36氪領讀 | 將來什麼工種更容易失業？新未來簡史給你答案

36氪專門為讀書設立了【36氪領讀】欄目，篩選一些值得讀的書，並提供一些書摘。希望你手邊有一本稱心的書，讓讀書這場運動繼續下去。

內容介紹

《新未來簡史》旨在顛覆過往絕大多數有關人類未來的預測與推斷，最大限度地靠近事物的本原。以特有近乎刁鑽的視覺、博雜的知識、激情的文風和嚴密的邏輯，聯動前沿科技（如區塊鏈、人工智慧、大數據等黑科技）與社會、自然、經濟、金融、人文、歷史以及人性驅動下的人類競爭、價值創造等進行了深入的思考與推演，展現出"氣勢恢宏、磅礴瑰麗」的未來價值場景，極具吸引力。

其中，本書率先提出"大數據悖論、演算法馬甲、科技道德定律、資本科技悖論、大生態人力論、分工悖論，互聯網將被替代、人工智慧讓人最終擺脫無用階級、追算你的9倍價值、未來人類演進9大範式」等獨到的觀念或理論，極具"顛覆」性，刷新人們的五官。有利於人生、事業的未來布局。

王 驥，跨界高產作者，場外金融、資本市場專家。

對社會、人類的未來趨勢有著近20年的關注與研究，擅長將前沿科技聯動社會、自然、人文、歷史、經濟、金融、資本與人性驅動下的競爭、價值創造等進行深入思考，常常能從被人忽視的微小端倪中發現、發掘出無限廣闊、氣勢磅礴的價值場景與空間，並能以特殊視角洞悉某些靠近事物本質、本原的東西。

書籍摘錄

炫技「狗」的秘密

棋類比賽的「人機大戰」，為什麼從戰勝國際象棋世界冠軍到戰勝圍棋世界冠軍，計算機要等20年？人機對弈玩了30多年，按照常理，應該早已麻木了，然而，為什麼「阿爾法狗」這場持續一年之久的「人機大戰」，人們依然熱情未減呢？

在回答上述問題之前，我們先簡略地回顧一下阿爾法狗近一年來的瘋狂表現。

2017年5月27日，世界排名第一的中國九段圍棋選手柯潔在與人工智慧「阿爾法狗」（AlphaGo）艱苦拼殺後，以總比分0:3敗北。在鏖戰現場，柯潔忍不住哽咽落淚……或許這次巔峰對決，早已超出了「贏與不贏」的問題本身，而是寄託了人們太多的希望與擔憂。所以，柯潔哭的或許不是他自己，似乎是某種歷史的終結。

實際上，早在2016年3月15日，「阿爾法狗」曾以4:1大敗韓國頂級圍棋棋手李世石後，世界便炸了鍋，各類大尺度的觀點和預測甚囂塵上。此後的一年多時間，「阿爾法狗」將雙手交叉放在背後，踱著方步，被自己何時才能被打敗的問題弄得憂鬱不已……

如果說，「阿爾法狗」與李世石的交手是攻陷人類圍棋的智慧堡壘的話，那麼，這次與柯潔的表演便是鎖定了人工智慧在圍棋的勝局。當然，在此之間有一場「阿爾法狗」以「反向車輪戰法」圍獵世界高手的世紀大戰，可謂精彩絕倫。所謂「反向車輪戰法」就是以單一個體的力量依次挑戰群體中的所有個體，以不敗反勝的方式達到圍剿群體力量的效果。這就是實力差距的「太遠」。

2016年12月29日晚到2017年1月4日晚，「阿爾法狗」在弈城圍棋網和野狐圍棋網以「Master」（大師）為註冊名，依次對戰數十位人類頂尖高手，擊敗15位世界冠軍，其中包括中國、韓國、日本各自「當今第一人」的柯潔、朴廷桓和井山裕太，以59勝1平0負的輝煌戰績為這次「阿爾法狗」「燕山勒石」的勝跡奠定了基礎。

自此，「阿爾法狗」連「獨孤求敗」的美名都不要了，直接宣布退隱江湖。似乎在說，「本帥從此封刀，不再且不屑與你們玩了」。這種大勝利的高姿態，或許把「阿爾法狗」的創始公司DeepMind及其東家「谷歌」給樂壞了。畢竟這場持續一年多時間的風光表演再次引爆了「人工智慧」這一世界性熱點，這不僅讓谷歌收穫了涵蓋廣告、科技、巨大商業價值鏈對未來催化及影響的豐碩成果，更是將人工智慧這一世界話題推升到了一個嶄新的認同、聯想與落地的事業高度。

