《人工智能》之《绪论》习题解析
教材：《人工智能及其应用》，蔡自兴等，2016m清华大学出版社（第5版）
参考书：
对应同系列博客：《人工智能》之《绪论》
《人工智能》之《绪论》习题解析1什么是人工智能？试从学科和能力两方面加以说明。2在人工智能的发展过程中，有哪些思想和思潮起了重要作用？3在过去的20多年中，人工智能发生了什么变化？4为什么能够用机器（计算机）模仿人的智能？5现在人工智能有哪些学派？它们的认知观是什么？现在这些学派的关系如何？6你认为应从哪些层次对认知行为进行研究？7你是如何理解人工智能的研究目标的?8人工智能研究包括哪些内容？这些内容的重要性如何？9人工智能的基本研究方法有哪几类？它们与人工智能学派的关系如何？10人工智能的主要研究和应用领域是什么？其中，哪些是新的研究热点？11你对人工智能课程教学有何意见和建议？12解释什么是图灵测试？13阐述中文屋问题是否能驳倒图灵测试？1什么是人工智能？试从学科和能力两方面加以说明。人工智能（学科）是智能科学中涉及研究、设计与应用智能机器和智能系统的一个分支，而智能科学是一门与计算机科学并行的学科。
人工智能（能力）是智能机器所执行的通常与人类智能有关的智能行为，这些智能行为涉及学习、感知、思考、理解、识别、判断、推理、证明、通信、设计、规划、行动和问题求解等活动。
2在人工智能的发展过程中，有哪些思想和思潮起了重要作用？20世纪30年代和40年代：数理逻辑和关于计算的新思想；20世纪80年代后期以来，不同人工智能学派间的争论推动了人工智能研究和应用的进一步发展，特别值得一提的是神经网络的复兴和智能真体的突起；3在过去的20多年中，人工智能发生了什么变化？机器学习又发展了许多学习方法（P27）；硬件方面：除了微电脑技bai术和超级电脑技术的迅du速发展，zhi存储技术依旧遵循摩尔定律发展之外，各种传感器技术，特别是数字传感器技术的发展。对人工智能的硬件加速了更新换代。软件方面：与海量存储器相适应的快速搜索算法迅速发展。而且机器自我学习成长能力有极大提高。（来自百度）4为什么能够用机器（计算机）模仿人的智能？物理符号系统的六种基本功能：输入符号、输出符号、存储符号、复制符号、建立符号结构、条件性迁移。
物理符号系统的假设：任何一个系统，如果它能表现出智能，那么它一定能执行上述6种功能。反之，任何系统如果具有这6种功能，那么它就能表现出智能，这种智能指的是人类所具有的那种智能。
物理符号系统的假设伴随有3个推论：
既然人具有智能，那么人就一定是一个物理符号系统；既然计算机是一个物理符号系统，它就一定能够表现出智能；既然人和计算机都是物理符号系统，那么就能够用计算机来模拟人的智能。所以，在物理符号系统的假设下，机器智能可以模拟人类智能。
5现在人工智能有哪些学派？它们的认知观是什么？现在这些学派的关系如何？目前人工智能的主要学派有3家：
符号主义：又称为逻辑主义、心理学派、计算机学派，其原理主要为物理符号系统假设和有限合理性原理。连接主义：又称为仿生学派、生理学派，其原理主要为神经网络及神经网络间的连接机制与学习算法。行为主义：又称为进化主义、控制论学派，其原理为控制论及感知-动作型控制系统。它们的认知观：
符号主义认为人工智能源于数理逻辑。代表性成果为启发式程序LT（逻辑理论家），证明了38条数学定理，表明了可以应用计算机研究人的思维过程，模拟人类智能活动。连接主义认为人工智能源于仿生学，特别是人脑模型的研究。代表性成果为1943年由生理学家麦卡洛克和数理逻辑家皮茨创立的脑模型（MP模型），开创了用电子装置模仿人脑结构和功能的新途径。行为主义认为人工智能源于控制论。代表性成果为布鲁克斯的六足行走机器人，它被看作新一代的“控制论动物”，是一个基于感知-动作模式的模拟昆虫行为的控制系统。它们的关系：长期共存与合作，取长补短，并走向融合和集成，为人工智能的发展做出贡献。
