【我的AI研究让老爸丢掉饭碗】先搞定狭义AI，再去担心超级智能

【新智元导读】作者PhD时的研究是帮助银行做交易算法，利用人工智能，金融交易的自动化导致大批交易员失业，这其中竟然包括作者的老爸。本文以此为引子，讨论了狭义AI，通用AI，HI+AI，AI对人类工作的影响，以及AI时代的教育问题。

早在2007年，伦敦作为世界金融资本的中心蓬勃发展时，出现了一个称为“算法交易”（algorithmic trading）的新领域。实际上，算法交易是利用人工智能，比任何人的操作都更快地在金融市场进行投资。像搞AI的大多数博士生一样，我那时也在跟银行合作，帮助他们创建自己的交易算法，这些算法体现了他们交易活动的3%左右。快进到2017年，这种类型的交易某些情况下已经占到所有交易的90%以上，在大型银行中几乎完全取代了人类交易员。这些受害者中有一个竟然是我自己的父亲，一位热心工作了40多年的交易员。他现在已经失业，因为我，以及其他人，创造了替代他的技术。

看着我自己的爸爸失去他热爱的工作对我来说是一个警钟，让我想必须采取一些措施来防止这些境况也发生在别人身上。这就是为什么我决定加入法国政府参与AI策略的制定，旨在使法国成为人类和机器共同发展的国家。

来自法国战略（France Strategies）和法国数字理事会的成员组成的团队采访了来自不同行业的60多人，了解他们将如何受到自动化技术的影响，并且在最近的对法国工作的自动化的研究的基础上发表了一份报告。（报告地址：http://t.cn/RStgvLr）

正如我们的研究所指出的，有一件事情已经变得很清楚：在未来10年，AI 的影响程度将超出我们所能想象的范围。这是决策制定者正在面临的真正问题，因为假如不能成功向可持续的AI社会转型，将导致大规模的失业和经济衰退。

首先，我们需要搞定狭义AI，再去担心超级智能

在谈论机器对我们的生活的影响时，让我们先梳理一下我们将要谈论的AI的类型。AI的三种常见类型是：

• 狭义人工智能（Narrow AI）：机器能够重现特定的人类行为，没有意识。基本上，机器只是一个能够自动执行某些任务的强大工具，就像算法一样。也称为弱人工智能（Weak AI）。
• 强人工智能（Strong AI）：机器能够完全重现人类智慧，包括抽象，语境适应，等等。也称为通用人工智能（AGI，Full AI 或 General AI）。
• 超级智能（Super-Intelligence）：比所有人类智慧加起来更加智能的强大AI。

今天，我们还只能实现狭义的AI。强AI和超级智能让我们遐想纷纷，但那是我们仍然无法企及的。会有实现的一天吗？或许。但是，有一点容易被忽视的是，在未来10年内，假如我们不能正确处理，弱人工智能就已经足以摧毁我们的社会。

如果我们不能解决弱人工智能带来的社会问题，我们将永远不会实现超级智能。

事实上，弱人工智能已经是非常强大的工具。它能够识别图像中的对象；能够在围棋中击败世界冠军；能够重现任何伟大艺术家的风格；能够理解自然语言的查询；能够让你的房子自动化，让开车这个行为自动进行；能够生成足以以假乱真的图像；能够比医生更好地诊断癌症；能够比你自己更快地发现照片中的你自己的孩子，等等。

但归根结底，AI 只是一项技术，尽管争论重重。随着人工智能成为主流，许多公司都在寻求将AI推向市场的方式，将其变成一个涵盖性的术语——就像此前的大数据和云计算一样。这里，我们使用如下定义：

• 人工智能：机器重现人类行为的能力。不管使用来实现它的技术是什么。
• 机器学习：机器从示例中学习如何重现特定行为的一系列AI算法。机器学习算法有许多类型：神经网络，支持向量机，决策树，等等。
• 深度学习：一类机器学习算法，其中神经网络中数据的连接的层被组合起来，以学习越来越抽象的概念。

简单地说，深度学习是机器学习的一个分支，机器学习是人工智能的一个分支。

在今天搞AI的人，大多数做机器学习，搞机器学习的人，大多数做深度学习，所以假如你混用了这几个词，是情有可原的。

AI 在最近成为主流的主要原因是，首次，有两个指数趋势一同出现了——计算力变便宜了，同时大规模的数据变得易得了——这使得教机器自己去做任务，而不是为某个任务编程成为可能。换句话说，AI成为可能，是因为我们大量投资了云计算和大数据。

