人工智能时代AI产品生产中的认知劳动

贾文娟

上海大学社会学院，上海200444

在人工智能(artificial intelligence，AI)时代，人类社会出现了哪些新的劳动方式？这些新劳动方式又对劳动者的工作生活状况产生了怎样的影响？这是近年来社会科学研究者极为关注的问题。围绕上述问题，国内外学者进行了诸多极其深入的研究，并提出了很多具有洞察力的观点，极大地推动了社会科学知识的增长。综合观之，这些研究主要围绕以下三条路径展开：

第一，劳动社会学视角下的“机器换人”研究。许怡等[1]指出，包括机器人、AI、赛博格在内的非人主体正在将人类从大量传统产业中推挤出去，中国产业升级中的制造业正在经历以“智能化”为目标与以“省人化”为目标的“机器换人”，并将带来劳动力结构的两极分化。王潇[2]研究发现，AI算法在制造业中的使用方式是将核心科学原理、科学思维从知识生产的基本技能中抽离，使工程师等知识性员工陷入了“技术空心化”的境地。不少学者的研究都显示出AI技术的应用将会进一步降低传统产业工人在生产中的自主性，甚至将中低技术工人抛离出制造业。

第二，传播政治经济学视野下的数字劳动研究。数字劳动研究延续了经典媒介理论对受众行为、受众参与状况的关注，并在政治经济学批判的路径上，分析数量庞大的互联网使用者是如何在“媒介的劳动化”与“劳动的媒介化”[3]逻辑下，成为被各种门户网站、数字媒介企业剥削的对象，并通过无酬劳动参与到数字资本主义剩余价值的积累之中的[4]。如Kucklich[5]用“玩工”概念阐释了游戏玩家是如何在兴趣和休闲娱乐中被整合进游戏公司的生产体系之中的；Jarett[6]则认为媒体受众就像家庭主妇那样自愿承担着庞大的社会再生产任务，降低了平台企业的生产成本；Qiu[7]则认为，智能手机使用者与富士康工人类似，他们通过受众劳动，无偿为资本生产出了更多的内容，成为被支配的“i奴”。国内学者则将数字劳动的研究扩展到对字幕组等兴趣小组[8]、网红主播[9]、粉丝群体[10-11]、网络写手[12]等新劳动群体的分析中，讨论了不同类型数字劳动者是如何被整合到数字经济中去的。

第三，监控资本主义视角下的平台劳动研究。围绕“平台劳动”的研究延续了劳动社会学对技术控制、科层控制、意识形态支配等议题的关注，注重讨论平台企业是如何通过对基于数据科学的AI算法的使用，使诸如骑手、网约车司机、Airbnb房东、卡车司机等零工劳动者甘愿服从于平台的劳动控制。如围绕外卖骑手的研究指出，外卖送餐平台通过重塑劳动过程的时空属性[13]、占有和垄断数据信息[14]、再分配管理控制权[15]、宣扬自由意识形态等实践策略[16]，对劳动者行动方式与思想感受进行引导、评估和规训；围绕网约车司机的研究发现，看似扁平化的平台实则是依托企业规则、数字技术和第三方机构进行管理的科层组织[17]。郑广怀[18]从支配理论角度指出，通过对用户行动进行预测并诱使其做出特定劳动与消费行为，劳动支配逻辑从利用劳动者主体性的“确立规范”走向了使劳动者成为载体的“常态规范”。

这些研究为进一步分析AI时代的劳动方式变迁问题奠定了坚实的基础。但是，现有文献的研究对象主要是AI技术的使用者，其关注的问题主要是AI算法对既有劳动方式、劳动控制的重塑，而没有分析用以生产AI技术产品的劳动方式是怎样的。显然，AI时代的新劳动方式不仅包括“AI技术使用者”的劳动方式，而且包括“AI技术生产者”的劳动方式。据此，本文试图从劳动形态、劳动分工等“元概念”入手，在对“劳动”、体力劳动、情感劳动、“概念与执行分离”等经典概念进行回顾的基础上，构建起分析不同产业劳动方式的逻辑路径，并在计算机科学、认知心理学对“人机交互”分析的辅助下，尝试探讨用以生产AI技术产品的新劳动形态——“认知劳动”是怎样进行的，以及它对劳动者工作生活产生了怎样的影响。

