80%的职业超过20%的任务暴露在大语言模型技术下，47%的美国就业岗位面临高风险被计算机化，中国约19%的劳动就业面临高替代风险——这些数字正在成为政策讨论和职业规划的核心参考。易君健与周子煜这篇论文系统梳理了职业暴露度的三类测算方法：Frey和Osborne的机器学习专家评分法、Eloundou等人的GPT标注法、Felten等人的AI-职业能力映射法。方法各异但结论趋同：AI正在以前所未有的广度渗透各类职业，高技能白领工作反而暴露更高，传统“高技能=安全”的认知正在被修正。
暴露度测算的缘起与三类方法
Brynjolfsson和Mitchell2017年通过专家主观判断构造21项定性评判标准，认为机器学习将带来深刻变革但人类角色仍不可或缺。Frey和Osborne使用ONET职业数据库，请技术专家将70个职业标记为“可自动化”或“不可自动化”，然后用机器学习算法计算全体职业被自动化概率，估计约47%美国就业岗位面临高风险。Felten等人从EFF的AI进展数据出发，依赖计算机科学博士生建立AI类别与职业能力映射矩阵，不依赖直接主观评分但依赖AI-职业能力映射判断。针对中国，王林辉等使用CLDS数据，基于专利检索和实际自动化案例在任务层面评估。
生成式AI暴露度的独特发现
Eloundou等人使用GPT-4对ONET任务进行标注，发现允许同时使用LLM和其他辅助工具时，80%职业超20%任务暴露，超50%职业有超50%任务暴露，近20%职业超90%任务暴露。高技能职业（年收入8万美元以上）暴露程度显著更高。Felten等人发现高教育、高收入和白领工作暴露度更高，女性就业比例较高的职业与生成式AI暴露度呈正相关、男性呈负相关。Pizzinelli等人跨国比较发现发达经济体面临更高暴露度，女性和高学历工人暴露更大。
中国职业暴露度评估
王林辉等使用中山大学CLDS数据，采用类似Frey-Osborne的机器学习方法，在任务层面而非职业层面进行评估。结果显示中国约19.05%的劳动就业面临高替代风险，人工智能技术的职业可替代风险存在组群性特征，程式化非认知交互型职业组群可替代风险最高，超过50%。陈琳等人在中国线上招聘平台发现AI降低常规职业劳动力需求但增加非常规认知型职业需求，催生新兴职业和岗位。
暴露度测算的政策含义
这些测算为深入讨论AI对劳动力市场影响提供了基础。暴露度不等同于实际失业率——实际影响取决于技术采用速度、劳动者适应能力和政策响应。高暴露度职业可能经历的是任务重组而非岗位消失。机器学习和大语言模型等AI技术本身正在成为此类研究的工具，Eloundou等人使用GPT-4进行标注的方法在便捷性上有着极大优势。暴露度测算的持续更新和精细化将是为政策制定提供依据的关键基础设施。
