近年来，以深度学习、强化学习为代表的人工智能技术从语言翻译、图像识别、工业自动化等工程技术领域，拓展到智能生产、智能农业、智能物流、大数据宏观经济监测、量化投研等经济、金融范畴，可谓应用广泛。

  人工智能技术具有处理高维数据的先天优势，能够最终靠表征学习、价值函数近似、特征选择等方式避开传统分析方法的诸多限制，获得了更好的预测和决策效果。为了使人工智能技术达到令人满意的预测和决策效果，研究人员往往需要投入大量的数据资源。这一技术特性使得数据资源,成为关键性生产要素。在大数据、智能化、移动互联网、云计算等日渐普及背景下，人工智能技术作为提供信息产品和信息服务的底层技术，也是工业经济逐步向数字化的经济转型的关键。

  人工智能算法大致可分作监督学习、无监督学习与强化学习。其中，监督学习通过不断训练程序（模型）从人类已有经验中学习规律。在这一类机器学习中，研究人员会通过标记数据的方法，不断调整模型参数以达到学习目的。类似于父母会向孩子展示不一样的颜色、大小乃至种类的苹果，教会孩子认识“未曾见过”的苹果。这便是监督学习的目的：样本外预测。

  无监督学习则通过训练程序，使机器能直接从已有数据中提取特征，对信息进行压缩，用于完成其他任务。如传统的主成分分析，可以将高维特征使用低维度向量近似。例如，我们大家可以使用主成分分析技术压缩图片，以达到节省储存空间的作用。因此，这类机器学习算法并不是特别需要以往经验，也被称之为无监督学习。

  当然，无监督学习与监督学习之间并不是彼此对立的关系，对于存在部分标注的数据，我们也能够正常的使用半监督学习算法。比如最近比较流行的对抗神经网络——我们大家可以使用该算法学习一系列甲骨文后，令它生成多个足以以假乱真、却从不代表任何意义的“甲骨文”，相当于计算程序“照虎画虎”却不知为虎。

  此外，强化学习与以上（无、半）监督学习算法不同，强化学习是动态优化的延伸，而（无、半）监督学习则与统计学更为接近。强化学习通过使智能程序不断地与环境交互，通过调整智能程序的决策参数（过程）达到最大化其累积收益的目的。强化学习是最接近于人类决策过程的机器学习算法，类似于让一个智能体无限、快速地感知世界，并通过自身失败或者成功的经验，优化自身的决策过程，在这一过程中计算机程式并不那么需要老师。当然，强化学习也并不能完全同监督学习割裂开来。比如AlphaGo是通过强化学习手段所训练的计算程序，但在AlphaGo训练的第一阶段，研究人员使用了大量的人类玩家棋谱供AlphaGo模仿学习，这里人类已有经验类似于老师；但是在AlphaGo的升级版本ZeroGo中，模仿学习已经完全被摒弃。

  为了使AI算法拥有普遍适用性，我们往往需要大量数据、算力以及有效的计算算法。大量数据相当于我们聘请了一个知识渊博的老师指导计算机程序，高额算力则会赋予计算机程序更快学习到知识的能力。人工智能研究领域一个重要的方向，是不断开发能更有效利用既有数据和算力的计算算法，相当于为计算机程序提供更好的学习方法和路径。因此，数据标注、云计算、芯片设计与算法开发，可谓是人工智能行业的核心部分。

  事实上，人工智能技术作为学科起源于20世纪50年代，比如“人工智能之父”McCarthy等人在50年代提出人工智能；决策树模型起源于上世纪50至60年代，当前广为应用的神经网络模型、Q学习强化学习算法则起源于20世纪80年代。但人工智能技术要想达到媲美人类决策的精准度，需要大量训练（经验）数据和高额算力，因此直到2000年以后，人工智能技术才得以实现跨越式发展。

  在大量数据与高额算力的加持下，部分人工智能技术已可替代人类做出大规模的精确决策，也取代了越来越多的人工岗位。从目前的影响来看，一方面，机器学习应用的确替代了部分传统劳动力，产生了劳动挤出效应：自动化机器人让生产流程趋于无人化，自然语言处理技术可较好完成大部分的翻译乃至信息提取工作，机器学习算法甚至能更准确地定性小分子化合物性质，从一定程度上减轻了大规模重复性工作所需要的劳动力和时间消耗。

  另一方面，同此前历次技术革命一样，机器学习的兴起在提高社会生产效率的同时，也为社会创造了全新的工作岗位。从工业革命诞生以来，汽轮机代替马夫、车夫，纺织机代替纺织工人，有线电话、无线电报代替邮差，电子计算机通过代替手摇计算机，节省了大量手工演算。但需要注意的是，每一次的科技进步并没有造成社会大量失业，反而会通过提升传统行业生产效率和技术革新改变原有社会生产组织结构、产生新的业态。科技进步在改变行业企业生产技术的同时，也在改变传统行业工作内容，新的岗位需求随之产生。

