本文基于大量的報告資料，揭示了機器學習對于就業(yè)和社會的具體影響。

本文編譯自《science》雜志中的一篇長文“What can machine learning do? Workforce implications”，作者為MIT教授、美國經(jīng)濟研究局研究員Erik Brynjolfsson和卡內(nèi)基梅隆大學教授Tom Mitchell，本文的參考資料多達23篇。

以下為正文：

在過去幾十年里，計算機已經(jīng)改變了幾乎所有的經(jīng)濟運作?，F(xiàn)在，因為機器學習（Machine Learning）的興起，自動化的程度和速度有了迅猛的增長。就像當年的蒸汽機和電力的誕生一樣，機器學習也是一種帶來巨大生產(chǎn)力的革命性技術(shù)。但是目前，在對于機器學習在應(yīng)用領(lǐng)域上的潛力，我們還沒有完全認識，也無法達成共識。因此，在當前這一階段，人們唯一的共識就是機器學習將會對生產(chǎn)力和經(jīng)濟產(chǎn)生巨大的影響。

本文，我們借鑒了與機器學習系統(tǒng)相關(guān)的報告資料，以探討我們所能夠看見的這一技術(shù)對生產(chǎn)力產(chǎn)生的關(guān)鍵性影響。我們發(fā)現(xiàn)，有些工作是適合用機器學習系統(tǒng)替代來做的，有些工作采用機器學習是不適合的。因此，在討論機器學習對就業(yè)的影響時，就不是替代人類或是無法替代人類這么極端而簡單的問題了。雖然，目前機器學習對經(jīng)濟的影響還是有限的，我們也并沒有像宣稱的那樣面臨失業(yè)，但其對于未來的經(jīng)濟和勞動力的影響還是很深遠的。

MIT數(shù)字經(jīng)濟學教授、美國經(jīng)濟研究局研究員Erik Brynjolfsson

我們需要認識到的是，創(chuàng)新對價值的創(chuàng)造和生活水平的提高都起到關(guān)鍵作用，所以機器學習誕生以來的信息技術(shù)系統(tǒng)就為人們創(chuàng)造了第一波價值（數(shù)萬億美元），對此，在美國國家科學、工程和醫(yī)學科學委員會提交的一份報告中就指出了其影響力“技術(shù)的進步導致了嚴重的工資不平等”。其實，因為技術(shù)的進度而帶來的不平等還有很多，如在經(jīng)濟全球化和近十年來技術(shù)巨變的雙項因素下，未來經(jīng)濟的影響將會具有高度破壞性，這也就意味著，即便你是贏家，賺了很多錢，但因為經(jīng)濟危機受牽連，你依然是失敗者。而這一問題，就需要制定政策的政府領(lǐng)導、商業(yè)領(lǐng)袖、技術(shù)人員和研究學者的高度重視。

不過盡管機器學習正在為我們帶來很多不良的影響，在談?wù)摍C器學習可以做什么，不可以做什么之前，我們?nèi)孕杳鞔_這兩點：1.離機器取代人類還有很長時間；2.機器不可能完全取代人類。

從價值層面來看，當機器執(zhí)行特定的作業(yè)或者某一部分任務(wù)時，剩下的非機器學習可以完成的任務(wù)就會變得更有價值。另一方面，機器將會增加人的生產(chǎn)力，使全新的產(chǎn)品、服務(wù)和工作流程的產(chǎn)生變?yōu)榭赡?。因此，在對勞動力需求的影響上，即便是對那種需要機器的工作崗位，機器學習帶來的影響可能是消極的，也可能是積極的。當機器學習系統(tǒng)接近于某些崗位的人類的能力時，作為這些系統(tǒng)的補充的職位就會出現(xiàn)。而當機器學習系統(tǒng)比人類更具成本效益時，企業(yè)家或商人就自然會采用機器來取代人類，以達到利潤最大化。進而，這樣將會提高生產(chǎn)力、降低價格、轉(zhuǎn)移勞動力需求并重組整個行業(yè)。

卡內(nèi)基梅隆大學深度學習領(lǐng)域教授Tom Mitchell

大數(shù)據(jù)等因素促進了機器學習的蓬勃

哲學家 Polanyi說過：We know more than we can tell. 人臉識別、騎自行車這個動作和對自然語言的理解是人類天生具備的能力，但是我們卻不知道我們自己是如何做到和學習的，有一個很大的原因在于我們沒有辦法輕松的處理一大堆數(shù)據(jù)并從中發(fā)現(xiàn)規(guī)律。因此，在機器學習時代到來之前，我們是很難通過計算機完成這么巨大的任務(wù)的。但今天，機器學習的算法已經(jīng)使計算機系統(tǒng)訓練過程比手動編程更有效。

