人工智能（AI)诊断的产品 法律标准应为当时的最高医疗水平
自从谷歌推出的人工智能（AI）“alphago”连续战胜世界最顶尖围棋高手柯洁、李世石等之后，具有深度学习功能的AI如同核当量级爆炸一般在产业界、资本界引发巨澜。最近半年以来，“人工智能+某某”频出媒体：人工智能+医疗，人工智能+法律，人工智能+会计，人工智能+教育等，以上尤以人工智能+医疗最为引人注目，谷歌在停止开发人工智能围棋项目之后，率先进入的领域也是医疗领域。
医疗领域最易开展人工智能应用的是图像分析。图像分析在医疗诊断中有特殊地位，许多疾病的诊断依靠图像，如皮肤病图谱、眼底病图谱、病理显微图片、X线、CT、MRI、B超成像、心电图，等等。现有图像数据分析的分辨力可以达到0.01mm，与医疗图像的肉眼分辨水准相当，如果结合人工智能的深度学习功能，以机器代替人类进行图像的医学诊断不是没有可能。
据最近的几篇文章披露，人工智能在特定疾病的图像诊断如肺结节的CT诊断、甲状腺癌乳腺癌的病理诊断、单导联的心律失常心电图诊断等方面，已经达到或接近一名普通主治医生的诊断水平。需要注意的是，具有深度学习功能的人工智能的基本特征是自我学习，也就是只要通过人工标注教会了电脑识别特征性标志的能力，当基础数据达到一定程度比如100万张图谱时，电脑可以脱离人类而不断自我学习、自我否定，无限接近正确水平。所谓自我学习，亦即电脑可以自我创造海量的新的疾病图谱，这种创造可能达到每天数百万张图谱，比如可以创造出疾病图谱库里不曾有过的肺结节CT图像，然后对照既往的图像数据而进行自我诊断、自我修正，这种自我创造、自我修正能力当然有利于疾病的诊断。
不排除，AI在自我学习中创造出来的某一张肺结节CT图像恰好符合未来某一个病人的肺CT特征，并提前作出诊断，也就是未卜先知。未卜先知，我不知道人类能否做到，但至少在某些领域，电脑可以做到。这其中的哲学玄机，偏离了本文主题，我无意再深究下去。
获得学习能力的AI，其诊断水平可以在短时间内光速提高，现有临床规培、专培的培养速度与之完全不能比拟。AI系根据概率而作出诊断，比如某个肺结节CT图像符合中央型肺癌的概率达到90%即诊断为肺癌，某个心电图图谱符合预激综合征的概率达到99%而诊断为预激综合征，或者某个图谱不具有任何现有疾病特征而从概率上排除疾病而诊断为无明显异常或符合正常。这种依据概率作出的诊断符合一般临床医学规律，临床影像医生的诊断往往也描述为“印象是.....”，“考虑为......”，“符合.....”，“......病的可能性大”，这其实亦是一种概率，只不过是人为估算心证的概率，因此AI的诊断达到一定标准时，完全可以、也应当替代医生的诊断，否则开发人工智能诊断失去价值。
既然AI诊断是一种医学诊断，可直接代替医生应用于临床，则直接影响病人的生命健康，因此法律规制殊显重要。作为一名医疗诉讼专业律师，我认为考察AI诊断的法律原则时，至少应包括以下四个问题：
一、做出AI诊断的主体在法律上是人（医生）还是物（医疗器械）？
二、AI诊断进入临床应用的法律标准是什么？
三、AI诊断出现缺陷或医疗过失的判断依据是什么？
四、AI诊断发生医疗损害，谁应承担法律责任？
其中第一个问题最基本也最重要，因为在法律上明确了AI诊断的主体身份时，其他的如AI诊断的准入条件、缺陷或过失标准、法律责任等等均迎刃而解；又因为AI诊断只是AI在医学上的应用之一，弄清了AI诊断的法律原则，其他医学应用也触类旁通，纲举而目张。
一、AI诊断的法律主体是人（医生）还是物（医疗器械）？
--既是人也是物
AI是人还是物？这是一个非常深奥的哲学问题，恐怕穷尽人类现有智慧也难以回答这个问题。如说是物，可是AI又具有其他物包括高等动物所不具备的智能功能；如说是人，可是AI不过是一堆人类制造的电子或者量子元器件，即使将来出现以DNA等生物分子作元器件的AI，亦不过是一堆人为的物质聚合体，目前没有任何证据证明除人类之外，其他人为的无机、有机复杂聚合体达到一定的复杂性时能够产生智慧。
为什么对AI的定义如此困难？依我看根本原因在人类自己，人类不知何时，将世界二分成人与物或者身与心，此二分法将人、物对立，身、心对立，在法律上更是有人格权法、物权法，以及人、物相混的合同法。倘若人类智慧更进一步，认识到人、物不能分，身、心不能分，人即是物，物即是人，身即是心，心即是身，则对AI的认识不至如此困惑：AI既是人，也是物；或者一定条件下是人，一定条件是物。我相信，随着人工智能的迅猛发展，必将改变人类对人自身的根本认识，包括对肉体、对意识的根本认识，很多我们习以为常的观念将出现颠覆性改变。