  和任何其他的技术创新一样，机器学习技术对于不同行业、不同岗位均存在不同程度的影响。对于那些从事生产流程化较强的岗位，机器学习的冲击无疑是颠覆性的。但对于那些需要统筹、创新、互动类的岗位，机器学习在当前阶段尚无法构成显著冲击。

  此外，我们也需要意识到，AI算法当前依旧不能达到“智能”水平。任何一项技术都伴随安全风险，人工智能算法本身同样存在风险，如大部分监督学习算法尚无清晰的逻辑生成过程，这不仅使研究人员无法对算法进行有效干预，也使人工智能算法在训练和预测阶段变得不那么稳健。举一个简单的例子，在一个分类算法中，我们在一张三寸大小猫咪照上改变一个像素点，就可能使计算机算法将猫咪识别为其他物品，这类做法被称为逆向攻击，涉及人工智能技术风险。

  如同其他新兴行业发展初期一样，由于前期监管未及时到位，部分企业会不当利用其在数据、算力和算法上的前期优势，导致出现人工智能技术滥用、部分头部企业垄断性经营、隐私数据泄露甚至是过度依赖算法决策引发的企业运营风险等，这便是人工智能技术的应用风险和衍生风险。

  因此，如何发展引领这一战略性行业成为当下的重中之重——我们需要思考如何在经济智慧化转型期间发挥好政府的社会兜底功能，如何在私营行业的算力和科技水平超过监管机构时规范其运行等问题。

  加强研发投入，统筹行业发展、实现核心行业引领，把握人工智能技术主导权。人工智能已成为事关国家安全和发展全局的基础核心领域。当前，我国人工智能发展虽总体态势向上，但在基础研究、技术体系、应用生态、创新发展等方面仍存在不少问题。因此，以学科交叉、应用转化为抓手带动人工智能领域的基础研究，加大相关研究财政投入力度、优化支出结构，对投入基础研究的企业实行税收优惠等措施，均有助于统筹行业发展。集中力量加强人工智能核心领域（如算法和芯片）的原创性、引领性攻关，可以更好地把握人工智能技术主导权。

  前置化、专业化、灵活化行业与技术监管，可以更好规范行业发展，营造良好数字环境。一方面，AI行业会产生垄断、多元化、隐私和伦理方面的负面影响。因此，实现底层算法监管可以有效防范不透明自动化决策、隐私侵犯等人工智能相关与衍生风险。另一方面，当前人工智能行业发展正处于技术创新和产业增长的爆发期，在不断给社会经济带来发展红利的同时，其应用形式和伴生业态的灵活性也意味着，监管框架和思路也要随之调整，方能进一步发挥技术进步带来的红利。此外，我们应该配备更加专业的行业监管队伍，以人工智能技术赋能人工智能监管，前置化、专业化、灵活化规范AI行业，根据不同人工智能产业发展实际状况差别，灵活制定监管框架和执行规范，减少人工智能技术发展和应用面临的不必要障碍，营造良好数字环境，进一步打造我国AI行业核心竞争力。

  深度融合实体经济，发展数字经济、探索新型业态。人工智能技术作为数字经济发展环节中的核心技术，可以有效将数据生产要素转化为实际生产力。智能技术与实体经济各领域深度融合所带来的生产效率提升以及生产范式改变，是我国宏观经济转型升级的重要驱动力。因此，深度融合实体经济应是AI行业发展的一大目标。基于人工智能技术探索新业态、发展新模式，推动传统产业转型升级从而加快生产要素跨区域流动、融合市场主体，畅通国内外经济循环，也是充分立足并发挥我国全产业链优势、布局数字经济优势行业的必然需求。

  充分发挥市场能动性，实现人工智能行业的产、学、研并举。人工智能技术的长期健康发展，离不开良好的市场环境和产业配套。微观主体能够有效嗅到商机，市场经济在挖掘新业态、探索新模式方面具有相对优势。但人工智能行业作为典型的知识密集型行业，前期需要大量研发工作并培养大批专业技术人员。而高等院校、科研院所在人才培养和技术创新等环节具备相对优势，是AI产业链条上的重要核心力量。因此，以市场需求为主导，有机结合企业、高校、科研机构，形成职能和资源优势上的互补协同，为智能行业发展提供基础配套。以经济效益为抓手，调动高校科技人员积极性，促进科技成果向现实生产力转化，打造AI行业的健康可持续发展生态。

  完善社会保障体系，推进个体发展与技能培训再就业系统。在大规模机器学习技术获得应用的背景下，劳动力自身的主观能动性、个体创新力、统筹思考能力等对社会经济发展和个人发展都非常非常重要。但在传统劳动力供给与新兴劳动力需求之间依然存在技术鸿沟——传统劳动力无法胜任新兴行业的岗位需求。在这一背景下，如何切实推进个体发展与技能培训的再就业系统，有效填平技术鸿沟，如何调整社会保障体系使之对跨部门再培训、再就业更具适用性，兜底民生、切实改善社会福利等问题，可以让我们进一步思考、探索。