智能时代的职业演进趋势:人机协作与人才培养

王 博

(天津市教育科学研究院,天津 300191)

近年来人工智能的快速发展已使许多职业的工作方式发生了显著改变,而以ChatGPT为代表的AI(人工智能)大语言模型的出现,更让一些人产生了即将失业的担忧。诚然,正在走向AGI(通用人工智能)的新型智能技术作为一项可以对人类当前生产力和生产关系产生重要影响的关键技术,必然会推动未来职业的一系列深度变革,并会影响到多数人的就业和生活。那么,智能时代职业演进的趋势如何?人类劳动者是会被人工智能替代,还是会衍生出特定形态的人机协作关系?与智能时代新型工作方式相适应的人才培养需要哪些方向变革?本文将对这些问题展开分析。

一、 智能时代职业存在的演进趋势

对于人工智能的职业影响,在ChatGPT出现前,经济学、社会学、工程学等多领域学者从不同视角开展了研究,从宏观特征和数据统计层面揭示了其中的影响机制与演进方向。在ChatGPT等AI大语言模型出现后,人工智能对职业变迁的推动力进一步增强,其研发者OpenAI团队也于2023年3月刊发了论文GPTsAreGPTs:AnEarlyLookattheLaborMarketImpactPotentialofLargeLanguageModels,对其职业影响做了初步研究。

(一) 人工智能对职业的现实影响

1. 就业替代与创造效应并存

人工智能最直接的职业影响表现为“机器代人”,如通过智能制造技术的引入,江苏某纺织企业生产规模扩大了5倍,员工数由8 000人减至1 500人,劳动生产率大幅提升。(1)崔艳: 《人工智能对制造业就业的影响及应对研究: 来自微观企业和劳动者调查数据》,《当代经济管理》2022年第44卷第3期,第59—66页。不仅体力劳动,许多脑力劳动也会被人工智能替代。OpenAI研究认为,美国当前约80%的工作会受到GPTs的影响,有19%的岗位中至少50%的工作任务可能被人工智能替代,且那些高收入、高专业型岗位受到的影响更大。(2)Tyna Eloundou, Sam Manning, Pamela Mishkin, et al., “GPTs Are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models,” March 17, 2023, https://openai.com/research/gpts-are-gpts, March 20, 2023.

这种“机器代人”的现象被称为人工智能的替代效应,指人工智能在传统职位上替代人类独立完成工作任务的情景。通常替代效应会发生在重复性强、情感交互性弱的岗位上,且需要在技术投入成本上比人类劳动力更具经济比较优势。(3)孟浩、张美莎: 《人工智能如何影响劳动力就业需求?——来自中国企业层面的经验证据》,《西安交通大学学报(社会科学版)》2021年第41卷第5期,第65—73页。可预见,由于人工智能独有的技术特性,其替代效应会强于以往任何形式的技术进步,未来会有越来越多的职业被替代。(4)曹静、周亚林: 《人工智能对经济的影响研究进展》,《经济学动态》2018年第1期,第103—115页。

人工智能在发挥替代效应的同时也会在劳动力市场创造出一系列新岗位,从而表现出创造效应,或曰补偿效应。一般,创造效应的产生为三因素所致: 一是人工智能降低了企业成本,扩大了生产规模,进而提升了非自动化任务中的劳动力需求;二是人工智能在改造原有工作流程的同时创造了新型工作任务,进而衍生出新的职位;三是人工智能在降低企业成本的同时使相关商品和服务的价格下降,变相提升了消费者的购买力,促使消费者对其他行业产品和服务的消费增加而扩大了用人规模。(5)孟浩、张美莎: 《人工智能如何影响劳动力就业需求?——来自中国企业层面的经验证据》,《西安交通大学学报(社会科学版)》2021年第41卷第5期,第65—73页。

2. 劳动力需求结构分化

国内外许多学者认为智能时代劳动力需求结构将呈现明显分化之势,即劳动力市场对高、低技能水平者需求量在增加,而中技能劳动力需求反而减少。(6)Daron Acemoglu, Pascual Restrepo, “Robots and Jobs: Evidence from US Labor Markets,” Journal of Political Economy, vol.128, no.6(2020), pp.2188-2244.如彭莹莹和汪昕宇在针对制造业的调查中发现,人工智能增加了研发人员和运维人员需求,减少了一线生产人员需求,且岗位收入差距也在拉大。(7)彭莹莹、汪昕宇: 《人工智能技术对制造业就业的影响效应分析——基于中国广东省制造企业用工总量与结构的调查》,《北京工业大学学报(社会科学版)》2020年第20卷第5期,第68—76页。孔高文等通过对地区—行业机器人应用数据研究发现,智能技术会导致“技术性失业”,短期降低了低劳动保护地区低学历人群的就业水平,但中长期却促进了该行业的就业水平,并通过外溢效应扩大了其他劳动力替代性较高行业的就业规模。(8)孔高文、刘莎莎、孔东民: 《机器人与就业——基于行业与地区异质性的探索性分析》,《中国工业经济》2020年第8期,第80—98页。

造成劳动力需求结构分化的原因在于智能化发展对异质性劳动力产生的非对称需求(9)王丽媛: 《智能化发展、劳动力供给技能结构与技能溢价》,《山西财经大学学报》2021年第43卷第5期,第45—60页。。那些不但拥有专业技术水平,且主要从事非常规、复杂型工作任务的劳动者因具备较强的判断、分析、解决问题等高水平技能暂时不易被人工智能替代,而另一些尽管也具备一定专业技能,但主要从事程序化、常规型工作任务的中等技能劳动者则会被人工智能替代。(10)陈楠、刘湘丽、樊围国等: 《人工智能影响就业的多重效应与影响机制: 综述与展望》,《中国人力资源开发》2021年第38卷第11期,第125—139页。造成这种现象的原因是当前人工智能擅长的程序化操作执行和数据分析任务正好与中技能劳动者的优势相近。

对于低技能水平要求的普通岗位,人工智能并没有完全将之替代反而表现为劳动力需求规模扩大。这是因为人工智能对劳动力的替代效应源自工资率高于劳动力成本时企业选择引入智能技术以节省成本的经济动力,如果低技能岗位工资率在成本上较智能技术更有优势时,企业就不会再积极推动智能化改造了。(11)陈楠、刘湘丽、樊围国等: 《人工智能影响就业的多重效应与影响机制: 综述与展望》,《中国人力资源开发》2021年第38卷第11期,第125—139页。而中等技能劳动者被替代也是因相应岗位工资较高,引入智能技术在提高效率和节省人工的共同影响下具备成本优势所造成。此外,有学者认为技术进步可能会通过增加社会收入而间接增加对体力劳动的需求,中等技能岗位减少会迫使劳动力转向低技能岗位也是其原因所在。(12)王颖、石郑: 《技术进步与就业: 特征事实、作用机制与研究展望》,《上海经济研究》2021年第6期,第39—48页。

