雷鋒網(wǎng)按：Erik Brynjolfsson是麻省理工學(xué)院斯隆學(xué)院的教授，他在哈佛商業(yè)評(píng)論的HBR IdeaCast欄目中接受了一次訪談。訪談中，Erik Brynjolfsson詳細(xì)闡述了機(jī)器學(xué)習(xí)快速發(fā)展給企業(yè)帶來(lái)的新機(jī)遇。他解釋了機(jī)器學(xué)習(xí)技術(shù)的運(yùn)作方式以及它的局限性；他還討論了人工智能對(duì)經(jīng)濟(jì)的潛在影響，人類今后如何與之互動(dòng)，并建議管理人員開(kāi)始進(jìn)行相關(guān)實(shí)驗(yàn)。

雷鋒網(wǎng)對(duì)訪談內(nèi)容進(jìn)行了節(jié)選和編譯：

Sarah Green Carmichael：歡迎來(lái)到哈佛商業(yè)評(píng)論的HBR IdeaCast節(jié)目，我是Sarah Green Carmichael。

最近有一張很憂傷的照片，一臺(tái)1米高的機(jī)器人躺在華盛頓特區(qū)辦公樓庭院中的一個(gè)淺水池里，工作人員圍在旁邊試圖將其救出。

事故發(fā)生時(shí)，這臺(tái)機(jī)器人才剛剛上崗幾天。一個(gè)在辦公室里上班的企業(yè)家寫(xiě)道：“我們被許諾將得到會(huì)飛行的汽車，結(jié)果卻等來(lái)了自殺的機(jī)器人。”

即將到來(lái)的機(jī)器人時(shí)代，計(jì)算機(jī)可以幫我們處理各種各樣的工作，汽車可以自動(dòng)駕駛。對(duì)有些人來(lái)說(shuō)，這很值得興奮，但反烏托邦主義者卻對(duì)此感到恐懼。特斯拉的首席執(zhí)行官Elon Musk就將人工智能稱作潛在的威脅。

不過(guò)我們今天的嘉賓是一位謹(jǐn)慎的樂(lè)觀主義者。他一直在觀察企業(yè)如何應(yīng)用人工智能技術(shù)，機(jī)器學(xué)習(xí)的進(jìn)步如何改變我們的工作方式。Erik Brynjolfsson教授在麻省理工學(xué)院斯隆學(xué)院任教，并負(fù)責(zé)運(yùn)營(yíng)麻省理工學(xué)院的數(shù)字經(jīng)濟(jì)計(jì)劃。他還和Andrew McAfee合著了HBR文章《人工智能商業(yè)》。

Sarah Green Carmichael：Eric，歡迎你來(lái)到HBR IdeaCast。你為什么對(duì)AI的未來(lái)持謹(jǐn)慎樂(lè)觀態(tài)度？

Eric Brynjolfson：你開(kāi)場(chǎng)提到的那個(gè)機(jī)器人的例子很好，因?yàn)樗w現(xiàn)了機(jī)器人的優(yōu)勢(shì)和不足。機(jī)器人在某些方面是非常強(qiáng)大的，就像計(jì)算器在算術(shù)方面比我強(qiáng)得多一樣。如今我們擁有人工智能，它可以勝任很多工作，比如識(shí)別不同癌癥的影像，某些場(chǎng)景中的語(yǔ)音識(shí)別，但它同時(shí)也很狹隘，因?yàn)樗痪邆淙祟惸菢拥闹腔邸＿@也解釋了為什么人機(jī)協(xié)作最成功的案例往往發(fā)生在商業(yè)領(lǐng)域。

Sarah Green Carmichael：當(dāng)你談到圖像識(shí)別時(shí)，我腦海中浮現(xiàn)出了一副很奇妙的畫(huà)面，你在文章中稱之為“小狗或松餅”。我很驚訝松餅和小狗看起來(lái)竟然這么相似，更讓我驚訝的是，機(jī)器居然能夠把它們區(qū)分開(kāi)來(lái)。

