為何機器人搶不走你的工作——至少現在還不行

瑪德林（Madaline）是第一個。

早在1959年，她就憑借超凡智慧解決了一個棘手難題：電話線路上的回聲。當時，長途電話中每次通話聲音都會有迴響，造成通話者的很大困擾。

瑪德林能夠識別輸入與輸出的的相同信號，然後用電子的方式刪除回聲，解決了這個問題，這一簡潔的解決方案沿用至今。當然，瑪德林不是人類，而是一個多元自適應線性神經元（Multiple ADAptive LINear Elements）系統，簡稱「Madaline」。這是人工智能首次應用於工作領域。

今天，人們普遍認為智能計算機會搶走我們的工作，在你早餐還沒吃完以前，它就已經完成了你一周的工作量，而且他們還不休息，不喝咖啡，也不要退休金，甚至不用睡覺。但事實上，雖然很多工作未來都會自動化，但至少短期內，這種新品種智能機器更有可能是與我們一起工作（而不是取代人類）。

雖然人工智能機器在很多領域建樹非凡，譬如預防欺詐，甚至比醫生還可靠的癌症診斷。但現今最尖端的人工智能機器也跟一般人腦智力相差甚遠。

麥肯錫2017年的一份報告認為，在現有科技下，只有5%的工作可以完全自動化，60%的職業中有大約三分之一的工作可由機器人完成。

千萬別忘了，並非所有機器人都使用人工智能——有些用，很多不用。問題是，阻礙智能機器人通過人工智能接管世界的毛病，也恰恰是它們與人類共事顯得非常糟糕的原因。谷歌的相片識別軟件曾經將黑人的臉辨認為猩猩，人工智能機器也不能完全自定義目標，解決問題，甚至是運用基本常識都有問題，這些新一代機器工人所缺乏的這些技能，對於人類，即或是最愚鈍者，也是易如反掌。

因此，在心灰意冷之前，你需要了解幾點與新的機器人同事一起工作的法則。

法則一：機器人不會像人類一樣思考

大約與瑪德林革新長途電話的同時，英籍匈牙利哲學家波蘭尼（Michael Polanyi）在苦苦思索人類智力的問題。波蘭尼意識到，人類的有些技能，例如使用凖確的語法，可以輕易地歸納成規則並向他人解釋，有些則不能。

人類能不自覺地運用所謂的隱性能力，用波蘭尼的話來說是"人類所知多於所能表述"。這包括騎自行車和揉面，以及更高水平的實踐能力。唉，如果我們不懂規則的話，就不能把規則教給一台計算機。這就是波蘭尼悖論。

為了解決這個問題，計算器科學家沒有試圖逆向設計人類智力，而是給人工智能開發了全新的思考方式——用數據思考。

微軟研究院（Microsoft Research）高級研究員卡魯阿納（Rich Caruana）說："你可能以為人工智能的原理是我們先了解人類，然後以同樣的方式構建人工智能，但事實並非如此。"他以飛機為例，我們早在詳細了解鳥類飛行原理之前就造出了飛機，使用的空氣動力學原理不一樣，但今天我們的飛機比任何動物都飛得更高更快。

與瑪德林一樣，許多人工智能主體都是"神經網絡"，它們通過分析大量數據，構建數學模型來學習。例如Facebook用大約400萬張照片來訓練人臉識別軟件DeepFace。DeepFace在標注為同一個人的不同圖像中尋找模式樣本，最終學會人臉匹配，成功率達97%。

類似DeepFace的人工智能機器是硅谷的明日之星，並且已經在駕車、語音識別、文字翻譯、標注照片等方面超過了其開發者，預計未來還將進軍包括醫療以及金融在內的眾多其他領域。

法則二：機器人新朋友並非絶對可靠，它們也會犯錯

然而這種依靠數據的思維方法也可能會犯下大錯，例如某人工神經網絡曾經把3D打印的烏龜認成了步槍。因為這個程序無法進行概念推理 ，不會想到"這個東西有鱗和殼所以可能是只烏龜"。相反，它們是根據模式思考——這個例子中是以像素為單位的視覺模式。因此，改變圖像中的某個像素，一個合理答案就可能演變成無稽之談。

而且它們也不具備工作中必不可少的常識，不能把已有知識運用到新情境中。

DeepMind人工智能就是一個經典案例。2015年時DeepMind獲令操作經典街機遊戲《乓》（Pong）並要取得高分。如你所想，它幾小時就擊敗了人類玩家，而且還開發了全新的獲勝方式。但是讓它再去玩類似的另一款遊戲《打磚塊》（Breakout），人工智能又得從零開始學起。

