大风号出品
被人工智能全面碾压，人类思维真的有优越性吗？
作者：彭凯平教授，清华大学心理学系主任，国际积极心理学会中国理事。Google设计的人工智能机AlphaGo，与围棋世界冠军韩国围棋高手李世石决战5回，取得4胜1负的骄人战绩。无论是从布局、打劫、对杀还是最终的胜利，AlphaGo都表现出了超越人类棋手的能力。因此，有人认为：一个机器人的世纪已经来临。由此，各种阴谋论、末日论、崩溃论、人类悲观论、人类思维弱化论等言论也风生水起……显然，在很多方面，传统心理学所设定的人类智能的定义已经开始被人工智能所超越。无论是我们原先所认为的学习能力、记忆能力、判断能力、分析能力，还是我们人类曾经引以为豪的战略、博弈、决策、全局、运筹等思维能力，都已经慢慢被人工智能赶上来。这次是我们中国人曾经引以为豪的思维的最高境界——围棋大师们那出神入化、变化多端、神鬼莫测、令人羡慕的思维判断能力，在以现代科学技术为核心的人工智能突破面前显得非常脆弱与危险。那么，我们人类的思维还有什么值得骄傲的地方？是不是我们人类智能，终将被人工智能所取代？“期望人”
胜在展望未来其实，在三年前，积极心理学之父、美国宾州大学的心理学教授马丁·塞利格曼就曾经和我探讨过这个问题。他在第三届国际积极心理学大会上，就已经在一个主题演讲中把这个新的思想讲述得非常清楚。他认为，我们人不应该称自己为“智人（homo sapiens）”。也就说，我们人的特性和优势——并不是我们“学习知识、掌握知识、应用知识的能力”比其他物种强；现在的脑科学研究和积极心理学的研究发现，我们人类最优越的思维能力，可能并不是这些认知加工的能力，因为人工智能有可能在这些方面比我们人类做得更好。我们人独一无二的卓越智能可能是我们人类“计划未来、憧憬未来、想象未来，创造未来的能力”。准确的说，人应该被称为“期望人（homo prospecteos）”。什么是期望人（homo prospecteos）？从本质上来讲，是说我们人是憧憬未来的生物，我们无时不刻都在对未来进行加工、计划、想象和憧憬。现在的神经科学也已经发现，人类有一个特别卓越的神经网络，叫做“默认模式网络（Default Mode Network）”。虽然我们可能不熟悉“默认模式网络”这个术语，但它在我们做白日梦、想象未来或者发呆的时候，其实是特别活跃的。即使我们是在做一件需要我们的意识进行特别关注的事情时，我们的“默认模式网络”其实也在活动。而且还发现，这一网络的活动主要是与我们对未来信息的加工有很大的关系。机器再厉害
能说服人类吗？目前已有大量的证据发现，我们人并不是局限于过去的生物。也许我们想做的事情可能在很大程度上会受到过去的影响，但我们实际上所做的事情却与过去并没有太大的关系，反而是与我们对未来的期望密切相关。以前的社会达尔文主义、弗洛依德的理论和马克思主义的观点，都非常强调人类的现在和未来是受过去的限制和限定的——社会达尔文主义讲的是过去的演化对我们现在的影响；弗洛依德讲的是人类早期的经历对我们现在的影响；马克思主义讲的是过去的经济条件影响了我们现在的社会意识。但大量的人类行为的研究发现，我们人类的很多行为更大程度上是受到了我们未来的追求、理想、目标和憧憬的影响。现在也发现，精神分析所认为的早期儿童冲突，基本上是不能够预测成人的人格发展的。尤为重要的是，我们经常是通过去模拟、想象、计划、创造未来的各种可能性，来改变我们人的性格、生涯、前途和未来。假如人的行为受未来的期望更大一些，那么，人类思维的优越性也许不是它的认知和学习能力，而是它的期望和想象能力。人类的意识，很多时候是与憧憬未来的心理有很大的关系。所有的主观性，其实就是每个人对未来的想象不一样、意义不一样、价值不一样，所造成的分析判断不一样。所谓的自由意志，无非是我们期望、模拟、比较将来的各种可能性，然后在这些不同的可能性中做出选择。因此，心理学中自由意志的重要性，其实是建立在对各种不同可能性的期望之上的。我们还发现，人类的大脑，最大的作用并不是用来判断过去信息的对或错，而是如何去说服和影响别人。因此，我们积极心理学家认为，过去的图灵测试其实只是一个简单的测试；仅仅让我们人不能够判断出一个机器是人还是机器还远远不能够反映人工智能的最高境界和人的智能的最高境界。