這可能是迄今為止關于人工智能最難讀也最全面的文章

這可能是迄今為止關于人工智能最難讀也最全面的文章2016-07-13分享人：張穎以AlphaGo戰(zhàn)勝李世乭為節(jié)點，人工智能又一次闖入人們的視野中，甚至于有人將2016年視為“人工智能元年”（當然這可能是第N次某個特定的年份被冠以元年這樣的稱號）。1927年的《大都會》或許塑造了影史上最早的人工智能機器人形象——人造瑪利亞；1956年，人工智能被確立為一門學科。從最初，人們就始終在關注兩個問題：計算機怎樣接近智能？接近到什么程度？技術阻礙發(fā)展，發(fā)展突破阻礙，如此無限循環(huán)……是人工智能發(fā)展史的最好寫照。伴隨著科學家無比熱情的同時，是各種“人類式”的擔心。AI來自何處，去向何方，“人類終將毀于自己創(chuàng)造的智能之手”這一命題是否成立？“你執(zhí)著于耳聽為虛，眼見為實，大凡這種人都有大徹大悟的期待，聊可安慰的是，如此就已經離真理不遠了”——今天分享的文章很系統(tǒng)詳細地針對人工智能做了梳理，以下，Enjoy：來源/經濟學人編譯/創(chuàng)業(yè)投資筆記(ID:starterzoo_com)題圖/《機械姬》劇照1.「機器問題」重現(xiàn)從最初的屢屢失敗，到現(xiàn)在的朝氣蓬勃，人工智能會導致大面積失業(yè)甚至讓人類滅絕嗎？或許歷史會給我們一些有用的線索。有些人害怕機器會搶走所有人的工作，而只是有選擇地讓少數(shù)人受益，并最終徹底顛覆社會。然而在歷史上，類似的一幕曾出現(xiàn)過。兩個世紀前，工業(yè)化的浪潮席卷英國，與今天同樣的擔憂曾引發(fā)了激烈的爭論。那個時候，人們不說「工業(yè)革命」而大談「機器問題（machineryquestion）」。1821年，經濟學家DavidRicardo第一個表達了這種看法，他重點關注「機器對于不同社會階層的利益的影響」，特別是「勞動階級懷有的意見，他們認為使用機器通常會不利于他們的利益」。1839年，ThomasCarlyle（蘇格蘭哲學家，被看作是那個時代最重要的社會評論員）對所謂「機械惡魔（demonofmechanism）」予以了抨擊，他寫道，「機械惡魔」破壞性的能力將會擾亂整個工人團體?，F(xiàn)在，這個「機器問題」卷土重來，雖然它偽裝成了另外一副樣子——人工智能（AI）技術正突飛猛進，機器得以執(zhí)行曾經只有人才能勝任的各種任務?？茖W家，經濟學家和哲學家正在熱議人工智能技術的潛在影響。這種影響可能是非常深刻的。因為人工智能技術，之前看起來不可能自動化的工作——從放射科到法律工作——現(xiàn)在也同樣面臨著危機。2013年，牛津大學的CarlBenediktFrey和MichaelOsborne進行了一次調查研究，其結果后來被人們廣泛引用，該研究發(fā)現(xiàn)美國有47%的工作有很高的可能性會在不久后被「計算機資本取代」。更近的一個報告是：美國美林銀行預測，2025年以前，人工智能的「每年產生的創(chuàng)造性破壞的影響」可能會達到14到33萬億美元，其中包括因人工智能實現(xiàn)了知識工作自動化，導致雇傭成本減少的9萬億美元，制造業(yè)和醫(yī)療護理開銷減少的8萬億美元，以及部署無人駕駛汽車和無人機后因效率提升增加的兩萬億美元。智囊機構麥肯錫全球研究院（McKinseyGlobalInstitute）說，人工智能正在促進社會發(fā)生轉變，這種轉變比工業(yè)革命「發(fā)生的速度快10倍，規(guī)模大300倍，影響幾乎大3000倍」。跟兩個世紀前的人們一樣，很多人擔心機器會讓幾百萬人下崗，引發(fā)不平等問題和社會動亂。MartinFord曾寫過兩本關于自動化威脅的暢銷書，他擔心中產階級的工作將會消失，經濟流動性將（即個人，家庭或團體提高經濟水平的難易程度）停止，財閥們會「將自己關在封閉式小區(qū)或精英城市里，還可能有自動化軍事機器人和無人機在旁保護?！惯€有人則擔心，人工智能會威脅人類的生存，因為超級智能計算機可能不會認同人類的目標，轉而攻擊創(chuàng)造它們的人類。很多人表達過這類擔憂，比如物理學家史蒂芬·霍金。更讓人驚訝的是，伊隆·馬斯克，火箭公司SpaceX和電動汽車制造商Tesla的創(chuàng)始人，也有同樣的想法。