近幾年，寫一段特定功能的程序都需要很多程序員來參與編寫，但逐漸，因為機器學習算法（神經(jīng)網(wǎng)絡(luò)）的存在，寫程序也可以變成自動化過程，我們只要不斷的給數(shù)據(jù)對其進行訓練即可，無需再做大量的編程工作。

機器學習算法為編程領(lǐng)域帶來了兩項影響，一是通過對神經(jīng)網(wǎng)絡(luò)的訓練就可以得到比程序員編程編出的程序更精確的算法（如人臉識別）；二，這種模式大大降低了創(chuàng)建和維護新軟件的成本。

過去6到8年間，機器學習的發(fā)展十分迅速，很大程度上是因為我們擁有關(guān)于某項領(lǐng)域的大量的數(shù)據(jù)，通過對這些數(shù)據(jù)進行訓練和分析，我們會發(fā)現(xiàn)很多此前沒有發(fā)現(xiàn)的規(guī)律和價值，或者換句話說，是機器學習通過其類似于人的分析能力讓我們看見了數(shù)據(jù)的潛在價值。當我們有足夠多的數(shù)據(jù)時，機器學習就可以很好的完成我們的任務(wù)要求。

當然，除了大數(shù)據(jù)，其他很多方面的發(fā)展也是促進機器學習發(fā)展的關(guān)鍵因素，如毫米波的改進、深度神經(jīng)網(wǎng)絡(luò)（DNN）的出現(xiàn)和計算機硬件的發(fā)展。如現(xiàn)在，F(xiàn)acebook每天將超過45億的短語翻譯模式轉(zhuǎn)換到DNN模式；同時DNN也用于ImageNet中的圖像識別等；此外，因為DNN的運用，其語音識別的錯誤率已經(jīng)從2010年的30%降低到2016年的3%。值得指出的是，圖像識別和語音識別的錯誤率閾值是5%，因為這是人類犯錯的概率值。

新型自動化模式：學習

但是要用機器學習來完成一項任務(wù)或者解決一個問題，我們必須讓機器弄明白這項任務(wù)的要求，即性能指標。目前在實際應(yīng)用中，大多數(shù)學習都是指向目標函數(shù)的，即目標的輸入應(yīng)對應(yīng)于特定的輸出數(shù)據(jù)。如自動駕駛車輛傳感器測試到的輸入數(shù)據(jù)應(yīng)該直接指向下一個對應(yīng)的輸出指令。

但是在某些領(lǐng)域，想要獲得貼近于事實的輸出（目標函數(shù)）是很困難的事情，如精神病的診斷、人力資源決策方面和處理法律案件，因為它們沒有固定的輸出模式。

所以想要成功的將機器學習商業(yè)化，其關(guān)鍵步驟是：明確機器學習的任務(wù)；能夠收集到用于訓練的高質(zhì)量數(shù)據(jù)；數(shù)據(jù)能夠為工程師所用并有助于預(yù)測目標輸出；能夠收集到新的數(shù)據(jù)以彌補原始數(shù)據(jù)的不足；要嘗試不同的算法和參數(shù)設(shè)置，以優(yōu)化學習分類器的準確性；最后將其嵌入到日常應(yīng)用中，從而提高生產(chǎn)力。

由機器學習發(fā)展而來的一種未來自動化模式就是“學習人類”，其中人工智能（AI）就是通過模仿和學習人類的很多行為來實現(xiàn)這種最新的自動化模式的，這也導致了新的商業(yè)模式。

八項判別準則，揭示機器學習的特征

盡管目前的機器學習系統(tǒng)的能力讓人驚艷，但是它們并不是適用于所有的任務(wù)?，F(xiàn)有的機器學習的能力很大程度上取決于深度神經(jīng)網(wǎng)絡(luò)。在有些方面，它們確實比人都要厲害，但是它們的決策能力比人的能力要弱太多。當然，機器學習系統(tǒng)還在進步中，后面可能適用于更多的工作?；谀壳暗陌l(fā)展情況來看，我們給出了8個關(guān)鍵的判別標準，以此可以區(qū)別某一項任務(wù)適不適合利用機器學習系統(tǒng)去做。

1.明確的輸入必須映射到明確的輸出，以構(gòu)成明確的函數(shù)

這一準則也適用于分類（如根據(jù)品種來標記狗的照片）和預(yù)測（如通過分析貸款申請來預(yù)測未來缺省的情況）。不過雖然機器學習系統(tǒng)可以根據(jù)統(tǒng)計意義上的相關(guān)性來預(yù)測與輸入（X）有最大關(guān)聯(lián)的輸出（Y），但是它可能無法學習到如何判斷因果關(guān)系。

