干貨:關(guān)于人工智能最難讀也最全面的文章,值得一讀

　　以AlphaGo戰勝李世乭為節點(diǎn)，人工智能又一次闖入人們的視野中，甚至于有人將2016年視為“人工智能元年”(當然這可能是第N次某個(gè)特定的年份被冠以元年這樣的稱(chēng)號)。

　　1927年的《大都會(huì )》或許塑造了影史上最早的人工智能機器人形象——人造瑪利亞;1956年，人工智能被確立為一門(mén)學(xué)科。從最初，人們就始終在關(guān)注兩個(gè)問(wèn)題：計算機怎樣接近智能?接近到什么程度?

　　技術(shù)阻礙發(fā)展，發(fā)展突破阻礙，如此無(wú)限循環(huán)……是人工智能發(fā)展史的最好寫(xiě)照。伴隨著(zhù)科學(xué)家無(wú)比熱情的同時(shí)，是各種“人類(lèi)式”的擔心。AI來(lái)自何處，去向何方，“人類(lèi)終將毀于自己創(chuàng )造的智能之手”這一命題是否成立?

　　“你執著(zhù)于耳聽(tīng)為虛，眼見(jiàn)為實(shí)，大凡這種人都有大徹大悟的期待，聊可安慰的是，如此就已經(jīng)離真理不遠了”——今天分享的文章很系統詳細地針對人工智能做了梳理，以下，Enjoy：

　　1. 「機器問(wèn)題」重現

　　從最初的屢屢失敗，到現在的朝氣蓬勃，人工智能會(huì )導致大面積失業(yè)甚至讓人類(lèi)滅絕嗎?或許歷史會(huì )給我們一些有用的線(xiàn)索。

　　有些人害怕機器會(huì )搶走所有人的工作，而只是有選擇地讓少數人受益，并最終徹底顛覆社會(huì )。然而在歷史上，類(lèi)似的一幕曾出現過(guò)。兩個(gè)世紀前，工業(yè)化的浪潮席卷英國，與今天同樣的擔憂(yōu)曾引發(fā)了激烈的爭論。那個(gè)時(shí)候，人們不說(shuō)「工業(yè)革命」而大談「機器問(wèn)題(machinery question)」。

　　1821年，經(jīng)濟學(xué)家 David Ricardo 第一個(gè)表達了這種看法，他重點(diǎn)關(guān)注「機器對于不同社會(huì )階層的利益的影響」，特別是「勞動(dòng)階級懷有的意見(jiàn)，他們認為使用機器通常會(huì )不利于他們的利益」。1839年，Thomas Carlyle (蘇格蘭哲學(xué)家，被看作是那個(gè)時(shí)代最重要的社會(huì )評論員)對所謂「機械惡魔(demon of mechanism)」予以了抨擊 ，他寫(xiě)道，「機械惡魔」破壞性的能力將會(huì )擾亂整個(gè)工人團體。

　　現在，這個(gè)「機器問(wèn)題」卷土重來(lái)，雖然它偽裝成了另外一副樣子——人工智能(AI)技術(shù)正突飛猛進(jìn)，機器得以執行曾經(jīng)只有人才能勝任的各種任務(wù)?？茖W(xué)家，經(jīng)濟學(xué)家和哲學(xué)家正在熱議人工智能技術(shù)的潛在影響。這種影響可能是非常深刻的。因為人工智能技術(shù)，之前看起來(lái)不可能自動(dòng)化的工作——從放射科到法律工作——現在也同樣面臨著(zhù)危機。

　　2013年， 牛津大學(xué)的 Carl Benedikt Frey 和 Michael Osborne 進(jìn)行了一次調查研究，其結果后來(lái)被人們廣泛引用，該研究發(fā)現美國有 47% 的工作有很高的可能性會(huì )在不久后被「計算機資本取代」。

　　更近的一個(gè)報告是：美國美林銀行預測，2025 年以前，人工智能的「每年產(chǎn)生的創(chuàng )造性破壞的影響」可能會(huì )達到14到33萬(wàn)億美元，其中包括因人工智能實(shí)現了知識工作自動(dòng)化，導致雇傭成本減少的9萬(wàn)億美元，制造業(yè)和醫療護理開(kāi)銷(xiāo)減少的8萬(wàn)億美元，以及部署無(wú)人駕駛汽車(chē)和無(wú)人機后因效率提升增加的兩萬(wàn)億美元。智囊機構麥肯錫全球研究院(McKinsey Global Institute)說(shuō)，人工智能正在促進(jìn)社會(huì )發(fā)生轉變，這種轉變比工業(yè)革命「發(fā)生的速度快 10 倍，規模大 300 倍，影響幾乎大3000倍」。

　　跟兩個(gè)世紀前的人們一樣，很多人擔心機器會(huì )讓幾百萬(wàn)人下崗，引發(fā)不平等問(wèn)題和社會(huì )動(dòng)亂。Martin Ford 曾寫(xiě)過(guò)兩本關(guān)于自動(dòng)化威脅的暢銷(xiāo)書(shū)，他擔心中產(chǎn)階級的工作將會(huì )消失，經(jīng)濟流動(dòng)性將(即個(gè)人，家庭或團體提高經(jīng)濟水平的難易程度)停止，財閥們會(huì )「將自己關(guān)在封閉式小區或精英城市里，還可能有自動(dòng)化軍事機器人和無(wú)人機在旁保護?！?/p>

　　還有人則擔心，人工智能會(huì )威脅人類(lèi)的生存，因為超級智能計算機可能不會(huì )認同人類(lèi)的目標，轉而攻擊創(chuàng )造它們的人類(lèi)。很多人表達過(guò)這類(lèi)擔憂(yōu)，比如物理學(xué)家史蒂芬·霍金。

　　更讓人驚訝的是，伊隆·馬斯克，火箭公司 SpaceX 和 電動(dòng)汽車(chē)制造商 Tesla 的創(chuàng )始人，也有同樣的想法。與 Carlyle 相似,馬斯克警告人類(lèi)：「我們正在用人工智能召喚惡魔?！顾奶厮估?chē)可以利用最新的人工智能技術(shù)實(shí)現自動(dòng)行駛，但馬斯克卻擔心未來(lái)的人工智能霸主可能會(huì )太過(guò)強大，失去人類(lèi)的控制。

　　他說(shuō)：「馬可·奧勒留(羅馬帝國賢君)當國王挺好的，但如果國王是卡利古拉(羅馬帝國早期的典型暴君)情況就不太樂(lè )觀(guān)了?！?/p>

　　有人看到風(fēng)險，有人洞見(jiàn)機遇。投資者正在不斷涌入這個(gè)領(lǐng)域，科技巨頭們則在不斷收購人工智能創(chuàng )業(yè)公司，并爭先吸引學(xué)術(shù)界最優(yōu)秀的研究人才。

