人工智能引发产业结构深刻变革
原标题：人工智能引发产业结构深刻变革人工智能引发产业结构深刻变革
人工智能(ArtificialIntelligence，AI)作为计算机学科的一个分支，20世纪70年代以来被称为世界三大尖端技术之一。经过多年的不断创新发展，人工智能让智能设备逐步实现从认识物理世界到个性化场景落地的跨越。近年来，通过人工智能提高生产力以及创造全新的产品和服务，已经成为经济竞争和产业升级的迫切需求。
为实体经济创新发展赋能。实体经济是强国之本，富民之基。建设现代化经济体系，必须把发展经济的着力点放在实体经济上。在当前的大环境下，实体经济的创新之路，离不开与人工智能的深度融合。目前，应用型人工智能已经渗透到了各行各业，多种技术组合后与硬件设备或者软件设备的深度融合，改变了不同领域的商业实践，为实体经济的发展注入了新的能量。包括医疗、零售、金融、教育、农业等领域，通过运用自然语言处理(NLP)、计算机视觉与图像(CV)、语音识别等人工智能技术，实现了创新发展。以医疗为例，依托深度学习算法，人工智能在提高健康医疗服务的效率和疾病诊断方面具有天然的优势：一方面是基于计算机视觉通过医学影像诊断疾病；另一方面是基于自然语言处理，先“听懂”患者对症状的描述，然后根据疾病数据库里的内容进行对比和深度学习诊断疾病。这两方面的运用，大大提升了医疗服务效率和体验，对于未来健康医疗行业的发展具有重要的意义。
为产业结构转型升级助力。人工智能正在引发产业结构的深刻变革。越来越多的传统产业在新旧动能转换中，将人工智能作为转型升级的新动力。国务院印发的《新一代人工智能发展规划》强调，要大力发展人工智能新兴产业，包括智能软硬件、智能机器人、智能终端、物联网等，并推动智能产业升级，在制造、农业、物流、金融、商务、家居等重点行业和领域开展人工智能应用试点示范。运用了人工智能的机器设备替代人或与人协同工作，促进了网络智能设计制造与服务，大幅提升了劳动生产率，重塑了产业链与价值创造和分配方式。
推动智能制造业快速发展。加快建设制造强国的核心关键问题，便是人工智能等高新技术与实体经济的深度融合。智能制造作为高性能产业，对提升一国的制造业核心竞争力具有重要的战略意义。智能制造的发展基于人工智能的发展，换言之，人工智能的发展将直接推动智能制造业的快速发展。从智能制造设备到智能车间、智能企业，从智能供应链到智能制造生态系统，制造业趋向高端化、智能化、服务化的产业结构。根据2017中国智能制造创新发展论坛发布的《智能制造创新基地发展规划(2017―2021)》预估，到2020年，中国智能制造产业体系将全面构建，智能装备制造产业销售收入将超过3万亿元，年均增长率可达25%。此外，中国智能产品市场规模也将超过万亿元。智能制造业将迎来下一个蓝海。
2016年，国家发展改革委、科技部、工业和信息化部、中央网信办等联合制定的《“互联网+”人工智能三年行动实施方案》提出，计划到2018年，基本建立人工智能的产业、服务和标准化体系，实现核心技术突破，培育若干全球领先的人工智能骨干企业，形成千亿级的人工智能市场应用规模。未来，人工智能将在国防、医疗、工业、农业、金融、商业、教育、公共安全等领域得到更深入的应用，人工智能应用场景将无处不在，通过与各产业领域的深度融合，形成数据驱动、人机协同、跨界融合、共创分享的智能经济形态。届时，智能家庭、智能企业、智能城市、智能国家、智能世界等，构成智能社会的不同层面；智能环保、智能建筑、智能交通、智能政府、智能医疗等，则构成智能经济的不同领域。
人工智能正在成为新一轮技术和产业变革的趋势，也正在悄然改变着这个世界。这是继工业时代、电气时代、信息时代之后，人类文明的又一重大进步。
(作者：郭军：广东省社会科学院；陈聪：广东广富诚信息科技集团有限公司)
(责编：赵爽、李栋)分享让更多人看到
人工智能产业迎来发展新机遇
习近平总书记强调，人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题。要深刻认识加快发展新一代人工智能的重大意义，加强领导，做好规划，明确任务，夯实基础，促进其同经济社会发展深度融合，推动我国新一代人工智能健康发展。
近年来，我国人工智能产业在技术创新、产业生态、融合应用等方面取得积极进展，已进入全球第一梯队。中国信通院测算，2022年我国人工智能核心产业规模达5080亿元，同比增长18%。
我国人工智能产业的发展现状与发展趋势如何？面临着哪些机遇？今后产业发展有哪些着力点？最近，记者采访了工业和信息化部相关负责人及业内多家企业。
核心技术取得突破，创新能力显著提升
无保护左转、行人车辆避让、自动变道、自动转向、红绿灯识别、窄路及拥堵路段通行、自动绕障……北京轻舟智航科技有限公司不久前推出的基于地平线征程5芯片的“轻舟乘风高阶辅助驾驶解决方案”，支持城市多场景、高速公路、快速路多种复杂路况的点到点辅助驾驶，让开车变得轻松。
包括18个智能水位站、5个流量站、100套森林火灾地表火探测器在内，200余个前端感知点位，将实时数据输送至云从科技主导搭建的综合枢纽数字孪生平台——“天府大脑”，并在数字孪生世界完美复原成都天府新区的生态现状。水体抬升、水质反演、污染等城市应急事件，在AI（人工智能）赋能下完成高效能治理。
六轴机器人轻柔地抓起几十公斤重的电池模组，精准放置到电池包底座上，在AI视觉和100%扭矩监控下完成自动拧紧，安装精度达到0.2毫米……在上汽通用汽车武汉奥特能超级工厂电池车间模组上线工位，由上汽通用工程制造团队与国内顶尖人工智能企业共同开发的“机器人、3D点云视觉、力控感知”技术融合应用，在业内成功落地。