6你认为应从哪些层次对认知行为进行研究？7你是如何理解人工智能的研究目标的?人工智能研究的近期目标和远期目标具有不可分割的关系。远期目标为近期目标指明了方向，近期目标为远期目标奠定了理论和技术基础。
8人工智能研究包括哪些内容？这些内容的重要性如何？人工智能研究的基本内容：这些内容是得到诸多学者认同并具有普遍意义的人工智能研究的基本内容。
9人工智能的基本研究方法有哪几类？它们与人工智能学派的关系如何？人工智能的基本研究方法有4类：
功能模拟法结构模拟法行为模拟法集成模拟法关系：与符号主义、连接主义和行为主义相应的人工智能研究方法为功能模拟法、结构模拟法和行为模拟法。此外，还有综合这3种模拟方法的集成模拟法。
10人工智能的主要研究和应用领域是什么？其中，哪些是新的研究热点？人工智能有16个主要研究和应用领域：
问题求解与博弈逻辑推理与定理证明计算智能分布式人工智能与Agent自动程序设计专家系统机器学习自然语言理解机器人学模式识别机器视觉神经网络智能控制智能调度与指挥智能检索系统与语言工具其中，4、7、9、10、12是新的研究热点。
11你对人工智能课程教学有何意见和建议？无。
12解释什么是图灵测试？图灵测试（TheTuringtest）由艾伦·麦席森·图灵发明，指测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。进行多次测试后，如果机器让平均每个参与者做出超过30%的误判，那么这台机器就通过了测试，并被认为具有人类智能。图灵测试一词来源于计算机科学和密码学的先驱艾伦·麦席森·图灵写于1950年的一篇论文《计算机器与智能》，其中30%是图灵对2000年时的机器思考能力的一个预测，目前我们已远远落后于这个预测。（来自百度百科）
13阐述中文屋问题是否能驳倒图灵测试？中文屋问题不能驳倒图灵测试。
我们再仔细回顾下这个思想实验，我们发现之所以能解决所有中文问题的关键不在于那个完全不懂中文的人（事实上，他的工作用简单的程序就能代替），而在于那本带有中文翻译程序的手册！试想如果有这样的一本手册，它满足可以回答所有问题这个前提，那么事实上这本手册就拥有了智能！实际上，不要说回答所有问题了，即使是回答普通生活中大部分常识性问题，这个手册的容量都将是难以估量的，因为你要考虑到那个做着所谓“翻译工作”的人完全不懂中文，只是机械的按照步骤利用这个手册和房间内其它可用的工具来进行翻译和回答，所以这个手册绝非一些人下意识里想到的中英词典（因为如果这样，那这个人就不可能完全不懂中文），而是拥有一个完整步骤流程的中文翻译程序的手册，所以这个手册的实现本身就是极其困难的，要想做到回答所有问题这个手册就必须有“智能”。提出中文屋问题的searle实际上偷换了概念。他先利用一个常识性命题——手册是没有智能的，来把我们的注意力转移到那个完全不懂中文的人身上，因为我们下意识里觉得按照描述那个房间里似乎只有这个人才有智能，然后searle又假设这个手册可以回答一切中文问题。但这样的假设本身就存在漏洞，如果这个手册真的做到了能回答所有问题，那它就不是通常意义上的手册了，它很可能也是有智能的。searle把我们这些有上帝视角的观众的注意力全都转移到那个人身上了，殊不知实验中外面人交互的是一个完整的房间（包括人和房间里的一切物品），导致我们把这些对象割裂开来，实际上我们应该把房间视为一个整体，那个完全不懂中文的人做的工作，无非是一些输入输出还有搜索（这些可以轻易地用程序替代），而核心在于他使用的工具——那本手册，拥有如此强大功能的手册，不可能不集成了诸如自然语言处理、机器学习、深度学习（神经网络）等技术，所以外边的人思维要是严谨一些，得到的结论应该是这整个房间（包括人和手册以及其他工具）会中文，而不是那个人会中文，而因为那个不懂中文的人的工作完全可以由机器来代替，回顾图灵测试的概念，这不正好验证了图灵测试吗？
结论：searle的思想实验有严重的逻辑漏洞，他所设计的中文房间问题非但没能推翻图灵测试，反而为图灵测试提供了一个极佳的例子。不得不承认，即使是在今天，图灵测试依然有重大的意义。（来自关于图灵测试和中文房间的一些思考)
