后工作世界人类社会的收入分配
上述所有探讨,都是建立在当前“弱人工智能”阶段之上的。随着大数据和深度学习技术的高速发展,人工智能可以利用庞大的数据集,在自我学习、自我适应、自我归纳、自我创新的基础上,与意识、感性、知识和自觉等人类特征互相联结,实现“机器控制机器”的新型生产方式,也就是“强人工智能”阶段。(44) 到那个时候,“奇点”便到来了,即机器智能将会完全超越且脱离它的主人——人类智能。于是,第一台超级智能机器就是人类“最后的发明”,之后无论是设计还是生产,都不再需要人类劳动。这将导致十分可怕的后果:大多数人将沦为尤尔·赫拉利(Yuval Harari)笔下的“无用阶级”或“无用的物种”。(45) 一旦成为现实,前文所有应对方案都将变成权宜之计,不过只是在拖延时间而已。
在戴锦华看来,到“强人工智能”阶段,贫富差距的问题之上,又叠加了一个更残酷的问题,即“弃民”问题。人类几乎丧失了所有不可被机器替代的特征,以往因生产规模缩小而产生的大规模劳动力后备军,在未来会因为新的生产方式而成为永远过剩且多余的劳动力。(46) 这将给经济带来灾难性的冲击,原因在于:虽然企业节省了工资支出,降低了生产成本,但一个经济体如果使用越来越少的劳动力,分配越来越少的工资给劳动者,那么家庭的购买力必将江河日下。一旦人们没有足够的金钱去购买商品,而生产的商品数量还在持续增加,支撑市场的相应的需求增长将从何处而来呢?对此,全球著名的未来学家马丁·福特(Martin Ford)阐述道:一方面,全球资本主义体制似乎走到了吸收劳动力的“最后阶段”;另一方面,机器不断代替人力生产出更多更好的商品。当这两种情况同时出现,我们亟须思考和关注过剩和多余劳动力将如何生活的问题。(47) 可能的办法或许是建立一种国家规定的税收制度,税源是通过“回收”新技术创造出来的生产力增长成果,再把这些税收当作“购买力”,分配给大众。虽然目前来看,这种“激励性再分配方案”设计起来较为困难,尤其是要在“养懒汉”和“托底”之间寻找到动态平衡点,但不少国家开始试验的“全民基本收入”或“无条件基本收入”(unconditional basic income)就是这种思路的现实产物。
作为一项极具建设性的倡议,全民基本收入这个全新的概念呈现在公众面前,用来确保数字时代每一位劳动者和出于各种原因(如伤残、失业等),暂时或终身无法参加劳动的社会成员的基本收入,对许多无法找到一份维持生计工作的个体而言,这既是一项公民权利,又是弥合社会不平等的一剂良方。令人感到欣喜的是,全民基本收入的概念已经得到了全球科技界领袖人物广泛的支持,他们在芬兰、加拿大、荷兰和意大利等国开始了一系列国家和地方层面的试验,这对于从根本上帮助数字时代劳动者消除因劳动关系、劳动过程和劳动保障方面的变化而带来的无措感,以及克服由数字技术和ICTs的发展导致的对工作消亡和人力淘汰的恐惧感极具价值和意义。
现有新闻报道和学术文献不乏对基本收入的讨论,主要涉及制度设计、实施范围、政策结果等各个面向。不过,稍显遗憾的是,大部分文章尚未交代清楚一个根本问题:资金从哪里来?如果只是从现有税收中抽取,势必引发纳税人的愤懑和抵触,是否另有更具正当性的资金来源呢?
在此,2020年美国总统选举民主党初选候选人杨安泽(Andrew Yang)的思路颇具启发性。他主张“自由分红”(freedom dividend),即政府无条件给全国所有人每人每月发放1000美元,理由便是“未来很多重复性的劳动力工作将会被机器、数据和自动化等新科技取代”——有了这份收入,就等于有了基本的财务支持,受惠者就能腾出充分的时间来做有意义的事情,比如抚养孩子、照顾病弱、参加社区服务,等等。根据他的计算,刨去已经在社会保障体系中的受保者(社保和“自由分红”二选一),实际上只需要1.8万亿美元的资金投入就可以将此主张付诸实践。然而,这个主张最大的亮点在于他对资金来源的设想:通过对高科技企业征收增值税的方式来获取这1.8万亿美元——亚马逊每出售一本图书、谷歌服务器每进行一次搜索,都需要向政府缴纳增值税。这样即便这些高科技企业全部实现智能化生产,也能保证政府从它们身上获取税收。目前,他设想的税率是欧洲的一半,所以也无须担心本土企业的外迁。(48) 这个设计实际上与福特的想法不谋而合,即新的税源来自新技术创造出来的生产力增长成果,而后用于补贴大众。但是,杨安泽还是没有阐释清楚,为什么要向高科技企业征税来补贴大众?因为他没能点出人工智能的生产资料问题——数据,以及数据生产者尚未被支付报酬这一事实。那么,传播学,特别是批判传播学研究可以提供怎样的洞见和方案呢?
