“如果AI发展的方向本身就错了呢？”麻省理工学院经济学教授、诺贝尔经济学奖得主达龙·阿西莫格鲁（Daron Acemoglu）撰文《AI会取代工人吗？如果我们把它做好，就不会》称。
他认为，当前AI行业过度追求AGI和“替代人类”，可能既高估了AI短期影响，也走向了一个生产率并不理想的方向。
美国目前有52%的人担心AI会影响自己的工作，但现实是，截至目前，AI带来的生产率提升远没有预期那么明显。
阿西莫格鲁两年前预测，未来10年AI真正能够替代的人类工作可能只有约5%，GDP提升约1.5%。虽然此后AI进步速度超过他的预期，但现实应用仍没有出现与模型能力相匹配的经济冲击。
他说，所以“AI应该与人合作，而不是取代人。”
他把这种路线称为“pro-worker AI”，即让AI帮助人获得更多信息、更强能力和新的技能，而不是把人的工作整个自动化。
“当两样东西彼此不同的时候，试图让其中一个模仿另一个，是徒劳的。”在他看来，人类和AI恰恰是两种不同的智能。
AI擅长处理海量数据、识别模式和抽象推理；人类则擅长社会学习、现实世界中的试错、判断和复杂互动。真正有价值的AI，不应该抹掉这种差异，而应该利用这种差异。
他质疑称，我们究竟是在制造更强大的机器，还是在制造更强大的人？
以下为全文翻译——
你可以从那些在网络上疯传的博客、评论文章和社交媒体帖子中看到这种兴奋，它们不仅宣称AI将带来巨大的好处，还认为这些好处今天已经正在发生。你也可以从创纪录的GPU、数据中心和AI初创公司投资中看到这一点。
与此同时，我们又被告知：“很快，你们中的大多数人都会失去工作。”
美国人相信这种说法。52%的美国人担心AI将如何影响自己的工作。他们也担心AI将如何改变生活的诸多方面。还有人担心AI会污染我们的信息生态，终结我们所熟知的民主。
更进一步，有人把AI视为一种可能“终结文明”的威胁，能够摧毁或奴役人类。
但这种炒作、兴奋和极端恐惧都需要降温。
不仅因为它们可能被放错了位置，更因为它们正在误导我们应该如何开发和使用这项充满潜力的技术。
事实上，AI的影响将会缓慢出现，因为要实现自动化整个工作岗位所需要的可靠性和通用性，目前还不存在。
任何新技术的整合都只能缓慢发生，更不用说AI这样复杂且未经充分验证的技术。它需要许多组织进行大量调整。
更糟糕的是，按照目前的发展轨迹，AI远不会像行业内部人士预期的那样带来巨大收益。
我们可能正站在浪费人工智能巨大潜力的边缘，因为我们没有正确地理解它，也没有以正确的方式开发它。
我们犯下的错误，是试图迫使一种本质不同的人工智能去模仿人类智能。
这两种智能在本质上是不同的。当两种东西不同的时候，自然的做法应该是让它们彼此互补，而不是假装差异不存在，然后努力让其中一种取代一切。
AI无处不在，除了生产率数据里
很多人一直预测，AI将推动生产率和经济产出出现惊人的提升。
但现实似乎更接近伟大经济学家罗伯特·索洛在1987年谈到计算机时的那句名言：“除了生产率统计数据之外，它无处不在。”
至少目前，AI的进步也没有出现在生产率统计数据中。
当前AI模型在编写计算机代码、设计软件以及放射学诊断方面的表现确实非常惊人。但那是在实验室环境中，背景明确，任务边界清晰。
企业真正把这些工具用于实际工作之后，情况并没有那么令人印象深刻。
工程师经常不得不花费大量时间调试AI编写的代码；放射科医生和其他医生无法很好地把自己的专业知识与AI工具结合起来，从而导致次优结果。
多项研究和报告都没有发现，大多数企业采用AI之后出现了明显的生产率提升。
当然，新一代AI智能体可能会带来不同、也更好的结果。但到目前为止，令人失望的生产率表现不仅存在于宏观经济数据中，在那些正在尝试AI的企业里同样存在。
