人类与AI连系的最佳形态是什么样？

若是这还不敷吓人的话，这里是此外一类报道的题目：“天网，正在为你的孩子而来。”换句话说，人工智能将在任何事情上都比人类伶俐，而我们最终将成为地球上失败的物种。

然则，若是你翻到报纸的最后几页，或许阅读更多的期刊，你会发现此外一些故事，好比科技公司向首次乞贷的人供应贷款，为病人供应血液和疫苗，以及在疆场和海上拯救生命。

是以，经由细心、深图远虑、移情设计，我们能够让本身活得更长、更平安。

我们能够缔造就业机会，在那边我们能够做更多缔造性的工作。我们能够更好地认识对方。然则在我谈到今天已经发生的很多例子之前，让我更普遍地分享一下人工智能生态系统中正在发生的事情。

人工智能生态系统中发生了什么

人工智能生态系统正在蓬勃成长，从大学到企业，再到世界各地的当局大厅。这里有三个轶事能够解说这个生态系统是有多活跃。

首先，这里有一个来自人工智能学术研究范畴的有趣事实。

研究人员最大的学术会议是一个名为神经信息处理系统(NeurIPS)的会议。会议始于1987年，在曩昔一年(2018年) ，会议门票在11分38秒内发卖一空。

好吧，这还比不上碧昂斯（Beyonce），她那体育场巨细的演唱会的门票能在22秒内发卖一空，但我们正在接近这一方针。

其次，各行各业的企业似乎都在投资人工智能。这是埃森哲首席手艺官保罗·多尔蒂（Paul Daugherty）的概念，他已经在公司工作了30多年。

比来，保罗做客A16Z播客时，他分享道：

我已经在我的公司工作了32年，在这个行业工作了一段时间，而且介入了从我们的互联网买卖到我们的云-移动物联网买卖等所有这些买卖的增进过程，没有什么能像人工智能如今如许，在整个组织中快速成长。

从实际支出、员工人数来看，没有哪种趋势增进得如斯之快，无论你采用何种权衡尺度。就企业影响而言，人工智能是我们所见过的增进最快的趋势。这也是所有这些跨行业、跨部门的多样化趋势中的第一个。

第三，跟着学术界揭橥更多论文，企业实施更多项目，政治家们天然而然地试图将本身的国度或区域，定位为地球上最适合竖立人工智能驱动的创业公司或进行机械进修研究的处所。

很多国度都公布了培养人工智能生态系统的规划，没有哪个国度比中国更正视这个问题。中国进展，到2030年成为人工智能范畴向导者。甚至发布了一些信息图表：

如今，是我们所有人配合行使这伟大的能量造福全人类的时候了。

经由深图远虑、郑重和富有同情心的设计，我们真的能够让本身更有缔造力，成为更好的决议者，活得更长，在实际世界中获得超能力，甚至更好地舆解彼此。

让我分享一些来自真实世界的例子，解说人工智能是若何在这些方面匡助我们的。

主动化法式使我们更有缔造力

莎士比亚（Shakespeare）让哈姆雷特（Hamlet）如许评价人道：

人类是一件何等了不得的佳构！何等尊贵的理性！何等伟大的力量！何等美丽的仪表！何等文雅的勾当！内行为上何等像一个天使！在聪明上何等像一个天神！

固然我们有逻辑和理性，但我们也有惊人的缔造力(“无限的能力”)。

当机械主动完成平常义务时，我们将有更多的时间、精神和注重力用于机械今朝不擅长的所谓“右脑”脑筋，如整体脑筋、移情、缔造力和音乐感。

让我分享几个例子。

我们越来越依靠亚马逊Prime及其全球同类的产物，它们供应当天或两天的免费送达办事。为了知足我们的需求，亚马逊一向在离我们家越来越近的处所竖立配送中心，并布置了成千上万的 Kiva 机械人将25磅重的黄箱子从一个处所搬到另一个处所。

除了这些机械人，亚马逊还雇佣了成千上万的人类工人来辅助Kiva 机械人，并解决机械人卡住的问题。

上图所示的尼萨·斯科特(Nissa Scott)在《..》的一篇文章中谈到她的工作时说：“对我来说，这是我们这里最具挑战性的事情。这不是简洁的反复。”

