從超級智能的傀儡師接管世界，到狂暴的無人車橫沖直撞，再到機器殺手時代的到來， AI的日益崛起似乎《黑鏡》驚悚場景的再現。

不過最令人恐懼的還是工作都沒了。

我很早就寫過AI會摧毀工作的文章。不過當時我的想象是快餐機器人會迅速奪走數百萬從業者的飯碗。因為只要有一家連鎖店采用，其他的出于競爭的原因就被迫跟進，從而引起連鎖反應，導致大規模失業和社會動蕩。

在當時看來這個故事似乎是遙不可及的未來，但現在隨著AI不斷取得突破，這樣的未來似乎已經令人毛骨悚然地指日可待。

麥肯錫全球研究所最近的一項研究表明，有60%的工作的30%很容易就會被機器取代。

但是如果我們對AI的看法是錯的呢?

如果這不是工作的終結而是前所未見的崗位大規模爆發的開端呢?

是，你會說這次不一樣。19世紀英國的紡織工人也是這么想的。每一代人都會想象這會跟上一代完全不一樣，但如果不是呢?

如果這種模式是永恒的呢?如果先破壞后創造的周期不僅是不可避免，而且是必不可少的呢?

未來不是固定的。未來是數萬億變量不斷交織的結果。

我們不妨一起設想一下一個不一樣的未來。

讓我們關閉我們的蜥蜴腦(編者注：控制原始沖動)，窺探一下與智能生命協作，迎接新崗位爆發的未來。

一、終結與開端

我曾經說過預測是很難的，因為生活不像圍棋或者國際象棋這種固定游戲，生活是一場無限游戲。

規則和目標總是在變，會反復地重寫自己。

換句話說，這場游戲本身在我們玩的時候也在變。

我們誰也說不準哪里就冒出來一個天才發明了電燈泡或者蒸汽機、軋棉機或互聯網什么的。在東西冒出來之前誰都無法預見。

而那些發明會改變我們周圍現實的性質。會改變什么是可能什么是不可能的，改變我們能去哪兒能做什么。反過來，這每一個東西又會令上百萬件我們無法預見的事情變成可能。

預見工作都沒了很容易，但要去想象AI會替我們創造出來的各種工作就困難多了。

不妨試著向一位18世紀的農民解釋一下什么是web設計師。

你做不到，因為這項工作是建立在一系列發明基礎上的，而那些發明每一個又要靠之前的發明來解釋。

搞定了電于是有了銅線，于是有了電燈泡，于是有了計算機，于是有了軟件，于是有了互聯網，于是有了HTML和瀏覽器。只有到了這個時候web設計師的工作才成為可能。

我們是靠站在過去的巨人的肩膀之上發展的。

Hedy Lamarr不僅有一張漂亮的臉蛋，而且還想出了調頻的點子。

二戰中用來監測潛艇的調頻技術是美貌與智慧并存的女演員Hedy Lamarr想出來的。但這種技術應用到手機和WiFi還要經過一系列的發明。

社會是一層層地遞進發展的。

仔細想想，一切人類發展其實都不過是把問題抽象化以及對之前問題的自動化解決方案，這又會導致新問題和新解決方案的出現，如此周而復始，生生不息。

沒有斧頭砍不了樹。沒有錘子和釘子造不出大房子。

比喻可能有點不恰當但錘子和釘子就是抽象和自動化。

我們希望抽象出一種更快造出結構的方式。錘子和釘子讓我們可以用更系統更可預測的方式去造東西。做出一堆的錘子和釘子你就不需要老是要在叢林里找一堆泥巴來糊你的茅草屋了。

只要你能夠牢靠地堆疊更多的結構，像混凝土這樣的新發明將不可阻擋地紛至沓來。而一旦你能夠把東西凝固起來，你就可以建造像帕臺農神廟那樣更高更復雜的結構。最終我們會造出像鋼鐵這樣的新材料用巨型起重機搬運，然后突然之間我們就能造出高聳入云的大廈。

