人工智能将如何影响未来社会
比如，随着自动驾驶技术逐渐成熟后，人工智能可以负责整个交通系统的管理、协调与控制。人类若想插手反而会降低整个交通系统的运行效率。由于机器会比人类更不容易出错，所以，机器会很擅长执行这类管理角色。
随着机器对自然语言理解的能力越来越强，人工智能也将会渐渐人类的中层管理角色。我们知道，现在很多大公司的ERP系统、MIS系统其实已经完成了整个办公流程的电子化。可以说，机器已经参与进了管理过程之中了。然而，能够理解自然语言的人工智能一旦出现，它们就有可能进一步增强这类管理信息系统。
如果这一天真的来临，那么整个社会将会发生一次非常重大的变革。首先，在人类管理社会的阶段，所有的感知、决策、管理、控制全部都是局部信息的、去中心化的。而一旦机器掌管了这些岗位，那么它们就将充分利用互联网实现信息共享，于是，所有的信号都将以光速在整个互联网上传递，因此多个分散机器的整体协调将变得很容易实现。于是，人类将会重新进入一种中心化的世界。然而，这种中心化的形成会与原来人类社会的集权、垄断形成的中心化完全不同。
超级定制化人工智能
在整个社会演变得逐渐趋同，慢慢形成了一个超大规模的协调一致的整体的时候，每一个人反而会变得越来越个性化。由于机器的整体优化，人与人之间的信息沟通也会越来越顺畅，这就使得物质、能量、信息的流动效率也会越来越高。于是，共享经济就变成了一种普遍的模式，每个人都可以随时随地获取物质的需求。
于是，人类开始追求更多的精神上的满足，这就使得，人类会寻求非常多样化、个性化的体验。于是，人工智能若想更好地满足人类需求，也会朝向越来越个性化的防线发展。到了那个时候，每个人都将拥有一个数字化的个人助理。这种个人助理是一个超级个性化的人工智能程序。它在每个人刚刚出生的时候就开始不断地去适应、学习它主人的行为方式。所以，世界上有多少人，机器世界就会有多少不同学习得到的个人助理。尽管这些智能助理可能诞生于同样的程序，但是它们由于后天学习的对象和路径完全不同，所以也会千奇百怪的智能代理。
然而，在另一面，这些智能代理又会负责用一种统一而共同的方式与整个互联网沟通，所以，个人智能助手就好比是一个沟通个性化人类与同一化机器世界的界面。这个程序经过不断的学习将会越来越像它所学习、模仿的对象。于是，每个人都将慢慢训练出一个他（她）自己在数字化世界之中的投影。这些投影代替了一个个个性化的人类，完成了在世界上的沟通。
所以在人工智能时代的冲击下你也可以尝试新事物的学习，紧随时代发展，并且去享受这个时代带来的便利。
全世界的聪明人都在做三件事：
1、赶趋势
2、找平台
3、抓机遇
有贵人为你指路！当机会来临时，如果非要全部弄懂，全部搞清楚了，把自己当成教授，当成专家来研究，等你全部弄清楚了才出手的，机会早就成了别人的故事。智慧的人总是善于把握时机！已经进入大数据时代，人工智能浪潮已来：
阿里上市后，投一万赚26.6亿
腾讯上市后，投一万赚1.44亿
百度上市后，投一万赚1780万
格力上市后，投一万赚1651万
茅台上市后，投一万赚1095万
聚商圈上市，投一万赚500万
东阿上市后，投一万赚416万
海尔上市后，投一万赚367万
五粮液上市，投一万赚234万
六个核桃上市，投1万赚600万
小米上市一万赚3百多万
拼多多上市，一股赚了866倍
人工智能大时代，接下来会更疯狂，你准备好了吗？你还在等什么呢？
3.5万元让你站在人工智能的风口上！小白人——餐桌智媒体，一款基于大数据、人工智能、物联网等新技术的智媒体终端设备，开辟了一种实现信息与用户需求智能匹配、人机交互的媒体新形态。小白人拥有广告投放、游戏交互、智能餐饮三大核心功能，为餐饮商打造智能餐饮，为消费者丰富用餐体验，为广告主高效转化产品，为合伙人实现躺着赚钱！返回搜狐，查看更多
2023人工智能教育蓝皮书：现状、挑战与发展建议｜附下载
周丹腾讯青少年人工智能教育负责人
吴朋阳腾讯研究院智慧产业研究中心主任
人工智能作为新一轮科技革命和产业革命的重要驱动力量，正在深刻改变人们的生活、工作和教育学习方式，人工智能技术越来越多地应用在教学管理的各个环节，人工智能课程也逐渐成为中小学阶段的重要教学内容之一。
为贯彻落实《中国教育现代化2035》，更全面地调研我国中小学人工智能课程教学和技术赋能教育的现状，腾讯研究院联合华东师范大学、中国教育科学研究院开展全国人工智能教育现状调研，编写了《2022人工智能教育蓝皮书》，旨在为未来中小学人工智能教育落地提供有效路径参考。
本次蓝皮书面向全国25个省市的中小学校长、教师和学生进行问卷抽样调查，从2021年9月至10月获得有效问卷总计超过19万份，样本量较为充分。蓝皮书从人工智能教育的定义及应用比较、人工智能赋能教育的技术应用情况、人工智能课程的教学设置及师资实践等维度，通过不同地区校长、教师和学生不同视角的比较研究，反映出当下人工智能教育的现状及挑战，并对未来发展给出建设性建议。（文末提供本报告电子版和纸质版的获取方式）
人工智能教育的内涵和关键词
教育学者从不同的视角和层次出发，按照观点内容的指向性，将人工智能教育的内涵分为三大类：第一类是工具，人工智能教育即人工智能赋能教育，主要指向人工智能的应用层面，支持教、学、管、评等教育活动的技术手段，利用智能工具对教育系统各要素进行自动分析，支持规模化教学与个性化学习，加快人才培养模式和教学方法的改革。第二类是内容，人工智能教育即人工智能课程教学，以人工智能为学习内容的教育，包括人工智能知识教育、应用能力教育和情意教育等，是提升个体人工智能素养的泛学科性教育。第三类是工具与内容的组合，将以上两类观点进行整合，实现学习层面与应用层面的统一与融合。
图1人工智能教育的分类
工具：
人工智能赋能教育的重要发现
1.学校信息化智能系统建设仍处于“重硬轻软”阶段。受访学校的信息化硬件设备总体情况较好，并配备了一定数量的智能设备，但是人工智能技术教育应用的相关软件系统还较为欠缺。
图2学校所拥有的人工智能软硬件教育装备情况（N=1423）
图3学校在课堂教学中应用人工智能技术的情况（N=1423）
2.学校管理层愿意推进人工智能教学应用，同时对系统安全诉求强烈。受访校长对人工智能技术在学校管理方面的应用满意度较高，并且愿意继续推进人工智能技术在学校中的进一步应用；学校都愿意通过设立“教学服务团队”、“邀请人工智能专家提供指导”等渠道为人工智能在教育方面的应用提供支持；校长们还认为教师最需要的外部支持是为教师创造在教学中使用人工智能产品的文化氛围、配置成熟的人工智能教学应用产品、增加教师在教学中使用人工智能产品的激励机制。由于人工智能技术在教育应用中可能导致师生的个人信息泄露或被监视等问题，因而校长对搭建校园安全预警防范系统的态度较为强烈。
图4校长对人工智能技术在学校管理应用的满意度情况（N=1423）
