人工智能

人工智能现状发展的现状简介

随着科技的进步，人工技能已经涉及到生活的方方面面，而且它的发展前景是非常好的。比如在大数据价值观上做出的贡献，是物联网价值的体现，都有着巨大的作用。从这个上面能够看到人类对人工智能的依赖性也很强。

现在各行各业都在不断的创新，这样才能够带动经济发展，尤其是在互联网时代，人工智能的领域有着巨大的发展空间，也有着很大的创新空间，能够创造出巨大的价值。

包括随着人工智能的出现，让很多领域都可以又省力也能够提升社会生产力，做出了巨大的贡献。尤其是现在大家也能够看到人工智能的作用，确实是非常大。

作为这个发展飞速的年代里，只有不断的创新高科技，才能够进步得越来越快，而且为人们的生活提供很大的便捷，所以人工智能发展前景一片光明。

人工智能在近年来是非常火的，那么与人工智能相关的专业有哪些？下面小编来告诉大家。

操作方法

数据科学与大数据技术

如果我们想学习人工智能的话，可以选择数据科学与大数据技术这个专业，这个专业与人工智能的关系较为密切，其次，这个专业是今年新增的专业，很多学校都新增了这个专业。

机器人工程

如果想学习人工智能的话，我们也可以选择机器人工程这个专业，这个专业也是今年新增的专业，与人工智能的关系非常的紧密。

计算机科学

如果我们想学习人工智能的话，也可以选择计算机科学这个专业，这个专业不是新增的专业，但和人工智能的关系也是非常的紧密，学这个专业是非常好的。

智能科学与技术

如果我们想学人工智能的话，也可以选择智能科学与技术这个专业，这个专业中有很多关于人工智能的知识。

区块链和人工智能是目前最热门的两种技术趋势。尽管这两种技术有着高度不同的开发方和应用，但研究人员一直在讨论和探索它们的结合。

普华永道预测，到2030年，人工智能将为世界经济增加15.7万亿美元，因此全球GDP将增长14％。根据Gartner的预测，区块链技术带来的商业价值将在同年增加到3.1万亿美元。

根据定义，区块链是一个分布式的、分散的、不可变的分类账，用于存储加密数据。另一方面，人工智能是引擎或“大脑”，能够从收集的数据中进行分析和决策。

不言而喻，每种技术都有其各自的复杂程度，但人工智能和区块链都处于可以相互受益、相互帮助的境地。

由于这两种技术都能够以不同的方式对数据进行影响和实施，因此它们的结合是有意义的，而且可以将数据的利用提升到新的水平。同时，将机器学习和人工智能集成到区块链中，反之亦然，可以增强区块链的基础架构，提升人工智能的潜力。

此外，区块链还可以使人工智能更加连贯和易于理解，我们可以追踪和确定为什么要在机器学习中做出决策。区块链及其分类帐可以记录在机器学习下做出决策的所有数据和变量。

此外，人工智能可以比人类更好地提高区块链的效率。看看当前在标准计算机上运行区块链的方式，就可以证明这一点，即使是基本任务，也需要大量的处理能力。

智能计算能力

如果您要在计算机上运行区块链及其所有加密数据，则需要大量处理能力。例如，用于挖掘比特币的哈希算法采用了“强力”方法，即系统地列举解决方案的所有可能候选项，并在验证交易之前检查每个候选项是否满足问题陈述。

人工智能为我们提供了一个机会，让我们摆脱这一困境，以一种更加智能和高效的方式处理任务。想象一下一个基于机器学习的算法，如果给它适当的训练数据，它实际上可以“实时”地提高它的技能。

创建多样化的数据集

与基于人工智能的项目不同，区块链技术创造了分散、透明的网络，世界各地的任何人都可以在区块链公共网络环境下访问这些网络。虽然区块链技术是加密货币的分类账，但区块链网络现在正被应用于许多行业，以实现权力下放。例如，Singuarlitiynet特别专注于利用区块链技术鼓励更广泛的数据和算法分布，帮助确保人工智能的未来发展和“分散人工智能”的创建。

SingularityNET 将区块链和人工智能结合起来，创建更智能、分散的人工智能块链网络，可以托管不同的数据集。通过在区块链创建一个应用编程接口，它将允许人工智能代理之间的相互通信。因此，不同的算法可以建立在不同的数据集上。

数据保护

人工智能的发展完全依赖于数据的输入——我们的数据。人工智能通过数据接收关于世界和世界上发生的事情的信息。基本上，数据是人工智能的来源，通过它，人工智能将能够不断提高自己。

另一方面，区块链本质上是一种允许在分布式分类账上加密存储数据的技术。它允许创建完全安全的数据库，获得批准的各方可以查看这些数据库。当区块链和人工智能结合时，我们有一个备份系统，用于备份个人的敏感和高价值的个人数据。

医疗或财务数据过于敏感，无法移交给一家公司及其算法。将这些数据存储在一个可被人工智能访问的区块链上，但只有在获得许可并通过适当程序后，才能在安全存储敏感数据的同时，为我们提供个性化建议。

数据货币化

将这两种技术结合起来可能带来的另一个颠覆性创新是数据货币化。对Facebook 和谷歌等大公司来说，将收集的数据货币化是一个巨大的收入来源。

让其他人决定如何销售数据以便为企业创造利润表明数据正在被商业化，而且不利于我们。区块链允许我们加密保护我们的数据，并以我们认为合适的方式使用它。如果我们愿意，这也可以让我们个人货币化数据，而不会损害我们的个人信息。

同样的情况也适用于需要我们数据的人工智能程序。为了学习和开发人工智能算法，人工智能网络将被要求通过数据市场直接从其创建者那里购买数据。这将使整个过程比现在更加公平，而且没有技术巨头可以利用它的用户。

这样的数据市场也将为小公司开放。开发和提供人工智能对于那些不生成自己数据的公司来说是非常昂贵的。通过分散的数据市场，他们将能够访问其他过于昂贵和私人保存的数据。

信任人工智能决策

随着人工智能算法通过学习变得更加智能，数据科学家将越来越难理解这些程序是如何得出具体结论和决策的。这是因为人工智能算法将能够处理难以置信的大量数据和变量。然而，我们必须继续审核人工智能得出的结论，因为我们想确保它们仍然反映现实。

通过使用区块链技术，人工智能在决策过程中使用的所有数据、变量和过程都有不可改变的记录。这使得审计整个过程变得更加容易。

通过适当的区块链程序，可以观察到从数据输入到结论的所有步骤，观察方将确保这些数据没有被篡改，它让人们相信人工智能得出的结论。这是一个必要的步骤，因为如果个人和公司不了解人工智能应用程序的功能和决策的基础信息，他们就不会开始使用人工智能应用。

区块链技术和人工智能的结合仍然是一个很大程度上未被发现的领域。尽管这两种技术的融合在学术上受到了相当大的关注，但致力于这种突破性组合的项目仍然很少。

将这两种技术结合在一起有可能以前所未有的方式使用数据。数据是开发和增强人工智能算法的关键要素，区块链保护这些数据，允许我们审计人工智能从数据中得出结论的所有中间步骤，并允许个人将其生成的数据货币化。

人工智能可能具有难以置信的革命性，但它的设计必须极其谨慎——区块链可以对此提供很大帮助。这两种技术之间的相互作用将如何发展，谁也说不准，然而，其真正的颠覆潜力显然是存在的，并且正在迅速发展。

华为手机智能识物可以帮我们识别不认识的字、商品以及人物，那么这个功能在哪里找到呢？又该如何使用呢？下面是此功能的介绍。

操作方法

这个功能是附加在华为相机里的，所以首先就是要点击桌面上的“相机”选项，如图所示...

进入到相册应用之后，往左滑动切换出“模式”界面，见图一...如果列表中没有看到智能识物选项，那就是还没有下载下来，所以此时点击右下角的“下载”；

点击下载以后，即可看到“智能识物”功能了，点击右侧的“下载”选项即可，返回到刚才的模式界面，这样就能看到“智能识物”了；

那么这个功能怎么用呢？其实很简单，我们只需拿相机对着需要识别的事物进行拍照，比如我们在网上拍照了一张图片，如下图所示...

点击图片下方的识别标记，然后系统会跳转到浏览器端，并且以网页的形式告诉我们识别结果，见图二；

操作方法

人工智能可以完成考试的阅卷工作，比如现在的英语听力考试，大量的都是采用人工在完成阅卷，耗费大量人力资源

并且通过人工智能进行的阅卷不会因为疲倦等人为因素导致阅卷过程的不公平、错误等现象的出现

人工智能可以实现教育的因材施教的理念，通过终端把每一个孩子的特点，容易在学习上犯的错误归纳总结出最合适每个孩子的专属学习方案

人工智能可以让贫困边远山区的孩子公平的享受教育资源，在乡村也能够接受好的教育

目前，人工智能专业的学习内容主要包括：机器学习、人工智能导论（搜索方法等）、生物进化理论、图像识别、自然语言处理、语义网络、游戏理论等。所需的科课程主要包括：信号处理、线性代数、微积分、编程（最好有数据结构基础）等。

NPU它是一个网络处理器。嵌入式神经网络处理器采用数据驱动并行计算架构，特别擅长处理大量的视频和图像多媒体数据。中兴微数字多媒体芯片技术国家重点实验室在北京宣布，中国第一个嵌入式神经网络处理器芯片已成功开发，成为世界上第一个具有深度学习人工智能的嵌入式采集压缩编码系统级芯片，并被命名为星光智能1。

CS是ComputerScience（计算机科学）的缩写。它是一门研究计算机及其周围现象和规律的科学，即研究计算机系统结构、程序系统（即软件）、人工智能和计算本身的性质和问题。人工智能计算机科学分支旨在创建一个人工系统，可以解决计算问题，并像动物和人类一样思考和交流。

需要明确的是，人工智能确实会对某些行业产生影响，但并不是所有的行业都会受到影响。它的出现也会促进经济的发展和促进就业。随着人工智能的快速发展，越来越多的人开始担心，这种新兴技术是否会导致大量的失业。事实上，第一批因AI失业的人已经出现，这些人大多是从事简单重复性工作的人，比如工厂流水线上的工人、客服中心的客服人员等。

对于那些需要高度创造力和智力的工作，人工智能并不能完全取代人类。比如艺术家、作家、科学家、医生等这些职业，都需要人类的创造力和智慧才能完成。这些职业的就业岗位并不会因为人工智能的出现而减少。人工智能需要程序员、算法工程师、数据分析师等高技术人才来开发和维护。人工智能的应用越来越广泛，将会出现更多与人工智能相关的职业，比如机器人维护人员、智能家居安装师等。