3. 就业收入极化加剧

人工智能所造成的劳动力需求结构分化提高了技能溢价(13)王丽媛: 《智能化发展、劳动力供给技能结构与技能溢价》,《山西财经大学学报》2021年第43卷第5期,第45—60页。,加剧了高技能型劳动者和非技能型劳动者间的收入差距,并缩小了中技能型岗位的规模,从而使收入不平等引发的就业极化现象越发明显。就业收入极化现象反映了技术赋权对不同技能劳动者的不平等,智能技术使适应其环境的高技能劳动者受益更多,也使得其他人群的收入降低,改变了社会财富分配格局。

根据资本有机构成理论,如果将人工智能视为技术属性的不变资本,由于其同时具有生产资料和劳动力的双重价值,所以作为可变资本的劳动力在资本有机构成中的占比将进一步降低。此时,人工智能技术开发者团体作为技术所有方,将参与不变资本部分的收益分成;而智能技术应用同样需要了解其技术特性的高技能劳动者参与其中,他们与人工智能合作的成果也将占据劳动力所创造价值的大部分,因此也会获得较高收益分成。当前部分高新技术领域从业者的高收入即为该因素所致。这就使得两类人群在所创造的劳动价值和获得的职业收益上均体现出了显著的极化效应。

就业收入极化是人工智能参与社会生产后不可避免的一种趋势。假如未来出现更高水平的人工智能,其在各项能力和各种环境下均比人类劳动者具备明显的能力和成本优势,那么完全依靠市场调节它就有可能在所有职业岗位上替代人类,而该技术的发明人或拥有者也将获得技术和劳动力维度的所有财富,实现完全的收入极化,这显然不是我们期望的未来。所以,合理的劳动保护和收入调节政策在智能时代将更为重要。

(二) 人工智能推动下的职业变迁趋势

1. 工作任务持续性变革重组

人工智能作为一种具有广泛影响力的技术将会改变众多职业的工作内容,并使许多传统职业在维持其名称和功能稳定的同时发生了显著的内涵变化。如智能制造和机器人技术会显著改变生产工人的工作内容,将从直接操控机械设备转向由人—机(机器人、加工设备、计算机)间的交互协作来完成加工任务的新模式。(14)黄思翰、王柏村、张美迪等: 《面向人本智造的新一代操作工: 参考架构、使能技术与典型场景》,《机械工程学报》2022年第58卷第18期,第251—264页。这种转变使得企业中的一些生产工人从传统技能操作型职位变成了需要细致了解相关智能技术和工程技术原理,良好掌握统筹规划和分析决策能力才能胜任的复合型专业技术职位。

人工智能从根本上重塑了生产模式,改变了工作性质。多数可复制的、程序化的、常规型的工作将会被智能机器代劳,而另一些直接为人提供服务的,需要与他人进行沟通协调的,包含丰富人机协同配合的非常规型任务将成为多数职业的主要工作内容。(15)崔艳: 《浅析人工智能发展背景下劳动关系的变化》,《中国人力资源社会保障》2021年第10期,第52—53页。如前述生产工人的例子,原本是核心工作内容的设备操作和装配加工,在引入智能生产后已被机器人替代,成为了工作中相对边缘的任务。

在技术层面人工智能将推动众多职业工作任务的大范围重构,但技术的成熟与普及都需要一定的过程,并在推广中会受到经济成本度量的影响,所以人工智能影响下各职业的工作任务重组将会处于一个持续渐进、跃迁提升的过程中。在空间上,同一职业因不同单位智能技术普及度的差异在工作内容上会差别显著;在时间上,随着人工智能自身的技术进步与学习提升,其所能胜任的任务范围也会持续变化,从而使得相应职位的人机任务分配和人类工作内容不断变化。尽管这一过程需要较长时间,但在技术趋势的推动下,人工智能因效率、成本和稳定性的优势,在其所擅长的工作任务上必将广泛地替代人类劳动。

2. 人机智能协作下的匹配共生

人工智能技术作为一类人造物其存在的根本在于服务人类而非替代人类。鉴于当前人工智能和人类劳动者在能力结构和成本特征上均具有各自的优势和劣势,彼此无法完全替代对方的现实,职业领域的人机智能协作将成为必然趋势。除了生产环节彼此间的互补性,人类的消费者属性也决定了人机协作匹配共生的必然性。任何一项职业要为他人和社会创造相应的价值,而职业成果的享用主体也必须是一系列具体的人。没有人的消费,生产也将不复存在,而对多数人来讲没有职业收益,消费也就无从谈起。保持生产与消费的结构均衡是人类社会稳定的基石,智能技术理应成为均衡的维护者而非破坏者。

为此,有学者指出人工智能的发展应走向人机协同偏向型技术进步的模式,关注机器与人共同价值的开发,避免彼此间的对立。(16)Peter Evans-Greenwood, Harvey Lewis, James Guszcza, “Reconstructing Work: Automation, Artificial Intelligence, and the Essential Role of Humans,” Deloitte Review, no.21 (July 2017), pp.127-145.良好的人机协作要兼顾人类和人工智能各自的能力优势和成本特征,既要考虑生产效率也要侧重对人的主体利益关怀。基于这一理念,以“任务-技能”间匹配分析为框架去判断人工智能实质性替代就业的潜力(17)Jeremy Lise,Fabien Postel-Vinay, “Multidimensional Skills, Sorting, and Human Capital Accumulation,” American Economic Review, vol.110, no.8(August 2020), pp.2328-2376.,进而去引领劳动者技能结构的发展方向和人工智能的技术进步方向,将成为推动人机协同匹配共生的合理方式。

在AI大语言模型出现前,许多基于劳动力市场的调查研究发现,人工智能的就业替代效应呈现出减少了制造业常规性劳动岗位需求,但增加了服务业非常规性劳动力需求(18)孟浩、张美莎: 《人工智能如何影响劳动力就业需求?——来自中国企业层面的经验证据》,《西安交通大学学报(社会科学版)》2021年第41卷第5期,第65—73页。的态势,从事研发、公关、咨询等工作被替代的风险较低,从事常规工作中年男性较女性更易受到冲击等特征(19)王颖、石郑: 《技术进步与就业: 特征事实、作用机制与研究展望》,《上海经济研究》2021年第6期,第39—48页。。这源于在AI 1.0时代人工智能缺少常识积累,主要擅长常规型、程序化任务,且在人际型、服务型、创新型任务上明显弱于具备思维和情感优势的人类特征。在面向AGI的AI 2.0时代,人工智能的能力得到了显著进步,如GPT4已展现出了在语言、常识、人际交流等通识任务上非常接近人类水平的性能,且具备了完成跨越数学、编程、视觉设计、医学、法律、心理等专业领域复杂任务的能力。尽管如此,微软研究院也发现GPT4仍存在着会产生非事实性谬误(hallucination),缺少长时记忆(long-term memory),无法持续性学习(continual learning),难以进行规划和概念式思考(planning and conceptual leaps),不适于个性化模型开发(Personalization)等不足。(20)Sebastien Bubeck,Varun Chandrasekaran,Ronen Eldan, et al., “Sparks of Artificial General Intelligence: Early Experiments with GPT-4,” April 13, 2023, https://arxiv.org/pdf/2303.12712.pdf,October 12, 2023.因此,结合人类和人工智能各自优势的人机智能协作,将是未来很长一段时间内职业存在的必然状态。

