能端上晚餐的机器人、自动驾驶汽车和无人机出租车，可能既有趣又利润丰厚。但别急着期待。它们很可能还远未达到炒作所说的程度。
在近期于香港举行的2017年沃顿全球论坛上，一组专家阐述了他们对人工智能（AI）、机器人、无人机、其他技术进步及其未来可能如何影响就业的看法。归根结底，他们给一些炒作降了温，同时指出未来某些工作岗位面临的威胁。
他们的发言是在一场题为“塑造商业未来”的专题讨论会上发表的，沃顿商学院院长杰弗里·加勒特担任主持人。发言嘉宾包括香港科技大学电子与计算机工程学教授冯雁；宾夕法尼亚大学工程学院院长维杰·库马尔；以及摩根大通亚太区主席兼首席执行官尼古拉斯·阿古津。
讨论一开始，加勒特便问道：自动驾驶汽车运动的影响有多大，又会带来多大颠覆？
库马尔表示，主流媒体上大量关于自动驾驶汽车即将问世的报道，实际上言过其实。在他看来，完全自动驾驶汽车还要很多年才能实现。
库马尔提出的一个关键观点是：高科技进步往往有两个方面。一方面受到媒体广泛关注——计算能力、软件等方面的进步。在这些领域，发展很快——新应用、新公司和新产品每天层出不穷。然而，另一个常被忽视的方面深刻影响着许多项目：这些项目需要以新的方式将虚拟世界与物理或机械世界连接起来。库马尔指出，他同时也是宾大机械工程学教授。这一领域的进展要慢得多。
自动驾驶汽车中的所有软件，终究要面对坚硬的路面。在这个领域，和其他机器人应用一样，进步要经历“从数据到信息，再到知识”的过程。一个根本问题是，大多数观察者没有意识到，在物理世界中运行需要多么庞大的数据量，而且这个数量还在不断增长——或者用库马尔的话说，是“指数级”的增长。如今人们已经认识到“大数据”的重要性，但许多物理操作所需的数据量，远远超过“大数据”这个说法所暗示的规模。他认为，获取如此庞大数据的种种限制，严重拖慢了许多类型项目的进展。
换句话说，许多对自动驾驶汽车持乐观态度的文章忽略了一个事实：要获得足够的数据，使完全自动驾驶汽车能够大规模运行，需要很多年，而不只是几年。
库马尔指出，要获得足够的数据以达到90%的准确率，“已经够难了”。如今一些物体识别软件“准确率达到90%；你去Facebook，那里有那么多张脸——[但识别]准确率也只有90%”。然而，即使达到90%，“你的计算机视觉同行也会说‘这太蠢了’……但要从90%的准确率提高到99%，需要多得多的数据”——数据量要呈指数级增长。“然后要从99%的准确率提高到99.9%，猜猜看？还需要更多数据。”他将指数级增长的数据需求比作一条曲线，形状如同曲棍球杆，斜率突然急剧上升。正如其他分析人士指出的，自动驾驶汽车面临的问题在于，当人命攸关时，90%甚至99%的准确率都远远不够。
指数级增长的数据量
库马尔说：“要有指数级增长的数据量，才能把所有……情况都处理好，这极其困难。这就是为什么我认为自动驾驶汽车——它们需要依据数据采取行动——极难[完善]……“没错，这是个很棒的概念，我们也取得了重大进展，但……要把问题解决到让我们完全放心的程度，还需要很长时间。”
那么，为什么人们读了主流媒体的报道后，会觉得自动驾驶汽车即将问世呢？
为了说明他对媒体现象的看法，库马尔引用了美联储前主席艾伦·格林斯潘的言论。格林斯潘曾在2000年代初那场巨大的科技股泡沫破裂前不久，著名地指出股市存在“非理性繁荣”。库马尔认为，如今围绕自动驾驶汽车也存在类似的夸大宣传。“非理性繁荣就是这样出现的。这项技术几乎已经成熟，但要最终融入社会，还需要很长时间。”
“要有电力、电机和电池，为能把人载上天空的无人机提供动力——我认为这不过是痴心妄想。”——维杰·库马尔
加勒特指出，特斯拉负责人埃隆·马斯克声称，让新车实现自动驾驶所需的所有技术已经存在（尽管紧急情况下未必能在没有人类乘客接管的情况下运行），主要问题在于“人们是否接受这项技术”。
库马尔说，他完全不同意。“埃隆·马斯克也会告诉你，电池正在不断改进，性能越来越好。实际上，现在用的还是五年或十年前就有的同一种电池。”不同之处在于，电池变得更小、价格更低，“因为买电池的人更多了。但从根本上说，它还是同一样东西。”