一、劳动形态与劳动分工：劳动方式研究的起点

劳动是“人以自身的活动来中介、调整和控制人和自然之间的物质变换的过程”[19]207，同时，这种活动还是“一切历史的一种基本条件”[20]21。人类劳动区别于其他动物劳动的独特性并非阿伦特所述的生命有机体创造剩余的“增殖”能力[21]，而是它的自觉性、自有性和社会性。第一，劳动是人类自觉的生命活动，人们以此发挥着各类天赋与潜能。人类劳动具有“有理智和有目的的性质”，它需要“心灵”与身体进行结合[22]。第二，劳动是属于劳动者自有的生命行为，人们要求对劳动的控制权。人类劳动是一种不可让渡的生命行为，“无论代价如何，人不能把自己的工作能力让与他人，正如一个人不能替另一个人吃饭、睡觉一样”[22]50。第三，从社会性上看，劳动是一种人类独有的社会性活动，而劳动分工的发展则使人们的总体性劳动远超个体劳动的总和。正是因为人类劳动的自觉性、自有性和社会性，它成为构筑人类文明的实践方案。同时，因为人类身体所具有的能力在类型、表现方式等方面都是多种多样、变化无穷的，人类劳动的无限适应性便构成了社会财富得以持续积累的基本来源。

劳动形态是对人们用以生产特定对象物所调用的“具体”劳动的概括，一般是由劳动的最后结果确定的[22]。人们在不同时代发展出了不同的劳动形态，而具体的劳动形态则由管理方从劳动者身上获得的核心潜力以及产品形态所定义。在工业制造业中，体力劳动是主导性的劳动形态，管理方试图从劳动者身上抽取“体力”，以生产物质产品。但不同劳动群体身上的“体力”被抽取的方式与逻辑并不相同，这又对社会生活造成了重要的影响。我们可以从劳动分工变迁，即生产组织方式与生产技术变迁这两个角度来理解这个问题。从生产组织方式上看，机器大工业在泰勒制、福特制的推动下，劳动组织分工趋于细化，“概念与执行分离”成为人们组织生产的基本逻辑，“去技术化”成为生产的基本原则[22]。从生产技术变迁上看，数字控制的机器替代了人手控制的机器，各项操作趋于简单，工人需要的仅是按照机械设定运用人的基本“官能”。在这种情况下，劳动者不再是从事复杂劳动的总体工人，而是进行简单劳动的局部工人。与此同时，人机关系也发生了重要变化：劳动者不再是生产资料的运用者和操控者，而成为机器生产的协助者，其从劳动过程的主观因素降级为劳动过程的客观因素；工具不再是人类器官的延伸，而成为管理方用以操控劳动过程的中介。

在服务业中，情感劳动是主导性的劳动形态。劳动者被资本抽取并用于产品生产、资本积累的人类核心能力不再是体力，而是情感。随之相伴的，情感劳动成为该行业的核心劳动方式——这种劳动要求一个人为了保持恰当的表情而激发或抑制自己的感受，以使他人产生适宜的心理状态[23]。虽然情感劳动的劳动形态与体力劳动差异极大，但其劳动分工逻辑却是相似的。从劳动方式上看，在情感劳动中，激发并抽取劳动者的特定情绪依赖于推动其情感系统的转化，这意味着劳动者可能通过想象、共情、移情、关系营造等方式使其在私人生活中存在的各种情绪和感受为工作所用，也可能为了工作需要而抑制其真实情绪。总之，情感劳动者努力地将用于私人生活的感受移植到工作上去，以达到工作的要求。

虽然从劳动形态上看，情感劳动与体力劳动大相径庭，但从劳动分工上看，其同样是程序化、标准化的，并遵从了“概念与执行分离”的逻辑与“去技术化”的原则。首先，负责制定情感规则的是管理方，他们先是对涉及被服务者的工作流程进行规范化改造，再通过培训向劳动者告知标准化的情感规则，工作者只需执行即可；其次，管理方通过程式化的操作方案对不同劳动者的责权进行了划分，处理复杂事态的脑力工作被上移；最后，管理方还需要通过督导抽查、消费者评价对情感劳动者进行监督和控制，甚至通过组织文化或职业文化的塑造以确保劳动者能自觉主动地展现特定情绪。可见，从劳动形态上看，情感劳动与体力劳动差异极大，但从劳动分工上看，两者却存在相似之处。

综上可见，劳动方式包含了劳动形态、劳动分工两个因素。首先，产品属性与生产该产品所需的人类潜能促使新劳动形态产生。其次，现代社会的生产理性化特征与产业发展状况共同影响特定产业的劳动方式。产业发展早期的劳动分工方式与成熟期往往并不相同，而在生产理性化的影响下，其劳动分工逻辑则趋向于与既存产业呈现出一定相似性，比如，体力劳动与情感劳动都遵从“概念与执行分离”的逻辑与“去技术化”的原则。下文将依托这些概念分析AI产业中的认知劳动，以期理解AI产品是如何被生产出来的。

二、认知劳动的劳动形态与AI产品的生产要求

AI产业包括使用AI算法进行机器人、无人驾驶汽车等智能产品生产的应用层企业，提供图像识别、语音识别、文本识别支持方案的技术层企业，以及提供人工智能算法、数据中台支持、智能芯片、智能传感器等基础支持的企业。上述AI产品生产所需要提取的核心人类潜能不再是体力和情感，而成为认知。在以“人机交互”为核心诉求的生产中，主导性的劳动形态不再是体力劳动、情感劳动，而是认知劳动。基于此，本文将从劳动形态入手探讨认知劳动是如何进行的。

