彼得·泰尔:机器人是人类的救星,而非敌人

简介:

硅谷投资家彼得·泰尔为英国《金融时报》撰写的文章,题为《Robots are our saviours, not the enemy》,由FT中文网翻译。彼得·泰尔在硅谷素以逆向思维、带有哲学思辩的独立思考著称。


与当年指导宇航员登月的计算机相比,今天每一部智能手机的数据处理能力都要胜出几千倍。如果摩尔定律依旧准确,未来计算机将更加强大。根据摩尔定律,计算能力大约每两年增加一倍。


但今日的美国人较少再幻想计算机将帮人类实现丰功伟绩,而是越来越恐惧计算机将夺走我们的工作。20世纪60年代时,许多人对节省人力的技术抱持乐观态度,而今这种乐观已让位于一个可怕的问题:你的劳动在未来有利用价值吗?或者是,你会被机器取代吗?


这种害怕被取代的情绪并不新鲜。15年前,美国工人曾担心来自墨西哥廉价劳力的竞争。1992年美国总统候选人罗斯•佩罗(Ross Perot)曾预言,一旦《北美自由贸易协定》(North American Free Trade Agreement)签订,那么沿着美国南部边境,人们将听到一个“巨大的吮吸声”。


今天人们认为自己又再度听到这个声音,但当他们循声追踪,找到的却不是蒂华纳(Tijuana,墨西哥西北部城市)的廉价工厂,而是得克萨斯州的服务器群。美国人害怕“不久的将来”的科技,因为他们将此视作“不久的以前”出现的全球化的重演。


但两种情况有很大不同:电脑不像他国人类同胞,它们无法取代美国劳工。人和机器擅长的事情是不同的。人类可以在复杂情况下制定计划和作出决定。我们不擅长分析海量数据。计算机则正相反,它们擅长高效处理数据,但很难作出任何人都能轻易作出的基本判断。


我是从担任Paypal首席执行官的经验中得出这一结论的。在21世纪头十年中期,我们挺过了互联网泡沫破灭,得到了快速增长,但我们遇到了一个大问题:我们每月因信用卡欺诈起码要损失1000万美元。由于我们每分钟要处理成百上千笔交易,所以不可能对每笔交易进行审查。由人力构成的质量管理团队绝不可能审查得这么快。


我们试过用编写软件来解决这一问题,该软件可以自动识别虚假交易,并实时取消。但事实很快证明这种方法行不通,只一两个小时后,窃贼们就搞懂了软件,然后改变策略以欺骗我们的算法。


然而人工分析师不会轻易被犯罪分子的适应性策略骗过。因此我们采取混合的方法重新编写了软件,先由计算机标记出最可疑的交易,再由人工操作者作出最终判断。


这种人机合作令Paypal得以维持经营,反过来又让几十万家小企业能够收到付款,令它们得以在互联网上茁壮成长。


尽管大多数Paypal客户以为我们只是一家软件公司,他们甚至从没听过人机合作解决方案,但没有它的话,我们不可能获得这样的成绩。大多数人因对自动化的着迷,而忽视人类在软件运行中的作用,忘记如果没有人类操作,软件自身毫无价值。


风险投资家马克•安德烈森(Marc Andreessen)曾宣称:“软件正吞噬整个世界。”但这种担心是缺乏理性的。


我们似乎已经忘了计算机不会吃东西。无论是对工作还是其他任何事物,它们都没有任何欲望。它们是不存在的。计算机所需要的不过是少许电力,而且就连这点需求它们都没聪明到主动提出。


