新一代人工智能的发展与展望
随着大数据、云计算等技术的飞速发展，人们生产生活的数据基础和信息环境得到了大幅提升，人工智能（AI）正在从专用智能迈向通用智能，进入了全新的发展阶段。国务院印发的《新一代人工智能发展规划》指出新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。在4月10日“吴文俊人工智能科学技术奖”十周年颁奖盛典中，作为我国不确定性人工智能领域的主要开拓者、中国人工智能学会名誉理事长李德毅院士荣获“吴文俊人工智能最高成就奖”，并在大会上作题为《探索什么叫新一代人工智能》的报告，探讨了新一代人工智能的内涵和路径，引领着新一代人工智能的发展与展望。
人工智能这一概念诞生于1956年在美国达特茅斯学院举行的“人工智能夏季研讨会”，随后在20世纪50年代末和80年代初先后两次步入发展高峰，但因为技术瓶颈、应用成本等局限性而均掉入低谷。在信息技术的引领下，数据信息快速积累，运算能力大幅提升，人工智能发展环境发生了巨大变化，跨媒体智能、群体智能成为新的发展方向，以2006年深度学习模型的提出为标志，人工智能第三次站在了科技发展的浪潮之巅。
当前，随着移动互联网、物联网、大数据、云计算和人工智能等新一代信息技术的加速迭代演进，人类社会与物理世界的二元结构正在进阶到人类社会、信息空间和物理世界的三元结构，人与人、机器与机器、人与机器的交流互动愈加频繁。在多源数据、多元应用和超算能力、算法模型的共同驱动下，传统以计算机智能为基础的、依赖于算力算法和数据的人工智能，强调通用学习和大规模训练集的机器学习，正逐渐朝着以开放性智能为基础、依赖于交互学习和记忆、基于推理和知识驱动的以混合认知模型为中心的新一代人工智能方向迈进。应该说，新一代人工智能的内核是“会学习”，相较于当下只是代码的重复简单执行，新一代人工智能则需要能够在学习过程中解决新的问题。其中，学习的条件是认知，学习的客体是知识，学习的形态是交互，学习的核心是理解，学习的结果是记忆……因此，学习是新一代人工智能解释解决现实问题的基础，记忆智能是新一代人工智能中多领域、多情景可计算智能的边界和约束。进而当人类进入和智能机器互动的时代，新一代人工智能需要与时俱进地持续学习，不断检视解决新的问题，帮助人机加深、加快从对态势的全息感知递进到对世界的多维认知。
事实上，基于数据驱动型的传统人工智能，大多建立在“数据中立、算法公正和程序正义”三要素基础之上，而新一代人工智能更关注于交互能力，旨在通过设计“记忆”模块来模仿人脑，解决更灵活多变的实际问题，真正成为“不断学习、与时俱进”的人工智能。特别是人机交互支撑实现人机交叉融合与协同互动，目前已在多个领域取得了卓越成果，形成了多方面、多种类、多层次的应用。例如，在线客服可以实现全天候不间断服务，轻松解决用户咨询等问题，也可将棘手问题转交人工客服处理，降低了企业的管理成本；在智慧医疗领域，人工智能可以通过神经影像实现辅助智能诊断，帮助医生阅片，目前准确率已达95%以上，节省了大量的人力；2020年，在抗击疫情的过程中，新一代人工智能技术加速与交通、医疗、教育、应急等事务协作联动，在科技战“疫”中大显身手，助力疫情防控取得显著成效。
未来已来，随着人工智能逐渐融入居民生活的方方面面，将继续在智慧医疗、自动驾驶、工业制造智能化等领域崭露头角。一是基于新一代人工智能的智慧医疗，将助力医院更好记录、存储和分析患者的健康信息，提供更加精准化和个性化的健康服务，显著提升医院的临床诊断精确度。二是通过将新一代人工智能运用于自动驾驶系统的感知、预测和决策等方面，重点解决车道协同、多车调度、传感器定位等问题，重新定义城市生活中人们的出行方式。三是由于我国工业向大型化、高速化、精细化、自主化发展，对高端大规模可编程自动化系统提出迫切需求，新一代人工智能将推动基于工业4.0发展纲领，以高度自动化的智能感知为核心，主动排除生产障碍，发展具备有适应性、资源效率、人机协同工程的智能工厂应运而生。总之，如何展望人工智能通过交互学习和记忆理解实现自编程和自成长，提升自主学习和人机交互的效率，将是未来研究着力发展的硬核领域，并加速新一代信息技术与智能制造深度融合，推动数字化转型走深走实，有信心、有能力去迎接下一场深刻产业变革的到来。
人工智能促进经济高质量发展：机理、问题与对策
摘要：人工智能技术具有渗透性、协同性、替代性、创造性等技术—经济特征，人工智能促进经济高质量发展的机理可概括为对三类产业的扩张效应、赋能效应和活化效应。其中，核心产业扩张效应与融合产业赋能效应交互构建了促进高质量发展的动态循环过程，潜在关联产业活化效应则通过提供非匹配、非集约、非规整、非公平问题解决方案促进经济社会高质量发展。当前，中国在世界人工智能领域第一梯队的地位愈发巩固，技术创新处于关键突破期，在地域空间上则形成了三大城市群为重要引擎、沿海地区快速增长、内陆地区稳定增长的发展格局。我国人工智能促进经济高质量发展还存在核心产业低质扩张、融合产业低效赋能、潜在关联产业低迷活化、相关社会伦理道德规范缺失、相关人才短缺且结构不合理等问题。为此，我国要推进基础理论研究和关键共性技术开发，提高科技自立自强能力；优化行业发展环境，促进产业生态良性发展；完善相关法律法规和伦理规范制度，促进人工智能“科技向善”；构建高素质人才培养体系和人才流动机制，促进包容性均衡发展；加快人工智能创新应用先导区和创新发展试验区建设，推进改革试点和应用示范。
关键词：人工智能；高质量发展；技术创新；核心产业；融合产业；潜在关联产业
基金项目：国家社会科学基金重点项目“新技术革命背景下全球创新链的调整及其影响研究”（19AJY013）
人工智能（AI）是指研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。作为新一代信息技术革命的代表技术之一，人工智能利用计算设备模拟人类思维决策过程，广泛应用了计算机、数学、物理学、生物学、逻辑学等学科的理论与方法。自1955年达特茅斯会议首次提出“人工智能”概念以来，人工智能经历了60余年的曲折发展，研究重点从早期（1956—1974年）基于符号主义的逻辑推理、启发式搜索，到中期（1974—2006年）符号主义与连接主义融合催生的神经元网络方法、专家系统，发展到近期（2006年至今）基于行为主义纲领的深度学习方法突破所带来的多领域广泛应用[1]。1974年以来的人工智能发展都可归类为连接主义，但2006年之前的连接主义主要对人类大脑活动进行模仿，并没有合理借鉴大脑产生智能的机制。2006年，深度学习方法在卷积神经网络等模型和参数训练技巧等方面取得突破，同时信息设备、算法算力、使用数据也迎来了革新、进步与增长，人工智能实现了跨越式的发展。目前，人工智能研究领域主要分为六大类：计算机视觉、自然语言处理、机器学习、认知及推理、机器人、博弈及伦理。人工智能已经成为世界各国竞争角逐的焦点，其发展水平是国家核心竞争力的重要体现，将对经济发展、社会进步、国际政治经济格局产生深远影响。
党的十九大报告明确提出，推动互联网、大数据、人工智能和实体经济深度融合，作为我国深化供给侧结构性改革、建设制造强国、促进经济高质量发展的重要举措。党的十九届五中全会通过的《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》强调，要推动互联网、大数据、人工智能等同各产业深度融合，这是建设制造强国、质量强国、网络强国、数字中国重要内容，是提高经济质量效益和核心竞争力的关键。本文对人工智能如何促进经济高质量发展的机理进行探讨，分析人工智能促进经济高质量发展存在的问题，提出相应的对策建议。
一、人工智能促进经济高质量发展的机理分析
习近平总书记在十九届中央政治局第九次集体学习时强调，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。人工智能具有溢出带动性很强的“头雁”效应，在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术的驱动下，人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征，正在对经济发展、社会进步、国际政治经济格局等方面产生重大而深远的影响。我国经济已由高速增长阶段转向高质量发展阶段，迫切需要新一代人工智能等重大创新添薪续力，要推进人工智能和产业发展融合，为高质量发展提供新动能[2]。
（一）人工智能的技术—经济特征
人工智能技术既具有一般通用型信息通信技术所具有的渗透性与替代性特征，同时还具备与各经济要素协同配合提升经济效率的协同性特征，以及替代人类脑力工作的创造性特征。
1.渗透性。作为一种兼具通用性、基础性和使能性的数字技术，人工智能具备与经济社会各行业、生产生活各环节相互融合的潜能，这种广泛应用于经济社会各领域的特征被定义为通用型技术的渗透性。在发展初级阶段，人工智能只能应用于简单场景，解决一些抽象概念性的游戏问题，但随着人工智能技术发展，人工智能被越来越多地应用于多元场景、复杂场景，问题解决边界也向实际应用拓展。这种应用复杂化的趋势即是对人工智能技术渗透作用的印证。渗透作用是通用型技术最基本的技术—经济特征，也是计算技术领域重大创新能够引发技术革命，带来技术—经济范式转换的技术基础。渗透性特征决定人工智能具有对经济增长产生广泛性、全局性影响的潜力。在可预见的未来，人工智能技术将更加全面地融入日常生产生活活动之中，成为经济社会不可替代的一部分。
2.协同性。人工智能的协同性在一定程度是其渗透效应的具体实现。人工智能技术作为通用型技术渗透进入经济社会各个方面，在生产领域，人工智能技术的应用可以提升资本、劳动、技术等要素之间的匹配度，加强上游技术研发、中游工程实现、下游应用反馈各个生产环节之间的协同，从而提高运行效率。在消费领域，人工智能技术可以实现对用户消费习惯与消费需求的自动画像，完成需求与供给的智能匹配，进一步释放消费潜力的同时，实现经济的高质量增长。总的来说，人工智能的协同性特征体现在对经济运行效率的提升。蔡跃洲等核算了中国在过去三十年中ICT资本对增长的贡献率，并使用格兰杰因果检验印证了ICT资本与全要素生产率TEP增长具有因果关系，ICT资本通过与各个经济要素的协同促进了经济效率提升，最终推动了GDP的增长[3]。