当机械接管简洁反复的义务时，人类就能够自由地做他们最擅长的事情：跳出条条框框思虑，用缔造性的体式解决复杂的问题。

下面是另一个例子。

很多发卖和..人员，花了几个小时将数据繁琐地输入到他们的客户关系治理( CRM )系统中。然则尽管发卖治理部门尽了最大起劲，这些系统也经常丢失数据，更糟糕的是，经常会填错信息。

我们的投资组合公司People.ai，使用机械进修将数据主动填充到CRM中。

有了完整的、最新的客户关系治理系统，发卖和市场..人员，最终能够凭据他们进展从客户关系治理系统中获得的洞察力来动作。

好比，知道我们应该在周五下昼给我们的潜在客户艾莉森(Alison)打德律，因为这是她真正想认识新系统若何匡助她处理平常事务的时候。

经由帮发卖人员将数据键入CRM的平常义务中解放出来，他们能够专注于懂得他人的问题，并行使他们的同情心和缔造力来匡助解决这些问题。还有什么处所能够让我们的平常工作主动化呢？为审判做预备怎么样？为审判做预备的第一步是收集证据。

传统上，出庭律师在预备为案件辩护时，会筛选成千上万的文件、照片、视频、电子邮件和其他证据。他们必需弄清楚哪些文件与案件有关，它们是关于什么的，以及它们是若何关联在一路的。没有软件，律师助手梳理每一个文件或图片或者需要几百或几千个小时。

我们投资的一家公司 Everlaw 简化了这个过程，它使用机械进修快速处理、分类和标记与案件相关的文件，并以轻易接见的体式存储它们。

是以，处理该案件的律师可以行使本身的才能，从事更具缔造性的工作，将各个点保持起来，提出一个惹人饮茶注目的大故事，让陪审团可以更清楚的认识案件。所谓的天然说话处理( NLP )系统，可以懂得说话的软件，也在其他应用法式中找到了本身的路。

Dialpad是一种基于收集的德律和会议办事，能够转录你的讲话灌音。转录后，Dialpad会使用一种叫做情绪剖析的机械进修手艺，来剖析文本中是否有气愤或沮丧的迹象。

若是系统检测到人们感应沮丧，它能够匡助人们行使本身的缔造力、同情心和智商让讲话回到正轨。

我们也能够把这些手艺带到大夫的办公室。

前次我拜望我的初级保健大夫时，他和我在一路呆了大约35分钟，在那段时间里，他和他的笔记本电脑互动，而不是和我互动，起劲让我的电子健康记录连结最新。

Suki是一家创业公司，致力于经由聆听病人和大夫之间的对话，主动更新病人的医疗记录，从新将大夫和病人保持起来。

经由主动化常规义务，大夫能够专注于病人护理的缔造性、移情性和感情性部门。

当这些手艺(以及匡助诊断问题的系统)进入大多数大夫的办公室时，我相信我们会凭据谁的临床体式最好来选择我们的大夫，因为诊断和连结系统的最新大多都邑是主动化的。

机械进修给了我们实际世界中的超能力

我们的人类感知系统是惊人的。你的眼睛能够以非常仔细的差别率差别1000万种分歧的颜色。然则我们的感知系统也有众所周知的局限性。这就是为什么我们有炸弹嗅探犬，而不是炸弹嗅探人。

我们的记忆也比我们很多人想认可的要糟糕。我们的大脑被设计成为了有充裕的来由忘怀你所看到和听到的好多器材。

若是我们可以环绕人类感知系统的局限性进行设计，并在实际世界中付与本身超能力，会怎么样？机械进修正在匡助我们做到这一点。例如，Pindrop 付与银行、零售商和当局组织超等听力的力量。

