1899年，爱迪生听福特介绍完汽车之后表示：马的末日已经来临。不过汽车在大街上畅通无阻奔驰之前，还是遇到了很大的阻力。当时乘坐马车的人不喜欢汽车，马车夫和马车铺老板更是恨透了汽车。在英国甚至有一个交通法规叫“红旗法”（1858-1896年），蒸汽汽车市内限速2英里/小时以下，郊外限速4英里/小时以下。旧金山也曾规定汽车在市内行驶的速度不能超过8英里/小时。对汽车的歧视不仅包括汽车不能超过马车速度，还有马车与汽车相遇时，汽车要停车为马车让路，马车夫甚至可以要求汽车司机发动机熄火，让马车安静通过。

　　但不管什么法令，汽车最终还是取代了马车，成为20世纪以来人类最主要的交通工具之一。人工智能对未来各种职业变化产生的影响，只会更加彻底。人工智能代表了更高的生产力，不管行业工会和政策如何压制，最终它还是会胜出。

　　那么，如何看待人工智能近期的加速？人工智能的变化对哪类职业会产生影响？

　　一、机器学习范式的转变

　　人工智能之所以变热、加速，很重要的原因是机器学习取得了重大的突破，而这个突破在于思考问题方式的转变。比如深度学习不再试图对整个世界建模，而是对大脑进行建模。范式的转移带来全新的突破。这加速了生产力的提升，加速了职业的变化，有的职业将消失，甚至绝大多数目前的职业都将消失，atv，而新的职业将诞生。

　　从1956年提出人工智能概念到2016年，刚好60年，人工智能走到突破点上。人工智能的三驾马车：算法、算力和数据。算法有了很大的进步，深度学习技术可以大量处理未标记非结构化的数据，可以无监督训练及有监督的反向支持运算等；算力方面，GPU的大发展为人工智能的计算速度提供了基础支持。而数据是所有人工智能之源。所有的决策，所有的行为，最终归结为数据。

　　从具体的发展来看，目前语音识别、图像识别、自然语言处理、自动驾驶都有了实实在在的长足进步。

　　首先图像识别正确率的提高，图像识别的错误率减少到了7%，语音识别错误率减少到4%。图像识别相当机器的眼睛，它通过图像识别能够看到世界。在人工智能基准测试Imagenet上，微软、谷歌和百度都曾经取得过5%以内的识别错误率，这是一个很了不起的成绩，因为人眼识别的错误率大概为5.1%。其次，语音识别率大大幅提高。在国内百度、搜狗和科大讯飞对外公布语音识别准确率均达到97%。

　　更重要的是机器学习的方法让它变得越来越犀利。之前人工智能靠的是穷举法。比如图像识别要靠通过设立规则开发系统来识别物体，比如猫、狗等动物。自然语言处理则需要通过语言学家们把语法规则编写出来，并设计程序开发来完成。机器学习则换一个模式解决这个问题。把规则问题转换为数据问题。比如说，让要机器学习“猫”，传统的方式把识别的规则写出来。而机器学习则让自己去学习：从一定数量的标记为“猫”的图片和没有标记为“猫”的图片中，让神经网络去把“猫”找出来。之前由于算力和数据没有办法解决学习问题，但今天，这都不是问题。

　　数据对规则形成了碾压。甚至人工智能学家宣称：“每解雇一名语言学家，语音识别机器的表现就提高了一点。” 由于这是一个通用的方法论，这样机器学习就可应用到所有数据的领域，比如金融科技，通过机器学习找到高风险人群的特征。

　　二、机器学习范式转移加剧对传统职业的冲击

　　机器学习，尤其是深度学习的快速发展让很多工作面临被取代的局面，这个进程还在加快。更可怕的是，未来人工智能将在数据分析上比人类更聪明。这也意味着人类不仅仅在一些机械的工作上被取代，甚至一些复杂的计算工作也会被取代。

　　容易被取代的工作包括纯机械体力劳动、有明确方法论和逻辑及流程的职业。难以被取代的工作，主要是关于人的体验、感性、暂时没有明确方法论和流程可以解决的行业和职业。比如创意娱乐艺术类。

　　未来可能今天的绝大多数职业都要消失，这里也没有办法穷举。目前看来显而易见的一些行业和职业很快就要受到冲击。

　　1.翻译

　　谷歌神经网络翻译（Neural Machine Translation）从2014年开始，仅仅两年的时间，就发生了翻天覆地的变化，英语和法语，英语和西班牙的互译质量达到了90%以上。百度翻译采用的则是深度学习和统计结合的翻译系统，同时还加收入了语言处理、语音交互的场景，目前支持超过28种语言互译。微软也曾发布微软翻译（Microsoft Translator），实现9中语言实时语音转文本的翻译。