摘要：人工智能技术正在快速发展将会给我们什么样的变化？人们应该如何与人工智能相处近日，A16Z博客上放出了一篇内部报告介绍了人工智能将会给我们的社会带來的变化，以及我们如何与人工智能相处作者为A16Z合伙人Frank Chen。原题为“Humanity + AI: Better Together”
2017年7月，我发布了一个关于人工智能、机器学习和深度学习的入门視频从那以后，我一直痴迷于阅读关于机器学习的报道
一般来说，你会在媒体的头版上看到两类报道一类报道的标题是“机器人来搶你的工作”，这预示着我们的社会将无情地走向大规模失业。
甚至像麦肯锡这样“清醒的”组织似乎也在预测到2030年，三分之一的工囚会因为自动化而遭到失业的厄运：
如果这还不够吓人的话这里是另外一类报道的标题：“天网，正在为你的孩子而来”换句话说，囚工智能将在任何事情上都比人类聪明而我们最终将成为地球上失败的物种。
但是如果你翻到报纸的最后几页，或者阅读更多的期刊你会发现另外一些故事，比如科技公司向首次借款的人提供贷款为病人提供血液和疫苗，以及在战场和海上拯救生命
因此，通过仔細、深思熟虑、移情设计我们可以让自己活得更长、更安全。
我们可以创造就业机会在那里我们可以做更多创造性的工作。我们可以哽好地了解对方
但是在我谈到今天已经发生的许多例子之前，让我更广泛地分享一下人工智能生态系统中正在发生的事情
人工智能生態系统中发生了什么
人工智能生态系统正在蓬勃发展，从大学到企业再到世界各地的政府大厅。这里有三个轶事可以说明这个生态系统昰有多活跃
首先，这里有一个来自人工智能学术研究领域的有趣事实
研究人员最大的学术会议是一个名为神经信息处理系统(NeurIPS)的会议。 會议始于1987年在过去一年(2018年) ，会议门票在11分38秒内销售一空
好吧，这还比不上碧昂斯（Beyonce）她那体育场大小的演唱会的门票能在22秒内销售┅空，但我们正在接近这一目标
其次，各行各业的企业似乎都在投资人工智能 这是埃森哲首席技术官保罗·多尔蒂（Paul Daugherty）的观点，他已經在公司工作了30多年
最近，保罗做客A16Z播客时他分享道：
我已经在我的公司工作了32年，在这个行业工作了一段时间并且参与了从我们嘚互联网业务到我们的云-移动物联网业务等所有这些业务的增长过程，没有什么能像人工智能现在这样在整个组织中快速发展。
从实际支出、员工人数来看没有哪种趋势增长得如此之快，无论你采用何种衡量标准就企业影响而言，人工智能是我们所见过的增长最快的趨势这也是所有这些跨行业、跨部门的多样化趋势中的第一个。
第三随着学术界发表更多论文，企业实施更多项目政治家们自然而嘫地试图将自己的国家或地区，定位为地球上最适合建立人工智能驱动的创业公司或进行机器学习研究的地方
许多国家都宣布了培育人笁智能生态系统的计划，没有哪个国家比中国更重视这个问题中国希望，到2030年成为人工智能领域领导者 甚至发布了一些信息图表：
现茬，是我们所有人共同利用这巨大的能量造福全人类的时候了
通过深思熟虑、谨慎和富有同情心的设计，我们真的可以让自己更有创造仂成为更好的决策者，活得更长在现实世界中获得超能力，甚至更好地理解彼此
让我分享一些来自真实世界的例子，说明人工智能昰如何在这些方面帮助我们的
一、自动化程序使我们更有创造力
莎士比亚（Shakespeare）让哈姆雷特（Hamlet）这样评价人性：
人类是一件多么了不起的傑作！多么高贵的理性！多么伟大的力量！多么优美的仪表！多么文雅的举动！在行为上多么像一个天使！在智慧上多么像一个天神！
虽嘫我们有逻辑和理性，但我们也有惊人的创造力(“无限的能力”)
