机器人会偷走你的饭碗吗——机器人来了
机器人会偷走你的饭碗吗——机器人来了
如果你停下手头的活来读此文，我会问你，你疯了吗？我知道你觉得没人会放在心上，我也明白其他人也会如此。也许你的上司甚至允许你上网浏览网页；或许她属于那种新时代的管理者，认同的研究。但是这些研究不应该使你自我感觉良好。你需要经常休息，这只能证明你不是个称职的员工。我不是有意冒犯，我只是见识了你们的对手。听我说，你现在的处境——很危险！
现在，有人正接受培训要抢你的饭碗。他或许没你那么聪明，实际上还可能很蠢，但智力上的缺陷在积极性、可靠性、一致性以及价钱上得到了弥补。他任劳任怨，干得比你好，拿得却比你少。他甚至都不要求医保和退休金，他也不会请病假，更不会在上班时偷懒。
更重要的是，他的工作完成得越来越出色。现在他能做的可能只是你能力所及的一小部分，但他在不停学习。明年，他掌握的技能会多一点，后年他还将学会更多。在你还没意识到的时候，他可能就已经与你旗鼓相当了。而不久的将来，他会超越你。
说到现在，很显然，我指的并非是普通的工人，而是非人类职员——机器人，或是在服务器上运行的某个没头没脸的软件。过去几个月里，我一直在研究自动化和人工智能正如何渗透到一系列高技能职业中。我的发现令人不安。人们或许尚未意识到，但我国受教育程度最高的员工当中有相当一部分正在同机器进行激烈的较量。计算机在处理和理解语言、模拟人类问题解决等方面的能力不断进步，这令许多从业者陷入险境。其中包括医生、律师、药剂师、科学家以及从事创作型工作的人员，甚至也包括像我这样的作家。
这不是什么新鲜事。想当初，人们从那时起，甚至更早，就已经开始为机器的兴起而担忧。一般来说，这是杞人忧天。的确，短期看来改进的技术有时取代了工人，但在漫长的历史发展过程中，技术改进一直是经济增长的关键，而经济增长会给众多行业的工人带来更好的职业前景。事实上，经济学家借老内德之名，把“科技将代替人类工作”这一广为流传的错误概念命名为：（Luddite fallacy）。在学术界很多人看来，这是。
（*Ned Ludd，19世纪初期的英国纺织工人，发起破坏机器运动）
但这次恐怕不同了。人工智能机器进化得如此优秀、如此迅速，已然准备好在多个领域替代人类。在接下来的十年内，我们将会见到机器闯入更多我们未曾想过的经济领域。他们会为你看病、给你配药、帮你打官司、在基础科学领域取得新发现，甚至会写像一篇这样的文章。经济理论认为随着这些行业经历技术革新，购买服务的花销将会降低，整个社会随之受益。研究中，我发现这个理论很有说服力，例如机器人律师会为现在请不起律师的人提供廉价的法律服务。但也有不好的一面，想想看你在法律学校呆了三年，毕业后做了两年书记员，并且在过去十年里一直努力寻找合伙人，现在却冒出个机器人，它能以更高的效率完成每小时收入400美元的你所做的很多工作，而费用却少得多。你该怎么办？
已有证据表明信息技术已经对很大一部分经济领域的工人造成了永久性损害，特别是那些人们眼中的“中等技能”工人。他们上岗前需要培训，但不是很多。
中等技能工作包括许多普遍认为过时的职业，比如文秘、行政、维修、制造等。自20世纪80年代以来，许多工业化国家（包括美国），这些职业的从业者数量在（上次经济衰退时减少的速度明显加快）。而大多数就业增长则处于两极分化，一边是对技能要求极高的高薪职业，一边是技术含量很低、收入也极少的服务业。
麻省理工学院经济学家戴维·奥特尔（David Autor）是研究这一现象的领军人物。他称这种现象为“[url=http://econ-]就业两极化[/url]”（job polarization）。奥德尔指出了导致中等技能工作减少的多种原因，其中包括工会权力减弱以及联邦最低工资降低。但他认为重中之重是：信息技术的兴起。
视频：现实生活中的机器人与影视剧中有何不同
奥特尔认为中等技能工作大都具备两个共同特征——任务繁重但都是程序化的，而且工作地点也比较随意。秘书整天都在做些什么？处理各种信息，将文件归档、分类、整理、检查日程安排以免冲突等等。报税人呢？他问你一系列问题，然后根据回答进行计算。这些任务都可以编入软件，而且一旦编制成功，就可以交由机器以更快的速度和更低的成本完成。即便计算机无法彻底代替人类来完成这些中等技能工作，它也可以将任务简化，交给薪金较低的人去做——你依旧要请人来回答技术问题，不过你可以在印度安德拉邦而不是美国阿拉巴马州雇佣职员。中等技能岗位数量剧减也说明了美国商界另一种令人不安的趋势。现在新公司，而即使公司规模不断扩大，雇员人数依旧少于以往。
相比之下，自动化对低等技能和高等技能工作造成的不利影响相对较小。人们认为低等技能工作在未来十年的前景最乐观，包括餐饮、保洁、园艺、家庭保健、儿童保育、保安等。这些一般都属于体力工作，需要面对面的互动。某些情况下机器人可以承担这些任务，但鉴于依然有大批人愿意只拿很低的工资来做这些工作，目前这类机器人研究的动力不大。
那么既然计算机已经介入了中等技能岗位，低等技能岗位对它又没多少吸引力，还有谁会是它的目标呢？没错：专业人士——需要经过多年培训才能上岗，因而收入相当丰厚的那些人。作为一个技术迷，对机器人和劳动市场的调查发现让我兴奋不已。我见到房间那么大的配药机器人，可以在巴氏涂片上发现宫颈癌的机器，甚至还有能创作故事的服务器。但作为一个热爱自己的工作（还有收入）的人，我被它们吓到了。
大多经济学家并未把这些担忧放在心上。至今为止，认为计算机可能严重打乱人类劳动力市场，而进一步削弱全球经济的人依旧很少。我只见过一位名叫马丁·福特（Martin Ford）的软件开发工程师对这一观点进行了深入探讨。2009年福特自己出版了一本名为《》（The Lights in the Tunnel: Automation, Accelerating Technology and the Economy of the Future）的小册子。书中福特进行了有力的论证，称计算机将重新定义当代“工作”的概念。
最近和福特谈话时，我问他，对美国农业从业者减少引发的自动化恐慌，经济学家有何经典辩驳。1900年，。其后100年中，农业科技革命极大地提高了生产力，从事农业的人数越来越少，生产的粮食却越来越多。到2000年，农业雇佣劳动力仅为2%。然而，这一转变并未对经济造成破坏。数百万人离开农田，获得了新技能。粮食因此降价，人们也得以腾出时间增加收入，经济反而突飞猛进。为什么这种现象不能在信息技术领域重演？为什么我们不能再学习新技能然后找别的工作呢？
“将来会出现新行业，这一点毫无疑问。”福特说。“不过经济学家的设想是这些行业都将需要大量劳动力，还会提供很多岗位。但事实上我们不会再看到那样的情形了。想一想过去10年里我们见过的那些知名企业——Google、Facebook、Netflix、Twitter。它们当中没有一家雇了很多员工，原因是科技无处不在——它可以应用于任何地方，不管是新职业还是旧职业。无论将来会出现什么，无论将来会流行什么，我们可以肯定的一点是IT都会立刻得到应用，除了那些几乎没程序可循的，一切岗位将不复存在。”
在接下来的几天中，我将从不同领域检验福特的预言。我会从身边看起，有哪些人的工作将被机器取代。首先，我会观察我父亲从事的制药业。之后我会查看我妻子的行业——医学。第三章，我会将研究转向我自己——机器人将如何代替像我这样的作家以及詹森·科特克（Jason Kottke）那样的网页策划人。在这一系列的结尾，将谈谈机器如何改变律师和科学家的人生。我希望你可以把每个部分都读完——如果你想比机器人更聪明，千万不要放过任何一根稻草。
