AI技术在职场上的应用越来越广，但缺乏同理心、透明度等人机互动的「副作用」却依旧悬而未解，在迈入人机共事的时代前，我们要走的路或许还很漫长。
人工智能赋予机器更多自主判断能力，也造成人和机器互动关系的巨大变化，我们该如何面对人机共事的新时代？有一天，我们或许要听从AI算法的指示来完成人力工作；其实，这看似科幻小说的场景，已经是正在发生的进行式。
机器彷佛是我们最忠实的员工，一年365天从不抱怨；只要按下一个按键，工作就会自动完成。但你是否曾经想过：有一天，你可能会为机器工作？
想象有一天，我们听从AI算法或机器的指示，来完成人力工作；而这看似科幻小说的场景，其实已经在世界上的许多角落开始发生了。
场景1──用算法管理员工（Algorithmic Management）
越来越多的公司开始使用算法来管理员工（Algorithmic Management）。像是Uber或Lyft这样的分享经济公司，已经率先开发出许多自动工具，来管理远程工作人员；包括用户评分系统，以及自动向驾驶提醒或建议下一步动作的系统等等。
在物流业中，UPS和Amazon等公司正在使用自动化系统追踪员工、并且优化货物处理量；这些算法收集工作人员的数据，并做出（半）自动化的决策来提供实时激励，以达到更高的产出。
有一些新创公司，也开始提供监视员工、或是管理驾驶行为的AI解决方案。与人工监督相比，这些自动化技术更容易扩展到更多营运据点，因此也被越来越多的公司采用。
场景2──为AI算法工作的蓝领劳工
关注AI的朋友都知道，机器学习（ML）主要有三种类型，包括：
· 监督学习（Supervised Learning）
· 无监督学习（Unsupervised Learning）
· 强化学习（Reinforcement Learning）
直到今天，仍有超过90%使用中的ML算法是以「监督学习」为基础。
换句话说，多数AI算法需要从标记好的训练数据中学习。为了提供标记过的训练数据，有一个高成长的行业应运而生：由人工标记影像或声音数据，以便机器能够消化和学习。
「Scale AI」是众多与卷标工作者合作，对数据进行分类，以用于训练AI模型的新创公司之一；该公司成立仅有三年，却在最近融资获得高达1亿美元的资金。
Scale与大约三万名散布世界各地（大多在工资较低的国家）的契约工作者合作，为自动驾驶汽车和其他AI公司（包括Waymo、Airbnb和Lyft等）提供标记训练数据的服务。
场景3──远程控制和模仿学习（Imitation Learning）
美国新创公司Cobalt的保全机器人。Cobalt Robotics
在使用大量数据进行训练时，深度学习的效果优于传统机器学习；然而，获取高质量的训练数据通常很困难、而且成本相当高昂。
解决数据效率问题的方法之一，是使用模仿学习（Imitation Learning），也就是「让机器从专家的示范中学习」。
FortressIQ是应用模仿学习技术，为顾客自动化公司流程的美国新创企业之一；他们的系统可以分析人类和软件的互动，以便之后将这些流程自动化。
另一方面，美国新创公司Cobalt提供利用机器学习来执行巡逻工作的保全机器人（上图）。这种机器人可以识别异常情况，也能让工作人员远程监控、并在必要时接管控制权。
AI让机器变得越来越聪明，不再需要人类的一个口令一个动作；在某些领域中，甚至能够自动下指令给人类，而这些新型态的人机互动，正在真实上演之中。
所以， 你的AI同事会到来，这是必然的。根据行业特点的不同，时间或早或晚。从理论上来说，AI是不会犯错的，因为它们都是严格执行被写入的程序。如果出现了错误，那么只能说是程序写错，或是网络波动等异常因素造成。
AI由于没有感情也没有思想，但是同时它们的智能程度极高，所以会在公司中扮演着一个比较独特的地位。AI会尽可能的给其他员工创造出一个更好的工作环境，并且完成所有琐碎的任务，它们更像是一个查漏补缺者。但是，我们也开始看到这些新形态人机互动所带来的「副作用」：
算法缺乏透明度和同理心研究者Lior Zalmanson和Robert W. Gregory在最近的一项研究中发现，Uber出租车司机都认为，算法非常了解他们，但他们对算法的原理和决策依据却知之甚少。
此外，司机们也感觉到算法的决策有些不人性的地方；他们质疑这个系统的公平性，尤其在他们没有得到明确解释、却遭到处罚的情况下特别明显。
有许多其他劳工也觉得自己被算法监视。他们不知道这些监控数据会用在什么地方，也不知道工作分配、评分或报酬是否公平；如果不公平，他们也不知道有没有什么途径可以提出抱怨。别的不说，像老邪做自媒体，对头条和百度的推荐算法，都有很大的抱怨，有时候你确实感觉到不公平，还申述无门。
「缺乏透明度」一直是AI的主要问题之一。
另外，人类跟机器的最大区别，就是人拥有感情。感情在很多时候，可以影响人的决定。而AI机器没有情感，也没有同理心，所以跟这样的同事一起合作、或是被这样的AI领导、监督的时候，你会感到很沮丧。
用这些自动化工具来管理员工，或许确实更有效率及扩充性；但生产力不应该是唯一的目标，必须也考虑到信息的透明、以及对员工的同理心。
人与机器的角色责任分配不明确以保全机器人为例，在机器人无法处理的情况下，人类的介入可能会有关键作用；但随着机器人变得越来越聪明，机器可能会得出与人类不同的结论。
人类永远能够做出比机器人更好的决定吗？谁有最终决定权？
另一个备受关注的例子：无人驾驶车。谁应该在自主的无人车中做决定？是车子本身、备用安全驾驶员、远程监控的工作人员、还是乘客本身？
在什么情况下、什么时候介入？如果你只有一瞬间的反应时间，答案会有所不同吗？谁应该对任何后果负责？科技公司？安全驾驶？还是设计算法的工程师？诸如此类的困扰还有许多。当然了，正是这些问题的存在，才会促使我们更深入的思考，从而推动社会的进步。
虽然研究人员正在研究转移学习（Transfer Learning）和元学习（Meta Learning），以设计能够「学习如何学习」的AI模型；但老实说，我们离完全自主的人工智能还很远。
在可预见的将来，我们仍然需要标记数据，让机器变得更加自主。我们需要调整自己，与时俱进，我们需要学习与AI机器一起共存的最佳方式。我们准备好迎接如此剧烈的社会变革了吗？我们可以做些什么来创造我们想要的未来？
