“但它们是没有用的。它们只会给你提供答案。”

——著名画家巴勃罗·毕加索（Pablo Picasso）如是评论计算机

我们已经与很多不同的群体——从执行团队到广播听众，讨论了我们的研究发现和结论。几乎每一次讨论的时候，我们都会被问到类似这样的问题：“我的孩子还在上学。我怎样帮助他们为你所描述的未来做好准备呢？”他们口中所说的孩子有的正在上大学，有的还在上幼儿园，但他们所面临的问题是相同的。对第二次机器革命时代的就业机会关心的不仅仅是父母亲，学生本人、可能会雇用他们的组织机构的领导者、教育者、政策制定者和当选的政府官员，以及其他一些人士都在怀疑人类的哪些技能和能力（如果有的话），在技术持续提升的过程中，还会有一定的价值。

最近的发展进程表明，这是一个比较难以回答的问题。弗兰克·列维（Frank Levy）和理查德·莫尼恩在2004年出版的精彩著作《新劳动分工》就是对这一主题进行的最出色的研究和思考。他们认为模式识别和复杂沟通是人类相对于数字化劳动力更占有优势地位的两个宽广的领域。然而，正像我们看到的，情况并不总是这样。因此，当技术超越我们人类之时，它会不给我们哪一代人在所有领域（或者至少是大部分领域）留下发展的机会吗？

答案是不会。即使在那些数字化机器远远超越人类的领域，人类还是能够发挥关键性的作用的。这听起来有些自相矛盾，但象棋游戏能够说明为什么不会。

即使彻底失败，游戏也没有结束

1997年，卫冕世界冠军加里·卡斯帕罗夫在与“深蓝”的对弈中被击败之后，人类与象棋计算机之间的迎头较量就失去了吸引力。很显然，未来的竞争将是一边倒的。荷兰国际象棋大师扬·海恩·多纳尔（Jan Hein Donner）很形象地评论了人类象棋大师当下的观点。当被问到与一台计算机对弈前如何准备时，他回答道：“我会带一把锤子。”

看起来好像人类对象棋比赛已经贡献不出什么智慧了，但自由式国际象棋比赛的出现表明，事实远远不是如此。在这样的比赛中，比赛团队可以涵盖人类和数字化选手的任意组合。正如加里·卡斯帕罗夫本人在谈论2005年的一次自由式比赛结果时所说的：

人类选手和机器组合的比赛团队超越了最强大的计算机。象棋机器“九头怪蛇”（Hydra）——类似“深蓝”这种专门为国际象棋比赛设计的超级计算机，却无法与使用相对弱势的笔记本的人类选手相抗衡。人类选手的战略指导加上计算机的精准战术，可以用所向披靡来形容。

在比赛之后，令人吃惊的结果出现了。获胜者被爆料不是国际象棋大师和最先进的个人计算机的组合，而是美国两位同时操作3台计算机的国际象棋业余选手。他们操纵和“指导”他们的计算机对比赛现场进行把控的技能和能力，简直可以与国际象棋大师和超强计算机选手的组合力量对国际象棋的出色理解力相匹敌。低水平人类选手+机器+出色的比赛技巧，要优胜于功能强大的单一的计算机，而且更不可思议的是，还优胜于高水平的人类选手+机器+平庸的比赛技巧。

自由式国际象棋比赛给我们带来的主要启示是，人和计算机无法以同样的方式处理同样的任务。如果他们能做到，那么人类在“深蓝”击败卡斯帕罗夫之后就贡献不出什么智慧了，而机器也可以学会如何效仿人类的对弈技巧，突破摩尔定律的束缚而飞奔前行。实际情况并不是这样的，一旦允许人类同机器进行比赛，我们就会看到在最高水平的国际象棋比赛中，人类还是可以贡献很多智慧的——而不是为了纯粹的对弈。

