傳統觀念認為，人類對於科技的恐懼始於18世紀英國工業革命初期科技顛覆經濟秩序之時。實際上，那個時候人們對科技的恐懼已經根深蒂固。創新者都說，科技對工人是福不是禍，這種說法聽起來很有現代感。16世紀末，英國有一位叫威廉·李的牧師，發明了一個織長筒襪的機器——他認為那是一個奇妙的科技進步，因為它可以把紡織工人從簡單枯燥的苦差事中解放出來。1590年左右，他給女王伊麗莎白一世展示了該機器，並為此申請專利。據說，女王這樣回復他，「你的志向遠大，李牧師，想想你的發明將給我可憐的臣民們帶來什麼。它定會剝奪他們的工作機會，使之淪為乞丐，毀掉他們」。批駁一番之後，女王拒絕了李的專利申請，襪商領袖們也紛紛起來抵制，他被迫遷往法國，窮困潦倒終其一生。
150年後，工業革命黎明之際，一位名叫約翰·凱的英國人發明了梭子，引起了紡織業的改革，將生產力翻了一番——這對紡織工人來說應該是好事，他們可以生產出兩倍多的布匹，但是，紡織工人卻發起了抵制運動，生產商密謀著要破壞專利。走投無路的凱逃往法國，和威廉·李一樣死於貧困。創新者似乎面臨著貧困潦倒死於法國的職業風險。
等到工業革命開始，雖然形勢已成定局，但人們卻憎恨提高生產力的科技進步，19世紀初那些毀掉動力織布機的盧德分子[1]，僅僅是其典型代表而已。
從短期來看，這些抗議者是對的，但從長遠來看，他們大錯特錯。新科學技術的確吞食了很多工作，但同時也創造出許多——例如操作手搖織布機和動力織布機的工作。更為重要的是，科技越發達，創造出的工作也就越好。工人應用的科技越發達，生產力越強，掙的錢也越多，消費也越高，由此給整個經濟創造出更多新的工作。同時，工人應用科技生產出的商品，成本比以前低，機器製造布匹的成本只是手工生產的一小部分。結果是，漸漸地，在整個經濟領域中，科技大大提高了工人的生活水平。幾個世紀以來，盧德分子對科技的恐懼一直是毫無根據且站不住腳的，而且與事實恰恰相反。與歷史上任何其他發展相比，科技的不斷發展給人類帶來更多的物質財富。
接下來，變化發生了。在所有經濟領域，科技惠及勞動者成為最正統的觀念。但是，近來一些主流的經濟學家和科技人員首次懷疑，這樣的觀念是否還將被世人普遍接受。
新懷疑主義出現的最直接原因是，2008—2009年金融危機與經濟衰退之後，發達國家經濟體在創造就業方面的表現讓人憂慮。過去幾十年，美國在經濟衰退結束後的18個月內，就業水平就能恢復到衰退前的水平。然而，從1990—1991年經濟衰退之後，就業水平的恢復期延長了。2008—2009年經濟衰退之後，整整花費了77個月——超過6年的時間，才恢復到經濟衰退前的水平。這是怎麼回事？為什麼早在經濟衰退開始之前，美國龐大的勞動力市場上工資就已經停滯不漲了？為什麼同樣的情形在其他發達國家也發生了？經濟學家在尋找答案的時候，發現了引發經濟衰退的因素之外的其他因素。
當代的鮮明經濟特徵
美國前財政部長、哈佛大學前校長、著名經濟學家勞倫斯·H. 薩默斯（Lawrence H. Summers）是一位新懷疑論者，他在給同行經濟學家做重要報告時，簡潔地概括了關於科技之爭的正統思想：「社會上有不懂經濟的愚蠢盧德分子，也不乏聰明、進步的人士……愚蠢的人以為自動化會使所有的工作都消失，他們將沒有任何工作可幹。聰明的人明白，生產的產品越多，收入就會越高，因此需求也就越大，所有工作都消失是根本不可能的，所以自動化是一個福祉。」
幾十年來，這種觀點得到大量證據的支撐，你只需想像一下19世紀的世界，並與你身邊的社會進行對比就會明白。但是，就在最近，世界變了。「就在幾年前，我一直認為這個話題並不複雜，」薩默斯說，「肯定是盧德分子錯了，相信科技和科技進步的人是對的。現在，我卻沒有這麼堅定。」
薩默斯絕非唯一開始持懷疑態度的專家。2014年，皮尤研究中心（Pew Research Center）的互聯網項目挑選出1896名在科技方面有見地的專家進行調查，提出的問題是：到2025年，科技取代的工作會比創造出的多嗎？一半專家的答案是「會」，一半是「不會」，這是個令人震驚的結果。正如薩默斯解釋的，有利於否定答案的證據顯而易見，或者說在過去一直是顯而易見的。很難想像，10年前會有10%的專家給出肯定答案。（對此，我們也不確定，因為那個時候根本不會有人認為這個問題值得一問。）現在，卻有一半專家肯定地回答「會」。正統的觀念突然間不再被普遍接受。
