第三种劳动:智能品牌传播中的人机关系

姚 曦, 姚 俊

(武汉大学 新闻与传播学院, 湖北 武汉430072)

随着人工智能技术、物联网以及生物科学的发展,机器的劳动能力正在发生着实质性改变,从最初替代人类出现在工厂中完成重复枯燥的体力劳动,到协助人类做决策等“智慧型”工作,以大任务、大训练、大模型与大系统为基石的ChatGPT不仅能够“理解”人类的语言指令,生产的内容与人类语言习惯、常识、认知、需求和价值观也更加契合与匹配。越来越多的行业让人工智能技术参与到劳动中,以提高劳动效率、降低失误率。人工智能技术的持续迭代与广泛应用,引发了人们对人机关系的关注与思考,如劳动分工中的认知主体问题(1)X.Feng,“Artificial Intelligence and the New Issue of Cognitive Subject”,Frontiers of Philosophy in China,Vol.17,No.2,2022.、人机有效协作问题(2)P.Puranam,“Human-AI Collaborative Decision-Making as an Organization Design Problem”,Journal of Organization Design,Vol.10,No.2,2021.、探索人类劳动者的关键能力(3)T.Süβe, et al.,“Antecedents of Constructive Human-AI Collaboration:An Exploration of Human Actors’ Key Competencies”,L.M.Camarinha-Matos,et al.,Smart and Sustainable Collaborative Networks 4.0:22nd IFIP WG 5.5 Working Conference on Virtual Enterprises, PRO-VE 2021,Saint-Étienne,France,November 22-24,2021,Proceedings 22,Cham:Springer International Publishing,2021,pp.113-124.等。

于品牌传播而言,数据与算法的涌入带来原有业务内容、劳动分工的重新分配和调整,重新定义了劳动本身与劳动关系,这种需人机交互完成的劳动可称为第三种劳动。它具有以下特征:首先,居于人机平行劳动(人机分离式协作)与完全自动化(人机完全融合)之间,它是人类与人工智能协同劳动的混合体。人机劳动分工并非人机劳动分离,而是指为了完成某一项任务,智能技术的劳动与人类劳动存在时间上的先后顺序,形成了“协同”式的劳动关系。其次,第三种劳动包括人机分工与再分工,它是动态劳动分工过程与结果。分工是品牌服务商根据人机各自的优势对人机劳动作出的分配,它是第三种劳动形成的基础条件。再分工指随着时间的推移,原有的劳动配置可能会发生分化与重组,形成新的劳动类型与协作关系。

目前品牌传播领域探讨的主要议题包括人工智能在广告创意中的使用(4)D.Vakratsas,X.Wang,“Artificial Intelligence in Advertising Creativity”,Journal of Advertising,Vol.50,No.1,2020.、人工智能在程序化广告中的作用研究(5)V.S.Diwanji,et al.,“Deconstructing the Role of Artificial Intelligence in Programmatic Advertising:At the Intersection of Automation and Transparency”,Journal of Strategic Marketing,Published online:23 November 2022,https://doi.org/10.1080/0965254X.2022.2148269.、人工智能如何实现广告与消费者的有效沟通(6)J.Kietzmann,et al.,“Artificial Intelligence in Advertising How Marketers Can Leverage Artificial Intelligence along the Consumer Journey”,Journal of Advertising Research,Vol.58,No.3,2018.等。总的来看,国内外学者沿袭的依旧是人机二分式的研究视角,比较关注人工智能取代人类工作的潜力以及与人类劳动能力相比的相对优势,对具体业务运作中人类与智能技术间如何协作完成任务的关注较为匮乏,未能触及到第三种劳动中人机关系的本质。智能品牌传播业务是一种典型的数据密集型劳动,大数据与算法的介入是提高品牌传播精准性、及时满足消费者需求的重要品牌战略。智能品牌传播中人机协作式劳动比预期的更加具有挑战性,需要研究者关注具体的劳动流程。综上,有必要聚焦到具体的品牌传播业务运作场域中,对第三种劳动中的人机关系做深入的研究,这将具有重要的理论价值与实践意义。

