「我的AI研究讓老爸丟掉飯碗」先搞定狹義AI，再去擔心超級智能

新智元編譯

早在2007年，倫敦作為世界金融資本的中心蓬勃發展時，出現了一個稱為「演算法交易」（algorithmic trading）的新領域。實際上，演算法交易是利用人工智慧，比任何人的操作都更快地在金融市場進行投資。像搞AI的大多數博士生一樣，我那時也在跟銀行合作，幫助他們創建自己的交易演算法，這些演算法體現了他們交易活動的3%左右。快進到2017年，這種類型的交易某些情況下已經佔到所有交易的90%以上，在大型銀行中幾乎完全取代了人類交易員。這些受害者中有一個竟然是我自己的父親，一位熱心工作了40多年的交易員。他現在已經失業，因為我，以及其他人，創造了替代他的技術。

看著我自己的爸爸失去他熱愛的工作對我來說是一個警鐘，讓我想必須採取一些措施來防止這些境況也發生在別人身上。這就是為什麼我決定加入法國政府參與AI策略的制定，旨在使法國成為人類和機器共同發展的國家。

來自法國戰略（France Strategies）和法國數字理事會的成員組成的團隊採訪了來自不同行業的60多人，了解他們將如何受到自動化技術的影響，並且在最近的對法國工作的自動化的研究的基礎上發表了一份報告。（報告地址：http://t.cn/RStgvLr）

正如我們的研究所指出的，有一件事情已經變得很清楚：在未來10年，AI 的影響程度將超出我們所能想像的範圍。這是決策制定者正在面臨的真正問題，因為假如不能成功向可持續的AI社會轉型，將導致大規模的失業和經濟衰退。

首先，我們需要搞定狹義AI，再去擔心超級智能

在談論機器對我們的生活的影響時，讓我們先梳理一下我們將要談論的AI的類型。AI的三種常見類型是：

• 狹義人工智慧（Narrow AI）：機器能夠重現特定的人類行為，沒有意識。基本上，機器只是一個能夠自動執行某些任務的強大工具，就像演算法一樣。也稱為弱人工智慧（Weak AI）。

• 強人工智慧（Strong AI）：機器能夠完全重現人類智慧，包括抽象，語境適應，等等。也稱為通用人工智慧（AGI，Full AI 或 General AI）。

• 超級智能（Super-Intelligence）：比所有人類智慧加起來更加智能的強大AI。

今天，我們還只能實現狹義的AI。強AI和超級智能讓我們遐想紛紛，但那是我們仍然無法企及的。會有實現的一天嗎？或許。但是，有一點容易被忽視的是，在未來10年內，假如我們不能正確處理，弱人工智慧就已經足以摧毀我們的社會。

如果我們不能解決弱人工智慧帶來的社會問題，我們將永遠不會實現超級智能。

事實上，弱人工智慧已經是非常強大的工具。它能夠識別圖像中的對象；能夠在圍棋中擊敗世界冠軍；能夠重現任何偉大藝術家的風格；能夠理解自然語言的查詢；能夠讓你的房子自動化，讓開車這個行為自動進行；能夠生成足以以假亂真的圖像；能夠比醫生更好地診斷癌症；能夠比你自己更快地發現照片中的你自己的孩子，等等。

但歸根結底，AI 只是一項技術，儘管爭論重重。隨著人工智慧成為主流，許多公司都在尋求將AI推向市場的方式，將其變成一個涵蓋性的術語——就像此前的大數據和雲計算一樣。這裡，我們使用如下定義：

• 人工智慧：機器重現人類行為的能力。不管使用來實現它的技術是什麼。

• 機器學習：機器從示例中學習如何重現特定行為的一系列AI演算法。機器學習演算法有許多類型：神經網路，支持向量機，決策樹，等等。

• 深度學習：一類機器學習演算法，其中神經網路中數據的連接的層被組合起來，以學習越來越抽象的概念。

簡單地說，深度學習是機器學習的一個分支，機器學習是人工智慧的一個分支。

在今天搞AI的人，大多數做機器學習，搞機器學習的人，大多數做深度學習，所以假如你混用了這幾個詞，是情有可原的。

AI 在最近成為主流的主要原因是，首次，有兩個指數趨勢一同出現了——計算力變便宜了，同時大規模的數據變得易得了——這使得教機器自己去做任務，而不是為某個任務編程成為可能。換句話說，AI成為可能，是因為我們大量投資了雲計算和大數據。