理論上講，薩默斯和其他專家意識到的變化其實很簡單。生產力的兩個要素是資本和勞動者，[2]用經濟學家的術語來說，它們之間是互補而非替代關係。資本可以使勞動者更富有創造性，即便資本可以取代一些勞動者，它還會再創造一些新的、更富有創造性的工作來消耗新的資本，正如薩默斯說的，「如果資本增加了，工資必然上漲」（它補足工人的工資）。但是現在，薩默斯和其他專家都看到了一個新的可能性：資本可以替代勞動者，這一點毫無疑問。薩默斯解釋道：「也就是說，有了一批專門設計的機器，你就可以讓它們做勞動者所能做的工作，完全相同的工作。」
這裡的關鍵是「完全」。谷歌公司的無人駕駛汽車不是補充某個人的工作，因為根本就沒有人開車，公司還專門為盲人或其他殘疾人設計生產了一種沒有方向盤、剎車踏板或油門的汽車。換而言之，無人駕駛汽車並未使數量不斷縮減的駕駛員更富有創造力，它做了駕駛員的工作，是取代了駕駛員。
在這樣一個世界裡，經濟學邏輯決定，工資比率必須下降，總體收入中的增長部分流向資本，而非勞動者，這正是當前所發生的。薩默斯說，一個重要的原因是「我們看到了科技變革性質的轉變，科技變革正越來越多地以資本的形式出現，逐步取代勞動者」。
隨著計算能力的飛速發展，資本—勞動者替換現象會加劇，這樣的前景，對很多人來說絕非幸事。實際上，薩默斯這樣推論：「鑒於這種取代能力，某些工種的勞動者很可能無法掙到能夠維持生計的工資收入。」
經濟學家不是唯一發現這種趨勢的專家。「機器人和人工智能不同於以往的顛覆性科技革新，以前農用機械替代了農民，卻為他們創造了在工廠生產機器的工作。」美國國家航空航天局（NASA）一位富有科技經驗的程序管理經理馬克·納爾（Mark Nall）對皮尤研究中心的調查員這樣說，「科技不僅用途廣泛而且能力越來越強大，受影響的不只是個別的經濟領域，而是整個經濟領域，造成的後果是高收入的工作將越來越稀缺。」吉高姆研究公司（Gigaom Research）的首席研究員斯托·博伊德更為悲觀，「世界上沒有工作的人口比例將越來越高——他們要麼靠領救濟生活，要麼憑借大幅度降價的商品勉強維持生計」。備受尊崇的網絡先鋒邁克爾·羅伯茨信心滿滿地預言：「能力高強的電子虛擬人離我們僅有區區幾年之遙，而非漫漫幾十年……面對新的現實，每個人都將承受巨大的痛苦。現在唯一的問題是，這一天來得有多快。」
微軟公司創始人比爾·蓋茨也察覺到了這個趨勢，認為人們對它的認識不足。「軟件取代人，不論是替代駕駛員還是服務生，抑或是護士，這一切都正在發生。」2014年，他對華盛頓特區的一群觀眾說，「漸漸地，科技會減少對工作崗位的需求……從現在起，再過20年，多個科技領域對勞動者的需求將大大減少。我想，人們對此還毫無意識。」
然而，所有這些捶胸頓足、咬牙切齒之舉，不正是新舊產業交替之際無休止的創造性破壞帶來的擔憂嗎？當你無法靠計算尺製造技術養家餬口時，你還可以幹別的工作掙得更多收入，所以它並不是什麼問題。可是，這個類比本身不成立。你無法靠製造計算尺謀生，是因為人們不再需要計算尺。這恰恰說明，完全可以用更多的機器、更少的勞動力提供人們當前和未來最需要的商品與服務。
由此，薩默斯得出結論，「這種發展構成了當今時代的鮮明經濟特徵」。他這樣有聲望的經濟學家得出的結論，必然非常重要。
勞動者的第四個重大轉折點
顯然，我們面臨一個緊迫的問題：誰會受到傷害？誰不會受到傷害？
要尋找問題的答案，我們不妨把這些發展看作一個故事的最新發展。兩百多年來，科技一直在改變勞動的性質和特定技能的價值。到目前為止，故事中僅有三個大的轉折點。
最初，工業革命的崛起使完全憑手藝製作產品的匠人貶值了。一名槍支製作工匠得完成雕槍托、鑄槍管、刻槍機、磨扳機以及組裝部件等一系列任務，但是，伊萊·惠特尼的康涅狄格槍炮製造廠的工人分工合作，每組只完成一項或者部分任務，並且還使用水力機械，生產出來的部件一模一樣。這樣一來，技術熟練的匠人倒霉了，沒有多少技術的工人反而大受歡迎，他們很容易學會操作新機器——工人和機械兩者互補——於是乎，工人的收入比過去更高了。
