Fremtidens arbejde: Vil robotter tage mit job?

Tilbage i 1990’erne, da amerikanske banker begyndte at installere pengeautomater i stor stil, så det ud til, at de menneskelige kasserere, der arbejdede i disse banker, stod over for en hurtig forældelse. Hvis maskinerne kunne udlevere kontanter og modtage indskud på egen hånd døgnet rundt, hvem havde så brug for mennesker?

Bankerne havde faktisk brug for dem. Det er rigtigt, at pengeautomaterne gjorde det muligt at drive filialbanker med langt færre ansatte: 13 i gennemsnit, i stedet for 20. Men omkostningsbesparelserne tilskyndede blot moderbankerne til at åbne så mange nye filialer, at den samlede beskæftigelse af kasserere faktisk steg.

Du kan finde lignende historier inden for områder som finans, sundhedspleje, uddannelse og jura, siger James Bessen, økonomen fra Boston University, der gjorde sine kolleger opmærksomme på historien om hæveautomaterne i 2015. “Argumentet er ikke, at automatisering altid øger antallet af arbejdspladser,” siger han, “men at det kan og ofte gør det.”

Det er en lektie, der er værd at huske, når man lytter til de stadig mere spændte forudsigelser om fremtidens arbejde i en tid med robotter og kunstig intelligens. Tænk på førerløse biler eller overbevisende menneskelig talesyntese eller uhyggeligt livagtige robotter, der kan løbe, hoppe og åbne døre på egen hånd: Hvor længe vil der i betragtning af den hastige udvikling inden for sådanne applikationer være noget tilbage for mennesker at lave?

Dette spørgsmål har fået sin mest apokalyptiske formulering af personer som Tesla- og SpaceX-stifter Elon Musk og den afdøde fysiker Stephen Hawking. Begge har offentligt advaret om, at maskinerne i sidste ende vil overgå menneskets evner, bevæge sig uden for vores kontrol og måske endda udløse den menneskelige civilisations sammenbrud. Men selv mindre dramatiske observatører er bekymrede. Da Pew Research Center i 2014 spurgte næsten 1.900 teknologieksperter om fremtidens arbejde, var næsten halvdelen af dem i 2014 overbevist om, at kunstigt intelligente maskiner snart ville føre til et accelererende tab af arbejdspladser – næsten 50 procent i begyndelsen af 2030’erne, ifølge en meget citeret analyse. De frygtede, at det uundgåelige resultat ville blive massearbejdsløshed og et kraftigt opsving i den allerede bekymrende indkomstulighed i dag. Og det kunne faktisk føre til et sammenbrud i den sociale orden.

Og måske ikke. “Det er altid lettere at forestille sig de job, der findes i dag, og som måske vil blive ødelagt, end det er at forestille sig de job, der ikke findes i dag, og som måske vil blive skabt”, siger Jed Kolko, cheføkonom hos online jobopslagssiden Indeed. Mange, hvis ikke de fleste eksperter på dette område er forsigtigt optimistiske med hensyn til beskæftigelsen – om ikke andet fordi ATM-eksemplet og mange andre eksempler som det viser, hvor kontraintuitiv effekten af automatisering kan være. Maskinernes intelligens er stadig meget langt fra at matche alle de menneskelige evner, siger Bessen. Selv når man tager højde for den udvikling, der nu er på vej, siger han, “har vi ikke meget grund til at bekymre os om massearbejdsløshed i de næste 10 eller 20 år.”

Så – hvilken vej vil tingene gå?

Der er ingen måde at vide det med sikkerhed på, før fremtiden er her, siger Kolko. Men måske, tilføjer han, er det ikke det rigtige spørgsmål: “Debatten om den samlede effekt af tab af arbejdspladser i forhold til jobgevinster gør os blinde over for andre spørgsmål, der vil få betydning uanset hvad” – f.eks. hvordan job kan ændre sig i lyset af AI og robotteknologi, og hvordan samfundet vil håndtere denne ændring. Vil disse nye teknologier f.eks. blot blive brugt som endnu en måde at erstatte menneskelig arbejdskraft og reducere omkostningerne på? Eller vil de blive brugt til at hjælpe arbejdstagerne og give dem mulighed for at udøve unikke menneskelige evner som problemløsning og kreativitet?

