性风险。

技术限制风险

如果人工智能模型没有经过适当的培训或反馈，例如不充足的压力测试，则使用者可能无法及时发现潜在的技术风险，特别是在使用者未能充分理解人工智能本质及限制的情况下。

2.再造金融业价值链：自动、智能、创新

2.1人工智能改变商业世界的三大方面

人工智能深度学习的发展与大数据的推广应用掀起了人工智能的第三次浪潮，驱动了多项应用层技术的突破与成熟，使得人工智能在三个方面实质性地改变着商业世界：推动自动化水平达到新高度、支持智能分析与决策、催生新商业模式与新产业（参阅图2）。

自动化水平新高度：感知类技术（计算机视觉、语音识别、自然语言处理等）的不断成熟，推动产业自动化水平达到新的高度

人工智能发展所带来的高度自动化在商业世界的代表性用例有客服聊天机器人、机器自动身份识别等。客服聊天机器人能够遵循客户旅程的标准路径，借助机器学习算法观察对话并理解对话意图，在遇到困难时将问题发送给人工处理，并对人工答复加以学习，从而起到提升客户服务质量并降低服务成本的作用。而机器自动身份识别则是利用自动声音识别或面部自动识别对用户进行身份验证，通过分析用户声音、眼部、面部特征来验证身份，取代原来的安全问题或密码，这一做法比询问验证问题的方法快得多，而且由于客户无需记住密码能够大大改善客户体验。

智能分析与决策：数据分析的不断突破，能大幅提高智能分析决策水平，从而创造或提升商业价值

数据分析包括趋势分析、根本原因分析、数据挖掘、预测、建议和个性化等，人工智能较之商业智能和传统分析，既延伸了分析的广度，也提高了分析的深度。以往的商业智能和传统分析往往停留在趋势分析、原因挖掘、数据挖掘与预测层面，而人工智能可以通过不断学习和完善，提高建议的相关性和特异性，实现“个性化分析”，在风险管理、营销、服务等领域提供真正智能化的分析和决策。如人工智能可以实现基于社交网络的信用评分，优化现有分数、或为无信用记录的人生成分数；通过自然语言生成分析报告，分析与评估财务数据；开展动态欺诈模式检测，从实时复杂交易模式中发现欺诈；根据客户行为和研究提供个性化的健康建议；根据客户和产品DNA，开展个性化营销，提供独一无二的个性化产品等等。

新商业模式和新产业：智能技术及智能思维在产业界的不断渗透，推动了新产品和新商业模式的出现，使得原有产业形态被改变

今日头条作为新媒体时代新商业模式的代表，成功实践了“以人工智能挖掘用户”这一命题。这个2012年成立的新媒体平台通过人工智能提供精准内容分发，实现了人工智能内容学习、内容创造和用户分析，至今已积累了数千万日活跃用户。今日头条用机器学习和数据挖掘分析新闻主题和内容，通过开发自动写作技术来创造热点新闻（例如奥林匹克运动会这类热点时期的话题），并自动分发个性化的内容给每一位用户、持续跟踪分析用户的行为和习惯（包括点击数据、喜欢/不喜欢、订阅等），实现了智能用户分析。

2.2人工智能在金融业价值链各环节的应用

伴随着人工智能技术的发展，人工智能的应用已广泛渗透到金融行业中，且日渐成熟，并推动银行、保险、资本市场三大金融行业的深刻变革。为了确定不同的人工智能技术在金融行业的应用场景，我们与多位行业专家携手合作，基于银行、保险、资本市场的细分价值链研究，分析人工智能如何在金融领域实现推动自动化、智能分析与决策、发掘新模式与新业态，并就人工智能在各个行业中较为重要的几类应用展开示例说明（参阅图3）。

A.在银行业的应用

经过大量的案例研究与专家访谈，我们发现人工智能技术在银行业的应用较之保险与资本市场更为成熟。近年来国内外多家银行纷纷试水人工智能，人工智能应用已贯穿于庞大的银行业业务体系中，覆盖公司业务与零售业务从产品开发、营销与销售、风险管控与审核，到客户管理与服务的完整流程（参阅图4）。

如图4所示，在银行业务价值链的四大核心环节中，人工智能带来了客户画像建立与潜客预测以及语音和图像识别身份两大创新模式；在产品与解决方案设计、客户需求管理、智能投顾、反欺诈、资产组合风险预警等方面为银行提供了智能分析与决策；在信用评分、资料审核、报告生成、客服等环节，人工智能更是将自动化水平推向了新高度。

[1.1]营销与销售–客户画像建立与潜客预测：人工智能催生了“客户画像建立”这一新的模式，其能通过机器学习算法，基于海量客户信息为客户建立个性化标签，帮助识别最具潜力的客户并根据其个性特征开展对话，而由于预测和对话都具有针对性，所以完成销售的可能性大大增加；

[1.2]营销与销售–客户需求管理与精准营销：在客户需求管理上，人工智能则可以帮助员工更好地做出智能分析与决策，如通过认知计算提高社交媒体分析能力，洞察社交媒体上的客户反馈，为客户提供个性化建议、洞察并改善客户体验，更加全面地预测和满足客户要求；

[1.3]营销与销售–智能投顾：面对不同背景、不同需求的客户，人工智能可以担任“智能投顾”的角色，基于市场数据和投资者数据（年龄、自我报告的风险偏好等）做出投资组合建议，针对个人进行在线智能投资组合管理，不仅更好地契合了客户个性化需求，更为银行节约了人力成本；

[1.4]风险管控与审核–人工智能信用评分：人工智能将信用评分这一较为标准化的流程推向了新高度，系统能根据客户的各种数据（包括信用记录）进行分析，通过机器学习算法做出快速、灵活和透明的信用决策，使得更多申请者能更容易地获得贷款、也帮助银行减少由于信用评分评估有误而导致的违约；

[1.5]风险管控与审核–反欺诈：利用深度学习技术，对内外部大量异构、多源化信息进行深度挖掘，从大量和多维的数据中量化抽取风险特征指标，利用复杂网络关联分析技术从历史违约数据中发现实时欺诈业务风险指标，采用多个预测分析模型包括反欺诈模型、预付能力模型等，从而发现欺诈者隐藏的蛛丝马迹，大幅提升银行对欺诈风险的防控能力；

[1.6]客户管理与服务–语音、图像识别身份：以语音识别身份为例，通过人工智能的语音识别技术创建了新的身份识别模式，人工智能可以利用100多个唯一标识符来验证客户身份，客户通过创建自己的声纹来访问电话银行，不再需要在手机中输入连串数字来验证身份，进而提供了更为便利的客户使用，也为银行提高了用户安全和欺诈保护水平；

[1.7]客户管理与服务–自动生成报告：在投资组合业绩生成后，人工智能又能利用自然语言生成技术，支持自动生成关于投资组合的简单易读的业绩报告反馈给客户，增强客户关系。

B.在保险业的应用

基于专家访谈与国内外大量案例研究，我们发现人工智能在保险业价值链的各个环节存在丰富的潜在应用。国内外领先保险集团已开展人工智能布局，以覆盖保险业业务体系中产险、寿险各条线的前中后台流程。人工智能不仅可为前端营销、承保、核保、理赔等核心流程提供多样化支持，也渗透到了后端资产管理等环节中（参阅图5）。

如图5所示，在保险业务价值链的六大核心环节中，人工智能带来了智能识别客户满意度这一创新模式；在保险产品设计、交叉销售和追加销售、客户流失预测、预审批建议、反欺诈检测、索赔预测、资产组合管理、再保险建议等方面提供了智能分析与决策；在用户行为评估以及财物状态检测、承保自动化、客户请求流转、远程理赔查勘等环节实现了自动化水平的新高度。

[2.1]营销与销售–交叉销售和追加销售：人工智能可以通过机器学习算法，应用预测模型以提升交叉销售和追加销售成功率，同时结合每个客户的内外部数据推荐定制化产品，并建立动态机会仪表盘以协助保险经纪人更好地监测、捕捉销售机会；

[2.2]营销与销售–客户流失预测：除增加销售机会外，人工智能也可以通过数据建模有效帮助保险企业预防及减少客户流失，包括整合海量内外部数据来源，应用多种算法对数据开展分析，并比较不同算法的表现以发现最优算法，从而提高客户流失预测的精准度；

[2.3]核保定价及承保–用户行为评估以及财物状态检测：在核保定价环节，人工智能可通过大数据分析进行定价及风险评估，如通过感知和监测驾驶员驾驶行为习惯数据为车险动态定价，以及利用地理图像数据及图像识别技术对房屋和农产品等保险标的进行状态检测及风险评估；

[2.4]核保定价及承保–承保自动化：在承保环节，人工智能可根据收集到的信息自动执行承保流程，如IBMWatsonAI平台可通过读取医疗证明、病史和风险因素等各种数据计算索赔付款，以有效协助保险公司节约成本，同时提高欺诈检出率；

[2.5]保单管理与服务–理赔流程自动化：以扫描和识别为例，通过应用先进的扫描和识别技术，保险公司可提升客户索赔请求的处理效率，如通过扫描及文档分析软件对海量索赔文件进行自动处理，以减少相关岗位的人力成本；

[2.6]保单管理与服务–智能识别客户请求：针对电话客服环节，通过应用自然语言处理技术，保险公司可将呼叫中心客服人员与客户的对话语音实时转化为文本，对内容进行分析、理解，并采取相应行动，如将呼叫内容划分为特定的业务类别，并进行优先级排序，这一应用可快速识别客户问题以缩短通话时间，提升客户满意度；

[2.7]理赔–远程理赔勘察（工作流优化）：在理赔环节，保险公司可应用人工智能技术开展远程查勘，以车险为例，人工智能可通过对汽车损坏图像的识别，对汽车损坏程度进行评估及分类，并分配至相应的工作流，以有效降低成本；

[2.8]理赔–反欺诈检测：人工智能在理赔环节的另一重要应用是反欺诈检测，即将无监督和监督学习算法与网络分析相结合，对无关联数据库以更快的处理速度进行并行计算，以提高欺诈检测准确率；

[2.9]理赔–索赔预测：人工智能还可通过数据建模，自动预测客户索赔的严重性，通过神经网络对海量内部、第三方和社交媒体数据进行分析，以提升索赔预测准确度。

C.在资本市场业务的应用

通过案例资料研究及行业专家访谈，我们看到人工智能在资本市场同样具备广阔的前景。国内外领先证券公司已开始探索人工智能在从证券发行、投资决策支持、销售与交易到数据分析与报告等各个环节的潜在应用（参阅图6）。

如图6所示，在资本市场业务价值链的五大核心环节中，人工智能带来了多渠道界面信息沟通这一创新模式；在资产组合个性化定制建议、股票交易决策支持、研究分析、风险建模、智能投资顾问等方面协助开展智能分析与决策；并在智能文档解读、自动报告生成、跨资产类别清算、移动报告等环节推进了自动化水平达到新高度。

