首页 / 小说书库 / AI时代的工作 / 正文
点评
第三章 技术和创新
发现错别字或排版问题?选中正文中的文字即可提交纠错,审核通过后才会修改原文。 ✍️ 编辑本章

快速发展的类人式人工智能浪潮会让我们都失业吗?算法和灵巧的机器人是否会阻碍服务业中低工资工作的增长(或取代被新冠疫情淘汰的工人)?机器人是否很快就会为我们打包和照顾老人?

对于这些问题,我们尚无准确的答案。技术发展不断地带给我们惊喜。我们确信未来将包含多种技术组合和多种方法组合,在大小企业中广泛应用。正如前一章所述,我们也知道,新技术将在一个高技能工作占主导、不平等加剧、工人话语权受损和种族不平等的国家中发展。政策不仅塑造贸易和劳工体制,而且塑造技术。它们与组织文化、经济激励措施和管理实践一样,影响企业开发和采用技术的速度和方式。

“机器人”带来的焦虑也显示出更广泛的文化不安。 即使在新冠疫情之前,美国中产阶级和工人阶级,尤其是那些没有受过高等教育或没有专业技能的人,有充分的理由担心,因为他们的工作形式越来越不稳定。美国在满足被技术变革抛在后面的工人和社区需求方面的表现不佳。公众不知道这些经济转型的原因,因此很容易把注意力放在“机器人”这一标志性技术上,它符合人们熟悉的象征着更广泛和更复杂变化的技术失控叙事。

2018年对技术和工作的关注浪潮显得如此突出,原因之一是人工智能有可能取代需要判断力和专业知识的工作,就像早先的自动化和计算机化浪潮取代重复性体力和认知工作一样。一些报告指出,高度专业化的办公室工作人员,包括保险理赔员、律师助理和会计师,都会被自动化和机器人取代。托马斯·马龙(Thomas W. Malone)、特别小组成员丹妮拉·鲁斯(Daniela Rus)和罗伯特·劳巴赫(Robert Laubacher)撰写的特别小组简报回顾了人工智能面临的挑战,并探讨了未来可能出现的问题。

我们也知道,未来并不是根据数学或物理定律刻在机器和算法上的。在技术变革过程中的无数时刻,结果取决于人类的选择。工程师将社会关系和所向往的未来编码到他们制造的机器中。在影响新技术的发展方面,经济刺激、研发计划和组织的选择至少与工程愿景一样强大。例如,自动驾驶技术得到美国国防部高级研究计划局及其他机构几十年的联合支持,这些遗产仍然影响着该技术。同样,随着公共卫生危机在新冠疫情期间影响了技术的开发和采用,我们也目睹了公司、学校和政府使用远程呈现工具的巨大转变。研发项目经理、会议室里的董事、办公室规划师和车间经理所做的决策,也决定了工作岗位如何随着新工具的出现和广泛使用而演变。

管理实践也影响了采用新技术的速度和性质。正如阿里·布隆索勒(Ari Bronsoler)、约瑟夫·多伊尔(Joseph Doyle)和特别小组成员约翰·范里宁(John Van Reenen)在关于医疗保健信息技术的研究简报中概述的,让工人尽早参与技术整合和适应工作场所的过程,可以促进工人接受新系统,提升系统的性能。 相反,自上而下地推行新技术和新的工作方式往往适得其反。利益相关者会抵制变革,特别是当信息技术决策者(如高级管理人员)和正在使用这些工具的人(如医生、护士)之间存在很大分歧的时候。研究人员发现,工人更多地参与将医疗保健信息技术的新能力应用于整个医疗保健体系,可以提高对这些技术的接受度,同时加快生产力的提升,减轻对劳动力的负面影响。

本章综合了特别小组的研究,这些研究探讨了关键技术的现状,评估了它们对就业的影响,这些关键技术包括保险和医疗保健业务流程中的人工智能、自动驾驶汽车、制造和分销领域的机器人技术,以及增材制造(Additive Manufacturing, AM)。其中一些技术,如自动驾驶,还未得到广泛使用,因此除了预测大致的时间表和10年或更长时间内的逐步转变,关于工作岗位将如何被重塑,仍只是一种猜测。在某些情况下,我们有更清晰的认识,因为各种形式的技术已经被采用,例如现在越来越多的机器人在仓库里搬运货物。另一些情况可能更难以想象,因为它们涉及使用软件来阅读文件和报销单、扫描医疗处方或跟踪交易以发现潜在的欺诈行为。所有这些都是在美国联邦政府的长期支持下开展的基础研究,助力新技术的诞生和早期发展,并为工业界培训从业人员。

特别小组的研究提出了三个关键议题。首先,人工智能和机器人应用的开发和部署时机,特别是在安全和生产领域的关键应用。虽然它们即将到来,但并不像有些人担心的那样近在咫尺,这为我们提供了窥见未来和准备应对的时间。动态环境中的灵活性仍是人类的一项关键属性,机器很大程度上仍无法企及。这种渐进主义为我们提供了一个机会,以考虑如何采用新技术以实现社会和经济利益最大化。也就是说,如果这些技术部署在一个现行劳动制度不够好的经济体中,那么它们很容易使目前的情况变得更糟:技术变革只是让雇主和受教育程度最高的群体获益,普通工人则几乎一无所获。

其次,技术提供了工作替代和工作增强的各种可能组合。在下文讨论的一个案例中,法律审计人员发现人工智能可以帮助他们工作,让他们腾出时间完成附加值更高的工作,同时要求公司雇用更多的审计人员,并提升工作效率。在其他案例中,移动机器人提高了仓库工人的工作效率,使他们可以专注于完成目前机器还无法完成的灵活任务。

最后,组织对如何部署和采用技术有很大的影响,因此影响组织的政策也将塑造技术。在部署任何技术以支持特定业务的过程中,集成(integration)和调适都是昂贵且耗时的任务。在技术曲线的这些阶段进行的创新既可以是技术性的,如更容易编程和标准化的界面,也可以是组织性的,如让一线工人参与微调机器人的任务。在这两种创新中,集成和调适都使技术变革带来了生产率提高,以及能为大多数工人提供机会、流动性及在一定程度上具有经济保障的劳动力市场。

为解决第一个问题,即开发、部署人工智能和机器人应用的时机,需要考虑技术属性随时间推移而发生的变化。提到新技术,人们往往会想到摩尔定律,即微处理器性能翻倍的奇迹,或者过去几十年智能手机和应用程序的惊人增长及其深远的社会影响。技术专家普遍将这些变化描述为“加速”,但在衡量标准上鲜有共识。

然而,研究人员研究历史模式时发现,在这些明显的加速之前,往往会有三四十年的酝酿期。例如,可互换零部件的生产使美国南北战争时期的大规模枪炮制造成为可能,但这是40年发展和试验的结果。战争结束之后,又过了40年,这些制造技术才逐渐成熟,实现流水线生产的创新。莱特兄弟于1903年首次飞行,虽然飞机在第一次世界大战时就实现了军事应用,但航空业直到20世纪30年代才出现有利可图的商业运输,又过了几十年,航空业才发展成熟到普通人可以定期安全飞行的地步。此外,人们预期的向超音速客机飞行的自然演进还未实现,而技术却向亚音速的自动化、效率和安全方向发展,这是巨大的进步,但不是沿着原始的速度衡量标准,而是沿着其他标准。

再看最近,互联网的基础技术始于20世纪60年代和70年代,到90年代中期时迅速发展到商业世界。即便如此,大多数企业也只是在过去10年才真正将网络计算作为业务和流程转型的手段。特别小组成员埃里克·布莱恩约弗森(Erik Brynjolfsson)将这种现象称为“J形曲线”,他认为技术被接受的路径是缓慢渐进的,然后加速突破,最终被广泛接受,至少对于计算等通用技术而言是如此。 这样的时间表反映了新技术的完善和成熟、集成和管理上采用的成本,以及随后的根本性转变。

虽然只是近似值,但在我们评估技术变革与未来工作的关系时,40年是一个有用的时间段。正如科幻作家威廉·吉布森(William Gibson)的名言:“未来已来,只是分布不均匀。”吉布森深刻地将技术大规模应用的缓慢演变过程与我们今天看到的世界联系在一起。与其简单地进行失之偏颇和糟糕的预测,不如在当今世界中寻找引领技术变革的地方,并推断更广泛的应用。今天的自动化仓库很可能就是未来的一个缩影,尽管它的广泛应用尚需时日(而且很可能无法代表所有仓库)。今天自动化程度最高的生产线和高价值零件的先进生产也是如此。自动驾驶汽车的开发周期已有15年,但才刚开始初步部署。我们可以从这些初步部署中找到决定其大规模应用的线索。因此,特别小组并没有研究未来,而是通过对当今的技术和工作进行严格的实证考察,以做出一些有依据的推断。

