李曉華 曾昭睿

摘 要：本文通過追溯人工智能從萌芽、發(fā)展到實現(xiàn)產業(yè)化應用的歷史，揭示了技術創(chuàng)新與新興產業(yè)演進的一般性規(guī)律。前沿技術的創(chuàng)新路徑存在高度的不確定性，在技術發(fā)展初期出現(xiàn)潮涌現(xiàn)象并呈現(xiàn)多條技術路線競爭的格局，其發(fā)展需要多學科技術的支持，受到多領域科技發(fā)展的啟發(fā)。新技術的產業(yè)化往往要經歷曲折、漫長的過程，需要來自互補產品與互補技術協(xié)同演進的支撐，其在國民經濟中發(fā)揮作用也需要互補技術的進步與互補產品的發(fā)展。筆者通過分析提出，政府可以在技術推動和需求拉動兩方面對新技術的產業(yè)化及其廣泛應用發(fā)揮重要作用;人工智能技術既有其優(yōu)勢，也存在其不足和濫用風險;未來的創(chuàng)新與生產更可能是人工智能與人類的高度協(xié)作。本文從研發(fā)支持、發(fā)展環(huán)境建設、傳統(tǒng)產業(yè)數字化改造、市場支持、創(chuàng)新創(chuàng)業(yè)、科技倫理治理等方面提出加快人工智能產業(yè)化的對策建議。

關鍵詞：前沿技術;新興產業(yè);人工智能;產業(yè)化;通用目的技術

中圖分類號：F410 ?文獻標識碼：A

文章編號：1000-176X（2019）12-0030-11

科學技術是第一生產力，但是只有當人類從自發(fā)到自覺地發(fā)現(xiàn)和運用自然規(guī)律，科學技術才真正爆發(fā)出它的洪荒之力。針對英國工業(yè)革命之后人類取得的巨大經濟成就，經濟史統(tǒng)計學家麥迪森[1]指出，19世紀之前的世界人均GDP增長緩慢，直到19世紀20年代世界經濟發(fā)展才呈現(xiàn)更強勁的勢頭。馬克思和恩格斯曾這樣形容工業(yè)革命之后的技術發(fā)展：“資產階級在它的不到一百年的階級統(tǒng)治中所創(chuàng)造的生產力，比過去一切世代創(chuàng)造的全部生產力還要多，還要大”[2]。然而，科技的發(fā)展從來不是一帆風順的，從最初技術的萌芽到產業(yè)化創(chuàng)造出巨大的經濟價值往往需要經過曲折漫長的歷程。2016年谷歌旗下DeepMind公司的AlphaGo人工智能系統(tǒng)戰(zhàn)勝人類世界圍棋冠軍李世石，人工智能真正從實驗室進入生產和生活并成為投資的風口，美國、日本、歐洲、中國等紛紛提出自己的人工智能戰(zhàn)略。實際上，從人工智能理論的提出到大規(guī)模產業(yè)化應用也已七十年有余，且經歷了多次技術路線的變換?？梢哉f，人工智能技術創(chuàng)新與產業(yè)發(fā)展的歷史為我們提供了一個近距離觀察前沿技術創(chuàng)新與新興產業(yè)演進規(guī)律的契機。

一、前沿技術創(chuàng)新的規(guī)律

新興產業(yè)是由前沿技術不斷發(fā)展進而工程化、產業(yè)化并不斷壯大形成的。前沿技術如同其他現(xiàn)代科學技術一樣，不僅是由新發(fā)現(xiàn)的基本效應或自然規(guī)律所推動的，更是以基本效應或自然規(guī)律為核心、集成和融合其他領域的科學技術而形成的復合技術或技術集。而前沿技術的工程化、產業(yè)化過程更是離不開相關技術和產業(yè)的支撐，某一項前沿技術發(fā)展實際上是與其他相關技術協(xié)同演進的結果。前沿技術在工程化、產業(yè)化過程中，表現(xiàn)出在技術路線、商業(yè)模式上的巨大不確定性，歷史地考察新興產業(yè)的發(fā)展歷程就會發(fā)現(xiàn)，在早期階段，通常有多條技術路線交替出現(xiàn)、相互競爭、此起彼伏。

（一）技術演進路線的不確定性

科學發(fā)現(xiàn)和技術發(fā)明是新興產業(yè)形成與發(fā)展壯大的基礎，但技術演進的路線從來都不是直線向前的，從最初的基礎科學被提出到最終產業(yè)化主導設計的確立都面臨著巨大的不確定性。弗里曼和蘇特[3]劃分了由低到高六種與創(chuàng)新相聯(lián)系的不確定性程度，相比之下，產業(yè)化之前的科學研究與產品創(chuàng)新的不確定性要比產業(yè)化之后的產品改進所面臨的不確定性大得多，其中基礎性研究和基礎性發(fā)明的不確定性最高，他們稱之為“真正的不確定性”，其次為重大的開創(chuàng)新產品創(chuàng)新、公司以外開創(chuàng)性的生產工藝創(chuàng)新的“甚高的不確定性”以及基本產品創(chuàng)新、在本公司或系統(tǒng)中的開創(chuàng)新生產工藝創(chuàng)新的“高不確定性”;公司已有產品的新“一代”產品的不確定性已經降到中等水平，獲得專利、仿制、產品和工藝改進、成熟生產工藝的早期采用的不確定性較小，而新“型號”、產品的衍變、為創(chuàng)新產品作代理推廣（銷售）、已有生產工藝創(chuàng)新的晚期采用及在本企業(yè)中特許授權的使用、新型號較小的技術改進的不確定性最低。這種對不確定的分類意味著，一種技術路線在研究開發(fā)階段的失敗率要比進入較為成熟的商業(yè)開發(fā)之后大得多。

技術創(chuàng)新路徑的不確定性在產業(yè)化之前表現(xiàn)得尤為明顯。林毅夫[4]指出，當新的投資機會出現(xiàn)時，企業(yè)會像浪潮般涌向這個領域，出現(xiàn)所謂的潮涌現(xiàn)象。實際上，潮涌現(xiàn)象不僅發(fā)生在產業(yè)領域，在技術創(chuàng)新領域同樣存在。當科技工作者發(fā)現(xiàn)一個具有重大前景的研究領域時，其會最先蜂擁而入;政府、科學基金會、風投機構、企業(yè)繼而發(fā)現(xiàn)技術的產業(yè)化前景也會加大研發(fā)投入，使研發(fā)階段的潮涌現(xiàn)象比產業(yè)化階段的更為突出。在技術產業(yè)化之前或競爭前階段，新科技的基本原理尚不清晰，需要在摸索和試錯中不斷向自然規(guī)律靠近。由于科研機構、科研人員的學術背景和研究基礎大相徑庭，他們會利用各自的優(yōu)勢從不同的角度對自然現(xiàn)象作出解釋、對產品原型進行構建，因而就會出現(xiàn)多種不同的技術路線先后涌現(xiàn)、相互競爭的局面。人工智能技術發(fā)展的歷史非常典型地呈現(xiàn)出技術演進路線的不確定性、潮涌現(xiàn)象以及多條技術路線競爭的特征。

