在美剧《西部天下》第三季中，未来的人类天下有一个名为“雷荷波”的系统，它是一个节制了人类社会所有信息、能打算出未来任何可能性、给出任何问题答案的人工智能系统。
毫无疑问，只要拥有这样全知全能的系统，很多人类的技能和事情都能被替代。
现实天下里没有“雷荷波”，但它背后的事理——机器学习却在近年来发达发展，并深刻影响着我们的“饭碗”。
人们彷佛该当愈发担忧：我的事情在未来会不会被算法取代？

什么是机器学习？Brynjolfsson and Mitchell (2017)将机器学习归类为人工智能的一个子领域，其研究“我们如何建立打算机程序，使其通过履历自动提升处理任务的能力”。
犹如机器人和自动化一样，机器学习也可以看作是一项通用技能。

在这里，我们可以将机器学习理解为一类用于“预测”的打算机算法：我们将数据输入算法中，由机器来“学习”数据中的规律，末了输出我们想要的结果。
例如我们向系统输入一个人的饮食偏好和当天行程，然后让系统输出这个人今晚想吃的菜。

事实上，很多统计、计量经济学和打算机模型都可以被纳入这个“预测算法”的大类中，从经典的回归模型到前沿的深度学习等。
一样平常我们所说的机器学习更方向于由“数据驱动”的方法得到结果，力求预测的准确性，而非由研究者对实际问题进行建模。
在如今的“大数据”时期，得益于数据量的膨胀以及打算机算力的提升，由数据驱动的机器学习得到了迅猛的发展。

本日，机器学习对各行各业的影响已经无处不在，并且愈加深化。
人力资源部门可以把招聘、员工升职和调动等事情中的简历筛选任务交给机器学习，常常须要处理大量邮件和电话的办公室文员可以利用机器学习进行自动回答，外科年夜夫做手术时可以借助图像识别和机器学习算法的实时建议进行操作。

近年来呈现了不少实证研究磋商人工智能算法在事情中帮忙人类决策的浸染。
Hong et al. (2019)建立了一个统计模型剖析人工智能算法在医学诊断中的浸染，并运用于剖析年夜夫对风险受孕的诊断，他们创造人工智能的预测对年夜夫诊断是有益的，尤其是屯子地区的年夜夫。
在法院庭审前，法官常日要根据对被告人的判断来决定是否赞许保释。
Kleinberg et al. (2018)仿照了用人工智能算法代替法官来进行判断，结果表明在保持保释比例不变的情形下，利用人工智能算法可以减少24.8%的（保释后）犯罪率。

机器学习如此强大，我们不免担心，算法会不会完备取代人类？我们的饭碗会不会丢？要磋商这个问题，我们该当先理解机器学习是如何影响我们的事情的。
Autor et al. (2003)将一个事情（job）看作一系列任务（task）的组合，剖析机器学习是如何影响一个个详细的任务，而不是作为整体的职业或者事情。
Agrawal et al. (2019)将任务进一步分为预测任务（prediction task）和决策任务（decision task）。
预测任务是机器学习的强项，在充足的数据量和强大的算力支持下，机器学习在自然措辞处理、图像识别等方面已经能超越人类。
机器学习在预测上的上风紧张表示精确度高、耗时少、不愿定性降落。
决策任务基于预测任务给出的预测值，来做出事情的终极决定。
鉴于目前法律和伦理道德的约束，目前决策任务绝大多数依然须要由人来实行。
因此，机器学习能替代或者改变的是事情中的预测任务。
例如一家基金公司利用上市公司古迹、宏不雅观经济指标等数据，由机器学习算法预测出上市公司的表现，得出选股和权重的建议，末了由基金经理做出配置的决策。

机器学习的影响表示在两方面。
一方面，机器学习取代了人类在预测任务上的事情，从而减少了劳动力的需求。
另一方面，机器学习在预测任务上的表现提升了人类在决策任务上的成本或劳动的相对回报，从而提高了整体的劳动生产率。
更进一步，机器学习在预测任务上的成功还会加速其决策任务上机器学习取代人类决策。
比如目前的自动驾驶技能尚未完备成熟，一样平常而言自动驾驶系统只卖力预测任务：通过传感器获取周边环境数据，根据系统内已有的人类驾驶员的决策数据对当前环境做出驾驶建议，但终极决策须要人类实行，这是由于在自动驾驶中出错的代价非常大。
可以想象随着自动驾驶系统的预测能力不断进步，由算法代替人类决策的相对回报率将越来越高，终极实现真正的无人驾驶。

我们把机器学习的影响投射到详细的事情任务，而不是一份事情上。
因此，在担忧被机器学习和算法抢走事情的时候，我们该当负责思考，自己拥有的技能和能完成的任务是不是足够强大？如果劳动者的核心技能以预测任务为主，那么就有较大风险被人工智能淘汰。
相反的，如果劳动者的核心技能是复合型的，具有较繁芜的决策任务，哀求具备非构造性的认知能力、社会互动能力、创新能力，那么人工智能就难以取代。
乃至机器学习所带来的更强大的预测能力还会提升劳动者的生产力，让劳动者享受到技能进步的红利。

