[论文解读] A multidisciplinary task-based perspective for evaluating the impact of AI autonomy and generality on the future of work
本文提出了一种跨学科的任务导向框架，用于评估人工智能的自主性与通用性对未来工作的影响，整合了任务的社会经济视角与计算视角，并将其与人类及人工智能的能力相联系。文章主张，衡量人工智能的进步必须从特定任务的表现转向评估其自主性与通用性，以预测自动化对劳动力市场的更广泛影响。
This paper presents a multidisciplinary task approach for assessing the impact of artificial intelligence on the future of work. We provide definitions of a task from two main perspectives: socio-economic and computational. We propose to explore ways in which we can integrate or map these perspectives, and link them with the skills or capabilities required by them, for humans and AI systems. Finally, we argue that in order to understand the dynamics of tasks, we have to explore the relevance of autonomy and generality of AI systems for the automation or alteration of the workplace.
研究动机与目标
- 为解决当前对人工智能系统如何在不同行业自动化或改变工作流程缺乏全面理解的问题。
- 调和经济社会学与计算领域中关于“任务”定义的分歧，尤其关注人类与人工智能能力的关联。
- 探讨自主性与通用性在塑造未来工作中的作用，特别是这些特性如何区分人类劳动与传统自动化。
- 开发一种基于技能、自主性与通用性的统一评估框架，而非孤立的任务表现。
- 引导政策与研究将人工智能的评估标准从性能本身，扩展至公平性、透明度与数据效率等更广泛的社会与经济价值。
提出的方法
- 从两个视角定义‘任务’：经济社会学视角（作为产生输出的离散工作单元）与计算视角（作为人工智能系统中的问题求解操作）。
- 通过将技能作为连接任务定义与系统表现的桥梁，将人类与人工智能能力映射到统一框架中。
- 提出自主性（自我决定的目标追求与行为适应）与通用性（在极少重新训练下覆盖广泛任务）的定义。
- 建议评估人工智能系统时，不仅关注任务准确性，还应涵盖数据效率、可靠性、公平性与透明度等维度。
- 采用跨学科视角，整合劳动经济学、认知科学与人工智能研究，评估各行业自动化潜力。
- 将评估重点从特定任务基准转向对人工智能系统作为认知资源的整体评估，其具备不同水平的自主性与通用性。
实验结果
研究问题
- RQ1经济社会学与计算领域对‘任务’的理解有何差异，这对工作场所的人工智能自动化有何影响？
- RQ2技能在多大程度上可作为比较不同任务领域中人类与人工智能能力的共同基础？
- RQ3人工智能系统中的自主性与通用性在复杂、动态的工作环境中，如何影响其替代或增强人类劳动的适用性？
- RQ4在评估人工智能系统用于现实工作场景整合时，除性能外还应优先考虑哪些评估维度？
- RQ5劳动力分工与常规化的历史趋势，如何与由通用性与自主性人工智能推动的自动化前沿演变相关联？
主要发现
- 当前对窄域人工智能自动化的关注，忽视了自主性与通用性在塑造长期劳动力市场动态中的关键作用。
- 人类劳动之所以长期保有相关性，正是因其内在的自主性与通用性，而这些特质正日益成为先进人工智能系统的目标。
- 具备高度通用性与自主性的人工智能系统可减少再训练与监督需求，从而在多样化任务中提升成本效益与可扩展性。
- 人工智能系统中可靠性与通用性之间存在权衡，因为更广泛的能力可能降低关键应用中的可预测性与可靠性。
- 人工智能的评估必须超越特定任务基准，纳入公平性、透明度、可复现性与数据效率等维度，以实现负责任的部署。
- 人工智能在工作场所的整合，要求将人力资源重新理解为认知资源，无论其来源是生物性还是人工性，均需建立新的评估范式。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。