为何机器人抢不走你的工作

为何机器人抢不走你的工作——至少现在还不行

今天，人们普遍认为智能计算机会抢走我们的工作，在你早餐还没吃完以前，它就已经完成了你一周的工作量，而且他们还不休息，不喝咖啡，也不要退休金，甚至不用睡觉。但事实上，虽然很多工作未来都会自动化，但至少短期内，这种新品种智能机器更有可能是与我们一起工作（而不是取代人类）。

虽然人工智能机器在很多领域建树非凡，譬如预防欺诈，甚至比医生还可靠的癌症诊断。但现今最尖端的人工智能机器也跟一般人脑智力相差甚远。

麦肯锡2017年的一份报告认为，在现有科技下，只有5%的工作可以完全自动化，60%的职业中有大约三分之一的工作可由机器人完成。

千万别忘了，并非所有机器人都使用人工智能——有些用，很多不用。问题是，阻碍智能机器人通过人工智能接管世界的毛病，也恰恰是它们与人类共事显得非常糟糕的原因。谷歌的相片识别软件曾经将黑人的脸辨认为猩猩，人工智能机器也不能完全自定义目标，解决问题，甚至是运用基本常识都有问题，这些新一代机器工人所缺乏的这些技能，对于人类，即或是最愚钝者，也是易如反掌。

因此，在心灰意冷之前，你需要了解几点与新的机器人同事一起工作的法则。

法则一：机器人不会像人类一样思考

大约与玛德林革新长途电话的同时，英籍匈牙利哲学家波兰尼（Michael Polanyi）在苦苦思索人类智力的问题。波兰尼意识到，人类的有些技能，例如使用准确的语法，可以轻易地归纳成规则并向他人解释，有些则不能。

人类能不自觉地运用所谓的隐性能力，用波兰尼的话来说是"人类所知多于所能表述"。这包括骑自行车和揉面，以及更高水平的实践能力。唉，如果我们不懂规则的话，就不能把规则教给一台计算机。这就是波兰尼悖论。

为了解决这个问题，计算器科学家没有试图逆向设计人类智力，而是给人工智能开发了全新的思考方式——用数据思考。

微软研究院（Microsoft Research）高级研究员卡鲁阿纳（Rich Caruana）说："你可能以为人工智能的原理是我们先了解人类，然后以同样的方式构建人工智能，但事实并非如此。"他以飞机为例，我们早在详细了解鸟类飞行原理之前就造出了飞机，使用的空气动力学原理不一样，但今天我们的飞机比任何动物都飞得更高更快。

与玛德林一样，许多人工智能主体都是"神经网络"，它们通过分析大量数据，构建数学模型来学习。例如Facebook用大约400万张照片来训练人脸识别软件DeepFace。DeepFace在标注为同一个人的不同图像中寻找模式样本，最终学会人脸匹配，成功率达97%。

类似DeepFace的人工智能机器是硅谷的明日之星，并且已经在驾车、语音识别、文字翻译、标注照片等方面超过了其开发者，预计未来还将进军包括医疗以及金融在内的众多其他领域。

法则二：机器人新朋友并非绝对可靠，它们也会犯错

然而这种依靠数据的思维方法也可能会犯下大错，例如某人工神经网络曾经把3D打印的乌龟认成了步枪。因为这个程序无法进行概念推理 ，不会想到"这个东西有鳞和壳所以可能是只乌龟"。相反，它们是根据模式思考——这个例子中是以像素为单位的视觉模式。因此，改变图像中的某个像素，一个合理答案就可能演变成无稽之谈。

而且它们也不具备工作中必不可少的常识，不能把已有知识运用到新情境中。

DeepMind人工智能就是一个经典案例。2015年时DeepMind获令操作经典街机游戏《乓》（Pong）并要取得高分。如你所想，它几小时就击败了人类玩家，而且还开发了全新的获胜方式。但是让它再去玩类似的另一款游戏《打砖块》（Breakout），人工智能又得从零开始学起。

开发人工智能的迁移学习能力已经成为研究的一大领域，例如一个名为IMPALA的系统已能在30种情境下转换所学得的知识。

法则三：机器人无法解释自己的决定

人工智能的第二个问题是一个现代版波兰尼悖论。我们并不完全清楚人脑的学习机制，因此我们让人工智能用统计学家的方式来思考。讽刺的是，我们现在对人工智能如何思维也知之甚少，于是有了两套未知系统。

这通常被称为"黑匣子问题"——你知道输入的数据，也知道得出的结果，但不知道眼前的盒子是怎么得出结论的。卡鲁阿纳说，"我们现在有两种不同的智能，但两种我们都无法完全理解。"

人工神经网络没有语言能力，所以无法说明其所作所为及原因，而且跟所有人工智能一样也没有常识。

机器人的时代即将到来，并将永远改变未来的工作，但在它们变得更像人类之前，还需要我们守护在它们旁边。令人难以置信的是，硅谷的同事似乎在这方面做得非常之出色。