3.替代性。随着设备设施与技术研发的持续发展，信息通信技术（ICT）产品相对价格持续下降，从而出现ICT产品对其他投资的大规模替代。如芯片领域的摩尔定律预言集成电路晶体管数目约18个月便会增加一倍，这使得芯片在能够解决更多问题的同时成本持续下降，实现对非ICT资本的不断替代。人工智能除了对非ICT资本的替代效应外，更能实现对劳动要素的直接替代，蔡跃洲等将人工智能对就业的影响分解为负面的替代效应与正面的抑制效应，并得出结论认为就业总量基本稳定的趋势还将延续一段时间，人工智能完全替代人类劳动的极端情形中短期不会出现[4]。人工智能技术持续发挥替代效应，在作为独立要素不断积累的同时，对其他资本要素、劳动要素进行替代，其对经济发展的支撑作用由此不断强化。
4.创造性。生产自动化能够实现对一些高强度、高难度的持续劳动进行替代，而人工智能之所以引起人们对就业前景强烈担忧的原因更在于其能够实现对人类脑力工作、创造性活动的替代。当下人工智能技术已经被广泛应用于药物发现及筛选、材料识别及模拟等科研活动，更是在金融、数字建模、应急救援、音乐绘画等领域被广泛赋予分析决策甚至是创造创新的权力，展现出人类历史上从未有过的来自人类头脑之外的创造力量。人工智能的创造性可以生产出额外的知识，增加人类整体智慧总量，从而促进技术进步，提高经济效率。针对人工智能将完全取代人类工作的担忧，Holford对人工智能的创造性进行了分析，认为人工智能技术主要通过符号解释、形式化和意义捕捉的方式获取知识，对于人类整体知识和隐性知识的复杂性、创造性较难模仿。在不出现颠覆性技术突破的情况下，人工智能技术无法实现对人类创造的完全替代[5]。
（二）人工智能促进经济高质量发展的机理与效应
人工智能代表了未来经济发展的无限可能性，现有观点普遍认为人工智能可以通过提高生产率促进经济增长。在微观个体活动方面，人工智能发展传统自动化为“智能自动化”，持续释放个体创造力，极大提升劳动生产率。在中观行业生产方面，人工智能不断提升生产能力与资本效率，对行业进行分析并作出控制决策，解决某些行业生产准确率低、工作量大、设备闲置、安全性差等一系列问题。在宏观经济发展方面，人工智能促进管理效率、资源配置效率和社会交易效率的提升，推动创新并提高全要素生产率，深化分工形式，大大拓展产品创新的空间，从提升分工专业化效率转向提升分工多样化效率，从多样性角度拓展生产可能性边界[6-7]。师博从生产、分配、交换、消费四个方面探讨了人工智能充分契合创新、协调、绿色、开放、共享的新发展理念，在生产环节发挥创新效应与技术外溢效应实现创新发展；在分配环节优化分配结构同时提升分配效率深化共享发展；在交换环节，通过平台经济、国际共建等方式实现协调、开放发展；在消费环节改进消费质量，加速绿色消费，贯彻绿色发展理念。人工智能在贯彻新发展理念的同时，与经济社会充分融合，实现经济的高质量发展[8]。任保平等聚焦人工智能与实体经济的融合增长效应，从培育高端要素、优化要素禀赋结构的供给侧到普及智能产品与服务、多元化需求渠道的需求侧，双向探讨人工智能对实体经济的融合促进作用，并结合我国当前发展阶段，分析人工智能对传统产业、新兴产业、新商业模式以及供需协同的带动作用，提出构建融合支持体系、加强新基建、培育产业环境、优化投融资支持、深化对外开放等建议[9]。罗以洪基于数字产业化、产业数字化、数字化治理的模型框架，结合宏观理论中四部门经济的各个部门与要素特征，提出政府、消费者、生产者、国外消费者、国外生产者以及金融机构四部门数字经济模型，细化资源型、技术型、融合型、服务型四种数字经济类型，提出具有针对性的数字经济高质量发展路径与对策建议[10]。
已有研究对人工智能如何促进经济高质量发展的机理分析主要集中在以下几个角度：一是基于微观、中观、宏观三重视角进行分析，其具有坚实的经济逻辑支撑，易于进行理论分析，并提出相关政策建议；二是从生产、分配、交换、消费等经济环节进行分析，其更加全面地聚焦经济社会整体的高质量发展，并与新发展理念有着高契合度；三是以中国信息通信研究院提出的数字经济分析框架（数字产业化—产业数字化—数据价值化—数字化治理）为基础进行分析，这一角度具备国际通用性，同时在实证分析方面具有广泛的研究基础，有较多的研究基于相同框架对国内外不同主体进行数字经济测算。与此同时，上述角度都存在一定缺陷：微观、中观、宏观三重视角难以聚焦人工智能产业如何实现发展的高质量，经济环节视角则难以提出有针对性的促进建议，并且在量化发展质量、实证分析路径效应方面二者都有着较大的局限性。数字经济框架则是为数字经济所设计，套用于人工智能产业需要进一步探讨其适配性。
本文基于人工智能的技术—经济特征，对经济社会产业进行划分，并根据划分结构针对性分析人工智能对经济高质量发展的促进机理。经济社会产业可以分解为三种类型，即核心产业、融合产业、潜在关联产业（见图1）。首先，作为一项系统性较强的数字技术，人工智能催生了一系列配套核心产业，其产品服务涵盖了上游研发到下游应用的产业链各环节。其次，人工智能通过发挥渗透性、替代性、协同性、创造性四大技术—经济特征，对一些已有产业进行技术赋能，进而创造出智慧农业、智能制造、智慧建筑、智慧医疗等一大批产业融合新生态。最后，针对目前经济社会中市场化程度不高，尚与人工智能关联较弱的经济社会领域，在不久的未来，人工智能可能通过对其资产与产业环节的“激活”，实现意料之外的爆发式增长。
图1三类产业：按照与人工智能联系程度来
1.核心产业的扩张效应。人工智能作为一项系统性较强的数字技术，其应用的实现离不开技术研发、软硬件开发、算法模型训练、具体场景应用等一系列环节，从而催生了一系列支撑配套的核心产业，有着完备的产业链条，其产品服务涵盖了上游研发到下游应用的各环节。在软件层面，人工智能技术包括算法软件、图谱模型、处理流程等内容的开发，而在硬件层面，人工智能技术涵盖专用芯片、存储器、处理器等硬件设施的生产，除此之外，还包含对数据的搜集与处理，对样本进行学习，对模型进行训练等一系列配套工作。人工智能技术是一项涵盖诸多技术产品的复杂系统，从上游的技术研发到中游的工程实现，再到下游的应用反馈，系统中各个环节都对应着相匹配的产品及服务，随着行业的发展人工智能行业逐渐形成了一套相对独立的核心产业体系。
人工智能促进经济高质量发展的路径之一，即是人工智能核心产业的扩张增长效应。人工智能产业体系根植于高新信息技术产业，但不同于其他信息技术产业，人工智能具有与生产生活应用更高的融合度，可以快速响应具体问题，根据不同的场景生态提供对应的应用方案。不断增长的应用需求使得人工智能产业保持较高速度的增长，同时也促进了基础信息技术产业的壮大，人工智能核心产业的扩张增长符合产业结构优化升级方向，其对经济的支撑作用不断强化，促使经济实现高质量发展。
2.融合产业的赋能效应。人工智能技术发挥渗透性、替代性、协同性、创造性的技术—经济特征，输出智能化设施、智能化方案，对已有产业进行智能化改造，实现数字经济与实体经济的融合发展，通过提质增效促进经济高质量发展。
在农业领域，人工智能融入农业生产、物流、出售等环节中，实现农业生产的无人数控、基于数据分析的生产决策、智能农业机器人的精准执行等转变。中国工程院院士赵春江认为，数字技术将实现农业的产业结构升级、产业组织优化和产业创新方式变革，进一步实现农业从自然资源依赖向知识资源依赖的转变[11]。在工业领域，人工智能基于不同工业行业的产业特征提供生产服务的精准升级，一方面在生产端实现冗余资产的发现切除、错配资产的优化调整、闲置资产的重新激活，促进生产效率的提升；另一方面在消费端实现用户需求的快速响应、精确匹配、个性定制，充分释放消费端潜力。人工智能目前已经实现了客户识别、定向展示、工业数据分析等诸多应用。在服务业领域，人工智能早已应用于金融、旅游、物流、文化体育等各个领域，其中在金融领域进行赋能的研究与实践最丰富，人工智能的分析与决策潜力被认为是打造数字金融体系，实现包容性增长的重要路径之一[12]。如今人工智能技术正越来越多地被应用于供应链、交通物流、工业互联等领域，在工业、农业、金融、公共安全等行业逐步构建多样化行业技术服务及解决方案平台，将智能技术与行业数据、专业知识、业务流程深度融合，形成细分领域垂直行业平台，提供相对通用的行业应用服务。人工智能核心产业与融合产业促进经济高质量发展的动态作用机理见图2。
图2人工智能核心产业与融合产业促进经济高质量发展的动态作用机理
核心产业与融合产业之间并非独立增长的割裂状态，相反，人工智能对融合产业的增长赋能离不开人工智能核心产业高质量智能化设施与智能化方案的支撑，而核心产业的持续迭代更新也无法脱离融合产业提供的技术升级需求与场景数据反馈，一些阶跃性的模型优化与算法创新在高质量的场景数据支持下可以在短时间内达到极佳的训练效果并迅速投入推广使用，节省大量训练成本。核心产业与融合产业对经济高质量发展的促进作用是一个具有循环化、动态化特征的交互促进过程，在这个交互过程中，核心产业的底层架构创新能力与迭代速度持续提升，数据更加自主可控、安全高效，而融合产业的赋能边界不断拓展，逐步覆盖国民经济全产业链各环节。两类产业对经济高质量发展的促进路径具有内生自我反馈机制，在循环往复、不断深化的持续性过程中，实现更加全面、深化、自主、包容的经济高质量发展。
3.潜在关联产业的活化效应。除核心产业的扩张效应与融合产业的赋能效应外，作为一项颠覆性技术，人工智能还将对经济体系中的潜在关联产业产生重要驱动作用，即产生“活化效应”，带来创造性地增长。很多原本与数字技术毫无关联的产业，在人工智能行业产品输出、服务输出、技术输出、范式输出、商业模式创新等助力下得到活化，迎来了新一轮高质量发展行情。比如，在十余年前，外卖还只是人们拨打商家电话进行点餐配送行为的别称，而如今，外卖在人工智能技术的加持下，通过算法推荐、匹配骑手、产业链优化等方式，已经成长为一个万亿规模的巨型市场。在日常出行领域，人工智能技术为高效安全出行提供支持，在房地产行业，人工智能技术为交易主体实现智能匹配，降低交易时间成本，提升社会福利。我们正处于一个剧烈变革的时代，在可预见的未来，这种活化效应将越来越多地刺激经济社会的各个潜在关联产业，实现高效集约、创新绿色的高质量增长。