[3.1]销售和交易–股票交易决策支持：在市场信息量大幅度增加的时代，以前需大量人力的股票信息分析工作可以应用人工智能快速、大规模和自动化完成，如通过基于大数据的机器学习算法可以即时分析数百万条社交媒体等非传统信息源和传统经济数据库数据，并以机器学习对历史数据和统计概率进行分析，在市场反应前识别黑天鹅事件；

[3.2]销售和交易–风险建模：在风险管理上，人工智能可以识别复杂的结构化和非结构化数据集，以标准化的方式自动应用机器学习开展风险建模，以有效缩短风险建模所需时间。

D.在金融业支持性职能的应用

金融行业的合规、IT、人力、财务等后台支持职能中存在较多高重复性的工作，而人工智能技术的重要应用之一正是对高重复性工作的替代，因此人工智能在后台支持流程中存在大量应用机会，且这些应用对于银行、保险、资本市场等金融行业而言具有通用性。通过对大量案例进行研究总结，我们发现人工智能可被广泛应用于各后台职能中涉及合规风险检测、数据分析和文档处理等方面的各个环节（参阅图7）。

如图7所示，在金融机构的四大类支持流程中，人工智能带来了大数据运营分析这一创新模式；在内部合规侦测、可疑活动预警、网络风险检测等方面促进了智能分析与决策；在简历/面试筛选、候选人互动、会计自动化、法律研究、协助执法等方面提升自动化水平到达新高度。以下，我们以人工智能在金融行业支持流程的八大应用为例展开论述。

[4.1]合规/风控/稽查–内部合规侦测：人工智能可通过自然语言处理和信息处理等技术协助满足对金融机构越来越高的合规要求，如通过语音识别和自然语言处理监听交易场所沟通，并应用机器学习算法检测对话中的异常情况，从而减少内部合规监控所需人力成本；

[4.2]合规/风控/稽查–可疑活动预警：人工智能可通过机器学习，分析大量交易数据，捕捉可疑违规行为，自动生成可疑活动报告，从而减少人工检测违规及书写报告的工作量；

[4.3]信息技术–网络风险检测：通过数据分析，人工智能可持续监控网络活动，识别出现的异常情况，并快速解决意外事故，以节省所需监控人力；

[4.4]人力资源–简历/面试筛选：人工智能可通过自然语言处理和机器学习分析视频面试中面试者的特征（声音、神态、表情等等），并与当前高绩效员工的特征进行比较，以评估面试者潜力，不仅可避免人为偏见，同时减轻面试官工作量；

[4.5]人力资源–候选人互动：人工智能可对招聘人员和候选人的历史谈话进行机器学习，并通过自然语言处理与生成技术实现与候选人的对话，从而让系统在未来代替招聘官与候选人的互动；

[4.6]财务/法律/其他–会计自动化：人工智能可运用扫描和图像识别技术自动处理会计文件及单据，并分析处理相关数据，有效减少会计人员工作量；

[4.7]财务/法律/其他–法律研究：人工智能可实现以自然语言询问法律问题并获取相关答案，以及自动扫描海量相关文件寻找相关案例并搜罗有用信息，从而大大减轻法务人员研究案例及搜集资料的工作量，使他们可以将时间转移到其他工作中去；

[4.8]财务/法律/其他–协助执法：人工智能可通过机器学习在庞杂信息中识别关联信息，协助调查人员形成洞察及预测潜在犯罪。

3.重塑金融业劳动力市场：颠覆、提升、创造

3.1人工智能对金融业就业市场的三类影响方式

基于以上人工智能技术在金融业各业务价值链上的应用，我们总结出人工智能对金融业就业市场的三类主要影响方式——削减岗位、提升效率及创造就业。其中，削减岗位及提升效率均是对现存岗位的影响，而创造新岗位则是从增量的角度，反映人工智能对潜在就业市场的影响。而对削减岗位和提升效率二者的进一步区分，则是基于对人工智能取代人工的部分是否属于某一岗位核心价值创造活动的判断。即如果某一岗位的核心价值能够不再由人工创造，而是由人工智能替代实现，则定义该岗位基本因人工智能而被削减；而若某一岗位的核心价值创造活动是人工智能无法取代的，依然需要人为实现，而人工智能仅作为辅助手段完成部分非核心工作，则属于提升效率。

1)削减现有岗位

人工智能对现存就业的影响本质上是在对每个岗位中的某些工作模块进行替代。当某一岗位内创造核心价值的工作模块为人工智能可取代人工的工作模块时，定义该岗位为可被削减的岗位，原有员工可转为监督管理职责或其它岗位。基于对相关学术研究的总结[6]，人工智能可取代人工的工作模块主要分为两类，一类是遵循一定步骤因而可被编码成计算机语言的常规性工作，另一类是不需应用解决复杂问题能力或创新能力来应对人际情感交互或随机多变环境的非认知与情感类工作。在金融行业中，目前仍存在大量核心价值创造活动为上述类型工作的岗位，预计未来会随人工智能的应用而逐步削减，包括后台及支持保障类岗位，以及前台业务中核心为数据分析、文件处理的银行业柜员、保险业核保承保等岗位，具体岗位将在第三部分规模估算中详述。

2)提升现有岗位的效率

如前文所述，当某一岗位内创造核心价值的工作模块为人工智能技术不可取代人工的工作模块时，人工智能主要负责辅助性工作模块，则该岗位仍将存在，人工智能的影响主要体现为减少工作时间，从而提升效率。由于效率提升，可能进一步带来两种结果，一是在人员不减少的情况下创造更多产出，另一种是在潜在产出受限的情况下减少部分人员。即该岗位仍存在，但岗位上人数是否减少，取决于潜在市场需求能否支持足够多的人员就业需求。

基于相关文献总结6，人工智能不可完全取代人工的工作模块主要为无清晰步骤程序可遵循的非常规性工作，和需应用解决复杂问题能力或创新能力应对人际情感交互或随机多变环境的认识与情感类工作。在金融行业内，未来仍会存在大量岗位，其创造核心价值的工作模块主要为上述类型，如需大量人际情感沟通的客户经理、人力资源等岗位，及需解决复杂问题的投资经理、财务规划等岗位，具体岗位将在第三部分规模估算中详述。

3)创造新的就业岗位

在替代部分工作岗位的同时，人工智能技术的发展和应用也正为金融业就业市场带来生机。人工智能，在开发、运营和应用中会创造大量就业岗位。除去新兴的人工智能技术或基础设施提供商，我们认为人工智能技术将在金融行业内创造三类就业岗位：技术型、运营型和业务型。

技术型岗位包括数据科学家、系统架构师、开发工程师、算法及系统测试师等；运营型岗位负责大数据与人工智能产品相关系统的运行与维护，确保相关产品的质量稳定、法律和业务合规性；业务型是介于技术和业务之间的复合型岗位，包括能够在技术部门、业务部门以及服务部门之间充当业务需求及技术算法解释角色的算法解释分析师，同时也需要能够快速了解、学习前沿技术并与现有业务进行结合的商务拓展专家。

人工智能对金融业就业市场的影响可能远不止于这些。如前所述，由人工智能而催生的新商业模式带来的就业需求将在未来随着行业发展而不断涌现。

3.2对岗位削减及效率提升影响的定量分析

如前言分析，2017年可被认为是中国的人工智能应用元年，随着国务院《新一代人工智能发展规划》的发布，人工智能开始大规模进入政府及企业管理者的视野，预计人工智能的实际应用也将逐步扩展到各行各业，开启中国人工智能真正的新纪元。因此，BCG以2017年作为人工智能对就业市场影响的基准年份，对金融行业价值链上各岗位就业市场的影响进行分析和估算。

经测算，到2027年，中国金融业就业人口可达到993万人[7]，其中23%的工作岗位会受到人工智能带来的颠覆性影响，削减或转变为新型工种；剩下77%的工作岗位未被替代，但效率将获得大幅提升。将受到人工智能颠覆性影响的主要为从事标准化、重复性工作的岗位，据估算至2027年约为230万人，即金融业就业总人口的23%。而余下760万人主要为需要解决复杂问题、应对人际情感交互及随机多变环境的岗位，将不会受到人工智能的颠覆，而是在人工智能的协助下提升效率（参阅图8）。

同时，在估算中我们也考虑了中国金融业本身的特点。与国外相比，中国金融业虽然总体就业人数多于多数国家，但服务客户规模亦较大，因此每个客户对应的员工人数并非远多于其它国家。此外，由于中国互联网行业近年来的蓬勃发展，中国金融企业互联网技术的应用发展程度较国外更为先进，如网上银行、手机银行等已在中国银行客户中广泛应用，替代掉相当一部分人力。因此，与国外相比，我国金融业就业市场未来受人工智能技术的影响程度可能不一定更为剧烈。

从岗位削减的角度来看，到2027年将有230万金融业岗位因人工智能的应用而被削减，降幅约为23%（参阅图9）。其中，保险业受影响程度最大，25%的岗位面临削减或转型；银行业次之，削减比例大约为22%；资本市场业务最少，约16%的岗位面临颠覆。资本市场业务需要大量且多元的行业数据和资料基础，有些数据无法高效提取其中的有效信息，甚至无法通过机器和算法获得，这一行业特性导致人工智能技术不会在短期内替代如银行和保险行业一样多的工作岗位。纵观金融业，交易类、风险审核类、客户服务类以及后台财务类等岗位将更可能会面临颠覆。尽管这些被削减的岗位仍可能剩下极少数人员以监督人工智能的工作，但由于这些岗位被高度自动化，留下的人数极少，因此我们忽略不计，将削减人数记为该岗位所有人数。

从效率提升的角度来看，人工智能可以大幅减少原有岗位的工作时长，相当于提升效率（参阅图10）。根据估算，到2027年，人工智能将使得金融业未被颠覆岗位的工作总时长减少27%，相当于人们每天花在同样职能活动的工作时间平均可减少2.1小时，效率提升38%。其中，效率的提升对资本市场影响最大，银行业次之。在产品开发、销售、投资决策及资产管理等环节，由于人工智能替代了部分低认知程度和简单的工作模块所需的人工，或在部分工作模块上较之人工操作提高了准确性，因此可带来生产力及效率的提升。

从新岗位创造的角度来看，人工智能在削减低技能工作岗位的同时会创造更多的新型岗位。根据Gartner发布的报告[8]，从2020年开始，人工智能创造就业量将超过削减就业量，在砍掉180万个工作岗位的同时，会新增230万个新的工作机会。目前，中国整体人工智能人才缺口高达百万，在过去两年对新型岗位的需求以每年翻倍的速度递增。聚焦金融领域，人工智能领域的新型岗位及人才需求同样巨大，主要是人工智能相关技术研发人才、运营专员及人工智能商务拓展专家等，对研发、运维到业务每个环节都提出了新的要求。

3.2.1对银行业就业市场的影响

如上文所述，在稳健发展情景下，至2027年，银行业将削减104万工作岗位，降幅22%；剩余78%的工作岗位将提升42%效率，相当于每人每天花在同样职能活动的时间可减少2.4小时（参阅图11）。

