人工智能全球格局：未来趋势与中国位势(txt+pdf+epub+mobi电子书下载)

作者：国务院发展研究中心国际技术经济研究所,中

出版社：中国人民大学出版社

格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT

人工智能全球格局：未来趋势与中国位势试读：

序一 审慎思考中国人工智能战略

2016年以来，谷歌人工智能程序AlphaGo在围棋人机大战中先后战胜李世石和柯洁，沉寂了60年的人工智能一下子成为社会关注的焦点。人工智能技术成为当今科技热点，人工智能科技公司成为风险资本追逐的对象，包括中国在内的科技大国纷纷制定人工智能发展战略，可以说人类进入了人工智能的新时代。而这一新时代的到来，离不开芯片、存储器、光纤、移动通信、超算和大数据等底层技术的突破。以过去十年的时间为基准，光纤通信容量提升了100倍，移动通信速率提升了1000倍，超算能力提升了1000倍，数据量提升了32倍。信息采集、传输和存储效率的提升，以及计算能力的迅猛发展，奠定了人工智能时代的基础。以此为基础，深度学习算法实现突破，则是揭开人工智能新时代序幕的转折点。2006年，杰弗里·辛顿提出的深度置信网络，解决了深层神经网络的训练问题，一举开创人工智能发展的新局面。

在大数据、算力和算法三驾马车的拉动下，人工智能技术快速进步并已经在许多方面超越了人类。在语音识别上，微软的语音交互识别系统错误率低至5.1%，百度的汉语识别系统准确率高达97%，都优于专业速记员；在人脸识别上，中国依图科技在千万分之一误报下的识别准确率接近99%，连续多年获得美国国家标准技术局举办的人脸识别算法测试的冠军。除此之外，人工智能可以做的事情还有很多，甚至可以颠覆科学技术的研究过程。例如，谷歌DeepMind利用深度学习开发Alpha Fold程序，能够根据基因序列预测蛋白质的3D结构，有望治疗包括癌症在内的众多疾病。再如，美国斯坦福大学的科学家创建了一个人工智能程序，这个人工智能程序只用几小时就完成了元素周期表的重建。

2018年以来，人工智能发展进入快车道，很快就渗透到医疗、交通、金融、农业、工业等各个领域。就像18世纪的蒸汽机、19世纪的电力和20世纪的信息技术一样，人工智能具有足够大的技术辐射效应，能够为全球经济发展提供新的强劲引擎。关于人工智能对经济效益的贡献，普华永道曾经做过预测，2017年到2030年人工智能对经济增长的贡献将超过全部GDP的55%，其中中国占全球将近一半，2030年人工智能会带来7万亿美元的GDP，占总GDP的26.1%，不可谓不大。更重要的是，正如《人工智能全球格局：未来趋势与中国位势》一书所言，人工智能还会带来科学研究范式的革命，帮助人类破译生物、天文、物理等领域的奥秘，人工智能的想象空间巨大。

在很多人看来，人工智能技术似乎已经无所不能，更有一些观点认为人工智能会导致人类大批失业，甚至在不远的未来人工智能将会统治人类。社会舆论的力量，已经将人工智能推到了“近乎可怕”的高度。但事实上，人工智能发展仍然处在很初级的阶段，需要解决的问题还有很多。图灵奖得主朱迪亚·珀尔讲过，深度学习只是一种非常通用和强大的曲线拟合技术；诺贝尔经济学奖获得者托马斯·萨金特讲过，人工智能其实就是统计学，只不过用了一个华丽的辞藻。与大脑相比，人工智能还存在“算法黑箱”、数据需求量大、抗噪性差、能耗高等许多不足，离真正全面应用还很远。

毫无疑问，人工智能已经成为世界各国竞争角逐的焦点，人工智能的发展水平是国家核心竞争力的重要体现。《人工智能全球格局：未来趋势与中国位势》全面深入地描述了各国政府、科技巨头、风投机构和初创企业在人工智能领域的布局，也展现出了各机构、企业和个体对把握人工智能这一颠覆性技术、顺应智能时代潮流的决心。但就像前几次工业革命一样，人工智能的发展并不会一蹴而就，需要经过几代人的努力才会“遍地开花”。在人工智能发展的热潮中，我们必须冷静、客观、审慎地看待它，更加认真地审视中国在人工智能产业中的实力。不妨扪心自问：人工智能相比传统模型的优势到底是什么？人工智能产业的核心技术有哪些？中国企业在人工智能基础算法上的投入和产出如何？回答不好这些问题，中国人工智能产业发展之路仍将困难重重，甚至在未来有可能丧失竞争优势。《人工智能全球格局：未来趋势与中国位势》为我们提供了客观看待人工智能、认真审视自我的机会。本书是站在热潮上的冷思考，以历史眼光和全球视野看待人工智能的过去与未来；从大国博弈与企业争雄两个层面解读各国的人工智能战略以及企业在专利、人才等方面的布局；从数据、算力、算法三方面展望人工智能技术的发展，从数据、技术、资本、智力和制度五个维度分析中国在人工智能技术与应用领域的优势及努力方向。本书用专门的章节来讨论人工智能带来的伦理挑战，介绍了一些国家和机构关于人工智能伦理问题的规制原则。本书对人工智能发展状况进行评述，重点不在技术解释，也不在应用案例，目的是给读者带来关于人工智能发展演进全程和全局的认识。本书文风简朴、通俗易懂，适合大众读者阅读，也可供从事人工智能战略研究、投资决策和项目管理的人员及领导干部参考。

习近平总书记在2018年10月31日中央政治局集体学习会议上指出“人工智能是新一轮科技革命和产业变革的重要驱动力量，加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”，“各级领导干部要努力学习科技前沿知识，把握人工智能发展规律和特点，加强统筹协调，加大政策支持，形成工作合力”。期望本书能帮助广大读者了解科技前沿知识、把握人工智能发展规律和趋势。

序二 第四次工业革命的机遇和挑战

18世纪以来人类经历的三次工业革命，分别以机械技术、电气技术和信息技术为核心驱动力。今天，以人工智能为核心驱动力量的第四次工业革命已经来临，人工智能成为新的生产力，正在深刻影响人们的生产生活方式，引领人类社会进入智能时代。

