Google 的 James Manyika 押注：对 AI 和就业持悲观态度的人错了
任务越来越容易被自动化——工作却不是。接下来怎么办？
上周，我与 Box 首席执行官 Aaron Levie 坐下来聊了聊 。他提出了一个在我看来相当有力的观点：工作岗位远没有 AI 公司一直告诉我们的那样容易被自动化取代。Aaron 的论点大致是这样的：人类工作的“最后一公里”——判断、语境，以及那些杂乱复杂的部分——短期内实际上不会被自动化；而企业即将迎来更多人类与智能体协同工作的局面，这意味着我们仍然可以保住自己的工作。我结束那场对话时，心情相当乐观。
本周，我想把这种乐观态度摆到一位这样的人面前：他的整个职业生涯都在努力衡量——有时甚至是在整个经济体层面——新技术究竟会对工作产生什么影响。James Manyika 是 Google 和 Alphabet 的高级副总裁，负责 Google 的研究和实验室运营，同时领导一个公司称为“技术与社会”的团队——这一工作旨在考量 Gemini 等 AI 系统带来的更广泛影响，并制定 Google 围绕这些系统的战略。
需要考虑的事情很多。正如我在这次与 Manyika 的对话中所谈到的，如今 10 个美国人中有 7 个反对在自己所在社区建设数据中心 。而许多美国人从这个行业本身接收到的有关 AI 的信息——先是我们会夺走你的工作，最终我们还可能杀死你——显然并没有让很多人站到大型科技公司的旗帜之下。
鉴于他的职位，Manyika 持更乐观的看法并不令人意外：他说，工作比硅谷通常认为的更难被自动化，这一过程的展开也会比其他前沿 AI 公司所放出的某些更激进预测来得更慢。（这一观点也得到了一些 Google 高管的认同：DeepMind 首席执行官 Demis Hassabis 今天在 Wired 上警告称，用 AI 工具取代软件开发人员或许是个错误。“我认为，这反映了想象力的缺乏——以及对真正将要发生之事缺乏理解，” 他说 。）
但与大多数大型科技公司高管不同，Manyika 是在硅谷之外的漫长职业生涯中形成这些看法的。作为 McKinsey 的资深高管，Manyika 近十年前曾合著一篇关于自动化对劳动力潜在影响的论文。此后，他共同担任联合国秘书长人工智能高级别咨询机构联合主席，并在拜登总统任内担任美国国家人工智能咨询委员会副主席。
因此，当 Microsoft 和 Anthropic 等竞争对手公司的领导者坚称，相当一部分白领工作即将消失时，Manyika 对此持怀疑态度。
“其中一些预测是两年前做出的——说两年内，50%的工作岗位将被抹去，”Manyika 对我说。“好了，两年时间到了。我们来看看。任何人如果现在还敢预测两年后会这样，我愿意跟他打这个赌。”
以下是我们对话的精彩摘要。为清晰和篇幅起见，内容经过编辑。我们也希望你能在常用播客平台收听完整对话——只需搜索 Platformer——或者在 YouTube 上观看： youtube.com/caseynewton。
也请告诉我们你的看法——我们刚开始制作播客，欢迎将反馈发送至 casey@platformer.news。
Casey Newton： 早在人工智能成为全球最受关注的话题之前的几十年，你就在 Oxford 攻读人工智能与机器人学哲学博士。当时你相信或看到了什么，是大多数人所忽视的？
James Manyika： 我甚至可以把时间再往前推。我在 University of Zimbabwe 完成本科学位时，本科论文实际上就是我发表的第一篇论文。你猜主题是什么？AI——训练并建模一个人工神经网络。当时有一位来自加拿大的博士后访问学者到访，他曾是蒙特利尔—多伦多 Geoff Hinton 团队的一员，他建议我把构建神经网络作为我的本科论文题目。那是我发表的第一项成果，在 1993 年。
Newton： 那可比像我这样的人把每一个清醒的小时都花在阅读和写作这个话题上要早得多。是什么引起了你的兴趣？
Manyika： 有两点。我从小看着《Star Trek》长大，所以 AI 的概念让我非常着迷。我也看过 2001: A Space Odyssey。但同时，我也对这样一种想法深感兴趣：构建能够执行高级认知任务的系统是有可能的。因此，当我去了 Oxford 之后，我攻读了 AI 和机器人学的哲学博士，继续追寻这一方向。
