近年来（lái），以深度学习（xí）、强化学习为代表的人工智能（néng）技术（shù）从语言翻译、图（tú）像识别、工业自（zì）动化等工程技术（shù）领域（yù），拓（tuò）展到智能生产、智能农（nóng）业、智能物流、大数据宏观（guān）经济监测、量化投研等经济、金（jīn）融（róng）范畴，可谓应用（yòng）广泛。

人工智能技术具有处理（lǐ）高维数据的先天优势，可以通过表征学习、价值函数近似（sì）、特征选择（zé）等方式避开传统分（fèn）析方（fāng）法的诸多限制，获得了更好（hǎo）的预测（cè）和决策效果。为了使人工智能技术达到令（lìng）人（rén）满意的（de）预测（cè）和决（jué）策（cè）效（xiào）果，研究人员往往需要投入大量的（de）数据资源。这一技（jì）术特性使得数据资源,成（chéng）为关（guān）键性生产要素。在（zài）大数据、智（zhì）能化、移动互联网、云（yún）计算等日渐普（pǔ）及背景下（xià），人工智能（néng）技术作为（wéi）提供信息产（chǎn）品和信（xìn）息（xī）服务的（de）底层技术，也（yě）是工业经济逐步向数（shù）字经济转型的关键。

人（rén）工智能（néng）算法是什（shí）么（me）

人工智能算法大致（zhì）可分作监督学习（xí）、无监督学（xué）习与强化学习。其中，监督（dū）学习通过不断训练程序（模型）从人（rén）类已（yǐ）有经验中学习规律。在这（zhè）一（yī）类机器学（xué）习中，研究人员会通过标记数据的方法，不断调整模型参数（shù）以达到学习目（mù）的。类似于（yú）父（fù）母会向孩子展示不同颜色、大小乃至种类的苹果，教会孩子（zǐ）认识“未曾见过（guò）”的苹果。这便是监督学习的目的：样本外预测。

无监督学习则通过训练（liàn）程序，使机（jī）器能直（zhí）接从（cóng）已（yǐ）有数（shù）据中提（tí）取特征，对信息进行压缩，用于（yú）完成其他任务。如传统的主成分分析，可以将（jiāng）高维特征使（shǐ）用低维（wéi）度向量近似。例（lì）如，我们可以使用（yòng）主（zhǔ）成分分析（xī）技术压缩图片，以达到节省（shěng）储存空间的作用。因（yīn）此，这（zhè）类机器学（xué）习算法（fǎ）并不需要以往经验，也被称之（zhī）为（wéi）无监（jiān）督学（xué）习。

当（dāng）然，无监督学习与监督学习（xí）之间并不是彼此对立的关系，对于（yú）存在部分标注的（de）数据，我们（men）也可以使（shǐ）用半监督学（xué）习算法（fǎ）。比（bǐ）如最（zuì）近比较流行的对抗神经网（wǎng）络——我们可以使用（yòng）该算法（fǎ）学习一系（xì）列甲骨文（wén）后，令它生成多个（gè）足以以假（jiǎ）乱（luàn）真（zhēn）、却从不代表任何意（yì）义的“甲骨文”，相（xiàng）当于计（jì）算程序“照虎画虎”却不（bú）知为虎。

此（cǐ）外（wài），强化学习与以上（shàng）（无、半）监督学习算法不同，强化学习是动（dòng）态优（yōu）化的（de）延伸，而（无、半）监督学习则（zé）与统计（jì）学更为接近。强（qiáng）化学习通过使（shǐ）智能程序不断地与环境交互，通（tōng）过调整智（zhì）能程（chéng）序的决（jué）策参数（过程）达到最大化其累积收（shōu）益的目的。强化（huà）学习是（shì）最接近于（yú）人类决策过程的机器学习算法，类似于让一个智能体无限、快速地感知世界（jiè），并通过（guò）自身失败或者（zhě）成功的经验，优化自（zì）身的决（jué）策过程，在这一过（guò）程中计算机程（chéng）式（shì）并不那么需要老师。当然，强化学（xué）习也并不能完（wán）全（quán）同监督（dū）学习割裂开来。比（bǐ）如AlphaGo就是通过强化学（xué）习手（shǒu）段所（suǒ）训练的（de）计算程序，但在（zài）AlphaGo训练的第一（yī）阶段，研（yán）究人员（yuán）使用了大（dà）量的人类玩家棋（qí）谱供AlphaGo模仿学习，这里人类已（yǐ）有经验类（lèi）似于老师；但是在AlphaGo的升级版本ZeroGo中（zhōng），模仿学习已（yǐ）经完全（quán）被摒弃。

