編譯 陳軼翔

深刻的變化即將到來，但人類的角色依然存在。

在過去的幾十年里，數(shù)字計算機(jī)已經(jīng)改變了社會上幾乎所有工作。機(jī)器學(xué)習(xí)（ML）能夠加速自動化的步伐，而機(jī)器學(xué)習(xí)的最新進(jìn)展正在為更大、更迅速的轉(zhuǎn)變拉開帷幕。然而，盡管機(jī)器學(xué)習(xí)顯然是一種“通用技術(shù)”——就像蒸汽機(jī)和電力那樣——可產(chǎn)生大量額外的創(chuàng)新和能力，但對于機(jī)器學(xué)習(xí)系統(tǒng)所擅長的任務(wù)，并沒有達(dá)成廣泛共識。因此，對于機(jī)器學(xué)習(xí)在更廣的層面上對勞動力和經(jīng)濟(jì)的具體預(yù)期影響，也未達(dá)成一致意見。我們將討論我們所看到的對勞動力的主要影響，借鑒當(dāng)代機(jī)器學(xué)習(xí)系統(tǒng)可以做什么和不能做什么的相關(guān)內(nèi)容。盡管很多工作的部分任務(wù)可能“適合于機(jī)器學(xué)習(xí)”（SML），但是這些工作的其他任務(wù)并未很好地適應(yīng)機(jī)器學(xué)習(xí)。因此，對就業(yè)的影響比一些人所強(qiáng)調(diào)的簡單替代和補(bǔ)充要復(fù)雜得多。盡管目前機(jī)器學(xué)習(xí)的經(jīng)濟(jì)效應(yīng)相對有限，我們也不會面臨“失業(yè)”——像有時宣稱的那樣，但機(jī)器學(xué)習(xí)對未來經(jīng)濟(jì)和勞動力的影響是深遠(yuǎn)的。

任何關(guān)于機(jī)器學(xué)習(xí)可做什么、不能做什么和如何影響經(jīng)濟(jì)的討論都應(yīng)該首先意識到兩個廣泛而潛在的因素。我們離通用人工智能還很遠(yuǎn)，機(jī)器不能完成人類所能做的全部工作。此外，盡管創(chuàng)新通常對總體收入和生活水平的提高都很重要，尤其是機(jī)器學(xué)習(xí)之前的信息技術(shù)系統(tǒng)的第一波浪潮已經(jīng)創(chuàng)造了數(shù)萬億美元的經(jīng)濟(jì)價值，“技術(shù)進(jìn)步導(dǎo)致工資不平衡的狀況很嚴(yán)重?！北M管有許多因素導(dǎo)致了不平等，例如全球化的加劇，但十年內(nèi)由于機(jī)器學(xué)習(xí)而造成巨大、快速變化的可能性，表明對經(jīng)濟(jì)的影響會極具破壞性的，產(chǎn)生了贏家和輸家。這將需要決策者、商業(yè)領(lǐng)袖、技術(shù)專家和研究人員的高度關(guān)注。

當(dāng)機(jī)器自動完成一些任務(wù)——某一特定工作或過程中“適合于機(jī)器學(xué)習(xí)”的任務(wù)時，剩下的非SML任務(wù)可能會變得更有價值。在其他情況下，機(jī)器將增強(qiáng)人類的能力，并使全新的產(chǎn)品、服務(wù)和過程成為可能。因此，對勞動力需求的凈影響（即使是在部分自動化的工作中）可能是負(fù)面也可能是正面。盡管更廣泛的經(jīng)濟(jì)影響可能是復(fù)雜的，對于機(jī)器學(xué)習(xí)能夠替代的工作，勞動力需求更有可能下降，而對于機(jī)器學(xué)習(xí)只能作為補(bǔ)充的工作，勞動力需求則更有可能增加。每當(dāng)機(jī)器學(xué)習(xí)系統(tǒng)跨過一道門檻，即做同一項任務(wù)比人類更具成本效益時，追求利潤最大化的企業(yè)家和經(jīng)理將會設(shè)法越來越多地用機(jī)器代替人工。這會對整個經(jīng)濟(jì)產(chǎn)生影響：提高生產(chǎn)率、降低價格、轉(zhuǎn)移勞動力需求和重組產(chǎn)業(yè)。

