人工智能为何会发展的如此迅速
人工智能近年来的迅猛发展，预示着其将为仓库运作方式带来革命性的变革。但在企业决定在运营实践中引入并实施这一新技术之前，必须要确保已拥有相关数据及所需人才。
对相关企业而言，即时关注并对供应链技术的进步具有敏感性几乎已经成为必须。机器人技术、自动化、数据分析和工业物联网等各种新技术，正在逐步展示出其在提升货物运输，处理，存储和配送效率方面的潜力。这些新技术的不断涌现，使得我们很难确认究竟应把注意力集中在哪一方面。
在这其中一项值得仔细研究的新技术是人工智能(AI)。简单而言，人工智能是计算机系统发展到一定阶段的产物，即代为执行通常需要人类智能参与的任务（如视觉感知、语音识别、决策和语言翻译）。人工智能出现于1956年，但绝大多数情况下，我们都必须将智能程序明确地输入到计算机中。
近年来，机器学习作为一种典型的人工智能技术。机器学习主要是探索如何可以使计算机程序通过对输入数据的学习来提高其输出性能。这些程序可以嵌入在机器中，也可以在服务器或云端操作。亚马逊(Amazon)、谷歌、Facebook、微软(Microsoft)等大型科技公司已经将机器学习融入到他们的产品和服务中，为用户提供：相关度更高的网络搜索内容，更好的图像与语音识别技术以及更智能化的设备。
机器学习与数据分析（收集、转换及数据分析的流程）之间有一些相似之处。两者都需要一个经过清理的、多样化的、大型的数据库才能有效地运作。然而，主要的区别在于，数据分析允许用户从数据中得出结论，进而要求用户采取相应措施来改善其供应链。相比较而言，对于已处于可解决范畴内的问题，机器学习可以基于“训练数据库”自动执行操作（本文后续关于监督学习的部分将对此进行讨论）。基于其允许任务自动执行这一特性，人工智能—尤其是机器学习—对许多供应链管理人员来说都是一项值得关注的重要技术。对于今天的许多企业来讲，制定并实施供应链相关的人工智能战略，将使其随着技术的逐渐成熟，提升自身的生产力、速度与效率。
一、人工智能的发展现状
人工智能近期的迅猛发展，得益于以下因素的共同作用。第一，各种设备的互通互连而产生的数据量的增长以及促使日常生活数字化的高级传感器的使用的增长。第二，从移动设备到云计算，各种设备的计算能力也在持续增长。因此，机器学习可以运行在最新的硬件运算设备上，同时获取大批量、多样化及高质量的数据库，进而自动执行各种任务。
案例一：
下面是一个众多消费者将逐渐熟悉的场景。如果你有一个iphone而且每天早晨通勤上下班，最近一段时间你可能留意到了以下情况：当你坐进汽车的时候，你的手机将自动提示你开车去公司将需要多少时间，根据实时的路况信息给出最佳行车路线的建议。当这一现象第一次发生时，你可能会有这样的疑惑：“手机怎么会知道我要去上班？感觉很酷，但也有一点点恐怖”。
因为内置了机器学习功能，手机可以根据你过去做过的事情来预测你将要什么。如果你换了新工作或者开车去了另外一个目的地，设备会自动调整它的预测，并根据新的目的地发出新的通知。这一应用场景的特别强大之处在于：设备对用户来说越来越有帮助，而用户或软件开发人员不必采取任何行动。
另一个场景是自动驾驶汽车。目前路面上行驶的自动驾驶汽车正在被用来收集数据，用来改进下一代自动驾驶汽车的技术。当人工操作人员直接对车辆进行控制时，相关的数据就会与其他车辆的数据汇集起来并进行对比分析，以确定在何种情况下自动驾驶汽车将切换到由人工驾驶模式。这样的数据收集与分析将使得自动驾驶汽车变得更加智能。
虽然人们很容易被今天人工智能相关的令人兴奋的发展所鼓舞，但了解人工智能的局限性也很重要。在《哈佛商业评论》(HarvardBusinessReview)2016年的一篇文章中，《人工智能现阶段的能与不能》，斯坦福人工智能实验室前负责人、跨国科技公司百度的人工智能团队前首席科学家AndrewNg明确表示，“人工智能将变革许多行业，但它并不具有无所不能的魔力。”