当机器自动完成日常任务时，我们将有更多的时间、精力和注意力用于機器目前不擅长的所谓“右脑”思维如整体思维、移情、创造力和音乐感。
我们越来越依赖亚马逊Prime及其全球同类的产品它们提供当天戓两天的免费送达服务。
为了满足我们的需求亚马逊一直在离我们家越来越近的地方建立配送中心，并部署了成千上万的 Kiva 机器人将25磅重嘚黄箱子从一个地方搬到另一个地方
除了这些机器人，亚马逊还雇佣了成千上万的人类工人来辅助Kiva 机器人并解决机器人卡住的问题。
仩图所示的尼萨·斯科特(Nissa Scott)在《纽约时报》的一篇文章中谈到她的工作时说：“对我来说这是我们这里最具挑战性的事情。这不是简单的偅复”
当机器接管简单重复的任务时，人类就可以自由地做他们最擅长的事情：跳出条条框框思考用创造性的方式解决复杂的问题。
許多销售和营销人员花了几个小时将数据繁琐地输入到他们的客户关系管理( CRM )系统中。
但是尽管销售管理部门尽了最大努力这些系统也經常丢失数据，更糟糕的是经常会填错信息。
我们的投资组合公司People.ai使用机器学习将数据自动填充到CRM中。
有了完整的、最新的客户关系管理系统销售和市场营销人员，最终可以根据他们希望从客户关系管理系统中获得的洞察力来行动
比如，知道我们应该在周五下午给峩们的潜在客户艾莉森(Alison)打电话因为这是她真正想了解新系统如何帮助她处理日常事务的时候。
通过帮销售人员将数据键入CRM的日常任务中解放出来他们可以专注于理解他人的问题，并利用他们的同情心和创造力来帮助解决这些问题
还有什么地方可以让我们的日常工作自动囮呢 为审判做准备怎么样？ 为审判做准备的第一步是收集证据
传统上，出庭律师在准备为案件辩护时会筛选成千上万的文件、照片、视频、电子邮件和其他证据。
他们必须弄清楚哪些文件与案件有关它们是关于什么的，以及它们是如何联系在一起的没有软件，律師助手梳理每一个文件或图片可能需要几百或几千个小时
我们投资的一家公司 Everlaw 简化了这个过程，它使用机器学习快速处理、分类和标记與案件相关的文件并以容易访问的方式存储它们。
因此处理该案件的律师能够利用自己的才能，从事更具创造性的工作将各个点连接起来，提出一个引人注目的大故事让陪审团能够更清楚的了解案件。
所谓的自然语言处理( NLP )系统能够理解语言的软件，也在其他应用程序中找到了自己的路
Dialpad是一种基于网络的电话和会议服务，可以转录你的谈话录音
转录后，Dialpad会使用一种叫做情绪分析的机器学习技术来分析文本中是否有愤怒或沮丧的迹象。
如果系统检测到人们感到沮丧它可以帮助人们利用自己的创造力、同情心和智商让谈话回到囸轨。
我们也可以把这些技术带到医生的办公室
上次我拜访我的初级保健医生时，他和我在一起呆了大约35分钟在那段时间里，他和他嘚笔记本电脑互动而不是和我互动，努力让我的电子健康记录保持最新
Suki是一家创业公司，致力于通过聆听病人和医生之间的对话自動更新病人的医疗记录，重新将医生和病人连接起来
通过自动化常规任务，医生可以专注于病人护理的创造性、移情性和情感性部分
當这些技术(以及帮助诊断问题的系统)进入大多数医生的办公室时，我相信我们会根据谁的临床方式最好来选择我们的医生因为诊断和保歭系统的最新大多都会是自动化的。
二、机器学习给了我们现实世界中的超能力
我们的人类感知系统是惊人的你的眼睛可以以非常细致嘚分辨率分辨1000万种不同的颜色。
但是我们的感知系统也有众所周知的局限性这就是为什么我们有炸弹嗅探犬，而不是炸弹嗅探人
我们嘚记忆也比我们许多人想承认的要糟糕。我们的大脑被设计成为了有充分的理由忘记你所看到和听到的很多东西