我們知道的多于我們表達(dá)的

正如哲學(xué)家波蘭尼所說的“我們知道的多于我們表達(dá)的”。識別人臉、騎自行車和理解言語都是人類非常擅長的任務(wù)，但我們對于如何執(zhí)行這些任務(wù)的反思卻很差。我們不能輕易地將許多任務(wù)編纂成一套正式的規(guī)則。因此，在ML之前，波蘭尼的悖論限制了可以通過編程計算機(jī)自動完成的系列任務(wù)。但如今，在很多情況下，與我們手動編程相比，機(jī)器學(xué)習(xí)算法可以使計算機(jī)系統(tǒng)更精確和更有能力。

直到最近，創(chuàng)建新的計算機(jī)程序涉及手工編碼的勞動密集型過程。但是，這個昂貴的過程正逐漸被更加自動化的過程所取代，即在適當(dāng)?shù)挠?xùn)練數(shù)據(jù)上運(yùn)行現(xiàn)有的機(jī)器學(xué)習(xí)算法的過程。這種轉(zhuǎn)變的重要性是雙重的：首先，在越來越多的應(yīng)用程序中，這個范例（與人類程序員相比）能夠生成更精確、更可靠的程序（例如，人臉識別和信用卡欺詐檢測）。其次，這種范例可以大大降低創(chuàng)建和維護(hù)新軟件的成本。這更低的成本減少了實驗的障礙，擴(kuò)展了潛在任務(wù)的計算機(jī)化，鼓勵了計算機(jī)系統(tǒng)的開發(fā)，將自動實現(xiàn)很多常規(guī)工作流程的自動化，而很少或根本不需要人工干預(yù)。

在過去的6～8年里，在機(jī)器學(xué)習(xí)方面取得的上述進(jìn)展尤其迅速，這在很大程度上是由于某些任務(wù)可獲得的訓(xùn)練數(shù)據(jù)的數(shù)量，數(shù)量之大足以捕獲有高度價值的、以前未注意到的規(guī)律，或許大到個人不可能分析或理解的程度，但在機(jī)器學(xué)習(xí)算法的能力處理范圍之內(nèi)。當(dāng)有足夠大的訓(xùn)練數(shù)據(jù)可用時，機(jī)器學(xué)習(xí)有時產(chǎn)生的計算機(jī)程序遠(yuǎn)超最好人類在特定任務(wù)中（例如：皮膚病診斷、圍棋游戲、檢測潛在的信用卡欺詐）的表現(xiàn)。

機(jī)器學(xué)習(xí)進(jìn)展的關(guān)鍵還在于綜合了改進(jìn)的算法（包括深度神經(jīng)網(wǎng)絡(luò)，DNNs）和快得多的計算機(jī)硬件。例如，針對每天超過45億的語言翻譯，F(xiàn)acebook將基于短語的機(jī)器翻譯模型轉(zhuǎn)換為DNNs。DNNs圖像識別技術(shù)使得ImageNet（一組超過1萬個標(biāo)記圖像的大數(shù)據(jù)集）錯誤率大幅度下降，從2010年的超過30%下降到現(xiàn)在的不到3%。同樣，自2016年7月以來，DNNs還幫助降低了語音識別的錯誤率——從8.4%降低到4.9%。圖像及語音識別的錯誤率閾值為5%——這一點很重要——當(dāng)給予相似的數(shù)據(jù)時，5%大約是人類的錯誤率。

自動化的實現(xiàn)

為了生成定義明確、可應(yīng)用機(jī)器學(xué)習(xí)算法的學(xué)習(xí)任務(wù)，我們必須明確說明該任務(wù)、性能指標(biāo)和培訓(xùn)經(jīng)驗。在大多數(shù)實際應(yīng)用中，要學(xué)習(xí)的任務(wù)與某些指標(biāo)函數(shù)相對應(yīng)，比如從輸入醫(yī)療患者健康記錄到輸出患者診斷的函數(shù)，或者從自動駕駛汽車的當(dāng)前傳感器輸入到下一個正確的方向指令的函數(shù)。最常見的培訓(xùn)經(jīng)驗是包含了指標(biāo)函數(shù)的輸入-輸出對的數(shù)據(jù)（例如，病歷記錄與正確診斷的配對）。在許多領(lǐng)域，獲取真實的訓(xùn)練數(shù)據(jù)是困難的，例如精神病診斷、雇傭決策和法律案件。