19世紀50年代，科學家們嘗試應用計算機程序進行抽象化、符號化的數學證明，并取得了一定的成功。紐埃爾和西蒙在達特茅斯會議上展示的首個人工智能程序“邏輯理論家”能夠證明《數學原理》前52個定理中的38個，1963年“邏輯理論家”已能夠證明全部的52個定理。科學家們在用計算機進行平面幾何定理證明和不定積分式計算方面也取得了一定的成功。但是隨后人工智能系統(tǒng)在數學定理的證明方面陷入瓶頸，在自然語言翻譯方面也遭遇滑鐵盧[5]。20世紀60年代初期，美國計算機科學家費根鮑姆首先將視線從抽象的通用證明方法轉移到具體的專家知識上來，認為人工智能應在知識的指導下實現(xiàn)，這一構想催生了專家系統(tǒng)（Expert System）。專家系統(tǒng)是計算機基于輸入的專家知識進行自動推理，以特定領域專家的角度解決實際問題的智能機器。最初的專家系統(tǒng)主要應用于學術領域，如1965年斯坦福大學在美國國家航天局的要求下研制的具有豐富化學知識的DENRAL系統(tǒng)[6]，其能夠根據質譜儀的數據推知物質的分子結構，并被應用于世界各大學及工業(yè)界的化學實驗室中。在此之后，數學家助手MACSYMA、語音識別專家HEARSAY等系統(tǒng)的發(fā)展使專家系統(tǒng)受到學術界及工程領域的廣泛關注。到20世紀80年代中期，已出現(xiàn)大量投入商業(yè)化運行的專家系統(tǒng)。但是專家系統(tǒng)的不足也是非常明顯的：其運作需要大量外界的知識輸入，耗時耗力，而且從一組專門知識中推演出的邏輯規(guī)則只能適用該特定領域，不能解決需要極其復雜邏輯推理的常識問題。面對專家系統(tǒng)技術路線撞上的“高墻”，人工智能科學家們繼續(xù)沿著不同的路徑進行探索。在20世紀80—90年代的10年間，形成了符號主義、連接主義和行為主義三大學派鼎足而立的格局。

符號主義學派認為，人工智能源于數理邏輯推理，其原理主要為物理符號系統(tǒng)（即符號操作系統(tǒng)）假設和有限合理性原理[7]。人類認知和思維的基本單元是符號，認知過程就是在符號上進行的邏輯運算。如果利用計算機中的邏輯運算來模擬人類的抽象邏輯思維，就可實現(xiàn)人類認知的機械化，即實現(xiàn)人工智能。因此，人工智能實現(xiàn)的重點在于對人類思維中數理邏輯的模擬，這種模式既可以基于碳基的人腦，又可以基于硅基的計算機處理器。連接主義學派認為，人工智能源于仿生學，其原理為神經網絡及其之間的連接機制和學習方法。人類的大腦由數百億神經元細胞構成，神經元是大腦神經系統(tǒng)的基本單位，也是行為反應的基本單位。人類的智能活動通過大腦中神經元突觸的復雜連接與協(xié)同作用加以實現(xiàn)。連接主義學派基于這一思路認為，可以通過大量的非線性并行處理器來模擬人腦中眾多的神經元，通過處理器之間復雜的連接關系來模擬人腦中眾多神經元之間的突觸連接。行為主義的出發(fā)點與符號主義、連接主義完全不同，該學派認為，人工智能以控制論和感知—行為型控制系統(tǒng)為基礎。該學派將復雜的行為分解為多個簡單行為，智能行為在行為主體與環(huán)境的交互過程中產生，行為主體根據環(huán)境的刺激作出反應，特定的反應對應著引起該反應的情景或刺激。美國麻省理工教授布魯克斯提出的包容式結構是基于行為的編程方法的正式起源，他所設計的基于感知—動作模式、模擬昆蟲行為控制系統(tǒng)的“六足行走的機器人”被稱為“控制論動物”。

（二）多學科融合與技術演進

人工智能在學科分類上屬于信息科學與技術領域，但是人工智能技術進步的動力不僅來自于人工智能學科本身，更需要來自多個學科技術的支撐，受到多領域科技發(fā)展的啟發(fā)。多個相關學科理論和技術的集成與融合構成完整的人工智能科學體系，進而產生具有實際應用價值的產品或系統(tǒng)。根據《2019年中國新一代人工智能發(fā)展報告》，人工智能呈現(xiàn)明顯的學科交叉、融合發(fā)展態(tài)勢，人工智能領域的學術論文涉及多個學科，包括計算機科學（發(fā)文數占比43%）、工程（20%）、數學（13%）、物理與天文學（3%）、醫(yī)學（3%）、社會科學（3%）、生物化學、遺傳學和分子生物學（2%）、神經科學（2%）、材料科學（2%）、決策科學（2%）、能源（2%）、地球與行星科學（2%）、環(huán)境科學（1%）、藝術與人文（1%）、農業(yè)和生物科學（1%）[8]，數學與邏輯學、控制論和信息論、生物學特別是神經科學構成了人工智能的主要理論來源。

1.數學與邏輯學構成人工智能的基石

數學肇始于人類文明早期的生產活動，算術、幾何、代數可視為數學發(fā)展史上三次革命的重要標志[2]。歐洲文藝復興時期，法國科學家笛卡爾就提出，所有的科學解釋必須以精確的數學定量方式表達。同一時期，關于隨機現(xiàn)象與可能性的理論——概率論被提出。到20世紀，蘇聯(lián)數學家柯爾莫哥洛夫構建了基于公理化—集合論的概率論理論體系。思維邏輯是人類智慧的重要表現(xiàn)，古希臘哲學家蘇格拉底提出如何判定某個定義是否正確的問答法[9]，可視為對人工智能思維邏輯思考的起點，與人工智能的開創(chuàng)者圖靈定義“機器智能”的方法一致。將符號化、數字化的數學方法用于表達形式邏輯以及推理、證明問題的“數理邏輯”隨后被發(fā)明。17世紀，萊布尼茲首先進行了建立數理邏輯的嘗試，他認為，可以建立一個普遍的符號系統(tǒng)，制造一種自動概念發(fā)生器或推理演算器，用機械裝置完成推理或理解的過程。這個思想包含著近代推理機器的萌芽。18世紀時，拉美特利認定“人是機器”，認為人的認識源于感覺，感覺的對象是客觀存在的物質世界。1847年，數學家布爾提出了邏輯代數的概念，數理邏輯由此建立起嚴格而具體的形式語言。19世紀，研究現(xiàn)實世界空間形式與數量關系的科學——數學發(fā)生了幾次關鍵性的改變，黎曼幾何與羅巴切夫斯基幾何的發(fā)現(xiàn)將幾何學從傳統(tǒng)幾何的束縛中解放出來，數學真理體系的地位以及推理邏輯證明的準確性受到質疑，數學嚴格化運動開始，羅素和懷特致力于建立完全可信的數學體系，把數學歸納為邏輯。

數學和邏輯學對計算機科學的發(fā)展起到決定性作用[10]。1935年，當時年僅23歲的圖靈在思考數學家希爾伯特提出的23個世紀問題中的“能否通過機械化運算過程來判斷正系數方程是否存在整數解”這一問題時意識到，解決這一問題的關鍵在于對機械化運算的嚴格定義，即“依照一定的有限的步驟，無需計算者的靈感就能完成的計算”[5]。他提出，是否能在數學上給“可計算”下一個精確定義，然后用數學手段來研究萬事萬物的可計算性？這便是計算機的理論先導。20世紀40年代起，圖靈開始思考依據什么標準判斷一臺機器是否具有智能[11]。他從行為主義的角度，將智能等同于符號運算的智能表現(xiàn)。美國科學家諾依曼將圖靈理論物化成為實際的物理實體，完成初步計算機硬件體系結構的構建。馮諾依曼架構采用二進制代替十進制完成了計算機從模擬到數字的轉化。在達特茅斯會議上，紐埃爾和西蒙展示了“邏輯理論家”（Logic Theorist）計算機程序，用于代替人類進行自動推理來證明數學定理，人類歷史上首個人工智能程序在純數學學科上實現(xiàn)了突破。

2.控制論和信息論構成人工智能的理論基礎

控制論誕生于美國數學家Wiener[12]在他的專著中，將控制論定義為一門研究機器、生命在社會中控制和通訊的一般規(guī)律科學?？刂普摻⒃诮y(tǒng)計理論的基礎上，兼容了數學、物理學與哲學。控制論認為，計算機與神經系統(tǒng)的工作機理具有相似性[13]，都是一個自我調節(jié)和自我控制的動態(tài)系統(tǒng)。控制論研究在變化的環(huán)境下如何通過控制和通信使這一系統(tǒng)保持平衡狀態(tài)或穩(wěn)定狀態(tài)。

