家庭教育革命：登陸人工智慧時代(1)：高薪白領工作的消亡

教育體系的流水線本質

今天的全民教育體系，是工業時代的產物，來源於工業時代的核心思想和技術：大規模生產的流水線。

這個流水線的產品，代表了工業社會對人力的核心需求：大量的熟練工人。大學培養白領工人，技校培養藍領工人。作為原材料的小孩從6歲甚至更早開始進入生產線，最後往往從這兩頭的一頭出來。

從這個角度，其實如下三類人，都面臨類似的環境：

• 學校讀書的學生
• 生產線上的工人
• 高度流程化的大公司的白領

學生就是一個崗位，讀書就是一份工作。

很多家長講小孩不愛學習，如果學習僅僅是在學校流水線上完成任務，那麼不愛這份工作本來就是大概率的正常現象，反過來熱愛倒是另類。生產線上的工人，大外企的白領，有多少人對自己日復一日的重複勞動充滿熱情的？

前幾年的富士康員工跳樓事件，其實並非富士康待遇太差，事實上在生產企業中，富士康是待遇好的，屬於人們打破腦袋想要進去的那種。

但是反而正因為這樣，可能才更容易讓人覺得。對於工人來講，他們能看到的最好的工作也就是這樣了，那麼未來在哪裡呢？

卓別林在《摩登時代》中，描述了機器化生產下的工作，日復一日的重複工作，無暇顧及其他，最後將人的鼻子也當作螺絲擰，捲入了流水線中。

幾十年過去了，今天家長們從小孩生下來開始，往往就在被教育流水線驅動。幼兒園要多少識字量，重點中學招生政策有什麼變化，學校布置這樣那樣的任務要完成。自然小孩也在其中。

流水線是造就工業社會的偉大思想和技術，今天人類社會的發達，離不開它的貢獻。即使單純從教育的角度，流水線體系也有偉大的貢獻，例如一方面實現了全民的普及基礎教育，一方面也為社會發展提供了人力資源的支持。

但是流水線式的教育，有兩個致命的缺陷：

• 它很大程度上是反人性的，難以培養出健全、高度發展、可以充分發揮潛力的人
• 誕生於工業時代的教育，與新時代的社會需求脫節了

信息時代：從生產者到創造者

工業革命造就了一個物質豐富、技術發達的社會，在此基礎上，信息革命到來了。

蘋果、微軟、Google、Facebook，幾個毛頭小伙，在車庫或者宿舍里，白手起家，創造了千億美金的公司，改變了世界的面貌。作為信息時代老前輩的蘋果，王者歸來，幾年的時間，顛覆了手機行業。

今天的全民教育體系，是工業時代的產物，來源於工業時代的核心思想和技術：大規模生產的流水線。

這個流水線的產品，代表了工業社會對人力的核心需求：大量的熟練工人。大學培養白領工人，技校培養藍領工人。作為原材料的小孩從6歲甚至更早開始進入生產線，最後往往從這兩頭的一頭出來。

從這個角度，其實如下三類人，都面臨類似的環境：

• 學校讀書的學生
• 生產線上的工人
• 高度流程化的大公司的白領

學生就是一個崗位，讀書就是一份工作。

很多家長講小孩不愛學習，如果學習僅僅是在學校流水線上完成任務，那麼不愛這份工作本來就是大概率的正常現象，反過來熱愛倒是另類。生產線上的工人，大外企的白領，有多少人對自己日復一日的重複勞動充滿熱情的？

前幾年的富士康員工跳樓事件，其實並非富士康待遇太差，事實上在生產企業中，富士康是待遇好的，屬於人們打破腦袋想要進去的那種。

但是反而正因為這樣，可能才更容易讓人覺得。對於工人來講，他們能看到的最好的工作也就是這樣了，那麼未來在哪裡呢？

卓別林在《摩登時代》中，描述了機器化生產下的工作，日復一日的重複工作，無暇顧及其他，最後將人的鼻子也當作螺絲擰，捲入了流水線中。

幾十年過去了，今天家長們從小孩生下來開始，往往就在被教育流水線驅動。幼兒園要多少識字量，重點中學招生政策有什麼變化，學校布置這樣那樣的任務要完成。自然小孩也在其中。

