全球数治｜首份人工智能伦理全球协议的两项关键共识
这里是“全球数治”专栏周报，追踪近期全球数字治理动态
11月24日，联合国教科文组织（UNESCO）在第41届大会上通过了首份关于人工智能伦理的全球协议《人工智能伦理问题建议书》（以下简称《建议书》），供193个成员国采用。《建议书》定义了关于人工智能技术和应用的共同价值观与原则，用以指导建立必需的法律框架，确保人工智能的良性发展，促进该项技术为人类、社会、环境及生态系统服务，并预防潜在风险。
作为引领第四次科技革命的关键技术创新，人工智能给全球社会和经济发展带来了重大而深远的正面影响，例如增加生活便利和民生福祉、提升政府和企业运营效率、帮助应对气候变化和贫困饥饿问题。然而，该项技术同时也带来了前所未有的严峻挑战，包括对个人隐私和尊严的重大威胁，性别和种族偏见加剧，大规模监控风险激增等。
鉴于该项技术在实际应用过程中兼具创造性和破坏性，但却长期缺乏全球通用的治理标准，UNESCO于2018年发起“为世界打造运用人工智能的伦理框架”项目，遴选24名来自世界各国的专家历时三年共同撰写完成《人工智能伦理建议书》，并经过193个成员国之间超过100小时的多边谈判和反复修订，最终于今年11月获得通过。这不仅是全球首个针对人工智能伦理的规则框架和共同纲领，也是当前在世界各国政府层面达成的最广泛共识，为下一步制定规范人工智能发展的具体国际法规和技术标准提供了强有力支撑，堪称多边主义的又一次胜利。
《建议书》所建立的人工智能伦理框架主要由价值观、伦理原则和政策指导三部分组成，文本内容十分全面，注重多方观念和利益的平衡。其中，人工智能的价值观强调：一、尊重、保护和促进人权、基本自由及人的尊严；二、保护环境和生态系统的蓬勃发展；三、确保多样性和包容性；四、在和平、公正与互联的社会中共生。伦理原则主要包含：相称性和不损害、保障安全、公平和非歧视、可持续性、隐私权和数据保护、人类监督和决定、透明度和可解释性、责任与问责、技术认知和素养、多利益攸关方协同治理等10方面。政策指导则涉及伦理影响评估、伦理治理和管理、数据政策、发展与国际合作、环境和生态系统、性别、文化、教育和研究、传播和信息、经济和劳动、健康和社会福祉、监测与评估共12个细分领域。同时，《建议书》鼓励所有成员国考虑增设独立的人工智能伦理官员或其它相关机制，以监督审计和持续监测应用该技术带来的影响。
在全面考虑和广泛涵盖的基础上，《建议书》最为核心的内容集中于呼吁各国采取数据保护行动、禁止社会评分和大规模监控、监测和评估人工智能系统的社会及环境影响等。并且，《建议书》在这些问题上没有一味遵从西方人工智能技术先发国家的既有标准，而是通过编撰过程中的区域性专家咨询会、政府间专家磋商、各成员国意见征集等环节来广泛听取和采纳中国等发展中国家的意见和建议，努力平衡价值差异，推动形成多边共识。其中，有两项共识尤为关键。
首先，《建议书》将“可持续发展”确定为全球人工智能发展的总体愿景和重要途径，主张发展人工智能技术和应用都以有利于实现可持续发展目标为优先导向，且需要密切关注和防范阻碍该目标实现的各类风险。同时，《建议书》不囿于应当“发展先行”还是“治理先行”的争论，强调两者相互协同，使人工智能系统在整个生命周期内都可以赋能人类、社会、生态之间的和谐共生。
其次，在人工智能伦理和治理范式创新方面，《建议书》倡导“协同共治”的路径选择。《建议书》强调，诸如人脸识别、自动化决策、社会评分等人工智能应用带来的伦理挑战不可能仅通过禁止使用来解决问题，而是要将基于多边共识的伦理标准贯穿于人工智能系统设计、研发、部署、使用的全部过程，并适配相应的治理规则和手段，实现防患于未然。与此同时，人工智能治理单靠政府或政府间合作并不能有效实现，而是要依靠整个技术生态系统中的多方深度协同。政府、企业、研发、用户、学术界、媒体等利益相关方都需要担负起相应责任，开展全流程协同共治。
UNESCO通过相对平等而广泛的公共讨论促成了《建议书》及首个全球人工智能伦理框架的确立。这不仅凝聚了全世界193个国家对这项新兴技术的可持续发展共识，也进一步打开了未来多边协同治理的新前景。下一步，还需要将其中的价值观、原则和政策加以落地，推动各国形成可执行的标准和细则，将理念化为行动，使理想融入现实。
规则
美欧启动联合应对技术竞争政策对话
12月7日，欧盟委员会执行副主席玛格丽特·维斯塔格、美国联邦贸易委员会主席莉娜·汗和美国司法部反垄断助理总检察长乔纳森·坎特在华盛顿启动了美欧联合应对技术竞争政策对话并发表联合声明，以加强双方在快速发展的技术领域内的政策协调和共同执法。声明指出，美欧坚持共同的民主价值观和对良性市场竞争的信念，在数字竞争执法领域面临网络效应、海量数据、互操作性等共同挑战。因此，美欧将在政策和执法方面进一步加强协调。（来源：欧盟委员会官网）
英国发布算法透明度的开创性标准
11月29日，英国中央数字办公室(CDDO)发布了算法透明度标准，旨在为政府部门和公共机构提供用于支持决策的算法工具的明确信息，兑现其在国家数据战略和国家人工智能战略中做出的承诺。算法透明度标准涵盖透明度数据标准，透明度模板和行动指南等，将有助于帮助组织提高算法工具的透明性。（来源：英国政府官网）
缅甸罗兴亚难民因暴力事件起诉Facebook，要求赔偿1500亿美元
12月6日，缅甸的一个罗兴亚难民团体在美国提起一项集体诉讼，指控社交媒体平台Facebook促进了针对受迫害的少数群体的暴力，要求Facebook赔偿1500亿美元。Facebook表示，虽然以前没有及时防止错误信息和仇恨言论传播，但事后已采取补救措施，包括在2月1日缅甸政变后禁止军方使用Facebook和Instagram。Facebook曾表示，它受到美国互联网法“第230条”的保护，免于对用户发布的内容承担责任。罗兴亚难民团体则表示，如果Facebook提出“第230条”作为抗辩理由，他们将寻求通过缅甸法律进行索赔。（来源：路透社）
