中國哪些職業會被GPT（們）替代？詳細的大數據分析來了！_風聞

本文轉自：https://zhuanlan.zhihu.com/p/620334140

之前我在這篇文章（ OpenAI 研究人員發文稱「約 80% 美國人的工作將被 AI 影響」，如何看待這一觀點？ ）中介紹了OpenAI的工作論文，那篇文章研究了GPT對於美國職業的替代。

那篇文章的各個版本在這兩週的自媒體中廣為流傳，但需要注意的是，OpenAI的研究是對於美國職業來説的，中國的勞動力市場和美國有不少差異。

因此最近兩週，我們使用中國在過去8年的數億條招聘數據完成了這個研究，看中國哪些職業最有可能被GPT之類的大語言模型和其衍生品替代。

具體結果可以在微信小程序的“數據團+”裏面看到（沒錯就是之前計算疫情達峯過峯的那個小程序）

分析不同職業被GPT替代的可能性，需要對每種職業的職能和具體工作進行分拆。

比如你籠統地問，“人力資源專員”這個職業，被GPT替代的可能性有多大呀？

這類問題就不好回答，因為太模糊了。

但是你可以根據招聘網站的情況，將“人力資源專員”給分拆成不同的職能，比如

1， 新員工的招聘，員工入職手續辦理2， 安排以及開展新員工入職培訓3， 考勤及工資績效的核算4， 維護和拓展公司招聘渠道，協助社招及其他招聘活動

去問其中一個職能，例如“安排以及開展新員工入職培訓”，人力資源專員工作的這一部分有多大可能被GPT替代，就直觀了一些。

我們還可以繼續分拆，把“安排以及開展新員工入職培訓”，進一步分拆成下列具體工作內容——1，撰寫、準備培訓材料；2，交流、溝通並安排計劃時間表；3，演講、培訓，提升員工技能……

再問其中每一個具體工作，

撰寫準備培訓材料，GPT可以替代多少？

交流和溝通安排時間表，GPT可以替代多少？

演講培訓，GPT可以替代多少？

我們用O*net的數據，將中國的職業映射到O*net，再分拆成19265條工作任務和23534種工作內容。

這麼分拆下來，每一個職業拆分研究，再彙總，那麼我們對每一個職業中有多少部分可以被GPT替代，就比較有把握了。

分析每一種具體的職能和工作內容被GPT替代的可能性。

但是，要分析19265種工作任務，23534種工作內容其中的每一種被GPT替代的可能性有多大，也是一個非常繁重的工作。一般來説我們會讓人工來打標，這麼四萬條內容全部打標，大概一個人就需要1周，一個人力的成本就要至少1萬元。這已經是最低的價格了。

但我們知道，在對美國研究的工作論文中，OpenAI的工作論文提出了一種重要的方法。那就是讓GPT來打標。

那我們何不也用GPT來打標呢？

於是我們用了GPT的API，讓GPT扮演打分者，大概是這樣的prompt：

*你是一名“大型語言模型替代勞動力評估師”。大型語言模型，是一種用於處理和生成自然語言文本的深度學習模型，最新的大型語言模型能夠基於自然語言文本生成、描述創建圖像與視頻。在這樣的背景下，你需要從“該任務是否能夠在大語言模型幫助下，在同樣時間達成同樣產出或者同樣效果的前提下，減少人類勞動時間的參與”的角度，給下列每一個任務打分。**評分從0到5分，0代表該任務不能通過大語言模型的幫助減少人類勞動投入，1代表可以減少20%人類勞動投入，2代表可以減少40%的人類勞動投入，3代表可以減少60%的人類勞動投入，4代表可以減少80%的人類勞動投入，5代表可以減少100%的人類勞動投入，即該任務不再需要人類勞動參與。*你的評分，代表着大語言模型可以在每一個任務中節省多少比例的勞動投入，請根據當前大語言模型的進步情況和你認為未來可能的發展狀況，謹慎評分。請按照“id,評分”的格式，每一行返回一條任務的評分結果。

