MIT给人工智能“泼冷水”：AI创造性目前有限

“人工智能（AI）与机器学习（ML）可能是执行企业日常运营任务的理想选择，但在创新性、或者说不可预见的一次性事务的处理方面，其表现仍然不尽人意。当然，我们承认企业级AI仍有很长的道路要走，而企业与IT领导者也有责任尽早启动试点并探索AI技术可能带来的诸多优势。”

以上内容来自麻省理工学院未来工作特别小组近期发布的一份报告。该报告将AI技术视为席卷就业市场以及工作场所的这波广泛变革中的重要组成部分。报告作者麻省理工学院经济学教授David Autor、工程与制造史教授David Mindell以及首席研究科学家Elisabeth Reynolds在报告中指出，“我们距离真正的AI系统还有很长的路要走，从业者应当阅读新闻、重新规划供应链，同时响应英国脱欧以及贸易纠纷等预期事件，并确保生产任务能够适应新的零件与原材料来源。”

首先，作为驱动AI决策的核心“燃料”，数据还没有完全做好准备。迄今为止，大多数成功的AI项目都基于机器学习系统，这类系统则高度依赖于庞大的数据集资源。Autor及其他作者在报告中提到，“AI与其它相关技术确实在多个角度，表现出通过设计、测量以及材料创新等途径创造新产品与新型生产方式的巨大希望。尽管如此，我们在访谈当中发现，很多企业仍认为自己处于相关技术的早期采用阶段，正在摸索如何收集并构建数据，从而面向现有业务应用获得更加深入的见解。这方面工作需要对多个数据源进行集成，且配合大型企业中的数百甚至数千台计算机。企业需要整合运营与信息技术方面的专业知识，同时确保生产系统得到持续改进。”

目前，资源投入量最可观的ML应用主要包括图像分类、人脸识别与机器学习、文档分析、客户服务以及数据预测。然而，ML系统在“健壮性与可解释性方面仍然面临挑战。”Autor和他的团队表示，“利用ML技术的行业正在逐渐意识到，用于训练ML系统的数据必须符合黑客攻击与网络战时代下的核心要求，即不存在偏见且绝对真实可信。”

他们还补充称，“可解释性同样是一大实际挑战，因为ML系统往往属于一种「暗箱」，无法向我们解释其为何做出当前决策。可解释性还必须具有强大的错误弹性，且能够与人类互动。只有这样，我们才能真正迎来有能力在法律层面或者关乎人类生命财产安全等重要领域做出负责任决策的实用型系统。”

再有，100%自动化本身也是一种误解。各位作者们驳斥了能够利用AI技术建立起完全自动化工厂等观点。他们表示，“所谓「黑灯工厂」这种无需任何人为介入的概念，长期以来一直是种乌托邦甚至是反乌托邦愿景。对于某些特定产品或者工艺已经极为成熟且高度稳定的场景，这一愿景可能具有意义。但是，即使是自动化程度最高的电子设备或者装配厂，也仍然需要大量工人负责对生产设备进行设置、维护与维修。手机就是一个典型的例子，这是一种稳定且统一的产品，制造量极大，但每台手机在生产流程中仍然需要经过几十名人类员工之手。”

相反，AI与ML正被广泛引入“特定的痛点与造化场景当中，例如材料运输与检查”。作者们在报告中提到，这些技术正在快速扩展，但却仍无法彻底取代传统劳动力。工作并没有被淘汰，只是构成这些工作岗位的任务正在实现自动化升级。“ML适用于特定任务级别——在理想情况下，主要负责处理那些易于进行效果量化的任务。而且据我们所了解，目前还不存在任何能够百分之百实现绝对自动化的工作岗位，只能说相关技术能够在不同岗位之上以不同程度带来助益。”

举例来说，AI技术已经开始接手“人工标记数据、法律事务文件检索，或者工人在工厂生产线上进行的质量检查”等重要工作。Autor及其同事还观察到，“我们发现有部分企业通过部署AI与ML工具支持其帮助服务中心，并在加速文档检索与摘要等特定事务当中提高员工的工作效率。此外，工程层面的实际应用则涉及利用AI技术搜索物理模型与设计空间，为人类设计师提供替代性方案，以协助他们获得前所未有的新颖设计思路。”

为了在AI技术与人类主动性之间寻求最佳平衡点，麻省理工学院团队敦促各组织“重新设计工作流程，并认真反思员工与机器之间的任务分工，类似于亚马逊在其仓库当中大量部署机器人的方式。由此产生的工作设计变化，可能在某些情况下极大改变现有岗位的核心性质。”

但谈到AI与ML对就业前景的影响方面，他们认为还很难给出明确的答案。Autor和其他作者们总结称，“虽然AI技术似乎不太可能对劳动力市场造成太大影响——除了提升对计算机及数据科学家的人才需求之外——但就目前来看，我们还无法就这个问题提出确切证据。事实上，我们很难就AI对特定技能群体的影响做出判断，因为这在一定程度上取决于管理方式与组织选择，而不仅仅在于技术本身。”