浅谈人工智能审计的内涵及优势
人工智能审计的内涵
人工智能审计突破传统审计所带来的新的技术手段和分析方法，以机器学习、深度学习神经网络等技术为基础，对审计数据分析能力，实现每个月几何级增长。随着人工智能技术进步，审计算法、算力迭代速度加快，审计部门利用积累的海量审计数据，采用机器学习、深度学习神经网络等技术，顶层设计不同行业电子审计标准和规范，训练形成不同类别审计的模板，进而形成审计知识库，从而实现智能提取这些知识库的自然语言文本中的客户关键审核要素，结合风险审计业务规则和审计要素之间的关联稽查关系，识别出异常点，提示异常虚假信息的风险。
在整个过程中，通过区块链、机器学习、深度学习等技术辅助审计，实现审计过程自动留痕、可追溯、防篡改、形成透明可信的审计链条，以此构建人工智能审计业务模式和管理体系。
人工智能审计的优势
2015年中办和国办印发的《关于完善审计制度若干重大问题的框架意见》及《关于实行审计全覆盖的实施意见》，要求对公共资金、国有资产、国有资源和领导干部履行经济责任情况实行审计全覆盖，需要在各领域大规模进行审计，这就对审计部门提出了新的要求。传统审计通常依靠审计人员经验，费时费力，需要大量人工，现在智能化审计还未普及，完成全覆盖审计任务压力很大。
而人工智能审计和传统审计、大数据审计等体系有着截然不同的手段和方式，具有独特性，其审计标准体系、审计组织体系架构、审计人员考核体系、信息化基础设施建设、网络信息安全等方面与时俱进，表现出人工智能审计应用的比较优势。
首先，通过人工智能审计，将进一步提高审计机关及其审计人员的审计效率和决策能力。由于未来审计数据接口、采集、标准、整理、分析等规范化，符合人工智能要求的审计体系将逐步建立。人工智能审计将替代一些按照现有审计规则、程序和作业模式进行的审计工作，特别是那些具有规范步骤和事务性的审计工作，并可以进行辅助审计决策。人工智能审计实现了替代和辅助决策相融合，依照审计全覆盖要求，对于政府和国有资产审计，可设立全新的符合人工智能审计的数字电子审计标准，该体系可以打破政府部门和行业划分，依照数字电子审计规则，建立人工智能审计框架，根据共性和个性依存原则，提取审计规则共性元素，然后依照不同行业和区域独特性，联网提供符合审计要求的数据接口和数据集，并参照国际审计先进标准，按照国家、行业审计标准和相应电子数据应用规则，进行人工智能审计。
其次，通过人工智能审计，将进一步完善现有的审计体系，实现审计流程全覆盖。在人工智能时代，技术性审计将趋于主导地位，审计组织会根据审计任务和审计对象差异进行灵活配置，采用网络状、扁平式、分布式等组织形态去完成特定工作。应用人工智能技术颠覆传统的风控及审计方法，将风险融入监管过程，采用事前规则管控、事中指标管控、事后模型管控的三维一体监控模式，可有效解决风险管控落地难题。在审计流程全覆盖中，审计人员更多是承担审计对象咨询专家角色，可以全面参与审计及查看相关数据，对审计进度和审计结果随时调看，由此审计质量得到保证。审计资料及审计过程的透明化，减少了廉政风险和质量风险。同时主动审计，将职务犯罪控制在萌芽中。
最后，人工智能审计和传统审计等相比，让审计数据更安全，更难以扩散泄露，更可靠。人工智能审计需要逐渐完善现有的信息化基础设施和审计平台，对现有大数据审计体系进行升级，来实现大数据、算法和算力一体化。在机器审计替代程序化审计任务之外，将行为审计，财务审计、非财务审计纳入统一的人工智能审计范畴，采用自然语言处理、神经网络分析、区块链等技术对审计对象的会议纪要、语音记录、视频等各类文本文件进行统一化处理，并对审计数据依照安全保密等级进行分类和区别对待。低密级、公开、透明的审计数据，建立全国统一联网公开平台共享。反之，涉密等级高，依据保密制度，根据政府政策规定逐渐公开，建立内部统一联网平台互享。两个平台互为补充，由此构建国家统一人工智能审计技术平台，服务国家治理需要。