流水線是造就工業社會的偉大思想和技術，今天人類社會的發達，離不開它的貢獻。即使單純從教育的角度，流水線體系也有偉大的貢獻，例如一方面實現了全民的普及基礎教育，一方面也為社會發展提供了人力資源的支持。

但是流水線式的教育，有兩個致命的缺陷：

• 它很大程度上是反人性的，難以培養出健全、高度發展、可以充分發揮潛力的人
• 誕生於工業時代的教育，與新時代的社會需求脫節了 在這個新的時代里，生產過剩了，社會所稀缺的，不再是大眾化商品和他們的生產者，而是創造者。

而流水線教育體系，擅長的是培養循規蹈矩、尋求和遵守標準答案的工人，但創造需要的是獨立思考能力、跨領域多元化的知識架構、觀察能力、想像力、創造力、領導力、情商、關係和溝通能力。無論是教育體系本身，還是政府、社會、家長，都意識到了這個問題。但一個龐大體系的變革，雖然不是不可能的，但是是極其困難的。

這樣造成的局面，是教育體系在不停的打補丁，但是本質並沒有改變。

這就像Windows XP，2001年發布，十年後還是廣泛運行在全世界。微軟不停的打補丁，但是鑒於它當初的設計理念和後來的環境變化，導致很多事情變得困難。

如果說今天一個人對Windows XP有強烈的熱情，希望把自己的程序運作在上面，認為這樣會讓軟體跑的流暢，估計大多數人會覺得他腦子有問題。

但今天家長對教育體系的狂熱，從小學甚至幼兒園開始，就規划到了國內大學或者留學的人生，主動把自己和小孩套到教育流水線節奏上。

為什麼會有這樣的局面呢？要知道很多家長本身，都是覺得應試教育是學不到多少東西的？

在家長心目往往有這樣的潛意識：好好讀書 => 好大學 => 好工作。之所以應試並不是因為這一步本身有價值，而是後面的「拿到好大學」作為「拿到好工作」的跳板。

如果你也是這樣的想法，醒醒吧。最糟糕的是，可能你認為的「好工作」，在即將到來的新時代了，不存在了。

弱人工智慧時代的到來

這一屆美國總統選舉，傳統的上台，很大程度上是美國藍領階層不滿現狀的結果。

在上世紀60、70年代，是美國藍領工人的黃金時代。工作穩定，收入中等，有車有房，子女上大學或者高中畢業後子承父業找一份工廠工作不在話下。那個年代的藍領也是中產階級的典型代表。

川普調動了他們的支持上了台，但是這一批人的問題卻恐怕很難解決：因為他們的根基：勞動密集型行業，已經不可能支撐以往的那個中產階層。反過來這批人又難以適應高端製造業、知識和技術為主導的新經濟。

今天的中產階級，無論中美，很大一批是知識型的白領，比如美國典型的中產行業醫生、律師。而這樣白領工作的典型路徑，正是」好好讀書=>好大學=>好工作「。然而，在即將到來的人工智慧時代，即將被顛覆的，正是今天的典型知識白領金領行業。

關於到底什麼是人工智慧，有很多種說法。WikiPedia採納的是Stuart Russell和Peter Norvig在《人工智慧：一種現代的方法》中的定義：

人工智慧是關於智能主體的研究與設計的學問，而智能主體是指一個可以觀察周遭環境並做出行動以達成目標的系統。

可以觀察環境根據環境採取行動，是一個關鍵的因素。例如一輛玩具車，只要開動按鈕不管什麼情況它都往前沖，哪怕是遇到牆還在馬達運作，那麼是沒有智能的。而如果像高端掃地機器人那樣，可以自動掃描環境，分析合理的掃地路徑，高效完成掃地工作，那麼算是一個智能機器。

人工智慧並不是一個新概念，也並不是第一次在公眾中掀起熱潮。例如在1997年，IBM深藍計算機戰勝國際象棋大師卡斯帕羅夫，當時就引起了一陣震動。那麼為什麼我們說人工智慧即將到來呢？