20世紀初，伴隨著新發展趨勢的出現，第二個轉折點降臨了。電的廣泛應用使更加精密的工廠的出現成為可能，而精密的機械需要受過良好教育和熟練掌握技能的工人操作，公司的不斷發展壯大，需要更多受教育程度較高的管理者。這時候，沒有技術的工人倒霉了，而受過教育的工人大受歡迎——當然，這也不是什麼問題，因為沒有技術的工人可以接受培訓。這種發展趨勢在20世紀愈演愈烈，不斷進步的科技，對勞動者受教育程度的要求越來越高。美國人對此做出的反應是，以史無前例的雄心壯志大力提高教育水平，高中畢業率從1890年的4%飆升到1970年的77%，全民智力前所未有地大幅提升了。只要勞動者能夠跟上科技發展越來越高的要求，二者就能夠保持互補關係。這種發展帶來的是經濟奇跡的出現和人民生活水平的快速提高。
從20世紀80年代起，第三個轉折點出現了。信息科技已經發展到可以接管中等技術水平的工作——記賬、結算、重複性的工廠工作。這幾大類工作崗位的數量不斷減少，從事這類工作的人數不斷縮水，工資也停滯不前。但這種發展趨勢是有限制的。在技能圖譜的兩端，掌握高技能和低技能的人處境要好很多，這些類別的工作崗位增加了，工資也漲了。這種現象在美國和其他發達國家都有，經濟學家稱之為勞動力市場的兩極分化。在勞動力市場的頂部，信息科技還沒有發達到能夠接替經理人、律師、顧問、金融專家等高技能人士的工作，完成問題解決、判斷與協調等任務。事實上，科技以更低的成本，為這些人提供了更多的信息，因而提高了他們的工作績效。在勞動力市場的底部，信息科技並沒有威脅到低技能服務行業的人群，因為計算機最不擅長的就是需要高身體靈敏度的工作。計算機可以戰勝優秀的象棋大師，卻撿不起來桌子上的鉛筆，從事家庭保健助手、園藝師、廚師等職業的人也大可安心。
以上不過是2000年以前的情形。現在，我們已經迎來了第四個轉折點：信息科技穩步發展，已經觸及技能圖譜的兩端，威脅到那些高枕無憂的人。
也許律師不如計算機聰明
在高技能一端，律師界發生的一切，將是其他任何一個涉及分析、微妙闡釋、策略運用以及誘導說服等技能的行業將要發生的。眾所周知，計算機已經侵入法律取證過程，世界各地的很多法律案件中，計算機讀取並分類處理數百萬份文件，從中尋找相關信息，既不會疲倦，也不會分神，節省出大筆經費。賽門鐵克（Symantec）旗下的電子取證系統供應商克利爾韋爾聲稱，可以把取證成本降低98%。這聽起來有點離奇，但與另外一家名為「自治」（Autonomy）的軟件供應商的一位主管所言相符。這位主管在《紐約時報》上聲稱，有了電子取證系統，一名律師可完成500名甚至更多律師的工作。而且，軟件系統遠比人工做得好，可以從海量文件中發現人工難以發現的規律，例如，某份文件的特殊編輯方式、特定群體間交流量的增加，甚至可以發現電子郵件文體改變暗含的動機。
這些僅僅是個開端。計算機沿著價值之梯不斷向上攀升，越來越擅長搜索法律文獻，為某個案例尋找適當的先例，比人工搜索的範圍更廣、更徹底。當然，其中所涉法律問題的識別，依然要靠人工完成。然而，根據西北大學的法律教授約翰·O.麥金尼斯的著述：「最終，搜索引擎不僅能獨立完成這些任務，而且還能提供與案子相關的判例法。」
計算機越來越向律師技能領域的高端發展，它對高級法院裁決的預測比法律專家更準確。隨著這種分析能力的應用範圍不斷拓展，計算機將會向律師的核心工作邁進，不論針對的是哪一類案子、哪一級別的法庭，都可以為客戶提供建議：提起訴訟、庭外和解或者法庭審判，而且提出的建議往往比律師的更好。美國知識產權專利訴訟公司Lex Machina和休倫湖法律（Huron Legal）這樣的公司，已經開始提供分析服務，並日益完善。這些公司的計算機，可以讀取成千上萬個案件的所有文件，並做出分析，例如，哪些公司喜歡庭外和解而不願提起專利訴訟？某個法官在審理某類案件時，傾向於做出什麼樣的裁決？在某些特定法官面前，哪些律師的記錄最佳？既然訴訟當事人（不論是原告還是被告）可以從海量數據中得出更精確的分析，他們很有可能會更加高效地解決爭端。也許，結果是法律訴訟案減少了。
雖然，這並不意味著律師職業即將消亡，但它說明律師的數量將會減少，而事實上已經開始減少。「機器智能的出現，或許是當前法律學校面臨危機的部分原因——招生人數不斷縮水，學費一再下降——而且可能會使危機加劇。」麥金尼斯這樣評論。