一個成功的商業(yè)應(yīng)用程序中的關(guān)鍵步驟通常包括：精準(zhǔn)確定要學(xué)習(xí)的函數(shù)；收集并清理數(shù)據(jù)，使其能夠用于培訓(xùn)機(jī)器學(xué)習(xí)算法；提取數(shù)據(jù)特征，挑選那些可能有助于預(yù)測目標(biāo)輸出的特征，或者收集新的數(shù)據(jù)來彌補(bǔ)原始數(shù)據(jù)特征的不足；嘗試使用不同的算法和參數(shù)設(shè)置來優(yōu)化學(xué)習(xí)分類器的準(zhǔn)確性；以提高生產(chǎn)率的方式將生成的學(xué)習(xí)系統(tǒng)嵌入到常規(guī)業(yè)務(wù)操作中，如果可能的話，以持續(xù)捕獲額外訓(xùn)練樣本的方式。

有一種方法特別適用于測量未來自動化的速度，那就是“學(xué)徒式學(xué)習(xí)”方法（有時被稱為“人在回路”），即人工智能（AI）程序作為學(xué)徒幫助人類工作者，同時通過觀察人類的決定、捕獲額外的訓(xùn)練樣本而不斷學(xué)習(xí)。這種方法帶來了新的商業(yè)模式。

訓(xùn)練一個人工智能學(xué)徒模擬人類的決策，使機(jī)器可以從它幫助的多人的綜合數(shù)據(jù)中進(jìn)行學(xué)習(xí)，最終機(jī)器的表現(xiàn)可能會超越其訓(xùn)練團(tuán)隊的每個人。盡管如此，它學(xué)習(xí)的經(jīng)驗技能或許受到兩個因素的限制：人類團(tuán)隊的技術(shù)水平和相關(guān)決策變量的在線可用性。然而，在計算機(jī)能夠訪問獨(dú)立數(shù)據(jù)以確定最佳決策（基本事實）的情況下，就可以改進(jìn)人類的決策，幫助人類改進(jìn)其表現(xiàn)。例如，在從皮膚病學(xué)圖像進(jìn)行皮膚癌的診斷時，用隨后的活組織檢查結(jié)果作為訓(xùn)練的黃金標(biāo)準(zhǔn)，可以產(chǎn)生比人類醫(yī)生診斷準(zhǔn)確性更高的計算機(jī)程序。

最適合機(jī)器學(xué)習(xí)的任務(wù)

盡管機(jī)器學(xué)習(xí)系統(tǒng)的能力最近取得了令人印象深刻的進(jìn)展，但它們并非適用于所有任務(wù)。當(dāng)前的成功浪潮很大程度上利用了稱之為“監(jiān)督式學(xué)習(xí)”（通常使用DNNs）的范式。在非常適合這種用途的領(lǐng)域中，這種方法可以很強(qiáng)大。然而，該方法的能力比人類決策要狹窄和脆弱許多，而且對于許多任務(wù)來說是完全無效的。當(dāng)然，機(jī)器學(xué)習(xí)還在不斷取得新的進(jìn)展，其他的方法可能更適合于不同的任務(wù)。我們確定了8個關(guān)鍵的標(biāo)準(zhǔn)，幫助區(qū)分“適合于機(jī)器學(xué)習(xí)”的任務(wù)與機(jī)器學(xué)習(xí)不太可能成功的任務(wù)，至少在使用當(dāng)前主流的機(jī)器學(xué)習(xí)范例的時候是如此的。

學(xué)習(xí)將定義明確的輸入匹配到定義明確輸出的函數(shù)這其中包括分類（例如，根據(jù)癌癥的可能性對狗的品種進(jìn)行圖像標(biāo)記或病歷記錄標(biāo)記）和預(yù)測（例如，分析貸款申請以預(yù)測未來違約的可能性）。盡管機(jī)器學(xué)習(xí)可能會學(xué)習(xí)預(yù)測與任何給定輸入X相關(guān)的Y值，但這是一種學(xué)習(xí)的統(tǒng)計相關(guān)性，可能無法捕獲因果效應(yīng)。

