作者：王熙（北京大學經(jīng)濟學院研究員）

　　近年來，以深度學習、強化學習為代表的人工智能技術(shù)從語言翻譯、圖像識別、工業(yè)自動化等工程技術(shù)領(lǐng)域，拓展到智能生產(chǎn)、智能農(nóng)業(yè)、智能物流、大數(shù)據(jù)宏觀經(jīng)濟監(jiān)測、量化投研等經(jīng)濟、金融范疇，可謂應(yīng)用廣泛。

　　人工智能技術(shù)具有處理高維數(shù)據(jù)的先天優(yōu)勢，可以通過表征學習、價值函數(shù)近似、特征選擇等方式避開傳統(tǒng)分析方法的諸多限制，獲得了更好的預測和決策效果。為了使人工智能技術(shù)達到令人滿意的預測和決策效果，研究人員往往需要投入大量的數(shù)據(jù)資源。這一技術(shù)特性使得數(shù)據(jù)資源,成為關(guān)鍵性生產(chǎn)要素。在大數(shù)據(jù)、智能化、移動互聯(lián)網(wǎng)、云計算等日漸普及背景下，人工智能技術(shù)作為提供信息產(chǎn)品和信息服務(wù)的底層技術(shù)，也是工業(yè)經(jīng)濟逐步向數(shù)字經(jīng)濟轉(zhuǎn)型的關(guān)鍵。

　　人工智能算法是什么

　　人工智能算法大致可分作監(jiān)督學習、無監(jiān)督學習與強化學習。其中，監(jiān)督學習通過不斷訓練程序（模型）從人類已有經(jīng)驗中學習規(guī)律。在這一類機器學習中，研究人員會通過標記數(shù)據(jù)的方法，不斷調(diào)整模型參數(shù)以達到學習目的。類似于父母會向孩子展示不同顏色、大小乃至種類的蘋果，教會孩子認識“未曾見過”的蘋果。這便是監(jiān)督學習的目的：樣本外預測。

　　無監(jiān)督學習則通過訓練程序，使機器能直接從已有數(shù)據(jù)中提取特征，對信息進行壓縮，用于完成其他任務(wù)。如傳統(tǒng)的主成分分析，可以將高維特征使用低維度向量近似。例如，我們可以使用主成分分析技術(shù)壓縮圖片，以達到節(jié)省儲存空間的作用。因此，這類機器學習算法并不需要以往經(jīng)驗，也被稱之為無監(jiān)督學習。

　　當然，無監(jiān)督學習與監(jiān)督學習之間并不是彼此對立的關(guān)系，對于存在部分標注的數(shù)據(jù)，我們也可以使用半監(jiān)督學習算法。比如最近比較流行的對抗神經(jīng)網(wǎng)絡(luò)——我們可以使用該算法學習一系列甲骨文后，令它生成多個足以以假亂真、卻從不代表任何意義的“甲骨文”，相當于計算程序“照虎畫虎”卻不知為虎。

　　此外，強化學習與以上（無、半）監(jiān)督學習算法不同，強化學習是動態(tài)優(yōu)化的延伸，而（無、半）監(jiān)督學習則與統(tǒng)計學更為接近。強化學習通過使智能程序不斷地與環(huán)境交互，通過調(diào)整智能程序的決策參數(shù)（過程）達到最大化其累積收益的目的。強化學習是最接近于人類決策過程的機器學習算法，類似于讓一個智能體無限、快速地感知世界，并通過自身失敗或者成功的經(jīng)驗，優(yōu)化自身的決策過程，在這一過程中計算機程式并不那么需要老師。當然，強化學習也并不能完全同監(jiān)督學習割裂開來。比如AlphaGo就是通過強化學習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，這里人類已有經(jīng)驗類似于老師；但是在AlphaGo的升級版本ZeroGo中，模仿學習已經(jīng)完全被摒棄。

　　為了使人工智能算法擁有普遍適用性，我們往往需要大量數(shù)據(jù)、算力以及有效的計算算法。大量數(shù)據(jù)相當于我們聘請了一個知識淵博的老師指導計算機程序，高額算力則會賦予計算機程序更快學習到知識的能力。人工智能研究領(lǐng)域一個重要的方向，是不斷開發(fā)能更有效利用既有數(shù)據(jù)和算力的計算算法，相當于為計算機程序提供更好的學習方法和路徑。因此，數(shù)據(jù)標注、云計算、芯片設(shè)計與算法開發(fā)，可謂是人工智能行業(yè)的核心部分。

　　人工智能技術(shù)對社會經(jīng)濟帶來什么影響

　　事實上，人工智能技術(shù)作為學科起源于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；決策樹模型起源于上世紀50至60年代，當前廣為應(yīng)用的神經(jīng)網(wǎng)絡(luò)模型、Q學習強化學習算法則起源于20世紀80年代。但人工智能技術(shù)要想達到媲美人類決策的精準度，需要大量訓練（經(jīng)驗）數(shù)據(jù)和高額算力，因此直到2000年以后，人工智能技術(shù)才得以實現(xiàn)跨越式發(fā)展。

