1704605183
技术陷阱：从工业革命到AI时代，技术创新下的资本、劳动与权力 [
:1704601987]
1704605184
技术陷阱：从工业革命到AI时代，技术创新下的资本、劳动与权力 第五部分 未 来
1704605185
1704605186
未来会怎样？……迄今为止，计算的历史表明在整个经济中，基础计算进程和计算在应用方面的创新都没有放缓。也许除了人类，计算机和软件才是最终的通用技术。它们有潜力渗透并从根本上改变经济生活的每一个角落。照当前的发展速度，计算机在复杂度和计算能力方面正接近人脑。也许计算机将被证明是最终的外包商。
1704605187
1704605188
——《计算领域两个世纪的生产率增长》，威廉·诺德豪斯
1704605189
1704605190
19世纪初的卢德主义者的呼声与接下来几十年中有同样想法的模仿者的呼声一样，肯定都被人们听到了。然而，他们基本不能指望改变自己的命运：民主仍非常有限，绝大部分人的生活水平仍然很低，大部分人依然要为基本需求的满足而疲于奔命。此后情况发生了很大的改变。如今在发达的西方社会，每个人都有希望（至少在理论上）充分参与政治、经济、文化领域的社会生活。人们不仅能够期待在定期选举中投票，也能通过“参与民主制”产生影响。人们不仅能保住工作，也能分享经济增长带来的好处，这就构成了“期待的民主化”。
1704605191
1704605192
——《作为下一项通用技术的人工智能：基于政治经济学的视角》，曼努埃尔·特拉杰滕伯格
1704605193
1704605194
据说丹麦物理学家尼尔斯·玻尔（Niels Bohr）曾打趣道：“上帝把简单的问题交给了物理学家。”自科学革命以来，科学知识的稳步积累极大改进了自然科学预测结果的方式。但在经济学上，真实情况却恰好相反。物理定律的适用范围跨越了时间和空间，但在经济学和其他社会科学中，边界条件（boundary condition）并不是永恒的。我们可以说，工业革命前经济增长缓慢或停滞的时候，经济结果的可预测性处于顶峰。
1704605195
1704605196
技术进步的确是一个不断进化的过程，这意味着从长远来看，我们对它的表述不会一成不变。正如我们在前面的章节提到过的，自动化的潜在范围已经随时间推移而稳步扩大了。但近期我们发现，一些工程瓶颈的存在为计算机可执行的任务类型划定了边界。正如我们在第九章中看到的，从20世纪80年代开始，常规工作大量被淘汰。但早在20世纪60年代，美国劳动统计局就观察到了一个现象：“机械化可能的确创造了很多乏味的常规工作，然而自动化不是这一趋势的延伸，而是逆转：自动化承诺将削减常规工作，并创造出其他需要更高技能的工作。” 1 通过观察计算机能做什么，他们在大逆转发生20年前就对它做出了预测。技术的采用与推广需要时间，我们可以从仍存在缺陷的原型技术中来推断目前的工作面临着的自动化情况。
1704605197
1704605198
由于经济在很大程度上取决于技术发展和人们的适应情况，因此没有什么经济定律能假定后30年的情况会完全对应于前30年。也许我们正处在一系列使能技术突破的前沿，这些突破会为中产阶级人群创造大量新工作。然而，过去几十年经历的事实却指向了相反的方向。我们有充分的理由相信，除非有政策的干预，否则目前的趋势将继续持续一段时间。对中产阶级的就业前景产生最关键影响的因素是计算机能做什么和不能做什么。人和机器之间的劳动分工也在不断演变。人工智能领域的最新突破表明机器能够学习，这在历史上尚属首次。为了更好地理解下一波自动化浪潮，让我们先看看在人工智能时代，计算机到底能做什么。
1704605199
1704605200
注释
1704605201
1704605202
1 G. B. Baldwin, and G. P. Schultz, 1960, “The Effects of Automation on Industrial Relations,” in Impact of Automation: A Collection of 20 Articles about Technological Change, from the Monthly Labor Review (Washington, DC: Bureau of Labor Statistics), 51.
