智能的本质——如何衡量机器智能
智能的本质——如何衡量机器智能2021-4-16搬运自个人博客、https://zhuanlan.zhihu.com/p/365413687
此作业论文为选修课《智能之路》的课程结课作业。笔者作为组长，与小组共同编写完成，我仅摘抄我撰写部分的部分内容如下
2020年4月
1摘要本文从探究智能的本质入手，比较机器的智能和人的意识。再通过分析目前主流的机器学习算法，批判图灵测试，结合整合信息论，提出一个能衡量一个算法的智能程度的方法。文末展望人工智能和人类的未来。
2目录智能的本质——如何衡量机器智能1摘要2目录3智能是什么3.1对智力的渴求：从人到机器3.2从机器学习角度看意识：意识是一种智能4机器学习算法中的智能体现5衡量智能的标准：如何衡量一个算法拥有智能5.1衡量智能的现有方法5.1.1图灵测试：黑箱方法的利与弊5.1.2整合信息论：意识表现的根源是什么5.2一个衡量智能的新方法5.2.1医学的启示5.2.2计算机的“刺激-压缩”方法5.2.3例子7参考文献3智能是什么要衡量智能，先要知道智能是什么。智能，智力，意识，这些词汇相似又不同。我们编写机器学习的算法，是想让它产出有足够“智力”去解决问题的程序；而这算法本身，因为它有跟人脑一定地相似，我们认为它具有一定的“智能”；谈到人脑的智能，又离不开谈到意识。人工智能的实现与“人工意识”的实现是一回事吗？机器智能的衡量法能否借鉴我们衡量自己的意识的方法？
3.1对智力的渴求：从人到机器在如今这个时代，“智能”这个词似乎无处不在。虽然这个“智能”这个词我们耳熟能详，但是我们却很难回答智能是什么，就好像我们难以回答哲学三大问题一样：我是谁？我从哪里来？我到哪里去？。“我是谁？”这个问题可以简单得不能再简单，随口就可以给出一个答案；又玄妙得不能再玄妙，因为每一个答案都经不起推敲。智能究竟是什么？根据维基百科（当前全球网上最大且最受欢迎的参考工具书）给出的定义，智能（或智力）是指生物一般性的精神能力。这个能力包括以下几点：推理、理解、计划、解决问题、抽象思维、表达意念以及语言和学习的能力。可见，判断智能纯在与否重要的一个因素就是是否能思考。这也因映证了笛卡尔的那句“我思故我在。”。
人类对人类的智能有一套量化的方法，即智力商数测试。
人类对机器的智能则一直处于探索阶段。
3.2从机器学习角度看意识：意识是一种智能机器学习算法要求的是算法具有解决问题的能力，这种算法往往能解决一些非特定的问题，而且解决的过程中往往又具有学习的过程。这种能力使其看上像具有主观能动性的意识。一个算法是否具有意识，这让我们产生迷惑，这种迷惑来自于我们对“意识”这一概念的模糊定位。平常我们所说的“意识”包含自我认知能力与前面所提到的智能。而应用中的机器学习是不需要“意识”的“自我认知”特性的。所以我们可以在不考虑自我认知的情况下来把智能等同于意识。同样的，在这种情况下我们可以把一些衡量意识的手段用于衡量机器智能，这就是后文中的内容了。
虽然这种把“自我认知”晾在一边的方法在现阶段已经够用，我们还需考虑“自我认知”的问题，毕竟我们所希望的是终极算法，能解决任何问题（这里不考虑高阶逻辑的不自恰性和不完备性），当然也包括让计算机拥有自我认知。这里我做一个大胆猜想：智能可以产生自我认知的智力。这样把自我认知的实现看作一种跟语义理解、OCR、图像识别一样的具体任务，智能可以但不一定实现“自我认识”。这样在此篇中就只需考虑智能了，后文提到的意识等同于智能。
4机器学习算法中的智能体现4.1符号学派
4.2联结学派
4.3进化学派
4.4贝叶斯学派
4.5类推学派
5衡量智能的标准：如何衡量一个算法拥有智能5.1衡量智能的现有方法在前文中提到，意识等同于智能，智能可以但不一定实现“自我认识”。下面所提到的几种方法原本是设计为衡量意识的，因其不着重衡量“自我认识”，可用于衡量机器智能。
5.1.1图灵测试：黑箱方法的利与弊图灵测试的优点：
图灵测试的缺点：
图灵测试带有强烈的人类中心主义偏见
5.1.2整合信息论：意识表现的根源是什么【介绍整合信息论】
5.2一个衡量智能的新方法5.2.1医学的启示目前有一种叫“刺激-压缩”（zapandzip）的技术用于检测脑损伤的病人是否拥有意识（研究人员分别在受试者有意识和无意识状态下，用磁脉冲刺激他们的大脑，并用脑电图记录脑电活动，接着再用著名的“zip"压缩算法，将脑电反应转换成一个确定的数字，即扰动复杂度指数(PCI)的值。[2]），这种方法利用了上文提到的整合信息论（意识是分化的系统组分间因果交互作用而产生的整合信息；意识是复合体的内在属性，有等级之分。[1]）。
在2.2中提到过一个猜想：我们所说的“意识”包含自我认知能力与智能。智能可以但不一定实现“自我认识”。这样可以把机器学习的“智能”和人的“意识”等同起来，得出一个原则：整合信息程度高的系统智能程度越高。有以上推断，就可以把“刺激-压缩”技术（zapandzip）应用于衡量一个算法的智能程度。
5.2.2计算机的“刺激-压缩”方法类比“刺激-压缩”技术，可得到针对于计算机的“刺激-压缩”方法：
在机器学习的过程中，在某一时刻把整个程序克隆一份，在克隆程序中随机给予部分变量随机的扰动，比较克隆程序和原程序，通过“zip”算法，将程序产生的差异转换成一个确定的数字，即扰动复杂度指数（PCI）的值。PCI越高的程序，智能程度越高。
5.2.3例子因为我只是粗略知道机器学习，只是举几个例子定性地描述一下上述方法。严谨的定量描述有待下一步的探究。
对于联结学派的深度学习算法，对其中一个神经元的扰动会通过反向传播算法传递到其他神经元的数据值中；对于进化学派的遗传算法，对编码的扰动可以通过交叉变异的方式传播到其他个体编码中。以上的扰动有时会影响程序的很大一部分，说明这些程序是具有φ值的，也就是具有智能（意识）。
7参考文献[1]袁蓥,安晖.托诺尼的整合信息论探析[J].自然辩证法研究,2016,32(03):27-32.
[2]克里斯托夫·科特,陈宁轩.0.31：意识的分界线[J].环球科学,2018,(1):24-29.