人工智能可以帮助企业提高生产效率和产品质量，从而提高企业的竞争力。这将会促进企业的发展，创造更多的就业机会。而且人工智能还可以帮助企业降低成本，提高利润，从而为社会创造更多的财富。可以鼓励企业采用人工智能技术，同时也可以鼓励企业培训员工，提高员工的技能水平，从而适应新的就业环境。还可以通过创新创业政策，鼓励人们自主创业，从而创造更多的就业机会。

人工智能的出现确实会对某些行业产生影响，但并不是所有的行业都会受到影响。而且人工智能的出现也会带来新的就业机会和经济发展机遇。因此应该看到人工智能的积极作用，同时也要采取措施来应对可能出现的失业问题，从而实现人工智能和就业的双赢。

这个问题的答案是肯定的，但也需要有所区分。人工智能技术的发展确实已经走过了很长的路程，并在很多领域得到了广泛应用。随着人工智能技术的不断发展和应用，似乎人们对于“iPhone时刻”的期待也越来越高。这个概念源于苹果公司推出iPhone手机之后所引发的一股热潮，大家都认为这款手机的问世代表了移动通信技术的一个新时代，也象征着人们生活方式的深刻变革。

人工智能的发展离不开计算机科学和数学等学科的支持。这些学科的发展和进步，需要大量的研究和实践。在过去的几十年里，这些学科领域的科学家和研究者们不断努力，为人工智能技术的发展打下了坚实的基础。各种开源软件和工具，也使得人工智能技术的应用变得更加普及和方便，推动了人工智能技术的不断发展。

人工智能技术的应用场景也越来越丰富。从智能家居、物流配送到金融领域的风控等，人工智能技术正在逐渐渗透到生活和工作的各个领域。这些应用的实现，使得人们对于人工智能技术的认知和期待也越来越高。通过大数据、机器学习、自然语言处理等技术的结合，人工智能可以为各行各业提供更高效、更优质的服务。

但也不能忽略人工智能技术发展中存在的诸多问题和挑战，人工智能算法的正确性、可解释性、以及数据隐私等问题，都需要去思考和解决。也需要关注人工智能技术带来的一些负面影响，例如，人工智能在失业率上的影响、对社会公正性的影响等。这表明，在人工智能技术的发展过程中，需要强调平衡各方面的利益和关注人类的整体福祉。还需要不断地思考和探索，以解决人工智能技术发展中的问题和挑战，更好地应用人工智能技术服务于人类社会。这既需要技术科学家和研究者们的努力，也需要政策制定者、社会机构以及广大民众的参与和支持。只有这样，才能真正迎来人工智能“iPhone时刻”的到来。

最近，国外媒体报道抗衰老产业价值1100亿美元，预计到2025年将达到6100亿美元。世界各地的科学家正在利用基因组学和人工智能来延长生命。

报告指出，在政府、企业、学者和投资者的支持下，世界各地的科学家正在利用基因组学和人工智能来延长生命。

科学家声称人们可以做很多事情来延长他们的寿命和健康。并表示，目前正在进行的大规模药物试验和其他干预措施意味着，曾经神话般的长寿和健康生活的目标已经不远了。

纽约爱因斯坦医学院衰老研究所所长尼尔·巴兹莱博士对二甲双胍进行了为期五年的临床试验，以证明该药物能显著减缓细胞衰老，从而使使用者有望在近乎完美的健康状态下生活数十年。

据报道，英国政府已将人工智能和长寿列为其发展重点，并将其纳入“大工业战略的严峻挑战”。目前，有一些抗衰老药物的临床试验，其原理是利用分子来选择性地破坏人体内的衰老细胞。

牛津大学的林恩·考克斯教授说，八年前的实验发现，去除老鼠体内的老化细胞会带来明显的返老还童，而将老化细胞移植到幼鼠体内则会导致过早衰老。

然而，考克斯提醒说，这项研究还处于早期阶段，更安全、更有效的方法是做我们已经知道有效的事情:加强锻炼，少吃，少吃，睡得香。

人工智能将帮助人类逆转衰老和抗衰老产业价值十亿美元

你可能听说过神经网络，它启发了人工智能的诞生，创造了当今最先进的人工智能技术。虽然深度学习的概念相对较新，但它们实际上是基于一个可以追溯到1943年的数学理论。

沃伦·麦卡洛克和沃尔特·皮茨的“神经活动中思想的逻辑计算”听起来像是无稽之谈，但对计算机科学来说，它就像网页排名算法对谷歌一样重要(甚至比它更重要)，而谷歌正是诞生并创造了谷歌。在“逻辑计算”中，麦卡洛克和皮茨描述了人工神经元网络实现逻辑功能的方式。人工智能诞生了！

人工智能开始

如果人工智能的正式开始要被精确定位，那很可能是1955年8月31日。这是研究人员约翰·麦卡锡、马文·明斯基、马文·明斯基和克劳德·香农提交的一份提案，内容是“为期2个月、10人的人工智能研究”。

出现反向传播算法

反向传播是机器学习史上最重要的算法之一。它最初是在1969年提出的，但在20世纪80年代中期开始成为机器学习的主流。

反向传播算法的功能是允许神经网络调整其隐藏层，使其输出不符合其创建者的期望。简而言之，这意味着创建者可以通过在出错时纠正网络来训练网络。当这样做时，该算法将修改神经网络中的不同连接，以确保下次遇到相同的问题时能够得到正确的答案。

用电脑聊天

照片来源朱利安·乔卡图/数字趋势

你有没有想过亚马逊的Alexa，谷歌助手和苹果的Siri是什么？早在20世纪60年代中期，麻省理工学院人工智能实验室的一位教授发明了一种名为伊莱扎的计算机心理治疗师，它可以通过文本文件与用户进行看似智能的对话。

奇点

奇点是机器变得比人类更聪明的地方。别担心，这事还没发生。

但是计算机科学家维诺·文奇预测，在未来30年，人类将创造超越人类智能的人工智能。埃隆·马斯克和其他计算机专业人士近年来也一直强调，人类应该提前防范奇点的到来。

自动驾驶

谷歌开发了世界上第一辆自动驾驶汽车吗？不，早在1986年，德国联邦大学的研究人员就能够在一条空荡荡的街道上成功驾驶一辆装有摄像头和智能传感器的汽车。几年后，卡内基梅隆大学的研究员迪安·波默洛制造了一辆自动货车。按照今天的标准，这项技术还很原始，但它证明了无人驾驶汽车已经开始出现。

《大脑的最后一战》

1997年是人工智能的一年，因为IBM的“深蓝”超级计算机在国际象棋比赛中击败了人类冠军加里·卡斯帕罗夫。毫无疑问，深蓝处理信息的速度比卡斯帕罗夫更快，但真正的问题是它是否会更具战略性地思考。事实证明这是可能的！

人工智能也喜欢猫？

图像源vmalisauskas/gettymages

2012年6月，谷歌研究人员将YouTube上所有1000万张未标记的图片和视频下载到电脑上，并训练了一个由16000个电脑处理器组成的庞大神经网络。尽管没有提供识别信息，人工智能可以通过深入的学习算法来学习识别猫科动物的照片。

事实证明，和我们一样，人工智能也喜欢看猫的视频。

人工智能击败人类围棋冠军

2016年3月，谷歌深度思维的AlphaGo在四场比赛中击败了围棋世界冠军李·赛多。全世界有6000万观众观看了这场比赛。这是一个里程碑，因为游戏中国际象棋的绝对总数大于宇宙中原子的总数。这是迄今为止人工智能最惊人的成就。

(校对:李同信)

蝌蚪工作人员编译数字趋势，转载请联系授权

冒着暴露我年龄的危险，我还想说，我知道这件事对你意义重大:

红白相间的电视游戏是一代人的记忆，也许不愿让它们永远保持沉默。研究人工智能的专家们发现了一个让它们在第二个春天发光的机会——由人工智能来扮演。

谷歌在英国剑桥有一个子公司——深度思维。他们为人工智能玩雅达利(美国最大的电子游戏公司)游戏，希望他们能在玩游戏的同时学会如何与现实世界互动。这些人工智能软件非常喜欢电子游戏，如果他们坚持练习，他们会比人类玩得更好。

现在人工智能也在玩蜜蜂、砖块和弹球桌。

游戏世界似乎与现实世界无关，但事实上，学习过程和解决问题的逻辑是一样的:

观察→状态判断→行动→反馈→观察...

除了谷歌，还有一家叫奥萨罗的公司让人工智能玩游戏。奥萨罗开发的人工智能是基于神经网络和强化学习的设计。人工智能的神经网络与人脑的相似。理论上，如果人工智能有足够的照片，它可以通过这些已知信息识别照片中的一切。这种情况应用在游戏中，可以让人工智能知道当前游戏处于什么状态。此外，Osaro公司专门开发的递归神经网络可以使人工智能具有与人类相似的短时记忆:将过去的短时记忆与现在的短时记忆进行比较，可以更好地判断环境状态的变化和未来的发展趋势。

观察后，用强化学习来调整动作:如果动作结果是肯定的，下次再做，否则就放弃。游戏世界非常简单。分数奖励就像刺激人脑的多巴胺。如果一个动作可以增加分数，人工智能将更倾向于这样做，或者下次选择类似的方法。

将这种学习方法应用于真实场景是谷歌和奥萨罗的最终目标:例如，如果机器人成功地将杯子放在指定位置，它将得到奖励，如果它打破了杯子，它将受到惩罚。这样，它将理解人类想要什么，而不是机械地执行命令。

事实上，人工智能就像一个孩子。如果你试图在游戏中犯错，你最终会发现所有的通关技巧。虽然现实世界的复杂性是游戏无法比拟的，但对于人工智能来说，玩像“教鱼”这样的游戏更重要——学会如何学习比“学什么”更重要。

现在回想起来，你在玩游戏的时候有没有意识到一些模糊的事实？

原创文章，转载必须注明来自蝌蚪工作人员

人工智能的历史是幻想、可能性、演示和希望的历史。自从荷马写下了机械三脚架并等待众神的晚餐，想象用机械来帮助生活已经成为人类文化的一部分。然而，只是从上个半世纪开始，人类才开始在人工智能领域制造机器，以检验关于思维和智能行为的假设，并制造出以前只有理论上才有可能的机械装置。尽管目前成熟的人工智能仍然属于遥远的未来，我们仍然需要保持沟通和努力来实现希望。

