经验丰富的机器学习计算机系统有望像过去的蒸汽机和电力一样极大地改变经济。他们可以在许多任务上胜过他人，尽管他们不太可能在所有工作中都代替人。

因此，卡内基·梅隆大学的汤姆·米切尔和麻省理工学院的埃里克·布林约尔夫森在一份政策论坛评论中说，该评论将于12月22日出版在《科学》杂志上。米切尔(Mitchell)在CMU创立了世界上第一个机器学习部门，斯隆管理学院(Sloan School of Management)麻省理工学院数字经济倡议的主任布林乔尔夫森(Brynjolfsson)描述了21条标准来评估一项任务或一项工作是否适合机器学习(ML) )。他们写道：“尽管如今机器学习的经济影响相对有限，而且我们没有面对有时宣称的即将结束的'工作终结'，但对经济和未来劳动力的影响却是深远的。” 他们认为，一旦ML在日常生活中根深蒂固，人们选择发展的技能以及企业进行的投资将决定谁会蓬勃发展，谁会失败。

机器学习是所谓的人工智能的要素之一。机器学习的快速发展已在面部识别，自然语言理解和计算机视觉方面取得了最新进展。它已被广泛用于信用卡欺诈检测，推荐系统和金融市场分析，以及诸如医疗诊断等新应用。

由于ML倾向于使单个任务自动化或半自动化，因此很难预测ML将如何影响特定的工作或专业，但是工作通常涉及多个任务，其中只有一些任务适合ML方法。

CMU计算机科学学院的E. Fredkin大学教授Mitchell承认：“我们不知道所有这些将如何发挥作用。” 例如，今年早些时候，研究人员表明，ML程序比皮肤科医生能够更好地检测皮肤癌。这并不意味着ML将取代皮肤科医生，皮肤科医生除了评估病灶外还可以做很多其他事情。

米切尔说：“我认为皮肤科医生将要发生的事情是，他们将成为更好的皮肤科医生，并将有更多的时间花在患者身上。” “工作涉及人与人之间互动的人们将变得更有价值，因为他们无法实现自动化。”

Mitchell和Brynjolfsson写道，适合ML的任务包括那些有大量数据可用的任务。例如，为了学习如何检测皮肤癌，ML程序能够研究超过13万个带标签的皮肤病变实例。同样，可以使用数亿个示例来训练信用卡欺诈检测程序。

ML可以改变已经在线的任务，例如计划任务。不需要技巧，身体技能或机动性的工作也更适合ML。涉及基于数据做出快速决策的任务非常适合ML程序;如果决定取决于推理的长链，不同的背景知识或常识，则不是这样。

这组作者说，如果用户需要有关如何做出决定的详细说明，则ML不是一个好的选择。换句话说，ML在检测皮肤癌方面可能比医师更好，但皮肤科医生则更能解释病灶为何会癌变。