《AI·未来》 读书笔记

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-NC-SA 版权协议,转载请附上原文出处链接和本声明。

本文链接:https://blog.csdn.net/wangyaninglm/article/details/102926608

文章大纲

  • 前言
  • 揭开深度学习的面纱
  • 从竞技场杀出的世界级创业者
  • 两国演义和七巨头
  • 人工智能发展的四波浪潮
  • 乌托邦、反乌托邦和真正的人工智能危机
  • 一个癌症患者的思考
  • 简评

前言

随之而来,拥有世界最庞大手机用户群的中国得以最快地积累移动应用数据。移动用户基数使得中国的数据优势是美国的3倍,移动食品配送是美国的10倍,移动支付是美国的50倍,共享单车设施是美国的300倍。而利用这些丰富的数据资源,中国的计算机视觉、无人机、语音识别、语音合成和机器翻译公司,成为全球价值最高的创业企业。

相比人工智能,人类的优势在于创造力和同情心。让人工智能做它擅长的,我们可以创造更多有人情味的职业和岗位,可以有更多富有同情心的医护人员利用人工智能进行医疗诊治、护理,可以有超过现在10倍的老师来帮助孩子在这个新世界获得生存能力并勇敢地茁壮成长。


揭开深度学习的面纱

深度学习是所谓的“狭义人工智能”(narrow AI,或译作“弱人工智能”)——仅用于在特定领域能做出决策、预测和分类的人工智能应用。这已经能产生巨大价值,但仍远远未成为科幻片里的“通用人工智能”(general AI,或译作“强人工智能”)——人类能做的,人工智能都可以做。

深度学习最自然的应用领域是保险、贷款之类的金融业务,因为借款人的相关数据非常多(信用评分、收入、信用卡近期使用情况等),而最优的目标(降低还款违约率)很明确。更进一步的话,深度学习还可以进行自动驾驶,帮助车辆“看”到行驶的路况,如识别像素组成的形状(比如红色圆形),判断它和什么有关(比如红灯“禁行”),以此信息来做出决策(刹车并停车),以达到期望的结果(用最少的时间把我安全送到家)。

人们听到深度学习就兴奋,是因为它的核心能力——识别规律、得出最优解、做出决策可应用在很多日常问题上。

人工智能新时代,谁能保持领先

西方国家点燃了深度学习的火炬,但最大的受益者将会是中国,这种全球性的变化是由两方面转变引起的:从发明的年代转变为实干的年代;从专家的年代转变为数据的年代。

实干的年代

深度学习的先驱吴恩达认为,人工智能类似于第二次工业革命中电力的发明[插图],本身是一项突破性的技术,一旦被大幅采用,就能革新许多不同的产业。就像19世纪的创业者很快学会运用电力烹饪食物、照亮房间、启动工业设备,今天的人工智能创业者也运用深度学习来落实各种创新应用。人工智能许多抽象的研究工作大都已经完成,研究中遇到的困难大都也已解决,现在是创业者“撸起袖子加油干”,把深度学习算法转换为持续经营的事业的时候了。 数据的年代

现今,成功的人工智能算法需要三样东西:大数据、强大的电脑运算能力,以及优秀(但未必顶尖)的人工智能算法工程师。想在新领域善用深度学习的能力,这三者都是必要的。但在实干的年代,这三者当中最重要的还是数据,因为当电脑的运算能力和工程师的能力达到一定门槛水准之后,数据量的多寡就成为决定算法整体效能与精准度的关键所在。

中国的优势

今天,若想妥善利用人工智能的能力(即21世纪的电力),也需要四项要素:大量的数据、热切的创业者、人工智能科学家,以及对人工智能友善的政策环境。比较各国在这四项要素上的优劣,可以预测未来人工智能新世界的发展情况以及权力天平向哪边倾斜。

人工智能时代真正的危机

人工智能产业倾向于“赢家通吃”,这种倾向将会加剧获利与财富集中的问题。 人工智能时代的新世界秩序

人工智能时代的世界秩序,将会结合下列因素进一步发展:“赢家通吃”的经济,财富空前集中在中、美少数几家公司。我认为,这才是人工智能造成的最大的潜在威胁,因为严重的失业和财富分配不均问题将会造成社会不稳定


从竞技场杀出的世界级创业者

美国企业界对中国创业者掀起的全球浪潮尚未做好准备,因为他们从根本上误解了“克隆家”的成功秘诀——王兴的成功并不是因为他只会借鉴,而是因为他是从血与火的竞争中熬炼出来的冠军角斗士。

“成二代”和“穷二代”