机器学习对事情任务的影响在不同职业种类有很大差别。
Levy (2017)指出，很多低人为的职业（如门卫、清洁员、家庭康健助手等）很难被自动化取代，由于这些事情须要非构造化的体力活动和社会互动；很多高人为的职业也很难被自动化取代，由于这些事情须要非构造化的认知能力和社会互动。
相对的，中等人为、中等技能的职业则相对较随意马虎受机器学习影响。
不同职业内部也可能有所差别，如状师的技能彷佛很难被算法轻易取代，但以往常日交给年轻状师的文档归类的任务，如今正在被机器学习取代。
Frey and Obsnorne (2013)将ONET职业调查数据的职业划分为可自动化与不可自动化的，估计了702个职业被打算机化的风险，剖析指出美国有47%的就业岗位在未来二十年存在被打算机化的高风险，包括运输和物盛行业的工人、办公室行政职员、工厂流水线工人等等。

机器学习还可能通过改变某个行业的技能来间接影响其干系行业的劳动力市场情形。
Brynjolfsson et al. (2019)稽核了在eBay上引入机器翻译系统eMT(eBay Machine Translation)对国际贸易的影响，他们创造引入eMT使得美国对拉丁美洲国家的出口增加了17.5%。
增加的贸易额将带来贸易活动的增加，从而刺激高下游干系家当的就业。
另一个例子是药物研发。
如Atomwise, Two XAR等公司利用机器学习算法来创造特定的小分子化合物，其更精确的药物创造过程能极大地提高下贱药物测试行业的事情效率，降落本钱提高收益，从而提高该行业的就业和人为水平。
更进一步，药物测试效率的提高还将提升将药物市场化的企业的生产力，连续带动下贱行业的就业和人为增长。

机器学习的加入有时会直接改变行业的事情内容以及对劳动者的技能哀求，从而通过影响行业准入门槛而影响劳动力市场。
一个范例例子便是出租车行业和导航系统。
以往的出租车司机必须对城市的道路非常熟习，搭客报一个地名就要在大脑中迅速“打算”出最优的路线，准入门槛因此较高。
而导航系统的到来使得司机的“认路”技能无处施展，准入门槛大大降落，直接改变了城市出租车行业的劳动力市场。

目前有很多行业都开始涌现机器学习的影子，乃至包括我们一贯以为机器难以“学习”的领域。
比如在围棋领域，与电脑人工智能对局已经成为如今职业围棋选手的主要演习办法；在音乐创造领域，索尼推出了人工智能赞助的作曲软件；在历史学考古学领域，我国科学家用人工智能技能成功识别出了失落传多年的西夏文。
机器学习以其强大的预测能力和数据驱动的办法改变了很多行业一贯保有的职业特点和事情内容，这对从业者来说是须要不断去适应的。
机器学习还会催生一批新的事情岗位的出身，如数据科学家、人工智能测试职员等。

对劳动者来说，彭湃而来的机器学习浪潮既是机遇也是寻衅。
在担忧算法会不会抢走我们饭碗的同时，我们也该当思考：该当如何把握和利用这次新的技能革命？

笔者认为，劳动者首先应该着力提升自己相对付“机器”而言的“核心技能”。
正如上文所说，大略的预测任务以外的决策能力、非构造性的认知和非认知能力、创新能力等，是人工智能时期的人力成本的主要组成。
此外，在职业的选择方面，我们也该当充分考虑人工智能的影响。
末了，人工智能和机器学习的技能发展日月牙异，对劳动者的技能进步哀求不断提高，培养终生学习的习气、保持谦卑的心态，才能在不断变革的时期中霸占领先。

参考文献目录

Autor D H, Levy F, Murnane R J. The skill content of recent technological change: An empirical exploration[J]. The Quarterly journal of economics, 2003, 118(4): 1279-1333.Brynjolfsson E, Hui X, Liu M. Does machine translation affect international trade? Evidence from a large digital platform[J]. Management Science, 2019, 65(12): 5449-5460.Brynjolfsson E, Mitchell T. What can machine learning do? Workforce implications[J]. Science, 2017, 358(6370): 1530-1534.Frey C B, Osborne M A. The future of employment: How susceptible are jobs to computerisation?[J]. Technological forecasting and social change, 2017, 114: 254-280.Hong, H., Lin, X., Tang, K., & Wang, J. (2019). Artificial-Intelligence Assisted Decision Making: A Statistical Framework. Available at SSRN 3508224.Kleinberg J, Lakkaraju H, Leskovec J, et al. Human decisions and machine predictions[J]. The quarterly journal of economics, 2018, 133(1): 237-293.Levy F. Computers and populism: artificial intelligence, jobs, and politics in the near term[J]. Oxford Review of Economic Policy, 2018, 34(3): 393-417.