近年(nián)来,以深度学习(xí)、强化学习(xí)为代表的人工智(zhì)能(néng)技术从语言翻译、图(tú)像识(shí)别、工业自动化(huà)等工(gōng)程(chéng)技术领域,拓展到(dào)智(zhì)能生产、智能农业、智能物(wù)流(liú)、大数(shù)据宏观经济监(jiān)测(cè)、量化投研等(děng)经济、金(jīn)融范(fàn)畴(chóu),可(kě)谓应用广泛。
人工(gōng)智(zhì)能(néng)技术具有(yǒu)处理高维数据的先天优势,可(kě)以通过表征学习、价(jià)值(zhí)函数近似、特征选(xuǎn)择(zé)等方(fāng)式避开传统分析(xī)方法的诸多限制(zhì),获(huò)得了更好的(de)预测和决策效果。为了使(shǐ)人(rén)工智能(néng)技术达到令人满意的预测和决策效果,研究(jiū)人员往往需要(yào)投(tóu)入(rù)大量的数(shù)据资(zī)源(yuán)。这一技术特性使得数据资源(yuán),成(chéng)为关键性生产(chǎn)要素。在大数据、智(zhì)能化、移动(dòng)互联网、云计算等日渐普及背(bèi)景下,人工智能(néng)技(jì)术作为提供(gòng)信息产品和(hé)信息(xī)服务的底(dǐ)层技术(shù),也是工业经济逐步向数字经济转型的关键(jiàn)。
人工智能算法是什么
人工(gōng)智能算法大致可(kě)分作(zuò)监督学习、无监督学习与强(qiáng)化学习。其中,监督学习通过不断训练(liàn)程(chéng)序(模型)从人(rén)类已有经验中学习规律。在这一类机器学习中,研究(jiū)人员会(huì)通过(guò)标记数据(jù)的方法,不断调整模型参数以(yǐ)达到学习目的(de)。类似于父母会向孩子展(zhǎn)示不同颜色、大小乃至种类的苹果(guǒ),教会(huì)孩(hái)子认识“未曾见过”的苹果。这便是监(jiān)督学习的(de)目的:样本外预测。
无监督(dū)学习则通过(guò)训练程序,使机器能直接从已有数据中提取特征(zhēng),对(duì)信息进行(háng)压缩(suō),用于完成其他任务。如传统的主成分分析,可以将高(gāo)维特征使用低维度向量近(jìn)似。例如,我们可(kě)以使用(yòng)主成分分析技术压缩图(tú)片,以达到节省储存空间的作(zuò)用。因此,这类机器学习算法(fǎ)并(bìng)不需要以往经验,也被称之为无监(jiān)督(dū)学习。
当然(rán),无监督学习与监督学习之(zhī)间并不(bú)是彼此对立的关系(xì),对(duì)于存在部分(fèn)标注(zhù)的数据,我们也可以(yǐ)使用半监(jiān)督学习算法。比如最近比(bǐ)较流行的对抗神经网络(luò)——我们可以使用该算法学习一系(xì)列甲骨文后(hòu),令它生成多(duō)个(gè)足以以假乱真、却从不代表任(rèn)何意义(yì)的“甲骨文”,相当于计(jì)算程(chéng)序“照虎画虎”却不(bú)知为虎。
此外,强化学(xué)习与以上(无、半)监督学习算法不同,强化(huà)学习(xí)是(shì)动态优(yōu)化的(de)延伸,而(无、半)监督学习则与(yǔ)统(tǒng)计学更为接近。强化(huà)学习通过(guò)使智(zhì)能程(chéng)序(xù)不(bú)断(duàn)地与环境交互,通(tōng)过调整(zhěng)智能程序的决策参数(过(guò)程)达到最大(dà)化其累积收益的目的。强化学习(xí)是最(zuì)接近(jìn)于人类决策(cè)过程的机(jī)器学习算法,类似于让(ràng)一个智能体无限(xiàn)、快速地感知世界,并通过自身失败(bài)或者成功(gōng)的(de)经验,优化自身的(de)决策过程,在(zài)这(zhè)一过程中计算机程式并不那么需要老师。当然,强化学习也并不能完全同监督学(xué)习割裂开来(lái)。比如AlphaGo就(jiù)是通过强化学习手段所训练的计算程序,但在AlphaGo训练的第一阶段,研究人员使用了大量的人类玩家棋谱(pǔ)供AlphaGo模仿学(xué)习,这里(lǐ)人类已有(yǒu)经验(yàn)类(lèi)似于老(lǎo)师(shī);但是在AlphaGo的升级(jí)版本ZeroGo中,模仿学习已经完全被摒弃(qì)。
