人工智能发展与数据安全挑战
图1数字经济时代推动人工智能全面新发展
（1）数字新基建成为人工智能新发展的坚实底座和基础支撑
近年来，美国、欧洲、日本、英国等全球主要经济体纷纷大力发展以5G、物联网、工业互联网、云计算、数据中心、卫星互联网等为代表的新型数字基础设施建设，而中国自2018年12月首次提出“新基建”概念以来，至今已有7次中央级会议或文件明确表示加快新基建的建设速度，并在2020年5月将“加强新型基础设施建设”明确写入2020年《政府工作报告》。数字新基建的加快推进和不断完善将成为人工智能全面新发展的坚实数字底座。其中，物联网和工业互联网将极大拓宽人工智能的数据来源和应用场景，5G和卫星互联网则能够大幅度提高人工智能数据传输、处理以及应用开发的效率，数据中心、云计算设施确保了人工智能发展所需要的巨大基础计算和存储需求，以人工智能芯片、智能终端、智能计算平台为代表的人工智能基础设施则为人工智能应用提供了高质量的硬件支撑。
（2）数据新要素成为人工智能新发展的核心动能和强大驱动
2020年4月，中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，将数据明确列为一种新型生产要素与土地、劳动力、资本和技术等传统要素并列，并强调要加快培育数据要素市场。随着全球各国不断加快数据市场的建设，将在未来形成包括数据要素确权定价、数据交易流通和收益分配等核心功能的数据要素市场改革驱动和政策赋能，能够极大地推动政府公共数据开放和社会企业数据共享，进一步打通数据壁垒，推动形成数据更大规模的有序、便捷、高效和安全流动交易的宏大数字空间，为人工智能全面新发展注入高质量的数据动能。
（3）在线新经济为人工智能新发展提供丰富广阔的应用场景
随着全球经济因疫情冲击而遭受重创甚至面临衰退，以在线新经济为代表的数字经济模式成为全球经济复苏和转型增长的核心驱动。在线新经济的本质是传统行业线上化、网络化、数字化和智能化转型，是指以大数据、云计算、区块链等新一代信息技术在办公、医疗、教育、金融、生产、物流等各个垂直领域的加速落地并形成新型的经济业态。在线新经济的兴起将为人工智能发展提供丰富广阔的应用场景，不断推动人工智能的算法迭代优化，以及向更多行业和更多领域渗透落地，形成人工智能全面新发展庞大、立体的需求牵引。
1.2全球人工智能发展逐步从“探索期”向“成长期”转变
根据行业生命周期理论（IndustryLifeCycle）和Gartner的技术成熟度曲线模型，本文认为当前全球人工智能发展正在逐步渡过“探索期”并进入“成长期”，且已进入了全面转型的关键节点。主要有以下四个关键特征：
（1）人工智能专用技术迅速突破
（2）人工智能产业生态蔚然成型
从全球范围内看，围绕专用人工智能技术的人工智能产业已经初具规模。中国电子学会发布的《新一代人工智能产业白皮书（2019年）》显示，2018年全球新一代人工智能产业规模超过555.7亿美元，预计2019年产业规模将突破718亿美元。而据德勤公司（Deloitte）预测，2025年世界人工智能总体市场规模将超过6万亿美元，2017—2025年复合增长率达30%。在产业链上，形成了包括智能芯片、传感器、智能设备厂商的硬件层；数据分析处理、算法模型、软件开发和关键技术厂商的技术层；行业应用、解决方案、产品服务开发厂商的应用层等三大层级体系，整体产业生态发展开始从“探索期”的弥补市场空白向“成长期”的产业结构优化转型发展。
（3）人工智能投融资日趋理性成熟
自2018年全球人工智能投融资达到784.8亿美元高值以来，2019年全球人工智能领域的投融资规模开始回落。中国信息通信研究院发布的《全球人工智能产业数据报告》显示，2019年一季度全球人工智能融资规模126亿美元，环比下降7.3%。创投研究机构CBInsights发布的《全球人工智能投资趋势年度报告》显示，AI初创公司超过70%的投融资为早期投资或A轮融资，资金向头部初创企业集中的趋势明显加强。伴随着“探索期”的风险投资甚至跟风投机泡沫的消除，核心技术、商业落地和可持续发展成为投资者最关切的决策因素，投融资整体趋向理性必然带来产业结构的优化，驱动人工智能从“探索期”向“成长期”发展。
（4）人工智能应用场景向深层拓展
目前，人工智能的应用场景包括金融、零售、医疗、教育、政务、制造、汽车、家居、智慧城市、数字内容、公共安全等多个垂直领域。相关行业场景的应用深度不一。IDC发布的《AI驱动金融行业智能决策（2020）》显示，目前金融行业头部企业AI应用渗透率达75%以上；第二梯队的企业AI应用渗透率超过50%；第三梯队的金融企业AI应用渗透率约30%，成为当下人工智能渗透率最高的应用场景。中国新一代人工智能发展战略研究院对797家中国人工智能骨干企业中的581家应用层企业进行了详细分析，提供企业技术集成与方案提供、智能机器人两个应用领域的人工智能企业数占比最高，分别为15.43%和9.66%。紧随其后的是关键技术研发和应用平台、新媒体和数字内容、智能医疗、智能硬件、金融科技、智能商业和零售、智能制造领域。相关研究预测，到2022年前后，医疗、公共安全、智能制造、无人驾驶和智慧城市等场景的整体人工智能渗透率都将超过25%。可以说，“探索期”的人工智能发展将主要向更多应用领域过渡，“成长期”的人工智能应用将向更深层次渗透。
1.3数据安全成为人工智能全面新发展的重要制约问题
数据安全是数字经济发展中最关键的安全挑战之一，随着人工智能在产业和技术两个方面都在加快渡过“探索期”，逐步进入“成长期”，人工智能发展与数据安全将更加深度地交织在一起，数据安全问题已然成为人工智能突破关键转轨期所必须解决的重要制约瓶颈。
一方面，人工智能发展加剧了传统数据安全风险。在以“数字新基建、数据新要素、在线新经济”为重要特征的数字经济发展大背景下，人工智能的新发展必然伴随着数据总量的井喷式爆发，各类智能化数据采集终端的加快增长，数据在多种渠道和方式下的流动更加复杂，数据利用场景更加多样，整体数字空间对于人类现实社会各个领域的融合渗透更趋于深层，这将使得传统数据安全风险持续地扩大泛化。另一方面，人工智能催生了各种新型的数据安全风险。人工智能通过训练数据集构造和优化的算法模型，因其对于数据资源特有的处理方式，将会带来数据污染、数据投毒、算法歧视等一系列的新型数据安全问题。同时，人工智能在自动化网络攻击、数据黑产的应用，使得传统网络安全和数据安全威胁更加复杂，对国家和企业现有的数据安全治理能力形成巨大冲击。
2人工智能全面新发展的数据安全挑战
人工智能全面新发展的数据安全挑战既有传统数据安全问题的普遍共性，更具有人工智能时代的独特烙印，影响领域覆盖用户隐私、公民权益、商业秘密、知识产权、社会公平、国家安全等各个方面。因此，报告基于数据生命周期的视域，从数据采集、数据处理、数据流通和数据使用4个阶段，重点聚焦分析人工智能发展中较为独特或更突出的数据安全问题（如表1所示）。
表1人工智能数据安全风险挑战
2.1数据采集阶段的安全挑战
（1）人工智能数据采集时难以保障用户的数据权利
人工智能算法尤其是在深度学习的开发测试过程中，需要大量训练数据作为机器学习资料和系统性能测试。目前，人工智能企业的数据采集主要包括现场无差别采集、直接在线采集、网上公开数据源和商务采购等方式。在现场无差别采集时，由于无法提前预知采集的用户，难以获得用户的充分授权同意。而在直接在线采集时，由于人工智能系统通常由训练好的模型部署而成，对用户数据需要进行连续性的处理分析，因此很难保障用户的修改、撤回等权益。在网上公开数据源和商务采购时，由于目前数据共享、交易和流通的市场化机制不健全，因此存在一部分企业通过灰色渠道获得用户数据，而这些数据缺乏用户知情同意。
（2）现场无差别采集可能会产生过度采集
问题现场采集是人工智能数据采集的重要方式，广泛应用于无人驾驶、智能家居、智慧城市等场景中。其主要通过在公开环境中部署各类传感器或采集终端，以环境信息为对象进行无差别、不定向的现场实时采集。现场采集由于难以提前预知采集的数据对象和数据类型，因此在公开环境尤其是公共空间进行现场采集时，将不可避免地因采集范围的扩大化而带来过度采集问题。比如在智能网联汽车的无人驾驶场景中，自动驾驶汽车的传感器需要采集街景数据来支持智能驾驶系统的决策从而控制汽车行驶，但是这种无差别的街景数据采集必然会采集到行人的个人数据，甚至可能会采集到路边的重要基础设施分布、军事营区等重要数据给国家安全带来风险。
2.2数据处理阶段的安全挑战
（1）数据污染可能会导致人工智能算法模型失效
数据污染的本质是数据质量的技术性治理问题，是指数据与人工智能算法不适配，从而导致算法模型训练成本激增甚至完全失效。数据污染产生的原因可能包括训练数据集规模过小、多样性或代表性不足、异构化严重、数据集标注质量过低、缺乏标准化的数据治理程序、数据投毒攻击等。在数据与模型算法适配度极低的情况下，进行模型训练时将会明显带来反复优化、测试结果不稳定等问题，使得人工智能运行的成本大大提高，严重的数据污染甚至直接导致人工智能算法模型完全不可用。
（2）恶意数据投毒攻击导致人工智能决策
错误数据投毒是指恶意攻击者人为地在训练数据集中定向添加异常数据或是篡改数据，通过破坏原有训练数据的概率分布而导致模型产生分类或聚类错误，从而连续性引发人工智能的决策偏差或错误，最终产生恶意攻击者所期待的结果。在自动驾驶、智能工厂等对实时性要求极高的人工智能场景中，数据投毒对人工智能核心模块产生的定向干扰将会直接扩散到智能设备终端（如智能驾驶汽车的刹车装置、智能工厂的温度分析装置等），从而产生灾难性事故后果。
（3）数据偏差可能会导致人工智能决策带有歧视性
数据偏差是指人工智能算法决策中所使用的训练数据，因地域数字化发展不平衡或社会价值的倾向偏见，使得数据所承载的信息带有难以用技术手段消除的偏差，从而导致人工智能的决策结果带有歧视性。由于当下的专用人工智能主要是通过对训练样本数据的结构和概率进行特征统计，从而构建输入数据与输出结果的相关度，而并非通过抽象化的逻辑推演获取真正的因果关系，同时机器学习算法带有“黑箱”的不可解释性，因此这种因数据偏差导致的决策歧视难以使用技术性完全解决。
比如在政府基于大数据统计分析来进行决策时，其获取的网络数据可能会更多地体现经济发达地区或人群的特征，对于数字化程度较低的边缘地域以及老幼贫弱人群的特征无法有效覆盖，从而对政策制定的公平正义产生不利影响。同时，在金融征信、医疗教育和在线招聘领域，可能会因边远地区、弱势群体和少数族裔的数据量不足、数据质量不高等原因，导致自动化决策的准确率会基于人群特征形成明显的分化，从而产生实质性的歧视影响。
