论文部分内容阅读
智能医生小试牛刀
今年年初，智能医生沃森在天津第三医院与人类医生共同问诊，沃森只需10秒钟即可为一名癌症患者疹断出病情并提供诊疗建议。在这10秒钟内，沃森阅览和分析了超过300份全球最权威的医学杂志、200余种教科书，以及1500多万页资料中的关键信息，根据这些信息做出诊疗方案后还将之翻译成了中文。诊断结果与具有多年经验的医生基本一致，很多人担心，医生这一职业会不会被人工智能所代替。
沃森是IBM开发的超级智能计算机，曾于2011年打败美国竞猜电视节目《危险边缘》中的人类选手而一举成名。参加竞猜节目只是它小试身手，IBM对沃森这一项目野心勃勃，正在将它打造成各行各业的解决方案平台，医疗健康只是其中之一。沃森的其他推荐项目有：针对银行业的信用欺诈，监测漏洞并预警；在教育上針对个体差异，为幼儿订制学习方案；针对交通运输，使管理变得高效灵活……沃森正在成为各个领域的专家。
最近几年，从谷歌的无人驾驶汽车，到2016年打败天下无敌手的围棋程序阿尔法狗，还有脸书上的人脸识别技术（可以将某张照片上人脸标记出来，并与这个人的账户关联起来）以及沃森，人工智能都展现出了无与伦比的能力，科技巨头们正在掀起一波又一波汹涌的人工智能的浪潮。随着这股浪潮，专家预言人类的许多工作岗位会被机器抢走。花旗银行和牛津大学预测，将来50%的人类职业都会被人工智能取代。
机器取代人类工作并非新闻，许多生产线的装配机器人就取代了工人，亚马逊仓库的仓库管理员也在前不久被仓库机器人所取代。然而，以前被取代的多是重体力、高风险的工作，而近来人们所预测将被取代的工作包括会计、记者、律师、医生等这些专业领域的烧脑职业。究其原因，都是因为这一波人工智能应用了一项关键性技术——深度学习。
机器学习遇上互联网
了解深度学习就必须谈到机器学习，机器学习是一种逻辑或数学算法，它模仿人类不断通过经验学习和总结的思维过程，使计算机具有自行学习或训练的能力。
如果采用编程的方式创建计算机的某种功能，运行的每个细枝末节都需要人为编写指令。但有些功能人类不知道如何编程，例如地面上一个物体究竟是一片枯叶还是一块石头，无人驾驶汽车就需要具有这种识别能力来决定是否绕行。这对人类大脑而言轻而易举，但如何使电脑也具有这样的识别能力？人类很难用编程方式解决。
1956年，美国工程师亚瑟?塞缪尔也遇到了这个难题，他想让电脑跟自己下国际象棋，但怎样编程才能让电脑下赢自己呢？塞缪尔因此开创出一种算法，让电脑与自己对战几千局来学会下棋，这就是机器学习，塞缪尔因此被誉为“机器学习之父”。他的这台电脑后来打败了美国康涅狄格州的象棋冠军。
实际上，在机器学习诞生之初，这一技术曾一度搁浅，问题出在计算机速度和数据量有限。随着计算机和互联网的加速发展，速度和数据瓶颈消失，机器学习开始施展拳脚。20世纪90年代，机器学习开始进入人们的视野，一开始它只是执行一些简单的任务，如评估贷款申请的信用风险，通过识别手写的邮政编码检索邮件。而最近几年，机器学习进入了它的黄金时代。最先用机器学习取得商业成功的案例是谷歌搜索引擎，通过算法可以准确地检索信息；亚马逊、网飞这些购物或影视网站也采用机器学习的算法投其所好地向用户推荐产品；脸谱网、领英网等社交网站则利用机器学习告诉用户谁可能是你的朋友；机器学习同样也是沃森强大的一个原因。
深度学习，势不可挡
机器学习中最闪耀的明星就是深度学习。它是机器学习的进阶，模仿人类神经多层级的网络结构，是机器学习中较复杂的算法，训练的效果也更精确，而且学习过程可以不需要监督。阿尔法狗、面部识别、无人驾驶汽车都是深度学习广为人知的应用成果。
深度学习除了自学能力无与伦比，其学习的效果更令人震撼，其能达到的专业度可以远远超过开发者自身，甚至不需要开发者有相关知识背景。试想，围棋智能软件阿尔法狗的开发者德米斯·哈萨比斯下棋能下过阿尔法狗吗？在一个叫Kaggle的数据建模平台上，有人组织了一场自动药物研发比赛，多伦多大学研发团队设计的运算打败了所有国际学术团队，而最不可思议的是，这个团队中没有一人有化学、生物或生命科学的专业背景，却在两个星期内赢得了比赛。
当然，还有工作速度。Kaggle上的一次比赛项目是为当地学校设计一个算法评判高中作文，获胜的算法不仅评分与老师评分一致，而且速度是人类无法企及的。一个语文老师在40年职业生涯中可能阅评1万篇作文，但运用深度学习的计算机在短短几分钟之内就可以阅评百万篇作文。