从岗位削减的角度来看，人工智能主要影响和削减了银行业前中台价值链上营销与销售、风险管控与审核、客户管理与服务环节的岗位。我们预估，在营销与销售方面，人工智能将会削减57万工作岗位，在风险管控与审核环节，将有22万的工作岗位面临颠覆，而在客户管理与服务环节，人工智能将替代13万工作岗位。在未来，人工智能会替代柜员的核心工作，将执行业务办理、清点交易现金等工作转由机器如智能VTM来执行；对于个贷业务而言，市场上已经涌现了许多案例，数据挖掘技术以及智能化的分析处理模型能够帮助个贷经理以及风险审批人员进行个人贷款资质的收集、评估、审批及管理；在客服环节，人工智能可以取代人工客服，应对大众客户的呼入需求，在未来，这一领域将会有更多的实践。

虽然以上22%的岗位因操作标准化程度较高、对情感交互的要求较低而可能被人工智能所取代，但银行业仍存在78%的岗位在未来十年内无法完全被人工智能取代，例如客户经理等需要通过与客户的面对面沟通讲解复杂的理财产品，并通过建立关系以影响和帮助客户购买银行产品的岗位。未来银行可能可以通过人工智能客服对大众客群开展服务，但中高净值客群可能仍希望真人客户经理为自己提供服务。

对于这些岗位，人工智能不会造成颠覆但能辅助大幅提升工作效率，尤其客户服务，营销与销售以及风控与审核环节，可以借助人工智能服务大众客户，获取客户洞察、评估信贷风险。我们预估，风险管控与审核环节将有62%的工作时长缩减，营销与销售环节将有60%的工作时长缩减。人工智能与大数据已经在提升客户经理工作效率上进行了许多应用，在未来，客户标签、客户画像的存在能够将庞大的客户群进行分类和分析，客户经理仅需勾选同类客户，系统会自动根据其资产配置情况推荐合适的产品。在过去，一个客户经理可能只能管理少数的客户，但有了人工智能的帮助，他们将可以覆盖一类客户群，不仅可以使得服务面更广、服务下沉，还能提升洞察客户需求的能力，为客户提供定制化的服务。

银行业人工智能技术应用对就业影响案例分析

据路透社2017年11月报道，澳大利亚国民银行宣布将在未来三年内净裁员4000人，大约相当于目前员工总数的12%，并寻求通过投资新技术向人工智能及自动化过渡。澳大利亚国民银行的裁员方向与国际银行业趋势一致，即引入人工智能等新技术来取代客服人员，以及使用数字化渠道取代柜台工作人员。澳大利亚国民银行首席执行官表示，“由于寻求业务流程自动化，我们预计三年内的员工人数需求将减少6000人……但我们也将雇佣2000名具备不同技能的新员工，包括数据科学家、人工智能、机器人、自动化、以及其他技术相关人才，所以净减少员工人数预计为4000人，对员工队伍的重整也将帮助我们重塑未来的银行业务。”

放眼国内，国内银行业也纷纷提速网点“智能化”转型，布局智能柜台、智能机器人、智能客服等产品来替代基层柜员职位，同时建立面向大数据应用的数据平台和数据管理能力，推进信用风险预警、反洗钱反欺诈以及智能信贷审批等领域的人工智能应用，协助人工进行信贷业务风险控制。

据半年报显示，五家国有大行的网点在2017上半年共减少162个，基层柜员减少达27104人，相对应的是智能柜台的铺开。截至2017年10月底，建行已部署6万多台智慧柜员机，柜面业务迁移率达88%，涉及290多项非现金业务；智能机器人“小微”已累计服务客户超过23亿人次，相当于1万多名坐席人员工作量。2017年7月，中信银行与百度合作研发的网点智能机器人亮相第二十五届国际金融展，此次亮相的智能机器人采用自然语言处理、1:N人脸识别、基于深度学习的银行业务知识库等前沿技术，能够智能地与客户进行沟通。未来，该款机器人将部署在中信银行的营业网点，用于替代银行大堂经理，完成VIP客户识别、银行业务咨询和银行产品推荐等功能。

国内主要银行都在不同程度地试水大数据及人工智能在风控环节的应用，以期提升风险识别准确度及工作效率。光大银行从2012年开始创立科技创新实验室，在风控领域推出了五个数据产品，包括滤镜、风险共同体族谱、征信大数据、贷款资金去哪了以及辛普森侦探模型，基于复杂网络进行关联分析、数据挖掘，帮助识别和预警不良信贷资产，降低银行损失，提升信贷审批人员工作效率。

3.2.2对保险业就业市场的影响

人工智能技术应用在保险业有较大的潜力，因此也对就业市场影响程度较高。我们估计，至2027年，保险业[9]将削减119万工作岗位，降幅25%；剩余75%的工作岗位将提升29%效率，相当于每人每天花在同样职能活动的工作时间平均可减少1.8小时（参阅图12）。

从保险业价值链来看，人工智能在营销与销售、核保定价与承保、保单管理与服务以及理赔环节均能带来岗位削减。我们预估，在营销与销售环节，人工智能将会削减41万工作岗位，占削减岗位总数的34%。未来随着语音识别与合成技术的发展，机器将代替大部分的人工坐席向客户推销产品，并能敏感、快速地捕捉客户声音所呈现出来的情绪与偏好，因而提升销售效率、节约成本。

核保定价与承保环节约19万个工作岗位将大幅度面临削减，占削减岗位总数的16%。核保与承保作为一个高度标准化、程序化的流程，相关岗位已经在各大保险公司广泛地被机器取代，我们预计未来的取代速度会加快。同理，在保单管理与服务环节，削减约6万个工作岗位。在理赔环节，定损、核价、核赔同样作为高度标准化的环节，至2027年将被取代，削减一共17万个工作岗位。

纵观保险业的价值链，人工智能也能在多个环节帮助提升工作效率。在产品开发环节，人工智能一方面可以帮助保险精算师收集海量的市场数据、优化精算模型；另一方面可以帮助产品开发和维护的设计人员洞悉市场需求变化、分析竞品，从而更准确、更快速地适应市场需要、在产品层面提高自身竞争能力。然而，由于产品开发环节涉及大量的沟通需求和做出决策的工作，人工智能无法完全替代人的工作。我们预估，人工智能将为保险行业的产品开发环节带来41%的工作时长缩减。

在前文中我们已提及，人工智能对营销与销售岗位最直接的影响体现在电话销售这一渠道，而对于更讲究人际交往与沟通能力的直销与团体销售两种渠道，人工智能则是更多地帮助销售人员快速处理文件收集、信息处理、资料整理等文书性质的工作。在人工智能的帮助下，未来的销售人员将节省28%的工作时间。在此需要特别提醒的是，保险行业不同销售渠道之间岗位需求的变更，或更多地受行业发展对销售模式要求变更的影响，并非全然是人工智能发展的作用。比如直销人员近几年的大量减少，更多的是由于互联网的发展、去中介的趋势，使得这种销售模式不再广泛地被客户需要。

在理赔环节，人工智能将对查勘、理算、核损三个环节带来工作效率提升的影响。其中，查勘工作主要出现在车险业务，是人力较为密集的活动，而人工智能计算机视觉的发展，使得报案客户可以现场拍照取证上传系统，系统通过扫描图像进行远程查勘，大大减少对外勤查勘工作的需要。然而，由于该环节的主动权掌握在客户手中，上传照片的清晰度、真实性、全面性难以得到有效保证，现场查勘仍会是必要的工作、查勘岗无法被机器完全取代；核损作为一项需要与客户进行沟通与达成共识的工作，有对客户进行理赔事项通知、受理客户对理赔反应、与拒绝接受理赔条件顾客进行协商三大主要活动，人工智能可以帮助处理前两大较为标准化的活动、却难以在最后一项个案差距大且对沟通疏导能力存在高要求的活动代替人工；理算这一步骤涉及大量的资料审核、按规章执行计算等人力重复性工作，可以帮助员工快速处理标准化的案件，然而由于理算赔付决策的重要性与部分案件的复杂性，该岗位仍需要保留专业人员应对非标准化的案件。同时，生物识别等人工智能技术可以大大节省给付环节的材料审核流程，提升用户体验。

最后，在资产管理环节，人工智能能够识别最优回报率资产进行固定模式投资、监控并分析所投资产收益率及风险等数据，实时调整资产组合，寻求利益最大化、防范风险，大大提升资产管理操作上的反应速度与效率。然而，由于资产管理与投资者的目标、偏好等个性化因素紧密相关，而个性化的因素又容易发生变动，我们难以用一套固定算法去框定人工智能在资产管理环节的行为，在这一环节，人工的存在还是大有必要。我们预估，人工智能将为保险行业的资产管理环节带来40%的工作时长缩减。

保险业人工智能技术应用对就业影响案例分析

2017年1月据日本媒体报道，日本富国人寿保险集团计划引进IBM的人工智能系统Watson。该系统可通过“阅读”医生的医疗证明及其他文件，以收集保险理赔资金所需信息，包括医疗记录、住院时长和外科手术名称等。此外，系统还能核对客户的保险合同，发现特殊保险条款，以阻止赔付疏忽。该人工智能系统可在一个财年内核查案例13.2万宗，每年可为该集团节省约1.4亿日元。可以看出，处理大量数据是Watson在该集团的主要应用，而曾担任这部分工作的员工，则部分面临被替代的局面。据悉，富国人寿保险集团计划裁减近30%的保险理赔评估部门员工，约34名执行保险索赔类分析工作的员工被人工智能取代。

放眼国内，中国平安在2017年9月向全行业推出“智能认证”和“智能闪赔”产品，提升核保、理赔等环节的工作效率。“智能认证”可利用人脸识别、声纹识别等生物识别技术对代理人、投保人的相关行为及属性进行核实，降低保单销售过程产生的纠纷，缩短投保时间及理赔处理时间，这样一来，“智能认证”可覆盖保险公司90%以上客服的工作内容和工作时间。“智能闪赔”在车险理赔中被广泛应用，可以帮助高精度识别车型及损坏情况、提供精准的维修方案定价、通过多元算法分析实现智能风险拦截，2017年上半年平安产险处理车险理赔案件超过499万件，智能拦截风险渗漏达30亿，面向全行业推广后，预计可以为车险行业带来40%以上理赔运营效能提升。

3.2.3对资本市场业务就业市场的影响

如前文所述，至2027年，资本市场业务将削减7万工作岗位，降幅16%；剩余84%的工作岗位将提升56%效率，相当于每人每天花在同样职能活动的工作时间可减少2.9小时（参阅图13）。

从资本市场业务价值链来看，人工智能将较大幅度颠覆销售交易以及清算结算环节的工作岗位，我们预估，销售和交易环节将有7%的工作岗位被削减；清算结算相关岗位，以及基础报告与数据分析岗位，甚至会被人工智能完全取代。对于过往数量庞大的交易员岗位，其执行交易指令的核心工作将被人工智能交易系统逐渐取代，比如摩根大通内部代号为LOXM的人工智能，已经在2017年投入到欧洲股票高频交易的使用中。人工智能清算系统也将替代现有的清算结算岗位，更加准确高效地完成客户资产与自由资产的清算工作。

