伴隨著AI的迅速發展，幾乎每個勞動領域都面臨沖擊，像創意工作、數據分析等，只要能被量化的任務，都可能被自動化。對于那些引領組織穿越這場動蕩轉型的領導者而言，應對方法很簡單。支持那些投資回報率模糊的冒險賭注，獎勵那些重新定義問題并勇于探索未知的團隊。留出空閑時間，促進跨團隊交流，以激發意外發現和創意重組。將這些有意保留的模糊領域視為戰略資產，而非負擔。

AI無需如科幻作品那般升級，便能顛覆經濟格局。當下的模型，以及正在研發中更廉價、性能更強的版本，幾乎注定要沖擊勞動力市場的各個角落。它們在文本、圖像和視頻領域展現出的驚人表現，不僅可能改變作家、設計師、攝影師、建筑師、動畫師和品牌廣告商等創意階層的工作模式，還會影響金融分析師、顧問、會計師和稅務申報員等處理電子表格的職業人群。就連法律、醫學或學術等有著專業門檻的領域也難以幸免：AI能夠篩選海量內容，以如今幾分之一的成本提供定制化建議或課程，且質量也在迅速提升，與人類不相上下。

關于AI工具究竟還能強大到何種程度，以及這一進程會有多快，目前仍存在諸多重大疑問。Anthropic的達里奧·阿莫迪（Dario Amodei）和OpenAI的山姆·奧特曼（Sam Altman）聲稱，通用人工智能（AGI）或許僅需一兩年就能實現。而Meta的楊立昆（Yann LeCun）則持更懷疑的態度，他認為當前的模型缺乏對物理世界的扎實理解、持久的記憶、連貫的推理能力以及戰略前瞻性。蘋果公司剛剛發布的一項新研究也指出，如今的模型僅在其訓練數據的范圍內發揮作用。然而，即便AI的發展明天就戛然而止，其帶來的沖擊已然開始。

為了在這全新的局面中找準方向，領導者們需要理解并規劃自動化將如何影響他們的業務。這就要求他們明確哪些任務和職責最有可能面臨壓力，并在時間耗盡之前，規劃出一條讓企業向智能價值鏈上游邁進的路徑。

哪些不會面臨自動化風險？

學術研究人員和從業者廣泛探討了哪些工作和任務最容易受到自動化的威脅。有些威脅顯而易見：自動駕駛汽車可能很快就會取代數百萬網約車、公交和卡車司機。與此同時，語言翻譯、大量創意寫作、設計，甚至日常編程工作，都逐漸交由AI來完成。

今年2月，Anthropic分享了一組引人深思的用戶數據：盡管聊天模式自然地引導人們進行人機協作，但約43%的交互已經屬于某種形式的自動化，即用戶要求AI直接執行任務，而非協助他們反復思考并解決問題。隨著模塊化AI智能體進入職場，通過MCP等協議進行數據交換和任務協調，這一比例還將持續攀升。那些被廣泛量化或規范化的環境，無論是通過法律、稅法、合規協議，還是傳感器數據流，在短期內都面臨著被機器取代的最大風險。

2018年，AI研究先驅阿賈伊·阿格拉沃爾（Ajay Agrawal）、約書亞·甘斯（Joshua Gans）和阿維·戈德法布（Avi Goldfarb）提出，隨著AI的發展，人類最后的優勢領域將是判斷力，即在不確定情況下權衡選項并做出決策的能力。然而，這一觀點給我們出了一道難題：在任何特定時刻，確切界定究竟什么才算是判斷力。

如今那些需要人類判斷力的任務，比如選擇治療方案、審核法律合同、撰寫緊扣時代精神的電影劇本等，隨著模型能夠利用更豐富的數據和更強大的計算能力，可能很快就會被AI接手。近期研究還表明，我們也不能理所當然地認為人們總是更傾向于選擇人類治療師、咨詢師或調解人。與之對應的AI可以全天候工作，成本僅為人類的一小部分，而且除了少數人類頂尖專家外，AI提供的服務質量可能更為穩定。

那么，我們如何區分哪些任務AI很快就能自動化，哪些任務還需要AI技術取得新突破才能實現自動化呢？要回答這個問題，我們必須回歸到基本原則，回顧這一切的起源。

從實驗室競賽到工業革命

回溯到21世紀初，計算機科學家李飛飛發現，專注于讓計算機“看見”并解讀圖像的計算機視覺領域遭遇了瓶頸：算法因缺乏像素數據，攝入的視覺信息過少，無法達到人類的表現水平。她的解決方法簡單粗暴卻卓有成效：她創建了ImageNet，這是一個龐大且經過精心標注的圖像庫，借助亞馬遜土耳其機器人眾包平臺完成數據收集。但她真正的天才之舉是在2010年，她在這個數據集上設置了一個全球排行榜，將圖像識別變成了研究人員之間的一場激烈競賽。

