不要想当然认为人工智能不会取代你的工作!
我们已经看到,一些平淡无奇或单调乏味的任务已经被机器人或自动化所取代,那么怎样才能阻止它们让我们所有人都失业呢?
希望总是存在的:有很多工作还需完全依赖于人的素质,比如创造力或同情心。这些是计算机程序无法复制的东西——难道可以复制?接下来,让我们考察几种人工智能无法取代的工作,看看你的职业生涯是否像你想象的那样安全。
1.人力资源经理
我们中有多少人在简历上至少撒过一次谎才找到工作?人力资源部确实有不少岗位看起来是人工智能无法取代的。公司需要一位人力资源经理来帮助区分那些纸面上看起来不错的应聘者和那些适合这份工作的应聘者。而且,同情心和仁爱心也有助于解决员工之间的纠纷,对吗?
自20世纪90年代中期以来,科学家们一直在研究帮助人工智能理解人类情感的方法。到2009年,Affectiva——一种多模态情感人工智能——能够以90%的准确率鉴别和认定人类情感。虽然目前还没有计划用人工智能系统取代人力资源经理,但这条职业道路可能不像之前认为的那样安全。
2.作家
作家是一个独特的群体,他们会连续几天重组26个字母来构建词汇。无论最终目标是提供信息还是娱乐,写作都需要大量的创造力,我们认为这是人类独有的。
事实证明,创造力不仅仅是人类的一种特质。全世界的科学家都训练人工智能系统来创作诗歌、故事和剧本,并取得了不同程度的成功。不过,总有一线希望——至少对美国作家来说是这样。美国版权局在2022年裁定,只有人类才能创作受版权保护的作品。
3.教师
在全球范围内,教师是最不受重视、薪酬最低的职业之一。他们正全心全意地塑造着我们的下一代,而且他们所做的一切令人难以置信的工作值得更多的赞扬。得益于网络互联,人工智能系统可能会达到人类知识的广度,但知识和智慧之间存在着巨大的差异。因此,人工智能系统可以用于教学,但必须有老师帮助学生学习。
我们现在遇到的问题是教师短缺,而这正是人工智能可能变得必不可少的原因之一。人工智能可能永远无法完全取代对熟练教师的需求,但随着越来越多的人出于各种原因离开这一领域,它们可能变得必不可少。
4.运动员
无论你喜欢什么样的运动,没有什么比观看一名职业运动员在比赛中处于巅峰状态更好的了。这些体育技能往往要耗费数月时间来学习以及数年时间才能掌握,而处于巅峰状态的运动员就是人类所能做到的完美范例。
人工智能系统取代熟练运动员的可能性微乎其微,但这在未来可能会改变。许多运动,如足球或橄榄球,往往会使运动员受伤或面临长期健康问题。然而,一旦保持健康的需求超过了比赛的欲望,那么机器人运动员可能会取代人类。
如果将来有一天工程师们能开发出可以模仿人类动作的机器人,那么这可能标志着我们所熟知的职业体育运动的终结——没人想看机器人把足球从球场的一端传到另一端!
5.律师
到2030年,人工智能可能为全球经济增加13万亿美元,这就是为什么这么多人担心他们的工作可能面临风险。律师们往往在社会上有不太好的名声,但他们是目前刑事司法系统的重要组成部分。从事法律这一行业需要大量的记忆,而人工智能系统可能正擅长这一点。
不幸的是,对于这些人工智能系统来说,当律师可不仅仅是理解法律条文那么简单,他们更必须吃透法律的精神。人工智能并不是为了做出这种主观判断而设计的——至少目前还不是。如果有一天出现一种更人性化的能够模仿人类行为甚至能够自行感知的人工智能系统,那么届时律师们可能会发现自己真正失业了。
你的职业是否人工智能无法取代?
诚然,本文并没有给出一份详尽的社会职业清单。但事实是,我们很可能正在进入一个人工智能的黄金时代——几乎所有的工作最终都会被人工智能系统所取代;不过,人类目前还没有完全做到这一点。因此,不要简单地依靠你的工作描述就说你的职业不会为人工智能所取代。现在这可能是真的,但不能保证永远如此。
译者介绍
朱先忠,51CTO社区编辑,51CTO专家博客、讲师,潍坊一所高校计算机教师,自由编程界老兵一枚。早期专注各种微软技术(编著成ASP.NET AJX、Cocos 2d-X相关三本技术图书),近十多年投身于开源世界(熟悉流行全栈Web开发技术),了解基于OneNet/AliOS+Arduino/ESP32/树莓派等物联网开发技术与Scala+Hadoop+Spark+Flink等大数据开发技术。
原文标题:Think AI Can’t Take Your Job? Think Again,作者:Zachary Amos
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击