在过去四十年中，数字技术的自动化浪潮在提升生产力的同时，也加剧了社会不平等。生成式人工智能的兴起有可能使这一问题恶化，但这并非必然。通过社会各界的共同努力，可以将 AI 的发展方向从替代人类转向辅助人类，即构建“亲工人 AI”（pro-worker AI）。这种 AI 旨在扩展工人的能力、赋予他们新任务并提高其生产力，从而重建生产力增长与优质就业之间的联系。要实现这一转变，需要调整税收政策、加强反垄断执法、投资于工人培训，并鼓励工会积极参与，共同推动一个既能提升效率又能保障社会公平的未来。
过去自动化的教训
过去四十年的数字化进程虽然带来了经济增长，但其成果并未被广泛分享。许多人因自动化而受到冲击，导致共同繁荣的根基受到侵蚀。
经济增长仍在继续，但它只让一部分群体致富，却惩罚了其他许多人。
现在，生成式 AI 有可能让过去几十年的不平等问题变本加厉，但我们可以避免重蹈覆覆辙。关键在于 重新引导 AI 的发展方向，使其服务于工人，而非仅仅为了替代他们。
一条新路径：“亲工人 AI”
“亲工人 AI”并非遥不可及的幻想，其核心理念早已存在。早在 1960 年，计算机科学家 J. C. R. Licklider 就预言，计算机有朝一日将通过向工人提供高度处理过的、与情境相关的信息来增强人类的认知能力。
生成式 AI 的出现最终让这一预言成为可能。它能够：
- 即时处理信息： 快速找到查询的最相关答案，并以易于理解的形式进行总结。
- 提供精确指导： 处理技术信息，为特定条件下的复杂任务提供精准引导。
- 增强工人能力： 帮助工人扩展现有技能，承担新任务，并变得更有效率。
如果得到广泛采用，这种 AI 可以同时提高工资、就业率和生产力，修复过去几十年中断的“生产力增长”与“好工作”之间的联系。
“亲工人 AI”的实际应用
这种 AI 的应用场景远不止于帮助知识工作者起草邮件或幻灯片，它在各行各业都有巨大潜力。
- 技术工人： 以电工为例，他们面对日益复杂的设备和电网。专门的 AI 工具可以利用特定的知识库、过往案例和现场数据（如传感器读数、照片），帮助他们快速识别机械或电路问题。
- 服务行业： 在教育领域，AI 可以帮助教师分析测试结果中的模式，为经常犯同样错误的学生群体量身定制教学计划，从而使教育更具成本效益和个性化。
- 医疗保健： 经过专门训练的 AI 模型可以使技能水平较低的护理人员能够执行更广泛的任务，特别是那些更依赖体力和社交互动而非高深医学知识的任务。
最重要的是，“亲工人 AI”可以为未受过大学教育的工人创造优质的服务业岗位，从而开始根除后工业经济中根深蒂固的不平等问题。
当前的障碍：为何自动化仍是主流
尽管“亲工人 AI”前景广阔，但现实是，大部分资金和关注点仍然流向了自动化。
- 利润驱动： 自动化可以为管理者和股东带来丰厚回报，因为它能减少工资支出，并降低对有组织的劳动力的依赖。
- 技术界的迷思： 硅谷过度追捧那些能模仿人类行为和声音的 AI 模型，将“达到人类同等水平”（human parity）视为成功的关键指标。
- 税收激励错位： 在许多工业化国家，税法严重偏向自动化。在美国，企业为劳动力支付的税负远高于为自动化设备支付的税负，这使得即使自动化效率低于人类，企业也可能因税收优惠而选择自动化。
如何转向“亲工人 AI”？
要改变这一现状，需要社会各方采取协调一致的行动。
1. 调整政策与激励措施
- 设立专门机构： 美国和欧洲应创建 AI 机构，通过拨款或公共竞赛等方式，激励技术专家开发旨在扩展工人能力的模型。
- 改革税法： 消除税收体系中对资本的过度优惠，为劳动力和“亲工人 AI”的开发创造一个更公平的竞争环境。
2. 投资于工人培训
社会需要大力投资于工人培训，使其能够适应 AI 带来的新任务和新技能要求。这种培训应侧重于 提升工人现有的专业技能，而非不切实际地将他们转变为程序员。培训本身也需要具备适应性，并强调灵活性。
3. 进行结构性改革
- 限制技术垄断： 通过执行现有的反垄断法，削弱大型科技公司对 AI 发展方向的过度影响，为拥有非传统想法的新公司创造更多空间。
- 加强劳工运动： 工会不应抵制 AI，而应成为“亲工人 AI”议程的倡导者。他们需要向企业证明，投资于“亲工人 AI”可以使劳资双方受益——让工人更有生产力，让企业更有利润。
最终，我们面临一个核心抉择：不能再将自动化作为 AI 时代的唯一方向。通过拥抱“亲工人 AI”，我们有机会利用这项强大的新技术来帮助工人，而不是将他们边缘化，从而确保不同技能和背景的工人都能获得工作和工资增长的机会。