如上文所述，人工智能不会大范围颠覆资本市场的工作岗位，但会大幅度提升价值链各环节的工作效率，尤其是智能投资决策和资产管理环节。日后，人工智能将与经典经济学和投资研究理论相结合，通过大数据分析辅助宏观经济研究员进行研究，以提升研究效率与准确性；而投资顾问所提供的理财咨询，投资建议等服务，也会参考人工智能分析系统的结果，与自身项目经验结合并加以完善。我们预估，投资决策支持环节均将节省超过37%工作时间。

资本市场人工智能技术应用对就业影响案例分析

高盛是资本市场业务科技变革的领头羊之一。根据MITReview（麻省理工学院评论）杂志报道，2000年，高盛在纽约总部有600多名现金股票交易员负责处理来自客户的交易指令，而到2017年的今天仅剩下2位，大部分工作由200名计算机工程师维护的自动交易程序替代完成。高盛利用复杂的交易算法（其中有些具备机器学习能力），首先取代了部分较为简单的交易，进而逐步取代外汇、信用等更为复杂的交易。为完成这些交易，算法被设计得更为仿真，尽可能模仿真人交易员一样操作。据高盛首席财务官披露，高盛已开始进行自动化的外汇交易，据估算，一名电脑工程师平均可取代四名交易员，目前电脑工程师已在高盛员工人数中占据三分之一。

人工智能也正在逐步取代高盛许多前台高薪员工的工作。下一步，高盛的投资银行业务也将转向自动化，虽然这些曾经强调销售、建立客户关系等人际沟通技巧的工作不会被完全替代，但高盛已经将完成一个IPO（首次公开发行）业务的过程划分为146项清晰的步骤，并将其中很多步骤标注为了“应该被自动化”。由于投行部门员工薪酬普遍高昂，减少投行员工人数预计将会为高盛节省一笔巨大的人力成本。

放眼国内，人工智能目前对国内资本市场的影响更多的是提升工作效率，提供投资决策支持帮助等。在智能投资研究和风险评估控制领域，华泰证券构建并不断打磨了智能量化投资系统，并自主开发了风险管理系统，协助人工进行有效的风险分散、规避和控制。兴业证券的研究管理平台可以进行数据自动筛选和模型计算，并可自动生成部分研究报告；同时，兴业证券与高校共建了舆情监控系统，为行业研究提供了重要参考和决策帮助。

3.2.4对金融业支持性职能部门就业市场的影响

总体来说，金融业职能部门各岗位将受到更大程度的人工智能影响，不管是岗位削减还是效率提升层面（参阅图14）。我们预估，到2027年人工智能将削减39万职能部门岗位，占总体削减岗位的17%，对剩余岗位提升45%工作效率。

从后台各职能岗位拆分来看，人工智能将削减和提升与合规、客户服务、会计核审及行政后勤相关的工作岗位数量和工作效率。在会计核算方面，会计自动化系统可以普遍应用于会计基础职能工作，如记账、报表生成以及数据分析等；在行政后勤方面，自动排班系统等可以高效协助办公甚至对未来所需工时等数据进行预测；在合规领域人工智能也有一席之地，比如内部合规侦测、可疑活动预警功能等，将对存在大量个人业务的银行及保险业带来更大的影响；即使在人力资源方面，人工智能也可以辅助进行简历/面试筛选，识别及预测候选人的性格和行为，但由于这一领域对情感交互能力有一定要求，人工智能在可见的短期内潜力有限。

以上对人工智能在金融行业的应用以及其对就业影响的分析，是基于人工智能未来十年内稳健发展的假设。但也应该考虑到，未来十年内人工智能技术的发展及其在金融行业的应用普及可能会受到多种因素的限制或影响，如技术、监管、人才等。

从技术层面来看，人工智能需要对海量数据进行计算处理，若人工智能所依赖的相关数据积累或硬件设备的计算能力，无法满足实际应用的需要，则可能会导致其发展受限。如金融业过去尚未重视某些领域的数据标积累与储存，因此可能仍需要较长时间的数据收集才能满足实际应用人工智能的需求。

从监管角度而言，由于人工智能可能导致部分潜在的安全、隐私或金融风险，各项人工智能技术的应用在金融业开始落地推广时，可能会遭遇更为严格的监管。例如针对人工智能可能引起的个人隐私数据泄露问题，监管可能为保护个人数据而对人工智能应用进行部分限制。此外，由于人工智能的决策是通过海量数据学习获得，其模型的逻辑目前仍难以解释。而金融行业的特性可能导致监管在某些方面要求一定可解释性，因而会对人工智能的应用造成一定的限制。鉴于以上不确定性及中国金融监管的特殊性，部分在国外有应用案例的人工智能技术可能无法在国内被批准落地，或需先经过一段时间的试验期。因此人工智能在金融行业应用的铺开速度可能会低于预期。

从人才方面来看，人工智能在金融行业的应用发展离不开相关人才的到位。然而，目前中国的人工智能人才储备仍相对薄弱，距百万级的市场需求仍存在较大缺口，每年人工智能领域的毕业学生尚无法满足市场对人才的需求。目前国内的人工智能人才知识结构和创新能力与国外顶尖人才相比仍有差距，部分顶尖人才流往美国。此外，目前金融企业尚较难招聘到技能熟练的人工智能专家，人才仍大量集中在互联网科技公司，很多金融企业均不具备自主研发人工智能应用解决方案的能力。若在未来十年内，我国在人工智能相关人才的培养及吸引上未能跟上发展需求，那么也可能成为人工智能应用普及的一大障碍。

鉴于存在以上潜在限制因素，我们考虑了三种不同情景以反映不确定性存在的情况下人工智能技术对金融行业就业的影响（参阅图15）。基于前文所述的稳健情景，我们进一步考虑了保守和激进情景[10]。从削减岗位的角度来看，稳健情景下人工智能在金融行业的应用将削减约230万人（23%）的工作岗位，而保守情景下这一岗位减少为130万人（13%），激进情景下可能达到290万人（29%）。从提升效率的角度而言，稳健情景下人工智能能为金融行业余下就业岗位减少27%的工作时长，而保守情景下这一数字仅为23%，激进情景下则可能达到32%。

4.展望人工智能时代就业之变：需求结构变化、能力要求多元

4.1人工智能浪潮下的就业需求结构变化

人工智能时代的就业需求和人才素质要求的变化已经在发达国家和领先企业有了较为明显的体现。以美国为例，过去几十年的技术进步，尤其是计算机处理速度和能力的快速增长导致日常任务的自动化，使得主要涉及手工和认知的日常活动的工作长期下降，如生产业工人、操作性劳工、办公文员等等。与此同时，强调沟通、逻辑与创造的专业服务人才，以及直接与计算机技术打交道的技术人才则一直保持增长。

聚焦国际领先企业，以金融巨头高盛为例，在人工智能的深刻影响下，其在人才要求方面已产生了显著的变化。高盛机构客户证券部门的量化团队不仅从2012年的部门人数占比18%提升到了如今的27%，在人才要求上也出现了“升级”：从10到15年前单单需要擅长风险建模与定价的分析师，演变成了今天更为关注招聘擅长数据分析、机器学习等的人工智能技术人才。

2017年10月底，高盛更是在集团层面组建了一支精英高科技团队，专门负责整个集团层面的人工智能应用研发，这支团队将以项目制的形式，与高盛集团内不同部门、不同地区进行沟通与磨合，探索出能在技术层面支持业务长期发展的最佳解决方案。

在今天的中国，我们也已经能观察到一些与发达市场类似的就业需求和人才素质要求的变化。在技术不断进步的浪潮下，依赖创造和沟通的岗位仍将持续增加，如健康护理专业人员、企业高级决策人员、教育人员（特别是儿童教育）、创造性工作（包括艺术家，演员等）、建筑师、复杂环境中的手工和服务业等等。与之对比的是中国低技能职位在新技术的冲击下已难以为继，如录入员、速记员、文字秘书、客服等职位的招聘近年来均呈现负增长。

目前我国人工智能技术尚处于导入期，因而在人工智能技术领域已发生的就业需求变化有限，主要体现为对基础类技术人才的需求。反映在企业招聘中，目前企业对人才素质要求较以前更为看重技术能力，尤其是基础性人工智能技术能力。根据智联招聘大数据显示，过去一年中就业需求量增长最大的主要为具备两类技能的人才：第一类是掌握机器学习、计算机视觉、自然语言处理等具体人工智能技术的人才；第二类是掌握数据挖掘、数据存储、数据分析、数据库架构等数据领域相关技能的人才，其需求量同样增长明显。尽管需求众多，但目前市场上具备丰富人工智能相关经验的人才十分紧缺。部分从相关IT领域跨界转行的求职者虽拥有较多工作经验，但其中真正与人工智能相关的经验依然十分有限。中国企业在培育、吸引、挽留人工智能人才方面仍旧任重道远。

4.2人工智能时代对人才能力要求的发展趋势

随着人工智能技术的发展，市场上人才需求正在发生结构性变化。对于重复性、标准化、程序化的岗位，人工智能正在逐步取代人工，其需求已初现下降趋势。然而，未来十年内，仍有部分岗位将无法被人工智能取代。根据牛津大学及耶鲁大学对352名人工智能科学家的调研显示，科学家们普遍认为人工智能对人类工作的完全替代可能仍需一至两个世纪，不会那么快在近期实现。尤其对于本身强调沟通、逻辑与创造的岗位，在近期内暂时无法被人工智能所取代。此外，回顾人类历史，每一次技术进步在消减部分岗位的同时，也会创造大量新的就业需求，如技术相关人才作为技术革命的中流砥柱，将长期保持为就业市场的需求增长点。就业需求的转变将对人才技能和素质的培养提出新的要求。

人工智能时代对人才素质要求的影响首先直接体现在人工智能技术领域，将在技术层面以及在应用层面直接对人才提出硬性技术能力和软性素质能力两方面的更高要求。在技术的研发上，随着未来人工智能技术发展到一定阶段，企业可能会产生对掌握更高阶技术人才的需求，潜在方向包括机器人培训与监督、机器人外形设计、机器人性格设计等技术能力，这类顶尖的技术人才往往有过硬的学术背景与科研实力，大多拥有计算机科学（ComputerScience）或者电气工程学（ElectricalEngineering）等专业科学学科的博士学位。而在技术的应用上，企业将需要更多既掌握技术能力又具有良好软性素质能力的复合型人才。这类人才应具备交叉学科背景及综合能力，如同时有能力搭建计算机程序和商业模型；同时，他们还需要快速学习能力以理解商业逻辑，更需要跨界合作能力与各方沟通洽谈，从而真正将人工智能技术落地为各行业的具体应用。