当前部署的大多数人工智能系统,虽然新颖且令人印象深刻,但仍然是特别小组成员、人工智能先驱、麻省理工学院计算机科学与人工智能实验室(CSAIL)主任丹妮拉·鲁斯所说的“专业人工智能”。换言之,这些人工智能系统能够解决有限数量的特定问题。它们可以检阅大量数据、提炼模型、做出预测以指导未来行动。鲁斯、托马斯·马龙和罗伯特·劳巴赫写道:“狭义的人工智能解决方案可用于广泛的特定问题,并大幅提高工作效率和生产率。” 这些人工智能系统包括在美国电视游戏节目《危险边缘!》中击败人类玩家的IBM Watson系统及其在医疗领域的应用系统,或者在围棋比赛中击败人类玩家的谷歌AlphaGo程序。我们下文探讨的保险和医疗系统都属于这类狭义的人工智能,它们在机器学习、计算机视觉、自然语言处理或其他方面各不相同。目前使用的其他人工智能系统还包括更传统的“经典人工智能”系统,这些系统用形式化逻辑来表征和推演世界。人工智能不是单一的事物,而是各种不同人工智能(复数)的组合,各有特点,但不一定能复制人类智能。

专业人工智能系统主要依靠人类生成的数据,擅长在众所周知的任务中模仿人类的行为。它们还包含了人类的偏见,并且在稳健性(在不断变幻的环境中,包括故意在数据中引入噪声,始终如一地执行任务的能力)和信任度(人类相信人工智能每次都能正确执行指定的任务)方面仍然存在问题。马龙、鲁斯和劳巴赫写道:“由于缺乏稳健性,许多深度神经网络‘大部分时间’都处于运行状态,这在关键应用中是不可接受的。”可解释性问题加剧了信任问题,因为当前的专业人工智能系统无法向人类揭示它们是如何做出决策的。

对人工智能和机器人技术来说,适应全新情况的能力仍然是一个巨大的挑战,也是公司继续依赖人类员工完成各种任务的重要原因。人类在社会互动、不可预知的身体技能、常识,当然还有通用智能(general intelligence)方面表现出色。

从工作的角度看,专业人工智能系统往往是任务导向的,也就是说,它们执行的是有限任务集,而不是构成一份职业的全套活动。不过,所有职业都会有些风险。例如,阅读射线照片是放射科医生的关键工作,是他们要完成的几十项任务之一。在这种情况下,人工智能可以让医生把更多时间花在其他任务上,比如进行身体检查或制定个性化的治疗方案。在航空领域,人类长期以来一直依赖自动飞行员来增强对飞机的手动控制,然而,这些系统在飞行阶段的自动化方面已经变得非常复杂,飞行员可能会丧失手动控制的能力,这在极端情况下可能导致致命事故。人工智能系统尚未获得驾驶商用飞机的认可。

通用人工智能(AGI),即一种真正意义上的人工类人脑,仍是一个令人深感兴趣的研究课题,但专家一致认为,这一目标的实现仍将遥遥无期。目前围绕通用人工智能的一个争论点强调了它与工作的相关性。罗德尼·布鲁克斯(Rodney Brooks)教授认为,传统的人工智能“图灵测试”应该更新。 以前的标准是在一堵墙后面安装计算机,人类可以与这台计算机进行文字对话,并发现它与人无异。很早以前,简单的聊天机器人就已达到这一标准,但很少有人认为这代表通用人工智能。

在机器人的世界里,随着数字世界越来越多地与物理世界混合,布鲁克斯提出了通用人工智能的新标准:能够完成与世界进行其他类型互动的复杂工作任务。家庭健康助理是其中一个例子。这些工作任务包括为虚弱的人提供身体上的帮助,观察他们的行为,以及与家人和医生沟通。无论是针对这类特殊工作、仓库工人的工作,还是其他类型的工作,布鲁克斯的观点都表明,当前的智能难题不只是处理符号数据,还涉及身体灵活性、社会互动和判断力的问题。这些维度对工作有重要意义,但仍然是当前的人工智能无法企及的。将布鲁克斯的观点进一步推演,我们可以说,人工智能的未来就是工作的未来。

为探索人工智能在服务业的发展现状和未来潜力,麻省理工学院的研究人员深入保险和医疗保健领域。他们发现,一些企业正在尝试使用新的软件和人工智能技术为高学历和低学历工人重新设计工作流程,修改任务分配和改进工作岗位的设计,目的是提高生产率。不同行业和不同规模的公司采用自动化的速度似乎并不一样。在保险和医疗保健领域,自动化在任务层面的应用要多于在工作岗位层面,我们仍处在早期实施阶段。

特别小组执行主任伊丽莎白·雷诺兹博士带领一个研究团队,深入研究了一家大型保险公司采用自动化系统的情况。 保险业在信息技术方面的领先地位由来已久。这家公司已经尝试过机器人流程自动化(RPA),这是一种能在计算机上执行的基于规则的自动化软件,通常作为传统软件系统的叠加。该公司的结论是,机器人流程自动化没有达到预期效果:大多数员工都在完成不同的任务,而软件不够灵活,无法实现所有任务的自动化。即使表面上做着同样工作的人,也有不同的方法或流程来完成这些工作。

因此,该公司重新评估了机器人流程自动化的方法,寻找使某些功能可自动化的途径。部分解决方案包括安装聊天机器人来处理发送到内部服务台和客户服务中心的最简单的问题,然后培训员工在更有意义的层面上与客户互动。

总的来说,自动化提高了现有劳动力的生产率,同时减少了完成工作所需的员工数量(不过,如果自动化能让公司降低价格或提供更好的产品,则这种动态可能会发生变化)。该公司发现的另一个挑战是,要确保这种任务的自动化不会将员工禁锢在旧的常规和传统技术中,否则会阻碍未来的创新努力。

这家公司的主导力量是数字化、信息技术的先进应用和云计算,而不一定是人工智能类型的算法。“我们的业务是技术,”公司的一位领导说,“现在技术和业务已经不分彼此。”该公司采用了软件行业二十多年来开发的敏捷方法和敏捷软件的新管理技术。敏捷方法包括可快速执行多次设计迭代的高度合作的小型团队,而不是遵循线性工作流程的大型团队。因此,公司从严重依赖两个软件供应商(IBM和微软)转向了数十个规模较小、基于云计算的平台。软件开发和使用方面的这些变化对公司的业务方式产生了深远影响。

相比之下,人工智能的应用尚未达到预期。在客户服务中部署基于机器学习的聊天机器人、使用机器人流程自动化提高后台工作的效率,代表了自动化技术最早的一些应用。虽然后者从本质上来讲并不新鲜(最初的发展始于20世纪90年代后期),但其范围和触角已延伸到不同行业和拥有大量传统后台业务的公司,成为公司人工智能战略的基石。一位公司负责人说:“咨询公司对我们这样的公司造成了巨大的损失,他们告诉我们使用这些新的人工智能可以节约数十亿美元。我们已经使用了一些人工智能,但并没有产生显著影响。”该公司的流程根本不够同质化或标准化,目前的人工智能还无法胜任这样的流程。

另一位公司负责人表示:“我们正处在人工智能和机器学习能给保险业带来什么的起步阶段。我们还在摸索……只是在肤浅地研究人工智能和机器学习如何能够颠覆整个行业。”此外,挑战还来自商业和组织方面。“这与技术无关”,而是关于公司能否将其问题具体化,以使这些问题可以通过当前的技术加以解决。“(作为一个行业)我们在提出可行方案方面还不够成熟。”

一个成功实施人工智能系统的例子是一家公司利用人工智能提高了评估法律账单的效率。作为一家保险公司,它在美国各州和司法辖区雇用了数千家律师事务所,公司必须审核法律账单,以确保收费符合公司政策。它每年购买价值超过10亿美元的法律服务,并雇用了几十名审计师,这些人都是受过大学教育的律师和财务专家,负责查阅账单以核实索赔。