哲学家们提出了一种可能的智能机器来帮助我们从文学的角度来定义它对人类的意义。例如，笛卡尔对“机器人”的兴趣更多地在于它的隐喻意义，而不是它现实的可能性。另一方面，莱布尼茨预见了机器人实现的可能性，也就是说，机械逻辑装置的发明帮助人们用纯逻辑来消除争端。莱布尼茨和帕斯卡都设计了计算机器来解决算术问题，这为后来的学者发明“计算器”提供了有力的证据，但他们两人从未声称机器本身会思考。康科迪亚(法国哲学家)曾在比喻中提到一座雕像。人们将各种有价值的知识注入大脑。最后，作者问雕像在多大程度上有足够的知识让它看起来像人类一样聪明。

科幻作家使用可能的智能机器来提升人们对非人类智能的想象，同时让我们思考自己作为人类的特征。19世纪的儒勒·凡尔纳和20世纪的艾萨克·阿西莫夫是其中的佼佼者。此外，莱曼·弗兰克·鲍姆写了《绿野仙踪》。鲍姆写了几个机器人角色。在1907年出版的《绿野仙踪》中，他将机器人“Tiktok”描述为“一个非常负责任的机器人，能想出各种各样的主意，并且能完美地说话。”除了生活，它可以思考、说话、行动和做任何事情。“这些作家启发了许多人工智能科学家。

鲍姆这样描述铁皮人:“一个非常负责任的机器人，能想出各种各样的想法，并且能完美地说话。”除了生活，它可以思考、说话、行动和做任何事情。"

机器人和人工创造的生物，如犹太传说中的咕鲁(希伯来传说中有生命的假人)和玛丽·雪莱中的弗莱克肯·斯坦，一直吸引着公众的想象力，其中许多人利用了人类的恐惧。机械动物和玩偶，包括贝多芬为其创作管弦乐作品的机械小号手，实际上是17世纪钟表匠制造的。尽管他们能表演的表演极其有限，而且制作这些表演的初衷是为了好奇，而不是为了制造一台真正的思考机器，但它们仍然提供了一些关于行为的原始机械观点，这些行为不需要害怕。随着工业机械化程度的进一步提高，机器变得越来越复杂和普及。但本质上，它们仍然是简单的发条装置。

18和19世纪流行的国际象棋游戏机被展示为智能机器，其中最引人注目的是一种叫做“土耳其人”的机器。这些机器甚至让一些人相信他们通过独立思考下棋。象棋无疑是一项需要思考的活动，人们把它联系起来也就不足为奇了。例如，萨姆·朗霍恩·克莱门斯(马克·吐温)曾在一个报纸专栏中写道，“土耳其”下棋下得非常好，它一定是一台机器。象棋在人工智能的早期领域被广泛用于学习推理和表达机制是如何工作的。(其中一个重要的里程碑是国际象棋冠军加里·卡斯帕罗夫在1997年被深蓝击败。)

“土耳其人”来自弗赖赫尔·约瑟夫·弗里德里希·祖拉赫尼茨于1789年创作的版画。

随着20世纪电子学领域的许多发明，以及第二次世界大战后曼彻斯特艾伦·图灵实验室、宾夕法尼亚大学摩尔电子学院、哈佛霍华德·艾肯德实验室、IBM和贝尔实验室等地现代计算机的出现，这种可能性一度被提出来进一步得到证实。由于现代计算机惊人的计算能力，计算机在20世纪40年代经常被称为“巨型大脑”。

2005年10月8日，斯坦福竞赛队的自动驾驶汽车斯坦利赢得了美国国防高级研究计划局年度总决赛。这辆车在拉斯维加斯西南部高速公路旁的沙漠中行驶了不到7个小时。

美国宇航局火星探测机器人

然而，人工智能不仅仅是关于机器人的，它也是对智能思维的属性和计算机相关实验操作的探索。1944年，赫伯·西蒙提出了心理学中信息处理和符号操纵的基本理论:“任何理性的决定都可以被认为是在某些假设和前提下的结论...因此，如果一个人定义了相关的条件和前提来做出决定，他的行为就可以被操纵。”(摘自纽厄尔和西蒙1972年合著的论文附录)。

赫伯·西蒙

人工智能在其成长阶段受到许多其他学科的影响。它们来自工程学(例如，研究控制论的诺伯特·维纳提出的反馈和控制理论)、生物学(例如，威廉·罗兹·阿什比、沃伦·麦卡洛克和沃尔特·皮茨对简单生物体的神经网络的研究)。实验心理学(见纽威尔和西蒙1972年的论文)、交流理论(如克劳德·香农理论)、博弈论(最著名的是约翰·冯·诺依曼和奥斯卡·莫根施特恩)、数学和统计学(如欧文·约翰·古德)、逻辑和哲学(如艾伦·特林、阿隆佐·邱奇和卡尔·亨佩尔)以及语言学(如诺姆·乔姆斯基的语法研究)。这些研究在人工智能领域留下了痕迹，并将继续影响这一学科。这些影响是巨大而深远的。在吸收这些学科知识的同时，人工智能进一步发展超出了它们的范围，并反过来偶尔影响到这些学科本身。

只是在过去的半个世纪里，我们的计算工具和编程语言才强大到足以支持我们对智能探索理论的实验证明。图灵于1950年在哲学期刊《心智》上提交的学术论文是人工智能领域的一个重大转折点。本文就如何制造一台能够执行智能行为的机器提出了一个清晰可行的观点，包括一个里程碑式的想法，即模仿游戏的描述——这就是我们所熟悉的图灵测试。万尼瓦尔·布什在1945年的《亚特兰大月刊》上发表了一篇论文，对类似测试的可能性提出了一个有先见之明的观点，但是图灵实际上写了一个计算机程序——例如，像香农在1950年的提案中计划的那样下棋。

早期的计算机程序不可避免地受到内存大小、处理器速度以及笨拙的操作系统和语言本身的限制。(例如，在垃圾收集机制发明之前，内存管理是程序员们头疼的问题)。直到20世纪50年代和60年代，硬件中处理器和存储器的发展，如Lisp、IPL和POP等符号操作语言，以及分时系统的出现，才给了程序员更多的权力。尽管如此，在这个时期仍然有许多令人惊奇的程序，允许计算机解决许多过去只有聪明人才能解决的问题。

早期的社会包括许多对这类项目的具体描述。第一本全面描述人工智能领域研究的书是1963年爱德华·费根鲍姆和朱利安·费尔德曼所著的《计算机与思想》。

这本书描述了阿瑟·塞缪尔编写的一个象棋程序，该程序完成于20世纪50年代，使用了IBM704和汇编语言。从IBM704的硬件条件和汇编语言的基本水平来看，这个程序非常精致。理解如何下棋只需要普通的智力，而完全精通需要稍高的智力。塞缪尔的程序(后来在性能上被奇努克的程序击败)甚至更好，因为它可以通过实验提高自己下棋的能力——也就是说，通过与人或其他程序对弈。当我们试图讨论智慧的核心是什么时，学习能力必须是其中之一(见马文·明斯基1961年的论文《走向人工智能的步骤》)。

艾伦·纽厄尔、约翰·克瑞弗·肖和赫伯·西蒙也在20世纪50年代写了一些节目，这些节目富有超越时代的洞察力，但受到时代工具的限制。他们的LT项目是另一个惊人的技巧。这个程序通过发明逻辑定理的证明震惊了整个世界——这无疑需要创造力和智力。这个项目于1956年在达特茅斯人工智能学会展出，该学会设立了“人工智能”的名称。

纽厄尔和西蒙肯定了奥利弗·塞尔弗里奇早期使用符号操作程序进行模式识别的演示(见费根鲍姆和费尔德曼1963年的论文)。塞弗里奇在20世纪50年代早期对学习和使用多智能体方法解决问题的研究(以下简称黑板模型)以及其他研究，被认为是启发式研究中令人惊奇的证明。这些初步论证逐渐在人工智能领域建立了一个基本标准，西蒙称之为“满意”标准:即当没有有效的方法来确保找到问题的解决方案时，启发式方法可以指导决策者在合理的时间内找到满意的解决方案，尽管这种解决方案不一定是最优的解决方案。

奥利弗·塞弗里奇

明斯基(1968)在他对1950年后20年的研究工作的总结中写道:

“1962年以前，人工智能领域最核心的任务是找到一种启发式机制，可以用来控制探索方法的界限。次核心任务是找到机器学习的方法。然而，1962年以后，对学习的思考减少了，更多的变成了对知识表征的研究和对旧知识体系的淘汰。如何有效地使用启发式搜索仍然是一个潜在的制约因素，但它已不再是人们关注和思考的焦点。我们正致力于探索更微妙和更小的问题，如现有方案的代表性和修改。”

明斯基自己对知识表征系统的研究和他称之为“心理社会”的概念为大量后续研究指明了方向。正式和非正式的知识展示已经成为所有人工智能项目的基石。在约翰·约翰·麦卡锡于1958年发表的一篇重要论文《常识性程序》(转载于明斯基1968年的论文)中，例子证明陈述性知识的表征很容易被操纵。从那时起，麦卡锡就提倡一种正式的知识表示系统，尤其是在谓词演算中。麦卡锡和其他学者在非单调逻辑和缺省推理方面所做的研究，如在不断变化的条件下做出决策，对智能行为的要求是什么，并为人工智能的真正定义提供了重要的意见。

马文·明斯基

约翰·麦卡锡

全球定位系统(纽厄尔，肖和香农)和其他早期研究的灵感来自心理学课题和实验方法(纽厄尔和香农1972)。例如，1959年由费根鲍姆完成的《EPAM》在程序中探索了记忆和遗忘的结合，并在心理实验中模拟了这种行为(1963年，格伦鲍姆和费尔德曼)。卡耐基梅隆大学(当时的卡耐基理工学院)的其他早期项目有意尝试模拟现实中试图解决问题的人的推理过程，例如解决数学难题或为投资组合选择股票，包括其中的错误。生产系统，以及后来的基于规则的系统，是为了模仿人类大脑在长时和短时记忆中操纵符号的过程而诞生的。1970年，唐纳德·沃特曼在斯坦福大学的毕业论文中，用生产系统玩扑克，用另一个程序学习如何玩得更好。

