談到人工智慧和就業的問題，
人們通常給出的預言是殘酷的。
傳統觀點認為，
人工智慧可能很快就會讓數百萬人失業，
在未來的20年裡，
它將會對白領和白領工人有一定的影響，
就像過去兩年裡機械化對工廠工人的作用是一樣的。
但現在我們應該開始考慮A.I.對社會的潛在好處以及它的弊端。 比如：大數據和A.I.有助於消除貧困， 促進經濟穩定。
當然， 貧窮是一個多方面的現象。 但是貧窮的狀況常常包含以下一個或多個現實：缺乏收入（失業）、缺乏準備（教育）， 以及對政府服務（福利）的依賴。 而A.I.可以一下子解決三個問題。
首先， 就像A.I.可能會使人們失去工作， 同時也可以被用來使他們與正在進行中的優質中產階級工作相匹配。 現在在美國就有數百萬這樣的工作。 這恰恰是A.I.可以解決的那種匹配問題， 它可以預測明天的職位空缺在哪裡， 以及他們需要哪些技能和培訓。
從歷史上看， 我們往往回避這種社會規劃和就業匹配， 也許是因為它對指令經濟有影響。 然而， 沒有人認為政府應該強迫工人接受特定的工作， 或者確實認定這些工作和技能差距需要成為政府的工作。 重要的是， 我們現在有工具可以猜測哪些工作是可用的， 哪些是技能是工作者需要填補的。
其次， 我們可以帶來所謂的差異化教育， 基於學生掌握的不同的技能， 以不同的速度訓練國家的每個學生。 美國國立衛生研究院2013年的一項研究發現， 近40％的醫科學生對一種學習方式有強烈的偏好：有些是聽眾， 其他人是視覺學習者， 還有一些人在做最好的手術方面。
我們的學校制度恰恰相反。 把所有的學生放在一個房間裡， 使用相同的教學方法， 認為這是最好的辦法。 但現在又有了A.I.， 它可以改善這種狀況。 即使在標準化課程的背景下， A.I. “導師”仍可以在家教學， 糾正每個學生的弱點， 根據自己的學習方式調整課程， 讓學生參與其中。
今天占主導地位的A.I.也被稱為機器學習，
第三， 努力把教育、就業培訓和21世紀的工作相適應起來， 消除大量依賴政府的專案的人。 利用21世紀的技術， 我們可以合理地將政府援助服務的使用減少， 然後將服務用於其他原本預期的功能上。
此外， 現在還可以利用大資料集來更好地預測哪些程式可以在特定時間説明某些人， 並快速評估程式是否具有預期效果。 用廣告類比來說， 這就是在黃金時段電視上播放商業廣告和通過微型定位分析進行廣告的區別。
至於意識形態對公共援助辯論的有害影響：大資料承諾更接近對這些社會項目有效性的無偏見、無意識形態的評估。 我們可以更接近一個精英式的技術專家型社會的願景， 那就是國家和地方雙方的政治家， 那些最接近他們選民面臨的實際問題的政治家也已經開始接受這個觀點。
甚至國會偶爾也會推動科技事業在公共決策方面的發展：2016年，國會投票贊成奧巴馬總統授權設立循證決策委員會。創建委員會的行為由民主黨參議員帕蒂·穆雷（Patty Murray）和眾議院議長保羅·里安（Paul Ryan）贊助。委員會在2017年9月到期前，利用政府資料評估政府政策的有效性，並根據調查結果提出建議。
這再次說明了A.I和大資料在積極、有目的的公共利益服務方面的承諾。在我們把這些新技術視為混亂和顛覆的動因之前，我們應該首先考慮他們為社會服務的有利的潛力。
甚至國會偶爾也會推動科技事業在公共決策方面的發展：2016年，國會投票贊成奧巴馬總統授權設立循證決策委員會。創建委員會的行為由民主黨參議員帕蒂·穆雷（Patty Murray）和眾議院議長保羅·里安（Paul Ryan）贊助。委員會在2017年9月到期前，利用政府資料評估政府政策的有效性，並根據調查結果提出建議。
這再次說明了A.I和大資料在積極、有目的的公共利益服務方面的承諾。在我們把這些新技術視為混亂和顛覆的動因之前，我們應該首先考慮他們為社會服務的有利的潛力。