要将人工智能应用于账单审核,需要召集三个不同的专家小组:了解电子账单格式的数据科学家、编写算法的程序员,以及最初抵制这一想法的审计师。这家公司花了几个月的时间学习、协调和开发,建立了机器学习模型,以校准算法来检测账单中的异常情况。经过几轮试用,包括向首席执行官介绍并获得其支持后,该模型的准确率达到了85%。当模型被应用于审计过程的末端时,应用结果说服了审计人员,算法可以发现人工遗漏的异常情况。很快,该系统每年就能节省数百万美元,并使审计人员腾出手来从事更复杂的工作。这一人工智能系统已经产生了实质性影响,但它与传统的IT项目一样,需要适当的专家组合、创新的团队合作、行政支持和前期投资,才能显示出好处。

雷诺兹和她的团队发现,基于人工智能的软件系统并没有导致整个团队被裁员,但它们确实放慢了相关部门的招聘步伐,就像前文的例子一样。虽然裁员和招聘放缓最终都意味着受影响部门的员工数量减少,但它们对工人的影响有质的不同。

这家公司仍然扮演保险代理人的传统角色。在这里,人工智能和机器人流程自动化很大程度上是互补的。与其他零售产品一样,保险目前仍然采用一种全渠道销售的方式,即直接面向消费者(在线)、直接响应中心(在线加人工电话,或仅后者)以及面对面销售(线下)。这种情况很可能会发生变化,因为下一代客户更乐于在无须人工协助的情况下与公司接触。

十年前,该公司曾预计面对面的代理人工作将逐渐消失,而直接面向消费者的活动将会增多。尽管直接面对消费者的业务有所增长,但是面对面的代理人数量一直保持相对稳定。客户在购买保险之前仍然需要人与人之间的互动。虽然只有少部分客户使用自助服务选项,但这可以让代理人将更多时间用于向那些希望面对面交流的客户出售保险,从而提高他们的销售额和佣金,并提供更多定制的保险套餐。与此同时,电子签名等新的数字技术通过避免签署成堆的文件,提高了某些任务的效率。通过收集、汇总和分析第三方数据,机器学习算法使公司更了解现有或潜在客户。通过这些数据,公司可以预测客户可能打电话询问即将到来的账单;可以致电该客户,建议其在汽车保单中增加一名新司机,因为孩子已经满16周岁。虽然代理人必须通过使用应用程序和平板电脑来精通技术,但这所需的新培训并不多,而且都可以在工作中获得。

另一个行业的例子是医疗保健行业对新工具和新技术的大量投资正带来巨大变化。约翰·范里宁和约瑟夫·多伊尔、阿里·布隆索勒仔细研究了技术诱发的转变,包括电子病历对行业的影响。

对从事中低薪工作的人来说,医疗保健行业是极具潜力的好工作,但是快速增长的家庭健康服务却不一定。好消息是,在可预见的未来,各类医疗保健行业有助于扩大就业。当前从事医疗保健行业的人数占美国总就业人数的11%,并正在迅速提高,随着人口老龄化和新疗法的出现,这种情况可能会持续。至少对那些直接为医疗保健系统工作的人来说,该行业是一个可提供良好岗位、合理薪酬和工资外福利的部门。相比之下,家庭医疗保健人员的工资低,福利少。

虽然医疗保健行业被认为可抵御经济衰退风险,但具有讽刺意味的是,新冠疫情危机导致医疗保健行业的就业率急剧下降,因为在疫情期间,人们倾向于避免非必要的就医。

布隆索勒、多伊尔和范里宁指出,在医疗保健领域,新技术的兴起也许会减缓新工作岗位的增长,但不会减少工作岗位的总数。与此同时,新技术也在明显改变医院的员工组合。近年来,专门使用计算机应用软件的医务人员在就业和工资增长方面都超过了护士(见图3.1)。

尽管有这些新的医疗保健技术和信息技术投资,但令人惊讶的是,这些行业的生产率增幅相对较小。据其他行业的经验显示,对新技术的管理才是生产率提高的一个重要动力。 这给高度分散的医疗保健行业带来了显著挑战,因为临床工作者在为病人做抉择时习惯了高度的自主性。一位受访的高级医疗保健技术经理提到:“虽然医疗保健系统中有很多机器技术,但很难将它们整合并充分发挥作用。”

图3.1b 2001—2018年护士、医疗转录员、医疗保健信息技术员的就业和工资情况

注:图3.1a的图示报告了护士、医疗转录员和医疗保健信息技术员的就业人数占美国总劳动力的比例。图3.1b的图示报告了护士、医疗转录员和医疗保健信息技术员的平均小时工资与全美平均小时工资的比率。

资料来源:基于美国劳工统计局提供的职业就业统计数据(http://www.bls.gov.oes/tables.htm)。

Epic等新型电子病历(EHR)技术是近几十年来医疗保健领域最重要的IT投资项目,自2010年以来已投入300亿美元专门用于推广此技术。受2009年《经济和临床健康信息技术法案》(Health Information Technology for Economic and Clinical Health Act,简称HITECH法案)的刺激,电子病历应用得以迅速扩散。该法案是《平价医疗法案》(Affordable Care Act)的一部分,旨在提高对电子病历的使用。电子病历是决策支持的平台,它将病人层面的数据与最佳实践和临床指南以及数据分析相结合,可以在质量和效率方面带来更大的长期收益。虽然此技术在提高医疗生产率方面有诸多优势和潜力,但其局限性依然存在,包括电子病历缺乏市场竞争力,这可能会放缓采用和创新的步伐。一位资深医疗保健信息技术专家说:“电子病历是为过去的医疗保健设计的,建立在过去的医疗保健基础之上,而不是为了数字前沿的医疗保健设计的。”

与其他行业一样,直接受雇于医疗保健体系的人使用的新技术,往往补充了高学历和高度专业化工人的工作,也替代了专业化程度较低的工人。在临床方面,人工智能和机器学习技术正在使用医学成像技术读取射线照片,使用数据科学处理海量数据,生成对患者病因的推断和预测,以此推动重大变革。这些技术倾向于为临床医生提供更全面的见解,从而提高效率。例如,为护士提供的新扫描技术可以让他们扫描而不是手动输入患者的所有信息,包括药物治疗,从而提高了安全性和效率。同样,新的通信技术,如安全信息传递而非传呼机技术,使护士能够及时与团队其他成员(医生、住院医师、其他护士)联系,讨论治疗方案,确保治疗的一致性、准确性和及时性。在这两种情况下,技术都是对部分任务进行补充,同时取代部分其他任务。在这些技术变革中,护士的工资与美国普通工人的工资相比,在过去15年保持相对稳定(而医疗保健信息技术工作者的工资却在上升,见图3.1)。

新技术有可能为医疗保健节约大量成本。据兰德公司一项广为人知的研究估计,采用数字技术可以在15年内节约1420亿至3710亿美元。 到目前为止,HITECH法案的实际影响令人失望。凯勒曼和琼斯随后在兰德公司开展的研究发现,预期的成本节约并未实现,部分原因是医疗服务供应商之间缺乏信息共享,以及在激励措施与节约医疗成本的目标背道而驰的环境下,员工队伍不认可该法案。 谈到新技术对节约成本的影响,医疗系统更关注的是非临床工作。这包括财务、行政、合规、计费、医疗信息和供应链管理等后台和文职工作。在对一家大型医疗保健公司的采访中,高级技术负责人概述了他们的目标,即通过自动化减少对劳动力的依赖。一位高级管理人员估计,50%~60%的人力资源工作可以被机器人程序自动化取代。然而,如何排列流程,使它们易于实现自动化,是一个常见的挑战。在任务的执行方式上几乎没有一致性:这位高管证实,“因为有13个不同的部门,所以有13种不同的做事方式。挑战在于能否改变组织内部的文化,使其以特定的方式做事”。

在大型医疗保健体系中,机器人程序自动化已被用于替代多项任务,从传统的扫描病历,到验证临床医生的执照,以及在整个医院内快速传达有关药品召回的详细信息。不过,一位高级负责人强调,自动化并没有导致员工被一对一替代。在大多数情况下,实现自动化的工作只是员工需要完成的小部分任务。通常情况下,员工会被重新部署,或在体系内找到不同的工作,部分原因是近年来整个医疗保健体系在不断发展壮大。如前所述,对工作岗位的主要影响是取消了空缺职位(退休人员也在过渡中发挥了作用),从长远来看,这意味着这些职位的就业率会下降。

然而,并非所有转型都没有痛苦。自21世纪初以来,医疗转录员等具有无法迁移的技能(nontransferable skill)的雇员受到了沉重打击,因为他们的相对就业人数和工资持续下滑。据人力资源部门经理介绍,在组织内部为这些员工安置新职位一直是个挑战,自引入电子病历以来,许多人都被解雇了。最近的一些研究得出的结论是,在医疗保健行业,基于文书工作的所有职位最终都会过时,但非文书部分也许还能保留很多工作。

