完成任何的主要任务都涉及这几个要素：数据收集、预测、判断和行动。人类仍然在基于判断的任务（广义）上远超机器，而且 Ajay 等人假设这些任务的价值会随着机器学习带来的预测成本下降而增加。

过去几年中，在深度学习的驱动下，虽然已经有了能够展示类似人类软技能的机器，机器在这些领域的能力几乎无法达到「预测」中的水平。下面是一些人类擅长的领域，让机器来模拟这些技能可能需要的新技术突破：

学会学习：最近机器学习使用中一些惊人的成果包括，观察人类在多种实例任务中的行为（这种在手问题输入和输出的大数据集），同时「学习」使用深度神经网络方法。

常识：人类擅长运用「常识」，即用一种不加开放思考或无需大数据集的通用方法来做出判断。在这个领域，除了在使用深度学习处理自然语言任务上有大进展外，机器相对来说还处在初步阶段。研究常识推理的科学家估计机器想要运用常识就需要其他新的技术进展。我们（或者我们的孩子）在和 Alexa 或 Siri 时都要面对这个问题。

直觉和归零：人类大脑擅长直觉和归零，例如从一个非常大的复杂又模糊的选择集合中发现某个事实、想法或者行动过程。学界一直有人在尝试做将直觉带给机器的研究，但是在这个维度上的机器智能还普遍处于初级阶段。

创造力：虽然有很多机器已经能生成一些和人类艺术大师的作品难以区分的作品，但它们在很大程度上还是基于学习这些大师已经创造出的模式。真正的创造力需要为问题生成之前从未见过的全新解决方案或真正创新的艺术成果。

共情：理解情绪、价值系统、设置愿景、领导力和其他仍然还是人类专属的软能力。

多功能：同样一个人可以合理地执行许多人物，比如拿起盒子、驾驶汽车去工作、带小孩和发表演讲。目前的机器和机器人都还是为特定的任务而打造的。

IA 和 AI

根据以上的总结，我们可以得知：机器已经在学习（或者被称为「预测」）的技能方面取得了长足的进展，它们进入了模仿「人类」真正的技能的早期阶段。我们建议的分类方式是：将预测、第一阶段的机器学习以及需要人类参与的自动化功能（human-in-the-loop automation capabilities）归为「IA」技术。这些技术通常是使用机器独有的能力（处理巨大数据集的能力）来有效地增强人类能力，系统最终的输出通常还是由设计和训练它们的人来决定，因为系统设计者会提供一些与机器互补的技能。

从根源上讲，很容易把它与 AGI 弄混淆，所以我们使用了术语 AI 来描述我们在前面提到的机器拥有的那些属于人类的判断、学习和具备常识的能力以及具有先天创造力和同情心的特征。对于强大的 AGI 而言，这也许只是它的一部分，但是要实现复杂的工作流程的全自动化就需要具有大多数这些技能的机器。

明确了这些概念以后，我们就可以知道如何对当前或者即将出现的那些可能会影响我们日常生活和工作的技术进行分类了：

IA 和 AI 带来的影响

有一个众所周知的谚语：「我们总是更倾向于在短期内高估技术产生的影响，而在长远上低估它」。这也被称为「阿马拉定律（Amara』s Law）」，人们经常用下图来表示它。

我们可以在这个图上看到，这条曲线在任何一个轴上都没有刻度。对于曲线开始处的任何一点，我们不能准确地知道它距离拐点有多远。但是这条曲线确实说明了一个很重要的趋势——一项新技术的影响在其初始阶段十分缓慢，然后随着技术的发展和市场的大规模采用，该技术的影响显著变大，最终趋于饱和。人们对于市场预期通常都会忽视这个趋势。

然后，当进入了所谓的著名的「市场炒作周期」，人们对于技术初期影响的预期远远超过了技术的真实影响力，因此，人们就会陷入一种失望的境地。随着技术的影响继续扩大并且达到一种较大的规模之后，该技术会达到生产率的巅峰。