“Der er mange forskellige måder, hvorpå vi kan konfigurere verdens tilstand”, siger Derik Pridmore, administrerende direktør for Osaro, et San Francisco-baseret firma, der fremstiller AI-software til industrirobotter, “og der er mange valg, som vi skal træffe.”

Automatisering og arbejdspladser: erfaringer fra fortiden

I hvert fald i USA kan dagens debat om kunstigt intelligente maskiner og arbejdspladser ikke undgå at være farvet af minderne om de seneste fire årtier, hvor det samlede antal arbejdere ansat hos amerikanske bilfabrikanter, stålværker og andre producenter begyndte et langt, langsomt fald fra et højdepunkt på 19.5 millioner i 1979 til ca. 17,3 millioner i 2000 – efterfulgt af et brat fald til et lavt niveau på 11,5 millioner i kølvandet på den store recession i 2007-2009. (Det samlede antal er siden da steget en smule til omkring 12,7 millioner; stort set lignende ændringer blev set i andre stærkt automatiserede lande som Tyskland og Japan). Når det kom oven på en stagnation i lønstigningen siden ca. 1973, var oplevelsen traumatisk.

Virkeligvis, siger Bessen, kan automatisering umuligt være hele årsagen til faldet. “Hvis man går tilbage til de foregående hundrede år,” siger han, “automatiserede industrien lige så hurtigt eller hurtigere, og beskæftigelsen voksede kraftigt.” Det er sådan, at vi i første omgang fik millioner af fabriksarbejdere. I stedet skyder økonomerne skylden for faldet i beskæftigelsen på et sammenfald af faktorer, blandt andet globalisering,fagforeningernes tilbagegang og en virksomhedskultur i USA fra 1980’erne, der lagde vægt på nedskæringer, omkostningsreduktioner og kvartalsvise overskud frem for alt andet.

Men automatisering var helt sikkert en af disse faktorer. “I bestræbelserne på at reducere omkostningerne valgte vi kollektivt vejen med mindst mulig modstand”, siger Prasad Akella, en robottekniker, der er grundlægger og administrerende direktør for Drishti, et nystartet firma i Palo Alto, Californien, der bruger kunstig intelligens til at hjælpe arbejdstagerne med at forbedre deres præstationer på samlebåndet. “Og det var: ‘Lad os offshore det til det billigste center, så arbejdskraftomkostningerne er lave. Og hvis vi ikke kan udstationere det, så lad os automatisere det.”

AI og robotter på arbejdspladsen

Automatisering har antaget mange former, herunder computerstyrede stålværker, der kan betjenes af blot en håndfuld medarbejdere, og industrirobotter, mekaniske arme, der kan programmeres til at flytte et værktøj som f.eks. en malingsprøjte eller en svejsebrænder gennem en sekvens af bevægelser. Sådanne robotter er blevet anvendt i stadigt stigende antal siden 1970’erne. Der er i øjeblikket ca. 2 millioner industrirobotter i brug på verdensplan, hovedsagelig på samlebånd i bilindustrien og i elektronikindustrien, som hver især erstatter en eller flere menneskelige arbejdere.

Denne skelnen mellem automatisering, robotteknologi og kunstig intelligens er ganske vist temmelig uklar – og bliver mere og mere uklar, nu hvor førerløse biler og andre avancerede robotter bruger kunstigt intelligent software i deres digitale hjerner. Men en grov tommelfingerregel er, at robotter udfører fysiske opgaver, som engang krævede menneskelig intelligens, mens AI-software forsøger at udføre kognitive opgaver på menneskeligt niveau, f.eks. at forstå sprog og genkende billeder. Automatisering er et paraplybegreb, der ikke kun omfatter begge dele, men også almindelige computere og ikke-intelligente maskiner.

