救命!我要被AI取代了

来源:    发布日期:2018-08-28 15:56:35   阅读量:0

放心,它们离真正的 AI 还远着呢

编辑/吉菁菁 校对/李云凤 供图/视觉中国

媒体编辑、翻译、快递员、司机、游戏选手……随着技术的飞速发展,现在AI能做的事情越来越多了。人类“女娲”赋予了AI“生命”和“智慧”,看着它们在自己的双手中渐渐成型和强大。“造物主”的喜悦里也不免夹杂着对未来潜在风险的恐惧:AI就像我们创造给自己的“竞争对手”,如果有一天,“竞争对手”把人类远远抛在身后,甚至取而代之怎么办?

和人类竞争上岗的AI

媒体编辑:

只需要学会语法,学会写作标准,毫无情感色彩的新闻消息稿正适合AI们一展身手。而且它们速度快产量高,几乎不会出现错别字,也不会有擅自加入个人评论的冲动。

翻译:

腾讯AI同传在一片惊叹声中亮相2018博鳌会议。虽然表现不佳翻错了好几处,但是不能否认它已经代替人类,以翻译身份进入了我们的生活。

游戏选手:

打DOTA赢了人类又怎样?AI明明作弊了!相较AI,人类只能先看到游戏画面才能反应再操作,而AI则能直接通过API接口读取比赛数据来“开黑”。

棋牌选手:

国象、围棋、德扑、桥牌……在棋牌界,AI好像就没有不擅长的领域。

服务人员:

服务人员的范围非常大,机器人餐厅算得上历史悠久了,快递员AI国内已知的有京东等等,各大网站中也有兢兢业业“灌水发帖”的庞大AI“水军”。

AI服务明星中也有手机和智能音箱中的Siri、Alexa、Echo、天猫精灵……仔细想想,服务业有多少岗位是完全不能被AI替代的呢?似乎非常少。

销售员:

已有公司在试着推出营销机器人了,国外也已经有使用AI来把控风险投资的案例。对于计算这件事,不得不承认AI确实比我们在行。

医务人员:

谷歌旗下DeepMind Health、Moorfields眼科医院NHS信托基金和伦敦大学学院眼科研究所共同创建的人工智能系统,可以为50多种眼疾推荐治疗方案,准确率高达94%,与顶级人类专家不相上下。这项技术也在向放疗扫描影像和乳房X光片发展。

宇航员:

由空客公司和IBM合作研发的首名AI“宇航员”CIMON(西蒙),6月搭乘美国太空探索技术公司“猎鹰9”型火箭前往国际空间站,它可以悬浮在空间站中随时与宇航员进行交互,为国际空间站提供任务和飞行援助。

鉴黄师:

阿里巴巴安全部8月宣布,阿里AI鉴黄师每日可鉴别数亿张图片,识别准确率高于99.5%。在实际应用中,如人工一天鉴别1万张图片的话,4亿图片就需要4万人。而有了AI鉴黄师的协助,就可以裁掉39980个人类了。

AI想取代人类?得先满足“五个条件”

我们现在的人工智能基本方法有缺陷,

我们必须走向具有理解能力的AI,

这才是真正的人工智能。

什么叫吃饭,什么叫睡觉,

什么叫做睡不着觉,什么叫做梦……

这些对人工智能来说都非常难。

出场人类: 张钹,中科院院士、清华大学人工智能研究院院长

北京时间早晨7点30分,在AI家居智能系统的调节下,卧室中保持着令人舒适的26℃和60%的湿度。

“起床啰,起床啰,太阳要晒屁股了。”伴着森林中鸟儿的叫声,AI音箱用温柔的低语把你从沉睡中轻轻唤醒。不想睁开眼睛,先出声吩咐AI家居智能系统:“把窗帘拉开后,然后播放音乐给我做早饭吧。”

第一缕阳光照在温暖的小床上,你终于睁开了眼睛,首先伸手去摸床头柜旁的手机,但“深情”地看了它好几眼,就是解不了锁。

手机AI:“图像与芯片中存储的不匹配,您是不是犯罪者?”

你:“……”

手机AI:“和您开个玩笑,您还没梳洗,芯片中匹配度只有50%。顺便说下,我已帮你把下个月的医疗预约全取消了。”

你:“……什么鬼?为什么要取消!”

