近年来，以深度（dù）学习（xí）、强（qiáng）化学（xué）习为代表的（de）人工（gōng）智能（néng）技术从语言翻译、图像（xiàng）识别、工业自（zì）动化等工程技术领域，拓展到智（zhì）能生产（chǎn）、智能农业（yè）、智（zhì）能物流、大数据宏观经济监测、量化（huà）投研等经济、金融范畴，可（kě）谓应用广泛。

人工（gōng）智能技术具有处理高维数据的先天优势，可以通过（guò）表征学习、价值函数近（jìn）似、特征选择等方式避开（kāi）传（chuán）统（tǒng）分析方法（fǎ）的诸多限制，获得了（le）更好的（de）预测（cè）和决（jué）策效（xiào）果。为了使人（rén）工智能技术达到令人（rén）满意的预测和决（jué）策效（xiào）果，研究人员往往需（xū）要投入大（dà）量的（de）数据资源。这一技术特性使得数据资源,成为（wéi）关键性生产要素。在大（dà）数据、智能化、移动互联网、云（yún）计算等日渐普（pǔ）及背景下，人工智能（néng）技术作为提供信息产（chǎn）品和信息服务的底层技（jì）术，也是工（gōng）业（yè）经济（jì）逐步向数字经济转型的关键（jiàn）。

人（rén）工智能算（suàn）法（fǎ）是什（shí）么

人工智能算法大致可分（fèn）作监督学习、无（wú）监督学习与强（qiáng）化学习（xí）。其中（zhōng），监（jiān）督（dū）学（xué）习通过不断（duàn）训练（liàn）程序（模型）从（cóng）人（rén）类已有经验中学习规律。在这一类机器（qì）学习中，研究人（rén）员会通过标记数（shù）据的方法，不断调整模型（xíng）参数（shù）以达（dá）到学习目的。类似于父母会（huì）向孩子展示不（bú）同颜（yán）色、大小乃至种类的苹果，教会（huì）孩子认（rèn）识“未（wèi）曾见（jiàn）过”的苹（píng）果。这便是监督（dū）学习（xí）的目的：样本外（wài）预测。

无监督学习则通过（guò）训练程序（xù），使机器能（néng）直（zhí）接从已有数据（jù）中提取特征，对信息进行（háng）压缩（suō），用于完成其（qí）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（xiàng）量（liàng）近似。例如，我（wǒ）们可以使（shǐ）用主成分分析技术（shù）压缩图（tú）片，以达（dá）到节省储存空间的作用。因此（cǐ），这（zhè）类机器学习算法并不需要以往经验，也被称（chēng）之为无监（jiān）督（dū）学习。

当然，无（wú）监督学习与（yǔ）监（jiān）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（shù）据，我（wǒ）们也可以（yǐ）使用（yòng）半监督学习算法。比（bǐ）如最近比较（jiào）流行的（de）对抗神（shén）经（jīng）网络（luò）——我们可以使用该算（suàn）法学习（xí）一系列甲骨文后，令它生（shēng）成多个足以以假乱真、却从不代表任（rèn）何意义的“甲骨文”，相当于计算程序（xù）“照虎（hǔ）画虎”却不知为虎（hǔ）。

此（cǐ）外，强化学（xué）习与以上（无、半（bàn））监督学习算法（fǎ）不同，强化学习是动态优化的（de）延伸（shēn），而（无、半）监督学（xué）习则与统（tǒng）计（jì）学更为（wéi）接近。强化学习通（tōng）过使智能程序不断地与环境交互（hù），通（tōng）过调（diào）整（zhěng）智能程序（xù）的决策（cè）参数（shù）（过程）达（dá）到最大化其累积（jī）收益（yì）的（de）目的。强化学（xué）习是（shì）最接近于人类决策过程（chéng）的机器学（xué）习算法，类似于让一个智能体无限、快（kuài）速地感知世界，并通过自身失（shī）败（bài）或者成功的经验，优化自身的决策过程，在（zài）这一过程中计算机程式并不那么需要老师。当然，强（qiáng）化学（xué）习（xí）也并不能（néng）完全同监督学习割裂开来。比如AlphaGo就（jiù）是（shì）通过强化（huà）学习手段（duàn）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（de）人类玩家棋谱（pǔ）供AlphaGo模仿学习，这里人类已（yǐ）有经验类似于老师；但是（shì）在AlphaGo的（de）升级版本ZeroGo中（zhōng），模仿学习已（yǐ）经完（wán）全被摒弃。

