国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

導(dǎo)語(yǔ)：從機(jī)器人和人工智能出現(xiàn)，人們對(duì)于飯碗的安全性就存在著很大的擔(dān)憂，機(jī)器人和人工智能搶工作的話題也長(zhǎng)時(shí)間占據(jù)熱搜榜，但是，卻最終也沒(méi)得出準(zhǔn)確的結(jié)論，到底哪些工作會(huì)被搶走。不過(guò)，從今天

從機(jī)器人和人工智能出現(xiàn)，人們對(duì)于飯碗的安全性就存在著很大的擔(dān)憂，機(jī)器人和人工智能搶工作的話題也長(zhǎng)時(shí)間占據(jù)熱搜榜，但是，卻最終也沒(méi)得出準(zhǔn)確的結(jié)論，到底哪些工作會(huì)被搶走。不過(guò)，從今天開(kāi)始，對(duì)于AI會(huì)取代哪些人類工作的猜測(cè)，也許可以暫時(shí)停一停了。

最近，兩位來(lái)自MIT和CMU的研究者在一篇論文中提出了一種預(yù)測(cè)那些“脆弱“工作的方式。他們認(rèn)為，機(jī)器學(xué)習(xí)并不代表人類工作的終結(jié)，但它會(huì)對(duì)經(jīng)濟(jì)和人類工作的方式產(chǎn)生極大影響。

根據(jù)自己對(duì)于機(jī)器學(xué)習(xí)系統(tǒng)當(dāng)下和未來(lái)能力的理解，這兩位研究者列出了8條主要標(biāo)準(zhǔn)，來(lái)評(píng)估一項(xiàng)任務(wù)是否適合機(jī)器學(xué)習(xí)。他們的文章發(fā)表在周四的《科學(xué)》上。

文章的共同作者之一、MIT斯隆管理學(xué)院教授Brynjolfsson在接受CNBC采訪時(shí)說(shuō)，高管們可以用這些標(biāo)準(zhǔn)來(lái)對(duì)自己機(jī)構(gòu)內(nèi)的任何一項(xiàng)工作進(jìn)行評(píng)估，而政策的制定者們同樣可以根據(jù)這些問(wèn)題來(lái)判斷哪些職業(yè)最容易受到自動(dòng)化影響。CMU計(jì)算機(jī)科學(xué)教授Tom Mitchell是另一位作者。

“整個(gè)工作都適合或不適合機(jī)器學(xué)習(xí)的情況非常少見(jiàn)，但在某種工作之中，或許有幾項(xiàng)任務(wù)是適合的。” Brynjolfsson說(shuō)。論文的主要前提之一就是，我們離所謂“通用人工智能”還差得很遠(yuǎn)，機(jī)器不能把人類能干的所有事都辦了。

Brynjolfsson還說(shuō)，老板們將要面臨的挑戰(zhàn)是，如何將那些工作“解綁”，依據(jù)是否能被自動(dòng)化將它們進(jìn)行歸類，然后“重新綁定”成全新的工作。

這些問(wèn)題中列出的條件，包括“不需要復(fù)雜、抽象推理的任務(wù)”、“不需要與人類進(jìn)行細(xì)致、廣泛對(duì)話式交互的任務(wù)”、“為了完成任務(wù)不需要長(zhǎng)期計(jì)劃”等等。使用者根據(jù)這些條件來(lái)判斷符合或不符合的程度，最后加在一起算總分。

那么，究竟哪些任務(wù)最適合由機(jī)器完成？主要看這些因素：

標(biāo)記了界定明確的輸入和輸出，能學(xué)習(xí)函數(shù)將其對(duì)應(yīng)起來(lái)的任務(wù)

這些任務(wù)包括分類（比如標(biāo)記狗的品種或根據(jù)可能的癌癥種類標(biāo)記醫(yī)療記錄）和預(yù)測(cè)（分析一份貸款申請(qǐng)來(lái)預(yù)測(cè)未來(lái)的違約可能性）。不過(guò)機(jī)器在這里學(xué)會(huì)的只是一種統(tǒng)計(jì)學(xué)關(guān)聯(lián)，而未必是因果關(guān)系。

