15、印度人工智能研究实验室中的结构、能动性与分层现实分析

印度人工智能研究实验室中的结构、能动性与分层现实分析

在当今科技迅速发展的时代，印度的 IT 行业和工程教育领域正经历着深刻的变革。特别是在人工智能研究实验室的工作场景中，各种因素相互交织，影响着个体的职业发展和项目的推进。本文将深入探讨结构与能动性的分离，以及如何通过追溯还原现实、实际和经验这三个层次的领域，来理解印度人工智能研究实验室中的工作现象。

1. 研究背景与目标

在研究中，我们受到了开展“全球民族志”的启发，旨在从宏观层面理解新兴技术时代印度 IT 行业和工程教育领域的变化。这不仅促使我们实地探究工作实践和流程，还激励我们将其与相关的历史和理论基础相联系。我们的目标是通过两个组织的视角，获得对这些变化的宏观理解，同时兼顾局内（emic）和局外（etic）视角。局外视角由研究团队整体负责，定期讨论并强化局内民族志的田野笔记，这种内外视角的不断转换有助于更有针对性地收集和整理田野笔记。

2. 批判现实主义与民族志研究

批判现实主义（CR）的哲学基础和对结构 - 能动性关系的清晰理论，促使我们在民族志研究中对结构和能动性进行“分析性区分”。在研究印度 IT 组织时，CR 的前提帮助我们追溯那些影响个体在人工智能项目中技能转换的生成结构，从而阐明组织结构在促进或限制个体潜力方面的作用。

3. 结构与能动性的分离

结构与能动性的分析性分离是我们撰写田野笔记的关键。结构指的是人类有意识活动所作用的“既定”对象，包括物质和观念层面。在人工智能研究实验室的民族志工作中，实际结构可能包括印度 IT 行业、特定的 IT 服务组织、实验室本身、承担的项目以及决定工作流程的技术；观念结构则可能包括工程师的技能、管理者和客户的期望等。社会结构是社会产物，具有可转化性和相对持久性，且社会活动相互依存，因此社会结构具有相对自主性。能动性主要指实验室中各类参与者的行为和意图，如数据工程师、数据科学家、云与软件工程师、业务分析师、项目经理和团队领导等。

区分结构和能动性至关重要，因为它们具有不同的属性。以语言的语法规则为例，它限制了我们的言语，但不决定我们的表现，而人们使用语言的方式会无意识地再现或改变语言及其规则。同样，人们在有意识的活动中无意识地再现或偶尔改变着支配其生产活动的社会结构。

这种清晰的区分使我们能够研究不同背景的个体如何不同地解读和感知组织结构，从而规划自己的职业发展路径。通过对田野笔记的编码分析，我们发现人工智能项目往往是与现有软件客户合作以满足其数字转型需求的有意识行为。客户更倾向于与有 IT 外包服务经验的组织合作，导致项目工作流程落入现有软件项目的框架内。这一组织结构带来了两个结果：一是实验室的大多数人工智能项目处于客户价值链的低端，属于“增强型”人工智能服务，在人工智能价值链上得分不高；二是导致了 IT 与非 IT 员工之间的差距持续存在，非 IT 数据工程师难以有效参与项目，只能尝试再现现有结构，而结构的转变可能只有资深数据科学家才能尝试。

以下是田野笔记编码示例：
|视角|技术方面|组织方面|能动性（参与者观点）|
| ---- | ---- | ---- | ---- |
|局内视角|掌握本团队工具的技术专长，了解周边团队工作对职业发展至关重要|服务型和产品型公司存在差异，服务型公司更以客户为中心|员工应横向和纵向提升技能，与同行建立信任关系|
|局外视角|角色间工作分工偏好明确，但具备本职工作以外的专长对员工晋升至关重要|服务型公司工作流程相对产品型公司更严格|服务型公司的工作性质是否影响员工跳槽的普遍性|
|问题/指针|个体间的工作分工性质是否因技术（如软件、人工智能或物联网）而异？|更高的客户中心性是否影响服务型组织的工作流程性质？|服务型组织工作与员工跳槽普遍性之间是否存在关系？|

通过这个表格，我们可以更清晰地看到不同视角下对结构和能动性相关因素的理解，以及需要进一步探讨的问题。

mermaid 流程图如下：

graph LR
    A[结构] --> B[实际结构]
    A --> C[观念结构]
    B --> B1[印度 IT 行业]
    B --> B2[特定 ITeS 组织]
    B --> B3[AI 研究实验室]
    B --> B4[项目]
    B --> B5[技术]
    C --> C1[工程师技能]
    C --> C2[管理者期望]
    C --> C3[客户期望]
    C --> C4[组织期望]
    D[能动性] --> D1[数据工程师]
    D[能动性] --> D2[数据科学家]
    D[能动性] --> D3[云与软件工程师]
    D[能动性] --> D4[业务分析师]
    D[能动性] --> D5[项目经理]
    D[能动性] --> D6[团队领导]

