大模型來了，你要裁員嗎

彼得·卡佩利 普拉桑納·塔姆比 瓦萊麗·雅庫博維奇

大語言模型（Large Language Model， LLM）是在數(shù)據(jù)科學(xué)領(lǐng)域帶來范式變革的一項(xiàng)創(chuàng)新。它拓展了機(jī)器學(xué)習(xí)模型的能力，可以根據(jù)各種定性提示詞生成相關(guān)文本和圖像。這類工具價(jià)格昂貴且開發(fā)難度高，但是大量用戶可以既快又便宜地用其執(zhí)行某些基于語言的任務(wù)，而這些任務(wù)以往必須由人工完成。

這就提出了一種可能：隨著這項(xiàng)技術(shù)被廣泛采用，人類的許多工作會被取而代之或大量削減，尤其是主要從事文本或代碼處理的知識密集型工作。然而在現(xiàn)實(shí)中，要在組織環(huán)境下有效使用大語言模型，遠(yuǎn)比人們通常認(rèn)為的更復(fù)雜。與此同時(shí)，對于知識工作者在既定崗位中要執(zhí)行的全部任務(wù)，它們是否都能令人滿意地完成，尚有待證明。

組織中的大語言模型

大語言模型的潛在應(yīng)用領(lǐng)域主要集中在現(xiàn)有信息的處理利用方面，而這些信息大多是因組織而異的。這方面的應(yīng)用包括總結(jié)內(nèi)容和生成報(bào)告（據(jù)調(diào)查，這占到用例的35%），以及從文本（例如包含財(cái)務(wù)信息的PDF文件）中提取信息，并據(jù)此創(chuàng)建表格（占用例的33%）。大語言模型還有另外一些熱門的有效利用方式，包括使用Dall-E 2等工具創(chuàng)建圖像，或在實(shí)際數(shù)據(jù)難以獲取時(shí)為應(yīng)用程序提供合成數(shù)據(jù)，例如用于訓(xùn)練亞馬遜Alexa等語音識別工具的數(shù)據(jù)。

絕大多數(shù)使用大語言模型的組織仍處于探索階段。在客戶服務(wù)、知識管理和軟件工程這三個(gè)領(lǐng)域，各組織開展了大量生成式AI（人工智能）的實(shí)驗(yàn)。例如，奧迪公司（Audi）聘請某供應(yīng)商為其構(gòu)建和部署了一款基于大語言模型的定制聊天機(jī)器人，它能夠回答員工關(guān)于現(xiàn)有文檔、客戶詳情以及風(fēng)險(xiǎn)評估的問題。聊天機(jī)器人在各類專有數(shù)據(jù)庫中實(shí)時(shí)檢索相關(guān)信息，在可用數(shù)據(jù)不足的情況下，也會對有些問題不予作答。公司使用了亞馬遜云科技（Amazon Web Services）針對檢索增強(qiáng)生成（retrieval augmented generation， RAG）開發(fā)的提示工程工具，這種常見的定制化方法使用組織的專有數(shù)據(jù)，但無須修改基礎(chǔ)模型。

與需要有固定輸入、明確流程以及唯一正確輸出的傳統(tǒng)自動化工具不同，大語言模型工具的輸入和輸出都是可變的，而生成回應(yīng)的流程則是一個(gè)黑箱。管理者無法像對待傳統(tǒng)機(jī)器那樣評估并控制這類工具。因此，在組織環(huán)境下使用這些工具之前，還有一些實(shí)際問題必須回答：由誰來決定輸入？由誰來評估輸出的質(zhì)量，誰又有權(quán)限使用它？

組織中運(yùn)用大語言模型的挑戰(zhàn)

在這一節(jié)里，我們重點(diǎn)討論在組織中運(yùn)用大語言模型時(shí)可能遭遇的五項(xiàng)關(guān)鍵挑戰(zhàn)，以及這當(dāng)中為何需要人類員工的持續(xù)參與。

1.知識獲取問題 組織會制造出自身難以處理的大量專有文字信息，包括戰(zhàn)略計(jì)劃書、崗位說明書、組織結(jié)構(gòu)圖和工作流程圖、產(chǎn)品文檔、績效評估報(bào)告，諸如此類。受過這方面數(shù)據(jù)訓(xùn)練的大語言模型可以給出組織此前或許無從得到的洞察。這或許是使用大語言模型帶給公司最重要的好處。

