如果某样东西的价格下降，那么我们会更多地使用它——这就是简单的经济学
预测更廉价，意味着预测会变得更多。这是简单的经济学：某件事情的成本下降，我们就会更多地做这件事。
Stitch Fix公司使用机器学习来预测客户想要什么样的衣服，并邮递包裹给他们。客户不想要的话，就把衣服退还给公司。2017年，Stitch Fix基于这一模式成功进行了
预测是填补缺失信息的过程。 预测将运用你现在掌握的信息（通常称为“数据”）， 来生成你尚未掌握的信息。
即人们意识到，以数据为基础、从概率意义上建立起结构的算法效果最好。
从经济角度来说，数据是预测的关键互补品。随着预测变得愈发廉价，它的价值水涨船高。
考虑到对预测的可靠性和准确性的要求，数据科学家有绝佳的工具可评估所需数据量。这些工具叫作“功效计算”（power calculations），它们能告诉你需要分析多少个单元才能生成有用的预测。
从纯粹的统计学角度来看，数据的规模报酬是递减的。你从第三次观察中所得的有用信息比第一百次要多，而你从第一百次观察中所得的有用信息又比第一百万次要多。当你将观察结果加入训练数据的时候，它对改进预测的帮助越来越小。
尽管从技术角度而言，数据的规模报酬是递减的（第十亿次搜索对搜索引擎的改进不如第一次大），但站在业务角度讲，如果你比竞争对手拥有更多更好的数据，数据就是最有价值的东西。
从经济的角度来看，此种情况下的数据有可能带来规模报酬递增
这种人机分工的模式能发挥作用，是因为它既克服了人类在速度和注意力方面的缺陷，也克服了机器在阐释文本方面的缺陷。
机器预测可以通过两种宽泛的途径来提高人类预测的生产力。首先，提供初步预测，而且人类可以用这些预测跟自己的评估相结合。其次，在事后提供第二种意见，发挥监控作用。
从很多方面看，人类就是预测机器的主管。人类主管有许多困难的任务；为节约人类的时间，双方的工作关系是，只在真正需要的时候才调动人类的关注。这种不频繁的需要，意味着人能够轻易利用预测机器在常规预测上的优势。 例外预测是齐塞尔公
判断是一个较慢的决策过程，对人类来说，这就是判断带来的认知成本。所有人都必须在弄清楚损益和延迟决定需付出的代价之间进行权衡。
机器不擅长预测罕见事件。
人类是无法应对复杂性的。因此，他们会追求满意度，尽量达成目标。思考很难，所以人会走捷径。
在对反应速度有要求的时候，把控制权交给机器，回报很高。
艺术的力量往往源于赞助者对艺术家的人类经验的认识。观看体育赛事的部分快感有赖于这是一场人与人的较量。就算机器跑得比人类快，但那样一来的比赛结果就不会叫人感到那么兴奋了。
陪孩子玩耍、照料老年人，以及其他许多涉及社交互动的行为，从性质上说，由人来完成大概比由机器来完成要好
有可能首先实现完全自动化的任务是全自动化能带来最高回报的那些任务。这就包括以下情况：（1）除了预测之外的其他部分已经自动化（例如挖掘）；（2）快速响应预测的行为能带来高回报（如无司机的车辆）；（3）缩短预测等待时间带来的回报高（如太空探索）
人工智能是一种需要（像哈默和尚皮那样）重新思考流程的技术。
人工智能工具是定点解决方案。每一种工具都能生成一种特定的预测，按照设计，大多数工具只执行一项特定的任务。许多人工智能初创公司都是围绕一种人工智能工具成立的。
需要重新思考应用人工智能工具带来的真正益处，或对整个工作流程进行“工程再造”
目前这一代人工智能可提供预测工具，除此之外提供不了什么了。
这些人工智能工具无一能执行完整的工作流程。相反，它们每一种提供的都是预测的内容，以方便人们做出决定。人工智能增强了人的能力。
与工作岗位相关的任务自动化，并不一定意味着这一岗位里再没有了人的位置。
任务的自动化迫使我们更审慎地思考是什么真正构成了一份工作岗位，人类真正在做的又是什么
乔舒亚建议该公司侧重于预测而不是诊断。这样，业务的边界就以预测结束，不再需要监管部门的批准了
除非你拥有能“喂养”人工智能的数据，否则采购或开发人工智能起的作用十分有限。
确定你的公司结束业务的地方与另一家公司开始业务的地方，是一项关键的战略选择——它确定了公司的边界
采用人工智能优先战略是一项承诺，即优先考虑预测的质量，并支持机器学习的过程，哪怕要以牺牲消费者满意度和运营绩效等短期因素为代价
任何“我们将把注意力放到X上”的声明都意味着一种权衡取舍。总会放弃某些东西用于交换。
假设现在需要对一款既有的产品开发出人工智能版本。为开发产品，它需要用户。人工智能产品的第一批用户，会因为人工智能需要学习而碰到糟糕的用户体验。
