是什么让一份工作容易受到人工智能自动化的影响?

　　麻省理工学院的研究人员提出了一套新的标准。

　　当谈到想要人工智能的时候，kool - aid的资金流动非常强大。对于那些喝咖啡的人，可以肯定的是，在不久的将来，人工智能和机器人将会偷走目前被人类占据的绝大多数工作。在美国，社会保障体系几乎不存在，这种技术飞跃的结果将是社会的崩溃，除非发生戏剧性的渐进式经济结构调整。

　　另一方面，这可能并不完全正确。也许在现实生活中，有很多工作是我们不希望机器去做的——比如医疗保健行业，增长最快的工作领域是一个广泛的领域——甚至是机器根本无法做到的。这第二类是麻省理工斯隆管理学院的研究人员埃里克·布林约尔松和汤姆·米切尔本周在《科学》杂志上发表的一篇政策论文的重点。总的来说，他们发现，不，这并不是真正的“工作结束”，但事情还是会变得很奇怪。

　　“虽然很明显,毫升(机器学习)是一个“通用技术”像蒸汽机和电力,它产生大量额外的创新和能力,没有广泛共享协议毫升系统excel的任务,因此小协议的具体预期影响劳动力和更广泛的经济问题,”米切尔和多写。虽然许多工作的一部分可能是“适合ML”(SML)，但这些工作中的其他任务并不符合ML well的标准;因此，对就业的影响比一些人强调的简单的替代和替代故事更加复杂。

　　本文概述了工作SML的八个基本特征。我不会把它们都列出来，但有几只熊在强调。首先，机器学习需要定义明确的问题，输入数据可以可靠地映射到输出预测。例如，在医学诊断中，医疗记录和诊断出来了。这是一个明确的映射。狗狗的图片进入，狗狗的预测出来了。另一方面，我们也许能够根据狗主人的照片来预测狗的品种，但是，在这种情况下，一个清晰的映射是不存在的，因为预测背后的因果关系将被埋葬在ML模型的某个地方。

　　ML模型还需要大量的数据。他们必须学习一些东西。要预测一个医学诊断，机器学习算法需要大量的训练数据，这些数据由患者的记录组成，这些记录被人类标记为正确的诊断。只有这样，算法才能看到新的无标记数据并做出准确的预测。

　　有几点不太明显。例如，机器学习模型需要相对简单的休闲链来进行预测。比如，如果我们有一些输入观测我们想要预测一些输出，输入就必须直接与输出相关而不是一堆中间因果关系。另外:机器学习在错误的预测不能接受的情况下是行不通的。在ML中，当我们得到超过90%精确的模型时，我们开始认为它们是成功的。这意味着我们已经认定，10%的时间错误是可以接受的。如果我们用计算机视觉来引导油轮，那么哪怕是一个百分点的一小部分都是不可接受的错误。

　　还有其他一些不那么定量的因素。一旦,。情商和同理心并不是真正的SML。布林约尔松和米切尔说:“与其他医生交流的非结构化的任务，以及与病人交流和安慰病人的潜在情感问题，都不太适合ML方法，至少目前是这样。”

　　似乎最有可能的是，SML任务并不是全部的工作或职业，而是这些职业中的组成部分。机器学习将会继续前进，但它不会偷走所有的工作(虽然它肯定会消耗很多工作)，它将成为许多工作的一个正常组成部分。因为一个算法可以预测癌症的诊断并不意味着它将成为你的新医生。更有可能的是，这个算法将成为你的医生使用的工具。