人工智能研究應用了控制原理和方法，主要包含三類理論：一是對人工大腦反饋機制的研究，通過對大腦中神經網絡的模擬，構造出類似的人工大腦。具體來說，將被控制對象輸出端的信息與目的信息比較，導出偏差信息并反饋給控制器輸入端作為控制信息抵消干擾作用，從而使系統(tǒng)恢復穩(wěn)定，達到或接近目標狀態(tài)。二是對模式識別的研究，包括研究生物體（包括人）感知對象的方式等認知科學問題。三是對如何利用電子計算機，在給定條件下對某些復雜的系統(tǒng)進行鑒別和分類進行研究。

20世紀中葉，信息論出現(xiàn)。電信時代的開拓者申農最先以嚴格的數學方式進行了信息的數學計算，為通信系統(tǒng)建立了完整的數學理論。他提出量化信息的“熵”（Entropy）這一概念，開啟了數字信息時代[14]。同時，申農在信息編碼與概率論的基礎上，研究了信號傳輸中的波形與干擾。當代的信息科學技術是在申農工作的基礎上，進一步研究如何實現(xiàn)信號采集、傳輸、存儲、處理，并從中提取和使用深層次信息。作為信息通信和計算機科學的一個重要思潮，信息論成為深度學習和人工智能的重要理論來源。

3.生物學推動了人工智能研究的突破

生物進化理論的提出是現(xiàn)代生物學誕生的重要標志。1809年拉馬克提出的進化學說、1859年達爾文提出的進化論以及1865年孟德爾提出的遺傳學都揭示了生物物種是一種復雜系統(tǒng)，其進化中體現(xiàn)出了奇妙的自適應、自組織和自優(yōu)化能力，這是一種生物進化中的智能[15]，也是人工智能研究行為主義學派的理論基礎。對腦科學的研究則成為人工智能研究的連接主義學派的理論基礎。腦研究分為兩類：“自上而下”的腦研究以及“自下而上”（還原論）的腦研究?！白陨隙隆钡哪X研究從整體上研究腦功能，發(fā)現(xiàn)大腦既分工又合作，既具有整體活動功能，又具有分區(qū)處理功能，腦區(qū)域與身體之間的映射關系可以在數周之內發(fā)生根本性改變?！白韵露稀钡哪X研究則是從單個神經元開始研究大腦的工作原理。1872年，高爾基發(fā)明了染色技術并觀察到“神經元”，卡加爾進而發(fā)現(xiàn)神經元之間的連接存在間隙即突觸，神經元學說得以創(chuàng)立，奠定了現(xiàn)代腦科學發(fā)展的基礎。1890年，詹姆斯設想了神經元網絡，而后加拿大神經心理學家赫布（Donald Olding Hebb）開始對生物神經系統(tǒng)中神經元相互連接（突觸）的形成規(guī)律以及生物神經網絡的環(huán)境變化進行研究。數理邏輯學家McCulloch和Pitts[16]提出了以形式化數學描述神經網絡結構的方法，創(chuàng)立了理想化的人工神經元網絡腦模型（即MP模型），開辟了用電子裝置模仿人腦結構和功能的途徑。此后，在20世紀60年代至70年代，美國心理學家White和Rosenblatt[17]將反饋學習算法引入神經網絡中，提出了以“感知機”為代表的腦模型。受當時的理論模型、生物原型和技術條件的限制，連接主義在20世紀70年代后期至80年代初期落入低潮。到20世紀80年代，神經科學的發(fā)展推動人們對大腦的了解不斷加深，激發(fā)了人們對用機器模擬神經網絡研究的興趣。深度學習理論模仿人類大腦的核心結構特征，通過設置輸入層、輸出層及其之間的中間層（隱藏層）的分層結構，以反向傳播的方式實現(xiàn)機器的自我學習。人工神經網絡自我學習的反向傳播算法使多層人工神經網絡的機器學習得以實現(xiàn)。有趣的是，一些著名的深度學習開創(chuàng)者都具有生物學（生理學、心理學、神經科學）的背景。如神經網絡建模的頂尖人物之一馬爾從劍橋大學獲得了數學學士學位和生物學博士學位，他的導師是專門研究視網膜和色覺的生理學家布林德利;深度學習開創(chuàng)性論文的作者辛頓在劍橋大學獲得的是心理學學士學位，而他的博士論文導師希金斯則是一位發(fā)明了早期聯(lián)想記憶網絡模型的杰出化學家[18]。由此可見，人工智能體現(xiàn)出明顯的多學科交叉特征。

需要說明的是，人工智能的不同技術路線、構成人工智能基礎的不同學科之間不是彼此隔離的，而是互相吸收思想、彼此融合互補，共同推動了人工智能技術的發(fā)展與產業(yè)化。以人工智能三種流派為例，三者從不同的角度理解、定義和構造人工智能，但也存在各自的瓶頸與局限，而且三者之間既存在差異也存在聯(lián)系。符號主義學派致力于數理邏輯在計算機中形式化的表達，在專業(yè)化領域得到很好的表現(xiàn)。但萬能邏輯推理系統(tǒng)并不存在，計算機和智能機器人不可能完全模擬人類思維。連接主義學派致力于構造模擬動物與人類大腦和各種感覺器官的結構和功能的智能。但人腦是一個極其復雜的系統(tǒng)，目前已知的結構和活動機制僅僅是冰山一角。而行為主義學派從智能是生物體與外界環(huán)境的動態(tài)適應出發(fā)，通過對來自外部環(huán)境的信號在感應器內進行轉換，在智能機器與環(huán)境的相互作用下構建智能。但該種基于行為—動作模式的智能只能捕捉到特定目標的行為，并且存在缺乏創(chuàng)造性、存在意向性等缺陷。三大學派從不同的方向上模擬人工智能，而在現(xiàn)實中，真正的智能正是以上三種模式的結合，或許三者的融合會成為人工智能研究的下一突破口。

二、新興產業(yè)演進的規(guī)律

科學技術的工程化、產業(yè)化是艱難而驚險的一跳，科學技術與產品之間存在著巨大的鴻溝，這一鴻溝需要科學家、工程師們無數的汗水、企業(yè)家們巨大的投入加以彌合，同時，跨越鴻溝的驚險一跳同樣存在著巨大的不確定性。因此，前沿技術的產業(yè)化往往要經歷曲折的歷程，而且產業(yè)的發(fā)展壯大以及使通用目的技術在其他產業(yè)中發(fā)揮巨大威力，還需要互補技術、產品與產業(yè)的協(xié)同演進作為支撐。隨著產品復雜性的提高與分工的深化，在前沿技術的產業(yè)化過程中，政府在技術推動（Technology-Push）與需求拉動（Demand-Pull）兩方面都能發(fā)揮重要的作用。

（一）產業(yè)化的曲折歷程

回顧第一次工業(yè)革命的歷史可以發(fā)現(xiàn)，從1712年紐卡門發(fā)明世界上第一臺具有廣泛運用前景的蒸汽機開始，中間經過了包括瓦特在內的工程師們對其長達一個半世紀的漫長改良。大約在19世紀40—60年代，蒸汽機才完全超過水車和風車成為最重要的動力源，并在世界范圍內獲得廣泛運用。如果追溯蒸汽機主要原理的發(fā)現(xiàn)，這一過程則要接近200年[19]。從1896年法國物理學家貝克勒爾第一次發(fā)現(xiàn)鐳的放射性、居里夫婦同年發(fā)現(xiàn)比鈾的放射性強400倍的新放射性金屬元素釙，經過愛因斯坦提出狹義相對論和質能方程，到1945年世界第一顆原子彈在美國試爆成功，經歷了近50年的時間。世界上第一座核電站——蘇聯(lián)奧布靈斯克核電站的建成則又在10年之后。人工智能作為一個產業(yè)，同樣經歷了曲折漫長的歷程。1958年，紐埃爾和西蒙就預言，計算機會在10年內成為國際象棋世界冠軍，這一天晚了近30年;1965年，西蒙又預言，20年內，“機器將能完成人能做到的一切工作”，但即使從人工智能起步已歷時近70年時間，他的預言仍遠未實現(xiàn)[20]。