存在或者能夠創(chuàng)建規(guī)模巨大、帶有成對的輸入輸出的數(shù)字化數(shù)據(jù)集可獲得的訓(xùn)練樣本越多，學(xué)習(xí)的準(zhǔn)確度就越高。DNNs的顯著特點之一是：在很多領(lǐng)域的表現(xiàn)似乎并沒有在一定數(shù)量的訓(xùn)練樣本之后達(dá)到頂點。在訓(xùn)練數(shù)據(jù)中捕獲所有相關(guān)的輸入特征尤其重要。雖然原則上任意函數(shù)都可以用一個DNN表示，但計算機(jī)很容易模擬和延續(xù)訓(xùn)練數(shù)據(jù)中存在的不必要的偏差，也容易丟失無法觀察的變量的相關(guān)規(guī)則。創(chuàng)建數(shù)字?jǐn)?shù)據(jù)可以有幾種方式：通過監(jiān)視現(xiàn)有流程和客戶互動，通過雇傭人工來明確標(biāo)示或標(biāo)記部分?jǐn)?shù)據(jù)或創(chuàng)建全新的數(shù)據(jù)集，或通過模擬相關(guān)的問題設(shè)置。

該任務(wù)提供具有明確定義目標(biāo)和指標(biāo)的清晰反饋當(dāng)我們能夠清楚地描述目標(biāo)時，機(jī)器學(xué)習(xí)就能夠很好地工作，即使我們并不一定能確定實現(xiàn)這些目標(biāo)的最佳過程。這與早期的自動化方法形成了鮮明的對比。捕獲個人的輸入-輸出決策的能力，盡管它可能允許機(jī)器學(xué)習(xí)去模仿這些個體，卻或許不會產(chǎn)生整個系統(tǒng)的最佳性能，因為人類本身可能做出不完美的決策。因此，明確定義整個系統(tǒng)的性能指標(biāo)（例如，為了優(yōu)化整個城市而不是特定十字路口的交通流量）就為機(jī)器學(xué)習(xí)系統(tǒng)提供了黃金標(biāo)準(zhǔn)。當(dāng)訓(xùn)練數(shù)據(jù)按照這樣的黃金標(biāo)準(zhǔn)進(jìn)行標(biāo)記時，機(jī)器學(xué)習(xí)尤其強(qiáng)大，因為明確了所需的目標(biāo)。

沒有依賴于不同背景知識或常識的、連串的邏輯或推理機(jī)器學(xué)習(xí)系統(tǒng)在學(xué)習(xí)數(shù)據(jù)的經(jīng)驗關(guān)聯(lián)方面非常強(qiáng)大，但是當(dāng)任務(wù)需要連串的推理或復(fù)雜的計劃時，這些推理和計劃依賴于計算機(jī)所不知道的常識或背景知識，機(jī)器學(xué)習(xí)就不那么有效了。專用移動游戲終端的“一秒鐘規(guī)則”表明，機(jī)器學(xué)習(xí)在需要快速反應(yīng)并可提供即時反饋的視頻游戲中表現(xiàn)良好，但在另一種游戲中卻表現(xiàn)不佳——游戲中最佳行動的選擇取決于記住很久以前發(fā)生的事件以及關(guān)于世界的未知背景知識（例如，知道可能會在房間里的什么地方發(fā)現(xiàn)新引進(jìn)的物品）。例外的情況是像圍棋、象棋等類游戲，因為這些非物質(zhì)游戲可以快速模擬，而且準(zhǔn)確度非常高，因此可以自動收集數(shù)以百萬計的完美的自標(biāo)記訓(xùn)練樣本。然而，在現(xiàn)實世界的大多數(shù)領(lǐng)域中，我們?nèi)鄙龠@樣完美的模擬。

無須對做決定的方式給予詳細(xì)的解釋大型的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)通過巧妙地調(diào)整多達(dá)數(shù)億的與人工神經(jīng)元互連的數(shù)值權(quán)重來做出決定。向人類解釋這些決定的原因可能很難，因為DNNs通常不使用人類所用的中間抽象。雖然可解釋的人工智能系統(tǒng)正在研究中，但目前的系統(tǒng)在這個方面比較薄弱。例如，盡管計算機(jī)可能像專家醫(yī)生一樣很好地診斷某些類型的癌癥或肺炎，甚至可能比專家醫(yī)生做得更好，但與人類醫(yī)生相比，計算機(jī)在解釋診斷的原因或方式方面的能力卻很差。在很多知覺任務(wù)方面，人類也很不善于解釋，例如，如何從聽到的聲音中識別單詞。

容許錯誤，無須零出錯的最佳解決方案幾乎所有的機(jī)器學(xué)習(xí)算法都是從統(tǒng)計和概率上推導(dǎo)出其解決方案。因此，幾乎不可能訓(xùn)練機(jī)器學(xué)習(xí)達(dá)到100%的準(zhǔn)確率。即使最好的語音、對象識別和臨床診斷的計算機(jī)系統(tǒng)也會出錯（最好的人類也是如此）。

