什麼樣的職業容易被AI取代？麻省理工學院列出一組新標準

“就業末日”還說不上， 但局面還是會越來越奇異。

對於人工智慧（AI）帶來就業末日的預言， 很多人都趨之若鶩。 吃這一套的人相信，

在並不遙遠的未來， AI和機器人肯定會竊取當前由人類佔據的絕大部分職位。 在幾乎沒有社會安全網的美國， 這樣的科技飛躍將引發社會崩潰， 除非能出現急速的經濟轉型。

另一方面， 事實可能並非如此。 也許在現實生活中， 很多工作是我們不願意託付給機器人的——比如就業增速遙遙領先的醫療領域——甚或是機器根本就做不到的。

近期， MIT斯隆商學院研究人員埃裡克·布林約爾松（Erik Brynjolfsson）和湯姆·米切爾（Tom Mitchell）發表政策論文， 著眼於上述第二個類別。 其結論概括起來就是， “就業末日”還說不上， 但局面還是會越來越奇異。

“機器學習明顯是一種‘通用技術’， 就像蒸汽發動機和電力一樣， 催生了大量額外的創新和潛能。 然而， 對於機器學習系統擅長哪些專案，

這方面並無廣受認同的觀點。 因此， 對於機器學習對勞動力的影響， 以及對經濟的影響， 我們都沒有形成共識。 ”米切爾和布林約爾松寫道。 “在很多工作中， 有些部分也許是‘機器學習適用’的， 但有些任務並不契合機器學習的標準；因此， 就業所將受到的影響非常難說， 並不是一些人所強調的那樣， 就是取代或替換那麼簡單。 ”

論文列述了“機器學習適用”任務的八大基本特徵。 這裡就不逐一列出了， 但其中幾條值得一提。 首先， 機器學習需要定義明確的問題， 輸入資料要能可靠映射到輸出預測。 比如在醫療診斷中， 輸入病歷， 輸出診斷。 這是清晰映射。 又比如輸入狗狗照片， 輸出品種預測。 或者， 我們還能根據狗主人的照片， 預測狗的品種， 但這種情況下， 清晰映射就不存在了， 預測背後的因果關係就不容易找到了。

機器學習模型還需要大量的資料。 它們得有學習的材料。 要預測醫療診斷的結果， 機器學習演算法需要大量的訓練資料， 即大量病歷， 且由人類一一標記正確的診斷結果。

只有經過這些資料的訓練， 演算法在接到未經標記的新資料時， 才能作出準確的預測。

還有幾點不太容易想到。 例如， 機器學習模型在作預測時， 需要相對簡單的因果鏈條。 比如， 若要輸入觀察， 並輸出預測， 基本上， 輸入必須和輸出直接相關， 不能在中間夾雜一連串的因果關係。 另外， 如果出現錯誤預測就是不可接受的， 那機器學習也不管用。 機器學習的準確率只要超過90%， 就算是比較成功了。 也就是說， 我們覺得10%的錯誤率是可以接受的。 但舉例來說， 在用電腦視覺為油罐車導航時， 絲毫的差錯都是不可接受的。

另外， 有一些因素不太容易量化。 比如人性。 機器學習並不適用於情商與同理心。 “結構化程度較低的任務， 比如與其他醫生互動， 以及涉及大量情緒的任務， 比如與病人溝通、安慰病人， 這些就不適用機器學習了， 至少目前而言不適用。 ”布林約爾松和米切爾寫道。

看來， 最有可能的情況是， 機器學習所適用的並非完整的工作或職業， 而是這些職業中的某些部分。 機器學習還將繼續發展進步，但它不會竊取所有的工作（不過肯定也會吃掉不少的工作），但它會成為很多職業中司空見慣的一部分。演算法固然可以預測癌症診斷結果，但這並不意味著它會取代人類醫生。更有可能的情況是，醫生依然會是人類，而演算法成了醫生手中的利器。

翻譯：雁行

造就：劇院式的線下演講平臺，發現最有創造力的思想

點擊藍字“瞭解更多”，獲取更多「造就」精彩內容，還有「造就」會員福利等您開啟。

機器學習還將繼續發展進步，但它不會竊取所有的工作（不過肯定也會吃掉不少的工作），但它會成為很多職業中司空見慣的一部分。演算法固然可以預測癌症診斷結果，但這並不意味著它會取代人類醫生。更有可能的情況是，醫生依然會是人類，而演算法成了醫生手中的利器。

翻譯：雁行

造就：劇院式的線下演講平臺，發現最有創造力的思想

點擊藍字“瞭解更多”，獲取更多「造就」精彩內容，還有「造就」會員福利等您開啟。