　　根據數據分析公司 Quid 的研究數據，在2015年，人工智能企業(yè)的成本創(chuàng )下85億美元的記錄，幾乎為2010年的四倍。投資公司 Playfair Capital 的 Nathan Benaich 說(shuō)，2015 年人工智能企業(yè)的投資輪數比上一年多16%，而與此同時(shí)科技產(chǎn)業(yè)整體投資輪數減少了3%。

　　Playfair Capital 是一家基金管理機構，該公司在人工智能的投資組合達到 25%?！竂X+人工智能」取代了「XX行業(yè)的Uber 」，成為創(chuàng )業(yè)公司默認的商業(yè)模式。谷歌，Facebook，IBM，亞馬遜和微軟都想方設法在云端建立人工智能服務(wù)的生態(tài)系統?！高@項技術(shù)將會(huì )用在各行各業(yè)中，只要這個(gè)行業(yè)有任意種類(lèi)的數據，圖像，語(yǔ)言等數據類(lèi)型都可以?！筂etaMind 的創(chuàng )始人 Richard Socher 說(shuō)，「人工智能將遍地開(kāi)花?！筂etaMind 是一家人工智能創(chuàng )業(yè)公司，最近被云計算巨頭 Salesforce 收購。

　　這意味什么?本篇特別報道將會(huì )審視這項新科技的崛起，探索它對工作，教育，政策的潛在影響，思考它在道德和監管方面的作用。同時(shí)，本文還思考了能從機器問(wèn)題最初的答案中學(xué)到的東西。AI 引發(fā)的擔憂(yōu)和熱情不相上下，同時(shí)帶來(lái)了很多問(wèn)題，然而值得記住的是，其中的很多問(wèn)題我們在以前都曾問(wèn)過(guò)，并已經(jīng)有了答案。

　　2. 技術(shù)：從無(wú)法工作到神經(jīng)網(wǎng)絡(luò )

　　人工智能的繁榮基于傳統與現代想法的結合。

　　人工智能如何從剛開(kāi)始的傲慢與失望，突然成為科技界最熱門(mén)的領(lǐng)域呢?人工智能(artificial intelligence)這個(gè)術(shù)語(yǔ)最早被寫(xiě)在 1956 年的一份研究計劃中，該計劃聲稱(chēng)「如果一個(gè)精心挑選的科學(xué)家小組花一個(gè)夏天一起研究，就能使機器解決各種人類(lèi)無(wú)法解決的問(wèn)題……」，從而實(shí)現重大的進(jìn)步。

　　那被證明只是瘋狂過(guò)度地樂(lè )觀(guān)，人工智能雖然偶有突破，但其承諾的遠比其所能提供的多得多。最終，大多研究者都避免使用這個(gè)術(shù)語(yǔ)，而更喜歡用「專(zhuān)家系統」或「神經(jīng)網(wǎng)絡(luò )」?，F在「人工智能」的名譽(yù)恢復和重新興起要追溯到 2012 年被稱(chēng)為 ImageNet 挑戰賽的在線(xiàn)競賽。

　　ImageNet 是一個(gè)擁有數百萬(wàn)張圖片的在線(xiàn)數據庫，所有圖片都有人工做的標簽。對于任何給定詞，例如「氣球」或「草莓」，ImageNet 里都能找到上百張對應的圖片。

　　每年的 ImageNet 競賽鼓勵該領(lǐng)域的人在計算機識別和自動(dòng)標記圖片上進(jìn)行比賽，并衡量他們的進(jìn)展。這些系統首先使用被正確標記的圖片集進(jìn)行訓練，然后挑戰標記之前沒(méi)見(jiàn)過(guò)的測試圖片。在后續的研討會(huì )上，優(yōu)勝者會(huì )分享并討論他們的技術(shù)。

　　2010 年獲勝的系統可以正確標記 72% 的圖片(人類(lèi)平均有 95% 的準確率)。2012 年，多倫多大學(xué)的 Geoff Hinton 帶領(lǐng)的團隊實(shí)現了 85% 的準確率，這要歸功于一項叫「深度學(xué)習」的新技術(shù)。這帶來(lái)了一種長(cháng)遠快速的改進(jìn)，在2015 年的 ImageNet 競賽上，一個(gè)深度學(xué)習系統以 96% 的準確率第一次超過(guò)了人類(lèi)。

　　2012 年的成果被認為是一項突破，但 Yoshua Bengio 說(shuō)，他們依靠的是「結合以前已經(jīng)有了的東西?！筜oshua Bengio 是蒙特利爾大學(xué)的計算機科學(xué)家，他與 Hinto 以及另外幾個(gè)人被稱(chēng)為深度學(xué)習的先驅。大體上，這項技術(shù)使用了大量的計算和訓練數據，對來(lái)自人工智能發(fā)展初期的一個(gè)舊思路進(jìn)行改進(jìn)，這個(gè)舊思路也就是人工神經(jīng)網(wǎng)絡(luò )(ANN)——這是生物學(xué)啟發(fā)的人工神經(jīng)元(腦細胞)網(wǎng)絡(luò )。

　　在生物大腦中，每個(gè)神經(jīng)元都能被其它神經(jīng)元觸發(fā)，將輸出的信號饋送給另一個(gè)神經(jīng)元，而且此神經(jīng)元的輸出也能繼續觸發(fā)其它神經(jīng)元。一個(gè)簡(jiǎn)單的 ANN 網(wǎng)絡(luò )有一個(gè)輸入神經(jīng)元層，在這里數據被饋送進(jìn)網(wǎng)絡(luò )中;還有一個(gè)輸出層輸出結果，中間可能還會(huì )有三兩個(gè)隱藏層對信息進(jìn)行處理。(實(shí)際中，ANN 網(wǎng)絡(luò )全部在軟件中模擬。)網(wǎng)絡(luò )中的每一個(gè)神經(jīng)元都有一系列的「權重」和一個(gè)「激活函數」控制著(zhù)輸出的信號發(fā)射。

　　訓練一個(gè)神經(jīng)網(wǎng)絡(luò )涉及到對神經(jīng)元權重的調整，以便一個(gè)給定的輸入產(chǎn)生期望的輸出。ANN 在 20 世紀 90 年代早些時(shí)候就已經(jīng)實(shí)現了一些有用的結果，例如識別手寫(xiě)數字。但在完成更為復雜的任務(wù)上，ANN 陷入了困境。