正如布隆索勒、多伊尔和范里宁讨论的,医疗保健信息技术的引入往往导致成本增加,但这对患者的治疗效果产生了积极影响。我们有理由(但远非完全)相信,引入信息技术的成本将减少,而对治理效果的积极影响将会增大。医疗保健信息技术被采用的速度可能会加快。与其他行业一样,对劳动力的影响可能表现为对技术类技能(technical skill)的需求不断增加,无论是前台工作还是后台工作均是如此。

没有什么行业能比自动驾驶轿车和卡车更能说明关于机器人技术的前景和担忧了。自动驾驶汽车(AVs)本质上是高速轮式工业机器人,由感知、机器学习、决策、调节和用户界面等尖端技术驱动。自动驾驶汽车在文化和象征意义上引起的共鸣,使它们成为媒体报道新技术时最关注的焦点,并引发了大量的资金投入,使“无人驾驶”的未来成为人们对自动化新时代的希望和担忧的焦点。

在计算机控制下穿越地形运输货物和人员的能力不仅体现了21世纪技术的一个梦想,而且有可能引发巨大的社会变革和流离失所。在无人驾驶的未来,事故和死亡人数可能会大幅下降。人们在交通拥堵中浪费的时间可以重新用于工作或休闲。城市景观可能会发生改变,停车需求会减少,所有人的安全和效率得到提高。新的商品和服务分销模式预示了一个新世界,在那里,人和物的物理移动毫不费力,就像比特在互联网中毫不费力地流动一样。

就在十年前,人们普遍不相信某种形式的无人驾驶汽车将会上路。由美国联邦政府支持的大学机器人学和自动化研究已经发展了两代人,在军用机器人方面才开始有所进展。然而今天,世界上几乎所有的汽车制造商以及许多初创企业都参与其中,并重新定义出行(mobility),这对就业的影响是巨大的。据估计,汽车行业本身的工作岗位只占所有私人部门工作岗位的5%左右。还有数以百万计的人作为汽车驾驶员,以及在为这些车辆提供服务和维修的公司网络中工作。

特别小组成员约翰·伦纳德和戴维·明德尔参与了这些技术的开发,并与研究生埃里克·斯泰顿一起研究了这些技术的影响。他们的研究表明,出行自动化的宏伟愿景不会在几年内完全实现。 现实驾驶环境的多变性和复杂性要求我们能够适应突发情况,而目前的技术尚未掌握这种能力。最近发生的两起波音737MAX飞机失事共造成346人死亡的悲剧和丑闻,以及自动驾驶汽车测试项目在公共道路上发生事故,都强化了公众和监管机构的审查,也让人们对这些技术的普及速度更加谨慎。与客机相比,无人驾驶汽车的软件更复杂,更具不确定性,我们仍然缺乏技术和工艺来认证其安全性。有些人甚至认为,解决通用自动驾驶(generalized autonomous driving)问题等同于解决通用人工智能问题。

对现有最佳数据的研究表明,围绕自动驾驶的出行变革将需要十多年时间,并将分阶段推进,首先是仅限于特定地域的自动驾驶系统,如城市或校园班车(如美国一家自动驾驶公司Zoox发布的产品)。卡车运输和送货也可能是早期应用的案例,几家领先的开发商正在关注这些应用,既有完全自动驾驶模式,也有人类驾驶员主导的增强型“车队”系统。2020年末,优步(Uber)出售了其耗资数十亿美元却收效甚微的无人驾驶汽车部门,这是该行业从“机器人出租车”转向物流的标志性事件。亚马逊支持的极光公司收购了该部门,将技术重点放在卡车运输上。随着技术壁垒的攻克,更多的自动化系统最终将得到普及,但目前人们对驾驶工作迅速被淘汰的担忧并没有得到支持。

无论是轿车、卡车还是公共汽车,自动驾驶汽车都将底特律的工业传统、硅谷的千禧乐观主义和颠覆精神,以及国防部高级研究计划局启发的无人武器军事愿景结合在一起。卡车司机、公共汽车司机、出租车司机、汽车机械师和保险理财师只是预计将被取代或补充的一部分工人。这一转变将与全电动技术的转变携手并进,在创造其他工作岗位的同时淘汰一些工作岗位。 例如,与传统汽车相比,电动汽车所需的零部件更少,向电动汽车的转变将减少生产电机、变速箱、燃料喷射系统、污染控制系统等方面的工作。这种变化也将带来新的需求,例如对大规模电池生产的需求(也就是说,耗电传感器和自动驾驶汽车的计算将至少部分抵消电动汽车的效率提高)。随着包括网联汽车、新的出行商业模式和城市公共交通创新在内的各种创新汇聚在一起,进而重塑人和货物的流动方式,自动驾驶汽车很可能成为不断发展的出行生态系统的一部分。

关于自动驾驶汽车的叙述,建议以人工智能为基础的软件系统取代人类驾驶员,而这些系统本身是由几位计算机博士在实验室里创造出来的。然而,麻省理工学院的研究人员在对底特律的研究中发现,这是对目前正在进行的技术转型的简单化解读。诚然,与传统汽车行业相比,自动驾驶开发机构往往拥有更高比例的高学历员工。即便如此,自动驾驶系统的实施仍需要各个层面的努力,从安全驾驶员的自动化监督到远程管理和调度,再到地面的客户服务和维修。

以一家大型自动驾驶系统开发商的“现场主管”职位为例。其工作职责包括监督一个安全驾驶员团队、重点关注客户满意度以及机械和车辆相关问题的反馈报告。该职位提供中等薪酬和福利,不要求两年或四年制学位,但需要至少一年的领导经验和沟通技能。同样,尽管有高度复杂的机器学习和计算机视觉算法,但自动驾驶系统仍需要技术人员对车辆和建筑环境(built environment)中的各种传感器进行例行调校和清洁。负责维护自动驾驶系统的现场自动化技术员的工作职责要求如下:中等薪资,不要求四年制学位,一般只要求具备车辆维修和电子方面的背景知识。有些职责是完成工作所必需的,包括零部件库存和预算,还有实操类的体力劳动,但不包括工程设计。

一旦自动驾驶系统被推广,将创造更多这样的工作岗位,以及其他致力于确保安全性和可靠性的工作岗位。与此同时,未来的自动驾驶将需要明确的战略,使工人摆脱传统的驾驶员,转向有保障的就业。

由于美国有300多万名商用车司机,因此自动驾驶汽车的快速面世会对这些人造成极大的干扰。这些司机通常只有高中或以下学历,或者是有语言障碍的移民。伦纳德、明德尔和斯泰顿的结论是,放慢采用速度将缓解对工人的影响,使现有司机能够退休,年轻工人能够接受培训以填补新设立的职位,如监控移动车队。 同样,实际的采用时间表也为技术、采用和政策的制定提供机会。特别小组研究咨询委员会成员苏珊·黑尔珀及其同事在2018年的一份报告中讨论了一系列可能的情况,并发现自动驾驶汽车对就业的影响与普及时间成正比。当然,突然实现的自动驾驶会使数百万人失业,而如果在30年内实现自动驾驶,就可以通过退休和代际更替来适应这一变化。

与此同时,汽车和卡车制造商已经在生产能够增强而非替代驾驶员的汽车。这些产品包括目前在售汽车上常见的大功率巡航控制和警报系统。在某种程度上,替代型无人驾驶汽车将与增强型计算机辅助人类驾驶员展开竞争。在航空领域,这种竞争持续了几十年,无人驾驶飞机才找到了自己的利基市场,而人类驾驶的飞机则通过自动化得到了高度增强。美国空军的“捕食者”和“收割者”等无人驾驶飞机问世后,需要比传统飞机更多的人来操控,并提供了全新的能力,如24小时不间断监视。

根据目前的知识水平,我们估计,向无人驾驶系统的转变将缓慢推进,到2030年时,其使用仍将是有限的,即使在比较容易使用的卡车运输行业也是如此。在乘用车等其他应用场景中,总体转变速度可能也不会更快。

即使实现了向无人驾驶系统的转变,未来的自动驾驶汽车也不会让工作消失。新的商业模式和潜在的全新产业部门,都将受到技术的推动。在自动驾驶系统工程和车辆信息技术的专业技术领域将出现新角色和新专业。在实现完全自动驾驶之前,自动监督或安全驾驶员的角色对自动驾驶水平至关重要。远程管理或调度员的角色将把驾驶员带入控制室,并要求其掌握与自动化互动的新技能。此外,还将出现新的客户服务、现场支持技术人员和维护人员。也许最重要的是,对技术的创造性使用将带来今天难以想象的新业态和新服务。20世纪20年代,当乘用车取代马车出行和支持马车出行的大量职业时,路边汽车旅馆和快餐业应运而生,为“驾车的大众”提供服务。出行方式的变化又将如何促成和塑造分配与消费的变化呢?