政策
美国防部拟重组三个关键技术办公室
12月1日，美国防部宣布将把国防部数字服务局、联合人工智能中心及首席数据官办公室重组为首席数据与人工智能官办公室，以简化流程，并为使用人工智能与数据创造出更具凝聚力的方法。根据拟议计划，三个办公室仍保持独立，但都向新办公室报告。此举将为三个办公室提供更清晰的组织结构，帮助其掌握更多数据并应用于人工智能，进而推动联合全域指挥控制工作。（来源：美国外交关系协会）
工信部预测2025年中国大数据产业规模将突破3万亿元
11月30日，国家工信部召开新闻发布会，介绍《“十四五”大数据产业发展规划》相关情况。《规划》提出，到2025年，我国大数据产业规模预计将突破3万亿元，年均复合增长率保持25%左右，创新力强、附加值高、自主可控的现代化大数据产业体系基本形成。《规划》就加快培育数据要素市场、发挥大数据特性优势、夯实产业发展基础、构建稳定高效产业链、打造繁荣有序产业生态、筑牢数据安全保障防线等六个方面设定了重点任务，并安排了数据治理能力提升、重点标准研制及应用推广、工业大数据价值提升、行业大数据开发利用、企业主体发展能级跃升、数据安全铸盾共六个专项行动。此外，《规划》还提出加快构建全国一体化大数据中心体系，推进国家工业互联网大数据中心建设，引导大中小企业融通发展和产业链上下游协同创新，支持传统企业开展大数据业务剥离重组。（来源：中国政府网）
监管
美国联邦贸易委员会对英伟达公司收购ARM的交易提起诉讼
12月2日，美国联邦贸易委员会（FTC）宣布，已经以反垄断为由提起诉讼，旨在阻止英伟达公司以400亿美元价格收购ARM的计划。FTC认为，这笔交易将会扼杀云计算、数据中心和自动驾驶汽车等各种技术的市场创新，并将“不公平地削弱”英伟达的竞争对手。这起诉讼是英伟达收购ARM交易在监管方面遭遇的又一次打击。此前，英国政府和欧盟委员会已经开始对该笔交易展开深入的反垄断调查。（来源：路透社）
产业与技术
Meta与亚马逊AWS达成云服务合作协议
12月1日，Meta公司宣布与亚马逊公司云服务部门（AWS）达成合作，将AWS作为其长期战略云服务提供商，扩大对AWS计算、存储、数据库和安全服务的使用范围，以补充Meta现有的本地基础设施。Meta还将使用AWS的计算服务来加速其AI团队的研发工作，并将在AWS平台上运行第三方合作应用。（来源：亚马逊官网）
城市数字化
国务院发文支持北京城市副中心大力发展数字经济，推进智慧城市建设
11月26日，国务院发布关于支持北京城市副中心高质量发展的意见。意见提出，到2025年，城市副中心绿色城市、森林城市、海绵城市、智慧城市、人文城市、宜居城市功能将基本形成。意见明确，强化科技创新引领，聚焦新一代信息技术、智能制造等领域，实施一批国家重大科技项目和应用示范项目，引导创新链、产业链在城市副中心及周边地区布局，大力发展数字经济。围绕第五代移动通信（5G）网络、人工智能、云计算、大数据、互联网协议第6版（IPv6）等加紧布局数字新基建，在智慧城市、数字乡村建设等领域建成一批示范应用新场景，支持开展科技应用场景沙盒试点。（来源：中国政府网）
美国巴尔的摩市计划建设普惠智能网络以缩小数字鸿沟
11月30日，美国巴尔的摩市长办公室宣布，将拨款3500万美元为受公共卫生紧急情况影响最严重的社区和居民提供网络接入方面的救济。其中，首笔600万美元将用于大幅扩大公共互联网接入，以缩小城市中的数字鸿沟。鉴于互联网接入已成为最为关键和基本的公共基础设施，实现网络接入公平成为未来智慧城市的关键内涵之一。巴尔的摩市计划在未来十年间持续投资于在全市范围内建设开放、普惠的智能网络基础设施，以确保每位市民都能平等、便捷的接入互联网。（来源：巴尔的摩市政府官网）
人工智能的历史、现状和未来
如同蒸汽时代的蒸汽机、电气时代的发电机、信息时代的计算机和互联网，人工智能正成为推动人类进入智能时代的决定性力量。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷转型发展，抢滩布局人工智能创新生态。世界主要发达国家均把发展人工智能作为提升国家竞争力、维护国家安全的重大战略，力图在国际科技竞争中掌握主导权。习近平总书记在十九届中央政治局第九次集体学习时深刻指出，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。错失一个机遇，就有可能错过整整一个时代。新一轮科技革命与产业变革已曙光可见，在这场关乎前途命运的大赛场上，我们必须抢抓机遇、奋起直追、力争超越。
概念与历程
了解人工智能向何处去，首先要知道人工智能从何处来。1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（ArtificialIntelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究目的是促使智能机器会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。
人工智能充满未知的探索道路曲折起伏。如何描述人工智能自1956年以来60余年的发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能的发展历程划分为以下6个阶段：
一是起步发展期：1956年—20世纪60年代初。人工智能概念提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序等，掀起人工智能发展的第一个高潮。
