人工智能的四个阶段
人工智能的四个阶段
----参考[人工智能] 王万森
提起“人工智能”，从字面上看很容想到与之相对应的“自然智能”，自然智能基本的解释就是自然界本身具有的智能，而人工智能就是人类所创造出来的智能，在这里人类扮演了大自然的角色。概念很抽象，因为在学术界，还没有对智能进行严格的定义，更何况是人工智能呢？作为我们刚刚接触的人来说，这些问题应当作为一个长期伴随我们生活的问题，在日后的学习中，逐步加深对人工智能的理解。今天我们主要谈谈智能模拟的方法，以及牵扯的学科分支。
人类要实现智能，很大一部分是通过机器模拟人类的感知、思维、学习、行为，下面我就从这四个方面谈谈人工智能的模拟方法：
感知：机器模拟人类的感知行为，例如：视觉、听觉、触觉等。此类专门的研究领域有，计算机视觉，计算机听觉、模式识别、自然语言、自然语言理解；
思维：机器对已感知的外界信息或者由内部产生的信息进行思维性加工。主要的研究领域：知识表示、组织以及推理的方法，启发式搜索以及控制策，神经网络，思维机理等方面；
学习：重新获取新知识，达到自我完善增强。此乃人工智能的核心问题。主要的研究领域：记忆学习、归纳学习、解释学习、发现学习、神经学习、遗传学习。
行为：模拟人类的行动或者表达。主要的研究领域：智能控制、智能制造、智能调度、智能机器人。
本人研究主要领域为，感知、思维、学习三大方面大红的部分，而硕士阶段接触了一些行为方面的领域，例如智能控制、智能调度方面。
xy_main
gzu
2014-3-1
看起来聪明的人工智能，其实还处于“史前文明”阶段
本文来自微信公众号：造就（ID：xingshu100），作者：柴朝宸；视频：Don，题图来自：视觉中国
经历了数十年时间的积累，人工智能、通信、大数据等技术与产业进入了高速发展的阶段，全域智能时代已经来临。
2020年，新基建的提出，给全行业设定了一个明确的发展方向。造就与张江集团共同推出“新基遇”系列Talk，探讨新基建对于社会与人类未来影响的同时，也希望能够推动不同行业间的交流。
邬学宁 e成首席数据官您目前设备暂不支持播放
AI在新基建中扮演什么角色让我们先来回顾一下历史。公元前300年的都江堰，和公元300年罗马人的饮水渠，是人类历史上迄今为止仍然在工作的水利系统，它们灌溉了我们的农业文明；从有电以来，电灯泡给我们带来了光明，然后到特斯拉（NikolaTesla）的交流电孕育了我们如今的工业文明；而今天我们进入了云和大数据时代，各行各业的应用都已经上云了。
云计算带来的另外一方面，就是产生了很多很多的数据，而这些数据当中就孕育了数据的智能。当人工智能成为我们所有社会应用的基础设施之后，必将会使人类进入下一个智能时代。
其实人工智能现在已经是无处不在了，但是人工智能成为新基建又意味着什么？人工智能在新基建当中的地位是怎样的呢？
大家都已经了解新基建有7个主要组成部分。除了人工智能以外，其他6个都是很具体、具象的技术，而只有人工智能比较“虚”。
新基建当中，人工智能首先会用到三个支撑技术——这一波人工智能主要是靠大数据，所以大数据中心是人工智能的一个重要基础；第二个是工业互联网，工业互联网产生了非常多的数据，这些数据到大数据中心也给人工智能产生了很多燃油；还有5G，5G高速的通讯速度会给我们将来生活的世界带来很多改变，也可以和人工智能产生一些化学反应，孕育出新的应用。
那么除了这三个之外，其他技术也和人工智能有着密切的关系，更多的是人工智能去赋能这些技术。无论是新能源充电桩，还是特高压以及城际交通，当中都会产生非常多的数据。
比如说特斯拉的充电桩，其实你可以把它看成是个大号的iPad装了4个轮子，它的核心技术不是造车。用人工智能技术精确地控制了7600块锂电池，每一块电池都单独地控制它的电压和电流，这才是它的核心技术。
特高压、智能电网也用到了非常多的人工智能技术，比如说在一些设备的预防性维修等方面用了很多算法。
AI已融入我们的生活，但数字化转型之路仍漫长大家知道从AlphaGo打败李世石开始，所有媒体都对人工智能进行了大量报道。我们日常生活当中到处都能看到人工智能：女生的美颜相机、车牌识别、非常多的导航系统、手环手表、电冰箱……
