文章提供：图文资通组
文章来源：https://www.bnext.com.tw/article/57019/ai-work-together
发佈日期：2020.03.23 消息来源：数位时代
人工智慧赋予机器更多自主判断能力，也造成人和机器互动关系的巨大变化，我们该如何面对人机共事的新时代？有一天，我们或许要听从AI演算法的指示来完成人力工作；其实，这看似科幻小说的场景，已经是正在发生的进行式。
机器彷彿是我们最忠实的员工，一年365天从不抱怨；只要按下一个按键，工作就会自动完成。但你是否曾经想过：有一天，你可能会为机器工作？
想像有一天，我们听从AI演算法或机器的指示，来完成人力工作；而这看似科幻小说的场景，其实已经在世界上的许多角落开始发生了。
场景1──用演算法管理员工（Algorithmic Management）
越来越多的公司开始使用演算法来管理员工（Algorithmic Management）。像是Uber或Lyft这样的分享经济公司，已经率先开发出许多自动工具，来管理远端工作人员；包括使用者评分系统，以及自动向驾驶提醒或建议下一步动作的系统等等。
在物流业中，UPS和Amazon等公司正在使用自动化系统追踪员工、并且优化货物处理量；这些演算法收集工作人员的资料，并做出（半）自动化的决策来提供即时激励，以达到更高的产出。
有一些新创公司，也开始提供监视员工、或是管理驾驶行为的AI解决方案。与人工监督相比，这些自动化技术更容易扩展到更多营运据点，因此也被越来越多的公司採用。
场景2──为AI演算法工作的蓝领劳工
之前我谈到过机器学习（ML）主要有三种类型，包括：
•监督学习（Supervised Learning）
•无监督学习（Unsupervised Learning）
•强化学习（Reinforcement Learning）
直到今天，仍有超过90%使用中的ML演算法是以「监督学习」为基础。（延伸阅读：给产品经理的 AI 开发指南）
换句话说，多数AI演算法需要从标记好的训练资料中学习。为了提供标记过的训练资料，有一个高成长的行业应运而生：由人工标记影像或声音资料，以便机器能够消化和学习。
「Scale AI」是众多与标籤工作者合作，对资料进行分类，以用于训练AI模型的新创公司之一；该公司成立仅有三年，却在最近融资获得高达1亿美元的资金。
Scale与大约三万名散布世界各地（大多在工资较低的国家）的契约工作者合作，为自动驾驶汽车和其他AI公司（包括Waymo、Airbnb和Lyft等）提供标记训练资料的服务。
场景3──远端控制和模仿学习（Imitation Learning）
在使用大量资料进行训练时，深度学习的效果优于传统机器学习；然而，获取高品质的训练资料通常很困难、而且成本相当高昂。
解决资料效率问题的方法之一，是使用模仿学习（Imitation Learning），也就是「让机器从专家的示范中学习」。
FortressIQ是应用模仿学习技术，为顾客自动化公司流程的美国新创企业之一；他们的系统可以分析人类和软体的互动，以便之后将这些流程自动化。
另一方面，美国新创公司Cobalt提供利用机器学习来执行巡逻工作的保全机器人（上图）。这种机器人可以识别异常情况，也能让工作人员远端监控、并在必要时接管控制权。
AI让机器变得越来越聪明，不再需要人类的一个口令一个动作；在某些领域中，甚至能够自动下指令给人类，而这些新型态的人机互动，正在真实上演之中。
但是，我们也开始看到这些新形态人机互动所带来的「副作用」：
演算法缺乏透明度和同理心
研究者Lior Zalmanson和Robert W. Gregory在最近的一项研究中发现，Uber出租车司机都认为，演算法非常瞭解他们，但他们对演算法的原理和决策依据却知之甚少。
此外，司机们也感觉到演算法的决策有些不人性的地方；他们质疑这个系统的公平性，尤其在他们没有得到明确解释、却遭到处罚的情况下特别明显。
有许多其他劳工也觉得自己被演算法监视。他们不知道这些监控资料会用在什么地方，也不知道工作分配、评分或报酬是否公平；如果不公平，他们也不知道有没有什么途径可以提出抱怨。
「缺乏透明度」一直是AI的主要问题之一。
用这些自动化工具来管理员工，或许确实更有效率及扩充性；但生产力不应该是唯一的目标，必须也考虑到资讯的透明、以及对员工的同理心。
人与机器的角色责任分配不明确
以保全机器人为例，在机器人无法处理的情况下，人类的介入可能会有关键作用；但随着机器人变得越来越聪明，机器可能会得出与人类不同的结论。
人类永远能够做出比机器人更好的决定吗？谁有最终决定权？
另一个备受关注的例子：无人驾驶车。谁应该在自主的无人车中做决定？是车子本身、备用安全驾驶员、远端监控的工作人员、还是乘客本身？
在什么情况下、什么时候介入？如果你只有一瞬间的反应时间，答案会有所不同吗？谁应该对任何后果负责？科技公司？安全驾驶？还是设计演算法的工程师？
结语
虽然研究人员正在研究转移学习（Transfer Learning）和元学习（Meta Learning），以设计能够「学习如何学习」的AI模型；但老实说，我们离完全自主的人工智慧还很远。
在可预见的将来，我们仍然需要标记资料，让机器变得更加自主。我们需要调整自己，与时俱进，我们需要学习与AI机器一起共存的最佳方式。我们准备好迎接如此剧烈的社会变革了吗？我们可以做些什么来创造我们想要的未来？