自從幾千年前的腦力勞動和體力勞動分家後，人類便不斷地透過腦力勞動創造新工具來減少重複或者危險的體力勞動。依此規律，機戒化工具主要是取代了高強度的體力勞動，電氣化工具主要是取代了高速度的體力勞動，自動化工具主要是取代了高精度的體力勞動，而今天的人工智慧，作為人類社會發展到這個階段必然誕生的新工具，其主要作用是取代高邏輯度的體力工作。例如，快訊編輯、外語翻譯、商品導購、病情診斷、下棋打牌、駕車開船、燒飯掃地等等，任何一種透過查手冊和重複訓練就可以掌握的工作技能，都能被相應的智慧化工具取代。好在很多這樣的工作，人力成本還並不高，於是智慧化工具的價效比成了這些工作何時會被取代的主要因素。

由此也可以看出，不會被智慧化工具取代的工作必然是那種邏輯規律較難把握的，例如心理醫生、人力資源管理、創業、工業設計等。但凡人類今天還沒有摸索出規律的職業，人工智慧也解決不了。

此外，以史為鑑，任何科技的進步，必然伴隨著新興行業和細分職業的誕生，例如馬車伕-司機-網約車司機，這是社會化分工的必然趨勢。所以可以預測，人工智慧的產生和發展，在取代一部分職業的同時，也會創造更多的新職業崗位，並且新崗位需要更少的體力勞動，例如自動駕駛網約車監控員。

“懶”是我們進步的動力，沒有最“懶”，只有更“懶”，所以如果你的職業體力消耗大、規律性很強的話，那麼趕緊做好創新的準備吧，至少你可以發明一套邏輯演算法來取代自己的職業和那些同行。

​

如果說數字化轉型是企業界正在發生的變革，那麼智慧化就是先行者的機遇。

剛剛過去的人機圍棋大戰，柯潔0：3敗給了人工智慧系統AlphaGo（阿爾法圍棋）。人會在具有特定規則的一個命題輸給機器也許是早晚的事情。

事實上，圍棋和人工智慧這兩件事兒都太過高深，我們更震驚的點在於，居然在硬體計算能力不足以支撐一個計算機在圍棋這一難題上勝過人類的前提下，科學家另闢蹊徑，從大資料和演算法的維度，也就是深度學習，實現了這一目標。接下來要做的，就是用這個技術造福人類了。

一、基於資料分析的六種顛覆模型

如上圖所示，資料分析體現在商業價值的方式主要有六種：

1、基於正交資料的商業模型，主要應用於保險、醫療、人力；

2、大型實時匹配演算法，主要應用於交通和物流、自動化、智慧城市和基建；

3、個性化精準服務，主要應用於醫療、媒體、保險、人力；

4、大型資料整合，主要應用於銀行、公共服務、保險、人力；

5、資料驅動的技術進步，主要應用於生命科學和製藥、材料科學、科技發明；

6、最佳化決策過程，主要應用於智慧城市、保險、醫療、人力。

二、六類行業數字化程序

1、規模相對較小，知識密集型的領域，如媒體、金融等企業，數字化的程度較高；

2、資本密集型，發展潛力巨大的領域，如能源、製藥等企業，數字化的程度較低；

3、對於大型服務部門，或者說業務部門，因存在客戶交易空間而需要數字化；

4、B2B行業需要於客戶和使用者進行互動，所以具有數字化潛力；

5、勞動力密集型產業數字化程度不高，但具備潛力用於勞動力轉化和生產力提高；

6、大型本地企業由於低效運營，未來可能考慮數字化運營。

*不同行業數字化差異（色塊示意數字化程度）

三、下一波機遇：智慧化

顯然，基於機器人技術、人工智慧等新興技術實現生產自動化，能夠進行更高的資料吞吐量，改善預測模型，提高結果的準確性，進行決策最佳化，甚至在生物學、材料學等大規模的複雜問題上也很有潛力，提供了新的商業模型。

*機器學習在各個行業中的應用潛力（色塊代表不同行業）

*不同行業的不同部門具有不同的自動化潛力

事實上，現在已經有一些透過智慧化自動技術造福企業的案例：力拓（Rio Tinto）已經部署了自動拖運卡車和鑽井澳洲皮爾巴拉礦山的機械裝置，據稱機械利用率提高了20%；谷歌利用DeepMind機器學習演算法，減少了公司40%的年均能源消耗；自動化“直接處理”（straight-through processing）應用於金融服務工作端到端的工作流，增強了工作的可伸縮性。此外，機器學習還被大量的應用於跨部門業務。

四、社會效益：就業和工作

自動化的未來許諾了生產力水平的提高，但給勞動力市場帶來隱憂。自動化活動更容易覆蓋的是食品服務、製造業、交通運輸、倉儲和零售貿易這類具有高度可預測性和結構化物理活動環境的工作。

事實上，對於大部分職業來說，部分自動化，也就是技術發展的初、中期，機器並不會取代人，只是會改變現有的工作方式，而且還會創造工作機會。

*全球工作活動自動化程度示意

對於企業來說，自動化可行的關鍵在於五個點：

1、是否具有持續的突破性創新的潛力？

2、如何開發和部署來解決成本問題？

3、勞動力市場的動態，也就是供需關係導致的人事成本較之自動化如何？

4、自動化能帶來的業務和經濟福利是否覆蓋勞動力替換成本？

5、監管部門、使用者和社會的接受度如何？

以目前技術的成熟度來看，大規模、增長緩慢的企業會顯得比較積極，小步快調，尋找新增長點，以及新的機會市場跑馬圈地；但是小型企業並不一定需要在這個時間節點進行盲目嘗試，因為各方面的人才成本、基礎設施成本、風險等都需要考慮，趕早不如趕巧。