AI’s opgave er sværest. Før omkring 2010 var anvendelserne begrænset af et paradoks, som filosoffen Michael Polanyi i 1966 gjorde berømt for at påpege: “Vi kan vide mere, end vi kan fortælle” – hvilket betyder, at de fleste af de færdigheder, der får os igennem dagen, er øvede, ubevidste og næsten umulige at udtrykke. Polanyi kaldte disse færdigheder for tavs viden i modsætning til den eksplicitte viden, der findes i lærebøger.

Forestil dig at forsøge at forklare præcis, hvordan du ved, at et bestemt mønster af pixels er et fotografi af en hundehvalp, eller hvordan du sikkert kan køre et venstresving til venstre mod mod modkørende trafik. (Det lyder let nok at sige “vent på en åbning i trafikken” – indtil man forsøger at definere en “åbning” godt nok til, at en computer kan genkende den, eller at definere præcist, hvor stort mellemrummet skal være for at være sikkert). Denne form for stiltiende viden indeholdt så mange finesser, specialtilfælde og ting, der blev målt efter “fornemmelse”, at der tilsyneladende ikke var nogen måde for programmører at uddrage den på, og slet ikke at indkode den i en præcist defineret algoritme.

I dag kan selv en smartphone-app naturligvis genkende billeder af hvalpe (normalt), og autonome køretøjer foretager rutinemæssigt (om end ikke altid perfekt) disse venstresving til venstre. Det, der har ændret sig bare inden for det seneste årti, er, at AI-udviklere nu kan kaste massiv computerkraft på massive datasæt – en proces, der er kendt som “‘deep learning”. Det går i bund og grund ud på at vise maskinen en zillion fotografier af hvalpe og en zillion fotografier af hvalpe, som ikke er hvalpe, og derefter lade AI-softwaren justere en zillion interne variabler, indtil den kan identificere billederne korrekt.

Og selv om denne dybe indlæringsproces ikke er særlig effektiv – et menneskebarn behøver kun at se en eller to hvalpe – har den haft en transformativ effekt på AI-applikationer som f.eks. autonome køretøjer, maskinoversættelse og alt, der kræver stemme- eller billedgenkendelse. Og det er det, der skræmmer folk, siger Jim Guszcza, US chief data scientist hos Deloitte Consulting i Los Angeles: “Wow – ting, der før krævede stiltiende viden, kan nu gøres af computere!” Derfor den nye angst for massive tab af arbejdspladser inden for områder som jura og journalistik, som aldrig tidligere har skullet bekymre sig om automatisering. Og dermed de mange forudsigelser om hurtig forældelse for butiksansatte, sikkerhedsvagter og fastfood-medarbejdere samt for chauffører af lastbiler, taxaer, limousiner og varevogne.

Mød min kollega, robotten

Men så var det også meningen, at bankassistenter skulle blive forældede. Det, der i stedet skete, siger Bessen, var, at automatiseringen via pengeautomater ikke blot udvidede markedet for kasserere, men også ændrede jobbet i sin natur: Efterhånden som kassererne brugte mindre tid på at håndtere kontanter, brugte de mere tid på at tale med kunderne om lån og andre bankydelser. “Og efterhånden som de interpersonelle færdigheder er blevet vigtigere”, siger Bessen, “er der sket en beskeden stigning i lønningerne for kasseassistenter” samt en stigning i antallet af fuldtidsstillinger i stedet for deltidsstillinger som kasseassistenter. “Så det er et meget rigere billede, end folk ofte forestiller sig,” siger han.

Sammenlignende historier kan findes i mange andre brancher. (Selv i en tid med online-shopping og selvbetjeningskasser går beskæftigelsestallene for detailhandel f.eks. smart opad). Faktum er, at det selv nu er meget svært at erstatte menneskelige medarbejdere fuldstændigt.

