人工智能範式轉移将導緻傳統職業的消失？

雷鋒網(公衆号：雷鋒網)按：本文作者黃亮新，産品經理、科技觀察者。微信公衆号：藍狐筆記（id：lanhubiji）。

1899年，愛迪生聽福特介紹完汽車之後表示：馬的末日已經來臨。不過汽車在大街上暢通無阻奔馳之前，還是遇到了很大的阻力。當時乘坐馬車的人不喜歡汽車，馬車夫和馬車鋪老闆更是恨透了汽車。在英國甚至有一個交通法規叫“紅旗法”（1858-1896年），蒸汽汽車市内限速2英裡/小時以下，郊外限速4英裡/小時以下。舊金山也曾規定汽車在市内行駛的速度不能超過8英裡/小時。對汽車的歧視不僅包括汽車不能超過馬車速度，還有馬車與汽車相遇時，汽車要停車為馬車讓路，馬車夫甚至可以要求汽車司機發動機熄火，讓馬車安靜通過。

但不管什麼法令，汽車最終還是取代了馬車，成為20世紀以來人類最主要的交通工具之一。人工智能對未來各種職業變化産生的影響，隻會更加徹底。人工智能代表了更高的生産力，不管行業工會和政策如何壓制，最終它還是會勝出。

那麼，如何看待人工智能近期的加速？人工智能的變化對哪類職業會産生影響？

一、機器學習範式的轉變

人工智能之是以變熱、加速，很重要的原因是機器學習取得了重大的突破，而這個突破在于思考問題方式的轉變。比如深度學習不再試圖對整個世界模組化，而是對大腦進行模組化。範式的轉移帶來全新的突破。這加速了生産力的提升，加速了職業的變化，有的職業将消失，甚至絕大多數目前的職業都将消失，而新的職業将誕生。

從1956年提出人工智能概念到2016年，剛好60年，人工智能走到突破點上。人工智能的三駕馬車：算法、算力和資料。算法有了很大的進步，深度學習技術可以大量處理未标記非結構化的資料，可以無監督訓練及有監督的反向支援運算等；算力方面，gpu的大發展為人工智能的計算速度提供了基礎支援。而資料是所有人工智能之源。所有的決策，所有的行為，最終歸結為資料。

從具體的發展來看，目前語音識别、圖像識别、自然語言處理、自動駕駛都有了實實在在的長足進步。

首先圖像識别正确率的提高，圖像識别的錯誤率減少到了7%，語音識别錯誤率減少到4%。圖像識别相當機器的眼睛，它通過圖像識别能夠看到世界。在人工智能基準測試imagenet上，微軟、谷歌和百度都曾經取得過5%以内的識别錯誤率，這是一個很了不起的成績，因為人眼識别的錯誤率大概為5.1%。其次，語音識别率大大幅提高。在國内百度、搜狗和科大訊飛對外公布語音識别準确率均達到97%。

更重要的是機器學習的方法讓它變得越來越犀利。之前人工智能靠的是窮舉法。比如圖像識别要靠通過設立規則開發系統來識别物體，比如貓、狗等動物。自然語言處理則需要通過語言學家們把文法規則編寫出來，并設計程式開發來完成。機器學習則換一個模式解決這個問題。把規則問題轉換為資料問題。比如說，讓要機器學習“貓”，傳統的方式把識别的規則寫出來。而機器學習則讓自己去學習：從一定數量的标記為“貓”的圖檔和沒有标記為“貓”的圖檔中，讓神經網絡去把“貓”找出來。之前由于算力和資料沒有辦法解決學習問題，但今天，這都不是問題。 

資料對規則形成了碾壓。甚至人工智能學家宣稱：“每解雇一名語言學家，語音識别機器的表現就提高了一點。” 由于這是一個通用的方法論，這樣機器學習就可應用到所有資料的領域，比如金融科技，通過機器學習找到高風險人群的特征。

