AI 重塑人的價值：人類既是文明的貢獻者，也是人生的體驗者

台大資工系教授 林守德 （歡迎自由轉載）

近年來，大語言模型與生成式 AI 的進步速度超乎許多人的預期。身處資訊科技的研究、教學與創業現場，我最直接的感受，是許多過去理所當然認為必須由人完成的認知工作，正在一點一點被拆開、重新分配，其中一部分已經開始交給 AI。

「AI 會不會搶走工作」當然是大家都關心的問題。不過我這幾年愈來愈覺得，如果 AI 的能力繼續沿著現在的方向發展，我們遲早會碰到一個更根本的問題：

如果有一天，維持社會生產與文明運作所需要的人類勞動大幅下降，我們是否還要繼續以「工作」作為分配資源、社會地位與人生價值的核心機制？

對這個問題，科技界大致可以看到兩種不同的想像。

一邊比較樂觀。黃仁勳（Jensen Huang）、楊立昆（Yann LeCun）、吳恩達（Andrew Ng）等人的論述雖然不盡相同，但都曾強調 AI 與人的互補關係。簡單地說，就是「人跟 AI 一起把餅做大」。AI 改變工作的任務結構，提高人的生產力；成本下降之後，又可能刺激新的需求，最後創造出原本不存在的產品、服務，甚至新的工作。

另一邊則比較接近馬斯克（Elon Musk）與辛頓（Geoffrey Hinton）所擔心或預期的方向。如果未來的 AI 不再只是提高效率的工具，而是在愈來愈廣泛的認知任務上達到甚至超越人類，再進一步與高度自主的機器人結合，那麼過去兩百年的自動化經驗，未必還能直接套用在下一個階段。馬斯克甚至大膽預測，在 AI 與機器人足夠成熟的社會裡，工作有一天可能不再是生存的必要條件，而變成像運動、娛樂或遊戲一樣，是一種個人選擇。

這兩種說法看似衝突，我倒覺得它們可能都會發生，只是時間與範圍不同。

至少在短期與局部來看，我相當認同黃仁勳所強調的需求擴張與人機協作。但如果把時間拉到十年、二十年，甚至更久，我會比較傾向另一種可能：不是「工作突然消失」，而是維持相同程度的經濟活動與文明產出，所需要投入的人類時間逐漸下降。

但「所需要的人類時間下降」，不等於「每個人自然都會工作得更少」。前者是技術與經濟上的可能結果，後者則涉及財富如何分配、工時如何安排，以及社會如何設計。AI 可以創造減少必要勞動的條件，卻不會自動創造一個人人都能享受生產力紅利的社會。

而在討論這個長期方向之前，還有一個問題必須先釐清：不同種類的工作，被自動化的速度可能差得非常遠。

技術樂觀派最有力的證據其實就是歷史。過去兩百年的重大技術革命，的確取代了大量原有的人力，卻沒有帶來永久性的大規模失業。

蒸汽機取代人力與畜力，電腦取代人工計算，Excel 這類軟體大幅降低計算與製表所需的人力。許多工作因此消失了，但人並沒有就此被排除在經濟活動之外。

一個重要的原因，是我們所謂的「職業」，其實都是許多不同任務的組合。

吳恩達曾經用一句很簡單的話描述這件事：AI automates tasks rather than jobs.

醫師的工作不只有判讀影像，工程師也不只是寫程式，教師更不只是把知識講給學生聽。當其中一些任務交給 AI，剩下的工作會重新組合，人也會逐漸移向判斷、溝通、設計、整合與責任承擔等其他環節。

Excel 是一個很好的例子。它把大量人工計算與製表自動化了，企業卻沒有因此不需要財務分析。相反地，工作的重心逐漸從「把數字算出來」，移到「怎麼建立模型、怎麼解讀結果、怎麼用資訊做決策」。