“智能视觉技术在装配工艺中的应用，有效避免了模组在组装过程中由于磕碰造成的潜在安全风险，确保了装配过程电池零损伤。”据工厂负责人介绍，后续的电池包涂胶、合盖、拧紧工艺，也全部基于数字孪生技术的机器人自动完成。通过采用深度学习算法的视觉技术进行多重质量保证，安装工艺实现测量精度小于0.1毫米，确保电池包满足最高密封等级要求。
不仅如此，在武汉奥特能工厂，数字孪生技术已广泛运用于产线规划、设备制造、安装调试、生产运营监测、设备预维护等领域，节省设备建造、调试时间约50%，项目实际投产比规划提前了5个月。
以上事例，是我国人工智能创新能力显著提升的缩影。总体看，有四个方面主要进展：
——人工智能专利申请量居世界首位。据中国信通院测算，2013年至2022年11月，全球累计人工智能发明专利申请量达72.9万项，我国累计申请量达38.9万项，占53.4%；全球累计人工智能发明专利授权量达24.4万项，我国累计授权量达10.2万项，占41.7%。
——创新载体建设取得新进展。一批新型研发机构在人工智能大模型、人工智能计算芯片等领域取得了技术突破。算力基础设施达到世界领先水平。全国一体化大数据中心体系基本构建，“东数西算”工程加快实施；建成一批国家新一代人工智能公共算力开放创新平台。
——关键核心技术局部突破，部分关键应用技术居世界先进水平。我国企业在应用算法、智能芯片、开源框架等关键核心技术上已取得重要突破，图像识别、语音识别等应用技术进入国际先进行列，智能传感器、智能网联汽车等标志性产品有效落地应用。
——产业生态初步形成。目前，我国已有超过400所学校开办人工智能专业，高端人才居全球第二。截至2022年底，全球人工智能代表企业数量27255家，其中我国企业数量4227家，约占全球企业总数的16%。我国人工智能产业已形成长三角、京津冀、珠三角三大集聚发展区。百度、阿里、华为、腾讯、科大讯飞、云从科技、京东等一批AI开放平台初步具备支撑产业快速发展的能力。
融合应用步伐加快，赋能效果持续显现
“春节后，早高峰等车时间变短了，车上也不那么挤了。”2月23日7时40分，李先生在深圳桃源村东72路公交车站登车。他并不知道，车队根据智能排班，车辆周转率提升10%，乘车舒适度也提高了25%。
深圳巴士集团安托山公交车队调度组长陈晓岚告诉记者，去年车队6条线路、72辆公交车安装智能系统后，借助人工智能算法，车队可以通过精准匹配的动态飞线图，全面了解线路客流信息，如哪个时段、哪个区间客流量大，进而调整线路早晚高峰时段的发车频次，增发72路、M500路区间车，提升了线路运营效率，方便了乘客出行。
据了解，目前，深圳已经有6000辆公交车安装了该系统。构建城市级公交大脑不仅帮助公交公司降本增效，还有效推动城市智慧出行。
“伴随着人工智能在智慧城市领域的应用加速落地，我们对智慧城市的理解越来越深，战略也越来越清晰，那就是做自进化城市智能体。”云天励飞副总裁郑文先说，云天励飞拥有算法、芯片、大数据全栈式AI能力，基于对行业场景需求的深刻理解，通过自定义指令集、处理器架构及工具链的协同设计，实现了算法芯片化，进而打造具备多维敏捷感知、海量数据分析、全局实时洞察、持续迭代进化的城市超级大脑，助力智慧城市建设。目前，一系列示范应用已在北京、上海、深圳、青岛、成都等多个城市实现项目落地。
中国电子信息产业发展研究院副总工程师安晖表示，当前，人工智能与一、二、三产业融合成效初显，正在从医疗、交通、制造等先导产业领域向旅游业、农业等领域拓展；智能金融、智能医疗、智能安防、智能交通等领域已经成为人工智能技术产业化落地的热点应用场景；制造业研发设计、工艺仿真、生产制造、产品检测等重点环节智能化水平全面提升。
推动关键核心技术攻关，培育良好发展生态
“作为国内首款可量产的百TOPS级大算力AI芯片，地平线征程5已经获得比亚迪、上汽、一汽等多家主流车企的量产合作项目，首款量产车型已于今年2月落地。”业内专家表示，实现大算力车规级芯片量产，国内芯片企业仍需突破一些关键技术，如先进封装技术、自主IP技术、高算力芯片系统架构，以及功能安全流程、功能安全产品认证、车规可靠性认证等。
车规级智驾和智舱芯片，只是我国人工智能产业链短板之一。安晖认为，总体看，我国人工智能基础理论、核心关键技术积累不足，核心算法、AI框架、芯片及基础元器件与国外差距较大，重大原创科技成果还需要进一步研发。
“实现人工智能产业高水平自主可控，国内企业要加强产学研用协同创新，推动关键核心技术攻关。”安晖列举道，一是大力推进人工智能基础软硬件开发，加强小样本学习、迁移学习等基础技术研究，提升原始创新能力。二是加快智能芯片、深度学习框架及关键算法等共性技术迭代升级与产业化，发展感存算一体化的智能传感器。三是强化知识计算引擎、跨媒体智能、自然语言处理、自主无人系统等技术攻关与应用，加快人工智能安全技术创新。四是加速语音、图像文字等多媒体技术向跨媒体技术提升，推动感知智能向认知智能演进，发展超大规模预训练模型。五是加快人工智能与5G大数据、云计算、区块链等技术的融合创新，鼓励开发融技术产品并加速商业化落地。六是推动类脑智能等前沿技术，前瞻布局人工智能与量子信息、脑机接口等前沿领域探索。
在云从科技副总裁王仲勋看来，我国人工智能企业和初创公司在获得资金支持方面仍存在一定困难，有时无法承担训练大型语言模型的高昂成本，“此外，一些财力雄厚的大企业，项目投资更多关注短期的投资回报率，对长期规划且产出成果不明确的项目存在一定程度的重视不足。”
工信部有关负责人表示，“十四五”期间，我国将加快壮大人工智能产业，培育良好发展生态，具体举措包括：组织由大中小企业联合、产学研共同参与的创新联合体，推动人工智能关键核心技术突破，提升我国智能芯片、开发框架、典型智能产品等水平；加快人工智能在制造、交通、能源等领域的应用，推动重点领域智能化转型；打造产业集群，培育一批具有国际竞争力的人工智能龙头企业，发展一批专精特新企业，依托先导区打造产业集聚发展高地。
