很

难想象有什么事物会像廉价、强大、无处不在的人工智能那样拥有“改变一切”的力量。首先，没有什么比把迟钝的东西变聪明更富有成效。在某个现有进程中植入极少量有效的智能都会将其效率提高到全新水平。我们在知化 ，没有生气的物体后会得到许多的好处，而这对日常生活的颠覆将是工业化的百倍。但是让东西变智能不会带来极乐世界。与开发先前各种能源时一样，我们将把人工智能浪费在那些看上去愚蠢的事情上。当然，我们会运用综合智能解决诸如治愈癌症之类的科研难题，或是某个棘手的技术问题，但是把机敏的头脑置入普通事物之中才能带来真正的颠覆，这些事物可以是自动贩卖机、鞋子、书、报税单、卡车、电子邮件、手表以及手机。我们的日常行为将被彻底改变。

理想情况下，这种额外的智能只是廉价还不够，还应当完全免费。一项免费的人工智能技术和网页上的免费公共内容一样，比其他任何我们能想到的事情更能满足商业和科学的需求，并且很快就能自给自足。直到最近，传统的看法认为，超级电脑将首先成为这种人工心智的载体，然后是家中的个人电脑，接着我们会把它放进我们的个人机器人中。人工智能将是一些有界限的实体，而我们能清楚地区分我们和它们的思维。

事实上，真正的人工智能不太可能诞生在独立的超级电脑上。它会出现在网络这个由数十亿电脑芯片组成的超级组织中。它将是轻巧、嵌入式的，没有固定形态，并且内部的联系松散。把它的思维和我们的区分开会很困难。任何与这个网络人工智能的接触都是对其智能的分享和贡献。这种人工智能连接了70亿人的大脑、数万兆联网的晶体管、数百艾字节 的现实生活数据以及整个文明的自我修正反馈循环。那种单独的人工智能无法像它一样快速而聪明地学习。因此网络本身将会知化为一种完善速度惊人的事物。过时的独立综合智能技术可能会被看作是有缺陷的，它对于远离机动性人工智能的人来说简直是种惩罚。

当这种新兴人工智能问世的时候，它会由于无处不在，反而让人们无法察觉。我们会利用它不断增长的智慧处理各种单调的杂活，但它却无影无形。我们将能够通过地球上任何地方的电子屏幕，用数百万种方式获得它分布在各处的智能，因此很难说它到底在哪里。还因为这种综合智能结合了人类的智能（包括所有人类过去的智慧以及所有互联网上的人），要准确地指出它到底是什么也很困难。它是我们的记忆，还是我们的一种共识？是我们在搜索它，还是它在寻找我们？

人工智能思想的到来加速了本书中描述的其他所有颠覆性趋势的进程，它在未来世界中的威力与曾经的“铀元素”相当。我们可以肯定地说，知化是必然的，因为它已经近在咫尺。

大约两年前，我长途跋涉来到IBM研究实验室位于纽约州约克敦海茨的林间园区，想要尽早一窥让人期待已久的人工智能的到来。在2011年的《危险边缘》 中夺魁的超级电脑“沃森”就诞生于此。最初的沃森电脑仍被留在这里，它与一间卧室体积相当，10台貌似柜式冰箱的机器围成了四面墙，通过中间的微小孔隙，技术人员得以操作机器背后的电线和电缆。里面的温度高得出奇，让人觉得这个机群是活生生的。

如今的沃森与从前大不一样。它不再仅仅存在于一墙机柜当中，而是在大量开放标准的服务器之间传播。这些服务器可以同时运行上百个人工智能项目。只要能用手机、台式机或是自己的数据服务器连上沃森，它就像所有云端化的事物一样，同时为世界各地的客户提供服务。这类人工智能的规模可以根据需求进行调整。由于人工智能会随着人们的使用自我改进，沃森将越来越聪明，它在一个项目中习得的东西能够被立即运用到其他项目上。它并非一个单独的程序，而是多种软件引擎的集合，其逻辑演绎引擎和语言解析引擎可能使用不同的代码，分别在不同地点的不同芯片上运行，而所有这些都汇集成一条统一的“智能流”。

消费者可以直接连入这个不断运转的智能系统，也可以经由使用这个人工智能云端的第三方应用程序连入。就像许多聪明小孩的父母一样，IBM希望沃森从事医学工作，因而他们正在开发的应用程序中有一款是医疗诊断工具并不奇怪。之前，与诊断有关的人工智能尝试都以惨败告终，但是沃森确有实效。简单地说，当我告诉它自己在印度感染的某种疾病的症状后，它给我一张按照得病可能性由高到低排列的疾病推断清单。它声称我最有可能感染了贾第鞭毛虫，结果确实是这样。这项专门技术还未对病人直接开放，IBM让合作伙伴使用沃森的智能，帮助他们开发供病人预约医生和医院的用户友好界面。“我相信类似于沃森这样的机器（人）将很快成为世界上最好的诊断专家，”Scanadu公司 的首席医疗官艾伦·格林（Alan Greene）说道。这家创业公司受到《星际迷航》中医用三录仪的启发，正在借助沃森的人工智能制造一种诊断设备。他还说，“从人工智能技术的发展速度来看，现在出生的孩子在成年后可能很少需要依靠医生来诊断了。”

医学只是个开端。所有的主流云公司加上几十家创业公司都争先恐后地启动类似于沃森提供的认知服务。根据量化分析公司Quid的数据，自2009年以来，人工智能已经吸引了超过170亿美元的投资。仅2014年，322家拥有类似人工智能技术的公司获得的投资就超过20亿美元。脸谱网和谷歌都为自己的人工智能研究团队招募研究员。2014年以来，雅虎、英特尔、Dropbox、领英、Pinterest以及推特都收购了人工智能公司。人工智能领域的民间投资在过去4年里平均每年增长62%，这个速度还会持续下去。

总部位于伦敦的DeepMind是谷歌收购的早期人工智能公司之一。2015年，DeepMind的研究人员在《科学》杂志上发表了一篇文章，描述了他们如何教人工智能程序玩20世纪80年代的街机类电子游戏，比如“电子弹珠台”（Video Pinball）。他们教它学习玩游戏的方法，而不是具体游戏的玩法，二者有着根本的区别。他们只是打开基于云端的人工智能，放手让它去玩雅达利（Atari）公司的游戏——例如Pong的变种Breakout，它会学着如何不断提高分数。从实验记录影像上可以看出，人工智能的进步速度惊人。起初，人工智能几乎是在随机地玩，但它在逐渐进步。半小时后，每4次操作，它才失误1次。一小时后，它在第300局游戏中做到了零失误。之后，它继续飞快地学习，以至于在第二个小时里，它算出了Breakout中的一个漏洞，而此前数百万人类玩家都没有发现。利用这个漏洞，它可以通过打通一面墙赢得游戏，这连游戏开发者也没想到。在没有DeepMind开发者指导的情况下，一种叫做“深度强化机器学习”（deep reinforcement machine learning）的算法在接触49个雅达利游戏数小时后，能在其中约一半游戏中打败熟练掌握游戏的人类。