机器人会偷走你的饭碗吗——药剂师 vs. 巨型药品包装机
我见过的第一台计算机是父亲为他的药房买来管理处方的。那是20世纪80年代早期，在南非，我父亲是第一批吃螃蟹的人。那个时候，全国几乎没有哪家药房是计算机化的。一个药房，不论在哪，竟然需要计算机，这个想法看起来是如此的不可思议。计算机是用来计算的，而药剂师根本不需要计算。那时候，我父亲刚入行才几年的时间。他整天都忙于数药片、配药方、应付病人的咨询，这些病人将当地药剂师作为医生的替代品，可以随时咨询。对于早期的计算机来说，所有的这些任务都超过其处理能力范围，并且那时候的计算机还不太可靠、不易操作且价格昂贵。“其他一些药剂师认为我疯了，”我父亲回忆说，“为什么将这么多钱浪费在这个东西上？”
我的药剂师父亲
然而，药房发生了变化。越来越多的药品不需要药剂师插手，很多药品不需要进行混合、稀释或用其他方式进行处理。这些药品只需要计数、装瓶、贴标签、分发给病人，然后向保险公司开发票。目前，药剂师的时间都花费在客户管理、库存控制、发票开具之上。学校并没有教学生如何处理这些事务，但是新近开发的零售业务管理软件却非常适合处理这些业务。
我父亲安装的计算机是很原始的，但却简化了药房最繁重的工作。在装计算机之前，我父亲每天都要花费三个小时处理账单、定价、病人管理等相关的文书工作。当计算机包揽了所有这些工作之后，他每天一下子有了三个小时的空闲时间。
没过几年，南非的所有药房都用计算机管理业务了。上世纪80年代末，我们全家移居美国，我父亲开始在一家美国连锁药房工作。他在那里接触的科技更是有趣。到90年代，美国多数的药房都配置了电子设备与医生办公室以及保险公司进行连接，便于药房接受医生开出的处方以及查看病人的保险覆盖范围。一般零售药房里还配备有警示潜在医疗差错的计算机系统，举个例子，这些系统可以标记药物的相互作用，并且如果处方不适合病人的人口统计学特征，也会发出警示。
距离我父亲在他的药房安装那台过时的计算机，已有三十个年头，在这期间计算机帮药剂师将工作做得更快、更好。对该领域的人类从业者来说，不幸地是，这些曾经是好帮手的机器现在可以独立完成工作了。在未来的10到15年内，越来越多的智能机器人、计算机、软件系统将侵入美国多种工作场合。药剂师将会成为被机器取代工作的第一批高技能职业之一。目前的药房机器人可以查看病人病历，数药片，给药品贴标签，还能给保险公司开发票。有些计算机系统存在漏洞，与我有过交流的一些药剂师抱怨说这些计算机系统需要有人时刻监控。然而，他们也承认计算机会越来越进步，目前最好的机器人药剂师比最好的人类药剂师更快、更少犯错误。
不久之前，我参观了加州大学旧金山分校米森湾校区（Mission Bay），并且见到了我父亲的继任者。这里真令人震惊：房间大小的机器上遍布着纷繁复杂的零件——迷宫般的橡胶传送带，几英里长的气动管道，精确校准的吸取式配药机械臂。下边是机器人工作的一段视频：
加州大学旧金山分校（UCSF）的机器人被称作，该机器人由一家名为Swisslog的公司开发。这个机器人如此之大，有如此之多的移动部件，与多数机器人不同，他很难被人格化。这个机器人一点也不像人，它只知道干活。
机器人先从大储药箱里分拣事先被人放入的药品。在完成工作的整个过程中，唯一有人力介入的就是将正确的药物装入储药箱中。我花了几分钟观察这一过程，我真是被机器人的懒散程度给震惊了。（好吧，我想将机器人人格化的冲动是很难抗拒的。）机器人的吸取式手臂伸入储药箱，抓起一片药，将其拿出来，大约用一两秒时间。偶尔有时候，机器手臂会失误，一点药也拿不出来。然而机器人从来也不慌，他一如既往地抓药、抓药、抓药。将每种药都抓齐之后，机器人会将所有的药放入塑料袋。塑料袋上有条形码，标明装的什么药。然后，机器人为医学中心的每个病人挑选出合适剂量的袋装药品，然后将这些药品栓到塑料环上。一环一环的药品随后被送到病人的床前。机器人工作的过程中，一名护士会对塑料环上药品的条形码进行扫描，对每位病人的每种药品配发路径进行追踪。
安装这种机器人之前，UCSF的100多名在职药剂师中，大约一半人负责管理和检查配给病人的药品。而现在，几乎所有人都被分流到医学中心的其他部门工作，在这里他们为病人准备静脉注射，帮助患者调整药物治疗方案，以及其他一些之前因只是忙于配药而忽略的工作。该医学中心机器人药房的安装花费了700万美元，少于全部药剂师一年的工资之和。当机器人满负荷工作的时候，它一天可以配发超过1万份药品。自去年开始运作以来，机器人处理了35万个处方，并且没有一例错误。（它确实发生过一次打印错误，但很快被操作人员发现了。）
在自动化面前，为什么药剂师如此脆弱？其他行业的人从他们的困境中能学习到什么呢？过去的几个月中，我与众多的药剂师以及药房机器人制作者探讨了自动化如何改变了这个行业。这个问题很严酷。医药行业是一个增长型行业，随着国家老龄化，我们对药品的需求量越来越大。劳工统计局预测，未来10年内，药剂师的需求量将。而药剂师的高需求量也导致其工资水平的稳步增加，2010年，美国药剂师平均工资为，比几乎涨了70%。
然而，熟悉药房科技发展变化的人士对政府的预测并不买账。那些少数对于药剂师行业乐观的人也只不过将希望寄托到法律结构上。一位药剂师对我说：“多数药剂师之所以没有失业仅仅是因为法律规定调配药品必须要有药剂师的参与。”换句话说，不是药剂师的技能令其不失业。事实是，人类有好的工会，有偏向人类利益的说客。一旦法律能够正确的对待机器人的优势，那么人类就只能流落街头了。
药房机器人Scriptpro
对于药剂师来说，最基本的问题就是，他们的工作中重复的部分让人无法忍受。这对在美国工作的每一个专业人士来说都是种提醒。如果你想知道自己的工作是不是有落入机器人之手的危险，想想你每天在干嘛就好。机器擅长的就是一遍一遍又一遍地做重复性的几个步骤。无论在哪，人类所做的重复性工作——即使不全是体力活，有时需要很高的问题解决技巧的——都极有可能被计算机代替。
一家零售药店每次在接到处方的时候都要经历同样的一系列步骤。首先，一名非药剂师助手（他们被叫作“药学技师”，收入）将病人和用药信息输入计算机，然后计算机会确认一下病人的医疗保险能够用于支付药品花销。接下来，药剂师要确认输入的信息准确无误，然后检查计算机有没有发出潜在副作用的警告。计算机打印出一张标签，技师或药剂师会找到相应药品，按照要求倒出几粒来，放进瓶子里。药剂师会再检查一遍药品——计算机里会储存一张药品本来外观的图片，药剂师拿着瓶中的药片与此对照。最后，在你去取药的时候，药剂师会给你用药建议，但这一步病人可以选择跳过，大多数人都跳过了。
我问了几个药剂师这其中到底有多少需要用到医学知识。他们的回答都一样：没多少。在美国，要想当药剂师，需要在进修院校里待四年，通过严格的考试，才能取得执照。这几年中他们要学习药物与人体内生物反应的深层联系。但是等到他们真正工作的时候，他们扔掉了大部分学过的东西，整天干的都是琐碎的小事。除了我上面列出来的那些重复性工作之外，他们很多的时间都花在了程序员称为“”的事情上面——也就是在出岔子的时候纠正。每一天，他们都要和医生还有保险公司争论，确保技师输入了正确的数据，接听电话，。（有好几个博客描述了一家零售药店每天的工作有多么见鬼。：“有个混球走到柜台来问面包在哪儿。”“电话响啊，响啊，响啊。”）