Eric Brynjolfson：這確實(shí)挺有趣的。人類非常擅長(zhǎng)辨別不同類別的圖像。但長(zhǎng)時(shí)間以來(lái)，機(jī)器遠(yuǎn)不如七八年前那么聰明，當(dāng)時(shí)它在image net上達(dá)到了30%的識(shí)別錯(cuò)誤率。image net是李飛飛創(chuàng)造的包含超過(guò)1000萬(wàn)張圖像的大型數(shù)據(jù)庫(kù)?，F(xiàn)在機(jī)器的識(shí)別錯(cuò)誤率大幅降低，小于5%，可以達(dá)到3-4%，這取決于它的設(shè)置。而人類的識(shí)別錯(cuò)誤率仍保持在5%左右。

機(jī)器在過(guò)去幾年中得到顯著改善的原因是使用了深層神經(jīng)網(wǎng)絡(luò)技術(shù)，對(duì)于圖像識(shí)別等任務(wù)來(lái)說(shuō)，它非常強(qiáng)大。

Sarah Green Carmichael：一方面，我們喜歡愚弄機(jī)器，讓它出錯(cuò)；另一方面機(jī)器識(shí)別準(zhǔn)確率這么高，仔細(xì)想想也挺可怕的。

Eric Brynjolfson：機(jī)器并非完美的社會(huì)驅(qū)動(dòng)力，雖然它能準(zhǔn)確區(qū)分小狗和松餅，卻無(wú)法準(zhǔn)確地做出信用決定。因此，我們必須建立能夠彌補(bǔ)這些缺陷的可靠系統(tǒng)。當(dāng)然，人類在這些方面也無(wú)法做到完美，所以大多數(shù)企業(yè)家和管理者在人和機(jī)器之間做出選擇的依據(jù)是：誰(shuí)能更好地解決某個(gè)特定問(wèn)題，以及是否可以創(chuàng)建一個(gè)系統(tǒng)，結(jié)合人類和機(jī)器的優(yōu)勢(shì)，讓它比二者單獨(dú)行動(dòng)時(shí)獲得更好的成效。

Sarah Green Carmichael：通過(guò)識(shí)別照片和人臉，F(xiàn)acebook的人臉識(shí)別軟件可以區(qū)分出化妝和不化妝時(shí)的我，這既有趣又可怕。與此同時(shí)，人類在辨認(rèn)人臉時(shí)卻常常遇到困難，比如說(shuō)你在雜貨店碰到一個(gè)人，覺(jué)得在哪里見(jiàn)過(guò)，但是又想不起來(lái)。所以說(shuō)，在認(rèn)人這件事上，人類也經(jīng)常犯錯(cuò)。

Eric Brynjolfson：沒(méi)錯(cuò)，在這方面我可以說(shuō)是世界上最糟糕的。開(kāi)會(huì)的時(shí)候，我多么希望耳邊能夠有一個(gè)機(jī)器偷偷告訴我，這個(gè)人是誰(shuí)，我們以前是怎么認(rèn)識(shí)的。機(jī)器可以提供幫助，但也具有一定的風(fēng)險(xiǎn)。它可能會(huì)在某些重要事務(wù)上做出糟糕的決策，比如誰(shuí)應(yīng)該獲得假釋，誰(shuí)又該獲得信用。更糟糕的是，有時(shí)候它們的決策是建立在收集到的數(shù)據(jù)基礎(chǔ)之上的。加入你以前雇傭的人存在種族和性別歧視傾向，而你又使用這些數(shù)據(jù)教機(jī)器人怎么招聘員工，那么它將學(xué)會(huì)人類的偏見(jiàn)，并且以我們不愿看到的方式擴(kuò)大和永久化。

Sarah Green Carmichael：現(xiàn)在關(guān)于AI的宣傳鋪天蓋地。當(dāng)有些人提到機(jī)器學(xué)習(xí)時(shí)，立馬會(huì)有人跳出來(lái)說(shuō)，它不過(guò)是一種軟件，我已經(jīng)使用它很久了。你是如何分辨這些概念，以及它們背后的真正涵義的？

