《Science》雜志：機(jī)器學(xué)習(xí)究竟將如何影響人類未來的工作？

2018-01-11SmiletalkerAI科技評(píng)論

AI 科技評(píng)論按：人工智能、機(jī)器學(xué)習(xí)相關(guān)技術(shù)已經(jīng)多次刷新了人們對于「計(jì)算機(jī)能做什么」的認(rèn)知，那么緊接著的一個(gè)問題就是「計(jì)算機(jī)會(huì)不會(huì)替代人類的工作」。李開復(fù)就曾經(jīng)多次在公開場合表示人工智能會(huì)取代許多人類工作，而這也已經(jīng)引起了一定的憂慮和討論。近日，《Science》雜志也發(fā)表了一篇長文，從幾個(gè)不同角度詳細(xì)闡述了機(jī)器學(xué)習(xí)對于未來人類工作的影響。AI 科技評(píng)論把這篇文章全文編譯如下。

在過去的幾十年中，數(shù)字計(jì)算機(jī)已經(jīng)改變了幾乎所有經(jīng)濟(jì)部門的工作。由于機(jī)器學(xué)習(xí)（ML）的發(fā)展加快了自動(dòng)化的步伐，我們正處于一個(gè)更大、更迅速轉(zhuǎn)變的開始階段。然而，雖然很明顯 ML 是一種「通用技術(shù)」，就像蒸汽機(jī)和電力一樣，產(chǎn)生了大量新的創(chuàng)新和能力，但關(guān)于 ML 系統(tǒng)擅長的任務(wù)并沒有廣泛的共識(shí)，ML 對勞動(dòng)力和經(jīng)濟(jì)的具體影響的預(yù)期也沒有達(dá)成一致。在本文中，我們討論了 ML 對勞動(dòng)力的關(guān)鍵影響，參考了目前這一代 ML 系統(tǒng)可以做和不可以做的事情。工作中的一部分可能是「適合 ML」（SML），但這些相同工作中的其他任務(wù)并不適合 ML 的標(biāo)準(zhǔn)；因此，ML 對就業(yè)的影響比一些人所強(qiáng)調(diào)的簡單的替代和替換更為復(fù)雜。雖然目前 ML 對經(jīng)濟(jì)的影響相對有限，而且我們并沒有像有的人宣稱的那樣面臨即將到來的「工作的終結(jié)」，但 ML 對經(jīng)濟(jì)和未來勞動(dòng)力的影響卻是深遠(yuǎn)的。

任何有關(guān) ML 可以做什么、不可以做什么、以及可能對經(jīng)濟(jì)產(chǎn)生哪些影響的討論，首先應(yīng)該認(rèn)識(shí)到兩個(gè)廣泛的基本考慮因素。第一，我們離通用人工智能還很遠(yuǎn)；第二，機(jī)器不能完成人類的全部任務(wù)。此外，雖然創(chuàng)新總體上對收入和生活水平的提高是重要的，特別是 ML 之前的第一波信息技術(shù)（IT）系統(tǒng)創(chuàng)造了數(shù)萬億美元的經(jīng)濟(jì)價(jià)值，但技術(shù)進(jìn)步也是造成工資不平等的重要因素，盡管造成不平等的因素有很多，比如全球化程度加深，但由于 ML 的巨大而迅速的變化潛力，可能對經(jīng)濟(jì)影響造成很大的破壞性，既產(chǎn)生贏家，也產(chǎn)生輸家。這將需要政策制定者，商業(yè)領(lǐng)袖，技術(shù)人員和研究人員的高度重視。

當(dāng)機(jī)器自動(dòng)執(zhí)行特定工作或流程中的 適合 ML 的任務(wù)時(shí)，剩下的不適合 ML 的任務(wù)可能會(huì)變得更有價(jià)值。此外，機(jī)器將增強(qiáng)人的能力，使全新的產(chǎn)品、服務(wù)和流程成為可能。因此，即使在部分自動(dòng)化的工作崗位內(nèi)，對勞動(dòng)力需求的影響既可能是負(fù)面的，也可能是正面的。雖然更廣泛的經(jīng)濟(jì)影響是復(fù)雜的，但與 ML 能力接近的任務(wù)上，對勞動(dòng)力需求更有可能下降，而作為這些系統(tǒng)補(bǔ)充的任務(wù)勞動(dòng)力的需求可能增加。每當(dāng) ML 系統(tǒng)跨越一個(gè)門檻，在某個(gè)任務(wù)上比人類更具成本效益時(shí)，企業(yè)家和管理者為了利潤最大化，將越來越多地尋求用機(jī)器替代人類。這將影響整個(gè)經(jīng)濟(jì)，提高生產(chǎn)力，降低價(jià)格，轉(zhuǎn)移勞動(dòng)力需求，重組行業(yè)。

