最近几个月来,每天几乎都有AI取代工作岗位的坏消息传来。上周四,英国电信公布最新计划,宣布将用AI技术取代1万名员工。
纵观整个欧洲,关于自动化技术对就业市场的影响已经出现了种种预测,人们普遍认为重大变革已经避无可避。冲击之下,我们也迫切需要采取相应的解决行动。
以下五项干预措施或将缓和AI革命带来的焦虑情绪。
推动劳动力再培训
早在AI无情渗透进工作场所之前,“终身雇佣”的概念就早已泯灭。从业者们越来越习惯于定期更新自己的知识和技能组合。
政府可以通过政策缓和此番剧变。意大利本周就启动一项新的基金,用于对雇员开展技能再培训。划拨的1000万欧元款项将帮助岗位可能被自动化替代的工作群体更新劳动技能。
虽然资金总额不高,但仍是个好的开始。
调整教育制度
除了提高现有劳动力的技能水平外,学生也需要帮助,以便为未来的工作环境做好准备。
为了支持学生群体,分析人士推荐了各种教育改革思路,内容从面向技术类岗位的理工科学技能、到人们在整个职业生涯中都必不可少的软技能储备。
其中一种热门思路是优先考虑“面向21世纪的技能”,包括创造力、批判性思维和沟通能力等。另一条主线则强调建立高度专业化的知识培训体系。例如,芬兰已经推出免费的AI在线课程,充分诠释了“打不过就加入”的精髓。
工资补助
技术未必会彻底消灭岗位,有时候只会慢慢削减传统工作的收入水平。Uber的兴起并没有减少路上出租车的数量,但却实实在在压低了出租车司机群体的工资。
缓解收入损失的方法之一是提高工资补助,保障低收入群体“劳有所得”的原则,至少提供能够维持生计的福利待遇。另外,还可以从儿童保育、所得税抵免或者向被自动化拉低收入的岗位提供工资保险等角度入手,变相提高劳动者的工作所得。
虽然这些方案成本不菲,但还是比直接向失业人员发放救济金更经济实惠。保留工作岗位也能给民众提供更多满足感和社会效益。
创造更多“好岗位”
对于受AI冲击而失去工作的民众,政府可以考虑帮他们找到“更好的岗位”。
美国劳工部前首席经济学家Harry Holzer认为,“好岗位”应该满足薪酬丰厚、晋升机会清晰且具备一定保障等标准。
Holzer在布鲁金斯学会的一篇博文中指出:“为能够创造‘好岗位’的雇主提供税收和资金补贴,能鼓励他们进一步提高岗位质量。另外也可以考虑对企业雇主提出强制要求,但务必注意具体内容不能过于严厉、成本不能太高,否则反而会加剧雇主选择自动化技术的意愿(在美国低收入地区,强制推行的15美元最低时薪,就起到了这样的反效果)。”
提供全民基本收入保障
任何缺少全民基本收入保障的施政建议,都明显称不上完整。
具体概念非常简单:每位公民都将得到一笔固定款项,用于维持他们的基本生活。支持者认为这种政策有助于消除贫困、改善福祉并实现财富的重新分配。而批评者则警告称此法成本高昂,反而会加剧不平等问题并消除工作动力。
不管大家喜不喜欢,这个概念在欧洲正越来越受到追捧。YouGov最近组织的民意调查发现,全部七个接受调查的欧洲国家都相对支持此类政策。德国、西班牙、意大利和英国的受访者大多表示赞同,瑞典存在一定的反对声音,法国和丹麦的反对意见更强。
虽然全民基本收入保障绝非社会福利的唯一选项,但至少值得在这份建议中占据一席之地。
好文章,需要你的鼓励
最新数据显示,Windows 11市场份额已达50.24%,首次超越Windows 10的46.84%。这一转变主要源于Windows 10即将于2025年10月14日结束支持,企业用户加速迁移。一年前Windows 10份额还高达66.04%,而Windows 11仅为29.75%。企业多采用分批迁移策略,部分选择付费延长支持或转向Windows 365。硬件销售受限,AI PC等高端产品销量平平,市场份额提升更多来自系统升级而非新设备采购。
清华大学团队开发出LangScene-X系统,仅需两张照片就能重建完整的3D语言场景。该系统通过TriMap视频扩散模型生成RGB图像、法线图和语义图,配合语言量化压缩器实现高效特征处理,最终构建可进行自然语言查询的三维空间。实验显示其准确率比现有方法提高10-30%,为VR/AR、机器人导航、智能搜索等应用提供了新的技术路径。
新一代液态基础模型突破传统变换器架构,能耗降低10-20倍,可直接在手机等边缘设备运行。该技术基于线虫大脑结构开发,支持离线运行,无需云服务和数据中心基础设施。在性能基准测试中已超越同等规模的Meta Llama和微软Phi模型,为企业级应用和边缘计算提供低成本、高性能解决方案,在隐私保护、安全性和低延迟方面具有显著优势。
IntelliGen AI推出IntFold可控蛋白质结构预测模型,不仅达到AlphaFold 3同等精度,更具备独特的"可控性"特征。该系统能根据需求定制预测特定蛋白质状态,在药物结合亲和力预测等关键应用中表现突出。通过模块化适配器设计,IntFold可高效适应不同任务而无需重新训练,为精准医学和药物发现开辟了新路径。