Eric Brynjolfson：現(xiàn)在機(jī)器工作的方式與以往你所知道的有著重大區(qū)別。McAfee和我合著了《第二機(jī)器時(shí)代》這本書(shū)，書(shū)中提到，我們?nèi)缃裾谧寵C(jī)器完成越來(lái)越多的認(rèn)知任務(wù)。過(guò)去三、四十年間，我們精心編程，將希望機(jī)器完成的所有動(dòng)作寫(xiě)進(jìn)代碼里。所以你知道它是否做好了處理稅務(wù)工作的準(zhǔn)備，比如將兩個(gè)數(shù)相加再乘以另一個(gè)數(shù)。當(dāng)然，前提是你首先必須足夠了解這些任務(wù)，這樣才能指定機(jī)器去完成。

但在新的機(jī)器學(xué)習(xí)理論下，機(jī)器可以自主學(xué)習(xí)人類無(wú)法描述的事物，比如說(shuō)面部識(shí)別。我很難去形容我母親的臉，說(shuō)清她兩眼之間的距離，以及它的耳朵是什么樣子的。

我可以認(rèn)出她，但是我無(wú)法寫(xiě)一段代碼去實(shí)現(xiàn)這一點(diǎn)。機(jī)器現(xiàn)在的工作方式是，不用我們寫(xiě)代碼，只需要給它們足夠多的案例就行了。比如很多從不同角度拍攝我母親的照片，或者很多關(guān)于貓和狗的照片，以及關(guān)于“yes”和“no”的對(duì)話。只要你給它足夠多的例子，它就能自己定義規(guī)則。

這是一個(gè)真正的突破。它克服了我們常常提到的波蘭尼悖論。 1960年代的博學(xué)家和哲學(xué)家邁克爾·波蘭尼（Michael Polanyi）曾經(jīng)有一句名言——“我們知道的多于我們可以描述的”。通過(guò)機(jī)器學(xué)習(xí)，我們不必向機(jī)器描述應(yīng)該做些什么，只需要展示一些例子就可以了?！斑@種變化為機(jī)器開(kāi)辟了許多新的應(yīng)用場(chǎng)景，并允許它完成很多以前只有人類才能完成的任務(wù)”。

Sarah Green Carmichael：所以未來(lái)人類的工作就是訓(xùn)練機(jī)器，就像訓(xùn)練一個(gè)坐在那里全神貫注地盯著藍(lán)莓松餅圖片的人，人類只需要為這些圖片加上松餅的標(biāo)記，機(jī)器就會(huì)知道這是藍(lán)莓松餅，而不是吉娃娃。這是否意味著訓(xùn)練機(jī)器將是一份底低薪無(wú)聊的工作？而人們?cè)居兄佑腥さ墓ぷ鳌?/strong>

Eric Brynjolfson：我并不認(rèn)為這是一項(xiàng)主要的工作來(lái)源，不過(guò)確實(shí)存在像亞馬遜的Mechanical Turk那樣的地方，那里數(shù)以千計(jì)的人做著像你描述的種工作，他們標(biāo)記圖像并加上標(biāo)簽。ImageNet的數(shù)據(jù)庫(kù)中數(shù)百萬(wàn)的圖像就是這樣被貼上標(biāo)簽的。所以，確實(shí)有人被雇傭來(lái)做這些事情，公司有時(shí)會(huì)發(fā)現(xiàn)通過(guò)人類標(biāo)記數(shù)據(jù)來(lái)訓(xùn)練機(jī)器是一種行之有效的方法。

不過(guò)他們往往有辦法找到已經(jīng)被標(biāo)記過(guò)的數(shù)據(jù)，這些數(shù)據(jù)產(chǎn)生于他們的企業(yè)資源計(jì)劃系統(tǒng)或者呼叫中心。如果他們足夠聰明，就能找到一種自動(dòng)生成數(shù)據(jù)標(biāo)簽的方法。這里我必須強(qiáng)調(diào)，機(jī)器最大的弱點(diǎn)之一就是它們需要標(biāo)記的數(shù)據(jù)。這是最強(qiáng)大的算法，我們有時(shí)候稱之為監(jiān)督學(xué)習(xí)，人類事先做好了標(biāo)簽，解釋了這些數(shù)據(jù)的含義。

