财新传媒
财新传媒
1111111
财新通行证
T中

错误的人工智能?人工智能与未来的劳动力需求

2019年06月01日第3期
文丨达龙·阿西莫格鲁 帕斯卡尔·雷斯特雷珀

  *Daron Acemoglu,麻省理工学院经济学教授;Pascual Restrepo,波士顿大学经济学教授。作者衷心感谢Chris Ackerman、David Autor、Erik Brynjolfsson、Stu Feldman、Mike Piore、Jim Poterba和Hal Varian对本文的宝贵评论。此外,我们真诚地感谢谷歌(Google)、微软(Microsoft)、斯隆基金会(Sloan Foundation)、图卢兹信息技术网络(Toulouse Network on Information Technology)、施密特科学基金会(Schmidt Sciences Foundation)、史密斯·理查森基金会(Smith Richardson Foundation)、IBM、埃森哲(Accenture)和美国国家科学基金会(National Science Foundation)为本研究提供的财务支持。本文仅代表作者观点,不一定代表美国国民经济研究局的观点。

  AI(人工智能)是当前正在研发和应用的技术中,前途最为光明的技术之一。从广义上说,AI指对“智能(机器)代理”的研究和开发。“智能(机器)代理”指能够通过识别周围环境并对其做出反应,进而采取智能行动的机器、软件或算法。(*1.请参见Russell and Norvig(2009),Neapolitan and Jiang(2018),以及Agarwal、Gans and Goldfarb(2018)。)谈到AI对我们的安全、社会和经济产生的意义,很多人激动不已,很多人大肆宣扬,还有不少人忧心忡忡。不过我们普遍忽略了一个关键问题:我们是否在投资“正确”的AI技术,即可以最大程度地提高生产率,创造出普遍繁荣的AI技术?迄今为止我们还没有一个明确的答案,实际上没有人知道它的答案。不过目前我们仍然可以影响AI的研究方向以及研究前景,所以现在是提出这个问题的绝佳时机。

作为技术平台的AI

  人类(或自然)智能包括多种心智活动,如简单计算、数据处理、模式识别、预测、各类问题解决、判断、创造力和沟通。在20世纪50年代,马文·明斯基等(Marvin Minsky、Seymour Papert、John McCarthy、Herbert Simon and Allen Newell)计算机科学、心理学和经济领域的研究者首次提出AI。早期的AI力求开发出可以从事各类心智活动的机器智能,(*2.请参见Nilsson(2009)了解AI的发展史。)以创造出真正的智能机器。譬如,赫伯特·西蒙等人(Herbert Simon and Allen Newell)在1958年时声称,“现在世界上已经存在可以思考、学习和创造的机器。此外,它们完成这些任务的能力会迅速提升,直至——在可见的未来——它们能够解决问题的范围与人类心智可达的范围不相上下”。(*3.请参见Forester(1985),第86页。)

  这些模棱两可的目标很快就破灭了。20世纪90年代,AI再度盛行,但它的志向和之前迥然不同,而且不再那么高调——它的目标是复制并提高模式识别和预测方面的人类智能(早在AI出现前,计算机就已经在计算和数据处理方面超越了人类)。我们日常从事的很多决策问题和活动可以看作模式识别和预测的范例,如(可视数据中的)人脸识别,(听觉数据中的)语音识别,从人们提供的数据中识别抽象范式,根据过去的体验和现有信息做出决策。尽管研究者从事的领域叫作“通用人工智能”(Artificial General Intelligence),但绝大多数研究和AI的所有商业应用几乎都集中在“窄人工智能”(Narrow AI)这个更狭窄的领域,不过相关应用不胜枚举而且五花八门。AI在硬件和算法方面取得的重大突破使人们重新对它欢欣雀跃。这种突破可以对海量非结构化数据进行处理和分析(譬如,无法用常规结构方法,如类似Excel表的简单数据库展示的语音数据)。AI能够卷土重来的核心原因始终是机器学习的方法和所谓的“深度学习”。机器学习的方法是指帮助计算机和算法在没有显性编程的情况下从海量数据中学习、预测并完成任务的统计学技巧。“深度学习”指利用多层次方案(如神经网络)提升机器学习、统计推断和实现最优化的算法。