另一個常被提到的概念是「傑文斯悖論」（Jevons Paradox）：一項技術如果讓某種服務便宜很多，需求往往也會跟著增加。

假設未來做一套客製化軟體的成本下降九成，以前只有大型企業做得起的東西，中小企業甚至個人也開始使用，整個軟體市場可能因此大幅成長。藥物設計、動畫、個人教育、法律分析，都可能出現類似的現象。

而且增加的不一定只是數量。當生產成本下降，我們也可能開始追求以前負擔不起的品質、複雜度與個人化程度。以前一家公司只做一套軟體，未來也許會為不同客戶建立數百種高度客製化版本。

所以 AI 提高生產力之後，人類不一定會維持原來的產出，而可能把省下來的能力投入以前根本做不起的事情。

真正的關鍵因此在於：需求、品質與複雜度的擴張，能不能追上 AI 帶來的生產力提升？

假設 AI 讓一位工程師的生產力提高二十倍，整體軟體需求只增加五倍，那麼即使市場大幅成長，完成這些工作所需要的人類工時仍可能下降。反過來，如果需求增加一百倍，而生產力只增加二十倍，人類投入的時間反而可能上升。

我覺得這場賽跑，才是兩種未來想像之間最關鍵的分歧。

歷史類比有它的道理，但這一次有一個地方值得特別小心。

過去的自動化技術，往往針對相對明確的能力或工作環節。汽車跑得比人快，計算機算得比人快，工業機器人焊接比人精準。它們的影響當然非常廣泛，但能力本身通常有相對清楚的邊界。

這一波 AI 比較值得注意的地方，不是它已經擁有完整、像人一樣的「通用問題解決能力」——至少今天這樣講還太早——而是同一套 AI 能力開始跨越許多原本彼此分離的職業，自動化大量共通的認知子任務。

今天的 AI 已經可以寫程式、分析資料、閱讀文件、產生設計、翻譯語言、提出假說、規劃工作流程，也可以呼叫其他工具完成多步驟任務。這些事情以前分散在工程師、分析師、設計師、翻譯、研究人員、行政人員等不同職業裡，現在卻開始由同一類模型處理。

換句話說，AI 自動化的不只是某一項職業技能，而是一組可以跨工作移轉的認知能力。

更重要的是，數位智能可以被快速複製。

一個人學會一項技能，其他人並不會因此自動學會；每個大腦都得重新花時間學習。但一旦某個模型學會新的能力，改進後的模型可以迅速部署到大量使用者與機器。

一位優秀的工程師，沒辦法把二十年的經驗瞬間複製給一萬名新進工程師；AI 卻具有某種接近這種效果的可能性。這是數位智能與生物智能很根本的差異。

因此，如果一項工作的大部分內容可以表示成資訊輸入、資訊處理與資訊輸出，長期的人力替代問題就特別值得認真看待。

這不代表程式設計師、律師、會計師或分析師會在某一天突然消失。比較可能的情況，是十個人以前做的事情變成五個人做，後來三個人也可以完成；或者仍然維持十個人，卻完成以前五十個人才能做到的事情。

最後是哪一種結果，仍然取決於需求與生產力之間的競賽。也因為如此，我不太敢單純用「過去每一次科技革命最後都創造了新工作」，來推論 AI 這一次也一定會走同樣的路。

如果故事到這裡就結束，很容易推論出所有工作都會很快被 AI 取代。畢竟，數位 AI 能力進步與擴散的速度，可以遠快於人類重新學習與累積經驗的速度。

問題是，我們生活的世界不只有資訊。

機器人與 Physical AI 領域長期都在面對 bits 與 atoms 的巨大差異。資訊可以快速複製、傳輸，物理世界卻有材料、能源、空間、時間、摩擦、磨損與安全等現實限制。

一套軟體複製一百萬份，邊際成本可以非常低；製造一百萬台機器人卻完全不同。它們需要馬達、感測器、減速機、電池與機構，背後還有礦物、工廠、物流、電力、維修和安全驗證。

更麻煩的是，真實世界不像 simulation。

程式出錯可以重新執行；機器手臂撞到人，卻不能按 reset 假裝沒發生。AI 在模擬環境裡可以經歷幾百萬次 trial and error，一架飛機、一座核電廠或一個醫療機器人顯然不能用同樣的方法在現實世界試錯。