更新：这是一个仁者见仁智者见智的问题，有人认为中文屋问题能驳倒图灵测试。理由如下：
人工智能何以促进未来教育发展
原标题：人工智能何以促进未来教育发展自工业革命以来，人类社会的发展总是在技术与教育的角逐互动中前行。技术作为推动人类历史发展的核心推进力，与教育这一“人力资本发动机”竞相成为推动经济社会发展的主力。人工智能作为第四次工业革命的显著标签，其飞速发展正在逐步塑造社会、经济、生活等领域的业务新形态，也不断带来颠覆性、丰富性、创新性的新业态。面对人工智能技术对整个社会发展的刺激，教育如何发展，成为值得思考的重要问题。
人工智能凸显创新人才发展挑战
作为引发第四次科技革命的核心技术，人工智能促进社会经济和科技的指数级发展，对人力资本的质量与供给产生了新的需求，人工智能与人力资源之间的相互依存关系产生了前所未有的张力，教育的超前性更是受到前所未有的挑战。第一，知识增长的指数发展使得未来人才需要哪些方面的准备具有极大的不确定性。第二，智力劳动者比重增加，创新人才成为时代发展的刚需。人工智能技术与生产过程的深度融合，会极大压缩生产领域的从业者需求，特别是那些人工智能胜出的领域。第三，人工智能技术的兴起引发高技术产业、新兴产业、新型服务行业更广阔的发展空间，从而使得创新型人才、复合型人才、高技术人才等在劳动力结构中需求激增。人工智能技术无法取代的创造性、灵活性、人文性等能力将成为智能化时代人才竞争的关键。教育肩负培养创新人才、为未来人才提前布局的使命。回溯历史，我们可以得到的经验是，只有教育领先于技术的发展步伐，为技术推进的社会提前做好人力资源的布局，社会的发展才有后劲。因此，在人工智能推进社会更飞速发展的今天，必须回答好什么样的教育才能承载提前布局人力资源的使命，以应对未知社会的人才挑战这一问题。
人工智能催生新的知识生产方式
在人工智能的影响下，人类知识生产加剧变化，知识增量呈现指数级态势。教育的传承性发展将不再局限于知识的传授与继承，而强调知识创造与创新，人工智能的介入更是催生了新的知识生产方式。其一，人工智能强大的知识发现能力缩短了知识生产周期。随着深度学习、强化学习等新的机器学习算法的发展，人工智能除了可以加快知识的生产、访问和利用，还可以从数据中提取隐含的、未知的、潜在的、有用的信息（知识），从而扩展知识创造的能力。其二，人机协同的智能模式扩大了知识创造的机会与可能性。人工智能技术不仅促进人的群智协同创新，而且可以实现人类与人工智能代理协同，后者所具有的超强计算能力，可以极大加速知识生产，催生知识的众创，以及人机协同知识创新。人工智能催生的新的知识生产方式对教育的挑战是，教育不再局限于知识传承，而更是知识的创新。未来学校教育必须教会学生如何与人工智能技术协同合作，呵护学习者“能学”，以及高度重视学生辨析知识能力的培养，召唤学习者“会学”，促进学习者在人机交互中实现知识更新与创造。
人工智能变革学习方式带来创造力与活力释放可能
人工智能已经引发了诸多领域与行业的深刻变革，对教育的系统性变革更是呼之欲出，为学习方式的变革带来了可能。首先，人工智能技术带来规模化教育的个性化可能。人工智能构建的智慧学习环境不仅创造灵活的学习空间，还能感知学习情境、识别学生特征，为学生提供个性学习支持。其次，人工智能技术带来标准化教育下的适应性可能。人工智能通过动态学习诊断、反馈与资源推荐的自适应学习机制，可以适应学生动态变化的学习需求，从而打破标准化的教育限制，释放出学生的创造力与活力。最后，人工智能改善结构化的授导方式，释放教师的创造力与教学活力而专注于人性化的学习设计。教师烦琐重复性的工作能够被智能机器所替代，智能分析技术能为教师精准定位学生的学习问题与需求，教师的角色将转向更加优秀的学习设计师，专注于“如何让学生学好”，注重培养学生的能力和思维，将更多时间用于学习活动设计以及与学生的个性化互动交流，为学生提供个性化学习支持服务。人工智能的发展以及与教育教学的深度融合，给教育的改革创新带来了更多选择，教育需要发挥技术的赋能、增能、使能优势满足教育的功用性追求，也要坚守教育的育人初心和使命传递人文性价值，以学生的成长发展为前提探索可以实践的学习方式、学习设计，通过人工智能释放出教育的更大活力。
