人工智能(AI,artificial intelligent) 与专家系统(expert system)的概念在2014年已经远不如1974年时那么热,虽然自那时起它们发展的脚步就一直没有停止过。随着计算机的处理功能日益强大,此领域的前景也在被空前拓宽。就像机器人已经改变了制造业工厂,日新月异的专家系统也极大地改变甚至淘汰了各种需要熟练技能的办公室岗位。中产阶级的存亡因此遇到了考验,而这个群体恰恰是整个现代经济的核心。当然现在做出结论还为时尚早,“专家”的概念本身也在迅速演变。
Read this article in English | Français
专家系统从未有过明确的定义。其理念源自于1960年代人工智能概念的出现,最早的专家系统被称作Dendral(1965),一种运行于质谱仪和核磁共振仪(MNR)上的计算机程序,用来分析物质样本的化学组成。根据计算机科学专家爱德华·费根鲍姆(Edward Feigenbaum)的解释,设计这些程序的目的是“用智能的方式实现某些需要一定人类技能才能完成的任务”。此类系统在1970年代获得飞速发展,所能胜任的工作复杂程度不断提高,但仍需要人工输入。
从1990年代开始,“交互性决策辅助系统”的概念开始受到青睐,即在计算机决策循环中重新引入人为干预的方法。专家系统开始变得越来越复杂,并整合了大量的专业数据库。除非借助人类操作性技能,任何搜索引擎都难以望其项背。
简而言之,越复杂的机器,其输入端对解码(deciphering)和分类归纳(sorting)过程的要求就越高,而这两项都只有经过良好训练的人类大脑才能做到。
工具和用途
在任何决策需要使用大量数据的领域,专家系统都大有可为。在商业领域,它可以利用所谓“信息性”功能协助甚至替代经理人完成收集、核实、建模和展示数据的工作。这种“决策导向型计算机科学”极大地提高了经理们在工作中的前瞻力,并试验之前根本看上去是天方夜谭的假设和方案。另一极具潜力的领域是公共管理:加拿大政府正计划将专家系统用于失业救济的资格审核。
军事机构也很热衷使用专家系统。现代战场就是一个数据集散地,数据的来源和格式五花八门,却必须被迅速准确地处理。经验老道的行动指挥官比谁都清楚,一个演练沙盘就可以决定一场战役的成败。军工和军需行业早就开始发力,大量的国防企业也成功开发出了快速决策工具来应对关键情况,这些工具密集应用计算机和通讯系统,可以整合海量数据。
在安全领域,人们对专家系统的启用褒贬不一。它首先被大规模地引入到飞行控制模式,所谓自动巡航(AP)。这方面的成就不容置疑。自动巡航改进了飞行安全性,减少了飞行员疲劳驾驶的情况,并能监测安全隐患,自动报警。自动巡航系统甚至能够在飞行员能力不足甚至缺席时,维持飞行器的“正常”飞行状态。
然而,几次航难之后,一些航空专家表达了忧虑。在他们看来,自动驾驶技术导致飞行员能力退化,反应迟钝,造成了工效学家口中的“机组人员去技术化”(flight crew disqualification)。
批评认为,空难总数的下降掩盖了近来几次大空难的严重性。根据自动化领域专家、乔治梅森大学(George Mason University)心理学系主任拉贾·巴拉苏罗曼( Raja Parasuraman)教授的解释,当自动巡航功能解除时,驾驶员对一些常规操作已经“手生”,这会导致严重甚至致命的飞行失误。美国联邦航空管理局(FAA)对过度依赖自动巡航系统发出警告,并建议航空公司提倡飞行员进行更多人工驾驶。
医药和生物领域也在密切关注专家系统。虚拟智能助手(VIAs)通过分析患者数据帮助做出医疗诊断,甚至能具体到某种疾病的症状。VIA系统的产生依赖于所谓“量化自我”(quantified self,亦有译“量化生活”)概念即人们可以分析自己的生物数据,以及大数据挖掘与处理技术的强大力量。
运动领域也可用到专家系统。体育经理和教练需要通过运动员体能监测来收集训练过程中的实时数据,发现弱点和潜在的受伤风险,并据此决策。但是更有意思的是,专家系统能够发现未来的体育明星和某些行业天才。最有名的是“奥克兰市运动家”棒球队经理Billy Beane在2000年创建的一个数据分析软件,利用完全客观的参数分析棒球运动员的比赛表现,剔除了这种比赛固有的主观偏见。球队经理根据计算机模型来发现和签约那些被市场低估了的球员,优化预算使用,更重要的是将来这些球员还能在市场上卖个好价钱。
侵蚀就业?