二是反思发展期：20世纪60年代—70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如，无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入低谷。
三是应用发展期：20世纪70年代初—80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。
四是低迷发展期：20世纪80年代中—90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：20世纪90年代中—2010年。由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念。以上都是这一时期的标志性事件。
六是蓬勃发展期：2011年至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。
现状与影响
对于人工智能的发展现状，社会上存在一些“炒作”。比如说，认为人工智能系统的智能水平即将全面超越人类水平、30年内机器人将统治世界、人类将成为人工智能的奴隶，等等。这些有意无意的“炒作”和错误认识会给人工智能的发展带来不利影响。因此，制定人工智能发展的战略、方针和政策，首先要准确把握人工智能技术和产业发展的现状。
专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定任务（比如下围棋）的专用人工智能系统由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域。例如，阿尔法狗（AlphaGo）在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，人工智能系统诊断皮肤癌达到专业医生水平。
通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。目前，虽然专用人工智能领域已取得突破性进展，但是通用人工智能领域的研究与应用仍然任重而道远，人工智能总体发展水平仍处于起步阶段。当前的人工智能系统在信息感知、机器学习等“浅层智能”方面进步显著，但是在概念抽象和推理决策等“深层智能”方面的能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才而无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，谷歌在其2017年年度开发者大会上明确提出发展战略从“移动优先”转向“人工智能优先”，微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿。麦肯锡公司报告指出，2016年全球人工智能研发投入超300亿美元并处于高速增长阶段；全球知名风投调研机构CBInsights报告显示，2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
创新生态布局成为人工智能产业发展的战略高地。信息技术和产业的发展史，就是新老信息产业巨头抢滩布局信息产业创新生态的更替史。例如，传统信息产业代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网时代信息产业代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。目前智能科技时代的信息产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动人工智能技术生态的研发布局，全力抢占人工智能相关产业的制高点。
人工智能的社会影响日益凸显。一方面，人工智能作为新一轮科技革命和产业变革的核心力量，正在推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域产生积极正面影响。另一方面，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能系统可能存在的歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题已经显现出来，需要抓紧提供解决方案。
趋势与展望
经过60多年的发展，人工智能在算法、算力（计算能力）和算料（数据）等“三算”方面取得了重要突破，正处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有诸多瓶颈。那么在可以预见的未来，人工智能发展将会出现怎样的趋势与特征呢？
从专用智能向通用智能发展。如何实现从专用人工智能向通用人工智能的跨越式发展，既是下一代人工智能发展的必然趋势，也是研究与应用领域的重大挑战。2016年10月，美国国家科学技术委员会发布《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。阿尔法狗系统开发团队创始人戴密斯·哈萨比斯提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年成立了通用人工智能实验室，众多感知、学习、推理、自然语言理解等方面的科学家参与其中。
从人工智能向人机混合智能发展。借鉴脑科学和认知科学的研究成果是人工智能的一个重要研究方向。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。在我国新一代人工智能规划和美国脑计划中，人机混合智能都是重要的研发方向。
