Przyszłość pracy: Czy roboty zabiorą moją pracę?

W latach dziewięćdziesiątych, kiedy banki amerykańskie zaczęły masowo instalować bankomaty, wydawało się, że pracujący w nich ludzcy kasjerzy stoją w obliczu szybkiej dezaktualizacji. Jeśli maszyny mogły wydawać gotówkę i przyjmować depozyty na własną rękę, przez całą dobę, kto potrzebował ludzi?

Właściwie to banki. To prawda, że bankomaty umożliwiły prowadzenie oddziałów banków z dużo mniejszą liczbą pracowników: średnio 13, z 20. Ale oszczędności kosztów tylko zachęciły banki macierzyste do otwarcia tak wielu nowych oddziałów, że całkowite zatrudnienie kasjerów faktycznie wzrosło.

Można znaleźć podobne historie w takich dziedzinach jak finanse, opieka zdrowotna, edukacja i prawo, mówi James Bessen, ekonomista z Boston University, który zwrócił uwagę swoich kolegów na historię bankomatów w 2015 roku. „Argumentem nie jest to, że automatyzacja zawsze zwiększa liczbę miejsc pracy”, mówi, „ale że może i często to robi.”

To lekcja warta zapamiętania, gdy słucha się coraz bardziej brzemiennych w skutki przewidywań dotyczących przyszłości pracy w erze robotów i sztucznej inteligencji. Pomyśl o samochodach bez kierowców, przekonującej ludzkiej syntezie mowy lub przerażająco realistycznych robotach, które potrafią biegać, skakać i samodzielnie otwierać drzwi: Biorąc pod uwagę karkołomne tempo postępu w takich zastosowaniach, jak długo jeszcze ludzie będą mieli cokolwiek do zrobienia?

To pytanie otrzymało swoje najbardziej apokaliptyczne sformułowanie przez postaci takie jak założyciel Tesli i SpaceX Elon Musk oraz zmarły fizyk Stephen Hawking. Obaj publicznie ostrzegali, że maszyny w końcu przekroczą ludzkie możliwości, znajdą się poza naszą kontrolą i być może nawet doprowadzą do upadku ludzkiej cywilizacji. Ale nawet mniej dramatyczni obserwatorzy są zaniepokojeni. W 2014 roku, kiedy Pew Research Center przepytał prawie 1900 ekspertów technologicznych na temat przyszłości pracy, prawie połowa była przekonana, że sztucznie inteligentne maszyny wkrótce doprowadzą do przyspieszenia utraty miejsc pracy – prawie 50 procent do początku lat 2030, według jednej z szeroko cytowanych analiz. Obawiano się, że nieuchronnym skutkiem będzie masowe bezrobocie i gwałtowny wzrost i tak już niepokojących poziomów nierówności dochodowych. A to rzeczywiście mogłoby doprowadzić do załamania porządku społecznego.

A może nie. „Zawsze łatwiej jest wyobrazić sobie miejsca pracy, które istnieją dzisiaj i mogą zostać zniszczone, niż miejsca pracy, które nie istnieją dzisiaj i mogą zostać stworzone” – mówi Jed Kolko, główny ekonomista w serwisie ogłoszeniowym Indeed. Wielu, jeśli nie większość, ekspertów w tej dziedzinie jest ostrożnymi optymistami w kwestii zatrudnienia – choćby dlatego, że przykład ATM i wiele innych podobnych pokazuje, jak sprzeczny z intuicją może być wpływ automatyzacji. Inteligencja maszyn jest wciąż bardzo daleka od dorównania pełnemu zakresowi ludzkich możliwości, mówi Bessen. Nawet jeśli weźmiemy pod uwagę rozwój, jaki obecnie ma miejsce, jego zdaniem „w ciągu najbliższych 10 lub 20 lat nie będziemy mieli powodów, aby martwić się o masowe bezrobocie.”

Więc – w którą stronę pójdą sprawy?

