ACM通信

贡献的文章

数据驱动的21世纪人类与机器之间的竞赛探索^圣世纪

作者:朴智勇，金钟浩
ACM通信，2022年5月，第65卷第5期，79-87页
10.1145 / 3488376
评论

在这个技术快速发展的时代，对自动化的焦虑很普遍，尤其是在人工智能(AI)、机器学习(ML)和机器人技术方面。因此，人类劳动如何与机器竞争或合作，以执行一系列任务(我们称之为“人类劳动与机器之间的竞赛”)已经引起了公众、政策制定者和研究人员的极大关注。^14，15，18尽管至少自工业革命以来，人们一直担心新技术和自动化会取代人工任务，⁸由于新技术和算法的组合创新、计算能力的进步和数据的指数增长，在执行复杂和复杂任务方面的最新技术进步使21个国家有所不同^圣比以前的一百年。¹⁴

回到顶部

关键的见解

例如，自动驾驶汽车最近取得的进展表明，许多被认为最不容易受到自动化影响的人工任务可能不再安全，不再受自动化和计算机化的影响。另一个例子是人类与机器的竞争，比如IBM的沃森(Watson)在电视游戏节目《危险边缘》(Jeopardy!)中，以及DeepMind的AlphaGo在棋盘游戏《go》中。这两种情况都表明，一些任务，如模式识别和信息处理，正在迅速电脑化。此外，最近的研究表明，机器人在自动化手工任务和减少低收入工人的就业方面也发挥了作用。^3.，22

然而，经常被忽视的现实是，技术直接影响特定技能或任务的需求，而不是作用于整个职业。¹此外，技术进步并不总是会减少任务的劳动力需求:^2，8技术可以自动化和替代一些人工任务，但它也可以增强人类的智能，补充特定类型的任务，以促进对这些任务所执行的职业的需求。自动化和增强之间的紧张关系已经在研究和工业中进行了讨论。²⁹例如，IBM董事长兼首席执行官罗睿兰(Ginny Rometty)在2017年世界经济论坛上的演讲中就提出，AI应该代表“增强智能”，而不是“人工智能”。^30.因此，全面了解自动化和工作的未来需要从任务层面，而不是从职业层面，不仅要了解技术变化(人工任务自动化的程度)，还要了解任务的劳动力需求。为此，我们提出了一种数据驱动的方法，以审查哪些任务更容易受到21世纪自动化的影响或补充^圣世纪以来，就(i)自动化程度的变化和(ii)就业比例的变化而言。

大量关于技能偏向的技术变革的文献将劳动力划分为任务类型或技能集群，这些任务类型或技能集群需要执行这些任务，以评估技术变革在就业和工资中的作用。例如，Autor等人。⁷按照两个维度对任务进行分类，例行和非例行，认知和手工，预测IT有助于自动化和替代例行任务，这些主要由中等技能的职业执行(见Acemoglu和Autor)¹有关基于任务的模型的详细信息)。阿赛莫格卢和雷斯特雷波²认为任务是生产的基本单位，未来的工作取决于“新技术的混合以及(它们如何改变)生产的任务内容”。

弗雷和奥斯本^20.建议“工程瓶颈”创建以下三类不容易被自动化的任务:感知和操纵任务、创造性智能任务和社会智能任务。此外，最近的研究还研究了技能和人力资本的职业结构，以更细致地了解技术如何影响工作;^4，5注意，在本文中，我们交替使用occupation和job。然而，之前的研究没有评估人工任务自动化的程度;他们充其量只是试图估计一个职业自动化和计算机化的可能性。^6，20.此外，我们对自动化程度的动态看法理解有限，尽管有人呼吁随着时间的推移跟踪技术进步的状态，以衡量和准备技术进步不可预测的影响²⁸(参见Frank等人。¹⁸讨论人工智能和自动化技术对劳动力的影响)。因此，本文的主要目的是提出一种数据驱动的方法来定量衡量任务级别的自动化程度，以便研究人员和政策制定者能够随着时间的推移系统地跟踪和比较它。