同样重要的是,新技术对人们工作方式的影响。与其他新技术一样,如果支持工人的制度不与时俱进,在现有的出行生态系统中引入昂贵的新型自动驾驶汽车,只会延续现有的进入权利和机会不平等(inequality of access and opportunity)。在一项关于底特律地区的工作、不平等和公共交通的全面研究中,特别小组的研究人员注意到,早期大多数在装配线上建造T型和A型福特汽车的工人都是乘坐底特律当时高度发达的有轨电车上班的。 在此后的一个世纪里,特别是在底特律,美国各地的城市公共交通一直是提供给大多数工人的基本服务,但也成为助长制度性种族主义、城市人口向就业机会丰富的郊区迁移以及不平等的工具。支持公路建设的公共言论和政治决策诋毁并破坏公共交通,还往往带有种族色彩。因此,黑人和其他少数族裔更有可能缺乏使用个人乘用车的机会。

研究得出的结论是,单靠技术无法弥补工人面临的出行限制,如果不进行制度改革,现有的不平等现象将持续。与其他技术一样,在旧的交通系统中部署新技术也将加剧不平等,因为“人们的注意力会转向新事物,而不是有用、实用和需要的事物”。制度创新与机器创新同样重要。近几十年来,试点项目取得了令人鼓舞的成绩,但还必须做更多的工作来推广这些试点项目,并确保对其服务的社区负责。“交通提供了一个关于政治可能性的独特场所。”

当技术能够带来新的商业模式并推动行业变革,而不是将人们以前完成的任务自动化时,它们往往会产生最大的影响,创造最多的就业机会。电子商务的兴起为消费者和企业提供了全新的购物和订货方式,它是这种变革的缩影,尤其是通过其对货物运输和分销(物流)的影响。

电子商务可被视为零售购物的一种自动化,在零售业中产生相应的就业效应。过去顾客必须到商店挑选、购买产品并将其带回家,而现在消费者可以使用网页,将订单直接输入半自动化的供应链,由人和机器共同完成交货。

在40年的采用周期内,技术对物流和仓储的最大影响也许只是整个周期中的一个片段。信息技术和网络仍然在改变着整个系统。

与出行一样,有关配送的新闻报道可能会让人误以为工作机会即将开始枯竭。事实上,在谷歌上搜索“仓库自动化”就会出现7300万次点击,其中许多都是对新系统的促销活动,这表明市场格局正在发生迅速变化。毋庸置疑,这一图景里充满了令人兴奋的新技术和新投资。

但特别小组成员弗兰克·利维与韦尔斯利学院学生阿尔希亚·梅塔合作,发现了一个逐步采用的过程。他们询问了自动化供应商、配送中心经理、老牌公司和初创公司的领导者。 在最近公布的一项调查中,三分之一的受访者表示使用了自动导引车,但只有不到五分之一的受访者表示使用了自动包装解决方案、协作机器人或自动分拣技术。

与其他行业相比,物流业的地理位置较为分散,且更多位于农村地区。我们将物流定义为三个行业的总和:仓储、货运和货运安排(即经纪人和第三方物流供应商,或称3PLs),提供300多万个工作岗位(在新冠疫情暴发之前)。这相当于美国经济中约2%的工作岗位(约占制造业工作岗位的25%)。

电子商务推动物流业发生两个根本性变化。首先,该行业历来都是为了向当地零售商交付大宗货物以供销售而设立的。电子商务已经将大部分货物的运送终点从仓库和配送中心改为个人住所。其次,电子商务从根本上缩小了物流中心现在必须处理的订单规模,甚至缩小到单个物品。仓储业传统上是为运输大宗货物而建立的。卡车会在门前排队卸货,然后将产品重新码放,再大量运往商店、餐馆或其他仓库做进一步处理。但是,随着电子商务的发展,现在的仓库同样有可能处理大量的单件或小批量物品,例如,加利福尼亚客户订购的一件玩具,或者康涅狄格州医生办公室订购的几瓶洗手液。

梅塔和利维认为,如果我们把物流就业看作电子商务带来的就业增长和自动化带来的就业减少之间的拉锯战,那么目前就业增加取得了决定性胜利。 自2000年以来,卡车运输业增加了13万个工作岗位(达到175万)。同期,仓储业的就业岗位增加了一倍多,达到110万个(其中约30%是低工资体力劳动)。这些增长更多出现在农村地区,而不是城市地区。

从某些方面来看,尽管工作岗位大量增加,但生产率并未得到提高。行业统计发现,2000年至2014年,美国生产率提高了20%以上,但此后实际上有所下滑,导致2019年的生产率低于2000年的水平。对这种逆转的一个合理解释是,在电子商务时代,物流面临的挑战增加了。 如今,配送和物流中心面临着卸货、拆包、存储、准确选择(分拣)和包装产品的问题,小到珠宝首饰,大到50磅 一袋的宠物食品和大型体育器械。

仓库在采用自动化方面进展缓慢,从2014年到2019年,仓库出货量的快速增长是通过在自动化程度较低的设施中增加劳动力实现的。其中许多任务,特别是分拣和包装单个物品(逐个分拣),仍然由人工完成。从货盘上取下塑料包装这一简单的挑战,当前商用机器人仍无法胜任。

梅塔和利维写道:“在仓储领域,能够识别、抓取和操纵各种物品流的机械手臂仍处于起步阶段。”在自动抓取系统上正在投入大量的努力和资金,但估计需要3~5年的时间才能开发出会危及分拣和包装领域众多工作岗位的技术。 然而,这个时间框架并没有考虑广泛推广所需的时间,因为用最先进的技术改造旧仓库和物流中心是一项有风险的颠覆性投资(我们访谈的一些行业领袖认为自动分拣的时间表仍将延后)。如今,与人类相似的身体灵活性,包括人类奇妙的柔韧性,仍是机器人系统无法达到的。

与其他行业一样,对劳动和效率的主要影响来自几十年来信息技术的成熟应用。卡车运输效率的提高来自货运安排部门,其中数字工具改善了中介、装载和调度等流程。梅塔和利维写道:“重要的技术并不总是最新的技术。”

30年前,卡车经纪公司的一名员工利用名片、电话、人际关系和传真机将公司和卡车司机联系起来。当一家公司打电话给经纪人,告知其运输任务的要求,包括预期支付的费用(有待协商)时,连接过程就开始了。在建立联系的过程中,经纪人手中的名册规模是关键。有了大量的联系人,经纪人就有可能给卡车司机提供一系列运输任务,使卡车几乎不会空驶。

第三方物流公司的运作方式与此类似,但有一项重要的补充:需要规划一条高效的路线,让卡车司机将几家公司的货物运送到几个不同的目的地。到20世纪80年代末,第三方物流公司开始使用计算机电子表格(如Lotus 1-2-3)来帮助设计试错线路。

由于经纪人和第三方物流公司从事信息交易,数字化工具的发展大大增加了雇员能做的事情,并改善了他们做事的方式。对传统经纪人来说,建立联系的第一步不再是接到一家公司的电话,被告知货运工作。相反,许多公司现在直接在大型数字招聘网站上发布工作内容。经纪人会在一个或多个网站上寻找潜在的司机。由于能够同时查看大量的工作任务,这就更有可能设置一条减少空驶时间的送货路线。

一些初创公司正在扩大数字招聘网站的自助服务范围,鼓励司机使用专用的手机应用程序直接访问这些招聘网站。在少数情况下,初创公司可以利用机器学习来识别卡车司机喜欢的工作类型,并在此类工作出现时提醒卡车司机。虽然仍需要人工来处理可能出现的问题,例如,尚未准备好提货的预定装运,但这些初创公司正试图将经纪人的工作自动化,就像直接购买机票已经将旅行社的工作自动化一样。

与此同时,数字化使经纪人和第三方物流公司能够将以前由低层员工执行的高度常规化任务自动化。在某些情况下,第三方物流公司与企业建立了稳定的合作关系,可以提供自助订购门户,企业可以制定各项装运要求,如集装箱的类型和形状、准确的取货和送货地点、是否有危险品等。以前,这些信息可能需要一个人来回沟通交流来收集。过去需要人工从网上收集运送货物的文件(例如,已签名的交货证明),现在可以从网上自动抓取。

