2009年10月11日，洛杉矶天使隊在美國職業棒球大聯盟季後賽的較量中戰勝了波士頓紅襪隊，將與紐約揚基隊争奪聯賽冠軍，並獲得進入世界系列冠軍賽的機會。這場勝利讓天使隊格外激動，因為僅僅在六個月前，他們當中最有前途的球員和投手——尼克•亞登哈特（Nick Adenhart）被一名醉酒司機駕車撞死。一位體育記者在文章開頭這樣描述了這場比賽：
天使隊第九局一度落後2分，形勢十分不妙，但基米爾•格雷羅（Vladimir Guerrero）關鍵的一記安打使洛杉矶看到了希望，最終在週日於芬威公園以7：6戰勝波士頓紅襪隊。
格雷羅為天使隊拿下2分，4次擊球，打出3個安打。
格雷羅說在接受採訪時說：“如果要紀念尼克•亞登哈特，還有阿納海姆4月發生的一切，我可能會用（我的職業生涯中）這最漂亮的一擊，因為我要將它獻給我的前隊友，那個去世的家夥。”
格雷羅在整個賽季的本壘表現都很出色，尤其是白天的比賽。在白天的比賽中，格雷羅的攻擊指數達到.794 （OPS）。他在白天的26場比賽中，打出了5個本壘打，拿下13分。
該文的作者可能不會馬上就得到任何寫作的獎項。但文章卻仍是個了不起的成就：不是因為它可讀性強、語法正確，或是對棒球比賽有著準確的描述，而是因為作者是一項計算機程序。
提到的這款軟件叫做“StatsMonkey”，由西北大學智能信息實驗室的學生和研究人員創建。StatsMonkey通過將一場特定比賽的客觀數據進行加工，能自動編寫出一篇體育報道文章。該系統不只是簡單地羅列事實，它還融入體育記者同樣會加入的各種關鍵要素。StatsMonkey通過統計分析，識別出比賽期間發生的顯著事件，然後它會生成一篇自然的文章，總結出整場比賽的動態，同時還關註比賽的關鍵點和關鍵球員。
2010年，西北大學負責監管計算機科學和新聞專業StatsMonkey學生開發團隊的研究人員籌集到了風險投資，並成立了一家新公司“自動寫作技術公司”（Narrative Sciences, Inc.），欲將這項技術商業化。公司聘請了一批頂尖的計算機科學家和工程師，然後抛棄了原來的StatsMonkey計算機代碼，建立了更強大、更全面的人工智能引擎，命名“鵝毛筆”（Quill）。
自動寫作技術已被包括《福佈斯》在内的頂級新聞媒體所使用，其自動生成文章涵蓋各種領域，包括體育、商業和政治等。該公司的軟件大約每30秒鐘生成一篇新聞故事，其中很多發表在不想承認使用過該服務的知名網站上。在2011年的行業大會上，《連線》雜志作家史蒂芬•列維（Steven Levy）希望自動寫作技術公司聯合創始人克裡斯蒂安•哈蒙德（Kristian Hammond）預測一下未來十五年由程序寫出的新聞文章的比例，他的答案是：90％以上。
自動寫作技術公司將目光遠遠投向新聞行業之外。“鵝毛筆”被設計成一個通用的分析和叙述寫作引擎，能夠創作出一系列行業内外所需的高質量報告。“鵝毛筆”首先通過各種渠道收集數據，包括交易數據庫、財務和銷售報告系統、網站，甚至是社交媒體等。然後開始分析，梳理出最重要、最有趣的事實和觀點。最後，它將所有信息匯總成一篇連貫文章，聲稱能趕得上最好的人工分析師。“鵝毛筆”系統一旦配置成功，能幾乎在瞬間生成業務報告並能不間斷提供，完全不需要人工幹預。公司最早的支持者之一是中央情報局的風險投資商In-Q-Tel。公司的軟件可能會被用來把美國情報機構收集的原始數據流自動轉換成容易理解的語言格式。
“鵝毛筆”技術向我們證明，曾經只有受過大學教育的熟練專業技術人員才能駕馭的領域在自動化面前是何等的脆弱。當然，知識型工作通常需要各方面的能力。除此之外，分析師可能還需要知道如何從各種系統中獲取信息，進行統計或財務建模，然後寫成看得懂的報告和介紹。畢竟，寫作既是科學，也是藝術，似乎是最不能用自動化完成的事情之一。但它還是實現了自動化，而且程序算法還在迅速提高。事實上，因為知識型工作僅僅使用軟件就能實現自動化，所以在很多情況下，這些工作職位比需要體力操作的低技能工作更容易受到影響。