在所有这些活动中，一幅未来人工智能的图景正浮现出来，它既不像哈尔9000（HAL 9000）这个由非凡（却有嗜杀倾向）的类人意识驱动的独立机器，也不像奇点 论者（Singularitan）迷醉的超级智能。即将到来的人工智能更像亚马逊的网络服务——廉价、可靠、工业级的数字智能在一切事物背后运行，除了闪现在你眼前的短暂时刻，它近乎无影无形。这种常见的设施会根据你的需求提供你想要的智能水平。即使人工智能改变了网络、全球经济以及文明，它也会像所有设施一样让人感到极度无聊。就像一个多世纪前电力所做的那样，它会让没有生气的东西活跃起来。如今我们将知化从前所有被电气化的东西。新的实用人工智能还会通过加深我们的记忆力，加速我们的认识能力等方法来强化个体以及全体人类的能力。通过注入额外的智能，我们几乎想不到什么东西不能变得新奇、不同和有趣。事实上，我们可以轻而易举地预测接下来10000家创业公司的商业计划：挑选一个领域并加入人工智能。

关于加入人工智能的神奇力量，摄影术是个很好的例子。20世纪70年代，我是个拖着笨重的摄影器材到处奔波的旅游摄影师。除了背包中的500卷胶卷外，我还扛着两个铜制尼康机身，一个闪光灯以及5个奇重无比（每个1磅）的玻璃镜头。光线暗的时候得用“大镜头”捕捉更多的光。摄影术要求一台用复杂而惊人的机械工程手段制造的密封相机在千分之一秒内聚焦、测量以及折射光线。那么后来的情况呢？如今我使用的尼康傻瓜相机的重量几乎可以忽略，在近乎黑暗时也能拍摄，焦距能从我的鼻尖一直延伸到无限远。显然，我手机里的相机更轻、更易用并且能和又重又老的家伙拍摄同样质量的照片。新相机体积更小、反应更快、声音更小且更便宜，这不仅是微型化造成的，还因为许多传统相机的功能被智能因素取代，摄影术被知化了。当今的手机照相机通过加入算法、计算以及智能成分淘汰了层层笨重的镜头，完成了物理镜头过去所做的工作。这些新相机使用无形的智能因素取代物理快门。而暗房和胶卷则被更多计算以及视觉智能因素取代。甚至有一种没有镜头的纯平相机，其中，纯平的光传感器代替了镜头，利用疯狂的计算识别能力，根据照在不聚焦的传感器上的不同光束，计算出一张图片。知化摄影术的结果是革命性的，它使得相机能塞进各个角落（太阳镜的镜框中、衣服上的某个色块中、写字的笔中），并能做更多事，如3D或高清计算以及其他曾经需要数十万美元以及一卡车设备才能进行的工作。现在，知化的摄影几乎成了任何设备都能完成的附带功能。

类似的转变将会发生在其他任何一个领域中。拿化学来说，一桌子盛满溶液的瓶瓶罐罐操作起来得费不少力气。移动原子岂不是更费劲？加入人工智能后，科学家们可以进行虚拟化学实验。他们在多如天文数字的化学结合中精挑细选，决定哪些更有希望成功，值得放在实验室中检验。语言学也有可能，比如把人工智能加入语言中，收录过去100年来书籍、杂志和报纸中出现过的数以亿万计的词，然后据此追踪新词的诞生。用这种智能可以打造全新的商标名。把人工智能用在法律上，用它在堆积如山的文件中寻找证据，识别案件中的矛盾，或是对法律论据的使用提出建议。

能够结合人工智能的行业多到数不尽。越是看似不可能的行业，加入人工智能带来的影响会越大。知化的投资呢？像Betterment和Wealthfront这样的公司已经投入实践。他们运用人工智能分析股票指数，优化避税方案或者平衡投资组合的持有比例。这些是一个职业资金经理每年会进行一次的工作，而人工智能每天或每小时都能做。

以下是另一些看似不太可能，却有望得到认知加强的领域：

知化的音乐——人们能运用各种算法即时创作电子游戏或虚拟世界中的音乐。音乐的变化取决于个人的操作。人工智能将为任意玩家创作数百小时的个性化音乐。

知化的洗衣——机器自动识别各类衣物的洗涤方式。智能衣物将指挥洗衣程序根据每次放入的衣物自行调整洗衣方案。

知化的营销——读者或观众个人关注一个广告时，其社会影响力能够成倍提高广告的受关注程度（取决于跟风的人数以及影响力的大小）。商家利用这一点，优化每一份投入的受关注度和影响力。当规模达到百万级别时，这项工作由人工智能完成。

知化的房产——人工智能匹配买方和卖方，并能够提示“喜欢这间公寓的租户还喜欢哪些房子等”。它还能根据你的个人经济状况生成一份财务计划。

知化的护理——遍布病人全身的传感器从早到晚地工作，提供高度个性化的护理方案，并每天做出调整和细化。

知化的建造——复杂工程项目和其众多子项目能被即时纳入计划表，使工程速度和预算得到优化。想象一下，一个足够智能的项目管理软件，不光能考虑设计改动，还会考虑天气、港口交通延误、汇率、意外事故等因素。

知化的伦理——自动驾驶汽车需要被事先教授优先级和行为规则。在考虑司机之前，它们或许应当首先保证行人的安全。任何依赖准则的真正自主事物都需要智能的伦理规则。

知化的玩具——玩具更像宠物。类似宠物的玩具对孩子深深的吸引力是菲比娃娃完全无法相比的。能交谈的玩具更受青睐。或许第一款真正的大众机器人就是一个洋娃娃。

知化的体育——智能传感器能带来新的计分和裁判方式。并且，我们每秒就从运动员身上提取高度细精化的数据，用来打造一个精华版虚拟体育联赛。

知化的编织——谁知道呢？但它迟早会出现！

世界的知化是一桩正在发生的重要事件。

2002年左右，我参加了谷歌的一个小型聚会。当时的谷歌是一家专注搜索的小公司，还未首次公开募股（IPO）。期间，我与谷歌出色的联合创始人——拉里·佩奇（Larry Page）交谈时说道：“拉里，我搞不懂。已经有这么多家搜索公司，干嘛还要做免费网络搜索？这主意有什么好的？”我当时因为缺乏想象力而无法做出正确地判断，这恰好有力地证明了预测是困难的，尤其是预测未来。但我得为自己辩解一下，那是在谷歌加强广告拍卖方案并盈利之前，更别提后来发生的包括YouTube在内的任何一宗大型收购。在所有谷歌搜索网站的狂热用户中，我不是唯一一个认为它撑不了多久的人。然而佩奇的回答让我一直难忘：“哦，我们其实在做人工智能。”