人工智能產業(yè)化過程中的主導設計或領先技術路線也出現(xiàn)了數次反復。從人工智能的概念被提出到20世紀90年代，符號主義學派的專家系統(tǒng)是人工智能產業(yè)化的主流技術路線。20世紀60年代，人工智能用于解決實際問題的構想使費根鮑姆建立了專家系統(tǒng)，這種內部存儲著某領域大量專家水平的知識與經驗的專家系統(tǒng)，能夠利用人類專家的知識和經驗進行推理和判斷，模擬人類專家的決策過程。20世紀80—90年代，專家系統(tǒng)從知識搜索轉向數據統(tǒng)計建模，基于復雜規(guī)則的專家系統(tǒng)也可以在計算機上運行，專家系統(tǒng)第一次商業(yè)化落地。然而，專家系統(tǒng)自身存在的短板制約了人工智能大規(guī)模產業(yè)化的推進，如復雜系統(tǒng)中的規(guī)則數量非常龐大并且會不斷增加，追蹤所有的規(guī)則變得十分困難[18]。

受到當時的理論模型、生物原型和技術條件的限制，連接主義因為不足以解決現(xiàn)實問題而在20世紀70年代后期至80年代初處于低潮。20世紀80年代，魯梅爾哈特推廣了反向傳播法，使多層感知機有所突破，連接主義運動開始。在醫(yī)學及神經科學發(fā)展的推動下，人類對自身大腦運作方式的探索愈漸深入，人工智能科學家在此基礎上設計出類神經網絡的算法，并利用神經細胞傳遞資訊的方式賦予機器學習的能力。神經網絡最重要的改進出現(xiàn)在世紀之交的2000年，兩位俄羅斯科學家萬普尼克和切沃內基斯提出了統(tǒng)計學習理論，并進一步提出了支持向量機模型。2006年，辛頓發(fā)表深度信念網絡論文。至此，沿著連接主義路線推進人工智能產業(yè)化的理論障礙被清除，到2016年深度學習技術的代表——DeepMind公司的AlphaGo接連戰(zhàn)勝李世石、柯潔等人類最好的圍棋選手，人工智能的巨大威力獲得社會各界的關注，標著著人工智能大規(guī)模產業(yè)化的開始。

然而，人工智能的產業(yè)化仍然不是一帆風順的。就目前而言，人工智能在視覺識別、語音識別領域的實用性較強，但是在制造業(yè)、醫(yī)療等一些更加復雜化、系統(tǒng)化且對精度、穩(wěn)定性要求更高的領域，人工智能的產業(yè)化仍未打破技術、制度、政策等方面的瓶頸。如美國通用電氣在國際金融危機后提出回歸制造主業(yè)，剝離與制造業(yè)關聯(lián)不大的金融業(yè)務，并在2012年底率先提出“工業(yè)互聯(lián)網”的概念[21]，僅2016年就花費了四十多億美元來開發(fā)數據分析和機器學習軟件，其數字部門大規(guī)模宣揚新的數字工業(yè)時代已到來，但。盡管GE是推動人工智能技術與制造業(yè)深度融合的先行者，打響了工業(yè)互聯(lián)網第一槍，但其工業(yè)互聯(lián)網的推進難盡人意。通用電氣110年來被首次從道瓊斯工業(yè)平均指數中剔除，標普信用評級從A下調至BBB+，股價從2016年的高點跌去2 000多億美元，在出售包含工業(yè)互聯(lián)網明星產品——工業(yè)互聯(lián)網平臺Predix的GE Digital部門未果的情況下，通用電氣數字部門被重組為一家專注于工業(yè)物聯(lián)網軟件的獨立運營公司。作為人工智能先驅的IBM在人工智能產業(yè)化應用方面也遭遇了困境，2011年起，IBM公司開始訓練沃森醫(yī)生這一后來被廣為人知的人工智能系統(tǒng)，使沃森醫(yī)生能夠使用自然語言處理技術分析病人的病史和病征，再通過大數據處理技術搜集信息與數據，給出診斷以及治療意見，稱為循證醫(yī)學。2016年6月，IBM與MD安德森癌癥中心簽署合同將沃森人工智能系統(tǒng)應用于癌癥治療，但是在投入了6 200萬美元后， MD安德森癌癥中心于2018年取消了與沃森的合作項目，原因是沃森似乎并沒有達到當初IBM所承諾的效果。無論是通用電氣還是IBM人工智能產業(yè)化的困境都顯示出技術演進特別是產業(yè)化的曲折歷程。通用電氣Predix的折戟的根源在于未給制造企業(yè)創(chuàng)造實際的價值，其背后的原因則源于制造企業(yè)數字化改造的高投入、工業(yè)設備千差萬別帶來的高昂成本、接口和通信標準不統(tǒng)一造成的數據打通困難、工業(yè)隱性知識顯性化存在的諸多阻礙等;而IBM沃森遭棄用在于訓練數據的缺乏而導致需要使用假想患者的數據進行訓練，然而用該方式訓練后的沃森，在實際應用時開出了不合適甚至危險的方案。兩家著名公司的失敗表明，人工智能的產業(yè)化還有很長的路要走。

此外，作為人工智能主流技術路線的深度學習方法屬于“大數據、小任務”（Big Data for Small Task）的范式——針對某個特定的任務，如人臉識別和物體識別，設計一個價值函數Lossfunction，用大量數據訓練特定的模型，這種方法存在兩個方面的不足：一是經過大數據訓練的人工智能系統(tǒng)只能適應特定場景的任務，在其他領域則無所作為。如AlphaGo在圍棋領域戰(zhàn)無不勝，但讓它參加在線游戲比賽則必須重新設計代碼和訓練。二是現(xiàn)實中的場景并非都能提供大量的數據用于深度學習，這就需要小樣本學習技術的發(fā)展以提高人工技術的適應性、擴大使用范圍。

（二）互補技術與產業(yè)發(fā)展

隨著生產力的發(fā)展，產品的復雜程度不斷提高，社會分工不斷深化。從產品的產業(yè)化角度來看，一方面，任何企業(yè)都不具備全產業(yè)鏈的知識和生產能力，因而需要形成相互分工、相互合作的關系，以使每個企業(yè)可以聚焦于最具核心能力與競爭優(yōu)勢的價值鏈或產業(yè)鏈環(huán)節(jié)。另一方面，由于產品的復雜程度高，不僅產品的生產過程需要依賴來自不同產業(yè)領域的儀器、設備、零部件、原材料和試劑等投入品，而且產品效能的發(fā)揮同樣需要互補技術、產品的協(xié)同演進?？梢姡斯ぶ悄芗夹g的成熟和產業(yè)化以及人工智能作用的發(fā)揮，都需要依賴互補技術的提升和互補產品的發(fā)展。

1.人工智能的產業(yè)化得益于數據的豐富和算力的增強

當前主流的人工智能技術路線是深度學習，而深度學習技術的商業(yè)化則需要互補技術發(fā)展的支撐。在辛頓2006年發(fā)表開拓性論文的十年之后，人工智能的商業(yè)應用才迎來爆發(fā)的原因也正在于此。深度學習建立在海量的數據以及對海量數據分析處理的基礎之上。將傳統(tǒng)的資料、信息數字化的代價十分高昂，而且對海量數據進行計算需要強大的運算能力支撐。在很長的一段時期內，既無低成本獲得的海量數據，也沒有足夠強大且成本低廉的計算能力，因此，深度學習理論在提出之后并沒有表現(xiàn)出如今這樣強大的應用能力。