为了使（shǐ）人工智能（néng）算法拥（yōng）有普遍（biàn）适用性，我们往往（wǎng）需要大量数据、算力以及有效（xiào）的计算算法。大（dà）量数据相当于（yú）我们聘（pìn）请（qǐng）了（le）一个知（zhī）识（shí）渊（yuān）博的老师指导计算机程序，高额算力（lì）则会赋予计算机程序更快（kuài）学习到知识的能力。人工智能研究领域（yù）一个重要（yào）的方向，是不断（duàn）开发能更有效利（lì）用既有数据和（hé）算力的计算算法，相当于为计算机程序提供更好的学习方（fāng）法和路径（jìng）。因（yīn）此，数据标注、云计算（suàn）、芯片（piàn）设（shè）计与算法开（kāi）发，可（kě）谓是人工智能行（háng）业的核心部（bù）分。

人工智能技术（shù）对社会经（jīng）济带来什么影响

事实上，人工智能技（jì）术作为学科（kē）起源于20世纪50年代，比如“人工智（zhì）能之父”McCarthy等人在50年代提出人（rén）工智（zhì）能；决策树模型起源于上世纪（jì）50至60年代（dài），当前（qián）广为应用（yòng）的神经（jīng）网（wǎng）络（luò）模（mó）型、Q学习强化学习（xí）算（suàn）法则起源于20世纪（jì）80年（nián）代。但人（rén）工智能（néng）技术要（yào）想达到媲（pì）美（měi）人类决策的精准度，需要大量训练（经验）数据和高额（é）算力，因此直到2000年以后（hòu），人工智能（néng）技术才得以实现（xiàn）跨越（yuè）式发（fā）展。

在大量数（shù）据与高额算力的加持下，部分人工智能技术已可替代人（rén）类做出大规模的精确决策（cè），也取代了越来越多的人（rén）工岗位。从目前（qián）的影（yǐng）响来看（kàn），一方面，机器学习应用的确替代了部（bù）分传（chuán）统劳（láo）动力，产生了劳（láo）动挤（jǐ）出（chū）效应：自动化机（jī）器人让生产流程趋于无人（rén）化（huà），自然语言处理技术可较好（hǎo）完成大部分的翻译乃至信息提取工作，机（jī）器学习算法甚（shèn）至能更准确地定性小分子化合物性质，从一定程度上减轻了大（dà）规模（mó）重（chóng）复性工作所需要的劳（láo）动力和（hé）时间消耗。

另一方面（miàn），同此前（qián）历次技术（shù）革命一样（yàng），机器学习的兴起在提高社会生产效（xiào）率的同时，也为社会创造了（le）全新的工作岗位。从工业革命诞（dàn）生以来，汽轮机（jī）代替马（mǎ）夫、车夫，纺织（zhī）机代替纺织工人，有线电话（huà）、无线电报（bào）代替邮（yóu）差，电子计算机通过代替手摇计算（suàn）机，节省了大量（liàng）手工演算。但需要注意（yì）的是，每（měi）一次的科技进（jìn）步并没有造成（chéng）社（shè）会大（dà）量失业，反而会通过提升传统行业生产效（xiào）率和（hé）技（jì）术（shù）革新改（gǎi）变原有社会生产组（zǔ）织结（jié）构（gòu）、产（chǎn）生新的业态。科技（jì）进步在改变（biàn）行业企（qǐ）业生产技（jì）术的同（tóng）时，也在改变传统（tǒng）行业工（gōng）作（zuò）内容（róng），新的岗（gǎng）位需求随之（zhī）产生（shēng）。