1704605203
1704605204
1704605205
1704605206
1704605207
技术陷阱：从工业革命到AI时代，技术创新下的资本、劳动与权力 [
:1704601988]
1704605208
技术陷阱：从工业革命到AI时代，技术创新下的资本、劳动与权力 第十二章 人工智能
1704605209
1704605210
一场包括了更大的数据库、摩尔定律、灵巧的算法在内的完美的进步风暴，为人工智能最近的许多进展铺平了道路。最重要的是在过去的几十年里，人工智能使得自动化超出了常规工作的范围，延伸到了一些全新的、意想不到的领域。在过去基于规则的计算时代，自动化受限于必须由程序员做出明确规定的演绎指令。人工智能发现了将人类难以表达或解释的事情进行自动化处理的方式，比如怎样开车或翻译一篇新闻报道，这让我们解决了（或至少部分解决了）波兰尼悖论（见第九章）。 1 最根本的区别在于，我们现在不是通过编写一组指令来实现任务的自动化，我们给计算机编写程序是让它从数据样本中“学习”或“体验”。若任务规则是未知的，我们就能应用统计数据和归纳推理让机器自己学习。
1704605211
1704605212
在技术领域之外，人工智能仍处于试验阶段。但人工智能研究的前端正在稳步前进，这反过来扩大了计算机能完成的潜在任务集。深度思考公司（Deep Mind）的阿尔法围棋（AlphaGo）在2016年成功打败了世界上最好的职业围棋选手李世石（Lee Sedol），这可能是最广为人知的例子了。随着李世石的失败，人类在经典棋盘游戏中失去了最后一点竞争优势。二十多年前人类在国际象棋领域被超越。众所周知，在1996年的一场六局的比赛中，国际象棋大师加里·卡斯帕罗夫（Garry Kasparov）在对阵IBM的“深蓝”（Deep Blue）时胜了三局，但在一年后的历史性重赛中输掉了比赛。
1704605213
1704605214
与国际象棋相比，围棋的复杂性是惊人的。围棋比赛在一个19乘以19的正方形棋盘上展开，国际象棋的棋盘则是一个8乘以8的正方形。1950年，数学家克劳德·香农（Claude Shannon）在他的开创性论文中演示了如何编写程序让机器下国际象棋。国际象棋中可能的最大移动步数的最小估值大于可观察宇宙中的原子数。围棋中的移动步数的估值则是这一数值的两倍。 2 事实上，就算宇宙中的每一个原子自己都独立成为一个宇宙，且里面包含的原子数和我们宇宙中的原子数相同，原子的数量仍比围棋中可能的合法移动步数要少。这种比赛的无限复杂性意味着即使是最厉害的棋手也无法将其分解为有意义的规则。取而代之的是，职业棋手通过识别“一些棋子包围空间”这一模式来下棋。 3 如上所述，2004年，弗兰克·利维和理查德·默南出版《新劳动分工》时，人类在模式识别方面仍具有比较优势。 4 当时在识别模式上计算机还无法挑战人脑，但现在它们做到了。
1704605215
1704605216
比阿尔法围棋获胜这一事实更重要的是，它是如何做到的。“深蓝”是基于规则的计算时代的产物，它的成功取决于程序员给棋盘上的各种位置编写清晰的if-then-do规则的能力。但阿尔法围棋的评估引擎并没有被明确编程，因此，它并不遵循程序员预先指定的规则，而是能够模仿人类潜藏的知识，从而避开了波兰尼悖论。“深蓝”基于自上而下的编程，阿尔法围棋则是自下而上的机器学习的产物，它使用巨大的数据集，通过一系列实验来推算自己的规则。阿尔法围棋的学习步骤是首先观看之前的专业围棋比赛，然后以自己为对手，下数百万场围棋，稳步改善自己的表现。阿尔法围棋的训练数据集（包括16万名专业棋手在棋盘上的300万个位置）远超任何一位职业棋手一生积累的经验。这一事件标志着埃里克·布林约尔松（Erik Brynjolfsson）和安德鲁·麦卡菲（Andrew McAfee）提出的“棋盘的后半部分”。 5 《科学美国人》惊叹道，“一个时代结束了，新时代开始了。阿尔法围棋背后的方法和它最近的胜利极大影响了机器智能的未来”。 6
1704605217