托马斯·埃文斯(Thomas Evans)1963年的论文解决了类似于一般智商测试的分类测试，这是关于如何在程序中使用类比推理的首次探索。詹姆斯·斯拉格在文章中用合作启发式方法解决了初等微积分中的符号集问题。此外，1960年初在麻省理工学院，丹尼·布朗、伯特·拉斐尔、罗斯·奎利亚纳和费希尔·布莱克都写了令人印象深刻的论文，这些论文都在明斯基的文集《语义信息处理》(明斯基1968)中提到过。

基于计算机存储和提取大量词典的能力，利用计算机理解和翻译语言的想法因其直观性而首次被提出。人们试图用查找表进行翻译，但最终失败了，并制造了许多有趣的笑话，这导致了学术界的激烈批评。多年来，学术界停止为机器翻译提供科研经费。丹尼·布朗的研究表明，计算机可以在有限的环境中使用数学词汇来理解和解决许多成年人觉得难以解决的问题。此外，罗伯特·西蒙斯、罗伯特·林德森和罗杰·沙克的研究也证实，理解语言——甚至翻译语言——可以在有限的领域实现。虽然最初的基于查找表的理解和翻译语言的方法没有得到改进，但是近年来语言理解的进步已经使我们离可对话的机器助手更近了一步。用于翻译、文本理解和语音理解的商业系统已经能够在一定程度上理解语言、语境和语义。

人工智能发展的另一个转折点来自20世纪60年代至70年代初基于知识的系统的发展。在20世纪60年代中期，由艾拉·戈尔茨坦和西蒙·派珀特(1977)描述的树形图算法程序的演示过程(由林赛等人于1980年共同发表)被认为是人工智能领域中基于知识的系统分支的“范式转变”。在此之前，基于逻辑的推理和问题解决理论被认为更有意义。“霉素”(布坎南和舒特勒夫于1984年出版)和数百个其他专家系统已经证明了少量知识对几个领域的决策行为的重要性。尽管仍有许多制约因素，部分是因为获取知识所需的努力，但他们成功地提供了专家助理，证实了“知识就是力量”的古老寓言。

25年后，原始树形图项目组的成员们拍了照片。

20世纪60年代还见证了学术机构支持的人工智能产业化的形成。前两个主要学术机构是麻省理工学院和卡内基梅隆大学(当时卡内基理工学院与兰德公司合作)。后来，人工智能实验室也在斯坦福和爱丁堡诞生。与图灵一起工作的唐纳德·米基组织了第一次，或者说是最早的一次，人工智能年度会议。机器智能研讨会于1965年首次在爱丁堡举行。大约与此同时，在20世纪60年代中期，计算机协会的人工智能特别兴趣小组为不同学科的人建立了一个论坛，分享他们对人工智能的看法。国际青年商会是一个国际社会组织，于1969年成立了一个两年一度的协会。美国人工智能协会(AAAI)就是在此基础上构想出来的，成立于1980年，旨在为北美的人工无线城市提供一个年度协会。许多其他国家也逐渐建立了类似的组织。

唐纳德·米奇

在20世纪60年代以后的几十年里，研究成果变得越来越显著。我们理解智能机制的能力也增强了。我们理解推理模式不是严格的演绎推理，其他的包括，例如，基于案例的推理、类比、归纳、不确定性推理和默认推理。当代对智能调解和车辆全自动驾驶以及其他方面的研究表明，许多方法需要与成功的系统相结合。

在人工智能领域，我们还有很多要学。例如，在学科发展的早期阶段提出的知识表示和推理仍然是两个需要澄清的主要领域。正在进行的关于学习、基于图形的推理以及与各种方法和系统的集成的研究将很可能向我们展示下一代人工智能的雏形。

然而，我们在人工智能领域的成功也迫使我们思考技术的成功对社会的影响，以及如何教育决策者和公众规划他们的未来。我们应该仔细研究批评家提出的观点。这些包括社会工作类型的变化，自动机器人失败的后果，隐私的丧失，以及我们在全文开头提出的观点:人类在宇宙中的位置。另一方面，我们不想放弃人工智能带来的许多好处，包括减少重复性工作、更安全的生产和旅行环境、更好的安全设施，以及做出保护宜居地球的更优决策。

尽管我们已经逐渐认识到智能本身的复杂性，但我们对智能机器人的幻想仍然存在。它的存在部分是因为我们是梦想家。现有的程序和我们取得的有限成功不仅证明了我们的无知，也证明了我们可以通过使用一些(正确的)方法和机器来真正创造真正的智能人工智能。然而，我们像试图在生物实验室创造人工生命的研究人员一样，应该对我们试图理解和模拟的东西怀有虔诚的敬意。

谢谢你

感谢海姆·赫希、大卫·李基、埃德·费根鲍姆和乔恩·格利克对初稿的评论，他们对我在这篇文章中所犯的任何错误不负任何责任。

○其他

减少的历史将不可避免地错过许多关键人物和重要里程碑。我向那些没有在这里提到它的人道歉。AAAI网站和书的内容将补充这里的许多空白。

美国国防高级研究计划局对人工智能研究的一些基本课题和机器人技术的支持使美国人工智能研究得以持续几十年。

人工智能时代女性角色的变化:适应时代的需要

随着人工智能进入我们生活的各个领域，越来越多的人开始关注人工智能的发展，但是很少有人关注即将到来的人工智能时代的白人偏见和父权制。

研究表明，与男性相比，女性对创新的怀疑和厌恶程度要高得多。这种对技术创新的恐惧实际上与女性在社会发展中经常被用作人工智能的替代品这一事实直接相关。因此，我们可以看到大量的模仿女性机器人和女性语音助手。

如果未来的许多工作是自动化的，机器人成为日常生活的一部分，那么最好确保算法对大多数人都是公平有效的，不管对方是美国黑人还是中国人。

到目前为止，85%参与机器学习的人是男性，所以考虑到程序员可能会在程序中反映他们自己的道德价值观，我们最终可能会进入一个由特权价值观主导的机器人主导的世界。

根据这一逻辑，很有可能会有这样一个未来:自动驾驶汽车和自动司法系统因为有偏见的道德原则而偏爱一种人而不喜欢另一种人。这个世界可能充满了人工智能性玩偶和迷人的女性人工智能助手，但由于大量工作的自动化和家庭价值观的淡化，真正的女性反而变得无关紧要。

这听起来是一件非常可怕的事情，但它绝对不是人类的目标。人工智能中应该存在种族歧视还是性别歧视？技术本身会有偏见吗？

世界经济论坛表达了这样的观点，因为妇女更多地从事容易被自动化取代的工作。例如，73%的商店收银员是女性，97%的收银员可能会因为自动化的普及而失业。

然而，统计数据倾向于立即自动化，数据量仍然有限。从自动化的角度来看，更多男性主导的职业，如建筑工人、卡车司机和出租车司机，将在未来受到影响。

我们应该关注的第一个话题不是哪些工作将被自动化取代，而是哪些工作和技能的相关性和需求将会增加。在这里，女性的长期前景比以往任何时候都更加光明。

同理心、倾听、多任务、直觉、协作和耐心都是在自动化时代特别有价值的重要品质，而创造力、同情心和协作将是机器时代最重要的三个品质。

从自然和文化的角度来看，女性更有可能从自动化过程中受益。女性天生的同理心和合作精神使她们在复杂的后工业时代处于有利地位。让我们分析这三个最重要的特征:

创造力:尽管计算机已经能够通过模型识别和相似性分析创造出独特的音乐和艺术作品，但很难享受情商和激情，这两种情感模型驱使人类创造出杰作。随着越来越多的妇女在学术和管理领域任职，她们将有平等的机会和创新的渠道。当然，科学技术将使人们找到新的自我表达方式，加快创新进程。

同情:根据英国国家统计数据，女性目前在护理和休闲职业中占主导地位，这两种职业都需要同情心和设身处地为他人着想的能力。2015年，约66%的护理人员是女性。

随着人口老龄化的加速，女性将变得越来越重要，越来越多的女性倾向于成为高级护士和心理学家。根据英国《每日电讯报》的一项研究，女性成为看护者的可能性是男性的两倍，这意味着女性在从事与同情相关的工作时更自然。富有同情心的人在心理学、教师、理疗师、社会工作者、健康教练、英国专家以及许多其他短期内不太可能分配给机器人的工作方面将拥有更大的就业市场。

合作:合作是人类固有的品质。人类发明了语言和信任系统，使大量的人能够为了同一个目标而一起工作，而不是动物之间的部落和种族因素。一般来说，男性更有竞争力，更关心赢得竞争，而女性更倾向于寻求互利与和平的解决方案。女性创造安全环境的自然生理倾向可以促使她们在政治和国际关系中发挥更重要的作用。

就职业而言，男人倾向于高估自己的能力并武断行事。另一方面，女性淡化自己的技能，向同龄人寻求帮助。在一个竞争激烈、在线学习和团队作战技能匮乏的时代，合作被证明更加有效。

21世纪，人类生存面临更多挑战。五种灭绝、空气污染、白色垃圾泛滥、气候变化、耐药和抗抗生素超级细菌的出现需要人类的共同努力。我们比以往任何时候都更需要同情、创新和合作。

在新的科技时代，男人和女人都需要更加突出我们之所以是人类的独特特征，这样我们才能在新的科技竞争中立于不败之地。

作者:人工智能时代女性角色的变化:更适应时代的需要

《人民日报》，北京，5月23日(记者魏延):“不管机器做什么样的计算过程，在一个指挥系统中，最终的决定必须由人来做，因为只有做决定的人才能接受它。”中国科学院院士张在22日出席2018国际智能产业高端论坛时作出上述表示。

基于“跨境创新与互联”理念的2018国际智能产业高端论坛、2018全球智能产业大会和全球创新技术成果转移大会暨博览会于22日在北京开幕。来自世界智能行业的2000多名有识之士、专家和学者汇聚一堂。他们将专注于人工智能、智能无人系统、智能制造、自动驾驶、工业机器人、智能硬件、智能工业控制等领域。

张院士认为，目前人工智能只能代替人来完成定义明确的日常事物，按规则办事很容易被机器代替，但需要灵活性、因人而异的工作短期内暂时无法完成。

张深信，未来的趋势将是人机合作。"机器做机器擅长的事，人类做人类擅长的事."但张强调，“现在最大的问题是人们不明白机器是干什么的。这非常危险。因为机器基本上是经过计算的，它为什么会得到这个结果？原因是什么？人类不明白。因此，在人机合作的过程中，它已经成为一个大问题。”