这个流程图展示了结构和能动性所包含的具体内容，有助于我们直观地理解它们之间的关系和各自的组成部分。

4. 追溯现实、实际和经验的层次领域

批判现实主义认为现实独立于认知者或参与者的感知和认知，即本体论现实主义。现实存在着持久的结构和生成机制，社会现实不仅真实而且分层。CR 提出了现实、实际和经验三个层次的领域，通过追溯来揭示这些领域。

现实领域由具有“事物行为方式”机制的结构构成，这些机制被理解为结构的因果力量或倾向。个体和结构组件基于其对行为与后果关系的思考和信念具有因果力量，但并非所有因果机制都可归因于人类行为者。实际领域包括由现实层结构的因果倾向激活而产生的特定事件，这些事件可能被感知，也可能不被感知。经验领域则由我们通过感官感知或工具直接观察到的经验或事件组成，经验只是给定背景下实际事件的子集。

在本研究中，这种层次化、嵌套的分层结构帮助我们揭示所观察现象的生成机制。民族志研究者在 NLP 项目中的观察发现，实验室人工智能项目的“增强型”性质以及数据工程师在编程任务上花费的大量时间属于经验领域，是显而易见的现象。而在与研究导师的每周会议中，我们需要超越这些明显的现象，将其置于实际和现实结构中进行理解。

现实层面包括两个相互关联的结构方面：一是高级管理角色对“增强型”人工智能项目的考量，旨在避免该部门成为成本中心；二是在实施人工智能项目时软件工程项目实践的主导地位，这与理想的人工智能项目工作流程原则相悖。

实际层面，数据工程师和云/软件工程师之间的协调依赖于业务分析师和云架构师制定的高级框架或计划，这与以用例和数据为中心的理想人工智能项目不匹配。由于客户对数据共享和模型可解释性的担忧，项目变得不那么以数据为中心，数据工程师陷入编程任务，无法发挥其领域技能。这是团队领导和管理者无意识动机的结果，他们希望员工承担易于分配和计费的任务。

数据科学家正在努力构建以数据为中心的人工智能兼容工作流程，但只有具有编程背景的初级数据科学家才有机会参与。这表明对于非 IT 背景的数据工程师来说，编程背景对于职业晋升至关重要，他们的教育背景成为其在受技术和高级管理角色信念影响的现实领域中职业发展的重要阻碍因素。

以下是分层结构的总结表格：
|领域|构成|示例|
| ---- | ---- | ---- |
|现实领域|具有因果机制的结构|高级管理角色对项目的考量，软件工程项目实践的主导地位|
|实际领域|由现实层结构因果倾向激活产生的事件|数据工程师陷入编程任务，项目不以数据为中心|
|经验领域|可直接观察到的经验或事件|人工智能项目的“增强型”性质，数据工程师在编程任务上花费大量时间|

mermaid 流程图展示分层结构的关系：

graph LR
    A[现实领域] --> B[实际领域]
    B --> C[经验领域]
    A --> A1[高级管理角色考量]
    A --> A2[软件工程实践主导]
    B --> B1[数据工程师编程任务]
    B --> B2[项目非数据中心性]
    C --> C1[项目“增强型”性质]
    C --> C2[数据工程师编程时间长]

这个流程图清晰地展示了现实、实际和经验三个领域之间的层次关系，以及每个领域中的具体示例，有助于我们更好地理解整个分层结构。

通过对结构与能动性的分离以及三个层次领域的追溯，我们能够更深入地理解印度人工智能研究实验室中的工作现象，为相关领域的研究和实践提供有价值的见解。在后续的研究中，我们可以进一步探讨如何打破现有结构的限制，促进数据工程师等人员的职业发展，以及如何优化人工智能项目的工作流程，使其更符合理想的发展方向。

印度人工智能研究实验室中的结构、能动性与分层现实分析（续）

5. 分层结构对数据工程师职业发展的影响

分层结构在印度人工智能研究实验室中对数据工程师的职业发展产生了多方面的影响。从现实领域来看，高级管理角色对定制化、重用和明确任务分配的重视，导致软件工程项目实践在人工智能项目中占据主导。这使得数据工程师原本期望凭借统计和工业工程领域知识发挥作用的计划受阻。

例如，数据工程师认为自己具备统计和机器学习的理论知识以及相关领域技能，但在实际项目中却被大量的编程任务所束缚。他们主要被招募是因为其领域知识，但却不得不花费大量时间在编程工作上，而这些编程工作并非他们的专长。这种情况是现实领域结构作用的结果，高级管理角色的决策和期望影响了项目的执行方式。

在实际领域，数据工程师面临着与理想人工智能项目工作流程不匹配的情况。由于客户对数据共享和模型可解释性的担忧，项目变得不那么以数据为中心，数据工程师难以参与到以数据和用例为核心的工作中。他们在编程任务中努力尝试再现现有的结构，但却难以发挥自身的优势，职业发展受到限制。

