资料来源：freepik |自从2022年11月，AI Technology以大型语言模型为基础，自Ope​​nai（美国硅谷的开始）开始以来，Sun Ruichen推出了首个令人惊叹的聊天机器人，AI技术已经接近我们的生活。迄今为止，大型模型将帮助我们编写计划代码，制定旅行计划，读取数据并获取信息，迅速完成审查报告，学习第二种外语，甚至编辑视频，并创建商业网站或游戏……然而，在大型模型之后两年以上，人们惊讶地感到惊讶的是，拥有一个更终心的梦想，与一个社会的社会雇用一个强大的社会，在一个强大的社会中，有一个强大的社会，一个社会，一个强大的社会，一个社会，一个社会，他们的社会，是一个强大的社会，他们的社会，是一个强大的社会，为雇员雇用雇员的雇员，雇用了雇员的雇员雇用员工的雇员，雇用了雇员的雇员，雇用员工的雇员，为员工雇用雇员的雇员雇用员工，似乎更远，我们变得热情，这一事​​实在数据中得到了证实。 01在大型模型下，Dapat如何分析人类的经验？一群研究人员触及了这一点，尤其是：时间。时间是所有人中最重要的所有者，其缺乏，机会，投资价值和公用事业使得时间成为必要的资源。同时，时间是一种完全含义的困难资源。无论个人的财富，身份或背景如何，每天都有相同的24小时。但是，在不同的时代和区域背景下，人们在不同活动中的时间分配将有所不同。因此，评估大语言模型出现之前和之后人们分配时间的变化可以反映AI技术对我们生活的影响，并在某些规模上工作。国家经济研究局（NBER）发表的一份预印本论文就此问题进行了研究[1]。纸研究人员使用了美国制造数据探索AI技术暴露于员工的影响，尤其是在受访者时间分配和工作生活平衡中的大型模型。本文中使用的基本数据是ATUS数据集。劳工统计局每年都会组织美国时光调查（ATU）。 The survey primarily collects diary data of each respondent's time diary, recorded detailed information about respondents participating in different activities from 4 a.m. until 4 a.m. The next day within 24 hours before the interview, including paid jobs, housework, parenting, volunteer service, leisure, interview, etc. Respondents are generally randomly selected from a home interview nakumPleto another home interview at the bureau of labor statistics, each responding only received a phone interview.扩展全文 该调查每年有大约26,000名受访者，从2004年到2023年有20年的样本。受访者通过详细的24小时日记记录了他们的活动（在15-MI时Nute Interval），他们可以在这里计算市场上的工作时间，休闲时间和其他特殊功能。通过合理的灵敏度测试（例如，应将社会工作场所活动视为工作或休闲）来调整。由于详细的数据和大型样本量，该数据集被广泛用于研究劳动力的生产力，检查价值经济的经济活动（例如家庭作业，工作护理），研究分配不同群体的时间的模式，并探索社会经济问题，例如生活平衡，这有助于他们的日常生活和如何了解美国居民。 研究人员称AI接触“ AI暴露”受访者的水平。由于ATUS数据设置了每个受访者的工作信息，只要我们能够获得AI的水平，我们就可以降低具有特定工作的受访者受AI影响的级别。使用此方法，与纸张组合的人是明智地使用了人造专利数据（AIPD），以测量AI暴露于DIF专业的职业。 公众由美国专利商标局（USPTO）于2021年发行，AIPD收集了美国在2000年至2023年之间提供的人工智能专利的全面示例。因此，通过查看每个AI专利的标题和摘要中的文本信息，具有-set的文本信息，可以提取有关专业概念的信息范围和内容的信息。然后将这些信息与不同的工作匹配，以评估人工智能受到了多少影响。完成上述工作后，以确保受试者属于受AI影响的当事方，而不是积极影响AI的当事方，不包括那些在这项研究中拥有技术公司的工作公司的人，以将使用AI的员工的员工集中在使用AI的员工中，而不是在N Companice n Companies n Companies -n Companies -n Companies -n Companies -n Companies -Invent -Invent -Invent AI。 作者使用大型Wika-YES模型，使用AI研究AI对AI暴露的影响离子基于与AI相关专利的工作描述与内容之间的文本关系，并进一步认识AI与工作之间的辅助和替代关系。 May -set在2022年底之前利用Chatgpt的出现作为时间节点，用于研究主题如何调整新的AI扰动技术或工人补充的时间的时间。 研究发现，在Chatgpt发生后，员工团队在工作后工作数小时大大增加了AI暴露，并且该小组通常反映了休闲时间的下降。 