【机器学习】发展至今的机器学习到底对我们的就业和社会产生了哪些影响?
本文基于大量的报告资料,揭示了机器学习对于就业和社会的具体影响。
本文编译自《science》杂志中的一篇长文“What can machine learning do? Workforce implications”,作者为MIT教授、美国经济研究局研究员Erik Brynjolfsson和卡内基梅隆大学教授Tom Mitchell,本文的参考资料多达23篇。
以下为正文:
在过去几十年里,计算机已经改变了几乎所有的经济运作。现在,因为机器学习(Machine Learning)的兴起,自动化的程度和速度有了迅猛的增长。就像当年的蒸汽机和电力的诞生一样,机器学习也是一种带来巨大生产力的革命性技术。但是目前,在对于机器学习在应用领域上的潜力,我们还没有完全认识,也无法达成共识。因此,在当前这一阶段,人们唯一的共识就是机器学习将会对生产力和经济产生巨大的影响。
本文,我们借鉴了与机器学习系统相关的报告资料,以探讨我们所能够看见的这一技术对生产力产生的关键性影响。我们发现,有些工作是适合用机器学习系统替代来做的,有些工作采用机器学习是不适合的。因此,在讨论机器学习对就业的影响时,就不是替代人类或是无法替代人类这么极端而简单的问题了。虽然,目前机器学习对经济的影响还是有限的,我们也并没有像宣称的那样面临失业,但其对于未来的经济和劳动力的影响还是很深远的。
图 | MIT数字经济学教授、美国经济研究局研究员Erik Brynjolfsson
我们需要认识到的是,创新对价值的创造和生活水平的提高都起到关键作用,所以机器学习诞生以来的信息技术系统就为人们创造了第一波价值(数万亿美元),对此,在美国国家科学、工程和医学科学委员会提交的一份报告中就指出了其影响力“技术的进步导致了严重的工资不平等”。其实,因为技术的进度而带来的不平等还有很多,如在经济全球化和近十年来技术巨变的双项因素下,未来经济的影响将会具有高度破坏性,这也就意味着,即便你是赢家,赚了很多钱,但因为经济危机受牵连,你依然是失败者。而这一问题,就需要制定政策的*领导、商业领袖、技术人员和研究学者的高度重视。
不过尽管机器学习正在为我们带来很多不良的影响,在谈论机器学习可以做什么,不可以做什么之前,我们仍需明确这两点:1.离机器取代人类还有很长时间;2.机器不可能完全取代人类。
从价值层面来看,当机器执行特定的作业或者某一部分任务时,剩下的非机器学习可以完成的任务就会变得更有价值。另一方面,机器将会增加人的生产力,使全新的产品、服务和工作流程的产生变为可能。因此,在对劳动力需求的影响上,即便是对那种需要机器的工作岗位,机器学习带来的影响可能是消极的,也可能是积极的。当机器学习系统接近于某些岗位的人类的能力时,作为这些系统的补充的职位就会出现。而当机器学习系统比人类更具成本效益时,企业家或商人就自然会采用机器来取代人类,以达到利润最大化。进而,这样将会提高生产力、降低价格、转移劳动力需求并重组整个行业。
图 | 卡内基梅隆大学深度学习领域教授Tom Mitchell
大数据等因素促进了机器学习的蓬勃
哲学家 Polanyi说过:We know more than we can tell. 人脸识别、骑自行车这个动作和对自然语言的理解是人类天生具备的能力,但是我们却不知道我们自己是如何做到和学习的,有一个很大的原因在于我们没有办法轻松的处理一大堆数据并从中发现规律。因此,在机器学习时代到来之前,我们是很难通过计算机完成这么巨大的任务的。但今天,机器学习的算法已经使计算机系统训练过程比手动编程更有效。
近几年,写一段特定功能的程序都需要很多程序员来参与编写,但逐渐,因为机器学习算法(神经网络)的存在,写程序也可以变成自动化过程,我们只要不断的给数据对其进行训练即可,无需再做大量的编程工作。
机器学习算法为编程领域带来了两项影响,一是通过对神经网络的训练就可以得到比程序员编程编出的程序更精确的算法(如人脸识别);二,这种模式大大降低了创建和维护新软件的成本。
过去6到8年间,机器学习的发展十分迅速,很大程度上是因为我们拥有关于某项领域的大量的数据,通过对这些数据进行训练和分析,我们会发现很多此前没有发现的规律和价值,或者换句话说,是机器学习通过其类似于人的分析能力让我们看见了数据的潜在价值。当我们有足够多的数据时,机器学习就可以很好的完成我们的任务要求。