除了人工智能技术相关人才外，人工智能时代对劳动力市场整体人才素质的要求也发生着潜移默化的影响。人工智能技术可以取代的是能被自动化的活动：技术发展到今天它取代着机械化的重复劳动，多为低薪工作；但在技术不断演进的未来，人工智能甚至有机会取代虽不是高度机械化、却主要依赖历史经验判断的一些高薪工作，如医生、律师等，而剩下无法被取代的便是那些依赖沟通和创造的工作。《人工智能时代》的作者杰瑞·卡普兰提出：“越是懂得面对面沟通、越是能够触类旁通在职业交界处发现机会的人，机器越是无法取代。而这些职业技能要求给现有的教育和职业培训体系提出挑战。”从这个角度分析，人工智能技术的发展将在更广的行业领域放大人才的软性素质能力，对人才的创造力、情感沟通能力、解决复杂问题能力提出了更高的要求。

总结而言，人工智能时代的到来，一方面通过机器取代人显示了人与机器之间的“博弈”；另一方面通过机器需要人的创造、应用与优化体现了技术进步对人才素质要求的进步。我们可以看出，新技术的诞生，不仅需要创造技术的人才，同时也需要具有应用与沟通能力的人才，将高阶的技术成果实际应用到生产与生活中去。

附录

BCG2027人工智能金融业就业市场影响模型基于中国市场实际情况，覆盖银行、保险、资本市场的超过100个岗位的400多个职能，并基于行业专家输入对每一个职能进行人工智能替代情况判断，最终计算2027年金融业就业市场在人工智能影响下削减人数及效率提升程度（参阅图16）。

模型将金融业就业市场进行行业、大中小型企业、部门、岗位的分解，对每个岗位进一步拆分成3-5个主要工作职能模块，再从两个维度考虑人工智能对各个职能模块的替代情况。第一个维度是这项职能工作的非常规性或非标准程度：是否无法遵循一定步骤因而不能被编码或被模型所模拟；二是认知与情感维度：这项职能是否需要解决复杂问题、进行创新创造，是否需要应对人际情感交互及随机多变环境。如果某项职能两个维度的回答均为是，则该项职能在可见的将来无法被替代；如果均为否，则该项职能具有常规、标准、无需情感交互的特点，可以被人工智能替代；如果一是一否，人工智能可以一定程度上协助该职能的完成。

如上文所述，我们总结出三类人工智能对金融业就业市场的影响方式——削减岗位、提升效率及创造就业，而在BCG2027人工智能金融业就业市场影响模型中重点计算前两类影响。削减岗位人数包含主要核心职能模块被人工智能替代的工作岗位削减，以及未被替代但随着人工智能提升工作效率而减少的工作岗位人数；并对剩余工作岗位进行基于工作时间减少的工作效率提升估算。

注释：

[1] 本报告内定义的资本市场指证券行业内的机构客户业务。

[2] 若某一岗位中超过2/3工作时间占比的职能活动（包括该岗位的核心职能）在2027年会被人工智能已知的技术应用替代，则将该岗位定义为被人工智能颠覆；削减岗位的估算以2017年人工智能应用普及情景为基础假设，以银行、保险、资本市场各行业2003-2014就业人数复合增长率预测2027年就业人数，并以该2027年人数为基线计算削减岗位比例。

[3] 工作时长减少是指在2027年未被人工智能替代的工作岗位（即少于2/3工作时间被人工智能替代的岗位）中，可以通过人工智能已知的技术应用完成的活动；工作时长减少的估算以2017年人工智能应用普及情景为基础假设，以银行、保险、资本市场各行业2003-2014就业人数复合增长率预测2027年就业人数，并以该2027年人数对应的工作时长为基线计算工作时长减少比例。

[4] 效率提升指由于人工智能应用节省的工作时长而带来的效率提升。

[5] FinancialStabilityBoard(2017):Artificialintelligenceandmachinelearninginfinancialservices:Marketdevelopmentsandfinancialstabilityimplications.

[6] Brynjolfsson&McAfee(2014):TheSecondMachineAge;Frey&Osborne(2013):TheFutureofEmployment:HowSusceptibleareJobstoComputerisation?

[7] 2017年就业人口基线为733万人。

[8] Gartner(2017):TopStrategicPredictionsfor2018andBeyond:PaceYourself,forSanity’sSake.

[9] 不包含保险代理人岗位。

[10] 假设保守情景下人工智能能帮助节省的工作时间仅达到稳健情景下的85%；而在激进情景下，假设人工智能能帮助节省的工作时间达到稳健情景下的120%。

（本文及文中图片仅供参考，不代表本站及本行观点，均来自网络）来源：央行观察

免责声明：本公众号不以盈利为目的，内容仅供参考，我们对信息不作任何保证和承诺。如需转载，请注明出处和保持信息完整性。如有未注明作者及出处信息或图片，请版权所有者联系我们，我们将及时补上，感谢您的辛勤创作。凡注明为其他媒体来源信息，均为转载自相关媒体，转载并不代表我们赞同其观点，也不对其真实性负责。返回搜狐，查看更多

人工智能系统中的不确定性量化

译者|朱先忠

审校|梁策孙淑娟

摘要基于人工智能(AI)的系统前景广阔，且被越来越多地用于协助完成各种复杂任务。但由于存在不确定性的挑战，结果并不完全可靠。不确定性量化(UQ)在减少优化和决策过程中的不确定性方面起着关键作用，可用于解决科学、商业和工程领域的各种实际应用。

本文简要介绍了不确定性的概念、来源、类型和测量方法，然后总结了使用贝叶斯技术的大量UQ方法，指出了现有文献中存在的问题和差距，并提出进一步的发展方向，并对打击人工智能金融犯罪的应用案例进行了概述。

引言近年来，人们越来越需要使用基于人工智能的系统，这些系统本质上是主动系统，需要根据环境中的事件或变化自动采取行动。这些系统跨越许多领域,从活动数据库到驱动当今企业核心业务流程的应用程序。然而，在许多情况下，系统必须响应的事件不是由监控工具生成的，而是必须根据复杂的时态谓词从其他事件中推断出来的。机器学习(ML)模型根据其训练数据生成最优解。在许多应用中，这样的推理本质上是不确定的。然而，如果不考虑数据和模型参数中的不确定性，这种最佳解决方案在现实世界部署中仍然存在很高的失败风险。

典型的基于人工智能的系统管道包括数据收集、数据预处理、选择模型从数据中学习、选择学习算法训练所需模型以及从所学习的模型中得出推论等环节。然而，这些步骤中的每一步都存在固有的不确定性。例如，数据不确定性可能源于无法可靠地收集或表示真实世界的数据。数据预处理中的缺陷——无论是在固化、清洗还是标记过程中——也会造成数据不确定性。由于模型仅作为现实世界的代理，而学习和推理算法依赖于各种简化假设，因此它们导致了建模和推理中的不确定性。

人工智能系统做出的预测容易受到所有这些不确定性来源的影响，可靠的不确定性评估为人工智能系统的开发者和用户提供了重要的判断依据。例如，高数据不确定性可能意味着改进数据描述过程，而高模型不确定性可能意味着需要收集更多数据。对于用户来说，准确的不确定性，尤其是与有效的沟通策略相结合时，可以增添一个透明度和信任度的关键层，这对于更优的人工智能辅助决策至关重要。给予人工智能系统这种信任对于它们在医学、金融和社会科学等高风险应用中的可靠部署至关重要。

人工智能系统中已经提出了许多改进UQ的方法，然而选择一种特定的UQ方法取决于许多因素：基础模型、机器学习任务的类型(回归、分类与分割)、数据的特征、机器学习模型的透明度和最终目标等等。如果使用不当，特定的UQ方法可能会产生较差的不确定性估计，并误导用户。此外，如果沟通不畅，即使是高度准确的不确定性估计也可能会产生误导。

本文对不确定性的类型及其来源进行了扩展介绍，讨论了UQ方法，将不确定性建模形式化，并阐述了其在复杂系统中的概念。本文概述了ML中使用贝叶斯技术量化不确定性的不同方法。此外，在不同的机器学习任务中，如分类、回归和分割，不确定性测量的评估也受到关注。本文提供了UQ方法中的校准术语，填补了文献中的空白，展示了UQ在金融犯罪领域的实际应用，并为此类系统制定了通用评估框架。

任意不确定性任意不确定性(AleatoricUncertainty，又称为“统计不确定性”)，代表每次进行相同实验时不同的未知量。任意不确定性是指由于概率可变性而产生的固有不确定性。这种类型的不确定性是不可减少的，因为基本变量总是存在可变性。这些不确定性以概率分布为特征。例如，使用机械弓箭发射的一支箭在每次发射完全相同(相同的加速度、高度、方向和最终速度)，由于箭杆的随机和复杂振动，不会影响目标上的同一点，无法充分确定这类知识以消除由此造成的碰撞点分散。

认知不确定性认知不确定性(EpistemicUncertainty,又称“系统不确定性”)是指那些由于人们在原则上可以知道但在实践中却不知道的事情。认知不确定性是过程模型中的科学不确定性，这是因为数据和知识有限。认知不确定性以替代模型为特征。对于离散随机变量，认知不确定性采用替代概率分布建模。这种不确定性来源的一个例子是一项旨在测量地球表面附近重力加速度的实验。常用的9.8m/s²重力加速度忽略了空气阻力的影响，但我们可以测量物体的空气阻力并将其纳入实验，以减少重力加速度计算中产生的不确定性。

任意性和认知不确定性相互作用任意不确定性和认知不确定性也可以在单个术语中同时发生——例如，当实验参数显示任意不确定性并且这些实验参数被输入计算机模拟时。如果用于不确定性量化，则使用替代模型，例如高斯过程或者多项式混沌展开(PolynomialChaosExpansion)，是从计算机实验中得知的，这样的替代表现出认知不确定性，它依赖于实验参数的任意不确定性，或与之相互作用。这种不确定性不能再单独归类为任意性或认知性，而是一种更普遍的推理不确定性。在实际应用中，这两种不确定性都存在。不确定性量化旨在分别明确表示这两种类型的不确定性。

任意不确定性的量化可能相对简单，其中传统(频繁)概率是最基本的形式。例如蒙特卡罗方法等经常被使用的技术。为了评估认知不确定性，需要努力理解对于系统、过程或机制相关知识的缺乏。认知不确定性通常是通过贝叶斯概率的视角来理解的，因为概率被解释为表明理性的人对某一特定主张的确定程度。

模型与数据不确定性模型不确定性包括由模型缺陷引起的不确定性，这些缺陷可能是由于训练过程中使用了不充分的模型结构所导致的错误，或者是由于未知样本或训练数据集覆盖率差而导致的知识缺乏。与此相反，数据不确定性与直接源于数据的不确定性有关。数据不确定性是由在数据样本中表示真实世界并表示分布时的信息丢失引起的。模型不确定性包括由模型缺陷引起的不确定性，这些缺陷可能是由于训练过程中的错误、模型结构不足，或由于未知样本或训练数据集覆盖率差而导致的知识缺乏。与此相反，数据不确定性与直接源于数据的不确定性有关。数据不确定性是由在数据样本中表示真实世界和表示分布时的信息丢失引起的。