律師這一需要三年研究生教育的高收入前沿領域，已經被信息科技顛覆，那麼其他高技能人員（分析師、經理人）禁不住開始懷疑自己的未來。法律界的變化，是類似沃森的科技在某一領域的應用結果，而且它可以應用到更廣的領域。這類科技取得了新的突破，能夠理解自然語言，所以，當你提出問題時，它並不是單純地搜索問題中的關鍵詞，而是竭力去理解問題的情境，理解問題的真正含義。例如，如果你的問題含有「2+2」這個字眼，它的意思可能是「4」；假如你在汽車行業工作，它也可能指「一輛有兩個前排座位、兩個後排座位的汽車」；假如你是個心理學家，它還可能指「一個由父母雙親和兩個孩子組成的家庭」。認知計算系統會根據問題的情境，找出可能的答案，並且評估哪一個最有可能是正確答案。剛被應用於某一領域時，計算系統提供的答案並不是很好，但它積累經驗以後，提供的答案就會越來越好。所以，在線旅遊公司「旅遊城」（Travelocity）的創始人、網絡企業家特裡·瓊斯說：「沃森是唯一一台使用後比使用前更值錢的計算機。」
沃森這樣的系統，安裝大量可閱讀、可處理的文字材料以後，工作性能才能達到最佳。在《危險邊緣》節目中，沃森不僅存儲了維基百科的全部內容，而且還有以往每一期《危險邊緣》節目的線索和答案。法律領域顯然特別適合應用這種科技，醫療也很適合。紐約市的斯隆·凱特琳癌症中心（Sloan Kettering Cancer Center）利用沃森從浩瀚的腫瘤學文獻中提取答案，醫生則無法勝任這樣的任務。金融咨詢似乎是應用這類科技的另一個重要領域，因為它涉及數目龐大且不斷發展的研究，而且海量的數據每天都在變化，所以，有幾家金融機構最初把沃森當作金融咨詢師使用的工具。讓我們看得再遠一點，金融服務研究公司企業洞察力提出這樣一個問題：「一旦消費者自己擁有沃森系統，有經驗的投資家何必還要金融咨詢師呢？」
不會卡殼、不知疲倦、不會醉酒的作家
理解自然語言的能力和高轉矩分析能力，二者結合起來就能造就一名紀實作家。一個名為敘事科學的公司生產出一種寫作軟件，寫出的文章無人能看出是計算機之作。起初，它主要針對涉及大量數據的事件：球類比賽和公司盈利報告。但成熟之後，不再單單處理事實與數字——例如，確定最重要的比賽，或者尋找文章最佳的寫作視角：轉敗為勝還是賽場英雄？隨後，研發人員教會軟件不同的文體，客戶可以從菜單上選擇不同文體。接下來，學習如何理解非數字數據、如何閱讀相關材料為文章創設情境。很多傳媒公司，包括雅虎和福布斯在內，發佈來自敘事科學公司的文章。當然，公司的一些客戶不希望這類文章被識別出來，不願意讀者知道文章是計算機寫的。2014年年中，美國聯合通訊社（Associated Press）把所有關於公司盈利報告的寫作任務都交給了計算機。
敘事科學公司發現，真正賺錢的或許根本不是寫新聞稿（新聞稿可以交給任何記者去寫），而是寫公司內部文件，即影響公司決定的報告和分析。所以，它開始利用技術收集各類信息，包括社交媒體上的非結構化數據，如關於某一特定話題或問題的帖子，並進行深入分析，尋找趨勢、相關性、特殊事件等等。據公司介紹，該類軟件可以利用數據「做出判斷、得出結論」，然後提供建議，而且還可以根據客戶選擇的閱讀水平、語氣完成寫作，並提供有用的圖表。
聽起來，這不像寫作，更像管理。
那麼，計算機寫作與分析有什麼好處呢？至少，它可以供人類做出決策，除非我們不再需要做出決策。從小學到大學，都已經開始運用軟件來分析和評價學生論文。這類軟件還不夠完善，無法評價語態和基調這樣的細微之處，可是，人同樣不是盡善盡美的。
佐治亞州坎頓市的一名中學教師傑夫·彭斯，運用軟件批閱了140篇學生論文。他承認軟件評分不是很準確，但他對《教育週刊》記者說，「當我批閱到第67份作文的時候，我也無法真正做到準確無誤」。這類軟件已經應用於更高的層次，哈佛大學與麻省理工學院共同創建的大規模在線課堂平台edX已開始運用軟件批閱學生論文。休利特基金會為寫作評價軟件的開發設立了兩個10萬美元大獎，edX聘任了其中一名大獎得主，開發專用的寫作評價軟件，並將它作為開放資源向世界各地的研發人員免費開放，不斷完善軟件。
當然，這類評價軟件本身首先得經過人類的評價，與人工評價進行對比。所以，研究人員召集了一組教師，批閱一大批論文，然後，同一批作文分別由另外一組教師和軟件批閱。研究人員對比了兩組教師批閱的成績，還對比了軟件與第一組教師批閱的成績，三個組的成績都有差異，但是，軟件批閱成績與第一組教師批閱的成績之間的差異，並不比第二組教師與第一組教師批閱的成績之間的差異大。軟件批閱的成績無法做到與人工批閱的成績相一致，可是人也一樣，無法做到不同人之間的評分一致。而且，把軟件和人工批閱出的一大批成績放在一起，很難辨認出哪些是人工批閱的，哪些是軟件批閱的。
