人工智能背景下专业人才培养的发展路径与方向

王奕俊 杨悠然

【摘 要】

人工智能技术被普遍认为是一种通用目的技术，将对劳动力技能和劳动力市场产生广泛而深远的影响，由此引起技能市场中关于技术性失业的忧虑和争议。人工智能时代专业人才培养应何去何从？为回答这一问题，从厘清弱人工智能和强人工智能的概念出发，在吸纳经典劳动经济学理论的基础上，以Autor、Levy与Murnane创建的ALM模型为框架，以会计职业为例，利用美国职业信息教育网络（O*net online）数据与中国相关数据，分析会计职业总体技能需求的变化，结果显示在原本由程式化认知技能主导的会计职业中，非程式化认知技能与交互技能的需求在逐渐扩大并加速增长。进一步利用Python技术，对中国各大招聘网站的会计岗位招聘文本进行挖掘和词频分析，验证了以上结果并将具体技能要素分析细化。针对人工智能背景下专业人才培养面临的挑战，提出了多层次、复合型、前端化和终身化等对策。

【关键词】  人工智能;弱人工智能;强人工智能;专业人才培养;ALM模型;会计;程式化技能;非程式化技能;

招聘文本;数据挖掘;词频分析

【中图分类号】   G642.0        【文献标识码】  A       【文章编号】  1009-458x（2020）1-0035-11

一、研究背景

如同第一次工业革命中的蒸汽机、第二次工业革命中的发电机以及信息时代的计算机和互联网，人工智能（artificial intelligence，AI）被普遍认为是下一个时代的通用目的技术（general purpose technology，GPT）①。AI将会被广泛地应用到各个领域，持续促进生产率的提高，降低使用者的成本，以本身为基点促进互补技术创新和产品应用，进而引导生产、流通和组织管理方式的转变（Bresnahan & Manuel， 1995）。目前，人工智能作为GTP进入发展快车道已成为必然趋势，并将直接或间接地影响到劳动力市场的运行机制，由此引起了各界的大规模讨论：很多学者以技术进步的历史经验为根据，将人工智能视为促进劳动力升级迭代的重要动力（Mokyr， 2017，pp. 43-77）。但也有悲观技术主义者认为人工智能在释放巨大生产力的同时会取代大多数人类职业（Summers， 2016; Gorden， 2016）。这种对技术性失业（technological unemployment）的担忧在人工智能显现出越来越强大能力的背景下被进一步放大。英国牛津大学马丁学院（Oxford Martin School）2013年的智能机器人报告显示，在未来10年～20年内，英国35%的工作岗位将受到智能机器人的威胁，这一比例在美国为47%，而中国的工作岗位被替代率则高达77%。这些岗位集中在流水线工人、银行柜员、零售员工、会计、翻译等具体规范化的常规性操作工作，尤其是会计职业被评估为99%可能被替代的职业之一②。

技术的巨变也透过劳动力市场对人才培养产生深刻的影响，彻底改变人才培养的定位、内涵与模式，尤其是专业人才，与工作实践和技术应用密切关联是专业人才的重要特性，这也使得其成为人工智能挑战的重要对象。专业人才强调对特定专业技术的掌握，涵盖了从第一产业到第三产业中以自身专业技能谋生的劳动者，并对应着各个专业领域与多个教育层级。因此，教育领域需要积极参与到人工智能讨论框架中，分析人工智能及其相关新技术对我国劳动力市场技能转变发展的影响，深入挖掘人工智能对专业人才培养的影响机制，为专业人才培养提供可供参考的建议与启示。

二、文献综述

（一）关于劳动与技术关系的历史论争

现阶段人工智能与劳动力之间的相互作用力仍隐蔽在混沌竞争的巨幕之下，但技术进步在历史上与劳动力就业的关系问题从来不是一个新话题。早在古典经济学理论中就有关于“机器问题”的讨论：亚当·斯密认为技术进步能够带来劳动力结构变革，将机器发明与劳动分工结合起来可以实现对劳动力的节省。在机器大规模取代工人的19世纪，“卢德运动”引起了人们的反思，因此，大卫·李嘉图认为技术进步所带来的机器排挤工人导致了技术性失业。劳动力素质的提高以及产业结构的调整具有滞后性，无法在短期内完全适配，后继还会引发结构性失业，但经济的后续发展可以补偿就业负效应。这一结论也带来了后期新古典主义经济学家对就业补偿机制充分发挥作用的条件进行不断的探索，即“就业补偿和创造”机制（Barro， 1991; Pissarides， 2000）。与此相对应的是熊彼特主义的“创造性毁灭”机制（Aghion， Harris， & Howitt， 2001）。可见，技术进步对劳动力就业的效应具有双重性。20世纪70年代，计算机时代到来，美国技能劳动力供给增加和技能溢价同时上涨的现象出现，以Berman（1998）、Acemoglu（2003）和Hornstein（2005）等为代表的学者提出了技能偏向型技术进步（skill-biased technological change， SBTC）会影响劳动力就业和工资差距的理论：技能偏向型技术进步增加了对高技能劳动力的需求，减少了对低技能劳动力的需求，进而加剧了工资不平等。同时，有学者意识到了其中的教育问题，发现1960—1996年美国制造业就业人口中受过教育的人数几乎增加了40%（Chun， 2003）。教育的价值在技术进步与劳动力就业及工资差异的关系中被重新发现。