如果沒有之前解決的發動機、機翼、金屬合金等層層問題的鋪墊，噴氣式飛機就不可能出現。這是抽象和自動化的奇跡，是人類獨創性之天才的證明。

在位的讀者里面沒人為了穿上衣服需要從狩獵開始，為了住上房子需要從搬磚開始。你大概也不需要為了吃上飯而去種地。為了完成你的工作，你不需要制作任何要用到的工具，不管是鐵鏟、手提鉆還是計算機。

你不需要做其中的任何事情，因為我們已經把遙遠過去的工作自動化并且順著創造的價值鏈向上爬了。

這是好事，而且現在正在又來一次。

只是這次會更難預見一點，因為每次飛躍都讓我們跳上了復雜性的更高層次，我們必須演變才能滿足那種復雜性的要求。

不幸的是，我們的智力必須跟上變化的速度。我們現在還在森林里面奔跑，因為數百萬年的狩獵和采集教會了我們每次彎腰的時候都要留神老虎和蛇。我們沒有尖牙利爪，所以需要未雨綢繆。

從最根本的意義上來說我們是生存機器。我們設想恐怖的未來以避免這樣的日子到來。

我們害怕的東西會隨著時間而改變，但是那種恐懼感是根深蒂固的。老虎和巨蛇演變成精靈和惡魔然后變成織布機和人工智能。其實我們害怕的是自己的滅絕。死亡是我們一切恐懼背后的惡魔，會隨著社會的發展和變化而演變成新的形式。

害怕宙斯用一道閃電把我們全干掉跟害怕超智機器把我們全宰了是一樣的。

但是我們的想象往往太過二元化。

善或惡。友或敵。生或死。

我們的蜥蜴腦看世界是非黑即白。要么把我們干掉，我們把我們喂飽，沒有第三種情況。

但是生活比這要廣闊和多樣得多了。

二、寒武紀大爆發

歷史上我們已經消滅了95%的工作多次了，現在可能還會再來一次。

每次這些工作都會被豐富的新工作和機會所取代。

生活是分階段推進的。

人類已經有180萬年沒有狩獵采集了。我們的真正問題是下一餐怎么解決，去哪里找到躲開惡劣天氣和捕食者的庇護所。每個人的工作都是一樣。找吃的。別死。

但我們是環境的奴隸。如果不下雨或者干旱渴死了水牛我們很快也會死所以我們開始尋找更持續的找食物方式。

12000年前我們用農業解決了食物生產這個問題大家的工作開始變了。我們種植畜牧從此不愁吃了。

這摧毀了所有的狩獵采集工作，但也替人類創造了新的工作：農民。

當然這會制造新問題。因為住得跟動物太近它們把病毒傳染給了我們導致人類得病而死。一開始我們以為是惡魔或者上帝生我們氣了但我們繼續尋找更好的解決方案，尤其是發生了像黑死病這樣席卷多個大陸的大規模致命性疾病奪走了一半人口之后。

但我們活下來了而且變得越來越強壯。

隨著科學革命的形成，最終我們發現了微生物入侵我們身體殺死我們的過程，讓我們窺見了一個從未了解過的世界。我們找到了治療和預防疾病的辦法，將一個一度棘手的問題變成了技術工程問題。

我們的先祖時常祈禱上天來一場豪雨給個好收成。稍微做錯一步或者環境破壞都意味著整座村莊或者部分農民要餓死而當時的政府只能眼巴巴看著窮人餓死。

古代日本就發生過這樣的事。雨災和人禍導致了巨峰饑荒，而幕府對此卻無能為力。他們沒有基礎設施或者手段來保存和分發食物，或者從其他國家弄過來。同樣的事情在歷史上成百上千次饑荒中就發生過。

