技術淘汰了某些種類的工作，並創造了其它種類的工作——從石器時代就是如此。在過去，機器取代了需要體力勞動的人們，我們越來越多地看到傳統上的白領工作被機器擴充著：財務分析師、網路營銷和財務報告人，類似的還有很多。當然，這些進步也催生了新的工作。比如，我們今天熟知的電子計算機，取代了人們執行真正的計算，但是在這個過程中，產生了各種新工作。
人工智慧（AI）好像也是用這種方式運轉著，為人工智慧研究人員創造了崗位，並逐步取代了所有其它種類的知識型工作。或許一個世紀以後，通往那裡的道路和人們所想象的方式大相徑庭。我們能夠看到，根據 AI 設計模式，我們會去往何方，Google、Facebook 和其它公司在人工智慧投入了大量資金。在最普通的設計模式裡，AI 實際上能夠增加目前正在自動化的這種工作的需求。
設計模式1: 訓練資料
目前應用在業務裡的、最普通的人工智慧被稱作監督式機器學習注1。「監督式」部分比較重要：這代表演算法要根據訓練資料學習。演算法仍然無法使用與人類接近的效率學習任何東西，但是它們能夠處理更多的資料。
訓練資料的數量和質量，是確保機器學習演算法良好運轉的、最重要因素，優秀公司會非常謹慎地對待收集訓練資料的過程。很多人還不清楚，Google 已經投入了好幾千萬人-時，收集和為資料打標籤，並提供給機器學習演算法。
收集訓練資料的過程永無止境。每當 Twitter 發明了一個新詞語或表情符號，機器學習將無法理解，直到看到了很多使用它們的例子。每一次，一家公司想擴張到一種新語言、甚至有著輕微不同的新市場，它們就需要收集一套新的訓練資料，否則它們的機器學習演算法將運轉在不可靠的環境裡。
隨著機器學習更好地理解，高質量的演算法成了你能買到的東西時，訓練資料的收集，對於上線一種新的機器學習演算法而言，成了勞動密集部分。
設計模式2：迴路中的人（Human-in-the-loop）
當然，有些問題（比如電子表格算術）對於電腦而言，相當簡單；而另一些問題（比如用兩條腿走路）卻難得無以復加。對於機器學習同樣如此。在機器學習執行的每個領域裡，總有一些情況是演算法可以搞定的，也總有一些情況能夠讓演算法抓狂。這就是機器學習演算法常說的，為什麼達到 80% 的精確度很輕鬆，而要達到 99% 的精確度卻真的、真的很難了。
幸運的是，優秀的機器學習演算法能夠區分出他們擅長的和不擅長的情況。機器模型沒有自尊心，因此當它們信心降低時，樂於告訴你。這也是「迴路中的人」設計模式變得流行的原因：對於機器不能肯定做出的過程和決定，由人類來完成。
這麼多年來，人們一直夢想著用有機器人個人助理，像 Facebook M 和 Clara Labs 之類的產品正在讓其成為現實。但是它們不會自動化每件事情。它們用演算法來處理意圖清晰的、郵件和日程方面的問題，把更復雜的訊息和請求傳遞給人類。
這種設計模式已經遠遠超出了人們的期望。無人駕駛汽車不會立即取代人類司機；它們在某些特定條件（比如側方停車）接管汽車，當路況複雜（比如有建築物的繁忙街道）時，再把控制權交還給司機。ATM 不會自動讀取你要儲蓄的每一張支票，僅在字型清晰時才會讀取。在這兩種情況下，機器處理很大比例的工作，但是當它們不敢確定能否處理好時，人類介入才是必需的。
機器學習不是每次只取代一個工作職能，實際上，它會取代每一項工作職能。這讓人們能夠越來越有效地工作。在某些情況下，這會導致更少的工作崗位，但是在其它情況下，會創造出新市場，併為相同種類的工作創造出更多工作崗位。現在，如果個人助理每次能處理 20 個客戶，那麼，個人助理會變得更加便宜，隨著更多的人使用，或許效率會超過 100 倍。
設計模式3：主動式學習
主動式學習包含了前兩種模式。由「迴路中的人」收集的訓練資料可以反過來再提供給演算法，使其變得更完美。演算法像人那樣學習——新奇、複雜的情況，有助於它們更快地學習。因此，演算法不能處理的例子，由人類打上標籤，就變成了幫助演算法改進的極好例子。
當我們這樣工作時，在未來，我們或許同時也在教同樣的系統，慢慢取代我們。另一方面，我們可以看到，它會越來越多地影響到我們的工作。這完全取決於你怎麼看待了。
它的到來，比你所認為的要更早、更快。
受人工智慧的影響，大部分知識型工作已經被省去了，因為從歷史角度看，建立一套機器學習演算法的先期成本過高。和軟體不一樣，每一個機器學習模型不得不針對每一種單個應用程式做個性化開發。因此，機器學習自動化的、僅有的業務應用程式，將非常有利可圖，或節約成本，比如預測能量使用或命中廣告。
但是一切都在變。兩種趨勢一直在快速地降低機器學習的成本。一方面，計算能力正變得更便宜，一直都這樣。另一方面，機器學習演算法正在產品化。單在 2015 年，阿里巴巴、微軟、亞馬遜和 IBM 都上線了多用途雲機器學習平臺。公司不再需要類似 Google 的研發預算就能在內部使用機器學習了。
這意味著，很多更小規模的業務功能，將感受到機器學習的效應。當開發一套演算法的成本高達一百萬美元時，只有大公司才能把機器學習應用於分類工單、組織銷售資料庫、或處理款項。但是，當成本只有 20 美元/每月時，每個人都會使用它。所有這些機器學習平臺在去年上線，卻恍如隔日。
註釋
- 監督式學習（英語：Supervised learning），是一個機器學習中的方法，可以由訓練資料中學到或建立一個模式（函式 / learning model），並依此模式推測新的例項。https://zh.wikipedia.org/wiki/%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92