人工智能与商业应用
商业机构中的领导者对人工智能的商业影响力感到既担忧又兴奋。全球各地的公司正逐渐意识到这一新技术的力量，并开始探索如何应用人工智能提升企业竞争力。
本文基于Efma和德勤联合进行的EMEA（欧洲、中东、非洲三地区）FSI（金融服务业）调查结果，并引用了业内多家公司的见解和案例研究，分析了人工智能的逻辑建模、行业现状以及理解和利用人工智能技术所需要采取的行动。
1. 人工智能应用领域
人工智能有三大主要应用领域：认知自动化，认知参与和认知洞察力。
认知自动化
在这一领域，人工智能的主要领域是机器学习，机器人流程自动化（RPA），和其他能够自动化深层领域知识开发的认知工具。我们已经看到人工智能设备自动化了那些传统上需要训练有素的工人才能完成的任务。
手写和字符识别是认知自动化应用的最佳范例，它可以支持高强度、复杂繁琐的办公业务，以帮助企业降低风险和成本。例如，可以使用自然语言处理和OCR技术从文档中提取关键信息。
认知参与
人工智能的下一阶段是认知技术“代理”：系统通过认知技术与人类建立密切关系。
认知系统开启了文本/图像/视频等“非结构化”数据的力量，为银行和客户提供定制化的产品和服务并创造新的收益流。
最常见的例子是语音识别接口，它可以执行语音指令，降低温控器或打开电视频道。同时，也出现了一些使用认知参与的新型应用领域，这些领域需要人工智能接触到更复杂的信息并执行数字化任务。比如接收病人入院，或者推荐产品和服务。
认知洞察力
认知洞察力是指从各种数据流中提取概念和关系，用来生成隐藏在大量“结构化”和“非结构化”数据中的相关答案。
总的来说，认知洞察力可以检测来自多个数据源数据的关键内容和相关联系，从而获得更深入和可操作的洞见。
随着处理数据量的增加，观察和预测的准确性得到了提高。人工智能不仅可以深入了解已经发生的事情，而且还能分析正在发生的事情，以及预测接下来可能发生的事情。这可以帮助商业领袖制定计划，帮助员工提高他们的业绩。例如，在全球呼叫中心，客服人员使用多功能客户支持程序来回答产品提问，接受订单，调查账单问题，并解决客户的其他困扰。
根据斯坦福大学主题为“2030年的人工智能与生活”的调查研究，专家预测人工智能将在以下八大领域发挥重要作用：交通，服务型机器人，医疗，教育，低资源社区，公众安全，就业与工作以及娱乐产业。另一方面，美国劳动部在2016年发布的报告中提到“65%的在校学生未来将被雇佣于现在尚未存在的工作岗位”。这些预测告诉我们，在不久的将来，人工智能技术将与我们的生活产生紧密联系，对工作和生活等多方面造成深远影响。
2. 人工智能中的监管问题
接下来的问题是:经济发展和社会各界需要做出哪些准备来迎接人工智能光明的未来？
在2017年初，欧洲议会提出一系列管理人工智能的法规，用来规定相关道德准则，以及人工智能犯错的责任归属问题。
议会调查员MadyDelvax强调了建立一个欧洲机器人监管机构的重要性，该机构将通过提供技术支持来协助政府部门。他还建议起草一份道德行为准则，用以指导机器人工程项目并确定他们的行为责任。
事实上，问责权或法律责任是人工智能争议中的关键问题。自动驾驶汽车的兴起就是最明显的例子，相关各方有必要去定义具体的保险计划，并确定损害赔偿的责任。在未来，智能自动化机器人将被赋予某种“法律人格”。最后Delvaux的报告强调，机器人可能会对社会产生长期影响，政府部门需要密切关注这些趋势，创造新的就业岗位和税收模式。
3. 人工智能发展现状
为了了解金融服务行业在人工智能应用方面的现状和前景，Efma和德勤联合进行了一项大型调查,调查范围涉及超过3000人,受访者主要为金融服务公司技术和业务方面的高管，大多受访者表示，新认知技术的应用将增强工作的可控性，并减轻员工的工作负担，而不是将人们的劳动力完全替代。