機(jī)器從這些例子中學(xué)習(xí)規(guī)律，并能最終將它們推廣到其他案例中。與人類不同的是，它們通常需要數(shù)千甚至數(shù)百萬(wàn)個(gè)樣本來(lái)學(xué)習(xí)一件你已經(jīng)知道的事情，而兩歲的小孩子只需要學(xué)習(xí)一兩次就能分辨一只貓和一條狗，盡管在他們學(xué)會(huì)之前，你并沒(méi)有向他們展示10000張貓的照片。

Sarah Green Carmichael：結(jié)合AI和機(jī)器學(xué)習(xí)的發(fā)展現(xiàn)狀，您是認(rèn)為機(jī)器學(xué)習(xí)被過(guò)度宣傳，人們談?wù)摿颂嗫苹檬降膱?chǎng)景；還是覺(jué)得對(duì)機(jī)器學(xué)習(xí)的宣傳還不夠，人們遠(yuǎn)遠(yuǎn)低估了機(jī)器學(xué)習(xí)在不久的將來(lái)能夠達(dá)到的成就？

Eric Brynjolfson：兩方面都存在。首先，我認(rèn)為人們對(duì)機(jī)器擁有不切實(shí)際的期望，覺(jué)得它們擁有終結(jié)者一樣的能力。而且他們認(rèn)為，如果一臺(tái)機(jī)器能夠理解漢字，那么它理應(yīng)能夠理解中文演講，可以推薦中國(guó)餐館，甚至懂一點(diǎn)兒秦朝歷史。但事實(shí)上，一臺(tái)可以玩專家棋的機(jī)器甚至不會(huì)下跳棋和其他游戲。所以，從某種程度上來(lái)說(shuō)，它們還非常狹隘和脆弱。

但另一方面，這些狹隘能力的應(yīng)用卻能爆發(fā)非常強(qiáng)大的能量，使用監(jiān)督學(xué)習(xí)算法，它們可以完成很多具體的任務(wù)，我們現(xiàn)在才剛剛觸及一些皮毛。過(guò)去十年間，它們已經(jīng)取得了長(zhǎng)足進(jìn)步，但還有更多的機(jī)會(huì)還沒(méi)有被探索和發(fā)現(xiàn)。像谷歌、微軟和Facebook一樣的為數(shù)不多的幾個(gè)巨頭在這方面取得了迅速進(jìn)步，但我認(rèn)為還有成千上萬(wàn)的細(xì)分領(lǐng)域，中小廠商可以開(kāi)始使用機(jī)器學(xué)習(xí)。

Sarah Green Carmichael：可以列舉一些企業(yè)運(yùn)用人工智能技術(shù)的案例嗎？

Eric Brynjolfson：我最喜歡的案例來(lái)自我的朋友Sebastian Thrun，他是在線課程Udacity的創(chuàng)始人——順便提一句，在線課程是學(xué)習(xí)人工智能技術(shù)的良好途徑之一——Sebastian Thrun發(fā)現(xiàn)，當(dāng)人們?cè)L問(wèn)他的網(wǎng)站在聊天室提問(wèn)時(shí)，一些銷售人員表現(xiàn)非常出色，可以引導(dǎo)用戶找到正確的課程并完成銷售。這產(chǎn)生了大量的數(shù)據(jù)。

他和他的研究生意識(shí)到，對(duì)話中的某些特定詞組促成了銷售，而有些則沒(méi)有。當(dāng)他把這些信息導(dǎo)入機(jī)器學(xué)習(xí)算法時(shí)，機(jī)器就會(huì)開(kāi)始分析哪些模式的短語(yǔ)和答案帶來(lái)成功的概率最高。

接下來(lái)發(fā)生的事情我覺(jué)得特別有趣，他們并沒(méi)有建立一個(gè)可以回答所有問(wèn)題的機(jī)器人，而是開(kāi)發(fā)了一個(gè)可以向銷售人員提供建議的機(jī)器人。當(dāng)用戶訪問(wèn)網(wǎng)站的時(shí)候，機(jī)器人看到一些特定關(guān)鍵詞時(shí)就會(huì)向銷售人員耳語(yǔ)，“你或許應(yīng)該嘗試這套話術(shù)”或者“你應(yīng)該向他推薦這套課程”。