理论上讲，只要提供足够的数据和训练时间，计算机就可以成为某方面的专家。提供足够多的医疗数据，计算机就能看病；提供足够多的账目和审计案例，计算机就能成为专业的审计员；提供足够的合同样本，计算机就能成为出色的律师；还有翻译、绘画、撰稿、仓库管理……难怪专家们纷纷预言未来的许多工作会被机器抢走。
然而，机器并非无所不能，有一类工作即使是深度学习也无法抢走的。
开创未来还是要靠人类
机器学习很难解决新问题，即人类涉足不多、未曾反复接触过的情形或领域中的问题。机器学习的局限就在于它需要从大量已知的数据中总结经验。人类则可以突破这种局限，把看似毫不想干的事物联系起来，形成新的观念，或者解决新问题。
美国物理学家珀西·斯宾塞曾在二战中从事雷达的研究工作，他发现磁控管将他的巧克力融化了。由此，他把对电磁辐射的认识延伸到烹饪，从而发明了微波炉。类似这种人类创新的例子比比皆是，牛顿看到掉落的苹果发现了万有引力；医生爱德华·詹纳发现挤奶女工从未得天花，把牛痘与天花的防治联系到一起，从而发明了天花疫苗；还有电脑、手机、互联网的诞生，政治体系的构建，金融机构的创立，一切人类文明都是通过人类这种联想思维创建的，不然，我们还处在茹毛饮血的社会。然而，机器在这一方面无能为力，至少目前是这样，人工智能还没有发展到会真正地思考。
因此，未来某种职业是否会被机器取代，取决于这一工作是否涉及创新能力，是否是重复的、大批量的任务。审计员和律师的工作虽然专业化程度非常高，需要持证上岗，但这两种职业的日常工作有相当大的一部分属于重复性、大批量工作，这一部分可由机器取代。另一部分创造性和研究性的工作则仍然需要人类审计员和人类律师来做，如研究税收结构和执行无先例的诉讼程序。产品推销虽然可以借助机器学习来针对性地推荐产品，但营销方案仍然需要研究消费者心理，寻找新的突破以突出产品卖点，产品开发仍然需要寻找市场上的空白区域，这都需要人类来做。
因此，机器的智能化无疑会使就业难度增加，就业门槛增高，但社会的前进仍然需要人类自身来推动，只要你是真正具有开创性的人才，你的工作就不会被机器抢走。
今年年初，智能医生沃森在天津第三医院与人类医生共同问诊，沃森只需10秒钟即可为一名癌症患者疹断出病情并提供诊疗建议。在这10秒钟内，沃森阅览和分析了超过300份全球最权威的医学杂志、200余种教科书，以及1500多万页资料中的关键信息，根据这些信息做出诊疗方案后还将之翻译成了中文。诊断结果与具有多年经验的医生基本一致，很多人担心，医生这一职业会不会被人工智能所代替。
沃森是IBM开发的超级智能计算机，曾于2011年打败美国竞猜电视节目《危险边缘》中的人类选手而一举成名。参加竞猜节目只是它小试身手，IBM对沃森这一项目野心勃勃，正在将它打造成各行各业的解决方案平台，医疗健康只是其中之一。沃森的其他推荐项目有：针对银行业的信用欺诈，监测漏洞并预警；在教育上針对个体差异，为幼儿订制学习方案；针对交通运输，使管理变得高效灵活……沃森正在成为各个领域的专家。
最近几年，从谷歌的无人驾驶汽车，到2016年打败天下无敌手的围棋程序阿尔法狗，还有脸书上的人脸识别技术（可以将某张照片上人脸标记出来，并与这个人的账户关联起来）以及沃森，人工智能都展现出了无与伦比的能力，科技巨头们正在掀起一波又一波汹涌的人工智能的浪潮。随着这股浪潮，专家预言人类的许多工作岗位会被机器抢走。花旗银行和牛津大学预测，将来50%的人类职业都会被人工智能取代。
机器取代人类工作并非新闻，许多生产线的装配机器人就取代了工人，亚马逊仓库的仓库管理员也在前不久被仓库机器人所取代。然而，以前被取代的多是重体力、高风险的工作，而近来人们所预测将被取代的工作包括会计、记者、律师、医生等这些专业领域的烧脑职业。究其原因，都是因为这一波人工智能应用了一项关键性技术——深度学习。
机器学习遇上互联网
了解深度学习就必须谈到机器学习，机器学习是一种逻辑或数学算法，它模仿人类不断通过经验学习和总结的思维过程，使计算机具有自行学习或训练的能力。
如果采用编程的方式创建计算机的某种功能，运行的每个细枝末节都需要人为编写指令。但有些功能人类不知道如何编程，例如地面上一个物体究竟是一片枯叶还是一块石头，无人驾驶汽车就需要具有这种识别能力来决定是否绕行。这对人类大脑而言轻而易举，但如何使电脑也具有这样的识别能力？人类很难用编程方式解决。