3. 劳动者职业能力结构适应性调整

由于人工智能的发展和普及,社会劳动力需求结构和各职业工作任务会相应变化,劳动者的职业能力结构自然也要进行适应性调整。未来,人类职业竞争力的关键在于其能否与人工智能有效配合完成工作。对此,有学者认为劳动者非认知能力相对认知能力的增强,更能提高人机协调与互补程度。所以,要培养劳动者适应人工智能的新型技能体系,建立基于人机异构技能的多重技能维度(21)Jeremy Lise,Fabien Postel-Vinay, “Multidimensional Skills, Sorting, and Human Capital Accumulation,” American Economic Review, vol.110, no.8(August 2020), pp.2328-2376.,其中的关键则是基于智力和解释工作场所情感的技能(22)胡晟明、王林辉、赵贺: 《人工智能应用、人机协作与劳动生产率》,《中国人口科学》2021年第5期,第48—62页。。

AI 2.0时代的人工智能将会是以大语言模型为基础,可以整合多功能软件、机器人及相关技术工具,具备更强大通用性的智能系统。该智能系统会在信息收集、资料整理、数据分析、技能操作、设计生成、文案写作、程序编码及诸多专业咨询中表现出较人类更明显的能力和效率优势。不过,包括GPT4在内的人工智能系统不同于人类智力,它们仍缺少理解人类思想和情感的真实能力,在解决复杂人际情景和社会环境下的创新型问题时亦不及人类。(23)Sebastien Bubeck, Varun Chandrasekaran, Ronen Eldan, et al., “Sparks of Artificial General Intelligence: Early Experiments with GPT-4,” April 13, 2023, https://arxiv.org/pdf/2303.12712.pdf, October 12, 2023.基于人机双方的能力特征,人类在未来的人机智能协作中将主要承担起复杂情景下工作任务的识别与解构,面向客户、领导或同事的工作成果展示与说明,各种人际情景下的交流、协调、管理,及在准确理解他人价值需求基础上开展服务、创新和决策等工作任务,而其他一些常规的技术操作、业务执行、计算分析、设计生成工作则可交由人工智能完成。

尽管在未来的人机智能系统中会有基于各自优势的分工,但并不意味着人类仅需要通识技能和非认知能力就可胜任工作,而是呈两极分化之势。对于那些在工作中需要与人工智能进行深度合作,引领人工智能有效完成工作任务的高技能型职位,其人才需求层次是明显上移的(24)徐国庆: 《智能化时代职业教育人才培养模式的根本转型》,《教育研究》2016年第37卷第3期,第72—78页。。其需要的是不仅有良好的通识能力,也要熟悉技术理论、操作技能和智能原理的复合型人才。(25)朱俊: 《功能技术分层与职教本科发展: 基于四个行业的考察》,《高等工程教育研究》2022年第1期,第140—145页。而对另一些仅在人机智能协作中起到支持、配合、补充作用的低技能型岗位而言,其对人才的要求则相对偏低。如网约车平台的派单司机、外卖平台的送餐员,这些职业的产生源于人工智能在人际和复杂情景下的能力劣势和成本上的不经济,他们只要按要求为顾客提供好基本服务即可,无须了解其他专业技术和智能工作原理。所以说,对智能时代劳动者职业能力需求结构的分析,要针对不同任务类型下人机智能协作机制的差异去分类研究,而不宜一概而论。

二、 不同职业任务类型下的人机智能协作机制

面向智能时代的职业研究如果仅从职业变迁的宏观趋势、劳动就业的统计数据或一些直观感受层面来分析,轻言哪些职业会被人工智能取代,未来又需要什么样的人才,其实并不准确。由于不同职业在工作任务内容和智能技术应用方式上的差别,以“工作任务与智能技术、人类技能”间匹配适应关系为视角开展人工智能的职业影响和人机智能协作机制研究,已成为当前许多研究者的关注方向。如,OpenAI的成果即是基于对ChatGPT及其延伸应用所具备的能力对各类职业任务的暴露(exposure)或替代程度所进行的评估。因此,本文将采用“任务-技术-技能”间匹配分析的思路,对不同任务情景下人机智能协作机制开展分类研究。

(一) 基于“任务-技术-技能”匹配分析的人工智能职业影响

现代社会任何稳定存在的职业都要以其创造的职业功能为基础,而职业功能实现则要以一系列具有确定目标的任务为保障。实践中,各种具体的职业功能引领下所形成的工作任务流程,都是由承担任务劳动者的职业技能和相应职业场景下的技术条件共同决定的。(26)王博: 《基于“功能-结构”系统分析的智能制造企业职业结构变迁趋势研究》,《中国职业技术教育》2023年第3期,第51—61页。由此可认为,工作任务即是职业功能的分解,而技术和技能则共同保证了任务的完成和功能的实现,功能、任务、技术、技能也就成为反映特定职业存在状态的四项关键要素。通常,职业功能会被客观存在的社会需求左右,而与功能相对应的任务流程设置、技术与技能配置,则可以根据功能实际,人为调整和重组。

人工智能作为一项技术,在各职业场景中的使用通常不会直接改变其功能输出,但会重构“任务-技术-技能”间的组合结构。这一般有两类情景: 一是技术推动下的任务流程重组,和前几次工业革命类似,新技术的广泛应用推动了任务的重组并带来对劳动者技能要求的重新界定。这种情况下开展的“任务-技术-技能”匹配分析一般会遵循从技术到任务,从任务到技能逐步剖析的方式。另一类情景是智能技术并未完全重组原有任务流程下的“技术-技能”相互替代、协同升级或赋能增强。其中“技术-技能替代”所表现的特征是智能技术将替代一部分人类劳动,从而简化劳动过程,降低对从业者技能的要求,或提出一些新的技能要求;“技术-技能协同升级”则表现为技术升级同时对技能的更高要求,从而构建出一种更高水平的技术和高层次技能间的新型匹配关系,并全面提升任务的功能成果,这时,除了技术与技能协同升级带来的职业功能成果提升外,还很有可能造成该职业用人需求规模的缩减;“赋能增强”指技术作为一种支持性工具,为技能赋能,增强了劳动的功能成果。第二类情景下“任务-技术-技能”匹配分析的重点在于,根据不同任务与技术的对照适应关系,来剖析技术对技能的替代方式、协同关系或赋能模式。

在真正意义的AGI,即各项能力均强于人类的人工智能达成之前,各领域应用的人工智能技术都会有其一定任务适应范围,并将因此形成如前所述的“技能重组”“技术替代”“协同升级”“赋能增强”等多种不同的“任务-技术-技能”间匹配关系。人工智能的职业影响实际上是不同“任务-技术-技能”间匹配关系的外在表现形态,因此通过对各职业场景下其间关系的分析和梳理,自然可以有效揭示职业变迁内在原理与演进规律。如OpenAI的GPTsAreGPTs论文主要是对各职业现实任务层面的“技术替代”关系做的分析。本文也将采用该方法,探究人工智能推动的职业演进趋势及其对人才培养方向变革的影响。

