好的，我們繼續。在上一部分，我們已經理解了這篇論文的兩個基礎論點：第一，必須用「使用者目標」和「AI 行動」的雙重視角來分析 AI 的影響；第二，我們也清楚地看到，人們主要利用 AI 來處理資訊收集、寫作與溝通等知識工作，而 AI 則扮演著一個積極的「服務員」角色，提供資訊、解釋、教學和建議。
現在，我們將進入更深層次的分析。知道了「發生了什麼」之後，下一個更關鍵的問題是：「影響有多大？」以及「誰受到的影響最大？」這就引導我們來到論文的第三和第四個核心論點，這兩個論點將抽象的對話分析，轉化為具體的、可衡量的職業衝擊地圖。
主要論點三：從對話到量尺——「AI 適用性分數」的建構
如果說前兩個論點是在質性上描繪 AI 影響的「樣貌」，那麼第三個論點就是在量化上打造一把衡量 AI 影響的「尺」。研究者們深知，僅僅說「AI 對知識工作有影響」是不夠的。影響程度有深有淺，影響範圍有大有小。為了能夠進行跨職業的比較，他們必須設計一個綜合性的指標。於是，「AI 適用性分數」（AI Applicability Score）應運而生。
這個分數的設計過程，就像一位經驗豐富的醫生在診斷一種新興疾病對人體的影響。醫生不會只看單一的症狀，而是會綜合考量多個指標，才能給出一個全面的評估。同樣地，「AI 適用性分數」也並非單一維度的數字，它巧妙地融合了三個核心要素：
- 覆蓋率（Coverage）：這個工作真的和 AI 有關嗎？ 這就像是醫生的第一步篩查：這位病人（職業）體內，是否存在這種新病毒（AI 所能處理的工作活動）能夠作用的受體？研究者們設定了一個門檻（在他們的研究中是 0.05% 的活動份額），用來判斷某項工作活動（例如「撰寫商業報告」）在他們分析的 20 萬筆對話中，是否出現得足夠頻繁，足以被認為是「被 AI 覆蓋」的。如果一項工作活動很少有人用 AI 來做，那麼它可能就不在當前 AI 能力的「覆蓋範圍」之內。一個職業所包含的所有工作活動中，「被 AI 覆蓋」的活動佔比越高，其「覆蓋率」就越高。這是評估 AI 潛在影響的第一道關卡。
- 成功率（Success/Completion Rate）：AI 做得好不好？ 光是有受體還不夠，醫生還得看藥物治療的效果如何。同樣地，光是有人嘗試用 AI 做某件事還不夠，我們還需要知道 AI 是否能「成功」完成任務。這是一個至關重要的品質控制環節。如果人們用 AI 寫詩，結果 AI 寫出來的都是些狗屁不通的句子，那麼我們就不能說 AI 對詩人的工作有實質影響。研究者們為此訓練了另一個大型語言模型，來判斷每一段對話中的任務是否被成功完成。同時，他們也參考了使用者在 Copilot 中留下的「讚」與「倒讚」的回饋數據。結果發現，使用者滿意度高的任務，通常也是被模型判斷為「完成度高」的任務。只有那些 AI 能夠高效、成功完成的工作活動，才會對相應的職業產生真正的影響。
- 影響範圍（Scope of Impact）：AI 的幫助有多深入？ 這是最精妙、也最容易被忽略的一點。即便 AI 成功完成了一項任務，其影響的深度和廣度也可能天差地別。讓我們回到醫生的比喻：藥物成功地作用於受體，但它只是緩解了輕微的頭痛，還是治癒了整個器官的頑疾？這兩者的影響力是完全不同的。 研究者們舉了一個很好的例子：
- 場景 A： 使用者問：「什麼是粒線體？」AI 給出了一個準確的定義。這個任務被「成功完成」了。
- 場景 B： 使用者上傳了一份完整的生物學研究報告，說：「幫我把這份報告的語言潤飾得更專業，並檢查邏輯上的矛盾。」AI 也「成功完成」了這個任務。
雖然兩個任務都成功了，但它們所對應的工作活動都是「研究生物現象」（Research biological phenomena）。顯然，在場景 B 中，AI 所展現出的能力，對「研究生物現象」這項工作的介入程度要深遠得多。場景 A 只觸及了皮毛，而場景 B 則深入到了核心。研究者們將這種介入程度稱為「影響範圍」，並同樣用模型將其分為「無、最小、有限、中等、顯著、完整」六個等級。
最後，研究者們將這三個要素——覆蓋率、成功率、影響範圍——結合起來，再根據每項工作活動在一個特定職業中的「重要性」和「相關性」（這些數據來自 O*NET 資料庫）進行加權，最終計算出每個職業的「AI 適用性分數」。
這個分數的意義在於，它不再是一個模糊的描述，而是一個可以用來比較不同職業受 AI 影響程度的相對指標。一個職業的「AI 適用性分數」越高，意味著構成該職業的許多重要工作活動，不僅頻繁地出現在 AI 對話中，而且 AI 能夠成功、且深入地完成這些活動。這個分數就像一把精密的「AI 影響力卡尺」，為我們接下來理解哪些職業處於變革的風暴中心，奠定了堅實的數據基礎。
主要論點四：AI 影響力地圖——知識與溝通密集型職業首當其衝