Pindrop的办事有助于防止语音欺诈，这是黑客窃取身份和金钱的越来越常用的体式。

经由剖析近1400种声学属性，这个系统能够匡助组织在你打德律的时候确定你是否真的是你，这仍然是我们与商家，当局机构和银行打德律过程中互动的78%。

它经由倾听我们的声音(跟着岁数的增进，声音会加深到中年，然后腔调会升高)，以及我们的德律和德律收集在线路上引入的噪音，来做到这一点。

使用专有的机械进修算法，Pindrop能够行使线路上的噪音，来展望你是在家顶用iPhone打德律，照样在爱沙尼亚用 Skype 打德律。这种超等听力能力，有助于组织大幅削减成功欺诈贪图的数量。

在Ox和Bowery Farms等公司运营的室内农场中，机械进修也给我们供应了越来越多的超能力。

作为人类，我们很难视察事物生长迟缓的过程，并跟着时间的推移进行对照：我们的感知系统，被设计用来注重快速移动的捕食者，而不是生长迟缓的菠菜。

另一方面，机械视觉系统能够被练习，可以正确地知道一棵健康的生菜在它生命的第36天应该是什么模样。

对于不克强壮成长的莴苣，农场能够主动调节温度、光照前提、水位、营养成分、湿度和其他身分，以匡助它达到最佳的健康状况。

这些室内农场的作物，产量可高达每平方英尺15磅，而高效温室和田间莳植作物的产量离别为每平方英尺7磅和每平方英尺1磅。

并且，在不使用杀虫剂和削减95%的水的情形下，这些作物的产量也能够达到这些增进效率。超等视觉的力量使我们成为更有效率的农民。

超等视觉也能够在工场内部使用。

尽管世界局限内对机械人手艺进行了大量投资，但大约90%的工场工作仍由人手完成。挑战在于，工场里面指出了大量的成本，很难让工人持续做这些工作。美国一家经营非常好的工场或者每年有30%的营收，用来支出昂贵的再雇用和再..费用。

在中国，天天有2%的工人流失率并不罕有，这意味着几个月后，你就会有一个全新的劳动力部队。鉴于成本如斯之高，工场将..每位新员工的成本降至最低是至关主要的。

Drishti正在给这些工场带来超等视觉能力。

经由在工人组装产物时捕获和剖析视频，系统能够为每项工作供应个性化的动作建议，匡助他们跟长进度。使用Drishti的工场劳动生产率提高了25 %，错误率降低了50%。

当我们给建筑工地带来超视视觉能力时，我们能够匡助全体员工连结平安、预算和进度。Doxel天天下班后都使用激光雷达(与主动驾驶汽车上使用的激光雷达沟通)和摄像头从地面机械人和无人机上收集数据。

经由构建正确的3D地图(正确度高达2mm )，Doxel 知道已经建成了什么(“是什么”)，并将其与建筑平面图(“应该是什么”)进行对照。然后它能够展望建筑的首要部门何时落成。

这种天天进行地轮回义务，有助于连结合适的工人在合适的时间、用合适的材料和对象达到现场。这也有助于防止你在本身的衡宇革新项目中或者碰到的错误，好比在水督工或电工修完墙后的管道或电缆之前，就先把墙修好。

使用Doxel的这个系统，Kaiser Permanente匡助建筑工人提高了38%的生产率，并在建造Viewridge 医疗办公室时，节约了11%的预算。

当然，谈到人工智能的超能力，我们不克不谈论主动驾驶汽车。进步的驾驶员辅助系统会导致二级效应之一，是我们将在事变现场有靠得住的目击者。

不管一辆主动驾驶汽车走到哪里，我们都邑有十几台摄像头、几台激光雷达、多台雷达和超声波传感器等的传感器数据。

想想这对法院和保险公司意味着什么。不消再依靠目击证人的证词，甚至在四周没有人的情形下，我们能够重现事变现场发生的情形。

2018年9月，特斯拉向2017年8月后生产的汽车发布了9.0版辅助驾驶软件。有了这个软件版本，用户能够将汽车的摄像头数据存储到一个 USB 闪存驱动器中，很多司机也起头如许做。

客岁12月26日，在北卡罗来纳州的希科里，一群皮卡司机用他们的卡车堵住了通往一个特斯拉超等充电站的路，并高声辱骂特斯拉，直到他们被赶出该充电站。特斯拉车主和Reddit用户莱斯纳（Leicina）在四周的超等充电站停下来充电，但所有的充电桩都被3辆大卡车堵住了。

