AI可能反而增加對高等教育的需求

十年前，AI專家傑弗裡·辛頓預測人工智慧將摧毀放射學。為什麼僱傭昂貴的專家，當演算法能夠比人類更快、更準確地讀取X光和CT掃描？這個邏輯當時看似無懈可擊：AI替代模式識別，放射學就是模式識別，因此放射科醫生將像電梯操作員一樣消失。然而，十年過去了，情況恰恰相反。從2012年到2022年，美國放射科醫生的數量增加了約15%，他們的中位薪資增長超過了通脹。AI使放射科醫生更高效，將他們的工作轉向更高風險的解讀和諮詢，並創造了能夠將成像AI整合到臨床工作流程中的專家需求。正是這項預測將淘汰該職業的技術，反而提升了放射學專業知識的價值。

這一結果提供了一個遠遠超出醫學影像領域的教訓。每隔幾個月，就有人宣佈AI將完成網際網路開始的工作，使高等教育過時。當模型能夠總結康德、起草商業計劃、除錯程式碼並按需生成文章時，為什麼還要支付學費？（儘管過去十年左右，網上已經有大量免費、高質量的大學課程，類似的說法也適用）。如果AI替代認知勞動，而大學主要培養認知勞動者，那麼對大學的需求應該下降。這個推論並非瘋狂，但也不應被視為必然。高等教育的經濟未來取決於比替代更復雜的因素，包括互補性、稀缺性、訊號傳遞和知識結構本身。一旦審視這些機制，就有理由相信AI將增加對某些形式高等教育的需求，而非減少。

前沿知識在通用知識變得廉價時變得稀缺

首先從弗里德里希·哈耶克在整個職業生涯中強調的知識性質出發。AI系統聚合了大量的通用資訊，它們在跨領域綜合方面表現出色。但哈耶克的見解是，經濟中重要的是區域性的、默會的和情境化的知識——很難聚合和自動化，就像一個“你必須在場”才能欣賞的內部笑話。市場透過價格協調這種分散的知識，正是因為沒有任何中央權威能完全掌握它。

大學，在其最佳狀態下，是生成、策展和傳播前沿知識和本地嵌入專業知識的機構。實驗室、研究和合作專案產生的知識尚不存在於任何訓練語料庫中。因此，如果AI大幅降低獲取已知知識的成本，那麼未知知識的相對價值就會增加。這是一個明確的替代效應：如果AI自動化了通用知識，那麼回報轉向那些難以編碼且需要情境判斷的知識。圍繞生產和驗證此類知識而組織的機構——研究型大學、高階專業學校、專業實驗室——可能會變得更有價值。考慮放射學中的情況：隨著診斷AI的改進，讀取標準胸片的工作部分自動化，使得放射科醫生能夠專注於複雜病例以及在時間壓力下向臨床醫生傳達不確定的發現。

強大工具需要熟練使用者

第二個機制涉及資格認證。公共討論通常假設AI完全替代受過教育的勞動力。然而，通用技術的歷史至少表明互補性同樣常見，甚至更常見。電氣化提高了工程師的邊際生產力，計算機使金融專業人士能夠專注於定量金融、風險建模和演算法交易。工具越強大，誤用它的風險就越高，使用者的判斷價值也越高。

企業採用AI是為了降低成本和管理風險。當AI引入新風險（如幻覺、安全漏洞、監管違規）時，公司需要高度培訓的專業人員來監督和驗證輸出。法律和聲譽風險通常隨著自動化而增加，例如在醫學、金融、航空和法律等領域，更大的自動化歷來伴隨著更多的資格認證和監管。通常，監管和保險結構要求正式培訓。AI因此可以增加對認證勞動力的需求，正是因為它提高了決策的風險。

當廉價訊號充斥市場時，昂貴訊號升值

第三個機制涉及訊號傳遞。教育一直具有雙重功能：既培養人力資本，又篩選能力和性格。學位傳遞有關畢業生知識以及毅力、責任心和基線智商等個性特徵的資訊。這就是為什麼許多僱主依賴大學學位，即使專業與工作無關，部分原因是完成一個多年專案並在制度約束下能夠可靠地揭示一個人的特質。

AI使這一環境複雜化，原因很簡單：如果生成優雅的文章、程式碼和研究摘要變得微不足道，廉價訊號就會擴散。在這樣的環境中，僱主面臨更困難的篩選問題。當廉價訊號充斥市場時，經濟邏輯預測會轉向更昂貴、更難偽造的訊號。來自信譽良好的機構的學位——經過多年結構化評估獲得——仍然相對昂貴且難以偽造。簡而言之，可以預期，如果AI使短期能力更容易模仿，僱主會更依賴長期可靠性指標。並非所有機構都能從這種動態中受益，但它可能有助於高信任度的大學，而損害低信任度的機構。

分化論

這些都不否認AI可能顛覆高等教育。如果AI壓縮了講座傳遞和標準化內容傳輸的價值，那麼僅在這些方面區別自己的機構是脆弱的，因為它們提供的是可替代的。未來可能涉及更少的機構主要作為內容分發者。

許多關於AI導致高等教育消亡的主張的錯誤在於將高等教育視為同質產品，而事實並非如此——任何申請過不同院校的人都知道，它從來都不是。這裡的經濟推理指向分化：高等教育的某些部分可能萎縮，而其他提供前沿研究環境和可信昂貴訊號的部分則擴張。在這種情況下，AI將加劇對優秀大學最擅長領域的溢價，即協調勞動力市場的聲譽網路、前沿知識生產以及在不確定性下的培養判斷。

影響

那麼哪些機構會蓬勃發展？脆弱的機構可能是那些主要競爭資格獲取便利性或內容傳遞、缺乏深度研究使命、強大聲譽網路或有意義技能認證的機構。相比之下，定位受益的高等教育機構可能是那些生產前沿知識的研究密集型大學、與認證和責任制度緊密整合的專業學院（法律、醫學、工程），以及在高風險領域培訓與AI系統合作人員的專業專案。

本文並非預測——技術預測的歷史是垃圾堆，只有傻瓜才會參與——而是對AI機械地減少高等教育需求的懶惰假設的挑戰。該假設將教育視為單純的資訊傳遞，忽視了圍繞稀缺性、訊號、責任和協調的經濟結構。AI的到來可能不會使高等教育需求崩潰，而是迫使其重組以更好地滿足AI飽和世界中的高等教育需求。在哈耶克式知識約束、生產互補性、資訊過載下的訊號傳遞以及責任驅動的認證等多個方面，將經濟推理應用於新技術，可能會得出高等教育需求增加的結論。如果你不信，去問問放射科醫生。