所以我會預期，實體勞動被取代的速度比純數位工作慢很多。製造、能源、醫療、交通、建築、基礎設施、實驗科學，以及所有高度接觸真實物理世界的領域，人機協作可能會存在相當長的時間。

AI 可以進步得很快，但把 intelligence 轉化成安全、可靠、可大規模部署的 physical action，終究還要和物理世界打交道。

物理世界之外，還有另一個常被科技界低估的限制：制度。

AI 技術上「做得到」，跟社會願不願意讓它自主去做，是兩件不同的事。

醫療、航空、能源、金融、公共治理與高風險工業，都牽涉安全認證、法律責任、保險、倫理和社會信任。就算有一天 AI 平均比人類醫師判斷得更準，也不代表我們隔天就會讓 AI 自主決定所有病人的治療。

如果把這些因素放在一起看，我會把自動化的速度拆成三層：

• 第一層是 bits：認知能力——AI 到底會不會做。
• 第二層是 atoms：實體部署——即使 AI 知道怎麼做，機器能不能在真實世界安全、可靠地把它做出來。
• 第三層是 institutions：制度接受——技術與機器都準備好了之後，法律與社會願不願意讓它自主執行。

這三個時鐘很可能走得完全不一樣。AI 的認知能力可能幾個月、一兩年就有明顯變化；大型實體基礎設施的部署常常需要很多年；法律、倫理和社會制度甚至可能更慢。

因此我想像未來十到二十年的世界，應該會相當不均勻。在數位世界裡，完成相同產出需要的人類時間可能快速下降；到了實體世界和高責任領域，人與 AI 協作卻可能維持很久。

等到有一天 Physical AI、機器人與制度也逐漸跨過這些門檻，人類維持文明所需要投入的「必要勞動時間」，才比較可能出現全面性的下降。

講到這裡，一個很自然的問題就出現了。

如果未來維持社會運作只需要現在 20% 的人類工時，是不是代表只需要 20% 的人工作，其餘 80% 的人失去工作？

未必如此。

一種可能，是 20% 的人繼續全職工作，甚至因為掌握 AI 與資本而獲得更高報酬；另外 80% 的人則失去工作與收入。

另一種可能，則是重新分配必要勞動，讓多數人仍然參與文明，只是每個人需要投入的時間下降到原來的 20%。

這兩種分配方式，可以產生完全不同的社會。

AI 能不能降低必要的人類工時，是一個技術與經濟問題；省下來的時間最後屬於誰，卻是一個制度問題。

如果放任市場自由競爭，資本與技術的報酬可能高度集中，結果未必是「大家都少工作」，也可能是少數人掌握極大的生產力，而其他人的市場價值快速下降。

所以我現在比較傾向把 20/80 放在「時間分配」上——不是把它當成預測，而是把它視為一種值得追求的制度方向。

如果社會能透過稅制、工時改革與資源分配機制的重組，把 AI 釋放出的巨大產能回饋給更多人，也許未來不是「20% 的人工作、80% 的人失業」，而是每個人只需要拿出一部分生命時間參與必要勞動。

一個人也許一週花一些時間參與系統維護、公共治理、教育照護或在地服務，其餘時間則用於陪伴家人、創作、運動、研究歷史、參與社區，或者探索一件自己真正著迷的事。

這樣想之後，我關心的問題也跟著改變了。

與其一直追問：

「未來還有哪些工作只有人類能做？」

我更想問：

「當維持文明所需要的人類勞動愈來愈少時，我們還希望人類在其中扮演什麼角色？」

接下來列出的事情，我並不是主張「AI 永遠做不到」。如果 AI 繼續進步，其中很多事情未來也可能做得比人更快、更準。

真正的問題是：

即使 AI 有能力做，我們有哪些事情仍然希望人類參與？有哪些決定，我們不願意完全交出去？

未來大部分常規故障與標準流程，很可能都可以交給 AI 診斷，甚至由機器人維修。更困難的，是那些從未被完整定義過的「開放世界長尾異常（Open-World Exceptions）」。