我們知道的多于我們所能言說的

正如哲學(xué)家波拉尼所說，我們知道的，多于我們所能言說的。認(rèn)識(shí)一張臉、騎自行車和理解言語都是人類非常清楚怎么做的任務(wù)，但是我們反思自己如何去做的能力卻很差。執(zhí)行起來輕而易舉的任務(wù)要整理成正式規(guī)則卻很難，很多時(shí)候我們根本做不到。因此，在 ML 之前，波拉尼的悖論限制了通過編程計(jì)算機(jī)自動(dòng)完成的任務(wù)種類。但是今天，在許多情況下，ML 算法已經(jīng)使得訓(xùn)練計(jì)算機(jī)系統(tǒng)比我們手動(dòng)編程更精確和更有能力。

一直到近幾年，創(chuàng)建一個(gè)新的計(jì)算機(jī)程序都需要涉及勞動(dòng)密集型的手工編程過程。但是，這個(gè)昂貴的過程正日益被增強(qiáng)，或者被一個(gè)更加自動(dòng)化的、在適當(dāng)?shù)挠?xùn)練數(shù)據(jù)上運(yùn)行的 ML 算法流程所取代。這種轉(zhuǎn)變的重要性體現(xiàn)在兩個(gè)兩方面：在越來越多的應(yīng)用程序中，這種模式可以產(chǎn)生比人類程序員更精確和可靠的程序（例如人臉識(shí)別和信用卡欺詐檢測）；其次，這種模式可以大大降低創(chuàng)建和維護(hù)新軟件的成本。降低了成本，減少了實(shí)驗(yàn)的障礙，并能夠探索潛在的計(jì)算機(jī)化任務(wù)，鼓勵(lì)發(fā)展計(jì)算機(jī)系統(tǒng)，實(shí)現(xiàn)許多類型的常規(guī)工作流程的自動(dòng)化，減少或消除人為干預(yù)。

在過去的 6 到 8 年里，ML 在這方面的進(jìn)展尤其迅速，這在很大程度上是因?yàn)榇罅康挠?xùn)練數(shù)據(jù)，這些數(shù)據(jù)量足夠大，以至于可能捕捉到非常有價(jià)值且以前未被注意到的規(guī)律，可以在 ML 算法的處理能力范圍內(nèi)進(jìn)行檢查或理解。當(dāng)有足夠多的訓(xùn)練數(shù)據(jù)集時(shí)，ML 有時(shí)生成的計(jì)算機(jī)程序表現(xiàn)勝過人類。（例如皮膚病診斷、圍棋、檢測潛在的信用卡欺詐）。

算法的改進(jìn)也是 ML 進(jìn)展的關(guān)鍵，包括深度神經(jīng)網(wǎng)絡(luò)（DNN）和更快的計(jì)算機(jī)硬件。例如，Facebook?已經(jīng)都從基于短語的機(jī)器翻譯模式轉(zhuǎn)換到深度神經(jīng)網(wǎng)絡(luò)，每天進(jìn)行的翻譯超過 45 億次；用于圖像識(shí)別的 DNN 降低了 ImageNet 上的錯(cuò)誤率，ImageNet 是一個(gè)包含 10000 多類標(biāo)注圖像的大型數(shù)據(jù)集，錯(cuò)誤率從 2010 年的超過 30％ 下降到現(xiàn)在的不到 3％；同樣，自 2016 年 7 月以來，DNN 幫助語音識(shí)別錯(cuò)誤率從 8.4％ 提高到 4.9％。圖像和語音識(shí)別率達(dá)到 5％ 的閾值非常重要，因?yàn)檫@幾乎接近人類在面對類似數(shù)據(jù)時(shí)的錯(cuò)誤率。