因此,特别是第三方物流公司,其就业结构已从小时工转向受过软件设计、数据分析和相关领域培训的工薪人员。同样,改变大多数仓库技术的不是机器人,而是通常被称为“仓库管理系统”的信息技术。这些软件系统记录和跟踪产品从一个装卸台到另一个装卸台,并与跟踪供应链的其他系统连接。

使用机器人系统的仓库要少得多。现代物料搬运协会(Modern Materials Handling Institute)在2019年开展的一项调查证实,虽然80%的受访者使用仓库管理系统,86%使用条形码扫描仪,但只有26%使用成熟的射频识别(RFID)标签技术。在自动货物运输方面,63%的企业使用传送带和分拣系统,但只有22%的企业使用自动化仓储系统(ASRS),15%使用自主移动机器人。机器人和自动化技术,尤其是与信息技术创新相结合,正在迅速发展,并以全新的形式出现。自动化仓储系统类似于盒装的自动仓库,尽管它们依然价格昂贵,而且只适用于最大的高吞吐量应用。在亚马逊Kiva机器人系统中,移动机器人大军将货架上随机混合的物品运送给人类拣货员,形成一套分布式自动化仓储系统。在其他“按灯拣货”(pick to light)系统中,计算机控制的灯光引导人工拣货员挑选商品。机器人小车(如被电商巨头Shopify收购的6 River Systems公司生产的机器人小车)陪伴拣货员穿过货架,帮助他们快速拣选订单。各种形式的自动化叉车和拖车正在找到利基应用,其稳健性和灵活性必将不断提高。

一位经理对梅塔和利维说:“我真正想要的是软件,它能跟踪现场的每个人和每台机器人,并告诉他们下一步应该做什么。”这样的系统今天已经存在,但它们非常复杂,开发和部署极其困难,尤其是在一个瞬息万变的行业中,根本难以满足需求。它们还引发了对监控的担忧。我们可以想象这样一个世界:整个订单履行中心或配送中心,甚至整条供应链,都将成为一个由人、机器人和基础设施组成的协作机器人系统,所有这些都可以通过软件快速重新配置。这种系统如何才能发展到重视人的自主性和灵活性,而不是简单地把工人当作受软件指挥的“自动装置”?

与制造业一样,更高水平的自动化在大型企业最为可行。

最大的仓储公司获得了潜在的巨大成本优势,因为它们有足够的资源来承担推行先进自动化所需的风险和费用。规模较小的公司通常以渐进方式进行自动化投资,租赁机器人作为一种商业模式取得了一定成功,因为它使小企业能够在瞬息万变的行业中应用机器人而无须投入资本。

除了仓储,物流业也将受益于上述自动驾驶汽车不断增强的能力。与其他自动驾驶汽车领域一样,物流业的自动化道路仍然漫长,方向依然不明。我们描述了长途卡车运输中的自动驾驶潜力。但是,即便无人驾驶卡车的问题得到完美解决,变革的时间就算不变也将是半代人的时间。典型的8级卡车(33000磅以上)在路上平均行驶14年才会报废(如果有更好的技术出现,可能会更早报废)。由一名人类驾驶员带领数辆无人驾驶车辆的自动排车系统可能很快就会出现,但对劳动力的影响更多是渐进式的。与其他类型的机器人一样,自动驾驶卡车可能会让规模更大、资本更雄厚的车队和企业车队获益,前者如J. B. Hunt公司,后者如美国联合包裹运送服务公司(UPS)和沃尔玛(Walmart)。

电子商务卡车运输业的就业增长主要体现在最后几公里的本地配送上。科技出版物上有大量微型送货机器人穿梭于城市街道或者无人机向农村地区运送急需药品的图片。这些可能性确实引人注目,而且这些技术也令人兴奋(在新冠疫情时期可能更是如此)。目前展示的这些送货机器人通常由人类操作员通过备用无线电控制系统进行监控。可以确信的是,这些操作员就像自动驾驶汽车和卡车的安全驾驶员一样,在未来的某个时候会被取代,或者对大型车队进行监督。但是,由于环境的复杂性,包括需要避开或绕过道路、宠物和不合作的(即普通的)行人,因此在一段时间内,很难在受限和明确界定的区域之外实现自动运行。

梅塔和利维总结道,至少在十年内,完全自动驾驶卡车不可能取代大量的卡车司机。在此期间,仓储可能会以低薪工作为主,其中一些工作可能会因分拣和包装自动化程度的提高而面临风险。自动化和机器人技术将为技术人员、软件开发人员、数据科学家以及类似的技能职位创造工作,但它们可能会淘汰更多的仓储拣货员、包装工以及卡车司机的工作。梅塔和利维指出:“货运安排(经纪人和第三方物流公司)的职业结构已经偏向于技能职位,而日常文职工作的持续自动化将加剧这种倾斜。”同样,新技术的发展将有利于大公司和中高技能工人。

当前的先进制造业与自动驾驶汽车类似,前景广阔的技术比比皆是,但是如何使这些技术稳健可靠却面临着无数挑战。

作为特别小组研究课题的一部分,麻省理工学院机器人教授朱莉·沙阿和她的学生研究了德国工业机器人的部署情况,这是整个欧洲正在努力推进的工业4.0的一部分。工业4.0起源于2011年德国的一项战略举措,被称为“第四次工业革命”。

工业4.0的目标是将工厂中的机器和任务流程连接起来,以便通过先进的数字工具对它们进行监测和控制。沙阿和她的团队评估了研究人员开发并被工业界采用的技术、开发人员面临的挑战、公司认为十分重要的未来发展方向,以及工业界广泛采用机器人技术面临的研发挑战。他们发现,在研究环境中展示的技术潜力与当今车间的实际使用情况之间存在巨大差距。

沙阿和她的团队研究了“自上而下”的自动化方法和“自下而上”的自动化方法,在前一种方法中,任务要适应技术,在后一种方法中,工人从需要完成的任务开始,相应地调整技术。一般而言,自下而上的方法似乎更成功,因为解决方案更贴近需要改进的人和任务。一家公司在工厂车间设立了机器人体验中心,工程师与生产线工人密切合作,在那里提出新的想法,制作解决方案的原型,并对生产线进行改造。公司更倾向于“为任务编程,而不是为机器人编程”,也就是说,解决要完成的更重要的工作,让人们能够指导机器人的部署,以提高生产率和消除“痛点”。正如特别小组的其他研究表明,工人的声音仍然是当今自动化成功的重要组成部分。

将机器人技术融合到生产线仍面临挑战。几十年来,工业机器人已经得到大规模应用,但大多数机器人对周围的人来说仍很危险。安全系统的创新使机器人系统能够与人更紧密地合作。协作式机械臂是解决这一问题的一种方法,它们携带的有效载荷较轻,运行速度较慢,而且具有其他特性,可以在笼子外工作。它们的低成本也降低了实验和部署的门槛。不过,为了确保安全,协作机器人的运行速度比笼式机器人慢,这就降低了它们的产量和能力范围。

重新思考生产系统,将信息技术与运营技术(OT)相结合,并生成大量实时数据,这既是技术方面的挑战,也是认知、社会和组织方面的挑战。

但是,即使机器人的成本在下降,将它们集成到现有生产线上的人力成本仍然很高。目前,人们正在设计更好的界面和更简便的编程来简化向自动化的转型,但由于缺乏标准和集成所需的高水平人工技能,这项工作仍受到阻碍。事实上,工业“物联网”(IoT)——低成本、无处不在的传感器网络——应用一直进展缓慢,主要原因是数据和安全问题以及价值不明确。数字孪生(代表物理对象的计算机模型)、高级仿真以及增强现实和虚拟现实系统都是未来自动化调色板中大有可为的色彩,但要广泛采用,还需要克服类似的挑战。

技术瓶颈依然存在:视觉、感知和传感,以及稳健性和可靠性。例如,“基于深度学习的方法”,“在工业环境中还没有很好地兑现其前景”。 这些技术需要大量数据,而这些数据在工厂中很难获取;这些技术往往比较脆弱,难以适应新的情况,而且对原始数据来源和环境变化非常敏感。

自动导向搬运车(AGV)已在物料运输(如上文讨论的仓储)行业中产生影响。这些移动机器人可以在生产环境中搬运从小型手提箱到大型车辆的各类物品。未来的愿景包括由自动导向搬运车上的产品经各类自组装工作站构成的非固定生产线,其中的工作站本身就是由自动导向搬运车和机械臂组成的。但是,由于自动导向搬运车无法以生产操作所需的毫米级精度进行导航等,这一愿景尚未实现。