随着工作内容数字化的推进，一些年轻学者开始运用现实数据和计量方法，以实证眼光看待计算机乃至人工智能对劳动力市场的冲击。Autor、Levy和Murnane（2003）提出了ALM模型①来分析自动化对就业的影响：以计算机的工作方式为基准，生产需要两种任务——程式化任务（routine task）和非程式化任務（nonroutine task）配合。其中，程式化任务多由低技能劳动完成，而非程式化任务则更多需要高技能劳动。经过与美国职业数据大典（Dictionary of Occupational Titles，DOT）技能匹配，作者认为自动化目前只能用来完成程式化任务，而不能用来完成非程式化任务，因此它对低技能劳动形成了替代，而对高技能劳动则形成了互补。此后Goos和Manning（2007）利用英国数据对ALM模型的结论进行了检验，结果发现技术进步在英国也导致了“极化效应”的出现。之后，Frey和Osborne（2013）以机器学习专业视角将70个职业手动归类，对ALM模型进行了进一步的拓展。新的模型发现非程式化任务需要高技能劳动和低技能劳动的共同投入。Benzell等（2015）则在一个跨期迭代（OLG）模型中更明确地讨论了机器人对劳动力进行替代的问题，并指出在一定条件下，机器人可以完全替代低技能工作，同时替代一部分高技能工作。这会导致对劳动力需求的减少和工资的下降。Acemoglu和Restrepo（2016）利用1990—2007年间美国劳动力市场的数据构造了一个就业创造的模型。在模型中，自动化消灭某些就业岗位的同时也会创造出更具有比较优势的新就业岗位，因此其对就业的净效应要看两种效应的相对程度。

（二）人工智能背景下专业人才培养的探索

国内教育领域围绕人工智能背景展开的讨论方兴未艾，众多学者在“人工智能”对传统教育影响的话题中進行了有益探索：智能时代职业替代的维度与产业（王岚， 2017）、人工智能在社会发展中扮演的角色（姜志坚， 2017; 王文静， 2018）等问题一直是讨论热点。也有学者提出传统职业人才培养模式无法适配智能化生产系统所带来的工作过程去分工化、人才结构去分层化、技能操作高端化、工作方法研究化、服务与生产一体化五大方面的改变（徐国庆， 2016）。有关学校教育培养理念与培养架构在应对人工智能挑战过程中的困厄与机遇正在成为重要的研究方向。

特别是在我国的《中国制造2025》发布后，与人工智能观念相近或联系密切的“机器换人”“智能化”“工业4.0”（或“第四次工业革命”）等主题都成为教育研究的热点话题。多领域开展交叉研究和深入研究之后，以刘晓（2015）为代表的“机器换人”讨论更多地让位于另外两个宏观且中性的主题并展现出逐年增长的研究产出量。同时，在更加微观的专业教育层面，许多学者从行业的智能化发展出发，将该领域人才培养与体系建设提升到了更加重要的战略高度，例如会计行业电算化推进（张林， 等， 2015; 陈瑶， 2019）和智慧财会背景下的人才能力提高（张媛， 等， 2018）。

综上所述，现有研究已经积累了大量关于技术进步与劳动力就业之间关系的研究成果，并在人工智能将对教育产生重大影响的观点上达成共识，但现有研究存在以质性研究为主、不够深入等问题：首先，在研究主题上，对于人工智能概念界定不清，导致内容多为陈述性与总结性内容;在研究方法上，多采用思辨的方法，缺少有效的能直观呈现数据的实证分析;在研究途径上，没有聚焦于某一具体行业，因而只能进行一般性的分析和讨论。

因此，本文从人工智能的概念与发展阶段出发，基于ALM模型，借助美国职业信息网络数据（O*net online）以及行业相关权威数据，聚焦于会计这一被众多机构评价为人工智能高危的职业，探讨人工智能对劳动力的影响程度、未来该职业的技能要求与发展方向等问题，进一步提出人工智能背景下专业人才培养的发展路径与方向。

三、人工智能概念的澄清与梳理

（一）人工智能概念的进一步厘清

由于人工智能仍处于成长阶段，又集合了众多复杂抽象的新兴技术，许多教育工作者对其的理解有偏差，缺少技术维度的思考。因此，厘清人工智能的概念是教育领域深入讨论人工智能所引发的变革的第一步。实际上，国内外专业学者对于人工智能的概念也有不同的理解。在发展初期，人工智能在著名综述性研究《机器思维》（Machine Who Think）中曾被描述为具备等同于人类的思维、行动能力并在未来能够超越人类相应能力的“思考机器”（McCorduck， 1979， p. 245），这引导着部分人工智能走向对标人类的方向。