美国有个统计，电冰箱里面有20%的食品基本上都是临近保质期的。韩国的一个电冰箱厂商，它的产品会识别食物的保质期，在临近保质期的时候会提醒你要不要购买，然后一键就可以给你购买。所以未来，电冰箱可能是一个入口——未来电冰箱可能完全免费，因为你需要什么，它就可以给你送什么——就是把一个产品经济向服务经济和体验经济转化的一个非常重要的入口。
右侧是我们一个养猪的客户。从猪生下来打耳标开始，全都是用物联网技术，跟踪养猪的整个生命周期过程。
所以其实人工智能大数据已经在我们的生活中无处不在，只是可能在用的时候，你没有感觉到。那么未来的趋势是什么？人工智能不再是作为一个一个单独的技术，它将成为一种基础设施，赋能所有的行业，赋能所有的企业。
当人工智能成为新基建之后——
第一，它会成为一种新的元能力。所谓元能力就是赋能其他能力的能力，它会赋能到其他基建以及基于基建的上层的应用和产品的能力。
第二，AIaaS（AIasaService），人工智能作为一个服务。它首先要变得非常容易调用，成为基础设施之后大家都要去调用它，不能搞得很复杂。我们现在有很多算法，虽然也提供了服务，但还是很难调用。因为有很多不同的算法，你要搞清楚什么时候用决策树，什么时候用神经网络，什么时候用贝叶斯方法等等。
第三，就是荀子讲的，“君子善假于物也”，“登高而招，臂非加长也”。其实未来从企业的角度，从社会的角度上来说，如何获得竞争优势，非常重要的一点就是看你是否拥有善于利用人工智能的基础的能力。并不是说每个企业都要去找数据科学家，都要去请很多人工智能的专业人才，而是我们都可以利用基础设施，利用基建里边的人工智能的能力去赋能我们的业务。
AI将在哪些领域有所突破未来十年，人工智能可能在哪些领域有所突破？
第一是想象力。大家可能知道有本书——尤瓦尔·赫拉利（YuvalNoahHarari）写的《未来简史》，其中就讲到了想象力。想象力是人和其他动物最大的差异之一，而目前人工智能有很大的问题——其实它没有想象力。
人工智能没有想象力这是在德国发现的目前人类历史上最早的雕塑之一，这个雕塑是人的身体、狮子的头。虽然现在人工智能也能做一些艺术的东西，也能写个诗，但它其实并没有真正地理解。那么人工智能什么时候能够具有想象力，这可能是通往通用人工智能的一个非常关键的步骤。
第二个方向就是脑科学的进一步研究。我们人一般有1000亿个神经元，每个神经元跟其他的神经元有1000个连接，所以我们有100万亿的神经元连接，数量非常大。
目前即使是最复杂的人工智能神经网络，跟人的大脑的神经元连接的数量大概还差10的6次方的数量级。为什么现在人工智能看上去还很傻？因为在通用人工智能领域，它可能只是一岁到一岁半的水平而已。从硬件上来说，现在的计算力还不够，现在的人工智能神经网络的神经元数量和连接数比人的大脑要少得多。
第三是情感。现在人工智能基本上没有情感，没有情绪，它不会发怒、不会生气、不会高兴。现在人工智能当中有一个领域也很火，就是做情感分析、情绪分析、微表情分析——你笑了，它就知道你笑了，但是笑有很多种，冷笑、苦笑它就很难识别出来。
美国的一些科学家发现，其实人的情感可以解构成两部分，一部分是脸上的表情，另一部分是身体的温度。其实我们人的表情也是训练出来的，每个人的心跳、身体的温度不同，对应的表情可能是不一样的。所以现在有一个观点，认为人工智能也可以有情绪，我们人的表情是可以训练的，人工智能的情绪也可以训练出来。
人工智能没有常识目前的人工智能看上去很聪明，但其实它在很多方面非常弱智，最基本的常识都没有。比如说最左边这张桌子，上面放了一些红色和黄色的方块，我推一下桌子，是红色方块掉下来多，还是黄色方块掉下来多？大家一看就知道，肯定红色方块掉下得多，但这个问题目前的人工智能解决不了。
上面第三张图片上，桌子上放了4个颜色的16个物体，这个人随机抓一个物体看是什么颜色，然后人工智能算法根据人的动作来猜测她什么时候要去抓哪一个物体。下一步就是对面放一个机器手，人要去抓哪一个，机械手就会过来去帮助抓哪一个。你下一步要做什么，对现在的人工智能来说还是比较难预测的。
现在的人工智能是没有解决问题的能力，没有推理的能力，很难判断你的意图。
其次，我要讲一讲过去10年人工智能在发展过程中的误导或者说必须经历的阶段。
12年的时候，大家知道有一本书叫《大数据时代》，非常强调相关性，包括我前几年也是持这样的观点。比如我给中国某个大型超市做分析，发现了一个规律——买车厘子的顾客很多会买山东桃，我就会建议他们把山东桃放在车厘子边上，互相带动销售。但你不要问我为什么，我不知道为什么，我只是从数据当中发现这个规律。