当然,除了大数据,其他很多方面的发展也是促进机器学习发展的关键因素,如毫米波的改进、深度神经网络(DNN)的出现和计算机硬件的发展。如现在,Facebook每天将超过45亿的短语翻译模式转换到DNN模式;同时DNN也用于ImageNet中的图像识别等;此外,因为DNN的运用,其语音识别的错误率已经从2010年的30%降低到2016年的3%。值得指出的是,图像识别和语音识别的错误率阈值是5%,因为这是人类犯错的概率值。
新型自动化模式:学习
但是要用机器学习来完成一项任务或者解决一个问题,我们必须让机器弄明白这项任务的要求,即性能指标。目前在实际应用中,大多数学习都是指向目标函数的,即目标的输入应对应于特定的输出数据。如自动驾驶车辆传感器测试到的输入数据应该直接指向下一个对应的输出指令。
但是在某些领域,想要获得贴近于事实的输出(目标函数)是很困难的事情,如精神病的诊断、人力资源决策方面和处理法律案件,因为它们没有固定的输出模式。
所以想要成功的将机器学习商业化,其关键步骤是:明确机器学习的任务;能够收集到用于训练的高质量数据;数据能够为工程师所用并有助于预测目标输出;能够收集到新的数据以弥补原始数据的不足;要尝试不同的算法和参数设置,以优化学习分类器的准确性;最后将其嵌入到日常应用中,从而提高生产力。
由机器学习发展而来的一种未来自动化模式就是“学习人类”,其中人工智能(AI)就是通过模仿和学习人类的很多行为来实现这种最新的自动化模式的,这也导致了新的商业模式。
八项判别准则
揭示机器学习的特征
尽管目前的机器学习系统的能力让人惊艳,但是它们并不是适用于所有的任务。现有的机器学习的能力很大程度上取决于深度神经网络。在有些方面,它们确实比人都要厉害,但是它们的决策能力比人的能力要弱太多。当然,机器学习系统还在进步中,后面可能适用于更多的工作。基于目前的发展情况来看,我们给出了8个关键的判别标准,以此可以区别某一项任务适不适合利用机器学习系统去做。
1.明确的输入必须映射到明确的输出,以构成明确的函数
这一准则也适用于分类(如根据品种来标记狗的照片)和预测(如通过分析贷款申请来预测未来缺省的情况)。不过虽然机器学习系统可以根据统计意义上的相关性来预测与输入(X)有最大关联的输出(Y),但是它可能无法学习到如何判断因果关系。
2.大数据中必须存在成输入-输出关系的数据对
根据系统的需求,想要有效的训练深度神经网络,提高其准确度,越多的数据对越好。尽管深度神经网络就像一个“黑盒子”,原则上可以表征任意函数,但是计算机很容易模仿并不断训练存在偏差的函数,这样就不利于找出数据的规律。所以这就需要专人来对数据进行明确的标记和梳理。
3.这项任务有明确的目标和参数来对学习的效果进行明确的反馈
虽然通过机器学习不是总能很好的得到目标输出,但是至少机器学习系统可以很好的描述我们想要的目标输出。这就像早期的自动化系统,它们可以通过输入输出来模仿任务,但可能不会是最佳的逼近实际系统。因此,明确一个衡量系统性能的指标是一条黄金准则。依据这条准则,系统在训练过程就会不断自我修正,从而达到最佳的性能表现。
4.无需很长的逻辑和推理链
机器学习系统非常善于分析数据的关联性,但是一旦逻辑链过长,后面的学习效率就会降低。但是像Alpha Go这样的非物理类的游戏,因为可以自动收集数百万个典型训练数据案例,所以可以很好的模拟。但在现实世界中,我们就很难做到这样完美的模拟。
5.我们不知道也无需知道系统是怎样做出这样的决定的
大型的神经网络可以通过数以万计的数字权重来做出最后的抉择,这些数字权重就是人造神经元。但是其中的逻辑还是很难解释的,目前对于这方面的研究也比较缺乏。
6.任务的容错能力较强,无需最佳的解决方案
几乎所有的机器学习算法都是基于统计概率来给出最后的输出的,因此很难将其训练到100%的准确度。即便是人,也会犯错。
7.所学的功能不会随着时间的推移而快速变化
通常来说,当需要处理的数据和训练的数据分布是类似的结构时,机器学习算法才能很好地工作。如果新的数据分布发生变化,系统就需要重新训练。
8.缺乏灵活性、物理上的操作和移动能力
在处理非结构化环境和任务中的物理操作时,机器人和人类相比仍然很笨。这不是机器学习的缺点,而是现有机械技术的缺陷。
机器学习到底适用于哪些性质的工作?