与计算机不同的是,人类确实要吃东西:无论是上海的鱼翅还是圣地亚哥的鱼肉玉米饼,人人都需要食物。人类还要喝饮料、钻石油、开采矿藏——而这些物资都在同一颗行星上。


所以美国消费者一方面得益于中国新近的全球化,能够买到便宜的玩具和纺织品,另一方面也要支付更高昂的油钱,因为中国新兴车主们的需求推高了汽油价格。


而且人类的欲望并不仅限于维持生存,随着全球化推进,人们的要求将越来越多。中国数亿农民既然终于可以吃饱,他们自然希望肉的比例能够提高。


这个世界的资源是有限的,全球化带来的一大长期威胁就是资源需求急剧上升。所以我们需要新技术来减轻这一威胁。


人类与电脑合作,将可以致力于因为电脑而出现的新事务,倘非如此,我们将处于一个不平静的世界。在这个世界里,所有旧式工作将保持不变,工资将下降,物价将上涨,因为整个世界的人们将竞相工作,竞相消耗物资。


人类最大的敌人是人类自己,人类最重要的盟友是机器,它们让我们能够去做新的事情。


原文发布时间为:2014-10-21

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关文章
|
SQL 分布式计算 数据可视化
滴滴出行大数据数仓实战
滴滴出行大数据数仓实战
559 0
滴滴出行大数据数仓实战
|
设计模式 前端开发 开发者
css 三栏布局的实现
css 三栏布局的实现
296 0
|
JavaScript 前端开发
Javaweb之Vue组件库Element之Form表单的详细解析
4.3.4 Form表单 4.3.4.1 组件演示 Form 表单:由输入框、选择器、单选框、多选框等控件组成,用以收集、校验、提交数据。 表单在我们前端的开发中使用的还是比较多的,接下来我们学习这个组件,与之前的流程一样,我们首先需要在ElementUI的官方找到对应的组件示例:如下图所示:
264 0
|
8月前
|
存储 JSON 安全
Go语言切片,使用技巧与避坑指南
Go语言中的切片(Slice)是动态引用数组的高效数据结构,支持扩容与截取。本文从切片基础、常用操作到高级技巧全面解析,涵盖创建方式、`append`扩容机制、共享陷阱及安全复制等内容。通过代码示例详解切片特性,如预分配优化性能、区分`nil`与空切片、处理多维切片等。掌握这些核心知识点,可编写更高效的Go代码。
278 2
|
3月前
|
数据采集 运维 安全
2025年T-BOX产品综合评测发布:这几款产品为什么值得重点关注?
树根科技T-BOX以“终端+平台+应用”一体化模式,深度融合工业互联网,支持多协议接入、高精度定位与云边协同,广泛适配工程机械、物流、特种车辆等场景。依托根云平台4.0,提供数据采集、远程控制、电子围栏、OTA升级等能力,助力设备数智化管理。产品通过CCC、CE、FCC等全球30国认证,服务于三一重工、普茨迈斯特等头部企业,实现设备透明化运维、后市场服务升级与全球化合规出海,是工业物联网时代高可靠性、强扩展性的优选方案。
204 0
|
机器学习/深度学习 人工智能
一个模型走天下!智源提出全新扩散架构OmniGen,AI生图进入一键生成时代
智源研究院推出OmniGen,一种全新的扩散模型,旨在克服现有图像生成模型的局限性。OmniGen能处理文本到图像、图像编辑等多任务,具备高效、简洁的架构,仅含VAE和预训练Transformer。通过大规模统一数据集X2I训练,OmniGen展现了强大的多任务处理能力和知识转移能力,适用于虚拟试穿、图像修复等多个领域。尽管如此,OmniGen在特定任务上的性能、训练资源需求及可解释性等方面仍面临挑战。
41970 20
|
SQL 监控 供应链
|
传感器 Python
"AD类"传感器
"AD类"传感器
337 2
|
SQL 关系型数据库 MySQL
mysql触发器 更新大数据
【4月更文挑战第18天】
256 0
|
人工智能 算法
探索AIGC技术在小学教育中的创新应用
本文探讨了AIGC技术在小学教育中的创新应用,介绍了如何利用AI协助小学老师进行课程设计、备课、教学评估等工作。同时,也分析了AIGC技术在教学中的优势和不足,并探讨了未来AIGC技术在小学教育领域的发展趋势。
1250 52