这并不应该令人意外。
每一种新技术都需要时间才能被生产性地采用。通常而言，技术越具有变革性，这个过程就越慢。
有人把AI与火相提并论。一个没有那么夸张的比较对象，或许是电力。
电力拥有革命性的潜力，但即便是在制造业，它也用了几十年才得到广泛采用。
1881年，纽约和伦敦已经拥有中央发电站，许多人预测电力将彻底改变制造业、家庭和交通。
但直到20世纪20年代，仍然只有大约一半的工厂和家庭使用电力。
AI的生产性应用实际上可能会更慢，因为企业必须进行重新组织。
工作任务必须在AI模型和工人之间重新分配；许多专业人士必须学习如何与AI合作；管理者必须理解自己到底希望AI完成什么，以及如何实现这一目标。
更糟糕的是，很多企业可能会试图把某些职业完全自动化，而这在可预见的未来很可能仍然无法实现。
这些因素不仅会延迟AI带来的生产率提升，也意味着AI造成的就业替代效应同样会缓慢发生。
过去曾经有一轮又一轮的预测，宣称放射科、驾驶、会计等职业即将消失。
这些事情都还没有发生。
医院仍然需要放射科医生，而且实际上比以前需要更多；记者仍然存在，律师助理、会计师和办公室工作人员也仍然存在。
两年前，我估计，未来10年内，我们不应该期待AI替代人类超过约5%的工作。
这个5%的数字是怎么来的？
坦率地说，这只是一种估计，但它建立在当时AI模型能力以及这些能力将在2020年代后半段如何发展的判断之上。
简单来说，我当时预测，到2020年代末，AI将能够成功自动化简单的办公室和认知任务，这些任务大约占美国经济全部工作的20%。
对于更复杂的认知和办公室工作，我预计影响会来得更慢，因为AI需要更长时间才能获得大多数工作所要求的判断力、多维推理能力和社会技能。
社会也不会愿意让AI完全接管航空交通管制、心理健康治疗或企业管理。
涉及与物理世界大量互动的工作，其AI自动化同样需要等待，因为灵活机器人以及能够充分理解空间和因果关系的AI模型需要时间发展。
计算机视觉技术要发展到能够让AI与机器人无缝结合、执行制造业和建筑业任务，可能还需要更长时间。
我还估计，考虑到电力、计算机以及此前计算机视觉技术的扩散速度，在未来10年内，能够被完全自动化的20%工作中，实际上只有大约四分之一会被自动化。
于是得出了5%这个数字。
我当时预测——同时也充分提醒，这种预测无法知道模型究竟会以多快速度进步——10年后GDP将增加约1.5%。
此后，AI模型的进步速度超过了包括我在内的许多人的预测。
但另一方面，我们还没有看到大量能够轻易采用并真正改变生产过程的应用。而正如下面我要解释的，AI真正的魔力必须发生在应用层面，才能对经济产生巨大影响。
综合来看，这些预测目前还没有显得太糟糕。
语音识别的教训
为什么这样一种革命性的技术，很难真正对经济产生巨大影响？
语音识别的发展历程给出了部分答案。
从20世纪30年代开始，把语音转换成文字就一直是人类的愿望。
20世纪80年代，美国夫妇James Baker和Janet Baker开始推动这一目标成为现实。他们创立了后来具有标志性意义的Dragon Systems。
Dragon真正改变了语音识别技术。毫不夸张地说，此后语音识别领域的一切发展，都与Baker夫妇的工作有关。
他们的突破在于放弃此前基于语法和语义建立语音识别系统的尝试，转而使用机器学习技术建立一种纯预测系统，把语音映射为“最匹配”的文本。
1997 年，Dragon推出Dragon NaturallySpeaking，这是第一款能够从自然连续语音中进行语音识别的软件。
它的重要性当时就已经显而易见。
此前的软件，包括Dragon Dictate，都要求使用者在每个单词之间停顿。
