公眾對人工智能似乎有著很多不切實際的傳聞和誤解。
今年6月，阿里巴巴創始人馬云表示，AI不僅會對很多工作造成巨大威脅，還有可能會引發第三次世界大戰。他告訴CNBC，因為AI，在未來30年，我們將會每周只工作4天，每天4小時。
Recode創始人Kara Swisher在NPR的“Here and Now”節目中表示完全認同馬云的說法。她還認為“如果一個工作是重復性的，不具備創新力，那么就會被數字化”，“一個幾乎沒有就業機會的社會是不難想象的。”
她甚至認為只有養護老人和兒童的工作才會留存下來，因為這些工作需要AI無法提供的創造力和情感。
但對于我來說，這一切很難想像。我同意現在很難預測技術革命后的新工種，但主要原因是它們并不是突然產生的。這些新工種需要我們創造出來。我們不需要的是有關世界末日的預言。
常見的誤區
誤區1：AI會消滅我們的工作——這不是真的。
馬云和Swisher的想法和許多商業和政治評論家甚至許多技術人員的想法一致。最常見的誤解就在于AI和重復性任務。自動化不過是計算機編程，并不是AI。Swisher所提到的只需要一個人的亞馬遜未來自動化倉庫并不是AI。
我們人類非常擅長系統化、機械化和自動化。我們已經做了很多年了。它需要人類的智力來自動化，也就是說自動化本身不是智能的，這一點很重要。當那些對AI存在誤解的人不斷的重復“智能”時，他們往往會忽視“創造力”的重要性。如果用自動化取代一個工作時并沒有創造出一個新的工作，那只能說明是人類的想象力出現了問題。
在我研究AI系統的20年里，我看到人們一次又一次的嘗試使用計算機自動執行基礎任務，并過度營銷為AI。與此同時，我已經將AI應用在了本不該存在的地方，解決了我們無法用傳統方法解決的問題。
例如，幾年前，我和我在麻省理工學院的同事想要通過了解細胞DNA是如何被閱讀的來設計個性化的療法。我們并沒有將計算機限制在我們所熟悉的生物學知識上，而是指導AI思考如果把DNA當作是經濟學該是什么樣的，并讓計算機以此為基礎建立模型。然后，AI使用自己的模型在幾秒鐘內模擬出了遺傳行為，而精度和傳統的DNA電路模型一致。
目前，各式各樣的AI系統被建立起來，但是卻被限制在解決狹義問題上。競爭的焦點圍繞著越來越復雜和通用的AI工具包，而不是AI本身。大多數公司的期望是創造一個可以和人類跨領域合作的AI，比如IBM的Watson廣告。IBM的目標是將如今最強大的工具包轉變為業務的基礎架構。
AI的更大目標是合作建立一個認證機構，圍繞我們所關心的但是現在無法解決的問題。這是一個巨大的機會空間，但是如果不打破關于AI的那些誤區，我們將會面臨著很多困難。
誤區2：機器人就是AI——錯。
工業機器人、無人機、倉庫中的自組織貨架，甚至我們發送到火星上的機器都僅僅只是運行程序的機器而已。
誤區3：大數據和分析是AI——錯。
大數據和分析，以及數據挖掘、模式識別、數據科學等等都只是人們賦予的很酷的名字，而計算機所做的僅僅只是基于人類所創造的模型。它們也許很復雜，但并不是AI。數據就像你的感官，不能僅因為嗅覺可以觸發記憶，你就認為嗅覺是智能的。
誤區4： 機器學習和深度學習是AI——錯。
這些只是用于編程計算機對復雜模式做出反應的工具，例如你的電子郵件通過學習數百萬用戶識別垃圾郵件的模式來過濾掉垃圾郵件。它們是AI工具包的一部分。它們看上去很智能，但并不是AI。
誤區5： 搜索引擎是AI——不對。
你也許可以通過各種不可能的方式來搜索信息，但是作為搜索者的你才是智能的那一部分。計算機所做的是識別出你的搜索模式，并向別人推薦相同的模式。它并不了解它發現的任何東西，作為一個系統，這是夠蠢的了。
在我自己的AI研究中，我在面對還原方法過于復雜時才會使用AI來解決。那是因為AI可以讓我們提出在傳統科學環境中不容易提出的問題。例如，20多年前，我和我的同事使用AI來更快更精準的定位手機。傳統科學沒有幫助我們找到定位的方式，所以我們通過AI來解決這一問題。
順便說一下，我們的AI解決方案實際上創造了工作崗位。
AI最重要的屬性并不是處理數據或者執行程序，而是通過學習完成我們人類無法做到的事情。這是一種合作伙伴關系：我們人類引導AI，并學會提出更好的問題。
不過有一點Swisher是對的。我們應該弄清楚下一代的工作是什么，而不是糾結于目前的工作是具有創造性還是重復性。我注意到，AI工具包已經在各大科技公司創造了數以千計的工作崗位。
我們可以選擇繼續對反烏托邦的AI恐慌，或者我們利用AI來解決傳統手段無法解決的問題，并發揮我們的想象力來創造出新的工作崗位。