幸运的是，事变中没有人受伤，然则仪表盘上的录像片段表明，在没有目击者的情形下，有摄像头是何等有效。本田司机显然不法操作，若是没有录像片段，这种情形或者会演酿成一场僵局，两个司机都邑坚称他们没有责任。

下面是我在这一部门的最后一个例子，解说机械进修系统是若何在实际世界中赐与我们超能力的。

一家名为 OrCam 的以色列公司生产了一种名为“MyEye 2”的产物，它能够夹在一副眼镜上，匡助有视力问题(如失明、视力障碍、阅读障碍)的人们活着界上导航。

这个产物用于拍摄四周的情况，并描述视频中的内容。

它能够阅读一本书中的文字、当人们接近时说出他们的名字(这是一个我很喜欢的功能，尽管我的视力很正常！) 、区分5美元和50美元的钞票，区分食品杂货店的产物等等。

匡助我们做出更好的决意

机械进修算法，能够匡助我们做出更好的决议，经由将人类的私见最小化，使用更完整的数据集，或许填补我们决议软件中已知的缺陷。

固然陈旧的较量机科学正义“垃圾输入，垃圾输出”仍然适用，但精心设计的具有完全代表性数据集的系统，能够匡助我们做出更明智的决议。

考虑一下雇用场景。Textio斥地了一种软件产物，匡助人们写工作描述，这种描述最有或者吸引有资格、有能力做特定工作的人。这家公司由一个微软 Office 老员工团队开办，在你写内容时在屏幕上供应指导。

例如，当你在某个特定的时间点，使用某个性别比另一个性别更有吸引力的词语时，Textio 会提醒你。

诸如详尽、强制、无畏之类的词汇已经被统计学证实，会让你的人才库倾向男性。

Textio还指出了区域差别。

例如，若是你用“好的职业道德”来描述你的幻想候选人，这或者会吸引圣何塞的工人，但会阻止华盛顿区域的工人。若是你的方针是埃弗雷特的候选人，最好不要说这句话。

鉴于Textio能够接见普遍的数据集，好比现有的地位描述、应用统计数据和工作示意数据等等，能够匡助你消弭雇用过程中的盲点。

机械进修还能够匡助你，找出是什么让你最精良的员工如斯高效，并匡助你在第一天就把新手酿成专家。Cresta.ai视察最有效的发卖人员在聊天时若何与潜在客户互动：弄清楚潜在客户需要什么，介绍产物，回覆问题。

这个系统提取最佳实践方案，并将其转化为实时建议，供经验不足或效率较低的发卖人员在与潜在客户互动时使用。

在 Intuit 如许的客户布置中，发卖团队的转化率上升了20% ，..时间节约了66%。换句话说，与没有使用这个系统比拟，发卖代表在..较少的情形下完成了更多的买卖。

这个系统对发卖人员和客户都有优点。

正如一位 Intuit 代表所描述的，“我担心使用这个系统会损坏与客户的小我关系或对话，然则将这小我工智能作为工作助手，有助于睁开个性化对话。”机械进修也有助于提高非常熟练的专业人员的决议能力，例如寻找特定矿物的地质学家。

锂离子电池(如手机、笔记本电脑或电动汽车中的电池)内部或者含有一种叫做钴的矿物质，这种矿物质能够匡助电池在多次充放电轮回后依旧连结机能。跟着特斯拉的Gigafactory等电池工场生产更多的锂离子电池，钴的需求正在敏捷增进。

不幸的是，世界已知钴储量的65%在刚果民主..，这个国度政治不不乱，据报道或者有多达40000名儿童在开采钴矿。

若是我们在刚果民主..当局中有一个靠得住的政治伙伴，我们或者会起劲改善所有矿工的工作前提，然则我们也应该寻找新的钴起原。

这恰是KoBold Metals正在做的事情。

经由查察很多分歧的数据源，如地形数据、在某一区域生长的植物、磁和电磁模式、水和天色模式、岩石类型等等，在我们吩咐非常昂贵的探险队开采之前，这个系统能够匡助地质学家找到钴的或者存在的位置。