我可以证明这一切，因为1997年我的双臂患上重复性劳损后，我成为了这款产品的早期用户。
即便当时计算机处理器非常缓慢，Dragon NaturallySpeaking仍然像魔法一样。它的准确率接近95%。
当时我不知道，未来30年我都会使用他们的产品。
但我立即意识到，随着计算机处理能力不断提高，我将可以获得更强大的语音识别软件，即使我无法继续打字，也能够继续工作。
到2000年，一切似乎都按照我和其他人的预测发展。
软件变得更好，随着计算机芯片性能提高，准确率和功能快速提升。
没有人能够预测的是，接下来的20年里，尽管底层技术不断进步，消费者却几乎没有享受到这些进步。
原因是一连串企业灾难。
Dragon在2000年被比利时公司Lernout & Hauspie收购，但后者在收购后几个月内就破产，其创始人后来因企业欺诈案被判有罪。
Dragon随后被ScanSoft低价收购，后者后来改名为Nuance，并逐渐降低消费级产品的优先级，把重点转向医疗和企业市场。
微软于2022年收购Nuance，并延续了同样的模式。
结果是，今天PC上的语音识别软件，只比2000年时稍微好一点。
底层技术取得的进步远远超过了消费者实际获得的进步。
这段令人失望的历史，也是今天我们在预测AI模型快速普及时必须更加谨慎的原因之一。
新技术的“基础设施”取得突破，必须与建立在这种基础设施之上的正确应用同步发展。
当然，你还需要正确的营销结构把产品带给潜在消费者，还需要消费者反馈来推动应用修改和改进。
这正是AI目前没有做到的。
也是语音识别当年完全搞砸的地方。
语音识别还存在其他问题，这些问题也可能预示AI未来的困难。
Dragon 16发布时声称准确率达到99%，但这是在理想条件下，而且没有考虑用户每天使用Dragon时遇到的各种程序兼容性问题。
更重要的是，即使只有1%的错误，也可能带来严重后果。
因为那1%的错误可能完全改变一句话的含义，有时甚至会产生令人尴尬的结果；也可能导致命令被误解；或者迫使用户花费大量时间校对每一封邮件和每一条短信，寻找那些很难察觉的“语音错误”。
这是纯机器学习方法在“最后一公里”面临的困难：当几个词发音相似，或者出现不寻常的表达时，系统很难作出正确判断。
完全自动化，就像完全语音识别一样，非常困难。
它需要解决所有最后一公里的问题，需要设计出真正符合终端用户需求的应用。
同时，它还意味着AI必须接管每个职业中的每一项任务，包括高风险判断和社会互动。
我们离这样一个时代还很远——人类能够从与机器的闲聊中获得与和另一个人交谈同样的满足感。
AI真正的潜力
但这其实并不是重点。
因为这种模仿本身就不应该成为AI模型最终的目标。
“智能”这个词有很多含义。
计算器也是一种智能，因为它可以完成某些远胜于人类的任务，而20世纪初的很多人可能认为这是不可能的。
但每个人都清楚，计算器的智能与人类智能完全不同。
AI也是如此。
人类拥有一种独特的学习方式：通过少量例子学习，形成假设，在头脑中模拟不同可能，然后在现实世界中不断进行实验和试错。
想想孩子是如何学习的。
这种学习的一个关键部分是社会性的。
成年人和儿童通过观察其他人的行为形成假设，这些人往往被认为拥有更丰富的知识或权威。
然后，他们通过与社区中的其他人进行语言和非语言交流，进一步磨炼自己的技能。
人类认知显然也是多模态的。
我们使用整个身体进行推理——大脑的不同区域、神经系统、感官、消化系统等等。
我们不仅进行预测，也进行推断、演绎、归纳、各种形式的验证和递归思考。
这就是为什么当人类“产生幻觉”时，它并不一定是一个漏洞，反而可能是人类智能的秘密武器。
