猎云网11月27日报道 （编译：Jasmine）
2019年，Rosa走进了五年前她曾工作过的律师事务所，当初刚进来的时候她还是个律师助理。她环视四周，发现这家事务所如今的规模比她记忆中的要小很多——仅仅几个工作人员，外加几个后勤。
其实当初离职之前，她就感觉到了不祥之兆：她的BOSS那时候就已经开始使用计算机程序自动审阅文件，这种技术含量不高，单靠水磨工夫的工作，被高科技取代了，失业两个字就像一把刀时刻悬在她和小伙伴们头上。
Rosa当时有过片刻的恐惧，但她很快下定了决心：学习编程。于是她得到了一份软件工程师的新工作，然后是产品经理。
但并不是所有的小伙伴都选择继续从事软件行业，他们大多数今天都是自由职业者，相较于审阅文件这样的机械工作，他们现在做的事情，更有创造性、身心也愉快得多。
现在她又来到老东家面前，以客户的身份，当然还可能是一个未来的公司创始人——她在之前几个月里反复斟酌考量着一个很棒的点子，希望就这个点子创办一家新公司，为此她找上了老东家商谈合作。她感觉没有一次走进办公室的时候，像现在这样兴奋。
不久后，我们似乎也会见到和Rosa一样的场景。机器人将会包揽所有白领工作——财务、人力资源以及行政管理。任何枯燥乏味的办公室工作，都在自动化名单中。下一代机器人可能没有机械四肢，不过他们会像人类一样工作，就像现在机器人已经接管了我们的工厂和仓库。
这个未来将会大大出乎许多人的意料，在接下来的十年，我相信复杂的算法将在云领域开足马力、参考大量的数据集合，取代大部分日常工作任务。
回顾过去的几十年，你会看到相似的一个取代过程——工业机器人取代了工业领域的体力劳动。美国国家经济研究局(National Bureau of Economic Research)上半年公布了一份振奋人心的文件，提到“让人类从常规工作中解放”。这份文件的作者根据常规或非常规、认知或体力，将职业划分成四大类。他们把这些职业同美国政府从1976年1月到2012年底当前人口调查统计资料匹配起来。
我看了下文件中36年以来常规手工行业雇佣率的降低直至消亡，非常有意思的是，工业机器人行业的爆炸恰巧就在同一时期。下面的图表摘自国家经济研究局的文件：
1961年，财富500强之一的美国通用汽车(General Motors)在新泽西州首府特伦顿的工厂里安装了第一台工业机器人。根据国际机器人协会提供的数据，1973年全球有3000台工业机器人，十年后，这个数字上涨到了6.6万。而到2011年，这个数字暴涨至110万。
1969年，通用汽车在美国俄亥俄州洛兹敦的工厂里安装了一个点焊机器人。下面就是国际机器人协会对通用汽车生产率提高的描述：机器人“提高了生产力，允许超过90%的焊接操作自动化，相较之下，传统工厂只有一些大型工装夹具作为辅助，机动化仅有20%-40%，这种情况下焊接无疑是一项既肮脏又危险的体力活。”
机器人加入工作会导致自然人无工作可做么？Cynthia Breazeal并不如此认为：
“任何新技术，都是把人们从轻易不愿做的脏活累活苦活里解放出来，与此同时它们会创造新的就业机会，让人们去做更有趣的工作。”
综合国际机器人协会美国国家经济研究局的数据来看，工业机器人革命改变了常规体力劳动的性质。它还创建了一个新的，价值数十亿美元的行业，这个价值还以每年两位数的百分比增长。就像Breazeal指出的那样，这个行业允许人们去做更有趣的工作。
Rosa的故事有点像开了金手指的科幻小说。但是当我看到计算机科学的进步，我相信在接下来的几年中，我们将看到大数据时代，就像工业机器人对常规手工职业的变革性影响一样，计算机会成功模拟和学会人类的学习行为，在专业类职业领域里也来一次划时代的变革。
我们可以从特殊领域，比如说自然语言处理上，来阐明上述这一点。关于使用机器理解和翻译单词这一理论长久以来一直没有成形，甚至在第一台计算机出现之前，人们对此都束手无策。第二次世界大战之后，研究人员开始探索相关技术，破解翻译密码，机器翻译终于在某种程度上得以实现。
1954年，美国乔治敦大学和IBM经过通力合作，终于成功地在一台计算机上演示了俄语到英语的翻译，这立即成为了当时的头版头条，很多人乐观地预测，在接下来的几年里这一领域还会获得更加长足的发展。
1970年, Terry Winograd教授在麻省理工学院人工智能实验室创建了SHRDLU（积木世界），有些人称之为Block World。这个想法是，在一个非常受限的环境——简单到玩过Minecraft（我的世界）的孩子都不会感觉陌生的环境里，计算机能够“理解”用户的意图。
在接下来的二十年里，大多数的自然语言处理系统侧重于建立一套又一套越来越复杂的规则。然而，二十世纪八十年代末，这一领域发生了演变，研究人员开始利用机器学习算法来实现在五十年代首次做出的关于计算机翻译的承诺。
多亏了摩尔定律以及数字信息爆炸时代带来的难以置信的处理能力，现在这些算法已经包括了非监督学习算法，这种算法击败了“监督”系统——即事先给定一组规则的老办法——得以处理更为广泛的语言和文件。
NLP（神经语言学）对产业的影响使得这种转变变得更加有趣。打个比方，据《华尔街日报》报道，去年美国司法部已经批准使用这项技术在法律允许范围内审核文档。批准之后，司法部遇到的第一个相关案件就是Constellation对Crown Imports的合并。据估计比起人工审核，这至少为该公司节省了50%的成本。
兰德民事司法研究所的一份报告，“资金流向何处：了解电子产业的诉讼支出”表明，机器工作比起人工可以更高质量，更低成本。
“因为这是一个新兴的技术，几乎没有人将预测编码与人工审查的准确性进行研究对比。尽管缺乏研究数据，不过人们普遍认为预测编码标识至少在误差上不会超过传统人工审查。并且有一些证据表明，它可以做得更好。”
这就是即将到来的日常工作自动化真正的催化剂——更快更省地提供更高质量的产品和服务。我任职的Birchmere Ventures公司就认为通过这些技术进行电子举证正是法律行业改革的开端
那些可以考虑让机器人接手的专业性任务，都应该拥有可知的问题和解决方案，哪怕解决方案相当复杂。
这一趋势的社会影响将是巨大的。在卡内基梅隆大学任教时，我的学生们研究生时期读的专业从计算生物学到商业研究专业，各不相同。因此，他们在接下来几年里的职业道路也全然不同。
我认为我们需要在教育制度上做好准备，让学生能够更好地过渡到“更有趣的工作”。为此他们首先需要努力培养解决未知问题的必要技能。这就是为什么我认为即使是那些没兴趣创业的学生，也能在我的卡内基梅隆大学精益创业课程上受益。
好消息是，我相信每个人都希望具有创造力。当日常琐碎工作上花费的心力最小化时，人们应该就能获得更多的机会。最后，由于编制内人员数量的缩减，我们还需要让学生做好准备，自己当老板，或者更多的是做自己的老板——成为一个自由职业者(34%的人已经在做)。
Souce:R&W
