一半以上的人是不会被人工智能取代的

  人工智能对经济效益的贡献,有一些统计,人工智能可以改进劳动生产率,可以增加激发消费需求、可以提高产品质量,有人预测2017到2030年,人工智能对劳动生产率的贡献超过GDP的55%,分析了不同国家,其中中国占了全球将近一半,2030年人工智能会带来7万亿美元的GDP增长贡献,占GDP的26.1%,这个数字来源于普华永道,这里面讲了几个领域,是最重要的人工智能应用领域

  AI指数比较高的应用效果比较好的:一是医疗保健,二是汽车,金融服务业不错,制造业反而比金融服务零售业还要低一点,而现在我们首先会在物流上用。

  以自动驾驶为例,麦肯锡估计2025年带来的经济规模将达到万亿美元,降低交通事故,每年能挽救3到15万人的生命,减少废气排放90%,麦肯锡还认为到2030年人工智能可以为全球额外贡献13万亿美元的GDP增长,普华永道的估计是15.7万亿,平均年均GDP会增加1.2%。他后面那句话更重要:足以比肩19世纪的蒸汽机、20世纪的工业机器人和21世纪的信息技术。

  人工智能擅长什么?它适应的工作场景要满足五个条件:

  围棋很难,围棋的棋局空间很大,1.43后面有768个“0”,但它的信息是完全确定的,具有静态和结构性特点,所以计算机没问题,它不怕难、不怕烦,可以做到,但打麻将就不一样了,这是非合作对弈,虽然有规则但很难,所以AlphaGo不一定能打过人类;

  电子游戏也一样,现在在《星际争霸》游戏里,人工智能还达不到一般专业水平。

  自动驾驶在简单路况中是好的,复杂路况就很难,因为行人和司机不见到都遵守交通规则,很难用训练的办法掌握,还需要驾驶员的经验和知识,而且人类犯错是偶然的,机器一旦犯错可能就是系统性的;

  人工智能可以检测肿瘤,但医院还不敢这么用,因为人工智能本身可以告诉你应该做什么,但它不会告诉你为什么,比如人工智能诊断一个病人,最后得出结论“锯掉一条腿”,但不告诉你为什么,那医院敢锯掉腿吗?

  还有很多功能是人工智能难以胜任的,神经网络是以输入为导向的算法,首先的前提是大量数据,而且数据要比较准确,如果受了干扰他就很难,医生受干扰可能会产生很多错误,比如北加州一个组织(美国公民自由联盟)利用亚马逊面部识别算法把美国535位国会议员的照片和美国警察局掌握的2.5万名罪犯照片进行比对,发现28个议员被当成了罪犯。分类数据终美国的数据严重偏向白人男性,所以黑皮肤的可能就容易被错认。

  目前机器学习还有很多不足,图灵奖的获奖者说,目前机器学习只是曲线的拟合,一个诺贝尔奖经济学奖得主(Judea Pear)说“人工智能不过是统计学”,也就是说目前还是有很多不够的地方。

  刚才我用的两张图映射的猫和狗的区别有个曲线,但只要拟合的地方稍微错一点,可能就会发生错误。比如本来是熊猫,在照片上加上一些噪音,机器就可能识别成长臂猿,所以人工智能识别目前来讲还是比较娇气的。

  大家看这张图,有人看是顺时针转,有人看是逆时针转,哪怕是同一个人,一会儿看着是顺时针转,眨眨眼睛却变成了逆时针转,究竟是顺还是逆?其实只是左腿在前还是右腿在前的问题,是你的错觉。

  为什么会出现这个错觉?因为它正好处于人工智能辨识(包括人辨识)的分界线,这时就可能发生误导。

  比如这个图里的圆圈,大家都觉得它是滚动的、是圆的,可是真的是这样吗?每个球都这样走吗?不一定,我们可以看看。实际上每个球走的都是直线,所以人工智能的模型是会被误导的。

  大家看这几张图的照片,好像是真人,实际上不是,左边是画出来的,右边是根据画出来的所形成的,也就是说,它不是真人,而是人工智能画出来的,将来拍电视剧、拍电影,用不着花高价钱请“小鲜肉”,画一个就可以。

  大家看看这段小视频,这个车怎么突然出毛病,发神经病了?(见视频),实际上这是一个真实交通事故的视频,但把交通事故中跟它对撞的另一辆车抹掉了,大家看着觉得莫名其妙,所以人工智能“有图未必有真相”。

  当然,神经网络现在还在演进,关键是怎样选择正确框架以及训练,清华大学的张钹院士说我们要把感知和认知放到同一个空间里,不是简单用概率统计的理论,要用模糊级的理论来重新定义它,否则我们没办法跟机器人交流,机器人之间也没办法交流。

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:http://sol-melia.com/a/ganhuo/862.html