"如果科技发展将人类分为两类,一类是绝大多数无用的普通人,另一类是一小部分经过升级的超人类,或者各种事情的决定权已经完全从人类手中转移到具备高度智能的算法,在这两种情况下,自由主义都将崩溃。"
-尤瓦尔 赫拉《未来简史》
△图片来源:《机器人总动员》中成为无用阶层的人类
最近看到一篇写得很有才的故事,作者安柏。故事假设一个出生于2010年中产家庭的孩子,到2032年毕业时会生活在一个怎样的世界里。如果你根据这个思路,从未来大学毕业的那年倒推到现在正在读高中的自己,故事大概会是这样的。
8年前,2017年。我16岁,爸妈让我上了每年学费十几万的国际学校,有着洋气的英文名字,每天与外教们侃侃而谈,学习钢琴,网球,马术,冰壶。
6年前,2019年。我如愿进入美国top 20名校商学院读书,每天穿西装打领带去学校上课,周末和一群金发碧眼的同学们混迹各种鸡尾酒会发展人脉。因为成绩好,免修了几门课,提前一年读完本科继续读研。
今年,2025年。我从美国大学硕士毕业了。根据8年前的规划,我终于练成钢铁侠,可以成为年薪百万的华尔街之狼了。万万没想到,此时人工智能的高速发展已经淘汰了全世界三分之一的工种,包括华尔街的股票,期货,债券交易员,基金经理和投资顾问。
听上去是不是有点方?然而这个设想是有理论依据的。
2013年,牛津大学发布了全球范围内首个系统研究计算机化(computerisation)对未来就业影响的的学术报告《就业的未来》。根据报告,未来20年美国有47%的工作极有可能被计算机取代,包括99%的保险业务员,97%的收银员,96%的厨师,94%的服务员,94%的律师助理,91%的导游,89%的公交司机,88%的建筑工人,77%的调酒师,还有大量银行柜员,金融交易员,基金经理,药剂师,护士,交警,秘书,客服等等。
因此那篇故事的作者安柏认为,未来人工智能将处于地球食物链的顶层,让大多数学生一毕业就失业,在这样的趋势下即使花好几百万接受优质教育也是无法完成从“碎钞机”到“印钞机”的华丽转身。
看似说得好有道理,然而我并不赞同这个观点。人工智能的意义是研究如何利用计算机技术使人类的生活变得更美好,从一些不需要元认知技能的劳动中解放出来,从而有时间去衍生新的领域,创造新的职业。所以未来职业发展的选择其实就分为两大方向:顺应潮流或差异化发展。所谓顺应,就是成为研究人工智能的专业人才,顺应时代趋势成就自我,可以选择的黄金专业有计算机科学(computer science),数据挖掘(data mining),软件工程(software engineering)等;所谓差异化,就是成为需要创意,审美和情感,较难完全被机器取代的专业人才,比如艺术,设计,文创,媒体等方面的专业。
人工智能从哪里来,未来又会走向何方呢?我们简单回顾一下AI发展史。
△图片来源:雪莉整理自《奇点临近》+网络信息
第一阶段 弱人工智能 1950s-2010s
弱人工智能始于1950s, 是能够与人一样,甚至比人更好地执行特定任务的技术。例如,Pinterest上的图像分类, Facebook的人脸识别, Siri语音识别和阿尔法狗的部分。1980s进入机器学习领域,研究一度停滞,2010s进入深度学习,即当今人工智能大爆炸的核心驱动。
第二阶段 强人工智能 2010s-2040s (expected)
强人工智能,是各方面都与人类比肩的AI,人脑能干的活它都能做得更好。
第三阶段 超人工智能 2040s-2060s (expected)
超人工智能,在几乎任何领域都会比人脑聪明很多,包括科学创新,通讯和社交技能,保守估计会在2060年到达。
我们可以发现,人工智能时代下,未来最大的确定就是不确定性,因此能够培养批判性思考力,创造力,审美力,反脆弱力和元认知学习力的优质教育其实变得更有投资价值了。联合国在设计IB (International Baccalaureate) 教育体系的时候正是以培养这些能力为核心理念的。
世界上人工智能领域处于领先地位的日本已经意识到培养具有这些能力的下一代对民族竞争力的重要意义。日本从几年前就开始规划全国范围内普及IB国际学校,截止目前已拥有近200所IB学校,而人口是日本10多倍的中国目前仅有106所IB学校,而且教育理念很大程度上仍然受传统高考体系影响,比较注重应试成绩这种分分钟会被机器人碾压的技能。
你想成为战争食物链上层的升级版超人类,还是大多数的“无用阶层”?选择权就在自己手里。Get prepared for an increasingly connected world!
彩蛋:推荐几部与人工智能有关的电影。
机器姬 Ex Machina
我,机器人 I, Robot
超能特工队
机器人总动员
欢迎大家把观影感受在文末留言。我们会来翻大家牌子的。
附1:算法和编程的在线大赛。感兴趣并有编程基础的童鞋可自行参加。
https://www.hackerearth.com/
https://www.kaggle.com/
http://www.codingame.com/
https://en.wikipedia.org/wiki/RoboCup
附2: 人工智能领域的优质自学资源。
网站
http://www.r2d3.us/visual-intro-to-machine-learning-part-1/
https://www.coursera.org/learn/machine-learning (By Andrew Ng)
https://www.cs.cmu.edu/~tom/10701_sp11/lectures.shtml
https://www.edx.org/course/artificial-intelligence-uc-berkeleyx-cs188-1x (Specially for practice exercise in Python)
https://www.udacity.com/course/intro-to-statistics--st101
https://www.udacity.com/course/intro-to-artificial-intelligence--cs271 (Includes Logic and Robotics)
http://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-034-artificial-intelligence-fall-2010/
书籍
http://aima.cs.berkeley.edu/
http://wps.aw.com/wps/media/objects/5771/5909832/PDF/Luger_0136070477_1.pdf
https://grey.colorado.edu/CompCogNeuro/index.php/CCNBook/Main
http://psych.colorado.edu/~oreilly/comp_ex_cog_neuro.html