3.教师整体认可人工智能教学工具的价值，但也受阻于相关产品的不成熟和系统培训的缺乏。受访教师对人工智能在教学中的应用较为满意，认为在教学中应用人工智能技术可以提高他们的教学自信心，但同时也反映在操作人工智能产品中遇到困难的问题。教师认为最阻碍在教学中有效应用人工智能技术的因素是缺乏成熟的智能产品以及配套的资源与服务，其次是中小学中缺乏对一线教师进行人工智能相关课程的系统培训。
图5教师应用人工智能技术的阻碍因素（N=26806）
4.学生普遍愿意使用人工智能学习工具，希望获得个性化评估与辅导。大部分受访学生都对人工智能教育持有积极的态度，愿意使用人工智能学习工具，并认为使用人工智能技术会促进学习。仅有不到一半的受访学生使用过人工智能学习工具辅助学习，使用过的学生则都能够利用人工智能学习工具自主获取所需要的学习资源，实现学习方式的多样化。
图6学生使用人工智能学习工具的类型（N=54684）
大部分受访学生认为，智能评价系统从不同角度分析学习数据，能精准反映实际学习情况，对学习有很大帮助，并期望智能学习工具能够基于问题给予学生详细的解析思路和过程，在此基础上配备相应的讲解视频，全方位多角度地对学生进行有针对性的辅导。
图7学生期望的智能学习工具（N=46462）
内容：
人工智能课程教学的重要发现
1.政府拨款采购是人工智能课程资源配置的主要方式。受访学校拥有的智能技术硬件设备或软件设施等资源，超过半数以上是通过“政府拨款采购”的方式获取的，这表明在人工智能进入中小学的过程中，政府发挥着重要的作用，为课程资源的配置提供坚实的政策和资金支持。
图8人工智能课程资源获取途径（N=1423）
2.学校管理层普遍积极推进人工智能课程，教师能力培养和课程体系完善是当务之急。对于中小学人工智能课程的发展前景，大多数的受访校长保持积极的态度，认为人工智能课程具有光明的应用前景。超半数的受访学校已经开设或正在筹备人工智能教育教学活动，聚焦人工智能课程的教师培养、课程规划以及硬件设备、设施环境等。
图9人工智能教育教学活动的开展情况（N=1423）
图10学校开展人工智能课程建设的主要工作类型（N=838）
3.人工智能课程的教师数量较少，大部分教师认为自身专业知识和能力一般需要进行系统培训。受访的中小学校中，参与人工智能课程教学活动的教师数量较少，专职讲授人工智能课程的教师寥寥无几，大多数受访教师认为自己对于人工智能专业知识和相关工具的掌握程度一般，且开设的人工智能课程尚处于了解与体验阶段，授课时间频率在1周1课时。
图11教师对人工智能相关知识的掌握情况（N=2159）
图12教师开设人工智能课程的阶段（N=2159）
讲授人工智能课程的教师普遍认为，中小学有必要开展与人工智能教学相关的职前培训，仅有三成左右的教师在高等教育阶段接受过人工智能教学培训，且认为培训课程的难易程度适中。
中小学人工智能课程教材的获取途径主要分为两种：直接采购和自主研发；教材的购买主体一般为学校，而教材的开发主体一般为人工智能课程教师，仍有近三分之一的教师表示其所在学校的人工智能课程并没有配备相应的教材资源。
图13人工智能教材资源的配套情况（N=838）
4.学生学习人工智能课程普遍喜欢课外活动、竞赛等多元化的教学方式。大部分受访的学生对自主探究和小组合作的授课形式表示满意，认为项目式的学习方式有益于教学活动的开展，贴近生活的情境学习可以激发他们的学习兴趣，运用人工智能技术解决问题的方法能够提高他们动手实践和创新思维的能力，希望学习人工智能课程可以走出课堂，参加丰富多元的课外活动或竞赛。
图14学生期待的人工智能课程开展形式（N=105955）
地区发展差异分析
1.东部地区学校的信息化基础设施情况和人工智能设施设备情况都是最好的，而东北地区的人工智能系统情况不够乐观，这将导致地区间差异逐渐拉大，更会影响后续人工智能课程的开设与发展。
图15不同地区学校在课堂教学中应用人工智能技术情况
2.东部地区的校长对于人工智能在教育管理上的应用持有赞同态度的比例最高，而东北、中部、西部地区的认同态度比例明显低于东部地区，中部地区最低。
图16不同地区校长对工智能教育管理应用的赞同比例
3.目前各区域人工智能教师培训内容以人工智能教育的理念和理论为主，其中东部地区人工智能教师的培训内容丰富度最高，其他各方面的占比均高于其他地区。
图17不同地区人工智能教师培训内容
4.根据学生使用人工智能工具类型可看出，东部地区中小学生能够自主寻找网络资源满足自己的学习需求，并根据系统的评价与反馈进行自我反思，其信息化素养较高且利用技术解决现有问题的意识也比较强烈，人工智能工具对西部地区中小学生的学习有着更为明显的促进作用。
图18不同地区学生使用人工智能工具情况
5.大部分区域中开设人工智能课程的学校已经具备相关的配套教材资源，其中教材获取途径以学校自主研发为主。
图19不同地区人工智能教材配套情况
6.在“双减”政策下，各区域均考虑开展人工智能课程的课后托管服务，其中中部地区最为突出。
图20不同地区学校考虑开展人工智能课后托管情况
人工智能教育的未来展望
综观人工智能教育发展现状和主要问题，未来发展可从以下几个方面重点考虑：
一是构建公平而有质量的人工智能教育生态系统。人工智能发展带来了社会全方位的变革，也对教育提前布局人力资本提出前所未有的要求。首先，从国家战略的角度要对人工智能教育进行顶层设计，在国家层面制定宏观的规划与方案，再根据地区的差异因地制宜进行调整。其次，国家要大力投资与人工智能教育相关的研究项目，制定高精尖人才培养政策，建设人工智能精英人才库，为人工智能人才提供实践的大舞台。最后，要树立正确的人工智能价值导向，培养人工智能时代具有社会责任感的中国公民，并高度重视人工智能教育发展可能带来的伦理问题，为构建一个和平、包容、稳定的社会做出贡献。人工智能专业人才的培养，不仅依托智能化资源与内在价值认同等基础条件，也需要社会生态与文化情境的有力支撑。
二是提高教师应用人工智能教育技术的能力。未来的课堂，将由人类教师与人工智能教师共同协作承担教学任务，两者各自发挥优势，各司其职。其一，积极开展跨校际、跨区域的教研活动，利用课堂教学智能分析系统，结合不同地区优秀教研员的点评分析，为研修教师提供精准服务，指导、组织、协助研修教师进行深度学习。其二，组织开展人工智能的相关技能培训，转变教师的教学理念，帮助教师精准掌握人工智能的技术，完善学校教师的激励机制，推动教师积极应用人工智能技术开展教学活动，协同实现个性化教育、公平教育与终身教育,促进人的全面发展。