自動(dòng)推進(jìn)的自動(dòng)化

要產(chǎn)生一個(gè)定義明確的學(xué)習(xí)任務(wù)，以便應(yīng)用 ML 算法，必須要有充分的說明任務(wù)、性能指標(biāo)和訓(xùn)練過程。在大多數(shù)實(shí)際應(yīng)用中，要學(xué)習(xí)的任務(wù)與某些目標(biāo)功能相對應(yīng)，例如輸入醫(yī)療患者健康記錄，輸出患者診斷的功能，或者從自動(dòng)駕駛汽車的傳感器接收輸入，然后輸出正確的轉(zhuǎn)向命令。最常見的訓(xùn)練過程類型是由目標(biāo)功能的輸入 - 輸出對組成的數(shù)據(jù)（例如與正確診斷配對的醫(yī)療記錄）。然而獲取真實(shí)訓(xùn)練數(shù)據(jù)在許多領(lǐng)域都很困難，如精神病診斷，招聘決策和法律案例。

成功的商業(yè)應(yīng)用的關(guān)鍵步驟，通常包括精確識(shí)別要學(xué)習(xí)的功能；收集和清洗數(shù)據(jù)以用于訓(xùn)練 ML 算法；通過工程數(shù)據(jù)特征來選擇哪些數(shù)據(jù)可能有助于預(yù)測目標(biāo)輸出，并且收集新的數(shù)據(jù)以彌補(bǔ)原始特征的不足；嘗試不同的算法和參數(shù)設(shè)置，以優(yōu)化學(xué)習(xí)分類器的準(zhǔn)確性；并將提供的學(xué)習(xí)系統(tǒng)嵌入到日常業(yè)務(wù)運(yùn)營中，從而提高生產(chǎn)力；如果可能，持續(xù)獲取更多訓(xùn)練樣本。

測量未來自動(dòng)化程度非常相關(guān)的方法是「學(xué)徒學(xué)習(xí)法」，其中人工智能程序作為學(xué)徒，通過觀察人類的決定來進(jìn)行學(xué)習(xí)，并將其作為額外的訓(xùn)練樣本。這種方法產(chǎn)生了新的商業(yè)模式。

訓(xùn)練學(xué)徒模仿人為決策讓機(jī)器可以從它所協(xié)助的多個(gè)人的綜合數(shù)據(jù)中進(jìn)行學(xué)習(xí)，這導(dǎo)致機(jī)器可能最終超過訓(xùn)練它的團(tuán)隊(duì)中的每個(gè)個(gè)體的表現(xiàn)。不過，其學(xué)到的專業(yè)知識(shí)可能仍受到團(tuán)隊(duì)成員的技能水平和相關(guān)決策變量的可用性的限制。但是，在計(jì)算機(jī)可以訪問獨(dú)立數(shù)據(jù)來確定最佳決策（基本事實(shí)）的情況下，有可能改進(jìn)人的決策，從而幫助人類提高自己的績效。例如，在從皮膚病學(xué)圖像中對皮膚癌進(jìn)行醫(yī)學(xué)診斷時(shí)，將隨后的活檢結(jié)果作為訓(xùn)練的標(biāo)準(zhǔn)可以產(chǎn)生比人類醫(yī)生更高診斷準(zhǔn)確度的計(jì)算機(jī)程序。

什么是最適合?ML 的任務(wù)

盡管近來 ML 系統(tǒng)的進(jìn)步令人印象深刻，但它們并不適用于所有的任務(wù)。當(dāng)前的成功浪潮在很大程度上取決于被稱為監(jiān)督學(xué)習(xí)的范式，通常使用 DNN（深度神經(jīng)網(wǎng)絡(luò)）。在非常適合這種用途的領(lǐng)域，ML 非常強(qiáng)大。但是它的能力也比人的決策范圍要窄的多，也比人的決策更脆弱，而且這種方法對許多任務(wù)是完全無效的。 當(dāng)然，ML 的技術(shù)還在繼續(xù)進(jìn)步，DNN?之外的其他方法可能更適合不同類型的任務(wù)。 我們下面給出 8 個(gè)關(guān)鍵評(píng)判標(biāo)準(zhǔn)，以區(qū)分適合 ML 的任務(wù)和不適合 ML 的任務(wù)。

