上一章提到的所有人工智能產品和服務都可通過現有技術實現了，將它們投放到市場上已經不需要人工智能研究的重大突破。這些產品和服務進一步激發了大眾對於人工智能的想像力。它們使大眾相信：現在距離實現人工智能研究的終極目標——強人工智能（AGI）只有一步之遙；作為有思維能力的機器——強人工智能有能力執行任何人類可以完成甚至人類都無法完成的任務。
有人預測，隨著強人工智能迎來曙光，具備自我完善能力的機器會觸發計算機智能發展的「奇點」——出現一種理解和操縱世界的能力讓人類相形見絀的機器，人類與它們的智力差距差不多就是昆蟲與人類的差距。這一大膽的預測將知識界分為兩個陣營——烏托邦人士和反烏托邦人士。
烏托邦人士將強人工智能的開端和之後的奇點看作人類繁榮的前沿陣地，認為這是人類進一步拓寬智識和永生的機會。谷歌首席未來學家雷·庫茲韋爾（Ray Kurzweil）設想了一個極端的未來，他認為人類和機器將完全融合。他預言，我們會將自己的思維上傳到雲，通過放入我們血流中的智能納米機器人不斷更新我們的身體。而現在距離實現強人工智能只差10年，2045年，我們將會迎來奇點時刻。(1)另一些烏托邦思想家認為強人工智能可以快速解開物理宇宙的未解之謎。DeepMind創始人哈薩比斯則預言，創造超級智能可以讓人類文明解決目前無解的難題，如為全球變暖和不治之症帶來絕妙的解決方案。擁有超越人類想像力且可以更大程度地理解宇宙的超級能力後，這些機器就不再只是減輕人類負擔的工具，它們更接近於全知全能的上帝。
不是所有人都如此樂觀。埃隆·馬斯克將超級智能稱為「人類文明面臨的最大風險」(2)，他將創造超級智能比為「召喚惡魔」(3)。已故的宇宙學家斯蒂芬·霍金（Stephen William Hawking）也加入了反烏托邦陣營。他們之中許多人都受牛津大學哲學家尼克·波斯特洛姆（Nick Bostrom）的著作《超級智能》(4)啟發。波斯特洛姆在書中展示了對人工智能研究人員的調查結果。他們預測的中值是在2040年創造出強人工智能，超級智能可能會在此後30年內出現。這本書吸引了眾多未來學家。反烏托邦陣營中的大部分人其實並不擔心人工智能會像《終結者》（The Terminator）等科幻電影中想像的那樣接管世界，他們真正恐懼的是如果人類本身成為超級智能實現某一目標的障礙，例如改變全球變暖，它們可以輕易甚至是無意中將人類從地球上抹去。對於想像力遠超人類的計算機程序而言，抹殺人類根本不需要像電影中持槍機器人一樣粗魯。對於化學、物理和納米技術的深刻理解，讓它們可以用巧妙得多的方式立即完成任務。
儘管對強人工智能實現的時間各執一詞，但這並不妨礙上述烏托邦和反烏托邦構想在人們心中激盪出驚歎和畏懼之情。這種強烈的情感甚至模糊了人類關於人工智能的幻想與現實水平之間的界限，也混淆了現狀與需要思考的未來方向。
人工智能發展現狀
請本書的讀者放心，我認為萬能的超級智能在當前技術下還不可能實現。目前還沒有已知的強人工智能算法或明晰的工程路線可以實現這些構想。人類的獨特性並不是突然自發產生的，就像自動駕駛汽車不可能在深度學習過程中突然「醒悟」——「啊，我們（自動駕駛汽車）可以聯合起來形成一個超級智能網絡。」
實現強人工智能需要大量的人工智能基礎科學的突破，以及深度學習的一連串巨大進步。這些突破與進步需要去除目前弱人工智能的能力天花板，賦予它們更強大的新能力，如多域學習、泛領域學習、自然語言理解、常識推理、規劃以及通過少量示例學習。下一步發展情感智能機器人可能需要賦予它們自我意識、幽默感、愛、同情心和審美。這些都是阻礙當前人工智能發展成為強人工智能的關鍵障礙。每一項新能力的實現都可能需要多項重大突破，真正的強人工智能則意味著解決一切此類障礙。
許多針對強人工智能預測的錯誤，在於簡單地以過去10年深度學習的高速進步推斷未來，或者認為計算機智能會以不可阻擋的滾雪球方式呈現指數式增長。深度學習代表了機器學習的一個重要升級，但沒有證據證明這樣的升級代表了強人工智能快速發展的開始。
科學研究不是易事，基礎科學的突破更是難上加難。像深度學習這類真正讓機器智能更上一層樓的發現極其少見，通常需要數十年的發展甚至更長時間。自傑弗裡·辛頓發表關於深度學習的里程碑式論文之後的12年(5)，我還沒有看到機器智能領域出現任何可與之比肩的重大進步。
接受波斯特洛姆調查的人工智能科學家們預言實現強人工智能的中位時間是2040年。但我認為他們高估了學術論證轉化為廣泛應用的速度。就像在20世紀80年代，作為世界領先的人工智能語音識別研究人員加入蘋果公司時，我認為這項技術會在5年內成為主流，結果卻延誤了整整20年。
當然，另外，我也無法保證科學家們一定不會取得非常規的突破，創造出強人工智能甚至超級智能。不過我相信距離真正實現的那一天還有幾十年甚至上百年，甚至永遠無法實現。
強人工智能會是人機關係的一個重大轉折點，許多人預測這會是人類史上意義最重大的一件事。我認為除非徹底解決了所有控制問題和安全問題，人類不應該跨越這個點。人工智能未來不會只有穩定的實質性進展和輝煌的人類繁榮；相反，我認為人類文明很快就會面臨人工智能引起的危機。這場危機雖然不會帶來好萊塢大片裡的末日場景，卻會以同樣驚人的規模破壞經濟和社會，甚至會觸及21世紀人類意義的核心。簡而言之，這將是一場涉及工作和不平等的危機。
目前來看，我並不恐懼引起人類文明瓦解的殺人機器人，但我害怕人類的錯誤選擇會將自身引向悲劇。幸運的是，考慮到進展相對緩慢的基礎科學突破，即使將來會實現強人工智能或超級智能，我們也還有時間針對未來的危機進行討論、分析和準備。
《北京折疊》：科幻小說和人工智能經濟學
清晨6點的鐘聲敲響時，這座城市將自身折疊收起。密密匝匝的水泥鋼筋建築從頭到腳彎折然後繞軸扭曲。外部陽台和雨篷轉為向內，形成完全密封的光滑外觀。高樓分解成一個個部件，重新組合，蜷縮成緻密的巨大魔方。