由此，可以得出以下兩點：
其一，軟件在高速完善和發展，而人類卻做不到。
其二，當前的教育變得離奇古怪。畢竟，敘事科學和其他公司研發的報告寫作軟件很容易被改編後應用於其他領域，例如學生論文。所以現在，論文評價軟件與論文寫作軟件並存，且二者都在發展完善。結果顯而易見，寫作軟件不斷優化，迎合評價軟件的要求。每一篇論文都可以得優，但與學生和老師毫無關係。這個過程中，根本沒有教育發生。這是學生和老師共同面臨的問題。
機器人的觸覺
信息技術正在以驚人的速度接替工作圖譜高技能端的工作——律師、醫生、管理者、教授，但這還不是最令人震驚的。如果我們以為，這些工作需要高水平認知才能完成，所以本質上不會受到計算機競爭的威脅，那就大錯特錯了。這些工作，大部分是腦力勞動，正是計算機最擅長的，只不過它還需要時間來提高計算能力，達到工作所需的水平。更令人驚訝的事發生在工作圖譜的另一端，那些對認知要求不高，卻消耗體力的低技能、低收入工作領域。幾十年來，計算機幾乎幹不了這種工作。舉個例子來說明這種能力的差距：1997年，計算機可以打敗世界上最優秀的國際象棋大師，卻無法移動板上的部件。然而，對科技而言，這依然只是時間問題而已，只需要再多幾次計算能力的翻番而已。體力勞動同樣無法躲避信息技術進步帶來的危險。
谷歌公司的無人駕駛汽車是一個最明顯、最重要的例子，之所以重要，是因為在美國男性中，司機是排行第一的職業。這樣的例子越來越多。你可以訓練美國再思考機器人公司（Rethink Robotics）生產的巴克斯特（Baxter）機器人，教它完成各種任務，打包或開箱、傳輸帶上放置或搬走物品、疊T恤衫、搬運物品、計數、檢查物品等等，它可以隨心所欲地移動手臂（「末端執行器」）。以前的工業機器人都需要罩在一個安全籠中，週而復始地以同一種方式完成同一個動作，僅此而已。你若是恰巧處在焊接機器人和它正在焊接的部件之間，那你就慘了。但是，巴克斯特在地板上嗡嗡嗡四處移動時，不會傷害到任何人，它可以根據環境調整行動，因為它可以感應周圍的一切，包括人在內。
很多類似的機器人在不同環境中工作，例如，機器人嗡嗡嗡地穿行在醫院過道裡，運送藥物、搬運洗滌的衣物、撿拾傳染性垃圾，保安機器人在公共建築外巡邏，查看、讀取牌照，並在必要時把信息傳送給執法部門。早在人工進入日本福島第一核電站爆炸後的殘骸之前，機器人已經先去了。
機器人在高危工作中具有優勢，所以，美國軍方是最大的機器人用戶和最主要的研究資助者，截至2008年，有12000個戰鬥機器人在伊拉克工作。有些戰鬥機器人僅比鞋盒子大一點，在微型坦克履帶上運行，可載一台照相機和其他傳感器，執行情報收集、監視以及偵察任務。大一點的戰鬥機器人的任務是處理炸彈或在危險地帶運送重物。還有一些裝備了武器的戰鬥機器人被派往伊拉克，但是據報道，從未正式使用過。2014年，羅伯特·科恩將軍宣佈，軍方正在考慮將常規戰鬥部隊的士兵數量從4000人縮減到3000人，用機器人和無人機補足削減掉的人數。
到目前為止，那些戰鬥機器人還不是自動的，需要人控制，每人一個。軍方意識到了它的低效，所以美國陸軍研究實驗室研發了一種更高端的機器人，叫作「機器領導人」（Rober Leader），項目負責人傑西·陳說，它「以操作員的意圖來理解所處的形勢」，具有視、聽、感知功能，可以判斷最佳的命令執行方式，「並且給能力級別較低的機器人隊伍發送詳細的命令信號」。陳解釋說，它最大的優勢是人工操作員無須直接管理每一個機器人，只需管理一個——機器領導人。
女士們，先生們，我們發明了機器人中層管理人員。
在其他方面，機器人的肢體技能也在飛速進步。想想哈佛大學、耶魯大學以及艾羅伯特（iRobot）機器人製造公司聯合研發的機器人手吧！艾羅伯特機器人製造公司是掃地機器人Roomba和其他許多移動機器人的生產商，包括軍隊所使用的。這種機器人手的運動技能非常好，可以從桌面上拿起一張信用卡、安裝鑽頭、轉動鑰匙，在以前這些都是超出機器人能力範圍的肢體技能。「殘疾人可以對裝有手臂的機器人說：『到廚房去，把我的飯菜放進微波爐。』」來自哈佛大學的研究人員羅伯特·豪教授這樣告訴《哈佛》雜誌記者，「機器人手是真正的研究前沿，我們一直都在朝著這個方向邁進」。