　　在過(guò)去的十幾年中，新技術(shù)的出現和對激活函數的一種簡(jiǎn)單調整使得訓練深度網(wǎng)絡(luò )變得可行。同時(shí)，互聯(lián)網(wǎng)的興起產(chǎn)生了數十億可用于目標訓練的文檔、圖片、視頻數據。這所有的一切都需要大量的數字操作能力，而 2009 年左右當幾個(gè)人工智能研究團體意識到個(gè)人計算機和視頻游戲機上用于生成精致畫(huà)面的 GPU 也同樣適用于運行深度學(xué)習算法之后，計算能力也不再是個(gè)問(wèn)題了。

　　斯坦福大學(xué)由吳恩達帶領(lǐng)的一個(gè)人工智能團隊發(fā)現 GPU 能夠幾百倍地加速深度學(xué)習系統。然后，訓練一個(gè)四層的神經(jīng)網(wǎng)絡(luò )突然就變得很快了，由之前需要花費幾周的時(shí)間變成了不到一天時(shí)間。GPU 生產(chǎn)商 NVIDIA 的老總黃仁勛說(shuō)這是一個(gè)令人高興的對稱(chēng)：GPU 這一游戲工作者用于為游戲玩家構建幻想世界的芯片也能用于幫助計算機通過(guò)深度學(xué)習理解真實(shí)世界。

　　ImageNet 的結果顯示了深度學(xué)習的能力。突然間，深度學(xué)習就獲得了關(guān)注——不只是在人工智能界，而是在整個(gè)科技產(chǎn)業(yè)界內!深度學(xué)習系統因此變得更加的強大：20 或 30層的網(wǎng)絡(luò )變得很常見(jiàn)，微軟的研究人員曾建立過(guò) 152 層的網(wǎng)絡(luò )。更深層的網(wǎng)絡(luò )能進(jìn)行更高水平的抽象并產(chǎn)生更好的結果，事實(shí)證明這些網(wǎng)絡(luò )擅長(cháng)解決眾多領(lǐng)域的難題。

　　「讓人們激動(dòng)的是這一領(lǐng)域的一種學(xué)習方法：深度學(xué)習，能夠應用于眾多不同的領(lǐng)域，」谷歌機器智能研究部門(mén)負責人、如今負責搜索引擎的 John Giannandrea 表示，谷歌正在使用深度學(xué)習提升其網(wǎng)頁(yè)搜索結果的質(zhì)量、理解智能手機端的口語(yǔ)指令、幫助人們在他們的照片中搜索特定的圖片、推薦電子郵件的自動(dòng)回復、改善網(wǎng)頁(yè)的翻譯服務(wù)，并且幫助它們的自動(dòng)駕駛汽車(chē)理解周?chē)h(huán)境。

　　學(xué)習如何學(xué)習

　　深度學(xué)習有很多不同的方式。最普遍使用的是「監督學(xué)習(supervised learning)」，這項技術(shù)能使用標記樣本集訓練系統。例如，過(guò)濾垃圾郵件：收集出郵件信息樣本的大數據集，每一個(gè)都標上「垃圾郵件」或者「非垃圾郵件」。一個(gè)深度學(xué)習系統能夠使用這些數據集進(jìn)行訓練，重復的進(jìn)行樣本訓練進(jìn)而調整神經(jīng)網(wǎng)絡(luò )內的權重，提高評定垃圾郵件的準確率。

　　這一方法的巨大優(yōu)點(diǎn)是不需要人類(lèi)專(zhuān)家寫(xiě)出規則列表，也不需要程序員用代碼編寫(xiě)這些規則，系統能直接從有標簽的數據中進(jìn)行學(xué)習。

　　使用有標簽數據訓練系統也被用于圖片分類(lèi)、語(yǔ)音識別、信用卡交易欺詐偵測、垃圾和惡意軟件識別以及廣告定位，所有這些應用領(lǐng)域中的正確答案都可通過(guò)之前的大量案例獲得。Facebook 能在你上傳一張照片后識別、標記照片里你的朋友和家人，它們近期還發(fā)布了一個(gè)能夠為盲人描述照片中的內容(比如兩個(gè)人、微笑、太陽(yáng)眼鏡、戶(hù)外、水等)的系統。有大量的數據可用于監督學(xué)習，吳恩達先生說(shuō)，這一科技的應用已經(jīng)使現在的金融服務(wù)領(lǐng)域、計算安全領(lǐng)域和銷(xiāo)售領(lǐng)域的公司將自己重新標記為了人工智能公司。

　　另一項技術(shù)是無(wú)監督學(xué)習(unsupervised learning)，其通過(guò)將網(wǎng)絡(luò )暴露在大量樣本中來(lái)對網(wǎng)絡(luò )進(jìn)行訓練，但不會(huì )告訴它要尋求什么模式。相反，該網(wǎng)絡(luò )學(xué)習識別相似樣本的特征和聚類(lèi)，從而揭示數據中的隱藏分組、連接和模式。

　　無(wú)監督學(xué)習能在你不知道會(huì )是什么樣的情況下被用于事物搜索：例如，監控網(wǎng)絡(luò )中反常的通信模式，那可能代表著(zhù)網(wǎng)絡(luò )攻擊;或檢查大量的保險聲明以檢測新類(lèi)型的詐騙方式。

　　一個(gè)經(jīng)典的案例：2011 年當吳恩達在谷歌工作時(shí)，他領(lǐng)導的一個(gè)名為谷歌大腦(Google Brain)項目中的一個(gè)大型的無(wú)監督學(xué)習系統本是用于在千部無(wú)標記 YouTube 視頻中發(fā)現共同模式。一天，吳恩達的一個(gè)博士生給了他一個(gè)驚喜。吳恩達回憶說(shuō)「我記得他把我叫道他的電腦前說(shuō)，『看這個(gè)』」，電腦屏幕上是一個(gè)毛茸茸的面孔，從數千的樣本中發(fā)現的模式。系統發(fā)現了貓。

　　強化學(xué)習位于監督學(xué)習和無(wú)監督學(xué)習之間，它涉及到訓練一個(gè)神經(jīng)網(wǎng)絡(luò )與只以獎勵作為偶然的反饋的環(huán)境進(jìn)行交互。本質(zhì)上，訓練涉及到調整網(wǎng)絡(luò )的權重，從而獲得能帶來(lái)更高獎勵的搜索策略。DeepMind 是這個(gè)領(lǐng)域的專(zhuān)家。2015 年 2 月，它們在 Nature 上發(fā)表的一篇論文描述了一個(gè)能夠學(xué)習玩 49 種經(jīng)典的 Atari 視頻游戲的強化學(xué)習系統，它只使用屏幕上的像素和游戲分數作為輸入，輸出則連接到一個(gè)虛擬的控制器上。這個(gè)系統從頭學(xué)起玩游戲，最終在其中 29 種游戲中達到或超過(guò)了人類(lèi)水平。