(一)认知：用以生产AI产品的人类新潜能

在不同的产业生产中，总有一种基础性的人类潜能从大量劳动群体身上被提取出来，继而与生产资料结合在一起，构成该产业主导性的劳动形态，并创造出了大量财富。在工业制造业中，这种潜能是“体力”，在服务业中，是“情感”，而在AI产业中，则是“认知”。当然，这在很大程度上得益于计算机科学与认知心理学的发展。

众所周知，人们对计算机的最初设想，就是创造出能够进行模拟人类智力活动的机器——这显然是工业时代机器作用的延伸。该设想在实现中存在困难，即从硬件来看，计算机仅是一个由存储部件、执行单元、控制部件所构成的、依托代码进行的信息输入与输出系统，这种机器本身并不能像人那样进行自主思考。然而，计算机科学与认知心理学的发展，“使机器获得人类所具有的认知能力”逐渐在技术上成为可能：一方面，诺伊曼[24]13指出，人脑也是一种计算机，人脑的神经元发出的是可以沿着神经轴突传导的神经脉冲；另一方面，西蒙[25]则认为，计算机的运算过程与人脑的认知过程非常相似，人类通过调用和加工大脑中的短时记忆和长时记忆来进行思考，计算机则通过调用内存和外存来进行运算求解。可见，从理论上看，人的认知和机器的认知是能够耦合交互的。换句话说，人们是可以将其认知赋予机器，使后者获得与人类相似的认知能力——这也构成了后续计算机科学的发展目标。

从心理学的角度看，任何动物都是具有认知的，但人类认知的不同之处在于其不仅仅是一种生物性的“刺激—反应”，而且具有处理复杂信息的能力。人类的中枢神经系统、神经元和大脑活动使其不仅能够通过“产生式”的逻辑策略推进思考，而且能够通过灵活调用“短时记忆”和“长时记忆”的方法来解决问题[25]。在这个过程中，人类策略性地运用了三种认知能力：一是高级认知能力，即解决复杂逻辑问题的策略性思维，包括决策、策略、计划等；二是中级认知能力，即用以动员“短时记忆”相关的初级信息加工，包括观念、概念、理解等；三是与“刺激—反应”等生理过程直接相连并用以进行“简单信息加工”的低级认知能力，包括知觉、表象、记忆等[25]。需要注意的是，以上所述的人类大脑认知逻辑与计算机信息处理逻辑非常相似。与此相应，在AI技术开发和产品生产中，劳动者所发挥、运用的正是上述认知能力。也正因此，人类“认知”成为一种用以推进相关产业发展和资本积累的人类新潜能。

在数据信息极大丰富、算法模型推陈出新的今天，“认知”能力不再像过去那样与脑力劳动混淆在一起，仅是贵族和精英的特权，并与体力劳动相对立。随着AI产品生产的产业化趋向，人类的“认知”能力正在被大规模地开发、提取与调用，一种新的劳动形态——认知劳动，登上了历史的舞台。

(二)认知劳动的核心要求：认知系统的转换

量子计算、元宇宙等AI概念往往晦涩难懂。但实际上，计算机科学发展自始至终的追求都是使机器获得人类的智能，即一种能够通过自觉与不自觉的学习，掌握所有默会知识、学会认知同类符号、区分不同类符号并做出相应反应的能力[25]。在这种情况下，AI并不复杂，而仅意味着“可以去编写计算机程序模拟人类的心理活动”，或者说“编写程序来模拟人类的智能”[25]。以此观之，AI产业的核心诉求便是依托硬件与软件构造实现顺畅的“人机交互”。

在技术哲学看来，“人机交互”意味着机器装置的“主体化”以及劳动者与其生产工具交互过程中的“赛博格”化[26-27]。但从技术实践的角度看，“人机交互”不仅意味着人类认知与计算机认知可以相互模仿、不断趋近、彼此耦合，而且意味着人类需要将其认知赋予机器。其技术内核包括：一方面，使计算机程序的运行方式不断接近人类的认知与需求；另一方面，使劳动者以计算机程序为依据进行认知。然而，“人机交互”的实现非常困难，这是因为人脑与电脑的认知方式虽从抽象逻辑上看是相似的，但在具体运作上存在两方面的差异。其一，人脑与电脑对信息加以处理的逻辑是不同的。人脑主要以并行方式处理信息，而电脑则以串行方式处理信息。换言之，由计算机进行的信息加工是系列的过程，即必须一个一个地进行。两者如何匹配相当困难[25]。其二，人脑与电脑对问题进行求解所使用的具体路径也是不同的。计算机求解往往依赖数学运算逻辑，其逻辑深度要比人脑大得多。在这种情况下，一条简单的求解需要拆解成诸多基本步骤，而每个基本步骤在运算上又具有很长的逻辑链条，计算中的误差还会影响运算求解的准确度。正因为人脑与电脑在认知上存在上述差异，“人机交互”的过程便成了需要人们付诸大量“劳动”才能实现的过程。当然，用以促进“人机交互”、训练AI的劳动并不是传统的体力劳动或情感劳动，也不能简单地为“脑力劳动”所概括，这种劳动形态是随着新技术革命而出现的“认知劳动”。