就像信息革命是建立在工業革命基礎上的一樣，今天的人工智慧革命，其實是信息時代發展的結果，尤其是這三個要素：

• 互聯網
• 大數據
• 計算力的突破

我們學習和行動的過程，可以簡單的看作三個環節的閉環運作：知識 -> 行動 -> 反饋 -> 知識 -> …。

例如商品推薦系統，一個人剛註冊，可能我們根據他的註冊信息，例如年齡、地域，根據與之類似的人的購買喜好，推薦一些商品（這是」行動」)。然後根據這個人瀏覽了哪些推薦條目（反饋），購買了哪些東西，調整對他的認知，重新推薦。

在這裡「反饋」非常關鍵，這就像如果讓你學開車，把前面和左右車窗給你蒙上，那你開車顯然就完蛋了。或者讓你每5秒鐘才能開一次窗，那估計你開的也夠嗆，速度會大幅度降下來。

當我們要達成特定目標的時候，如果能夠有關於受眾特徵、行動和結果的精確數據反饋，那麼整個學習過程和行為質量就可能實現革命性的突破。

這正是互聯網革命的一個產物：大量的數據，以及更低成本更便捷的數據獲取方式。

很多人聽到人工智慧，本能就會覺得可能是非常高大上的推理、分析，基於邏輯產生的洞察力。事實上，很多時候人工智慧背後的演算法可能是簡單的，而且可能工程師做的事情，一開始是拍腦袋決定每個參數大概取什麼值。然後通過數據驗證調整，如果有足夠的數據，最終也可能產生不錯的結果。或者就是基於數據，暴力做函數擬合，然後用擬合出來的函數指導行動。

在今天人工智慧中應用的演算法，有些幾十年前就產生了。但是那個年代缺乏數據，效果也就不理想。反過來今天，突然煥發了新生。

所以這個時代，人工智慧的競爭力，很大程度上是擁有數據的競爭力。例如在語音識別、翻譯領域，Google有非常強的數據優勢。同樣的一個人，在大學裡做不出來好的結果（缺數據），可能在Google就成就了新的事情。

在2014年10月，Tesla開始在所有車型上面安裝自動輔助駕駛硬體（雷達、超聲波感測器、首相頭、高精度衛星地圖等）。

需要說明的是：

• 使用自動輔助駕駛功能是需要付費的。但這套設備卻安裝在了每一台出廠的車上，哪怕車主沒有購買此功能。
• 哪怕你沒有花錢激活自動輔助駕駛功能，你的車跑在路上一樣，這些感測器雷達依然會工作，收集數據。

Tesla自動駕駛部門負責人Sterling Anderson，在2016年5月於MIT的演講中談到：

• 從自動輔助駕駛硬體開始收集道路數據開始到2016年5月，Tesla收集了12億五千萬公里的數據
• 從自動輔助駕駛激活到2016年5月，Tesla收集了1億6千萬公里的自動駕駛數據
• 車隊每天會記錄420萬公里里程數據（現在這個數據已經擴大到500萬公里），只需要大約6小時便可以收集100萬公里數據

為什麼即使你沒有花錢購買自動輔助駕駛功能，特斯拉依然提前安裝了自動輔助駕駛硬體，並且在開車時收集數據呢？

一個基本的原因是，有了這些一手的數據，特斯拉可以更高效的開發他們的無人駕駛功能。例如：

• 基於這些數據，反過來去設計無人駕駛軟體
• 模擬運作自動輔助駕駛和無人駕駛功能，判斷在真實環境中是否會出現問題
• 對比現實中的司機人工駕駛和無人駕駛軟體運作的差異，比如為什麼司機在這裡會剎車，而無人駕駛軟體判斷的是前行，從而更好的改進無人駕駛功能
• 甚至特斯拉可以同時跑好幾個版本的模擬無人駕駛軟體，模擬現實場景，跟現實數據進行對比，這樣可以快速的判斷每個版本的優劣