那么这些仍旧有价值的、独特的人类智慧和能力到底是什么？卡斯帕罗夫写到的是，比赛中的人类的战略指导vs.计算机的精准战术。但这两者之间的区别经常不够明显，尤其是无法在事前明确。就像我们在前面叙述到的，技术对程序性工作的涉入和影响要比非程序性工作深得多。

当然这种区别是有必要的，同样也是重要的（虽然操作流程都是程序性的，已经可以完全自动化了），但现在这两个任务之间的界线又不是那么明显了。例如，在半个世纪之前，几乎没有人会认为下国际象棋是一件程序性的事情，事实上，它还被认为是人类能力的最高表现形式。正像前世界冠军阿纳托里·卡尔波夫（Anatoly Karpov）对年轻时的偶像如是描述的：“我只是生活在一个简单的世界上，但大师们却生活在一个完全不同的世界里。这些大师绝对不是普通人，他们就像上帝或者神话般的人物。”但英雄人物也要从程序性的事情做起，“咀嚼”数字的计算机也不能免俗。然而，一旦人类与计算机合作，而不是与它们对抗，那它们的价值就要重新衡量了。那么，该如何衡量呢？

找到了！计算机也有不能做的事情

当卡斯帕罗夫描述他与保加利亚国际象棋大师维塞林·托帕洛夫（Veselin Topalov）的一场比赛时——在比赛期间他们可以自由咨询计算机，他提供了一条重要的线索。卡斯帕罗夫写道：“虽然我们两个人都可以平等地使用同样的数据库，但在对弈的某个节点有新的想法的时候，优势还是能体现出来的。”当我们认真观察与分析计算机没有做过的事情时，这种新思想就会不断涌现出来。

我们以前从来没有看到过一台真正有创造性、开创性或创新性的机器。我们看到过能够创造押韵英文文本的软件，但没有人看到过哪台机器能够创造一首真正的诗歌。（因为英国大诗人威廉·华兹华斯描述道：“诗歌是真情的自然流露，沉静中的思索与回忆。”）能写优美散文的程序就算是了不起的成就了，但我们还没有看到哪个程序能够想出下一步要写什么。我们也从来没有看到过哪个软件能编写出出色的软件。到目前为止，在这些方面的尝试都不幸失败了。

这些活动都有一个共同点，即思维能力，或者都要提出新的思想或概念，更准确地说，是好的新思想或概念。因为通过编程，计算机能够很容易地把词语这类先前存在的东西组合成新的东西。然而，从任何意义上看，这都不是重组式创新。就像满屋的猴子噼噼啪啪地敲击打字机，即使过去一万年，也写不出一幕莎士比亚戏剧。

具有各种思维能力是人类相对于机器的一大优势：科学家提出新的假设，记者们发现一个好的故事，厨师又给菜单增加了一道新式菜肴，工厂车间的工程师推算为什么一台机器已经不适合再运转了，苹果公司的史蒂夫·乔布斯和他的同事们推测出我们更需要哪种平板计算机。这些活动中，很多都有计算机的参与，同时计算机也提升了活动的速度，但没有哪项活动是由计算机驱动的。

在这一章开始时，对毕加索的引用也就对了一半。计算机并不是毫无用处的，但它们仍旧只是提供答案的机器，而不会提出有趣的新问题。那种能力好像仍然仅仅属于人类，而且仍然拥有很高的价值。我们预测相对于数字化劳动力，拥有出色创造思想的人们在不远的将来还会继续保持相对的优势，他们还是会有用武之地的。也就是说，我们相信在现在以及不远的将来，当雇主们在聘用人才的时候，他们会听从启蒙运动时期的思想家伏尔泰的教诲：“评判一个人要看他提出的问题，而不是他的答案。”

思维能力、创造力和创新经常被描述为“跳出固有的思维模式”，这种特征说明了相对于数字化劳动力，人类还拥有另一个发挥作用更大且更有理性的持续性优势。计算机和机器人离开了程序几乎无法做任何事情。比如，“沃森”是《危险边缘》游戏中一个令人吃惊的选手，但在《幸运轮盘》和《价格猜猜看》，或者任何一个其他电视游戏节目中，它都会被一个孩子轻易地打败。除非它的人类创造者对它进行重新编程，“沃森”自己是无能为力的。