例如，在回归任务中，输入和目标测量中的噪声会导致网络无法学会纠正的数据不确定性。在分类任务中，如果样本包含的信息不足以100%确定地识别一个类别，则会导致预测数据的不确定性。信息丢失是测量系统的结果，例如，因为使用某种具体分辨率的图像像素来表示真实世界的信息所导致，或通过标记过程中的错误所导致。

虽然理论上可以通过改进体系结构、学习过程或训练数据集来减少模型的不确定性，但无法解释数据的不确定性。

预测不确定性根据输入数据域，预测不确定性也可分为三大类：

域内不确定性：表示与从假定等于训练数据分布的数据分布中提取的输入相关的不确定性。域内不确定性源于深度神经网络由于缺乏域内知识而无法解释域内样本。从建模者的角度来看，域内的不确定性是由设计错误(模型不确定性)和手头问题的复杂性(数据不确定性)引起的。根据域内不确定性的来源，可以通过提高训练数据(集)或训练过程的质量来减少不确定性。域转移不确定性：表示与从训练分布的转移版本中提取的输入相关的不确定性。这种分布变化是由于训练数据的覆盖率不足以及现实情况固有的可变性造成的。由于DNN无法在训练时解释基于样本的域转移样本，域转移可能会增加不确定性。可以对一些导致域转移不确定性的错误进行建模，从而可以减少相应的错误。域外不确定性：表示与来自未知数据子空间的输入相关的不确定性。未知数据的分布与训练分布大有差异。例如，当域转移不确定性描述诸如狗的模糊图像等现象时，域外不确定性就是学习猫和狗分类的网络被要求预测鸟的情况。域外不确定性的来源是深度神经网络(DNN)由于缺乏域外知识而无法解释域外样本。从建模者的角度来看，域外不确定性是由输入样本引起的，其中网络不打算对训练数据进行预测或者训练数据不足。

图1：不确定性类型

不确定性与可变性技术专家经常被要求估算不确定量的“范围”。重要的是，他们要区分是被要求提供可变性范围还是不确定性范围。同样，对于建模者来说，了解他们是否正在构建可变性或不确定性的模型以及它们之间的关系(如果有的话)也很重要。

不确定性的来源参数不确定性：它来自于输入到数学模型中的模型参数，但其精确值对实验人员来说是未知的，在物理实验中无法控制或者其值无法通过统计方法精确推断。例如，落物实验中的局部自由落体加速度计算中就包含了参数不确定性。参数可变性：它来自模型输入变量的可变性。例如，数据中的尺寸可能与假设的尺寸不完全相同，这将导致在高维数据集上训练的模型的性能发生变化。结构不确定性：又名模型不足、模型偏差或模型差异，它源于对问题的基本物理或原理缺乏了解。考虑到模型几乎总是接近现实，这取决于数学模型在现实生活中描述真实系统的准确程度。例如，使用自由落体模型对下落物体的过程进行建模时，模型本身是不准确的，因为总是存在空气摩擦。在这种情况下，即使模型中没有未知参数，模型和真实物理之间仍然存在差异。当我们对模型输出不确定时，就会出现结构不确定性，因为我们对模型的功能形式尚不确定。算法不确定性：又名数值不确定性，或离散不确定性。这种类型来自每个计算机模型实现的数值误差和数值近似值。大多数模型太复杂，无法精确求解。例如，可以使用有限元法或有限差分法来近似解偏微分方程(这会引入数值误差)。实验不确定性：又名观测误差。它来自于实验测量的可变性。实验不确定性是不可避免的，可以通过对所有输入/变量使用完全相同的设置进行多次重复测量来发现此种不确定性。插值不确定性：这是因为缺乏从模型模拟和/或实验测量中收集的可用数据。对于没有模拟数据或实验测量的其他输入设置时，必须进行插值或外推，以便预测相应的响应数据。问题类型不确定性量化中有两类主要问题：一种是不确定性的正向传播(不确定性的各种来源通过模型传播，以预测系统响应中的整体不确定性)，另一种是模型不确定性和参数不确定性的反向评估(使用测试数据同时校准模型参数)。

不确定性的正向传播不确定性传播是对不确定性输入传播的系统输出中的不确定性进行量化。它着重于不确定性来源中列出的参数可变性对输出的影响。不确定性传播分析的目标可以是：

评估输出的低阶矩，即均值和方差评估输出的可靠性评估输出的完整概率分布模型不确定性和参数不确定性的反向评估假如已经取得了系统的一些实验测量数据及其数学模型的一些计算机模拟结果，反向不确定性量化既估计实验和数学模型之间的差异(称为偏差校正)，也估计模型中存在的未知参数值(称为参数校准或简单校准)。一般来说，这是一个比正向不确定性传播困难得多的问题，但因为它通常在模型更新过程中实现所以非常重要。

反向不确定性量化有几种情况：

仅偏差修正：偏差修正量化了模型的不足，即实验和数学模型之间的差异。仅参数校准：参数校准会估计数学模型中一个或多个未知参数的值。偏差修正和参数校准：考虑具有一个或多个未知参数的不准确模型，其模型更新公式将两者结合在一起：这是最全面的模型更新公式，包括所有可能的不确定性来源，需要尽最大努力解决。

图2：不确定性量化中的问题类型

数学表示正如我们前面所提及的(图1)，预测不确定性由两部分组成：认知不确定性和任意不确定性，可以像下面这样写成这两部分的总和：

认知不确定性可以表示为模型参数的概率分布。

令：

表示包含以下输入的训练数据集：

与它们的相应分类：

其中：C表示分类的数量。目的是优化生成期望的输出结果的以下函数的ω参数：

为了实现这一点，使用贝叶斯方法定义了一个模型似然函数：

对于分类，可使用下面的softmax似然函数：

等式1

对于回归，可以假设高斯似然：

等式2

上式中，τ表示模型精度。而后验分布：

针对一个给定的数据集(在ω上的训练)：

通过应用Bayes定理，可以写出如下形式：

等式3

对于给定的样本x*，关于p(ω|x,y)的分类标签可以预测为：

等式4

这个过程被称为推理或边缘化。然而：

不能用解析方法计算，但可以用变分参数来近似：

其目的是近似一个分布，该分布接近由该模型获得的后验分布。因此，关于精度τ的Kullback-Leibler(KL)散度需要最小化。这两种分布之间的相似程度可以通过以下方式衡量：

等式5

预测分布可以通过最小化KL散度来近似，如下所示：

等式6

其中：

代表目标表明。KL散度最小化也可以重新安排为证据下界(ELBO)最大化：

等式7

其中：

通过最大化第一项，能够很好地描述数据，通过最小化第二项，能够尽可能接近前一项。这个过程被称为变分推理(VI)。Dropout变分推理是最常用方法之一，已在复杂模型中广泛用于近似推理。最小化目标如下：

等式8

其中N和P分别代表样本数和丢弃概率。要获得与数据相关的不确定性，上面等式2中的精度τ可表示为数据的函数。获得认知不确定性的一种方法是混合两种函数。其中，

预测平均值函数是fθ(x)，模型精度函数是gθ(x)。

这样的话，似然函数可以写成：

将先验分布置于模型的权重之上，然后计算给定数据样本的权重变化量。欧几里德距离损失函数可以调整如下：

等式9

预测方差可通过以下方式获得：

等式10

可选方法人们已经做了很多研究来解决不确定性量化问题，尽管其中大多数是处理不确定性传播的问题。在过去的一到二十年中，人们还开发了许多反向不确定性量化的方法，并已证明对大多数中小型问题有用。

图3：不确定性量化的选择性方法

正向传播基于模拟的方法：蒙特卡罗模拟、重要性抽样、自适应抽样等。基于代理的通用方法：在非侵入性方法中，可以使用一种学习代理模型来实现廉价且快速的近似代替实验或模拟之目的。基于代理的方法也可以以完全贝叶斯的方式来使用。当采样成本(例如计算成本高昂的模拟)过高时，这种方法会特别有效。基于局部展开的方法：泰勒级数、摄动法等。这些方法在处理相对较小的输入变量和不表现高度非线性的输出时具有优势。这些线性或线性化方法在不确定性传播有关文章中有详细介绍。基于函数展开的方法：Neumann展开、正交或Karhunen–Loeve展开(KLE)，以及作为特例的多项式混沌展开(PCE)和小波展开。基于最可能点(MPP)的方法：一阶可靠性方法(FORM)和二阶可靠性方法(SORM)。基于数值积分的方法：全因子数值积分(FFNI)和降维(DR)。对于非概率方法，区间分析、模糊理论、可能性理论和证据理论是应用最广泛的方法之一。

概率方法被认为是工程设计中最严格的不确定性分析方法，因为它与决策分析理论一致。它的基石是计算抽样统计的概率密度函数。对于可以通过高斯变量变换获得的随机变量，这点可以严格执行从而得到精确的置信区间。

反向不确定性1.频率学派：参数估计的标准误差很容易获得，可以扩展为置信区间。

2.贝叶斯学派：贝叶斯框架下存在几种反向不确定性量化方法。最复杂的方向是解决偏差校正和参数校准的问题。这些问题的挑战不仅包括模型不足和参数不确定性的影响，还包括缺乏来自计算机模拟和实验的数据。一种常见的情况是，在实验和模拟中输入环境不同。另一种常见情况是，从实验中得出的参数被输入到模拟中。对于计算成本较高的模拟，通常需要一个替代模型，例如高斯过程或多项式混沌展开，从而定义一个反向问题，以便找到最接近模拟的替代模型。

3.模块化方法：反向不确定性量化的方法是模块化贝叶斯方法。模块化贝叶斯方法的名字来源于其中的四个模块的过程。除了当前可用的数据外，还应指定未知参数的先验分布。

针对模型的高斯过程建模：为了解决缺乏仿真结果的问题，将计算机模型替换为高斯过程(GP)模型针对差异函数的高斯过程建模：类似地，对于第一个模块，用GP模型替换异函数未知参数的后验分布：贝叶斯定理用于计算未知参数的后验分布实验反应和差异函数的预测4.完全方法：完全贝叶斯方法不仅要分配未知参数的先验，还要分配其他超参数的先验。

图4：使用贝叶斯技术的不确定性量化

机器学习中的不确定性量化

图5：机器学习中不确定性量化的分类

评估分类分类任务中的测量数据不确定性：给定预测，概率向量表示分类分布，即它为每个类别分配一个概率，使其成为正确的预测。由于预测不是作为一个显式类别而是作为一个概率分布给出的，因此可以直接从预测中得出不确定性估计。一般来说，这种逐点预测可以被视为估计数据的不确定性。然而，模型对数据不确定性的估计受到模型不确定性的影响，必须单独考虑。为了评估预测数据不确定性的数量，可以应用最大分类概率或熵度量。最大概率表示确定性的直接表示，而熵表示随机变量中的平均信息水平。尽管如此，我们无法从一个单一的预测中分辨出影响这一特定预测的模型不确定性有多大。分类任务中的测量模型不确定性：学习模型参数的近似后验分布有助于获得更优的不确定性估计。有了这种后验分布，就有可能评估随机变量的变化，即不确定性。最常见的测量方法是互信息(MI)、预期Kullback-Leibler散度(EKL)和预测方差。基本上，所有这些度量都是计算随机输出和预期输出之间的预期差异。当有关模型参数的知识不会增加最终预测中的信息时，MI最小。因此，MI可以解释为模型不确定性的度量。Kullback-Leibler散度度量两个给定概率分布之间的散度。EKL可用于测量可能输出之间的(预期)差异，也可解释为对模型输出不确定性的测量，因此代表模型不确定性。即使对于分析描述的分布来说，参数不确定性在预测中的传播几乎在所有情况下也都是难以解决的;因此，必须用蒙特卡罗近似来近似。