活化效应与融合产业的赋能效应有所区别：一是活化效应面对未来，活化对象更多指目前还未与人工智能技术产生交集的潜在行业；二是赋能效应的对象是融合产业，赋能过程中人工智能与融合产业的交互作用、动态发展，需要融合产业不断提供产品服务信息，而活化效应更多通过人工智能核心产业单向输出实现。
此外，对于部分潜在关联产业，特别是非正规部门（可称为市场外潜在关联产业），人工智能通过将其进行资本化来实现活化效应。索托在《资本的秘密》一书曾讨论这类广泛存在于发展中国家，严重阻碍社会部门运转以及经济产业发展的产业，包括城乡接合部非正式市场系统、非法作坊、非法建筑等。这些正式体系之外的经济部门在一定程度上弥补了正式经济领域的空白，但当其比重过大时便会形成对经济社会发展的强大阻力[13]。邱泽奇等将这类资产获得市场进入机会定义为资产的资本化过程，认为促进有效资本增长的途径有两条：其一，提高资本化程度；其二，增加资产数量[14]。在市场外潜在产业的资本化方面，数字技术展现了前所未有的催化效率，而人工智能技术更是综合大数据、识别匹配、智能决策等流程于一体，在社会各个方面实现冗余资产的发现切除、错配资产的优化调整、闲置资产的重新激活，促进了资产的高速、高效资本化。
人工智能通过对市场内潜在关联产业的活化效应，解决产业内存在的问题：其一，供求双方信息流通受阻，市场信息不对称的非匹配问题；其二，产业规模增长而质效降低的粗放增长非集约问题。对于市场外潜在关联产业，人工智能的资本化效应则解决了两方面的问题：其一，非正式产业尾大不掉的非规整问题；其二，数字设备能力差异化、市场进入机会不平等、地域发展不均衡等非公平问题。人工智能充分发挥对潜在关联产业的活化效应，作用范围逐步覆盖国民经济全产业链各环节，提供经济发展过程中非匹配、非集约、非规整、非公平问题的解决方案，实现经济的高质量发展。
二、我国人工智能发展现状
长久以来，中国在世界科技发展历史中扮演着追赶者的角色，而人工智能是我国在新一轮技术革命中率先取得领先优势地位的少数领域之一。2020年中国人工智能核心产业规模达到3251亿元，年度行业投融资金额突破800亿元[15]，人工智能正加速与实体经济融合发展，助力产业转型升级、提质增效。
（一）基于行业发展视角，中国处于人工智能领域的第一梯队地位
目前我国在人工智能领域的论文发文量、专利申请量方面都居于世界前列，并且增长速度正进一步提高。总体而言，中国人工智能处于全球第一梯队位置，成为仅次于美国的第二大贡献国。
根据中国科学技术发展战略研究院、科技部新一代人工智能发展研究中心发布的《中国新一代人工智能发展报告2020》数据显示，2019年中国共发表人工智能论文2.87万篇，比上年增长12.4%，单年论文规模达到美国的1.5倍，相比2013—2018年共产出7.4万篇有了大幅提升。在全球近五年前100篇人工智能论文高被引论文中，中国产出占21篇，相比2018年增加5篇。中国在人工智能领域各顶级国际会议上的活跃度和影响力不断提升，在自动机器学习、神经网络可解释性方法、异构融合类脑计算等领域中都涌现了一批具有国际影响力的创新性成果。中国人工智能专利申请量2019年超过3万件，比上年增长52.4%[16-17]。另据深圳市人工智能协会发布的《2021人工智能发展白皮书》，截至2020年底，中国人工智能相关企业数量达到6425家，同比增长25.37%，企业数量位居全球第二[18]。另外，中国始终以积极的姿态推动人工智能领域的国际合作，在国际人工智能开源社区的贡献度已成为仅次于美国的第二大贡献国。
（二）基于技术研发视角，中国正处于人工智能发展的关键突破期
人工智能对经济社会高质量发展的促进力量根植于自身的通用性技术特征，而作为一项引领新一轮产业变革的数字技术，其对产业的变革动力来源于底层的一系列技术创新。中国信息通信研究院对人工智能技术创新程度和突破难度进行分类，从高到低分为颠覆、阶跃、创新优化和工程实现四个发展层级[17]。目前，我国在创新优化和工程实现技术方面处于全球领先位置，但在颠覆性和阶跃性技术方面相对缺乏，缺乏全球引领能力。
据中国信息通信研究院测算，现阶段我国在视觉、语音等基础智能任务的工程实现水平，处于世界领先位置，算法模型的二次创新优化能力同样居于世界前列，但在基础理论、原创模型等颠覆性、阶跃性技术领域仍不具备领导能力[19]。具体而言，中国有一大批人工智能研发机构致力于吸收改造领域内的人工智能算法技术并对其进行场景应用方面的训练，在完成工程实现的同时，基于丰富的场景、用户数据对技术模型进行较小的创新优化。如中国科学院大学人工智能学院近年来开发了基于大数据的互联网机器翻译核心技术及产业化（2017）、大规模知识图谱构建关键技术与应用（2020）等项目。在企业方面，旷视科技融合算法、算力和数据，打造新一代AI生产力平台旷视Brain++，开源深度学习框架“天元”，其ShuffleNet模型具备轻量级CNN模型结构，在同等计算复杂度下可编码更多信息。极智嘉科技基于丰富运营经验和场景积累，建立了国内机器人数量最多、出货能力最大的机器人拣选仓库产品和解决方案系统，覆盖订单拣选、自动搬运、包裹分解等不同物流应用场景，提供环境地图构建、动态环境适应、混合场景多传感器融合、自适应运动等一系列技术服务。依图科技与上海交通大学、芯片公司ThinkForce合作建立“视觉计算与应用”联合实验室，搭建全球最大的人像系统，覆盖超15亿人像，为全国20余省的安防、海关总署、中国边检等合作伙伴提供人像比对服务，并广泛应用在招商银行、浦发银行等多个互联网金融业务场景中。
尽管中国在视觉、语音、自然语言处理等基础应用任务的算法开发上技术完成度高、处理能力强、迭代速度快，多所企业与高校在全球权威比赛中成绩优异①，但是，在颠覆层级的基础理论开发，以及阶跃层级的模型原创或技术优化方面，中国缺失与产业体量相匹配的领导力。一方面，知识工程、深度学习、神经网络等人工智能基础理论开发需要相关统计学、认知学、神经学等底层学科作为理论基础，而中国长久以来一直在现代基础学科理论创新方面落后于欧美发达国家，缺乏基础性创造性贡献。另一方面，中国还没能掌握人工智能热点发展方向的决定权，技术标准、数据标准体系长期对标国际，国内研发重心长期跟随国际，缺失人工智能领域技术研发话语权，短期难以突破领域内寡头垄断格局。
①商汤、旷视、依图、腾讯等企业在细粒度图像识别、自动驾驶场景定位及追踪、行人重识别（ReID）、人体视频解析等复杂任务各类比赛中成绩优异；哈工大讯飞联合实验室（JointLaboratoryofHITandiFLYTEKResearch，HFL）在推理阅读理解评测任务（HotpotQA）全维基赛道中获得第一。
（三）基于地域空间视角，中国形成了三大城市群为重要引擎，沿海地区快速增长，内陆地区稳定增长的发展格局
自2017年国务院发布《新一代人工智能发展规划》以来，全国各地加快推进具有地方特色、符合地方定位的人工智能战略规划布局，央地共治共同推动人工智能发展成效显著，相关细化政策不断完善落地。当前中国形成了以京津冀、长三角、大湾区三大城市群为重要引擎，沿海地区快速增长，内陆地区稳定增长的人工智能地域发展格局。其中，京津冀城市群形成以北京为绝对核心的单核加速发展态势，长三角城市群构建以上海、杭州为正副核心的双核引领发展态势，大湾区城市群形成以深圳、香港、广州为核心的三极协同发展态势。三大城市群以外，主要有成都、武汉、长沙、合肥等城市支撑起了内陆地区人工智能领域的发展。
截至2020年底，中国人工智能企业数量达到6425家，京津冀、长三角、大湾区三大区域占据了企业总数量的80%以上。广东、北京、上海、浙江在企业专利申请数量方面领先全国，广东、江苏、北京、浙江是人工智能专利转移最活跃的地区，这些地区通过科技成果供给激发了区域经济发展新动能。2019年人工智能论文发表活跃度排名依次为北京、江苏、广东、湖北等地。2020年人工智能领域从业人员超过60万人，而北京、上海、深圳、杭州聚集了80%以上的人工智能人才①。三大城市群的人工智能快速发展离不开一大批人工智能研发机构的底层支撑，笔者根据机构资料与中国信息通信研究院对人工智能技术层级划分标准，对地处三大城市群的人工智能研发机构进行了简要划分。在北京，有清华大学神经网络结构研究中心、北京大学智能科学系、微软亚洲研究院、百度深度学习研究院支撑起颠覆与阶跃层级的技术开发，中科大模式识别实验室、北理工仿生机器人与系统国际合作联合实验室、旷视科技计算机视觉研究院等则聚焦创新优化与工程实现级的技术研发。上海与杭州在颠覆与阶跃层级的基础理论开发有上海交通大学人工智能数学基础、机器认知计算研究中心、复旦大学类脑智能教育部重点实验室、深兰科学院等校企机构，创新优化与工程实现级则有浙江大学计算智能与信号处理研究所、多源感知与机器智能研究所、之江实验室、上海智能机器人工程技术研究中心等研发机构提供支撑。大湾区地区有着广泛的人才吸引力与技术流动性，建有华为云计算异构系统关键技术工程实验室、中山大学大数据与计算智能研究所、无人系统研究所、深圳人工智能与大数据研究院、香港中文大学智能系统实验室；云从科技—中国民航共建智慧民航研究中心（广州）、大疆智能无人系统开放创新平台等一大批校企研发机构。
①数据来源：深圳市人工智能行业协会。其中，企业专利申请数量：广东28.32万件，北京10.28万件，上海6.13万件，浙江3.67万件
三、我国人工智能促进经济高质量发展存在的主要问题
（一）关键核心技术缺乏与产业话语权缺失导致核心产业低质扩张
在当前世界局势中，人工智能被视为经济社会发展重要的新增长点，各国都十分重视人工智能技术的发展，国内人工智能企业与高校科研院所在国际市场中极易被打上“中国”的标签，并遭遇一些来自非市场力量的压迫。中国目前在创新优化级、工程实现级的人工智能技术研发工作取得了巨大成就，但在颠覆性理论突破与阶跃性模型创新方面还有所不足，中国还未能掌握人工智能热点方向的决定权，技术标准、数据标准体系不得不长期对标国际，研发重点跟随国际脚步，缺失人工智能领域技术研发话语权。同时，在关键技术、芯片制造、架构设计、底层平台方面中国还面临着发达国家“卡脖子”的局面。人工智能促进经济高质量发展的路径之一是通过其核心产业的扩张增长，在核心技术话语权缺失的情况下，中国将难以发挥核心产业的扩张效应，甚至长期陷入“大而不强”的被动局面。
