为什么人工智能不能帮你洗衣服

为什么人工智能不能帮你洗衣服

很多时候，人工智能会做我们人类想做的事情，而不是我们不能或不愿做的事情。

AI 可以做以下事情：

• 写一首十四行诗或短篇小说
• 创作现实或抽象的艺术作品
• 编写一个激情项目
• 向学生传授新概念

有人可能会说人工智能在所有这些或大部分事情上都做得很差，这种说法很合理。但归根结底，人工智能在某种程度上可以做到这一切，而且只会随着时间的推移而不断进步。

现在，有些事情是人工智能无法做到的：

• 砌砖
• 清洁浴室
• 解决世界饥饿问题
• 分发蚊帐
• 洗碗
• 洗衣服

这里有一个规律。人工智能可以写诗，但不能洗衣服，这很疯狂，也有点令人沮丧。一般来说，人工智能能够做人类想做的事情，但不能做人类****不想做或不能做的事情。关于机器人技术，已经有很多关于这个话题的讨论，以及为什么在许多方面实现体力劳动的自动化比建立一个推理或解决困难数学问题的语言模型更难。但我想在这篇文章中解决一个更普遍的问题：为什么人工智能会做我们想做的事情，而不是我们不想做或不能做的事情？我们该如何解决这个问题？

但这种推理背后隐藏着三个假设：首先，体力劳动比创造性任务更难实现自动化；其次，体力劳动更容易实现自动化，而创造性任务则不然；最后，体力劳动和白领知识工作是人工智能可以完成的两种主要工作类型。所有这些假设都有待商榷，而且并不像看上去那么真实。

人工智能可以帮你洗衣服吗？

如今，人们说“AI”时，通常是指“大量数据的深度学习”。如果你使用这个定义，那么不，AI 不能帮你洗衣服。

但如果你问科技是否可以帮你洗衣服，答案是肯定的。洗衣机和洗碗机对人类来说是不可思议的：它们能够彻底完成这些家务，同时消耗的能量比手工清洗要少。[1]在这些电器发明之前，人们，尤其是女性，经常呆在家里做这些家务。在这种情况下，自动化实际上大大提高了劳动力参与率，让女性有更多的自由去工作，而不是把所有的时间都花在家庭上。[ 2 ]

1896 年《麦克卢尔杂志》上的《完美贵格会洗碗机》广告。图片来源：维基媒体，公共领域。

现在，洗衣服和洗碗的任务主要涉及将衣服或碗碟移到适当的位置并按下几个按钮。如果我们有机器人可以从盘子上刮下食物并将其放入洗碗机，或者折叠并挂起烘干机中的衣服，深度学习 (DL) 可以改善这一点，但目前的情况已经相当不错了。

因此，也许人工智能，或者更确切地说是技术，已经可以帮你洗衣服了。

除了洗衣和洗碗，正如历史上人类的大部分工作都是体力劳动一样，自动化的大部分工作也是如此。的确，识字率的提高淘汰了抄写员，计算器在很大程度上取代了人工计算机。但我们也看到工业革命取代了纺织工人，现代制造业取代了铁匠，我们甚至看到闹钟取代了人类的“敲门器”。

1949 年夏天，德莱顿飞行研究中心设施内 NACA 高速飞行站“计算机室”中的人体计算机。

直到最近一波人工智能浪潮中，这一趋势才似乎被扭转。深度学习技术处理人类知识工作比处理体力劳动要容易得多。它们可以以超人的水平下棋和其他游戏，甚至可以解决未解的数学问题。但它们无法可靠地处理路上的意外事件[ 3 ]，甚至无法给你端来一杯茶[ 4 ]。

这就是所谓的莫拉维克悖论：对我们来说似乎很难的事情（比如推理）对计算机来说却很容易，而我们轻而易举就能完成的感觉运动和感知任务却很难复制。你可能会认为这些任务与更“高级”的推理任务之间的区别在于硬件，而构建合适的硬件来支持智能是一个难题。但困难实际上（主要）是在软件方面：人类可以很容易地控制机器人执行这些任务。[ 5 ]

其中一个主要问题是，没有足够的高质量数据供机器人进行训练。[ 5 ] 还有其他问题，但如果不解决这个问题，机器人的深度学习方法就不可能达到我们在其他人工智能模型中看到的效果。相比之下，大型语言模型能够在整个互联网上进行训练，并且可以在训练中包含图像和文本。