人工智能：让机器拥有学习能力
最近，国内外掀起了一阵讨论人工智能的热潮，其背后主因是以谷歌和脸书为代表的高新技术企业广泛应用机器学习以及深度学习技术开始显现出了良好的效果。特别是在语音识别和图像识别两个领域，这几年的提升非常快。谷歌在2014年将语音识别的精准度从2012年的84%提升到98%，而脸书的人脸识别精度在短短几年里甚至超过人类肉眼的水平。
与此同时，各大企业开始了一场抢夺人工智能人才的大战，比如谷歌设立了“谷歌大脑计划”，并在2014初斥资5亿美元收购了人工智能创业公司DeepMind。国内的搜索巨头百度也不甘示弱，高薪从谷歌挖来了斯坦福大学人工智能专家吴恩达负责“百度大脑计划”。那么，人工智能到底是什么？其经过了什么样的发展历程？未来的人工智能到底会是什么样子？就此，科技日报记者采访了日本KDDI研究所研究员、通讯与网络专家吴剑明博士。
人工智能是如何出现的？
吴剑明博士称，人工智能的概念早在大约60年前就出现了。在1956年美国达特茅斯大学召开的世界第一次人工智能会议上，由当时就职于麻省理工学院的约翰·麦卡锡教授提议并推动后，人工智能概念就成为了一个热门话题。不过在这60年里，人工智能的发展几度起起伏伏，有过红红火火的日子，也有过被打入冷宫受尽白眼的岁月。
那么到底什么是人工智能呢？为什么人工智能之路会如此的沧桑坎坷呢？吴剑明说，顾名思义，人工智能就是让机器拥有学习能力，甚至能够像人类一样去思考工作。在人工智能的早期，有些科学家非常乐观地认为，随着计算机的普及和CPU计算能力的提高，人工智能的实现指日可待。不少早年的科幻电影描述，到了2000年，机器人几乎无所不能。但事实证明，人工智能的发展没有预期的那么美好和顺利，因为人类对人脑机制的理解还是有道迈不过去的坎儿。
一般人看来，人工智能属于计算机科学的范畴，但实际上人工智能覆盖了计算机科学、数学、心理学、哲学和语言学等几乎所有自然科学和社会科学学科，要想有所突破，仅仅靠精通计算机的专家学者和技术人员是远远不够的。幸运的是，强攻不果，迂回之战却有了突破，近年来随着机器学习以及深度学习技术的成熟，人类离人工智能的梦想实现还是实实在在地迈出了一大步。
发展历程：从经典数理逻辑到专家系统
人工智能从出现发展到现在，经历了一个比较曲折的过程。
吴剑明指出，人工智能从1956年概念建立至今，最初的30年是逻辑学派占主导地位，主要是因为逻辑推理和启发式搜索在智能模拟中避开了当时知之甚少的大脑思维规律中深层次的复杂问题，利用了比较成熟有效的逻辑学方法。这在当时计算机性能不高、普及率也很低的条件下显得简单灵活、见效快，是一个捷径。通过计算机实现的人工智能很快在定理证明、问题求解、模式识别等关键领域取得了重大突破，崭露头角。于是早年的科学家们乐观地认为，人工智能与传统计算机程序的本质差别在于它能够进行逻辑推理，依靠逻辑推理定理的完善和计算机的高性能CPU以及大容量存储设备的普及，可以在不久的将来完全解决智能模拟问题。
吴剑明说，逻辑学派撇开大脑的微观结构和智能的进化过程，单纯利用程序或是逻辑学对问题求解的过程来模拟人类的思维过程，所以也被分类为弱人工智能。这种方法专注于建立被解问题的数学模型，即找到该问题输入和输出之间的数量关系，把它转化为一个数学问题，然后找到用计算机实现该数学问题的解决算法。然而经过对经典数理逻辑理论解决智能模拟问题进行深入研究后，科学家们才发现这条路是走不通的。主要原因在于，人工智能中的推理和搜索存在组合爆炸问题。也就是说，计算时间与问题的复杂度成几何级数正比，绝大部分人类的思维过程仅仅靠计算机的高速计算能力是无法模拟和解决的。吴剑明举了个通俗的例子来解释组合爆炸的严重性：一张纸折叠50次的厚度是多少？很多人直觉会认为就是黄页电话号簿的厚度。错了，答案是地球到太阳之间距离！这就是数学上几何级数的恐怖之处。此外，人类思维中的绝大部分问题都无法转化为一个数学问题，原因在于人类思维过程中充满了不确定性、矛盾和演化。而科学家们长期的实验也证明，人类在解决问题时并没有使用数理逻辑运算，人类思考的过程是无法用经典数理逻辑理论进行描述的。
吴剑明称，事实证明，通过经典数理逻辑的方法是实现不了真正的人工智能的，科学家需要找到其他办法来解决所遇到的难题。
他说，在此之后的10多年，也就是80年代开始，人工智能进入了专家系统发展的黄金时代。科学家们发现，人类之所以能快速高效地解决各种复杂问题，不仅是由于人有逻辑推理能力，更由于人具有知识，特别是有关领域的专门知识。这时期尽管也属于前面提到的弱人工智能时代，但确定了基于知识的逻辑推理在智能模拟中的重要地位，人工智能开始从实验室走向实际应用。
但在这个时期，专家系统的瓶颈问题也显现了，那就是知识获取的途径一直没有得到良好的解决，主要原因在于不像现在有互联网，有云计算，有无处不在的智能手机，那个时代专家知识库的构建常常是没有完备性和可靠性保证的经验知识，专家学者和技术人员不得不依靠各种经验性的非精确推理模型。而且，人类思维面临的实际问题中，只有很少一部分是可以确切定义的确定性问题，大部分是带有不确定性的问题。所以当知识工程深入到这些问题时，经典数理逻辑的局限性不可避免地暴露出来了。尽管弱人工智能时代使人工智能理论有了长足的发展和进步，但离实用还有比较大的距离，一直到2000年后机器学习和深度学习的出现，科学家们才发现终于找对了方向。
机器学习：其实是“旧瓶装新酒”
吴剑明指出，如果2000年前是弱人工智能时代，那么2000年之后就可以称为强人工智能时代。
吴剑明说，与弱人工智能相比，强人工智能在最近的十多年里慢慢成为主流。强人工智能又称仿生方法，这个方法认为，人工智能应该专注于模拟人脑的结构机制，也就是说通过计算机模拟人的思维过程，应该通过研究神经元的互相合作机制，而不是逻辑学运算过程。这一学派重视对人脑模型的研究，谷歌就是强人工智能技术的推土机之一。
吴剑明说，在传统上，如果我们想让计算机工作或是按照弱人工智能的方式运作，我们会给它编好一段段的指令，然后计算机就会遵照这个指令忠实地一步步执行下去，或是按照事先制定好的知识逻辑公式推导下去。有前因才会有后果。但这样的方式仍然只属于机器的范畴而不是人工智能。强人工智能和弱人工智能的区别就在于，它们不是接受事先安排好的指令或是逻辑推论，而是从输入的数据里自己发现事物的规律。
吴剑明所说的推动强人工智能迅速发展的机器学习技术。
他认为，近年来大放异彩的机器学习其实是“旧瓶装新酒”。早在1956年人工智能概念出现后不久，就有了对机器学习的研究，但之后迟迟没有进展。和前面提到的专家系统类似，原因在于那个时代知识或是数据获得的途径非常少，难度以及成本又非常大。
机器学习的思想并不复杂，它模拟人类在生活中学习成长的过程，从数据中自动分析获得规律，并利用规律对未知数据进行预测。因为机器学习算法中涉及了大量的统计学理论，所以也被称为统计学习理论。
换句话说，机器学习的本质就是将人的操作/思维过程的输入与输出记录下来，然后统计（又叫做训练）出一个模型用来对新的数据进行预测，使得这个模型对输入输出达到和同人类相似的表现，这种方式也慢慢成了现代强人工智能最基本的核心理念。
大家直观地想象一下人和机器的区别在哪里？其实不在于弱人工智能强调的计算能力、存储能力，或是推理能力，任何人和机器最大的区别在于，人类在成长、生活过程中积累了很多的历史与经验，人类会定期对这些经验进行“归纳”，获得生活的“规律”。当遇到未知问题时，人类会使用这些“规律”对未来进行“推测”，从而指导自己的生活和工作，甚至于去创造新的东西出来。我们老祖宗说得好，“以史为鉴，可以知兴替；以人为鉴，可以明得失”，这与机器学习的思想是极为接近的。机器学习中的“训练”与“预测”过程，也可以分别精确地一一对应到人类的“归纳”和“推测”过程。
吴剑明说，随着现代互联网和个人计算机的普及，以及智能手机的崛起，海量数据和知识的获得变得非常容易和低成本了，这也直接促进了机器学习的飞速发展和实用性的迅速提高。当训练数据的样本足够大，学习算法方向对头的话，就有望接近极限，达到甚至超过人类的能力。比如前几年“谷歌大脑”通过从网络上的上千万张图片学习建立各种各样的猫的品种、颜色、姿势和拍摄角度等特征量，然后对于任意一张图片，它就可以从中把“猫”准确地识别出来。