默多克在讨论机器的道德经济时,曾鼓励传播学人走出公认的“舒适区”,与不熟悉领域的研究人员合作,有效介入围绕新兴通信设备和网络展开的辩论,如由技术引发的结构性失业问题。(49) 批判传播研究吸收了来自经济学、政治学、网络法学领域的最新成果,已经逐渐认识到数据不只是隐私和信息传播的副产品,而是数字经济乃至后续所有发展模式必不可少的生产性资源,应该从生产关系和用户劳动的视角来审视数据问题。(50) 更何况,人工智能和算法要想改进,新的自动生产模式想要趋于完善,就必须浸润在充足的高质量数据中学习与训练——其中就包括个体(作为用户/劳动者)在无意识间生产出来的海量数据。他们很少意识到这些数据的生产价值或在启动机器语言时所发挥的重要作用。(51) 数据来自用户/劳动者的生产、生活、传播和电子媒介的使用行为,后者却没有任何收入所得和讨价还价的能力,因为在他们反应过来之前,大量宝贵的数据已经被平台或高科技企业打着“清洗过”和“去身份识别化”的幌子私有化了,这与互联网巨头崛起之初无偿“圈占”传统媒体和用户生成内容来壮大自己何等相似!
因此,有学者开始主张个人对数据享有收益权,这种收益权绝对不只是建立在侵权保护规则之上的、基于企业过错而偶尔为之的“赔偿”,毕竟,对于企业而言,被处以罚款和经济索赔不过是“九牛一毛”,很难构成实质性的成本压力,也不能惠及初级生产资料提供者——广大使用者。(52) 特别是从“数据圈地”(data enclosure)运动的原始积累中发展起来的人工智能,应该给予每一位数据生产者以经济补偿。部分学者认为,当前的“免费数据”换取“免费服务”的模式难以持续产生高质量的数据,自然也会限制人工智能的加速迭代。与此相反,企业应该将数据看作用户/劳动者的劳动成果,为使用这些数据付费,即向数据生产者提供“最低数据工资”——这有益于创造新的就业机会和为人工智能的井喷式发展提供不竭的动能。当然,这种分配是采取企业和用户/劳动者间单独定价和支付,还是由国家汲取税收后进行集体再分配的方式,仍然存在争议。不过,“数据劳动”很有可能成为大规模智能化未来仅剩的“有用”工作,一种为人们提供收入和意义的全新生产方式。(53)
古往今来,人类社会的运行、维系与进步,皆仰赖于劳动及其果实。不仅如此,人类本身也在劳动中创造自己,李大钊曾言,“一切乐境,都可由劳动得来,一切苦境,都可由劳动解脱”(54) 。正因如此,当机器可能危及人类劳动时,紧张情绪才会徘徊不去,萦绕在人们的心间。
本章借“卢德运动”是否会重演来发问,意在探讨目前人工智能与工作之间到底是一种怎样的关系。研究认为,替代与创造实际上是“共时的”,即都在发生,但速率不同,恰恰因为速率不同,它们又是“历时的”,因为前者可能快,先发生,后者可能慢,甚至迟到。替代之后,创造之前,存在着时间差。我们相信,这是符合基本事实的——毕竟,在成千上万名司机可能因为无人驾驶技术失去工作时,要他们习得新的技能、实现“人机共融”并顺利再就业,需要不少时日。如果不能尽快缩短这个时间差,新“卢德运动”也许就在不远处。
况且,在技术因素以外,我们还能看到,替代与创造还存在工作性质和任务方面的差异,劳动力结构和社会阶层可能随之发生两极分化,加之全球政治经济秩序的不平等现状,各国劳资关系和国家角色的多样性,人工智能对于不同国家或地区、不同行业,甚至不同工作种类的劳动者的影响都将迥然相异。要确保人工智能对就业的冲击维持在一个总体可控的水平上,实现替代与创造的均速和平衡,还需要国家和政府、科技企业、技术开发者、工会组织、教育机构、劳动者和其他利益攸关方取得共识,多管齐下,才能最大限度避免这场转型中的多数人成为技术进步的“败者”。当然,这只是工作世界的未来,那么后工作世界的未来呢?一旦“强人工智能”时代到来,人类社会不得不为“无工作可为”早做准备。所幸,我们每分每秒都在生产的海量数据,或可成为未来安身立命,获取收入的基本分配依据,这也不失为一种合理的社会想象。
(1) 亚历克斯·德·鲁伊特、马廷·布朗、约翰·伯吉斯,姚建华、房小琪编译:《零工工作与第四次工业革命:概念和监管挑战》,《工会理论研究》2019年第3期。
(2) 李颋、凌霞:《从2018年全球人工智能数据看未来发展趋势》,《光明日报》,2019年1月17日,http://www.xinhuanet.com/tech/2019-01/17/c_1124000825.htm。
(3) 德勤:《全球人工智能发展白皮书》,2019年9月24日,http://k1.caict.ac.cn/yjts/qqzkgz/zksl/201909/t20190923_212772.html。
(4) 裴长洪、倪江飞、李越:《数字经济的政治经济学分析》,《财贸经济》2018年第9期。