2.大數(shù)據(jù)中必須存在成輸入-輸出關(guān)系的數(shù)據(jù)對

根據(jù)系統(tǒng)的需求，想要有效的訓練深度神經(jīng)網(wǎng)絡(luò)，提高其準確度，越多的數(shù)據(jù)對越好。盡管深度神經(jīng)網(wǎng)絡(luò)就像一個“黑盒子”，原則上可以表征任意函數(shù)，但是計算機很容易模仿并不斷訓練存在偏差的函數(shù)，這樣就不利于找出數(shù)據(jù)的規(guī)律。所以這就需要專人來對數(shù)據(jù)進行明確的標記和梳理。

3.這項任務(wù)有明確的目標和參數(shù)來對學習的效果進行明確的反饋

雖然通過機器學習不是總能很好的得到目標輸出，但是至少機器學習系統(tǒng)可以很好的描述我們想要的目標輸出。這就像早期的自動化系統(tǒng)，它們可以通過輸入輸出來模仿任務(wù)，但可能不會是最佳的逼近實際系統(tǒng)。因此，明確一個衡量系統(tǒng)性能的指標是一條黃金準則。依據(jù)這條準則，系統(tǒng)在訓練過程就會不斷自我修正，從而達到最佳的性能表現(xiàn)。

4.無需很長的邏輯和推理鏈

機器學習系統(tǒng)非常善于分析數(shù)據(jù)的關(guān)聯(lián)性，但是一旦邏輯鏈過長，后面的學習效率就會降低。但是像Alpha Go這樣的非物理類的游戲，因為可以自動收集數(shù)百萬個典型訓練數(shù)據(jù)案例，所以可以很好的模擬。但在現(xiàn)實世界中，我們就很難做到這樣完美的模擬。

5.我們不知道也無需知道系統(tǒng)是怎樣做出這樣的決定的

大型的神經(jīng)網(wǎng)絡(luò)可以通過數(shù)以萬計的數(shù)字權(quán)重來做出最后的抉擇，這些數(shù)字權(quán)重就是人造神經(jīng)元。但是其中的邏輯還是很難解釋的，目前對于這方面的研究也比較缺乏。

6.任務(wù)的容錯能力較強，無需最佳的解決方案

幾乎所有的機器學習算法都是基于統(tǒng)計概率來給出最后的輸出的，因此很難將其訓練到100%的準確度。即便是人，也會犯錯。

7.所學的功能不會隨著時間的推移而快速變化

通常來說，當需要處理的數(shù)據(jù)和訓練的數(shù)據(jù)分布是類似的結(jié)構(gòu)時，機器學習算法才能很好地工作。如果新的數(shù)據(jù)分布發(fā)生變化，系統(tǒng)就需要重新訓練。

8.缺乏靈活性、物理上的操作和移動能力

在處理非結(jié)構(gòu)化環(huán)境和任務(wù)中的物理操作時，機器人和人類相比仍然很笨。這不是機器學習的缺點，而是現(xiàn)有機械技術(shù)的缺陷。

機器學習到底適用于哪些性質(zhì)的工作？

此前，機器學習對于就業(yè)的影響主要在一些結(jié)構(gòu)化和重復(fù)性的工作上。但是未來，其他很多工作將會被機器取代，那么我們?nèi)绾伪嬲J出這些工作呢。

一項工作通常包含許多不同但相互關(guān)聯(lián)的分工。在大多數(shù)情況下，這些分工中總有部分適用于機器學習，比如，我們可以通過訓練一個機器學習系統(tǒng)來幫助律師對案件的潛在相關(guān)文件進行分類，但是當面對潛在證人或者想辦法讓證人提供有效證詞時，機器學習就完全失去了作用；類似的，機器學習系統(tǒng)可以用于閱讀醫(yī)學影像，但與其他醫(yī)生的交流，包括與患者的交流，這些都是非結(jié)構(gòu)化的任務(wù)，不適合采用機器學習系統(tǒng)。

但這不代表，所有需要交流的任務(wù)機器學習系統(tǒng)都無法勝任，比如銷售人員與客戶之間的很多聊天內(nèi)容和任務(wù)，聊天機器人都可以勝任；還有視頻中人臉面部的一些情緒表現(xiàn)，機器學習系統(tǒng)也可以識別出。

除了上面提到的情形，對于機器在創(chuàng)造性任務(wù)上的表現(xiàn)，我們的認識也需改觀。傳統(tǒng)意義上，機器是按照人們設(shè)定好的方式來一步一步完成任務(wù)的，沒有任何“創(chuàng)造性”空間。但是機器學習系統(tǒng)是專門為找出解決辦法而設(shè)計的系統(tǒng)，我們對其的設(shè)定只是目標和參數(shù)，沒有明確規(guī)定該怎么去解決。舉例來看，以前人類設(shè)計復(fù)雜設(shè)備的能力遠遠超過機器和計算機，但是現(xiàn)在根據(jù)要求，利用機器學習系統(tǒng)生成的設(shè)計比任何人設(shè)計的都好。