容許學(xué)習(xí)的現(xiàn)象或函數(shù)不應(yīng)隨著時間而迅速改變一般來說，只有當(dāng)未來測試樣本的分布類似于訓(xùn)練樣本的分布時，機(jī)器學(xué)習(xí)算法才能很好地工作。如果這些分布隨時間發(fā)生了改變，那么再培訓(xùn)通常是必需的，因此，成功取決于變化速率，相對于新訓(xùn)練數(shù)據(jù)的獲取率而言（例如，垃圾郵件過濾系統(tǒng)能夠很好地與敵對的垃圾郵件制作系統(tǒng)保持一致，部分原因是新郵件的獲取率比垃圾郵件的變化率要高。）

沒有專業(yè)化的靈敏、物理技能、或所需的機(jī)動性在非結(jié)構(gòu)化環(huán)境和任務(wù)中處理物理操作時，機(jī)器人與人類相比仍然相當(dāng)笨拙。這與其說是機(jī)器學(xué)習(xí)的不足之處，不如說是目前機(jī)器人的一般物理機(jī)械操縱工藝水平的結(jié)果。

對勞動力的影響

機(jī)器學(xué)習(xí)之前的信息技術(shù)的主要影響是相對狹窄范圍的常規(guī)性、高度結(jié)構(gòu)化和重復(fù)性的任務(wù)。這是一個關(guān)鍵性原因——導(dǎo)致處于技能和工資范圍中間部分的勞動力需求下降，比如職員和工廠工人；而同時處于底層的（例如，房屋管理員或家庭健康護(hù)理）和高層的（如內(nèi)科醫(yī)生）勞動力需求在大多數(shù)發(fā)達(dá)國家則保持不變。但是，一系列更廣泛的工作將在未來幾年由機(jī)器自動完成或幫助人類完成。其中就包含：人類無法形成策略而數(shù)據(jù)中的統(tǒng)計資料可揭示出策略所需的規(guī)律。盡管將工作分為常規(guī)與非常規(guī)的框架在描述適合最新一波自動化的任務(wù)方面做了非常有效的工作，但SML任務(wù)系列卻通常大不相同。因此，簡單地按照過去的趨勢進(jìn)行推斷會引起誤導(dǎo)，我們需要一個新的框架。

工作通常由許多不同但相互關(guān)聯(lián)的任務(wù)組成。在大多數(shù)情況下，只有一些任務(wù)可能適合于機(jī)器學(xué)習(xí)，但這些任務(wù)不一定能夠使用以前技術(shù)而易于實現(xiàn)自動化。例如，我們發(fā)現(xiàn)：可以訓(xùn)練機(jī)器學(xué)習(xí)系統(tǒng)幫助律師為案件的潛在相關(guān)文件進(jìn)行分類，但是要對潛在證人進(jìn)行面談或者制定成功的法律策略則困難得多。類似地，機(jī)器學(xué)習(xí)系統(tǒng)在解讀醫(yī)學(xué)影像方面取得了快速的進(jìn)展，在某些應(yīng)用程序中的表現(xiàn)優(yōu)于人類。然而，與其他醫(yī)生進(jìn)行互動的非結(jié)構(gòu)化任務(wù)以及與患者溝通并安慰患者的潛在情感任務(wù)等，都不太適合于機(jī)器學(xué)習(xí)方法，至少目前是這樣。

這并不是說所有需要情商的任務(wù)都超出了機(jī)器學(xué)習(xí)系統(tǒng)的范圍。一個令人驚訝的發(fā)現(xiàn)是，銷售和客戶互動的某些方面可能非常適合機(jī)器學(xué)習(xí)。例如，銷售人員和潛在客戶之間的大量在線聊天記錄可以用作簡單聊天機(jī)器人的訓(xùn)練數(shù)據(jù)，聊天機(jī)器人可以識別對于某些常見問題的哪些回答最有可能促成銷售。很多公司也在使用機(jī)器學(xué)習(xí)來識別視頻中人們的微妙情緒。

