AI时代的工作内容
在AI及网络之前出现的是计算机革命。计算机让计算（具体地说，就是将许多东西加总起来）变便宜。最早的一项杀手级应用就是让簿记变轻松。
计算机工程师丹．布瑞克林（Dan Bricklin）还是企管硕士学生时就想到这一点，为了评估哈佛商学院个案的不同情境而反复计算，实在让他受够了，于是他写了个计算机程序去做那些计算，而且发现实在太有用了，所以他和鲍伯．法兰克斯顿（Bob Frankston）开发可在苹果二号计算机（Apple II）使用的VisiCalc。VisiCalc是个人计算机时代第一个杀手级应用，也是许多企业最初将计算机引进办公室的原因。1它不但将计算的时间减少到只剩下一百分之一，还让企业能够分析更多情境。
当时，接到计算任务的人就是簿记员。1970年代末期，美国有超过40万簿记员。电子表格消除耗费他们最多时间的工作：计算。你可能会想，簿记员要失业了。但我们没有听过有歌曲在哀悼簿记员失去工作，也没有簿记员强烈回击，阻挠电子表格的普及。为什么簿记员不把电子表格当成威胁？
因为VisiCalc确实让他们更有价值，它把计算变得很简单。你可以轻松评估预期会得到多少获利，以及若是更改各种假设又会怎么变化。不是只得到单一快照，而是可以反复重新计算，提供一家企业的动态全景；不是只看到一笔投资能否获利，而是能比较不同预测下的多笔投资，并选出最好的一个。还是得有人判断要尝试哪一种投资。电子表格轻轻松松就能给你答案，而且过程中大幅增加提问的报酬。
在电子表格出现之前辛苦计算答案的人，最有立场对计算机化的电子表格提出正确问题。他们没有被取代，反而增加超能力。
在机器接手部分任务、但非全部任务的情境下，执行AI的自然结果是使工作能力普遍增强。组成一项工作的任务会出现变化，有些会在预测机器接手时被移除，有些会随着人类空出更多时间而增加。而许多任务先前的基本能力会改变，并有新的技能取而代之。就像簿记员成为电子表格高手，各式各样的工作因为AI工具而重新设计，同样会有惊人的变化。
推行AI工具的过程将决定你应该要着重在哪些结果，其中包含评估整个工作流程，无论是在工作里，或是涵盖许多工作（或者跨部门或跨组织），再将工作流程分解为构成的任务，并观察能否在那些任务之中使用预测机器，获得丰硕的成果。然后，你必须将任务重新组合成新的工作。
自动化的失落环节
有些情况下，目标是将一项工作中所有相关的任务完全自动化。AI工具不太可能成为这项工程的催化剂，因为可以完全自动化的工作流程包含一系列无法（轻易）避免的任务，即使那些任务最初似乎是低技能又不重要的任务。
1986年航天飞机挑战者号（Challenger）的灾难来自火箭推进器的一个零件故障，那是一个直径不到半英寸的O形环密封圈，这个故障代表航天飞机无法飞行。为了将这个任务完全自动化，一个故障的零件就能拖垮整件事。你必须仔细考虑每个步骤。那些小任务或许是自动化非常困难的失落环节，而且会从根本上限制重新制定工作的方法。因此，处理这些失落环节的AI工具就有极大的作用。
就以订单履行产业为例，过去这20年因为网络购物快速成长而蓬勃发展。订单履行是整体零售业的一个重要步骤，尤其是电子商务。这个工作是接受订单并加以执行，让东西得以递送到目标顾客手上。在电子商务中，订单履行包括几个步骤，例如从大型仓储中找到物品的位置、从架上取出物品、扫描做库存管理、放进搬运箱、打包装箱、在箱子上贴上标签、出货运送。
订单履行中使用机器学习的早期应用，许多都和库存管理有关：预测哪些产品即将售完，哪些产品因为需求低而不需要再下单等等。这些发展完善的预测任务，几十年来已经是实体零售与仓储管理的重要部分。机器学习科技让这些预测变得更好。
