人工智慧賦予機器更多自主判斷能力，也造成人和機器互動關係的巨大變化，我們該如何面對人機共事的新時代？有一天，我們或許要聽從AI演算法的指示來完成人力工作；其實，這看似科幻小說的場景，已經是正在發生的進行式。
Bastiane HuangBastiane Huang目前在舊金山的AI/Robotics新創公司擔任產品經理，擁有近10年產品行銷及市場開發管理經驗；曾在美國《機器人商業評論》及《哈佛商業評論》發表文章及個案研究。如果你也對Robotics 2.0（AI-Enabled Robotics）、產品管理、Future of Work有興趣，歡迎追蹤她的最新訊息。
機器彷彿是我們最忠實的員工，一年365天從不抱怨；只要按下一個按鍵，工作就會自動完成。但你是否曾經想過：
有一天，你可能會為機器工作？想像有一天，我們聽從AI演算法或機器的指示，來完成人力工作；而這看似科幻小說的場景，其實已經在世界上的許多角落開始發生了。
場景1 ： 用演算法管理員工
越來越多的公司開始使用演算法來管理員工（Algorithmic Management）。像是Uber或Lyft這樣的分享經濟公司，已經率先開發出許多自動工具，來管理遠端工作人員；包括使用者評分系統，以及自動向駕駛提醒或建議下一步動作的系統等等。
在物流業中，UPS和Amazon等公司正在使用自動化系統來追蹤員工、並且優化貨物處理量；這些演算法收集工作人原的資料，並做出（半）自動化的決策來提供即時激勵，以達到更高的產出。
有一些新創公司，也開始提供監視員工、或是管理駕駛行為的AI解決方案。與人工監督相比，這些自動化技術更容易擴展到更多運營據點，因此也被越來越多的公司採用。
場景2：為AI演算法工作的藍領勞工
之前我談到過機器學習（ML）主要有三種類型，包括：
- 監督學習（Supervised Learning）；
- 無監督學習（Unsupervised Learning）；
- 強化學習（Reinforcement Learning)。
直到今天，仍有超過90%使用中的ML演算法是以「監督學習」為基礎。
換句話說，多數AI演算法需要從標記好的訓練資料中學習。為了提供標記過的訓練資料，有一個高成長的行業應運而生：由人工標記影像或聲音資料，以便機器能夠消化和學習。
「Scale AI」是眾多與標籤工作者合作，對資料進行分類，以用於訓練AI模型的新創公司之一；該公司成立僅有三年，卻在最近融資獲得高達1億美元的資金。
Scale與大約三萬名散布世界各地（大多在工資較低的國家）的契約工作者合作，為自動駕駛汽車和其他AI公司（包括Waymo、Airbnb和Lyft等）提供標記訓練資料的服務。
場景3： 遠端控制和模仿學習
Source: Cobalt Robotics
在使用大量資料進行訓練時，深度學習的效果優於傳統機器學習；然而，獲取高品質的訓練資料通常很困難、而且成本相當高昂。
解決資料效率問題的方法之一，是使用模仿學習（Imitation Learning），也就是「讓機器從專家的示範中學習」。
FortressIQ是應用模仿學習技術，為顧客自動化公司流程的美國新創企業之一；他們的系統可以分析人類和軟體的互動，以便之後將這些流程自動化。
另一方面，美國新創公司Cobalt提供利用機器學習來執行巡邏工作的保全機器人（上圖）。這種機器人可以識別異常情況，也能讓工作人員遠端監控、並在必要時接管控制權。
AI讓機器變得越來越聰明，不再需要人類的一個口令一個動作；在某些領域中，甚至能夠自動下指令給人類，而這些新型態的人機互動，正在真實上演之中。
但是，我們也開始看到這些新形態人機互動所帶來的副作用：
演算法缺乏透明度和同理心
研究者Lior Zalmanson和Robert W. Gregory在最近的一項研究中發現，Uber出租車司機都認為，演算法非常瞭解他們，但他們對演算法的原理和決策依據卻知之甚少。
此外，司機們也感覺到演算法的決策有些不人性的地方；他們質疑這個系統的公平性，尤其在他們沒有得到明確解釋、卻遭到處罰的情況下特別明顯。
有許多其他勞工也覺得自己被演算法監視。他們不知道這些監控資料會用在什麼地方，也不知道工作分配、評分或報酬是否公平；如果不公平，他們也不知道有沒有什麼途徑可以提出抱怨。
「缺乏透明度」一直是AI的主要問題之一。用這些自動化工具來管理員工，或許確實更有效率及擴充性；但生產力不應該是唯一的目標，必須也考慮到資訊的透明、以及對員工的同理心。
人與機器的角色責任分配不明確
以保全機器人為例，在機器人無法處理的情況下，人類的介入可能會有關鍵作用；但隨著機器人變得越來越聰明，機器可能會得出與人類不同的結論。
人類永遠能夠做出比機器人更好的決定嗎？誰有最終決定權？
另一個備受關注的例子：無人駕駛車。誰應該在自主的無人車中做決定？是車子本身、備用安全駕駛員、遠端監控的工作人員、還是乘客本身？
在什麼情況下、什麼時候介入？如果你只有一瞬間的反應時間，答案會有所不同嗎？誰應該對任何後果負責？科技公司？安全駕駛？還是設計演算法的工程師？
結語
雖然研究人員正在研究轉移學習（Transfer Learning）和元學習（Meta Learning），以設計能夠「學習如何學習」的AI模型；但老實說，我們離完全自主的人工智慧還很遠。
在可預見的將來，我們仍然需要標記資料，讓機器變得更加自主。我們需要調整自己，與時俱進，我們需要學習與AI機器一起共存的最佳方式。我們準備好迎接如此劇烈的社會變革了嗎？我們可以做些什麼來創造我們想要的未來？
在下一篇文章中，筆者對這一點將會進行更多討論。
