23年的時間，拉里·柯林斯在舊金山灣區卡奎內茲大橋的一個小棚里收通行費。票價隨時間變化，從幾美元到6美元，但工作的基本原理保持不變。

但是在3月中旬的一天，由于確診的新冠病毒病例激增，柯林斯的上司打電話告訴他第二天不要上班。為了保護駕駛員和收費員的健康，收費站已經關閉。展望未來，駕駛員將通過安裝在其擋風玻璃上的FasTrak標簽自動支付橋梁通行費，或者將收到發送到與車牌鏈接地址的賬單。柯林斯的工作正在消失，北加州橋梁上約185個其他收費員的工作也在消失，所有工作都將被技術所取代。

幾個世紀以來，機器已經淘汰了工作。旋轉的機器取代了織布工，按鈕取代了電梯操作員，互聯網使旅行社停業。一項研究估計，從1990年到2007年，美國工廠的自動化損失了約40萬個工作。但是，隨著公司努力避免工作場所感染 COVID-19并保持較低的運營成本，用機器替代人的工作正在加速發展。在大流行高峰時，美國減少了約4000萬個工作崗位，盡管有些人已經回來，但有些人再也不會回來。經濟學家估計，失去的工作中有42％永遠消失了。

隨著公司從生存模式轉變為在流行病繼續蔓延的情況下如何運作，在未來幾個月內，用機器代替人的速度可能會加快。麻省理工學院和波士頓大學的經濟學家最近發表的一篇論文顯示，到2025年，僅在制造業中，機器人就可以替代多達200萬名工人。

與大流行一樣，新一輪的自動化浪潮對于像柯林斯這樣的有色人種（黑人）和低薪工人來說將更加困難。麥肯錫認為，許多黑人和拉美裔美國人是收銀員、食品服務員和客戶服務代表，這是自動化威脅最大的15個工種之一。甚至在大流行發生之前，這家全球咨詢公司估計，到2030年，自動化可以在美國取代13.2萬名黑人工人。

為應對新冠病毒，機器人的部署迅速。他們在機場打掃地板并測量人們的體溫；醫院和大學部署了由科技公司創建的沙拉制作機器人Sally來代替餐廳員工；購物中心和體育館購買了安全防護機器人來巡邏空曠的場地；生產醫院病床和棉簽等需求商品的公司轉向工業機器人以幫助提高產量；公司關閉了雇用人客戶服務代理的呼叫中心，轉而使用由技術公司創建的聊天機器人或AI平臺。

從理論上講，自動化和AI應該使人類從危險或無聊的任務中解放出來，從而使他們能夠承擔更具智力刺激性的任務，使公司更具生產力并提高工人工資。過去，技術是零碎部署的，使員工有時間過渡到新角色。那些失業的人可能會尋求再培訓，也許會使用遣散費或失業救濟金來尋找其他領域的工作。這次變化是突然的，因為雇主擔心COVID-19或突然的停工令，急著用機器或軟件代替人工。沒有時間再培訓。公司裁掉工人，這些工人只能靠自己來尋找掌握新技能的方法。

過去，美國通過投資教育來應對技術變革。當自動化在18世紀末和19世紀從根本上改變了農業工作時，各州降低了進入公立學校的門檻。第二次世界大戰后，通過GI法案擴大了大學入學率，該法案從1944年到1956年將780萬退伍軍人送入學校。但自那以后，美國對教育的投資一直停滯不前，給工人們帶來負擔。美國花費GDP的0.1％來幫助工人應對工作轉型，不到30年前的一半。

成千上萬在大流行期間失去工作的美國人可能失業多年，或者像科林斯這種，永遠失業。雖然他可以通過工會獲得再培訓資金，但現年63歲的科林斯說，他計劃提早退休，年紀大了，不能考慮做其他工作，只想回到自己正在做的事情。

今天入住一家酒店，機器人公司設計的機械管家可能會在大廳運送毛巾和牙刷（不需要小費）。在大流行期間部署了機器人，用新消毒的鑰匙在客房內與客人見面。砌磚機器人每8小時輪班可鋪設3,000塊磚，是人類的10倍。機器人可以播種和收獲農作物，在屠宰場中分離胸骨，在加工設施中包裝食物托盤。

這并不意味著機器搶走所有人的工作。幾個世紀以來，從織布工到磨坊工人，人類一直擔心技術進步會創造一個沒有勞動力的世界，這種情況一直沒有發生過。例如，ATM并沒有立即減少銀行柜員的數量。實際上，由于消費者在自動取款機的便利吸引下開始更多地到訪銀行，因此導致了更多的出納工作。銀行開設了更多的分支機構，并雇用了柜員來處理ATM機無法滿足的任務。沒有技術的進步，大部分美國勞動力將在農場上勞作，1910年，農場占美國工作的31％，現在不到1％。

在過去，當自動化淘汰了一些工作崗位時，公司會創造新的工作來滿足他們的需求。例如，能夠使用機器生產更多商品的制造商需要人運送商品，而營銷人員則需要接觸更多的顧客。

現在，由于自動化使公司可以用更少的人做更多的事情，所以公司不需要那么多的工人。此外，AI越來越擅長處理曾經屬于人類的工作，這使人類更難領先于機器。AI成為企業在流行期間急于應對的簡單選擇。在線教育提供商表示，他們可以按照工人自己的時間表進行再培訓和技能提升，而且費用比傳統學校要少。可以提供相對便宜的升級技能選擇，因為他們沒有指導顧問、教室和實體學校。

由于經濟總量比大流行前減少了3000萬個工作崗位，因此工人和雇主在培訓中可能看不出太多用處，這些培訓可能要持續數月甚至數年。并不是每個工人都對研究數據科學、云計算或人工智能感興趣。那些已經找到了從垂死的領域轉到需求工作的方法的人可能會做得更好。

作者Alejandro de la Garza、Julia Zorthian ，原載于時代雜志，清研智庫李梓涵編譯