但慢慢地我們創造出更強大的耕作方法，分發食物的手段，知道了用輪作來保持土壤的新鮮，甚至到后來學會了更強大的蟲害控制，并解決了饑荒和食物生產的問題。

現在的饑荒幾乎都是人禍而不是干旱導致了。

隨著我們越來越擅長食物生產大家的關注點也轉向了更大更好的問題。

一度全都是農民的人類現在只有3%人口做這個了。

這已經足以喂飽整個地球好幾次了，即便有時候我們故意在分發食物到每張口這件事情上做得很糟糕。原因不是因為我們不能，而是因為不想或者拒絕這么做。

這里有一股強大的力量在發揮作用。這種模式要追溯到人類歷史的開端，然后生生不息，直到今天。

我們每一次摧毀了所有的工作時都會發展到演進的新階段，帶來更加多樣的工作，分工更加細化。

我們創造的工作不是變少而是變多。

當然轉變未必總是那么容易。狩獵采集者第一次看到村里的農民時面臨一個殘酷的選擇：要么適應要么死。在人類漫長而暴力的每個轉折點時的確有很多人死去。

不過盡管人類歷史經歷過那么多恐懼，但人類仍然設法不斷前進，一點點地，建設起越來越復雜的社會。

哪怕黑暗階段也是進程的一部分。當工人在技術變革的潮流中奮起抗爭時，他們的行動充當了對走得有點太快的社會的制衡作用，讓變化率再次降下來，修正了路線，然后讓我們重新回到均衡。

這是一個社會級別的算法。

從很多方面來說社會只不過是一個龐大、活躍、智能，一起創造自己的現實的蜂群罷了。

歡迎進入人類世(Anthropocene age)。

通過顯著改變我們所居住的星球的面貌，通過全體通力協作，將過去的工作自動化并且在這一自動化的基礎上進行建設，我們成為了全世界最多樣化最成功的生物體。

三、下一場革命

未來幾十年我們將自動化掉又一層單調無聊乏味的工作，然后再度騰出時間去解決新的問題。

AI本身會經歷一系列的抽象以便能解決更復雜的問題。正如我們在社會的演變中所看到那樣，我們也將看到新穎的機器學習架構的自動演進，通用推理引擎的創建，以及機器會提問的能力，并且賦予世界它們自己的意義和上下文。

但是機器不會接管世界。

無論機器再怎么聰明，在特定思維上人類仍然更勝一籌。

就像我們從Google的搜索引擎突破所看到那樣，機器擅長重復性的任務，人類擅長賦予世界意義。這一理解的結合成就了今天的Google。他們讓服務器計算大家點擊的不同主題的鏈接，知道如果足夠多的人賦予了某個東西意義的話這個東西大概就是重要的，應該顯示在搜索結果的前列。

我們將會看到AI崛起成為編程團隊、公司以及社會的一員。

他們會幫助我們做出更好的決策以及更好的預測。

我們會看到半人馬的崛起，人類與AI一起合作去解決越來越復雜的系列挑戰。

實際上，我預計工程師的焦點不會放在類人的人工智能上，相反他們會越發關注開發異于人的智能。意思是說他們會開發專長于我們做得不太好的事情的智能。最好是開發半人馬增強人類智能而不是取代人類智能。

舉個例子，德國電商巨頭Otto。他們的人工智能完成了訂單的90%而且干得比人類還要好，因為它能查看數百萬個變量，所以效率高了1000倍，并且很少會出錯。因為大家在想要的時候拿到了自己想要的東西，退貨率也大大降低，倉庫里面不再有積壓庫存。

這樣一來他們就得炒掉很多人了吧?錯，他們反而招進了更多的人，只不過那些人是去解決更有趣的問題了，比如美化網站，或者研究圣誕節到來之際大家會想要什么東西等。

我們還將看到10億種不同的雇傭半人馬的方式。

比如說呼叫中心。

打過客服電話的人應該都有這種體會，如果客服技能不足的話你跟對方講半天根本就是白搭。但是AI可以幫助那些人強化決策流程而不是取代對方。AI可以對最好最聰明的那些家伙的決定進行建模，傳授給團隊的其他成員，比方說提供建議的儀表盤，從而大幅提升團隊的支持能力，令其反應更快、更高效，令客戶更滿意。

但除了半人馬以外我們還是看看真正的顛覆吧。

無人車。

這種顛覆會不會因為會引起席卷全球的大規模失業甚至像勒德分子那樣導致社會崩潰呢?