在最初的兩年里，年度排行榜上的成績進展緩慢。

然而，在2012年，亞歷克斯·克里澤夫斯基（Alex Krizhevsky）、伊利亞·蘇茨克韋爾（Ilya Sutskever）和杰弗里·辛頓（Geoffrey Hinton）脫穎而出，令其他競爭者望塵莫及。來自多倫多的這三人團隊使用兩張現成的英偉達GTX 580顯卡，僅用幾天時間就訓練出了具有突破性的卷積神經網絡。這種開創性的方法證明，即便只有研究生的預算，也能改寫計算機視覺的歷史。

這一時刻終結了長達數十年的AI寒冬，將神經網絡推到了技術進步的核心位置，并揭示了該領域至今仍在沿用的成功模式。首先，收集相關數據，在ImageNet項目中大約收集了1400萬張標注圖像；其次，依靠指標來量化和推動進展；最后，為模型提供大量數據和強大的GPU計算能力，直到它自我學習。正是這個模式，讓AI從物體分類發展到撰寫流暢的文章，直至如今在新興的 “思考” 系統中實現推理、規劃和運用外部工具。

數據、獎勵、計算能力

推動圖像識別取得突破的這個框架，其通用性遠超大多數人的認知。只要滿足以下條件，這個框架就能發揮作用：

第一，定義任務環境并收集其數據，無論是文本語料庫、圖像和視頻庫、記錄的行駛里程，還是機器人傳感器傳來的數據流；

第二，明確目標獎勵，可以是明確的（比如 “模型是否預測出了下一個單詞？”），也可以是隱含的（通過觀察人類行為推斷得出）；

第三，提供計算能力，讓系統能夠不斷迭代。

集齊這三個要素，就得到了一個通用的自動化引擎。如今，有兩個數據趨勢加速了這一進程。其一，模型能夠生成無限的合成樣本，例如，生成涵蓋各種極端場景的虛擬 “行駛里程”，而無需依賴現實世界中司機的數據。其二，AI越來越多地應用于各種設備和傳感器，如手機、汽車等，它就像一個低成本的監測器，捕捉并量化那些曾經因成本過高或不切實際而難以測量的現實世界信號。

只要你能將一種現象轉化為數據，AI就能學習并大規模重現它。而且這項技術還在不斷降低這種轉化的成本，使得測量變得更廉價、更快速，并悄然融入我們所接觸的一切事物中。越來越多的事物變得可量化，這個循環不斷重置，模型也不斷進化。這意味著，理論上任何可量化的工作都能實現自動化。

測量成本低廉，應用無處不在

經濟學家茲維·格里利謝斯（Zvi Griliches）在1957年對雜交玉米推廣的具有里程碑意義的研究，讓我們清晰地看到了未來的走向。起初，農民們只在最優質的土地上種植這種昂貴的種子，因為在這些土地上，產量的提升很容易彌補使用新產品的額外成本和學習成本。隨著雜交種子的改良和口碑傳播，即使是利潤微薄的土地也很快達到了收益成本平衡點。對于AI而言，投入到測量事物上的成本也遵循同樣的收益曲線。當將現實轉化為數據的成本高昂時，公司往往只在一些關鍵領域進行投資，如信用卡欺詐檢測、算法做市、噴氣發動機故障預測等。

但如今，AI大幅降低了精確測量的成本，使得持續、精細的感知成為常態。輕量級模型與傳感器協同工作，減少帶寬和延遲，而合成數據則在現實世界數據獲取緩慢或困難時填補空白。每多一個小數位都能迅速帶來回報：在數百萬由AI驅動的決策中，微小的誤差削減會迅速累積。隨著精確測量成本的降低，即使是收益微薄的領域也變得有利可圖，那些曾經因微不足道而未被關注的任務，也逐漸被納入自動化的范疇。

我們不僅可能很快擁有廉價到近乎免費的智能，而且我們還將對世界進行更多的測量，以擴展并不斷升級這種智能的應用范圍。我們已然身處 “人工測量智能” 的時代，任何我們能夠量化的事物，都會迅速被列入自動化的日程。

于未知中蓬勃發展

人類是進化中的多面手，生來就能在信息不全的情況下摸索前行。我們不僅能在未知的未知中生存，還能從中蓬勃發展，這種適應能力正是我們的決定性優勢。歷經無數代的進化，我們不斷優化聲帶和社會思維大腦，直至語言誕生，從而開啟了積累知識、抽象推理和符號思維的大門。從那時起，我們突破了自身的生物局限，制造出各種工具，拓展了我們的感知，增強了我們的記憶，提升了我們的能力。

但我們優勢的基石在于高度靈活、緊密連接的前額葉皮層。這個神經指揮中心讓我們能夠設想無數的 “假設”，預演各種可能的未來，并在條件變化時立即調整策略。除非真正實現奇點突破，否則即使是量子計算機，也難以企及我們在開放式、跨領域的反事實規劃方面的天賦。

