◎　创设可叠加、可移用的资格证书

要克服信息不对称的问题，需要设立雇主和学习者都很容易就能识别的可靠的资格证书。如果终身学习由更短期、更频繁的学习组成，那么技能需要以可以衡量的方式积累起来（可叠加），而且很多公司和行业都会认可其价值（可移用）。

资格认证的问题对终身学习议题来说至关重要。目前的教育证书是以学位证书等为基础的。学位实际上就是一张纸，拿到这张纸有可能会带来相当大的经济收益。但是，学位证能证明个人积累了有用的技能吗？如果能证明，那么雇主肯定会对你成绩单上每门课考了多少分之类的细节更感兴趣。

另一种解释是教育的信号理论，迈克尔·斯宾塞（Michael Spence）就因为这个理论获得了诺贝尔经济学奖。斯宾塞指出，大部分雇主都想聘用能力强的人，但是他们需要一个办法来确定谁的能力强。这可能是因为教育的成本很高（从学费和失去收入的角度来讲），而且并不能提供有用的技能。然而，如果只有能力强的人才能修完这些课程，那么这对雇主来说就是一个信号。根据这个假设，教育本身并不会真的提高生产力，因此能力低的人不会去修那些课程，因为他们什么都学不到，还很可能考不过。这样一来，教育资格就把能力弱的人筛了出去。

凯利·帕尔默和戴维·布莱克在他们的著作《专长经济》（Expertise Economy）中问道：“如果你有两种选择，一种是接受哈佛教育但拿不到资格证书，一种是不上哈佛的课但给你发一张哈佛学位证，你会选择哪一种？”^〔15〕这个问题的答案在很大程度上说明你对教育究竟是提高了生产力还是仅仅是个信号的看法。

归根结底，雇主真正想知道的是关于个人技能的信息，以及选出最佳应聘者的方法。在现在的几种方式中，学位证、推荐信和面试表现都不完美。议题很明确：需要有种更好的方式，为个人学习过的所有知识颁发证书，无论是在教育机构正式上学还是在工作中学的，还需要一种能将机构证书放进实际衡量标准中的简单办法。

大数据和人工智能可以提供一种可验证的方式来衡量学习成果和专长，因此可能会发挥关键作用。我们的愿望是，就像网飞平台背后的机器学习能识别和预测个人观看节目的规律一样，同样的原理也可以应用于技能。通过监控学习活动（经验、阅读和工作经历），可以对技能形成多维度的描述。接下来这个描述可以用于确认当前知识与未来需求之间的差距，并用算法来推荐课程以填补这个差距，并测试进展。放眼未来，对我们来说，人工智能在教育领域最大的用处，也许并不是作为学习平台，而是提供方法，以衡量、监控和认证个人通过行动和产出所学习的知识。

在这里，围绕着“软技能”的范畴，也就是在技术变化中将越来越需要的那些最重要的人类技能，会有一个特殊的挑战。1980—2012年，要求高度社交互动的工作在美国劳动力市场上的份额增长了将近12%，而与此同时，数学密集型工作的份额实际上有所下降。^〔16〕很多在网上成功进行的短期课程都集中在编程等技术技能上。问题将变成如何以有利于就业的方式，扩大以同理心、判断力和合作等人类核心技能为基础的课程规模。^〔17〕随着新的能够模拟和支持面对面互动的发展出现，尤其是虚拟现实技术的出现，我们期待着情况会发生变化。^〔18〕

最大的问题是承认和制定。放眼未来，雇主承认这些新的资格证需要多久，学术机构、私营教育提供商、雇主和监管机构又会如何制定这些资格证？这个问题的核心是，监管机构或学术机构需要系统性地向自愿标准转移。如果做不到这一点，成人教育就无法成为我们长寿人生的关键支撑力量。