比“狗屁工作”更可怕的，是没有工作

比“狗屁工作”更可怕的，是没有工作

艺术家马克斯·格鲁伯（Max Gruber）所表现的数据工人。/Wikimedia Commons

作者 | 菲尔·琼斯编辑 | 谭山山

《后工作时代:平台资本主义时代的劳动力》

[英] 菲尔·琼斯 著

陈广兴 译

上海译文出版社 2023-8

一名妇女生活在肯尼亚的达达布难民营，这是全世界最大的难民营之一，她穿过巨大的、尘土飞扬的难民营，前往营地中央摆满电脑的棚屋。像很多其他被放逐在我们全球体系边缘的人一样，她每天辛苦劳作，为数千英里外作为新兴资本主义先锋的硅谷工作。一天的工作可能包括给视频分类，转录音频，或给算法展示如何识别各种猫的照片。

在缺乏真正就业的情况下，敲击电脑的微工作是达达布难民营的人为数不多的“正式”选择之一，虽然这样的工作不稳定、艰辛，而且工资按件支付。拥挤不堪、密不透风的工作空间，布满了乱成一团的电缆电线，与宇宙新主人们生活居住的天国一般的校园形成完美对比。

亚马逊首席执行官杰夫·贝索斯1小时能赚1300万美元，一个难民教贝索斯的算法如何识别一辆汽车1小时仅赚几美分，体现了由可牺牲的生命构成的巨大而且正在变得更大的贫民窟，与智能机器人和亿万富翁构成的资本主义先锋之间不断扩大的鸿沟。只需要轻轻点击一下鼠标，就把野蛮和崇高捆绑在了一起。

“人工的人工智能”

对于平台大亨来说，微工人的模糊地位，与其说是法律上的，还不如说是本体论的。众所周知，杰夫·贝索斯将亚马逊的 Mechanical Turk平台上的工人描述为“人工的人工智能”。

最初的 Mechanical Turk是匈牙利发明家肯佩伦（Johann Wolfgang Ritter von Kempelen）于18世纪创造的机械装置。该设备被设计为类似于自动下棋机，但实际上并非如此。机械土耳其人表面上是一个穿着东方服装的木偶，但隐藏在其土耳其毡帽和长袍底下的是一个人类国际象棋大师。

马戏团老板约翰·梅尔策尔（Johann Maelzel）在美国多次巡演展出了该装置，埃德加·爱伦·坡曾经观看了表演，他没有受到蒙蔽，深信这是一个骗局，并写了一篇标题为《梅尔策尔的棋手》的文章对其进行曝光，以期引起人们对这个骗局的注意。

坡声称，在国际象棋中击败人类自发思维的预制机械不可能存在，因为“国际象棋中没有哪一步必然跟随另外一步。我们无法从参赛者在比赛的某个时刻的具体棋步推测出他们在其他时刻的棋步”。

“机械土耳其人”图解。/Wikimedia Commons

随着机器学习和能够做出下棋推测的计算机的出现，人们可能会认为机械土耳其人这种掩人耳目的幼稚把戏已经成为历史。毕竟，现在已经有了在国际象棋上可以击败任何人类的计算机。然而，机器仍然难以完成许多看似简单的任务。为了完成这些工作，贝索斯——一个不亚于梅尔策尔的自信者——设计了一个以肯佩伦的机械土耳其人命名的平台。

在 18世纪装置的后现代变形中，该平台将人类伪装成计算机，而现在是为了吸引初创企业、大型集团和大学研究机构中的轻信的，或仅仅是愤世嫉俗的受众。

认识到仍处于起步阶段的平台经济对廉价劳动力的需求不断增长，亚马逊于2005年公开推出了Mechanical Turk。这个网站现在为人所熟悉的角色是为那些向不稳定的工人们发布 “人类智能任务”（HIT）的公司提供服务，这一角色成为后来众多网站的原型。

基于人工智能在过去10年的飞速发展，Appen、Playment和 Clickworker在全球拥有数百万名工人供其使用。在小数据问题的全自动解决方案出现之前，这些数字还将继续增长。由于我们无法准确预测人工智能的未来发展，因此我们也很难准确预测这一数字。

纪录片《隐形者——数据时代打工人》（Invisibles: Clickworkers）截图。

人工智能的增长是资本主义制度以反常的方式适应衰退的结果，转向曾经的经济副产品，试图重振经济增长。曾经被视为外部因素的数据的商品化现在已经成为全球所有大公司商业战略的核心，不仅包括谷歌、亚马逊、阿里巴巴和脸书等大型科技平台，还包括许多银行和超市。