在大数据、移动互联网、物联网以及脑科学等新理论新技术驱动下，人工智能呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征，将对经济发展、社会进步、国际政治经济格局等产生深远影响。当前阶段，世界各国政府高度重视人工智能的发展，中国、美国、日本和欧盟各国等纷纷制定发展人工智能的国家战略规划，学术界、产业界乃至整个社会都对人工智能非常关注和投入，人工智能被认为是科技创新的下一个“巨型风口”。在这样关键的变革时期，我们需要正确认识人工智能，审慎客观地思考人工智能技术和产业，切实促进人工智能与社会经济发展深度融合，发挥其作用和价值。

一是要把握人工智能发展规律，推动产业健康发展。经过60多年的发展，人工智能经历了早期的人工规则、后期的机器学习和目前的深度学习三个典型阶段。在不同阶段，算力、算法和数据存在数量级的性能（规模）差距，因此各阶段人工智能的技术原理不尽相同，商业逻辑、产品形态也有很大差异。在新一轮浪潮中，尽管人工智能技术已广泛应用于互联网、金融、教育、交通和医疗等众多领域，但人工智能发展仍处于初级阶段，技术存在一定的边界，并非万能的。只有深刻理解人工智能的内涵与外延，把握人工智能发展规律，才能推动产业健康发展，促进人工智能与实体经济进一步融合。

二是要建设人工智能生态体系，提高自主可控能力。作为颠覆性、战略性的前沿科技，人工智能的发展会对未来国家之间的竞争格局产生决定性影响。而人工智能产业的竞争力，归根结底在于人工智能生态体系的竞争力，包括基础算法、人工智能芯片、学习框架、数据、应用、人才等层面。实践证明，缺乏生态体系的技术，终究会被历史淘汰，也难以实现自主可控，难以承担国家安全的重任。面对新一轮人工智能热潮，我们需要冷静思考，不盲目、不跟风，在全面创新发展的同时，加强前沿基础理论研究，积极推进人工智能生态体系建设。

三是要重视人工智能伦理问题，及早识别重大风险。伦理可谓“标准的标准”，其对人工智能产业的健康有序发展有着重要的指导意义。当前，人工智能应用加速落地，在一些领域已开始帮助人甚至代替人进行决策，如产品检验、汽车驾驶、疾病诊断、城市管理等。但同时，人工智能引发的伦理道德、隐私保护、社会治理等问题也开始显现。目前，人工智能的发展还存在很多不确定性，法律规制因为有着一定的滞后效应，无法对人工智能进行有效监管。对此，中国应加快人工智能伦理研究步伐，积极参与全球人工智能伦理原则的研究和制定，及早识别人工智能治理的重大风险，让人工智能更好地造福大众。《人工智能全球格局：未来趋势与中国位势》一书深入浅出，能够以一种理性、客观的态度分析新一轮人工智能热潮带来的机遇和挑战，其中许多观点和阐述都很精彩。首先，本书从源头出发，思考了当前人工智能技术的本质，回顾了人工智能的发展历史，也对其未来做了展望。其次，书中介绍并解读了大国关于人工智能的战略和企业人工智能生态，包括科技巨头在技术、专利和人才等方面的布局，同时梳理了在某项技术或应用场景上深耕的独角兽企业，以及资本市场的投资走向。再次，本书从数据、算法和算力的角度深入分析了人工智能技术的现状和发展趋势，同时从数据、技术、资本、制度等层面阐释了中国发展人工智能的特点和优势。最后，本书也对人工智能伦理做了专门分析，揭示我们面临的机遇与挑战。《人工智能全球格局：未来趋势与中国位势》一书论述全面，文字通俗易懂，可以让读者对人工智能的发展历程和未来趋势有全局了解，兼具科普和参考价值。

习近平同志指出“人工智能是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的‘头雁’效应”。人工智能的发展和突破需要各界齐心协力、共同推动。希望大家在了解人工智能的基础上，积极投身到以人工智能为核心驱动力的科技革命和产业变革中来。

序三 人工智能的中国位势和未来趋势

数年前还少有人问津的人工智能在2016年的人机围棋大战中一举闻名。究其原因，一方面，得益于算力（芯片）、算法和数据的突破，人工神经网络能够以前所未有的规模有效运行，曾经天文数字般的计算量已不再是阻碍；另一方面，AlphaGo在人机围棋大战中的胜利，赋予了人们对人工智能技术无限的遐想，自动驾驶、实时精准翻译、全能机器人等科幻片中才存在的技术似乎就在眼前。

一石激起千层浪。2016年，美国白宫发布《为人工智能的未来做好准备》等报告后，人工智能技术彻底得到了各国政府、资本界、产业界和学术界的高度重视。科技强国纷纷发布自己的人工智能战略，科技巨头纷纷向人工智能方向转型，人工智能相关的创业公司大量涌现，社会投资快速翻倍。“人工智能＋”的概念广为大众接受，人工智能技术在农业、金融、法律、交通、工业等领域的落地应用席卷而来，小到桌子上摆放的智能音箱，大到智能化工厂中的生产线，人工智能技术已经渗透到社会生产生活的各个环节。与此同时，算法歧视、数据滥用、智能杀人武器和人工智能伪造视频等问题相继曝光，人们开始空前关注人工智能带来的伦理、安全等一系列问题。一时间，全球社会掀起了一波研究、应用与讨论人工智能技术的热潮。

当前，改革开放已逾四十年，中国经济步入“新常态”，亟须实现经济转型和产业升级。人工智能技术的“再次兴起”，恰逢其时地为中国经济向创新型经济转变提供了重要驱动力。我们期待的是，人工智能技术能够加速科学技术创新的步伐，能够切实有效地提高社会生产效率，能够帮助中国在一些核心产业上“弯道超车”。令人振奋的是，中国在人工智能发展上有着得天独厚的优势。在人工智能论文发表和专利申请数量上，中国已经位于第一梯队；在数据的规模与利用上，中国也有着其他国家无可比拟的优势。

然而，盲目乐观并不会帮助中国人工智能产业获得竞争力。我们需要看到的是，在人工智能基础算法研究上，中国仍与美国、加拿大和英国存在明显差距；在产业链分布上，中国更加集中于应用落地端，在基础算法、芯片等产业环节的占比较低。这些因素都是中国人工智能产业发展中的风险点。在日新月异的技术迭代过程中，稍有不慎，过往的优势很可能会转眼化为乌有。另外，我们需要思考的是，“人工智能＋”时代的核心竞争力到底是“人工智能”还是“＋”（plus）？欧美日韩等科技强国积累的产业优势，或许可以在“人工智能＋”时代得到进一步积累。“弯道超车”又谈何容易？因此，有必要从当前中国位势和未来发展趋势层面，对人工智能进行全面系统的解读。