人工智能引发领域与行业变革催生教育生态升级
人工智能对其他领域与行业的变革影响也会延伸到教育领域，因为教育是关乎社会发展全局的事业。一方面，人工智能所发挥的增强、替代、改善、变革等作用，突出体现在对社会生产和生活各个领域所产生的行业重塑作用，以及对人力的释放。另一方面，这些重塑作用和人力的释放，引发了社会领域与行业的变革，促使了社会人才需求的转向；而教育是社会人才资源输出的重要领地，需要为此作出有力回应，从而催生教育生态升级。人工智能加速了教育深化改革的进程，推动了系统内部的更新再造。数字技术已经对教师学生、课程、教学方式、学习体验、评价、管理等教育要素产生了深刻影响，并通过逐步的再造教育流程，变革着教育生态。而人工智能则在进一步加速这一过程，以一种颠覆性创新的态势，拓展系统内各要素的内涵，改善和延展系统内部关系，重塑教育系统功能与形态。人工智能拓展了教育边界，助推未来学校建设。未来学校将借助技术的力量，把校外学习场所（如科技馆、博物馆）和线上学习场所都纳入“学校”的范畴，整合社会各领域的教育资源，形成一种全新的育人环境。同时，数字孪生等新技术促进现实空间与虚拟空间的交互融合，通过创建人、物、环境数字孪生体，实现物理空间与数字空间的双向映射、动态交互和实时连接。对教育系统内部的升级改造以及空间资源的拓展，能够使其更好地与社会领域衔接，更好地提供适应未来生活和工作的创新人才成长场所。
人工智能关乎强国战略目标实现
教育应服务于国家战略布局，为抢占人工智能发展先机，构筑先发优势；为国际竞争、社会发展输出创新人才，支持科学技术的自主研发。当前，世界各国纷纷把发展人工智能上升到国家战略的高度，以抢占新一轮科技革命的机遇高点以及全球竞争中的主动权。《新一代人工智能发展规划》提出我国要“成为世界主要人工智能创新中心”的战略目标，全局部署了经济、教育、科技、社会发展和国家安全等重要方面。教育强国战略是科教兴国战略、人才强国战略和创新驱动发展战略等重要战略的逻辑起点，人工智能对教育的人才培养能力提出更高要求。近年来，世界各国在发展人工智能的同时也面临巨大挑战，如创新人才问题、高新技术自主可控问题等。人工智能的国际竞争本质是人才的较量，这需要教育从战略层面予以回应。因此，教育在战略上起引领作用，就要既充分发挥智能技术优势推动教育生态系统升级，又谋篇布局为国家发展提供人才支撑。立足技术与教育在角逐中互为塑造的视角，对人工智能促进未来教育发展的探索，更需要在战略上把握先机，通过教育为社会各领域输出创新人才，支撑社会各领域转型升级以及人工智能等高新科技的创新发展，为强国战略注入持续活力与能量。
教育在与技术的角逐中共同推动社会的发展。教育具有超前性、人文性、传承性、战略性及生态性等特点。在人工智能技术的指数式发展面前，教育的超前性变得难以维系；需要慢工出细活的人文性与满足社会用人需求的工具性之间呈现时空拉锯和矛盾；对人类知识的传承则变身为历史传承、人际共创以及人机共创的多重特征。随着人工智能技术推动的发展加速，教育的发展战略、前瞻性谋划，是一个时不我待、任重道远的重要课题。
（作者：顾小清，系国家社科基金重大项目“人工智能促进未来教育发展研究”首席专家、华东师范大学教育信息技术学系教授）
(责编：郝孟佳、孙竞)分享让更多人看到
人工智能：让机器拥有学习能力
最近，国内外掀起了一阵讨论人工智能的热潮，其背后主因是以谷歌和脸书为代表的高新技术企业广泛应用机器学习以及深度学习技术开始显现出了良好的效果。特别是在语音识别和图像识别两个领域，这几年的提升非常快。谷歌在2014年将语音识别的精准度从2012年的84%提升到98%，而脸书的人脸识别精度在短短几年里甚至超过人类肉眼的水平。