還有，寫作也恰好是雇主們總是抱怨大學生能力不足的領域。最近對雇主所做的一項調查顯示，約有一半新雇用的兩年制大學畢業生和超過四分之一的四年制學位畢業生寫作能力較差，有的甚至閱讀技能也很糟糕。如果智能軟件真能如自動寫作技術公司所說，比得上最有能力的人工分析師，那未來所有大學畢業生要實現知識型就業增長就更令人懷疑了，尤其對那些根本沒有做好準備的人來說。
大數據和機器學習
“鵝毛筆”寫作引擎是正在開發的衆多新的應用軟件中的一種，用以利用全球企業、機構和政府收集和儲存的龐大數據。據估計，全球存儲的數據總量現在要以上萬艾字節測量（一艾字節等於十億千兆字節），而該數據還有自己摩爾定律似的加速增長，大約每三年加倍一次。幾乎所有數據現在都以數字格式儲存，因此可由計算機直接操作訪問。僅谷歌的服務器每天就要處理大約24拍字節（一拍字節等於一百萬千兆字節）的信息量，主要是數百萬用戶每天在搜索的信息。
所有這些數據都有多種不同的來源。單就互聯網來說，來源就包括網站訪問、搜索查詢、電子郵件、社交媒體互動和廣告點擊等。企業來源包括交易、客戶聯系、内部溝通，還有財務、會計和銷售系統的數據等。在現實世界中，傳感器還會不斷捕捉工廠、醫院、汽車、飛機、以及無數其他消費電子設備和工業設備的實時運行數據。
這些數據的絕大多數都是計算機科學家所稱的“非結構化”數據。換言之，捕捉的數據以各種格式存在，往往難以匹配或比較。這與傳統的關系型數據庫系統有很大的不同，傳統系統的信息行列一致，整齊排列在一起，使搜索與檢索快速、可靠和精準。大數據的非結構化性質引領了專門用於理解各種渠道收集的信息的新工具開發。這個領域的迅速發展，至少在有限意義上，只是計算機開始染指人類獨有能力的一個例子。畢竟，能夠連續處理我們環境資源中的大量信息是人類特別擅長的事情之一。當然，不同之處在於，在大數據領域，計算機能夠規模化處理信息，而這對一個人來說是不可能的。大數據正對包括商業、政治、醫學和幾乎每一個自然和社會科學領域都產生著革命性的影響。
大型零售商依靠大數據對單個消費者購買偏好的洞悉到了前所未有的水平，讓他們能做出精確定位，在增加收入的同時也有助於建立客戶忠誠度。全球範圍内的警察系統都在運用算法分析來預測犯罪最有可能發生的時間和地點，然後相應地部署力量。芝加哥的城市門戶網站可以讓用戶看到大城市中沉浮生活的歷史和實時數據，包括一定時期内能源的使用、犯罪、交通性能指標、學校和醫療保健，甚至坑洞的填補數量等。從社交媒體互動和各種門、轉門和自動扶梯的内置傳感器收集數據，並將這些數據進行可視化處理的新工具，可以讓城市規劃和管理者們看到城市環境中人們如何移動、工作和交流的生動圖景，這種發展可能使城市更加高效和宜居。
但是，數據應用的發展也有不好的一面。目標公司（Target, Inc.）為如何利用數量浩大且非常詳細的客戶資料提供了一個有争議的例子。該公司的一位數據科學家發現一組複雜的相互關系，即從女性購買的25種不同的健康和美容產品能對懷孕早期精準預測。該公司的分析甚至能高精度估算出女人的預產期。目標公司在這樣的早期階段就開始對女人們進行妊娠相關產品的推銷，而在某些情況下，準媽媽們還沒與她們的直系親屬分享懷孕的消息呢。
2012年初《紐約時報》上發表的一篇文章中，報道了一個案例，一名少女的父親向賣場管理部門投訴送到他家的郵件，後來才知道，原因是目標公司比他知道的都多。一些批評人士擔心，這個讓人毛骨悚然的故事僅僅是個開始，而大數據將越來越多地被用於進行預測，可能將侵犯隐私，甚至自由。