這不只發生在高科技機房，也頻繁出現在日常現場：極端氣候下社區水電中斷時的物資調配；安養中心裡失智長者突然產生的情緒崩潰與人際摩擦；地方文史資料數位化過程中的家族隱私糾紛。

今天，人類在這些情境中的優勢，往往來自現場理解、跨情境判斷，以及在沒有完整規則時承擔決策後果。

未來 AI 也許會愈來愈擅長處理這些問題。但即使 AI 能提出更好的方案，在真正沒有標準答案的情境裡，社會仍可能希望有人參與判斷、理解當事人的處境，並承擔最後的責任。

工程師排查未知是貢獻，第一線長照員安撫長者、社區志工化解鄰里衝突，同樣是在維持文明的運作。

有人開玩笑說：「AI 不能坐牢。」這句話雖然簡化了一點，背後卻碰到一個重要問題：當 AI 愈來愈有能力做決定，人類到底願意把多少決定交出去？

哪些事情可以讓 AI 自主處理？我們願意接受多大的風險？出了事情由誰承擔成本？又有哪些價值不能單純為了效率犧牲？

效率與公平、便利與隱私、創新與安全之間，很難找到一個放諸四海皆準的數學最佳解。這些問題之所以需要人類參與，不一定是因為 AI「算不出答案」，而是因為它們本來就不只有一個客觀答案。

醫療 AI 的界線，需要醫師、病人與社會參與；教育 AI 要走到哪裡，需要教師、學生與家長討論；公共治理裡的 AI，更牽涉每一個公民對公平、自由和風險的選擇。

價值選擇本身，就是一種文明參與。

以前我們很常說：「AI 擅長 interpolation，人類擅長 creativity。」現在回頭看，我覺得這句話說得太早了。

AI 已經能提出假說、設計分子、搜尋新的演算法空間，也能產生人沒有明確指定過的解法。我不太願意再把「創造力」當成人類永遠不會失守的堡壘。

但還有一個問題：

在沒有清楚 reward function 的世界裡，我們到底想解什麼問題？

為什麼要探索火星而不是海底？為什麼某個數學問題值得一代人研究，另一個卻沒有人在意？哪一種疾病值得投入更多資源？哪些正在消失的語言、文化或技藝值得保存？

到最後都會碰到同一個字：「值得」到底是什麼？

AI 未來當然也可以推薦研究方向，甚至更準確地預測哪些方向最可能成功。但「最可能成功」和「我們想成為什麼樣的文明」，並不是同一個問題。

所以未來人類在科學與文明中的角色，未必是永遠比 AI 更會解題；「我們接下來想往哪裡走」可能反而變得更重要。

這也不只屬於科學家。藝術家選擇哪些經驗值得表達，歷史學家選擇哪些記憶值得保存，一個孩子因為好奇而問出沒有人認真想過的問題，其實都在參與同一件事：

決定文明下一步往哪裡看。

如果未來金融、能源、物流、交通與資訊系統大量由互聯的 AI agents 自主運作，效率可能非常高，但高度互聯也會帶來新的脆弱性。一個局部錯誤，有可能以人類來不及反應的速度傳到整個系統。

所以 AI alignment、安全護欄、多層次 fail-safe、獨立備援、人工接管，以及極端事件下的系統復原，仍然會很重要。

未來最擅長 anomaly detection、安全監控甚至 incident response 的，也可能正是另一套 AI。因此人類真正需要決定的，未必是如何親自監看每一個異常訊號，而是：

