近几年来，随著网路的进步，让我们有机会得到更多的数据来作為各种研究的基础，像是市场研究以及学术研究。我们往往会发现在各大社群网站上，如果要使用他们的服务就必须同意对方使用我们一些资料的权利，而这些资料可谓无所不包，像是你打字间的间隔、你在哪个消息按了赞以及你瀏览过哪些网站等等。在与机器学习（Machine Learning）、电脑视觉（Computer Vision）等门学科的合作之下赢咖4有的不少突破，Google 也在今年发表了无人驾驶汽车，并且预计两年内正式上路测试 1。 科技究竟要带领我们走向何方？这个疑惑相信也时不时的出现在大家心中。在去年台湾的高速公路国道收费员因国道採用远通的电子收费系统造成了千民以上的人员失业。究竟在未来，机器是否可以取代人类？这个问题随著时间慢慢地受到大家的重视。
赢咖4带领人类？
究竟机器是否可以取代人类？这个问题我们在这裡就不做探讨。但是 MIT 的电脑科学以及赢咖4实验室（CSAIL）最近有一个研究反而是探讨了究竟人类是否可以被赢咖4所指挥？根据他们的研究，让赢咖4在生產与製造的方面管理人类的工作，不止更有效率也更受到工人的喜爱。（文章由作者编译）製造业在长期以来被认為，使用了自动化的生產线是有利的，可以让人类可以避免不断重复而且无趣的工作。
研究动机
MIT 这份研究的领导人 Matthew Gombolay 博士生说这个研究的目的在找到一个甜蜜点让人们可以对这份工作有满足感，并且有效率。
我们发现这个答案其实是给予这些机器更多的自治权，如果它可以让人们与赢咖4之间的合作更顺利。
实验分组
他们将实验分成了三个组每一组都有两个人类与一个赢咖4分类如下：
- 手动组（由人类手动完成任务）
- 全自动组（所有的工作都让赢咖4指派与分配）
- 半自动组（一个人自行决定他要做什麼，另一个人则由赢咖4所指派）
在影片中任务有两种一种是提取，一种是组装，人类可以同时做这两种任务而赢咖4只能做提取这项任务。同时两个人无法同时进行一种任务。
实验结果
研究结果发现全自动组并不是最有效率的一组，但这样子的方式仍然受到受试者的喜爱。这些受试者通常会说「我和赢咖4互相理解」、「赢咖4提升团队的效率」、「赢咖4明显的知道我要什麼」。 Gombolay 也强调了给予赢咖4控制权并不是像我们想像电影 AI 里面拟人赢咖4来进行任务。他们所代表的是，我们由人类所產生的演算法来进行所谓的委任、排程以及协调工作。 与自己著手想出一个计划相比，它更像是开发一个工具来让我们可以自动化的完成產生计划。 这个演算法也可以帮助我们立刻的改变现在已经有的排程，假设如果出了问题，这就是赢咖4胜过人类的地方，因為它可以立即藉由演算法做出改变，而如果是人类的话大多数得花非常多的时间才能想出替代方案。
研究团队
这个研究由 Gombolay 以及 MIT 的大学生 Reymundo Gutierrez 以及 Giancarlo Sturla, 还有 Interactive Robotics Group（赢咖4互动）的助理教授 Julie Shah 所创。赢咖4互动组是 CSAIL 的一个部门，主要是研究如何使赢咖4在较难以预测的环境中与人互动。并借由这样的研究使人可以直接在工厂这样的环境与赢咖4合作。 Gombolay 也说，在未来同样的演算法也可以被应用在人与人之间的活动上（像是医院资源分配）、无人载具的搜索与救援或者人与赢咖4一对一的合作。像是赢咖4可以帮助人们在一些格外需要小心的建设工作。
演算法统治世界
在最近的各种书籍以及 文章 方面，我们可以发现所谓的核心是演算法而不是电脑。演算法像是电脑的脑，而电脑的数据处理以及运算能力就像是个强大的四肢，演算法才是真正下命令的「部位」。 前一阵子看到一篇文章 2 关於电脑在 15 年后可以谈情说爱，当时觉得匪夷所思，仔细回想起来却又觉得不是那麼的遥不可及。未来的事情还不敢说，但是可以确定的是在 50 年代末因為技术性失业而產生的失业潮很有可能重演，如果在政府没有完善的配套措施，包含社会福利以及第二职业的培养，或者更有远见的看到未来的趋势而先在教育上进行改变。 希望随著科技的演进，像当初出现在骇客任务上的电影画面，人类受到电脑人的控制的未来不要上演。