我們正在從一個為機器編程的世界，轉變為一個教機器學習的世界。

實際上，直到最近，當我們想自動化執行一個任務時，我們仍然必須先了解該任務的每個細節的每個行為，然後編寫一個計算機程序——即一種演算法——使其自動化執行。例如，為了製造一個可以識別貓的機器，人類工程師必須弄清楚哪些是貓的獨特特徵（尖尖的耳朵，毛，尾巴，可愛的外表，等等），然後找到一種方式去在一個計算機程序中表現這些特徵。任務越複雜，自動化所需求的資源就越多，而且假設的前提是人類能夠理解這個任務。

另一方面，使用AI的話，就不需要真的理解整個過程，因為機器本身要學習重現這個行為。為此，人類工程師需要做的是編寫大量示例數據，並將這些數據提供給通用的機器學習演算法，然後演算法學習重現示例里的行為。人類工程師不再需要了解貓是什麼，需要做的只是提供給計算機很多貓的樣本，讓計算機自己弄清楚貓是什麼。而且由於收集數據比理解事件要容易而且快速得多，現在，讓一個任務自動化執行的速度提升了好幾個數量級。

人類和機器必須被看作是互補的

這種自動化的革命是前所未有的，不是僅適用於低收入的工作，而是適用於任何類型的工作。鑒於這種破壞如此廣泛而且快速，我們不得不停止「人類反抗機器」的思想，而應該思考「人類+機器」。

AI不是人類 vs. 機器，而是人類+機器。

例如，醫生的工作是收集有關患者的數據，然後進行診斷，找到合適的治療方法，幫助患者痊癒。由於狹義AI已經能夠比人類更好地分析和診斷X光片，找到最適合的治療方法並提出更多的相關測試，那麼，到了2022年，醫生的作用是什麼呢？很可能，常見的疾病將由AI醫生來治療，而人類醫生將集中精力去研究處理複雜病例（需要通用智能），並幫助患者康復（需要情感智能）。醫生這一職業不會消失，但他們的工作將轉變為醫學研究人員和護士的結合。

事實證明，許多工作都將遵循類似的模式：它們將被改造，而不是消失。在這一假設的基礎上，我們形成了一個確定一項工作被自動化的可能性的簡單框架。首先，我們將工作分解為任務，包括該項工作的正式任務，以及人們在實踐中所做的其他任務。然後針對這些任務，根據以下標準確定其自動化的可能性：

1. 它在技術上是可行的嗎？有時候，技術或者數據根本不存在，因此，無論我們多麼希望自動化這項任務，實際上都是不可能的。

2. 它需要複雜的人工干預嗎？事實證明，機器人學發展的趨勢並不是與AI的趨勢一致，這主要是因為建造和測試一個機器人需要大量的時間和成本。像煮咖啡這樣的簡單任務，對機器人來說是幾乎不可能的，因為涉及的每台機器都不一樣，所需的手部動作非常複雜。這意味著，大多數非重複性的手工勞作是安全的，不會很快被AI取代。

3. 它能被社會接收嗎？只是因為某個任務可以自動化，並不意味著我們一定要自動化它。一個很好的例子是足球裁判。當前的AI技術已經能夠輕易地實時分析比賽情況，並在運行中適用規則。但實際上這樣做的話，比賽會變得非常無聊，因為AI裁判會不斷地暫停比賽！人類裁判就有代替規則的能力，能夠從當時的情境判斷是要緊跟還是讓球員繼續踢。

4. 它需要情感智能嗎？這對大多數人來說是顯然的。某些任務需要人類情感的微妙理解。雖然一台機器可能能夠表現出同情心，但它實際上並不會感覺到同情。這就是為什麼在傳達診斷結果時，人類醫生總是比AI醫生做得好，也是為什麼人類管理者總是比AI管理程序更好。

5. 它需要通用智能嗎？今天的AI在特定的、狹義的任務中已經做得比人類好得多，但它們無法將學到的知識推廣到其他問題，或適應語境。例如，一輛自動駕駛汽車可以學會比人類更好地在道路上駕駛，但遇到不可能的情況時，它們往往不知道如何處理。有一個例子能很好地說明這點：一位藝術家在地上畫了由白色實線和虛線組成的一個圈，就能困住一輛自動駕駛汽車。人會馬上發現這很荒謬，但由於自動駕駛系統的一大原則是跟隨路面標記，AI會認為「我可以跨過虛線」，但卻只能被困在圓圈裡，因為它不能穿過實線！

James Bridle的自動駕駛汽車陷阱

假如有超過2/3的任務自動化了，那麼這個工作就會消失。假如一個工作自動化的部分不到1/3，那麼什麼都不會改變。其他情況下，這個工作會發生變化。

當然，不同國家受影響的程度不同。例如，韓國、日本和德國的製造業已經是大量自動化的，因此可能不會是受到太大影響。相比起來，中國受影響的程度就大得多。

製造業中每10000名僱員所擁有的工業機器人數量（2014年）來源：VDMA

法國就業委員會最近的一份報告提出，在法國，約有10％的工作將會消失，50％將會發生變化，剩下的40％將維持不變。具體如下：

• 可能會消失的工作：卡車司機，計程車司機，火車司機，放射科醫師，會計師，律師助理，金融交易員，金融經紀人，服務台電話員，房地產代理，新聞寫作者，非技術工人，等等。