從這個意義上講，每個特斯拉車主同時在替特斯拉打免費工：干數據收集的活。

基於這樣的邏輯，特斯拉有趣的一點是，先鋪硬體收集數據，逐漸迭代的給用戶自助輔助駕駛功能，例如：

• 2014年10月在所有Tesla車型上面安裝自動輔助駕駛硬體
• 2014年11月開啟道路偏離警告和速度提示（通過攝像頭讀取路邊車速牌）
• 2014年12月開啟自適應定速巡航系統以及前方碰撞預警
• 2015年3月開啟自動緊急剎車和盲點預警
• 2015年10月開啟自動方向盤接管，側方位碰撞躲避和一字位自動停車，真正意義上實現了自動輔助駕駛功能
• 2016年1月開啟十字位停車，彎道車速適應以及召喚進出車庫

無人駕駛這件事情，特斯拉已經擁有了強大的數據優勢和軟體優勢。

在未來的社會，可能是特斯拉，或者其他的公司，最終解決了無人駕駛問題。而一旦解決，這個領域的生產力有了革命性突破，人類可以從駕駛這個勞動中解放出來了。那麼這個領域的問題也就不再重要了。當然從另外一個角度，如果今天很多人以此為生，那麼大規模的失業就成了社會問題。

另外一點是關於計算力的突破。

在IT界有所謂的摩爾定律，通俗的說是「預計18個月會將晶元的性能提高一倍」。鑒於過去幾十年里計算能力的持續發展，今天我們手機的計算能力，要比阿波羅登月的計算機能力更強。

計算力意味著什麼呢？

去年Alpha Go與圍棋世界冠軍的對決，引起了公眾的關注。從圍棋來說，棋手一個常見的學習方式，就是對弈。

讓我們假設一個棋手，平均一天對弈兩盤(不是圍棋人士，數據只是假設）。那麼一年是700左右。

那麼電腦能做到多少呢？

2016年1月，在國際頂級期刊《自然》的一篇關於DeepMind關於AlphaGo深度解析論文的封面報道。報道稱，DeepMind為AlphaGo搭建了一個「將人類的直覺賦予了計算機」的神經網路——16萬盤人類棋手的棋譜被輸入AlphaGo，在學習了人類落子布局的特徵後，它又自我對弈3000萬盤，不斷提高神經網路的精度。

3000萬的對弈，而且可以持續的不知疲倦的繼續下去。

回到我們的學習循環：知識->行動->反饋->知識，如果這個循環能夠在電腦中順暢運轉而且跑的飛快的話，那麼電腦在特定領域的效率，就可能遠遠超出人類。

在人工智慧領域，分為弱人工智慧、強人工智慧、超人工智慧。

所謂弱人工智慧，是指在單個領域、特定問題上實現一定程度的智能化。比如Aplpha Go在圍棋領域，特斯拉在無人駕駛領域的工作。

所謂強人工智慧，則是在通用範圍上能夠達到人類智能的程序。不僅僅是下棋、駕駛，而且能可以像人類一樣應對不同層面的問題，它還具有自我學習、理解複雜理念等多種能力。

而所謂超人工智慧，按照Nick Bostrom的說法，則是能夠準確回答幾乎所有困難問題的先知模式，能夠執行任何高級指令的精靈模式和能執行開放式任務，而且擁有自由意志和自由活動能力的獨立意識模式。

傳統白領金領行業的消亡

最近研究了一些頂級公司創始人的家庭背景。

Facebook創始人，馬克·扎克伯格，父母是牙科醫生和心理醫生。而他在哈佛的學長和前輩Bill Gates，父親是當地著名律師，母親曾任教師、銀行系統董事，都是典型的美國中產階級家庭。

在信息時代，有一些典型的」中產階級職業「：

• 專業服務業：醫生、律師、會計師、企業管理諮詢顧問
• 職業管理層：中層管理、高層管理
• 金融服務業：銀行客戶經理、基金經理、投資銀行

而進入這些行業的典型路徑，則是」好好讀書=>好大學=>好工作」。今天的家長明知應試教育有非常大的問題，還一門心思往裡面鑽，一大原因上潛意識是被未來的「好工作」激勵，因此覺得要不惜代價拿下入門券。