  即使我们聚焦于狭义AI,仍然应该把AI看作一个科技平台——人们可以通过多种方式将AI技术开发为商用技术或生产技术,而且它的具体应用变化多端,包罗万象。在某种程度上,所有技术集群都表现出这种特点,但在AI上表现得尤为明显。(*4.Bessen et al.(2018)称很多从事商用型AI技术的新创公司认为自己的技术可以“提高人类的能力”,而其他公司则认为自己的技术以自动化操作为主。)为了更清楚地展示这一点,我们将AI与另一个息息相关但迥然不同的新科技——机器人学——进行比较。机器人学常常利用AI和其他数字科技处理数据,不过与其他数字科技不同的是,它的关注点在于和实体世界的互动(如四处走动、变形、重新摆放物体或把物体连接起来)。工业机器人已经广泛用于很多制造业和零售/批发机构中,不过它们的经济用途只用于特定领域,而且重点关注有限领域内的任务如何实现自动化操作。换句话说,它们要用机器取代之前由人类完成的特定活动和功能。(*5.请参见Ayres and Miller(1983)、Groover et al.(1986)、Graetz and Michaels(2015)以及Acemoglu and Restrepo(2018b)。)

技术对工作和劳动力的影响

  新技术对生产和工作的本质会造成什么影响?对各类工人的就业情况和工资会造成什么影响?无论在民众的讨论还是学术文章中,人们惯常采用的方法是假定任何能够提高生产率(即每个工人创造的增加值)的技术进步也会提升对劳动力的需求,进而促进就业,推高工资水平。当然,技术水平不同的工人从技术进步中获得的益处不尽相同,某个行业的生产率提高会导致该行业的就业机会减少。不过即使某些行业的就业减少,人们通常认为其他行业会相应扩张,推动总体就业和工资水平的上涨。

  人们对新科技产生的经济影响进行概念化处理时采用的方式,很大程度上支撑了这个观点,即新技术几乎使劳动力在他们从事的所有活动和任务中都提高了生产率。然而这种观点不仅缺少描述性现实主义(什么科技能统一地提高劳动力在所有事情上的生产率?),而且会过于美化新科技的影响。在这样的世界里,卢德派对科技产生破坏性影响并取代就业的担忧确实会被信以为真,而且这些人妄图破坏所有此类机器。

  技术变革的实际情况与人们的假设截然不同。很多新科技(即我们所称的“自动化技术”)没有提高劳动力的生产率,而是打算直接替代这些劳动力,让更廉价的资本(机器)取代一系列原来由人类完成的工作。(*6.这个方法是由Zeira(1998),Autor、Levy and Murnane(2003),Acemoglu and Autor(2011)以及Acemoglu and Restrepo(2018a,b,2019)提出的。)因此,自动化科技往往会降低劳动力在增加值中的比重(因为采用这些技术后,生产率的提升幅度超过了工资和就业岗位的增长幅度)。由于机器取代工人承担了之前由人力完成的工作,所以它们可能还降低了对劳动力的整体需求。诚然它们也带来了补偿效应,即生产率提高后在一定程度上提升了对从事非自动化工作的劳动力需求以及其他行业对劳动力的需求。不过即使将这些效应考虑在内,自动化也一直在压低劳动力在增加值中的占比。

  以上讨论阐明了一个重点:在自动化迅猛发展的时代,劳动力的相对地位会恶化,而且如果新科技没有充分提高生产率,即这些新科技并不是特别出色而只是说得过去(它们只能凑合使用,且它们的生产率并没有明显高于被他们取代的劳动力的生产率),那么劳动力受到的影响会更为恶劣。这类平庸的自动化科技应用于生产后,劳动力需求下降了:没有显著的生产率增长来提高对劳动力的需求,但劳动力被科技取代已经发生了。

  这是否有些牵强附会?并不见得。我们曾经研究过最重要的自动化技术之一,即工业机器人产生的影响。(*7.请参见Acemoglu and Restrepo(2018b)。)研发工业机器人的目的不是提高劳动力的生产率,而是把之前由生产工人在车间里完成的任务实现自动化操作。有相当清晰的证据表明,在采用工业机器人较多的行业,劳动力需求会下降(特别是对生产工人的需求),而且劳动力的占比会大幅度下滑。更重要的是,本地劳动力市场面对的工业机器人越多(如底特律和迪法恩斯),这些地区的就业岗位和工资增长速度下降的幅度越明显。此外,对处于收入分配底部的工人以及大学以下学历的工人,他们的工资和就业下降更严重。尽管行业层面的数据表明机器人提高了生产率,但以上这一切仍然是不争的事实。