因人工智慧（AI）發展而產生的工作替代，我們認為應該從產業角度去做一個理性、客觀的分析。

其一，產業應用不像學術界或輿論界，在理論或者設想層面成立即可，而是要求技術應用能夠切實的被完成，這是所有探討的基礎和核心；其二，產業界是十分精明的。整個技術落實到產業層面後所優先考慮的問題應該是，這個實際應用的價效比有多高。

因此，我們得出結論——最後被人工智慧替代的工種一定是在現有AI的演算法之下人工智慧能做得比較不錯，且價效比高（人力成本高而使用AI成本很低）的工作。

針對這個結論，我們從三個維度來具體分析。

1、人工成本十分高昂的工作。

這裡特質一些重複性比較強且經濟價值相對沒有那麼低的工作，這裡最典型的案例是同聲傳譯。

首先，同聲傳譯本身就是一個高價值、高人力成本的工作，而在人工智慧介入之後，其使用成本將變得非常低廉。這是因為“機器傳譯”本質上是一個軟體服務，它最後會基本消解邊際效益。

其二，目前的人工智慧“語音識別”技術已經達到了商用的水平。伴隨現在機器自動發音技術的持續發展，機器翻譯日臻成熟，已經有很多創業團隊突破了原先“文字到文字”的簡單技術手段，進而升級到“語音到語音”的端到端翻譯技術。雖然當下的技術還只能應對日常會話水平的同聲傳譯，但是按照現行研發的進度和趨向，機器翻譯將不斷最佳化細節問題，進一步降低語言的容錯率，擴充套件更多語種和應用，最終發展到精準同傳的程度，使溝通無障礙成為可能。

2、規模的效應十分明顯的工作。

與上述可見人工成本巨大的工作不同，有些工作雖然單一工作人員成本很低，但是本身技術含量很低且規模化效應很強，替代的技術應用方式本身成本也不高。

比如，餐廳裡的傳菜員和洗碗工是一個十分龐大的群體，隨著人工智慧的發展（比如自動洗碗機），在不遠的未來，他們也很有可能被替代掉；再比如商超裡的收銀員，甚至最後替代這一職能的都不會是人工智慧含量很高的解決方案，說不定只是一套常規的企業服務技術，但是因為規模化效應強，大家總會本著提高效率的意圖想方設法去進行替代。再往上說一點，人工智慧的“影象處理”技術日漸精進，使得其在醫療領域已經開始有所作為，比如，幫助醫生去做輔助診斷，於是，醫院中一些專職的助理醫生有可能被替代，還有在自主巡航機器人的發展達到一定階段後，未來很多地方的安保人員也可能會被替代。這些不僅值得，而且還是我們能看得到的。

3、對技術安全性和穩定性要求比較高的工作。

雖然這些工作本身的人力成本投入或規模屬性沒有那麼明顯，但是這些工作對從業人員的安全性保障要求很高。這些工作所對應的是嚴肅的隱性成本，故此我們應該從使用技術本身的屬性出發去考量。

比如，司機群體中最應該被替代掉的應該是農用機械的司機、卡車司機、礦車司機、機場或倉庫中的叉車司機等，這些也是人工智慧“自動駕駛”技術能夠達到的。尤其是礦車司機，其在執業過程中出現危險的機率很高，在這種情況下，找機器替代就顯得十分重要。已經有創業公司在著手做這件事了，我們很容易預言這種工作會在短期內被迅速替代掉。

這裡多提一句，雖然“自動駕駛”以現階段的研究成果來看，只能承擔在有限環境下或低處執行的工作，但是，這門技術已經在學術上被證明可行，並在實踐中得到了路徑清晰的發展，因此在可預見的未來完全是可以實現“L4”和“L5”水平的自動駕駛，從而代替乘用車司機的。

綜上所述，很多人對人工智慧的應用提出過很多天馬行空的想象，這並非是壞事。只不過這件事太遠了不好想，我們姑且從可視的方面先去看，人工智慧技術有哪些已經成熟的可供商用，並且在這個前提之下分析，什麼樣的商用的價值比較高。比如，現在讓人工智慧做語音“理解”的事情還很難，所以類似記者這類需要充分理解語義的工種，目前的人工智慧技術並無法達成。

此外，從成本角度來說，人工智慧的使用成本必然呈現逐漸下降的趨勢。比如，手機攝像頭原先的成本很高，但是後來也就慢慢降下來了。人工智慧也是一樣，當技術成熟、成本下降，未來會有更多工作會值得被替代。

在目前技術而言，人工智慧最大程度上，還是以輔助人力為主，主要是一些重複性的機械性質的動作，像一些工廠的流水線，倉儲類的，需要搬運，有固定路線的工作，體力工作，一些不怎麼需要腦力勞動的工作等等，但是隨著技術的發展，大量的簡單的腦力勞動者，也會被人工智慧取代，比如股票交易員，銀行職員，像華爾街的交易市場，已經有大部分的職員被人工智慧所取代。歡迎關注“老劉聊科技”，每天分享大量的人工智慧最新資訊。