似乎，在我們所見之處，機器人突然間能夠勝任它以前做不了，而且很多人以為它們永遠都做不了的工作。對機器人而言，技術水平較低、類似疊T恤衫這樣的活兒更具有挑戰性，但是，計算能力和運算技能的無休止進步，最終還是攻克了這些領域。錯誤地以為自己永遠不會被計算機所代替的人數在不斷增長，增長速度非但沒有減慢，反而加快了。
計算機能看穿你的謊言
然而，人類作為有血有肉、有生命、獨特的有機體，難道就沒有最後一塊陣地是計算機無法侵入的？目前為止，我們所檢視過的一切，都涉及源自左腦的技能，是邏輯性、線性、流程化、計算機式的，那麼，另一面呢？右腦及其擅長的情感，又如何呢？它是非理性、神秘的，我們能理解，卻無法解釋如何理解。而且，在很多工作中，不論是高技能的，還是低技能的，情感是取得成功的真正秘製作料。高管必須讀懂客戶、員工、監督人員以及任何一個與之打交道的人的情感，並且做出反應。一名好的侍者可以用不同的方式接待不同的顧客——古里古怪的、筋疲力竭的、歡天喜地的、糊里糊塗的、醉醺醺的……卻不知道自己是如何做到的。無疑，這永遠都是人類特有的能力。
但是，Emotient表情識別公司和Affectiva情緒識別公司這樣的人工智能公司的創始人，都是應用計算機理解人類情感的研究人員，他們也許不同意這種說法。隨著研究不斷取得進展，人類駕馭有血有肉的情感世界的能力，似乎不再特殊。
我們用多種方式——言語、語調和肢體語言——傳遞情感。但是，要想在不使用傳感器的情況下讀懂一個人的情感，最有用的指標就是面部表情。產生某種情緒的時候，我們並不是一直說話或者做什麼動作，而是不停地改變面部表情。事實上，一位名叫保羅·艾克曼的研究人員早在幾十年前就發現，當我們感受到某種情感的時候，即使我們想盡力掩飾，也總會通過面部表情流露出來，哪怕面部表情轉瞬即逝，或許只有幾分之一秒。艾克曼因為發現了所謂的微表情，尤其是在利用微表情檢測謊言方面開展的研究而一舉成名。系列電視劇《對我撒謊》就是以他的研究為素材，主人公以他為原型。
但是，作為20世紀被引用最多的心理學家，艾克曼的成就遠不止發明了檢測謊言的辦法。他對人的面部所能夠透露的信息進行了最深入的分析。人的面部有40塊肌肉，艾克曼研究了每塊肌肉的運動方式，並計算出所有可能的組合方式，組合的總數超過1萬種，這意味著人類可以做出1萬多種面部表情，至少理論上是這樣的。在真實生活中，大約有3000種與情緒有關。艾克曼研究出哪種情緒是由哪幾種面部肌肉運動組合傳遞出的。經過多年的努力，他的研究結果彙編成了《面部運動編碼系統》。一個人面部的任何一種肌肉運動組合，不論其顯現時間多麼短暫，艾克曼都可以判斷出他所感受的情緒。
艾克曼成功地創辦了一個培訓公司，訓練執法、商業以及其他領域的工作人員如何探測情緒。但是，隨著計算機技術的進步，其他研究人員也開始研究如何用計算機完成這樣的任務。你可能已經注意到，手機上的照相機就可以探測你的面部，把它顯示在一個方框中。更先進的軟件可以檢測面部表情，並且識別艾克曼編碼系統中的面部肌肉運動組合，這種技術的潛在用途催生了加州大學聖迭戈分校的6篇博士論文，Emotient表情識別公司應運而生，而艾克曼本人則被招聘到公司的顧問委員會。
把攝像機對準一個人的臉，Emotient公司的情感分析軟件就可以告訴你這個人的總體情緒狀態（積極、消極、中性），並且展示一個不斷更新的條狀圖，顯示出這個人的7種基本情緒——歡樂、驚訝、悲傷、恐懼、厭惡、鄙視、憤怒的程度，還有兩種高級情緒——沮喪和困惑（之所以高級，是因為它們由其他情緒組合而成）。把攝像機對準一群人，它就可以分析所有人的情緒，並且生成一個復合數據顯示。把軟件裝進谷歌眼鏡（Emotient公司已經這麼做了），你正在觀察的人的情緒數據就全部出現在你眼前（是的，很快就有人發現，你所探測到的情緒，是對你的鄙視，因為你戴著谷歌眼鏡）。Emotient公司在銷售情緒分析系統時，最初瞄準的只是零售商，但它的前景顯然非常廣闊。
