人工智能將給未來工作帶來什么樣的改變？

• 2018年9月30日 ZhangHongYuan來源：經濟觀察報 902 56
• 繁體

• 

  行業集中度在不斷提升，不進則退。ITO鍍膜情報分析把握有力發展方向！

  企業并購包括兼并與收購。公司兼并是指經由轉移公司所有權的形式，一家或多家公司的全部資產與責任不需經過清算都轉移為另一公司所有，而接受全部資產與責任的另一公司仍然完全以自身名義繼續運...

如果說IQ是用來測量一個人的智商，EQ用來評價一個人的情商，那么AIQ就是評價一個人對人工智能的認知。

現在的AI，無論是亞馬遜的Alexa，或者蘋果的Siri，都并不懂得語言的含義，但是卻能準確判斷文字之間的相關性。不究原因，只強調結果，AI能帶來高效率，而我們暫時遠不用擔心它能和我們有一樣的智慧。

這也是培養AIQ的第二個要點，不用過早擔心AI是否會取代人類，因為現在的AI發展距離通用機器智能(AGI)，距離趕上人類的智能還很遠。數字工程師現在要花90%的時間用于處理數據，把非標的數據變成機器可以讀懂的結構化數據，只有10%的時間用在推進AI的發展上。因為AI只聽得懂數字，無論是圖像還是文字的識別，都是找出它們的數字屬性，然后讓AI做最擅長的事：快速地計算和找到準確的關聯。

培養AIQ的第三點，需要理解人與現在的AI之間到底有哪些優勢和劣勢。

十幾年前，當時擔任美國國防部長的拉姆斯菲爾德曾經特別就美軍在伊拉克面臨的風險做過一個四個象限圖的分析，分別是美軍知道美軍自己知道的風險(已知的已知);美軍知道美軍還沒有掌握的風險(已知的未知);美軍并不知道自己已經掌握的風險(未知的已知)，以及美軍根本不知道自己還不知道的風險(未知的未知)。

如果以美國掌握的全球恐怖主義信息為例，第一種風險是美國知道本拉登建立了基地組織;第二種風險是美國知道自己并不知道本拉登基地組織的目標到底是什么;第三種風險是CIA已經知道與本拉登相關的人曾經在美國學習飛行，并且再次入境美國，但是并沒有就這一重要信息做出分析，因此美國的決策者并不知情;第四種風險則是美國根本無法預測2001年紐約的911事件會發生。

同樣，套用這四個象限分析，也可以清晰地分辨人與機器之間的差別。

應用場域最廣的領域是“已知的已知”領域，即有著大量數據，而我們也很清楚知道如何做出好的預測的領域，比如說防欺詐、醫療診斷等等。這些領域AI已經大規模取代人，因為機器從大數據中找出相關性的速度比人要快得多。

如果反思一下2008年金融危機，首要問題是為什么評級機構當年沒有看到次級債(CDO)的風險。答案并不是因為評級機構當時沒有充足的數據。癥結在于他們設計的風險模型中并沒有考慮到不同市場價格變動的相關性，比如紐約和芝加哥房價同時下跌給CDO帶來的風險。有了AI就不再會出現這種問題，因為可以從更多維度對數據做出分析。“已知的未知”領域，將仍然是人的領地。這個領域并沒有大量數據，無法幫助AI做出好的預測。相反，人卻能利用小數據來舉一反三。當然這也恰恰是機器學習發展非常快的領域，如果機器能夠學會如何像人一樣學習，智慧會進一大步。

第三個領域，也就是“未知的未知”領域，人和機器都束手無策。黑天鵝就是一種未知的未知，人和機器都很難預測。原因很簡單，AI從本質上仍然是利用歷史數據預測未來。如果某個新物種，從來就沒有人見過，又何從預測呢?比如說，共享音樂Nap-ster給CD行業帶來的毀滅性打擊就很難預測。

最后一個領域，就是“已知的未知”領域，AI和人一樣容易犯錯，而應用AI會帶來更大的風險，因為AI可能飛快地將錯誤放大千百倍，讓人措手不及。所謂已知的未知，意思是我們已經能做出了預測(不管是人還是AI)，但是卻并不知道背后真正的原因，甚至有時候以為自己知道原因，其實卻是錯的。

