作者：王熙（北京大學經濟學院研究員）

　　近年來，以深度學習(xi) 、強化學習(xi) 為(wei) 代表的人工智能技術從(cong) 語言翻譯、圖像識別、工業(ye) 自動化等工程技術領域，拓展到智能生產(chan) 、智能農(nong) 業(ye) 、智能物流、大數據宏觀經濟監測、量化投研等經濟、金融範疇，可謂應用廣泛。

　　人工智能技術具有處理高維數據的先天優(you) 勢，可以通過表征學習(xi) 、價(jia) 值函數近似、特征選擇等方式避開傳(chuan) 統分析方法的諸多限製，獲得了更好的預測和決(jue) 策效果。為(wei) 了使人工智能技術達到令人滿意的預測和決(jue) 策效果，研究人員往往需要投入大量的數據資源。這一技術特性使得數據資源,成為(wei) 關(guan) 鍵性生產(chan) 要素。在大數據、智能化、移動互聯網、雲(yun) 計算等日漸普及背景下，人工智能技術作為(wei) 提供信息產(chan) 品和信息服務的底層技術，也是工業(ye) 經濟逐步向數字經濟轉型的關(guan) 鍵。

　　人工智能算法是什麽(me)

　　人工智能算法大致可分作監督學習(xi) 、無監督學習(xi) 與(yu) 強化學習(xi) 。其中，監督學習(xi) 通過不斷訓練程序（模型）從(cong) 人類已有經驗中學習(xi) 規律。在這一類機器學習(xi) 中，研究人員會(hui) 通過標記數據的方法，不斷調整模型參數以達到學習(xi) 目的。類似於(yu) 父母會(hui) 向孩子展示不同顏色、大小乃至種類的蘋果，教會(hui) 孩子認識“未曾見過”的蘋果。這便是監督學習(xi) 的目的：樣本外預測。

　　無監督學習(xi) 則通過訓練程序，使機器能直接從(cong) 已有數據中提取特征，對信息進行壓縮，用於(yu) 完成其他任務。如傳(chuan) 統的主成分分析，可以將高維特征使用低維度向量近似。例如，我們(men) 可以使用主成分分析技術壓縮圖片，以達到節省儲(chu) 存空間的作用。因此，這類機器學習(xi) 算法並不需要以往經驗，也被稱之為(wei) 無監督學習(xi) 。

　　當然，無監督學習(xi) 與(yu) 監督學習(xi) 之間並不是彼此對立的關(guan) 係，對於(yu) 存在部分標注的數據，我們(men) 也可以使用半監督學習(xi) 算法。比如最近比較流行的對抗神經網絡——我們(men) 可以使用該算法學習(xi) 一係列甲骨文後，令它生成多個(ge) 足以以假亂(luan) 真、卻從(cong) 不代表任何意義(yi) 的“甲骨文”，相當於(yu) 計算程序“照虎畫虎”卻不知為(wei) 虎。

　　此外，強化學習(xi) 與(yu) 以上（無、半）監督學習(xi) 算法不同，強化學習(xi) 是動態優(you) 化的延伸，而（無、半）監督學習(xi) 則與(yu) 統計學更為(wei) 接近。強化學習(xi) 通過使智能程序不斷地與(yu) 環境交互，通過調整智能程序的決(jue) 策參數（過程）達到最大化其累積收益的目的。強化學習(xi) 是最接近於(yu) 人類決(jue) 策過程的機器學習(xi) 算法，類似於(yu) 讓一個(ge) 智能體(ti) 無限、快速地感知世界，並通過自身失敗或者成功的經驗，優(you) 化自身的決(jue) 策過程，在這一過程中計算機程式並不那麽(me) 需要老師。當然，強化學習(xi) 也並不能完全同監督學習(xi) 割裂開來。比如AlphaGo就是通過強化學習(xi) 手段所訓練的計算程序，但在AlphaGo訓練的第一階段，研究人員使用了大量的人類玩家棋譜供AlphaGo模仿學習(xi) ，這裏人類已有經驗類似於(yu) 老師；但是在AlphaGo的升級版本ZeroGo中，模仿學習(xi) 已經完全被摒棄。

　　為(wei) 了使人工智能算法擁有普遍適用性，我們(men) 往往需要大量數據、算力以及有效的計算算法。大量數據相當於(yu) 我們(men) 聘請了一個(ge) 知識淵博的老師指導計算機程序，高額算力則會(hui) 賦予計算機程序更快學習(xi) 到知識的能力。人工智能研究領域一個(ge) 重要的方向，是不斷開發能更有效利用既有數據和算力的計算算法，相當於(yu) 為(wei) 計算機程序提供更好的學習(xi) 方法和路徑。因此，數據標注、雲(yun) 計算、芯片設計與(yu) 算法開發，可謂是人工智能行業(ye) 的核心部分。