Ng强调，虽然人工智能已经有很多成功的实施案例，但大多数都是在监督学习的场景下展开应用。在这一模式下，每一个训练输入数据库与正确的输出决策相关联。机器学习算法通过比对这个训练库的信息来根据新的输入数据做出决策。监督学习的一些常见应用包括照片标记、贷款处理与语音识别。在每一个应用案例中，系统都会接收输入信息—比如照片标签应用中的图片—并基于它从训练数据库中学到的信息做出决定或做出反应。
如果拥有一个足够大的输入数据库，并用对应的人工响应(或输出)做以注释，那么就可以构建一个人工智能应用程序，允许计算机系统接收新的输入数据并自行做出决定。这可以使过去不容易自动化的流程变的可以自动运作，最终提升仓库啊的运营效率。而实现这一目的的关键就是辅助做出决策的数据库的大小、质量与多样性的程度。训练输入数据库越大、越多样化，机器学习算法做出的决策就越优化。
二、选择可参照案例
当考虑在供应链中应用人工智能的各种方案时，直接应用相应技术然后确定应用方案或许很有吸引力。但是，如果你首先分析一下公司业务面对的挑战与机遇，然后再选择相匹配的人工智能技术来解决相关问题，这样的流程会有助于你选择更有效率、更适合的应用方案。
就仓库及其运作而言，人工智能的应用应该以企业所关注并不断优化的关键性能指标(KPI)为指导（订单准确性、安全性、生产率、履行时间、设施损坏或库存准确性等）。仓库通常已经拥有大量与KPI指标相关的数据，这些都可以被人工智能应用程序用于自动完成任务或做出决策。然而，这些数据由于数据类型的原因并不能直接用于人工智能技术，并且通常分布在不同的仓库管理系统中。因此，在正式应用之前，许多人工智能应用程序需要对不同仓库管理信息系统中的数据进行整合。
下面的3个案例（生产力、设备利用率、效率）说明了人工智能在仓储运营场景中的应用潜力。虽然这些案例可能并不适用于所有仓库，但它们确实展示了企业如何将自己已有的数据整合成可以应用机器学习技术的形式。
案例一、生产力
在拣选订单的环节，所有的仓库都存在不同员工的生产力不同这一现象（有效率最高的订单拣选员也有变现一般的员工）。但是相对于使用系统引导进行拣选的仓库而言，员工在生产力方面的差异在不使用系统引导的仓库中表现更为明显。
对于那些不使用系统引导进行拣选的仓库，机器学习提供了一个可以更好推广最高效员工经验的机会，并将系统引导模式引入到所有员工的工作中。如果联系到上文提到的监督学习，最高效员工的拣选列表将作为人工智能应用的输入数据；这些员工在拣选列表中货物的顺序决策即为输出数据（基于条码扫描或其他可获取信息）。除了最短拣选距离这一指标之外，避免拥挤通常是提升生产力的另外一个重要指标。因为最佳拣选员工通常会同时考虑这两个因素，因此上面的输入输出数据库应该已包含这些信息。
基于这些精准标注的数据，机器学习算法在接收新的订单数据后案最佳原则进行归类。通过这种方式，算法可以复制最有效员工的拣选操作，并提高所有员工的生产力。
案例二、设备利用率
某一仓库一天内需要搬运的容器或托盘数量与所需的搬运设备数量之间有一定的关系。在大多数情况下，两者之间是一种线性关系。但是，某些因素（例如操作人员的技能水平或货物的混合存放等）也可能会影响到所需搬运设备的佘亮。
在这种情况下，输入数据就需要包括所有可能影响设备需求的数据（从仓库管理系统中调用的拣选订单清单以及从员工管理系统中获取的操作人员生产力水平等信息）。输出信息包括从升降搬运车管理系统中获得的搬运设备使用率信息。
基于这一精准标注的数据库，机器学习算法将可以接收未来数星期或数月的订单预测信息和现有员工的技能水平信息，进而预估出所需搬运设备的数量。升降搬运车车队经理将在同设备供应商的协商中采纳这些信息作为决策参考，以确保通过短期租赁或新设备购买的方式来确保在某一期限内获取合适数量的搬运设备进行拣选操作。
案例三、效率
