為什么AI沒能讓人類失業(yè)？
盡管人工智能已經(jīng)進(jìn)步了20年，但感覺大部分的辦公室工作都是由瑣碎的腦力勞動組成。我們應(yīng)該期望人工智能會像過去的機(jī)器自動化體力勞動一樣，將這些工作自動化。然而，實踐中仍然看到很多人在做著計算機(jī)應(yīng)該能做、卻實際上根本做不了的工作。為什么會這樣呢？作者試圖解答這個疑問。
我們聽了這么久有關(guān)「AI取代設(shè)計師」、「AI取代寫作者」、「AI取代畫家」、「AI取代司機(jī)」……的論調(diào)。然而時至今日，我們發(fā)現(xiàn)實際上，目前還沒有一個職業(yè)「真正」被取代。
AI并沒有被廣泛的應(yīng)用于企業(yè)中，很多我們覺得計算機(jī)能夠輕松搞定的工作，仍然需要人工去完成。例如翻閱一棟辦公樓的PDF文檔，并記下其中所包含的可出租單位的大小。
AI可以實現(xiàn)自動駕駛、可以處理海量數(shù)據(jù)、可以在最復(fù)雜的游戲中擊敗最厲害的職業(yè)選手，卻連這么一個簡單的事情都做不了？
數(shù)據(jù)科學(xué)家：缺乏數(shù)據(jù)和業(yè)務(wù)認(rèn)知導(dǎo)致AI無法做到「真正的」智能
住在倫敦的數(shù)學(xué)家、數(shù)據(jù)科學(xué)家Matthew Eric Bassett最近一直在思考一個問題：人工智能為何對企業(yè)無用？
他認(rèn)為，部分原因可能在于我們與計算機(jī)的交互方式。
計算機(jī)是基于一個需要明確、精確的指令來操作數(shù)據(jù)的架構(gòu)。即使我們的智能手機(jī)上有語音控制的虛擬助理，我們?nèi)匀煌ㄟ^給它們發(fā)出明確、精確（盡管是更高級別的）指令來與它們互動。人工智能算法可能看做是隱含地推斷出其中的許多指令。
也許在有了更高級別的編程語言之后，使用Excel來完成現(xiàn)代商業(yè)任務(wù)就像用機(jī)器代碼編寫軟件一樣。但他認(rèn)為目前面臨著兩個更直接的問題：一是缺乏數(shù)據(jù)，二是缺乏認(rèn)知。
今天的人工智能是由數(shù)據(jù)驅(qū)動的。而今天的大部分?jǐn)?shù)據(jù)都來自于互聯(lián)網(wǎng)：文字、圖片、視頻，以及我們與它們的交互。
如果一群軟件工程師想要創(chuàng)建一個模型，比如說可以識別圖片中的汽車的品牌和型號，他們可以從其他研究人員檢測圖片中的物體的預(yù)訓(xùn)練模型開始，然后通過訓(xùn)練一個僅包含汽車的較小的例子集來「頂上」，這就是所謂的遷移學(xué)習(xí)。
但目前還沒有一個現(xiàn)有的「文檔理解」模型，讓我們可以通過轉(zhuǎn)移學(xué)習(xí)來適應(yīng)我們的具體業(yè)務(wù)流程。構(gòu)成商業(yè)世界的excel電子表格、營銷手冊、法律合同等文檔，都隱藏在各個公司內(nèi)部的郵件收件箱和其他孤島中。開發(fā)者無法接觸到相關(guān)的文檔，也無法為其貼上合適的訓(xùn)練標(biāo)簽。
更重要的是，人工研究團(tuán)隊缺乏對具體的業(yè)務(wù)流程和任務(wù)的認(rèn)知。研究人員需要對所涉及的業(yè)務(wù)流程形成一種直覺。
我們還沒有在太多領(lǐng)域看到這種情況發(fā)生。大的成功案例發(fā)生在那些問題很容易被理解并且有很多公開的例子（機(jī)器翻譯），或者是有巨大投資回報率的承諾（自駕車汽車），或者是一家大公司任意決定向這個問題拋出足夠多的資源，直到他們能夠破解這個問題（AlphaGo）。
這意味著，當(dāng)研究人員能夠?qū)Ｗ⒂谝粋€特定的問題，并且能夠積累足夠的數(shù)據(jù)來訓(xùn)練一個可行的模型時，我們就可以期待人工智能在自動化業(yè)務(wù)流程方面取得成功。
成功的另一個標(biāo)準(zhǔn)是，人工智能的目標(biāo)應(yīng)該是增強(qiáng)參與流程的人的能力，而不是取代他們。
如果他們成功了，那么在這些行業(yè)工作的人就可以期望他們把更多的時間花在做有趣的、有創(chuàng)意的工作上，而不是把更多的時間花在做枯燥的、耗時的任務(wù)上。
目前企業(yè)所謂的「AI」只不過是一堆數(shù)學(xué)模型
在HackerNews上，一位在印度最大的科技型物流公司工作過的網(wǎng)友說，自己的公司確實依靠優(yōu)化以及解決問題，但都沒有涉及到AI，都是數(shù)學(xué)模型而不是黑匣子。
另一位曾在寶馬和大眾汽車公司工作過網(wǎng)友也提到同樣的問題。
他與企業(yè)合作伙伴一起領(lǐng)導(dǎo)了幾個項目，這些項目更多的是通過數(shù)學(xué)模型或者數(shù)據(jù)集進(jìn)行優(yōu)化。在她看來，這需要大量的數(shù)據(jù)分析和一些試錯，最終我們得到了一個有利的結(jié)果，而不是AI。
他在2017年負(fù)責(zé)寶馬最后一個項目，他提交的供應(yīng)鏈分析課程的提案得到了99.7%的高分。沒有任何AI能夠達(dá)到如此高的分?jǐn)?shù)，這完全依賴于他對整個業(yè)務(wù)的熟悉程度，以及基于人類的直覺。
他坦言AI總歸有一天能夠發(fā)揮作用，但目前并非如此，供應(yīng)鏈分析和物流領(lǐng)域這些年似乎也沒有什么變化。
企業(yè)沒有加入更多的「AI」成分，AI也沒有讓更多的人失業(yè)，讓人失業(yè)的是當(dāng)前的疫情。
親愛的網(wǎng)友，您怎么看？