1.明確定義的輸入和輸出

其中包括分類（例如，區(qū)分不同品種狗的圖像或根據(jù)癌癥的可能性標(biāo)注醫(yī)療記錄）和預(yù)測（例如分析貸款申請以預(yù)測未來違約的可能性）。不過，雖然 ML 系統(tǒng)可以根據(jù)統(tǒng)計(jì)上的相關(guān)性來預(yù)測與輸入（X）有最大關(guān)聯(lián)的輸出（Y），但可能無法學(xué)習(xí)如何判斷因果關(guān)系。

2.存在、或者能夠創(chuàng)建規(guī)模巨大、帶有成對的輸入輸出的數(shù)字化數(shù)據(jù)集

可用的訓(xùn)練樣本越多，學(xué)習(xí)就越準(zhǔn)確。 DNN 的顯著特征之一是在許多領(lǐng)域內(nèi)的表現(xiàn)似乎并不會(huì)在樣本超過一定數(shù)量之后就停止增長。 在訓(xùn)練數(shù)據(jù)中捕獲所有相關(guān)輸入特征尤為重要。 盡管 DNN 原則上可以表示任意函數(shù)，但是計(jì)算機(jī)很容易模仿和延續(xù)訓(xùn)練數(shù)據(jù)中存在的不需要的偏差，解決方法是通過聘用專人來標(biāo)記部分?jǐn)?shù)據(jù)或創(chuàng)建全新的數(shù)據(jù)集，或通過模擬相關(guān)的問題設(shè)置來創(chuàng)建。

3.該任務(wù)提供明確的反饋，具有明確的目標(biāo)和指標(biāo)

當(dāng)我們能夠清晰的描述目標(biāo)，哪怕不能確定實(shí)現(xiàn)目標(biāo)的最佳過程，ML 也能很好的運(yùn)作。這就像早期的自動(dòng)化方法，獲取個(gè)體輸入輸出決策的能力雖然允許學(xué)習(xí)模仿這些個(gè)體，但可能不能得到最佳的系統(tǒng)最性能，因?yàn)槿祟惐旧硪矡o法做出完美的決策。 因此，明確界定全系統(tǒng)績效指標(biāo)（例如，優(yōu)化整個(gè)城市的交通流量而不是特定路口）為 ML 系統(tǒng)提供了一條黃金標(biāo)準(zhǔn)。 當(dāng)訓(xùn)練數(shù)據(jù)按照這種黃金準(zhǔn)則進(jìn)行標(biāo)注時(shí)，ML?就特別有用，因?yàn)榇_定了預(yù)期的目標(biāo)。

4.不需要基于豐富背景知識(shí)的很長的邏輯或推理鏈

ML 系統(tǒng)在學(xué)習(xí)數(shù)據(jù)中關(guān)聯(lián)性方面非常強(qiáng)大，但是當(dāng)任務(wù)需要依賴計(jì)算機(jī)沒有的常識(shí)或背景知識(shí)或復(fù)雜計(jì)劃時(shí)，ML 系統(tǒng)的效率較低。ML 在電子游戲中表現(xiàn)出色，這些游戲需要快速反應(yīng)，并提供即時(shí)反饋，但當(dāng)游戲中最佳選擇取決于記憶以前事件的時(shí)間和未知背景知識(shí)時(shí)，效率就會(huì)降低，例外是圍棋和象棋這樣的游戲，因?yàn)檫@些非物理的游戲可以以非常精確的速度進(jìn)行快速模擬，因此可以自動(dòng)收集數(shù)百萬個(gè)完全自我標(biāo)記的訓(xùn)練樣本。 但是，在大多數(shù)現(xiàn)實(shí)世界中，我們無法做到完美的模擬。

5.沒有必要詳細(xì)解釋如何做出決策

大型神經(jīng)網(wǎng)絡(luò)通過微妙地調(diào)整多達(dá)數(shù)億個(gè)數(shù)字權(quán)重來學(xué)習(xí)做出決定。解釋這種決定對人類來說很困難，因?yàn)?DNN 與人類的思維系統(tǒng)不同。目前的系統(tǒng)在這個(gè)方面相對較弱。例如，雖然計(jì)算機(jī)可以診斷特定類型的癌癥或肺炎，甚至比專家醫(yī)生更準(zhǔn)確，但與人類醫(yī)生相比，它們解釋為什么以及如何作出診斷的能力較差。對于許多感性的任務(wù)，人類也很難解釋，例如，如何從所聽到的聲音中識(shí)別出單詞。

