許多調查結果指出，電腦演算法在掌控全局方面幾乎很平均一致地贏過人類專家。把流程的控管權交給人，而不給電腦時，工作的產出幾乎總是很糟糕，縱使事先讓人類專家取得電腦演算結果，結果仍然比由機器自主作業還差。
作者︰馬丁．福特
當科技進步導致更多工作被自動化時，傳統的解決方法是讓勞工接受更多教育和訓練，使他們能夠擔任技能更高的新職務。如同本書第一章所述，機器人和自助式科技已開始入侵速食業及零售業等領域，數百萬技能水準較低的工作面臨威脅，可以確定的是，勞工首先偏好的解決方法，是想辦法取得更多教育與訓練。但是本章的分析將會指出，科技與教育之間的競賽可能已接近尾聲，機器也將入侵技能水準更高的工作。
看出這個趨勢的經濟學家提出了一種傳統智慧之見的新版本：未來的工作將和機器通力合作。麻省理工學院學者布林優夫森和麥克菲強力主張這個看法，他們建議勞工應該學習「和機器一起跑」，而不是和機器對抗。
人機合作雖是明智忠告，但並無新意，學習和當道科技共處，向來是職場的好策略，我們曾經稱之為「學習使用電腦」。但是，面對資訊科技持續不斷呈指數型成長，舊瓶新酒的策略是不是合宜解決之道，我們應該合理地懷疑。
西洋棋賽中的自由棋(freestyle chess)是人機合作的其中一個範例。IBM深藍電腦擊敗世界棋王卡斯帕洛夫的十多年後，大家普遍認為，電腦和人進行一對一的比賽，電腦絕對會勝出。但是，自由棋是一種團隊合作，一群各自未必是世界級棋手對弈時，可以自由地諮詢西洋棋電腦程式來評估每一步。截至二○一四年，當人類棋手諮詢多種西洋棋電腦演算法時，可以擊敗單一西洋棋電腦。
工作場所的未來主流將是人與機器通力合作，而非完全自動化，這種見解有幾個明顯問題。首先，人與機器團隊在自由棋賽中的優勢未必會持續下去，人機合作團隊使用的流程：評估、比較不同的西洋棋演算法的計算再決定最佳棋步，聽起來似乎很接近IBM華生的模式：搜尋數百種的資訊演算法，再成功地排序結果。因此，可以合理預期未來將出現可進行多種演算法的「精進」(meta)西洋棋電腦，能擊敗人機合作團隊，特別是在速度方面。
其次，就算人機合作的方法能提供未來優勢，還有一個重要問題，就是雇主願不願意投資。儘管企業常對員工信心喊話，現實是多數企業仍然不願投資人力在例行性的工作。如果對這點存疑，建議你不妨打電話給有線電視公司，感受一下客服的品質。企業只會願意投資對其核心獲利能力、競爭力有幫助的人事物，這並非新鮮事。更重要的是，這個投資過程其實不涉及雇用新人才。在現存可得的科技輔助下，企業還願意雇用的人，就是目前最無失業風險的少數的菁英勞工。
經濟學家泰勒．柯文在《再見，平庸世代》(Average Is Over)中引述一位自由棋手的話：最優秀的棋手都是「基因怪胎」(generic freaks)。有鑑於世界上的基因怪胎不多，對眾多失去例行性工作的人來說，人機合作恐怕不是一個系統性解決方法。此外，我們之前也看到了，外包會成為另一個問題，印度與中國的二十六億人當中有許多人將非常熱衷於搶奪金字塔頂端的菁英工作。
我們也有充分理由預期，許多人機合作的工作將相當短命。回顧前文提及的WorkFusion 公司的例子，該公司的機器學習演算系統漸漸地把原本由自由接案者執行的工作自動化。若你目前或未來和一套智慧型軟體系統共事合作，或是被系統監督指揮，不論你有沒有意識到，你很有可能正在訓練這軟體，而有一天，軟體將完全取代你。
還有另一項觀察發現：很多尋求人機合作工作機會的人，最終可能會希望落空。接下來，舉一個法律界的例子。訴訟過程中證據揭示(discovery)工作在最近有很不同的發展趨勢。在美國，企業打官司時必須過濾大量內部文件，研判哪些文件可能和手邊的訴訟案有關。法律規定一定要提出所有相關文件，若未能完整提供會有法律處分。
現今，無紙化辦公室導致的吊詭現象是，這類文件多以電子的形式存在，像是電子郵件，資料的數量已成長到只有紙張和打字機的時代無法想像的巨大數字，如何有效篩選、過濾得到相關文件，成為律師事務所的新課題。
許多事務所採取的新方法是完全自動化，所謂的「e-Discovery」軟體會使用的強大演算法分析數百萬份電子文件，自動找出相關文件。演算法並非只是進行簡單的關鍵字搜尋，它們通常具備機器學習技巧，縱使文件中未出現特定詞句，也能根據概念找出相關的資料。採用軟體的直接結果是，以往負責用人工方式費力在裝滿文件的紙箱中執行搜尋過濾工作的大量律師和助手工作消失了。
