近年（nián）来（lái），以深度学习、强化学（xué）习为代表的人工智能技术从（cóng）语（yǔ）言翻译、图像（xiàng）识别、工业自动化等工程技术（shù）领（lǐng）域，拓展到智能生产、智能农（nóng）业、智（zhì）能物流、大数据宏（hóng）观（guān）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（zhēng）选择等（děng）方式避开传统分析方（fāng）法的（de）诸多限（xiàn）制，获得了（le）更好的预测和决策效（xiào）果（guǒ）。为了使人工智（zhì）能技术达到令（lìng）人满意的（de）预（yù）测和决策效果，研究人员往（wǎng）往需要（yào）投入大量（liàng）的（de）数据资源。这一技（jì）术特性使得数据资源（yuán）,成（chéng）为关（guān）键性生产要素。在大数据、智能化、移动互联网（wǎng）、云计算等（děng）日渐普及背景下，人工智能技术作（zuò）为提供信息产（chǎn）品和信息服（fú）务的底层技术，也（yě）是（shì）工（gōng）业（yè）经济（jì）逐（zhú）步向（xiàng）数（shù）字经济转（zhuǎn）型的关键。

人工智能（néng）算法是什么

人工智能算法大致可分作（zuò）监督学习、无监（jiān）督学习与强化（huà）学习。其（qí）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（xí）规（guī）律。在这一类机器学习中，研究人员会（huì）通过（guò）标记（jì）数据的方法，不断调整模型参数以达到学习目的。类似（sì）于父母（mǔ）会向孩子展示（shì）不同颜色、大小（xiǎo）乃至种类的苹果，教（jiāo）会孩（hái）子认（rèn）识“未曾见（jiàn）过”的苹果。这便是监督学习的（de）目的：样本外（wài）预测。

无监督学习则通过训练（liàn）程序，使机器能直接从已有数据中提取（qǔ）特征，对信息进行压缩，用于完成其他任务。如传统（tǒng）的主成分（fèn）分（fèn）析，可以将高维特征使用低维（wéi）度向（xiàng）量（liàng）近似（sì）。例（lì）如，我（wǒ）们（men）可（kě）以使用主成分（fèn）分析技术（shù）压（yā）缩图片（piàn），以达到节（jiē）省储存空间的作（zuò）用（yòng）。因此，这（zhè）类机（jī）器（qì）学习算（suàn）法（fǎ）并不需要以往经验，也被称之为（wéi）无监督学习。

当然，无（wú）监督学（xué）习与（yǔ）监督学习之间并不是彼此对立的关（guān）系，对于（yú）存在部分标注（zhù）的数据（jù），我们也可以使用半监督学习算法。比如（rú）最近比较流（liú）行的对抗神经网络——我们可（kě）以使用该算法学习一系列甲骨文后，令（lìng）它生成多个足以以假乱真、却（què）从（cóng）不代表任何意义的“甲骨（gǔ）文（wén）”，相当于计算程（chéng）序“照虎画虎”却不（bú）知为虎。

此外，强化学习与以上（无、半）监督学习算（suàn）法（fǎ）不同（tóng），强化学习是动（dòng）态优化的延伸（shēn），而（无、半（bàn））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（guò）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（rén）类决策过（guò）程的机器学习算法，类似于让一个智能体无限（xiàn）、快速地感知世界，并通过自身失败或者成功的经验，优（yōu）化自身的决策过程，在这一过（guò）程中计算机程式并（bìng）不那么需要老师。当然，强化学（xué）习也并不能完全同监（jiān）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（liàn）的（de）第一阶段，研究人（rén）员使用了大量的人（rén）类玩家（jiā）棋（qí）谱（pǔ）供AlphaGo模仿学习，这里人（rén）类（lèi）已有经验类（lèi）似于老师；但（dàn）是（shì）在AlphaGo的升级版本ZeroGo中，模仿（fǎng）学习已经（jīng）完全（quán）被摒弃。

为了使人工智能算法拥有（yǒu）普遍适（shì）用性（xìng），我们往往需要大量数（shù）据、算力以及（jí）有效的计算算法（fǎ）。大量数据相当于我们（men）聘请了一个知（zhī）识渊博的（de）老师指导（dǎo）计算机程（chéng）序（xù），高额算力则会赋予（yǔ）计（jì）算机程序更快学习到知识（shí）的能力。人（rén）工智能研究领域一个重要的方向，是不断开（kāi）发能更有效利用既有数据和算（suàn）力的（de）计算算法，相当于为（wéi）计算机程（chéng）序提供更（gèng）好的学习（xí）方（fāng）法（fǎ）和路径。因此，数据标注、云计（jì）算（suàn）、芯片（piàn）设计与算法开（kāi）发，可谓是（shì）人工智能行业的核心（xīn）部分。