这些出岔子的情况很少需要用到药剂师在学校里学到的专业技能。更重要的是，这些工作可以——现在有越来越多的情况下就是——由工资更低的工作人员和计算机协同完成，而且效率会更高。买一台可以数出、分配药片，专门用于零售药店的机器人要花二十万美元——还不到一个药剂师两年的工资。大多数大型连锁药店里也有“中心配药”设施——是些大型的自动化工厂，可以完成数以千计的处方，送往某个地区内的所有药店。你提前几天收到的处方很可能就是在这些工厂里配好的。更多情况下，亲手给你药的那个药剂师并不配药。
计算机不仅仅要比真正的药剂师便宜。它们也更安全。“药物不良事件”——也就是病人吃了药之后感觉更糟——在美国，其中的大多数按理说都可以避免。有关自动化药店的研究显示，相对于以人为中心的方式，自动化方式出错的几率有明显下降。一项研究表明，在传统的零售药店，配药出错的几率是五十五分之一。而在自动化邮寄订单的药店里，出错的几率不过千分之一。
药剂师中流传一种说法：机器人的参与最终会使整个行业受益。自动化的地方越多，药剂师们就越能专注于那些只有人类才能处理的部分：为病人提供意见，与医生合作，确保开出的处方是正确的。对于在医院工作的药剂师来讲尤其如此。UCSF在安装了机器人配药员之后并没有解雇任何药剂师。以前那些把药片倒进瓶子里的药剂师现在在负责病人用药方案的监控和微调。
有一些证据表明，药剂师能够利用自身药物学知识的时间越多，病人的情况就越好。比如，在医院里最容易出错的一个地方就是阻凝剂使用不当。对于一些患者来说，这些药物可能造成大规模出血。“有很多老年人来看病的时候，医生连整个情况都还没摸清就给他们开了抗凝剂。”杰米·古铁雷斯（Jamie Gutierrez）说道。古铁雷斯是德克萨斯州格林维尔某家医院的药剂师，她所在的小组负责监控使用阻凝剂以及其他有风险药物的病人的情况。她说：“我们每天都在检查，如果发现病人的肾功能过低，不能服用这类药物，我们就考虑换药。”古铁雷斯的小组也关注用药成本，想办法调整病人用药，节约医院开支。
很多报告表明这种由药剂师组成的小组能够减少并发症。但即使那些乐观的人说对了——机器人使得药剂师腾出双手提供用药建议——他们的前景还是不容乐观。首先，对药剂师咨询的市场需求并不像配药的需求那么大。今天美国的药剂师有三分之二在零售药店工作，他们很少能参与决定病人的用药。还有就是，科技发展已经触及药剂师咨询领域。以前人们经常拿来问药剂师的问题——我的孩子发烧了，我牙疼——现在用谷歌一搜就有答案。
再说还有远程药房——不需要药剂师在场就能自动配药。未来，你可以远程取药，如果要咨询药剂师的话，可以通过视频或者语音通话。换句话说，你可以取药的地方会越来越多，但需要的药剂师却是越来越少。
有几个州现在允许在一些没有传统药店的乡村社区配备远程药房。但是为什么就此止步呢？随着无药剂师世界的观点广泛传播，远程药房开放地点的规定会有所放松。那对于像我父亲这样的传统药剂师来说就像是末日。
我父亲马上就要退休了，也就是说他很可能免于受机器人宰割。当我问起他配药机器人的时候，他很不屑。就像我交谈过的其他药剂师，他说分发药片的机器容易出错，卡住什么的，所以他觉得它们还没法立刻取代人类。再说，还有那些保障他们生存的相关规定。
大多数高技能从业者也是这么说的，包括我在下面要写到的医生。虽然很多人都承认科技使得他们的工作方式发生了翻天覆地的变化，但是要接受今天还在你身边帮助你的机器人明天就会把你搞的失业的观点还是很难。
机器人会偷走你的饭碗吗——医生篇
巴氏涂片（Pap smear，又称宫颈涂片）是迄今开发的最有效的癌症筛查测试。20世纪40年代这一技术引入之初，美国每年死于宫颈癌的女性可达2.6万人。因为现代制备方法不再需要进行涂片实验，该技术如今又被称为巴氏检查。这样的检查在美国每年约进行，全世界每年约1.2亿次。这项在全世界广为推行的常规性测试效果显著：现在美国每年死于宫颈癌的女性已减少到5000人以下。考虑到20世纪40年代以来的人口增长，巴氏检查。
巴氏检查不仅使女性受益，对医生和诊断实验室来说也是一笔好买卖——在美国这个产业价值近5亿美元。那些检查巴氏载片的技术人员和医生就像是医学界的运输安全局（TSA）的特工：他们整日都在检查成沓的载片，搜索那些细微的、罕见的疾病视觉线索：医生首先从某个女子的子宫颈内采集到细胞样本；将细胞置于培养液中，加入实验室试剂，在离心作用下细胞与血液以及其他生物物质发生分离，然后沉淀在载片上。宫颈细胞先由进行检查——这些化验员是接受过特定类型的医学载片分析培训的专业人员。发现病变的载片随后交由负责诊断的病理学家进行筛查。由于绝大多数接受巴氏检查的女性是健康的，通常一个实验室中90%左右的载片是完全正常的。整个流程的成本约为25-100美元，具体取决于实验室的效率。
BD FocalPoint自动搜索巴氏检查载片上的病变区
最近十年，已有机器人开始进行这项工作。20世纪90年代，北卡罗来纳州的TriPath Imaging公司着手开发巴氏载片自动筛查系统。这家公司后来被医疗技术公司BD收购。BD最新推出的巴氏筛查器——，可谓是医疗工程的一个奇迹。其影像搜索软件对载片进行快速扫描，可搜索的可见异常细胞种类超过100种。之后，系统将载片按患病可能性排序，并将每个载片界定为十个区域，以便专业人员仔细检查。临床上，研究人员发现使用BD FocalPoint的实验室及癌前病变。（，不使用机器人的医生和技术人员可以检测出79.2%的异常载片；使用机器人后，这个数字将提高到85.8%。）同时，FocalPoint还能加快速度、提高效率。全人工作业下，每位细胞化验员每天能分析80到90个载片（有条例规定每天不得超过100个）。而使用FocalPoint后，每位检查人员每天可检查170个载片。
BD FocalPoint代表了医疗革命的先锋力量：计算机辅助疾病诊断。除巴氏检查外，如今计算机还常常被放射医师用来分析乳房X光片。而一系列类似的技术将颠覆病理学家及放射科医师对其他许多疾病的筛查方式。目前，此类设备已成功应用于检测、、影像的异常，用不了多久，它们还可能协助医生。
医生是否也该，担心计算机会和他们抢工作？我采访的和指出，很多计算机辅助诊断技术仍处于概念阶段；要想进入实际应用还得再修炼几年。FocalPoint以及乳房X光片分析设备的制造者强调，这两项技术都还需要人来监控——事实上，作出最终诊断的总是人类，机器只是协助人类完成这一任务。
R2 ImageChecker CAD对乳房X光片可疑部位进行精确定位
然而，医生的生计的确将会受到这些新设备的影响。随着计算机的日趋完善，众多专业领域中，对人力的需求越来越少。拿乳房X光片来说：放射科医师用来提高乳腺癌诊断效率的主要途径之一就是“双人判读”，即两个放射科医师独立检查同一组乳房X光片，这样。然而2008年公布的一项研究表明，使用ImageChecker的医师：计算机与人的协作完全不亚于两个人之间的配合。
倍感压力的不只医学诊断这一个领域。机器人手术也正悄然兴起；大多数大医院，以及一些小医院，都已配备，帮助医生实施更精确的微创手术。此外，外科医生在机器人的帮助下不仅提高了效率，还能进行远程作业——大城市里一家医院的外科医生可对整个地区各卫星医院的患者实施手术。这样一来，外科医生将面临和药剂师一样的命运——药剂师可以借助电子药剂学系统工作，而外科医生也能一个顶仨。