四、再見，《美國風情畫》

像Zack Kanter這樣的科技作者說無人車到2025年會消滅超過1000萬份工作。理由很簡單，因為無人車的優勢無人能敵。

他們認為無人車很快就能把事故率和安全記錄做到遠遠超過最小心謹慎的司機的程度。馬斯克甚至提出人坐在方向盤后面是非法的，因為相對于機器其事故率會飆升。

世界衛生組織估計每年死于道路事故的人高達125萬。無人車無疑比我們人做得要更好更安全一些。機器人司機不會累，不會因為掉了什么東西而把視線從道路上挪開，而且它們也不會酒駕因為不喝酒。

當然那些流行媒體總是想讓你相信無人車很恐怖很危險。不幸的是現在已經出了幾單無人車致死的事故，但是媒體卻把它搞得好像天天都有人Tesla或者Waymo的無人車失控撞上校車的事情一樣。

不是的。

致死是不可避免的。不可能把所有的風險都排除掉，而且說實話這項技術還很新，目前還正在開發呢。但是無人車無疑會迅速變得更好，開得比最好的人類還要好。

這一點并不是壞事。那可是每年125萬條生命啊。

這個數字比1946年以來因戰爭死亡的人數之和還要多。開車的司機少點死亡就少點，就這么簡單。

但無人車的好處還不止這一項。我們因為還不需要買那么多的車。

汽車是大眾持有的第二昂貴的資產，但這玩意兒卻是最不值錢的。汽車不像房產、股票或者加密數字貨幣那樣，一旦你開車上路這東西就開始虧錢，直到有一天你在《凱利藍皮書》上找自己的車型是才意識到一度花了你3萬美元的東西現在只能拿到5000美元了。這太不公平了。

生產力會從這些負債資產轉移到更新更好的創造物上。我們擁有和使用汽車的方式也會顯著改變。

我們會訂購汽車不斷升級或者想要就打車，隨叫隨到。很快我們就會看到機器人汽車提供共享乘車從而免除停車場的需要，而這意味著有更多的土地空余出來去做比鋪上混泥土更有趣的事情。哪怕排放標準更嚴格了，汽車仍然是最糟糕的污染源之一。那種人人都擁有兩個車庫的美國夢是不可能推廣到全世界的。

無人車可以消滅大量的浪費和污染。無人車可以讓汽車跑得更快，取消的數百萬停車場可以節省出大量空間讓我們去做其他事情。

很多人都擔心這對于與駕駛相關的工作會意味著什么，比如汽車推銷員、修理廠，Uber等。

但是他們可以做其他工作啊，比如找一些很酷的辦法去升級那些無人車，或者成為一種新式的室內(車內)設計師，裝飾在車輪上移動的公寓。如果我們不再需要留意路況了，那就得找些其他事情去做，而這意味著視頻游戲和電影、VR以及新的躺椅等。

最終車的內部會變得越來越模塊化，我們會看到一個全新的汽車升級業的誕生，而這需要有人去安裝。

五、AI可以為你做什么?

那些我們現在做不了的工作呢?

AI可以幫忙。

就拿Google在一年一度的開發者大會上展示的Duplex項目來說吧，這個令人瞠目結舌的新助手會打電話，幫約美發，預定飯店，并且自如地跟別人聊天，對方甚至都不知道另一頭是個機器。

那么他們打算用這項技術來做什么呢?