三是推动学校教育评价改革，完善学生评价机制。响应《深化新时代教育评价改革总体方案》中提出的“改进结果评价、强化过程评价、探索增值评价、健全综合评价”、“提升教育评价的科学性、专业性、客观性”的明确要求，一方面，借助大数据、人工智能等技术，以学生在学习过程中的动态数据为基础，实施学习诊断分析，建立围绕学生成长的数据档案，探索各学段学生学习情况的全过程纵向评价。另一方面，优化教育评价方式和转变评价焦点，定期完成核心评价指标的统计和分析，聚焦学生核心素养发展，构建“五育并举”的学生综合素质评价体系，推动德智体美劳全要素的横向评价落地，构建一条完整的人工智能赋能教育领域的清晰路径。
报告全文提供两种获取方式：
1.希望获得电子版报告的读者，请扫码填写您的邮箱地址和单位信息，我们将及时发送；
2.希望获得纸质版报告的读者，请在留言区留下您对人工智能教育的看法，我们将根据点赞数量，选出10位寄送。
人工智能的未来发展前景:当前困境和未来可能
但所有这些成功都是有限的。深蓝、沃森和AlphaGo都是高度专业化的、目的单一的机器，只能在一件事上做得很好。深蓝和沃森不能下围棋，AlphaGo不能下国际象棋或参加Jeopardy，甚至最基本的水平都不行。它们的智能范围非常狭窄，也不能泛化。
沃森已经在医疗诊断等应用中取得了很多成果，但它基本上仍然只是一个必须为特定领域专门调制的问答机器。深蓝拥有大量关于国际象棋策略的专门知识和百科全书式的开放知识。AlphaGo是用更通用的架构构建的，但其代码中仍然有很多人工编码的知识。我不是轻视或低估他们的成就，但认识到他们还没有做成的事也是很重要的。
我们还没能创造出可以解决多种多样不同类型问题的人工通用智能(artificialgeneralintelligence)。我们还没有听一两年人类对话的录音就能自己说话的机器。尽管AlphaGo通过分析数千局比赛然后又进行更多的自我对弈而「学会」了下围棋，但这同样的程序却不能用来掌握国际象棋。
同样的一般方法呢?也许可以吧。但我们目前最好的成就离真正的通用智能还很远——真正的通用智能能灵活地无监督地学习，或能足够灵活地选择自己想要学习的内容，不管那是玩棋盘游戏，还是设计PC板。
人工智能的未来发展前景：当前困境和未来可能
迈向通用人工智能
我们如何从狭窄的、特定领域的智能迈向更通用的智能呢?这里说的「通用智能」并不一定意味着人类智能，但我们确实想要机器能在没有编码特定领域知识的情况下解决不同种类的问题。我们希望机器能做出人类的判断和决策。
这并不一定意味着机器将实现创造力、直觉或本能等没有数字类比的概念。通用智能将具备处理多种类型的任务和适应未曾预料的情形的能力。一个通用智能无疑可以实现「正义」和「公平」这样的概念：我们已经在谈论人工智能对法律系统的影响了。
我们先以自动驾驶汽车来证明我们所面临的问题。要实现自动驾驶，汽车需要将模式识别和其它能力整合到一起，包括推理、规划和记忆。它需要识别模式，这样才能对障碍物和街道标志做出反应;它需要推理，这样才能理解交通规则和解决像避开障碍物等任务;它需要规划以获得从当前位置到目标位置的路径，并同时考虑到交通状况等其它模式。
它需要不断重复做这些事，不断更新它的解决方案。但是，即使一辆自动驾驶汽车整合了所有这些人工智能，它也不具备我们所期望的通用智能应该具备的灵活性。你不会期待一辆自动驾驶汽车能和你交谈或布置你的花园。将从一个领域学习到的知识应用到另一个领域的迁移学习是非常困难的。
你也许可以重新加工其中许多软件组件，但那只能指出缺少了什么：我们当前的人工智能能为特定问题提供范围狭窄的解决方案，它们并不是通用的问题解决者。你可以将范围狭窄的人工智能叠加到一起(一辆车可以带有能谈论去哪里、进行餐厅推荐和与你下棋让你不会感觉无聊的Bot)，但狭窄人工智能的叠加永远不能得到一个通用人工智能。通用人工智能的关键不是有多少种能力，而是这些能力的整合。
尽管神经网络这样的方法原本是为模拟人脑过程而开发的，但许多人工智能计划已经放弃了模仿生物大脑的概念。我们不知道大脑的工作方式;神经网络计算是非常有用的，但它们并没有模拟人类的思维。
在《ArtificialIntelligence:AModernApproach》一书中，PeterNorvig和StuartRussell写道：“当莱特兄弟和其他人停止模仿鸟类并开始学习空气动力学时，对『人工飞行』的追求才获得成功。”
类似地，要取得成功，人工智能不需要将重点放到模仿大脑的生物过程上，而应该尝试理解大脑所处理的问题。可以合理地估计，人类使用了任意数量的技术进行学习，而不管生物学层面上可能会发生什么。这可能对通用人工智能来说也是一样：它将使用模式匹配(类似AlphaGo)，它将使用基于规则的系统(类似沃森)，它将使用穷举搜索树(类似深蓝)。
这些技术没有一种能与人类智能直接对应。人类比任何计算机都做得更好的是构建他们的世界的模型，并根据这些模型采取行动。
超越通用智能后的下一步是超智能(super-intelligence或hyper-intelligence)。目前我们还不清楚如何区分通用人工智能和超智能。我们期望超智能系统会具备创造力和直觉等性质吗?鉴于我们对人类的创造力还不甚理解，思考机器的创造力就更为困难了。
围棋专家称AlphaGo的一些落子是“创造性的”;但它们源自与其它所有落子完全一样的过程和模式，而并非以一种新的视角看待这项游戏。同样算法的重复应用可能会产生让人类感到惊讶或意外的结果，但仅仅的惊讶并不是我们所说的“创造力”。
将超智能看作一个规模问题会更容易一点。如果我们可以创造「通用智能」，可以很容易估计出它将很快就比人类强大成千上万倍。或者，更准确地说，通用人工智能要么将显著慢于人类思维，难以通过硬件或软件加速;要么就将通过大规模并行和硬件改进而获得快速提速。
我们将从数千个内核GPU扩展到数千个芯片上的数以万亿计的内核，其数据流来自数十亿的传感器。在第一种情况中，当加速变缓时，通用智能可能不会那么有趣(尽管它将成为研究者的一次伟大旅程)。在第二种情况中，其增速的斜坡将会非常陡峭、非常快。
人工智能的未来发展前景：当前困境和未来可能
训练还是不训练
AlphaGo的开发者声称使用了远比深蓝更通用的算法来训练人工智能：他们制作了一个只具备最少围棋知识策略的系统，学习主要是通过观察围棋比赛获得。这指明了下一个大方向：我们可以从机器基于标注数据的监督学习走向机器依靠自己组织和结构化数据的无监督学习吗?
YannLeCun曾在Facebook的一篇帖子中说到：“在我们想要得到真正的人工智能之前，我们必须解决无监督学习的问题。”
要对照片分类，一个人工智能系统首先会获得数百万张已经正确分类了的照片;在学习了这些分类之后，它还要使用一系列标注了的照片进行测试，看它们是否能够正确标注这个测试集。如果没有标注，机器又能做什么?如果没有元数据告诉机器“这是鸟，这是飞机，这是花”，它还能发现照片中重要的内容吗?机器能像人和动物一样，只需观察远远更少的数据就能发现模式吗?