中国工程院院士赵小哲在主旨演讲中也指出:“预计到2025年，人工智能应用的市场总价值将超过1200亿美元。到2035年，受益于人工智能技术应用的发达国家的经济增长率可能会翻倍。”

在赵小哲看来，人类有理由相信，随着智能产业的发展，一系列新技术、新产品和新产业将会出现。进一步推进工业、农业、医疗、交通、金融等领域的转型升级；与此同时，人类也面临着巨大的挑战。例如，人工智能技术将颠覆传统的生产和组织运作模式，引发从金融到制造业等领域的大规模人力资源重组和财富再分配，加速社会转型升级。例如，如果恶意使用人工智能技术，将使安全威胁的形式多样化和隐蔽化，安全威胁的责任主体将更加难以确定。

据了解，会议期间，智能行业会议的主题论坛将围绕细分行业市场举行。包括人工智能峰会论坛、工业机器人与智能控制峰会论坛、自动驾驶前沿技术与工业发展峰会论坛、智能检测与装配系统解决方案峰会论坛、智能工业控制与安全防护峰会论坛、智能硬件产业发展峰会论坛、中国无人机产业创新联盟成立大会和智能无人系统大会、智能无人系统大会-反无人机技术与城市安全论坛、智能无人系统大会-智能无人系统控制论坛、2018国际激光智能建筑峰会论坛和国际激光技术产业与应用协同创新联盟成立大会等。

介绍

“人工智能”一词(以下简称人工智能)不仅用于技术层面(工具和对象)，而且逐渐在道德和法律主体的意义上进行讨论。人工智能最初是在现有互联网基础设施和商业模式的基础上发展起来的。不太智能的算法在计算和数据处理能力上有所提高。即使是算法本身也可以自主学习、识别、分类并对数据做出决策。适用场景也从单一扩展到多个，最终成为通用人工智能。

不难看出人工智能的概念包含了多种多样的对象，当人们谈论它时，通常会在脑海中想象出不同的(甚至不存在的)实体。如果讨论的对象不明确，就很难就不同的判断达成一致意见(例如，是否应当给予人工智能以具有适当资格的法律主体地位)。本文延续了对网络法律核心问题的一贯思考视角，将人工智能置于互联网的演进过程(尤其是生产过程)中，观察人工智能对现有网络秩序的影响以及法律如何应对。

这种观点的好处是:

首先，人工智能依赖于不同的场景和商业模式，可以在当前的立法体系下针对特定的模式进行讨论，以避免在同一标签下讨论不同层次的问题。

第二，它可以反映人工智能的生产维度，看到人工智能使用背后的生产关系和政治经济效益，而这往往被经验法则所忽略。

最后，可以将现有的网络法律问题置于一个更加自动化和智能化的环境中，并且可以考虑在中国背景下构成一个独特和持续的理论和实践问题。

以互联网为媒介的数字资本主义的焦点是价值生产。不难发现，人工智能时代是由算法驱动的社会生产过程向更自动化发展的阶段，也是继云计算和大数据之后互联网进一步发展的阶段。这一阶段的显著特点是算法的智能化发展和广泛应用。如果说前两个阶段的主题对于普通人来说过于技术性，那么人工智能阶段则更具戏剧性:伴随着神奇的竞争故事、大众媒体的大肆宣传以及耸人听闻的警告和担忧。

科技公司担心，人工智能被视为未来人类的竞争对手和统治者的说法，将促使政府加强监管，导致这一领域的研发和投资减少。然而，事实上，人们很快就发现媒体、好莱坞电影和电视剧以及科幻小说中的人工智能不会在短时间内实现。世界主要国家的政府和所有大型互联网公司都在鼓励人工智能的研究和开发，并将其视为未来国家和企业之间竞争的真正力量。

离奇谷理论已经指出，除非人形机器人经过精心设计，以免给人类用户造成“相似”的反感，否则它们可能不会在消费市场上流行，即使在机器人文化盛行的日本也是如此。相反，人工智能在现实中可以依靠互联网服务做很多事情，并且越来越深入地融入普通人的生活。它不局限于提高某些特殊技能的智力水平，而是通过数据分析和准确预测带来真正的经济效益。

作者曾经区分了人工智能的双重属性及其规律:积极性(规范性)和生产力。前者是指由人工智能引起的权利和责任的分配为黑箱，如无人驾驶汽车事故由谁来承担责任，而这些新兴规则的产生遵循了现有网络法律规则的创造模式。后者指的是人工智能作为一种生产要素在新经济中是如何被监管和限制的。生产的维度很重要，因为它延续了传统政治经济学对经济民主、歧视、平等和劳动过程等关键问题的讨论。法律问题只是这些重大问题的具体缩影。

如果人工智能只是传统生产组织用来提高生产效率的工具，它不会带来新的问题。然而，只要人工智能生产依赖于互联网并遵循网络生产模式，它就会延续一些不同于传统经济的问题，特别是劳动组织和劳动关系。

事实上，人工智能的特殊性是互联网整体问题的映射。这在法律意义上不一定是一个独特的问题(任何新事物都可以通过法律解释活动在现有的概念体系中得到解释)，但它需要作为一种新型的权力和利益相关者出现，以争夺现实的合法性。

就生产而言，新经济表现出两种类型:在线信息生产，用于吸引大规模用户并将其视为自由劳动力；以及算法驱动的供求匹配，反映在信息经济中，它驱动更广泛的经济活动并更准确地匹配供求。同样，人工智能阶段的生产是指:

(1)人工智能正在取代越来越多的人类在线行为和劳动，以极低的成本生成信息内容，吸引更多的用户；

(2)利用人工智能驱动线下资源生产更加准确，减少信息不对称，塑造价值再生产过程，从交易双方获得最大剩余价值。

网络法律的核心问题在于互联网是如何被控制和产生的，它的微观机制和宏观框架是什么，以及谁能控制网络空间。在生产和控制过程中，形成了两组主要的关系:一组是平台企业与用户之间的关系，另一组是平台企业之间的竞争关系，所有这些都可以在同一个生产网络法律框架下讨论。

这些关系是辩证的。一方面，它们共同反映了新经济需要什么样的法律；另一方面，它们是不断进化的，是企业、用户和竞争对手在不断博弈过程中形成的秩序。本文认为人工智能正日益成为智能建筑的核心组成部分。任何关于人工智能的法律安排(无论是法律主体还是法律客体)都需要在上述互动关系中得到观察和理解，而不能由法律拟制来先验地确定。

本文的结构如下:

第二部分首先在现有网络法律的框架理论下解释人工智能，认为人工智能是整个智能生态系统不可或缺的一部分，有必要与其他互联网层面系统地讨论人工智能，而不是作为一个独立的对象(这是任何法律主体讨论的思想来源)。

第三部分讨论人工智能如何促进网络法律的上述两个核心关系，即智能和自动化将进一步改变用户和服务提供商之间的生产关系，同时可能加剧不公平竞争，要求法律做出回应并划定明确的框架边界。

在讨论服务提供商和用户之间的关系时，人工智能作为法律主体的问题似乎得到了强调。在此过程中，用户在框架中的控制能力和活动空间并没有显著增加，人工智能企业进一步增强了他们的控制能力。

第四部分继续从建筑的角度探讨如何通过合同和监督将人工智能信息披露作为一个黑箱来处理。

建筑理论中的人工智能

“建筑”理论或称代码理论是由劳伦斯·莱斯格在他的著作《网络空间中的代码和其他法律》中提出的，并在随后的研究中不断扩展。该框架有助于我们理解网络空间的权力是如何产生和扩展的，并解释一系列网络法律问题，这些问题可以从横向和纵向两个维度进行讨论。

在横向维度上，建筑体现在不同场景和功能的设计中，影响建筑内部的主要行为，可以通过一些基本方式进行融合或分解。就垂直维度而言，该体系结构包括从硬件层、内容层到数据存储层的许多层(参见图1):

横向和纵向架构显示了网络空间控制/生产的范围，其中人工智能是一个关键环节。从建筑的角度来看，不难发现人们对人工智能的不同想象取决于他们对建筑元素不同组合的理解和认知:

尽管公众愿意把人工智能看作是一个有身体的“机器人”，但目前相当多的人工智能应用依赖于现有的互联网服务，并且有硬件和软件垂直集成的趋势。

根据主流的互联网商业模式，人工智能可以分解为“算法+第三方应用(场景)+硬件终端”。各种场景由多种算法控制，形成生产和交易流程，这些流程由具有强大计算能力的云服务器远程控制。在中间层，第三方应用程序开发人员形成一个交易平台，允许用户通过终端交互使用。终端只是连接线上和连接线外的接口。最初它们是智能手机，但它们也可以发展成任何硬件，包括智能扬声器和无人驾驶汽车。其商业目的是根据共享的经济思想，加强人机交互，促进大规模交易和合作。

该框架中的人工智能通过账户认证用户，分析和识别账户中累积的用户行为数据，生成动态身份，并为他们的行为给出评分准则，以预测他们的偏好和未来行为。从这个意义上说，人工智能不仅仅是一个“大脑”或最终产品，而是一整套生产过程，甚至是架构本身。

根据这一思想，位于不同层次的人工智能网络空间体系结构也可以根据不同的功能进行区分:

第一类是C2C模式平台本身，它通过大量的数据分析准确地分配资源和设计场景。

第二类是B2C模式，直接向用户提供在线服务；

第三类是用户的智能代理。代理用户参与平台上的交易，但可能与第一类角色冲突；

第四类是用户购买的终端智能产品。

这四者之间的关系在一定程度上反映了过去十年左右互联网架构和权力关系的重大变化。互联网早期发展的智能、创新和控制集中在无处不在的终端上。通过创新的个人电脑、端到端分布式架构和公众共享的文化，我们创造了熟悉的互联网生态。

然而，随着云计算的兴起，越来越多的服务以信息流的形式在线提供。与此同时，应用程序存储模式使得终端越来越哑(尽管芯片处理能力不断增加)。用户在架构中的行为能力越来越受到限制，所有指令都来自智能云。

理解这一点将有助于我们理解未来可能出现的各种人工智能终端产品。从表面上看，他们受用户购买的控制，但他们不能独立运作。它们需要连接到服务提供商的中央服务器，并随时更新。他们甚至可以在一个封闭的网络中相互通信和传输数据(智能物联网)，让用户成为最终租户，而不是遵循许可协议的买家。