2.3数据流通阶段的安全挑战
（1）人工智能多主体之间的数据交互存在泄露和滥用隐患
由于人工智能产业生态体系中各主体之间进行数据交互而导致的数据泄露或滥用主要包括三种类型：
其一，由于大量人工智能企业会委托第三方公司或采用众包的方式实现海量数据的采集、标注、分析和算法优化，因而数据将会在供应链的各个主体之间形成复杂、实时的交互流通链路，可能会因为各主体数据安全能力的参差不齐，产生数据泄露或滥用的风险。
其二，当下多数人工智能初创企业普遍使用开源学习框架，即通过谷歌、微软、亚马逊等互联网巨头公开的模块化基础算法进行应用开发，因此初创企业对于开源框架、第三方软件包、数据库和其他相关组件等均存在较大的依赖性，且由于缺乏严格的测试管理和安全认证，将会面临不可预期的系统漏洞、数据泄露和供应链断供的安全风险。
其三，通过边缘计算的方式进行人工智能系统开发及数据训练是目前企业较为流行的做法趋势，人工智能云服务平台和开发者、应用者的数据交互，将会使部署在云侧和端侧的数据面临比传统信息系统更加复杂的安全挑战。
（2）数据孤岛和数据壁垒问题可能导致滋生数据黑产
由于人工智能发展处于“探索期”向“成长期”过渡的阶段性特点，对于底层数据资源的竞争仍是人工智能企业最关键的市场竞争力体现。然而成熟的数据要素市场尚未形成，数据合法、便捷、安全、低成本的交易流通机制仍是空白，远远无法满足人工智能企业发展对于数据资源的需求。同时，在政府与企业之间、大企业与小企业之间、行业与行业之间，因数据确权、数据安全等问题存在着诸多法律和技术上的数据壁垒，形成了“数据孤岛”，不仅极大制约着人工智能的发展，也成为滋生数据黑产的主要经济动因。
（3）人工智能产生的跨境数据流动引发数据安全问题
在全球数字经济发展不均衡的大背景下，大型科技巨头在人工智能的数据资源供给、数据分析能力、算法研发优化、产品设计应用等环节分散在不同的国家，而小型初创企业也需要诸多第三方平台和数据分析公司的支撑。因此，无论是企业内部还是与第三方合作，在人工智能技术研发和场景应用中均需要常态化、持续性、高速率、低延时的跨境数据流动。
比如在智能网联汽车领域，智能汽车产生的路况、地图、车主信息等大量数据可能回传境外的汽车制造商，进行产品优化升级和售后服务支撑，将会带来个人敏感数据和重要数据出境后的安全不可控风险。这种人工智能发展引发的跨境数据流动，不仅因各国日益趋严的数据安全规制和本地化要求而面临极大的政策障碍，更将对主权国家的国家安全、数据主权等带来复杂的挑战。
2.4数据使用阶段的安全挑战
（1）智能化的深度挖掘将会威胁公民隐私和国家安全
（2）对人工智能的逆向还原攻击将会侵犯商业秘密
逆向还原攻击是指攻击者通过人工智能应用的公开访问接口，利用一系列技术手段逆向还原出人工智能的算法模型和训练数据。由于算法模型在部署应用中通常需要将公共访问接口发布给用户使用，攻击者可以利用神经网络等人工智能算法对训练数据集的记忆，通过公共访问接口对算法模型进行黑盒访问，从而分析系统的输入输出和其他外部信息，并推测系统模型的参数及训练数据中的隐私信息。甚至部分攻击者能够通过构造出与目标模型相似度非常高的模型，进行不断地优化逼近，从而实现对算法模型的窃取，进而还原出模型训练和运行过程。逆向还原攻击对算法模型、参数特征的窃取将直接威胁企业的知识产权和网络资产安全，而其对训练数据隐私信息的窃取将对个人隐私构成安全威胁。
（3）对抗样本攻击将会导致人工智能决策
3结语
综上，人工智能时代的数据安全问题极为严峻，亟需全球共同治理。人工智能中的数据安全治理是一个系统性工程，需要从法规、标准、技术等各个层面寻求应对策略，并需要监管方、政策制定者、人工智能开发商、制造商、服务提供商，以及网络安全企业协作，共同应对数据安全重大挑战，在人工智能技术发展的当前阶段，同步建立安全治理体系，护航人工智能技术的健康可控发展。
作者：夏玉明1，石英村2
1上海观安信息技术股份有限公司
2上海赛博网络安全产业创新研究院
本文转载自微信公众号信息安全与通信保密杂志社，原载于《信息安全与通信保密》2020年第12期返回搜狐，查看更多
人工智能时代的工作变化、能力需求与培养
摘要：在人工智能时代，程序化工作和一部分非程序化工作将被人工智能取代，工作将向高度智慧化转移，劳动者的工作定位将发生升级方式、介入方式、前进方式、转移方式和集中方式等不同的变化。为了适应人工智能时代，要在学校教育和企业教育中注重提高受教育者的人工智能素养、培养创造性思维能力、社会交流能力以及环境应变能力。应对人工智能时代培养所需人才的关键措施包括：突出个性化培养理念；构建人工智能素养教育体系；实施问题导向及跨学科合作探讨的学习方式；利用人工智能技术提高学习效率。
关键词：人工智能；工作定位；能力需求；能力培养
基金项目：本文系中国社会科学院登峰战略企业管理优势学科建设项目、中国社会科学院京津冀协同发展智库研究课题的阶段性成果。
当前，我们正处在全面进入人工智能时代的过渡期，几乎所有领域都出现了装载有人工智能技术的机械设备。18世纪中期以来，人类历史上先后出现了蒸汽机、内燃机与马达、计算机与互联网技术。这些技术极大地改变了人类的生产生活方式，推动了人类社会的发展。可以说，人工智能是继三大技术之后的又一重大技术。况且，与以往技术不同，人工智能可以替代人的脑力劳动，这将大幅度地改变人们现有的工作内容，并要求人们拥有不同于以往的特殊能力。然而，关于如何界定人在人工智能时代的工作定位及所需能力、如何培养人工智能时代所需要的人才，是尚未解决的课题。目前，有研究围绕人工智能可能产生的就业影响，尤其是结构性失业风险以及社会经济对策等方面进行了分析（万昆，2019；陈明生，2019；王君等，2017；潘文轩，2018），也有研究对人工智能背景下职业教育体制改革与发展问题进行了探讨（南旭光，汪洋，2018；毛旭，张涛，2019；丁晨，2019），但深入到工作能力层面，从劳动者角度探究人工智能时代的人才培养问题的相关研究还较为少见。鉴于此，本文基于技术—工作—能力—培养的视角，结合前沿研究进行理论分析，阐明人工智能对工作业务的影响机制，明确人工智能时代的工作定位与能力需求，探讨能力培养的战略思路和关键方法。
一、人工智能时代的工作变化
人工智能（ArtificialIntelligence，简称AI）是指可以感应环境、做出行动，并获取最佳结果的合理主体（RationalAgent）（S.J.Russell，P.Norvig，2018）。感应环境、做出行动和获取最佳结果，属于人的智慧行为，而这些行为通过计算机程序（合理主体）被再现出来，就成为了人工智能。换言之，人工智能就是具有人类智慧的计算机系统。而在现实的工作环境中，人工智能的计算机系统又是与大量的感应器、超高速通信网、大数据收集分析装置、终端设备、机器手等组成更为复杂的系统来进行实际作业的，如机场出入境管理的人脸识别系统、汽车自动驾驶系统等。因此，可以说人工智能就是装载有可以模拟人类智慧行为的计算机程序的自动化设备。
现阶段的人工智能可以在一定程度上替代人完成识别、决策和操控方面的任务。在识别方面，人工智能可以进行信息判别、分类与检索，如从影像中发现癌变征兆；从音调语速中检测情绪；从图像中监控设备异常、天气异常、用户账号异常等。在决策方面，人工智能可以进行数值形式下的物象评估与匹配，如预测销售额、GDP指标、民意度、信用风险、病变风险；推断消费者爱好、产品推销时机；根据消费者爱好、习惯不同而推荐不同内容的商品广告等。在操控方面，人工智能可以进行表现生成、设计行动最佳化及作业自动化，如自动撰写新闻稿件、概括文章大意；设计项目路线图、商品标识、网页布局、药品成分、建筑物结构；优化游戏策略、送货路线、店铺布局；实施自动驾驶、客户咨询等。只要人规定好了计算机程序的信息处理目的和分析方式，人工智能就能准确无误地替代人工进行作业（安宅和人，2015）。
（一）工作变化的特征
人工智能时代工作变化的特征体现在以下三方面。
1.程序化工作被人工智能取代
所谓程序化工作，按照美国经济学家奥托（D.H.Autor）等的定义，是指变化少、可以按照事先规定的程序进行的工作（Autoretal，2003）。程序化工作又分为主要使用认知能力的程序—认知型工作和主要使用肢体能力的程序—肢体型工作。认知能力是指直觉、判断、想象、推理、决策、记忆、语言理解等能力；肢体能力是指体力。程序—认知型工作具有重复性、单一性、目的明确并且主要使用脑力等特点，如行政事务、会计工作。程序—肢体型工作虽然也有重复性、单一性、目的明确等特点，但主要使用体力，如流水线组装、仓库运输业务。由于程序化工作相对简单，易于编制成计算机程序，所以人工智能对人类劳动的替代，首先会从这些工作开始。例如，产品组装是按照作业标准反复实施同样内容的工作，而作业标准完全可以编制为计算机程序，所使用的设备以及动作也完全可以建立成模型，因此，产品组装就可以由人工智能来代替实施。再如，需要一定认知能力的会计业务，人工智能也可以通过扫描或接受电子信号等方式获取相关数据，而后根据规定程序进行分类、汇总等作业。因此，在人工智能时代程序化工作会呈现明显的减少趋势，以往的自动化设备，基本是替代体力劳动的蓝领劳动者，而人工智能将替代白领劳动者。英国剑桥大学学者弗雷（C.B.Frey）与奥斯本（M.Osborne）在2013年发表的报告中指出，美国在未来20年里将有47%的工作存在被替代的可能性，电话推销员、标题审查与摘要人员、手工缝纫工、技工、保险受理员、手表修理工、货物运输人员、税务代理员、照片处理工、会计助理、图书馆技术员、数据输入员等工作被取代的概率可高达99%（C.B.Frey，M.Osborne，2013）。日本经济新闻和英国金融时报2017年合作进行的调查显示，制造、餐饮、运输等23个产业的2000项工作中有超过3成的业务可能被替代，制造业被替代的比例是80.2%，包括焊接、组装、裁缝、制鞋等业务；餐饮业被替代的比例是68.5%，如客服、点餐、食材准备、餐桌与餐具摆放等业务；运输业被替代的比例是48.4%，包括车辆维修、飞机驾驶、运输信息提供等业务（ShotaroTani，2017）。这些研究表明，被取代概率高的工作基本上都是重复性、单一性、目的明确的程序化工作，其中不乏白领岗位的部分业务。
2.一部分非程序化工作被人工智能取代