人类和动物都可以从相对很少的数据中构建模型和抽象：比如，我们不需要几百万张图像才能识别出一种新的鸟或在一座新城市找到我们的路。研究者正在研究的一个问题是对视频的未来画面的预测，这将需要人工智能系统构建对世界运作方式的理解。
有可能开发出能应对全新环境的系统吗?比如在冰面汽车会难以预料的打滑。人类可以解决这些问题，尽管它们不一定很擅长。无监督学习指出，光是靠更好更快的硬件，或开发者只是用当前的库进行开发，问题将无法得到解决。
有一些学习方法处在监督学习和无监督学习的中间。在强化学习中，系统会被给予一些代表奖励(reward)的值。机器人可以穿过一片地面而不跌倒吗?机器人可以不用地图就驾驶汽车穿过市中心吗?奖励可以被反馈给系统并最大化成功的概率。(OpenAIGym是一个很有潜力的强化学习框架)。
在一端，监督学习意味着再现一组标记，这在本质上是模式识别，而且容易发生过拟合。在另一个极端，完全无监督学习意味着学习归纳性地推理关于一个情形的情况，这还需要算法上的突破。半监督学习(使用最少的标注)或强化学习(通过连续决策)代表着这些极端之间的方法。我们将看到它们能达到哪种程度。
人工智能的未来发展前景：当前困境和未来可能
智能的意义
我们所说的「智能」是一个根本性的问题。在Radar2014年的一篇文章中，BeauCronin出色地总结了许多人工智能的定义。我们对人工智能的期待严重依赖于我们希望用人工智能做什么。对人工智能的讨论几乎总是开始于图灵测试。
图灵假设人们可以通过聊天的方式与计算机交互：他假设了一种与计算机的沟通方式。这个假设限制了我们期望计算机做的事：比如，我们不能期望它能驾驶汽车或组装电路。这也是一个故意的模棱两可的测试。计算机的答案可能是闪烁其词的或完全不正确的，正确无误不是重点。人类智能也可能会是闪烁其侧或不正确的。我们不大可能将正确无误的人工智能误解为人类。
如果我们假设人工智能必须被嵌入到能够运动的硬件中，比如机器人或自动驾驶汽车，我们会得到一组不同的标准。我们会要求计算机在它自己的控制下执行一个定义不清的任务(比如开车到一家商店)。我们已经打造出了在路线规划和驾驶上比大多数人类都做得更好的人工智能系统。
谷歌的自动驾驶汽车负有责任的那次事故的原因是该算法被修改得更像人类一样驾驶，并由此带来了人工智能系统通常不会具备的风险。
自动驾驶汽车还有很多没能解决的困难问题：比如在暴风雪的山路上行进。不管人工智能系统是嵌入在汽车里，还是无人飞行器或人形机器人里，其所面临的问题本质上是类似的：在安全、舒适的环境中执行是很容易的;而在高风险、危险的情形中则艰难得多。
人类也不擅长这些任务，尽管图灵所期望的对话中人工智能是回避式的或甚至会错误地回答问题，但在高速路上驾驶时，模糊或不正确的方案却是不能接受的。
可以执行物理行为的人工智能迫使我们思考机器人的行为。应该用什么样的道德来规范自主机器人?阿西莫夫的机器人定律?如果我们认为机器人不应该杀死或伤害人类，武器化的无人机已经打破了这道界限。尽管典型的问题「如果事故不可避免，自动汽车应该撞向婴儿还是老奶奶?」是虚假的道德，但这个问题也有一些更为严肃的版本。
为了避免会杀死其内部乘客的事故，自动驾驶汽车应该冲向人群吗?抽象地回答这个问题很容易，但很难想象人类会愿意购买会牺牲他们而不伤害旁观者的汽车。我怀疑机器人将来能够回答这个问题，但它也必然会在福特、通用、丰田和特斯拉的董事会上得到讨论。
我们可以通过对话系统或自主机器人系统的复杂度分布来更为简单地定义人工智能，并说人工智能只是单纯关于构建能回答问题和解决问题的系统。能够回答问题和推理复杂逻辑的系统是我们已经开发了好些年的「专家系统」，其中大部分都嵌入在沃森中。(AlphaGo解决的是不同类型的问题。)
但是，正如BeauCronin指出的那样，解决对人类来说存在智力挑战的问题是相对简单的;更困难的是解决对人类来说很简单的问题。很少有三岁孩童能下围棋。但所有的三岁孩童都能认出自己的父母——而不需要大量有标注的图像集。
我们所说的「智能」严重依赖于我们想要该智能所做的事，并不存在一个能够满足我们所有目标的单个定义。如果没有良好定义的目标来说明我们想要实现的东西或让我们衡量我们是否已经实现了它的标准，由范围狭窄的人工智能向通用人工智能的转变就不会是一件容易的事。
人工智能的未来发展前景：当前困境和未来可能
助手还是主角?
人工智能的新闻报道聚焦于能够自主行为的机器自主系统。这么做有充足的理由：它有趣、性感、且有点令人害怕。在观看人类辅助AlphaGo下棋的同时，很容易去幻想一个由机器主宰的未来。然而相较于自动化设备，人工智能有更多超过人类的东西。真正的价值——人工智能或者智能增强——都在哪里?人工智能还是智能增强?
这个问题自对于人工智能的初次尝试起就被问到，并由JohnMarkoff在《MachinesofLovingGrace》中深入探讨过。
我们可能不想由一个人工智能系统来做决定，而可能会想为自己保留决定权。我们或许想让人工智能通过提供信息、预测任何行动过程的后果、提出建议来增强智慧，而把决定权留给人类。尽管有点《黑客帝国》的感觉，但这个被人工智能所服务的增强我们的智慧而非推翻我们的未来会比服侍一匹脱缰的人工智能有着更大可能性。
GPS导航系统是一个人工智能系统用来增强人类智慧的绝佳案例。给定一张适宜的地图，大多数的人都能从A点导航到B点，尽管这对于自身能力还有很多要求，尤其是在我们不熟悉的领域。绘制两个位置之间的最佳路线是一个棘手的问题，特别是当你考虑到糟糕的交通和路况时。
但是有了自动驾驶车辆的除外，我们从未把导航引擎连接到方向盘上。GPS是一种严格意义上的辅助技术：它给出了建议，而不是命令。当一个人已经作出忽略GPS建议的决定(或错误)时，你都会听到GPS说「重新计算路线中」，那是它正在适应新情况。
在过去几年中，我们已经看到许多各种意义上有资格作为人工智能的应用程序。几乎所有「机器学习」框架下的事物都有资格成为人工智能：事实上「机器学习」是在人工智能学科陷入声名狼藉之时，被指称回人工智能更为成功的那部分。你不必一定要构建带有人类声音的人工智能，像是亚马逊的Alexa，当然它的推荐引擎肯定是人工智能。
类似Stitchfix的web应用也是人工智能，它增加了由时尚专家们运用推荐引擎所做出的选择。我们已经习惯了那些处理客户服务电话的聊天机器人(并经常被它们气坏)——准确度或高或低。你可能最后还是得和人类对话，而其中的秘密就是使用聊天机器人清理掉所有例行问题。让某个人类去抄录你的地址、保单号码和其他标准信息没什么意义：如果内容不是太多，计算机可以做得至少同样准确无误。
下一代助理将是(已经是)半自主性的。几年前，LarryPage说《星际迷航》中的计算机是理想的搜索引擎：它是一台能够理解人类、已消化所有可用信息、能在被提问之前就给出答案的计算机。如果你现在正在使用谷歌，当它第一次告诉你由于交通堵塞要你早点出发赴约时，你可能会感到惊讶。
这就需要纵观多个不同的数据集：你目前所在的位置、你的约会地点(可能在你的日历或联系人列表中)、谷歌地图数据、目前的交通状况、甚至是有关预期交通模型的时间先后数据。它的目的不是回答某个问题;而是甚至在用户意识到需求之前就提供帮助。
人工智能的未来发展前景：当前困境和未来可能
为何人们对人工智能的兴趣大增?
