2017年7月，我發布了一個關于人工智能、機器學習和深度學習的入門視頻。從那以后，我一直癡迷于閱讀關于機器學習的報道。

一般來說，你會在媒體的頭版上看到兩類報道。一類報道的標題是“機器人來搶你的工作”，這預示著，我們的社會將無情地走向大規模失業。甚至像麥肯錫這樣“清醒的”組織似乎也在預測，到2030年，三分之一的工人會因為自動化而遭到失業的厄運。

如果這還不夠嚇人的話，這里是另外一類報道的標題：“天網，正在為你的孩子而來。”換句話說，人工智能將在任何事情上都比人類聰明，而我們最終將成為地球上失敗的物種。

但是，如果你翻到報紙的最后幾頁，或者閱讀更多的期刊，你會發現另外一些故事，比如科技公司向首次借款的人提供貸款，為病人提供血液和疫苗，以及在戰場和海上拯救生命。

因此，通過仔細、深思熟慮、移情設計，我們可以讓自己活得更長、更安全。

我們可以創造就業機會，在那里我們可以做更多創造性的工作。我們可以更好地了解對方。但是在我談到今天已經發生的許多例子之前，讓我更廣泛地分享一下人工智能生態系統中正在發生的事情。

人工智能生態系統中發生了什么

人工智能生態系統正在蓬勃發展，從大學到企業，再到世界各地的政府大廳。這里有三個軼事可以說明這個生態系統是有多活躍。

首先，這里有一個來自人工智能學術研究領域的有趣事實。

研究人員最大的學術會議是一個名為神經信息處理系統(NeurIPS)的會議。會議始于1987年，在過去一年(2018年)，會議門票在11分38秒內銷售一空。

好吧，這還比不上碧昂斯（Beyonce），她那體育場大小的演唱會的門票能在22秒內銷售一空，但我們正在接近這一目標。

其次，各行各業的企業似乎都在投資人工智能。這是埃森哲首席技術官保羅·多爾蒂（PaulDaugherty）的觀點，他已經在公司工作了30多年。

最近，保羅做客A16Z播客時，他分享道：

我已經在我的公司工作了32年，在這個行業工作了一段時間，并且參與了從我們的互聯網業務到我們的云-移動物聯網業務等所有這些業務的增長過程，沒有什么能像人工智能現在這樣，在整個組織中快速發展。

從實際支出、員工人數來看，沒有哪種趨勢增長得如此之快，無論你采用何種衡量標準。就企業影響而言，人工智能是我們所見過的增長最快的趨勢。這也是所有這些跨行業、跨部門的多樣化趨勢中的第一個。

第三，隨著學術界發表更多論文，企業實施更多項目，政治家們自然而然地試圖將自己的國家或地區，定位為地球上最適合建立人工智能驅動的創業公司或進行機器學習研究的地方。

許多國家都宣布了培育人工智能生態系統的計劃，沒有哪個國家比中國更重視這個問題。中國希望，到2030年成為人工智能領域領導者。甚至發布了一些信息圖表：

現在，是我們所有人共同利用這巨大的能量造福全人類的時候了。

通過深思熟慮、謹慎和富有同情心的設計，我們真的可以讓自己更有創造力，成為更好的決策者，活得更長，在現實世界中獲得超能力，甚至更好地理解彼此。

讓我分享一些來自真實世界的例子，說明人工智能是如何在這些方面幫助我們的。

自動化程序使我們更有創造力

莎士比亞（Shakespeare）讓哈姆雷特（Hamlet）這樣評價人性：

人類是一件多么了不起的杰作！多么高貴的理性！多么偉大的力量！多么優美的儀表！多么文雅的舉動！在行為上多么像一個天使！在智慧上多么像一個天神！

雖然我們有邏輯和理性，但我們也有驚人的創造力(“無限的能力”)。

當機器自動完成日常任務時，我們將有更多的時間、精力和注意力用于機器目前不擅長的所謂“右腦”思維，如整體思維、移情、創造力和音樂感。

讓我分享幾個例子。

我們越來越依賴亞馬遜Prime及其全球同類的產品，它們提供當天或兩天的免費送達服務。為了滿足我們的需求，亞馬遜一直在離我們家越來越近的地方建立配送中心，并部署了成千上萬的Kiva機器人將25磅重的黃箱子從一個地方搬到另一個地方。