Newton： 此后，你职业生涯中有相当大一部分时间都在试图衡量技术如何改变经济。你曾在 McKinsey 工作了很长时间，近十年前在那里撰写了一篇题为“ 消失的工作，新增的工作 ”的论文。如今你身处 Google，可以看到这些工具真正进入工作场所后会发生什么。当你看待我们眼下关于 AI 与就业未来的这场辩论时，你的立场是什么？
Manyika： 这是一个令人无比振奋的时刻。这项技术及其能力正以惊人的速度扩展。但当你试图将其转化为它可能对工作、就业和职业意味着什么时，我的看法非常复杂。大体上，这与那篇论文 10 年前所说的一样，而且我认为今天依然正确：会有一些工作岗位减少，会有一些岗位增长，而更重要的是——第三个方面——还会有更多岗位发生变化。
无论你是从整体经济、行业层面，还是按职业来看，这三种情况的组合都会有所不同。但这三种情况都会发生。研究并没有发生太大变化。人们争论的问题是，这三种情况将以何种比例出现？而不是，这三种情况是否会发生。
Newton： 让我点出一种可能萦绕在一些听众心头的张力。你如今受雇于当前这波 AI 热潮的最大受益者之一。你如何判断，自己听到的究竟是脑海中的劳动经济学家声音，还是在 Google 任职的高级副总裁的声音？
Manyika： 两种声音我都听得到。相比 Google 的高级副总裁身份，更强烈的是我作为 AI 研究者和计算机科学家的那一面，对这项技术的发展速度感到无比兴奋。我的那一部分会想：“天哪，这将是非同凡响的，而且会来得非常、非常快。”
作为劳动经济学者的那一面会说：“先等等——这些事情在经济中实际发生的速度并没有那么快，而且其动态变化更为复杂。”所以我几乎能听到这里有两种速度在并行推进。我常常觉得，作为 AI 研究人员，我们这个群体往往会根据自己在技术前沿所看到的情况，夸大劳动力市场将会发生的变化。这是两场截然不同的讨论。
Newton： 你们在 McKinsey Global Institute 的研究发现，大约 50% 的任务可以通过 AI 实现自动化，但只有大约 10% 的职业能够被完全自动化。在 AI 又发展了几代之后，这一比例听起来仍然准确吗？
Manyika： 所有环节都在发生变化。
在任务层面，如今可实现自动化的任务多了很多——这一图景变化得相当快。但如果你看一看职业的构成——美国劳工统计局追踪的大约有850到1000种真实职业——再问一个问题：现有职业中，有多少职业其构成任务中的大多数，姑且说90%，是可以自动化的？这个数字仍低于10%。大多数研究人员现在依然会这么说。
有多少任务看起来会很难实现自动化？部分原因在于，AI 目前还做不到；也有一部分是因为任务之间存在耦合，薄弱环节会拖慢整体组合的速度。如果你把两项任务放在一起，其中一项可以自动化，但它们必须以耦合方式完成，那么整体推进只能以最薄弱环节的速度进行。大多数工作都存在这种耦合关系，这使得全面自动化变得非常困难。
另一个发生变化的是任务持续时间。如果你在2017年问，在那些有可能实现自动化的任务中，有些任务非常短——30秒或1分钟，差不多就是当时能够以自动化方式可靠完成一项任务的时长上限。如今，我们已经能够将其中一些任务连续执行四个多小时。能够以相当可预测的方式完成任务的持续时间，已经取得了巨大进展。
Newton： 所以我听到的是，如果衡量目前可实现自动化的任务，这一比例正明显高于 50%。但与此同时，能够被完全自动化的工作岗位数量却顽固地大致停留在 10 年前的水平。你对这种分化的最佳解释是什么？
Manyika： 分歧部分在于，我们如今更全面地认识到，完整的工作岗位包含更为复杂的任务组合，而这种“薄弱环节”或“耦合任务”的概念，在大多数职业中都至关重要。如果纵观整个经济体中的大多数复杂任务，我们无法将其中的大部分实现自动化。因此，能够将超过 90%的工作内容自动化的完整岗位，数量仍然相对较少。