《大数据时代》 维克托·迈尔-舍恩伯格&肯尼斯·库克耶【著】在很多行业里，在过去很多的场景当中，通过大数据我们发现了很多相关性——弱的相关性，但我只能告诉你这两个事情之间是有相关性的，却不知道原因。
所以未来十年，我们可能会去研究因果。《大数据时代》这本书当中有一个非常重要的观点：你不要知道因果，你只要知道相关性就可以了，它能够帮助你带动业务发展就可以了，不要问为什么。但其实很多事情我们还是需要知道为什么。
比如说我同事今天去医院，他发烧了，他会去抽血验一下白血球。如果白血球升高了，说明它是细菌性的，问题不大；如果白血球没有升高，说明这是病毒性的，有可能跟新冠有关系。这个事情是有因果的。
相关性与因果再比如，有人发现冰淇淋跟晒伤之间有相关性，还与游泳池里淹死的人有相关性，但你不能说因为冰淇淋卖多了，导致游泳池里淹死的人多了。我们原来发现的相关性就可能陷入这样的困扰中——是游泳池里淹死的人多了导致冰淇淋卖多了，还是冰淇淋卖多了导致游泳池里淹死的人多了。其实都不是，背后隐藏的原因是温度升高了。
所以未来人工智能的发展方向中很重要的一点就是相关性，它是在因果关系之梯的最底层。我们首先要知道相关性，第二步我们要知道为什么，要知道原因。知道原因的话就要通过一个干预的动作，去人工介入到实验当中，传统的统计学里就是控制组、实验组。
另一个重要的层面就是反事实，是人工智能从最底层的发现相关性开始，接下去它会推理是什么原因导致了结果，再往上面人工智能要会想象。我刚才讲的想象很重要，这个事情如果没有发生结果会怎么样，从来没有发生过的事情人工智能也要能够知道。
我们现在的人工智能是基于大数据的，一定是发生过的事情才有数据，没有发生过的事情是没有数据的。未来，人工智能就是没有发生过的事情也能推理。
那么从未来人工智能非常重要的一个来源——脑科学和心理学的角度上来说，大家都知道巴普洛夫（IvanPavlov）的狗，中间这个是桑代克（EdwardThorndike）的猫。二者的区别是，桑代克把猫关在笼子里，里面有开关，摁一下门会打开。猫第一次放进去的时候，要很久才发现这个开关。摁一下之后门打开，猫出去了。第二次把猫放进去之后，猫立刻摁开关就出去了，它的学习时间很短。
巴普洛夫的狗、桑代克的猫与斯金纳的老鼠第三个是斯金纳（BF Skinner）的老鼠。斯金纳把老鼠关在笼子里，笼子里有两个按钮，一个按钮按下去有好吃的掉下来，还有个按钮按下去警铃大作。老鼠一不小心碰到警铃把它吓坏了，所以第二次再把它放进去的时候，它看到警铃就会躲得远远的。
这是心理学当中的一个学派——行为主义。行为主义认为心理学没有办法知道别人脑子里究竟在想什么，只有观察他的行为。这个学派就直接导致了人工智能当中的强化学习这一派在过去几年中的蓬勃发展。
AlphaGo就是一个典型。AlphaGo的核心思想就是从心理学这一流派衍生出来的。今天非常火的深度学习，本质只是做一个映射，把输入到输出之间做一个映射，然后做一个数学上的最大值或者最小值，其实它没有智商、没有情感。AlphaGo棋下得再厉害，它也不知道它在下棋，而且它很容易被骗过。
第四个是无人驾驶。无人驾驶非常高大上，但是无人驾驶公司不会跟你说，他们请了很多很多人给这些卡车、汽车、行人、红绿灯打标签。他们在这上面花的钱，比请所有数据科学家加在一起还要多。所以今天的人工智能是有很多人工的，没有人工就没有智能。在里边打标签最终表现出来的智能，其实人工比智能还要多。
包括我们的机器翻译，实际上今天的机器翻译并不懂它在翻什么，它不懂意思，但是它翻得很好。所以今天的人工智能表现出有很高的智能，其实它并没有智能。
未来十年人工智能趋势与挑战总结一下未来十年人工智能发展的一些主要方向。
第一是从相关性到因果。大家现在非常关心相关性，不太关心因果。
第二是从感知到认知。今天的人工智能主要都是感知，能够知道周围发生了什么，但是它不能够认知。从感知到认知有很多途径，比如我刚才讲的脑科学、符号主义（注：符号主义就是第一波人工智能和第二波人工智能中，人们认为智能可以是通过计算得到的，明斯基有一句话就是，“大脑只不过是肉做的机器而已”。）、意识（有科学家提出，人的意识是长期记忆跟短期记忆当中进行转存的时候所需要的一种能力）以及强化学习。