实际上，在第四次技术革命后，社会科学领域便出现了“认知劳动”的概念。Boutang[28]将认知劳动看作用以生产信息、数据、创意等非物质产品的劳动；Daminger[29]通过对家务劳动的研究，将认知劳动看作与预期、识别、决策和监控相关的一系列活动。以上学者都将人类的预期、识别、判断、创新等能力作为认知劳动所需要的核心能力。在此基础上，从劳动形态上看，AI产业中的认知劳动便是人们策略性地施展、调用或抽取各种认知能力，在“人机交互”过程中生产AI程序的劳动。

当然，认知劳动并不是一个模糊的称谓，其劳动内容纷繁复杂，核心是使劳动者进行“认知系统的转换”。这种“转换”通常包含三个方面。一是思维模式的转变。为了适应计算机的信息加工系统，劳动者需要将其以经验直觉为认知基准的人类思维模式转换为与电脑硬件系统相匹配的“产生式思维”模式——即“每当某个条件出现时就产生某个活动”的“条件—行动”式思维模式[25]。二是思考逻辑的转变。为了适应计算机的数学运算策略，劳动者需要将自动化乃至无意识的思考转化为数学式、程序性、步步衔接的思考方式。三是语言语法的转变。为了与计算机符号识别模式相适应，劳动者需要将人类的自然语言转化为计算机的代码语言。虽然AI产业中的认知劳动者有很多，不仅包括计算机科学研究者、机器语言开发者、大公司的首席软件工程架构师、算法工程师、算法程序员，还包括算法测试员乃至数据标注员等，但其认知系统都需要根据上述逻辑进行转换。

可见，无论AI的发展如何复杂，其核心目标总是通过“人机交互”的方式使计算机获得人类智能。因为人脑认知与电脑认知虽在逻辑上相似，但在实际运行上相距甚远，所以“人机交互”的实现需要劳动者开发、动员、调用自身的各类认知能力，并进行以“认知系统转换”为核心内容的认知劳动。在这种情况下，劳动者需要站在计算机的角度进行思考，想象计算机如何理解、处理和应对自己所面对的问题。

(三)认知劳动中的劳动者与劳动内容

虽然从计算机科学研究者、AI技术开发者到算法测试员、数据标注员等劳动者都在前述“认知系统进行三重转变”的基础上从事着认知劳动，但其具体工作任务和劳动内容却完全不同。认知劳动的实践方式与其产品生产的“技术路线”——以“产生式”求解方式来表达人类认知的EPAM程序紧密相关(1)EPAM程序的全称是 elmentary perceiving and memory program，即“初级知觉和记忆程序”。该概念源自费根鲍姆的博士论文，并成为西蒙讨论人类认知系统的基础。。其劳动分工的依据则是EPAM程序本身的运行逻辑。要使计算机模拟一个简单的人类认知行为，需要极为复杂的求解过程和逻辑运算体系，包括产生式结构设计、初级信息处理和基本数据识别三个步骤，并对应三种认知劳动内容和三类劳动者群体：架构师、算法工程师和数据处理人员。

首先，架构师处于AI技术体系的底层、生产体系的管理层，是负责AI整体设计的知识专家。从劳动内容上看，他们通过设计“产生式结构”框架，为特定问题求解，以提供整体性方案与框架性思维。比如，一个用以进行图像识别的算法包括许多组块，架构师不仅需要通过建立多个算法模块来辨别各种类型的复杂刺激，而且需要设定与这些组块间逻辑关系相关的整体框架，并攻破模块衔接处的技术难题、化解系统运作时出现的故障。为了进行这项工作，架构师不仅需要充分发挥决策、策略、计划等最高水平的认知能力，而且需要同时动员自身的“短时记忆”与专业性的“长时记忆”，为总体问题解决设定基本框架与步骤。架构师与计算机的交互逻辑是：在计算机硬件装置与基本程序的设定下，向计算机提供人脑进行问题求解的基本思路。他们是AI系统的开发者和创新者，是计算机当之无愧的“老师”，其在人机交互过程中拥有较大的自主性。