另一个很好的例子是金融手艺。

向首次乞贷人发放贷款是有风险的，尤其是在第三世界国度，如肯尼亚、坦桑尼亚或尼日利亚。在这些国度，信用机构要么不存在，要么无法接触到所有人，致使好多人无法获得传统贷款。

我们的投资组合公司Branch，一向致力于在这些范畴为首次乞贷人供应贷款。

在没有信用机构的情形下，Branch试图凭据乞贷人的移动应用法式使用情形和经由其移动应用法式收集的行为来确定乞贷人的资格。使用机械进修，Branch剖析了数据，并确定了几个行为指标，这些指标已经被证实，能够展望贷款了偿的或者性。

以下是一些令人诧异的身分或行为，使得Branch的乞贷人更有或者了偿贷款的特征：

• 使用三星或HTC等品牌的手机

• 节约使用电池

• 晚上接大部门德律

• 收到的短信比发送的多

• Facebook账户更活跃

• 在手机上运行赌钱应用法式

除了最后一个指标，列表上的大多数指标都不太令人诧异。数据发现，若是一小我是赌徒，而且手机上有赌钱应用，他们更有或者了偿贷款。

若是你感觉这有点违反直觉，你并不孑立。这只是证实了一小我类决议者是何等的不靠谱，这是因为小我私见和曩昔的经验造成的。

这是否意味着算法在所有决议方面都比人类好？还没有。

从组织样本中对照癌症诊断机能的研究显露，例如哈佛医学院2016年6月揭橥的这一项研究和谷歌AI Health研究员2018年10月揭橥的另一项研究，当人类与算法竞争时，始终供应最正确诊断的是人类+算法，它们的示意优于零丁的算法和零丁的人类。

为了让你认识大夫用来诊断癌症的方式，这里有两张并排的图片。左边的一张显露了已经染色的组织切片。右边的图显露了较量机视觉算法叠加“热图”的究竟，热图显露了它认为更多(红色)或更少(蓝色)含有癌组织的区域。

为什么人类使用的算法比零丁的算法和零丁的人示意更好？一种或者性是，这些算法改善决议的体式，与语法和拼写搜检有助于提高我们的写作水平的体式相似。

一样来说，这些搜检器能很好地发现我们的打字错误和语法错误(真正的长处)。然则偶然，搜检器会标记失足误(假阳性)或许给出一个你分歧意的语法暗示。

在这些情形下，你最终将重写搜检器。这种过程最终的究竟是，写出的器材比任何一方本身写出的器材都要好。

将危险的工作和义务主动化使我们加倍平安

有些工作显然是危险的，例如海上救援、向偏远区域输送血液和疫苗，以及冲进大楼看看里面是否有敌对士兵。创业公司和非营利组织正在匡助实现这些工作的主动化。

一个叫“Little Ripper”的组织正驾驶无人机在海洋上空汇集视频画面。他们规划竖立一个识别水中鲨鱼的机械进修模型，作为冲浪者和泅水者的早期预警系统。

在一次收集录像的练习义务中，一个真实的求救德律打了进来。

在70秒内，无人机把持员就飞到了遇难泅水者身边，把救生背心扔给他们，营救他们，所有这一切都不需要派一队救生员进入危险的波浪中。

Zipline，我们的投资组合公司之一，正在起劲为卢旺达全国人民供应救命的血液和疫苗。他们以无人机为根蒂的输送系统非常遍及，以至于如今卢旺达输血所用血液的25% 都是他们供应的。大多数快递都在半小时内完成。

这家公司如今正在将他们的配送系统扩展到加纳，并已起头在美国进行试飞。

最后，我们的投资组合公司Shield.ai正在制造一种无人驾驶飞机，以增加美国戎行今天执行最危险的动作中的人类士兵的能力。

这被称为“清理”，它涉及吩咐武装的人类士兵进入他们从未见过的建筑。这家公司的Nova无人驾驶飞机，在消灭存在未知仇敌的建筑物时，对士兵来说是一种无价的匡助。

它可以索求并传送建筑物通道的具体地图，同时使用机械进修算法将建筑物内的栖身者标记为同伙或仇敌。

海上救援，快速向偏远区域输送血液，消灭或者存在潜在敌手的对建筑：这些工作中的每一项，显然都很危险。令人诧异的是，凭据美国劳工统计局的数据，美国最危险的工作之一是远程卡车运输。