　　把系統游戲化

　　電子游戲是人工智能研究的理想訓練場(chǎng)，DeepMind 的 Demis Hassabis 說(shuō)，因為「它們是真實(shí)世界的縮影，但更純凈和約束化?！?nbsp;游戲引擎也可以輕松生成大量訓練數據。Hassabis 先生以前從事過(guò)電子游戲行業(yè)的工作，后來(lái)取得了認知神經(jīng)學(xué)的博士學(xué)位并創(chuàng )立了 DeepMind。這家公司現位于倫敦國王十字車(chē)站附近，相當于谷歌的人工智能研究分部。

　　今年三月，AlphaGo 于首爾的五輪比賽中打敗了世界頂尖圍棋選手李世石，作為開(kāi)發(fā)公司的 DeepMind 因此登上頭條。AlphaGo 是一個(gè)有著(zhù)獨特特性的強化學(xué)習系統。它由幾個(gè)相互連通的模塊組成，包括兩個(gè)深度神經(jīng)網(wǎng)絡(luò )，它們各有所長(cháng)——像人腦中模塊一樣。

　　其中一個(gè)通過(guò)大量的棋局分析訓練提出一些可能的走法，另一個(gè)網(wǎng)絡(luò )則負責根據隨機采樣技術(shù)來(lái)評估這些走法。這個(gè)系統把生物啟發(fā)的技術(shù)與純機器化的技術(shù)結合了起來(lái)。人工智能研究者們就哪種技術(shù)更優(yōu)越這個(gè)問(wèn)題已經(jīng)爭論了幾十年，而 AlphaGo 卻另辟蹊徑兩者都用?！高@是一個(gè)復合型系統，因為我們認為解決智能問(wèn)題只有深度學(xué)習是不夠的」，Hassabis說(shuō)。

　　他和其他研究者們已經(jīng)開(kāi)始探尋一種叫做遷移學(xué)習(transfer learning)的新技術(shù)了。這種技術(shù)能讓強化學(xué)習系統把基礎建立在已習得的知識上，而不用每一次都從頭開(kāi)始訓練。Hassabis 先生解釋道，人類(lèi)可以毫不費力地做到這一點(diǎn)。Giannandrea 先生回憶起他四歲的女兒已經(jīng)能辨別出 penny-farthing(一種前輪大后輪小的腳踏車(chē))就是一種自行車(chē)，即使她之前從沒(méi)見(jiàn)過(guò)這樣的東西?！傅嬎銠C無(wú)法做到，」他說(shuō)。

　　一家最近被 Salesforce 收購的初創(chuàng )公司 MetaMind 也在研發(fā)一種相關(guān)的技術(shù)——多任務(wù)學(xué)習(multitask learning)，這種系統用同樣的神經(jīng)網(wǎng)絡(luò )架構解決多種不同的問(wèn)題，在一件事情上獲得的經(jīng)驗能用來(lái)更好地解決其它事情。

　　跟 DeepMind 類(lèi)似，它也在探尋模塊化的架構;其中一個(gè)被稱(chēng)為「動(dòng)態(tài)記憶網(wǎng)絡(luò )(dynamic memory network)」的系統能消化一系列陳述，然后回答相關(guān)問(wèn)題，并且推斷出其中的邏輯聯(lián)系(Kermit 是一只青蛙;青蛙是綠色的;所以 Kermit 是綠色的)。MetaMind 還把自然語(yǔ)言網(wǎng)絡(luò )和圖像識別網(wǎng)絡(luò )融合到一個(gè)系統中，它可以回答有關(guān)圖像的問(wèn)題(「這里面的汽車(chē)是什么顏色的?」)。這種技術(shù)可以用到智能客服聊天機器人中，或者用于 Salesforce 的客戶(hù)呼叫中心。

　　過(guò)去，很多有前景的人工智能技術(shù)發(fā)展都會(huì )逐漸疲軟。但深度學(xué)習卻不同?！高@東西真的能起作用，」 MetaMind 的 Richard Socher 說(shuō)。人們每天都會(huì )用到它，雖然他們并未意識到。Hassabis、Socher和其他人的長(cháng)遠目標是開(kāi)發(fā)出「通用人工智能(AGI )」—一種能完成各種各樣任務(wù)的系統，有了它就不必再為每個(gè)特定問(wèn)題都專(zhuān)門(mén)開(kāi)發(fā)出一個(gè)系統了。

　　人工智能多年來(lái)的研究方向都集中在解決專(zhuān)業(yè)化的特定問(wèn)題上，Socher先生說(shuō)，但現在研究人員們「正努力用更先進(jìn)的樂(lè )高積木塊拼出不一樣的東西」。即使他們中最樂(lè )觀(guān)的人也認為還需至少十年才能做出人類(lèi)智力水平的 AGI 。但 Hassabis 說(shuō)，「我們認為我們已經(jīng)知道實(shí)現接近 AGI 的系統所需的幾十種關(guān)鍵元素了」。

　　同時(shí)人工智能已經(jīng)在發(fā)揮作用了，而且很快會(huì )更有用。例如谷歌的智能回復系統，它通過(guò)兩個(gè)神經(jīng)網(wǎng)絡(luò )推薦郵件回復，從研究項目到產(chǎn)品上線(xiàn)只用了四個(gè)月(雖然剛開(kāi)始它因為對每條信息建議回復的有「我愛(ài)你」而令人失望)。

　　「在科研期刊上發(fā)表文章剛一個(gè)月，就有某個(gè)公司正確使用你的系統了，」Socher 說(shuō)。人工智能公司，不論規模大小都能都能定期發(fā)表學(xué)術(shù)文章;人工智能研究者即使在轉行進(jìn)入公司后也能繼續在同行評議期刊上發(fā)表研究成果。很多人都是邊為公司工作邊發(fā)表科研文章?！溉绻悴辉试S他們發(fā)表，他們就不會(huì )為你工作了，」Andreessen Horowitz 的 Chris Dixon 解釋說(shuō)。

　　谷歌，Facebook，微軟，IBM，亞馬遜，百度以及其他公司都開(kāi)源了某些深度學(xué)習軟件。部分原因是這些公司中的研究人員想要發(fā)表自己的成果，因為這有利于公司招募更多人才。從更現實(shí)的角度來(lái)看，這也是因為大型互聯(lián)網(wǎng)公司不在乎把自己的人工智能軟件公之于眾，因為他們真正的優(yōu)勢在于能獲取大量用于訓練的用戶(hù)數據。