深度学习：技术进步使之终有用武之地
吴剑明指出，现在除了机器学习，人工智能还出现了一个叫“深度学习”的概念。深度学习是机器学习研究中的一个新的领域，和机器学习相比，它让人工智能又前进了一步。深度学习在机器学习的基础上进一步深入模拟人脑进行分析学习的神经网络，它模仿人脑的机制来训练和预测数据，例如图像、声音和文本。
2012年6月，《纽约时报》披露了应用深度学习的“谷歌大脑计划”，吸引了公众的广泛关注。这个项目的主导之一就是斯坦福大学人工智能专家吴恩达。这一项目用16000个CPUCore的并行计算平台，训练一种称为“深度神经网络”（DNN）的机器学习模型（内部共有10亿个节点），在语音识别和图像识别领域获得了巨大的成功。
吴剑明介绍，和大多数机器学习技术需要事先给训练数据提取特征做标注不同，深度学习直接把海量数据投放到算法中，系统会自动从数据中学习。比如“谷歌大脑”识别猫的算法，在训练数据的时候不用告诉机器“这是一只猫”，深度学习系统自己找到了什么是“猫”这个分类。
机器学习所需要的提取特征做标注，其实需要人工的专业知识和经验，有的时候能不能选好甚至于需要一定的运气。由于这部分人工操作对最终算法的准确性起到非常关键的作用，不但非常消耗时间和精力，且如混入一些模棱两可或是错误的数据，那么很可能会前功尽弃，事倍功半。
既然手工选取特征不太好，人类也不可避免的有主观偏差，那么能不能自动地学习一些特征呢？吴剑明指出，深度学习就是用来干这个事情的，它的一个别名UnsupervisedFeatureLearning，顾名思义，Unsupervised的意思就是不要人参与特征的选取过程。
吴剑明介绍说，这类研究最早起步的契机是，研究瞳孔与大脑皮层神经元的对应关系的科学家们发现了一些有趣的现象，人眼和大脑合作识别看到物体时，通过神经元互相合作很可能有一个分层次识别过程。具体的讲，从原始信号摄入开始（瞳孔摄入像素Pixels），接着做初步处理（大脑皮层某些细胞发现像素色块间边缘的局部变化特征），然后下一步抽象（大脑皮层判定眼前的物体的形状、颜色、质地等），最后再进一步抽象（从周围的场景、物体和物体间的空间位置关系等等）确定识别的物体。
深度学习正是运用了类似的分层次抽象思想，更高层次的概念从低层次的概念学习得到，而每一层都自底向上，对没有人工标注的数据进行学习，最后再用人工监督自顶向下反向进行调优。这一点也为深度学习赢得了重要的优势。
吴剑明表示，现在欧美、日本，包括我们中国的学术界都对深度学习非常关注，深度学习的威力目前在语音识别和图像识别上得到了很好的验证。不过在自然对话、自我进化机器人等人工智能更高深的领域里，它的效果还有待进一步考察。有意思的是，深度学习也是“旧瓶装新酒”，它的思想其实来自于上世纪80年代成熟的人工神经网络技术（ANN）。人工神经网络同样包含输入层、输出层以及中间的若干隐层，每层都有若干结点及连接这些点的边，在训练数据集上会学习区分超平面，从而建立模型。但后来科学家们发现，当时科学家们发现的人工神经网络实用性很差，究其原因，是由于巨大的计算量使得人工神经网络只能包含少许隐层，从而限制了性能。花费了大量人力物力之后，科学家们发现，只有少数几个特殊场景可以成功应用。所以到上世纪90年代开始，人工神经网络失去了关注和经费，成为了食之无味、弃之可惜的鸡肋行业。
但为什么一个上世纪90年代被放弃的技术又重新回到了万众瞩目的地位呢？因为80年代虽然理论基础完备，但真正到达实用所需要的数据和计算能力都不具备。近年来，随着互联网的发展，计算机硬件的价格下降，以及谷歌这样“怪物级”高科技公司的存在，以前高不可及的困难也终于有了解决的可能性。另外，功夫不负有心人，深度学习领域最重要的科学家、多伦多大学的辛顿教授带领的团队一直没有放弃对人工神经网络技术的研究，2006年他在《科学》上发表了一篇文章，解决了神经网络在计算上的难题，同时也说明了深层神经网络在学习上的优异性。辛顿教授提出的新理论大幅度降低了多层神经网络训练上的计算量，减少了训练偏差，和传统机器学习相比，优势明显。从此，神经网络重新成为了机器学习界中的主流学习技术。神经网络改头换面，为深度学习开启了学术界和工业界的新浪潮。
吴剑明指出，深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。区别于传统的机器学习，深度学习的不同在于：首先，强调了模型结构的深度，通常有5层、6层甚至10多层的隐层节点；其次，明确突出了无监督特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与机器学习所需要的依靠人工建立特征的方法相比，利用大数据来自动提取学习特征，是我们朝着真正的人工智能迈进的又一步。
在另一方面，和传统人工神经网络的迭代训练需要过于复杂的计算量不同，深度学习并不同时训练所有层，辛顿教授提出了更为有效的降低训练上的计算量和减少训练偏差的方法。简单的说，就是自底向上每次只训练一层网络，通过非监督学习“逐层初始化”（layer-wisepre-training）网络，当所有层训练完之后，再自顶向下反向调教（backpropagation）优化。打个比方，人类的大脑发育初期，大脑每一部分的职责分工并不是明确的，我们对外界事物的理解由浅到深也是出自于本能或是实践，而去了学校学习后则可以通过后期教育来纠正自己错误的认识，进而对事物有更为体系和深入的理解。
即使这样，深度学习也是需要很大的计算量的，好在近年来，得益于计算机速度的提升、大规模集群技术的兴起、GPU的应用以及众多优化算法的出现，耗时数月的训练过程可缩短为数天甚至数小时，深度学习终于在实践中有了用武之地。
未来发展：通过仿生学思路实现突破
吴剑明指出，目前世界各科技发达国家人工智能的发展路线不尽相同。和其他科技领域有些相像，在人工智能行业，一直是欧美在带头创造新理论，而日本则是在改良和应用上下工夫。相对来说，日本在硬件方面，比如机器人的精密机器制造、机器人仿人运动方面有优势，但在关键的人工智能理论方面，新创或是原创的理论很少，所以不管在学术界还是在产业界，目前看来还不如欧美，特别是美国那么活跃。此外，可能和日本经济的长期不景气有关，近年来一些日本大公司对研发投入的决心和长期眼光还不够。比如在语音识别领域，由于谷歌走在了前面，一些日本大公司干脆就放弃了自家的语音识别技术转而使用谷歌的技术。但这样一来，人工智能的关键入口和背后的大数据就被谷歌给夺走了，这也导致在人工智能领域很难再翻身超越。
至于哪个路线的未来性更大，吴剑明表示，尽管机器学习和深度学习在语音、图像、文本识别上有了长足的进步，也让计算机变得聪明智能了很多，但和人类所具有的智能相比，仍然有本质区别。比如计算机能精确识别人脸、物体，但是却无法识别如张三闯红灯、李四喝醉了这样更为抽象的场景。
人类具有丰富的联想能力、理解能力、创造能力，要实现这些能力而又不通过建立人脑类似的机制，就会绕很大的弯路，几乎是不可能的。要真正实现强人工智能，必须借鉴人脑先进结构和学习思维的机制，再通过深度学习这样的方法进行规模、结构和机理上的模拟，通过仿生学思路实现人工智能的突破。
当然，人类是从低等生物经历几十亿年、在地球生态圈这么庞大的空间中进化而来，要获得人类这样充足的进化时空环境几乎是不可能的。在没有完全弄清大脑原理之前，通过模仿部分人脑原理来逐步渐进，可能是比较现实的办法。比如谷歌在收购DeepMind之后明确表示，不会首先将其应用在机器人部门，而是先从基础的语义识别开始。而百度也是将深度学习技术应用在具体的用户服务方面，比如说提高中文语音识别率、完善图像识别能力。所谓循序渐进，按部就班，就像人类一样有五感才会有思考，把人工神经网络低层的学习水平给完善了，才会有更抽象的高层的学习水平的突破。从这点来看，应该对深度学习未来进一步的理论发展充满希望。
吴剑明表示，深度学习运用在各个单独领域比如声音识别、图像识别时已经得到了很好的效果，当计算机不需要被事先告知明确数据含义，下一步能够融合吸收和理解各个部分的数据，起到1+1>2的作用时，人工智能也许将会被真正兑现。