所以，我的建议，现有法律可以视AI既是人，又是物；或者在一定条件下视AI为人，一定条件下视AI为物。何为一定条件，端看AI的具体应用场景。其实在生物医学领域，法律上视某种实体既是人，又是物的情况并不鲜见，比如体外受精卵、离体的待移植的有功能的器官等，将之简单定性为物不妥，将之简单定性为人也不妥，只能在一定法律条件下定性为物，在另一法律条件下又定性为人，方能在法律上圆润妥帖。下面再回到本文主题--人工智能诊断。
首先，人工智能诊断不同于X光机、CT仪、心电图机等医疗仪器所打印出来的一张张胶片或图纸（这些胶片、图纸离了医生的分析与诊断，并无任何医疗上的价值），而是实实在在的具有医疗价值的诊断结论，这些诊断结论是经由AI分析医疗大数据，经由归纳、演绎等逻辑推理（深度学习算法）而得出的，实际相当于一名有经验的医生运用医学知识、逻辑分析而得出的结论。AI的诊断实质等同于医生的诊断，可直接用于判断疾病性质而指导治疗；同样，AI的误诊相当于医生的误诊，比如AI将某一个肺CT结节诊断为肺癌，然后医生按肺癌进行了手术，可是术后病理显示（注意，这个术后病理亦可用AI诊断）患者所患并非肺癌而是良性结节，显然AI发生了误诊，此等误诊并非机器读写错误或机械误差，而是对疾病性质的智能判断出现了错误，这个错误相当于诊断医生的错误。
因此人工智能诊断的主体在法律上首先应视为一个人或一个医生作出的诊断，应以类似医生的资质要求而要求其准入条件，当其作出误诊时应以诊疗常规、规范而判断其是否存在医疗过失。当然鉴于人工智能诊断的设计有其特殊性，其具体的准入条件、过失判断标准亦有其特殊性，下文再述。
其次，人工智能诊断毕竟是由机器作出的诊断，这个机器所使用的诊断系统、算法是由人设计的，受人所控制，尽管其在一定条件下能够脱离人的控制而自我学习、自我提高，但这个能够自我学习、自我提高的基础能力仍是由人所赋予的，因此人工智能诊断的主体在法律上亦应视为物即医疗仪器作出的诊断，有关医疗仪器的法律适用于人工智能，比如《医疗器械管理条例》所规定的临床试验、注册制度，比如《产品质量法》关于产品安全的规定、产品缺陷的定义、产品责任的规定等等都应适用于人工智能诊断设备。
二、AI诊断进入临床应用的法律标准是什么？
--最佳医疗水平标准
如前文分析，AI诊断的法律主体既是人（医生），也是物（医疗器械)，因此其进入临床应用的法律标准应当分别适用人即医生的标准和物即医疗器械的标准。
医疗卫生法关于医生的准入资格包括医生的一般准入资格和特定学科的准入资格得适用于AI。一般准入资格是指凡以医生身份执业者，均应经国家统一考核取得医师资格证，并应经临床实践而注册取得医师执业证，根据2017年4月1日最新之《医师注册管理办法》的规定，我国医师执业证采取省级行政区划制度，凡经注册取得执业资格的医师，在注册所在省级行政区划范围内准予执业，欲跨省执业者，需再申请外省注册；特定学科的准入资格是指对于医疗技术要求高的少数学科如器官移植、心脏介入、神经外科等，应当通过该等学科的特别考核方能取得执业资格。
当AI诊断视为医生作出的诊断而拟进入临床应用时，其诊断水平应当达到医生的一般准入资格和特定学科的准入资格所要求的水平是没有任何疑义的。但这远远不够，因为AI诊断有以下三个显著特点，是作为自然人的医生所不具备的：
1、AI诊断是在采集现有医疗大数据，并结合深度学习的算法而获得的智能诊断。理论上，AI采集的医疗大数据越多，算法越接近最高水平的医生，则其诊断正确的概率越高，理论上AI诊断正确的概率可以超过其所获得的医疗大数据的诊断正确率。而获得更多的医疗大数据，最大可能地吸收最高水平医生的诊断技术，以达到或超越当时的最高诊断水平，是任何一个AI的市场竞争要求，也是商业伦理的内在要求。
2、AI诊断的算法决定了其具有自我学习、自我提高的基本能力，这种能力使得AI可以迅速提高诊断水平，结合第1点，AI达到或超越当时或当地最高医疗水平不是难事。
3、最重要的一点，AI诊断系自动化的智能诊断，其诊断效率可能是人工的数百万倍乃至无限倍，比如自然人医生一天只能阅片数十张，而AI可能达到数百万张，效率无限增加时，误诊的绝对数也无限放大。假如AI存在BUG，这个BUG可能造成误诊，则由于AI诊断的放大效应，误诊在人群中的后果是灾难性的。