除了這些機器人，亞馬遜還雇傭了成千上萬的人類工人來輔助Kiva機器人，并解決機器人卡住的問題。

上圖所示的尼薩·斯科特(NissaScott)在《紐約時報》的一篇文章中談到她的工作時說：“對我來說，這是我們這里最具挑戰性的事情。這不是簡單的重復。”

當機器接管簡單重復的任務時，人類就可以自由地做他們最擅長的事情：跳出條條框框思考，用創造性的方式解決復雜的問題。

下面是另一個例子。

許多銷售和營銷人員，花了幾個小時將數據繁瑣地輸入到他們的客戶關系管理(CRM)系統中。但是盡管銷售管理部門盡了最大努力，這些系統也經常丟失數據，更糟糕的是，經常會填錯信息。

我們的投資組合公司People.ai，使用機器學習將數據自動填充到CRM中。

有了完整的、最新的客戶關系管理系統，銷售和市場營銷人員，最終可以根據他們希望從客戶關系管理系統中獲得的洞察力來行動。

比如，知道我們應該在周五下午給我們的潛在客戶艾莉森(Alison)打電話，因為這是她真正想了解新系統如何幫助她處理日常事務的時候。

通過幫銷售人員將數據鍵入CRM的日常任務中解放出來，他們可以專注于理解他人的問題，并利用他們的同情心和創造力來幫助解決這些問題。還有什么地方可以讓我們的日常工作自動化呢？為審判做準備怎么樣？為審判做準備的第一步是收集證據。

傳統上，出庭律師在準備為案件辯護時，會篩選成千上萬的文件、照片、視頻、電子郵件和其他證據。他們必須弄清楚哪些文件與案件有關，它們是關于什么的，以及它們是如何聯系在一起的。沒有軟件，律師助手梳理每一個文件或圖片可能需要幾百或幾千個小時。

我們投資的一家公司Everlaw簡化了這個過程，它使用機器學習快速處理、分類和標記與案件相關的文件，并以容易訪問的方式存儲它們。

因此，處理該案件的律師能夠利用自己的才能，從事更具創造性的工作，將各個點連接起來，提出一個引人注目的大故事，讓陪審團能夠更清楚的了解案件。所謂的自然語言處理(NLP)系統，能夠理解語言的軟件，也在其他應用程序中找到了自己的路。

Dialpad是一種基于網絡的電話和會議服務，可以轉錄你的談話錄音。轉錄后，Dialpad會使用一種叫做情緒分析的機器學習技術，來分析文本中是否有憤怒或沮喪的跡象。

如果系統檢測到人們感到沮喪，它可以幫助人們利用自己的創造力、同情心和智商讓談話回到正軌。

我們也可以把這些技術帶到醫生的辦公室。

上次我拜訪我的初級保健醫生時，他和我在一起呆了大約35分鐘，在那段時間里，他和他的筆記本電腦互動，而不是和我互動，努力讓我的電子健康記錄保持最新。

Suki是一家創業公司，致力于通過聆聽病人和醫生之間的對話，自動更新病人的醫療記錄，重新將醫生和病人連接起來。

通過自動化常規任務，醫生可以專注于病人護理的創造性、移情性和情感性部分。

當這些技術(以及幫助診斷問題的系統)進入大多數醫生的辦公室時，我相信我們會根據誰的臨床方式最好來選擇我們的醫生，因為診斷和保持系統的最新大多都會是自動化的。

機器學習給了我們現實世界中的超能力

我們的人類感知系統是驚人的。你的眼睛可以以非常細致的分辨率分辨1000萬種不同的顏色。但是我們的感知系統也有眾所周知的局限性。這就是為什么我們有炸彈嗅探犬，而不是炸彈嗅探人。

我們的記憶也比我們許多人想承認的要糟糕。我們的大腦被設計成為了有充分的理由忘記你所看到和聽到的很多東西。

如果我們能夠圍繞人類感知系統的局限性進行設計，并在現實世界中賦予自己超能力，會怎么樣？機器學習正在幫助我們做到這一點。例如，Pindrop賦予銀行、零售商和政府組織超級聽力的力量。

