《經濟五四三》你的工作會被AI取代嗎？

第一，到目前為止，人工智慧發展對某些單一能力能做到相當專精，但很難將這項能力複製到其他領域。APLHAGO在圍棋上可說是世界第一，但它卻不見得能解數學習題；相反的，會解數學習題的機器，也沒辦法精於下象棋。這和人類能舉一反三、觸類旁通的類推能力，還有一段相當大距離。

也因此，自動化最可能取代是一些單調、重複的工作。對於絕大需要具備多項能力工作，人工智慧要能取代人力應該還有蠻長的路要走。

第二，不少工作需要實際的人際互動。許多醫學人工智慧研究都已證實，機器學習在不少疾病認定超越經驗豐富的醫師，最有名例子是機器透過照片來判定的皮膚疾病，準確性高於許多職業的皮膚科醫師。

但即使如此，病患仍信任醫師專業，仍希望和醫師對話，透過面對面來瞭解和治療。這說明即便機器比醫師有效率，人際互動對消費者仍有很高價值，要使用機器來取代醫療人力，可能會比想像中困難。

廣告

第三，人工智慧的成效有相當程度取決於資料。使用機器學習來協助資料處理、簡化作業流程，關鍵是要讓機器知道哪些是正確結果，讓機器能從投入和成果來認定因果關係，找出更有效率的行為模式。

這些所謂因果關係在製造業、零售業、乃至部份服務業，認定都相對容易。（延伸閱讀：智商165的台灣怪才　出掌微軟AI研發中心）

該用AI決定誰能假釋嗎？

但在許多複雜環境中，透過機器來認定這些關係卻相當困難，所得結果甚至會對社會公平會造成傷害。舉個實例來說，美國有些檢察機關，試圖透過人工智慧來協助保釋裁定。

以機器學習分析過去保釋資料，想找出假釋後再犯的影響因子，藉以瞭解哪類犯人應優先假釋，哪類犯人則盡量不予假釋。根據過去假釋資料，機器認定出低教育、低所得、以及黑人再犯機率比較高，應不給保釋機會。

廣告

但與其說這些人再犯機率較高，還不如說這些社會邊緣份子不容易獲得社會支持，導致再犯率增加。若不考慮這些複雜的因果關係，僅單純透過資料來認定因果關係，便會產生對這些社會底層更不公平的對待。（延伸閱讀：AI全面來襲 為什麼這次是真的？）

最後，除取代人力外，人工智慧的更大貢獻在於釋放工作效率。

以醫師為例，絕大多數的醫師都按照自己經驗，從過往病人中找尋最適當治療模式；但每個醫師受限於個人經驗，很難針對不同病人提供最合適的治療模式。但透過人工智慧，醫師能從資料中歸納出最合適治療方式，照顧到過往常被忽略的少數份子，進一步可以改善社會的公平性。這個或許才是人工智慧對人類的重大影響。