综合以上3点，我认为，对AI诊断的技术准入要求应当采最高医疗水平标准。鉴于AI的诊断水平是以自然人医生的诊断水平作为对比的，AI诊断的医疗水平术不应低于当时医生的最高医疗水平。中国《侵权责任法》“医疗损害赔偿”章第57条规定医务人员的注意义务以“当时的医疗水平”为限：“医务人员在诊疗活动中未尽到与当时的医疗水平相应的诊疗义务，造成患者损害的，医疗机构应当承担赔偿责任。”这里所谓“当时的医疗水平”是指与医生的职称相应的平均医疗水平，AI显然改变了这一标准。
何为当时的最高医疗水平？法律或技术上如何界定？两种方法：
1、具体标准或概率标准。鉴于医生的医疗水平取决于各种主客观条件，现实中难以找到一个从不出错、代表最高水平的医生，即使是水平最高的医生，也只能说他的诊断正确率最高，因此判断AI是否达到当时的最高医疗水平时，亦应以概率作为判断标准，比如法律可以规定，当AI的诊断正确率超过99%或更高的医生时，可以认为AI达到了当时的最高医疗水平，可以获准上市。鉴于我国的医师采取省级行政区划注册制，可以规定，向省级医药行政部门申请上市的AI，其AI的诊断水平应当超过该省99%或更高的相应学科的医生水平；向国家医药监督部门申请上市的AI，其诊断水平应当超过全国99%或更高的相应学科的医生水平。alphago的胜率甚至达到了对全部世界冠军的100%。
2、抽象标准或者异议标准。鉴于AI是以现有医生的诊疗技术作为其算法基础的，而现有医生的诊疗技术处于变动不居中，随时可能获得突破性进步；又，AI上市时，即使达到99%的正确率，亦难以排除其难以预测的缺陷，故应当建立AI上市后的异议制度，即AI上市后，任何一名医生或医疗机构，如果认为其诊疗水平超过AI，可以向国家医药监督部门提出书面异议，如果其提出的数据能够初步证明其观点，国家应当启动异议程序，异议成立时，国家应当暂停该AI上市或退市，并应当考虑提高AI准入的概率标准，比如提高到99.9%。这一制度类似于商标或专利上市后的无效宣告制度。
当AI诊断的法律主体视为医疗器械时，其应当遵守国家关于医疗器械的准入制度，包括临床试验、器械注册、上市许可等。惟这里的临床试验是以病人为对象的，当对病人的临床试验达到相当程度的诊断正确率时，其仍不一定符合上市标准，因为如前文所述，AI诊断首先应视为一名医生的诊断，其应与同类医师对比，在法律上达到当时的最高医疗水平。
三、AI诊断出现缺陷或医疗过失的判断依据是什么？
将AI视为一个人时，其出现的诊断错误可以称之为医疗过失，因为只有人才会产生过失；将AI视为一个仪器时，其出现的诊断错误可以称之为缺陷或产品缺陷，因为仪器或产品不具有意识不能产生过失，只能称为缺陷。那么法律上如何判断AI出现的过失或缺陷呢？
就医疗过失而言，现行《侵权责任法》规定了两种判断标准，一是具体标准，即第58条第一款所规定的，违反法律、行政法规、规章以及其他诊疗规范的，推定医生存在过失；二是抽象标准，即第57条所规定的，当医生未尽到与当时的医疗水平相应的诊疗义务时，应当认定医生存在过失。对AI出现的诊断错误能够适用这两个法律判断标准么？
我认为，不能。其一，AI是以医疗大数据为基础，运用计算机的深度学算法而作出诊断的，不是如医生一般系通过运用诊疗常规、规范而得出诊断结论的，因此即使其出现诊断错误，也不可能通过考察其是否违反诊疗常规、规范而得出过失与否的结论；其二，AI的准入资格决定了其是以概率计算的、以当时的最高医疗水平为标准的，故不能以“与当时的医疗水平相应的诊疗义务”作为判断依据。
当AI因未能达到当时的最高医疗水平而出现诊断错误时，这既是AI的一种医疗过失，更是AI产品的设计或算法缺陷，此时基于人的过失和基于产品的缺陷合二为一了，在法律上可以适用同一标准而判断之，最好的标准便是产品缺陷标准。
但是必须注意到，临床上的误诊是非常常见的，并非所有的误诊都需要承担法律责任，甚至可以说绝大多数误诊都无需承担责任，只有违反诊疗常规、规范或者未尽到与当时的医疗水平相应的诊疗义务的误诊才构成过失，才有可能承担法律责任。AI诊断亦是一样，如果AI达到准入条件，其诊断水平超过99%医生的医疗水平，其仍然发生了误诊并导致患者损害，此种损害是法律允许的，不产生过失或缺陷、不产生法律责任，除非能够证明该种误诊是因为AI的设计或算法出现缺陷而产生，此时适用产品缺陷的判断标准。
产品缺陷的判断标准适用《产品质量法》，第46条规定：本法所称缺陷，是指产品存在危及人身、他人财产安全的不合理危险；产品有保障人体健康和人身、财产安全的国家标准、行业标准的，是指不符合该标准。
该法第41条还规定：生产者能够证明存在以下情形的，不承担赔偿责任：（一)未将产品投入流通的；（二）投入流通时，引起损害的缺陷尚不存在的；（三）将产品投入流通时的科学技术水平尚不能发现缺陷的存在的。
