近年来，以深（shēn）度学习、强化学习为代表的人工智能技术从语言翻译、图像（xiàng）识别、工业自动化等工程技术领域，拓展到智能生产、智（zhì）能农业、智能物流、大数据（jù）宏观经济监测、量化投（tóu）研等经济（jì）、金融范畴，可谓应用广泛（fàn）。

人工智能技术具有处（chù）理高维数据的先天优势，可以通（tōng）过表征（zhēng）学习、价（jià）值函数近似、特征（zhēng）选择等（děng）方式避开（kāi）传（chuán）统分析（xī）方法的诸多限制，获（huò）得了更好的预测和决策（cè）效果。为（wéi）了使人工智（zhì）能（néng）技术达到令人满（mǎn）意（yì）的预测和决策效果，研究人员（yuán）往往（wǎng）需要投入大量的（de）数（shù）据（jù）资（zī）源。这一技术特性（xìng）使得（dé）数据（jù）资源,成为关键性生产要素（sù）。在大数据、智能化、移动（dòng）互（hù）联网、云计算等（děng）日渐普及背景下，人工智能技术作（zuò）为提供信息产品和信息服务的（de）底层技术，也是（shì）工业经（jīng）济逐步向数字经济转（zhuǎn）型的关键。

人（rén）工智能（néng）算（suàn）法是什么

人工（gōng）智能算法大致可分作监督学习、无监督学习与强化学习。其中，监督学习通过不断（duàn）训练程序（模型）从（cóng）人类已有经（jīng）验中学习规律。在（zài）这（zhè）一（yī）类机器学习中，研究人员会（huì）通过标记数据的方法，不（bú）断（duàn）调整模（mó）型参数以达（dá）到学习目（mù）的。类似于父母会向孩子（zǐ）展示不同颜色、大小乃（nǎi）至种类的苹（píng）果，教会（huì）孩子（zǐ）认识（shí）“未曾见过（guò）”的苹果。这便是监督学习（xí）的目（mù）的：样（yàng）本外预测。

无监督（dū）学（xué）习则通过训练程序，使机器能直接（jiē）从已有数（shù）据中提取（qǔ）特征（zhēng），对信息进（jìn）行压缩，用（yòng）于（yú）完成其他任务。如（rú）传统的主成分分析，可以将（jiāng）高（gāo）维特征使用低维度向（xiàng）量近似。例（lì）如，我们可以使用主成分分析技术压缩图片，以（yǐ）达到节省储存空间（jiān）的作（zuò）用。因此，这类机器学习算法并不需要以往经（jīng）验，也（yě）被称之为无监督学习。

当然，无（wú）监督学习与监督学习之间并不是（shì）彼此（cǐ）对立的关系，对于存在部分标注的数（shù）据，我们也可以使用半监督学习算法。比如最近比较流行的对抗神（shén）经网络——我们可以使用该算法学习（xí）一系（xì）列甲骨文后，令它生成多（duō）个足以以假乱真、却从不代表（biǎo）任何意（yì）义的“甲骨文”，相当（dāng）于计（jì）算程（chéng）序“照虎画虎”却不知为虎（hǔ）。

此外，强（qiáng）化学习（xí）与以上（无、半）监督学习算（suàn）法不同，强（qiáng）化学习是动态优（yōu）化的（de）延伸，而（无、半（bàn））监督（dū）学习则与统计学更为（wéi）接近（jìn）。强化学习通过使智能程序不断地与环境交互，通过（guò）调整智能程序的决（jué）策参数（过程）达到最大化其累积收益（yì）的目（mù）的。强化学习（xí）是最接近（jìn）于人类决策过程的机（jī）器学习算法，类似于让一个智能体无（wú）限、快（kuài）速地感知（zhī）世界，并通（tōng）过自身失败（bài）或者（zhě）成功的经验，优化自身的决策过（guò）程，在（zài）这一（yī）过程中计算机程式（shì）并不那么需要老师（shī）。当然（rán），强化学习也并不（bú）能完全同（tóng）监督学习（xí）割裂（liè）开来。比如AlphaGo就（jiù）是通过（guò）强化学习手（shǒu）段所训练的计算程序，但在AlphaGo训（xùn）练的（de）第一阶段（duàn），研（yán）究（jiū）人员使用了大量的人类玩家棋谱供AlphaGo模仿学习，这（zhè）里人类（lèi）已有经验（yàn）类似（sì）于老（lǎo）师；但是在AlphaGo的（de）升级版本ZeroGo中，模仿学习（xí）已经完全被摒弃。