一、劳动分工与协同:研究智能时代人机关系的一个基本视角

对于劳动分工与协同的理解可以追溯到劳动分工理论,它是经济学中的重要理论。亚当·斯密在《国富论》中写道,“劳动生产力上最大的增进,以及运用劳动时所表现的更大的熟练、技巧和判断力,似乎都是分工的结果”(7)亚当·斯密:《国民财富的性质和原因的研究》上卷,北京:商务印书馆,1981年,第3页。。马克思进一步分析了分工优越性产生的原因——“由协作的一般性质产生的”(8)马克思:《资本论》第1卷,北京:人民出版社,2004年,第393页。,即分工优越性的产生离不开分工者之间的有效协作,协作反过来也会影响分工的效果。可以看出,分工与协同是一组关系型概念,基于此,本文将劳动分工与协同作为研究智能时代人机关系的一个基本视角。具体而言,第一,劳动工具的自动化塑造着人机协作式的分工配置,“分工从最初起就包含着劳动条件——劳动工具和材料——的分配”(9)《马克思恩格斯文集》第1卷,北京:人民出版社,2009年,第579页。,这就意味着劳动主体在劳动中的分工关系与劳动工具密切相关,即“手推磨所决定的分工不同于蒸汽磨所决定的分工”(10)《马克思恩格斯文集》第1卷,第622页。。劳动工具自身的变化在马克思看来“更能显示一个社会生产时代的具有决定意义的特征”(11)《马克思恩格斯全集》第23卷,北京:人民出版社,1972年,第204页。。从农业时期的手工工具到工业时期的机械化工具,技术与机器并不具备推理、判断、共情、深度思考等人独有的属性,人类与技术间一直是单方面的使用与被使用的关系。人工智能是人类对自己的全面复制与突破,它似乎展现出了某种自主思考与行动的能力,因此,很多学者对智能技术是否还属于被操控的劳动工具提出了质疑,指出人工智能是人的外在延伸和扩展,它不仅复制了人的外貌、四肢,还意欲将属于自己的思考能力、情感、自我意识等人称之为人的“东西”赋予机器,实现对人思维系统的复制乃至超越。因此,人工智能已经不完全是“被使唤者”了,它更像是存在于硅基“躯体”上的人。不过也有学者认为智能机器具有的主体性也只是拟主体性,而“无法解决的自我意识问题让人工智能仅能作为一种工具存在”(12)陈凡、程海东:《人工智能的马克思主义审视》,《思想理论教育》2017年第11期。。理论上工具性存在与拟主体性的探讨,映射到具体的劳动情境中表现为对人工智能支持的自动化的关注,即AI与人类动态地结合在一起,作为一个整体发挥劳动的价值。

第二,以人类为中心的劳动关系的瓦解促成了人机共同体的形成。以模拟人类的智慧为目的的机器已经拥有了可以与人类相匹敌的组织、协调和控制的能力,集工具属性与劳动主体属性于一身。这一转变不仅打破了人类对劳动主体地位的垄断,并使得智能机器取代人类成为新的劳动者,重新定义了人与机器之间的关系(13)张自永、吴宏洛:《人工智能时代劳动解放的四维解析》,《海南大学学报》(人文社会科学版)2020年第6期。,即人与机器正在经历着从弱交互适应到强交互适应的变革,意味着人类不再拥有绝对的劳动话语权。此外,智能机器在劳动领域、工作习惯、劳动方式等方面拥有人类无法比拟的优势,且机器与机器间能略过人类这一中介实现复杂的合作,这意味着在现有的劳动范畴内,机器不仅能代替人类高质高量完成交付的任务,同时它开始进入了人类能力所不及的工作领域,智能机器的劳动和人类的劳动作为两种截然不同的劳动形态将前所未有地“共存”于人类社会(14)欧阳英:《从马克思的异化理论看人工智能的意义》,《世界哲学》2019年第2期。。人在劳动关系中的中心地位体现于对机器具有绝对的控制权、驱使权,并且行使这些权利并不会造成劳动效率与劳动价值的损耗。随着数据和算法对人类劳动领域的大规模介入,越来越多的行业与企业谋求数字化转型,造就了数字时代独有的劳动形态,即数据密集型劳动,它的独特性在于智能技术被设计成与人类紧密耦合的合作伙伴,而非人类对机器的绝对控制与使用。

综上,人机协作式的分工配置与人机劳动共同体的形成皆在凸显人机关系中的“互构”与“耦合”面向。因此,以劳动分工与协同为视角,可以帮助我们从关系中检视与廓清第三种劳动中人机分工样貌、人机关系的具体指涉是什么以及它是如何形成的。

二、第三种劳动的形成:智能技术对品牌传播业务运作的全面介入

智能品牌传播业务围绕传递商品或服务信息实现品牌价值展开,依赖大量最新的消费者数据(画像相关的数据与消费者商品使用反馈数据)、市场发展分析来洞察与预测消费者的行为,主要业务流程包括消费者洞察、内容生产、内容匹配、效果评估四个部分。以分工—协同为视角,以四个核心业务流程为分析框架,本部分在具体的劳动场域中梳理与呈现第三种劳动中的人机关系,具体如下:

(一)分工—协同的消费者洞察

消费者洞察,包括洞察理念与洞察行为两个部分,它是广告业现代化转型过程中的稳定器与加速器,依托于严格的调查流程与数据分析,提升了广告的科学性和专业化程度。消费者洞察理念经历了从“群体画像”到“个体画像”的变化:群体画像是对群体的心理特征、行为特征进行整体性概述;个体画像则是对个体特征、行为数据和场景信息进行收集,利用机器学习模型对这些数据进行标签提取和分类,然后使用标签组成完整的消费者画像(15)H.Choi,et al.,“Online Display Advertising Markets:A literature Review and Future Directions”,Information Systems Research,Vol.31,No.2,2020.。对数据的筛选与使用是影响消费者洞察精准性的关键因素。消费者洞察对大数据的认识与使用经历了一个由浅入深的过程:初期更加关注样本的数量,随着技术抓取数据能力的不断提升,对数据范围和样本大小的关注逐渐让位于数据与个体的关联程度与数据结构的完整性。

在消费者洞察中,智能机器负责实时收集有关消费者的多维度、深层次数据。传统洞察环节所设置的场景把用户真实生活元素排除在外,这是“总体”思维对消费者“个性”的主动阉割。生活场景并非实验室,真实的消费者因知识背景、动机、身体活动形式、情绪状态等的不同而千差万别,分众的“瞳孔识别”技术以及秒针的“情感云”识别系统将洞察深入到了用户感官的感知与生物本能中,如视觉、嗅觉与触觉等感官反应,以机器的感知与采集系统替代人类的肉眼观察与记录,实现对消费者实时场景中更细颗粒度的生理和情感数据的获取,人对技术的“坦诚相见”意味着消费者洞察中“不确定”部分的进一步消弭。此外,人类的语言中隐藏着大量的不易被察觉的信息,如行为习惯、思维方式、社会结构与规则等,它也是消费者洞察环节值得去追踪与挖掘的重要数据之一。以ChatGPT为代表的第四代人工智能技术具备提取语言痕迹的功能,它使用大模型从特定的语料库中提取语元之间的关联度,以用于洞察与预测。预训练模型是实例性模型而非概括性模型,这就意味着当实例数据足够丰富时,消费者洞察可以实现从语言到生理、心理、行为数据的全方位、多维度覆盖,距离还原真实生活场景中的消费者行为又近了一步。

数据孤岛依然是目前普遍存在的问题,它限制了数据在不同平台间的流通,损害数据的完整性、代表性、均衡性。数据的完整性越强,对消费者的洞察越精准,事实是消费者留下的各种数字痕迹通常散落在不同的平台,各平台为了保持其竞争力、保护用户隐私,导致不同类型的数据无法实现有效聚集,这需要从业者将算法洞察与传统调查结合起来使用,让二者可以相互补充。在数据的代表性上,被训练的样本能够代表目标消费群体是精准洞察的前提,这就需要从业者在理解和把握品牌主诉求的基础上,告知、判别与筛选训练样本的类型、范围与深度。此外,网络大数据通常是高质量数据与无效数据混合在一起,需要“对原始数据集进行随机抽样,提取一定数量的样本,然后由具有专业知识的研究人员进行人工检验,计算出误差率;再由样本的误差率推断出总体的误差率;进而判断数据误差是否会对研究结果的可靠性产生决定性的影响”(16)罗俊:《计算·模拟·实验:计算社会科学的三大研究方法》,《学术论坛》2020年第1期。,从而减少不均衡的数据给洞察带来的偏差。

(二)分工—协同的内容生产

创意是衡量广告公司内容生产专业度的关键指标之一。随着智能机器的介入,创意的生产方式与流程已经发生了改变,首先是“创意”的批量化生产,人工创意的生产需要经过选素材、写文案、制作等诸多工序,在智能技术的驱动下,使用动态创意优化算法(Dynamic Creative Optimization)系统,输入关键词就能够自动生成匹配度较高的创意素材、符合需求的图文素材式样、精美的视频创意。在心理学的研究中,创造力具有两个方面的判断标准:原创性(originality)和有效性(effectiveness)(17)M.A.Runco,G.J.Jaeger,“The Standard Definition of Creativity”,Creativity Research Journal,Vol.24,No.1,2012.。还有的心理学家认为新奇性(surprising)也应被纳入到创造力的判断标准之中。综上,原创性、有效性与新奇性是衡量创意质量的三个指标,三个指标中如果任意一个趋向于零,那么创造力就会趋向于零。尽管“创造性对于人类自己来说也是一个黑箱,我们不知道创造是如何进行的。但有一点可以肯定,创造性决不能还原为联想和组合”(18)赵汀阳:《GPT推进哲学问题了吗》,《探索与争鸣》2023年第3期。。如此看来,智能机器生成的内容只能称之为组合式创意、程序化创意、快餐式创意。