人工智能与普通智能有哪些区别
来源：北京商报
自人工智能概念在前几年爆发热潮以来，标签为人工智能的产品就比比皆是，小音箱、智能门锁、翻译器，都成为商家手里的人工智能“武器”。但事实上，很多产品只具备简单的智能功能，和人工智能概念下的使用场景还差得很远。然而，对于不少普通消费者来说，根本分不清到底哪些是真正的人工智能，哪些只是普通智能。7月30日，在北京商报社主办的首届人工智能应用场景沙龙上，有关专家指出，普通智能和人工智能让普通消费者去感知的临界点，在于能不能不断、快速地进行相应的演化以及有没有自主学习能力。
进入智能时代
智能手机诞生后，似乎不管什么类别的产品，都喜欢在前面加个“智能”的前缀。北京商报记者在淘宝和京东上搜索“智能”两个字，发现搜索结果五花八门，有智能机器人、智能音箱、智能呼啦圈、智能玩具、智能开关、智能家居、智能插座等。
自从人工智能概念在几年前爆火，企业们彷佛找到了新的财富密码，纷纷在自家产品前加上“人工智能”四个字，形形色色的产品被冠上了人工智能的标签。在电商平台搜索“人工智能”，有智能音箱类、早教机、摄像头、智能机器人等，最多的是智能音箱。
当然，市面上以人工智能为宣传点的产品不止智能门锁、翻译工具、智能空调、智能电视、智能灯等toC端的产品，还有toB端的医疗机器人、机器人服务员、自动驾驶汽车、智能仓库等。
一个人工智能的概念，有数不清的产品和眼花缭乱的场景。然而，对于大部分消费者来说，并不了解普通智能和人工智能二者的区别。
有消费者对北京商报记者表示，“一个简简单单的蓝牙音箱，厂商也标榜是人工智能产品，其实功能非常有限，简单的天气预报、搜索歌曲等，远远达不到人工智能的标准”。
北京电子电器协会会长武建宝也举例称，现在很多家电厂商声称自己的产品是智能家电，有的智能空调可以远程控制，根据房间、人员位置、人数多少，通过雷达系统识别出来，控制风力风量，有些只是简单功能，不能够称其为人工智能。
产业大爆发
这背后，是人工智能产业的爆发。天眼查专业版数据显示，我国目前有近130万家经营范围含“人工智能、机器人、数据处理、云计算、语言识别、图像识别、自然语言处理”，且状态为在业、存续、迁入、迁出的人工智能相关企业，其中，八成以上成立于五年之内。人工智能相关企业最多分布于信息传输、软件和信息技术服务业，有近47万家，占比37%；其次是科学研究和技术服务业，有近31万家，占比24%。
“今天已经进入了人工智能的时代，随着人工智能和物联网、大数据新技术融合，尤其在5G推动下人工智能将推动经济社会各领域从数字化、网络化向智能化加速跃升，人工智能在与其他学科融合中将进一步释放积蓄的巨大能量，推动社会生产力的整体跃升。”武建宝说。
目前，人工智能技术在各大领域的应用也在拓展中。比如成立于2017年的千种幻影，是一家驾驶人安全意识培训与行为训练全流程数字化解决方案提供商，其沉浸式智能驾驶培训系统是国内唯一实现从科目一到科目四教学任务、产品效果获得交通部公路研究院论证、与驾培行业唯一主板上市公司东方时尚的广泛应用，目前在北京核心区域有24个学习中心、驾驶体验班，前期原地驾驶科目二场地以及安全课件都可以在学习中心完成。
而旷视科技今年推出了基于全自研的AI一体化边缘设备解决方案，并表示未来将积极在城市物联网、供应链物联网领域推进软硬一体的解决方案，实现从“软到硬”的AI科技公司转型。
“制造出温度才是人工智能”
从技术方面来分析，千种幻影创始人张雷认为，到底是普通智能还是人工智能，取决于这个产品或者这项技术是不是在不断、快速地进行相应地演化。“它不应该是线性增长，凡是线性增长的东西就不算人工智能，人机牢牢结合在一体，相互交互、相互学习，产生记忆、产生感情，制造出温度，这才是人工智能。”
从交互的角度来看，猎豹移动副总裁李婷指出，普通智能在很大程度上其实就是自动化，普通智能和人工智能在交互方式上有一定的不同。“如果一个人不会使用智能手机，大家可能会说是人的问题，但如果一个机器人不够智能，大家就会说是机器人的问题，这就是二者在交互模式上最大的区别，人工智能是机器适应人，不是人适应机器。”
“我们把AI分成两个步骤，第一个是训练端，通过训练才能把AI模型训练出来，第二个是推理端。传统(普通)智能和人工智能最大的差别是看决策过程到底是逻辑化还是推理化，即使我们用到专家系统或者机器学习，如果最后发现决策依据不在原本已有的知识体系下，这样的智能还是一种传统智能。人工智能能够脱离原有逻辑体系和决策树，在决策树不能涉及的情况下依然能够举一反三推理出当前的决策结果，这个是人工智能。”旷视企业业务事业部产品营销总监乔梁说。
(责任编辑：柯晓霁)
【责任编辑：张瑨瑄】人工智能的创新发展与社会影响
党的十八大以来，习近平总书记把创新摆在国家发展全局的核心位置，高度重视人工智能发展，多次谈及人工智能的重要性，为人工智能如何赋能新时代指明了方向。2018世界人工智能大会9月17日在上海开幕，习总书记致信祝贺并强调指出人工智能发展应用将有力提高经济社会发展智能化水平，有效增强公共服务和城市管理能力。深入学习领会习总书记关于人工智能的一系列重要论述，务实推进我国《新一代人工智能发展规划》，有效规避人工智能“鸿沟”，着力收获人工智能“红利”，对建设世界科技强国、实现“两个一百年”的奋斗目标具有重大战略意义。
一、引言
1956年人工智能（ArtificialIntelligence，简称AI）的概念被正式提出，标志着人工智能学科的诞生，其发展目标是赋予机器类人的感知、学习、思考、决策和行动等能力。经过60多年的发展，人工智能已取得突破性进展，在经济社会各领域开始得到广泛应用并形成引领新一轮产业变革之势，推动人类社会进入智能化时代。美国、日本、德国、英国、法国、俄罗斯等国家都制定了发展人工智能的国家战略，我国也于2017年发布了《新一代人工智能发展规划》，发改委、工信部、科技部、教育部等国家部委和北京、上海、广东、江苏等地政府也相继出台推动人工智能发展的相关政策文件，社会各界对人工智能的重大战略意义已形成广泛共识。
跟其他高科技一样，人工智能也是一把双刃剑。如何认识人工智能的社会影响，也有“天使派”和“魔鬼派”之分。“天使派”认为，人工智能领域的科技创新和成果应用取得重大突破，有望引领第四次工业革命，对社会、经济、军事等领域将产生变革性影响，在制造、交通、教育、医疗、服务等方面可以造福人类；“魔鬼派”认为，人工智能是人类的重大威胁，比核武器还危险，有可能引发第三次世界大战。2018年2月，牛津大学、剑桥大学和OpenAI公司等14家机构共同发布题为《人工智能的恶意使用：预测、预防和缓解》的报告，指出人工智能可能给人类社会带来数字安全、物理安全和政治安全等潜在威胁，并给出了一些建议来减少风险。
总体上看，已过花甲之年的人工智能当前的发展具有“四新”特征：以深度学习为代表的人工智能核心技术取得新突破、“智能+”模式的普适应用为经济社会发展注入新动能、人工智能成为世界各国竞相战略布局的新高地、人工智能的广泛应用给人类社会带来法律法规、道德伦理、社会治理等方面一系列的新挑战。因此人工智能这个机遇与挑战并存的新课题引起了全球范围内的广泛关注和高度重视。虽然人工智能未来的创新发展还存在不确定性，但是大家普遍认可人工智能的蓬勃兴起将带来新的社会文明，将推动产业变革，将深刻改变人们的生产生活方式，将是一场影响深远的科技革命。
为了客观认识人工智能的本质内涵和创新发展，本报告在简要介绍人工智能基本概念与发展历程的基础上，着重分析探讨人工智能的发展现状和未来趋势，试图揭示人工智能的真实面貌。很显然，在当下人工智能蓬勃发展的历史浪潮中如何选择中国路径特别值得我们深入思考和探讨。因此，本报告最后就我国人工智能发展态势、存在问题和对策建议也进行了阐述。
二、人工智能的发展历程与启示