职业研究从其关注点上可被区分为宏观、中观和微观等不同方向,如前述文献中关于人工智能职业影响的特征概括及检验即为宏观职业研究,GPTsAreGPTs中对具体职业任务“技术-技能替代”程度的评估可视为微观研究,而本文采用对各典型职业任务类型下“技术-技能”关系分析的方法,来对人机智能协作机制开展分类研究,则应属于中观职业研究。具体来讲,借鉴工作分析研究的成果,本文将社会主要职位所包含的工作任务概括为感知、操作、分析、设计、交流、反思、探索、决策八类典型任务;然后从典型任务的工作过程特征入手,来研究各类代表性智能技术的任务适应性及演进趋势;之后再对各典型任务情景下的“任务-技术-技能”间匹配关系进行总结分析,进而概括相应的人机智能协作机制特征。

(二) 以“技术替代”和“技能重组”为特征的人机协作

一般来讲,各类职位中的工作任务包含前述八类典型任务中的一种或几种。鉴于当前人工智能技术发展趋势,对于单纯的感知型和操作型任务而言,人工智能将随其技术的成熟和成本的降低,逐步具备独立完成大多数工作任务的能力,并实现技术对技能的替代和对劳动者的技能重组。

其中感知指对外界事实和信息的感受、采集和认知,如生产工程师需要感知设备运行和产品品质情况,教师需要感知学生的学习反馈情况等。感知实际上包含了感受和认知两个环节,在感受环节依托各类物理传感器和声音、图像、生化信息的采集设备,机器的优势由来已久;而对感受信息的有效认知则是近十余年智能技术高速发展的结果,其中深度学习技术起到了关键作用。深度学习是通过构建多隐层机器学习模型和海量训练数据来学习更有用的特征,从而最终提升机器的分类或预测准确性的技术。(27)余凯、贾磊、陈雨强等: 《深度学习的昨天、今天和明天》,《计算机研究与发展》2013年第50卷第9期,第1799—1804页。深度学习技术提升了对大数据的挖掘和使用能力,使机器具有了获得语音识别、图像识别、自然语言处理等多种感知能力的可能性。这样,对于以感知型任务为主要内容的职业,如从事产品外观检验的质检员,人工智能的自动化图像识别将更高效、精准地替代其完成工作;对于另一些在工作中包含感知型任务的职业,人工智能也能独立承担起其中的感知类工作,如集成应用无人机、计算机视觉等技术独立完成对建筑的裂缝检测、裂纹识别、位移测量和健康监测等工作(28)鲍跃全、李惠: 《人工智能时代的土木工程》,《土木工程学报》2019年第52卷第5期,第1—11页。。在大语言模型出现后,人工智能对语言和文字的感知能力又获得了一次跃升,并将具备替代人力承担基础辅助阅读和文献整理的能力。(29)王树义、张庆薇: 《ChatGPT给科研工作者带来的机遇与挑战》,《图书馆论坛》2023年第43卷第3期,第109—118页。

操作指按照已知规则,针对确定目标所开展的行动,如生产工人所做的产品装配行为,财务人员开展的报表统计制作等,其具有从已知到已知的任务特征(30)鲍勇剑、涂威威、黄缨宁: 《高维智慧企业的认知协同策略》,《清华管理评论》2021年第Z2期,第112—123页。。机器的自主操作能力在自动化时代依托计算机程序控制即已实现。智能时代,具备感知、认知和执行功能的新型机器人会具备与人类进行顺畅交流,更好地理解人类需求的能力。(31)任宗强、陈淑娴: 《人机协同创新: 面向智能制造的创新新范式》,《清华管理评论》2021年第11期,第24—31页。智能机器将自身在精准、力量、重复能力、高速计算、持久作业时间、环境耐受力上的优势与人类劳动结合在一起,将可实现在各项任务操作执行层面更高效的人机共融(32)王志军、刘璐、李占贤: 《共融机器人综述及展望》,《制造技术与机床》2020年第6期,第30—38页。。在工业领域,协作机器人可以在确定的协作工作空间内与人相互感知,共同完成精细、复杂的装配操作任务。此时,人类劳动者主要承担工作流程规划,机器人牵引示教及一些复杂的决策性任务,具有模仿和自主学习能力的机器人完成重复性操作任务。(33)吴丹、赵安安、陈恳等: 《协作机器人及其在航空制造中的应用综述》,《航空制造技术》2019年第62卷第10期,第24—34页。在金融领域,RPA(流程机器人)可替代人类完成众多标准化程度高、规则明确、操作频率高的业务性工作,如对账单发送、账户开户、软件测试、系统清算等。(34)何波、刘绪峰、田延杰: 《RPA开启智能人机协作新时代》,《金融电子化》2021年第9期,第59—60页。在传媒领域,AIGC(人工智能内容生成技术)将使集图、文、声、像多模态信息于一体的高速内容生成成为常态,这让媒体实现了新闻生产自动化,智能分发精准化,内容形态多样化(35)何慧媛: 《抢占智能变革先机 驱动深度融合发展——新华社智能化编辑部的融合探索》,《新闻战线》2021年第22期,第19—22页。,也简化了传统采访、写作、编辑、制作、发布等操作型任务,让媒体人更有精力去思考深层次的内容设计。

如前文所述,对于许多感知、操作类任务,人工智能从技术原理上已具备了独当一面的能力,且表现出了比人类更大的优势。当然,在许多具体的职业情景中人工智能的技术成熟度还有待加强,成本优势还不明显。但不像人有生老病死,人工智能的能力积累是持续性的,所以在不远的将来,只要是在人工智能具备能力比较优势的领域,它都会通过自身的迭代优化获得强于人类的胜任力和成本优势。这样,在未来人机智能协作中,单纯承担感知、操作类任务的职位会越来越少,如逐步为人工智能所替代的中技能水平职业,其工作内容就多为有一定技术含量的操作类任务;其他职业中的感知、操作类工作任务也会大部分交由人工智能来承担。在人工智能完成了对某领域感知、操作类任务的技术替代后,相应职业在维持基本功能稳定的同时,将会迎来一次历史性的任务重塑与技能重组,其中许多劳动者会遇到因不满足新技能而被替代的窘境,而该领域的人机智能协作方式则将进入更高层次。

(三) 以“技术-技能协同升级”为特征的人机“类团体”协作

分析和设计类工作既需要人类价值判断,也需要大量的数据支持、逻辑推演、数学运算和重组生成。这样,人和人工智能均会表现出一定的优势和不足,两者发挥各自特点协同配合开展工作也就成为了最优选择。

