人工智能增强谬误是这样的：
“人工智能不会取代你的工作，但使用人工智能的人可能会。
相反，我认为对于绝大多数工作来说，人工智能的影响将如下所示：
“人工智能不会抢走你的工作，但它需要你的能力来收取溢价。
换言之：
“人工智能不会吃掉你的工作，但它会从你的薪水中抽出一大笔钱。
问题不在于机器是否会取代人类。
这个问题是我们这个时代最大的干扰之一。
真正重要的问题是 一旦人类被机器增强，他们是否。仍然能够获得技能溢价
如果是这样，哪些技能可以保持这种溢价，哪些技能不会。
关于人工智能对工作影响的争论一再被自动化替代的问题所分散，而真正推动我们参与职业的因素是拥有技能的能力，这给了我们技能溢价。
人工智能完全准备好攻击的不是你的工作，而是为它收取技能溢价的能力。
[图片上传失败...(image-8e63df-1712037557114)]特别是，我们通过这篇文章来探讨三个关键思想：
扩充重新捆绑作业的四种方式
人类吸引技能溢价的三种方式
人工智能侵蚀这种技能溢价的三种方式
工作的分拆和重新分拆
每个工作都是一堆任务。
其中一些任务需要专业化，有些则不需要，但它们仍然是捆绑包的一部分，因为拆分和委派这些任务的成本可能很高
[图片上传失败...(image-9e07d3-1712037557114)]
每一波新的技术浪潮（包括人工智能一代的持续崛起）都会攻击这个捆绑包。
[图片上传失败...(image-8272fb-1712037557114)]
替代品和补充
新技术可以替代特定任务 - 例如，智能调度工具可以完全替代以前由人类执行的任务。
新技术还可以补充特定任务，例如，人工智能的改进为医生和放射科医生提供诊断支持，增强他们执行任务的能力。
一阶思维表明，技术作为替代品（自动化）是坏的，而技术作为补充（增强）是好的。
然而，要了解技术对工作的影响是净积极还是净消极，重要的是要考虑增强对上述工作包的影响。
根据对捆绑包的影响，该工作类别的技能溢价（技术工人与非技术工人的工资之比）可能会增加、减少或保持不变。
技能溢价和工作的重新捆绑
有四种可能的方式可以重新捆绑作业捆绑包。
场景 1：现状
首先，工作捆绑包的价值没有变化。
人工智能增强可以帮助工人，但无论是通过提高生产力还是通过升级以在工作包中包含更高价值的任务，他们获取价值的能力都没有实质性的提高。
[图片上传失败...(image-31154f-1712037557114)]结果：对技能溢价没有影响，即技术对您作为技术工人的薪水既没有上行压力也没有下行压力。
我相信生成式人工智能的影响将在这个方向上减少，而在下面的其他三个方向上会更严重。
场景 2：价值迁移
在这种情况下，价值会向作业捆绑包转移。
AI 增强将价值迁移到特定的工作包，主要是因为员工受益于生产力的提高（更多相同），或者因为他们升级以在工作包中包含更高价值的任务（更多不同）。
[图片上传失败...(image-313119-1712037557114)]结果：您收取技能溢价的能力提高，即通过技术增强，您现在可以为相同的技能收取更高的薪水。
场景3：商品化
[图片上传失败...(image-80ead6-1712037557114)]商品化 - 增强的鲜为人知的影响之一 - 当两个因素中的一个（或两个）发挥作用时，就会发挥作用：
增强从专业任务中吸收价值，并随着时间的推移将任务商品化
增强降低了进入专业任务的（技能）门槛，增加了现在可以执行任务的工人的潜在基础。如果没有价值的重大转变或需求的增长，这种竞争的加剧会降低工人为任务获取价值的能力。
结果：您收取技能溢价的能力下降，即随着您工作类别中的其他人越来越多地使用技术，您维持薪水的能力下降。