为什么人工智能在遭受「人工智能的冬天」(AIwinter)的几十年声名狼藉之后，会成为当下如此热门的话题?当然，人工智能的新闻也出现深蓝之后，之后又有沃森的故事;但这些风潮都没能持久。看到目前的人工智能崛起为另一次风潮是很有诱惑力的。这能让我们忽视过去十年的变化。
人工智能的兴起依赖于计算机硬件的巨大进步。列举计算机性能和存储技术自人工智能之冬起(维基百科追溯到1984年)的30多年间的巨大进步是很乏味的。但这是此篇文章无法回避的一部分，特别是如果你已经见过IBM的沃森机器支架。
据报道AlphaGo运行于1920个CPU和280个GPU;;击败了LeeSedol的机器可能更加庞大，并且它使用了谷歌用于构建神经网络所开发的定制硬件。即使人工智能算法在普通笔记本上运行很慢，但在像AWS、GCE和Azure的云平台上配置一些重要的算力是容易且相对便宜的。机器学习得以实现，部分也是因为这种存储大量数据的能力。1985年时的千兆字节(GB)还很罕见且重达数百磅;现在它已司空见惯，廉价而小巧。
除了存储和处理数据的能力，我们现在还能生成数据。在上世纪80年代，大多影像都是模拟信号。现在它们全是数字的，并有很多存储于像是Flickr、GooglePhotos、ApplePhotos、Facebook等的网络服务商那里。许多在线照片已经被贴上了一些描述性的文本，这使得它们成为了训练人工智能系统的良好数据集。
我们的许多对话也都是线上的，通过Facebook、Twitter和许多聊天服务。我们的购物历史也是一样。所以我们(或者更准确的说是谷歌、苹果、雅虎、Facebook、亚马逊等)就有了训练人工智能系统所需的数据。
我们在算法上也取得了显著的进展。神经网络并不是特别的新，但是「深度学习」却堆叠了一系列通过反馈来自我训练的网络。因而深度学习试图解决机器学习中最难的人类问题之一：从数据中学习最优表征。处理大量数据很简单，但是特征学习就更像是一门艺术而非科学。深度学习是要实现那门艺术的部分自动化。
我们不仅取得了算法上进展，更让它得到了广泛的使用，例如Caffe、TensorFlow、Theano、Scikit-Learn、MXNet、CNTK等等。
人工智能并不局限于学术界的计算机科学研究者，而是像PeteWarden所展示的那样，越来越多的人都能够参与进来。你无需了解如何实现一个复杂的算法并让它在你的硬件上运行得多么好。你只需要知道如何安装库并标注训练数据就行了。
正如计算机革命本身所发生的那样，计算机被搬出了机房并被广大市民所使用，同样的民主化进程正在制造一场人工智能革命。来自许多背景和环境的人利用人工智能做试验，我们将会看到许多新型应用。有些会看起来像科幻小说(尽管自动驾驶汽车被看做科幻小说还只是几年前的事);肯定会有我们甚至无法想象的新应用出现。
人工智能的未来发展前景：当前困境和未来可能
建立知识数据库
世界充满了「暗数据」：不存在于良好、有序的数据库中的非结构化信息。它在网站上、埋于表格里、被珍藏在照片和电影中;但它不易被机器智能或其他智能所捕获。
像diffbot和deepdive这样的项目是利用半监督学习来找出非结构化数据中的结构——无论是大量的科学论文还是众多网站的碎屑。一旦他们创建了一个数据库，就能用更传统的工具——API、SQL语句或者桌面应用程序——访问该数据库。
知识数据库和图表已被应用到许多智能应用中，包括谷歌的知识图谱(KnowledgeGraph)。在我们走向聊天应用时，挖掘暗数据并找出其中结构的能力将变得更加重要。在聊天应用从脚本化和目标狭隘型迈向为用户返回任意问题的答案型的道路上，暗数据的有效利用将成为这一转变的关键。
我们可能看不到这样的应用程序被用于问题「理解」，而是会成为未来辅助技术的中心。它们将依靠已被机器分解并结构化的知识库：其中包含的大量数据将超出人类的标记能力。
产生结果
不像人工智能冬天的黑暗时期，那时数据有限、计算机很慢，现在我们到处都能看到成功的人工智能系统。谷歌翻译肯定不会像人类翻译员那样好，但是它经常能够提供一个可用的翻译结果。尽管语音识别系统还没有达到随处可见的程度，也也已经是司空见惯的了，且其准确度令人惊叹;一年前谷歌声称安卓手机可以正确无误地理解92%的问题。如果一台计算机能够准确地将问题转化为文本，那么下一步就是把问题变成答案。
同样，图像识别和图像处理也已经变得司空见惯。尽管存在一些被广泛报道的尴尬错误，计算机视觉系统能够以在几年前还不可想象的精确度来识别人脸。
理所当然地，对此问题的适宜约束在其成功中起着巨大作用：Facebook可以识别照片中的面孔，是因为它假定照片里的人很可能是你的朋友。计算机视觉是(或将是)从寻常到可怕等各种层次的人工智能应用的中心。视觉显然是自动驾驶车辆的关键;它对于监控、自动锁定无人机和其他不令人舒服的应用也同样重要。
深度学习和神经网络在过去的一年里已经吸引了大量的关注：它们已经实现了计算机视觉、自然语言和其他领域的进步。
然而几乎所有打着机器学习旗号的都是人工智能：分类与聚类算法(classificationandclusteringalgorithms)、各种决策树(decisiontrees)、遗传算法(geneticalgorithms)、支持向量机(supportvectormachines)、分层式即时记忆(HTM：hierarchicaltemporalmemory)等等。
这些技术可以被自己使用，也可以与其他技术结合使用。IBM的沃森是集成学习(ensemblelearning)一个很好的例子：它是一个基于规则的系统，并依据所要解决的问题来结合使用其他算法。这个规则在很大程度上是手工制定的，而其他算法则需通过精心调整来获得良好效果。
像Watson一样令人印象深刻的、需要大量手动调整的系统是一块通向智能道路上的最好的踏脚石。任何的通用人工智能和大多数的狭义人工智能系统都将可能结合多种算法，而不是使用单一的、尚未被发现的主算法。
但这种用来得到良好结果的调整是一个主要的限制：AlphaGo团队负责人DemisHassabis说这样的调整「几乎像是一种艺术形式。」如果取得好结果需要花几年时间，并且只有一些专家(Hassabis说有几百人)有能力做这项工作，那么它还是「人工智能」吗?