我們願意讓系統最佳化到什麼程度？為了效率，願意承受多少系統性風險？哪些關鍵系統必須保留備援？什麼情況下一定要有人可以說「停」？

文明一直同時在做兩件事：拓展「我們能做到什麼」，也決定有哪些事情，即使做得到，我們仍然選擇不做。

如果前面的思想實驗有一天真的接近現實，我覺得那會帶來一個比「工作消失」更有意思的變化：

我們可能必須重新區分兩種長期被混在一起的價值。

第一種，是一個人的工具性價值（instrumental value）：我能替社會生產什麼？解決什麼問題？創造多少經濟產出？

第二種，是一個人的內在價值（intrinsic value）：一個人活著、感受、建立關係、探索世界與經歷人生，本身具有什麼意義？

工業社會與資本主義很容易讓我們把這兩件事混在一起。工作決定收入，收入影響生活選擇，職業又往往決定社會地位。久而久之，我們很容易接受一個沒有明說的等式：

一個人的價值，大概就是市場願意為他的勞動或貢獻支付多少。

但人生裡很多最重要的事情根本沒有市場價格。

照顧自己的孩子、陪伴年邁的父母、寫一首沒有人買的詩、打一場沒有觀眾的籃球、研究自己家鄉的歷史，或者陪一個朋友走過人生低潮。這些事情對 GDP 的貢獻可能接近零，但很少人會因此認為它們沒有價值。

如果 AI 真的大幅降低維持物質生活所需要的勞動，原本只有少數人擁有的大量「非功利時間」，也許會第一次變成多數人都能享有的東西。

有人拿它來做藝術，有人研究哲學，有人運動、旅行、照顧家庭、投入社區，也可能有人願意花十年研究一個沒有任何商業價值、只是自己非常著迷的問題。

這些活動未必讓 GDP 增加多少。但文明存在的目的，本來就沒有理由等同於 GDP 最大化。

我們不需要一直尋找「AI 永遠做不到的事」，才能證明人類做一件事情有價值。

就算有一天 AI 寫出的音樂比我好，我還是可以彈琴；AI 可以比我更會寫文章，我也可能因為享受思考和寫作而繼續寫。汽車早就跑得比人快，我們沒有因此停止跑馬拉松；電腦下棋早已遠勝人類，棋類活動也沒有因此消失。

因為有些事情，我們做它並不是為了證明自己比機器強。

我們只是想親自經歷它。

一首樂曲的意義，不只存在於那串聲波裡，也存在於聽見它的人心裡。一場球賽之所以值得看，也不只是因為場上有一群物體按照物理定律移動，而是球員與觀眾共同賦予了它意義。

所以我愈來愈覺得，我們可能把人類作為「生產者」的角色看得太重了。

人同時也是參與者、體驗者、詮釋者與價值賦予者。如果一個文明裡沒有人感受到驚奇、悲傷、愛、成就與美，那麼即使它的生產效率高得驚人，我也不太確定那樣的效率最後是為了什麼。

這或許是 AI 帶來一個很有趣的反轉。

當機器逐漸接手更多「生產」，人的價值未必因此縮小；我們反而可能重新看見那些原本就存在、只是長期被經濟生產遮住的部分：

我們透過行動貢獻文明，也透過生命本身經歷、理解並賦予文明意義。

這也是我在各種場合愈來愈常被問到的問題。

很多學生最直接的焦慮是：「我到底要學什麼，才不會被 AI 取代？」

這個問題很合理。但如果前面的推演有一部分成立，也許還有兩個更值得問的問題：我如何繼續對世界做出有意義的貢獻？以及，我知不知道怎麼生活？

前者包括跨領域理解、實體系統經驗、open-world problem solving、系統安全、AI alignment、風險判斷，以及在資訊不完整、甚至價值彼此衝突時做決策的能力。

