但等到他们进了教室，却很可能发现等着他们的还是算法。Mindojo之类的公司，正在开发互动算法，不只能教授数学、物理、历史，还能同时研究教授对象这个人。这种数字教师会仔细监测我答了什么，花了多长时间。一段时间后，它们就能判断出我个人独特的优缺点，也知道什么能让我精神一振，什么会叫我眼皮下垂。它们可以用最适合我人格类型的方式来教我热力学或几何学，无须担心这种方式并不适合其余的99%的学生。这些数字教师永远不会失去耐心，永远不会对我大吼大叫，也永远不会罢工。问题在于，都已经有了这样有智慧的计算机程序，我为什么还需要学习热力学或几何学？7
就连医生也无法幸免。大多数医生最主要的任务，就是正确诊断疾病，制定最好的治疗方案。如果我因发烧、腹泻去诊所，病因可能是食物中毒。然而，同样的症状也可能是因为肠胃病毒、霍乱、痢疾、疟疾、癌症，或是什么未知的新疾病。医生只有几分钟时间就要做出正确的诊断，因为我的保险就只付得起这么多时间。所以，医生只能问几个问题，或许再快速做个简单检查，接着就得用这少得可怜的信息，结合我的病史以及所有人类的疾病来做出判断。唉，不管医生再怎么认真，又怎么可能记得住我以前生过什么病、做过什么检查？同样，没有哪位医生能够熟悉每种疾病和药物，也不可能读过医学期刊上的所有最新文章。最重要的是，医生如果累了、饿了，甚至生病，都会影响判断。也就难怪医生有时会误诊，又或是给出的并非最理想的疗法。
现在让我们来看看IBM著名的超级计算机“沃森”，这套人工智能系统2011年在电视益智抢答节目《危险边缘》（Jeopardy!）中获胜，击败该节目史上最强的两位参赛者。而目前“沃森”的工作则严肃许多，主要就是诊断疾病。像“沃森”这样的人工智能，比起人类医生会有某些巨大的潜在优势。第一，人工智能可以将史上所有已知疾病和药物的信息全部存在数据库里。而且这种数据库还能每天更新，不仅包括最新研究结果，还能接收到世界上所有相关诊所和医院收集到的医疗统计信息。
第二，“沃森”不仅能熟知我的整个基因组、完完整整的病史，甚至连我的父母、兄弟姐妹、表亲、邻居和朋友的基因组和病史，它也一样了如指掌。“沃森”能立刻知道我是不是最近去过热带国家，是否胃部感染痼疾，家族是否有肠癌病史，又或者是不是最近全城的人都在抱怨腹泻。
第三，“沃森”永远不会说它累了、饿了或病了，它能随时为我诊断。我可以舒舒服服坐在沙发上，回答几百个问题，告诉“沃森”我究竟感觉如何。对大多数患者来说（或许除了疑病症患者），这会是个天大的好消息。但如果你是今天进医学院学习，希望自己在20年后能当个家庭医生，或许就该重新考虑。有了这样的“沃森”，哪还有福尔摩斯出场的机会？
这种威胁影响的不仅是家庭医生，就连专科医生也无法幸免。而且事实上，钻研于相对专精领域（如癌症诊断）的医生，可能更容易被取代。最近一项实验中，计算机算法能够正确诊断90%的肺癌病例，但人类医生的正确率只有50%。8所谓的未来，其实已经来临。目前，用专门算法处理电子计算机断层扫描（CT）和乳房X射线照相检查已是常规，不仅能够为医生提供参考意见，有时还能抓到医生未注意到的肿瘤。9
目前仍有许多技术问题，让“沃森”及类似的人工智能不可能明天一早就忽然取代大多数的医生。然而，虽然这些技术问题确实棘手，解决后却是一劳永逸。人类医生的培训是一个复杂而昂贵的过程，费时多年。而且，经过大约10年的学习、实习，终于完成整个过程之后，也只是培养出了“一位”医生。想要两位医生，只能从头再来一遍整个过程。相对地，只要解决了阻碍“沃森”的技术问题，能得到的不是一位而是无数位医生，能够在全世界每个角落、全年无休提供服务。因此，就算得花上1000亿美元才能解决这个问题，长远看来，还是比培训人类医生便宜得多。
当然，并不是所有的人类医生都会就此消失。至少在可预见的未来，那些需要创意而不只是日常诊断的工作，还会继续由人类完成。正如21世纪的军队逐步扩增精英特种部队，未来的医疗也可能有更多等同于医疗界游骑兵或海豹突击队员的医生。但正如军队已不再需要几百万士兵，未来的医疗也不会需要几百万名家庭医生。