這些樓宇中生活著北京第三空間的居民，他們是下層的勞動人民，夜間辛勤勞動，白天睡覺。隨著城市折疊自身，小塊小塊土地開始180度旋轉，它們翻過來將縮成一團的建築擠入地下。
當這些方塊的另一面轉向天空時，另一座城市就呈現在眼前。隨著第一縷曙光爬上地平線，這座新的城市露出地表。樹木成蔭的街道，寬闊的公園以及漂亮的獨棟房屋開始展開，直至完全覆蓋地表。第一空間的居民從睡夢中醒來，伸了伸懶腰，看向窗外只屬於他們的世界。
這些是中國科幻作家、經濟學者郝景芳的幻想。她的中篇小說《北京折疊》因生動描述了不同經濟階層被分開，生活在不同的世界而獲得了著名的雨果獎。(6)
在這個未來的城市，城市分為三個階層，人們在不同的時間來到地面生活。生活在第一空間的500萬精英居民可以在清晨6點到第二天清晨6點的整整24小時裡生活在一個乾淨整潔的超現代城市中。第一空間折疊翻轉後，第二空間的2000萬居民開始在稍遜於第一空間的城市中工作生活16個小時。最後，生活在第三空間的5000萬人口是清潔工、小攤販和普通的勞動者。從晚上10點到清晨6點，他們奔波於摩天大樓與垃圾堆之間。
作為第三空間支柱的垃圾分類工作本可以完全自動化，但現在卻是靠人工完成，這是為了給在此生活的不幸居民提供就業崗位。不同的世界之間是禁止跨越的，這就創造出了一個階層明確的社會，第一空間的特權居民無須擔心底層貧民會來污染他們的技術烏托邦。
真正的人工智能危機
這個反烏托邦故事雖是一篇科幻小說，卻清晰地描述了人們對未來世界中的經濟階層形成和失業率等問題的真實恐懼。郝景芳是清華大學的經濟管理學博士，她的日常工作是在政府智庫中開展經濟學研究，包括調查人工智能對中國就業的影響。許多經濟學家、技術專家和未來學家，包括我本人在內，深深地對未來感到憂慮。我認為人工智能的四波浪潮席捲了全球經濟，它們有潛力撬開更大的貧富差距，引起大範圍的技術性失業。正如郝景芳在故事中的生動刻畫，未來由技術導致的財富與階層上的懸殊可能演變為更深刻的裂痕：撕裂社會結構、挑戰我們的人格尊嚴。
我與《北京折疊》的作者、科幻作家郝景芳博士
人工智能對於商業來說是一個異常強大的工具。經濟學家預測到2030年，人工智能將為全球經濟帶來15.7萬億美元的財富。很多收益來自自動化取代大量人工的工作。由此引發的裁員對所有勞動者都一視同仁，給高學歷白領職工和許多體力勞動者帶來同樣的巨大打擊。當人類與運算能力超過人腦的機器競爭時，大學本科甚至是高度專業化的研究生學位都不再是工作的保障。
除了引起直接失業，人工智能還會加劇全球經濟不平衡。通過賦予機器人看、聽、拿、操作、移動的能力，人工智能會徹底改革製造業，迫使發展中國家那些僱用了大量低薪工人的工廠破產，切斷底層人民改善生活的路徑，剝奪發展中國家通過低成本出口促進經濟發展的機會。中國、韓國、新加坡的脫貧致富之路曾經證明了這種方式的有效性。大量的年輕工人曾經是發展中國家的最大優勢，但在人工智能跨越式發展的未來，卻會變成拖累和潛在的不穩定因素。
即使是發達國家，人工智能依然會造成更大的貧富差距。人工智能驅動的產業天然趨向於壟斷，會在壓低價格的同時消除公司間的競爭。最終，小型企業會被迫關門，人工智能時代的行業主宰會獲得以前根本無法想像的利潤，經濟權力集中到少數人手中。在我看來，如果不加以管制，人工智能對於潛在的社會經濟問題就是火上澆油。隨著越來越多的人擔心被機器取代，科學家捫心自問：在智能機器時代，人類的意義是什麼？
技術樂觀主義者和「勒德謬誤」
就像強人工智能有烏托邦和反烏托邦的預測一樣，關於失業與不平等危機的預測也有兩種意見對立。
一部分經濟學家和技術樂觀主義者認為對於技術性失業的恐懼是毫無根據的。此陣營人士否定因「勒德謬誤」（Luddite Fallacy）而產生的可怕的失業預測。該詞來源於勒德派（the Luddites）——一批19世紀的英國紡織工。他們認為工業革命帶來的機器生產摧毀了他們的生計，於是砸毀了紡織機表示抗議。但是，在接下來的兩個世紀，英國工業化依然全速前進，工作崗位數量和生活質量都穩定大幅提高。勒德派未能成功阻止自己的手藝被自動化取代，他們的子孫後代卻因此生活得更好。(7)
因此技術樂觀主義者認為，技術可以提升人類的生產力，降低商品及服務的價格。價格降低意味著消費者的消費能力增強，會購買更多商品及服務。這樣的結果最終會增加對人力勞動的需求，從而增加就業崗位。確實，技術轉變可能會在短期內造成一些工作被取代。但就像以前成千上萬的農民轉變成工廠工人一樣，現在這些下崗工人也可以轉型成瑜伽老師和軟件工程師。從長期來看，技術進步從未真正引起工作崗位的減少或失業率的上升。工業世界的物質財富不斷增長，就業市場相對穩定，這是最簡單優雅的解釋。自從工業革命之後，每一次生產力的提高，自由市場的力量都能夠解決因生產力提升而出現的各種問題。那些在未來將通過人工智能賺取巨額利潤的公司，利用以上歷史來否定未來人工智能會引起失業的說法。他們指出，成千上萬的發明，如軋棉機、電燈泡、汽車、攝像機和手機，都沒有引起過大範圍失業，他們認為人工智能也不會。人工智能會大幅提高生產力，推動工作崗位穩健增長並提升人類福利，所以有什麼好憂慮的呢？
盲目樂觀的終結
如果將所有發明看作數據點並分配同樣的權重，技術樂觀主義者完全可以將這些數據作為樂觀的理由。但發明不是生來平等。有的發明改變了我們的工作方式（打字機），有的發明消除了對特定勞動的需求（計算器），還有一些發明瓦解了整個行業（軋棉機）。
