回答朋友的问题，顺带还粗略看了一篇经济学论文：（Polayni's Paradox and the Shape of Employment Growth）。以下是随手记下的一些内容。
Polanyi Paradox
“我们能比我们自身所意识到的知道更多。” （We can know more than we can tell.）——这是匈牙利籍英国哲学家 Michael Polanyi 提出的理论。理论指出，人类能够从事的一些简单的活动，实际上需要的理解力比我们预想的要多出很多。这样的知识很难被机械，自动化或计算机所替代。论文中称为隐性知识（tacit knowledge)。尽管计算机能够有日益增长的性能，能有人脑无法比拟的速度与准确性，却无法完成在人脑看来非常简单的事情。比如与人类交流，驾驶汽车，从事具有一定创造性的工作等。
Polanyi 的理论在人类工作自动化与智能化的进程中得到了验证。论文将需要有高度创造性，直觉，问题解决能力，劝说能力，且需要较高教育水平的工作归类为“抽象（abstract）”工作，将需要有应变能力，视觉语言理解能力，人际交流能力的，并不需要较高教育水平的工作归类为“手工（manual）”工作。这两类工作非常难被自动化的机器替代。所以，科技水平和自动化水平的发展的结果是工作不断向两极分化：具有高学历，高技术要求的工作和低学历，低技术要求的工作的份额持续增长，而需要中等学历，能被高度自动化机器替代的工作的份额持续缩减。
然而如文中提到，尽管科技的发展使工作份额向两极化，薪酬却没有同样的趋势。高技术含量，高学历的工作能够从技术的发展中获利，使得薪酬随之增长。而低学历要求的工作却不会享受如此待遇。
机器学习
既然 Polanyi 悖论表示，人类所有的“隐性知识”是机器无法替代的。随着机器学习的发展，我们可能值得重新思考这一问题。
机器学习发展自模式识别（Pattern Recognition），和人工智能领域内的机器学习理论（Computational learning theory），与统计学，优化理论都有很强的联系。（来自Wikipedia）。
机器学习的基本思想是，从大量的样本数据中总结获得规律，从而对未知的数据的输入进行相应的推断。针对不同的问题，机器学习有不同的算法。常见的有人工神经网络，决策树，聚类算法等等。
比如下棋。计算机处理与人类下棋的算法属于决策树算法。计算机计算出两方在未来 10 到 20 步内所有可能的下法，得到一个决策树模型，并对所有下法的结果进行评估。评估的方式是一个预先设定好的公式。得到所有步骤的“分数”后，计算机将采取最优解。也就是说，和人类的思考方式不同，计算机通过暴力计算出未来所有的步骤，再从所有可能的结果中选取最优。对于人类来说，在有限的下棋时间内这是一个不可能完成的任务，但对计算机来说却是最直接的。（参考：How Chess Computers Work）
另外如论文中提到，尽管机器学习领域在突飞猛进，在各个领域有了广泛的应用，但对很多很基本的问题上的表现可能还不如一个小孩。文中举了谷歌在所有 Youtube 视频中搜索猫的例子。谷歌动用了 16,000 个处理器计算这个问题。从结果的截图来看，表现非常不错，但把几个咖啡杯当成了猫。
有相关领域的科学家断言，随着计算机算力的不断发展，机器学习通过暴力穷解得到的结果可能近似甚至超过人类的水平。也有人表示，机器在很长一段时间内只能解决人类工程师向机器准确描述的问题，处理一些例行的问题，而无法应付特殊情况。
对人类工作的影响
无论机器学习是否能够完全替代人工，有一点是可以确认的：通过科技发展提高生产力是人类文明永恒不变的主题。机器学习将大幅提高人类的工作效率，从而降低很多行业对人类工作的需求。从这一点看来，Polanyi 悖论和本文的观点仍是适用的：大量需要重复工作，缺少人际交流的工作将逐渐被取代。然而从另一面看，机器学习在很长的一段时间内仍然无法完全替代人类的思考，因此具有创造性，需要应变能力，需要人类交流性质的工作仍将保留下来，并成为未来计算机时代的主流。
举一个亲身经历的例子：在美帝有很多公司的客服在收到电话后会直接接通一个机器人回答你的问题。这个机器人已经具备相当的语音识别的能力，可以通过你自然语言的描述，针对性地回答你的问题，或者为你接通人工客服。这是机器学习在自然语言当中的应用一例。这样的机器人可以为公司省下大量的客服的需求，缩减了市场对客服工作的要求。以前人类认为机器无法完成的任务已经开始被逐渐取代。人类工作将向更加无法被机器替代的工作转移。
附送一则喜剧片段。我认为很好地诠释了机器学习的强大，以及局限性。