相对于程序化工作，非程序化工作通常变化较大，难以按照事先规定的计划进行。这一工作又分为两类，一类是非程序—认知型工作，如科学研究、文学创作、作曲作画、经营管理、医疗诊断、诉讼辩护等；一类是非程序—肢体型工作，如烹饪、理疗、看护以及汽车驾驶等。非程序—认知型工作需要高层次的文化水平、分析能力和想象力，现阶段的人工智能还达不到完全替代的水平。烹饪、理疗、看护以及汽车驾驶等非程序—肢体型工作需要高度的人际间互动、灵敏的环境反应能力以及灵活的肢体动作，而这些要求现阶段的人工智能尚不能完全做到，所以这些工作基本上还需要人来承担。但随着人工智能技术的发展，人工智能在未来不仅会代替人做更多的程序化工作，而且有望将一部分非程序化工作纳入替代范围，如自动驾驶、行走助力、编制诉讼方案、作曲作画等（Autor，2015）。届时非程序化工作完全由人来完成的局面就会发生变化，进而带来业务重组，从以前由人承担所有业务变成由人工智能和人共同分担业务，如影像诊断由人工智能完成，最终诊断由医生完成；围棋陪练由人工智能承担，棋艺解说由教练承担。
3.工作向高度智慧化转移
装载有人工智能的设备可以替代人的程序化工作，甚至部分非程序化工作，但现阶段人工智能仍有很大的局限性，如人工智能不能设定目标和规划未来、不能产生意识、不能对未曾有的变化作出反应、不能提出问题、不能设计分析框架、不能产生灵感、不具有常识判断力、不具有指挥人的领导能力（安宅和人，2015）。所以现阶段仍有四类工作是人工智能所无法替代的。一是高度创造性的思维工作。如通过综合分析各种知识归纳和提出新概念、通过多方面分析发现问题并提出解决方案、基于情感创造出文学艺术作品等。二是高度社会化的沟通工作。如包含理解、说服、交涉在内的工作，人际间交往与协同作业等。三是高度灵敏的肢体型工作。如演奏乐曲、表演舞蹈、高难度手工艺等。四是高度非程序化的工作。如看护、清扫工作。这些工作看似简单，但需要人根据知识、经验以及常识等对情境作出判断，如在清扫时对发现的废纸需要进行判断，确定它是重要笔记还是真正的废纸，而人工智能的扫地机是无法做到的（野口悠纪雄，2018）。但即使如此，现在几乎所有领域中都在使用人工智能，并且人工智能的工作领域还在不断扩展。在看护工作中，移动搀扶患者机器人已经开始出现；人工智能已能够进行文学、绘画及音乐的初步创作，人与人工智能协同作业的状态已成为普遍现象。在这种状态下，人的工作内涵必然要向高度智慧化转移。
（二）人机关系与工作定位
在刚开始引进人工智能的生产过程中，人仍是作业的主体，人工智能起辅助性和支持性作用。人工智能辅助人进行数据和信息处理方面的业务，支持人做一些复杂的、技术性的工作，从事需要肢体劳动的、程序化的操作，但对于需要高度认知能力的工作，如推理与决策，以及需要与人沟通的工作，如协调、开发与咨询、沟通与互动，人工智能的贡献相对较少，但这种情况将会发生改变。世界经济论坛《职业前景报告2018》发表了2018年人与设备的工作时间占比值和2022年人与设备的工作时间占比的预测值（见表1）。对于所有业务，2022年设备的工作时间占总工作时间的比值会增加，其中设备在信息和数据处理、探索和获取业务信息的工作时间占比将超过人的工作时间。在行政、肢体的程序化任务、识别和评估业务信息、执行复杂技术任务中，设备的工作时间占比也将超过四成。即使在推理与决策以及沟通与互动这样原本主要由人来完成的业务中，设备的工作时间也将提高三成左右。因此，未来人工智能不仅能在生产过程中起辅助、支持的作用，而且在一些业务中将会作为“数字劳动力”发挥主导作用。进而言之，在人工智能时代，智能设备将越来越多地替代人的劳动，人机协作的关系将越来越显著。
表12018年、2022年人与设备的工作时间占比值单位：%
资料来源：作者根据世界经济论坛《职业前景报告2018》整理。
在人工智能时代，一些职业及一些工作被替代是不可避免的趋势，因此劳动者必须对职业及工作选择有清楚的认知。美国管理学学者达文波特（T.H.Davenport）和卡比（J.Kirby）认为，人工智能时代劳动者的工作定位，即如何选择能实现自身价值的职业，有五种方式，分别为：一是升级方式，即提升管理素质和掌握超越计算机的大局思维，向高级管理岗位发展。这要求对经营系统有透彻的理解，并需要有充分的计算机知识与技能。随着人工智能质量的提高、数量的增加，高级管理岗位的事务性工作将被大幅度替代，因此升级到高级管理岗位的人数会比以往少；二是转移方式，即转移到不能程序化、结构化的工作领域。现阶段，人工智能设备尚不能完全替代人的劳动，因此工作流程中会保留一些人的岗位。但随着人工智能水平的提高，这些岗位也将逐渐被替代，因此，这些岗位的劳动者，要有充分的危机感；三是介入方式，即学习计算机的程序化决策过程，掌握监视和调整计算机功能的新型能力，以现场管理者的身份介入基本上由人工智能实施的作业过程中；四是集中方式，即以计算机程序尚未渗透到的领域为唯一标准来选择职业或工作。这种方式要求特殊、高超的人类智慧及技能，需要早期、长期训练，甚至需要天赋；五是前进方式，指与时俱进，加大学习力度，研究开发能改变当前领域工作效率的高水平智能机器（T.H.DavenportandJ.Kirby，2015）。从与人工智能的关系看，升级方式、介入方式和前进方式，都需要学习人工智能技术。对这些人群，国家应该对他们的学习进行资助。转移方式中劳动者没有学习新技术的欲望或能力，他们的收入可能会减少，就业也不稳定，国家应从就业政策角度进行援助。集中方式需要从中小学起通过个性化教育对这方面的人才进行培养。
二、人工智能时代的能力需求
随着人工智能在生产过程中的普遍应用，人在生产中的地位不断发生变化，大量程序化作业、甚至越来越多的非程序化作业都将由自动化设备实施，而人必须能够驾驭智能设备，发现和解决工作流程中的问题，对智能设备进行更新创造，从而使其更好地服务于人类社会。从劳动者角度看，必须具备符合人工智能时代所需要的能力，才能使自己的劳动付出变得更有价值；从企业角度看，具有符合人工智能时代能力的员工，是创造价值所不可缺少的人力资源，值得大力引进和培养；从社会角度看，劳动队伍和后备力量都具备符合人工智能时代要求的能力，就可以稳定就业，促进社会经济持续发展。关于能力，可以对有认知能力和社会情感能力的基础理论进行研究。为了探讨能力与社会需求的关系，能力被分成诸多子能力，以验证与不同技术条件的适配性。在解析这些研究之后，笔者将提出符合人工智能时代要求的能力要件，以便为理论研究和政策决策提供参考。
（一）能力的两个方面
理论上看，人的能力一般包含两个方面。一个方面被称为认知能力，另一个方面是非认知能力。其中关于非认知能力有着几种不同的命名，如社会情感能力、软能力、社会能力、人格特质、性格（Heckman，Kautz，2012）。以下将沿用经济合作与发展组织（OECD）（2015）的表述样式，用“社会情感能力”来表示非认知能力。该研究认为，认知是关于获取和应用知识经验的过程，而认知能力就是所有与获取和应用知识经验有关的能力。认识能力有三个层次：第一层是基本能力，如模式识别、计算和记忆；第二层是获取能力，如检索、分类和解释；第三层是应用能力，如思考、推理和概念化。这三层能力的复杂程度从低到高、依次递进。与认知能力不同的是，社会情感能力是对目标实现、社会协作和情感控制产生影响的人格特征。例如，目标实现方面的忍耐、自律、意愿；社会协作方面的沟通、开放、体贴；情感控制方面的自尊、灵活、自信等。
在实际中，人是认知能力和社会情感能力的载体。换言之，这两种能力在人的身体中同时存在，相互影响、相互作用，形成了人的脑力活动和肢体行为。例如，批判性思考就是两种能力合二为一的结果。批判性思考既有认知能力的特点，即能够客观地进行逻辑推理，严守成本收益原则，冷静地进行战略分析。同时，因为批判性思考的对象是现实中的新问题，仅仅依靠过去的经验和教科书手法是不够的，还必须对新现象持有开放心态，根据具体情况，灵活改变思路和行动，而这些特点正是社会情感能力范畴的内容（池迫浩子，宫本晃司，2015）。
（二）能力需求变化与预测
技术进步使得工作环境发生变化，对劳动者的能力需求也出现了新变化。20世纪70年代以来，以大型计算机、电脑终端和互联网为代表的信息通信技术迅速发展，制造业以及服务业的生产过程大为改观，这使得对劳动者的社会情感能力的需求显著提高（Deming，2015）。在1980-2012年间，需要高度社会情感能力的职业就业人数占美国所有就业人数的比例增长了近12个百分点，而只需要认知能力的职业就业人数占比减少了3个百分点。另外，需要高度社会情感能力的职业的工资增长也比其他职业更快，并且2000年以后的增幅大于2000年之前。这是因为生产过程自动化，岗位任务重组，人员重新分配，团队形式增加，而社会情感能力可以降低协调成本，加强不同作业领域的有效合作。
以数字技术为轴心的自动化设备的应用，不仅要求劳动者提高社会情感能力的水平，同时也要求其认知能力和社会情感能力综合水平的提高。维因伯格（Weinberger，2014）利用美国职业大典的数据，对1977-2002年间各职业就业人员具有的计算能力、人际能力以10阶段法进行了赋值，根据数值把职业分为了两类，一类是计算能力与人际能力赋值均高于5的职业，一类是两种能力中一方赋值高于5而另一方赋值低于5的职业。分析发现，两种能力赋值均高于5的职业的就业人数增加，仅一种能力赋值高于5的职业的就业人数减少。该研究还以1972年和1992年的高中3年级中的两个年级层为对象，考察了各层人群的高中数学成绩、领导经验和高中毕业7年后的工资之间的关系。结果表明，同时具有数学能力和领导经验的人的工资在增加，只有一方面能力的人的工资没有变化，不具有这两方面能力的人的工资在减少。这个结论揭示了能力间互补的重要性，即认知能力与社会情感能力，不是各自单独产生价值，而是相互组合（互补）来产生更大的价值。技术进步并没有否定人的任何一方面的能力，而是要求在提高各自水平的基础上达到新高度的互补。由此可以推论出，兼有两种能力的劳动者在以人工智能为轴心的新技术时代将为社会所需，他们的劳动价值会得到社会认可。
表22018年、2022年关键能力需求
资料来源：世界经济论坛《职业前景报告2018》。