其次，算法工程师处于AI技术体系的中间层，是负责运行不同代码模块、提升其运行效果的技术人员。从劳动内容上看，他们将通过初级信息加工的方式，完成各个算法模块的设计建构、训练优化等。在模块设计和建构过程中，他们会从Github等开源社区下载需要的素材并对其进行改造，使其符合自身需要；在模型训练优化过程中，他们则需要进行数据整理、路径选择、特征提取、参数调整等工作。当然，上述工作在不同级别的算法工程师身上还将继续细化。在这个过程中，算法工程师需要进行一系列的语法翻译工作，将人类的语言转化成为计算机代码(2)计算机对信息的处理方式受到其硬件系统的影响。在这种情况下，计算机程序的写法必须以代码的方式进行。即便代码模块之间的关系是以人的认知方式为依据，并且是对人认知方式的模仿，但是计算机的语言与人类语言并不相同。在这个过程中，算法程序员需要进行一系列的语法翻译工作，将人类的语言转化为计算机代码。比如，当一条代码执行命令结束之时，必须敲上“end”——而人在结束某行动之时，不一定会有任何表示；代码中的标点必须是英文的；算法对数据的要求与人们在日常生活中的判断并不一致；等等。。与架构师不同，算法工程师运用的主要是观念、理解等中级水平的认知能力，主要动员自身的“短时记忆”来解决某个特定问题。算法工程师与计算机的交互逻辑是：按照计算机语言的要求，把人类自然化的认知、推理逻辑翻译为数学化的计算机代码逻辑，以实现包括识别、推荐、自动翻译等在内的功能。算法工程师通过计算机语言书写和转译人类认知，成为计算机的“翻译”，并在人机交互中拥有有限的自主性。

最后，数据处理人员处于AI技术体系的最底层，是为AI算法模型提供数据支持的劳动者。从劳动内容上看，他们通过数据收集、数据清理、数据标注等方式，将目标物体的具体概念转化为能够为计算机读取的标准化数据，使AI算法模型的高效运作成为可能。很多与识别行为有关的AI算法都需要大量数据作为辅助和支持，自动驾驶汽车的视觉识别与感知系统的顺利运行，便需要数据标注员手动对道路照片上出现的“行人”“红灯”“停车场”等进行点击拉框。从认知使用上看，数据处理者使用的主要是感觉、知觉、判断等低级认知能力，他们主要通过动员自身的“长时记忆”来对符号对象进行判断与辨认。数据处理者与计算机的交互逻辑是，完全以计算机算法模型要求的标准进行重复性的数据处理。在这个过程中，数据标注员自身认知方式被严格控制，其主体性被完全抹杀了。

综上所述，人类不同时代、特定产业中的主导劳动形态是由产品属性与生产该产品所需的人类潜能所共同定义的。工业产品形态纵然千变万化，但其总归是物质性的；服务业产品虽然五花八门，但其总与体验相关。与此不同，AI产品往往以程序、软件的形态表现出来，其本质目的是使机器获得人类的认知能力、模仿人类的认知行为，该生产的核心取向是人机交互，即根据“人的认知心理过程”来设计计算机程序。为了达到上述要求，劳动者必须转变自身的思维模式、思考逻辑和语言语法，并根据计算机的数字信息处理方式与逻辑来进行“认知劳动”。结果是，不同层级劳动者具体而微、复杂奇妙的认知能力与算法模型建构的不同步骤一一对应起来，在生产的不同阶段或者被发挥、被调用或被抽取，最终构成了认知劳动的整体实践图谱。认知劳动的劳动形态与以往时代的体力劳动、情感劳动存在较大差异，但这种劳动方式与以往时代完全不同吗？下文将从劳动分工的角度对该问题进行阐述。

三、认知劳动的分工逻辑及其对劳动者的影响

劳动分工是人们组织生产的重要方法。具体而言，劳动分工是指把特定生产劳动划分为不同组织部分，并使不同劳动者专门从事某一部分的生产。在以利润为导向的现代生产中，劳动分工往往遵循着“概念与执行分离”的逻辑和“去技术化”的原则，劳动者也从总揽全局的总体工人降级成为仅负责特定环节的局部工人。这种情况曾经出现在体力劳动与情感劳动中，今天则出现在了认知劳动中。认知劳动的劳动形态虽然有其独特之处，但其劳动分工逻辑却与以往时代极为相似。

(一)“概念与执行分离”在AI生产中的延续

在新自由主义全球化影响下，西方AI生产企业的劳动组织模式是以众包为主的。具体而言，谷歌、苹果等位于硅谷的科技企业通过“离岸外包”和“众包”方式[30]，将不同类型的软件开发工作交给位于澳大利亚、荷兰、瑞典等地的小公司[31]。中国AI生产企业则在产业政策的加持与金融资本的推动下，采取了垂直一体化、劳动密集型的AI产品生产模式。截至2020年6月底，中国AI核心产业规模达到770亿元，AI企业超过了2 600家[32]18,软件行业从业者人数也达到487.1万人(3)数据来源于《中国劳动统计年鉴2021》。。在西方AI软件生产的“众包”模式下，不同层次的认知劳动者分散在全球各地；而在中国AI软件生产的垂直一体化模式下，不同层次的认知劳动者往往集中在同一家公司。从这个意义上看，中国AI企业的劳动实践更清晰地体现出认知劳动分工的基本特征。