分析是从表象到本质对事件原因和规律的解析和把握,如医生对病人病因的诊疗,设备技师对装备异常原因的发掘等。传统的分析是在人和物理系统之间开展的,人的知识、经验和逻辑推理能力是关键,智能时代的分析则在人和物理系统之间又增加了智能信息系统。人类将自身积累的许多知识和经验转移给了智能系统,智能系统本身还具有更强的感知、计算和一定的认知、学习能力,这使得它具备了代替人类完成部分分析类脑力劳动的可能性。(36)周济、李培根、周艳红等: 《走向新一代智能制造》,《Engineering》2018年第4卷第1期,第11—20页。从类型来看,分析工作可划分为基于数据的计算分析和基于知识的逻辑推理两类,人工智能依托强大的运算能力和大数据分析、深度学习等新技术,在数据分析上显然具有人类不可比拟的优势;基于符号知识的逻辑分析过去是机器理解的弱势,知识图谱技术则为机器理解知识提供了可能。知识图谱是使用有向图作为媒介来组织与利用大规模不同类型知识、模型、数据的结构化语义网络知识库。(37)王昊奋、丁军、胡芳槐等: 《大规模企业级知识图谱实践综述》,《计算机工程》2020年第46卷第7期,第1—13页。知识图谱采用包含实体、概念、属性、关系等元素的三元组结构来呈现知识间关系,使智能机器具备了理解、应用符号知识,开展知识检索和知识推理的能力。(38)徐增林、盛泳潘、贺丽荣等: 《知识图谱技术综述》,《电子科技大学学报》2016年第45卷第4期,第589—606页。如基于知识图谱的故障分析可以拓展故障事件以及故障部件的描述形式,以图结构的方式更加灵活地表达事件与部件之间的关联关系,更加精准地定位系统失效部位、原因以及处理方案。(39)张栋豪、刘振宇、郏维强等: 《知识图谱在智能制造领域的研究现状及其应用前景综述》,《机械工程学报》2021年第57卷第5期,第90—112页。基于知识图谱的反欺诈分析可以把与借款人相关的消费记录、行为记录、关系信息、线上日志信息等整合到反欺诈知识图谱里,从而进行分析和预测,以挖掘识别如身份造假、团体欺诈、代办包装等借贷欺诈案件。(40)肖仰华: 《知识图谱与认知智能》,《张江科技评论》2019年第4期,第30—33页。

除了能通过计算分析和知识推理来模拟人类传统分析行为,人工智能还可以通过建模仿真的手段,依托海量数据和超级计算能力,构建与所关注物理实体时时映射的数字孪生模型来开展分析工作。(41)刘大同、郭凯、王本宽等: 《数字孪生技术综述与展望》,《仪器仪表学报》2018年第39卷第11期,第1—10页。数字孪生模型实际是对相应物理实体的历史性状态数据和相关知识、经验的整合与数字表示,利用该模型人工智能可以对物理实体的运行状态、演进趋势和各种故障的原因进行高效精准的分析和预测。(42)张冰、李欣、万欣欣: 《从数字孪生到数字工程建模仿真迈入新时代》,《系统仿真学报》2019年第31卷第3期,第369—376页。如基于数字孪生的电厂智能管控可以采集汽轮机轴系实时数据、历史数据以及专家经验等,在虚拟空间构建了高逼真度的轴系三维可视化虚拟模型,准确预警多种类型事故;基于数字孪生车辆抗毁伤评估能够实现对车辆的材料性能、结构变化、部件完整性以及功能运行的精确仿真,从而对车辆的抗毁伤状态进行精准预测与可靠评估。(43)陶飞、刘蔚然、张萌等: 《数字孪生五维模型及十大领域应用》,《计算机集成制造系统》2019年第25卷第1期,第1—18页。

设计指基于特定的目标、知识和规则从无到有的重组、创生性行为,如服装设计师的造型设计,工业设计师的产品技术和工艺设计,医生针对患者病情开展的治疗方案设计等。分析和设计通常是思维中紧密相连的两个环节,分析是对事物的系统拆解与原理探究,设计则是在分析基础上的重组和构建,所以智能技术在分析型任务中所表现出的优势和特征,多数也会迁移到设计中来。通常的设计有两类: 一类是在清晰功能目标导向下对系统结构的重新构型,如产品设计、工业设计;另一类是不为具体目标所束缚的对系统结构变革可能性的探索,如造型设计、创意设计。对于前一类,在技术成熟的产业领域,其设计工作一般也具有显著的程序化特征,便于人工智能参与其中;后一类通常会涉及艺术审美和文化理念层的价值引领,尽管人工智能无法对其过程进行完全的真实模拟,但其强大的生成能力则可以在多种类结构组合设计上给予人类巨大的支持。

生成式设计是当前人工智能参与设计工作的一种代表形式,其中人工智能主要承担了帮助设计师捕捉灵感和构思创意的功能。在设计中,设计师根据任务目标首先确定一系列设计方向和约束参数,人工智能通过算法生成大量符合条件的设计初方案供设计师挑选。(44)翟尤、李娟: 《AIGC发展路径思考: 大模型工具化普及迎来新机遇》,《互联网天地》2022年第11期,第22—27页。人机协作的生成式设计实际上是将设计中许多基础性、重复性的工作委托给了人工智能,它一方面可以减少设计师的工作量,使他们有更多精力投入到深层次的设计构型中;另一方面也在一定程度上降低了设计工作的门槛,使一些不具备相关专业知识积累的人在人工智能帮助下也可以做出自己的设计。(45)翟尤、李娟: 《AIGC发展路径思考: 大模型工具化普及迎来新机遇》,《互联网天地》2022年第11期,第22—27页。知识图谱和数字孪生等技术在设计类任务上同样也发挥了重要功能。一方面,人工智能可以利用与设计任务相关的各种数字孪生模型和知识图谱自动构建设计初方案,并对各种设计方案进行仿真分析;另一方面,基于数字孪生和知识图谱的产品设计在设计工作完成的同时也会配套构建起相应的孪生模型和知识图谱(46)李浩、陶飞、王昊琪等: 《基于数字孪生的复杂产品设计制造一体化开发框架与关键技术》,《计算机集成制造系统》2019年第25卷第6期,第1320—1336页。,这也为后续的产品加工、装配、检测提供了保证,实现了“设计-制造”的一体化。

如前所述,以大数据感知分析和知识图谱、数字孪生等技术为支撑,人工智能已经可以承担起一系列分析工作,并将在一些特性情景下表现出较人类更大的优势。而以AIGC等技术为手段,人工智能在许多设计工作上也有了出色表现。相信在不远的未来,随着更强大的运算能力和更全面、可靠的大语言模型、知识图谱、数字孪生模型的建立,人工智能的分析和设计能力将更为突出,但鉴于多数职位中的分析、设计类任务均具有非独立化和交互性特征,也使人工智能很难具有全面取代人类的可能性。这里的非独立化和交互性是指在分析、设计类任务开展的前后必须有面向外界的问题解构和成果说明环节,如对于各种设计工作来讲,开展设计前需要准确挖掘客户内在需求,与客户共同确认设计方向;在设计方案完成后也要为客户进行解读和说明,谋求客户的认同。这样,尽管未来人工智能或许会具备独立完成基本分析、设计的能力,但在面向人类客户或合作者的问题解构和成果说明环节,人类更有优势。此时,人类和人工智能间的协作关系比较类似于当前各种专业团队中的负责人和下属工程师,人类主要负责与外界沟通并明确任务目标,制定任务规划,人工智能依据人类所澄清的任务方向开展具体分析、设计工作,之后人类再基于其自身对任务目标的理解对人工智能的工作成果进行必要的调整,并以任务责任人的身份对外展示、说明,寻求反馈。在人机“类团体”协作中,尽管智能技术能够替代人类完成许多基本的分析和设计任务,但相应职业对人类劳动者的技能要求也更高,他们要具备对功能成果和人机协作过程总体把控的能力。