对于“贵公司在人工智能应用领域处于什么阶段”这一问题，约90%的公司表示已经开始在他们的工作中使用人工智能技术，或正处于对这一新技术的学习中。
【石油观察家】人工智能技术发展对石油工程领域的影响及建议
油田服务承包商、设备制造商是劳动密集型企业，产业向智能化转型后，未来的石油工程产业将向技术密集方向发展，利用低成本劳动力竞争的商业模式将遭遇严峻挑战。发展装备智能制造已成为世界各国竞争的焦点，劳动力成本对投资的吸引力下降后，石油装备制造的投资会一定程度流向资本密集的国家和地区。
1.2人工智能加深石油工程全产业链一体化融合
随着数据成为新的生产要素，人工智能技术正在通过数据连接打通产业链各个环节，加快推动石油工程产业向一体化方向发展。
1.2.1促进多部门协同，实现生产运营一体化
以往油气公司收集大量钻机和井的数据却很难用于解释分析，而且工程师在进行油井动态等基础分析工作时，通常需要先花费几个星期来收集地下储层、设备运行、设备维护及经济性等方面的相关数据。为此，康菲石油公司构建了大数据分析平台（IDW），这是一个涉及多部门的集中式数据存储中心，可存储和分析包括地质、油藏、钻井、开发和生产运行等各环节数据，通过大数据分析、人工智能算法等，指导精确布井、高效钻井和压裂设计优化，实现地质勘探、油藏研究、钻井和完井工程、经济评价的协同，大幅提高钻井作业效率和单井产量，降低吨油成本。该平台在美国鹰滩页岩油气区应用后，钻机周期缩短了50%，单井产量提高了20%。
除了优化钻完井作业之外，人工智能、数据分析还可用于成本管理、生产监控与优化、井位部署、竞争对手分析和资本项目执行等。康菲石油公司运用IDW形成新的工作方式，促使每个业务部门采用一体化运营方法来组建业务和信息技术多专业团队，在数据存储、处理和可视化，以及将业务知识与信息知识相结合等方面起到了重要作用。
1.2.2增强多学科互通，实现技术一体化
在油气工程数字化转型过程中，斯伦贝谢在微软Azure云计算平台和AzureStack混合云平台上开发了DELFI勘探开发信息平台（图2）。该平台改变了油气勘探开发的工作模式，主要表现在：（1）利用大数据分析、机器学习、可视化呈现、高性能计算等数字化技术，帮助勘探开发所有参与者共同提高作业效率，最大限度优化生产，降低综合成本；（2）更大范围、更大程度增强地球物理、地质学、油藏工程、钻完井和生产领域的跨界互通，打破学科界限，真正实现技术一体化；（3）推动甲乙方作业协作，使勘探开发所有参与者在一个共同环境中制定计划，跟踪作业进展，及时获取所需的全部信息和专业技术指导，最大限度解决制约项目执行水平、影响工作效率的专业壁垒和沟通不畅；（4）实现系统开放共享，DELFI平台核心组成部分通过开源处理，为甲方和合作伙伴提供一个开放并可扩展的数字化生态系统，使其能在系统上开发或连接自己的专业软件，实现无障碍接入。
2人工智能推动石油工程技术向智能化转型，成为技术变革和创新的新动力
2.1人工智能助力石油工程技术增储上产
利用人工智能技术将静态模型与地球物理解释、油气生产数据紧密结合，形成高精度预测模型，能提高地下油气资源和储层的认识、优化油田生产，提高单井产量。2017年11月，IEA发布《数字化与能源》报告指出，数字化技术可使全球技术可采储量在现有1.4×1012t油当量基础上，增加750×108t（增幅5%），相当于当前全球年油气消费量的10倍（图3）。
2.1.1提高储层认识优化生产，增加油气发现和可采储量
将机器学习、大数据分析等技术成功用于地震数据解释、地层属性分析，特别是直接用于薄层油气藏解释、直接烃类指示等方面，可以减少地震解释的不确定性，提高油气发现率。壳牌公司利用人工智能配合高性能计算技术，应用海量地震数据生成详细的可视化图像，更快、更准确地定位油气资源，在美国墨西哥湾Deimos油田复杂构造盐下发现了超过1.5×108bbl的石油储量，打破了该地区枯竭少油的观念。