但实际上目前多数人工智能权威报告中普遍认可斯坦福大学计算机科学教授尼尔斯·尼尔森（Nils Nilsson）在其著作《理解信念：人工智能的科学理解》（Artificial Intelligence： a New Synthesis， p. 7）中对人工智能的界定：“人工智能致力于使机器智能化，智能化是衡量实体在特定环境中反应和判断能力的定量指标。”这更强调和看重软硬件系统的反应与判断能力。此后，对人工智能概念较为全面的描述来自麻省理工学院电气工程领域的研究，即人工智能是一个有机整体，是通过模型建立的关于思维、感知和行动的表达系统，以生成测试法为基本运行方式，这一系统存在一定的约束条件并通过算法（程序或方法）实现约束条件的作用（Finlayson， 等， 2010）。

（二）人工智能发展的两个阶段

技术的发展具有阶段性，不会一蹴而就，人工智能也不例外。哲学家约翰·塞尔（John Searle）在《心灵、大脑和程序》（Minds， Brains， and Programs）一文中提出了弱人工智能和强人工智能的划分，加之他所提出的思想实验“中文房间”（Chinese room），成为人工智能领域最著名的论断之一。

弱人工智能（artificial narrow intelligence，ANI）只专注于完成某个特定的任务，如语音识别、图像识别和翻译，是擅长于单个方面的人工智能。它们只是为完成特定、具体的任务而存在，大都是利用统计数据进行模型归纳，如AlphaGo就是弱人工智能的典型代表。它并不懂得围棋知识，只是记下了海量的“布局VS布局”映射关系，所谓的类推理能力是以现有的巨大体量的数据为基础的（危辉， 2018）。由于弱人工智能只能模仿人类智能的子片段，即处理较为单一的问题，且发展程度并没有达到模拟人脑思维的程度，所以弱人工智能仍然属于“工具”的范畴，与传统的“产品”在本质上并无区别。因此，这一部分的人工智能将专注于覆盖常规性操作的工作。

强人工智能（artificial general intelligence，AGI）是弱人工智能的下一发展阶段，属于人类级别的人工智能，在各方面都能和人类比肩，人类能干的脑力活它都能胜任。因此，其必须能够理解自然语言，并在模仿人类行为时具有类似的心理活动（Searle， 1980）。它能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作，并且和人类一样得心应手，这将使它们胜任非常规性的人类工作。

国际人工智能联合会前主席、牛津大学计算机系主任迈克尔·伍尔德里奇（Michael Wooldridge）教授在2016年CCF-GAIR大会报告中表示：强人工智能“几乎没有进展”，甚至“几乎没有严肃的活动”①。事实上，人工智能国际主流学界所持的目标就是弱人工智能，图像语音识别、机器翻译、自动推理都是聚焦于特定类型的智能行为。同时，强人工智能复原人脑的实现路径仍无头绪。国际人工智能终身成就奖得主多伦多大学赫克托·莱韦斯克（Hector J. Levesque）教授在2017年的著作中表示，即便在最理想的情况下，神经科学家也仅能获得模拟人脑的“目标代码”而已，没有理由认为获得了目标代码就能还原出源代码，因为这样的“反向工程”即便对软件程序来说也几乎是不可能的，更何况神经细胞内部还存在着更为复杂的机制。

需要指出的是，强人工智能自提出以来就一直受到伦理学上的种种质疑与限制。正如克隆人被主流生命科学界所禁止一样，具有自主心智和独立意识的强人工智能也是科学研究领域一个不能触碰的“潘多拉魔盒”。虽然不断有人提出机器人伦理准则，如阿西莫夫三定律②，但都存在根本性的重大逻辑缺陷。哈佛大学认知心理学家史蒂文·平克（Steven Pinker）就在论著《当下的启蒙》（Enlightenment Now， p. 1342）中表明了态度：“人工智能就跟其他任何技术无异。它的发展是渐进的，目的是被用于满足人类的各种需求。在投入执行任务之前，它会经受严格测试，并总是会在效能和安全之间取得平衡。”

本文对于人工智能的理解如下，这也是本文研究的前提，即人工智能是为实现特定任务目标而创造的能够表现出与人类能力（认知、思维或行动）相似水平的技术。这一技术需要借助相应的载体（工具）及应用环境发挥作用，但在现有技术条件与伦理约束下，人工智能的应用载体仅限于计算机化和自动化设备，并以工具属性长时间影响劳动力就业市场。因而，本文分析人工智能对专业人才培养的影响是置于弱人工智能的前提假设之下进行的。

四、基于ALM模型的技能分析框架

根据前文对于人工智能定义内涵及其发展阶段的分析，人工智能对劳动力的影响轨迹在很长一段时间内会遵循与计算机类似的工具性替代路径，即从某类工作任务开始，以技术突破为基准拓展至更广泛的领域。因此，Autor等（2003）基于计算机的人工替代效应而提出的ALM模型非常值得借鉴：计算机的工作效率优势集中于基于程序或者规则的任务，因为这些任务可以被完全编写于逻辑编程命令之中（“If-Then-Do”语句），以明确指定机器在特定顺序下执行操作来实现特定结果。与此相对应的是，计算机对于周围情境与复杂情感并没有解决能力，这些工作仍然需要由人类来完成。基于这一条件，Autor等（2003）将工作内容依程式化程度进行划分，并在非程式化认知型与操作型之外拓展了非程式化交互型。