我们通过模拟不同世界，判断哪些世界可以成为值得进一步探索的选择，哪些存在巨大风险需要警惕，而那些无关紧要的可能性则会被迅速淘汰。
AI模型则完全不同。
它们从海量训练数据中学习，非常擅长从庞大的语料库中筛选信息和识别模式。
它们基于预测进行学习，一旦掌握某种推理模式，就能够将其应用到抽象或具体环境中。
这正是AI令人惊叹的力量所在。
另一方面，AI目前并不具备类似人类的实时社会学习能力和试错能力。
当AI产生幻觉时，这就是灾难，因为它没有人类所拥有的那些过滤机制，无法淘汰不现实的模拟结果，也无法把其中具有潜力的部分转化成值得关注的案例。
当两种东西不同的时候，让其中一种去模仿另一种，是徒劳的。
现代计算机的发展曾因为Macintosh电脑的设计和可用性而发生革命性变化，这来自Steve Jobs和Steve Wozniak的合作。
如果Jobs试图取代Wozniak的工程技能，或者Wozniak无视Jobs在设计和营销上的天才，那将是一个巨大的错误。
他们之所以成功，是因为他们进行了合作，把不同的能力结合起来，实现互补。
人类与AI也应该如此。
支持工人的AI
在AGI的旗帜下，所有主要AI开发者都在努力让AI模仿人类技能。
更有生产力的道路，是承认AI应该与人类一起工作，而不是取代人类。
这意味着我们必须对完全自动化的梦想降温。
如果AI无法完成一个职业中的所有任务，它就必须与能够完成这些任务的人类互补。
AI越能够赋能人类——提高他们的生产率，扩大他们能够完成的事情——它就越具有变革性。
这就是我所称的“支持工人的AI”（pro-worker AI）的基础：与其追求大规模自动化，不如建立能够让人们把工作做得更好、并为他们创造新的技能和专业能力的AI。
65年前，J.C.R. Licklider就提出过类似的愿景。他被誉为“互联网之父”。
他在1960年写道：“希望在不太遥远的未来，人类大脑和计算机能够非常紧密地结合起来，由此形成的伙伴关系能够以任何人类大脑从未有过的方式进行思考，并以我们今天所知的信息处理机器从未达到的方式处理数据。”
这正是我们今天需要AI模型实现的目标。
支持工人的AI对社会具有双重好处。它可能比试图实现全面自动化带来更好的生产率结果。
与此同时，自动化会取代工人、导致失业并制造不平等，而支持工人的AI则能够利用并放大人类能力。
你可能会认为，支持工人的AI只是一个不切实际的幻想，比行业所梦想的自动化更加困难，也更加不可能实现。
其实不是。
支持工人的AI已经处于现有模型的能力边界之内，而且完全可以开发。David Autor、Simon Johnson和我最近也对此进行了论述。
以教学为例。
尽管目前大多数教育AI应用都集中在自动化上——接管教师承担的一些任务——但认为我们很快就能够实现教学全面自动化，是完全不现实的。
支持教师的AI却完全可行，而且可能推动教育发生变革。
与其试图消灭教师，AI工具可以识别不同学生在哪些课程内容上存在困难，然后建议如何把课堂重新组织成更小的学习小组。
原来的教师可以得到其他教育人员的支持，针对不同小组的弱项和优势进行教学。
个性化教育计划对于那些已经落后或面临学习困难的学生非常有帮助。
但到目前为止，这种教育方式成本高得令人望而却步。
AI可以改变这一点。
为什么这是支持工人、或者支持教师的？
很简单：工具不是试图接管教师的工作，而是提供新的信息，让教师能够做过去无法做到的事情。
我们怎么知道这是可行的？
首先，因为我的研究团队已经建立了这种技术的原型，并正在进行评估。
但你不需要相信我们。
这种工具需要的是一个中等规模的语言模型，用相关课程和高质量数据进行训练，而这些数据来自优秀教育工作者处理学生在课程内容上遇到的各种困难。
这些条件都已经处于当前技术能力范围之内。