真正的图灵测试，是要看一个机器能不能说服我们人类去做一件事情。因而，积极心理学所认为的更好的图灵测试，是假定一个机器如果能够说服我们，那它就真正成为了人。因此，沟通、交流、表达、影响或者说服别人，是我们人类的伟大智能。我们现在甚至认为，很多的心理问题，都不是对过去问题的一种困扰和纠结，反而是对现在或未来的困扰和纠结。您是不是认为：现在的生活、现在的世界、现在的人生很没有意思？您是不是认为：未来的生活、未来的世界也同样没有意思？特别可怕的是：您还认为您没有任何能力去改变它——这才是各种心理问题的症结之所在。大数据的社交媒体研究也发现，这种时间倾向性，可能是我们人类最伟大的优越性，在某种程度上也许是机器学习未来需要发展的方向。我们的大数据的研究已经发现，越老的人，过去的时间观念越强，更想念过去；越是对生活满意幸福的人，未来的时间观念越强，越憧憬未来；越是有责任感的人，未来的时间观念也是更强；越是冲动的人，现在的时间观念反而更强。因此，一个人的时间观倾向性是指向自己的过去、现在还是未来，对于我们人的幸福感有很大的影响。真的创新
包括“计划、憧憬
和对其他人的说服”还有一个和我们人类憧憬未来的天性密切相关的领域，就是创新。什么是创新？创新并不是单纯的“求新”。求新是各种刺激的新异和不同，儿童在这方面是非常强的。但是，真正的创新一定是要有对听众和实用性的一种理解、追求和判断。说服别人接受你的思想是创新特别重要的一种技能，如果是单纯新异，但是却没有人喜欢、没有人接受、没有人使用的话，这样的新异性，不能够叫创新，而这恰恰是儿童做不到的事情。所以，我们经常讲，新异本身其实不算什么，真正的创新是包括了“某种程度的计划、憧憬和对其他人的说服”。我的研究团队今年发表的一个大数据的研究报告，就是发现，创新一定是“新异和有用”两者的结合，我把它叫做“联想的网络密度”。两者的结合越紧密，我们的创新越卓越。光有新异，没有价值，其实是没有意义的；光有实用性的价值，但没有新异，也是没有意义的。二者的结合才是伟大的创新。而其中的“实用性”就包括对未来反应的预期，未来市场的计划，未来价值的向往和憧憬，以及对其他人的说服。 因此，也许我们心理学家一开始就搞错了，我们人类最了不起的智能，并不是我们的学习、记忆、信息搜索、决策、判断或者加工能力。AlphaGo已经证明，我们人类在这些方面可能还不如深度学习后产生的人工智能。而深度学习的人工智能是根据过去的信息产生出的智慧；就像AlphaGo一样，它是记住并搜索了成千上万的人类围棋大师的棋局而做出的最佳判断。我们与其他生物，甚至是未来的人工智能，除了在情感、动机、沟通、影响、同情、理解等人性卓越的地方强很多之外，可能我们在认知和思维方面，也有超越人工智能的地方，这就是我们创造、想象、计划、出其不意、不守常规，或者为了感情和理想自我欺骗、诱惑，甚至毁灭。这些优势，有可能是未来棋手战胜AlphaGo这样的人工智能的不二法门。 科学总是让我们人类谦卑。我不知道，我所理解的人类的优势是不是有朝一日会被人工智能所超越。也许有一天，人类的智能和机器的智能会有机结合，真的产生如尼采所说的超人，这一天，会来吗？（编辑：游识猷）
……哦。呵呵。
本文来自大风号，仅代表大风号自媒体观点。
用微信扫描二维码
分享至好友
用微信扫描二维码
分享至朋友圈
凤凰争鸣微信号
来点暖心的！扫这里
互联网环球视野人工智能的核心技术
深度学习和人工神经网络是现代人工智能的
　　深度学习根源于传统的“神经网络”，“神经网络”可以追溯到20世纪五十年代后期。当时，弗兰克·罗森布拉特试图建立一种类似机械大脑的感知器，可以“感知，识别，记忆，像人的思维做出响应的机器”。在一定范围内这个系统能够识别一些基本的形状，如三角形和正方形。人们对它的潜力寄予厚望，甚至“New Yorker”宣称这种“这个卓越的机器能够思考。”
　　但是测验最终以失败告终，一本写于1969年由马文·明斯基和他的合作者西摩帕尔特一本书指出，罗森布拉特设计的原系统是非常有限制的，从字面上盲目进行一些简单的逻辑功能如“异或”（比如说你可以拥有蛋糕或馅饼，但不能同时兼有）。众所周知，“神经网络”的魅力很快消失了。