組織要想充分利用大語言模型，可以通過自有數(shù)據(jù)來源為其提供信息，生成專門針對自身需求的輸出。例如，對于企業(yè)來說，“中國消費(fèi)者的關(guān)注點(diǎn)可能有哪些？”這個(gè)問題就不如“我們應(yīng)該如何針對中國消費(fèi)者調(diào)整我們的產(chǎn)品？”那么切中要害。為了有效回答后一個(gè)問題，大語言模型需要使用組織的專有數(shù)據(jù)。而模型回應(yīng)的質(zhì)量，則取決于用于訓(xùn)練大語言模型的數(shù)據(jù)質(zhì)量如何，是否有針對性。

組織制造的大量垃圾數(shù)據(jù)或無關(guān)數(shù)據(jù)清理起來也相當(dāng)費(fèi)力。因此，為大語言模型提供正確信息絕不是什么輕松任務(wù)。組織文化方面的有用知識、面向員工的調(diào)查結(jié)果，等等，都需要花不少時(shí)間才能收集和整理好。即便如此，有許多重要的知識，對于個(gè)人來說可能心知肚明，但并未記錄在案。在一項(xiàng)研究中，只有約11%的數(shù)據(jù)科學(xué)家報(bào)告稱，他們能夠利用所需數(shù)據(jù)對大語言模型進(jìn)行微調(diào)，以給出切合組織實(shí)際的恰當(dāng)答案。這個(gè)過程要花費(fèi)大量資金，需要強(qiáng)大的處理器、數(shù)以千計(jì)的高質(zhì)量訓(xùn)練與驗(yàn)證示例、大量工程實(shí)踐，還要持續(xù)進(jìn)行更新。

在大語言模型內(nèi)部還面臨著數(shù)據(jù)污染問題：如果來自組織中任何地方的劣質(zhì)數(shù)據(jù)被輸入了大語言模型，它不僅會影響當(dāng)前的答案，還會影響未來的回答。應(yīng)當(dāng)制定一套關(guān)于訓(xùn)練大語言模型所用數(shù)據(jù)的管理規(guī)則，組織中也必須有人對這方面的活動加以監(jiān)管。

因?yàn)槎ㄖ拼笳Z言模型必須有大量的高質(zhì)量數(shù)據(jù)，公司必須整理顯性知識并將其標(biāo)準(zhǔn)化，編纂成標(biāo)準(zhǔn)的操作流程、崗位說明、員工手冊、用戶指南、計(jì)算機(jī)算法以及其他的組織知識單元，以供大語言模型調(diào)用。計(jì)算機(jī)編程是顯性知識尤為重要的領(lǐng)域之一。在回答編程問題方面，大語言模型已經(jīng)派上了很大用場，而且也有許多基于大語言模型的工具，比如，GitHub的Copilot和Hugging Face的StarCoder，都可以實(shí)時(shí)為人類程序員提供協(xié)助。一項(xiàng)研究表明，程序員更喜歡使用基于大語言模型的工具來編寫代碼，因?yàn)榕c在線搜索現(xiàn)有代碼并改寫相比，它們提供了更好的起點(diǎn)。不過，這種方法并不能提高編程工作的成功率。目前的主要問題在于，大語言模型生成的代碼還需要另外多花時(shí)間去調(diào)試和理解。

組織在知識獲取工作上遇到的困難，可能推動產(chǎn)生新的工作崗位，比如數(shù)據(jù)館員（data librarian），其職責(zé)是整理組織用于訓(xùn)練大語言模型應(yīng)用程序的專有數(shù)據(jù)。在某些場景下，這可能是至關(guān)重要的崗位。

2.輸出驗(yàn)證問題 在針對編程工作的大語言模型輸出被正式應(yīng)用、產(chǎn)生實(shí)際影響前，可以先對它的正確性和有效性進(jìn)行測試。然而，大多數(shù)工作任務(wù)并不能這樣做。例如，戰(zhàn)略建議或營銷創(chuàng)意的輸出就不容易測試或驗(yàn)證。對于這類任務(wù)來說，一個(gè)輸出要做到有用，只需要“足夠好”，而不用絕對正確。大語言模型給出的回答在什么時(shí)候算是足夠好？對于簡單的任務(wù)來說，具有相關(guān)知識的員工只需要讀一讀大語言模型的回答，就能自行做出判斷。

迄今為止，在是否會認(rèn)真對待輸出檢查工作這件事上，用戶的表現(xiàn)并不理想。在一次實(shí)驗(yàn)中，白領(lǐng)工作者可以選擇使用大語言模型完成寫作任務(wù)。那些選擇使用該工具的人，還可以選擇編輯文本后再交稿，或者不做編輯直接交稿。大多數(shù)實(shí)驗(yàn)參與者選擇了后者。