文章指出了影响AI技术的两种方法：艾滋病或替代方法，但没有在对AI替代职业状况的深入研究中进行。但是，根据研究，在AI技术中发挥辅助作用的工作比替代职位的工作时间更高，而增加的工作时间对于有助于AI TE的行业的员工更清晰CHNOLOGY和AI的受欢迎程度提高的地区。当然，这些员工在接触其增加后享受收入，尤其是在适合AI技术的行业中，员工收入随着AI的增加而大大增加。 从某种意义上说，可以说AI技术增加了员工的收入，但与此同时，它也增加了整体工作时间，从而挤压了休闲时间NG员工。在谈论AI技术时，人们总是忽略AI技术可以使人们能够更快地完成工作并减少工作时间。这项研究的结论否认了这一点。 此外，那些设定AI技术影响的人还探索了员工绩效监控。他们发现，具有较高AI监测技术的远程工人的工作时间大大增加了。相比之下，这种效果不会发生在自己作为对照组的个体中。最后，根据Glassdoor的数据，在美国的求职网站，已经有一套AI曝光与较低的整体员工满意度有关。 此外，当PA市场竞争Gagawa更加激烈（即更“数量”）并且产品市场竞争更加激烈（即更多的“批量”）时，市场上市场的就业时间更加清晰。因为前者将通过提高技术驱动的生产率来削弱工人的议价能力，以获得过度回报；后者，在产品市场激烈竞争的情况下，大多数过度回报将传递给消费者，并且企业和工人之间分配的收益相对较小。因此，在这两种情况下，工人的整体福利都无法在AI繁荣期间保持生产率提高，从而削弱了由于收入增长而导致的更多休闲和减少就业的影响，不幸的是，这在许多地区都面临全球市场。 合并的结果表明，尽管提高AI驱动的生产力有望提高效率，但实际上会导致更长的工作时间和更低的员工满意度。 02 在审查了许多各方的数据之后，我们如何理解“ AI技术使我们更加忙碌”的问题？ 也许，主要的模型将主要有助于我们理解这种现象的本质。 代理商的模型最初源自组织的经济领域和理论，可用于解释合同和激励措施如何在不对称和不平衡利益的情况下如何调整原理和代理之间的行为[2-4]。校长和代理人的典型例子包括雇主和雇员，股东和压缩机管理员管理，以及在通常的理性党A和党派的情况下。 在实际的经济活动中，委托人和代理商通常处于不对称的信息环境中。获得雇主与雇员之间的关系一个例子：在一家公司中，老板（雇主）担任客户，并雇用工人（雇员）作为代理商。老板希望员工努力提高公司绩效和收入，而员工可能更关心自己的利益，工作条件和收入水平。由于信息的不对称性，老板很难实时监视每个员工的工作绩效，并且员工可以利用这种情况来减少他们的工作承诺，并从事“懒惰”或不稳定的合规性。 Punong-The-Agency的模型为这一现象提供了一个理论框架：在雇主（校长）雇用员工（代理商）之后，通常很难完全了解特定的工作绩效和员工的努力水平。这种不对称的信息被称为双方的利益冲突和道德危险（例如，使用信息的好处来寻求自己的利益不正确的代理人）。因为prinCipal无法完全观察到代理商的真实行为或级别的水平，这可能会导致代理人更有可能做出有益于自己的决定，而没有足够的行政管理。为了使信息不对称，委托人通常必须支付管理费用，由代理商的行为造成的损失和未完成期望的损失。在AI期间，其具体显示是雇主可以引入AI技术来帮助员工的工作，同时介绍AI技术以更好地监督员工。 通过设计合理的激励机制，代理商的利益可以与委托人的目标一致。例如，通过绩效奖金，股票期权或收入共享，代理商的收入与其工作绩效有关，从而鼓励代理商付出更高的努力，并最终最大程度地提高T他的校长同时增加了自己的收入。因此，本金与代理商之间的合同的设计通常需要共享风险与激励兼容性之间的balame，以确保双方都能合理地回到不确定的环境中。 在现代公司系统下移动砖的工人正处于缺乏分享收入机会的环境中。在竞争激烈的市场和产品产品中，由于员工的议价能力有限，因此无法通过提高生产率来解决他们的收入，从而导致企业或消费者的收入过多。因此，由AI和跟踪效率提高驱动的生产力改进确实扩大了工作时间。 因此，为了实现一个人的工作较少和较高的良好生活的世界，无法通过技术本身的发展自愿实现。纸 - 设备认为这个理想可以是ACHI通过政府干预，制定了促进生产力收益的公平分配的政策和系统，以及促进文化变革的重点是休闲和生活质量。 AI技术无法帮助这三件事。 参考：（向上和向下滑动至浏览） 1。Jiang，W.，Park，J.，Xiao，R。（Jiqiu），张，S。（2025年，2月）。 （NBER工作文件33536）。国家经济研究局.http：//www.nber.org/papers/w33536 2。Jensen，M。C.，Meckling，W。H.（1976）。 。 《金融经济学杂志》，3（4），305–360。 doi：10.1016/0304-405X（76）90026-X 3。Eisenhardt，K。M.（1989）。代理理论：评估和分析。 （1），57-74。 4。Sappington，D。E. M.（1991）。基本关系中的激励措施。 （1），75–94。 资料来源：知识分子 编辑：YUE 打印内容仅表示 - 集合的视图 不代表中国科学院物理研究所的职位 如果您需要依据int再次，请与原件联系以返回Sohu以查看更多