为了使人工智能算法拥有普遍适用性,我们往往需要大量数(shù)据、算力(lì)以及(jí)有(yǒu)效的计算算法。大量数据相当(dāng)于我们聘请了(le)一个知识渊博的老师指(zhǐ)导计算机程序,高额算(suàn)力则会赋予计算机程(chéng)序更快学习到知识的能力。人工(gōng)智能研究领域(yù)一个(gè)重(chóng)要的方向(xiàng),是不(bú)断开发能更有效利用既有数据和算(suàn)力的计算算法,相当于为计算(suàn)机程序提(tí)供更(gèng)好的学习方法(fǎ)和路径。因此,数据(jù)标注、云计算、芯片设(shè)计与算(suàn)法开发,可谓是人工智(zhì)能行业的核心部分。
人工智能技(jì)术(shù)对社会经济带来什么(me)影响
事实上,人工智能技术作为学科起源(yuán)于20世纪50年代,比如“人(rén)工智能之父”McCarthy等人在(zài)50年代提出人工智能(néng);决(jué)策(cè)树模型(xíng)起源于上(shàng)世纪50至60年代,当前广为应(yīng)用的神(shén)经网(wǎng)络模型、Q学习强化学习算法(fǎ)则起源于20世纪80年代。但(dàn)人工智能技术要想达到媲美人类决策(cè)的精(jīng)准度,需(xū)要(yào)大量(liàng)训练(liàn)(经验)数据和高额算力,因此(cǐ)直到2000年(nián)以后,人工智能技术才(cái)得以实现跨越式发展。
在大量(liàng)数据与高额算力的加持下,部分人工智能技术已可替代(dài)人类做(zuò)出(chū)大规模的精(jīng)确决(jué)策,也取(qǔ)代了越来(lái)越多的人工岗位(wèi)。从目前的影响来看,一方(fāng)面,机器学习(xí)应(yīng)用的(de)确替(tì)代了部分传统劳动(dòng)力(lì),产生(shēng)了劳动(dòng)挤出(chū)效应:自(zì)动化机器人让生产流(liú)程趋于无(wú)人化,自然语言处理技术可较好完成大(dà)部分的翻译乃(nǎi)至信息提取工作,机(jī)器学(xué)习算(suàn)法甚至能更准确地定性小分子化合物(wù)性质(zhì),从一定程(chéng)度上减轻了大规模重复性工作所需要的劳动力和(hé)时间(jiān)消耗。
另一方面(miàn),同此前(qián)历次技术革命(mìng)一样,机器学习的兴(xìng)起在提高社会生产(chǎn)效(xiào)率(lǜ)的同时,也为社会创造(zào)了全新(xīn)的(de)工作岗位。从工业革命(mìng)诞生以来(lái),汽轮机代(dài)替马夫、车夫,纺织机(jī)代替(tì)纺(fǎng)织工人,有线电话、无线电报代替邮差,电子计算(suàn)机通(tōng)过代替手摇计算机,节省(shěng)了大量手工演算。但需要注意的(de)是,每(měi)一次(cì)的(de)科技进(jìn)步并没有造成(chéng)社会大(dà)量失业,反而会通过提(tí)升传统行(háng)业生产效率和技(jì)术革新改变原有(yǒu)社会生(shēng)产组织结构、产生新的(de)业态(tài)。科技进步在改变行业(yè)企业生(shēng)产技(jì)术(shù)的同时,也在改变(biàn)传统(tǒng)行(háng)业工作(zuò)内容,新的岗位需求随之产生。