过去这20年来，订单履行流程的其他部分大多已经自动化。举例来说，研究发现，订单履行中心的员工有超过一半的时间是在仓库中行走，找出物品并放进搬运箱中。因此，有几家公司开发自动化流程，将货架送到员工面前，减少花在行走上的时间。亚马逊2012年以7.75亿美元收购这个市场的领导业者Kiva，最后Kiva停止服务其他顾客。后来出现其他供货商填补这个持续成长的市场需求，成为公司内部的订单履行中心与第三方物流公司。
尽管已经有明显的自动化，订单履行中心依然雇用许多人。基本上，机器人虽然可以拿取物品并交给人类，还是需要有人「挑选」，也就是了解什么东西在哪里，然后拿起物品并搬动。因为抓取的动作确实有难度，使得最后一点成为挑战。只要人类扮演这个角色，仓储中心就无法充分利用自动化的潜能，因为仍需要维持适合人类的环境，要保持室温、有空间可以走动、有茶水间、洗手间、监视系统防止窃盗等等，成本很高。
人类在订单履行产业持续保有作用，这是因为我们在抓取物品上（伸出手，拿起东西，然后放到别的地方）相对表现较好，这个任务至今仍难以自动化。
因此，亚马逊光是在忙碌的假期旺季就雇用4万个全职拣货员，以及超过1万名兼职拣货员。人类拣货员每小时大约可以捡120样货。许多处理大量订单的公司企图将拣货自动化。过去这3年，亚马逊举办亚马逊拣货挑战赛（Amazon Picking Challenge），奖励全球优秀的机器人学团队投入研究已久的抓取物品问题，专注在没有开放的仓储环境下进行自动化拣货。即使有来自像麻省理工学院等机构的顶尖团队致力解决这个问题，许多团队还使用来自百特（Baxter）、安川Motoman机器人（Yaskawa Motoman）、Universal Robots、ABB、PR2与Barrett Arm的先进工业级机器人设备，然而在写到这里时，他们还无法完全解决这个问题，满足产业的使用需求。
机器人在组装汽车或驾驶飞机上可以做得很好，为何不能在亚马逊的仓库中捡货与装箱呢？相较之下，这个任务似乎十分简单。机器人可以组装汽车，因为零件高度标准化，而且作业流程十分固定。然而，亚马逊仓库里的品项几乎有无数种形状、大小、重量与硬度，货架上的非长方形物品有各种可能的摆放位置与方向。换句话说，仓库里抓取物品的问题要以无数个假设条件来描述，而汽车组装厂的抓取设计只有非常少量的假设条件。因此，为了在仓储中抓取物品，机器人必须能够「看见」物品（分析影像），而且预测适当的角度与压力，才能拿到物品，不会让物品掉落或压碎。换句话说，预测是订单履行中心抓取各种物品的根源。
抓取物品问题的研究使用的是增强学习来训练机器人模仿人类。由苏珊．吉尔德特（Suzanne Gildert）、乔第．罗斯（Geordie Rose），以及我们其中一人（阿杰）在内的团队在温哥华创立一家新创公司Kindred，正使用一个叫做Kindred Sort的机器手臂，混合自动化软件与人类控制员。2自动化认出一项物品，以及需要放到哪里，而穿戴虚拟现实头盔的人类则引导机器手臂拿起物品与搬动。
在第一次执行时，人类坐在远离仓库的某个地方，填补订单履行工作流程的失落环节，透过远距操作机器手臂，决定接近的角度与握力。不过长期来说，Kindred使用的预测机器是藉由观察人类如何透过远距操作，教导机器人抓取物品来进行训练。
应该停止训练放射科医师吗？
2016年10月，站在创造性破坏实验室的机器智慧产业年度研讨会的讲台上，深度学习神经网络的先驱杰弗里．辛顿（Geoffrey Hinton）对着600位观众宣称：「我们现在应该停止训练放射科医师。」放射科医师的工作有个关键部分是解读影像，并侦测呈现出可能有医疗问题的不规则现象。在辛顿看来，AI很快就能比人类更擅长从影像中发现有医疗重要意义的目标。放射科医师从1960年代初期以来就担忧机器会把他们取代，3现今的科技又有哪里不同？
机器学习技术愈来愈善于预测缺失的信息，包括从影像中寻找及辨识物品。在一套新的影像下，技术可以有效率地比对几百万笔过去有疾病和没有疾病的例子，并预测新的影像是否暗示有疾病的存在。这种辨别与预测疾病的模式正是放射科医师正在做的事。4