在研究科技政策的过程中，国际技术经济研究所常常有如下体会：一是针对颠覆性技术的不合理解读，可能会导致科技资源的低效配置甚至是政府部门的错误决策；二是颠覆性技术引发的伦理问题、社会治理问题得不到有效重视，从长期看会酝酿巨大的社会矛盾；三是对自身的优势和劣势认识不足，可能会导致人才与资金的不合理投入甚至浪费，削弱科技竞争力。投射到人工智能技术上，我们关心的问题包括：人工智能技术究竟发展到什么阶段，与人类智能相比有什么具体特征？人工智能当前能胜任哪些工作？未来人工智能技术会如何发展，将会带来哪些社会治理问题？政府应该在人工智能产业发展中扮演什么角色？等等。

为回答上述问题，本书从四部分展开，以探讨中国人工智能的未来。

第一部分（第一至三章）：主要包括当前人工智能技术的本质、六十年来人工智能的发展路线图，以及人工智能未来的进化方向。

第二部分（第四至七章）：主要包括世界各国人工智能科技政策特点、科技企业的人工智能商业路线、人工智能的专利分布情况，以及人工智能人才在全球流动的情况。

第三部分（第八、九章）：主要包括人工智能技术未来可能的突破路径，以及人工智能引发的伦理问题及治理方法。

第四部分（第十、十一章）：主要包括人工智能时代的中国之路，以及专家视角下的人工智能科技政策路线。

希望本书可以为读者提供一个更加全面的视角，重新理解人工智能技术及其带来的变革，把握人工智能的未来发展趋势，更理性地推进人工智能发展。

第一章 重新理解人工智能

新一轮人工智能热潮的兴起

据荷兰数学家约翰·特罗普（John Tromp）计算，十九路围棋的170全部合法局面数约为2×10，远远超过英国天文学家亚瑟·艾丁顿79（Arthur Eddington）估算的宇宙中质子总数1.57×10。曾经有观点认为，围棋具有高度的复杂性和深厚的文化秉性，因此在这一领域“机器智能”几乎不可能战胜人类。

2016年3月，DeepMind公司基于深度学习技术的AlphaGo程序，以4:1的成绩战胜韩国围棋职业九段棋手李世石。2017年10月，DeepMind更是推出了基于强化学习技术的AlphaGo Zero程序，它能够在无师自通的情况下实现自我博弈，最终以100:0的成绩战胜了前任AlphaGo。

DeepMind公司AlphaGo程序的横空出世，给了人们当头一棒：“机器智能”战胜人类的时刻终于到来，而且来得竟如此之快！一时间，“人工智能”一词在媒体和网络上风头无两。2016年，媒体热炒、资本热捧、国家战略陆续跟进，人工智能在短时间内就引发了全球各界人士的广泛关注。创业者希望缔造下一个商业神话，投资者希望发掘下一个独角兽企业，会计、律师、医生等从业者希望知道“何时被取代”，政界人士希望知道如何把握人工智能发展浪潮。2016年也被媒体称为“人工智能发展元年”。

AlphaGo之所以能够引发世人的广泛关注，在于它有效地结合了科研和工程两方面的工作。DeepMind公司采用的卷积神经网络（CNN）、参差网络（ResNet）、蒙特卡洛搜索树（MCTS）等算法或技术，都不是独创或是近期才发明的。但DeepMind能够有效整合不同技术方案，成功利用人工智能技术解决现实难题，确实是一次壮举。AlphaGo的出现，让世人认识到人工智能商业化的巨大潜力，因此在短时间内就引发了全球人工智能热潮。◎全球人工智能关注度变化趋势

新一轮人工智能热潮体现在公众对技术的关注度上。从全球范围内看，“大数据”（big data）一词于2010年首次进入大众视野，其关注度在2011年至2014年获得快速增长，并在此后长期保持稳定。相比之下，对“机器学习”（machine learning）、“人工智能”（artificial intelligence）和“深度学习”（deep learning）的关注度从2013年开始逐渐上升。随着2016年AlphaGo战胜人类围棋名手李世石后，与人工智能相关的词汇的关注度开始陡然上升。其中，“机器学习”已经取代“大数据”成为网络上最受关注的技术关键词，“人工智能”和“深度学习”等词汇的关注度均有相同程度的增长（见图1-1）。图1-1 全球人工智能技术关注度（2012年5月至2018年5月）资料来源：谷歌趋势。

值得注意的是，世界各国对人工智能相关词汇的关注度有显著差异。在2017年10月至2018年10月期间，东亚三国（中国、日本和韩国）对“深度学习”的关注度最高，美国、英国、德国、加拿大、印度对“机器学习”的关注度最高，法国、俄罗斯、巴西、墨西哥对“大数据”的关注度最高（见图1-2）。这一趋势反映出世界不同地域对待人工智能技术的态度，其背后的逻辑引人深思。“深度学习”无疑代表着人工智能技术的发展前沿，可见东亚国家对前沿技术的接受程度似乎最高。这与中日韩数字经济的高速发展密不可分，同时也显示出东亚国家对把握新一轮科技革命的渴望。机器学习是当前人工智能浪潮的根技术，北美、西北欧、印度对人工智能的重视程度同样很高，但关注的技术领域范围似乎更广。大数据是人工智能发展的底层技术，法国、俄罗斯、巴西、墨西哥对人工智能的关注度略逊一筹，这与这几个国家的数字经济发展水平基本一致。图1-2 世界各国对人工智能技术关注度存在显著差异（2017年10月至2018年10月）资料来源：谷歌趋势。◎全球人工智能投融资爆发

新一轮人工智能热潮体现在初创企业数量和资本投入密度上。随着人工智能热度的不断上升，全球人工智能初创企业正如雨后春笋一般涌现。据CB Insights统计，2011年全球人工智能初创公司仅有70家，而这一数字在短短五年间就翻了5倍，到2015年已经超过了400家。另据清华大学中国科技政策研究中心统计，中国人工智能企业数量从2012年开始迅速增长，截至2018年6月，中国人工智能企业数量已达[1]到1011家，但与美国2028家的数量还存在明显的差距。

在人工智能技术不断取得突破的背景下，各国政府、社会资本、产业界均对人工智能产生强烈兴趣，纷纷投入大量财力加强人工智能研发，争夺科技发展的制高点。2013年以来，全球人工智能行业投融资规模就开始呈现不断上涨的趋势。2017年成为人工智能爆发的一年，Facebook、谷歌、微软、百度、阿里巴巴和腾讯等科技巨头纷纷发布自己的人工智能战略，全球人工智能投融资总规模约400亿美元，融资1000余笔。其中，中国人工智能企业融资总额占全球融资总额70%，融资笔数占比达31%（见图1-3）。