关于那次谈话，我在过去几年里想了很多。期间除了DeepMind外，谷歌还收购了另外13家人工智能和机器人公司。乍看，你会认为谷歌正通过扩充人工智能方面的投资组合改善自己的搜索能力，毕竟搜索贡献了它总收入的80%。我认为事实恰恰相反。谷歌正利用搜索改善它的人工智能，而不是用人工智能强化它的搜索能力。每当你键入一个查询词，点击一个搜索引擎生成的链接或是在网上创建一个链接，你都是在训练谷歌的人工智能。当你在图片搜索栏输入“复活节兔子”（Eastern Bunny），就在告诉人工智能复活节兔子长什么样。谷歌每天处理的121亿次查询是在一遍又一遍地训练深度学习型人工智能。随着对人工智能算法的稳步改进，加上千倍的数据量以及百倍的计算资源，再过10年，谷歌将拥有一款无可匹敌的人工智能产品。我的预测是：到了2026年，谷歌的主营产品将不再是搜索，而是人工智能。

这个观点自然会遭到质疑。因为近60年来，人工智能的研究者都预测人工智能时代近在咫尺，然而直到几年前，人工智能似乎还是遥不可及。人们甚至把这个缺乏研究成果，更缺研究资金的时代称作人工智能的冬天。事情真的改变了吗？

是的。近期的三大突破将开启人们期待已久的人工智能时代。

廉价的并行计算

思考是人类固有的一种并行过程。我们大脑中的数百亿神经元同时激发，制造出用于计算的同步电波。建立一个神经网络——人工智能软件的基本结构，同样需要各个进程同步运行。神经网络中的一个节点大致类似大脑中的一个神经元，它能通过和周围节点的互动弄清接收到的信号。一个程序想要辨认出某个口语词汇，必须听到所有音素以及它们之间的关系，想要识别出某幅图片，必须同时看见每个像素以及它和周围像素的关联。这两者都是深度并行任务。但是直到最近，典型的计算机处理器每次还是只能执行一项命令。

十多年前，情况开始改变，当时出现的一种叫做图形处理器（graphics processing unit）或GPU的新型芯片是为了满足电子游戏中大量的视觉并行需求而设计的。游戏里的一张图片中包含的数百万像素需要在一秒内被多次重新计算，这就需要在主板上增加一块专门的并行芯片作为辅助。并行图像芯片运行效果极佳，电子游戏也大受欢迎。到了2005年，投入大量生产的GPU的价格已经与一般商品相当。2009年，吴恩达（Andrew Ng）和斯坦福大学的一个研究团队意识到GPU芯片可以并行运行神经网络。

这项发现让神经网络的节点之间能拥有上亿的连接，开启了神经网络新的可能性。传统的处理器计算拥有一亿节点的神经网络的级联可能性需要数周时间。吴恩达发现，一个GPU集群一天内就能完成同样的任务。如今，在GPU集群上运行神经网络被应用云计算的公司当作常规技术使用，如脸谱网用它来识别你照片中的好友，而Netflix 用它为超过5000万订阅用户推荐靠谱的内容。

大数据

每种智能都需要接受训练。尽管基因决定了人的大脑善于给事物分类，但人脑仍需要看过数十个实例才能区分猫和狗。人工心智更是如此。哪怕是程序编得最好的电脑也要对弈至少1000局国际象棋后才会有良好表现。人工智能之所以获得突破，部分是因为对全世界令人难以置信的海量数据的收集为人工智能提供了训练的条件。大规模数据库、自我追踪、网页cookies、网上足迹、太字节（TB）级别的存储、几十年的搜索结果、维基百科以及整个数字世界都成了让人工智能变聪明的老师。吴恩达这样解释道：“建设人工智能就像造一艘火箭飞船，需要一个巨大的引擎和许多燃料。飞船的引擎是各种学习型算法，而燃料是我们提供给这些算法的大量数据。”

更好的算法

数字神经网络在20世纪50年代就被发明出来，但是计算机科学家花费了几十年时间学习如何驾驭数百万甚至数亿神经元之间多如天文数字的组合关系。其中的关键在于将神经网络组织成叠层（staked layers）。可以用相对简单的人脸识别任务举例。当神经网络中的一组数位被发现能触发某种图案，比如一只眼睛的图像,这个识别的结果（“啊，是只眼睛！”）会被移到神经网络的下一层级做进一步解析。下一层级可能会将双眼归在一组，并把这个有意义的数据块传到层级结构的更下一层级，该层级能够将双眼和鼻子的图案关联在一起。识别一张人脸可能需要数百万这类节点（其中每个节点产生一个计算结果供周围的节点使用），并需要叠加多达15个层级。2006年，当时就职于多伦多大学的杰夫·辛顿（Geoff Hinton）对这个方法做出了关键改进，并将其称为“深度学习”。他能对各个层的数据结果进行数学上的优化，从而加快了进一步叠层时的学习速度。数年后，当深度学习算法被移植到GPU集群上时，速度有了大幅提升。深度学习代码本身不足以产生复杂的逻辑思维，但它是当下所有人工智能产品的基本组成部分，这些产品包括IBM的沃森、DeepMind、谷歌的搜索引擎以及脸谱网的算法。

由并行计算、更大量的数据、更深层次的算法组成的这场完美风暴,让酝酿了60年的人工智能仿佛一夜间获得成功。它们的组合表明，只要这些技术趋势继续下去——没有不继续的理由，人工智能就将持续进步。