　　然而，在上世纪八十年代中期，当卡内基-梅隆大学的年轻教授杰夫·欣顿帮助构建更复杂的虚拟神经元网络，可以规避一些明斯基指出的难点，罗森布拉特的又一个想法再度出现。韩丁引入一个“隐藏层”的概念，“隐藏层”神经元允许新一代网络有更复杂的学习功能（原始感知器无法处理的类似的异或功能）。然而新的模型也有严重的问题。训练时间长，学习缓慢，效率低下，就像史蒂文·平克和我指出的，不能像孩子一样掌握一些基本的东西，比如学习规则动词的过去式。由19世纪九十年代晚期，神经网络又开始失宠。
　　然而，欣顿坚持不懈，在2006年做出了重大改进，提出深度学习，这个概念延续了我的同事Yann LeCu早期提出的重要概念，这个技术仍然谷歌，微软，和其他地方有所应用。实际上，深度学习（Deep Learning）就是现代人工智能的核心技术。谷歌、微软与百度是现代人工智能领域的“三巨头”。它们拥有海量数据以及DNN技术，比如：2012年11月，微软（中国）在天津的一次会议上公开演示了一个全自动的“同声传译”系统，讲演者用英文演讲，后台的计算机一气呵成，完成语音识别、英中机器翻译，以及中文语音合成，效果非常流畅。微软使用的就是深度神经网络技术。
机器学习和人工神经网络
　　在深入深度学习的实现过程之前，先介绍机器学习和人工神经网络的概念。
　　机器学习的一个非常通常的任务是这样的：给出了一个目标的信息，从而能够知道它属于哪个种类。在深度学习的过程中，程序想要决定在目前游戏状态下如何进行下一步动作。机器学习算法从例子中进行学习：给出了许多的目标例子和它们的种类，学习算法从中找出了那些能够鉴定某个种类的目标特征。学习算法会产生一个模型，能够在训练集中最小化错误分类率。这个模型之后会被用来预测那个未知目标的种类。
　　人工神经网络ANN（Artificial Neural Networks）是机器学习的一个算法。它是由人类的大脑结构产生的灵感。这个网络由许多节点组成，如同大脑由神经元组成，并且互相之间联系在一起，如同神经元之间通过神经突触和神经树联系在一起。对于每个神经元，都会对其应该传递的信号的情况做特殊规定。通过改变这些连接的强弱，可以使得这些网络计算更加快速。现在神经网络的结构通常由如下部分组成：
　　神经的输入层（获得目标的描述）
　　隐藏层（主要部分，在这些层中学习）
　　输出层（对于每个种类都一个神经节点，分数最高的一个节点就是预测的种类）
　　在学习过程结束之后，新的物体就能够送入这个网络，并且能够在输出层看到每个种类的分数。
　　在这个系统中，一个神经网络被用来期望在当前游戏状态下每种可能的动作所得到的反馈。下图给出了文章中所提到的神经网络。这个网络能够回答一个问题，比如“如果这么做会变得怎么样？”。网络的输入部分由最新的四幅游戏屏幕图像组成，这样这个网络不仅仅能够看到最后的部分，而且能够看到一些这个游戏是如何变化的。输入被经过三个后继的隐藏层，最终到输出层。
　　输出层对每个可能的动作都有一个节点，并且这些节点包含了所有动作可能得到的反馈。在其中，会得到最高期望分数的反馈会被用来执行下一步动作。
　　系统通过学习过程来计算最高期望分数。确切地说，在定义了网络的结构之后，剩下唯一会变化的就只有一件事：连接之间的强弱程度。学习过程就是调整这些方式地权重，从而使得通过这个网络的训练样例获得好的反馈。
　　文章将这个问题当作一个优化问题，目标是获取最好的反馈。可以通过将梯度下降与激励学习方法结合起来解决。这个网络不仅仅需要最大化当前的反馈，还需要考虑到将来的动作。这一点可以通过预测估计下一步的屏幕并且分析解决。用另一种方式讲，可以使用（当前反馈减去预测反馈）作为梯度下降的误差，同时会考虑下一幅图像的预测反馈。中国人工智能40年发展简史：存在十大问题六大机遇
楼主正文显示宽度
跟帖显示为
走自己的路，做自己的事。
本帖只代表的个人观点，不代表人民网观点。 如将本文用于其他媒体出版, 请与联系。举报
微信扫一扫分享本帖到朋友圈
微信扫一扫分享本帖到朋友圈
图文编辑模式
10:48:09&)
61984字(4187/3)
( 18:46:16)
259字(72/1)
( 18:58:33)
( 11:04:59)
152字(35/0)
请登录后继续操作....
