人工智能時代的承諾與挑戰

人工智能在過去60年的發展中經歷了 “發展浪潮”和“發展寒冬”之后，屬于它的時代可能終于到來了。人工智能目前支持的應用遍及日常生活，如面部識別、語言翻譯、Siri和Alexa等智能助手。隨著這些消費應用程序的出現，越來越多的企業開始應用人工智能技術。人工智能應用科研促進生產力的增長和創新，為企業和經濟帶來可觀的收益。同時也對工作產生了深遠的影響，對技能要求較少的職業需求量將下降，對其他職業的需求也會逐漸減少，并隨著技術的發展而不斷變化。

人工智能時代可能已經到來

但仍需做更多努力

人工智能雖然經歷了60余年發展，但許多預期功能仍然沒有完成，比如準確地描述人類智能這項功能。不過，近年來機器學習算法已經取得了很大進展，尤其是基于神經網絡的深度學習和強化學習技術的發展。盡管人工智能技術取得了巨大進步，但仍存在大量難題急需解決。到目前為止，取得的進展大多數都屬于“狹義人工智能（narrow AI）”范疇，即開發機器學習技術來解決特定問題，例如語言處理問題。但是“通用智能（artificial generalintelligence）” 才是更難解決的問題，面臨的挑戰是開發出的人工智能用人類的方式解決一般問題，許多研究人員認為實現通用智能仍需數十年的發展。

深度學習和機器學習技術正驅動AI的發展。許多人工智能領域的進展都是以人工神經網絡的深度學習為基礎，這些人工智能系統松散地模擬了大腦中神經元相互作用的方式。例如，機器學習有監督學習、無監督學習和強化學習幾種：

監督學習，一般使用有標記的數據和首選輸出變量，模擬的數據用于幫助系統學習給定的輸入和輸出的關系，比如識別圖像中的物體。當前許多人工智能應用的實例都是監督學習應用。

無監督學習，用沒有標記的模擬數據在給定的數據中檢測出模式或類別，比如檢測出具有相似建筑風格的建筑物等。

強化學習，通過評分系統、接收反饋（虛擬的“獎勵”或“懲罰”）和反復試驗來訓練系統。

當前技術的局限性和新技術的出現。盡管新技術正不斷出現并解決了人工智能應用中一些現存的挑戰，但人工智能仍然面臨許多實際挑戰。機器學習需要大量的人力來標記監督學習所必需的訓練數據，在使用過程中用于數據標記的流內監督（In-stream supervision）和其他技術可以幫助解決這一問題。用于訓練的數據集必須有足夠大的量，而且數據應盡量全面，但獲取這樣的數據集相當有挑戰性，比如創建或獲得足夠的臨床試驗數據以更準確地預測醫療保健治療結果。深度學習技術的“黑盒”復雜性帶來了另一個挑戰——“可解釋性”，或哪些因素影響了決策或預測的產生，以及如何影響。這在信任性活動以及預測具有社會影響的應用中尤為重要，比如刑事司法應用或金融借貸。因此出現了可解釋模型——不可知解釋（LIME）等一系列新生方法，以提高模型的透明度。

人工智能和自動化的應用

將對工作產生深遠影響

即使人工智能和自動化為企業和經濟發展帶來了巨大利益，但預計會對工作造成重大干擾。約一半的工作活動技術上可實現自動化。一些類別的工作活動在技術上比其他工作活動更易于實現自動化，包括高度可預測和結構化環境中的物理活動以及數據收集和數據處理等，這類工作約占所有部門日常工作總和的一半。

最不易受影響的工作類別包括管理工作、專業技術工作及與利益相關者交互的工作。高度自動化工作活動的密度與國家、部門、職業都有關系，研究發現，60%的職業中有約30%的工作活動是可以實現自動化的，只有約5%的職業幾乎所有工作活動都可以自動化完成。換句話說，大多數職業將實現部分而非全部自動化。