基于深度學習的人工智能的商業(yè)化建立在計算機處理能力和運算速度的提高以及海量數據的可獲得性的基礎之上。一方面，算力的進步與算法的發(fā)展相輔相成。按照所謂的摩爾定律，計算機處理能力每18個月翻一番，這就意味著計算機的算力將呈指數級增長。在傳統(tǒng)的計算機結構中，以擅長邏輯控制和通用類型數據運算的CPU為計算核心，GPU主要用于圖形處理。后來發(fā)現(xiàn)，GPU在浮點運算、并行計算方面的優(yōu)勢可以很好地匹配大數據分析的需求，因而在2012年后被廣泛應用于人工智能領域。隨著GPU在人工智能領域的使用、專用人工智能芯片的開發(fā)以及云計算的發(fā)展，計算機處理能力和運算速度獲得大幅度提高，支持多層神經網絡的巨大計算量得以實現(xiàn)。2016到2017年，架構搜索和專家迭代（Expert Iteration）等強化學習方法的提出以及TPU等人工智能定制化硬件的開發(fā)使更復雜算法的運行得以實現(xiàn)。近7年來，2012—2018年，人工智能訓練任務所需的算力呈指數級增長，目前每3.5個月算力增長一倍[22]。另一方面，互聯(lián)網技術的發(fā)展和廣泛使用產生了海量的低成本數據。電子商務、社交網絡、共享經濟、新聞推薦和視頻等互聯(lián)網商業(yè)模式的發(fā)展產生大量的數字化數據，其無需經過復雜的處理就可以作為人工智能學習的素材;而“互聯(lián)網+”的推動和互聯(lián)網與傳統(tǒng)行業(yè)的深度融合，也使傳統(tǒng)行業(yè)的數字化程度不斷提高，使原本生產經營過程中不可獲取或未數字化的數據持續(xù)產生、匯集，成為深度學習的素材和本產業(yè)領域智能化賦能的基礎。因此，深度學習通過構建多層的機器學習模型，進行大量數據素材的訓練，從中高效地尋找新規(guī)律或新知識，并發(fā)掘數據中更關鍵的特征，進而提升分類和預測的精度。在實際應用中，深度神經網絡相當于大腦，而大數據則成為重要的訓練素材。大量數據在訓練中可產生漣漪效應，使深度學習能夠不斷地進行自身優(yōu)化，達到更優(yōu)的結果?？梢?，硬件是發(fā)動機、數據是燃料，憑借卓越的計算能力、利用深度學習方法、以海量數據為素材進行訓練，人工智能技術得以實現(xiàn)從實驗室向工程化、產業(yè)化的跨越，并在國民經濟、居民生活和政府管理等領域獲得廣泛的應用。

2.人工智能對經濟增長和生產率的影響尚未完全顯現(xiàn)

人工智能與產業(yè)革命時期產生的一批通用目的技術（General Purpose Technologies）一樣，會對經濟、社會產生重大影響，成為推動經濟增長的重要動力。然而，通用目的技術對經濟增長的作用往往并不是在其商業(yè)化初期就能夠充分顯現(xiàn)的，而是需要配套或互補技術的協(xié)同發(fā)展作為配合。事實上，早在Bresnahan和 Trajtenberg[23]關于通用目的技術的開創(chuàng)性論文中，他們就提出了“創(chuàng)新互補”（Innovational Complementarities）的概念。他們敏銳地發(fā)現(xiàn)，一方面，通用目的技術的創(chuàng)新可以導致下游部門研發(fā)投入生產率的提高，有助于他們在整個經濟中的傳播。另一方面，在廣泛領域中使用通用目的技術可以提高通用目的技術的發(fā)展回報。但是由于互補性創(chuàng)新活動廣泛分布于經濟中，其難以為通用目的技術和應用領域提供充分的創(chuàng)新激勵。

20世紀80年代曾出現(xiàn)關于計算機對生產率影響的質疑。隨著信息與通信技術的突破，計算機技術滲入生產生活的各個領域。然而在全要素生產率統(tǒng)計方面，美國的全要素生產率并沒有如信息通信技術迅速發(fā)展般實現(xiàn)相對應的增長，企業(yè)在信息技術上投入大量資源，在生產率角度卻收效甚微。1987年獲得諾貝爾獎的經濟學家Solow[24]形象地稱之為“除了生產率統(tǒng)計方面之外，計算機無處不在”，這一現(xiàn)象此后被稱為索洛悖論。盡管一些學者認為索洛悖論的存在是由于計算機對經濟增長貢獻的計算方式存在不足[25]，或是由于計算機在服務業(yè)部門的生產力貢獻未得到充分體現(xiàn)[26]，但這也反映出通用目的技術對經濟增長貢獻的滯后性。

關于當前人工智能技術的發(fā)展對經濟增長的貢獻程度問題，同樣存在諸多爭議。以Cowen[27]為代表的學者認為，人工智能對于生產率的推進作用不會如人們想象的那么樂觀，在計算機、互聯(lián)網的技術變革帶來的“低垂的果實”被摘盡以后，經濟將會陷入長期的停滯。Zeira[28]曾用一個多部門模型對自動化的機理及影響進行分析。根據這一模型，當生產率在技術沖擊下不斷提升、各部門逐步實現(xiàn)自動化、資本回報占總收入回報份額增加，在最優(yōu)增長路徑下，更快的技術進步和更高的資本回報份額均會提高經濟增長速度。Aghion等[29]在Zeira模型基礎上研究人工智能對增長的影響時發(fā)現(xiàn)，人工智能技術應用在帶來更多部門自動化的同時，由于“鮑莫爾病”或“成本病”的存在，將會使未被自動化部門的資本回報份額降低。綜合來看，人工智能對經濟增長的影響是不確定的，其取決于自動化部門的經濟增長效應是否能抵消未被自動化部門的增長率的下降。而以Brynjolfsson[30]為代表的技術樂觀派學者們則認為，人工智能技術的顯著突破與生產率增長的放緩并不矛盾。人工智能對經濟的影響會在更廣泛的擴散后顯現(xiàn)出來，其效應的充分發(fā)揮還需要互補創(chuàng)新的發(fā)展和應用。人工智能與互補創(chuàng)新的資金投入和時間投入巨大，這就至少會在初期降低生產率。因此，如同計算機對生產率的貢獻在很長時期以后才得以顯現(xiàn)一樣，人工智能技術對經濟增長和國民經濟各個產業(yè)的影響效果的顯現(xiàn)也需要一個過程，特別是需要人工智能互補技術以及相關產業(yè)與人工智能相融合的技術進一步發(fā)展的推動。

3.政府與前沿技術產業(yè)化

在現(xiàn)代經濟中，前沿技術的推進與產業(yè)化需要高昂的投資，存在巨大的不確定性風險，且正外部性顯著，單靠企業(yè)的力量會存在投資規(guī)模不足的問題。因此，對前沿技術給予支持成為世界各國的普遍做法。技術推動和需求拉動是新技術產業(yè)化的兩種主要驅動力，且二者是高度關聯(lián)的。兩種驅動力作為一個整體，都是創(chuàng)新過程所必須的條件[31]。政府對于前沿技術的支持，不僅體現(xiàn)在研發(fā)經費和人員方面的支持，而且還體現(xiàn)在通過各種形式創(chuàng)造市場，以促進前沿技術在應用中發(fā)展、提高。從信息技術起步開始，美國就是該領域的世界技術引領者和產業(yè)主導者，美國的信息技術發(fā)展及其產業(yè)化過程均獲得了政府的大力支持。如1946年問世的世界第一臺電子計算機ENIAC是美國軍方定制的產品，1969年問世的因特網——阿帕網最先用于軍事連接，美國國防高級研究計劃局（The Defense Advanced Research Projects Agency，DARPA）1983年啟動的陸地自動巡航計劃是自動駕駛汽車的開端，蘋果公司的Siri是美國國防高級研究項目局CALO項目的衍生產品。美國在新一代信息技術、人工智能技術研究和應用方面世界領先地位的確立，不僅得益于美國在互聯(lián)網、風險投資等領域的優(yōu)勢和民間資本的參與，更得益于美國政府在科學技術研究、市場應用方面所起到的至關重要的作用。

（1）政府對人工智能研發(fā)的支持

作為發(fā)展人工智能產業(yè)最早的國家，早在20世紀，美國就發(fā)布了一系列產業(yè)政策支持計算機、通訊信息和互聯(lián)網等前沿技術。進入21世紀，美國政府著眼互聯(lián)網、芯片與操作系統(tǒng)等計算機軟硬件以及金融、軍事和能源等領域，通過發(fā)布數個人工智能發(fā)展規(guī)劃，從國家戰(zhàn)略層面加緊布局，構建包括法律框架體系、評估體系、科技情報體系和人才培養(yǎng)體系等在內的人工智能綜合國家框架體系，加大對基礎研究的投入，大力扶持技術研發(fā)機構和各類實驗室，力爭成為全球標準體系的制定者和人工智能技術與產業(yè)化的領導者。