和任何其他的技术创新一样，机器学习（xí）技术对于不同（tóng）行业、不同岗位均存在不同程度的影响。对于那（nà）些从事生产（chǎn）流程（chéng）化较强的岗位，机器学习的冲击（jī）无疑是颠覆（fù）性的。但对于那些需要（yào）统筹、创（chuàng）新、互（hù）动类（lèi）的岗位，机器学习在当（dāng）前阶段尚无法（fǎ）构成显著（zhe）冲击（jī）。

此外，我们也需要意识（shí）到，人工智能算法当（dāng）前依旧不能达到“智能”水平（píng）。任何（hé）一项技术（shù）都伴随（suí）安全风（fēng）险，人工智能算法本身同样存（cún）在风险（xiǎn），如大（dà）部分监督学习（xí）算法尚无清晰的（de）逻辑（jí）生成过程，这（zhè）不仅使研（yán）究（jiū）人员无法对算法进行有效干预，也使（shǐ）人工（gōng）智能算法在训（xùn）练和预测阶段变得不那么稳健。举一（yī）个简单的例子，在一个分类算法（fǎ）中，我们在（zài）一张三寸大小（xiǎo）猫咪（mī）照上改变一个像素点，就可能（néng）使计算机算法将猫咪识别为其他物品（pǐn），这类做法被称为逆向攻击，涉（shè）及人工（gōng）智能技术风险。

如同其他新兴（xìng）行（háng）业发展（zhǎn）初期（qī）一样（yàng），由于前期（qī）监管未及时到位，部分企（qǐ）业会不当（dāng）利用（yòng）其在数据、算力和算法上的（de）前期优势，导致出（chū）现人工智能技（jì）术滥用、部分头部企业垄断（duàn）性经营、隐私数据泄（xiè）露甚至是过度依赖算法决策引发的（de）企（qǐ）业运营风险等，这便是人工智能技术的（de）应用风险和衍（yǎn）生风险。

因此，如何发（fā）展引领这（zhè）一战略性行业成为当下的重中之重（chóng）——我们需要思考如（rú）何在（zài）经济智（zhì）慧化转型期（qī）间发挥（huī）好政府的社会兜（dōu）底功能（néng），如（rú）何（hé）在（zài）私营（yíng）行业的（de）算力（lì）和科技水平超（chāo）过监管机构时规范（fàn）其运行等问（wèn）题。

与智能（néng）技（jì）术（shù）革命长处之道在（zài）哪里

加强研（yán）发（fā）投入（rù），统筹（chóu）行业发展、实（shí）现核心（xīn）行业引领，把握人工智能技术主导（dǎo）权。人工智能已成为（wéi）事关（guān）国家（jiā）安全和发展（zhǎn）全局的基础核心领域（yù）。当前，我国人工智能发展虽总体（tǐ）态势向上（shàng），但在基础研究、技术体系、应用生（shēng）态、创新发展（zhǎn）等方面仍存在不（bú）少问（wèn）题。因此，以学科交叉、应用转化为抓手带动人工智能领域的基础（chǔ）研究，加大相关研究财政投入力（lì）度（dù）、优化支（zhī）出结构，对投入基础（chǔ）研究（jiū）的（de）企业实行（háng）税收优惠（huì）等措施，均（jun1）有助于统筹行业（yè）发展。集中力量加（jiā）强（qiáng）人工智能核（hé）心领域（如算法和芯片（piàn））的原创性、引领（lǐng）性攻关，可（kě）以更好地把握人工智能技术主导权。