在判斷大語言模型更復(fù)雜、更少見但又更重要的輸出時(shí)，如果員工缺乏所需的知識，又會發(fā)生什么？我們對所問的一些問題，可能并不清楚“足夠好”的答案是什么樣的。這就需要在評估和應(yīng)用大語言模型的輸出時(shí)，有更高明的人工判別能力。

與大語言模型不同，人類員工對自己的產(chǎn)出負(fù)責(zé)，而過往表現(xiàn)出的高準(zhǔn)確率或良好判斷力，可以讓雇主對其未來的產(chǎn)出情況有所預(yù)判。人類員工還可以解釋他們?nèi)绾蔚玫侥承┙Y(jié)論或做出某些決定。對于大語言模型來說，情況并非如此：每條提示詞會發(fā)送一個(gè)問題，沿著復(fù)雜路徑穿過知識庫，產(chǎn)生一個(gè)獨(dú)特且無法解釋的回應(yīng)。此外，大語言模型會“忘記”怎么完成它們之前表現(xiàn)很好的任務(wù)，這就讓保證這些模型的服務(wù)質(zhì)量變得很難。

說到底，還是要由人來評估大語言模型的輸出是否足夠好，而他們必須認(rèn)真對待這項(xiàng)任務(wù)。將大語言模型的輸出與人類監(jiān)督相結(jié)合的挑戰(zhàn)在于：在許多情況下，這個(gè)人必須對這個(gè)領(lǐng)域有所了解，才能評估大語言模型輸出是否具有價(jià)值。這意味著，對具體領(lǐng)域的知識無法“外包”給大語言模型——在將其投入使用之前，還是需要由領(lǐng)域內(nèi)專家評估大語言模型輸出是否足夠好。

3.輸出判定問題 大語言模型擅長總結(jié)大量文本。這可能有助于為決策提供有價(jià)值的數(shù)據(jù)，并讓管理者能夠檢查關(guān)于特定主題的了解程度。例如，在過往調(diào)查中，員工對具體某項(xiàng)福利都有哪些看法。不過，這并不意味著大語言模型的回應(yīng)比人類決策更加可靠或偏見更少：提示詞可能讓大語言模型根據(jù)同一數(shù)據(jù)得出不同結(jié)論，甚至在不同時(shí)間給相同的提示詞，其回應(yīng)也可能有所不同。

這也使得組織內(nèi)部各方很容易產(chǎn)生彼此沖突的輸出。例如，如果具有不同利益的個(gè)人或團(tuán)隊(duì)想要生成支持其自身立場的大語言模型輸出，那么，領(lǐng)導(dǎo)者就要去針對這些分歧做出評判。這種挑戰(zhàn)在大語言模型出現(xiàn)之前就已經(jīng)存在，只不過如今創(chuàng)建新內(nèi)容的成本遠(yuǎn)低于評判成本，管理者面臨著比以往任何時(shí)候都更復(fù)雜的新任務(wù)。

評判大語言模型輸出的任務(wù)是加給現(xiàn)有崗位還是要另設(shè)新崗，則要看學(xué)習(xí)的難易程度。認(rèn)為用上了大語言模型，低級別員工就有能力承擔(dān)原本屬于高級別員工的工作，這樣的想法還是過于樂觀了。對于崗位職級體系，人們存在已久的看法是，就職者需要的是從實(shí)踐中獲得的技能和判斷力，以及處理某些工作的意向，而不僅僅是大語言模型當(dāng)場給出的書本知識。長期以來的挑戰(zhàn)在于，如何推動管理者授權(quán)員工去多使用這些知識，而不是替他們做決策。管理者之所以不愿這樣做，更多的是因?yàn)椴粔蛐湃危菃T工缺乏知識或能力。前面已經(jīng)說過，要對大語言模型的輸出做出有效評判，可能也需要具備豐富的領(lǐng)域內(nèi)專業(yè)知識。這進(jìn)一步限制了將這類任務(wù)委派給低級別員工的程度。

對于影響重大的輸出，同時(shí)解決決策權(quán)與可靠性問題的一種做法，是集中使用大語言模型。設(shè)置一個(gè)職位使用大語言模型編制組織的關(guān)鍵報(bào)告，既有助于發(fā)展對這類工具的運(yùn)用能力，又能減少使用組織專有數(shù)據(jù)生成的文檔數(shù)量。

