我们的工作将被机器取代，但也有例外
-
0:01 - 0:02这是我的侄女。
-
0:03 - 0:04她叫Yahl。
-
0:04 - 0:06她只有九个月大。
-
0:06 - 0:09她妈妈是一名医生，
爸爸是一名律师。 -
0:09 - 0:11等到Yahli上大学的时候，
-
0:11 - 0:15像她父母这样的工作将面目全非。
-
0:15 - 0:202013年，牛津大学的研究人员
做了一项关于未来就业的研究。 -
0:21 - 0:25他们得出结论：差不多将近
一半的工作都有被机器 -
0:25 - 0:27自动化取代的危险。
-
0:28 - 0:30而机器学习
-
0:30 - 0:33应对这种颠覆负主要责任。
-
0:33 - 0:35它是人工智能最强大的分支。
-
0:35 - 0:37允许机器从现有数据中学习，
-
0:37 - 0:40并模仿人类的所作所为。
-
0:40 - 0:43我的公司Kaggle
专注于尖端的机器学习。 -
0:43 - 0:46我们召集了成千上万的专家
-
0:46 - 0:49正为工业和学术界
寻找重要问题的答案。 -
0:49 - 0:52因此，我们可以从独特的视角来观察，
-
0:52 - 0:54机器可以做什么，不可以做什么，
-
0:54 - 0:57哪些工作可以被自动化或受到威胁。
-
0:57 - 1:01机器学习是在90年代初
进入人们的视野。 -
1:01 - 1:03一开始，它只是执行
一些相对简单的任务。 -
1:03 - 1:08像评估贷款申请的信用风险，
-
1:08 - 1:12通过识别手写的邮政编码来检索邮件。
-
1:12 - 1:15在过去几年里，我们取得了突破性进展。
-
1:16 - 1:20现在，机器学习可以
完成非常复杂的任务。 -
1:20 - 1:232012年，Kaggle给当地学校出了个难题，
-
1:23 - 1:26设计一个算法来评判高中作文。
-
1:26 - 1:29获胜的算法给出的分数居然
-
1:29 - 1:31和真正老师给出的分数相符。
-
1:31 - 1:34去年，我们出了一道更难的题。
-
1:34 - 1:37你能从拍摄出的眼睛图像中
诊断出糖尿病性 -
1:37 - 1:39视网膜病变吗？
-
1:39 - 1:43再一次，获胜的演算法给出的诊断
-
1:43 - 1:45和眼科医生的诊断相符。
-
1:46 - 1:49类似于这样的任务，
只要给定正确的数据， -
1:49 - 1:50机器将完全超越人类。
-
1:50 - 1:54一位老师在40年的职业生涯中
可能审阅一万篇作文。 -
1:54 - 1:57一名眼科医生，大概可以检查
5万只眼睛。 -
1:57 - 2:01但在短短几分钟之内，
机器可以审阅百万篇文章 -
2:01 - 2:02或检查数百万只眼睛。
-
2:02 - 2:05对于频繁，大批量的任务
-
2:05 - 2:08我们无法与机器抗衡。
-
2:09 - 2:12但有些事情机器却无能为力。
-
2:13 - 2:15机器在解决新情况方面
-
2:15 - 2:17进展甚微。
-
2:17 - 2:21它们还不能处理未曾反复接触的事情。
-
2:21 - 2:24机器学习致命的局限性在于
-
2:24 - 2:27它需要从大量已知的数据中总结经验。
-
2:27 - 2:29人类则不然。
-
2:29 - 2:32我们有一种能把看似毫不相关的事物
联系起来的能力， -
2:32 - 2:34从而解决从未见过的问题
-
2:35 - 2:39Percy Spencer是一个物理学家，
在二战期间从事雷达的研究工作， -
2:39 - 2:42他注意到磁控管融化了他的巧克力。
-
2:43 - 2:46他从对电磁辐射的理解
-
2:46 - 2:48联想到烹饪，
-
2:48 - 2:51因此发明了——猜猜是什么？——
微波炉。 -
2:51 - 2:55这是个非常杰出的创新例子。
-
2:55 - 2:58但这种跨界转型，每天正以
难以察觉的方式在我们身边 -
2:58 - 3:00发生成千上百次。
-
3:01 - 3:02在创新方面
-
3:02 - 3:04机器无法与我们抗衡。
-
3:04 - 3:08这将使机器自动化取代人工
-
3:08 - 3:09受到限制。
-
3:10 - 3:12那么这对未来的工作意味着什么呢？
-
3:13 - 3:17未来工作的状态
完全取决于一个问题： -
3:17 - 3:22这种工作在多大程度上可以简化为
频繁，大批量的任务， -
3:22 - 3:26又涉及多少对创新能力的要求？
-
3:26 - 3:30对于那些频繁，大批量的任务，
机器变得越来越智能。 -
3:30 - 3:33如今， 它们可以评判作文，
诊断某些疾病。 -
3:33 - 3:36再过几年，它们将可以进行审计，
-
3:36 - 3:39将能审阅法律合同样本。
-
3:39 - 3:41尽管会计师和律师还是需要的。
-
3:41 - 3:43但他们只需要研究复杂的税收结构，
-
3:43 - 3:44或无先例的诉讼过程。
-
3:44 - 3:46但机器将会挤占他们的位置，
-
3:46 - 3:49增加就业难度。
-
3:49 - 3:50如上所述，
-
3:50 - 3:53在创新方面机器没有取得太大进展。
-
3:53 - 3:56营销文案需要抓住消费者的心理。
-
3:56 - 3:58脱颖而出是关键。
-
3:58 - 4:00商业策略需要找到市场上
-
4:00 - 4:02还无人问津的空白。
-
4:02 - 4:06人类将是营销文案的创造者，
-
4:06 - 4:10人类才能推动商业战略发展。
-
4:10 - 4:13所以Yahli，无论你将来决定做什么，
-
4:13 - 4:15让每一天都带给你新的挑战。
-
4:16 - 4:18如果是那样，
你的未来将无法被机器取代。 -
4:19 - 4:20谢谢。
-
4:20 - 4:23（掌声 ）
- Title:
- 我们的工作将被机器取代，但也有例外
- Speaker:
- Anthony Goldbloom
- Description:
-
more » « less
机器学习不再是完成简单的任务，如评估信用风险和检索邮件 - 如今，它能够承担更复杂的工作，如评判作文和诊断疾病。 这些进步带来了一个令人不安的问题：未来机器人会抢走你的工作吗？
- Video Language:
- English
- Team:
closed TED
- Project:
- TEDTalks
- Duration:
- 04:36
|
Yolanda Zhang approved Chinese, Simplified subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
Yolanda Zhang edited Chinese, Simplified subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
Yolanda Zhang edited Chinese, Simplified subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
Yolanda Zhang edited Chinese, Simplified subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
Yolanda Zhang edited Chinese, Simplified subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
Yolanda Zhang edited Chinese, Simplified subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
Yolanda Zhang edited Chinese, Simplified subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
Yolanda Zhang edited Chinese, Simplified subtitles for The jobs we'll lose to machines -- and the ones we won't |