人工智能或将重塑劳动力市场，但更深层次的颠覆在于教育

人工智能公司 Anthropic 重新引发了全球关于工作前景的辩论。在经济学家 Maxim Massenkoff 和 Peter McCrory 于3月5日发布的报告中，他们试图衡量的不仅是人工智能理论上能做什么，更重要的是它在工作场所中已经在做什么。

他们的发现既令人安心，又令人不安。目前鲜有证据表明人工智能已导致大规模失业。

然而，人工智能系统理论上的能力与它们在工作场所的实际应用之间仍存在巨大差距——这表明劳动力市场仍处于调整的早期阶段。

该研究比较了大型语言模型理论上可执行的工作任务比例，与工作者目前委托给人工智能工具的任务比例。

商业、金融、管理、法律和行政等知识密集型行业显示出很高的理论受影响程度——在某些情况下接近90%。然而，实际应用却远远落后。

目前看来，人工智能似乎是在增强而非取代人类的工作。但其发展轨迹是明确的。随着能力的提升和各组织对新工作流程的试验，理论能力与实际应用之间的差距可能会缩小。

新加坡已认识到这一点。在最近的国会拨款委员会辩论中，部长们强调了人工智能的深远经济影响，以及劳动者和机构适应的必要性。

在3月6日的一个法律论坛上，律政部长 Edwin Tong 指出，高达44%的法律任务可以被自动化。这并非预测律师将会消失，而是预示着未来将发生更深层次的结构性变革。

在各行各业，人工智能越来越有能力执行过去需要受过培训的专业人士才能完成的常规分析任务：例如分析数据、总结信息、进行初步研究和生成报告。

长期以来，这些职能构成了入门级专业工作的基础。一个更深层次的问题随之出现：当常规分析工作被部分甚至大部分自动化时，各个专业领域将如何进行自我重组。

教育界应担忧的群体

这里存在一个教育体系尚未完全正视的矛盾，这个问题正在引发全球研究人员的激烈辩论。Anthropic 的报告暗示，一个近期的转变正在发生，其影响的不是遥远的下一代，而是当今进入大学和接受专业培训的学生。这些学生大多在人工智能普及之前接受教育。他们如今在职业生涯的门槛上才接触到人工智能，它并未融入他们最初学习思考的模式之中。

这与更年幼的孩子们的情况有着本质区别，后者将在人工智能饱和的环境中成长，并从一开始就与这项技术建立关系（这对他们学习和认知的影响我们尚不清楚）。

令人担忧的不是毕业生会缺乏人工智能无法提供的知识，而是他们将缺乏判断力，无法辨别人工智能何时提供了劣质的信息——例如，识别其输出内容中不完整、错误或缺失部分的能力。

这种能力不是直接教授的，而是通过亲身完成基础工作的艰难过程建立起来的，从而积累隐性知识，使得专业知识不仅仅是检索正确答案的能力。

今年2月举行的斯坦福大学人工智能+教育峰会直接提出了这一担忧。研究人员发现，当学生依赖人工智能完成基础工作时，一旦撤走辅助，他们的表现会急剧下降——这不仅是因为他们缺少了工具，更是因为他们从未建立起对自己推理能力的信心。

在一项麻省理工学院的研究中，三组学生分别使用 ChatGPT、搜索引擎和完全不使用任何工具来撰写论文。研究人员发现，使用 ChatGPT 的学生大脑参与度最低，并且在神经、语言和行为指标上表现最差。

正如哈佛大学教授 Martin West 所观察到的，当人工智能代替学生进行认知思考，而非辅助他们思考时，它恰恰破坏了学习过程。

与年龄较大的群体相比，年轻人对人工智能的依赖性更强，在批判性思维评估中得分较低——这一模式与当前进入大学的这代人非常吻合。

因此，风险不在于毕业生知识匮乏，而在于他们无法运用那些本应由人类负责的判断力——从而无法胜任下一阶段职业生涯的实际要求：进行跨学科综合、审视输出结果，以及做出超越模式识别的决策。

重构专业知识的结构

更长远的转型则更为深刻。几个世纪以来，大学一直将知识划分为不同的学科——如法律、商业、工程、经济学——这些领域在很大程度上是相互独立的。

然而，许多现代挑战并不能被清晰地归入这些界限之内。气候变化、数字治理和金融监管都需要法律知识、技术知识、经济分析和公共政策专长的协同作用。

如果人工智能越来越多地处理单个学科内的常规分析任务，那么人类专业人士的比较优势可能会转向综合能力：连接不同领域的见解，应对复杂的制度环境，以及做出同时涉及法律、技术、经济和伦理考量的判断。

届时，大学可能会发现自己需要围绕问题领域而非传统院系来重组课程——例如，数字治理课程将汇集法律、计算机科学、网络安全和伦理学；气候转型课程则整合环境法、工程学、金融学和公共政策。

一些机构已经开始尝试跨学科集群和基于挑战的学习模式。

但这种重构取决于一个被当前趋势所威胁的前提条件。正如哈佛大学的 Chris Dede 所观察到的，教育的任务不是培养人们去做人工智能擅长的事情——那是一条通往被淘汰的道路——而是去做人工智能做不到的事情。

跨学科综合需要有坚实的内容作为综合的基础。如果当前这代人使用人工智能绕过了建立扎实的学科基础的过程，那么为人工智能时代教育所设想的更宏伟的愿景可能根基不稳。

追本溯源的思考

新加坡在技能创前程和人工智能就绪性方面的投资反映了其正确的判断力。下一个前沿是确保这种思考能延伸到上游——不仅关注如何对工人进行再培训，更要关注学生的培养方式。

更深层次的机遇是结构性的。如果人工智能最终能处理各学科内大部分的常规分析工作，那么下一代的比较优势将在于综合能力——即连接各个领域的考量，而目前没有任何单一学科能将它们一并教授。

新加坡的大学具备了围绕这一洞见进行重组的实力和使命。

劳动力市场将是这些变化最先显现的地方。但新加坡从来不会等到颠覆性变革完全到来之后，才重塑其机构以应对挑战。

将同样的决断力应用于培养下一代思维方式上，可能会成为这十年来最具深远影响的教育改革。

作者是新加坡社科大学的法律讲师和 MOE-Start 学者。他也是新加坡国立大学（国大）亚太环境法中心的副研究员，以及剑桥大学的博士候选人。