以技术突破和应用拓展为主攻方向，依托我国超大规模市场优势吸引全球资源要素，我国人工智能产业正在与实体经济深度融合，成为经济社会发展新的增长引擎。据预测，到2030年，我国人工智能产业规模将达到1万亿元。（王政）
[责编：姜楠]人工智能技术在文化产业中的应用与影响研究
摘要：人工智能技术的发展为文化产业提供了诸多应用性机遇；其中一些关键性技术点与文化产业相结合，可以实现文化内容产生、创意资讯传播以及文化市场管理方面的创新。本文拟从几种主要的人工智能技术出发，介绍在技术与产业相结合过程中形成的代表性应用，同时探讨分析目前的人工智能应用带来的“信息茧房”“机器歧视”等社会问题，从而为我国文化产业发展提供相应的经验。
关键词：人工智能；文化产业；算法公平；信息茧房
人工智能（ArtificialIntelligence，AI）本质上是对人的意识与思维的信息过程的模拟，是指使用机器代替人类完成认知、识别、分析和决策等功能。在《人工智能：一个现代路径》[STUARTJ.RUSSELL&PETERNORVIG,ARTIFICIALINTELLIGENCE:AMODERNAPPROACH1034(3ded.2010),supranote7,at4.]一书中，“人工智能”被定义为：行为是为了获得最好的结果，或者在不确定的情况下，获得期待的最好结果，这是一种“理性行为”选择。在过去的十余年中，人工智能技术在以深度学习为代表的机器学习、语音识别、自然语言生成与处理、计算机视觉等领域取得不少成果，引得全球广泛关注。
世界各国都在积极部署关于人工智能的战略规划，2016年10月，美国和英国双双出台国家人工智能战略。就我国而言，2017年，国务院印发《新一代人工智能发展规划》，其中提出到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元[国务院:新一代人工智能发展规划[J].重庆与世界,2018(02):5-17.]。
基于此，本文重点关注人工智能技术在文化产业――即新闻出版、发行、广播电视、电影、文化艺术、文化信息传输、广告服务和文化休闲娱乐等领域中的应用现状、存在的问题及对策，从而为我国文化产业发展提供可借鉴思路。
一、人工智能的主要技术类型与文化产业中的典型性应用
在美联社于2017年发布的《人工智能工作手册》中，人工智能在新闻业应用最频繁的技术主要有5类，包括机器学习、自然语言技处理术、语音识别技术、机器视觉和机器人技术[余婷,陈实.人工智能在美国新闻业的应用及影响[J].新闻记者,2018(04):33-42.]。在整个文化产业当中，目前应用最为广泛的技术类型是以深度学习为代表的机器学习，其他4类技术类型也均有不少应用落地。
通过上表可知，人工智能中的虚拟代理、机器人自动化、机器学习、深度学习、生物与语音识别、自然语言生成与处理（NLP）、硬件优化与决策管理等技术可以与文化产业中的信息采集、内容生产、信息传播和受众管理等有效结合，提供诸如内容个性化算法、受众目标与偏好识别、自动新闻内容生产等方面的服务，也可以提供在客户管理与市场调研方面的有力手段。
目前，国外一些先进的文化媒体机构对于上述技术的应用已经形成一定的有益经验与有效做法。
首先，在内容生产中，人工智能可以实现自动写作与自动摘要、抽取式新闻写作，并试图使机器像人类一样阅读与思考。
美联社是最早运用AI技术进行自动化写作的媒体之一。2014年，美联社与美国AutomatedInsights公司合作，使用该公司开发的自动化写稿程序Wordsmith来自动编发企业财报新闻。该程序几分钟内可写出150-300字的快讯，每季度能生产4000篇财报新闻，是过去数量的10倍。2015年之后，国内腾讯新闻、新华社和今日头条等也陆续推出了写稿机器人。
其次，在信源数据收集中，人工智能可以基于传根器应用生成内容，实现信息传播的可视化追踪。
NewsTracer是路透社使用的新闻追踪系统，这一系统每天可以对5亿条Twitter信息进行分析，从假新闻、广告和杂音，以及众多的人名、机构和地点中找到真的新闻事件与线索，这让记者能够从社交媒体的众多信息中脱身，把更重要的时间用来挖掘故事。
第三，在文化创意视频类服务中，人工智能可以实现文本和视频之间的转换、高效寻找视频片段与资源以及优化视频内容搜索等。
Zorroa是美国的一家视觉资产管理公司，2017年，公司推出企业可视化智能平台（EVI），帮助用户对大型数据库中的可视资产进行搜索和运行分析。在与索尼影业的合作中，EVI通过面部识别、图像分类、机器学习等方式整理、分析了索尼多年来积累的数百万小时的视觉资产。使用该平台后，平时需要27小时才能搜索到的特定视频资源，仅需3分钟即可检索到，为索尼影业的视频资源开发带来极大的便利[https://zorroa.com/case-studies/]。
第四，在文化信息传播中，人工智能可以通过受众的好奇点与文化传媒内容进行匹配、通过信号源获取受众的兴趣点，并且精准分析受众，预测其内容消费需求，实现精准投放。
Netflix是在用户个性化分发业务上较为成熟的视频网站。2016年年报显示，Netflix拥有9300万全球会员，每天流媒体播放超过1.25亿小时的电视节目和电影。预测用户想要观看的内容是其公司业务模式的关键部分。2016年，Netflix开发名为Meson的应用程序，构建、培训和验证个性化算法，提供视频推荐建议。类似的企业还有IRIS.TV等，该公司曾在三个月的时间内运用个性化分发，将其客户所在公司的观众存留率提高了50%[https://www.techemergence.com/ai-in-movies-entertainment-visual-media/]。