人（rén）工智能技术对社（shè）会经济带来什么影响（xiǎng）

事实上，人（rén）工（gōng）智（zhì）能技术作为（wéi）学科起源于20世纪（jì）50年代，比如（rú）“人工智能（néng）之（zhī）父”McCarthy等人在50年代提（tí）出人工智能；决策树（shù）模型起源于上（shàng）世纪（jì）50至60年代，当前广（guǎng）为（wéi）应用（yòng）的神经网络模（mó）型、Q学习强化学习算法（fǎ）则起源于20世纪80年代。但人（rén）工智能技术要想达到媲美人（rén）类决（jué）策的精准度，需要大量训练（经验）数据和（hé）高额算力，因（yīn）此直到2000年以后，人工智能技（jì）术（shù）才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（néng）技术已可替代（dài）人类做（zuò）出大规模的（de）精确决（jué）策，也取代了越（yuè）来越多（duō）的人工岗位。从目前的影响来看，一方面，机器学习应用（yòng）的确（què）替代了部分传统劳动力，产生（shēng）了劳动挤出效应：自（zì）动化机（jī）器人让生（shēng）产流程趋于无人化，自然（rán）语言处理技术可较好完（wán）成大部（bù）分（fèn）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（wù）性质（zhì），从一定程度上减轻了大规模重复性工（gōng）作所需要的劳动力和时间（jiān）消耗。

另一方面，同此前（qián）历次技术革命一样，机器学习（xí）的兴起在提高社会生（shēng）产效率的同时，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（lái），汽（qì）轮机（jī）代替马夫（fū）、车夫，纺织机代替纺织工人，有（yǒu）线电话、无（wú）线电报代替（tì）邮（yóu）差，电子计（jì）算机通过代替手（shǒu）摇计算（suàn）机（jī），节（jiē）省了大量（liàng）手工演算。但需要注意的是，每一（yī）次的科技进步并没有造（zào）成（chéng）社会大量失业，反而会通（tōng）过（guò）提升传（chuán）统（tǒng）行业生产效率和技（jì）术（shù）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（yè）企业生产技术的（de）同时，也在（zài）改变传（chuán）统行业工作内容，新的岗（gǎng）位（wèi）需求（qiú）随之产生。

和任何其（qí）他（tā）的技术创新一（yī）样，机器学习（xí）技术对于不同行业（yè）、不同岗位（wèi）均存在不同程度的影（yǐng）响。对于（yú）那些（xiē）从事生产流程化较（jiào）强（qiáng）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（xīn）、互动类的（de）岗（gǎng）位，机器学习在当前阶段尚无法构成显著冲击。

此外，我们也（yě）需（xū）要（yào）意识到，人工（gōng）智（zhì）能算（suàn）法当前（qián）依旧不能达到“智能”水平。任（rèn）何（hé）一项（xiàng）技术都伴随安全风险（xiǎn），人工智能算法本身同样存在风险，如（rú）大部分监督学习算（suàn）法尚无清晰的逻辑生成过程，这（zhè）不（bú）仅使研究人员无（wú）法对算（suàn）法进（jìn）行有效（xiào）干预，也使（shǐ）人工（gōng）智能算法在训练和预测阶段变得不（bú）那么稳（wěn）健（jiàn）。举（jǔ）一（yī）个简单的（de）例子，在（zài）一个分类算法中，我们在一张三寸大小猫咪照上改（gǎi）变一个（gè）像素点（diǎn），就可能使计算机算法将猫（māo）咪识（shí）别为其他物品，这类做法（fǎ）被（bèi）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（yī）样，由于前期监管未及时（shí）到位，部分企业（yè）会不当利（lì）用其在数据、算（suàn）力和算法上的前期优势，导（dǎo）致出现人工智能技术滥用、部分头部企业垄断性经营（yíng）、隐（yǐn）私数据（jù）泄露甚至是过度依赖算法决策引发的企（qǐ）业运（yùn）营风（fēng）险等，这便（biàn）是人（rén）工智能技术的应（yīng）用风险和衍生风险（xiǎn）。

因此（cǐ），如何发展（zhǎn）引领（lǐng）这一（yī）战略性行业（yè）成为（wéi）当（dāng）下的重中之重——我（wǒ）们需要（yào）思考（kǎo）如（rú）何在经济智慧（huì）化转型期间发挥（huī）好政府的社会兜底功能（néng），如何在私营行业（yè）的算力和科技水（shuǐ）平（píng）超过监管机构时规（guī）范其运行等问题。

与智能技术革（gé）命长处之道在哪里

加（jiā）强研发（fā）投入（rù），统筹（chóu）行（háng）业发展、实现（xiàn）核心行业引（yǐn）领，把握人工智能技术主导权。人（rén）工智能已成为（wéi）事关国（guó）家安全和发展全局的基（jī）础核心领域。当前，我国人（rén）工（gōng）智能发展虽总体态势向上，但在基（jī）础研（yán）究、技术体系、应用（yòng）生态、创新发（fā）展等方面仍存在（zài）不少问题。因此，以学科（kē）交叉、应用转化为抓手带动人工智能领域的基础研究（jiū），加大相关研究财政投入力（lì）度、优化支出结构，对投入基础研（yán）究的企业（yè）实行税收优（yōu）惠等措施，均有助于统筹（chóu）行业（yè）发展（zhǎn）。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（néng）技术主导权。