我們從大數據中獲得的東西通常全部來自一種相互關系，它並不能告訴我們現象的原因。計算機算法可能會發現，如果A為真，B很可能也為真。但它不能說A導致了B或B導致了A，再或者也許A和B是由某些外部因素導致的。但在很多情況下，尤其是在商業領域，成功的最終衡量標準是盈利能力和效率，不是深入的理解，單靠相關關系就能創造非凡的價值。大數據可以讓管理層前所未有得掌握各個領域的情況：從一台機器的操作，到一個跨國公司的整體運作，這些都能進行分析，且詳細程度在過去是不可能實現的。
日益增長的數據大山正越來越被人們視為具有開採價值的資源，無論對現在還是將來而言。正如採掘行業，如石油和天然氣，從技術進步中不斷獲益，我們可以相信，計算能力的加速發展和軟件分析技術的不斷改進將使公司發掘出新的策略，帶來利潤的直接增加。事實上，大概是投資者對此的預期使得像“臉書”（Facebook）這樣的數據密集型公司產生了巨大的市場估值。
機器學習，是計算機對數據進行摸索，然後將它發現的統計關系寫成自己程序的一種技術，它是獲得數據價值最有效的手段之一。機器學習一般包括兩個步驟：首先對已知數據進行算法訓練，然後用新信息來解決相似的問題。機器學習的一個普遍應用是垃圾郵件過濾器。算法訓練方式可能是通過對上百萬封郵件進行預歸類，分為垃圾郵件和非垃圾郵件，軟件可以完成這樣的工作。結果，能自動識別絕大部分垃圾郵件的應用程序經不斷改進和調適，還可以在今後有更廣泛的用途。基於相同原則的機器學習算法還能推薦亞馬遜上的書，網飛的電影以及默契網（Match.com）上可能的那個人。
谷歌的在線語言翻譯工具最能證明機器學習能力，當它問世時也最為激動人心。它是通過分析和比較幾百萬頁已被翻譯成多國語言的文本，並採用一種可能叫做“羅塞塔石碑”（Rosetta Stone）的方法來工作的。谷歌的開發團隊一開始專註於聯合國編寫的正式文件，然後將視線延伸至互聯網，公司的搜索引擎能夠在那裡找到大量滿足其自主學習算法的素材。用於訓練系統的文件數量之多讓以往的訓練都相形見绌。領頭人計算機科學家弗朗茨•奧赫（Franz Och）指出，團隊已經建立了“非常非常大的語言模型，遠遠大於人類歷史上任何人所建。”
2005年，谷歌系統參加了年度機器翻譯競賽，該競賽由美國國家標準與技術局舉辦，它是美國商務部公佈計量標準的一個機構。谷歌的機器學習算法輕松地超越了競争對手，它通常雇佣語言專家，嘗試使翻譯系統走出語言矛盾和不一致的語法規則的泥潭。這裡學到的主要一點是，當數據組足夠大的時候，數據中所包含的知識甚至能勝過最好的程序員。谷歌的系統與熟練的翻譯人員相比還不具競争力，但它提供了超過500對語言之間的雙向轉換。它代表了通信能力真正颠覆性的進步：人類歷史上第一次，幾乎任何人都可以立即免費得到幾乎任何語言任何文件的簡單翻譯。
雖然機器學習的方法有很多種，但其中最強大也最吸引人的方法之一是使用人工神經網絡的技術，或是與人的大腦基本操作原理相同的系統。大腦中含有多達1000億個神經元細胞，還有細胞之間數萬億的神經連接，但用配置更基本的模擬神經元也是可以構建強大學習系統的。
單個神經元的活動有點像年幼兒童喜歡的塑料彈出式玩具。當孩子按下按鈕，一個彩色的人物就會彈出，可能是卡通人物或動物。輕輕地觸碰按鈕則什麼也不會發生；稍使勁一些也是一無所獲。但是只要超過一定的力度按下，人物就會彈出來。神經元的工作原理與此基本相同，所不同的是，按壓按鈕的行為可以由多種輸入結合在一起來完成。
為了讓神經網絡形象化，可以想象一台魯佈•戈德堡（Rube Goldberg）式的機器，裡面有很多這種彈出式玩具被成行地放在平台上。三個機械手伸向每個玩具的激活按鈕按壓。接下來不是一個人物彈出來，而是玩具被設置成當一個玩具被激活時，它會使下一行玩具的幾個機械手指按下自己的按鈕。神經網絡學習能力的關鍵是每個手指按壓各自按鈕時的力度可以進行調整。