数据提取、处理和分析构成的巨大的基础设施导致了数据技术和计算的指数级增长。不受限制的风险投资、复杂无比的算法、摩尔定律和“大数据”等相辅相成的因素，加速了各种创新背后的机器学习的发展。这里的创新复杂多元，包括自动驾驶汽车、云计算、智能助手和广告策略，以及过滤和推荐视频内容的方法。

应该警惕“自动化错觉”

虽然“人工智能”（AI）和“机器学习”这两个术语经常互换使用，但机器学习实际上是人工智能发展的一个具体的方向。

机器学习依赖大量数据来训练模型，然后利用这些模型做出进一步的预测。整合在这一过程中是分析数据以提取模式并进行预测的算法，然后利用这些预测来生成新的算法。在学习和创造新的规则方面，这些产品以类似于人类智能的方式发展。

在目前可以使用的这些技术中，模仿人脑神经元连接方式的人工神经网络（ANN）是最复杂，也是应用最广泛的。在一个被称为“训练”的过程中，人工神经网络反复接触特定数据对象的实例，例如一只猫的图像或一段旋律的音频剪辑，然后算法操纵网络各层面的加权相互作用，直到网络能够识别这个对象。然后这个新的数据会自动反馈到网络中，从而创建更复杂的算法。

这些技术接触的数据越丰富，它们的训练就越全面，它们的能力就越复杂，完成图像分类、文本分类和语音识别等各种任务的能力也就越强。在诸多领域，这样的发展赋予了机器不亚于人类或超越人类的能力。

深度学习算法在翻译的时候能够对上下文和细微之处有很高的敏感度，以至于经常能够超越人类翻译的能力。人工智能诊断师在识别某些类型的癌症方面已经至少和医生一样精通，语音识别技术预计将在未来二十年内取代呼叫中心和快餐店的许多工作人员。

据预测，到2025年，语音识别市场规模将达到267.9亿美元。/TS2

这些科技的发展速度让一些人感到担心，到了2030年，世界上多达一半的工作——主要是服务业——会面临自动化的危险。因为服务业已经重新吸纳了制造业抛弃的所有劳动力，而且在此期间没有其他就业领域出现，一旦服务业被自动化，将会使大量劳动力无处可去。

麦当劳收购了人工智能初创公司 Apprente，计划用聊天机器人的自动语音系统取代窗口接待顾客的服务员的声音。在零售领域，在英国、美国和瑞典等国家都出现了无人值守的自动化零售店。像Amazon Go这样的商店被委婉地称为“自行离去式购物”，将自动扫描和移动应用程序、面部识别技术相结合，从而将顾客的面孔和他们包里的商品相匹配。

近年来，自动驾驶汽车对出租车司机构成的威胁已经成为一个引人担忧的主要因素。自动驾驶出租车已经在伦敦、新加坡和纽约进行了成功实验，而自动驾驶汽车在其他众多领域也已经投入使用。自动驾驶的货物装卸车、托运卡车、农用车和送货机器人都已经在医院、工厂、农业和采矿业等环境下广泛使用。

那种认为此类技术最终将在更大的范围内使用的严肃预测忘记了一个商业规则，即一项技术只有在证明比雇用劳动力更便宜时才会被推广。有人现在反驳说，过去40年为工人提供可疑的保护的低工资可能不再足以阻止自动化潮流。灾难性天气和流行病的风险越来越大，这可能意味着工人很快就会比机器人对公司造成更大的成本。

《隐形者——数据时代打工人》截图。

无论是灾难性事件，还是颠覆性创新，对机器大规模取代工人的担忧几乎总是臆想。基于这个原因，许多人对他们认为过于悲观的共识提出挑战。

阿斯特拉·泰勒在她的文章《自动化骗局》中请求我们“认真思考自动化的意识形态，及其关于人类过时的神话”。我们应该警惕“自动化错觉”，在Mechanical Turk网站上从事微工作的工人就能证明这种错觉的存在。

艾伦·贝纳诺以更审慎的语气承认，尽管先进的机器人技术和人工智能业已出现，但它们尚未达到自动化先知们预测的“摧毁工作”的程度。

这一争议至少还有一个原因，即很难跨越各个历史背景对自动化做出一个可行的定义。贝纳诺引用小说家科特·冯内古特的话说，“真正的自动化发生在整个‘工作分类’被取消之时。哇噻”。这个有点还原论的解释代表了对自动化的标准描述。