为了使人工（gōng）智能算法拥有普（pǔ）遍适用性，我们往往需要大（dà）量（liàng）数据、算力（lì）以及（jí）有效的计算算法。大量数据相当于我们聘请（qǐng）了一个知识渊博的老师指导计算机程（chéng）序，高（gāo）额算力则会赋（fù）予计算机程序更快学习到知（zhī）识的能力。人工智（zhì）能研究领域一个（gè）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（yú）为计（jì）算机程序（xù）提供更（gèng）好的学习方法和路径（jìng）。因此，数据标（biāo）注、云计（jì）算、芯片设（shè）计与（yǔ）算法开（kāi）发，可谓是人工智能行业（yè）的核心部分。

人工智能技术对社会（huì）经济带来什么影响

事（shì）实上，人工智能技术作为学科起源于20世纪（jì）50年代，比如（rú）“人工（gōng）智能（néng）之（zhī）父”McCarthy等（děng）人（rén）在（zài）50年（nián）代（dài）提出人工智（zhì）能；决策树模型起源于上世（shì）纪50至60年代，当（dāng）前广为应用的（de）神经网络模型、Q学习强化学习算法则起源于20世（shì）纪80年代。但人工智能技术（shù）要想达到（dào）媲美（měi）人类（lèi）决策的精准度，需要大量训练（经验）数据（jù）和高额算力，因此直到2000年以后，人工智能技术（shù）才得以实现跨越式发展。

在大量数（shù）据（jù）与高额（é）算（suàn）力的加持下，部（bù）分人工智能技术（shù）已可替代人类做出（chū）大规模的精确决策，也取代（dài）了越（yuè）来越（yuè）多的人工（gōng）岗位。从目（mù）前的影响来看，一方面，机器（qì）学习应（yīng）用的确替代（dài）了部分传统劳（láo）动力，产生了劳动（dòng）挤（jǐ）出效（xiào）应：自动化机器人让生产流程趋（qū）于无（wú）人化，自然语言处理技术可较好完（wán）成（chéng）大部（bù）分的翻译乃至（zhì）信息提取工作，机（jī）器学（xué）习算法甚至能更准确地定性（xìng）小分（fèn）子化（huà）合（hé）物性质，从一（yī）定程度上减轻了大规模重复性工作所需（xū）要的劳动力和时间消（xiāo）耗。

另一方（fāng）面，同此前（qián）历次技术革命一样，机（jī）器学（xué）习的兴起在（zài）提高社会生产效率的（de）同时，也为社会创造（zào）了全新的工作岗位。从工业革命诞生以来，汽（qì）轮机（jī）代替马夫、车（chē）夫，纺织机（jī）代替（tì）纺织工人，有线电话、无线（xiàn）电报代替邮差，电子计（jì）算机（jī）通（tōng）过代替手摇（yáo）计算（suàn）机（jī），节省了大量手工（gōng）演算。但需要注意的是，每一次（cì）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（biàn）原有（yǒu）社会生产（chǎn）组织（zhī）结构、产生新（xīn）的（de）业（yè）态。科技进步（bù）在改（gǎi）变行业企业生产（chǎn）技术的同时，也在改变传统行业工作内容，新的岗位需求随（suí）之产（chǎn）生。