如果我们不再追逐AGI梦想，而是优先帮助工人获得更好的信息，从而更好地解决各种任务，并为人类创造新的任务和能力，那么AI可能带来更加积极的结果。
但这就引出了下一个问题。
为什么我们如此执着于自动化？
四种不同力量让自动化成为科技行业和企业的主要目标。
前三种是经济因素，最后一种是意识形态因素。
首先，大型科技公司的商业模式主要围绕向企业销售软件，以及通过数字广告获得收入。
这些商业模式并没有涉及创造支持工人的工具。
许多现有企业都在追逐相同的商业模式，而支持人类的商业模式仍然未经验证。
第二，竞争格局也没有鼓励新的参与者尝试这些商业模式。
科技行业已经高度集中，新公司越来越难以击败既有巨头。
更糟糕的是，大型企业垄断了关键资源，包括资本投资、数据以及工程师和创新者等关键人力资源。
即使一家小型初创企业取得突破，它也很可能被科技巨头收购。
这意味着同样的商业模式会继续占据主导地位。
第三，是一个“螺母和螺栓”的问题。
没有螺栓，螺母没有用；没有螺母，螺栓也没有用。
如果你认为别人不会生产螺母，你就不会投资生产螺栓，反之亦然。
AI领域也存在类似情况。
企业认为科技公司只会提供新的自动化工具，因此据此规划未来。
科技公司则认为企业将继续主要需求自动化工具，不会存在一个庞大的支持工人的AI市场，因此它们也按照这个方向投资和开发模型。
第四，也是最有力量的一点，是整个行业都被“超级人类机器”和AGI的理念所占据。
这种思维可以追溯到Alan Turing等奠基人物。Turing开启了现代计算机科学，并通过思考机器能否像人类一样思考，为AI奠定基础。
他1950年的经典论文从如今著名的“模仿游戏”开始。
这种愿景，再加上大量科幻文学和电影的影响，塑造了今天许多行业领袖的思维方式，使AGI成为主导范式。
甚至在AGI之前，“达到人类水平”就已经成为硅谷各种应用衡量成功的主要指标。
这一切又因为许多科技行业领导者逐渐把人类视为容易犯错、充满缺陷的存在而进一步加剧。
他们一次又一次低估人类的技能和专业知识。
因此，整个行业自然走向了全面自动化，却没有足够关注如何增强人类。
我们能否让AI走上一条更好的道路？
我们可以做出正确选择：选择增强人类技能，促进人类繁荣，而不是导致人类在物质、社会和精神层面的贫困。
但这要求我们在AI模型设计上拥有明确的方向，也需要一种新的哲学视野。
好消息是，这条道路是可能的。
坏消息是，我们现在并没有朝这个方向前进。
事实上，当前行业构建和理解AI的方式，很可能不仅会让我们走偏，还会把我们带向更糟糕的地方。
让AI走上更好道路最重要的工具，不是一项万能的政策——这样的政策不存在。
它是一种视角的改变。
如果明天我们醒来，发现AI行业中大量非常有创造力的程序员、开发者和工程师都把支持工人的AI作为优先事项，那么我们就会得到大量能够与人类互补、支持工人的AI。
问题在于改变目前对自动化的执着。
第一步，也是最重要的一步，是改变我们的讨论方向：从AGI转向支持工人的可能性；从人类灭绝的末日场景，转向现实且迫切的危险——按照目前的道路，我们很可能加剧不平等，造成大量失业，甚至无法获得AI所承诺的生产率收益。
这样的讨论转变，也能够帮助激活民主进程，让AI真正兑现其承诺。
当然，一些具体政策工具也可以发挥作用。
要让AI从自动化转向支持工人，我们需要同时完成四件事情：创造企业对支持工人工具的需求；产生证明这种方法有效的示范效应；建立一个能够让新思想和商业模式成长的市场环境；投资支持工人AI所需要的基础设施。
企业部门：
当企业把重点放在提高生产率和创新，而不仅仅是降低劳动力成本时，它们就会需要更多支持工人的工具。