强国社区-人民网为什么说持续学习才是AI的关键
翻译：无阻我飞扬
摘要：本文介绍了什么是持续学习，详细阐述了持续学习是人工智能发展的关键，以下是译文随着越来越多的公司开始在不同的环境中进行试验和部署机器学习，展望一下未来的系统是极好的。今天，典型的序列是收集数据，学习一些底层的结构，通过部署一种算法，系统地捕捉到你学过的东西。收集，准备，和丰富正确的数据 — 特别是训练数据 —这是必不可少的，应该说收集反馈数据仍然是想要使用机器学习公司的一大瓶颈。未来的人工智能系统将依赖于持续学习，而不是离线训练的算法。人类以这种方式学习，人工智能系统也将越来越有能力这样做。想象一下第一次前往一间办公室并且被障碍物绊倒。下一次你再去到那个地方 — 也许只是几分钟以后
— 你很可能就会知道要当心绊倒你的物体。有许多应用和场景具有相似探索性质的学习。设想一个Agent与环境相互作用的同时，为了完成一些指定的任务，努力学习采取什么样的行动，以及要避免哪些行为。我们已经看到了强化学习（RL）近期的一些应用。在RL中，目标是学习如何将观察和量度映射到一组动作上，同时试图最大化一些长期回馈。（RL这个术语经常用来描述一类问题和一组算法）虽然深度学习获得了更多的媒体关注，但在大家熟知的AI圈子里，有许多有趣的关于RL的新事态发展。研究人员最近将RL应用于，，，，，，以及。图1.强化学习包括学习将观察和量度映射到行动上。来源：Ben Lorica正如深度学习正在慢慢的一部分一样，类似的情况也正在持续学习上发生。但是为了让数据科学家参与进来，工具和算法都需要变得更容易被接受。这将需要一套新的工具和算法—不同于过去监督学习的工具和算法。持续学习需要一组工具，这些工具可以运行和分析大量涉及复杂计算图形的仿真模拟，理想情况下，应该有一个很低的延迟响应时间。图2.持续学习的典型工具集（或者“堆栈”）。来源：Ben Lorica.加州大学伯克利分校的一个团队最近发布了它补充了强化学习所需的其他部分。在像自动驾驶汽车这种复杂的应用中，涉及多种传感器和测量，因此，能够快速并行地探索和模拟运行将具有极大的优势。Ray允许用户运行带有一个Python API的并行模拟，这对于数据科学家来说更易用（Ray本身主要是由C++语言写的）。我在RL文章中写关于Ray的内容，是因为它通常是。Ray的创建者使其他人很容易使用Python在Ray上编写和运行自己的算法，包括常规的机器学习模型。为什么需要一个机器学习库，什么样的算法对持续学习重要？回想一下，在RL中，需要学习如何将观察和量度映射到一组动作上，同时试图最大化一些长期回馈。最近RL的成功案例主要使用基于梯度的深度学习，但是研究人员发现了。与监督学习不同，你是从训练数据和客观目标开始，在RL中仅有稀疏的反馈，因此像的技能，随着经典的而变得更有竞争力。还有其它，可能成为用于持续学习模型标准集合的一部分（例如，）。Ray的创建者正在收集一个库，这个库实现一组共同的RL算法，它通过一个简单Python API的函数变的更容易使用。大多数公司仍在学习如何使用和部署标准（离线）的机器学习，所以讨论持续学习可能是不成熟的。开始这场讨论的一个重要原因是，这些技术对于将AI带入到你的组织是必不可少的。与其他任何新的技术和方法一样，其出发点是确定用例，在这种情况下，持续学习可能比现有的离线方法更具有优势。我提供了一些例子，这些例子已经部署了RL或者研究取得了可喜的成果，但是这些例子可能与你的组织运作相去甚远。一组已经使用（推荐内容或评估产品）的公司可能很快会确认用例，并且成为早期的用户。用于开发的技术可能拓展到许多涉及扩张人力的应用领域（）。许多公司意识到，在大多数情况下，。好消息是许多AI初创公司正在他们的产品中构建持续学习。公司可能在不久的将来开始使用RL。相关资源：
没有更多推荐了，
加入CSDN，享受更精准的内容推荐，与500万程序员共同成长！人工智能注定会加剧不平等，可经济学家为什么还在为它站台_网易财经
人工智能注定会加剧不平等，可经济学家为什么还在为它站台
用微信扫码二维码
分享至好友和朋友圈
（原标题：人工智能注定会加剧不平等，可经济学家为什么还在为它站台）
“然而，正如我将在今天早上强调的那样：技术变革对劳动力的影响会被各种各样的制度体系调节，因此政策选择会对实际结果有很大的影响。”