更好的界面使编程更容易,推动机器人系统的应用更贴近生产线,增加灵活性和降低成本。但是,由于机器人系统仍然难以编程,且价格昂贵,沙阿的团队发现,它们基本上仍然是工厂车间里的技术孤岛,而不是人工智能驱动的集成式数字海洋的一部分。他们的结论是,即使在根基深厚的德国,“这些技术也尚未渗透到工业领域”。

沙阿还发现了特别小组的其他研究指出的一个发展瓶颈:机器人不够灵巧。直到最近,机器人还在使用传统形式的两指钳子或单一用途的工具,这些工具可以拾取物体,但有可能损坏柔性或不一致的材料。最近,由机器视觉引导的专用自动机械手可以完成非常精细和精确的工作,例如在自动烘焙生产线上抓取有涂层的甜甜圈,而不会弄破闪亮的涂层。但这样的夹具可能只能夹起甜甜圈,而无法夹起一簇芦笋或一个汽车轮胎。

当今的机械手抓取系统发展迅速,能够抓取的产品和部件种类越来越多,但人们仍在寻找一种能在任何方向抓取任意产品的通用机械手。深度学习和其他人工智能技术在这方面发挥了助力(而且它们正在物流行业产生影响)。不过,尽管获得了投资且前景看好,但大多数人工智能技术对制造业务(manufacturing operation)而言仍过于脆弱,过于复杂,或过于缓慢。广义的机器人灵巧性问题可能和驾驶一样,是寻找AGI的另一个例子。制造和配送领域的主要企业告诉我们,这个问题还需要十年或更长时间才能解决。

这些发现很大程度上与特别小组研究咨询委员会成员苏珊·黑尔珀领导的麻省理工学院研究小组的结论相吻合。黑尔珀及其同事采访了美国许多大企业,主要是汽车公司及其一级(主要)供应商。 研究集中在汽车行业,是因为美国(乃至全球)大约40%的机器人都在这个行业。 虽然该行业的企业正努力向数据密集型和分析型制造转变,但企业内部以及企业和供应商之间的信息依然是独立的。与早期的大规模生产或精益生产范式不同,工业4.0时代仍处于实验和试点阶段,还没有“一套连贯、可重复的组织实践或人工制品来证明生产率的大幅提高”。 研究人员观察到,工业4.0技术主要是“对现有实践的附加补充,而不是对生产系统的全面改造”,通常从识别生产系统的“痛点”开始,并在此基础上进一步发展。

然而,重大变革正在发生。无论是生产传统汽车还是包含更多电动或自动驾驶成分的汽车,抑或使用增材制造技术生产新零件,企业都在尝试采用可灵活适应的技术和生产系统。总的来说,数字化尝试旨在提高从上游设计阶段到车间本身的制造周期的效率,并减少周期中每个环节的浪费。由于这些市场的不确定性,企业都在强调灵活性。与沙阿对德国的研究发现一样,黑尔珀的研究小组也发现,工人仍然是企业生产流程的核心。然而,企业在如何使用技术方面有着不同的做法,这影响了哪些技术可以替代或补充工人技能,哪些技术可能是引发组织冲突的原因。在某个案例中,一家公司的数据科学家开发了某种算法,来确定何时应该更换冷却风机;技术人员却对要求他们遵循算法、放弃自由裁量权的程序持抵制态度。然而,当预测出风机何时需要维护的准确率达到95%时,技术人员接受了这项技术,并意识到他们不需要像以前那样经常“救火”。在另一些案例中,企业增添或加重了车间工人解决问题的任务。某家公司引进了机器视觉系统,起初报告缺陷急剧增加。由于工人在统计过程控制方面的经验和培训,他们能够迅速指出许多缺陷是机器视觉系统误报的。他们与工程师一起确定了如何重新定位视觉系统,以获得更好的效果。

许多公司表示,它们理想中的员工队伍应将年长、经验丰富的员工在该领域的实践知识与较新、较年轻员工精通的技术知识结合起来。这些公司正在围绕这一目标组织团队和培训。一些企业投入大量资源提升员工技能,并开发为个人量身定制的精细化培训模块,帮助老员工提高技能,让新员工掌握特定领域的实践知识。这些大公司利用外部机构(如社区学院)进行培训的程度存在很大不同。

重新思考生产系统,将信息技术与运营技术结合起来,并生成大量实时数据,这既是技术方面的挑战,也是认知、社会和组织方面的挑战。一家一级供应商的北美业务经理说:“最复杂的不是设备或技术,而是人们的价值观。我们的维修人员喜欢身着工服飞奔到车间来修理设备。他们会说工作就是修理东西,但我觉得更好的工作是防止东西损坏!”预测性分析就是用来实现这一目标的。但是,落实这种看似常识的想法并不简单。如果主管看不到技术人员解决紧急问题,他们可能会觉得技术人员没有努力工作;如果需要解决的紧急问题减少,技术人员可能会担心自己的工作不保。企业需要调整激励机制,以确保工人始终重视努力工作。最终,关于如何使用、解释和共享数据的决定会影响工人如何融入未来的工厂,以及工作岗位是降低技能还是提升技能。正如本研究的其他方面一样,管理实践在塑造技术采用方式上至关重要。

沙阿的研究团队关注德国的机器人制造商和相对前沿的公司,黑尔珀的团队则关注美国的大型汽车相关公司,这些公司多年来一直在生产中使用机器人技术。工作组成员苏珊娜·伯杰带领团队研究美国制造业,尤其关注中小型制造企业。伯杰曾于2013年领导麻省理工学院的“创新经济中的生产”研究,她的研究借鉴了数十年来在美国、中国、日本和欧盟的研究成果。

美国的一些企业,包括汽车工厂和亚马逊的仓库,在使用先进自动化技术方面进展顺利。但伯杰团队的研究人员发现,一些大公司的自动化程度和中小企业之间存在显著差距。

研究团队走访了俄亥俄州、马萨诸塞州和亚利桑那州的44家美国公司,其中10家是大型跨国公司,34家是中小企业。中小企业是指员工数少于500人的公司,它们占美国所有制造业企业的98%,雇用全美43%的制造业工人。研究小组研究的公司中,有一半以上曾参加过2013年的研究,因此可以对不同时期的变化进行一些分析。

与其他发达工业化国家相比,美国制造业的生产率在过去几十年中增长缓慢,中小型制造业企业的增长速度甚至更慢。如果我们想加快经济增长,转向“绿色”生产,或提高工资,伯杰团队的研究强调,我们需要了解中小企业为何、何时以及如何获取新技术并培训工人掌握新技能。研究人员询问了每家公司在过去五年中采用新技术的情况,他们如何找到操作设备的技能,以及当新技术与以往截然不同而需要新的操作人员来完成任务时,原来从事这项工作的工人将何去何从。

该团队的报告表示:“我们读过一些文献,预测在5~10年里,将有一大批机器人取代工人。所以,当发现很多地方实际上机器人数量不多时,我们非常惊讶。”他们发现采用机器人最多的公司是一家俄亥俄州的公司,他们曾于2010年首次访问这家公司,该公司后来被一家日本公司收购。现在,这家公司有一百多台机器人,而员工人数增加了一倍多。研究团队发现,在他们研究的俄亥俄州所有其他中小企业中,过去五年只购买了一台机器人,马萨诸塞州的中小企业购买了一台,亚利桑那州的购买了三台。

同样重要的是,这些中小企业的经理给出了机器人稀缺的原因。有几家企业表示,他们希望能够购买机器人,但他们接到的订单一般规模不大,很少有购买的理由。中小企业大多是多品种、小批量的生产商。机器人仍不够灵活,无法以合理的成本从一项任务切换到另一项任务。据沙阿报告,机器人价格占总成本的25%左右。 其余的就是编程和集成到工作单元或流程中的成本。

然而,所有被研究的公司在过去五年里都购买了新设备或软件,包括数控机床、新焊接技术、激光和水刀切割机以及传感器。他们还购买了计算机辅助设计(CAD)、数据分析甚至区块链软件。它们采集了有关生产流程的数据,不过,与受访的大公司管理人员一样,中小企业的经理们表示,他们不知道如何处理收集到的大部分数据。

