第14章
重新设计工作岗位

在人工智能和互联网出现之前，计算机爆发了革命。计算机让计算（尤其是把许多东西加起来的过程）变得廉价了。使簿记工作简便化的软件，属于第一批杀手级应用。

计算机工程师丹·布里克林（Dan Bricklin）在攻读工商管理硕士学位时，为了评估哈佛商学院案例中的不同情景，他需要没完没了地做运算，对此他感到无比沮丧。就在这时，他想到了计算机的这一功能。于是，他编写了一套计算机程序来执行运算，发现它用处太大了。他跟鲍勃·弗兰克斯顿（Bob Frankston）一起，为Apple　Ⅱ开发出了VisiCalc。VisiCalc是个人计算机时代的第一款杀手级应用程序，也是许多企业第一次将计算机搬进办公室的原因。它不光将运算时间减少到了原来的百分之一，还使企业得以分析更多的场景。

当时，负责执行计算活动的是簿记员，全美有超过40万人从事此工作。电子表格把他们耗时最多的事情——做算术消除掉了。你大概以为簿记员会失业。然而，我们从来没听到过哪首歌是在哀叹簿记员丢了工作的，也没有过簿记员奋起反抗，阻碍电子表格最终的普遍应用。为什么簿记员并不将电子表格视为威胁呢？

因为VisiCalc实际上提升了簿记员的价值，它让计算变得简单了。你可以很轻易地计算出自己可能得到的利润，以及如果你改变不同的前提条件，利润会出现怎样的变化。它能够反复重新计算，提供企业的动态图，而不只是概况。你不但能看出一项投资赚不赚钱，还可以比较不同预测下的多项投资，进而选择其中的最佳者。总得有人来判断哪些投资值得一试。电子表格能轻松为你提供答案，在此过程中，它还能极大地提高“提出恰当的问题”所带来的回报。

同一批人，在电子表格出现之前，辛辛苦苦地计算答案；在电子表格出现之后，成为向计算机电子表格提出恰当问题的最佳人选。他们没有遭到取代，反而像获得了超能力，变得更强了。

这类情形（即机器接管部分而非全部任务时，工作的效益反而增加了）可能会越来越普遍，它是人工智能工具得到应用后的一种自然结果。工作的任务构成将会被改变。随着预测机器的接管，一部分任务会被移除，另一些任务则会因为人们有了更多时间去做而变多。此外，对很多任务来说，从前的基本技能会发生改变，新的技能将取而代之。就像簿记员成了电子表格高手那样，人工智能工具的诞生将导致大范围内的工作岗位得到重新设计，这将产生同样戏剧化的结果。

我们应用人工智能工具的过程将决定你应该侧重哪个结果。它包括对整个工作流程进行评估，无论它们是岗位内的，还是跨岗位的（甚至跨部门或跨机构的），然后将工作流程拆解为各个任务成份，并观察你能不能在这些任务中充分利用预测机器。接下来，你必须将任务成份重组成不同的岗位。

自动化里缺失的环节

在某些案例中，人们的目标是把与某一岗位相关的每一项任务都自动化。人工智能工具不太可能单靠自己就成为这一进程的催化剂，因为那些有望实现完全自动化的工作流程涉及一系列无法（轻易）回避的任务，哪怕是起初看起来技术含量不高也不重要的任务。

1986年，“挑战者”号航天飞机失事，事故原因是，火箭助推器里的一个零件失效了，这是一枚直径不到半英寸的O形密封圈。这个零件失效了，意味着航天飞机不能飞了。当一项任务完全自动化时，一个失效的零件就有可能让整个航天实验脱轨。你需要考虑每一步。这些小任务有可能是自动化里极困难且缺失的环节，从根本上阻碍了人们对工作岗位的改造。因此，能够处理这些缺失环节的人工智能工具能够带来实质性的效果。

以仓储行业为例，过去20年，网上购物快速增长，该行业也飞速发展。仓储是零售业（尤其是电子商务）的核心环节。它指的是商家接到订单后，找到货品，并将之配送至特定客户的过程。在电子商务中，仓储包括多个步骤，例如在大型仓库设施中定位物品，从货架上取下物品，进行扫描以便管理库存，将它们放进包装盒、装箱、标记箱子，以及将它发送到配送环节。

机器学习的许多早期实践都与库存管理有关：预测哪些产品会卖出，哪些因需求低而不需要重新订货，等等。这些已确立的预测任务数十年来一直是线下零售和仓储管理的关键部分。机器学习技术让这些预测变得更好了。