---

一个经常被忽视的现实是，技术直接影响对特定技能或任务的需求，而不是对整个职业起作用。

---

通过将职业技能要求表示为一个网络，我们揭示了15种内生任务类型，它们是相关技能的集群，职业对这些技能的要求程度相似。然后，我们分别在2008年和2020年测量每个任务的自动化程度。考虑到2008 - 2020年自动化程度和就业占比的变化，将任务类型分为五个不同的类别，强调自动化水平的提高并不总是导致任务的劳动力需求下降。根据职业的任务内容和城市的职业构成，构建任务层次工作自动化指数代表职业和任务级别城市自动化指数美国城市。自动化指标与创新能力的职业特征和区域特征显著相关。我们构建任务级自动化指数的数据驱动方法有助于系统地跟踪自动化技术的发展轨迹，提供自动化如何随着时间的推移影响职业和社区的细粒度理解。

回到顶部

一种数据驱动的任务自动化度量方法

内生的任务类型。从任务内容的角度来看，我们把职业看作是劳动者运用技能禀赋的一系列任务。^2，7在这方面，职业所执行的任务被定义为职业技能要求中的相关技能集群。¹⁸我们雇佣了美国劳工部赞助的O^＊NET数据库，它提供了182项技能、能力和活动(统称为“技能”)对代表性职业的重要性。在我们的分析中，我们考虑了650个职业，这些职业在过去几年里一直都在提供，覆盖了美国总就业人数的96%以上。鉴于技术变革是长期发生的，而不是每年一次，O^＊NET数据库每年更新约10% - 15%的职业，我们衡量和比较2008年和2020年的职业任务内容和自动化程度的状态，以便我们可以捕捉自动化技术对整个经济中的职业的影响。从2007年到2009年，所有职业的技能评级逐步完成，我们通过平均这三年的技能评级来构建2008年的衡量标准，将最具代表性的职业纳入我们的分析，同时最大限度地减少与更新相关的偏差。

为了揭示职业任务执行中技能之间潜在的相互依赖关系，我们基于2020年职业数据，将职业的技能需求表示为一个双模式网络，即“职业技能网络”。在工作技能网络中，工作和技能是两个截然不同的类，每个类的节点与另一个类的节点相连接，其中边的权值表示一项技能对一项工作的重要性(记为w在图1)．然后，如图所示图1，将双模式网络投射到一模式网络，即“技能网络”，其中节点是技能，连接每对技能的边根据两种技能在所有职业中的重要性的相关性加权。因此，在技能网络中，技能之间是相互联系的，其权重取决于它们在一起需要多少。

图1。技能网络建设。

从本质上来说，O^＊NET数据库中，每一项技能以不同的权重相互连接。因此，我们构造了技能网络的最小生成树(MST)，其中只有有效边保持连接，以揭示其底层结构。^13，25鉴于职业通常涉及一项需要一系列技能的任务，²⁶为了对相关技能进行聚类，我们采用了一种无监督聚类算法——Louvain方法¹²-在技能网络中确定了15个技能集群(以下简称“任务类型”)。任务类型是根据它们的组件技能命名的(参见在线附录https://dl.acm.org/doi/10.1145/3488376材料和方法的详细描述)。图2说明了技能网络的MST，其中节点按任务类型着色，其大小与每个技能在职业中的平均重要性成正比。

图2。技能网络和任务类型。

任务级自动化程度。O^＊NET数据库提供了一个职业自动化程度的综合衡量标准，它不仅可以反映该职业的任务内容，还可以反映技术进步的整体影响。因此，我们的目标是将职业级别的自动化程度分解为更细粒度的技能和任务级别的度量。如果某一职业需要的技能与该职业的自动化程度成比例，则该技能被认为是高度自动化的。基于这一假设，我们将每个技能的自动化程度作为重点技能对职业的重要性与职业自动化程度之间的相关性来衡量。在不丧失一般性的情况下，为了便于解释，我们通过加1并除以2，将0到1之间的自动化度量标准化。

对于任务级别的自动化程度，我们查看属于某一任务类型(一组相关技能)的技能节点测量的平均值。较高(较低)的任务级自动化程度表明任务倾向于由自动化程度较高(较低)的职业在更大程度上执行(参见在线附录验证我们对任务级自动化程度的测量)。

值得注意的是，我们基于相关性的自动化程度测量并没有指向自动化高风险的绝对标准，尽管它们可以为不同职业和任务随着时间的推移的相对自动化水平提供有用的指导。

的上下图图3分别给出了2020年的任务级自动化程度及其2008 - 2020年的变化。图3表明在2008年到2020年期间，每个任务的自动化程度都有很大的改变。虽然在过去的十年中，日常问题解决仍然是自动化程度最高的任务，但机器控制和危险任务在同一时期也经历了自动化使用的大幅增加。有趣的是，2008年自动化程度相对较低的任务类型，如动态/一般体力任务、车辆和设备操作、冲突解决、管理和监督以及人际任务，在2008年至2020年期间变得更加自动化，尽管到2020年它们的自动化水平仍然不高。相比之下，系统分析和创造性和批判性思维的自动化水平下降了，使它们最不容易受到自动化的影响。

