人类会被机器人和人工智能夺走工作，甚至生命，早就不是什么新鲜话题。
各种影视作品和学术分析，都已经指明了未来人工智能在整个生活空间中必然会占据一个庞大位置，但问题是那很遥远啊。远远还不到真正威胁我们工作和收入的程度。
然而来到了今年下半年，从巨头到创业公司，从硅谷出来的风到国产黑科技，好像都在告诉我们这样一个事实：人工智能真的能用了。
经历了PC和移动两个互联网时代的我们，应该已经知道互联网改变现实工作机会的方式：首先扎开几个小孔，随后是一场洪流般的普及运动，最终遍地开花。
那么，“真实应用版”的人工智能最有可能从哪些行业开刀呢？本文来做一个统计，希望作为读者的你并不在其中。当然，在也无妨，毕竟任何工具的进化，本质上都会提供更多职业上升通道。
【速记】
罗永浩的新品发布会突然激活了语音输入这个行业，可能是今年最有意思的不期而遇之一。但是不得不说，这是个必然而非偶然。
从最近火热的讯飞，到行业老大搜狗输入法，甚至BAT以及国际巨头，人工智能语音识别其实已经不是一两天内的新闻了。
但区别在于，基于语音精神元的单位化智能识别大大加强了人工智能语音识别的准确性。加上降噪、抗干扰、对话角色识别等功能，通过人工智能把语音转换成文字已经成为了基本可行的工作。
而在这个转换中被省略掉的人力劳动，显然是速记。根据亲身实测，很多付费软件的语音文字转换正确率已经比职业速记高出不少。而且显然响应速度更快。目前最大的问题仅在于人名、地名以及部分专有名词的识别上（事实上速记也识别不出）。
进一步可能受到威胁的职业是同声传译。因为绝大多数同传错误率本就很高，基于类似谷歌神经网络翻译技术得到的翻译结果再通过语音传输，其实可以推翻大部分同传的工作。
当然，涉及创造力和专业属性的翻译暂时还是安全的，但能安全多久我们也不得而知。
【股票分析师】
fintech已经被喊了有一段时间，但是在国内，这个名词还更多被看做是p2p升级版的噱头和合法化包装。
然而从金融、证券，尤其是个人理财服务的本质上看，判断收益率和选择投放，并做出合适的一揽子配比就是这类工作的基本面。大数据和深度学习技术的完善，已令人工智能有能力完成大多数金融服务工作。
fintech体系中一个重要部分叫做“机器人理财”。众多针对这项技术的硅谷和以色列创业团队今年都收获了巨额投资或者并购，从技术上看已经相对成熟。国内机器人理财方兴未艾的原因，一方面是平台缺乏公信力，无法赢得用户和监管方的信赖，一方面是机器人理财平台如何获得收益是个问题。一但BAT级别的巨头加入这个战场，可能造成的变量相当可观。证券分析、理财服务等从业者很可能受到冲击，尤其是“民间专家”型分析者。
当然，AI＋人工的金融服务更可能成为未来主流。对于金融业来说，fintech更像是一次升级机会。
【导购】
对于用户来说，导购人员的作用是什么呢？一是通过导购了解产品，二是帮助自己选择商品，三是用来讲价。
而在大数据，尤其是客户数据体系、客户画像能力、智能推荐技术都日臻完善的今天，购物场景中通过新奇的技术体验来帮助用户完成选择很可能成为主流。
淘宝的VR购物平台buy＋一经上线就受到热捧，可见消费者对于以新技术＋体验的方式完成购物是非常认可的。实体店和商超广泛引入人工智能导购体系，不仅可以大大节省人力支出，还能在平台接入、支付系统、线上增值服务等端口获得更多红利，商家何乐而不为？
大规模把人脸识别、用户画像和智能推荐的导购体系推进商场，其实只需要一次声势浩大的补贴和返现活动，而中国互联网人是极擅长这招的。由此产生的连锁效应，很可能令低端导购、纯粹提供分拣、拿货、收银、推荐等体力服务的导购失去工作意义。
当然，智能推荐＋购物可能创造的新就业机会也很多，这或许是O2O的又一次觉醒契机。
【客服人员】
容联云、平安，包括阿里、腾讯，目前都已经推出了自己的云客服系统。这个2B产业风口已经被认为是企业级服务的突破口。当然，目前云客服工具对于很多企业来说应用价值还不高，仅仅是减轻了客服人员的部分工作而已，企业付出的人力成本基本没有变化。