医生面临的情境，对药剂师来说更是如此。2011年，旧金山就开了一家药店，由机器人担任药剂师。顾客上门之后，机器人只要几秒就能接收到这位顾客的所有处方、服用药物的详细信息，以及顾客可能对哪些药物过敏。机器人会先确认新的处方不会造成过敏，也不会与其他药物产生不良反应，接着才会为顾客配药。开业第一年，机器人药剂师开出超过200万张处方，一个错都没犯。而平均来说，人类药剂师配药错误的比例大约占所有处方的1.7%。也就是说单单在美国，每年就会有超过5000万张处方配错！10
又会有人说，就算算法在专业技术方面优于医生和药剂师，却永远无法取代人性的温暖。假设CT扫描显示你得了癌症，你希望告诉你这个消息的是一台冰冷的机器，还是一个会注意到你情绪的人类医生？如果还有另一台机器，能注意到人类情绪，会依据你的感受和人格特质而调整用词，这下该怎么选？请别忘了，生物也是由各种算法构成，而“沃森”探测人类情绪的准确度，可以和探测肿瘤的准确度一样高。
“沃森”分析这种外部信号的准确度不仅高于人类医生，甚至还能同时分析一般人看不到、听不到的内部指标。“沃森”能够靠着监测你的血压、脑部活动和其他无数生物统计资料，清楚知道你的感觉。而在分析数百万笔过去收集的社交信息后，“沃森”就能用最适当的音调、你最想听的词汇，告知你需要知道的事情。虽然人类总对自己的情绪智能洋洋得意，却也常常受情绪影响，做出消极反应。比如你遇到一个愤怒的人，自己也开始大吼大叫；听一个忧虑的人讲话，自己也忧虑了起来。“沃森”永远不会被这种诱惑影响，它没有自己的情绪，所以永远只会依据你的情绪状态做出最恰当的反应。
这种概念目前已经应用到某些客户服务上，比如芝加哥的Mattersight公司就设计出此类软件。Mattersight的产品广告词就是：“是否曾和某个人说话，觉得真是触动心弦？那种神奇的感受，正是人格匹配的结果。Mattersight将让全世界的客服中心都能创造这种感受。”11通常，打电话咨询客服或投诉的时候，大概要花个几秒钟，把电话转给专员。而在Mattersight的系统里，电话会由一套聪明的算法来负责转接。算法会先请你说出致电原因，接着聆听问题，分析你用的词汇和语调，以此推断你当时的情绪状态甚至性格类型（内向、外向、反叛或依赖）。根据这套信息，算法再为你转接至最适合你当时心情并符合你个性的专员。算法能够判断，你需要的该是具备同情心、能够耐心听完投诉的客服，还是毫不废话、立刻提出技术解决方案的客服。搭配越得当，顾客就越满意，客服也就能降低服务时间和成本。12
无用的阶级
21世纪经济学最重要的问题，可能就是多余的人能有什么功用。一旦拥有高度智能而本身没有意识的算法接手几乎一切工作，而且能比有意识的人类做得更好时，人类还能做什么？
纵观历史，就业市场可分为三个主要部门：农业、工业和服务业。在大约公元1800年前，绝大多数人属于农业部门，只有少数人在工业和服务业部门。到了工业革命时期，发达国家的人民就离开了田野和牧群。大多数人进入工业部门，但也有越来越多的人走向服务部门。到了最近几十年，发达国家又经历了另一场革命：工业部门的职位逐渐消失，服务业大幅扩张。2010年，美国的农业人口只剩2%，工业人口有20%，占了78%的是教师、医生、网页设计师等服务业从业人员。但等到机械的算法在教书、诊断病情和设计方面比人类更在行的时候，我们能做什么？
这个问题以前就出现过。自工业革命爆发以来，人类就担心机械化可能导致大规模失业。然而，这种情况在过去并未发生，因为随着旧职业被淘汰，会有新职业出现，人类总有些事情做得比机器更好。只不过，这一点并非定律，也没人敢保证未来一定会继续如此。人类有两种基本能力：身体能力和认知能力。在机器与人类的竞争仅限于身体能力时，人类还有数不尽的认知任务可以做得更好。所以，随着机器取代纯体力工作，人类便转向专注于需要至少一些认知技能的工作。然而，一旦等到算法在记忆、分析和辨识各种模式的能力上超过人类，会发生什么事？