以上的推论不仅在以往的数据研究中得到了验证，在近未来的预测研究中也得出了同样的结论。世界经济论坛的《职业前景报告2018》发表了313家跨国企业管理高层的调查数据，从中可以看出2022年需要的关键能力中，属于认知能力的有8个，分别是：分析性思考与创新，主动学习与战略性学习，创造性、独特性和主动性，技术设计与编程，批判性思考与分析，解决复杂问题，问题推理与构思，系统分析与评估。与2018年相比，技术设计与编程、系统分析与评估是新增项目，反映出人工智能时代对劳动者的数字技能的强烈需求，揭示了劳动力素质提高的方向。而领导力和社会影响、情绪性智商属于社会情感能力的范畴。这两个能力同时出现在2018年、2022年两个时间段里，由此可以说，社会情感能力在未来的人工智能技术环境中是不可缺少的。只要生产过程中有人的存在，只要市场及组织内部环境不断变化，就需要社会情感能力去发现问题、运用技术技能去解决问题从而实现劳动的价值。另一方面，包括脑力、肢体在内的基本认知能力的需求将会减少，如操作灵活性、持久性与准确性，视觉、听觉与说话，读、写、算等能力。一些基本操作能力的需求也会减少，如财务和物资资源管理、设备安装与维护、质量管理与安全管理等能力。这些能力基本用于实施程序化业务，其工作的操作标准简单明了，个人发挥创造性的空间较少，从能力层次看，虽然属于知识经验应用能力范畴，但处于低级层次。
世界经济论坛在2016年对人工智能时代的能力需求变化进行了探讨。当时的研究报告指出，高层次认知能力不仅在当时受到重视，而且在2020年对其的需要将会进一步增加。而对于与肢体相关的能力，专家大都认为其需求将会减少。尤其是设备维护、质量管理与安全管理等能力，2016年报告中还有五成的人认为需求会处于稳定状况（世界经济论坛，2016）。由于2016年、2018年的调查方式不同，因此不能对其进行严格的对比，但可以看到能力变化的趋势，即对高层次认知能力的需求一直处于增强趋势，而对设备安装与维护等低层次能力的需求则明显减弱，这反映出人工智能时代对能力的高层次化有着越来越强的需求。
巴克什（Bakhshi）等利用美国和英国数据预测了两国2030年各职业的就业增长和职业所需的能力（Bakhshietal，2017）。该研究中的职业能力包括120项。美英两国各职业最为重视的能力有15项（见表3）。从表3看，美国和英国总体情况类似。在美国，与人际交往有关的能力会越来越重要，这些能力包括指导、社交知觉/认识、协调、服务导向、主动倾听，以及相关知识，如心理学和人类学、教育和培训、治疗和咨询、哲学和神学。认知能力范畴中的应用能力也会越来越重要，如要求能够了解当前和未来形势并且能够做出行动规划（战略性学习）；能够了解新信息对当前和未来问题的解决与决策发挥影响（主动学习）；能够提出有关某个主题的许多想法（思想流利性）。在英国，有10项属于认知能力范畴中的应用能力，这些能力是判断和决策、思想流利性、主动学习、战略性学习、原创性、系统评价、推理、解决复杂问题、系统分析、批判性思考。在人工智能技术更为广泛应用的近未来，劳动者只有充分具备这些能力，才能够有效解决新环境中出现的新问题，并且能够有针对性地提出新想法，积极吸收新信息；能够识别社会技术系统的变化，了解社会技术系统各环节的互连和反馈关系并采取正确行动。另外，英国对于人际交往的能力也非常重视，这些能力包括指导、协调，以及相关知识，如教育和培训等。
表32030年美国、英国各职业中最重要的15项能力
资料来源：作者根据Bakhshi等（2017）整理。
2017年，日本人才咨询公司阿德卡（Adecco）对309家上市公司管理高层进行了抽样调查，收集到了两个时间点（调查时间点为2017年、人工智能普遍应用的2035年）对各种能力的需求程度。结果显示（见表4），2035年最需要的前10项重要能力中，5项为认知能力，包括创造性、分析性思考与抽象性思考、解决复杂问题、信息收集和解决简单问题。5项是社会情感能力，分别是人际关系、灵活性、挑战精神、领导力和积极性与主体性。2017年的前10项重要能力中，4项为认知能力，依次是分析性思考与抽象性思考、解决复杂问题、创造性和信息收集；6项是社会情感能力，如人际关系、积极性与主体性、挑战精神、团队工作与协调性、灵活性和目标实现意愿。从数量看，不论是2017年还是2035年，认知能力和社会情感能力的排名基本相当，表明无论什么时代，均衡能力结构都是必要的。从内容看，不论是2017年还是2035年，认知能力和社会情感能力的子项目基本相同，反映出企业能力需求具有一定的稳定性。从个别能力变化看，有两个突出现象，一个是认知能力中，创造性需求的大幅上升。这表明在人工智能时代企业将进行业务重组，要求员工在高价值工作领域创新工作方式和取得突破；另一个是社会情感能力中，对灵活性的需求有所提升。这反映出企业需要员工充分发挥主动性，去发现生产流程中的问题、发现新的社会需求，而不仅仅是执行指令。
表42017年、2035年最需要的前10项重要能力
资料来源：作者根据西村崇（2017）整理。
（三）符合时代要求的能力要件
综合以上研究，笔者认为，在人工智能时代，能力的首要内容应该是与人工智能有关的新知识、新技能。此外要在人工智能的学习与应用过程中提高社会情感能力，主要是指与人沟通的方法与相关知识。再者，劳动者的能力结构要向高层次升级，应重点发展高层次认知能力。具体概括为两个方向：一是应用人工智能技术创造新产品、新服务的能力，这里称作创造性思维能力；二是发现新问题和解决新问题的能力，这里称作环境应变能力，包括主动学习与战略性学习、解决复杂问题等。在人工智能时代，对于劳动者而言，重要的是使能力结构升级以符合技术发展需要，不仅认知能力要达到新水平，还要与工作方式变化相匹配，而且与人工智能技术互补的社会情感能力也要同步发展。鉴于此，人工智能时代的能力要件可归纳为以下四个方面。
1.人工智能知识
正如读、写、算是工业社会所必须的基本能力一样，对于要在人工智能技术条件下工作的劳动者而言，人工智能的基础知识是不可缺少的。这是以往时代所没有的全新的能力。所谓的人工智能知识，首先是数学知识。因为人工智能的基础就是数理模型，主要包括概率、统计、线形代数等内容；其次是数据科学，是在计算机上收集、解析数据的知识和技能，需要有数理和计算机语言知识，需要计算机操作能力。有了这两方面的知识，就可以形成关于人工智能的新技能：能够使用程序语言，利用既成模块，编制、操作或使用具有简单的感应、解析、反馈等智慧行为的自动化装备。劳动者掌握了人工智能的新技能，不仅可以理解新设备的基本机制，甚至可以研究更先进的人工智能、或利用人工智能来提高生产效率。根据领域、岗位、业务的不同，涉及人工智能的内容会有所不同。国家的教育、经济以及科技部门应该与企业联手设计内容、层次不同的教材，设定认知资格制度，作为评价人才的标杆。
2.社会交流能力
在人工智能时代，要创造新价值，人际或社会交流能力愈发显得重要。创造新产品、新服务及新的工作模式，意味着要对现状有充分的了解，利用人工智能对现状进行改变、重组。这需要周边很多人及社会的理解、帮助及合作。因此，在人工智能时代，人应该提高自身的社会交流能力，能简明扼要地说明目的，开诚布公地寻求理解与帮助，诚实守信地与人合作。社会交流能力的基础是情感，所以人在情绪、意志等方面的情商以及对于文化艺术的审美都非常重要。人工智能时代社会交流能力的特点，就是大量运用网络社交媒体、互联网等工具。这些工具有其便捷之处，但也存在虚假信息等伦理道德问题以及易受黑客攻击的脆弱性问题。社会交流能力与创造性思维能力一样，需要长时间的培养，需要社会氛围的支撑。社会交流能力的特殊之处在于它涉及性格，而性格有天生的因素。所以，在学校教育以及企业教育中，既要传授基本的交流方法，也要考虑个人性格中的天生因素，因人施教，调动有利因素，培养能够从社会中学习、有益于社会的人才。
3.创造性思维能力
人工智能技术使程序化的工作自动化，把人从单一循环、重度及危险的劳动中解放出来，给予人更多的时间，为人的创造性思维提供了更大的可能性。同时，人也必须发挥自己特有的创造性思维能力，才能在人工智能时代确立自身的存在价值。所谓创造性思维能力，是利用人工智能技术，结合自己所在的特定领域，去发现社会及市场需求，提出关于新产品、新服务以及新工作模式的能力。创造性思维能力包括抽象能力、综合能力和应用能力。抽象能力，就是能够概括出事物本质并发展成为概念的能力。借助抽象能力进行分析和推理，才会产生新的认识。综合能力，就是能够融会贯通，把不同领域的知识连接起来，进行整合、分析和再创造的能力。经济学家熊彼特认为，创新有五种形式，即产品创新、技术创新、原材料创新、市场创新和组织创新，它们无一不是生产要素间组合与创造的结果（约瑟夫·熊彼特，2016）。利用人工智能提出关于新产品、新服务以及新工作模式的设想，是对人工智能与其他知识进行融合与创造的过程，所以需要综合能力。应用能力，是能够把知识应用于解决现实问题，也就是解决问题的能力。其中的关键是有目的意识，能够发现问题，使创造性活动具有经济价值与社会意义。而这恰恰是人类特有的能力，无法用计算机程序再现。创造性思维能力，需要长时间的培养，从幼儿园到大学、甚至到就业之后都必须接受持续的教育或启发。同时，要在家庭教育、学校教育和社会上形成鼓励独创、容许差异的宽松氛围。
4.环境应变能力
环境应变能力，就是能够根据不同情境作出不同决策的能力。在人工智能时代留给人的工作基本上都是非程序化工作，它们不可事先预测，也无法编制操控指南，需要劳动者根据自身掌握的知识、经验、常识以及悟性来灵活行动。现阶段的人工智能可以通过大样本学习来增加经验和提高应变能力，但世界是复杂的，很多变化都带有偶然性，解决方案没有经验可循，这限制了样本数量，从而制约了人工智能应变能力的提高。与人工智能不同的是，人所特有的生命体的构造使得其对事物的理解在很多情况下只需要小样本学习和借助常识就可以完成（李开复，王咏刚，2017）。在以往的人才培养中，人们也注意到了环境应变能力，但人工智能时代的特殊之处在于劳动者要接触更为复杂的数字技术，而数字技术的进步日新月异，人们为了防止知识的陈腐化，要能够主动学习，因为仅仅靠教师或上级安排的在岗或离职学习完全不够，要根据自己的具体情况，不间断地吸取新知识。战略性学习，是具有前瞻性的、有长远目标的学习。这个长远目标，可以是对自己所在领域发展前景的预测、自我发展方向的判断，也可以是对企业战略的理解，提前着手学习新知识，当环境变化时就可以游刃有余地应对。人工智能时代的劳动者往往处于与自动化设备合作的作业环境中，生产过程中的故障不仅有硬件的问题，也有计算控制系统的问题，只有在对硬件、软件充分理解的基础上，才能解决现场工作中的复杂问题。总而言之，人工智能时代的环境应变能力，有其鲜明的时代要求，在学校教育和企业教育中必须使用有针对性的教学方法来培养有用人才。