这样下去，这种基于云端的人工智能愈将成为我们日常生活中根深蒂固的部分。但这是有代价的。云计算遵循收益递增（increasing returns）法则，有时又叫网络效应（network effect）。这一法则指出，网络规模扩大的速度远远赶不上其价值增加的速度。网络规模越大，对新用户的吸引力越强，这就让它（的规模）变得更大，从而更具吸引力，如此往复下去。一个为人工智能服务的云端也将遵循这一法则。越多人使用人工智能，它就会变得越聪明；它变得越聪明，越多人就会使用它；当它更聪明时，就会有更多人使用它。一家公司进入这个良性循环后，规模会变得极大，发展速度极快，以至于对其他新兴竞争对手形成压倒性优势。结果就是，未来的人工智能将由两到三家寡头公司主导，并以基于云端的多用途商业产品为主。

1997年，沃森的前辈——IBM的（超级电脑）深蓝（Deep Blue）在一场著名的人机对弈中击败了当时具有统治地位的国际象棋大师加里·卡斯帕罗夫（Garry Kasparov）。当电脑又赢得了几场比赛后，人类选手基本上对这种比赛失去了兴趣。你或许会认为这就是故事的结局（如果不是人类历史的终结），但卡斯帕罗夫意识到，如果他也能像深蓝一样即时访问包含先前所有棋局中棋路的大规模数据库，就能表现得更好。如果人工智能选手使用数据库工具被认为是公平的，那么人类为什么不能使用呢？为了实现用数据库加强人类大师的心智的想法，卡斯帕罗夫率先提出了“人加机器”（manplus-machine）的概念，即在比赛中用人工智能增强国际象棋选手水平，而不是让双方互相对抗。

如今，这种比赛被称为自由式国际象棋比赛，它们和混合武术对抗赛相似，选手们可以使用任何他们想用的作战技巧。你可以在没有协助的情况下比赛；也可以成为极其聪明的国际象棋电脑的傀儡，仅仅按照它的指示移动棋子；或者你可以当一个卡斯帕罗夫提倡的“半人马”型选手，也就是人类和人工智能结合的赛博格（Cyborg） 。这种选手会听取那些人工智能提出的走棋建议，偶尔也会否决他们，颇似我们开车时使用GPS智能导航的情景。对任何模式的选手开放的2014年自由式国际象棋对抗锦标赛上，纯粹使用人工智能国际象棋引擎的选手赢得了42场比赛，而“半人马”型选手则赢得了53场。当今世界上最优秀的国际象棋选手队伍就是“半人马”型的Intagrand，它由一个人类团队和几个不同的国际象棋程序组成。

但更让人意外的是人工智能的出现并未削弱纯人类国际象棋选手的水平。恰恰相反，在廉价且超级智能的国际象棋软件的激励下，下国际象棋的人数、锦标赛的数量以及选手的水平都达到了历史之最。与深蓝首次战胜卡斯帕罗夫时相比，拥有国际象棋大师头衔的人数至少翻了一番。现今排名第一的人类国际象棋选手马格努斯·卡尔森（Magnus Carlsen）就曾和人工智能一起训练，并且被认为是所有人类国际象棋选手中最接近电脑的一个。他还是有史以来评分最高的人类国际象棋大师。

既然人工智能可以帮助人类成为更优秀的国际象棋选手，那么合理地推测，它也能帮助我们成为更优秀的飞行员、医生、法官、教师。大多数人工智能完成的商业工作都将由专注某个狭小领域的专门化智能软件负责。比方说，它能把某种语言翻译成另一种语言，但不能干别的；它可以开车，却不能和你交谈；它能记得YouTube上所有视频里每个像素，却无法预测你的日常工作。在接下来的十年里，与你产生直接或间接互动的人工智能产品有99%都将是超级智能的自闭型“专家”。

事实上，这并非真正的智能，至少不是我们细想后希望得到的。其实智能或许是种累赘，如果说“智能”意味着我们特有的自觉意识、疯狂的自省循环以及凌乱的自我意识流，那么结论尤其如此。我们希望自动驾驶汽车能够超乎常人地专注于道路，而不是在纠结之前和智能车库之间的争执。医院里的综合“沃森”医生能一心扑在工作上，永远不要去想当初是不是该学金融专业。随着人工智能的发展，我们可能要设计一些手段阻止它们拥有意识，而当我们宣传最优质的人工智能时，很可能给它打上“无意识”的标签。

我们想要的不是智能，而是人工智慧。与一般的智能不同，智慧是专注的、能衡量的、专门化的。它还能够用完全不同于人类认知的方式思考。2014年3月，得克萨斯州奥斯汀西南偏南音乐节（South by Southwest festival）上的特技表演就是一个关于非人类思维的精妙例子。当时IBM的研究员给沃森加入了一个烹饪数据库，其中包含网上菜谱、美国农业部（USDA）营养成分表以及如何让配方更可口的研究报告。凭借这堆数据，沃森从味道资料以及现有的菜式中创制出新菜品，厨师则很乐意地把它们做出来。众人最爱的一道菜是美味版的“鱼和薯条”（fish and chips），它是用酸橘汁腌鱼和油炸车前草制成。在约克敦海茨的IBM实验室吃午饭时，我津津有味地品尝着这道菜以及另一道沃森的发明：瑞士/泰式芦笋乳蛋饼。味道不赖！这两道菜怎么看都不像是人类所能想到的。

非人类智能不是一个程序错误，而是一项功能。会思考的机器最重要的特征就是它们思考的方式与人类有差别。

由于进化过程中的一种巧合，我们成为漫游在这个星球上唯一拥有自我意识的物种，这让我们误以为人类的智能是独一无二的。然而它不是。我们的智能只是某个特定社会的智能，和宇宙中可能存在的其他智能和意识种类相比，它只占据一个小小的角落。我们喜欢把人类的智能看作是“通用的”，因为和我们遇到的其他心智相比，人类的心智能解决更多种类的问题，但是当我们创建了越来越多的综合心智后，我们开始意识到人类思维并不通用，它只是思维的一种。

今天，不断涌现的人工智能的思维方式就与人类不同。它们在完成诸如下国际象棋、开车、描述一张照片的内容等我们曾认为只有人类能做的事情时，使用的方法也与我们不同。脸谱网通过加强他们的人工智能，能让它在看过一个人的照片后就能从网上约30亿人的照片中识别出此人。人脑无法提升到这种程度，因此这种能力完全是非人类的。众所周知，我们的思维方式不擅长做统计，所以我们制造出各种统计技术很强的智能设备，是为了让它们用不同的方式思考。让人工智能替我们开车的一项优势就是，它们不像我们那样容易分心。