問題來了，正如本章開篇所述，DeepMind團隊早在2016年1月便將阿爾法狗的運作原理公開於《自然》雜誌之上，而且，如此神勇且耗資無數的研究發明，為何就這樣輕易地分享給世人了呢？其中，或許有四大原因：

一是或許DeepMind志向高遠，其目的絕不僅僅只是玩玩圍棋，諸如開發一些簡易的棋類軟體，賣給消費者賺點小錢，過過快活的小日子什麼的，而是要將此技術、思維和積累的經驗轉移到其他領域，從而為企業同時也是為社會帶來巨大的價值。

二是首選「攻破圍棋不可戰勝」這一世界性宿論，而不是其他領域，其媲美「核彈爆炸」的廣告及其連帶效應已經達到。

三是阿爾法狗的運作原理並非深不可測（但其開創性思維和技術探索絕對意義重大，猶如人類其他的重大發明一樣），與其藏著掖著，還不如公開，以便推動人工智慧整個行業的繁榮與發展，所以，2017年10月，升級後的阿爾法狗演算法又被再次公布。

四是阿爾法狗的運作原理雖然似乎很簡單，但是，要開發並訓練出這樣高級的「棋手」，很煩瑣、很複雜，成本很高昂，實非易事，更為重要的是要花費巨資，僅僅玩一個比賽，其實用性有限，所以，其他機構、國家再做這麼高級的「狗」，意義實在不大。

前面講過，超級級計算機「深藍」戰勝國際象棋棋王用的是「窮盡一切可能的暴力搜索法」。由於國際象棋棋盤由橫縱各8格、顏色一深一淺交錯排列的64個小方格組成，要計算所有可能的棋步，大概是10的四十幾次方，雖然計算量巨大，計算機還是可以應付的。

但是，對於圍棋來說，由於棋盤縱橫各19道，共有361個交叉點。對手下一著棋子下去，你有360種走法，就此再向下測算以指數級別增長的各種棋局（搜索量達到了驚人的10的170次方）結果，目前計算機根本就不可能完成，所以，圍棋早先一直被那些科技內行們預測是不可戰勝的。比如，假設規則允許的話，你落下一顆棋子，然後回家睡覺一天，回來後發現計算機還沒有落下對弈的一顆棋子。所以，對於圍棋，計算機的計算能力遇到了瓶頸，這也就是在「深藍」戰勝人類國際象棋之後，計算機二十多年沉寂，不問棋事的原因。

「深藍」這種辦法行不通，需另闢蹊徑。有人想到了結合「概率」的演算法。於是「蒙特卡羅方法」（Monte Carlo Method）出場了。這一方法也稱統計模擬方法，是20世紀40年代美國在第二次世界大戰 「曼哈頓計劃」計劃的成員S.M.烏拉姆和J.馮·諾伊曼首先提出，並以馳名世界的賭城——摩納哥的Monte Carlo來命名這一方法的。該演算法就是以某種事件出現的頻率估計這一隨機事件的概率，或者得到這個隨機變數的某些數字特徵，並將其作為問題的解。

蒙地卡羅方法首先被人用在國際象棋上運算，似乎根本行不通，直到2006年，有人發展了蒙地卡羅方法，即在此方法上加了樹枝狀搜索，從此探索出電腦圍棋編程的另一條通途。這一改進的方法就是「蒙地卡羅樹搜索」。該搜索法面世後，那時就有人驚奇地預言說，未來不久，電腦將在圍棋上擊敗人類頂級選手。而此之前，人們一直相信圍棋是不可戰勝。這一預言只經歷了十年，即2016年就變成了現實。所以，技術是改變一切的真正神器。

根據谷歌曾在《自然》雜誌上公布阿爾法狗的運作的基本原理，分別如下：走棋網路（Policy Network），給定當前局面，預測和採樣下一步的走棋；快速走子（Fast Rollout），在適當犧牲走棋質量的條件下提高速度；價值網路（Value Network），給定當前局面，估計雙方勝率；蒙特卡羅樹搜索，就是把以上三個部分串聯成一個完整的系統。該搜索法並沒有窮盡所有的走法，而是先完成數十步計算以後，剩下的便靠概率模擬演算法（傳統的局部特徵匹配與線性回歸兩種方法演算出可能勝負作為依據）來推算獲勝可能，並據以選擇棋步。

其中，阿爾法狗所計算的那數十步很重要，用到了三個重要的概念和演算法，即「深度神經網路」「卷積神經網路」和「增強學習網路」。這三個概念非常重要，並由此很好地體現「深度學習」與「增強學習（也稱加強學習）」的概念。這數十步到底是如何計算的呢？