有了「AI 適用性分數」這把尺，研究者們終於可以開始丈量整個職業世界了。他們為美國勞工部 O*NET 資料庫中的數百個職業都計算了分數，其結果繪製出了一幅前所未有的、基於真實世界數據的「AI 影響力地圖」。這幅地圖的發現，既在情理之中，又充滿了令人深思的細節。
誰在風暴中心？（高適用性分數的職業）
排名最靠前的職業，其共性非常明顯：它們高度依賴於知識處理和人際溝通。 這與我們先前在第二個論點中看到的「使用者目標」和「AI 行動」的發現完美契合。 AI 擅長做什麼，那麼以這些活動為核心的職業，其適用性分數自然就高。
排名前列的職業包括：
- 口譯員與筆譯員（Interpreters and Translators）： 這幾乎是預料之中的冠軍。他們的核心工作就是語言的轉換與傳達，這正是當前大型語言模型最核心的能力之一。
- 歷史學家、作家與作者（Historians, Writers and Authors）： 這些職業的核心是研究、整合資訊並將其轉化為結構化的文字。 AI 在資料搜集、草稿撰寫、文字潤飾方面的能力，與他們的工作流程高度重疊。
- 客服代表、銷售代表（Customer Service Representatives, Sales Representatives）： 這些職業的日常工作充滿了與客戶的溝通，需要提供產品資訊、解答疑問、處理問題。 AI 作為一個「溝通代理人」和「資訊服務員」，能夠極大地輔助甚至部分替代這些工作。
- 其他知識工作者： 如公關專家、政治學家、記者、數學家、校對員等，他們的共同點都是大量處理符號、數據和文字資訊。
一個特別有趣的發現是，一些我們通常不認為是「高科技」的服務業崗位，也獲得了驚人的高分。例如乘客服務員（Passenger Attendants）、禮賓司（Concierges） 和 旅店前台（Hosts and Hostesses）。乍看之下，這似乎有違直覺。但如果我們用論文的分析框架來審視，就會豁然開朗。這些職業的很大一部分工作內容，並非體力勞動，而是「向客人提供資訊」、「回應詢問」、「解釋規則與服務」。這些恰恰是 AI 最擅長的溝通與資訊服務類任務。這也揭示了，我們不應僅憑職業名稱的刻板印象來判斷 AI 的影響，而應深入分析其構成的工作活動。
誰相對安穩？（低適用性分數的職業）
地圖的另一端，是那些「AI 適用性分數」極低的職業。它們的共同點也非常突出：工作核心涉及大量的體力勞動、操作精密機械、或與物理世界直接互動。
這些職業包括：
- 體力勞動者： 如洗碗工、屋頂工、泥水匠、清潔工。
- 機械操作員： 如堆高機司機、卡車司機、起重機操作員。
- 動手護理與服務者： 如護理助理、按摩治療師、理髮師。
- 手藝人： 如汽車玻璃安裝工、輪胎修理工。
這些工作的核心任務，例如「搬運重物」、「駕駛車輛」、「為病人翻身」、「修理引擎」，都遠遠超出了當前生成式 AI（一個基於語言的模型）的能力範圍。論文特別強調，他們的研究對象是 LLM，並不意味著其他類型的 AI（例如機器人學、電腦視覺）不會影響這些職業。但就目前生成式 AI 的浪潮而言，這些以體力為主的職業，受到的直接衝擊是最小的。
現實與預測的交匯
更有說服力的是，研究者們將他們基於「真實使用數據」得出的這份影響力地圖，與另一項由 Eloundou 等人發表的、基於「專家預測」的研究進行了比較。 Eloundou 等人的研究是請人類專家和 GPT-4 來判斷，哪些工作任務可以被 AI 顯著提速。
結果令人振奮：兩份地圖高度吻合！ 相關係數高達 0.73，在將職業聚合到更宏觀的類別後，相關係數甚至飆升至 0.91 。這是一個極其重要的發現。它意味著，專家們憑藉其專業知識所做出的前瞻性預測，在很大程度上被真實世界中人們的實際使用行為所驗證。這就像天文學家通過理論計算預測了一顆彗星的軌跡，而這篇論文的作者則架設了望遠鏡，觀測到了彗星確實沿著預測的軌跡在飛行。這雙重驗證，極大地增強了我們對 AI 影響趨勢判斷的信心。
最後，論文還探討了 AI 適用性與薪資、教育水平的關係。他們發現，AI 適用性與薪資的相關性很弱，但與教育水平的相關性則更為明顯。要求學士或更高學位的職業，其平均 AI 適用性分數顯著高於教育要求較低的職業。 這再次印證了生成式 AI 主要衝擊的是「知識密集型」工作，而非簡單地以「高薪」或「低薪」來劃分。
總結來說，這篇論文通過嚴謹的數據分析，為我們提供了關於生成式 AI 在當下及可預見的未來，如何重塑職業格局的深刻洞見。它不僅識別了受影響最大的職業群體，更重要的是，它提供了一套科學的、可複製的分析框架，讓我們能夠持續追蹤這場由 AI 引領的、史無前例的技術變革。這項研究告訴我們，隕石的撞擊並非隨機，其路徑清晰可循，而它的主要目標，正是我們經濟體系中長期以來被視為最穩固的基石——知識工作。