  自动化并不是近年才出现的现象。科技史上有很多重要的突破都是围绕自动化展开的。最值得注意的是,英国在工业革命早期取得的惊人进步是为了实现自动化编织和自动化纺织,随后又将重心转向其他行业的生产。(*8.请参见Mantoux(1927)和Mokyr(1989)。)另外两个典型的自动化发展案例是农业机械化和美国制造业的可互换零件系统。

  不过如果自动化很容易降低劳动力的比重,对劳动力需求产生的影响喜忧参半,那么为什么在过去两个世纪里,劳动力的比重基本保持不定,而且生产率与工资同步增长?为了理解它们之间的关系,我们需要认识到推动生产率增长的科技变革分为不同类型。从历史的角度看,尽管自动化科技越来越多地应用于生产生活,但同时其他科技变革会创造出新的任务,而劳动力在这些任务中具备竞争优势。这为劳动力创造出新的活动——在这些任务中,人类劳动力可以被重新引进生产流程——而且由于新的任务改善了劳动分工,所以有力地提升了生产率。(*9.请参见Acemoglu and Restrepo(2018a)。)始于19世纪下半叶的农业机械化生动地展现了这个模式。尽管机械化降低了劳动力在农业中的比重,导致农业的就业机会减少,但是机械化促使制造业和服务业中出现了一系列新工作,因此对劳动力的总需求上升。事实上,在这个时期,不仅与文书有关的职位明显增长,而且一系列专业度更高的蓝领工作和白领工作也大幅增长,这些工作能够提升劳动生产率、对劳动力的需求以及劳动力在制造业和服务业中的比重。(*10.请参见Rasmussen(1982),Olmstead and Rhode(2001),以及Acemoglu and Restrepo(2019)。)同样,在战后的美国经济中,从事新工作的职业始终在就业增长中名列前茅。(*11.请参见Acemoglu and Restrepo(2018a)。)

  这个观点意味着我们要重新解读科技史,并且从另外一个角度看待工作的前景:把它视为自动化与劳动密集型新工作的一场赛跑。在过去两个世纪,因为有些技术全面提高了劳动力的生产率,所以对劳动力的需求并不是稳定上升。反之,很多新科技力求使劳动力脱离之前由他们完成的专业工作。劳动力仍然受益于科技变革,是因为同期科技创造出了其他新的劳动密集型岗位。这些新岗位不仅使劳动力重新成为生产流程的核心投入,而且对推动生产率提高发挥了核心作用。

  从这个角度来看,过去20年的就业和工资增长情况十分令人失望。造成这种现象的部分原因在于生产率增长乏力,而且更重要的原因在于没有出现新工作。(*12.请参见Acemoglu and Restrepo(2019)。)如果我们可以采用更多能够提升劳动力需求并确保生产率强劲增长的科技,那么工作的前景会更加光明。

AI的种类

  上述分析为思考AI带来的经济机遇和挑战提供了新的视角。绝大多数研究者和经济学家研究AI带来的后果时都认为它使更多工作自动化了。毫无疑问,AI具备这种能力,而且迄今为止,AI的应用多半都属于这种类型,如图像识别、语音识别、翻译、会计、推荐系统和用户支持。不过我们不将这个领域作为AI可以而且应该施展拳脚的首要途径。

  首先,如果我们只是沿着自动化的道路继续前进,而不开展补偿性创新创造出新的工作岗位,那么AI无疑会抑制对劳动力的需求。工作机会不会迅速消亡,(*13.请参见Dreyfus(1992)和Autor(2015)。)但劳动力的占比下降以及劳动力需求增长疲软的趋势不会终止,这很可能对收入不平等和社会凝聚力产生灾难性的后果。

  其次,随着我们日益深化基于AI的自动化技术,我们进入了新的领域,在这些领域里(譬如图像识别、语音识别或手眼协调),人类劳动力的表现相当突出,而机器的生产率并没有给人们留下深刻的印象,至少在初始阶段是这样。自动化科技的目的在于用机器取代人类从事这些工作,因此有可能表现平平,所以即使生产率增长强劲,我们也不能期望这会提高我们的生活水平,并推高对劳动力的需求。

