2016年伊始，基于移動互聯(lián)網(wǎng)和新興科技的各種創(chuàng)新與新模式，已經(jīng)向我們撲面而來。新媒體的發(fā)展進(jìn)入3.0階段，共享經(jīng)濟(jì)逐漸成為生活常態(tài)，人工智能也已經(jīng)徹底脫離科幻，與現(xiàn)實生活的關(guān)系日益緊密。在這樣一個大變局時代，談?wù)摦?dāng)下已略顯乏味，我們何不談?wù)勎磥?？未來的媒體“長什么樣”？人工智能將如何挑戰(zhàn)社會管理？下一個“殺手級”的新科技是什么？對此，思客特別推出系列未來報道，關(guān)注互聯(lián)網(wǎng)與新科技帶來的社會變革。

　　近日，斯坦福大學(xué)的Michael Webb就他所研究的人工智能及相關(guān)領(lǐng)域接受了采訪，本文根據(jù)采訪實錄整理。 

近期人工智能領(lǐng)域的進(jìn)展，體現(xiàn)在哪幾個方面？

 　　其中一個令人異常興奮的經(jīng)典算法就是卷積神經(jīng)網(wǎng)絡(luò)。這些非常復(fù)雜的算法在近幾年給計算機(jī)的能力帶來了巨大提升，可以讓計算機(jī)去做更多的事情，讓它們可以看、聽、甚至是翻譯，在某些領(lǐng)域已經(jīng)達(dá)到甚至超過了人類水平。

　　因此，目前計算機(jī)基本具有了“看”的能力。例如，如果我交給它一張圖片——一堆像素——同時它擁有正確的訓(xùn)練過的算法，它就能看懂圖片并加上標(biāo)簽。這在兩年前根本是不可能的，而今天這個問題解決了。

　　計算機(jī)還能“聽”和“理解”。和計算機(jī)視覺領(lǐng)域一樣，語音識別也同樣取得了進(jìn)展。這些進(jìn)展目前還沒有完全體現(xiàn)在Siri和Google Voice上，但你或許會發(fā)現(xiàn)Siri或者微軟的Cortana已經(jīng)比十幾年前好了太多。請記住，這些東西還完全沒有達(dá)到人類水平，但它們正朝著那個方向前進(jìn)，并且將很快到達(dá)那里。

　　近期，我們也看到了機(jī)器人領(lǐng)域的巨大進(jìn)步。對于機(jī)器人來說，困難在于讓它“看懂”和“理解”它所在的世界，然后再與這個世界進(jìn)行交互。結(jié)果表明，機(jī)器人行走是一個難題。我們近期看到了在讓機(jī)器人“看見”這方面取得的巨大突破，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用在機(jī)器人視覺上，然后將它們與那些能夠訓(xùn)練機(jī)器人有效行走的算法結(jié)合起來，從而使機(jī)器人能夠去做一些人類要求的事情。

　　例如，近期有一個具備了不可思議學(xué)習(xí)能力的機(jī)器人。如果你交給它一本某品牌咖啡機(jī)的使用手冊，它能夠從手冊中學(xué)習(xí)到很多東西，當(dāng)你把一個不同的咖啡機(jī)排在它面前時，它已經(jīng)能夠?qū)W會這臺新咖啡機(jī)的工作原理，然后就可以使用這個全新咖啡機(jī)幫你做一杯濃縮咖啡。

　　更酷的事情在于，一旦你將這些機(jī)器人釋放到真實世界，它們能夠全部連接到一個統(tǒng)一的“云引擎”，這里保存著所有接入機(jī)器人的“主算法”。這意味著外面任何一個機(jī)器人所做的事情和學(xué)習(xí)的東西，都會立即傳給中央引擎，然后其他機(jī)器人都會在第一時間學(xué)習(xí)到這些經(jīng)驗。因此，這些機(jī)器人不僅能夠各自學(xué)習(xí)，還擁有一個能夠從所有機(jī)器人中進(jìn)行學(xué)習(xí)的超級大腦。這必將使整個系統(tǒng)的學(xué)習(xí)速度實現(xiàn)指數(shù)級提升。 

“技術(shù)性失業(yè)”帶來哪些歷史教訓(xùn)？

 　　歷史經(jīng)驗告訴我們，科技革命有時和失業(yè)、社會化抵制緊密聯(lián)系在一起，這種事情已經(jīng)不是第一次發(fā)生了。從第一個工業(yè)革命開始，人們發(fā)明了取代大量勞動力的機(jī)器。但在每次變革中，在一定時期的錯位和產(chǎn)業(yè)轉(zhuǎn)型之后，對于那些相同的勞動力，就會出現(xiàn)新的機(jī)會，并且他們會變得更有效率。因此，歷史經(jīng)驗的第一課就是，我們非常擅長為過去的勞動力尋找新機(jī)會。

　　第二點是關(guān)于伴隨著人工智能所出現(xiàn)的擔(dān)憂。這類似于19世紀(jì)大家對蒸汽動力的討論和對其波及范圍的擔(dān)憂。這一次也許有些不一樣，因為現(xiàn)在的機(jī)器更加智能，更加接近人。但我們在歷史上也遇到過類似情況。我最近做了許多關(guān)于歷史研究，如果我們看一下19世紀(jì)60年代，就會發(fā)現(xiàn)當(dāng)時就有很多和我們今天相同的擔(dān)憂。

