从那以后的几年自动化和工作的未来首先出现的是，新的技术热情席卷了流行的想象力。这次的催化剂是生成人工智能的迅速进步，由OpenAI，Google DeepMind和Meta等公司带头。从硅谷高管到著名的投资者和记者的声音再次，坚持认为我们正处于时代变化的边缘。
OpenAI的首席执行官Sam Altman声称，AI将解决像气候修复，太空殖民化以及完全发现物理定律一样广泛的问题，并承诺过渡到普遍繁荣时代。特斯拉和太空人背后的亿万富翁企业家埃隆·马斯克（Elon Musk）警告说，AI代表了对人类的最大生存威胁，也代表了无法想象的丰度的途径，预测了人类机器人在2040年的人类机器人在2040年超过人类的未来。AI将拯救世界。埃兹拉·克莱因（Ezra Klein），自由评论员兼联合创始人Vox，在他最近的书中提供了自动化 - 乌托邦叙事的柔和版本丰富，呼吁消除监管障碍，并为研发加速技术进步提供更大的国家支持。
然而，尽管它们的新颖性，这些预测非常熟悉。他们以更新的形式排练我在本书中批评的同样的自动化话语：一种持久的叙事，想象技术自主地重塑人类生活，同时掩盖了嵌入技术变革的社会结构。
[图书带索引=“ 1”]
当今的AI话语的中心是关于劳动力市场中断和技术失业的一系列戏剧性主张。2023年，隶属于OpenAI和宾夕法尼亚大学的研究人员发布了一项研究，声称有49％的工人任务接触了大语言模型，这表明从教育到法律服务到法律服务的部门跨部门即将进行。这一预测直接更新了卡尔·本尼迪克特·弗雷（Carl Benedikt Frey）和迈克尔·奥斯本（Michael Osborne）2013年的论文，该论文通过预测美国47％的工作很容易受到机器学习技术的影响，从而引发了早期的自动化焦虑。当时，自动化理论家想象着一个临界点，机器将能够执行足够的人为任务，以使数百万职业冗余，从而引发前所未有的劳动力市场崩溃。
值得回想一下最后一轮预测的内容。在2013年发表了Frey和Osborne的论文之后，一波新闻和政策评论警告说，大规模技术失业。但是在2013年到我完成的时间 自动化和工作的未来在2020年，没有这样的劳动力市场实现。面对越来越多的疑问，经合组织在2017年重新分析了弗雷和奥斯本的方法，得出的结论是，只有大约14％的工作面临自动化的高风险 - 与吸引公众关注的原始47％的数字相去甚远。
但是，即使这降低了估计，事实证明太极端了。到2020年，很明显，许多职业被认为最容易受到自动化的影响，例如食物准备，机器操作，驾驶以及其他形式的手动或重复性劳动力，但没有看到大幅度的就业下降。在大多数情况下，这些部门的就业实际上会增长。金融危机后的几年远没有引起技术失业的浪潮，这是劳动力市场扩张和加深的经济停滞的标志。生产率增长，特别是在美国制造业中，自1960年代开始的记录以来达到了最低的持续利率。自动化革命似乎未能到达。
这些预测的失败并非偶然。它反映了用于预测工作未来的方法中的基本缺陷。2013年的研究和2023年继任者都没有基于对实际工作场所，工人或生产过程的实证研究。取而代之的是，两者都依靠计算机科学家和经济学家的主观判断，他们被要求猜测某些任务原则上是否可以由机器执行。如果认为与工作相关的足够的任务被认为是可自动化的，则通常超过50％ - 整个职业被归类为有失踪风险。没有考虑如何在实践中结构工作，如何将任务捆绑在一起，或者经济和社会因素如何介导了新技术的采用。结果是技术变革的深刻机械模型，无论何时在技术上可行，无论成本，机构障碍或政治抵抗如何，机器都会使工人取代。这是一种对组织，有争议和转变的复杂方式的模型，因此有奇异的能力来预测经济发展的实际过程。
[图书带索引=“ 2”]
自动化效应在过去十年中的现实看起来与预测的效果截然不同。工业机器人已经在千年之交已经广泛部署，继续集中在少数部门中，主要是在汽车制造业中。尽管机器人硬件的成本下降 - 通常被认为是自动化会加速的证据 - 真正的费用不在于获取机器人，而是将它们整合到生产系统中。编程，优化和维护工业机器人通常的成本是机器本身的三倍，这意味着只有生产高标准化商品的大型公司才能证明其广泛使用合理。中小型企业倾向于专门从事定制的小批量生产，几乎没有动力自动化。
同时，服务业机器人无休止地承诺 - 几乎完全没有。跟踪机器人部署的统计机构在制造中几乎继续衡量它。即使在最乐观的情况下，机器人仍然是狭窄任务的专业工具：移动重件，执行精确的焊缝，重复焊接。2010年代远没有引发一场新的工业革命，揭示了自动化的局限性，可以在任何规模上改变经济。