• 維持不變的工作：護士，老師，心理學家，團隊經理，創意工作者，新聞分析師，顧問，研究科學家，醫學研究者，哲學家，設計師，藝術家，工匠，廚師，演員，等等。

• 將會改變的工作：理賠經理，個人理財顧問，軟體工程師，數據科學家，醫生，技術工人，律師，電影導演，作曲家，劇作家，水管工，電工，等等。

• 將出現的新工作：很難預測實際上將創造出來的新工作有多少，但有些已經開始出現了，例如AI主管（檢查AI的結果），數據標記人（很可能是未來的工廠工作），AI律師（保護機器的權利的人），語音設計師（設計語音介面和語音產品，而非視覺的），等等。

值得注意的是，與大眾的認識相反，許多高薪工作也將消失，就像我們看到的金融交易員消失一樣。鑒於一項工作自動化後將帶來生產率的提高，決定將哪些工作自動化的優先順序將考慮的是其薪酬水平，以及從事這項工作的人數。比如說，交易員人數不多，但他們薪酬高昂，所以會像人數眾多但薪酬低廉的工廠工人一樣很快消失。這兩種情況帶來的凈成本降低是差不多的，雖然失業的人數更多的話導致的社會成本較高。

圖：綠色，你很安全；橙色，你要倒霉了；紅色，你應該儘快換工作！

已經有較好的福利制度的國家（例如法國和北歐）可能會處理這些額外的失業問題，所以真正的問題在於50%左右的不會完全消失，但將發生改變的工作。

解決AI帶來的工作危機不是解決大規模失業問題，而是解決大眾連續教育問題。

我們已經看到醫生的工作將會如何改變了。大多數情況下，醫生不必去診斷疾病，也不必尋找正確的治療方法，因為機器在這些方面能做得更好、更快。但醫生仍然需要，他們要保持與患者的人際關係，並且監督AI，以確保結果不出錯。這裡有兩個重要影響：一是醫療領域的權利平衡，以及醫療工作者間的薪酬差距，將會發生巨大的變化；二是我們將需要找到一種對所有將發生改變的工作者進行持續的教育的方式，傳統的一次學習，一生有用的教育模式已經不再適用。

我們必須重新思考AI時代的教育制度

將任務派給AI做的好處是，我們不必為了勝任一份工作去學習那麼多的技能。這是因為月單調乏味的任務，硬技能（例如編程，數學計算，流程，等等）相比軟技能（同理心，管理，領導，創造力，等等）更有可能自動化。鑒於軟技能可以從一項工作轉移到另一項工作，因此，到2022年，學習一項新工作所需要的時間比現在要少很多。

但是，需要有持續學習的能力，反過來也需要時間和良好的教育資源。相比4年制大學，短期課程（線上或線下）和實習可能對大多數工作來說足夠了。我們今天已經看到這點，例如Uber司機，或數據科學家：通常在有需求之後，才會有正式的學位，推動他們自己去學習，而且一旦遇到現實世界的問題，他們會不斷提高自己的技能。

與其由於多年前學會的知識而陷在某個職業里，我們將一生持續學習，並且就像搬家一般輕鬆地換工作。

學習是持續一生的事情

可能發生的一個有趣的附帶效應是：隨著受教育年限變得越來越短，人們將能夠更快、更輕鬆地改變自己的職業生涯。這反過來又會導致就業市場流動性更高，因為找工作的人會有更多選擇，而僱主不必找受過特定教育的人。工作的供求關係將更加平衡，這意味著福利成本降低，生產力，消費力，競爭力，以及最重要的人的幸福感都將提高。

在提供持續教育的同時，將任務交給AI可以解決當前的工作的供需問題。

此外，由於有些工作可能比其他工作更易受到影響，因此有機會進行預防性的教育，高風險工作者可以在下崗之前離職，以便過渡到新的工作。

當然，我們都可能是錯的，AI可能只是一種短暫的狂熱。也許我們會到達一個平台期，也許我們會竭盡全力拒絕與機器一起生活。但這些賭注都太高了，無法去下這個賭注。雖然，對我爸爸來說已經太遲了，但對我們其他人來說還不遲：我們可以打造的未來，是機器增強人類，而不是機器接管人類的未來！

原文：https://medium.com/snips-ai/how-my-research-in-ai-put-my-dad-out-of-a-job-1a4c80ede1b0

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！