译者注：美国白宫和纽约大学法律信息中心在 Google Open Research、研究院以及麦克阿基金的支持下，举办了一场主题为 AI Now: The Social and Economic Implications of Artificial Intelligence Technologies in the Near Term（进行时：人工智能技术近期的社会和经济影响）的讨论会（7 月 7日，纽约大学），讨论了人工智能技术对社会以及经济系统的近期影响。该讨论会重点关注未来 5 到 10 年我们将要面临的挑战，特别是以下几个主题：社会公平、劳动、医疗健康以及道德。来自产业界、学术界以及民间组织的代表分享了各自对技术设计、研究以及政策方向的看法。本文是美国经济顾问委员会主席 Jason Furman 在这次讨论会上所做讲话的扩充版。很多关于人工智能对经济影响的争论中心都是：这一次是否会不一样。一些乐观主义者认为人工智能与之前的技术没什么区别，几个世纪以来人们一直在担心机器会代替人类劳动，结果机器反而创造出了前所未想的工作，并且还提高了人们的收入，这证明这个担心是不靠谱的。其他一些人认为人工智能与众不同，因为它代替了认知工作，让很多人类劳动变得多余，在悲观主义者眼中这将导致大规模失业，而在乐观主义者眼中，人工智能会带来历史上无与伦比的自由和休闲时光。我想说，我看不出有什么理由让我相信人工智能将给经济带来的影响与之前的技术进步带来的经济影响有什么不同。但是和多数乐观主义者不同，我没发现这种相似性是完全令人欣慰的，因为近几十年的技术进步在带来了巨大好处的同时，也增加了、降低了劳动参与率。然而，正如我将在今天早上强调的那样：技术变革对劳动力的影响会被各种各样的制度体系调节，因此政策选择会对实际结果有很大的影响。人工智能本身并不会需要经济政策上的新范式，例如，支持者拥护用普遍基本收入（UBI）替换现有的社会保障制度。但是人工智能会加强我们应该已经采取的步骤，从而确保经济增长能被更加广泛地分享。但是在思考人工智能可能会带来的副作用之前，我想谈谈我对它的最大担心：我们还没有足够的人工智能。对于任何一个创新，我们前三个反映应该都是欢呼它，并问问自己怎么才能从它那里获得更多，这是我在发言中想讨论的第一个问题。但是我之后会讨论人工智能对劳动力市场的潜在负面影响。最后，我会总结一下公共政策在解决这些问题中所扮演的角色&& 帮助推动人工智能的同时确保更多的人能分享到它的好处，这两个目标最终是互补的。为什么我们需要更多人工智能？我有时会在与技术专家的对话之间感觉到进退两难&&经济学家总是担心测量出的生产率增长（productivity growth），而技术专家能看见发生在我们周围的变革。你可能不会惊讶于我在这个问题站在经济学家这边。在 31 个发达经济体中，已经有 30 个测量出生产率增长放缓，年平均增长率从 1994 年到 2004 年这十年间的 2%下降到 2004 年到 2014 年十年间的 1%。值得注意的是，如表 1 显示，在 G7 成员国中，美国的增长速度依然是最快的，但也从前十年的 2.3% 下降到后十年的 1.1 %。表 1 来源：大会委员会，Total Economy Database； 的计算有很多理由相信官方统计并没有抓住所有领域的生产率提升数据，所以 1.1%这个数字可能低估了美国 2004 年到 2014 年这十年的生产率增长情况。1994 年到 2004年的情况也可能被低估了，这十年见证了世界范围内的网络及网络搜索、电子商务、电子邮件和更多相关的网络应用的发明，更不要说手机的广泛普及和移动电子邮件的发明。最近的研究已证实几乎没有理由可以怀疑生产率增长的大幅度放缓，包括指出这个放缓已经存在于数据测量结果表现较好的行业（Byrne, Fernald, 和 Reinsdorft 2016; Syverson 2016）。生产率增长放缓产生了深远的后果，导致了实际工资增长更加缓慢，并增加了我们长期的财政挑战。今天的讨论不会涵盖生产率放缓的所有原因，但可以说疲软的商业投资是一部分问题，而创新的步伐似乎也在放缓。这看起来有点反直觉，因为包括在、人工智能、和更普遍的自动化在内的创新是那么让人兴奋。这些创新或许让人兴奋，但是相比住房、零售、教育和健康等其他经济部门，它们仍然只代表了我们生活中的一小部分。那就是说，经济领域的技术部分正在为生产率增长做出巨大的贡献。2015 年的一项 17 国的机器人调研发现，在 1993 年和 2007 年之间，机器人产业为这些国家的年 P 增长率平均贡献了 0.4 个百分点，占了这段时间内这些国家的
增长率十分之一以上 (Graetz 和 Michaels 2015)。此外，自 2010 年以来，世界范围内的工业机器人的出货量已大幅增加（见表 2），未来生产率可能会有更高的增长。表 2 来源: 机器人国际联合会(International Federation for Robotics), World Robotics 2015。与此相关，近年来人工智能及其在一系列不同领域中的应用有了巨大的进展。例如，许多公司都在使用人工智能来分析在线客户交易来检测和防止欺诈，同样，社交网站也正在使用它来检测用户帐户是否遭到了劫持。有了人工智能，网络搜索应用现在才变的更加精准&&例如校正手动输入错误 &&因此也降低了与搜索相关的成本。