對學資訊的學生來說，我不建議把自己的價值建立在「我比 AI 更會寫程式」或「我比 AI 更會解演算法題」上。

程式設計當然還是重要，但它未來的重要性可能愈來愈像數學。我們學數學，不是因為社會需要每個人親手完成所有計算，而是為了理解結構、抽象問題、驗證結果。

程式設計也可能逐漸往這個方向走：親手寫出每一行 code 的重要性下降，理解系統、定義問題、判斷結果是否正確，以及有能力建立新的東西，反而變得更重要。

第二個問題，則是過去教育比較少著墨的：

一個人在不需要一直工作的時候，知不知道怎麼生活？

審美、好奇心、運動、藝術、人際關係、同理心、社群，以及找到一件自己真的願意長期投入的事情，可能都比我們今天想像的更重要。

我們的教育體系花了非常多力氣教孩子如何成為一個好的生產者：怎麼計算、怎麼寫程式、怎麼解題、怎麼進入好的學校、怎麼取得專業資格。

但如果科技真的有一天讓「必要工作」不再占據人生的大部分時間，那麼教育可能還有另一個長期被低估的任務：

教一個人如何使用自己的自由。

所以如果今天要給學生一些建議，我會這樣說：

能夠成為 AI 難以取代的人，當然很好。

但更重要的，也許是成為一個即使與 AI 共存，仍然知道怎麼貢獻，也知道怎麼生活的人。

AI 對就業最後會造成什麼影響，現在沒有人知道。我也不認為目前有足夠的證據，可以很有把握地預測十年、二十年後到底有多少工作會消失。

技術樂觀派提醒我們：AI 降低成本之後會產生新的需求，一些任務自動化之後，工作也會重新組合。歷史上這種事情發生過很多次，未來也很可能繼續發生。

但 AI 同時正在跨越不同職業的邊界，進入愈來愈多共通的認知任務；數位智能又具有快速複製與低成本部署的特性。因此，我不認為我們可以單純從過去的科技革命推論這一次的結果。

而且這個變化不會同時發生。純數位世界可能很快；進到物理世界，材料、能源、安全與部署速度會把它拖慢；進一步走進醫療、法律、金融或公共治理，責任、信任和制度又會再慢一層。

所以我想像的未來，不太像某一天突然從「人人工作」跳到「沒有人工作」，而是一個漫長且不均勻的改變過程。

如果一定要從中找一條比較長期的方向，我認為比較有把握的說法是：

在給定的文明產出水準下，科技進步會讓維持這些產出所需要投入的人類時間下降。

但我們會不會因此真的工作得更少，是另一個問題。

我們可能把省下來的能力繼續投入，創造更多產品、更高品質與更複雜的服務；也可能讓 AI 創造出的生產力集中在少數人手中，最後不是所有人少工作，而是一部分人仍然忙碌，另一部分人的市場價值快速下降。

因此，從技術進步到「人類可以少工作」，中間隔著一整套制度的建構。

我現在會把這件事情分成三層。

• 第一層是技術可能性：AI 能不能讓維持文明所需要的人類勞動下降？
• 第二層是制度選擇：如果可以，我們願不願意把這份生產力紅利轉換成更多人的自由時間，而不是更多財富集中或失業？
• 第三層則是人生價值：如果有一天，我們真的不再需要把人生的大部分時間拿去交換生存所需的資源，那麼我們要拿這些時間做什麼？

AI 也許可以幫我們解決第一個問題。

第二個必須由制度與社會共同回答。

而第三個，最後恐怕每一個人都得自己回答。

人類幾千年來不斷發明工具、機器和電腦，提高生產力，究竟是為了什麼？

如果最後只是讓我們生產更多，再把省下來的時間拿去生產更多，那好像永遠沒有終點。

我比較期待另一種可能。

科技進步最後真正替我們換回來的，也許是時間。

把更少的生命花在那些不得不做的事情上，把更多生命留給那些即使沒有人付錢，我們還是願意做的事。

如果 AI 最後真的把我們帶到那裡，那麼它改變的恐怕不只是工作。

它也會逼著我們重新回答一個很古老的問題：

一個人的價值，到底來自哪裡？

我的答案至少有兩個部分。

我們是文明的貢獻者，也是人生的體驗者。

＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝

關於作者

林守德，國立臺灣大學資訊工程學系教授，研究領域包括人工智慧、機器學習、資料探勘與自然語言處理，並具有 AI 新創與產業經驗。長期關注 AI 技術的發展，以及它對教育、工作與人類社會可能帶來的改變。