布雷弗曼认为，在追求扩大剩余价值的生产中，管理方推进劳动分工的原则是“打破劳动过程的统一”，使概念与执行相分离，将与生产相关的知识全部集中于管理部门，进而最大程度降低劳动者个人主观因素对生产效率所造成的干扰[22]。上述劳动分工逻辑不仅存在于制造业，而且可以运用在数学研究中。巴贝奇早在18世纪就设想通过劳动分工实现“像制造大头针那样制造对数函数和三角函数”。为此，只需要把这项工作分配给三个小组：第一小组由少量数学家组成，负责设计数学公式，以供其他两个小组使用；第二小组由七八名数学能手组成，他们把这些公式变成数值并设计出检验运算结果的方法；第三小组由几十人组成，他们只需要进行简单的加减运算[22]。AI产业中的复杂劳动同样被拆解成数种简单劳动的叠加，那些在工业生产领域中盛行的劳动分工逻辑同样影响了AI领域。与巴贝奇的劳动分工方案相似，认知劳动者也包括三类群体：使用计算机语言为问题解决搭建框架、寻找提升算法效能方法的计算机专家、使用计算机语言和代码来推进特定模块功能实现的算法工程师以及仅需简单操作的测试与数据处理人员。进一步而言，大多程序员并不亲自构造算法，而是从Github等开源社区中下载合适的算法模块，对其中的参数进行调整，再为当下工作所用；又如，数据标注是一种只需培训数小时就可以进行的简单劳动，数据标注员除了了解标注规则以外，不需要掌握任何技术知识，他们与制造业中的流水线工人、窗口服务业中的服务员的劳动性质是相似的。总之，AI生产步入产业化发展阶段后，其劳动分工逻辑也走向了概念与执行相分离，其劳动分工原则同样是“去技术化”——这与传统制造业、服务业在本质上实无差异。

然而，因为劳动形态上的差异性，认知劳动分工的具体实践与传统劳动相比仍存在以下两方面不同。其一，从分工策略上看，认知劳动的劳动分工依据不仅是AI生产的技术路径，而且是人类认知能力的差异。为了提升劳动生产率，管理方希望大多数劳动者仅仅调用其基本认知能力即可。比如，数据标注员在拉框标注过程中只需要发挥一些7岁儿童就具有的“刺激—反应”机能，而不少程序员在重复性的代码书写中也仅需要调用较为简单的逻辑思维能力。但是，负责统筹规划工作的技术专家需要创造性地发挥出人类最高层次的认知能力。这使得认知劳动内部出现了两极分化的问题，一部分人的认知极其宝贵，另一部分人的认知却微不足道。其二，从人机关系上看，很多认知劳动者虽然正从劳动过程的主观因素降级为客观因素，但其并不像体力劳动者那样是机器肢体的延伸，也不像情感劳动者那样如同机器的面孔，而成为帮助机器接受信息的感觉器官。比如，数据标注员如同计算机的眼睛和耳朵，帮助后者去看、去听、去判断、去辨识，再将认知结果输入计算机。虽然无论AI产品的整体技术取向还是其产品诉求都是“人机交互”，但其实现却需要大量劳动者降级成为机器的辅助。可见，认知劳动同样依循“概念与执行分离”的逻辑，其分工策略和人机关系却呈现出与传统劳动方式的差异，表现出围绕“认知”的分化特征。

正如胡斯所言，布雷弗曼的论述依然适用于数字时代的工作[33]。在AI产业，处于顶端的是产生和创造想法、方案、程序的人，而大量底层劳动者仍然作为机器的辅助，从事着简单重复的劳动，“死劳动”支配“活劳动”的剧目再次粉墨登场了。但需要注意的是，AI产业中的劳动分工是根据劳动过程不同阶段所需的“认知能力”而展开的，虽然大量劳动者也沦为机器的辅助，但他们不再是机器肢体的延伸，而成为机器的感觉器官。

(二)“去技术化”对认知劳动者工作生活的影响

无论是在工业时代、服务业时代还是AI时代，以“概念与执行分离”为逻辑、以“去技术化”为特征的劳动分工状况都会深刻地影响劳动力市场形态、组织形态与劳动者的工作生活。今天，认知劳动者的实际处境表现在以下三个方面：