手机AI:“那个,我今天有一种准确率高达95%的死亡预感,下个月的医疗预约你大概用不上了。”

你:“!!!我这就去调低你的幽默感阈值。”

AI取代人类有门槛

上述场景可能是人类理想中未来AI与人类和谐共处的一个平凡清晨,AI表现出了智能、推理、顺从和幽默感(可能有点不合时宜)等能力,完全可与任何一个普通人类拥有的智商情感相媲美。

这种情形下,人类可能确实需要时刻担心被AI取而代之,但是抛开遥远的未来,单单面对现在AI拥有的“多重身份”,我们需要警惕吗?

2018年6月,在深圳召开的全球人工智能与机器人峰会(CCF-GAIR)上,中科院院士、清华大学人工智能研究院院长张钹在题为《走向真正的人工智能》大会报告中,针对5件事评价了目前AI取得的成果:一是深蓝打败人类国际象棋冠军;二是IBM在电视知识竞赛中打败了美国的前两个冠军,这两件事是一个类型,后面的三件事属于另外一个类型,即 2015年微软在 ImageNet 上做图象识别,它的误识率略低于人类;百度、讯飞也都宣布在单句的中文语音识别上,它的误识率也略低于人类;还有一个是大家非常熟悉的 AlphaGo 打败了李世石。

这5件事情都是机器在一定的范围内远远超过了人类。但是张钹院士也同时指出:“并非人人需要有这样的担心,如果AI真想取代人类,还必须满足五个条件。”

如果没有丰富的数据或者丰富的知识,AI难为无米之炊,除此之外,还必须满足“确定性信息、完全信息、静态的、单任务和有限领域”这五个条件。

现在的AI还不具备理解力

目前的人工智能技术在交通、服务、教育、娱乐等领域都可以找到应用,但如果不满足上述五个条件,AI做起来就非常困难。

比如那些照章办事,不需要任何灵活性的工作,比如说出纳员、收银员等可能需要担心被AI取代,或者你的工作中有一部分会被AI所取代,而老师、企业家等类似工作不可能被计算机完全代替。

为什么有这 5 个限制?原因在于我们现在的人工智能是没有理解的人工智能。

先看符号模型,理性行为的模型,举 Watson 的例子,它是个对话系统,现在所有做的对话系统都跟这个差不多,但是 Watson 做得更好些,它里面有知识库,有推理机制。

Watson 除了专家知识之外,还有大量互联网上大众的知识,还运用了多推理机制。这就是 Watson 系统的体系结构。它里面有哪些知识呢?有很多,包括百科全书、有线新闻、文学作品等。所有的知识用纸质来表示有 2 亿页,用存储量表示达到了4TB。它能回答什么问题呢?

用它的例子来说明。第一个问题,1974 年9月8日谁被总统赦免?这对美国人来讲很好回答,同样对AI来讲也很好回答,用这几个关键字“1974 年9月8日”“被总统赦免”,就能在文献里头查出来是尼克松。

也就是说根据问题中的关键字,可以在已有的文献里头直接找到答案,这就是一般的网络检索方法。

第二个问题,荧光粉受到电子撞击以后,它的电磁能以什么方式释放出来?

我们用“荧光粉”“电子撞击”“释放电磁能”等关键词,也可以找到答案:“光或者光子”。这种方法就是平时网络搜索的原理,应该说没有什么智能。

回答下面的问题就需要“智能”了,跟智利陆地边界最长的是哪个国家?

跟智利有陆地边界的国家可以检索到,它们是阿根廷和玻利维亚,但是谁的边境长?通常查不到。Watson 具备一定的推理能力,它从边界间发生的事件、边界的地理位置等等,经过分析推理以后就可以找出答案,它就是阿根廷。

下一个问题也属于这种性质,跟美国没有外交关系的国家中哪个最靠北,跟美国没有外交关系的国家有 4 个,只要检索就行了,但是哪个国家最靠北,没有直接答案,但可以从其它信息中推导出来,比如各个国家所处的纬度、气候寒冷的程度等等分析出来,答案是北朝鲜。

智能体现在推理能力上。但是很不幸,现在的对话系统推理能力都很差。Watson 系统好一些,但也很有限。

换句话说,AI现在的对话系统离真正的智能还很远。

实现真正AI是一条漫长之路

我们通过索菲亚机器人就可以看出来,索菲亚的对话是面向开放领域的,你可以随便提问,问题就暴露出来了。大家在电视上看到索菲亚侃侃而谈,问什么问题都能答得很好,这里面有玄机,如果你的问题是预先提出来的,因为里头有答案,就会回答得非常好,在电视上给大家演示的都是这种情况。