劳动经济学家之间的大部分争论在于，未来十年这一比例更接近2%或3%，还是更接近9%或10%。我认为，任何研究过完整岗位自动化的人，都不会说这个数字会达到50%，或是任何这类大得惊人的数字。
这就是为什么我始终认为会发生三件事。没错，某些工作岗位会减少。但也会有一些岗位增长——这既源于现有岗位因需求上升而扩大，因为技术往往会改变需求格局，也源于新岗位的诞生。我们往往忽视了，David Autor 等人的研究表明，如果回到 1945 年再与今天相比，如今经济中的工作岗位有超过 60%在当时根本不存在，而其中许多正是技术变迁催生出的新类别。
但影响最大的是“工作内容发生改变”这一部分。工作的性质本身会发生转变。银行柜员就是如此，放射科医生也是如此。我们仍然保留着“银行柜员”这一职业类别，但我可以肯定地说，如今银行柜员所做的工作，已经不是1970年的银行柜员所做的那样了。
Newton： 我想继续追问这种乐观的图景。如果未来两三年里发生的只是这些，我会长舒一口气。另一方面，Microsoft 的 Mustafa Suleyman 表示 ，他认为在 18 个月内，所有白领工作都将可以被自动化。Anthropic 的 Dario Amodei 则预测 ，这将导致非常高的失业率。当你看到这样的表态时，你会认为他们错了吗？他们是不是忽略了什么？
Manyika： 我只想说：那就赌一把吧。其中一些预测是两年前作出的——说两年内，50%的工作岗位将消失殆尽。如今，两年时间已到。我们不妨看看结果。而且，任何人如果预测从现在起两年后会是这样，我都愿意跟他赌。
在劳动力市场的变化进程中，存在一种非同寻常的不均衡性，而这一点常常被我们忽视。我住在旧金山，这里的无人驾驶汽车已经上路三年了。但在芝加哥这样的另一座城市，人们可能根本不知道我们在说什么。我们经常谈到技术发展的参差不齐——我认为这确实如此。经济层面同样存在这种参差不齐，体现在这些变化如何实际展开。别误会——我认为它会比工业革命来得更快，但不会像技术本身所展现出来的速度那样快。
我很乐意在十年后再来讨论这个问题。
Newton： 说到 Google。自 2022 年你加入以来，在岗位流失、岗位创造和岗位变化方面，你观察到了什么？
Manyika： 很多工作都在发生变化。软件开发人员的工作变化就很大。人们现在与智能体协同工作，管理智能体，提出问题，花在修复漏洞上的时间更少了。
要记住，在整个关于就业的讨论中，我们常常忽视了我所说的需求弹性。有些活动是我们希望消费和开展得更多的——只是一直受限于实现这一点的能力。软件开发就是其中之一。为了创造非凡事物而仍有待开发的软件规模非常、非常庞大。我们还没有构建出未来将要构建的所有软件。我们也还没有设计出未来将要设计的所有系统。
但这并不适用于每一种活动。有些活动的需求坦率地说是有限的——经济对某些东西的需求总量就是有限的。在这些情况下，岗位流失与岗位增加之间的权衡，将在需求层面以截然不同的方式显现出来。
Newton： 即便是那些在大方向上认同你观点的人，往往也会对入门级岗位忧心忡忡。如果你在和一个今年 6 月毕业、对你说“James，我该如何开启我的职业生涯第一阶段？”的人交谈——你会怎么告诉他们？
Manyika： 未来其实相当令人振奋。经济将会增长，机会也会很多。但要为这些机会做好准备，所需要做的事情正在发生巨大的变化。
十年前，当人们问我他们的孩子应该做什么时，我会先问孩子多大。如果他们告诉我孩子18岁，我会说他们应该学习编程。如果他们告诉我孩子两岁，我会说：“先等一下——你应该想想什么样的技能会变得重要，因为人工智能这件事将会取得很大进展。”
我们当时所说的是对的，但现在可能已不再成立——也就是说，编程在机械层面上不断产出一行行代码将会很重要。如今，系统已经能够做到这一点了。但这并不意味着计算机科学这一学科已经消失。我本科就读计算机科学时，写代码只是我必须学习内容中的一小部分。我还得学习算法设计以及更多其他内容。我们或许需要回到那样的状态，因为我们正在发现，那些接受了更广泛教育、技能更全面的计算机科学人才，要比那些唯一拿得出手的本事只是生成一行行代码的人有意思得多。
还有一件事。前几天我在看数据时发现，对软件开发岗位的需求实际上正在上升 。并不是说这些工作岗位正在消失，即便在当下也是如此。但所需的技能正在发生变化。