第一，“去技术化”改变了劳动力的整体构成，认知劳动者难以获得合适的工作。“去技术化”意味着AI企业试图使“分散的、按习惯进行的生产过程不断地变成社会结合的、用科学处理的生产过程”[19]688，而这降低了认知劳动者所需的技术水平，令其面临“面试造飞机，工作拧螺丝”的窘境。尽管有研究指出，以大数据、AI、云计算为代表的新一代信息技术产业的劳动力缺口极大(4)比如，华为技术有限公司编制的《2018中国ICT人才生态白皮书》认为2017年中国ICT人才需求缺口高达765万人。，但在“去技术化”浪潮下，能够从事认知劳动的人也增多了。如今，AI产业的“劳动力蓄水池”不仅包括金融化冲击下因高科技公司频繁兼并重组而析出的过剩劳动力，而且包括目前仍在高校就读的各类理工科大学生，甚至传统产业中的职业经理人、公司职员等都进入了AI产业的劳动力市场。在劳动力蓄水池的增速实际高于劳动力缺口增速的情况下，追加的劳动者不可能被该产业完全吸收。实际情况是，AI企业往往按照资本市场走向同时追加新劳动力和削减过剩劳动力。结果，其一边声称劳动力缺口很大，另一边却在裁员。在资本对认知劳动者的高需求与高排斥同在的情况下，后者的处境并未更加乐观，他们反而更难获得合适的工作了。

第二，“去技术化”带来了劳动者群体的相互排挤，个体劳动者的“逐底竞争”明显增加。一般而言，“去技术化”趋势使得雇主可以从一个不断扩大的劳动力蓄水池吸取人手，用未成熟的劳动力排挤成熟的劳动力，用年轻劳动力排挤年长劳动力，最终用更少的资金获得更多的劳动[20]。该规律在AI产业中的体现为：算法工程师“被毕业生倒挂”的现象普遍存在，工作多年老员工的工资收入可能还不如新入职的毕业生；企业内部出现被称为“内卷”的逐底竞争状况，所谓“996”和“大小周”仅是问题的表象，以更短时间完成更多的工作、无条件的义务加班、随时待命处理问题等是认知劳动者的工作常态；认知劳动者的工资水平也在持续下降，AI企业使用大量实习生补充底层工人的缺口。比如，上海AI头部企业中的数据标注员大多是来自附近高校的实习生，而贵州惠水白鸟河小镇中的数据标注员则直接在当地职业技术学校老师的组织下工作。在上述情况下，虽然认知劳动要求团队合作、紧密讨论，但劳动者却愈加地个体化；虽然认知劳动者工作极为努力，但其获得有尊严的生活却更困难了；虽然身处光鲜亮丽的新产业，但马克思所述“工人到了中年通常就已经多少衰老了”[19]704就像在描述他们。

第三，“去技术化”改变了AI企业的管理策略，认知劳动者在组织内部获得晋升的难度越来越大。20世纪80年代，美国的高科技公司一度通过建立长期稳定的雇佣关系、畅通的晋升渠道来激发核心员工的忠诚、热情和投入，并建构起了享誉全球的“工程师文化”[20]。但今天，认知劳动者在组织内部向上流动的空间很小。虽然各大企业的员工等级都在十档以上，但大多数员工都会遭遇晋升天花板。比如，美国亚马逊公司的算法工程师很难突破P6，百度的算法工程师难以突破T6，而蔚来汽车中的P5就是一道难关了。如果说从普通员工晋升到小组长还能够通过努力实现，那么从小组长晋升到架构师等中层管理者，便是绝大多数劳动者无法逾越的鸿沟。与此同时，经济金融化趋势更加大了认知劳动者的工作危机，华尔街的一点风吹草动都可能导致算法工程师下个月无法住在公司附近的公寓。在这种情况下，认知劳动者都知道，如何把自身包装成符合市场需求的劳动力比努力提升自己的知识技能更加重要，频繁跳槽比在一家公司持续发展更为明智。

与工业时代相比，当今的科学技术已经取得了突飞猛进的发展，但在“概念与执行分离”的逻辑和“去技术化”的趋势下，大多数认知劳动者与曾经的体力劳动者、情感劳动者的境遇相似。随着复杂的“人机交互”成为多种简单劳动的叠加，认知劳动者正在从知识全面的总体工人降级为仅负责执行特定任务的局部工人，从机器的主人降级为机器的辅助，从生产的主观因素降级为生产的客观因素。当然，与工业时代的体力劳动、服务业时代的情感劳动不同，认知劳动者并不是机器肢体的延伸，也不是机器的面孔，而是帮助机器接收信息的感觉器官。与以往时代相似，“去技术化”趋势同样对认知劳动者的工作生活造成了负面影响。今天，“工程师文化”已经成为少数技术精英的特权，更多认知劳动者的实际处境是其劳动的可替代性增加了、内部竞争越来越激烈了、工作压力也在持续增加。其劳动境况与曾经的体力劳动者、情感劳动者呈现出了相似的趋向。