“意料之外”的创意与作品的力量“在一定程度上来自于结构的张力”(19)彭兰:《智媒趋势下内容生产中的人机关系》,《上海交通大学学报》(哲学社会科学版)2020年第1期。,知识结构和日常生活体验是结构张力的来源。创意人员的知识结构由专业知识与通用知识构成,这些知识或是高度抽象的理论知识,或是从实践之中习得的无法被表征的知识,经过加工和处理被存储到大脑中,具有较强的反身性和个体性。同时对生活的观察与体验能够帮助从业者突破已有的知识结构,因真实生活的体悟来自于知觉、直觉甚至是人类自己都无法言说的东西,它既可能出自理性的思考,也可能出自非逻辑判断。狄尔泰认为人是体验的集合,我们每个人都是社会中存在的人,从出生那一刻起人就要受到社会结构的塑造,我们也在与他人的日常接触中逐渐习得人类共有的情感与惯习,这些都是基于逻辑和数学的人工智能短时间内无法企及的。可以说,复杂的知识结构与日常生活的观察和体验为创意设置了一道人工智能短时间内无法逾越的高墙。

不过,创意具有稀缺性且创意的生成也具有不稳定、耗时较长的缺陷,部分创意工作者也开始从数据中寻找创意的灵感以加速创意生成周期。有研究证明,有效的协作能够从机器粗加工数据的自由组合中寻找启发,如“帮助人类做出突破性的变异,创造出前所未有的变异空间”(20)李建会、夏永红:《人工智能会获得创造力吗?》,《国外社会科学》2020年第5期。。单个创意者甚至是群体创意者的知识储备以及思维都是有边界的,将不同类型知识进行整合和连接的能力也远弱于人工智能,同时智能机器没有固定的思维结构,不会受到过往工作经历和经验的影响,它更有可能跳脱出思维惯性,将隐匿在人们习以为常事物背后的关联性抓取出来,做出无数多的排列组合,给创意者提供“意料之外”的答案。从这个角度看,人工智能或许能够创造出一种新的创意模式,即机先人后(computer first-human last CF-HL)式创意。而ChatGPT则可以成为人类创意生产中的训练伴侣,在涉及“学、识、才”的内容生产中充分发挥“人的用处”(The human use of human being),不断发挥想象力和创造力,掀起超越人工智能的新的“浪漫主义运动”(21)邓建国:《概率与反馈:ChatGPT的智能原理与人机内容共创》,《南京社会科学》2023年第3期。。

(三)分工—协同的内容匹配

内容产业的蓬勃发展使得各式各样的信息大量涌向受众,信息传播已经不仅仅是通过媒介将信息传递出去,如何让品牌主的诉求在浩如烟海的信息中被注意到、被识别才是内容匹配的目标,广告内容和消费者需求的匹配程度显得尤为关键。人机分工与协同的内容匹配以自动化的场景匹配为主。自动化场景匹配本质是指在特定情境下个性化信息服务的基础上刺激需求与满足需求的行为,在消费行为移动化的环境下,理解情境因素如何调节或促进营销传播的有效性是至关重要的(22)D.Grewal,et al.,“Mobile Advertising:A Framework and Research Agenda”,Journal of Interactive Marketing,Vol.34,No.1,2016.。情境匹配模式将移动媒体环境下消费者所处的情境与消费者个体的静态数据相结合,使用算法和认知模型筛选并预测消费者的有效需求与偏好,从而提升内容匹配的精准度。其操作原理是情境感知与认知计算的相互补充与融合:情境感知是指任何可以用来描述实体情形和特征的信息,这个实体是与用户和应用程序的交互过程中相关的人、地点或物体(包括用户和应用本身)(23)A.K.Dey,et al.,“A Conceptual Framework and a Toolkit for Supporting the Rapid Prototyping of Context-Aware Applications”,Human Computer Interaction,Vol.16,No.2-4,2001.,与消费者相关的情境感知信息包括环境信息,如自然环境、社会环境、消费者当下以及历史情境数据;认知计算是探索大脑信息加工的机理,包括感觉、知觉、注意、记忆、语言、思维、表象、意识等认知过程,它能在模仿人类认知的基础上作出理解、思考与推理,从而减少决策过程中的误差。并不是每一种情境要素都会对消费者的认知产生影响,而且不同的消费者对于周围情境的敏感性也存在很大的区别,品牌传播中情境感知是为了对消费者的情境敏感性进行分析,将影响其判断和决策的主要情境信息提取出来。消费者—广告—场景的三元匹配就是于认知计算与情景感知的补充与融合中提取、计算、预测与满足消费者的需求和偏好。不过,自动化的情境匹配需要人类设计的反馈系统,反馈既是内容精准匹配的终点也是起点,实际精准往往不是一蹴而就的,而是一个在不断试错中无限接近用户实际所需的过程,需要从业者给推荐系统增加反馈环节,在充分听取、收集反馈信息的基础上对匹配模型进行反复迭代,进而过滤掉算法和模型可能会推荐的无效偏好。