和任（rèn）何（hé）其他（tā）的技术创新一样（yàng），机器学习技术对于不同行（háng）业、不同（tóng）岗位均（jun1）存在不（bú）同程度的影（yǐng）响。对（duì）于那些从（cóng）事生产流程化较强的岗位，机器学习的（de）冲击（jī）无疑（yí）是颠覆性（xìng）的。但（dàn）对于那些需要统筹、创新、互动类的岗位，机器学习（xí）在（zài）当前阶（jiē）段（duàn）尚无（wú）法（fǎ）构成显著冲击。

此外，我们（men）也需要意识到，人（rén）工智能算法当前依旧不（bú）能达到“智能”水平。任何一项技术都（dōu）伴随安全风险，人工智能算法（fǎ）本身同样存在风险（xiǎn），如大（dà）部（bù）分监督（dū）学习算法尚无清晰的逻辑（jí）生成过程，这不仅使研究人员无（wú）法对算法进行（háng）有效干（gàn）预，也使人（rén）工智能算法在训练和预测阶段变得不那（nà）么（me）稳健（jiàn）。举（jǔ）一个简单的例子，在一个（gè）分类算法（fǎ）中，我们（men）在一（yī）张三寸（cùn）大小猫（māo）咪照上改变（biàn）一个（gè）像素（sù）点，就可能使计算机算法将猫咪识别为其他物品，这类做法（fǎ）被称为逆向攻击（jī），涉及（jí）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（guǎn）未及时（shí）到位，部分（fèn）企业会不当利用其在数（shù）据、算（suàn）力和算法上的前期（qī）优势，导致出（chū）现（xiàn）人工智能（néng）技术滥用、部分头部企业（yè）垄断性经营（yíng）、隐私数据泄露甚至是过度（dù）依（yī）赖算法（fǎ）决策（cè）引（yǐn）发（fā）的企业运营风险等，这便是人工智能技术的应用风险和衍（yǎn）生风险。

因此，如何（hé）发展引领（lǐng）这一（yī）战略性行业（yè）成为当下的重中之重——我们（men）需要思考如何在经（jīng）济智慧化转型期间发（fā）挥好政府的（de）社（shè）会兜底功能，如（rú）何在私营行（háng）业的算力和科技水平超过监管机构时（shí）规范其（qí）运行等问题。

与智（zhì）能技术革（gé）命长（zhǎng）处之道（dào）在（zài）哪（nǎ）里

加（jiā）强研发投入，统筹行业发展、实现核心行业（yè）引领，把握人（rén）工智能技术主导（dǎo）权（quán）。人工（gōng）智能（néng）已成为事关国家（jiā）安全（quán）和发展全局的基础核心领域。当前，我（wǒ）国人工（gōng）智能发展虽总体态（tài）势向上，但（dàn）在基础研究、技术体系、应用生（shēng）态、创新发展等方面仍存在不少问题。因（yīn）此，以学科交叉、应用转化为抓（zhuā）手带动人工智（zhì）能（néng）领域的基（jī）础研（yán）究，加大相关研究财政投（tóu）入力度、优化支出（chū）结构，对投入（rù）基础研究的（de）企业实行（háng）税收优惠等措施，均有助于统筹行（háng）业发展。集中（zhōng）力量加（jiā）强人工（gōng）智能核心领域（如算法和芯片）的原创性（xìng）、引领性攻关，可以更好（hǎo）地把握人工智能技术主（zhǔ）导权。

前置化、专业化、灵活（huó）化行业与技术监（jiān）管，可以更好（hǎo）规范行业发展，营造良好数字环境。一方面，人（rén）工智能行业会产生垄断、多元化、隐私和伦理方（fāng）面的负面影响。因此，实现底层算法（fǎ）监管可以有效防范不透明（míng）自动（dòng）化决策、隐私侵（qīn）犯等（děng）人（rén）工智能相关与衍生风险。另一（yī）方面，当前人工智能行业发展正处于技术（shù）创（chuàng）新和产业增长的爆发（fā）期（qī），在不断给社会（huì）经济带（dài）来发（fā）展红利的（de）同时，其应用形式和（hé）伴生业态的灵活（huó）性也意味着，监管框架和思（sī）路（lù）也要随之调（diào）整，方能进一步发挥技术进步带来的红利。此外，我们需要配（pèi）备更加专业的行业监（jiān）管队伍，以人工（gōng）智能技术赋能人工（gōng）智能监管，前（qián）置（zhì）化、专业化、灵活化规范人工智能行业，根据不同人工智能（néng）产业发（fā）展实际状况差别，灵活制定（dìng）监管框（kuàng）架和执行规（guī）范，减少人工智能技术（shù）发展和应用（yòng）面临的不（bú）必（bì）要障碍，营（yíng）造良好数字环境，进（jìn）一步打造我国人工（gōng）智能（néng）行（háng）业核心竞争力。