四、AI诊断发生医疗损害，谁应承担法律责任？
当国家准予AI诊断应用于临床时，则医生对AI的诊断产生信赖利益，如因AI的诊断错误导致后续的治疗错误而产生医疗损害时，不应由医生或医疗机构承担法律责任，而应由AI的产品责任人承担法律责任。当然受害人可以依据《侵权责任法》或《产品质量法》的规定而起诉AI的使用者--医疗机构或医生，但承担责任的医疗机构或医生有权向AI的产品责任人追偿。
AI的产品责任人一般就是AI的生产者或设计人，具体可依据对AI产品缺陷的分析而确定，谁对产品缺陷负责，谁就是最终的法律责任人。
作者|刘晔
AlphaGo横扫60位围棋大师 人工智能上了新境界
观察家
人与人工智能，将是一个合作关系，人类不必恐惧。它们也有助于人类从重复性的劳动中解放，让我们得以进行更多创造性的工作。
近日，网名为“Master”的神秘围棋手连续战胜包括中国围棋名将柯洁、聂卫平、古力，韩国围棋冠军朴廷桓在内的顶尖高手，获胜60场，没有败绩！“Master”也终于揭开了庐山真面目。1月4日晚间，神秘的Master宣布自己就是就是AlphaGo，而代为执子的就是AlphaGo团队的黄士杰博士。
昨天下午，棋圣聂卫平以64岁的年龄向Master发出挑战，一贯坚持下30秒快棋的Master为了表达对聂老的尊敬，也主动把对局用时调整成了1分钟一手。在毫不例外的获胜之后，Master在屏幕上打出一句话：谢谢聂老师。有人说，这句话可以作为科幻小说的绝妙开头。
从这个意义来看，人工智能，在短时间内推翻了人类棋手花了漫长时间积累起来的知识体系。那么，围棋国家队主教练俞斌的断言就是可以成立的：“它已经超越了人类围棋。”
其实，这并不奇怪，人工智能在棋类比赛上早就超越了人类，围棋之所以被认为人类智慧的一道门槛，是因为围棋的复杂性远远超越其他棋类。
计算机对应复杂度的方法就是“深度学习”，这是一种基于人工神经网络的人工智能方式。与“专家系统”为代表的，用大量“如果-就”规则定义的，自上而下的思路不同，人工神经网络标志着另外一种自下而上的思路。它的基本特点是，试图模仿大脑的神经元之间传递，处理信息的模式。在简单的规则制定之后，计算机就可以模仿大脑学习，当然，不知疲倦，速度也更快，这也是阿尔法狗可以快速学习、进化的原因。
但是，需要指出的，不管再复杂，但规则却只有那么几条，复杂度仍然是可以计算的，仍然是有规则的一种智力游戏。人工智能所取得的成功，是在既定规则范围内对人智能的挑战，这一点，与人工智能在象棋、五子棋，甚至快速计算上的成功，并没有质的飞跃。
实际上，人工智能的判断标准，从来就不是棋类。英国数学家、逻辑学家，被称为计算机之父的图灵，在1950年设计出一个测试，其内容是，如果电脑能在5分钟内回答由人类测试者提出的一系列问题，且被超过30%的测试者误认为是人类所答，即电脑通过对话，成功模仿了人，则电脑通过测试，可以被认为具有智能。
图灵测试的现实版本，最著名的，可能就是微软推出的小冰。提到小冰，可能被最近的新闻搞得人心惶惶的人，就会立马放松下来。是的，小冰虽然可以与人聊几句，但只能简单寒暄，稍微深入的问题，即顾左右而言他，说她“愚蠢”，也并不为过。
所以，当下的人工智能，一方面，在有规则的场景中，轻松地超越了人类上千年积淀的知识体系。这使得很多场景下，人工智能可以取代人，淘汰人，造成伦理上的困境：机器本该服务人，但却在淘汰人。
但是，应该看到的是，正如前面所述，在更为关键的，没有明确规则的生活、学习、劳动的场景中，却离人类还差得远。这就意味着，人与人工智能，将是一个合作关系，人类不必恐惧。它们也有助于人类从重复性的劳动中解放，让我们得以进行更多创造性的工作。正如柯洁在悲观表达之后，紧接着说的话，“我想说，从现在开始，我们棋手将会结合计算机，迈进全新的领域，达到全新的境界。新的风暴即将来袭，我将尽我所有的智慧终极一战。”
刘远举（上海金融与法律研究院研究员）
世界人工智能大会最高奖项SAIL奖揭晓，5个项目获奖
开幕式上，作为世界人工智能大会最高奖项的SAIL奖揭晓并颁奖。本文图均为澎湃新闻记者 俞凯图
9月1日，2022第五届世界人工智能大会（WAIC）正式开幕。开幕式上，世界人工智能大会最高奖项SAIL奖揭晓。
获得2022SAIL奖的项目是“中科院自动化所基于昇腾AI的全球首个三模态大模型‘紫东太初’”；“微创®️机器人图迈®Toumai®多臂腔镜手术机器人”；“壁仞科技BR100：大算力人工智能通用GPU芯片”；“清华大学吴嘉敏，卢志，姜东 论文《数字自适应扫描光场显微镜实现小时级毫秒帧率下三维亚细胞动态变化的活体观测》”等五个项目。
