我常帮助菜鸟们学习机器学习。

但是我看到，他们在思维模式上和行动上，经常犯同样的错误。

本文我要指出他们经常栽跟头的5个地方。

我发自肺腑地相信，对于应用机器学习，任何人都可以学，并且学得很好。

希望你能够意识到自己已经毫无悬念地掉进了以下的某个坑里，然后果断采取行动，回到正路上。

让我们开始吧。








◆ ◆ ◆

不要从理论开始 
传统的方法教机器学习是自下而上的——

step1:努力学习数学。

step2:努力学习机器学习理论。

step3:努力从头开始实现算法。

stepX？？？（等等等等，自行脑补。。。）


终于，开始使用机器学习（你的目标在此！）


这条路漫长，艰难。

然而，这是为想要摘金夺银的学术界大神们设计的。

你，只想要一个结果的吃瓜群众，凑什么热闹！


陷阱

如果你有以下想法或者说法，你已不幸落井——

我得先完成这门线性代数的课才行。

我得回学校先读个博士学位。 

我得先啃完这本教科书。


出路

耗费4年在数学或者深奥的算法上，能将你带到目标么？

更大的可能是然并卵。你停步不前。或者知难而退。反正离你的目标不会越来越近。

出路是——立正，稍息，向后转！

如果机器学习的价值在于准确的预测，那么要学的就是如何将问题模式化并做出准确的预测。就从这开始。

然后把这件事儿弄好，好得不要不要的！

在你需要的时候，去阅读、截取、武装理论知识，但仅限于为你的目标服务，仅限于这样做会使你传递出更大价值。



◆ ◆ ◆

不要去学所有的机器学习 

机器学习浩瀚无边啊。

它是计算机的自动学习过程，与人工智能多有交集。

从机器人的深奥学习理论算起，这个领域真的很大。

大得你无法一一收入囊中。



陷阱

如果你有下面的想法，你已不幸落井——

我得学会某个网页上提到的所有新技术。

我得学会计算机视觉，自然语言处理，语音处理，等。

首先。我得学会所有的所有。



出路

找个小旮旯，集中于此。

进一步缩小范围。

机器学习最有价值的部分是预测性建模。从数据创建模型进行预测。

从这里开始。

接下来，集中在某种与你最相关，或者你最感兴趣的模型。

然后死缠烂打。

也许你选择了某种技术，比如深度学习。也许你选择了某种问题，比如推荐系统。

也许你还没拿定主意，那么就选一个先。学好它。或者基本精通。

然后，转战到另一个领域。



◆ ◆ ◆

不要在算法上虚度光阴  

机器学习确实关乎算法。

好多好多好多算法。

每个算法都是一个复杂的系统

是一个学习的小宇宙，有它自己的生态系统。

在算法的世界里你会迷路。所有人都会。

那些人叫做学术界。



陷阱

如果你有下面的说法，那么你已不幸落井——

我得弄明白它怎么工作的，在我使用它之前。

我得深入理解超参数先。

我调参的时候得解释清楚因果关系。



出路

算法不是结果。它们是得到结果的方法。

实际上，机器学习算法只是一堆商品。换掉它们。试用几十个。拿一些出来调调参数。接着换。一个更好的结果会让你对算法更有感觉，但是要知道什么时候止步。系统化这个过程。设计调参实验，让它们自动执行和分析。

机器学习无外乎算法的正确应用。但是应用机器学习不只是在算法里虚度光阴。集中火力在每个项目要得到的结果，即一系列的预测，或者一个可以得到这些预测的模型。








◆ ◆ ◆

不要从头开始实现一切   

从头开始实现算法，你可以学到很多。

有时候你甚至需要去实现一项技术

因为没有合适的，

或者找不到现成的实现方案。

但是，一般来说，你不必如此，你也不该如此。

你的实现可能糟透了。抱歉——

它可能有小错误。

它可能很慢。

它可能太占内存。

它可能处理不好边界情形。

它甚至可能压根儿就错了。



陷阱

如果有以下情形，不幸你已落井——

你在写代码导入CSV文件（到底怎么回事！）

你在写代码做一个标准的算法，比如线性回归

你在写代码做交叉验证或者超参数调节。



出路

停下来！

使用一个通用的，已知是正确的，成千上万的程序猿都在用的库来处理边界情形。

使用一个高度优化的库，哪怕最后一个循环，最后一个字节都已经挤干净，最小限度占用内存。

使用图形化的用户界面，避免不必要的编程。

每次你想要用的时候都实现所有一切，对机器学习菜鸟而言，是一个非常慢的方法。

如果你想学习实现，那么，诚实一点，把它和学习利用应用机器学习来传递价值区分开来。



◆ ◆ ◆

不要总是换工具 

有很多非常伟大的机器学习工具。

实际上，伟大的工具，连同数据和高性能硬件，

是机器学习得以复兴的原因。

但是，当你遇到接踵而至的新工具时

你就掉进流连忘返的坑里了。


陷阱

如果你有如下情形，不幸你已落井——

使用你听说过的新工具。

发现你每周或每月都在学习新的工具或者语言。

学一个库，见新思迁，半途而废。


出路

学习和使用新工具。

但是要有策略。

把新工具整合到解决问题的系统过程里。

如果你选好一个主打平台并坚守不移，你会高效得多。至少坚持到你能擅长或者精通一个。

你的领域内还会有其它的平台和专业工具，坚持到底是爱好者与专业人士的区别。



◆ ◆ ◆

总结 

本文你见识了我所见识到的机器学习菜鸟常犯的5大错误。重要的事再说一遍，它们是：

1. 不要从理论开始
2. 不要去学机器学习的所有东西
3. 不要在算法里虚度光阴
4. 不要从头实现一切
5. 不要总是换工具。
 
 
来源大数据文摘智造家提供 查看全部

如果你是商界英才（而不是数据科学家或者机器学习专家），你也许对主流媒体宣传的人工智能（artificial intelligence，AI）已经耳熟能详了。你在《经济学人》和《名利场》杂志上读过相关文章，你看到过特斯拉自动驾驶的煽情文章，听到过史蒂芬?霍金讲述人工智能威胁人类的耸人听闻，甚至迪尔伯特关于人工智能和人类智能的玩笑你都知道。

此时，胸怀大志要把自己的生意做大做强的你，面对媒体关于人工智能的碎碎念，可能萌生了两个疑问——

第一，人工智能的商业潜力是真是假？

第二，这玩意怎么用到我的生意上？


[login]
对第一个问题，答案是：千真万确。今天的商业活动，可以开始应用人工智能来将要求人类智能的活动替换为自动处理以降低成本。人工智能可以允许你将一个需要人海战术的工作通量增加100倍而成本减少90%。

第二个问题的答案要长一些。首先得消除主流媒体鼓吹导致的误解。一旦误解消除，我们才能为你介绍如何应用人工智能到自己的生意中去。

误解1：人工智能是魔术

多数主流媒体将人工智能描述为神奇而神秘的。我们只需为大魔术师般的公司，如Google，Facebook，Apple，Amazon和Microsoft等鼓掌欢呼即可。这样的描述只是在帮倒忙。如果我们想要人工智能应用到商业活动中，至少需要让公司的执行官们理解它。人工智能不是魔术。人工智能是数据、数学、模式和迭代。如果我们想要人工智能应用到商业活动中，我们必须更加透明，并解释清楚人工智能的3个互相连锁的关键概念。

1.训练数据（TrainingData，TD）——

训练数据是机器可以用来学习的起始数据集。训练数据有输入值和自带答案的输出值，这样机器学习模型可以从答案中寻找模式。比如，输入可以是客服单，带有客户和公司的客服代表之间的电子邮件。输出可以是基于公司某个分类定义的从1到5的分类标签。

2.机器学习（MachineLearning，ML）——

机器学习是软件从训练数据中学习到某种模式，并把它应用到新的输入数据中。比如，一个新的客服单，带有某位客户和某位公司客服代表的邮件来了，机器学习模型可以预测出一个分类，告诉你它对该分类的把握有多大。机器学习的关键特征是，它不是通过固定的规则来学习。因此，当它消化新的数据后，它会调整其规则。