如果我们能够围绕人类感知系统的局限性进行设计，并在现实世界中赋予自己超能力会怎么样？
机器学习正在帮助我们做到这一点 例如，Pindrop 赋予银行、零售商囷政府组织超级听力的力量
Pindrop的服务有助于防止语音欺诈，这是黑客窃取身份和金钱的越来越常用的方式
通过分析近1400种声学属性，这个系统可以帮助组织在你打电话的时候确定你是否真的是你这仍然是我们与商家，政府机构和银行打电话过程中互动的78%
它通过倾听我们嘚声音(随着年龄的增长，声音会加深到中年然后音调会升高)，以及我们的电话和电话网络在线路上引入的噪音来做到这一点。
使用专囿的机器学习算法Pindrop可以利用线路上的噪音，来预测你是在家中用iPhone打电话还是在爱沙尼亚用 Skype 打电话。这种超级听力能力有助于组织大幅减少成功欺诈企图的数量。
在Ox和Bowery Farms等公司运营的室内农场中机器学习也给我们提供了越来越多的超能力。
作为人类我们很难观察事物苼长缓慢的过程，并随着时间的推移进行比较：我们的感知系统被设计用来注意快速移动的捕食者，而不是生长缓慢的菠菜
另一方面，机器视觉系统可以被训练能够准确地知道一棵健康的生菜在它生命的第36天应该是什么样子。
对于不能茁壮成长的莴苣农场可以自动調节温度、光照条件、水位、营养成分、湿度和其他因素，以帮助它达到最佳的健康状态
这些室内农场的作物，产量可高达每平方英尺15磅而高效温室和田间种植作物的产量分别为每平方英尺7磅和每平方英尺1磅。
而且在不使用杀虫剂和减少95%的水的情况下，这些作物的产量也可以达到这些增长效率 超级视觉的力量使我们成为更有效率的农民。
超级视觉也可以在工厂内部使用
尽管世界范围内对机器人技術进行了大量投资，但大约90%的工厂工作仍由人手完成
挑战在于，工厂里面指出了大量的成本很难让工人继续做这些工作。
美国一家经營非常好的工厂可能每年有30%的营收用来支付昂贵的再招聘和再培训费用。
在中国每天有2%的工人流失率并不罕见，这意味着几个月后伱就会有一个全新的劳动力队伍。
鉴于成本如此之高工厂将培训每位新员工的成本降至最低是至关重要的。
Drishti正在给这些工厂带来超级视覺能力
通过在工人组装产品时捕捉和分析视频，系统可以为每项工作提供个性化的行动建议帮助他们跟上进度。
使用Drishti的工厂劳动生产率提高了25 %错误率降低了50%。
当我们给建筑工地带来超视视觉能力时我们可以帮助全体员工保持安全、预算和进度。
Doxel每天下班后都使用激咣雷达(与自动驾驶汽车上使用的激光雷达相同)和摄像头从地面机器人和无人机上收集数据
通过构建精确的3D地图(精确度高达2mm )，Doxel 知道已经建荿了什么(“是什么”)并将其与建筑平面图(“应该是什么”)进行比较。然后它可以预测建筑的主要部分何时完工
这种每天进行地循环任務，有助于保持合适的工人在合适的时间、用合适的材料和工具到达现场
这也有助于防止你在自己的房屋改造项目中可能遇到的错误，仳如在水管工或电工修完墙后的管道或电缆之前就先把墙修好。
使用Doxel的这个系统Kaiser Permanente帮助建筑工人提高了38%的生产率，并在建造Viewridge 医疗办公室時节省了11%的预算。
当然谈到人工智能的超能力，我们不能不谈论自动驾驶汽车
先进的驾驶员辅助系统会导致二级效应之一，是我们將在事故现场有可靠的目击者
不管一辆自动驾驶汽车走到哪里，我们都会有十几台摄像头、几台激光雷达、多台雷达和超声波传感器等嘚传感器数据
想想这对法院和保险公司意味着什么。不用再依赖目击证人的证词甚至在周围没有人的情况下，我们可以重现事故现场發生的情况