这就是问题的症结所在，也是为什么人工智能不能做我们想要自动化的体力劳动，而是做我们想自己做的创造性工作的原因。互联网上充斥着从抖音舞蹈到哲学经典著作等各种内容，但我从未见过第一人称视角的洗碗视频片段，其中包含完整的肌肉运动数据。互联网主要是人们分享知识工作和激情的地方。通过在互联网上训练人工智能，我们在很大程度上是在训练人工智能模仿人类的创造力和独创性，同时省去生活中的苦差事。

解决这个问题有两种方法：要么收集更多数据，要么创建数据。为了创建数据，我们可以使用强化学习 (RL)。我们可以在模拟中训练机器人，甚至在现实生活中训练机器人，以最大化我们设定的某些奖励。但这很容易受到奖励黑客攻击：我们在 CoastRunners 等游戏中见过这种情况，这是一款赛艇视频游戏，其中人工智能通过击倒目标而不是完成比赛来获得高分。[ 6 ] 举一个更危险的例子，一个只受过为你泡茶训练的机器人可能会撞倒门、洒热水和打碎杯子，只要它实现了为你泡茶的目标。

还有一个选择就是在互联网之外收集数据。我们可以以人类执行任务作为起点，而不是训练纯强化学习机器人。但获取所有这些人类输入的成本很高，而且对于人类来说太危险或太困难的任务，这种方法并不适用。

如果我们暂时放下对人工智能的狂热，我们可能会质疑深度学习是否真的可以用于此目的。机器人初创公司通常不使用深度学习[ 7 ]，这是有道理的，因为深度学习是一种统计技术，有容错空间，而机器人技术需要完美的可靠性。与纯粹的强化学习/深度学习相比，我们可能会看到非深度学习方法的增长，或者更有可能的是两者的混合。

我期待在未来几年看到机器人技术取得重大进展，甚至可能出现“ChatGPT 时刻”。但这些障碍可能会继续限制我们在机器人技术方面取得的进展，而我们将看到人工智能在创造性工作和知识工作方面取得更多进展，这是我们在互联网上看到的数据类型的结果。

人工智能应该帮你洗衣服吗？

主流观点认为，人工智能应该自动化体力劳动，而不是创造性和刺激性的任务。在很大程度上，我同意这种观点。但这并不像看起来那么明确。

“卢德分子”一词现在被用来形容任何反对新技术的人，它起源于 19 世纪英国的一群纺织工人，他们感到工业革命的新技术对他们构成了威胁。他们花了数年时间改进自己的工艺，生产出高质量的服装，而突然间，那些几乎没有专业知识的人也能用新机器大量生产纺织品。最终，卢德分子非常愤怒，开始在英国各地砸毁纺织机，政府规定这种行为可处以死刑。[ 8 ] 显然，他们并不乐意自己的工作被自动化，尽管这项工作更多的是体力劳动而不是知识劳动。

确实，与洗碗或洗衣服不同，手工纺织工作除了需要体力劳动外，还需要大量的专业培训和艺术技巧。但许多涉及体力劳动的工作都是如此：水管工、机械师、电工和焊工都需要大量的培训来提高他们的技能，而木工等行业甚至可以说是一种艺术形式。即使情况并非如此，重要的事实是，**从事技术行业的人往往对自己的职业感到满意：**事实上，超过 90% 的人对此感到满意。[9] 自动化取代他们的生计并不比自动化电子表格工作者的生计更可取。

拖拉机，一种可以自动化完成大部分传统农民工作但又不会取代农民的机器。

知识工作与蓝领工作的区别有助于我们了解人工智能最有可能实现哪些工作自动化，但对于确定人工智能**应该实现哪些工作自动化则没有那么有用。为此，我们需要从一个简单的问题开始：人们愿意做这项工作吗？

如果我们看看幸福感最低的职业[ 10 ]，我们会看到蓝领和白领工作混合在一起。虽然我们在社交媒体上听到了对人工智能将艺术家或程序员自动化的担忧，但我们发现，当前人工智能自动化的许多实际候选人都是我们在这个列表中找到的：数据分析师、客户服务代表、行政助理。其他蓝领职位，如收银员和零售销售员，本身并没有被自动化，只是在减少：我们现在有更多的自助结账和网上购物。

当我们说我们希望人工智能帮我们洗衣服时，我们并不一定意味着我们希望它能自动化蓝领工作而不是白领工作。相反，我们希望它能自动化生活中那些既不能赚钱也不能给我们带来满足感的无聊部分。这对经济和人类生计都有好处：我们看到新家用电器的发明提高了劳动力参与率，因此用于类似目的的人工智能肯定会提高经济生产力和人类繁荣。如果我们能让人工智能来做饭、打扫卫生和倒垃圾会怎么样？