3.人机回圈（Human-in-the-Loop，HITL）——

人机回圈是人工智能的第三个核心成分。我们不能指望机器学习万无一失。一个好的机器学习模型大概只有70%的准确性。因此你需要一个人机回圈流程，当模型的可信度低时，还可以依靠人。

因此，别被人工智能的神话愚弄了。现在，有了人工智能的公式，在此基础上，你可以对人工智能有一个基本的理解了。AI = TD + ML + HITL

[人工智能]








误解2：人工智能是给科技精英用的

媒体报道似乎暗示，人工智能只是科技精英的菜——只有像Amazon，Apple，Facebook，Google，IBM，Microsoft，Salesforce，Tesla，Uber这些公司能斥上亿美金巨资组建庞大的机器学习专家团队。这个概念是错的。

今天，十万美元即可在商业过程中开始应用人工智能。因此，如果你的公司是全美营业额在5千万美元以上的26，000家公司之一，你就可以投入营业额的0.2%，来启动人工智能。

因此，人工智能不只属于高科技公司。它属于任何行业。



误解3：人工智能只解决亿万美元级的大问题

主流媒体叙说的故事，通常是未来式的例子，比如无人驾驶汽车，无人机投递包裹。Google，Tesla和Uber这些公司投入了数亿美元争夺无人驾驶汽车领域的领先地位，因为“赢者通吃”的想法在作怪。这样的故事给人工智能打上了“花费亿万美元开拓创新领域”的烙印。但事实并非如此。

人工智能也可以用几百万美元来解决现有问题。让我解释一下。任何生意的一个核心任务都是了解客户。这在最早的市场——古希腊的阿格拉如此，在古罗马的竞技场里面对面做买卖时如此，在网购盛行的今天也如此。许多公司坐拥非结构化的客户数据宝库，有电子邮件，也有Twitter评论。人工智能可以用于解决客服单分类或者理解推文情感这样的难题。

因此人工智能不止是为了解决如无人驾驶汽车这样的亿万美元级“让人兴奋”的新问题，它也可以解决百万美元级的现有“无聊”问题，如通过客服单分类或者社交媒体情感分析来了解你的客户。



误解4：算法比数据更重要

主流媒体对人工智能的报道偏重于关注机器学习算法，将其视为最重要的部分。主流媒体似乎把算法与人脑等同了。他们隐约传达着这样一个信息：复杂的算法最终会超越人类的大脑并创造奇迹。媒体拿机器在国际象棋和围棋比赛里击败人类的故事作为例子。而且他们主要关注“深度神经网络”和“深度学习”，以及机器是如何做出决策。

这种报道给人的印象是，一个公司要想应用人工智能就需要聘请机器学习专家来建立完美的算法。但如果一个企业没有思考如何获得高质量的算法，即使机器学习模型经过大量的特定训练数据学习之后，仍然会产生一个与期望（“我们有一个伟大的算法”）不匹配的结果（“我们的模型的准确率只有60%”）。

现如今，没有计划或训练数据的预算就从微软，亚马逊和谷歌购买商业机器学习的服务，就像买一辆无法接近加油站的车，只是买了一块昂贵的金属。汽车和汽油的类比有些不贴切，因为如果你给机器学习模型的训练数据越多，机器学习模型就会越准确。这就像不断给汽车加油，汽车的燃料利用率会不断提高。训练数据对于机器学习模型的重要性比汽油对汽车的重要性更高。如果想深入了解对这类误解性的报道的话，你可以阅读我们以前的帖子《更多的数据击败更好的算法》。

所以关键就是训练数据的质量和数量至少是和算法一样重要的，要确保你部署人工智能的计划和预算反映这一点。



误解5:机器>人类

在过去的30年里，无论是施瓦辛格在《终结者》里扮演的电子人杀手，还是艾丽西亚·维坎德在《机械姬》里扮演的智能机器人伊娃，媒体一直喜欢把人工智能描绘成比人类更强大的机器。媒体想编写一个机器对战人类谁会成为赢家的故事，这是可以理解的。但却歪曲了事实。

例如，最近谷歌DeepMind 的 alphago战胜韩国棋手李世石的报道被简单地描述成机器战胜人类。这样的表达不是对真实情况的准确描述。更准确的描述是机器加上一群人打败了一个人。

消除这种误解的主要理由是机器和人的技能是互补的。从上面的图中我们可以看出机器在处理结构化计算方面有优势。机器擅长“找到特征向量”的任务，不太擅长“找到豹纹裙”任务。人类在识别意义和背景上具有得天独厚的优势。人类很容易“找到豹纹裙”，但在“找到特征向量”方面跟机器相比不具有优势。

因此，正确的框架是要意识到在商业情景下机器和人是互补的。人工智能是人和机器共同工作。



错误6：人工智能是机器取代人类

主流媒体为了关注度喜欢描绘一个反乌托邦式的未来，这种情况可能会发生，但这种描述对正确理解人和机器如何共同工作产生了不利的影响。

例如，让我们再思索下分类支持票据的业务流程。现如今大多数企业都还是百分百人工操作的。结果就是不仅进度缓慢而且成本线性增长，限制了工作量。现在想象一下用模型分类10，000张支持票的准确度是70%。30%的错误是不能接受的，就需要人机回圈的参与。你可以设置可接受的置信阈值为95%并且只接受模型在置信水平不低于95%时的输出。所以最初的机器学习模型可能只做了一小部分的工作，比如说5-10%。但是，随着新的人为标记的数据被创建，并且将其反馈到机器学习模型中，模型会不断学习并提高。随着时间的推移，该模型可以处理越来越多的客户支持票据分类工作，分类票据的业务量可以显著提高。

因此，人和机器共同协作可以增加业务量，保持质量，减少重要的业务流程的单位成本。

这就消除了人工智能是机器代替人类的误解。事实是，人工智能是关于机器增强人类的能力。



错误7：人工智能=机器学习

主流媒体带给人们的最后一条根深蒂固的误解就是人工智能和机器学习是等同的。这个误解就导致了不切实际的管理期望—从微软，亚马逊或谷歌公司购买商业机器学习的服务就能神奇地将人工智能运用到生产中。

而除了机器学习之外还需要训练数据和人机回圈才有可能找到可行的人工智能解决方案。

没有训练数据的机器学习就像一辆没有汽油的汽车。既昂贵又无用。

没有人机回圈的机器学习是不会有好的产出的。机器学习模型需要人的参与来去除低的置信度预测。

因此，如果你是一个想把人工智能应用到业务上的执行官，现在你应该对它有一个认识框架了。你应该用人工智能的7个真理来代替这7个误解。



真相1：人工智能=训练数据+机器学习+人机回圈

真相2：人工智能属于任何行业

真相3：人工智能可以用几百万美元来解决现有的商业问题

真相4：算法并没有比训练数据的数量和质量更重要

真相5：机器和人是互补的

真相6：人工智能是机器增强人的能力

真相7：人工智能=训练数据+机器学习+人机回圈
[/login]
 
 
  
文章来源于网络智造家平台提供 查看全部

这篇来自斯坦福的「人工智能百年研究」报告是计划持续至少 100 年的、研究系列中的第一篇。它描述了目前人工智能相关技术、法律以及道德上的挑战，并对人工智能的研究、应用、政策上的方向提出了指导与建议。（因微信字数限制，请点击「阅读原文」下载完整中文报告。）





 
 
[login]
 序言

2014 年秋季，人工智能百年研究项目启动，这是一项关于人工智能领域，及其对人类、社区、社会影响的长期学术研究。这项研究包含使用人工智能计算系统的科学、工程和应用实现。监督该「百年研究」的常务委员会组建了一个研究小组来每五年评估一次人工智能所处的状态——这是本项目的核心活动。

本研究小组要回顾从上次报告到现在这段时间人工智能的进展，展望未来潜在的进展并且描述这些进展对于技术、社会的挑战与机遇，涉及的领域包括：道德伦理、经济以及与人类认知兼容的系统设计等等。

