题图来自于NextDay
今天看到一篇文章，讲述了特斯拉的辛酸背锅史。新闻频见特斯拉交通事故，不明真相的群众第一反应是「一定是自动驾驶的错！」，其实特斯拉的「自动驾驶」并非全自动驾驶或无人驾驶，属于L2-3阶段，即自动辅助驾驶，并不是说驾驶员可以撒手不管，仍旧需要保持应有的警惕。
「有人说，是自动驾驶四个字误导造成的！你知道吗，自行车也是需要用脚蹬的！」
隔着屏幕都感受到了作者深深的无奈。这篇文章有理有据，简洁直白，有兴趣的可以戳此直达（从“你**会不会开车” 到 “都是车的错”）。
在IT的世界里，这其实是一个很普遍的现象，认为系统是万能的，即，有了系统，人就可以完完全全袖手旁观。就像是开启特斯拉自动驾驶后玩手机导致撞上消防车的那个车主。
比如，原本通过并不复杂的手工作业就能完成的业务操作，一旦提出要上「自动化系统」，那么你会看到各种各样奇葩的需求提了出来，夸张一点打个比方，最好是按一个键或者说一句话，系统就能按照指令将所有工作都做完，并且不能出现一丁点儿失误。
「失误」那是人类才会有的东西，系统/机器，不存在的。
也不是说完全实现不了，舍得花时间花成本，总是能找到合适的技术手段来落地。如今技术突飞猛进的势头，更新换代的周期变得更短，高科技层出不穷，在不远的将来，技术或许将会达到我们无法想象的地步。也许Basilisk（刷屏的 MET Gala 是很美啦！但红毯上最高能的段子是马斯克带来的）真的会统治人类。
而现在，眼下，更经济实惠的方法还是人机协作，做各自擅长的事情。比如繁琐重复性的工作交给机器，而通过与人交谈，旁敲侧击地选择一些问题来测试其真实意愿，这种事，就目前而言，人更擅长。
当然，有人会说，有些人就是不具备识别谎言的能力，那怎么办，有种叫做「微表情识别」的技术，不是什么新名词了，但行之有效的应用场景需要有足够多的样本量进行对照。
比如，拿金融举个例子，用大量发生逾期的客户样本做数据统计分析，总结出微表情与逾期率之间的联系，也许可以给脸盲的审贷人员一些参考性意见，比如「统计数据表明，在回答某一问题时，同时出现如下几种微表情，其最终逾期率介于百分之几至百分之几之间」类似这样的，最终决断依旧掌握在审贷员手中。
目前的机器更擅长基于已经发生的事实进行计算归纳总结，这些庞大的数据，人类无法在短时间内完成运算，而只能给出计算逻辑。人工智能中频繁提到的「机器学习」正是这样一门学科：
它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。在计算机系统汇总，“经验”通常以“数据”形式存在，因此，机器学习所研究的主要内容，是关于在计算机上从数据中产生的“模型”的算法，即“学习算法”
周志华的西瓜书《机器学习》
用西瓜打比方，例如看到一个没剖开的西瓜，模型会判断是否是好瓜。这是机器学习后很容易就能实现的。
而人类，对于未知的处理，在目前阶段，还是优于机器的，毕竟现阶段的机器还缺乏真正的「认知」能力。即，机器可能对于突发情况或者它未曾训练/学习到的情况就处理不了，而人，危难之际反而可能激发出潜能，分析后做出正确判断。
那么，在「未知」面前，人类应该更友善地指导机器或者监督机器做出判断，而不是不分青红皂白地让机器成为背锅侠，至少现阶段，机器还是需要人提供帮助的。
那会不会帮助之后，就被其取而代之了呢，将来也许真的会。
也许真到了那一天，它会记得你的恩情，投桃报李也说不定呢😄