为了使人工智能（néng）算法（fǎ）拥（yōng）有普遍适（shì）用性，我们往往（wǎng）需要大量数据、算力以及有效的计（jì）算（suàn）算法。大（dà）量数（shù）据相当（dāng）于我们（men）聘请了一个知识渊博的老师指导（dǎo）计算（suàn）机程序，高额（é）算力则会赋（fù）予计算机（jī）程（chéng）序更快学习（xí）到知识的能力（lì）。人工智能（néng）研究领（lǐng）域（yù）一（yī）个重要的方向（xiàng），是不断开发（fā）能更有效利用（yòng）既有数据（jù）和算力的计算算法，相当于（yú）为计（jì）算机程序提（tí）供更好的学习方法和路径。因此（cǐ），数据（jù）标（biāo）注、云计算、芯片设计与算（suàn）法开发（fā），可谓是人工智能行业的（de）核心部分。

人工智（zhì）能技（jì）术对社会（huì）经（jīng）济（jì）带来什么影响

事实上，人工智能技（jì）术（shù）作为（wéi）学（xué）科起源于20世纪（jì）50年代，比如“人工智能之（zhī）父”McCarthy等人在50年代提出人工智能（néng）；决策树模型起（qǐ）源于上世纪50至（zhì）60年代，当（dāng）前广为应用（yòng）的神经网络模型、Q学习强化学习算法则（zé）起源（yuán）于（yú）20世纪80年代。但人工智（zhì）能（néng）技术要（yào）想达到媲美人类决策的精准度，需要大量训练（经验）数据和高额算力，因此直到2000年以后，人工智能技（jì）术才得以实现跨越式发展。

在大量数据与高额算（suàn）力的（de）加持下（xià），部（bù）分人工智能技（jì）术已（yǐ）可替代人类做出（chū）大规（guī）模的精确决策，也取代了越来越多的人（rén）工岗（gǎng）位（wèi）。从目前（qián）的影响来看，一方面，机器学习应用的确替代了部（bù）分（fèn）传统劳动力，产（chǎn）生（shēng）了劳动挤出（chū）效应：自动化机器（qì）人让生产流程趋（qū）于无人化，自然语言处理技术可较好完（wán）成大部分的翻译乃至信息提取工作，机器学习算（suàn）法甚至能更准确地定性小分子化合物性质，从一定程度上减（jiǎn）轻了大规模重复性工（gōng）作所需（xū）要的劳动力和时间消耗。

另（lìng）一方面，同此（cǐ）前历次技术革命（mìng）一样（yàng），机器（qì）学习（xí）的兴起在提高社会生产效率的同（tóng）时，也为社会（huì）创造了全新的工作岗位。从工业革命（mìng）诞生以来，汽轮（lún）机代（dài）替马（mǎ）夫、车夫，纺织（zhī）机代替（tì）纺（fǎng）织工（gōng）人（rén），有线电话（huà）、无线电报代替（tì）邮差，电子计算机通过代（dài）替（tì）手摇计算（suàn）机，节（jiē）省了（le）大量手工演算。但需要注意的是，每一次（cì）的（de）科技进步并没有造（zào）成社会大量失业，反（fǎn）而会通过提升传统行业生产效率和技术革新（xīn）改（gǎi）变原有（yǒu）社会生产（chǎn）组织结构、产生新的业态。科技进步在改（gǎi）变行业企业生产技术的同时，也在改变（biàn）传统行（háng）业工作内容（róng），新的岗位需求随之（zhī）产生。

和任何其他的技术（shù）创新一样，机（jī）器学（xué）习技术（shù）对于不同行业、不（bú）同岗（gǎng）位均存在不同程度的影响。对于那些从事（shì）生产（chǎn）流程化较强的岗位，机器学习的冲击无疑是颠覆性的。但对于那些需要统（tǒng）筹（chóu）、创新、互动（dòng）类的岗位，机器学（xué）习在当前阶段尚无法构成显著冲击。