如果认为人类永远都能有自己独特的能力，无意识的算法永远无法赶上，这只能说是一厢情愿。对于这种空想，目前的科学反馈可以简单概括为三项原则：
1.生物是算法。每种动物（包括智人）都是各种有机算法的集合，经过数百万年进化自然选择而成。
2.算法的运作不受组成物质的影响。算盘的算珠无论是木质、铁质还是塑料质，两个珠子加上两个珠子还是等于四个珠子。
3.因此，没有理由相信非有机算法永远无法复制或超越有机算法能做的事。只要运算结果有效，算法是以碳来表现还是硅来表现又有何差别？
确实，目前还有许多事情是有机算法比非有机算法做得更好，也有专家反复声称，有些事情非有机算法“永远”都无法做到。但事实证明，通常这里的“永远”都不超过一二十年。就像在不久之前，大家还很喜欢用面部识别举例，说这项任务连婴儿都能轻松办到，可是最强大的计算机却无力完成。但到了今天，面部识别程序辨认人脸的速度和效率都已经远超人类。警方和情报机构现在已经很习惯使用这种程序，扫描监控录像机无数小时的视频资料，追踪嫌犯和罪犯。
20世纪80年代讨论到人类的独特之处时，很习惯用国际象棋作为人类能力更强的主要证据。他们相信计算机永远不可能在国际象棋领域打败人类。但在1996年2月10日，IBM的超级计算机“深蓝”（Deep Blue）就打败了世界国际象棋大师加里·卡斯帕罗夫（Garry Kasparov），推翻了这个认为人类能力更强的论点。
“深蓝”算是有些取巧，因为编写程序的人不仅写入了国际象棋的基本规则，还加入了详细的棋局策略。但新一代的人工智能更喜欢让机器自己学。2015年2月，由Google DeepMind人工智能公司所开发的一个程序，就自己学会了如何去玩49款经典的Atari游戏。开发者之一戴米斯·哈萨比斯（Demis Hassabis）博士解释道：“我们提供给系统的唯一信息就是屏幕上的原始像素，以及指示系统要努力得到高分。剩下的一切都是它自己解出来的。”而这套程序也成功找出了交给它的所有游戏的规则，从《吃豆人》（Pac-Man）、《太空入侵者》（Space Invaders）到各种赛车和网球游戏。而且，这套程序得到的分数多半都能打平甚至超过人类，有时候还会使出人类玩家从未想到的策略。13
不久之后，人工智能又获得了更惊人的成就：谷歌的AlphaGo软件自学围棋这种古老的中国棋类游戏，而围棋的复杂度远超国际象棋，一般认为这并不在人工智能程序能够处理的范围内。2016年3月，AlphaGo和韩国棋王李世石在首尔举行了一场比赛，AlphaGo凭借出奇的下法、创新的战略，以4比1击败李世石，令各方大跌眼镜。赛前，大多数专业棋手都确信李世石能赢得比赛，但在赛后分析AlphaGo的棋路后，多数人的结论则是人类在围棋上已不再有希望能打败AlphaGo或其后来者。
近来，计算机算法也证明了自己在球类竞赛中的价值。几十年来，棒球队挑选球员靠的是专业球探和经理的智慧、经验和直觉。顶尖球员的身价高达数百万美元，自然财力雄厚的球队才能抢下一流球员，而经济拮据的球队只能勉强起用二线球员。但在2002年，预算有限的奥克兰运动家队（Oakland Athletics）总经理比利·比恩（Billy Beane）尝试要打破这个格局。他决定根据经济学家和计算机怪才所开发的一套神秘计算机算法，找出人类球探忽视或低估的球员，打造一支常胜队伍。在保守派看来，比恩的算法根本是玷污棒球的神圣殿堂，他们大感愤怒。他们坚决认为球员的选择是一门艺术，只有长期亲近棒球、相关经验丰富的人，才有可能掌握。至于计算机程序，因为它永远无法懂得其中的奥秘和棒球的精神，所以永远都不可能学会这一套。
但没多久，令这些人颇感意外的是，比恩用算法打造的这支低成本球队（4400万美元），不仅能与纽约扬基队（1.25亿美元）这种传统棒球强队平分秋色，甚至还成为美国职业棒球大联盟史上第一支20连胜的队伍。只不过，比恩和运动家队没能得意太久。很快，其他球队也跟进使用同样的算法策略，而且由于扬基队和红袜队不管在球员还是计算机软件上能砸的钱都远远胜出，现在像奥克兰运动家队这种低预算球队，能打败整个体制的机会反而更小了。14