重新打造企业｜数字化3.0引发的自动化浪潮，会摧毁大量工作岗位、让人们大量失业？
上周到昨天，我们完成了数字化战略框架的第4R“重新打造企业”的B部分：重新设计创新组织。我们通过案例讨论了三种组织模式：Finansbank的“快艇”模式，万事达的“登陆码头”模式，高盛的“内部变形”模式；讨论了数字化转型的投资类型和资金机制；最后是基于微服务理念打造敏捷组织，以及敏捷思维如何应用在业务上。
目前是数字化战略框架的第4R“重新打造企业”的C部分：重新锤炼人才技能。昨天我们聊到大数据与人工智能是数字化的核心技能，今天继续：机器学习及自动化对就业的影响。
2 训练机器学习
机器学习不使用过去基于规则或自上而下的方法，而是依赖基于数据的自下而上方法来识别模式。幼儿不是通过记忆语法规则来学习语言，而是通过简单地沉浸其中来学习语言。当存在大量数据时，模式识别效果最佳，这正是大数据威力日益显著的原因。现在有几种培训机器来执行人类任务的方法。
第一种方法称为“有监督学习”，Google用它来识别垃圾邮件、或将网页翻译成100多种不同的语言。这些活动都不涉及手动处理数据。机器如何自动完成？Google的计算机科学家如何能够在不了解语言的情况下翻译100种不同的语言？监督学习使用大量“训练”数据，比如电子邮件，数据首先被人工分类或标记为垃圾邮件或非垃圾邮件。然后将这些电子邮件提供给计算机，看它是否可以正确识别垃圾邮件。没有指定用于识别垃圾邮件的规则，机器根据预测的准确性自动学习要关注的短语或句子。随着可用数据越来越多，这种试错过程得到不断改进。
类似地，Google翻译将句子或页面从英语翻译成汉语，然后返回并测量翻译的准确性，而不需要任何语言知识。随着可用数据越来越多，机器可以不断学习，并且越来越准确。今天，Google翻译已经非常准确，有时很难区分Google翻译和语言学家的翻译。Google现在可以实时自动翻译许多语言的对话。突然间，语言技能变得不那么重要了。
这不仅限于语言。机器可以读取X射线或MRI图像，跟受训多年、经验丰富的放射科医师一样好、甚至更好。任何可用大量数据培训机器的重复任务都可以、并必将自动化。
有监督学习要求对数据进行分类或标记，“无监督学习”则不需要这种指导。这种方法有效地要求机器去寻找数据中有趣的模式，而不用告诉机器要寻找什么。这在识别网络攻击、恐怖威胁或信用卡欺诈等方面非常有用。
但是，无监督学习非常困难，学者在很长时间内都在努力寻找使之发挥作用的方法。2011年，领先的AI学者终于开发出一种方法，成功地从数百万张未标记的YouTube视频中检测到猫。著名的“猫论文”发表后，开辟了无监督学习领域，被认为是机器学习的前沿。
“强化学习”介于有监督学习和无监督学习之间。此时机器从无监督学习开始，当它找到有趣的模式时，研究人员向机器发送正强化，指导它进行搜索。
另一种方法称为“迁移学习”，其中专家(如网络安全专家)将自己的知识传递给机器，而不是让机器从头开始。
当前大多数AI方法都是特定领域的，例如语言或医学。研究的下一个前沿是开发“通用AI”，它能够像人脑一样从多个领域合成和发现模式。
3 自动化对就业的影响
收集数据、培训机器进行分析和学习的能力，正在改变每个行业，并对就业产生重大影响。
在牛津大学2013年的一项研究中，研究人员检查了702个典型职业，发现美国47％的工人存在自动化风险。自动化的可能性因专业而异：电话推销员占99％，会计师和审计师占94％，零售业占92％，休闲治疗师占0.3％，牙医占0.4％。
麦肯锡2017年的一项研究报告称，只有不到5％的工作岗位具有完全自动化的潜力，60％的职业中接近30％的任务可以实现计算机化。即使是技术娴熟、受过良好教育的律师和放射科医生，也面临着自动化的威胁。1960~1970年代的自动化取代了工厂的蓝领工作，但AI驱动的自动化很可能取代许多白领工作。实际上，重复、可预测的日常工作都可以通过更好、更快、更便宜的机器完成。区别不再是人工或认知技能、或蓝领与白领工作，而是工作中是否存在重要的重复因素。
由于大规模失业的前景，自动化在普通人和政治家之间造成了焦虑。它激发起人们没有工作、整天呆坐着看Netflix的想象场景。但历史表明，这种担忧大都被夸大了。1930年代，著名经济学家凯恩斯预测，技术会让他的孙辈每周仅需工作15个小时，今天仍远远没有达到这种情况。
曾经有人担心，ATM会终结银行柜员职业。但事实上，银行每分支机构的柜员数量从1988年的20人下降到2004年的13人，而银行分支机构数量同期则增长了43％。ATM并没有破坏工作岗位，只是将银行柜员的角色从简单的现金处理升级为客服人员。
人工智能和自动化浪潮也会引发同样的转变。例行工作和重复工作将被自动化，人们需要培训自己从事非重复工作。虽然一些工作将被淘汰(如以前的电梯操作员)，但也会创造许多需要新技能的新工作岗位。