类似Watson这样的引擎的创造过程是科学，然而也需要许多艺术。另外，手动优化的需求表明人工智能系统的建立方式本质上是狭隘的，只能解决单一的问题。很难想象去优化一个能够解决任何问题的「通用智能」引擎。如果你正在做这件事，那么几乎可以肯定，那是一些特定应用。
人工智能方面的进步取决于更好的算法，还是更好的硬件?如果这个问题还算有意义，那么答案就是「同时」。即使GPU进展的时间速率已经停止，我们把更多东西塞进一张芯片的力还没有停滞：AlphaGo的280个GPU能够轻松平均20万个核心。
更重要的是，我们已经看到了许多用于GPU的数学库和工具方面的改进。我们可能还会看到ASIC(application-specificintegratedcircuit)和FPGA(field-programmablegatearrays)在未来的人工智能引擎中的使用。反过来，ASIC和FPGA将成为在许多需要硬实时状态(hardreal-time)运行的硬件系统(想想自动驾驶汽车)中嵌入人工智能的关键。
但即使有了更好的硬件，我们仍然需要分布于成千上万个节点中的算法;我们需要能够飞速地重新编程FPGA的算法，以适应待解决问题所使用的硬件。MapReduce在数据分析中很流行是因为它提出了一个并行化一大类问题的方法。
并行显然在人工智能中起作用，但它的限制是什么?并行的残酷现实是，其不可被并行的部分能把你折磨死。而大多数并行算法的标志是，你需要一个用以收集部分结果并产生单一结果的阶段。AlphaGo在计算下一步棋时可能正在查看成千上万个选择，但在某一点上，它需要浏览所有的选项，评估哪个是最好的，并给出一个单一结果。
AlphaGo可以利用280个GPU的优势;那么一台有280,000个GPU的计算机怎么样?毕竟，迄今为止我们所制造的最大计算机的计算能力只相当于一只老鼠大脑的一小部分，更不要说与人类相比了。如果是不依赖于并行设计和神经网络的算法呢?在一个路线中的每个元素都采取不同方法来解决问题的系统当中，你如何运用反馈?像这样的问题有可能在不久的将来推动人工智能的研究。
在人工智能算法中使用更多(更快)的硬件有可能使我们获得更好的围棋手、国际象棋手和Jeopardy玩家。我们将能更快更好地分类图像。不过这是我们目前可解决问题的一项改进而已。更多计算能力将会把我们从监督学习领到无监督学习吗?它会把我们从狭义的智能引到通用智能中吗?这还有待观察。无监督学习是一个难题，而且我们并不清楚能否只通过使用更多硬件来解决它。我们仍然在寻找一个可能并不存在的「主算法」。
人工智能的未来发展前景：当前困境和未来可能
道德和未来
对超智能的谈论很容易把人吓到。而且据一些人说，现在是时候决定我们想要机器做什么了，趁现在还未为时已晚。尽管这种立场可能过于简化了，但思考如何限制我们还未造出来的设备是非常困难的;而且它们的能力我们现在还无法想象，可能未来永远也无法理解。
拒绝人工智能也是很困难的，因为没有任何技术是在人类事先考虑周全之后才被发明出来的。在历史的不同时期人们害怕的许多技术现在已经司空见惯：在某个时候，很多人认为以超过每小时60英里的速度旅行是致命的。苏格拉底反对书写，因为他担心这会导致健忘：想象一下他会如何看待我们今天的技术!
但我们可以思考人工智能的未来，以及我们开发协助我们的人工智能的方式。这里给出了一些建议：大部分对超人工智能的恐惧都不是在害怕我们已经知晓或理解的机器，他们害怕的是最糟糕的人性加上无限制的力量。我们无法想象一个思考着我们不能理解的想法的机器;我们想象那是不可战胜的希特勒或斯大林——我们确实能理解他们的想法。我们的恐惧本质上是人类的恐惧：对像人类一样行为的万能机器的恐惧。
这并不是诋毁我们的恐惧，因为我们已经见到机器学习确实能向人类学习。微软不幸的Tay是对话型人工智能Bot从网络对话中「学会」种族主义和偏见的完美案例。谷歌的图像分类曾将黑人夫妇识别为「猩猩」，这个糟糕的测试结果的原因是训练数据集中没有足够的合适标注的黑人图片。
机器学习成为种族主义者的方式和人类差不多一样：因为这是我们教它们那样做的，不管是有意还是无意。这是一个人类问题，而且是一个可以解决的问题。我们可以在人工智能学习的内容和方式上更加小心。
我们可以对我们的训练集中的内容以及这些训练集的标注方式更加谨慎，我们可以过滤我们认为可以接受的答案类型。这些没什么是特别困难的;但却是必须要做的。更困难的是在目前的环境中让人们达成共识：认为种族主义和仇恨是不好的。
这是人类价值观的问题，而不是机器智能的问题。我们会构建出反映了我们自身价值观的机器：我们已经在那样做了。它们是我们想要反映的价值吗?
白宫对数据科学的报告《BigRisks,BigOpportunities:theIntersectionofBigDataandCivilRights(大风险、大机遇：大数据和民权的交集)》在总结章节中提到，我们需要研究审核算法的方法，以「确保人们被公平对待」。随着我们从「大数据」走向人工智能，对算法的审核以及确保它们反映我们所支持的价值观的需求将只会增长。
将对人工智能的深入研究开放给大众，让公众可以见证到，这一点极其重要。这并非因为我们相信，大众会对研究少些「恐惧」(这一点，或许是对的，也可能是错的)，也不是因为大众多少会对超级智能的观念「习以为常」;而是因为较之公之于众的研究，人们对闭门研究会投以更大的关注。
实际上，《不道德的研究(UnethicalResearch)》这篇论文建议，打造一个健康的人工智能生态系统的最好方式就是将打造恶毒机器的想法公开。研究会继续在背后进行，认为军方研究和情报部门没有致力于人工智能的想法，很天真。但是，如果没有公开状态下进行人工智能研究，我们就会受到军方或者情报部门研究的支配。
(一个公司，比如谷歌或者Facebook，是闭门研究抑或开诚布公，是个值得讨论的问题)这也就是OpenAI的宗旨：「以尽可能从整体上让人类受益的方式推进数字化智能的研究，不受需要财务收益的限制。」OpenAI是一个激动人心而且让人吃惊的应答(针对人们对人工智能恐惧)：尽可能远地推进这项研究，但是公开确保公共领域的研究领先于闭门研究。
对于研究来说，开放且公开也同样重要，因为研究起源时常决定了研究的应用。核能就是个好例子。我们可以打造安全、高效的核反应堆。但是，我们从来没有打造过钍反应堆，因为他们不会帮你制造炸弹，而且对核能的深入研究是由国防部门控制的。
核反应堆不是不会产生可用数量的钚吗?为什么任何人都想要核反应堆?再一次，认为军方和国家情报部门不会做出优秀的人工智能研究，这种想法太天真。但是，如果人工智能变成国家情报部门的专属领域，那么，就会有秘密窃听和理解对话的优秀系统。
当思考人工智能还能为我们做些什么时，我们的想象力会受到限制，而且也很难想象人工智能的应用到底会有哪些，除了杀人无人机、老大哥(BigBrother，典出乔治·奥威尔的名著《1984》)的耳目。我们或许永远无法研发出智能医疗系统和机器人护士助理。
如果我们想要让人工智能服务于人类，就必须公开进行研究：作为人工智能研究人员这一更大社区的一部分，作为更为广泛的公众讨论(讨论目标和宗旨)的一部分。我们必须小心，不要打造出人类自己的最糟梦魇;但是，也许需要认识到，噩梦只不过是一个更强大的、真实的人类自身的版本。
总是在未来