 
「百年研究」定期进行专家回顾的首要目标是：提供一个随着人工智能领域发展的，关于人工智能及其影响的收集性和连通性的集合。这些研究希望能在人工智能领域的科研、发展以及系统设计方面，在帮助确保那些系统能广泛地有益于个人和社会的项目与政策上提供专业推断上的方向指南及综合评估。


这篇报告是计划持续至少 100 年的研究系列中的第一篇。常务委员会在 2015 年的暑期成立了一个研究小组来负责组建现在这个初始的研究小组，并任命了得克萨斯大学奥斯汀分校的教授 Peter Stone 担任该小组的主席。这个包含了 17 名成员的研究小组由人工智能学术界、公司实验室和产业界的专家，以及了解人工智能的法律、政治科学、政治以及经济方面的学者组成，并于 2015 年秋季中期启动。


参与者代表着不同的专业、地区、性别以及职业阶段。常务委员会广泛讨论了研究小组相应的责任，包括人工智能最近的发展与在工作、环境、运输、公共安全、医疗、社区参与以及政府的潜在社会影响。委员会考虑多种聚焦研究的方式，包括调查子领域及其状态、研究特定的技术（例如机器学习与自然语言处理）以及研究特定的应用领域（例如医疗与运输）。

 
委员会最终选择了「 2030 年的人工智能与生活（ AI and Life in 2030 ）」为主题，以强调人工智能的各种用途与影响的发生不是独立于彼此，也不独立于其他许多社会和技术上的发展。意识到了城市在大多数人类生活中的核心作用之后，我们将专注重点缩小到大多数人居住的大都市。







第一部分：什么是人工智能？


本章节介绍了研究人员和从业者如何定义「人工智能」以及目前正在蓬勃发展的人工智能研究和应用领域。它提出了人工智能是什么和不是什么的定义，并介绍了一些当前人工智能研究的「热点」领域。


本章节为第二部分和第三部分的内容奠定了基础。第二部分阐述了人工智能在八个领域中的影响与未来，第三部分介绍了涉及人工智能设计和公共政策的问题，并提出在保护民主价值的同时如何鼓励人工智能创新的建议。



1.1定义人工智能


奇怪的是，人工智能缺乏一个精确的、被普遍接受的定义，这或许有助于该领域的加速成长、繁荣以及前进。虽然人工智能的从业者、研究人员和开发人员由一种粗略的方向感和一个「与它相处」的命令所引导，人工智能的定义仍然很重要，而 Nils J. Nilsson 就提供了一个有用的定义：「人工智能就是致力于让机器变得智能的活动，而智能就是使实体在其环境中有远见地、适当地实现功能性的能力」。


电子计算器智能吗？像 Nilsson 一样，研究小组以一种宽泛的视角来看待此问题，认为智力取决于一个多维频谱。根据这一观点，算术计算器和人脑之间的区别不是某一类，而是规模、速度、自主性和通用性的区别。

 
同样的因素可以用来评估智能的其他各例——智能语音识别软件、动物大脑、汽车巡航控制系统、围棋程序、自动调温器——并将它们放置在频谱中的适当位置。虽然我们的宽泛解释把计算器列在了智能频谱中，但是如此简单的设备与今天的人工智能相比几乎没有相似之处。

 
从这个角度看，对人工智能的表征取决于个人愿意「适当地」并「有远见地」为功能提供合成软件和硬件的信用。一个简单的电子计算器比人脑计算快得多而且几乎从不出错。

 
人工智能的边界已经远远走在前面，而计算器可以实现的功能只是当下的智能手机的百万分之一。目前人工智能开发人员正在改进、推广和扩大从当下的智能手机中所建立起来的智能。事实上人工智能领域是一个不断努力推动机器智能向前发展的过程。

 
具有讽刺意味的是，人工智能正在遭受失去话语权的长期灾难，最终不可避免地会被拉到边界内，即一个被称为「人工智能效应」（ AI effect ）或「奇怪悖论」（ odd paradox ）的重复模式——人工智能将一种新技术带到了普通大众中去，人们习惯了这种技术，它便不再被认为是人工智能，然后更新的技术出现了。


同样的模式将在未来继续下去。人工智能并没有「交付」一个惊雷般改变生活的产品。相反人工智能技术正在以一个连续的、进步的方式继续更好的发展。







1.2人工智能研究趋势


直到本世纪初，人工智能的吸引点主要在于它所传递的承诺，但在过去的十五年里，大多这样的承诺已经得到兑现。人工智能技术已经充斥了我们的生活。当它们成为了社会的一股中心力量时，该领域正在从仅仅建立智能系统，转向了建立有人类意识的、值得信赖的智能系统。


几个因素加速了人工智能革命。其中最重要的是机器学习的成熟，部分由云计算资源和广泛普及的、基于 Web 的数据收集所支持。机器学习已经被「深度学习」急剧地向前推进了，后者是利用被称作「反向传播的方法」所训练的适应性人工神经网络的一种形式。


信息处理算法的这种性能飞跃一直伴随着用于基本操作的硬件技术的显著进步，比如感觉、感知和目标识别。数据驱动型产品的新平台和新市场，以及发现新产品和新市场的经济激励机制，也都促进了人工智能驱动型技术的问世。


所有这些趋势都推动着下文中所描述的「热门」研究领域。这只是想要通过某个或另一个度量标准来反映目前比其他领域得到更大关注的领域。它们不一定比其他领域更重要或更有价值。事实上目前的一些「热门」领域在过去几年中并不怎么流行，而其他领域可能在未来会以类似的方式重新出现。

 

1. 大规模机器学习


许多机器学习的基本问题（如监督和非监督学习）是很好理解的。目前努力的一个重点是将现有算法扩展到更庞大的数据集上。例如鉴于传统方法能够负担得起若干遍数据集的处理，现代方法是为单次处理所设计；某些情况只认同非线性方法（那些只关注一部分数据的方法）。




2. 深度学习

 
成功训练卷积神经网络的能力非常有益于计算机视觉领域，比如目标识别、视频标签、行为识别和几个相关变体的应用。深度学习也在大举进军感知方面的其他领域，如音频、语音和自然语言处理。

 

3. 强化学习


鉴于传统机器学习主要关注于模式挖掘，强化学习将重点转移到决策中，这种技术将有助于促进人工智能在现实世界中更深入地进入相关研究和实践领域。作为一种经验驱动型的序贯决策框架，强化学习已经存在了几十年，但是这个方法在实践中没有取得很大成功，主要是由于表征和缩放的问题。深度学习的出现为强化学习提供了「一贴强心剂」。


由谷歌 DeepMind 开发的计算机程序 AlphaGo 在五次对抗比赛中击败了人类围棋冠军，它最近所取得的成功在很大程度上要归功于强化学习。AlphaGo 是通过使用一个人类专家数据库来初始化一个自动代理的方法被训练的，但随后提炼的方法是通过大量地自我对抗游戏以及应用强化学习。








4. 机器人


至少在静态环境中，机器人导航在很大程度上被解决了。目前的努力是在考虑如何训练机器人以广泛型的、预测性的方式与周围世界进行交互。互动环境中产生的一个自然要求是操纵，这是当下所感兴趣的另一个话题。


深度学习革命只是刚开始影响机器人，这在很大程度上是因为要获得大的标记数据集还很困难，这些数据集已推动了其他基于学习的人工智能领域。

 
免去了标记数据需求的强化学习可能会有助于弥合这一差距，但是它要求系统在没有错误地伤害自己或其他系统的情况下能够安全地探索出一个政策空间。在可信赖的机器感知方面的进步，包括计算机视觉、力和触觉感知，其中大部分将由机器学习驱动，它们将继续成为推进机器人能力的关键。








5. 计算机视觉

 
计算机视觉是目前最突出的机器感知形式。它是受深度学习的兴起影响最大的人工智能子领域。直到几年前，支持向量机还是大多视觉分类任务所选择的方法。但是特别是在 GPU 中的大规模计算的汇合，使得更大数据集的可获得性（尤其是通过互联网）以及神经网络算法的改进导致了基准任务功能的显著提高（比如 ImageNet 中的分类器）。计算机首次能够比人类更好地执行一些（狭义定义的）视觉分类任务。目前的研究多是关注于为图像和视频自动添加字幕。

