即將要被機器取代以及無法取代的工作
-
0:01 - 0:03這是我的姪女，
-
0:03 - 0:04她的名字是雅莉，
-
0:04 - 0:06她現在九個月大，
-
0:06 - 0:09媽媽是位醫生、爸爸是位律師；
-
0:09 - 0:11不過等到她上大學的時候
-
0:11 - 0:15她父母親的工作將會迥然不同了。
-
0:15 - 0:202013年，牛津大學的研究人員
做了一個對未來工作的研究， -
0:21 - 0:25他們得出結論：差不多將近一半的工作
-
0:25 - 0:28都有被機器自動化取代的危險。
-
0:28 - 0:30而「機器學習」
-
0:30 - 0:33要對這種顛覆負主要的責任。
-
0:33 - 0:35它是人工智慧最呼風喚雨的分支，
-
0:35 - 0:37它讓機器得以從數據中學習，
-
0:37 - 0:40並模仿一些人類可以做到的事情。
-
0:40 - 0:43我的公司「Kaggle」算是能操控
機器學習的尖端科技公司。 -
0:43 - 0:46我們召集了成千上萬的專家
-
0:46 - 0:49為產、學界解決重要的難題。
-
0:49 - 0:53所以我們可以從獨特的角度
來觀察機器可以做什麽、 -
0:53 - 0:54不可以做什麽。
-
0:54 - 0:57哪些工作可以被自動化或者受到威脅。
-
0:57 - 1:01機器學習是在90年代初
進入產業界的， -
1:01 - 1:04一開始，它只是執行一些
簡單的任務。 -
1:04 - 1:08像評估貸款申請的信用風險、
-
1:08 - 1:12查看郵遞區號的手寫字碼
來分類郵件。 -
1:12 - 1:15過去幾年來我們已經做出
多項重大的突破， -
1:16 - 1:20機器學習現在已經可以完成
非常覆雜的任務。 -
1:20 - 1:23在 2012 年 Kaggle
給自家社群出了一道難題， -
1:23 - 1:26要大家設計出一個演算法
來評判高中作文。 -
1:26 - 1:31獲勝的演算法給出的分數居然
和真正老師給出的分數相符 -
1:31 - 1:34去年，我們出了一道更難的題目：
-
1:34 - 1:36你可不可以藉由眼球的影像
-
1:36 - 1:39診斷出一種叫「糖尿病視網膜病變」的眼疾？
-
1:39 - 1:42果然，獲勝的演算法給出的診斷
-
1:42 - 1:45可以和人類眼科醫師的診斷相媲美。
-
1:46 - 1:49只要給定正確的數據 ，
機器在類似的任務中 -
1:49 - 1:51將完全超越人類。
-
1:51 - 1:54一位老師，在他的40年職業生涯中
也許只能審閱10000篇作文 -
1:54 - 1:57一名眼科醫生，大概可以看50,000隻眼睛
-
1:57 - 2:01但一部機器可以在短短幾分鐘內
讀完上百萬篇文章 -
2:01 - 2:03或是看完上百萬顆眼睛。
-
2:03 - 2:08在頻繁、大批量的任務上
我們無法與機器抗衡。 -
2:09 - 2:12不過還是有我們能做
而機器做不到的事情， -
2:13 - 2:15機器在解決複雜的新情況方面
-
2:15 - 2:17進展甚微。
-
2:17 - 2:21它們對還沒看到很多次的事情無法掌握。
-
2:21 - 2:24機器學習的先天限制就是：
-
2:24 - 2:27它需要從大量的過往資料中學習。
-
2:27 - 2:29人類就不一樣了，
-
2:29 - 2:32我們有一種能把看似毫不相關的事物
聯系起來的能力， -
2:32 - 2:34從而解決我們先前還不曾見過的難題。
-
2:35 - 2:39波西‧史賓塞是二次世界大戰期間，
從事雷達研究的物理學家， -
2:39 - 2:43當他注意到磁控管不斷融化
他的巧克力棒時， -
2:43 - 2:46他能夠把他對電磁波的認知
-
2:46 - 2:48與烹飪的知識做結合，
-
2:48 - 2:51因此發明了--各位猜猜是什麽？
微波爐。 -
2:51 - 2:55這是個特別傑出的創新例子
-
2:55 - 2:57但是這種跨領域的碰撞，
-
2:57 - 3:00每天在我們的周遭會上演好幾千回。
-
3:01 - 3:04在解決新的棘手問題方面
機器無法與我們媲美， -
3:04 - 3:08而這使機器自動化取代人工
-
3:08 - 3:10受到了限制。
-
3:10 - 3:12那麽這對未來的工作意味著什麽呢？
-
3:13 - 3:17未來工作的狀態完全取決於一個問題：
-
3:17 - 3:22「該工作有多少程度可以縮減成
經常性、高產量的任務， -
3:22 - 3:26以及有多少程度是在解決新的棘手問題？」
-
3:26 - 3:30對於那些頻繁，大批量的任務，
機器變得越來越聰明。 -
3:30 - 3:33今天它們能給作文打分數、
診斷特定疾病， -
3:33 - 3:36過了幾年後，它們將可以進行審計、
-
3:36 - 3:39從法律合約中解讀法律語言。
-
3:39 - 3:41盡管會計師和律師還是需要的
-
3:41 - 3:45但僅能研究覆雜的稅務結構及
無例可循的法律問題， -
3:45 - 3:49不過機器將會減少他們的就業機會，
增加就業難度。 -
3:49 - 3:50如同我說過的：
-
3:50 - 3:53機器在處理複雜的新情境上
沒有進步！ -
3:53 - 3:56行銷推案的文宣必須擄獲消費者的青睞，
-
3:56 - 3:58它必須脫俗出眾。
-
3:58 - 4:01商業策略必須在市場上找到一些
-
4:01 - 4:02其它人還沒開始做的領域。
-
4:02 - 4:06人類才是營銷文案的創造者，
-
4:06 - 4:10人類才是商業戰略的拓展人
-
4:10 - 4:13所以，雅莉，不管妳決定要做什麼，
-
4:13 - 4:16讓每一天帶給妳新的挑戰，
-
4:16 - 4:19如果是這樣，那麼妳將永遠領先機器一步。
-
4:19 - 4:20謝謝大家！
-
4:20 - 4:23（掌聲）
- Title:
- 即將要被機器取代以及無法取代的工作
- Speaker:
- 安東尼．葛博倫
- Description:
-
more » « less
機器學習不再僅止於簡單任務，好比評估信用風險、分類郵件。如今，它能夠承擔更複雜的工作，像是幫作文打分數、診斷疾病。這些進步帶來了一個令人不安的問題：未來機器人會搶走你的工作嗎？
- Video Language:
- English
- Team:
closed TED
- Project:
- TEDTalks
- Duration:
- 04:36
|
Dimitra Papageorgiou edited Chinese, Traditional subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
Geoff Chen approved Chinese, Traditional subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
Geoff Chen edited Chinese, Traditional subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
易帆 余 accepted Chinese, Traditional subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
易帆 余 edited Chinese, Traditional subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
易帆 余 edited Chinese, Traditional subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
易帆 余 edited Chinese, Traditional subtitles for The jobs we'll lose to machines -- and the ones we won't | |
|
|
易帆 余 edited Chinese, Traditional subtitles for The jobs we'll lose to machines -- and the ones we won't |