對工作的影響：失業，增加就業，改變就業。實現自動化，以及對實際工作的速度和程度影響情況取決于技術可行性之外的若干因素，包括人工智能建設和使用成本，勞動力供應數量、質量和工資等勞動力市場動態，而勞動力因素是導致發達和發展中經濟體差別的主要因素。

失業問題，預計2016年至2030年，全球約有15%的勞動力（4億工人）可以通過實現自動化而被取代。

就業機會，根據2030年的勞動力需求情景預估——預測因素包括收入增加（尤其是新興經濟體的收入增加），人口老齡化，基礎設施和建筑投資，能源轉型支出以及技術開發和應用支出增加的醫療成本——新的驅動因素增加的就業崗位數量大約在5.55億至8.9億之間，約占全球勞動力的21%至33%。也就是說，除極端情況外，工作需求的增長將抵消自動化失去的工作崗位的數量。然而，在許多擁有年輕人口的新興經濟體中，為進入勞動力市場的工人提供就業機會就面臨著巨大挑戰，但是在發達經濟體中，失去的工作與創造的工作之間因老齡化達到大致平衡，因此進入勞動力市場的人數相對減少了。

勞動力轉型的重要性。即使到2030年人們有足夠的工作，但伴隨自動化和人工智能應用帶來的影響，工作方式的轉變更為重要。

數百萬工人可能需要改變職業，某些改變將發生在公司和部門內部，但大多數的變化將發生在各部門甚至各地區之間。雖然在高度結構化的環境和數據處理中的物理活動相關的職業將會減少，但其他難以自動化的相關職業數量將會增加，如經理、教師、護士、技術人員和其他專業人士，以及特殊環境工作人員。這些變化可能并不順暢，也可能導致失業率上升。

隨著越來越多的機器與人一起工作，工作場所和工作流程也會發生變化。例如，隨著商店引入自助結賬機器，收銀員將從掃描商品的工作流程轉移到為顧客回答問題或排除機器故障。

自動化可能會對發達經濟體的平均工資造成壓力，目前發達經濟體的許多中等工資崗位都是可以實現自動化的，如制造業和會計等領域。同時，高薪工作崗位將大幅增加，特別是對于高技能醫療和技術或其他專業人員。但預計創造的大部分工作崗位通常工資結構都比較低，比如教師和護理助理。

鑒于現有技能短缺和教育體系限制，以及在職培訓和工人過渡支持支出下降的趨勢，許多經濟體（尤其是經合組織國家）在解決這些轉變的過程中都陷入了困境。還有許多經濟體遇到了收入不平等和工資兩極分化的問題。

人工智能

將帶來社會效益和挑戰

除了經濟利益和挑戰外，人工智能還將以積極的方式影響社會，因為人工智能有助于解決從健康和營養到平等和包容在內的社會問題，但人工智能也會引入濫用等需要解決的新問題。

人工智能可以幫助解決一些社會最急迫問題。通過將常規工作、不安全的活動以及人類容易出現人為錯誤的活動自動化，人工智能可以提高人們的工作效率，使人們的生活和工作更加安全和高效。一項針對美國的研究預測，用更精確的自動駕駛汽車取代人類駕駛員可以減少事故發生率，每年挽救數以千計的人類生命。

人工智能需要解決包括意外后果、濫用、算法偏見以及數據隱私等社會問題。從經濟角度來看，需要解決個人、企業、部門甚至國家之間日益擴大的經濟差距難題，以及人工智能的使用和濫用，包括監視和軍事應用，社交媒體和政治應用，刑事司法系統應用等，同時考慮人工智能技術被惡意濫用的潛在可能性。另一方面，算法以及用于訓練算法的數據可能會引入新的偏見，或使現有的社會和程序偏見長期存在并制度化。還有其他需要解決的關鍵問題，如數據隱私和個人信息的使用，網絡安全和深度偽造技術可能會用于操縱選舉結果或進行大規模欺詐活動等。