如果我们临时提问题,问题就出来了。

这是一个中国记者给索菲亚提的 4 个问题,它只答对了一个。

“你几岁了”,这个问题很简单,它答不上来,它的回答是“你好,你看起来不错”,答非所问,因为它不理解你所问的问题。

只有第二个问题它是有准备的,里面有答案,所以答得很好。“你的老板是谁”,这个问题它肯定会有准备。第三个问题:“你能回答多少问题呢?”它说:“请继续”,这一下就暴露了,AI没听懂!

再问第四个问题,“你希望我问你什么问题呢?”它说:“你经常在北京做户外活动吗?”这就告诉我们说,现在的问答系统基本上没有理解,只有少数有少量的理解,像 Watson 这样算是比较好的。为什么会这样?也就是说我们现在的人工智能基本方法有缺陷,我们必须走向具有理解能力的AI,这才是真正的人工智能。我这里提出的概念跟强人工智能有什么区别?

首先我们说它在这点上是相同的,我们都试图去准确地描述人类的智能行为,希望人工智能跟人类的智能相近,这也是强人工智能的一个目标,但是强人工智能只是从概念上提出来,并没有从方法上提出解决办法。

大家知道强人工智能提出了一个最主要的概念,就是通用人工智能。怎么个通用法?它没有回答。我们现在提出来的有理解的人工智能是可操作的,不只是概念,这是我们跟强人工智能的区别。

人机对话的时候,机器为什么不能理解人们提的问题?我们在知识库里把“特朗普是美国总统”这个事实,用“特朗普-总统-美国”这三元组存在AI里面,如果你提的问题是:谁是美国总统?AI马上能回答出来是特朗普。但是你如果问其他有关的问题,如:特朗普是一个人吗?特朗普是一个美国人吗?美国有没有总统?它都回答不了。

它太傻了,任何一个小学生,你只要告诉他特朗普是美国总统,后面这几个问题他们绝对回答得出来。AI为什么回答不了后面的三个问题呢?就是这个系统太笨了,没有常识,也没有常识推理能力。既然特朗普是美国的总统,美国当然有总统,但是它连这一点常识的推理能力都没有。

所以要解决这个问题,必须在系统中加上常识库、常识推理,没有做到这一步,人机对话系统中机器不可能具有理解能力。但是大家知道,建立常识库是一项“AI 的曼哈顿工程”。

大家想想常识库多么不好建,怎么告诉AI,什么叫吃饭,什么叫睡觉,什么叫做睡不着觉,什么叫做梦……

这些对人工智能来说都非常难,美国在 1984 年就做了这样一个常识库的工程,做到现在还没完全做出来。

3000年前,古人对机器人的想象有一个故事:周穆王西巡狩,路遇匠人名偃师。翌日偃师谒见王,偕来一个假人。“趋步俯仰,信人也”。“领其颅,则歌合律;捧其手,则舞应节。千变万化,惟意所适。王以为实人也,与盛姫内御并观之,技将终,倡者瞬其目而招王之左右侍妾。王大怒,要杀这个偃师。偃师大慑,立剖其倡者以示王,皆傅会革、木、胶、漆、白 、黑、丹、青之所为。穆王始悦,诏贰车载之以归。”

看看现在的人工智能做得怎么样呢?索菲亚是我们现在达到的比较高的水平,可是她不会唱歌、不会跳舞,只会说英文,周王也听不懂,肯定没有印象。

现在我们假设索菲亚“瞬其目而招王”,向大王送去秋波,王会大悦,立即神魂颠倒,坠入爱河?目前的人工智能技术根本做不到,因为索菲亚根本不像人,它最近才刚刚安上手脚,走路都不利索,怎么行呢?所以结论是,“索菲亚通不过穆王的测试,当然它更通不过图灵测试”。

▲人工智能之父艾伦· 麦席森·图 灵(Alan Mathison Turing) 早就表示, 经不起图灵测试的AI,完全就谈不上拥有智能的可能。测试很简单, 人类跟个 AI 对话聊天,听不出对方是AI 就算通过。