　　一家投資基金公司 Bloomberg Beta的Shivon Zilis說(shuō)，這使得他們能在某些方面占盡優(yōu)勢，但初創(chuàng )公司也在尋求打入市場(chǎng)的獨特途徑。比如無(wú)人機初創(chuàng )公司能在人群密集的地方通過(guò)模擬數據進(jìn)行飛行訓練。而且很多訓練數據都能從網(wǎng)上找到，孵化器公司 Y Combinator 的董事長(cháng) Sam Altman 說(shuō)道。他注意到人類(lèi)可以用有限的數據進(jìn)行學(xué)習，「這意味著(zhù)大量訓練數據并不是實(shí)現智能的必要條件」。像 Numenta 和 Geometric Intelligence 這樣的初創(chuàng )公司正在探索低數據依賴(lài)性的新智能系統。

　　在這股人工智能淘金熱中，公司們排著(zhù)隊為參與者提供鐵鍬。出現最為頻繁的名字是英偉達，Dixon 先生說(shuō);似乎每一家人工智能創(chuàng )業(yè)公司都在使用它的 GPU 芯片來(lái)訓練神經(jīng)網(wǎng)絡(luò )。GPU 能力也可從亞馬遜和微軟的云中租用。

　　與此同時(shí)，IBM 和谷歌則正為更快更高效地運行人工智能軟件而設計專(zhuān)門(mén)的新芯片。谷歌、微軟和 IBM 也正使其語(yǔ)音識別、句子解析和圖像分析等人工智能服務(wù)免費在線(xiàn)提供，讓創(chuàng )業(yè)公司可以結合這些開(kāi)發(fā)模塊來(lái)構建新的人工智能產(chǎn)品和服務(wù)。IBM 的 Guru Banavar 說(shuō)：來(lái)自多個(gè)行業(yè)的 300 多家公司已經(jīng)使用 IBM 的 Watson 平臺開(kāi)發(fā)出了人工智能驅動(dòng)的應用，其中包括篩選應聘者和挑選葡萄酒。

　　對大多數人而言，所有這些人工智能領(lǐng)域的進(jìn)步都將體現為他們每天都在使用的互聯(lián)網(wǎng)服務(wù)的不斷進(jìn)步。搜索引擎將得到更相關(guān)的結果;推薦將會(huì )更加準確。Hassabis 預測說(shuō)：幾年之內，所有東西都將會(huì )嵌入某種程度上的智能。人工智能技術(shù)將讓計算機接口變成對話(huà)式和有預測力的，而不只是簡(jiǎn)單的菜單和按鈕。而且對話(huà)式的交互讓不能閱讀書(shū)寫(xiě)和目前不能使用互聯(lián)網(wǎng)的人也能使用計算機，Bengio 說(shuō)。

　　厚積多年，一朝薄發(fā);機器將能夠執行之前只有人類(lèi)才能完成的任務(wù)。自動(dòng)駕駛汽車(chē)正快速變得越來(lái)越好，到某個(gè)點(diǎn)時(shí)它們也許能夠取代出租車(chē)司機，至少在市中心等受控環(huán)境中可以做到。送貨無(wú)人機，不管是地上跑的還是天上飛的，類(lèi)似地可以與人類(lèi)送貨員競爭。改進(jìn)后的視覺(jué)系統和機器人技術(shù)讓機器人可以碼放超市貨架和在倉庫中移動(dòng)物體。而且還給意想不到的突破留下了很多余地，Dixon 說(shuō)。

　　其他人卻很擔心，擔憂(yōu)人工智能技術(shù)會(huì )增壓特定任務(wù)中現有的計算機化和自動(dòng)化;就像 200 年前的蒸汽動(dòng)力一樣，讓很多工人成了多余。英國詩(shī)人 Robert Southey 宣稱(chēng) ：「蒸汽可怕地加劇著(zhù)已經(jīng)正在進(jìn)行的過(guò)程，但太快了?！顾麚摹高@強大之力的發(fā)現」已經(jīng)在「我們知道如何正確使用它」之前到來(lái)。許多人對今天的人工智能也這么想。

　　3. 對工作的影響：自動(dòng)化與焦慮

　　更加智能的機器會(huì )導致大規模失業(yè)嗎?

　　坐在位于舊金山的一間辦公室里，Igor Barani 在屏幕上調出幾張醫學(xué)掃描結果。他是 Enlitic 公司的首席執行官，這是一家從對 X 光掃描與 CT 掃描圖像分析開(kāi)始將深度學(xué)習應用于醫療業(yè)的創(chuàng )業(yè)公司。這也是對這項技術(shù)的很明顯的應用。深度學(xué)習因它在圖像識別的某些形式上有著(zhù)超人的實(shí)力而聞名;大量的標簽化訓練數據需要消化，而它有著(zhù)巨大的潛力，去讓醫療變得更加準確和有效。

　　Barani 博士(曾經(jīng)是一位腫瘤學(xué)家)指著(zhù)從三個(gè)角度拍攝的患者肺部 CT 掃影。隨著(zhù) Enlitic 的深度學(xué)習系統的加入，屏幕上出現了紅色閃爍點(diǎn)，比對它們來(lái)看是否是血管、無(wú)害的成像物體或惡性的肺部腫瘤。最終系統會(huì )給出一個(gè)重點(diǎn)標注的特征以進(jìn)一步調查。在與三個(gè)放射科專(zhuān)家一起合作的測試中，Enlitic 系統在識別惡性腫瘤上優(yōu)于人類(lèi)50%，其假陰性率(沒(méi)診斷出癌癥)為零，相比之下人類(lèi)則有著(zhù)7%。Enlitic 的另一個(gè)系統，可以用來(lái)檢查 X 射線(xiàn)掃描來(lái)檢測腕關(guān)節骨折，并有效地超出了人類(lèi)的表現。

　　在2013年廣為關(guān)注的一篇研究中，Carl Benedikt Frey 和 Michael Osborne 核查了702種職業(yè)的計算能力，并發(fā)現美國47%的工人都面臨著(zhù)工作自動(dòng)化的風(fēng)險。尤其是，他們警告說(shuō)大部分運輸業(yè)和客運業(yè)(例如出租車(chē)司機和運貨司機)和公關(guān)類(lèi)(例如接待員與保安)「都有可能會(huì )被計算機所取代」，還有許多銷(xiāo)售業(yè)與服務(wù)業(yè)人員(例如收銀員，柜臺人員，租賃人員，電話(huà)推銷(xiāo)員和審計師等)也面臨著(zhù)工作被計算機取代的威脅。