中国经济的飞速崛起没能明显减轻这种匮乏心态,反而在某种程度上加强了大众对新创富机会的极端渴望。很多中国人都曾目睹在政策和法规与市场竞争的状态不充分匹配时,产业、城市与个人是如何在崛起和倾覆间徘徊的。改革开放的总设计师说“先让一部分人富起来”[插图],才能进一步发展。闪电般的发展速度在某种程度上加重了部分人的焦虑感:如果不抓住新的机会,进入新的市场,就只能眼睁睁地看着身边的人变富。以上三个要素:接受借鉴的文化环境、匮乏心态,以及为抓住创富机会而愿意投入有前景的新产业的迫切,构成了中国互联网生态系统的心理基础。

什么都可以模仿

中国的第一个搜索引擎是麻省理工学院物理学博士张朝阳建立的。他在美国目睹了互联网的早期腾飞,想在祖国带动类似的发展。于是他带着麻省理工教授提供的资金返回中国,试图建造中国互联网的核心基础设施。但是,在和雅虎(Yahoo!)的创办人杨致远面谈之后,张朝阳转换了焦点,打算做一个简体中文的搜索引擎和入口网站。他把这家创新公司命名为“Sohoo”(搜乎),直白地结合了中文“搜索”里的“搜”字,代表这家公司的主要功能,并且仿效了美国公司“Yahoo”的尾音。

模仿到底是一种阻力,还是助力?

硅谷投资人深信,纯正的创新心态是打造谷歌、Facebook、亚马逊、苹果等一流公司的基石。“不同凡想”(think different)的能力,驱动乔布斯、扎克伯格、杰夫·贝佐斯等人打造出了改变整个世界的公司。 谷歌与百度:黄页与购物商场

我在谷歌的4年期间,这样的奋战层出不穷。平心而论,谷歌总部给予我们的自由度,已经远大于大多数硅谷企业给其中国分公司的自由度,我们也利用这一点,发展出许多针对中国需求而优化的产品特点,赢回不少谷歌中国前几年流失的用户。但是总部一直拒绝过多代码“分支”,我们发展每一项新功能,都要与总部打一场硬仗,这让我们动作迟缓,也让我们精疲力竭。许多谷歌中国的员工厌倦了和总公司的斗争,沮丧地离开了。

硅谷大腕为何在中国变成“纸老虎”

我在美国公司工作多年,又花了许多年给它们在中国的竞争对手做投资,我发现硅谷进军中国的方式才是它们在中国市场上失败的重要原因,它们输在了自身的策略与管理上,与中国政府的管理并无关系。美国公司把中国市场和其他市场一视同仁,把中国企业当作一排排等待它们征服的对手,等待着把这些企业从市场的“生死簿”中一个个勾选掉。他们不投入资源,没有耐性,也不给中国团队自由,让团队没办法和中国顶尖的创业者(也是全球顶尖的创业者)竞争。他们认为,在中国市场的主要工作就是向中国用户销售目前已有的产品。而实际上,他们应该根据中国用户的特性与需求,针对性地调整已有产品,或是从头打造更适合中国市场的新产品。他们对产品本地化的抗拒降低了产品迭代的速度,使得本地团队举步维艰。

天生“精益”的创业斗士

“精益创业”方法最早出现于硅谷,《精益创业》(The Lean Startup)[插图]一书的出版让这个方法流行起来。“精益创业”的核心理念是:创始人不知道市场需要怎样的产品,只有市场才知道。因此,创业公司不应该花大量时间,投入大笔金钱,默默地开发自己眼中完美的产品,而是应该快速推出“最小可行产品”(minimum viable product),以此测试市场对该产品不同功能的需求。互联网创业公司能根据用户反馈获得实时数据,立刻开始迭代产品:丢弃用户不用的功能,加上需要的新功能,继续在市场中试水。

王兴的蜕变

在“千团大战”中,王兴用上了他所有的技巧。他在2010年年初创立美团,招募了他先前创立校内网和饭否网时身经百战的老员工来领导公司。他不再采用过去原样借鉴Facebook和Twitter的手法,而是打造了更加迎合中国用户偏好的用户界面——把信息填满了用户界面。

美团建立时团购大战刚开始升温,竞争者在一年时间内为线下广告砸的钱超过了10亿元人民币。当时的主流思想是要想在众多竞争者中脱颖而出,公司必须通过融资获得一大笔钱,并把这笔钱花在广告和补贴上以赢得用户。更高的市场占有率可以融更多的钱,进而重复这个循环。热情的投资人在数千家几乎完全相同的公司上投入了大笔资本,中国的城市居民用低到不可思议的优惠价格,成群结队地在餐馆内用餐。这几乎是中国的创投界在招待全中国人吃晚餐。