除了洗衣服，AI还能做什么？

人工智能应该做什么和它将做什么并不总是相同的。在我看来，不幸的是，人工智能将取代一些想保住工作的人的工作。这可能不会像卢德分子那样明显，但经济激励的转变不会对每个人都百分百有利。就像任何新的自动化一样，它也会造成伤害。

当面临人工智能伤害我们的可能性时，我们可以也应该问自己，如何让人工智能像普通人一样为我们服务。一个明显的选择就是做饭、打扫卫生和倒垃圾等家务。拥有能够做这些非职业家务的机器人将让人们有更多的时间工作和享受，就像过去的洗衣机一样。

但人工智能的作用远不止家务。到目前为止，我主要谈论的是使用机器人来自动化人类不想做的事情，比如他们不喜欢的家务和工作。但同样重要的是，人工智能可以自动化人类无法做到的事情，至少是不可行的事情。与人工智能自动完成一行代码或设计一个标志不同，这将是迈向利用人工智能建立一个繁荣世界的重要一步，远远超出人类自己所能实现的目标。

互联网上充满了人类已经做过的事情，因此训练 AI 去做人类无法自己完成的事情似乎不太好。但这句话的关键词是人类无法完成的事情**。**客户服务就是一个很好的例子：人类可以通过电话提供客户服务，但不可能在任何时候、为所有公司、为所有可能有投诉的客户都提供这种服务。有了大型语言模型，就可以大规模自动化，最终使用来自互联网的人工数据来完成人类无法组织完成的事情。像 Bland AI 这样的公司已经在研究这个问题了。

另一个例子是上采样：简单地说，就是获取现有的图像、视频或音频，然后以某种方式填补空白。2023 年，幸存的披头士乐队成员使用人工智能从旧录音中恢复了约翰·列侬的声音，并发行了披头士乐队的最后一首歌曲《Now and Then》。[ 11 ] 我们可以想象人工智能上采样的一般原理，例如重新制作老歌、为历史照片制作动画和着色，以及出于商业和工程目的清理各种噪声数据。

然后是科学实验。科学实验室很昂贵，即使你有一个实验室，进行实验仍然很昂贵。人工智能可以在不需要进行真正的实验的情况下提供至少相当准确的实验结果，让科学家能够更快地完善他们的理论，同时更有选择性地进行实验。像AlphaFold这样的技术证明了这一点，并有望加快可以拯救生命的研究。

AlphaFold 旨在预测的蛋白质结构图解。

最后，机器学习的主要目的之一就是预测：给定一些过去的数据，我们使用统计方法来预测接下来会发生什么。新的机器学习方法正用于金融、天气甚至早期自然灾害预警的预测。没有人能够看着一个巨大的电子表格并得出这些预测，即使是使用 Excel 公式也不行，所以这是使用人工智能来扩展而不是取代人类潜力的另一个例子。

与客户服务或上采样不同，我们需要专门的数据集来实现许多应用，例如自动化科学实验和预测：我们不能将互联网数据直接放到模型上。但到目前为止，我们在这些领域取得了令人鼓舞的成功。

关于人工智能自动化的争论往往只集中在用人工智能取代人类活动上，有些我们喜欢，有些我们不喜欢。我们很容易忘记人工智能也可以帮助我们完成人类无法做到的事情，就像早期的计算机程序，从计算器到象棋机器人。

人工智能激发人类潜能

人工智能并不一定意味着取代人们热爱的工作，并让人们一无所获。理想情况下，我们可以出于两个主要原因使用人工智能：第一，自动化人们讨厌的工作；第二，做一些人们没有人工智能就无法完成的事情。

即使是将人们讨厌的工作（如客户服务）自动化，也存在着取代生计的风险。但如果公司赚了更多钱，他们就会想用这笔钱来卖出更多产品；为了卖出更多产品，他们希望雇佣新人。这些新工作应该比正在被自动化的工作有更好的工作条件和更多的成就感。我们过去经常从自动化中得到这一点：有了 3D 打印，CAD 工程师的工作条件比工厂工人更好，工作可能也更有成就感。如果我们小心谨慎，我们也可以用人工智能复制这种良好的自动化。

自动化是人工智能最明显的可能结果：我们拥有了具有某种智能的新事物，我们自然会想到它如何在我们人类已经扮演的角色中增强或取代我们自己的智能。但也许更好的办法是思考人工智能可以以更隐蔽的方式做我们做不到的事情，比如上采样、预测和预测科学实验的结果。

我们可以而且应该开发能够提高人类潜能而不是取代人类潜能的人工智能。我们应该这样做，但目前还不确定*：*如果我们（和政策制定者）​​打错牌，人工智能开始为企业自动化人力劳动，而不创造新的工作岗位来弥补，这是真正有可能的。如何发展仍取决于我们。