其他领域的进展也很缓慢。库马尔解释说，在“物理领域”，能源和动力方面也没有太大变化。“看看电动机，那还是二战时期的技术。所以，在物理方面，我们没有取得信息领域那样的进步。你猜怎么着？在美国，所有电力消耗中有2%来自数据中心。如果你真的想要多得多的数据，想要面对这条曲棍球杆曲线，仅仅让数据中心运转起来就会消耗大量电力。我认为，发展到某个阶段，事情会越来越难……”
他说，无人机技术也面临类似的限制。“有个简单的事实：无人机飞行每公斤大约需要200瓦的功率。所以，如果你想把一名75公斤的人送上空中，就需要很大的功率。你要从哪里弄来能做到这一点的电池？”唯一具有足够“功率密度”来提升如此重载荷的能源是化石燃料。“你可以用小型喷气涡轮机为无人机提供动力。但要用电力、电机和电池来驱动能把人载上天空的无人机——我认为这不过是痴心妄想。”
这并不是说无人机“不能做一些有意思的事，但无论你要做什么，都必须考虑与目标相称的载荷。”
在其他领域，例如电动汽车，进展顺利，库马尔认为潜力很大。“中国已经证明了这一点，他们领先世界。中国每年生产的电动汽车数量是美国的三倍……我确实认为电动汽车会长期存在，但我不太确定无人机是否能使用电力驱动。”
冯雁顺着库马尔的思路，阐述了在可预见的未来人工智能（AI）的一些局限性；在这一领域，炒作往往也超过了现实。AI或许能够完成许多令人印象深刻且有价值的任务，但物理限制几乎依然没有变化。
冯雁指出：“……一个只能进行语音识别、也就是把你说的话转换成文字的深度学习算法，需要用数百万小时的数据进行训练，而且‘要用庞大的数据农场’。深度学习网络可能拥有数十万个神经元，而人脑有数万亿个。就目前而言，人类的能效高得多。她开玩笑说，人可以‘吃一小片披萨就工作一整天’。”
“最不容易被机器人取代的工作会处于顶端和底端，而不是中间。”——维杰·库马尔
人脑之谜
这让讨论嘉宾指出了第二个未受足够重视的差距：AI目前能够掌握的项目范围。库马尔指出，翻译这类任务相对狭窄。我们“在一定程度上已经弄清楚如何从数据走向信息，尽管……即使借助深度学习，这也很难做到。从信息到知识呢？我们毫无头绪。我们不知道人脑如何运作……要造出具有人类般智能的机器，还需要很长时间。”
库马尔指出，不久前，IBM的超级计算机沃森甚至无法和一个五岁孩子玩井字棋。如今，它能在人类知识问答节目《危险边缘！》中击败人类。但这种飞速进步可能会让我们忽视一个事实：如今的计算机最擅长的仍只是狭窄的任务或“特定问题解决方案”。“要把能力推广到人类所做的许多事情上，那就非常难了。”
尽管如此，更大的进步正在酝酿之中。冯雁指出，迄今为止，要让自动化完成那些狭窄任务，需要人类“学会如何与机器沟通”，而且并不总是成功，呼叫中心以及苹果Siri常常让人感到沮丧就是例证。
如今，人们正在努力扭转师生关系，让机器开始学习如何与人类沟通。冯雁说，“为我们服务、迎合我们”的AI算法和机器的研发与应用正在推进。“它们会理解我们的意思、情感、个性、情绪表现，以及所有这些。”目标是让AI理解人与人沟通中的“不同层次”。
冯雁说：“我们彼此注视，体会对方的情绪和意图。”她是全球致力于改善机器与人类沟通的领军者之一。“我们使用肢体语言，不只是说话而已。这就是为什么我们更喜欢面对面开会，甚至宁愿用Skype，也不只是打电话。”
冯雁提到了一篇文章，那是她为《科学美国人》撰写的，探讨教机器人理解并模仿人类情感的必要性。“基本上，就是要制造能够理解我们的感受和意图、而不只是理解我们说了什么，并以更像人类的方式回应我们的机器。”
这种“情感计算”意味着，机器最终将能够识别从我们的声音、文字、面部表情和肢体语言中体现出的“情感”。未来的“人机交流必须具备这一层交流”。冯雁补充说，捕捉意图和情绪是一项极其困难的挑战。“机器很难理解自然语言，人类也一样。我们经常彼此误解。”
那么，这一切对未来就业可能意味着什么？
机器依然“愚笨”
库马尔说：“在不久的将来，没人需要担心，因为机器还相当笨……”冯雁举例解释说，她现在可以造一台能做一些简单家务的机器人，但“我自己做，或者教孩子或丈夫做，成本还是更低。因此，在不久的将来，有大量工作要用机器取代，成本会过高。五十到一百年后，这种情况可能会改变，就像今天的世界与五十年前不同一样。”