從機器學習的層面來看，這又不是“創(chuàng)意”，因為能不能設(shè)計出好的設(shè)備完全取決于人們在最初設(shè)定的參數(shù)。所以未來，這種看似是創(chuàng)造性的工作將會被機器學習取代，而同時更為重要的是人們在選擇參數(shù)和設(shè)定目標的能力上。這也就意味著，無論是科學家，還是企業(yè)家，能夠準確描述出問題這一能力將變得越來越重要。

從六項經(jīng)濟因素看機器學習對社會的影響

有許多非技術(shù)因素會反映機器學習對于就業(yè)的影響，換句話說，機器學習對于就業(yè)的整體影響可以轉(zhuǎn)化為六項經(jīng)濟因素。

1.代換

融入機器學習的計算機系統(tǒng)將會直接取代部分人力，并減少產(chǎn)出部分的勞動力需求。

2.價格彈性

通過機器學習實現(xiàn)的自動化生產(chǎn)將會導致完成一項任務(wù)的成本降低，但總的消耗增加或減少取決于需求的價格彈性因素。如果彈性小于-1，則價格下降導致購買數(shù)量的增加，那么整個成本就會增加。如1903年以后，由于技術(shù)降低了航空的價格，需求就增加了，在航空方面所花費的反而增多，就業(yè)也自然變多。

3.互補性

工作A是自動化的工種，而非自動化的任務(wù)B對A來說又是不可或缺的，那么隨著A的成本降低，對B的需求自然會增加。類比來看，隨著計算機的普及，程序員的需求不斷增加；人際交往能力和分析能力之間也是一種互補。

4.收入彈性

自動化的程度是可以改變社會的總收入的。如果一個商品的收入彈性不為零，這又會改變對某些商品類型的需求以及生產(chǎn)這些商品所需工作的派生需求。類比來看，隨著總收入的增加，美國人已經(jīng)把更多的收入用于餐飲。

5.勞動力供給的彈性

隨著工資的變化，從事某項工作的人們會給出一定反饋。如果有許多人具備了該必要的技能，那么供給就會有彈性，即使需求會增加（下降）很多，工資也不會上漲（下降）很多。相反，如果這項技能很難修煉，比如成為數(shù)學家，那么需求的變化將主要體現(xiàn)在工資而不是就業(yè)上。

6.業(yè)務(wù)流程重新設(shè)計

給定的勞動力的數(shù)量和類型不同、資本和其他投入、產(chǎn)出不同，與之相關(guān)的生產(chǎn)函數(shù)也是不同的。所以其中任何一項因素改變，管理人員就要重新建造相關(guān)流程。而新技術(shù)會改變生產(chǎn)過程，所以他們需要找出最有效的方式和生產(chǎn)流程。這些變化會需要一段時間，但它往往能夠節(jié)省成本和投入，增加需求彈性。隨著時間的推移，個人可以通過學習新技能或換新工作，來表示對于高工資的認可和回應(yīng)，這樣會增加相關(guān)的供給彈性。

因此，根據(jù)Le Chatelier準則，隨著固定因素的調(diào)整，長期來看，供需彈性比短期更大。由于生產(chǎn)流程、組織設(shè)計、商業(yè)模式、供應(yīng)鏈、法律約束甚至文化期望都需要改變，所以一項技術(shù)的采用和推廣往往需要幾年或幾十年的時間。因此為了加快技術(shù)的推廣，往往我們需要在社會方面也采取一定的措施。

隨著時間的推移，新的產(chǎn)品、服務(wù)、分工和工作流程被創(chuàng)造出，從而致使新的工作產(chǎn)生。從歷史層面來看，隨著一些工作任務(wù)趨于自動化，釋放的勞動力已經(jīng)重新部署到生產(chǎn)新的商品上。這種創(chuàng)新比增加資本、勞動力或資源投入更能提高人們的整體收入和生活水平。

結(jié)語

機器學習發(fā)展到最終，其范圍和規(guī)?？赡軙^電力技術(shù)。該技術(shù)帶來的進步不僅直接提高了生產(chǎn)力，而且更重要的是，引發(fā)了機器、商業(yè)組織乃至整個經(jīng)濟的互補性創(chuàng)新浪潮。未來，在技能、資源和基礎(chǔ)設(shè)施等方面做出正確的互補性投資的個人、企業(yè)和社會將會得到蓬勃發(fā)展，而另一些沒有參與進來的人，在某些情況下將會更糟糕。因此，更好的理解機器學習的具體適用場景和工作任務(wù)，對于理解其對經(jīng)濟的影響也是至關(guān)重要。

原文鏈接：http://science.sciencemag.org/content/358/6370/1530.full

最后，記得關(guān)注微信公眾號：鎂客網(wǎng)（im2maker），更多干貨在等你！