6.容錯(cuò)性，不需要最佳的解決方案

幾乎所有的 ML 算法都是從統(tǒng)計(jì)和概率上推導(dǎo)出解決方案。 因此，很難將其訓(xùn)練到 100％ 的準(zhǔn)確度。 即使是最好的語音、物體識(shí)別和臨床診斷計(jì)算機(jī)系統(tǒng)也會(huì)犯錯(cuò)（和人一樣）。 因此，對學(xué)習(xí)系統(tǒng)誤差的容忍是制約這樣的系統(tǒng)應(yīng)用的重要標(biāo)準(zhǔn)。

7.學(xué)習(xí)的現(xiàn)象或功能不應(yīng)該隨著時(shí)間的推移而快速變化

一般來說，只有當(dāng)需要處理的數(shù)據(jù)和訓(xùn)練的數(shù)據(jù)分布是類似的結(jié)構(gòu)，ML 算法才能很好地工作。 如果這些分布隨著時(shí)間而改變，則通常需要重新訓(xùn)練，因此成功取決于相對于新訓(xùn)練數(shù)據(jù)獲取率的變化。

8.沒有特別的靈巧性，身體技能或流動(dòng)性要求

在處理非結(jié)構(gòu)化環(huán)境和任務(wù)中的物理操作時(shí)，機(jī)器人與人類相比仍然笨拙。 這不是 ML 的缺點(diǎn)，而是機(jī)器人技術(shù)自身的局限性。

機(jī)器學(xué)習(xí)對工作的影響

計(jì)算機(jī)通過生成式設(shè)計(jì)方法設(shè)計(jì)的換熱器

之前 ML 對 IT 的影響主要在于一些常規(guī)、高度結(jié)構(gòu)化和重復(fù)性的任務(wù)。這也是勞動(dòng)力需求下降的一個(gè)原因。未來，更廣泛的任務(wù)將被機(jī)器自動(dòng)化或增強(qiáng)。這包括人類無法解釋的任務(wù)，但是簡單地根據(jù)過去的趨勢進(jìn)行推斷將是錯(cuò)誤的，需要一個(gè)新的框架。

一項(xiàng)工作中通常包含許多不同的但相互關(guān)聯(lián)的任務(wù)。在大多數(shù)情況下，這些任務(wù)中只有一部分適用于 ML，而且可能是傳統(tǒng)的技術(shù)不容易自動(dòng)化的任務(wù)。例如，訓(xùn)練 ML 系統(tǒng)可以幫助律師對案件的相關(guān)文件進(jìn)行分類，但是在訪談潛在的證人或制定策略時(shí)使用 ML 就很困難。類似地，ML 系統(tǒng)在閱讀醫(yī)學(xué)圖像方面取得了迅速的進(jìn)展，在某些應(yīng)用中表現(xiàn)超過了人類。然而，與其他醫(yī)生交流、以及與患者交流和安慰患者的潛在情緒困擾的等任務(wù)，都不適合 ML 方法，至少不適合現(xiàn)有的 ML 系統(tǒng)。

這并不是說所有涉及情商的任務(wù)都 ML 系統(tǒng)都無法實(shí)現(xiàn)。銷售和客戶互動(dòng)的某些方面就非常合適。例如，銷售人員和潛在客戶之間的大量在線聊天記錄可以用簡單聊天機(jī)器人替代，以識(shí)別哪些常見的詢問最有可能帶來銷售。也有公司使用 ML 來識(shí)別來自視頻中人們的微妙情緒。