 

6. 自然语言处理

 
自然语言处理是另一个通常与自动语音识别一同被当做非常活跃的机器感知领域。它很快成为一种拥有大数据集的主流语言商品。谷歌宣布目前其 20% 的手机查询都是通过语音进行的，并且最近的演示已经证明了实时翻译的可能性。现在研究正在转向发展精致而能干的系统，这些系统能够通过对话而不只是响应程式化的要求来与人互动。




7. 协同系统


协同系统方面进行的是对模型和算法的研究，用以帮助开发能够与其他系统和人类协同工作的自主系统。该研究依赖于开发正式的协作模型，并学习让系统成为有效合作伙伴所需的能力。能够利用人类和机器的互补优势的应用正吸引到越来越多的关注——对人类来说可以帮助人工智能系统克服其局限性，对代理来说可以扩大人类的能力和活动。

 

8. 众包和人类计算

 
在完成许多任务方面由于人类的能力是优于自动化方法的，因而在众包和人类计算方面，也需要通过利用人类智力来解决那些计算机无法单独解决好的问题。该领域研究调查了增强计算机系统的方法，这项研究的提出仅仅是在大约 15 年前，现在它已经在人工智能领域确立了自己的存在。最有名的众包例子是维基百科，它是一个由网络公民维护和更新的知识库，并且在规模上和深度上远远超越了传统编译的信息源，比如百科全书和词典。

 
众包专注于设计出创新的方式来利用人类智力。Citizen 科学平台激发志愿者去解决科学问题，而诸如亚马逊的 Mechanical Turk 等有偿众包平台，则提供对所需要的人类智力的自动访问。通过短时间内收集大量标记训练数据和/或人机交互数据，该领域的工作促进了人工智能的其它分支学科的进步，包括计算机视觉和自然语言处理。基于人类和机器的不同能力和成本，目前的研究成果探索出了它们之间理想的任务分离。








9. 算法博弈理论与 (基于) 计算机 (统计技术的) 社会选择

 
包括激励结构、人工智能在内的经济和社会计算维度吸引到了新的关注。自 20 世纪 80 年代初以来，分布式人工智能和多代理（multi-agent）系统就已经被研究了，于 20 世纪 90 年代末开始有显著起色，并由互联网所加速。一个自然的要求是系统能够处理潜在的不恰当激励，包括自己所感兴趣的人类参加者或公司，以及自动化的、基于人工智能的、代表它们的代理。


备受关注的主题包括：计算机制设计，一种激励设计的经济理论，它寻求激励兼容的系统，其中输入会被如实报告；基于计算机统计技术的社会选择，一种有关如何为替代品排列顺序的理论；激励对齐信息获取，预测市场、评分规则、同行预测；算法博弈理论，市场、网络游戏和室内游戏的平衡，比如poker——它在近几年通过抽象技术和无遗憾学习已经取得了显著的进步。



10. 物联网（IoT）


越来越多的研究机构致力于这样一个想法：一系列设备可以相互连接以收集和分享它们的感官信息。这些设备可以包括家电、汽车、建筑、相机和其他东西。基于技术和无线网络连接设备，人工智能可以为了智能的、有用的目的去处理和使用所产生的大量数据。目前这些设备使用的是令人眼花缭乱的各种不兼容的通信协议。人工智能可以帮助克服这个「巴别塔」。

 

11. 神经形态计算


传统计算机执行计算的冯诺依曼模型，它分离了输入/输出、指令处理和存储器模块。随着深度神经网络在一系列任务中的成功，制造商正在积极追求计算的替代模型——特别是那些受到生物神经网络所启发的——为了提高硬件的效率和计算系统的稳定性的模型。


目前这种神经形态的计算机尚未清楚地显示出巨大成功，而是刚开始有望实现商业化。但可能它们在不久的将来会变成寻常事物（即使仅作为冯诺依曼所增加的兄弟姐妹们）。深度神经网络在应用景观中已经激起了异常波动。当这些网络可以在专门的神经形态硬件上被训练和被执行，而不是像今天这样在标准的冯诺依曼结构中被模拟时，一个更大的波动可能会到来。




12. 总体趋势以及人工智能研究的未来

 
数据驱动型范式的巨大成功取代了传统的人工智能范式。诸如定理证明、基于逻辑的知识表征与推理，这些程序获得的关注度在降低，部分原因是与现实世界基础相连接的持续挑战。规划（Planning）在七十和八十年代是人工智能研究的一根支柱，也受到了后期较少的关注，部分原因是它强烈依赖于建模假设，难以在实际的应用中得到满足。


基于模型的方法——比如视觉方面基于物理的方法和机器人技术中的传统控制与制图——已经有很大一部分让位于通过检测手边任务的动作结果来实现闭环的数据驱动型方法。即使最近非常受欢迎的贝叶斯推理和图形模式似乎也正在失宠，被数据和深度学习显著成果的洪流所淹没。


研究小组预计在接下来的十五年中，会有更多关注集中在针对人类意识系统的开发上。这意味着它们是明确按照要与之互动的人类特点来进行建模与设计的。很多人的兴趣点在于试图找到新的、创造性的方法开发互动和可扩展的方式来教机器人。


此外在考虑社会和经济维度的人工智能时，物联网型的系统——设备和云——正变得越来越受欢迎。在未来的几年中，对人类安全的感知、新的目标识别能力和机器人平台将会增加，数据驱动型产品数量与其市场规模将会变大。


研究小组还预计当从业者意识到纯粹的端到端深度学习方法的不可避免的局限性时，会重新出现一些人工智能的传统形式。我们不鼓励年轻的研究人员重新发明理论，而是在人工智能领域以及相关领域（比如控制理论、认知科学和心理学）的第一个五十年期间，保持对于该领域多方面显著进展的觉察。








第二部分：人工智能在各领域的应用


虽然人工智能的很多研究和应用会基于一些通用技术，比如说机器学习，但在不同的经济和社会部门还是会有所区别，我们称之为不同的领域（domain）。接下来的这部分将介绍人工智能研究和应用的不同类型，以及影响和挑战，主要有八个方面：交通、家庭服务机器人、医疗健康、教育、低资源社区、公共安全、工作和就业、娱乐。


基于这些分析，我们还预测了一个有代表性的北美城市在未来 15 年的趋势。与人工智能的流行文化中的典型叙述不同，我们寻求提供一个平衡的观点来分析，人工智能是如何开始影响我们日常生活的，以及从现在到 2030 年，这些影响将如何发展。


2.1交通


交通可能会成为首批几个特定应用领域之一。在这些领域，大众需要对人工智能系统在执行危险任务中的可靠性和安全性加以信任。自动化交通会很快司空见惯，公众对嵌入人工智能系统的实体交通工具的首次体验，将强有力地影响其对人工智能的感知。




2.2家庭服务机器人


过去十五年中，机器人已经进入了人们的家庭。但应用种类的增长慢得让人失望，与此同时，日益复杂的人工智能也被部署到了已有的应用之中。人工智能的进步常常从机械的革新中获取灵感，而这反过来又带来了新的人工智能技术。

 
未来十五年，在典型的北美城市里，机械和人工智能技术的共同进步将有望增加家用机器人的使用和应用的安全性和可靠性。特定用途的机器人将被用于快递、清洁办公室和强化安全，但在可预见的未来内，技术限制和可靠机械设备的高成本将继续限制其在应用领域的商业机会。至于自动驾驶汽车和其它新型的交通机器，创造可靠的、成熟的硬件的难度不应该被低估。






 

2.3医疗


人工智能而言，医疗领域一直被视为一个很有前景的应用领域。基于人工智能的应用在接下来的几年能够为千百万人改进健康结果和生活质量，但这是在它们被医生、护士、病人所信任，政策、条例和商业障碍被移除的情况下。主要的应用包括临床决策支持、病人监控、辅导、在外科手术或者病人看护中的自动化设备、医疗系统的管理。