这个职业的灭亡人数比其他职业都要多，并且这个已经令人痛心的数字还没有考虑到远程货运对健康的负面影响。

远程卡车司机的肥胖率是通俗人群的两倍多，并且风险还不止于此。肥胖会增加一小我患糖尿病、癌症和中风的风险，并且因为工作自己的压力，卡车司机更有或者经由喝酒和抽烟来缩短折命。

我们必需尽快让这些卡车司机下车，这需要我们能竖立起比人类司机更平安的主动驾驶系统。驾驶客车也非常危险。世界卫生组织估量每年有120万人死于道路交通事变。

这是15至29岁年青年头人灭亡的首要原因，世界卫生组织认为，从致命的交通事变中恢复过来消费了世界GDP的3%。

一旦主动驾驶系统充沛平安，能够掌握偏向盘，我们就必需让人类驾驶员下车，我们有一组投资组合公司在这个生态系统中积极斥地产物和办事。

DeepMap正在构建精彩具体的3D地图，这些算法能够用来平安地为我们在道路上导航。

Applied Intuition建立了模拟系统，匡助工程师测试和从新测试他们的算法，以确保他们建立的算法在露出于各类前提下时，行为完全相符预期。

Voyage在退休社区内供应主动化出租车办事，如许即使我们失去了驾驶能力，我们也能够连结本身自力动作的能力。Cyngn 正在斥地一整套主动驾驶软件，这些软件能够在各类各样的车辆中使用。

机械进修将匡助我们更好地舆解彼此

你或者认为人类最有能力懂得彼此。究竟，讲话的另一方是另一小我类。

但事实证实，精心设计的软件实际上能够匡助我们更好地认识彼此。想想被诊断患有自闭症的人。

总部位于剑桥的两家公司 Affectiva 和 Brain Power 已经斥地了应用法式，经由使用简化的脸色符号，匡助自闭症患者熟悉到四周人的情绪状况，以便他们可以适本地调整本身的行为。

他们的系统经由谷歌眼镜剖析视频，并将适当的脸色叠加在一小我的脸上，匡助佩戴者最正确地舆解与他们交流的人的情绪状况。

这是一个正在运行中的系统：人工智能研究的最初方针之一就是机械翻译，也就是把一种人类说话翻译成另一种说话。

这个范畴最难题的挑战是同步实时翻译：当一小我用一种说话说话时，系统会主动实时输出另一种说话的翻译，如许两小我就能够进行天然的对话。

这种类型的翻译非常具有挑战性，就算是专业的结合国翻译人员一次只能工作20分钟，然后他们就会被一个队友接替。

2018年10月，百度发布了同步翻译系统 STACL (即带有预期和可控延迟的同步翻译系统) 。鉴于手艺挑战是如斯之大，人工智能社区朝着这个方针正在取得坚韧的进展，这令人印象深刻。

为了跟上说话者的措施，机械进修系统实际上会生成多个展望，展望说话者起头说话时每个句子将若何竣事。这有点像谷歌在你的浏览器的搜刮栏中的主动完成功能。

系统需要为一个句子建立和翻译分歧的或者结尾，因为若是不如许做，它就会掉队于说话者。

想象一下，在我们走进的每个会议室或打开的每个浏览器窗口的每次收集呼叫中嵌入实时翻译，我们能够更好地舆解每个呼叫。下面是最后一个例子，解说若何更好地舆解对方，这或者是我在整个演讲中最喜欢的例子。

有一个叫做Crisis Text Line的非营利组织，它经由短信向处于危机中的人们供应咨询。

上一代人在面临危机时或者会拨打热线德律，而如今这一代人则更喜欢发短信。

当Crisis Text Line启动时，他们要求练习有素的垂问列出50个触发词，这些词能够用来展望高风险短信发送者。

他们生成的单词平日和你想象的一般: 好比“死”、“割”、“自杀”和“杀”。在这项办事运行了一段时间之后，这家公司应用机械进修手艺，看看是否还有其他单词能够从列表中添加或删除，究竟非常令人诧异。