最后，在市场调研与客户管理方面，人工智能可以获知受众对内容消费的使用特点、通过深度神经网络技术来感知受众对文化内容的情感参与和变化，从而进行有效的客户管理与市场营销。
2016年，日本广告公司MaCannEricksonJapan聘用了全球第一个使用人工智能开发的机器人创意总监AI-CD?。当年9月，机器人创意总监与人类创意总监以同一个广告主题各自开发了10分钟的广告片，并交由全国民意调查评判。尽管人类创意总监以8%的微弱优势险胜，AI在受众分析与市场营销方面的潜力不容小觑。
可见，人工智能已经显著改变了媒体格局――包括观众发现和参与内容的方式，以及内容创建和分发给观众的方式。目前，算法不仅会影响受众在不同平台上看到的内容，还会首先影响平台生产和创建的内容。人工智能从根本上改变了受众行为和创作过程。
二、人工智能应用对文化产业发展的影响与启示
尽管统计显示，就目前的全球文化产业而言，仅有8%的文化企业已经部署并使用了人工智能技术应用[https://www.ibc.org/tech-advances/the-future-is-artificial-ai-adoption-in-broadcast-and-media/2549.article]，但人工智能技术对文化产业乃至整个社会的影响已经有所显露。
就其积极意义而言，人工智能技术在提高内容生产效率、提升用户留存率以及优化文化产业资产管理等方面存在重要意义、毋庸置疑的高效率和部分的不可替代性。而就其消极影响而言，内容分发的局限性开始受到社会关注；人工智能算法的公平化、透明化一度遭受质疑；算法带来的偏见与歧视又引发社会伦理问题；人工智能应用背后的商业力量或许是造成这一系列问题的原因之一……
不少科技界声名显赫的人物也因此表达了对人工智能未来发展的担忧，如特斯拉创始人埃隆・马斯克曾说：“我们应该十分小心地看待人工智能。我越来越倾向于认为，在国际或者国家层面上应当有相应的人工智能监管措施，以防人类做出不可挽回的事情来。”微软创始人比尔・盖茨、物理学家史蒂芬・霍金等也表达了类似的看法。未来人工智能应用将在何种程度上造福于人类，部分取决于今天我们在何种程度上理解并解决人工智能可能产生的问题与自有弊端。
具体而言，本文将从如下三方面阐述人工智能应用的问题、影响与对策：
（一）内容分发的局限性：“信息茧房”
如今的网络文化空间，从某种意义上说，是一个算法帮助公众做决定的环境。如果说曾经的传统媒体为公众搭建了一个“拟态环境”，不同的编辑部依托各自的编辑方针、新闻判断原则，以“议程设置”的方式决定着每日媒体内容的生产加工，那如今，在网络媒体中这一权力部分地转交给了算法。算法可以决定人们阅读哪些新闻，观看哪些视频，收到哪些广告，人们的数字存在（DigitalExistence）日益受到算法左右。
文化传媒企业使用算法决定内容推荐的初衷是在于解决信息过载的问题，提高用户获取信息的效率，更希望借此增加用户的沉浸时长，提高应用的用户忠诚度和留存率。因此，企业利用大数据主动搜集用户信息，根据用户自身兴趣，为用户定制个性化内容，形成一整套精确的内容分发模式。Facebook信息流产品Newsfeed、对话式新闻产品微软小冰和Quartz、今日头条以及Netflix、IRIS.TV等一系列人工智能应用均属于此类型。
这一初衷是好的，但问题出在“精确”上。信息越精确，代表着信息涉及的范围越狭窄。人工智能研究者已经发现，仅仅关注推荐系统的精确度远远不够，这会导致用户难以获取足够的信息增量，视野越来越狭隘。美国学者桑斯坦在其著作《信息乌托邦》[凯斯・R・桑斯坦.信息乌托邦:众人如何生产知识[M].法律出版社,2008：206-208.]中指出，人们借助网络平台和技术工具，在海量的信息中，完全根据自己的喜好定制报纸和杂志，进行一种完全个人化的阅读。在信息传播中，因公众自身的信息需求并非全方位的，公众只注意自己选择的东西和使自己愉悦的通讯领域，久而久之，会将自身桎梏于像蚕茧一般的“信息茧房”中。
学术界不少学者指出“信息茧房”问题的危害，将“信息茧房”与群体极化、证实性偏见等议题关联起来。学者陈昌凤认为，信息的个人化偏向容易产生詹姆斯・斯托纳（JamesStoner）1961年提出的群体极化现象，即团体成员从开始只是有某些偏向，通过协商、讨论，逐渐朝偏向的方向继续移动、形成极端的观点，甚至引发社会波动，如散播错误信息、形成极端性社会团体、公共理性批判缺失等[陈昌凤,张心蔚.信息个人化、信息偏向与技术性纠偏――新技术时代我们如何获取信息[J].新闻与写作,2017(08):42-45.]。与此同时，人们总是倾向于寻找、阅读自己认同的信息来佐证自己的认知，加深了信息的个人化偏向。对垂直细分领域内容的追逐，弱化了公共事务领域内容的传播，网络社会中传统媒体讲求的“社会公器”意义式微，一个对公共事务冷漠、毫无参与感与同理心的社会将会是“信息茧房”之下最极端也最为悲剧性的结局。
对此，文化传媒企业和公众这两个主体都需要采取一定的对策。对于文化企业而言，应当在推荐的精确度指标之外，加入新的算法推荐考量指标，如多样性、覆盖率、新颖性等；另外，有研究表明，基于关联规则的推荐方法要优于基于内容规则的推荐方法，更易为用户发掘新的兴趣点，现有的障碍在于关联规则难以抽取、耗时长[刘辉,郭梦梦,潘伟强.个性化推荐系统综述[J].常州大学学报(自然科学版),2017,29(03):51-59.]。
而对于公众而言，文化传媒企业设置算法推荐的初衷就有迎合用户喜好的意味，用户越是喜欢哪一类内容，平台就越是推荐哪一类内容。因此用户想要逃离“信息茧房”，第一个步骤就是反省自身，提升自身的媒介素养。平台可以帮助用户实现媒介素养提升，如每周发布用户阅读周报，告知用户在阅读中各类型信息的占比情况，提示用户哪一类信息了解匮乏等，起到一定的督促作用。