前置（zhì）化、专业化、灵活化行业与技术监管，可以（yǐ）更好规范行业发展，营（yíng）造良好数字环境。一方面，人工（gōng）智（zhì）能行业（yè）会产生垄断、多元化、隐私和伦理方面的负面影响。因（yīn）此，实现底层（céng）算法监管可（kě）以有（yǒu）效防范（fàn）不（bú）透明自动化决策、隐私侵犯等人工智能相关（guān）与衍生（shēng）风险。另一方面，当前人工智能行业发展正（zhèng）处（chù）于技术创新和产业增长的爆发期，在不断给社会经济带来发展红利的（de）同时，其应用（yòng）形（xíng）式和（hé）伴生（shēng）业态（tài）的灵活性也意味着，监管框架（jià）和思路也要随之调整（zhěng），方能（néng）进一步发挥技术进步带来的红（hóng）利。此外，我们需要配备更（gèng）加专（zhuān）业的行业监管（guǎn）队伍，以人工（gōng）智能（néng）技术赋能人工智能监管，前置化、专业化、灵活化规范人工智能行业，根据不（bú）同人工（gōng）智能产业发展实际状况差别，灵活制定监（jiān）管框架和执行规范，减少人工智能技术发展和应用面临的不必要（yào）障碍，营造良好数字环境，进一（yī）步（bù）打造我国人（rén）工智能行业核心竞争力。

深度融合实体经济，发展数（shù）字经（jīng）济、探索新型业态。人工智能技（jì）术作为数字（zì）经济发展环节中的核（hé）心技（jì）术，可（kě）以有效（xiào）将数据生产要素转化为实际生产（chǎn）力。智能技术与实体经（jīng）济各领域深度融合所（suǒ）带来的生产效率提升以及（jí）生产范式改变，是我国宏（hóng）观经济转型（xíng）升级的重要驱动力。因此，深度融合实（shí）体经济应（yīng）是人（rén）工智能行（háng）业发展的一大目标。基于人工智能技术探（tàn）索（suǒ）新（xīn）业态、发（fā）展新模式，推动传统产业转型升级从而加快（kuài）生产要素跨区域流（liú）动（dòng）、融合（hé）市场（chǎng）主体，畅通国内外经济循环，也是充（chōng）分立（lì）足并发挥我国全产业链优势、布局数字经济优势行（háng）业的必然需求。

充分发挥市场能动性，实现人（rén）工智能行（háng）业的产（chǎn）、学、研并举。人工智能技术的长期健康发（fā）展，离不开（kāi）良好的（de）市场环境和产业配套。微观主体（tǐ）能够有效嗅到商机，市场（chǎng）经济在挖掘新业态、探索（suǒ）新模式方面（miàn）具有（yǒu）相对优势。但（dàn）人工智能行业作为典型的知识密集型（xíng）行（háng）业，前期需要大量研发工（gōng）作并培养大（dà）批（pī）专业技术人员。而高（gāo）等院校、科研院所在人才培（péi）养（yǎng）和技术（shù）创新等（děng）环（huán）节具备相对（duì）优势，是人工智能产业（yè）链条上的重（chóng）要（yào）核心力量。因（yīn）此，以市场（chǎng）需求为主导，有机结合企业、高校（xiào）、科研机构，形成职能和资源优势上的互补（bǔ）协同，为智（zhì）能行业发展（zhǎn）提供基础配套。以经济效（xiào）益为抓手，调动高（gāo）校科技人员积极性，促进科技成果向现实生产力（lì）转化，打造人工智能（néng）行业的（de）健（jiàn）康（kāng）可持（chí）续发展生（shēng）态。

完善社会（huì）保障体系，推进（jìn）个体发展与技（jì）能培训再就业系统。在大规（guī）模机器学（xué）习技术获得应用的背景下（xià），劳动力自身的主观能动性、个体创新力（lì）、统筹（chóu）思考能力（lì）等对社会经济发展和个人发展都极其重（chóng）要。但在传统劳动力供给与新兴（xìng）劳（láo）动力需求之间依（yī）然存在技术鸿沟——传统劳动力无法胜任新兴行业的（de）岗（gǎng）位需求。在（zài）这一背景下，如何切实推进个体发展与技能培（péi）训的再就业系统，有效填平技术（shù）鸿沟，如何调（diào）整社会保障体系（xì）使之对（duì）跨（kuà）部门（mén）再培训、再就业更具适用性，兜底民生、切实改善（shàn）社（shè）会福利等问（wèn）题，值得我们（men）进一步思考、探索（suǒ）。