人们对图灵测试有很多误解,其实图灵测试是开领域问答,很难!索菲亚做得怎么样?很糟糕。自然语言理解也难在这里,AI在复杂环境下的决策也是很难的。

我们的结论是什么?我们现在的人工智能技术仅仅只算是刚刚起步,离真正的AI还很遥远,要走向真正的、有理解的人工智能,仍然任重道远,是一条很漫长的路。■

AI“上岗”需要的“数据燃料”:背后仍离不开大量人力

对于AI而言,

优质数据必不可少,需要标注的领域

也越来越多。

网约车司机、快递员、

退休在家的爸妈,

现在也能摇身一变

做AI数据标注。

1900年,两匹马谈论着早期的汽车,思考着它们的未来。

“我很担心技术性失业。”

“嘶嘶,别做个卢德分子。在蒸汽机取代我们在工业中的地位、火车取代我们拉货车的工作时,我们的祖先也说过同样的话。但今天,我们的就业岗位不减反增,而且,这些岗位比过去更好,我宁愿拉一辆轻巧的四轮马车,也不愿整天原地打转,只为了驱动一台愚蠢的矿井抽水机。”

“但是,如果内燃机真的腾飞了呢?”

“我肯定,一定会有超出我们想象的新工作给我们来做。过去一直都是这样的,就像轮子和犁发明的时候一样。”

这是苏格兰裔美国籍经济学家格雷戈里· 克拉克(Gregory Clark)讲的一个寓言。

AI崛起的当下,我们的处境是否就像当年的马儿一样呢?

出场人类: 数据标注员

数据标注员是一个人工智能产业未被写出的幕后隐形故事:在中国,有10万的全职数据标注员,以及100万的兼职数据标注员,每天源源不断地用人工为人工智能的发展供应最重要的“数据燃料”——在现有技术框架下,数据量越大,质量越好,算法模型就表现得越好。而这100多万个标数据的人,其中一些学历虽然不高,但他们却无可替代,是决定着中国整个人工智能行业的发展态势的关键人物。

AI高精尖技术背后,催生一个行业

25岁的罗雪娇,正把手写体的古德文转录为印刷体字母,然后把转录出的这些文字发给OCR(光学字符识别)公司——这些被罗雪娇一个个标注出来的字母,将作为机器训练的数据材料。

这个工作并不容易,要知道,即便在德国,认识这种古老字体的人也寥寥无几,但罗雪娇却需要每秒钟准确输入1个字母。

在罗雪娇的旁边,另一位同事正为路况图片中的各种机动车、非机动车、自行车和行人打标签、做标记,并标注行进方向和是否有遮挡——这将用于安防系统,甚至成为中国天网系统能2秒过滤全球所有人口的基础。

另一位同事,则在标记图片中汽车的可行驶区域,之后会用于无人驾驶场景的训练。他需要分毫不差地描绘建筑物的边缘,将静止画面中鳞次栉比的大楼一一分割,标注成不同的色块。

还有的正将雷达扫描出的障碍物3D线条一一还原成实物,长方体是建筑、绿色的是树木,这些内容会被用来训练雷达数据和真实世界的关联性。

他们这种介于手写录入和图像标记之间的工作,共同的行业学名叫做“人工智能数据标注”——尽管数据标注并不算一个完全新兴的产业,早在1998年“海天瑞声”就已成立,但彼时人工智能尚未兴起,数据应用也相对较少。

“2011年针对AI的数据标注开始出现,2015年真正开始,2017年有了大爆发。”一家数据标注外包公司的主管说。

人工智能浪潮催生了这一切,相关数据显示,2017年,仅北京中关村大数据产业规模就超过700亿元,贵阳则超过了1500亿元。联合国教科文组织信息与传播知识社会局主任英德拉吉特·班纳吉也认为,到 2030 年,人工智能将向世界经济贡献 16 万亿美元。

对于AI而言,优质数据必不可少,需要标注的领域也越来越多:自动翻译的语音识别、机场安检时的人脸识别、识别选取商品的无人商店、安全行驶的无人驾驶等。

所以,就像传统工厂一样,一个叫“数据标注”的隐形产业正在迅速扩大,数据正在流水线上处理,被分块加工,然后应用到不同领域。

这是整个 AI 产业的基础,是机器感知现实世界的原点。一张图片识别系统能瞬间认出某个物品,一套语音识别系统能瞬间读懂你说的话,其实也是一张张图片、一段段语音素材后天训练出来的结果。