然而，“沃森”背后的IBM团队并没有去征服其他游戏节目，而是把注意力转向了其他领域，比如医学。但在这个新的领域，它还会受到自身设计构造的影响。可以毫不夸张地说：我们相信“沃森”最终能够成为一位出色的医生。虽然现在还是人类诊断医生们的天下，但正像“沃森”能够击败肯·詹宁斯、布拉德·鲁特和其他的《危险边缘》人类选手一样，我们预计“沃森”医生将会很快击败威尔比（Welby，美国70年代著名的电视剧角色，他是仁爱可亲而又说话直截了当的电视医生）医生、豪斯（House，是美国电视医务剧《豪斯医生》中的角色）医生，也会在真正的人类医生自己的节目中击败他们。

虽然计算机可以从预先设定的规则以及从先前病例的推断中为很大一部分病人做出诊断，但人类诊断医生仍可以发挥很大的作用，因为即使“沃森”医生完成了它的医学培训，也会面临疑难杂症不可避免地增长的现实。正如制造一辆100%自动驾驶的汽车要比制造一辆在正常情况下行驶的汽车要难得多，而从根本上看，设计一台能够诊断所有病症的机器要比设计一台诊断最普通病症的机器困难得多。和国际象棋一样，如果一位人类医生能够与“沃森”医生开展合作，那么其判断力和稳定性要远远超过他们单独的诊断服务。正像未来主义者凯文·凯利（Kevin Kelly）所说的：“你未来的收益水平取决于你在多大程度上能与机器完美地配合工作。”

我们人类的优势

可以说，计算机在它们的设计框架之内更擅长于模式识别，但在框架之外则表现拙劣。这对人类劳动者来说是个好消息，由于我们的多重感官，我们内在的感知框架要比数字技术宽广得多。计算机的视觉、听觉甚至是触觉一直是在呈指数级提升的，但在一些任务处理中，我们的眼睛、耳朵和皮肤——更不必说我们的鼻子、舌头，远远超过了数字技术的同类感官。现在以及不远的将来，传感组件及其与模式识别结构的紧密结合，还会给我们的大脑带来一个更宽广的感知框架。

西班牙服装公司Zara（中文名为飒拉，为全球排名第三、西班牙排名第一的服装商）就是利用了人类的这一优势——而不是利用计算机，来决定应该生产哪种款式的服装。对大多数服装零售商来说，对服装市场进行预测并制订销售计划主要依靠商业统计数据，而这些统计数据要比服装摆在货架上的时间提前数月。但Zara却采取了另一种截然不同的方式。它专门经营快速时尚类的服装——主要是面向青少年群体，价格便宜且易于流行。因为这些风格的服装不论是流行还是消退都非常迅速，所以Zara要把它的工厂和仓库设置在能够快速生产和发货的地方——需要紧紧抓住流行热潮。为了解决“应该生产哪种款式的服装以及给每一家店铺如何发货”这个关键性的问题，Zara需要依靠全世界的店铺经理对货品进行准确订购，也就是说，用不了几天，货物就可以发到订购的店铺。

经理们对销售情况进行推测并不是运用运算法则，而是通过巡店，观察顾客（尤其是比较冷静的那些顾客）的穿着，并且就他们喜欢和想要的款式同他们交流，通常情况下都能获得很多收获。Zara的店铺经理要借助多种视觉模式识别系统（比如视频监控、图像搜索、模式识别等），并且还要与顾客进行复杂性的沟通。使用这些信息主要是为了达到两个目的：依靠更多的信息对现有服装进行订购，以及对应该告诉总部哪一款新式服装在他们的店铺里更受欢迎进行思考和判断。在将来的任何时候，Zara也不会把订购系统从人工订购转换成机器订购的计划，我们认为这个决定是非常精明的。