与此同时，各大企业开始了一场抢夺人工智能人才的大战，比如谷歌设立了“谷歌大脑计划”，并在2014初斥资5亿美元收购了人工智能创业公司DeepMind。国内的搜索巨头百度也不甘示弱，高薪从谷歌挖来了斯坦福大学人工智能专家吴恩达负责“百度大脑计划”。那么，人工智能到底是什么？其经过了什么样的发展历程？未来的人工智能到底会是什么样子？就此，科技日报记者采访了日本KDDI研究所研究员、通讯与网络专家吴剑明博士。
人工智能是如何出现的？
吴剑明博士称，人工智能的概念早在大约60年前就出现了。在1956年美国达特茅斯大学召开的世界第一次人工智能会议上，由当时就职于麻省理工学院的约翰·麦卡锡教授提议并推动后，人工智能概念就成为了一个热门话题。不过在这60年里，人工智能的发展几度起起伏伏，有过红红火火的日子，也有过被打入冷宫受尽白眼的岁月。
那么到底什么是人工智能呢？为什么人工智能之路会如此的沧桑坎坷呢？吴剑明说，顾名思义，人工智能就是让机器拥有学习能力，甚至能够像人类一样去思考工作。在人工智能的早期，有些科学家非常乐观地认为，随着计算机的普及和CPU计算能力的提高，人工智能的实现指日可待。不少早年的科幻电影描述，到了2000年，机器人几乎无所不能。但事实证明，人工智能的发展没有预期的那么美好和顺利，因为人类对人脑机制的理解还是有道迈不过去的坎儿。
一般人看来，人工智能属于计算机科学的范畴，但实际上人工智能覆盖了计算机科学、数学、心理学、哲学和语言学等几乎所有自然科学和社会科学学科，要想有所突破，仅仅靠精通计算机的专家学者和技术人员是远远不够的。幸运的是，强攻不果，迂回之战却有了突破，近年来随着机器学习以及深度学习技术的成熟，人类离人工智能的梦想实现还是实实在在地迈出了一大步。
发展历程：从经典数理逻辑到专家系统
人工智能从出现发展到现在，经历了一个比较曲折的过程。
吴剑明指出，人工智能从1956年概念建立至今，最初的30年是逻辑学派占主导地位，主要是因为逻辑推理和启发式搜索在智能模拟中避开了当时知之甚少的大脑思维规律中深层次的复杂问题，利用了比较成熟有效的逻辑学方法。这在当时计算机性能不高、普及率也很低的条件下显得简单灵活、见效快，是一个捷径。通过计算机实现的人工智能很快在定理证明、问题求解、模式识别等关键领域取得了重大突破，崭露头角。于是早年的科学家们乐观地认为，人工智能与传统计算机程序的本质差别在于它能够进行逻辑推理，依靠逻辑推理定理的完善和计算机的高性能CPU以及大容量存储设备的普及，可以在不久的将来完全解决智能模拟问题。
吴剑明说，逻辑学派撇开大脑的微观结构和智能的进化过程，单纯利用程序或是逻辑学对问题求解的过程来模拟人类的思维过程，所以也被分类为弱人工智能。这种方法专注于建立被解问题的数学模型，即找到该问题输入和输出之间的数量关系，把它转化为一个数学问题，然后找到用计算机实现该数学问题的解决算法。然而经过对经典数理逻辑理论解决智能模拟问题进行深入研究后，科学家们才发现这条路是走不通的。主要原因在于，人工智能中的推理和搜索存在组合爆炸问题。也就是说，计算时间与问题的复杂度成几何级数正比，绝大部分人类的思维过程仅仅靠计算机的高速计算能力是无法模拟和解决的。吴剑明举了个通俗的例子来解释组合爆炸的严重性：一张纸折叠50次的厚度是多少？很多人直觉会认为就是黄页电话号簿的厚度。错了，答案是地球到太阳之间距离！这就是数学上几何级数的恐怖之处。此外，人类思维中的绝大部分问题都无法转化为一个数学问题，原因在于人类思维过程中充满了不确定性、矛盾和演化。而科学家们长期的实验也证明，人类在解决问题时并没有使用数理逻辑运算，人类思考的过程是无法用经典数理逻辑理论进行描述的。
吴剑明称，事实证明，通过经典数理逻辑的方法是实现不了真正的人工智能的，科学家需要找到其他办法来解决所遇到的难题。
他说，在此之后的10多年，也就是80年代开始，人工智能进入了专家系统发展的黄金时代。科学家们发现，人类之所以能快速高效地解决各种复杂问题，不仅是由于人有逻辑推理能力，更由于人具有知识，特别是有关领域的专门知识。这时期尽管也属于前面提到的弱人工智能时代，但确定了基于知识的逻辑推理在智能模拟中的重要地位，人工智能开始从实验室走向实际应用。