从“人工+智能”向自主智能系统发展。当前人工智能领域的大量研究集中在深度学习，但是深度学习的局限是需要大量人工干预，比如人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据、用户需要人工适配智能系统等，非常费时费力。因此，科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿尔法狗系统的后续版本阿尔法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类人工智能”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低人员成本。
人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、天文学等传统科学的发展。
人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来10年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，可在现有基础上将劳动生产率提高40%；到2035年，美、日、英、德、法等12个发达国家的年均经济增长率可以翻一番。2018年麦肯锡公司的研究报告预测，到2030年，约70%的公司将采用至少一种形式的人工智能，人工智能新增经济规模将达到13万亿美元。
人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出，未来5年人工智能将提升各行业运转效率。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
人工智能领域的国际竞争将日益激烈。当前，人工智能领域的国际竞赛已经拉开帷幕，并且将日趋白热化。2018年4月，欧盟委员会计划2018—2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略2018》重点推动物联网建设和人工智能的应用。世界军事强国也已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
人工智能的社会学将提上议程。为了确保人工智能的健康可持续发展，使其发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，制定完善人工智能法律法规，规避可能的风险。2017年9月，联合国犯罪和司法研究所（UNICRI）决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。美国白宫多次组织人工智能领域法律法规问题的研讨会、咨询会。特斯拉等产业巨头牵头成立OpenAI等机构，旨在“以有利于整个人类的方式促进和发展友好的人工智能”。
态势与思考
当前，我国人工智能发展的总体态势良好。但是我们也要清醒看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少值得重视的问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
高度重视。党中央、国务院高度重视并大力支持发展人工智能。习近平总书记在党的十九大、2018年两院院士大会、全国网络安全和信息化工作会议、十九届中央政治局第九次集体学习等场合多次强调要加快推进新一代人工智能的发展。2017年7月，国务院发布《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动。国家发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
态势喜人。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成为全球人工智能投融资规模最大的国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。根据2017年爱思唯尔文献数据库统计结果，我国在人工智能领域发表的论文数量已居世界第一。近两年，中国科学院大学、清华大学、北京大学等高校纷纷成立人工智能学院，2015年开始的中国人工智能大会已连续成功召开四届并且规模不断扩大。总体来说，我国人工智能领域的创新创业、教育科研活动非常活跃。
差距不小。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在明显差距。在全球人工智能人才700强中，中国虽然入选人数名列第二，但远远低于约占总量一半的美国。2018年市场研究顾问公司CompassIntelligence对全球100多家人工智能计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国对人工智能可能产生的社会影响还缺少深度分析，制定完善人工智能相关法律法规的进程需要加快。
前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出，到2030年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。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
当前是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧等，需要深入思考。
