人工智能和工作的未來
英文原文：Artificial Intelligence and the Future of Work
作者（author）：Lukas Biewald
技術淘汰了某些種類的工作，并創造了其它種類的工作——從石器時代就是如此。在過去，機器取代了需要體力勞動的人們，我們越來越多地看到傳統上 的白領工作被機器擴充著：財務分析師、網絡營銷和財務報告人，類似的還有很多。當然，這些進步也催生了新的工作。比如，我們今天熟知的電子計算機，取代了 人們執行真正的計算，但是在這個過程中，產生了各種新工作。
人工智能（AI）好像也是用這種方式運轉著，為人工智能研究人員創造了崗位，并逐步取代了所有其它種類的知識型工作。或許一個世紀以后，通往那 里的道路和人們所想象的方式大相徑庭。我們能夠看到，根據 AI 設計模式，我們會去往何方，Google、非死book 和其它公司在人工智能投入了大量資金。在最普通的設計模式里，AI 實際上能夠增加目前正在自動化的這種工作的需求。
設計模式1：訓練數據
目前應用在業務里的、最普通的人工智能被稱作監督式機器學習https://zh.wikipedia.org/wiki/%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92 '" kesrc="http://www.labazhou.net/2015/11/artificial-intelligence-and-the-future-of-work/#easy-footnote-bottom-1">注1。「監督式」部分比較重要：這代表算法要根據訓練數據學習。算法仍然無法使用與人類接近的效率學習任何東西，但是它們能夠處理更多的數據。
訓練數據的數量和質量，是確保機器學習算法良好運轉的、最重要因素，優秀公司會非常謹慎地對待收集訓練數據的過程。很多人還不清楚，Google 已經投入了好幾千萬人-時，收集和為數據打標簽，并提供給機器學習算法。
收集訓練數據的過程永無止境。每當 推ter 發明了一個新詞語或表情符號，機器學習將無法理解，直到看到了很多使用它們的例子。每一次，一家公司想擴張到一種新語言、甚至有著輕微不同的新市場，它們 就需要收集一套新的訓練數據，否則它們的機器學習算法將運轉在不可靠的環境里。
隨著機器學習更好地理解，高質量的算法成了你能買到的東西時，訓練數據的收集，對于上線一種新的機器學習算法而言，成了勞動密集部分。
設計模式2：回路中的人（Human-in-the-loop）
當然，有些問題（比如電子表格算術）對于電腦而言，相當簡單；而另一些問題（比如用兩條腿走路）卻難得無以復加。對于機器學習同樣如此。在機器 學習運行的每個領域里，總有一些情況是算法可以搞定的，也總有一些情況能夠讓算法抓狂。這就是機器學習算法常說的，為什么達到 80% 的精確度很輕松，而要達到 99% 的精確度卻真的、真的很難了。
幸運的是，優秀的機器學習算法能夠區分出他們擅長的和不擅長的情況。機器模型沒有自尊心，因此當它們信心降低時，樂于告訴你。這也是「回路中的人」設計模式變得流行的原因：對于機器不能肯定做出的過程和決定，由人類來完成。
這么多年來，人們一直夢想著用有機器人個人助理，像 非死book M 和 Clara Labs 之類的產品正在讓其成為現實。但是它們不會自動化每件事情。它們用算法來處理意圖清晰的、郵件和日程方面的問題，把更復雜的消息和請求傳遞給人類。
這種設計模式已經遠遠超出了人們的期望。無人駕駛汽車不會立即取代人類司機；它們在某些特定條件（比如側方停車）接管汽車，當路況復雜（比如有 建筑物的繁忙街道）時，再把控制權交還給司機。ATM 不會自動讀取你要儲蓄的每一張支票，僅在字體清晰時才會讀取。在這兩種情況下，機器處理很大比例的工作，但是當它們不敢確定能否處理好時，人類介入才是必 需的。
機器學習不是每次只取代一個工作職能，實際上，它會取代每一項工作職能。這讓人們能夠越來越有效地工作。在某些情況下，這會導致更少的工作崗 位，但是在其它情況下，會創造出新市場，并為相同種類的工作創造出更多工作崗位。現在，如果個人助理每次能處理 20 個客戶，那么，個人助理會變得更加便宜，隨著更多的人使用，或許效率會超過 100 倍。
設計模式3：主動式學習
主動式學習包含了前兩種模式。由「回路中的人」收集的訓練數據可以反過來再提供給算法，使其變得更完美。算法像人那樣學習——新奇、復雜的情況，有助于它們更快地學習。因此，算法不能處理的例子，由人類打上標簽，就變成了幫助算法改進的極好例子。
當我們這樣工作時，在未來，我們或許同時也在教同樣的系統，慢慢取代我們。另一方面，我們可以看到，它會越來越多地影響到我們的工作。這完全取決于你怎么看待了。
它的到來，比你所認為的要更早、更快。
受人工智能的影響，大部分知識型工作已經被省去了，因為從歷史角度看，建立一套機器學習算法的先期成本過高。和軟件不一樣，每一個機器學習模型 不得不針對每一種單個應用程序做個性化開發。因此，機器學習自動化的、僅有的業務應用程序，將非常有利可圖，或節約成本，比如預測能量使用或命中廣告。
但是一切都在變。兩種趨勢一直在快速地降低機器學習的成本。一方面，計算能力正變得更便宜，一直都這樣。另一方面，機器學習算法正在產品化。單 在 2015 年，阿里巴巴、微軟、亞馬遜和 IBM 都上線了多用途云機器學習平臺。公司不再需要類似 Google 的研發預算就能在內部使用機器學習了。
這意味著，很多更小規模的業務功能，將感受到機器學習的效應。當開發一套算法的成本高達一百萬美元時，只有大公司才能把機器學習應用于分類工 單、組織銷售數據庫、或處理款項。但是，當成本只有 20 美元/每月時，每個人都會使用它。所有這些機器學習平臺在去年上線，卻恍如隔日。
譯文： 《人工智能和工作的未來 》 臘八粥
注釋
- 監督式學習（英語：Supervised learning），是一個機器學習中的方法，可以由訓練資料中學到或建立一個模式（函數 / learning model），并依此模式推測新的實例。https://zh.wikipedia.org/wiki/%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92