作者：王熙（北京大學經濟學院研究員）

　　近年來，以深度學習、強化學習為代表的人工智能技術從語言翻譯、圖像識別、工業自動化等工程技術領域，拓展到智能生產、智能農業、智能物流、大數據宏觀經濟監測、量化投研等經濟、金融范疇，可謂應用廣泛。

　　人工智能技術具有處理高維數據的先天優勢，可以通過表征學習、價值函數近似、特征選擇等方式避開傳統分析方法的諸多限制，獲得了更好的預測和決策效果。為了使人工智能技術達到令人滿意的預測和決策效果，研究人員往往需要投入大量的數據資源。這一技術特性使得數據資源,成為關鍵性生產要素。在大數據、智能化、移動互聯網、云計算等日漸普及背景下，人工智能技術作為提供信息產品和信息服務的底層技術，也是工業經濟逐步向數字經濟轉型的關鍵。

　　人工智能算法是什么

　　人工智能算法大致可分作監督學習、無監督學習與強化學習。其中，監督學習通過不斷訓練程序（模型）從人類已有經驗中學習規律。在這一類機器學習中，研究人員會通過標記數據的方法，不斷調整模型參數以達到學習目的。類似于父母會向孩子展示不同顏色、大小乃至種類的蘋果，教會孩子認識“未曾見過”的蘋果。這便是監督學習的目的：樣本外預測。

　　無監督學習則通過訓練程序，使機器能直接從已有數據中提取特征，對信息進行壓縮，用于完成其他任務。如傳統的主成分分析，可以將高維特征使用低維度向量近似。例如，我們可以使用主成分分析技術壓縮圖片，以達到節省儲存空間的作用。因此，這類機器學習算法并不需要以往經驗，也被稱之為無監督學習。

　　當然，無監督學習與監督學習之間并不是彼此對立的關系，對于存在部分標注的數據，我們也可以使用半監督學習算法。比如最近比較流行的對抗神經網絡——我們可以使用該算法學習一系列甲骨文后，令它生成多個足以以假亂真、卻從不代表任何意義的“甲骨文”，相當于計算程序“照虎畫虎”卻不知為虎。

　　此外，強化學習與以上（無、半）監督學習算法不同，強化學習是動態優化的延伸，而（無、半）監督學習則與統計學更為接近。強化學習通過使智能程序不斷地與環境交互，通過調整智能程序的決策參數（過程）達到最大化其累積收益的目的。強化學習是最接近于人類決策過程的機器學習算法，類似于讓一個智能體無限、快速地感知世界，并通過自身失敗或者成功的經驗，優化自身的決策過程，在這一過程中計算機程式并不那么需要老師。當然，強化學習也并不能完全同監督學習割裂開來。比如AlphaGo就是通過強化學習手段所訓練的計算程序，但在AlphaGo訓練的第一階段，研究人員使用了大量的人類玩家棋譜供AlphaGo模仿學習，這里人類已有經驗類似于老師；但是在AlphaGo的升級版本ZeroGo中，模仿學習已經完全被摒棄。

　　為了使人工智能算法擁有普遍適用性，我們往往需要大量數據、算力以及有效的計算算法。大量數據相當于我們聘請了一個知識淵博的老師指導計算機程序，高額算力則會賦予計算機程序更快學習到知識的能力。人工智能研究領域一個重要的方向，是不斷開發能更有效利用既有數據和算力的計算算法，相當于為計算機程序提供更好的學習方法和路徑。因此，數據標注、云計算、芯片設計與算法開發，可謂是人工智能行業的核心部分。

　　人工智能技術對社會經濟帶來什么影響

　　事實上，人工智能技術作為學科起源于20世紀50年代，比如“人工智能之父”McCarthy等人在50年代提出人工智能；決策樹模型起源于上世紀50至60年代，當前廣為應用的神經網絡模型、Q學習強化學習算法則起源于20世紀80年代。但人工智能技術要想達到媲美人類決策的精準度，需要大量訓練（經驗）數據和高額算力，因此直到2000年以后，人工智能技術才得以實現跨越式發展。

　　在大量數據與高額算力的加持下，部分人工智能技術已可替代人類做出大規模的精確決策，也取代了越來越多的人工崗位。從目前的影響來看，一方面，機器學習應用的確替代了部分傳統勞動力，產生了勞動擠出效應：自動化機器人讓生產流程趨于無人化，自然語言處理技術可較好完成大部分的翻譯乃至信息提取工作，機器學習算法甚至能更準確地定性小分子化合物性質，從一定程度上減輕了大規模重復性工作所需要的勞動力和時間消耗。

　　另一方面，同此前歷次技術革命一樣，機器學習的興起在提高社會生產效率的同時，也為社會創造了全新的工作崗位。從工業革命誕生以來，汽輪機代替馬夫、車夫，紡織機代替紡織工人，有線電話、無線電報代替郵差，電子計算機通過代替手搖計算機，節省了大量手工演算。但需要注意的是，每一次的科技進步并沒有造成社會大量失業，反而會通過提升傳統行業生產效率和技術革新改變原有社會生產組織結構、產生新的業態。科技進步在改變行業企業生產技術的同時，也在改變傳統行業工作內容，新的崗位需求隨之產生。