了解自动化的局限性需要在更广泛的结构趋势中进行技术变革，这些趋势重塑了全球经济，并且在本书中对此进行了详细的分析。自1970年代和1980年代以来，工业化 - 资本主义增长的历史引擎在很大程度上开展了其过程。取而代之的是基于服务的经济体，现有75％至90％的工人现在被雇用。尽管有人认为制造业工作只是简单地搬到了全球南部，但实际上，去工业化已成为全球现象，甚至像中国这样的国家自2013年以来，制造业就业的稳步下降。
从制造业到服务的转变具有深远的影响：服务的生产率增长通常要比行业或农业慢得多。教育，医疗保健和酒店等服务通常是劳动密集型的，对机械化的抵抗力，并以人类互动的影响，以限制效率提高的方式。由于服务消耗了更大的就业和产出，因此总体生产率增长率已减慢。加上人口增长的减弱和对未来市场的期望下降，这些趋势创造了一个长期的经济停滞环境。一种新技术，无论多么炒作，都难以产生曾经承诺的各种转型。
[图书带索引=“ 3”]
过去十年所证明的不是工作的消失，而是它的转变。即使引入了新技术，大多数工作都持续了，尽管形式改变了。数字化对工作的影响始终如一地表明，调整主要是通过职业内任务结构的变化而不是通过职业之间的批发转移进行的。与自动化理论家的假设相反，没有明确的阈值 - 例如，自动化的50％的任务 - 除此之外，工作就停止了。取而代之的是，工人适应，角色的发展和职业通常具有与以前不同的技能和责任。在特定部门的就业增长，合同还是停滞不前的不仅取决于技术能力，还取决于更广泛的经济状况。”
甚至相同的职称也可以涵盖跨公司和国家的根本不同的工作，具体取决于先前的自动化历史，工会实力和监管保护。例如，在德国的大众汽车，意大利法拉利的手工研讨会以及中国迅速扩大的电动汽车工厂中，建造汽车的看上去很大。在电影界，好莱坞，印度的宝莱坞和尼日利亚的Nollywood在电影界也是如此，每个人都根据独特的技术，经济和文化逻辑来组织生产。在这种情况下，技术变化的工作方式既不是自动的也不是不可避免的。它是由集体选择塑造的，这些选择是什么样的工作以及社会愿意维持的哪种工作生活。
在更长的计算机化弧线上，数字技术通常与高技能有关。随着工作场所在技术上变得越来越复杂，对受过良好教育，受训练更高的工人的需求增加了，这导致了高技能，高薪工作与低技能，低技能，pre可危的劳动力市场的两极分化。最近的技术发展遵循了不同的轨迹。在某些部门中，数字化并没有提高技能，而是消除技能。像Uber这样的服务剥离了传统的出租车工作，曾经需要的专业知识，用GPS导航系统代替了当地知识。
同时，数字技术已经大大扩大了雇主监视和纪律工人的能力。效率工资是当经理无法轻易观察工人绩效时，通常必须支付的工资较高。曾经难以监督的工作，例如长途卡车运输，现在受到持续的电子监视，使公司能够降低效率工资。有了更大的监督，企业可以对工作的步伐和组织更加控制。
这些发展揭示了技术不是中立的：它们是在决定其对劳动影响的政治和机构背景下部署的。政府可以规范工作场所的监视；工会可以讨价还价，以防止侵入性监测。然而，在没有这种努力的情况下，技术变革越来越多地降低了工作并加剧了经济不平等。
[图书带索引=“ 4”]
在自动化令人失望的经济影响之后，希望越来越多地转向生成人工智能。现在，正在将巨大的资源倾注到AI模型的开发中，并构建维持它们所需的数据中心。微软，Google，Meta和Openai共同投资了数十亿美元，赌博生成的AI将带来前一轮自动化未能实现的突破。在工业革命的言论之下，有一个更具体的野心：要设计一场服务革命，提高了历史上落后的医疗保健，教育，零售，零售，零售业，零售业，零售业，零售业，零售业，零售业，零售业的生产率增长。
鉴于投资规模，隐含的期望是惊人的：由于二十世纪日本和中国的快速追赶阶段，生产率将需要以未见的速度上升，但是这次是在像美国这样的技术发达经济体中，才能使这些投资有利可图。很容易理解吸引力。如果机器化无法带来新的繁荣浪潮，也许聪明的软件代理可以。然而，愿望与现实之间的差距仍然很大，并且有充分的理由怀疑生成的AI是否可以解决其目前的轨迹，可以解决后工业经济的结构停滞。