對(duì)于常見(jiàn)的查詢類型來(lái)說(shuō)機(jī)器人很管用，但在面對(duì)機(jī)器人從未見(jiàn)過(guò)的晦澀難懂的對(duì)話時(shí)，人類顯然更能從容應(yīng)對(duì)。這種人機(jī)協(xié)作關(guān)系是充分利用人工智能，以及如何將現(xiàn)有數(shù)據(jù)轉(zhuǎn)換成讓監(jiān)督學(xué)習(xí)系統(tǒng)受益的標(biāo)簽數(shù)據(jù)集的絕佳案例。

Sarah Green Carmichael：這些銷售人員對(duì)機(jī)器人的指導(dǎo)感覺(jué)如何？

Eric Brynjolfson：這有助于他們完成銷售，讓他們更富有成效。Sebastian Thrun表示，當(dāng)他們使用機(jī)器人時(shí)，銷售轉(zhuǎn)化率大概是50%。所以我認(rèn)為機(jī)器能夠讓他們學(xué)習(xí)得更加迅速。

我想這是一個(gè)很好的例子，說(shuō)明機(jī)器擅長(zhǎng)那些常規(guī)的重復(fù)性任務(wù)。而對(duì)大多數(shù)人類而言，我們更傾向于不尋常的任務(wù)。機(jī)器和人之間達(dá)成了完美平衡。

Sarah Green Carmichael：銷售是一種知識(shí)型的工作，你剛剛列舉了一個(gè)例子。其中最大的挑戰(zhàn)之一在于，你無(wú)法或者說(shuō)很難提高一個(gè)人的生產(chǎn)力，比如說(shuō)你開(kāi)了一家律師事務(wù)所，如果你想為更多客戶服務(wù)，就必須雇傭更多的律師。不過(guò)聽(tīng)起來(lái)AI似乎是解決這個(gè)挑戰(zhàn)的一種方式。

Eric Brynjolfson：的確，AI可以將生產(chǎn)力放大很多倍。關(guān)于律師和醫(yī)生這兩個(gè)職業(yè)，有很多解釋他們?nèi)绾涡惺碌臏?zhǔn)則以及成功案例，機(jī)器可以從中學(xué)習(xí)并重復(fù)他們的行為，或者與從業(yè)者相結(jié)合，以指導(dǎo)他們或處理常見(jiàn)問(wèn)題的方式給予幫助。

Sarah Green Carmichael：那么，AI只是為了提高生產(chǎn)力，還是說(shuō)你看到了人機(jī)協(xié)作處理其他不同業(yè)務(wù)類型挑戰(zhàn)的例子？

Eric Brynjolfson：在有些場(chǎng)景中，AI意味著提高生產(chǎn)力，有些場(chǎng)景中，則意味你能把工作做得比以前更好?，F(xiàn)在有一些系統(tǒng)可以幫助閱讀醫(yī)學(xué)圖像和診斷癌癥，但最好的系統(tǒng)仍然是與人類相協(xié)同的，因?yàn)闄C(jī)器面對(duì)人體時(shí)會(huì)犯許多不同類型的錯(cuò)位，它經(jīng)常會(huì)產(chǎn)生假陽(yáng)性認(rèn)定有癌癥，但事實(shí)并沒(méi)有。人類的可以更好地排除這些情況。你能判斷可能有一個(gè)睫毛或者其他東西粘在了圖像上。

因此，如果先用機(jī)器掃描所有圖像，篩選出那些看起來(lái)有問(wèn)題的，然后人工進(jìn)一步核對(duì)，重點(diǎn)關(guān)注那些有問(wèn)題的影像，就能得出更好的結(jié)果。反之，如果人工不得不查看每一張影像，就有可能忽視潛在的問(wèn)題。

Sarah Green Carmichael：人們很久之前就預(yù)測(cè)，人工智能時(shí)代即將來(lái)臨。聽(tīng)起來(lái)現(xiàn)在它終于到來(lái)了，真正進(jìn)入了企業(yè)。為什么人工智能時(shí)代會(huì)在這個(gè)時(shí)間點(diǎn)降臨呢？