对图片标注仍然需要依靠人力。尽管互联网催生了浩如烟海的内容,但标注这件需要耐心和专注的“小事”,暂且还需要大量人力。“图片包含的特性太多,比如在不同光线下的拍摄,模糊,清晰等等。即便在对5000万张图片进行归类之后,也只有几种特性被准确地标注出来了。”关于“数据标注”,京东众智某高层人士打了一个形象的比方:和小孩一样,要认识一个足球,你不能告诉他是“圆形的”“用脚踢的”“黑白相间网格的”,最简单最常用的办法是,找来一个真实足球摆在小孩面前,告诉他“这就是足球”,没有真球,用图片或视频也行。试过几遍就会发现,孩子就能“自然而然”地认出足球了。

机器也一样,工程师想让 AI 准确识别出足球,最好的办法不是用代码来描述足球,而是直接找来很多张带有足球的图片,用 AI 能读取的方式把图片、视频里的足球“标注”出来,扔进 AI 模型训练,之后它“自然而然”就获得了识别足球的能力。

和小孩不同的是,机器需要在不同场景、不同角度下反复学习,这个漫长的教授过程就是罗雪娇们在 AI 产业中的位置——标注大量用于训练机器学习模型的数据,让机器越来越像人。

耗费大量人力和时间成本

通常而言,数据标注得越准确、数量越多,模型效果就越好。自然,产品的效果就会更好。

对罗雪娇而言,她必须保证给机器的标注数据达到 90% 以上精度(即标注的正确率),否则最直接的后果是机器也会跟着犯错,这对于机器学习将毫无意义。

90%的精度,意味着100 个点里有两个点错误,就会被打回。罗雪娇遇到过一次“让人崩溃”的经历,那是一张人物群体站立图,只要露出了头、脖子、胸口,罗雪娇就要从图片的左上角开始画矩形,框住这些动作、着装完全一致的人。重复拖动50个框后,要再放大这些带有蓝色阴影的矩形框,从头到四肢标注完每个人的骨骼点。最后,600多个点密密麻麻地落在了那张图里。

这个项目让她不记得重复了多少次,“拉框要求十分精细,偏差丝毫都不行。最后无论是滴眼药水,还是冷水洗脸,拍打脸部、揉眼睛,都没有任何作用,只剩下流眼泪了。”罗雪娇说。

“有些任务图上密密麻麻的点,看两个小时以上眼睛绝对会花掉,只有要求员工不断克服人本身的一些‘消极因素’,才能避免标错数据。”数据标注公司、BasicFinder创始人杜霖说。

其实,看似简单的操作,要达到 90% 的精度对大多数标注者来讲却是天方夜谭。据了解,很多兼职标注团队最高精度只能达到 70%,即便是在全职、全把控情况下,很多项目也只能达到50% 的精度,基本上承接的每个项目都需要重复三次以上才能达到 90% 的精度。但现在,越来越多的客户要求达到95%甚至97%的精细化标注。“95%以上的准确率是理想情况,但从 95% 提到 97% 所需花的成本就不再是一两倍了,可能是100 倍。”杜霖说。

每个行业人士都认为这是一个“让人崩溃的辛苦活”。提起“数据标注”四个字,2002年成立,来自上海华院数据的首席科学家尹相志不禁苦笑:几个月前,华院数据举办过一次大数据应用比赛,在“通过卖场货架图片自动计算产品的货架占有率”这项测试中,他们拍摄了1600多张真实的货架图片作为原始数据,为了让比赛的难度不那么“变态”,他们还为选手们提供了“精细化标注”后的货架图片——也就是货架上每一包紧挨着的零食、泡面,都要沿边缘仔细划分。最终,这1000多张图片的标注耗费了12个人大半个月时间,负责标注工作的组员“几近崩溃”。

“无论国内外,情况都差不多。一旦要求质量,每个人的产出量就不会太多。熟练者平均一天可以标注40张图片,前提是只需要为图片中的物体打框、标注类别和前后关系。如果涉及到刻画建筑物边缘等复杂细节,一天标注10张已是极限。”一位数据标注行业人士说,看似简单的数据标注背后,其所耗费的时间与人力,远非一般项目可比。