SAIL奖获奖项目
SAIL奖获奖项目
SAIL奖获奖项目
SAIL奖获奖项目
作为世界人工智能大会的最高奖项，SAIL奖（SuperiorAILeader，卓越人工智能引领者）继续引领行业风向标，评选和运营秉持“高端化、国际化、专业化、市场化、智能化”原则，从全球范围发掘在人工智能领域中具有高度认可和美誉，并具有提升人类福祉意义的项目。
今年是SAIL奖自2018年设立以来的第五年评奖，全球头部企业踊跃申报，国际知名高校、科研机构纷纷献宝，元宇宙、智能芯片、AI大模型等热门赛道集结，800余个项目参与角逐，充分肯定了SAIL奖在人工智能领域的引领作用与影响力。
短线的最高境界是不停的追逐涨停
本人2007年入市，历经了股市的风风雨雨，大起大落。操作风格，由开始的中线投资转化为现在的短线投机。拥有自己的一套盈利战法，可以做到短线操作的高胜率，积小胜为大胜。[淘股吧]现在将自己多年短线操作的一些心得与大家分享，希望共同交流学吧。
短线操作，在我看来，有如下几点关键要领：1、短线操作的目标股一定是涨停过的强势股。涨停不仅仅是当天收益最大化，而更多的是主力做多情绪的最大化体现。涨停过的个股比没有涨停过的个股有着更强的后续。很多市场妖股、明星股、市场热点的龙头股，无一不是从涨停走出来的。研究涨停行为，就是研究主力的心理学，是短线获利的基本保证。
2、短线操作一定要快。要加大资金的流动率。只参与股票的拉升过程，不参与股票的建仓、洗盘、震仓、出货过程。止盈、止损都必须要快，且坚决、果断。哪怕你止盈卖出后，该股后期还有很大的涨幅，成为大牛股，但都与你无关了。你的这笔交易，在你卖出股票的那一瞬间已经结束了。
3、短线操作一定要稳、准、狠。短线操作的获利来源是基于极高的成功率，复利递增。一般来讲，一个短线高手的成功率不能低于70%，即操作十只股，7只都能盈利而出。偶有失误，也必须要及时止损出局，将损失控制在最小范围。不能恋战不能耗，耗就有不可预知的风险。包括可能的深套，以及漫长的时间成本。
4、短线操作一定要有适合自己的一套持续盈利的方法。而不是乱打乱撞，靠天吃饭。运气始终是靠不住的，必须要能持续盈利，哪怕每次只赚1%。
以上，就是我的一些心得体会。接下来，我希望与大家一起在实战中交流与学同提高短线水平。
人工智能的伦理挑战
原标题：人工智能的伦理挑战控制论之父维纳在他的名著《人有人的用处》中曾在谈到自动化技术和智能机器之后，得出了一个危言耸听的结论：“这些机器的趋势是要在所有层面上取代人类，而非只是用机器能源和力量取代人类的能源和力量。很显然，这种新的取代将对我们的生活产生深远影响。”维纳的这句谶语，在今天未必成为现实，但已经成为诸多文学和影视作品中的题材。《银翼杀手》《机械公敌》《西部世界》等电影以人工智能反抗和超越人类为题材，机器人向乞讨的人类施舍的画作登上《纽约客》杂志2017年10月23日的封面……人们越来越倾向于讨论人工智能究竟在何时会形成属于自己的意识，并超越人类，让人类沦为它们的奴仆。
一
维纳的激进言辞和今天普通人对人工智能的担心有夸张的成分，但人工智能技术的飞速发展的确给未来带来了一系列挑战。其中，人工智能发展最大的问题，不是技术上的瓶颈，而是人工智能与人类的关系问题，这催生了人工智能的伦理学和跨人类主义的伦理学问题。准确来说，这种伦理学已经与传统的伦理学旨趣发生了较大的偏移，其原因在于，人工智能的伦理学讨论的不再是人与人之间的关系，也不是与自然界的既定事实（如动物，生态）之间的关系，而是人类与自己所发明的一种产品构成的关联，由于这种特殊的产品――根据未来学家库兹威尔在《奇点临近》中的说法――一旦超过了某个奇点，就存在彻底压倒人类的可能性，在这种情况下，人与人之间的伦理是否还能约束人类与这个超越奇点的存在之间的关系？
实际上，对人工智能与人类之间伦理关系的研究，不能脱离对人工智能技术本身的讨论。在人工智能领域，从一开始，准确来说是依从着两种完全不同的路径来进行的。