但是，弱人工智慧的發展，將會對傳統意義上的白領金領行業，造成顛覆性的衝擊。

讓我們先來看專業服務業。

醫生、律師和會計師，在傳統意義上是非常典型的白領工作。

這些工作有幾個共同點：

1）需要專業知識基礎

醫生需要花上幾年甚至更多時間，學習生理、病理知識。律師需要學習法律，會計師需要學習財務、審計知識體系。

2）需要結合案例掌握和應用知識

醫生要研究病例，律師要研究法律案例，會計師需要研究企業財務案例。

3）資質、知識和經驗壁壘

鑒於掌握專業方面的知識體系以及案例需要大量的學習和實踐，這些專業服務崗位往往最終形成了知識、經驗和資質的壁壘。例如要從醫需要多年的學習、醫生資質，而且隨著時間的增長，經驗更加豐富，患者更傾向於尋找有豐富經驗的資深人士。

在信息時代，這樣的壁壘確保了職業的含金量。然而在這些行業中，大多數人的工作本質上依然是」勞動密集型」，只是不同於工廠的「體力勞動密集型」，它們是「知識勞動密集型」。

10年前，我有朋友在四大的財務諮詢部門，準備跳槽。問他原因，他說覺得太輕鬆了，缺乏成長。

有人很詫異，因為他們工作很忙，為什麼說輕鬆。朋友回答說大多數時候在重複同樣的事情，缺乏深入的思考。

我上次去醫院，排隊兩個多小時，醫生問診3分鐘不到。然後讓我去做檢查。驗血拍片等等之後回來，大概4分鐘不到完成診斷開藥。

大多數時候醫生的工作，基本上是同樣的模式，初步問診、體檢，然後基於體檢數據進一步判斷，至於做出判斷的思路，往往也是來源於醫療的知識體系、診斷流程、所知的病例經驗（無論是自己實踐的還是學習他人的）。很少有多少創造性，或者哪怕是自己的創造性的想法，很可能在其他醫生、其他醫院的案例中，已經有類似的情況。

換句話說，大多數情況下醫生的工作，只是在模式化的重複已經發生過無數次的知識和經驗。如果他們處理的病例越多，而且能夠從病例中學習（無論是失敗的還是正確的診斷），那麼醫療能力會提升。

如果按照這個思路延伸下去，如果一個醫生能夠見識、甚至處理人類在特定領域70%的病例，並且知道其中絕大多數診斷手法、診斷結果、以及最終病人的結果，從其中學習，那麼他應該可以輕鬆超過絕大多數醫生的水準。

在現實中，因為精力和地域限制，很難說有醫生做到這一點。但是人工智慧軟體卻不同。

在美國放射科醫生，平均要學習13年才能得到執照，年薪30-50萬美金。然而這樣的工作，卻可以被自動識別癌細胞的人工智慧軟體代替，病情診斷不僅僅比放射科醫生更準確，而且成本只有人工的1%。

這裡的關鍵問題在於：

1）本身識別工作就是模式化的

2）人工智慧軟體能夠接入大量數據的癌症病例庫，因此就像特斯拉一樣，他們可以根據這些數據來產生更精準的識別模型。同時有任何新的病例，都可以快速的用來更新自己的識別體系。

在傳統的醫療體系中，需要培養一批又一批的醫生，重複同樣的知識和類似的案例，從而讓他們可以勝任工作，在現實中要能夠保證質量還令人頭疼。然而對於人工智慧而言，只要做到一次，這個」醫生」就就可以擁有幾乎超出絕大多數傳統醫生的診斷能力，就可以低成本的、保證質量的勝任了，不再需要那麼多的人力。

當然人工智慧並不能代替所有的醫生工作，例如高度複雜的病例可能還是需要人的判斷，還是需要醫生與病人的溝通以便獲得單純體檢設備難以獲取的信息。

從積極的一面看，這可以用更低的成本提高更好的醫療服務，同時將醫生從重複勞動中解放出來，從而讓他們可以做更需要洞察力和創造性、更多的研究或者更多的與病人互動的事情。但是這個行業對醫生的需求，會發生結構性的變化。這就像高自動化的工廠代替傳統生產線後，需要工人數量大幅度降低，質量大幅度提升一樣。