（二）产学研合作存在“梗阻”与要素流通不畅导致融合产业低效赋能
人工智能对融合产业的赋能过程涉及特定产业专业与人工智能专业的交叉复合知识，更需要研发端长期布局，熟悉特定产业的运行架构与关键症结。然而，目前中国不同人工智能主体的研发重心存在偏差，高校科研院所相对重视人工智能理论开发与模型训练问题，而人工智能企业更重视场景应用与技术服务，产业端与研发端之间的界限依旧牢固，市场激励基础理论研发与基础研发促进产业升级的双向路径不通畅，技术、人才、制度、数据等要素难以自由流动，核心产业与融合产业之间的产品服务流与信息数据流渠道受阻，原本的动态融合逻辑被打破，人工智能对融合产业赋能成本高、效率低、效果差，无法充分发挥对经济高质量发展的交互促进效应。
（三）平台垄断问题与溢出效应不足导致潜在关联产业低迷活化
在人工智能时代，学习算法不断优化，模型算力持续进步，数据的经济价值将得到前所未有的深度挖掘和充分释放,为海量用户数据提供了完美的商业可能。同时，人工智能技术依赖数据进行正反馈循环发展，行业自然倾向于垄断，当人工智能头部平台公司形成一定的市场势力，市场机制将很难阻止其利用“技术+市场势力”的循环进一步深化垄断格局。人工智能产业主体通过数据垄断而限制、排除竞争的行为，将成为反垄断法面临的新时代课题[20]。当前，我国数字经济平台垄断问题已经有所凸显，以滴滴为代表的一批数字平台被国家互联网信息办公室核实存在严重违法违规收集使用个人信息问题，要求下架整改[21-22]。人工智能行业存在的垄断问题对行业发挥溢出效应有着严重的阻碍，行业活力被抑制，导致人工智能对于潜在关联产业的活化效应严重释放不足。
（四）相关社会伦理道德规范缺失，隐私保护和安全性问题突出
与发达国家相比，我国还缺乏与人工智能相关的社会伦理和法律规范系统研究和整体规划，对于人工智能使用和赋能造成的潜在风险、隐私保护，缺乏事前预见性和事后应急处置方案，特别是在社会治理领域的应用，容易诱发隐私侵犯、侵入式检测事件，甚至诱发危及社会稳定和政权安全的严重群体性社会问题。人工智能法律法规有待完善，行业发展尚需伦理准则规范，法律地位不明确、算法不透明、危险决策不可解释等一系列风险亟须解决。
此外，我国还存在开源软件使用不当导致的知识产权侵权风险、强制开源导致企业核心技术泄露风险（如使用GPL等许可协议，要求引用/修改/衍生代码的开源/免费使用，不允许修改/衍生的代码作为闭源商业软件发布和销售）、不遵守许可协议造成合同违约风险，以及多个开源许可证不兼容风险等一系列问题。在开源软件使用不当方面，我国人工智能领域在国际上声誉受损和被经济制裁的案例时有发生。
（五）相关人才短缺且结构不合理，难以支撑实体经济高质量发展
1.高端人才总量偏少。知名AI领域机构ElementAI发布的2020年《全球AI人才流动报告》称，尽管中国在人工智能处于世界前列，论文数量排名也居于全球第二位置，但中国人工智能人才储备表现不佳，在全球AI人才库中，美国拥有188300人，再次位列第一，印度拥有86213人，居次席，中国拥有AI人才数量仅为22191人，排在第四位；并且，据测算，2014—2019年，中国人工智能高端人才呈现越来越严重的净流出状态[23]。
2.人才结构不合理。我国人工智能人才主要集中在应用领域，而美国则主要集中在芯片、机器学习、计算机视觉等重要基础技术领域。我国目前缺乏具备人工智能和实体经济交叉知识体系的复合型人才，但高校专业设置落后于科技发展实际，人工智能专业教学存在缺乏实践、领域宽泛、知识陈旧、碎片化严重等问题。产业界则存在人才使用和激励机制不完善的问题，对如何评价科技人员贡献缺乏有效办法，人工智能技术人员在选拔、任用、培养、使用上缺乏有效激励办法。
四、对策建议
（一）推进基础理论研究和关键共性技术开发，提高科技自立自强能力
针对核心产业低质扩张问题，充分发挥新型举国体制优势，集合产学研多方优势，加大在机器学习、智能计算、核心算法、基础软硬件等人工智能前沿理论和关键核心技术研发应用的投入力度，坚持创新在经济高质量发展中的核心地位，增强科技自主创新能力，尽快在基础理论研究和关键共性技术获得突破，解决一批“卡脖子”技术问题，提高人工智能领域科技自立自强能力。
针对融合产业低效赋能问题，大力推进以企业为主体、“政产学研用”相结合的开放式协同创新，提高创新生态系统开放性、协同性。加强人工智能相关的企业国家重点实验室建设，支持企业与高校、科研院所等共建研发机构和联合实验室，打破产学研壁垒，进一步疏通二者之间技术、人才、制度、数据的流动路径，加强面向人工智能和行业共性问题的应用基础研究，联合开展关键共性技术攻关。鼓励不同产业领域对人工智能技术的创新应用，加快人工智能应用覆盖速度，拓展人工智能应用赋能边界。鼓励实体经济与人工智能的深度融合，推进融合产业动态高质量发展。
（二）优化行业发展环境，促进产业生态良性发展
人工智能与实体经济深度融合需要优化发展环境，包括完善的市场建设、公平的竞争环境、良好的商业秩序、政府规范合理的行为及其激励与保障下企业对于技术创新与产业创新的追求（而非对于寻租及政策套利活动的追求）。
在反垄断方面，贯彻落实《中华人民共和国反垄断法》和《国务院反垄断委员会关于平台经济领域的反垄断指南》，强化对数字经济平台企业反垄断执法，坚决制止平台企业利用算法歧视、算法操纵、数据垄断、侵犯隐私等手段，侵害消费者利益，实施排除、限制竞争的行为。
在政策环境方面，推进普惠性产业政策转型，由当前“政府选择+政策支持”的产业政策，与“产业规划—项目选择—政策支持—效果评估”的政策实施方式，转变为“环境建设+市场选择”的产业政策，与“产业规划—环境建设—体制机制保障—企业行为—市场选择”的政策实施方式[24]。
在市场环境方面，完善全国统一、竞争有序的市场体系建设，加大知识产权保护力度，防范打击人工智能领域知识产权侵权行为。建立完善人工智能知识产权交易制度，促进人工智能技术在产业间的扩散。完善资本市场支撑环境，优化人工智能与实体经济融合的金融市场支持。完善区域间技术、人才、资本流动环境，积极引导中西部地区重视人工智能产业发展，解决地域发展不均衡问题。
（三）完善相关法律法规和伦理规范制度，促进人工智能“科技向善”
新一代人工智能技术是一种数据驱动型技术，存在着技术上鼓励数据的全社会流动共享与安全上要求个人加强隐私信息保护之间的深层矛盾。数据的高质量、大规模、可得性关乎人工智能发展的成败，因此在数据安全性方面，需要政府重视相关法律法规体系建设，行业协会加快制定行业标准规范，企业内部建设并严格执行数据泄露惩罚机制。
贯彻落实《中华人民共和国网络安全法》《中华人民共和国数据安全法》，呼吁尽快出台《中华人民共和国个人信息保护法》。借鉴欧盟《通用数据保护条例》等在数据安全和隐私保护的先进经验，结合实际情况出台相关实施细则和配套政策，在确保数据安全和个人隐私、企业秘密前提下，鼓励数据互联互通。组织社会学家、法律专家、技术专家针对相关问题展开合作，全社会广泛参与讨论，制定完善相关法律法规和伦理规范，规范人工智能信息收集、保存、使用、共享、转让、信息披露等活动，实现信息安全、隐私权与数据可得性之间的平衡，确保人工智能“科技向善”。
（四）构建高素质人才培养体系和人才流动机制，促进包容性均衡发展
人工智能核心产业扩张增长过程的专业性与融合产业赋能增长过程的复合性对相关人才的数量、质量提出了高要求。中国需要在鼓励高校设立人工智能专业的同时，鼓励设立“人工智能+”复合专业，培养融合专业人才。基于多学科构建人工智能人才协同培育体系，加强优势专业校际交流，深化教育科研改革，加大交叉人才培养力度，增加人工智能人才储备。
我国人工智能发展水平高的机构和企业主要集中在东部地区，中西部人工智能研发和应用水平相对较低，区域发展不平衡问题较为突出。中西部地区应以大力发展数字基础设施为契机，完善地区营商环境和知识产权保护制度，构建灵活顺畅的人才流动机制，通过建立人工智能专项发展基金池等办法，吸引东部人才到中西部地区创业发展，提升中西部地区人工智能发展水平。
拓宽国际人才交流和招揽渠道，扶持人工智能、机器学习，以及数字经济所需的数据分析、云端计算等领域的人才引进及培养。鼓励高校、企业相关团队赴国外顶尖大学及研究机构合作交流人工智能及机器学习等最新技术。完善外籍高层次人认定标准，畅通人才申请永久居留的市场化渠道，为外籍高层次数字科技人才在华工作、生活提供更多便利。完善国际化人才培养模式，加强数字科技人才国际交流合作，推进职业资格国际互认。
（五）加快人工智能创新应用先导区和创新发展试验区建设，推进改革试点和应用示范
目前，工信部已经在上海（浦东新区）、深圳、济南—青岛、北京、天津（滨海新区）、杭州、广州、成都设立了8个国家人工智能创新应用先导区，这是部省协同推进人工智能和实体经济深度融合的重要举措。科技部则分别发函支持北京、上海、合肥、杭州、深圳、天津、济南、西安、成都、重庆、广州、武汉、苏州、长沙等城市和浙江省德清县，建设国家新一代人工智能创新发展试验区，国家新一代人工智能创新发展试验区已达14市1县。
要以创建国家人工智能创新应用先导区和国家新一代人工智能创新发展试验区为契机和载体，发挥先导区和试验区在技术原创、产业生态、人才基础、发展环境等多重优势，不断拓展应用场景，促进人工智能与制造业深度融合，促进人工智能与核心产业、融合产业、潜在关联产业更多融合发展。与此同时，探索新一代人工智能发展新路径新机制，形成可复制、可推广的经验，不断挖掘机制改革“深度”，提升创新能力“高度”，加快应用落地“速度”，增进产业集聚“热度”，导出经验、模式、产品及服务，为经济高质量发展提供有力支撑。
参考文献
[1]姜国睿,陈晖,王姝歆.人工智能的发展历程与研究初探[J].计算机时代,2020(9):7-10,16.