與Carlyle相似,馬斯克警告人類：「我們正在用人工智能召喚惡魔?！顾奶厮估嚳梢岳米钚碌娜斯ぶ悄芗夹g實現(xiàn)自動行駛，但馬斯克卻擔心未來的人工智能霸主可能會太過強大，失去人類的控制。他說：「馬可·奧勒留（羅馬帝國賢君）當國王挺好的，但如果國王是卡利古拉（羅馬帝國早期的典型暴君）情況就不太樂觀了?！褂腥丝吹斤L險，有人洞見機遇。投資者正在不斷涌入這個領域，科技巨頭們則在不斷收購人工智能創(chuàng)業(yè)公司，并爭先吸引學術界最優(yōu)秀的研究人才。根據(jù)數(shù)據(jù)分析公司Quid的研究數(shù)據(jù)，在2015年，人工智能企業(yè)的成本創(chuàng)下85億美元的記錄，幾乎為2010年的四倍。投資公司PlayfairCapital的NathanBenaich說，2015年人工智能企業(yè)的投資輪數(shù)比上一年多16%，而與此同時科技產業(yè)整體投資輪數(shù)減少了3%。PlayfairCapital是一家基金管理機構，該公司在人工智能的投資組合達到25%?！竂X＋人工智能」取代了「XX行業(yè)的Uber」，成為創(chuàng)業(yè)公司默認的商業(yè)模式。谷歌，F(xiàn)acebook，IBM，亞馬遜和微軟都想方設法在云端建立人工智能服務的生態(tài)系統(tǒng)。「這項技術將會用在各行各業(yè)中，只要這個行業(yè)有任意種類的數(shù)據(jù)，圖像，語言等數(shù)據(jù)類型都可以。」MetaMind的創(chuàng)始人RichardSocher說，「人工智能將遍地開花。」MetaMind是一家人工智能創(chuàng)業(yè)公司，最近被云計算巨頭Salesforce收購。這意味什么？本篇特別報道將會審視這項新科技的崛起，探索它對工作，教育，政策的潛在影響，思考它在道德和監(jiān)管方面的作用。同時，本文還思考了能從機器問題最初的答案中學到的東西。AI引發(fā)的擔憂和熱情不相上下，同時帶來了很多問題，然而值得記住的是，其中的很多問題我們在以前都曾問過，并已經有了答案。2.技術：從無法工作到神經網絡人工智能的繁榮基于傳統(tǒng)與現(xiàn)代想法的結合。人工智能如何從剛開始的傲慢與失望，突然成為科技界最熱門的領域呢？人工智能（artificialintelligence）這個術語最早被寫在1956年的一份研究計劃中，該計劃聲稱「如果一個精心挑選的科學家小組花一個夏天一起研究，就能使機器解決各種人類無法解決的問題……」，從而實現(xiàn)重大的進步。那被證明只是瘋狂過度地樂觀，人工智能雖然偶有突破，但其承諾的遠比其所能提供的多得多。最終，大多研究者都避免使用這個術語，而更喜歡用「專家系統(tǒng)」或「神經網絡」。現(xiàn)在「人工智能」的名譽恢復和重新興起要追溯到2012年被稱為ImageNet挑戰(zhàn)賽的在線競賽。ImageNet是一個擁有數(shù)百萬張圖片的在線數(shù)據(jù)庫，所有圖片都有人工做的標簽。對于任何給定詞，例如「氣球」或「草莓」，ImageNet里都能找到上百張對應的圖片。每年的ImageNet競賽鼓勵該領域的人在計算機識別和自動標記圖片上進行比賽，并衡量他們的進展。這些系統(tǒng)首先使用被正確標記的圖片集進行訓練，然后挑戰(zhàn)標記之前沒見過的測試圖片。在后續(xù)的研討會上，優(yōu)勝者會分享并討論他們的技術。2010年獲勝的系統(tǒng)可以正確標記72%的圖片（人類平均有95%的準確率）。2012年，多倫多大學的GeoffHinton帶領的團隊實現(xiàn)了85%的準確率，這要歸功于一項叫「深度學習」的新技術。這帶來了一種長遠快速的改進，在2015年的ImageNet競賽上，一個深度學習系統(tǒng)以96%的準確率第一次超過了人類。2012年的成果被認為是一項突破，但YoshuaBengio說，他們依靠的是「結合以前已經有了的東西。」YoshuaBengio是蒙特利爾大學的計算機科學家，他與Hinto以及另外幾個人被稱為深度學習的先驅。