即使是许多早期冠军，生成AI的基本局限性也变得越来越明显。正如Franã§oisChollet和其他AI研究人员所指出的那样，深层神经网络遭受了固有的脆弱性：他们努力概括超出其培训数据，在基本推理任务上失败，并且对于需要一致性或准确性的应用程序仍然不可靠。尽管增加了大量的数字信息，但这些模型在学习或适应的能力方面仍面临硬限制。问题的一部分在于人工神经网络的架构，这些建筑是根据20世纪中期的行为主义心理学设计的。与有机大脑不同，配备了丰富的内部结构，先天目标和代表性的框架 - 人工网络在很大程度上是非结构化的，依赖于蛮横的统计关联。人类的思想可以从一些例子中掌握一个新概念。机器学习模型通常需要数百万。将象征性推理与深度学习相结合的混合方法，例如Alphafold2在蛋白质折叠方面的成功，提供了更有希望的结果 - 但必须为特定任务进行艰苦的设计。没有一般的方法将模块化认知构建到深度学习系统中，也不能保证会找到一种认知。
幻灭的迹象已经出现。微软首席执行官萨蒂亚·纳德拉（Satya Nadella）最近承认，尽管该公司在OpenAI和其他生成AI风险投资中进行了巨大的投资，但生产率增长尚无可测量的提高。他简单地构建了真正的基准：如果生成的AI具有变革性，我们已经看到世界经济增长速度更快。取而代之的是，几乎没有任何此类加速的证据。报告 华尔街日报和金融时报随着企业努力寻找容易出现不一致和错误的AI模型的可靠，大规模用途，公司采用企业采用的步伐缓慢。诺贝尔奖获得的经济学家达伦·阿克莫格鲁（Daron Acemoglu）对公开的怀疑主义表示，警告说，生成的人工智能技术可能无济于事，无法解决遭受高级资本主义社会的更深层次的经济不适。对于已经实现的所有非凡技术壮举，越来越明显的是，当前的AI创新浪潮本身可能不会产生基于广泛的经济活力，而其支持者如此自信地预测。
[图书带索引=“ 5”]
生成AI的更直接影响可能反映出今天已经展开的工作转变趋势，即消除和监视的更广泛的趋势，而不是引起大量失业。初步研究表明，生成的AI技术在低技能工人中提高了生产力，有助于标准化产出，但对增强高技能，高复杂性工作的影响不大。这些系统擅长生成平均质量写作和基本代码 - 学生执行的任务类型并非偶然，这就是为什么Chatgpt的主要用例之一一直在帮助学生作弊的原因。随着这样的工具变得越来越普遍，存在数字化的数字化领域，例如计算机编程，图形设计和法律研究，算法生成的产出可以代替具有平均能力水平的工人产生的产出。”
同时，生成的AI模型为监视和评估工人提供了新的可能性，处理监视数据以对劳动过程产生更大的控制并抑制工资。再次，有望使我们摆脱工作风险加强剥削的技术。如果没有强大的社会和法律框架来重定向其发展，生成的AI繁荣的可能结果将不是大规模的失业，而是工作条件恶化，经济不平等的加速和进一步侵蚀工人的自治。
过去十年的经验教训既应该调节我们的希望和恐惧。生成AI构成的真正威胁并不是说它将消除大规模的工作，从而使人工劳动过时。正是由于不受组织的检查，它将继续以加深持续性，加剧监视并扩大现有不平等的方式来改变工作。技术变革不是社会必须简单适应的外部力量。这是一个在社会和政治上介导的过程。法律框架，集体谈判，公共投资和民主法规都在塑造技术的发展和部署方式以及结束时起着决定性作用。
当前的生成AI轨迹反映了寻求降低成本，纪律工人和合并利润的公司的优先事项 - 没有任何提高人类蓬勃发展的动力。如果我们允许这种轨迹不受挑战，那么当从技术创新到少数的收益时，我们就不会感到惊讶，而负担落在了许多方面。然而，不必这样。未来仍然开放，取决于我们是否愿意面对，竞争并重定向技术进步的途径。
[图书带索引=“ 1”]
目前的围绕人工智能的疯狂不会永远持续下去。随着生成AI的局限性变得更加清晰，并且随着大规模公司投资的经济回报未能以预期的规模实现，投机性泡沫将不可避免地破裂。当那一刻像互联网崩溃之后一样，在2010年代的机器人炒作之后，我们将面临一个关键选择。我们可以将自己辞职到另一个技术上的幻灭循环，或者我们可以提出有关技术如何真正满足人类需求的更多基本问题。如果我们要应对未来几十年的挑战。
未来的任务不仅是预见AI对我们的行为。这是为了确定我们作为社会打算与AI做的事情。我们必须坚持认为，技术发展不是由股东回报来衡量的，而是通过建立更公正和人道的世界的贡献来衡量的。最后一章自动化和工作的未来开始探索该项目可能需要什么。
巴西版的序言自动化和工作的未来，一个 即将到来Boitempo。原版现在可用来自Verso。一个
提交以下：作者 - 贝纳纳夫·艾伦，经济学，技术