　　在大量數(shù)據(jù)與高額算力的加持下，部分人工智能技術(shù)已可替代人類做出大規(guī)模的精確決策，也取代了越來越多的人工崗位。從目前的影響來看，一方面，機器學習應(yīng)用的確替代了部分傳統(tǒng)勞動力，產(chǎn)生了勞動擠出效應(yīng)：自動化機器人讓生產(chǎn)流程趨于無人化，自然語言處理技術(shù)可較好完成大部分的翻譯乃至信息提取工作，機器學習算法甚至能更準確地定性小分子化合物性質(zhì)，從一定程度上減輕了大規(guī)模重復性工作所需要的勞動力和時間消耗。

　　另一方面，同此前歷次技術(shù)革命一樣，機器學習的興起在提高社會生產(chǎn)效率的同時，也為社會創(chuàng)造了全新的工作崗位。從工業(yè)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(jié)省了大量手工演算。但需要注意的是，每一次的科技進步并沒有造成社會大量失業(yè)，反而會通過提升傳統(tǒng)行業(yè)生產(chǎn)效率和技術(shù)革新改變原有社會生產(chǎn)組織結(jié)構(gòu)、產(chǎn)生新的業(yè)態(tài)?？萍歼M步在改變行業(yè)企業(yè)生產(chǎn)技術(shù)的同時，也在改變傳統(tǒng)行業(yè)工作內(nèi)容，新的崗位需求隨之產(chǎn)生。

　　和任何其他的技術(shù)創(chuàng)新一樣，機器學習技術(shù)對于不同行業(yè)、不同崗位均存在不同程度的影響。對于那些從事生產(chǎn)流程化較強的崗位，機器學習的沖擊無疑是顛覆性的。但對于那些需要統(tǒng)籌、創(chuàng)新、互動類的崗位，機器學習在當前階段尚無法構(gòu)成顯著沖擊。

　　此外，我們也需要意識到，人工智能算法當前依舊不能達到“智能”水平。任何一項技術(shù)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(jiān)督學習算法尚無清晰的邏輯生成過程，這不僅使研究人員無法對算法進行有效干預，也使人工智能算法在訓練和預測階段變得不那么穩(wěn)健。舉一個簡單的例子，在一個分類算法中，我們在一張三寸大小貓咪照上改變一個像素點，就可能使計算機算法將貓咪識別為其他物品，這類做法被稱為逆向攻擊，涉及人工智能技術(shù)風險。

　　如同其他新興行業(yè)發(fā)展初期一樣，由于前期監(jiān)管未及時到位，部分企業(yè)會不當利用其在數(shù)據(jù)、算力和算法上的前期優(yōu)勢，導致出現(xiàn)人工智能技術(shù)濫用、部分頭部企業(yè)壟斷性經(jīng)營、隱私數(shù)據(jù)泄露甚至是過度依賴算法決策引發(fā)的企業(yè)運營風險等，這便是人工智能技術(shù)的應(yīng)用風險和衍生風險。

　　因此，如何發(fā)展引領(lǐng)這一戰(zhàn)略性行業(yè)成為當下的重中之重——我們需要思考如何在經(jīng)濟智慧化轉(zhuǎn)型期間發(fā)揮好政府的社會兜底功能，如何在私營行業(yè)的算力和科技水平超過監(jiān)管機構(gòu)時規(guī)范其運行等問題。

　　與智能技術(shù)革命長處之道在哪里

　　加強研發(fā)投入，統(tǒng)籌行業(yè)發(fā)展、實現(xiàn)核心行業(yè)引領(lǐng)，把握人工智能技術(shù)主導權(quán)。人工智能已成為事關(guān)國家安全和發(fā)展全局的基礎(chǔ)核心領(lǐng)域。當前，我國人工智能發(fā)展雖總體態(tài)勢向上，但在基礎(chǔ)研究、技術(shù)體系、應(yīng)用生態(tài)、創(chuàng)新發(fā)展等方面仍存在不少問題。因此，以學科交叉、應(yīng)用轉(zhuǎn)化為抓手帶動人工智能領(lǐng)域的基礎(chǔ)研究，加大相關(guān)研究財政投入力度、優(yōu)化支出結(jié)構(gòu)，對投入基礎(chǔ)研究的企業(yè)實行稅收優(yōu)惠等措施，均有助于統(tǒng)籌行業(yè)發(fā)展。集中力量加強人工智能核心領(lǐng)域（如算法和芯片）的原創(chuàng)性、引領(lǐng)性攻關(guān)，可以更好地把握人工智能技術(shù)主導權(quán)。