此前,机器学习对于就业的影响主要在一些结构化和重复性的工作上。但是未来,其他很多工作将会被机器取代,那么我们如何辨认出这些工作呢。
一项工作通常包含许多不同但相互关联的分工。在大多数情况下,这些分工中总有部分适用于机器学习,比如,我们可以通过训练一个机器学习系统来帮助律师对案件的潜在相关文件进行分类,但是当面对潜在证人或者想办法让证人提供有效证词时,机器学习就完全失去了作用;类似的,机器学习系统可以用于阅读医学影像,但与其他医生的交流,包括与患者的交流,这些都是非结构化的任务,不适合采用机器学习系统。
但这不代表,所有需要交流的任务机器学习系统都无法胜任,比如销售人员与客户之间的很多聊天内容和任务,聊天机器人都可以胜任;还有视频中人脸面部的一些情绪表现,机器学习系统也可以识别出。
除了上面提到的情形,对于机器在创造性任务上的表现,我们的认识也需改观。传统意义上,机器是按照人们设定好的方式来一步一步完成任务的,没有任何“创造性”空间。但是机器学习系统是专门为找出解决办法而设计的系统,我们对其的设定只是目标和参数,没有明确规定该怎么去解决。举例来看,以前人类设计复杂设备的能力远远超过机器和计算机,但是现在根据要求,利用机器学习系统生成的设计比任何人设计的都好。
从机器学习的层面来看,这又不是“创意”,因为能不能设计出好的设备完全取决于人们在最初设定的参数。所以未来,这种看似是创造性的工作将会被机器学习取代,而同时更为重要的是人们在选择参数和设定目标的能力上。这也就意味着,无论是科学家,还是企业家,能够准确描述出问题这一能力将变得越来越重要。
从六项经济因素看机器学习对社会的影响
有许多非技术因素会反映机器学习对于就业的影响,换句话说,机器学习对于就业的整体影响可以转化为六项经济因素。
1.代换
融入机器学习的计算机系统将会直接取代部分人力,并减少产出部分的劳动力需求。
2.价格弹性
通过机器学习实现的自动化生产将会导致完成一项任务的成本降低,但总的消耗增加或减少取决于需求的价格弹性因素。如果弹性小于-1,则价格下降导致购买数量的增加,那么整个成本就会增加。如1903年以后,由于技术降低了航空的价格,需求就增加了,在航空方面所花费的反而增多,就业也自然变多。
3.互补性
工作A是自动化的工种,而非自动化的任务B对A来说又是不可或缺的,那么随着A的成本降低,对B的需求自然会增加。类比来看,随着计算机的普及,程序员的需求不断增加;人际交往能力和分析能力之间也是一种互补。
4.收入弹性
自动化的程度是可以改变社会的总收入的。如果一个商品的收入弹性不为零,这又会改变对某些商品类型的需求以及生产这些商品所需工作的派生需求。类比来看,随着总收入的增加,美国人已经把更多的收入用于餐饮。
5.劳动力供给的弹性
随着工资的变化,从事某项工作的人们会给出一定反馈。如果有许多人具备了该必要的技能,那么供给就会有弹性,即使需求会增加(下降)很多,工资也不会上涨(下降)很多。相反,如果这项技能很难修炼,比如成为数学家,那么需求的变化将主要体现在工资而不是就业上。
6.业务流程重新设计
给定的劳动力的数量和类型不同、资本和其他投入、产出不同,与之相关的生产函数也是不同的。所以其中任何一项因素改变,管理人员就要重新建造相关流程。而新技术会改变生产过程,所以他们需要找出最有效的方式和生产流程。这些变化会需要一段时间,但它往往能够节省成本和投入,增加需求弹性。随着时间的推移,个人可以通过学习新技能或换新工作,来表示对于高工资的认可和回应,这样会增加相关的供给弹性。
因此,根据Le Chatelier准则,随着固定因素的调整,长期来看,供需弹性比短期更大。由于生产流程、组织设计、商业模式、供应链、法律约束甚至文化期望都需要改变,所以一项技术的采用和推广往往需要几年或几十年的时间。因此为了加快技术的推广,往往我们需要在社会方面也采取一定的措施。
随着时间的推移,新的产品、服务、分工和工作流程被创造出,从而致使新的工作产生。从历史层面来看,随着一些工作任务趋于自动化,释放的劳动力已经重新部署到生产新的商品上。这种创新比增加资本、劳动力或资源投入更能提高人们的整体收入和生活水平。
结语
机器学习发展到最终,其范围和规模可能会超过电力技术。该技术带来的进步不仅直接提高了生产力,而且更重要的是,引发了机器、商业组织乃至整个经济的互补性创新浪潮。未来,在技能、资源和基础设施等方面做出正确的互补性投资的个人、企业和社会将会得到蓬勃发展,而另一些没有参与进来的人,在某些情况下将会更糟糕。因此,更好的理解机器学习的具体适用场景和工作任务,对于理解其对经济的影响也是至关重要。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”(新一代技术+商业操作系统“AI-CPS OS”:云计算+大数据+物联网+区块链+人工智能)分支用来的今天,企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中,利用AI-CPS OS形成数字化+智能化力量,实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能,而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化,这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合,没有颠覆现状的意愿,这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量,领导者必须在行业、企业与个人这三个层面都保持领先地位:
重新行业布局:你的世界观要怎样改变才算足够?你必须对行业典范进行怎样的反思?
重新构建企业:你的企业需要做出什么样的变化?你准备如何重新定义你的公司?
重新打造自己:你需要成为怎样的人?要重塑自己并在数字化+智能化时代保有领先地位,你必须如何去做?
AI-CPS OS是数字化智能化创新平台,设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端,可以帮助企业将创新成果融入自身业务体系,实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉,形成了领导力模式,使数字化融入到领导者所在企业与领导方式的核心位置:
精细:这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切,进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能:模型随着时间(数据)的变化而变化,整个系统就具备了智能(自学习)的能力。
高效:企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力,这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性:数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验,其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域:技术、文化、制度。
-
边界模糊:数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化,还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长:
创造虚拟劳动力,承担需要适应性和敏捷性的复杂任务,即“智能自动化”,以区别于传统的自动化解决方案;
对现有劳动力和实物资产进行有利的补充和提升,提高资本效率;
人工智能的普及,将推动多行业的相关创新,开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议:
超越自动化,开启新创新模式:利用具有自主学习和自我控制能力的动态机器智能,为企业创造新商机;
-
迎接新一代信息技术,迎接人工智能:无缝整合人类智慧与机器智能,重新
评估未来的知识和技能类型;
-
制定道德规范:切实为人工智能生态系统制定道德准则,并在智能机器的开
发过程中确定更加明晰的标准和最佳实践;
-
重视再分配效应:对人工智能可能带来的冲击做好准备,制定战略帮助面临
较高失业风险的人群;
开发数字化+智能化企业所需新能力:员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说,创造兼具包容性和多样性的文化也非常重要。
子曰:“君子和而不同,小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能,像君子一般融合,一起体现科技就是生产力。
如果说上一次哥伦布地理大发现,拓展的是人类的物理空间。那么这一次地理大发现,拓展的就是人们的数字空间。在数学空间,建立新的商业文明,从而发现新的创富模式,为人类社会带来新的财富空间。云计算,大数据、物联网和区块链,是进入这个数字空间的船,而人工智能就是那船上的帆,哥伦布之帆!
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力,将进一步释放历次科技革命和产业变革积蓄的巨大能量,并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节,形成从宏观到微观各领域的智能化新需求,催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革,深刻改变人类生产生活方式和思维模式,实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”(新一代技术+商业操作系统“AI-CPS OS”:云计算+大数据+物联网+区块链+人工智能),在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能;实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号: AI-CPS,更多信息回复:
新技术:“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”;新产业:“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”;新模式:“财富空间”、“数据科学家”、“赛博物理”、“供应链金融”。
官方网站:AI-CPS.NET
本文系“产业智能官”(公众号ID:AI-CPS)收集整理,转载请注明出处!
版权声明:由产业智能官(公众号ID:AI-CPS)推荐的文章,除非确实无法确认,我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题,烦请原作者联系我们,与您共同协商解决。联系、投稿邮箱:[email protected]