劳动分工设计与劳动自身的复杂程度决定了人与机器各自的任务和角色,内容匹配环节中对数据处理能力要求较高,而智能技术能够高效获取算法支持的内容匹配劳动中所需数据的价值。不过,人工智能无法单独应对消费者的不确定行为,常见的包括行为的偶然性与流动性。于前者而言,需要人类为机器创建识别偶然性的指标体系,如浏览时间、浏览频率等;对于后者,消费者偏好的变化会反映到日常行为中,例如当消费者点外卖的频率突然降低的同时健康饮食的检索次数增加,宜为消费者推送健身、户外运动、绿色食品等与身体健康相关的品牌信息,从业者则可以从突变的数据中及时作出判别。

(四)分工—协同的效果评估

智能化效果评估环节与其他环节关联方式的变化,评估对象与范畴的迁移与拓展,是人机分工与协同劳动关系形成的实践背景与前因。首先,闭环式效果评估是指智能技术让各种数据可抓取、可追踪、可分析,“形成了以效果评估环节为纽带的从消费者洞察、创作到精准投放的广告全流程闭环运作模式”(24)姜智彬、师梦瑶:《广告智能评估:基于共振效应的识别、分析与应对模型》,《现代传播(中国传媒大学学报)》2021年第4期。。作为实时反馈数据,效果评估的结果为消费者洞察、内容生产与内容匹配提供“第二重”数据支持,引发各环节业务内容与分工的动态调整,有利于充分发挥闭环式运作模式的协同效应。评估对象与范畴的迁移与拓展指人机分工与协同的效果评估工作,主要分为前端与后端两部分。其中,前端是对用户的接触点归因分析,主要是检测不同媒体平台以及媒体组合的广告效果。在跨媒体传播的当下,受众从接收品牌信息到效果的转化过程中会接触多种渠道,不同的媒介接触点对受众的影响比重和影响范围也不尽相同,智能机器能够实时记录并监测真实的广告效果,其工作机制是对消费者接触信息到完成转化过程中的行为进行全程追踪,然后使用归因模型完成购买转化的归因分析。常见的归因模型有单点归因与多点归因,但单点归因的应用情境有限,归因结果产生偏差的几率也比较大,目前多触点归因模型使用较多,它能够为人类决策者提供不同媒介组合接触的效果贡献程度以及不同媒介组合间的协同作用数据,帮助品牌主筛选出效果最突出的单个媒体平台与媒体组合,实现投放渠道的实时、高效管理。后端效果评估提取消费者反馈中有价值的信息用于优化产品与广告内容,评估的样本主要来自于购物平台上的评价信息、社交媒体平台上的使用体验。评价信息以及使用体验是消费者最为真实的口碑反馈,它能够从多个维度为提升品牌传播效果提供决策依据。在传统效果评估中,消费者的使用反馈数据收集难度较大、收集成本较高,故而要么被舍弃,要么用小样本替代。在后端效果评估劳动中的人机分工与协作模式如下:在被告知品牌相关的单个关键词或者是组合关键词、数据产生时间节点以及数据搜集平台等指令后,网络爬虫技术便会依照指令抓取散落在不同平台上的评价数据,并结合不同的评估需求对数据进行整合、清洗、聚类,深度剖析文字、图片与视频背后隐藏着的态度、认知与情感,为更新产品、优化广告生产和投放提供科学的依据。

依赖大数据与算法的效果评估不可避免地会遇到数据可信度问题,如数据造假与数据欺诈。智能时代的数据作弊方式具有极强的隐蔽性,如在真实的数据中混入虚假数据,在增加数据清洗难度的同时,也会大大降低效果评估结果的准确度,甚至误导算法给出完全错误的结果。使用智能监督技术从源头上降低恶意数据的干扰,是目前多数数字品牌服务商普遍采用的“对抗”方法。但在具体的业务中,仍然需要人类劳动者结合自身的工作经验与常识对智能技术输出结果的可信度作出判断。

