当今社会人工智能对现实社会的影响越来越大，像家庭语音助手、战胜柯洁的Alpha go、网站根据你的喜好投放内容等等，逐步影响着世界，改变着世界。
开复老师在各地演讲和推广人工智能的过程中最长碰到的问题就是如下两个：
1、中国会不会超越美国，领跑人工智能？
2、人工智能会给人类带来什么威胁和挑战？
而他的新书《AI·未来》就是围绕这两个问题展开的。我这篇则是更多的聚焦于第二个问题及未来会是怎么样子的。
首先我们围绕多个方面分析下当前人工智能爆发的原因。
技术上主要是源自辛顿博士等人提出的深度学习及当前云计算的发展产生的数据。
深度学习就是用大量来自特定领域的数据训练数据和期望结果之间的关联性的算法。当提供的数据与期望结果有直接的相关性，通过大量数据的训练和优化，就能产生出alphago那样的专家系统了。和传统人工智能的区别是，传统人工智能里还需要人自己标注特征，再进行采集，而深度学习则只需要告诉他数据和结果的联系就可以了。当有了数据和结果之间的联系，深度神经网络自己就可以总结出规律提取出特征。深度神经网络与传统模式分类系统的区别与联系可参考《人工智能基础（高中版）》里描述的下图来表示。
这样做有哪些好处呢？首先是不再需要人工一一标注特征了，如猫有四条腿两只眼睛一个鼻子这样子的。而深度学习的特征自识别还多一个好处，就是通过大量的数据，他自己就能总结出一些不那么显而易见的，隐形的联系当作特征，像是提供一系列照片，只需要知道每张都有猫，它就能自动总结出什么是猫了。像Image Net图片分类挑战赛的图片给人类识别，分类错误率有5.1%，在2012年之前Imge Net的人工智能的自动识别分类错误率有25.7%，自动2012年开始使用深度学习算法优化后，2017年的人工智能识别错误率已经到了2.3%已经超过了人的识别错误率。这一年也是Image net举办的最后一年，因为深度神经网络已经比较好的解决了图片分类的问题。
而另一个突破则是云计算时代带来的大数据。这些不仅仅包含了以往网页点击类的喜好，还包含了线上线下的支付，还有城市越来越多的传感器带来的现实世界的数据。这些数据进行了标注后，就可以大量的用于深度学习，改善模型，培养出相关领域的专家。因深度学习及大量相关开源项目，降低了人工智能创业的技术门槛，但又提高了对数据的要求。
目前人工智能的革命划分为四波浪潮，分别是互联网智能化（Internet AI），商业智能化（business AI），实体世界智能化（perception AI），自主智能化（automatic AI）。这四波浪潮的出现主要依赖于不同种类的数据。
互联网智能化时代就是在互联网里人们访问产生的资料。是不是感觉抖音推荐的都是自己喜欢看的内容？淘宝京东推荐的是不是你正准备购买的东西？这些都是根据人们的互联网足迹，AI自动推荐给你的。互联网人工智能就是使用人工智能算法作为推荐引擎，去了解研究学习我们的个人喜好，从而推荐定制化的内容推荐给个人。而驱动这些人工智能引擎的正是它们获得的数据。互联网巨头们对自己所拥有的数据贴上‘标签’，让数据和特定行为连接起来。这些记录甚至包括了是否点击，播放视频过程中是否暂停切换等细节，当这些数据都用于训练针对个人喜好的推荐算法，有时AI甚至会比本人还了解自己想要的。这些算法不仅使得互联网更了解我们的需求，同时也让掌握数据的互联网公司赚到更多的钱，这就是互联网智能化带来的商业模式的变化。这个时代的经济价值主要局限于高科技产业以及数字世界。因中国的互联网用户比美国和全欧洲加起来都多，且移动支付的普及，线上线下O2O（online to offline）的高速发展，开复老师预测未来五年中国在互联网智能化上能初步超过美国。
而广泛的让传统公司发展则是在第二波人工智能浪潮的来临后。不同于互联网智能化给互联网用户的数据贴标签，商业智能化是给传统公司数十年来积累的大量专业数据贴上标签，如保险公司理赔事故中鉴别保险欺诈，医院的医疗诊断记录，投行各种投资记录等等。商用AI会使用这些自带大量的特征及含义的数据挖掘到人类以往忽视的隐形联系，参考以往的决策与结果训练算法，最终使其超越经验丰富的人类从业者。这是因为人类往往是根据事物的强特征来做出预测，而AI则还可以挖掘出不太直观的弱特征纳入计算，使用异于人脑思考的复杂模型，在商业分析工作上超过顶尖的人类专家。这些商用AI可以做出比银行客户经理更准确的判断，通过各种采集的身体数据诊断出更准确地结果。这方面美国不少传统行业比其他国家更加发达完善，他们往往使用了专业的会计软件及企业管理软件管理库存、顾客关系、决策及营收等数据，使得美国企业积累了大量结构化通用的数据。而不少中国及发展中国家的企业大多使用自己特有的系统来保存数据，而未纳入通用的标准化的企业软件来存储数据，处理数据，使数据的扩展整理及结构化较为困难，这进一步导致了无结构的数据训练AI算法后的结果普遍落后于美国公司。当前美国已经有很多银行业，保险业及大量拥有结构化数据的公司已经采用人工智能来协助决策。而未来几年国内也会把更多的专业数据转换成产品追赶美国的脚步。
