近年来（lái），以深度学（xué）习、强化学习为代表（biǎo）的人工智能（néng）技术从语言翻（fān）译、图像识别、工（gōng）业（yè）自动化（huà）等（děng）工（gōng）程（chéng）技术领域，拓展到智能（néng）生（shēng）产、智能农业、智能物流、大数据宏观经济监测、量化投研（yán）等经济、金融（róng）范（fàn）畴，可（kě）谓应用广泛。

人工（gōng）智能技术具有（yǒu）处理（lǐ）高（gāo）维（wéi）数（shù）据（jù）的先天优势，可以通过（guò）表（biǎo）征学习、价值函数近似、特征选择等方（fāng）式避（bì）开传统分析方法的诸多（duō）限制，获得了更好的预测（cè）和决策效果。为了使人工（gōng）智能技术达到令人满意的预（yù）测和决策（cè）效果，研究人员往往需要投（tóu）入大量的数据资源。这（zhè）一技术特性使得（dé）数据（jù）资源,成为（wéi）关键性生产要素（sù）。在大数（shù）据、智能化、移动互（hù）联网、云计（jì）算（suàn）等日（rì）渐普及背景下，人工智能技术作为提（tí）供（gòng）信息产品和（hé）信息服务的底层技术，也是工（gōng）业（yè）经（jīng）济逐步向数字经济转型的（de）关键（jiàn）。

人工（gōng）智能算（suàn）法（fǎ）是什么（me）

人工智能（néng）算法大致可分作监（jiān）督学（xué）习（xí）、无监督学习与强化（huà）学习。其中，监督学习（xí）通过（guò）不（bú）断训练程序（模型）从人类已（yǐ）有经验中学（xué）习规律。在这一（yī）类机器学习（xí）中，研究人（rén）员会通过标记数据的（de）方（fāng）法，不断调整模型（xíng）参数以（yǐ）达到（dào）学习目的。类似于父母会向孩（hái）子展（zhǎn）示不（bú）同颜色（sè）、大小（xiǎo）乃至种类（lèi）的苹果，教会（huì）孩子（zǐ）认识（shí）“未曾（céng）见过（guò）”的（de）苹果。这（zhè）便是监督学习的目的：样本外预测。

无监（jiān）督学习则通过训练程（chéng）序，使机器能直接从已有数据中提（tí）取特征（zhēng），对信息进行（háng）压缩，用于完成其他任务。如传（chuán）统的主成（chéng）分（fèn）分析，可以（yǐ）将高（gāo）维特征使用（yòng）低维度向量近似。例如，我们可以（yǐ）使（shǐ）用（yòng）主（zhǔ）成（chéng）分分析技术压缩图片，以达到节省（shěng）储存（cún）空（kōng）间的作用。因此（cǐ），这类机器学习算法（fǎ）并不需要以往经验（yàn），也被（bèi）称之（zhī）为无监督学习。

当然，无监督学习与监督（dū）学习之间并（bìng）不是彼此对立的关系，对于存在部分标注的数据，我们（men）也可以使用半监督学习（xí）算法。比如（rú）最近比较流行的（de）对抗神经网络（luò）——我们（men）可以使用（yòng）该算法学（xué）习一（yī）系列甲骨文（wén）后，令它生成（chéng）多个足以以假乱真、却从不代表（biǎo）任何（hé）意义的“甲骨文”，相当（dāng）于计（jì）算程（chéng）序“照虎（hǔ）画虎”却不知（zhī）为虎。

此外，强化学习与以上（无、半）监（jiān）督学习算法不（bú）同，强化学习是动态优化的延伸，而（无（wú）、半）监督（dū）学习则与统计学（xué）更为（wéi）接（jiē）近。强化学习通过使智能程序不断地（dì）与环（huán）境交互，通过调整智（zhì）能程序的决（jué）策参数（过程）达到最大化其累积收益的目的（de）。强化（huà）学习是最接近（jìn）于人类（lèi）决策过程的机器学习算法，类似于让一个智能体无限、快速地感（gǎn）知世界，并通过自身失败或者成功的（de）经验，优化自（zì）身的决（jué）策过程（chéng），在这（zhè）一过（guò）程中计算机程式并不（bú）那么（me）需要老师。当然，强化学习也并（bìng）不能完全同监督学（xué）习割裂（liè）开来。比如AlphaGo就是（shì）通过强化学（xué）习手段所训练的（de）计算程序，但在AlphaGo训练的第一（yī）阶段（duàn），研究（jiū）人员使用（yòng）了大量的人类玩家棋谱供AlphaGo模仿（fǎng）学习，这（zhè）里人类已有经验类似于老师；但是在AlphaGo的升级版本ZeroGo中，模仿学习已（yǐ）经完全（quán）被摒（bìng）弃。