在一个联系超密集的世界中，不一样的思维是创新和财富的来源。仅仅聪明是不够的。商业动机会让与工业力量相关的人工智能无处不在，它们廉价而聪明，会被植入到所有我们制造的东西里。当我们开始发明新的智能种类和新的思维方式时，将获得更大的回报。我们目前还不了解智能的完整分类法。有些人类思维的特点将会是通用的（就像生物学中的左右对称性、细胞分裂、管状脏器）。但是很可能存在某种心智种类，和我们演化的结果大不相同，其思维方式并非一定要比人类更快、更强大、更深刻，有时反而更简单。

宇宙中潜在的心智种类数量庞大。最近，我们开始研究地球上动物的心智，而期间已经见到了许多其他种类的智能，伴随着更多的发现，我们会愈加尊重这个事实。鲸和海豚复杂而奇特的智能不断带给我们惊喜。很难设想如何准确地判断出一种心智比我们更高级。一种便于我们设想的手段就是着手建立一门心智分类学。这个心智的矩阵将包括人类心智、机器心智以及可能存在的心智，尤其是类似科幻小说家虚构的那种超越人类的心智。

这种异想天开的尝试是值得的，因为我们一定会在所有产品中加入智能，但加入哪种特质的智能并非显而易见，而是有选择空间的。智能的特质将会决定其经济价值以及它们在我们文化中的角色。列出机器在哪些可能的方面比我们（即便是在理论上）更聪明将会帮助我们调整并约束智能的发展。一些非常聪明的人，如天文学家斯蒂芬·霍金，以及天才发明家埃隆·马斯克（Elon Musk）担心，创造聪明绝顶的人工智能是个错误，因而探究更多智能种类显得更为明智。

假设我们登上了一个外星球，如何衡量我们在那里碰到的智能的水平？这是一个极难回答的问题，因为我们对自己的智能并没有一个真正的定义（部分是因为至今为止我们不需要）。

现实世界遵循补偿的法则，哪怕在强大心智的世界中也是如此。一种心智并不能把所有工作都完成得很好。一类特定的心智在某些方面的表现更为出色，在其他方面就会有所欠缺。比如，指导自动驾驶汽车与评估房产是两种差异很大的智慧；诊断疾病与监控住宅的人工智能所用的智慧有天壤之别；能准确预测天气的超级大脑与植入衣服中的智能分属两个完全不同的心智领域。心智分类学必须能反映出如何运用不同方法设计出具有补偿特点的心智。下面这份候选清单中我只列出了那些可能比我们更高级的心智，我排除了数千种将会大规模知化的物联网中那些平常的机器智慧，比如一个计算器中的智能。

一些新的心智包括：

· 一种心智与人类的心智相像，只是反应更快（我们最容易想到的人工智能）。

· 一种心智主要基于大容量存贮和记忆，有些愚钝但是信息面广博。

· 一种全球化超级心智，由数百万做着单调工作的智能体组成。

· 一种蜂巢型心智，由许多十分聪明的心智组成，但是自己却意识不到。一种博格型（borg）的心智，组成它的许多聪明心智意识到它们构成了一个整体。

· 一种心智被专门训练用来加强指定的人类个体，但是对其他人完全无效。

· 一种心智能够设想但不能制造比自身更强大的心智。

· 一种心智能够制造比自身更强大的心智，由于自我意识不足，无法设想自己制造的心智。

· 一种心智能够制造比自身更强大的心智。

· 一种心智能够创造比自身更强大的心智，而被创造出的心智能继续这么做。

· 一种心智拥有自身源代码的访问通道，因此可以修改自己的进程。一种心智逻辑能力超强并且没有情感。

· 一种心智能解决普遍问题，但没有自我意识。

· 一种心智具有自我意识，但不能解决普遍问题。

· 一种心智成长期很长，并且在它成熟前需要一个保护者。

· 一种很缓慢的心智，覆盖了很长的物理距离，因而在快速的心智看来，它是“隐形的”。

· 一种心智能够多次克隆自己。

· 一种心智能够克隆自己，并且与克隆体组成一个整体。

· 一种心智能从一个平台迁移到另一个平台从而保持永生。

· 一种快速、动态的心智，能够改变自己的认知进程。

· 一种纳米级的心智，它是所有可能的超级心智中（尺寸和能耗数据）最小的。

· 一种心智专门提出设想并做预测。

· 一种心智从不抹去或忘记任何事情，包括错误或虚假的信息。

· 一种半机器半动物的共生心智。

· 一种半人半机器的赛博格心智。

· 一种使用量子计算的心智，我们无法理解它的逻辑。

如果上述任何一种心智能够成为现实，也将发生在20年开外的未来。这张预测清单的重点在于所有的认知功能都是专门化的。从现在直到未来百年，我们制造的人工心智都将会是为专门任务而设计，并且通常是超越我们能力的任务。我们最重要的机械产品不是某样事情比人类做得更好，而是能做人类完全做不了的事情。同理，我们最重要的思维产品也将不是比人类想得更快、更好，而是能思考人类无法思考的事情。

想要真正解决当前关于量子引力、暗能量以及暗物质高深复杂的谜团，我们可能需要人类以外的其他智能。并且想要解决这些问题带来的更为困难的极端复杂问题，我们或许需要更不同、更复杂的智能。实际上，我们可能还要发明中间水平的智能，来帮助我们设计那些我们无法独自设计出来的更精密的智能。我们亟需不同的思维。

如今，许多科学发现要靠数百个人类的心智共同完成，而在不久的将来，或许会有很多十分艰深的问题，得借助数百种不同类型的心智才能解决。到那时，我们不会那么容易接受异类智能提供的答案，这将把我们带到文化的边缘地带。当我们在认可计算机做出的数学证明后感到不舒服时，这种情形已经出现了。与异类智能打交道是一项新技能，也是对我们自身的开拓。人工智能的植入会改变我们的科研方式。非常智能的工具会加快我们的测量速度并改变我们的测量方法；海量的即时数据会加快我们的模型思维速度并改变我们的模型思维方式；极具智慧的记录手段会加快我们了解事情的速度并改变我们“了解”的方式。科学方法是一种认识的手段，但它向来都是从人类的视角出发的。当我们把一种新的智能加入科学方法，科学一定会以不同的方式去认识和发展。到那时一切都将改变。

人工智能（AI）也可以表示异类智能（Alien Intelligence）。宇宙中有十亿颗类地星球，我们无法确定未来200年内是否会接触到其中一颗上的地外生命，但几乎可以100%确定我们会制造出异类智能。当我们面对这些人造异类时将和遇到外星人一样，既会受益也会遭到挑战。它们会迫使我们重新评估自身的角色、信仰、目标和身份。人的目的是什么？我相信有一个答案是：我们要制造生物演化无法得到的新型智能。我们的职责就是制造能够用不同方式思考的机器，也就是创造异类智能。我们确实应该把各种人工智能称作“异类智能”。

