大数据时代的历史机遇—产业变革与数据科学

以多伦多大学开发的图像识别系统Super Vision以及谷歌的猫脸识别项目为标志，人工智能也 从2012年开始进入了能够自己进行“特征表现学习”（深度学习）的崭新时代，为历史性突破提供了重 要契机。〔8〕 在人工智能的网络化和万物互联互通的时代，阿西莫夫关于防止机器人失控的三大定律和零定 律就显得有些捉襟见肘了。从控制程序、知识数据库到检索引擎，人工智能都必须按照人给出的指令 或算法来运行。在机械学习阶段，即便有非常庞大的数据，人工智能也不会自动学习，需要有人来提 供数据的特征量和规格化方式才能进行学习和预测；通过机械学习，人工智能可以提供更高的精确 度，但却很难对复杂的、模糊的问题进行判断。然而当机械学习的数据输入不间断地高速进行时，对 输出的预测就会变得非常困难。而在深度学习的场合，人工智能系统不仅按照算法进行数据处理，还

采取多层次脑神经网络的模型和方法，能从大数据中发现和提取特征量，揭示迄今为止未知的问题、 样式、结构以及原理，从而具有更高的自主性，因而更类似具有条件反射能力的动物或者自由意志的 人。当人工智能从他律系统转化为自律系统、从演绎系统转化为归纳系统，特别是在人工智能网络

之间的相互作用及其连锁反应不断进行的情况下，预测、理解、验证、控制就会变得更加困难，甚至出 现黑箱化现象。“透明社会”与“黑箱算法”，这是数据驱动时代的一对根本矛盾，对国家治理方式的改 革提出了新的挑战，也提供了新的机遇。〔9〕无论如何，既然人工智能有自我学习和创新的潜力，能通过 统合复数的身体功能进行精密管理，还会按照某种节奏不断引起飞跃式的变化，甚至通过复杂的连 锁反应造成混沌，那么如何对人工智能进行适当的、合理的、充分的规制，确立机器人研制的规则和

政策就势必成为极其重要并非常紧迫的一项课题。 一、人工智能网络化的风险与社会治理 在考虑对人工智能开发进行适当规制之前，必须对人工智能本身进行比较精准的概念界定。

不言而喻，人工智能是相对于人类智能而言的，而人类的智能活动通常表现为推理、学习以及自 我改善。因此，人工智能就可以理解为借助电子计算机来实现推理、学习以及自我改善等活动的机

制。换言之，人工智能就是能够形成和运作这类活动机制的数据处理系统，或者像人那样思考的电子 计算机。由此可以推论，人工智能的本质在于信息的输入与输出之间的关系。〔10〕电子计算机擅长进行 大量的、反复的信息处理和逻辑演算，但人类擅长进行直觉的分析和判断，通过与环境的相互作用创

造出主观的世界图像，并依此进行认识和预测。人工智能的发展目标就是要把这两个方面密切结合 起来，提高认识和社会控制的精确度和实效性。 目前的人工智能热是由深度学习———利用脑神经网络进行的机械学习———而引起的。过去五十

年间的机械学习是由人根据专业知识和经验来设计算法和特征量，通过反复试错逐步提高电子计算 机判断的精确度，失误比例一般在26%到27%之间徘徊。从2006年开始研发的深度学习，在2012年给 这种持续已久的沉闷局面带来了重大突破，使得人工智能识别的失误比例骤然降到15%到16%的程

度。