另外一個人工智慧正在進軍的行業，是律師業。

2014年，多倫多的幾位大學生，在IBM舉辦的認知計算機科學競賽中，基於IBM Watson（IBM提供的人工智慧基礎平台)，創建了用於法律搜索的軟體LegalRank。他們讓Watson學習了數千頁法律軟體，識別其中的內容，能夠幫助律師快速搜尋相關的法律條款和案例，並且按照重要程度排序，例如能分辨出最高法院的判決要比地區法院靠前。

需要解釋一下的是，在判例法體系的美國，法官的判決往往是要參考以前的類似判決案例的。因此在法律訴訟中，在浩如煙海的歷史紀錄中，尋找類似案例就成了律師的基礎工作。例如企業打一場大的知識產權官司，可能要分析和處理上百萬份法律文件，而資深律師的收費可能是上千美金每小時，律師助理的收費300美金。一場大官司下來律師費可能就達到上億美金。

在競賽結束後，這幾位學生基於LegaRank創建了ROSS Intelligence，開始商業化他們的產品。

ROSS的聯合創始人，CTO Jimoh Ovbiagele在訪談中說：

舉個例子，你可以輸入「過去 5 年內，在紐約，破產後學生貸款債務可以被清償嗎？」

我們的系統首先就會明白你想知道你要的是紐約過去 5 年的法律。然後，它會將搜索範圍限制到相關法院。接著我們的深度自然語言處理技術會對問題進行分解、搞清楚詞與詞之間的關係、擴展詞的含義，並應用我們的語言模型等等。

所有的這些均發生在幾秒之內，之後用戶會得到 10 個可以回答所輸入問題的相關文章段落。用戶可以點擊展開查看相關段落在原始案例文本中的前後文。此外，我們還會顯示相關的預測結果，高亮標出我們認為用戶可能會需要的看的一些部分。

這個過程就類似於你讓一個助手幫你找一個問題的答案，他花費幾個小時給你帶回來一堆他認為很重要的文檔，並且標出重點。一般來說，只有律所的高級合伙人才有可能雇得起這樣的助手。而有了 ROSS，這一切就變得輕鬆多了，即使是律所中最年輕的律師，也不再需要花費好幾個小時，幾秒鐘即可完成這項工作，ROSS 給他們帶來了更多的發揮空間。

我們這一代人隨著互聯網長大，我自己從 Google 學會的編程，從 Youtube 學會的神經網路技術，我們這一代人比上一代人要擁有更多的信息。對過去的律師而言，如果碰上一點不了解的法律問題可能需要花費 9 到 16 個小時去圖書館鑽研。但有了 ROSS，只需要幾分鐘就能成為該法律問題上的專家。配備了人工智慧工具的律師將會成為前所未有的最聰明的律師，這也將是我們這一代法律工作者的工作方式。

律師行業另外一個高度重複勞動、耗費時間的工作，是法律文件的起草和審核。

一家名叫LawGeex的創業公司，創建了基於人工智慧的合同審核服務(來源)。用戶一旦上傳合同文檔，軟體會自動審核，大概1小時左右，用戶會收到審核報告，指出可能其中哪些條款不符合通用標準和實踐，可能遺漏的內容，以及哪些語句需要修改。

在當前的律師時間中，這些工作不僅僅耗費人力，而且很容易出錯。而往往合同的規範、模式以及常見錯誤都有類似之處，背後有大規模合同資料庫的人工智慧軟體，在識別常見錯誤模式上，擁有巨大的優勢。同時，基於他們後台的大量的合同，也有可能直接提供起草和修改建議（例如一個語句可能更好的說法是什麼）。

今天，LawGeex大多數客戶，是公司法務部門。按照LawGeex的說法，它的用戶反饋說，他們在合同審核上的時間節約了大概80%，合同周期縮短到以前的1/3，節省了90%的庭外費用。這家公司依然在嘗試進一步提供自動化的服務。

如果說對新技術應用最熱心的行業，恐怕前面三位是軍事、色情和賭博業，此後就是金融行業。

人工智慧技術在金融業的應用涉及到各種領域：

• 信用評分/借貸
• 個人財務助理（例如理財建議、財務狀況監控）
• 量化交易和資產管理（例如自動化的交易、投資策略）
• 保險（定價與投保)
• 市場調研/情緒分析
• 欠款回收
• 企業財務與費用分析
• 風險管理/欺詐識別
• 合規審查