医疗机器人的兴起使我个人也陷入了危机：我的妻子是位药理学家。她经过多年的辛苦培训，层层过关，令我们一家过上了幸福的生活。如我讲过的药剂师行业，我的妻子和她的同事们认识到计算机已经侵入他们的行业，但他们仍表示工作中很多方面无法自动化。从某种意义上说，他们是对的；一些医疗技术专家对我说，短期之内不会出现完全自动化的医疗设备。BD FocalPoint和R2 ImageChecker等系统一直都将需要人类医生的监控。
但这并不能保证医生就可以高枕无忧了。其背后的经济学意义是显而易见的。在机器人的帮助下，医生的效率更高，每个人的工作量会减少，工资也会降低。你可能不会猜到谁会是自动化的首选目标：答案是我妻子这样的专业人员——医学界中训练有素的高收入人群，而恰恰因此，使他们的处境岌岌可危。
一般来说，专业人员只专注于医学上某个很窄的领域。他们每天都在研究同一个身体部位，越是专业的医生越集中于那么一两种操作流程。而机器人就是绝佳的专业工作者。它们擅长重复做一件事情，而且一旦专注于一点，便可达到几乎完美的地步。有朝一日，它们将不再需要人们的监督，这一天可能比我们想象的来得更快。
这给人们——不只是医学界——传达了一个讯息：如果你现在单攻一点——尤其是这方面还挺能赚钱，那你可要在办公室门口放上个“欢迎机器人！”的垫子了。它们正向你逼近。
如果医学领域最岌岌可危的是那些职能最专门化的工作，那么最安如磐石的自然要数那些职能多元化的工作。那么，哪些医生是“万金油”呢？西雅图郊区的家庭医生莎拉·克莱默（Sarah Kramer）说：“我们总喜欢说我们能照顾到80%患者的80%的问题。”
我就机器人将如何接管高技术工作的问题了一些家庭医生，就反馈结果而言，大家同克莱默的情况大致相同。克莱默行医20多年，每天接待患者数量20多人。每天病人预约的时间有长有短——最短的时候只要10分钟，不过偶尔需要动个小手术，就得用上一个来小时了。患者的病情也是各种各样。“不管你得了鼻窦炎，扭伤了脚，或者一点毛病没有只是做个工作体检，又或者要出国旅行需要注射疫苗，这些我都会。”克莱默说。
然而科技改变了她的行医方式。现在克莱默大部分的患者在来看病之前都会先在网上咨询，他们通常会对困扰他们的病情有所了解。但网络并没有取代克莱默的位置，而是加深了她与患者间的交流。当她去为高胆固醇患者看病时，患者往往已经知道自己应该改变饮食习惯，并且加强锻炼。“但是我经常得帮助他们树立一个康复目标，”克莱默说。“我会说，‘我得告诉你这的确是一个好主意，但据我们所知，有数据显示，如果你再吃些药效果会更好。’”
现在有许多辅助诊断的软件包，像克莱默这样的医生可以利用这些软件找出患者病因，未来这些系统会在社区医疗中扮演更加重要的角色。把其在美国老牌智力问答节目《危险边缘》（Jeopardy）中获胜的沃森（Watson）计算机上的技术，应用于搜索全世界的医学教科书和参考指南，以找到症状间的联系。医生只要在沃森计算机中输入症状便可得到一份可能疾病的排行清单。
但机器人无法替代克莱默最重要的技能——通过交谈便可得知患者病情。这些个人谈话很难被计算机模拟。而且不像病人向药剂师咨询那样，如果远程进行很可能就没有效果。这是因为它们需要依靠克莱默的能力去解读患者的肢体语言，了解他的情感状态，确定如何解释能使患者明白他的病情，并找出他生活中影响其治疗的其他因素。“人是复杂的，”克莱默说。“你的一个病人也许不仅得了糖尿病——他有糖尿病，而且还刚刚离了婚，想要重新开始一段恋情，可又担心性传播疾病。”世上没有一个机器人知道如何治疗这种病人——尤其是考虑到病人经常撒谎，误导你，漏掉一些事情，还顽固得令人抓狂。
现在，连社区保健医生都已经掌握了许多类似技能。在那些和病人交谈，而不是简单地执行某些医疗程序的医生身上，你会发现医学界有那么一个领域对机器人来袭还是比较有免疫力的。然而讽刺的是，那些按流程办事的医生往往薪水最高，比如特专业的外科医生。使克莱默成为优秀社区保健医生的技能，尽管机器人无法比拟，却不能使克莱默得到很好的报酬。（社区保健医生一般平均收入$163,000左右，而一些。）
这个收入差距导致了，因为许多学生都选择了薪酬高的专业。机器人技术很可能会改变这一现象；如果机器开始降低对专科医生的需求，从而导致其薪水的减少，也许社区保健会看起来更吸引人。有证据显示这会对患者和医疗系统的完善有好处。2008年一项由美国医师协会（American College of Physicians）发起的研究表明经常看社区医生的患者能得到更好的预防性治疗，从而减少了跑急诊室的机会，大大降低了死亡率。换句话说，借助机器人，我们能挽救更多的生命。
当然，这种趋势对于像我妻子这种专科医生来说很糟糕。但下篇文章中我还会提到令人担心的另一个问题：机器人也跑来抢我的“饭碗”了。
我叫同事克里斯·威尔森（Chris Wilson）造一个机器人版的詹森·科特克（Jason Kottke）出来，因为真人版看起来时不时需要休息一下。科特克在1998年开通了他的同名博客，当时博客才刚刚兴起。网络世界从那以来发生了巨大的变化，不过网站一直保持着活力。我喜欢这个网站的一个原因是我和科特克有许多共同爱好：科学、技术、（Michael Lewis）、、《》、（David Foster Wallace）、《》（The Wire），还有。然而很多博客上都有这些东西。科特克的天才之处在于他能发现其他人没发现的链接。每天我都会在Twitter、Facebook、邮件以及成打成打的博客中看到成百上千的链接。但科特克每天上传的五六个链接里，总有那么两三个是我根本没见过的，而几乎每个链接都会把我带到网络中某个令人惊叹的角落。
网络上曾经有许多像科特克一样博主。在博客盛行时，20世纪90年代后期至2006年前后，像科特克这种“链接博客”的形式是主流。诸如约翰·巴格的“”（John Barger's Robot Wisdom）之类的博客对读者来说很有用——网络上每天都有新东西，而你进入一个链接博客就能找到最好的，那就让博主好好展现他们对于网络娴熟的挖掘能力吧。
现在也还有几个人气很旺的链接博客：（主要跟踪互联网的各类网页，并在网页上贴出有趣的网站链接，供读者点击接入），（知名博客）和（一家新闻集合网站）是公认的典范。但这种网站形式正在走下坡路。比如，巴格现在就不写博客了，他转去写，并且利用分享链接。诸如Reddit、Digg、Hacker News等网站都允许读者上传链接，并且通过投票来进行排行。如需其它服务，就像是查找博客、Twitter和Facebook上发布的最流行的东西，加比·里维拉（Gabe Riveraa）的 、和等网站都能提供。一天好几次我都收到发来的邮件，这是一项很棒的服务，它会将Twitter上我关注的人发给我。科特克现在博文更新得少了，他把更多的时间花在建立名为“”的链接收集服务器上，这将带给你Twitter、Flickr、You Tube和Vimeo上人们最喜欢的东西。
为什么这些新的运作系统取代了科特克一类的博客？原因很明显。手工版链接博客取决于一个，或者几个人给无穷无尽的新信息分类的能力。“总有那么些天，你真的不想干了，”科特克说。“每天都要看那么多东西，基本上都差不多——要不都一样有趣，要不都一样无聊。很难保持那种发掘的劲头，几乎找不到你从没见过的东西。从开始算起，我已经上传了1.5万，可能2万条链接。我一直在不断缩小那些新鲜而有趣的内容的范围。”