2.1.2优化压裂参数，提高油气单井产能
非常规储层完井和产能优化需要进行大量地质建模、裂缝模拟和产能模拟。受数据、技术水平和计算时间等因素的限制，目前北美只有不到5%的压裂井会基于高端模拟结果进行设计。斯伦贝谢提出利用云计算进行裂缝和储层并行模拟，结合数据分析和人工智能算法，建立代理模型，优化井距、压裂段数、簇数、流体类型、支撑剂类型、支撑剂粒度、泵注速度等参数。代理模型是一个综合预测工具，可以在几分钟内帮助工程师完成完井设计敏感性分析。如果新区块的地质和油层物理参数与老区块的特征类似，代理模型不需修正即可使用；如果新区块地质参数与老区块完全不同，则需要重新建立代理模型。代理模型建立流程如图4所示。在鹰滩页岩气井试验表明，代理模型与实际生产数据吻合度达到90%，大幅提高了油气单井产量。
2.2人工智能助力石油工程技术降本增效
2.2.1优化钻井参数，提高机械钻速
为了提高实钻井眼轨迹与预设值的吻合度，减少后期纠正井眼轨迹的工作量，同时降低钻井成本。OceanitLaboratoriesInc和壳牌公司合作研发了智能定向钻井系统，该系统通过采集包括钻头、大钩载荷、重力工具面、磁性工具面、井斜数据、钻压与转速、立管压力、机械钻速等钻井历史资料，将有效数据存储在钻井日志和录井数据中，收集的钻井参数通过筛选、过滤、归一化，选择适当的参数用于构建和训练人工神经网络。人工神经网络利用强化学习方法来细化训练历史数据，通过自主学习模拟施工人员日常操作，训练后的人工神经网络可以最大限度地减少井眼轨迹偏差，减小井眼弯曲度，提高钻井机械钻速。在美国二叠纪盆地，利用14口水平井定向钻井数据，基于当前工具面、钻压、钻井液排量、机械钻速、压差、旋转扭矩预测未来的压差和旋转扭矩，经过180万个训练步骤后，压差预测误差仅为0.21％，扭矩预测误差仅为2.72％。
2.2.2预测钻井液漏失，减少非生产时间
油气钻井过程中，钻井液漏失会造成很大一笔成本支出。密苏里科学技术大学采用机器学习的方法，准确预测伊拉克Rumaila油田Dammam地层钻井过程中的钻井液漏失体积、ECD和ROP等参数，与传统方法相比，该方法预测精度与实际情况更吻合。该方法步骤如下：（1）从钻井技术日报中收集500口井的关键钻井数据。（2）利用最小二乘法回归方法创建ECD、ROP和钻井液漏失模型。（3）对所有参数进行测试，找出模型中需要的重要参数。该过程采用变量重要性（VIP）测试关键参数，假设VIP阈值为0.8，如果关键钻井参数的VIP值超过0.8，则在模型中需要考虑。在过滤掉低相关系数的钻井参数后，模型中各钻井参数的相关性系数将重新计算。（4）在VBA中对影响钻井液漏失、ECD和ROP的参数进行敏感性分析，目的是测试哪些参数对模型影响最大。
3我国油气公司发展石油工程领域人工智能的建议
目前，我国油气公司石油工程业务正处于转型发展的关键期，建议把握住历史机遇，坚持技术创新与推广应用，从公司经营、数据融合与共享、技术战略布局、政策保障等方面发力，抢占未来发展制高点。
3.1积极应对人工智能推动石油工程产业升级带来的挑战，提升上游核心竞争力
人工智能对石油工程产业不仅是机遇，也会带来挑战。我国油公司石油工程业务竞争优势在于产业链全、人力成本低，在智能化转型过程中，这些优势可能被削弱，需要加快推动石油工程生产服务、装备制造等全流程和全产业链的综合集成，充分挖掘人工智能在钻完井作业智能化、装备制造智能化、油田勘探开发一体化中的作用，提升上游核心竞争力。
3.2搭建统一的大数据和云计算平台，实现数据一体化融合
智能化转型过程中，数据成为重要资源。需要在公司内部建立统一的石油工程人工智能大数据和云计算平台，通过油田分公司、油田服务公司与科研机构的共同参与，加强石油工程各环节的数据共享，打破数据孤立分散、相互隔绝的局面，通过不同专业和部门之间信息数据共享，实现一体化数据融合。要规范数据的采集、传输、存储、转换、集成和应用，提升数据一致性和可靠性，协同推动智能装备、技术和产品的研发，通过系统集成实现产业化。