近期的成功，比如挖掘社交媒体数据推断潜在的健康风险、机器学习预测风险中的病人、机器人支持外科手术，已经为人工智能在医疗领域的应用扩展出了极大的应用可能。与医学专家和病人的交互方法的改进将会是一大挑战。

 
至于其他领域，数据是一个关键点。在从个人监护设备和手机 App 上、临床电子数据记录上收集有用的数据方面，我们已经取得了巨大的进展，从协助医疗流程和医院运行的机器人那里收集的数据可能较少一些。但使用这些数据帮助个体病人和群体病人进行更精细的针对和治疗已经被证明极其的困难。

 
研究和部署人工智能应用已经被过时的条例和激励机制拉扯后腿。在这样大型的、复杂的系统中，贫乏的人机交互方法和固有的难题以及部署技术的风险也阻碍了人工智能在医疗的实现。减少或者移除这些障碍，结合目前的创新，有潜力在接下来几年为千百万人极大的改进健康结果和生活质量。

 


2.4教育

在过去的十五年间，教育界见证了为数众多的人工智能科技的进步。诸如 K-12 线上教育以及大学配套设备等等应用已经被教育家和学习者们广泛利用。尽管素质教育还是需要人类教师的活跃参与，但人工智能在所有层面上都带来了强化教育的希望，尤其是大规模定制化教育。如何通过人工智能技术来最优化整合人类互动与面对面学习，将是一个关键性的挑战。

 
机器人早已经成为了广为欢迎的教育设备，最早可以追溯到 1980 年 MIT Media Lab 所研制出的 Lego Mindstorms。智能辅导系统（ ITS ）也成为了针对科学、数学、语言学以及其他学科相匹配的学生互动导师。

 
自然语言处理，尤其是在与机器学习和众包结合以后，有力推进了线上学习。帮助让教师在扩大教室规模的同时还能做到解决个体学生的学习需求与风格。大型线上学习的系统所得的数据已经为学习分析产生了迅速增长的动力。


但是，学院与大学采用人工智能技术的步伐依然很缓慢，主要是由于资金的缺乏，以及其可以帮助学生达成学习目标的有力证据。一个典型美国北部城市的未来五十年，智能导师与其他人工智能技术帮助教师在课堂或家中工作的规模很有可能会显著扩大，因为意愿学习是基于虚拟现实的应用。但是计算机为基础的学习系统将无法完全替代学校里的教师们。

 

更广大的社会成果


对于大多数人民难以获得教育的国家，如果可以应用在线教育的工具，那么在线资源将会产生重要的积极影响。在线教育资源的发展应该能让支持国际教育项目的基金会可以通过提供工具和相对简单的使用培训来更轻松地提供素质教育。比如说，针对 iPad 开发出了大量的、且大部分免费的教育应用。

 
在消极的一面，现在学生已有把自己的社会接触限制在电子设备上的趋势了，他们在网络程序的互动上花费了大量时间，却没有进行社会接触。如果教育也越来越多地通过网络进行，那么在学生的社会发展阶段缺乏与同龄人有规律的面对面接触会带来怎样的影响呢？特定的技术已经表明这会产生在神经方面的影响。另一方面，自闭症儿童已经开始从与人工智能系统的互动中受益了。






 


2.5低资源社区


人工智能存在许多机会去改善生活于一个典型北美城市的低资源社区中的人民生活状况——事实上在某些情况下已经有所改变。了解这些人工智能的直接贡献也可能会激发对于发展中国家最为贫穷的地区的潜在贡献。在人工智能的数据收集过程中并没有对这个人群的显著关注，而且传统上人工智能资助者在缺乏商业应用的研究中表现得投资乏力。

 
有了有针对性的激励和资金优先次序，人工智能技术可以帮助解决低资源社区的需求。萌芽中的努力是有希望的。人工智能可能会有有助于对抗失业和其他社会问题带来的恐惧，它或许会提供缓解措施和解决方案，特别是通过受影响的社区用于其建立信任的方式来实现。



2.6公共安全与防护


城市已经为公共安全与防护部署人工智能技术了。到 2030 年, 典型的北美城市将在很大程度上依赖它们。这些措施包括可以检测到指向一个潜在犯罪的异常现象的监控摄像机、无人机和预测警务应用。与大多数问题一样，好处与风险并存。


获得公众信任是至关重要的。虽然会存在一些合理的担心，即与人工智能合作的警务可能会在某些情况下变得霸道或是无处不在，而相反的情况也是可能的。人工智能可能使警务变得更有针对性并只在需要时被使用。而且假设经过仔细的部署，人工智能也可能有助于消除一些人类决策中固有的偏见。


对于人工智能分析学更成功的一个应用是检测白领犯罪，比如信用卡诈骗罪。网络安全（包括垃圾邮件）是一个被广泛关注的问题，而机器学习也对其有所影响。


人工智能工具也可能被证明有助于警察管理犯罪现场或是搜索和救援活动，它可以帮助指挥官排列任务的优先次序以及分配资源，尽管这些工具还没有为这些活动的自动化做好准备。在一般的机器学习尤其是在转换学习中的改进——在新情境中基于与过去情况的相似性而加快学习——可能有利于这样的系统。









2.7就业与劳资


尽管人工智能很有可能会对典型北美城市的就业与工作场所产生深远的影响，但对当前的影响我们目前还难以作出评估——是积极的还是消极的。在过去十五年，由于经济衰退和日益的全球化，尤其是中国参与到了世界经济中，就业状况已经发生了改变，非人工智能的数字技术也发生了很大的变化。自 1990 年代以来，美国经历了生产率和 GDP 的连续增长，但平均收入却停滞不前，就业人口比率也已经下降。


有一些数字技术有重大影响（好的影响或坏的影响）的行业的显著案例，而在一些其它的行业，自动化将很有可能在不久的将来发生重大的改变。许多这些改变已经得到了「例行的」数字技术的推动，其中包括企业资源规划、网络化、信息处理和搜索。理解这些改变应该能为人工智能影响未来劳动力需求的方式（包括技能需求的改变）提供见解。

 
到目前为止，数字技术已经给中等技能的工作（比如旅行代理）带来了更大的影响，而不是非常低技能或非常高技能的工作。另一方面，数字系统所能完成的任务的范围正随着人工智能的演进而提升，这很可能会逐渐增大所谓的「例行任务」的范围。人工智能正向高端的领域蔓延，包括一些机器之前无法执行的专业服务。

 
为了获得成功，人工智能创新将需要克服可以理解的人们对被边缘化的恐惧。在短期内，人工智能很有可能会取代任务，而非工作，同时还将会创造新类型的工作。但新类型的工作比将可能失去的已有工作更难以想象。就业领域的变化通常是渐进的，不会出现剧烈的过渡。

 
随着人工智能进入工作场所，这很有可能是一个持续的趋势。影响的范围也将扩大，从少量的替代或增强到完全的替代。比如说，尽管大部分律师的工作还没被自动化，但人工智能在法律信息提取和主题建模方面的应用已经自动化了一部分第一年工作的律师新人的工作。在不远的将来，包括放射科医生到卡车司机到园丁等许多类型的工作都可能会受到影响。


人工智能也可能会影响工作场所的大小和位置。许多组织和机构很庞大的原因是他们所执行的功能只能通过增加人力来扩大规模，要么是「横向」扩展地理区域，要么是「纵向」增多管理层级。随着人工智能对许多功能的接管，扩展不再意味着会带来大型的组织。

 
许多人已经指出一些知名的互联网公司只有很少数量的员工，但其它公司并不是这样。人类企业可能存在一个自然的规模大小，在这样的企业中，CEO 能够认识公司里的每一个人。通过将创造有效地外包给人工智能驱动的劳动力市场，企业会倾向于自然的大小。

 
人工智能也将创造工作，特别是在某些行业中，通过使某些特定任务更重要，以及通过产生新的交互模型创造新类型的工作。复杂的信息系统可被用于创造新的市场，这往往会带来降低门槛和增加参与的影响——从应用商店到 Airbnb 再到 TaskRabbit。人工智能界有一个活跃的研究社区在研究创造新市场和使已有市场更高效地运作的进一步的方式。