1956年夏，麦卡锡（JohnMcCarthy）、明斯基（MarvinMinsky）、罗切斯特（NathanielRochester）和香农（ClaudeShannon）等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能”这一概念，标志着人工智能学科的诞生。人工智能的目标是模拟、延伸和扩展人类智能，探寻智能本质，发展类人智能机器。人工智能充满未知的探索道路曲折起伏，如何描述1956年以来60余年的人工智能发展历程，学术界可谓仁者见仁、智者见智。我们将人工智能60余年的发展历程划分为以下6个阶段：
一是起步发展期：1956年-20世纪60年代初。人工智能概念在1956年首次被提出后，相继取得了一批令人瞩目的研究成果，如机器定理证明、跳棋程序、LISP表处理语言等，掀起了人工智能发展的第一个高潮。
二是反思发展期：60年代-70年代初。人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空（例如无法用机器证明两个连续函数之和还是连续函数、机器翻译闹出笑话等），使人工智能的发展走入了低谷。
三是应用发展期：70年代初-80年代中。20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入了应用发展的新高潮。
四是低迷发展期：80年代中-90年代中。随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。
五是稳步发展期：90年代中-2010年。由于网络技术特别是互联网技术的发展，信息与数据的汇聚不断加速，互联网应用的不断普及加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年IBM深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，2008年IBM提出“智慧地球”的概念，这些都是这一时期的标志性事件。
六是蓬勃发展期：2011年-至今。随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器（GraphicsProcessingUnit，简称GPU）等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越科学与应用之间的“技术鸿沟”，图像分类、语音识别、知识问答、人机对弈、无人驾驶等具有广阔应用前景的人工智能技术突破了从“不能用、不好用”到“可以用”的技术瓶颈，人工智能发展进入爆发式增长的新高潮。
通过总结人工智能发展历程中的经验和教训，我们可以得到以下启示：
（一）尊重学科发展规律是推动学科健康发展的前提。科学技术的发展有其自身的规律，顺其者昌，违其者衰。人工智能学科发展需要基础理论、数据资源、计算平台、应用场景的协同驱动，当条件不具备时很难实现重大突破。
（二）基础研究是学科可持续发展的基石。加拿大多伦多大学杰弗里·辛顿（GeoffreyHinton）教授坚持研究深度神经网络30年，奠定人工智能蓬勃发展的重要理论基础。谷歌的DeepMind团队长期深入研究神经科学启发的人工智能等基础问题，取得了阿尔法狗等一系列重大成果。
（三）应用需求是科技创新的不竭之源。引领学科发展的动力主要来自于科学和需求的双轮驱动。人工智能发展的驱动力除了知识与技术体系内在矛盾外，贴近应用、解决用户需求是创新的最大源泉与动力。比如专家系统人工智能实现了从理论研究走向实际应用的突破，近些年来安防监控、身份识别、无人驾驶、互联网和物联网大数据分析等实际应用需求带动了人工智能的技术突破。
（四）学科交叉是创新突破的“捷径”。人工智能研究涉及信息科学、脑科学、心理科学等，上世纪50年代人工智能的出现本身就是学科交叉的结果。特别是脑认知科学与人工智能的成功结合，带来了人工智能神经网络几十年的持久发展。智能本源、意识本质等一些基本科学问题正在孕育重大突破，对人工智能学科发展具有重要促进作用。
（五）宽容失败应是支持创新的题中应有之义。任何学科的发展都不可能一帆风顺，任何创新目标的实现都不会一蹴而就。人工智能60余载的发展生动地诠释了一门学科创新发展起伏曲折的历程。可以说没有过去发展历程中的“寒冬”就没有今天人工智能发展新的春天。
（六）实事求是设定发展目标是制定学科发展规划的基本原则。达到全方位类人水平的机器智能是人工智能学科宏伟的终极目标，但是需要根据科技和经济社会发展水平来设定合理的阶段性研究目标，否则会有挫败感从而影响学科发展，人工智能发展过程中的几次低谷皆因不切实际的发展目标所致。
三、人工智能的发展现状与影响
人工智能经过60多年的发展，理论、技术和应用都取得了重要突破，已成为推动新一轮科技和产业革命的驱动力，深刻影响世界经济、政治、军事和社会发展，日益得到各国政府、产业界和学术界的高度关注。从技术维度来看，人工智能技术突破集中在专用智能，但是通用智能发展水平仍处于起步阶段；从产业维度来看，人工智能创新创业如火如荼，技术和商业生态已见雏形；从社会维度来看，世界主要国家纷纷将人工智能上升为国家战略，人工智能社会影响日益凸显。
（一）专用人工智能取得重要突破。从可应用性看，人工智能大体可分为专用人工智能和通用人工智能。面向特定领域的人工智能技术（即专用人工智能）由于任务单一、需求明确、应用边界清晰、领域知识丰富、建模相对简单，因此形成了人工智能领域的单点突破，在局部智能水平的单项测试中可以超越人类智能。人工智能的近期进展主要集中在专用智能领域，统计学习是专用人工智能走向实用的理论基础。深度学习、强化学习、对抗学习等统计机器学习理论在计算机视觉、语音识别、自然语言理解、人机博弈等方面取得成功应用。例如，阿尔法狗在围棋比赛中战胜人类冠军，人工智能程序在大规模图像识别和人脸识别中达到了超越人类的水平，语音识别系统5.1%的错误率比肩专业速记员，人工智能系统诊断皮肤癌达到专业医生水平，等等。
（二）通用人工智能尚处于起步阶段。人的大脑是一个通用的智能系统，能举一反三、融会贯通，可处理视觉、听觉、判断、推理、学习、思考、规划、设计等各类问题，可谓“一脑万用”。真正意义上完备的人工智能系统应该是一个通用的智能系统。虽然包括图像识别、语音识别、自动驾驶等在内的专用人工智能领域已取得突破性进展，但是通用智能系统的研究与应用仍然是任重而道远，人工智能总体发展水平仍处于起步阶段。美国国防高级研究计划局（DefenseAdvancedResearchProjectsAgency，简称DARPA）把人工智能发展分为三个阶段：规则智能、统计智能和自主智能，认为当前国际主流人工智能水平仍然处于第二阶段，核心技术依赖于深度学习、强化学习、对抗学习等统计机器学习，AI系统在信息感知（Perceiving）、机器学习（Learning）等智能水平维度进步显著，但是在概念抽象（Abstracting）和推理决策（Reasoning）等方面能力还很薄弱。总体上看，目前的人工智能系统可谓有智能没智慧、有智商没情商、会计算不会“算计”、有专才无通才。因此，人工智能依旧存在明显的局限性，依然还有很多“不能”，与人类智慧还相差甚远。
（三）人工智能创新创业如火如荼。全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义，纷纷调整发展战略。比如，在其2017年的年度开发者大会上，谷歌明确提出发展战略从“MobileFirst”（移动优先）转向“AIFirst”（AI优先）；微软2017财年年报首次将人工智能作为公司发展愿景。人工智能领域处于创新创业的前沿，麦肯锡报告2016年全球人工智能研发投入超300亿美元并处于高速增长，全球知名风投调研机构CBInsights报告显示2017年全球新成立人工智能创业公司1100家，人工智能领域共获得投资152亿美元，同比增长141%。