Pindrop的服務有助于防止語音欺詐，這是黑客竊取身份和金錢的越來越常用的方式。

通過分析近1400種聲學屬性，這個系統可以幫助組織在你打電話的時候確定你是否真的是你，這仍然是我們與商家，政府機構和銀行打電話過程中互動的78%。

它通過傾聽我們的聲音(隨著年齡的增長，聲音會加深到中年，然后音調會升高)，以及我們的電話和電話網絡在線路上引入的噪音，來做到這一點。

使用專有的機器學習算法，Pindrop可以利用線路上的噪音，來預測你是在家中用iPhone打電話，還是在愛沙尼亞用Skype打電話。這種超級聽力能力，有助于組織大幅減少成功欺詐企圖的數量。

在Ox和BoweryFarms等公司運營的室內農場中，機器學習也給我們提供了越來越多的超能力。

作為人類，我們很難觀察事物生長緩慢的過程，并隨著時間的推移進行比較：我們的感知系統，被設計用來注意快速移動的捕食者，而不是生長緩慢的菠菜。

另一方面，機器視覺系統可以被訓練，能夠準確地知道一棵健康的生菜在它生命的第36天應該是什么樣子。

對于不能茁壯成長的萵苣，農場可以自動調節溫度、光照條件、水位、營養成分、濕度和其他因素，以幫助它達到最佳的健康狀態。

這些室內農場的作物，產量可高達每平方英尺15磅，而高效溫室和田間種植作物的產量分別為每平方英尺7磅和每平方英尺1磅。

而且，在不使用殺蟲劑和減少95%的水的情況下，這些作物的產量也可以達到這些增長效率。超級視覺的力量使我們成為更有效率的農民。

超級視覺也可以在工廠內部使用。

盡管世界范圍內對機器人技術進行了大量投資，但大約90%的工廠工作仍由人手完成。挑戰在于，工廠里面指出了大量的成本，很難讓工人繼續做這些工作。美國一家經營非常好的工廠可能每年有30%的營收，用來支付昂貴的再招聘和再培訓費用。

在中國，每天有2%的工人流失率并不罕見，這意味著幾個月后，你就會有一個全新的勞動力隊伍。鑒于成本如此之高，工廠將培訓每位新員工的成本降至最低是至關重要的。

Drishti正在給這些工廠帶來超級視覺能力。

通過在工人組裝產品時捕捉和分析視頻，系統可以為每項工作提供個性化的行動建議，幫助他們跟上進度。使用Drishti的工廠勞動生產率提高了25%，錯誤率降低了50%。

當我們給建筑工地帶來超視視覺能力時，我們可以幫助全體員工保持安全、預算和進度。Doxel每天下班后都使用激光雷達(與自動駕駛汽車上使用的激光雷達相同)和攝像頭從地面機器人和無人機上收集數據。

通過構建精確的3D地圖(精確度高達2mm)，Doxel知道已經建成了什么(“是什么”)，并將其與建筑平面圖(“應該是什么”)進行比較。然后它可以預測建筑的主要部分何時完工。

這種每天進行地循環任務，有助于保持合適的工人在合適的時間、用合適的材料和工具到達現場。這也有助于防止你在自己的房屋改造項目中可能遇到的錯誤，比如在水管工或電工修完墻后的管道或電纜之前，就先把墻修好。

使用Doxel的這個系統，KaiserPermanente幫助建筑工人提高了38%的生產率，并在建造Viewridge醫療辦公室時，節省了11%的預算。

當然，談到人工智能的超能力，我們不能不談論自動駕駛汽車。先進的駕駛員輔助系統會導致二級效應之一，是我們將在事故現場有可靠的目擊者。

不管一輛自動駕駛汽車走到哪里，我們都會有十幾臺攝像頭、幾臺激光雷達、多臺雷達和超聲波傳感器等的傳感器數據。

想想這對法院和保險公司意味著什么。不用再依賴目擊證人的證詞，甚至在周圍沒有人的情況下，我們可以重現事故現場發生的情況。

2018年9月，特斯拉向2017年8月后生產的汽車發布了9.0版輔助駕駛軟件。有了這個軟件版本，用戶可以將汽車的攝像頭數據存儲到一個USB閃存驅動器中，許多司機也開始這樣做。