　　他們總結道：「機器學(xué)習近期的發(fā)展會(huì )占據大量的職業(yè)分布，在近期面臨風(fēng)險的職業(yè)分布廣闊?！购罄m的研究指出英國有35%的職業(yè)可能被取代(英語(yǔ)有許多人從事創(chuàng )業(yè)公司，也因此難以被取代)，在日本這個(gè)比例是49%。

　　經(jīng)濟學(xué)家正在擔心「職業(yè)兩極化」的風(fēng)險，也就是說(shuō)中層技術(shù)的工作(例如制造業(yè))正在消失，而低等和高等工作在擴張。實(shí)際上，工作可以被劃分為兩種常規職業(yè)：第一種即高薪水高技術(shù)的職業(yè)(建筑師，高級管理)，還有低薪水低技術(shù)的職業(yè)(清潔工，快餐員)。

　　許多西方國家中層職業(yè)薪水的停滯都表現出自動(dòng)化已經(jīng)開(kāi)始產(chǎn)生影響——盡管這與外包的影響很難區分出來(lái)，后者也取代了許多發(fā)展中國家的底薪國家中日?；墓ぷ?例如制造業(yè)和呼叫中心)。圣路易斯聯(lián)邦儲備銀行發(fā)表的數據顯示，在美國，非常規認知型工作以及非常規手工型工作自1980年后逐步增長(cháng)，而常規化工作則一直維持幾乎不變。隨著(zhù)更多工作自動(dòng)化，這種趨勢很可能會(huì )延續下去。

　　在更近的例子中，自動(dòng)取款機(ATM)可能已經(jīng)有望通過(guò)接替一些日常任務(wù)來(lái)取代銀行出納員的工作，而 Bessen 指出，事實(shí)上美國每個(gè)銀行支行的出納員平均數量已經(jīng)從 1988 年的 20 人降低到了 2004 年的 13 人。

　　這減少了運營(yíng)一家支行的成本，讓銀行可以開(kāi)設更多支行以響應客戶(hù)的需求。城市銀行支行的數量同期上升了 43%，所以總體上雇員的數量增加了。ATM 并沒(méi)有摧毀工作，而是改變了銀行雇員的工作組合——讓他們遠離了日常任務(wù)，進(jìn)入到了機器不能做的銷(xiāo)售和客服領(lǐng)域。

　　那么誰(shuí)是正確的：是認為這一次不同于以往而機器將真正奪走所有工作的悲觀(guān)者(他們中許多是技術(shù)者類(lèi)型的)，還是堅持認為技術(shù)終將創(chuàng )造更多工作樂(lè )觀(guān)者(大部分是經(jīng)濟學(xué)家和歷史學(xué)家)?

　　而事實(shí)可能介于兩者之間。人工智能不會(huì )導致大規模失業(yè)，但它會(huì )加速與計算機相關(guān)的自動(dòng)化的趨勢，像技術(shù)改變之前做的那樣擾亂勞動(dòng)力市場(chǎng)，并要求工作者比以往更快地學(xué)習新技能。Bessen 預計會(huì )有一次「艱難轉型」，而不是「尖銳地打破歷史」。

　　盡管人們表達了廣泛不同的意見(jiàn)，但幾乎所有人都同意這個(gè)處方：公司和政府將需要想辦法讓工作者更容易掌握轉換工作所需的新技能。這將在悲觀(guān)者看法正確的事件中提供更好的防御，同時(shí)預防比樂(lè )觀(guān)者所預計的人工智能的更快和更重大的影響。

　　4. 教育和政策：你會(huì )失業(yè)還是變得富有?

　　人工智能將會(huì )給教育、福利和地緣政治的政策制定者帶來(lái)影響。

　　教育

　　2011 年 7 月，擁有多個(gè)頭銜的斯坦福大學(xué)教授 Sebastian Thrun 在 YouTube 上發(fā)布了一段短視頻，宣布他和他的同事 Peter Norvig 正在使他們的「人工智能入門(mén)(Introduction to Artificial Intelligence)」課程可以在網(wǎng)上免費觀(guān)看。

　　到 10 月份該課程開(kāi)始的時(shí)候，來(lái)自 190 個(gè)國家的 160,000 人報名參加了該課程。與此同時(shí)，另一位斯坦福教授吳恩達也將自己的一門(mén)關(guān)于機器學(xué)習的課程免費發(fā)布到了網(wǎng)上，有 100,000 人參加了這個(gè)課程。這兩個(gè)課程都持續 10 周。最后，有 23,000 人完成 Thrun 的課程，13,000 人完成了吳恩達的課程。

　　這樣的在線(xiàn)課程，以及短視頻講座、學(xué)生的在線(xiàn)討論板塊和自動(dòng)為他們的課程成績(jì)評級的系統，變成了眾所周知的大規模開(kāi)放式在線(xiàn)課程(MOOC)。2012 年，Thrun 創(chuàng )立了在線(xiàn)教育創(chuàng )業(yè)公司 Udacity，吳恩達也聯(lián)合創(chuàng )立了另一家在線(xiàn)教育創(chuàng )業(yè)公司 Coursera。

　　就在同一年，哈佛大學(xué)和麻省理工學(xué)院(MIT)聯(lián)合組建了 edX——一個(gè)非營(yíng)利性的 MOOC 提供組織，該組織由 MIT 人工智能實(shí)驗負責人 Anant Agarwal 所領(lǐng)導。一些人認為 MOOC 會(huì )取代傳統的大學(xué)教育。最初圍繞 MOOC 的炒作現在差不多也已經(jīng)偃旗息鼓了(盡管已有數百萬(wàn)學(xué)生參加了某種形式的在線(xiàn)課程)，但 MOOC 的繁榮說(shuō)明了在線(xiàn)教育的巨大潛力。

　　Udacity、Coursera 和 edX 都是從人工智能實(shí)驗室涌現出來(lái)的，這個(gè)事實(shí)凸顯了人工智能研究社區希望對教育系統進(jìn)行大改的信念。Thrun 說(shuō)他創(chuàng )立 Udacity 是將其作為「正在進(jìn)行的人工智能革命的解藥」——這場(chǎng)革命將催生對工作者的新型工作技能的需求。

　　類(lèi)似地，吳恩達認為：鑒于人工智能研究者的工作對勞動(dòng)力市場(chǎng)的潛在影響，研究者「在應對和解決我們導致的問(wèn)題上負有道德上的責任」;他說(shuō)，Coursera 是他在這方面作出的貢獻。此外，人工智能技術(shù)在教育方面有很大的發(fā)展潛力。根據每一個(gè)學(xué)生的情況各自調整課程，從而實(shí)現最輕松最高效的學(xué)習方法「適應性學(xué)習(Adaptive Learning)」多年前就應該出現了。但新的機器學(xué)習技術(shù)可能最終有望幫助實(shí)現這一目標。

