導語(yǔ)：從機器人和人工智能出現，人們對于飯碗的安全性就存在著(zhù)很大的擔憂(yōu)，機器人和人工智能搶工作的話(huà)題也長(cháng)時(shí)間占據熱搜榜，但是，卻最終也沒(méi)得出準確的結論，到底哪些工作會(huì )被搶走。不過(guò)，從今天

從機器人和人工智能出現，人們對于飯碗的安全性就存在著(zhù)很大的擔憂(yōu)，機器人和人工智能搶工作的話(huà)題也長(cháng)時(shí)間占據熱搜榜，但是，卻最終也沒(méi)得出準確的結論，到底哪些工作會(huì )被搶走。不過(guò)，從今天開(kāi)始，對于A(yíng)I會(huì )取代哪些人類(lèi)工作的猜測，也許可以暫時(shí)停一停了。

最近，兩位來(lái)自MIT和CMU的研究者在一篇論文中提出了一種預測那些“脆弱“工作的方式。他們認為，機器學(xué)習并不代表人類(lèi)工作的終結，但它會(huì )對經(jīng)濟和人類(lèi)工作的方式產(chǎn)生極大影響。

根據自己對于機器學(xué)習系統當下和未來(lái)能力的理解，這兩位研究者列出了8條主要標準，來(lái)評估一項任務(wù)是否適合機器學(xué)習。他們的文章發(fā)表在周四的《科學(xué)》上。

文章的共同作者之一、MIT斯隆管理學(xué)院教授Brynjolfsson在接受CNBC采訪(fǎng)時(shí)說(shuō)，高管們可以用這些標準來(lái)對自己機構內的任何一項工作進(jìn)行評估，而政策的制定者們同樣可以根據這些問(wèn)題來(lái)判斷哪些職業(yè)最容易受到自動(dòng)化影響。CMU計算機科學(xué)教授Tom Mitchell是另一位作者。

“整個(gè)工作都適合或不適合機器學(xué)習的情況非常少見(jiàn)，但在某種工作之中，或許有幾項任務(wù)是適合的?！?Brynjolfsson說(shuō)。論文的主要前提之一就是，我們離所謂“通用人工智能”還差得很遠，機器不能把人類(lèi)能干的所有事都辦了。

Brynjolfsson還說(shuō)，老板們將要面臨的挑戰是，如何將那些工作“解綁”，依據是否能被自動(dòng)化將它們進(jìn)行歸類(lèi)，然后“重新綁定”成全新的工作。

這些問(wèn)題中列出的條件，包括“不需要復雜、抽象推理的任務(wù)”、“不需要與人類(lèi)進(jìn)行細致、廣泛對話(huà)式交互的任務(wù)”、“為了完成任務(wù)不需要長(cháng)期計劃”等等。使用者根據這些條件來(lái)判斷符合或不符合的程度，最后加在一起算總分。

那么，究竟哪些任務(wù)最適合由機器完成？主要看這些因素：

標記了界定明確的輸入和輸出，能學(xué)習函數將其對應起來(lái)的任務(wù)

這些任務(wù)包括分類(lèi)（比如標記狗的品種或根據可能的癌癥種類(lèi)標記醫療記錄）和預測（分析一份貸款申請來(lái)預測未來(lái)的違約可能性）。不過(guò)機器在這里學(xué)會(huì )的只是一種統計學(xué)關(guān)聯(lián)，而未必是因果關(guān)系。

存在大型數據集，或可以創(chuàng )建包含輸入-輸出對的大型數據集的任務(wù)

可獲取的訓練樣本越多，學(xué)習結果就越精確。DNN有一個(gè)值得注意的特性，在很多領(lǐng)域里，它的性能并不會(huì )隨著(zhù)訓練樣本數量的增加而逼近完美。能在訓練數據中抓出所有相關(guān)的輸入特征尤為重要。雖然原則上任何任意函數都能用DNN來(lái)表示，但電腦應付不好兩樣東西：一是訓練數據中模擬的、持續的多余偏見(jiàn)，二是會(huì )忽略包含了機器觀(guān)測不到變量的規律。不過(guò)，還有不少創(chuàng )造數據的方法，比如監測已有過(guò)程和交互行為、雇傭人類(lèi)來(lái)對部分數據進(jìn)行明確標注或是創(chuàng )建一個(gè)完整的全新數據集，或是模擬問(wèn)題相關(guān)的場(chǎng)景。

有著(zhù)明確的目標和度量標準、提供清晰反饋的任務(wù)