创业者、电力与燃料

王兴的故事并非只是“借鉴致富”,他的创业故事背后是中国互联网科技生态系统的进化史,这个生态系统最大的资产就是一批坚毅勇敢、百折不挠的创业者。他们先是在本土节节击退硅谷巨头,学会了如何在全球最残酷的创业环境中生存下来,然后利用中国互联网革命和移动互联网的爆炸式发展,为现在由消费带动的中国新经济注入了活力。这些成就固然了不起,但与这些创业者即将用人工智能带来的改变相比,则是小巫见大巫。互联网在中国的萌发,就像电报的发明,缩短了人与人之间的距离、加速了信息流通、促进了商务拓展。而人工智能在中国的萌发,则会像电力的应用那样,为各行各业赋能,改变市场格局。在竞技场上磨炼过的中国创业者现在看到了这项新技术的潜力,已经在寻找能借此获利的产业与应用。

互联网的未知海域

中国的科技创业公司没有这么好的条件,它们身边满是凶猛的竞争者,虎视眈眈地准备对它们现有的产品逆向分析。它们必须用规模、资金以及劳动力的效率来跟竞争者拉开差距——疯狂烧钱,依靠大量廉价劳动力来运作它们的产品,使它们的商业模式难以复制。这是中国互联网世界的重要特质,是脑袋里根植着硅谷正统观念的美国分析师们无论如何也无法理解的特质。

人工智能时代的数据王国

送外卖、汽车维修、共享单车、街头便利店等行业的互联网化,使中国拥有了人工智能时代的大量关键资源——数据。靠着实地苦干,中国在这方面远远超越了美国,成为全球最大的数据生产国(并且差距还在日益扩大),为中国在人工智能实干年代的领导地位奠定了基础。

轻量与重磅

O2O展示了硅谷与中国之间更深层的区别,我称为“轻量”(going light)和“重磅”(going heavy)。这两个词指的是互联网公司在一项产品或服务方面的涉入有多深,还代表着公司连接线上与线下世界时的垂直整合程度。这一模式的选择在人工智能的实干时代影响会更大。打算颠覆新产业时,美国的互联网公司往往采取“轻量”模式。它们普遍认为,互联网的根本力量在于分享信息,消除知识鸿沟,用数字的方式连接大众。它们身为互联网公司,坚守着这股力量。硅谷创业公司会自己建立平台,但会选择让实体企业处理现实世界里的工作。它们希望通过智取战胜竞争对手,用优雅的代码解决信息问题。

愿意重磅——花钱、管理劳动力、提供跑腿、建立规模经济——改变数字经济的同时也改变了实体经济。中国的互联网更深入地渗透了大众的经济生活,并且影响着消费趋势及就业市场。在麦肯锡公司(McKinsey &Company)2016年做的一项调查中,65%的中国O2O用户说移动应用让他们在吃饭上花了更多的钱。另外,分别有72%和42%的用户说移动应用增加了他们在旅行和交通上的消费。

模糊的界限与美丽新世界

世界排行前五大的新创公司,包括蚂蚁金服、小米、滴滴出行、Uber和美团网,中国已经占有四席,这五家公司都是数据驱动+AI

但是中国还有未被发掘的更大宝藏。如同长期埋藏在地下的有机物质最终变成推动工业革命的化石燃料一般,中国互联网公司利用现实世界中丰富的互动获得了推动其人工智能革命的庞大数据。这个多维世界的每一个维度都为数据的增加提供了新的增长点,这些规模空前的数据能够细致描绘现实世界用户的消费及出行习惯。O2O业务的爆炸式增长提供了海量的用户线下生活数据:每天的餐饮、按摩、美容美发及其他日常活动的时间、地点和内容。移动支付打开了实体世界消费的黑匣子,给这些公司提供了消费者行为精确、实时的数据图。共享单车在各个城市投放的物联网交通器材,追踪记录了数千万前往公司、商店、住所及初次约会地点的行程。这些数据在量与质方面都远远胜过了Uber及来福车(Lyft)之类公司手中的数据。


两国演义和七巨头

毫不夸张地说,1999年以前,中国科技人员对人工智能几乎一无所知。那一年,我到中国科学技术大学做讲座,给同学们介绍刚成立一年的微软中国研究院在图像识别研究上的进展。这所大学的工程学院在全国名列前茅,但它不在北京,坐落于相对偏远的安徽省合肥市。

这些学生手里拿的课本是当时中国最好的教材,虽然大多数版本老旧、翻译不佳。在当时,优秀学生很难出国读书,除非有全额奖学金,在互联网没有普及的校园里,泛黄的教科书和偶尔来访的学者的讲座,是他们接触全球人工智能研究的唯二途径。20年过去,现在一切都不一样了。