商业智能化对现实有直接的影响，但它处理的对象还是人类行为形成的数据。而第三波浪潮，实体世界智能化则改变了这些。大量的传感器收集数据，而感知AI又把大量的声音和图像数据化，使的人工智能和现实产生了交互。现在各种智能语音助手，如天猫精灵，亚马逊echo等设备通过采集语音，识别出指令，通过各种物联网设备，控制家庭设备。而街道上到处架设的摄像头和语音采集设备也让城市采集到各种数据，自动调度交通和各方面的事务。感知AI模糊了线上与线下世界之间的界限，大量增加了互联网的互动节点。当未来线上线下融合后，去超市进入时自动通过人脸识别个人身份，且随时都能和家庭助手联动，查看到家里有什么缺什么，支付只需要提着需要的货物走出去，就会自动从你的账户扣款，这些过程不仅不需要拿出银行卡，甚至都不需要拿出手机扫描二维码。这一切变化就是来自于多出来的传感器收集到的数据。
而第四阶段的自主智能化则是AI设备自己就能实时感知到我们周边的世界，进行安全而又有效率的进行工作。自主人工智能是前三个阶段的智能浪潮的集大成者，把实时感知的数据和互联网在线处理结合起来。这些会逐步影响到商场、城市、餐厅、工厂、消防安全等方面。有些人可能会问向工厂之类的领域很多工厂不是已经实现自动化了吗？实际上，发达国家虽然很多领域用机器替代的人力，不过这些只是初步的机械化而已。机械化带来的最大的改善在重复劳动方面，但无法进行决策或者自动化处理。但是当人工智能获得了实时的视觉触觉和听觉数据，又能实时进行决策时，这一切都不同了。当前火热发展的自动驾驶汽车，它不是严格按照既定的路线或者轨道驾驶，而是实时能根据路况、路灯和行人行为进行决策。当前自动驾驶已被认为比人类司机的安全性高，但还有不少伦理上的问题需要解决，像虽然是小概率，但如果万一真出车祸了，责任属于政府还是开发公司等一系列问题。
当前这四个阶段不是完全独立的，而是全面而并行的在发展。基于国内当前的信息，大量的网民数量及腾讯阿里百度小米等巨头掌握的大量线上线下的数据，再加上国内政府对高新技术的扶持，开复老师认为互联网智能化和实体世界智能化上中国能较快速的会超越美国，但商业智能化上，中国传统企业的数据劣势可能还需要很久才能赶上美国的步伐。而自主智能化方面，虽然中国也有大量的数据及政府的支持，但实时决策及大量安全方面的需求，需要大量的顶尖专业技术人才，这方面因大学科研等环境，相比美国少了很多顶尖的算法科学家，还需要追赶不少距离。但技术方面，因当前的人工智能更加的重视数据，同时大量新技术又进行了开源，新技术带来的红利可能没有想象中那么大。另一方面还有很多伦理和安全等领域的问题，如果未来应用这些新技术的主要瓶颈如果是伦理安全等方面的政策，则中国企业就有可能超越美国，率先实现自主智能化。
这些领域的快速发展不仅仅是机遇，还会伴随着大量的挑战和危机，但这些威胁不是来自于科幻作品中的机器人攻打人类，而是来自生产力发达引起的就业率和财富不均衡。人类与经过大量数据训练的专家人工智能竞争，大量的中低层岗位逐步被淘汰。通过赋予机器人看、听、拿等操作及自由移动的能力，人工智能会彻底改变制造业。这也会使发展中国家长期以来赖以发展的低成本劳动力被彻底替代。在马太效应下，这会使发达国家和贫困国家，甚至是发达国家内部巨头的小企业之间的贫富差距越来越大，大量的人竞争少量的岗位导致薪水越来越低，最终导致社会的不稳定。
为了预测出哪些工作会更容易被人工智能替代，我们需要先了解AI在生产力方面的优势。主要有两个，一个是信息的精准判定，另一个是可复制性可重复性。信息的获取和处理方面，人工智能擅长的是根据确定性的输入和输出，找出对应的关系，比如推荐和销售额的关系、股票买入和收益的关系、棋盘上走的棋子和胜负之间的关系等等。当边界确定，可判定输入和输出的结果时，AI能挖掘出更多的隐性联系纳入计算逐步超越人类专家。而可复制性则决定了，只要开发出一套稳定的算法或模型，就可以快速的大规模提高生产力。这两方面决定了，边界确定的且可重复性高的事物就更容易被替代。
开复老师在书中给出了他的预测，如下两种形态工作的风险评估图。