确是如此，思维能力、大框架的模式识别和最复杂程度的沟通是认知领域中人类仍然拥有优势，且未来一些时间里还将继续保持这种优势的几个方面。不幸的是，这些技能在今天的大部分教育环境下并不是要重点培养的，相反，初级教育往往会注重机械背诵以及读书、写作、算术的技能——也就是保守党议员威廉·柯蒂斯（William Curtis）爵士在1825年左右提出来的“3R”（顺便提一下，如果在技术上出现失误——就像是“3R”，一台机器是不可能起出一个让人难以忘怀的名字的）。^[65]

适应第二次机器革命时代的技能需求，学校要变革

教育研究专家苏伽特·米特拉（Sugata Mitra）曾就发展中国家的贫困孩子在仅仅提供一些恰当的技术手段就能进行自我学习的情况阐述过自己的观点，对强调机械学习的做法进行过一次猛烈的抨击。他在2013年TED（美国的一家非营利机构，宗旨是用思想的力量改变世界）大会的发言中——他也因此获得了100万美元的TED奖金，解释了这些技能在什么时候以及为什么是有价值的。

我尽力去观察并研究我们学校现在所使用的学习方法究竟源自何处，来自哪里？……它来自……我们这个星球上最后一个也是最大的帝国——大英帝国。

大英帝国的人们所做的事情非常令人吃惊。他们创造了一个由人组成的全球“计算机”，到今天依然伴随我们左右，它就是所谓的“行政官僚机器”。为了使这台“机器”运转，你需要很多很多的人。他们又制造了“生产”这些人的另一种“机器”——学校。就这样，学校“生产”的这些人成了行政官僚机器的组成部分……这些人必须要熟悉三种事情：他们必须要有漂亮的书写笔迹，因为数据是要用手写的；他们必须要学会读；他们还要能够在头脑里进行加、减、乘、除运算。而且他们的各种能力也必须是统一的，你把一个人从新西兰运载到加拿大，他的各项能力瞬间就可以恢复。^[66]

当然，我们喜欢这种解释，是因为它把这一切描述为计算机和机器。但更根本的是，我们喜欢它是因为它指出了“3R”曾经是那个时代最发达的经济体最需要劳动者掌握的技能。正像米特拉指出的，维多利亚时代的英国的教育体系在那个时段、那个地方的设计是完全合理的。但那个时段、那个地方现在已经不属于我们了。米特拉继续阐述他的观点：

维多利亚时代的人们是伟大的工程师。他们规划设计了一套至今我们仍在使用的教育体系，这套体系还在继续为一台已经不存在的机器“生产”着整齐划一的人们……（今天）我们的职员已经变成了计算机，它们成千上万地分布在我们的每间办公室里。而你也得需要有人“指导”这些计算机做日常性的工作。这些人不需要漂亮的字迹，也不需要在头脑里对数字进行乘法运算。他们需要掌握的是阅读，只不过，他们事实上需要的是那种有辨识能力、眼光敏锐的阅读。

米特拉的研究表明，即使是贫困、未受教育的孩子们也能够学会敏锐地阅读。他的学习研究小组中的这些孩子，能够使用科技手段在更广阔的领域内查找相关的信息，并且还可以彼此讨论学到的东西，最终形成的往往是正确的新思想（对他们自己来说）。也就是说，他们获取并展示了思维能力、更宽广的模式识别能力和复杂沟通能力。可以说，米特拉所观察到的自我组织的学习环境看起来好像正在培养孩子们超越数字化劳动力的技能。

我们可能不应该对此太过吃惊。自我组织的学习环境自出现以来，在短时间内就培养了很多能与机器竞赛的出色“选手”。在20世纪早期，意大利医学与幼儿教育专家玛丽亚·蒙台梭利（Maria Montessori）就开创了现在仍以她的名字命名的初级教育体制。蒙台梭利课堂强调自主学习、动手实践并真实接触多种多样的素材（包括植物和动物），课堂风格也相对自由、松散。在最近一些年里，这种教育体制培养出的毕业生包括Google的创始人拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）、亚马逊公司的创始人杰夫·贝佐斯（Jeff Bezos）以及维基百科的创始人吉米·威尔士（Jimmy Wales）。