(四) 以“赋能增强”和“支持辅助”为特征的人机协作

交流、反思、探索、决策类职业任务的有效实施通常需要更高层次的认知思维、文化认同和情感理解能力参与其中。由于当前技术逻辑下的人工智能尚不具备智慧生物的人格主体意识,故在这些能力上较人类智慧还有差距。因此,在这类任务中,人工智能或能做出一些惟妙惟肖的模仿,或作为智能工具给予人类工作诸多帮助,但在智能技术未得到层次性跨越之前,其在人机协作中只能通过增强人类技能来承担辅助职能。

交流是以人际沟通为手段,以谋求信息传递、行为协调、相互理解为目标开展的活动,如销售业务员面向客户的产品推介,教师为学生授课,企业间商务谈判等。诚然,ChatGPT等聊天机器人已具备了与人类常规交流的能力,但在人际协调和理解认同层面的交流能力显然还不及人类。在交流类任务上,人工智能也能有不少担当,如在商业领域,智能客服能帮助大量用户快速解决相对简单的咨询和客诉问题,但面对界限模糊问题或沟通不畅时的人工干预仍不可缺少。以少量的人力对智能客服应答不畅对话进行实时干预,被业界认为是“效率-成本”最优的方法。(47)雷植程、童丽霞、吴俊江等: 《腾讯智能客服人机协同实践》,《人工智能》2020年第3期,第106—113页。在教育领域,具备基本交流能力的教育机器人、智能导师、智慧学伴已出现在诸多教学场景中,依托这些技术,真人教师主导、AI教师辅导的虚拟双师型课堂将成为常态。(48)谢幼如、邱艺、刘亚纯: 《人工智能赋能课堂变革的探究》,《中国电化教育》2021年第9期,第72—78页。在家政服务领域,家政机器人将可承担起照顾老人、儿童,事件提醒和家庭巡逻等任务。(49)陶永、王田苗、刘辉等: 《智能机器人研究现状及发展趋势的思考与建议》,《高技术通讯》2019年第2期,第149—163页。未来,通过大语言模型的载入,家政机器人将会具备更顺畅的人机交流能力,并可能成为老人和孩子的智能伴侣。尽管在交流型任务上人工智能应用场景广泛,但当前人工智能并不能实现在思想、观念上与人类的交互理解,它们只是基于对人类的语言和表情信号进行数据分析,并根据已有模型做出高概率适应性的反馈。这种技术模式在应对通常的信息搜索、客服反馈、儿童陪伴、辅助教学或娱乐聊天上可基本胜任,而对于其他深层次交流任务,如商务谈判、教学指导、心理咨询等,人类还应是工作主导者。总体来说,人工智能在交流型任务上可以独立承担一些常规工作,或为人类提供信息感知、整理、检索的支持,但其并不具备明显优于人类的能力优势,因此在该类任务的人机协作中人工智能仅会起到支持辅助作用。

反思是从科学合理性和价值合理性层面对行为和行为结果的审视与改良,如管理者对某些考核制度可行性和合理性的反思,设计师对产品设计的技术改良空间及能否有效满足消费者需求的反思等,其是高层次职业行为不可缺少的一部分。职业中的反思通常并不独立存在,而是与前述感知、操作、分析、设计、交流型任务相融合,是对这些行为成果的再思考,其中尤其会关注对错误的修正、缺陷的弥补。反思的对象可以是反思行为者自身的工作,也可以是从第三者视角对他人行为成效的反思,而后一类反思在其任务实施过程中则必然还要包含对外部信息的感知,其中内涵的分析及必要的人际交流和观点分享。所以,在反思行为的人机智能协作关系上就会存在两种视角: 一种是将反思与相关的其他任务独立开来,专门看反思过程中的人机任务分工;另一种是将反思相关的感知、分析等任务视为反思行为的一部分,以整体的视角开展反思行为人机协作研究。显然对于后一种观点,人工智能依托其在资料收集等感知能力和数据运算、特征识别等分析能力上的优势,还是能够在反思型任务,至少在科学合理性层面,给予人类有效支持和帮助。但价值合理性上的反思则应基于对人类情感、需求、道德和社会文明进程的理解而开展,其在思维上属于融合了语言、认知和文化层级的高阶思维(50)蔡曙山、薛小迪: 《人工智能与人类智能——从认知科学五个层级的理论看人机大战》,《北京大学学报(哲学社会科学版)》2016年第53卷第4期,第145—154页。,需要反思者能够基于对历史文化和人类情感的综合理解,从物质存在、社会存在、精神存在的整体性层面进行综合考量(51)吴飞、段竺辰: 《从独思到人机协作——知识创新模式进阶论》,《浙江学刊》2020年第5期,第94—104页。。这显然超出了当前以数据运算见长的人工智能技术可达的范围。所以,在反思类任务上,人机协作的内容主要集中于人工智能在信息感知和分析上为人类反思提供的支持与赋能。

探索是在缺少完整的先验知识和行动路径支持下对新兴事物和未来发展的思考、研究与创造,如科学研究、艺术创作等。探索与设计类似,都是以“无知”为起点,但设计一般有清晰的目标和路径作为工作指引,探索研究则具有各种不可预见的可能性。与反思类似,探索活动同样会包含感知、操作、分析、设计、反思等多个子模块,在此基础上通过人类对认知收获的创造性建构使探索获得成果意义。随着各种智能研究工具的产生,人工智能对人类探索研究行为的推动作用越发明显,如以大数据分析为基础的数据密集型科学已经在科研界产生了巨大的影响,帮助人类揭示了许多学科内复杂数据间的相关关系,并形成了科学研究的第四范式(52)邓仲华、李志芳: 《科学研究范式的演化——大数据时代的科学研究第四范式》,《情报资料工作》2013年第4期,第19—23页。;基于智能机器间的自组织功能,人工智能可以对物联网互联设备间的数据资源进行共享,自主提取数据开展大数据分析研究;在人类传统的符号知识体系外,人工智能可以利用深度学习等技术依托大数据构建数字模型来表示复杂数据间的默会知识,以帮助人类更准确预测事物演化趋势(53)任宗强、陈淑娴: 《人机协同创新: 面向智能制造的创新新范式》,《清华管理评论》2021年第11期,第24—31页。;运用知识图谱的知识推理、补全和融合技术,人工智能将可自主构建更为丰富的知识体系,实现自动化知识生产;依托数字孪生模型和知识图谱,人工智能可以通过数据、模型驱动的方式在诸多领域开展仿真实验(54)鲍勇剑、涂威威、黄缨宁: 《高维智慧企业的认知协同策略》,《清华管理评论》2021年第Z2期,第112—123页。,大大提高了科研效率,降低探索成本和风险。可见,人工智能确实将可以承担起许多探索创新类工作任务,但当前人工智能所开展的探索发现和知识生产都属于为数据和计算而生的“计算知识”(55)吴飞、段竺辰: 《从独思到人机协作——知识创新模式进阶论》,《浙江学刊》2020年第5期,第94—104页。,它起到了对人类已有知识体系补充完善的功能,但在新型抽象概念的构建,对新知识内涵的解释,如何让计算知识与人类原有知识和文化体系有机融合上,人工智能尚不能独立完成。况且,能够通过计算开展的探索和知识生产仅是人类面对物质世界、精神世界和人类社会进行探索中的一部分内容,多数探索工作还需要继续依托人类传统方式来开展,当然在其中引入智能工具仍是重要的。所以,人工智能对探索类任务的价值也在于对人类技能的赋能增强和支持辅助。