首先，是真正意义上的人工智能的路径，1956年，在达特茅斯学院召开了一次特殊的研讨会，会议的组织者约翰・麦卡锡为这次会议起了一个特殊的名字：人工智能（简称AI）夏季研讨会。这是第一次在学术范围内使用“人工智能”的名称，而参与达特茅斯会议的麦卡锡和明斯基等人直接将这个名词作为一个新的研究方向的名称。实际上，麦卡锡和明斯基思考的是，如何将我们人类的各种感觉，包括视觉、听觉、触觉，甚至大脑的思考都变成称作“信息论之父”的香农意义上的信息，并加以控制和应用。这一阶段上的人工智能的发展，在很大程度上还是对人类行为的模拟，其理论基础来自德国哲学家莱布尼茨的设想，即将人类的各种感觉可以转化为量化的信息数据，也就是说，我们可以将人类的各种感觉经验和思维经验看成是一个复杂的形式符号系统，如果具有强大的信息采集能力和数据分析能力，就能完整地模拟出人类的感觉和思维。这也是为什么明斯基信心十足地宣称：“人的脑子不过是肉做的电脑。”麦卡锡和明斯基不仅成功地模拟出视觉和听觉经验，后来的特里・谢伊诺斯基和杰弗里・辛顿也根据对认知科学和脑科学的最新进展，发明了一个“NETtalk”的程序，模拟了类似于人的“神经元”的网络，让该网络可以像人的大脑一样进行学习，并能够做出简单的思考。
然而，在这个阶段中，所谓的人工智能在更大程度上都是在模拟人的感觉和思维，让一种更像人的思维机器能够诞生。著名的图灵测试，也是在是否能够像人一样思考的标准上进行的。图灵测试的原理很简单，让测试一方和被测试一方彼此分开，只用简单的对话来让处在测试一方的人判断，被测试方是人还是机器，如果有30%的人无法判断对方是人还是机器时，则代表通过了图灵测试。所以，图灵测试的目的，仍然在检验人工智能是否更像人类。但是，问题在于，机器思维在作出自己的判断时，是否需要人的思维这个中介？也就是说，机器是否需要先绕一个弯路，即将自己的思维装扮得像一个人类，再去作出判断？显然，对于人工智能来说，答案是否定的，因为如果人工智能是用来解决某些实际问题，它们根本不需要让自己经过人类思维这个中介，再去思考和解决问题。人类的思维具有一定的定势和短板，强制性地模拟人类大脑思维的方式，并不是人工智能发展的良好选择。
二
所以，人工智能的发展走向了另一个方向，即智能增强（简称IA）上。如果模拟真实的人的大脑和思维的方向不再重要，那么，人工智能是否能发展出一种纯粹机器的学习和思维方式？倘若机器能够思维，是否能以机器本身的方式来进行。这就出现了机器学习的概念。机器学习的概念，实际上已经成为发展出属于机器本身的学习方式，通过海量的信息和数据收集，让机器从这些信息中提出自己的抽象观念，例如，在给机器浏览了上万张猫的图片之后，让机器从这些图片信息中自己提炼出关于猫的概念。这个时候，很难说机器自己抽象出来的猫的概念，与人类自己理解的猫的概念之间是否存在着差别。不过，最关键的是，一旦机器提炼出属于自己的概念和观念之后，这些抽象的概念和观念将会成为机器自身的思考方式的基础，这些机器自己抽象出来的概念就会形成一种不依赖于人的思考模式网络。当我们讨论打败李世石的阿尔法狗时，我们已经看到了这种机器式思维的凌厉之处，这种机器学习的思维已经让通常意义上的围棋定势丧失了威力，从而让习惯于人类思维的棋手瞬间崩溃。一个不再像人一样思维的机器，或许对于人类来说，会带来更大的恐慌。毕竟，模拟人类大脑和思维的人工智能，尚具有一定的可控性，但基于机器思维的人工智能，我们显然不能作出上述简单的结论，因为，根据与人工智能对弈之后的棋手来说，甚至在多次复盘之后，他们仍然无法理解像阿尔法狗这样的人工智能如何走出下一步棋。
不过，说智能增强技术是对人类的取代，似乎也言之尚早，至少第一个提出“智能增强”的工程师恩格尔巴特并不这么认为。对于恩格尔巴特来说，麦卡锡和明斯基的方向旨在建立机器和人类的同质性，这种同质性思维模式的建立，反而与人类处于一种竞争关系之中，这就像《西部世界》中那些总是将自己当成人类的机器人一样，他们谋求与人类平起平坐的关系。智能增强技术的目的则完全不是这样，它更关心的是人与智能机器之间的互补性，如何利用智能机器来弥补人类思维上的不足。比如自动驾驶技术就是一种典型的智能增强技术，自动驾驶技术的实现，不仅是在汽车上安装了自动驾驶的程序，更关键地还需要采集大量的地图地貌信息，还需要自动驾驶的程序能够在影像资料上判断一些移动的偶然性因素，如突然穿过马路的人。自动驾驶技术能够取代容易疲劳和分心的驾驶员，让人类从繁重的驾驶任务中解放出来。同样，在分拣快递、在汽车工厂里自动组装的机器人也属于智能增强类性质的智能，它们不关心如何更像人类，而是关心如何用自己的方式来解决问题。
三