大體上，這項技術使用了大量的計算和訓練數(shù)據(jù)，對來自人工智能發(fā)展初期的一個舊思路進行改進，這個舊思路也就是人工神經網絡（ANN）——這是生物學啟發(fā)的人工神經元（腦細胞）網絡。在生物大腦中，每個神經元都能被其它神經元觸發(fā)，將輸出的信號饋送給另一個神經元，而且此神經元的輸出也能繼續(xù)觸發(fā)其它神經元。一個簡單的ANN網絡有一個輸入神經元層，在這里數(shù)據(jù)被饋送進網絡中；還有一個輸出層輸出結果，中間可能還會有三兩個隱藏層對信息進行處理。（實際中，ANN網絡全部在軟件中模擬。）網絡中的每一個神經元都有一系列的「權重」和一個「激活函數(shù)」控制著輸出的信號發(fā)射。訓練一個神經網絡涉及到對神經元權重的調整，以便一個給定的輸入產生期望的輸出。ANN在20世紀90年代早些時候就已經實現(xiàn)了一些有用的結果，例如識別手寫數(shù)字。但在完成更為復雜的任務上，ANN陷入了困境。在過去的十幾年中，新技術的出現(xiàn)和對激活函數(shù)的一種簡單調整使得訓練深度網絡變得可行。同時，互聯(lián)網的興起產生了數(shù)十億可用于目標訓練的文檔、圖片、視頻數(shù)據(jù)。這所有的一切都需要大量的數(shù)字操作能力，而2009年左右當幾個人工智能研究團體意識到個人計算機和視頻游戲機上用于生成精致畫面的GPU也同樣適用于運行深度學習算法之后，計算能力也不再是個問題了。斯坦福大學由吳恩達帶領的一個人工智能團隊發(fā)現(xiàn)GPU能夠幾百倍地加速深度學習系統(tǒng)。然后，訓練一個四層的神經網絡突然就變得很快了，由之前需要花費幾周的時間變成了不到一天時間。GPU生產商NVIDIA的老總黃仁勛說這是一個令人高興的對稱：GPU這一游戲工作者用于為游戲玩家構建幻想世界的芯片也能用于幫助計算機通過深度學習理解真實世界。ImageNet的結果顯示了深度學習的能力。突然間，深度學習就獲得了關注——不只是在人工智能界，而是在整個科技產業(yè)界內！深度學習系統(tǒng)因此變得更加的強大：20或30層的網絡變得很常見，微軟的研究人員曾建立過152層的網絡。更深層的網絡能進行更高水平的抽象并產生更好的結果，事實證明這些網絡擅長解決眾多領域的難題。「讓人們激動的是這一領域的一種學習方法：深度學習，能夠應用于眾多不同的領域，」谷歌機器智能研究部門負責人、如今負責搜索引擎的JohnGiannandrea表示，谷歌正在使用深度學習提升其網頁搜索結果的質量、理解智能手機端的口語指令、幫助人們在他們的照片中搜索特定的圖片、推薦電子郵件的自動回復、改善網頁的翻譯服務，并且?guī)椭鼈兊淖詣玉{駛汽車理解周圍環(huán)境。學習如何學習深度學習有很多不同的方式。最普遍使用的是「監(jiān)督學習（supervisedlearning）」，這項技術能使用標記樣本集訓練系統(tǒng)。例如，過濾垃圾郵件：收集出郵件信息樣本的大數(shù)據(jù)集，每一個都標上「垃圾郵件」或者「非垃圾郵件」。一個深度學習系統(tǒng)能夠使用這些數(shù)據(jù)集進行訓練，重復的進行樣本訓練進而調整神經網絡內的權重，提高評定垃圾郵件的準確率。這一方法的巨大優(yōu)點是不需要人類專家寫出規(guī)則列表，也不需要程序員用代碼編寫這些規(guī)則，系統(tǒng)能直接從有標簽的數(shù)據(jù)中進行學習。使用有標簽數(shù)據(jù)訓練系統(tǒng)也被用于圖片分類、語音識別、信用卡交易欺詐偵測、垃圾和惡意軟件識別以及廣告定位，所有這些應用領域中的正確答案都可通過之前的大量案例獲得。Facebook能在你上傳一張照片后識別、標記照片里你的朋友和家人，它們近期還發(fā)布了一個能夠為盲人描述照片中的內容（比如兩個人、微笑、太陽眼鏡、戶外、水等）的系統(tǒng)。有大量的數(shù)據(jù)可用于監(jiān)督學習，吳恩達先生說，這一科技的應用已經使現(xiàn)在的金融服務領域、計算安全領域和銷售領域的公司將自己重新標記為了人工智能公司。另一項技術是無監(jiān)督學習（unsupervisedlearning），其通過將網絡暴露在大量樣本中來對網絡進行訓練，但不會告訴它要尋求什么模式。相反，該網絡學習識別相似樣本的特征和聚類，從而揭示數(shù)據(jù)中的隱藏分組、連接和模式。