請你介紹一下，AI訓練師是一個怎麼樣的工作，跟以前的數據標註員是一樣的嗎？

你說得沒錯，AI訓練師職位確實可被視為早已存在，但換個角度來，它又是一個全新的職位。

總體來說，AI訓練師的角色就是改進AI模型，使它們更可靠、更有用、更無害。在大模型的底層，這類職位已存在了15年以上，在基礎大語言模型的早期搭建中發揮了至關重要的作用，例如你提到的數據標註員、圖像標註員等。但現在也出現了新的AI訓練師工作，通常由各個領域的專家擔任，被稱之為Red Teamer（編註：「紅隊」是軍事訊息安全的概念）。他們會引導AI說不該說的話，這樣做是為了幫助實驗室訓練AI，確保AI的回應無害。

還有第三類人，也是特定領域專家，他們專注於讓AI變得更好用。他們運用自己的專業知識來確保AI提供的資訊有用、可靠且準確。例如，有些實驗室會招募經濟學家，來作經濟學方面的AI訓練。

招聘AI訓練師的多是AI基礎設施公司，例如AI實驗室和前沿AI公司，而非那些嘗試整合AI進入工作流程的企業。當然，也有一些中介會負責招募和安排訓練師到不同的實驗室之中。全球範圍有7萬位AI訓練師，但薪酬範圍比較廣，大部分人的時薪在15至20美元左右，他們的工作主要是翻譯或數據標註；有15%的訓練師時薪在50至75美元之間；還有6%左右的人，時薪會超過100美元。

從整個AI的產業鏈來看，AI訓練師處於行業的什麼位置呢？

AI行業最上層是AI工程師，他們是實際構建模型的人。然後是軟件工程師和數據工程師，他們負責搭建介面，確保流暢調用AI，專注於用戶互動。接下來就到AI訓練師了，當模型搭建完成，AI訓練師負責評估和水平測試，確保模型能真正面向公眾發布和投入使用。

先前也提到不同的機構類型，基礎模型實驗室是屬於行業上游，而AI基礎設施公司則處於相對下游位置，雖然如此，這些公司相較於購買和使用AI工具的普通企業，也依然屬於整個行業的上游位置。

你認為AI訓練師會不會往下遊走，在企業也出現類似的崗位嗎？

我認為這會發生，甚至已經發生，只是目前在企業內部從事AI訓練工作的主要是AI工程師，幫助企業基於內部數據來構建自己的AI模型。以客戶服務為例，如果企業部署AI客服，負責測試和培訓這些AI客服的人，一般是AI工程師。但更深一步，工程師並不具備客服方面的專業知識，所以還是需要相關專業領域的AI訓練師來做，尤其考慮到企業合規的要求。總體來說，我相信這是企業未來將會去開設的崗位。

Anthropic今年也發表了一篇報告，提出了AI最易取代的幾個職業：程式設計師、客服代表和數據輸入員。你們平台的數據和研究結果也得出了相似的結論嗎？

我讀過這份報告，這也是我未來想要研究的問題之一。目前，我們手頭上的數據和研究還沒能揭示AI和這些職位之間的因果影響。但有明確的證據表明，AI確實在改變人類的工作方式。例如，我們合作夥伴SEEK的數據顯示，香港招聘廣告中對AI技能要求的佔比從2022年的不到1%，上升到2026年2月的4.8%。

宏觀來講，我們經常會認為某些現象是AI導致的，例如失業率攀升。但實際上，這主要是以下幾個因素引起的：首先，是高收入市場普遍利率上升，因為2021年和2022年的通脹率都非常高，所以利率在2022年中期開始攀升，讓許多依靠低利率環境營運的公司難以為繼，導致勞動力需求大幅下降；其次，人們的工作方式在疫情後也發生了變化，從線上工作轉向線下，彈性職位會有所減少。