Nie ma sposobu, aby wiedzieć na pewno, dopóki przyszłość nie nadejdzie, mówi Kolko. Ale może, dodaje, to nie jest właściwe pytanie: „Debata na temat zagregowanego efektu utraty miejsc pracy w stosunku do przyrostu miejsc pracy oślepia nas na inne kwestie, które będą miały znaczenie bez względu na wszystko” – takie jak to, jak miejsca pracy mogą się zmienić w obliczu AI i robotyki oraz jak społeczeństwo poradzi sobie z tą zmianą. Na przykład, czy te nowe technologie zostaną wykorzystane jako kolejny sposób na zastąpienie pracowników i obniżenie kosztów? Czy też zostaną wykorzystane, aby pomóc pracownikom, uwalniając ich do korzystania z unikalnie ludzkich zdolności, takich jak rozwiązywanie problemów i kreatywność?”

„Istnieje wiele różnych możliwych sposobów, w jakie moglibyśmy skonfigurować stan świata”, mówi Derik Pridmore, dyrektor generalny Osaro, firmy z siedzibą w San Francisco, która tworzy oprogramowanie AI dla robotów przemysłowych, „i jest wiele wyborów, których musimy dokonać.”

Automatyzacja i miejsca pracy: lekcje z przeszłości

W Stanach Zjednoczonych, przynajmniej, dzisiejsza debata na temat sztucznie inteligentnych maszyn i miejsc pracy nie może pomóc, ale być zabarwiona wspomnieniami z ostatnich czterech dekad, kiedy całkowita liczba pracowników zatrudnionych przez amerykańskich producentów samochodów, hut i innych producentów rozpoczęła długi, powolny spadek z wysokiego poziomu 19.5 milionów w 1979 roku do około 17,3 milionów w 2000 roku – po czym nastąpił gwałtowny spadek do najniższego poziomu 11,5 milionów w następstwie Wielkiej Recesji lat 2007-2009. (Od tego czasu liczba ta nieznacznie wzrosła do około 12,7 miliona; podobne zmiany zaobserwowano w innych krajach o wysokim stopniu automatyzacji, takich jak Niemcy i Japonia). Pojawienie się na szczycie stagnacji wzrostu płac od około 1973 roku, doświadczenie to było traumatyczne.

Prawda, mówi Bessen, automatyzacja nie może być prawdopodobnie całym powodem spadku. „Jeśli cofniesz się do poprzednich stu lat”, mówi, „przemysł automatyzował się w równie szybkim lub szybszym tempie, a zatrudnienie rosło w solidnym tempie”. To właśnie w ten sposób doszliśmy do milionów pracowników fabryk w pierwszej kolejności. Zamiast tego, ekonomiści obwiniają spadek zatrudnienia o zbieg czynników, wśród nich globalizację, upadek związków zawodowych i kulturę korporacyjną z lat 80-tych w Stanach Zjednoczonych, która kładła nacisk na zmniejszenie rozmiarów, cięcie kosztów i kwartalne zyski ponad wszystko.

Ale automatyzacja była z pewnością jednym z tych czynników. „W dążeniu do obniżenia kosztów wspólnie wybraliśmy drogę najmniejszego oporu” – mówi Prasad Akella, robotyk, który jest założycielem i dyrektorem generalnym Drishti, firmy start-up z Palo Alto w Kalifornii, wykorzystującej sztuczną inteligencję do pomocy pracownikom w poprawie ich wydajności na linii montażowej. „A to było tak: 'Przenośmy to do najtańszego centrum, aby koszty pracy były niskie. A jeśli nie możemy tego przenieść za granicę, zautomatyzujmy to.”