無監(jiān)督學習能在你不知道會是什么樣的情況下被用于事物搜索：例如，監(jiān)控網絡中反常的通信模式，那可能代表著網絡攻擊；或檢查大量的保險聲明以檢測新類型的詐騙方式。一個經典的案例：2011年當吳恩達在谷歌工作時，他領導的一個名為谷歌大腦（GoogleBrain）項目中的一個大型的無監(jiān)督學習系統(tǒng)本是用于在千部無標記YouTube視頻中發(fā)現(xiàn)共同模式。一天，吳恩達的一個博士生給了他一個驚喜。吳恩達回憶說「我記得他把我叫道他的電腦前說，『看這個』」，電腦屏幕上是一個毛茸茸的面孔，從數(shù)千的樣本中發(fā)現(xiàn)的模式。系統(tǒng)發(fā)現(xiàn)了貓。強化學習位于監(jiān)督學習和無監(jiān)督學習之間，它涉及到訓練一個神經網絡與只以獎勵作為偶然的反饋的環(huán)境進行交互。本質上，訓練涉及到調整網絡的權重，從而獲得能帶來更高獎勵的搜索策略。DeepMind是這個領域的專家。2015年2月，它們在Nature上發(fā)表的一篇論文描述了一個能夠學習玩49種經典的Atari視頻游戲的強化學習系統(tǒng)，它只使用屏幕上的像素和游戲分數(shù)作為輸入，輸出則連接到一個虛擬的控制器上。這個系統(tǒng)從頭學起玩游戲，最終在其中29種游戲中達到或超過了人類水平。把系統(tǒng)游戲化電子游戲是人工智能研究的理想訓練場，DeepMind的DemisHassabis說，因為「它們是真實世界的縮影，但更純凈和約束化。」游戲引擎也可以輕松生成大量訓練數(shù)據(jù)。Hassabis先生以前從事過電子游戲行業(yè)的工作，后來取得了認知神經學的博士學位并創(chuàng)立了DeepMind。這家公司現(xiàn)位于倫敦國王十字車站附近，相當于谷歌的人工智能研究分部。今年三月，AlphaGo于首爾的五輪比賽中打敗了世界頂尖圍棋選手李世石，作為開發(fā)公司的DeepMind因此登上頭條。AlphaGo是一個有著獨特特性的強化學習系統(tǒng)。它由幾個相互連通的模塊組成，包括兩個深度神經網絡，它們各有所長——像人腦中模塊一樣。其中一個通過大量的棋局分析訓練提出一些可能的走法，另一個網絡則負責根據(jù)隨機采樣技術來評估這些走法。這個系統(tǒng)把生物啟發(fā)的技術與純機器化的技術結合了起來。人工智能研究者們就哪種技術更優(yōu)越這個問題已經爭論了幾十年，而AlphaGo卻另辟蹊徑兩者都用?！高@是一個復合型系統(tǒng)，因為我們認為解決智能問題只有深度學習是不夠的」，Hassabis說。他和其他研究者們已經開始探尋一種叫做遷移學習（transferlearning）的新技術了。這種技術能讓強化學習系統(tǒng)把基礎建立在已習得的知識上，而不用每一次都從頭開始訓練。Hassabis先生解釋道，人類可以毫不費力地做到這一點。Giannandrea先生回憶起他四歲的女兒已經能辨別出penny-farthing（一種前輪大后輪小的腳踏車）就是一種自行車，即使她之前從沒見過這樣的東西?！傅嬎銠C無法做到，」他說。一家最近被Salesforce收購的初創(chuàng)公司MetaMind也在研發(fā)一種相關的技術——多任務學習（multitasklearning），這種系統(tǒng)用同樣的神經網絡架構解決多種不同的問題，在一件事情上獲得的經驗能用來更好地解決其它事情。跟DeepMind類似，它也在探尋模塊化的架構；其中一個被稱為「動態(tài)記憶網絡（dynamicmemorynetwork）」的系統(tǒng)能消化一系列陳述，然后回答相關問題，并且推斷出其中的邏輯聯(lián)系（Kermit是一只青蛙；青蛙是綠色的；所以Kermit是綠色的）。MetaMind還把自然語言網絡和圖像識別網絡融合到一個系統(tǒng)中，它可以回答有關圖像的問題（「這里面的汽車是什么顏色的？」）。這種技術可以用到智能客服聊天機器人中，或者用于Salesforce的客戶呼叫中心。過去，很多有前景的人工智能技術發(fā)展都會逐漸疲軟。但深度學習卻不同?！高@東西真的能起作用，」MetaMind的RichardSocher說。