但在这个时期，专家系统的瓶颈问题也显现了，那就是知识获取的途径一直没有得到良好的解决，主要原因在于不像现在有互联网，有云计算，有无处不在的智能手机，那个时代专家知识库的构建常常是没有完备性和可靠性保证的经验知识，专家学者和技术人员不得不依靠各种经验性的非精确推理模型。而且，人类思维面临的实际问题中，只有很少一部分是可以确切定义的确定性问题，大部分是带有不确定性的问题。所以当知识工程深入到这些问题时，经典数理逻辑的局限性不可避免地暴露出来了。尽管弱人工智能时代使人工智能理论有了长足的发展和进步，但离实用还有比较大的距离，一直到2000年后机器学习和深度学习的出现，科学家们才发现终于找对了方向。
机器学习：其实是“旧瓶装新酒”
吴剑明指出，如果2000年前是弱人工智能时代，那么2000年之后就可以称为强人工智能时代。
吴剑明说，与弱人工智能相比，强人工智能在最近的十多年里慢慢成为主流。强人工智能又称仿生方法，这个方法认为，人工智能应该专注于模拟人脑的结构机制，也就是说通过计算机模拟人的思维过程，应该通过研究神经元的互相合作机制，而不是逻辑学运算过程。这一学派重视对人脑模型的研究，谷歌就是强人工智能技术的推土机之一。
吴剑明说，在传统上，如果我们想让计算机工作或是按照弱人工智能的方式运作，我们会给它编好一段段的指令，然后计算机就会遵照这个指令忠实地一步步执行下去，或是按照事先制定好的知识逻辑公式推导下去。有前因才会有后果。但这样的方式仍然只属于机器的范畴而不是人工智能。强人工智能和弱人工智能的区别就在于，它们不是接受事先安排好的指令或是逻辑推论，而是从输入的数据里自己发现事物的规律。
吴剑明所说的推动强人工智能迅速发展的机器学习技术。
他认为，近年来大放异彩的机器学习其实是“旧瓶装新酒”。早在1956年人工智能概念出现后不久，就有了对机器学习的研究，但之后迟迟没有进展。和前面提到的专家系统类似，原因在于那个时代知识或是数据获得的途径非常少，难度以及成本又非常大。
机器学习的思想并不复杂，它模拟人类在生活中学习成长的过程，从数据中自动分析获得规律，并利用规律对未知数据进行预测。因为机器学习算法中涉及了大量的统计学理论，所以也被称为统计学习理论。
换句话说，机器学习的本质就是将人的操作/思维过程的输入与输出记录下来，然后统计（又叫做训练）出一个模型用来对新的数据进行预测，使得这个模型对输入输出达到和同人类相似的表现，这种方式也慢慢成了现代强人工智能最基本的核心理念。
大家直观地想象一下人和机器的区别在哪里？其实不在于弱人工智能强调的计算能力、存储能力，或是推理能力，任何人和机器最大的区别在于，人类在成长、生活过程中积累了很多的历史与经验，人类会定期对这些经验进行“归纳”，获得生活的“规律”。当遇到未知问题时，人类会使用这些“规律”对未来进行“推测”，从而指导自己的生活和工作，甚至于去创造新的东西出来。我们老祖宗说得好，“以史为鉴，可以知兴替；以人为鉴，可以明得失”，这与机器学习的思想是极为接近的。机器学习中的“训练”与“预测”过程，也可以分别精确地一一对应到人类的“归纳”和“推测”过程。
吴剑明说，随着现代互联网和个人计算机的普及，以及智能手机的崛起，海量数据和知识的获得变得非常容易和低成本了，这也直接促进了机器学习的飞速发展和实用性的迅速提高。当训练数据的样本足够大，学习算法方向对头的话，就有望接近极限，达到甚至超过人类的能力。比如前几年“谷歌大脑”通过从网络上的上千万张图片学习建立各种各样的猫的品种、颜色、姿势和拍摄角度等特征量，然后对于任意一张图片，它就可以从中把“猫”准确地识别出来。
深度学习：技术进步使之终有用武之地
吴剑明指出，现在除了机器学习，人工智能还出现了一个叫“深度学习”的概念。深度学习是机器学习研究中的一个新的领域，和机器学习相比，它让人工智能又前进了一步。深度学习在机器学习的基础上进一步深入模拟人脑进行分析学习的神经网络，它模仿人脑的机制来训练和预测数据，例如图像、声音和文本。