（二）从算法偏见到机器歧视――算法的公平与透明化困境
当我们在日常生活中的决策权部分地交给算法之后，我们本能地期待着一个更加公平、透明的环境。但是，一个不容忽视的问题是：算法或者机器真的能够做到公平、公正、不偏不倚吗？算法的规则是否本身就带有人类固有的偏见呢？
2015年5月，Google的照片应用加入自动标签功能，应用更新不久，一位黑人程序员发现自己的照片竟然被Google打上“大猩猩”的标签。Flickr类似的自动标签系统也犯过大错，曾把人标记为猿，把集中营标记为健身房。2016年3月，微软公司的人工智能聊天机器人Tay上线。可是上线不到一天，Tay就被网民“教育”成为一个集反犹太人、性别歧视、种族歧视等于一身的“坏孩子”，被强制下线。此外，有研究称谷歌广告服务会默认为女性用户推送比男性用户薪水更低的广告。这些事件一方面反映出现有的人工智能、机器学习技术的不成熟，另一方面，机器歧视（MachineBias）问题开始进入公众视野。
2017年，Pew研究中心曾在研究报告《算法时代》[LeeRainie,JannaAnderson:Code-Dependent:ProsandConsoftheAlgorithmAge,http://www.pewinternet.org/2017/02/08/code-dependent-pros-and-cons-of-the-algorithm-age/]中指出：“算法的客观中立仅仅是理想，创建算法的人即使尽量做到客观中立，也不可避免地受到自身成长环境、教育背景、知识结构和价值观的影响。此外，创建算法所依赖的底层数据的有限性也会导致算法偏见。”
那么，算法偏见的来源在哪里？首先，存在错误、不准确和无关的数据可能导致偏见。输入不完美、甚至有错误的数据，自然会得到错误、有偏见的结果。
其次，机器学习的过程可能是偏见的另一个重要来源。例如，一个用于纠错的机器学习模型在面对大量姓名的时候，如果某姓氏极为少见，那它在全部数据中出现的频率也极低，机器学习模型便有可能将包含这个姓氏的名字标注为错误，这对罕见姓氏拥有者和少数民族（姓氏与非少数民族不同）而言就会造成歧视[曹建峰.人工智能:机器歧视及应对之策[J].信息安全与通信保密,2016(12):15-19.]。这类歧视的来源并非程序人员有意识的选择，具有难以预料、无法估计的特点。
再者，正如Pew报告所指出的，算法可能先入为主地默认了算法创建者或者底层数据中带有的价值判断，从而产生了性别、宗教和种族方面的歧视。这类歧视主要是由于产品设计（DiscriminationbyDesign）的局限性。
种种算法偏见与机器歧视的案例让我们不禁怀疑，“公平”这一社会理念到底是否可以被操作化，成为被准确量化的算法规则。而与此同时，机器自动化决策的不透明性使得准确量化公平难上加难。机器决策是经由算法这一“黑箱”（Blackbox）完成的，也就是说，不论是普通人还是熟悉公平原则的社会学者，均无法了解算法的内在机制、原理，更无法监督机器的决策过程。因此，当算法的编程人员不清楚或者未能统一“公平”的内涵与规则时，他们自身的偏见就会在一定程度上影响算法，同时他们也可能会忽视算法可能产生的偏见，不公平的人工智能应用随之产生。
正如学者DanielleK.Citron在《技术正当程序》中所说，对于关乎个体权益的自动化决策系统、算法和人工智能，考虑到算法和代码，而非规则，日益决定各种决策工作的结果，人们需要提前构建技术公平规则，通过设计保障公平的实现，并且需要技术正当程序，来加强自动化决策系统中的透明性以及被写进代码中的规则的准确性。
日前，美国弗吉尼亚大学学者AhmedAbbasi等在《让“设计公平”成为机器学习的一部分》（Make“FairnessbyDesign”PartofMachineLearning）一文[https://hbr.org/2018/08/make-fairness-by-design-part-of-machine-learning]中指出，可以通过将数据科学家与社会科学家组队、谨慎打标签、将传统的机器学习指标与公平度量相结合、平衡代表性与群聚效应临界点（criticalmassconstraints）以及保持意识等方法减少算法形成歧视的可能性。其中，“平衡代表性与群聚效应临界点”是指在对数据进行采样时，应既考虑数据的整体特征，同时不忽略某个特定少数群体或者极端数据情况。只有这样，机器学习模型在预测一个普通人和一个特殊群体时，才能都给出更为准确的答案。
另外，谷歌也开始倡导“机会平等”，试图将反歧视纳入算法。还有学者引入“歧视指数”的概念，为设计“公平”的算法提供具体方法。我们必须清楚，人工智能总是通过一个快速且脱离人类社会与历史的学习来完成自我构建，因而一个未经完善的机器学习模型必然存在“道德缺陷”。在人工智能应用的构建中，人类与人类长久以来葆有的道德与社会规则不能缺席。
（三）人工智能应用背后的力量
“信息茧房”的形成不是由于信息广度不足，内容生产不够，而是由于信息推荐固定地集中在某一特定领域造成了信息的窄化；算法偏见的形成不是由于机器学习具有天生的弊端，而是由于人类未将公平公正的原则纳入算法考量之中。人工智能应用背后存在着的，是人的力量与符合经济社会的商业逻辑。
为了迎合消费者，信息推荐系统会将消费者的阅读“口味”作为依据。当搜索引擎通过机器学习意识到，搜索八卦新闻的人愿意在日后更多地看到八卦新闻，为了提升用户留存度，搜索引擎会相应地减少其他类型新闻推荐。
为了满足商家，人工智能产品会把更昂贵的产品卖给用户忠诚度高的用户，即“大数据杀熟”现象。同时，为了更加精准地进行广告投放，人工智能偶尔也会忽视公平原则，例如女性用户通常会收到比男性用户薪资低的推荐广告。这样的现象发人深省，未来是否有必要通过一定的法律手段，要求包括文化企业在内的商家作出“不作恶”的商业承诺。