規模更大的技術變革會影響到許多行業，從根本上改變經濟組織甚至社會結構。這就是經濟學家所說的「通用技術」，或稱GPTs（General Purpose Technologies）。麻省理工學院的教授埃裡克·布萊恩約弗森（Erik Brynjolfsson）和安德魯·麥卡菲（Andrew McAfee）在他們具有里程碑意義的著作《第二次機器革命》（The Second Machine Age）(8)中，將GPTs描述為「真正重要」的技術，可能「中斷和加速正常經濟發展進程」。只看GPTs的話，可用於評估技術變革和失業數據點的數量就大幅減少。經濟史學家關於到底哪些現代發明可以稱為GPTs有著許多模稜兩可的觀點（如鐵路和內燃機是否可以算作GPTs），但三種技術獲得了廣泛支持：蒸汽機、電力和信息通信技術（Information and Communications Technology, ICT，概括來說就是計算機和互聯網）。這些顛覆性技術的影響延伸到經濟的許多角落，改變了我們的生活和工作方式。當只看GPTs時，三個數據點不足以提取出一個無懈可擊的原理。我們應該查找歷史記錄，從中發現這些突破性創新是如何分別影響了工作和薪資的。
「大脫節」：生產力持續提升，但薪資和就業卻持平或下降。此圖為美國的數據，但某種程度上來說美國的指標也是世界的指標。
隨著時間推進，不同工作類型的就業人數變化。
蒸汽機和電氣化分別引發了第一次工業革命和第二次工業革命。這兩項GPTs都推動了現代工廠制度的創建，顛覆了傳統生產模式。總的來說，這種生產模式變化主要是去技能化。這些工廠以前需要高水平技工來完成任務（例如手工紡織品）。現在，這些任務被分解成一個個簡單得多的小任務，低水平技工就能完成（操作蒸汽驅動的動力織布機）。在這個過程中，產量大大增加，價格大大降低。
從就業率來說，這些早期GPTs實現了流程創新，例如裝配線讓數以千計乃至數以億計的農民轉行，在新的工業經濟中發揮了生產作用。雖然它們確實取代了相對少量的熟練手工藝人（他們中有部分人成為勒德派），但它們也讓更多的低水平技工可以從事機器引導的重複工作，提高了生產力。同時，經濟蛋糕做大，整體生活水平也隨之提高。
但最新的GPT——信息和通信技術（ICT）如何呢？到目前為止，其對就業市場和財富分配不均的影響還不能說是完全明確。正如布萊恩約弗森和麥卡菲在《第二次機器革命》一書中指出的那樣，過去30年中，美國工人生產力穩步增長，但收入中位數和就業率增長陷入停滯。布萊恩約弗森和麥卡菲將此過程稱為「大脫節」(9)。在生產力、工資和工作崗位經過了數十年幾乎同步的增長後，這一曾經緊密的聯繫開始鬆動。在生產力繼續提高的同時，工資和工作崗位停滯不前或下降。
這一變化加快了發達國家的經濟分層。1980年到2016年，隨著ICT的收益越來越多地集中到前1%的人手中，美國的精英群體在國民經濟中的份額近乎翻倍(10)。到2017年，站在美國金字塔尖1%的人擁有的財富幾乎是下層90%的人擁有的總財富的兩倍(11)。而普通美國人的實際工資在30年中保持不變，最貧窮的美國人的工資還降低了(12)。美國的工作崗位和工資水平停滯不前，ICT在其中發揮了多大作用？全球化、工會衰落和外包都是相關因素，但有一個特點很明顯：ICT不同於蒸汽機和電氣化，它「偏重技能」（skill-bias），通過打破信息傳播障礙，增強了世界頂尖知識工作者的力量，而將中間許多人的經濟作用縮減了一半。所以，有一件事越來越明確：沒人能保證提高了生產力的GPTs還能為工人帶來更多的工作崗位或更高的工資。
與技術樂觀主義者展開爭論的是當代一些最聰明的經濟學家，勞倫斯·薩默斯（Lawrence Summers）就是其中一位。他是世界銀行的首席經濟學家，克林頓在任時的財政部長，以及奧巴馬在任時的國家經濟委員會主席。近幾年，他開始告誡大家要警惕對技術變革和就業率的盲目樂觀。2014年薩默斯在《紐約時報》的採訪中稱：「答案當然是不要停止技術變革，但也不能只是假設市場的力量會保證一切都好起來。」(13)布萊恩約弗森也提出了類似警告，呼籲正視財富創造和就業逐漸脫節的問題。他認為這會是「我們社會在未來10年內面臨的最大挑戰」(14)。
人工智能：讓技術變得通用
我相信，人工智能很快會成為舉世公認的下一個GPT，刺激經濟生產甚至促進社會組織變革。人工智能革命會達到工業革命的規模，甚至規模會更大，速度會更快。這些變革會比之前的經濟革命更廣泛。蒸汽動力從根本上改變了體力勞動的性質，ICT從根本上改變了某些類型的腦力勞動，人工智能則會同時影響這兩者。人工智能會以遠超人類的速度和力量執行多種類型的體力和智力任務，大大提升運輸、製造、醫學等各個方面的生產力。
與第一次和第二次工業革命中的GPTs不同的是，人工智能不會推動經濟生產的去技能化。它不會讓少數人完成高級任務，也不會將其分解成由更多低水平技工完成的小任務。它只會接管符合以下兩個標準的任務：可以利用數據優化，並且不需要社會互動（在後邊的章節中我會更詳細地分析到底哪些工作可以由人工智能取代，哪些工作不能被代替）。
確實，這一過程中會創造一些新的崗位，例如機器人修理工和人工智能數據科學家。但人工智能對就業的主要影響不是通過去技能化而創造工作，而是通過越來越智能的機器替代工作。理論上來說，失業工人可以在其他更加難以自動化的產業中找到工作，但這一漫長的過程本身極具破壞性。
硬件：更好，更快，更強
然而，人工智能不會給我們足夠的時間。和前幾次GPTs推動的經濟轉型相比，人工智能帶動的經濟轉型會發生得更快。工業革命歷時幾代人才完成，而人工智能革命在一代人的時間內就能產生重大影響。這是因為人工智能會在三個催化劑的作用下加速自身的應用與擴散進程，這些催化劑在蒸汽動力和電力投入廣泛應用時是不存在的。
第一個催化劑是人工智能算法的易複製性。硬件密集型革命的技術轉型要獲得動力，需要發明、設計原型，建造實體產品並出售和運送給最終用戶。任何硬件想要獲得小幅提升，都需要重複以前的流程，同時參與成本和社會摩擦會減慢每次微調被採納的速度。這些流程、摩擦減緩了新技術的開發，延長了發展的時間，直到產品獲得商業收益後才會被廣泛使用。
然而，許多提高生產力的人工智能產品只是數字算法，可在全球無限複製、零成本應用。應用後的更新和改進也是幾乎無成本的。這些數字算法（人工智能機器人和自動駕駛汽車的硬件會有複製生產的成本，但底層軟件沒有）會很快推廣，替代大量的白領工作。如今的大部分白領員工的職責是獲取信息和處理信息，然後根據這些信息做出決策或提出建議。而人工智能算法恰好最擅長這一工作，可以全面且快速地完成人機替換。實際上人工智能機器人的銷售情況只會越來越好。如果再把推廣和改善的成本降低，人工智能推廣應用會急速加快。