1704605218
“深蓝”也许能在国际象棋领域打败卡斯帕罗夫。但出乎意料的是，卡斯帕罗夫能轻易地在其他任何任务中获胜。“深蓝”唯一能做的事就是每秒评估棋盘上的两亿个位置。它是为一个特定目的而设计的。但另一边，依赖于神经网络的阿尔法围棋几乎能完成无穷无尽的任务。通过使用神经网络，深度思考公司已经在大约50个雅达利（Atari）电子游戏中（包括《电子弹珠台》《太空侵略者》和《吃豆人》）有了超人的表现。 7 当然，程序员提供的指令能让机器取得最大得分，但算法能通过数千次尝试，独自学习最佳游戏策略。毫不意外的是，阿尔法围棋（或其通用版本AlphaZero）在国际象棋比赛中的表现也胜过预编程的计算机。AlphaZero只需学习四个小时就能在比赛中打败最好的计算机。
1704605219
1704605220
和阿尔法围棋的胜利一样，最近的许多进展都得益于呈指数级增长的数据集（它们被统称为大数据）。数字化以后，事物的存储和传输几乎免费了。几乎所有的东西都可以数字化，每天通过网络浏览器、传感器和其他联网设备产生的数据将近数十亿吉字节（gigabyte，缩写为GB，1GB等于2^30字节）。电子书、音乐、图片、地图、文本、传感器读数等构成了巨大的数据库，为我们的时代提供了原始材料。随着世界上通过数字连接的人口比例越来越高，越来越多人有机会大量接触这个世界积累的知识了。这也意味着越来越多的人能够参与到这个知识库中来，从而形成一种良性循环。数十亿人在线上互动，留下数字足迹，算法能够由此了解他们的经历。思科（Cisco）预计全世界的互联网流量在未来五年会增长近三倍，到2021年会达到3.3泽字节（zettabyte，缩写为ZB，1ZB等于2^70字节）。 8 为了更清楚地理解这一数字，我们列举下面的例子来进行对比：加利福尼亚大学伯克利分校的研究人员估计，全世界所有书籍包含的信息大约是480太字节（terabyte，缩写为TB，1TB等于2^40字节）；人类曾说过的所有字词的文本记录约为5艾字节（exabyte，缩写为EB，1EB等于2^60字节）。 9
1704605221
1704605222
数据完全可以被视作新的石油。随着大数据变得更大，算法也会变得更好。若想用更多实例说明这一点，可以列举数据在翻译、语音识别、图像分类和许多其他任务中不断改善的表现。例如，人类翻译的数字化文本语料库越来越大，意味着在再现人类翻译方面，我们能够更好地评价算法翻译器的精确性。联合国的每一份报告都会由译员翻译成6种语言，这为机器翻译提供了更多学习的实例。 10 数据供应越多，计算机表现越好。
1704605223
1704605224
谷歌翻译利用了大量算法，但是如果没有摩尔定律支撑计算机硬件取得巨大进步，谷歌翻译会远远不如现在这么流行。包括处理速度、微芯片密度、存储能力等在内的计算构件在数十年中一直保持着指数级增长。比如，人工神经网络（模拟大脑神经元连接方式的计算单元层）的想法大概在20世纪80年代就出现了，但由于当时计算资源的诸多限制，神经网络表现很糟糕。因此直到最近，机器翻译仍然依赖于那种从数百万人工翻译中逐字分析短语的算法。然而，基于短语的机器翻译存在着严重的缺点。尤其是这种算法关注的面很狭窄，失去了更大的语境。解决这一问题的方法之一是所谓的深度学习，它使用更多层次的人工神经网络。这些进展使得机器翻译能更好地掌握复杂的句子结构。在过去的训练和翻译推理中，神经机器翻译（Neural Machine Translation）的计算成本都很高。但归功于符合摩尔定律的进步和更大的数据集的可用性，神经机器翻译如今已变得可行了。
1704605225
1704605226
机器翻译中的深度学习并非没有缺点，它面临的主要挑战之一就是生僻字词的翻译。比如，如果你在一个基于神经机器翻译的系统中用日文输入“一生仅有一次的邂逅”（“一期一会”），得到的结果可能是“阿甘正传”。一开始你可能会奇怪，但这句话碰巧是这部电影的日版副标题。同时，这个短语还很少见，没有在其他语境下出现过。然而，机器学习研究者把单词分成了更小的子单元，这种创新方法至少部分地避免了这个问题。2016年，谷歌的一个研究团队在《自然》（Nature）杂志上发表文章证明，与基于短语的旧系统相比，“单词单元”和神经网络一起使用，使错误率降低了60%。 11 虽然谷歌的神经机器翻译系统仍落后于人类的表现，但它正在迎头赶上。