設(shè)置一個(gè)集中作業(yè)崗位以規(guī)范方式編寫報(bào)告，也有助于避免處理輸出沖突的問題，并且不用再對內(nèi)容的出入做出評判。一個(gè)大語言模型辦公室完全可以自行完成穩(wěn)健性測試，觀察針對數(shù)據(jù)、安全護(hù)欄和提示詞的小幅調(diào)整會如何改變輸出。這將使評判者的角色從技術(shù)層面更多轉(zhuǎn)向合規(guī)層面，因此，這個(gè)職位也就很容易作為一個(gè)信息技術(shù)崗，設(shè)置在公司的法律總顧問辦公室。

4.成本收益問題 在組織內(nèi)使用大語言模型輸出的收益可能難以預(yù)測。例如，大語言模型擅長起草簡單信函，因?yàn)檫@些信函通常只需合乎要求即可。可是，類似付款逾期客戶告知函這種重復(fù)發(fā)送的簡單郵件，已經(jīng)通過格式信函實(shí)現(xiàn)了自動化。而簡易機(jī)器人也已經(jīng)能很好地接待客戶和其他人，引導(dǎo)他們找到組織推薦的解決方案（雖然未必是客戶真正想要的）。呼叫中心里針對客戶最常見問題量身定制的模板和話術(shù)腳本更是一應(yīng)俱全。

一項(xiàng)關(guān)于客戶服務(wù)代表的研究發(fā)現(xiàn)，在現(xiàn)有的部分計(jì)算機(jī)輔助手段之外，再組合引入大語言模型和經(jīng)過成功客戶互動訓(xùn)練的機(jī)器學(xué)習(xí)算法，可以將問題解決率提高14%。對于這項(xiàng)通常被認(rèn)為很適合采用大模型的工作來說，這種提升算是巨大飛躍還是微不足道，以及就成果而言，實(shí)施的成本是否值得，都還沒有定論。一項(xiàng)面對波士頓咨詢公司（BCG）758名咨詢師的預(yù)注冊實(shí)驗(yàn)表明，GPT-4大幅提高了咨詢師在某些任務(wù)上的生產(chǎn)力，但在另外一些任務(wù)上顯著降低了其生產(chǎn)力。在這些工作中，核心任務(wù)非常適合由大語言模型完成，其提升生產(chǎn)力的效果雖然是實(shí)打?qū)嵉模€遠(yuǎn)遠(yuǎn)談不上令人印象深刻。

雖然大語言模型有可能給出比現(xiàn)成模板和聊天機(jī)器人更好也更精準(zhǔn)的回應(yīng)，但問題在于組織能否看到使用它們的必要性。它們可能會選擇將其用在銷售電話之類的場景中，因?yàn)檫@樣做可以獲得很大的收益，但可能不會用在客戶服務(wù)場景下，因?yàn)榻M織對于利用已有資源提高績效并沒有多大興趣。

此外，大語言模型在各種應(yīng)用場景下節(jié)省的時(shí)間和成本，可能會被隨之而來的其他成本抵消。例如，將聊天機(jī)器人轉(zhuǎn)換為大語言模型是一個(gè)相當(dāng)艱巨的任務(wù)，哪怕它最終能派上用場。此外，讓客戶與大語言模型支持的聊天機(jī)器人直接對話，可能會使組織面臨安全和品牌風(fēng)險(xiǎn)。無論是由人還是由大語言模型起草，重要信函或信息通常還是必須交給律師或媒體傳播專家審查，而這道程序費(fèi)用高昂。

5.工作轉(zhuǎn)型問題 大語言模型將如何與員工合作？預(yù)測這個(gè)問題的答案絕非易事。首先，考慮到員工通常承擔(dān)著多項(xiàng)動態(tài)變化的任務(wù)和職責(zé)，接管某項(xiàng)任務(wù)的大語言模型無法取代整個(gè)職位，也無法取代所有單獨(dú)的細(xì)分任務(wù)。可以回想一下引入ATM的效果：雖然這些機(jī)器能夠完成銀行出納承擔(dān)的許多任務(wù)，但它們并沒有顯著減少人工數(shù)量，因?yàn)槌黾{除了處理現(xiàn)金以外還有其他工作，騰出空來之后又接手了新的任務(wù)。