（四）创新生态布局成为人工智能产业发展的战略高地。信息技术（IT）和产业的发展史就是新老IT巨头抢滩布局IT创新生态的更替史。例如，传统信息产业IT（InformationTechnology）代表企业有微软、英特尔、IBM、甲骨文等，互联网和移动互联网IT（InternetTechnology）代表企业有谷歌、苹果、脸书、亚马逊、阿里巴巴、腾讯、百度等，目前智能科技IT（IntelligentTechnology）的产业格局还没有形成垄断，因此全球科技产业巨头都在积极推动AI技术生态的研发布局，全力抢占人工智能相关产业的制高点。人工智能创新生态包括纵向的数据平台、开源算法、计算芯片、基础软件、图形处理GPU服务器等技术生态系统和横向的智能制造、智能医疗、智能安防、智能零售、智能家居等商业和应用生态系统。在技术生态方面，人工智能算法、数据、图形处理器（GraphicsProcessingUnit，简称GPU）/张量处理器（TensorProcessingUnit，简称TPU）/神经网络处理器（NeuralnetworkProcessingUnit，NPU）计算、运行/编译/管理等基础软件已有大量开源资源，例如谷歌的TensorFlow第二代人工智能学习系统、脸书的PyTorch深度学习框架、微软的DMTK分布式学习工具包、IBM的SystemML开源机器学习系统等；此外谷歌、IBM、英伟达、英特尔、苹果、华为、中国科学院等积极布局人工智能领域的计算芯片。在人工智能商业和应用生态布局方面，“智能+X”成为创新范式，例如“智能+制造”、“智能+医疗”、“智能+安防”等，人工智能技术向创新性的消费场景和不同行业快速渗透融合并重塑整个社会发展，这是人工智能作为第四次技术革命关键驱动力的最主要表现方式。人工智能商业生态竞争进入白热化，例如智能驾驶汽车领域的参与者既有通用、福特、奔驰、丰田等传统龙头车企，又有互联网造车者如谷歌、特斯拉、优步、苹果、百度等新贵。
（五）人工智能上升为世界主要国家的重大发展战略。人工智能正在成为新一轮产业变革的引擎，必将深刻影响国际产业竞争格局和一个国家的国际竞争力。世界主要发达国家纷纷把发展人工智能作为提升国际竞争力、维护国家安全的重大战略，加紧积极谋划政策，围绕核心技术、顶尖人才、标准规范等强化部署，力图在新一轮国际科技竞争中掌握主导权。无论是德国的“工业4.0”、美国的“工业互联网”、日本的“超智能社会”、还是我国的“中国制造2025”等重大国家战略，人工智能都是其中的核心关键技术。2017年7月，国务院发布了《新一代人工智能发展规划》，开启了我国人工智能快速创新发展的新征程。
（六）人工智能的社会影响日益凸显。人工智能的社会影响是多元的，既有拉动经济、服务民生、造福社会的正面效应，又可能出现安全失控、法律失准、道德失范、伦理失常、隐私失密等社会问题，以及利用人工智能热点进行投机炒作从而存在泡沫风险。首先，人工智能作为新一轮科技革命和产业变革的核心力量，促进社会生产力的整体跃升，推动传统产业升级换代，驱动“无人经济”快速发展，在智能交通、智能家居、智能医疗等民生领域发展积极正面影响。与此同时，我们也要看到人工智能引发的法律、伦理等问题日益凸显，对当下的社会秩序及公共管理体制带来了前所未有的新挑战。例如，2016年欧盟委员会法律事务委员会提交一项将最先进的自动化机器人身份定位为“电子人（electronicpersons）”的动议，2017年沙特阿拉伯授予机器人“索菲亚”公民身份，这些显然冲击了传统的民事主体制度。那么，是否应该赋予人工智能系统法律主体资格？另外在人工智能新时代，个人信息和隐私保护、人工智能创作内容的知识产权、人工智能歧视和偏见、无人驾驶系统的交通法规、脑机接口和人机共生的科技伦理等问题都需要我们从法律法规、道德伦理、社会管理等多个角度提供解决方案。
由于人工智能与人类智能密切关联且应用前景广阔、专业性很强，容易造成人们的误解，也带来了不少炒作。例如，有些人错误地认为人工智能就是机器学习（深度学习），人工智能与人类智能是零和博弈，人工智能已经达到5岁小孩的水平，人工智能系统的智能水平即将全面超越人类水平，30年内机器人将统治世界，人类将成为人工智能的奴隶，等等。这些错误认识会给人工智能的发展带来不利影响。还有不少人对人工智能预期过高，以为通用智能很快就能实现，只要给机器人发指令就可以干任何事。另外，有意炒作并通过包装人工智能概念来谋取不当利益的现象时有发生。因此，我们有义务向社会大众普及人工智能知识，引导政府、企业和广大民众科学客观地认识和了解人工智能。
四、人工智能的发展趋势与展望
人工智能经过六十多年的发展突破了算法、算力和算料（数据）等“三算”方面的制约因素，拓展了互联网、物联网等广阔应用场景，开始进入蓬勃发展的黄金时期。从技术维度看，当前人工智能处于从“不能用”到“可以用”的技术拐点，但是距离“很好用”还有数据、能耗、泛化、可解释性、可靠性、安全性等诸多瓶颈，创新发展空间巨大，从专用到通用智能，从机器智能到人机智能融合，从“人工+智能”到自主智能，后深度学习的新理论体系正在酝酿；从产业和社会发展维度看，人工智能通过对经济和社会各领域渗透融合实现生产力和生产关系的变革，带动人类社会迈向新的文明，人类命运共同体将形成保障人工智能技术安全、可控、可靠发展的理性机制。总体而言，人工智能的春天刚刚开始，创新空间巨大，应用前景广阔。
（一）从专用智能到通用智能。如何实现从狭义或专用人工智能（也称弱人工智能，具备单一领域智能）向通用人工智能（也称强人工智能，具备多领域智能）的跨越式发展，既是下一代人工智能发展的必然趋势，也是国际研究与应用领域的挑战问题。2016年10月美国国家科学技术委员会发布了《国家人工智能研究与发展战略计划》，提出在美国的人工智能中长期发展策略中要着重研究通用人工智能。DeepMind创始人戴密斯·哈萨比斯（DemisHassabis）提出朝着“创造解决世界上一切问题的通用人工智能”这一目标前进。微软在2017年7月成立了通用人工智能实验室，100多位感知、学习、推理、自然语言理解等方面的科学家参与其中。
（二）从人工智能到人机混合智能。人工智能的一个重要研究方向就是借鉴脑科学和认知科学的研究成果，研究从智能产生机理和本质出发的新型智能计算模型与方法，实现具有脑神经信息处理机制和类人智能行为与智能水平的智能系统。在美国、欧盟、日本等国家和地区纷纷启动的脑计划中，类脑智能已成为核心目标之一。英国工程与自然科学研究理事会EPSRC发布并启动了类脑智能研究计划。人机混合智能旨在将人的作用或认知模型引入到人工智能系统中，提升人工智能系统的性能，使人工智能成为人类智能的自然延伸和拓展，通过人机协同更加高效地解决复杂问题。人机混合智能得到了我国新一代人工智能规划、美国脑计划、脸书（脑机语音文本界面）、特斯拉汽车创始人埃隆·马斯克（人脑芯片嵌入和脑机接口）等的高度关注。
（三）从“人工+智能”到自主智能系统。当前人工智能的研究集中在深度学习，但是深度学习的局限是需要大量人工干预：人工设计深度神经网络模型、人工设定应用场景、人工采集和标注大量训练数据（非常费时费力）、用户需要人工适配智能系统等。因此已有科研人员开始关注减少人工干预的自主智能方法，提高机器智能对环境的自主学习能力。例如阿法元从零开始，通过自我对弈强化学习实现围棋、国际象棋、日本将棋的“通用棋类AI”。在人工智能系统的自动化设计方面，2017年谷歌提出的自动化学习系统（AutoML）试图通过自动创建机器学习系统降低AI人员成本。
（四）人工智能将加速与其他学科领域交叉渗透。人工智能本身是一门综合性的前沿学科和高度交叉的复合型学科，研究范畴广泛而又异常复杂，其发展需要与计算机科学、数学、认知科学、神经科学和社会科学等学科深度融合。随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展开启了新时代，能够大规模、更精细解析智力的神经环路基础和机制，人工智能将进入生物启发的智能阶段，依赖于生物学、脑科学、生命科学和心理学等学科的发现，将机理变为可计算的模型，同时人工智能也会促进脑科学、认知科学、生命科学甚至化学、物理、材料等传统科学的发展。例如，2018年美国麻省理工学院启动的“智能探究计划”（MITIntelligenceQuest）就联合了五大学院进行协同攻关。
