人才在人工智能发展中的作用

人们参与了AI开发的各个方面，从数据收集到模型部署。他们的决策是基于他们自己的价值观，这意味着每个决策点都需要考虑和评估，以确保所有选择从概念到部署和维护都是负责任的。

不要以为AI可以做任何事，考虑技术，数据，和工程资源有许多AI并不能做到的事情。不要以为只雇佣2-3个机械学习工程师就可以提供公司的使用场景。机械学习人才很重要，也应该让工程师与业务人才交流，寻找可行，有价值的项目。不要以为AI项目一次就可以成功，AI开发通常需要多次尝试才能成功。期待直接使用传统的计划流程而不用改变。实际需要和AI团队测算时间节点，里程碑与KPI不需要极其优秀的AI人才后，才能启动项目。持续构建团队，但实际普通工程师也可以提供有价值和可行的项目。

在AI时代，技术专业人士需要发展那些AI难以替代的技能。这包括团队建设、跨文化交流、创新解决方案的设计等。AI虽然可以输出代码，但它无法建立团队、跨越文化界限进行交流，或者激发团队的创造力。技术就业市场将始终为那些能够融合技术智慧和人际交往能力的人提供机会。同时，对于那些从事现在可能面临被AI取代风险的工作的技术工作者来说，他们需要重新思考自己的职业生涯规划。这可能意味着学习新技能，或者转向那些更需要人类特质的工作领域。

成为某个领域顶尖人才通常以多年的密集信息输入开始，通常是通过正规的学校教育，然后是某种形式的学徒实践；数年时间都致力于从该领域最出色的实践者那里学习，大多数情况下是面对面地学习。这是一个几乎不可替代的过程：例如，医学住院医生通过聆听和观察高水平的外科医生所获取的大部分信息，是任何教科书中都没有明确写出来的。通过学校教育和经验，获得有助于在复杂情况下确定最佳答案的直觉特别具有挑战性。这一点对于人工智能和人类都是如此，但对于AI来说，这个问题因其当前的学习方式以及技术人员当前对待这个机会和挑战的方式而变得更加严重。通过研究成千上万个标记过的数据点（“正确”和“错误”的例子）——当前的先进神经网络架构能够弄清楚什么使一个选择比另一个选择更好。我们应该通过使用彼此堆叠的模型来训练AI，而不是仅仅依靠大量的数据，并期望一个生成模型解决所有问题。例如，我们首先应该训练生物学的模型，然后是化学的模型，在这些基础上添加特定于医疗保健或药物设计的数据点。

随着时间的推移，人类工作的比例会减少，最终在即使需要人类专家的领域，也逐渐接近完全自动化。在这些领域中，小错误可能会产生灾难性影响，但可能不会完全摒弃人类的参与，特别是在对错误特别容忍度低的领域，例如诊断、药物处方或医疗程序。开发能够在这些专业任务上成功而不受关键错误影响的人工智能，是人工智能发展道路中未来的重要领域，也是未来人工智能进步最终对生命科学和医疗产生最大影响的自然领域。

数据科学家与人工智能，在销售，农场主，网站优化等各个方面均有强大作用，前者通过数据做决策，后者通过数据完成训练，并形成输入输出的程序。

软件工程师，如智能音箱中的，软件编程工作，团队中50%以上的占比机械学习工程师，创建A-B的映射，或创建其他机械学习算法。搜集汽车图片，位置的数据，训练神经网络或深度学习算法，不断迭代，确保准确的输出。机械学习研究员，负责开发机械学习的前沿技术。可能需要发表论文，或专注于研究应用机械学习科学家，负责学术文献或研究文献中研究前沿技术，并想办法找到技术解决面临的问题数据科学家，检测数据并分析数据背后的意义，向团队成员与负责人展示数据分析得出的结论数据工程师，整理数据，确保数据是安全，易被保存，读取。因为人工智能需要处理的数据极大，自动驾驶汽车每分钟都会制造好几个GB的数据。AI产品经理，帮助决定用AI做什么，什么是可行且有价值的。

必须让这些专家AI接触到顶级从业人员的多样化视角，以避免复制危险的偏见。但AI的黑盒性远不如大众想象中的那么强；我们今天依赖的人类决策，正如我以前[指出的](https://www.nytimes.com/2018/01/25/opinion/artificial-intelligence-black-box.html)，可以说更加不透明。我们不能因为对传播人类偏见的恐惧而限制我们探索AI如何帮助我们民主化我们的人类专家知识的意愿，而这些专家是不幸地无法扩展的。鉴于人工智能依赖的神经网络基础，这些专家AI可能通过元学习（或学会学习）比我们预期的更快地获得知识，并带着我们人类一同进步。AI的性质让我们可以做一些我们无法对人做的事情；即将他们一部分一部分地拆解，并研究每一个小部分。通过构建系统以深入探索专家AI的内部工作机制，我们将创造一个学习的飞轮。最终，专家AI可能超越领域专家的角色，成为下一代专家——无论是人类还是AI——的教师。