2011年6月，奧巴馬政府推出了《先進制造業(yè)伙伴計劃》，計劃投資7 000萬美元支持下一代機器人的研究[32];同年，國家機器人計劃啟動，意欲領先搶占下一代機器人技術及應用的地位。2013年，國家機器人計劃《機器人技術路線圖：從互聯(lián)網到機器人（2013版）》發(fā)布;同年4月，美國啟動創(chuàng)新神經技術腦研究計劃，計劃10年投入45億美元。2016年，隨著人工智能熱潮的到來，美國從國家戰(zhàn)略層面加緊布局。2016年10月，美國總統(tǒng)行政辦公室、國家科技委員會（NSTC）發(fā)布了《為人工智能的未來做好準備》《國家人工智能研究和發(fā)展戰(zhàn)略計劃》兩份重量級報告，美國成為世界上第一個將人工智能發(fā)展上升到國家戰(zhàn)略層面的國家。其中，《國家人工智能研究和發(fā)展戰(zhàn)略計劃》從跨學科的基礎研究、關鍵技術研發(fā)、推動人機協(xié)作和應用推廣等四個層面確定了政府推動人工智能發(fā)展的整體框架以及美國未來人工智能發(fā)展的戰(zhàn)略，聯(lián)邦資金優(yōu)先資助的人工智能研發(fā)類別得到確立。同時，該計劃分析了人工智能的近期與長期發(fā)展對社會產生的影響，強調政府應積極推動人工智能在制造業(yè)等領域的深入融合和應用。根據《國家人工智能研究和發(fā)展戰(zhàn)略計劃》，2015年聯(lián)邦政府在人工智能相關技術方面投入了約11億美元，2016年為12億美元。2016年12月，白宮又發(fā)布了第三份國家戰(zhàn)略層面的報告——《人工智能、自動化和經濟》，指出由人工智能驅動的自動化所帶來的經濟影響是未來政府面臨的重大挑戰(zhàn)，國家將以三大策略應對：投資和開發(fā)人工智能以獲得收益、教育訓練民眾以適應未來的工作、幫助勞動者在轉型中獲得收益[33]。2018年10月，美國國家科學技術委員會發(fā)布《美國先進制造業(yè)領導戰(zhàn)略》，將包括智能、數字制造、先進工業(yè)機器人、人工智能基礎設施、制造業(yè)的網絡安全在內的“抓住智能制造系統(tǒng)的未來”列為美國需要開發(fā)和掌握新的制造技術的五個重要領域之一[34]。美國總統(tǒng)特朗普于2019年簽署行政令，啟動“美國人工智能倡議”，將從國家戰(zhàn)略層面進行資金以及資源的調動，服務人工智能技術研發(fā)，并呼吁學界、工業(yè)界、聯(lián)邦政府共同推進人工智能，以求獲得科技進步、增強經濟競爭力和國家安全保障能力。人工智能研發(fā)將作為基礎性的投資研發(fā)重點[35]?？梢?，在保持美國人工智能領域的優(yōu)勢方面美國政府的重視程度不斷加碼。

當然也需要看到，對于大多數兩用技術而言，美國政府R&D投入遠比不上私營部門，后者在R&D投入中占據了更大的份額。2015年美國政府投資人工智能相關技術的非機密研發(fā)約為11億美元，與私營部門提供的投資相比，美國政府對人工智能的投資相形見絀。但這一現(xiàn)實并不能說明政府的投入對前沿技術的發(fā)展不重要，而是恰恰相反。由于前沿技術發(fā)展初期的不確定性大、投入的回收期長，因而企業(yè)往往不愿進入，直到技術的商業(yè)化、產業(yè)化前景比較明顯時，企業(yè)的積極性才會增強，投入才會隨之加大，因此，與私營部門對新技術的投資不同，政府投資在科學技術發(fā)展早期、在產業(yè)化之前所發(fā)揮的作用更加重要。

（2）政府對人工智能早期市場的支持

實驗室技術與大規(guī)模商業(yè)化技術無論在生產規(guī)模還是在生產工藝、質量控制等方面均存在巨大差異，而且由于在實驗室階段沒有與市場需求實現(xiàn)對接，大規(guī)模商業(yè)化的技術發(fā)展方向和商業(yè)模式與研發(fā)人員甚至企業(yè)家的設想會相距甚遠。因而產業(yè)化需要市場的持續(xù)支持，在較大規(guī)模的生產過程中探索最優(yōu)的生產工藝、設備參數和商業(yè)模式，并通過從市場獲得的收入反哺到前序研發(fā)環(huán)節(jié)，實現(xiàn)技術研發(fā)與產品開發(fā)的可持續(xù)性，推動技術的不斷迭代優(yōu)化和在規(guī)?；a中的成熟運用。在美國人工智能技術的產業(yè)化過程中，政府特別是國防軍工部門的市場支持發(fā)揮了重要的作用。

DARPA是美國人工智能研究與應用的重要領導者，推動了人工智能技術的實際應用。自1985年成立以來，DARPA持續(xù)開展了多項重要的人工智能研究。20世紀70年代，DARPA自動語音識別和圖像處理在一些軍事系統(tǒng)上開始應用。20世紀80年代，DARPA成立戰(zhàn)略計算項目，以此提高所有計算和信息處理領域的優(yōu)勢，人工智能成為戰(zhàn)略計算項目的一個基本組成部分。1983年，DARPA支持卡內基·梅隆大學、斯坦福大學和麻省理工大學開展陸地自動巡航計劃，這是無人駕駛汽車的主要開端之一。2007年，為提高指揮員臨機決策的速度和質量，DARPA啟動了深綠（Deep Green）計劃，將仿真嵌入指揮控制系統(tǒng)[36]。2016年，美國國家航空航天局（NASA）利用遙控機器人建造發(fā)射著陸臺。美國海軍陸戰(zhàn)隊測試模塊化先進武裝機器人系統(tǒng)（MAARS），該系統(tǒng)裝有傳感器和攝像頭，配備M240機槍。美國陸軍后勤保障局（U.S. Army Logistics Support Agency， LOGSA）引進IBM公司的人工智能產品“沃森”，集成新的人工智能和云能力。美國國防部以國防采辦的形式為人工智能技術的應用提供了早期市場，以此加速推進產業(yè)技術的成熟，在保障先進技術應用于國防領域的同時，也推動了人工智能在更廣泛的民用領域的擴散。

三、人工智能未來發(fā)展展望

人工智能是一種顛覆性的通用目的技術，其不但能為其他行業(yè)賦能，更可以對資源稟賦、全球價值鏈和供應鏈、創(chuàng)新、就業(yè)、國家安全等方面產生深遠的影響。習近平同志在中共中央政治局第九次集體學習時強調：“人工智能是新一輪科技革命和產業(yè)變革的重要驅動力量，加快發(fā)展新一代人工智能是事關我國能否抓住新一輪科技革命和產業(yè)變革機遇的戰(zhàn)略問題”。人工智能作為創(chuàng)新的成果，也會對創(chuàng)新活動本身產生巨大的影響。