第二個催化劑是風險投資業（VC）的誕生。VC指的是對高風險高潛力公司的早期投資，這一行業在20世紀70年代之前幾乎不存在。前兩次工業革命中，投資者和創新者只能依賴脆弱的、東拼西湊的籌資機制來開發自己的產品。通常他們的資金來源於自身財富、家族成員、富有的贊助人或銀行貸款。這些都沒有為高風險高潛力的革命性創新建立激勵機制。缺乏風險融資，意味著許多好想法可能永遠都無法實現，GPTs的推廣應用也會很慢。
如今，VC已是新技術商業化的一種常見投資方式。2017年，全球風險投資創造了1480億美元的新紀錄。(15)同年，日本軟銀（Softbank）宣佈成立1000億美元的「願景基金」（Vision Fund），而全球VC投資人工智能創業公司的金額也躍升到了152億美元(16)，跟2016年相比增長了141%。VC在堅持不懈地尋找好項目，以獲得新的GPT（如人工智能）中每一美元生產力的回報。在未來10年中，VC會推動人工智能的快速應用和商業模式迭代，千方百計地探索這一技術可以做的每一件事。
第三個催化劑是中國的影響力。人工智能會使現代中國首次有機會在推動和應用GPT方面與西方並肩而立。在工業化和電氣化的時代，中國遠遠落後於西方國家，但到了互聯網時代，在過去的5年時間裡中國就趕上了互聯網技術發展的進程，可以向全球輸出人才，這一趨勢大大加快了移動互聯網的創新速度。在人工智能方面，中國的進步讓全球將近五分之一人口的研究才能和創造力可以對人工智能的推廣和應用有所貢獻。中國雄心勃勃的企業家、獨特的互聯網生態系統與政府積極推動相結合，再加上中國向人工智能領域的進軍，這些共同構成了之前GPTs中不存在的新催化劑。
綜上所述，我相信我們可以確定以下幾件事：第一，在工業時代，新技術帶來了長期就業機會增長和工資水平的增長；第二，新的GPTs依然很罕見且重要，應單獨評估各個GPT對於就業的影響；第三，在被廣泛認可的三個GPTs中，蒸汽動力和電氣化同時推動了生產力和就業率提高，ICT提高了生產力卻不一定增加就業；第四，人工智能也會是一種GPT，它偏重於技能，應用速度快（受到數字傳播、風險投資和中國影響力的加持），這兩個特性表明人工智能會對就業和收入分配產生不利影響。
如果上述論據正確，那接下來的問題就很清楚了：哪些工作會受到衝擊？情況究竟有多糟？
人工智能的「可以」與「不可以」
分析人工智能取代工作崗位，不能僅僅用傳統「低技能」對比「高技能」的單一維度來分析。人工智能既會產生贏家，也會產生輸家，這取決於具體工作內容。儘管人工智能可以在基於數據優化的少數工作中遠勝人類，但它無法自然地與人類互動，肢體動作不像人類那麼靈巧，也做不到創意地跨領域思考或其他一些需要複雜策略的工作（因為這些工作投入的要素和結果無法輕易量化）。下面我用兩張圖來解釋一下，第一張分析體力勞動，第二張分析腦力勞動。
就業風險評估圖：體力勞動
就業風險評估圖：腦力勞動
對於體力勞動來說，X軸左邊是「低技能、結構化」，右邊是「高技能、非結構化」。Y軸下邊是「弱社交」，上邊是「強社交」。腦力勞動圖的Y軸與體力勞動一樣（弱社交到強社交），但X軸不同：左側是「優化型」，右側是「創意或決策型」。如果腦力勞動的重點是將數據中可量化的變量最大化（例如設置最優保險費率或最大化退稅），就歸類為「優化型」的職業。
這幾條軸將兩張圖各分為四個象限：第三象限是「危險區」，第一象限是「安全區」，第二象限是「結合區」，第四象限是「慢變區」。工作內容主要落在「危險區」的工作（如卡車司機等）在未來幾年面臨著被取代的高風險。「安全區」的工作（如心理治療師、理療師等）在可預見的未來中不太可能被自動化。「結合區」和「慢變區」象限的界限並不太明確：儘管目前不會完全被取代，但工作任務的重組或技術的穩定進步，可能引起針對這些工作崗位的大範圍裁員。
在左上角的「結合區」中，大部分計算和體力性質的工作已經可以由機器完成，但關鍵的社交互動部分使它們難以完全自動化。所以，最可能產生的結果就是幕後優化工作由機器完成，但仍需要人類員工來做客戶的社交接口，人類和機器形成共生關係。此類工作可能包括服務員、理財顧問甚至全科醫生。這些工作消失的速度和比例取決於公司改造員工工作內容的靈活程度，以及客戶對於與計算機互動心態的開放程度。
落在「慢變區」的工作（如水暖工、建築工人、美術設計師等）不依賴於人類的社交技能，而依賴靈活和巧妙的手工、創造性或適應非結構化環境的能力。這些仍是人工智能的短板。由於不斷發展的技術會在未來幾年中慢慢提升這些短板，所以此象限中工作消失的速度，更多地取決於人工智能能力的實際擴展。
這兩張圖讓我們對哪些類型的工作有被人工智能替代的風險有了基本的認識，但這對於整體經濟層面的就業總量意味著什麼呢？這時我們需要參考經濟學家的研究。
經濟學家的研究結果
預測人工智能會引發的失業規模，已經成了全球經濟學家和咨詢公司的主流研究課題，使用不同的研究模型會得出不同結果。這些結果的數字有的大到令人恐懼，有的看起來還算安全。因為針對中國市場的優秀研究少之又少，因此我們在此主要介紹對美國的研究，然後通過這些結果來推導中國的情況。
2013年，牛津大學兩位研究人員的論文做出了一個可怕的預測：在未來10年或20年內，美國47%的工作可能實現自動化。(17)論文的作者卡爾·本尼迪克特·弗雷（Carl Benedikt Frey）和麥克爾·奧斯本（Michael A.Osborne）請機器學習專家評估70種職業在未來幾年實現自動化的可能性。之後，他們將此數據與機器學習的主要「工程瓶頸」清單（類似於指示上圖「安全區」的特徵）相結合，使用了一個概率模型來預測另外632種職業實現自動化的難易程度。結果顯示，在未來幾十年中，美國近一半的工作都處於「高風險」區。儘管兩位作者反覆提醒：該研究最重要的是評估哪些工作「在技術上可以」由機器執行，而不是實際的工作流失和失業規模。但一石激起千層浪，後續的媒體報道基本上沒有說明這些重要細節，而是發出警告：「有半數的勞動者很快就會失去工作。」