2012年6月，《纽约时报》披露了应用深度学习的“谷歌大脑计划”，吸引了公众的广泛关注。这个项目的主导之一就是斯坦福大学人工智能专家吴恩达。这一项目用16000个CPUCore的并行计算平台，训练一种称为“深度神经网络”（DNN）的机器学习模型（内部共有10亿个节点），在语音识别和图像识别领域获得了巨大的成功。
吴剑明介绍，和大多数机器学习技术需要事先给训练数据提取特征做标注不同，深度学习直接把海量数据投放到算法中，系统会自动从数据中学习。比如“谷歌大脑”识别猫的算法，在训练数据的时候不用告诉机器“这是一只猫”，深度学习系统自己找到了什么是“猫”这个分类。
机器学习所需要的提取特征做标注，其实需要人工的专业知识和经验，有的时候能不能选好甚至于需要一定的运气。由于这部分人工操作对最终算法的准确性起到非常关键的作用，不但非常消耗时间和精力，且如混入一些模棱两可或是错误的数据，那么很可能会前功尽弃，事倍功半。
既然手工选取特征不太好，人类也不可避免的有主观偏差，那么能不能自动地学习一些特征呢？吴剑明指出，深度学习就是用来干这个事情的，它的一个别名UnsupervisedFeatureLearning，顾名思义，Unsupervised的意思就是不要人参与特征的选取过程。
吴剑明介绍说，这类研究最早起步的契机是，研究瞳孔与大脑皮层神经元的对应关系的科学家们发现了一些有趣的现象，人眼和大脑合作识别看到物体时，通过神经元互相合作很可能有一个分层次识别过程。具体的讲，从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现像素色块间边缘的局部变化特征），然后下一步抽象（大脑皮层判定眼前的物体的形状、颜色、质地等），最后再进一步抽象（从周围的场景、物体和物体间的空间位置关系等等）确定识别的物体。
深度学习正是运用了类似的分层次抽象思想，更高层次的概念从低层次的概念学习得到，而每一层都自底向上，对没有人工标注的数据进行学习，最后再用人工监督自顶向下反向进行调优。这一点也为深度学习赢得了重要的优势。
吴剑明表示，现在欧美、日本，包括我们中国的学术界都对深度学习非常关注，深度学习的威力目前在语音识别和图像识别上得到了很好的验证。不过在自然对话、自我进化机器人等人工智能更高深的领域里，它的效果还有待进一步考察。有意思的是，深度学习也是“旧瓶装新酒”，它的思想其实来自于上世纪80年代成熟的人工神经网络技术（ANN）。人工神经网络同样包含输入层、输出层以及中间的若干隐层，每层都有若干结点及连接这些点的边，在训练数据集上会学习区分超平面，从而建立模型。但后来科学家们发现，当时科学家们发现的人工神经网络实用性很差，究其原因，是由于巨大的计算量使得人工神经网络只能包含少许隐层，从而限制了性能。花费了大量人力物力之后，科学家们发现，只有少数几个特殊场景可以成功应用。所以到上世纪90年代开始，人工神经网络失去了关注和经费，成为了食之无味、弃之可惜的鸡肋行业。
但为什么一个上世纪90年代被放弃的技术又重新回到了万众瞩目的地位呢？因为80年代虽然理论基础完备，但真正到达实用所需要的数据和计算能力都不具备。近年来，随着互联网的发展，计算机硬件的价格下降，以及谷歌这样“怪物级”高科技公司的存在，以前高不可及的困难也终于有了解决的可能性。另外，功夫不负有心人，深度学习领域最重要的科学家、多伦多大学的辛顿教授带领的团队一直没有放弃对人工神经网络技术的研究，2006年他在《科学》上发表了一篇文章，解决了神经网络在计算上的难题，同时也说明了深层神经网络在学习上的优异性。辛顿教授提出的新理论大幅度降低了多层神经网络训练上的计算量，减少了训练偏差，和传统机器学习相比，优势明显。从此，神经网络重新成为了机器学习界中的主流学习技术。神经网络改头换面，为深度学习开启了学术界和工业界的新浪潮。
