[譯] 深度學習將會給咱們全部人的生活一個教訓：工做是爲了機器準備的

時間 2019-11-09

原文原文鏈接

原文地址：Deep Learning Is Going to Teach Us All the Lesson of Our Lives: Jobs Are for Machines

原文做者：Scott Santens

譯文出自：掘金翻譯計劃

本文永久連接：github.com/xitu/gold-m…

譯者：yuwhuawang

校對者：Justin-Wong, 7Ethan

(本文的另外一個版本最初發表在波士頓環球報)。html

18 次圍棋世界冠軍李世乭從 AlphaGo 那裏學到了一些新的東西 —— 失敗前端

1942 年 12 月 2 日，一組由 Enrico Fermi 帶領的科學家小組吃完午餐回來，他們在芝加哥大學操場地下的一個由磚石和木頭搭成的反應堆裏觀察到了第一個由人類建立的自持核反應。這就是著名的芝加哥 1 號堆。儘管這些科學家很是明白這對人類來講意味着什麼，可是他們只是簡單地用一瓶基安蒂酒來慶祝，並不須要任何言辭。android

現在，一個永遠改變世界的新東西又一次悄悄出現了。就像用外語輕輕說出的詞彙，你頗有可能聽過，可是卻不能徹底理解它的意義。可是很是必要的是，咱們要理解這個語言，以及它持續告訴咱們的事情，由於這些影響將改變咱們對全球化經濟運做方式理所固然的一切，和咱們做爲人類存在於此的方式。ios

這門語言就是機器學習的一個新的類別深度學習，「低聲的詞彙」就是計算機不知從哪裏莫名出現，而且使用它擊敗三次歐洲圍棋冠軍樊麾，不是一次，而是一連五次擊敗。不少看過這個新聞的人都以爲印象深入。但是這和與李世乭的比賽沒辦法比。李世乭即便不是有史以來圍棋水平最高的，也是在世的人中水平最高之一。想象一下這個偉大的人機大戰，中國頂尖的圍棋選手認爲李世乭一局都不會輸，李世乭本身也頗有信心的認爲本身最多輸一局。git

對峙的最終結果是什麼？李世乭輸了五局中的四局。一個叫作 AlphaGo 的 AI 如今是比任何人類更好的圍棋選手，而且被授予了榮譽圍棋九段。換句話說，它的水平就像神同樣。圍棋正式被機器戰勝，就像綜藝節目危險邊緣被沃森戰勝，國際象棋被深藍戰勝。github

「AlphaGo 的歷史性勝利是一個很是清晰的信號：咱們從線性走到了拋物線的發展。」後端

那麼，什麼是圍棋？很是簡單，就把圍棋想象成超級大型國際象棋。聽起來仍是像一個小成就，機器在咱們玩的有趣遊戲中不斷證實它們（機器）所具有的優越性，而且這尚未徹底展現機器的實力。可是這並非小成就，所發生的也不是遊戲。安全

AlphaGo 的歷史性勝利是一個很是清晰地信號，咱們從線性走到了拋物線的發展。技術的進步已指數級別增加，咱們能夠期待看到跨越很是多的，以前不可想象的里程碑。這些指數級的進步，大多都是用人工智能解決特定的任務，只要咱們繼續堅持把就業做爲主要的收入來源，那咱們就徹底還沒準備好。網絡

聽起來有些誇張，那咱們回顧這幾十年，看一下計算機科技目前爲止對人類就業的影響：app

來源：St. Louis Fed

領會下上面的圖表。不要被騙認爲勞動自動化的對話發生在將來。這已經發生了。計算機技術從 1990 年開始就已經蠶食工做崗位了。

平常工做

全部的工做分爲四類：平常工做和很是規工做，認知型工做和體力工做。平常工做就是天天都作一樣的事情，而很是規工做則各類各樣。在這兩種類型中，又包括須要咱們大腦（認知）的工做和須要咱們身體（體力）的工做。隨着四種類型的工做都在增加，平常工做在 1990 年就中止的增加。這是由於平常的勞動對於科技來講是最容易承擔的。對於不變的工做來講，能夠寫出規則，這種工做更加適合機器來作。

讓人憂慮的是，平常工做就是組成美國中產階級的基礎。亨利福特經過付給人們中產階級的薪資，來實行的平常手工工做的變革，常規的腦力工做也曾經填滿的美國的辦公室。像這樣的工做現現在已經愈來愈少了，只剩下兩種工做看起來還不錯：只須要一點思考的工做，咱們只會付給作這些工做的人不多的錢，以及須要大量思考的工做，作這些工做的人收入會很好。