在任何工作流程中，是否需要大語言模型也存在著多變性和不可預(yù)測性，這個(gè)因素從根本上保住了現(xiàn)有工作崗位。如今的多數(shù)工作并不需要經(jīng)常使用大語言模型，也很難預(yù)測它們何時(shí)會要用到。大語言模型最有可能取代的，當(dāng)然是那些占用人們大部分時(shí)間但利用技術(shù)總是可以正確完成的工作。

但即使是在這類情況下，也要做一些鄭重的提醒。大語言模型會造成大量失業(yè)這一預(yù)測取決于一個(gè)隱含的假設(shè)，即工作任務(wù)可以直接在員工間重新分配。這可能適用于老式的打字組，其中所有員工都執(zhí)行同樣的任務(wù)。如果小組的生產(chǎn)力提高了10%，就有可能重新分配工作，將打字員人數(shù)縮減10%。但是，如果員工并未組織成一個(gè)聯(lián)合小組，同時(shí)又沒有對工作場所做重大且昂貴的轉(zhuǎn)型，這種精簡就不可能實(shí)現(xiàn)。此外，顯而易見的是，倘若某位高管個(gè)人助理的工作效率提高了10%，我們也不可能把這個(gè)人裁掉十分之一。

相比正式雇傭來說，外包工作更容易縮減人工。如果部分外包工作可以由大語言模型來做，組織就可以通過談判，降低購買供應(yīng)商外包服務(wù)的花費(fèi)或時(shí)長。在規(guī)模最大的科技供應(yīng)商，比如那些巨型IT外包公司那里，最常見的是大量程序員在做很方便互換的工作（就像打字組那樣），因而最有機(jī)會實(shí)現(xiàn)人員精簡。AI帶來的成本降低，會在多大程度上拉低客戶價(jià)格還是提高承包商利潤，仍是一個(gè)懸而未決的問題。

獨(dú)立承包商也岌岌可危。的確，承包商使用大語言模型可以比不使用時(shí)完成更多工作，但對員工來說也是如此。如果要做的工作減少了，公司可能會先削減承包商的數(shù)量，然后再裁員，因?yàn)檫@樣做更容易。和外包供應(yīng)商一樣，公司也可以嘗試和使用大語言模型的承包商重新談一個(gè)更低的價(jià)格。初步證據(jù)表明，隨著大語言模型的引入，可以交給承包商完成的標(biāo)準(zhǔn)化零工數(shù)量大幅下降了。

還有一種可能的情況是，大語言模型可以充分提高整個(gè)組織的生產(chǎn)力，因此不會對特定職業(yè)造成影響，而是會影響整體的勞動力需求。這一點(diǎn)目前還沒有證據(jù)證實(shí)，但對于許多商業(yè)領(lǐng)袖來說，這可能會是一個(gè)可喜的影響，因?yàn)槊绹推渌貐^(qū)的生產(chǎn)力增長都非常緩慢，還有許多雇主報(bào)告正面臨招工難。

大語言模型有一個(gè)讓人意想不到的用武之地，是在我們認(rèn)為最人性化的領(lǐng)域：那些提供一對一反饋的工作，比如，教練、咨詢和輔導(dǎo)。有證據(jù)表明，在這些情境下，人們更喜歡和AI聊天機(jī)器人而不是真人打交道，至少在初次互動時(shí)是這樣，因?yàn)樗麄冇X得這樣沒那么嚇人。

對管理者的建議

IT相關(guān)的創(chuàng)新歷史表明，創(chuàng)新的影響因工作、組織和行業(yè)而異，并且需要很長時(shí)間才能充分展現(xiàn)。大語言模型工具一直在變得更加容易使用，并且正在與微軟Office等廣泛應(yīng)用的軟件產(chǎn)品相結(jié)合，這讓它有可能更快得到應(yīng)用。不過，我們的討論表明，眼下大多數(shù)組織還只是在一些小范圍內(nèi)嘗試使用大語言模型。

組織應(yīng)該如何為大語言模型做好準(zhǔn)備？

首先，應(yīng)當(dāng)制定并發(fā)布適當(dāng)?shù)氖褂靡?guī)范。阻止員工嘗試大語言模型可能不太現(xiàn)實(shí)，但即使是在初期階段，也必須制定出使用大語言模型的基本規(guī)則。例如，禁止將專有數(shù)據(jù)上傳第三方大語言模型，以及披露在準(zhǔn)備共享的任何文件中大語言模型是否會被使用、怎樣被使用。合理的使用政策必然要對員工使用公司設(shè)備和工具的方式加以約束。另一種做法則是使用像Amazon Q這樣的工具。這是一種生成式AI聊天機(jī)器人，可以專門定制，使其符合組織在大語言模型訪問權(quán)限、可用數(shù)據(jù)等方面的合理使用政策。