Stålværker er en undtagelse, der bekræfter reglen, siger Bryan Jones, administrerende direktør for JR Automation, et firma i Holland, Michigan, der integrerer forskellige former for hardware og software for industrikunder, der ønsker at automatisere. “Et stålværk er et virkelig grimt og hårdt miljø”, siger han. Men selve processen – smeltning, støbning, valsning osv. – er i bund og grund den samme, uanset hvilken slags stål man fremstiller. Så stålværkerne har været forholdsvis nemme at automatisere, siger han, og det er derfor, at stålindustrien har mistet så mange arbejdspladser.

Når mennesker er bedre

“Der, hvor det bliver sværere at automatisere, er, når man har en masse variabilitet og tilpasning”, siger Jones. “Det er en af de ting, vi ser i bilindustrien lige nu: De fleste mennesker ønsker noget, der er skræddersyet til dem,” med et personligt valg af farve, tilbehør eller endda front- og baggrill. Hvert køretøj, der kommer ned ad samlebåndet, kan være en smule anderledes.

Det er ikke umuligt at automatisere den slags fleksibilitet, siger Jones. Vælg en opgave, og der findes sikkert en laboratorierobot et eller andet sted, som har mestret den. Men det er ikke det samme som at gøre det omkostningseffektivt og i stor skala. I den virkelige verden er de fleste industrirobotter, som Akella påpeger, stadig store, blinde maskiner, der udfører deres bevægelser uanset hvem eller hvad der er i vejen, og som af sikkerhedshensyn skal holdes væk fra mennesker i et bur. Med sådanne maskiner, siger han, “kræver fleksibilitet et væld af omprogrammering og et væld af programmering – og det sker ikke fra den ene dag til den anden.”

Sammenlign det med menneskelige arbejdere, siger Akella. Omprogrammeringen er let: “Man går bare ind på fabriksgulvet og siger: ‘Venner, i dag laver vi det her i stedet for det her’.” Og endnu bedre, mennesker er udstyret med evner, som kun få robotarme kan matche, herunder finmotorisk kontrol, hånd-øje-koordination og et talent for at håndtere det uventede.

Alt dette er grunden til, at de fleste bilproducenter i dag ikke forsøger at automatisere alt på samlebåndet. (Nogle få af dem forsøgte det dog tidligt, siger Bessen. Men deres anlæg endte generelt som General Motors’ samlefabrik i Detroit-Hamtramck, der hurtigt blev et fejlfindingsmareridt, efter at den åbnede i 1985: Robotterne malede hinanden lige så ofte som de malede Cadillac’erne). I stedet begrænser virksomheder som Toyota, Mercedes-Benz og General Motors de store, dumme, indhegnede robotter til opgaver, der er beskidte, farlige og gentagne, som f.eks. svejsning og sprøjtemaling. Og de udstationerer deres menneskelige medarbejdere på steder som f.eks. i slutmonteringsområdet, hvor de kan sætte de sidste dele sammen, mens de kontrollerer justering, pasform, finish og kvalitet – og om det færdige produkt er i overensstemmelse med kundens ønske om tilpasning.

For at hjælpe de menneskelige medarbejdere investerer mange producenter (og ikke kun bilproducenter) i høj grad i samarbejdsrobotter eller “cobots” – en af de hurtigst voksende kategorier inden for industriel automatisering i dag.

Samarbejdsrobotter:

Cobotter er nu tilgængelige fra mindst et halvt dusin firmaer. Men de er alle baseret på koncepter udviklet af et team, der arbejdede under Akella i midten af 1990’erne, da han var ansat som ingeniør hos General Motors. Målet var at bygge robotter, der er sikre at være i nærheden af, og som kan hjælpe med stressende eller gentagne opgaver, mens de menneskelige medarbejdere stadig har kontrollen.

