机器学习计算机系统随着经验的提高而变得更好，它有可能像过去的蒸汽机和电力一样改变经济。他们可以在许多任务中胜过人，尽管他们不可能在所有工作中取代人。

卡内基梅隆大学的Tom Mitchell和麻省理工学院的Erik Brynjolfsson在政策论坛评论中说，将在12月22日出版的“科学”杂志上发表。Mitchell在CMU创立了世界上第一个机器学习部门，而斯隆管理学院数字经济MIT计划主任Brynjolfsson描述了评估任务或工作是否适合机器学习的21个标准(ML )。

他们写道：“尽管今天ML的经济影响相对有限，而且我们并未面临有时宣布的'即将结束的工作'，但对经济和未来的劳动力的影响是深远的。”他们认为，人们选择发展的技能和企业的投资将决定谁在日常生活中根深蒂固，谁会茁壮成长和踌躇不前。

ML是人工智能的一个要素。ML的快速进步已经在面部识别，自然语言理解和计算机视觉方面取得了最近的进步。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，医学诊断等新应用即将出现。

预测ML将如何影响特定的工作或职业可能很困难，因为ML倾向于自动化或半自动化单个任务，但工作通常涉及多个任务，其中只有一些适合ML方法。

“我们不知道这一切将如何发挥作用，”CMU计算机科学学院的E. Fredkin大学教授Mitchell承认。例如，今年早些时候，研究人员表明，ML程序可以比皮肤科医生更好地检测皮肤癌。这并不意味着ML将取代皮肤科医生，除了评估病变外，还做很多其他事情。

“我认为皮肤科医生会发生什么，他们将成为更好的皮肤科医生，并有更多的时间与患者共度，”米切尔说。“那些工作涉及人与人之间互动的人将变得更有价值，因为他们无法实现自动化。”

Mitchell和Brynjolfsson写道，适合ML的任务包括可获得大量数据的任务。例如，要学习如何检测皮肤癌，ML程序能够研究超过130,000个标记的皮肤病变样本。同样，信用卡欺诈检测程序可以通过数亿个示例进行培训。

ML可以是已经在线的任务的游戏改变者，例如日程安排。不需要灵活性，身体技能或移动性的工作也更适合ML。涉及根据数据做出快速决策的任务非常适合ML计划;如果决定取决于长长的推理链，不同的背景知识或常识，则不是这样。

这组作者说，如果用户需要详细解释如何做出决定，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生更好，但皮肤科医生更善于解释为什么病变是癌性的。

然而，在“可解释的”ML系统上正在开展工作。

作者说，了解ML在劳动力中的准确适用性对于理解其可能的经济影响至关重要。今年早些时候，Mitchell和Brynjolfsson共同主持的国家科学院，工程和医学院对信息技术和劳动力的研究指出，信息技术的进步导致了工资不平等的加剧。

“虽然有许多因素导致不平等，例如全球化程度的提高，但由于ML在很多情况下十年之内发生巨大而迅速变化的可能性，这表明经济效应可能具有高度破坏性，创造了赢家和输家。”他们写。“这需要政策制定者，商业领袖，技术专家和研究人员的高度关注。”