机器人很早就替代掉了很大一部分的程式化操作型的工作，而目前缺少情境判断能力与情感灵活性的弱人工智能很容易通过完全设置的编程命令完成程式化认知型的工作内容。但对于需要输入大量情境信息，同时活动规律并不能被完全识别的非程序性工作，弱人工智能完成起来仍存在很大困难。即便未来机器学习能够解决一部分情境适应问题，但这些非程序化工作与人类互动的不确定性以及满足人类情感需求的核心任务仍然很难解决。

基于ALM模型对于工作内容的划分，本文將完成五类工作内容所需要的技能划分成程式化操作技能（RM）、非程式化操作技能（NM）、程式化认知技能（RC）、非程式化认知技能（NA）、非程式化交互技能（NI）五类（见表1），胜任职业i需要技能集合Xi。

Xi= [xRM程式化操作技能xNM非程式化操作技能xRC程式化认知技能xNA非程式化认知技能xNI非程式化交互技能] （1）

五、基于数据挖掘的专业人才技能需求分析

（一）数据来源

本部分所使用的数据主要来自于美国职业信息网络（O*net online）①、会计考试资格评价网②和《中国会计统计年鉴》等。

美国职业信息网络（O*net online）主要为本文提供职业技能需求测量的相关指标分数。美国职业信息网络是由美国劳工部（Department of Labor， US）基于《职业名称词典》（Dictionary of Occupational Titles， DOT）与标准职业分类系统[Standard Occupational Classification（SOC）system]深度开发且不断更新的职业信息网络系统。其核心在于它的内容模型（content model），如图1所示，涵盖六大领域（如工作者特征），每个领域包含专门的类别（如能力）， 每个类别又分为几个层次（如能力类别包括四个维度：认知、心理、物理和感知）。这种多层指标体系设计能让职业描述在不同层次上体现出普遍性或者特殊性，以适应不同的使用目的。

根据中国财政部发布的最新数据，2017年初级会计师证书持证人数为442.8万人，中级证书持证人数为179.62万人，高级证书持证人数为14.46万人。会计考试资格评价网和《中国会计年鉴》是国内较为权威的会计职业信息发布机构，为本文提供了近年来会计师从业人员数量变化及其行业层次，即历年获得初级、中级、高级会计师证书的人数。从表2中可以看到：三类会计师资格证书持证人数都呈现增长的趋势，但由于政策原因，幅度并不稳定。初级资格证书作为要求难度最低的证书，持有人在数量上是最多的，但增长率在历年不是最高，并在2015年有大幅下降趋势。2017年由于报名条件宽泛的会计师从业资格证书取消，初级会计师资格证书代替其成为会计行业的最低准入门槛。大量考生涌入初级会计师资格证书考试，导致初级会计师资格证书考试报名人数及通过人数再次上涨。中级资格证书持有人数居于第二位，但历年增长表现都是最强势的。高级会计师证书由于准入门槛较高，近两年来增长幅度趋于平缓。

（二）专业人才的技能测量

借鉴Autor等（2003）针对美国《职业名称词典》进行的五类技能测量，本文参照美国职业信息网络（O*net online）中以《职业名称词典》为基础拓展而来的测量指标，主要集中于工作者特质 （worker characteristics），说明从事某职业所需具备的与职业工作相关联的知识（knowledge）、技能（skills）和能力（abilities）。2018年8月，美国劳工部对于会计这一职业小类每项测量指标都进行了重要程度与标准水平的评估，以五分量表呈现，1分代表水平低，5分代表水平非常高（见表3）。表3所选择的与五项技能类型匹配的测量指标均为重要程度在1.5分以上，即具有一定相关度且对该职业而言比较重要。总体而言，初级会计对程式化操作技能和非程式化操作技能有较高要求，而中级会计和高级会计则强调非程式化认知技能和非程式化交互技能，三者对程式化认知技能均有较高要求。

（三）专业人才技能需求测算模型设置

为考察会计职业劳动力市场对程式化操作技能（RM）、非程式化操作技能（NM）、程式化认知技能（RC）、非程式化认知技能（NA）、非程式化交互技能（NI）的总体需求现状与变化，借鉴有关研究，将中国持有初级、中级和高级会计师资格证书的从业人士匹配美国行业职业分类，再根据会计职业相关数据以获得职业与技能匹配数据，计算会计职业对上述五类技能的总体需求及其变化①。

其中

[θi=该层次会计持证人数或证书考试通过人数总体会计持证人数或证书考试通过人数] （2）

[θ=θ1…θn] （3）

D=[θX=θix程式化操作技能iθix非程式化操作技能iθix程式化认知技能iθix非程式化认知技能iθix非程式化交互技能i] （4）

（四）专业人才技能需求的计算结果

1. 專业人才技能总体需求情况分析

经过上述方法计算后，可以得出我国三个层次会计职业对于程式化操作技能（RM）、非程式化操作技能（NM）、程式化认知技能（RC）、非程式化认知技能（NA）、非程式化交互技能（NI）五类技能的层次与需求情况，见表4：