[2]习近平主持中共中央政治局第九次集体学习并讲话[EB/OL].(2018-10-31)[2021-07-07].http://www.gov.cn/xinwen/2018-10/31/content_5336251.htm?cid=303.
[3]蔡跃洲,张钧南.信息通信技术对中国经济增长的替代效应与渗透效应[J].经济研究,2015(12):100-114.
[4]蔡跃洲,陈楠.新技术革命下人工智能与高质量增长､高质量就业[J].数量经济技术经济研究,2019(5):3-22.
[5]HolfordWD.Thefutureofhumancreativeknowledgeworkwithinthedigitaleconomy[J].Futures,2019(105):143-154.
[6]曹静,周亚林.人工智能对经济的影响研究进展[J].经济学动态,2018(1):103-115.
[7]郭晗.人工智能培育中国经济发展新动能的理论逻辑与实践路径[J].西北大学学报(哲学社会科学版),2019(5):21-27.
[8]师博.人工智能助推经济高质量发展的机理诠释[J].改革,2020(1):30-38.
[9]任保平,宋文月.新一代人工智能和实体经济深度融合促进高质量发展的效应与路径[J].西北大学学报(哲学社会科学版),2019(5):6-13.
[10]罗以洪.大数据人工智能区块链等ICT促进数字经济高质量发展机理探析[J].贵州社会科学,2019(12):122-132.
[11]赵春江:加快数字技术应用于农业农村[N].农民日报,2020-12-19(03).
[12]张勋,万广华,张佳佳,等.数字经济､普惠金融与包容性增长[J].经济研究,2019(8):71-86.
[13]赫尔南多·德·索托.资本的秘密[M].于海生,译.北京:华夏出版社,2012.
[14]邱泽奇,张樹沁,刘世定,等.从数字鸿沟到红利差异——互联网资本的视角[J].中国社会科学,2016(10):93-115,203-204.
[15][18]深圳市人工智能行业协会发布《2021人工智能发展白皮书》[EB/OL].(2021-05-28)[2021-06-20].https://www.sohu.com/a/469049593_121123919.
[16]《中国新一代人工智能发展报告2019》发布——我国人工智能论文发文量全球领先[EB/OL](.05-26)[2021-06-08].https://baijiahao.baidu.com/s?id=1634542618791206141&wfr=spider&for=pc.2019-
[17]《中国新一代人工智能发展报告2020》发布[EB/OL].(2020-10-22)[2021-06-14].https://baijiahao.baidu.com/s?id=1681229567542644309&wfr=spider&for=pc.
[19]《人工智能核心技术产业白皮书》发布[EB/OL].(2021-04-21)[2021-06-20].https://www.sohu.com/a/462167290_120056153.
[20]吴汉东.人工智能的数据垄断与反垄断法的时代使命[N].光明日报,2018-07-03(11).
[21]关于下架“滴滴出行”App的通报[EB/OL].(2021-07-04)[2021-07-11].http://www.cac.gov.cn/2021-07/04/c_1627016782176163.htm.
[22]关于下架“滴滴企业版”等25款App的通报[EB/OL].(2021-07-09)[2021-07-11].http://www.cac.gov.cn/2021-07/09/c_1627415870012872.htm.
[23]2020全球AI人才报告:全球AI人才突破47万,中国仅有2万[EB/OL].(2021-03-25)[2021-07-09].https://www.sohu.com/a/457292666_120129517.
[24]高煜.我国经济高质量发展中人工智能与制造业深度融合的智能化模式选择[J].西北大学学报(哲学社会科学版),2019(5):28-35.
方澳，中国社会科学院大学硕士研究生，研究方向为数字经济、政府政策。
郭朝先,方澳.人工智能促进经济高质量发展：机理、问题与对策[J/OL].广西社会科学:1-10[2021-07-26].http://kns.cnki.net/kcms/detail/45.1185.C.20210723.1327.002.html.
人工智能人才培养现状、问题及发展方向
7月26日，中国科协青少年科技中心、中国青少年科技辅导员协会和山东省科学技术协会共同主办的2021年中国人工智能普及教育发展论坛在山东烟台举行。论坛主题为“智能时代智创未来”，中国科学院大学人工智能学院副院长肖俊，浙江大学计算机学院教授、教育部义务教育信息科技课标组专家翁恺，山东大学软件学院副院长许信顺围绕人工智能人才培养现状、问题及如何做好人工智能人才培养等话题进行了分享和交流。小编整理专家们的干货观点，为你呈现：
2021年中国人工智能普及教育发展论坛会议现场
人工智能人才培养历史及现状
01
国内外人工智能人才培养链条初步形成
基于研究的高端人工智能人才培养已经发展了近半个世纪，肖俊梳理了国内外人工智能人才培养发展过程中有影响力的十件大事。
1958年，麦卡锡在麻省理工大学组建全球第一个人工智能实验室，开始人工智能研究和人才培养。1962年他在斯坦福组建了世界上第二个人工智能实验室。时至今日，上述两个实验室和卡内基梅隆大学的人工智能实验室排名全球前三。
2017年5月，中国科学院大学成立国内首个全面人工智能人才培养学院，随后，清华大学、北京大学、中国人民大学、南京大学等相继成立了人工智能学院和研究院。
2017年，中国《新一代人工智能发展规划》出台，明确提出要加快培养聚集人工智能高端人才，包括“人工智能+X”复合专业培养、学科交叉和产学研合作，同时实施全民智能教育项目，中小学阶段设置人工智能相关课程。
2018年4月，中国教育部印发《高等学校人工智能创新行动计划》，提出要加强理论研究，引导高校从增量知识和存量调整方面加大人工智能人才培养力度。教育部印发文件还指出，为构建人工智能多层次教育体系，中小学阶段也将引入人工智能普及教育。同时鼓励支持高校相关教学、科研资源开放，建立面向青少年和社会公众的人工智能科普公共服务平台，积极参与科普工作。
2018年5月，卡内基梅隆大学（CMU）开设全美第一个人工智能本科专业。同年，中国35所高校申请并获批招收人工智能本科专业学生，2019年之后逐渐变多，教育部也新增高职（专科）人工智能专业，2020年起开始执行。人工智能本科、专科和研究生层次的人才培养开始正式招生。
2018年来，中小学人工智能普及教育引发广泛关注。相关专业机构成立、面向中小学的教材陆续出版。2018年4月14日，中国青少年科技辅导员协会成立人工智能普及教育专业委员会；2019年5月26日中国人工智能学会成立了中小学工作委员会。如陈玉琨、汤晓鸥编写的《人工智能基础（高中版）》等。
2019年，中国人社部相关通知发布人工智能工程技术人员成为“新”的职业工种并组织专家和相关企业起草人工智能职业的相关标准和规范。
2019年3月22日，首届中国人工智能教育大会召开；2019年5月16-18日，国际人工智能与教育大会在北京召开，时任中国教育部部长陈宝生出席。
2019年9月22日，北京大学、清华大学等9所高校及清华大学出版社成立中国人工智能教育联席会，围绕全面提高人工智能人才培养这一核心，共同研讨人工智能人才培养的理念、方法和机制，抓好人工智能专业内涵建设，构建和完善“多主体协同育人长效机制”，培养高水平人工智能人才。
2020年1月21日，教育部、国家发展改革委和财政部印发的《关于“双一流”建设高校促进学科融合加快人工智能领域研究生培养的若干意见》出台，2020年人工智能专业研究生大幅扩招。
从上述这十件事情可以看出：尽管国内人工智能教育开始时间不长，但已受到学校、企业和政府等多方的高度重视；我国已逐步开启学位教育与职业培训协同发展的多元化人工智能人才培养模式；我国已经初步形成覆盖中小学、专科、本科、研究生等各个层次的人工智能人才培养链条，但仅仅是“初步形成”，和高等教育相比，中小学、专科和本科教育仍需再深入研究。
02
我国人工智能人才缺口大
人工智能人才紧缺是我国人工智能发展面临的主要困境。肖俊以2017年《全球AI领域人才报告》为依据，将当前中美人工智能人才数量做了一个对比。截至2017年一季度，全球人工智能领域专业技术人才数量超过190万，美国超过85万，排在第一位，而中国超过5万，全球第七，不足美国的6%。从人工智能人才从业时间的角度分析，中国高层次AI人才极其稀缺且从业时间短，美国从业十年以上的人才比我国高一倍。从年龄分布角度来看，我国也处于明显的弱势，整体而言28-37岁是AI主力军，但是在中国48岁以上的资深AI人才比较少，年轻人比较多一些。而48岁以上美国占到16.5%，中国只有3.7%。
随着诸多行业转向人工智能领域，该领域的人才需求量十分巨大。传统IT企业全面向人工智能转型，纷纷抢占智能产业制高点，如谷歌、IBM等。诸多非IT企业也开始布局人工智能产业，这与人工智能逐渐深入各行各业迫使它们不得不向该方向做转型有关，比如碧桂园就不惜重金招人工智能博士帮企业布局新发展。很多学物理化学材料专业的学生也开始学人工智能技术，希望可以通过学科交叉做出一些新的东西。据TalentSeer和AI人才社区Robin.ly联合发布的数据显示，2016-2019年，全球人工智能人才需求年均增长达74％，而我国工业和信息化部人才交流中心数据显示，当前我国人工智能产业内，有效人才缺口达30万。可见，人工智能的人才培养已是刻不容缓。