For at få en fornemmelse af problemet, siger Akella, skal man forestille sig at samle et batteri op fra et transportbånd, gå to skridt, lægge det ned i bilen og så gå tilbage efter det næste – en gang i minuttet, otte timer om dagen. “Jeg har selv udført det arbejde”, siger Akella, “og jeg kan forsikre dig for, at jeg kom hjem med meget ondt i maven.” Eller forestil dig at samle et 150 pund tungt “cockpit” op – bilens instrumentbræt med alle de tilknyttede instrumenter, displays og klimaanlæg – og manøvrere det på plads gennem bilens døråbning uden at ødelægge noget.

At udvikle en robot, der kunne hjælpe med sådanne opgaver, var dengang en helt ny forskningsudfordring, siger Michael Peshkin, maskiningeniør ved Northwestern University i Evanston, Illinois, og en af flere eksterne forskere, som Akella inddrog i sit team. “Feltet handlede om at øge robotternes autonomi, sensorik og evne til at håndtere variationer”, siger han. Men indtil dette projekt kom frem, havde ingen fokuseret for meget på robotternes evne til at arbejde sammen med mennesker.

Så for deres første cobot startede han og hans Northwestern-kollega Edward Colgate med et meget simpelt koncept: en lille vogn udstyret med et sæt løftere, der kunne løfte f.eks. cockpittet op, mens den menneskelige arbejder styrede det på plads. Men vognen var ikke bare passiv, siger Peshkin: Den kunne registrere sin position og dreje hjulene for at holde sig inden for en “virtuel begrænsningsflade” – i realiteten en usynlig tragt i luften, der kunne føre cockpittet gennem døren og ind på plads uden en skramme. Arbejderen kunne derefter kontrollere den endelige pasform og fastgørelser uden at anstrenge sig.

En anden GM-sponsoreret prototype erstattede vognen med en arbejdsstyret robotarm, der kunne løfte autokomponenter, mens den hang fra et bevægeligt ophængningspunkt i loftet. Men den delte det samme princip om maskinassistance plus arbejderstyring – et princip, der viste sig at være af afgørende betydning, da Peshkin og hans kolleger afprøvede deres prototyper på General Motors’ samlebåndsarbejdere.

“Vi forventede en masse modstand,” siger Peshkin. “Men faktisk var de imødekommende og hjælpsomme. De forstod fuldstændig ideen om at redde deres rygge fra skader.” Og lige så vigtigt er det, at arbejderne elskede at bruge cobotterne. De kunne godt lide at kunne bevæge sig lidt hurtigere eller lidt langsommere, hvis de havde lyst til det. “Med en bil, der kommer forbi hvert 52. sekund,” siger Peshkin, “var den lille smule autonomi virkelig vigtig.” Og de kunne godt lide at være en del af processen. “Folk vil gerne have, at deres færdigheder bliver vist frem,” siger han. “De nyder at bruge deres kroppe og nyde deres egen bevægelse.” Og det gav cobotterne dem, siger han: “Man kunne svinge sig langs den virtuelle overflade, styre cockpittet ind og nyde bevægelsen på en måde, som faste maskiner ikke tillod.”

AI og dens begrænsninger

Akellas nuværende firma, Drishti, melder om en tilsvarende velvillig reaktion på sin AI-baserede software. Detaljerne er fortrolige, siger Akella. Men den grundlæggende idé er at bruge avanceret computer vision-teknologi til at fungere lidt som en GPS for samlebåndet, der giver arbejderne tur-for-tur-instruktioner og advarsler, mens de arbejder. Lad os sige, at en arbejder er i gang med at samle en iPhone, forklarer han, og kameraet, der holder øje fra oven, mener, at kun tre ud af fire skruer er fastgjort: “Vi advarer arbejderen og siger: ‘Hey, sørg for at stramme den skrue også, før den ryger ned ad linjen’.”