人工智能什么时候能够自己有兴趣去做一件事情，而不仅仅是受到外界的一个奖励？今天强化学习的AlphaGo，它只是因为我们给它外界的奖励，它没有内在的兴趣，我们能不能想办法让人工智能有兴趣去做它自己想做的事。
还有一点非常重要，我们现在这一波人工智能当中最火的这些技术，都是二十年前就已经发明了的。现在的人工智能缺乏理论上的储备和突破。所以未来十年当中，从学术领域来说，人工智能能不能出现大的突破，也挺令人担忧。
AI的未来发展有哪些隐忧我们现在的人工智能繁荣，只是因为现在的计算力和数据足够多，把二十年前、三十年前的技术实现了而已。
最近人工智能的主要发展来源是什么？第一是脑科学、心理学，第二是经济学、博弈论。去年的图灵奖得主杰弗里·辛顿（GeoffreyHinton）带来的深度学习热潮，其实其起源是量子力学的玻尔兹曼机。所以我们看到人工智能的发展不是在计算机科学内部，而是其他领域给人工智能的发展带来了很多新的思想。
所以我觉得人工智能一定是人才之争。人才培养需要从本科生开始，要通才教育。至少你把数学、统计学这些基础学好之后，要学得很宽广，要有人文科学。硅谷已经让大家知道科技是可以改变世界的，但是如果我们把人文科学放进去的话，结果将是不一样的。
现在的人工智能就是我们知道它、知道怎么用它，但是我们还不知道为什么。
我举一个例子，牛顿（IsaacNewton）发现牛顿三大定律，其实是在开普勒（JohannesKepler）的行星定律基础之上，而开普勒的行星定律是在他老师第谷（TychoBrahe）的大量观察数据基础之上完成的。
所以其实我们发现，科学发展都会经历这样一个阶段。就是要先收集数据，然后发现规律，再去解释和应用它。所以现在在深度学习领域，我们还没有发现它的理论。
那么融合智能时代，我想用无人驾驶来做一个象征。汽车无人驾驶，其实是融合了现在主要的人工智能的所有技术，包括物联网、5G技术。未来的话，比如说车在过红绿灯的时候，都是无人驾驶的话，可能就不太需要红绿灯了。这时候就需要通讯——可能是车和红绿灯基础设施的通讯、还有车和车之间的通讯——两辆车过马路的时候会互相协商，你先过还是我先过，这都需要5G的高速通讯，慢一点点就会出现交通事故。
新技术采纳周期缩短大家知道摩尔定律60年代左右提出的。在摩尔定律之前，我们称其为扩展摩尔定律。从1900年开始，人类的计算能力已经开始指数增长了，是以10为单位的指数增长。现在有人说摩尔定律要失效了，因为已经到了它的物理极限。
而我们看到量子计算机可能是上亿倍地提升我们的计算能力，我们知道这波人工智能主要是靠算力才得以发展的，而我们看到人类现在对于所有的新技术采纳的速度是越来越快的。我们看到1900年的电话机，可能用了几十年的时间才普及；而像现在的笔记本电脑或者是平板电脑，只用了几年时间就已经普及了。
所以技术的发展在不断加快，最后我们看到今天的人工智能像是什么呢？今天人工智能像是个鹦鹉，它学人说话学得很像，你觉得它已经很像人了，其实它很傻，智商很低。
很聪明的动物是什么？是乌鸦。我们看到在日本有人拍到的这样一个场景：有乌鸦捡到一个坚果，它要吃坚果里面的肉，就把坚果抛起来，想掉地上把它砸碎。砸不碎，它就把坚果放到马路上，车轧过去之后它就可以吃到里面的肉了。但是路上车很多，它如果下去的话一不小心会被车轧死，它发现红灯的时候车会停下来，这时候是它下去吃坚果的最好时候。
所以现在的人工智能是鹦鹉，将来我们的通用人工智能，它要有解决问题的能力，要变成像乌鸦这样的。
群体智能这个是我们的群体智能，群体智能是说我们看到的蜜蜂也好，行军蚁也好，它的单体都是智力是很低的，但是放在一起的话，表现出来的群体的智商非常高。集群智慧也是实现人工智能的一个途径。
费米（EnricoFermi）被称为二战之后仅次于爱因斯坦（AlbertEinstein）的最聪明的物理学家，他讲过我们宇宙的结构其实可能很简单，但只是数量很多。很多很简单的东西放在一起，当它的数量到了一定程度，量变发生质变，然后就会涌现出难以想象的事情。比如说我们刚才讲的人的意识，就是有很多每个都很简单的神经元放在一起之后，形成的一个非常复杂的难以想象的新的生命。
人工智能在增长期还是爆发期达尔文预测的地球物种数量与实际物种数量最后，我认为现在人工智能还处在一个非常早期的阶段，用生命来打比方就是史前文明阶段。如果达尔文（CharlesRobertDarwin）的进化论是对的，地球上的物种数量应该是沿着A这条曲线上升的，而实际上考古学家发现地球上的生命物种数量是按照B这个曲线上升的。
