王小川：未來被人工智慧替代的工作，都是些沒有創造性的活兒

編者按：本文來自微信公眾號「湖畔大學三板斧」（ID：hupansanbanfu），作者：王小川，搜狗CEO；36氪經授權發布。

我相信關於人工智慧大家已經接觸了很多相關的內容，包括技術、商業模式等，但是聽到的內容和實際操作之間還有很大的差距。今天主要想和大家分享我在「如何銜接技術-商業」方面的思考。

一、我將人工智慧分為三類：

1.識別

在視覺上，基於相對活動物體的識別已經發展到一定水平。識別的核心「人臉識別」和「語音識別」也具有很大的突破。因此，原來人所具有的感性體驗現在也能夠被機器所掌握。

2.判斷——最具商業價值

能夠協助人們進行選擇或者判斷。比如：阿爾法狗就是在幫助人們為棋子選取一個更好的位置。

判斷被越來越多地應用到實際工作生活領域，比如：廣告，未來在基金方面也有可能由機器自主進行決策購買行為。

3.創造

在學術界裡面研究較多的就是創造類，比如：幫助人類合成一段文字或者語音等。谷歌發布的WaveNet就是基於語音網路使用生成演算法製作而成的，相對於以前的拼接法、參數法，在聲音質量上更具優勢。

WaveNet採用了擴大卷積和因果卷積的方法，讓感受野隨著網路深度增加而成倍增加，可以對原始語音數據進行建模。（來自知乎）

以前方法集中雖多，但性能慢，每合成一秒的音頻需要用時幾分鐘之多。

到目前為止，創造本身仍停留在學術階段，當然如果有人能夠控制無人駕駛領域就另當別論了。但是即便擁有無人駕駛技術，技術本身仍然不具商業價值，因為目的地是由用戶指定的，商業利益弱。

費曼（1965年諾貝爾物理獎得主）曾說過：

凡是我們不能創造的就是我們不能理解的

比如：除了生孩子以外的方法我們不能創造生命。雖然創造在商業上並沒有直接的用處，但是有助於我們對基礎的理解。

我認為在這三個領域裡，識別和創造的商業前景並不大，最具商業價值的是判斷，即幫助人們進行選擇或者決策。

事實上，輸入法作為搜狗最大的產品並沒有達到它應具有的商業價值，因為輸入法作為一個工具，用戶所表達的和他所需要的內容是完全一致的。比如輸入「A」絕對不能顯示「B」，所以輸入法沒有絲毫空間可以做更多的增值。

當用戶對一個產品具有充分選擇權，這個產品就無法體現出判斷的增值。這也是搜狗基於如此之大的用戶規模，在輸入法方面卻沒有獲得商業回報的原因。

與輸入法不同的是——搜索引擎，它可以利用與搜索相關的推薦優勢，幫助人們進行決策判斷，在推薦的同時，就能夠帶來商業選擇的價值。

二、人工智慧發展的三個階段

1.教規則

將規則教給機器，讓其進行判斷，這是依賴於人們的經驗於最初級的人工智慧產品。

電飯鍋就是其中典型的例子，在其內部有一個測試溫度的感測器，可以監控內部溫度，如果溫度達到103度，就停止加熱。

最初的人臉識別技術雖然技術實現方面更加複雜，但是原理是一樣的，就是告訴機器該從哪幾個特徵來進行判斷。如何理解眼睛的距離、鼻子的高度，如何選取這些特徵是傳統人工智慧的做法。

傳統人工智慧最大的瓶頸在於，不僅要懂規則，還要能夠準確描述規則。比如：人臉識別技術，我們看到一個人就能夠立刻知道他是誰，但是對於機器來講，就需要工程師將這個識別技巧寫成語言告知它。

但是這一點相對來說就不那麼容易了，因為用語言很難去描述一個人的長相。我們把這些說不清楚的規則叫做感性，即使我知道怎麼回事，但是無法用語言描述出來。

2.原始數據

在2012年，圖像識別技術有了重大突破，機器的識別能力超越了人類。其基礎原理在於，圖像識別不再需要描述，而是輸入大量原始點陣數據，當機器存儲的數據量足夠大，計算能力足夠強的時候，就能夠學會有效識別。