目前，人工智能已經在許多產業(yè)領域獲得應用，在效率提升、質量改善、人工節(jié)約和物料節(jié)省等方面發(fā)揮了重要的作用。雖然由于技術、法律、政策和習慣等方面的約束，人工智能的發(fā)展和應用還存在許多限制，但成長潛力巨大、發(fā)展空間廣闊。同時，由于人工智能產業(yè)的增長速度顯著高于國民經濟的平均水平，因而成為新舊動能轉換和高質量發(fā)展的重要推動力。而且隨著人工智能產業(yè)規(guī)模的擴大與被賦能產業(yè)配套技術的完善，推動力將會不斷增長。對于人工智能未來發(fā)展的主流看法傾向于正向，但是也有一些人（包括蓋茨、霍金、馬斯克等知名人士）擔心人工智能對就業(yè)的替代，甚至逆轉人與機器之間的關系成為人類的主宰。對于人工智能潛在危害的擔憂可以從三個方面加以認識：第一，人工智能的發(fā)展水平和應用范圍仍非常有限。盡管人工智能在國際象棋、圍棋等領域已經超過人類，但是許多對人類很簡單的甚至下意識的動作對于機器來說卻困難重重，這就是人工智能領域重要的“莫拉維克悖論”（Moravecs Paradox）：“要讓電腦如成人般地下棋是相對容易的，但是要讓電腦有如一歲小孩般的感知和行動能力卻是相當困難甚至是不可能的。”第二，當前主流的人工智能技術路線是“深度學習+大數據”，基于大數據的深度學習決定了它只可能在經過足夠數據訓練的特定領域才具備所謂的“智能”，而且“智能”水平受制于數據的質量，人工智能的發(fā)展仍處于“大數據、小任務”的弱人工智能階段，人工智能與人們所擔憂的統(tǒng)治人類的水平相去甚遠，甚至有學者認為強人工智能根本就無法實現(xiàn)[37]。第三，科學技術是造福人類還是危害人類不在于技術本身，而在于發(fā)明創(chuàng)造技術的人。如核能既可以用于戰(zhàn)爭也可以用于發(fā)電、醫(yī)療;化學既可以用于制造毒品，又可以用于制造各種造福于人類的材料、藥品。同樣，人工智能是作惡還是為善，關鍵是人類對人工智能制定了什么樣的規(guī)則與程序?！叭绻ㄒ粋€會踢足球的）機器人把我們踢傷了，這很有可能是因為我們教會了機器人踢球的意圖，但還沒教會他們踢球的方法，而不是因為他們故意想要毀滅我們”[38]。

人工智能技術既有其優(yōu)勢，也存在其不足。從優(yōu)勢來看，如果說，機器替代人是以機械能取代生物能，將人類從繁重的工作中解放出來，自動化的發(fā)展將人類從重復的工作中解放出來，那么，人工智能則將人類從海量數據的分析工作中解放出來?；凇吧疃葘W習+大數據”的人工智能技術，能夠從海量的格式不一、來源多樣且看似雜亂無章的數據中發(fā)現(xiàn)相互之間的關聯(lián)性。基于人工智能的學習在作為分類和預測問題的研究工具方面具有很大潛力，其能夠在許多領域實現(xiàn)顯著的自動發(fā)現(xiàn)（Automate Discovery），并能夠從根本上改變科學和技術界的概念方法和問題框架。作為一種通用目的發(fā)明方法（General-Purpose “Method of Invention”）能夠重塑發(fā)明過程和研發(fā)組織的狀態(tài)，導致以常規(guī)化的勞動密集型研究為主轉向綜合利用大數據集與增強預測算法的研究[39]。

然而，深度學習仍然無法代替人類的思維，特別是人類在創(chuàng)新中的作用。一方面，當前主流的人工智能技術建立在數據、算力和算法的基礎之上，其本質是利用算法、算力從海量的數據中發(fā)現(xiàn)數據之間的因果關系，并在面對新數據時自動化地進行決策。通常認為，經過海量數據學習形成的模型只是發(fā)現(xiàn)了變量之間的相關性卻未能揭示因果關系，而因果關系才是科學發(fā)現(xiàn)與科學理論建立的基礎，因而科學技術的進步仍然需要人類的邏輯思維。同樣，算法也是人類邏輯思維的產物。另一方面，“想象力比知識更重要，因為知識是有限的，而想象力則可以囊括整個世界”[40]。雖然“創(chuàng)造不是那些時不時出現(xiàn)靈感的世間奇才的專屬領域”[41]，但是那些顛覆性、根本性的創(chuàng)新常常是靈光一現(xiàn)的結果，大部分的創(chuàng)新活動是在此基礎上的增量改進。在人類科學發(fā)展的歷史上有許多靈光一現(xiàn)的故事，如牛頓被蘋果砸到而受到啟發(fā)，提出萬有引力定律;凱庫勒夢到一種咬住自己尾巴的銜尾蛇而提出六個碳原子構成的苯環(huán)結構。雖然人工智能已經可以從事一些看起來具有創(chuàng)新性的工作，如寫詩、作畫，但在深度學習的模式下，仍需要人類事先輸入大量的數據供人工智能進行系統(tǒng)學習，因而人工智能所謂的“創(chuàng)新”是在既有范式下的增量式創(chuàng)新或對已有知識的重新組合。雖然人工智能系統(tǒng)憑借巨大的算力能夠比人類發(fā)現(xiàn)更多事物之間的聯(lián)系，但在物質世界中，這些事物間新的關聯(lián)仍需要人類進行驗證，這是一項成本高昂的工作。相反，人類卻可以憑借積累的知識與直覺構建事物之間真實的聯(lián)系?！翱茖W具有能夠基于貧乏、模糊的數據構建理論的優(yōu)點。通過研究某些死亡的恒星發(fā)出的少量的光，宇宙學家能夠構建一種關于宇宙起源的有效理論”[42]。類似這樣的根本性創(chuàng)新是人工智能系統(tǒng)在當前甚至很長一個時期內無法企及的。因此，人類許多靈光一現(xiàn)的突發(fā)奇想常常是必然中的偶然，這是機器無法替代的人類頭腦中潛藏的最寶貴財富[43]。隨著人工智能技術的不斷發(fā)展，未來的創(chuàng)新與生產活動更可能是將人工智能的數據分析優(yōu)勢與人類的想象力結合起來，由人工智能系統(tǒng)與天才的人類科學家一起合作創(chuàng)新，并與人類工程師一起協(xié)作生產。

四、結論與對策建議

本文通過回顧人工智能的萌芽、發(fā)展到產業(yè)化應用的歷史，揭示了技術創(chuàng)新與新興產業(yè)演進的一般性規(guī)律。前沿技術的創(chuàng)新路徑存在高度的不確定性，在新技術的應用前景出現(xiàn)時，會有大量機構和企業(yè)對新技術進行投資，從而出現(xiàn)技術創(chuàng)新的潮涌現(xiàn)象，并呈現(xiàn)多條技術路線競爭的格局。由于產品復雜程度不斷提高，社會分工不斷深化，前沿技術的發(fā)展需要多學科技術的融合作為支持。當前沿技術趨于成熟并進入產業(yè)化階段后，其進一步完善、擴散仍然要經歷一個曲折、漫長的歷程。作為一種復雜產品系統(tǒng)，產業(yè)化需要來自互補產品技術的協(xié)同演進;作為一種通用目的技術，產業(yè)化在國民經濟中發(fā)揮廣泛的影響也需要互補技術的提升與互補產品的發(fā)展。就人工智能而言，盡管以2016年AlphaGo打敗人類圍棋世界冠軍為標志進入產業(yè)化的爆發(fā)階段，但是人工智能技術本身仍存在尚未解決的理論問題，在制度、政策等方面也存在制約，其成功商業(yè)化應用的領域仍比較有限。未來人工智能技術的發(fā)展空間巨大，但也需要看到，人工智能技術向其他產業(yè)部門的擴散、滲透與融合并最終充分發(fā)揮“使能”（Enabling）效果將經歷一個曲折漫長的過程。

基于上文的分析，筆者認為，加快人工智能產業(yè)的發(fā)展、促進賦能效果的實現(xiàn)并使其成為新舊動能轉換和高質量發(fā)展的重要動力，需要政府從以下六個方面給予支持：第一，加強對人工智能及配套技術的基礎理論研究、產業(yè)共性技術的研發(fā)投入支持，如腦科學、量子科學等，解決完全依靠市場而存在的研發(fā)投入不足的問題，推動人工智能的理論創(chuàng)新先行。第二，加強人工智能應用環(huán)境的建設，包括信息基礎設施、數據互聯(lián)互通、技術標準和數據安全等方面。第三，加強對傳統(tǒng)產業(yè)部門數字化改造的支持，使傳統(tǒng)產業(yè)具備連接和數字化的條件，為下一步智能化轉型奠定基礎。第四，通過政府采購、國防采辦為人工智能技術的新應用領域或新一代人工智能技術提供早期市場支持，促進人工智能新技術、新模式走向成熟。第五，完善創(chuàng)新創(chuàng)業(yè)環(huán)境，深化科技體制改革，給科學家、企業(yè)家提供更加寬容的研究環(huán)境和更加完善的創(chuàng)業(yè)空間。第六，加強國際合作，推進構建覆蓋全面、導向明確、規(guī)范有序、協(xié)調一致的科技倫理治理體系，防范人工智能在內的新一代信息技術對經濟、社會的負面影響，促進科技向善。

參考文獻：

[1]安格斯·麥迪森. 世界經濟千年史[M]. 伍曉鷹譯， 北京：北京大學出版社， 2003.3.