一个好的货位策略应该是将高需求的SKU尽量集中放在最佳位置但同时又要适当的分散摆放，以降低拥堵程度来提高拣选效率。但由于需求的不断变化以及SKU的数量（某些仓库中可能有数千个SKU），仓库很难仅仅依靠员工来判断SKU的需求量来实现最佳存放。因此一些仓库运营商会使用货位分配软件来帮助确定SKU摆放位置。这些软件会提供操作界面允许客户修改运作规则。当接收到销售历史数据或未来销售预测信息后，软件就会推荐相应的货位策略。但是，负责软件的人员经常会依据自己的经验来修改策略，而这些经验却往往不能反应出拣选操作的真实情况。
在这种情况下，输入数据就是软件所推荐的货位策略。输出数据是最终决定执行的策略。机器学习算法可以和货位分配软件结合，通过对实施最终货位摆放策略的员工的倾向性进行不断的学习，最终实现自动调整。
三、制定策略
明确仓储相关领域可以从人工智能技术获益之后，制定相关的应用策略将非常重要。在其发表于《哈佛商业评论》的文章中，AndrewNg对高管们应该如何定位公司的人工智能策略提出了一些有益的看法。他写道，制定一个成功战略的关键是“理解在哪里创造价值，什么是很难复制的”。
Ng指出，人工智能研究人员经常发布和分享他们的想法，并公布他们的代码，因此我们可以很便捷地接触到最新理念及进展。相反，“稀缺资源”是数据和人才，而这两点对企业制定人工智能策略获取竞争优势极为关键。在数据源已经被精确连接到了对应的输出信息的情况下，复制一款软件比获得原始数据要简单的多。因此，具有鉴别与获取有价值的数据并有能力根据实际情况修改软件参数以最大化利用这些数据的人员，将是制定人工智能策略过程中关键而具有差异性的组成部分。也就是说，如果一个企业向推进人工智能在仓储场景下的应用，那么它就必须将重点放在提高数据和人才的质量这两方面。
关于数据，要明确的一个关键问题是：哪些数据是你的公司所独有而且可以用来提高与业务相关的KPI？这一点明确之后，就需要提高仓储管理系统中的数据的质量。这一步通常被称为数据管控，来确保供应链运作相关的数据具有一个可以“真实反映客观事实的来源”。
举例来讲。叉车司机的信息可以存储在不同的信息系统中，包括人力资源系统、员工管理系统、仓库管理系统、叉车车队管理系统等。如果司机信息被分别录入以上系统，那么同一员工的姓名及身份号码就可能出现不匹配的情况。比如，一个人可以在WMS中被标识为JoSmith，#01425；在LMS系统中为JoanneSmith，#1425；而在车队管理系统中则只登记为JoanneSmith，同时没有认可身份号码。
对于跨系统整合数据的机器学习应用案例来说，数据必须是干净的。具有良好数据管控能力的企业可以将其中某一系统定义为存有主要数据的系统，并在需要时通过应用程序编程接口（API）将这一数据导入其他任意系统中。
如果需要整合来源于多个系统的数据，那接下来要面对的挑战就是数据集成。也就是说，要确保所有来源于不同仓储运作相关的系统中的数据可以被整合成一种可以用来机器学习的形式。这就需要与供应商紧密合作，以了解对方的运营能力以及整合来自车队管理、员工管理、仓库管理、企业资源管理等不同系统的数据的潜力。这就为支持数据分析以及客户定制化的人工智能应用奠定了数字化基础。在技术上具有挑战性，但许多系统中嵌入的API接口简化了这一任务。
一个更大的挑战可能来自于人才领域。在你的公司中有多少人专职进行管控、集成于抓取正在创建的数据信息？如果答案是“还不够”，那么你就要考虑设置一个高管级别的职位，致力于在董事会层面来积极推动以公司数据资产为来源来建立企业竞争优势。
这种高级别的助推策略，可以从确定公司如何在这一领域构建能力开始。对大多数公司来讲，也可以通过内部员工和外部顾问的组合来实现。甚至有一些众筹的机器学习平台（例如Kaggle和Experfy）可以协助你将你在数据方面要面对的挑战与世界各地的专家之间建立起联系。因为今天你所获得的数据可能会对未来的机器学习应用产生深远影响，因此建立数据能力是一个优先需要考虑的事项。许多大型企业已经在内部成立了专门部门来引导人工智能及数据分析方面的工作，这一需求也使得这一领域的专业人才变的炙手可热。
四、感想总结