　　吳恩達說(shuō)，適應性學(xué)習對大量學(xué)生使用同一材料進(jìn)行學(xué)習的情況最有效，因為這樣可以收集到大量的數據。在這方面的創(chuàng )業(yè)公司有 Geekie、Knewton、Smart Sparrow 和 DreamBox 等，教育行業(yè)的巨頭也對此很有興趣：2013 年 McGraw-Hill 買(mǎi)下了適應性學(xué)習系統 ALEKS;Pearson 最近宣布擴大了與 Knewton 的合作關(guān)系。

　　「老系統將不得不得到認真的修改」，美國西北大學(xué)的 Joel Mokyr 指出，教育系統鼓勵專(zhuān)業(yè)化，這樣學(xué)生就能在越來(lái)越少的主題上學(xué)到越來(lái)越多。但隨著(zhù)知識過(guò)時(shí)的速度越來(lái)越快，重要的是要學(xué)會(huì )再學(xué)習(relearn)。

　　Mokyr 認為當下的教育像粘土——「塑造它，然后烘烤它，就定型了」。未來(lái)，隨著(zhù)越來(lái)越多任務(wù)變得自動(dòng)化，人類(lèi)技能顯得最有價(jià)值的任務(wù)會(huì )不斷變化?！改惚仨毥K生學(xué)習——很長(cháng)時(shí)間來(lái)顯然都是這樣」，吳恩達說(shuō)，「你在大學(xué)里學(xué)到的東西不足以讓你繼續前進(jìn) 40 年?！?/p>

　　政策政治

　　對人工智能和自動(dòng)化的擔憂(yōu)也導致了對更強大的保護人們免受勞動(dòng)力市場(chǎng)動(dòng)亂影響的安全網(wǎng)的呼吁。尤其是一些人工智能評論者認為應該建立一套福利系統，讓每個(gè)人(不管什么情況)都享有保障基本生存的收入(比如說(shuō)一年 1 萬(wàn)美元?)類(lèi)似的想法在工業(yè)革命時(shí)也由 Thomas Paine 和 John Stuart Mill 等一些人提出過(guò)。

　　其基本思想是：人們做得更多讓自己的收入增加時(shí)，這個(gè)福利不會(huì )減少，這樣人們就會(huì )愿意去做事。這會(huì )讓人們能自由決定自己希望做什么，活在失業(yè)中接受合適的再培訓。很多預言會(huì )有終極工作破壞的人都認為可以把這個(gè)情況用來(lái)保持消費型經(jīng)濟和支持非勞動(dòng)人口。如果大部分工作都被自動(dòng)化取代了，我們就將需要一種重新分配財富的可選機制。

　　與改革教育系統相比，保障基本收入似乎更簡(jiǎn)單、更有吸引力。這個(gè)想法在技術(shù)行業(yè)內享有廣泛支持：創(chuàng )業(yè)孵化器 Y Combinator 甚至還支持著(zhù)加利福尼亞州奧克蘭市的一項對該想法的研究。其總裁 Sam Altman 認為基本保障收入可以確?！赶蛭磥?lái)工作的平穩過(guò)渡」。

　　看起來(lái)似乎是一個(gè)未來(lái)烏托邦，但一些懷疑論的觀(guān)點(diǎn)認為這會(huì )導致抑制技術(shù)造成的不平等和抱怨，從而讓極客能發(fā)明無(wú)拘束的未來(lái)。Altman 先生說(shuō)，根據他的經(jīng)驗，技術(shù)人會(huì )支持基本收入保障的想法。

　　但基本收入保障的前提是要有收入，這就將意味著(zhù)更高的稅收。此外因為人們本身的財富水平和各地的消費水平不一樣，公平性方面也難以得到保證。而且還有人認為保障基本收入事實(shí)上會(huì )抑制人們接受再訓練，催生一個(gè)不愿意勞動(dòng)(而不是不能勞動(dòng))的「懶人」群體;從而加重納稅人的負擔。

　　芬蘭和荷蘭等富裕國家計劃在明年開(kāi)始有限地試驗基本收入政策，而其它較為貧窮的國家顯然從沒(méi)考慮過(guò)這樣的事。自動(dòng)化的發(fā)展對地緣政治的影響也將逐漸顯現。

　　MIT 的 David Autor 說(shuō)，自動(dòng)化對發(fā)展中經(jīng)濟體的影響比對富裕經(jīng)濟體的影響更大，因為發(fā)展中經(jīng)濟體有更高比例的體力勞動(dòng)工作：低工資的工人制造廉價(jià)的產(chǎn)品、在客服中心提供廉價(jià)的服務(wù)、在國內或海外做建筑工作……如果自動(dòng)化使發(fā)達國家能在這些方面自給自足，它們對發(fā)展中國家提供的產(chǎn)品和服務(wù)的需求就越少——發(fā)展中國家將失去在這些方面的比較優(yōu)勢，而與此同時(shí)，機器人和人工智能的技術(shù)和專(zhuān)利也基本上都掌握在發(fā)達國家手里。

　　自動(dòng)化可能會(huì )讓發(fā)達國家通過(guò)全面工業(yè)化斷掉貧窮國家的發(fā)展機會(huì )。經(jīng)濟學(xué)家常談?wù)摗高^(guò)早去工業(yè)化」;哈佛大學(xué)的 Dani Rodrik 指出第一次世界大戰前英國的制造業(yè)就業(yè)人數達到了峰值的 45%，而巴西、印度和中國的制造業(yè)就業(yè)人數比例已經(jīng)度過(guò)了峰值，卻還沒(méi)超過(guò) 15%。這是因為制造業(yè)已經(jīng)遠比過(guò)去自動(dòng)化了。

　　據花旗銀行和牛津大學(xué)馬丁學(xué)院的一份報告指出，中國已經(jīng)取代美國成為了第一大工業(yè)自動(dòng)化市場(chǎng)。然而對于非洲和南美的其它一些新興經(jīng)濟體而言，自動(dòng)化卻并不是好消息，它們再也無(wú)法通過(guò)「農田到工廠(chǎng)」的勞動(dòng)力轉移模式來(lái)推動(dòng)經(jīng)濟增長(cháng)了，它們必須尋找新的增長(cháng)模式。喬治·梅森大學(xué)經(jīng)濟學(xué)家 Tyler Cowen 說(shuō)：如果沒(méi)有制造業(yè)的工作構成中產(chǎn)階層，這些國家的「核心經(jīng)濟結構中將出現非常高的收入不平等?！?/p>