扎克伯格最近说道，未来五到十年，人工智能会比人类更善于做一些最基础的任务。也许他是对的，但是，同样清楚的是，他讨论的是狭义人工智能：从事特别任务，比如语音识别，图像分类以及游戏。他继续说，「那并不意味着计算机将会思考...」。
根据你的交谈对象，一个真的通用智能可能距离我们10到50年。考虑到预测科技未来的难度，最好的答案是「十多年以后」，而且可能更久。啥时候可以做出人类水平的机器智能?一份最近的专家调查(FutureProgressinArtificialIntelligence:ASurveyofExpertOpinion)显示，可能是2040-2050年左右(概率为50%)。正如LeCun所言，「人类水平的通用智能距离我们几十年。」
因此，如果真的可以，我们什么时候会到达那里?几年前，JasonHuggins对机器人的评价，可谓先见之明。机器人，他说，总是在未来。机器人片段一次又一次地中断，成为现在的一部分;但是，当那发生时，它们不再被视为机器人。上世纪二十年代，我们就将一台现代洗碗机视为一个超级智能机器人;如今，不过是一个洗碗机。
这种情形也将不可避免地发生在人工智能身上。实际上，已经发生了。我已经避免对机器智能和人工智能做出区分;「机器智能」是一个术语：当人工智能这个词声名狼藉时，这个术语被用于指代人工智能研究中的一些想法。
如今，那些想法中的很多都变得很常见了。我们不会对亚马逊的推荐系统或者GPS导航思虑再三，我们将之视为理所当然。我们或许发现Facebook和谷歌的图像标签功能很诡异，但是，看到它时，你不会认为那是人工智能。
所有严肃的象棋玩家会对阵象棋程序，围棋菜鸟也是如此，而且在AlphaGo获得成功后，对弈计算机也会延伸到专家层面。这些就是人工智能，他们已经中断并成为当今世界的一部分。这一过程中，人工智能变化了形态，成为IA(智能增强)：碾压人类能力的自动化技术开始变得具有辅助性。
我们能否指着某件东西说，「是的，那就是人工智能?」是的，当然可以，我们现在就可以这么做了。更重要的是，我们将不可能避免地被人工智能围绕着，甚至在我们知道这些东西人工智能之前。我们将管道、电力视为理所当然之物，我们的孩子将流媒体音乐视为理所当然。我们也会视人工智能为理所当然，当它们在生活中越来越普遍时。返回搜狐，查看更多
如何认识人工智能对未来经济社会的影响
原标题：如何认识人工智能对未来经济社会的影响人工智能作为一种新兴颠覆性技术，正在释放科技革命和产业变革积蓄的巨大能量，深刻改变着人类生产生活方式和思维方式，对经济发展、社会进步等方面产生重大而深远的影响。世界主要国家都高度重视人工智能发展，我国亦把新一代人工智能作为推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量。在此背景下，我们有必要更好认识和把握人工智能的发展进程，研究其未来趋势和走向。
人工智能不同于常规计算机技术依据既定程序执行计算或控制等任务，而是具有生物智能的自学习、自组织、自适应、自行动等特征。可以说，人工智能的实质是“赋予机器人类智能”。首先，人工智能是目标导向，而非指代特定技术。人工智能的目标是在某方面使机器具备相当于人类的智能，达到此目标即可称之为人工智能，具体技术路线则可能多种多样，多种技术类型和路线均被纳入人工智能范畴。例如，根据图灵测试方法，人类通过文字交流无法分辨智能机器与人类的区别，那么该机器就可以被认为拥有人类智能。其次，人工智能是对人类智能及生理构造的模拟。再次，人工智能发展涉及数学与统计学、软件、数据、硬件乃至外部环境等诸多因素。一方面，人工智能本身的发展，需要算法研究、训练数据集、人工智能芯片等横跨整个创新链的多个学科领域同步推进。另一方面，人工智能与经济的融合要求外部环境进行适应性变化，所涉的外部环境十分广泛，例如法律法规、伦理规范、基础设施、社会舆论等。随着人工智能进一步发展并与经济深度融合，其所涉外部环境范围还将进一步扩大，彼此互动和影响亦将日趋复杂。
总的来看，人工智能将波浪式发展。当前，人工智能正处于本轮发展浪潮的高峰。本轮人工智能浪潮的兴起，主要归功于数据、算力和算法的飞跃。一是移动互联网普及带来的大数据爆发，二是云计算技术应用带来的计算能力飞跃和计算成本持续下降，三是机器学习在互联网领域的应用推广。但人工智能技术成熟和大规模商业化应用可能仍将经历波折。人工智能的发展史表明，每一轮人工智能发展浪潮都遭遇了技术瓶颈制约，导致商业化应用难以落地，最终重新陷入低潮。本轮人工智能浪潮的技术上限和商业化潜力都大大高于以往，部分专用人工智能可能获得长足进步，但许多业内专家认为目前的人工智能从机理上还不存在向通用人工智能转化的可能性，人工智能大规模商业化应用仍将是一个长期而曲折的过程。人工智能的发展尚处于早期阶段，在可预见的未来仍将主要起到辅助人类工作而非替代人类的作用，同时，严重依赖数据输入和计算能力的人工智能距离真正的人类智能还有很大的差距。
作为继互联网后新一代“通用目的技术”，人工智能的影响可能遍及整个经济社会，创造出众多新兴业态。国内外普遍认为，人工智能将对未来经济发展产生重要影响。
一方面，人工智能将是未来经济增长的关键推动力。人工智能技术的应用将提升生产率，进而促进经济增长。许多商业研究机构对人工智能对经济的影响进行了预测，主要预测指标包括GDP增长率、市场规模、劳动生产率、行业增长率等。多数主要商业研究机构认为，总体上看，世界各国都将受益于人工智能，实现经济大幅增长。未来十年（至2030年），人工智能将助推全球生产总值增长12%左右。同时，人工智能将催生数个千亿美元甚至万亿美元规模的产业。人工智能对全球经济的推动和牵引，可能呈现出三种形态和方式。其一，它创造了一种新的虚拟劳动力，能够解决需要适应性和敏捷性的复杂任务，即“智能自动化”；其二，人工智能可以对现有劳动力和实物资产进行有力的补充和提升，提升员工能力，提高资本效率；其三，人工智能的普及将推动多行业的相关创新，提高全要素生产率，开辟崭新的经济增长空间。
另一方面，人工智能替代劳动的速度、广度和深度将前所未有。许多经济学家认为，人工智能使机器开始具备人类大脑的功能，将以全新的方式替代人类劳动，冲击许多从前受技术进步影响较小的职业，其替代劳动的速度、广度和深度将大大超越从前的技术进步。但他们同时指出，技术应用存在社会、法律、经济等多方面障碍，进展较为缓慢，技术对劳动的替代难以很快实现；劳动者可以转换技术禀赋；新技术的需求还将创造新的工作岗位。
当前，在人工智能对经济的影响这个领域，相关研究已经取得了一些成果，然而目前仍处于研究的早期探索阶段，还未形成成熟的理论和实证分析框架。不过，学界的一些基本共识已经达成：短期来看，人工智能发展将对我国经济产生显著促进作用；长期来看，人工智能的发展路径和速度难以预测。因此，我们需对人工智能加速发展可能导致的世界经济发展模式变化保持关注。
（作者单位：国务院发展研究中心创新发展研究部）
三问ChatGPT如何影响人工智能的未来
ChatGPT在技术路径上采用的是“大数据+大算力+强算法=大模型”路线，又在“基础大模型+指令微调”方向探索出新范式，其中基础大模型类似大脑，指令微调是交互训练，两者结合实现逼近人类的语言智能
据估算，此类大模型的训练一次的成本接近千万美元，运营成本一个月要数百万美元。“OpenAI为了让ChatGPT的语言合成结果更自然流畅，用了45TB的数据、近1万亿个单词来训练模型，大概是1351万本牛津词典。”