在放射科，医生必须能够检查出影像不正常的地方，人工智能卓越的图像处理技术可能很快就能提供更准确的图像分析了，从而扩展早期发现有害异常和减少误报的能力，最终实现更好的医疗护理。人工智能也正在进入公共部门。例如，只要能保证必须负责地使用以避免偏见，预测分析就能在改善刑事司法程序上有很大的潜力。北卡罗来纳州的 Charlotte-Mecklenburg 市正在使用预测分析来帮助为审前释放的决策提供信息，这得到了总统的「数据驱动司法倡议（Data Driven Justice Initiative）」的支持，这是一种为了减少累犯率和监狱人数的方法（White House 2016a）。尽管一些人相信人工智能能够移除决策中的偏见，但我们必须记住人类是不完美的&&带着自己的偏见编写了算法和随时间收集与分析了数据。正如总统行政办公室（2016）的报告「Big Risks, Big Opportunities: the Intersection of Big Data and Civil Rights（大风险、大机遇：大数据和公民权利的交集）」中提到的那样：对我们来说，重要的是认识和纠正过去的偏见影响未来的人工智能的方式。然而，虽然人工智能研究已经开展了几十年，但最近的进展仍然是非常新的，所以说人工智能并没有产生大的宏观经济效应，至少目前还没有。人工智能最新的重大进展是在深度学习领域，这是一种强大的方法，但必须以自定义的方式应用于每种应用。下面我将作一点预测，值得注意的是，深度学习的最新进展建立在大学实验室的神经网络研究基础上，这些研究很大程度上是由国防部高级研究项目局（DARPA）和其它政府机构于上世纪八十年代到九十年代之间资助的。尽管我们最近在诸如逻辑推理等人工智能的其它领域没有取得太多进展，但深度学习技术的进步至少最终可作为这些其它领域的部分替代。虽然人工智能在许多方面比人类有优势，但人类仍然在涉及社会智力、创造力和一般智力的任务上保持着相当大的优势。例如，今天的人工智能可以做出很不错的翻译，但却不能像人类那样同时运用语言和社会与文化背景这两种知识，也无法体会作者的论点、情感状态和意图。即使是最受欢迎的机器翻译也仍然无法达到人类译者的准确度。在过去的十年里，我们在机器人、人工智能和其他领域取得了实质性的创新。但在这些领域，我们还需要更快的创新步伐，才能真正推动生产率增长向前迈进。对于 Robert Gordon&s （2016）自信的悲观预测或 Erik Brynjolfsson 和 Andrew Mcafee&s (2014)自信的乐观观点，我都不同意，因为过去的生产率增长是如此地难以预测。有一些证据给了我些许安慰，主要的新发明（如电力）已经连续波动地促进了生产率增长，这一模式可能会在未来重复（Syverson 2013）。更重要的是，比无休止地争论生产率增长的未来更有趣而且更重要的是：对于生产率增长我们可以做什么；这个问题的趣味性和重要性更低，我将在最后一部分讨论的这个问题。历史上的创新有时会增加社会不平等，而且已有迹象表明人工智能更是毫无例外发达经济体在过去三个世纪中见证了太多的创新奇迹。18 世纪的大多数工作如今已经都已经不存在了，它们被超乎人类之前想象的新工作取代了。结果，在很长一段时间里，纵然科技瞬息万变，但是生活在美国的、想在一定时间内及时找到工作的人，大约 95% 都能找到工作。尽管就业市场不像经济学教科书上小麦等商品的程式化模型（stylized models）那样运转，但在多种参数内进行的供需基本运作是确保每个想找工作的人都能找到工作的机制。但是，为了实现这点，需要调整工资让供应与需求平衡。在最近几十年，工资调整的趋势是：相较于高技术劳工，低技术劳工的工资大幅下降。从 1975 年到 2014 年，高中学历工作者发现他们的相对薪水从高于大学学历全职工作者薪水的 80%，下降到不到大学学历全职工作者薪水的 60% (CEA 2016b) 。我的担忧不是当我们谈及人工智能时，它带来的影响与以往有什么不同，而是这次可能和我们过去几十年遭遇的问题是相同的。关于我们不需要担忧机器人取代人类工作的传统论据仍然让我们担心：我们仍然拥有工作的唯一原因是我们愿意为更低的工资而工作。Carl Frey 和 Michael Osbourne (2013) 的报告显示，自动化浪潮加剧了社会不平等。Frey 和 Osbourne 的重磅调查结果是：在美国，大约 50% 的工作正处于被自动化技术取代的危机中。这一估算数据引发了一场热论 ，比如，经济合作与发展组织(OECD) 研究者们 (Arntz and Zierahn 2016) 估算出只有 9% 的工作面临着被自动化技术取代的危险。但是，让我们忽略围绕这一调查结果的争论，而是将 Frey 和 Osbourne 的报告看成是合理的，但是对哪些工作将面临科技革新压力的猜测是高度不确定的。