这是典型的“创新者困境”，即老牌公司不愿破坏现有的客户关系，哪怕长远来看这么做会更好。出现创新者困境是因为，创新刚出现的时候，它兴许还未好到可以为行业中老牌公司的客户效力的地步，但它们已经好到可以在某个小众领域内催生一款产品，从而给初创企业带来足量的客户
对抗性机器学习”，即让主人工智能及其目标与试图阻止该目标实现的另一种人工智能进行对抗。
近年来，一些人担心自动化可能会导致人类技能的丧失。
在经济学家蒂姆·哈福德看来，解决方案一目了然：必须缩减自动化的规模。他认为，能够自动化的都是较为常规的情况，所以，需要人为干预以应对更加极端的情况。如果你以应对普通情况的心理来学习应对极端情况，问题就出现了。
自动驾驶仪和电传操作系统提供的更细微的辅助并不能把机乘人员的时间解放出来，让他们专注于更有意义的事情。相反，它们让机乘人员边开飞机边打瞌睡
如果我们大多数时候都不自己开车，但碰到极端情况时却让汽车把控制权交给我们，我们会怎么做呢？
解决方案是确保人类获得并保留这些技能，减少自动化的程度，给人类的学习提供时间。实际上，经验（体验）是一种稀缺资源，为避免技能的消失，机器必须把一部分时间分给人类。
“人工智能优先”不是句流行语——它代表的是真正的权衡。“人工智能优先”战略把最大化预测的准确度作为组织的中心目标，哪怕这意味着要牺牲其他目标（如收入和用户数的最大化、用户体验的最优化等）。
虽然许多人倾向于认为歧视来自区别对待（为男女设定不同的标准），但广告放置的差异却有可能产生律师所称的“差别影响”（disparate impact）。
为了避免责任问题（也避免做出歧视行为），如果你在人工智能的输出项中发现了不经意产生的歧视现象，你必须进行修复。
大量证据表明，人类的歧视比机器还严重。部署人工智能需要对审查歧视做额外的投资，努力减少由人工智能带来的一切歧视。
这个故事的重点在于，揭示人工智能（不依赖于因果实验，而是依靠相关性）和任何使用数据与简单统计方法的人类一样，会轻松地落入陷阱。如果你想知道广告是否有效，请观察广告是否提高了销量。然而，这不一定就是完整的故事，因为你还得知道，如果你不投放广告，销售会变成什么样。依靠包含了大量广告和销量的数据训练出来的人工智能，无法理解不投放广告会发生什么样的情况。后一类数据是缺失的。这种未知的已知，是预测机器的一个重要缺陷，需要人类的判断来克服。目前，只有擅长思考的人才能弄明白人工智能是否落入了类似的陷阱。
对人工智能而言，安全风险可能来自被操纵的数据。有三类数据对预测机器存在影响：输入、训练和反馈数据。所有这三类数据都有着潜在的安全风险。
一家初创公司Nymi开发了一项技术，该技术使用机器学习，通过心跳来识别个人身份。
企业还可以利用智能手机用户的行走模式来确认身份。
如果所有汽车都使用相同的预测算法，攻击者可能会利用该算法，以某种方式操纵数据或模型，让所有汽车同时出现故障
在实地进行预测还有另一点好处。如果设备未连接到云端，同时展开攻击就变得很困难了
企业还可以利用智能手机用户的行走模式来确认身份。
还有一种风险是，别人可以用你的预测机器进行查询。竞争对手说不定能够对你的算法进行逆向工程，或至少让他们自己的预测机器以你的算法输出的内容作为训练的数据。
如果你拥有人工智能（如谷歌的搜索引擎），又如果竞争对手可以观察输入数据（如搜索的词条）和输出结果（如网站列表），那么，竞争对手就拥有了原始素材来配置其人工智能，使之展开监督学习，重建算法。想从这方面着手来效法谷歌的搜索引擎极为困难，但从原理上说，是行得通的。
2016年，计算机科学研究人员表明，某些深度学习的算法特别容易遭到这样的模仿。他们在一些重要的机器学习平台（包括亚马逊机器学习）上测试了这种可能性，并证明了，只需要相对少量的查询（650～4000次）就可对平台的模型进行逆向工程，使之非常接近平台的结果，有时甚至完美复制。这一漏洞，是机器学习算法的部署本身带来的。
你的预测机器会跟企业之外的其他东西（人或机器）互动，带来了不同的风险：居心不良者有可能向人工智能馈进会扭曲学习过程的数据。这不仅仅是操纵一条预测，更是
你的预测机器会跟企业之外的其他东西（人或机器）互动，带来了不同的风险：居心不良者有可能向人工智能馈进会扭曲学习过程的数据。这不仅仅是操纵一条预测，更是
人工智能自带很多类型的风险。我们在这里总结了最明显的6类风险。
1. 人工智能做出的预测可能导致歧视。哪怕这种歧视是无意的，它也需要企业为之负责。
2. 数据太少，人工智能就无法发挥作用。这会产生质量风险，尤其是“未知的已知”类预测错误：预测机器很有信心地给出了预测，可惜给的是错的。