另一個(gè)領(lǐng)域是涉及創(chuàng)意的任務(wù)。在舊的計(jì)算模式中，需要事先精確地規(guī)定一個(gè)過程的每個(gè)步驟。機(jī)器沒有任何「創(chuàng)造性」的空間，不能想出如何解決特定問題。但 ML 系統(tǒng)是經(jīng)過專門設(shè)計(jì)的，使機(jī)器可以自己找出解決方案。所需要的不是預(yù)先詳細(xì)定義過程，而是需要明確規(guī)定所需解決方案的性質(zhì)，并有一個(gè)合適的模擬器，以便 ML 系統(tǒng)可以探索可用替代方案并準(zhǔn)確評(píng)估其性能。例如，設(shè)計(jì)復(fù)雜的新設(shè)備在一直是人類比機(jī)器更擅長的任務(wù)。但是生成式設(shè)計(jì)軟件可以為熱交換器等物體提供新的設(shè)計(jì)，比任何人設(shè)計(jì)的都能更有效地滿足所有的要求（例如重量，強(qiáng)度和冷卻速率）外觀和觸感。

這是「創(chuàng)意」嗎？這取決我們?nèi)绾味x。但以前人類的一些「創(chuàng)造性」任務(wù)在未來幾年將日益自動(dòng)化。當(dāng)最終目標(biāo)可以被很好地規(guī)定并且解決方案可以被自動(dòng)評(píng)估時(shí)，這種方法運(yùn)行良好。因此，我們可以預(yù)見這些任務(wù)越來越受到自動(dòng)化的影響。與此同時(shí)，人類在更明確界定目標(biāo)方面的作用將更加重要，這意味著科學(xué)家，企業(yè)家和那些能夠提出正確的問題的人的作用將會(huì)增加。

ML?期待人類工作的六個(gè)經(jīng)濟(jì)因素

有許多非技術(shù)因素會(huì)影響 ML 對未來工作的影響。 具體而言，ML 對勞動(dòng)力需求和工資的總體影響可以歸類為六個(gè)不同經(jīng)濟(jì)因素：

1.替換

基于?ML?創(chuàng)建的計(jì)算機(jī)系統(tǒng)可以直接在某些工作中取代人類，降低任何給定的輸出產(chǎn)量所需的人力。

2.價(jià)格彈性

通過機(jī)器學(xué)習(xí)實(shí)現(xiàn)自動(dòng)化可以降低完成任務(wù)的成本， 這會(huì)導(dǎo)致總支增加或減少，取決于需求的價(jià)格彈性。 例如，如果彈性小于 -1，則價(jià)格下降導(dǎo)致購買數(shù)量的比例增加，總支出（價(jià)格乘以數(shù)量）將增加。 例如，隨著技術(shù)在 1903 年以后降低了航空旅行的價(jià)格，這類旅行的總支出增加了，就業(yè)也隨之增多。

3.互補(bǔ)性

任務(wù) B 對于另一個(gè)自動(dòng)化的任務(wù) A 來說可能很重要，甚至是不可或缺。 隨著 A 的價(jià)格下降，對 B 的需求將會(huì)增加。 通過類比，隨著計(jì)算自動(dòng)化的程度提高，對程序員的需求增加了。 技能也可以是其他技能的補(bǔ)充。 例如，人際交往能力與分析能力是一種互補(bǔ)關(guān)系。

4.收入彈性

自動(dòng)化可能會(huì)改變?nèi)巳旱目偸杖搿Ｈ绻粋€(gè)商品的收入彈性不為零，這又會(huì)改變對某些商品類型的需求，以及生產(chǎn)這些商品所需任務(wù)的需求。就像隨著總收入的增加，美國人花在餐館的錢也越來越多。

5.勞動(dòng)力供給的彈性

隨著工資的變化，從事該項(xiàng)工作的人數(shù)也會(huì)變化。 如果有許多人已經(jīng)具備了必要的技能（例如駕駛汽車進(jìn)行乘車服務(wù)），那么供給就具有相當(dāng)?shù)膹椥?#xff0c;即使需求增加（或下降）很多，工資也不會(huì)上漲（或下降）很多。 相反，如果技能很難獲得，比如成為數(shù)據(jù)科學(xué)家，那么需求的變化將主要體現(xiàn)在工資上而不是就業(yè)上。