虽然在经济学意义上成绩斐然,但在社会学领域,专家系统却常招致非议。在纺织业和农业,织布机和拖拉机解放了人手,实现了自动化,数十倍地提高了生产力。在工业部门,机器人成为精益制造的关键因素,而医用机器人更是以优于人类医生的精确性和稳定性活跃于外科手术台上。
自动化设备引入之处,无不出现生产效率的大跃进,但同时也伴随着一些就业岗位被淘汰而引发的精神创伤。人类劳动力被机器所取代,首当其冲的是那些从事“现代”职业的人,这些工作要求一定的特殊技能,需要付出大量的时间和成本才能习得。
自动化拥趸声称,机器解放了人类,现在我们可以把时间花在更重要的事情上。遗憾的是,这样的堂皇承诺要真正实现,至少需要几代人的时间。回到农业的例子,机械化在20世纪初引发了巨大恐慌,当时的人们根本无法预见到一个世纪后的今天,医疗卫生、金融、信息通讯、电子、娱乐等各行业所提供的新就业已经远远超过了农业部门所失去的。
自1970年代始,计算机价格急遽下降鼓励了雇主尽可能用计算机来取代昂贵的人力。前者对所有基础性工作都能完美胜任——组织、仓储、数据收集与处理、精确的物理性生产活动等,这种“半技能”型工种还包括会计、办公室工作和质检。计算机的普及大大减少了对这些职业的需求,另一方面,为计算机工作提供辅助或收尾等,又提出了更多的人力需求。总体来看,“幸存”下来的岗位技能要求占据了图谱的两极——最高的和最低的。
“幸存”职业
其中的一极,是那些高度抽象性的工作,从事者需要具备解决难题、直觉思维能力、沟通力和好创意。常见于管理和创新主导的职业,如法律、医药、科学、工程、出版和设计。这些行业的从业者受益于较高的教育和培训水平,拥有能力完成独立分析,并能够利用计算机转化、组织、处理数据和信息。
在麻省理工大学经济学教授戴维·奥特(David Autor)看来,还有一些职业能够躲过此劫,主要是那些需要较强适应能力、视觉和声音识别以及人人交互的任务。烹调、交通堵塞时的卡车司机、医院保洁员……这些工作的复杂程度计算机都还无法胜任,但对于人来说却是小菜一碟,因为诸如灵巧性、辨别力、语言能力都是我们天生的,最多加上一点最基本的职业培训。机器人占据不了这些需求普遍的低薪岗位。
计算机化因此导致了职业的两极化,高技能岗位和低薪劳动的面临着需求增加的压力。计算机并没有减少就业岗位总量,只不过降低了对某些工薪阶层的能力要求。高能力的人可以在增长前景看好的高附加值行业找到工作,而学历较低的人则会更多地流向那些需要人工操作的行业如餐饮、保洁和安保,但收入和职位的上升空间都很有限。
简而言之,计算机化空前加剧了过去20年社会不平等的程度。经济学家们对财政和工资政策的争吵,迷惑了视听;其他管理和政治因素也只是其次,真正的趋势却被人们所忽视:那就是计算机分流了一些职业技能的价值。人工智能开始挑战并与人类智能展开竞争。经济学家泰勒·科文(Tyler Cowen) 在他著名的《中产的终结》(Average is Over,亦有译《中产阶级的消失》,2013)一书中所探讨的正是这一主题。
中产的明天?
历史到此还未结束。越来越智能的机器终有一天会将触角伸向高技能岗位。麦肯锡全球研究院(MGI)2013年发布一份报告让人们有足够理由为全世界上层中产阶级的前途担心。人工智能和专家系统的演进将在2025年之前将减少1-1.4亿智力岗位就业者,即所有“使用计算机进行复杂分析、优化决策和创造性问题解决模式”的人。
或者,我们只是杞人忧天。
首先,社交网络的普及以及它所调动起来的大规模集体智能,使得各领域的专家能力变得更有“相对性”:基于以往系统实现自动化,并提出新问题。最近,巴黎高科矿业学院(Mines ParisTech)研究“人计算”(human computation,亦有译人类计算或人本计算)的科学家进行的一项实验显示,人群的智慧超过了任何一台功能最强大的计算机系统。
此外,之前的专家系统更多地基于形式逻辑而不是演绎推理:程序识别规则,根据条件满足性来决定是否执行该规则。但现在,我们看到新的推理形式能够调用“试验&错误”模式,非常不同于识别模式的假设-推理演绎。如果大数据运算能够实现向归纳逻辑的精彩跃进,那么“传统”的专家系统将更难与人类智慧竞争。
同时,机器本身也在发生改变。当前,计算机完成任务的效率和成本、以及面对不同情境采取恰当决策的能力,还取决于设计它的人类程序员的才能。未来,机器将与大数据中心相连接,实现自我学习和修复,但要真正实现具有与人类同等或更优的决策力,非一日之功可即。即便如此,变化之快不可小觑:计算机处理能力日新月异、自动化机器学习协议和简化人机交互技术飞速演进。
一个不可忽视的趋势是,机器的发展程度将或多或少地取决于计算机科学家的算法。因为计算机不能自我调整和改进算法,进而提高数据分析和识别相关性的能力。其背后的原理是,计算机能够处理和检视的数据量越大,算法就会被调试得越精确。
这样的机器在高级知识分子就业方面引起的地震,将不亚于20世纪机器对制造业就业结构造成的剧烈改变,在全球范围内的经济影响就麦肯锡全球研究院估计,将在5.2-6.7万亿美元之间。(张莹/译)