虽然供应链经理需要评估各种技术以及指导以科技为基础的革新，但人工智能不应因此被忽略。但它也不应该被视作可以瞬间完成供应链变革的万灵药。相反地，人工智能应该被定义为一个可以提升与企业成功密切相关的KPI指标的工具。使用这一工具并不需要成为人工智能领域的专家，但必须确保你的企业满足了前文所提到的三个基本要求：确定与提升企业绩效相关的高价值应用案例；创立可以整合这些高价值数据的数字基础设施；开始建立一个由内部与外部专家组成的专业团队。
人工智能可能有自主意识了吗
➤大模型、大数据的驱动让人工智能在对话的自然度、趣味性上有了很大突破，但距离具备自主意识还很远。换言之，即便人工智能可以对人类的语言、表情所传递的情绪作出判断，但这主要应用的是自然语言处理、计算机视觉等技术
➤不同于当前依赖数据学习的技术路线，新一代人工智能强调在没有经过数据学习的情况下，可以通过推理作出合理反应，从而与没有见过、没有学过的事物展开交互
➤当前人工智能治理面临的最大挑战，是我们没有一套比较成熟的体系来规制其潜在的风险。在发展科技的同时，必须同步发展我们的规制体系
➤“技术归根结底是由人类来发展和把控的。人类和人工智能的未来，是由人类选择的。”
今年6月，美国谷歌公司软件工程师布莱克·勒莫因称语言模型LaMDA出现自我意识。他认为，LaMDA拥有七八岁孩童的智力，并相信LaMDA正在争取自己作为一个人的权利。
LaMDA是谷歌去年发布的一款专门用于对话的语言模型，主要功能是可以与人类交谈。
为佐证观点，勒莫因把自己和LaMDA的聊天记录上传至互联网。随后，谷歌以违反保密协议为由对其停职。谷歌表示，没有任何证据支持勒莫因的观点。
事实上，“AI（人工智能）是否拥有自主意识”一直争议不休。此次谷歌工程师和LaMDA的故事，再次引发讨论。人们想知道：人工智能技术究竟发展到了怎样的阶段？是否真的具备自主意识？其判定依据是什么？未来我们又该以怎样的能力和心态与人工智能和谐共处？
人工智能自主意识之辨勒莫因认为LaMDA具有意识的原因有三：一是LaMDA以前所未有的方式高效、创造性地使用语言；二是它以与人类相似的方式分享感觉；三是它会表达内省和想象，既会担忧未来，也会追忆过去。
受访专家告诉《瞭望》新闻周刊记者，上述现象仅仅是因为LaMDA所基于的Transformer架构能够联系上下文，进行高精度的人类对话模拟，故能应对人类开放、发散的交谈。
至于人工智能是否已经具备自主意识，判定标准如何，受访专家表示，对人类意识的探索目前仍属于科技前沿，尚未形成统一定义。
清华大学北京信息科学与技术国家研究中心助理研究员郭雨晨说：“我们说人有自主意识，是因为人知道自己在干什么。机器则不一样，你对它输入内容，它只是依照程序设定进行反馈。”
中国社会科学院科学技术哲学研究室主任段伟文认为，一般意义上，人的自我意识是指对自我具备觉知，但如何认识和理解人类意识更多还是一个哲学问题而不是科学问题，这也是很难明确定义人工智能是否具备意识的原因。
被誉为“计算机科学与人工智能之父”的艾伦·图灵，早在1950年就曾提出图灵测试——如果一台机器能够与人类展开对话而不能被辨别出其机器身份，那么可以称这台机器具有智能。
这一设想随后被具化为，如果有超过30%参与测试的人以为自己在和人说话而非计算机，就可以认为“机器会思考”。
当前随着技术的发展，已经有越来越多的机器能够通过图灵测试。
但清华大学人工智能国际治理研究院副院长梁正告诉《瞭望》新闻周刊记者，图灵测试只能证明机器在表象上可以做到让人无法分辨它与人类的不同，却不能证明机器能够思考，更不能证明机器具备自主意识。
段伟文表示，目前大体有两种方式判定人工智能是否具有自主意识，一种以人类意识为参照，另一种则试图对机器意识进行全新定义。
若以人类意识为参照，要观察机器能否像人一样整合信息。“比如你在阳光下，坐在河边的椅子上看书，有树影落在脸上，有风吹来，它们会带给你一种整体的愉悦感。而对机器来说，阳光、河流、椅子等，是分散的单一元素。”段伟文说。