这样，由于智能增强技术带来了两种平面，一方面是人类思维的平面，另一方面是机器的平面，所以，两个平面之间也需要一个接口技术。接口技术让人与智能机器的沟通成为可能。当接口技术的主要开创者费尔森斯丁来到伯克利大学时，距离恩格尔巴特在那里讨论智能增强技术已经有10年之久。费尔森斯丁用犹太神话中的一个形象――土傀儡――来形容今天的接口技术下人与智能机器的关系，与其说今天的人工智能在奇点临近时，旨在超越和取代人类，不如说今天的人工智能技术越来越倾向于以人类为中心的傀儡学，在这种观念的指引下，今天的人工智能的发展目标并不是产生一种独立的意识，而是如何形成与人类交流的接口技术。在这个意义上，我们可以从费尔森斯丁的傀儡学角度来重新理解人工智能与人的关系的伦理学，也就是说，人类与智能机器的关系，既不是纯粹的利用关系，因为人工智能已经不再是机器或软件，也不是对人的取代，成为人类的主人，而是一种共生性的伙伴关系。当苹果公司开发与人类交流的智能软件Siri时，乔布斯就提出Siri是人类与机器合作的一个最朴实、最优雅的模型。以后，我们或许会看到，当一些国家逐渐陷入老龄化社会之后，无论是一线的生产，还是对这些因衰老而无法行动的老人的照料，或许都会面对这样的人与智能机器的接口技术问题，这是一种人与人工智能之间的新伦理学，他们将构成一种跨人类主义，或许，我们在这种景象中看到的不一定是伦理的灾难，而是一种新的希望。
（作者：蓝江，系南京大学哲学系教授）
世界人工智能大会最高奖项揭晓，这五个项目获奖
原标题：世界人工智能大会最高奖项揭晓，这五个项目获奖
7月8日，2021SAIL奖颁奖仪式现场。本文图片主办方提供作为世界人工智能大会的最高奖项，卓越人工智能引领者（SuperAILeader，简称SAIL奖）7月8日在2021世界人工智能大会的开幕式上举行了颁奖仪式。2021年SAIL奖经过初评、复评、终评等多轮角逐，最终评选出了5个SAIL大奖、10个SAIL之星和TOP30榜单项目。利物浦大学机器人科学家。获得2021SAIL奖的分别是：利物浦大学机器人科学家，中科院上海微系统所免开颅微创植入式高通量柔性脑机接口，鲲云科技高性能数据流AI芯片CAISA，浙江大学数字创意智能设计引擎，朱明杰、吴飞、卢策吾论文《中国迈向新一代人工智能》。其中，《中国迈向新一代人工智能》论文全景式介绍了中国新一代人工智能发展规划的形成和发展，指出了在基础研究、人才培养和伦理道德等方面所面临挑战，文章所描绘的人工智能生态发展蓝图正在转变为中国当前人工智能技术发展生动实践。中科院上海微系统所免开颅微创植入式高通量柔性脑机接口。鲲云科技高性能数据流AI芯片CAISA。浙江大学数字创意智能设计引擎。澎湃新闻（www.thepaper.cn）记者从大会上获悉，SAIL奖每年评选一次，遵循“追求卓越、引领未来”的理念，致力于打造人工智能领域高规格、国际化的奖项，树立引领未来人工智能发展的标杆，引领人工智能产业与研究发展方向。SAIL奖对人工智能项目寄予了厚望。“S”即“Superior”，代表了“超越”，表明了奖项在行业内卓越引领的地位；“A”即“Applicative”，代表了“赋能”，彰显了奖项注重人工智能技术对经济社会应用赋能的极高期许；“I”即“Innovative”，代表了“创新”，突显了奖项评选对项目理论与技术层面的创新要求；“L”即“Leading”，代表了“引领”，展现了奖项对标的是全球人工智能领域内最具引领性的开路先锋。2021SAIL奖以AI赋能城市数字化转型为切入点，追踪人工智能技术发展、产业赋能和治理进程，激励全球范围内在人工智能领域做出方向性技术突破、应用创新，正在或将要改变未来生活的人工智能项目。评奖主要从五个维度发掘：1.具有高度认可和美誉、并具有提升人类福祉意义的项目。2.具有大规模提升社会效益、经济效益和环境效益的人工智能应用项目。3.达到全球领先水平的创新技术和新型应用的项目。4.具有开创性和辐射带动效应的人工智能基础理论、方法、模式和平台的项目。5.青年优秀论文奖宗旨是促进人工智能领域青年人才成长，鼓励创新性研究，推送人工智能领域的科技进步。值得一提的是，2021年的SAIL奖还新增设了SAIL之星，以鼓励更多的人工智能优秀项目。人工智能在机械故障诊断中的应用方向
且看以下的人工智能在机械故障诊断中的应用方向便知了！
[[342398]]一、人工智能在机械故障诊断中的应用方向所谓机械故障诊断,就是通过机械运行中的相关信息来识别其技术状态是否正常,确定故障的性质与部位,寻找故障起因,预报故障趋势,并提出相应对策;它以故障机理和技术检测为基础,以信号处理和模式识别为其基本理论与方法。一般的机械系统故障诊断系统从物理上划分为机械测量、监视与保护、数据采集、振动状态分析、网络数据传输五个部分;从功能上,机械系统状态监测与故障诊断系统又可分成数据采集、状态监测、故障诊断三个部分。随着现代工业设备和系统日益大型化和复杂化,机械故障诊断设备的可靠性、可用性、可维修性与安全性的问题日益突出,从而促进了人们对机械故障诊断机理及机械故障诊断技术的研究。