Newton： 这是我对硅谷颇感兴趣的另一重张力。就在过去一周里，我先后与你、Box 的 Aaron Levie 以及 Palo Alto Networks 首席执行官 Nikesh Arora 交谈过。Aaron 和 Nikesh 都表示：“请给我派来更多工程师。我想做的事情远不止现有工程师所能承担。” 与此同时，又正值财报电话会议季，其他一些首席执行官则在电话会上说：“嗯，我们正在裁减 5% 的员工，为 AI 时代做准备。”
Manyika： 除了人工智能的影响之外，还有更多因素在起作用。作为一个对人工智能将如何影响经济充满期待的人，我想说：迄今为止，真正发生的变化还不多。这一点既适用于积极的一面，也适用于消极的一面。从积极方面来看，在整体经济层面，我们尚未看到我所期待并为之兴奋的生产率提升。但与此同时，我们也还没有看到人们一直在谈论的、由人工智能驱动的劳动力市场冲击。
有一篇论文——我想可能是那篇 “煤矿中的金丝雀”——我觉得有意思的是，他们显示的急剧下滑发生在 2022 年 10 月前后。ChatGPT 直到 2022 年 11 月才推出，而企业领域真正开始采用，大概也要到 2023 年。所以，如果入门级招聘的大幅下滑发生在 2022 年 10 月，你就必须相信当时还有别的因素在起作用。现在已有分析显示，劳动力市场中存在大量货币因素影响，外加一些 COVID 遗留下来的后遗症。也许其中有极小一部分是由 AI 推动的，但更多还是由其他宏观经济因素驱动。
这并不是说我们不该担心人工智能对劳动力市场的影响。我们应该担心。只是我不认为这种影响已经以人们所担心的那种规模发生了。
Newton： 让我们进一步做些推测。当我与那些工作正因人工智能而开始发生变化的人交谈时，感觉他们工作中越来越大的一部分变成了审核人工智能的输出。过去他们会花很多时间手动写代码，现在则把更多时间花在审查代码上。问题在于，审查工作并不总能带来同样的创造性满足感。工作内容的变化，会不会最终演变成另一种形式的失业——因为一些曾经很有创造性的工作，如今却只让人觉得是乏味枯燥的苦差事？
Manyika： 是，也不是。现在有相当一部分工作是在审查这些系统的输出，确保你在引导它们——“不，不，你走错路了，应该这样做。”
我其实喜欢当下这个时刻。你必须富有创造性地思考，应该构建什么样的系统，应该提出什么样的问题，想要开展哪些实验。如果你有10个智能体为你工作，你会让它们朝哪些不同方向推进？你会进行什么样的编排？你希望为不同的智能体设计什么样的锦标赛，让它们以不同方式进行实验并比较结果？创造性解决问题的本质已经不同了。
创造性这一部分令人兴奋，因为它将成为稀缺之物——也是更难做到的事。我在我们自己的团队中已经看到了这一点。Google Labs 中那些打造非凡全新 AI 原生产品的团队，会花一部分时间审视这些系统产出的成果，但更多时候，他们在构想新的东西去构建。
Newton： 让我们把话题转到你今年 1 月在达沃斯所说的“AI 鸿沟 ”。我们最近在这里谈到一项调查数据，显示从 AI 中获益最多的人，原本就是收入阶梯中处于顶端的那群人。你认为，AI 会加速收入不平等，还是有办法让它缩小这种差距？
Manyika： 这是一个我非常担忧、也极其重要的根本性问题。我对人工智能赋能个人、推动经济发展、促进科学进步感到振奋。但无论是经济规律还是自然法则，都没有规定每个人都会从中受益，也没有规定每个人都能获得这种机会。历史上，这样的例子我们已经见过太多：我们在经济和科学领域取得了非凡成就，但并非每个人都能接触或受益。
围绕基础设施、工具和技术可及性的问题，将在确保我们不加剧现有鸿沟方面变得至关重要。这就是为什么构建更易获取的模型如此重要。我们努力覆盖整个帕累托前沿——既有能力非常强的 Pro 模型，也有 Flash 模型，一直到开放访问、开放权重的 Gemma 模型。这是我们扩大可及性努力的一部分——面向开发者、面向用户，也为了释放这些技术的力量。这也是为什么我们在语言可及性以及残障人士可及性等方面投入大量努力。
Newton： 你认为，是否有一两项政策能够确保人工智能带来的收益被广泛共享？