从5亿3000万年到5亿1000万年前，在短短的2000万年的时间中，95%的物种都一下子出现了——如果我们把地球的历史算成24个小时，这个2000万年就相当于是5分钟——这个阶段我们称为叫寒武纪大爆发。
其中一个原因就是在寒武纪早期，动物分化出了眼睛。原来动物基因突变长出了两条腿，如果没有眼睛的话，这两条腿对它就是个累赘，这个物种就被淘汰掉了；但变成有眼睛之后，这两条腿可能变成它的生存优势，吃东西可能更方便，这个物种就能够存留下来。
现在的人工智能就是可以看懂这个世界、可以听懂这个世界，就好像是在寒武纪大爆发早期的眼睛，特别是当这种人工智能成为一种基建，成为赋能所有应用的能力之后。
我相信，在未来的十年、二十年，人工智能会给整个人类带来一个完全不一样的命运。
本文来自微信公众号：造就（ID：xingshu100），作者：柴朝宸；视频：Don
弱人工智能背景下的犯罪治理
每一次科技领域的重大变革，都会显著改变犯罪的方式及应对策略。人工智能的快速兴起，亦会改变犯罪的方式及其防治对策。人工智能技术主要包括计算机视觉、自然语言处理、图像识别、机器学习等，其实质在于强大的数据识别、分析、学习能力。对于人工智能背景下可能引发的犯罪问题以及如何利用人工智能预防犯罪，理论上进行了诸多富有建设性、前瞻性的研究。人工智能根据其智能化的程度，大致可以分为弱人工智能、强人工智能、超强人工智能，强人工智能及超强人工智能是指人工智能能够独立于程序、软件的设计者设定的算法、学习范围而进行思考与行动，接近甚至超过人。目前科学界较为普遍的认识是，走向强人工智能、超强人工智能可能还需要经历至少四五十年。人工智能仍将长期处于弱人工智能发展阶段，正确认识当前弱人工智能背景下的犯罪现状，运用人工智能防范、惩治犯罪，是当前更为紧迫的现实任务。
一、弱人工智能背景下的犯罪现状
在弱人工智能背景下，风险更多的是来源于“人”的风险，即人利用人工智能或发现人工智能的漏洞实施犯罪。由于人工智能在数据获取、数据分析、风险规避等方面的技术优势，使得诸多犯罪更具有“智能化”的特征，部分特定犯罪的数量也呈现出几何式的递增，犯罪方式也更加隐蔽。通过对“北大法宝”上的裁判文书的梳理，2015年至今，涉“人工智能”这一关键词的刑事判决书有106份，实际上利用人工智能所实施的犯罪可能远超这一数据。
较为突出的是“人工智能”被用于对公民个人数据信息的获取，据《中国网民权益保护调查报告2021》显示，网民在网购过程中遭受个人信息泄露的高达68%。通过人工智能手段获取公民个人信息在当下已经具有一定的典型性，危害性也较以往更为突出。例如，我国于2017年成功破获的首例利用人工智能所实施获取验证码案件，犯罪分子利用人工智能技术打造出一条从盗号撞库、破解验证码到贩卖公民信息、实施网络诈骗的全链条黑产。“快啊答题”人工智能“打码”平台在此黑色产业链中起着重要作用，该平台接入“晒密”软件100多款，接入用户高达1万余人，在2017年一季度内破解验证码259亿次，累计破解验证码1204亿次。域外人工智能被用于非法获取个人信息也较为突出，例如，2018年3月，Facebook发生大规模用户数据泄露事件，有大约8700万名用户的数据遭到侵害。随着人工智能对信息采集的能力进一步增强，利用人工智能所收集的信息进一步实施犯罪的危害性更大。
诸多传统型的财产犯罪，如诈骗、盗窃、敲诈勒索罪等，也因人工智能的“智能化”使犯罪方式更为便捷、危害性更大、隐蔽性更强。例如，在电信网络诈骗案件中，犯罪行为人运用人工智能，能同时与多达5000名被害人通话。又如，我国现阶段也出现了在面部识别支付的技术应用下，通过技术手段从海量数据中，模仿他人面部特征而窃取他人账户资金。实践中，行为人将淫秽色情电影中的演员的脸与被害人进行交换，利用人工智能大规模地进行数据信息匹配，进而实施诈骗、敲诈勒索等犯罪亦较为典型。更值得注意的是，现今的人工智能技术，可以让人工智能软件模仿特定人的声音，进而对被害人实施诈骗。据英国《每日邮报》报道，2019年3月，一名诈骗犯利用AI语音模仿软件冒充公司大老板，成功让一家英国能源公司的CEO相信自己正在与德国母公司的老板通电话，骗取其22万欧元。诸多财产犯罪都有人工智能的特征，尤其是诈骗与敲诈勒索犯罪。《2017年度网络空间安全报告》指出，全球约6300个平台提供勒索软件交易，勒索软件在2016至2017年的销售量增加了约2502%。犯罪分子倾向于加密被感染设备的数据，向受害者勒索比特币等加密货币。还有诸多利用人工智能所实施的犯罪行为，未被实务充分认识。例如，大数据杀熟也是非法获取他人财物，可能涉及诈骗罪、盗窃罪，但实践中更多的是作为一般违法行为处理。2021年《深圳经济特区数据条例》规定，不得通过数据分析无正当理由对交易条件相同的交易相对人实施差别待遇，违反以上规定者最高可被处以5000万元人民币的罚款。