结合表4与图2可以看出中国初、中、高各级会计师的技能层次需求。横向来看，高级会计师的非程式化认知技能需求最高，其次为程式化认知技能;中级会计师的程式化认知技能需求最高，其次为非程式化认知技能;初级会计师也是程式化认知技能需求最高，其次为非程式化交互技能。纵向来看，在程式化操作技能和非程式化操作技能中，初级会计师都远远高于中高级会计师，这可能是由于初级会计师经常要进行单证整理、数据输入等工作。但需要特别关注的是，在程式化认知技能需求中，中、高级会计师的分数相同，而其等级高下的主要区分依据在于非程式化认知和非程式化交互技能，可见非程式化技能的价值会随着劳动力层次的上升而凸显出来。

基于《中国会计年鉴2017》的统计数据（见图3）可获得会计专业人才五类技能需求现状：2017年会计职业劳动力技能需求存量仍然是程式化认知技能需求为最大，但非程式化认知技能和非程式化交互技能已经非常接近程式化认知技能的比重，这与我们原来所认为的会计专业人才总体技能由程式化认知技能主导已经有所出入，说明会计专业人才技能状况与其工作内容已进行了一定调整：会计职业大部分的工作虽然是大量重复性的结构化劳动，要求准确性与精细性，但随着这部分工作逐渐被计算机和人工智能取代，专业人才的程式化工作内容减少，非程式化工作内容增加。人工智能无法具备的非程式化认知技能与非程式化交互技能越来越成为会计专业人才重要的工作技能要求。

2. 专业人才技能历年变化分析

结合在会计考试资格评价网和《中国会计年鉴》中获取的历年各级会计师考试通过人数数据，可以粗略获得我国会计劳动力市场对各项技能的需求变化的情况。

从表5可以看出：从2011年至2015年，程式化与非程式化操作技能需求总体呈现下降趋势，程式化认知技能、非程式化认知技能与非程式化交互技能需求是在上涨的，其中上涨幅度最大的是非程式化认知技能。而由于2017年会计师从业资格证书考试取消，2017年初级会计师报名人数与通过人数猛增，因此2017年的技能需求数据仅作参考。

程式化操作技能需求自2011年至2015年一直呈现下降趋势并且下降速度加快，仅在2017年初级会计师人数扩大时回暖，而非程式化操作技能需求却在2011—2013年下降之后在2015年重新恢复增长，这与普通认知中操作技能会被机器人最早替代的判断也并不相同，可能是由于目前技术水平仍然无法达到敏感感知周围环境并做出精确化操作的原因。

程式化认知技能需求仍然保持了增长的态势，在一定程度上说明目前许多程式化认知工作仍然需要人类自主或半自主地完成。但程式化认知技能需求的增长量与非程式化认知技能和非程式化交互技能需求之间的差距很小，同时后两项技能需求的增长速度也呈现出加速状态，对这两项技能的需求大量增长可能是2017年会计职业技能需求现状改变的重要推动因素。值得注意的是，非程式化认知技能需求的增长速度除2017年外均高于程式化认知技能需求，随着人工智能的进一步发展，程式化认知技能的地位可能会更加边缘化。

六、基于中国现实数据的职业技能要素挖掘

基于美国职业信息网络O*net的评估数据，上文呈现并分析了会计专业人才技能需求现状及其发展变化的基本画像。但在现实状况下，美国与中国的劳动力市场情况与劳动力素质不尽相同。同时，由于中国会计师资格证书考试设有众多准入门槛并在近年有几次重大调整，导致历年各级会计师资格证书考试通过人数变化起伏不定。为进一步验证上述模型运算结果，本研究仍然需要根据中国劳动力市场的现实数据去切分其中具体的技能要素。目前，最为直观和及时响应市场技能需求的方面是互联网招聘网站。互联网招聘广告具有即时性、广泛性和互动性，不仅完整地展现了目前雇主对人才的需求，其中也包含了大量技能要求信息。