IBM的华生系统（Watson），以及许多新创公司都已经将放射医学的AI工具商业化。华生可以找出肺栓塞和其他各式各样的心脏问题。一家新创公司Enlitic使用深度学习侦测肺部结节（lung nodules，这是相当寻常的例行程序）和骨折（比较复杂）。这些新工具是辛顿预测的核心，也是放射科医师与病理科医师讨论的主题。5
我们又是怎么看待放射科医师的未来？放射科医师花在解读影像的时间将变少。根据我们和基层医疗医师与放射科医师的访谈，加上对既有经济学原理的知识，我们描述几个在医疗显影背景下仍保留给人类专家的关键角色。6
第一种、可能也是最明显的角色，就是从短期与中期来看，仍需要人类判定特定病患的影像。显影的成本很高，包括时间与（有些显影技术）暴露在放射线下对健康的潜在影响。随着成本下降，显影的数量会增加，所以在短期甚至是中期，有可能会把人类减少花在判读每张影像的时间效应抵销。
第二，放射科医师可以分为放射诊断科医师和介入性放射科技医师。会改变放射学本质的物体辨识进展出现在放射诊断学。介入性放射学则是使用实时影像辅助医疗程序，目前这牵涉到人类判断与灵巧的人类行动，并未受到AI的进展影响，或许在提供更好的影像辨识下，介入性放射科医师的工作会轻松一点。
第三，许多放射科医师自认是「医师的医师」。7他们的工作有个重要部分是与基层医师沟通影像的意义。具有挑战性的部分在于，放射影像的解读（「研究，」以他们的术语来说）通常会用机率表示：「有70％的机率是X疾病，20％的机率是没有生病，还有10％的机率是Y疾病。不过，如果现在起两周内出现这种症状，那就有99％的机率是X疾病，而且1％的机率没有生病。」许多基层医师并没有受过良好的统计学训练，很难解读机率和条件机率。放射科医师协助他们解读数字，让基层医师可以和病患一起决定最好的行动方案。假以时日，AI会提供机率分析，但至少在短期甚至是中期，放射科医师还是要扮演将AI的结果解释给基层医疗医师的角色。
第四，随着科技进步，放射科医师将协助训练机器去解读新显影装置提供的影像。少数巨星级的放射科医师将扮演这个角色，他们会解读影像，并协助机器学习诊断。透过AI，这些放射科医师将利用他们优异的诊断技能训练机器。他们的服务非常有价值。相较于向病患收费，他们可能会从教导AI的每个新技术、或由他们训练的AI所检验的病患数量来计算报酬。8
我们提过，诊断放射科医师的工作有两个重要部分：检验影像，并将评估交给基层医师。虽然这里的评估通常就是诊断（也就是，「病患几乎可以确定有肺炎」），但在许多情况下，这样的评估会用负面表达（也就是，「不排除是肺炎」），以预测的描述方式告知基层医师病患可能的情况，让基层医师可以制定治疗方法。
预测机器会减少不确定性，但不会每次都消除不确定性。举例来说，机器或许会提供下列预测：
根据帕特尔先生（Mr. Patel）的背景与影像数据来看，肝脏的肿瘤有66.6％的机率是良性，33.3％的机率是恶性，还有0.1％的机率不是肿瘤。
预测机器如果直截了当的给出良性或不是良性的预测，没有错误的空间，那该怎么做就很明显。这时候，医师必须考虑是否安排侵入性手术，更进一步了解状况，例如切片检查。安排切片检查是比较没有风险的决定；没错，成本很高，但可以提供更确定的诊断。
从这样的角度来看，预测机器的角色就是增加医师对不进行切片检查的信心。这种非侵入性的医疗处置比较不耗费成本（特别是对病患来说）。它们让医师得知病患是否能避免侵入性检验（像切片检查），并更有把握决定避免治疗与进一步分析。如果机器的预测改善，那侵入性检验就会减少。
因此，人类专家在医疗显影的第五种作用，也是最后一种作用，就是即使机器表示有相当高的可能性没有问题，仍可以决定做出进行侵入性检验的判断。医师或许有病患整体健康的信息、因为没诊断出真有疾病而可能有心理压力，或是有其他的质化数据。这种信息大概不容易写成程序而供机器取得，可能还是需要能解释发生机率的专业放射科医师与了解病患需求的基层医师进行对话。这种信息可能导致人类否决AI的建议而不进行手术。