　　因此，有人會問什么原因使當(dāng)今與歷史產(chǎn)生了不同。在上世紀(jì)60年代就存在這些技術(shù)進(jìn)步，機(jī)器能夠完成一些令人印象深刻的任務(wù)。但當(dāng)涉及到一些認(rèn)知任務(wù)時，那些機(jī)器所擅長的是處理一些經(jīng)過預(yù)先手工編程的任務(wù)，或者進(jìn)行一些預(yù)設(shè)程序的計算，它們實際上不是在學(xué)習(xí)東西。

　　因此，如果你想要去訓(xùn)練一臺機(jī)器來識別銀行交易中的詐騙交易，你必須預(yù)先準(zhǔn)確的告訴它所需要查找的內(nèi)容。而今天的區(qū)別在于，你完全不需要這么做了。你所做的一切就是將一些標(biāo)記上“欺騙性的”和“非欺騙的”數(shù)據(jù)交給計算機(jī)，然后機(jī)器依靠算法就能學(xué)會應(yīng)該去查找哪些內(nèi)容，然后告訴你是否存在欺詐行為。這就是今天本質(zhì)的不同。 

未來5-10年，智能化軟件會取代人類工作嗎？

 　　有個粗略的答案就是，這毫無疑問將會對經(jīng)濟(jì)產(chǎn)生重大影響。但很難精確地說誰將獲益，誰將受損，以及這個過程（取代人類勞動力的過程）將以何種方式，按照何種順序，遵循那種時間框架進(jìn)行下去。

　　誠然，關(guān)于人工智能的進(jìn)步如何付諸行業(yè)應(yīng)用，以及按照何種速度進(jìn)行應(yīng)用等，依然存在很多問題。有些問題是關(guān)于人類勞動力被取代的程度。例如，是否造成了有些勞動力過剩并使他們再也找不到其他工作？如果是這樣的話，工會是否會組織一場“抗?fàn)帯眮淼挚惯@種現(xiàn)象，他們會成功嗎？哪些公司能想象得出，要如何重置生產(chǎn)流程以充分利用這些新技術(shù)，然后利用風(fēng)險偏好和資金渠道，切實實現(xiàn)這一重置？政府——我們的政策制定者——會參與其中，試圖放緩或?qū)嶋H上加速這一過程，讓特定階層更加受益嗎？

　　確切的答案是我們不知道。我們現(xiàn)在能做的事情就是觀察歷史上的特定判例，然后嘗試著發(fā)現(xiàn)其中的異同。我們能做一些在一定程度上可信的建模演練，建立經(jīng)濟(jì)模型，希望從擁有的現(xiàn)實世界的數(shù)據(jù)中獲取盡可能多的信息，然后借助這些模型來理解技術(shù)自動化取代工作所造成的影響。 

人工智能會對中產(chǎn)階層產(chǎn)生哪些影響？

 　　有人說，如果將人工智能的發(fā)展過程看成是一條連續(xù)的曲線，技術(shù)未來將取代人類的大部分工作內(nèi)容。在那種情況下，有觀點認(rèn)為很多財富可能會被重新分配給全球范圍內(nèi)的上層人群中：資本從更大的中產(chǎn)階級中逃離出來并集中在少數(shù)人手中。對無技能勞動力的需求會上升，因為用自動化技術(shù)取代他們在經(jīng)濟(jì)上不劃算。因此，全球財富將出現(xiàn)兩極分化。

　　對此，我的看法是，在最近的20年或者30年，高技能工作的工資和就業(yè)率出現(xiàn)了巨大增長，低技能工作的工資和就業(yè)率也出現(xiàn)了增長。而處在中間的群體仿佛被掏空了，就業(yè)率出現(xiàn)了下降。盡管他們的工資也有所增長，但是與就業(yè)譜系中的上層和下層相比，差得很遠(yuǎn)。

　　我們依然不知道這個原因是什么。我們知道，有一個確定的因素是服務(wù)相關(guān)職業(yè)的崛起，這解釋了一大部分，但并不能解釋全部。現(xiàn)在，我們并不知道，其中有多大比例是由于自動化引起的，有多少是由于外包和其他因素引起的。

　　展望未來，這種空心的趨勢是否會繼續(xù)發(fā)展，取決于導(dǎo)致它的原因是否會繼續(xù)存在。很肯定的事，隨著新的機(jī)器學(xué)習(xí)算法被用在自動化中，用來取代人類勞動，而非增強(qiáng)人類的勞動能力，那么這些算法帶來的大部分收益很可能進(jìn)入資本所有者以及提供這些算法服務(wù)的人的腰包里。這將導(dǎo)致失業(yè)率上升，社會不均惡化等——如果沒有相應(yīng)的政策法規(guī)進(jìn)行干預(yù)的話。

　　但是，為什么算法會取代人，而不是增強(qiáng)人呢？技術(shù)史的大部分，包括最近，創(chuàng)新都會讓人類變得效率更高，而不會取代人類的工作。也有可能，這些算法最終將通過增強(qiáng)人類的能力，從而增加工資和就業(yè)率。這很難說。