并且随着计算机技术及数字信号处理技术的迅速发展,机械设备振动监测与机械故障诊断技术被广泛应用于电力、石油化工、冶金等行业的大型、高速旋转机械中。目前这种技术己成为设备现代化管理和提高企业综合效益的技术基础。国内外实践表明,以振动监测与机械故障诊断技术为基础的设备预知维修能节省大量的维修费用,取得显著的经济效益,而且还能保证设备的安全运行,预防和减少恶性事故的发生,消除故障隐患,保障人身和设备安全,提高生产率。传统的机械故障诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用,对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统,例如汽轮发动机组等,就具有较大的局限性。当前,典型的机电一体化产品——数控机床、交流伺服驱动装置等正在向数字化、小型化、高精度等方向发展,为监控带来新的挑战,由于模糊神经网络控制不依赖控制对象和数学模型,具有较强的鲁棒性,是一种非线性的控制方法,在解决此类问题中有很好的优势。而专家系统主要用于复杂的机械系统,能够克服基于模型的机械故障诊断方法对模型的过分依赖性。而人工神经网络对于故障的模式识别具有独特的优点。将人工智能的理论和方法应用于机械故障诊断,发展智能化的机械故障诊断技术,是机械故障诊断的一个新的途径。智能化的机械故障诊断专家系统现已得到广泛的应用,成为机械故障诊断的一个重要方向。二、人工智能在机械故障诊断中的应用方法人工智能在机械故障诊断主要研究用人工的方法和技术来模仿、延伸及扩展人的智能,从而实现机器智能。应用机械故障诊断系统的ai技术传统上可以分为专家系统(es)、人工神经网络(ann)、模糊集理论(fst)三大类。01.专家系统(expertsystem.es)专家系统(expertsystem,简称es)是20世纪60年代初产生的一门实用学科,目前是人工智能技术中较活跃、较成功的领域之一。它是一个由知识库、推理机和人机接口等三个主要部分组成的计算机软件系统,在知识表达方面,利用产生式规则进行知识表达,一方面得有益于现有人工智能语言,另一方面,是它的表达合乎人的心理逻辑,便于进行知识获取,利于人们接受,利用框架进行知识表达得到了越来越多的应用。在诊断推理方面,主要表现在对推理逻辑和推理模型的研究,在人工智能领域,存在着许多推理逻辑,在专家系统中广泛使用模糊推理逻辑降低系统复杂性,在机械故障诊断上能产生很好的效果。其威力在于所拥有的专家知识和运用知识解题的推理机制。由于建立在冯·诺伊曼计算机体系结构之上,专家系统在其发展过程中逐渐暴露出以下问题:知识获取的“瓶颈”、知识“窄台阶”、推理组合爆炸和无穷递归、智能水平低、系统层次少和在线实用性差等。机械故障诊断专家系统的研究与开发机械故障诊断专家系统的出现与逐渐成熟是机械故障诊断领域最显著的成就之一。因为人类关于机械故障诊断与维修的科一学知识往往落后于专家的实践和经验知识,从而为专家系统提供了广阔的应用前景。02.人工神经网络(artificialneuralnetwork.ann)人工神经网络简称神经网络,它是由大量简单的处理单元(称为神经元)广泛相互连接而形成的复杂网络,是对生物神经系统的模拟,其信息处理功能是由网络的单元的输入输出特性(激活特性)、网络的拓扑结构(神经元的连接方式)所决定。为了使系统具有良好的透明性,在神经网络的推理中引用了模糊规则,为人工神经网络建立良好的解释机制提供了方便。由于神经网络具有原则上容错、结构拓扑鲁棒、联想、推测、记忆、自适应、自学习、并行和处理复杂模式的功能,使其在工程实际存在着大量的多故障、多过程、突发性故障、庞大复杂机器和系统的监测及诊断中发挥着较大作用。系统故障有层次性、相关性、延时性和不确定性,这就使得机械故障诊断问题变得十分复杂和困难,利用单个子神经网络解决问题需要大量的故障样本、适于诊断多类故障的网络结构难以确定,即使确定,也易陷入局部极小,自适应调整和误差函数的改进、加速收敛;对初始随机权值在量级上进行限定,克服了局部最小问题。在机械故障诊断中的应用方式有:从模式识别角度应用神经网络作为分类器进行机械故障诊断;从预测角度应用神经网络作为动态预测模型进行故障预测;利用神经网络极强的非线性动态跟踪能力进行基于结构映射的机械故障诊断;从知识处理角度建立基于神经网络的诊断专家系统等。目前,为提高神经网络在实用中的学习和诊断性能,主要从神经网络模型本身改进和模块化模型诊断策略两方面开展研究。