这些例子只不过是未来这种更显著的发展趋势的一小部分。管理研究专家杰弗里·戴尔（Jeffrey Dyer）和赫尔·葛瑞格森（Hal Gregersen）采访了500位著名的创新者，发现他们之中有相当一部分人也是在蒙台梭利学校就读的——都是在好奇心的驱使下主动学习的。正像彼得·西姆斯（Peter Sims）在《华尔街日报》的一篇博客文章中写道的：“蒙台梭利教学法可能是加入创造精英俱乐部的必由之路，这种教学法培养出来毕业生遍布各地，甚至有人怀疑这简直就是蒙台梭利黑手党行为。”不论这是否是黑手党行为，安迪都极其确信自我组织的学习环境的力量。他在开始上学的时候就是蒙台梭利学校的孩子，他完全赞同拉里·佩奇所说的：“在某种程度上，教育培训的目的不是要让你遵从规则和秩序，而是要让你学会积极主动，敢于怀疑这个世界的一切，敢于做与众不同的事情。”

在新机器革命时代，我们对如何成为一位有价值的知识型劳动者的建议非常简单明确：要努力提升你的思维能力、大框架模式识别的能力以及复杂沟通的能力，而不仅仅是“3R”。还有，要抓住一切机会利用自我组织的学习环境，因为这种环境已经有很多成功的技能培养案例。

失败的大学

当然，这说起来要比做出来容易得多，而且看起来好像很多教育环境做得并不好。其中，我们无意中发现的一个最有力的证据是，社会学家理查德·阿鲁姆（Richard Arum）和乔西帕·洛克萨（Josipa Roksa）在他们的书《学术的迷失：大学校园有限的学习》（Academically Adrift: Limited Learning on College Campuses）以及之后的研究中做出的总结，他们认为现在学生获得的技能都是不合时宜的。阿鲁姆和洛克萨使用的是大学学习评估系统，这是近年来开发的面向大学生的，以评估他们在批判性思维、书面交流、问题解决和分析推理等方面能力的考试系统。虽然大学学习评估是通过计算机操作的，但它也需要提交论文，而不是多项选择题。其中一个主要部分是表现性评价任务，也就是要给学生们一些背景文字材料，并且让他们利用这些材料在90分钟之内写出一篇文章，当然还要求有自己的观点或建议。总起来说，表现性评价任务是测试学生思维能力、模式识别能力和复杂沟通能力很好的方法。

阿鲁姆、洛克萨和他们的同事跟踪了美国专科和本科院校中2 300多名攻读4年学位课程的全日制学生。他们的发现让人吃惊：45%的学生表示在大学学习两年之后，他们的大学学习评估成绩没有提升；而有36%的学生表示在经过4年的大学学习之后，他们的这一成绩也没有任何提升。实际上，在经过4年的大学学习之后，大学学习评估成绩平均的提升也是很小的。考虑到大学一年级新生可以获得50%的评估分数，如果有一位学生在4年多的大学时间里获得的提升是平均的，那么和另一群即将入学的大学新生的测试分数相比，他仅仅可以获得60%~80%的测试分数。大学学习评估是一套非常新的评估系统，我们不知道在过去是不是评估结果更好，但对先前使用其他测试系统的研究结果显示，情况确实是这样的，仅仅在几十年之前，普通的大学生从大学一年级到高年级阶段，所学习的内容都要多得多。

这些令人失望的结果说明了什么？根据阿鲁姆、洛克萨以及他们同事的记录和分析，今天的大学生只花费9%的时间用在学习上（相比起来，他们用在社交、娱乐和其他方面的时间占比却高达58%），远远低于几十年前，而且只有42%的学生报告说在上一学期他们上过一门需要他们一周至少读40页书、写20页论文的课。他们写道：“从这项研究中我们得到了高等教育的真实图景，那是一种对社会交往格外关注，而疏于理会学术经历的教育体制。学生们在学习上用的时间很少，教授们也很少要求他们阅读和写作。”