这不仅需要改变观念，也需要消除鼓励短期成本削减的制度性障碍。
最大的扭曲来自税收制度。
在美国，劳动收入所承担的税负远高于资本收入——劳动收入的有效边际税率平均超过25%，而资本收入的有效边际税率接近于零。
这实际上是在补贴企业使用资本工具而非劳动，并打击企业招聘和培训员工的积极性。
其他一些发达经济体也存在类似情况。
让资本收入和劳动收入接受对称的税收待遇，将是让市场开始重视人类互补型技术的重要第一步。
示范效应：
对于一个长期被忽视的领域，很难突然启动投资。
可再生能源就是如此。在几十年几乎没有投资之后，能源转型不仅得益于碳税，也得益于补贴、竞争和对清洁技术创新的鼓励，从而产生了示范效应。
支持工人的AI也需要采取类似做法。
即使是规模不大的政府项目，只要能够产生真正可行、能够增强人类技能的技术，也会产生巨大作用。
这些补贴不能变成科技公司的利益输送，也不能成为另一场官僚主义噩梦。
我们需要的是精简、简单的项目，鼓励对支持工人的AI进行实验。
为新技术和商业模式腾出空间：
科技行业从未像今天这样高度集中，人类历史上也从未出现过像当前科技巨头这样强大和庞大的企业。
目前最大的七家科技巨头——Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia和Tesla——占纳斯达克指数的60%。
这种集中不仅会影响消费者面对的价格，也会损害创新。
美国以及其他地方存在大量科技初创公司，但它们中的大多数建立技术时，都希望最终被大型科技公司收购。
更糟糕的是，很多人认为，只要离开巨头生态，就很难继续竞争。
科技行业需要真正的竞争。
其中一个重要组成部分就是反垄断。美国几乎已经忽视了反垄断。
反垄断法必须适应AI时代，更重要的是，它必须得到执行。
创造新的商业模式空间，也可能需要控制科技行业最严重的过度行为，尤其是过去15年社交媒体发展过程中暴露出来的问题。
另一个可能发挥作用的工具是数字广告税。
这样一来，尝试另类平台和AI商业模式的新技术和新进入者，就不会被依靠数字广告赚钱的巨头轻易挤垮。
支持工人的AI基础设施：
AI需要数据。但需要什么样的数据？
对于大型基础模型而言，任何数据都有用，因为数据能够帮助模型更好地逼近人类语言和交流的各种维度。
但对于支持工人的AI而言，高质量数据至关重要。
这种数据应该来自世界上最优秀的专家，让他们处理复杂问题、边缘案例和新的挑战。
如果你想建立一种能够帮助电工完成更新、更复杂任务的工具，那么这个工具就需要来自经验丰富的电工、他们处理大量复杂问题时所产生的最高质量数据。
除非我们拥有一个运行良好的数据市场，否则这将无法实现。
在这个市场中，人们可以创造、控制和出售自己的数据。
这意味着科技公司不能再未经数据创造者许可、也不给予补偿就使用数据。
更重要的是，我们需要法律基础设施，鼓励并保护专家投入时间生产有用的高质量数据。
一个运行良好的数据经济，是AI未来发展的关键，尤其是支持工人的AI。
数据市场也会帮助新进入者挑战既有企业，因为它们能够限制大型科技公司凭借庞大数据储备形成的反竞争效应。
我们需要认识到，一个更好的未来取决于培养人类技能，而不是把这些技能边缘化。
AI的未来并没有被写死。
但要以更加支持工人、更加有益于社会的方式重写它，就要求我们降低对超级智能机器和AGI的狂热。
我们需要认识到，一个更好的未来，在于培养人类技能，而不是让它们失去作用。
这正是我们最需要发挥人类能动性的地方。
这种能动性不会来自AI模型，也不会来自那些坚信AI的未来必然意味着人类被边缘化的人。
只有人类的创造力、开放思维，以及我们模拟不同世界并据此采取行动的能力，才能让AI——以及我们整个民主体系——走上一条更好的道路。