为了使人工智能算（suàn）法拥有普遍适（shì）用性，我们往往需要大量数据、算（suàn）力以及有效的计算算法。大量数据（jù）相当（dāng）于我们聘请了一个知识渊博的（de）老（lǎo）师指导计算机（jī）程序，高（gāo）额算力则会赋予计算（suàn）机程序（xù）更快学习到知识的能力（lì）。人工智能研（yán）究领域一个重要的（de）方向，是不（bú）断开发能更有效利用既有数据和算（suàn）力的（de）计算算法，相（xiàng）当于为计算机程（chéng）序提供更好的学（xué）习方（fāng）法和路径。因此，数据标注、云计算、芯片（piàn）设计与算法开发，可（kě）谓是人（rén）工（gōng）智能行（háng）业的核心部分。

人工（gōng）智能技术对社会经济带（dài）来什么影响（xiǎng）

事（shì）实上，人（rén）工智能技术作为学（xué）科起源于20世纪50年代，比如（rú）“人工智能（néng）之父”McCarthy等（děng）人在50年代提出（chū）人工智能；决策树模型（xíng）起（qǐ）源于上世纪50至（zhì）60年代（dài），当前广为应用（yòng）的神（shén）经网络模型、Q学（xué）习强化学习算法则起（qǐ）源（yuán）于20世纪80年代。但人工智能技（jì）术要想达到媲美人类决策的精准度，需要大量训（xùn）练（经（jīng）验）数（shù）据和高额算力，因此直（zhí）到2000年以后（hòu），人工智能（néng）技术才得以实现跨越式（shì）发展。

在大量数据与高（gāo）额（é）算力的加持下，部分人（rén）工智能技术已可替代（dài）人类（lèi）做（zuò）出（chū）大规模的精确决策（cè），也（yě）取代了越来越多的人工岗位。从目（mù）前的（de）影响来看，一（yī）方面，机器学习应用的确替代了部分传统劳动力（lì），产生了劳动（dòng）挤出效应：自动化机（jī）器人让生产流程（chéng）趋于无人化，自然语（yǔ）言处理（lǐ）技（jì）术可较好完（wán）成大部分的（de）翻译乃至（zhì）信息提取（qǔ）工作，机器（qì）学习算（suàn）法甚至能（néng）更（gèng）准确地定性小（xiǎo）分子化合物性质，从一定（dìng）程（chéng）度（dù）上减轻（qīng）了大规模（mó）重复性工作（zuò）所（suǒ）需要的劳（láo）动力（lì）和时间消耗（hào）。

另一方面，同此前历次技术革命一样，机器学（xué）习的兴（xìng）起在（zài）提高社会生产效率的同（tóng）时（shí），也为社会创造了全新的工作岗（gǎng）位。从（cóng）工业革（gé）命诞生以来，汽轮机代替马夫、车夫，纺织（zhī）机代替纺织工人（rén），有线电（diàn）话、无线电报代（dài）替邮（yóu）差，电子计（jì）算机通（tōng）过（guò）代替手摇计算机，节（jiē）省了大（dà）量手工演算。但需要注意的（de）是（shì），每一次（cì）的科技进（jìn）步（bù）并（bìng）没有造（zào）成社会大量失业，反而会（huì）通（tōng）过提（tí）升传（chuán）统行业生产效率和技术革新改变原有社会生产组织结（jié）构、产生新的业（yè）态。科（kē）技进（jìn）步（bù）在（zài）改变行业企业生产技术的同时（shí），也（yě）在改变传（chuán）统行（háng）业工作（zuò）内容，新的（de）岗位需求随之（zhī）产生。

