高技能工作者训练人工智能，但这并非没有代价

近期的研究激发了人们对人工智能（AI）潜力的乐观情绪。在一项大型呼叫中心研究中，使用人工智能助手显著提高了客服人员解决问题的能力，其中新员工的进步最大。其他针对 GitHub Copilot 等编程工具的研究发现，人工智能帮助用户，尤其是初级开发人员，更快地完成任务。

乍一看，这些报告似乎在讲述一个关于技术进步的简单故事：一个工具帮助人们更好地完成工作，客户受益，公司受益，而工作者，特别是那些处于职业生涯早期的人，也获得了曾经需要多年才能积累的专业知识。

但这其中有一个问题。

人工智能系统的能力并非凭空产生。例如，在呼叫中心的案例中，模型是通过顶尖客服人员的对话记录进行训练的，实际上是在学习并复制他们如何提问、管理压力和解决问题。

通过将专业知识数字化，企业可以跨越时间和地域来规模化应用个人技能，从而让新员工——即使在专家离职后——也能表现得更像经验丰富的老手。对于组织和客户而言，其收益是显而易见的：经验较少的客服人员能更高效地解决问题，客户满意度也随之提升。

但对于那些其工作表现被用来训练这些系统的工作者而言，这种转型带来了实实在在的风险。他们的贡献提高了生产力，增强了组织实力，但一旦他们的专业知识被编码到软件中，这些知识便不再属于他们，而他们通常也不会因为提供了这些知识而获得额外报酬。

在极端情况下，高技能工作者可能会被低技能工作者所取代，而后者所依赖的，正是由前者帮助训练的人工智能模型。

这种动态并不仅限于呼叫中心。在各行各业，日常工作现在都会产生丰富的数字足迹，这些足迹可被用作训练数据，以构建能够执行相同任务的系统。

咨询公司利用过去的业务项目来微调模型；软件团队用内部代码训练助手；销售组织挖掘通话记录。甚至创意产业也利用过往作品的档案来指导生成式工具。随着工作日益数字化，其副产品也同时成为人工智能模型开发的输入数据。

这就引出了一个更深层次的问题：当人类的专业知识变成训练数据时，会发生什么？

从历史上看，经济保障一直建立在技能的稀缺性之上。人们在教育和在职学习上投入巨资，正是为了获得稀有且难以复制的能力。这种稀缺性是更高薪酬和议价能力的基础。

生成式人工智能改变了这一逻辑。当系统能够吸收成千上万次互动、检测模式并进行大规模泛化时，顶尖专家的判断力就能够被编码和分发，其速度远超以往任何人力传播的方式。

知识的传播可以均等化机会，但它也可能侵蚀一度使这些知识变得宝贵的稀缺性。 

进入这个新劳动力市场的学生应该怎么做，才能最大限度地发挥其专业知识的价值呢？

首先，重新思考生产力。传统上，员工期望通过工作获得报酬，无论是撰写报告还是与客户打交道。

然而，在一个工作记录本身就具有价值的世界里，工作者需要更广阔地思考他们的生产力：如果他们的工作有助于训练一个让公司受益的模型，他们就应该寻求认可，并在可能的情况下获得报酬。

更广泛地说，工作者应仔细考虑与雇主分享多少工作流程。如果人工智能训练可能会削弱他们的地位，那么少分享一些可能是明智的；如果这能加强他们的角色或提高薪酬，那么分享更多或许是值得的。

其次，重新思考竞争。许多知识工作者——即那些通过运用专业知识创造价值的人——认为自己比实际上更独特。在一家公司或一个地区内，可能只有少数人具备相似的技能。

但数据使专业知识的市场全球化了。任何能够产出相似成果的人，都可能成为能生成所需数据来构建人工智能模型以完成你工作的人。

人工智能为人们提供了规模化应用其技能（并可能因此获得报酬）的机会，但同时也让他们面临来自新地方的新竞争。

最后，重新思考合作。长期以来，许多知识工作者认为自己的工作独特且薪酬优厚，因此不太倾向于支持工会或其他形式的集体行动。

但仅仅关注个人职业收益可能不会带来持久的利益。每当一个人贡献数据来改进一个人工智能模型时，这个模型就会变得更好——不仅仅是能更好地完成那个人的工作，而是能更好地完成任何地方担任该角色的每个人的工作。

从这个意义上说，工作者最终可能通过以过低的价格向公司或招募人员训练人工智能来完成其工作的中介机构提供数据，从而相互竞争。当这种情况发生时，个人可能会在无意中削弱其职业中其他人的议价能力。

如果目标是确保工作者能分享人工智能带来的收益，那么协调可能是必要的。没有协调，个人可能会加强那些恰恰削弱了他们集体议价能力的系统。

相反，合作可以使工作者和公司双方都受益。如果对职业风险的担忧导致人们不愿向人工智能系统提供知识，生产力可能会受到影响。聪明的公司会知道，找到认可员工才能的方法将确保他们继续贡献自己的才能。

那么，应该怎么做呢？作为工作者，人们应该思考如何利用人工智能来扩展自己的技能，无论是通过建立互补能力，还是通过寻找方法利用人工智能系统来规模化应用自己的专业知识。

作为公民，他们应该推动相关政策的出台，让工作者对其工作所产生的数据拥有更明确的权利，并获得相应补偿。 FINANCIAL TIMES

本文作者 David Sarnoff，是 MIT Sloan School of Management 的技术管理学教授