和任(rèn)何其他的技术创新一样,机器学(xué)习(xí)技术(shù)对(duì)于不同行业、不同岗(gǎng)位均存在(zài)不同程(chéng)度(dù)的影响。对于那些从事生产(chǎn)流(liú)程化较强的岗位(wèi),机(jī)器(qì)学习的冲击无疑是(shì)颠覆性的。但对于那些需要统筹、创(chuàng)新、互动类的岗位,机器学(xué)习在当前阶段尚无(wú)法构成显著冲击。
此外,我们也(yě)需要意识到,人工智(zhì)能算法当前依旧不(bú)能达到“智能”水平。任何一项技术(shù)都伴随安全风险,人工(gōng)智能(néng)算法本身同样(yàng)存在风险,如大部分监督学(xué)习算法(fǎ)尚无清晰的逻辑(jí)生成过(guò)程,这不仅使(shǐ)研究人(rén)员(yuán)无法对算(suàn)法进行有(yǒu)效干预,也使人工智(zhì)能算法在训练和预(yù)测阶(jiē)段变得(dé)不那么稳(wěn)健。举一(yī)个简(jiǎn)单的例子,在一个分类算法(fǎ)中(zhōng),我们在一张三寸(cùn)大(dà)小猫咪(mī)照上改变一个像素(sù)点,就(jiù)可(kě)能(néng)使计算机算法将猫咪识别为其他物品,这类做法被称为逆向(xiàng)攻击,涉及人工智能技术风险。
如同其他(tā)新兴(xìng)行(háng)业发(fā)展(zhǎn)初(chū)期一样,由于前期监管未及时到位,部分企(qǐ)业(yè)会不当利(lì)用其在数据(jù)、算(suàn)力和算法上的前(qián)期优势,导致出现人(rén)工智(zhì)能技术滥(làn)用、部分头部(bù)企业垄(lǒng)断性经(jīng)营、隐私数据泄露甚至是(shì)过(guò)度依赖算法决策引发的企业运营风险等,这便是人(rén)工智能技术的(de)应用风险和衍(yǎn)生风险(xiǎn)。
因此,如何发(fā)展引领这一战略性行(háng)业成为当下的重(chóng)中之重——我们需(xū)要思考如何(hé)在(zài)经济智慧化转型期间发挥好政府的社会兜(dōu)底(dǐ)功能,如(rú)何在私营行业(yè)的算力和科技水平超过(guò)监管机构时规范其运行等问(wèn)题。
与智能技(jì)术(shù)革命长处之道在哪里
加强研发投入(rù),统(tǒng)筹行业发展(zhǎn)、实现核心行业引领,把握人(rén)工智能技术(shù)主导(dǎo)权。人工智能已成为事关国家安(ān)全和发展全局的基础核心(xīn)领域。当前,我(wǒ)国(guó)人工智能发展虽总体态势向上(shàng),但(dàn)在基(jī)础研究(jiū)、技术体系(xì)、应用生态、创(chuàng)新发展等方面仍存在不(bú)少(shǎo)问题(tí)。因此(cǐ),以学科交叉、应用转化为抓(zhuā)手带动人工智能领域的(de)基础(chǔ)研究,加大相(xiàng)关研究财政(zhèng)投入(rù)力度、优(yōu)化(huà)支(zhī)出结构,对投入基(jī)础研究的(de)企业实行税收(shōu)优(yōu)惠(huì)等措施,均有助于统筹行业发展。集中力量加强(qiáng)人工智能(néng)核心领域(如(rú)算法(fǎ)和芯片)的原(yuán)创性、引领性攻关,可以更(gèng)好地把握人工(gōng)智能技(jì)术(shù)主(zhǔ)导(dǎo)权。