這段算是API裏面system部分輸入的內容，然後在內容部分輸入具體的工作任務和工作內容，GPT就會刷刷返回了，一次可以輸入100條，gpt-3.5-turbo的返回很快，一屏幕一屏幕的0-5的分數就這麼回來了。

説實話，在看到這一屏屏的分數出來，知道這是GPT在為自己能多大程度上替代人類勞動打分，有種審判日到了的感覺。

由於任務已經被拆解得比較細緻，對於每一條任務的打標將會十分準確，穩健性也極高。更重要的是，使用GPT打標，成本之低令人髮指。標註4萬條內容，每次標註100條，只需要400次，一次標註和返回大約在4000token左右，且主要內容是在prompt中，使用GPT-4的模型，每標註100條，僅需要0.12美元。也就是説，共標註4萬條內容，只需要耗費48美元。如果使用不那麼精確，但速度更快且更便宜的gpt-3.5-tubo模型，4萬條只需要耗費3美元。在這樣簡單的任務上，GPT-4和gpt-3.5-turbo的表現幾乎沒有差異。

人類數據標註員要完成4萬條內容的標註，需要至少1萬元，一星期。

GPT只需要半小時，3美元，合20元人民幣左右。

而兩者的質量是幾乎一樣的。

因此，很難不再次強調一遍這樣的事實——

剛剛出現沒幾年的全新職業——人類標註員，他們餵養出來的大型語言模型GPT，在完成一項“GPT能夠替代哪些職業”的標註工作任務時，首先替代掉了把GPT訓練成材的人類數據標註員自己。

將標註結果彙總到職業層面

使用下圖的流程，我們將每一個具體工作被GPT替代的可能性彙總到每一個職業上。

就能得到中國所有職業被GPT替代的可能性了。下表是招聘規模比較大的職業被GPT替代可能性的前25名和後25名：

上表的這50個職業，可以理解為未來職業發展的晴雨表。

AI替代率最高的職業是翻譯，其次是保險核保專業人員以及劇作家。這三個職業，有90%以上的工作任務和內容都暴露在AI替代的風險中。

接下來，視覺傳達設計人員、裝飾美工、美術編輯、廣告設計師、剪輯師，這些與美術、視頻、作圖相關的職業，被AI替代的工作內容也超過了80%。

文字編輯、網絡編輯、文學作家、文字記者，這些與文字生成和修改高度相關的職業，被替代的工作內容也超過了75%。

呼叫中心服務員、前廳服務員（即為賓客提供諮詢、迎送、入住登記、結賬等前廳服務的人員）、節目主持人、秘書……這些職業，也出現在了前25名中。

不過最出乎意料的可能還是排名第25的計算機程序設計員，平均來説，程序員有75%的工作內容，面臨被AI替代的風險。

AI替代率最低的職業主要是各種製造業相關藍領人員。這並不意外，因為我們讓GPT評分標註時扮演的角色就是“大型語言模型替代勞動力評估師”，它自然無法評估可能被其他機器所替代的職業。但仍然有幾個製造業工人以外的人員值得注意——綠化工、保潔員、洗衣師、按摩師、美甲師、中式麪點師……看起來並不需要太高學歷，工資也不算最高的這些職業，反而成了最難被AI替代的職業。

容易被替代的職業都有什麼樣的特徵？

在OpenAI的那篇工作論文中，研究者發現了穩定的正相關關係——工資越高的職業，被GPT們替代的可能性越高。這個趨勢在年收入大於10萬美元的職業之後才區域相反，見下圖。

但在我們的研究中，在中國，每個職業能夠被GPT替代的程度和該職業的收入卻並沒有相關性，見下圖：

但是，每個職業除了工資以外，還有一個重要的參數——成長性。

“成長性”是我們另外計算的一個數據，是使用分經驗年度的招聘崗位數據，計算跨年度的經驗-工資差異得出的。

舉個例子，A崗位，在2018年時，市場上對0年經驗需求的招聘崗位平均工資為5000元。2019年時，市場上對1年經驗需求的A崗位招聘平均工資為6000元。

不難發現，2018年0年經驗的這批人，和2019年時有1年經驗的這批人來自同一個隊列。因此，6000÷5000=120%，就是同一個隊列的人口，從2018到2019年，0到1年經驗帶來的工資增長倍數。