经验领域中，数据工程师在编程任务上花费大量时间的现象明显可见。他们在日常工作中不断面对编程相关的挑战，而无法充分运用自己的领域知识，这导致他们的职业满意度可能降低，并且晋升机会也相对较少。

以下是分层结构对数据工程师职业发展影响的详细表格：
|领域|影响方面|具体表现|
| ---- | ---- | ---- |
|现实领域|职业期望受阻|数据工程师期望发挥领域知识，但因软件工程项目实践主导而陷入编程任务|
|实际领域|工作流程不匹配|项目不以数据为中心，数据工程师难以参与核心工作|
|经验领域|职业满意度和晋升机会|花费大量时间在编程上，职业满意度可能降低，晋升机会受限|

mermaid 流程图展示这种影响的传导过程：

graph LR
    A[现实领域] --> B[实际领域]
    B --> C[经验领域]
    A --> A1[高级管理决策]
    A1 --> B1[项目工作流程改变]
    B1 --> C1[数据工程师编程任务增加]
    C1 --> C2[职业满意度降低]
    C1 --> C3[晋升机会受限]

这个流程图清晰地展示了从现实领域的高级管理决策，到实际领域项目工作流程的改变，最终影响到经验领域数据工程师职业发展的整个过程。

6. 数据科学家的努力与挑战

数据科学家在实验室中试图构建以数据为中心的人工智能兼容工作流程，以促进不同活动（如预处理、模型构建和部署）之间的迭代实验。然而，他们面临着诸多挑战。

首先，构建这样的工作流程需要编程专业知识以及对统计和机器学习的理论理解。因此，只有那些具有编程背景的初级数据科学家（以前可能是数据工程师）才有机会参与到这些工作流程的改进中。这表明编程背景在数据科学家的职业发展中起着关键作用。

其次，即使数据科学家有意愿和能力构建新的工作流程，也需要与客户进行协商。目前，客户更倾向于传统的软件工作流程，因为它们方便且熟悉。这使得数据科学家在推动工作流程转变时面临巨大的困难，需要花费大量的时间和精力来说服客户接受新的方式。

以下是数据科学家面临挑战的列表：
1. 编程专业知识要求 ：构建工作流程需要编程背景，限制了参与人员的范围。
2. 客户协商困难 ：客户偏好传统软件工作流程，增加了推动新工作流程的难度。
3. 资源和时间限制 ：构建新工作流程需要投入大量的资源和时间，可能受到实验室资源和项目进度的限制。

mermaid 流程图展示数据科学家构建工作流程的过程及挑战：

graph LR
    A[数据科学家构建工作流程] --> B[编程专业知识需求]
    A --> C[客户协商]
    B --> D[限制参与人员范围]
    C --> E[推动困难]
    A --> F[资源和时间限制]
    F --> G[影响工作进度]

这个流程图清晰地展示了数据科学家在构建以数据为中心的人工智能兼容工作流程时所面临的各个挑战以及它们之间的关系。

7. 总结与启示

通过对印度人工智能研究实验室中结构、能动性和分层现实的分析，我们可以得出以下总结和启示。

结构与能动性的分离对于理解工作现象至关重要。清晰地区分结构和能动性，能够帮助我们更好地理解不同背景的个体如何与组织结构相互作用，以及这种相互作用如何影响个体的职业发展和项目的推进。在实际工作中，我们应该关注组织结构的合理性，避免结构对个体能动性的过度限制，同时鼓励个体积极发挥能动性，尝试改变不适合的结构。

分层现实的概念为我们提供了一种深入理解现象背后机制的方法。在研究和实践中，我们不能仅仅停留在表面的经验现象上，而应该深入挖掘实际和现实领域的结构和机制。对于数据工程师和数据科学家等不同角色，我们应该根据分层现实的特点，为他们提供更合适的职业发展路径和工作环境。

例如，对于数据工程师，应该在项目规划中更好地考虑他们的领域知识，合理分配工作任务，避免让他们陷入不擅长的编程工作中。对于数据科学家，应该提供更多的资源和支持，帮助他们克服构建新工作流程时面临的挑战，推动人工智能项目向更理想的方向发展。

以下是总结与启示的表格：
|总结方面|具体内容|
| ---- | ---- |
|结构与能动性分离|区分结构和能动性，理解个体与组织的相互作用，避免结构过度限制个体能动性|
|分层现实概念|深入挖掘实际和现实领域的机制，为不同角色提供合适的职业发展路径和工作环境|
|对数据工程师的启示|合理分配工作任务，发挥其领域知识优势|
|对数据科学家的启示|提供资源和支持，帮助克服构建新工作流程的挑战|

通过以上的分析和总结，我们可以更好地理解印度人工智能研究实验室中的工作现象，并为相关领域的发展提供有价值的参考。在未来的研究和实践中，我们可以进一步探索如何优化组织结构和工作流程，以促进人工智能领域的健康发展。