[2]馬克思，恩格斯.馬克思恩格斯選集（第一卷）[M]. 中共中央馬克思恩格斯列寧斯大林著作編譯局譯，北京：人民出版社，1972.256.

[3]克利斯·弗里曼，羅克·蘇特. 工業(yè)創(chuàng)新經濟學[M]. 華宏慈等譯， 北京： 北京大學出版社， 2004.308.

[4]林毅夫. 潮涌現(xiàn)象與發(fā)展中國家宏觀經濟理論的重新構建[J]. 經濟研究， 2007，（1）：126-131.

[5]王天一. 人工智能革命：歷史、當下與未來[M]. 北京：北京領讀文化傳媒有限責任公司， 2017.18-21.

[6]Buchanan，B.G.，F(xiàn)eigenbaum，E.A.Dendral and Meta-Dendral： Their Applications Dimension[J].Artificial Intelligence， 1978，11（1-2）：5-24.

[7]賁可榮，張彥鐸. 人工智能[M]. 北京： 清華大學出版社， 2006.30-35.

[8]科技部新一代人工智能發(fā)展研究中心，中國科學技術發(fā)展戰(zhàn)略研究院. 2019年中國新一代人工智能發(fā)展報告[R].2019.

[9]葉秀山. 蘇格拉底及其哲學思想[M]. 北京： 人民出版社， 1997.136-150.

[10]呂克·德·布拉班迪爾. 極簡算法史：從數學到機器的故事[M]. 任軼譯，北京： 人民郵電出版社， 2019.33.

[11]Shieber，S.M. The Turing Test： Verbal Behavior as the Hallmark of Intelligence [M]. Cambridge，Massachusetts：The MIT Press， 2004.67-95.

[12]Wiener， N. Cybernetics： Or Control and Communication in the Animal and the Machine[M]. Cambridge，Massachusetts：The MIT Press， 1961.12-18.

[13]伍進. 現(xiàn)代系統(tǒng)科學方法論及應用[M]. 成都： 電子科技大學出版社， 2005. 62.

[14]Shannon， C.E. A Mathematical Theory of Communication[J]. Bell Labs Technical Journal， 1948，27（4）：379-423.

[15]馮天瑾. 智能學簡史[M]. 北京： 科學出版社， 2007. 49-60.

[16]McCulloch，W.S.，Pitts，W.A Logical Calculus of Ideas Immanent in Nervous Activity[J]. The Bulletin of Mathematical Biophysics，1943，5（4）：115-133.

[17]White，B.W.，Rosenblatt， F. Principles of Neurodynamics： Perceptrons and the Theory of Brain Mechanisms[J]. The American Journal of Psychology， 1963，76（4）：705.

[18]特倫斯·謝諾夫斯基. 深度學習[M]. 姜悅兵譯， 北京： 中信出版集團， 2019.39.

[19]李曉華. 新工業(yè)革命來了，為何經濟持續(xù)衰退[J]. 商業(yè)觀察， 2016，（4）：83-84.

[20]錢剛. 硅谷簡史：通往人工智能之路[M]. 北京： 機械工業(yè)出版社， 2018. 433.

[21]GE. 工業(yè)互聯(lián)網：突破智慧與機器的界限白皮書[R].工業(yè)和信息化部國際經濟技術合作中心譯，2012.

[22]Amodei，D.，Hernandez，D. AI and Compute[EB/OL].https：//openai.com/blog/ai-and-compute/#appendixrecentnovelresultsthatusedmodestamountsofcompute，2018-05-16.

[23]Bresnahan， T. F.，Trajtenberg， M. General Purpose Technologies ‘Engines of Growth？[J]. Journal of Econometrics， 1992，65（1）：83-108.

[24]Solow， R. Wed Better Watch Out[N]. New York Time Book Review， 1987-12-01.

[25]Sichel， D. E. Computers and Aggregate Economic Growth： An Update[J]. Business Economics， 1999，34（2）：18-24.

[26]Gullickson，W.，Harper，M.J.Possible Measurement Bias in Aggregate Productivity Growth[J].Monthly Labor Review， 1999，122（2）：47-67.

[27]Cowen， T. The Great Stagnation：How America Ate All the Low-Hanging Fruit of Modern History， Got Sick， and Will （Eventually） Feel Better[M]. New York： Dutton， 2011.43-56.

[28]Zeira， J. Workers， Machines， and Economic Growth[J]. The Quanterly Journal of Economics， 1998，113（4）：1091-1117.

[29]Aghion， P.， Bergeaud，A.，Boppart， T.，et al.Missing Growth From Creative Destruction [EB/OL]. https：//www.nber.org/papers/w24023，2018.

[30]Brynjolfsson， E. Artificial Intelligence and the Modern Productivity Paradox： A Clash of Expectations and Statistics[EB/OL]. https：//www.nber.org/papers/w24001.pdf， 2017.

[31]Kim， W.，Lee， J.D. Measuring the Role of Technology-Push and Demand-Pull in the Dynamic Development of the Semiconductor Industry： The Case of the Global DRAM Market[J]. Journal of Applied Economics， 2009，12（1）：83-108.

[32]The White House Office of the Press Secretary.President Obama Launches Advanced Manufacturing Partnership[EB/OL].https：//obama whitehouse.archives.gov/the-press-office/2011/06/24/president-obama-launches-advanced manufacturing-partnership，2011-06-24.

[33]The White House. Artificial Intelligence， Automation， and the Economy[EB/OL]. https：//obamawhitehouse.archives.gov/sites/whitehouse.gov/files/documents/Artificial-Intelligence-Automation-Economy.pdf，2016-12-20.

[34]Committee On Technology of National Science & Technology Council. Strategy for American Leadership in Advanced Manufacturing[EB/OL].https：//www.whitehouse.gov/wp-content/uploads/2018/10/Advanced-Manufacturing-Strategic-Plan-2018.pdf，2018-10-05.

[35]Trump，D.J. Accelerating Americas Leadership in Artificial Intelligence[EB/OL]. https：//www.whitehouse.gov/articles/accelerating-americas-leadership-in-artificial-intelligence/， 2019-02-11.

[36]Defense Advanced Research Projects Agency. DARPA 60 Years 1958-2018[EB/OL]. https：//www.darpa.mil/attachments/DARAPA60_publication-no-ads.pdf， 2018-09-05.

[37]李彥宏. 智能革命：迎接人工智能時代的社會、經濟與文化變革[M]. 北京： 中信出版社， 2017.18.

[38]Cave，S. 智力史：為什么人類會恐懼人工智能？[EB/OL]. https：//www.huxiu.com/article/261685.html， 2018-09-07.

[39]Cockburn， I. M.，Henderson，R.，Stern，S. The Impact of Artificial Intelligence On Innovation[EB/OL]. https：//www.nber.org/papers/w24449.pdf，2018.

[40]What Life Means to Einstein： An Interview by George Sylvester Viereck[N].The Saturday Evening Post，1929-10-26.

[41]凱文·阿什頓. 被誤讀的創(chuàng)新[M]. 玉葉譯， 北京：中信出版集團股份有限公司， 2017.14.

[42]馬里安諾·西格曼. 決策的大腦：大腦如何思維、感知和做決定[M]. 劉國偉譯， 北京：中信出版集團， 2018.24.

[43]李克強.人類的重大科學發(fā)現(xiàn)都不是“計劃”出來的[EB/OL]. http：//www.gov.cn/premier/2017-07/13/content_5210217.htm， 2017-07-03.

（責任編輯：徐雅雯）