过去20年，订单交付过程的大部分环节都得到了自动化。例如，研究发现，履单中心的工作人员会把半数以上的工作时间用于在仓库中来来回回查找物品，和把它们放进包装盒上。于是，几家公司开发了一种自动化流程，把货架传送到工人身边，以减少工人的行走时间。2012年，亚马逊以7.75亿美元收购了该领域的领头公司Kiva，并逐渐不再向Kiva原有的其他客户提供服务。其他供应商随后出现，以满足内部履单中心和第三方物流公司日益增长的需求。

尽管自动化程度很高，履单中心仍然雇用了大量员工。基本上，虽然机器人可以将物品送到人身边，但仍然需要有个人来“分拣”，也就是说，需要弄清楚什么东西到了什么地方，接着把物品拿起来，移动它。最后一点的挑战性最大，因为抓握其实非常困难。只要人类还在发挥这一作用，仓库就无法完全利用自动化的潜力，因为仓库需要维持对人类友好的环境：正常室温，有行走空间、休息室、洗手间、防盗窃的监控设施，等等。这些都是不小的开销。

人类将继续在履行订单的过程中发挥作用，是因为我们在抓握方面（伸手、把东西拾起来、放到别处）有着相对更好的表现。迄今为止，这项任务没有实现自动化。

因此，在繁忙的节假日，仅亚马逊就聘用了4万名全职分拣工和数万名兼职人员。人类分拣工每小时大约可进行120次分拣。许多处理大批量订单的企业都想使分拣的环节自动化。过去四年，亚马逊主办了亚马逊分拣挑战赛（Amazon Picking Challenge），聚焦于非结构化仓库环境下的自动化分拣，激励全世界最优秀的机器人团队来解决老大难的抓握问题。尽管来自麻省理工学院等机构的顶尖团队已经着手研究这一问题，其中许多团队还使用了先进的工业级机器人设备（分别来自百特、莫托曼、优傲、ABB、PR2和Barrett Arm），然而，截至本书撰写时，他们仍未在工业用途层面找到一个满意的解决方案。

机器人完全能胜任汽车组装或飞机驾驶的工作。那么，它们为什么不能在亚马逊的仓库中拾起物品并将之放到盒子里呢？相比起来，这项任务看起来太简单了。机器人能够组装汽车是因为汽车零件高度标准化，组装过程也十分常规。然而，亚马逊仓库里的非矩形物品有着几乎数不尽的形状、尺寸、重量和硬度，它们摆在货架上，位置和朝向还各有不同。换句话说，仓库分拣问题有着数量无限的“如果”，而汽车组装厂里的抓取动作则经过设计，只执行极少的“如果”。因此，要在仓库环境下分拣，机器人必须能够“看到”物品（分析图像），预测合适的角度和压力，以便承托物体，不让它掉在地上或压碎它。这也就是说，预测是抓取履单中心里各种各样物体的基础。

针对抓取问题的研究借助了强化学习来训练机器人模仿人类。总部位于温哥华的初创公司Kindred的创办人是苏珊娜·吉尔德特（Suzanne Gildert）、乔迪·罗斯（Geordie Rose），以及一支包含本书作者之一（阿杰伊）的团队。该公司正使用一台名叫“Kindred Sort”的机器人。该机械臂结合了自动化软件和人类操作员。自动化软件负责识别物体，并判断它需要去的地方，而人类则戴着虚拟现实头盔，操作机械臂，拾起并移动物体。

在第一次迭代中，人可以坐在远离仓库的地方，填补履单工作流程的缺失环节，即远程操作机械臂，判断接近的角度和抓取的力度。不过，长期来看，Kindred正在通过远程操作预测机器来观察人类的抓取，从而教会机器自己完成这部分任务。

我们应该停止培养放射科医生吗

2016年10月，在我们举办的关于机器智能的颠覆性创新实验室年会上，深度学习神经网络先驱杰弗里·欣顿（Geoffrey Hinton）站在舞台上，对着600名观众宣称：“我们现在应该停止培养放射科医生了。”放射科医生工作的一个关键部分是解读图像，检测是否存在异常（异常往往暗示了疾病）。在欣顿看来，人工智能很快就能比任何人都擅长识别图像中有着医学意义的物体了。自20世纪60年代初，放射科医生们就在担心机器会取代自己。今天的技术有哪些不同呢？

机器学习技术在预测缺失的信息（包括识别和确认图像中的项目）方面表现得越来越好。获得一组新图像后，这些技术可以有效地对比数百万个过往案例（包括有疾病的和无疾病的），并预测新图像是否暗示了疾病的存在。这种预测疾病的图像识别就是放射科医生正在做的事情。