讓咱們把經濟想象成一架有四個引擎的飛機，如今只有依靠還在保持轟鳴的兩個引擎飛行，咱們暫時能夠不用擔憂飛機會墜毀。可是若是最後兩個引擎也掛了呢？機器人和 AI 技術在兩個領域不斷進步，由於人類第一次教會了機器如何去學習。

神經網絡

我本質上是個做家，可是個人教育背景碰巧是心理學和物理。我沉迷於這兩個學科，因此個人本科關注點就是人類大腦的物理學，也就是認知神經科學。我認爲，一旦你開始研究人類的大腦是如何工做的，神經元是如何相互鏈接而且造成咱們說的心智，你會發現一切都變了。至少對我來講一切都變了。

簡短說明大腦的功能，他們是由相互鏈接的細胞組成的巨大的網絡。其中一些鏈接很短，另外一些則很長。有些細胞只會和一個細胞相連，而另外一些則會和不少細胞鏈接。電信號以不一樣的速度，經過這些鏈接傳遞，最終依次點燃這些神經元。這就像倒下的多米諾骨牌，可是更快，更大和更復雜。結果使人驚訝的是咱們，以及咱們學到的如何工做，咱們如今會把這些應用到機器上面去。

下面的應用中有一個是由深度神經網絡建立 —— 有點像簡裝版的虛擬大腦。它提供了一個通向機器學習的大道，而且超越了以前全部可能的想象，有了巨大的飛躍。這是如何作到的？不僅是計算機能力的明顯增加和神經科學認知的深刻，還包括咱們收集的極速增長的數據，也叫作大數據。

大數據

大數據不僅是流行詞那麼簡單而已。大數據是信息，並且是咱們天天都在創造的信息。事實上咱們創造了太多的數據，根據 SINTEF 2013 年的報告預計世界上 90% 的信息都是兩年內創造的。數據的正在以難以想象的速度增長每 1.5 年翻一倍。在因特網上，2015 年咱們每分鐘在 Facebook 上點 420 萬個贊，在 Youtube 上傳 300 個小時的視頻，而且發 350000 個推文。咱們作的全部事情都創造了以前沒有的數據，而且其中不少數據正是機器學習所須要的。爲何？

想象一下寫一個識別椅子的程序，你須要輸入大量的指令，可是這個程序仍然會把不是椅子的東西識別成椅子，對於真正的椅子，也會識別失敗。那麼，咱們是怎麼學會識別椅子的？咱們的父母指着一把椅子說，「這是椅子。」而後咱們就以爲咱們已經學會什麼是椅子了，因此咱們指着一張桌子說，「這是椅子。」這時候咱們的父母就會告訴咱們說，「這是桌子。」這就是強化學習。「椅子」這個標籤就和咱們見到的每一把椅子關聯了起來，這樣一種肯定的神經通路就創建了，與此同時，其餘的卻沒有。要想定位到咱們大腦裏的「椅子」，咱們觀察到的東西必須和以前遇到的椅子很是接近才能夠。本質上來講，咱們的生活就是大腦過濾的大數據。

深度學習

深度學習的魔力就是提供了方法，讓機器能夠像咱們同樣使用大量數據，而不需給它們太多指令。不用描述「椅子的特性」，咱們只須要把機器連上網，給它灌輸數以百萬計的椅子照片。機器就能夠獲得一個總體的「椅子的特性」。接着咱們用更多椅子的照片來測試它。若是它錯了，咱們就糾正它，那麼它識別「椅子特性」的能力就會加強。重複這些過程，計算機就能在看到一把椅子的時候認出來，基本上和咱們作的同樣好。這中間最重要的不一樣就是不像咱們，他們能夠在幾秒鐘內就識別幾百萬圖像。

深度學習和大數據的結合在過去短短几年取得了使人震驚的成就。除了難以想象的 AlphaGo 以外，經過成千上萬的標註過的新聞，谷歌的 DeepMind AI 學會了如何去閱讀，而且理解它所讀到的。DeepMind 同時_自學_了幾十個 Atari 2600 的電子遊戲，並且玩兒的比人類還好，也僅僅是觀察屏幕和分數，而後不停的玩兒而已。一個叫 Griraffe 的 AI 經過 1 億 7 千 5 百萬棋譜學會了國際象棋，在不斷和本身下了 72 個小時的棋以後，達到了國際大師的水平。2015 年，一個 AI 通過學習甚至經過了一個視覺圖靈測試，測試的方式就是給機器看一個不認識的科幻字母表的字符，而後馬上用和人類同樣的方式複述這個字母。這些就是 AI 領域主要的里程碑。