然而，他们也发现，在每一所大学都有大学学习评估成绩获得很大提升的学生。一般情况下，这类学生花费在学习上的时间都更多（尤其是独自学习的时间），他们对阅读和写作的课程需求更多，也需要更多的指导。这种模式非常适合教育研究专家欧内斯特·帕斯卡雷拉（Ernest Pascarella）和帕特里克·特伦兹尼（Patrick Terenzini）所得出的结论，他们在他们的书《大学如何影响学生》（How College Affects Students）中对其20多年的研究成果进行了总结。他们写道：“大学的影响基本上是由个人努力以及学术氛围、人际交往和学校的课外活动这些综合因素决定的。”

从这一点上我们可以给学生们和家长提供一个基本的建议：努力学习，使用科技手段和其他一切可以利用的资源把你的“工具箱”填满，并且还要获得第二次机器革命时代所需要的技能和能力。

那些最不容易失业的职业

获得优良的教育，是你在与技术竞赛中不至于落伍的最佳手段。让人气馁的消息是，今天有很多学生好像都至少在浪费多个接受教育的机会。好消息是，现在技术可以提供比以前更多接受教育的机会。

自主学习的学生和现代技术手段的结合将是一种可怕的力量。线上可以获取的最佳教育资源应该能够让学习者创造出自我组织和自我调整的学习环境，这种学习环境能够让学习者根据学习材料来自主安排学习时间，而且还能够测试并告诉他们是否掌握了所学内容。可汗学院（Khan Academy）是这些教育资源中最佳的线上教育资源之一，它是由当时的对冲基金经理萨尔曼·可汗（Salman Khan）开创的。它在创始之初，只是作为线上随拍视频和YouTube视频课程的一部分，目的是教他的年轻亲属和朋友学习数学。但之后随着视频课程的人气增加，2009年萨尔曼·可汗辞去了工作，专心致志地制作在线教育材料，并免费向所有人开放。到2013年5月时，可汗学院已经积聚了超过4 100段视频，大部分视频的长度也就是几分钟，所涉及的课程涵盖算术、微积分、物理，甚至是艺术史。这些视频已经被观看了2.5亿多次，学院的学生解决了超过10个自动生成的问题。

可汗学院一开始主要针对的是初级学校的孩子们，但相似的工具和技术也可以被用于高等教育，也就是大规模网络开放课程，或者称之为MOOCs（即Massive Online Open Courses的缩写）。2011年，在这一领域进行了一个最有趣的实验，当时一位名叫塞巴斯蒂安·特伦（Sebastian Thrun）的顶级人工智能研究者（也是Google无人驾驶汽车的主要研发人员之一）宣布，他仅用邮件就能向斯坦福大学的学生甚至是在互联网上接受免费线上开放课程的学生传授人工智能的研究生课程。最终，超过16万学生报名参加了这一课程。他们之中有数万学生完成了所有的练习、考试和其他学习要求，而且还有很多人做得非常好。事实上，斯坦福大学这一课程的最佳表现者在所有在线学生之中仅仅排在第411名。正像特伦所说的：“我们发现了世界上有400多个学生超过了斯坦福大学的顶级学生。”

在第9章，我们描述了那些拥有大学学位和没有大学学位的劳动者之间正在增长的收入鸿沟。我们麻省理工学院的同事戴维·奥特尔总结了他的研究成果，他写道：“学校教育对劳动者未来收入的回报正在日益与4年大学和大学毕业后获得的学位关联密切……没有接受过大学教育的劳动者在收入分配体系中的位置是相对比较接近的，而接受教育程度最高的群体则把他们远远抛在身后。”和接受教育程度更低的劳动者相比，大学毕业生失业的可能性会更小。经济记者凯瑟琳·兰佩尔（Catherine Rampell）分析指出，自从2007年经济萧条以来，只有大学毕业生群体出现了就业增长，而在2011年10月，学士学位持有者的失业率是5.8%，仅仅相当于副学士学位失业率的一半（其失业率为10.6%），而这一比例是仅仅接受高中教育的劳动者的1/3（其失业率为16.2%）。