另一個需要注意和討論的趨勢，是技術崗位的人才供應正在大幅增加，尤其是軟件開發人員。我也調出了澳洲的數據，發現在2010年代和2020年代，攻讀電腦科學學位的人數大幅上升，這意味著行業的初級人員數量猛增，這也會影響到行業的競爭激烈程度。所以，AI是否最終會如何影響軟件開發崗位，還需要繼續觀察。

而另一些你提到的崗位，例如客戶服務代表、數據輸入員，我確實認為他們受到AI的影響更大，而這些工作大多數都集中在全球南方地區。我認為這是人們本應去談論和關注的趨勢，但可惜現在的討論不多。

那你是怎麼看待AI對人類就業市場的影響呢？

從經濟學家的角度來看，我們討論 AI 對工作的影響時，不應該只看某個職位有多大程度「暴露」在 AI 之下，還要看其他因素。其中一個關鍵是：這份職位本身包含多少不同任務。

舉例來說，數據輸入員、司機以及現在較少人討論的商業模特兒，都是容易受到AI衝擊的。因為這些工作往往比較集中在單一任務上，例如輸入數據、駕駛，或者擺姿勢。這些工作誠然有許多細節，但整體包含的任務種類相對較少。

相比之下，軟件開發者的工作，雖然也有部分任務會受到 AI 影響，例如寫程式碼和研究，但工作裡還有很多 AI 做不到的部分，例如做架構決策和判斷、預算分配等。

所以，我認為任務較單一的職位，會比那些任務更複雜的職位更早被自動化。有些情況下，AI 可能會接管一個人的部分工作內容，但這個人反而因為生產力大幅提升，而有機會獲得更高薪酬，而企業仍然需要人類來完成最後工作。

科技行業也有「最後一里路問題」（last mile problem）這個概念，貨物在國際港口的運送相對容易，但要運到我家鄉俄亥俄州雅典縣卻是更具挑戰的。只要這個「最後一里路」仍然存在，我們就依然會看到人類被企業僱用。

那麼，高等教育應該要如何改革，以順應AI帶來的就業變化呢？

我的看法可能會比較有爭議。現在大家都說教育和行業發展速度不一致，這當然是事實。但我的看法是：教育本來就不可能、也不應該追逐每一個行業趨勢。

舉例來說，幾年前「提示詞工程學」（prompt engineering）一度非常熱門。如果當時大學圍繞提示詞工程學設立正式學位或課程，今天面對的局面就是，這個技能已經不像之前那樣受追捧了。

我在就讀學士課程時，媒體都在說「數據是新石油」，把數據科學家稱為最性感的新職業，很多人都因此想成為數據科學家。於是，很多大學開始投入資源，設立正式的數據科學課程。但這樣做需要時間和金錢的投入。很多學生現在從這些課程畢業，卻發現市場上並沒有那麼多數據科學職位。

而且，數據科學其實從來都不是一個入門級工作。雖然市場上會有數據科學家的初級職位，但我身邊很多從事數據科學的人，原本來自經濟學、數學、物理學，或者其他背景。我通常會建議年輕人，與其一開始就追逐一個新興職業，不如去學習一些更基礎、更單純的學科，然後把數據科學作為輔修或技能補充。因為真正重要的，是把這些技能整合進日常工作之中。

以我自己的工作為例，我的核心技能是以經濟學理解勞動力數據，但我同時需要能夠溝通、寫作和寫程式，這些都是我工作中很重要的部分。我當年所學的經濟學、數學和政治學，至今都對我非常有幫助。

因此，我認為高等教育追逐行業趨勢並不現實，也不應該為AI專門設個學科。而高等教育能做的，是把AI作為工具整合進核心課程之中。大學可以保留一些只允許紙筆完成的訓練，確保學生掌握基本能力；但也可以在其他課程中明確要求學生使用AI，就像我當年被要求使用計算機一樣。另外，大學需要更深入地建立行業鏈接，開設招聘會，幫助學生準備面試，搭建順暢的就業橋樑。我認為這將會是高等教育在AI時代中更為關鍵的任務。 ——楊瀅瑋