人工智能超级大国的那些事

在21世纪要建设人工智能超级大国,需要具备四个条件:大量的数据、执着的企业家、优秀的人工智能科学家和有利的政策环境。中国创业公司的竞技场选拔出了世界上最精明强悍的企业家,中国的另类互联网世界创造了世界上最丰富的数据生态环境,再加上另外两项助力——人工智能专家的涌现和中国政府的政策支持,在这个人工智能实干的年代,硅谷的优势将不复存在。

诺奖得主与无名工匠

费米和曼哈顿计划代表了在专业知识领域,质量高于数量的时代。20世纪三四十年代是核物理学基础学科取得突破的时代。为了实现这些突破,一个恩里科·费米比一千个普通的物理学家都重要。这个时代的美国确立在世界上的主导地位,很大程度是由于吸引了像费米一样的天才。但并非每次科技革命都是这种模式。通常,基础领域的突破出现后,发展的重心会很快从顶尖科学家转移到无名工匠,即有足够专业能力将这种新技术应用于解决不同问题的工程师,尤其是当技术突破性成果的应用范围遍布整个社会经济体系,而非集中于某几个实验室或者武器系统的应用时。

人工智能的电网、电池之战

“电网”式的目标就是将机器学习的力量转化成标准化服务,可以由任何公司购买,无论是达成学术目的还是个人使用都可以通过云计算平台实现共享,甚至可以免费使用。这个模式中,云计算机平台就是电网,作用是根据用户提供的不同数据,实现复杂机器学习最佳化。“电网”式可以降低专业门槛,提升云人工智能平台的功能。连入“电网”就能让有大数据的传统公司轻易使用到最棒的人工智能,而不用将优化人工智能作为核心工作。

相对较小的人工智能创业公司则选择了另一条路:为各行各业打造具有高度针对性的人工智能“电池”,这时“电网”还没有成形。这些创业公司靠的是深度而非广度。它们不打算提供通用型的机器学习能力,而是为特定目的打造产品、打磨算法,如医疗诊断、抵押贷款和自动无人机等。它们把宝押在了传统商业日常运营中,众多琐碎细节无法很好地跟通用网络契合在一点上。准确地说,这些创业公司不是要让传统公司“用标准的”人工智能,而是为传统公司量身打造能即刻融入公司正常流程的人工智能。

中国芯片的机会与挑战

现在,随着传统计算机程序逐渐被人工智能算法替代,需求再次发生了变化。机器学习需要快速运行复杂的数学计算,这一点是英特尔或者高通公司的芯片都不曾注重的。于是,以设计电子游戏所需的高性能图像处理芯片闻名的英伟达(Nvidia)乘虚而入,图像处理背后的数学原理与人工智能算法的需求十分匹配,英伟达也因此成了芯片市场的新星。当英特尔犹豫不定时,仅百度一家公司从英伟达购进的深度学习芯片的数量就达到向英特尔采购数量的4倍。2016年到2018年年初,英伟达的股价翻了10倍。

人工智能发展的四波浪潮

目前,人工智能革命分为四波浪潮:互联网智能化(Internet AI)、商业智能化(business AI)、实体世界智能化(perception AI)、自主智能化(autonomous AI)。每一波浪潮都将以不同方式利用人工智能的力量,颠覆不同产业,让人工智能更深层次地融入我们的生活。

第二波浪潮:商业智能化

第一波人工智能浪潮的基础是给互联网用户的浏览数据贴标签,而商用人工智能则是给传统公司数十年来积累的大量专业数据贴标签,如保险公司理赔事故中鉴别保险欺诈,银行核发贷款时记录还款率,医院保存医疗诊断记录及患者存活率等。

这些细微的关联性往往没人能解释清因果,例如为何在星期三取得贷款的借款人往往能较快地偿还贷款。

请到算法诊所就诊

商用人工智能并非只能用在跟钱有关的领域,它同样可以用在数据驱动的公共服务上,让许多之前负担不起这些服务的人享受科技带来的红利,促成高质量服务大规模推广。这方面,最具前景的领域之一是医疗诊断。

曾经在硅谷及百度从事深度学习工作的中国人工智能研究人员邓侃,创立了大数医达科技公司,该公司研发了专门训练医疗领域的人工智能算法,使它们成为能够部署在全国各地的超级诊断师。它们并不想用算法取代医生,而是要辅助医生诊断。算法在诊断流程中扮演“导航”的角色,用大数据规划最佳路径,但人类医生会主导最终的判断。诊断的范围随着算法得到的信息增加而缩小,这时更详细、高度确定的数据可以帮助判断症状的起因,以及其他诊断结果的正确性及患病概率。这款应用给医生的建议,是依靠其超过4亿条医疗记录(并且还在持续扫描最新医学文献)的数据,把全球顶尖医学知识平均分配在医疗资源不均衡的社会中,让所有医生和护士都能聚焦在机器做不到的人类工作上,如使病患感受到关怀,更人性化地和病患分享诊断结果。