儘管跨越了這些里程碑，當專家們在 Google 宣佈 AlphaGo 勝利幾個月以前，被問到何時計算機能夠擊敗一個卓越的圍棋選手，「也許還須要十年。」十年聽起來是個正常的猜想，由於圍棋十分複雜，我就用危險邊緣節目的 Ken Jennings 另外一個被 AI 打扮的冠軍，來描述它:

圍棋的有名的難，比國際象棋可貴多，有更大的棋盤，更長時間的對弈，棋子也多得多。Google 的 DeepMinde 人工智能小組喜歡說圍棋的變化比已知宇宙裏的原子還多，但這也極大地低估了計算問題。圍棋棋盤上有 10¹⁷⁰ 位置可能，可宇宙裏只有 10⁸⁰ 個原子。這也就意味着，若是平行宇宙的數量和咱們宇宙裏原子的數量同樣多的話（！），全部宇宙裏全部原子加起來也就和一個圍棋棋盤上的全部可能性接近。

如此混亂複雜，讓任何暴力掃描全部可能行來肯定最好的那一個的方法變得不可能。可是深度神經網絡繞過了這個障礙，用了和咱們大腦同樣的方式，去學着評估什麼感受是最佳的一招。咱們經過觀察和聯繫來學習，AlphaGo 也是同樣的，經過分析幾百萬的專業對局，而且自我對弈了幾百萬次。所以何時圍棋會被機器戰勝，頗有可能不是十年，正確的答案是「在目前的任什麼時候候。」

很是規的自動化

在目前的任什麼時候候。在 21 世紀對於機器可以比人作的更好的問題，有了新的回答，咱們應該時刻記住這一點。

咱們須要認識到，技術指數級的增加,對於有史以來第一次改變整個很是規工做的勞動力市場，意味着什麼。機器可以學習，就意味着再也沒有任何人類的工做是安全的了。從漢堡包到健康護理，可以勝任這些任務的機器均可以很輕鬆的被創造出來，並且比人類便宜的多。

Amelia 就是一個正在不少公司進行測試的 AI。由 IPsoft 公司通過 16 年的研發，她已經勝任呼叫中心員工的角色。她可以在幾秒鐘以內，用 20 種不一樣的語言,學到咱們要花幾個月學會的東西。由於她能夠學習，因此隨着時間的推動，她可以作的更多。在一個部署了 Amelia 的公司裏，第一週她就成功地負責了十分之一的呼叫，而到了第二個月底，她已經能夠解決十分之六的呼叫了。就由於這樣，有預測她會在全球範圍內讓超過 2.5 億人失去工做。

Viv 是一個由 Siri 的創造者,即將給咱們帶來的 AI 私人助理。她能夠爲咱們執行各類在線的任務，她甚至還可以是更強大版本的 Facebook 新聞流，她推薦給咱們的信息必定都是咱們最喜歡看的。經過 Viv，咱們將會看到更少的廣告。這也就意味着，廣告業 —— 整個互聯網創建的基礎 —— 即將被摧毀。

一個充滿了 Amelia 和 Viv —— 以及數不清的即將上線的 AI 同行者的世界 —— 再加上像 Boston Dynamics’ next generation Atlas 這樣的機器人，預示着一個機器可以作全部類型工做的世界，帶來了嚴重的社會考慮。若是機器可以代替人工做，人類是否就被迫受到缺少工做的威脅？收入是否還應該是僱傭有關聯，也就是說工做是獲取收入的惟一途徑，那麼當大多數工做都被機器取代了呢？若是機器能夠持續替代咱們的工做，而且一分錢收入都不要，那麼這些錢又會去哪兒呢?若是沒人買東西了會怎麼樣？咱們創造的不少工做是否是根本不須要存在？，而只是由於這些工做能帶來收入？咱們須要開始趕快提出這些問題。

收入和工做解耦

幸運的是，人們正在開始提出這些問題，一個頗有勢頭的答案也出現了。這個答案就是讓機器給咱們工做，爲了咱們人類提供能量，去尋找剩下的最有價值的適合人類的工做，只要簡單的給每一個人按月提供與工做無關的薪水。這個薪水應該無條件的授予全部的公民，這個薪水就叫統一基本收入。經過實施統一基本收入（UBI）方案，除了對自動化的反作用免疫以外，咱們也面臨着企業家精神以及爲了提升收入所必需的政府機構數量減小的風險。正由於如此，統一基本收入（UBI）得到了跨黨派的支持，甚至在瑞士、芬蘭、挪威和加拿大，這個方案已經開始實施。