此外（wài），我们也需要意（yì）识到，人工智能算法当前依旧不（bú）能（néng）达（dá）到“智能”水（shuǐ）平。任何一项（xiàng）技术都伴（bàn）随安全风（fēng）险，人工智能算（suàn）法本身（shēn）同样（yàng）存在风险（xiǎn），如大（dà）部分监督学习算法尚（shàng）无清晰的逻辑生成（chéng）过程，这（zhè）不（bú）仅使研究人员无法对（duì）算法进行有效干预，也使人工智能算法在训练和预测阶段变得不那么稳健。举（jǔ）一个简单的例（lì）子，在一个分类算法中，我们在（zài）一张（zhāng）三寸大小猫咪（mī）照（zhào）上改变一个像素点，就可能使计算机算（suàn）法将猫咪（mī）识别为其他物品，这类（lèi）做法被称为逆（nì）向（xiàng）攻击（jī），涉及人工（gōng）智能技（jì）术风险。

如同其他新兴（xìng）行业发（fā）展初（chū）期一样，由于前期监管未及时（shí）到位，部分企业会不当利用其（qí）在数据、算力和算法上的前期（qī）优势，导致（zhì）出现（xiàn）人工智能技（jì）术滥用、部分头（tóu）部企业垄断性经营、隐（yǐn）私数据泄露甚至是过度依（yī）赖算法决策引发的企业（yè）运营风险（xiǎn）等，这（zhè）便是人（rén）工智能技（jì）术的应用风险（xiǎn）和（hé）衍生风险（xiǎn）。

因（yīn）此，如何（hé）发展引领这（zhè）一战略性行业成为当下的重中之重——我（wǒ）们需要思（sī）考（kǎo）如何在经济智（zhì）慧（huì）化转（zhuǎn）型期间发挥好政府的社会（huì）兜（dōu）底（dǐ）功能，如何在私（sī）营行业的算力（lì）和（hé）科技水平（píng）超（chāo）过监管（guǎn）机构时规范（fàn）其运行等问题。

与智能技（jì）术革命长处之（zhī）道在哪里

加强研发投（tóu）入（rù），统（tǒng）筹行业发展、实现核（hé）心行（háng）业引领（lǐng），把（bǎ）握人工（gōng）智能技术主导权。人工智能（néng）已（yǐ）成为事关国家安全和发展（zhǎn）全局的基础核心领域。当前，我（wǒ）国人工智能发展虽总体态势（shì）向上，但在基础研（yán）究（jiū）、技术体系、应用生态、创（chuàng）新发展等方面（miàn）仍（réng）存在不少问题。因（yīn）此，以（yǐ）学（xué）科（kē）交叉、应（yīng）用转化为（wéi）抓（zhuā）手（shǒu）带动人工智能领域的基础研究，加（jiā）大（dà）相关研（yán）究（jiū）财政（zhèng）投入力度（dù）、优化支出（chū）结构，对投入基础研究的企业实行税收（shōu）优惠等（děng）措施，均有助于统筹行（háng）业（yè）发展。集中力量加（jiā）强人工智（zhì）能核心领（lǐng）域（如算法和芯（xīn）片）的原创性、引（yǐn）领性攻（gōng）关，可以更（gèng）好（hǎo）地把握人工智能技（jì）术主（zhǔ）导权。

前置（zhì）化（huà）、专业化、灵活化行业与技术（shù）监管（guǎn），可以更（gèng）好规范行业发展，营（yíng）造良好数字环境。一方面，人工智（zhì）能行业会产生垄断、多元化、隐（yǐn）私和伦理方面（miàn）的负面影响。因此（cǐ），实现（xiàn）底层（céng）算法监管可以有效（xiào）防（fáng）范不（bú）透明自动化决策、隐私侵犯（fàn）等人工智能相关与衍生风险。另（lìng）一方面，当（dāng）前人（rén）工智能（néng）行（háng）业发（fā）展（zhǎn）正（zhèng）处于（yú）技术（shù）创新（xīn）和产（chǎn）业增长的爆发（fā）期，在不断给社会经济带来发展红（hóng）利（lì）的同时（shí），其应用（yòng）形（xíng）式和伴生业（yè）态的（de）灵活（huó）性也意味着，监（jiān）管框（kuàng）架和思路也要随之调整，方（fāng）能进一步发挥技（jì）术进（jìn）步带（dài）来的红利。此外，我们需要配备更加专业的行业监管队伍，以人工智能（néng）技（jì）术赋能人工（gōng）智能监管，前置化、专业（yè）化、灵活化规范人工智能行业，根据不（bú）同人工智能产业发展实际状况差（chà）别，灵活（huó）制定（dìng）监（jiān）管框架和执行规范，减少人（rén）工（gōng）智能技术发（fā）展和应用面（miàn）临的不必要障碍，营（yíng）造良好数字环（huán）境，进一步（bù）打造（zào）我国人工智（zhì）能行业核心（xīn）竞争力。