和任何其他的技术创（chuàng）新一（yī）样（yàng），机器学习技术对于（yú）不同行业、不同岗位均存在（zài）不同程度的（de）影响。对于那些从事生产流程（chéng）化（huà）较强的岗位，机器学（xué）习的冲击（jī）无疑（yí）是颠覆性的（de）。但对于那些需要统筹、创新、互（hù）动类（lèi）的岗位，机器学习在当前阶段尚（shàng）无法（fǎ）构成显著冲（chōng）击。

此外（wài），我们（men）也（yě）需要意识到，人（rén）工（gōng）智能算（suàn）法（fǎ）当前依旧不能达到“智能（néng）”水平。任何一（yī）项（xiàng）技术都伴随安全风险，人工智能（néng）算（suàn）法本身同样（yàng）存（cún）在风险（xiǎn），如大部分监（jiān）督学习算法尚无清晰的（de）逻辑（jí）生成过程，这不仅（jǐn）使（shǐ）研究人员无法对算法进行有效干预，也使人工（gōng）智能算法（fǎ）在训练和预（yù）测阶段变得不那么（me）稳健。举一（yī）个简单的例子，在一个分类算法中（zhōng），我们在一张三寸大小猫咪照上改变一个像素点（diǎn），就可能使计算机算法将猫（māo）咪识（shí）别为其（qí）他物品，这类做法被称为逆向（xiàng）攻击，涉及人工智能技术（shù）风险（xiǎn）。

如同其他新兴行业发展初期（qī）一样，由于前期（qī）监管未及时到（dào）位，部分企业（yè）会（huì）不当利用（yòng）其在数据、算力和算法上的前期优势（shì），导致出现人工智能技术滥用、部分头（tóu）部企业（yè）垄断性经营（yíng）、隐私数据泄露甚至是过度（dù）依赖（lài）算法决策引（yǐn）发的企业运营（yíng）风险等，这便是人工智能技术的（de）应用风险（xiǎn）和（hé）衍生风险。

因此，如何发展引领这（zhè）一战略性行业成为当下的重中之重——我们需要思考（kǎo）如何（hé）在经济（jì）智慧化转（zhuǎn）型期间发挥好政府的社会兜底功能，如何在私营行业（yè）的算（suàn）力（lì）和（hé）科技水平超过监（jiān）管机构时规（guī）范（fàn）其运行等问题。

与智能技术革命长处之道在哪里

加（jiā）强（qiáng）研发投（tóu）入，统筹行业发（fā）展、实现核（hé）心行业引领，把握人工（gōng）智能（néng）技术主（zhǔ）导权。人（rén）工智能已（yǐ）成为事关国家安全和发（fā）展全局的基（jī）础核心领域（yù）。当前，我国人工（gōng）智能发（fā）展虽总体（tǐ）态势（shì）向上，但（dàn）在（zài）基础研究、技术体系、应用生态、创新发展等方（fāng）面仍存（cún）在（zài）不少（shǎo）问题。因此，以学科交叉（chā）、应（yīng）用转化为抓手（shǒu）带动人工智能领域的基础研究，加（jiā）大相关研（yán）究财政投入（rù）力度、优（yōu）化支出结构，对投（tóu）入基础（chǔ）研究的企业实行税（shuì）收优惠等措施，均有助于统筹行业发（fā）展。集中力量加强人工智能核（hé）心领（lǐng）域（yù）（如算法和芯片）的原创性（xìng）、引（yǐn）领性攻关（guān），可以更好地把握人（rén）工智能技术（shù）主（zhǔ）导权。