但人工智能广泛入场之后，现状很可能被进一步改写。
人工智能目前已经可以提供语音识别、语言响应、智能推荐等功能。基于问题数据库和处理方式数据库，搭建比较完善的客服响应中心，辅以接通深度学习端口的人工服务，一个简单实用的客服处理中心基本可以宣告完成。
人工智能＋客服，优势是响应快而无时间限制，出错率少，并且可以搭建多路径整合的响应方式，这些是人工客服永远无法完成的。甚至有美国研究机构发现，通过智能推荐，智能客服完成的二次交易率都比人工更高。相比起来，人工客服所能提供的只是情感交流、特殊问题解答等不可代替服务，前者应用频次过低，后者可以通过深度学习不断弥补。
因此，企业通过人工智能完成客服＋市场＋客户群租运营的日子应该已经不远了。国内就有很多平台级玩家在解决这一升级需求。而相应的就是客服人员可能大量遭遇工作价值缺失，当然，人性总归是复杂的，在缓解客户情绪（尤其是挨骂）上，人工客服永远有存在的必要。
【文字工作者】
没错，我跟我的同行也面临着人工智能带来的失业压力。
人工智能写稿，一直是未来媒体和新媒体领域探讨的关键技术。但从今年的态势看，这个技术已经很大程度能够被投放应用。先不说写诗写小说这种创作型写作（事实上这些人工智能也已经能完成），就说每个新媒体人和企业的新媒体运营、网络编辑都会遇到的“抓热点”“造点击率”，人工智能的组稿和撰稿引擎已经被证明可以完美胜任。
相比人类，人工智能抓取的热点和关键词更准确，而初级网络编辑的“拼稿＋塞图”行为人工智能也能完整进行，而且效率超高。
另一方面，文案和公文写作的文字工作者面临的挑战更大。这种模块化写作内容其实是人工智能的最爱，它可以准确满足所有需求，避免一切错误，甚至能深度学习审稿人的爱憎。用人工智能写手来写公文，显然可以永远不犯领导名字顺序写错这种错误。堪称众多公职人员和媒体人的福音，同时也是他们的最大竞争对手。
当然，人工智能在创造力和深度上还完全没有优势，它只能满足阅读者的需要，却不能给阅读者提供任何新东西。
【这些行业的共同点】
其实还有很多行业马上就会面临人工智能的挑战。总结这些行业，会发现有以下共同点：
一、处在信息的两端。目前的人工智能，能高效完成的其实只有两件事：识别数据，推荐数据。而这两者刚好处在信息的两端。那么同样，在识别数据端的速记、翻译，和推荐数据端的导购、理财师，就很可能受到直接冲击。相对来说，运用数据和基于数据再创造的职业会安全一些。
二、以归类＋选择为工作目的。有很多工作，其本质上并非是创造价值，而是在固有信息过多或者难以处理的情况下，帮助他人归类并选择信息。但是人力有时而竭，人工智能一但链入具体数据库，所能提供的服务比人力要优越很多。
三、高度模块化。还有一种工作很可能被人工智能打败，就是职业本身内容是把高度模块化的东西反复拼接在一起，尤其是信息拼接。这就像信息空间中的工业革命，人工智能拼接模块和信息流的效率十分惊人，而且可以基于数据满足使用者需求，从效率和目的上都是人力无法匹敌的。而其前提是工作的初始模块已经完全固定，当然这样的工作其实很多。
总的来说，识别、归类、选择的工作已经非常危险，即使人工智能不进行硬件化和设备化，也可以完成替代。如果设备化完成，那么驾驶、机械操作、摄影摄像等设备工作也将面临巨大冲击。
怎么办呢？其实最好的办法就是先知先觉变成人工智能专家，然后去抢别人的就业机会。
知识工作者如何实现个人提升？
01:
有这样一位牛人，他是中国科学院的外籍院士（1995年当选），1983年就在北大心理学系上过3个月的认知心理学课程。
他是中国人民的老朋友，有个中文名字叫司马贺！他牛到什么程度呢，除了他的母校芝加哥大学的政治学博士外，他以后还获得8所大学的法学、哲学、科学的博士学位。他得过计算机领域最牛的图灵奖（1975年）、他还是心理学研究的大拿，得过美国心理学会终身贡献奖（1993年）。但计算机领域、心理学都不是他的主业，他是1978年的诺贝尔经济学奖的获得者。
