Ciągle wracam do jednej niewygodnej myśli.
Wiele osób mówi o robotach, jakby główna rewolucja miała miejsce, gdy maszyna stanie się wystarczająco dobra, by wykonywać pracę ludzką. Podnieś pudełko. przekręć śrubę. sprawdź panel. podłącz gniazdko. Ale myślę, że takie ujęcie pomija trudniejszy problem. Głębszy szok może nastąpić później, gdy jeden robot nauczy się zadania raz, a ta zdolność rozprzestrzeni się w sieci niemal natychmiast. To bardzo inna historia o pracy. Przez większość nowoczesnej historii gospodarczej, wiedza specjalistyczna rozprzestrzeniała się powoli. Wykwalifikowany elektryk uczy się przez lata praktyki. Firma zatrudnia ich więcej, szkoli praktykantów, buduje wewnętrzne standardy i stopniowo zwiększa zdolności. Płace, certyfikacja, kształcenie i niedobory siły roboczej poruszają się w tym wolniejszym rytmie. Nawet gdy oprogramowanie poprawia wydajność, ludzie wciąż muszą przyswoić zmianę w ludzkim tempie..$ROBO   #ROBO   @Fabric Foundation
Co zwróciło moją uwagę, to możliwość, że systemy robotyczne łamią ten rytm. Jeśli roboty działają poprzez współdzielone warstwy umiejętności, to rzadkością nie jest już tylko pracownik. Staje się nim wydarzenie szkoleniowe, zweryfikowane zachowanie, pakiet oprogramowania, zatwierdzony model. Gdy ta warstwa zostanie zbudowana, skopiowana i wdrożona, wąskie gardło może przesunąć się z "Kto potrafi to zrobić?" na "Ile urządzeń może otrzymać aktualizację?" To brzmi wydajnie. Prawdopodobnie tak jest. To również destabilizuje społecznie. Praktyczne tarcia są łatwe do niedocenienia, ponieważ korzyści pierwszego rzędu brzmią tak atrakcyjnie. Wyobraź sobie robota wyszkolonego do wykonywania wąskiego, ale cennego zadania elektrycznego: na przykład, inspekcję standardowego układu paneli, identyfikowanie wzorców usterek i wykonywanie sekwencji naprawy w kontrolowanych warunkach. W starym świecie skalowanie tej kompetencji oznaczało zatrudnianie większej liczby wykwalifikowanych pracowników i poświęcanie czasu na ich bezpieczne przeszkolenie. W nowym świecie udana polityka zadania może zostać przesłana, zweryfikowana i rozdystrybuowana do tysięcy kompatybilnych maszyn w wielu lokalizacjach.

Koszt na zadanie spada. Wskaźniki błędów mogą spaść, jeśli system jest dobrze przetestowany. Bezpieczeństwo może się poprawić, jeśli robot przestrzega tej samej audytowanej procedury za każdym razem. Pracodawcy otrzymują bardziej przewidywalny wynik. Klienci otrzymują tańsze usługi. Regulatorzy mogą nawet lubić śledzenie, jeśli każda akcja jest rejestrowana. Ale rynki pracy nie dostosowują się w tempie oprogramowania. To jest zasadnicza teza, jak ją rozumiem: jeśli zdolności robotów stają się modułowe i natychmiastowe do współdzielenia, wydajność może kumulować się szybciej niż systemy edukacyjne, systemy licencjonowania i programy przeszkalania pracowników mogą odpowiedzieć. A to ma większe znaczenie niż błyszcząca demonstracja. Mechanizm nie jest szczególnie tajemniczy. To ta sama podstawowa logika, która uczyniła platformy oprogramowania potężnymi, teraz podłączona do pracy fizycznej. Najpierw zadanie jest rozkładane na coś, co można nauczyć i powtarzać. Następnie jest przekształcane w przenośny artefakt umiejętności: może aktualizacja modelu, może pakiet umiejętności, może szablon wdrożenia powiązany z konkretnym sprzętem i ograniczeniami bezpieczeństwa. Gdy ten artefakt istnieje, ekonomika się zmienia. Wartość nie jest już uwięziona w ciele jednego pracownika lub w lokalnym procesie jednej firmy. Staje się przenośna. Powtarzalna. Instalowalna.

Dlatego przykład elektryka ma tak duże znaczenie. Ludzie słyszą "robot elektryk" i myślą, że największym pytaniem jest, czy maszyna naprawdę może wykonywać pracę elektryka. Myślę, że ważniejsze pytanie brzmi, co się stanie, gdy będzie mogła niezawodnie wykonać jeden wycinek tej pracy. Jeśli jeden robot nauczy się ograniczonej procedury elektrycznej, a ta umiejętność może rozprzestrzenić się na dziesięć tysięcy innych jednostek, wtedy ekspertyza zaczyna zachowywać się mniej jak praca, a bardziej jak infrastruktura. To jest ogromna zmiana. Na rynku pracy ludzi, jeśli popyt nagle wzrasta na konserwację elektryczną, płace zazwyczaj rosną, programy szkoleniowe się rozwijają, a podaż stopniowo dogania. Na rynku umiejętności maszyn odpowiedź może być znacznie ostrzejsza. Udane wdrożenie generuje dane. Model się poprawia. Pakiet zostaje zatwierdzony. Wtedy ta sama kompetencja rozprzestrzenia się w flocie niemal z dnia na dzień. Odpowiedź podażowa nie jest już latami. Może to być tygodnie, dni, a w niektórych przypadkach aktualizacja przesyłana.