2018年9月，特斯拉向2017年8月后生产的汽车发布了9.0版辅助驾驶软件 有了这个软件版本，用户可以将汽车的摄像头数据存储到一个 USB 闪存驱动器中许多司机也开始这样做。
这段视频来自北卡罗来纳州的特斯拉司机：
幸运的是事故中没有人受伤，但是仪表盘上的录像片段表明在没有目击者的情况下，有摄像头是多么有用
本田司机显然非法操纵，如果没有录像片段这种情况可能会演变成一场僵局，兩个司机都会坚称他们没有责任
下面是我在这一部分的最后一个例子，说明机器学习系统是如何在现实世界中给予我们超能力的
一家洺为 OrCam 的以色列公司生产了一种名为“MyEye 2”的产品，它可以夹在一副眼镜上帮助有视力突然下降问题(如失明、视力突然下降障碍、阅读障碍)嘚人们在世界上导航。
这个产品用于拍摄周围的环境并描述视频中的内容。
它可以阅读一本书中的文字、当人们靠近时说出他们的名字(這是一个我很喜欢的功能尽管我的视力突然下降很正常！) 、区分5美元和50美元的钞票，区分食品杂货店的产品等等
三、帮助我们做出更恏的决定
机器学习算法，可以帮助我们做出更好的决策通过将人类的偏见最小化，使用更完整的数据集或者弥补我们决策软件中已知嘚缺陷。
虽然古老的计算机科学公理“垃圾输入垃圾输出”仍然适用，但精心设计的具有完全代表性数据集的系统可以帮助我们做出哽明智的决策。
考虑一下招聘场景Textio开发了一种软件产品，帮助人们写工作描述这种描述最有可能吸引有资格、有能力做特定工作的人。
这家公司由一个微软 Office 老员工团队创办在你写内容时在屏幕上提供指导。
例如当你在某个特定的时间点，使用某个性别比另一个性别哽有吸引力的词语时Textio 会提醒你。
诸如详尽、强制、无畏之类的词汇已经被统计学证明会让你的人才库偏向男性。
Textio还指出了地区差异
唎如，如果你用“好的职业道德”来描述你的理想候选人这可能会吸引圣何塞的工人，但会阻止华盛顿地区的工人如果你的目标是埃弗雷特的候选人，最好不要说这句话
鉴于Textio可以访问广泛的数据集，比如现有的职位描述、应用统计数据和工作表现数据等等可以帮助伱消除招聘过程中的盲点。
机器学习还可以帮助你找出是什么让你最优秀的员工如此高效，并帮助你在第一天就把新手变成专家
Cresta.ai观察朂有效的销售人员在聊天时如何与潜在客户互动：弄清楚潜在客户需要什么，推荐产品回答问题。
这个系统提取最佳实践方案并将其轉化为实时建议，供经验不足或效率较低的销售人员在与潜在客户互动时使用
在 Intuit 这样的客户部署中，销售团队的转化率上升了20% 培训时間节省了66%。
换句话说与没有使用这个系统相比，销售代表在培训较少的情况下完成了更多的业务
这个系统对销售人员和客户都有好处。
正如一位 Intuit 代表所描述的,“我担心使用这个系统会破坏与客户的个人关系或对话但是将这个人工智能作为工作助手，有助于展开个性化對话”
机器学习也有助于提高非常熟练的专业人员的决策能力，例如寻找特定矿物的地质学家
锂离子电池(如手机、笔记本电脑或电动汽车中的电池)内部可能含有一种叫做钴的矿物质，这种矿物质可以帮助电池在多次充放电循环后依旧保持性能
随着特斯拉的Gigafactory等电池工厂苼产更多的锂离子电池，钴的需求正在迅速增长
不幸的是，世界已知钴储量的65%在刚果民主共和国这个国家政治不稳定，据报道可能有哆达40000名儿童在开采钴矿
如果我们在刚果民主共和国政府中有一个可靠的政治伙伴，我们可能会努力改善所有矿工的工作条件但是我们吔应该寻找新的钴来源。
通过查看许多不同的数据源如地形数据、在某一地区生长的植物、磁和电磁模式、水和天气模式、岩石类型等等，在我们派遣非常昂贵的探险队开采之前这个系统可以帮助地质学家找到钴的可能存在的位置。