本文利用Python技术在BOSS直聘、前程无忧和智联招聘三大招聘网站中抓取了2019年4月份的9，875条会计职业招聘记录进行文本挖掘。这三家网站均为国内成立较早、规模较大的人力资源服务商。同时，专业媒体评估网站Alexa也表示这三家网站在中国招聘网站活跃度排名中位居前三位，是企业发布招聘信息和求职者求职常用的招聘网站。文本挖掘的具体操作步骤是以“会计”为职业检索关键词，检索时间是2019年4月，发布日期为近一个月，职位类型主要为全职，学历要求、工作地点、工资待遇、公司性质等条件不限。由于本部分研究着眼于社会对求职者的技能需求，因此将岗位职责中的技能需求信息作为主要研究数据基础，借助Python语言，使用Selenium自动化技术设计爬虫程序并配合浏览器驱动获取三大网站的9，875条招聘文本信息，将其保存为MySQL文件存入MySQL数据库中，以进一步分析目前劳动力市场对会计人才技能的实时需求。在已挖掘的实时招聘文本中使用TF-IDF（term frequency-inverse document frequency）方法统计词频，确定重要技能需求的关键词。该方法能有效过滤对文档主题没有实际意义的词汇，突出关键词汇，相较简单的词频统计可以更为客观和准确地统计出关键词汇，能够更有效地发现所需要的关键技能。技能需求分类过程主要应用LDA（latent dirichlet allocation）模型进行分析。LDA模型是一种文档主题生成模型，适用于大量文本主题结构探索，也可单独或与其他方法结合用于标签推荐、主题检索等。由于研究中包含大量文本数量，常规的内容分析法效率不高，所以将LDA模型用于对招聘广告正文的处理，对招聘信息中岗位职责或关键技能进行自动分类并分析不同类别中的主题强度。将文本挖掘结果利用BIBEXCEL进行词频排序，得到表6。

“沟通”“管理”等词语在三家网站招聘广告中的高频率出现进一步验证了非程式化交互技能在会计人才技能需求中的重要地位和增长趋势。同时，我们也能看到“决策”“分析”等代表要求更高的非程式化认知能力的词语出现频率位于两家网站的前列。“审核”这一应用程式化认知技能的工作内容也在一家网站上高频出现。值得注意的是，“软件”一词也在两家网站中高频出现，这反映出雇主要求应聘者具有一定的会计电化软件操作技能，需要程式化认知技能与非程式化操作技能相结合，同时也要求应聘者具有较好的学习能力与技能迁移能力。

综合来看，对国内招聘网站进行数据挖掘和文本分析所得到的结果，与上文基于ALM模型将美国职业信息网络的技能测量指标与中国会计职业数据相结合计算的各项技能要求相一致，从而验证了结果的稳健性。

七、人工智能背景下专业人才培养的挑战与对策

研究结果显示，非程式化的交互技能、认知技能和操作技能在会计职业技能需求结构中日益占据重要地位而且显示出巨大的增长潜力，会计专业人才培养应进行必要调整乃至变革，以适应当下及未来会计职业与会计专业人才技能要求的巨变。但对多所应用型大学与高职院校会计专业人才培养方案的分析显示，整个会计教育系统仍强调理论知识的传授和基础技能的掌握，会计专业人才培养的改革显得滞后而迟缓，具体体现在：在培养方案中，以会计基本原理和方法以及财务相关知识传授为主的专业理论课占据主要地位，而专业技能培养主要以会计基本技能（如会计凭证填制）和财务基本技能（如报表绘制）为主。由此可以看出，现有会计专业人才培养以程式化认知技能和程式化操作技能的培养为主;会计专业普遍采用会计软件来培养学生的实操能力，作为提升非程式化认知技能的有效途径，但在实际教学中往往过于强调对程式化认知技能和非程式化操作技能的反复练习，而对推理分析、问题解决等非程式化认知技能的重视程度不够。

总体而言，目前的会计专业人才培养方案和教学实施偏重于程式化操作技能、程式化认知技能和非程式化操作技能，非程式化认知技能培养明显不足，而非程式化交互技能培养则更加欠缺。由于技术的推广应用需要一定时间，其影响劳动力市场进而推动专业人才培养变革也会有一定的时滞，但在这个时间窗口专业人才的培养不能被动等待和应付，而应主动對接劳动力市场对专业人才各项技能的要求来改造专业人才培养，将培养重心由程式化技能扩展到非程式化技能，尤其是非程式化认知技能和非程式化交互技能，培养多层次、复合型、前端化的专业人才，以应对人工智能背景下会计专业人才培养面临的挑战。

（一）强化非程式化技能，多层次植入培养过程

1. 创建培养非程式化交互技能的训练场景

著名日本企业家稻盛和夫对会计专业的本质有“人的会计学”这样的表述：会计从业者并不应该只会照搬原则、呆板做事，而应该是会用会计语言与会计方式来处理复杂经济关系与社会关系的专业人士。首先，会计专业人才培养要重新认识非程式化交互技能，它不仅是与人交流沟通的能力，也是认识自我与控制情感情绪的能力。这需要在传统会计人才培养范式中融入更多社会教育的成分。在学校课程实施上要注重第二课堂的延伸，利用各种学生组织与社团活动植入培育情商的机会。同时，真实场景下的企业实践应该成为会计专业学生的必修课。现实中会计角色与各个岗位人员之间的互动是复杂、多样且广泛的，而且是无法在校园中复制的，需要学生自我真实代入某个具体岗位去适应和摸索，进而提高对职业情况与自身责任的理解。

各行各业都面对着非程式化技能的崛起，一般专业人才教育发展需要在远离原本固化的“工厂系统”的原则下重点关注学生非程式化交互技能的培养，包括沟通技巧、激励和启发他人、管理能力等。实际上，这些非程式化交互技能虽然难以标准化培养，但实际上时刻影响着工作内容中的每一项任务，因此需要将其纳入实践教学中，在灵活多样的教学环境中自上而下地把非程式化交互技能的指导与评价添加到教学和实践的各个环节当中。