大学教育之所以会升值，部分是因为很多种的原始资料和数据正在变得极其廉价，而当资料和数据变得廉价时，逐渐增加的瓶颈是阐释和使用这些资料和数据的能力。这也反映了Google首席经济学家哈尔·瓦里安经常提到的就业建议：针对将要变得廉价和充裕的事物，寻找必不可少的填补。例子包括数据科学家、移动电话应用程序开发人员，以及基因咨询师——当越来越多的人需要基因排序时，这一职业就有了需求。比尔·盖茨曾经说过，他选择进入软件产业只是因为他看到了计算机——尤其是微型计算机，正在变得廉价和无所不在。在创建亚马逊公司之前，杰夫·贝佐斯系统分析了低成本互联网商业的瓶颈和机遇，尤其是大规模商品的发展能力指标。今天，大学毕业生的认知技能，不仅包括科学、技术、工程和数学——也就是所谓的STEM（Science、Technology、Engineering和Math的缩写）学科，还包括人文学科、艺术和社会学科，往往都是低成本资料和数据以及廉价计算机的补充。这都可以帮助就业者获得升值工资。

然而，大学升值的另一个原因并不值得让人欢欣鼓舞：越来越多的雇主都在要求雇员拥有大学学位，即使是对低层次的工作。正像兰佩尔写道的：“大学学位正在变成新的高中文凭——新的最低要求，虽然它是昂贵的，即使是为了获得低层次的工作……从工业到地理学领域，其他很多并不需要一份文凭的工作——像牙科保健员、货运商、店员和理赔人员等职位，对文凭的需求也在增加。”这种“学位通货膨胀”正在带来很大的麻烦，因为大学教育是昂贵的，它会让很多人陷入债务深渊。事实上，到2011年底，美国的学生贷款总额已经超过了全部尚未偿还的汽车贷款，也超过了信用卡负债。我们希望MOOCs和其他教育创新最终能为传统大学提供一个低成本的替代方案，而且我们希望雇主也能够认可这种教育方式，但在那之前，大学学位仍然是大多数职业的敲门砖。

在未来，越来越多的职业将不是纯粹的信息类工作——那种坐在办公桌前就能完成的工作。相反，这些工作还需要在物质世界里穿梭、互动。这是因为在这样的世界里，计算机仍然是相对弱小的，即使它们在很多认知性的工作中能展现出强大的能量。

类似自动驾驶汽车、无人驾驶飞机、Baxter机器人和能够“绘制”一所房间地图的Kinect传感器这样的技术进步都在表明，机器在现实世界中的能力已经取得飞速发展，但下面提到的这个能折叠毛巾的机器人也说明了，我们离突破莫拉维克悖论还有多远的距离要走。伯克利的一个研究团队用4台立体摄像机和一套运算法则，装配了一台能够“看见”单块和成堆的毛巾在哪里的类人机器人。这套运算法则能够恰当地运转；机器人可以成功地抓起毛巾并进行折叠，虽然有时候它不会一次成功。然而，它折叠一块毛巾花费的时间平均达到了1 478秒，或者说超过了24分钟。机器人要花费大部分时间观察毛巾在哪里，以及如何才能抓住它。

像这类的结果说明，厨师、园艺师、修理工、木工、牙医和家庭健康护理员在短时期之内是不会被机器代替的。所有这些职业都牵涉到感觉运动，而且它们之中的很多工作也需要思维能力、大框架的模式识别能力和复杂的沟通能力。当然，并不是所有的这些工作都能获得丰厚报酬，但它们也是在与机器竞赛中最不可能与机器迎头相撞的工作。