Z perspektywy biznesowej, to jest potężne. Z perspektywy politycznej, to niepokojące. Ponieważ potencjał jest realny. Nie chcę udawać inaczej. Istnieją oczywiste przypadki, gdzie ryzykowne inspekcje, rutynowa konserwacja i powtarzalne zadania na podłodze fabrycznej. społeczeństwo powinno chcieć więcej tego. Pracować w środowiskach, gdzie błąd ludzki może zabić kogoś. Jeśli warstwa umiejętności robotycznych zmniejsza wypadki i poszerza dostęp do niezawodnej usługi, to nie jest mała wygrana. To znaczący postęp. Myślę, że niektórzy krytycy umykają temu aspektowi, skupiając się tylko na nagłówkach o wypieraniu miejsc pracy. Ale optymiści również zbyt szybko pomijają koszt przejścia. Rynek pracy to nie tylko stos kosztów. To system alokacji społecznej. Określa, kto zarabia, kto się szkoli, kto awansuje, a kto zostaje w tyle. Gdy wiedza maszyn rozprzestrzenia się szybciej niż ludzki proces przeszkalania, ból nie pojawia się jako błąd techniczny. Pojawia się jako opóźnienie polityczne i instytucjonalne.

Colleges społecznościowe nie przeprojektowują programów nauczania z dnia na dzień. Organy licencyjne nie poruszają się w tempie oprogramowania. Pracownicy w średnim wieku nie zawsze mogą się przestawić w sześć miesięcy. Lokalne gospodarki zbudowane wokół wykwalifikowanych zawodów nie dostosowują się gładko, ponieważ istnieje nowy pakiet umiejętności robotycznych. To jest miejsce, gdzie prawdziwy kompromis staje się trudniejszy niż wersja nagłówkowa. Tak, koszty spadają. Tak, bezpieczeństwo może rosnąć. Tak, dostarczanie usług staje się bardziej spójne. Ale im bardziej system staje się udany, tym pilniejszy staje się problem przeszkolenia. Nie w końcu. Natychmiast. Wyobraź sobie regionalną sieć serwisową, która przyjmuje sprawdzoną umiejętność robotyczną w wąskiej klasie zadań konserwacyjnych w komercyjnych obiektach. Na początku wygląda to na dodatek. Roboty zajmują się powtarzalnymi, mniej ryzykownymi zadaniami. Ludzie elektrycy biorą na siebie bardziej złożoną pracę. Wszyscy mówią sobie, że to jest uzupełnienie, a nie zastąpienie. To może być nawet prawda w pierwszym roku. Potem umiejętność się poprawia. Robot staje się lepszy w diagnozowaniu. Lepszy w radzeniu sobie z przypadkami brzegowymi. Lepszy w pracy w nieco różnych układach miejsc. Dodawany jest drugi pakiet umiejętności. Potem trzeci. Nagle kategoria "rutynowej pracy" się rozszerza, a zadania, które kiedyś szkoliły juniorów, zaczynają znikać. To ma znaczenie, ponieważ zadania na poziomie podstawowym często są tym, jak prawdziwi pracownicy przechodzą do ról eksperckich. Jeśli maszyny pochłoną najniższe szczeble najpierw, drabina kariery sama zaczyna się łamać. To jest część, którą myślę, że ludzie mogą niedoszacowywać. Rynek pracy może przetrwać automatyzację konkretnych zadań. Jest trudniejszy, gdy ścieżka do tworzenia przyszłych wykwalifikowanych ludzi zostaje jednocześnie opróżniona. Jeśli roboty dziedziczą ekspertyzę natychmiast, podczas gdy ludzie nadal potrzebują lat, aby ją zbudować, to społeczeństwo staje w obliczu asymetrii: zdolności maszyn kumulują się, podczas gdy ścieżki zastępowania ludzi osłabiają. Dla publiczności kryptowalut, to również dlatego infrastruktura koordynacyjna ma znaczenie. Tkanina nie tylko składa roszczenie dotyczące robotów. Sugeruje system, w którym umiejętności, zachęty, dystrybucja i weryfikacja mogłyby być zorganizowane w skali sieci. Jeśli ta warstwa koordynacyjna działa, przyjęcie mogłoby przebiegać znacznie szybciej niż systemy instytucjonalne wokół niej. To jest ekscytujące. To również dokładnie dlatego zarządzanie, zasady dostępu, projektowanie nagród i publiczna odpowiedzialność mają tak duże znaczenie.

Architektura jest interesująca, ale szczegóły operacyjne będą miały większe znaczenie. To, co obserwuję następne, to nie to, czy współdzielenie umiejętności robotów brzmi imponująco w teorii. Chcę zobaczyć, kto zdobywa zyski wydajności, kto rządzi granicami wdrożenia i czy jakikolwiek poważny mechanizm przeszkalania jest budowany równolegle z warstwą techniczną, a nie obiecany później. Ponieważ jeśli ekspertyza maszyn staje się natychmiast powtarzalna, pytanie ekonomiczne nie jest już tylko "Czy to można zautomatyzować?" Staje się "Kto zaadaptuje się wystarczająco szybko, aby żyć z konsekwencjami?"
To jest to, co chcę zobaczyć udowodnione następnie.$ROBO   #ROBO   @Fabric Foundation