前置(zhì)化、专业化、灵活化行(háng)业与技(jì)术监管,可以更(gèng)好(hǎo)规范行业发展,营造良好数字环境。一方面,人工(gōng)智能行业会产生垄断、多元化、隐私和(hé)伦理(lǐ)方面的负面影响。因此,实现底层算法监管(guǎn)可以有效防范不透明自动化决策、隐私侵(qīn)犯等人(rén)工智能相关与衍生风险。另(lìng)一方面(miàn),当(dāng)前(qián)人工智能行业发展正(zhèng)处于技术创新和(hé)产业(yè)增长的爆发期,在不(bú)断给(gěi)社会经济带来发展红利的同时,其应用形式和伴生业态的灵活(huó)性也意(yì)味(wèi)着,监管(guǎn)框架和(hé)思路也要随(suí)之调整,方能进一(yī)步发挥技术(shù)进步(bù)带来的(de)红(hóng)利。此外,我们需要配(pèi)备更加专业的行业监管队伍,以(yǐ)人工智能技术赋能人工智能监(jiān)管,前置化、专业化、灵活化规范人工智能行业,根据不同(tóng)人工智能产(chǎn)业发展实际状况差别,灵活制定监管框架和执(zhí)行规范(fàn),减少人工(gōng)智能技术发(fā)展和(hé)应用面临的不必要障碍,营造良好数(shù)字环境,进一(yī)步打(dǎ)造我国人工(gōng)智能行业核心竞争力。
深(shēn)度融合实(shí)体经济,发展数(shù)字经济(jì)、探索新型业态。人工智能(néng)技术作为数字经济发展环节中的核心(xīn)技术,可以有效将数据(jù)生产要素转化(huà)为(wéi)实际生产力。智能技术与实体经济(jì)各(gè)领域深度融合(hé)所带(dài)来的生产效率提升以及生(shēng)产范式(shì)改变,是我国宏(hóng)观经济转型升级的重要驱动力。因此,深度融合实(shí)体经(jīng)济(jì)应(yīng)是人(rén)工智(zhì)能行业发展的一大目标(biāo)。基于人工智(zhì)能技(jì)术探(tàn)索(suǒ)新业态、发展新模式,推(tuī)动传(chuán)统产业转型升级从(cóng)而加(jiā)快生(shēng)产要素跨区域(yù)流动(dòng)、融(róng)合市场(chǎng)主体(tǐ),畅通国内(nèi)外(wài)经济循环,也是充分立(lì)足并发挥(huī)我国全产业链优势、布(bù)局数字经济优(yōu)势行业的必然需(xū)求。
充分发挥市场能动性,实现人工智能(néng)行业的产、学、研并举。人工(gōng)智能技术的长期健康(kāng)发展,离不开良好的市场(chǎng)环境和(hé)产(chǎn)业配套(tào)。微观主(zhǔ)体能够有(yǒu)效嗅到商机,市场经济在挖(wā)掘新业态、探索新模式(shì)方面具有相对优势。但人工智能行业作(zuò)为典型的知识(shí)密集型(xíng)行业,前期(qī)需要大量研发工作(zuò)并(bìng)培养大批专业(yè)技术人员。而高(gāo)等院校、科研院所在(zài)人才培养和(hé)技术创新等(děng)环节具(jù)备相对优势,是人(rén)工智能(néng)产业(yè)链条上的重要核心力量。因(yīn)此,以市场需求为主导,有机结合(hé)企(qǐ)业、高(gāo)校、科研(yán)机构,形成职能(néng)和资源优势上的(de)互补协同,为智能行业发展提(tí)供基础配套(tào)。以经济效益为抓手,调动高校科技人员积极性,促进(jìn)科技成果向现实生产力转化,打造人工(gōng)智能行业的(de)健康(kāng)可持续发(fā)展生(shēng)态。
完(wán)善社会保障体系,推(tuī)进个体发展与技能培训(xùn)再就业系统。在大规模机器学(xué)习(xí)技术(shù)获得应用的背景下(xià),劳动力自身的主观能动性、个体创(chuàng)新(xīn)力、统筹思(sī)考能力等对社会经济发展和个人发展都极(jí)其(qí)重(chóng)要。但在传统劳动力供给与新兴劳动力需求之间依然存在技术鸿沟——传统劳动力无法胜任新兴行业的岗位需求。在这一背(bèi)景下,如何(hé)切实推进个体发(fā)展与技(jì)能(néng)培训的再就业系统,有效填(tián)平(píng)技术鸿沟,如何调(diào)整社会保障体系使之对跨部门(mén)再培训、再就业更具适(shì)用性,兜底民生、切实改善社会福利等问题,值得我们进一(yī)步思考、探索。