整体而言，我们的社会正被人工智能推向一个新的发展节点。正如[金兼斌.人工智能将给传媒业带来什么?[J].中国传媒科技,2017(05):1.]学者指出，社会和传媒技术的发展，从来都不是线性和匀速的。从工业革命到信息技术革命，每一次社会巨变都伴随着这样一个临界时刻。今天，我们已经能够感受到，我们的日常生活――包括媒介生活中的许多基础性的东西，正在被人工智能应用所搅动。在这样的时刻，只有紧抓机遇、规避风险、解决弊病，才能真正实现行业和社会的跨越式发展。我国的文化产业走到了一个崭新的路口，新的机遇在等待着它。
(责编：尹峥、赵光霞)分享让更多人看到
人工智能产业生态图：人工智能产业发展现状及趋势
人工智能作为新一轮产业变革的核心驱动力，将催生新的技术、产品、产业、业态、模式，从而引发经济结构的重大变革，实现社会生产力的整体提升。
麦肯锡预计：到2025年全球人工智能应用市场规模总值将达到1270亿美元，人工智能将是众多智能产业发展的突破点。
通过对人工智能产业分布进行梳理，提出了人工智能产业生态图，主要分为：核心业态、关联业态、衍生业态三个层次。
人工智能产业生态图
下面将重点对核心业态包含的智能基础设施建设、智能信息及数据、智能技术服务、智能产品四个方面展开介绍，并总结人工智能行业应用及产业发展趋势。
智能基础设施智能基础设施为人工智能产业提供计算能力支撑，其范围包括智能传感器、智能芯片、分布式计算框架等，是人工智能产业发展的重要保障。
1.智能芯片智能芯片从应用角度可以分为训练和推理两种类型。从部署场景来看，可以分为云端和设备端两步大类。
训练过程由于涉及海量的训练数据和复杂的深度神经网络结构，需要庞大的计算规模，主要使用智能芯片集群来完成。与训练的计算量相比，推理的计算量较少，但仍然涉及大量的矩阵运算。目前，训练和推理通常都在云端实现，只有对实时性要求很高的设备会交由设备端进行处理。
按技术架构来看，智能芯片可以分为通用类芯片（CPU、GPU、FPGA）、基于FPGA的半定制化芯片、全定制化ASIC芯片、类脑计算芯片（IBMTrueNorth）。另外，主要的人工智能处理器还有DPU、BPU、NPU、EPU等适用于不同场景和功能的人工智能芯片。
随着互联网用户量和数据规模的急剧膨胀，人工智能发展对计算性能的要求迫切增长，对CPU计算性能提升的需求超过了摩尔定律的增长速度。同时，受限于技术原因，传统处理器性能也无法按照摩尔定律继续增长，发展下一代智能芯片势在必行。
未来的智能芯片主要是在两个方向发展：
一是模仿人类大脑结构的芯片；二是量子芯片。智能芯片是人工智能时代的战略制高点，预计到2020年人工智能芯片全球市场规模将突破百亿美元。
2.智能传感器智能传感器是具有信息处理功能的传感器，智能传感器带有微处理机，具备采集、处理、交换信息等功能，是传感器集成化与微处理机相结合的产物。
智能传感器属于人工智能的神经末梢，用于全面感知外界环境。各类传感器的大规模部署和应用为实现人工智能创造了不可或缺的条件。不同应用场景，如：智能安防、智能家居、智能医疗等对传感器应用提出了不同的要求。
未来，随着人工智能应用领域的不断拓展，市场对传感器的需求将不断增多，2020年市场规模有望突破4600亿美元。未来，高敏度、高精度、高可靠性、微型化、集成化将成为智能传感器发展的重要趋势。
3.分布式计算框架面对海量的数据处理、复杂的知识推理，常规的单机计算模式已经不能支撑。所以，计算模式必须将巨大的计算任务分成小的单机可以承受的计算任务，即云计算、边缘计算、大数据技术提供了基础的计算框架。
目前流行的分布式计算框架，如：OpenStack、Hadoop、Storm、Spark、Samza、Bigflow等。各种开源深度学习框架也层出不穷，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon等等。
智能信息及数据信息数据是人工智能创造价值的关键要素之一，我国庞大的人口和产业基数带来了数据方面的天生优势。随着算法、算力技术水平的提升，围绕数据的采集、分析、处理产生了众多的企业。
目前，在人工智能数据采集、分析、处理方面的企业主要有两种：
一种是数据集提供商，以提供数据为自身主要业务，为需求方提供机器学习等技术所需要的不同领域的数据集；另一种是数据采集、分析、处理综合性厂商，自身拥有获取数据的途径，并对采集到的数据进行分析处理，最终将处理后的结果提供给需求方进行使用。对于一些大型企业，企业本身也是数据分析处理结果的需求方。智能技术服务智能技术服务主要关注如何构建人工智能的技术平台，并对外提供人工智能相关的服务。此类厂商在人工智能产业链中处于关键位置，依托基础设施和大量的数据，为各类人工智能的应用提供关键性的技术平台、解决方案和服务。
目前，从提供服务的类型来看，提供技术服务厂商包括以下几类：
（1）提供人工智能的技术平台和算法模型
此类厂商主要针对用户或者行业需求，提供人工智能技术平台以及算法模型。用户可以在人工智能平台之上，通过一系列的算法模型来进行人工智能的应用开发。此类厂商主要关注人工智能的通用计算框架、算法模型、通用技术等关键领域。
（2）提供人工智能的整体解决方案
此类厂商主要针对用户或者行业需求，设计和提供包括软、硬件一体的行业人工智能解决方案，整体方案中集成多种人工智能算法模型以及软、硬件环境，帮助用户或行业解决特定的问题。此类厂商重点关注人工智能在特定领域或者特定行业的应用。
（3）提供人工智能在线服务
此类厂商一般为传统的云服务提供厂商，主要依托其已有的云计算和大数据应用的用户资源，聚集用户的需求和行业属性，为客户提供多类型的人工智能服务。