在经济顾问委员会 ( Council of Economic Advisers) ，我们按薪资给工作排序，根据 Frey 和 Osbourne 的分析，我们发现 83% 的时薪低于 20 美元的工作将承受自动化技术的压力，而 31% 的时薪 20 到 40 美元的工作以及 4% 的时薪超过 40 美元的工作也将承受那样的压力（见图 3 ）。表 3 来源：不同时薪（中值）工作被自动化的概率，Frey 和 Osborne (2013)；CEA 计算即使这份统计报告中的确切数字有点过时了，其中三类工作的相对值也还是巨大的。工资和技能在某种程度上是相关联的，这意味着公司对低技术工作的需求量会大量减少，而对高技能工作的需求量则几乎不会减少。这种结果表明自动化对就业市场的影响发生了转变。在过去，自动化技术导致了所谓的就业市场两极分化，因为需要中等技能水平的工作&&包括出纳员、文员和某些流水线员工&&更容易被程序化，然而，最近两极分化的过程似乎中断了 (Autor 2014; Schmitt, Schierholz, and Mishel 2013) 。高技术工作需要问题解决能力、直觉和创造力，低技术工作需要环境适应能力和当面沟通能力，它们都不能轻易程序化。如果有什么不同的话，就是新的发展趋势将给收入不平等施加更多压力。我们已经能看到这样一些自动化服务了&&例如，我们购物时，不是在收银员那里付账而是在自动结账台那里付钱，或者，当我们呼叫售后服务热线时，我们是与自动化客服代表对话。不过，认为不平等纯粹是科技进步的作用是错误的。相对工资确实部分依赖于对劳动力的需求量，这是技术部分作用的结果。可是，它们还依赖于不同技术水平劳动力的供应量&&即受教育程度的分布情况 (Goldin 和 Katz, 2008) &&而且还依赖于影响工资结构的制度安排，例如劳资谈判 (Western 和 Rosenfeld, 2011) 。科技不能完全说成是人类命运。许多国家和美国一样经历了科技变革，然而在最近四十年里，美国比其它主要经济体产生了更严重的收入不平等问题和更高的总体不平等水平，表 4 呈现了这一点。当谈及不平等&&正如我将向更大的就业市场强调的那样&&制度和政策可以帮助决定科技变革是否以及在何种程度上塑造经济发展成果。表 4 来源：世界财富和收入数据库 (World Wealth and Income Database)劳动参与率长期下降激发了对人工智能潜在影响的忧虑此外，一种观点认为我们能以巨大的不平等为代价避免大规模失业，而美国就业市场过去半个世纪的遭遇对这种乐观态度提出了质疑。 25 到 54 岁的男性劳动者的劳动参与率从 20 世纪 50 年代的 98% 降低至如今的 88% ，这一事实对良好经济状态下全民就业的信心提出了关键的疑问。经济顾问委员会在最近一份报告 (2016b) 中详尽讨论到：劳动参与率的下降主要集中在高中或更低学历的男性中，同时发生的还有相对工资的下降。这意味着，这一群体的劳动参与率的降低表明劳动力需求量减少了，导致针对低技能劳动力的工作机会变得更少，而且工资也变得更低。包括自动化应用在内的越来越多的技术进步可能部分地解释了公司对低技术劳动力的需求的下降，而全球化也可能对此有所促进。这里我主要关注黄金年龄男性，因为我认为在过去六十年，这类人的经历能用来与科技变革对男性和女性劳动力参与度的未来影响作进行最好的平行比较。在 20 世纪后半叶，黄金年龄女性的工作参与度骤然升高，因为二战后的社会和文化变革遮盖了科技变革对工作参与度的所有负面影响。不过，值得注意的是，黄金年龄女性的工作参与度最近十五年下降了，这与黄金年龄男性的早期经历类似。我们的担忧不是机器人将取代人类的工作而致使人类失业。传统经济学的论点被几个世纪来经验证实了。我们关注的是人员周转的过程，也就是被科技夺取工作的工作者找到新工作的过程，因为科技引发了消费者新的需求，并因而会创造新的工作；不过这个过程中大部分人员可能将长期处于离职状态。传统经济学观点在很大程度上论述的是长期平衡，而不是中短期内会发生什么。劳动参与率的下跌预示着我们必须仔细思考在经济走向长期平衡过程中的短期动态变化。从短期来看， 不是所有工作者都能通过训练或有能力找到由人工智能创造的工作。另外，这里的「短期」（它是用来描述经济相较于平衡状态所处的位置，而不是描述时间长度）可能长达十年，事实上，从更长远来看，经济可能会处在一系列「短期状态」中。结果，人工智能有可能&&就和我们过去几十年见过的其它创新一样&&导致劳动参与率和就业率的进一步衰落。这不意味着我们必然将看到大量工作被机器人占领，但是黄金年龄男性的劳动参与率每年下降约 0.2% 的趋势仍在继续，这将对数百万人和整个经济带来实质性的问题。然而，就社会不平等而言，我们不应该将这理解为技术决定论（technological determinism）。