3.3强化科技创新力度，逐步构建石油工程人工智能生态系统
研究石油工程人工智能发展战略，制定人工智能与石油工程融合发展的技术路线图，明确发展方向、目标和路径。采用“以点带面、点面结合”的策略，首先开发开放的石油工程人工智能应用软件平台，再针对容易实现的单一石油工程人工智能子领域开展研究，最后集成各单项技术形成石油工程人工智能生态系统。近期，建议单项技术重点攻关四维地震、地质工程一体化、钻井参数优化、钻井风险预警、油藏智能导钻、完井参数优化等技术。同时，做好人工智能算法、石油工程人工智能技术标准体系等基础研究，尽快突破技术瓶颈。
3.4加大内部政策扶持力度，加速推进人工智能体制机制和人才梯队建设
充分利用国家和行业相关扶持政策，积极开展“人工智能+石油工程”的融合，探索以科研院所和石油工程现场作业和施工单位为依托，与阿里巴巴、华为等国内顶尖信息企业、高等院校联合筹建石油工程人工智能技术重点实验室，提供专项资金支撑石油工程智能业务发展。同时，加快石油工程人工智能技术人才梯队建设，通过吸引海内外高层次人才和创新团队，在系统内培养既懂专业、又掌握人工智能技术的人才，形成结构优化的石油工程人工智能人才梯队。
光新军，王敏生，耿黎东，闫娜，皮光林.人工智能技术发展对石油工程领域的影响及建议[J].石油科技论坛,2020,39(5):41-47.
GuangXinjun,WangMinsheng,GengLidong,YanNa,PiGuanglin.InfluenceofArtificialIntelligenceTechnologicalDevelopmentonPetroleumEngineeringandSuggestions[J].PetroleumScienceandTechnologyForum,2020,39(5):41-47.
来源：石油科技论坛杂志返回搜狐，查看更多
人工智能在石油勘探开发领域的应用现状与发展趋势
石油勘探与开发››2021,Vol.48››Issue(1):1-11.DOI:10.11698/PED.2021.01.01油气勘探人工智能在石油勘探开发领域的应用现状与发展趋势
{{javascript:window.custom_author_cn_index=0;}}{{custom_author.name_cn}}{{custom_author.xref}}, {{javascript:window.custom_author_cn_index++;}}{{article.zuoZhe_CN}}作者信息+{{custom_zuoZheDiZhi}}第一作者简介：{{custom_bio.content}}第一作者简介：{{custom_bio.content}}联系作者简介：{{custom_authorNodes}}联系作者：任义丽（1987-）,女,山东阳信人,硕士,中国石油勘探开发研究院人工智能研究中心高级工程师,现为中国石油勘探开发研究院在读博士,主要从事人工智能在石油勘探开发中的应用研究。地址：北京市海淀区学院路20号,中国石油勘探开发研究院人工智能研究中心,邮政编码：100083。E-mail:renyili@petrochina.com.cn编委：,{{custom_scientificEditor}}主编：,{{custom_chiefEditor}}责任编辑：,{{custom_leadEditor}}编辑：,{{custom_editor}}折叠Applicationanddevelopmenttrendofartificialintelligenceinpetroleumexplorationanddevelopment