Dette har sine Big Brother-aspekter, indrømmer Drishtis marketingdirektør, David Prager. “Men vi har mange eksempler på operatører på gulvet, som bliver meget engagerede og i sidste ende meget taknemmelige”, siger han. “De kender godt spøgelset om automatisering og robotteknologi, og de ser meget hurtigt, at dette er et værktøj, der hjælper dem med at være mere effektive, mere præcise og i sidste ende mere værdifulde for virksomheden. Så virksomheden er mere villig til at investere i sine medarbejdere i stedet for at fjerne dem fra ligningen.”

Dette tema – at bruge teknologi til at hjælpe folk med at udføre deres arbejde i stedet for at erstatte folk – vil sandsynligvis være et kendetegn for AI-applikationer i lang tid fremover. Ligesom med robotteknologi er der stadig nogle vigtige ting, som AI ikke kan gøre.

Tag f.eks. medicin. Deep learning har allerede produceret software, der kan fortolke røntgenbilleder lige så godt som eller bedre end menneskelige radiologer, siger Darrell West, der er politolog og studerer innovation på Brookings Institution i Washington, DC. “Men vi vil ikke have, at softwaren skal fortælle nogen: “Du har lige fået en mulig kræftdiagnose”,” siger han. “Du vil stadig have brug for en radiolog til at kontrollere AI’en for at sikre, at det, den har observeret, rent faktisk er tilfældet” – og derefter, hvis resultaterne er dårlige, en kræftspecialist til at overbringe nyheden til patienten og begynde at planlægge et behandlingsforløb.

Sådan også inden for jura, hvor AI kan være en stor hjælp til at finde præcedenser, der kan være relevante for en sag – men ikke til at fortolke dem eller bruge dem til at opbygge en sag i retten. Mere generelt, siger Guszcza, er deep-learning-baseret AI meget god til at identificere funktioner og fokusere opmærksomheden der, hvor den skal være. Men den kommer til kort, når det drejer sig om ting som at håndtere overraskelser, integrere mange forskellige kilder til viden og anvende sund fornuft – “alle de ting, som mennesker er meget gode til.”

Og man skal ikke bede softwaren om rent faktisk at forstå, hvad den har med at gøre, siger Guszcza. Under valgkampen i 2016 forsøgte han sig med et klassisk eksperiment for at teste Googles Translate-værktøj: Tag en overskrift – “Hillary smækker døren i for Bernie” – og bed Google om at oversætte den fra engelsk til bengali og tilbage igen. Resultatet: “Barney smækker døren i på Clinton”. Et år senere, efter at Google havde foretaget en massiv opgradering af Translate ved hjælp af deep learning, gentog Guszcza eksperimentet med følgende resultat: “Hillary Barry åbnede døren.”

“Jeg kan ikke se noget bevis for, at vi vil opnå fuld fornuftig ræsonnering med den nuværende AI”, siger han og gentager dermed en pointe, som mange AI-forskere selv har fremført. I september 2017 fortalte f.eks. deep learning-pioneren Geoffrey Hinton, der er datalog ved University of Toronto, til nyhedssitet Axios, at feltet har brug for nogle fundamentalt nye idéer, hvis forskerne nogensinde håber at opnå AI på menneskeligt niveau.

Jobudvikling

AIs begrænsninger er en anden grund til, at økonomer som Bessen ikke ser den forårsage massearbejdsløshed inden for den nærmeste fremtid. “Automatisering handler næsten altid om automatisering af en opgave, ikke hele jobbet,” siger han og gentager dermed en pointe, som mange andre har fremført. Og selv om alle job har mindst et par rutineopgaver, der kan drage fordel af kunstig intelligens, er der meget få job, der udelukkende er rutineopgaver. Faktisk, siger Bessen, da han systematisk kiggede på alle de job, der var opført i folketællingen i 1950, “var der kun ét erhverv, som man kunne sige var klart automatiseret – elevatoroperatører.” Der var 50.000 i 1950, og der er faktisk ingen i dag.