无论从企业数量上还是从投融资规模上看，美国和中国无疑都是人工智能领域的重量级玩家。两国的科技巨头通过重新制定战略、大规模收购和并购等手段，已经在全球人工智能产业领域获得了极高的话语权。但从人均人工智能初创企业数量和人均投融资水平上看，英国、法国、德国和以色列等国家完全不落下风。图1-3 全球/中国人工智能投融资变化趋势资料来源：清华大学中国科技政策研究中心。

其中，英国拥有世界最优秀的高等教育体系，已经孕育出了DeepMind一众技术实力雄厚的初创企业。英国是人工智能鼻祖阿兰·图灵的诞生地，其人工智能的未来发展潜力不可估量。法国的数学研究水平傲视全球，航空航天、汽车工业、高端制造业的实力不容小觑，其发展人工智能的底蕴深厚。德国拥有马克斯·普朗克学会和弗劳恩霍夫协会等著名科研机构，在工业4.0、智能制造、汽车等领域的技术积累深，未来德国或可通过上述领域优势谱写人工智能发展的新篇章。以色列在网络安全、国防军事等领域的优势明显，其第二大城市特拉维夫是世界的“创业圣地”，已经孕育出数量众多的初创企业和独角兽企业，以色列亦将成为全球人工智能发展的重要一极。

目前，中美两国在人工智能领域的发展受到全球关注，围绕哪国将成为人工智能领导者的争论频频出现。比如，微软创始人比尔·盖茨认为美国具有先发优势，并且掌握了绝大部分核心技术，中国在人工智能领域不可能超越美国。李开复则认为，中国拥有大量数据，且拥有大量优秀的工程师，将很可能在未来数年超越美国。毫无疑问，中美两国成为全球人工智能发展的“核心焦点”。但是，人工智能领域的竞争并不局限于语音识别、视频识别、智慧医疗及芯片等领域，“人工智能＋”所涉及的领域远广于此。英国、法国、德国和日本等国在工业3.0时代积累起来的优势，在人工智能时代或许会延续下去，人工智能的竞赛才刚刚开始。◎世界各国积极制定人工智能战略

全球人工智能热潮体现在各国竞相发布的顶层战略上。当前，人工智能已上升到国家层面的激烈博弈，越来越多的国家争相制定发展战略与规划，世界主要国家进入了全面推进人工智能发展的全新战略时代，人工智能竞争趋向白热化。

自2013年起，世界主要国家开始对人工智能进行系统性布局，如法国政府发布了《法国机器人发展计划》（“France robots initiatives”）。但在初期阶段（2013—2016年），各国对人工智能的重视度普遍不足，与人工智能技术相关的政策主要集中于机器人、脑科学及其他高新技术领域。

2016年，谷歌人工智能程序AlphaGo战胜韩国围棋名手李世石后，世界各国政府纷纷认识到人工智能技术真正的潜力。在这一年，诸多国家开始讨论人工智能可能给社会、经济带来的颠覆性影响，人工智能一词频频现于各类政府报告中。其中最典型的，就是奥巴马政府发布的《为人工智能的未来做准备》（“Preparing for the future of artificial intelligence”）、《国家人工智能研究与发展战略计划》（“National artificial intelligence research and development strategic plan”）和《人工智能、自动化与经济》（“Artificial intelligence，automation，and the economy”）报告。

受美国政府关注、媒体宣传和资本追捧的影响，世界各国政府纷纷调研人工智能给工业生产、经济活动、社会生活等方面带来的影响，相继发布了符合自身国情的人工智能战略。2017年和2018年，与人工智能相关的国家级战略密集出台，社会关于人工智能的大讨论激烈展开，各国政府关于人工智能发展的思路也逐渐清晰。根据资源禀赋的差异，各国制定了符合自身国情的人工智能战略（详细内容见第四章）。[1]清华大学中国科技政策研究中心.中国人工智能发展报告2018，2018.

热潮下的冷思考：当前人工智能技术的本质

在沉寂了数十年以后，人工智能借AlphaGo事件重新回到大众视野，并成为媒体吸引关注、业界吸引投资的“风口”。如前面所言，AlphaGo事件引发的全球广泛关注、密集的投融资、各国政府纷纷公布的顶层战略，这些无一不反映出人工智能的热度。在一些宣传口径中，人工智能似乎已经“无所不能”，人类社会被人工智能终结的日子马上就要到来。

毋庸置疑，人工智能已经成为最前沿的科技领域，将给经济发展、社会形态的方方面面带来颠覆性的影响。但过度、不切实际的宣传只会带来泡沫，只会导致科技政策与现实脱轨。目前，人工智能研究到底处于什么阶段？AlphaGo除了下围棋外，还能帮助我们处理什么难题？抛开那些不切实际的宣传，只有清晰地了解人工智能到底是什么，以及当前人工智能技术的本质，我们才能真正有效地利用人工智能这一利器，同时避免其带来的社会冲击。◎人工智能与自然智能的区别

从本质上看，人工智能是指由人工创造的智能，与其对应的是生物进化所形成的“自然智能”（natural intelligence），特别是具有最高智慧的“人类智能”（human intelligence）。只看相同之处，无论是人工智能还是自然智能，一个智能体都需要具备感知环境的能力，将感知的信息进行处理、分析、决策的能力，以及实现既定任务的能力。

在智能的发生过程中，人工智能与自然智能在不同环节上有一些相似之处。在感知环节，自然智能依靠皮肤、眼睛、耳朵等器官获取温度、视觉、听觉等信息，人工智能则依靠摄像头、扫描仪等传感器获取外部信息。在行为环节，自然智能依靠肌肉、腺体等完成既定任务，人工智能则依靠机器手、显示器等完成既定任务。

人工智能与自然智能在智能的形成过程中，最大的不同之处在记[1]忆、分析推理、决策这三个环节。自然智能依靠的是大脑的生物神经系统，而当前的人工智能技术依靠的是GPU、TPU、ASIC等信息处理单元，云计算、雾计算以及卷积神经网络等算法。表面上看，两者实现的功能是相似的；实际上，两者产生智能的机理完全不同（见图1-4）。