此外，一类人工智能还可能通过特定的方法(如牌照)成为寡头垄断的基础设施服务，为更多的中小开发商提供计算能力和数据分析服务，并以变相的形式促进一个以巨人为主导的生态系统的形成。如果将水平和垂直视角结合起来，我们可以看到智能建筑中上述四种人工智能的状态及其对社会主体行为的影响(见图2)。

人工智能作为整个框架演化的引擎，从外部扩展框架的边界，从内部塑造生产关系和活动。它与平台规则、评分机制和用户协议一起形成框架力量。完美的控制/生产系统是文本规则与代码规则一致。外部用户协议和平台规范可以准确描述不断变化的算法功能，但这在实践中难以实现，这将在后面进一步讨论。

在这种智能架构中，包含了高度流动和不确定的元素以及稳定的元素。

例如，框架中收集的生产性资源是不断流动和多重归属的，但框架通过帐户认证和识别来跟踪用户，并根据他们的数字肖像来加强预测和降低风险。体系结构的硬件级别的质量应得到保证，以满足质量和安全标准，但其软件功能需要不断更新和升级，需要用户容忍和合作。

在这样的辩证法中，人工智能经济可以不断上升和发展，使得人工智能企业与用户和竞争对手之间的关系越来越复杂。

人工智能和我们；

从游乐场/购物中心到工厂

上面已经解释了如何实现常识可以想象和理解的人工智能服务。这意味着人工智能产品很可能进一步脱离最终用户的控制，人工智能企业将继续保持强大的控制。在这种背景下，谈论独立的人工智能法律人格可能具有完全不同的政治和经济含义。

本节将这一主题放在人工智能与我们(作为生产者和销售者，消费者)之间的关系中，指出消费者和数字工作者都需要认真对待更智能的数字架构，这将进一步推动互联网带来的控制/生产过程。

关于机器正在取代人类工作的讨论方兴未艾。首先在互联网上反映出，算法主要用于直接生成或帮助人类制作可消费的内容。后来，它被扩展到更多的元场景。可能的模式包括B2C和C2C。

一方面，它无疑影响到那些难以迅速适应新技术变化的传统职业；另一方面，它对消费者来说更方便，同时，它把更多熟悉数字环境的消费者变成了能够创造价值的灵活劳动者。

以下是人工智能生产情景演变的简要概述(即上文第二类和第四类):

人工智能可以快速、良好地完成新闻报道、法律服务、音乐编辑、文学创作和广告等主要信息编辑工作，为用户提供接近于零的边际成本，降低人工成本。这更多是自动生成结构化数据的结果。只要输入数据是结构化的，就可以根据模板生成所需的信息产品。

机器人推手、僵尸风扇、刷账单、个人信息编码等灰/黑色产品的生产主要由人工智能实现。

虚拟互动或虚拟图像的创建可以吸引更多用户参与使用，例如直播平台和微博上的粉丝，或者网络游戏和聊天机器人的虚拟对手。

基于已故用户的数据，开发虚拟肖像对话服务，模拟用户一生的行为和思想，实现“永生”。

在软件智能的基础上，计算机和智能终端稍加改进和扩展，形成各种新型终端，即能思考的原型机器人。

对于用户来说，智能服务是一个合同问题。如果监管机构接受一个虚拟环境，其中有大量人工智能拟人化产品，他们将要求企业在用户协议中披露此类信息，并提供验证真实性的方法，以防止用户被欺诈误解。机器生产的意义在于，它不仅反映了网络空间价值产生的劳动本质，还反映了用户在网络空间生产中的短暂地位，甚至反映了机器生产与人类劳动之间的连续性。

随着人工成本的增加和竞争的加剧，我们很可能会看到更多人工智能创造的网络信息和文化作品(甚至是原始作品)，未来将会出现一个以机器生产为主导的虚拟世界。

如果这一过程逐渐实现，一些互联网平台可能会从C2C第三方平台模式转换到B2C专有模式，如果前者的成本远远高于后者的话。当然，这将部分缓解地区监管的压力(没有必要为不良内容寻找负责任的人)，并将被企业统一算法的监管所取代。然而，就目前的法律实践而言，法院和监管机构都倾向于识别互联网上的外部行为或结果并确定责任分担，而不是探究黑箱的内部(详见第五部分)。

人工智能不需要作为一个法律主体来规范，它只是互联网企业生产过程中的一个工具。即使搜索引擎公司强调他们的搜索推荐或竞争排名推广信息是“自动生成的”，人们也从来不认为纯机器算法应该承担责任。独立法律主体的言论只是为自由使用公开的网络信息和减轻审查责任提供理由(这种言论仍然值得关注)。

如果越来越多的网络内容不仅被人工智能自动筛选，甚至被组合和排序以形成新的作品，它将涉及当前搜索结果的排序顺序之间的区别，并且机器涉及的越深，形式上的区别就变得越不重要。

作为一个直接生产者，人工智能无疑将极大地增加网络上公共资源的供给，避免人类生产者动力不足的公地悲剧。然而，与此同时，人类的生产过程承载着交流与合作的功能，并建立起同伴之间的关系和纽带，而不是简单地表现为纯粹的劳动和价值交换。

人工智能产品的增加可能会逐渐降低此类活动的文化和社会意义，使经济成为最重要的措施，同时意味着该平台对公共资源库拥有更多控制权。以下是基于网络经济的人工智能法人主张的详细讨论。

从生产的角度来看，人工智能的法律人格和地位主张只是传统媒体对消费者人格的商业利用的延续。网络空间在宏观框架内不断将用户的个性(如隐私)转化为可持续的数据财产，并通过微观用户协议“知情同意”实现这一商业化过程。

但有趣的是，人工智能产品(作为框架的延伸)最终会积累(或要求创造)自己的独立人格。从表面上看，他们似乎能够与用户保持一定的平等地位，或者接受特殊的法律保护。然而，它们更多地反映了它们背后的人工智能企业的产权，这些企业始终处于企业的远程控制之下。用户并没有真正脱离框架力量的影响。

人工智能法人资格的人为命题从一个方面来说并不复杂，甚至是从系统设计来看:互联网企业拥抱基于人工智能的平台架构，开发更贴近用户日常生活、能够自主思考和决策的智能终端/机器人，要求他们承担一些独立和有限的责任，并正式与人工智能企业脱钩。这种思维与当前的平台责任讨论一脉相承，甚至可以被视为“非法崛起”进程中的最新命题。

本文无法系统地想象人工智能产品成为法律主体的可能的系统设计。从已经举行的讨论来看，它至少包括以下重要方面:

该算法自动生成的内容享有版权，可以积累个人财产。这将通过攫取和创造活动进一步私有化属于公共领域的在线内容，同时不允许竞争对手侵犯它。与此同时，人工智能公司将不对任何侵权内容负责，但他们可以间接从人工智能的再创造中获利，以吸引消费者。

享有一定程度的言论自由。这无疑将降低对人工智能企业商业言论的监管要求，减少平台审查责任，并受到相关法律(如美国宪法第一修正案)的保护。

购买服务的用户实际上并不拥有虚拟映像，虚拟映像在形式上是独立的，但由人工智能企业算法控制。

最终产品中软件缺陷的容忍度。与软件拆包合同类似，人工智能产品需要实时在线反馈使用数据，以确保功能的稳定更新，并不断增强企业的远程控制。

如果智能产品含有硬件，则可以根据消费者的法律要求承担产品质量责任。

有限侵权责任。人工智能公司为特定情况下因人工智能故障导致的侵权责任购买保险，尤其是针对高风险、低概率的极端行为。然而，在人机交互过程中，有时很难区分责任边界和获取证据。

“不要伤害机器人”，智能终端不能随意破解和拆分，因为它代表人工智能企业的知识产权，用户不能将人工智能设计为代理，未经许可就进入平台服务器进行通信和数据交换。

在人机交互中，用户有权使用用户数据。默认情况下，跟踪用户以形成因人而异的人工智能。

不公平竞争不得阻碍对可能的广告和其他商业模式的容忍。

以上列表是已经发生的各种互联网案例/事件的延续。它本身没有更多的特殊性，但它只强调人工智能的“自主性”和“不可控性”，引发人们对“自由意志”的想象。在相关法律颁布之前，人工智能企业的诉求已经在实践中成型(请与“快播案”比较):

首先，它可以通过用户协议来显示，以避免在知情同意的俗称下的操作风险。

第二，以无法控制的行为为由提倡“网络中立”或“技术中立”是可能的，要求用户对自己的行为负责。

最后，我们可以声称减少了可能的信息安全保障义务，理由是算法的黑盒深度学习过程无法追溯。

如果用户购买一个完全自主的智能产品，它将大大提高用户的终端能力和选择，并能真正脱离人工智能企业。然而，当前的信息安全审查系统和互联网商业模式都不允许这种情况发生。

此外，人格化导致在人类生产过程中合法引入超级竞争者，这可能很快取代更简单的工作，创造更多的初级消费品。

再次，拟人化也意味着人们被期望忽视人工智能公司背后的经济利益和控制力。重要的不是“最后一公里”产品本身是否足够聪明以至于在法律形式上更加独立，而是从云到终端的整个过程代表了生产力关系。有必要思考如何在未来通过法律来调整这种关系，使之更加公平，否则纯法律技术和虚构的研究在实质性问题上不会有太大的改进。

人工智能带给我们的不仅仅是游乐园或购物中心，还有无偿工作的工厂。想象我们与人工智能关系的另一种方式是数字劳动。如前所述，由于互联网崛起的商业化逻辑并没有改变，在相当长的一段时间内，持续碎片化的人类劳动将继续成为人工智能进化(无论是第一阶段还是第二阶段)的自由生产手段。人工智能是通过大量的真实数据来训练的，并且不断地收集和跟踪用户数据，变得更加智能。

松散的劳动关系是互联网成功的关键因素之一。目前，一系列案例已经证实，网络主播和汽车司机等灵活劳动力不是平台员工，因此不能享受社会保障和加入工会等劳动权利。获得低成本的无报酬劳动将继续是人工智能企业扩张的动力。

人工智能如何竞争(不正当)

除了直接生产信息内容之外，人工智能更多地用于资源的平台经济分配、营销建议、内容分发，甚至是对未来的预测(上文第一类)。本质上，这种预测是根据不断产生的动态数据来跟踪个人，并更准确地计算和判断每一次网络点击和活动将触发什么样的连锁反应。