　　人工智能技術對社會(hui) 經濟帶來什麽(me) 影響

　　事實上，人工智能技術作為(wei) 學科起源於(yu) 20世紀50年代，比如“人工智能之父”McCarthy等人在50年代提出人工智能；決(jue) 策樹模型起源於(yu) 上世紀50至60年代，當前廣為(wei) 應用的神經網絡模型、Q學習(xi) 強化學習(xi) 算法則起源於(yu) 20世紀80年代。但人工智能技術要想達到媲美人類決(jue) 策的精準度，需要大量訓練（經驗）數據和高額算力，因此直到2000年以後，人工智能技術才得以實現跨越式發展。

　　在大量數據與(yu) 高額算力的加持下，部分人工智能技術已可替代人類做出大規模的精確決(jue) 策，也取代了越來越多的人工崗位。從(cong) 目前的影響來看，一方麵，機器學習(xi) 應用的確替代了部分傳(chuan) 統勞動力，產(chan) 生了勞動擠出效應：自動化機器人讓生產(chan) 流程趨於(yu) 無人化，自然語言處理技術可較好完成大部分的翻譯乃至信息提取工作，機器學習(xi) 算法甚至能更準確地定性小分子化合物性質，從(cong) 一定程度上減輕了大規模重複性工作所需要的勞動力和時間消耗。

　　另一方麵，同此前曆次技術革命一樣，機器學習(xi) 的興(xing) 起在提高社會(hui) 生產(chan) 效率的同時，也為(wei) 社會(hui) 創造了全新的工作崗位。從(cong) 工業(ye) 革命誕生以來，汽輪機代替馬夫、車夫，紡織機代替紡織工人，有線電話、無線電報代替郵差，電子計算機通過代替手搖計算機，節省了大量手工演算。但需要注意的是，每一次的科技進步並沒有造成社會(hui) 大量失業(ye) ，反而會(hui) 通過提升傳(chuan) 統行業(ye) 生產(chan) 效率和技術革新改變原有社會(hui) 生產(chan) 組織結構、產(chan) 生新的業(ye) 態。科技進步在改變行業(ye) 企業(ye) 生產(chan) 技術的同時，也在改變傳(chuan) 統行業(ye) 工作內(nei) 容，新的崗位需求隨之產(chan) 生。

　　和任何其他的技術創新一樣，機器學習(xi) 技術對於(yu) 不同行業(ye) 、不同崗位均存在不同程度的影響。對於(yu) 那些從(cong) 事生產(chan) 流程化較強的崗位，機器學習(xi) 的衝(chong) 擊無疑是顛覆性的。但對於(yu) 那些需要統籌、創新、互動類的崗位，機器學習(xi) 在當前階段尚無法構成顯著衝(chong) 擊。

　　此外，我們(men) 也需要意識到，人工智能算法當前依舊不能達到“智能”水平。任何一項技術都伴隨安全風險，人工智能算法本身同樣存在風險，如大部分監督學習(xi) 算法尚無清晰的邏輯生成過程，這不僅(jin) 使研究人員無法對算法進行有效幹預，也使人工智能算法在訓練和預測階段變得不那麽(me) 穩健。舉(ju) 一個(ge) 簡單的例子，在一個(ge) 分類算法中，我們(men) 在一張三寸大小貓咪照上改變一個(ge) 像素點，就可能使計算機算法將貓咪識別為(wei) 其他物品，這類做法被稱為(wei) 逆向攻擊，涉及人工智能技術風險。

　　如同其他新興(xing) 行業(ye) 發展初期一樣，由於(yu) 前期監管未及時到位，部分企業(ye) 會(hui) 不當利用其在數據、算力和算法上的前期優(you) 勢，導致出現人工智能技術濫用、部分頭部企業(ye) 壟斷性經營、隱私數據泄露甚至是過度依賴算法決(jue) 策引發的企業(ye) 運營風險等，這便是人工智能技術的應用風險和衍生風險。

　　因此，如何發展引領這一戰略性行業(ye) 成為(wei) 當下的重中之重——我們(men) 需要思考如何在經濟智慧化轉型期間發揮好政府的社會(hui) 兜底功能，如何在私營行業(ye) 的算力和科技水平超過監管機構時規範其運行等問題。

　　與(yu) 智能技術革命長處之道在哪裏

　　加強研發投入，統籌行業(ye) 發展、實現核心行業(ye) 引領，把握人工智能技術主導權。人工智能已成為(wei) 事關(guan) 國家安全和發展全局的基礎核心領域。當前，我國人工智能發展雖總體(ti) 態勢向上，但在基礎研究、技術體(ti) 係、應用生態、創新發展等方麵仍存在不少問題。因此，以學科交叉、應用轉化為(wei) 抓手帶動人工智能領域的基礎研究，加大相關(guan) 研究財政投入力度、優(you) 化支出結構，對投入基礎研究的企業(ye) 實行稅收優(you) 惠等措施，均有助於(yu) 統籌行業(ye) 發展。集中力量加強人工智能核心領域（如算法和芯片）的原創性、引領性攻關(guan) ，可以更好地把握人工智能技術主導權。