國際象棋大師卡斯帕羅夫在《深度思考》中就提到一個早期研究國際象棋的AI犯錯的例子。AI在看到大量棋譜之后，發現很多象棋大勢在犧牲王后之后，往往很快就能有致贏的后手，所以這種AI會開局就選擇放棄王后。這就是在“已知的未知”領域內犯錯的例子，因為它把相關性錯認為是因果性，把現象——好的棋手有的時候會丟棄王后——當做了制勝的原因。

有了這四個象限的分析，人與機器的差別也就非常清楚。簡單重復的勞動，甚至一些中等的職位，比如起草標準合同的律師工作，都會被機器所取代，因為有著大量數據可以培養出強大的AI，但是在探索未知領域，人類仍然有巨大的潛力。

人工智能與職場風險

喬布斯有句名言，電腦是思想的自行車。如果說電腦加快了思想的運算速度的話，AI作為新一代的通用科技，又將如何推動思想的發展?一定會讓很多人從簡單重復的勞動中解放出來，有機會讓更多人釋放出更多的創造力。

從這一視角分析AI可能給人的生活和職場帶來的改變，就不必簡單地去擔心工作被自動化所代替，而是要從整個工作流程的角度看AI到底會給職場帶來什么樣的改變。和過去的技術迭代一樣，AI一定會取代一些工作，或者一些工作的一部分，但同時也一定會創造一些新的工作機會，或者把一部分既有工作變得更吃重，所不同的是，這樣的改變速度更快，頻次更多。

先舉一個商學院錄取流程的例子來看AI如何重塑工作流。商學院MBA的錄取流程可以分拆成三個階段，不同階段需要配置不同的資源。第一步是推廣，也就是鼓勵學生申請，讓更多潛在學生了解MBA課程。第二步是評判，也就是對申請人進行篩選，通常需要大量人工去做。第三步是給出結果，盡可能鼓勵合格的申請人接受錄取通知書。一個傳統的MBA錄取流程，會在第二階段配置大量有經驗的人力，而且會限制推廣，擔心人力無法及時處理大量的申請。

AI在商學院錄取流程中的應用，會從第二環節開始，培養出特別擅長對申請人進行篩選和評判的AI。AI替代手動篩選評判申請人這一流程的同時，也會讓資源可以配置到其他流程中，比如沒有了篩選的人力瓶頸，商學院會愿意加大市場宣傳力度以吸引更多的申請人，甚至可能免除申請費，因為AI審核的成本接近為零。從這一角度去思考，AI給商學院帶來的改變并不是簡單地替代某項工作，而是會重新安排招生三個步驟的資源分配，AI給工作流帶來的改變，遠比簡單的自動化要深遠地多。

那AI給未來的工作會帶來什么樣的改變呢?

第一種情況，當工作的一部分職能被自動化了之后，工作本身反而變得更重要了。這在PC時代就曾經出現過。比如Excel的出現讓財務的話語權更大，而不是讓更多會計師失業。同樣，工作的一部分被自動化會讓那些需要更多人判斷的工作變得更重要也更有價值。

第二種情況，機器的確會替代一些工作。比如說亞馬遜分揀倉里的分揀員。亞馬遜的物流配送分揀倉雇傭了4萬多人，因為人仍然比機器能更快地分揀貨物。但是亞馬遜也意識到，只要人在整個流程中存在，物流配送就無法完全自動化。亞馬遜2012年收購機器人公司Kiva就是要向自動化邁出一大步。未來當機器完全取代人類分揀員之后，倉庫就可以變成黑燈倉庫，節約照明和空調的電費，而且可以24小時不停歇地工作，大大提升效率。

第三種情況，AI會重塑一些工作，取代一部分職能，同時增加另一部分智能。比如說放射科醫生。放射科醫生主要的工作是解讀X光片或者CT影像。現在機器已經可以做得更好了。但這并不意味著放射科醫生的工作會被替代。他們的工作會發生大的變化。一方面，他們仍然需要向其他醫生解釋AI得出的影響判斷，另一方面為新機器的AI提供訓練也是他們未來的工作之一。

延伸閱讀

推薦閱讀

猜您喜歡