一般来说，这种情况很可能发生在人工智能中，尤其是 Gen AI，因为它能够将知识商品化并将面向知识的任务商品化。
场景 4：最终替换
最后，增强的最终结果很可能是自动化（替代）。
[图片上传失败...(image-ae85ab-1712037557114)]
这可能是由于数据驱动的学习效应而产生的。
随着员工越来越多地使用增强技术，他们生成模型训练和微调所需的数据，从而不断提高模型的准确性和专业化。最终，该模型变得足够专业，可以完全替代任务。
结果：你的工作本身被取代了。
技能溢价的三个来源
让我们回到这篇文章的中心论点。
人工智能不会吃掉你的工作，但它会吃掉你收取溢价的能力。
下面，我们将探讨技能溢价的三个来源：
1. 技能优势：高技能工人相对于低技能工人的技能溢价。
2. 学习优势：通过持续学习来捍卫和提高技能溢价的能力。
3. 管理优势：将技能和学习优势与规划和资源分配能力相结合所带来的额外技能溢价。
让我们来看看导致技能溢价下降的三个因素。
1 - 专业任务的技能溢价
如果人工智能使低技能工人能够与高技能工人同等表现，那么执行专业任务并比非熟练工人获得技能溢价的工人将失去这种技能溢价。
正如我在《慢速燃烧的人工智能》中所解释的那样：当增强而不是自动化才是真正的威胁时：
当技术增强了熟练的工作，并使历史上的低技能工人能够与历史上的高技能工人相提并论时，这种增强使工人更容易被替代，并最终使工作商品化。
人工智能增强通过降低技能门槛来实现相同的绩效，使高技能知识工作者相对更具可替代性。
增强可以提高生产力和产出，但对技能较低的人比对技能较高的人的影响更大。当这种情况发生时，随着技能变得更加商品化，工人变得更具可替代性。
2 - 学习优势的技能溢价
如上所述，技能商品化是人工智能的第一个影响，但这本身并不是人工智能所独有的。以前的技术周期也侵蚀了专业任务的技能溢价。
人工智能在对学习优势的影响方面是独一无二的。
考虑一下我在 中举的挥舞斧头的例子Slow-burn AI：
直到二十世纪初，挥舞斧头还是一项高技能的工作。为了擅长伐木，您需要通过多年的练习来完善斧头摆动的直角以及斧头的抓地力，从而发展肌肉和肌肉记忆。
电锯的发明改变了这一切.低技能的伐木工人，他们缺乏知识或肌肉记忆来表现良好，现在可以以更高的效率水平表现。
电锯是一种将挥舞斧头商品化为一种技能的技术。但是，可以说，一旦你达到一定的技能水平，挥舞斧头的学习回报就会递减。只有通过学习才能实现更多的进一步改进。
很多知识工作是完全不同的。知识工作需要你不断学习。
以医疗保健为例。普通医生要经过 5-8 年的医学院学习，并且需要在漫长的职业生涯中继续磨练自己的手艺。法律是另一个学习优势需要技能溢价的领域。
这里的技能溢价不仅与技能专业化有关，还与通过持续学习来发展和捍卫这种溢价的能力有关。
人工智能之所以攻击这种技能溢价，是因为它能够大规模学习：
人工智能通过不断吸收技能来加剧商品化。
人工智能在增强方面越成功，它被使用的频率就越高，它捕获的数据就越多，用于训练，并且在未来的增强中就越有效。
以医疗保健为例：
人工智能商品化并吸收了工人（例如医生）在特定行业中可能开发的专有知识和学习优势。
随着 AI 增强的发挥，医生们不断训练模型，将他们的更多技能融入到模型中。
在中国，平安好医生最初是一个远程医疗平台，人工智能增强医生通过该平台为患者提供治疗。经过几年的模型训练，人工智能模型现在都击败了人类医生在许多任务上。
人工智能已经从增强转向替代。
通过大型语言模型 （LLM），可以商品化并吸收到模型中的知识范围进一步增加，从而增加了类似商品化在更大范围的工作中发挥作用的可能性。