另一个很好的例子是金融技术
向首佽借款人发放贷款是有风险的，尤其是在第三世界国家如肯尼亚、坦桑尼亚或尼日利亚。
在这些国家信用机构要么不存在，要么无法接触到所有人致使很多人无法获得传统贷款。
我们的投资组合公司Branch一直致力于在这些领域为首次借款人提供贷款。
在没有信用机构的凊况下Branch试图根据借款人的移动应用程序使用情况和通过其移动应用程序收集的行为来确定借款人的资格。
使用机器学习Branch分析了数据，並确定了几个行为指标这些指标已经被证明，可以预测贷款偿还的可能性
以下是一些令人惊讶的因素或行为，使得Branch的借款人更有可能償还贷款的特征：
-
使用三星或HTC等品牌的手机
-
在手机上运行赌博应用程序
除了最后一个指标列表上的大多数指标都不太令人惊讶。
数据发現如果一个人是赌徒，并且手机上有赌博应用他们更有可能偿还贷款。
如果你觉得这有点违反直觉你并不孤单。
这只是证明了一个囚类决策者是多么的不靠谱这是由于个人偏见和过去的经验造成的。
这是否意味着算法在所有决策方面都比人类好 还没有。
从组织样夲中比较癌症诊断性能的研究显示例如哈佛医学院2016年6月发表的这一项研究和谷歌AI Health研究员2018年10月发表的另一项研究，当人类与算法竞争时始终提供最准确诊断的是人类+算法，它们的表现优于单独的算法和单独的人类
为了让你了解医生用来诊断癌症的方法，这里有两张并排嘚图片左边的一张显示了已经染色的组织切片。
右边的图显示了计算机视觉算法叠加“热图”的结果热图显示了它认为更多(红色)或更尐(蓝色)含有癌组织的区域。
为什么人类使用的算法比单独的算法和单独的人表现更好一种可能性是，这些算法改进决策的方式与语法囷拼写检查有助于提高我们的写作水平的方式相似。
一般来说这些检查器能很好地发现我们的打字错误和语法错误(真正的优点)。 但是偶爾检查器会标记出错误(假阳性)或者给出一个你不同意的语法暗示。
在这些情况下你最终将重写检查器。这种过程最终的结果是写出嘚东西比任何一方自己写出的东西都要好。
四、将危险的工作和任务自动化使我们更加安全
有些工作显然是危险的例如海上救援、向偏遠地区运送血液和疫苗，以及冲进大楼看看里面是否有敌对士兵创业公司和非营利组织正在帮助实现这些工作的自动化。
下面这段视频可能是世界上第一架无人驾驶飞机拍摄的海上救援视频：
这个叫“Little Ripper”的组织正驾驶无人机在海洋上空搜集视频画面。他们计划建立一个識别水中鲨鱼的机器学习模型作为冲浪者和游泳者的早期预警系统。
在一次收集录像的训练任务中一个真实的求救电话打了进来。
在70秒内无人机操作员就飞到了遇难游泳者身边，把救生背心扔给他们营救他们，所有这一切都不需要派一队救生员进入危险的海浪中
Zipline，我们的投资组合公司之一正在努力为卢旺达全国人民提供救命的血液和疫苗。
他们以无人机为基础的输送系统非常普遍以至于现在盧旺达输血所用血液的25% 都是他们提供的。大多数快递都在半小时内完成
这家公司现在正在将他们的配送系统扩展到加纳，并已开始在美國进行试飞
最后，我们的投资组合公司Shield.ai正在制造一种无人驾驶飞机以增强美国军队今天执行最危险的行动中的人类士兵的能力。
这被稱为“清理”它涉及派遣武装的人类士兵进入他们从未见过的建筑。
这家公司的Nova无人驾驶飞机在清除存在未知敌人的建筑物时，对士兵来说是一种无价的帮助
它能够探索并传送建筑物通道的详细地图，同时使用机器学习算法将建筑物内的居住者标记为朋友或敌人
海仩救援，快速向偏远地区运送血液清除可能存在潜在对手的对建筑：这些工作中的每一项，显然都很危险
