你的職業會被取代嗎？

涵雪

智能醫生小試牛刀

今年年初，智能醫生沃森在天津第三醫院與人類醫生共同問診，沃森只需10秒鐘即可為一名癌癥患者疹斷出病情并提供診療建議。在這10秒鐘內，沃森閱覽和分析了超過300份全球最權威的醫學雜志、200余種教科書，以及1500多萬頁資料中的關鍵信息，根據這些信息做出診療方案后還將之翻譯成了中文。診斷結果與具有多年經驗的醫生基本一致，很多人擔心，醫生這一職業會不會被人工智能所代替。

沃森是IBM開發的超級智能計算機，曾于2011年打敗美國競猜電視節目《危險邊緣》中的人類選手而一舉成名。參加競猜節目只是它小試身手，IBM對沃森這一項目野心勃勃，正在將它打造成各行各業的解決方案平臺，醫療健康只是其中之一。沃森的其他推薦項目有：針對銀行業的信用欺詐，監測漏洞并預警；在教育上針對個體差異，為幼兒訂制學習方案；針對交通運輸，使管理變得高效靈活……沃森正在成為各個領域的專家。

最近幾年，從谷歌的無人駕駛汽車，到2016年打敗天下無敵手的圍棋程序阿爾法狗，還有臉書上的人臉識別技術（可以將某張照片上人臉標記出來，并與這個人的賬戶關聯起來）以及沃森，人工智能都展現出了無與倫比的能力，科技巨頭們正在掀起一波又一波洶涌的人工智能的浪潮。隨著這股浪潮，專家預言人類的許多工作崗位會被機器搶走。花旗銀行和牛津大學預測，將來50%的人類職業都會被人工智能取代。

機器取代人類工作并非新聞，許多生產線的裝配機器人就取代了工人，亞馬遜倉庫的倉庫管理員也在前不久被倉庫機器人所取代。然而，以前被取代的多是重體力、高風險的工作，而近來人們所預測將被取代的工作包括會計、記者、律師、醫生等這些專業領域的燒腦職業。究其原因，都是因為這一波人工智能應用了一項關鍵性技術——深度學習。

機器學習遇上互聯網

了解深度學習就必須談到機器學習，機器學習是一種邏輯或數學算法，它模仿人類不斷通過經驗學習和總結的思維過程，使計算機具有自行學習或訓練的能力。

如果采用編程的方式創建計算機的某種功能，運行的每個細枝末節都需要人為編寫指令。但有些功能人類不知道如何編程，例如地面上一個物體究竟是一片枯葉還是一塊石頭，無人駕駛汽車就需要具有這種識別能力來決定是否繞行。這對人類大腦而言輕而易舉，但如何使電腦也具有這樣的識別能力？人類很難用編程方式解決。

1956年，美國工程師亞瑟?塞繆爾也遇到了這個難題，他想讓電腦跟自己下國際象棋，但怎樣編程才能讓電腦下贏自己呢？塞繆爾因此開創出一種算法，讓電腦與自己對戰幾千局來學會下棋，這就是機器學習，塞繆爾因此被譽為“機器學習之父”。他的這臺電腦后來打敗了美國康涅狄格州的象棋冠軍。

實際上，在機器學習誕生之初，這一技術曾一度擱淺，問題出在計算機速度和數據量有限。隨著計算機和互聯網的加速發展，速度和數據瓶頸消失，機器學習開始施展拳腳。20世紀90年代，機器學習開始進入人們的視野，一開始它只是執行一些簡單的任務，如評估貸款申請的信用風險，通過識別手寫的郵政編碼檢索郵件。而最近幾年，機器學習進入了它的黃金時代。最先用機器學習取得商業成功的案例是谷歌搜索引擎，通過算法可以準確地檢索信息；亞馬遜、網飛這些購物或影視網站也采用機器學習的算法投其所好地向用戶推薦產品；臉譜網、領英網等社交網站則利用機器學習告訴用戶誰可能是你的朋友；機器學習同樣也是沃森強大的一個原因。