存在大型數(shù)據(jù)集，或可以創(chuàng)建包含輸入-輸出對(duì)的大型數(shù)據(jù)集的任務(wù)

可獲取的訓(xùn)練樣本越多，學(xué)習(xí)結(jié)果就越精確。DNN有一個(gè)值得注意的特性，在很多領(lǐng)域里，它的性能并不會(huì)隨著訓(xùn)練樣本數(shù)量的增加而逼近完美。能在訓(xùn)練數(shù)據(jù)中抓出所有相關(guān)的輸入特征尤為重要。雖然原則上任何任意函數(shù)都能用DNN來(lái)表示，但電腦應(yīng)付不好兩樣?xùn)|西：一是訓(xùn)練數(shù)據(jù)中模擬的、持續(xù)的多余偏見(jiàn)，二是會(huì)忽略包含了機(jī)器觀測(cè)不到變量的規(guī)律。不過(guò)，還有不少創(chuàng)造數(shù)據(jù)的方法，比如監(jiān)測(cè)已有過(guò)程和交互行為、雇傭人類來(lái)對(duì)部分?jǐn)?shù)據(jù)進(jìn)行明確標(biāo)注或是創(chuàng)建一個(gè)完整的全新數(shù)據(jù)集，或是模擬問(wèn)題相關(guān)的場(chǎng)景。

有著明確的目標(biāo)和度量標(biāo)準(zhǔn)、提供清晰反饋的任務(wù)

當(dāng)我們可以明確地描述目標(biāo)時(shí)——即便我們未必能確定達(dá)成目標(biāo)的最佳過(guò)程——機(jī)器學(xué)習(xí)能做得非常不錯(cuò)。這與早期達(dá)成自動(dòng)化的途徑形成了鮮明對(duì)比。抓取個(gè)人輸入－輸出決策的能力（即便模仿這些個(gè)人的學(xué)習(xí)過(guò)程被允許）可能不會(huì)導(dǎo)致最佳的全系統(tǒng)表現(xiàn)，因?yàn)槿祟惐旧砭蜁?huì)做出不完美的決策。因而，有明確界定的全系統(tǒng)表現(xiàn)（比如優(yōu)化全城范圍內(nèi)而不是某個(gè)交叉路口的交通流量）度量標(biāo)準(zhǔn)就為機(jī)器學(xué)習(xí)系統(tǒng)提供了黃金準(zhǔn)則。當(dāng)訓(xùn)練數(shù)據(jù)是根據(jù)這種黃金準(zhǔn)則來(lái)進(jìn)行標(biāo)注并以此確定目標(biāo)時(shí)，機(jī)器學(xué)習(xí)的威力特別大。

不需要依靠廣泛背景知識(shí)或常識(shí)的長(zhǎng)邏輯鏈或推理過(guò)程的任務(wù)

在學(xué)習(xí)數(shù)據(jù)中的經(jīng)驗(yàn)性聯(lián)系時(shí)，機(jī)器學(xué)習(xí)系統(tǒng)非常強(qiáng)大；但當(dāng)任務(wù)需要依賴于常識(shí)或背景知識(shí)的長(zhǎng)推理鏈條或復(fù)雜計(jì)劃時(shí)，它就變得不那么好使。吳恩達(dá)的“一秒鐘原則”表明，機(jī)器學(xué)習(xí)在需要快速反應(yīng)和提供即時(shí)反饋的電子游戲上做得非常好，但在需要依靠對(duì)于世界的背景知識(shí)、以及對(duì)于久遠(yuǎn)事件的記憶來(lái)做出最優(yōu)選擇的游戲上就做得沒(méi)那么好。

此類事件的例外是圍棋和國(guó)際象棋，因?yàn)檫@些智力性游戲可以以完美的準(zhǔn)確度快速模擬，數(shù)百萬(wàn)完美自標(biāo)注的訓(xùn)練樣本可以被自動(dòng)采集。然而，在真實(shí)世界的大多數(shù)領(lǐng)域，完美的模擬太少了。