二、機器學習範式轉移加劇對傳統職業的沖擊 

機器學習，尤其是深度學習的快速發展讓很多工作面臨被取代的局面，這個程序還在加快。更可怕的是，未來人工智能将在資料分析上比人類更聰明。這也意味着人類不僅僅在一些機械的工作上被取代，甚至一些複雜的計算工作也會被取代。

容易被取代的工作包括純機械體力勞動、有明确方法論和邏輯及流程的職業。難以被取代的工作，主要是關于人的體驗、感性、暫時沒有明确方法論和流程可以解決的行業和職業。比如創意娛樂藝術類。

未來可能今天的絕大多數職業都要消失，這裡也沒有辦法窮舉。目前看來顯而易見的一些行業和職業很快就要受到沖擊。

1、翻譯

谷歌神經網絡翻譯（neural machine translation）從2014年開始，僅僅兩年的時間，就發生了翻天覆地的變化，英語和法語、英語和西班牙的互譯品質達到了90%以上。百度翻譯采用的則是深度學習和統計結合的翻譯系統，同時還加收入了語言處理、語音互動的場景，目前支援超過28種語言互譯。微軟也曾釋出微軟翻譯（microsoft translator），實作9中語言實時語音轉文本的翻譯。 

像谷歌和百度等采用神經網絡翻譯系統之後，能夠讓翻譯不僅僅是按字句進行，而是可以根據一篇文章大意對文章進行分析，極大降低了錯誤率。 

目前谷歌翻譯、百度翻譯還不夠完美，但是每年都在進步，估計過了五年十年，比普通人類翻譯做得還好。

為什麼？因為這是機器學習範式轉變帶來的變化。機器翻譯實作了從統計式的翻譯轉向了神經網絡翻譯。也就是從統計，從窮舉，從規則轉向了機器學習。機器學習的方法意味着翻譯的效果會越來越好。這才是從事翻譯工作的人們需要擔心的問題。 

2、記者

大多數記者寫稿的工作也可能被取代。比如美聯社有90%的文章采用機器寫手的文章。騰訊也開發了機器人寫作新聞稿，按照算法在最快時間生成稿件，瞬時将重要資訊和解讀釋出給使用者。 

目前看，機器人寫稿，一般來說，可以做一些消息類稿件，比如剛才提到的美聯社新聞稿，騰訊的新聞稿。對于大多數隻是釋出新聞消息的記者來說，這個職業很快就面臨被淘汰的局面。這符合剛才提到的不僅僅是機械性的體力勞動，機械性的腦力勞動崗位也會被替代。大多數記者的寫稿行為，本質是都是機械性的腦力勞動。基于機器學習的寫稿行為，它會比人類更快，且随着給予的資料喂養更多，會比普通人類記者寫得更加出色。

目前看隻有對于事件的深度解讀和分析，暫時還是人類的優勢領域。

3、司機

人類曆史上，曾經強壯的男人最受歡迎。在原始的部落，強壯男人狩獵、保護族人免受外族欺淩，在原始社會、部落社會、農業社會，甚至在工業社會都是最受歡迎的職場人士。但是今天，強健的體魄面臨來自不知疲倦更加強壯的機器人的沖擊。

重複性體力勞動的重要性一直降低，而且被取代也是遲早的事情。比如無人駕駛作為人工智能最大的應用。它對司機這個職業産生根本性的威脅。不僅是uber和滴滴這樣的出行應用公司，而且特斯拉、百度、谷歌也在大力發展無人駕駛汽車。無人駕駛汽車的應用幾乎涉及到了所有人工智能的方面，比如圖像識别、語音識别、自然語言處理等。對于uber和滴滴來說，要想繼續向上走，必須讓無人駕駛成為優化整個交通出行的核心，最終讓出行體驗做到極緻。