　　5.道德：弗蘭肯斯坦的回形針

　　技術(shù)專(zhuān)家不相信人工智能會(huì )失去控制，但還是會(huì )有道德上的憂(yōu)慮

　　隨著(zhù)《末日侵襲》這部電影情節的發(fā)展，它看起來(lái)也沒(méi)有那么可怕。所謂的「回形針最多化」(paperclip maximiser)是牛津大學(xué)哲學(xué)家 Nick Bostrom 提出的一個(gè)思維實(shí)驗。這個(gè)實(shí)驗假設一個(gè)人工智能能夠希望能收集盡可能多的回形針。它會(huì )想盡一切辦法來(lái)收集回形針，并且會(huì )通過(guò)自我升級來(lái)找到收集回形針的新方法，它還會(huì )反抗一切阻止它做這件事情的企圖。最后它“把整個(gè)地球和一部分宇宙空間都變成了一個(gè)回形針制造工廠(chǎng)”。

　　這種明顯非常愚蠢的試圖想表達一個(gè)非常嚴肅的觀(guān)點(diǎn)：人工智能不需要人類(lèi)一樣的行為和心理動(dòng)機。它們可能不會(huì )出現人類(lèi)常會(huì )犯的錯誤和偏差，但是會(huì )犯別的錯誤，例如執著(zhù)于回形針。它們的目標已開(kāi)始可能看起來(lái)是無(wú)害的，但如果人工智能能夠自我復制并升級自己的性能就會(huì )非常危險了。即使是一個(gè)運行在一臺不聯(lián)網(wǎng)的計算機上的「被束縛的超級人工智能」也會(huì )竭盡全力地勸說(shuō)它的主人讓他獲得自由。先進(jìn)的人工智能不僅僅是一門(mén)新技術(shù)，而是一個(gè)對人類(lèi)的威脅，Bostrom 說(shuō)。

　　機器能夠自己獨立運行并不是一個(gè)新鮮想法，英國作家瑪麗·雪萊在 1818 年就在她的小說(shuō)《弗蘭肯斯坦》中提出過(guò)這個(gè)想法。但直到 1965 年，人們才提出這種能夠不斷自我升級的人工智能概念。但最近人們在人工智能方面取得的進(jìn)展又引起了新的擔憂(yōu)，Bostrom 就是一個(gè)人工智能威脅論的知名倡導者，他更喜歡把人工智能叫做「超級智能」，這也是他的新書(shū)的書(shū)名。

　　一些人工智能研究者給出了幾個(gè)理由來(lái)證明為什么人們沒(méi)必要恐懼人工智能，最起碼是在當前階段。第一，吳恩達曾說(shuō)過(guò)智能和感性能力以及意識是不同的。在 IBM 的人工智能道德小組工作的 Farancesca Rossi 也說(shuō)過(guò)，人工智能「總有一天會(huì )覺(jué)醒并獲得自己的思想」的想法并不現實(shí)。

　　第二，所謂的「智能爆發(fā)」也是不可能出現的，因為這需要一個(gè)人工智能在比它的前一個(gè)版本的智能升級更短的時(shí)間內升級出新的版本。但是大多數計算問(wèn)題，即使是比人工智能簡(jiǎn)單得多的，在規?；牡臅r(shí)候也需要花很長(cháng)的時(shí)間。

　　第三，即使機器能夠從經(jīng)驗和環(huán)境中學(xué)習，它們也不會(huì )總在學(xué)習。例如一輛自動(dòng)駕駛汽車(chē)并不是在每次駕駛的時(shí)候都在進(jìn)行訓練。相反地，深度學(xué)習系統在神經(jīng)網(wǎng)絡(luò )中建立一個(gè)執行特定任務(wù)的計算模型也需要花上好幾天時(shí)間。這個(gè)模型可以被應用到一個(gè)執行機器中，例如汽車(chē)、無(wú)人機、app或者其他的地方。但是這些汽車(chē)和無(wú)人機并不能在實(shí)際工作時(shí)學(xué)習，相反地，他們在實(shí)際工作中得到的數據會(huì )被傳回后方來(lái)改進(jìn)模型，然后模型又會(huì )被再次應用。因此一個(gè)單一的系統不會(huì )在環(huán)境中學(xué)到「壞行為」，因為它在環(huán)境中并沒(méi)有學(xué)習。

　　6.結論：機械問(wèn)題的答案

　　人工智能未來(lái)一瞥

　　之前看起來(lái)非常緊要的、亟待解決的原始的機器問(wèn)題，最終將自我解決。盡管 David Ricardo 以及其他人都表達過(guò)「機器取代人類(lèi)勞力可能致使人口冗余」這樣的恐懼，機械化的總體影響將會(huì )是創(chuàng )造史無(wú)前例規模的職位。

　　機器讓個(gè)人工作者能生產(chǎn)更多產(chǎn)品，降低大量商品的價(jià)格，擴大需求并且將需要更多工人。全新的工作職位將被創(chuàng )造出來(lái)，對機器進(jìn)行監督。隨著(zhù)公司變得更大，他們將會(huì )需要更多經(jīng)理、會(huì )計和其他職位。而且隨著(zhù)鐵路、電信、電氣的到來(lái)，全新的、前所未有的、我們難以想象的產(chǎn)業(yè)將會(huì )涌現。

　　誠然，所有這些都將花費一段時(shí)間。當一些工作消失的時(shí)候，工業(yè)化會(huì )造成普遍的勞力市場(chǎng)聚變，其他改變難以知曉，而全新的職位將會(huì )出現。工廠(chǎng)內的情況曾經(jīng)非常糟糕，從顯著(zhù)的工人收入變化上反映出經(jīng)濟的增長(cháng)需要幾十年的時(shí)間，這種現象也就是我們所熟知的「恩格斯停頓」。

　　在人工智能發(fā)展緩慢而備受挫折的數年之后，現在很多人卻認為它前進(jìn)過(guò)快，這是一件非常諷刺的事。然而，一份冷靜的評估表明我們應該歡迎人工智能，而不是害怕人工智能。在 19 世紀 40 年代，John Stuart Mill 寫(xiě)道，「將來(lái)我們會(huì )看到，機械發(fā)明對勞工的最終好處是毋庸置疑的?！刮磥?lái)可能會(huì )有一位經(jīng)濟學(xué)家同樣如此描述人工智能的好處，并不只是對勞工而言，而是對每一個(gè)人而言。