AI i roboty w miejscu pracy

Automatyzacja przyjęła wiele form, w tym sterowane komputerowo huty, które mogą być obsługiwane przez zaledwie kilku pracowników, oraz roboty przemysłowe, mechaniczne ramiona, które można zaprogramować do poruszania narzędziem, takim jak rozpylacz farby lub palnik spawalniczy, poprzez sekwencję ruchów. Roboty takie są stosowane w stale rosnącej liczbie od lat 70-tych. Obecnie na świecie używa się około 2 milionów robotów przemysłowych, głównie na liniach montażowych w przemyśle motoryzacyjnym i elektronicznym, z których każdy zastępuje jednego lub więcej pracowników ludzkich.

Różnice między automatyką, robotyką i sztuczną inteligencją są co prawda dość rozmyte – i coraz bardziej rozmyte, teraz, gdy samochody bez kierowcy i inne zaawansowane roboty używają sztucznie inteligentnego oprogramowania w swoich cyfrowych mózgach. Z grubsza można jednak przyjąć zasadę, że roboty wykonują zadania fizyczne, które kiedyś wymagały ludzkiej inteligencji, podczas gdy oprogramowanie AI próbuje wykonywać zadania poznawcze na poziomie ludzkim, takie jak rozumienie języka i rozpoznawanie obrazów. Automatyzacja jest terminem zbiorczym, który nie tylko obejmuje oba te pojęcia, ale także zwykłe komputery i nieinteligentne maszyny.

Zadanie AI jest najtrudniejsze. Przed około 2010 r. aplikacje były ograniczone przez paradoks słynny wskazany przez filozofa Michaela Polanyi w 1966 r.: „Możemy wiedzieć więcej, niż możemy powiedzieć” – co oznacza, że większość umiejętności, które pozwalają nam przetrwać dzień, jest praktykowana, nieświadoma i prawie niemożliwa do wyartykułowania. Polanyi nazwał te umiejętności wiedzą ukrytą, w przeciwieństwie do wiedzy jawnej, którą można znaleźć w podręcznikach.

Wyobraź sobie, że próbujesz wyjaśnić dokładnie, skąd wiesz, że dany wzór pikseli to zdjęcie szczeniaka, lub jak możesz bezpiecznie negocjować skręt w lewo przeciwko nadjeżdżającemu ruchowi. (Powiedzenie „poczekaj na otwarcie w ruchu drogowym” brzmi dość łatwo – dopóki nie spróbujesz zdefiniować „otwarcia” na tyle dobrze, by komputer mógł je rozpoznać, albo precyzyjnie określić, jak duża musi być luka, by było bezpiecznie). Ten rodzaj milczącej wiedzy zawierał tak wiele subtelności, specjalnych przypadków i rzeczy mierzonych przez „wyczucie”, że nie wydawało się, aby programiści mogli ją wydobyć, a tym bardziej zakodować w precyzyjnie zdefiniowanym algorytmie.

Dzisiaj, oczywiście, nawet aplikacja na smartfona może rozpoznać zdjęcia szczeniąt (zazwyczaj), a autonomiczne pojazdy wykonują te skręty w lewo rutynowo (jeśli nie zawsze idealnie). To, co zmieniło się w ciągu ostatniej dekady, to fakt, że twórcy sztucznej inteligencji mogą teraz rzucać ogromną mocą obliczeniową na ogromne zbiory danych – proces znany jako „głębokie uczenie się”. Zasadniczo sprowadza się to do pokazania maszynie zillionu zdjęć szczeniaków i zillionu zdjęć nie-szczeniaków, a następnie zmuszenia oprogramowania AI do dostosowania zillionu wewnętrznych zmiennych, dopóki nie będzie w stanie poprawnie zidentyfikować zdjęć.