{{javascript:window.custom_author_en_index=0;}}{{custom_author.name_en}}{{custom_author.xref}}, {{javascript:window.custom_author_en_index++;}}{{article.zuoZhe_EN}}Authorinformation+{{custom_zuoZheDiZhi}}{{custom_authorNodes}}{{custom_bio.content}}{{custom_bio.content}}CollapseHistory+ReceivedRevisedPublished2020-09-192020-12-252021-02-23IssueDate 2021-01-19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
人工智能应用领域的研究与展望
引言
20世纪的科技成就中，人工智能占据着重要的位置，它的研发使用是将智能机器人的技术、信息化技术、自动化技术和关于人类自身智能探索与研究融为一体的必然结果。随着人工智能的系列化研究与发展，如今，人工智能已经被广泛地应用于很多领域。但是关于人工智能的应用领域的综述并不多，本文就人工智能在不同领域应用发展趋势进行展望。
1人工智能的由来
人工智能是研究、开发模拟应用、延伸和拓展人的智能领域的理论、方法、技术以及应用系统的一门新的学科。相比于其他学科，人工智能的研究和发展历史是很短暂的，但是它的研究发展与应用却为人类生活带来了翻天覆地的变化，是人类发展历史的一个里程碑，将人类从繁重的体力劳动和脑力劳动中解放出来，同时帮助人类探索拓展了更多的未知领域。
1956年，麦卡赛和明斯基等科学家就提出了“人工智能”的理念，认为在未来机器将会以其独有的人工智能特点更好地服务于人类，代替人类来完成许多高难度、高强度和高危险系数类的工作。这一理念的提出引来了许多优秀科学家的青睐，随即对此展开了更深入的研究、探索、发展和应用[1]。
在计算机的应用普及之前，几乎没有什么机器设备可以分担人类的脑力劳动，特别是依据人脑的思维去对数据进行收集、处理、运算、判定、存储、积累、分析和选择决断。当计算机有了一定程度的发展和应用之后，能够代替人脑工作的软件才逐步被开发并应用到研究和生活中。由早期的各种复杂数据分析运算，一维、二维、三维和立体的测绘，继而发明并应用二维码的识别、无人机作业、月球车等各种模拟人类思维模式的应用，到后来人工智能云处理、对比、处理和建议等人脑无法准确、无误且快速处理大数据的运用。如今，人工智能的应用已经遍布人类生活的许多领域。
2人工智能的应用领域
现在人工智能在计算机领域的应用比较广泛，在其他领域的发展应用也是频见报道。随着人工智能“深、广、精”的研究、发展与应用，不久，必将迎来在更多领域的应用，未来的人工智能将更加智能，更加的人性化，更像个“人”一样进入人类生活，为人类社会的发展服务。
2.1人工智能在工业领域的应用
人工智能的应用在工业发展方面起着举足轻重的作用，它具有效率高、稳定可靠、重复精度好，可承担劳动强度大、危险系数高的作业等优势，已被广泛应用到了工业生产领域，如机器人焊接、机器人搬运、机器人装配、机器热打磨抛光和机器人喷涂电镀等。2018年，林远长等人研究得到焊接机器人在每米长度方向上焊接轨迹跟踪仿真误差为0.18mm，而实际跟踪误差为0.2mm，由此验证利用人工智能仿真误差与实际误差基本一致，完全满足工业生产需求[2]。赵猛研发发动机挠性飞轮盘螺纹装配工业机器人项目[3]，提高装配的自动化和柔性化程度，保证装配质量和生产效率。用人工智能的机器人来代替普通工人去完成许多对人体有不良影响及人体生理条件限制而不能承受的工作，是20世纪工业发展的一个质的飞跃，是工业发展史的一个标志性的里程碑。