四、总结与讨论

托夫勒曾预测，当代经济方面最重要的事情是一种创造财富的新体系的崛起，这种体系不再是以肌肉为基础，而是以大脑为基础[34]。在AI产业，生产对象从自然物质转变为海量的数据，生产资料不再是流水线上的大型机器，而是计算机、代码与算法，其基础设施也从公路、铁路、机场与电厂变成了互联网基站、超算中心等。使这一切运转起来的主导劳动方式不再是体力劳动、情感劳动，而是认知劳动。AI产业的迅猛发展当然可以归结为自20世纪50年代以来的计算机技术累积，也可以归结为产消合一者贡献出的海量数据，甚至可以归结为产业政策的有力推动，但这些“条件”只有通过人们的劳动才能组合在一起，成为持续增加的利润、不断飙升的股价与肉眼可见的繁荣。“劳动”——男人和女人运用他们的四肢、动用他们的头脑将自然物转变为对其生活有用物的社会活动，再一次成为我们认识特定时代特征的出发点。

从劳动形态上看，认知劳动不同于体力劳动和情感劳动，其所动用的人类核心潜能不再是肢体的力量和情绪的表达，而是大脑的认知。在用以推进人机交互的认知劳动过程中，劳动者需要策略性地进行自身认知系统的转变。在具体过程中，架构师以“产生式思维”模式替代经验直觉性思维；算法工程师则将以数学式、程序性的思考方式替代无意识思考；数据整理员则将自然符号转变为计算机能够识别的数字符号。当然，为了使认知劳动者更好地发挥出其潜能，管理方设计出了更加开放、自由、有趣，甚至令人兴奋的工作环境。不少AI大厂都有开放式办公空间、充满绿植的休息场所、舒适的吧台、24小时开放的健身房和瑜伽区等。而中央空调、温暖明亮的灯光、舒适的座椅等更是AI企业的标配。可以说，认知劳动者的工作环境比工业制造业中的体力劳动者要优越很多，体现出了人工智能时代的进步性。

但是，从劳动分工上看，认知劳动同样遵循着“概念与执行分离”的逻辑与“去技术化”的原则。复杂的工作任务被拆解成不同简单劳动的叠加，不少认知劳动者同样面临从机器主人降级为机器辅助的窘境。为了摆脱这种窘境，避免被锁定在低水平的重复劳动中，也为了推动自身技术水平的提升，认知劳动者往往投入到持续性的知识学习中，并通过频繁的工作流动谋求职业发展。他们将自己看作对企业极其重要的“知识资本”，不断“跳槽”进入不同的平台，获得不同的知识与技能。然而，这种频繁流动的“不稳定”处境不仅增大了认知劳动者的市场竞争压力，而且会在国内经济发展放缓之时使其遭遇更大的失业风险。曾经出现在工业制造业、服务产业中的劳资矛盾、技术积累和创新难题以及产业可持续发展问题，很有可能也会出现在AI产业。

基于此，亟需从以下几方面思考如何更好地赋予劳动者生产主体性、推进劳动者职业发展和提升劳动者权益保护。第一，工会应当根据认知劳动的特征革新自身的工作方式，积极地对认知劳动者进行组织，继而深入了解和充分保障认知劳动者的权益诉求，以建设一支高水平的认知劳动者队伍。目前，从事AI产品生产的认知劳动者对中国工会工作的了解度和认可度都非常低；与此同时，工会干部对AI技术和计算机科学知识也不甚了解，双方存在较深的理解鸿沟。据此，中国工会工作者应与时俱进地组织工作：一方面，提升自己的知识水平与组织能力，深入了解认知劳动者的劳动特征、工作内容与利益诉求，使自身得到认知劳动者的接纳和信任；另一方面，创新自身工作方式，自下而上地吸收高水平认知劳动者加入企业工会，使其积极参与到与自身利益相关的工时、工资、福利等制度的修订中去。第二，各地政府应当考虑更进一步地丰富和拓宽认知劳动者的职业发展渠道，不仅以税收减免、发展“孵化器”等方式为认知劳动者创新创业提供政策支持和策略指导，而且应营造出更加多元、宽容、平和、友好的社会氛围，使创业失败者免于恐惧和担忧、使底层认知劳动者能够获得有尊严的生活。第三，企业应深化与基层工会的合作：一方面，积极拓宽组织内部晋升渠道，为认知劳动者的职业发展与成长提供支持与帮助；另一方面，建立劳资之间的可信承诺，减少过于频繁的功利性跳槽行为。第四，如何使中国AI产业发展获得稳固根基，使认知劳动者走出“内卷”处境，成为一支团结进步的劳动者“队伍”，仍然需要政策制定者、业界人士和研究者的共同努力。