人工智能会像外星人一样，用和任何人类厨师大不相同的方式对待食物，这将促使人类对食物进行不同的思考。这个例子同样适用于材料的制造、服装、金融衍生品、任意门类的科学和艺术。与人工智能的速度和力量相比，它的相异性对我们来说会更有价值。

如此一来，人工智能可以让我们更好地理解起初所说的智能的含义。过去，我们或许会说，只有那种具有超级智能的人工智能才能驾驶汽车，或是在《危险边缘》以及国际象棋中战胜人类。但是当人工智能做到了这些，我们就认为这些成就显然是机械的，几乎不能被称为真正的智能。人工智能的每一次成就都将自己重新划为“非人工智能”行列。

但是我们不仅在重新定义人工智能，也在重新定义人类。过去60年里，机械过程复制了我们过去认为人类独有的行为和能力，我们不得不改变关于人和机器之间差别的看法。当我们发明了更多种类的人工智能后，会在“什么是人类独有的”这一问题上做出更大让步。我们将在未来的30年，甚至一个世纪里陷入一种旷日持久的身份危机，不断扪心自问人类的意义。最大的讽刺是，日常生活中那些实用的人工智能带给我们最大的益处将不在于产能的提高、富足的经济或是新的科研方式，尽管这些都显而易见。人工智能时代的到来最大的益处在于，各种人工智能将帮助我们定义人性。我们需要人工智能告诉我们——我们是谁？

未来几年里，那些被赋予实体的异类智能将获得我们最多的关注。我们把它们叫做机器人。它们同样会有各种不同的形状、体积和功能配置。机器人已经低调地走进了我们的生活。不久，更张扬、更聪明的机器人必将出现。它们所带来的颠覆效果将直抵我们生活的核心。

试想，如果明天10个美国工人中就有7个会失业，他们该怎么办？

如果超过一半的劳动人口都拿到了解雇通知书，很难相信一个经济体还能继续存在。事实上，工业革命就让19世纪初的劳动力面临这种状况，只不过事情发生得较为缓慢。两百年前，70%的美国劳动力以农场为生。后来，自动化实现后，机器代替了农民以及在农场作业的动物，淘汰了大多数人的工作，只留下1%左右。但是被取代的农民并没有就此闲着。自动化转而在全新的领域中创造了亿万份工作。曾经务农的人如今操纵着工厂中炮制农具、汽车以及其他工业产品的机器。从此，一浪又一浪建立在自动化之上的新职业潮水般袭来，包括家用电器维修工、胶印工人、食品化学家、摄影师、网站设计师。今天，我们大多数人从事的工作是19世纪的农民无法想象的。

或许很难令人相信，但在本世纪结束前，如今人们从事的职业中有70%很可能会被自动化设备取代。不用说，亲爱的读者，你的工作会也会被机器取代。换句话说，机器人取代人工是必然的，一切只是时间问题。第二次自动化浪潮正引领这项变革，而人工认知、廉价传感器、机器学习和分布式智能将成为变革的焦点。广泛的自动化将会触及包括体力劳动和知识型工作在内的所有工种。

首先，已经实现自动化的行业中，机器会进一步巩固自身的地位。当机器人取代流水线工人后，它们会接着取代仓库工人。麻利的机器人能够从早到晚不断地抬起150磅的重物。它们把箱子取出来，分好类，然后装上卡车。这种机器人已经在亚马逊的仓库工作了。采摘水果和蔬菜的过程也将逐步由机器人接手，最后只有在特色农场里才能见到人类在采摘。药房里将会有一个配药机器人在后台工作，而药剂师专心回应病人的咨询。实际上配药机器人的雏形已经问世，目前正在加利福尼亚州的医院里工作。它们至今还未出现过一次弄错处方上要求的状况，这对人类药剂师来说很难做到。接下来，打扫办公楼这种相对精细的杂活也将由机器人在半夜完成。它们从简单的打扫地面和窗户开始，最终完成清洁厕所的要求。长途货运客车在高速公路上行驶时，将由驾驶室内置的机器人进行驾驶。到2050年，大多数货车将实现无人驾驶。鉴于货车司机是目前美国最普遍的职业，这件事的影响不容小觑。

机器人的触角终究会伸向白领工作。许多机器已经含有人工智能，我们只是没有称它们为人工智能机器人。请看谷歌最新的计算机之一，它能够为任意一张给定的照片写下准确说明。选取一张网上的照片后，它会“看着”这张照片然后给出完美的说明。它能持续地像人类一样正确描述照片上发生的事，却不会感到疲倦，还能阅读并概括出文本大意。任何与大量文书工作相关的岗位都可以由机器人从事，这其中就包括不少医疗岗位。任何较为机械的资讯密集型工作都能被自动化。无论你是一名医生、律师、建筑师、记者甚至程序员，机器人都将历史性地接管你的工作。

我们已经处在转折点上。

我们对于一个智能机器人的外形和行为已经有了先入为主的印象，这让我们意识不到身边发生的变化。要求人工智能效仿人类的智能，好比要求人工飞行模仿鸟类翅膀，在逻辑上是说不通的。

巴克斯特（Baxter）是Rethink Robotics公司的新型作业机器人。它的制造者是发明畅销吸尘器鲁姆巴（Roomba）系列产品的前麻省理工学院教授罗德尼·布鲁克斯（Rodney Brooks）。巴克斯特是一款较早被用来辅助人类工作的新级别工业机器人，但它看上去貌不惊人。当然，它和许多其他工业机器人一样有一条强壮的机械臂。巴克斯特的双手和工厂机器人一样，能进行重复性的手工劳动。但是它和一般的工厂机器人之间有着三方面的重要区别。

第一，它能向四周看并且可以通过移动头部的动画眼睛提示它正在看的地方。它能感知附近工作的人类从而避免伤到他们，工人们也能知道自己是否被它看到。之前的工业机器人无法做到这些，这就意味着工作中的机器人必须与人类保持距离。典型的工厂机器人被关在一个铁丝网围栏或是玻璃笼子里。它们意识不到他人的存在，因此放在人的周围太过危险。这种机器人无法在一家难以将它们与人隔开的小商店中工作。理想情况下，工人应该能够在机器人身上存取材料，或者在日常工作中手动调整机器人的控制参数，而双方被隔开的话，此类动作就难以实现了。但巴克斯特能和人类做伴。它们使用力反馈（force-feedback）技术来感知自己是否触碰到人或另一个机器人，显得彬彬有礼。你可以在自家的车里接通它的电源，从容地在它身旁工作。