人們每天都會用到它，雖然他們并未意識到。Hassabis、Socher和其他人的長遠目標是開發(fā)出「通用人工智能（AGI)」—一種能完成各種各樣任務的系統(tǒng)，有了它就不必再為每個特定問題都專門開發(fā)出一個系統(tǒng)了。人工智能多年來的研究方向都集中在解決專業(yè)化的特定問題上，Socher先生說，但現(xiàn)在研究人員們「正努力用更先進的樂高積木塊拼出不一樣的東西」。即使他們中最樂觀的人也認為還需至少十年才能做出人類智力水平的AGI。但Hassabis說，「我們認為我們已經知道實現(xiàn)接近AGI的系統(tǒng)所需的幾十種關鍵元素了」。同時人工智能已經在發(fā)揮作用了，而且很快會更有用。例如谷歌的智能回復系統(tǒng)，它通過兩個神經網絡推薦郵件回復，從研究項目到產品上線只用了四個月（雖然剛開始它因為對每條信息建議回復的有「我愛你」而令人失望）?！冈诳蒲衅诳习l(fā)表文章剛一個月，就有某個公司正確使用你的系統(tǒng)了，」Socher說。人工智能公司，不論規(guī)模大小都能都能定期發(fā)表學術文章；人工智能研究者即使在轉行進入公司后也能繼續(xù)在同行評議期刊上發(fā)表研究成果。很多人都是邊為公司工作邊發(fā)表科研文章?！溉绻悴辉试S他們發(fā)表，他們就不會為你工作了，」AndreessenHorowitz的ChrisDixon解釋說。谷歌，F(xiàn)acebook，微軟，IBM，亞馬遜，百度以及其他公司都開源了某些深度學習軟件。部分原因是這些公司中的研究人員想要發(fā)表自己的成果，因為這有利于公司招募更多人才。從更現(xiàn)實的角度來看，這也是因為大型互聯(lián)網公司不在乎把自己的人工智能軟件公之于眾，因為他們真正的優(yōu)勢在于能獲取大量用于訓練的用戶數(shù)據(jù)。一家投資基金公司BloombergBeta的ShivonZilis說，這使得他們能在某些方面占盡優(yōu)勢，但初創(chuàng)公司也在尋求打入市場的獨特途徑。比如無人機初創(chuàng)公司能在人群密集的地方通過模擬數(shù)據(jù)進行飛行訓練。而且很多訓練數(shù)據(jù)都能從網上找到，孵化器公司YCombinator的董事長SamAltman說道。他注意到人類可以用有限的數(shù)據(jù)進行學習，「這意味著大量訓練數(shù)據(jù)并不是實現(xiàn)智能的必要條件」。像Numenta和GeometricIntelligence這樣的初創(chuàng)公司正在探索低數(shù)據(jù)依賴性的新智能系統(tǒng)。在這股人工智能淘金熱中，公司們排著隊為參與者提供鐵鍬。出現(xiàn)最為頻繁的名字是英偉達，Dixon先生說；似乎每一家人工智能創(chuàng)業(yè)公司都在使用它的GPU芯片來訓練神經網絡。GPU能力也可從亞馬遜和微軟的云中租用。與此同時，IBM和谷歌則正為更快更高效地運行人工智能軟件而設計專門的新芯片。谷歌、微軟和IBM也正使其語音識別、句子解析和圖像分析等人工智能服務免費在線提供，讓創(chuàng)業(yè)公司可以結合這些開發(fā)模塊來構建新的人工智能產品和服務。IBM的GuruBanavar說：來自多個行業(yè)的300多家公司已經使用IBM的Watson平臺開發(fā)出了人工智能驅動的應用，其中包括篩選應聘者和挑選葡萄酒。對大多數(shù)人而言，所有這些人工智能領域的進步都將體現(xiàn)為他們每天都在使用的互聯(lián)網服務的不斷進步。搜索引擎將得到更相關的結果；推薦將會更加準確。Hassabis預測說：幾年之內，所有東西都將會嵌入某種程度上的智能。人工智能技術將讓計算機接口變成對話式和有預測力的，而不只是簡單的菜單和按鈕。而且對話式的交互讓不能閱讀書寫和目前不能使用互聯(lián)網的人也能使用計算機，Bengio說。厚積多年，一朝薄發(fā)；機器將能夠執(zhí)行之前只有人類才能完成的任務。自動駕駛汽車正快速變得越來越好，到某個點時它們也許能夠取代出租車司機，至少在市中心等受控環(huán)境中可以做到。送貨無人機，不管是地上跑的還是天上飛的，類似地可以與人類送貨員競爭。