在高质量数据标注不容易、同时又决定了一家人工智能公司竞争力情况下,国内外大大小小的科技公司都开始用另一种方式,来完成这样细碎的任务,以获得更细致、更准确的数据。

▲2018年7月,一 款名为“猜画小歌” 的小程序,迅速占领了每个人的朋友圈。身边一票“灵魂画手”画得停不下来的同时,来自全球100多个国家和地区人们的绘画数据帮助人工智能更好地进行图像识别。

AI减少了一些岗位,又制造了一些

实际上,无论是Google Open Image Datasets中的900万张图片,还是YouTube-8M中包含了800万段被标记的视频,这些精心标记的数据,大部分是由亚马逊劳务外包平台“Amazon Mechanical Turk”(以下简称AMT)上数十万名注册用户花费2年时间完成的。

在国内,人工智能创业公司、BAT同样采用了目前数据标注行业的主流模式——“外包”。某数据标注公司负责人就透露,BAT、商汤、旷视、云从科技这类大的人工智能公司,一年在数据上的外包支出高达数千万元。此外,学术团体、政府、银行等传统机构的需求相对较小但有不断增长的趋势。

“按照人员规模划分,现在的数据标注行业分为小型工作室(20 人左右)、中型公司以及巨头企业。”京东金融众智平台项目负责人表示,而从外包方式来看,也分为“众包”和“工厂”两种模式。

众包(Crowdsourcing)平台是《连线》(Wired)杂志2006年发明的一个专业术语,用来描述一种新的商业模式,即企业利用互联网来将工作分配出去、发现创意或解决技术问题。

京东金融方面提供的数据显示,2018年1月,京东金融发布国内首个聚焦人工智能领域的数据众包平台——京东众智,通过聚合拥有碎片化时间和闲暇时间的普通人,为企业提供图像、语音、文本、视频的数据标注等服务。“百度众包”“龙猫数据”、数据堂等同样是这个模式。去年11月,龙猫数据宣布获得3370万元A轮融资,且用户量达到百万级,为百度、腾讯、小米等数十家科技公司提供数据标注业务。

外包的兴起,让数据标注员成为一个热门行业——相关数据显示,截至2018年1月,目前中国有10万名全职数据标注员,以及100万名兼职数据标注员。

无论是百度众包,还是京东众智、龙猫数据、数据堂,官网首页都有明显的 “任务简单、轻松赚钱”广告,其实质都是把任务转嫁给网民——某知名数据众包平台就宣称,其拥有超过5000名数据标注专员,上十万数据标注兼职人员,单日可处理超过200万条数据,能稳定提供数据标注服务。

“亚马逊AMT也是如此,每天会发布任务给墨西哥以及印度兼职人员,但很多高精度工作不适合众包。”杜霖看来,由于参与众包标注的工作者数量很多,专业背景和工作能力参差不齐,其标注质量也并非所说的那么可靠,一些任务收集到的标注内容中存在噪声甚至错误,不能直接作为正确的标注使用。以定制为主的数据标注“工厂”模式应运而生——也就是自己经营团队,对整个流程进行控制。

BasicFinder采用的正是“工厂”模式,其注册成立于2015年, 2017年3月份完成了一千多万元pre-A轮融资。目前与二十来家“数据工厂”有长期业务合作,这些数据工厂有些是参与投资,有些是深度合作,少则几十人,多则两三百人。

“在提供无差别人力劳动这件事上,大家是没有门槛的。原来的网约车司机、快递员、退休在家的爸妈,现在也能摇身一变做AI数据标注。” 杜霖说。无从统计那100万兼职数据标注员都来自何方,但数据标注工厂,目前多集中在贵州、河北、河南、山东、山西等地区。在这个行业,理想标注精度和学历没什么关系,而且操作非常简单,经过培训,谁都能做——一家数据标注公司的高层人员就表示,一个农民在标注方言语音时,可能会比不懂这种语言的大学生还好。

事实上,对发布任务的甲方公司来讲,谁来标注、学历高低、如何管理这些他们不担心,成本和按时保质交付才是核心。某数据公司的主管说,通常数据工厂需要处理的客户订单往往以万为单位。比如客户要求 6 万张图片,7天内完成标注,理论上这个订单需要200人左右,共同机械般工作7天才能完成。■

▲MIT物理学终身教授,未来生命研究 所创始人迈克斯·泰格马克在新书《生命 3.0》中认为,生命将进入人类与人工智能共生演化的3.0科技阶段。在AI 时代,就业方面更需要警惕的是:AI会不会在智力上迅速超越人类,最后只留给人类一些低科技含量的职业?