談到人工智能和任務，猜測是殘暴的。傳統的不雅點以為，AI能夠很快就會讓數百萬人掉去任務， 這是將來二十年中，關于打字員和白領工人而言，一如曩昔兩年機械化對工人的影響一樣。也就是說，當途徑上布滿了主動駕駛汽車時，卡車司機和出租車司機將發明本身曾經掉業或半掉業。

　　但如今我們應當開端斟酌AI對社會的潛伏利益和它的弊病。年夜數據和AI反動也有助于清除貧苦，增進經濟穩固。

　　貧困固然是一個多方面的景象。然則貧困的狀態經常包括以下一個或多個實際：缺少支出（掉業）；缺少預備（教導）；并依附當局辦事（福利）。AI可以處理一切三個。

　　起首，雖然人工智能能夠會令人們掉去任務，但它同時也能夠用來將人們與正在掉業的優良中產階層的任務相婚配。明天在美國稀有百萬如許的任務。這恰是人工智能所善于的婚配成績。異樣地，人工智能可以猜測今天的任務空白將在哪里，和他們須要哪些技巧和培訓。

　　從汗青下去看，我們偏向于躲避這類社會計劃和任務婚配，這也許是由于它對我們的批示經濟有必定的感化。但是，沒有人以為當局應當強制工人接收特別的任務，或許確切以為這些任務和技巧的缺口須要成為當局的任務。癥結是，我們如今有了對象來猜想哪些任務是可用的，哪些技巧是工人須要彌補的。

　　其次，我們可以將所謂的差別化教導——基于先生以分歧的方法和分歧的速度控制技巧的理念——帶給全國的每個先生。2013年，美國國立衛生研討院的一項研討發明，近40％的醫學院先生對一種進修形式有激烈的偏好：有些是聆聽者；其別人都是視覺型進修者；還有一些人經由過程現實做獲得了最好的進修。

　　我們的黌舍體系有用地假定了相反的情形。我們把先生們綁縛在一個房間里，用異樣的教授教養辦法和愿望取得最好的成果。人工智能可以改良這類狀態。即便在尺度化課程的配景下，人工智能“導師”也能找到每一個先生的弱點并改正他們的缺陷，使他們順應本身的進修方法，并堅持先生的介入。

　　明天占主導位置的人工智能，也被稱為機械進修，許可盤算機法式變得加倍準確——假如你情愿的話，可以進修——由于它們接收數據，并將其與其他數據集的已知示例相干聯。經由過程這類方法，人工智能“家庭教員”在知足先生的需求時變得愈來愈有用，由于它花更多的時光來不雅察甚么可以進步先生的表示。

　　第三，將教導、失業培訓和婚配歸入21世紀的配合盡力，應當清除年夜量生齒對當局籌劃的依附，這些籌劃旨在贊助墮入窘境的美國人。有了21世紀的技巧，我們可以公道地削減當局支援辦事的應用，使其辦事于本來籌劃的功效。

　　如今可以應用年夜數據集來更好地猜測哪些法式可以在特定的時光贊助特定的人，并疾速評價法式能否具有預期的后果。用告白打個比喻，這將是在黃金時段電視上投放告白和經由過程微目的剖析停止告白的差別。猜猜哪一個更廉價，能更好地達到目的人群？

　　至于認識形狀對"支援爭辯的無害影響：年夜數據許諾更接近于對這些社會項目無成見的、沒無意識形狀的有用評價。我們可以更接近一個精英式的技巧專家型社會的愿景，即來自州和處所各級當局的政客們——那些與他們的選平易近所面對的現實成績最接近的——曾經開端接收。

　　就連國會偶然也會從黨派之爭中醒來，以推動公共政策決議計劃的科技事業：2016年，美國國會投票贊同，巴拉克·奧巴馬總統受權樹立以證據為基本的政策制訂委員會。創立委員會的法案是由平易近主黨參議員帕帕蒂·穆雷（Patty Murray）和眾議院議長保羅·瑞安（Paul Ryan）提議的。在該委員會于2017年9月到期之前，它應用當局數據評價當局政策的有用性，并依據查詢拜訪成果提出建議。

　　這進一步注解了人工智能和年夜數據在積極、有目標的公共好處辦事方面的許諾。在我們將這些新技巧視為凌亂和推翻的代名詞之前，我們應當斟酌它們的潛力，以造福社會。