導讀：圍棋人機大戰、人臉識別、自動駕駛、智能控制、語言和圖像理解……這些年，人工智能的威力，我們已經見識過太多?！叭斯ぶ悄堋鄙踔寥脒x“2017年度中國媒體十大流行語”。

如今，深度學習結合大數據，讓人工智能學習“知識”成為可能。人工智能正在試圖擁有一個人類的大腦。那么，在人工智能橫行的時代，人類的工作甚至生存的空間又在哪里？

以下觀點和案例會告訴你，人類在未來在4個工作領域仍然不可替代，這4項工作也將成為業內的“鐵飯碗”。希望本文能夠為你的職業規劃及發展方向提供幫助。

將從大數據中提取“知識”的工作交給人工智能，但這絕不意味著人類將變得無關緊要。人類需要承擔“選擇合適方法”等新的任務。讓我們來看看人類應發揮的4點作用。

01 進行深層神經網絡的內部設計，為人工智能選擇合適的機器學習方法

深層學習（Deep Learning）也有缺點，絕不是萬能的方法。而且在很多情況下我們使用傳統的方法會更加見效。東京大學的原田達也教授作為圖像識別技術的研究人員指出：“其中的一個難題就是，關于如何進行深層神經網絡的內部設計，目前還沒有人能夠提出一個明確的設計指南。”

所以人類應該發揮的第一個作用，就是選擇合適的機器學習方法。

除了深層學習之外，機器學習的方法還有很多。對很多企業來說，與其一下子就嘗試難以駕馭的深層學習，不如引入現有的機器學習方法更具實際意義。

在方法的選擇上，我們可以參考橫濱國立大學濱上知樹教授的做法。橫濱市從2008年起開始構建“119緊急電話對緊急程度/病情嚴重程度的識別（call triage）”預測模型系統，而濱上教授正是負責該項目機器學習的研究人員。

橫濱市的call triage指的是從通話內容中預測撥打119電話的患者病情的嚴重程度，根據具體癥狀來調整急救人員的種類和規模。因為現在急救人員的人手增加存在困難，如何有效安排就顯得非常重要。

這時候最重要的一點就是“不能把重癥的患者判斷為輕癥”（濱上教授）。哪怕允許“把輕癥的患者判斷為重癥”，也絕不允許系統把重癥患者判斷為輕癥。也正因為如此，系統最初的預測精準度還不到30%。

▲橫濱市“call triage支援系統”

濱上教授為了提高準確度，始終在更新機器學習的方法。從最初的“logistic回歸”分析到“貝葉斯網絡”“支持向量機（SVM）”，再到現在的“隨機森林”，隨著每一次方法的改進，系統的預測精準度都有所提升，現在已經在80%以上。

有意思的一點是，比起在構建預測模型時參考了醫生意見的貝葉斯網絡，沒有參考醫生意見的SVM及隨機森林的預測精確度反而更高。濱上教授指出：“電腦竟然能比醫生更準確地判斷患者病情的嚴重程度，這對一般人來說可能在感情上很難接受。消除這種誤解，也是人工智能研究人員的重要任務之一。”?

02 找出機器學習和深層學習的適用領域

找出機器學習和深層學習的適用領域，這是人類的第二個作用。通過在各個領域不斷嘗試機器學習并評估其成效，尋找可以應用的新領域，這種態度是非常重要的。

制藥公司過去依靠的是實驗和建模方式，而現在它們開始利用機器學習進行新藥研發。

2014年，日本的非營利組織（NPO）“并列生物信息處理Initiative”舉辦了“用電腦創造制藥原料”大賽。在這場大賽中，引進了機器學習的風險企業“信息數理生物”公司拔得了頭籌。比賽的主題是從220萬種化合物中尋找出擁有某種療效的、可用于制藥的化合物。

▲“信息數理生物”公司研發的“虛擬篩選”系統

在這里需要找出損傷蛋白質活性的化合物，這是造成疾病的原因。目前共有兩種方法可以找出這種化合物：①進行真實的實驗。②通過電腦建模的方式再現蛋白質和化合物的構造，并據此進行模擬實驗。

但是，化合物共有220萬種，如果對每一種都進行實驗或建模，從成本到時間上都很難做到。該公司根據“結構相似的化合物，其作用也相似”這一生物規則為線索，讓電腦“針對現有醫藥品的結構進行機器學習，尋找結構相似的化合物”（望月正弘）。實踐證明，利用這種方法確實找到了有望作為藥品發揮作用的化合物。