不過，2016年，經濟合作與發展組織（OECD）的三名研究人員利用另一個模型，得出的預測似乎直接反駁了上述研究的結果：美國只有9%的工作面臨自動化的高風險。(18)兩項研究的結果為何差距如此之大？原因是奧斯本和弗雷採用了「職業分析法」。這種分析模型請機器學習專家判斷的是單一工作崗位可實現自動化的可行性。而OECD團隊認為，被「自動化」的不是整個工作崗位，只是崗位職責中的一部分。OECD團隊論證稱，以崗位為最小單位的方法忽略了那些人類可以執行，但算法不能執行的許多任務，如與同事展開團隊合作、與客戶面談等。對此，OECD團隊提出了「工作任務分析法」，將每個工作崗位分解為許多不同的活動，然後看有多少活動可以自動化。在此模型中，報稅人不僅是一個崗位，還拆分成了一系列可以自動化的任務（如審查收入文件、計算最大扣減等），以及一些不可自動化的任務（如會見新客戶、向客戶解釋決定等）。之後，OECD團隊使用概率模型找出「高風險」的工作比例（至少70%的崗位職責可自動化）。如上所述，他們發現在美國僅有9%的工作屬於「高風險」類別。將同一模型用於其他20個OECD國家，高風險工作的比例範圍也只是在6%（韓國）到12%（奧地利）。
「工作任務分析法」基於崗位職責劃分進行研究，這一方法得到了多數研究人員的認可。但不是所有人都同意OECD團隊的樂觀結論。2017年年初，普華永道的研究人員使用「工作任務分析法」得出了自己的估算：到21世紀30年代，美國38%的工作都存在被自動化的高度風險。(19)
在參考了這些大相逕庭的預測之後，麥肯錫全球研究院（McKinsey Global Institute）的研究人員得出了一個折中的估算結果。我協助麥肯錫全球研究院進行了與中國相關的研究，並共同撰寫了關於中國數字化現狀的報告。麥肯錫團隊同樣使用「工作任務分析法」得出的結論是，全球大約50%的「工作任務」在技術上已經實現自動化。(20)中國的這個數字是51.2%，美國為45.8%。但是他們不認為人的工作會那麼快被人工智能取代，他們預測2030年會有30%的任務和14%的工作被人工智能取代。
結合不同研究方法的結果，美國各類工作被自動化的可能性在9%到47%。即便只採用「工作任務分析法」，結果仍為9%到45.8%。如此大的數據差，代表未來既可能實現社會繁榮發展，也可能發生徹底的就業危機。面對差異性如此大的預測，我們應該認真思考這些研究究竟告訴了我們什麼，以及我們可能忽略了什麼。
這些研究忽略了什麼
我尊敬做出以上預測的經濟學家的專業水平，但我並不認可OECD團隊的預測。這種差異源於兩種分歧：一是輸入的數據，二是我對人工智能改變就業市場的設想。
我對輸入數據不認同，原因是他們用2013年人工智能的技術水平來評估未來。經過了5年，機器學習的準確性和能力已有重大進步。當時，極少有專家能夠預測到深度學習會發展得如此出色、如此快速。這些令人意想不到的巨大進步，擴展了人工智能在真實世界應用的可能，也增加了對就業率的影響。
例如在ImageNet圖像識別算法大賽中，我們就可以看到明顯的進步。在這場競賽中，各個團隊需要提交不同的算法，在成百上千萬張不同的圖片中，識別幾千種不同的對象：鳥、棒球、螺絲刀和清真寺。它很快成為最受推崇的圖像識別算法大賽，同時也成了人工智能計算機視覺領域進步的公認標桿。當牛津機器學習專家在2013年年初預測技術能力時，深度學習才第一次出現在剛結束的2012年ImageNet大賽。那一屆比賽，傑弗裡·辛頓的團隊利用深度學習技術實現了低至16%的錯誤率創下了新紀錄，之前從未有團隊達到過錯誤率在25%以下的水平。但到了2017年，幾乎所有團隊都能將錯誤率降到5%以下。
另外，人工智能的巨大進步並不局限於計算機視覺領域，比如在語音識別、機器閱讀和機器翻譯領域，新算法也在不斷創造紀錄和打破紀錄。總體而言，這些技術進步和新興應用讓我傾向於採用「工作任務分析法」得出的預測上限。
兩類失業：「一對一取代」和「徹底清除」
但是，除了對於輸入數據的分歧外，我認為「工作任務分析法」也存在誤差，因為它遺漏了另一種完全不同的可能導致職業消失：由人工智能推動的新商業模式引起的全行業變革——我稱為「產業分析法」。
上述研究多數由經濟學家完成，在預測哪些工作存在自動化風險時，經濟學家關注的是人在開展工作時完成了哪些任務，同時考察機器是否可以完成一樣的任務。換句話說，「工作任務分析法」研究的是機器一對一取代人類工人的可能性。而我是一名技術專家和早期風險投資者，我的專業背景教會我嘗試以不同的方法解決問題。在職業生涯早期，我致力於將先進的人工智能技術轉化為有用的產品。同時，作為風險資本家，我也投資和協助一些新的創業公司。這兩份工作讓我發現人工智能對工作崗位構成的威脅不只是「一對一取代」，還有「徹底清除」。
我投資的許多人工智能公司，都在嘗試開發可以取代某類工人的單一人工智能驅動產品，如可以完成倉庫搬運工工作的機器人，可以完成出租車司機核心任務的自動駕駛汽車算法等。如果取得成功，這些公司會向客戶銷售其人工智能產品，而客戶可能解雇被替代的剩餘勞動力。這些「一對一取代」的工作類型，正是經濟學家利用「工作任務分析法」所研究的課題核心。
但還有一種完全不同的人工智能創業公司：它們想從根本上重構整個行業。這些公司並不是想用同樣功能的機器人取代工人，而是追求通過新的方式來滿足整個產業用人的基本需求。如智融集團（Smart Finance），人工智能驅動的借貸公司，未僱用任何人類信貸員、F5未來商店（無人餐館）等創業公司是這類公司的傑出代表。算法沒有取代這些公司的員工，因為這些公司從來就沒有僱用人類員工。但是隨著這些公司優質而低價的服務逐漸佔據市場，它們會給僱用人類員工的競爭對手造成壓力。它們的對手將被迫從頭開始調整，如重構工作流程、利用人工智能、裁員等，否則就面臨倒閉的風險。最終結果是一樣的：人類工人將會越來越少。