去年12月26日，在北卡羅來納州的希科里，一群皮卡司機用他們的卡車堵住了通往一個特斯拉超級充電站的路，并大聲辱罵特斯拉，直到他們被趕出該充電站。特斯拉車主和Reddit用戶萊斯納（Leicina）在附近的超級充電站停下來充電，但所有的充電樁都被3輛大卡車堵住了。

幸運的是，事故中沒有人受傷，但是儀表盤上的錄像片段表明，在沒有目擊者的情況下，有攝像頭是多么有用。本田司機顯然非法操縱，如果沒有錄像片段，這種情況可能會演變成一場僵局，兩個司機都會堅稱他們沒有責任。

下面是我在這一部分的最后一個例子，說明機器學習系統是如何在現實世界中給予我們超能力的。

一家名為OrCam的以色列公司生產了一種名為“MyEye2”的產品，它可以夾在一副眼鏡上，幫助有視力問題(如失明、視力障礙、閱讀障礙)的人們在世界上導航。

這個產品用于拍攝周圍的環境，并描述視頻中的內容。

它可以閱讀一本書中的文字、當人們靠近時說出他們的名字(這是一個我很喜歡的功能，盡管我的視力很正常！)、區分5美元和50美元的鈔票，區分食品雜貨店的產品等等。

幫助我們做出更好的決定

機器學習算法，可以幫助我們做出更好的決策，通過將人類的偏見最小化，使用更完整的數據集，或者彌補我們決策軟件中已知的缺陷。

雖然古老的計算機科學公理“垃圾輸入，垃圾輸出”仍然適用，但精心設計的具有完全代表性數據集的系統，可以幫助我們做出更明智的決策。

考慮一下招聘場景。Textio開發了一種軟件產品，幫助人們寫工作描述，這種描述最有可能吸引有資格、有能力做特定工作的人。這家公司由一個微軟Office老員工團隊創辦，在你寫內容時在屏幕上提供指導。

例如，當你在某個特定的時間點，使用某個性別比另一個性別更有吸引力的詞語時，Textio會提醒你。

諸如詳盡、強制、無畏之類的詞匯已經被統計學證明，會讓你的人才庫偏向男性。

Textio還指出了地區差異。

例如，如果你用“好的職業道德”來描述你的理想候選人，這可能會吸引圣何塞的工人，但會阻止華盛頓地區的工人。如果你的目標是埃弗雷特的候選人，最好不要說這句話。

鑒于Textio可以訪問廣泛的數據集，比如現有的職位描述、應用統計數據和工作表現數據等等，可以幫助你消除招聘過程中的盲點。

機器學習還可以幫助你，找出是什么讓你最優秀的員工如此高效，并幫助你在第一天就把新手變成專家。Cresta.ai觀察最有效的銷售人員在聊天時如何與潛在客戶互動：弄清楚潛在客戶需要什么，推薦產品，回答問題。

這個系統提取最佳實踐方案，并將其轉化為實時建議，供經驗不足或效率較低的銷售人員在與潛在客戶互動時使用。

在Intuit這樣的客戶部署中，銷售團隊的轉化率上升了20%，培訓時間節省了66%。換句話說，與沒有使用這個系統相比，銷售代表在培訓較少的情況下完成了更多的業務。

這個系統對銷售人員和客戶都有好處。

正如一位Intuit代表所描述的，“我擔心使用這個系統會破壞與客戶的個人關系或對話，但是將這個人工智能作為工作助手，有助于展開個性化對話。”機器學習也有助于提高非常熟練的專業人員的決策能力，例如尋找特定礦物的地質學家。

鋰離子電池(如手機、筆記本電腦或電動汽車中的電池)內部可能含有一種叫做鈷的礦物質，這種礦物質可以幫助電池在多次充放電循環后依舊保持性能。隨著特斯拉的Gigafactory等電池工廠生產更多的鋰離子電池，鈷的需求正在迅速增長。