但即使新技术问世，其最终影响也未必总是显而易见。例如，银行业最初引入自动柜员机（ATM）后，柜员人数并没有减少；阿古津指出，“我们反而有了更多柜员”。ATM让“开设一家分行变得更便宜，于是我们开了更多分行，因此最终柜员也更多了”。
“借助区块链技术，最终交易成本会‘像发送电子邮件一样，几乎为零’。想想这对贸易融资意味着什么。”——尼古拉斯·阿古津
另一方面，阿古津补充说，将区块链技术作为账本系统引入银行业，很可能会免去第三方复核账目的需要。任何需要对账的事项都可以即时完成，无需确认。最终，交易成本会“像发送电子邮件一样，几乎为零……没有任何混淆的可能，也就没有成本。想想看，如果把这项技术应用到贸易融资等领域，会怎样。”
阿古津所在的银行今年已经准备自动化处理170万个目前由人工完成的流程。“这些并不是最基层的手工工作，而是处于中间层级的工作。”作为情感计算的早期尝试，他的银行正在开发一款软件，能够感知客户来电时的情绪和目的。“它还不完美，但已经能相当准确地判断他们的感受，比如他们是想投诉，还是只想查余额？他们要做某件事还是别的事——这样就能节省很多时间。”
不过，他表示，自己仍然相信新技术出现后会创造新的工作岗位，正如ATM问世后发生的情况。他对就业未来和自动化的看法并不像一些分析人士那样“灾难性”。“我有点担心变化的速度，这或许会让我们谨慎行事，但……还会有新事物不断出现。我对未来的看法相对更乐观。”
冯雁提醒听众，即使在金融科技领域，进步也会受可用数据的限制。“有些领域的数据很多，另一些则没有。”金融业高管曾告诉冯雁，他们拥有庞大的数据库，但据她的经验，这些数据库往往远不足以实现他们的许多目标。
库马尔承认，如今我们为机器人创造的工作岗位比为人类创造的更多，这让人担忧人类未来的就业前景。但在就业问题上，他也称自己是一个“病态乐观主义者”。AI和机器人技术在“与人类协作的应用场景”中效果最好。他呼应冯雁的观点补充说：“要造出具有人类般智能的机器，还需要很长时间。至于从‘信息到知识’，我们毫无头绪。我们不知道人脑如何运作。”
顶端和底端的工作更安全
针对冯雁关于许多低技能工作可能会保留下来的观点，库马尔补充说，最可能被取代的工作可能会让人意外。“计算机最擅长什么？它们擅长考试。因此，人们以为‘哦，我从这所名校以4.0的成绩毕业，未来就能找到工作’——这并不成立。”与此同时，对机器人来说，“收拾三岁孩子弄乱的房间非常非常难。端晚餐上桌非常非常难。饭后收拾更难。我认为这些工作是稳固的。”
讨论小组的共识是：最不容易被机器人取代的工作会处于顶端和底端，而不是中间。
那么，多年以后，当机器人变得足够先进、足够便宜，能够接管越来越多的人类活动时，人类的工作会变成什么样？
“即使有一天机器写的小说和人写的小说没有区别，你还是会想读人写的小说。你依然会珍视那份人情味。”——帕斯卡尔·冯
冯雁说，首先，AI工程师的数量会大幅增加，“还会有负责监管机器、维护机器，并以某种方式设计机器的人，直到机器能够自我复制”。
此外，许多工作会开始适应新的世界。比如，假设在遥远的未来，许多餐厅都有机器人服务员和侍者。冯雁说，人们会“多花很多钱，去厨师是人类、服务员也是人类的餐厅”。“这样一来，人类劳动就会变得非常有价值。”
她补充说，许多人可能会“成为艺术家、厨师和表演者，因为你还是想听人类演奏的音乐会，对吧，而不是只让机器人为你演奏协奏曲。即使有一天机器写的小说和人写的小说没有区别，你还是会想读人写的小说。你依然会珍视那份人情味。”
冯雁指出，创造力已经变得越来越重要。因此，未来的关键不在于由AI工程师还是商界人士掌权。“真正的区别在于有创造力的人和没有创造力的人。对有创造力的人的需求越来越大。”如今，与过去相比，工程专业学生似乎“更难与最优秀的人竞争”。
过去，对工程师来说，良好的学业成绩就能保证一份好工作。冯雁补充说，如今科技公司会从“许多不同方面”面试求职者。他们不只看技术技能，也看创造力。“我认为工程师必须学习更多非工程领域的技能，而非工程专业的人则要学习更多工程技能，包括科学思维和一些编程……”
库马尔表示赞同。如今，宾大所有工程专业学生都要修读商科课程。“全面发展的毕业生这一理念，以及当今的通识教育理念，我认为都包括工程和商科，对吧？我担心的是人类学专业、英语专业和历史专业的学生会怎样……我认为这些学科将面临很大压力。”