三、互惠式增强:第三种劳动中的人机关系

智能时代劳动中的人机关系研究大多建立在对人类和机器属性的相似性、差异性的给定分类上。英国学者露西·苏克曼对于施乐PARC的开创性研究挑战了这一主流观点,其研究表明人与人之间以及人与世界上的物体之间的互动取决于更为复杂的相互影响的可理解性构成过程(25)Lucy Suchman,Human-Machine Reconfigurations:Plans and Situated Actions,Cambridge:Cambridge University Press,2007,p.10.。这与我们的发现不谋而合,即智能品牌传播业务运作流程中的人机关系并非是给定的,人机间也非单方面的替代与被替代的平行、竞争关系,而是彼此交织与互构的互惠式增强关系,人工智能生产力和效率优势只能通过人类劳动者与技术之间的有意识和功能性的协作实现。基于此发现并依据劳动分工理论关于劳动形态与劳动关系的相关研究,本部分进一步探索互惠式增强关系中浮现的新劳动形态、互惠式增强关系是如何形成的。

(一)互惠式增强关系中的新劳动形态:提示、审核、修改与提问

提示劳动指在人类劳动者输入关键信息的前提下直接采纳与使用智能技术的输出结果,此种劳动配置的执行结果通常能够更加符合即时精准满足消费者需求的诉求。提示性劳动人机间是顺序性相互依存的关系,即人机组成一个共享输入系统,随后输出,我们称之为顺序与专业化并存的劳动(26)P.Puranam,“Human-AI Collaborative Decision-Making as an Organization Design Problem”.。首先体现在内容生产环节中广告文案的创作与绘图中,智能技术能够从数据库中对内容包含的要素进行筛选与组合,在短时间内生产出千人千面的文案、图片与视频,很多国内外的研究已经证实智能技术在艺术、文学方面的创造力达到了和人类相媲美的水平。不过,在算法生产出广告内容之前仍需要人类劳动者预先解析与具象化广告主的诉求,以为智能机器提供内容数据库检索的关键词、设定各项输出内容的标准的方式参与到协作中。

审核、修改是算法增强类的工作,体现在智能品牌传播业务运作中的每一个环节中。开发和提升算法需要必要的资源和能力准备,Tarafdar等人认为组织需要五种关键能力:数据科学能力、对业务的熟练程度、企业架构专业知识、运营IT技术的专业知识和数字好奇心(27)M.Tarafdar,et al.,“Using AI to Enhance Business Operations”,MIT Sloan Management Review,Vol.60,No.4,2019.。在智能品牌传播业务运行中,这种能力集中体现为审核、修改与提问劳动的出现。审核是指人类劳动者在业务实施的过程中密切关注智能机器的数据输出,充当着“把关人”的角色。修改是指在审核的基础上对算法出现的错误与偏差进行更改。通常审核与修改组合出现以提升算法的劳动能力,我们称之为减少“误解”类劳动。尽管人工智能技术与算法可以进行自主学习,其自动化程度与劳动能力得到了大幅度的提升,但如乔姆斯基所言,语言是认知的来源与边界,人类的语言与智能机器的“语言”截然不同,智能机器完全会产生异于人类的智能,作出与我们大相径庭的判断与选择。从人类劳动者与技术的本质区别上看,二者的交互仍然是艰难的,误解导致的失误与误差时有发生。人类劳动者需要掌握机器的“语言”,了解这些系统是如何参与到协同劳动中的。在品牌传播业务流程中,提供参考和及时反馈是确保整个互惠式增强系统中人类和机器持续学习的关键,人类劳动者需要在数据搜集、模型建构以及输出反馈环节对可能出现的问题进行严格的规则导入、系统的对比评估与针对性的管理和改进。

人工智能的劳动能力需要被激发(prompting),如何有效地提问成为人机协同中的新型劳动。有效的提问是指人类劳动者从业者能够在与智能技术的交互中不断优化问题的构成与方向,人工智能具备强大的搜集、分类、精简信息的能力,产出无限丰富、新奇的创意素材供创意者参考,如在人类劳动者缺乏创意方向时可以向人工智能技术发问。另外,人类劳动者能在人机互动的过程中发现创意的盲点与误区,精简与优化创意的思路与方向,将对创意的模糊想象转化为清晰的设计。由于人类发问者的提问方式、对机器输出内容的理解与转化能力存在差异,会导致人机协作生产的内容质量千差万别,因此,有效的提问成为智能品牌传播业务运作中的一个新兴劳动,用机器能够快速识别的语言与方式发问、持续调整问题形成对话式的人机沟通模式是有效的提问方式。