不幸的是，世界已知鈷儲量的65%在剛果民主共和國，這個國家政治不穩定，據報道可能有多達40000名兒童在開采鈷礦。

如果我們在剛果民主共和國政府中有一個可靠的政治伙伴，我們可能會努力改善所有礦工的工作條件，但是我們也應該尋找新的鈷來源。

這正是KoBoldMetals正在做的事情。

通過查看許多不同的數據源，如地形數據、在某一地區生長的植物、磁和電磁模式、水和天氣模式、巖石類型等等，在我們派遣非常昂貴的探險隊開采之前，這個系統可以幫助地質學家找到鈷的可能存在的位置。

另一個很好的例子是金融技術。

向首次借款人發放貸款是有風險的，尤其是在第三世界國家，如肯尼亞、坦桑尼亞或尼日利亞。在這些國家，信用機構要么不存在，要么無法接觸到所有人，致使很多人無法獲得傳統貸款。

我們的投資組合公司Branch，一直致力于在這些領域為首次借款人提供貸款。

在沒有信用機構的情況下，Branch試圖根據借款人的移動應用程序使用情況和通過其移動應用程序收集的行為來確定借款人的資格。使用機器學習，Branch分析了數據，并確定了幾個行為指標，這些指標已經被證明，可以預測貸款償還的可能性。

以下是一些令人驚訝的因素或行為，使得Branch的借款人更有可能償還貸款的特征：

使用三星或HTC等品牌的手機

節約使用電池

晚上接大部分電話

收到的短信比發送的多

Facebook賬戶更活躍

在手機上運行賭博應用程序

除了最后一個指標，列表上的大多數指標都不太令人驚訝。數據發現，如果一個人是賭徒，并且手機上有賭博應用，他們更有可能償還貸款。

如果你覺得這有點違反直覺，你并不孤單。這只是證明了一個人類決策者是多么的不靠譜，這是由于個人偏見和過去的經驗造成的。

這是否意味著算法在所有決策方面都比人類好？還沒有。

從組織樣本中比較癌癥診斷性能的研究顯示，例如哈佛醫學院2016年6月發表的這一項研究和谷歌AIHealth研究員2018年10月發表的另一項研究，當人類與算法競爭時，始終提供最準確診斷的是人類+算法，它們的表現優于單獨的算法和單獨的人類。

為了讓你了解醫生用來診斷癌癥的方法，這里有兩張并排的圖片。左邊的一張顯示了已經染色的組織切片。右邊的圖顯示了計算機視覺算法疊加“熱圖”的結果，熱圖顯示了它認為更多(紅色)或更少(藍色)含有癌組織的區域。

為什么人類使用的算法比單獨的算法和單獨的人表現更好？一種可能性是，這些算法改進決策的方式，與語法和拼寫檢查有助于提高我們的寫作水平的方式相似。

一般來說，這些檢查器能很好地發現我們的打字錯誤和語法錯誤(真正的優點)。但是偶爾，檢查器會標記出錯誤(假陽性)或者給出一個你不同意的語法暗示。

在這些情況下，你最終將重寫檢查器。這種過程最終的結果是，寫出的東西比任何一方自己寫出的東西都要好。

將危險的工作和任務自動化使我們更加安全

有些工作顯然是危險的，例如海上救援、向偏遠地區運送血液和疫苗，以及沖進大樓看看里面是否有敵對士兵。創業公司和非營利組織正在幫助實現這些工作的自動化。

一個叫“LittleRipper”的組織正駕駛無人機在海洋上空搜集視頻畫面。他們計劃建立一個識別水中鯊魚的機器學習模型，作為沖浪者和游泳者的早期預警系統。

在一次收集錄像的訓練任務中，一個真實的求救電話打了進來。

在70秒內，無人機操作員就飛到了遇難游泳者身邊，把救生背心扔給他們，營救他們，所有這一切都不需要派一隊救生員進入危險的海浪中。

Zipline，我們的投資組合公司之一，正在努力為盧旺達全國人民提供救命的血液和疫苗。他們以無人機為基礎的輸送系統非常普遍，以至于現在盧旺達輸血所用血液的25%都是他們提供的。大多數快遞都在半小時內完成。