阿爾法狗在比賽之前便通過「深度神經網路」開始「學習」（形象的比喻，實際上就是計算機的反覆計算與修正）。深度神經網路是一種模擬人類腦神經系統的運算流程，有資料輸入端與輸出端，中間則是運算神經元（由無數晶體管組成），透過一次次「學習」，比對輸出資料與正確資料的差異，反饋調整神經元的運算參數，便能「學習」某種運算技能。這裡輸入的資料便是數以億計的歷史棋譜，包括所有頂尖高手曾經下過的棋譜，輸出資料便是這些高手在各種棋局下獲勝的走法，反覆調整參數，使得計算機輸出的資料與獲勝的資料儘可能相同，這些信息便儲存在計算機里，相當於人們記住了某些煩瑣的操作一樣。

注意，深度神經網路的「深度」，就是運算神經元有許多層，每一層處理原始資料的一種特徵，多層匯總，以達成強大的運算能力。但是，像圍棋棋譜這樣的原始資料非常複雜，這麼多的資料（棋盤上所有方格）都傳輸到神經元上的話，那麼電腦處理起來很吃力，所以，輸入資料需要有所選擇，於是「卷積神經網路」出場了。

卷積神經網路的運算神經元，接受的並不是棋盤上的全部資料，而只是來自棋盤上鄰近方格的資料，這樣就大大簡化了處理程序。例如，阿爾法狗從棋盤上選取48種布局方式的特徵，利用13層神經網路予以分層處理，反覆「學習」、反覆調整參數，這樣就實現對當前棋局的辨認，就像人們學會了某種複雜事項的處理一樣。於是，在實戰中，只要一遇到某種棋局，阿爾法狗便能對照存儲庫中龐大現成棋譜及其最接近勝利（如選擇頂級高手的下法）的走法予以辨認，好像頂級棋手親自到場一樣，步步勝算。

此外，為了增強對戰能力，還需要用到「增強學習網路」，讓阿爾法狗與先前下過的棋局對戰，或者乾脆讓其跟自己下棋，就像金庸筆下周伯通在桃花島開創的「左右互搏」術一樣，以累積更多的實戰經驗。

增強學習網路是一種半監督式學習，沒有標準答案，通過程序設計，下贏了棋局，收穫正向回饋，下輸了便會被扣分。由此慢慢累積學習經驗，越學習越厲害。當然，這種學習是需要一些時間的。不過，對於計算機來說，高速計算與不知疲倦就是它的長項和特色，全人類幾百年來下過的全部棋譜，對「阿爾法狗」來說，「學習」分析一遍只需要花費幾天時間而已。

「阿爾法狗」自己「左右互博」2000萬盤，如果是一個人，按15分鐘練一盤來算，也需要600年。「阿爾法狗」的奇蹟就是，僅僅用幾個月的時間，通過「學習」，就能模擬人類圍棋招式的幾百年進化歷程，同時優勝劣汰，形成自己的棋風。所以，當「阿爾法狗」在與李世石對弈時，還輸了一盤，但在一年後再與柯潔對戰時，卻把柯潔下到哭泣。也就是這半年時間，阿爾法狗通過增強的「學習」使其功力至少提升了數十倍。

由上，「阿爾法狗」原理中所用到的「蒙地卡羅樹搜索」根本就算不上傳統的人工智慧。當然，上述被認為最可能像人一樣智能的「機器學習」「深度學習」和「增強學習」，也是對計算機通過輸入資料到輸出資料反覆測試以達到最佳效果的這些編程，其自發運行過程的一個擬人化的比喻。不僅如此，這些「學習」所涉及的「深度神經網路」和「卷積神經網路」更是一個美麗的比喻，不過是一大堆模仿大腦用的晶體管、存儲器與無數傳導線等元件組成的系統而已。

雖然我們每個人心中都有一個自己的「人工智慧」，但是，更多的民眾或許真的就把這些比喻當成了現實，以為機器真的可以像人一樣有意識、自覺地去學習、思考了，實際上它們僅僅是按照人類的編程運行，互動式自動控制的機器，與本章開篇所說的複印機的故事有很多相似的地方，只不過絕大多數掛名為人工智慧的器械、系統要比複印技術高級、複雜得多得多。

或許，神秘得人氣爆棚的人工智慧就是：主流倡導者們相信機器未來會有意識（現實中連邊緣都未觸及），在推動各類計算機技術飛速發展的過程中，創造了「智能」「神經」和「學習」這些比喻性的辭彙與概念，同時製造了可怕的預測；而局外的廣大民眾混淆了這些概念的「比喻性」，忽視了機器「智能」「神經」和「學習」的真相，以及和人類的真正差別，進而相信並傳播了這些可怕的預測，從而製造了恐怖。當然，這些預測和恐怖與人工智慧改變世界的巨大實用價值和前景是兩件不同的事情。