人工智能高等教育人才培养
面临的问题及解决思路
01
追求短平快，学科建设、各方协作不足
肖俊认为我国目前的人工智能高等教育主要存在三方面的问题。一是学科建设不健全。人工智能非一级学科，国内现在有几个专业都在做人工智能人才培养，包括智能科学与技术、数据科学和大数据、机器人工程等，没有明确规定人工智能人才必须在哪个系统或者哪个学院培养，导致培养体系不健全，目前每所高校的方案都不一样。二是要警惕“短平快”导向偏差。现在人人都来跨专业学人工智能，简单学一些深度学习算法和Python编程等基本能力就出去找工作。这种浅层次学习和人才培养其实不一定需要由高校承担。高校的人才培养需要贯彻落实“百年树人”思想，不能追求短平快。三是产学研协作不足。人才培养定位和目标不明确、校企供需对接不够、学校招生需求与就业脱节。
02
做好人才培养的精确分类
肖俊认为，人才培养需要执行“三个面向”方针，即面向世界科技前沿，面向国家重大需求和面向国民经济主战场，对人才做好分类培养。针对人工智能人才培养定位和目标不明确、校企供需对接不够、学校招生需求与就业脱节等问题，首先应面向不同需求做好精确分类，比如学术和职业教育层面就应区分开。研究生层面应设立创新型人才培养与技术应用型人才培养互补，专业化培育与定制型培育相结合的培养体系。职业教育层面，要充分发挥高职高专的职业教育优势，尤其是要与新公布的人工智能新职业工种和标准做好衔接。此外，人工智能教育培训市场目前也存在一定的泡沫，社会化培训也需要进一步规范，培养人才的初衷不能变。面向成人的教育，可以以技能培训为目标，并与职业资格考试结合。许信顺将高等教育人工智能人才培养划分为三个层次：一是研究人才培养，主要做核心算法、核心理念创新的工作，还有产业研发等；二是应用型人才培养，主要是把人工智能算法和具体产业相结合落地，使用现有人工智能工具，根据场景解决具体问题，做规模化、产业化；三是人工智能人才基础素养培养。
03
注重学科交叉、数理人文基础教育
“学科交叉”是肖俊谈人工智能高等人才培养的第一个关键词。针对人工智能培养体系不健全等问题，他认为首先应加快人工智能一级学科论证，充分考虑和重视人工智能的学科交叉性，考虑在2020年新增的“交叉学科”门类下进行设置；第二，应制定规范的人工智能人才培养方案，明确招生目标，合理设置招生专业和课程，充分体现人工智能与计算机科学、控制科学的异同；第三，应区分相关教材和专著，目前是专著多，教材少，应打造真正适合教学、学生使用的人工智能系列教材。针对“短平快”问题，现阶段人工智能方向的研究生应将模式识别、计算机视觉作为首选方向，像一些基础性、交叉性方向比如（脑）科学、生物信息学是很好的，但很多学生不一定很感兴趣，他们大多喜欢刷数据集，做应用，调参数，短平快的出成果。当然，出现这一现象也有老师的一部分责任，很多教师的目标在于出“成果”，这个目标本无可厚非，但不应该是人才培养的全部。事实上，不管是人工智能人才培养还是其它学科的人才培养，既然是人才培养，就一定要遵循自身规律，要注重周期性、流畅和质量。
“数理人文基础”是肖俊提出的第二个关键词。在论坛中，他介绍了卡内基梅隆大学（CMU）开设的人工智能本科专业的课程设置。它的课程很有特点，数学与统计学核心课程占6门，人文与艺术占7门，反而像计算机科学和人工智能这类核心课程加一起才8门。可见其非常重视培养学生的数理基础和人文艺术等交叉学科的整体素养的培养。这也是现在我国很多大学所做的通识教育，比如中国科学院大学的本科，前三个学期主要在学数理基础。因此，通过国外的做法可以看到，人工智能高等教育应重视对学生数理基础和人文知识素养的培养，为交叉学科做好准备。因为数学是人工智能核心算法的基础，而人文、伦理是人工智能涉及的重要方面。
04
政府、学校、企业协同
作为一个对硬件和软件要求较高的学科，在人工智能人才培养过程中联合政府、学校和企业之力实现资源共建共享是十分必要的，这也是目前很多学校在探索的路径。
许信顺提出，研究型人才的主要培养主体在高校和研究所。高校主要做规模化课程体系，而科研院所拥有非常先进的设备和优质的研究环境。除了前述两个主体外，还离不开政府和企业。政府方面，在国内能否培养哪个专业人才是需要教育部批准的，另外还需要做资金投入，需要政府拨款，与此同时政府还通过典型的项目投资来推动相关人才的培养工作。企业方面，前些年许多企业经常表示大学培养出来的人才与实际需求相脱钩，为此国家也非常重视这方面的问题，比如推动产教融合的人才培养模式。在人才培养过程中，企业可以提供相关研究环境包括数据，从而深入参与到人才培养过程中。尤其，对于应用型人才培养，更应该推动高校和企业的联合培养，高校有系统化的课程体系，企业有非常完善和成熟的应用场景，二者可以做深度结合。
肖俊也提出，校企协作是提高人工智能人才培养效率重要途径。企业、研究机构和高校有最先进的技术、设备和体验场所可以向社会开放，如中国科学院的研究所每年都有公众开放日，年年预约总是瞬间就满了，这说明社会需求量很大。如果相关企业高校都可以做这种开放日让公众去体验，那么可以在很大程度上解决这个问题。还有如百度、华为、阿里等企业，它们都有体验中心可以对学生开放，在这方面国外企业开始的很早，而国内比较晚。
中小学人工智能普及教育
面临的问题及解决思路
01
基础教育师资短缺，课程、平台不完善
人工智能普及教育要进入中小学，目前面临了三个难题。第一是没有形成成套系统的课程体系。许信顺建议，应该把人工智能基本概念、算法程序设计、机器学习、计算机视觉、人机交互等知识在整个素养培养过程当中进行融入。除了课程体系外，师资力量短缺的问题更是制约发展的瓶颈。依靠现有各个中小学的师资，把所有课程体系内容都讲通有一定难度，在济南很多学校达不到，师资配备不可能把所有课程串起来。第三，教学平台不完善。据许信顺了解，目前济南市拥有比较完善平台的学校只有一所，大部分学校现有的教学平台难以支撑实施所有的人工智能课程模块。现在很多学校有一个思路就是做高校企业的联合培养，通过资源整合来加快人才的培养进程。
02
人工智能普及教育应是一种素质教育
翁恺在论坛发言中特别强调，基础教育阶段的人工智能教育首先应是一种素质教育，即所有学生都应该在基础教育阶段学习，从小学到大学需要有连贯的规划和设计。其次是非技能性，基础教育学科的课程都是基本原理，而不是技能，既不期望学生学了语文可以成为小说家，也不期望学生学了物理可以成为机械工程师；理解人工智能的核心价值和基础理念比掌握具体可见的人工智能技术、手段更重要。
翁恺简单介绍了教育部新一轮的义务教育阶段信息科技课程标准修订的大致情况。课程的核心素养包括信息意识、计算思维、数字化学习以及信息社会责任等，课程目标是让学生具备应用信息科技解决问题的能力，养成合作与探究的习惯，自觉践行信息社会责任，为成为信息社会的合格公民打下数字化基础。
为什么要提“信息科技”而非“信息技术”呢？翁恺表示，之所以这样提，是为了使课程更具科学性。课程的科学性既体现在知识内容上，也体现在教和学的方法上，如何设计教学手段让学生自己探究来得到这些知识，这才是更重要的。教育不仅仅是使学生习得谋生的方法，正如浙江大学老校长竺可桢曾说，教育更需要有科学的方法来分析，公正的态度来计划和果断的决心来执行，而这些都应该是小学时代养成和学习的，这就是教育当中科学的体现。
03
培养孩子对机器的亲切感
生活在信息时代的孩子们，是互联网的原住民，对于非物质世界的认识，他们比以往任何一代都要深刻。因此，人工智能作为一门理解非物质世界的基础学科，需要把握好核心和出发点。在翁恺看来，人工智能教育最重要的是培养和机器打交道的能力，最原始的出发点就是让孩子喜欢计算机，培养他们对机器的亲切感，见到机器不陌生不害怕，习惯用机器解决问题。就像农民的孩子看到锄头是亲切的，医生的孩子看到听诊器是亲切的，我们的孩子看到机器应该是亲切的。在这样一个基础之上理解什么是虚拟，什么是现实，理解技术的边界和能力。
（来源：“全国青少年人工智能科普活动”微信公众号）
中国青少年科技辅导员协会
提醒广大科技辅导员
戴口罩勤洗手少集会
不给病毒可乘之机！
原标题：《人工智能人才培养现状、问题及发展方向》
深度丨人工智能前沿技术应用趋势与发展展望
基础数据集建设已经成为基本共识
自从李飞飞等在2009年成功创建ImageNet数据集以来，该数据集就已经成为了业界图形图像深度学习算法的基础数据集，通过举办比赛等方式极大地促进了算法的进步，使得算法分类精度已经达到了95%以上。这也使得一些大型研究机构和企业逐渐认识到了数据的价值，纷纷开始建立自己的数据集，以便进行数据挖掘和提升深度学习模型的准确率。如美国国家标准研究院的Mugshot、谷歌的SVHN、微软的MSCOCO等图像基础数据集，斯坦福大学的SQuAD、卡耐基梅隆大学的Q/ADataset、Salesforce的WikiText等自然语言数据集以及2000HUB5English、CHiME、TED-LIUM等语音数据集。
新型计算基础设施陆续成为产业界发展目标
由于深度学习对算力有较高的需求，因此相继出现了一些专门的计算框架和平台，如伯克利大学的Caffe、微软的CNTK、Facebook的Torch、亚马逊的MXNet、百度的PaddlePaddle等，尤其是谷歌的TensorFlow能够支持异构设备的分布式计算，其平台API能力已经覆盖了CNN、RNN、LSTM等当前最流行的深度神经网络模型。除了从计算框架软件平台进行研发之外，产业界同时也从硬件方面探索计算能力的提升方法。最为直接的方法就是采用计算能力更强的GPU替代原有的CPU等。此外，谷歌、IBM等一些大型企业在大量采用GPU的同时，也在探索进行符合自身计算环境的芯片研发，从而进一步降低成本、提高效率，因此产生了TPU等性能更加卓越的新型芯片。