當我們可以明確地描述目標時(shí)——即便我們未必能確定達成目標的最佳過(guò)程——機器學(xué)習能做得非常不錯。這與早期達成自動(dòng)化的途徑形成了鮮明對比。抓取個(gè)人輸入－輸出決策的能力（即便模仿這些個(gè)人的學(xué)習過(guò)程被允許）可能不會(huì )導致最佳的全系統表現，因為人類(lèi)本身就會(huì )做出不完美的決策。因而，有明確界定的全系統表現（比如優(yōu)化全城范圍內而不是某個(gè)交叉路口的交通流量）度量標準就為機器學(xué)習系統提供了黃金準則。當訓練數據是根據這種黃金準則來(lái)進(jìn)行標注并以此確定目標時(shí)，機器學(xué)習的威力特別大。

不需要依靠廣泛背景知識或常識的長(cháng)邏輯鏈或推理過(guò)程的任務(wù)

在學(xué)習數據中的經(jīng)驗性聯(lián)系時(shí)，機器學(xué)習系統非常強大；但當任務(wù)需要依賴(lài)于常識或背景知識的長(cháng)推理鏈條或復雜計劃時(shí)，它就變得不那么好使。吳恩達的“一秒鐘原則”表明，機器學(xué)習在需要快速反應和提供即時(shí)反饋的電子游戲上做得非常好，但在需要依靠對于世界的背景知識、以及對于久遠事件的記憶來(lái)做出最優(yōu)選擇的游戲上就做得沒(méi)那么好。

此類(lèi)事件的例外是圍棋和國際象棋，因為這些智力性游戲可以以完美的準確度快速模擬，數百萬(wàn)完美自標注的訓練樣本可以被自動(dòng)采集。然而，在真實(shí)世界的大多數領(lǐng)域，完美的模擬太少了。

不需要對于決策過(guò)程進(jìn)行細致解釋的任務(wù)

數億數值權重與它們的人工神經(jīng)元相連，大型神經(jīng)網(wǎng)絡(luò )根據它們進(jìn)行細微調整來(lái)學(xué)習決策。要對人類(lèi)解釋這種決策的原因會(huì )十分困難，因為DNN通常不會(huì )像人類(lèi)一樣使用中間抽象過(guò)程。雖然對于可自主解釋AI系統的研究工作正在進(jìn)行中，但現在這一領(lǐng)域的系統在這方面做得依然比較差。

舉個(gè)例子，雖然計算機在診斷癌癥或肺炎種類(lèi)上可以比人類(lèi)專(zhuān)家做得更好，與人類(lèi)醫生相比，它們解釋得出診斷結果原因的能力要差得多。而對于很多可感知的任務(wù)，人類(lèi)則并不善于解釋?zhuān)热?，他們如何從?tīng)到的聲音中識別出詞語(yǔ)。

能夠容忍錯誤、不需要可證實(shí)的正確度或最優(yōu)解決方案的任務(wù)

幾乎所有的機器學(xué)習算法都是從統計學(xué)和概率上得出解決方案的。因而，要把它們訓練到百分之百的準確度幾乎不可能。即使是最好的語(yǔ)音識別、物體識別和疾病診斷系統也會(huì )犯錯誤。對于錯誤的容忍度是一條非常重要的標準。

不會(huì )隨時(shí)間迅速變化的任務(wù)

一般而言，機器學(xué)習算法只會(huì )在未來(lái)的測試樣本分布于訓練樣本分布近似時(shí)才會(huì )干得漂亮。如果這些分布發(fā)生變化，再訓練就不可避免，因而，相對于新訓練數據的獲取率，最終的成功更依賴(lài)于變化率（比如，垃圾郵件過(guò)濾器在過(guò)濾商業(yè)垃圾郵件上做得很好，部分是因為收到新郵件的比率要高于垃圾郵件變化的比率）。

不需要專(zhuān)業(yè)的靈巧、運動(dòng)技能或機動(dòng)性的任務(wù)

與人類(lèi)相比，在非結構化環(huán)境和任務(wù)中處理體力操作上，機器人仍然十分笨拙。這其實(shí)大部分不是機器學(xué)習的問(wèn)題，而是最新機器人機械化控制器的成果。

在機器學(xué)習將會(huì )如何影響勞動(dòng)和工資方面，這篇論文同樣考慮了其中經(jīng)濟因素的潛在影響。比如，在一些案例中，計算機將會(huì )取代人類(lèi)。

在一些任務(wù)上，自動(dòng)化的價(jià)格可能會(huì )降低，這可能會(huì )影響需求、雇傭和總投入。

作者指出機器學(xué)習的影響可能會(huì )超過(guò)一些之前已經(jīng)被廣泛應用的發(fā)明，比如電力和內燃機。這些進(jìn)步提高了總生產(chǎn)力，解放了互補性創(chuàng )新的浪潮。

“進(jìn)行了正確互補性投入（如技能、資源和基礎設施）的個(gè)人、商業(yè)和社會(huì )最終將會(huì )繁榮起來(lái)?！弊髡邔?xiě)道，“而其他人不只失去了分一杯羹的機會(huì )，在某些情況下，他們還會(huì )過(guò)得越來(lái)越糟?！?/p>

摘自 機器人網(wǎng)