以上归纳了符合人工智能时代要求的四个方面的能力，这四个方面的能力并不是独立存在的，它们之间有着不可分割的联系。人工智能知识是新时代劳动者能力的基础，有了它才能够驾驭自动化设备，进行新产品、新技术及新价值的创造。创造性思维是人工智能时代劳动者能力的核心，突出显示了人的智慧价值。而社会交流能力和环境应变能力则对人的气质或性格提出了新要求，要求处于人工智能时代的劳动者区别于越来越聪明的自动化设备，在纷繁复杂的社会和飞速变化的技术环境中发挥人的作用。
三、人工智能时代的劳动者能力培养
为了培养与人工智能时代相适应的人才，提高全社会的智慧水平，我们应该在理念、内容以及方式、手段上有所变革。
（一）突出个性化培养理念
在工业时代，大批量单品种生产是主流方式，为了提高效率实施机械化、专业化分工，产生了大量单一循环、目标明确的标准化工作岗位。企业将作业编成操作手册或计算机程序，要求劳动者达到按照手册或程序正确操作的能力标准。在这种体制下，劳动者和设备、产品一样都是标准化管理的对象，因此人才培养也是标准化的。体现在高等教育、职业教育及企业教育上，就是培养能够按照标准进行反复、简单作业的劳动者。教育方法基本上依靠大量、统一的习题，或反复练习。这样的理念与方法培养出来的学生或劳动者，只能做单纯的工作，其不仅在精度、速度方面要输给人工智能，并且会变得只能简单地对工作中的变化作出机械的反应，缺少发现问题、解决问题的能力，更谈不上创造新价值，而这种能力恰恰是人工智能时代的劳动者最需要的。因为程序化的工作都由人工智能完成，需要人来做的正是去发现工作系统的问题，不断地进行更新改进，提高生产效率，或者通过新思路、新方法创造新价值。因此，人工智能时代的人才培养，尤其要重视学习者的创造性思维能力，要在因材施教的理念下，充分发挥个人的潜在优势。
（二）构建人工智能素养教育体系
把人工智能教育贯穿小学、初高中、大学以及工作后的全部阶段，提高全社会的人工智能基本素养。目前，包括中国在内的主要国家都已经在小学及初高中开展计算机编程教育，在大学实施更为专业的人工智能教育。同时，针对在职者的相关教育也极为重要。这是因为人工智能技术对劳动的影响面越来越广泛，工作甚至职业变得愈发不确定，在职者要提前做好转业与转岗的准备。为了维持社会经济的可持续发展，国家应该就全社会、全生涯的人工智能素养教育制定战略规划，集结教育及各行业行政管理部门的力量，从资金、设备、师资、教材、技术资格认定、学习费用补助等诸方面制定具体措施。对于义务教育的中小学阶段，应该完善每个学校的信息网络，要使高速Wi-Fi网络覆盖全部校区，使每个学生都有自己专用的终端设备（电脑或平板电脑）。在教室等集体授课的场所，安装可以触屏输入、可以数据储存传递的电子黑板，在教学过程中使用人工智能设备。当前，教育界中能担任人工智能教学的教师人才十分欠缺。国家应该制定紧急行动计划，至少要在5年内填补中小学相关基础素养课程的空白，使每个学校至少有一名该学科的教师。教师的来源，可以直接从博士毕业生、企业的工程师等专业人才中招聘，可以不受教师资格的约束。在大学阶段，理工科要学习高度的人工智能技术，文科及美术、音乐等学科，也要开设人工智能专业课程，因为今后人工智能将在模拟人的艺术感受方面深入发展，需要既懂艺术又懂人工智能的人才。由于人工智能技术发展很快，要组织学术界和企业界的力量，及时更新课程，并且根据人在不同生涯阶段的特点编制有针对性的教材。应该利用大数据来补充劳动力市场信息系统并监控不断变化的技能需求，以适应所提供的课程与教材（OECD，2016）。要尽快设立国家人工智能技术资格认定制度，使学习成果能在社会上受到评价，提高学习者的学习积极性。对于在职人员的学习，应给予费用和时间上的支持。对于企业实施的员工培训，应该以减免培训费等激励政策给予扶持。
（三）实施问题导向及跨学科合作探讨的学习方式
创造性思维能力、社会交流能力的具体表现是能够利用人工智能技术解决现实问题，以及能够利用人工智能创造新产品、新服务与新工作模式。以往“满堂灌”的学习方式难以培养这些能力，今后应该加强问题导向及跨学科合作探讨方式的学习。所谓问题导向，就是有明确、真实并且具体的现实问题，解决这些问题是学习的目的。这需要企业与学校共同制订学习目标，引导学生进行社会实践。问题导向的学习方式，还需要学习材料具有现实性。数据要真实，设备及材料要先进，教材要能够反映前沿理论与实践。跨学科合作探讨学习包含四个方面，首先是跨学科的学习内容，即学生根据具体问题学习数学、统计、数据、人工智能以及物理、化学、生物、艺术等多学科知识，这需要打破以往文理分科的界限；其次是跨学科的学习成员，即打破以往班级学习约束，组成由不同专业背景学生构成的小组，尤其是大学阶段要尽可能采取这种办法；再次是小组学习方式，即在教师指导下以小组为中心进行讨论和得出解决方案。同时，要构筑互联网学习平台，教师与学生之间、学生与学生之间有充分的提问—反馈—讨论的渠道。跨学科合作探讨形式的学习方法，不仅有利于提高学习自主性和团队合作性，也有助于进行知识碰撞、知识整合和知识创造，从而提高综合能力和应用能力。
现阶段，包括中国在内的一些国家都在进行问题导向及跨学科合作探讨学习方式的实践，诞生了STEAM（Science，Technology，Engineering，Art，Mathematics）教育课程、问题/项目导向型教育课程（Problem/Project-BasedLearning：PBL）、创新思维课程等方法。但这些方式都处在发展过程中，需要专家和学者不断吸取有益经验对其进行改进。日本为了培养人工智能人才，制定了国家战略推行STEAM教育，并研究整理了具体案例，为各学校及企业提供参考材料。如日本某职业高中与企业合作，开展了STEAM教育课程。该课程的项目之一是设计使用便利的人工智能设备，推进智能化农业生产。项目分四个阶段进行。第一阶段引发学生对农业和机器人的兴趣，使用4个课时。教师启发学生考虑联系农业作业的实际需求，确定制作机器人的具体内容。企业技术专家介绍机器人控制语言，演示机器人的动作。学生进行讨论，得出关于制作方向的结论；第二阶段进行机器人控制与数学、物理等学科知识的应用，使用4个课时。具体任务有两个，一个是解剖分析现有农业机械，获得感性、基础认识，再使用控制语言设计机器人基本雏形，另一个是运用数学知识，探讨马达转速与机器人动作的关系，设计控制程序，制作马达。企业技术专家讲解高感度彩色感应器、图像识别等技术，联系物理知识，讲解关于摩擦作用的处理方法；第三阶段学习机器人开发的基本程序，使用4个课时。技术专家讲解现实社会中技术人员如何编写“产品规格书”、通用计算机语言、数据解析工具等，引导学生继续使用控制语言模块制作机器人；第四阶段进行总结和演示，使用4个课时。学生演示、讲解自己制作的机器人的特点以及与农业作业的关联。同时，教师引导学生梳理学习内容，激发今后学习机器人技能的兴趣（经济产业省，2019）。
（四）利用人工智能技术提高学习效率，增强学生的创造性思维能力、社会交流能力
现阶段的人工智能已经可以代替教师对学生进行辅导，提高学生的学习效率，如X-Tech、EdTech、LearnTech等技术。这些工具可以根据每个学生的实际情况，给出不同的学习指导方案，提高学习效率。有国外学校在教学中引进了人工智能系统，学生使用平板电脑阅读数学教材、做习题。人工智能系统收集所有学生的学习信息，包括答案、解题过程、速度、集中力、理解力等，在此基础上判断出每个学生的强、弱项，给出符合个人学习水平的阅读材料和习题，大大提高了学习效率。该学校利用人工智能对小学六年级学生进行了初中一年级上学期的数学课程教育，常规需要14周的学习内容仅用2周就完成了，并且学生们的考试成绩都超过了常规教育的平均点。如果能如此高效地接受知识，学生就可以把时间更多地用在联系实际的项目学习以及体育、艺术等活动上，强化学生创造力和社会交流能力的培养。如果说铅笔、笔记本、橡皮是传统必需的学习工具，那么当前与互联网无障碍连接的电子终端已经成为人工智能时代学习的必要工具。国家应该尽快完善义务教育、高中教育、大学教育和在职教育的电子化环境，引进人工智能设备，提高全社会的学习效率。
目前，人工智能正以前所未有的速度部分或完全替代人的劳动，社会生产率将会大大提高。我们必须精准理解人工智能对职业、劳动和能力的影响，从国家层面制定战略规划，运用市场经济杠杆和政策手段提高包括义务教育、高中教育、高等教育和在职教育在内的生涯教育的人工智能基本素养，维持社会经济的稳定发展。
参考文献
[1]陈明生.人工智能发展、劳动分类与结构性失业研究[J].经济学家，2019（10）：66-74.
[2]丁晨.从适应到引领：人工智能时代职业教育发展的机遇、挑战与出路[J].中国职业技术教育，2019（13）：53-59.
[3]李开复，王咏刚.人工智能[M].北京：文化发展出版社，2017.
[4]毛旭，张涛.人工智能与职业教育深度融合的促动因素、目标形态及路径选择[J].教育与职业，2019（24）：53-59.
[5]南旭光，汪洋.人工智能时代职业教育治理的限时挑战与路径选择[J].教育与职业，2018（18）：25-30.
[6]潘文轩.人工智能技术发展对就业的多重影响及应对措施[J].湖湘论坛，2018（4）：146-153.
[7][美]S.J.Russell，P.Norvig.人工智能：一种现代的方法（第3版）[M].殷建平，等译.北京：清华大学出版社，2018.
[8]王君，张于喆，张义博，等.人工智能等新技术进步影响就业的激励与对策[J].宏观经济研究，2017（10）：169-181.
[9]万昆.人工智能技术带来的就业风险及教育因应[J].广西社会科学，2019（6）：185-188.
[10][奥]约瑟夫·熊彼特.经济发展理论[M].何畏，等译.北京：商务印书馆，2016.
[11]安宅和人.人工知能はビジネスをどう変えるか[J].DiamondHarvardBusinessReview，2015（11）：43-58.
[12]池迫浩子,宮本晃司.家庭、学校、地域社会におけるスキルの育成：国際的エビデンスのまとめと日本の教育実践·研究に対する示唆[R/OL].2015-08-27.https://berd.benesse.jp/feature/focus/11-OECD/pdf/FSaES_20150827.pdf.
[13]経済産業省.“未来の教室”実証事業成果報告：ベジタリア株式会社[R/OL].2019-07-12.https://www.learning-innovation.go.jp/verify/z0044/.