Eric Brynjolfson：這個(gè)問(wèn)題很好。AI時(shí)代來(lái)臨得益于三股力量的結(jié)合。首先是我們擁有了更加強(qiáng)大的計(jì)算能力。依據(jù)摩爾定律，計(jì)算能力每隔一段時(shí)間就會(huì)翻番；此外還有許多專門(mén)的芯片問(wèn)世，比TPU和GPU，比普通芯片快十倍乃至上百倍。因此，如果你使用20世紀(jì)90年代的電腦進(jìn)行訓(xùn)練，可能需要花費(fèi)一個(gè)世紀(jì)甚至更久，而現(xiàn)在只要幾天就能完成。顯然，這開(kāi)辟了一系列的可能性。

第二股力量是數(shù)據(jù)的大爆炸。數(shù)據(jù)是AI系統(tǒng)的命脈，你需要用數(shù)據(jù)進(jìn)行訓(xùn)練。我們現(xiàn)在擁有更多的數(shù)字圖像、數(shù)字記錄，以及工廠的數(shù)據(jù)和跟蹤信息，這些都可以放到系統(tǒng)中進(jìn)行訓(xùn)練。

最后但同樣重要的是，算法取得了重大進(jìn)步。其中有些基礎(chǔ)算法是30多年前開(kāi)發(fā)的，但是現(xiàn)在已經(jīng)進(jìn)行了改進(jìn)和調(diào)整，借助更快的計(jì)算機(jī)和更加豐富的數(shù)據(jù)，你可以快速了解什么是有效的、什么不起重要。當(dāng)更強(qiáng)的計(jì)算機(jī)、更多的數(shù)據(jù)、更先進(jìn)的算法結(jié)合到一起時(shí)，你在某些領(lǐng)域?qū)@得幾百萬(wàn)倍的提升，比如說(shuō)無(wú)人駕駛車輛可以識(shí)別穿過(guò)街道的行人。

Sarah Green Carmichael：如果說(shuō)前面提到的這些因素不斷推動(dòng)我們向前，那么阻礙我們進(jìn)步的因素都有哪些？

Eric Brynjolfson：技術(shù)不會(huì)阻礙我們進(jìn)步，阻礙我們前進(jìn)的是企業(yè)高管在他們的業(yè)務(wù)中使用這些新工具的想象力。每一項(xiàng)通用技術(shù)，無(wú)論是電力還是內(nèi)燃機(jī)，其真正的力量都來(lái)源重新組織工廠的新模式、連接客戶的新方式，以及新的商業(yè)模式。我之所以樂(lè)于為哈佛商業(yè)評(píng)論寫(xiě)文章的原因之一就是可以抵達(dá)讀者，幫助他們更富創(chuàng)意地利用這些工具來(lái)改變他們的現(xiàn)有業(yè)務(wù)。這才是真正的價(jià)值所在。

Sarah Green Carmichael：關(guān)于AI的眾多討論都指向一個(gè)話題，這項(xiàng)技術(shù)的應(yīng)用將創(chuàng)造還是摧毀就業(yè)機(jī)會(huì)。你是否也常常被問(wèn)到這個(gè)問(wèn)題，甚至已經(jīng)厭煩去回答？

Eric Brynjolfson：當(dāng)然，我經(jīng)常被問(wèn)到類似的問(wèn)題，不過(guò)我并不會(huì)對(duì)此感到厭煩，因?yàn)樗娴暮苤匾?。我想過(guò)去十年間我們面臨的最大挑戰(zhàn)，就是如何處理新技術(shù)對(duì)經(jīng)濟(jì)造成的影響。你剛剛介紹我的時(shí)候，說(shuō)我是個(gè)謹(jǐn)慎的樂(lè)觀主義者，我想這個(gè)判斷是正確的。我想如果我們能夠正確處理好這一挑戰(zhàn)，AI將是人類有史以來(lái)遇到的最美好的事物。