  不过这并不是唯一的选择。AI并不仅仅是预设了具体应用和功能的一组范围有限的技术,而是一个技术平台,所以它的应用领域远远超过了自动化操作,它可以用来重建生产流程,从而为劳动力创造出许多高产的新工作岗位。如果我们有可能引进这类“重振劳动力需求的AI”,那么无论从提高生产率还是推高劳动力需求的角度看,都可能产生巨大的社会效益(这不仅会创造出更多包容性增长,而且规避了失业和工资下降引发的社会问题)。

  我们可以通过以下几个例子探讨如何通过应用AI技术为劳动力创造出新的工作岗位:

  教育。教育是AI涉足最少的领域之一。造成这个现象的部分原因是,对于教育领域的绝大多数核心任务,自动化并不是一个具有吸引力的选择,甚至不具备可行性。不过利用AI创造新工作,会成为卓有成效地利用这个新兴技术平台的另外一种方式。以过去两百年里没有发生任何变化的课堂教学为例。老师通常面向教室里的所有学生授课,他或他的助手可能偶尔会开展一对一的教学,或为学生中的某个小群体提供帮助。然而,有证据表明很多学生的“学习风格”不尽相同,适合某个学生的授课方式不一定适用其他人。即使在某门课程中适合某位学生的授课方式也不能在所有课程中“放之四海而皆准”。(*14.请参见Allport(1937)、Cassidy(2004)、Honey and Mumford(1986)以及Ramirez and Casteneda(1974)。)

  目前还不可能做到个性化教学(即针对每个学生或一小群学生因材施教),这不仅是因为老师的工作时间和技能等资源不足。无法实现这个目标的主要原因是没有人有足够的信息确定某个学生学习某门课程或某个课题时的最优学习方式(而且这些信息也很难获得并进行处理)。AI可以改变这一切。人们可以设计AI软件收集和处理实时数据,了解学生的具体反应或学生在各种课程中遇到的困难和取得的成绩(特别在学生面对不同教学风格的背景下),随后为改进个性化教学提出建议。教育的生产率可能会大幅提高(我们尚不清楚是否必然出现这种结果)。用AI赋能的教学方法可能更擅长于帮助学生习得在未来劳动力市场上更有价值的技能(而不是像现在这样,学校中广泛采用保守落后的课程和教学重点),所以它们产生的社会效应可能会远超其带来的直接效应。开发这类科技并将它们付诸实施,还会提高教学对人类劳动力的需求,然而即使得到AI软件和其他技术的帮助,我们仍然需要更多技能各异的老师开展个性化教学。

  医疗。医疗业的情况与教育业类似。尽管人们已经在努力将数字科技引入医疗行业,但他们的重点并非创造出卓有成效地使用人力的任务(事实上,AI的某些应用仍然以自动化操作为主,如放射学领域的应用)。利用AI收集和分析信息可以卓有成效地赋能护士、人员和其他医疗服务提供者,使他们提供更加广泛的服务和实效性更强的医疗建议、诊断和治理。AI在提高劳动力需求和生产率方面产生的效益与它在教育领域中发挥的作用非常相似。

  增强现实。AI技术可以大幅改变生产流程,使其利于劳动力需求的第三个应用领域是在制造业中采用增强现实和虚拟现实科技。在过去30年里,绝大多数先进的制造业技术都是围绕自动化展开的,不过亚马逊(Amazon)和特斯拉(Tesla)等公司已经发现,将所有车间里完成的任务和人力完成的任务都实现自动化在经济上并不划算,因为某些任务由人类完成时的效果更突出。不过,采用工业机器人的公司面对的困境之一是,以下两个因素导致这些新科技与人力的结合还不尽如人意。首先,出于安全方面的考虑,绝大多数机器人科技都与工人严格隔离。其次,人类的工作不一定与机器人技术需要的精度配合得天衣无缝。增强现实技术采用了交互界面以提高人类感知、监控和控制物体的能力,可以使工人与机器协作完成高精度生产任务和综合设计任务增强现实技术。这不仅能够帮助工人保留某些工作岗位(否则这些任务就会被自动化),而且能够创造出新的工作岗位,使人类借力数字科技和传感器的增强功能完成这些任务并提高生产率。(*15.请参见Ong and Nee(2013),https://www.ge.com/reports/game-augmented-reality-helping-factory-workers-become-productive/。)

  需要注意的是,上文列出的这些新任务远远超出了所谓的AI赋能器,它们都是随着人类能做的工作被自动化产生的,与培训和监控新机器相关的人类工作。

  这一点非常关键,它意味着仅仅推动具有赋能作用的AI不太可能创造出足够多的新工作岗位和对人类劳动力的需求,从而促进普遍繁荣。

为什么会出现错误的AI?