图6：模型的可视化和分类模型的分布不确定性

测量分类任务中的分布不确定性：虽然这些不确定性度量被广泛用于捕捉来自贝叶斯神经网络的多个预测之间的可变性，但集成方法无法捕捉输入数据或分布外样本中的分布变化，这可能会导致推理过程存在一定偏见并产生虚假的置信结果。如果所有预测因子都将高概率质量归因于同一(错误)类别标签，这将导致估计值之间的低可变性。因此，系统似乎对其预测是确定的，而预测本身的不确定性也在下面进行评估。

图7：模型的可视化和分类模型的分布不确定性

完整数据集上的性能度量：上述度量用来评估单个预测的性能，其他度量则用于评估这些度量在一组样本上的使用情况。不确定性度量可用于区分正确分类和错误分类的样本，或域内样本和分布外样本。为此，样本分为两组，例如域内和分布外，或正确分类和错误分类。两种最常见的是接收器操作特性曲线(ReceiverOperatingCharacteristic，简称“ROC”)和精确率-召回率曲线(Precision-Recall，简称“PR”)。这两种方法都基于基础度量的不同阈值生成曲线。虽然ROC和PR曲线都给出了一个直观的概念，说明了基本度量在多大程度上适合于分离两个考虑过的测试用例，但它们并没有给出一个定性度量。为了达到这一点，可以评估曲线下的面积(AUC)。简要来看，AUC给出了一个概率值，即随机选择的阳性样本比随机选择的阴性样本导致更高的测量值。评估回归回归预测中的测量数据不确定性：与分类任务相比，回归任务只预测逐点估计，没有任何数据不确定性的暗示。处理这一问题的常用方法是，让网络预测概率分布的参数，例如，平均向量和正态分布不确定性的标准偏差，这样就直接给出了数据不确定性的度量。标准偏差的预测允许(未知)真实值在特定区域内的分析描述。以一定概率覆盖真值的区间(假设预测分布是正确的)是分位数函数，即累积概率函数的倒数。对于给定的概率值，分位数函数给出了一个边界。分位数假设某种概率分布，并将给定的预测解释为分布的预期值。与此相反，其他方法则是直接预测所谓的预测区间(PI)，其中假设存在预测。这样的区间会导致不确定性以均匀分布的形式出现，而不会给出具体的预测。顾名思义，这种方法的确定性可以通过预测区间的大小直接衡量。平均预测区间宽度(MPIW)可用于评估模型的平均确定性。为了评估预测间隔的正确性，可以应用预测间隔覆盖概率(PICP)。PCIP代表落入预测区间的测试预测的百分比。

回归预测中测量模型不确定性：模型不确定性主要由模型的结构、训练过程和训练数据中代表性不足的区域引起。因此，回归和分类任务之间的模型不确定性的原因和影响没有真正的区别;如此一来，回归任务中的模型不确定性可以像分类任务中已经描述的那样进行等效测量，例如在大多数情况下，通过近似平均预测和测量单个预测之间的差异来进行。

图8：模型的可视化和回归模型的分布不确定性

图9：模型的可视化和回归模型的分布不确定性

评估分割任务中的不确定性：评估分割任务中的不确定性与评估分类问题非常相似。分割任务中的不确定性使用贝叶斯推理的近似方法估计。在分割上下文中，像素级分割中的不确定性使用置信区间、预测方差、预测熵或互信息(MI)来测量。结构估计中的不确定性是通过对所有像素不确定性估计进行平均得到的。体积不确定性的质量通过评估变异系数、平均Dice分数或联合上的交点来评估。这些指标以成对的方式测量多个估计值之间在面积重叠方面的一致性。理想情况下，错误分割会导致像素和结构不确定性增加。为了验证是否存在这种情况，应评估像素级的真阳性率，以及不同不确定度阈值下保留像素的假检测率和ROC曲线。校准如果推导出的预测置信度代表了实际正确性概率的良好近似值，则称预测值为校准良好。因此，为了使用不确定度量化方法，必须确保系统经过良好校准。对于回归任务，可以定义校准，预测的置信区间应与根据数据集经验计算的置信区间相匹配。

通常，校准误差是由与模型不确定性相关的因素引起的。这一点从直觉上很容易理解，因为数据不确定性代表了潜在的不确定性，即输入x和目标y代表相同的真实世界信息。接下来，正确预测的数据不确定性将导致一个完美校准的系统。这一点很清楚，因为这些方法分别量化了模型和数据的不确定性，旨在减少预测中的模型不确定性。除了通过降低模型不确定性来改进校准的方法外，大量且不断增长的文献还研究了显式降低校准误差的方法。下节将介绍这些方法以及量化校准误差的措施。需要注意的是，这些方法不会减少模型的不确定性，而是将模型的不确定性传播到数据不确定性的表示上。

例如，如果二元分类器被过度拟合，并以概率1将测试集的所有样本预测为A类别，而一半的测试样本实际上是B类别，则重新校准方法可能会将网络输出映射到0.5，以获得可靠的置信度。0.5的概率不等于数据不确定性，但表示传播到预测数据不确定性上的模型不确定性。

校准方法根据应用步骤，校准方法可分为三大类：

在训练阶段应用的规范方法：这些方法修改目标、优化和/或规范过程，以构建内在校准的系统和网络。在模型的训练过程之后应用的后处理方法：这些方法需要一个保留的校准数据集来调整预测分数以进行重新校准。需要注意的是，它们只能在假设遗漏验证集的分布等同于基于推理的分布的情况下才可以工作。因此，验证数据集的大小也会影响校准结果。神经网络不确定性估计方法：通过使用减少神经网络置信度预测中模型不确定性的方法，也会产生更好的校准预测值。这是因为剩余的预测数据不确定性更好地代表了预测的实际不确定性。例如，此类方法基于贝叶斯方法或深度集成(图4)。真实世界的应用NICEActimize是以色列一家为区域和全球金融机构以及政府监管机构提供多种金融犯罪、风险和合规解决方案的供应商，他们利用创新技术保护机构、消费者以及投资者的资产，能够识别金融犯罪、防止欺诈并保障监管合规。该公司能够提供实时、跨渠道的欺诈预防、反洗钱检测和交易监控解决方案，从而有助于解决支付欺诈、网络犯罪、制裁监控、市场滥用、客户尽职调查和内幕交易等问题。

基于人工智能的系统和高级分析解决方案可以更早更快地发现异常行为，消除从盗窃、欺诈、监管处罚到制裁的财务损失。这样一来，有助于公司或组织减少各种损失、提高调查人员的工作效率，并改善法律合规和监督质量。

随着基于人工智能的系统在金融犯罪中的使用增多，量化和处理不确定性变得越来越重要。一方面，不确定性量化在风险最小化方面发挥着重要作用，这是预防欺诈所必需的。另一方面，有一些具有挑战性的数据源为欺诈调查提供了补充，只是这些数据很难核实。这使得生成可信的“地面真相”成为一项非常具有挑战性的任务。

Actimize公司的通用评估框架为了应对上述问题，Activize公司提出了一个评估协议，其中包含各种具体的基线数据集和评估指标，涵盖了所有类型的不确定性，有助于推动不确定性量化研究。此外，他们还考虑了风险规避和最坏情况下的评估问题。这种通用协议使数据科学家们能够轻松地将不同类型的方法与既定基准与真实世界的数据集进行比较。

结论不确定性量化(UQ)是基于人工智能的系统和决策过程的关键部分之一，它在评估各种实际应用中的不确定性时变得越来越普遍。如今，不确定性已经成为传统机器和深度学习方法不可分割的一部分，因此本文也对传统机器学习和深度学习中最重要的UQ概念和方法进行了一个相对全面的概述。

译者介绍朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。早期专注各种微软技术(编著成ASP.NETAJX、Cocos2d-X相关三本技术图书)，近十多年投身于开源世界(熟悉流行全栈Web开发技术)，了解基于OneNet/AliOS+Arduino/ESP32/树莓派等物联网开发技术与Scala+Hadoop+Spark+Flink等大数据开发技术。

原文标题：​​UncertaintyQuantificationinArtificialIntelligence-basedSystems​​，作者：DannyButvinik

人工智能导论(4)——不确定性推理(Uncertainty Reasoning)

文章目录一、概述二、重点内容三、思维导图四、重点知识笔记1.不确定性推理概述1.1概念1.2分类1.3基本问题2.概率方法2.1基础知识2.2经典概率方法2.3逆概率方法3.可信度方法3.1可信度的基本概念3.2可信度模型4.模糊推理4.1模糊数学的基本知识4.2模糊假言推理一、概述

人工智能经典三大基本技术为：知识表示、推理、搜索策略。推理是人类求解问题的主要思维方法。

无论是人类智能还是人工智能，都离不开不确定性的处理。可以说，智能主要反映在求解不确定性问题的能力上。因此，不确定性推理模型是人工智能和专家系统的一个核心研究课题。

为方便记忆和回顾，根据个人学习，总结人工智能基础知识和思维导图形成系列。

二、重点内容不确定性推理的概念及分类不确定性推理中的基本问题概率方法及贝叶斯公式可信度方法模糊推理三、思维导图

四、重点知识笔记1.不确定性推理概述1.1概念

不确定性推理是指从不确定性的初始证据出发，通过运用不确定性的知识，推出具有一定程度的不确定性但却合理或近乎合理的结论的思维过程。

不精确性是科学认识中的重要规律，也是进行机器智能推理的主要工具之一。

1.2分类

不确定性推理方法主要分为控制方法和模型方法两类。

模型方法数值模型方法基于概率概率方法（纯概率法应用受限）贝叶斯方法可信度方法证据理论基于模糊理论模糊方法非数值模型方法发生率计算方法控制方法尚没有统一模型。相关性指导、机缘控制、启发式搜索、随机过程控制等

控制方法

控制方法没有处理不确定性的统一模型，其效果极大地依赖于控制策略。

不确定性推理的控制方法主要取决于控制策略，包括相关性指导、机缘控制、启发式搜索、随机过程控制等。

模型方法

模型方法具体可分为数值模型方法和非数值模型方法两类。按其依据的理论不同，数值模型方法主要有基于概率的方法和基于模糊理论的推理方法。

纯概率方法虽然有严格的理论依据，但通常要求给出事件的先验概率和条件概率，而这些数据又不易获得，因此使其应用受到限制。在概率论的基础上提出了一些理论和方法，主要有可信度方法、证据理论、基于概率的贝叶斯推理方法等。