3. 不正确的输入数据会欺骗预测机器，让用户容易遭到黑客攻击。
4. 一如生物的多样性，预测机器的多样性涉及权衡个体和系统层面的结果。多样性的减少，可能有益于提高个人层面的绩效，但会增加大规模失效的风险。
5. 预测机器有可能遭到反向查询，致使你的知识产权被窃，攻击者也可通过此种查询洞察预测机器的弱点。
6. 反馈有可能遭到恶意操纵，导致预测机器学习不良行为。
我提出了三点主要区别。最明显的一点是，机器人更擅长统计推理，对故事和叙述不像人那么着迷。另一点是，机器人的情商更高。 第三点是机器人更智慧。智慧是心怀宽广。智慧就是视野不会太狭隘。这是智慧的本质，它有着宽广的框架。机器人拥有宽广的框架。我觉得，等它学得足够多，它会比我们人类更睿智，因为我们没有宽广的框架。
高调的初创公司孵化机构Y Combinator，以迂回的方式踏进通常属于政府权责范围的领域，他们正在推进一项实验，致力于为社会中所有人提供一份基础收入。埃隆·马斯克组织了一群企业家和行业领导者为Open AI注资10亿美元，以确保没有任何一家私人企业能垄断该领域。
“工厂的自动化已经减少了传统制造业的就业岗位，人工智能的兴起，则有可能进一步破坏中产阶级的就业，只有那些最需要付出关怀、最有创意、最需要监督的岗位能保留下来。”
斯蒂芬·霍金
但这一次是不是不一样呢？霍金的担忧许多人也有，他们认为，这一回情况非比寻常，因为人工智能有可能抢走人类对机器剩余的最后优势。
随着预测越来越廉价，判断的价值越来越高。故此，我们预计，与回报函数工程相关的岗位会增加。
其他与判断有关的工作会更为普遍，但它们对技术的要求或许不如人工智能所取代的岗位高。当今许多高薪职业的核心技能都包括了预测，如医生、金融分析师和律师。正如机器对于方位的预测减少了伦敦出租车司机相对较高的收入，却增加了收入相对低的优步司机的人数那样，我们预测，医疗和金融方面也会出现相同的现象。随着任务的预测部分逐渐能自动完成，更多的人可填补这些岗位，其所需的技能也收窄到与判断相关的技能
其他与判断有关的工作会更为普遍，但它们对技术的要求或许不如人工智能所取代的岗位高。当今许多高薪职业的核心技能都包括了预测，如医生、金融分析师和律师。正如机器对于方位的预测减少了伦敦出租车司机相对较高的收入，却增加了收入相对低的优步司机的人数那样，我们预测，医疗和金融方面也会出现相同的现象。随着任务的预测部分逐渐能自动完成，更多的人可填补这些岗位，其所需的技能也收窄到与判断相关的技能内。如
关键的政策问题不在于人工智能是否会带来收益，而在于如何分配这些收益。
如果机器的工作份额继续增加，工人的收入就会下降，而人工智能拥有者的收入则会增加。
托马斯·皮凯蒂（Thomas Piketty）在畅销书《21世纪资本论》（Capital in the Twenty-First Century）中强调，过去几十年，劳动力所占的国民收入（在美国及其他地方）一直在下降，而资本所赚的份额却在走高。这一趋势令人担忧，因为它使得不平等的趋势不断加剧。这里的关键问题在于，人工智能会强化这一趋势，还是会使其得到缓解。如果人工智能是一种新的、高效的资本组织形式，那么经济中的资本所占的份额可能会继续上涨，以牺牲劳动力为代价。
受技能偏好伤害最大的人大概是没有做好终身学习准备的那批人。
担心人工智能的不仅仅是个人。由于人工智能有望实现极大的规模经济效应，许多公司都害怕自己在保护和使用人工智能上落在竞争对手后面。更多客户意味着更多的数据，更多的数据意味着更出色的人工智能预测，良性循环一旦建立，就会持续运转。
在经济学家约瑟夫·熊彼特（Joseph Schumpeter）所谓的“颠覆性创新风暴”的作用下，技术垄断只能得一时之利。
谷歌多年来一直在收集这些数据。此外，它的市场占有率创造了其他人永远也比不上的数据规模的良性循环
就人工智能而言，运用简单的经济学原理（预测成本降低，则预测的互补品将获得更高的价值），你的企业也可以做出投资回报率最高的选择和战略决策。
尽管技术仍处于起步阶段，但社会层面上已经显现出3种特别重要的权衡。 ※第一项权衡是生产力与分配。许多人认为人工智能会让我们变得更贫穷，境况更糟糕。并非如此。经济学家认为，技术进步会让我们的生活更加美好，还能提高生产力。人工智能无疑能提高生产力。问题不在于财富的创造，而在于它的分配。人工智能可能加剧收入不平等的问题，
第二项权衡是创新与竞争。与大多数软件相关的技术一样，人工智能具有规模经济的特征。
第三项权衡是性能与隐私。数据越多，人工智能表现越好。尤其是，如果它们可以访问更多的个人数据，就能更好地做个性化预测。
