长期以来，人工智能 (AI) 一直被吹捧为一种有助于简化我们的工作和革新行业的工具。然而，人们越来越担心这项技术最终可能完全取代人类的工作。最近发表在研究政策上的一项研究在合成生物学 (synbio) 的背景下阐明了这个问题。

Synbio 是一个与重新设计生物体以具有新能力有关的科学领域。它涵盖了广泛的应用，从在实验室种植肉类到发现新药。Synbio 实验依靠先进的机器人平台重复移动大量样本，并通过机器学习分析大规模实验的结果。这些过程会产生大量数字数据，称为“数字化”。

科学过程自动化和数字化的目的是扩大可以完成的科学，同时节省研究人员的时间以专注于更“有价值”的工作。然而，该研究发现，科学家并没有像人们预期的那样从重复的、手动的或无聊的任务中解脱出来。相反，机器人平台的使用扩大并多样化了研究人员必须执行的任务种类。

原因之一是需要进行的假设和实验的数量增加了。使用自动化方法，可能性被放大。科学家们表示，这使他们能够评估更多的假设，以及科学家可以对实验设置做出细微改变的方式。这产生了增加需要检查、标准化和共享的数据量的效果。

此外，机器人需要接受“训练”以执行以前手动执行的实验。人类也需要发展新技能来准备、修理和监督机器人。这样做是为了确保科学过程中没有错误。

科学工作通常根据同行评审的出版物和资助等产出来评判。然而，清理、排除故障和监督自动化系统所花费的时间与传统上在科学领域获得奖励的任务相竞争。这些价值较低的任务在很大程度上也可能是不可见的，特别是因为管理者是那些由于没有在实验室花费太多时间而不会意识到平凡工作的人。

承担这些职责的合成生物科学家并没有比他们的经理获得更高的报酬或更多的自主权。他们还评估自己的工作量高于工作等级中高于他们的工作量。这一自相矛盾的结果挑战了这样一种假设，即当部分工作流程实现自动化时，受数字化影响或参与的每个人都会变得更有效率或有更多空闲时间。

“数字化悖论”也适用于其他工作领域。ChatGPT 是一款人工智能聊天机器人，可以从网络上的可用信息中“学习”。肯尼亚的工作人员受雇过滤机器人提供的有毒内容，以确保它不会返回种族主义、性别歧视或其他方面令人反感的答案。

数字基础设施的开发和维护通常需要许多看不见的工作实践。对生产力下降的担忧是组织和政治努力实现日常工作自动化和数字化的主要动机。但是，我们不应该只相信表面上会提高生产力的承诺。

相反，我们应该通过考虑人类可以完成的隐形任务类型来挑战我们衡量生产力的方式，而不是通常有回报的更明显的工作。我们还需要考虑如何设计和管理这些流程，以便技术能够更积极地增加人类的能力。

该研究强调了考虑技术对人类影响的重要性，以及如何设计和实施技术以补充而不是取代人类能力。随着人工智能不断进步并越来越融入我们的生活和工作，我们以批判的眼光看待它并考虑它对整个社会的影响至关重要。