新一代网络操作系统和生态雏形初显，“英伟达+微软OpenAI”封闭生态有可能成为智能时代的“Wintel”联盟
文|《瞭望》新闻周刊记者朱涵彭茜黄堃
ChatGPT会带来一个不同的未来吗？
带着这个问题，记者询问了ChatGPT“本人”，它的回答是这样的：
“随着ChatGPT的普及，它开始被广泛应用于各种领域，从在线交流、信息搜索、机器翻译、文本生成，它的准确性和高效率使得许多工作变得不再困难。然而，人们也开始对它产生了担忧……”
ChatGPT正在成为我们生活中的一部分，ChatGPT会是人工智能通往未来的坐标吗？人工智能的发展，离不开人与人工智能的结合，技术与人类能无缝结合吗？
学生们在长沙华夏实验学校和机器狗互动（2022年6月22日摄）薛宇舸摄/本刊
ChatGPT会是人工智能通往未来的坐标吗
与人类连续对话，拒绝不合适的问题，短时间内完成写邮件、文案、代码、诗歌，轻松通过工程师、MBA、研究生、医师资格等难度较高的专业级测试……推出2个月即拥有1亿月活用户，ChatGPT已成为史上用户增长最快的消费级应用程序。
在语言智能程度呈现跨越式提升的背后，ChatGPT是一场工程创新的“大力出奇迹”。
“ChatGPT的成功，首先是选择了合适可行的技术路径，然后就是数据和人力资源的巨大投入。”北京智源人工智能研究院院长黄铁军说。
黄铁军说，ChatGPT在技术路径上采用的是“大数据+大算力+强算法=大模型”路线，又在“基础大模型+指令微调”方向探索出新范式，其中基础大模型类似大脑，指令微调是交互训练，两者结合实现逼近人类的语言智能。
“OpenAI为了让ChatGPT的语言合成结果更自然流畅，用了45TB的数据、近1万亿个单词来训练模型，大概是1351万本牛津词典。”浙江大学人工智能研究所所长吴飞说。
业内人士表示，OpenAI的主要支持方微软构建了一个算力规模位居全球前列的超算平台以支持其研发，OpenAI在全球范围雇佣了近千名专人进行数据处理。据估算，此类大模型的训练一次的成本接近千万美元，运营成本一个月要数百万美元。
“ChatGPT是人工智能技术‘量变’引发‘质变’的代表，标志了目前机器学习大模型、大训练数据和大算力能够到达的新高度。”之江实验室副主任鲍虎军表示，ChatGPT在GPT模型基础上，采用人类反馈强化学习（RLHF）的训练机制和提示导引模式，促使模型越来越顺应人类的思考逻辑，更加符合人类认知和习惯，这是工程实现上的重要创新。
中国科学技术大学机器人实验室主任陈小平说，迄今为止，人工智能的所有理论和技术都没有解决真实性难题，都不能让机器本身拥有真实创造的能力，但创造效率的提高将产生巨大的效益和多方面的影响。
“目前，人类面临着前所未有的重大机遇。”陈小平说。
ChatGPT能否预示着一个新时代启幕
“ChatGPT的成功不仅是一个新一代聊天机器人的突破，它将为人工智能乃至整个信息产业带来革命。”黄铁军说，ChatGPT将成为点燃人工智能的“网景时刻”“iPhone时刻”。
“网景时刻”和“iPhone时刻”，分别是互联网和移动互联网发展的里程碑事件。网络浏览器诞生于1990年，但直到1994年网景导航者（NetscapeNavigator）问世，大多数人才开始探索互联网。第一部智能手机IBMSimon诞生于1993年，2007年苹果iPhone的横空出世，重新定义了智能手机并开启了移动互联网的新时代。
同样地，ChatGPT极有可能预示着又一个新时代的启幕：
——新一代网络操作系统和生态雏形初显。多位专家受访时表示，ChatGPT正在演变成新一代操作系统平台和生态，用户将能直接用日常语音或者文字与人工智能进行交互，大部分计算负荷由大模型为核心的新一代信息基础设施接管。
在微软算力支持下，OpenAI已相继研发出GPT-3、ChatGPT等通用泛化能力越来越强的闭源大模型，并通过微软云平台提供智能云服务，支持智能应用开发，这将成为智能时代的基础性“操作系统”。再加上在AI芯片市场已占领超主流市场份额的英伟达GPU芯片，形成的“英伟达+微软OpenAI”封闭生态有可能成为智能时代的“Wintel”联盟。
“大模型及其软硬件支撑系统的生态之争将成为未来十年信息产业的焦点。”黄铁军说。
——人工智能直接连接大众，个体深入参与技术发展。“从短期来看，ChatGPT正在从实验室基础科技向产业应用转变，一切还处于‘爆炸式创新’的前期，正如云计算催生了APP应用爆炸，基础模型很可能催生AI应用规模化。”人工智能资深研究专家、科技评论员田涛源说。
“人们将能够直接与我们最新、最强大的语言模型互动，作为搜索的伴侣，以实验和创新的方式。”谷歌CEO桑达尔·皮查伊（SundarPichai）说。
“相较于以AlphaGo这一现象级产品针对于某一个特定领域、其算法模型需要附着在某一个产品中才能赋能使用的模式，ChatGPT能直接面向大众使用者，且具备盈利模式，这将改变很多人工智能企业高成本、低回报的经营模式。”吴飞说。
——重构传统互联网商业模式，催生数字经济新突破。北京瑞莱智慧科技有限公司副总裁唐家渝认为，ChatGPT的应用除了聊天机器人外，还包括涉及文字生成和信息查询的智力工作、低难度的编程等内容创作领域，从而普遍提高这些行业的生产力。也能够与其他生成式技术融合，比如提高数字人的语义交互水平等，打造更具象化的形象，提升交流中的情感链接。
田涛源表示，从中长期发展趋势上预测，“生成式AI+决策式AI”很有可能重构传统互联网的搜索、广告、社交、游戏、电商模式，部分程度上颠覆原有的互联网平台，同时遵从数实融合、以虚强实原则赋能科研、制造、能源、交通等实体企业做强做优做大。
国家超级计算成都中心科研人员在巡检机房设备（2023年2月14日摄）刘坤摄/本刊
技术与人类能无缝结合吗
ChatGPT引发的全球关注，令许多人回忆起2016年AlphaGo战胜人类围棋世界冠军的时刻。当时社会上同样兴起了一场人工智能大讨论。
在这场热潮中，我国抢抓人工智能发展的重大战略机遇，在2017年发布《新一代人工智能发展规划》，推动人工智能一业赋百业。
目前，ChatGPT已引发全球科技公司的新一轮人工智能竞赛。谷歌发布了下一代对话AI系统Bard，微软发布了整合了ChatGPT的全新必应Bing和Edge浏览器，宣布旗下Office、Azure云服务等所有产品都将全线整合ChatGPT。百度表示将在今年3月完成人工智能聊天机器人“文心一言”的内测，随后对公众开放，阿里巴巴达摩院预训练语言模型体系已开放内测。
回顾历史，人工智能的发展并非一帆风顺。自1956年诞生以来，人工智能发展经历三次浪潮，期间充满波折。在人工智能深度学习迅速发展的近10年里，产业上也还没有出现里程碑式的爆发。
事实上，ChatGPT在带来惊艳体验的同时，也有明显“缺陷”。比如，它的知识存在事实性错误、知识盲区、常识偏差，也将面临着隐私泄露、技术滥用、造假、社会公平等伦理问题。因其模型能力出众、用户众多，这些风险隐患还会被放大。
“ChatGPT的应用离不开人的‘提示’，性能的持续提升离不开研发者的算法改进和设计，风险隐患的应对离不开人的引导和治理。”业内人士表示。
人工智能的发展，离不开人与人工智能的结合，我们的未来，也将是人与人工智能共同进化的时代。
正如ChatGPT描绘的人工智能未来世界：
机器人们像人类，
思想智慧已涌动。
在这梦幻的世界里，
技术与人类无缝结合。
生活如同一首诗，
平静而美好，永不停歇。