目前，在人工智能中，处理不确定性问题的主要数学工具有概率论和模糊数学。

目前常用的不确定性推理的数学方法主要有基于概率的似然推理（PlausibleReasoning）、基于模糊数学的模糊推理（FuzzyReasoning）、可信度方法，以及使用人工神经网络算法、遗传算法的计算推理等。

1.3基本问题

所有的不确定性推理方法都必须解决3个问题：

（1）表示问题

表示问题指的是采用什么方法描述不确定性。

在专家系统中，“知识不确定性”一般分为两类：一是规则的不确定性，二是证据的不确定性。

一般用(E→H,f(H,E))来表示规则的不确定性，f(H,E)即相应规则的不确定性程度，称为规则强度。一般用(命题E,C(E))表示证据的不确定性，C(E)通常是一个数值，代表相应证据的不确定性程度，称为动态强度。

规则和证据不确定性的程度常用可信度来表示。

在专家系统MYCIN中，可信度表示规则及证据的不确定性，取值范围为[−1,1]。

当可信度取大于零时，其数值越大，表示相应的规则或证据越接近于“真”；当可信度小于零时，其数值越小，表示相应的规则或证据越接近于“假”。

（2）语义问题

语义问题指上述表示和计算的含义是什么，即对它们进行解释。即需要对规则和证据的不确定性给出度量。

对于证据的不确定性度量C(E)，需要定义在下述3种典型情况下的取值：E为真，C(E)=?E为假，C(E)=?对E一无所知，C(E)=?规则的不确定性度量f(H,E)，需要定义在下述3种典型情况下的取值：若E为真，则H为真，这时f(H,E)=?若E为真，则H为假，这时f(H,E)=?E对H没有影响，这时f(H,E)=?

（3）计算问题

计算问题主要指不确定性的传播和更新。即计算问题定义了一组函数，求解结论的不确定性度量。

主要包括3方面：

不确定性的传递算法已知前提E的不确定性C(E)和规则强度f(H,E)求结论H的不确定性即定义函数f1，使得C(H)=f1(C(E),f(H,E))结论不确定性合成由两个独立的证据E1和E2求得的假设H的不确定性C1(H)和C2(H)，求证据E1和E2的组合导致的假设H的不确定性即定义函数C(H)=f2(C1(H),C2(H))组合证据的不确定性算法已知证据E1和E2的不确定性C1(E)和C2(E)，求证据E1和E2的析取和合取的不确定性即定义函数C(E1∧E1)=f3(C(E1),C(E2))；C(E1∨E2)=f4(C(E1),C(E2))

组合证据的不确定性的计算已经提出了多种算法，用得最多的是如下3种：

最大最小法C(E1∧E2)=min{C(E1),C(E2)}C(E1∨E2)=max{C(E1),C(E2)}概率方法C(E1∧E2)=C(E1)×C(E2)C(E1∨E2)=C(E1)+C(E2)−C(E1)×C(E2)有界方法C(E1∧E2)=max{0,C(E1)+C(E2)−1}C(E1∨E2)=min{1,C(E1)+C(E2)}2.概率方法

有完善的理论，被最早用于不确定性知识的表示和处理。但因条件概率不易给出、计算量大等原因，应用受了限制。

2.1基础知识

（1）条件概率定义

P(B|A)=P(AB)/P(A)称为事件A发生的条件下事件B的条件概率

（2）全概率公式

设事件A1,A2,…,An互不相容，其和为全集。则对于任何事件B：P(B)=Σ(P(Ai)×P(B|Ai))

一般的，如果一个集合含有我们所研究问题中涉及的所有元素，那么就称这个集合为全集，通常记作U。

（3）贝叶斯公式

设事件A1,A2,…,An互不相容，其和为全集。则对于任何事件B：P(Ai|B)=P(Ai)×P(B|Ai)/P(B)

贝叶斯公式可以用条件概率公式证明：

推导：P(Ai|B)=P(AiB)/P(B)#条件概率公式=P(Ai)×P(B|Ai)/P(B)#分子代入条件概率公式证明：P(Ai|B)=P(Ai)×P(B|Ai)/P(B)=P(AiB)/P(B)#分子代入条件概率公式=P(Ai|B)#条件概率公式

用全概率公式代入贝叶斯公式，可以得到贝叶斯公式的另一种形式：

P(Ai∣B)=P(Ai) P(B∣Ai)Σi[P(Ai)P(B∣Ai)]P(A_i|B)=frac{P(A_i)P(B|A_i)}{Sigma_i[P(A_i)P(B|A_i)]}P(Ai​∣B)=Σi​[P(Ai​)P(B∣Ai​)]P(Ai​) P(B∣Ai​)​

其中:

P(Ai)是事件Ai的先验概率P(B|Ai)是在事件Ai发生条件下事件B的条件概率P(Ai|B)是在事件B发生条件下事件Ai的后验概率。先验概率是指根据以往经验和分析得到的概率。后验概率指某件事已经发生，计算这件事发生的原因是由某个因素引起的概率(根据结果求原因的概率)。2.2经典概率方法

（1）单条件

设有产生式规则：IFETHENHi(其中，E为前提条件，Hi为结论)用条件概率：P(Hi|E)表示证据E条件下，Hi成立的确定性程度

（2）复合条件

对于复合条件：E=E1ANDE2AND…ANDEm用条件概率：P(Hi|E1,E2,…,Em)表示E1,E2,…,Em出现时，结论Hi的确定性程度2.3逆概率方法

在实际中，求条件E出现情况下结论Hi的条件概率P(Hi|E)非常困难。但是求逆概率P(E|Hi)要容易的多。

比如：E代表咳嗽，以Hi代表支气管炎

P(Hi|E)，咳嗽的人中有多少是患支气管炎，统计工作量较大P(E|Hi)，患支气管炎的人有多少咳嗽，统计就容易多了

如果前提条件E表示，用Hi表示结论，用贝叶斯公式就可得到：

P(Hi∣E)=P(Hi) P(E∣Hi)Σi[P(Hi)P(E∣Hi)]P(H_i|E)=frac{P(H_i)P(E|H_i)}{Sigma_i[P(H_i)P(E|H_i)]}P(Hi​∣E)=Σi​[P(Hi​)P(E∣Hi​)]P(Hi​) P(E∣Hi​)​

当已知Hi的先验概率，结论Hi成立时E的条件概率P(E|Hi)就可以求Hi的条件概率。

多个证据E1,E2,…,Em和多个结论H1,H2,…,Hn,则可以进一步扩充为：

P(Hi∣E1,E2,...,Em)=P(Hi)P(E1∣Hi)P(E2∣Hi)...P(Em∣Hi)Σ[P(Hi)P(E1∣Hi)P(E2∣Hi)...P(Em∣Hi)]P(H_i|E_1,E_2,...,E_m)=frac{P(H_i)P(E_1|H_i)P(E_2|H_i)...P(E_m|H_i)}{Σ[P(H_i)P(E_1|H_i)P(E_2|H_i)...P(E_m|H_i)]}P(Hi​∣E1​,E2​,...,Em​)=Σ[P(Hi​)P(E1​∣Hi​)P(E2​∣Hi​)...P(Em​∣Hi​)]P(Hi​)P(E1​∣Hi​)P(E2​∣Hi​)...P(Em​∣Hi​)​

3.可信度方法

可信度是指人们根据以往的经验对某个事物或现象为真的程度的一个判断，或者说是人们对某个事物或现象为真的相信程度。

3.1可信度的基本概念

3.1.1可信度的定义

可信度最初定义为信任与不信任的差。

CF(H,E)=MB(H,E)-MD(H,E)

CF(CertaintyFactor，确定性因子)是由证据E得到假设H的可信度。

MB(MeasureBelief)称为信任增长度，表示E的出现使结论H为真的信任值增长程度。

MB(H,E)=1当P(H)=1时MB(H,E)=(max(P(H|E),P(H)}-P(H))/(1-P(H))其他情况

MD(MeasureDisbelief)称为不信任增长度

MD(H,E)=1当P(H)=0时MD(H,E)=(min(P(H|E),P(H)}-P(H))/(-P(H))其他情况

根据以上定义，可以得到：

CF(H,E)=MB(H,E)-0当P(H|E)>P(H)时CF(H,E)=0P(H|E)=P(H)时CF(H,E)=0-MD(H,E)当P(H|E)0时，MD(H,E)=0当MD(H,E)>0时，MB(H,E)=0

（2）值域

0≤MB(H,E)≤10≤MD(H,E)≤1-1≤CF(H,E)≤1

（3）典型值

CF(H,E)=1时，P(H|E)=1,MB(H,E)=1,MD(H,E)=0CF(H,E)=-1时，P(H|E)=0,MB(H,E)=0,MD(H,E)=1CF(H,E)=0时，P(H|E)=P(H)，MB(H,E)=0,MD(H,E)=0，表示E对H无影响

（4）H的信任增长度等于非H的不信任增长度

MB(H,E)=MD(¬H,E)MD(H,E)=MB(¬H,E)

（5）H的可信度对非H的可信度之和等于0

CF(H,E)+CF(¬H,E)=0

（6）可信度与概率的区别

概率：P(H)+P(¬H)=1且0≤P(H),P(¬H)≤1可信度：-1≤CF(H,E)≤1

**（7）对于同一前提E，若支持多个不同的结论Hi，则

ΣCF(Hi,E)≤1

实际应用中，P(H)和P(H|E)的值很难获得，因此CF(H,E)的值由领域专家给出。

3.2可信度模型

3.2.1规则的不确定性的表示

可信度(CF)模型中，规则用产生式规则表示：

IFETHENH(CF(H,E))

3.2.2证据的不确定性表示

可信度(CF)模型中，证据E的不确定性也用可信度因子CF表示，取值范围为[-1,1],典型值为：

证据E肯定为真:CF(E)=1证据E肯定为假:CF(E)=-1证据E一无所知:CF(E)=0

3.2.3组合证据的不确定性的计算

E=E1ANDE2AND…ANDEnCF(E)=min({CF(E1),CF(E2),…,CF(En)}’E=E1ORE2OR…OREnCF(E)=max({CF(E1),CF(E2),…,CF(En)}

3.2.4否定证据的不确定性计算

CF(¬E)=-CF(E)

3.2.5不确定性推理

证据肯定存在，即CF(E)=1时，则CF(H)=CF(H,E)CF(E)≠1时，则CF(H)=CF(H,E)×max{0,CF(E)}CF(E)＜0时，CF(H)=0多条相互独立的规则分别推出相同结论，结论合成综合可信度算法分别对每个规则用第二步公式求出CF，即CF1(H),CF2(H)…对E1、E2求综合可信度CF(H)=CF1(H)+CF2(H)-CF1(H)×CF2(H)当CF1,CF2≥0时CF(H)=CF1(H)+CF2(H)+CF1(H)×CF2(H)当CF1,CF2