這種原因導致的失業，是眾多採用「工作任務分析法」做研究的經濟學家沒有預測到的。如果將這種劃分方法應用在新聞類app上，預測「編輯」這個崗位的自動化程度，會發現有很多任務是機器無法完成的，如閱讀和理解新聞專題文章、主觀評估應用用戶的適合性、與新聞記者以及其他編輯溝通等。但是當今日頭條研發算法時，他們並不是想用算法完成以上這些任務。相反，他們重新構思了新聞類app的核心功能——定制用戶希望閱讀的新聞故事列表——然後使用人工智能算法來完成。
我預計這種徹底的顛覆將會影響美國10%的就業崗位，受衝擊最大的工種為市場營銷、客戶服務，以及涉及大量常規優化工作的行業，如快餐、金融證券甚至是放射醫學。據報道，花旗總裁兼機構客戶集團CEO傑米·福雷斯（Jamie Forese）表示，在未來5年內，花旗集團2萬名技術與運營人員中，最多將有一半員工面臨被裁員的境遇。(21)
這些改變會影響到「結合區」象限的就業，公司可能會交給少數員工去整合與客戶互動的工作，用算法完成其他大多數幕後的單調工作。雖然所有人類工作不會全部消失，但工作崗位會大大減少。
比較下兩種類型的自動化程度：一對一取代的比例為38%，徹底顛覆的比例約為10%。無疑，我們面臨著巨大的挑戰。我預計在未來10到20年內，美國有40%—50%的工作崗位是能夠被人工智能技術取代的。而所有員工工作中任務的自動化比例也會不斷增加，將會使他們對公司的價值不斷降低。更多的失業人員將會爭搶越來越少的工作崗位，這會使薪水進一步降低，導致許多人從事兼職或者共享經濟裡的「零工」。
當然，這並不意味著美國面臨著40%—50%的失業率。社會衝突、監管限制會大大地延緩實際的失業率上漲，同時也會有新的工作崗位被創造出來，以抵消部分人工智能應用導致的失業現象。這些工作崗位可將人工智能導致的實際失業率減至25%，甚至更低，如10%或20%。
這些預測與貝恩咨詢公司（Bain & Company）在2018年2月發佈的研究結果相吻合。貝恩公司採取的是「總體分析法」來理解作用於世界經濟的三大力量的相互作用：人口數量、自動化和分配不均。貝恩公司得出結論：到2030年，僱主對僱員的需求將減少20%—25%，也就是說美國失業人數將達到3000萬—4000萬。(22)貝恩公司承認，的確有部分失業人員會步入新的崗位，這些崗位在今天可能很少見（例如機器人維修員），但是這種再就業對大規模且呈上升趨勢的失業率無法造成實質性影響。何況，自動化帶來的衝擊並不局限於這20%—25%的失業人員。這份研究報告認為，如果再將薪水降低的因素考慮進去，那麼近80%的美國勞動者都將受到影響。這將對工薪家庭帶來毀滅性的打擊。更糟的是，這種影響不像2008年全球金融危機之後，美國失業率短暫升高到10%。這將會是一種新常態：智能機器全面上崗，人類就業則阻礙重重。
中美失業問題對比與莫拉維克悖論
中國的情況如何？
中國關於自動化帶來衝擊的研究甚少，但是外界普遍認為中國將受到更大的影響：智能機器人將逐漸代替「世界工廠」裡的工人，中國的部分支柱產業需要盡快轉型。著名科技評論家維韋克·瓦德華（Vivek Wadhwa）預測，智能機器人將削弱中國在勞動力方面的優勢，製造業的春天將再次降臨在美國，但不會為人類創造工作崗位。瓦德華寫道：「美國機器人和中國機器人一樣勤奮，而且都不會抱怨，也不會加入工會。」(23)
我的觀點剛好相反。雖然中國面臨著因自動化而引發的就業市場轉型，但是大部分轉型將比美國的失業問題來得更慢、更晚。雖然最簡單、最常規的工廠作業（如質控和簡單的組裝流水線任務）可能在接下來的數年實現自動化，但這些體力勞動任務剩餘的部分，機器人可能很難完全接手。這是因為21世紀的智能自動化不同於20世紀的機械自動化。簡單來說，創建人工智能算法遠比製造智能機器人簡單。
該邏輯的核心是人工智能的精髓——20世紀80年代提出的莫拉維克悖論（Moravec's Paradox）。漢斯·莫拉維克（Hans Moravec）是卡內基·梅隆大學的教授，也是我的老師。他在人工智能和機器人的研究中得出一個根本性的結論：與一般的觀點相反，讓人工智能模仿成年人高知識水平或運算能力比較容易，但要讓機器人具備嬰兒的感知和感官運動能力，則困難得多。本質上，人工智能是「演算的巨人，行動的矮子」。
今天，深度學習的到來，為機器在語音或圖像識別領域提供了超人的感知能力。機器學習在以下兩方面的突破同樣也增強了機器的智能水平：從大量數據中辨識形態的能力以及做決策的能力。但是機器人的精細動作（如抓取和操縱物體的能力）仍然遠遠落後於人類。儘管人工智能可以在圍棋上戰勝最優秀的人類選手，也可以精確地診斷癌症，但它連抓周都很難辦到。
擔心算法還是擔心機器人？
人工智能自動化時代將首先對白領造成衝擊。相對於尚未成型的機器人，白領職業更需要擔心日新月異、快速進步的算法。
簡而言之，人工智能算法之於白領，就像是拖拉機之於農場工人。這一工具將會快速提高工人的生產力，同時縮減實際需要的工作人員。而且與拖拉機不同的是，算法可立即傳遍全世界，不會給創建者帶來額外的成本。一旦將軟件發送給數百萬用戶（如稅務籌劃公司、氣候變化實驗室、律師事務所），它可以不斷更新和改善，不需要再製作新的實體產品。
但對於機器人而言難度就大得多了。它需要機械工程學、感知人工智能和精細微妙操縱的相互作用。一旦機器人生產出來，還必須在現場對其進行測試、銷售、運輸、組裝和維護。機器人的基本算法可以遠程調整，但是機械故障還需要動手操作。這些問題都會減緩機器人自動化的步伐。
但這並不是說中國的體力勞動者是安全的：在農田上空噴灑農藥的無人機，幫助卡車卸貨的倉庫機器人以及工廠生產質量控制的可視化機器人都將減少相關領域的工作。而且，中國公司已經在研發、製造這些智能機器人方面進行了大筆的投資，中國現在也已經是全球最大的機器人市場，機器人購買的數量幾乎等於歐洲和美洲的總和。