1704605227
1704605228
类似于蒸汽、电力和计算机，人工智能也是一项有着广泛用途的通用技术。正如经济学家伊恩·科伯恩（Iain Cockburn）、丽贝卡·亨德森（Rebecca Henderson）和斯科特·斯特恩（Scott Stern）所指出的那样，与人工智能相关的出版物发生了巨大的转变，从计算机科学杂志转为以应用为导向。他们估计在2015年，与人工智能相关的所有出版物中，近三分之二会不属于计算机科学领域。 12 他们的发现与普遍的观察结果一致，人工智能被应用在一系列不同领域的任务中。在机器翻译中表现良好的技术同时也被用于完成诸如图像识别这类视觉任务。从一幅图像中的单个像素开始，这些算法的运算特征（比如几何图案）日趋复杂。
1704605229
1704605230
近年来，图像识别技术的发展是指数级的。图像标签识别的错误率从2010年的30%下降到了2017年的2%。 13 这项技术虽然在许多方面仍处于试验阶段，但已取得了一些令人振奋的进展。比如，德国用自动人脸识别技术尝试识别经过柏林南十字车站的人，实验取得了成功，这对安保人员的工作起到了辅助作用。德国内政部长托马斯·德迈齐埃（Thomas de Maiziere）报告说，在实验中，70%的时间里的人物识别都是正确的。在图像质量很差的情况下，算法识别的标记错误率不到1%。 14 用于识别人脸的同一类型的人工智能已被证实同样擅长诊断疾病。《自然医学》（Nature Medicine）杂志上发表的一项新研究表明，人工智能已经能够通过病理学图像识别不同类型的肺癌，而且准确率高达97%。 15 另一项发表在2017年的《自然》杂志上的新研究通过神经网络和129,450张临床图像组成的数据集，将人工智能的表现和21位获得认证的皮肤科医生进行比较，发现人工智能的表现与人类持平：“在两项测试任务中，这种算法的性能和所有受测试专家的表现不分上下。这说明人工智能对皮肤癌症进行分类的能力比得上皮肤科医生的水平。如果配备了深度神经网络，移动设备将有望把皮肤科医生的能力范围扩大到诊所之外。据估计，到2021年智能手机用户将达到63亿，因此人工智能有望为人们提供普遍的低成本诊断机会。” 16
1704605231
1704605232
机器不仅成了更好的译员和诊断医师，它们也正在成为更好的倾听者。语音识别技术正以惊人的速度发展。2016年微软宣布取得了一项里程碑式的成就，他们的转录对话技术达到了人类的水平。2017年8月，微软人工智能团队发表的一份研究报告披露了他们取得的进一步进展，把错误率从6%降低到了5%。 17 正如图像识别技术有望在诊断任务中取代医生，语音识别技术和用户交互领域的发展则有望取代完成某些交互任务的工作者。众所周知，苹果的Siri、谷歌的语音助手和亚马逊的Alexa都依赖自然的用户界面来识别口语、理解含义和据此做出回复。一家名为Clinc的公司使用语音识别技术和自然语言处理技术，目前正在开发一种新的人工智能语音助手，它将被用在像麦当劳或塔可钟这样的快餐店免下车窗口上。 18 2018年，谷歌宣布正在开发用于取代客服中心工作人员的人工智能技术。客户拨打的电话将由虚拟客服接听。如果客户的要求涉及一些算法目前还不能处理的事情，电话就会被改派到人工客服那里。然后，另一种算法将通过分析这些对话来识别数据中的模式，这反过来又有助于提高虚拟客服的能力。 19 技术的不断发展可能给劳动力市场带来巨大的影响。虽然许多公司数十年来都在将工作移到海外，但仍有约220万美国人在遍布全国的6800个客服中心工作，还有几十万人在更小的地方从事类似的工作。 20
[
上一页 ]
[ :1.704605183e+09 ]
[
下一页 ]