  如果除了简单的自动化技术以外,还存在其他可以提高生产率且利润可观的AI应用,那么我们是否能够指望市场力量和现有公司的创新带领我们实现这些应用?我们是否有理由担心人们不去开发那些有可能重新创造出对人类劳动力有需求的AI应用,而是继续将手中的资源一股脑地投入错误的AI中?

  经济学家认为市场能够以最有效率的方式配置资源。不过绝大多数专家认识到一旦涉及创新,市场之星就显得比较黯淡。总的来说,有一些原因导致创新领域会出现市场失灵,而且有些具体原因表明这个问题对于AI尤为重要。

  创新的外部性也即不仅创新者会从创新中受益,采用这些新技术的工人和公司也获益匪浅。最重要的是,未来以这些技术为基础更上一层楼的公司和研究者也会受益于这些创新。当存在这种外部性时,市场的表现就不会令人满意。

  当存在可供选择但相互矛盾的技术范式时,市场会难以处理这种情形。当一种范式领先于其他范式时,研究者和公司往往会采用走在前面的范式,尽管其他可供选择的范式可能效果更理想。此外,在这种情况下,一旦错误的范式抢先起步,就很难扭转这种趋势,或从其他范式提供的可能性中获益。鉴于人们对AI采取的不同方法构成可供选择但相互矛盾的范式,市场机制在这种情况下未必能做出正确的选择。(*16.请参见Nelson and Winter(1977)、Dosi(1982)以及Acemoglu(2012)。)

  为了纠正创新中的市场失灵,美国政府过去一直在利用公私合作鼓励有利于社会发展的研究。它在互联网、传感器、医药、生物技术和纳米技术等很多尖端技术的研发过程中发挥了至关重要的作用。(*17.请参见Mazzucato(2015)。)不过最近,美国政府对研究的资金支持急剧缩水,而且在引导技术变革的方向时也不再像以前那样坚定果敢。导致美国政府态度转变的部分原因在于政府支持创新的资源减少,同时私营部门在制定高科技发展议程方面的主导作用越来越显著(政府官员和研究者可以对硅谷创造性活动的发展方向产生有意义的影响吗?)。这种转变进一步抑制了与发展前景(这些研究的成果不会立即反映在利润率上)和其他社会目标(如这些技术会创造新的就业机会)有关的研究。

  创新不仅仅对经济激励做出反应。哪些种类的技术能吸引研究者的关注和想象力也受到很多非经济奖励的影响。美国最富创造力的集群(如硅谷)所处的生态系统可能对自动化研发提供了过多奖励,但对其他前沿科技的应用没有给予足够的重视。造成这种现象的部分原因可能是学界领军人物的价值观和兴趣点(譬如,我们可以看看特斯拉这类公司的理念。它们一直在孜孜不倦地试图将所有事情都自动化)。另外一个原因是大型科技公司的主流商业模式和愿景都聚焦于自动化,致力于清除生产流程中那些可能会出错的人为因素(绝大多数投向AI的资源主要来自这些公司)。由于部分龙头企业为学界投入海量资源,影响了一流学府的教学和研究内容,所以人们对创新激励的最后一个看法更为关键。当代精英受计算机科学、AI和机器学习的吸引,但是将大部分关注点放在了自动化上,这完全在意料之中。技术变革包罗万象,具有倾向性的生态系统会扼杀技术变革的发展方向。

  此外,可能有一些因素扭曲了人们研发AI应用时对技术类型的选择。第一个因素是如果创造出的就业机会产生的社会价值超出它在GDP数据中的体现程度(如就业人群更加快乐,成为更出色的公民,或因为劳动力需求增长加快,加剧了收入不平等),那么超出的这部分社会价值会被市场忽略。第二个因素涉及美国和其他西方国家的税收政策,这些政策会为资本和投资提供贴补,但对就业征税。因此,使用机器而不是人类劳动力更加有利可图,这些利润不仅会鼓励人们采用自动化,而且促进了与之相关的研究。最后一个因素是其他三个因素的有效补充。由于公司会把劳动力成本(即工资率)考虑在内(劳动力市场不完善往往导致工资高于劳动力的社会机会成本),企业会有激励采用和研发并非最有利于社会发展的自动化技术。(*18.请参见Acemoglu and Restrepo(2018a)。)