諸如像波士頓這樣的少數派的加入，讓這次以智能化、信息化為核心的技術大變革（又稱第四次工業革命）對未來就業市場前景形成了兩種不同的判斷。本書認為，如果換個角度去理解的話，這兩派的觀點實際上都是沒有問題的：多數派主要強調這次大變革的過程，或許過分悲觀地評估了過渡期的威脅；少數派則更加註重這次變革的機會和所帶來的綜合性結果。

然而，問題就出在：一些人對人工智慧這個行業技術了解得不多或不夠深入，另一些專業人士卻認為機器可能會突破「意識」，他們所形成的誤解與誤判導致的結果就過分誇大了人工智慧的「智能」，製造出了人工智慧將全面替代人類，從而讓絕大多數人將淪為無用階級的預測與論斷，甚至炮製出了「強人工種智能」和「超強人工智慧」這些子虛烏有的概念和物種。

這個就像看到藝術家雕塑出的人物太過栩栩如生了（如下棋、問題搶答、人臉識別等戰勝人類的技術等一樣），於是就突發奇想地得出「只要再雕刻出內臟與腦髓並放進體內，這些雕像就會變成活生生的人」一樣的預測與結論。

實際上，人工智慧連兩三歲小孩的通用智力都遠遠未達到，甚至比後者的差距呈幾何級數，而且機器是不可能突破人類連門都未曾摸著的「意識」的這一精神巨溝的，所以，正如前文所說：不破意識的一切科技只能是工具，包括人工智慧、演算法與數據挖掘等。

既然是工具，那麼，人工智慧是不可能全面代替人類的，更不可能統治、奴役人類。而只能幫助人類提高工作效率，幫助人類去做那些簡單、重複性、沒有創意的、「通用（跨領域的複雜邏輯推理、豐富的想像、跨界組合思維、情感交織下的衝動或理智舉動、判斷等）智力」運用很少的工種，當然，這類工種確實很多。

在前述「多數派報告」中，最讓人們擔心的事情就是如今很多工種、工作將很快被自動化的人工智慧所替代。以美國為例，許多權威機構都認同在未來10～20年，美國有47%的就業人口可能會面臨失業風險。這裡引用牛津大學馬丁學院的技術與就業項目評估報告[i]，涵蓋了自動化風險（被人工智慧替代）最低和自動化風險最高的職業。其中，0分表示完全沒有風險，1分表示該工作存在被某種計算機即人工智慧替代的一定風險。

自動化風險（被人工智慧替代）最高的職業如下：

電話銷售員，概率是0.99；

報稅代理人，概率是0.99；

保險鑒定、車輛定損人員，概率是0.98；

裁判和其他賽事官員，概率是0.98；

法律秘書，概率是0.98；

餐館、休息室和咖啡店工作人員，概率是0.97；

房產經紀人，概率是0.97；

農場勞務承包商，概率是0.97；

秘書和行政助手（法律、醫療和高管助手除外），概率是0.96；

快遞員，概率是 0.94。

而自動化風險（被人工智慧替代）最低的職業如下：

與精神健康和藥物濫用相關的社會工作者，概率是0.0031；

編舞人員，概率是0.004；

內外科醫生，概率是0.0042；

心理學家，概率是0.0043；

人力資源管理者，概率是0.0055；

計算機系統分析師，概率是0.0065；

人類學家和考古學家，概率是0.0077；

海洋工程師和造船工程師，概率是0.01；

銷售管理者，概率是0.013；

首席執行官，概率是0.015。

如上統計，我們可以看出：最容易被自動化（人工智慧）替代的工種往往具有重複性、缺乏創意、更多趨向於機械模式的特點，這些工種大多數都集中在具有中、低等技能水平且工資水平較低的人群，而這正好就是機器自動化（人工智慧）的長項。不容易替代的職業的特點主要涉及複雜的邏輯思維與判斷、富有創造性、複雜經驗的積累、豐富情感的融合、對藝術的理解與創造等特點。

而且，上述報告數據顯示，前者的替代性非常高，後者根本就不可能被替代，這實際也支持了本章的一個觀點：人工智慧是不可能全面替代人類的，至少在其能預測到的期限內。當然，我們依舊堅持並再次強調：在不破意識的情況下，機器是永遠都不能全面替代人類的，它們只能是人類使用的工具而已。

推薦閱讀：