2. 开辟培养非程式化认知技能的思考空间

会计专业教材中理论基础知识占据了绝大部分篇幅，内容涵盖宽泛，更新速度缓慢，甚至部分内容与实际工作脱节。其典型特点在于观点明确，很少设置学生能够开展讨论和进行思考的环节。这一安排实际上更加无法匹配会计工作中常出现的对错参半的复杂任务，导致学生面对实际工作时手足无措。无论是编写教材还是开展教学，都应该精简理论知识，设置更多启发式主题，以列举观点进行比较替代直接进行是非判断，鼓励学生自主寻找信息、表达观点，以锻炼他们的开放性思维和决策能力。

这一培养方式适用于各类专业人才的能力提升。对于能力层次要求较高的非程式化认知能力而言，首先需要培养学生独立思考与分析的意识，帮助学生养成良好的非程式化认知习惯。同时，需要改变传统的单科教育模式，将体系化的非程式化技能因素纳入已有的教学框架，挖掘出贯通专业的通用能力。将这种培养方式作为一种新教育模式不断实验，进而不断调整培养非程式化认知技能的方法，发挥“人的教育”在人工智能背景下的巨大发展潜力。

（二）程式化技能复合升级，突破单一化培养内容

对于会计行业而言，传统的账务职能正逐渐由智能化软件来实现，战略规划、风险控制等管理会计的决策贡献才是当下乃至未来市场希望会计人才去创造的价值。会计专业教育中专业核心课程不能仅仅停留在“会计学”“财务管理”等基本课程上，也不能把与会计相关的“管理学”“国际会计”等课程定格于考查范围。在重视会计专业基础的前提下，培养课程需要打通与经济学、金融学等学科之间的壁垒，整合大会计学视野下的各学科知识，形成完整的综合性的知识体系，包括专业基础课程和经济管理、国际会计、数据分析等相关课程，实现与相关领域的贯通和与前沿技术的对接。

其他专业同样应遵循技能复合化的人才培养思路。许多社会学家和经济学家在新技术时代下提出了复合型工作者（portfolio workers）的概念：这些劳动者需要“复合型新技能”（skillportfolio），如拥有许多不同的工作技能与证书，以帮助他们在职业生涯中在不同岗位进行流动（Fraser， 2001）。世界银行发布的《2019年世界发展报告：工作性质的变革》也指出，技术的变革对不同技能类型组合的回报似乎在增加。这些变化不仅体现在新工作取代旧工作这一点上，还体现在既有工作技能组合的变化上。在科技发展呈爆炸式增长的情况下，技术也在朝着更为容易操作的方向发展。这些技术并不要求工作者具备完善的专业知识，只需要他们具有较强的适应性且能快速掌握新技能以益于生产发展。这就要求劳动者在专业技能之上拥有较强的技能组合能力，能将现有的技能迁移到新的情境之中，灵活地应对市场和技术的变化。专业人才培养需要重新挖掘学生的素养形成和技能发展的底层规律，帮助他们在掌握专业技能之外，具备更加基础性的核心素养与能力，以应对快速变化的劳动力市场。

（三）人才前端化发展，培养层级整体上提

就会计专业领域而言，人才培养需要从核算型向管理型转变。专业基础知识需要根据工作内容和流程进行重新梳理，通过反复强化训练与岗位模拟实现知识的内在化与系统化。在此基础上，模仿公司运营流程进行仿真运营管理、核算、轮岗处理虚拟企业经济业务。这些业务需要结合实际进行设计，原始数据可以由学生自己制作与整理，甚至可以模拟公司之间的对抗运营。同时，会计电算化与信息化方面的培养也不能限于使用电算软件，更应该在业务财务一体化背景下提高数据分析和利用能力。除了要进一步挖掘传统电算软件的功能之外，培养课程中还需要纳入数据分析软件的基本操作，甚至进一步开设大数据处理、云计算等课程以培养会计人才的预测、决策和管理能力。

Autor等（2014）对劳动力市场的研究发现，新技术和新机器所创造的新就业岗位其实远远超过它们所挤占的旧岗位，其中大多数是与新技术与新机器相关的上下游产业链中的一线工作岗位。从目前来看，市场上对于程序员、工程师等岗位的需求变得空前巨大，而诸如帮助机器进行人工智能学习所需要的训练师、为3D打印服务的设计师等新岗位也应运而生。与此相似，人工智能在替代程式化职业人才的同时，也会大量增加对于与人工智能操作相关的职业人才的需求，可能是帮助人工智能进行运转的培训者，也可能是紧急解决一些问题的维护者，等等。这都需要相关从业者具备前端的人工智能知识和高质量的专业领域技能。因此，专业人才培养一方面需要推动专业人才在人工智能基准之上提高各项能力素质，深耕相关领域通用能力的开发与培养，同时也需要时刻关注技术发展前沿，思考专业人才与未来职业接轨的途径。