从各类模型算法和计算框架的API等特定应用平台到特定行业的整体解决方案等，进一步吸引大量的用户使用，从而进一步完善其提供的人工智能服务。
此类厂商主要提供相对通用的人工智能服务，同时也会关注一些重点行业和领域。
需要指出的是：上述三类角色并不是严格区分开的，很多情况下会出现重叠，随着技术的发展成熟，在人工智能产业链中已有大量的厂商同时具备上述两类或者三类角色的特征。
智能产品智能产品是指将人工智能领域的技术成果集成化、产品化，具体的分类如下表所示：
人工智能产品
随着制造强国、网络强国、数字中国建设进程的加快，在制造、家居、金融、教育、交通、安防、医疗、物流等领域对人工智能技术和产品的需求将进一步释放，相关智能产品的种类和形态也将越来越丰富。
人工智能行业应用人工智能与行业领域的深度融合将改变甚至重新塑造传统行业，本节重点介绍人工智能在制造、家居、金融、交通、安防、医疗、物流行业的应用，由于篇幅有限，其它很多重要的行业应用在这里不展开论述。
1. 智能制造智能制造是基于新一代信息通信技术与先进制造技术深度融合，贯穿于设计、生产、管理、服务等制造活动的各个环节，具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。
智能制造对人工智能的需求，主要表现在以下三个方面：
一是智能装备，包括自动识别设备、人机交互系统、工业机器人以及数控机床等具体设备，涉及到跨媒体分析推理、自然语言处理、虚拟现实智能建模及自主无人系统等关键技术。二是智能工厂，包括智能设计、智能生产、智能管理以及集成优化等具体内容，涉及到跨媒体分析推理、大数据智能、机器学习等关键技术。三是智能服务，包括大规模个性化定制、远程运维以及预测性维护等具体服务模式，涉及到跨媒体分析推理、自然语言处理、大数据智能、高级机器学习等关键技术。例如：现有涉及智能装备故障问题的纸质化文件，可通过自然语言处理，形成数字化资料，再通过非结构化数据向结构化数据的转换，形成深度学习所需的训练数据，从而构建设备故障分析的神经网络，为下一步故障诊断、优化参数设置提供决策依据。
2.智能家居参照工业和信息化部印发的《智慧家庭综合标准化体系建设指南》，智能家居是智慧家庭八大应用场景之一。受产业环境、价格、消费者认可度等因素影响，我国智能家居行业经历了漫长的探索期。
至2010年，随着物联网技术的发展以及智慧城市概念的出现，智能家居概念逐步有了清晰的定义并随之涌现出各类产品，软件系统也经历了若干轮升级。
智能家居以住宅为平台，基于物联网技术，由硬件（智能家电、智能硬件、安防控制设备、家具等）、软件系统、云计算平台构成的家居生态圈，实现人远程控制设备、设备间互联互通、设备自我学习等功能，并通过收集、分析用户行为数据为用户提供个性化生活服务，使家居生活安全、节能、便捷等。
例如：借助智能语音技术，用户应用自然语言实现对家居系统各设备的操控，如开关窗帘（窗户）、操控家用电器和照明系统、打扫卫生等操作。借助机器学习技术，智能电视可以从用户看电视的历史数据中分析其兴趣和爱好，并将相关的节目推荐给用户。
通过应用声纹识别、脸部识别、指纹识别等技术进行开锁等。通过大数据技术可以使智能家电，实现对自身状态及环境的自我感知，具有故障诊断能力。通过收集产品运行数据，发现产品异常，主动提供服务，降低故障率。还可以通过大数据分析、远程监控和诊断，快速发现问题、解决问题及提高效率。
3.智能金融人工智能的飞速发展，将对身处服务价值链高端的金融业带来深刻影响，人工智能逐步成为决定金融业沟通客户、发现客户金融需求的重要因素。
人工智能技术在金融业中可以用于服务客户，支持授信、各类金融交易和金融分析中的决策，并用于风险防控和监督，将大幅改变金融现有格局，金融服务将会更加地个性化与智能化。
智能金融对于金融机构的业务部门来说，可以帮助获客，精准服务客户，提高效率；对于金融机构的风控部门来说，可以提高风险控制，增加安全性；对于用户来说，可以实现资产优化配置，体验到金融机构更加完美地服务。人工智能在金融领域的应用主要包括：智能获客、依托大数据、对金融用户进行画像，通过需求响应模型，极大地提升获客效率。身份识别，以人工智能为内核，通过人脸识别、声纹识别、指静脉识别等生物识别手段，再加上各类票据、身份证、银行卡等证件票据的OCR识别等技术手段，对用户身份进行验证，大幅降低核验成本，有助于提高安全性。
大数据风控，通过大数据、算力、算法的结合，搭建反欺诈、信用风险等模型，多维度控制金融机构的信用风险和操作风险，同时避免资产损失。
智能投顾，基于大数据和算法能力，对用户与资产信息进行标签化，精准匹配用户与资产。
智能客服，基于自然语言处理能力和语音识别能力，拓展客服领域的深度和广度，大幅降低服务成本，提升服务体验。
金融云，依托云计算能力的金融科技，为金融机构提供更安全高效的全套金融解决方案。
4.智能交通智能交通系统（IntelligentTrafficSystem，ITS）是通信、信息和控制技术在交通系统中集成应用的产物。ITS借助现代科技手段和设备，将各核心交通元素联通，实现信息互通与共享以及各交通元素的彼此协调、优化配置和高效使用形成人、车和交通的一个高效协同环境，建立安全、高效、便捷和低碳的交通。
例如：通过交通信息采集系统采集道路中的车辆流量、行车速度等信息，信息分析处理系统处理后形成实时路况，决策系统据此调整道路红绿灯时长，调整可变车道或潮汐车道的通行方向等，通过信息发布系统将路况推送到导航软件和广播中，让人们合理规划行驶路线。
通过不停车收费系统（ETC），实现对通过ETC入口站的车辆身份及信息自动采集、处理、收费和放行，有效提高通行能力、简化收费管理、降低环境污染。
ITS应用最广泛的地区是日本，其次是美国、欧洲等地区。中国的智能交通系统近几年也发展迅速，在北京、上海、广州、杭州等大城市已经建设了先进的智能交通系统。