用计算机技术术语来说，科特克的博客，没有上规模。这有点惭愧。收集网络热文的服务系统很是有用，但它们缺乏编辑性。Techmeme和Summify所罗列的链接仅代表网络中一大群人的信息偏好。而科特克的博客内容却是一个人不可不看的。网络上应兼具这两种类型的链接整合，但我还是希望看到更多人开通精心编辑的、条理清晰的链接博客。问题在于，这么难做的一件事情，怎么才能做大呢？
机器特克（Robbotke）应运而生。最近几周，克里斯·威尔逊（Chris Wilson）一直在构造一个用于自动发布链接的机器，这些链接很可能会出现在Kottke.org上。机器特克并不是来取代真科特克的；我们只是想得到詹森·科特克每天可能会上传的链接。
。它是怎么工作的呢？我们先是一点点地扒詹森·科特克每天可能看的资源——所有他发布过的链接的来源网站，以及他在Twitter上关注的每一个人的分享。难度最大的是从机器特克所收集的内容中选出最好的、最符合科特克风格的链接。好在真人科特克对其发布的内容做了精心分类，标注了关键词，这对我们很有帮助。每当机器特克找到一个链接，它会根据它所知道的科特克喜欢的话题进行搜索——找到的越多，文章的排名就越靠前。
搜索结果喜人：就在我写这些内容的这会儿，机器特克上排在首位的是，讲的是自行车如何在行进过程中，即使无人驾驶也可以保持平衡。机器特克有时也会严重跑题：今天机器特克推荐的链接还包括2010年的《华盛顿邮报》有关伊拉克战争花销的（对于科特克来说太陈旧、太过于政治化），（也过于政治化），以及（Cynical-C）博客的（噢，这完全违背了我的初衷）。
我的结论是：机器特克远非完美，但也可圈可点。再努把力，多来点人工智能的专业知识，我相信机器特克胜出的机会还是挺多的。
当问及詹森·科特克的看法时，他回答地很巧妙。“嗯，”他停顿了几秒钟，说，“我觉得有些还不错，有些就差了点。最大的问题在于链接并不是最最必要的因素。人们跟我说，他们喜欢我的网站是冲着我对于这些链接的评论——怎样呈现这些链接，用什么方式打动人心。机器特克在这点上差很多。”
科特克说得很对。机器特克不会写评论，不会加标题，不会剪辑文中精华。应该说，它“目前“还不会做这些。我们需要大家的帮助来完善机器特克。如果你精通编码并对人工智能和媒体感兴趣，请联系*克里斯·威尔森（Chris Wilson），帮我们看看机器特克的源程序吧。（注：源代码用的是Python）（*原文有链接）
我们需要大家的帮助。因为真人科特克发文越来越慢了。“我之所以开始建立Stellar，是因为上传博文基本上透支了我所有精力，”他说。年间，几乎所有醒着的时候，他都在上网搜链接，常常弄得灰心丧气。“后来，大概六到八个月的样子，我的工作效率突然提高了，”科特克说。他把这归因于经验——“我累计搜索时间大概有”，以及新型工具——比如Twitter。“我发现可以用更少的时间更新网页——现在每天我只花几个小时在Kottke.org网站上，”他说。“现在内容少了，每个链接下我所写的东西也少了，而且我也不再像以前那样对一些有趣的内容进行深度研究了。”
当我问他是否计划关闭Kottke.org网站时，他含糊其词。“我可能不会再把网站当做全职工作来做，但我不会停止发博文，”他说。“我要对网站读者负责，而且写博客也是我喜欢做的事，只是不再喜欢整天泡在博客上。”
那么，机器特克的优点恰恰在于：它不知疲倦。
在本系列中，我一直都在关注能够代替人类进行高技能作业的机器。我谈到了，还有。现在是时候好好照照镜子面对现实了。作为一个作家，我喜欢把自己的这种写作能力看作人类的独门绝技。我有自己的专栏，写些读者关心的事，我试图用文字激发人们的情感，或高兴，或惊讶，或愤怒。机器现在还不能完成这么有创造性的工作。但随着我对自动化新闻报道的深入探索，以及我们在机器特克上的收获，我发现我的工作对机器人来说好像也不是不可能完成的任务。
每个工作日的上午我都在重复同样的事情。首先，登录六七个科技新闻网站，打开几十篇文章。我会迅速地浏览每篇文章的标题，看一看内容，然后脑子里开始想：“它够不够有趣？如果不够，跳过”。遇到吸引我的内容时，又在头脑中进行另一番斗争：“我能够找到个独特的视角么？会有读者关心这个问题么？”这些程序是无意识的，有时也未必是按部就班的。我常常会被邮件或者电话打断。如果头一天整晚都在照顾小宝宝，我可能也就在Facebook上打发打发时间，而不是专心找可以写的题材。看吧，这就是人的弱点。假如我是个机器人，我将一丝不苟地遵循指令，说不定还能写出更好的文章来。
这也是如今自动化新闻报道的理论依据：不管我们承认与否，很多撰稿人在工作时，或多或少的都循着同样的步子。我们是怎样写出一篇通讯社新闻的？最重要的信息打头阵——陪审团发现什么证据啦，谁被杀啦，哪个队赢啦；接下来谈谈细节。甚至连品味较高的文章也有自己的结构框架。前《纽约客》撰稿人丹·鲍姆（Dan Baum）曾透露这本知名杂志的编辑给他的一点建议：&你想用什么叙述方式都可以，但是你要知道，当我拿到你的稿子，还是会把它们打乱然后重新按时间顺序排列。&所以，《纽约客》文章的模板是：1）描述先发生了什么事；2）描述接下来发生了什么事；3）如果还没讲完，重复步骤2）；如果讲完了，文章到此结束。
目前而言，没有哪台计算机能写出符合《纽约客》水平的文章。但机器能为人们做很多生搬硬套的琐事。来看看网站上的一则简报吧，每次旧金山巨人队（San Francisco Giants）有比赛，这个网站都会报道。
巨人队3-1横扫洛基队
瑞恩·沃格松（Ryan Vogelsong）七局里面表现完美，第三局迈克·方特诺特（Mike Fontenot）全取三分，确定了巨人队的领先地位，旧金山3-1轻取科罗拉多。
第三局接近尾声时双方还是没有任何得分，之后方特诺特接到对方先发投手朱莱斯·夏辛（Jhoulys Chacin）来球，打出一记全垒打，使得安德斯·托瑞斯（Andres Torres）和沃格松（Vogelsong）跑垒得分，巨人队抓住机会掌握了比赛局势。
一次高水平比赛后，本年度沃格松投球成功率提高到13-7。比赛中他四次安打均未失分，四次三振，无保送上垒。剩下2/3的比赛圣地亚哥·卡西拉（Santiago Casilla）都在尝试补救，那是他那次赛季第六次这么做了，最后巨人队无安打无上垒，一人出局，无人保送。夏辛落后（11-14），八次击打中丢失了两次得分机会，三次三振，七局内无人上垒。
这篇新闻是由计算机编写的。其实在FriscoFan网站上的所有文章都是机器完成的。网站的创建公司是Automated Insights（前身为StatSheet，一家专门从事运动比赛数据统计服务的厂商，成立于2007年11月），公司旗下有将近400个FriscoFan这样的网站，每一个都专门报道美国职业棒球联盟（MLB）的比赛和美国大学体育总会（NCAA）篮球队的新闻。Automated Inshights生成文章的过程和人写稿子是一样的。先浏览所有数据。然后选择一个比较合适的口吻来描述——譬如，一个家乡球迷寄予厚望的球员或球队输了比赛，“作者”的文字读起来也会垂头丧气。接下来，计算机会根据比分查阅一个巨大的词组数据库，寻找合适的语言来编写这篇文章。如果某个球队轻松击败了对手，你就会看到类似“巨人队横扫洛基队”这样的标题。
