
在AI被越来越广泛应用的背景下,不断有“恐AI言论”的出现,关于机器人将抢走人类工作机会的讨论已经屡见不鲜。
2030年,1亿中国人面临职业转型
近日,麦肯锡报告给出了一个触目惊心的数据:在包括人工智能和机器人技术在内的自动化发展迅速的情况下,到2030年,全球8亿人口的工作岗位将被机器取代。
到时,中国高达31%的工作时间将被自动化,中国约有1亿的人口面临职业转换,约占到时就业人口的13%。
中国真会因为人工智能面临大规模的就业变迁吗?3日上午,第四届世界互联网大会在乌镇开幕,多位互联网大佬都对人工智能发表了一番见解。
马云:人类要有自信,机器不可能超越人类
阿里巴巴董事局主席马云在开幕式致辞时表示,对数字经济和网络空间与其担心,不如担当。
随着互联网技术的发展,近年来全球弥漫着一种对新技术的担心,担心机器会抢走人的工作机会,担心机器会控制人类,担心人类会毁灭在自己最伟大的发明中。
“新技术不是让人失业,而是让人做更有价值的事情,让人不去重复自己,而是去创新,让人的工作得到进化。” 马云举例说,清朝时期铁路出现,人们抵制铁路,担心沿线挑夫会失业影响社会稳定,但现在有200多万的铁路工人;集装箱出现后,搬运工人担心会失业,但港口却出现了很多吊船工人。
马云再次强调,与其担心技术夺走就业,不如拥抱技术,去解决新的问题。人类有独特的创造力,所以人类要有自信,机器是不可能超越人类的。
过去30年,我们把人变成了机器,未来30年,我们将把机器变成人,但最终应该让机器更像机器、人更像人。
机器没有灵魂、机器没有信仰,我们人类有灵魂、有信仰、有价值观、有独特的创造力,人类要有自信、相信我们可以控制机器。
未来机器学习、人工智能一定会取代大部分机械的工作,而人类将会从事更有创意、更有创造力、更有体验的工作,服务业一定会成为未来就业的主要来源。
李彦宏:互联网人口红利已消失,未来增长动力是AI
百度公司董事长兼CEO李彦宏表示,他依然坚持去年在世界互联网大会上提到的观点——“无线(移动)互联网已经结束了”。从数据来看,今天中国互联网网民增速只有6%左右。过去四年,中国互联网网民的增速已经慢于中国GDP的成长速度,这意味着互联网的人口红利没有了。
网民红利虽然没有了,但人工智能变为了成长的新动力。李彦宏指出,未来中国数字经济发展的主要推动力是人工智能,人工智能会以非常快的速度向前发展。
他认为,人工智能今天还处在一个发展非常早期的阶段,非常像十几年前的中国互联网的成长。过去中国互联网、世界互联网增长动力有三个:网民人数的增加,上网时间的增加,以及网上信息量的增加。如今,人工智能有三个成长的动力,包括算法、算力、数据:
算法:人工智能尤其是机器学习的算法在过去几年迅速发展,不断的有各种各样的创新,深度学习,DNN、RNN、CNN到GAN……不停地有新的发明创造出来。
算力:如今,计算的成本在不断下降,服务器也变得越来越强大。过去我们觉得人工智能不实用,是因为它会用到的算力太大,大家会觉得在经济上不能够承受。但今天的算力已经到达了临界点,可以使得很多的人工智能变成实际,变得可用。
数据:数据的产生仍然在以一个非常高的速度在发展,尤其对于中国互联网来说,它有非常独特的地方,7.5亿的网民全部说的是同一种语言,全部是同样的文化,全部遵守同样的法律,这么大的一个人群,这么大的一个市场,这么大的一个数据集,并且在不断地产生新的数据,它会进一步推动算法的不断创新,以及对算力提出更新的要求。
李彦宏在演讲结尾指出,汽车只是被人工智能改变的行业之一,未来,从房产到教育、医疗、物流、能源等产业,都会因为人工智能技术而不断发生变化,人工智能对实体经济的推动显而易见:
汽车是一个非常大的产业,在中国大概占到了GDP的六分之一,这样的一个产业,在百年不变的情况下,未来几年会发生巨大的变化。可想而知,人工智能技术对于实体经济、对于各行各业的推动是显而易见的……从房产到教育、医疗、物流、能源等等,我们可以想到的产业都会因为人工智能的技术而发生不断地变化。
库克:我担心人像机器一样思考
苹果首席执行官蒂姆·库克(Tim Cook)表示,很多人都在谈论AI,我并不担心机器人会像人一样思考,我担心人像机器一样思考!我们相信AR能够帮助人们工作,而且帮助人们在教育医疗有所突破,让世界更加美好。
库克认为,我们相信科技是创造机遇并摆脱贫困的力量,科技本身并没有好坏之分,但确保科技富有人性,是我们每个人的共同责任,这也是苹果非常重视的责任。要让科技的使命得以实现,科技的好处也必须普惠于民。
库克说,很多人担心AI技术,未来充满了各种可能性,我们的世界可以变得更好。如果AI可以实现增强现实和机器学习技术,这些技术注入人机理念,可以帮助人们在教育、医疗等领域的辅助功能上实现突破。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29