（五）人工智能产业将蓬勃发展。随着人工智能技术的进一步成熟以及政府和产业界投入的日益增长，人工智能应用的云端化将不断加速，全球人工智能产业规模在未来十年将进入高速增长期。例如，2016年9月，咨询公司埃森哲发布报告指出，人工智能技术的应用将为经济发展注入新动力，在现有基础上能够提高劳动生产率40%；美、日、英、德、法等12个发达国家（现占全球经济总量的一半）到2035年，年经济增长率平均可以翻一番。2018年麦肯锡的研究报告表明到2030年人工智能新增经济规模将达到13万亿美元。
（六）人工智能将推动人类进入普惠型智能社会。“人工智能+X”的创新模式将随着技术和产业的发展日趋成熟，对生产力和产业结构产生革命性影响，并推动人类进入普惠型智能社会。2017年国际数据公司IDC在《信息流引领人工智能新时代》白皮书中指出未来五年人工智能提升各行业运转效率，其中教育业提升82%，零售业71%，制造业64%，金融业58%。我国经济社会转型升级对人工智能有重大需求，在消费场景和行业应用的需求牵引下，需要打破人工智能的感知瓶颈、交互瓶颈和决策瓶颈，促进人工智能技术与社会各行各业的融合提升，建设若干标杆性的应用场景创新，实现低成本、高效益、广范围的普惠型智能社会。
（七）人工智能领域的国际竞争将日趋激烈。“未来谁率先掌握人工智能，谁就能称霸世界”。2018年4月，欧盟委员会计划2018-2020年在人工智能领域投资240亿美元；法国总统在2018年5月宣布《法国人工智能战略》，目的是迎接人工智能发展的新时代，使法国成为人工智能强国；2018年6月，日本《未来投资战略》重点推动物联网建设和人工智能的应用。世界军事强国已逐步形成以加速发展智能化武器装备为核心的竞争态势，例如美国特朗普政府发布的首份《国防战略》报告即提出谋求通过人工智能等技术创新保持军事优势，确保美国打赢未来战争；俄罗斯2017年提出军工拥抱“智能化”，让导弹和无人机这样的“传统”兵器威力倍增。
（八）人工智能的社会学将提上议程。水能载舟，亦能覆舟。任何高科技也都是一把双刃剑。随着人工智能的深入发展和应用的不断普及，其社会影响日益明显。人工智能应用得当、把握有度、管理规范，就能有效控制负面风险。为了确保人工智能的健康可持续发展并确保人工智能的发展成果造福于民，需要从社会学的角度系统全面地研究人工智能对人类社会的影响，深入分析人工智能对未来经济社会发展的可能影响，制定完善的人工智能法律法规，规避可能风险，确保人工智能的正面效应。2017年9月，联合国犯罪和司法研究所(UNICRI)决定在海牙成立第一个联合国人工智能和机器人中心，规范人工智能的发展。2018年4月，欧洲25个国家签署了《人工智能合作宣言》，从国家战略合作层面来推动人工智能发展，确保欧洲人工智能研发的竞争力，共同面对人工智能在社会、经济、伦理及法律等方面的机遇和挑战。
五、我国人工智能的发展态势与思考
我国当前人工智能发展的总体态势良好。中国信通院联合高德纳咨询公司（Gartner）于2018年9月发布的《2018世界人工智能产业发展蓝皮书》报告统计，我国（不含港澳台地区）人工智能企业总数位列全球第二（1040家），仅次于美国（2039家）。在人工智能总体水平和应用方面，我国也处于国际前列，发展潜力巨大，有望率先突破成为全球领跑者。但是我们也要清醒地看到，我国人工智能发展存在过热和泡沫化风险，特别在基础研究、技术体系、应用生态、创新人才、法律规范等方面仍然存在不少问题。总体而言，我国人工智能发展现状可以用“高度重视，态势喜人，差距不小，前景看好”来概括。
一是高度重视。党和国家高度重视并大力发展人工智能。党的十八大以来，习近平总书记把创新摆在国家发展全局的核心位置，高度重视人工智能发展，多次谈及人工智能的重要性，为人工智能如何赋能新时代指明方向。2016年7月习总书记明确指出，人工智能技术的发展将深刻改变人类社会生活，改变世界，应抓住机遇，在这一高技术领域抢占先机。在党的十九大报告中，习总书记强调“要推动互联网、大数据、人工智能和实体经济深度融合”。在2018年两院院士大会上，习总书记再次强调要“推进互联网、大数据、人工智能同实体经济深度融合，做大做强数字经济”。在2017年和2018年的《政府工作报告》中，李克强总理都提到了要加强新一代人工智能发展。2017年7月，国务院发布了《新一代人工智能发展规划》，将新一代人工智能放在国家战略层面进行部署，描绘了面向2030年的我国人工智能发展路线图，旨在构筑人工智能先发优势，把握新一轮科技革命战略主动，人工智能将成为今后一段时期的国家重大战略。发改委、工信部、科技部、教育部、中央网信办等国家部委和北京、上海、广东、江苏、浙江等地方政府都推出了发展人工智能的鼓励政策。
二是态势喜人。根据2017年爱思唯尔（Elsevier）文献数据库SCOPUS统计结果，我国在人工智能领域发表的论文数量已居世界第一。从2012年开始，我国在人工智能领域新增专利数量已经开始超越美国。据清华大学发布的《中国人工智能发展报告2018》统计，我国已成全球人工智能投融资规模最大国家，我国人工智能企业在人脸识别、语音识别、安防监控、智能音箱、智能家居等人工智能应用领域处于国际前列。近两年，清华大学、北京大学、中国科学院大学、浙江大学、上海交通大学、南京大学等高校纷纷成立人工智能学院。2015年开始的中国人工智能大会（CCAI）已连续成功召开四届、规模不断扩大，人工智能领域的教育、科研与学术活动层出不穷。
三是差距不小。我国人工智能在基础研究、原创成果、顶尖人才、技术生态、基础平台、标准规范等方面距离世界领先水平还存在较大差距。英国牛津大学2018年的一项研究报告指出中国的人工智能发展能力大致为美国的一半水平。目前我国在人工智能前沿理论创新方面总体上尚处于“跟跑”地位，大部分创新偏重于技术应用，存在“头重脚轻”的不均衡现象。在Top700全球AI人才中，中国虽然名列第二，但入选人数远远低于占一半数量的美国。据领英《全球AI领域人才报告》统计，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，其中美国超过85万，我国仅超过5万人，排名全球第7位。2018年市场研究顾问公司CompassIntelligence对全球100多家AI计算芯片企业进行了排名，我国没有一家企业进入前十。另外，我国人工智能开源社区和技术生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。我国参与制定人工智能国际标准的积极性和力度不够，国内标准制定和实施也较为滞后。我国制定完善人工智能相关法律法规的进程需要加快，对可能产生的社会影响还缺少深度分析。
四是前景看好。我国发展人工智能具有市场规模、应用场景、数据资源、人力资源、智能手机普及、资金投入、国家政策支持等多方面的综合优势，人工智能发展前景看好。全球顶尖管理咨询公司埃森哲于2017年发布的《人工智能：助力中国经济增长》报告显示，到2035年人工智能有望推动中国劳动生产率提高27%。我国发布的《新一代人工智能发展规划》提出到2030年，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。在我国未来的发展征程中，“智能红利”将有望弥补人口红利的不足。
人类社会已开始迈入智能化时代，人工智能引领社会发展是大势所趋，不可逆转。经历六十余年积累后，人工智能开始进入爆发式增长的红利期。伴随着人工智能自身的创新发展和向经济社会的全面渗透，这个红利期将持续相当长的时期。现在是我国加强人工智能布局、收获人工智能红利、引领智能时代的重大历史机遇期，如何在人工智能蓬勃发展的浪潮中选择好中国路径、抢抓中国机遇、展现中国智慧需要深入思考。