吴剑明指出，深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。区别于传统的机器学习，深度学习的不同在于：首先，强调了模型结构的深度，通常有5层、6层甚至10多层的隐层节点；其次，明确突出了无监督特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与机器学习所需要的依靠人工建立特征的方法相比，利用大数据来自动提取学习特征，是我们朝着真正的人工智能迈进的又一步。
在另一方面，和传统人工神经网络的迭代训练需要过于复杂的计算量不同，深度学习并不同时训练所有层，辛顿教授提出了更为有效的降低训练上的计算量和减少训练偏差的方法。简单的说，就是自底向上每次只训练一层网络，通过非监督学习“逐层初始化”（layer-wisepre-training）网络，当所有层训练完之后，再自顶向下反向调教（backpropagation）优化。打个比方，人类的大脑发育初期，大脑每一部分的职责分工并不是明确的，我们对外界事物的理解由浅到深也是出自于本能或是实践，而去了学校学习后则可以通过后期教育来纠正自己错误的认识，进而对事物有更为体系和深入的理解。
即使这样，深度学习也是需要很大的计算量的，好在近年来，得益于计算机速度的提升、大规模集群技术的兴起、GPU的应用以及众多优化算法的出现，耗时数月的训练过程可缩短为数天甚至数小时，深度学习终于在实践中有了用武之地。
未来发展：通过仿生学思路实现突破
吴剑明指出，目前世界各科技发达国家人工智能的发展路线不尽相同。和其他科技领域有些相像，在人工智能行业，一直是欧美在带头创造新理论，而日本则是在改良和应用上下工夫。相对来说，日本在硬件方面，比如机器人的精密机器制造、机器人仿人运动方面有优势，但在关键的人工智能理论方面，新创或是原创的理论很少，所以不管在学术界还是在产业界，目前看来还不如欧美，特别是美国那么活跃。此外，可能和日本经济的长期不景气有关，近年来一些日本大公司对研发投入的决心和长期眼光还不够。比如在语音识别领域，由于谷歌走在了前面，一些日本大公司干脆就放弃了自家的语音识别技术转而使用谷歌的技术。但这样一来，人工智能的关键入口和背后的大数据就被谷歌给夺走了，这也导致在人工智能领域很难再翻身超越。
至于哪个路线的未来性更大，吴剑明表示，尽管机器学习和深度学习在语音、图像、文本识别上有了长足的进步，也让计算机变得聪明智能了很多，但和人类所具有的智能相比，仍然有本质区别。比如计算机能精确识别人脸、物体，但是却无法识别如张三闯红灯、李四喝醉了这样更为抽象的场景。
人类具有丰富的联想能力、理解能力、创造能力，要实现这些能力而又不通过建立人脑类似的机制，就会绕很大的弯路，几乎是不可能的。要真正实现强人工智能，必须借鉴人脑先进结构和学习思维的机制，再通过深度学习这样的方法进行规模、结构和机理上的模拟，通过仿生学思路实现人工智能的突破。
当然，人类是从低等生物经历几十亿年、在地球生态圈这么庞大的空间中进化而来，要获得人类这样充足的进化时空环境几乎是不可能的。在没有完全弄清大脑原理之前，通过模仿部分人脑原理来逐步渐进，可能是比较现实的办法。比如谷歌在收购DeepMind之后明确表示，不会首先将其应用在机器人部门，而是先从基础的语义识别开始。而百度也是将深度学习技术应用在具体的用户服务方面，比如说提高中文语音识别率、完善图像识别能力。所谓循序渐进，按部就班，就像人类一样有五感才会有思考，把人工神经网络低层的学习水平给完善了，才会有更抽象的高层的学习水平的突破。从这点来看，应该对深度学习未来进一步的理论发展充满希望。
吴剑明表示，深度学习运用在各个单独领域比如声音识别、图像识别时已经得到了很好的效果，当计算机不需要被事先告知明确数据含义，下一步能够融合吸收和理解各个部分的数据，起到1+1>2的作用时，人工智能也许将会被真正兑现。
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.