树立理性务实的发展理念。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。实现机器在任意现实环境的自主智能和通用智能，仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此，发展人工智能要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
重视固本强基的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。面临发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。我们要按照习近平总书记提出的支持科学家勇闯人工智能科技前沿“无人区”的要求，努力在人工智能发展方向和理论、方法、工具、系统等方面取得变革性、颠覆性突破，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
构建自主可控的创新生态。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强。我们要以问题为导向，主攻关键核心技术，加快建立新一代人工智能关键共性技术体系，全面增强人工智能科技创新能力，确保人工智能关键核心技术牢牢掌握在自己手里。要着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。同时，我们要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过实施标准加速人工智能驱动经济社会转型升级的进程。
推动共担共享的全球治理。目前看，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能进一步拉大发达国家和发展中国家的生产力发展水平差距。在发展中国家中，我国有望成为全球人工智能竞争中的领跑者，应布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合“一带一路”建设，让“智能红利”助推共建人类命运共同体。
（作者：中央人民政府驻香港特别行政区联络办公室副主任、中国科学院院士）
成功应用大数据和人工智能的四个关键事项
大数据技术如今已经成为全球主要的营销工具之一，这已不是什么秘密。
在这个快速变化和发展的时代，各行业组织之间的竞争比以往任何时候都要激烈，并致力于在当今互联互通的世界中提高基准、环境水平、投资回报率、利润率。大数据分析和咨询服务已经存在多年，可以通过处理和分析大量数据获得见解以帮助组织实现其业务目标。随着这个过程的发展和全球互联网技术得到广泛的应用，组织需要处理的数据量将会继续快速增长。
因此，很多组织尝试采用大数据技术，但在没有采取某种策略或评估结果的情况下，大数据技术提供的大多数见解并不能令人信服。
人工智能正在开始创建新的竞争环境。机器学习为组织提供了来自大数据的连续信息流，使组织对其结构和模型中的进展和缺陷有了一些独特的见解。虽然并不完美，但将大数据的大规模处理数据与复杂的预测性或规范性人工智能系统相结合，这是组织迈向数据驱动型公司的第一步。
需要记住，大数据和人工智能并不是万能的。以下是通过大数据对人工智能优化并获得成功的四个关键事项。
1.场景首先关注的一点也是最重要的一点是，机器学习缺乏意识和场景。
人工智能的强大之处在于其背后的人员和他们提供的数据。组织需要考虑以下因素：
在特殊情况下必须考虑哪些变量?基准是什么?最终目标是什么?
不切实际的措施、花费的成本、人工工作对于机器学习来说意义不大，这意味着工作人员需要提供一些必要的常识来找到公平的解决方案。
工作人员需要决定哪些数据是有用的，哪些数据是无用的，以便采用机器学习技术进行分析。为了明确从大数据中得到的问题，人工智能技术将以一种连贯的方式提供具体的答案。组织需要提供一些智能查询和良好的信任来帮助该过程。
2.信任更改标准可能很困难，尤其是在处理新技术时。人工智能处理对大数据的影响是确定且可衡量的，但人们对人工智能技术的了解可能很模糊。
人工智能提供的各种解决方案很少给出解释性背景，即使经验丰富的专业人士也会感到为难。毕竟，要相信人工智能得出的答案并不容易。当人工智能算法持续按照工作人员的预期运行并获得成功的结果时，人们需要学会与机器建立信任。
与其毫无疑问地听从一系列的建议，不如让人工智能、数据专业人士和场景因素来帮助组织制定最终策略。
3.策略通过大数据和机器学习技术而创建的一个经常被忽视的关键见解是策略。通过大数据技术提供的人工智能可能有助于组织制定策略，或帮助从数字中突出显示模式，但它缺乏有关如何使用的知识。
使用从数据中收集的信息通过以下几种不同的方式构建策略：
凭借将大量数据转换为易于识别的格式的能力，人工智能可以帮助组织产生易于访问的信息数据库。这是寻找引人注目的模式并制定成功策略的一个很好的方法。人工智能可以将非结构化数据或不太适合一般电子表格的数字重新配置为新格式和特定平台。这使组织可以在监视已实施的策略时考虑许多不同的角度。电子邮件和信息图表、视频和Facebook帖子都可以进行处理，以易于实施一致的数据集。机器学习无法理解这一点在组织业务策略中的重要性，但是组织的工作人员当然可以理解。机器学习并不具备人类拥有的当前技术无法做到的预测未来事物的与生俱来的能力。重要的是不要在现代商业模型中只依赖人工智能技术。
4.理性采用人工智能技术大数据技术功能强大，将其与机器学习相结合的能力更加强大。某些机器学习的滥用或错误使用可能会给准备不足的组织带来一些重大的法律问题。
在尝试将人工智能应用于各个业务部门之前，需要仔细考虑它将对组织的业务和客户产生的影响。如果遭到黑客入侵或破坏，那么组织需要采取哪些法律措施或保护措施?哪些业务领域需要人工智能处理，哪些领域不需要?组织需要对在哪里以及如何使用机器学习的功能负责?