前（qián）置化、专业（yè）化、灵活（huó）化行业与技术监管，可以更好规范（fàn）行业发（fā）展，营（yíng）造良好（hǎo）数字环境。一（yī）方面，人工智能（néng）行业会（huì）产生垄断、多元化、隐私和伦理方面的负面影响。因此，实现底层算法（fǎ）监管可以有效（xiào）防（fáng）范不透明自动化决策、隐（yǐn）私侵犯等人（rén）工（gōng）智能（néng）相关与（yǔ）衍生风险。另一方（fāng）面，当前人工智（zhì）能行业（yè）发展（zhǎn）正处于（yú）技术（shù）创新和（hé）产业增长的爆发期，在（zài）不断给社（shè）会经济带来发展（zhǎn）红利的同时，其应用形式（shì）和伴（bàn）生业（yè）态的灵（líng）活性（xìng）也意（yì）味（wèi）着，监管框架和（hé）思路也（yě）要随之调整，方能（néng）进一步发挥技术进步带（dài）来的红利（lì）。此外，我们需要配备更加专业（yè）的行业（yè）监（jiān）管队伍，以人工智能技术（shù）赋能人工（gōng）智能监管，前置化（huà）、专业化、灵活化规范人工智能行业，根据不（bú）同人工智能产（chǎn）业发展实际状况差别，灵（líng）活制定监管框架和执（zhí）行规（guī）范（fàn），减少人工智能技（jì）术发展和应（yīng）用面（miàn）临的不必要（yào）障碍（ài），营造良好数（shù）字环境，进一步打造（zào）我国人工智（zhì）能行业（yè）核心竞争力。

深度融合实体经济，发展数字（zì）经济（jì）、探索新型业态。人（rén）工（gōng）智能技术作（zuò）为数字经济发展环节中的核心（xīn）技（jì）术，可（kě）以有效（xiào）将（jiāng）数据（jù）生产要素转化为（wéi）实际（jì）生产（chǎn）力。智能技术与实（shí）体经（jīng）济各领域深度（dù）融合（hé）所带来的生产效率提升以及生产范式改变，是我国宏观（guān）经济转（zhuǎn）型升级的重要驱（qū）动力。因此，深度融（róng）合实（shí）体经济（jì）应是（shì）人工智能行业发展（zhǎn）的一大目标。基于（yú）人工智（zhì）能（néng）技术探索新业态、发展（zhǎn）新模式（shì），推动传统产业转型升级从而加快生产要素（sù）跨区域流（liú）动、融合市场主（zhǔ）体，畅通国内（nèi）外（wài）经济循（xún）环，也是（shì）充（chōng）分立足并（bìng）发挥我国全产业链优势、布局数（shù）字经济优势行业的（de）必然需求。

充分（fèn）发挥市场能（néng）动性，实现（xiàn）人（rén）工智能行业的产、学、研（yán）并举。人工（gōng）智能技（jì）术的长期（qī）健康发（fā）展，离不开（kāi）良好的市场环境和（hé）产业配套（tào）。微观主体能够有效嗅到商机，市场经济在挖掘新业态、探索新模式方面具有相（xiàng）对（duì）优势（shì）。但人工智能（néng）行业作为典型的知识密（mì）集型行业，前（qián）期需要大量研发工作并培养（yǎng）大（dà）批专业技术人员。而（ér）高等院校、科研院所在人才培养和技术创新等环（huán）节（jiē）具备相对优势（shì），是人工智能产业链条上的重（chóng）要核心力（lì）量。因此（cǐ），以（yǐ）市场需求为主导，有（yǒu）机结合企业、高校、科研机构（gòu），形成职（zhí）能和资源优势上的（de）互补协同，为（wéi）智（zhì）能行业（yè）发展提供基础配（pèi）套。以经（jīng）济效益为（wéi）抓（zhuā）手，调动高（gāo）校（xiào）科技人员（yuán）积极性，促进科技成（chéng）果（guǒ）向现实生（shēng）产力（lì）转化，打造人工（gōng）智能行业的健（jiàn）康可持续发展生态。

完善社会保障体系（xì），推（tuī）进个（gè）体发展与技（jì）能培训再就业系统。在大规模机器（qì）学（xué）习技术获得应（yīng）用的背景（jǐng）下，劳动力自身的主（zhǔ）观能动性、个体创新（xīn）力、统筹思考能力（lì）等对社（shè）会经（jīng）济发展和个人发展都极其（qí）重要（yào）。但（dàn）在传统劳动（dòng）力供给与新兴（xìng）劳动（dòng）力需求之间（jiān）依然存在技术鸿沟——传（chuán）统劳动力无法（fǎ）胜任新兴行业的岗位需求。在这一背景下（xià），如何切实推进个（gè）体发展与技能培训的再（zài）就业（yè）系统（tǒng），有（yǒu）效填平技术鸿（hóng）沟，如（rú）何调整社会保障（zhàng）体系使之（zhī）对跨部门（mén）再培训、再（zài）就（jiù）业更具适用性，兜底民生、切实改（gǎi）善社（shè）会福利等（děng）问题，值（zhí）得我们进一步思考、探索。