2.2人工智能在金融领域的应用
近来，随着人工智能的开发及应用，互联网金融更是取得了极其辉煌迅猛的发展。二维码支付、手机银行、网络借贷、P2P平台、淘宝、京东等逐渐成为人们茶余饭后议论的热点词汇。通过大数据库、云计算、计算机网络应用、区块数据链等最新IT技术，即可获取大量、精确的信息，更加个性化、定向化的风险定位模型，更科学、严谨的投资决策过程，更透明、公正的信用中介角色等，从而能大大地提高金融业务效率和服务水平，特别是一些技术应用，如大数据征信、供需信息、供应链金融等[4]。
2.3人工智能在信息安全领域的应用
数字密码安保模式伴随着互联网技术的不断发展，其弊端也逐步显露，一方面容易被破解，导致信息泄露，另一方面，对于越来越多的信息安保需求，对人脑的记忆力要求也越来越高。由此产生的各种困扰也越来越多，如忘记密码后，自动取款机无法取现、打不开文件、登录不了系统等问题层出不穷，因此信息安全问题越来越被人们所关注。但当人工智能和生物识别技术结合并深入发展之后，信息安全领域得到了一个全新的发展和提高。指纹解锁速度可达0.2s，支持多个指纹同时录入，且被广泛应用；iPhoneX的人脸识别解锁，支付宝的刷脸登录和考勤机器上的刷脸打卡等正渐渐步入人们的日常生活之中；人的虹膜具有惟一性，为实现信息认证、保障信息安全提供了理论基础。现实中也已经有电子厂商将这一技术运用到了实际产品当中，比如三星S系列的手机，就配备了虹膜识别技术，但是虹膜识别目前对环境的要求比较高，尤其是在暗光环境下识别效果还有待提升。相比于指纹识别，虹膜识别在完成产业化的道路上还有很长的路要走[5]。
2.4人工智能在医疗领域的应用
医疗领域的人工智能应用更加普遍，它正在成为改善人们身心健康的主力军，可为病人提供就诊前健康状况初步分析和评估、协同医师处理病人信息和改善服务质量、在医院精准地指导病人就医、节约医疗资源、缓解就医难的紧张局面等。医学领域，精准是非常重要的，因为任何偏差或者误判都会危及人体的健康乃至生命。2015年，杨宇面对心脏手术医疗机器人的异构式主从控制研究，充分运用人工智能[6]，简化了手术操作，降低了操作风险。人工智能芯片能够存入大量的信息，并对这些信息进行高速地运算处理和判断，做出最准确的决策，这是目前人脑没有办法做到的[7]。人工智
能还可以根据患者的实际情况，收集所需要的数据，结合过去的数据进行计算和决策，从而得出最有效的治疗方案，以此减少医务人员的脑力劳动强度，合理利用医疗资源[8]。
3人工智能应用领域的展望
随着人工智能在数字理论技术、自动化控制、机器人应用等方面不断地研究发展，将来，机器必定会无限地接近人的各种行为，通过智能“视觉”“听觉”“触觉”“味觉”“嗅觉”来接收信息，传递信息；通过“电脑”来处理信息，选择和决策；通过智能输出端的“说”和“做”来传递信息发布需求和指令；通过智能肢体“行为”来响应与实施。在人类的日常工作、学习、医疗、安全和可持续发展等领域，人工智能都将尽最大的可能去为人类提供服务。然而无论人工智能发展到哪一步，依然无法在思维、精神、感触和情绪方面全盘取代人脑，仍旧不够人性化和智能化，只能跟随人类对自身智能的开发和研究而尽量接近人类[9]。与此同时，随着大数据类的人工智能的研究与开发，信息安全问题将会凸显，并且成为科学家以后很长一段时间的困扰和研究热点[10]。
4结语
总之，人工智能技术的发展是日新月异的，为将来在更多领域、更广泛的应用人工智能技术提供了更多的可能，但是，这一切都是基于人类对自身智能的充分了解和掌握。为此，还需要很多的知识和技术积累，针对人工智能更大量的应用，科研人员还需要做更多的工作。一方面是开发更多的未知智能，另一方面是完美地将人的智能转化成机器人的智能来为人类生存与发展服务。