前置化、专业化（huà）、灵活化行业与技术监管，可以更好（hǎo）规范行业发（fā）展，营（yíng）造良好数字环境（jìng）。一方面，人工（gōng）智能（néng）行业会产生垄（lǒng）断、多（duō）元化、隐私和伦理方面（miàn）的负面影响。因此（cǐ），实现（xiàn）底层算法监（jiān）管（guǎn）可以有效防范不透（tòu）明（míng）自动（dòng）化决策、隐私（sī）侵犯（fàn）等（děng）人工智能相关（guān）与衍生风险（xiǎn）。另一（yī）方面（miàn），当（dāng）前人工智（zhì）能行业发展（zhǎn）正处于技术创新和产业增长的爆发期，在（zài）不断给社会经济（jì）带来（lái）发展红利的同时，其应（yīng）用（yòng）形式和伴生业（yè）态的灵活（huó）性（xìng）也意（yì）味着，监管框架和（hé）思路也要随（suí）之调整，方能进一步发（fā）挥技术进（jìn）步带来的红利。此外，我们需要配备（bèi）更加（jiā）专业的行（háng）业监管队伍，以人工智能技术赋能（néng）人工智能（néng）监管，前置化、专业化、灵活（huó）化规范人工智能行（háng）业，根据不（bú）同人（rén）工智能产业发展（zhǎn）实际状况差别（bié），灵（líng）活制定（dìng）监管框架和执行规范，减少人工智能（néng）技术发展和应用面（miàn）临（lín）的不（bú）必要障碍，营（yíng）造良好数字环境，进一步（bù）打造（zào）我国人工智能行业核心竞（jìng）争（zhēng）力（lì）。

深度融合实体（tǐ）经济，发（fā）展数字经济、探索新型业态。人工智能技（jì）术作为数字经（jīng）济发展环节（jiē）中的核心（xīn）技术，可以有效将（jiāng）数据生产要素转化为实（shí）际生（shēng）产力。智能技术与实体（tǐ）经济（jì）各领域深（shēn）度融合所带来的生（shēng）产效率提升以及生产范式改变，是我国宏观经济转型升级的重要驱动力。因（yīn）此，深度融合实体经济应是人工智能行业发（fā）展的一大（dà）目（mù）标。基于人工智能技术探索（suǒ）新业（yè）态（tài）、发（fā）展新模式，推动传统（tǒng）产业转（zhuǎn）型升（shēng）级从而加快生产要素跨区域流动、融合市场（chǎng）主（zhǔ）体，畅通国内外经济循环，也是（shì）充（chōng）分立足并发挥（huī）我国全产业链优（yōu）势（shì）、布局数（shù）字经济优势行（háng）业的必（bì）然需求。

充分发挥市（shì）场能动性（xìng），实现人工智能（néng）行业的（de）产、学、研并举（jǔ）。人（rén）工智能（néng）技术的长期健康发展，离不开良好的（de）市场环境和产业配套。微观主体能够有效嗅到商（shāng）机，市场经（jīng）济（jì）在挖掘新（xīn）业（yè）态、探索新模式方面具有相对优势。但人工智（zhì）能（néng）行业作为典型（xíng）的知识密集型行业，前期需要（yào）大量研发工作（zuò）并培养大批（pī）专业技术（shù）人员。而高（gāo）等院校（xiào）、科研院所（suǒ）在人才培（péi）养（yǎng）和技术创（chuàng）新等环节具备相对优势，是（shì）人工（gōng）智（zhì）能产业链条上的重要核心力量。因此，以市场需求为主导，有机结合企业、高校、科研机构，形（xíng）成职能和资源优势上的互补协同，为（wéi）智能行（háng）业发展提供基础配套。以经济（jì）效益为抓手（shǒu），调动（dòng）高校科技（jì）人员（yuán）积极性（xìng），促（cù）进科技成果向现实生产力转化，打造人工智能行业的健（jiàn）康可（kě）持续发（fā）展生态。

完善社会保（bǎo）障体系，推（tuī）进个体发展（zhǎn）与技能培训（xùn）再（zài）就业系统。在大规模机器学（xué）习技术获得应用的背景下，劳动力（lì）自身的主观能动性、个体创新力（lì）、统筹思考能力等对社会经（jīng）济发展和（hé）个人（rén）发（fā）展都极其重要（yào）。但在传统劳动力（lì）供给与新兴劳动力（lì）需求之间依然存在技术（shù）鸿沟——传统（tǒng）劳（láo）动力（lì）无法胜任（rèn）新（xīn）兴行业（yè）的岗（gǎng）位需求。在（zài）这（zhè）一背景下，如何切实（shí）推（tuī）进个体发展与技能培训的再（zài）就业系统，有效填平技术（shù）鸿沟，如何（hé）调整社会保（bǎo）障体系使之对跨部（bù）门再培（péi）训、再就业（yè）更具适用性，兜底（dǐ）民生、切实（shí）改（gǎi）善社（shè）会福（fú）利等问题，值得我（wǒ）们进一步（bù）思考、探索。