人工智能可能给劳动力市场带来哪些影响
人工智能对与人们来说并不是一个陌生的词汇，它的应用也正在改变着人们的生活习惯。如今，随着人工智能技术的不断成熟，其应用范围也越来越广泛，在不久的将来甚至可能给中国劳动力市场带来巨大的影响。
随着互联网+、大数据、云计算等相关技术的发展，人工智能很有可能会引发新一轮的科技革命浪潮，并对经济社会发展的各个方面产生重要影响。本文着重研究中国人工智能行业迅猛发展可能给劳动力市场带来的影响。有两个主要推论：
1.人工智能与自动化技术对劳动力市场的影响有两面性：一方面会替代很多劳动力，引起失业；另一方面也会创造新的工作岗位需求，促进就业。由于人工智能对就业市场的总数量影响取决于两种作用的相对大小，但确实存在结构上的差异性效果——相对弱势的劳动者更容易被替代，这种非同质化的影响可能会导致就业市场相关的一系列其他社会问题。
2.根据模型预测，到2049年中国将有2.78亿劳动力被人工智能替代，在这2.78亿人中，女性、老年人、受教育程度低和低收入劳动力被替代的概率和范围相对更大，政策制定要提前加强有针对性的职业教育和培训，并通过补贴等手段调整分配模式，以维持社会平等、保障社会和谐。
对劳动力市场的整体影响有异质性
为了抓住人工智能经济带来的新发展机会，多国都出台一系列刺激人工智能发展的规划纲要或政策文件，中国也希望成为世界主要的人工智能创新中心。随着人工智能在中国的不断发展，其对劳动力市场将产生一系列潜在影响，并关系到居民收入、平等与社会稳定。
首先，人工智能无疑是一种技术进步，能够对劳动力产生明显的替代性作用。然而与工业革命以来的“机器代替体力劳动”的替代模式不同，人工智能正逐渐将“智能”融入生产过程。它不仅要求机器的灵巧性逐渐接近人类的能力，更重要的是，使机器逐渐具备作为人类“思考”的能力，这使得人工智能可以对劳动者产生更大程度的替代。
然而，人工智能对劳动就业也有积极一面的影响。例如，云计算支持了网购平台的蓬勃发展，使得与网络购物紧密相关的快递等行业走向繁荣并带动了大量就业，这就是“互补效应”的典例。再如，随着人工智能行业的发展，会创造一些新的岗位，如需要劳动力进行数据标注，以用于人工智能模型的监督学习（supervisedlearning）训练，这就属于“创造效应”的典例。
总体而言，人工智能对于就业产生的总影响还有待进一步计算，但人工智能对劳动者的替代作用确实存在且不同质，一些相对弱势的劳动者更容易被新技术替代，这将会加剧收入的不平等程度。已有的研究为上述观点提供了一些证据，如Autor、Dorn和Hanson（2015）研究了1980年至2007年贸易和技术对美国劳动力市场的影响，发现引入计算机后，未显着减少净就业，但是对不同特征的劳动力影响存在明显差异。这一研究也是主要关注人工智能对劳动力的替代效应，尤其关注人工智能对不同特征的劳动者的替代效应是否有所不同。
不同行业和职业的替代概率不同
接下来，通过分析和计算人工智能应用率，并结合Frey&Osborne（2017）估计的人工智能理论替代概率，估算人工智能对中国各种职业的实际替代概率。
结果显示，到2049年中国将有2.78亿劳动力（不同应用率下结果是2.01亿至3.33亿）被人工智能替代，占中国当前就业人数的35.8％。
就不同特征的劳动力而言，人工智能的替代效应也各不相同。研究发现人工智能对女性、老年人、受教育程度低和低收入的劳动力有较大替代作用。这一结论表明，人工智能对劳动力市场所带来的替代效应并不是中性的，而是对劳动力市场中的相对弱势群体产生了更大的影响，这很有可能会进一步加剧他们的弱势地位。
接下来，该研究还预测了城市和农村各个行业中被人工智能替代的就业人数，其中，中国将有1.42亿城市劳动力被人工智能替代，占城市总就业人数（4.34亿）的32.7%。同时，中国农村劳动力中将有1.35亿人被取代，占农村劳动力总数（3.42亿）的39.5%。具体而言，城市中就业替代数量最大的三个行业是制造业，交通运输、仓储和邮政业，以及农林牧渔业。中国农村中就业替代数量最大的三个行业是农林牧渔业、制造业和建筑业。
应当注意的是，这一研究仅仅对人工智能对中国劳动力的替代效果进行了预测，这一预测并没有考虑人工智能可能带来的其他贡献，包括在中国应对人口老龄化、促进和创造就业等方面可能发挥的互补效应和创造效应。但是本研究对替代效应的预测仍然为研究自动化和人工智能对中国劳动力市场的影响提供了第一手实证证据：尤其应当考虑人工智能对不同特征的劳动力的不同影响，以制定更加合适的政策。
在政策方面，首先要更加重视人力资本投资的重要性，不断提升中国劳动者的人力资本。中国应该采取更多措施，来帮助劳动力市场中相对弱势的群体（如女性、低教育程度、老年人和低收入群体），特别是通过职业教育或培训来提升其劳动技能和人力资本，从而尽可能地避免人工智能的负面影响。这一研究还建议关注人工智能对劳动者福利的影响，尽量减少由于就业机会减少和工资增长放缓导致的福利损失。
