機器學習是一件很難的事情----因為這關聯(lián)到高級運算和復雜概念上的思考，需要一個完善的能夠分析事物的腦子，能夠有廣度有創(chuàng)意地去思考。這個領域是十分復雜的，事實上，這需要顛覆許多基礎的資本主義原則;不管提供的薪水多么具有競爭力，教育機構(gòu)并不能生產(chǎn)出足夠的專家給那些需要改進他們產(chǎn)品的現(xiàn)代企業(yè)。現(xiàn)在，微軟成立了機器學習組織，這是一個試圖把機器學習問題簡單化的新嘗試。不過問題是，我們到底希不希望他們能夠成功呢?

過去的幾年當中，的確有不少有關科技發(fā)展造成失業(yè)的悲觀預測。其中最著名的來自Brynjolfsson 和McAffee，他們認為大多數(shù)的現(xiàn)代行業(yè)很快就會被運算程序和機器人計算機化。在機器學習過程中，電腦被賦予無思想的新技能，通過經(jīng)驗對數(shù)據(jù)進行無偏見的篩選，他們正在一步步的實現(xiàn)我們的預測。

然而，就像之前說的，編寫更好的機器學習算法的不僅僅是數(shù)學運算能力，還需要一些有關如何用最好的方式去處理人類知識技能的各個方面的抽象理解。這樣一來，這些領域的專業(yè)人員自然就能為機器學習算法做出貢獻，然而逆向問題計算應用、數(shù)學和編程上的高技術屏障卻讓他們的創(chuàng)造力提供不了什么真正的幫助。

機器學習組織則是人們?yōu)榱私鉀Q這個難題而做出的一種嘗試，通過降低這種屏障讓這些不懂編程的人能夠為機械學習提供幫助。微軟公司稱之為“完美可人的大眾化進程”，不過這也暗示了他們的用心：如果微軟在機械學習這個大工程上獲得成功，將會為世界開啟“電腦處理化”的大門，屆時電腦所能代替的人工工作將比Brynjolfsson 和McAffee所預測的還要多。這兩位研究者的假設模型是越是非線性并且需要創(chuàng)意的工作過程越難被電腦所替代，而現(xiàn)在機器學習組織連這個對工人來說的安慰也給打破了。

在一些像診斷醫(yī)療和外科手術的領域里，機器學習無疑是個好事，除了可以促進公共衛(wèi)生業(yè)發(fā)展以外，醫(yī)生手術時體力透支問題也不是什么難題了。對于別的行業(yè)，這種因果關系就沒那么明顯。一個廚子在烹飪學上能對算法體系貢獻多少?同樣的，一個在超市自動柜員機旁邊裝袋的收銀員也是如此。他們無可厚非，也無法被改變。只是但愿這個進程能夠很好的包容他們，還有你我。

古時的機械織布機在當時普及的時候救活了很多人，同時也傷害了很多人。它所產(chǎn)生的就業(yè)數(shù)量并不比它造成的失業(yè)數(shù)量多----這是一個在電腦化真正開始之前關于就業(yè)市場的謬論----但機械織布機確實降低了生活成本和一個人生活中必須用于工作的時間比例。與3D打印技術和自動駕駛汽車技術相結(jié)合，機器人和機械教學可以省掉企業(yè)一大半勞動力。如果說這個體系還能做更多的話，那就是讓物價明顯下降，通過降低所有人的整體生活消費成本來抵消它所帶來的因失業(yè)產(chǎn)生的貧困。

那也許是一個烏托邦式的美夢，然而每一個用程序和技術去代替人們一技之長的嘗試都是以這種最初級的猜測作為基石從而一步步實現(xiàn)的----這些在即將到來的工作革新期間創(chuàng)造出的收獲將逐漸的滲透到每個普通人身上，讓他們從中受益。如果事情并沒像我們希望的美好一面發(fā)展，那么問題就來了：當一個像微軟這種規(guī)模的公司打算突破全球計算機化進程的瓶頸，用機械和電腦這類中間設備解決方案不斷的摧毀就業(yè)職位的時候，實際的情況也就離我們上文的那些悲觀預測不遠了。