6.重新設(shè)計(jì)業(yè)務(wù)流程

任何一組不同類型和數(shù)量的勞動(dòng)力，資本和其他投入與產(chǎn)出聯(lián)系起來的生產(chǎn)函數(shù)不是固定的。 企業(yè)家，管理人員和員工不斷努力重塑相關(guān)流程。 當(dāng)面對新技術(shù)時(shí)，他們將通過設(shè)計(jì)或機(jī)緣巧合改變了生產(chǎn)過程，并找到更有效的方法來進(jìn)行產(chǎn)量。 這些變化可能需要一段時(shí)間，而且往往能夠節(jié)約昂貴的投入，增加需求彈性。 同樣，隨著時(shí)間的推移，個(gè)人可以通過學(xué)習(xí)新技能或換新工作，來表示對于高工資的認(rèn)可和回應(yīng)，這樣會(huì)增加相關(guān)的供給彈性。

結(jié)語

由于需要改變生產(chǎn)流程、組織設(shè)計(jì)、商業(yè)模式、供應(yīng)鏈、法律甚至文化環(huán)境，所以技術(shù)的采用和推廣往往需要幾年或幾十年的時(shí)間。這種互補(bǔ)性在現(xiàn)代企業(yè)和經(jīng)濟(jì)中是無處不在的，并且具有相當(dāng)大的慣性，從而放慢實(shí)施新技術(shù)不乏。例如，將自動(dòng)駕駛卡車整合到城市街道上可能需要改變交通法規(guī)，責(zé)任規(guī)則，保險(xiǎn)等，因此需要在多個(gè)維度上進(jìn)行補(bǔ)充性修改，應(yīng)用需要更長的時(shí)間來影響經(jīng)濟(jì)和勞動(dòng)力、法規(guī)、交通流量等，而將呼叫中心人員切換到虛擬助理可能只需要對業(yè)務(wù)過程或客戶體驗(yàn)進(jìn)行相對較少的重新設(shè)計(jì)。

隨著時(shí)間的推移，另一個(gè)因素變得越來越重要：新商品，新服務(wù)，新任務(wù)和新流程會(huì)出現(xiàn)。 這導(dǎo)致全新的任務(wù)和工作，從而可以改變上述關(guān)系的程度和標(biāo)志。 從歷史上看，隨著一些任務(wù)的自動(dòng)化，釋放的勞動(dòng)力會(huì)重轉(zhuǎn)移到新的商品或服務(wù)，進(jìn)入到更有效的生產(chǎn)過程中。 這種創(chuàng)新比增加資本、勞動(dòng)力或資源投入，更能提高總體收入和生活水平。 ML 系統(tǒng)可以通過自動(dòng)化來加速符合上述標(biāo)準(zhǔn)的許多任務(wù)。

隨著越來越多的數(shù)據(jù)進(jìn)去線上并匯集起來，以及發(fā)現(xiàn)哪些任務(wù)應(yīng)該由 ML 實(shí)現(xiàn)自動(dòng)化，我們將更迅速地收集數(shù)據(jù)以創(chuàng)建更強(qiáng)大的系統(tǒng)。與我們以及掌握的解決方案不同，許多 ML 自動(dòng)化任務(wù)的解決方案都幾乎可以立即在全世界傳播。我們可以期待未來的企業(yè)軟件系統(tǒng)都將嵌入ML系統(tǒng)，自動(dòng)化的成本將進(jìn)一步降低。

近期監(jiān)督學(xué)習(xí)系統(tǒng)的浪潮已經(jīng)產(chǎn)生了相當(dāng)大的經(jīng)濟(jì)影響。 ML 進(jìn)一步發(fā)展，最終影響的范圍和規(guī)模可能會(huì)超過或內(nèi)燃機(jī)或電力等通用技術(shù)。 這些進(jìn)步不僅直接提高了生產(chǎn)力，而且更重要的是，引發(fā)了機(jī)器、商業(yè)組織乃至整個(gè)經(jīng)濟(jì)的創(chuàng)新浪潮。 在技能，資源和基礎(chǔ)設(shè)施等方面作出正確的互補(bǔ)性投資的個(gè)人、企業(yè)和社會(huì)得到了蓬勃發(fā)展，更好地理解每種類型 ML 的具體適用性及其對具體任務(wù)的影響，對于理解 ML 帶來的經(jīng)濟(jì)影響至關(guān)重要。

總結(jié)

以上是生活随笔為你收集整理的《Science》杂志：机器学习究竟将如何影响人类未来的工作？ 2018-01-11 Smiletalker AI科技评论 AI 科技评论按：人工智能、机器学习相关技术已经多次刷新了人们对于「计算机能的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。