图3。任务级自动化程度。

对任务的劳动力需求。自动化技术可以补充完成某些任务的工作，但也可以替代其他任务。自动化的真正影响体现在劳动力市场，这受到几个因素的影响，如技术的互补性、劳动力供应的可用性，以及由于工人效率的提高而改变的劳动力需求。⁸阿赛莫格卢和雷斯特雷波²研究表明，自动化对劳动力需求的影响是由自动化技术的生产率和替代效应之间的平衡决定的。因此，为了全面了解自动化技术对人工任务的影响，本研究还考虑了任务所从事职业的劳动力需求。

为此，我们用就业份额的变化来代替劳动需求的变化，这与之前的工作一致。⁹具体来说，每个任务的劳动需求是通过对每个职业的任务内容占各职业的比例加权职业就业来衡量的。职业就业数据来自美国劳工统计局(BLS)。然而，全国职业就业的变化可能会被过去十年中整体经济部门/行业的变化所混淆。为了最小化行业构成的影响，我们以三位数的NAICS水平计算每个任务从2008年到2020年的行业内就业份额变化，然后平均每个任务的行业内就业份额变化。

回到顶部

人工任务与自动化竞赛的分类

考虑到任务级别的自动化程度和劳动力需求，我们在两个维度中绘制了15种任务类型图4:(一)技术变革x-轴，衡量的是2008年至2020年自动化程度的变化，以及(ii)对从事某项任务的职业的劳动力需求y-轴，衡量的是同一时期内每项任务的行业内就业份额的平均变化。我们考虑到自动化程度的增加(减少)x-轴为技术进步(停滞)和劳动力需求的增加(减少)y-轴为劳动互补性(替代性)。

图4。任务自动化分类。

中所描绘的一样图4，我们将揭示的任务类型根据它们完成或与机器合作的方式分为五个不同的类别。第一类，我们称之为与机器赛跑它包括关系导向的任务——人际任务、小组任务、管理和监督以及冲突解决——这些任务在过去十年中在劳动力市场上很有需求，尽管它们的自动化程度有所提高。第二类，我们称之为r王牌在机器前面，包括沟通、系统分析、创造性和批判性思维——这些任务与较低的自动化水平有关，但在2008年至2020年期间就业人数较高。第三种，被称为改变比赛的进程包括例行问题解决和信息处理，这些任务在2008年和2020年已经高度自动化，但从2008年到2020年经历了就业和自动化水平的下降。一般和动态的物理任务，我们称之为与机器赛跑从2008年到2020年，美国的自动化水平大幅提高，但就业却有所下降。最后，尽管自动化水平有所提高，但处理设备/机械任务(设备维护、机器控制、危险任务、车辆和设备操作)的就业份额仍然相对稳定。我们把它们归类为跑一场不同的比赛。

值得注意的是，认知任务分为三类:与机器赛跑、跑在机器前面、改变比赛进程。另外两个类别——与机器赛跑和运行不同的比赛——由手工任务组成。这与之前将任务类型主要分为认知和手工两类的研究是一致的。⁴在过去的二十年里，例行问题的解决和信息处理被认为是自动化程度和计算机化程度最高的任务，⁷而到目前为止，体力工作一直被认为不太容易被自动化。在这方面，对于已经高度自动化的任务来说，自动化水平的下降可能意味着它们受制于任务的重新定义和重新绑定，以响应任务自动化——也就是说，改变竞赛的进程。我们的数据驱动任务分类进一步揭示了在21世纪，认知任务和手工任务如何在自动化水平和劳动力需求方面走上不同的道路^圣世纪。

回到顶部

提出了自动化索引

工作自动化指数。一个职业对每个任务的自动化程度取决于该任务的自动化程度以及该任务对该职业的重要性。因此，我们构造了一个任务级工作自动化指数对于有代表性的职业，将技能水平的自动化程度乘以每个技能对该职业的重要性的百分比，然后在任务水平上取平均值。在计算一项技能对职业的重要性时，我们考虑的是“有效使用”那些重要性高于职业平均值的技能，这在之前的研究中很常见。⁴每个职业的自动化程度的任务级分解提供了对自动化的职业易感性的粒度理解，这对工作的未来有影响。每个职业的建议工作自动化指数可于www.jobautomationindex.com．