他們想要自動替飯店更新不同的節日時間。

Google每天都會收到數百萬個查詢，以內為大家想知道自己喜歡的中餐館在復活節或者其他無數個我們在全世界發明的節日里是不是還正常營業。

你大概不會認為這是個很難解決的問題，但其實非常難解決。

你不可能讓所有的飯店都準確地更新自己的數據，因為他們可能會沒有時間，或者沒想過，或者根本就不關心。哪怕有一個便宜得荒謬的人力池你也不可能雇一幫人去打電話，因為這個問題太小了，如果用傳統手段解決的話ROI很低。不值得這么一筆資本性支出。

但你可以用AI去打所有這些電話并且進行數據更新，提供絕大多數飯店的準確得令人難以置信的更新結果。Google然后還可以把這些數據賣給其他的飯店信息提供商，比如Yelp。

突然之間一門傳統上的虧本生意變成了全新業務，現在你得招銷售人員打電話給Yelp說服他們來買了。

而過去沒有崗位的地方現在冒出了更多的工作。

六、你好，個性化醫療

AI在醫療方面的前景是最令人興奮的。

我們不會看到醫生護士都消失了，而是會隨著AI全面滲透到醫療世界的方方面面而看到他們會變得比過去更好了。

設想一下：你早上起床發現背部有個暗點。

怎么辦?

按照現狀你只能瘋狂地給醫生打電話去預約。不幸的是醫生在1個半月內都沒法幫你看病。雖然你認為自己必須盡快看病，但電話那頭的護士除了說對不起以外也無能為力。

治療時間的快慢有可能是生死攸關之別。但現在全世界的醫生數量都嚴重不足，所以我們得到必要的治療往往是太晚而不是太早。

現在請設想一個不同的場景。

你一覺醒來發現了那個暗點，于是你拿著智能手機或者健康腕帶對著那個點，然后設備告訴你應該打電話給醫生因為這可能是癌癥。

你趕緊打電話不過這次快多了。幫助護士篩選病人的AI助手請求看你的VizMD掃描資料，你發了過去。幾秒種后機器證實你的確有問題然后把電話轉給一線的護士。護士幫你預約好當天的時間，因為系統根據實際數據恰當地對病人進行了優先排序，而不是靠猜測或者讓所有疑似患者都按照先后原則去看醫生。

上醫治未病。AI醫療還可以更容易地在發生前預測各種疾病。

你的智能手表最終會內置有一個生物監測儀，這個東西有個小到你根本感覺不到的針腳刺入你的皮膚。甚至我們還可能在人體內部也會有生物監測儀，裝滿藥物的納米機器人會在我們的血液中巡游，尋找麻煩的跡象。

這個監測儀會知道你的葡萄糖、甘油三酯已經失衡，還知道你的膽固醇升高得太快了。

一旦出現這些跡象，你的手表會提醒你吃清淡一點，避免到最后落到不可收拾的地步。

還有，還記得那些能在2分鐘之內到達的無人車嗎?

當你無視手表的溫柔警告繼續大魚大肉直至大禍臨頭時，無人駕駛的救護車或者無人機會及時攜帶著小型化的診療設備出現在你面前，然后以更快的速度將你送回醫院。

你甚至可能都不會心臟病發作，因為手表的預測引擎會提前數日預測到這一天然后作為預防性措施打電話給醫院。

AI還會帶來全新的治療手段。

目前的藥物發現是個很慢很冗長的試錯流程，但是已經有制藥公司和生物科技公司開始利用大數據和AI提出更好的合并用藥建議。

在不久的將來不難看到自動藥物發現機器的出現，這種機器將可以迅速并行地組合與嘗試不同的方案，合成化學藥品，進行臨床試驗測試，同時在神經元處理器運行的遺傳算法還在不斷地通過加速的演進構思出更好的藥物。

AI還會幫助我們根據自身基因定制用藥。將來開給個人的藥物不再是千篇一律的批量品，而是針對你個人設計并迅速打印出來的藥物，這種藥不會引起你的過敏或者肚子疼，因為AI知道你的病史。

但是如果思想上超越我們所有人的超級機器崛起該怎么辦?

