如果未来的工作会被人工智能取代，高考考高分又有什么用？

编者按：又是一年一度高考的日子，看看现在的行业发展，再回头看看高考，不禁负能量爆棚，人工智能已经可以取代很多工作了，高考多考几分又能有什么用呢？思来想去，能在高考中取得好成绩还是很有必要的，毕竟可以优先选择好的专业，未来从事那些不轻易被人工智能取代的工作。

“技术性失业威胁”，即由于自动化技术接手人类工作，对人类造成的失业威胁。在几十年前，我们就已经对之有所耳闻了。但最近，这一威胁似乎变得更加紧迫了。

财政部部长Steve Mnuchin在今年年初否定了“机器人将接手人类的工作，让人类失业”的说法，而科学技术界则以一系列的统计数据和图表作为回应，对Steve的这一评估进行了反驳和抨击。

如今，人工智能正逐步进入更多领域。人工智能的加入，预示着人类就业前景将面临一个前所未有的混乱局面。神经网络和机器学习算法——现代人工智能最重要的组成部分——能够比人类专家更好地完成工作。“人工智能革命”正迅速发展，未来人类将逐渐脱离某些工作，而现在正是我们对教育和经济基础设施进行改造的最佳时机。

“高德纳机器学习研究所”的副总裁Alex Linden表示：“当计算机开始能够听说读写后，自动化操作就会很大程度地受到重用。在真正的自动化实现之前，许多新技术都仍然需要几年的时间完善和发展。但是，对于一些非制造业领域的工作者来说，比如校对者、机器翻译专家和其他职业工作者，当然还是要警惕可能面临的失业威胁。”

别太担心，这种情况暂时只是针对个别职业。每一场工业革命都会带来劳动力的转移和调整，甚至是取代部分劳动力。人工智能的传播也将为人类的创造力和创新性提供新的机遇。

不断增长的技术人才需求

人工智能公司Inbenta的主控制师Joe Lobo介绍说：“人工智能能够在短期内最高效率地完成那些能够常规的重复性工作，不管是体力劳动还是认知型任务。这就意味着人类将能够专注于那些更具创造性、更有乐趣的工作和任务。”

“Narrative science”公司总裁Stuart Frankel表示：“科技从来都不是就业破坏者。现在的任意一家公司中，几乎所有技术型岗位在二十年前都是不存在的，十年前也不一定。”

实际上，与其说是机器霸占了人类的工作机会，不如说是缺少有能力的人来填补职位空缺。随着数据导向型企业的崛起，社会上对技术型人才的需求正全面增长。

举例来说：根据网络经济研究公司“Cybersecurity Ventures”2016年的报道，当年的网络安全失业率为零，而且实际上全球有超过一百万技术专家的职位空缺。类似的技术就业领域，比如软件开发和数据科学，也正处理着他们自身的人才缺失问题。随着人工智能不断进驻更多领域，技术型岗位的人才需求将会持续增长。

Lobo认为政府应该保证“编码”与英语、数学和科学处于同等重要的地位。如果能够做到这一点，那么我们就能将人工智能带来的机遇最大化。

近几年，部分政府主导的项目和私营部门的一些举措，在一定程度上都帮助满足了社会对技术型人才的需求。前任美国总统奥巴马的TechHire项目就是一个很好的例子。这个项目内包含了一亿美元的赠款，旨在让更多人进入科技行业就业，包括那些没有取得高等教育证书的人。

一些机构的“大型开放式网络课程”（MOOCs）也取得了极大的进展,比如“课程时代”和“大数据大学”，这些课程为劳动力免费提供了科学技能的在线教育。“编程训练营”——教计算机在短时间内完成编程的机构——现在也变得越来越火。同时，像AT&T公司这样的公司也正在组织培训课程，帮助他们的员工适应未来的就业环境。

伴随着人工智能发展节奏的不断加快，技术和专业技能的要求也将迅速改变。未来，就连软件开发也会发生变化，由简单的编码转变为人工智能算法训练。

 “人机互动”的革命

由于人工智能而失业的人大多都不具备从事技术型工作的能力和知识，而培训他们将花费相当长的时间。不过值得庆幸的是，人工智能已经开始从很多方面对教育进行革新，包括个性化教育以及优化学习体验。这就意味着我们学习一门新技术的时间将大大缩短。

Lobo指出：“人类将能以比以往任何时候都要快的速度，完成对其他行业的在培训，这样一来，他们就有最大的灵活性来应对就业市场的变化了。一个卡车司机也是能够在短短的几个月内转行进入编程行业的。”

人工智能将打破任务的复杂性，从而让更多人能快速掌握必备的知识和技能，尽量让他们在短时间内胜任那些需要多年教育和训练的工作岗位。

“自然语言处理”（NLP）和“自然语言生成”（NLG）是与理解和生成人类语言脚本相关的人工智能的分支。NLP和NLG正重新定义着我们与计算机互动交流的方式，为我们的工作扫除各项障碍，让我们更高效地完成工作。