（一）树立理性务实的发展理念。围棋人机大战中阿尔法狗战胜李世石后，社会大众误以为人工智能已经无所不能，一些地方政府、社会企业、风险资金因此不切实际一窝蜂发展人工智能产业，一些别有用心的机构则有意炒作并通过包装人工智能概念来谋取不当利益。这种“一拥而上、一哄而散”的跟风行为不利于人工智能的健康可持续发展。任何事物的发展不可能一直处于高位，有高潮必有低谷，这是客观规律。根据高德纳咨询公司发布的技术发展曲线，当前智能机器人、认知专家顾问、机器学习、自动驾驶等人工智能热门技术与领域正处于期望膨胀期，但是通用人工智能及人工智能的整体发展仍处于初步阶段，人工智能还有很多“不能”，实现机器在任意现实环境的自主智能和通用智能仍然需要中长期理论和技术积累，并且人工智能对工业、交通、医疗等传统领域的渗透和融合是个长期过程，很难一蹴而就。因此发展人工智能不能以短期牟利为目的，要充分考虑到人工智能技术的局限性，充分认识到人工智能重塑传统产业的长期性和艰巨性，理性分析人工智能发展需求，理性设定人工智能发展目标，理性选择人工智能发展路径，并务实推进人工智能发展举措，只有这样才能确保人工智能健康可持续发展。
（二）加强基础扎实的原创研究。人工智能前沿基础理论是人工智能技术突破、行业革新、产业化推进的基石。在此发展的临界点，要想取得最终的话语权，必须在人工智能基础理论和前沿技术方面取得重大突破。根据2017年爱思唯尔文献数据库SCOPUS统计结果，尽管我国在人工智能领域发表的论文数量已经排名世界第一，但加权引文影响力则只排名34位。为了客观评价我国在人工智能基础研究方面的整体实力，我们搜索了SCI期刊、神经信息处理系统大会（ConferenceonNeuralInformationProcessingSystems，简称NIPS）等主流人工智能学术会议关于通用智能、深度学习、类脑智能、脑智融合、人机博弈等关键词的论文统计情况，可以清楚看到在人工智能前沿方向中国与美国相比基础实力存在巨大差距：在高质量论文数量方面（按中科院划定的SCI一区论文标准统计），美国是中国的5.34倍（1325:248）；在人才储备方面（SCI论文通讯作者），美国是中国的2.12倍（4804:2267）。
我国应对标国际最高水平，建设面向未来的人工智能基础科学研究中心，重点发展原创性、基础性、前瞻性、突破性的人工智能科学。应该鼓励科研人员瞄准人工智能学科前沿方向开展引领性原创科学研究，通过人工智能与脑认知、神经科学、心理学等学科的交叉融合，重点聚焦人工智能领域的重大基础性科学问题，形成具有国际影响力的人工智能原创理论体系，为构建我国自主可控的人工智能技术创新生态提供领先跨越的理论支撑。
（三）构建自主可控的创新生态。美国谷歌、IBM、微软、脸书等企业在AI芯片、服务器、操作系统、开源算法、云服务、无人驾驶等方面积极构建创新生态、抢占创新高地，已经在国际人工智能产业格局中占据先机。我国人工智能开源社区和技术创新生态布局相对滞后，技术平台建设力度有待加强，国际影响力有待提高。美国对中兴通讯发禁令一事充分说明自主可控“核高基”技术的重要性，我国应该吸取在核心电子器件、高端通用芯片及基础软件方面依赖进口的教训，避免重蹈覆辙，着力防范人工智能时代“空心化”风险，系统布局并重点发展人工智能领域的“新核高基”：“新”指新型开放创新生态，如军民融合、产学研融合等；“核”指核心关键技术与器件，如先进机器学习技术、鲁棒模式识别技术、低功耗智能计算芯片等；“高”指高端综合应用系统与平台，如机器学习软硬件平台、大型数据平台等；“基”指具有重大原创意义和技术带动性的基础理论与方法，如脑机接口、类脑智能等。
另外，我们需要重视人工智能技术标准的建设、产品性能与系统安全的测试。特别是我国在人工智能技术应用方面走在世界前列，在人工智能国际标准制定方面应当掌握话语权，并通过标准实施加速人工智能驱动经济社会转型升级的进程。
（四）建立协同高效的创新体系。我国经济社会转型升级对人工智能有重大需求，但是单一的创新主体很难实现政策、市场、技术、应用等方面的全面突破。目前我国学术界、产业界、行业部门在人工智能发展方面各自为政的倾向比较明显，数据资源开放共享不够，缺少对行业资源的有效整合。相比而言，美国已经形成了全社会、全场景、全生态协同互动的人工智能协同创新体系，军民融合和产学研结合都做得很好。我国应在体制机制方面进一步改革创新，建立“军、政、产、学、研、用”一体的人工智能协同创新体系。例如，国家进行顶层设计和战略规划，举全国优势力量设立军事智能的研发和应用平台，提供“人工智能+X”行业融合、打破行业壁垒和行政障碍的激励政策；科技龙头企业引领技术创新生态建设，突破人工智能的重大技术瓶颈；高校科研机构进行人才培养和原始创新，着力构建公共数据资源与技术平台，共同建设若干标杆性的应用创新场景，推动成熟人工智能技术在城市、医疗、金融、文化、农业、交通、能源、物流、制造、安全、服务、教育等领域的深度应用，建设低成本高效益广范围的普惠型智能社会。
（五）加快创新人才的教育培养。发展人工智能关键在人才，中高端人才短缺已经成为我国人工智能做大做强的主要瓶颈。另外，我国社会大众的人工智能科技素养也需要进一步提升，每一个人都需要去适应人工智能时代的科技浪潮。在加强人工智能领军人才培养引进的同时，要面向技术创新和产业发展多层次培养人工智能创新创业人才。《新一代人工智能发展规划》提出逐步开展全民智能教育项目，在中小学阶段设置人工智能课程。目前人工智能科普活动受到各地学校的欢迎，但是缺少通俗易懂的高质量人工智能科普教材、寓教于乐的实验设备和器材、开放共享的教学互动资源平台。国家相关部门应高度重视人工智能教育领域的基础性工作，增加投入，组织优势力量，加强高水平人工智能教育内容和资源平台建设，加快人工智能专业的教学师资培训，从教材、教具、教师等多个环节全面保障我国人工智能教育工作的开展。
（六）推动共担共享的全球治理。人工智能将重塑全球政治和经济格局，发达国家通过人工智能技术创新掌控了产业链上游资源，难以逾越的技术鸿沟和产业壁垒有可能将进一步拉大发达国家和发展中国家的生产力发展水平差距。美国、日本、德国等通过人工智能和机器人的技术突破和广泛应用弥补他们的人力成本劣势，希望制造业从新兴国家回流发达国家。目前看，我国是发展中国家阵容中唯一有望成为全球人工智能竞争中的领跑者，应采取不同于一些国家的“经济垄断主义、技术保护主义、贸易霸凌主义”路线，尽快布局构建开放共享、质优价廉、普惠全球的人工智能技术和应用平台，配合国家“一带一路”战略，向亚洲、非洲、南美等经济欠发达地区输出高水平、低成本的“中国智造”成果、提供人工智能时代的中国方案，为让人工智能时代的“智能红利”普惠人类命运共同体做出中国贡献！
（七）制定科学合理的法律法规。要想实实在在收获人工智能带来的红利，首先应保证其安全、可控、可靠发展。美国和欧洲等发达国家和地区十分重视人工智能领域的法律法规问题。美国白宫多次组织这方面的研讨会、咨询会；特斯拉等产业巨头牵头成立OpenAI等机构，旨在以有利于整个人类的方式促进和发展友好的人工智能；科研人员自发签署23条“阿西洛马人工智能原则”，意图在规范人工智能科研及应用等方面抢占先机。我国在人工智能领域的法律法规制定及风险管控方面相对滞后，这种滞后局面与我国现阶段人工智能发展的整体形势不相适应，并可能成为我国人工智能下一步创新发展的一大掣肘。因此，有必要大力加强人工智能领域的立法研究，制定相应的法律法规，建立健全公开透明的人工智能监管体系，构建人工智能创新发展的良好法规环境。
（八）加强和鼓励人工智能社会学研究。人工智能的社会影响将是深远的、全方位的。我们当未雨绸缪，从国家安全、社会治理、就业结构、伦理道德、隐私保护等多个维度系统深入研究人工智能可能的影响，制定合理可行的应对措施，确保人工智能的正面效应。应大力加强人工智能领域的科普工作，打造科技与伦理的高效对话机制和沟通平台，消除社会大众对人工智能的误解与恐慌，为人工智能的发展营造理性务实、积极健康的社会氛围。
六、结束语
人工智能经过60多年的发展，进入了创新突破的战略机遇期和产业应用的红利收获期，必将对生产力和产业结构以及国际格局产生革命性影响，并推动人类进入普惠型智能社会。但是，我们需要清醒看到通用人工智能及人工智能的整体发展仍处于初级阶段，人工智能不是万能，人工智能还有很多“不能”。我们应当采取理性务实的发展路径，扎实推进基础研究、技术生态、人才培养、法律规范等方面的工作，在开放中创新，在创新中发展，全速跑赢智能时代，着力建设人工智能科技强国！
（主讲人系中国科学院院士）