將來充滿了快速變化。用過去的老眼光看待將來是不明智的，新的工做老是會出現。2016 年 WEF 預測到 2020 年，有 200 萬新的工做會出現，同時 700 萬舊的工做會消失。這是淨虧損，而不是淨收益 500 萬工做。在一份常常被引用的論文裏，牛津的研究代表到 2033 年一半的工做都會被自動化取代。與此同時，自動駕駛，一樣是機器學習的功勞，將會極大的衝擊全部的經濟體 —— 尤爲是美國經濟，我去年寫的關於卡車自動駕駛有說起 —— 會在很短的時間內替代幾百萬個工做。

甚至在白宮，一個驚人的國會報告中指出，一個時薪低於 20 美金的人，他的工做有 83% 的可能性最終被機器取代。甚至那些時薪 40 美金的人也有 31% 的可能。忽略這種可能性就像在冷戰時期咱們用「躲避和掩護」策略來避免核爆炸同樣好笑。

這就是爲何在 AI 領域知識淵博的人都在爲積極地爲基本收入敲響了警鐘。在 2015 年底奇點大學的一次小組會議上，傑出的數據科學家 Jeremy Howard 問道：「大家會讓一半的人由於他們不能增長經濟價值就讓他們捱餓嗎？」在給出建議以前，「若是答案是不，最聰明的辦法就是經過實施統一基本收入來分配財富。」

AI 先鋒 Chris Eliasmith，理論神經科學中心的主任，在一次將來主義的採訪中警告你們 AI 直接帶來的衝擊，「AI 已經給咱們的經濟帶來了很大的衝擊……我懷疑會有更多的國家追隨芬蘭的腳步實施基本收入保障。」

Moshe Vardi 在美國先進科學協會的年會上的演講，也對出現的智能機器表達過一樣的感覺，「咱們要從新思考咱們經濟系統的基本結構……咱們須要考慮創建基本收入保障機制。」

就連百度的首席科學家，也是 Google 的「Google 大腦」的創始人吳恩達，也在今年的深度學習峯會上的一次臺上採訪中表述，政府必需要「嚴肅的考慮」基本收入機制，他說，「AI 有很大的機會取代不少人力工做。」

當創造這些工具的人開始警告你們使用這些工具帶來的衝擊時，咱們難道不該該但願儘量注意地去使用這些工具嗎？尤爲是它會讓數百萬人的生活危如累卵。若是不是這樣，爲何諾貝爾經濟學獎得到者們也開始支持基本收入保障？

沒有一個國家對於即將到來的變化作好的準備。大量勞動力遊離在社會以外，社會會變得更加動盪，而在消費經濟中，缺乏消費者也會讓經濟動盪。讓咱們捫心自問，咱們創造科技的目的是什麼？能替咱們自動駕駛的車，能減輕咱們 60% 的工做量的人工智能的目的是什麼？會不會讓咱們工做更長的時間卻得到更少的報酬？或能讓咱們選擇咱們工做的方式，而且減小工做時間，由於咱們已經賺取了機器不會拿的收入？

在機器均可以學習的世紀，咱們學到的最重要的一課是什麼？

個人建議是是工做交給機器，生活留給人類。

這篇文章是我衆籌月度基本收入的一部分。若是你以爲本文有價值，你能夠用每個月承諾一美圓以上來支持我。

你是一位創做者嗎？成爲 Patreon 的一員吧。. 加入我大 Patreon 創做者承諾基本收入

特別鳴謝 Arjun Banker, Steven Grimm, Larry Cohen, Topher Hunt, Aaron Marcus-Kubitza, Andrew Stern, Keith Davis, Albert Wenger, Richard Just, Chris Smothers, Mark Witham, David Ihnen, Danielle Texeira, Katie Doemland, Paul Wicks, Jan Smole, Joe Esposito, Jack Wagner, Joe Ballou, Stuart Matthews, Natalie Foster, Chris McCoy, Michael Honey, Gary Aranovich, Kai Wong, John David Hodge, Louise Whitmore, Dan O’Sullivan, Harish Venkatesan, Michiel Dral, Gerald Huff, Susanne Berg, Cameron Ottens, Kian Alavi, Gray Scott, Kirk Israel, Robert Solovay, Jeff Schulman, Andrew Henderson, Robert F. Greene, Martin Jordo, Victor Lau, Shane Gordon, Paolo Narciso, Johan Grahn, Tony DeStefano, Erhan Altay, Bryan Herdliska, Stephane Boisvert, Dave Shelton, Rise & Shine PAC, Luke Sampson, Lee Irving, Kris Roadruck, Amy Shaffer, Thomas Welsh, Olli Niinimäki, Casey Young, Elizabeth Balcar, Masud Shah, Allen Bauer, all my other funders for their support, and my amazing partner, Katie Smith.