這家公司現在正在將他們的配送系統擴展到加納，并已開始在美國進行試飛。

最后，我們的投資組合公司Shield.ai正在制造一種無人駕駛飛機，以增強美國軍隊今天執行最危險的行動中的人類士兵的能力。

這被稱為“清理”，它涉及派遣武裝的人類士兵進入他們從未見過的建筑。這家公司的Nova無人駕駛飛機，在清除存在未知敵人的建筑物時，對士兵來說是一種無價的幫助。

它能夠探索并傳送建筑物通道的詳細地圖，同時使用機器學習算法將建筑物內的居住者標記為朋友或敵人。

海上救援，快速向偏遠地區運送血液，清除可能存在潛在對手的對建筑：這些工作中的每一項，顯然都很危險。令人驚訝的是，根據美國勞工統計局的數據，美國最危險的工作之一是長途卡車運輸。

這個職業的死亡人數比其他職業都要多，而且這個已經令人痛心的數字還沒有考慮到長途貨運對健康的負面影響。

長途卡車司機的肥胖率是普通人群的兩倍多，而且風險還不止于此。肥胖會增加一個人患糖尿病、癌癥和中風的風險，而且由于工作本身的壓力，卡車司機更有可能通過飲酒和吸煙來縮短壽命。

我們必須盡快讓這些卡車司機下車，這需要我們能建立起比人類司機更安全的自動駕駛系統。駕駛客車也非常危險。世界衛生組織估計每年有120萬人死于道路交通事故。

這是15至29歲年輕人死亡的主要原因，世界衛生組織認為，從致命的交通事故中恢復過來消耗了世界GDP的3%。

一旦自動駕駛系統足夠安全，可以控制方向盤，我們就必須讓人類駕駛員下車，我們有一組投資組合公司在這個生態系統中積極開發產品和服務。

DeepMap正在構建精美詳細的3D地圖，這些算法可以用來安全地為我們在道路上導航。

AppliedIntuition創建了模擬系統，幫助工程師測試和重新測試他們的算法，以確保他們創建的算法在暴露于各種條件下時，行為完全符合預期。

Voyage在退休社區內提供自動化出租車服務，這樣即使我們失去了駕駛能力，我們也可以保持自己獨立行動的能力。Cyngn正在開發一整套自動駕駛軟件，這些軟件可以在各種各樣的車輛中使用。

機器學習將幫助我們更好地理解彼此

你可能認為人類最有能力理解彼此。畢竟，談話的另一方是另一個人類。

但事實證明，精心設計的軟件實際上可以幫助我們更好地了解彼此。想想被診斷患有自閉癥的人。

總部位于劍橋的兩家公司Affectiva和BrainPower已經開發了應用程序，通過使用簡化的表情符號，幫助自閉癥患者認識到周圍人的情緒狀態，以便他們能夠適當地調整自己的行為。

他們的系統通過谷歌眼鏡分析視頻，并將適當的表情疊加在一個人的臉上，幫助佩戴者最準確地理解與他們交流的人的情緒狀態。

這是一個正在運行中的系統：人工智能研究的最初目標之一就是機器翻譯，也就是把一種人類語言翻譯成另一種語言。

這個領域最困難的挑戰是同步實時翻譯：當一個人用一種語言說話時，系統會自動及時輸出另一種語言的翻譯，這樣兩個人就可以進行自然的對話。

這種類型的翻譯非常具有挑戰性，就算是專業的聯合國翻譯人員一次只能工作20分鐘，然后他們就會被一個隊友接替。

2018年10月，百度發布了同步翻譯系統STACL(即帶有預期和可控延遲的同步翻譯系統)。鑒于技術挑戰是如此之大，人工智能社區朝著這個目標正在取得堅實的進展，這令人印象深刻。

為了跟上說話者的步伐，機器學習系統實際上會生成多個預測，預測說話者開始說話時每個句子將如何結束。這有點像谷歌在你的瀏覽器的搜索欄中的自動完成功能。

系統需要為一個句子創建和翻譯不同的可能結尾，因為如果不這樣做，它就會落后于說話者。

想象一下，在我們走進的每個會議室或打開的每個瀏覽器窗口的每次網絡呼叫中嵌入實時翻譯，我們可以更好地理解每個呼叫。下面是最后一個例子，說明如何更好地理解對方，這可能是我在整個演講中最喜歡的例子。