其他犯罪也因人工智能的运用，出现了新的表现形式，或者出现了新类型的犯罪。例如，人工智能的水平不断提高，可以制造出更逼近真人效果并能够顺利沟通的机器人，利用机器人与人发生性关系，或者组织机器人进行淫秽表演。又如，在交通领域，随着自动辅助驾驶技术的快速发展，驾驶人本人在很大程度上会将驾驶的责任、注意义务寄托于系统本身，对于此种背景下出现的交通事故，涉及如何划分驾驶员、自动驾驶程序的设计者与经营者的责任。
二、人工智能在应对犯罪中的现状
宏观层面而言，人工智能已经被逐步运用于犯罪预警、侦查、防控方面。人工智能犯罪预警机制作为大数据技术的产儿，在对社会各类信息、犯罪模型分析的基础上，可以做出预测性分析和自主布置防控措施的机制。例如，近年来，刑事司法领域主动与大数据、人工智能领域协作，开展了一系列国家重点研发计划，如“犯罪嫌疑人特征精确刻画与精准识别”“职务犯罪智能评估、预防”等一系列以人工智能犯罪风险评估为主题的跨学科科研项目，其效果也被实证数据所肯定。域外的相关做法亦值得我们借鉴，美国普利策奖得主ProPublica调研了佛罗里达州布劳沃德县的重新犯罪风险评估情况，通过人工智能对多种数据进行量化分析，将被逮捕的1万余人的风险评估结论与实际发生的重新犯罪率进行比较，结果准确。
针对具体犯罪的防治，理论研究与实务已经逐步开展。例如，实证研究表明，充分运用人工智能进行数据分析，认为运用数据挖掘模型是探索有效防控贷款诈骗风险的重要路径。通过客户受教育程度、工作年限、家庭收入、债务收入比率、信用卡负债、其他债务和风险分类等变量，对于贷款诈骗罪的发生有着较为合理的解释，也有助于防范风险。又如，医疗技术领域，运用人工智能完成诸多辅助工作，可以减少医生的过失进而防范医疗事故犯罪。武汉同济医院在2016年就上线试用了AI-DR辅助诊断技术，5个月的时间，使用AI-DR共诊断X线片8093张。在测试实际病人X线片的过程中，AI-DR于160例病例中发现了2例医生诊断中遗漏的病灶。
人工智能对于犯罪的防治已经从具体个罪的理论模型走向实践。例如，对于拐卖儿童犯罪的打击，人工智能系统可以对拐卖犯罪所有的数据快速做出整合，对拐卖儿童犯罪模式和犯罪规律进行提炼，可以较为准确地锁定哪些人是潜在的拐卖犯罪高危人群。同时，智能系统可以通过社会网络智能化分析，将拐卖犯罪嫌疑人复杂的人际关系变为形象的网络图形，使得侦查人员迅速获取整个拐卖团伙交易链。又如，近年来，经济犯罪愈发智能化、职业化、信息化，经侦工作中的重点是“资金流”，当前人工智能技术在对经济犯罪案件涉案资金查控方面的应用主要体现在经侦云系统、违法资金查控平台以及包括可视化数据分析在内的软件和硬件设备。部分地方的经侦部门多利用中国银联警银协助“JASS”系统，查询银联转账（跨境、跨行转账）；利用可视化数据分析系列软件用于研判分析涉众型、犯罪人员关系复杂、资金交易来往频繁的传销和非法集资等案件。
三、几点思考
进入弱人工智能时代，如何在人工智能的初级阶段完善相关的立法及制度，以期进一步防范利用人工智能所实施的犯罪，发挥人工智能在犯罪防治中的意义，需要进行更加规范化的思考。
首先，对于犯罪的治理，应该从事后回应式打击向犯罪预防、预警、预测的治理模式转变。传统的犯罪侦查、治理模式，无法应对人工智能背景下犯罪的技术与数量的双重升级。应建立好的智能系统、营造好的网络环境、数据保护措施等，解决人工智能被用来犯罪的问题。而我国目前尚没有对人工智能产品的研发、流通、使用等制定出较为全面的管理制度，技术规范的介入应当始于人工智能技术生产应用之前，严格控制研发后投入使用的人工智能产品类型。同时，完善过程的跟踪监管，避免产生算法、功能上的改变，防止数据被盗用的风险，加强事后的危害处置。例如，随着自动驾驶技术的推广，技术本身存在的缺陷亦会导致交通事故等，因此，如何在合适的时机，推广何种自动驾驶技术，对于自动驾驶过程中所可能出现的责任各方应如何承担，都是需要进一步防范的。对于犯罪的具体治理策略，也应从简单的经验主义模式转向更为精准的数据、科学的量化分析等模式。早期的经验主义的犯罪治理观，更多的是通过司法人员的经验，而人工智能有助于我们用更为科学、量化的数据研判犯罪的形成、发展、变化趋势，可以更为精准地提供策略。这也需要相关部门和单位精准认识数据，合理的规范数据的范围。