(5) 黄欣荣:《人工智能与人类未来》,《新疆师范大学学报(哲学社会科学版)》2018年第1期。
(6) 张学英:《人工智能视阈下基于劳动就业迭代的技能形成问题研究》,《中国职业技术教育》2018年第30期。
(7) 潘天君、欧阳忠明:《人工智能时代的工作与职业培训:发展趋势与应对思考》,《远程教育杂志》2018年第1期;Brynjolfsson, Erik and Andrew McAfee. The Second Machines Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. New York: W. W. Norton & Company, 2014.
(8) Deloitte Insights. Deloitte and the Manufacturing Institute Skills Gap and Future of Work Study, 2018,http://www.themanufacturinginstitute.org/~/media/E323C4D8F75A470E8C96D7A07F0⁃A14FB/DI_2018_Deloitte_MFI_skills_gap_FoW_study.pdf.
(9) 邱元阳:《人机关系:从卢德运动到机器换人》,《中国信息技术教育》2019年第19期。
(10) European Trade Union Institute. Digitalisation of the Economy and Its Impact on Labour Markets. European Trade Union Institute Research Paper, 2016.
(11) Frey, Carl Benedikt and Michael Osborne. The Future of Employment: How Susceptible Are Jobs to Computerisation? Technological Forecasting and Social Change, 2017(114): 254-280.
(12) 李连德:《一本书读懂人工智能》,北京:人民邮电出版社,2016年,第140页。
(13) 许怡、许辉:《“机器换人”的两种模式及其社会影响》,《文化纵横》2019年第3期。
(14) 迈克斯·泰格马克:《生命3.0:人工智能时代人类的进化与重生》,汪婕舒译,杭州:浙江教育出版社,2018年,第162页。
(15) 杨于泽:《谁将被机器人取代,现在难下定论》,《长江日报》,2019年11月28日,http://news.cjn.cn/cjsp/fb/201911/t3497890.htm。
(16) 文森特·莫斯可,徐偲骕、张岩松译:《数字劳工与下一代互联网》,《全球传媒学刊》2018年第4期。
(17) 近几年,人工智能应用日益广泛,新兴技术与传统行业的融合发展已呈现燎原之势,新闻业不可能独善其身,在此背景下,笔者特别关注自动化新闻作为人工技术在新闻业的重要应用,并专门撰文对自动化新闻生产中的人机关系展开了系统探讨与反思,自动化新闻、数字劳动与技能变迁三者之间的勾连关系也是本书第七章的聚焦。笔者认为,自美国福特公司在全球建立第一条流水生产线以来,一方面,自动化技术逐渐替代规则性体力劳动的趋势十分明显,这些被替代的劳动呈现低技能、高重复性和程序化的特点,相应的劳动者也大多处于人力资本的最底端,主要集中在农业、建筑业和制造业;但另一方面,与之前的蒸汽机革命、电力革命和信息互联网革命相比,以智能化为根本特征的第四次技术革命不再局限于简单替代人类的身体或四肢、替代规则性体力劳动,它拥有了越来越强大的深度学习和模拟人类大脑的能力,并以指数级的速度和规模取代人类几乎所有劳动,新闻记者所从事的非规则性、掌握专业知识和职业技能的脑力劳动也不例外。在国内外的众多新闻机构中,一场用写稿机器人替代新闻记者的技术革命正在如火如荼地上演,难怪一些国际知名咨询公司甚至将新闻记者列为全球即将完全被智能化技术取代的“最为高危”的职业人群之一,他们相信新闻记者被写稿机器人替代只不过是时间问题。参见姚建华:《自动化新闻生产中的人机联姻及其实现路径》,《当代传播》2021年第1期;《未来即将消失的10种职业,谁也逃不掉》,优米网,2017年5月2日,http://www.youmi.cn/2017/0502/74750.shtml。
(18) 中国发展研究基金会:《投资人力资本,拥抱人工智能:中国未来就业的挑战与应对》,2018年8月24日,http://www.doc88.com/p⁃5911700964142.html。