第二，任何人都能训练巴克斯特。它不一定像其他工业机器人一样迅捷、强大或精准，但它更聪明。要想训练它，你只需要抓起它的双臂并引导它们按照正确的次序做动作。这是一种“照着做”的训练方法。当巴克斯特学会动作后，就会不断重复练习。包括文盲在内的任何工人都可以进行这种展示。想要命令之前的作业机器人做最简单的任务改变，需要高度受教育的工程师和训练有素的程序员写数千条代码，还要进行调试。代码必须用批处理模式（batch mode）载入，比如大型非常用批处理文件。因为机器人一旦投入使用就不能被重新编程了。结果典型工业机器人的大量花费不是来自硬件而是它的运营成本。工业机器人的购买价为10万美元，然而在整个使用期中编程、训练和维护的费用是购买费用的4倍多。这些费用累加后，平均每个工业机器人的总花费超过50万美元。

第三个区别就在于巴克斯特更便宜。定价2.2万美元的巴克斯特与它的前辈机器人50万美元的总花费相比不在一个数量级上。使用批处理模式编程的老牌机器人就好像机器人界的大型主机，而巴克斯特好比第一台个人电脑。由于缺乏某些重要性能，如亚毫米级的精确度，这种机器人很可能沦落为机器爱好者的玩具。但是与个人电脑一样，却不同于过去大型主机的是：在不需要专家调试的情况下，用户可以即时与它进行直接交流，并且可以用它来做不太紧急，甚至是鸡毛蒜皮的事。它的价格足够低廉，因此小型工厂可以购买一台用来打包成品、喷涂定制化产品或者操作3D打印机。或者你也可以让它在生产iPhone的工厂充当工人。

巴克斯特诞生在波士顿查尔斯河畔一幢拥有百年历史的砖墙建筑中。1895年，这幢建筑是位于当时新制造业世界中心的一个奇迹。它甚至能发电供自己使用。百年来，这座围墙内的工厂改变了我们身边的世界。如今巴克斯特的性能以及即将到来的大量高级机器工人促使布鲁克斯思考一个问题：这些机器人会如何比上一次革命更彻底地颠覆制造业？看着办公室窗外那些比邻的工厂，他说道：“现在我们提到制造业就会想到发生在中国的情形。但是随着机器人带来的制造成本下降，运输的成本将成为远比生产成本更重要的因素。距离近就代表低成本。因此我们会看到这种本地特许经营的工厂组成的网络，所有的东西将在距离需求地5英里以内的范围内生产。”

这些对生产行业来说或许是正确的，但是许多人从事的是服务业。我请求布鲁克斯和我一起穿过一家当地麦当劳餐厅，并让他指出哪些工作可以被他的机器人取代。他犹豫着表示：“指望机器人为我们当厨师恐怕要等30年。在一家快餐店中，你不会一直干一种活，而是忙于在不同的任务之间转换，因此你需要一种特定的解决方案。我们不提供特定方案。我们正在打造一种能在人类身旁自主运行的机器人。”当我们能够与身边的机器人协同工作时，双方的工作内容必然会掺杂在一起，不久我们过去干的活将会由它们承担，而我们难以想象自己日后的新工作会是什么。

我根据人类和机器人的关系把工作分为四大类，希望能帮助我们更好地了解机器人将怎样取代人类。

人类能从事但机器人表现更佳的工作

人类需要花大力气动手织布，然而只用几分钱，自动织布机就可以织出一英里的布。如今，对手工中不完美的留恋，是我们购买手工纺织品的唯一理由。但是没有人想要一辆有瑕疵的汽车。谁也不愿意驾驶一辆性能不稳定的汽车以70英里时速在高速公路上飞驰。因此我们认定，在汽车的生产过程中人参与的程度越低越好。

我们仍然错误地认为，不能信任计算机和机器人在更为复杂的事务中的表现。因此我们不愿意积极地承认它们掌握了部分常规的抽象工作，并且在特定情况下，甚至比体力劳动做得更好。一种由计算机控制的装置被称作自动驾驶仪，它能在没有任何辅助的情况下驾驶一架波音787客机完成一次标准的飞行，其中只有8分钟时间完成起来有难度。驾驶舱中的人类驾驶员只需要完成这8分钟的飞行任务以及应对突发状况，而需要人操控的时间正在持续减少。20世纪90年代，计算机大规模取代人类，为房屋抵押贷款作评估。大部分税务工作、常规的X光片分析以及审前证据收集工作都由计算机处理，而这些都曾是领着高薪的聪明人干的活。我们已经接受机器人从事制造业是可靠的，不久我们就会接受它们的智能和服务。

人类不能从事但机器人能从事的工作

举个琐碎的例子，人类想造出一枚铜螺钉都很困难，而自动化技术可以在一小时内生产一千枚。没有自动化，我们连一块计算机芯片也造不出来，因为这种工作需要人类身体不具备的精准、控制力和坚定不移的注意力。同样，无论受教育程度有多高，没有一个人或一群人能快速搜索世界上所有的网页，找到包含尼泊尔首都加德满都鸡蛋价格的网页。任何时候你在点击搜索按钮时，都是在雇用一个机器人帮忙完成我们这个物种无法独立完成的事情。

当过去人类从事的工作一项一项被机器人取代的消息不断登上新闻头条后，机器人和自动化将主要通过承担人类无法胜任的工作为人类谋福利。我们没有CT扫描仪器那样的注意广度，能够通过对每平方毫米范围的搜索寻找癌细胞。我们没有将融化的玻璃变成瓶子所需要的毫秒级反应能力。我们没有完美的记忆力，能记住美国职业棒球大联盟（Major League Baseball）中的每一次投掷，并且实时计算出下次投掷的成功率。

我们不会把“好工作”交给机器人。大多数时候，我们只是把自己做不了的工作交给它们。没有它们，这些工作将永远无法完成。

人类想要从事却还不知道是什么的工作

在机器人和计算机智能的协助下，我们得以完成150年前完全无法想象的事情，这是机器人介入人类生活后最令人赞叹的一点。今天，我们可以通过手术摘除内脏上的肿瘤，录制婚礼视频，让登陆车在火星上行驶，在布料上印出朋友通过电波传来的图案。我们正在进行的100万种有偿或无偿的新活动会让19世纪的农民觉得眼花缭乱并感到震惊。从过去的角度看，这些新的成就不仅仅困难，而且主要是由那些能够完成它们的机器创造出来的。它们是由机器设计的工作。

