Szintén 2018-ban a Világgazdasági Fórum jelentése a munka jövőjéről, valamint annak 2020-ban megjelent frissített kiadása már érzékelteti a közelgő változásokat: 2025-re egyforma lesz a gépek és az emberek által ledolgozott munkaidő, sőt a gépek 2 százalékkal több időt fognak dolgozni, mint az emberek. A Bain & Company nevű tanácsadó cég ugyancsak 2018-ban készített átfogó elemzése szerint az amerikai gazdaságban 2015 és 2030 között várhatóan átlagosan 30 százalékkal növelhető a munkaerő termelékenysége is, pedig az USA nem is áll a robotizáció élén – éllovasnak a befogadó bevándorláspolitikával aligha vádolható ázsiai országok – például Japán és Dél-Korea – számítanak. A munkaerő-szükséglet szempontjából fontos területen, az ipari termelésben a termelékenység javulása már az USA-ban is 55 százalékos lehet ugyanezen időszak alatt, ráadásul az egészségügy és a szociális ellátások terén sem lehetetlen a közel 20 százalékos termelékenységnövekedés. Röviden: termelékenységi forradalom következik, amelynek intenzitása az első ipari forradalomban látott mértéket is bőven meg fogja haladni.
Ahhoz képest, hogy eldurvult a politikai vita hazánk és az Európai Bizottság között a migrációs válság során, mindezen felmérések és előrejelzések három évvel a 2015-ös menekültválság után születtek. Ráadásul új trendként jelentkezik napjainkban a „skill-based hiring” gyakorlat is, miszerint a diploma már csak a második helyen szerepel a még nehezebben és kulturálisan is komplexebben elsajátítható készségekhez képest, amikor a munkavállaló alkalmasságáról van szó. Lényegében az alapfokú oktatás és nemzeti tehetséggondozás során kellene kitermelni azokat a „posztreneszánsz polihisztorokat”, akik könnyen tudnak együttműködni a mesterséges intelligenciával, és képesek élethosszig tanulni a technológiát felhasználva. Hogy miért?
Nemzeti tehetséggondozás során kellene kitermelni azokat a »posztreneszánsz polihisztorokat«, akik könnyen tudnak együttműködni a mesterséges intelligenciával”
, akik könnyen tudnak együttműködni a mesterséges intelligenciával”Tavaly decemberben kínai, majd idén februárban izraeli kutatók jelentették be újabb mérföldkövek elérését. Eddig a robotok előtt álló egyik legnagyobb akadály az volt, hogy nem voltak képesek alkalmazkodni. Egy új programozói eljárásnak és tudományos megközelítésnek köszönhetően kifejlesztették a szakértelem-ötvöző tanulási architektúra (multi-expert learning architecture – MELA) rendszert, amely már alkalmassá teszi a robotokat a váratlan környezeti kihívások kezelésére. Ez lényegében egy megerősítés útján történő gépi tanulás, amelynek során a robot a saját maga számára értékelhető visszajelzést kap a környezetére adott reakcióira, és nagyszámú próbálkozás során megtanulja azt is, hogy a körülményektől függetlenül hogyan oldja meg a konkrét feladaton túlmutató problémákat. A MELA nem más, mint egy többszintű tanulási folyamat: előbb az egyes tevékenységeket tanulja meg a robot különböző szituációkban, majd egy újabb tanulási folyamat során ezeket a reagálóképességeket szintetizálja, ám ehhez a kínai kutatók szerint még hosszabb időre van szükség.
Ez azonban akár gyorsan megváltozhat egy vadonatúj módszer eredményeképp, amely folyamatosan ötvözi az előre rögzített készségeket az új környezetben megjelenő egyedi kihívások kezelésére. A haifai Technion – Izraeli Műszaki Egyetem és a Google tel-avivi kutatóinak egy csoportja teljesen automatizált sejtési struktúrát fejlesztett ki, amelyet Srinivasa Ramanujan (1887–1920) matematikusról neveztek el. A Ramanujan Machine nagy számban olyan hipotetikus egyenleteket fogalmaz meg lehetséges feltevések érdekében, amelyek egyik oldala egy tetszőlegesen kiválasztott univerzális állandót foglal magába, másik oldala pedig egy – ugyancsak tetszőleges – folytonos törtből áll. Ez azt jelenti, hogy a gép lényegében feltevéseket fogalmaz meg, amelyeket képes igazolni vagy cáfolni. Segítve a gép működését, megfelelően egzakt feltételezéseket kell tudni megfogalmazni, így a Ramanujan Machine aligha veszi majd el a matematikusok munkáját, bár kétségtelen, hogy még több képzettebb munkaerőre, tudósra lesz szükség a jövőben. Ehhez illeszkedik a The Graduate Institute Geneva kutatóintézet vezető kutatójának, Richard Baldwinnak az álláspontja. A professzor szerint a technológiai váltás lassabban fog bekövetkezni, mint ahogy becsülik, mert az egyes technológiák egyre összetettebbek és bonyolultabbak, és a kezelésükhöz a mostaninál is jóval képzettebb és nagyobb számú szakembergárda szükséges.