人工智能技术发展面临的挑战虽然人工智能技术发展已经取得了前所未有的成绩，但随着深度学习技术应用的不断深化和产业化步伐的逐步加快，人工智能技术发展也面临着不少挑战。
主流技术深度学习还具有较大局限性
一是在有限样本和计算单元的情况下，对复杂函数的表示能力有限，其针对复杂分类问题的泛化能力受限。二是通过深度学习是一种基于概率统计的算法，机器系统学习到的是大概率内容，不是知识，无法像人类一样进行举一反三的应用。三是深度学习存在黑箱问题，不能解释其自身做出决策的原因。
基础数据积累还远远不能满足模型训练需要
由于大数据技术的出现和使用时间还不长，各类基础数据不论从数量上还是从质量上来看，都尚需要较长时间的积累。一方面，某些关键领域和学术数据集还严重不足。另一方面，已有规模化的基础数据集不仅数据质量良莠不齐，而且基本上由少数几家巨头或政府所掌握，鉴于监管和竞争等因素，无法实现有效流动。基础数据的缺乏，使得深度学习模型训练也造成了样本基础缺失。
计算框架和通用智能芯片尚未形成定局
虽然已经出现了TensorFlow、Caffe、CNTK、Torch、MXNet、PaddlePaddle等深度学习计算框架，但由于深度学习应用场景众多，相关应用呈现碎片化特点，无论从功能还是性能角度来讲，用于实现最后应用落地的开源计算框架与实际需求之间都还存在着相当的距离，满足产业发展需求且具有绝对统治地位的开源计算框架也还没有出现。同时，深度学习芯片还只是刚刚起步，而且还基本上属于专有领域的芯片，通用智能芯片的产业化还需要较长时间的探索。
人机和谐共处的有效途径开始艰难探索
由于黑箱问题及其基于概率统计的特点，基于深度学习的智能系统存在产生不可控结果的隐患。我们已经看到，使用了人工智能技术的智能驾驶汽车出现了多次的事故，甚至造成了人员的伤亡。另外，使用了智能算法的自动驾驶飞机也出现了多次坠机事故。这些事故不仅造成了人们的生命和财产损失，也严重打击了人们对人工智能的信心。实际上，这些事故的发生除了有技术方面的原因之外，还涉及到AI伦理的问题，也就是如何保证人类与智能系统之间的和谐共处、协同合作等问题。目前来看，AI的伦理问题还需要较长的探索过程。
人工智能技术发展趋势短期来看，人工智能技术的发展将围绕对上述问题的解决进行。下面从算法理论、数据集基础、基础设施、人机协同等以下几个方面进行探讨。
算法理论
在算法理论层面，将继续按照深度学习完善和新算法的两条主线发展。首先，深度学习在提升可靠性、可解释性等方面的研究以及零数据学习、无监督学习、迁移学习等模型的研究将成为热点方向，这不仅仅是深度学习算法本身发展的需要，也是产业发展的需要。其次，学术界将继续开展新型算法的探索，包括对传统机器学习算法的改进、传统机器学习算法与深度学习的结合以及与深度学习迥异的新型算法等。
数据集基础
在数据集基础方面，学术界与产业界将共同合作构建语音、图像、视频等通用数据集以及各行业的专业数据集，使得各类数据集能够快速满足相关需求。一方面，随着对人工智能认识的不断加深，将会有越来越多的企业和政府机构开展数据自建和数据标注等工作。另一方面，随着深度学习的发展，将会出现智能化的数据标注系统来帮助和替代人类进行数据标注等工作。再有，在政府引导和支持下，一些开放的标准化数据集将会陆续出现，为整个行业提供标准化训练数据集。
计算平台与芯片
在计算平台与芯片方面，大型企业自研计算框架、自建计算平台，甚至是自研芯片等，仍将是普遍现象。这主要是由于以下两个方面的原因。一是企业出于自身数据和业务安全的考虑，对使用其他机构提供的训练平台仍然持有不信任的态度；二是每个企业的数据中心和相关平台都有其自身的特点，自研计算框架、自建计算平台和自研芯片能够更好地满足自身的业务发展需要。
人机协同机制
在人机协同机制方面，“人在回路”将成为智能系统设计的必备能力。目前，机器智能并没有实现人们所希望的“以人为中心”，仍然还是以机器为中心，这也是人类屡受智能系统伤害的主要原因之一。因此，将人类认知模型引入到机器智能中，使之能够在推理、决策、记忆等方面达到类人智能水平，将成为学术界和产业界共同追求的目标，并可能在一定的时间内取得较好的阶段性成果。
人工智能技术发展展望长期来看，人工智能技术将分别沿着算法和算力两条主线向前发展，并逐步带领人类进入到人机协同的新时代。
高度关注类脑智能算法
深度学习是基于冯·诺依曼体系结构发展起来的。由于受到内存墙等相关方面的制约，难以达到较高的计算效率。为此，近些年来IBM等已经开始进行颠覆冯·诺依曼体系结构的类脑智能算法与技术的探索。类脑智能借鉴大脑中“内存与计算单元合一”等信息处理的基本规律，在硬件实现与软件算法等多个层面，对于现有的计算体系与系统做出本质的变革，并实现在计算能耗、计算能力与计算效率等诸多方面的大幅改进。目前，随机兴奋神经元、扩散型忆阻器等已经在IBM、马萨诸塞州阿姆赫斯特大学、清华大学等机构研制成功，IBM已经研制成功TrueNorth芯片，清华大学团队也成功研制出了基于忆阻器的PUF芯片。
智能部署从中心向边缘和终端扩散
随着智能装备和智能机器人等智能终端的逐渐增多，智能终端的快速反应以及相互之间的协同行动需求将会越来越迫切，对智能服务的实时性将会越来越强烈。这就要求智能服务从云端向网络边缘甚至终端扩散，智能模型与算法需要部署在网络边缘或终端之上，就近提供网络、计算、存储、应用等核心能力，从而满足通信、业务、安全等各方面的关键需求。
目前，英伟达、高通等都已经陆续开展了用于边缘网络或终端的AI专用芯片。而随着5G网络的普遍部署，边缘智能将会获得快速的发展。
深度学习通用平台和通用AI芯片将会出现
随着人工智能应用在生产生活中的不断深入融合，智能终端的互联互通将会成为必然。由于跨框架体系开发及部署需要投入大量资源，因此尽管每个终端的智能模型可能不同，但深度学习计算框架的模型底层表示将会逐渐趋同，形成深度学习通用计算框架和平台。随着计算框架的整合，GPU和TPU等芯片将可能会被通用AI芯片所替代。
量子计算推动形成新一轮计算革命
不论现在还是将来，人工智能无疑都将是最为消耗计算资源的业务和应用之一，计算效率也将是智能体永恒的追求目标。量子计算具有强大的计算能力和效率，已经成为全球公认的下一代计算技术。IBM已经在近期推出了世界上第一个商用的通用近似量子计算系统里程碑产品IBMQSystemOne，客户可以通过互联网使用这台量子计算机进行大规模的数据计算，为人工智能计算展示了良好的前景。
人工智能已经逐渐向工业、农业、交通、医疗、金融等各个领域渗透，并开始形成新的业态，成为了新一轮技术革命的制高点。因此，必须积极主动把握人工智能技术和产业发展机遇，认清技术发展趋势，在类脑智能、边缘智能、通用平台与芯片、量子计算等前沿技术领域加快布局，勇闯人工智能科技前沿的“无人区”，才能抓住人工智能时代发展的主动权。返回搜狐，查看更多
人工智能时代学校教育的现状及发展趋势
（二）积极开展教师人工智能教育培训
教师作为学生培养者、人工智能教育实践者，提升自身人工智能素养是实现教育现代化的重要保障。针对当前教师对人工智能教育认识分化，人工智能教育利用不合理情况，学校与教育主管部门应定期对教师进行相关教育培训。第一，深入调查研究了解当前教师关于人工智能教育认识程度、使用熟练度、存在具体问题及相关建议，由此制定具有针对性的培训内容。第二，针对调查结果结合不同地区实际教育发展需要，制定人工智能专项教育培训计划，达到教师正确认识并熟练运用目的。第三，邀请人工智能专家、教育专家、资深教师进行培训课程研发。使培训课程贴近生活、贴近课堂、贴近学生，做到为教育服务。第四，为保证培训效果，将人工智能教学技能作为教师综合考核标准之一，督促、激励教师向数字化教师转型，带动教育事业走向现代化。
（三）合理为学生制定个性化学习方案
人工智能教育使教师对学生学习过程具有深入了解，可以针对不同层次学生制定个性化学习方案。传统课堂教师无法兼顾学生学习差异，授课内容只能以班级大多数学生水平为参照，导致优等生得不到突破，后进生理解困难，难以真正达到因材施教。在人工智能教育帮助下，通过自适应学习程序、游戏和软件等系统响应学生的需求，全过程搜集学生的学习数据，通过分析数据，最后向学生推荐个性化的学习方案。课前，教师通过数据反馈结合学生学习需要制定本节课教学计划。课中，依据学生课堂表现，教师可以有针对性的对学生薄弱环节，进行深入讲解加深学生印象。课后，分层次布置作业，在确保夯实基础知识前提下，适当拔高作业难度，既能巩固知识，又能减少学生学习挫败感调动学习积极性。人工智能教育把传统课堂的优势与数字化教学的便利相结合，实现线上教育与线下教育的混合式教学，达到个性化教学目的。
（四）考核体系实现素质评价精准化
当前以知识为核心的考试制度，虽然提高了升学率，但是制约了教育创新发展，不利于学生综合素质提升。随着人工智能数据采集方式的不断完善，充分利用大数据智能分析对学生的学习过程、学习行为、学习水平等进行分析，基于学生的个性特点精准建立学习者的动机、能力、爱好、水平、体能、心智水平等要素构成的学习方案，具备大数据智能过程性评价的新制度将从根本上优化当前的以知识为核心的考试制度，以学习者动态发展学业水平为基础的适应性双向匹配与选择制度将被建立，从而实现素质评价精准化，提升学生学习的积极性与主动性。
三、人工智能对未来教育影响
（一）促进学生深度学习
理想的学习效果是让学生认识到学习意义，从而全身心投入到未知领域的学习中，达到深度学习目的，人工智能教育利用技术优势实现学生深度学习。首先，真实地学。真实是深度学习发生的基础，在课堂中减少虚假学习行为，聚焦学生内心世界，了解学生学习困境，进行针对性教学，从而促进学生深度学习。其次，充分使用工具。人工智能为教育提供丰富多样的学习工具，学生结合自身学习特点，合理选择学习工具，提高学习效率促进深度学习。最后，整体地学。关于深度学习，我们应走出碎片化学习误区，利用人工智能辅助学习工具，把知识与生活相联系与学生学习过程体验相结合形成整体教学。人工智能时代深度学习不仅是大脑参与的思维层面的学习，更是人机协同的系统化学习。