它們會不會把我們變成它們超智大腦的奴隸呢?

七、超級智能會不會把我們全干掉?

簡而言之：

不會。

現代AI仍然是人類智能的影子。它就像是一面古老鏡子里面的鏡像。我們賦予AI意義，AI學會了模仿這一意義，但是它不會創造出自己的意義或者提出自己的問題。

人類有能力適應新形勢。我們會進行抽象推理。我們能應用復雜的心智模式，并且會以獨特的方式去應用。

我們還不理解自己頭腦里面運轉的那些算法，我們今天設計出來的那些算法與之相比太過蒼白無力。

我們甚至都不知道從何開始。我們對自己的大腦是如何運作的絕對是一無所知。

我們就是個黑箱。

我們既不知道我們是怎么知道的，也不知道是怎么做的，或者為什么會這么想的。

1970年早期AI研究人員Marvin Minsky曾說過一句很著名的話：“在3到8年的時間內我們將擁有跟人類一樣的一般智能的機器。”

現在快50年過去了。

AI還會經歷一系列的凜冬，屆時投資和狂熱也會枯竭。

盡管現在AI的投入不惜血本，但在很多年內其結果也只能勉強讓我們保留希望。要不是多倫多大學看到AI的潛能在資金上堅定支持，經歷了一連串失敗的神經網絡教父之一Geoffrey Hinton恐怕也堅持不到現在。他們都意識到，真正的問題真的需要很長的時間去解決。

最后，到2012年末時，AI終于在視覺識別系統方面取得了第一項重大突破，當時的識別率一直停留在74.6%。不過突破其實并不在算法本身，而是因為游戲推動的處理能力的爆發以及互聯網帶來的大規模數據集。GPU的大規模并行結構給AI的騰飛提供了必要的升力，并且開始在現實世界中發揮作用。

從本質上來說，是視頻游戲業補貼了AI業，ImageNet圖像識別競賽的識別率已經從2012年的74.6%提高到幾年后的超過96%。深度學習大獲成功，以至于靜態視覺感知已被認為是一個得到解決的問題了。

類似這樣的突破推動了大規模的狂熱和投資，吸引著風投資本、程序員和數據科學家涌向一個一度晦澀且瀕臨死亡的領域。

但神經網絡不是大腦仿真器。甚至連接近都還沒有。它們不會突然就具備自我意識。要想具備那樣的東西，我們需要令人吃驚的新算法，這個甚至還沒有人能想象得到(編者注：賦予機器本能是方向之一。)。

我們需要認清現實：今天的AI其實還很蠢。

深度學習究竟是什么?不過是一系列的幾何變換，將一組數據映射成另一組罷了。就這樣。DARPA很喜歡AI，但是他們把深度學習蔑稱為“類固醇上的電子表格”。

人類產生所有的意義，AI學習去模仿那種意義但它自己不會萌生出意義或者理解其中的意義。不要相信那些流行媒體的話，Facebook關掉一個AI不是因為它太智能，自己發展出了一門令工程師害怕的秘密語言，而是因為它太蹩腳，表現太糟糕。我們還不知道深度學習都有哪些限制，但是這個時間已經不久了。(編者注：幾天前FILIP PIEKNIEWSKI已經發出了凜冬將至的警告)

任何事物的發展都要遵循S曲線。

第一項突破是很慢很平緩的過程，需要很多年之后才能取得大的突破，然后引起了對其興趣的爆發。一旦其他人知道了一個基本的解決方案之后，對其進行迭代就會變得越來越容易。這就是為什么比特幣弄出了區塊鏈之后其他一千種加密數字貨幣都能調整自己的模型，但在此前卻沒有一種存在的原因。

