导读：近日，斯坦福大学的Michael Webb就他所研究的人工智能及相关领域接受了采访，本文根据采访实录整理。
近期人工智能领域的进展，体现在哪几个方面？
其中一个令人异常兴奋的经典算法就是卷积神经网络。这些非常复杂的算法在近几年给计算机的能力带来了巨大提升，可以让计算机去做更多的事情，让它们可以看、听、甚至是翻译，在某些领域已经达到甚至超过了人类水平。
因此，目前计算机基本具有了“看”的能力。例如，如果我交给它一张图片——一堆像素——同时它拥有正确的训练过的算法，它就能看懂图片并加上标签。这在两年前根本是不可能的，而今天这个问题解决了。
计算机还能“听”和“理解”。和计算机视觉领域一样，语音识别也同样取得了进展。这些进展目前还没有完全体现在Siri和Google Voice上，但你或许会发现Siri或者微软的Cortana已经比十几年前好了太多。请记住，这些东西还完全没有达到人类水平，但它们正朝着那个方向前进，并且将很快到达那里。
近期，我们也看到了机器人领域的巨大进步。对于机器人来说，困难在于让它“看懂”和“理解”它所在的世界，然后再与这个世界进行交互。结果表明，机器人行走是一个难题。我们近期看到了在让机器人“看见”这方面取得的巨大突破，将卷积神经网络应用在机器人视觉上，然后将它们与那些能够训练机器人有效行走的算法结合起来，从而使机器人能够去做一些人类要求的事情。
例如，近期有一个具备了不可思议学习能力的机器人。如果你交给它一本某品牌咖啡机的使用手册，它能够从手册中学习到很多东西，当你把一个不同的咖啡机排在它面前时，它已经能够学会这台新咖啡机的工作原理，然后就可以使用这个全新咖啡机帮你做一杯浓缩咖啡。
更酷的事情在于，一旦你将这些机器人释放到真实世界，它们能够全部连接到一个统一的“云引擎”，这里保存着所有接入机器人的“主算法”。这意味着外面任何一个机器人所做的事情和学习的东西，都会立即传给中央引擎，然后其他机器人都会在第一时间学习到这些经验。因此，这些机器人不仅能够各自学习，还拥有一个能够从所有机器人中进行学习的超级大脑。这必将使整个系统的学习速度实现指数级提升。
“技术性失业”带来哪些历史教训？
历史经验告诉我们，科技革命有时和失业、社会化抵制紧密联系在一起，这种事情已经不是第一次发生了。从第一个工业革命开始，人们发明了取代大量劳动力的机器。但在每次变革中，在一定时期的错位和产业转型之后，对于那些相同的劳动力，就会出现新的机会，并且他们会变得更有效率。因此，历史经验的第一课就是，我们非常擅长为过去的劳动力寻找新机会。
第二点是关于伴随着人工智能所出现的担忧。这类似于19世纪大家对蒸汽动力的讨论和对其波及范围的担忧。这一次也许有些不一样，因为现在的机器更加智能，更加接近人。但我们在历史上也遇到过类似情况。我最近做了许多关于历史研究，如果我们看一下19世纪60年代，就会发现当时就有很多和我们今天相同的担忧。
因此，有人会问什么原因使当今与历史产生了不同。在上世纪60年代就存在这些技术进步，机器能够完成一些令人印象深刻的任务。但当涉及到一些认知任务时，那些机器所擅长的是处理一些经过预先手工编程的任务，或者进行一些预设程序的计算，它们实际上不是在学习东西。
因此，如果你想要去训练一台机器来识别银行交易中的诈骗交易，你必须预先准确的告诉它所需要查找的内容。而今天的区别在于，你完全不需要这么做了。你所做的一切就是将一些标记上“欺骗性的”和“非欺骗的”数据交给计算机，然后机器依靠算法就能学会应该去查找哪些内容，然后告诉你是否存在欺诈行为。这就是今天本质的不同。
未来5-10年，智能化软件会取代人类工作吗？
有个粗略的答案就是，这毫无疑问将会对经济产生重大影响。但很难精确地说谁将获益，谁将受损，以及这个过程（取代人类劳动力的过程）将以何种方式，按照何种顺序，遵循那种时间框架进行下去。
诚然，关于人工智能的进步如何付诸行业应用，以及按照何种速度进行应用等，依然存在很多问题。有些问题是关于人类劳动力被取代的程度。例如，是否造成了有些劳动力过剩并使他们再也找不到其他工作？如果是这样的话，工会是否会组织一场“抗争”来抵抗这种现象，他们会成功吗？哪些公司能想象得出，要如何重置生产流程以充分利用这些新技术，然后利用风险偏好和资金渠道，切实实现这一重置？政府——我们的政策制定者——会参与其中，试图放缓或实际上加速这一过程，让特定阶层更加受益吗？
确切的答案是我们不知道。我们现在能做的事情就是观察历史上的特定判例，然后尝试着发现其中的异同。我们能做一些在一定程度上可信的建模演练，建立经济模型，希望从拥有的现实世界的数据中获取尽可能多的信息，然后借助这些模型来理解技术自动化取代工作所造成的影响。
人工智能会对中产阶层产生哪些影响？
有人说，如果将人工智能的发展过程看成是一条连续的曲线，技术未来将取代人类的大部分工作内容。在那种情况下，有观点认为很多财富可能会被重新分配给全球范围内的上层人群中：资本从更大的中产阶级中逃离出来并集中在少数人手中。对无技能劳动力的需求会上升，因为用自动化技术取代他们在经济上不划算。因此，全球财富将出现两极分化。
对此，我的看法是，在最近的20年或者30年，高技能工作的工资和就业率出现了巨大增长，低技能工作的工资和就业率也出现了增长。而处在中间的群体仿佛被掏空了，就业率出现了下降。尽管他们的工资也有所增长，但是与就业谱系中的上层和下层相比，差得很远。
我们依然不知道这个原因是什么。我们知道，有一个确定的因素是服务相关职业的崛起，这解释了一大部分，但并不能解释全部。现在，我们并不知道，其中有多大比例是由于自动化引起的，有多少是由于外包和其他因素引起的。
展望未来，这种空心的趋势是否会继续发展，取决于导致它的原因是否会继续存在。很肯定的事，随着新的机器学习算法被用在自动化中，用来取代人类劳动，而非增强人类的劳动能力，那么这些算法带来的大部分收益很可能进入资本所有者以及提供这些算法服务的人的腰包里。这将导致失业率上升，社会不均恶化等——如果没有相应的政策法规进行干预的话。
但是，为什么算法会取代人，而不是增强人呢？技术史的大部分，包括最近，创新都会让人类变得效率更高，而不会取代人类的工作。也有可能，这些算法最终将通过增强人类的能力，从而增加工资和就业率。这很难说。
来源：新华网
本网站所有内容均受版权保护。