首先，人工智能与自然智能的物理载体有本质区别。人工智能的物理载体采用的是冯·诺依曼架构的CPU、GPU、FPGA和ASIC等高性能处理器，以及高性能存储器等。这些物理器件都是基于经典图灵机模型创造的，因而从诞生时就局限于图灵机的理论边界之内。而自然智能的物理载体是由非线性动力学驱动的生物神经系统，其中的存储单元和计算单元在结构和功能上是一体的。图1-4 智能的发生过程资料来源：中国发展研究基金会。

其次，人工智能和自然智能的运算方式有本质区别。当前，常用的人工智能算法有数十种之多。每种算法都擅长解决某一类任务，但在不同任务之间的迁移能力却很弱。虽然人类大脑的运行机制尚未破译，但自然智能的小样本学习能力、不同任务间的迁移能力却是现阶段人工智能所望尘莫及的。

在仅有20瓦特左右功率的条件下，人类大脑可以在极短的时间内对通过视觉、听觉、嗅觉或触觉获取的信息迅速做出决策，并对未来做出预判。试想一下，当别人口里说出“榴莲”一词时，我们的大脑会瞬间联想到它粗糙的外壳、难以言表的气味和特殊的口感，甚至会很快做出购买榴莲酥的决定。此过程涉及的语音识别、语义处理、图像识别等任务，现阶段人工智能需要用不同的算法进行处理，且不同算法的运行过程无法有效结合。显而易见，现阶段人工智能的运算机制与自然智能完全不同。

目前，人工智能研究领域主要包括自然语言处理、语音识别、计算机视觉、规划与推理等。按图1-5粗略的划分，人工智能的各研究领域可以与人类智能中的各种能力一一对应起来。尽管人工智能的运算机制与人类大脑有本质不同，但其在任务目标上却与人类无限逼近。

总结来看，现阶段人工智能是对人类各类行为的模仿，主要利用深度学习等算法对结构化的海量数据进行统计学习，其内在机制与真正的智能没有关系。由此，我们可以引申出现阶段人工智能的重要特征：

●人工智能以人类智能为基准，主要目的是实现自主学习、知识运用、处理新问题等人类具备的基本能力。

●人工智能是人类智能的延伸，同样具有一定的感知、记忆、分析、决策和行为能力。

●人工智能的实现需要借鉴人类智能，但模仿人类智能并非实现人工智能的唯一方式。图1-5 人工智能研究领域与人类智能的关系◎深度学习是当前人工智能热潮的技术基础

一般而言，新技术在成熟应用前需要经历5个阶段：技术促动期、过高期望的峰值、泡沫化的低谷期、稳步爬坡期、实质生产的高峰期（传统Gartner技术循环曲线）。但人工智能在60多年的发展过程中，却经历了三次大起大落（boom-and-bust），其表现与传统Gartner技术循环曲线有着显著区别（见图1-6）。图1-6 传统Gartner技术循环曲线VS人工智能关注度曲线

究其原因，主要是在三次人工智能浪潮中，人工智能的核心思想和底层技术有着本质上的区别，导致其应用场景范围、商业表现力存在显著差异。

第一次浪潮时间段约为1956—1974年，其核心是符号主义（逻辑主义），当时最大的成果是逻辑推理、启发式搜索。例如，1956年，卡内基梅隆大学的LT程序证明了《数学原理》第二章的38条定理；1963年，经过改进的LT程序证明了《数学原理》第二章的52条定理，该程序随后被改进成GPS。第一次浪潮中产生的方法可以说是基于知识驱动或模型驱动的，主要建立在基于“if-then”结构的人工设[2]定的形式逻辑基础上。这一阶段的成果几乎无法解决实用问题，计算能力也严重不足，导致人们对人工智能的未来产生失望，社会资本开始退出，政府资助不断下降，最终引发第一轮人工智能寒冬到来。

第二次浪潮时间段约为1974—2006年，这一时期符号主义与连接主义同步发展。在这一次浪潮中，专家系统和知识工程开始进入商用阶段，人工智能神经元网络方法亦开始盛行。1974年，保罗·韦伯斯（Paul Werbos）提出了反向传播算法（back propagation algorithm，BP算法），使得多层人工智能神经元网络的学习成为可能。1982年，约翰·霍普菲尔德（John Hopfield）提出可用作联想存储器的互联网络——Hopfield网络。80年代，新一波人工智能热潮开始兴起，成果集中在语音识别、语音翻译等领域，包括日本提出的第五代计算机等。尽管当时有商业应用的实例，但应用范畴却很有限。人工智能热潮在90年代开始逐渐消退。

第三次浪潮从2006年开始至今，其核心是深度学习的突破。2006年，杰弗里·辛顿（Geoffrey Hinton）、杨立昆（Yann LeCun）和尤舒亚·本吉奥（Yoshua Bengio）发表了多篇关于“深度神经网络”的文章。在不断发展的计算能力和大数据技术的加持下，人们发现深度学习技术可以解决前两次人工智能浪潮中解决不了的问题。2015年12月，微软亚洲研究院在ImageNet计算机识别挑战赛中凭借深度神经网络技术的突破，获得图像分类、图像定位以及图像检测全部三个主要项目的冠军。2016年3月，谷歌DeepMind开发的人工智能程序AlphaGo以4:1的战绩击败韩国围棋职业九段选手李世石，被认为是人工智能发展的重要里程碑。

如前所述，第三次人工智能浪潮取得了前所未有的成功。人工智能应用已经无处不在，如iPhone手机中的人脸识别、讯飞语音识别、AlphaGo围棋程序、自动驾驶汽车等。而深度学习无疑是这一次人工智能浪潮的技术基础。

理论上，深度学习是机器学习的一个研究分支，借鉴的是概率统计（建模、学习）的方法。机器学习是通过计算模型和算法从数据中学习规律的一门学问，在各种需要从复杂数据中挖掘规律的领域有很多应用，已成为当今广义的人工智能领域最核心的技术之一。近年来，随着算法的进步、算力的发展（GPU、FPGA、ASIC）和数据的指数级增长，多种深度神经网络在大量机器学习问题上取得了令人瞩目的成果，深度学习掀起了机器学习理论、方法和应用研究的一个新高潮。

作为一种深层的机器学习模型，深度学习的理论基础是人工神经网络。如图1-7所示，深度学习的发展最早可追溯至1943年心理学家沃伦·麦卡洛克（Warren McCulloch）和数学家沃尔特·皮茨（Walter Pitts）提出的神经元数学模型。此后，深度学习的发展经历了多个重要节点。1958年，弗兰克·罗森布拉特（Frank Rosenblatt）提出感知机模型；1974年，保罗·韦伯斯采用反向传播算法来训练一般的人工神经网络；1982年，约翰·霍普菲尔德提出Hopfield网络，这是最早的递归神经网络（RNN）；1990年，杨立昆提出了深度学习常用模型之一——卷积神经网络（CNN）；2006年，杰弗里·辛顿正式提出了深度学习的概念。图1-7 深度学习技术发展历程资料来源：Facio Vazquez.A weird introduction to deep learning.[2019-01-01].http://towardsdatascience.com/a-weird-introducition-to-deep-learning-782880369360.