其中，北京建立了道路交通控制、公共交通指挥与调度、高速公路管理和紧急事件管理等四大ITS系统。广州建立了交通信息共用主平台、物流信息平台和静态交通管理系统等三大ITS系统。
5.智能安防智能安防技术是一种利用人工智能对视频、图像进行存储和分析，从中识别安全隐患并对其进行处理的技术。智能安防与传统安防的最大区别在于智能化，传统安防对人的依赖性比较强，非常耗费人力，而智能安防能够通过机器实现智能判断，从而尽可能实现实时地安全防范和处理。
当前，高清视频、智能分析等技术的发展，使得安防从传统的被动防御向主动判断和预警发展，行业也从单一的安全领域向多行业应用发展，进而提升生产效率并提高生活智能化程度，为更多的行业和人群提供可视化及智能化方案。
用户面对海量的视频数据，已无法简单利用人海战术进行检索和分析，需要采用人工智能技术作专家系统或辅助手段，实时分析视频内容，探测异常信息，进行风险预测。
从技术方面来讲，目前国内智能安防分析技术主要集中在两大类：
一类是采用画面分割前景提取等方法，对视频画面中的目标进行提取检测，通过不同的规则来区分不同的事件，从而实现不同的判断并产生相应的报警联动等。例如：区域入侵分析、打架检测、人员聚集分析、交通事件检测等。另一类是利用模式识别技术，对画面中特定的物体进行建模，并通过大量样本进行训练，从而达到对视频画面中的特定物体进行识别，如车辆检测、人脸检测、人头检测（人流统计）等应用。智能安防目前涵盖众多的领域，如街道社区、道路、楼宇建筑、机动车辆的监控，移动物体监测等。今后智能安防还要解决海量视频数据分析、存储控制及传输问题，将智能视频分析技术、云计算及云存储技术结合起来，构建智慧城市下的安防体系。
6.智能医疗人工智能的快速发展，为医疗健康领域向更高的智能化方向发展，提供了非常有利的技术条件。近几年，智能医疗在辅助诊疗、疾病预测、医疗影像辅助诊断、药物开发等方面发挥重要作用。
在辅助诊疗方面，通过人工智能技术可以有效提高医护人员工作效率，提升一线全科医生的诊断治疗水平。如利用智能语音技术可以实现电子病历的智能语音录入;利用智能影像识别技术，可以实现医学图像自动读片;利用智能技术和大数据平台，构建辅助诊疗系统。
在疾病预测方面，人工智能借助大数据技术可以进行疫情监测，及时有效地预测并防止疫情的进一步扩散和发展。
以流感为例：很多国家都有规定，当医生发现新型流感病例时需告知疾病控制与预防中心。但由于人们可能患病不及时就医，同时信息传达回疾控中心也需要时间。因此，通告新流感病例时往往会有一定的延迟，人工智能通过疫情监测能够有效缩短响应时间。
在医疗影像辅助诊断方面，影像判读系统的发展是人工智能技术的产物。早期的影像判读系统主要靠人手工编写判定规则，存在耗时长、临床应用难度大等问题，从而未能得到广泛推广。
影像组学是通过医学影像对特征进行提取和分析，为患者预前和预后的诊断和治疗提供评估方法和精准诊疗决策。这在很大程度上简化了人工智能技术的应用流程，节约了人力成本。
7.智能物流传统物流企业在利用条形码、射频识别技术、传感器、全球定位系统等方面优化改善运输、仓储、配送装卸等物流业基本活动。同时也在尝试使用智能搜索、推理规划、计算机视觉以及智能机器人等技术，实现货物运输过程的自动化运作和高效率优化管理，提高物流效率。
例如：在仓储环节，利用大数据智能通过分析大量历史库存数据，建立相关预测模型，实现物流库存商品的动态调整。大数据智能也可以支撑商品配送规划，进而实现物流供给与需求匹配、物流资源优化与配置等。
在货物搬运环节，加载计算机视觉、动态路径规划等技术的智能搬运机器人（如搬运机器人、货架穿梭车、分拣机器人等）得到广泛应用，大大减少了订单出库时间，使物流仓库的存储密度、搬运的速度、拣选的精度均有大幅度提升。
人工智能产业发展趋势从人工智能产业进程来看，技术突破是推动产业升级的核心驱动力。数据资源、运算能力、核心算法共同发展，掀起人工智能第三次新浪潮。人
工智能产业正处于从感知智能向认知智能的进阶阶段，前者涉及的智能语音、计算机视觉及自然语言处理等技术，已具有大规模应用基础。但后者要求的“机器要像人一样去思考及主动行动”仍尚待突破，诸如：无人驾驶、全自动智能机器人等仍处于开发中，与大规模应用仍有一定距离。
1.智能服务呈现线下和线上的无缝结合分布式计算平台的广泛部署和应用，增大了线上服务的应用范围。同时人工智能技术的发展和产品不断涌现，如智能家居、智能机器人、自动驾驶汽车等，为智能服务带来新的渠道或新的传播模式，使得线上服务与线下服务的融合进程加快，促进多产业升级。
2.智能化应用场景从单一向多元发展目前人工智能的应用领域还多处于专用阶段，如人脸识别、视频监控、语音识别等都主要用于完成具体任务，覆盖范围有限，产业化程度有待提高。随着智能家居、智慧物流等产品的推出，人工智能的应用终将进入面向复杂场景，处理复杂问题，提高社会生产效率和生活质量的新阶段。
3.人工智能和实体经济深度融合进程将进一步加快党的十九大报告提出：“推动互联网、大数据、人工智能和实体经济深度融合”。
一方面，随着制造强国建设的加快，将促进人工智能等新一代信息技术产品发展和应用，助推传统产业转型升级，推动战略性新兴产业实现整体性突破。
另一方面，随着人工智能底层技术的开源化，传统行业将有望加快掌握人工智能基础技术并依托其积累的行业数据资源实现人工智能与实体经济的融合创新。
#专栏作家#拼搏的80后，人人都是产品经理专栏作家。10年互联网从业经历，具有各类型B端、C端产品的设计经验，关注区块链及人工智能的技术发展及应用场景探索。
本文原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议