改進后的視覺系統(tǒng)和機器人技術讓機器人可以碼放超市貨架和在倉庫中移動物體。而且還給意想不到的突破留下了很多余地，Dixon說。其他人卻很擔心，擔憂人工智能技術會增壓特定任務中現(xiàn)有的計算機化和自動化；就像200年前的蒸汽動力一樣，讓很多工人成了多余。英國詩人RobertSouthey宣稱：「蒸汽可怕地加劇著已經正在進行的過程，但太快了?！顾麚摹高@強大之力的發(fā)現(xiàn)」已經在「我們知道如何正確使用它」之前到來。許多人對今天的人工智能也這么想。3.對工作的影響：自動化與焦慮更加智能的機器會導致大規(guī)模失業(yè)嗎？坐在位于舊金山的一間辦公室里，IgorBarani在屏幕上調出幾張醫(yī)學掃描結果。他是Enlitic公司的首席執(zhí)行官，這是一家從對X光掃描與CT掃描圖像分析開始將深度學習應用于醫(yī)療業(yè)的創(chuàng)業(yè)公司。這也是對這項技術的很明顯的應用。深度學習因它在圖像識別的某些形式上有著超人的實力而聞名；大量的標簽化訓練數(shù)據(jù)需要消化，而它有著巨大的潛力，去讓醫(yī)療變得更加準確和有效。Barani博士（曾經是一位腫瘤學家）指著從三個角度拍攝的患者肺部CT掃影。隨著Enlitic的深度學習系統(tǒng)的加入，屏幕上出現(xiàn)了紅色閃爍點，比對它們來看是否是血管、無害的成像物體或惡性的肺部腫瘤。最終系統(tǒng)會給出一個重點標注的特征以進一步調查。在與三個放射科專家一起合作的測試中，Enlitic系統(tǒng)在識別惡性腫瘤上優(yōu)于人類50%，其假陰性率（沒診斷出癌癥）為零，相比之下人類則有著7%。Enlitic的另一個系統(tǒng)，可以用來檢查X射線掃描來檢測腕關節(jié)骨折，并有效地超出了人類的表現(xiàn)。在2013年廣為關注的一篇研究中，CarlBenediktFrey和MichaelOsborne核查了702種職業(yè)的計算能力，并發(fā)現(xiàn)美國47%的工人都面臨著工作自動化的風險。尤其是，他們警告說大部分運輸業(yè)和客運業(yè)（例如出租車司機和運貨司機）和公關類（例如接待員與保安）「都有可能會被計算機所取代」，還有許多銷售業(yè)與服務業(yè)人員（例如收銀員，柜臺人員，租賃人員，電話推銷員和審計師等）也面臨著工作被計算機取代的威脅。他們總結道：「機器學習近期的發(fā)展會占據(jù)大量的職業(yè)分布，在近期面臨風險的職業(yè)分布廣闊?！购罄m(xù)的研究指出英國有35%的職業(yè)可能被取代（英語有許多人從事創(chuàng)業(yè)公司，也因此難以被取代），在日本這個比例是49%。經濟學家正在擔心「職業(yè)兩極化」的風險，也就是說中層技術的工作（例如制造業(yè)）正在消失，而低等和高等工作在擴張。實際上，工作可以被劃分為兩種常規(guī)職業(yè)：第一種即高薪水高技術的職業(yè)（建筑師，高級管理），還有低薪水低技術的職業(yè)（清潔工，快餐員）。許多西方國家中層職業(yè)薪水的停滯都表現(xiàn)出自動化已經開始產生影響——盡管這與外包的影響很難區(qū)分出來，后者也取代了許多發(fā)展中國家的底薪國家中日?；墓ぷ鳎ɡ缰圃鞓I(yè)和呼叫中心）。圣路易斯聯(lián)邦儲備銀行發(fā)表的數(shù)據(jù)顯示，在美國，非常規(guī)認知型工作以及非常規(guī)手工型工作自1980年后逐步增長，而常規(guī)化工作則一直維持幾乎不變。隨著更多工作自動化，這種趨勢很可能會延續(xù)下去。在更近的例子中，自動取款機（ATM）可能已經有望通過接替一些日常任務來取代銀行出納員的工作，而Bessen指出，事實上美國每個銀行支行的出納員平均數(shù)量已經從1988年的20人降低到了2004年的13人。這減少了運營一家支行的成本，讓銀行可以開設更多支行以響應客戶的需求。城市銀行支行的數(shù)量同期上升了43%，所以總體上雇員的數(shù)量增加了。ATM并沒有摧毀工作，而是改變了銀行雇員的工作組合——讓他們遠離了日常任務，進入到了機器不能做的銷售和客服領域。那么誰是正確的：是認為這一次不同于以往而機器將真正奪走所有工作的悲觀者（他們中許多是技術者類型的），還是堅持認為技術終將創(chuàng)造更多工作樂觀者（大部分是經濟學家和歷史學家）？