舉個例子：

阿爾法狗就是存儲了將近3000萬個棋局，將每一個棋局的原始點陣數據輸入進去，告訴機器人下棋的棋路和落子方法。當3000萬個棋局全部輸入進去以後，機器就開始學會了下圍棋。

圍棋隊總教練余斌，號稱在圍棋界裡面最會寫程序的人。他認為讓機器下圍棋最大的難點在於機器沒有大局觀，但事實證明機器在大局觀方面比人做的更好，因為機器存儲的是整個棋盤的點陣圖，而人還要琢磨某一個局部。

這個階段突破的意義在於，計算機工程人員有機會進入更多的行業領域進行合作。

比如：醫療領域，以前做心電圖分析需要技術人員能夠像醫生一樣懂行，到底什麼樣的心電圖代表一個人的心臟有問題，這是一種經驗技巧，僅停留在醫生心中，工程師要掌握這方面的知識就有些難度。

但是現在如果數據量足夠多，工程師就不必費力去進行規則表達描述，只要告訴機器這樣的心電圖是生病的心臟，那樣的心電圖是健康的心臟，機器就有機會學會對心電圖的識別判斷。

這就是大數據下，強大的計算能力和精準的演算法在日常工作和生活中帶來的突破。以前需要依靠經驗才能夠解決的問題，現在通過數據和技術人員就能夠得以實現，阿爾法狗最大的啟發就是不用找規則，直接給出答案即可。

3.強化學習

有的時候我們既不知道如何向機器表達規則，也不能找出一個準確的答案，但是我們有能力去判斷，機器執行后的結果是離目標更近了，還是更遠了。這就是強化學習的基本意義。

一個複雜性頗高的問題，很難找出正確的答案，但是驗證答案是否正確十分簡單。就像幾何里的定理一樣，證明定理很難，但是如果別人證明以後，判斷是否正確就很簡單。

在這種情況下，給機器的答案就進化成了給機器一個目標。

與圍棋類似的，阿爾法狗既擁有3000萬個棋局作為基礎，也有人為判定輸贏幫助它繼續學習。學習到一定程度以後，就可以安排兩個機器對弈，目標就是贏取比賽，過程無論好壞，只要告訴機器棋局結果就可以了。機器根據比賽結果，自行復盤總結的這種演算法稱作強化學習。

這是基於我個人視角進行的分類，在行業裡面可能會看到不同的分類方法。我這個視角的優勢在於最容易理解技術的進步路線圖，最容易分析怎樣的職業容易被取代。

三、哪些工作會被取代？

對於員工來講，他們最擔心的問題是科技發展到什麼程度，自己就失業了。

對於企業家來講，他們更關心的是如何將人工智慧嵌入自己公司業務的發展。

所以，如果所輸入的信息是封閉、有邊界、可以結構化的，且包含做決策所需的所有信息，目標也是確定的，那麼這樣的判斷能力就可以被機器所取代。

在計算機數據裡面有一個基本準繩，機器完全可以勝任，輸入可以被表達，輸出目標穩定且可評測的工作。除了下圍棋以外，還有類似審計和數字相關的工作其實都可以被機器取代。

難以被取代的職業有畫家、作家、科研人員等，就是那種創造性大、輸入的問題相對開放的職業。

即便機器可以進行繪畫，但仍然不能取代畫家，因為機器不能真正理解「畫」，「畫」裡面融合了畫家個人的人生經歷和閱歷，作品裡帶有好的人生體驗。因此，機器不能創造「畫」，只能作為一種噱頭供人觀看。

過去人們總認為，人工智慧會取代藍領工人的工作，精英人士無所畏懼。但我覺得不一定，比如：服務員、幼稚園老師等等面對極其不確定的、開放環境的工作者，是很難被取代的。這些工作並不需要具有高深的知識，而是在與他人的交互中處於完全開放的環境，任務也是開放的。

因此，不要認為藍領的工作容易被取代，而白領、金領的工作容易被保住。只要不帶有創造性的工作，就會有被智能取代的風險。