就像谷歌地图“吸收”出租车司机的导航技能并将其产品化，使任何人都能有效地导航一样，LLMs“吸收”知识，可能使“低技能”或“信息较少”的参与者能够执行以前由“高技能”参与者处理的任务。
这是人工智能攻击技能溢价的第二种方式。
管理优势的技能溢价
以下是关于人工智能对工作影响的叙述中的一个常见比喻：
人工智能将永远需要人类参与其中。
那么，人类擅长什么？
实际上，有一堆东西。原创思想、深情（而不仅仅是创造性）表达、人际关系和管理目标导向，仅举几例。
要真正完成工作，您需要上述一项或多项。而技术很少擅长取代这些。这就是为什么在循环中需要人类的原因。
除了管理目标导向可能不是人类的唯一领域。
输入 AI 代理。
AI 代理
为了定义 AI 代理，我将借用本通讯的一位读者 Dharmesh Shah 在他的新博客 Agent.AI 上提出的定义。
Software that uses artificial intelligence to pursue a specified
goal. It accomplishes this by decomposing the goal into actionable
tasks, monitoring its progress, and engaging with digital resources
and other agents as necessary.
代理是追求目标的，这就是他们与众不同的地方。虽然大多数技术都以任务替代为目标，但智能体超越了任务来寻求目标。
每个代理都至少有一个目标（可能不止一个）。
为了实现此目标，代理需要做三件事：
扫描：扫描并观察环境的当前状态
计划：制定计划，将监狱解构为组成任务，这些任务共同改变环境以实现目标
ACT：利用其他代理和数字资源来执行计划，通过从步骤 1 重新开始以调整计划以应对不断变化的环境来不断监控其进度。
人工智能代理与传统的确定性软件形成鲜明对比，在传统的确定性软件中，程序员进行扫描和计划，然后将指令编码为执行ACT的代码。
总之，AI代理很酷。他们完成了工作。
它们看起来像这样：
[图片上传失败...(image-998785-1712037557114)]
以目标为目标，以重新捆绑任务为中心
我们推动的是：
到目前为止，追求目标一直是让人类参与其中的关键原因，即使技术取代了个人任务。
人类仍然参与将机器执行的任务与他们自己执行的任务（人类执行的任务）相结合，以实现目标。
人工智能代理的独特之处在于（与其他技术不同），因为它们可以利用目标寻求行为来重新捆绑任务，并完全取代工作中的人类表现。
这是怎么回事：
首先，AI 代理将目标解构为其组成任务。它分析这些任务以了解它们的性质、复杂性和相互依赖性，并对它们进行分类和排序，以对目标做出贡献。
一旦任务被分类并与目标保持一致，代理就会分配资源（包括调用其他代理）来执行。
智能体还可以根据不断变化的环境信息不断调整和调整任务捆绑策略。他们可能会重新评估优先级、重新排序任务或更改与他们合作的其他代理。在完全竞争的代理市场中，人工智能代理应该有足够的信息来将最合适的代理映射到任务中。
它一直都是代理商。
由于上述目标寻求行为，人工智能代理将任务重新捆绑到特定目标上，从而影响工作的组织和执行方式。这种重组发生在个人和组织层面，最终重塑了工作角色和团队动态。
目标实现是人工智能的真正产物。
AI 代理如何侵蚀技能溢价
座席可能不会吃掉你的工作，但他们可能会吃掉你的人机优势。
在以前的技术浪潮中，人类经常失去与被增强的任务相关的技能溢价，但他们会保留环境扫描、规划和跨人力和技术资源分配的相关能力。
代理剥夺了主要执行环境扫描、规划和资源分配的“人机交互”的管理优势。