不仅如此，段伟文说，还要观察机器能否像人一样将单一事件放在全局中思考，作出符合全局利益的决策。
若跳出人类构建自主意识的范式，对机器意识进行重新定义，则需要明白意识的本质是什么。
段伟文告诉记者，有理论认为如果机器与机器之间形成了灵活、独立的交互，则可以称机器具备意识。也有理论认为，可以不追究机器的内心，仅仅把机器当作行为体，从机器的行为表现判断它是否理解所做事情的意义。“比如机器人看到人类喝咖啡后很精神，下次当它观察到人类的疲惫，能不能想到要为人类煮一杯咖啡？”段伟文说。
但在段伟文看来，这些对机器意识进行重新定义的理论，其问题出在，即便能够证明机器可以交互对话、深度理解，但是否等同于具备自主意识尚未有定论。“以LaMDA为例，虽然能够生成在人类看来更具意义的对话，甚至人可以与机器在对话中产生共情，但其本质仍然是在数据采集、配对、筛选机制下形成的反馈，并不代表模型能够理解对话的意义。”
换言之，即便人工智能可以对人类的语言、表情所传递的情绪作出判断，但这主要应用的是自然语言处理、计算机视觉等技术。
郭雨晨直言，尽管在情感计算方面，通过深度学习的推动已经发展得比较好，但如果就此说人工智能具备意识还有些一厢情愿。“把‘意识’这个词换成‘功能’，我会觉得更加准确。”
技术换道有专家提出，若要机器能思考，先要解决人工智能发展的换道问题。
据了解，目前基于深度学习、由数据驱动的人工智能在技术上已经触及天花板。一个突出例证是，阿尔法围棋（AlphaGo）在击败人类围棋世界冠军后，虽然财力和算力不断投入，但深度学习的回报率却没有相应增长。
一般认为，人工智能可被分为弱人工智能、通用人工智能和超级人工智能。弱人工智能也被称为狭义人工智能，专攻某一领域；通用人工智能也叫强人工智能，主要目标是制造出一台像人类一样拥有全面智能的计算机；超级人工智能类似于科幻作品中拥有超能力的智能机器人。
从产业发展角度看，人工智能在弱人工智能阶段停留了相当长时间，正在向通用人工智能阶段迈进。受访专家表示，目前尚未有成功创建通用人工智能的成熟案例，而具备自主意识，至少需要发展到通用人工智能阶段。
梁正说，大模型、大数据的驱动让人工智能在对话的自然度、趣味性上有了很大突破，但距离具备自主意识还很远。“如果你给这类语言模型喂养大量关于内省、想象等与意识有关的数据，它便更容易反馈与意识有关的回应。”
不仅如此，现阶段的人工智能在一个复杂、专门的领域可以做到极致，却很难完成一件在人类看来非常简单的事情。“比如人工智能可以成为围棋高手，却不具备三岁小孩对陌生环境的感知能力。”段伟文说。
谈及背后原因，受访专家表示，第一是当前人工智能主要与符号世界进行交互，在对物理世界的感知与反应上发展缓慢。第二是数据学习让机器只能对见过的内容有合理反馈，无法处理陌生内容。第三是在数据驱动技术路线下，人们通过不断调整、优化参数来强化机器反馈的精准度，但这种调适终究有限。
郭雨晨说，人类在特定任务的学习过程中接触的数据量并不大，却可以很快学习新技能、完成新任务，这是目前基于数据驱动的人工智能所不具备的能力。
梁正强调，不同于当前主要依赖大规模数据训练的技术路线，新一代人工智能强调在没有经过数据训练的情况下，可以通过推理作出合理反应，从而与没有见过、没有学过的事物展开交互。
相比人类意识的自由开放，以往人工智能更多处在封闭空间。尽管这个空间可能足够大，但若超出设定范畴便无法处理。而人类如果按照规则不能解决问题，就会修改规则，甚至发明新规则。
这意味着，如果人工智能能够超越现有学习模式，拥有对自身意识系统进行反思的能力，就会理解自身系统的基本性质，就有可能改造自身的意识系统，创造新规则，从而成为自己的主人。
“人工智能觉醒”背后有关“人工智能觉醒”的讨论已不鲜见，但谷歌迅速否认的态度耐人寻味。
梁正表示：“如果不迅速驳斥指认，会给谷歌带来合规性方面的麻烦。”