開發人工智能的遷移學習能力已經成為研究的一大領域，例如一個名為IMPALA的系統已能在30種情境下轉換所學得的知識。

法則三：機器人無法解釋自己的決定

人工智能的第二個問題是一個現代版波蘭尼悖論。我們並不完全清楚人腦的學習機制，因此我們讓人工智能用統計學家的方式來思考。諷刺的是，我們現在對人工智能如何思維也知之甚少，於是有了兩套未知系統。

這通常被稱為"黑匣子問題"——你知道輸入的數據，也知道得出的結果，但不知道眼前的盒子是怎麼得出結論的。卡魯阿納說，"我們現在有兩種不同的智能，但兩種我們都無法完全理解。"

人工神經網絡沒有語言能力，所以無法說明其所作所為及原因，而且跟所有人工智能一樣也沒有常識。

幾十年前，卡魯阿納將醫療數據輸入人工神經網絡，包括症狀及其後果，從而計算在任何一天患者的死亡風險有多大，讓醫生能夠採取預防措施。效果似乎不錯，直到有天晚上一位匹茲堡大學（University of Pittsburgh）的研究生發現了問題。他用一個更簡便的算法處理同一組數據，逐條研究神經網絡做診斷的邏輯，其中一條診斷是"如果你患有肺炎，那麼患哮喘對你是有好處的"。

卡魯阿納說，"我們去問醫生，他們說'這太糟糕了，你們需要修正'"。哮喘是引發肺炎的重要風險因素，因為二者都會影響肺部。人們永遠也不知道這個智能機器如何得出了哮喘對肺炎有益的結論。有種解釋是，有哮喘病史的患者一開始患肺炎，就會盡快去看醫生，這可能人為地提高了他們的存活率，因此人工智能就錯誤地認為有哮喘對肺炎是有幫助的結論。

隨著人工智能越來越廣泛地用於公益事業，許多業內專家也越來越擔心。今年，新的歐盟法規生效，授權個人可以解釋人工智能決策背後的邏輯。與此同時，美國軍方的研究機構國防部高級研究計劃局（Defense Advanced Research Projects Agency, Darpa）投入七千萬美金，以研究可解釋其行為的人工智能。

Darpa該項目負責人岡寧（David Gunning）說，"近來，系統的凖確度有了質的提高，但問題是這些系統太隱晦、太複雜，我們不知道它為什麼推薦某個東西，或是在遊戲裏做某個動作。"

法則四：機器人可能有偏見

人們越來越擔心一些人工智能的運作可能會偶爾藏有意識偏見，譬如性別歧視或種族歧視。例如最近有一款軟件用來評估犯人再次犯罪的可能性，它對黑人就雙倍的嚴苛。

這完全取決於人工智能受到怎樣的訓練，如果它們接收的數據無懈可擊，那它們的決定就很可能正確，但多數時候人的偏見已經夾在其中。谷歌翻譯裏就有很明顯的例子。一位研究員在去年出版的《傳媒》（Medium）雜誌中指出，如果在谷歌翻譯中把英文"他是位護士，她是位醫生"翻譯成匈牙利文再譯回英文，翻譯機給出的是相反的句子："她是位護士，他是位醫生"。

翻譯機接受了一萬億網頁內容的數據訓練，但它只能以尋找模式樣本來運算，譬如它發現的醫生以男性居多而護士以女性為主。

另一種可能出現偏見的原因是數學加權（數學計算中將參數比重加入計算稱之為加權）導致的。跟人一樣，人工智能也會對數據進行"加權"分析——看哪個參數更重要。某種算法可能認為郵政編號跟居民信用評分是有關係的（美國已有這樣的實例），這就會出現歧視少數族裔的計算結果，因為他們可能住在較貧窮的小區裏。

不僅僅是種族歧視和性別歧視的問題，還會有我們從未想到過的歧視。諾貝爾獎得主經濟學家卡內曼（Daniel Kahneman）窮其一生研究人類思維中的非理性偏見。他在2011年接受魔鬼經濟學（Freakonomics）博客訪問時，很好地解釋了這個問題。他說："本質上無論是人還是人工智能，經驗法則都會造成偏見，但人工智能的經驗法則未必與人的經驗一樣。"

機器人的時代即將到來，並將永遠改變未來的工作，但在它們變得更像人類之前，還需要我們守護在它們旁邊。令人難以置信的是，硅谷的同事似乎在這方面做得非常之出色。

（BBC）扎利亞·高威特 （Zaria Gorvett）