你知道布洛芬这个单词展望自杀的或者性，是自杀这个词的14倍吗？哭丧的脸色是是自杀这个词的11倍吗？斯坦福大学的研究人员，接着提取了最有效的咨询师的的最佳实践。

他们发现有效的手艺之一是缔造力：成功的咨询师以缔造性的体式回应，而不是使用过于笼统或“模板化”的回应。

在危机咨询的极端情形下，机械进修匡助我们更好地认识彼此。

结语

固然机械进修软件，在使我们成为更好的人类方面有很大的潜力，然则若是我们没有有意的、深图远虑的和同情心的话，我们就弗成能达到这个目的。

“垃圾输入，垃圾输出”的说法仍然成立，并且跟着我们越来越信任基于人工智能的系统，这种说法或者更具潜在危险性。

话虽如斯，对于若何最大限度地提高人类的繁荣，我有三个建议。

为了袭击“垃圾输入，垃圾输出”，我们必需用高质量、包涵性的数据来练习我们的机械进修系统。Ai4all、 OpenAI 和Partnership for AI等组织正在发布最佳实践(关于包涵性和平安性) ，供研究人员和产物团队在设计系统时使用。

我们必需学会使用像埃森哲、谷歌和微软如许的组织供应的数据质量对象和概念框架。

跟着公司和组织朝着一个包涵、平安的机械进修系统的将来成长，组织规模络续扩大，他们经常发现本身需要雇佣一名全职思虑这些问题的高管。

这是硅谷最热点的新地位之一：人工智能伦理和政策总监。

第二，我们不要把这酿成核军备角逐的重演，一场零和角逐。

与20世纪80年月起头的专稀有据库时代比拟，跟着开源代码库(如谷歌的TensorFlow、Databricks的mlflow、无处不在的Keras和scikit-learn )和共享数据存储库(来自Kaggle、UCI、Data.gov等组织)的激增，我们在机械进修社区已经有了更好的劈头。

然则我们还有很长的路要走。

固然来自各个国度的专家，或者想把这酿成一个零和游戏，一个国度以另一个国度为价值取得成功。

但我们能够、并且应该通力合作，实现机械进修支撑的软件对所有人的承诺，而不管其国籍若何。

最后，谈谈就业问题。

固然展望就业的将来超出了这个申报的局限，然则我注重到像 Gartner 如许的组织，比来的研究展望，在将来几十年里会有新的工作机会，而之前的研究，则展望将来几十年会有大规模的失业。

我喜欢我的同伙李开复在他的《人工智能超等大国: 中国、硅谷和世界新秩序》一书中提出的框架。

想象两个坐标轴：在 x 轴上，我们有一系列更常规的工作，而不是需要缔造力和策略的工作。在 y 轴上，我们有需要同情心才能做好的工作。

李开复认为，机械进修将首先庖代的工作是左下角的工作：不需要太多同情心的常规工作。但即使这些工作消散了，我们仍然有3个象限的工作：那些需要同情心的工作在图表的上半部门，以及需要大量缔造力的工作。

这些工作是今朝的机械进修手艺还没有成长到能够庖代的田地。

在思虑若何让子孙子女为这些工作做好预备时，我想起了我成长过程中风行的一本书。

这本书的作者是一位名叫罗伯特·福尔甘（Robert Fulghum）的牧师，书名叫《我在幼儿园学到的所有我需要进修的器材》。在书中，他认为我们应该在孩子身上培育人类的价格观：同理心、平正竞争、学会若何与他人相处、说声抱愧、想象力等等。

固然我知道我们需要在这个根蒂上增加一套实用的手艺诀窍，但我赞成他的概念，即一个富有情商、同情心、想象力和缔造力的根蒂，是让人们为机械进修的将来做好预备的绝佳跳板。

在这个将来，人类和算法会更好地连系在一路。