　　前置化、專(zhuan) 業(ye) 化、靈活化行業(ye) 與(yu) 技術監管，可以更好規範行業(ye) 發展，營造良好數字環境。一方麵，人工智能行業(ye) 會(hui) 產(chan) 生壟斷、多元化、隱私和倫(lun) 理方麵的負麵影響。因此，實現底層算法監管可以有效防範不透明自動化決(jue) 策、隱私侵犯等人工智能相關(guan) 與(yu) 衍生風險。另一方麵，當前人工智能行業(ye) 發展正處於(yu) 技術創新和產(chan) 業(ye) 增長的爆發期，在不斷給社會(hui) 經濟帶來發展紅利的同時，其應用形式和伴生業(ye) 態的靈活性也意味著，監管框架和思路也要隨之調整，方能進一步發揮技術進步帶來的紅利。此外，我們(men) 需要配備更加專(zhuan) 業(ye) 的行業(ye) 監管隊伍，以人工智能技術賦能人工智能監管，前置化、專(zhuan) 業(ye) 化、靈活化規範人工智能行業(ye) ，根據不同人工智能產(chan) 業(ye) 發展實際狀況差別，靈活製定監管框架和執行規範，減少人工智能技術發展和應用麵臨(lin) 的不必要障礙，營造良好數字環境，進一步打造我國人工智能行業(ye) 核心競爭(zheng) 力。

　　深度融合實體(ti) 經濟，發展數字經濟、探索新型業(ye) 態。人工智能技術作為(wei) 數字經濟發展環節中的核心技術，可以有效將數據生產(chan) 要素轉化為(wei) 實際生產(chan) 力。智能技術與(yu) 實體(ti) 經濟各領域深度融合所帶來的生產(chan) 效率提升以及生產(chan) 範式改變，是我國宏觀經濟轉型升級的重要驅動力。因此，深度融合實體(ti) 經濟應是人工智能行業(ye) 發展的一大目標。基於(yu) 人工智能技術探索新業(ye) 態、發展新模式，推動傳(chuan) 統產(chan) 業(ye) 轉型升級從(cong) 而加快生產(chan) 要素跨區域流動、融合市場主體(ti) ，暢通國內(nei) 外經濟循環，也是充分立足並發揮我國全產(chan) 業(ye) 鏈優(you) 勢、布局數字經濟優(you) 勢行業(ye) 的必然需求。

　　充分發揮市場能動性，實現人工智能行業(ye) 的產(chan) 、學、研並舉(ju) 。人工智能技術的長期健康發展，離不開良好的市場環境和產(chan) 業(ye) 配套。微觀主體(ti) 能夠有效嗅到商機，市場經濟在挖掘新業(ye) 態、探索新模式方麵具有相對優(you) 勢。但人工智能行業(ye) 作為(wei) 典型的知識密集型行業(ye) ，前期需要大量研發工作並培養(yang) 大批專(zhuan) 業(ye) 技術人員。而高等院校、科研院所在人才培養(yang) 和技術創新等環節具備相對優(you) 勢，是人工智能產(chan) 業(ye) 鏈條上的重要核心力量。因此，以市場需求為(wei) 主導，有機結合企業(ye) 、高校、科研機構，形成職能和資源優(you) 勢上的互補協同，為(wei) 智能行業(ye) 發展提供基礎配套。以經濟效益為(wei) 抓手，調動高校科技人員積極性，促進科技成果向現實生產(chan) 力轉化，打造人工智能行業(ye) 的健康可持續發展生態。

　　　　完善社會(hui) 保障體(ti) 係，推進個(ge) 體(ti) 發展與(yu) 技能培訓再就業(ye) 係統。在大規模機器學習(xi) 技術獲得應用的背景下，勞動力自身的主觀能動性、個(ge) 體(ti) 創新力、統籌思考能力等對社會(hui) 經濟發展和個(ge) 人發展都極其重要。但在傳(chuan) 統勞動力供給與(yu) 新興(xing) 勞動力需求之間依然存在技術鴻溝——傳(chuan) 統勞動力無法勝任新興(xing) 行業(ye) 的崗位需求。在這一背景下，如何切實推進個(ge) 體(ti) 發展與(yu) 技能培訓的再就業(ye) 係統，有效填平技術鴻溝，如何調整社會(hui) 保障體(ti) 係使之對跨部門再培訓、再就業(ye) 更具適用性，兜底民生、切實改善社會(hui) 福利等問題，值得我們(men) 進一步思考、探索。