Choć ten proces głębokiego uczenia się nie jest szczególnie wydajny – ludzkie dziecko musi zobaczyć tylko jednego lub dwa szczeniaki – miał on transformujący wpływ na aplikacje AI, takie jak pojazdy autonomiczne, tłumaczenia maszynowe i wszystko, co wymaga rozpoznawania głosu lub obrazu. I właśnie to przeraża ludzi, mówi Jim Guszcza, główny badacz danych w Deloitte Consulting w Los Angeles: „Wow – rzeczy, które wcześniej wymagały wiedzy milczącej, teraz mogą być wykonywane przez komputery!”. Stąd nowy niepokój związany z masową utratą miejsc pracy w dziedzinach takich jak prawo i dziennikarstwo, które nigdy wcześniej nie musiały się martwić o automatyzację. I stąd wiele przewidywań szybkiego starzenia się pracowników sklepów, ochroniarzy i pracowników fast-foodów, a także kierowców ciężarówek, taksówek, limuzyn i samochodów dostawczych.

Poznaj mojego kolegę, robota

Ale wtedy kasjerzy bankowi też mieli stać się przestarzali. Zamiast tego, mówi Bessen, automatyzacja poprzez bankomaty nie tylko rozszerzyła rynek kasjerów, ale także zmieniła charakter ich pracy: Ponieważ kasjerzy spędzali mniej czasu po prostu obsługując gotówkę, spędzali więcej czasu na rozmowach z klientami na temat kredytów i innych usług bankowych. „W miarę jak umiejętności interpersonalne stawały się coraz ważniejsze,” mówi Bessen, „nastąpił umiarkowany wzrost wynagrodzeń kasjerów bankowych,” jak również wzrost liczby stanowisk kasjerów zatrudnianych w pełnym wymiarze godzin, a nie w niepełnym wymiarze godzin. „Więc jest to znacznie bogatszy obraz, niż ludzie często sobie wyobrażają”, mówi.

Podobne historie można znaleźć w wielu innych branżach. (Nawet w erze zakupów online i kas samoobsługowych, na przykład, liczby zatrudnienia w handlu detalicznym idą w górę). Faktem jest, że nawet teraz bardzo trudno jest całkowicie zastąpić pracowników ludzkich.

Huty stali są wyjątkiem potwierdzającym regułę, mówi Bryan Jones, dyrektor generalny JR Automation, firmy z Holland w stanie Michigan, która integruje różne formy sprzętu i oprogramowania dla klientów przemysłowych pragnących automatyzacji. „Stalownia to naprawdę paskudne, trudne środowisko” – mówi. Ale sam proces – wytapianie, odlewanie, walcowanie i tak dalej – jest zasadniczo taki sam, bez względu na rodzaj produkowanej stali. Dlatego, jak twierdzi, huty stosunkowo łatwo zautomatyzować i dlatego przemysł stalowy zlikwidował tak wiele miejsc pracy.

Gdy ludzie są lepsi

„Automatyzacja staje się trudniejsza, gdy mamy do czynienia z dużą zmiennością i dostosowaniem” – mówi Jones. „To jedna z rzeczy, które widzimy obecnie w przemyśle samochodowym: Większość ludzi chce czegoś, co jest dostosowane do ich potrzeb”, ze spersonalizowanym wyborem koloru, akcesoriów, a nawet przednich i tylnych kratek. Każdy pojazd zjeżdżający z linii montażowej może być nieco inny.

Zautomatyzowanie tego rodzaju elastyczności nie jest niemożliwe, mówi Jones. Wybierz jakieś zadanie, a prawdopodobnie gdzieś istnieje robot laboratoryjny, który je opanował. Ale to nie to samo, co wykonanie go w sposób opłacalny i na skalę. W prawdziwym świecie, jak zauważa Akella, większość robotów przemysłowych to nadal wielkie, ślepe maszyny, które wykonują swoje ruchy bez względu na to, kto lub co stoi im na drodze, i muszą być trzymane w klatkach z dala od ludzi ze względów bezpieczeństwa. W przypadku takich maszyn, mówi on, „elastyczność wymaga mnóstwa przeróbek i mnóstwa programowania – a to nie dzieje się z dnia na dzień.”

