根据《经济学家》的一份最新报告显示,韩国、德国和日本对于即将到来的自动化浪潮做好了充分的准备。而另一方面,美国在25个国家中排名第九位,中国排名第十二。
那么风险最高的国家有哪些呢?答案是:墨西哥、越南和印度尼西亚。
未来几十年,随着机器人、人工智能和自动化技术方面的突飞猛进,很多工作都将消失。最糟糕的预计,未来全球可能会有8亿个就业岗位消失;而最乐观的情况是,机器人会在少数一些有风险的就业岗位上挤掉人类。
该报告称,国家研发预算是全球生产力的一个指标
当然,正如特斯拉公司首席执行官Elon Musk最近所指出的,过多的自动化也会导致出现各种问题。
报告指出,在即将到来的大规模变革中,非常富有的国家和非常贫穷的国家的表现都会好于平均水平。富有的国家正在快速增加机器人,并拥有让国民为即将到来的变革做好准备的资源。另一方面,贫穷国家没有那么多大规模的生产,因此自动化带来的风险也更低一些。
面临挑战最大的国家将是那些制造能力至关重要的中等收入国家。
但这份由ABB赞助的报告称,这不仅仅是制造业的工作岗位面临着被切割的风险,白领工作也也是如此。
如报告中显示:“高度智能化技术的出现为未来自动化方面的讨论增添了新的维度。也就是说,今天很多人类从事的职业角色,无论是白领或者蓝领,都将可能被机器所取代。”
各国如何增加砝码?
措施之一,是以科学和技术为重点,落实STEM教育计划,同时注重创意等软技能。除此之外,定期开展技能培训的终身学习项目,以及强调与机器人一起协作的职业培训,也是政府帮助员工转向高端岗位可以采取的一项重要措施。
然而,还有一个非常有趣的发现是,失业率在拥有最多机器人的国家却是最低的。
该报告对三方面进行了评分:创新环境、教育政策和劳动力市场政策。
创新使国家具有全球竞争力,而教育政策则维持着训练有素的工人供应。但是,与教育和再培训相关的劳动力市场政策对于帮助那些被自动化所取代的工人寻找新的工作机会至关重要,而这些工作往往需要更多技能。
报告中援引富士康公司自动化技术总经理戴佳鹏的话说:“我们的大部分生产线都采用自动化工作站和手动操作的混合工艺,预计可预见的未来这种情况仍将持续。我们需要系统程序员、自动化工程师和维护技术人员从事自动化生产线的工作,以确保其顺利运行。”
据了解,富士康拥有超过130万名员工,其中大部分在中国,它是智能手机和笔记本电脑等高科技设备的主要制造商之一。
机器人自动化可能是针对工厂和实物商品的,但人工智能自动化也将影响到公室工作和虚拟产品。
经合组织教育与技能总监Elizabeth Fordham说:“从传统上看,技术已经实现了一系列人类可能从未想过会做的或者以前没有定义为人类去做的任务。然而,人工智能和机器人技术正在开始实现更高级的、非常规的任务的自动化,其中一些任务是需要具有批判性思维和创造力的。”
此外,一些专家也认为,自动化造成的失业是很少的,甚至为零,因为我们创造新就业机会的速度和机器取代旧就业机会的速度一样快。波士顿大学经济学教授James Bessen表示:“我们将创造对服务的新需求,而这些服务是目前还不存在的,甚至可能是我们现在还想象不到的。”
而其他一些人,例如特斯拉首席执行官Elon Musk认为,人的适应性是一个关键的差异点。
“人类被低估了,”Musk最近发推文说。
但即使是最乐观的想法,我们也需要一些帮助才能克服这个困难。
伦敦经济学院经济学教授Alan Manning表示:“政府需要制定自动化战略。我不认为把这个问题抛给市场、相信能实现创新就可以了。”
那么,面对即将到来的自动化和机器人技术变革,大家真的做好准备了吗?下面是25个国家在这方面的排名,中国排名12:
1、韩国
2、德国
3、新加坡
4、日本
5、加拿大
6、爱沙尼亚
7、法国
8、英国
9、美国
10、澳大利亚
11、意大利
12、中国
13、阿联酋
14、马来西亚
15、土耳其
16、俄国
17、阿根廷
18、印度
19、巴西
20、哥伦比亚
21、沙特阿拉伯
22、南非
23、墨西哥
24、越南
25、印度尼西亚
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。