“人机混合体”

然而在今天，自动化的影响已经不是消灭所有工作，而是与适应既定工作的任务构成相关，以及与随后的工作的整体质量相关。大多数工作都是各种任务的综合结果，这些任务对自动化具有不同程度的适用性。自动化可能不会消灭某一个工作整体，而只会消灭构成一个工作的部分任务。

在这种原则的指导下，人工智能并不倾向于创建完全自动化的系统，而是倾向于创建部分自动化并将某些任务外包给人类的系统。

Mechanical Turk等网站表明，某些服务工作的自动化或许永远都不会导致其完全机械化，而是产生出人机混合体。

在一些历史证明难以自动化的工作中，机器学习将生产力收益微小的任务排除在外，并通过具体任务和管理功能的半自动化、劳动的超细分工和实时外包将其解决。当某些任务被自动化的时候，另一些原本受限于地理的任务可以自由地在全球范围内漫游，以寻求廉价劳动力来获利。

结果就是，曾经正常支付薪酬的工作不仅被无产阶级化，而且在默认情况下被非正规化，被分割为低薪、不稳定的计件工作，同时脱离了对薪酬和权利提供法律保护的监管框架。

根据《隐形者——数据时代打工人》的数据，全球有4500万—9000万名隐形数字打工人。

微工作不受任何特定法律的约束，从而解除了工人、雇主和工作场所之间的法律关系。正如杰米·伍德科克和马克·格雷汉姆所说，“纽约的小企业可以今天在内罗毕雇用一名自由职业抄写员，明天在新德里雇用一名自由职业抄写员。无须建造办公室或工厂，无须遵守当地法规，而且在大多数情况下无须缴纳地方税”。

从另一个更加明显的意义上说，微工作网站让低技能服务工作和自动化系统进行更加密切的合作。微工作培训、调节和纠正人工智能，通过这种方式向人工智能展示如何发挥劳动力的作用，即使其中一些技术从未成为资本主义经济的一般条件。

为了让自动驾驶汽车避免交通事故，让聊天机器人理解谈话线索，让自动交易程序承担合理风险，首先必须让机器学习用干净的、带注释的数据进行训练；然后当自动程序启动运行之后，由工人进行持续不断的监督。如果数据没有经过预先处理，这些数据则会以违背程序员意愿的方式训练算法。

电影《我，机器人》剧照。男主角扮演者威尔·史密斯在这个场景有一句台词：“想象你是地球上唯一剩下的人，你会发疯吗？”

举例而言，聊天机器人通过有限的、带注释的数据进行训练，以识别特定的单词和语法，但如果让聊天机器人接触无限制的数据，它们则会表现得非常不稳定。

为了识别特定的单词，算法会反复接触音频或文本，有时候会重复上千次。对于商业中使用的机器人，这些数据由 Appen等微工作网站上的工人提供，他们给机器人提供特定的文本，或自己读出并录下特定的单词或句子。

但是当聊天机器人接触大量原始数据时，则会像算法经常做的那样，被一些极端内容所吸引。微软的Tay是一个“休闲”对话机器人，可以自由地从推特内容中学习。24小时后，Tay在推特上发布了一条令人毛骨悚然的评论，让人想起唐纳德·特朗普的评论：“@godblessameriga我们要建造一面墙，墨西哥要为此买单。”

如果没有Appen或 Mechanical Turk上的大量工人首先对数据进行处理，而让算法在无人监督的情况下进行训练，算法会做出令人意想不到的事情，比如重复法西斯式的法令。

《我，机器人》截图。

即使在数据被整理和注释之后，算法依然依赖各种人工输入来帮助训练、校准和纠正它们的操作。这不仅适用于在线工作，也适用于在物理空间进行的工作。在伯克利校区，送餐机器人部分由哥伦比亚的远程劳动力控制，每小时的报酬是2美元，当自动化机器人犯错误的时候，他们会控制并引导自动化机器人。

如果我们以这种方式想象服务自动化——一个人类持续进行监督和纠正的过程——问题就不再是劳动力的绝对过剩，而是劳动力的相对过剩，即工人参与了多少，他们能够在多大程度上谋生。

微工作表明，人工智能倾向于将工作非正规化，而非完全自动化。它预示着一个未来，越来越多的工人不是被机器取代，而是被挤压到濒临消失的临界点上。

作者丨菲尔·琼斯

编辑 | 谭山山

校对丨邹蔚昀