有一個叫做CrisisTextLine的非營利組織，它通過短信向處于危機中的人們提供咨詢。

上一代人在面臨危機時可能會撥打熱線電話，而現在這一代人則更喜歡發短信。

當CrisisTextLine啟動時，他們要求訓練有素的顧問列出50個觸發詞，這些詞可以用來預測高風險短信發送者。

他們生成的單詞通常和你想象的一樣:比如“死”、“割”、“自殺”和“殺”。在這項服務運行了一段時間之后，這家公司應用機器學習技術，看看是否還有其他單詞可以從列表中添加或刪除，結果非常令人驚訝。

你知道布洛芬這個單詞預測自殺的可能性，是自殺這個詞的14倍嗎？哭喪的表情是是自殺這個詞的11倍嗎？斯坦福大學的研究人員，接著提取了最有效的咨詢師的的最佳實踐。

他們發現有效的技術之一是創造力：成功的咨詢師以創造性的方式回應，而不是使用過于籠統或“模板化”的回應。

在危機咨詢的極端情況下，機器學習幫助我們更好地了解彼此。

結語

雖然機器學習軟件，在使我們成為更好的人類方面有很大的潛力，但是如果我們沒有故意的、深思熟慮的和同情心的話，我們就不可能達到這個目的。

“垃圾輸入，垃圾輸出”的說法仍然成立，而且隨著我們越來越信任基于人工智能的系統，這種說法可能更具潛在危險性。

話雖如此，對于如何最大限度地提高人類的繁榮，我有三個建議。

為了打擊“垃圾輸入，垃圾輸出”，我們必須用高質量、包容性的數據來訓練我們的機器學習系統。Ai4all、OpenAI和PartnershipforAI等組織正在發布最佳實踐(關于包容性和安全性)，供研究人員和產品團隊在設計系統時使用。

我們必須學會使用像埃森哲、谷歌和微軟這樣的組織提供的數據質量工具和概念框架。

隨著公司和組織朝著一個包容、安全的機器學習系統的未來發展，組織規模不斷擴大，他們經常發現自己需要雇傭一名全職思考這些問題的高管。

這是硅谷最熱門的新職位之一：人工智能倫理和政策總監。

第二，我們不要把這變成核軍備競賽的重演，一場零和競賽。

與20世紀80年代開始的專有數據庫時代相比，隨著開源代碼庫(如谷歌的TensorFlow、Databricks的mlflow、無處不在的Keras和scikit-learn)和共享數據存儲庫(來自Kaggle、UCI、Data.gov等組織)的激增，我們在機器學習社區已經有了更好的開端。

但是我們還有很長的路要走。

雖然來自各個國家的專家，可能想把這變成一個零和游戲，一個國家以另一個國家為代價取得成功。

但我們可以、而且應該共同努力，實現機器學習支持的軟件對所有人的承諾，而不管其國籍如何。

最后，談談就業問題。

雖然預測就業的未來超出了這個報告的范圍，但是我注意到像Gartner這樣的組織，最近的研究預測，在未來幾十年里會有新的工作機會，而之前的研究，則預測未來幾十年會有大規模的失業。

我喜歡我的朋友李開復在他的《人工智能超級大國:中國、硅谷和世界新秩序》一書中提出的框架。

想象兩個坐標軸：在x軸上，我們有一系列更常規的工作，而不是需要創造力和策略的工作。在y軸上，我們有需要同情心才能做好的工作。

李開復認為，機器學習將首先取代的工作是左下角的工作：不需要太多同情心的常規工作。但即使這些工作消失了，我們仍然有3個象限的工作：那些需要同情心的工作在圖表的上半部分，以及需要大量創造力的工作。

這些工作是目前的機器學習技術還沒有發展到可以取代的地步。

在思考如何讓子孫后代為這些工作做好準備時，我想起了我成長過程中流行的一本書。

這本書的作者是一位名叫羅伯特·福爾甘（RobertFulghum）的牧師，書名叫《我在幼兒園學到的所有我需要學習的東西》。

在書中，他認為我們應該在孩子身上培養人類的價值觀：同理心、公平競爭、學會如何與他人相處、說聲抱歉、想象力等等。

雖然我知道我們需要在這個基礎上增加一套實用的技術訣竅，但我同意他的觀點，即一個富有情商、同情心、想象力和創造力的基礎，是讓人們為機器學習的未來做好準備的絕佳跳板。

在這個未來，人類和算法會更好地結合在一起。