På den anden side behøver man ikke massearbejdsløshed for at få massive omvæltninger på arbejdspladsen, siger Lee Rainie, direktør for internet- og teknologiforskning ved Pew Research Center i Washington, DC. “Eksperterne er næppe tæt på at være enige om, hvorvidt robotteknologi og kunstig intelligens vil resultere i flere eller færre arbejdspladser”, siger han, “men de vil helt sikkert ændre arbejdspladserne. Alle forventer, at denne store sortering af færdigheder og funktioner vil fortsætte så langt øjet rækker.”

Det værste er, siger Rainie, “at de mest bekymrede eksperter i vores stikprøve siger, at vi aldrig i historien har stået over for et sådant niveau af forandringer så hurtigt.” Det er ikke kun informationsteknologi, eller kunstig intelligens eller robotteknologi, siger han. Det er også nanoteknologi, bioteknologi, 3D-printing, kommunikationsteknologier – og så videre og så videre. “Ændringerne sker på så mange fronter, at de truer med at overvælde vores evne til at tilpasse os”, siger han.

Forberedelse til fremtidens arbejde

Hvis det er tilfældet, kan den deraf følgende æra med konstant jobskifte tvinge nogle radikale ændringer i samfundet som helhed fremtvinge. Forslagene fra Pew’s eksperter og andre omfatter en øget vægt på efteruddannelse og omskoling for voksne, der søger nye færdigheder, og et socialt sikkerhedsnet, der er blevet fornyet for at hjælpe folk med at flytte fra job til job og fra sted til sted. Der er endog voksende støtte i teknologisektoren til en form for garanteret årlig indkomst på baggrund af teorien om, at fremskridt inden for AI og robotteknologi i sidste ende vil overskride de nuværende begrænsninger og gøre massive forstyrrelser på arbejdspladsen uundgåelige, hvilket betyder, at folk vil få brug for en pude.

Dette er den slags diskussion, der bliver meget politisk meget hurtigt. Og i øjeblikket, siger Rainie, viser Pew’s opinionsundersøgelser, at det ikke rigtig er på offentlighedens radar: “Der er mange almindelige mennesker, almindelige arbejdere, der siger: “Ja, alle andre vil blive ramt af det her – men det gør jeg ikke. Min virksomhed er i god form. Jeg kan ikke forestille mig, hvordan en maskine eller et stykke software kan erstatte mig.”

Men det er en diskussion, som det er tvingende nødvendigt at føre, siger West. Hvis man blot ser på, hvad der allerede er på vej, siger han, “vil den fulde kraft af den teknologiske revolution finde sted mellem 2020 og 2050. Så hvis vi foretager ændringer nu og gradvist indfører tingene i løbet af de næste 20 år, er det helt overskueligt. Men hvis vi venter til 2040, vil det sandsynligvis være umuligt at håndtere.”

Redaktørens note: Denne historie blev opdateret den 1. august for at korrigere detaljerne i et eksperiment af Jim Guszcza. I historien stod der oprindeligt, at et eksperiment under valgkampen i 2016 blev gennemført for at se, hvor meget deep learning havde forbedret Googles Translate-evne; i virkeligheden blev eksperimentet i 2016 gennemført, før Google havde opgraderet Translate fuldt ud med deep learning. Det oprindelige forsøg blev udført med overskriften “Hillary smækker døren i mod Bernie”, ikke “Bernie smækker døren i mod Hillary”, som oprindeligt anført. Den overskrift, der blev resultatet efter oversættelse fra engelsk til bengalsk og tilbage igen, var “Barney smækker døren i på Clinton”, ikke “Barry smækker døren i på Hillary”. De deep-learning-forbedringer blev testet et år senere med den samme oprindelige overskrift, og den resulterende overskrift efter oversættelsen til bengali og tilbage var “Hillary Barry åbnede døren.”