而對于特斯拉、百度和谷歌這樣的企業來說，重要的不僅僅是無人駕駛的硬體或者無人駕駛的軟體能力。核心的還是前面提到的理念，這些企業的無人駕駛汽車是建立在“機器學習”基礎上的。比如特斯拉已經收集了超過20多億公裡的車輛行駛資料，包括了不同路況和天氣下的行駛資料，這些資料每天都在大規模增加。這些大資料通過學習的機制為其他所有的汽車賦予能力，也就是說這是一個怪獸。由分布在全球不同的地區的汽車個體不停地上傳不同的資料，而這些資料又回報給各個個體，最終進化成為一個更加高效有用的自動駕駛汽車。

百度和谷歌也有類似的思路，百度有一個輸出人工智能大腦的戰略，除了自行研發百度無人汽車之外，還跟不同的汽車廠商合作，輸出汽車大腦的服務，對于百度和谷歌來說，這樣的方式能夠以更快的速度獲得資料。對于這些企業來說，最快的速度獲得資料永遠是最高的戰略。 

雖然真正的無人駕駛可能還需要五年十年的時間，但是這個趨勢已經不可逆轉。未來的計程車司機、滴滴或許uber的司機、大貨車司機等都要面臨職業消失的局面。美國有200萬名大貨車司機，即使有特朗普的保護，最終來說，生産力發展的趨勢也不是不可逆。無人駕駛汽車比貨車司機更安全、可靠、聽話、不知疲倦且容易管理。 

4、工廠勞工

機器人取代工廠勞工是必然，就像美國目前的農業人口占總人口的1%一樣，未來勞工也不會超過總人口的1%，曾經馬克思書裡描述的社會中堅力量勞工階級将随着技術的變遷而消失。甚至馬克思主義的賴以存在的資本主義沖突論理論基礎也将消失，他所描述的資本主義經濟的核心問題在于供需資訊的不對稱，傳導太慢，導緻了經濟危機，而人工智能的資料比對将徹底改變這一問題，這意味着是不是很多經濟學家也要失業了？因為從高度不透明，不确定的社會經濟逐漸走向有計劃可預期的社會經濟。這裡唯一不确定的是人性。

三全之前有2萬多名職工，用手工包湯圓和水餃，但現在以前幾千噸的湯圓水餃都由機器人完成。日本軟銀的孫正義早已開始布局未來，軟銀公司一家有超過3000萬機器人，24小時不眠不休地幹活，一個機器人抵好幾個普通勞工，目前成本僅900元，而中國的勞動力工資至少也得3000元以上。人工智能的發展将會引發産業的轉移，産業将不一定在人力成本低的開發中國家發展，而可能會回流到發達國家。 

諸如此類的案例隻會越來越多。可以問問自己，自己的職業是不是處在被人工智能取代的區域？ 

三、結語 

容易被取代的職業是哪些隻有“硬技能”的職業，重複勞動、可預見、有明确流程和方法論的工作，而“軟實力”，比如對事物之間的關聯性有深入了解的，感性的，則處于相對安全的範圍。但，未來不會有永久的安全區域。 

為了不那麼容易被淘汰，應該怎麼做？既然是不可逆轉的趨勢，首先了解它，然後接納它，最後努力成為它的一部分。

怎麼成為它的一部分？比如你是一位産品經理，有沒有考慮過人工智能時代，作為産品經理的職業會不會不一樣？是不是需要學會跟科學家溝通？比如你是傳統的金融風控專家，如果機器學習應用到了金融科技，能夠通過機器學習的方式更好地确定高風險人群的特征，那麼，原來的經驗是否還奏效？又比如是一位父母，如何進行教育？如何讓自己的孩子在在未來二三十年的人工智能時代能夠有機會參與？現有的教育理念可能都需要重新審視，要有個性化的教育，除了基礎教育，更加重視發揮個人優勢。

理性思維強的人，要加大對實體和數學基礎的學習，而感性思維強的人，發揮自己的創意、娛樂的等天賦。未來或許不再有中間道路，to be or not to be!

本文作者：黃亮新