隨著AI加速發展，它帶來了新的未知，我們的認知版圖也不斷被重新繪制。與此同時，它將可預測的部分常規化，就如同機械化農業使我們擺脫了自給自足的生存模式，從而將我們更多用于反事實思考的腦力資源解放出來，去應對更高級別的問題。

在那些幾乎無法測量的領域，AI也會面臨困境。比如，事件視界望遠鏡（Event Horizon Telescope）耗費了長達十年、跨越全球的努力，才捕捉到一張黑洞圖像；在探索極端尺度物理學、地球深部地幔和深海，以及研究人類大腦內的活細胞相互作用等方面，仍然存在尚未解決的難題。在那些因隱私、倫理或監管限制而難以測量的領域，在社會要求推理過程透明的領域（至少在模型可解釋性跟上之前），以及人們更傾向于人類參與的領域，AI的發展也會相對滯后。然而，就像雜交玉米的推廣一樣，未來幾代人會不斷重新審視這些領域的成本效益，可能會得出與我們截然不同的結論。

但在可測量的范疇中，有一個至關重要的例外可能具有決定性意義：那些由于結果概率根本無法確定而難以量化的任務，即處于奈特不確定性（Knightian uncertainty）的領域。在這個領域中，由于風險本身都未明確界定，你無法賦予任何概率。比如創立一家初創公司、將資金或人才投入高度不確定的項目、控制新型病原體、在金融體制轉變時制定央行政策、起草AI倫理規范、發明一種新的藝術媒介、引發一種時尚潮流，或者打造一部全新的跨界大片，這些都屬于概率消失的領域。有些創造性行為和發現只不過是對已知事物的巧妙重組，但真正具有開創性的成果，依賴于我們獨特的能力，即設想出全新且復雜的反事實世界。

這個清單并非一成不變，一旦某些任務變得可測量，它們就會從清單上消失，而新的任務也會同樣迅速地出現。每一次轉變都會帶來痛苦的經濟和社會調整，使得更多工作集中于一個超級明星經濟體系中，將巨大的回報集中在創造力、天賦和資本的巔峰。然而，AI也帶來了一個看似矛盾的禮物：通過普及教育并成為每個人的私人助手，它為比以往更多的人提供了攀登這些巔峰的工具。工作本身將持續演變，任何將未知轉化為可量化的突破，都會以極快的速度傳播并被模仿。

對于那些引領組織穿越這場動蕩轉型的領導者而言，在電子表格之外還有什么呢？是所有無法在單元格中體現的東西：那些無法量化的技能、沒有可靠先例的開放性問題、無形的因素，如信任、品味，以及質量和經驗的微妙維度，還有即便所有指標都顯示 “等待”，仍勇往直前的信念。只管理你能夠測量的事物，就等于將最有價值的領域拱手讓給那些培育不可量化事物的競爭對手。

創立了博士音響公司（Bose Corporation）的音響與電子工程師阿馬爾·博斯（Amar Bose）就證明了這一點：當其他人都在追捧規格表上的數據時，他專注于音樂在真實房間里給人的聽覺感受，這是現有任何指標都無法捕捉的品質，而他也因此改寫了音頻行業的規則。

總體而言，應對方法很簡單。支持那些投資回報率模糊的冒險賭注，獎勵那些重新定義問題并勇于探索未知的團隊，并讓人才在研發、新市場以及復雜的客戶、合作伙伴和政策互動等充滿不確定性的崗位間輪崗。留出空閑時間，促進跨團隊交流，以激發意外發現和創意重組。將這些有意保留的模糊領域視為戰略資產，而非負擔。

唯有那些既關注可量化之事，更重視那些始終難以量化之事的領導者，方能在下次變革降臨時從容應對。

關鍵詞：

克里斯蒂安·卡塔利尼（Christian Catalini）、簡·吳（Jane Wu）、凱文·張（Kevin Zhang）| 文

克里斯蒂安·卡塔利尼是麻省理工學院加密經濟學實驗室的創始人，同時也是麻省理工學院的一名研究科學家。他還是Lightspark公司的聯合創始人兼首席戰略官。簡·吳是加州大學洛杉磯分校的戰略學助理教授，她的研究領域集中在創新、創業與戰略的交叉點。她目前的工作重點是研究指標在塑造企業創新中的作用，同時也關注高增長初創公司創始人所面臨的創業戰略選擇。凱文·張是Lightspark公司的機器學習工程師，專注于戰略性AI項目。他也是Inference Grid的創造者，這是一個用于AI推理的去中心化網絡。此前，凱文曾在Meta擔任廣告核心機器學習高級軟件工程師。

周強 | 編校

我們常說“能者多勞”

殊不知在企業里 這種慣性正在逼走頂尖人才↓

《哈佛商業評論》中文版 聯系方式

投稿、廣告、內容和商務合作

newmedia@hbrchina.org