尽管工作本身有内在的价值，但大部分人工作是为了购买他们看重的商品和服务。因为人工智能系统可以执行之前需要人力的工作，因此它们可以导致许多商品和服务的成本下降，实实在在地让每个人都更富有。当正如当前的政治辩论中所给出的例子一样，失业对人们的影响比对散布的经济效益的影响更显著——尤其是那些直接受其影响的人；而不幸的是，人工智能常常被视作是工作的威胁，而不是生活水平的提升。


人们甚至在某些方面存在恐惧——害怕人工智能会在短短一代人的时间内迅速取代所有的人类工作，包括那些需要认知和涉及到判断的工作。这种突变是不太可能发生的，但人工智能会逐渐侵入几乎所有就业领域，这需要在计算机可以接管的工作上替换掉人力。

 
人工智能对认知型人类工作的经济影响将类似于自动化和机器人在制造业工作上对人类的影响。许多中年工人失去了工厂里的高薪工作以及伴随这个工作的家庭和社会中的社会经济地位。长期来看，一个对劳动力的更大影响是失去高薪的「认知型」工作。

 
随着劳动力在生产部门的重要性的下降（与拥有知识资本相比），大多数市民可能会发现他们的工作的价值不足以为一种社会可以接受的生活标准买单。这些变化将需要政治上的，而非单纯经济上的响应——需要考虑应该配置怎样的社会安全网来保护人们免受经济的大规模结构性转变的影响。如果缺少了缓解政策，这些转变的一小群受益者将成为社会的上层。


短期来看，教育、再训练和发明新的商品和服务可以减轻这些影响。更长期来看，目前的社会安全网可能需要进化成更好的服务于每个人的社会服务，例如医疗和教育或有保障的基本收入。事实上，瑞士和芬兰等国家已经在积极地考虑这些措施了。


人工智能可能会被认为是一种财富创造的完全不同的机制，每个人都应该从全世界人工智能所生产的财富中分得一部分。对于人工智能技术所创造的经济成果的分配方式，相信不久之后就会开始出现社会争议了。因为传统社会中由孩子支持他们年老的父母，也许我们的人工智能「孩子」也应该支持我们——它们的智能的「父母」。








2.8娱乐


随着过去十五年互联网的爆发式增长，很少有人能想象没有它的生活。在人工智能的驱动下，互联网已经将用户生成的内容作为了信息和娱乐的一个可行来源。Facebook 这样的社交网络现在几乎已经无处不在，而且它们也成为了社会互动和娱乐的个性化渠道——有时候会损害人际交往。WhatsApp 和 Snapchat 等应用可以让智能手机用户与同伴保持「接触」，分享娱乐和信息源。


在《第二人生》这样的在线社区和《魔兽世界》这样的角色扮演游戏中，人们想象在虚拟世界中有一个虚拟的存在。亚马逊 Kindle 这样的专用设备已经重新定义了打发时间的要领。现在只需手指点点划划几下，就可以浏览和获取书籍了；一个口袋大小的设备就可以存储成千上万本书，而阅读体验基本上同可手持的纸质书差不多。


现在我们有了共享和浏览博客、视频、照片和专题讨论的可信平台，此外还有各种各样用户生成的内容。为了在互联网的规模上运行，这些平台必须依赖现在正被积极开发的技术，其中包括自然语言处理、信息检索、图像处理、众包和机器学习。比如，现在已经开发出了协同过滤（collaborative filtering）这样的算法，它可以基于用户的人口统计学细节和浏览历史推荐相关的电影、歌曲或文章。


为了跟上时代的步伐，传统的娱乐资源也已经开始拥抱人工智能。正如书和电影《点球成金》中给出的例子，职业运动现在已经转向了密集的量化分析。除了总体表现统计，赛场上的信号也可以使用先进的传感器和相机进行监控。用于谱曲和识别音轨的软件已经面世。


来自计算机视觉和 NLP 的技术已被用于创建舞台表演。即使非专业用户也可以在 WordsEye 等平台上练习自己的创造力，这个应用可以根据自然语言文本自动生成 3D 场景。人工智能也已经被用于协助艺术品的历史搜索，并在文体学（ stylometry ）得到了广泛的应用，最近还被用在了绘画分析上。


人类对人工智能所驱动的娱乐的热情是很令人惊讶的，但也有人担心这会导致人与人之间的人际交互减少。少数人预言说人们会因为在屏幕上花费了太多时间而不再与人互动。孩子们常常更愿意在家里快乐地玩他们的设备，而不愿意出去和他们的朋友玩耍。人工智能会使娱乐更加交互式，更加个性化和更有参与感。应该引导一些研究来理解如何利用这些性质为个人和社会利益服务。







第三部分：人工智能公共政策前景与建议


人工智能应用的目标必须是对社会有价值。我们的政策建议也会遵循这个目标，而且即便这个报告主要关注的是 2030 年的北美城市，建议依然广泛适用于其他城市，同时不受时间限制。一些提升解读和人工智能系统能力并参与其使用的策略可以帮助建立信任，同时防止重大失败。


在增强和提升人类能力和互动时需要小心，还要避免对不同社会阶层的歧视。要强调多做鼓励这个方向以及沟通公共政策探讨的研究。鉴于美国目前的产业监管，需要新的或重组的法律和政策来应对人工智能可能带来的广泛影响。


政策不需要更多也不要更严，而是应该鼓励有用的创新，生成并转化专业知识，并广泛促进企业与公民对解决这些技术带来的关键社会问题的责任感。长期来看，人工智能将会带来新财富，整个社会也要探讨人工智能技术带来的经济成果的分配问题。



3.1现今与未来的人工智能政策


为了帮助解决个人和社会对快速发展的人工智能技术产生的忧虑，该研究小组提供了三个一般性政策建议。

1. 在所有层级的政府内，制定一个积累人工智能技术专业知识的程序。

有效的监管需要更多的能理解并能分析人工智能技术、程序目标以及整体社会价值之间互动的专家。

缺少足够的安全或其他指标方面的专业技术知识，国家或地方政府官员或许拒绝批准一个非常有前途的应用。或者缺少足够训练的政府官员可能只会简单采纳行业技术专家的说法，批准一个未经充分审查的敏感的应用进入市场。不理解人工智能系统如何与人工行为和社会价值互动，官员们会从错误的角度来评估人工智能对项目目标的影响。

 
2. 为研究人工智能的平等、安全、隐私和对社会的影响，扫清感知到的和实际的障碍。

在一些相关的联邦法律中，如《计算机欺诈和滥用法案》（ Computer Fraud and Abuse Act ）和《数字千年版权法的反规避条款》（ Theanti-circumvention Provision Of The Digital Millennium Copyright Act ），涉及专有的人工智能系统如何被学者、记者和其他研究人员评价的内容还很模糊。当人工智能系统带来了一些实质性后果需要被审查和追究责任时，这些法律的研究就非常重要了。


3. 为人工智能社会影响的跨学科研究提供公共和私人资金支持。

从整个社会来看，我们对人工智能技术的社会影响的研究投入不足。资金要投给那些能够从多角度分析人工智能的跨学科团队，研究范围从智能的基础研究到评估安全、隐私和其他人工智能影响的方法。以下是具体问题：

当一辆自动驾驶汽车或智能医疗设备出现失误时，应该由谁来负责？如何防止人工智能应用产生非法歧视？谁来享有人工智能技术带来的效率提升的成果，以及对于那些技能被淘汰的人应该采取什么样的保护？

随着人工智能被越来越广泛和深入地整合到工业和消费产品中，一些领域中需要调整现有的建立监管制度以适应人工智能创新，或者在某些情况下，根据广泛接受的目标和原则，从根本上重新配置监管制度。

在美国，已经通过各种机构将监管具体到各个行业。在设备中使用人工智能实现医疗诊断和治疗由食品药品监督管理局（ FDA ）监管，包括定义产品类型和指定产生方法，还有软件工程的标准。无人机在管制空域中的使用由美国联邦航空局（ FAA ）监管。面向消费者的人工智能系统将由联邦贸易委员会（ FTC ）监管。金融市场使用的人工智能技术，如高频交易，由证券交易委员会（ SEC ）监管。