虽然大多数发达经济体都面临黄金年龄男性劳动参与率下降的问题，但是美国在这方面的下降几乎是最急剧的，表 5 显示了具体数据。其部分原因可能是美国劳动力市场制度比其他国家的更不支持劳动人口的参与(CEA 2016b)。图 5：经合组织（OECD）各个国家中，黄金年龄男性劳动力就业参与率没有理由认为，在科技和生产力比当今水平更高的未来，经济不能带来多个实质性水平上的就业。然而，关键是我们的劳动力市场制度如何应对这些变化，帮助、支持新职位的创造，并且成功地将新职位与劳动力匹配上。近期的一份 CEA 报告广泛讨论了总统按照这些原则提议的一些政策，内容包括扩大总需求、增加劳动力市场中的连接组织、税制改革从而鼓励工作、为工人创造更大的适应性（CEA 2016b）。其他应对政策包括加强教育与训练，这样更多的人有了补充技能，并且能从创新中获益；增加税收系统的累进度从而保证每个人都能分享到整体经济收益；还要增强机构对更高薪资水平的支持，包括更高的最低工资、更强有力的劳资谈判（collective barganing）以及其他形式的工人发言权（Furman 2016a）。用普遍基本收入（Universal Basic Income ）取代现行安全网络（Current Safety Net）可能适得其反出于害怕自动化和人工智能导致大量工作会被取代（当然，还有其他动机），有些人提议深度变革政府援助结构。一个更常见的提议是，用普遍基本收入（UBI）取代如今部分或全部的社会安全网络：为每一个美国男人、女人、孩子提供一个规律性的、无条件的现金补助，而不是，比如贫困家庭临时援助（Temporary Assistance to Needy Families, TANF），美国补充营养协助计划（SNAP）或者是医疗补助计划（Medicaid）。虽然各种 UBI 构想存在差别，但是，右派 Charles Murray （2006）和左派由 Andy Stern 和 Lee Kravitz （2016）提出的思路已经成为了一些技术专家未来政策视野的主要部分（Rhodes, Krisiloff, and Altman 2016）。不同的提议有不同的动机，比如真实存在的、以及感知到的如今社会安全网络的缺陷，对更简单却更高效系统的信赖，以及出于这样一个前提：为了更广泛应对由人工智能和自动化所带来的改变而需要变革我们政策。主要问题不是自动化将引发大量的人口失业。而是，工人将会既缺乏技能又缺乏能力，无法成功与自动化创造出的好的、高薪资工作匹配。虽然一个市场经济会做大量工作将工人与新工作进行匹配，但它做起来不总是很成功，就像我们过去半个世纪看到的那样。我们不应该以放弃工人保留工作的可能性为前提，发展一项政策。相反，我们的目标应该是以培养技能、训练、工作搜索协助以及其他劳动市场机构、保证人们走进工作为首位，这是主要工作，也比 UBI 更能直接解决由人工智能引发的就业问题。然而，即使会带来这些变革，新技术还会通过薪资分布变化加剧不平等，甚至可能导致贫困。因此，用 UBI 替代我们现在的扶贫项目，从任何实际设计来讲，只会使收入分布更差而非更好。我们的税收和转让制度，大部分是针对低收入分布人群，也就是说，它是为了减轻贫困以及收入不平等。使用一个普遍的资金补助取代该制度的部分或全部，意味着这个系统中相对较少的部分才是针对社会底层民众的&&实际上，这是在增加（而非减少）收入不平等。除非一个人愿意接受税收收入占据更大的经济份额（比当前份额更大），否则，既给所有人提供一个共同的金钱数量，又确保这一数量完全可以满足最贫困家庭的需求，这很难做到。对于任何一个想对保障网络进行额外投资的人&& 总统也已经提议过多次这样的投资 & 他必须面对同样的目标问题。最终，一些 UBI 的动机与未来技术发展无一点关系。相反，一些 UBI 支持者已经提出了这种主张：它应该比如今的社会援助系统更简单、更公平，也有更少扭曲。这里不是具体展开这一讨论的地方，不过，我们可以说，今天的系统应当加以改善，而且总统也提议了一些社会援助系统的改善意见（OMB 2016）。但同时，最近研究发现，对这些项目的共同批判当中&&比如，不能鼓励就业，或者对减少贫困无用&&已被过分夸大，而且一些项目，包括营养援助、医疗补助以及所得税减免（EITC），对长期收益、受援助家庭的儿童健康与教育都很有好处。这并不是说，我们不应该促进税收与流转制度的进步，而是说，我们需要将追求与可用的国家收入相匹配，在我们社会安全网络已有的成功上进行搭建。【钛媒体作者介绍：编译：机器之心】更多新鲜观点，关注钛媒体微信号：钛媒体（ID：taimeiti）
本文来源：钛媒体
责任编辑：王晓易_NE0011
用微信扫码二维码
分享至好友和朋友圈
加载更多新闻
热门产品:　　　
:　　　　　　　　
:　　　　　　　　　
热门影院：
阅读下一篇
用微信扫描二维码
分享至好友和朋友圈