(二)互惠式增强关系的形成机制:人机分工配置系统的反身性

本文使用人机分工配置系统的反身性论述互惠式增强关系的形成机制。配置是人类与人工智能之间的特定关系,具有某种形式的任务和职责分工(28)T.Gronsund,M.Aanestad,“Augmenting the Algorithm:Emerging Human-in-the-loop Work Configurations”,Journal of Strategic Information Systems,Vol.29,No.2,2020.。人机劳动配置假设人机协作劳动系统中人类与人工智能之间存在着一种平行和连续的合作形式(29)M.R.Endsley,“From Here to Autonomy:Lessons Learned from Human-Automation Research”,Human Factors,Vol.59,No.1,2017.,因人类劳动者和智能机器的专业能力差异,二者使用不同的输出类型执行同一任务中的不同子任务。例如让智能技术完成对数据的筛选任务,人类劳动者从筛选出来的内容中寻找更加有价值的信息。配置这一概念强调智能技术在劳动中是如何与人类劳动者结合的,并且认为劳动中的人机关系是一个持续的、动态的过程。劳动配置的反身性是指人机关系在劳动中是构成性的、生成性的,它的存在使得人机劳动系统进入到循环和递归的模式中,在这种模式中人机劳动系统不断被优化。

反身能力是人机互相增强的核心,可以有效提升品牌服务商的动态服务能力。反身能力是一个社会学概念,指的是将自我分析融入到思维和行动中的能力,在组织内部,指工作者成为自己工作场所中行为的决定者,在生产与再生产和工作流程的转变中发挥积极的作用(30)J.Baptista,“Social Media and the Emergence of Reflexiveness as a New Capability for Open Strategy”,Long Range Planning,Vol.50,No.3,2017.。人机劳动关系是二者相互作用的过程与结果,不仅指劳动分工是人与智能技术的组合,这些组合还会以新的方式进行配置与再配置,以应对环境的变化。互惠增强式的人机关系源于系统的反身能力,按照能力大小进行分类的话,可以分为日常反身能力与紧急式反身能力。日常反身能力涉及既定任务流程与组织规范下人类劳动者与智能机器的互动,它是一种低水平的反身性,目的是为了维持日常劳动的高效运行,通过建构组织内循环系统实现,外部资源变动对其影响较小。不过,由于日常工作的变动较小,其程序化与自动化程度会随着人机反馈系统的精进而提升,人类劳动者可能面临着被循环出反馈系统的风险。紧急式反身性是指人机反馈系统应对外部环境的能力,它指人机协作劳动系统以更加灵活的方式配置内部和外部资源,实现对劳动内容与关系的动态组织。智能品牌传播业务运作中的劳动形态是可塑的,程式化与流动性并存,旨在支持紧急的人机反馈循环。例如智能技术遭遇数据质量、数据可信度不足等非常规情况时,允许人类劳动者通过审核和更改算法形成集成式的反馈,及时动态调整、扩展和改进智能技术的性能,提升品牌服务商应对外部风险的能力与竞争力。

余论:智能品牌传播中如何有效释放第三种劳动的价值

人机分工与协同式的劳动配置是智能时代品牌服务商为了实现“品效合一”采取的企业战略,在具体的劳动情境中产生了各式各样的分工形态与劳动关系。智能品牌传播业务运作是人机可理解、互构的过程,互惠式增强是智能品牌传播业务流程中最核心的人机关系。基于此,有效释放第三种劳动中的价值应围绕着如何建构有效的协同式增强关系展开。

(一)顺应人机共生趋势

随着数据的指数级增长与算力的不断突破,人类劳动内容的程序化、自动化与智能化的比率会稳步提升,技术不仅仅是工具,在特定情境下具备“思考”上的自主性,作为“行动者”与人之间是双向融入与双向改变的互动、适应关系,人类与人工智能的协作是未来的主要工作模式与普遍的劳动关系。“在关系视角下,人机交互的结局理应是人与机器人的共生与共同进化”(31)单波、白畅:《人机互动关系的跨文化问题》,《湖北大学学报》(哲学社会科学版)2023年第5期。。不过面对更加智能化的技术,人类要么沿袭工具论的思维,认为人的能力始终在智能技术之上;要么对智能技术的进步过度恐慌,担心在人机博弈中失去领导权,甚至产生自己会不会“过时”的担忧。过度自信或是过度恐慌都是没有意识到“个体和人工智能不是彼此孤立的,而是在彼此的互动关系中共同生成的”(32)蓝江:《生成式人工智能与人文社会科学的历史使命——从ChatGPT智能革命谈起》,《思想理论教育》2023年第4期。。顺应人机共生的事实并不是单方面地遵循人类或者智能技术的劳动逻辑,而是本着二者相互关联、相互纠缠的观念,不断探索品牌传播业务中的共生领域与共生方式,促进从业者与智能技术劳动技能的协同进化。