而事實可能介于兩者之間。人工智能不會導致大規(guī)模失業(yè)，但它會加速與計算機相關的自動化的趨勢，像技術改變之前做的那樣擾亂勞動力市場，并要求工作者比以往更快地學習新技能。Bessen預計會有一次「艱難轉型」，而不是「尖銳地打破歷史」。盡管人們表達了廣泛不同的意見，但幾乎所有人都同意這個處方：公司和政府將需要想辦法讓工作者更容易掌握轉換工作所需的新技能。這將在悲觀者看法正確的事件中提供更好的防御，同時預防比樂觀者所預計的人工智能的更快和更重大的影響。4.教育和政策：你會失業(yè)還是變得富有？人工智能將會給教育、福利和地緣政治的政策制定者帶來影響。教育2011年7月，擁有多個頭銜的斯坦福大學教授SebastianThrun在YouTube上發(fā)布了一段短視頻，宣布他和他的同事PeterNorvig正在使他們的「人工智能入門（IntroductiontoArtificialIntelligence）」課程可以在網上免費觀看。到10月份該課程開始的時候，來自190個國家的160,000人報名參加了該課程。與此同時，另一位斯坦福教授吳恩達也將自己的一門關于機器學習的課程免費發(fā)布到了網上，有100,000人參加了這個課程。這兩個課程都持續(xù)10周。最后，有23,000人完成Thrun的課程，13,000人完成了吳恩達的課程。這樣的在線課程，以及短視頻講座、學生的在線討論板塊和自動為他們的課程成績評級的系統(tǒng)，變成了眾所周知的大規(guī)模開放式在線課程（MOOC）。2012年，Thrun創(chuàng)立了在線教育創(chuàng)業(yè)公司Udacity，吳恩達也聯(lián)合創(chuàng)立了另一家在線教育創(chuàng)業(yè)公司Coursera。就在同一年，哈佛大學和麻省理工學院（MIT）聯(lián)合組建了edX——一個非營利性的MOOC提供組織，該組織由MIT人工智能實驗負責人AnantAgarwal所領導。一些人認為MOOC會取代傳統(tǒng)的大學教育。最初圍繞MOOC的炒作現(xiàn)在差不多也已經偃旗息鼓了（盡管已有數(shù)百萬學生參加了某種形式的在線課程），但MOOC的繁榮說明了在線教育的巨大潛力。Udacity、Coursera和edX都是從人工智能實驗室涌現(xiàn)出來的，這個事實凸顯了人工智能研究社區(qū)希望對教育系統(tǒng)進行大改的信念。Thrun說他創(chuàng)立Udacity是將其作為「正在進行的人工智能革命的解藥」——這場革命將催生對工作者的新型工作技能的需求。類似地，吳恩達認為：鑒于人工智能研究者的工作對勞動力市場的潛在影響，研究者「在應對和解決我們導致的問題上負有道德上的責任」；他說，Coursera是他在這方面作出的貢獻。此外，人工智能技術在教育方面有很大的發(fā)展?jié)摿Α８鶕?jù)每一個學生的情況各自調整課程，從而實現(xiàn)最輕松最高效的學習方法「適應性學習（AdaptiveLearning）」多年前就應該出現(xiàn)了。但新的機器學習技術可能最終有望幫助實現(xiàn)這一目標。吳恩達說，適應性學習對大量學生使用同一材料進行學習的情況最有效，因為這樣可以收集到大量的數(shù)據(jù)。在這方面的創(chuàng)業(yè)公司有Geekie、Knewton、SmartSparrow和DreamBox等，教育行業(yè)的巨頭也對此很有興趣：2013年McGraw-Hill買下了適應性學習系統(tǒng)ALEKS；Pearson最近宣布擴大了與Knewton的合作關系。「老系統(tǒng)將不得不得到認真的修改」，美國西北大學的JoelMokyr指出，教育系統(tǒng)鼓勵專業(yè)化，這樣學生就能在越來越少的主題上學到越來越多。但隨著知識過時的速度越來越快，重要的是要學會再學習（relearn）。Mokyr認為當下的教育像粘土——「塑造它，然后烘烤它，就定型了」。未來，隨著越來越多任務變得自動化，人類技能顯得最有價值的任務會不斷變化。「你必須終生學習——很長時間來顯然都是這樣」，吳恩達說，「你在大學里學到的東西不足以讓你繼續(xù)前進40年?！