不需要對(duì)于決策過(guò)程進(jìn)行細(xì)致解釋的任務(wù)

數(shù)億數(shù)值權(quán)重與它們的人工神經(jīng)元相連，大型神經(jīng)網(wǎng)絡(luò)根據(jù)它們進(jìn)行細(xì)微調(diào)整來(lái)學(xué)習(xí)決策。要對(duì)人類解釋這種決策的原因會(huì)十分困難，因?yàn)镈NN通常不會(huì)像人類一樣使用中間抽象過(guò)程。雖然對(duì)于可自主解釋AI系統(tǒng)的研究工作正在進(jìn)行中，但現(xiàn)在這一領(lǐng)域的系統(tǒng)在這方面做得依然比較差。

舉個(gè)例子，雖然計(jì)算機(jī)在診斷癌癥或肺炎種類上可以比人類專家做得更好，與人類醫(yī)生相比，它們解釋得出診斷結(jié)果原因的能力要差得多。而對(duì)于很多可感知的任務(wù)，人類則并不善于解釋，比如，他們?nèi)绾螐穆?tīng)到的聲音中識(shí)別出詞語(yǔ)。

能夠容忍錯(cuò)誤、不需要可證實(shí)的正確度或最優(yōu)解決方案的任務(wù)

幾乎所有的機(jī)器學(xué)習(xí)算法都是從統(tǒng)計(jì)學(xué)和概率上得出解決方案的。因而，要把它們訓(xùn)練到百分之百的準(zhǔn)確度幾乎不可能。即使是最好的語(yǔ)音識(shí)別、物體識(shí)別和疾病診斷系統(tǒng)也會(huì)犯錯(cuò)誤。對(duì)于錯(cuò)誤的容忍度是一條非常重要的標(biāo)準(zhǔn)。

不會(huì)隨時(shí)間迅速變化的任務(wù)

一般而言，機(jī)器學(xué)習(xí)算法只會(huì)在未來(lái)的測(cè)試樣本分布于訓(xùn)練樣本分布近似時(shí)才會(huì)干得漂亮。如果這些分布發(fā)生變化，再訓(xùn)練就不可避免，因而，相對(duì)于新訓(xùn)練數(shù)據(jù)的獲取率，最終的成功更依賴于變化率（比如，垃圾郵件過(guò)濾器在過(guò)濾商業(yè)垃圾郵件上做得很好，部分是因?yàn)槭盏叫锣]件的比率要高于垃圾郵件變化的比率）。

不需要專業(yè)的靈巧、運(yùn)動(dòng)技能或機(jī)動(dòng)性的任務(wù)

與人類相比，在非結(jié)構(gòu)化環(huán)境和任務(wù)中處理體力操作上，機(jī)器人仍然十分笨拙。這其實(shí)大部分不是機(jī)器學(xué)習(xí)的問(wèn)題，而是最新機(jī)器人機(jī)械化控制器的成果。

在機(jī)器學(xué)習(xí)將會(huì)如何影響勞動(dòng)和工資方面，這篇論文同樣考慮了其中經(jīng)濟(jì)因素的潛在影響。比如，在一些案例中，計(jì)算機(jī)將會(huì)取代人類。

在一些任務(wù)上，自動(dòng)化的價(jià)格可能會(huì)降低，這可能會(huì)影響需求、雇傭和總投入。

作者指出機(jī)器學(xué)習(xí)的影響可能會(huì)超過(guò)一些之前已經(jīng)被廣泛應(yīng)用的發(fā)明，比如電力和內(nèi)燃機(jī)。這些進(jìn)步提高了總生產(chǎn)力，解放了互補(bǔ)性創(chuàng)新的浪潮。

“進(jìn)行了正確互補(bǔ)性投入（如技能、資源和基礎(chǔ)設(shè)施）的個(gè)人、商業(yè)和社會(huì)最終將會(huì)繁榮起來(lái)。”作者寫(xiě)道，“而其他人不只失去了分一杯羹的機(jī)會(huì)，在某些情況下，他們還會(huì)過(guò)得越來(lái)越糟。”

摘自 機(jī)器人網(wǎng)