麻省理工學院媒體實驗室的衍生公司Affectiva，也利用艾克曼的研究進行面部表情分析。公司把研發的軟件賣給市場營銷商和推銷商，供他們通過網絡攝像機進行網絡客戶分析。你無須把研究對像組成研究小組，再去猜測他們的想法，而只需通過網絡與他們交談，然後讓他們的臉告訴你一切。媒體實驗室有一個獨立項目，研究的是另外一種情緒——司機的壓力，主要是通過方向盤上的生物傳感器檢測司機握方向盤的壓力、皮膚電傳導以及手心出汗程度，並借助對司機說話聲音的分析。
所以，人類解讀他人情緒的神秘能力，變得不再那麼神秘，計算機也能解讀情緒，科技已經發展到了不用太費力就可以解讀情緒的地步。
這似乎已經夠了不起了，人類特有的情緒解讀能力變得越發不足為奇。計算機不僅能解讀情緒，而且能解讀得比人類更好。
瑪麗安·巴特利特博士，Emotient公司的創始人之一，率領一組研究人員，用錄像機錄下了志願者疼痛時的面部表情。志願者疼痛的表情，是他們把胳膊放進冰桶裡引發出來的，或者是他們假裝出來的。然後，研究人員播放錄像給研究對像觀看，並提出問題：「這個人是真疼還是假疼？」答案的正確率是50%。也就是說，根本沒有線索可供判斷，他們大可用拋硬幣的方式來回答，正確率也會一樣。經過對被測試者進行真假疼痛表情分辨訓練以後，他們的回答正確率提升到55%。但是，用巴特利特和她的團隊研發出來的軟件分析錄像，正確率高達85%。不論是本次研究，還是其他研究，都不能說明疼痛易於假裝出來，或者它與其他情緒有本質的區別。完全有理由推斷，軟件在探測其他情緒方面，也將會優於人類。
儘管我們深信，理解情緒是人類特有的能力，但是計算機在這方面確實比人類做得更好，對此我們不必驚訝。計算機可以觀察人類面部40塊肌肉中的每一塊，記住所有3000種組合；一台攝像機每秒鐘拍攝30個畫面，計算機可以分析每一個畫面，這正是真假痛識別實驗中計算機所做的工作。即便是艾克曼本人培訓出的專家，觀察時也會偶爾錯過一個微表情，計算機卻永遠不會。
計算機能比人類更好地解讀情緒，繼而可以利用解讀到的信息，完成更多任務，例如分析參訓大學生的面部表情。研究人員培訓大學生完成一項並不複雜但具有挑戰性的任務：從電腦屏幕上的9張卡片中找出特定的3張卡片組合（實際任務比聽上去更難）。培訓前，大學生參加一項測試，培訓過程中，分別由人工和計算機觀察、判斷他們的投入程度。培訓結束後，他們參加了另一項測試，以檢驗取得的進步。
結果顯示，計算機可以更好地預測大學生在第二項測試的表現，它通過對學生面部表情的分析，判斷出學生在訓練過程中的投入程度。計算機的預測力與人工對學生投入程度判斷結果的預測力基本相同，甚至比它更強。而且，有了計算機解讀數據，可以做更多事。正如專家指出的，計算機可以實時動態判斷學生的投入程度，並相應調整教學以使學生個體更好地投入訓練，從而為學生提供個性化的服務，還不受人數限制。教育人員可以從海量的投入情況數據中挖掘出細節，找出哪些教學活動吸引學生，哪些令學生感到枯燥乏味。教師個人、教學單位以及整個學校都能監控學生的投入程度。
同樣的原理以不同的方式在麻省理工學院研製的壓力監控汽車上得以應用。如果汽車傳感器察覺司機壓力過高，它會自動建議播放輕鬆的音樂，用舒適的聲音發出導航指令。如果司機走神了，方向盤就會震動，促使司機集中注意力。最有趣（或者最滑稽）的是，研究人員應用了一種特殊的感溫變色漆，汽車可以根據司機的情感狀態改變外部顏色，給其他司機發出信號。當然，一旦無人駕駛汽車出現，這種技術就毫無意義了。在此之前，它能否有足夠的時間實現商業化，則另當別論。
計算機具備了感知人類情緒的能力，這意味著在探測人類情緒方面，機器可能勝過人類。也許會有這樣一種假設，我的情緒狀態，除了我之外，不論是人還是計算機，都無法瞭解，然而事實並非如此。我們都曾有過這樣的經歷：詢問某人為何心情不好，結果對方火冒三丈地吼道：「我哪裡心情不好了？」或者，更有可能的是，我們就是那個吼叫之人。計算機可以看到我們視而不見的東西，說得更廣一點，人類最不擅長識別自己的壓抑、沮喪、憤怒或其他情緒。這正是那種能夠在我們感到壓力的時候向我們發出警告的技術的價值所在。我們對個人情緒的瞭解常常受阻，因為我們打心底裡否認計算機能夠更好地解讀我們的情緒。
儘管如此，如果說計算機能比人更好地瞭解人類情緒已經不足為奇，這無疑發人深省。我們基於對個人情緒的瞭解做出各種改變命運的決策，在生意、情感以及其他方面，我們常常忽略自己的情緒，任其主導自己。我們意識到了這個問題，所以，有時會就個人情緒問題聽取親朋好友的意見，生活歷來如此。現在的新情況是，科技在解讀人類情緒方面超過了人類自身。