IBM及其沃森（Watson）系统，还有许多初创公司，都已经有了可用于放射学领域的商用人工智能工具。沃森可以识别出肺栓塞和一系列心脏问题。初创公司Enlitic（总部位于美国旧金山，致力于将深度学习运用到癌症等恶性肿瘤的检测中。——译注）利用深度学习来检测肺结节（这种做法很常见）和骨折（更复杂）。欣顿预言的核心便是这些新工具，但在放射科医生和病理学家中，它们却不过是讨论的话题。

我们的方法对放射科医师的未来有什么样的暗示呢？放射科医生将花更少的时间解读图像。根据对主治医生和放射科医生的采访，以及对既定经济原理的了解，在医学成像领域，人类专家将继续发挥以下若干关键作用。

第一，或许是最显而易见的，在短期和中期的未来，人类仍然需要为具体的患者判断图像。无论从时间上还是从（某些成像技术的）放射可能带来的健康隐患上来说，医学影像都有着不菲的代价。随着成像成本的下降，成像的数量将增加，因此，在中短期，成像数量上的增加可能会抵消识别每幅图像所缩短的人类工时。

第二，医学成像领域既有诊断放射医生也有介入放射医生。对象识别技术的进步给放射学带来了改变，从性质上看它属于诊断放射学。介入放射学使用实时图像来辅助医疗程序。目前，这需要人类的判断和灵敏的操作，而这两方面尚未受到人工智能进步的影响。当然，有了更好识别的图像，介入放射医生的工作或许会变得更容易。

第三，许多放射科医生认为自己是“医生的医生”。他们工作中的一个重要部分是，向主治医生解释图像的含义。棘手的地方是，放射科图像的解读（用他们的话来说，叫作“研究”）往往是概率性的：“有70%的概率是X病，20%的概率是没病，10%的概率是Y病。然而，从今天起往后两周，如果出现了这种情况，那么，是X病的概率达到99%，没病的概率只有1%。”许多主治医生没有接受过很好的统计学教育，很难理解概率和条件概率。放射科医生帮助他们解读数字，让他们可以与患者共同决定最佳治疗方针。随着时间的推移，人工智能也能进行概率阐释，但至少在中短期，放射科医生仍然有必要为主治医生“翻译”人工智能的输出信息。

第四，随着技术的提高，放射科医生将帮助训练机器解读新成像设备生成的图像。扮演这一角色的将会是少数超级明星级别的放射科医生。他们负责解读图像，帮助机器学会诊断。在人工智能领域，这些放射科医生利用自己优秀的诊断技能来训练机器。他们的服务将极具价值。他们不再是靠看病获得收入，而是通过向人工智能传授技术收费，或向自己训练出来的人工智能工具所检查的病人收费。

一如我们指出，诊断放射科医生工作的两个关键方面是检查图像，和将评估返回给主治医生。尽管这种评估往往是一种诊断（“患者几乎可以确定患有肺炎”），但许多情况下，评估结果是否定性的（“不排除肺炎”），它以预测的形式向主治医生告知患者可能的状况，以便后者设计治疗方案。

预测机器将减少不确定性，但并不总是能消除它。例如，机器可能会提供以下预测：

根据帕特尔先生的个人情况和影像，肝脏肿块有66.6%的概率为良性，33.3%的概率为恶性，0.1%的概率并非肿块。

如果预测机器给出的是简单明了、没有错误空间的预测（即只有良性或者恶性之分），该做什么就很明显了。此时，医生必须考虑是否安排侵入性检查，比如活检，以了解更多情况。安排活检是风险较小的决定，活检的确比较昂贵，但能产生更为确定的诊断结果。

从这个角度看，预测机器的作用是提高医生不进行活检的信心。此类非侵入性诊疗的成本较低（特别是对患者来说）。它们将告诉医生患者能否避免侵入性检查（如活检），让医生可以更放心地放弃对患者进行治疗和进一步分析。机器改进了预测后，将带来更少的侵入性检查。

因此，人类专家在医学成像中所发挥的第五个也是最后一个作用是，判断要不要进行侵入性检查，哪怕机器显示有足够高的概率不会出现问题。医生或许掌握着有关患者整体健康的信息，比如潜在的假阴性情况所带来的精神压力，或一些其他的定性数据。这些信息可能不容易编码，或机器无法获得，它们需要有着专业知识的放射科医生和主治医生展开对话，前者解读概率，后者理解患者需求。这些信息可能会让人类否决人工智能提出的不实施手术的建议。