Manyika： 不止一两项。要扩大培训机会，提高认知水平。很多时候，人们对人工智能感到担忧，但当他们真正使用过相关工具后，往往会改变看法，因此提升认知将大有裨益。那些能让社区投资更容易落实的政策——对学校、科学和基础设施的投资——也会带来重大改变。
我也会回到关于工作的这个问题。我认为我们在培训和技能培养方面做得还不够。我也认为，我们在帮助人们应对这些转型方面做得还不够。 我掌管 McKinsey Global Institute 时，有一点一直让我印象深刻，那就是全球化时代的一个错误：尽管所谓的“中国冲击”从总体上看只影响了大约 400 万个工作岗位——按美国经济的规模来看，这或许不算很大——但如果你恰好是那些地区、那些职业中的一员，那就是天大的事。我们在安全网、工资保险或转型支持方面为帮助这些工人所做的努力，远远不够。而这正是政策能够发挥重大作用的地方。
Newton： 就在我们今天录制节目的时候，有一则报道称， 如今 70%的美国人反对在他们所在社区建设数据中心 。尽管他们对 AI 的担忧并不只局限于经济层面，但我认为，很大一部分恐惧源于这样一个事实：如果他们今天失业了，并不会有什么明确的政府援助机制随时待命，帮助他们走向人生的下一站。由此想来，如果普通美国人觉得有人为他们作出规划，关于 AI 的讨论会呈现出怎样的面貌，倒是很有意思。
Manyika： 这是我们必须要做的事情之一。我们还必须思考 AI 不断扩大的能源足迹。我们必须确保，在我们构建这类基础设施的同时，不会提高人们的能源成本。我们已经就自带能源、不推高能源成本作出承诺 。但至关重要的是，要让人们相信，存在一项涉及所有人的计划，来支持劳动力市场即将发生的转型与变化。这或许正是我们未能做到的地方。
当我们人工智能领域的人谈论要消灭50%的工作岗位时，这无济于事。首先，我不认为这会发生。经济研究和分析基本上都不是这么说的。坦率地说，我们可能正因为吓坏了所有人，而影响了这项技术产生非凡影响的可能性——而事实上，这种恐惧是没有根据的。我们不要把技术发展的速度与它在经济中实际发挥作用的速度混为一谈。
Newton： 2023 年在联合国，你共同牵头了一个名为“ 为人类治理人工智能 ”的项目，勾勒出一个雄心勃勃的全球人工智能治理愿景。三年后，我们取得了进展，还是正在倒退？
Manyika： 我们并没有取得太多进展。由于那个机构工作的性质，我们与全球 190 多个国家都有接触，而世界各地对人工智能的态度也截然不同。所谓“全球南方”——亚洲、印度、非洲、拉丁美洲——的人们总体上对人工智能及其潜力更为积极。当然，他们也对基础设施和获取机会存在担忧。西欧和美国可能是最消极的，这一点倒是颇为耐人寻味。
有一些基本原则是我们都应认同的：这项技术应建立在基本人权和尊重国际法的基础之上；我们应同时考虑其潜力与危害，而不是只顾其一；每个人都应能够参与这项技术的开发和使用。当时，绝大多数国家对这些基本原则普遍表示认同。问题随之变成：我们该如何将其付诸实践？而这一步骤所花的时间要长得多。
我从那个过程中学到的一件令人着迷的事是：在讨论这项技术带来的风险时，这些风险正如你所料——误用和滥用。但机构中的许多成员，尤其是来自全球南方的成员，坚持要将“错失使用”也列为一种风险。
Newton： 也就是说，不使用它？
Manyika： 是的——不使用它本身就是一种现实风险。这一点实际上被写进了建议之中。当时的想法是：有些人生活在某些地区、国家和社区，在那里， 不使用 AI 所带来的风险，远远大于他们当前所处的现实状况。他们可能生活在一个国家，甚至是在美国的某个县，而那里获得专科医生服务的机会非常有限。如果你看过美国按县划分的地图，我曾惊讶于不同地区在医疗专业资源可及性上的巨大差异。有些县根本没有某些类型的专业人才，而有些县的肿瘤科医生数量却多达其 10 倍。
对于一些社区和一些国家来说，错失使用 AI 的风险实际上非常高。因此，当我经常听到人们说 AI 还不够好时，我会问：这是拿什么来比较？如果我能获得斯坦福大学医学院附属医院的医疗服务——我住在旧金山——没错，它也许还比不上那里。但如果我身处一个无法接触到世界顶尖肿瘤科医生或最优秀医生的地方，我会问：这是拿什么来比较？