是的，对于代理商来说，现在还处于早期阶段，但随着模型的发展和更多代理的创建，一个完全竞争的代理市场可能会取代多个级别的管理优势。低端管理工作最初被取代。但随着时间的流逝，复杂的管理工作可能也难以获得溢价。
当然，在瞬息万变的环境中，资源分配需要独创的思维。一些（少数）人类可能会在那里有效地智取人工智能。但对于绝大多数人来说，随着上述所有这三种效果的发挥，人机交互的技能溢价会逐渐被侵蚀。
集中式做市加速侵蚀
座席可能不会吃掉你的工作，但他们可能会吃掉你的人机优势。
在以前的技术浪潮中，人类经常失去与被增强的任务相关的技能溢价，但他们会保留环境扫描、规划和跨人力和技术资源分配的相关能力。
代理剥夺了主要执行环境扫描、规划和资源分配的“人机交互”的管理优势。
是的，对于代理商来说，现在还处于早期阶段，但随着模型的发展和更多代理的创建，一个完全竞争的代理市场可能会取代多个级别的管理优势。低端管理工作最初被取代。但随着时间的流逝，复杂的管理工作可能也难以获得溢价。
当然，在瞬息万变的环境中，资源分配需要独创的思维。一些（少数）人类可能会在那里有效地智取人工智能。但对于绝大多数人来说，随着上述所有这三种效果的发挥，人机交互的技能溢价会逐渐被侵蚀。
集中式做市加速侵蚀
最后，随着工人通过人工智能变得更加商品化，这项工作有助于更多的集中式做市商。
集中式做市进一步加速了技能溢价的侵蚀。
为了理解这是如何运作的，让我们看一下一个已经大规模发挥作用的市场。
正如我在 中指出的那样Slow-burn AI：
在当地交通市场，优步的出现改变了“发现工作”的机制，或者在这种情况下，改变了寻找下一趟车的机制。卷心菜可以通过算法分配工作，并与所有其他五星级、地图增强的业余司机竞争，或者他们可以置身于系统之外，错过通过优步获得的需求。卷心菜失去了谈判能力，导致了各种影响——他们不得不在不知道目的地的情况下接受乘车，他们必须遵守接受率和取消率指标。他们不仅失去了设定价格的能力，而且失去了根据工作机会是否具有商业意义来接受或拒绝工作机会的机构。
集中式做市商通过使越来越多的可替代工人相互竞争，并将工作分配的清算价格压低到最低限度，从而侵蚀了技能溢价。
从本质上讲，中心化市场与上述三个因素相结合，侵蚀了技能溢价，将就业市场转变为寻求尽可能低的市场清算价格的商品市场。
技术越是将你的技能商品化，你的技能溢价就越快被集中式做市商侵蚀。
这导致了一个持续商品化的循环：
人工智能的技能吸收不断推动更大的商品化。
由更大用户群训练的不断改进的 AI 模型推动了技能的持续商品化。
成功的增强不仅通过提高工人的使用率来扩展训练数据集，而且从根本上扩大了训练模型的工人的整体基础。在这里启动了一个反馈循环，知识的更大产品化和民主化开始加速商品化。
[图片上传失败...(image-fc4b61-1712037557114)]
这些影响的结合最终会侵蚀与工作相关的技能溢价。
商品化的人机交互
人工智能会吃掉你的工作吗？
这并不重要。这真的是一个错误的问题。
更重要的是确定人工智能是否会吃掉你的技能溢价。
是的，有人类的优势——原创思想、深情表达等——当与人工智能的有效使用相结合时，可以帮助获得更高的技能溢价。
但对于绝大多数工作来说，人类在循环中主要依赖于（1）技能专业化，（2）学习优势和（3）管理能力，人工智能将削弱这些工作的技能溢价。
最终，真正推动我们参与职业的因素是拥有技能的能力，这给了我们技能溢价。
人工智能通过人工智能驱动的工作岗位流失对基本工资损失的影响可以通过政策（例如，通过对特定活动征收人工智能税）来抵消。
但人工智能对技能溢价的影响要困难得多。
然而，我们仍然痴迷于人机交互的论点。