我们正在从一个为机器编程的世界，转变为一个教机器学习的世界。

实际上，直到最近，当我们想自动化执行一个任务时，我们仍然必须先了解该任务的每个细节的每个行为，然后编写一个计算机程序——即一种算法——使其自动化执行。例如，为了制造一个可以识别猫的机器，人类工程师必须弄清楚哪些是猫的独特特征（尖尖的耳朵，毛，尾巴，可爱的外表，等等），然后找到一种方式去在一个计算机程序中表现这些特征。任务越复杂，自动化所需求的资源就越多，而且假设的前提是人类能够理解这个任务。

另一方面，使用AI的话，就不需要真的理解整个过程，因为机器本身要学习重现这个行为。为此，人类工程师需要做的是编写大量示例数据，并将这些数据提供给通用的机器学习算法，然后算法学习重现示例里的行为。人类工程师不再需要了解猫是什么，需要做的只是提供给计算机很多猫的样本，让计算机自己弄清楚猫是什么。而且由于收集数据比理解事件要容易而且快速得多，现在，让一个任务自动化执行的速度提升了好几个数量级。

人类和机器必须被看作是互补的

这种自动化的革命是前所未有的，不是仅适用于低收入的工作，而是适用于任何类型的工作。鉴于这种破坏如此广泛而且快速，我们不得不停止“人类反抗机器”的思想，而应该思考“人类+机器”。

AI不是人类 vs. 机器，而是人类+机器。

例如，医生的工作是收集有关患者的数据，然后进行诊断，找到合适的治疗方法，帮助患者痊愈。由于狭义AI已经能够比人类更好地分析和诊断X光片，找到最适合的治疗方法并提出更多的相关测试，那么，到了2022年，医生的作用是什么呢？很可能，常见的疾病将由AI医生来治疗，而人类医生将集中精力去研究处理复杂病例（需要通用智能），并帮助患者康复（需要情感智能）。医生这一职业不会消失，但他们的工作将转变为医学研究人员和护士的结合。

事实证明，许多工作都将遵循类似的模式：它们将被改造，而不是消失。在这一假设的基础上，我们形成了一个确定一项工作被自动化的可能性的简单框架。首先，我们将工作分解为任务，包括该项工作的正式任务，以及人们在实践中所做的其他任务。然后针对这些任务，根据以下标准确定其自动化的可能性：

1. 它在技术上是可行的吗？有时候，技术或者数据根本不存在，因此，无论我们多么希望自动化这项任务，实际上都是不可能的。
2. 它需要复杂的人工干预吗？事实证明，机器人学发展的趋势并不是与AI的趋势一致，这主要是因为建造和测试一个机器人需要大量的时间和成本。像煮咖啡这样的简单任务，对机器人来说是几乎不可能的，因为涉及的每台机器都不一样，所需的手部动作非常复杂。这意味着，大多数非重复性的手工劳作是安全的，不会很快被AI取代。
3. 它能被社会接收吗？只是因为某个任务可以自动化，并不意味着我们一定要自动化它。一个很好的例子是足球裁判。当前的AI技术已经能够轻易地实时分析比赛情况，并在运行中适用规则。但实际上这样做的话，比赛会变得非常无聊，因为AI裁判会不断地暂停比赛！人类裁判就有代替规则的能力，能够从当时的情境判断是要紧跟还是让球员继续踢。
4. 它需要情感智能吗？这对大多数人来说是显然的。某些任务需要人类情感的微妙理解。虽然一台机器可能能够表现出同情心，但它实际上并不会感觉到同情。这就是为什么在传达诊断结果时，人类医生总是比AI医生做得好，也是为什么人类管理者总是比AI管理程序更好。
5. 它需要通用智能吗？今天的AI在特定的、狭义的任务中已经做得比人类好得多，但它们无法将学到的知识推广到其他问题，或适应语境。例如，一辆自动驾驶汽车可以学会比人类更好地在道路上驾驶，但遇到不可能的情况时，它们往往不知道如何处理。有一个例子能很好地说明这点：一位艺术家在地上画了由白色实线和虚线组成的一个圈，就能困住一辆自动驾驶汽车。人会马上发现这很荒谬，但由于自动驾驶系统的一大原则是跟随路面标记，AI会认为“我可以跨过虚线”，但却只能被困在圆圈里，因为它不能穿过实线！