寻求关键见解组织需要提供其业务最需要的见解以继续优化性能。无法正确衡量指标(或根本无法衡量)会给组织带来灾难，并使组织的大数据技术不能发挥作用。
参与人工智能的大数据分析服务为全球各地的大型行业提供了出色的数据测量和管理服务。通过将数字和统计信息与实际问题和高级机器学习模式配对，策略成功得到实施，而停顿和缺陷则变得非常明显。人工智能将不断地为组织当前的业务结构提供解决方案，并为消费者、产品、服务以及它们之间的关系提供更深入的见解，而不是建立在过时的模型或传统营销模式的基础上。
大数据在未来将会得到广泛应用，对人工智能的需求不断增长将会为企业带来光明的未来。毕竟，组织将为其不断发展的机器学习算法提供大量数据得出深入的见解。
人工智能的几个关键技术，你了解了么
今天给大家介绍下人工智能发展的几个关键技术。从语音识别到智能家居，从人机大战到没人驾驶，人工智能的“演化”给我们社会上的一些生活细节，带来了一次又一次的惊喜，前景更多智能产品依托的人工智能技术会开展成什么样呢？让我们来看看人工智能规范化白皮书里面，对人工智能重要关键技术的定义。人工智能技术关系到人工智能产品是否能够顺利应用到我们的生活场景中。在人工智能领域，它普遍包括了机器进修、知识图谱、自然语言处理、人机交互、计算机视觉、生物特征识别、AR/VR七个重要关键技术。一、机器进修机器进修（MachineLearning）是一门波及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，钻研计算机怎样模拟或达到人类的进修行为，以获取新的知识或技能，重新组织已有的知识构造使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器进修是现代智能技术中的重要方法之一，钻研从观测数据（样本）出发寻找规律，利用这些规律对前景数据或没法观测的数据进行预测。依据进修模式、进修方法以及算法的不同，机器进修存在不同的分类方法。依据进修模式将机器进修分类为监督进修、没监督进修和强化进修等。依据进修方法能够将机器进修分为传统机器进修和深度进修。二、知识图谱知识图谱本质上是构造化的语义知识库，是一种由节点和边组成的图数据构造，以符号形式描述物理世界中的概念及其互有关系，其根本组成单位是“实体—关系—实体”三元组，以及实体及其有关“属性—值”对。不同实体之间通过关系互相联结，构成网状的知识构造。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同品种的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的才能。知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，须要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展现和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的开展还有很大的挑战，如数据的噪声问题，即数据自身有错误或者数据存在冗余。随着知识图谱应用的不断深层，还有一系列重要关键技术须要突破。三、自然语言处理自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，钻研能达到人与计算机之间用自然语言进行有效通信的各种理论和方法，波及的领域较多，主要包含机器翻译、机器浏览了解和问答系统等。机器翻译机器翻译技术是指利用计算机技术达到从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性，翻译性能取得宏大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了宏大的潜力。随着高低文的语境表征和知识逻辑推理才能的开展，自然语言知识图谱不断扩充，机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。语义了解语义了解技术是指利用计算机技术达到对文本篇章的了解，并且答复与篇章有关问题的过程。语义了解更注重于对高低文的了解以及对答案精准程度的把控。随着MCTest数据集的发布，语义了解受到更多关注，取得了快捷开展，有关数据集和对应的神经网络模型层出不穷。语义了解技术将在智能客服、产品自动问答等有关领域发挥重要作用，进一步提高问答与对话系统的精度。问答系统问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们能够向问答系统提交用自然语言表达的问题，系统会返回关联性较高的答案。只管问答系统目前已经有了不少应用产品出现，但大多是在现实中信息效劳系统和智能手机助手等领域中的应用，在问答系统鲁棒性方面依然存在着问题和挑战。