Narrative Science的Frankel指出：“NLG是一项启动和增强的技术。当NLG与人类技能组合时，它就能够产生远超小组性能的结果。我认为Excel是NLG的一个很好的类比。当Lotus123和Excel首次出现时，很多人都在推测会计师和经济分析师将面临失业危机；但我们很快就发现，这些工具是不会取代会计和分析师的。事实上，有了这些工具，分析师变得更有能力，工作完成效率更高，更多的企业开始向这些‘超级分析师’伸出橄榄枝。”

“Narrative Science”公司将NLG整合至“商业智能平台”（BI），以为用户提供智能的叙述，并且把富有洞察力、会话式的交流与审计相关信息结合，将决策的分析和制定过程公之于众。Frankel指出：“这项技术正在帮助更多即使不具备专业技能（如数据科学）的人完成其工作。”

他进一步解释说：“这样就意味着那些技术知识储备较少的人，以及在任何技术水平的人都能使用这些“商业智能”（BI）工具来快速获取他们所需的信息，最终更好地完成他们的工作。”

另一方面，NLP则使人们能够更轻松地与分析工具和数据源进行互动。在一些类似“IBM Watson分析”的平台上，自然语言命令使查询数据源变得更加简单。那些具备了数学技能的人不再需要经过冗长的编程课程的培训，这无形中为他们进入数据科学行业扫除了障碍。

NLP还会将知识组织成为可由机器查询和使用的数据，帮助理清大量的非结构化知识，包括文章、书籍和白皮书。这将使得软件和服务器更高效地帮助人类专家完成学习和工作。

Alex Linden是“高德纳公司”的研究专家，他认为这一操作能够创建出更多有效的知识图谱——能够驱动人工智能引擎的结构松散的数据存储库。Alex指出：“AI或NLP能够建立一个真正的知识产业，但我们现在仍处于起步阶段。”

 补充和完善人类的能力

IBM最近为网络安全平台启动了“人工智能Watson”项目。Watson使用了机器学习算法对大量的结构化和非结构化的数据进行筛选。从数据的筛选中，它对反复出现的威胁已经有所了解了，所以它能够帮助安全分析员完成他们的工作。“IBM安全中心”副总裁Caleb Barlow认为Watson的角色就像是辅助医生工作的护士。而Watson的做法确实会让那些技术水平较低、经验较少的分析师，在处理安全问题时更加专业和熟练。

科技行业并不是人工智能补足人类能力、提供更多就业岗位的唯一领域。在同样长期缺乏专业劳动力的医疗和卫生保健领域，人工智能也能有所作为。神经网络和人工智能助理能够帮助人类更快速准确地完成疾病的检测、诊断和治疗，大大缩减了医生培训的时间，同时也让更多的人享受到医疗卫生服务。

“现在美国非常缺少专业的医生、护士和医师助理，而在发达国家之外的其他地方对医生的需求则更加严重和迫切。”Frankel说道。“你想想人工智能，它能接收大量的数据，并且对其进行分析，筛选出最重要的部分；它同时扩大了许多服务的可得性，这些服务原本是需要由广泛训练后的人员完成的。有了人工智能，人们能够更轻易地获取知识，因此将有更多的人有能力完成专业的工作。所以，按这样说的话，我认为人工智能实际上是创造了更多的就业机会。”

最终，人工智能的发展将会给除了科技相关领域外的其他行业带来更多的就业机会。数据科学作家和“LinkedIn学习”导师Doug Rose认为，他们的行业也需要掌握一些其他的技能。

Rose还表示：“过去的半个世纪对于计量领域来说绝对是个‘黄金时代’，工程师和数据科学家们已经建立了大量的公司，支配了整个就业市场。然而，人工智能所面临的一些关键性挑战跟软件大不相同。“建立更好的人类体验”将是其中最大的一项挑战。”

由于接手了越来越复杂的任务，人工智能现在面临了社会、道德以及政治方面的挑战。工程师们正试图解决一些全新的问题，比如创建无偏人工智能算法。

Rose说：“如今，人工智能是学者、工程师和软件开发员的‘天下’，但最终这个领域将需要人类掌握更多不同的技能。在未来，人工智能将需要人类具备强大的人文背景，更好的人类体验将来自于哲学、文化研究、修辞学、语言学和艺术。而这些领域的专家将成为弥合软件和人类物质需求之间的鸿沟的向导。”

Rose在他的一篇题为《谁将教会我们的机器辨清黑白对错？》的论文中对这个话题进行了详细的阐述。在文章中，他解释了人类学家、哲学家和文化专家存在的意义。

Inbenta公司为了确保他们能够为客户提供更高水平的服务，雇佣了一些语言学家来为其搜索引擎开发词典。

Inbenta的Lobo说：“通常情况下，主修语言学的学生大多都会进入教学或者翻译行业；但是有了人工智能以后，语言学就有了一个全新的就业前景。在接下来的几年时间，类似的工作岗位和就业机会将会不断出现。因此，其实很多人不需要担心他们所获得的技能会过时。”

在机器人完全接手人类工作之前，其实还有很多的工作岗位空缺。我们需要做的就是接受即将到来的改变，并且充实自己为之做好准备。

注：本文由「图普科技」编译，您可以关注微信公众号tuputech，体验基于深度学习的「图像识别」应用。

 【编译组出品】编辑：杨志芳