肖志夫：美智库警告政府为人工智能“崩盘”准备“备胎”

　　2026年11月6日，美国第一智库兰德公司发表评论《为AI时代做好准备，需要一支关键劳动者储备力量》指出：人工智能（AI）必将改变公共部门和私营部门的工作，包括关键领域的工作。但关于究竟哪些岗位会消失、何时消失的预测，往往带着远超证据所能支撑的笃定。

　　人力储备并非对AI或更广泛自动化的拒绝，而是一种国家韧性。如果AI系统遭到黑客攻击、被关闭，或者干脆不如承诺的那样可靠，社会仍将拥有维持关键服务运转所需的熟练劳动力。

　　AI最终可能会比人类更好地执行许多关键任务，但一个有韧性的社会不应把所有赌注都押在这一结果按时到来、或到来时完美运行上。

　　被誉为“AI教父”之一的杰夫·欣顿（Geoff Hinton）曾在2016年发表过一段著名言论：我们应该停止培养放射科医生，因为AI很快就会取代他们。十年过去，他的建议看来为时过早。同样，关于AI即将引发大规模失业的更广泛说法，似乎也为时过早。

　　然而，这种时间上的不确定性带来了两个问题。第一，未来的劳动者不愿花费数年时间——以及数千美元的学费或认证费用——去学习那些看起来无法通向稳定职业的技能。第二，如果政府或雇主认定永久性自动化近在眼前，至关重要的培训和职业输送管道就可能崩溃。这两种情况中的任何一种，都可能意味着社会发现自己没有足够的人手来完成维持社会运转所必需的工作。

　　一、历史的教训

　　近代历史提供了一个警示。一种被称为COBOL的前互联网时代计算机语言，尽管对许多政府系统至关重要，却几十年来一直被视为过时，因此在入门编程课程中很少被教授。熟悉COBOL的程序员数量随时间推移不断减少，因为这条培训管道基本上已被关闭。

　　新冠疫情暴发之初，2400万劳动者因经济急剧转变而失业，各州不得不把懂COBOL的程序员从退休状态请回来，以维持失业保险系统运转。若非采取这些极端措施，由于未能实现系统现代化、也未能维持足够劳动力来维护现有系统，可能导致在危机时刻向公众提供援助的能力大面积失灵。

　　二、人的关键作用

　　政策制定者无法完美预测未来的劳动力市场，也不应试图这样做。但领导者应当做出选择，让民众在未来预测出错时面临的风险更小。

　　对于关键领域而言，这意味着即使AI改进了流程，也要保留人的能力。州和联邦政策制定者应确保社会具备提供所需服务的能力，无论AI领域出现什么情况。这很可能需要针对必要职业开展培训、知识保存或技能保留的项目。可以把这些项目视为在公共和私营部门建设一支关键劳动者储备力量的努力。在实践中，这支储备力量意味着：有经费支持的培训名额、对经验丰富劳动者的留任激励、对流程的正式记录，以及一个定期接受重新认证并参加演练的储备人才库。

　　人力储备并非对AI或更广泛自动化的拒绝，而是一种国家韧性。如果AI系统遭到黑客攻击、被关闭，或者干脆不如承诺的那样可靠，社会仍将拥有维持关键服务运转所需的熟练劳动力。然而，冗余本质上是不高效的。就像备用发电机和战略储备一样，一支关键劳动者储备力量可能看起来不产生效益——直到需要它的那一天。不幸的是，市场往往擅长削减成本，却往往不擅长为紧急情况保留足够能力，即使这符合公共利益。建设韧性的努力需要政府协调。