1978年瑞典皇家科学院贺辞说“其科学成就远超过他所教的任何一门学科——政治学、管理学、心理学和信息科学。他的研究成果涉及科学理论、应用学、统计学、运筹学、经济学和企业 管理等方面，在所有的这些领域中他都发挥了重要的作用，人们完全可以以他的思想为框架来对该领域的问题进行实证究。但西蒙首先是一位经济学家，因终生从 事经济组织的管理行为和决策的研究而获诺贝尔经济学奖。”
诺贝尔奖委员会说他首先是一个经济学家，但他在管理学、政治学、社会学上的辉煌贡献怎么算？
是他将管理的决策职能第一次明确提出来，有限理性、管理人、决策技术等都是他最先进行了系统的论述。
他的名字叫赫伯特·西蒙(Herbert A．Simon，1916～2001)，美国管理学家和社会科学家，经济组织决策管理大师，第十届诺贝尔经济学奖获奖者。
1973年他和威廉蔡斯（William Chase）在《美国科学家》杂志上写过一篇心理学的论文，这篇论文主要研究国际象棋大师们的学习行为和内在机理，在论文的末尾有这么一段话：
国际象棋没有速成专家–肯定没有速成的大师或者超级大师。全神贯注于该项运动的时间不到10年，却达到超级大师水平的、有案可查的一个都没有（包括鲍比?菲舍尔（Bobby Fischer））。
我们可以很粗略的估计，一位大师也许盯着棋局1-5万个小时，而一位A级别棋手是1-5000个小时。对大师而言，这些时间和高等文化程度的人成年之前花在阅读上的时间相当。
论文中提到的鲍比?菲舍尔（Bobby Fischer，1943年3月9日－2008年1月17日）是一位犹太裔美国人。因1972年在冰岛的国际象棋“世纪之战”比赛中战胜苏联人而获得第11届国际象棋世界冠军得名，被广泛认为是有史以来最伟大的棋手之一，有“国际象棋坛莫扎特”之称。
但可笑的是，人们为了强调，将西蒙在论文里的那段话归结于西蒙提出了“一万小时定律”。
02:
在1993年，瑞典心理学家K·安德斯·埃里克森以德国柏林音乐学院的小提琴手练习时间为研究对象，将结论写成论文《刻意练习在获得专家级演奏中的作用》发表在知名的《心理学评论》期刊上。
在这篇论文中，埃里克森第一次系统的提出了“刻意练习”的概念。他们发现最佳小提琴手的平均练习时间是一万个小时，而且技能水平与练习时间紧密相关。次年，他的同事调查了钢琴的演奏者，结果类似。
刻意练习的概念已经提出，就吸引了更多人的兴趣和研究，埃里克森也一直通过相应实验去验证并完善，他在2013年重新对刻意练习的概念进行了修正，表述为：
在一项训练活动中，用全部的专注去工作，目的是对某一特定方面的表现进行改进，以及通过重复和问题解决而逐渐获得精细改善的各种机会。
以上的定义看起来仍然让人费解，用通俗的语言表述可以包括以下几个方面：
而且更麻烦的是，刻意练习是有自己的限定条件的，概括起来是以下3点：
资源限制
“刻意练习既需要个人的时间和精力，也需要获得教师、训练材料、训练设施。如果练习者是少儿，他周围必须有人乐意支付训练材料、职业教师的时间，以及往返训练场所和比赛的交通。”
支撑刻意练习的资源需要花钱，甚至是大把大把的钱！
动机限制
“从根本上说，刻意练习不是激励性的。演奏者把它当做获得进步的工具，和结果（进步）不同，练习缺少内在的奖励或快乐，这和领域内的个人很少自发练习的事实是一致的”
刻意练习一点也没意思、不好玩，你得能忍受无聊的重复。
努力限制
“刻意练习是很费力的活动，因此每天只能持续有限的时间。在一段时间内，不感觉到筋疲力尽为宜，否则就无法将刻意练习持续进行下去，这样就要求刻意练习每天限定在合适的范围内”
所以真正的刻意练习是一场持久战，不是一次性的,需要持续、科学的训练。对于大部分人而言，这个都太难了，很难坚持！
03:
以上的内容是学术领域的研究，从2008年开始国外许多畅销书作家将一万小时定律、刻意训练这些词给通俗化了，成为了类似于鸡汤的成功学。
相关的书籍国外有很多，国内也进行了翻译，包括：
《异类：不一样的成功启示录》《哪来的天才–练习中的平凡与伟大》《一万小时天才理论》
第一本讲了一万小时理论，第二本强调刻意练习，第三本的作者真的去采访了学术的出处K·安德斯·埃里克森，他造了一个跟刻意练习学习类似的词“深度学习”。
通俗读物的传播效果飞快，大部分人都知道了一万小时定律，但许多人望文生义，说为什么我“睡了一万小时的觉，也没成为睡觉的专家”？
后来又有人出来说，你为什么一万小时还不行，是因为还没有进行“刻意练习”，并提出了许多进行刻意训练的所谓“方法”，但效果有没有就不知道了，因为我们看到刻意练习的限定是很严格的。
能想到刻意练习的例子是鼎盛时期李娜和他的团队，一年的费用大致要700万。
他的教练是阿根廷人卡洛斯·罗德里格斯，这个世界知名的教练曾经培养出七次夺得大满贯的比利时名将海宁。
他的体能教练是德国人阿历克斯，在获得澳大利亚公开赛的冠军时李娜曾这样评价阿历克斯：“过去这几年，我就没怎么受过伤。”这是对一位体能师的最高评价。
她的经纪人是体育营销巨头IMG集团副总裁麦克斯·埃森巴德，这个麦克斯也是莎拉波娃的经纪人。
普通人很难有这样的团队，大部分人支付不起这样的费用，而且一个知识工作者的工作也不是像钢琴、网球那样有明确、规范的训练方法，就是说你想去重复训练，但训练什么可能都是不清楚的！因为人类对于知识工作的研究与分析还很少，并没有像音乐、艺术类工作那样明确出练习的方式和方法。
04:
台上一分钟，台下十年功！
有志者，事竟成。
我亦无他但手熟尔！
因为一万小时的说法符合了人们潜意识里面的成功都来自于苦练的认知，所以很快的传播开来。
但从文献看出，一万小时成了一个被神化的数字，它只是一个大概的示意。一万小时定律根本称不上定律和理论，只不过是一种误传。在学术领域没有人明确的将一万小时训练作为一个定律提出来，包括西蒙和埃里克森都没有。
而长时间刻意练习效果显著的领域也局限于棋类、音乐、体育等具备明确步骤和方法、提升的目标明确的领域，并且刻意练习有严格的限定，譬如练习的方法一定要是正确的，得有名师指点。如果低水平的老师指导，可能练得越多离卓越就越远。而这些限定决定了，大部分人可能很难有机会进行真正的“刻意练习”。
譬如对于一个有志于成就卓越的项目经理而言，并不是你有项目经理头衔10年就能成为专家，你需要进行刻意练习。但谁会给你提供刻意练习的资源、刻意练习该练习什么（内容）、如何科学的练习（方法）等，你细想一下这些根本没有答案！
知识工作者的工作复杂程度远远超过大部分的音乐和体育项目，他们更多的需要判断、决策和推理。不同行业和岗位的知识工作者需要的训练方式不一，而且没有已经成熟的被验证过的标准方法和流程，这是知识工作者提升的最大障碍！
总结一下：
一万小时是一个概数，可能在某些领域是实用的。但“一万小时定律”不是定律或者理论，因为没有被严格验证过。
简单重复、低水平上反复不会带来进步，要想提升的快需要“刻意练习”，但刻意练习的限定条件很多，普通人可能很难进行有效的刻意练习，因为他们缺乏相应的资源，缺乏这个领域的名师指导、无法忍受乏味的过程。
那普通人要想较快的提升，该怎么办呢？
对于大部分普通的知识工作者，我们认为真正提升的机会在于解决具体问题中，在于解决困难的、不会做的、没有思路焦头烂额的项目中，只有更多的经历这样的需求和项目、任务的压迫、历练与锻造，才可能实现真正的成长与进步，否则即便你饱读诗书满腹经纶也只能成为那种谈起来头头是道但做起来漏洞百出的人。在这样的过程中，其实你就会经历刻意练习，如果时间足够长，可能会远远超过1万小时。这个过程中，如果有高手的指点当然是我们的幸运，但即便没有只要你持续不断的去做，市场、客户也会“教训”你，指点你，你也会成长起来。