Porównaj to z pracownikami ludzkimi, mówi Akella. Przeprogramowanie jest łatwe: „Po prostu wchodzisz na halę fabryczną i mówisz: 'Chłopaki, dzisiaj robimy to zamiast tamtego.'” I jeszcze lepiej, ludzie przychodzą wyposażeni w zdolności, którym niewiele ramion robotów może dorównać, w tym drobną kontrolę motoryczną, koordynację ręka-oko i talent do radzenia sobie z nieoczekiwanym.

Wszystko to jest powodem, dla którego większość dzisiejszych producentów samochodów nie próbuje zautomatyzować wszystkiego na linii montażowej. (Kilku z nich próbowało na początku, mówi Bessen. Ale ich zakłady zazwyczaj kończyły jak montownia General Motors w Detroit-Hamtramck, która po otwarciu w 1985 roku szybko stała się koszmarem: roboty malowały się nawzajem tak często, jak malowały Cadillaki). Zamiast tego firmy takie jak Toyota, Mercedes-Benz i General Motors ograniczają wielkie, głupie, odgrodzone roboty do zadań, które są brudne, niebezpieczne i powtarzalne, takich jak spawanie i malowanie natryskowe. Oddelegowują oni swoich pracowników do takich miejsc, jak obszar montażu końcowego, gdzie mogą składać ostatnie elementy, sprawdzając jednocześnie ich wyrównanie, dopasowanie, wykończenie i jakość – oraz to, czy produkt końcowy jest zgodny z życzeniami klienta dotyczącymi dostosowania do jego potrzeb.

Aby pomóc tym pracownikom, wielu producentów (nie tylko samochodów) inwestuje w roboty współpracujące, czyli „coboty” – jedną z najszybciej rozwijających się obecnie kategorii automatyki przemysłowej.

Roboty współpracujące: Maszyny współpracują z ludźmi

Koboty są obecnie dostępne w ofercie co najmniej pół tuzina firm. Jednak wszystkie one opierają się na koncepcjach opracowanych przez zespół pracujący pod kierunkiem Akelli w połowie lat 90-tych, kiedy był on inżynierem w General Motors. Celem było zbudowanie robotów, które są bezpieczne w otoczeniu i które mogą pomóc w wykonywaniu stresujących lub powtarzających się zadań, pozostawiając kontrolę pracownikom.

Aby zrozumieć problem, mówi Akella, wyobraź sobie, że podnosisz akumulator z przenośnika taśmowego, przechodzisz dwa kroki, wrzucasz go do samochodu, a następnie wracasz po następny – raz na minutę, osiem godzin dziennie. „Sam wykonywałem taką pracę”, mówi Akella, „i mogę was zapewnić, że wróciłem do domu bardzo obolały”. Albo wyobraźcie sobie, że podnosicie ważący 150 funtów „kokpit” – deskę rozdzielczą samochodu, ze wszystkimi dołączonymi instrumentami, wyświetlaczami i sprzętem klimatyzacyjnym – i manewrujecie nim na miejsce przez drzwi samochodu, nie łamiąc niczego.

Wymyślenie robota, który mógłby pomóc w takich zadaniach, było całkiem nowym wyzwaniem badawczym w tamtym czasie, mówi Michael Peshkin, inżynier mechanik na Northwestern University w Evanston, Illinois, i jeden z kilku zewnętrznych badaczy, których Akella włączył do swojego zespołu. „W tej dziedzinie chodziło o zwiększenie autonomii robotów, ich zdolności wykrywania i radzenia sobie ze zmiennością” – mówi. Ale dopóki nie pojawił się ten projekt, nikt nie skupiał się zbytnio na zdolności robotów do współpracy z ludźmi.

Więc w przypadku swojego pierwszego cobota Akella i jego kolega z Northwestern, Edward Colgate, zaczęli od bardzo prostej koncepcji: małego wózka wyposażonego w zestaw podnośników, który podnosiłby, powiedzmy, kokpit, podczas gdy pracownik ludzki prowadziłby go na miejsce. Ale wózek nie był tylko pasywny, mówi Peshkin: Wyczuwał swoją pozycję i obracał kołami, aby pozostać wewnątrz „wirtualnej powierzchni ograniczającej” – w efekcie był to niewidzialny lej w powietrzu, który przeprowadziłby kokpit przez drzwi i na miejsce bez zadrapania. Pracownik mógłby następnie sprawdzić ostateczne dopasowanie i zamocowanie bez wysiłku.