深度（dù）融合实（shí）体（tǐ）经（jīng）济，发展数字（zì）经济、探索新型业态（tài）。人工智能技（jì）术作（zuò）为数（shù）字经济发展环（huán）节中的核心（xīn）技术，可以有（yǒu）效将数据生产要素转化（huà）为实际生产力。智能技术与（yǔ）实体经济各（gè）领（lǐng）域（yù）深度融合所带来的生产效率提升以及生产（chǎn）范（fàn）式改变，是我（wǒ）国宏观经济转型升级的重要驱（qū）动力。因此，深度融（róng）合实体经济应（yīng）是人工智（zhì）能（néng）行（háng）业发展的一大目（mù）标。基于人（rén）工智能技术探索新业态、发展新模式（shì），推动传统产业转型升级从而加快生产要（yào）素跨（kuà）区域流动、融合市场主（zhǔ）体，畅通国内外（wài）经（jīng）济循环，也是充分立足并发挥我国全产业链优势、布局数字经济（jì）优势行业的必然需求。

充分（fèn）发挥市（shì）场能动（dòng）性，实现人工（gōng）智能行（háng）业的产、学、研并举。人工（gōng）智能技（jì）术的长（zhǎng）期健康发展，离不开（kāi）良好的（de）市场环境和（hé）产业配套。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、探索新模式方面具有（yǒu）相对（duì）优（yōu）势。但人（rén）工智能行业（yè）作为典型的知（zhī）识密集型行业，前期需（xū）要（yào）大量研发工作并培养大批专业技术人员。而高等院校、科研院所在人才培养和（hé）技术创（chuàng）新等环节具备相对优势，是人工智能（néng）产（chǎn）业链条上的重（chóng）要核心（xīn）力量（liàng）。因此（cǐ），以市场需求为主导，有机结合企业、高校、科研（yán）机构（gòu），形（xíng）成职（zhí）能和资源优势上的互补协（xié）同，为智能行业发展提供基础配套。以经济效益为抓手，调动高校科技人员积极（jí）性，促进（jìn）科（kē）技成（chéng）果向现实（shí）生产力（lì）转化，打造人（rén）工智能行（háng）业的健康可持续发（fā）展生（shēng）态。

完善社会保（bǎo）障体系（xì），推进个体发展（zhǎn）与技能培（péi）训再就业系统。在大规模（mó）机器学习技术获（huò）得应用的背景下，劳（láo）动（dòng）力自身的主观能（néng）动性、个体创新力（lì）、统筹思（sī）考（kǎo）能力等对社会经济发展和个人发（fā）展（zhǎn）都（dōu）极其重要。但（dàn）在传（chuán）统劳动力供（gòng）给与新（xīn）兴（xìng）劳动力需求之间依然存在技术鸿（hóng）沟（gōu）——传统劳动力无法胜任（rèn）新兴行业的岗位需求。在这一背（bèi）景下，如（rú）何切实推进个体发（fā）展与技能培训的再就（jiù）业系统，有效填平技术（shù）鸿沟，如何调整社会保障（zhàng）体系使之（zhī）对跨部门再（zài）培训、再（zài）就业更具适用性，兜底民生（shēng）、切实改善（shàn）社会福（fú）利等问（wèn）题，值（zhí）得我们（men）进一步思（sī）考（kǎo）、探索。