深度学习与相关机器学习技术的进步，使得计算机不再需要明确的编程，而是通过“吸收和分析”海量的数据来完成自我训练，并可对未知的数据做出预测。自2006年诞生以来，深度学习持续受到学术界、产业界的广泛关注。从2011年开始，谷歌研究院和微软研究院的研究人员先后将深度学习应用到语音识别上，使识别错误率下降了20%～30%。2012年，杰弗里·辛顿团队在图片分类比赛ImageNet中，使用深度学习打败了谷歌团队，并将图片识别错误率降低了14%。

此后，深度学习在图像、语音、自然语言处理等领域获得了极为广泛的应用，奠定了新一轮人工智能发展的基础。在商业和媒体的宣传推动下，近几年来深度学习备受关注，与20世纪80年代的专家系统、日本第五代计算机开发几乎类似，被学术界和产业界视为实现人工智能长期愿景的主要途径。◎人工智能研究处于什么阶段？

在达特茅斯会议10年后，人工智能因其技术进展与当初描绘的愿景相差甚远，受到了产业、学术、政府各界的广泛批评，人工智能研究经历了第一轮寒冬。在这段人工智能寒冬期中，不少哲学家开始对人工智能的长期愿景进行深入思考。20世纪70年代，美国哲学家约翰·塞尔（John Searle）所提出的“强人工智能”（strong AI）和“弱人工智能”（weak AI）对后世有较大影响。在此基础上，牛津大学哲学家尼克·波斯特洛姆（Nick Bostrom）还提出了“超人工智能”（super AI）的概念。

弱人工智能：模拟人或动物解决各种智能问题的技术，包括问题求解、逻辑推理与定理证明、自然语言理解、专家系统、机器学习、人工神经网络、机器人学、模式识别和机器视觉等。一般而言，弱人工智能是只擅长处理某一单方面任务的人工智能，也可称为“专用人工智能”。

强人工智能：具有自我意识以及自主学习、自主决策能力的人工智能，是人工智能发展的终极目标。强人工智能在各方面都能与人类智能比肩，人类能从事的脑力活动它都能从事，也可称为“通用人工智能”。目前，有关强人工智能的研究大多集中于伦理道德层面，霍金、比尔·盖茨、马斯克等人都曾表示对人工智能具有自我意识的忧虑。

超人工智能：在几乎所有领域都比最聪明的人类大脑聪明很多，包括科学创新、通识和社交技能。波斯特洛姆认为超人工智能在几乎所有领域远远超过人类，具备远超过强人工智能的强大能力，从而会给世界带来存在性风险：智慧生命灭亡或永久失去未来发展潜能。

在一些舆论中，人工智能超越人类智能的奇点（singularity）似乎马上就要来临，强人工智能的实现似乎就在眼前（见图1-8）。但实际上，人工智能的发展还处在弱人工智能阶段的初期。尽管在目前，以深度学习为基础的弱人工智能技术在自然语言处理、机器翻译、图像识别、语音识别等方面取得了巨大成功。然而，深度学习存在难以解释（黑箱）、透明度低、需要大量数据和计算资源、易受对抗样本影响等一系列问题，无法在军事、医疗等关键领域真正替代人类决策。图1-8 人工智能超越人类智能的奇点资料来源：Holly Olivia.Technological singularity：from fiction to reality.［2019-01-01］.http://innovationforevolution.wordpress.com/2014/10/29/technological-singularity-from-fidoon-to-reality/.

在2017年神经信息处理系统大会上，谷歌工程师阿里·拉希米（Ali Rahimi）在获奖发言中称：“深度学习成为今天的炼金术。”暂不论该观点的合理性，深度学习研究中理论的匮乏已经得到了相当广泛的认可。深度学习的理论基础是人工神经网络，而人工神经网络的理论研究早在机器学习的浪潮出现前就开始了。然而直到今天，神经网络的相关理论还较为原始，解释力不足、资源消耗过大等问题依然困扰着这一领域。

在过去60年的发展历史中，人工智能的研究领域不断扩大，并且与计算机科学、数学、物理学、生物学、逻辑学等学科紧密相连。目前，人工智能的研究范围包括机器学习、自然语言处理、语言处理、图像处理、智能搜索、知识表示、知识推理与规划等诸多领域。我们可以将其归纳为6个大类：（1）计算机视觉（图像分析、视频分析等）；（2）自然语言处理（语音识别、语义分析等）；（3）机器学习（监督学习、半监督学习、强化学习、深度学习等）；（4）博弈与伦理（多代理人交互、对抗与合作等）；（5）机器人学（人机接口系统、运动规划、任务规划等）；（6）认知和推理（包含各种社会常识、物理常识等）。

但遗憾的是，自20世纪80年代以来，人工智能的研究被划分为以上几大学科，相互独立发展。这种领域的分化，直接造成了人工智能研究思路“混乱”的局面。目前，学术界和业界基本抛弃了以逻辑推理和启发式搜索为主的研究方法，深度学习这一机器学习的分支成为人工智能领域的热门方向。这一现状，削弱了各研究领域的交叉性，不利于人工智能基础理论的进一步发展。

总体来看，当前的人工智能仍然处于专用人工智能阶段，仍然处于弱人工智能的初级阶段。目前有关人工智能的研究多集中于深度学习领域，但深度学习的理论基础仍然薄弱，技术瓶颈或许会导致人工智能的应用受到限制。一方面，我们应该肯定当前人工智能技术带来的颠覆性；但另一方面，我们也应该对人工智能的发展阶段了然于胸，如此才能更合理地指导人工智能发展。[1]中国发展研究基金会.投资人力资本，拥抱人工智能：中国未来就业的挑战与应对，2018.[2]黄璜.人工智能之辨：计算本质、目标分类与议题划分.电子政务，2018（3）.

