人工智能將給未來帶來哪些可能？你的工作會被取代嗎？

設想一下，給頭頂的電燈安裝上攝像頭和傳感器，這種“智能電燈”通過機器學習，能及時發現并提醒準備離開的你，“手機落在座位上啦”；醫院里的“智能電燈”也能檢測到房間里的病人有沒有摔倒，在病人需要用藥的時候，以最快的速度告知醫護人員……美國工程院院士、卡耐基梅隆大學計算機科學學院院長Tom Mitchell教授，在第一期上海人工智能大講堂上給現場聽眾這樣描述未來人工智能在日常中的應用。在他看來，人工智能的發展將給未來的生活帶來無限可能。

機器學習讓技術真正改變生活

“人工智能被持續關注，是不是已經過度發展？事實上，人工智能在一些領域已經取得不小的成果，這些技術進步在未來會改變社會的發展方向，應該經常回顧過去，展望未來。”回溯過去十年中人工智能取得的進展，Tom Mitchell教授指出，十年前的計算機視覺能力并不太好，識別簡單圖片中物體的能力也不高，但如今這個“盲人”已經“脫盲”，在物體識別方面的能力大大提高，能夠觀察并準確識別圖片中的物體。

除了計算機視覺能力不斷提高，未來生活中會出現越來越多具備智能的應用。而這些新的人工智能產品，將很大程度通過機器學習的訓練模型“學會思考”。比如，在機器學習的一步步教學下“學會”發送郵件，成為比蘋果手機智能助手Siri更加“智能”的手機助理。據Tom Mitchell教授所言，隨著時間的推移，人工智能的閱讀能力和知識都在不停地提高和增長，“我們在實驗中獲得一些經驗以及教訓是，必須讓機器從標記的數據中進行學習，還要優化語言的一致性，提高準確率。”

可以說，機器學習是一種基于算法的人工智能技術，這也是人工智能的開發者改變策略的結果開發者們不僅通過編寫計算機的程序，使得計算機能夠識別物體，而且對它進行訓練，教育機器進行自我學習。對于計算機來說，擁有了機器學習能力，意味著能夠在物體識別、游戲等方面取得進步。比如Tom Mitchell所描述的“智能電燈”，這種電燈成本低，可聯網，可與軟件兼容，能夠通過攝像頭捕捉到畫面，運用機器學習后的算法對圖片進行識別和分析，判斷出病人是否暈倒在地、是否有人把手機落在座位上等等行為，再通過傳感器，將分析到的情況給予反潰“機器學習和深度學習正在推進人工智能進入更多的新領域，當然，最終能有多成功還有待觀察，但這個趨勢鼓舞人心”

自動駕駛前路漫漫但仍可期待

自動駕駛，正在成為人工智能技術最具商業潛力和社會價值的應用之一。無論是傳統汽車廠商還是造車新勢力，無一不在布局自動駕駛。然而，伴隨著傷人事故頻發，盡管飽受追捧，自動駕駛汽車要想真正實踐和應用，依然前路漫漫。正如Uber資深研究科學家、哥倫比亞大學計算機科學系兼職教授Erran Li所言，自動駕駛的大部分問題已慢慢解決，但距離成功還有不小的距離。

麻省理工學院計算機科學和人工智能實驗室主任Daniela Rus教授，基于其在自動駕駛領域的研究認為，“盡管許多汽車制造商仍然認為自動化是駕駛的未來，然而，培訓這些自動駕駛系統非常困難，其中大多數需要使用來自預掃描區域的復雜數據在道路上反復訓練。”

據Daniela Rus介紹，目前麻省理工學院的研究人員正在開發一種能夠通過基于GPS的地圖自我學習的人工智能系統，它使用與人類相同的直覺學習方式，但也需要研究數據集，不過不是研究道路本身，而是研究人類如何在道路上行駛，如何獲取標志、結構和地圖的線索，使得一輛自動駕駛的汽車能夠在不同區域的計劃路線上，設法做出幾乎與人類完全相同的決策。

在她看來，了解人工智能是為了更好地了解自己，并創造機器來支持人類的認知和體力工作。自動駕駛技術無疑是在分擔人類的認知和體力的部分工作，如果能取得成功，將給人類生活帶來極大便利。同時，她也指出，“攝像頭如果安裝在無人駕駛的車輛上，光照太強烈可能什么都看不到”等等自動駕駛還未解決的問題。目前自動駕駛的錯誤率仍然太高，現在并不完全可靠，不能完全依賴基于攝像頭進行可靠的自動駕駛，這一點必須要改善。

取代醫生？人機合作而非簡單取代

隨著人工智能技術在各行業的應用越來越深入，不免有人擔心人工智能是否會取代一些職業，甚至會取代一些高技術含量的工作。

對于這個擔憂，Tom Mitchell和Daniela Rus提出了各自觀點。“機器的自動化和人工智能將在未來承擔更多工作，但大多數受影響的工作將部分實現自動化而不是完全消失。”Tom Mitchell如是說。

在發表于《美國經濟協會論文與會議錄》(American Economic Association Papers and Proceedings)的一篇論文中，研究者們深度分析了機器學習可以完成哪些特定任務不同于研究機器學習對特定工作的影響，研究者們通過涵蓋23個問題的標準來評估機器能否學會執行某一項任務，其試驗對象是美國900多個職業。研究結果顯示，幾乎每個職業中都有部分工作會受到機器學習的影響，但也有很多工作無法被機器取代。當然，這也意味著有一些職位受到的影響更大一些。

近年來，機器取代醫生進行診斷的情況成為社會各界關注的熱點。在Daniela Rus看來，醫生并不會被沃森機器人、達芬奇手術機器人等機器所取代，“人和機器共同合作，而不是取代。”她進一步解釋道，機器人具備多任務處理學習的能力，即研發者們使機器人能夠將很多變量因素一并考慮，從而提升系統預測的準確度，比如診斷和監測肺炎病人的病情惡化情況。除了肺炎本身的嚴重程度，還需要一并考慮病人的白細胞數量、是否曾經轉入ICU 治療等，通過這種方式來更好地診斷和預測病人肺炎惡化的幾率。“數據顯示，機器人診斷并分析病情的速度快，而醫生有智力，機器人有速度，人機合作的誤診率可降低80%。”

已有研究人員建議，可以利用人工智能可以完成高度自動化任務的特點，將這些工作從其他任務中分離出來，讓機器人可以做它們擅長的任務，而人力勞動可以被解放出來做更多機器學習不適合的工作，從而提高行業的整體工作效率。

可以說，人工智能與人類工作相結合是未來的趨勢，而不是簡單的職業取代和替換。