 
除了针对具体行业制定监管的方法外，「重要基础设施」中定义模糊和广泛的监管类别可能适用于人工智能应用。

鉴于目前美国行政法结构，短期内制定出全面的人工智能政策法规似乎不太可能。但是，可以根据人工智能在各种情境中可能出现的法律和政策问题，广泛列出多个类别。







3.2未来的指导原则

面对人工智能技术将带来的深刻变化，要求「更多」和「更强硬」的监管的压力是不可避免的。对人工智能是什么和不是什么的误解（尤其在这个恐慌易于散布的背景下）可能引发对有益于所有人的技术的反对。那将会是一个悲剧性的错误。扼杀创新或将创新转移到它处的监管方法同样也只会适得其反。

幸运的是，引导当前数字技术的成功监管原则可以给我们带来指导。比如，一项最近公布的多年研究对比了欧洲四个国家和美国的隐私监管，其结果却很反直觉。西班牙和法国这样的有严格的详细法规的国家在企业内部孕育出了一种「合规心态」（ compliance mentality ），其影响是抑制创新和强大的隐私保护。


这些公司并不将隐私保护看作是内部责任，也不会拿出专门的员工来促进其业务或制造流程中的隐私保护，也不会参与必需范围之外的隐私倡议或学术研究；这些公司只是将隐私看作是一项要满足规范的行为。他们关注的重点是避免罚款或惩罚，而非主动设计技术和采纳实际技术来保护隐私。

相对地，美国和德国的监管环境是模糊的目标和强硬的透明度要求，和有意义的执法的结合，从而在促进公司将隐私看作是他们的责任上做得更加成功。广泛的法律授权鼓励企业发展执行隐私控制的专业人员和流程、参与到外部的利益相关者中并采用他们的做法以实现技术进步。对更大的透明度的要求使民间社会团队和媒体可以变成法庭上和法庭外的公共舆论中的可靠执法者，从而使得隐私问题在公司董事会上更加突出，这又能让他们进一步投资隐私保护。


在人工智能领域也是一样，监管者可以强化涉及内部和外部责任、透明度和专业化的良性循环，而不是定义狭窄的法规。随着人工智能与城市的整合，它将继续挑战对隐私和责任等价值的已有保护。和其它技术一样，人工智能也可以被用于好的或恶意的目的。


这份报告试图同时强调这两方面的可能性。我们迫切的需要一场重要的辩论：如何最好地引导人工智能以使之丰富我们的生活和社会，同时还能鼓励这一领域的创新。应该对政策进行评估，看其是否能促进人工智能所带来的益处的发展和平等共享，还是说会将力量和财富集中到少数权贵的手里。因为我们并不能完美清晰地预测未来的人工智能技术及其所将带来的影响，所以相关政策一定要根据出现的社会难题和线索不断地重新评估。


截至本报告发布时，重要的人工智能相关的进展已经在过去十五年内给北美的城市造成了影响，而未来十五年还将有更大幅度的发展发生。最近的进展很大程度是由于互联网所带来的大型数据集的增长和分析、传感技术的进步和最近的「深度学习」的应用。


未来几年，随着人工智能在交通和医疗等领域内的应用，它们必须以一种能构建信任和理解的方式引入，同时还要尊重人权和公民权利。在鼓励创新的同时，政策和流程也应该解决隐私和安全方面的影响，而且应该确保人工智能所带来的好处能得到广泛而公正的分配。如果人工智能研究及其应用将会给 2030 年及以后的北美城市生活带来积极的影响，那么这样做就是非常关键的。
 
[/login]
 
 
 
文章来源于网络智造家平台提供 查看全部

 所谓虚拟仪器是基于计算机的软硬件测试平台，它可代替传统的测量仪器，如示波器，逻辑分析仪，信号发生器，频谱分析仪等；可集成于自动控制，工业控制系统；可自由构建成专有仪器系统。它由计算机，应用软件和仪器硬件组成。
 
无论哪种虚拟仪器系统，都是将仪器硬件搭载到笔记本电脑，台式PC或工作站等各种计算机平台（甚至可以是掌上电脑）加上应用软件而构成的。
 
 
 
虚拟仪器通过软件将计算机硬件资源与仪器硬件有机的融合为一体，从而把计算机强大的计算处理能力和仪器硬件的测量，控制能力结合在一起，大大缩小了仪器硬件的成本和体积，并通过软件实现对数据的显示、存储以及分析处理。从发展史看，电子测量仪器经历了由模拟仪器、智能仪器到虚拟仪器，由于计算机性能以摩尔定律（每半年提高一倍）飞速发展，已把传统仪器远远抛到后面，并给虚拟仪器生产厂家不断带来较高的技术更新速率。


       虚拟仪器技术的优势在于可由用户定义自己的专用仪器系统，且功能灵活，很容易构建，所以应用面极为广泛。尤其在科研、开发、测量、检测、计量、测控等领域更是不可多得的好工具。虚拟仪器技术先进，十分符合国际上流行的“硬件软件化”的发展趋势，因而常被称作“软件仪器”。
 
它功能强大，可实现示波器、逻辑分析仪、频谱仪、信号发生器等多种普通仪器全部功能，配以专用探头和软件还可检测特定系统的参数，如汽车发动机参数、汽油标号、炉窑温度、血液脉搏波、心电参数等多种数据；它操作灵活，完全图形化界面，风格简约，符合传统设备的使用习惯，用户不经培训既可迅速掌握操作规程；它集成方便，不但可以和高速数据采集设备构成自动测量系统，而且可以和控制设备构成自动控制系统。




       在仪器计量系统方面，示波器、频谱仪、信号发生器、逻辑分析仪、电压电流表是科研机关、企业研发实验室、大专院所的必备测量设备。


       随着计算机技术在测绘系统的广泛应用，传统的仪器设备缺乏相应的计算机接口，因而配合数据采集及数据处理十分困难。而且，传统仪器体积相对庞大，多种数据测量时常感到捉襟见肘，手足无措。我们常见到硬件工程师的工作台上堆砌着纷乱的仪器，交错的线缆和繁多待测器件。然而在集成的虚拟测量系统中，我们见到的是整洁的桌面，条理的操作，不但使测量人员从繁复的仪器堆中解放出来，而且还可实现自动测量、自动记录、自动数据处理。其方便之极固不必多言，而设备成本的大幅降低却不可不提。一套完整的实验测量设备少则几万元，多则几十万元。在同等的性能条件下，相应的虚拟仪器价格要低二分之一甚至更多。虚拟仪器强大的功能和价格优势，使得它在仪器计量领域具有很强的生命力和十分广阔的前景。




       在专用测量系统方面，虚拟仪器的发展空间更为广阔。环顾当今社会，信息技术的迅猛发展，各行各业无不转向智能化、自动化、集成化。无所不在的计算机应用为虚拟仪器的推广提供了良好的基础。


       虚拟仪器的概念就是用专用的软硬件配合计算机实现专有设备的功能，并使其自动化、智能化。因此，虚拟仪器适合于一切需要计算机辅助进行数据存储、数据处理、数据传输的计量场合。测量与处理、结果与分析相脱节的面貌将大为改观。数据的拾取、存储、处理、分析一条龙操作，既有条不紊又迅捷快速。推而广之，一切计量系统，只要技术上可行，都可用虚拟仪器代替，由此可见虚拟仪器应用空间是多么的宽广。




       在自动控制和工业控制领域，虚拟仪器同样应用广泛。


       决大部分闭环控制系统要求精确的采样，及时的数据处理和快速的数据传输。虚拟仪器系统恰恰符合上述特点，十分适合测控一体化的设计。尤其在制造业，虚拟仪器的卓越计算能力和巨大数据吞吐能力必将使其在温控系统、在线监测系统、电力仪表系统、流程控制系统等工控领域发挥更大的作用。
 
 
 
 
 