　　如果电网运营、应急管理、灾害响应、医疗保健、物流或网络安全等领域的专业能力消失，新的熟练劳动力队伍无法一夜之间重建。许多这类领域严重依赖隐性知识——即在工作中学到而非通过文档记录的信息——这意味着一旦失去，这些信息可能永远消失。例如，当核科学家试图重启某些武器材料的生产时，他们无法复制20世纪70年代和80年代制造的一种关键部件，不得不投入大量资金重建该能力。涉及机密或敏感基础设施的领域尤其容易失去隐性知识，因为相关文档可能不易获得或不易查找。关键的人类能力必须在危机揭示它们已经消失之前得到保护。

　　三、维护关键职能

　　每个职业都可能忍不住标榜自己不可或缺，但并非所有职业都符合条件。事实上，无需从零开始发明“关键”的定义。网络安全和基础设施安全局——负责保护美国关键基础设施等职责的机构——已经确定了55项对公共安全、经济安全和国家安全韧性必不可少的国家关键职能。每一项职能都依赖特定的人类角色——从电网调度员到水处理操作员再到急诊临床医生——这些角色必须被识别并加以保留。

　　维护关键人类能力的方法因角色而异，但总体步骤看起来相同：编制、测试并维护详细文档。通过确保必要技能培训项目获得充足资源来维持现有培训管道。为任何自动化的关键系统制定由人主导的降级备用程序。对足够数量的人员进行就绪演练，以便在自动化失效时能够操作手动备份，类似于国民警卫队在和平时期通过培训和演练在关键技能上保持就绪状态的做法。

　　虽然协调一致的国家努力最为理想，但联邦政府之外的政策制定者现在就可以在自己的辖区启动试点项目，而不是等待危机揭示哪些人类能力已经消失。试点首先应收集关于关键职能的文档，梳理与关键任务相关的流程，并确定关键技能。这一分析将成为设计政策、保障这些领域培训管道的基础。

　　如果探索性试点项目显示出前景，就可以扩展到其他关键领域，培训管道也可以稳定下来。对保留关键领域人类角色的长期承诺，还将减少学生和职业生涯早期劳动者的不确定性，并发出信号：无论AI发生什么，这些领域都将是未来就业的可行选择。

　　笔者观察：未雨绸缪，防患未然

　　这篇兰德公司评论，其战略意义在于提出了一种以“人的冗余”对冲“技术不确定性”的韧性思维。它并非反对AI，而是警告政府：不能把社会运转的全部赌注押在AI会按时、可靠地接管关键职能这一假设上。

　　1、预测不可靠，但“能力真空”的代价不可承受。如果政府或市场过早认定某些技能“将被淘汰”而停止培养和维护，一旦AI进展不如预期或出现故障，社会将面临无人可用的局面。而电网调度、应急管理、网络安全等领域的隐性知识一旦流失，重建需要数年甚至数十年。

　　2、建立“关键劳动者储备力量”。文章提出的解决方案是仿照备用发电机或战略储备的逻辑，在公共和私营部门建立一支“关键劳动者储备队伍”。具体措施包括：提供有经费的培训名额、对经验丰富者给予留任激励、将操作流程正式文档化、以及让储备人员定期接受再认证和参与演练。

　　3、应对“时间表误判”的系统性风险。市场和政治话语倾向于把AI进展线性外推，但技术落地存在J曲线效应和不确定性。如果政策跟着乐观预测走，过早废除传统培训管道和人力备份，等于把社会运行置于单点故障风险之下。

　　4、将AI治理的焦点从“技术本身”部分转向“社会吸收能力”。围绕AI的讨论多集中在模型能力、监管框架或地缘竞争上。无论AI最终多强，社会在过渡期和故障场景下维持基本功能的能力，本身就是一项需要主动投资、而非假定会自然存在的公共品。这与兰德公司同期其他报告（如呼吁为AGI最坏情况准备“击破玻璃”式预案）在逻辑上一致——不确定性越高，越需要保留不依赖预测的兜底能力。

　　简言之，这篇评论的战略意义不在于唱衰AI，而在于提醒决策者：真正的有准备，是在押注未来的同时，确保自己输得起。

　　（原创首发。图片源自兰德公司网站，侵删）