Inny prototyp sponsorowany przez GM zastąpił wózek kierowanym przez pracownika ramieniem robotycznym, które mogło podnosić komponenty samochodowe, wisząc na ruchomym punkcie zawieszenia na suficie. Zastosowano w nim jednak tę samą zasadę: pomoc maszyny plus kontrola pracownika – zasadę, która okazała się niezwykle ważna, gdy Peshkin i jego koledzy wypróbowali swoje prototypy na pracownikach linii montażowej General Motors.

„Spodziewaliśmy się dużego oporu”, mówi Peshkin. „Ale w rzeczywistości byli oni gościnni i pomocni. Całkowicie zrozumieli ideę ratowania swoich pleców przed urazami.” I co równie ważne, pracownicy uwielbiali korzystać z cobotów. Podobała im się możliwość poruszania się nieco szybciej lub nieco wolniej, jeśli mieli na to ochotę. „Przy samochodzie pojawiającym się co 52 sekundy”, mówi Peshkin, „ta odrobina autonomii była naprawdę ważna”. I podobało im się bycie częścią procesu. „Ludzie chcą, aby ich umiejętności były wystawione na pokaz” – mówi. „Lubią używać swoich ciał, czerpać przyjemność z własnego ruchu”. A coboty im to dawały, mówi: „Można było mknąć wzdłuż wirtualnej powierzchni, prowadzić kokpit i cieszyć się ruchem w sposób, na jaki nie pozwalały maszyny stacjonarne.”

AI i jej ograniczenia

Obecna firma Akelli, Drishti, donosi o podobnie przychylnej reakcji na swoje oprogramowanie oparte na SI. Szczegóły są zastrzeżone, mówi Akella. Ale podstawowa idea polega na wykorzystaniu zaawansowanej technologii wizji komputerowej do funkcjonowania w pewnym sensie jak GPS dla linii montażowej, dając pracownikom instrukcje i ostrzeżenia „zakręt po zakręcie”. Powiedzmy, że pracownik składa iPhone’a, wyjaśnia, a kamera obserwująca z góry uważa, że tylko trzy z czterech śrub zostały zabezpieczone: „Ostrzegamy pracownika i mówimy: 'Hej, upewnij się, że ta śruba również została dokręcona, zanim trafi na linię produkcyjną'”

Ma to swoje aspekty Wielkiego Brata, przyznaje dyrektor marketingu Drishti, David Prager. „Ale mamy wiele przykładów operatorów, którzy stają się bardzo zaangażowani i ostatecznie bardzo wdzięczni” – mówi. „Doskonale zdają sobie sprawę z widma automatyzacji i robotyki, które na nich ciąży, i bardzo szybko dostrzegają, że jest to narzędzie, które pomaga im być bardziej wydajnymi, precyzyjnymi i ostatecznie bardziej wartościowymi dla firmy. Tak więc firma jest bardziej skłonna inwestować w swoich ludzi, w przeciwieństwie do pozbywania się ich z równania.”

Ten motyw – wykorzystywanie technologii do pomagania ludziom w wykonywaniu ich pracy, a nie zastępowanie ludzi – prawdopodobnie będzie charakterystyczny dla zastosowań AI przez długi czas. Podobnie jak w przypadku robotyki, nadal istnieją pewne ważne rzeczy, których AI nie potrafi zrobić.