城市自动化指数。城市和城区是典型的经济活动中心。²⁴因此，我们将工作自动化指数扩展到城市地区，并将区域职业构成纳入之前的研究。¹⁹具体来说，我们构造一个城市自动化指数利用工作自动化指数的加权平均值，即某一职业在一个城市的就业占比，对美国大都市统计区域(MSA)进行了统计。MSA级别的职业就业是从美国劳工统计局获得的。城市自动化指数表明，美国城市在人类劳动和自动化技术的竞赛中采取了不同的道路，这可以归因于城市的工业和职业结构的变化。根据建议的城市自动化指数绘制的交互式地图可在网站上找到。

自动化指标与职业/地区特征的关系。为了证明所提出的自动化指数的信息价值，我们探索了职业和美国城市(截至2020年)的任务级自动化指数与职业和区域特征的关联。在线附录中的表S1给出了相关分析中使用的变量的描述和汇总统计。5个任务自动化类别的结果报告在表1(15种任务类型的结果见附录中的表S2)。

表1。自动化指标与职业和地区特征的相关性。

首先，我们发现，执行认知任务的职业(与机器赛跑、跑在机器前面，以及改变比赛的进程)分别与较高的年薪有关。相反，“与机器赛跑”和“与不同种族赛跑”的任务与职业工资水平负相关。

其次，我们将工作自动化指数与适合机器学习考虑到机器学习在最近的技术创新中扮演着核心角色。布等。¹⁶认为“机器学习影响的任务类型将与过去自动化浪潮影响的任务类型大不相同。”我们使用Brynjolfsson等人提供的职业水平SML数据，¹⁶他的衡量标准是，评估当前这一代机器学习系统在不久的将来能做什么，不能做什么。¹⁵我们发现，执行认知任务的职业(与机器赛跑，跑在机器前面，改变比赛的进程)——在过去十年被认为是自动化技术的补充——似乎更适合机器学习的应用。

---

技术可以自动化和替代一些人工任务，但它也可以增强人类的智能，补充特定类型的任务，以促进对这些任务所执行的职业的需求。

---

本文介绍中提到的机器学习驱动的应用程序的例子，包括IBM的沃森、DeepMind的AlphaGo和自动驾驶汽车，说明了认知任务是如何通过机器学习计算机化的。个人助理，如苹果的Siri，提供了另一个例子，ML被用于被归类为领先机器的通信任务。另一方面，机器学习不太可能被应用于过去十年中已经被自动化取代的任务——也就是与机器赛跑，进行一场不同的比赛。这些结果凸显出，由ML及其AI应用推动的下一波自动化浪潮，可能会对劳动力的不同部分产生与过去十年不同的影响。考虑到SML测量代表了机器学习的预先潜力，¹⁶注意，这可能与ML在实践中的实际实现不同。

最后，由丁格尔和尼曼提出的工作自动化指数与远程工作和“离岸性”的适用性相关¹⁷阿西莫格鲁和奥托尔¹,分别。结果表明，执行最不容易被自动化影响的任务(领先于机器)的职业似乎最适合远程工作和离岸外包，而在过去十年中自动化程度更高的任务(与机器赛跑并进行不同的竞赛)则不太适合远程工作和离岸外包。考虑到能够远程工作的员工劳动力市场受COVID-19影响的可能性大大降低，¹⁰研究结果表明，在大流行等冲击期间，自动化也可能在工作保障方面发挥作用，这一暗示为未来的研究提供了一条可能富有成效的途径。

鉴于城市是创新的中心，¹¹我们进一步研究了城市自动化指数如何与美国大都市统计区域的总就业(作为城市规模的代理)和区域创新能力相关联。我们用印第安纳商业研究中心(Indiana Business Research Center)开发的三类创新指数来代表区域创新能力:²³人力资本指数反映知识创造能力，企业动态指数反映创新破坏能力，企业概况指数反映本地企业条件和资源。