第三次人工智能浪潮的颠覆性和局限性

进入21世纪以来，全球依次经历了信息化时代、大数据时代，目前正过渡到智能化时代。以深度学习为代表的人工智能技术，正加速与交通、医疗、教育、安防、农业等传统行业融合，给人类生产生活的各方面带来变革。作为一种颠覆性技术，人工智能的广泛应用将对现有社会体系产生深刻的影响：一方面，人工智能将推动生产力迅速提升，为人类探索未知世界提供无限可能；另一方面，人工智能的广泛应用也会带来网络信息安全、法律与伦理道德等诸多方面的问题。

但从发展阶段上看，现有的人工智能技术离实现通用人工智能、强人工智能还有很大差距。深度学习等人工智能技术本身存在一定的局限性，尚待进一步的发展和突破。如果人工智能技术不能与时俱进，其与各行业的深度融合就会受阻，进而会影响到其技术落地与商业化的潜力，导致其颠覆性价值不能得到体现。◎人工智能技术带来的颠覆

在算法、算力、数据这三驾马车的拉动下，人工智能以超乎想象的速度进步，不断颠覆着社会生产生活的各方面。面向特定领域的人工智能由于应用背景需求明确、领域知识积累深厚、建模计算简单可行，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。如在图像识别领域，深度神经网络的统计学习模型持续创新，ImageNet图像识别的错误率已由2010年的28%降低至2017年的2%左右，明显超出了人类的平均水平（见图1-9）。图1-9 ImageNet图像识别错误率历年变化资料来源：Electronic Frontier Foundation.Measuring the progress of AI research.［2018-12-17］.

在资本的追逐下，人工智能企业不断兴起，逐渐渗透进人们生产生活的各个方面。Bloomberg Beta风险投资人什芬·兹利斯（Shivon Zilis）对从事机器学习的企业进行了梳理，将人工智能企业分为以下几类：第一类专注于核心技术（core technologies），涉及领域包括人工智能、深度学习、机器学习、图像识别、语音识别、自然语言处理等；第二类专注于企业经营（rethinking enterprise），涉及领域包括销售、安全、欺诈检测、招聘、市场、智能工具等；第三类专注于产业界（rethinking industries），涉及领域包括广告、农业、教育、金融、法律、制造业、制药业、油气业、自动驾驶、医疗等；第四类专注于人类拓展（rethinking humans），涉及领域包括增强现实、姿态计算、情绪识别、机器人等；第五类专注于支持性技术（supporting technologies），涉及领域包括硬件、数据收集、数据处理等（见图1-10）。图1-10 机器学习产业图谱资料来源：Shivon Zilis.The current state of machine intelligence，2014.2018年该图谱已更新至3.0版本，参见http://www.shivonzilis.com/。

毫无疑问，人工智能已经渗透至社会各行业、各领域，智能翻译、智能选股、自动驾驶、智能搜索、定理证明、指纹识别、人脸识别、语音识别等相关应用已经无处不在。人工智能的价值在市场上已经体现得更为淋漓尽致。Gartner公司发布的数据显示，人工智能行业的总价值将在2018年达到1.2万亿美元，比2017年增长70%，而到2022年时人工智能的商业价值将达到3.9万亿美元。

人工智能的颠覆性影响，正在于其多学科融合、高度复杂的特性会引发科学技术产生链式突破，带动各领域的创新能力快速跃升。随着计算成本的降低、机器学习算法的进步和大数据技术的发展，人工智能的颠覆性潜力将会迅速提升。未来，所有的企业或许都可以被称为人工智能公司，因为当人工智能时代来临时，所有的事情、所有的业务都可以进行数据化、连接和运算，并且随之产生的智慧也可放置于云端，为人所用。

但与此同时，当前的人工智能技术具有高度的不确定性。新一代人工智能为人们生产、生活带来便利的同时，也对国家安全、社会治理、伦理道德等产生了强烈冲击。

以“人工智能伪造技术”为例，2017年5月，加拿大创业公司琴鸟（Lyrebird）发布的人工智能语音系统，可通过分析讲话记录与文本之间的关联，模仿人类讲话并加入逼真的情感和语调，成功模仿了特朗普、奥巴马和希拉里的对话；2017年7月，美国华盛顿大学开发出“可伪造真人视频”的人工智能技术，该技术可将音频文件转化成真实的口型并嫁接至视频中的人脸上，生成的新视频让人难以辨别真伪；2017年11月，英伟达利用生成式对抗网络（GAN）生成的人物照已经达到了真假难辨的地步（见图1-11）。随着人工智能技术的不断进步，音频、视频、笔迹和图片等数据的伪造技术将会更加逼真，甚至达到专业人士也难以辨别的地步。图1-11 图片伪造技术的发展历程“人工智能伪造技术”可对社会秩序的各个层面构成严重威胁。如在社会生活层面，“人工智能伪造技术”使日常生活所用的合同、契约、证书及相关法律文本的防伪鉴定面临新的困难；在司法层面，“人工智能伪造技术”将可用于伪造证人证言、视听资料、电子数据及鉴定意见等虚假证据，为司法证据的鉴定采用和非法证据排除带来新的困难；在公共安全层面，“人工智能伪造技术”为不法分子从事违法犯罪活动提供了便利条件。◎以深度学习为代表的人工智能技术存在局限性

人工智能的概念自诞生起，就没有严谨的定义与界限。在1956年的达特茅斯会议上，“人工智能”的叫法甚至一度落后于“控制论”。但由于其具有浪漫主义色彩和通俗易懂的称谓，人工智能很快就抓住了人们的“芳心”。自此以后，政府机构、社会资本、科技巨头强势介入，使得人工智能研究获得了飞速的进步。

但从方法论上看，第二次和第三次人工智能浪潮都属于连接主义，没有本质上的不同。从研究范畴上看，人工智能包含的子领域众多，包括专家系统、遗传算法、机器学习等，深度学习仅是机器学习中的一个子领域。为何第三次人工智能浪潮获得了人们空前的关注？为何深度学习在商业上获得了巨大的成功？

究其原因，主要是人类对于人工智能的认知产生了显著变化。分别以符号主义和连接主义为代表的第一、二次人工智能发展浪潮，正是人类对人工智能抽象性认知的真实写照。但经历时间的洗礼后，这两次人工智能发展浪潮都遭遇了严重的失败。这主要是因为符号主义和初始的连接主义都是对人类大脑活动的模仿，并没有合理借鉴大脑产生智能的机制，最终导致结果不尽人意、人工智能项目纷纷落马。深度学习的成功，表明受大脑启发的人工智能是其能够得以广泛应用的根本原因。深度学习不仅依赖计算能力和大数据技术的进步，更加依赖卷积神经网络（CNN）等模型和参数训练技巧的进步。

