人工智能和工作的未来

清新de花

人工智能和工作的未来

• 原文地址（original source）：https://medium.com/the-wtf-economy/artificial-intelligence-and-the-future-of-work-a0eaabea7c41
• 作者（author）：Lukas Biewald
• 译者：腊八粥
  

      技术淘汰了某些种类的工作，并创造了其它种类的工作——从石器时代就是如此。在过去，机器取代了需要体力劳动的人们，我们越来越多地看到传统上的白领工作被机器扩充着：财务分析师、网络营销和财务报告人，类似的还有很多。当然，这些进步也催生了新的工作。比如，我们今天熟知的电子计算机，取代了人们执行真正的计算，但是在这个过程中，产生了各种新工作。
      人工智能（AI）好像也是用这种方式运转着，为人工智能研究人员创造了岗位，并逐步取代了所有其它种类的知识型工作。或许一个世纪以后，通往那里的道路和人们所想象的方式大相径庭。我们能够看到，根据 AI 设计模式，我们会去往何方，Google、Facebook 和其它公司在人工智能投入了大量资金。在最普通的设计模式里，AI 实际上能够增加目前正在自动化的这种工作的需求。
设计模式1：训练数据

      目前应用在业务里的、最普通的人工智能被称作监督式机器学习注1。「监督式」部分比较重要：这代表算法要根据训练数据学习。算法仍然无法使用与人类接近的效率学习任何东西，但是它们能够处理更多的数据。
训练数据的数量和质量，是确保机器学习算法良好运转的、最重要因素，优秀公司会非常谨慎地对待收集训练数据的过程。很多人还不清楚，Google 已经投入了好几千万人-时，收集和为数据打标签，并提供给机器学习算法。
收集训练数据的过程永无止境。每当 Twitter 发明了一个新词语或表情符号，机器学习将无法理解，直到看到了很多使用它们的例子。每一次，一家公司想扩张到一种新语言、甚至有着轻微不同的新市场，它们就需要收集一套新的训练数据，否则它们的机器学习算法将运转在不可靠的环境里。
      随着机器学习更好地理解，高质量的算法成了你能买到的东西时，训练数据的收集，对于上线一种新的机器学习算法而言，成了劳动密集部分。
设计模式2：回路中的人（Human-in-the-loop）

      当然，有些问题（比如电子表格算术）对于电脑而言，相当简单；而另一些问题（比如用两条腿走路）却难得无以复加。对于机器学习同样如此。在机器学习运行的每个领域里，总有一些情况是算法可以搞定的，也总有一些情况能够让算法抓狂。这就是机器学习算法常说的，为什么达到 80% 的精确度很轻松，而要达到 99% 的精确度却真的、真的很难了。
      幸运的是，优秀的机器学习算法能够区分出他们擅长的和不擅长的情况。机器模型没有自尊心，因此当它们信心降低时，乐于告诉你。这也是「回路中的人」设计模式变得流行的原因：对于机器不能肯定做出的过程和决定，由人类来完成。
这么多年来，人们一直梦想着用有机器人个人助理，像 Facebook M 和 Clara Labs 之类的产品正在让其成为现实。但是它们不会自动化每件事情。它们用算法来处理意图清晰的、邮件和日程方面的问题，把更复杂的消息和请求传递给人类。
这种设计模式已经远远超出了人们的期望。无人驾驶汽车不会立即取代人类司机；它们在某些特定条件（比如侧方停车）接管汽车，当路况复杂（比如有建筑物的繁忙街道）时，再把控制权交还给司机。ATM 不会自动读取你要储蓄的每一张支票，仅在字体清晰时才会读取。在这两种情况下，机器处理很大比例的工作，但是当它们不敢确定能否处理好时，人类介入才是必需的。
      机器学习不是每次只取代一个工作职能，实际上，它会取代每一项工作职能。这让人们能够越来越有效地工作。在某些情况下，这会导致更少的工作岗位，但是在其它情况下，会创造出新市场，并为相同种类的工作创造出更多工作岗位。现在，如果个人助理每次能处理 20 个客户，那么，个人助理会变得更加便宜，随着更多的人使用，或许效率会超过 100 倍。
设计模式3：主动式学习

      主动式学习包含了前两种模式。由「回路中的人」收集的训练数据可以反过来再提供给算法，使其变得更完美。算法像人那样学习——新奇、复杂的情况，有助于它们更快地学习。因此，算法不能处理的例子，由人类打上标签，就变成了帮助算法改进的极好例子。
      当我们这样工作时，在未来，我们或许同时也在教同样的系统，慢慢取代我们。另一方面，我们可以看到，它会越来越多地影响到我们的工作。这完全取决于你怎么看待了。

      它的到来，比你所认为的要更早、更快。

      受人工智能的影响，大部分知识型工作已经被省去了，因为从历史角度看，建立一套机器学习算法的先期成本过高。和软件不一样，每一个机器学习模型不得不针对每一种单个应用程序做个性化开发。因此，机器学习自动化的、仅有的业务应用程序，将非常有利可图，或节约成本，比如预测能量使用或命中广告。
      但是一切都在变。两种趋势一直在快速地降低机器学习的成本。一方面，计算能力正变得更便宜，一直都这样。另一方面，机器学习算法正在产品化。单在 2015 年，阿里巴巴、微软、亚马逊和 IBM 都上线了多用途云机器学习平台。公司不再需要类似 Google 的研发预算就能在内部使用机器学习了。
      这意味着，很多更小规模的业务功能，将感受到机器学习的效应。当开发一套算法的成本高达一百万美元时，只有大公司才能把机器学习应用于分类工单、组织销售数据库、或处理款项。但是，当成本只有 20 美元/每月时，每个人都会使用它。所有这些机器学习平台在去年上线，却恍如隔日。

---

注释

• 监督式学习（英语：Supervised learning），是一个机器学习中的方法，可以由训练资料中学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。https://zh.wikipedia.org/wiki/%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92