其次，通过制度、规范权衡人工智能在具体场景中运用的利与弊。例如，自动驾驶技术整体上对于防范交通事故具有积极意义，但自动驾驶系统的风险降至何种程度才可以推向市场、不同智能等级背景下的驾驶人员对事故承担责任的大小、自动驾驶中遇到突发情况如何选择优先保护的利益，均需要通过制度、立法予以规范。又如，“人工智能”应受伦理道德标准的约束。再如，对于过度依赖人工智能所造成的问题，亦值得警醒。
最后，刑法理论亦应积极回应人工智能对犯罪的变革。例如，人工智能辅助系统，包括自动驾驶、医疗辅助等，在一定程度上承担了人的义务，此种背景下人的过失责任如何认定，需要对过失犯罪理论赋予新的内容。又如，在鼓励科技创新的同时，如何从制度、立法层面容忍其可能存在的风险，亦是需要解决的问题。人工智能在整体上减少医疗事故、交通事故的同时，亦可能会因为使用人工智能而诱发新的事故，在对人的责任从宽处理的同时，对被害人的救助也需要进行制度、立法上的完善。
人工智能的三次浪潮与三种模式
■史爱武
谈到人工智能，人工智能的定义到底是什么？
达特茅斯会议上对人工智能的定义是：使一部机器的反应方式就像是一个人在行动时所依据的智能。
百度百科上对人工智能的定义是：它是研究、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新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
尽管人工智能现在还没有非常严格准确或者所有人都接受的定义，但是有一些约定俗成的说法。通常人工智能是指机器智能，让机器达到人智能所实现的一些功能。人工智能既然是机器智能，就不是机械智能，那么这个机器是指什么呢？是指计算机，用计算机仿真出来的人的智能行为就可以叫作人工智能。
2017年7月，国务院印发了《新一代人工智能发展规划》。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。这一国家级战略和社会流行趋势标志着，人工智能发展进入了新阶段，我国要抢抓人工智能发展的重大战略机遇，构筑人工智能发展的先发优势，加快建设创新型国家和世界科技强国。
人工智能的三次浪潮
自1956年开始，人工智能经历了三起三落，出现了几次浪潮，现在人工智能已经是处于第三次浪潮了。
第一次浪潮（1956-1976年，20年），最核心的是逻辑主义
逻辑主义主要是用机器证明的办法去证明和推理一些知识，比如用机器证明一个数学定理。要想证明这些问题，需要把原来的条件和定义从形式化变成逻辑表达，然后用逻辑的方法去证明最后的结论是对的还是错的，也叫做逻辑证明。
早期的计算机人工智能实际上都是沿着这条路在走。当时很多专家系统，比如医学专家系统，用语言文字输入一些症状，在机器里面变换成逻辑表达，用符号演算的办法推理出大概得了什么病。所以当时的主要研究都集中在逻辑抽象、逻辑运算和逻辑表达等方面。
在第一次浪潮中，数学定理证明实际上是实现效果最好的，当时有很多数学家用定理思路证明了数学定理。为了更好地完成定理证明工作，当时出了很多和逻辑证明相关的逻辑程序语言，比如很有名的Prolog。
虽然当时的成果已经能够解开拼图或实现简单的游戏，却几乎无法解决任何实用的问题。
第二次浪潮（1976—2006年，30年），联结主义盛行
在第一次浪潮期间，逻辑主义和以人工神经网络为代表的联结主义相比，逻辑主义是完全占上风的，联结主义那时候不太吃香。然而逻辑主义最后无法解决实用的问题，达不到人们对它的期望，引起了大家的反思，这时候人工神经网络（也就是联结主义）就慢慢占了上风。
