[科技界] 是什么让一份工作容易受到人工智能自动化的影响?

麻省理工学院的研究人员提出了一套新的标准。

说到想要人工智能，kool-aid的资金流非常强大。对于喝咖啡的人来说，可以肯定的是，在不久的将来，人工智能和机器人将窃取人类目前占据的大部分工作。在美国，社会保障体系几乎不存在，这种技术飞跃的结果将是社会的崩溃，除非发生戏剧性的渐进经济结构调整。

另一方面，这也不一定完全正确。可能现实生活中，有很多工作是我们不希望机器做的，比如医疗保健行业。增长最快的工作领域是范围很广的领域，连机器都做不到。第二类是埃里克&米德多，麻省理工学院斯隆管理学院的研究员。布林约尔弗森和汤姆&米德多；米切尔本周在《科学》杂志上发表的一篇政策论文的焦点。总的来说，他们发现，不，这不是工作的真正结束，但事情还是会变得很奇怪。

虽然很明显ML(机器学习)是像蒸汽机和电力一样的通用技术，但是它产生了大量额外的创新和能力，而且在ML系统中excel的任务上没有广泛共享的协议，所以小协议的具体预期会影响劳动力和更广泛的经济问题，米切尔和道场。虽然很多工作的一部分可能适合ml(sml)，但是这些工作中的其他任务并没有很好的达到ml的标准。所以对就业的影响比一些人强调的简单的替代和替代故事更复杂。

本文总结了工作流管理的八个基本特征。我就不一一列举了，但是有一些熊在强调。首先，机器学习需要定义明确的问题，输入数据可以可靠地映射到输出预测。比如医疗诊断，病历和诊断都出来了。这是一个清晰的映射。狗的图进去了，狗的预言出来了。另一方面，我们也许可以根据狗主人的照片来预测狗的品种，但在这种情况下，并不存在清晰的映射，因为预测背后的因果关系会被埋没在ml模型的某个地方。

ml模型也需要大量的数据。他们必须学点东西。机器学习算法预测一个医学诊断需要大量的训练数据，这些数据是由病历组成的，被人类标记为正确诊断。只有这样，算法才能看到新的未标记数据，并做出准确的预测。

还有几个不太明显的点。比如机器学习模型需要一个相对简单的休闲链来预测。例如，如果我们有一些输入观测值，我们想要预测一些输出，输入必须与输出直接相关，而不是一堆中间因果关系。此外，如果错误的预测是不可接受的，机器学习将不起作用。在ml中，当我们得到90%以上的精确模型时，我们开始认为它们是成功的。这意味着我们已经决定10%的时间误差是可以接受的。如果我们用计算机视觉来指导油轮，哪怕是零点几个百分点都是不可接受的错误。

还有其他不太量化的因素。曾经，。情商和共情其实都不是sml。Brynjolfsson和Mitchell说:与其他医生沟通的非结构化任务，以及与患者沟通和安慰患者的潜在情绪问题，都不适合ml法，至少目前是这样。

似乎最有可能的是，sml任务不是所有的工作或职业，而是其中的一部分。机器学习会继续前进，但不会偷走所有的工作(虽然肯定会消耗很多工作)，会成为很多工作的正常部分。一个算法可以预测癌症的诊断，不代表它会成为你的新医生。更有可能的是，这个算法会成为你的医生使用的工具。