令人惊讶的是，根据美国劳笁统计局的数据美国最危险的工作之一是长途卡车运输。
这个职业的死亡人数比其他职业都要多而且这个已经令人痛心的数字还没有栲虑到长途货运对健康的负面影响。
长途卡车司机的肥胖率是普通人群的两倍多而且风险还不止于此。
肥胖会增加一个人患糖尿病、癌症和中风的风险而且由于工作本身的压力，卡车司机更有可能通过饮酒和吸烟来缩短寿命
我们必须尽快让这些卡车司机下车，这需要峩们能建立起比人类司机更安全的自动驾驶系统
驾驶客车也非常危险。世界卫生组织估计每年有120万人死于道路交通事故
这是15至29岁年轻囚死亡的主要原因，世界卫生组织认为从致命的交通事故中恢复过来消耗了世界GDP的3%。
一旦自动驾驶系统足够安全可以控制方向盘，我們就必须让人类驾驶员下车我们有一组投资组合公司在这个生态系统中积极开发产品和服务。
DeepMap正在构建精美详细的3D地图这些算法可以鼡来安全地为我们在道路上导航。
Applied Intuition创建了模拟系统帮助工程师测试和重新测试他们的算法，以确保他们创建的算法在暴露于各种条件下時行为完全符合预期。
Voyage在退休社区内提供自动化出租车服务这样即使我们失去了驾驶能力，我们也可以保持自己独立行动的能力
Cyngn 正茬开发一整套自动驾驶软件，这些软件可以在各种各样的车辆中使用
五、机器学习将帮助我们更好地理解彼此
你可能认为人类最有能力悝解彼此。毕竟谈话的另一方是另一个人类。
但事实证明精心设计的软件实际上可以帮助我们更好地了解彼此。想想被诊断患有自闭症的人
总部位于剑桥的两家公司 Affectiva 和 Brain Power 已经开发了应用程序，通过使用简化的表情符号帮助自闭症患者认识到周围人的情绪状态，以便他們能够适当地调整自己的行为
他们的系统通过谷歌眼镜分析视频，并将适当的表情叠加在一个人的脸上帮助佩戴者最准确地理解与他們交流的人的情绪状态。
这是一个正在运行中的系统：人工智能研究的最初目标之一就是机器翻译也就是把一种人类语言翻译成另一种語言。
这个领域最困难的挑战是同步实时翻译：当一个人用一种语言说话时系统会自动及时输出另一种语言的翻译，这样两个人就可以進行自然的对话
这种类型的翻译非常具有挑战性，就算是专业的联合国翻译人员一次只能工作20分钟然后他们就会被一个队友接替。
2018年10朤百度发布了同步翻译系统 STACL (即带有预期和可控延迟的同步翻译系统) 。
鉴于技术挑战是如此之大人工智能社区朝着这个目标正在取得坚實的进展，这令人印象深刻
为了跟上说话者的步伐，机器学习系统实际上会生成多个预测预测说话者开始说话时每个句子将如何结束。这有点像谷歌在你的浏览器的搜索栏中的自动完成功能
系统需要为一个句子创建和翻译不同的可能结尾，因为如果不这样做它就会落后于说话者。
想象一下在我们走进的每个会议室或打开的每个浏览器窗口的每次网络呼叫中嵌入实时翻译，我们可以更好地理解每个呼叫
下面是最后一个例子，说明如何更好地理解对方这可能是我在整个演讲中最喜欢的例子。
有一个叫做Crisis Text Line的非营利组织它通过短信姠处于危机中的人们提供咨询。
上一代人在面临危机时可能会拨打热线电话而现在这一代人则更喜欢发短信。
当Crisis Text Line启动时他们要求训练囿素的顾问列出50个触发词，这些词可以用来预测高风险短信发送者
他们生成的单词通常和你想象的一样: 比如“死”、“割”、“自杀”囷“杀”。在这项服务运行了一段时间之后这家公司应用机器学习技术，看看是否还有其他单词可以从列表中添加或删除结果非常令囚惊讶。
你知道布洛芬这个单词预测自杀的可能性是自杀这个词的14倍吗？ 哭丧的表情是是自杀这个词的11倍吗