Newton： 同样的问题也可以套用于无人驾驶汽车。
我经常发现，当我和一群悲观派在一起时，我会试着去描绘另一面——那些令人兴奋的可能性。反过来也是一样：当人们过于乐观，认为这将改变一切时，我会说，先等等，这些复杂性怎么办？这些风险怎么办？我们应该足够从容，能够同时把这两点放在脑中。
Manyika： 大多数人都知道 AlphaFold——Demis 和 John Jumper 也因此获得了诺贝尔奖。非同寻常的是，如今已有 190 多个国家多达 350 万名研究人员在使用它，开展各类研究。我们还在材料科学、结构生物学和高能物理等领域取得了许多类似 AlphaFold 的突破。
我们还看到，已具实用价值的健康技术也在不断取得进展。我们刚刚发布了一项为期一年的研究结果：在英国，我们与 National Health Service 合作，对逾 20 万名患者的乳腺癌检测进行了研究。发表于 Nature 的这项研究显示，在人工智能辅助下，我们可以进行更准确的筛查，并实现更早期的检出。我们在多个癌症类别、结核病和糖尿病视网膜病变方面，都有类似的案例。
其他领域则涉及危机应对——洪水预报、野火预测。我们的洪水预报工作从两年半前几乎从零起步，如今已覆盖150个国家、超过20亿人口，并可提前6天以上发出预警。
Google 在过去 10 年里一直设有一个基因组学项目。大多数人并不知道这一点。该项目开发的工具促成了人类基因组测序工作的完成——自 2001 年以来一直未能完成的最后 8%——以及首个泛基因组参考的建立。相关科学研究多年来一直在低调推进。我们仍需非常审慎地看待这项技术可能带来的生物风险，但人工智能推动科学进步的潜力已经相当真实，而且未来还会有更多突破。
Newton： 当你设想 2030 年的普通知识工作者——或者仅仅某一位具体的知识工作者——时，你认为他们的工作会是什么样子？
Manyika： 让我以科学为例。未来会有更多科学家开展大量计算机模拟研究——探索各种结构、生物分子或药物靶点设计的所有可能性——然后再到实验室进行验证。这将改变整个局面。科学历来在很大程度上依赖假设。这一点不会消失，但我们将拥有更多这类生成式的可能性，随后再在实验室中加以验证。
科学家还将能够跨越自身学科进行思想联结。我们在 arXiv 上发表了一篇题为“Co-Scientist”的论文，你可以借此比较多个学科的观点。作为科学家，你将不再局限于自己领域内所掌握的知识。你可以探索更多论文中的思想、各领域的理论，然后借助智能体系统将它们整合起来，并设计实验。
以 AlphaFold 为例。过去，科学家常常要花上三四年时间研究一种蛋白质，通过 X 光晶体学来解析其结构。如今，他们只需在 AlphaFold 中查阅即可。当然，仍然需要进行验证，但起点已经截然不同。可供研究的疾病范围也因此大大拓宽。之所以有 190 个国家的研究人员在使用 AlphaFold，是因为过去，如果你所在的国家没有实验室，你就只能等到别人解析出你所需要研究的蛋白质结构。现在，你只需要查一下就行了。
你将会看到，这种变化将出现在许多职业的工作性质之中。
Newton： 我本来最后一个问题想问的是：如果一年后我再请你回来，我们应该追踪哪个单一数字或事实，来判断你今天提出的世界观是否成立？但我想我们其实已经有答案了，因为你一开始就告诉我，明年我们不会看到 10%的工作岗位被自动化取代。
Manyika： 我觉得不会。我很乐意拿这个打赌。
Newton： 这是个大胆的赌注，也是我想听到的。James，非常感谢你今天来参加节目。
Manyika： 感谢邀请，Casey。如果我能再补充最后一点——乐观派面临的一个挑战是，我提到的许多科学进展和社会层面的影响，对大多数人来说都将是间接的。你的手机会收到一条洪水预警，提醒你赶紧避险，你会感谢发出这条提醒的人。你不会说：“这在 AI 出现之前是不可能的，但现在可以了。”你会接受一次出色的癌症筛查，然后说一句“太好了”。许多已经开始成为现实的积极影响，大多数人并不会像感受到 AI 那样直接感受到它们。我们也必须在这方面下功夫。