我們算出所有年份，包括2015到2016、2016到2017……2020到2021、2021到2022這樣7個0到1年的經驗帶來的工資增長倍數，再按照招聘人數加權求平均，就得到了A崗位在過去8年時的0到1年經驗帶來的工資增長倍數。

用同樣的方法，我們再一次算出1到2年的工資增長倍數、2到3年的工資增長倍數……8到9年的工資增長倍數。將每一年的工資增長倍數連乘，就得到了這個崗位從0年經驗到9年經驗一共10年工作的工資增長倍數，將這個倍數再開九次方，就得到了這個職業的“成長性”，即每增加一年工作年限，工資可能上升多少。

那麼，從業年限的工資增長率，即這個工作的“成長性”，和每個職業的AI替代率之間存在什麼關係？

可以看到，各職業的AI替代率，和每個職業的年限工資增長率有着非常顯著的關係，兩者之間存在正相關的顯著性水平在0.001以下。如果我們將上圖改為分段柱狀圖，我們將可以看到更明顯的趨勢。

從上圖可以看到，每增加一年從業年限工資增長最慢，低於8%的職業，相對最不容易被AI替代的。但如果一個職業每工作一年工資增長超過20%，被AI替代的可能性平均將大於60%。

這個趨勢，説明的是在本輪大語言模型和其衍生出來的相關AI的一個顯著特徵，那就是人們在一個行業上積累的經驗、學到的技巧、掌握的訣竅，是被大語言模型首先替代掉的東西。

被GPT們替代掉的，究竟是什麼？

“成長性”越高的工作，越容易被替代，這説明什麼呢？

第一種可能，是因為那些學習、工作後能積累更多經驗，提高更快生產率的職業，本身更貴，因此更促使人們去找到能替代這些職業的AI，給這樣的AI產品更大的投資，因此這樣更貴的勞動力就成了第一批犧牲品。

這樣的説法初看有道理，但我們也能找到很多反例。最大的反例就是自動駕駛。一方面，駕駛這個技能，人們學習幾個小時至多十幾個小時就能掌握；另一方面，自動駕駛領域投資在人工智能行業內數一數二，但目前的效果距離全路況自動駕駛依然有很長一段距離。

反過來，一些生物、化學方面的技能，化合物尋找、蛋白質摺疊，或者是在實驗流程上的全自動化，這些人們需要數年專業訓練才能掌握的知識，儘管資本的介入比起自動駕駛只能算九牛一毛，卻已經有了非常不錯的替代AI。

從這點看，因為某職業勞動更貴——為了節省這些勞動力而更多投資AI——更容易造出替代這些職業的AI，這樣的邏輯似乎是行不通的。

因此，我們不得不考慮第二種可能——AI確實已經實現甚至超越了人類通過後天的實踐學習知識、積累經驗和訣竅的技能。

是的，有必要再強調一遍，不是單個技能，也不是一組技能，而是那種通過艱苦的學習實踐來獲取知識、積累經驗的技能，人類已經落後於AI。那些高成長性的職業，不管現在是否還處在安全區，出現替代AI，也許就是這幾年，甚至幾個月之內的事。

到頭來，那些人類孩提時期甚至出生時就已經掌握的技能，那些精巧的人類生物學本能，似乎反而是AI最難模仿和替代的部分。

而那些後天學習到的知識，花上好長時間學會算術、學會寫作，學會畫畫，學會編程、學會做好看的ppt、學會看X光片、學會寫法律文書，學會很多種語言並且自如地交流……人類學會了各種各樣以此為傲的東西，並覺得這些特徵似乎使人類和其他生物產生了哲學上的差異。

但在AI看來，這些東西一文不值。