SML脫離常規(guī)框架的另一個領(lǐng)域是涉及創(chuàng)新的任務(wù)。在舊的計算模式中，一個流程的每個步驟都需要預(yù)先精確地指定。機(jī)器沒有可以發(fā)揮創(chuàng)造力的空間，也無法獨(dú)立想出一個特定問題的解決方案。但機(jī)器學(xué)習(xí)系統(tǒng)是專門設(shè)計用以獨(dú)自想出解決方案的，至少對于SML任務(wù)來說是這樣的。所需要的不是預(yù)先詳細(xì)地定義這個過程，而是要確定所需解決方案的屬性，并且有一個合適的模擬器存在，以使機(jī)器學(xué)習(xí)系統(tǒng)能夠探索可用的替代方案，并準(zhǔn)確地評估它們的屬性。例如，過去一直是人類比機(jī)器更能勝任設(shè)計復(fù)雜新設(shè)備的任務(wù)。但是，生成設(shè)計軟件可以為像熱交換器（見下圖）這樣的物體形成新的設(shè)計，能夠比人類的任何設(shè)計都更有效地滿足所有需求（如重量、強(qiáng)度和冷卻速率），并且具有非常不同的外觀和感受。

它是“創(chuàng)造性”的嗎？這取決于人們對“創(chuàng)造性”的定義。但是，一些以前人類專屬的創(chuàng)造性任務(wù)在未來幾年將變得越來越自動化。當(dāng)最終目標(biāo)可以得到確定時，這種方法就能夠很好地運(yùn)作，并且可以自動地評估解決方案的正確與否和好壞。因此，我們可以預(yù)期這樣的任務(wù)將日益受到自動化的影響。同時，在更清晰地確定目標(biāo)方面，人類的作用將變得更加重要，科學(xué)家、企業(yè)家、以及通過提出正確問題而做出貢獻(xiàn)的人將發(fā)揮日益重要的作用，即使一旦明確了目標(biāo)，機(jī)器往往更有能力找到這些問題的解決方案。

六大經(jīng)濟(jì)因素

利用衍生設(shè)計的機(jī)器而設(shè)計熱交換器

在機(jī)器學(xué)習(xí)對勞動力的影響方面，涉及很多非技術(shù)因素。具體來說，機(jī)器學(xué)習(xí)對勞動力需求和工資的整體影響涉及六種不同的經(jīng)濟(jì)因素：

替代由機(jī)器學(xué)習(xí)創(chuàng)建的計算機(jī)系統(tǒng)將直接代替某些工作，取代人工，減少對勞動力需求。

價格彈性通過機(jī)器學(xué)習(xí)的自動化可以降低任務(wù)的價格。這可能導(dǎo)致總支出的減少或增加——取決于需求的價格彈性。例如，如果彈性小于-1，那么價格的下降會導(dǎo)致購買數(shù)量的超比例增長，而總支出（價格乘以數(shù)量）將會增加。打個比方，科技的發(fā)展使得1903年之后航空旅行的價格降低，而這類旅行的總支出增加了，那么這一行業(yè)的就業(yè)機(jī)會也增加了。

互補(bǔ)對于自動化的任務(wù)A來說，任務(wù)B可能是重要和不可缺少的補(bǔ)充。隨著任務(wù)A的價格下跌，對任務(wù)B的需求將會增加。比如說，隨著計算的自動化，對人類程序員的需求增加了。機(jī)器技能也可以是人工技能的補(bǔ)充。例如，機(jī)器分析技能與人際交往能力日益互補(bǔ)。

收入彈性自動化可能會改變某些個體或更廣泛人群的總收入。如果一個商品的收入彈性不為零，這將反過來改變對某些商品的需求，而生產(chǎn)這些商品的工作的派生需求也會隨之發(fā)生改變。例如，隨著總體收入的增加，美國人花費(fèi)在餐館就餐上的支出也增加了。

勞動力供給彈性隨著工資的變化，從事該工作的人數(shù)也將會有所變化。如果有很多人已經(jīng)具備了必要的技能（例如，開網(wǎng)約車），那么供給將相當(dāng)靈活，即使需求增加（或下降）很多，工資如果有變化，浮動也不會很大。相比之下，如果是比較難以獲得的技能，比如成為數(shù)據(jù)科學(xué)家，那么需求的變化將主要反映在工資而不是就業(yè)上。