Na przykład weźmy medycynę. Deep learning stworzył już oprogramowanie, które potrafi interpretować zdjęcia rentgenowskie równie dobrze lub lepiej niż ludzcy radiolodzy, mówi Darrell West, politolog, który bada innowacje w Brookings Institution w Waszyngtonie. „Ale nie będziemy chcieli, aby oprogramowanie mówiło komuś: 'Właśnie otrzymałeś diagnozę o możliwym raku'”, mówi. „Nadal potrzebny będzie radiolog, który sprawdzi SI, aby upewnić się, że to, co zaobserwowała, jest prawdą” – a następnie, jeśli wyniki będą złe, specjalista od raka, aby przekazać pacjentowi tę wiadomość i rozpocząć planowanie leczenia.

Podobnie jest w prawie, gdzie SI może być bardzo pomocna w znajdowaniu precedensów, które mogą być istotne dla sprawy – ale nie w ich interpretacji lub wykorzystaniu ich do zbudowania sprawy w sądzie. Ogólnie rzecz biorąc, mówi Guszcza, AI oparte na głębokim uczeniu bardzo dobrze radzi sobie z identyfikowaniem cech i skupianiem uwagi tam, gdzie jest to potrzebne. Nie radzi sobie jednak z takimi rzeczami, jak radzenie sobie z niespodziankami, integrowanie wielu różnych źródeł wiedzy i stosowanie zdrowego rozsądku – „wszystkie te rzeczy, w których ludzie są bardzo dobrzy.”

Nie należy też wymagać od oprogramowania, aby rzeczywiście rozumiało, z czym ma do czynienia, mówi Guszcza. Podczas kampanii wyborczej w 2016 roku, aby przetestować narzędzie Google Translate, spróbował klasycznego eksperymentu: Weź nagłówek – „Hillary zatrzaskuje drzwi Berniemu” – a następnie poproś Google o przetłumaczenie go z angielskiego na bengalski i z powrotem. Wynik: „Barney zatrzasnął drzwi Clintonowi”. Rok później, po tym jak Google dokonało ogromnej aktualizacji Translate z wykorzystaniem deep learning, Guszcza powtórzył eksperyment z wynikiem: „Hillary Barry otworzyła drzwi.”

„Nie widzę żadnych dowodów na to, że osiągniemy pełne zdroworozsądkowe rozumowanie z obecną AI” – mówi, powtarzając punkt wysuwany przez wielu samych badaczy AI. We wrześniu 2017 r., na przykład, pionier głębokiego uczenia Geoffrey Hinton, informatyk z Uniwersytetu w Toronto, powiedział serwisowi informacyjnemu Axios, że dziedzina potrzebuje kilku fundamentalnie nowych pomysłów, jeśli badacze kiedykolwiek mają nadzieję osiągnąć AI na poziomie człowieka.

Ewolucja pracy

Ograniczenia AI są kolejnym powodem, dla którego ekonomiści tacy jak Bessen nie widzą, aby w najbliższym czasie spowodowała ona masowe bezrobocie. „Automatyzacja prawie zawsze polega na zautomatyzowaniu zadania, a nie całej pracy” – mówi, powtarzając tezę wielu innych. I choć w każdym zawodzie jest co najmniej kilka rutynowych zadań, które mogłyby skorzystać z AI, bardzo niewiele jest zawodów, które są w całości rutynowe. W rzeczywistości, mówi Bessen, kiedy systematycznie przyglądał się wszystkim zawodom wymienionym w spisie powszechnym z 1950 roku, „był tylko jeden zawód, o którym można powiedzieć, że został wyraźnie zautomatyzowany – operatorzy wind”. W 1950 roku było ich 50 000, a dziś nie ma ich w ogóle.

Z drugiej strony, nie potrzebujesz masowego bezrobocia, aby mieć masowy przewrót w miejscu pracy, mówi Lee Rainie, dyrektor badań nad Internetem i technologią w Pew Research Center w Waszyngtonie. „Eksperci nie są zgodni co do tego, czy robotyka i sztuczna inteligencja przyczynią się do zwiększenia lub zmniejszenia liczby miejsc pracy”, mówi, „ale z pewnością zmienią miejsca pracy. Wszyscy spodziewają się, że to wielkie sortowanie umiejętności i funkcji będzie trwało tak daleko, jak okiem sięgnąć.”