在素材和材料領域也能看到同樣的探索。在“信息材料學”方面，現在正通過機器學習尋找可用于制造超導體及太陽能電池材料、鋰離子電池材料的化合物。

03 驗證機器提出的假設，思考這些模式和規律產生的原因

人工智能可以從大量數據中找到模式和規律，而思考這些模式和規律產生的原因，從中發現新知識，則是只有人類才能完成的工作。這也是人類的第三個作用。

日本大型綜合建設公司大林組計劃從2014年11月開始啟用系統，采用NEC的“異種混合學習”機器學習技術，根據樓宇里安裝的4500個傳感器提供的數據，對24小時或1個月后樓宇的能源消耗量進行預測。

樓宇的能源消耗模式根據平日、周末和時間段等不同而有所不同。對于具體在什么時間點模式會發生改變這一點，一直以來都是靠人工根據專業知識分出幾種不同的情況，再制作出合適的模型進行判斷的。

▲大林組公司的樓宇能源消耗預測系統

NEC的異種混合學習則是通過機器學習的方法觀察到模式的轉換，再根據不同的模式生成模型。傳統的預測模型的失誤率超過10%，預計導入異種混合學習之后，失誤率會降到5%以下。

大林組公司環境解決方案部小野島一部長說：“今后我們要做的工作就是，了解異種混合學習在什么節點對模式進行切換，找到其背后的原因。”比如異種混合學習分析出以某戶外溫度值為節點，預測模型會發生切換。“我們要弄明白在超過這個溫度時樓宇中的哪些內容會發生改變。通過理清這些因果關系，可能會發現新的節能方法?！?/span>

04 收集數據，制定數據收集機制以供人工智能進行學習

只要有數據，人工智能就可以學習，但是如果沒有數據，那就什么也做不了。如何制定數據收集機制以供人工智能進行學習，是人類的重要任務，也是人類的第四個作用。

日本SoftBank Mobile公司目前正在推進由SoftBank Robotics研發的人形機器人“Pepper”的推廣活動。其目的之一，就是通過Pepper“收集店里接待客人時的相關數據”（SoftBank Robotics PMO室林要主任）。

▲Softbank公司的待客機器人“Pepper”

一直以來，都是由店員在店里承擔接待客人的工作?！暗陠T和客人進行溝通以后，顧客有哪些反應”這一類數據完全沒有記錄下來。

Pepper可以識別顧客聲音，理解話語內容，通過對話向客人提供服務。它甚至還可以根據顧客的語音語調判斷客人的情緒。通過Pepper的行為，可以收集到有關顧客反應的相關數據。

“要想讓‘服務型機器人’在服務行業大顯身手，最重要的一點就是收集數據。如果可以大量收集到能夠確保一定質量的數據，就可以孕育出新的認知。”林要主任說。

數據收集工作中最難的一點，就在于收集反映人類判斷結果的“訓練數據”。如果訓練數據的收集實在困難，也可以采用“無監督學習”方式。

例如，風險企業Informetis僅僅根據家庭或辦公室里一個電流傳感器的數據，就通過無監督學習的方式開發了可以分別識別多臺機器用電量的“機器分離技術”。該技術的特點在于無須為每一臺機器配備電流傳感器。

“冰箱、電視、電腦等機器的種類繁多，我們認為很難收集用于識別各類機器的訓練數據，也就是反映各機器耗電傾向的數據，所以采用了無監督學習方式?！痹摴旧玳L只野太郎介紹說。

哪些數據需要收集，哪些數據能夠收集，對這些問題進行判斷，正是只有我們人類才能完成的工作。

關于作者：日經計算機，一本寫給管理者與領導者的IT綜合信息雜志，以鏈接IT策劃、研發、應用為己任。旨在傳播“推進商業的IT”信息，讓讀者能輕松理解策劃、研發與應用的綜合信息。

本文摘編自《物聯網商業時代》

點擊“閱讀原文”了解及購買本書

轉載請聯系：baiyu@hzbook.com

點擊文末右下角“寫留言”發表你的觀點

推薦語：有網友評論該書為“未來生活的提前預演”。這是一部全面展示物聯網前沿的產業分析手冊，物聯網并不是時髦的概念，它在悄悄從產業鏈的上游改變我們的世界。

推薦閱讀

日本老爺爺堅持17年用Excel作畫，我可能用了假的Excel···

看完此文再不懂區塊鏈算我輸：手把手教你用Python從零開始創建區塊鏈

為什么要學數學？因為這是一場戰略性的投資

180頁PPT，講解人工智能技術與產業發展

Q:?你找到你的專屬“鐵飯碗”了嗎？

歡迎留言與大家分享

覺得不錯，請把這篇文章分享給你的朋友

轉載 / 投稿請聯系：baiyu@hzbook.com

更多精彩文章，請在公眾號后臺點擊“歷史文章”查看

點擊閱讀原文，了解更多

總結

以上是生活随笔為你收集整理的AI取代人类？这4种工作仍将是从业者的“铁饭碗” | 未来的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。