　　和任何其他的技術創新一樣，機器學習技術對于不同行業、不同崗位均存在不同程度的影響。對于那些從事生產流程化較強的崗位，機器學習的沖擊無疑是顛覆性的。但對于那些需要統籌、創新、互動類的崗位，機器學習在當前階段尚無法構成顯著沖擊。

　　此外，我們也需要意識到，人工智能算法當前依舊不能達到“智能”水平。任何一項技術都伴隨安全風險，人工智能算法本身同樣存在風險，如大部分監督學習算法尚無清晰的邏輯生成過程，這不僅使研究人員無法對算法進行有效干預，也使人工智能算法在訓練和預測階段變得不那么穩健。舉一個簡單的例子，在一個分類算法中，我們在一張三寸大小貓咪照上改變一個像素點，就可能使計算機算法將貓咪識別為其他物品，這類做法被稱為逆向攻擊，涉及人工智能技術風險。

　　如同其他新興行業發展初期一樣，由于前期監管未及時到位，部分企業會不當利用其在數據、算力和算法上的前期優勢，導致出現人工智能技術濫用、部分頭部企業壟斷性經營、隱私數據泄露甚至是過度依賴算法決策引發的企業運營風險等，這便是人工智能技術的應用風險和衍生風險。

　　因此，如何發展引領這一戰略性行業成為當下的重中之重——我們需要思考如何在經濟智慧化轉型期間發揮好政府的社會兜底功能，如何在私營行業的算力和科技水平超過監管機構時規范其運行等問題。

　　與智能技術革命長處之道在哪里

　　加強研發投入，統籌行業發展、實現核心行業引領，把握人工智能技術主導權。人工智能已成為事關國家安全和發展全局的基礎核心領域。當前，我國人工智能發展雖總體態勢向上，但在基礎研究、技術體系、應用生態、創新發展等方面仍存在不少問題。因此，以學科交叉、應用轉化為抓手帶動人工智能領域的基礎研究，加大相關研究財政投入力度、優化支出結構，對投入基礎研究的企業實行稅收優惠等措施，均有助于統籌行業發展。集中力量加強人工智能核心領域（如算法和芯片）的原創性、引領性攻關，可以更好地把握人工智能技術主導權。

　　前置化、專業化、靈活化行業與技術監管，可以更好規范行業發展，營造良好數字環境。一方面，人工智能行業會產生壟斷、多元化、隱私和倫理方面的負面影響。因此，實現底層算法監管可以有效防范不透明自動化決策、隱私侵犯等人工智能相關與衍生風險。另一方面，當前人工智能行業發展正處于技術創新和產業增長的爆發期，在不斷給社會經濟帶來發展紅利的同時，其應用形式和伴生業態的靈活性也意味著，監管框架和思路也要隨之調整，方能進一步發揮技術進步帶來的紅利。此外，我們需要配備更加專業的行業監管隊伍，以人工智能技術賦能人工智能監管，前置化、專業化、靈活化規范人工智能行業，根據不同人工智能產業發展實際狀況差別，靈活制定監管框架和執行規范，減少人工智能技術發展和應用面臨的不必要障礙，營造良好數字環境，進一步打造我國人工智能行業核心競爭力。

　　深度融合實體經濟，發展數字經濟、探索新型業態。人工智能技術作為數字經濟發展環節中的核心技術，可以有效將數據生產要素轉化為實際生產力。智能技術與實體經濟各領域深度融合所帶來的生產效率提升以及生產范式改變，是我國宏觀經濟轉型升級的重要驅動力。因此，深度融合實體經濟應是人工智能行業發展的一大目標。基于人工智能技術探索新業態、發展新模式，推動傳統產業轉型升級從而加快生產要素跨區域流動、融合市場主體，暢通國內外經濟循環，也是充分立足并發揮我國全產業鏈優勢、布局數字經濟優勢行業的必然需求。

　　充分發揮市場能動性，實現人工智能行業的產、學、研并舉。人工智能技術的長期健康發展，離不開良好的市場環境和產業配套。微觀主體能夠有效嗅到商機，市場經濟在挖掘新業態、探索新模式方面具有相對優勢。但人工智能行業作為典型的知識密集型行業，前期需要大量研發工作并培養大批專業技術人員。而高等院校、科研院所在人才培養和技術創新等環節具備相對優勢，是人工智能產業鏈條上的重要核心力量。因此，以市場需求為主導，有機結合企業、高校、科研機構，形成職能和資源優勢上的互補協同，為智能行業發展提供基礎配套。以經濟效益為抓手，調動高校科技人員積極性，促進科技成果向現實生產力轉化，打造人工智能行業的健康可持續發展生態。

　　　　完善社會保障體系，推進個體發展與技能培訓再就業系統。在大規模機器學習技術獲得應用的背景下，勞動力自身的主觀能動性、個體創新力、統籌思考能力等對社會經濟發展和個人發展都極其重要。但在傳統勞動力供給與新興勞動力需求之間依然存在技術鴻溝——傳統勞動力無法勝任新興行業的崗位需求。在這一背景下，如何切實推進個體發展與技能培訓的再就業系統，有效填平技術鴻溝，如何調整社會保障體系使之對跨部門再培訓、再就業更具適用性，兜底民生、切實改善社會福利等問題，值得我們進一步思考、探索。