第二種常用的方法是：律師事務所把這項任務外包給雇用大批法學院新近畢業生的專業公司，這些人通常是一窩蜂就讀法學院風潮下的受害者，無法找到擔任正式律師的就業機會，又背負了沉重的助學貸款，只好從事文件審查工作。他們一個個坐在電腦螢幕前，不斷重複閱讀文件，每一份文件都有兩個按鈕可選擇：「相關」，「不相關」；看完螢幕上的這份文件，點選適當按鈕後，另一份文件接著浮現，平均一小時需檢視、分類多達八十份文件。對這些年輕律師而言，進不了法庭，沒有機會在他們的專業領域學習或成長，沒有發展與升遷機會，只能長時間坐在電腦前點選「相關」或「不相關」按鈕。
針對這兩種的方法，我們會問：人機合作模式是永續的辦法嗎？縱使代勞的年輕律師獲得的薪資相當低，第一種全自動化方法的成本效益仍然遠遠優於後者。你會說，這份工作的地位那麼低，認為我刻意挑選了一個反烏托邦的例子。畢竟，多數人機合作的工作會讓人握有控管權，由勞工監督機器，形成有收穫而令人愉快的工作，而非只是在機器化的流程中當齒輪，不是嗎？不幸的是，事實資料並不支持這種懷抱希望的假設。
耶魯大學教授伊恩．艾瑞斯(Ian Ayres)在二○○八年出版《什麼都能算，什麼都不奇怪》(Super Crunchers)中引據許多調查結果指出，電腦演算法在掌控全局方面幾乎很平均一致地贏過人類專家。把流程的控管權交給人，而不給電腦時，工作的產出幾乎總是很糟糕，縱使事先讓人類專家取得電腦演算結果，結果仍然比由機器自主作業還差。人固然會有貢獻，但最好還是讓他們參與局部任務，例如把資料輸入到系統中，別讓人類控管全部的系統與流程。艾瑞斯說：「很不幸地，在結合專家和演算科技方面，大量證據皆傾向支持採行更貶低人、更不人性化的機制。」
我想說明的重點是，人機合作的工作固然存在，但數量可能相當少，且往往不會是永續的工作，很多人機合作的工作可能收穫低、甚至不人性化。因此，特別致力於教育和訓練人們、幫助他們找到這種工作，其實不符合成本效益。再者，在資訊科技不斷加速進步下，我們可能根本無法掌握訓練內容。訓練大家從事人機合作的工作，很像在修補輪胎，一補再補，讓輪胎可以再多滾上一段時日。讓勞工一再接受職業訓練，讓他們能再多撐段時間，但是未來仍然充滿不定，生活水準也未必更好。我們最終將朝向大破壞性的變遷，也因此急需作出更徹底的政策性因應。
最先被自動化的白領工作，必定是由剛畢業的社會新鮮人擔任的職務，就像第二章所述，已有跡象顯示這種變化正在發生。二○○三年至二○一二年間，取得學士學位的美國大學畢業生平均年所得從近五萬兩千美元降低至四萬六千美元(以二○一二年幣值計算)，同期，學生貸款債務總額從三千億美元激增至九千億美元。
畢業生的失業率也不斷攀升，幾乎每個大學生都有認識的人，擁有學士學位但是在咖啡店工作。美國經濟對技術勞工的總需求在二○○○年左右達到頂點，此後一路下滑。結果，愈來愈多大學畢業生被迫從事低技術工作，通常是取代無大學文憑的勞工。
就連擁有科技領域學位的大學畢業生也同樣受到明顯衝擊，如前文所述，伴隨雲端運算及電子外包發展趨勢，資訊科技業就業市場在自動化潮流中首當其衝。工程或電腦科學文憑保證能找到好工作的普遍想法變成迷思。美國經濟智庫在二○一三年四月發表的研究分析指出，從美國大學院校取得工程與電腦科學學位的新畢業生人數，比實際相關領域需要的工作人數高出五○％，這份報告於是結論：「畢業生的供給量遠超過產業需求量」。情勢發展愈來愈明顯：很多人做對的事、追求更高教育，將仍然無法在未來的經濟體系中找到立足之地。
有些經濟學家鑽研歷史資料後，終於開始看出科技進步對高技能工作就業市場的衝擊，但他們在預測未來發展時通常很保守，反觀人工智慧科技領域的研究人員則多半沒有那麼保守。日本國立情報學研究所(National Institute of Informatics)的數學家新井紀子(Noriko Arai)主持一項計劃，想發展出能通過東京大學入學考試的系統，她相信，如果電腦能展現自然語言能力和分析技巧，通過日本最頂尖大學的入學考試，那麼電腦最終也能夠執行許多由大學畢業生執行的工作。
新井紀子預期，未來十到二十年，可能有大量工作被電腦取代。她的這項計劃的主要動機之一，就是試著把人工智慧科技對就業市場的潛在衝擊予以量化。她認為只要一○％至二○％的專長技能型人力被自動化取代，就已經會釀成大災難了，「難以想像這數字如果是五○％，會是什麼光景」。她說：「這已經不是大災難所能形容。若人工智慧在未來表現得很好，我們不能排除這個數字的可能性。」
高等教育產業本身向來是高知識分子的重要就業部門，尤其是攻讀博士學位的人，通常的發展途徑是以大學新鮮人之姿踏入校園，然後就再也沒離開校園。
（本文選自全書，周政池整理）
作者︰馬丁．福特
出版：天下雜誌
書名：被科技威脅的未來：人類沒有工作的那一天
作者︰馬丁．福特
出版：天下雜誌
書名：被科技威脅的未來：人類沒有工作的那一天