Automated Insights执行总裁罗宾·艾伦 Automated Insights的文章虽然几乎没有独创性可言，但也并没有很明显的机器痕迹。（我曾看过很多人写的文章，还没这机器写的连贯呢。）而机器作文的廉价和省时也弥补了它在独创性上的缺陷。公司的创建者兼执行总裁罗宾·艾伦（Robbie Allen）雇了几个写作好手，他们的工作就是每天绞尽脑汁想那些诸如“top-notch outing（高水平比赛）”的词，然后把它们放进数据库里。通过自动化，艾伦可以把这些人的努力转化成数目可观的文章。“去年大学篮球季期间，我们推出了64,000篇文章，”艾伦说：“我算过，这相当于一百个作者每天写四篇。”
Automated Insights想做的不只是用机器取代人类写作，而是超越人类。因为体育新闻撰稿人的要价都很高，你永远不可能雇一个人跟踪报道某个没多少人关注的小队。然而Automated Insights可以做到跟进每一个球队。下半年它还会扩展其他业务——公司刚刚得到一大笔专用资金——到时，它还能报道每家公司的股市波动，或报道美国每个小镇的所有天气变化。公司的主要竞争对手Narrative Science也有同样的远大抱负。
然而现在艾伦的策略还欠缺一点：创造性。尽管我承认我的工作有程序可循，不过我的专栏也有很多计算机无法掌握的元素——比如令人眼前一亮的文字游戏，难以抗拒的论据，还有针锋相对的措辞。今年我在《Slate》上的两篇最受欢迎的文章灵感都并非来自枯燥的网络搜索，它们是在无意之间闪现在我的脑海里的——其中一篇是抱怨人们总是错误地在句号后面用了两个空格，另外一篇痛斥势利小人把信息泄露给国家公共电台。（这种灵感每星期在我洗澡的时候至少有那么一次。）
计算机能想出这样的话题么？目前还不行。如果我们要把人类的创造力定义为某种娱乐别人的能力，机器似乎还不适合完成这项任务——因为计算机最擅长的就是复制，而不是创造全新的东西。软件可以把“top-notch outing”这样的词用到文章中，但是它不可能因为觉得“top-notch outing”这种说法很无趣而用另外的词代替它。
在我咨询过的计算机和语言专家中，没人能告诉我如何让计算机发展实现从模仿到创新的飞跃。但是他们都指出最近计算机发展在这方面有所进步。谷歌的一个团队正在尝试教计算机翻译诗歌——即便对人类来说也是个难题，目前实验已取得了一些进展。同时，华盛顿大学的研究员克洛伊·基顿（Chloe Kiddon）和尤里·布朗（Yuriy Brun）成功教会机器在恰当的时机说出——“她就这么说的！”
看看计算机如今的成果及其发展之迅速，Automated Insights的艾伦如今非常确信，机器发展是不可能停下脚步的。他说：“因为这是算法问题，它只会随着时间的迁移不断进步。未来五年，我们的机器写出的文章会和外面最棒的体育报道一样好。到时候，人类可就没多少优势了。”艾伦的话到底会不会成真，我很难想象。不过话说回来，五年对于计算机来说真的是很长，要跟他打赌可不太明智。
机器人会偷走你的饭碗吗——律师篇
设想一下你现在正面临一场诉讼。你新开的一家公司创造了一个十分受欢迎的小程序，而你的首要竞争对手“微小软”国际公司正对你提起专利侵权诉讼。如果“微小软”公司获胜，那么你将要赔偿数千万美元。
于是你向公司内部的律师咨询，他推荐你雇佣一位阔佬有限责任合伙公司的专利专家。第二天，一群阔佬公司的律师浩浩荡荡进入你的公司，把你的所有选项一一列出。与“微小软”公司官司的辩护费用不菲——这还没算给案子指派的律师的计时收费，你还需要雇佣专家证人和陪审团指定的专家，并支付他们的差旅费和诉讼费。总的算起来你需要约，但阔佬公司长老级别的资深合伙人钱袋先生向你保证说花这笔钱是值得的——他处理过很多这种案件，他一边说一边向你眨眼睛，他的直觉告诉他他会获胜。
马特·凯斯纳，芬维克-韦斯特律师事务所首席信息官
你的另一个选择是和“微小软”公司庭外和解。你需要支付1000万美元许可费，这笔钱不算少，但对你公司来说还是拿得出的——然后你可以继续做你的生意。
你会怎么办？
做出一个抉择并不容易。在这个公司时代，法律业是少数几个主要依赖人类经验的地带之一。任何人在卷入一个标的额数百万美元的案件前都会问这么几个基本问题——我获胜的几率有多大？我的律师有多棒？我该和解吗？——这些问题都没有一个确定的回答。“法律界人士们都有一个文化传统。”密歇根州立大学法学院助理教授（Daniel Katz）说道，他是致力于将经验主义和人工智能引入法律的先锋法学研究者之一。“人类有很多想当然的事情，人们倾向于认为法律知识只适用于人类，而数据、计算机和自动化设备则不适合于此。”
卡茨正在研究他的“量化法律预测”。在美国，每年都有成千上万起专利案件被记录在案。因而很有可能“微小软”公司起诉你的案子和一大堆其他案件有着相似之处。如果你能够仔细分析“微小软”公司诉讼请求中的关键特征，然后再瞧瞧这许许多多具有可比性的案件是如何进展的，那么会怎样？“律师们就可以这样对客户们说，‘我觉得你有这么点胜率——而这是计算机基于一万件类似案件推断出来的胜率。’”卡茨解释道。
密歇根州立大学法学助理教授丹尼尔·卡兹
如今没有一台机器能做到这点，但将来会有。在上一章，我仔细审视了一种——计算机在运用语言上愈发娴熟，它们已经能完全靠自己写故事。而记者的活计简直是小菜一碟；如果你想从事一个十分依赖于语言的工作，那么财大气粗的法律界可是个好去处。
在过去的几年中，法律行业见证了科技创新的飞速发展，这一切都得益于计算机转译和理解书面文件的能力的增长。现在许多律师事务所使用来从大量证据中搜寻感兴趣的事实和数字。事务所还拥有可以起草法律文件的软件程序，耗时仅为人类的几分之一。一些马上就要诞生的服务将能做更多的事——比如说，或者判断你是否该起诉。
这种自动化技术将把法律服务带到广大群众中去。许多本应该雇用一名辩护律师来处理商务事宜或个人纠纷的人却承担不起这笔费用。当你想和你的抵押放贷者作斗争、为创办一家小公司而起草合同或想要靠打官司赢得孩子的抚养费时，就可以依靠计算机软件。
虽然法律自动化对那些付不起钱请律师的人来说是一个福利，但这对于律师来说是个坏消息。律师行业现在本来就不景气，上法学院也。因为软件的存在使得更少的律师能做更多的工作，那么对律师的价格和需求必然随之下降。
“在我住的伊利诺斯州，你可以看到大片的闲置土地——因为你不再需要像以前那样雇人力耕种玉米和大豆。”伊利诺斯大学法学院教授拉里·利博斯坦（Larry Ribstein）说道，他写了关于法律界信息科技革命的论文。“我现在看到这片大豆田，就会联想到律师。”
在我所写的关于的文章中，我主张初级护理医师这个职业可能在机器人入侵中幸存下来，因为他们的职业靠的是必不可少的人类技能，例如引导面对面的谈话之类的能力。乍一看，法律行业看上去与之相似：法律由人类政客制定，由人类当局施行。当发生争论时，由人类法官和陪审团来裁决。法律世界的方方面面——从牵涉到合同和诉讼的专业语言，到复杂的分析推论，还有对法庭书记员和法官们烂熟于心的判例的信赖——都来自于我们称之为“律师”的那些怪物的前额叶。
如果你去看看大多数律师每天干的那些活，你会发现其中有许多部分都可以由机器来做。语言、复杂逻辑的处理，对涉及多变量情形的预测——计算机在这些事上可拿手多了。
