人工智能和未来社会

自从人类迈入文明社会后，技术革新就一直推动着社会的不断进步。在此过程中，不断有旧的工种消失，又有新的工种出现。尤其是从近现代的工业革命开始，社会变革的速度越来越快。大量自动化的机器也不断涌现，很快替代了传统的手工作业。

计算机问世后更是迅速在很多计算问题中替代了人工操作。当然，计算机也催生了很多相关的学科和领域，创造出了很多新的工作类型——软件工程师、处理器架构师、计算机系统工程师等等。人工智能（Artificial Intelligence，AI）面临着同样类似的情况。然而，人工智能所引导人类前行的方向也许出乎很多人的想象。近日，CrowdFlower/Dolores Labs 的创始人 Lukas Biewald 就结合 Google、Facebook 和其他在人工智能方向领先公司的产品，分析了 AI 设计模式的变化方向。

设计模式 1：训练数据

迄今为止，AI 应用最广泛的领域仍然是有监督的机器学习。而“有监督”即意味着算法需要从训练数据中进行学习，而不能像人类一样可以从很多地方进行间接学习。因此，训练数据的数量和质量对于机器学习算法就显得尤为重要。大公司搜集训练数据的过程也极其慎重——Google 每年花费大量的时间和经历来搜集并整理用于机器学习算法的数据。

然而，搜集训练数据的过程是永无止境的。例如，每当 Twitter 推出一个新的单词或表情，机器学习算法就需要额外的用例来了解这些新事物的合适使用情形。因而，搜集训练数据就成为了机器学习算法中最需要人工参与的部分。

设计模式 2：人工参与的循环链

在很多领域，计算机能够很好的实现问题的加速解决（如，数学运算）。然而，计算机又在很多看似容易的方面（如，引导类人机器人双足走路）无可奈何。人工智能也存在类似的问题：人工智能算法可以很容易的实现 80% 的预测或分类精确度，却很难将精确度提高到 99%。不过，机器学习算法十分清楚自己所擅长的处理的方面，而不擅长处理的方面。而且，在精确度比较低的时候，算法可以非常明确地将情况告诉工程师。因此，机器学习算法的当前典型使用情形就是“人工参与的循环链”模式。在机器不能果断做出决定时，人类参与相关过程并进行决策。

以往，人们总以为该设计模式下的产品离现实还很远。但实际上，该设计模式的发展速度远超大家的想象。
例如，Facebook M 和 Clara Labs 就是符合这种设计模式的产品。他们利用人工智能算法来处理邮件和易于利用相关规则解决的问题，然后把复杂的信息和请求交予人类进行亲自解决。自动驾驶和 ATM 也是很好的例子。当前，自动驾驶技术仍然不能脱离人工参与：在正规停车场内停车可以采用自动泊车系统；在通行顺畅的高速公路，可以采用自动驾驶；然而在复杂的路况下，仍然需要采用人工驾驶的方式。ATM 也只处理能够清晰识别的支票或现金，而有所破损的支票或现金还需要柜台进行亲自处理。在这些例子中，机器已经能够处理绝大部分的问题，但是仍然有部分问题需要交给人类来解决。

因此，与上一节中的设计模式不同，该设计模式只是把部分工作替换为了机器学习算法，用于提高相关工作的效率。在某些情况下，它可能引起工作所需的员工数量减少。但它也可以创建出新的市场，从而带来更多的就业机会。

设计模式 3：主动学习

主动学习融合了训练数据和人工参与的循环链这两种设计模式。设计模式 2 中收集的训练数据可以反馈给机器学习算法，来提高算法的性能。对于初始算法不能解决的问题，人类解决该问题的思路和方案正好可以给机器提供很好的借鉴。因此，人类未来在处理机器无法解决的问题的同时，也在慢慢训练着自己的“竞争对手”。当然，反过来看，机器也在更多的解放人类的双手，提高工作效率。

人类正以前所未有的速度迈入这样的时代

以往，人类的绝大部分工作仍然没有采用机器学习算法。其主要原因就是机器学习算法都是需要定制的。针对每一种应用场景，算法都各不相同。因此，只有大公司或企业才能负担得起这样的费用，使用机器学习模型。

然而，两大趋势正在迅速拉低机器学习的费用：计算的能耗越来越低和机器学习算法的产品越来越多。例如，仅仅是在 2015 年一年，就有 Alibaba、Microsoft、Amazon 和 IBM 四家企业发布了通用的云机器学习平台。很快，越来越多的小企业就可以依赖这些平台使用机器学习。人类正以前所未有的速度迈入机器学习无处不在的时代。

感谢杜小芳对本文的审校。

给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们，并与我们的编辑和其他读者朋友交流（欢迎加入 InfoQ 读者交流群（已满），InfoQ 读者交流群（#2））。