詳細介紹這些應用超出了本書的話題。但需要注意的是，人工智慧對於金融領域職業結構造成的衝擊，一直在發生，並且會在未來更為明顯。

以金融業的象徵華爾街為例，由於自動化交易的發展，華爾街的交易員一直在減少。

Kensho，金融領域的創業公司，正在研發一種針對專業投資者的大規模數據處理分析平台。該工作平台將可以快速、大量的進行各種數據處理分析工作並能實時回答投資者所提出的複雜的金融問題。

Kensho將會從事金融業分析類工作。Kensho會從其資料庫中調取數據，自主研究，做類似於華爾街分析師的工作。例如，Kensho的程序可以迅速告知人們，在發生衝突的時候，石油、貨幣等各類資產，在過往是如何表現的。Kensho開發的程序做這份工作只需要一分鐘，而分析師們需要40個小時，這些分析師拿著35萬到50萬美元的薪水。

從積極的角度，人工智慧會降低大量重複勞動，降低整體成本，讓從業者可以去做更多的人際互動、深度調研、創造性工作，並且為高質量的工作提供支持。從另外的角度，這將會持續引發金融行業對人才需求的結構性調整。

不久前看到一篇文章《信貸員、定損員、大堂經理們都做好下崗準備了嗎》，其中說：

6月27日，螞蟻金服發布向管本行全面開技術活「定損寶」，用AI（人工智慧）模擬車險定損環節中的人為作業流程，幫助保險公司實現簡單快捷的機關定損，這也是圖像定損技術狀元在車險領域落實商用。

據了解，目前與消費者關係密切的車險是高危公司的嚴重性業務，保費佔比逾70%，定損是裡面的嚴重性操作環節。在風俗理賠流程中，保險公司收到事故照片後，需要核賠、核價，往往最少需要半小時才能確定理賠金額。用AI充當定損員的目和大腦，通過演算法識別事故照片，與保險公司連接後，幾秒內就能交付準確的定損結果，包括受損部件、維修方案及維修價格。

螞蟻金服保險事業群總裁尹銘算了筆賬：據估算，每年4500萬件的私家車保險索賠案中，「定損寶」能遮蓋的純外觀損傷案件佔比約在60%，以每單案件的平分處理資產150元計算，有望每年為行業節約案件處理資產30億元。不僅如此，「定損寶」還能輔助保險公司擠掉原來短統一規範導致的定損「水分」，減少虛假騙保案件。統計數據顯示，車險行業每年500億的外觀件賠款中，約有10%－20%是因上述兩種狀態造成的理賠滲漏。「定損寶」將使得輔助保險公司減少理賠滲漏的比重。

總之，「定損寶」將援助保險公司實現簡單快速的活動定損，進而為保險公司極大地節約資金。螞蟻金服指出，實踐證明，「定損寶」準確率達到98％以上，相當於行業10年以上經歷的定損專家，而且能夠同時處理萬級的案件量，不受時間和空中的限定。

「而『定損寶』的能力越強，也就表示保險公司定損員的『飯碗』越不保。」統計數據顯示，目前保險業內約有10萬人從事查勘定損的工作。「保險公司應用『定損寶』後，預計可減少查勘定損人員70%的工作量，今後在簡短案件處理上無須再配備太多人力」。

以醫療、金融和法律行業為例，我覺得最重要的是，在弱人工智慧時代，傳統意義上的「高端知識勞動職業「（重複性的知識和實踐導向），將會被摧毀。這些職業的重複性部分，會由人工智慧代替，而人工智慧軟體俺也將會積累起龐大的案例資料庫，這會反過來加速人工智慧的效能。剩下的則是那些人工智慧難以取代的，例如複雜狀況的判斷和決策、深度的與人的溝通協作、創造性工作。我們依然需要能夠贏得訴訟的律師、擅長疑難病症的醫生、對公司和行業有洞見的分析師。這些高端人才將會在人工智慧的支持下更有效的工作。