  另外还有一组因素阻碍了能够提升劳动力需求的创新型AI应用的发展:这类新技术可能需要重要的互补性投入才能发展起来,而这类投入目前尚不存在。以上文提到的教育领域为例。与人脸识别相比,能够在教育领域创造出新的劳动密集型工作岗位的AI不仅没有被学术界视为前沿或“时髦”的研究领域,而且产生利润所需的辅助性技能和资源完全缺失。我们将AI技术应用于教育界时,教师必须具备更加灵活的新型技能(教师的现有技能和人们正在投资培养的技能除外),而且需要其他资源雇用更多教师使用这些新的AI技术(不管怎样,新技术的着眼点在于创造出新工作岗位并提高对教师的需求)。在医疗业的案例中,资源有限并不是问题的根本所在(医疗在国民收入中的占比一直在上升),但必须开展必要的互补性变革。事实上,正如美国医学会(American Medical Association)展示的那样,医院、保险公司和整个医疗界的组织方式很可能阻碍了这类AI技术的发展,由此凸显了利用新技术创造新岗位时面临的其他障碍。如果人们认为AI技术赋能于护士和技师并提高他们的生产率,这会降低对医生服务的需求,或对当前医院采用的商业模式提出挑战,那么人们就会坚决抵制这类技术。

  总之,尽管当前没有真凭实据表明研究机构和公司资源直接投入了“错误的”AI技术,但创新市场没有提供令人信服的理由让人们相信各类AI技术之间会达成有效均衡。如果在当前这个关键时刻没有充分重视创造对劳动力有需求的工作岗位(不是简单地取而代之),那么从社会和经济的角度看,这类AI技术就是“错误的”。四处泛滥的自动化不仅不会提高生产率和增加就业,使人们更加广泛地共享繁荣,反而会导致增长乏力,不平等加剧。

结语

  人工智能终将影响我们生活的方方面面,更不用说现代经济中的生产组织方式。不过我们不应该想当然地认为,任其自行发展,正确的AI技术就会得到开发和实施。现在很多人担心AI会带来安全风险及其他难以预料的后果(这些后果通常体现在非经济领域),但我们认为现在有初步的迹象表明不利于经济发展的AI技术正在大行其道,并为未来的技术发展奠定基础。AI技术发展潜力巨大,这意味着我们需要审慎思考它们带来的影响,仔细斟酌如何最好地发展这一充满前景的技术平台。亡羊补牢,为时未晚。■

  (刁琳琳 译)

  参考文献

  Acemoglu, Daron (2002).“Technical Change, Inequality, and The Labor Market”, Journal of Economic Literature, 40(1):7-72.

  Acemoglu, Daron (2012).“Diversity and Technological Progress”, The Rate and Direction of Inventive Activity Revisited, University of Chicago Press, pp. 319-360.

  Acemoglu, Daron and David Autor (2011).“Skills, Tasks and Technologies:Implications for Employment and Earnings”, Handbook of Labor Economics, 4:1043-1171.

  Acemoglu, Daron and Pascual Restrepo (2018a).“The Race Between Man and Machine:Implications of Technology for Growth, Factor Shares and Employment”, American Economic Review, 108(6):1488-1542.

  Acemoglu, Daron and Pascual Restrepo (2018b).“Robots and Jobs:Evidence from US Labor Markets”, NBER Working Paper No. 23285.

  Acemoglu, Daron and Pascual Restrepo (2018c).“Modeling Automation”, NBER Working Paper No. 24321.

  Acemoglu, Daron and Pascual Restrepo (2018d).“Artificial Intelligence, Automation and Work”, NBER Working Paper No. 24196.

  Acemoglu, Daron and Pascual Restrepo (2019).“Automation and New Tasks:How Technology Changes Labor Demand”, Journal of Economic Perspectives, forthcoming.

  Agarwal, Ajay, Joshua S. Gans and Avi Goldfarb (2018). Prediction Machines:The Simple Economics of Artificial Intelligence, Harvard Business Review Press, Cambridge.

  Allport, Gordon W. (1937). Personality:A Psychological Interpretation, New York:Holt and Co.

  Autor, David H. (2015).“Why Are There Still So Many Jobs? The History and Future of Workplace Automation”, Journal of Economic Perspectives, 29(3):3-30.