[14]野口悠纪雄.AI入門講座[M].東京：東京堂出版，2018.[15]西村崇.AI時代に必要なスキルは「対人関係力」と「創造力」、アデコが調査報告[EB/OL].2017-05-17.https://xtech.nikkei.com/it/atcl/news/17/051701429/.
[16]D.H.Autor,L.F.Levy，R.J.Murnane.Theskillcontentofrecenttechnologicalchange：anempiricalexploration[J].QuarterlyJournalofEconomics，2003（4）：1279–1333．
[17]D.H.Autor.Whyaretherestillsomanyjobs？Thehistory andfutureofworkplaceautomation[J].JournalofEconomicPerspectives，2015（3）：3–30.
[18]H.Bakhshi，J.M.Downing，M.A.Osborneetal.Thefuture ofskills:employmentin2030[R/OL].2017-12-30.https://futureskills.pearson.com/research/assets/pdfs/technical-report.pdf.
[19]T.H.Davenport，J.Kirby.Beyondautomation[J].Harvard BusinessReview，2015（6）：59-65.
[20]D.J.Deming.Thegrowingimportanceofsocialskillsinthelabormarket[J].NBERWorkingPaper，2015：21473.
[21]C.B.Frey，M.A.Osborne.Thefutureofemployment:how susceptiblearejobstocomputerisation？[R].WorkingPaper，OxfordMartinProgrammeonTechnologyandEmployment，2013.
[22]J.J.Heckman，T.Kautz.Hardevidenceonsoftskills[J].LaborEconomics，2012：451-464.
[23]ShotaroTani.Isyourjobrobot-ready？Ourinteractive calculatorletsyoufindouthowthreatenedyouare[R/OL].2017-04-22.https://asia.nikkei.com/Economy/Is-your-job-robot-ready.
[24]C.J.Weinberger.Theincreasingcomplementaritybetweencognitiveandsocialskills[J].TheReviewofEconomicsandStatistics，2014（5）：849-861.
[25]WorldEconomicForum.Thefutureofjobs：employment，skillsandworkforcestrategyforthefourthindustrialre-volution[R/OL].2016-01-18.https://reports.weforum.org/future-of-jobs-2016/preface/.
[26]WorldEconomicForum.Thefutureofjobsreport2018：Centrefortheneweconomyandsociety[R/OL].2018-09-17.https://www.weforum.org/reports/the-future-of-jobs-report-2018.
[27]OECD.Skillsforsocialprogress：thepowerofsocialand emotionalskills[R/OL].2015-12-30.OECDSkillsStudies，OECDPublishing，Paris，http：//dx.doi.org/10.1787/9789264226159-en.
[28]OECD.Skillsforadigitalworld[R/OL].2016-12-30.https://www.oecd.org/els/emp/Skills-for-a-Digital-World.pdf.
刘湘丽.人工智能时代的工作变化、能力需求与培养[J/OL].新疆师范大学学报(哲学社会科学版),2020(04):1-12[2020-05-20].https://doi.org/10.14100/j.cnki.65-1039/g4.20200518.001.
大数据时代对审计的机遇和挑战
大数据时代对审计的机遇和挑战
朱静芬
随着科技和社会的不断进步发展，信息技术和计算机网络的蓬勃兴起，各行业各领域的数据量迅猛增加。随着结构化、半结构化和非结构化数据的大量涌现，数据规模和种类的快速增长，标志着大数据时代已经来临。在大数据时代下，审计环境发生重大变化，审计数据呈现出大数据独有的特点，包括数据量大、数据种类多、数据价值密度低、数据处理速度快等。当前，大数据时代计算机审计技术已不再是传统审计的辅助工具，而将成为引领审计信息化发展的重要一环。进入了大数据审计时代，如何更快地适应审计工作环境的变化，更迅速、准确地处理数据，积极探索和创新大数据时代审计方法，应对大数据给审计带来的机遇和挑战，已经成为审计人员面临的重要课题。
一、大数据审计的定义及特征
（一）大数据的定义及特征
目前大数据的研究与应用已经成为国内外的热点，不同的文献给出了大数据的不同定义。如维基百科对大数据的定义为：大数据或称巨量数据、海量数据、大资料指的是所涉及的数据量规模巨大到无法通过人工或者计算机，在合理时间内达到截取、管理、处理、并整理成为人类所能解读的形式的信息。大数据几乎无法使用大多数的数据库管理系统处理，而必须使用“在数十、数百甚至数千台服务器上同时平行运行的软件”。麦肯锡公司对大数据的定义为：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合。高德纳咨询公司把大数据定义为：大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。简单地说，大数据是一种信息资产，是巨量数据集合。
大数据的定义取决于持有数据组的机构之能力，以及其平常用来处理分析数据的软件之能力。大数据对象既可能是实际的、有限的数据集合如某个政府部门或企业掌握的数据库。也可能是虚拟的、无限的数据集合如微博、微信、社交网络上的全部信息。大数据具有五个主要的技术特点，即大体量（可从数百TB到数十数百PB、甚至EB的规模）、多样性（大数据包括各种格式和形态的数据）、时效性（很多大数据需要在一定的时间限度下得到及时处理）、准确性（处理的结果要保证一定的准确性）、大价值（大数据包含很多深度的价值，大数据分析挖掘和利用将带来巨大的商业价值）。大数据具有海量数据规模、快速数据流转、多样数据类型和价值密度低等特征。就审计工作而言，大数据是指开展审计工作所需、所产生或与被审计对象相关的信息和数据的集合。根据数据来源不同，可分成被审计单位数据、审计工作本身形成的数据，以及国土、海关、公安等外部数据。
（二）大数据审计的定义及特征
截止目前，大数据审计还没有明确的概念。2014年10月，《国务院关于加强审计工作的意见》（国发〔2014〕48号）提出，推进有关部门、金融机构和国有企事业单位等与审计机关实现信息共享，加大数据集中力度，构建国家审计数据系统。探索在审计实践中运用大数据技术的途径，加大数据综合利用力度，提高运用信息化技术查核问题、评价判断、宏观分析的能力。这是国家首次在文件中将大数据审计列入审计信息化工作重点。基于此文件，我们可将大数据审计定义为：在大数据环境下，运用新的审计理念和新的数据获取、分析技术，通过对审计大数据进行充分共享和深度挖掘，发现审计线索或生成审计结论，以进一步提高审计工作效率的审计方式。
大数据审计有以下五个方面重要特征：一是高效性。大数据审计能大大提高审计工作效率，促进审计工作更深入的发展。审计人员采集大数据后，利用电子与计算机技术快速进行大数据汇总、筛选、分析，能够快速地发现问题。二是检查与分析数据的准确性、完整性。利用大数据审计方法，审计人员能有效地对大数据进行全面、系统、完整地分析，实现财务数据与业务数据检查全覆盖。三是不可替代性。大数据审计大大缩小了审计测试实质性风险。大数据审计人员利用计算机语言进行数据的汇总分析、阶段特征分析、分布趋势分析、数据字段的比对分析，相关单位大数据之间的关联分析，可以对大数据进行全面系统地测试。四是便利性。利用大数据审计，可以实现相关单位或同一单位的下属不同机构的关联审计，大大节约审计时间，提高审计效能。审计人员利用大数据进行审计实施阶段前的数据分析工作，将来自财政、金融、税务、工商等多个平台的管理数据进行关联，使审计人员对被审计单位的情况进行较全面的了解。五是针对性。审计人员针对被审计单位、被审计事项的某些特征，利用大数据审计方法，从海量信息中可以快速查找有用的信息，发现审计线索，找出审计疑点，锁定审计目标。
很多学者也都纷纷阐述了大数据对审计带来的影响。如刘碧湘（2013）分析了大数据对计算机审计的机遇和挑战，提出利用大数据推进计算机审计，要解决保障数据质量，建立公共分析数据平台，加强对审计人员的培训和建立合理的审计结果评价体系等问题。秦荣生（2014）介绍云计算、大数据技术对审计方式、审计抽样技术、审计报告模式、审计证据搜集等技术和方法的影响；陈伟（2016）提出审计大数据的技术方法体系。可见，大数据时代审计如何创新发展得到学者和研究机构的普遍关注。
二、大数据时代对审计工作提出的新要求
2015年8月，国务院印发了《促进大数据发展行动纲要》（国发〔2015〕50号），明确提出“大数据是以容量大、类型多、存取速度快、应用价值高为主要特征的数据集合，正快速发展为对数量巨大、来源分散、格式多样的数据进行采集、存储和关联分析，从中发现新知识、创造新价值、提升新能力的新一代信息技术和服务业态”。文件的核心是推动数据资源共享开放，推动各部门、各地区、各行业、各领域的数据资源共享开放。2016年12月，国务院印发了《“十三五”国家信息化规划》（国发〔2016〕73号），明确要求推动各部门业务系统互通对接、信息共享和业务协同，2018年，形成公共数据资源开放共享的法规制度和政策体系，建成国家政府数据统一共享交换和开放平台，跨部门数据资源共享共用格局基本形成。
2015年12月，中共中央办公厅、国务院办公厅印发了《关于实行审计全覆盖的实施意见》(中办发〔2015〕58号)，其中“创新审计技术方法”部分明确指出：构建大数据审计工作模式，提高审计能力、质量和效率，扩大审计监督的广度和深度。适应大数据审计需要，构建国家审计数据系统和数字化审计平台，积极运用大数据技术，加大业务数据与财务数据、单位数据与行业数据以及跨行业、跨领域数据的综合比对和关联分析力度，提高运用信息化技术查核问题、评价判断、宏观分析的能力。探索建立审计实时监督系统，实施联网审计。文件的出台对我们新时代的审计工作提出了新的要求。