除了專業知識型工作，傳統職業路徑的另外一個傾向是」做管理」。然而，在人工智慧時代的職業管理職位，也會發生大幅度變化。

1）對職業管理層的需求大幅度減少

這又是由幾個因素推動：

A. 由於技術的發展，每個人可以做的事情更多，因此企業規模在縮小

2）從X型管理走向Y型管理

關於X型管理和Y型管理的詳細介紹，將會在第三章。簡單的說，X型管理只能贏得人力，而Y型管理才能贏得人心。

今天很多人感嘆沒法有效管理90後，其實本質上是，他們的管理方式往往是X型，依靠權威。很難轉移到激發人的內心動力的Y型方式上。

Y型管理對於專業性、情商、人際溝通、領導力有高要求，而這些正好是今天的應試教育的短板，也是大多數公司難以培養的。

知識與經驗壁壘的消失

不知道各位看了前面有怎樣的感受？

我覺得最重要的一點是，弱人工智慧時代，那些依靠本質上是重複性的知識和經驗，創造的壁壘，不再存在了。

你在醫學院辛辛苦苦讀的那麼多書，積累的那麼多案例；在法學院學習的那麼多法律、起草的多少合同；讀的什麼CPA、CFA，積攢的一堆金融財務知識，這些在傳統時代本身就是壁壘，但是這些本身就是已經建立起來的知識體系，對於人工智慧輸入知識本身並不困難。而從案例的角度，一個醫生、一個律師、一個會計在努力，可能醫生實踐或者學習的也就是幾千幾萬，人工智慧可能輕鬆就是幾千萬案例並不知疲倦的高速學習。

但這並不代表這些知識本身沒有價值，而是當人工智慧解決了特定問題之後，例如如何從放射片中識別癌細胞，就不再需要人類重複性的解決問題了，因此以前人工做這個工作的，再也沒有價值了，機器比你更快更好。可能有少數情況，依然需要人的判斷，例如人工智慧識別出可能的癥狀，還是需要人做最後的分析，但這樣工作對人數量的需求也是大幅度降低了。

在未來，知識依然會非常有價值，但不再是重複性的知識勞動上。

1）創造性工作

例如設計出創新的產品、研究出高效的技術和方法，這些依然往往建立在對現有的知識、模式的組合上

2）洞察性工作

弱人工智慧擅長的是在數據中識別相關性，缺乏深度的邏輯推理、判斷能力，這些方面人類的頭腦有高度的價值，例如對於事物的研究探索、發現本質規律、設計符合形勢的戰略。而且，人工智慧和人的頭腦的結合，會更快更好的產生高質量的洞察。在未來的時代，善於運用人工智慧也會是基本的能力。

3）深度人際互動的工作

例如給客戶帶來高度情感體驗的服務、領導工作、社交組織。而律師如何和法官、當事人互動，把握複雜的局勢，有效影響他人，依然是有高度的價值。以當前的人工智慧發展水平，機器短期內並不擅長跟人的複雜互動。

需要說明的是，這三者是相互關聯的。例如當你對一個領域有了洞察，更可能創造出高質量的產品和技術。而洞察力很重要的一部分，是對人性和社會的洞察。無論是創造產品或者是深度的人際互動，常常都難以離開這一點。

那麼非常大的問題就出來了。今天我們的教育體系，是嚴重的應試導向的，很難培養出能夠高質量完成上面三種工作類型的人。今天的家長還在拚命地去追求應試教育，你再努力可能這個結果還是錯的。只低頭拉車，不抬頭看路，在一個飛速變化的時代，很容易最後一頭扎進坑裡。

前面談到的那家在法律業的人工智慧創業公司ROSS Intelligence，他們是基於IBM Watson人工智慧基礎平台，開發自己的軟體。Watson這個名字，來自於IBM的創始人Thomas J. Watson。

在上個世界20年代，Thomas J. Watson說了一句話：

機器應該工作，人類應該思考。

在工業時代，流水線把人當作機器。人工智慧時代的到來，機器接替更多的工作，人類需要回歸思考。

======

本文是《家庭教育革命：登陸人工智慧時代》的第一章，關注公眾號「倒追學堂」獲取後續內容分享。