(二)“功能互补”与“价值匹配”兼顾

分工带来的效益不仅源于斯密意义上的劳动支出强度和密度的提高(即内生的绝对优势),更主要的是劳动之间协调水平的增进所带来的劳动有效性的提高(33)朱富强:《劳动价值论的一个“悖论”及其阐释》,《江苏社会科学》2001年第4期。,刘易斯·芒福德在《技术与文明》中也指出充分地释放机器的价值需要人与机器建立和谐的协作机制(34)刘易斯·芒福德:《技术与文明》,陈允明等译,北京:中国建筑工业出版社,2009年,第8页。。因此,机器与人劳动能力的提升并不意味第三种劳动效率的同步增长,需要兼顾到功能层面与价值层面,即“功能互补”与“价值匹配”并行。功能互补是说人与机器用优势去补足对方劣势,不以人的标准要求智能机器,同时也警惕以智能机器的标准改造人类,在尊重与理解差异的基础上进行合理的分工设计。尽管人类对于人工智能作为自己的合作伙伴出现在劳动情境中持开放态度,但也有研究表明劳动分工配置方式会激起人类对人工智能的威胁与厌恶感知,如当人类劳动者需听从智能技术的决策,会使人感知到自己沦为解决方案的接受者,降低对AI的接受度(35)R.Jain,et al.,“Effective Human-AI Work Design for Collaborative Decision-Making”,Kybernetes,Vol.52,No.11,2023.。因此,还需要考察不同类型的分工是否给人类劳动者造成了负面的价值感知,一旦人类劳动者感知到自己沦为被动的接受者时,就需要即时调整分工配合,给予人类劳动者更多展现自身专业技能的机会,从而降低其劳动价值剥夺感。“功能互补”与“价值匹配”能够兼顾时,人机协同的劳动分工才能在提升劳动效率的同时降低人类劳动者对机器的不信任感。

(三)警惕“逆分工”削弱系统的反身能力

互惠式增强关系依赖系统的反身能力,需要警惕对“逆分工”的不自知。诚然,智能技术让从业者从重复性、枯燥的劳动中解脱出来,让其拥有更多的时间与精力专注于感兴趣或附加值更高的劳动。但当智能技术强大到改变劳动的流程、方式、内容时,它正在以一种不易被察觉的方式对人类提出新的劳动技能要求。具体而言,在人类新劳动技能发展方向与具体领域中,智能技术显示出了强大的牵制力,尤其是在智能技术容易出现失误或者与技术操作有关的领域。问题在于,这些劳动技能的习得是人类主动选择的结果吗?答案可能是否定的,很多时候人被强大的技术裹挟致使自由探索劳动的主动性、思辨力进一步丧失。一旦被动接受技术带来的“逆分工”,劳动关系中“人”的自主性会被“机”过度牵制,阻碍人类以人机比较的方式观照自身与智能技术的差异性,抹杀掉对于二者更加丰富的认识,人机互惠式增强中的反馈通路便会被阻塞。长远看,会削弱人机协作系统的反身能力。

本文以劳动分工与协同为视角,系统呈现了第三种劳动中的人机关系图景,并发现分工协同劳动中的人机互惠式增强关系的存在。进一步而言,数据与算法的介入带来新的劳动分工形态,由反馈和循环构成的系统反身性是互惠式增强关系的形成机制,它能够持续调整、扩展与改进人机分工系统的性能。本文的理论贡献在于突破了智能品牌传播研究中的人机分离二分法,拓展了劳动分工理论在智能劳动场域中的研究视角。基于人机间紧密耦合的互构关系,我们为有效释放第三种劳动的生产力提供了需要关注的三个领域。同时,随着通用人工智能技术介入的深入,人机关系的不确定性与复杂程度可能远超人们的预测与想象,对一些关乎人机关系走向的核心问题进行动态的、批判性的思考是必要的,如品牌传播中人类劳动者与智能技术各自的能与不能以及能与不能的判定标准与依据是什么等等。这既需要更多跨学科的理论与视角提供支撑,也需要多样的研究方法挖掘和补充更多“一手”的人机关系数据。在未来的研究中,我们将进一步加强对人机关系底层逻辑的思考,更进一步探讨具体情境中的复杂的人机行为与情感。