然而，这些职业可能也是最容易面临激烈竞争的。随着劳动力市场两极分化日益加剧，中产阶层出现了持续的空心化，那些之前从事中等技能知识工作的人们也开始寻找更低技能和工资水平的工作。例如，在开具医疗账单的专业人员的工作被自动化之后，他们就可能开始寻找家庭健康护理员的工作。这个行业就会面临薪水下降的压力，人们求职也会变得更加困难。简单地说，即使家庭健康护理员的工作不大可能被自动化，他们也未必能在数字化影响的背景下全身而退。

未来并不遥远

但不得不说，我们在这里所提出的任何预测和建议都不能被看作真理。我们没有预测计算机和机器人在不远的将来能够获得思维能力、大框架模式识别能力和高超的复杂沟通能力，而且我们也不认为莫拉维克悖论能够很快被完美地解决。但从数字化进步中我们获得的一个经验是，“永远也不要说绝不会”。就像很多其他观察者一样，当数字化技术不断地把科幻小说所描述的技能和能力展示在我们面前时，还是让我们惊叹不已。

事实上，人类独特的创造力和机器能力之间的界限一直在改变。让我们回到1956年的国际象棋比赛，13岁的少年天才博比·菲舍尔（Bobby Fischer，美国历史上首位也是唯一一位国际象棋世界冠军）在与国际象棋大师唐纳德·伯恩（Donald Byrne）的对弈中展示了其极富创造力的两套走法。起先他牺牲了他的“马”，好像一无所获，然后又将“后”置于被吃掉的境地。表面上看，这几步走法显得很愚蠢，但几步之后，菲舍尔却利用这些走法赢得了比赛。他的创造力在那个时代就是天才的象征。然而今天，如果你把当时的棋局编写进一套普通的象棋程序，菲舍尔的布局战法几乎就可以一目了然了。这并不是因为计算机记住了菲舍尔和伯恩的棋局，而是因为它早就提前看到了这些走法会赢得比赛。有时候，经过解析，一个人的创造力完全可以变成一台机器的强力攻击。

更多令人吃惊的事情还在后面，对于这一点，我们信心满满。在与世界一流的技术专家共事，并看到彰显人类特色的一座座堡垒在不可能阻挡的创新攻击面前被攻破之后，我们发现，对于任何特定的工作都能无限地抵制住自动化攻击的浪潮已经越来越没有信心了。这意味着人们在追寻自己的职业梦想时，将需要更多的适应性和灵活性：要做好随时从更易于被自动化的行业全身而退的准备，还要抓住新的机遇去填补机器留下的空白、增强人类独特的技能。可能，我们将来会看到一个可以俯瞰商业发展全景、发现商业机会、描绘商业计划，甚至是出色到风险投资者随时准备投资的程序被开发出来。可能，我们将来会看到一台针对一个复杂主题可以撰写一篇思维缜密、有预见力文章的计算机被设计出来。可能，我们将来会看到一位具备人类医生所有知识和能力的自动化“诊疗医师”被研发出来。还可能，我们将来会看到一台能够走上楼梯进入一位老年妇女的卧室，帮助她测量血压、采血，并且询问她是否已经吃过药，而且在这一过程中让她感到安逸、舒适而不是让她担惊受怕的计算机。虽然我们认为所有的这些进步不可能很快就到来，但从经验中得知，我们很容易低估数字化、指数级增长和组合式创新的力量。因此，永远也不要说绝不会。

[65]　“3R”是“Reading、Writing、Arithmetic”的缩写。据说这种说法来自于致力于推广基础教育的伦敦市长柯蒂斯爵士的一句祝酒词：“To Reading, Riting and Rithmetic”（为读书、写作、算术干杯），他把“Writing、Arithmetic”这两个单词的第一个字母都略去了，是因为他自己读、写两方面都有问题还是为了凑够3个R，众说纷纭。但总而言之，从此人们就把读书、写作、算术叫作“3R”了。——译者注

[66]　米特拉之所以提新西兰和加拿大这两个国家，是因为它们都是英联邦成员国。——译者注