工作已不复从前。几个世纪以来，工作的概念本身发生了巨大变化，因为新技术不断融入我们个人和社会的运作方式。
在工程学中，功定义为力与距离的乘积。早期机器放大了力，大幅提升了人类的生产力，为工业化社会奠定了早期基础。它们消除了繁重的体力劳动，也为人类创造了新型工作，例如操作和修理机器，并以新的方式运用机器的能力。计算机同样减少了繁重的信息处理工作，使人类能够从事更高效、更有创造性、回报更丰厚的工作。
但如今的机器有所不同，它们越来越能自行摸索出解决办法。它们已经学会了如何学习，而这种能力迄今为止一直为人类所独有。我们感知世界并自发整合非结构化信息的能力，是许多人类工作赖以开展的基石。如今机器也在承担这一角色，而且往往做得比我们更好，那么未来工作中属于人类的——或“非常规”的——部分还将有多大价值？
当前政治讨论过于关注就业岗位数量，却忽视了这些岗位在质量上的分布。以亚马逊正在寻找的5万名员工为例，他们即将入职，其中有多大比例的人有望获得真正的职业发展和收入增长？
我们无法根据过去的数据回答这个问题，因为非常规工作并不适合采用科学管理式的观察方法，也难以用O*NET职业分类系统制定的标准职业描述来界定。技术改变了工作的构成及其所需技能；例如，如今会计师或律师的工作，与十几二十年前大不相同。
当原本非常规的工作变得常规时，岗位所需技能也会随之改变。例如，如果机器看得比人类更清楚，职业司机出色的远距离视力便会贬值；如果机器查找判例比人类更快、更准确，律师记忆判例的优势也就不那么重要。要预测人工智能（AI）将如何影响人类工作，我们需要深入了解工作、尤其是非常规工作的“数字指纹”。
过去的研究表明，自动化取代了常规任务，同时对非常规任务起到了补充作用。此外，过去几十年来，从事大量非常规任务岗位的劳动力占比大幅上升，而主要涉及常规认知和体力任务的岗位占比则大幅下降。如果未来也会如此发展，我们或许可以合理推断，人类就业的性质将取决于以非常规任务为核心的职业供给，尤其是对此类职业的需求。
然而，当自主学习系统——而非自动化系统——开始能够执行过去被视为非常规的任务时，这种常规与非常规的二分法便显得模糊，也难以成立。1972年，哲学家休伯特·德雷福斯断言，计算机永远无法完成驾驶这类简单任务。就在10年前，驾驶车辆还被视为非常规、因而本质上属于人类的工作。然而，自动驾驶汽车即将让导航在很大程度上成为常规任务。更广泛地说，机器正在一些长期被认为属于人类的认知任务上变得更加擅长，包括投资决策、制作纳税申报表等。大数据，尤其是来自能够看、听、读、触的系统的感知型数据，正使机器具备自主学习的能力。
近期一份麦肯锡全球研究院的报告指出，60%的职业中有30%的工作内容可以自动化。报告称，这些职业在美国的工资总额接近2.7万亿美元，略高于该国经济活动总量的一半。报告还设想了人类与机器以新方式协同工作的图景。事实上，人工智能机器已经在重新界定体力劳动和认知工作的边界，帮助人类处理耗时或容易出错的工作环节。但如果机器在涉及健康、财务、导航或娱乐等领域的重要非常规决策上远胜于我们，例如，人类还能创造什么价值？
在大学里，我们教学生如何思考，以帮助他们为未来的职场做好准备。这主要涉及如何开展科学探究：从提出正确的问题、界定问题、执行，到分析结果并传达结论。一些研究人员提出，我们应当鼓励计算思维。卡内基梅隆大学计算机科学系主任珍妮特·温格指出，计算思维将这些步骤视为一个整体，即“把一个看似困难的问题重新表述为我们知道如何解决的问题，或许可以通过简化、嵌入、转换或模拟来实现”。现有以技能为基础的工作描述，未能充分涵盖这些日益重要的非常规知识工作方面。
我对人们信任或不信任机器进行决策的情境边界开展研究——我将其称为“决策自动化前沿”——研究取决于我们认为机器出错的频率，以及错误可能造成的后果，尤其是最坏情况下的后果。当机器的准确率稳定可预测，且出错代价足够低时，我们会信任它们。例如，机器或许能有效搜索法律案件的判例，或对结果预测进行排序；但准备法律案件的辩论陈述等任务仍由人类完成。
有意思的是，O*NET职业分类体系将律师归为需要高度口头和书面表达与理解能力、抗压能力及诚信的职业。试想，如果我们能自下而上地对所有法律工作进行“数字快照”，让其特征从数据中显现出来，会怎样？例如，律师有多少工作时间用于研究、写作和交谈等方面？劳动力市场如何评价这些工作？对非常规工作相关认知活动的测量——我称之为工作的数字指纹——是一个极具研究潜力的领域。更完善的测量工具将提供一幅由数据驱动的图景，展现岗位的实际构成，并为预测岗位将如何变化奠定基础。
工作的数字指纹无疑因职业而异。对医疗专业人员而言，非常规任务可能涉及深厚的知识或医学技能，也可能包括同理心和沟通等能力。对保险从业者而言，这可能包括根据记录和细微线索评估风险的能力。在体育领域，这可能涉及分析压力下的决策。原则上，这些方面都可以在不同程度上观察和测量。但在我们有依据预测工作的未来之前，还需要更多研究，以了解人类与更智能的机器如何在微观层面相互补充、彼此竞争。
