在众多反复出现的主题中，现在出现较多的是机器学习对我们生活的影响，尤其是对我们未来工作生活的影响。预言范围从无处不在的乌托邦机器仆人到反乌托邦的蹂躏，到它们会挖空中下阶层的工作和经济地位。 “机器学习能做什么？ “科学”中的Erik Brynjolfsson和Tom Mitchell撰写的“劳动力影响”提供了一些关于机器学习及其未来对经济影响的观点。

机器学习

机器学习是一种通用的人工智能形式。对于可预见的未来, 机器学习仅限于明确定义的任务。适合机器学习的任务包括：易于描述的目标，易于教授的任务，以及可允许算法的开发和性能测量的应用。由此产生的应用虽然看似奇迹，但并不是特别有弹性。目标或指标范围的微小变化都会严重降低了他们的功能。

人类从阅读和实践中学习。从书本中学习，将一个想法与另一个想法联系起来对机器来说是个问题。但是，从示例中逐步学习, 或在职培训, 显示如何做一份特定的工作以及关于它是否正确完成反馈的“监督学习”, 那又是另一回事。监督下的计算机加速学习 - 机器学习表现为的计算速度更快，更少犯记忆的错误，更能坚定不移地专注于某些目标, 因此能够更快地掌握一个特定的事实。

局限

机器学习可能是我们测试教学的最好的例子，但它也有严重的局限。机器不能像人类那样概括他们的知识。考虑机器学习在医学中的应用。大多数应用程序仅限于图像的识别和简单的诊断，其中问题的界定和解决方案的定义是比较明确的，信息很容易为机器转化为数字的，并且无需患者互动即可获得数千个示例。已经证明机器学习能够准确地识别糖尿病中的视网膜变化，乳腺癌的乳房摄影外观以及与异常心律一致的心电图模式。这些问题表现出明确的是或否，正确或错误。在这些参数范围内，机器学习将能够具有等同于或超过其人类培训师的能力。

但是经过训练以检测乳腺癌的算法无法识别糖尿病引起的眼睛变化 - 它无法推广到不同的情况。机器学习反映了对其训练数据集“真相”的忠实模仿。机器学习取决于我们提供的变量，这些选择中反映的意外偏差以及正在考虑的变化问题。请考虑从医学中提取的三个例子：临床证据表明，胃溃疡往往有着过量的胃酸。但是几十年以后才发现幽门螺旋杆菌才是胃溃疡的根本原因。

几十年前心脏病的临床研究主要集中于男性患者, 因此以前我们错误地认为男人和女人的心脏疾病的表现是相同的。但是近年来，我们才发现这种偏见是不正确的，女性心脏病病人经常会报告许多不同于男性患者的症状。

20世纪初时肺癌是非常罕见，医生们只能够聚集在一起看一些样本。但是在近50年内，它成了癌症死亡的最常见的原因。机器可以更为一致地应用知识，但它不会发现胃癌与幽门螺旋杆菌的关系，认识到女性患者心脏病的不同，或肺癌会成为我们最重要的癌症种类。是人类做出了这些发现。

也许这些机械系统中最大的弱点是它们的解释能力。他们调整了数千个数字加权来得出他们的概率答案，给出了确定性的百分比。对于必须按照他们的建议行事的人来说, 机器学习的思想链和所有这些中间步骤是未知的或不清楚的。我们不知道他们的鉴别因素或他们的权重; 而只知道他们输出的统计数字。但是作某些决定时是需要解释的。光靠高科技Magic 8-Ball治疗癌症是不够的。你是否相信“是算法告诉我这样做的”的说法对我们的患者或他们的医疗事故律师有更大的可信性吗？

劳动力影响

一些医生的工作是明确的，容易描述，所以也是适合于机器学习。但是另一些工作属于“我们知道的比我们所能告诉的更多”的工作。-我们的直觉在“见一个，做一个”的意义上分享，但不符合概括性描述. 因为我们无法在训练数据中表达这些直觉, 所以机器学习是无法复制这种体验的.

医生的工作是由容易机器学习的明确任务和只有人类才可执行的隐式任务的有机组合。机器学习将导致这些组合的失衡而引起临床医疗工作的分裂，并将产生深远的影响。我们无法在高度结构化的重复性工作，中等技能范围的工作，或有着明确定义的工作中战胜机器人。我们的价值在于机器更难以获得的人性的隐性技能，安慰患者和催促患者，让病人更好地选择健康的生活状况，或者在面对不确定性时帮助患者平衡他们所感知的和基于证据的风险和益处。我们价值的另一个重要方面是我们与患者顾问，医院和出院后的工作人员和设施的关系 - 我们是提供医疗服务生态系统的一个有机组成部分。医生通过这些关系将提供比机器所能提供的更大的附加值。

如果医生沦为公司雇员的趋势是可以逆转的话, 那也是不容易作到的。只有当我们向权力说出真话时，我们才能成为机器的主人. 我们必须代表我们的患者, 从医疗保健系统巨头和他们的高科技奴隶手中收回医疗的决策权, 并确定我们在有关医生和医疗从业者的事务方面发挥更重要的作用，团结起来我们就会超过机器。（Charles Dinerstein是一名外科医生，原文为英文Will robots replace doctors? 刊登于KEVINMD.COM。）