其次，有必要考慮組建一個(gè)中心辦公室，至少在一開始由其負(fù)責(zé)產(chǎn)出所有重要的大語言模型輸出，確保人們對合理使用規(guī)范的遵守，并處理數(shù)據(jù)污染等問題。中心辦公室還可以根據(jù)最佳實(shí)踐，為創(chuàng)建提示詞和解讀答案變化提供指導(dǎo)。它們還讓實(shí)現(xiàn)規(guī)模經(jīng)濟(jì)成為可能。指定一名數(shù)據(jù)館員負(fù)責(zé)所有可用于分析的公司數(shù)據(jù)，要比讓每一位可能的用戶自行負(fù)責(zé)更加高效，也更容易管理。

至少在剛開始的時(shí)候，制定規(guī)則和行為規(guī)范需要召集一個(gè)特別工作組，其中要包含來自IT、總法律顧問辦公室和可能用戶的代表。這個(gè)工作組以及之后的中心辦公室，可以幫助應(yīng)對數(shù)據(jù)管理挑戰(zhàn)，正是這些挑戰(zhàn)減緩了機(jī)器學(xué)習(xí)與數(shù)據(jù)分析的應(yīng)用。作為第一步，只需要確定哪些數(shù)據(jù)尚未共享、哪些無法共享（比如說，因?yàn)槠湓诠?yīng)商的手中），或者哪些數(shù)據(jù)尚未編碼，這將是朝著打破這些條塊以便提供更多更好信息的一大步。

第三，任何可能想要得到或需要用到大語言模型報(bào)告的人，都應(yīng)該參加簡單的培訓(xùn)，以了解這類工具的奇特之處——特別是它們讓人產(chǎn)生幻覺的能力——以及如何評估AI生成的文檔和報(bào)告。下一步則是對員工進(jìn)行提示詞設(shè)計(jì)和改進(jìn)方面的培訓(xùn)。同樣重要的是，在使用大語言模型輸出之前，要說清楚、講明白，達(dá)到什么標(biāo)準(zhǔn)算是“足夠好”。中心辦公室可以為最適合本組織的培訓(xùn)創(chuàng)造便利條件。

雇主應(yīng)該調(diào)整未來工作的招聘標(biāo)準(zhǔn)，還是開始制訂裁員計(jì)劃？大眾媒體上關(guān)于AI將如何消滅大量工作崗位的諸般說法，會給投資人和利益相關(guān)者帶來裁撤這些崗位的壓力。提醒他們那些預(yù)測有多么不準(zhǔn)確可能會有幫助。例如，到目前為止，關(guān)于卡車司機(jī)大多要被機(jī)器人取代的預(yù)測根本沒有發(fā)生。

從長遠(yuǎn)來看，一旦我們摸清了將大語言模型應(yīng)用于工作的各種可能方式，我們就會知道是否可以對工作進(jìn)行重構(gòu)，從而提升效率。急著改寫供應(yīng)商合同或啟動裁員，皆非明智之舉。

技術(shù)的發(fā)展歷程表明，從長遠(yuǎn)來看，新技術(shù)所創(chuàng)造的就業(yè)機(jī)會，多于其縮減的就業(yè)崗位。那些關(guān)于IT創(chuàng)新特別是AI會造成大量失業(yè)的預(yù)測，并沒有成為現(xiàn)實(shí)。工作任務(wù)分配方式的改變，通常是以緩慢的方式進(jìn)行的。我們預(yù)計(jì)，大語言模型的使用會更加普遍，但并不會造成太多失業(yè)，即使在大語言模型得到廣泛使用的地方也是如此。那些認(rèn)為這類工具可能全盤取代人類工作的人，必須直面這樣一個(gè)現(xiàn)實(shí)：大語言模型能做的簡單工作已經(jīng)在某種程度上實(shí)現(xiàn)了自動化，在特定工作中大語言模型能做的那些最重要的任務(wù)，又可能會帶來新的任務(wù)，而想要通過重新安排現(xiàn)有員工的工作來找出可以裁減的冗余崗位，既不容易做到，也不劃算。技術(shù)決定論——認(rèn)為技術(shù)進(jìn)步是塑造社會的主要因素——是一個(gè)備受技術(shù)創(chuàng)造者歡迎的理論，但在技術(shù)研究者看來并沒有什么可信度。

翻譯：徐廣彤