决策就是根据环境事实做出判断和决定以引领后续行为的一类思维事件。在人类社会,决策权的分配是最为重要的权力展现,决策的恰当与否也是影响各类行为走向和成效的关键因素。在职业行为中决策型任务无处不在,大到国家、地区、企业的战略规划、资源分配、人事任命,小到具体的参数调整、设备操作都需要依据职权分配由相应人员做出决策。决策型任务同样需要与感知、分析、交流、反思等任务相融合,以之为基础来开展。人工智能依托其强大的信息感知、系统分析、情景推演、趋势预测等能力,将能够对各类决策的科学制定提供巨大帮助。如与人类受认知能力所限在许多决策判断中只能“抓大放小”相比,人工智能依靠其海量数据收集和快速分析响应能力,将可以在诸多应用领域实现“面面俱到”的细颗粒度决策判断。(56)鲍勇剑、涂威威、黄缨宁: 《高维智慧企业的认知协同策略》,《清华管理评论》2021年第Z2期,第112—123页。不过,职业中的许多决策任务不仅需要细致感知和快速响应,还需要在综合考虑文化、情感、伦理、法律等诸多人本因素基础上去进行价值衡量,所以,人工智能主导的自动化决策在很长时间内还将仅会应用于成熟决策模型下的操作型任务中,如智能生产中的参数调整、设备操作等。对于大多数会对人类生活产生实际影响的决策型任务,构建基于人机混合增强智能模式的协同决策机制才是方向所在(57)张维、曾大军、李一军等: 《混合智能管理系统理论与方法研究》,《管理科学学报》2021年第24卷第8期,第10—17页。。在人机协同决策中,智能机器将承担起各类情景下科学决策智能模型构建,决策生态系统交互演化机理分析,决策相关知识的抽取、发现与演绎,决策推演成果的验证评估等工作。(58)曾大军、李一军、唐立新等: 《决策智能理论与方法研究》,《管理科学学报》2021年第24卷第8期,第18—25页。相应职位的人员在人工智能的帮助下,将继续担当起决策责任人的职责。

三、 适应人机智能协作的人才培养方向变革

由前述分析可见,人工智能将逐步实现对多数感知、操作类任务的技术替代和劳动者技能重组;采用“类团体”式人机协作方式全面提升分析、设计类任务的工作成效,并在技术进步的同时对劳动者提出了更高的技能要求;并依托其在信息感知、分析方面的功能优势,为承担交流、反思、探索、决策类任务的从业者提供了一系列赋能与支持。由此可见,不同任务类型下智能技术的应用方式和人机分工合作机制存在明显差异,人类在各自的职业岗位上,要根据其中的人机智能协作机制特征找准自身定位。而为适应人机智能协作的新型工作方式,教育的人才培养方向也必须做出适当的变革和调整。

(一) 重点培养适应人机智能协作的三项关键能力

可以预见,AI大语言模型及其驱动的各类智能工具会在不远的将来帮助人类完成多数常规的感知、操作、分析、设计及基础交流类工作任务,而人类的职业价值将转向更高层次的交流、反思、探索、决策及个性化情景下的分析、设计与问题解决中。做好这些不在于具体的知识、技能和高效劳作,这是人工智能的优势;高阶思维能力、人文素养和人机协作能力才是体现人类价值的关键。

高阶思维指人在解决复杂问题时所发生的深层次认知活动,其思维过程通常包含了质疑反思、生成问题、假设、推理、解决问题等环节,并呈现出认知复杂度高、规范程度低、结构性弱、系统性和跨学科性强等特点。(59)胡小勇、孙硕、杨文杰等: 《人工智能赋能: 学习者高阶思维培养何处去》,《中国电化教育》2022年第12期,第84—92页。在分析、设计类任务中的人机“类团体”协作中,人类的角色即是针对特定问题情境,利用高阶思维能力引领人工智能开展各类分析和设计工作;在交流、反思、探索、决策类任务中,人类依托人工智能信息感知和分析能力支持所开展的一系列深层次工作的能力基础,也是高阶思维能力。与之相对,微软研究认为,GPT4等人工智能在涉及高阶思维的规划和概念式思考(planning and conceptual leaps)等能力上相对不及人类。因此,面向复杂和个性化问题情境下的高阶思维能力培养,显然应成为智能时代人才培养的主要方向之一。

在交流、反思、探索、决策类任务上,之所以人类较人工智能具有不可替代的优势,在于这些任务执行中对人文素养的必然要求。这里人文素养与前述学者所讲的通识技能、非认知能力内涵相似,指在计算知识、数据分析之外的一系列内嵌于人类智慧之中的能力与素养。未来尽管人工智能会承担许多工作任务,但职业的服务对象是人,职业行为的成果要为他人所认可才能获得相应收益,所以职业不仅要有工具属性,还要有人文属性。职业工具属性的素质基础是知识、技能和经验,这些素养在人机智能协作中尽管也很重要,但人类并不具有比较优势。职业的人文属性彰显了职业行为作为现代社会重要人际关系纽带的功能。每个现代人都不可避免地要与他人建立起服务与被服务、管理与被管理的关系,而这种关系的载体则多为职业行为中的交流、反思、探索、决策类任务,其素质基础就是人文素养,如人际沟通、协调与理解能力,基于情感和文化的反思、决策能力等。