想想法律工作中最死板的那部分：起草商业合同。在一名律师的职业生涯中，他也许要起草数以千计份合同，其中的许多都包含着大量重复的内容。现在，几家法律科技公司写出了可以自动生成这些文档的程序。这些软件的工作原理很像TurboTax报税软件，问你一系列的问题，之后运用深入到特定领域。马特·凯斯纳（Matt Kesner）是硅谷一家具有开创性意义的法律事务所——（Fenwick & West）事务所的首席信息官，他告诉我文档生成程序帮客户节省了时间和金钱。去年，该律师事务所研发了一套可以自动产生合并案所需文档的系统。“它将我们以前平均要花20到40小时计费时间的工作减少到了几小时，”凯斯纳说道，“就算那些需要很多文档的案子，我们也能把起草档案的时间从几天乃至几周缩减到几小时。”
电子取证软件的意义也是革命性的。这些系统可以挖掘数量巨大的材料（例如一桩民事诉讼中的所有电子邮件往来），从中找出哪怕是一丁点的证据。最简单的软件只是搜索特定的关键词，但是更复杂的系统可以检测那些律师也许会感兴趣的地方。曾经新手律师头一年做副手时整天都在干这活；现在计算机做得更快，成本更低，却和人类做得一样好。
现在，人类律师有一样优势：法律界对自动化一直抱有怀疑，而且它在某些方面完全不适用。为了建立他的法律预测系统，丹尼尔·卡茨需要大量的法律文件。但是这样的数据库并不容易得到。法庭会发布书面判决，但是其它资料——比如立案书和动议——都保存在诸如联邦法院的（PACER）这样的数据库中，想要浏览就得交费。直到这些信息更容易获取之前，人类律师还能再分杯羹。
但就像规定和条例不会永远保护人类药剂师一样，律师在今天这些尚有瑕疵的数据库和软件的压力之下也不应感到有多么安全。卡茨和其它研究者正在研究提取和解读历史资料的方法——他们建立了一个名为的项目，其目标是建成一个PACER的免费镜像。在法律的某些特定领域，数据分析已经广泛应用。2008年，斯坦福大学的一组律师和技术人员建立了（Intellectual Property Litigation Clearinghouse），一项追踪了10万多件专利与商标诉讼案的项目。斯坦福大学去年将它分拆开来，建立了独立公司“”（Lex Machina），该数据库是目前为止对专利权案件最全面的汇总，并且已经帮助推翻了一些专利法领域的基本信条。多年来，专利法律师们相信加利福尼亚州北部地区的法院更倾向于被告，而德克萨斯州东部地区则更偏爱原告，这种想法让他们习惯了法院进行审理。“但是当我们查阅加州北部法院记录时，发现原告获胜的时候更多——完全和我们已知的常识相反，”法律机器的CEO约书亚·沃克（Joshua Walker）说道。
像这样的故事——数据分析显示出人类直觉错误的例子——表现出了计算机分析的威力。“法律机器”项目尚不成熟，现在还没人用数据库来预测某个特定的专利案的结果。但你仍可以看出这样一套系统在你和微小软的诉讼中会制造多大的便利。至少，你可以用它来挑选你的律师，并决定是否和解。
沃克认为像“法律机器”这样的事物是设计来补充人类的智慧，而不是取代人类的。他说，随着人手越来越多，这个数据库会让律师对自己的工作更在行。这可能是真的，但是，同样毋庸置疑的是，这些系统可以系统地帮助客户决定该不该起诉，以及请哪家法律机构，还有在哪提交案件，这将减少律师的用途。我交谈过的所有法律研究者都没反对过这点，但有些人说从长远看来，自动化可以让当律师更有趣。大部分计算机能做的事都是律师痛恨做的。就像丹尼尔·卡茨所见，律师们可以将这个职业中最糟的那部分外包给机器，这样他们就可以用更多的时间来处理客户关系，并且确保计算机干了该干的活。
“你得让这条虚拟的流水线动起来——你就是挥舞着指挥棒的指挥大师，指挥着整个流程运转，”卡茨说。自动化不仅可以让律师们摆脱苦差事，还可以让他们能为更多客户服务。还有，以前你只能为几个花了大价钱的客户服务，而现在你可以通过机器服务成千上万的人，帮助那些现在无法获得法律服务的人。
如果自动化能花更少的钱，给更多的人带来法律服务，同时还能精减人类律师队伍，我觉得大多数读者都会认为这是一个多赢的选择。而从长远来看，这很可能实现。问题在于，这一步可能十分艰难——多家事务所会倒闭，一大群菜鸟律师会找不到工作，一个庞大产业的经济前景就此衰败。
但是，就我现在写到的所有职业而言，法律业的前景看上去其实是相对最光明的。的确，律师们会吃点苦头，但是我们剩下这些人会从中获益。“法律的存在并不是为律师提供饭碗的，”卡茨说道，“这不是它的社会功能。它的存在是为人们解决问题的——而如果我们可以用更少的律师服务更多的人，我不认为这是一条不合理的路。”
在接下来我要解释的是，我发现在科学界也有相似的趋势。也许不久以后计算机就会揭开一些自然界的基本奥秘。它们也许在逐步取代人类，我们是否应该小心这点呢？
机器人会偷走你的饭碗吗——科学家篇
机器人也能像科学家一样工作吗？这个问题乍一听似乎很愚蠢。计算机现在遍布科学研究的各个领域。如果走进某所大学的大实验室，很可能会看到装备齐全的机器人与身着白大褂的人类并肩工作。机器人可以，，，。还有一些学科分支完全仰仗强大的微处理器：如和。甚至连抽象思维拓展也离不开机器的帮助。在中，人类依靠计算机启发新思想，也利用它们验证假说。1976年，数学家们使用计算机证明了“”。自此之后，计算机也在中发挥了作用。
不过在科学研究的诸多领域内，人类和计算机的分工依然很明确。机器负责枯燥的工作：计算、绘图、混合、填充、观察和等待。有的工作，即使是研究生也会觉得枯燥乏味又耗时耗力，这时机器人就派上了用场。人类则给自己留下了更高深的休闲方式：思考。
在上一节中，我认为他们繁重的思考工作是机器所不能及的。科学领域里，这种认知如此普遍，似乎毋庸置疑。科学家们的工作很是无趣：构建研究理论、设计新颖的实验、创造高深的问题让机器帮忙解答。迄今为止，这样的分工进行的很顺利。人类很乐意将那些苦差事留给机器——甚至还很愿意承认机器非常擅长枯燥的工作，有了机器的帮助人类文明才能一日千里。同时，机器似乎在思考能力方面很难达到人类的高度。总之，一切皆大欢喜：人类操控，机器操作，科学得以发展。
但是三年前，（Hod Lipson）和（Michael Schmidt）宣布他们已经进入了思考型机器人的萌芽阶段。利普森是康奈尔大学的一位计算机教授，施密特是当时他的实验室的一名研究生。他们共同设计了一项计算机程序：如果人类向计算机中输入大量的物理系统数据，计算机就能独立计算出一个公式来描述这个物理系统。利普森他们向其中输入了一系列双摆运动轨迹坐标，计算机进行了多天的运算，最终得出了“”（Hamiltonian equation）来描述该物理系统。人类用这个方程表示定律。这个软件不需要一些先有知识（如重力、能量、几何或其他知识）就能发现这个定律。它只是重复了科学家们一直在做的事情：观察这个世界，得出一些世界运转的理论，测试这些理论，最后总结出一个定律。
机器人科学家的发明者迈克尔·施密特和霍德·利普森（图片由施密特提供）
利普森和施密特将他们的程序命名为“”（Eureka），并在网上免费发布。Eureka已经在不少领域内发现了许多我们未曾了解的科学定律。利普森和施密特最近与德州大学西南医学中心（University of Texas Southwestern Medical Center）的分子生物物理学教授（Gurol Suel）合作研究细菌细胞动力学。当计算机载入有关细胞内部不同生物功能的数据后，它得出了一些惊人的结论。“我们发现了用来描述细胞的运作的公式，而且似乎它对我们进行的所有新实验都适用。”施密特自豪地说。不过还是有一个问题：人类不明白为什么这个公式能成立，或者公式背后的科学原理又是什么。施密特认为，计算机好像是得到了神谕。
