智能的发展报告

技术淘汰了某些种类的工作，并创造了其它种类的工作------从石器时代就是如此。在过去，机器取代了需要体力的人们，我们越来越多地看到传统上的白领工作被机器扩充着。比如：计算机取代了人们执行真正的计算等等。

人工智能好像也是用这种方式转着，其世界非常著名的GOOGLE、FACEBOOK和其他公司在人工智能上就投入了大量的资金，人工智能实际上能够增加目前正在自动化的这种工作的需求。

设计模式1：训练数据

训练数据的数量和质量是确保机器学习算法良好运转的最重要因素，优秀的公司会非常谨慎地对待手机训练数据的过程。GOOGLE已经投入了好几千万人时收集和为数据打标签并提供给机器学习算法。

设计模式2：回路中的人

这种设计模式已经远远超出了人们的期望。无人驾驶汽车不会立即取代人类司机；它们在某些特定条件（比如侧方停车）接管汽车，当路况复杂（比如有建筑物的繁忙街道）时，再把控制权交还给司机。ATM 不会自动读取你要储蓄的每一张支票，仅在字体清晰时才会读取。在这两种情况下，机器处理很大比例的工作，但是当它们不敢确定能否处理好时，人类介入才是必需的。

机器学习不是每次只取代一个工作职能，实际上，它会取代每一项工作职能。这让人们能够越来越有效地工作。在某些情况下，这会导致更少的工作岗位，但是在其它情况下，会创造出新市场，并为相同种类的工作创造出更多工作岗位。现在，如果个人助理每次能处理 20 个客户，那么，个人助理会变得更加便宜，随着更多的人使用，或许效率会超过 100 倍。

设计模式3：主动式学习

主动式学习包含了前两种模式。由「回路中的人」收集的训练数据可以反过来再提供给算法，使其变得更完美。算法像人那样学习——新奇、复杂的情况，有助于它们更快地学习。因此，算法不能处理的例子，由人类打上标签，就变成了帮助算法改进的极好例子。

受人工智能的影响，大部分知识型工作已经被省去了，因为从历史角度看，建立一套机器学习算法的先期成本过高。和软件不一样，每一个机器学习模型不得不针对每一种单个应用程序做个性化开发。因此，机器学习自动化的、仅有的业务应用程序，将非常有利可图，或节约成本，比如预测能量使用或命中广告。

但是一切都在变。两种趋势一直在快速地降低机器学习的成本。一方面，计算能力正变得更便宜，一直都这样。另一方面，机器学习算法正在产品化。单在 2015 年，阿里巴巴、微软、亚马逊和 IBM 都上线了多用途云机器学习平台。公司不再需要类似 Google 的研发预算就能在内部使用机器学习了。

这意味着，很多更小规模的业务功能，将感受到机器学习的效应。当开发一套算法的成本高达一百万美元时，只有大公司才能把机器学习应用于分类工单、组织销售数据库、或处理款项。但是，当成本只有 20 美元/每月时，每个人都会使用它。所有这些机器学习平台在去年上线，却恍如隔日

现在我们身边很多东西都在向智能化迈进，科技的发展速速是不可估量的，智能科技的进步也给我们的经济带来了巨大的影响。