小企业倾向于逐步实现自动化,在这里或那里增加一台机器,而不是安装购买和集成成本更高的全新系统。这种方法最大限度地减少了对工人的干扰,同时普遍提高了工厂的生产率。

通常情况下,技术采购意味着用新的硬件和软件改造现有的机器,而不是购买新的机器。这种做法导致了技术分层,新旧设备同时使用,有些旧设备可以追溯到20世纪40年代。这可能是中小企业获取新技术通常不会导致裁员的原因之一。没有新设备操作技能的年长工人继续使用旧机器,而对最新技术感到兴奋的年轻工人可能不愿意投入时间学习操作旧设备。研究人员在2013年和2019年访问的公司在此期间都增加了员工数量,没有公司报告因引进新技术而裁员。

即使对于一些受访的大公司来说,如今的自动化既是为了提高质量,也是为了节约劳动力。波士顿一家工厂的经理认为,他们的目标不是“熄灯”,而是“调暗灯光”,也就是说,不再让工人在装配线上操作,而是让他们在车间里分析屏幕上的生产统计数据。不过研究人员指出,在过去20年里,该工厂的工人数量减少了50%。

客户的新订单和新生产需求推动了中小企业引进新技术。新技术又推动了对新技能和培训的需求。当研究人员询问经理们对新员工的要求时,最常见的回答是:“能按时到岗并留下的人。”许多管理人员对社区学院和他们希望填补的其他工作项目的价值深表怀疑。只有当先进技术进入车间时,他们才开始寻找技能人才。“最佳雇员”应该是以前做过同样工作的人,但这样的人很少,至少在经理愿意支付的工资水平上是如此。因此,经理们通常会求助于他们已经雇用的年轻员工或更有进取心的员工,询问他们能否弄懂如何使用新的软件或硬件。工人们通常求助于在线视频。一位工人在网上学习如何掌握一套新的CAD/CAM(计算机辅助设计与制造)软件,以便在新的数控机床上工作,他说:“技术向前迈出一步,工人也就向前迈出一步,人与软件一起成长。”

鉴于上述原因,一条既能提高生产率又能改善就业的光明之路,首先是帮助中小企业采用先进制造技术。目前,与中小企业合作的最大的全国性项目是制造业扩展合作伙伴关系(Manufacturing Extension Partnership, MEP),其重点是改进“精益”制造实践;还有美国制造研究所,它主要与大型制造企业合作,支持和推广应用式研发。新的计划和政策杠杆可以推动中小企业的技术应用和技能发展,而中小企业仍然是美国制造业的重要支柱。

尽管标准化大规模生产在20世纪兴起,但今天的制造业仍然是一个高度动态变化的环境。模式的变化、技术的发展、供应链的转移,甚至英国脱欧和疫情等动荡,都意味着21世纪的制造业是在不断变化的环境中运行的,即使稳定的、高度标准化的产品也不例外。前一天安装在底盘上的橡胶垫圈,第二天更换供应商后,其安装方式可能就不一样了。在大多数变量固定、操作高度标准化的情况下,机器人和自动化仍能发挥最佳作用,而人类工人仍是适应不断变化条件的关键。新的人工智能和基于机器学习的机器人技术、新的传感器和执行器,以及新的软件正在使这些机器更加灵活,但仍然处于漫长演变的早期阶段。

在技术应用周期的另一端是增材制造,俗称3D(三维)打印。3D打印技术发展迅速,可能成为未来最具颠覆性的制造技术。使用一台机器制作复杂的成品部件有可能取代大量的生产工作。航空航天工程师现在使用3D打印制造检测工具和汽车零部件,其他制造商也在机器上制造原型和固定装置。这些机器正在普及,但它们的使用仍然有限,而且主要集中在内部技术预算充足的大公司。

在过去十年里,3D打印因其对制造业和供应链的潜在影响而引起了广泛关注。传统上,3D打印并不属于机器人范畴,但我们可以把它看作一种桌面机器人,它将硬件、材料和软件结合在一起,以全新的方式制造物品。这些机器已成为“制造者”的消费品,并引起了工业界的强烈兴趣。在使用现场生产原型、部件甚至全新产品的能力具有深远意义。供应链的数字化可以延伸到采购点和部署点。生产可以分配到数字仓库,按需生产零部件。梅赛德斯-奔驰等公司已经使用这种技术为传统车辆打印备用部件。

增材制造区别于减材制造,如机械加工,后者是用切削工具从钢块等原始材料中减去材料。在增材制造中,材料是由计算机控制的铺放头(placement head)以小增量铺设的。我们熟悉的消费级桌面3D打印可以打印彩色塑料和小型零部件,而如今的快速成型机器则可以打印从纳米级到大型结构件或金属部件,使用的材料从高精度聚合物到航空航天级钛。

增材制造技术的威力不仅在于制造的瞬间,还在于它能深入设计的上游和供应链的下游。减材制造必须遵守切削工具的规则,增材制造则颠覆了成本和复杂性之间的传统权衡,为设计师实现复杂形状提供了更大的自由度。它还为人工智能“生成式设计”技术打开了大门,人工智能可以设计原型,然后由增材制造技术建造原型,由工程师进行测试,这些原型可以以全新的方式优化零件的成本、重量或强度。专家预计,增材制造技术将补充而非取代减材制造,并对产品的设计、制造和上市方式产生深远影响。

特别小组成员、增材制造领域的权威专家约翰·哈特(John Hart)写道:“如果不是因为利用增材制造技术将数字信息快速转换为物理形式,实现大规模定制是不可想象的。”哈特和他的团队对增材制造技术的传播进行了研究,得出的结论是,增材制造技术最终将使公司能够毫不费力地满足不断变化的需求。 增材制造技术还能为新业务开辟道路,而如果没有这种工具,新业务是不可能存在的。例如,Align Technology公司的产品隐适美(Invisalign)可以根据患者的口腔扫描结果定制正畸保持器。

可配置的生产资产,包括增材制造系统,可使企业在不确定时期做出快速反应,在必要时调整其生产活动。例如,在新冠疫情期间,各增材制造企业迅速利用现有的生产基础设施和预认证的医疗级材料生产鼻咽拭子。这些拭子对病毒测试至关重要,但在危机初期却严重短缺。该项目由哈佛大学和麻省理工学院的教师发起,并与Desktop Metal、Formlabs、Carbon等公司合作,在启动后的几周内,每周就能生产数百万个拭子。

然而,由于成本高昂(尽管在不断下降)和缺乏通用标准(可能需要数年时间才能制定),增材制造技术的大规模应用及其对就业的潜在影响都比较缓慢。基于增材制造的系统仍然不具备大规模生产所需的高速度或低成本,而这种大规模生产在减材制造领域已经发展了一个多世纪。组装部件的材料特性可能缺乏可预测性,而减材技术已经可以为关键部件提供可预测性。增材制造设计、测试和材料的标准都还暂付阙如。而且,具有讽刺意味的是,从我们对工作流失问题的讨论来看,该行业的发展目前受限于受过增材制造技术培训的专业人才不足。随着时间的推移,从高速增材制造型生产设备的创新到新的培训渠道限制都将得到解决。

因此,与其他领域一样,我们看到采用智能培训策略使工厂工人轻松胜任新角色的机会。制造商需要的工人队伍可能会缩小,但剩下的工人需要接受专业培训,才能操作新机器。

在昆兰(Quinlan)和哈特的研究中,俄亥俄州一家小工厂的老板预测,他可以在大约十年内完全转向新技术,如果他的产量保持不变,这将会减少许多工作岗位。但他也相信,与竞争对手相比,自己的生产率会越来越高,因此员工数量也可能会增加。这究竟意味着更多的行业工作岗位,还是仅仅意味着该公司的工作岗位增加,而竞争对手的工作岗位减少,取决于客户需求对质量提高和成本降低的反应。

正如早期的重大技术进步,如可互换零部件、流水线和互联网连接,需要数年才能普及一样,在整个经济中推广当今的先进技术也需要时间。互联网、移动和云计算以及20世纪90年代和更早期其他创新技术的引入产生的深远影响仍在继续。人工智能、机器学习、机器人技术和增材制造技术确实有望改变经济,而这些变革将是管理者、组织和商业模式的数千项创新的结晶。

加书签
详情
加书架
打赏
投票
自动滚动
设置
夜间

评论 0条

加载中...

设置

阅读主题
正文字体
字体大小
18
页面宽度
滚动速度
5
语音朗读
翻页模式
💎

余额不足

您的水晶或能量余额不足,请充值后再试。

立即前往充值

🎫 投月票

1 张月票 = 1.00 水晶。感谢支持!

🎁 打赏作品

打赏将直接扣除水晶余额,鼓励作者创作。