1956年，美国工程师亚瑟?塞缪尔也遇到了这个难题，他想让电脑跟自己下国际象棋，但怎样编程才能让电脑下赢自己呢？塞缪尔因此开创出一种算法，让电脑与自己对战几千局来学会下棋，这就是机器学习，塞缪尔因此被誉为“机器学习之父”。他的这台电脑后来打败了美国康涅狄格州的象棋冠军。
实际上，在机器学习诞生之初，这一技术曾一度搁浅，问题出在计算机速度和数据量有限。随着计算机和互联网的加速发展，速度和数据瓶颈消失，机器学习开始施展拳脚。20世纪90年代，机器学习开始进入人们的视野，一开始它只是执行一些简单的任务，如评估贷款申请的信用风险，通过识别手写的邮政编码检索邮件。而最近几年，机器学习进入了它的黄金时代。最先用机器学习取得商业成功的案例是谷歌搜索引擎，通过算法可以准确地检索信息；亚马逊、网飞这些购物或影视网站也采用机器学习的算法投其所好地向用户推荐产品；脸谱网、领英网等社交网站则利用机器学习告诉用户谁可能是你的朋友；机器学习同样也是沃森强大的一个原因。
深度学习，势不可挡
机器学习中最闪耀的明星就是深度学习。它是机器学习的进阶，模仿人类神经多层级的网络结构，是机器学习中较复杂的算法，训练的效果也更精确，而且学习过程可以不需要监督。阿尔法狗、面部识别、无人驾驶汽车都是深度学习广为人知的应用成果。
深度学习除了自学能力无与伦比，其学习的效果更令人震撼，其能达到的专业度可以远远超过开发者自身，甚至不需要开发者有相关知识背景。试想，围棋智能软件阿尔法狗的开发者德米斯·哈萨比斯下棋能下过阿尔法狗吗？在一个叫Kaggle的数据建模平台上，有人组织了一场自动药物研发比赛，多伦多大学研发团队设计的运算打败了所有国际学术团队，而最不可思议的是，这个团队中没有一人有化学、生物或生命科学的专业背景，却在两个星期内赢得了比赛。
当然，还有工作速度。Kaggle上的一次比赛项目是为当地学校设计一个算法评判高中作文，获胜的算法不仅评分与老师评分一致，而且速度是人类无法企及的。一个语文老师在40年职业生涯中可能阅评1万篇作文，但运用深度学习的计算机在短短几分钟之内就可以阅评百万篇作文。
理论上讲，只要提供足够的数据和训练时间，计算机就可以成为某方面的专家。提供足够多的医疗数据，计算机就能看病；提供足够多的账目和审计案例，计算机就能成为专业的审计员；提供足够的合同样本，计算机就能成为出色的律师；还有翻译、绘画、撰稿、仓库管理……难怪专家们纷纷预言未来的许多工作会被机器抢走。
然而，机器并非无所不能，有一类工作即使是深度学习也无法抢走的。
开创未来还是要靠人类
机器学习很难解决新问题，即人类涉足不多、未曾反复接触过的情形或领域中的问题。机器学习的局限就在于它需要从大量已知的数据中总结经验。人类则可以突破这种局限，把看似毫不想干的事物联系起来，形成新的观念，或者解决新问题。
美国物理学家珀西·斯宾塞曾在二战中从事雷达的研究工作，他发现磁控管将他的巧克力融化了。由此，他把对电磁辐射的认识延伸到烹饪，从而发明了微波炉。类似这种人类创新的例子比比皆是，牛顿看到掉落的苹果发现了万有引力；医生爱德华·詹纳发现挤奶女工从未得天花，把牛痘与天花的防治联系到一起，从而发明了天花疫苗；还有电脑、手机、互联网的诞生，政治体系的构建，金融机构的创立，一切人类文明都是通过人类这种联想思维创建的，不然，我们还处在茹毛饮血的社会。然而，机器在这一方面无能为力，至少目前是这样，人工智能还没有发展到会真正地思考。
因此，未来某种职业是否会被机器取代，取决于这一工作是否涉及创新能力，是否是重复的、大批量的任务。审计员和律师的工作虽然专业化程度非常高，需要持证上岗，但这两种职业的日常工作有相当大的一部分属于重复性、大批量工作，这一部分可由机器取代。另一部分创造性和研究性的工作则仍然需要人类审计员和人类律师来做，如研究税收结构和执行无先例的诉讼程序。产品推销虽然可以借助机器学习来针对性地推荐产品，但营销方案仍然需要研究消费者心理，寻找新的突破以突出产品卖点，产品开发仍然需要寻找市场上的空白区域，这都需要人类来做。
因此，机器的智能化无疑会使就业难度增加，就业门槛增高，但社会的前进仍然需要人类自身来推动，只要你是真正具有开创性的人才，你的工作就不会被机器抢走。