(19) 冯象:《我是阿尔法——论人机伦理》,《文化纵横》2017年第6期。
(20) Acemoglu, Daron and Pascual Restrepo. Artificial Intelligence, Automation and Work. National Bureau of Economic Research Working Paper, 2018.
(21) Wilson, James and Paul Daugherty. Collaborative Intelligence: Humans and AI Are Joining Forces. Harvard Business Review, 2018(4): 114-123.
(22) 张新春、董长瑞:《人工智能条件下“人的全面发展”向何处去——兼论新技术下劳动的一般特征》,《经济学家》2019年第1期。
(23) McKinsey Global Institute. Jobs Lost, Jobs Gained: Workforce Transitions in a Time of Automation. McKinsey & Company Report, 2017.
(24) 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。
(25) Morikawa, Masayuki. Who Are Afraid of Losing Their Jobs to Artificial Intelligence and Robots? Evidence from a Survey. The Research Institute of Economy, Trade and Industry Discussion Paper Series, 2017.
(26) 在马克思看来,“劳动资料一作为机器出现,就立刻成了工人本身的竞争者”。参见卡尔·马克思:《资本论》(第1卷),中共中央马克思恩格斯列宁斯大林著作编译局编译,北京:人民出版社,2004年,第495页。
(27) International Federation of Robotics. The Impact of Robots on Productivity, Employment and Jobs. Frankfurt, Germany: International Federation of Robotics Press, 2017.
(28) Tingley, Kim. Learning to Love Our Robot Co⁃Workers. The New York Times, February 23, 2017. https://www.nytimes.com/2017/02/23/magazine/learning⁃to⁃love⁃our⁃robot⁃coworkers.html.
(29) 不少学者认为,无法被人工智能替代的工作:一类是抽象任务,即有特殊能力需求的任务,需要人的直觉、创造力、说服力、公信力等能力;一类是人工任务,即处于特殊的视觉、语言、情景的任务,具有特定的经验需求。参见李晓华:《人工智能的马克思主义解读》,《人民论坛》2019年第S1期;Author, David. The Skill Content of Recent Techological Change: An Empirical Exploration. Quarterly Journal of Economics, 2003(4):1279-1333.
(30) 陈自富:《我们对“智能”的认识退步了吗?——与金观涛先生商榷》,《文化纵横》2018年第1期。
(31) 黄欣荣:《人工智能对人类劳动的挑战及其应对》,《理论探索》2018年第5期。
(32) 早在2005年,美国斯坦福大学人工智能实验室的李飞飞博士与她的研究团队就从互联网上下载了近10亿张图片,通过MTurk这一众包平台在全球范围内雇用了近5万名数据标注员,对这些图片进行分类和标注,为人工智能提供学习用的“题库”,这个“题库”后来发展为著名的ImageNet图像数据集。由此可见,作为人工智能中的“人工”,数据标注员是人工智能产业链上的重要一环,为人工智能行业提供源源不断的发展动能。
(33) 轩中:《人工智能行业中隐藏的“富士康”式劳动密集型产业》,《互联网周刊》2018年第11期。
(34) Acemoglu, Daron. Technical Change, Inequality, and the Labor Market. Journal of Economic Literature, 2002(1): 7-72.