看不见的法庭助手

科大讯飞率先把人工智能应用在另一个资源和能力分布高度不均的领域——司法界。在上海进行的试点中,科大讯飞使用以往案例数据,向法官提出有关证据及判决的建议。该公司开发的证据交互参照系统,使用语音识别与自然语言处理技术来比较所有证据,如证词、文件及背景资料等,并找出其中的矛盾点,同时提醒法官注意这些有争议的地方,让法院审理人员可以进一步核实。量刑时,法官可以把被告的犯罪记录、年龄、造成的伤害等相关信息输入判决辅助人工智能系统。该系统存储了大量的判决记录,可以从类似案例中做出有关量刑或罚款的建议。

OMO驱动的教育

现行的教育体系大致上仍然是19世纪的“工厂模式”:所有学生在同一地点、同一时间,以相同速度及相同方式学习。学校采用“流水线”模式,让孩子一年升一级。在老师投入教学、辅导与评估学生的时间与精力非常有限的情况下,这种模式是有道理的。但现在人工智能可以消除这些限制,人工智能的感知、识别与建议能力,能够针对每个学生打造不同的学习流程,也可以让老师腾出更多时间,对学生提供一对一辅导。人工智能驱动的教育有四种应用场景:课堂教学、家庭作业与练习、考试与评分、量身打造的家教辅导。

公共数据与个人隐私

这样收集数据可能会令许多美国人感到不安,他们不想暴露太多的个人隐私。但中国人更容易接受自己的面孔、声音及购物选择被记录与数字化,更愿意用个人的信息来换取便利。中国的各大城市已在使用大量的摄影机与传感器网络。这个监控网络把视频数据直接导入负责管理交通、公安以及紧急服务的优化算法中。 深圳制造

现在,中国制造业的最大优势不是廉价劳力,印度尼西亚及越南之类的国家的工资更低。中国制造业现在的最大优势是无可匹敌的供应链灵活性,以及能够研发出新器材的原型并且量产优秀的工程师。

谷歌模式与特斯拉模式

谷歌在收集这部分资料的过程中,采取缓慢稳定的步速,他们用小规模车队装备高级传感设备,上路测试、收集数据。特斯拉则在其商业车款上安装较便宜的设备,让车主在使用特定自动驾驶的同时,也为特斯拉收集了数据。这两种不同的模式导致谷歌与特斯拉的数据收集量产生了巨大差距。截至2018年6月,谷歌花了8年收集到800万英里的现实世界驾驶数据,而特斯拉仅用了2年就收集到12亿英里的现实世界驾驶数据。

中国的特斯拉模式

雄安新区将成为全球第一个从开始就容纳自动驾驶汽车的城市,百度已经和当地政府签约,打造“人工智能城”,聚焦于交通管理、自动驾驶汽车及环境保护。混凝土中需要加入传感器,交通信号灯装备计算机视觉硬件,十字路口可以知道每一位行人的年龄,泊车所需的空间明显减少。当人人都能随时随地召唤自动驾驶的出租车时,甚至可以把停车场改成城市公园。

围绕自主人工智能技术的较量

美国和中国在自动驾驶汽车这个领域胜出的机会是五五开,至于自主无人机之类的硬件密集型应用领域,中国将具备优势

征服当地市场&武装当地公司

中国的公司避开了直接竞争,转而投资硅谷公司试图消灭的当地创业公司。比如在印度及东南亚,阿里巴巴和腾讯投资了当地与亚马逊等巨头竞争的本土创业公司,这是中国智慧的体现。马云等中国的创业家深知,强龙不压地头蛇。因此,在进军国外市场时,中国的公司不会试图消灭当地的创业公司,而是与之组成联盟。

从中国市场打到国际市场的共享出行

中国公司的全球化策略在共享出行市场已经启动。这可以总结为人工智能全球化的另一种模式:结合人工智能技术与当地的数据,对当地创业公司赋能。这种以合作为基础,而非征服的模式,或许更适合把人工智能这类需要顶尖工程师、由下而上收集数据的技术推广至全球。

人工智能力量进入我们的世界后,真正的分歧不在国家之间,而在每个国家内部。


乌托邦、反乌托邦和真正的人工智能危机

谷歌首席未来学家雷·库兹韦尔(Ray Kurzweil)设想了一个极端的未来,他认为人类和机器将完全融合。他预言,我们会将自己的思维上传到云,通过放入我们血流中的智能纳米机器人不断更新我们的身体。而现在距离实现强人工智能只差10年,2045年,我们将会迎来奇点时刻。