令人震撼的是，在科技不斷突破的進程中，沒有一個人享有長久的安全。雖然，科技還不會立即威脅到數百萬工作在各行各業的人，但是，這種趨勢卻日漸明顯。不論在哪個工作領域，高技能或是低技能、強腦力或是重體力、左腦分析型或是右腦情感型，信息科技正在飛速發展，在很多情況下已經達到，甚至超越了最優秀人工的水平。
傳統的反駁論點是，人類無須擔心，因為科技應用最有效的方式是與人合作，而非取代人類。人機合作比計算機獨自工作效率更高，但是，這種情形只是暫時的，計算機終將證明其優越性。雖然，人用計算器解答數學問題，絕對比計算器獨自解題速度快得多，若沒有人按動計算器上的數字，計算器什麼也做不了，但是現在，計算器可以獨自操控整個工廠和倉庫，可以獨自完成數學計算，數字則由掃瞄設備和傳感器輸入。
國際象棋是用來支持反駁論點的最佳例證。1997年，IBM公司的深藍計算機戰勝了國際象棋世界冠軍加裡·卡斯帕羅夫，但是，至2008年左右，一個人與一台計算機合作，就可以戰勝獨立工作的計算機。這個例子常被人引用，證明人可以為比賽增加計算機無法提供的絕妙東西。但問題是，這種說法越來越站不住腳。經濟學家泰勒·考恩（Tyler Cowen）在2013年出版的《平均時代的終結》（Average Is Over）一書中引用了這個例子，使它廣為人知。然而，考恩在書中還說，隨著計算機的發展，也許會有一天，人不能再為計算機增加任何價值。2013年，他發表了一篇博客文章，證明這一天已經來到。該博文發表之際，人機聯隊有時依然能打敗計算機，但這是在IBM和谷歌這樣實力強大的軟件公司沒有參賽的情況下取得的勝利。在西洋跳棋比賽中，人機聯隊就無法勝過計算機。而對於下國際象棋，也只是時間問題，只需計算能力再翻幾番而已。
這種發展趨勢對「更多傳統勞動市場有啟發意義」，考恩說。
也許，你學的是操作計算機程序，讀取醫學掃瞄結果，13年來，憑借自己的知識和能力，修正計算機錯誤或者提醒醫生認真查看結果，為計算機的工作增加價值。但逐年地，你花費越來越多的時間才能改進計算機的工作。然後，突然有一天…… 噗的一下！ 你就ZMP了。
「ZMP」的意思是「邊際產品為零」，是經濟學家使用的一個術語，表示根本沒有任何價值可增加。
我們必須不斷提醒自己，這種發展趨勢非但沒有減速，反而在加速，這才是最令人困惑的。我所描寫的科技和發展，在我寫作之時還是令人「天哪、哎呀」地驚歎的新鮮事物，而等你讀到此書的時候，它們恐怕已經成了讓你「哼、哈」漠不關心的事物了。從令人凝神靜氣到乏味無趣，僅僅需要幾個月，這說明了一個殘酷的道理。當我們拚命去理解科技發展對生活的意義時，不得不迫使自己想像比現有這些令我們眼界大開的變化更巨大、更迅猛的發展。
面臨這樣的挑戰，我很想知道尼古拉斯·尼葛洛龐帝（Nicholas Negroponte）如何看待當前的發展趨勢。尼葛洛龐帝以麻省理工學院媒體實驗室創始人而聞名於世，早在電話從有線發展到無線、電視從無線發展到有線、用微型數字設備接收消息等成為現實前的幾十年，他就預言了這一切。預言基本正確。
所以，我通過電子郵件向他提出一個問題：「5年或10年以後，人類在哪些方面能夠勝過計算機？」
他的回答是：「除了『享受』，其他幾乎沒有。」
「我們真的想要一個沒有工作的世界嗎？」
實際上，一個幾乎沒有工作的世界不太可能出現，根本原因在於，人的慾望是無止境的。科技為我們做得再多，我們都會有渴望之物。正如米爾頓·弗裡德曼曾說，你可能會到花錢雇一個私人精神病專家跟隨在身邊的程度。（亨利·福特，在某些傳說中是約翰·D. 洛克菲勒，成年後才學習打高爾夫球，殘酷地僱用一個小男孩在球場上跑前跑後，提醒他低頭。）我們總會找一些事做。在勞動歷史的第四個重大轉折點上，我們面臨的一個重大問題是，我們將會尋找什麼樣的工作：是高價值還是低價值的，是精神病專家那樣的工作，還是高爾夫球場上的小男孩那樣的工作。
答案很明確，但奇怪的是，要想找到答案，必須仔細審視我們自己，而不是計算機。
[1] 盧德分子是19世紀英國工業革命時期因為機器代替了人力而失業的技術工人，現在引申為持有反技術創新和科技創新觀點的人。——編者注
[2] 作者提出的生產力的兩個要素與馬克思提出的生產力的三要素（勞動力、勞動工具、勞動對像）有所不同。——編者注