首先，我们发现较大的城市往往有更多的工作，这些工作的自动化程度有所下降，而较小的城市则容纳了各种不同的工作，因为它们容易受到自动化的影响。这与之前的研究结果一致，即较小的城市更容易受到自动化的影响，^19，27我们的分析还描绘了城市化和自动化更微妙的图景。具体来说，尽管大城市中热门职业的主要任务的总体自动化水平有所下降，但对某些任务的劳动力需求——也就是领先于机器类别的竞争——也有所增加。然而，对他人的劳动力需求——即种族类别的变化过程——已经下降。因此，大城市可能需要以一种超越机器的方式改造和重新定位人力和工作。相比之下，小城市可能需要不同的自动化适应策略，通过培养更多的工作和产业来补充自动化，并与机器和设备一起工作——例如，与机器赛跑。

其次，我们揭示了城市的创新能力(尤其是人力资本和商业动态)与城市职业的任务内容和自动化程度显著相关。结果表明，城市中的人力资本、知识创造和创造性破坏可能在构建行业和职业混合的区域结构中发挥作用，这些结构对自动化技术具有补充和弹性。

---

一些任务，如模式识别和信息处理，正在迅速电脑化。

---

综上所述，相关分析表1说明了自动化的任务级度量如何提供对职业和城市级别自动化的细粒度含义的更深入的了解。鉴于这超出了本文的范围，我们将自动化程度与职业和区域特征之间的因果关系留给未来的研究。

回到顶部

讨论和结论

探讨21世纪人类与机器之间的竞赛^圣Century提出了一种数据驱动的方法来揭示代表性职业执行的内生任务类型，并定量衡量其自动化程度。我们的研究结果表明，在2008年至2020年期间，许多(但不是所有)任务的自动化程度都有所提高。这项研究强调，自动化影响的先验假设可能不会随着时间的推移而成立，需要动态和数据驱动的方法，反映职业的任务内容和技术能力的近期变化，以自动化不同类型的任务。这项研究的一个主要贡献在于它引入了任务级自动化程度的测量方法，这允许从业者和研究人员在一段时间内以一致的方式测量和跟踪它们。由于我们使用由联邦机构编译或赞助的公开可用数据集，如果源数据集继续更新，这项工作可以为未来的实证工作和实践提供坚实的基础。

我们的工作需要对技术进步、任务内容变化和劳动力需求的动态看法。我们的研究结果表明，自动化水平的提高(通过技术进步)并不总是导致任务的劳动力需求的减少。由于机器学习等新技术需要重新设计工作的任务内容，^16，26一些需要自动化的任务可以在不同的职业中进行拆解和重新捆绑。事实上，我们发现一些已经在很大程度上自动化的任务也经历了自动化水平的下降，这意味着职业的任务内容可能会被重新定义和重新定位，以一种更有利于人类劳动而不是机器的方式。此外，技术变革可以为生产创造新的任务，在这些任务中，劳动力比机器具有比较优势。²自动化的含义因任务类型而异，这意味着职业的任务内容、任务的重新设计和重新定位的方式以及新任务的创建方式应该成为未来工作辩论的中心，而不是完全自动化和取代整个职业。

在这方面，基于最新数据跟踪职业的任务内容及其自动化级别的演变是非常必要的。我们的数据驱动方法在不断地重新配置内生任务类型和更新它们的自动化程度方面具有优势图2，以及在线附录中的图S7，分别用于使用2020年和2008年数据集构建的技能网络。

决策者和实践者可以使用我们的数据驱动方法作为工具来评估和跟踪任务自动化的影响，从而应对技术进步带来的劳动力自动化的挑战。之前的研究强调了教育在帮助工人适应这种技术进步方面的重要性。例如,奥特⁸他认为，“问题不在于中产阶级工人注定会被自动化和技术淘汰，而是在于人力资本投资必须成为任何生产技能的长期战略的核心，这些技能由技术变革补充而不是取代。”对于工人再培训项目，对任务级自动化的细粒度理解可以说明哪些工作需要再培训，以及他们应该学习哪些任务或技能，以便使现有的技能/任务适应自动化时代不断发展的需求。

我们认为这项研究是形成人类与机器之间的竞赛以及未来工作的全面图景的第一步。我们对自动化与职业和区域特征之间的相关性的解释应该得到更多的理论和实证工作的补充，以揭示目前似乎是一个黑箱的一些东西。我们希望我们的研究将促进关于自动化的影响以及在快速技术变革时代工作的未来的讨论和交流。

回到顶部

回到顶部

回到顶部

数字图书馆是由计算机协会出版的。版权所有©2022 ACM股份有限公司

---

没有发现记录