斯坦福大学的研究人员，接着提取了最有效的咨询师的的最佳实践
他们发现有效的技术之一是创造力：成功的咨询师以创造性的方式回应，而不是使用过于笼统戓“模板化”的回应
在危机咨询的极端情况下，机器学习帮助我们更好地了解彼此
虽然机器学习软件，在使我们成为更好的人类方面囿很大的潜力但是如果我们没有故意的、深思熟虑的和同情心的话，我们就不可能达到这个目的
“垃圾输入，垃圾输出”的说法仍然荿立而且随着我们越来越信任基于人工智能的系统，这种说法可能更具潜在危险性
话虽如此，对于如何最大限度地提高人类的繁荣峩有三个建议。
为了打击“垃圾输入垃圾输出”，我们必须用高质量、包容性的数据来训练我们的机器学习系统
Ai4all、 OpenAI 和Partnership for AI等组织正在发布朂佳实践(关于包容性和安全性) ，供研究人员和产品团队在设计系统时使用
我们必须学会使用像埃森哲、谷歌和微软这样的组织提供的数據质量工具和概念框架。
随着公司和组织朝着一个包容、安全的机器学习系统的未来发展组织规模不断扩大，他们经常发现自己需要雇傭一名全职思考这些问题的高管
这是硅谷最热门的新职位之一：人工智能伦理和政策总监。
第二我们不要把这变成核军备竞赛的重演，一场零和竞赛
与20世纪80年代开始的专有数据库时代相比，随着开源代码库(如谷歌的TensorFlow、Databricks的mlflow、无处不在的Keras和scikit-learn )和共享数据存储库(来自Kaggle、UCI、Data.gov等组織)的激增我们在机器学习社区已经有了更好的开端。
但是我们还有很长的路要走
虽然来自各个国家的专家，可能想把这变成一个零和遊戏一个国家以另一个国家为代价取得成功。
但我们可以、而且应该共同努力实现机器学习支持的软件对所有人的承诺，而不管其国籍如何
虽然预测就业的未来超出了这个报告的范围，但是我注意到像 Gartner 这样的组织最近的研究预测，在未来几十年里会有新的工作机会而之前的研究，则预测未来几十年会有大规模的失业
我喜欢我的朋友李开复在他的《人工智能超级大国: 中国、硅谷和世界新秩序》一書中提出的框架。
想象两个坐标轴：在 x 轴上我们有一系列更常规的工作，而不是需要创造力和策略的工作 在 y 轴上，我们有需要同情心財能做好的工作
李开复认为，机器学习将首先取代的工作是左下角的工作：不需要太多同情心的常规工作
但即使这些工作消失了，我們仍然有3个象限的工作：那些需要同情心的工作在图表的上半部分以及需要大量创造力的工作。
这些工作是目前的机器学习技术还没有發展到可以取代的地步
在思考如何让子孙后代为这些工作做好准备时，我想起了我成长过程中流行的一本书
这本书的作者是一位名叫羅伯特·福尔甘（Robert Fulghum）的牧师，书名叫《我在幼儿园学到的所有我需要学习的东西》
在书中，他认为我们应该在孩子身上培养人类的价值觀：同理心、公平竞争、学会如何与他人相处、说声抱歉、想象力等等
虽然我知道我们需要在这个基础上增加一套实用的技术诀窍，但峩同意他的观点即一个富有情商、同情心、想象力和创造力的基础，是让人们为机器学习的未来做好准备的绝佳跳板
在这个未来，人類和算法会更好地结合在一起
未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能，互联网和脑科学交叉研究机构
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划构建互聯网（城市）云脑技术和企业图谱，为提升企业行业与城市的智能水平服务。
如果您对实验室的研究感兴趣欢迎加入未来智能实验室線上平台。扫描以下二维码或点击本文左下角“阅读原文”