(35) 张刚、孙婉璐:《技术进步、人工智能对劳动力市场的影响——一个文献综述》,《管理现代化》2020年第1期。
(36) Bughin, Jacques, Hazan, Eric Hazan, Lund, Susan, Dahlström, Peter, Wiesinger, Anna and Amresh Subramaniam. Skill Shift: Automation and the Future of the Workforce. Discussion Paper, McKinsey Global Institute, McKinsey and Company, May 23, 2018, https://www.mckinsey.com/featured⁃insights/future⁃of⁃work/skill⁃shift⁃automation⁃and⁃the⁃future⁃of⁃the⁃workforce#.
(37) Trajtenberg, Manuel. AI as the Next GPT: A Political⁃Economy Perspective. National Bureau of Economic Research Working Paper, 2018.
(38) 陈自富:《学习时报:人工智能会导致大规模失业吗》,新浪财经,2019年8月28日,https://finance.sina.com.cn/chanjing/cyxw/2019-08-28/doc⁃ihytcitn2438697.shtml。
(39) 苏熠慧、姚建华:《“不稳定无产者”研究谱系及其当代意义》,《社会科学》2019年第6期。
(40) 姚建华:《零工经济中数字劳工的困境与对策》,《当代传播》2018年第3期。
(41) 杨涛:《机器换人②|在场的“局外人”:企业升级过程中的工人》,澎湃新闻,2019年5月4日,https://www.thepaper.cn/newsDetail_forward_3387703。
(42) 李梅:《聚焦中国“劳动”之变——劳动观念的时代跃迁与劳动形态的价值转换》,《探索与争鸣》2015年第8期。
(43) 中共中央、国务院:《新时期产业工人队伍建设改革方案》,2017年2月6日。
(44) 沈文玮:《论当代人工智能的技术特点及其对劳动者的影响》,《当代经济研究》2018年第4期。
(45) 在尤尔·赫拉利(Yuval Harari)看来,人工智能的发展会导致一种新的无产阶级状态的形成,即“无用阶级”。换言之,“无用阶级”是人工智能时代无产阶级的新形态,主要表现在两个方面:其一,在人工智能的发展过程中,作为人的思维智能和感受性的正常功能被剥夺了,人们只能按照人工智能框架来实现自己的功能,即“感受性的无产阶级化”;其二,政治上的盲动,人们手中的选票不再是经过理智思考的产物,而是被人工智能控制的票仓,不断沦为右翼民粹主义利用的工具。参见何怀宏:《奇点临近:福音还是噩耗——人工智能可能带来的最大挑战》,《探索与争鸣》2018年第11期。
(46) 《访谈戴锦华|人类/后人类:数码转型之后的未来图景》,海螺社区,2019年8月13日,https://www.sohu.com/a/333472792_790641。
(47) Ford, Martin. The Rise of the Robots: Technology and the Threat of a Jobless Future. New York: Basic Books, 2015.
(48) 《一战成名,美国历史上第一位华裔总统终于来了》,家天下,2019年9月2日,https://mp.weixin.qq.com/s/JWOXeb9BBY2S0vOIfH7QqQ。
(49) 格雷厄姆·默多克,刘宣伯、芮钰雅、曹书乐译:《媒介物质性——机器的道德经济》,《全球传媒学刊》2019年第2期。
(50) 徐偲骕、张岩松:《国有化还是用户所有?——从“数据所有制”破解社交媒体治理之争》,《新闻界》2019年第6期。
(51) 戴昕:《数据隐私问题的维度扩展与议题转换:法律经济学视角》,《交大法学》2019年第1期。
(52) 刘新宇:《大数据时代数据权属分析及其体系构建》,《上海大学学报(社会科学版)》2019年第6期。
(53) Ibarra, Imanol Arrieta, Goff, Leonard, Hernndez, Diego Jiménez, Lanier, Jaron and Glen Weyl. Should We Treat Data as Labor? Moving Beyond “Free.” American Economic Association Papers and Proceedings, 2018(108): 38-42.
(54) 刘诚:《劳动观、劳动关系与劳动政策——基于创造性劳动、人本主义和劳资合作的思考》,《探索与争鸣》2015年第8期。