（二）促进学生跨学科学习
单科学习让学生有完整系统的学科知识，但其局限性无法满足新时代对学生综合能力提出的要求，新时代跨学科学习是未来创造者的必修课。这种学习方式打破不同学科、领域之间的知识隔阂，在帮助学生解决复杂问题的同时拓宽认识边界，培育学生的发散思维和创新能力。人工智能时代跨学科学习，不再局限于学校学科之间的跨越学习，而是提倡学生学习社会各个学科领域的重要知识，并用此指导实践。进行跨学科学习应使用交流合作的学习方式，在学习过程中取长补短，融百家之所长，实现知识的流动、转换和创新，在理性的学术争论中，帮助学生完善知识，提升学生创新水平。
（三）促进学生思维方式转变
人工智能教育颠覆了不同个体的学习过程和学习方式，促进学生思维方式转变。在应试教育背景下，学生常用死记硬背的学习方式，不考虑知识的来源、用处与其他知识的关联，缺乏在实际生活中运用。针对这一问题，人工智能用庞大数据库和丰富实践案例，来引导学生思维方式从零维上升到一维。线性思维强调不同事物之间彼此关联和相互连接，利于学生用所学知识连接现实解决困境。建立不同知识点的因果联系，有助于提高学生创造力、展现个性。人工智能作为人类学习辅助工具，极大地优化了学生的思维方式，加速素质教育实现。
四、结语
人工智能技术发展使学校教育得到优化，为人类社会发展带来动力和创新契机，我们应从理性的角度出发，合理利用技术推动教育进步，提升教育质量，真正发挥教育立德树人作用。在进行教育体系建设时，始终坚持教育的初心和使命，坚持科学精神、创新精神、实践精神，发展具有中国特色的新时代智能教育。
参考文献：
［1］梁迎丽，刘陈．人工智能教育应用的现状分析、典型特征与发展趋势［J］．中国电化教育，201（8 03）：24-30．
［2］吴晓如，王政．人工智能教育应用的发展趋势与实践案例［J］．现代教育技，201（8 02）：5-11．
［3］余胜泉．人工智能教师的未来角色［J］．开放教育研究，201（8 01）：16-28．
［4］张剑平，张家华．我国人工智能课程实施的问题与对策［J］．中国电化教育，200（8 10）：95-98．
人工智能的瓶颈问题
人工智能现有进展主要体现在专用人工智能方面，但是仍存在一些局限性，将其总结为以下四点：有智能没智慧，有智商没情商，会计算不会“算计”，有专才无通才。这些瓶颈问题主要包括：
（1）数据瓶颈：深度学习需要大量的数据；
（2）泛化瓶颈：这是模式识别、计算机视觉、人工智能方法面临的一个共同的问题，现有方法在一些实际问题中仍无法取得理想的泛化性能，或者训练好的模型用在变化的环境或领域，其泛化性能明显下降；
（3）能耗瓶颈：人的大脑尽管是一个通用的人工智能系统，但是能耗很低（只有20瓦），但现有计算机上实现人工智能系统则能耗很高；
（4）语义鸿沟瓶颈：目前语言服务大多为简单查询，不涉及语义推理问题，缺乏真正的语言理解能力，比如一些有歧义的自然语言句子，人很容易根据上下文或常识理解其真正含义，计算机却很难理解；
（5）可解释性瓶颈：现有人工智能系统都是知其然而不知其所以然，其过于依赖训练数据，缺乏深层次数据语义挖掘。报告指出，可解释性非常重要，人工智能不仅要知其然还要知其所以然，知其然只是浅层智能，知其所以然才叫深层智能；
（6）可靠性瓶颈：现有人工智能系统可靠性较差，有些错误识别结果会带来致命后果，比如2016年7月，特斯拉自动驾驶功能不能正确识别反光条件下的卡车，导致致命车祸。
观点二可解释的人工智能是未来重要方向从专用人工智能到通用人工智能是大势所趋，一些科技巨头包括国家机构都在布局通用人工智能的研究，比如GoogleDeepMind创始人DemisHassabis宣布朝着“创造解决世界上一切问题的通用人工智能”这一目标前进，微软成立人工智能实验室以挑战通用人工智能为主要目标。
可解释的人工智能系统备受关注，它也是突破统计学习瓶颈问题的一个重要方向。DARPA（美国国防高级研究计划局）的报告里面把过去几十年人工智能技术的发展和创新分成几个波次：第一个波次是基于规则的，例如以专家系统为代表的系列方法和技术；第二个波次就是当前以大数据驱动为代表的统计学习；第三个波次很可能是可解释的人工智能，就是人工智能要知其然还要知其所以然，以此可见人工智能可解释性的重要意义。
观点三切忌借人工智能热度圈钱圈地国务院印发的《新一代人工智能产业发展规划》的实施，一定会有力推动我国人工智能事业的发展，掀起人工智能新的热潮。但是在新一轮的AI热潮下，我们尤其要保持清醒的头脑，吸取人工智能16年发展的教训，当然也有经验，切忌借这个机会圈钱圈地，一哄而上，给人工智能设定不切实际的目标，提出过高的期望。
目前人工智能存在的问题
现如今，人工智能的发展十分迅速。这迅速的脚步是离不开当下越来越多的企业的研发与应用，可以说企业和人工智能都是在相辅相成中持续向上发展的的。不过在使用人工智能的时候还是会出现很多的问题，而这些问题可以阻碍人工智能的发展，且我们必须解决它们才能更好地踏出下一步。今天小编就来给大家介绍一下当下的人工智能存在的问题，希望能够帮助大家更好地去认识和理解人工智能的发展现状。
1.人工智能无法去描述常识
大家都知道，常识都是显而易见的，有时候我们甚至很难用语言去描述它，进而在数据中给它打标签。对于所有“显而易见”的东西，我们存在巨大的盲点。因此，我们无法教计算机常识，不仅因为这可能不切实际，更根本的原因是我们甚至没有意识到常识是什么。直到我们发现机器人做了一些很愚蠢的事情，我们才能够意识到这些。
2.人工智能被图灵对智能的定义所束缚
图灵有关智能构想很著名，他将智力限制为一种和人类进行语言游戏的解决方案。具体来说，图灵将智能设定为游戏的解决方案，第一就是将人类置于判断的位置。这个定义非常具有迷惑性，并很适合人工智能领域。而像猫、狗。兔子甚至是其他动物都是非常聪明的生物，但它们没有语言，因此也不可能通过图灵测试。这也是人工给智能所面临的问题。
3.人工智能的核心问题莫拉维克悖论
那么什么是莫拉维克悖论呢？莫拉维克悖论的核心论点是，现实中最简单的问题比最复杂的游戏更难解。我们沉迷于令人工智能在游戏中超越人类以及其他受限且定义明确的话语领域，如数据集，将其作为智能的指标，作为一种与图灵测试一致的标准。我们完全忽略这样一个事实：对智能的最终判断由现实本身，而不是由一个人类组成的委员会作出。如果解决了这些问题那就更好的解决这些问题。
在这篇文章中我们给大家介绍了有关人工智能存在的问题，具体包含了三点，分别是描述显而易见的常识是十分费力的，人工智能被图灵对智能的定义所束缚，人工智能的核心问题莫拉维克悖论。这三个现象可以说是当前人工智能存在的比较明显突出的问题，不过相信在时间的检验和推进下，这些问题都会慢慢迎刃而解的。
标签: 人工智能
人工智能未来的发展方向是什么
第一个趋势是，全体IT巨头将重兵布局AI云服务，AI-a-a-S，意思是人工智能即服务，将成为未来趋势。AI是未来，已经是不证自明的事实，新老IT巨头不仅在自身业务里积极运用人工智能，同时也在积极利用云计算平台将AI服务提供给第三方。
从供给方来说呢，IT巨头们都很清楚，只要第三方使用自己的平台，就会把数据留在平台上，而这些数据将会是人工智能时代的一座大金矿。从需求方来说呢，那些应用企业可以利用大公司提供的AI云服务，提升自己的竞争力。所以，无论对于AI服务的提供商，还是使用AI服务的企业，这都是一种双赢的合作。
[[406493]]
第二个趋势是，新老人工智能企业将围绕智能入口展开白热化的争夺。在互联网时代，几乎每个入口都会引起争夺，而每个入口争夺的成功者都会变成下一个巨头。比如在Web2.0时代，互动社交的兴起形成了社交入口，造就了Facebook和腾讯。人工智能时代也不例外，激烈的争夺过后，必然会诞生下一个巨大的超级企业。
人工智能时代，服务的入口主要是自然语言的语音交互，自然语言处理会是人机交互的主要模式，谁能让机器更懂人类的语言，谁就能有可能取胜。人工智能会全面包围我们生活的方方面面，这意味着，人工智能入口的竞争会更加惨烈，而越早参与，获得越多的用户，胜利的几率就越大。
[[406494]]
第三个趋势是，人工智能将占领客厅，语音交互将成为主流电视应用。智能家居概念喊了很多年了，比尔·盖茨在1995年出版的《未来之路》里就做出了清晰的描述，但是这样的描述迄今都没有成为事实，核心原因就在于用户缺乏需求。
现在随着电视屏幕尺寸增大、视频内容爆炸性增长，传统的遥控器越来越难以满足人们使用电视的需求，语音为主的智能搜索和智能互动正在迅速崛起，自然语言交互将会成为操纵电视机的标准方式。三星等传统的电视厂商、Netflix和亚马逊等视频内容提供商、微软和谷歌等IT厂商都已经或将要推出自己的以电视为核心的语音互动产品，智能家居正在从电视机切入成为现实。
[[406495]]
第四个趋势是，智能玩具将成为AI最早成功的应用领域之一。如果利用AI来诊断病情，或是制造自动驾驶汽车，人们往往无法容忍它犯错误。但是玩具不同，人们对玩具的出错容忍度高。所以，在人工智能还没办法超越人类智能的今天，智能玩具恰恰是能够让人工智能获得初期市场认可的切入点。
事实上，现在已经有不少成功的案例了，比如2016年底，能和人玩游戏的智能玩具Cozmo热卖到断货。2017年更会有一大批的智能玩具上市。中国的玩具制造业虽然强大，但是没有什么品牌优势，如果中国的玩具公司和高科技公司合作，借助自己强大的制造实力和市场推广实力，顺势推出自己的品牌，将会获得巨大的商机。