您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识

无线电报(人工智能，科技准备好了，我们呢？)

人工智能,算法,技术无线电报(人工智能，科技准备好了，我们呢？)

发布时间：2020-12-06加入收藏来源：互联网点击：

作者：王熙（北京大学经济学院研究员）

近年来，以深度学习、强化学习为代表的人工智能技术从语言翻译、图像识别、工业自动化等工程技术领域，拓展到智能生产、智能农业、智能物流、大数据宏观经济监测、量化投研等经济、金融范畴，可谓应用广泛。

人工智能技术具有处理高维数据的先天优势，可以通过表征学习、价值函数近似、特征选择等方式避开传统分析方法的诸多限制，获得了更好的预测和决策效果。为了使人工智能技术达到令人满意的预测和决策效果，研究人员往往需要投入大量的数据资源。这一技术特性使得数据资源,成为关键性生产要素。在大数据、智能化、移动互联网、云计算等日渐普及背景下，人工智能技术作为提供信息产品和信息服务的底层技术，也是工业经济逐步向数字经济转型的关键。

人工智能算法是什么

人工智能算法大致可分作监督学习、无监督学习与强化学习。其中，监督学习通过不断训练程序（模型）从人类已有经验中学习规律。在这一类机器学习中，研究人员会通过标记数据的方法，不断调整模型参数以达到学习目的。类似于父母会向孩子展示不同颜色、大小乃至种类的苹果，教会孩子认识“未曾见过”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程序，使机器能直接从已有数据中提取特征，对信息进行压缩，用于完成其他任务。如传统的主成分分析，可以将高维特征使用低维度向量近似。例如，我们可以使用主成分分析技术压缩图片，以达到节省储存空间的作用。因此，这类机器学习算法并不需要以往经验，也被称之为无监督学习。

当然，无监督学习与监督学习之间并不是彼此对立的关系，对于存在部分标注的数据，我们也可以使用半监督学习算法。比如最近比较流行的对抗神经网络——我们可以使用该算法学习一系列甲骨文后，令它生成多个足以以假乱真、却从不代表任何意义的“甲骨文”，相当于计算程序“照虎画虎”却不知为虎。

此外，强化学习与以上（无、半）监督学习算法不同，强化学习是动态优化的延伸，而（无、半）监督学习则与统计学更为接近。强化学习通过使智能程序不断地与环境交互，通过调整智能程序的决策参数（过程）达到最大化其累积收益的目的。强化学习是最接近于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，并通过自身失败或者成功的经验，优化自身的决策过程，在这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习割裂开来。比如AlphaGo就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供AlphaGo模仿学习，这里人类已有经验类似于老师；但是在AlphaGo的升级版本ZeroGo中，模仿学习已经完全被摒弃。

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据、算力以及有效的计算算法。大量数据相当于我们聘请了一个知识渊博的老师指导计算机程序，高额算力则会赋予计算机程序更快学习到知识的能力。人工智能研究领域一个重要的方向，是不断开发能更有效利用既有数据和算力的计算算法，相当于为计算机程序提供更好的学习方法和路径。因此，数据标注、云计算、芯片设计与算法开发，可谓是人工智能行业的核心部分。

人工智能技术对社会经济带来什么影响

事实上，人工智能技术作为学科起源于20世纪50年代，比如“人工智能之父”McCarthy等人在50年代提出人工智能；决策树模型起源于上世纪50至60年代，当前广为应用的神经网络模型、Q学习强化学习算法则起源于20世纪80年代。但人工智能技术要想达到媲美人类决策的精准度，需要大量训练（经验）数据和高额算力，因此直到2000年以后，人工智能技术才得以实现跨越式发展。

在大量数据与高额算力的加持下，部分人工智能技术已可替代人类做出大规模的精确决策，也取代了越来越多的人工岗位。从目前的影响来看，一方面，机器学习应用的确替代了部分传统劳动力，产生了劳动挤出效应：自动化机器人让生产流程趋于无人化，自然语言处理技术可较好完成大部分的翻译乃至信息提取工作，机器学习算法甚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规模重复性工作所需要的劳动力和时间消耗。

另一方面，同此前历次技术革命一样，机器学习的兴起在提高社会生产效率的同时，也为社会创造了全新的工作岗位。从工业革命诞生以来，汽轮机代替马夫、车夫，纺织机代替纺织工人，有线电话、无线电报代替邮差，电子计算机通过代替手摇计算机，节省了大量手工演算。但需要注意的是，每一次的科技进步并没有造成社会大量失业，反而会通过提升传统行业生产效率和技术革新改变原有社会生产组织结构、产生新的业态。科技进步在改变行业企业生产技术的同时，也在改变传统行业工作内容，新的岗位需求随之产生。

和任何其他的技术创新一样，机器学习技术对于不同行业、不同岗位均存在不同程度的影响。对于那些从事生产流程化较强的岗位，机器学习的冲击无疑是颠覆性的。但对于那些需要统筹、创新、互动类的岗位，机器学习在当前阶段尚无法构成显著冲击。

此外，我们也需要意识到，人工智能算法当前依旧不能达到“智能”水平。任何一项技术都伴随安全风险，人工智能算法本身同样存在风险，如大部分监督学习算法尚无清晰的逻辑生成过程，这不仅使研究人员无法对算法进行有效干预，也使人工智能算法在训练和预测阶段变得不那么稳健。举一个简单的例子，在一个分类算法中，我们在一张三寸大小猫咪照上改变一个像素点，就可能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攻击，涉及人工智能技术风险。

如同其他新兴行业发展初期一样，由于前期监管未及时到位，部分企业会不当利用其在数据、算力和算法上的前期优势，导致出现人工智能技术滥用、部分头部企业垄断性经营、隐私数据泄露甚至是过度依赖算法决策引发的企业运营风险等，这便是人工智能技术的应用风险和衍生风险。

因此，如何发展引领这一战略性行业成为当下的重中之重——我们需要思考如何在经济智慧化转型期间发挥好政府的社会兜底功能，如何在私营行业的算力和科技水平超过监管机构时规范其运行等问题。

与智能技术革命长处之道在哪里

加强研发投入，统筹行业发展、实现核心行业引领，把握人工智能技术主导权。人工智能已成为事关国家安全和发展全局的基础核心领域。当前，我国人工智能发展虽总体态势向上，但在基础研究、技术体系、应用生态、创新发展等方面仍存在不少问题。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研究，加大相关研究财政投入力度、优化支出结构，对投入基础研究的企业实行税收优惠等措施，均有助于统筹行业发展。集中力量加强人工智能核心领域（如算法和芯片）的原创性、引领性攻关，可以更好地把握人工智能技术主导权。

 1/2    1 2 下一页 尾页