在70年代末，整个神经元联结网络、模型都有突飞猛进的进步，最重要的是BP前馈神经网络。1986年BP前馈神经网络刚出来的时候解决了不少问题，后来大家往更大的领域应用，实现了比较大的成果。在很多模式识别的领域、手写文字的识别、字符识别、简单的人脸识别也开始用起来，这个领域一下子就热起来，一时之间，人们感觉人工智能大有可为。随后十几年人们发现神经网络可以解决一些单一问题，解决复杂问题却有些力不从心。训练学习的时候，数据量太大，有很多结果到一定程度就不再往上升了。
这时期所进行的研究，是以灌输“专家知识”作为规则，来协助解决特定问题的“专家系统”为主。虽然有一些实际的商业应用案例，应用范畴却很有限，第二次热潮也就慢慢趋于消退。
第三次浪潮（2006—现在），基于互联网大数据的深度学习的突破
如果按照技术分类来讲，第二次和第三次浪潮都是神经网络技术的发展，不同的是，第三次浪潮是多层神经网络的成功，也就是深度学习取得突破。这里既有硬件的进步，也有卷积神经网络模型与参数训练技巧的进步。
若观察脑的内部，会发现有大量称为“神经元”的神经细胞彼此相连。一个神经元从其他神经元那里接收的电气信号量达某一定值以上，就会兴奋（神经冲动）；在某一定值以下，就不会兴奋。兴奋起来的神经元，会将电气信号传送给下一个相连的神经元。下一个神经元同样会因此兴奋或不兴奋。简单来说，彼此相连的神经元，会形成联合传递行为。我们透过将这种相连的结构来数学模型化，便形成了人工神经网络。
经模型化的人工神经网络，是由“输入层”“隐藏层”及“输出层”等三层构成。深度学习往往意味着有多个隐藏层，也就是多层神经网络。另外，学习数据则是由输入数据以及相对应的正确解答来组成。
为了让输出层的值跟各个输入数据所对应的正解数据相等，会对各个神经元的输入计算出适当的“权重”值。通过神经网络，深度学习便成为了“只要将数据输入神经网络，它就能自行抽出特征”的人工智能。
伴随着高性能计算机、云计算、大数据、传感器的普及，以及计算成本的下降，“深度学习”随之兴起。它通过模仿人脑的“神经网络”来学习大量数据的方法，使它可以像人类一样辨识声音及影像，或是针对问题做出合适的判断。在第三次浪潮中，人工智能技术及应用有了很大的提高，深度学习算法的突破居功至伟。
深度学习最擅长的是能辨识图像数据或波形数据这类无法符号化的数据。自2010年以来，Apple、Microsoft及Google等国际知名IT企业，都投入大量人力物力财力开展深度学习的研究。例如AppleSiri的语音识别，Microsoft搜索引擎Bing的影像搜寻等等，而Google的深度学习项目也已超过1500项。
深度学习如此快速的成长和应用，也要归功于硬件设备的提升。图形处理器（GPU）大厂英伟达（NVIDIA）利用该公司的图形适配器、连接库（Library）和框架（Frame⁃work）产品来提升深度学习的性能，并积极开设研讨课程。另外，Google也公开了框架TensorFlow，可以将深度学习应用于大数据分析。
人工智能的3种模式
人工智能的概念很宽泛，根据人工智能的实力可以分成3大类，也称为3种模式。
（1）弱人工智能：擅长于单个方面的人工智能，也叫专业人工智能。比如战胜世界围棋冠军的人工智能AlphaGo，它只会下围棋，如果让它下国际象棋或分辨一下人脸，它可能就会犯迷糊，就不知道怎么做了。当前我们实现的几乎全是弱人工智能。
（2）强人工智能：是指在各方面都能和人类比肩的人工智能，这是类似人类级别的人工智能，也叫通用人工智能。人类能干的脑力活，它都能干，创造强人工智能比创造弱人工智能难得多，目前我们还做不到。
（3）超人工智能：知名人工智能思想家NickBostrom把超级智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。超人工智能可以是各方面都比人类强点，也可以是各方面都比人类强很多倍。超人工智能现在还不存在，很多人也希望它永远不要存在。否则，可能像好莱坞大片里面的超级智能机器一样，对人类也会带来一些威胁或者颠覆。
我们现在处于一个充满弱人工智能的世界。比如，垃圾邮件分类系统是个帮助我们筛选垃圾邮件的弱人工智能；Google翻译是可以帮助我们翻译英文的弱人工智能等等。这些弱人工智能算法不断地加强创新，每一个弱人工智能的创新，都是迈向强人工智能和超人工智能的进步。正如人工智能科学家AaronSaenz所说，现在的弱人工智能就像地球早期软泥中的氨基酸，可能突然之间就形成了生命。如世界发展的规律看来，超人工智能也是未来可期的！