DeepMind创始人哈萨比斯则预言,创造超级智能可以让人类文明解决目前无解的难题,如为全球变暖和不治之症带来绝妙的解决方案。

反乌托邦阵营中的大部分人其实并不担心人工智能会像《终结者》(The Terminator)等科幻电影中想象的那样接管世界,他们真正恐惧的是如果人类本身成为超级智能实现某一目标的障碍,例如改变全球变暖,它们可以轻易甚至是无意中将人类从地球上抹去。对于想象力远超人类的计算机程序而言,抹杀人类根本不需要像电影中持枪机器人一样粗鲁。对于化学、物理和纳米技术的深刻理解,让它们可以用巧妙得多的方式立即完成任务。

盲目乐观的终结

1980年到2016年,随着ICT的收益越来越多地集中到前1%的人手中,美国的精英群体在国民经济中的份额近乎翻倍[插图]。到2017年,站在美国金字塔尖1%的人拥有的财富几乎是下层90%的人拥有的总财富的两倍[插图]。而普通美国人的实际工资在30年中保持不变,最贫穷的美国人的工资还降低了[插图]。美国的工作岗位和工资水平停滞不前,ICT在其中发挥了多大作用?全球化、工会衰落和外包都是相关因素,但有一个特点很明显:ICT不同于蒸汽机和电气化,它“偏重技能”(skill-bias),通过打破信息传播障碍,增强了世界顶尖知识工作者的力量,而将中间许多人的经济作用缩减了一半。所以,有一件事越来越明确:没人能保证提高了生产力的GPTs还能为工人带来更多的工作岗位或更高的工资。 硬件:更好,更快,更强

人工智能会在三个催化剂的作用下加速自身的应用与扩散进程,这些催化剂在蒸汽动力和电力投入广泛应用时是不存在的。

第一个催化剂是人工智能算法的易复制性。

第二个催化剂是风险投资业(VC)的诞生。

如今,VC已是新技术商业化的一种常见投资方式。2017年,全球风险投资创造了1480亿美元的新纪录。

第三个催化剂是中国的影响力。

综上所述,我相信我们可以确定以下几件事:第一,在工业时代,新技术带来了长期就业机会增长和工资水平的增长;第二,新的GPTs依然很罕见且重要,应单独评估各个GPT对于就业的影响;第三,在被广泛认可的三个GPTs中,蒸汽动力和电气化同时推动了生产力和就业率提高,ICT提高了生产力却不一定增加就业;第四,人工智能也会是一种GPT,它偏重于技能,应用速度快(受到数字传播、风险投资和中国影响力的加持),这两个特性表明人工智能会对就业和收入分配产生不利影响。

人工智能的“可以”与“不可以”

体力劳动

脑力劳动

两类失业:“一对一取代”和“彻底清除”

换句话说,“工作任务分析法”研究的是机器一对一取代人类工人的可能性。而我是一名技术专家和早期风险投资者,我的专业背景教会我尝试以不同的方法解决问题。在职业生涯早期,我致力于将先进的人工智能技术转化为有用的产品。同时,作为风险资本家,我也投资和协助一些新的创业公司。这两份工作让我发现人工智能对工作岗位构成的威胁不只是“一对一取代”,还有“彻底清除”。 中美失业问题对比与莫拉维克悖论

著名科技评论家维韦克·瓦德华(Vivek Wadhwa)预测,智能机器人将削弱中国在劳动力方面的优势,制造业的春天将再次降临在美国,但不会为人类创造工作岗位。瓦德华写道:“美国机器人和中国机器人一样勤奋,而且都不会抱怨,也不会加入工会。”

与一般的观点相反,让人工智能模仿成年人高知识水平或运算能力比较容易,但要让机器人具备婴儿的感知和感官运动能力,则困难得多。本质上,人工智能是“演算的巨人,行动的矮子”。 担心算法还是担心机器人?

人工智能算法对脑力劳动的替代像是导弹空袭,但机器人对体力劳动的打击则接近于地面的堑壕战。长期来看,我认为中国和美国自动化的风险是相似的,但说到对变化的适应,中国的特殊经济结构将会为其争取到一定的时间。 随之而来的个人危机

自工业革命以来的数个世纪里,工作不仅是一种谋生手段,更是一种自我认可以及生活意义的源泉。当我们身处社会之中,需要自我介绍或介绍他人时,首先提到的就是工作。工作让我们过得充实,给人一种规律感,让我们和其他人联结。固定的薪水不仅是一种劳动报酬方式,也代表了个人对于社会的价值,表明每个人都是社会的重要成员。


一个癌症患者的思考

生活就像一套具有明确优化目标的算法:最大化个人影响力的同时就会最小化对该目标无益的任何事情。

你想在墓碑上写什么?