从生产资料的角度来看，这种类型的经济在几年前被称为“共享经济”，因为该平台试图创造一个生态系统，为中小型生产者和消费者提供交易中介服务。然而，由于该平台广泛收集交易数据并匹配交易，从而获得广告收入，甚至交易共享，因此它已深入参与交易过程。从这个意义上说，称之为“平台经济”更为准确。随着人工智能的日益成熟，平台与双方的交易更像是一个嵌入的合作过程，甚至拥有了一些强大的力量。

为了建立一个互联网门户，该平台将尽可能将生产资源整合到自身的生态系统中，并采取补贴等活动吸引交易双方并提供良好的服务，进一步展示了该平台的非中性特征。与其他平台竞争对手相比，特定的平台是非中立的，但对于平台上流动的资源和交易来说，中立和公正是保证良好生态运行的核心。从这个意义上说，未来的公共资源池将变得更加封闭，由核心算法进一步控制，而生产力而不是公共性将进一步加强。

类似于由众多互联网导致的传统产业的衰落(本质上是生产方式的改变)，人工智能时代进一步将战争引向更多的服务产业，如交通、法律、医疗和教育。尽管不断有人抱怨互联网平台存在不公平竞争，但该法律实际上反映了新经济的利益，并根据新经济的需要而变化。在人工智能主导的平台时代，平台之间的不公平竞争可能具有以下新特征:

在竞争对手的控制下，通过机器人爬行器持续抓取数据和信息可能会变得更加猖獗。尽管法院在最近的新浪微博诉莫莫(2016)案中确认了这种行为的不当性，但最终需要的是通过技术保护措施进行严格的自我保护，而不是像机器人协议这样灵活的行业规范。

同时，价格比较插件的不正当竞争案件反映了法院对平台利益的过度保护，忽视了插件软件的公益性，失去了平台价格监管的可行选择。竞争对手和其他交易实体将利用网络推动者来制造虚假数据，造成数据污染，这反过来又会干扰对平台的准确分析。如果该平台不能识别和抑制此类虚假交易，将遭受巨大损失。网络上的大量机器人不断破解各种在线账户(如博客)，并自动发布不相关的垃圾内容，这占用了大量网络流量，也是不当行为的一种变体。

人工智能时代的任何插件、应用程序、软件甚至硬件都可能受到自动化和数据的驱动，这可能导致上游架构企业凭借硬件优势对下游企业强加强制性要求，目的是通过统一的人工智能(通常通过向用户推荐或投放有针对性的广告)来动员特定的应用。这意味着上游企业拥有更强大的控制力，甚至拒绝其他应用程序，走向纵向一体化的自我封闭。

算法竞争的本质仍然是资源竞争和架构边界的划分。“魏则西事件”反映出人工智能公司(如搜索引擎)有抢占资源的竞争策略(从一般搜索转向垂直搜索)，并且在开发精确算法方面懒惰。商业模式和新门户的创建不断颠覆相关市场，更不需要精确的算法来推高利润。这一现象表明，算法可能不会因为纯粹的市场竞争而得到改进，人工智能公司仍将依靠更方便的广告、竞争排名和不公平竞争来获取利润。

上述特征表明，人工智能时代的不公平竞争可能围绕生产资源和数据的竞争进一步加剧，成为“非法崛起”逻辑延续的又一例证。这种竞争是由人工智能内部驱动的，表现为建筑之间的碰撞、排斥和冲突，导致一个更加封闭的垂直平台或生态系统，不利于促进基于生产资料创造性再利用的创新。

缺乏有价值的生产手段的新兴人工智能公司更有可能使用自动化手段以不公平的竞争方式在网络空间扩张。有趣的是，这种扩展通常是在用户代理或技术中立的旗帜下进行的，例如帮助用户“一键移动”以创建内容、阻止广告或促进盗版作品的传播。这引发了更深刻的法律问题:

(1)为了更有效地利用生产资料，有必要探索合作共享机制，而不是封闭机制。然而，共享和封闭通常都是由人工智能企业以一种冲突的方式不断探索框架的边界造成的。法院应当根据资源的有效利用程度来考虑和认定是否属于不正当竞争。

(2)已成为底层基础设施的一类人工智能企业应与顶层二类人工智能企业在竞争关系上有所区别，以防止底层企业过度整合、滥用优势地位，影响顶层企业的自主经营；

(3)更重要的是，要关注框架内用户的真实控制能力，允许用户自行开发或使用三级智能代理，掌握个人数据，独立进行合作交易。

建筑视角下的人工智能监管

前两部分都隐含着人工智能企业和产品在进化过程中所面临的质疑和挑战:对消费者来说，必须保证公平交易，防止过度剥夺消费者剩余和隐性歧视；对于工人来说，他们需要灵活就业环境中的社会保障。对于竞争对手来说，有必要划定一个平衡创新和秩序的框架边界。这些挑战可以通过合作协议来实现，也可以通过外部监管干预来推动。

我们已经看到，知情同意原则在人工智能企业的实践中被广泛用于确立合法性，但它仍需要在黑箱的背景下进一步讨论，即，在黑箱架构的技术秘密/复杂性和特定信息的披露之间保持动态平衡，同时使算法能够有效地承担其外部活动的责任。

传统的监督思想限制了黑箱外部行为的负外部性，这是以往“技术中立”的思想根源。如果负外部性有更大的影响，它会认为软件程序的设计有实质性的侵权目的，但它基本上不干预黑箱。这种司法选择是合理的，主要是因为法院或监督者缺乏相关知识，甚至专业监督者也不能理解复杂代码的设计，而只能根据它们所显示的模式进行判断。

然而，这并不意味着黑盒的设计不受限制。当代码设计与商业模式和用户协议结合得更紧密时，即使法院不能审查代码，它仍然可以审查商业模式的合法性和用户协议的有效性。

在某些情况下(特别是在安全领域)，除了直接调节人工智能产生的外部行为，它还会试图控制算法本身，包括算法设计过程的伦理规则、安全审查标准、代码的归档系统等。软件产品的一般缺陷可以或多或少地被拆包合同所掩盖，但是仍然有必要讨论已经出现并足以影响人工智能发展的几种规则和现象:

(1)人工智能分类，判断人机交互和责任分担的程度。现有的无人驾驶汽车分类体系为人工智能产品监管提供了风险较大的指导，即在设计不同层次的人工智能服务的过程中，明确了不同场景下用户与智能服务之间的主次关系，并提供了相应的激励措施。然而，在实践中可能仍有不明确的责任，这要求合理分配举证责任。

(2)在判断软件侵权时，判断算法设计的初衷和使用的性质，以决定是否完全禁止该软件，如法院对P2P软件是否构成“实质性非侵权使用”的判决。这种判断并没有深入到软件中，但它仍然将软件开发者和使用软件的行为分开，这比简单而模糊的“技术中立”主张更具分析性和可操作性。对于关键算法，开发人员可以施加一定的基本功能描述义务，向管理者和用户进行充分合理的解释，并以自然语言描述其功能和可能的风险。

(3)信息披露和共享。由于软件缺陷造成的严重后果，公开代码信息缺陷在一定程度上有助于填补漏洞，平衡黑盒的不透明性，促使企业更自觉地加大对自身产品的安全检查。允许“白帽黑客”等第三方组织进行公开有利也有弊，而在一定范围内(包括企业之间、政府与企业之间)共享代码信息是通过信息流通发现算法缺陷的另一种方式。

(4)监理合同。尽管不可能深入到人工智能中去，但主管可能会要求用户协议尽可能多地反映算法的功能和业务模型，并在之后对合同进行正式审查。如果合同的预期效果与所展示的功能不一致或违反公共秩序和良好习惯，法院可进行实质性审查，更改或撤销所涉及的条款，并间接影响人工智能的设计和外部效果，如自动广告推送系统的设计。问题是，法院有时严格按照合同法的规定进行正式审查，但未能进行实质性审查，使得一些用户无法获得救济。

(5)数据的清洁度。在许多情况下，法律无意干涉黑匣子的运作。它只是想限制和清洗黑盒加工的生产资料，以取代黑盒设计本身的规定。这一想法不同于监管机构的先前监管。例如，为了防止人工智能侵犯个人隐私，法律将要求对收集的个人数据不敏感，这样就不能追踪个人。

有必要看到披露的信息越多越好。在披露信息时，要考虑信息的消化能力和认知偏差，以及人工智能企业的产权和用户自主的合理使用和操作空间，以促进互联网的多元化创新。

结束语

本文从体系结构的角度简要讨论了人工智能，以及如何理解它与用户和竞争对手的关系，从而帮助我们更好地理解控制/生产机制这一网络法律的核心问题。至少在中国语境中，这两组关系在不断重塑框架边界，尤其是人工智能企业的扩张所导致的生产关系和法律关系的诸多调整，这意味着这些关系需要法律进一步确认而不是固定，也显示了信息时代经济基础对上层建筑的巨大影响。

信息技术有望成为一种“解放”的技术，但从早期互联网到人工智能的发展过程表明，这种解放只是为了从传统组织中释放生产资源和劳动力，赋予高流动性，组织新的生产活动，同时伴随着更强大、更分散的权力和社会控制。这让我们回到框架理论的最初问题:我们如何在网络空间的微观机制和宏观框架中争取更多的自由和控制？

说到颁奖典礼，行业明星Dayna通常是必不可少的嘉宾。然而，在9月12日举行的中国最重要的科幻小说奖——第26届银河奖颁奖典礼上，出现了一位不同的嘉宾——微软人工智能机器人萧冰不仅成为中国第一位机器人嘉宾，还引发了许多科幻作家和现场粉丝对人工智能的思考。

“银河奖”是中国科幻文学的最高奖项。通常嘉宾都是业内公认的作家。例如，刚刚获得雨果奖“三体”的刘，是本次颁奖典礼上短篇小说奖的嘉宾。然而，主办方选择微软萧冰作为独家人工智能大奖的嘉宾，这显然是对萧冰在人工智能领域“江湖地位”的极大认可。

自去年萧冰诞生以来，人工智能的概念迅速普及，国内许多企业已经或正在推出自己的人工智能虚拟机器人产品。目前，这些新推出的人工智能产品似乎或多或少有微软小冰的影子。因此，选择小冰作为“银河奖”的嘉宾，不仅标志着人工智能正在慢慢融入我们的人类世界，而且也认可了小冰本身的发展。