因此，至少在短期与中期，人类在使用医疗显影时仍有五种清楚的角色：选择影像、在医疗程序中使用实时影像、解释机器呈现的结果、训练机器新的技术，以及也许根据机器无法取得的信息，做出否决预测机器建议的判断。放射科医师是否有未来，取决于他们是否可以很好的承担那些角色、是否有其他专家将取代他们，或者是否发展出新的工作类别，例如放射科医师／病理科医师的组合（也就是放射科医师也分析切片检查，也许是在完成医疗显影后立刻执行）。9
司机的任务不只有开车而已
有些工作或许会继续存在，但需要新的技能。将特定任务自动化可能会凸显出其他任务对一项工作的重要性，只是先前没有受到充分重视。以校车司机为例。任务中的「驾驶」部分，包含把校车从学校开到各住家，再回到学校。随着自动驾驶车与自动化驾驶的来临，校车司机的工作将消失。牛津大学教授卡尔．佛雷（Carl Frey）与麦可．奥斯本（Michael Osborne）观察从事一项工作所需的技能类型，他们总结出，校车司机（有别于大众运输公交车司机）的工作在未来10年或20年有89％的机率会自动化。10
当称为「校车司机」的人不再驾驶校车往返于学校，地方政府应该开始省下这些驾驶的薪资吗？即使校车采用自动驾驶，目前校车司机做的事不光只是开车。首先，他们要负责监督一大群学童、保护他们不在车外受害。其次同样重要的是，他们负责管理车内的纪律。在管理儿童与保护他们不会互相伤害上，还是需要人类的判断。校车自动行驶并不会排除这些额外的任务，但这代表车上的成人可以更关注那些任务。
所以「大家熟知的校车司机」技能或许会改变。司机的行为或许比今日更像老师。但重点是将人类从一项任务中排除的自动化，未必就会将人类从一项工作中排除。从雇主的角度来看，还是要有人做那件工作；从员工的角度来看，风险在于这项工作可能是由别人做。
任务的自动化，迫使我们更仔细思考，一项工作究竟是由什么任务组成、人究竟在做什么。就像校车司机，长途货车司机做的不只是开车。开货车是美国最大的工作类别之一，而且经常成为自动化的潜在候选名单。电影《罗根》（Logan）就描述，不久的将来，货车将只是轮子上的货柜。
但是我们真的只会看到货车横跨美洲大陆，看不到人类吗？想想那些货车多数时候远离人类监督时真正会遇到的挑战。比方说，它们与装载的货物无力反抗抢劫与窃盗。如果有人类挡道，这种货车就无法运作，因此代表很容易成为目标。
解决办法很明显：让一个人一路搭着货车。这个任务比开车容易多了，而且货车也能开得更远，不用停下来或休息。可以有一个人搭乘大上许多的车辆，或是搭上由许多车辆连结起来的车队。11但车队中至少有一辆货车还是有个驾驶座可容纳保护车辆的人类，处理货车两端装货与卸货有关的物流与人际往来，同时沿路引导穿过意外状况。所以我们还无法取消这些工作。目前的货车司机是最有资格也最有经验从事那些任务的人，他们可能也是最早被雇用担任这个重新定义角色的人。
本章重点
* 一项工作是由多种任务组成。在分解工作流程及使用AI工具时，有些原先由人类执行的任务可能会自动化，其余任务的排序和重点或许会改变，也可能创造新的任务。因此，组成一项工作的多种任务可能会改变。
* 执行AI工具会对工作产生四种意涵：
1. AI工具可能会使工作能力增强，就像电子表格和簿记员的例子。
2. AI工具可能使工作缩减，像是订单履行中心。
3. AI工具可能会导致工作的任务重组，有些任务会增加，也有些被移除，就像放射科医师。
4. AI工具可能转移特定工作所需的具体技能重点，像是校车司机。
* AI工具可能转移特定技能的相对报酬，因而改变最适合那份工作的人工类型。以簿记员的例子来说，电子表格的出现，使得快速以计算器进行许多计算的报酬因而降低。另一方面，善于问出适当问题、充分利用科技功能而有效率地进行情境分析的报酬却会增加。
PART IV
策略