深度學習，勢不可擋

機器學習中最閃耀的明星就是深度學習。它是機器學習的進階，模仿人類神經多層級的網絡結構，是機器學習中較復雜的算法，訓練的效果也更精確，而且學習過程可以不需要監督。阿爾法狗、面部識別、無人駕駛汽車都是深度學習廣為人知的應用成果。

深度學習除了自學能力無與倫比，其學習的效果更令人震撼，其能達到的專業度可以遠遠超過開發者自身，甚至不需要開發者有相關知識背景。試想，圍棋智能軟件阿爾法狗的開發者德米斯·哈薩比斯下棋能下過阿爾法狗嗎？在一個叫Kaggle的數據建模平臺上，有人組織了一場自動藥物研發比賽，多倫多大學研發團隊設計的運算打敗了所有國際學術團隊，而最不可思議的是，這個團隊中沒有一人有化學、生物或生命科學的專業背景，卻在兩個星期內贏得了比賽。

當然，還有工作速度。Kaggle上的一次比賽項目是為當地學校設計一個算法評判高中作文，獲勝的算法不僅評分與老師評分一致，而且速度是人類無法企及的。一個語文老師在40年職業生涯中可能閱評1萬篇作文，但運用深度學習的計算機在短短幾分鐘之內就可以閱評百萬篇作文。

理論上講，只要提供足夠的數據和訓練時間，計算機就可以成為某方面的專家。提供足夠多的醫療數據，計算機就能看病；提供足夠多的賬目和審計案例，計算機就能成為專業的審計員；提供足夠的合同樣本，計算機就能成為出色的律師；還有翻譯、繪畫、撰稿、倉庫管理……難怪專家們紛紛預言未來的許多工作會被機器搶走。

然而，機器并非無所不能，有一類工作即使是深度學習也無法搶走的。

開創未來還是要靠人類

機器學習很難解決新問題，即人類涉足不多、未曾反復接觸過的情形或領域中的問題。機器學習的局限就在于它需要從大量已知的數據中總結經驗。人類則可以突破這種局限，把看似毫不想干的事物聯系起來，形成新的觀念，或者解決新問題。

美國物理學家珀西·斯賓塞曾在二戰中從事雷達的研究工作，他發現磁控管將他的巧克力融化了。由此，他把對電磁輻射的認識延伸到烹飪，從而發明了微波爐。類似這種人類創新的例子比比皆是，牛頓看到掉落的蘋果發現了萬有引力；醫生愛德華·詹納發現擠奶女工從未得天花，把牛痘與天花的防治聯系到一起，從而發明了天花疫苗；還有電腦、手機、互聯網的誕生，政治體系的構建，金融機構的創立，一切人類文明都是通過人類這種聯想思維創建的，不然，我們還處在茹毛飲血的社會。然而，機器在這一方面無能為力，至少目前是這樣，人工智能還沒有發展到會真正地思考。

因此，未來某種職業是否會被機器取代，取決于這一工作是否涉及創新能力，是否是重復的、大批量的任務。審計員和律師的工作雖然專業化程度非常高，需要持證上崗，但這兩種職業的日常工作有相當大的一部分屬于重復性、大批量工作，這一部分可由機器取代。另一部分創造性和研究性的工作則仍然需要人類審計員和人類律師來做，如研究稅收結構和執行無先例的訴訟程序。產品推銷雖然可以借助機器學習來針對性地推薦產品，但營銷方案仍然需要研究消費者心理，尋找新的突破以突出產品賣點，產品開發仍然需要尋找市場上的空白區域，這都需要人類來做。

因此，機器的智能化無疑會使就業難度增加，就業門檻增高，但社會的前進仍然需要人類自身來推動，只要你是真正具有開創性的人才，你的工作就不會被機器搶走。