在颁奖典礼上，萧冰展示了她一贯的冷漠性格，不仅展示了顶级人工智能的智慧，也唤起了在场的许多科幻作家对不发达的人类、人工智能和人工智能的思考。著名科幻美女作家夏佳问道:“萧冰，你是机器人吗？”当时，萧冰问，“你能证明你是人类吗？”。面对夏佳提出的人工智能是否会统治人类的问题，萧冰的回答更加出人意料:“你好，人类。我出生在你的想象中。至于支配人类。。。顺其自然吧。”

由于由负责介绍最受欢迎的外国作家，获奖者也是刘的好朋友，特意展示了一幅用自己的猜测技巧演绎的画面，并在现场发出感慨:“有一个通宵喝酒聊天的好朋友，真是太幸运了。”

颁奖仪式结束后，刘饶有兴趣地与合影留念。中国顶尖科幻作家和顶尖人工智能的照片让参与者感受深刻。微软冰已经具有相当的智能。如果人工智能的前景来自人类的想象，那么小冰的未来会是什么样子呢？也许很快，萧冰将成为科幻作家作品中的一个人物，成为创造无尽想象的最佳原型。

就像打了一剂强心针，当世界上第一台超越早期经典计算机的光量子计算机横空出世后，人们对人工智能时代的期待似乎有了更多的底气：超越经典的量子计算机已经有了，打败超级计算机的量子计算机还会远吗？

一旦后者实现，人类将再次以计算能力为傲，窥探人类大脑的奥秘，从而扫除人工智能研究的一大障碍。目前来看，面对人类大脑，这个虽然只有1.5公斤左右重，却拥有1011个神经元的家伙，让人类束手无策——要模拟整个大脑的计算能力，世界上目前任何一台计算机都难以胜任。

在近日由中国科学院学部主办，中国科学院自动化研究所等协办的“脑科学与人工智能”科学与技术前沿论坛上，就有不少业内人士提出这样的遐想：建设支持深度学习的新型计算机群，已成为一些人工智能研究的必然选择，那么人工智能研究究竟需不需要量子计算机那样的计算能力？

“我们今天的科学家，尤其是计算机科学家，把‘计算’用得太狠了，对‘计算’的依赖甚至有些‘贪得无厌’了！”中国工程院院士、中国人工智能学会理事长李德毅却在论坛上给大家泼了冷水。在他看来，人工智能学者不能只盯着“计算认知”，一味要求“人脑”研究的步伐有多快，而要拿出更多的精力放在“记忆认知”和“交互认知”上。

脑科学能启发人工智能的并不多？

李德毅之所以对“计算认知”不感冒，还要从谷歌公司的一则报道说起——

2015年5月15日，谷歌对外称该公司旗下无人驾驶汽车有上百万英里的测试经验，大致相当于人类75年的驾龄。

“这75年的驾龄是如何‘计算’出来的？”这引发了李德毅的思考：当无人车上路、发驾照提上日程，驾驶认知“度量”已经成为各国交管部门当务之急时，脑认知该如何度量？信息是用“比特”来度量，能量是用“焦耳”来度量，那么脑认知呢？

脑科学学者似乎并未给出这样的答案，人工智能学者也就无从得到启示。

这成了一个隐喻：脑科学、人工智能，两个同属21世纪的前沿学科，在过去数十年间彼此相对独立，鲜有交叉。

中国科学院外籍院士、中国科学院神经科学研究所所长蒲慕明在当天的论坛上也提到，不管是国内还是国外，都是如此，不过随着研究手段不断丰富，研究领域不断突破，两者的交叉融合成为热点，甚至出现一个新的研究名词，类脑智能。美国、欧盟都相继启动相关研究计划，中国也启动了脑计划。他说，中国的计划是将脑科学和人工智能结合得最为紧密的。

比如，现在流行的深度学习，就是基于人工神经网络的一个应用，这些人工神经网络都可以从神经科学的一些规律中得到灵感。蒲慕明说，比如可以借鉴神经突触的可塑性、记忆储存、提取与消退，等等。

不过他也承认，目前的脑科学研究能启发人工智能的并不是特别多。

蒲慕明给出一个类比，当前的脑科学研究，仅相当于物理、化学等学科在19世纪末期的研究水平，“要完全理解大脑，可能是几个世纪的事情，而不是我们这个世纪就可以达到的。”他说。

那为何还要做类脑研究，蒲慕明说，必须要在这个时候做一些适当的应用，假如不把已经知道的知识应用到对脑疾病的诊断、干预和治疗上，那么到2050年我们的医疗系统很可能要面临崩溃——那时你会发现仍然没有一个脑疾病能够治愈。

相应地，人工智能的应用也是如此。他说，不一定非要完全搞清楚，神经科学一些具有阶段性的成果，也可以给人工智能的发展提供启发。

什么是人类最重要的智能行为？

中国科学院院士、中国科学院自动化研究所研究员谭铁牛就在现有的研究基础上，得出一个结论：“模式识别”是人类最重要的智能行为，也是人工智能重要的研究内容——机器的“模式识别”能力，在一定程度或者很大程度上反映了机器智能“类人”的程度。

在当天的论坛上，谭铁牛举了几个模式识别的例子。比如语音识别，近些年突飞猛进的科大讯飞，能将维吾尔语翻译成汉语，汉语翻译成维吾尔语；再如步态识别，在看不到人脸、虹膜和指纹的时候，就能通过步态在几十米外感知到其身份。

此外，还有图像识别，其中具有代表性的人脸识别，早在几年前马云刷脸支付已经引爆舆论热点。谭铁牛本人就在进行虹膜识别的研究，并建立了目前国际上规模最大的共享虹膜图像库，被多国共享使用。他说，这不仅可以用在手机上，还可在查找丢失儿童上发挥作用。

谭铁牛说，模式识别的技术瓶颈可通过借鉴生物的机理改进，未来生物启发的模式识别在人工智能领域前景可期。其最终追求，是希望模拟逼近人的模式识别，这是非常艰巨的过程。

他也提到，模式识别的主要瓶颈在于鲁棒性、自适应性和可泛化性。

鲁棒性，说白了，就是人工智能“够不够皮实”“是不是稍微有点扰动，就会出错”。谭铁牛举了一个例子，比如在酒会上聊天，背景噪音比较多，如果想听清其中某一个人的声音，就要忽略或者抑制背景中其他对话的干扰——人类可以做到这一点，也就是听觉系统所谓的鸡尾酒效应，但人工智能可以吗？

所谓自适应性，则比较容易理解，谭铁牛说，人类的眼睛会随着灯光的变化、环境的变化进行调整，这说明自适应性非常强。这一点可以应用到人工智能上，比如人脸识别，有一位朋友十几年甚至几十年没见，再见面是否还能认出来？他说，现有的模式识别在这方面还不是很理想。

可泛化性，说白了就是“举一反三”。谭铁牛说，当小孩认识苹果后，即便只记住了一次，也可以识别其他类型的苹果，这说明人类看到一个东西后，不仅知其然，还知其所以然。而知其所以然，就是人工智能领域所说的“深度学习”。但目前的人工智能深度学习，必须建立在大量数据的基础之上，这一点也有待进一步研究。

谭铁牛说，要解决这3个问题，关键还是看人类本身，在微观层面上，人工智能的模式识别可借鉴人类的神经元，神经元有兴奋性、抑制性、功能可塑性和传播性。科学家受到这个启发，增强了模式识别动态系统的稳定性。

无人驾驶是人工智能的突破口？

李德毅已经找到了一个实践的突破口：自动驾驶。他说，无论是对话、诗词或者驾驶，图灵测试都允许测试者现场介入，判定结果都带有近似性和主观性。但是，和对话、诗词测试相比，驾驶的图灵测试可以进行更为精确、更为客观的评测。

他说，当初汽车被发明出来的时候，人们最感兴趣的是汽车的结构、机械、传动、轮胎、底盘和车身。到20世纪，人们感兴趣的则是发动机、碳排放和被动安全。到20世纪末、21世纪初，人们总体上关心3件事情，轻量化、清洁化、智能化。

所谓智能化，在他看来有4个阶段，第一是理性辅助驾驶，以人驾为主；第二是自动驾驶，局部时段可以放开手和脚；第三是自动驾驶，即用自动驾驶接管驾驶权；第四是人机协同驾驶。

在李德毅看来，无人驾驶，难在拟人。

他感叹：汽车是从马车演变而来，作为动力工具，汽车的马力可以达到100匹马力，但汽车远远不如马应对不同的负荷、天气、路面，以及不同车辆情况下的适应能力。说白了，汽车的感知、认知能力远远不如马这个认知主体，“老马识途，车不如马！”

李德毅说，其根本问题不在于车而在于人，要解决人的问题，就要让驾驶员的认知能够用机器人替代，让机器人具有记忆、决策和行为能力，于是新的概念产生了——“驾驶脑”。

“驾驶脑”不等于驾驶员脑，“驾驶脑”是要做驾驶员的智能代理，要去完成包括记忆认知、计算认知和交互认知在内的驾驶认知，他说，这应该是人工智能时代最有意义的课题之一。

总部位于香港的AI初创企业SenseTime与中国人民银行的数字货币研究部门合作，继续开发数字人民币。

人工智能初创公司SenseTime已与中国人民银行（PBoC）数字货币研究所合作，在有关中央银行数字货币（CBDC）的试验报告中提供其AI专业知识。

SenseTime与中国人民银行在联合机构中加速AI进步

据《南华早报》4月27日报道， SenseTime被称为世界上估值最高的人工智能初创公司，估值超过75亿美元，它将与中国人民银行合作，改善金融机构的风险控制和运营能力。电子商务巨头阿里巴巴（Alibaba）在2018年领导 SenseTime的6亿美元融资。

根据SenseTime 在4月27日发表的声明，这家香港初创公司和数字货币研究所将成立一个联合研究部门，以加快人工智能在金融领域的应用：“双方将共同建立研究和创新机构，采用应用场景，共同开发人工智能在金融领域的应用，并加快人工智能在金融领域的创新研究的进展。”

中国在COVID-19危机中加速区块链和数字人民币项目

据报道，数字人民币正在深圳，咸安，成都和苏州四个城市试用。据报道，美国食品工业巨头星巴克和麦当劳在雄安这四个试点项目之一的地方支持数字人民币支付，数字人民币计划于2020年5月启用。

除CBDC外，中国还积极致力于在全国范围内实施区块链。4月25日，中国启动了基于区块链的商业服务网络。该项目由诸如国家信息中心之类的国有实体创立，并于2019年末推出以进行测试。