ChatGPT 的影響涵蓋所有收入階層，且高收入工作可能面臨更大的風(fēng)險(xiǎn)。

ChatGPT 來(lái)了，失業(yè)還會(huì)遠(yuǎn)嗎?上星期在 GPT-4 發(fā)布時(shí)，ChatGPT 第一時(shí)間上線了新版本，OpenAI 首席執(zhí)行官 Sam Altman 表示他對(duì)自家這種技術(shù)‘有點(diǎn)害怕’。

和很多專(zhuān)家一樣，Altman 擔(dān)心人工智能技術(shù)的強(qiáng)大能力會(huì)制造過(guò)多虛假信息，另一方面，新技術(shù)也將改變經(jīng)濟(jì)、勞動(dòng)力和教育環(huán)境。

有人開(kāi)玩笑說(shuō) Sam Altman 每天背著的同一個(gè)包，里面有緊急關(guān)停 AI 的紅色按鈕。

此前，AI 作畫(huà)已經(jīng)讓很多畫(huà)師開(kāi)始擔(dān)憂(yōu)自己的工作會(huì)被取代。昨天，OpenAI 研究人員提交的一篇報(bào)告引發(fā)了人們更加熱烈的討論，研究人員估計(jì) ChatGPT 和使用該程序構(gòu)建的未來(lái)應(yīng)用可能影響美國(guó)大約 19% 的工作崗位，和他們至少 50% 的工作任務(wù)。

與此同時(shí)，80% 的美國(guó)勞動(dòng)力至少有 10% 的工作任務(wù)在某種程度上將受到 ChatGPT 的影響。

該研究分析表明，像 GPT-4 這樣的 LLM(大型語(yǔ)言模型)的影響可能是無(wú)處不在的。此外，工資較高的工作 —— 可能需要執(zhí)行許多基于軟件的任務(wù) —— 會(huì)面臨更多來(lái)自人工智能聊天機(jī)器人的潛在影響。

在職業(yè)影響方面，受影響最大的職業(yè)包括翻譯工作者、作家、記者、數(shù)學(xué)家、財(cái)務(wù)工作者、區(qū)塊鏈工程師等。

該研究還按行業(yè)細(xì)分了 ChatGPT 的影響。數(shù)據(jù)處理托管、出版業(yè)等行業(yè)最有可能受到影響。相比之下，體力勞動(dòng)較多的行業(yè) —— 食品、林業(yè)、社會(huì)援助等受到的潛在影響最小。

OpenAI 研究了美國(guó)超過(guò) 1000 個(gè)職業(yè)，并給他們貼上了執(zhí)行這些工作所需的各種任務(wù)的標(biāo)簽。然后，研究人員使用人工注釋器和 GPT-4 模型來(lái)評(píng)估訪問(wèn)由 ChatGPT 驅(qū)動(dòng)的系統(tǒng)是否會(huì)將人類(lèi)執(zhí)行特定任務(wù)所需的時(shí)間減少至少 50%。

讓我們看看這項(xiàng)研究具體在干什么：

論文地址：https：//arxiv.org/pdf/2303.10130v1.pdf

研究介紹

我們先看總結(jié)，OpenAI 本次調(diào)查了 GPT 模型和相關(guān)技術(shù)對(duì)美國(guó)勞動(dòng)力市場(chǎng)的潛在影響。他們根據(jù)人員職業(yè)與 GPT 能力的對(duì)應(yīng)程度來(lái)進(jìn)行評(píng)估，研究結(jié)果表明，大約 80% 的美國(guó)勞動(dòng)力至少有 10% 的工作任務(wù)會(huì)受到 GPT 的引入影響，而大約 19% 的員工可能會(huì)看到至少 50% 的工作任務(wù)受到影響。這種影響涵蓋所有工資水平，高收入工作可能面臨更大的風(fēng)險(xiǎn)。值得注意的是，這種影響不僅限于近期生產(chǎn)率增長(zhǎng)較高的行業(yè)。

通過(guò)分析他們發(fā)現(xiàn)，像 GPT-4 這樣的大型語(yǔ)言模型帶來(lái)的影響可能是普遍的。隨著時(shí)間的推移，LLM 的能力不斷提高，即使現(xiàn)在研究人員停止對(duì)新模型能力的開(kāi)發(fā)，但它們帶來(lái)日益增長(zhǎng)的經(jīng)濟(jì)效應(yīng)也會(huì)持續(xù)增長(zhǎng)。該研究還發(fā)現(xiàn)，如果考慮到互補(bǔ)技術(shù)的發(fā)展，LLM 的潛在影響將顯著擴(kuò)大。這也恰恰說(shuō)明了 GPT 正變得越來(lái)越通用。

為了分析，該研究還提出了一個(gè)新的標(biāo)準(zhǔn)來(lái)理解 LLM 的能力及其對(duì)工作潛在影響，該標(biāo)準(zhǔn)用來(lái)衡量關(guān)于 GPT 任務(wù)的總暴露數(shù)。

看完結(jié)論，接下來(lái)就該介紹數(shù)據(jù)集了。該研究使用 O*NET 27.2 數(shù)據(jù)集 (O*NET， 2023)，該數(shù)據(jù)集包含 1016 個(gè)職業(yè)信息，表 1 提供了數(shù)據(jù)集示例，包含任務(wù) ID、職位等。

此外，數(shù)據(jù)集還包括他們從美國(guó)勞工統(tǒng)計(jì)局獲得的 2020 年 - 2021 年員工就業(yè)和工資數(shù)據(jù)。該數(shù)據(jù)集包括職業(yè)頭銜、每種職業(yè)的工人數(shù)量等。

在方法上，該研究根據(jù) exposure rubric 來(lái)展示結(jié)果，Exposure rubric 定義為訪問(wèn) GPT 或 GPT 驅(qū)動(dòng)的系統(tǒng)是否會(huì)將人類(lèi)執(zhí)行特定 DWA 或完成任務(wù)所需的時(shí)間減少至少 50%。(注：DWA 全稱(chēng) Detailed Work Activities ，可以將其理解為完成任務(wù)所需要的動(dòng)作，例如表 1，對(duì)于計(jì)算機(jī)系統(tǒng)工程師，其 DWA 包括監(jiān)控電腦系統(tǒng)性能，確保正常運(yùn)作。)

該研究對(duì)每個(gè) O*NET 數(shù)據(jù)集的 DWA 和所有 O*NET 任務(wù)的子集獲得人工注釋?zhuān)缓笤谌蝿?wù)和職業(yè)級(jí)別上匯總這些 DWA 和任務(wù)得分。為了確保這些注釋的質(zhì)量，該研究親自標(biāo)記了大量任務(wù)和 DWA 樣本，并招募了經(jīng)驗(yàn)豐富的人工注釋者，他們?cè)?OpenAI 的對(duì)齊工作中廣泛審查了 GPT 輸出。

下表為模型與人的一致性比較與皮爾遜相關(guān)系數(shù)。一致性分?jǐn)?shù)是通過(guò)觀察兩組人在注釋上達(dá)成一致的頻率來(lái)確定的 (例如 E0， E1 或 E2)。在本文中，該研究使用 GPT-4， Rubric 1。

該研究為感興趣的因變量構(gòu)建了三個(gè)主要度量：(i)