  Autor, David H., Frank Levy and Richard J. Murnane (2003).“The Skill Content of Recent Technological Change:An Empirical Exploration”, The Quarterly Journal of Economics, 118(4):1279-1333.

  Ayres, Robert U. and Steven M. Miller (1983). Robots:Applications and Social Implications, Ballinger Publishing Co.

  Bessen, James E., Stephen M. Impink, Lydia Reichensperger and Robert Seamans (2018).“The Business of AI Startups BU School of Law, Law & Economics Series Paper No. 18-28, November 2018”.

  Cassidy, Simon (2004).“Learning Styles:An Overview of Theories, Models, and Measures”, Educational Psychology, 24(4):419-444.

  Daugherty, Paul and H. James Wilson (2018). Human + Machine:Reimagining Work in the Age of AI, Harvard Business Review Press.

  Dreyfus, Hubert L. (1992). What Computers Still Can’t Do:A Critique of Artificial Reason, MIT Press.

  Dosi, Giovanni (1982).“Technology Paradigms and Technological Trajectories”, Research Policy, 11(3):147-162.

  Forester, Tom (1985). The Information Technology Revolution, MIT Press, Cambridge.

  Graetz, Georg and Guy Michaels (2018).“Robots at Work”, The Review of Economics and Statistics, forthcoming.

  Groover, Mikell P., Mitchell Weiss, Roger N. Nagel, and Nicholas G. Odrey (1986). Industrial Robotics:Technology, Programming, and Applications, McGraw-Hill.

  Honey, Peter and Alan Mumford (1986). The Manual of Learning Styles, Peter Honey Associates.

  Kellner, Tomas (2018).“Game On:Augmented Reality Is Helping Factory Workers Become More Productive”, https://www.ge.com/reports/game-augmented-reality-helping-factory-workers-become-productive/, April 19, 2018.

  Mantoux, Paul (1927). The Industrial Revolution in the Eighteenth Century:An Outline of the Beginnings of the Modern Factory System in England, Harcourt, Brace & Co.

  Mazzucato, Mariana (2015). The Entrepreneurial State, Anthem Press.

  Mokyr, Joel (1989). Industrial Robotics:Technology, Programming, and Applications, Rowman & Littlefield Publishers.

  Neapolitan, Richard E. and Xia Jiang (2018). Artificial Intelligence:With an Introduction to Machine Learning, Chapman and Hall/CRC, Second Edition.

  Nelson, Richard and Sidney, Winter (1977).“In Search of Useful Theory of Innovation”, Research Policy, 6(1):36-76.

  Nilsson, Nils J. (2009). The Quest for Artificial Intelligence:A History of Ideas and Achievements, Cambridge University Press.

  Olmstead, Alan and Paul Rhode (2001).“Reshaping the Landscape:The Impact and Diffusion of the Tractor in American Agriculture, 1910-1960”, The Journal of Economic History 61(3):663-98.

  Ong, Soh K. and Andrew Y.C., Nee (2013). Virtual and Augmented Reality Applications in Manufacturing, Springer Science and Business Media.

  Ramírez Manuel and Alfredo Castañeda (1974). Cultural Democracy, Bicognitive Development, and Education, Academic Press.

  Rasmussen, Wayne (1982).“The Mechanization of Agriculture”, Scientific American, 247(3):76-89.

  Russell, Stuart J. and Peter Norvig (2009). Artificial Intelligence:A Modern Approach, Prentice Hall, Third Edition.

  Zeira, Joseph (1998).“Workers, Machines, and Economic Growth”, Quarterly Journal of Economics, 113(4):1091-1117.

[《比较》印刷版,点此订阅,随时起刊,免费快递。]

版面编辑:吴秋晗

财新网所刊载内容之知识产权为财新传媒及/或相关权利人专属所有或持有。未经许可,禁止进行转载、摘编、复制及建立镜像等任何使用。

如有意愿转载,请发邮件至hello@caixin.com,获得书面确认及授权后,方可转载。

推荐阅读

中国华能副总工赵贺被查

香港TVB亏损收窄 拟向大湾区跨境销售广告

金监总局两重要司局迎新“一把手” 打非如何推进央地协同

今年国内煤炭供需将保持基本平衡 或存区域性供需错配

人事观察|蔡丽新履新 社工部迎来首名女高官

财新移动
说说你的看法...
分享
取消
发送
注册
 分享成功

订阅财新网主编精选版电邮>>