　　前置化、專業(yè)化、靈活化行業(yè)與技術(shù)監(jiān)管，可以更好規(guī)范行業(yè)發(fā)展，營造良好數(shù)字環(huán)境。一方面，人工智能行業(yè)會產(chǎn)生壟斷、多元化、隱私和倫理方面的負面影響。因此，實現(xiàn)底層算法監(jiān)管可以有效防范不透明自動化決策、隱私侵犯等人工智能相關(guān)與衍生風險。另一方面，當前人工智能行業(yè)發(fā)展正處于技術(shù)創(chuàng)新和產(chǎn)業(yè)增長的爆發(fā)期，在不斷給社會經(jīng)濟帶來發(fā)展紅利的同時，其應(yīng)用形式和伴生業(yè)態(tài)的靈活性也意味著，監(jiān)管框架和思路也要隨之調(diào)整，方能進一步發(fā)揮技術(shù)進步帶來的紅利。此外，我們需要配備更加專業(yè)的行業(yè)監(jiān)管隊伍，以人工智能技術(shù)賦能人工智能監(jiān)管，前置化、專業(yè)化、靈活化規(guī)范人工智能行業(yè)，根據(jù)不同人工智能產(chǎn)業(yè)發(fā)展實際狀況差別，靈活制定監(jiān)管框架和執(zhí)行規(guī)范，減少人工智能技術(shù)發(fā)展和應(yīng)用面臨的不必要障礙，營造良好數(shù)字環(huán)境，進一步打造我國人工智能行業(yè)核心競爭力。

　　深度融合實體經(jīng)濟，發(fā)展數(shù)字經(jīng)濟、探索新型業(yè)態(tài)。人工智能技術(shù)作為數(shù)字經(jīng)濟發(fā)展環(huán)節(jié)中的核心技術(shù)，可以有效將數(shù)據(jù)生產(chǎn)要素轉(zhuǎn)化為實際生產(chǎn)力。智能技術(shù)與實體經(jīng)濟各領(lǐng)域深度融合所帶來的生產(chǎn)效率提升以及生產(chǎn)范式改變，是我國宏觀經(jīng)濟轉(zhuǎn)型升級的重要驅(qū)動力。因此，深度融合實體經(jīng)濟應(yīng)是人工智能行業(yè)發(fā)展的一大目標?；谌斯ぶ悄芗夹g(shù)探索新業(yè)態(tài)、發(fā)展新模式，推動傳統(tǒng)產(chǎn)業(yè)轉(zhuǎn)型升級從而加快生產(chǎn)要素跨區(qū)域流動、融合市場主體，暢通國內(nèi)外經(jīng)濟循環(huán)，也是充分立足并發(fā)揮我國全產(chǎn)業(yè)鏈優(yōu)勢、布局數(shù)字經(jīng)濟優(yōu)勢行業(yè)的必然需求。

　　充分發(fā)揮市場能動性，實現(xiàn)人工智能行業(yè)的產(chǎn)、學、研并舉。人工智能技術(shù)的長期健康發(fā)展，離不開良好的市場環(huán)境和產(chǎn)業(yè)配套。微觀主體能夠有效嗅到商機，市場經(jīng)濟在挖掘新業(yè)態(tài)、探索新模式方面具有相對優(yōu)勢。但人工智能行業(yè)作為典型的知識密集型行業(yè)，前期需要大量研發(fā)工作并培養(yǎng)大批專業(yè)技術(shù)人員。而高等院校、科研院所在人才培養(yǎng)和技術(shù)創(chuàng)新等環(huán)節(jié)具備相對優(yōu)勢，是人工智能產(chǎn)業(yè)鏈條上的重要核心力量。因此，以市場需求為主導，有機結(jié)合企業(yè)、高校、科研機構(gòu)，形成職能和資源優(yōu)勢上的互補協(xié)同，為智能行業(yè)發(fā)展提供基礎(chǔ)配套。以經(jīng)濟效益為抓手，調(diào)動高?？萍既藛T積極性，促進科技成果向現(xiàn)實生產(chǎn)力轉(zhuǎn)化，打造人工智能行業(yè)的健康可持續(xù)發(fā)展生態(tài)。

　　　　完善社會保障體系，推進個體發(fā)展與技能培訓再就業(yè)系統(tǒng)。在大規(guī)模機器學習技術(shù)獲得應(yīng)用的背景下，勞動力自身的主觀能動性、個體創(chuàng)新力、統(tǒng)籌思考能力等對社會經(jīng)濟發(fā)展和個人發(fā)展都極其重要。但在傳統(tǒng)勞動力供給與新興勞動力需求之間依然存在技術(shù)鴻溝——傳統(tǒng)勞動力無法勝任新興行業(yè)的崗位需求。在這一背景下，如何切實推進個體發(fā)展與技能培訓的再就業(yè)系統(tǒng)，有效填平技術(shù)鴻溝，如何調(diào)整社會保障體系使之對跨部門再培訓、再就業(yè)更具適用性，兜底民生、切實改善社會福利等問題，值得我們進一步思考、探索。