（四）人才终身化培育，建立工作实践优势

英国是世界上第一个建立现代意义上的会计职业团体的国家，会计教育底蕴深厚，被公认为会计教育强国。其会计教育的基本思想就是终身学习理念，并根据金融工具、金融市场的变化不断调整课程设置，大量吸引已经毕业的从业者重新回到学校进行学习。甚至，当学生取得了英国特许会计师（ACCA）职位后，仍然要接受继续教育，以保证他们能够不断适应变化中的工作世界。

人工智能的发展正在重塑工作及其所要求的技能。然而，传统教育体系面对技术变革存在巨大的发展滞后性，甚至抵制变革。技能供给再调整较多地发生在义务教育或者正规就业以外的领域，在这些领域坚持终身学习以适应工作性质的持续变化已经成为一个重要策略。特别是在发达国家和一些面临老龄化问题的发展中国家，终身学习更是与个体技能的再调整息息相关。工作生涯如此漫长而且变化迅速，仅将接受教育局限于人生初期是不够的，获取新技能必须贯穿人们的整个职业生涯。这需要在传统的受教育阶段将终身教育的观念普及到每一个人工智能时代劳动者的学习态度之中。

[参考文献]

袁玉芝，杜育红. 2019. 人工智能对技能需求的影响及其对教育供给的启示：基于程序性假设的实证研究[J]. 教育研究，40（2）：113-123.

张志祯，张玲玲，李芒. 2019. 人工智能教育应用的应然分析：教学自动化的必然与可能[J]. 中国远程教育（1）：25-35，92.

杨伟国，邱子童，吴清军. 2018. 人工智能应用的就业效应研究综述[J]. 中国人口科学（5）：109-119，128.

王文静，庄西真. 2018. 人工智能视阈下职业教育的机遇、困厄与出路[J]. 中国职业技术教育（22）：33-37.

刘晓莉，许艳丽. 2018. 技能偏好型技术进步视阈下人工智能对技能人才就业的影响[J]. 中国职业技术教育（15）：41-46.

王岚，许艳丽. 2018. 智能时代：职业风险与高职教育应对[J]. 高等工程教育研究（2）：189-194.

姜志坚，赵兴民，卢德生. 2017. 人工智能背景下职业教育发展的策略[J]. 中国职业技术教育（30）：54-59.

徐国庆. 2016. 智能化时代职业教育人才培养模式的根本转型[J]. 职教论坛（16）：61-62.

刘晓，徐珍珍. 2015. “机器换人”与职业教育发展：挑战与应对[J]. 教育發展研究，35（21）：13-17.

张媛，刘海，李中傲. 2018. “智慧财务”下创新教育对人工智能商数的需求：以数据分析法案例教学为例[J]. 财会月刊（24）：98-104.

世界银行. 2019. 2019年世界发展报告：工作性质的变革. 华盛顿特区：世界银行. doi：10.1596/978-1-4648-1328-3.

Agrawal， A. K.， Price， H. J.， & Gurbaxani， S. H. （1980）. Transient response of multiconductor transmission lines excited by a nonuniform electromagnetic field. IEEE Transactions on electromagnetic compatibility（2）， 119-129.

Autor， D. H.， Levy， F.， & Murnane， R. J. （2003）. The skill content of recent technological change： An empirical exploration. The Quarterly Journal of Economics， 118（4）， 1279-1333.

Benzell， S. G.， Kotlikoff， L. J.， LaGarda， G.， & Sachs， J. D. （2015）. Robots are us： Some economics of human replacement. （NO. w20941）. National Bureau of Economic Research.

Braverman， H. （1998）. Labor and monopoly capital： The degradation of work in the twentieth century. New york： NYU Press.

Fraser， J.， & Gold， M. （2001）. ‘Portfolio workers： Autonomy and control amongst freelance translators. Work， Employment and Society， 15（4）， 679-697.

Frey， C. B.， & Osborne， M. A. （2017）. The future of employment： How susceptible are jobs to computerisation？ Technological Forecasting and Social Change， 114， 254-280.

Finlayson， M. A.， Richards， W.， & Winston， P. H. （2010）. Com putational models of narrative： Review of a workshop AI Magazine， 31（2）， 97-100.

McCorduck， P. （2009）. Machines who think： A personal inquiry into the history and prospects of artificial intelligence. Boca Raton， Florida： AK Peters/CRC Press.

Mokyr， J. （1992）. The lever of riches： Technological creativity and economic progress. Oxford， England： Oxford University Press.

Nilsson， N. J.， & Nilsson， N. J. （1998）. Artificial intelligence： A new synthesis. Burlington， Massachusetts： Morgan Kaufmann.

Pinker， S. （2018）. Enlightenment now： The case for reason， science， humanism， and progress. London England： Penguin.

Searle， J. R. （1980）. Minds， brains， and programs. Behavioral and Brain Sciences， 3（3）， 417-424.

收稿日期：2019-07-04

定稿日期：2019-09-16

作者簡介：王奕俊，博士，副教授，硕士生导师;杨悠然，硕士研究生。同济大学职业技术教育学院（200092）。

责任编辑 单 玲