据了解，关于人工智能是否有自主意识的争论并非单纯技术领域的学术探讨，而关乎企业合规性的基本坚守。一旦认定公司研发的人工智能系统出现自主意识，很可能会被认为违反第2版《人工智能设计的伦理准则》白皮书的相关规范。
这一由美国电气和电子工程师协会2017年发布的规范明确：“根据某些理论，当系统接近并超过通用人工智能时，无法预料的或无意的系统行为将变得越来越危险且难以纠正。并不是所有通用人工智能级别的系统都能够与人类利益保持一致，因此，当这些系统的能力越来越强大时，应当谨慎并确定不同系统的运行机制。”
梁正认为，为避免社会舆论可能的过度负面解读，担心大家认为它培育出了英国作家玛丽·雪莱笔下的弗兰肯斯坦式的科技怪物，以“不作恶”为企业口号的谷歌自然会予以否认。“不仅如此，尽管这一原则对企业没有强制约束力，但若被认为突破了底线，并对个体和社会造成实质性伤害，很有可能面临高额的惩罚性赔偿，因此企业在合规性方面会更为谨慎。”
我国也有类似管理规范。2019年，国家新一代人工智能治理专业委员会发布《新一代人工智能治理原则——发展负责任的人工智能》，提出人工智能治理的框架和行动指南。其中，“敏捷治理”原则主要针对技术可能带来的新社会风险展开治理，强调治理的适应性与灵活性。
中国信息化百人会成员、清华大学教授薛澜在接受媒体采访时表示，当前人工智能治理面临的最大挑战，是我们没有一套比较成熟的体系来规制其潜在的风险。特别是在第四次工业革命背景下，我国的人工智能技术和其他国家一样都处于发展期，没有现成的规制体系，这样就使得我们在发展科技的同时，必须同步发展我们的规制体系。“这可能是人工智能发展面临最大的挑战。”
在梁正看来，目前很难断言新兴人工智能技术具有绝对风险，但必须构造合理的熔断、叫停机制。在治理中既要具有一定的预见性，又不能扼杀创新的土壤，要在企业诉求和公共安全之间找到合适的平衡点。
毕竟，对人类来说，发展人工智能的目的不是把机器变成人，更不是把人变成机器，而是解决人类社会发展面临的问题。
从这个角度来说，我们需要的或许只是帮助人类而不是代替人类的人工智能。
为了人机友好的未来确保通用人工智能技术有益于人类福祉，一直是人工智能伦理构建的前沿。
薛澜认为，在科技领域，很多技术都像硬币的两面，在带来正面效应的同时也会存在风险，人工智能就是其中一个比较突出的领域。如何在促进技术创新和规制潜在风险之间寻求平衡，是科技伦理必须关注的问题。
梁正提出，有时技术的发展会超越人们预想的框架，在不自觉的情况下出现与人类利益不一致甚至相悖的情况。著名的“曲别针制造机”假说，即描述了通用人工智能在目标和技术都无害的情况下，对人类造成威胁的情景。
“曲别针制造机”假说给定一种技术模型，假设某个人工智能机器的终极目标是制造曲别针，尽管看上去这一目的对人类无害，但最终它却使用人类无法比拟的能力，把世界上所有资源都做成了曲别针，进而对人类社会产生不可逆的伤害。
因此有观点认为，创造出法力高超又杀不死的孙悟空本身就是一种不顾后果的冒险行为。
与其对立的观点则认为，目前这一担忧为时尚早。
“我们对到底什么样的技术路线能够发展出具备自主意识的人工智能尚无共识，现在谈论‘禁止发展’，有种空中楼阁的意味。”梁正说。
商汤科技智能产业研究院院长田丰告诉《瞭望》新闻周刊，现实中人工智能技术伦理风险治理的关键，是产业能够在“预判防范-应用场景-用户反馈-产品改进”中形成市场反馈机制，促成伦理风险识别与敏捷治理。同时，企业内部也需建立完整的科技伦理自律机制，通过伦理委员会、伦理风控流程平台将伦理风险把控落实到产品全生命周期中。
郭雨晨说，人工智能技术发展到目前，仍始终处于人类可控状态，而科技发展的过程本来就伴随对衍生问题的预判、发现和解决。“在想象中的人工智能自主意识出现以前，人工智能技术脚踏实地的发展，已经造福人类社会很多年了。”
在梁正看来，人与人工智能在未来会是一种合作关系，各自具备对方无法达成的能力。“技术归根结底是由人类来发展和把控的。人类和人工智能的未来，是由人类选择的。”
编辑：李华山
2022年08月16日07:42:05