2015年12月，刘家义审计长进一步在全国审计工作会议上指出：“推进以大数据为核心的审计信息化建设是应对未来挑战的重要法宝，也是实现审计全覆盖的必由之路。”大数据审计涉及国民经济运行的主要数据，数据分类上既包括来自被审计单位信息系统的财务数据、资料，也包括来自互联网上的音频、视频、图像等非结构化数据。同时，审计数据的跨行业、跨领域、跨层级等特性，急需利用大数据来进行整理分类、分析挖掘等技术。
2016年5月，审计署印发了《“十三五”国家审计工作发展规划》。这是第一个全国性的国家审计工作五年规划，对“十三五”时期全国审计工作的目标、任务和措施作出了安排部署。文件明确提出要创新审计管理模式和组织方式，要大力推行现代审计综合模式，全面推广“总体分析、发现疑点、分散核实、系统研究”数字化审计方式。其中“十七、加快审计信息化建设”指出，以提升审计能力和审计效率为目标，加大数据集中力度，完善国家审计数据中心，形成全国统一的审计信息系统。加大数据分析力度，拓展大数据技术运用，大幅提高运用信息化技术发现问题、评价判断、宏观分析的能力，形成“国家审计云”。需要做好包括4个方面的工作：一是加大数据集中和整合力度。建立健全数据采集与管理的制度规范和工作机制，到2020年实现对经济社会各类主要信息数据的全归集。完善审计业务电子数据管理办法。大力推进各类数据的整合和标准化，逐步实现信息共享，提升数据利用价值。建立审计数据灾备中心。二是加强大数据技术运用。积极应用“云计算”、数据挖掘、智能分析等新兴技术，提高审计效率。探索多维度、智能化数据分析方法。加强对各领域、各层级、各系统间数据的关联分析，增强判断评价宏观经济、感知经济风险等方面能力。大力推进联网审计。三是加强信息化建设项目审计。围绕国家大数据战略和“互联网+”行动，以提高财政资金使用效益和维护国家信息安全为重点，加大对政府部门、国有企事业单位信息化建设项目及信息系统审计力度，促进国家大数据战略的顺利实施。四是完成金审三期工程建设。制定统筹推进全国审计信息化建设指导意见。到2020年，基本建成数字化审计指挥平台、大数据综合分析平台、审计综合作业平台、模拟仿真实验室和综合服务支撑系统。逐步实现审计计划编制、资源配置、组织管理、质量控制、成果利用等全过程的数字化。基本建成一体化信息综合服务支撑保障体系。
近年来，审计全覆盖已经成为一个高频词。十三届全国人大一次会议新闻中心，审计署审计长胡泽君在回答记者关于“审计工作如何实现全覆盖?如何成为重要武器？”的提问时表示：第一，坚持党的集中统一领导，优化审计监督职责。审计全覆盖涉及行政机关,也涉及党的机关。第二，积极推进大数据审计，坚持科技强审，通过信息化、数字化，努力提高审计监督的质量和效益。第三，加强对审计监督对象的内部审计工作的指导和监督，促进党政机关、企事业单位更有效地抵御风险，实现高质量发展。可见，审计署审计长关于审计全覆盖的回答中也提到了积极推进大数据审计，此项工作迫在眉睫。
大数据无时无刻不在产生，尤其随着信息化程度的提高，金财、金税、金保、金盾、金农工程等的发展，涉及的也不仅只是财务数据，还有大量业务数据。“总体分析、系统研究、发现疑点、分散核实、精确定位”的数字化审计方式是发展的必然趋势。大数据审计旨在向“数据一体化、业务一体化、模式一体化”的方向推进发展，审计模式将贯穿于纵横交错的各行各业。所以，审计方法要向大数据审计方法转变，主要表现在审计资料由抽查部分纸质资料转变为更多的海量电子数据，审计思路由财务审计转变为综合绩效审计，审计时效由事后审计转变为实时监督，审计覆盖面由部分被审计单位转变为审计全覆盖。总之，伴随着信息技术的发展，审计工作日渐依赖于大数据的发展，大数据技术成为实现审计全覆盖必由之路，给审计技术方法的信息化和高效化带来了多方位的革新和进步。因此，只有顺应时代潮流，转变思维观念，改进方式方法，才能有效提高审计质量、提升审计效能、提高审计管理和服务水平、防范审计风险，充分发挥审计的国家治理基石、重要保障作用。
三、大数据时代审计工作的机遇
大数据已带来新一轮信息化革命，走进并深刻地进入了我们的生活，它给我们带来了新的思维变革和管理变革。审计作为一个用数据说话的综合性经济监督部门，在大数据时代将迎来不少机遇。大数据审计实现了跨行业、跨领域、跨地区、多维度、多层次审计，更容易发现复杂性、隐蔽性问题，对共性、趋势性问题能进行预警并能采取预防手段，更可以实现可视化领导层决策。大数据审计的推动能充分发挥审计的“抵御”和“预防”的功能，切实实现审计保障国家经济社会健康运行的重大作用。
（一）审计分析更全面，建立总体审计的思维模式
随着被审计单位财务和业务数据的电子化，采集电子数据进行数据分析已经成为审计工作中不可缺少的一部分。大数据时代可以通过联网审计技术获取到被审计单位更多、更全面的电子数据加以分析，从而对被审计单位进行系统、全面甚至跨部门的综合分析。可以收集和处理整体的所有数据，利用计算机审计方法对海量数据进行更全面的分析，建立总体审计的思维模式，从总体的视角发现以前难以发现的问题。
（二）审计数据获取更便利、实现联网实时审计
以前，审计人员获取各个部门的相关数据需要分别去各个部门收集信息，分别点对点的与被审计单位进行联网。
随着大数据技术的发展，跨越系统、平台、数据结构的技术使审计效率明显提高。审计部门可以充分利用采集来的各方数据建立集中统一的审计平台，只要接入平台，所有审计所需的数据在设置一定的权限后都可以直接获取，甚至使联网实时审计成为可能，从而大大提高审计效率，节约审计成本。
（三）创新审计思维，建立审计思路
以前审计工作的思维是从局部到整体，审计的效率受制于数据采集和整理能力。而在当前的大数据时代，审计创新性地使用大数据方式，思维模式从整体转换成局部，审计方法的发展得到质的飞跃。大数据审计不仅是审计方式的创新，更是思维方式的变革。大数据的应用，带来了海量的审计数据库，其中的大数据既可以来源于企业的信息系统，也可以是互联网中所提交的数据，审计人员可通过利用关联思路和模式从相应的数据库中进行搜集和利用，最后从数据的内部联系、相应的关联分析及数据中的疑问等方面，构思出审计的思路，从而为审计的下一个阶段奠定基础。
（四）强化审计分析，提高审计洞察力
传统环境下，审计数据的获得需要进行大量的人工整合，数据汇总和整理效率较低，且分析预测能力不强。而在大数据时代，云计算、量子计算和流处理等技术的应用，使得大数据的计算速度日渐提升，审计数据的分析更多地采用了统计分析、数据挖掘和数据可视化等方法，从而扩大了审计技术的分析能力。大数据时代审计工作可以从不同的角度采用很多数据挖掘方法对数据进行挖掘。如数据概化可以得到财务报告的一般属性特征描述，从而为审计人员判断虚假财务报告提供依据；统计分析可以通过回归分析、因子分析和判别分析等方法可对数据进行分类和预测，从中发现审计疑点，将其列为审计重点；聚类分析可以识别企业的财务报表中的规律性和存在的异常；关联分析可以发现存在异常联系的数据项，从而发现审计疑点。可视化技术提供的数据图像化可以直观的呈现大数据特点，帮助审计人员快速有效地交互分析大量数据，提高审计洞察力；云计算、流处理等技术的应用和审计数据实时分析功能可以使联网审计更好的实现实时审计。
（五）审计证据更充分、审计结论更准确
审计作为一个综合性的经济监督部门，需要用数据说话。随着绩效审计的发展，审计部门需要通过数据对被审计单位做出审计评价。在大数据时代，充分利用数据分析技术、将分散存储在不同系统中的海量数据关联并进行深度挖掘分析，可以对被审计单位进行全面审计分析，从而取得更充分的审计证据、得出准确的审计结论。在数据分析下得出的所有审计结论都有大量的数据作为支撑，将使审计的成果更客观、更能得到被审计单位的认同；另外从宏观层面进行大数据关联分析，可以提高分析宏观经济发展趋势、感知经济社会运行风险、发现违纪违法问题线索的能力，从而进一步提升审计信服力和影响力。
四、大数据时代审计工作面临的挑战
传统的财务审计过程中一般会运用如审阅法、复核法、核对法、函证法等查账方法。进行经济效益审计时，既要运用财务审计的一般方法，又要运用如经济活动分析、决策分析和数学分析等多种分析方法和现代管理方法。而这些方法在大数据时代已显得较单薄。大数据时代给审计带来机遇的同时也带来了新的挑战，主要表现在以下方面。
（一）审计数据真实性风险
大数据时代，需要从各种渠道采集大数据信息，而审计数据的“真实性和完整性”与大数据的“杂乱和不精确”之间产生了矛盾。其中影响数据真实性的因素很多如被审单位存在主客观因素导致的数据缺失和误差或审计人员处理大数据时导致的遗漏和缺失等。而上述数据的真实性风险将会对后续审计技术方法的运用造成根本影响。
（二）审计数据控制和保护风险
大数据时代，为了进行更全面的审计，往往需要从众多的被审计单位中采集大量的数据进行分析，其中包含着大量敏感数据。虽然将海量数据集中存储，方便了审计数据分析和处理，但如果安全管理不当造成的大数据损失或泄露，会引发严重的数据风险和隐私风险。如何在采集数据进行审计分析的同时加强对大数据平台的安全防护以及被审计单位和个人的信息管理保护，成为大数据时代审计工作面临的一大挑战。
（三）审计数据存储与处理风险
大数据时代，被审计单位的大数据为审计数据的存储和处理提出了挑战。一是审计数据的存储风险。随着结构化和非结构化数据量的持续增长以及分析数据来源的多样化，已有的审计数据存储技术将不能完全满足大数据环境的需要。随着被审计数据的单位和年份的增多，数据量也大规模的增长，对审计数据存储的容量提出了挑战。同时，对审计数据中心的恶意进攻或进行网络攻击都会造成严重的不良后果。这些审计数据的存储风险将会对审计技术与方法的利用造成基础性障碍。二是审计数据的处理风险。海量的数据的输入输出对审计大数据处理能力提出了挑战，如何突破数据传输瓶颈、提高数据处理速度也成为大数据环境下审计工作必须解决的问题。目前，在审计大数据处理和转换方面的难题主要归因于两个方面。大数据价值密度较低，导致在对海量非结构化数据进行审计时，发现线索的难度更大；所需处理的数据规模急剧膨胀，现有的数据中心及其硬件设备难以完成挑战，审计技术急需升级革新。
（四）复合型审计人才匮乏风险
现在审计工作普遍存在着人员紧、任务重的问题，审计人员很少抽出大量的时间来学习新的知识，不少审计人员的知识结构较为单一，计算机操作能力较弱，难以有效地完成大数据审计，审计技术与方法受到人为性限制，审计效率难以得到提高。有不少审计人员对大数据的认识较陌生，审计思维还停留在传统的查账阶段，依赖抽样分析，认为使用现场审计实施系统导入账套浏览电子账就可以。没有对财务和业务数据进行关联分析，导致大量的数据没有被有效使用，海量数据的存在使得传统的审计方法步履艰难、难以应对。因此，造成审计覆盖面较小，审计广度和深度不够。
一线经验丰富的审计人员往往缺少计算机技术知识，而懂计算机的审计人员又经验不足，审计经验丰富又可承担数据分析和数据挖掘的复合型审计人才更为缺乏。大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。如何利用大数据对我们审计人员的能力水平提出了更高的要求。大数据的复杂性及多样性使得审计人员不仅要具有一定的会计基础、数据挖掘和分析能力，还要快速学习掌握相关的大数据处理技术。
