啥职业会被人工智能取代？麻省理工列新标准，看完感觉饭碗保住了

“就业末日”还说不上，但局面还是会越来越奇异。

对于人工智能（AI）带来就业末日的预言，很多人都趋之若鹜。吃这一套的人相信，在并不遥远的未来，AI和机器人肯定会窃取当前由人类占据的绝大部分职位。在几乎没有社会安全网的美国，这样的科技飞跃将引发社会崩溃，除非能出现急速的经济转型。

另一方面，事实可能并非如此。也许在现实生活中，很多工作是我们不愿意托付给机器人的——比如就业增速遥遥领先的医疗领域——甚或是机器根本就做不到的。

近期，MIT斯隆商学院研究人员埃里克·布林约尔松（Erik Brynjolfsson）和汤姆·米切尔（Tom Mitchell）发表政策论文，着眼于上述第二个类别。其结论概括起来就是，“就业末日”还说不上，但局面还是会越来越奇异。

“机器学习明显是一种‘通用技术’，就像蒸汽发动机和电力一样，催生了大量额外的创新和潜能。然而，对于机器学习系统擅长哪些项目，这方面并无广受认同的观点。因此，对于机器学习对劳动力的影响，以及对经济的影响，我们都没有形成共识。”米切尔和布林约尔松写道。“在很多工作中，有些部分也许是‘机器学习适用’的，但有些任务并不契合机器学习的标准；因此，就业所将受到的影响非常难说，并不是一些人所强调的那样，就是取代或替换那么简单。”

论文列述了“机器学习适用”任务的八大基本特征。这里就不逐一列出了，但其中几条值得一提。首先，机器学习需要定义明确的问题，输入数据要能可靠映射到输出预测。比如在医疗诊断中，输入病历，输出诊断。这是清晰映射。又比如输入狗狗照片，输出品种预测。或者，我们还能根据狗主人的照片，预测狗的品种，但这种情况下，清晰映射就不存在了，预测背后的因果关系就不容易找到了。

机器学习模型还需要大量的数据。它们得有学习的材料。要预测医疗诊断的结果，机器学习算法需要大量的训练数据，即大量病历，且由人类一一标记正确的诊断结果。只有经过这些数据的训练，算法在接到未经标记的新数据时，才能作出准确的预测。

还有几点不太容易想到。例如，机器学习模型在作预测时，需要相对简单的因果链条。比如，若要输入观察，并输出预测，基本上，输入必须和输出直接相关，不能在中间夹杂一连串的因果关系。另外，如果出现错误预测就是不可接受的，那机器学习也不管用。机器学习的准确率只要超过90%，就算是比较成功了。也就是说，我们觉得10%的错误率是可以接受的。但举例来说，在用计算机视觉为油罐车导航时，丝毫的差错都是不可接受的。

另外，有一些因素不太容易量化。比如人性。机器学习并不适用于情商与同理心。“结构化程度较低的任务，比如与其他医生互动，以及涉及大量情绪的任务，比如与病人沟通、安慰病人，这些就不适用机器学习了，至少目前而言不适用。”布林约尔松和米切尔写道。

看来，最有可能的情况是，机器学习所适用的并非完整的工作或职业，而是这些职业中的某些部分。机器学习还将继续发展进步，但它不会窃取所有的工作（不过肯定也会吃掉不少的工作），但它会成为很多职业中司空见惯的一部分。算法固然可以预测癌症诊断结果，但这并不意味着它会取代人类医生。更有可能的情况是，医生依然会是人类，而算法成了医生手中的利器。