最后，政府还应该关注人工智能可能造成的社会两极分化和不平等现象。随着人工智能的发展，劳动力将至少分化为两个不同的群体——高技能群体和低技能群体，两者将面临完全不同的工作机会和收入水平，而这种社会分化将会进一步加剧不平等和社会矛盾的激化。为了解决这些问题，政府可以发挥税收和转移支付制度的作用。例如，对人工智能设备或机器人征税，补贴被替代的劳动者或者用以提高他们的工作技能。此外，此项税收也可用于解决老龄化造成的养老金短缺问题。
（原标题：人工智能将如何影响中国劳动力市场？）
人工智能应用：影响人脸识别的因素
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。尽管已有30多年的研发历史目前，但人脸识别产品仍然受光照、视角、遮挡、年龄等多方面因素的影响。
1.光照问题
光照变化是影响人脸识别性能的最关键因素，对该问题的解决程度关系着人脸识别实用化进程的成败。由于人脸的3D结构，光照投射出的阴影，会加强或减弱原有的人脸特征。尤其是在夜晚，由于光线不足造成的面部阴影会导致识别率的急剧下降，使得系统难以满足实用要求。
同时，理论和实验还证明同一个体因光照不同引起的差异，大于同一光照下不同个体之间的差异。光照问题是机器视觉中的老问题，在人脸识别中的表现尤为明显。解决光照问题的方案有三维图像人脸识别和热成像人脸识别。但这两种技术还远不成熟，识别效果不尽人意。
2.姿态问题
人脸识别主要依据人的面部表象特征来进行，如何识别由姿态引起的面部变化就成了该技术的难点之一。姿态问题涉及头部在三维垂直坐标系中绕三个轴的旋转造成的面部变化，其中垂直于图像平面的两个方向的深度旋转会造成面部信息的部分缺失。使得姿态问题成为人脸识别的一个技术难题。
针对姿态的研究相对比较的少，目前多数的人脸识别算法主要针对正面、准正面人脸图像，当发生俯仰或者左右侧而比较厉害的情况下，人脸识别算法的识别率也将会急剧下降。
3.表情问题
面部幅度较大的哭、笑、愤怒等表情变化同样影像着面部识别的准确率。现有的技术对这些方面处理得还不错，论是张嘴还是做一些夸张的表情，计算机都可以通过三维建模和姿态表情校正的方法把它纠正出来。
4.遮挡问题
对于非配合情况下的人脸图像采集，遮挡问题是一个非常严重的问题。特别是在监控环境下，往往被监控对象都会带着眼镜、帽子等饰物，使得被采集出来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人脸检测算法的失效。
5.年龄变化
随着年龄的变化，一个人从少年变成青年，变成老年，他的容貌可能会发生比较大的变化，从而导致识别率的下降。对于不同的年龄段，人脸识别算法的识别率也不同。这个问题最直接的例子就是身份证照片的识别，在我国身份证的有效期一般都是20年，这20年间每个人的容貌必然会发生相当大的变化，所有在识别上也同样存在很大的问题。
6.人脸相似性
不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的。
以模仿某个明星为目标的化妆、整容等人为因素加大了这个问题的难度。尤其是双胞胎的问题，人脸识别系统究竟能不能正确的识别出来，这个其实在学术界也是有争论的。有专家认为双胞胎根本不应该靠人脸识别技术进行分辨，它是没法用人脸识别技术来准确进行区分的。
7.动态识别
非配合性人脸识别的情况下，运动导致面部图像模糊或摄像头对焦不正确都会严重影响面部识别的成功率。在地铁、高速公路卡口、车站卡口、超市反扒、边检等安保和监控识别的使用中，这种困难明显突出。
8.人脸防伪
伪造人脸图像进行识别的主流欺骗手段是建立一个三维模型，或者是一些表情的嫁接。随着人脸防伪技术的完善、3D面部识别技术、摄像头等智能计算视觉技术的引入，伪造面部图像进行识别的成功率会大大降低。
9.样本缺乏
基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法，但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布，能得到的样本只是对人脸图像空间中的一个极小部分的采样，如何解决小样本下的统计学习问题有待进一步的研究。此外，现在参与训练的人脸图像库基本都是外国人的图像，有关中国人、亚洲人的人脸图像库少之又少，给训练人脸识别模型增加了难度。
10.图像质量问题
人脸图像的来源可能多种多样，由于采集设备的不同，得到的人脸图像质量也不一样，特别是对于那些低分辨率、噪声大、质量差的人脸图像（如手机摄像头拍摄的人脸图片、远程监控拍摄的图片等）如何进行有效地人脸识别是个需要关注的问题。同样的，对于高分辨图像对人脸识别算法的影响也需要进一步的研究。现在，我们在人脸识别时，一般采用的都是相同尺寸，清晰度很接近的人脸图片，所以图像质量问题基本可以解决，但是面对现实中更加复杂的问题，还需要继续优化处理。
人脸识别技术已广泛应用于金融、司法、安保、边检、航天、电力、教育、医疗等领域。尽管存在很多弊端，但随着智能计算视觉等相关技术的进一步完善和社会认同度的提高，人脸识别技术将应用到更多的领域。未来，它与其他生物识别技术的有效结合必将大大提高身份识别的准确度。
文章载自：
[1] 影响人脸识别的因素[DB/OL]. https://zhuanlan.zhihu.com/p/51291033，2018-12-01