深度融合实体经济，发（fā）展数（shù）字（zì）经济、探索新型业态（tài）。人工智能技术作为数字经济发展环节中（zhōng）的核（hé）心（xīn）技术，可以有效将（jiāng）数据生产要素转化为（wéi）实（shí）际生产力（lì）。智能技术与实（shí）体经济各领域深度（dù）融合（hé）所（suǒ）带来的（de）生产效率提升以及生产范式改变，是我国宏（hóng）观（guān）经济（jì）转型升级的重（chóng）要驱动力。因此，深度融合实（shí）体经济应是人工（gōng）智能行业发展的一大目标。基于人工（gōng）智能技术探（tàn）索新（xīn）业态、发展（zhǎn）新模式（shì），推（tuī）动（dòng）传统产（chǎn）业转型升级从而（ér）加快（kuài）生产要（yào）素（sù）跨区域流动、融（róng）合市场主体，畅通国内（nèi）外经济循环，也是充分立足并发（fā）挥我国全产（chǎn）业链优势、布局数字经济优（yōu）势（shì）行业的必然需（xū）求（qiú）。

充分发挥市场能动性，实现人（rén）工智能行（háng）业（yè）的产、学、研并（bìng）举（jǔ）。人工智（zhì）能技术的长期健康发展，离不开（kāi）良好的（de）市场（chǎng）环境和产（chǎn）业（yè）配（pèi）套。微观主体能够有（yǒu）效嗅（xiù）到商机，市（shì）场经济在挖掘新业态、探索新（xīn）模式方面具有（yǒu）相（xiàng）对优势。但人工智能（néng）行业作为典型的知（zhī）识密（mì）集型（xíng）行业，前期需要大量（liàng）研（yán）发工作（zuò）并培养大批专业技术人员。而高等院校、科（kē）研院所在人才培养和技术创新（xīn）等环节具备相对（duì）优势，是人工智能产业链（liàn）条（tiáo）上的（de）重要核心力（lì）量。因此，以市场需求为主导，有机结合企业、高校、科研机构，形成职能和资源优势（shì）上的互补协同，为智（zhì）能（néng）行业（yè）发展提供基础（chǔ）配套。以经济效益为抓手，调动高（gāo）校（xiào）科技人员积极性，促进科（kē）技成果向现（xiàn）实生产力转化，打造人工智能行业的健康可持续发展生态（tài）。

完善（shàn）社会（huì）保障体系，推进（jìn）个体（tǐ）发展与技能培（péi）训再就（jiù）业系统。在大规模机（jī）器学习技术获得应用（yòng）的背景下，劳（láo）动力自（zì）身的主观能动（dòng）性（xìng）、个（gè）体（tǐ）创新（xīn）力、统（tǒng）筹思考能力等（děng）对社会经（jīng）济发展和个人发展都极其重要。但在传统劳动力供给与新兴劳动力需求之间依（yī）然存在技术鸿沟——传统劳动（dòng）力（lì）无法胜（shèng）任新兴行业的岗位需求（qiú）。在（zài）这一背（bèi）景下，如何切实推进个体发展与技能培训（xùn）的再（zài）就业系统（tǒng），有效填平技术鸿（hóng）沟，如何调整社会保障体系使（shǐ）之对跨部门（mén）再培训、再（zài）就业更具适用（yòng）性，兜底民（mín）生、切实改善社会福（fú）利等问（wèn）题，值得我们进一（yī）步思考、探索。