現在我們目睹的完全是人類這個大規模并行處理的生物體應用自己的神經網絡想要看看深度學習究竟能干些什么。

我們目前還處在S曲線早期部分的指數性擴張階段，會有很多出色的進展出現。但最終我們會到達收益遞減那個點，冒出來的應用會越來越少，繼續朝著那條曲線向前移動胡變得很痛苦代價很高。

我們已經了解了現代機器學習的一些限制。

比方說不管你的深度學習框架再怎么新穎，它也絕對不能寫出一本可以讀一下的書，能構思出一個殺手的劇情轉折或者動人的愛情故事。它沒法拿著一款新產品然后創作出完美捕捉到其所有新功能要義的產品描述。它也沒法形成未來不相關問題的抽象解決方案。

今天的AI只不過是在模仿。

這種智能只是昆蟲級的。它會對刺激做出反應，但沒有抽象推理，沒辦法將概念整合成新的解決方案。

只要你向系統展示它沒有受到過訓練的東西，它就會以非常荒唐的方式崩潰。下面這張圖是AI打標簽的一個很著名的例子：“拿著棒球棍的小男孩”。

就算是上小學的小朋友也不會犯這種錯誤。他們知道一個嬰兒還不夠強壯到握住一根棒球棍的地步。

這就是問題所在。我們的系統只是對大數據集進行統計處理的盒子而已，但是它們根本就沒有在思考。它們沒有直覺或者邏輯推理，不懂上下文當然也沒有意識。

所以現在我們暫時先別太看清自己的大腦。

雖然有種種瑕疵，人類仍然是令人贊嘆的生物。

我們能展望不同的未來并且進行長期規劃。我們能夠在遇到完全沒見過的現象時對它進行計算，即便手頭的新數據寥寥無幾。

就像Francois Chollet在他的深度學習新書中指出那樣，如果你想要訓練一個神經網絡發射火箭到月球上，你就得向它展示數百萬種發射方法，但即便是這樣它也不會提供一種新穎的解決方案給你，只能在已有的基礎上。但人類卻能夠想象一種火箭，假設若干種解決方案，然后“設計新的解決方案去發射火箭”。

除非我們能層層撥開我們更多有關自己大腦的黑箱秘密，我們造的就不是思考機器，而是我們自己昏暗的柏拉圖式的影子(編者注：參見洞穴之喻)。

八、新的開始

AI帶來的真正希望在于自動化那些無聊的工作從而解放我們去從事更好的工作。

以及做那些我們原先做不好的工作。

AI將改變社會的方方面面。未來10年沒有一項工作不會受到它的影響。

AI將成為我們與世界的接口。

我們會與之交談，跟它一起玩耍，一起共事。它甚至會成為我們的朋友和伙伴。

隨著AI變得越來越無所不在，今天的計算機很快就會變得像洞穴人的工具一樣。我們將跟機器交談，跟它們一起散步，它們會幫助我們建立更大更復雜的社會，解決我們現在只能夢想的問題。

到最后，我們會失去一些工作。沒問題。

情況甚至可能會變得無法收拾。最糟糕的場景下我們可能會出現經濟放緩，導致更多瘋狂的混蛋冒出來，甚至引起戰爭和死亡。

歷史上戰爭更多是因為經濟引起的，這個因素比任何其他因素都要多。

在幫助失業以及無法足夠快地適應變化的人群這件事情上，我們還得把工作做得好很多才行，無論是普遍基本收入(UBI)還是更好的教育和培訓或者除此以外我們甚至還想不到的東西。

但即便我們必須經歷至暗時刻，但之后必將迎來光明，風雨過后我們將生活在一個穩定得多，新工作之豐富是我們今天幾乎難以想象的新社會里。

到最后，我們終將找到一條穿越風暴的道路。

這正是人類的特別之處。我們總能找到辦法。

需要是發明之母。

在我們最需要的時候她不會拋棄我們的。