因当前的人工智能偏向于输入输出的，而不会涉及到类人思考，所以纵坐标是按照与他人的交互度来划分，横坐标则是结构化创造性可重复性来划分。而图表分了四个象限，第一象限是安全区，目前的发展来说离高创造性，高交互的人工智能还有很长一段距离，故这里先不展开。第二象限结合区则是工作重复性高，但大量与人的交互带来了一定的复杂性。第三象限是危险区，是未来高概率会被AI替代的少交互、少变化、多重复劳动的岗位。而第四象限慢变区则是交互少，但工作重复性低，技能要求和创造性要求比较高的岗位。这四个象限里，结合区和慢变区是看未来人工智能在类人思维还是创造性复杂工作上率先突破，目前暂时还处于比较安全的范围，但危险区就真的要警惕了，随时都有被替换的可能性。目前初步估计，洗碗工、银行柜台人员、工厂装配工人、收费员等人员最易被替代。最近去医院的结果来看，一开始只有发票领取及化验单打印等少数岗位被机器替代，到了现在大部分收缴费，挂号登记等窗口已经基本撤销了。只保留了少数的窗口用于对人服务。
危险区的工作看似普通，但社会上这部分的工作岗位是比其他类型多很多很多的。当危险区开始快速被AI替代，未来的就业率问题会越来越严峻。开复老师预期未来15年间，全世界会有40%工作岗位会被人工智能技术替代。虽然也有些经济学家比较乐观，认为人工智能带来的就业危机也会像当初工业革命一样，被社会的自然发展进化所自我消化。但最近的几十年科技的发展速度实在是太快了，短短几年几十年要像工业革命那样消化掉大量传统领域失业人员，我认为不会那么乐观。
那么该如何应对这些危机呢？
硅谷针对AI引起的失业问题提出三类解决方案，再培训、减少工作时间、重新分配收入。每一类方案的出发点来自调节就业的某一个变量，即技能、时间及报酬。
再培训是某一种岗位消失后，通过在线教育和终身学习，获得培训和指导，从而找到新的工作。这在一定程度上会缓解就业问题，但从人工智能对工作的类型和范围的扩张速度来看，绝大部分人学习新技能的速度会远远赶不上岗位淘汰的速度，让人失去信心放弃成长。
为了进一步缓解工作压力，部分人提出了更激进的建议，即减少工作时间。如原先一周五天每天八小时的工作，减少到一人每天工作五小时，每周工作四天，则一个岗位能支持两个人工作，且可以把薪资只减少到60、70%，虽然总薪资减少了，但人的单位时间收入提高了。2008年金融危机时美国一些州实施了这项措施，为了防止失业人士过多，他们没有选择裁员，而是让每个人的工作减少20%-40%，薪水相应的也减少10%~20%，让员工和企业减少了再就业的冲击，也为当地政府减少了失业救济金。
但这两种方法同时使用，也仅仅是减缓失业带来的冲击，而不能完全回避掉人工智能解放生产力带来的失业危机。所以人们又提出了一个再分配的方案。
其中一种再分配方案叫最低保障收入（Guaranteed Minimum Income），这种方案类似当前的低保，但大量的失业人民只能拿到维持生计的低保收入，注定对社会稳定性产生影响。
所以又有了另一种再分配方案——全民基本收入（Universal Basic Income）。他的核心思想很简单，每个公民定期从政府领取收入补偿金，而领取这笔钱没有任何附加条件。这笔钱即不受岗位或者时间限制，也不受贫穷还是富有的限制，人人都可以领到相对充足的钱做想做的事情。这笔钱来自哪里呢？是来自人工智能“赢家”们缴纳的巨额税款。社会生产力解放后，巨头的税款供养绝大多数公民，摆脱人们对工作的需求，让社会迈向“休闲社会”，让人们追求自己的梦想。但这个方案也会带来不劳而获的恶果，当长期不需要工作也能舒服的生活下去，好逸恶劳的人性会让大多数人放弃努力，沉迷于享受，最终让人类社会崩塌。
李开复老师则在思考一种人机结合的新社会结构，即社会贡献津贴（Social investment stipend）。开复老师在癌症期间思考了大量的人与人之间的情感及关系，认为当下的人工智能虽然能大量提高生产力，但是无法提供情感上的安慰，所以提出让人们更加聚焦于人工智能无法覆盖的强社交，强创造力的领域。特别是社交方面，比如未来的医生，人工智能根据各项指标数据，进行诊断。而人类医生则是更多地对病人的情感支持及安抚，让病人心情好起来，带来更多地疗效；更多地志愿者维护环境，陪伴老人；展开培训培养人们的兴趣及技能，专注于研究改变世界等等。在指定的机构注册及完成一定时间的服务后，获得社会贡献津贴。相比全民基本收入的方法，主要的区别就是社会整体的意识形态，没有生存压力的前提下，人人关护别人，而不是无所事事的堕落下去。
我不知道真正的未来会是怎样的，经历再培训、减少工作时间后不知道有生之年能不能进入再分配的时代。不过了解到人工智能时代的机遇和危机，也许能激发出你的动力。即使没搞懂哪些领域安全，但至少当下找到自己真心喜欢的事情，把喜欢的事情做精，也能在一定程度上抵抗住了人工智能的冲击。即使喜欢的事情精通了未来也会被人工智能所替代，但至少用愉悦的心态投入过喜欢的事情，不会有那么多遗憾。