Co gorsza, mówi Rainie, „najbardziej zaniepokojeni eksperci w naszej próbie mówią, że nigdy w historii nie mieliśmy do czynienia z takim poziomem zmian tak szybko.” To nie tylko technologia informacyjna, sztuczna inteligencja czy robotyka, mówi. To także nanotechnologia, biotechnologia, druk 3-D, technologie komunikacyjne – i tak dalej, i tak dalej. „Zmiany zachodzą na tak wielu frontach, że grożą przytłoczeniem naszej zdolności do dostosowania się” – mówi.

Przygotowanie do przyszłości pracy

Jeśli tak, to wynikająca z tego era ciągłej zmiany pracy może wymusić pewne radykalne zmiany w szerszym społeczeństwie. Propozycje ekspertów Pew i innych obejmują zwiększony nacisk na kształcenie ustawiczne i przekwalifikowanie dla dorosłych poszukujących nowych umiejętności, a także sieć bezpieczeństwa socjalnego, która została zreorganizowana tak, aby pomóc ludziom w zmianie pracy i miejsca zamieszkania. W sektorze technologicznym pojawia się nawet poparcie dla pewnego rodzaju gwarantowanego rocznego dochodu, zgodnie z teorią, że postępy w sztucznej inteligencji i robotyce w końcu przekroczą obecne ograniczenia i sprawią, że masowe zakłócenia w miejscu pracy staną się nieuniknione, co oznacza, że ludzie będą potrzebowali poduszki finansowej.

To jest rodzaj dyskusji, która bardzo szybko staje się naprawdę polityczna. A w tej chwili, mówi Rainie, badania opinii publicznej Pew pokazują, że tak naprawdę nie ma jej na radarze opinii publicznej: „Jest wielu przeciętnych ludzi, przeciętnych pracowników, którzy mówią: 'Tak, wszyscy inni będą mieli przez to kłopoty – ale ja nie. Mój biznes jest w dobrej kondycji. Nie mogę sobie wyobrazić, jak maszyna lub oprogramowanie mogłoby mnie zastąpić.”

Ale jest to dyskusja, która pilnie musi się odbyć, mówi West. Patrząc tylko na to, co już jest w przygotowaniu, mówi on, że „pełna siła rewolucji technologicznej będzie miała miejsce między 2020 a 2050 rokiem. Jeśli więc wprowadzimy zmiany już teraz i będziemy je stopniowo wprowadzać w ciągu następnych 20 lat, to jest to całkowicie do opanowania. Ale jeśli będziemy czekać do 2040 roku, prawdopodobnie nie będzie można sobie z tym poradzić.”

Nota redaktora: Ta historia została zaktualizowana 1 sierpnia w celu skorygowania szczegółów eksperymentu przeprowadzonego przez Jima Guszczę. Historia pierwotnie mówiła, że eksperyment podczas kampanii wyborczej w 2016 roku został przeprowadzony, aby zobaczyć, jak bardzo głębokie uczenie poprawiło zdolność Google Translate; w rzeczywistości eksperyment z 2016 roku został przeprowadzony, zanim Google w pełni zmodernizował Translate z głębokim uczeniem. Początkowy test został wykonany z nagłówkiem „Hillary zatrzaskuje drzwi Berniemu”, a nie „Bernie zatrzaskuje drzwi Hillary”, jak pierwotnie stwierdzono. Nagłówek, który powstał po przetłumaczeniu z angielskiego na bengalski i z powrotem był „Barney zatrzasnął drzwi na Clinton”, a nie „Barry wini drzwi na drzwi Hillary”. Ulepszenia oparte na głębokim uczeniu się zostały przetestowane rok później z tym samym początkowym nagłówkiem, a wynikowy nagłówek po przetłumaczeniu na bengalski i z powrotem brzmiał „Hillary Barry otworzyła drzwi.”

.