找到自己使命感最好的方法,就是想想自己死后墓碑上会写什么内容。

向死而生

面对死亡,最艰难的是面对无法重来的人生。治疗护士兼作家邦妮·韦尔(Bronnie Ware)记录了许多病人在弥留之际最常见的遗憾。面对生命的终点,这些病人清晰地回顾了他们曾经因专注于工作而忽略了生活。他们谈到,由于没有过上无愧于心的生活而感受到痛苦,后悔过于专注工作,意识到生活的意义是身边的人赋予的。没有人在回顾自己一生的时候会后悔没有工作得更努力一些,许多人后悔的都是没用更多的时间陪伴自己爱的人。

山顶上的法师

我们必须放低自己的姿态。我们必须在骨子里认识到自己的渺小,必须承认,在世界上,没有什么可以比与他人分享爱这个简单的行为更重要、更有价值。如果我们从这点出发,其余的事情就顺其自然了。这是我们真正实现自我的唯一方式。

第二意见和第二次机会

人类分辨变量之间关联的能力非常有限,需要基于少量最明显的特征——“强特征”做决策,基于简单特征对复杂疾病分期就是一个例子。再比如银行贷款时,银行调取贷款人的征信也是“强特征”,如贷款人的收入、房产价值和信用评级等信息。对于淋巴癌的分级,“强特征”只有肿瘤的数量和位置。这些“强特征”其实不能特别准确地将知识分类,它们只是为了便于知识在人类之间传承。目前,医学研究已经确定了数十个淋巴癌的其他特征,这些特征有助于更好地估计患者的预期寿命。但记住这么多因素之间复杂的相关性和预测的准确率,即使最优秀的医学生也无法做到。因此大多数医生在给患者进行癌症分期时,不会考虑那么多因素。

解脱与重生

这些领悟也令我重新审视人与机器、人类心灵与人工思维之间的关系。我回想生病的经历,从PET开始、到诊断、感受自身的痛苦以及随后的生理和心理上的恢复,通过这些我逐渐认识到,治愈我的药物包含两个部分:科技和情感。这两点都将成为人工智能未来的支柱(对此我将在下一章解释)。

我坚信的未来是由人工智能的思考能力,加上人类爱的能力构筑的。如果我们能够创造这种协同作用,我们就能在发扬最根本的人性的同时,利用人工智能无比强大的力量创造一个繁荣的世界。

危机考验与新的社会契约

即将到来的人工智能革命,无论是规模、速度还是对技术的偏向,都表明我们面临着全新且史无前例的挑战。即使失业状况没有向着最坏的方向发展,人工智能还是会继续大幅拉开互联网时代的贫富差距。在美国,我们已经开始看到一些工资停滞不前与贫富差距拉大导致的社会不稳定。随着人工智能在经济和社会其他方面的深层次应用,这个趋势将会速度更快、涉及的范围更广。历史上,就业市场最终能依靠市场的力量找回平衡,但是这一次人工智能来得太凶猛,我们必须面对失业和贫富差距加剧的考验。 3R:再培训、减时间、重分配

硅谷针对人工智能将引发的失业问题,提出三类解决方案:就业者再培训(retraining workers)、减少工作时间(reducing work hours)或重新分配收入(redistributing income)。每一类方案的出发点均是调节就业市场的某一个变量(技能、时间、报酬)。

全民基本收入

时下,最流行的再分配方案是全民基本收入(Universal Basic Income, UBI),其核心思想很简单——每个公民(或每个成年人)从政府那里定期领取收入补助金,这笔钱的申领没有任何附加条件。 人机共存:优化与人情

有关创意和关爱工作人工智能几乎不可能完成。考虑到这一点,我们应该积极发展STEM[STEM是科学(Science)、技术(Technology)、工程(Engineering)、数学(Mathematics)四门学科]教育,在教育上强调创意和思维的培养,这与下文要分析的关爱型工作,是未来教育的两个重点。在未来,由于人工智能的进步,左下角人工智能的圆圈会往右边扩张。[插图]人类与人工智能在未来可以共存

芬克的信与影响力投资

我们必须重新构思、重振企业的社会责任感(CSR)、影响力投资以及公益创业(social entrepreneurship)。过去,企业只有在时间、金钱都有富余时才会做这些事。企业家们很多时候会这样想,既然有钱了,就投资些房地产企业或初创公司,所谓社会责任感,就是捐些钱给留守儿童,还可以发发新闻稿,好好宣传一下。但是在人工智能时代,我们需要以更认真的态度来参与这些活动,同时也要拓展我们对这些活动的定义。国际大企业之前做的社会责任感项目都是传统慈善,例如环保和扶贫。如果想要应对人工智能时代的社会冲击,则需要更进一步的解决方案——为失业者创造大量的服务性工作岗位。