拐哒螌θ斯ぶ悄芎妥詣踊膿鷳n也導致了對更強大的保護人們免受勞動力市場動亂影響的安全網的呼吁。尤其是一些人工智能評論者認為應該建立一套福利系統(tǒng)，讓每個人（不管什么情況）都享有保障基本生存的收入（比如說一年1萬美元？）類似的想法在工業(yè)革命時也由ThomasPaine和JohnStuartMill等一些人提出過。其基本思想是：人們做得更多讓自己的收入增加時，這個福利不會減少，這樣人們就會愿意去做事。這會讓人們能自由決定自己希望做什么，活在失業(yè)中接受合適的再培訓。很多預言會有終極工作破壞的人都認為可以把這個情況用來保持消費型經濟和支持非勞動人口。如果大部分工作都被自動化取代了，我們就將需要一種重新分配財富的可選機制。與改革教育系統(tǒng)相比，保障基本收入似乎更簡單、更有吸引力。這個想法在技術行業(yè)內享有廣泛支持：創(chuàng)業(yè)孵化器YCombinator甚至還支持著加利福尼亞州奧克蘭市的一項對該想法的研究。其總裁SamAltman認為基本保障收入可以確保「向未來工作的平穩(wěn)過渡」。看起來似乎是一個未來烏托邦，但一些懷疑論的觀點認為這會導致抑制技術造成的不平等和抱怨，從而讓極客能發(fā)明無拘束的未來。Altman先生說，根據(jù)他的經驗，技術人會支持基本收入保障的想法。但基本收入保障的前提是要有收入，這就將意味著更高的稅收。此外因為人們本身的財富水平和各地的消費水平不一樣，公平性方面也難以得到保證。而且還有人認為保障基本收入事實上會抑制人們接受再訓練，催生一個不愿意勞動（而不是不能勞動）的「懶人」群體；從而加重納稅人的負擔。芬蘭和荷蘭等富裕國家計劃在明年開始有限地試驗基本收入政策，而其它較為貧窮的國家顯然從沒考慮過這樣的事。自動化的發(fā)展對地緣政治的影響也將逐漸顯現(xiàn)。MIT的DavidAutor說，自動化對發(fā)展中經濟體的影響比對富裕經濟體的影響更大，因為發(fā)展中經濟體有更高比例的體力勞動工作：低工資的工人制造廉價的產品、在客服中心提供廉價的服務、在國內或海外做建筑工作……如果自動化使發(fā)達國家能在這些方面自給自足，它們對發(fā)展中國家提供的產品和服務的需求就越少——發(fā)展中國家將失去在這些方面的比較優(yōu)勢，而與此同時，機器人和人工智能的技術和專利也基本上都掌握在發(fā)達國家手里。自動化可能會讓發(fā)達國家通過全面工業(yè)化斷掉貧窮國家的發(fā)展機會。經濟學家常談論「過早去工業(yè)化」；哈佛大學的DaniRodrik指出第一次世界大戰(zhàn)前英國的制造業(yè)就業(yè)人數(shù)達到了峰值的45%，而巴西、印度和中國的制造業(yè)就業(yè)人數(shù)比例已經度過了峰值，卻還沒超過15%。這是因為制造業(yè)已經遠比過去自動化了。據(jù)花旗銀行和牛津大學馬丁學院的一份報告指出，中國已經取代美國成為了第一大工業(yè)自動化市場。然而對于非洲和南美的其它一些新興經濟體而言，自動化卻并不是好消息，它們再也無法通過「農田到工廠」的勞動力轉移模式來推動經濟增長了，它們必須尋找新的增長模式。喬治·梅森大學經濟學家TylerCowen說：如果沒有制造業(yè)的工作構成中產階層，這些國家的「核心經濟結構中將出現(xiàn)非常高的收入不平等。」5.道德：弗蘭肯斯坦的回形針技術專家不相信人工智能會失去控制，但還是會有道德上的憂慮隨著《末日侵襲》這部電影情節(jié)的發(fā)展，它看起來也沒有那么可怕。所謂的「回形針最多化」（paperclipmaximiser）是牛津大學哲學家NickBostrom提出的一個思維實驗。這個實驗假設一個人工智能能夠希望能收集盡可能多的回形針。它會想盡一切辦法來收集回形針，并且會通過自我升級來找到收集回形針的新方法，它還會反抗一切阻止它做這件事情的企圖。最后它“把整個地球和一部分宇宙空間都變成了一個回形針制造工廠”。這種明顯非常愚蠢的試圖想表達一個非常嚴肅的觀點：人工智能不需要人類一樣的行為和心理動機。它們可能不會出現(xiàn)人類常會犯的錯誤和偏差，但是會犯別的錯誤，例如執(zhí)著于回形針。它們的目標已開始可能看起來是無害的，但如果人工智能能夠自我復制并升級自己的性能就會非常危險了。即使是一個運行在一