James Bridle的自动驾驶汽车陷阱

假如有超过2/3的任务自动化了，那么这个工作就会消失。假如一个工作自动化的部分不到1/3，那么什么都不会改变。其他情况下，这个工作会发生变化。

当然，不同国家受影响的程度不同。例如，韩国、日本和德国的制造业已经是大量自动化的，因此可能不会是受到太大影响。相比起来，中国受影响的程度就大得多。

制造业中每10000名雇员所拥有的工业机器人数量（2014年）来源：VDMA

法国就业委员会最近的一份报告提出，在法国，约有10％的工作将会消失，50％将会发生变化，剩下的40％将维持不变。具体如下：

• 可能会消失的工作：卡车司机，出租车司机，火车司机，放射科医师，会计师，律师助理，金融交易员，金融经纪人，服务台电话员，房地产代理，新闻写作者，非技术工人，等等。
• 维持不变的工作：护士，老师，心理学家，团队经理，创意工作者，新闻分析师，顾问，研究科学家，医学研究者，哲学家，设计师，艺术家，工匠，厨师，演员，等等。
• 将会改变的工作：理赔经理，个人理财顾问，软件工程师，数据科学家，医生，技术工人，律师，电影导演，作曲家，剧作家，水管工，电工，等等。
• 将出现的新工作：很难预测实际上将创造出来的新工作有多少，但有些已经开始出现了，例如AI主管（检查AI的结果），数据标记人（很可能是未来的工厂工作），AI律师（保护机器的权利的人），语音设计师（设计语音接口和语音产品，而非视觉的），等等。

值得注意的是，与大众的认识相反，许多高薪工作也将消失，就像我们看到的金融交易员消失一样。鉴于一项工作自动化后将带来生产率的提高，决定将哪些工作自动化的优先级将考虑的是其薪酬水平，以及从事这项工作的人数。比如说，交易员人数不多，但他们薪酬高昂，所以会像人数众多但薪酬低廉的工厂工人一样很快消失。这两种情况带来的净成本降低是差不多的，虽然失业的人数更多的话导致的社会成本较高。

图：绿色，你很安全；橙色，你要倒霉了；红色，你应该尽快换工作！

已经有较好的福利制度的国家（例如法国和北欧）可能会处理这些额外的失业问题，所以真正的问题在于50%左右的不会完全消失，但将发生改变的工作。

解决AI带来的工作危机不是解决大规模失业问题，而是解决大众连续教育问题。

我们已经看到医生的工作将会如何改变了。大多数情况下，医生不必去诊断疾病，也不必寻找正确的治疗方法，因为机器在这些方面能做得更好、更快。但医生仍然需要，他们要保持与患者的人际关系，并且监督AI，以确保结果不出错。这里有两个重要影响：一是医疗领域的权利平衡，以及医疗工作者间的薪酬差距，将会发生巨大的变化；二是我们将需要找到一种对所有将发生改变的工作者进行持续的教育的方式，传统的一次学习，一生有用的教育模式已经不再适用。

我们必须重新思考AI时代的教育制度

将任务派给AI做的好处是，我们不必为了胜任一份工作去学习那么多的技能。这是因为月单调乏味的任务，硬技能（例如编程，数学计算，流程，等等）相比软技能（同理心，管理，领导，创造力，等等）更有可能自动化。鉴于软技能可以从一项工作转移到另一项工作，因此，到2022年，学习一项新工作所需要的时间比现在要少很多。

但是，需要有持续学习的能力，反过来也需要时间和良好的教育资源。相比4年制大学，短期课程（线上或线下）和实习可能对大多数工作来说足够了。我们今天已经看到这点，例如Uber司机，或数据科学家：通常在有需求之后，才会有正式的学位，推动他们自己去学习，而且一旦遇到现实世界的问题，他们会不断提高自己的技能。

与其由于多年前学会的知识而陷在某个职业里，我们将一生持续学习，并且就像搬家一般轻松地换工作。

学习是持续一生的事情

可能发生的一个有趣的附带效应是：随着受教育年限变得越来越短，人们将能够更快、更轻松地改变自己的职业生涯。这反过来又会导致就业市场流动性更高，因为找工作的人会有更多选择，而雇主不必找受过特定教育的人。工作的供求关系将更加平衡，这意味着福利成本降低，生产力，消费力，竞争力，以及最重要的人的幸福感都将提高。

在提供持续教育的同时，将任务交给AI可以解决当前的工作的供需问题。

此外，由于有些工作可能比其他工作更易受到影响，因此有机会进行预防性的教育，高风险工作者可以在下岗之前离职，以便过渡到新的工作。

当然，我们都可能是错的，AI可能只是一种短暂的狂热。也许我们会到达一个平台期，也许我们会竭尽全力拒绝与机器一起生活。但这些赌注都太高了，无法去下这个赌注。虽然，对我爸爸来说已经太迟了，但对我们其他人来说还不迟：我们可以打造的未来，是机器增强人类，而不是机器接管人类的未来！

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