我希望未来能出现这样一个风投生态体系:将创造“人性服务”岗位本身视为美好的事业,同时也投资相关的产业,将资金引入能吸纳大量劳动力的、以人为本的服务项目中,如产后护理哺乳顾问、青少年运动教练、口述历史收集人、国家公园向导或者老年人陪聊等。这类岗位对社会、对个人都是有意义的,许多岗位还可以产生经济价值和营收。但投资这些创造岗位的公司不会像投资独角兽科技公司那样,可以获得100倍的回报。

政府的角色

对此我有不同的看法。我并不想生活在这样的社会:人工智能精英与世隔绝,坐拥惊人的财富,用最少量的施舍来保证广大的失业人员不闹事。我希望,我们可以共同创造出一个全员协同发展的制度,妥善运用人工智能创造出来的财富,建立更有人情味、更有爱心、更人性化的社会。 结束语 现在已是未来

乔布斯建议他们未必要预先规划好人生和事业。乔布斯告诉在座的学生:“(人生是由无数转折点组成的)你在向前展望时不可能将这些转折点串联起来,只能在回顾时将点点滴滴联系起来。所以,你必须相信这些点在未来都可能联结起来。”

人人都是撰写者

人工智能未来如何发展,最重要的因素是人类如何采取行动。

我们生活在地球上,不是仅仅为了埋头苦干,不断做那些重复性的工作。我们不需要只为了积累财富而忙碌一生,最终在过世后把财富传给下一代,然后让他们重复这一过程。如果我们相信生命的意义远不止物质上的盲目追逐,那么人工智能就有可能帮助我们揭开更深层次的意义。

简评

开复博士,毕业以后,或者说走向导师的路途上,看到的万事万物太宏观了。具体和宏观结合的点依然不可避免的走向宏观,以至于我看了书,觉得他说的什么都对。 当然,这也是问题所在

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习AI算法工程

GBDT、FM、FFM和DNN融合构建广告点击率预测模型

点击率预估用来判断一条广告被用户点击的概率,对每次广告的点击做出预测,把用户最有可能点击的广告找出来,是广告技术最重要的算法之一。

11310
来自专栏机器学习AI算法工程

深度学习不定长文字的识别与定位:车牌号识别(keras)

但无论是工整书写的 Tensorflow 官网上的 MNIST 教程,还是上节提到“草书”数字,都是 单一的数字识别问题。 但是,在实际生活中,遇到数字、字母识...

17610
来自专栏深度学习和计算机视觉

干货 | 循环神经网络LSTM的数学过程

长短时记忆(long short term memory,LSTM)是一种有效的链式循环神经网络(recurrent neural network,R2 NN1...

9120
来自专栏机器学习AI算法工程

LSTM模型实战案例:TensorFlow实现预测3位彩票号码

使用人工智能技术来预测彩票,是这次的主题,那么预测哪种彩票呢?我们先选择简单一些的,就是排列组合少一些的,如果证明我们的模型work,再扩展到其他的彩票上。最终...

17820
来自专栏AI科技大本营的专栏

实战:基于OpenPose的卡通人物可视化 | CSDN博文精选

去年打算用些现成的Pose做些展示,因为以前有在OpenPose做些识别等开发工作,所以这次我就简单在OpenPose上把骨架用动画填充上去,关于能够和人动作联...

14030
来自专栏机器学习AI算法工程

tensorflow2.0五种机器学习算法对中文文本分类

Transformer由论文《Attention is All You Need》提出,现在是谷歌云TPU推荐的参考模型。

23510
来自专栏机器学习AI算法工程

网站流量预测任务第一名解决方案:从GRU模型到代码详解时序预测

预测有两个主要的信息源: 局部特征。我们看到一个趋势时,希望它会继续(自回归模型)朝这个趋势发展;看到流量峰值时,知道它将逐渐衰减(滑动平均模型);看到...

11220
来自专栏AI科技大本营的专栏

C#也能做机器学习?基于.NET的AI智能应用市场还是一片“处女地”

SciSharp 是怎样的一个社区?它是如何构建一个基于 .NET 的机器学习生态?它在做的事情对开发者来说有何意义?本次,AI 科技大本营与 SciSharp...

5610
来自专栏CNN

LSTM内部实现原理详解

原文链接:https://blog.csdn.net/shenxiaoming77/article/details/7...

15530
来自专栏机器学习AI算法工程

找到源码了!使用python+机器学习方法进行情感分析(详细步骤)

先以带有正向标签和负向标签的各1500条真实的中文酒店评论语料作为训练集用以训练分类器,剩余带有正向标 签和负向标签的各500条真实的中文酒店评论语料作为测试集...

10050

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励