但我不認(rèn)為這一切都是自然而然的。我對(duì)此非常謹(jǐn)慎。不再投資教育和培訓(xùn)AI技術(shù)人員，不再出臺(tái)新政策以促進(jìn)企業(yè)形成新的商業(yè)模式顯然是不可能的。但我們也必須重新考慮收入的分配問(wèn)題，出臺(tái)美國(guó)所得稅抵免或其他國(guó)家類似的工資補(bǔ)貼政策。

我們需要在政策層面進(jìn)行一系列改革。企業(yè)需要重新思考工作方式，個(gè)人需要承擔(dān)個(gè)人責(zé)任，學(xué)習(xí)將來(lái)需要的新技能。如果將這些事情都做好，我對(duì)于未來(lái)感到很樂(lè)觀。

但我并不希望人們感到自滿，因?yàn)檫^(guò)去十年中，有很多人被迄今為止的數(shù)字革命甩在了身后。展望未來(lái)，我會(huì)說(shuō)我們還一無(wú)所知。我們擁有非常強(qiáng)大的技術(shù)，尤其是人工智能，開(kāi)創(chuàng)了許多新的可能。但是我們需要思考如何利用新技術(shù)造福更廣大的人群，而非僅僅服務(wù)于少數(shù)人。

Sarah Green Carmichael：在你看來(lái)，有沒(méi)有哪些任務(wù)是機(jī)器學(xué)習(xí)無(wú)法做或者不會(huì)做的？

Eric Brynjolfson：有很多。你必須清楚一點(diǎn)，大多數(shù)事情機(jī)器學(xué)習(xí)都是無(wú)法勝任的。它只能勝任一些細(xì)分領(lǐng)域的工作，但是可以做得相當(dāng)好。就像計(jì)算器一樣，它能做的事情很少，但是卻做得非常出色。人類擁有更加廣泛的技能，不過(guò)如今這些技能正在被侵蝕。

機(jī)器正在接管越來(lái)越多的任務(wù)，或者在任務(wù)中提供幫助，但它并不擅長(zhǎng)廣泛的創(chuàng)造性工作。比如說(shuō)擔(dān)任一名企業(yè)家、寫(xiě)一本小說(shuō)，或者研究新的科學(xué)理論，這些創(chuàng)造力工作都超過(guò)今天機(jī)器的能力范圍。

其次，但也許更重要的一點(diǎn)，是人與人之間的社交技能。人與人之間可以建立信任和關(guān)心，但這些并不會(huì)發(fā)生在及其身上。

所以，無(wú)論教練還是銷售，這些需要用到談判、照顧人和說(shuō)服人的技巧的地方，都是機(jī)器的邊界。我認(rèn)為，個(gè)人教練和培訓(xùn)師等以團(tuán)隊(duì)為導(dǎo)向的活動(dòng)領(lǐng)域，將迎來(lái)就業(yè)機(jī)會(huì)的爆炸式增長(zhǎng)。我樂(lè)于看到更多人學(xué)習(xí)機(jī)器不擅長(zhǎng)的技能，他們未來(lái)會(huì)獲得很多工作。

Sarah Green Carmichael：但是我在文章中看到，一些AI程序能夠識(shí)別人類的情緒。我對(duì)此感到驚訝。

Eric Brynjolfson：談到這一點(diǎn)我必須慎之又慎，我和安迪共事學(xué)到的最重要的一點(diǎn)就是“絕對(duì)不要說(shuō)絕對(duì)”。我們知道，有些人正在實(shí)驗(yàn)室研究相關(guān)項(xiàng)目。

所以我要表述的是相對(duì)的優(yōu)勢(shì)和弱點(diǎn)，我仍然認(rèn)為在情商方面人類有絕對(duì)優(yōu)勢(shì)。不過(guò)在某些細(xì)分領(lǐng)域，機(jī)器也正在快速進(jìn)步。Affectiva是波士頓的一家公司，他的AI已經(jīng)非常擅長(zhǎng)閱讀人類情緒了，這對(duì)于一個(gè)教練和富有愛(ài)心的人來(lái)說(shuō)是非常重要的。雖然閱讀情緒并非情商的全部，但它已經(jīng)能夠幫助機(jī)器人勝任一些工作了。

via HBR    雷鋒網(wǎng)編譯

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。