人机协作能力同样是适应未来职场的必备能力。由于任务类型不同,人机协作能力具有多样化的内涵。对感知、操作类任务,由于人工智能将具备独立工作能力,人类只须根据任务安排智能机器开展工作。此时的人机协作能力主要表现在人类对智能机器的应用能力上。对分析、设计类任务,未来人机间会结合彼此优势,以“类团体”模式开展合作,此时人机间会有复杂、多回合的信息交互和任务分配。这种模式对人机协作能力要求很高,人类既要全面了解人工智能在任务中的工作原理,也要能够在准确理解复杂任务目标基础上结合智能技术特征进行任务解构和业务规划,以引领人工智能开展工作。对于这类能力,有学者将之称为计算思维,即以计算机可处理的方式去界定问题、抽象特征、建立模型的能力。(60)陈赞安、李宁宇、尹以晴等: 《从算法到参与构建计算模型: 人机协同视域下计算思维的内涵演进与能力结构》,《远程教育杂志》2021年第39卷第4期,第34—41页。对交流、反思、探索、决策类任务,部分情景下人工智能仅为支持辅助工具而存在,只承担其中信息传递、内容提示等工作,此时的人机协作能力也主要表现为对智能工具应用方式的掌握;另一些情景下,人工智能会承载起任务相关的许多感知、分析、设计工作,此时对人机协作能力的要求会更高,其内涵则类似于“类团体”模式下的人机协作能力。

(二) 调整知识和技能培养的方向和内容

知识传授和技能训练一直是教育的主要内容,而在未来人机智能协作新情境下,如何看待知识和技能培养的意义,则需要我们重新审视和思考。

在传统的职业活动中,知识和技能是劳动者开展专业化工作,实现职业功能的关键基础。学习的目的首先就是要掌握必要的知识和技能,知识学习的首要任务就是知识记忆,个人能记住的相关知识量越多、越牢就越好,然后才是对知识的有效理解和运用。技能学习则是对技术操作行为的刻意训练,个体通过一系列专门设计的训练来熟练技能,然后再与任务场景相结合形成专业专长。(61)郝宁、吴庆麟: 《职业专长发展中刻意训练的效用与规律》,《华东师范大学学报(教育科学版)》2009年第27卷第4期,第52—58页。有了知识和技能的支撑,个人相应职业行为的功能成果也就有了保障。因此,知识和技能培养的教育意义一直都是不必争议的。

在大语言模型等智能技术出现后,人工智能已经重塑了人类的知识观,人类已不再是知识唯一的应用和生产主体,人工智能也有了同样的能力,且在知识记忆、应用乃至生产的速度和成效上更强于人类。在技能操作上,人工智能及其引领的各类软件和机器人更是在操作的效率、精准度等方面展现出了远超人类的优势。这样,在未来的人机智能协作中,具体的知识、技能与职业功能成果间的关系就将发生改变,人类在将以知识和技能为基础的感知、操作及常规性的分析、设计、交流类任务让渡于人工智能后,自身的发展重点也应转向高阶思维、人际交往及深层次的反思、探索和决策等能力提升上。(62)蔡连玉、刘家玲、周跃良: 《人机协同化与学生发展核心素养——基于社会智能三维模型的分析》,《开放教育研究》2021年第27卷第1期,第24—31页。因此,知识和技能学习不宜再是教育最主要的追求,教育更应该注重培养人区别于机器的独特智能,(63)顾小清、郝祥军: 《从人工智能重塑的知识观看未来教育》,《教育研究》2022年第43卷第9期,第138—149页。教会学生辨析知识,培养学生基于高阶思维参与的知识运用能力,以此来代替简单的知识传授、记忆和技能训练。(64)杜华、顾小清: 《人工智能时代的知识观审思》,《中国远程教育》2022年第10期,第1—9页。

弱化知识和技能培养权重,并不等于可以忽视个人知识体系的建构和基础技能的养成。必要的知识积累,是人类开展各项认知思维活动的原料基础,合理的知识结构更是高水平认知思维能力的关键前提,当前人工智能所取得的突破性进展也同样是在大量语料知识支撑下通过预训练获得的。因此,知识教学在人才培养中仍不可缺少,只是其重点不应再是数量和记忆,而是帮助学生构建合理的知识体系,并教会他们掌握通过人机协作有效运用知识的能力。在技能培养上,对通用性基础技能的传授亦必不可少,但对职业针对性技能进行培养时则应充分考虑其技术替代的可能性及学习投入和工作产出间的成本关系。(65)李捷: 《“双循环”背景下高等教育发展格局的优化研究》,《高校教育管理》2021年第15卷第5期,第23—35页。毕竟,如AIGC绘图功能的快速发展会大量替代人工绘画技能的情景,未来仍会时常出现。

(三) 对功利主义与人本主义教育价值的再审视与再选择

在理论界,教育应秉承人本主义还是功利主义价值一直备受争议;而在现实中功利主义的教育倾向则从未被抛弃,这源于职业的功能存在性。在现代社会中,职业是个体与社会相联系的关键纽带,也是每个人实现自我价值的重要载体,而其根本则是人要能通过职业劳动,为他人和社会创造功能价值。(66)王博: 《智能时代的职业变迁趋势与职业教育人才培养机制变革》,《职教论坛》2022年第38卷第7期,第15—22页。人的能力是实现职业功能的基础,接受教育是能力发展的前提,因此教育的功利化倾向也就成为了谁也不可否认的必然。

而当进入智能时代后,人工智能将以其强大的功能优势在诸多职业领域掀起劳动替代之潮。此时,人工智能一旦掌握某项职业技能,便将不知疲倦地高速复制它并加以快速推广,从而迅速拉大人机之间的劳动成本差距,并使以相应技能为基础的劳动者成为“技术性失业者”,且很难通过短期培训再获得新就业机会。(67)孙伟平: 《人机之间的工作竞争: 挑战与出路——从风靡全球的ChatGPT谈起》,《思想理论研究》2023年第3期,第41—47页。人工智能的劳动替代将使许多人失去作为职业功能主体的社会工具意义,让他们成为“无用阶层”。(68)于泽元、那明明: 《人工智能时代教育目的的转向》,《中国电化教育》2022年第1期,第66—72页。此时,如果社会构建起了合理的财富分配新形态,这些人应还不会陷入生存危机,但生命的社会意义和自我成就感的获得必将受到巨大挑战。因此,当以谋求职业发展,创造更大职业功能价值,获取更高职业收益为表现的这种功利主义倾向的个人追求的可能性被人工智能的技术替代所打破,职业劳动仅能成为部分人的权益后,教育的过功利主义也将失去存在的土壤,而自然转向以促进人的全面发展,挖掘人的本真价值为方向的人本主义。

可见,未来教育的人本主义价值回归并非理想主义的幻想,也并非为教育学者的倡议所推动,而更有可能是在人工智能等先进生产力推动下对传统社会结构创造性重塑的结果(69)顾小清、蔡慧英: 《预见人工智能的未来及其教育影响——以社会性科幻为载体的思想实验》,《教育研究》2021年第42卷第5期,第137—147页。。但在当前看来,人工智能的社会影响却有着很大不确定性,它既有可能作为先进生产力,为人类创造更多社会财富,将人类从繁重的劳作中解放出来去更好地追求、实现自我价值;也可能造成更大的垄断、贫富差距和失业,并引发新的社会危机。(70)徐璐、朱炳元: 《人工智能的马克思劳动价值论解读》,《思想理论研究》2022年第2期,第59—65页。社会变迁形态的不同走向将决定教育的演化方向,人本主义教育作为一种我们期待的理想化未来,能否在人工智能技术推动下成为现实,也需要以社会制度的进步为基础。