毋庸置疑，以深度学习为代表的第三次人工智能浪潮取得了巨大的成功，人工智能应用正加速落地并不断商业化。但从人工智能总体发展水平来看，其仍处于初始的“起步”阶段。截至目前，人工智能的发展史可以简单近似为模仿人类智能的历史。随着第一、二次人工智能发展浪潮的失败，学者们纷纷将研究重心放在了神经网络模型的突破上。深度学习概念的提出与发展，直接开启了人工智能在学术界和产业界的第三次浪潮。但从本质上讲，深度学习是机器学习算法重要进展的体现，却并非颠覆性创新。

算法、算力、数据是深度学习成功的先决条件，但深度学习在算法、算力、数据以及认知层面均存在瓶颈问题（见表11）。在算法层面，人工智能存在黑盒子问题，效果无法预知，还存在个人经验主义和没有记忆能力等问题；在算力层面，目前的模型训练仍依靠蛮力计算，算力存在瓶颈，且面临摩尔定律失效的困境，计算性能增长变得困难；在数据层面，数据的透明性、数据攻击问题和监督学习问题成为人工智能的新瓶颈；在认知层面，现有的人工智能模型缺乏常识，因此无法理解实体概念，无法识别关键影响因素，且缺乏伦理道德。表1-1 人工智能的局限性资料来源：何宝宏.AI技术的天花板.电信网技术，2018（4）.

谭铁牛院士则认为，人工智能的发展存在数据瓶颈、泛化瓶颈、能耗瓶颈、语义鸿沟瓶颈、可解释性瓶颈和可靠性瓶颈。他用“四有四无”概括人工智能总体状况：

●人工智能有智能没智慧：智慧是高级智能，有意识，有悟性，可以决策；而人工智能缺乏意识和悟性，缺乏综合决策的能力。

●人工智能有智商没情商：机器对人的情感理解与交流仍处于起步阶段，距离科幻电影中跟人类谈情说爱的人工智能还差很远。

●人工智能有计算没算计：人工智能系统可谓有智无心，更无谋。

●人工智能有专才没通才：会下围棋的AlphaGo不会下象棋。

人工智能泡沫是否会出现？

与学术界的客观审慎不同，政府机构、社会资本、民众对于人工智能的热情，导致人工智能宣传被夸大，很多初创企业也有蹭人工智能热度的嫌疑。近年来，人工智能泡沫论的声音不绝于耳。李开复在接受采访时表示，“到2018年年底，我们除了会看到一些非常成功的人工智能案例，还会看到更多的泡沫破裂，这将耗尽公司资金甚至导致破产，最后可能会导致人工智能的整个环境冷却一段时间”。杨立昆在网络上表达了赞同，并补充评论道：“（人工智能泡沫将破）确实如此。李开复提到的泡沫就是指有些公司许下了过高的承诺，但是今年要不了多久他们的钱就花完了。”

关于人工智能泡沫的争论正在升温，观点的交锋也日趋激烈。乐观者如吴恩达，认为人工智能就是新时代的电力，运输、农业、制造、通信、医疗等领域都将被人工智能所改变，人工智能泡沫的说法也就无从说起。悲观者如《硅谷百年史》的作者皮埃罗·斯加鲁菲（Piero Scaruffi），则认为人工智能技术的发展及产品落地、商业化之间还存在不小的差距，人工智能绝对是一个泡沫。那么，人工智能泡沫将会如何呈现？人工智能的未来将何去何从？

以史为鉴，先来回顾一下2000年左右的互联网泡沫经历。1994年，World Wide Web的出现，让互联网第一次真正走进了公众的视野，这一充满市场想象空间的新兴产业迅速笼络了大量资金。此后，互联网产业的发展日新月异，软件应用、互联网服务提供商（ISP）、互联网内容提供商（ICP）集中爆发，人们对互联网发展的预期持续升温。但2000年，互联网行业没有像人们期待的那样发展，反倒是遭遇了千年虫的打击。千年虫等问题的出现，让人们意识到互联网技术的发展还只处于初期阶段，很多商业模式还不够成熟，很多问题也没有解决，这直接引发了互联网泡沫的破灭。2000年3月10日，纳斯达克指数达到最高点5048.62点，随后开始掉头向下，到2002年10月9日见底于1114.11点，指数跌幅超过77%（见图1-12）。图1-12 互联网泡沫时期的纳斯达克指数

如今，人工智能产业的发展也存在相似的困境。一方面，人工智能技术在很多领域的应用成熟度有限，许多产品满足不了市场需求。另一方面，人工智能领域的风险投资却如火如荼，跟风现象时有发生。此外，人工智能领域的专业人才严重匮乏，对相关产业的发展形成制约。结合2000年左右的互联网泡沫经历，我们可以总结出目前人工智能泡沫论的主要论点：

●人们对于人工智能改变生活的预期与人工智能的现实能力不匹配。以自动驾驶为例，汽车生产商对全自动驾驶（Level 4）的实现时间盲目乐观。特斯拉和谷歌预测将于2018年实现全自动驾驶，Delphi和MobileEye承诺于2019年推出Level 4自动驾驶系统，Nutonomy公司则计划于2019年在新加坡街头部署数千辆无人驾驶出租车。但加里·马库斯（Gary Marcus）等专家认为，实现完全自动驾驶可能需要数年甚至数十年，届时才能出现可以避免事故的自动驾驶系统。

●资本界和媒体对人工智能的理解与人工智能现实能力不匹配。部分资本界人士和媒体对人工智能的理解较为片面，对人工智能现阶段的能力认识不足。扭曲的信息在网络中被多次传播，逐级放大，最终导致社会整体认知的缺陷。

以人类智能为基准，现有的人工智能技术或许连婴儿的水平都达不到。以深度学习为代表的机器学习技术，也仅仅是实现真正人工智能的一小步。在可以预见的未来，新型人工智能算法、算力和大数据技术或将不断取得新突破，人工智能也仍将持续保持高速发展态势。与前两次人工智能浪潮相比，第三次人工智能浪潮可以解决的问题已大大拓展，我们对人工智能未来的发展应该持有乐观的心态。但同时，资本的疯狂追逐、误导性的宣传也会持续下去，人们对人工智能改变生活的预期与人工智能现实能力的不匹配，必将导致人工智能泡沫的产生。未来一段时间，人工智能的发展或将呈现冰火两重天：有能力的公司加速扩张，没能力的公司迅速溃败。

历史上，很多研究领域都经历过从萌芽期、发展期、泡沫期，到

试读结束[说明：试读内容隐藏了图片]

下载完整电子书