自然语言处理面临四大挑战：一是在词法、句法、语义、语用和语音等不同层面存在不确定性；二是新的词汇、术语、语义和语法导致未知语言现象的不可预测性；三是数据资源的不充分使其难以笼罩复杂的语言现象；四是语义知识的含糊性和扑朔迷离的关联性难以用简略的数学模型描述，语义计算须要参数庞大的非线性计算四、人机交互人机交互主要研究人和计算机之间的信息交换，主要包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的外围技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行，主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。五、计算机视觉计算机视觉是运用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、了解和分析图像以及图像序列的才能。自动驾驶、机器人、智能医疗等领域均须要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度进修的开展，预处理、特征提取与算法处理慢慢融合，构成端到端的人工智能算法技术。依据攻克的问题，计算机视觉可分为计算成像学、图像了解、三维视觉、动态视觉和视频编解码五大类。目前，计算机视觉技术开展迅速，已具备初步的产业规模。前景计算机视觉技术的开展主要面临以下挑战：一是怎么样在不同的应用领域和其他技术更好的联合，计算机视觉在攻克某些问题时能够广泛利用大数据，已经渐渐成熟并且能够超过人类，而在某些问题上却没法到达很高的精度；二是怎么样降低计算机视觉算法的开发时长和人力老本，目前计算机视觉算法须要大量的数据与人工标注，须要较长的研发周期以到达应用领域所要求的精度与耗时；三是怎么样加快新型算法的设计开发，随着新的成像硬件与人工智能芯片的出现，针对不同芯片与数据采集设备的计算机视觉算法的设计与开发也是挑战之一。六、生物特征识别生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。识别过程采用与注册过程一致的信息采集方式对待识他人进行信息采集、数据预处理和特征提取，其次将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识他人身份的过程，是一对多的问题；确认是指将待识他人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。生物特征识别技术波及的内容十分广泛，包含指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程波及到图像处理、计算机视觉、语音识别、机器进修等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。七、VR/AR虚拟现实（VR）/增强现实（AR）是以计算机为核心的新型视听技术。联合有关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，互相影响，获得近似真实环境的感受和体验，通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等达到。虚拟现实/增强现实从技术特征角度，依照不同处理阶段，能够分为获取与建模技术、分析与利用技术、替换与分发技术、展现与交互技术以及技术规范与评价体系五个方面。获取与建模技术钻研怎么样把物理世界或者人类的创意进行数字化和模型化，难点是三维物理世界的数字化和模型化技术；分析与利用技术重点钻研对数字内容进行分析、了解、搜索和知识化方法，其难点是在于内容的语义表示和分析；替换与分发技术主要强调各种网络环境下大规模的数字化内容流通、转换、集成和面向不同终端用户的个性化效劳等，其核心是开放的内容替换和版权管理技术；展现与替换技术重点钻研合乎人类习惯数字内容的各种显示技术及交互方法，以期提高人对复杂信息的认知才能，其难点在于建设自然和谐的人机交互环境；规范与评价体系重点钻研虚拟现实/增强现实根底资源、内容编目、信源编码等的规范规范以及相应的评估技术。目前虚拟现实/增强现实面临的挑战主要体此时智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、有关规范与规范等方面存在一系列科学技术问题。总体来说虚拟现实/增强现实呈现虚拟现实系统智能化、虚实环境对象没缝融合、自然交互全方位与温馨化的开展趋势。关于人工智能，你应该知道的四个关键人物
图灵测试用来区分机器能否在智力行为上表现得和人无法区分。图灵在《计算机与智能》这篇论文的开篇提出一个问题“机器是否能思考？”，为了检测这一问题，图灵提出了模仿游戏：这场测试中有A、B、C三个主体，A是机器，B是拥有正常思维的人，Ａ和Ｂ坐在房间里，Ｃ是坐在房间外的裁判。裁判Ｃ对机器Ａ和正常人Ｂ进行询问，如果他没有办法区别机器和人类，那么机器Ａ就通过了图灵测试（参考维基百科）。