这项发现足以震惊科学界。如果机器人比我们更聪明，人类还能做什么？更重要的是，如果我们进入了一个由机器主导科学新发现的时代，人类知识又将被置于何种地位？我们也许能使用一些由计算机所发现的公式定理，但是有些公式也可能复杂到连最聪明的人类也无法全部理解。
在本系列的其他章节，我探讨过机器人能如何帮助我们——我们能获得和——但同时也让一些人面临失业的危险。像Eureka这样会思考的机器带来了一个更棘手的问题：长此以往，科学家也可能因此而失业。计算机也可能给人类带来积极的改变——施密特认为一台像Eureka的计算机能够测定工业应用所需的强度最大、质量最轻的金属合金。不过智能思考的机器也会让我们难以用人类的语言表述世界运转的原理，因此我们只能接受计算机语言的表达方式。
现阶段，施密特和利普森的机器人还非常依赖人类——它需要由人类为它输入数据并且指引它进行新的研究。Eureka的设计其实非常简单。当输入某种运动过程（如摆锤的振动或细胞内部运动等）的一些数据时，计算机就会生成一大堆可能成立的公式。最初生成的公式都是随机的，而且其中绝大部分都不适用，但还是有一些能够符合物质世界的规律。施密特解释道：“我们挑出那些比较合理的公式，再随机重组成新等式——这个过程要不断重复成百上千亿次，直到总结出最精简的公式。最终，这种类似达尔文进化论的过程会得出一些能够描述“恒定关系”的等式，即适用于所有数据的等式。这些“恒定关系”通常与自然基本定理有关：能量守恒、、等。
利普森和施密特二人都强调说就算Eureka这样的软件成为科学家发现新规律的常规办法，科学家仍然需要明白计算机公式的含义。“这就涉及一个深刻的哲学问题：什么叫‘认知’？”利普森坦言。“我觉得认知是一种主观上的感受，就是能让人明白世间万物的运行规律，而这一点只有人类能做到。”
如果科学家们想要长久的保住自己的工作，依然有两大问题亟待解决。首先，计算机如何能用人类可以理解的语言来表述等式，这也是利普森教授正在研究的课题。比如，解释“摆”的概念时，我们就必须先向计算机解释人类是用某种特定的数量表示“能量”。其次，就是计算机系统只能用我们教授的概念来描述新发现。“这有点儿像小孩问大人‘飞机是什么？’，然后你答‘飞机呢，它就像鸟一样有一对翅膀，又像汽车一样有一个引擎。’”不过，某些时候计算机也会发现我们无法理解的内容。“这就像是在对牛弹琴了。”利普森教授幽默地说道。
康奈尔大学的数学教授史蒂芬·斯托加茨（Steven Strogatz）几年前曾就此情形写过一篇论文，将这个问题命名为：“”（The end of insight）。他认为人类有能力了解他们周围的世界，相对来说，这是个较新的概念。“作为一个数学家，我个人认为是艾萨克·牛顿开启了人类洞察世界的眼睛，”斯托加茨教授说道。“所以，350年来人类一直都在充分地认识世界，我们发现自然界遵循着某些模式，他们美丽而又精确，却也能让我们认知。”
斯托加茨教授认为我们正在关上洞察世界的那扇窗户，也就是说“人类的视界正不断接近极限”。在某些领域，人类的智力似乎受到了局限。“人们总是在讨论我们对经济学、大脑和基因的了解。但是一旦开始用数字来描述，就会有许多有意思的关系出现，这些就是所谓的科学前沿问题。但是人类不怎么擅长思考这些数字。“相反，计算机是个中高手。
无论斯托加茨还是利普森，他们对人类何时失去掌握科学的能力尚无定论。就算机器人变得越来越聪明，科学还是要依赖许多人类特质。例如品味——选择研究那些有趣又有创意的科学领域。但是有一点是必然的：留给我们的时间有限。“会思考的机器有许多方面要略胜人一筹，这点显而易见，”斯托加茨教授总结道。“我们将不再是佼佼者。我认为我们终将失业，这点毫无疑问。”
有关这系列的研究，用“这一天必将到来”作为警示再恰当不过。过去这一周，我探讨了一系列的科学技术，有一些可能更多的是理论上的。有些机器人或者自动化系统可能会比我预计的要发展缓慢得多，一些技术或许根本不能实现。Eureqa程序就是众多可能成果的典型案例。虽然它现在还仅在一小部分领域使用，但发明人断言未来Eureqa程序会更上一层楼。它会变得有多好或者有多快，对科学家们的日常研究有什么影响，都还是个未知数。
也许只关注个别科技的发展不是多么正确的方式。倘若我们退后一步，关注计算能力的发展速度，那么计算机会取代人类这件事就不容忽视了。耶鲁大学的经济学教授（William Nordhaus）研究了自人工打字机以来“计算机能力”的进展。他从19世纪的机械计算器入手，回顾了计算机的每一次更新换代——从真空管到晶体管，再到后来的集成电路。2007年，诺德豪斯教授在《经济史杂志》（Journal of Economic History）上。他在文章中表示：“根据所选标准，计算机现在的计算能力是人工计算的1.7兆到76兆倍。”这个数字虽然很宽泛，但就算是最保守的数据也足以让人目瞪口呆——计算机只用了200年就使人类的计算能力发展到不可思议的地步。
没有迹象表明计算能力的发展速度在下滑。（Moore’s law）今天依然适用，简单来讲，就是计算机性能每两年会翻一番。网络的迅猛发展和储存空间呈指数增长都确保计算机一年更比一年强[注]。正如诺德豪斯教授所言，计算机“是一项能够使经济生活的每一个角落都得到深刻而彻底的改变的技术。按照现在的进展速度，计算机越来越接近人类大脑的复杂性和计算能力。或许某一天，计算机会成为终极外包商，包揽人类的一切工作。”
我恐怕不能全然接受诺德豪斯教授的假设。如果你认为人类不可能丢掉工作，就必须相信：计算机的发展会减缓或者停止；或者人类会不断地找到新工作代替丢掉的旧工作。前者是不可能的。对大部分人来说，后者也只是一个希望而已。计算机不会只替代人类某一种技能，相反地，计算能力正在全方位发展，各种工作技能逐渐改善。
我前面提到过，计算机的语言处理和图像处理能力不断得到提升。计算机有着过人的记忆，能找到事物间的新关系，甚至还在模仿人类创造力方面有所进展。现今为止，机器人主要在两个方面相形见绌：一是机器人难以在物质世界操纵实物，二是它们不善于面对面交流。不过随着计算机性能的提高，操控问题会迎刃而解。而面对面交流可能也会在未来的几十年得到解决。
这个系列研究并没有解决接下来出现的一些问题：如果计算机取代了人类大部分工作，人类要做什么？我们将如何支配时间？我们如何赚钱谋生？如果工作不再是人生的主题，人类社会体系又该如何运行？
这些问题我都避而不谈，因为眼下很少有人会去考虑它们。它们听起来更像疯狂的科幻迷们热衷的话题而不是严肃认真的人们应该花时间去考虑的问题。但是这种情况是会变的。“人性”日渐失色，我们需要找到应对的办法。这一天真的会来，真的。
目前关于摩尔定律普遍流行的说法为每18个月翻一番，对此戈登·摩尔曾明确表示否认，摩尔定律最初实际由加州理工学院教授卡沃·米德提出，后由摩尔1965年首次在陈述中引用，摩尔将其描述为每一年翻一番，1975年根据实际情况在IEEE一次年会上将其修正为每两年翻一番。
谢谢分享！
以理论指导实践，在实践中创新理论！
档案界的沙漠绿洲：
UID3392&帖子10753&精华&积分32165&阅读权限100&来自安徽&在线时间4641 小时&注册时间&最后登录&
您是本站第位访客