在我们发明汽车、空调、平板显示器以及动画之前，住在古罗马的人不会想到他们能一边看动画片，一边吹着空调前往雅典，但我最近就这么干过。200年前，没有哪个中国老百姓会告诉你，他们要买一小块用来和远方的朋友对话的玻璃面板，而不是家里的下水道系统。如今，没有现代下水道系统的中国农民却去购买智能手机。第一人称射击游戏中内置的精巧的人工智能技术，给了数百万青春期男孩成为职业游戏设计师的动力和需求，而这种梦想是维多利亚时期的男孩不会拥有的。自动化每一次微小的成功都会催生一些新职业，没有自动化的促进，我们不会想到这些职业。

需要重申的是，自动化创造的大多数新任务也只有其他的自动化技术能处理。如今，我们拥有谷歌这样的搜索引擎，就指望它们能干千百种新差事。人们会问：“谷歌，你能告诉我手机放哪儿了吗？谷歌，你能帮抑郁症病人找到卖相关药物的医生吗？谷歌，你能预测下一次病毒性传染病的爆发吗？”技术会不加区分地把各种可能性和选择堆放在人和机器面前。可以打赌，到了2050年，薪资最高的行业将依赖目前还没有发明的自动化技术和相关机器。也就是说，我们不知道这些工作，是因为让这些工作成为可能的机器和技术还未出现。机器人创造了我们想要从事却还不知道是什么的工作。

（刚开始）只有人类能从事的工作

至少在很长一段时间内，人类想做什么是由人类而不是机器人决定的。这句话并不是一句多余的表述，事实上，人类发明的东西唤起了自身的欲望，因此人类的需求和机器人之间互为因果。

当机器人和自动化过程包办了我们的大多数基础工作，让我们的吃、穿、住变得相对容易时，我们就会闲下来并且自问：“人的目的是什么？”工业化不仅延长了人类的寿命，还让很大一部分人认为，人类理应成为芭蕾舞演员、专职音乐家、数学家、运动员、服装设计师、瑜伽大师、同人小说作者或是拥有名片上那些独一无二的头衔。在机器的帮助下，我们才能担当这些角色。当然，随着时间的推移，机器也会从事这些工作。接下来，面对“人类应该做什么”这个问题，我们会想到更多的答案。但是机器人想回答这个问题还要等到多年以后。

后工业化经济将会持续发展。因为每个人的任务之一将是找到、从事并完成将来会成为机器人重复性劳动的新工作。不久的将来，机器人驾驶的轿车和卡车随处可见。这项新的自动化技术会为以前的卡车司机带来一份叫做行程优化师的新工作。工作的内容就是通过调整运输系统的算法达到节能省时的效果。外科手术机器人成为常规后，让复杂机器保持无菌状态将成为必要的医疗新技术。追踪个人所有活动的自动化自我追踪技术成为常态后，将会出现一种新的专业分析师，为你解读数据。当然我们还需要一大批负责维护你的个人机器人正常运转的保姆。今后，所有这些职业也将逐个被自动化接管。

当人人都拥有召之即来的个人机器人，也就是巴克斯特的后继者们，真正的变革就开始了。想象一下，你是0.1%依然从事农业的人群中的一员，打理一家直接向客户供货的小型有机农场。虽然你仍然是一个农民，但是机器人承担了大部分的农活。分布在泥土里的细小探针指导你的机器人队伍在炎炎夏日里播种、治虫、收割。你作为农民的新任务将是监管整个农耕系统。某天，你可能会研究一下应该种植祖传番茄的哪一个变种；第二天试着发现客户的需求；接下来的一天更新你的客户群。其他所有能被量化评估的任务都由机器人完成。

如今，这一切似乎难以想象。我们无法想象一个机器人能把一堆散件组装成一件礼品，或是制造除草机的配件，抑或是为我们的新厨房制作需要的材料。我们无法想象自己的外甥或侄女在他们的车库里操纵一堆作业机器人，为朋友的创业公司大量生产电动车逆变器。我们无法想象自己的子女成为家用装置设计师，制造一批定制化液氮（分子）甜品机并卖给中国的富豪们。然而，个人机器人自动化系统能将这一切变为现实。

虽然，几乎人人都能得到个人机器人，但是仅仅拥有一个机器人并不是成功的关键。成功将青睐那些以最优化的方式与机器人以及机器一同工作的人。产品的地理集群性差异将会凸显，但各个集群的差别不在于人工成本，而在于人的专业技能。人类和机器之间将形成一种共生关系。人类的工作就是不停地给机器人安排任务，这本身就是一项永远做不完的工作，所以，我们至少还能保留这份“工作”。

将来，我们和机器人的关系会变得更复杂。同时，一种循环出现的模式值得我们注意。无论你现在从事什么工作，收入水平如何，都将反复经历机器人替代人的以下7个步骤：

1.机器人（电脑）干不了我的工作。

【后来】

2.好吧，它会许多事情，但我做的事情它不一定都会。

【后来】

3.好吧，我做的事情它都会，但它常常出故障，这时需要我来处理。

【后来】

4.好吧，它干常规工作时从不出错，但是我需要训练它学习新任务。

【后来】

5.好吧，就让它做我原来的工作吧，那工作本来就不是人该干的。

【后来】

6.哇，机器人正在干我以前做的工作，我的新工作不仅好玩多了，工资还高！

【后来】

7.真高兴，机器人（电脑）绝对干不了我现在做的事情。

【重复】

这不是一场人类和机器人之间的竞赛，而是一场机器人参与的竞赛。如果和机器人比赛，我们必输无疑。未来，你的薪水高低将取决于你能否和机器人默契配合。90%的同事将会是看不见的机器，而没有它们，你的大部分工作将无法完成。人和机器的分工也将是模糊的，至少在开始时，你可能不会觉得自己在干一份工作，因为看上去所有的苦差事都被机器人承包了。

我们需要让机器人接手。许多政客们极力阻止机器人接手的那些人类工作，实际上是人们不情愿干的。机器人能干那些我们正在干的事情，而且远比我们干得好；机器人能从事那些我们从事不了的工作，能做那些我们从没想到需要去做的工作；机器人还能帮助我们发现自己的新工作，发现那些让我们拓展自身意义的事。

这一切都是必然的。让机器人代替我们从事现在的工作，让我们在它们的帮助下去构想有意义的新工作吧。 SWBE3FIM9jedFOC06RcXTKBjCUmI9moXcDzhDDTY5jR9hjbQlBOuKJi0ySE379sD