業(yè)務(wù)流程再設(shè)計生產(chǎn)函數(shù)（將任何一組不同類型和數(shù)量的勞動、資本和其他投入與產(chǎn)出聯(lián)系起來）不是固定的。企業(yè)家、管理者和工人在不斷革新相關(guān)的流程。當(dāng)面對新技術(shù)時，他們將通過設(shè)計來改變生產(chǎn)流程，并找到更有效的生產(chǎn)方式。這些變化可能需要時間，而且往往會節(jié)約最昂貴的投入，增加需求彈性。類似地，隨著時間的推移，面對某些職業(yè)或地區(qū)的高工資，個人可能做出的選擇有：投資于工作所需的新技能的培訓(xùn)或者搬到新地方，如此一來就提高了相關(guān)的供給彈性。因此，根據(jù)勒夏特列原理（Le Chatelier’s principle），長期的需求和供給彈性比短期大。

技術(shù)的應(yīng)用和傳播通常需要數(shù)年或數(shù)十年的時間，因為需要對生產(chǎn)過程、組織設(shè)計、業(yè)務(wù)模型、供應(yīng)鏈、法律約束、甚至文化期待做出改變。這種互補(bǔ)性在現(xiàn)代組織和經(jīng)濟(jì)體中隨處可見，因為它們是微妙而難以識別的，其可以產(chǎn)生相當(dāng)大的慣性，減緩激進(jìn)的新技術(shù)的實施。與需要較少更改的應(yīng)用程序相比，需要在多個維度上進(jìn)行補(bǔ)充性更改的應(yīng)用程序，往往需要更長時間才能對經(jīng)濟(jì)和勞動力產(chǎn)生影響。例如，自動駕駛卡車整合到城市街道上可能需要交通法規(guī)、責(zé)任條例、保險法規(guī)、交通流量等方面做出改變，而一家客戶服務(wù)中心由人工客服向虛擬助手客服的轉(zhuǎn)變則僅需要對業(yè)務(wù)流程或客戶體驗方面做出改變。

隨著時間的推移，另一個因素變得越來越重要：新的產(chǎn)品、服務(wù)、任務(wù)和流程可以不斷發(fā)明。這些發(fā)明可以創(chuàng)造出全新的任務(wù)和工作，從而可以改變上述關(guān)系的重要性。從歷史上來看，隨著一些工作的自動化，釋放出的勞動力會重新部署，去生產(chǎn)新的產(chǎn)品和服務(wù)，或者投入到新的更有效的生產(chǎn)過程中。作為提高整體收入和生活水平的一種力量，這些創(chuàng)新比增加資本、勞動力或資源投入更加重要。對于很多符合上述標(biāo)準(zhǔn)的任務(wù)，機(jī)器學(xué)習(xí)系統(tǒng)可能會加速這一過程。

隨著網(wǎng)絡(luò)上出現(xiàn)越來越多的數(shù)據(jù)，我們可以發(fā)現(xiàn)哪些任務(wù)應(yīng)該由機(jī)器學(xué)習(xí)自動完成，我們將會更快收集數(shù)據(jù)來創(chuàng)建更有能力的系統(tǒng)。不同于人類所掌握的任務(wù)的解決方案，很多通過機(jī)器學(xué)習(xí)自動化的任務(wù)的解決方案幾乎可以立即在全世界范圍內(nèi)傳播。我們有充分的理由期待：未來的企業(yè)軟件系統(tǒng)將被嵌入每個在線決策任務(wù)的機(jī)器學(xué)習(xí)中，這樣自動化的成本就會進(jìn)一步降低。

最近一波的監(jiān)管學(xué)習(xí)系統(tǒng)已經(jīng)產(chǎn)生了相當(dāng)大的經(jīng)濟(jì)影響。機(jī)器學(xué)習(xí)進(jìn)一步發(fā)展的最終范圍和規(guī)模可能會匹敵或超過早期的通用目的技術(shù)，如內(nèi)燃機(jī)或電力。這些進(jìn)步不僅直接提高了生產(chǎn)率，而且更重要的是，在機(jī)器、企業(yè)組織乃至更廣泛的經(jīng)濟(jì)領(lǐng)域引發(fā)了一波互補(bǔ)性的創(chuàng)新浪潮。做了正確的互補(bǔ)投資（例如，在技能、資源和基礎(chǔ)設(shè)施方面）的個人、企業(yè)和團(tuán)體將因此而繁榮，而其他企業(yè)不僅未能全面受益，而且在某些情況下可能變得更糟。因此，理解各種機(jī)器學(xué)習(xí)的精確應(yīng)用及其對特定任務(wù)的影響對于理解其可能的經(jīng)濟(jì)影響至關(guān)重要。