图灵测试示例（图片来自网络）
1956年召开的达特茅斯会议被普遍认为是人工智能的起源，这次会议的主要发起人有当时在达特茅斯学院数学系任教的麦卡锡（JohnMcCarthy）及在哈佛大学任教的明斯基（MarvinMinsky）。
达特茅斯学院（DartmouthCollege）
麦卡锡出生在波士顿，他的父亲是一位爱尔兰移民，爱好发明。母亲是热心于女权运动的立陶宛犹太人。1944年，麦卡锡在加州理工大学攻读数学专业，因为初中自学了大学低年级的高等数学，进入加州理工的头两年得以免修数学。1948年麦卡锡在普林斯顿大读研期间，受到冯·诺依曼的影响，开始尝试在计算机上模拟人的智能。
麦卡锡博士毕业后，在普林斯顿大学担任讲师，在那里遇到了志趣相投的友人明斯基。随后，麦卡锡转至斯坦福大学做了2年的助理教授，又受到达特茅斯学院数学系系主任克门尼（JohnKemeny）的邀请，前往达特茅斯学院任教。
1956年，麦卡锡与明斯基、香农共同发起了达特茅斯会议，他为此次会议起名为“SummerResearchProjectonArtificialIntelligence(人工智能夏季研讨会)”。一般认为“ArtificialIntelligence（人工智能）”一词由麦卡锡发明，但也有学者指出麦卡锡在晚年回忆这个词是他从别人那里听来的，随着麦卡锡的离世，这一学术用语的发明人也成了谜。
1959年，麦卡锡开发了著名的LISP语言（ListProcessinglanguage），成为人工智能界第一个最广泛流行的语言，1971年麦卡锡获得图灵奖。
1927年，明斯基出生在纽约的一个犹太家庭，曾在布朗士科学高中（theBronxHighSchoolofScience，纽约最著名的三所老牌高中之一）和菲利普斯学院（thePhillipsAcademy，美国最知名的私立中学）就读。1945年高中毕业后明斯基入伍成为海军，退伍后他在哈佛大学主修数学专业，同时也选修电气工程、遗传学、心理学等多个学科的课程。
1950年他进入普林斯顿大学攻读数学博士，博士论文题为“神经网络和脑模型问题（NeuralNetsandtheBrainModelProblem）”，是对人工神经网络（ANNs）领域的早期贡献，1954年明斯基取得博士学位后留校任教。
1959年，明斯基和麦卡锡分别离开哈佛大学和达特茅斯学院，齐聚在麻省理工，共同创建了世界上第一个人工智能实验室——MITAILab（麻省理工人工智能实验室）。1969年，他被授予图灵奖，也是历史上第一位获此殊荣的人工智能学者。
明斯基作出重要贡献的领域，除了人工智能（机器学习、知识表示、常识推理、计算机视觉、机器人操作），还包括认知心理学、神经网络、自动机理论、符号数学，图形学和显微镜技术，他设计并制造了带有触觉传感器的机械手。
塞缪尔出生在堪萨斯州，1923年本科毕业于恩波利亚学院，1926年在麻省理工学院获得电气工程硕士学位。硕士毕业以后塞缪尔留在麻省理工担任讲师。1946年，塞缪尔在伊利诺伊大学担任电气工程系教授，并积极参与设计首批电子计算机，在那里他逐渐构思出一个跳棋程序。
1949年，塞缪尔加入位于纽约的IBM，参与研发晶体管和IBM的第一台存储程序计算机701。1956年，塞缪尔写出了跳棋程序，他发现与程序对弈的过程中，程序也下的越来越好，这是最早的机器学习程序之一，具备“自学习”的能力。
塞缪尔用IBM701计算机玩跳棋
1959年，塞缪尔创造了“机器学习”这个术语，并将其定义为：thefieldofstudythatgivescomputerstheabilitytolearnwithoutbeingexplicitlyprogrammed（翻译仅供参考：此研究领域是计算机在不被明确编程的情况下，赋予它学习能力）。1966年，他从IBM退休，作为讲师和研究助理来到斯坦福大学，开启全新的职业生涯。
正是因为这些勇于探索和打破传统的科技巨人，才有了今天人工智能技术的飞跃。
参考资料：
1.尼克.《人工智能简史》[M].中国工信出版集团&人民邮电出版社，2017
2.SelmaSabanovic,StasaMilojevic,JasleenKaur.JohnMcCarthy[History][J].IEEERobotics&AutomationMagazine,2012
3.GeorgeStrawn,CandaceStrawn.MastermindsofArtificialIntelligence:MarvinMinskyandSeymourPapert[J].ITProfessional,2016
4.GioWiederhold,JohnMcCarthy.ArthurSamuel：PioneerinMachineLearning[J].IBMJournalofResearchandDevelopment,1992
【注:本文由Edubrain编辑整理】返回搜狐，查看更多