人工智能算法對腦力勞動的替代像是導彈空襲，但機器人對體力勞動的打擊則接近於地面的塹壕戰。長期來看，我認為中國和美國自動化的風險是相似的，但說到對變化的適應，中國的特殊經濟結構將會為其爭取到一定的時間。
人工智能導致的不平等
在全球經濟中出現的兩極分化，也將加劇人工智能超級大國內部的不平等。人工智能對壟斷的自然傾向，會使許多行業形成贏家通吃的局面。人工智能偏重特定技能，會形成兩極分化的就業市場，排擠掉中產階級。以美國為例，生產力和工資的「大脫節」已經造成了1%和99%兩個群體之間的裂縫。如果不干涉，我擔心人工智能會繼續把這個裂縫撕扯得更大。
我們已看到網絡世界走向壟斷的趨勢。互聯網本應是自由、公平競爭的場所，但在短短幾年內，許多核心網絡功能已經被壟斷。對於大多數發達國家來說，谷歌統治搜索引擎，Facebook主宰社交網絡，亞馬遜擁有電子商務。中國互聯網公司比較願意嘗試多元化發展，所以這些巨頭彼此間會有更多的競爭。無論中國或美國，少數幾家互聯網巨頭掌控了大部分的互聯網。
人工智能會將同樣的壟斷趨勢帶到互聯網之外的行業中，並逐步侵蝕市場競爭機制。我們會看到新的市場巨頭迅速出現，它們是一些由人工智能推動的細分市場中的佼佼者，可以通過自身在數據上的優勢，使得良性循環不斷壯大，直到無可匹敵。人工智能的壟斷者可能會以更低的價格為消費者提供越來越好的服務，這兩點都是通過科技帶來的驚人生產力和效率提升實現的。
倖存的工作崗位分為兩批人：一批頂尖收入（如CEO、投資家），一批收入一般的（如按摩師、家庭護理人員）。但是問題的嚴重性在於，許多構成中產階級基石的職業（如卡車司機、會計人員、辦公室經理）將被清空。家庭健康護理人員是美國發展最快的一種職業，但也是薪水最低的職業之一（年薪大約22000美元）。新下崗的工人擁入該行業只會讓薪資進一步下降。
我擔心，利用人工智能獲取巨大利益會創造出顯著不平等，同時也導致社會的不穩定。人工智能有能力創造前所未有的財富規模，這應該是值得慶祝的一件事。但如果任其發展，人工智能會讓全球的財富分配不平等達到無可挽救的程度。人工智能實力薄弱的國家，會發現自己的經濟發展沒有機會再進一步，只能淪為人工智能超級大國的附屬。人工智能實力雄厚的國家可以積聚大量財富，也會存在更加廣泛的經濟壟斷，會讓社會階層差距日益明顯。人工智能還可能會滋生21世紀的階級制度：人工智能精英階級和「無用階級」即史學家尤瓦爾·諾亞·赫拉利所說的永遠也無法創造出足夠的經濟價值養活自己的人。(24)
隨之而來的個人危機
自工業革命以來的數個世紀裡，工作不僅是一種謀生手段，更是一種自我認可以及生活意義的源泉。當我們身處社會之中，需要自我介紹或介紹他人時，首先提到的就是工作。工作讓我們過得充實，給人一種規律感，讓我們和其他人聯結。固定的薪水不僅是一種勞動報酬方式，也代表了個人對於社會的價值，表明每個人都是社會的重要成員。
切斷這些聯繫，或者說迫使人們從事低於過去社會地位工作，影響的不只是收入，還會直接傷害到我們的認同感和價值感。2014年的《紐約時報》採訪了下崗電工弗蘭克·沃爾什（Frank Walsh），他描述了失業帶來的心理影響：「我失去了價值感，你明白我的意思嗎？之前有人問我：『你是做什麼工作的？』我會回答：『我是一名電工。』但現在我卻答不上來了。我不再是一名電工了。」(25)
失去人生意義和目標會帶來非常現實且嚴重的後果。失業六個月的人患抑鬱症的概率是上班族的三倍(26)，正在尋找工作的人自殺概率是上班族的兩倍。酗酒和藥物濫用的情況均隨失業率升高而增多。
如果是人工智能導致的失業，帶來的心理創傷還會更大。人們將面臨的境況很可能不是暫時失業，而是永久性地被經濟體系拒之門外。他們只能眼睜睜看著自己用一生時間學習並掌握的技能，被算法或機器人輕而易舉地超越。隨之產生的壓倒性的無力感，會讓人感覺自己的存在沒有了意義。
人工智能經濟中的勝利者會驚歎於機器的強大能力。但其他人則會糾結於一個更深層次的問題：既然我們能做的機器都能做，那我們作為人類的意義是什麼？我掙扎在死亡邊緣的時候，尋找自己的存在意義的時候，也曾不斷反覆思考過這個問題。那場危機把我帶入一個黑暗之地，考驗了我身體的極限，挑戰著我對人生最重要的事情的認知。雖然那段過程很痛苦，但也開拓了我的眼界，讓我看到人類和人工智能這個故事的另一種結局。
(1) 多姆·蓋倫（Dom Galeon），克裡斯蒂安娜·瑞迪（Christianna Reedy）：《AlphaGo Zero之後，AI何時超越人類？谷歌Kurzweil：2045》，未來主義網站（Futurism），2017年10月5日，https://www.cyzone.cn/a/20171022/316920.html。
(2) 《馬斯克：AI是人類最大風險要求政府干預和監管》，網易科技，2017年7月16日，https://money.163.com/17/0716/10/CPF8A2HE002580T4.html。
(3) 格雷格·庫姆帕拉克：《馬斯克將人工智能的發展比作「召喚惡魔」》，TechCrunch（美國科技類博客），2014年10月27日，https://techcrunch.cn/2014/10/27/elon-musk-compares-building-artificial-intelligence-to-summoning-the-demon/。
(4) 尼克·波斯特洛姆：《超級智能》，中信出版社2015年版。
(5) Geoffrey Hinton, Simon Osindero, Yee-Whye The, 「A Fast Learning Algorithm for Deep Belief Nets」, Neural Computation 18 (2006): 1527—1554.