要訓練神經網絡，你需要將已知數據輸入第一行神經元中。比如，想象輸入手寫信件的視覺圖像。輸入的數據會讓機械手指根據它們自己的調節以不同的力度按下按鈕。有些激活的神經元又繼而按下下一行神經元的按鈕。最後的輸出或結果就從最後一行的神經元那裡收集。在這個例子中，輸出將是一個二進制碼，能識別與字母表字母對應的輸入圖像。最初的答案是錯的，但我們的機器還有一個比較和反饋機制。輸出會與已知的正確答案相比較，然後每一行的機械手指會進行自動調整，反過來又改變了激活的神經元的序列。在網絡接受了上萬次已知圖像的訓練，然後機械手指按壓力度不斷進行校準之後，網絡在給出正確答案方面將越來越得心應手。當答案無法再改進時，網絡就已經得到了有效的訓練。
這實際上是神經網絡識圖、發聲、翻譯或執行各種其他任務的方式。其結果就是一個程序，基本上列出了機械手指對神經元激活按鈕所做的所有調整，該程序可以用來配置新的神經網絡，且都能從新數據中自動生成答案。
人工神經網絡的想法最初是在20世紀40年代末的時候設想和試驗的，而且長期以來一直被用來承擔識別任務。然而，在過去的幾年裡，技術的重大突破帶來了性能的顯著進步，尤其當人們採用了多層神經元這項被稱為“深度學習”的技術以後。深度學習系統已經支持了蘋果Siri的語音識別，正準備在依賴模式分析與識別的更廣泛領域加速進步。比如，2011年，瑞士盧加諾大學的科學家設計了一個深度學習神經網絡，能夠準確識別出某個交通標志大型數據庫中99％以上的圖像，準確程度超過了與之較量的專家。“臉書”的研究人員也同樣開發了一個包含九層人工神經元的實驗系統，它能在照明條件和面部方向各異的情況下，正確判斷出兩張照片是否是同一個人，準確度達97.25％。與此相比，人類觀察員的準確度要稍高一些，為97.53％。
多倫多大學的傑弗裡•辛頓（Geoffrey Hinton）是該領域的主要研究者之一，他指出深度學習技術“得到了很好的擴展。基本上你只需使它保持更快、更強大，它就會變得更好。” 換句話說，即使未來設計上不做改進，單一個摩爾定律也肯定能使深度學習網絡支持下的機器學習系統擁有持續顯著的進步。
大數據及伴隨它的智能算法正對工作場所和老闆們產生直接的影響，尤其是大公司，越來越多地對雇員的工作和他們的社會交往進行大量的評估和統計。公司比以往都要依靠所謂的“人員分析”來雇用、解雇、評估和晉升員工。收集到的個人及其所從事工作的數據量是驚人的。有些公司捕捉了每個員工鍵盤敲擊的每個字。在無論員工知情與否的情況下，還可能收集到他們的電子郵件、通話記錄、網絡搜索、數據庫查詢、文件存取、設備進出，以及無數其他類型的數據信息。雖然所有的這些數據收集和分析最初一般是為了實現更有效的管理和員工績效考核，但它最終可能被用作其他用途，其中包括開發軟件將大多正在執行的工作自動化。
大數據革命可能會對知識型職業產生兩個特別重要的影響。首先，在很多情況下，捕捉的數據會直接帶來特定任務和工作的自動化。正如一個人可能會學習歷史記錄，然後通過具體任務的練習來了解新的工作，智能算法基本通過相同的方法也能做得到。例如，2013年11月，谷歌為其能自動生成個性化電子郵件和社交媒體回複的系統申請了專利。該系統的工作原理是首先分析一個人過去的電子郵件和社交媒體互動。在這個分析的基礎上，系統會對未來的郵件、推特或博客自動編寫回複，並且會帶上這個人一貫的寫作風格和語氣。很容易想象，該系統最終會用於實現大量日常交流的自動化。
谷歌的自動汽車於2011年首次展示，它同樣為自動化未來發展路徑提供了重要的思路。谷歌的汽車並沒有複制人類駕駛的方式，事實上，這會超出人工智能現有的能力。它設計了一個強大的數據處理系統，再放到輪子上來使其簡化。谷歌的汽車依靠GPS的精確定位和十分詳細的地圖數據進行導航。當然，車上也有雷達、激光測距儀，以及其他連續提供實時信息的其他系統。這樣，車子能夠適應新的環境，比如遇到一個行人走下路緣的情形。駕駛可能不是一個白領職業，但谷歌所用的一般策略可以擴展到很多其他領域。首先，運用大量歷史數據創造一個大致的“地圖”，作為完成日常任務的路徑。接著，裝入能適應各種變化或不可預見情況的自學系統。得到的結果可能是一款智能軟件，能夠執行很多知識型工作任務，而且十分可靠。