综上所述，至少在中短期内，就使用医学影像方面而言，人类仍将担负这五项任务：选择图像；在医疗程序中使用实时图像；解读机器输出；训练机器接受新技术；根据机器无法获得的信息，进行判断，否定预测机器的建议。放射科医生有没有未来，取决于他们是否是承担这些任务的最佳人选，其他专家是否会取代他们，或者新的工作类别是否会得到发展，如放射科医生与病理学家兼而有之的一种岗位。（也就是说，这一类放射科医生可能在做完成像之后也能立即分析活检。）

不仅仅是司机

有些工作岗位可能会继续存在，但需要新的技能。特定任务的自动化，有可能凸显出另一些之前遭到低估、现在却很重要的工作任务。以校车司机为例。他的职责包括开着校车从学生的家到学校、再回到学生的家的这部分“驾驶”任务。随着自动驾驶汽车和自动驾驶的出现，校车司机的岗位本身会消失。牛津大学教授卡尔·弗雷（Carl Frey）和迈克尔·奥斯本（Michael Osborne）研究工作岗位所需要的技能类型时，得出结论：校车司机（有别于公交车司机）在未来10～20年有89%的概率被自动化工具取代。

如果校车司机不再驾驶校车往返于学校与学生的家之间了，地方政府就该把这些省下来的钱花掉吗？就算一辆大巴车是自动驾驶车辆，当前校车司机的职责也不仅仅是开车。首先，他们是负责监督一大群学龄儿童的成年人，保护他们远离大巴车之外的危险。其次，同样重要的是，他们会负责车内的纪律。在管理孩子以及让他们不互相伤害方面，人类的判断仍然有存在的必要。大巴车可以自动驾驶，但这不能消除这些驾驶以外的任务。这意味着，大巴车上的成年人可以把更多注意力放到这些任务上。

因此，以校车司机这一名义雇用的员工，其技能的组合会有所改变。跟今天相比，司机或许会变得更像老师。但这里的关键是，与工作岗位相关的任务自动化，并不一定意味着这一岗位里再没有了人的位置。从雇主的角度来看，还是要有人来承担这一工作岗位。从员工的角度来看，其风险在于能胜任这一工作岗位的可能变成了其他人。

任务的自动化迫使我们更审慎地思考是什么真正构成了一份工作岗位，人类真正在做的又是什么。跟校车司机一样，长途卡车司机做的也不仅仅是驾驶。卡车驾驶是美国覆盖范围最大的工作类别之一，经常成为自动化的潜力候选岗位。像《金刚狼3：殊死一战》（Logan）等电影就描绘过，不久的将来，卡车会变成带轮子的容器。

但我们真的会看到，一辆横穿美洲大陆的卡车里连个人都没有的情形吗？想想看，要是大部分时间都远离人类的监督，这些卡车会碰到些什么样的挑战？比方说，车辆及其货物都会更容易遭到劫持和盗窃。只要有人站在路中央，卡车就可能无法行驶，故此容易成为强盗下手的对象。

解决方案很明显：让人跟随卡车一起出行。这项任务比驾驶容易得多，卡车可以连续行驶更长距离，而且不必停歇。一个人，说不定能为更庞大的车辆，甚至一整队车辆压阵。（卡车制造商已经将运输能力融入了最新款的车辆。沃尔沃在几项测试里配置了这一功能，而特斯拉最新的Semi卡车从一开始就预装了这些。）但车队里仍然至少要有一辆卡车设有驾驶室，供人乘坐。人可以保护车辆，处理相关物流，负责卡车在出发站以及终点站两头的装货和卸货事宜，并在沿途监督，以防意外。所以我们还不能把这些工作岗位一笔勾去。由于目前的卡车司机在驾驶之外的这些任务上依然最有资格，经验也最为丰富，因此他们会第一批受聘上岗，扮演重新定义过的工作角色。

本章要点

※一份工作，就是一组任务的集合。在分解工作流程、应用人工智能工具的时候，以前由人类执行的某些任务可能会自动化，剩余任务的顺序和重点可能有所改变，新的任务也有可能出现。因此，构成工作的任务集合是有可能改变的。

※人工智能工具的实践对工作岗位产生4种影响：

1. 人工智能工具可以增加工作岗位，如电子表格和簿记员的例子。

2. 人工智能工具可以减少工作岗位，如履单中心的例子。

3. 人工智能工具可能导致工作岗位重组，一些任务增加，另一些任务消失，如放射科医生的例子。

4. 人工智能工具可能会将重点转移到特定工作岗位所需的特定技能上，如校车司机的例子。

※人工智能工具可能会改变某些技能的相对回报，从而改变特定工作岗位的最适人选。就簿记员而言，电子表格的出现降低了在计算器上迅速执行繁复计算这一能力的回报。与此同时，它增加了提出正确的问题、充分利用技术来有效进行场景分析这一能力的回报。