(6) 《〈北京折疊〉斬獲「雨果獎」》，《濟南日報》，2016年8月22日，https://jnrb.e23.cn/shtml/jinrb/20160822/1583938.shtml。
(7) Robert Allen, 「Engel』s Pause: A Pessimist』s Guide to the British Industrial Revolution」, University of Oxford Department of Economics Working Papers, April 2007,https://www.economics.ox.ac.uk/department-of-economics-discussion-paper-series/engel-s-pause-a-pessimist-s-guide-to-the-british-industrial-revolution.
(8) 埃裡克·布萊恩約弗森，安德魯·麥卡菲：《第二次機器革命》，中信出版社2016年版。
(9) 埃裡克·布萊恩約弗森，安德魯·麥卡菲：《第二機器時代與經濟「大脫節」》，《哈佛商業評論》，2015年6月12日，https://www.hbrchina.org/2015-06-12/3061_2.html。
(10) 愛德華多·波特，卡爾·羅素（Karl Russell）：《世界充滿了不平等，但這其實是可以避免的》，2018年1月9日，https://www.sohu.com/a/215485229_782639。
(11) Matt Egan, 「Record Inequality: The Top 1% Controls 38.6% of America』s Wealth」, CNN, September 17, 2017, https://money.cnn.com/2017/09/27/news/economy/inequalityrecord-top-1-percent-wealth/index.html.
(12) Lawrence Mishel, Elise Gould, Josh Bivens, 「Wage Stagnation in Nine Charts」,Economic Policy Institute, January 6, 2015, https://www.epi.org/publication/charting-wagestagnation/.
(13) 克萊爾·凱恩·米勒（Claire Cain Miller）：《機器人越來越聰明，工人們趕得上麼？》，The Upshot, New York Times，2014年12月15日，https://note.youdao.com/zx/archives/1919，https://www.nytimes.com/2014/12/16/upshot/as-robots-grow-smarter-americanworkers-struggle-to-keep-up.html。
(14) 同注(1)。
(15) Dana Olsen, 「A Record-Setting Year: 2017 VC Activity in 3 Charts」, Pitchbook, December 15, 2017, https://pitchbook.com/news/articles/a-record-setting-year-2017-vc-activity-in-3-charts.
(16) 「Top AI Trends to Watch in 2018」, CB Insights, February 2018, https://www.cbinsights.com/research/report/artificial-intelligence-trends-2018/.
(17) Carl Benedikt Frey, Michael A. Osborne, 「The Future of Employment: How Susceptible Are Jobs to Automation」, Oxford Martin Programme on Technology and Employment,September 17, 2013, https://www.oxfordmartin.ox.ac.uk/downloads/academic/future-of-employment.pdf.
(18) Melanie Arntz, Terry Gregory, Ulrich Zierahn, 「The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis」, OECD Social, Employment, and Migration Working Papers, no. 189,（2016-05-14）, https://dx.doi.org/10.1787/5jlz9h56dvq7-en.
(19) Richard Berriman, John Hawksworth, 「Will Robots Steal Our Jobs? The Potential Impact of Automation on the UK and Other Major Economies」, PwC, March 2017, https://www.pwc.co.uk/economic-services/ukeo/pwcukeo-section-4-automation-march-2017-v2.pdf.
(20) James Manyika et al., 「What the Future of Work Will Mean for Jobs, Skills, and Wages」,McKinsey Global Institute, November 2017, https://www.mckinsey.com/globalthemes/future-of-organizations-and-work/what-the-future-of-work-will-mean-for-jobsskills-and-wages.
(21) 《花旗銀行計劃5年內讓人工智能代替1萬個工作崗位》，鈦媒體，2018年6月15日，https://www.tmtpost.com/nictation/3303061.html。
(22) Karen Harris, Austin Kimson, Andrew Schwedel, 「Labor 2030: The Collision of Demographics, Automation and Inequality」, Bain and Company, February 7,2018, https://www.bain.com/publications/articles/labor-2030-the-collision-of-demographicsautomation-and-inequality.aspx.
(23) Vivek Wadhwa, 「Sorry China, the Future of Next-Generation Manufacturing Is in the US」, Quartz, August 30, 2016, https://qz.com/769897/sorry-china-the-future-of-nextgeneration-manufacturing-is-in-the-us/.
(24) Yuval N. Harari, 「The Rise of the Useless Class」, TED Ideas, February 24, 2017,https://ideas.ted.com/the-rise-of-the-useless-class/.
(25) Binyamin Appelbaum, 「The Vanishing Male Worker: How America Fell Behind」, New York Times, December 11, 2014, https://www.nytimes.com/2014/12/12/upshot/unemployment-the-vanishing-male-worker-how-america-fell-behind.html.
(26) Rebecca J. Rosen, 「The Mental-Health Consequences of Unemployment」, Atlantic,June 9, 2014, https://www.theatlantic.com/business/archive/2014/06/the-mental-healthconsequences-of-unemployment/372449/.