AI Exposure Scores: what they measure, what they miss, and what comes next
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这是一篇关于该论文的解释，通过日常类比将其拆解为简单的概念。
大局观：一张正在过时的地图
想象一下，一群研究人员在 2023 年绘制了一张世界地图，用以展示哪些工作可能会被 AI 取代。他们称之为 “GPTs are GPTs” 指数。它曾引起了巨大的轰动。政策制定者和新闻媒体开始使用这张地图来决定谁需要帮助、哪些行业处于危险之中，以及如何制定新的法律。
问题在于： 论文指出，虽然这张地图在 2023 年是准确的，但自那时起，世界已经发生了剧烈的变化。试图用一张旧地图去导航一条快速移动的新路是危险的。这就像是在 2026 年开车，却使用一个只知道 2023 年道路情况的 GPS。论文将此称为数据“实际反映的情况”与人们“使用方式”之间的“差距”。
第一部分：旧地图遗漏了什么（三个盲点）
作者认为，原有的地图存在三个主要缺陷，随着远离 2023 年，这些缺陷会变得越来越严重：
1. 时光机问题（时间局限性）
- 类比： 想象你拍了一张 2023 年短跑运动员的照片，并说：“这就是他们的跑步速度。”如果你在 2026 年用这张照片来预测比赛结果，你就错了，因为那位运动员已经经过训练变得更快了。
- 现实情况： 最初的 AI 指数是基于 2023 年初的一个特定版本的 AI。AI 每个月都在变得更聪明。论文显示，自那时起，AI 的能力增长了约 26%。依赖旧的分数就像是在高速驾驶时盯着后视镜看；它告诉你的是你曾经在哪里，而不是你正要去向何方。
2. 美国视角问题（地理局限性）
- 类比： 想象一本只为纽约市编写的字典。如果你试图用这本字典来理解伦敦或东京人的说话方式，你会感到困惑。你可能会翻译单词，但你会错过当地的俚语和文化。
- 现实情况： 原有的地图是使用美国政府的职业数据库构建的。它没有考虑到其他国家的工作方式，也没有考虑到那些存在于全球南方（Global South）的职业（例如训练 AI 但未列入美国职业清单的数据工作者）。当其他国家试图使用这张美国地图时，他们不得不将自己的职业强行塞进一个并非为他们设计的系统中，从而导致错误。
3. 拼图碎片问题（本体论局限性）
- 类比： 想象你试图通过列出单个音符来描述一场交响乐。你可以列出音符，但你会错过音乐、情感以及音乐家们如何相互配合。
- 现实情况： 原有的评分将工作视为一系列简单的、分离的任务（如“写一封邮件”或“归档一份报告”）。但真实的工作是混乱且复杂的。它涉及信任、关系以及无法分解为清单的“直觉”。论文认为，对于需要人类判断和联系的工作，这种“任务清单”的方法完全失效了。这就像试图通过计算握手的次数来衡量一段友谊的价值。
第二部分：构建更好的工具（新的研究）
论文并不是说我们应该停止衡量 AI 风险。相反，它指出我们需要更好的工具。它强调了研究人员尝试修复这张地图的四种新方法：
- 动态地图： 这些不再是静态的照片，而是实时视频流。它们随着 AI 变得越来越聪明而更新，展示的是 AI 当前 真正能做什么，而不只是它在 2023 年能做什么。
- 集成法（Ensemble Approach）： 研究人员不再仅仅信任单一的分数，而是将五六个不同的分数结合在一起。这就像是询问五位不同的天气预报员进行预测并取其平均值，而不是只相信其中一个。
- 连接点滴： 新工具会观察任务之间是如何相互关联的。这不仅仅关乎 AI 能否完成 某一个 任务，而是关是否能完成一整条相互依赖的任务链。
- 询问劳动者： 旧的地图忽略了正在从事工作的人。新的研究会询问劳动者：“你希望这份工作的哪些部分被自动化？”以及“你是否准备好学习新技能了？”这为数据增添了人性化的维度。
第三部分：仍然缺失的是什么？（人的因素）
即便有了更好的地图和工具，论文认为我们仍缺失了拼图中巨大的两块：
1. 从预测转向准备
- 类比： 天气应用可以预测风暴，但它不能阻止降雨。与其仅仅试图预测风暴在何时袭击，我们更应该建造更好的避难所和应急计划，无论预测结果如何，这些计划都能发挥作用。
- 现实情况： 我们不应仅仅试图猜测哪些工作会消失。我们应该建立系统（如社会安全网和培训计划），帮助人们在任何变化中生存下来，无论 AI 的预测是正确还是错误。
2. 想象力的工作
- 类比： 如果你在盖房子，你不仅要看砖块（技术）；你还必须决定你想要住什么样的家。
- 现实情况： 论文认为，未来并不是某种“降临”在我们身上的事情。它是一个选择。我们需要进行一场关于我们想要什么样的未来的政治对话。我们是想要一个 AI 取代人类的世界，还是一个 AI 辅助人类的世界？论文指出，我们不应再假设裁员是不可避免的，而应开始构想一个技术为劳动者服务的未来。
最终总结：团队协作**
论文总结道，解决这个问题需要两类人群共同努力：
- 政策制定者 需要停止依赖单一的旧数字。他们需要倾听劳动者的声音，参考来自多种不同来源的数据，并专注于建立韧性（让人们为变化做好准备），而不仅仅是预测未来。
- 研究人员 需要不断更新他们的工具，将劳动者纳入研究，并确保其数据对现实世界的决策有用，而不仅仅是用于学术论文。
简而言之： 旧的“AI 暴露度分数”是一个很好的第一步，但它现在只是过去的一个快照。为了驾驭未来，我们需要实时的数据、全球化的视角，以及一个清晰的、关于我们共同构建的未来的愿景。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。