中国搜索讯人工智能“偷走”工作——这是新兴的现实还是毫无根据的恐惧？英国广播公司网站3月16日以《为什么人工智能目前还不会偷走你的工作？》为题报道称，尽管未来——至少是很短的时间内——很多工作会实行自动化，但这些人工智能机器更有可能的是和人类一起工作，因为目前人工智能还存在一些缺陷。现编译如下：
麦肯锡年的一份报告称，根据现有科技水平，5%的工作职能最终将完全实行自动化，在60%的职业中，1/3的工作任务将被人工智能机器人所完成。
但目前看，人工智能机器人还不会偷走你的工作，它们还存在着以下缺陷：
新华社资料图：一位德国的技术人员在展示可以跟随人的动作的机器人。
人工智能不会像人类一样思考
英国哲学家迈克尔·波兰尼一直努力思考人类智能。他发现，有些技能，如使用准确的语法，可能很容易地分解成规则并向其他人解释清楚。有些技能则不能。
人类甚至能在不清楚规则的前提下，执行这些被称之为“隐性知识”的工作。用波兰尼的话说，就是“我们知道的，比我们可言说的多”。这包括某些实际技能，如骑自行车和揉面团，也包括某些高级技能。如果我们不清楚规则，我们就不能把它教授给计算机。这就是波兰尼悖论。
为了试图反向还原人类智能，计算机科学家们努力工作开发出人工智能，通过一种完全不同的方式进行思考——以数据驱动的思考。
微软研究院高级研究员瑞奇·卡鲁阿纳表示，“你可能认为，人工智能的工作方式是，我们理解了人类智能，然后制造出和人类智能一样的人工智能。实际上，人工智能不是这样工作的。”
新华社资料图：在上海申通地铁集团有限公司，工作人员在现场体验刷脸进站技术。
许多人工智能都是“神经网络”，这意味着它们是使用数学模型通过分析海量数据来进行学习。例如，脸书使用了大约万张照片来训练其面部识别软件DeepFace。通过寻找标签为相同人物的面部照片模式，DeepFace面部识别正确率最终达到97%。
与DeepFace类似的人工智能软件，已经在自动驾驶、声音识别、语言翻译等领域取得了不错的进展。未来，人工智能将进入更多的领域，如医疗卫生、金融等。
人工智能并非永远正确
但是这种数据驱动的方式意味着人工智能也会犯下重大错误，例如一个“神经网络”在进行3D打印时，计算出要打印一只乌龟，实际上要打印的是一把来复枪。程序无法进行概念性的思考，“它有鳞片和贝壳，所以它是一只乌龟”。
这也意味着人工智能没有任何常识，常识在工作中非常重要——学会已有知识，并将其应用到新环境中。
新华社资料图：观众在观看机器人协助艺术家表演沙画创作。
一个经典的例子就是人工智能DeepMind。年时，DeepMind被教授学习经典街机游戏Pong。正如所预料的一样，几个小时，DeepMind就把人类玩家打得落花流水，还创造出许多全新方式取得胜利。但是要掌握另一款几乎完全一样的游戏Breakout，DeepMind还得重头再来，重新学习。
机器人无法解释决策原因
有关人工智能的一个问题就是现代版的波兰尼悖论。因为人类尚未完全理解人类大脑是如何学习的，所以人类制造人工智能时让其以数据进行思考。讽刺的是，现在我们同样对人工智能是如何思考的知之甚少。
新华社资料图：青岛北站工作人员向旅客介绍问询机器人“小路”。
这通常被称为“黑箱问题”，尽管你知道你输入的数据，你也知道你获得的结果，但你不知道你面前的这个黑箱子是如何得出这一结论的。卡鲁阿纳说：“所以现在我们有两种不同种类的智能，而且我们都不太理解。”
神经网络不拥有语言技巧，所以它们不能向你解释它们是怎么做的以及为什么这么做。如同所有的人工智能一样，它们也没有任何常识。
几十年前，卡鲁阿纳使用神经网络进行医学数据分析，将患者症状和病情结果输入数据库。目的是估算出每名患者可能的死亡时间，以便医生能提前采取预防措施。起初，该实验运作良好，直到一天晚上，匹兹堡大学的一名研究生发现了奇怪之处。他用一种更为简单的算法对相同数据进行了一次运算，结果得到了神经网络给出的这样一条决策逻辑：“如果你得了肺炎，哮喘对你有好处。”
卡鲁阿纳说：“我们咨询了许多医生，他们都说‘哦，这肯定不对，你得修修机器了。’”哮喘是诱发肺炎的风险因素之一。科研人员无法确切知道神经网络是如何得出这一结论的，但有种观点认为，当有哮喘病史的患者在患肺炎后，他们会更快去看病。这也许让人工智能认为哮喘提升了他们的存活几率。（刘春晓编译）（来源：中国搜）