五、大数据在内审工作的重要作用
在大数据背景下，内部审计的外在环境发生了巨大的变化，传统意义上的手工查账方式已越来越不适应目前内部审计发展的客观需要。信息技术和计算机网络在审计工作中的运用，大数据应越来越被内部审计机构所重视，审计人员通过大量数据的分析、查询、处理能快速，有效找到必要的审计线索、审计疑点、审计证据。可见，大数据审计已成为内部审计发展的大势所趋。如何更快地适应内部审计工作外部环境的变化，更迅速、准确地采集、存贮、分析、处理大数据，积极探索和创新大数据时代内部审计的新方式方法是摆在内部审计人员面前的重要课题，研究大数据审计的重要特征对内部审计有重要意义。
（一）有利于全面提高内审工作效率
利用大数据开展内部审计工作，可以节约内部审计机构的人力、物力与财力，全面提高内部审计工作效率。目前，大型国有企业、行政事业单位内部审计机构的人员编制较少，基层行政事业单位及国有企业内部审计机构的专业审计人员编制更少，技术设备不够先进，一直制约内部审计的发展。在人员编制规范的约束下，无法实现用大量招录内部审计工作人员的方式来解决内部审计力量不足的问题，内部审计机构必须创新审计思路，改进审计技术手段，提高内部审计工作效率，利用大数据系统开展内部审计，能较好地弥补内部审计机构人力、物力与财力不足的问题。
（二）有利于健全内部审计功能
在传统手工审计方式下，内部审计工作因人员与技术力量的制约，审计涉及范围较窄，审计报告重点主要测重于评价内控制度与管理风险，内部审计对违规违纪问题的查处力度不大，内部审计报告主要是查弊纠错。利用大数据审计有利于健全内部审计功能、促进内部审计绩效的提高。利用大数据审计可以让审计人员对被单位的财务收支增长率、成本效益率、资金需求预算等多方面进行分析与预测，为领导者的决策提供实质性参考，增强内部审计组织在单位决策层面的建设性作用。
（三）有利于抓住内部审计重点
利用大数据审计有利于抓住内部审计重点。内审工作需要详细地开展对被审计对象全面的审计调查了解工作，内审人员通过对被审单位大数据的关联分析、汇总分析、阶段特征分析、分布趋势分析、数据字段的比对分析，可以在现场审计实施前发现被审对象业务数据与财务数据的异常现象与疑点问题，为审计实施抓住重点，进行重点取证，让内审工作有的放矢。
（四）有利于全面提升内部审计覆盖率
利用大数据审计有助于全面提升内部审计的审计覆盖率。我国目前的大型国有企业、大型行政事业单位下属有诸多二级机构、三级机构。如何强化主管部门下属单位的财务收支活动与财政收支活动的审计监督，国家审计机关由于人员编制等因素的制约，没时间也没人力物力对其主管的下属单位进行全覆盖的审计监督，各大口内审机构也由于人力物力的制约，无法实现内审工作全覆盖。如果内审机构使用大数据审计，可以大大提高内部审计工作效率，节约现场审计实施时间，从而实现全面提升内部审计覆盖率。
六、大数据时代审计工作的应对策略
（一）建立数据标准、完善技术研发机制
要实现审计全覆盖的要求必须解决数据不规范、不准确、不完整和低密度等数据质量问题。一要建立满足审计全覆盖要求的全行业数据标准，大数据审计正规化、标准化、信息化；二要建立审计数据标准，以增强审计工作的技术性、严谨性和可靠性。最终从总体上确保审计数据的真实性，为审计信息的整合、利用，为后续实施的审计技术方法奠定坚实的基础。同时，要完善技术研发机制。要加强大数据分析模型和软件的研发，以解决数据处理风险。要制定审计软件的统一标准和行业法规，最终通过利用统一的审计软件，可以实现数据采集、存储和分析应用的无缝对接，从而完善数据采集与处理、存储的全过程。
（二）加强对审计大数据安全管理
为了保障大数据平台的稳定运行，首先必须要保证大数据平台的物理安全，建立关键基础设施的安全监管体系，具有完备的业务连续性计划与灾难恢复管理。然后，对获取的审计大数据应进行分级管理，根据数据的重要性进行等级分类。对确需保护的数据，必须有切实可靠的手段进行有效管理。如应有严格的权限审批控制手续，规范大数据利用的具体工作流程；对获取和使用的被审计单位数据，应严格按照审计署《审计项目电子数据保密管理办法》（审法发〔2007〕53号）要求进行管理。
（三）完善大数据的存储和处理性能机制
伴随审计信息化的推进，数据量的快速增长为归集、整理、存储及综合利用被审计单位电子数据带来了挑战，解决存储空间的不足和安全性，已成为当前审计工作中的当务之急。首先，要升级当前已有的大数据海量处理平台和存储性能，以满足多样化和巨量化的需求。对海量数据的储存要求数据存储系统要有相应等级的扩展能力，可以考虑通过增加模块或磁盘柜来增加容量；数据量的增加造成输入输出能力的瓶颈，可以考虑各种模式的固态存储设备，以提高数据的处理能力，从而保障海量数据分析的高效运行。其次，应积极提升冗余消除技术，以减少数据的重复或过剩，从而降低传输开销和存储空间。第三，要建立严格的数据权限管理机制和防黑客系统，保证大数据的安全性。总之，对待大数据的存储和处理要走出以往数据存储的简单模式。
（四）加快大数据审计人才培养进程
在如今科技发展日新月异的大数据时代，大数据平台的搭建、实施、运行以及到后期的维护和更新都需要具有大数据思维和创新能力的复合型人才。而大数据时代的审计对审计人员的业务能力乃至现代化电子信息技术提出了更高的要求，这就要求将大数据审计人才的培养纳入工作重点。一方面应吸纳培训具有这种能力的复合型人才，另一方面要加强对审计人员的信息化专业培训，不断提高审计人员的综合能力。不仅要将大数据审计纳入到绩效考核指标中，更要通过多种渠道，对审计人员加强计算机和大数据分析技术方面的培训，更好地推进审计职业化建设。
同理，对于大型国有企业、行政事业单位必须加强大数据审计人才、计算机人才的引进力度，对现有的内审人员进行全面的大数据审计技术技能培训，更新本单位、本系统大数据软件应用系统，通过购进先进计算机设备及应用终端，为本单位内部审计人员开展大数据审计打下良好的物质基础；同级审计机关应加强对内审工作大数据审计的指导，为内部审计组织开展大数据审计提供强有力的技术规范与制度保障。
综上所述，大数据时代给审计工作既带来机遇也面临着挑战。当前我国大数据审计仍处于探索阶段，审计技术、审计规范、审计制度等都有待研究，大数据审计技术方法需要不断完善和改进。大数据审计风险控制问题的解决不是一蹴而就的事，审计人员只有把握机遇，顺势而上，在发展中不断创新审计技术和审计思路，完善审计方法，要从战略上重视大数据的开发利用，直面挑战，更好地利用大数据助推审计信息化建设，审计工作才会更加高效、严谨和客观，更好地实现审计“全覆盖”。
大数据时代电子商务的机遇与挑战探析（非原创）
大数据可以说是在互联网、云计算之后，一次重要的技术变革。给电商企业带来了巨大的影响，掀起了一股电子商务的热潮。电子商务从通过收取会员费、广告费等方式发展客户来赚取利润的时代跨度到大量投放广告达到一定的销量，从而带动品牌的效益，直到现在，在大数据的背景下，通过对相关的数据进行整合、分析、提取的过程，获得相应的需求，展开有个性的营销活动。抓住大数据这个时代机遇，让数据成为有力的工具，为电子商务的市场开拓出一条康庄大道。
一、大数据背景下电子商务的机遇美国政府称呼大数据为“未来的新石油”，全世界都给予了大数据不同程度的关注，大数据已经成为了加速企业发展的有利的武器。企业可以利用大数据暴增的特点，挖掘它潜在的巨大商机。
（一）大数据促进市场营销要想使企业的营销实现低成本高效率，那就要基于大数据的背景下，对获取到的数据进行整理分析和有效的提取。挖掘出其潜在的商业价值，使营销达到最大化进而战胜竞争对手，率先占领市场有利的地位。达文波特说过：“一个公司若是能够用数据进行最优的方式去运营，并且在市场中坚持到最后，很有可能做到不战而胜。”科学合理的应用大数据技术，能够给企业带来可观的收益。从根本上讲，大数据时代的社会化营销的关键就是会利用消费者的海量数据，能够把消费者的潜在需求挖掘出来，最终能够利用自身独有的电商平台将数据信息转化成经济效益。
（二）实现电子商务企业新运营模式根据市场需求，不断满足广大消费者的需求，是当今实体经济和电商平台的核心目标。在大数据时代，电子商务的运用模式主要是通过互联网平台进行全新的商品交易，改变了传统的实体经济中，面对面的交易模式。实现了从产品的研发、生产、运营、仓储、物流以及售后一体化的运营模式。此外，企业通过对于消费者的海量数据的分析，可以通过电商品台根据消费者的浏览记录、喜好、位置信息等数据给消费者推送可能感兴趣的商品，从而达到刺激消费的目的。这样企业运作一体化的模式使得电商服务体系更加完善。也解决了顾客与实体经济相互不信任的问题。增加了企业的收益、提高了经济市场中的竞争力，大数据的应用实现了电子商务企业的可持续发展。
二、大数据时代电子商务面临的挑战电商企业要是能利用好大数据这个利器，那就迎来新的发展方向给企业注入发展动力。凡事有利有弊，大数据时代的到来，给电商带来机遇的同时也面临着很多挑战和障碍需要克服。
（一）庞大数据信息的挑战如今的电子商务竞争不如说成是基于海量数据的竞争。电子商务企业的网站数据可以说是其竞争的主要内容，消费者喜欢什么，需求什么，在庞大的数据库中提取企业需要的数据，这便是电子商务企业面临的最大的挑战。对于提取的数据进行挖掘，就好比浪里淘金，导致了巨大的工作量和烦琐的工作程序。
要想对于数据进行收集、分析、跟踪、整合的前提就是要求电商企业要拥有大数据库，这样才能通过消费者在网上留下的浏览足迹、评论、图片、视频等方式进行分析。但是很多小型电商企业不具有大数据的收集功能，因此，他们很难做到通过广告、推销等方式去设计针对性比较强的商品推介服务，这在某种程度上降低了电商的经济收益。所以对于中小型企业来说，拥有大数据就是电商发展的最大障碍。基于这个原因，电商企业就要高度重视数据的工作，加强信息化的建设，从而达到时代的要求。
（二）数据安全性的挑战美国著名计算机专家迪博德说过，在信息时代，计算机内的每一个数据、字节都是构成一个隐私的血肉。电商企业在对消费者在网上的“足迹”提取的过程中，这些大数据包含着消费者的个人隐私，比如真实姓名、联系方式、身份信息、地理位置等，这些信息的安全性是消费者担心的问题。若是被不法分子利用了，会造成消费的财产损失甚至人身安全问题。所以，提高消费者信息的安全程度是当下电子商务企业应当重视起来的工作。建立一个绝对的信息安全保护措施，利用科学的手段和技术进行保护，防止用户的信息被盗取和侵犯等问题的出现。
结语：综上所述，随着社会经济水平的提高，人们的生活也随之在变化。大数据的时代，数据就是直接的财富，是核心的竞争力。大数据的应用使得电子商务行业进入了发展的新时期，在多个方面带来了不同程度的价值，为电商企业快速发展创造了条件。基于大数据的背景，电商平台要把握好收集数据的能力以及处理数据的技术，占领经济市场一席之地。利用好大数据这一载体成为电子商务的利器，实现电商企业商品从生产到售后的一体化运营模式，让大数据在企业各个环节中实现高效的促进作用。大数据在给电商带来机遇的同时也使其面临了不同的挑战，只有抓住机遇、勇于接受挑战，才能使得电子商务行业更上一层楼。