對知識型工作的第二點影響，可能也是更顯著的影響是，大數據會改變公司及其管理方式。大數據和預測算法有潛力改變所有組織和行業的知識型工作的性質和數量。基於數據總結的預測將越來越多地替代人的經驗和判斷力。隨著高層管理者更多地依靠自動工具產生的數據來做決策，因而對人員分析與管理部門的需求將不斷萎縮。雖然，今天有一批知識工作者為多個領導層收集信息、做出分析，但可能最終只剩下一個經理和一個強大的算法程序就能完成了。各個機構組織可能都會壓縮精簡。中層管理將蒸發，而現在文職人員和技術分析師等很多崗位將會直接消失。
WorkFusion是一家總部設在紐約的新創公司，它為白領工作自動化對企業產生的巨大影響給出了一個特別生動的例子。公司為大型企業提供一個智能軟件平台，該平台通過將衆包模式與自動化結合，幾乎能完全管理和執行曾經高度勞動密集的項目。
該WorkFusion軟件最初先分析項目，確定哪些任務可以直接自動化，哪些可以衆包，還有哪些必須由内部的專業人員完成。然後，它可以在如eLance或克雷格（Craigslist）這樣的網站上自動發佈招聘公告，並負責對符合條件的自由職業者進行招聘和選拔。一旦員工準備就緒，軟件就會分配任務和評估績效，有時會採用讓員工回答問題的方式測試他們的能力。軟件會跟蹤如打字速度這類的生產率，並自動匹配與個人能力相當的任務。如果某個人無法完成給定的任務，系統會自動將任務提交到有所需技能的人手中。
雖然軟件幾乎能全程自動管理項目，大大減小了對内部員工的需要，但這個方式也為自由職業者創造了新的機遇。不過，整個過程還尚未結束。當員工完成給定任務後，WorkFusion的機器學習算法會繼續尋找機會使這一過程進一步自動化。換句話說，當自由職業者在系統指導下工作時，他們還同時產生著訓練數據，而這些數據將逐漸實現全自動化，最終代替他們。
公司最初接到的一個項目是要檢索有用信息來更新大約4萬條記錄。以前，該客戶企業要依靠内部員工來完成這項工作，平均每條記錄更新的成本約4美元，而且只能每年更新一次。在有了WorkFusion平台之後，客戶能每月都更新記錄，而且每條記錄的成本只有20美分。WorkFusion發現，隨著該系統的機器學習算法的自動化逐步加深，運行第一年後成本通常下降約50％，而且運行的第二年會繼續下降25％。
本文摘自《技術、工作與經濟的未來》
未來的工作會是什麼樣的？還有多少工作機會是屬於你的？
你可能會想象或希望這一場機器人工業革命將像上次那樣展開：即使一些工作被淘汰，但會有更多的工作被創造出來以滿足新時代新的創新。在《機器人時代》中，矽谷企業家馬丁R26;福特認為，你的想法完全錯了，因為情況絕非如此。
隨著技術發展的不斷加快和機器自動化的發展，對人的需求將會減少。人工智能已經在大步邁進，所謂的“好工作”將會過時：很多律師助理、記者、上班族，甚至電腦程序員將被機器人和智能軟件取代。隨著技術的進一步發展，藍領和白領工作都將蒸發，使工薪家庭和中產階級家庭受到進一步擠壓。同時，人們的家庭還要經受生活成本上漲的沖擊，尤其是教育成本和醫療保健成本的上漲。到目前為止，這兩個領域尚未被信息技術改造。這一切的後果很可能是大範圍的失業和經濟狀況的不平等，還有消費經濟本身的崩潰。
在《機器人時代》中，福特詳細說明了機器智能與機器人可以完成的事情，並且懇請雇主、學者和政策制定者都來面對由此帶來的問題。過去應對技術幹擾的解決方案，特別是培訓和教育的強化是行不通的，我們必須現在就決定，將來是要看到全面的經濟繁榮還是災難性的經濟不平等和不穩定。對那些想要了解技術發展的加速對自己和子孫，以及整個社會到底意味著什麼的人來說，《機器人時代》是一本必讀不可的書。