文章来源于伺服与运动控制智造家平台提供 查看全部

未来，延安路和内环高架上，如果能留出慢行道路，那么上海就能成为世界上有引领意义的单车友好和公共交通友好城市。

“无桩公共自行车”摩拜单车最近越来越火，有力挺也有吐槽。解决“最后一公里”痛点、结合互联网的创新模式、巨大的成本投入和突显的社会效益等等，都让大家对它夹杂着各种复杂情绪。

持续研究它的学者诸大建，连续几月在微博上更新他的独到见解，他写在文章中的话，也成为目前各大媒体报道摩拜单车时，引用频率最高的解读版本。究竟该怎么看待摩拜单车，以及它革新的本质和背后的价值究竟是什么？记者与诸大建教授进行了深入交流。

与滴滴有“天壤之别”

上海观察：许多人一说摩拜单车，就拿优步、滴滴来举例，它们是“网约出租车”，于是便称呼摩拜为“网约自行车”。这给人造成一种假象：似乎摩拜就是滴滴的自行车版，两者模式相同、做法类似。但是您明确提出，它们是两种完全不同的模式，创新的核心是否也有天壤之别？

诸大建（同济大学可持续发展与管理研究所所长）：受到关注以来，许多声音往往还停留在评论摩拜单车是好是坏的层面，而未能从更高的角度发掘。现在我们一谈起分享经济，似乎就是优步和滴滴，但其实分享经济并不只有这一种模式，我们对分享经济的理解有点狭隘化。

学者波兹曼在《分享经济》一书里提出分享经济至少有三种模式。

一种是优步和滴滴的模式，自己不拥有产品，没有车，也没有开车的人，就是牵线搭桥的一个平台，把两头匹配起来提供平台服务，赚的是平台的中介费，相当于空手套白狼。国外大家比较熟悉的类似模式还有租房平台“Airbnb”，它自己没有房源，但是提供平台。它们都可以视作分享经济的模式之一。

而摩拜单车则属于分享经济的第二种模式。

摩拜的核心创新是：他们自己制造自行车，有一个实实在在的制造业工厂。它的自行车能够随停随取，首先不是取决于编了一个手机APP软件，而是取决于他们对自己制造的自行车进行了重大改良和研发。

摩拜单车里蕴含了很多技术创新。它的创始人胡玮伟和CEO王晓峰都是技术控。比如说，实心轮胎、无链条的设计，解决了公共自行车保养问题；铝制车身不怕日晒雨淋；车锁里集成了芯片、电路板、GPS与SM卡模块。

制造自行车后，摩拜并不直接卖自行车，而是卖自行车的服务。国际上对此有个专用名词，叫“产品服务系统”（PSS），或者叫做服务性制造业。这是分享经济的第二种，充分利用资源，做分时段租赁。比如一辆自行车，卖给一个人，他不会24小时都使用，但是现在分时段租出去，可以让更多人受益。与摩拜有点类似的案例模式是“Wework”，也就是共享办公室。

上海观察：有人担忧，滴滴的弊端会不会将来也发生在摩拜身上，如此看来，拿滴滴来观照摩拜是一种误读？

诸大建：滴滴、Airbnb现在都面临的一个发展障碍是，由于产品不是他们自己的，管理难度越来越大，且会冲击既有企业或群体。他们需要管理别人的车、别人的房，与出租车公司的矛盾、与房主之间的利益分配等等，一系列问题接踵而至。

而自行车是摩拜自己的，摩拜只是把自己的产品租给市场，并没有和既有主体发生直接冲突。这也是为什么我强调两者的创新模式有天壤之别。两者未来的发展道路和瓶颈问题也是不同的。打个比方，优步模式是你的就是我的；而摩拜模式是我的就是你的，东西是我的，但是你可以用。

摩拜这种分享模式一直以来不被我们关注，但将来，它也许会越来越多。比如说，我发现美国的Airbnb和优步，最近也准备自己有车有酒店了，企业发现只有当自己有了产品，标准和管理才会变好。这就意味着，如今分享经济的第一种模式正在朝第二种模式转变。

分享经济还有第三种，比如二手平台闲鱼。目前第一种和第三种大家都比较熟悉，比较有新意的是Wework和摩拜。

分享经济是多元化的，未来说不定还有更多模式。我们不能一看是分享经济，就把A和B划等号，一看借助了互联网手段，就说是“互联网+”，还需要仔细关注其真正创新的核心究竟是什么。

创新点在于“制造业+”

上海观察：您一直强调摩拜是“制造业+”，而不是“互联网+”，为什么？

诸大建：优步、滴滴没有一辆车，整合了出租车市场；淘宝没有一件货，整合了整个零售业。这是典型基于互联网平台的“互联网+”企业，但是摩拜属于“制造业+”。摩拜创造了三个“制造业＋”：

一是“制造业＋互联网”。互联网+是从互联网出发，摩拜是从制造业出发。互联网是轻资产，互联网公司基本没有自己的产品，用人不多，几百号人可以管上千万用户。而制造业则是重资产，摩拜单车的基础是自己研制的自行车，核心是制造业，随后+互联网手段。

二是“制造业＋服务化”，正如前面所说，它制造产品后“不卖产品卖服务”，使消费者能够不求拥有但可使用。

三是“制造业＋公共服务”，私人企业解决社会性问题，我们俗称“公私合作”模式（PPP）。

上海观察：PPP模式最近非常火，目前上海的旧区改造、城市更新等领域，许多规划设计师都提到了“PPP”模式。

诸大建：PPP全称是Public-Private Partnership，即政府和社会资本合作，常常用于公共服务和基础设施。政府提供公共服务和准入门槛，企业提供有公共意义的产品和服务，当政府和企业共同来完成这样一件事情时，往往既能提高效率，又能有利于社会。

PPP是最近几年流行的概念，其实作为PPP一种形式的BOT模式用得更早。

BOT是Build-Operate-Transfer,即建设-经营-转让。上海上世纪90年代开发开放就是很有说服力的例子，黄浦江大桥、地铁、高架建设，不可能全部靠政府财政出钱，但是上海提前30年，把这些公共基础设施建成了，当时采取的办法就是政府让企业来建设，允许企业运营一段年份，当然运营过程中政府也控制价格，企业收回成本后，时间一到，它们再回归公共产品。

我们当时就是通过政策创新、体制创新，政府与企业合作，高效完成了基础设施，提前让上海市民过上好日子，享受到好的公共服务。目前中国城市化过程中，各种基础设施和公共服务怎么发展？靠企业参与来拉动，而不是靠土地来拉动，应该成为我们新的增长方式。

上海观察：摩拜单车的PPP模式体现在哪里？

诸大建：城市公共自行车过去一般是政府来做，赔本不说，自行车还破破烂烂，市民办证不方便，停车桩又难找，还出不了一个区，彼此不互通。政府办事往往效率低、成本高。而摩拜单车抓到了市场真正的痛点：随停随取。政府只要允许白线停车就行。人们到地铁最后一公里的老大难问题就有可能迎刃而解。

接着，摩拜单车又进一步与同济大学共建“无车校园”，为同济大学在校师生提供专属优惠价格0.1元/10分钟，还在校内设立了25个“推荐停车点站牌”。

同学们骑着摩拜单车穿梭于校园，图的是方便，更是“酷”和“潮”的时髦劲儿，因此摩拜的设计非常迎合年轻人的口味，与高校合作，拉动了时尚的潮流，然后才是水到渠成的实现了绿色出行、环保的社会意义。

其实PPP只是分享经济的一个类别，它是一种融资手段，更是一次体制机制变革，涉及行政体制改革、财政体制改革、投融资体制改革多个领域。当年我们城市建设用的是BOT模式，此外还有TOT、ROT等模式，也是国际上的通行做法。

对分享经济来说，当下一个有利条件是移动互联网的崛起。原本不联网，没有大数据、电子地图，许多分享模式实现不了，现在有了互联网手段，就能实现。但我还是强调，互联网已经不稀奇，稀奇的是怎么用互联网。把制造业和互联网加在一起，才是创新的点。

这是国内制造业升级和循环经济深化特别需要发展的类型。也被国外认为是工业4.0和第三次工业革命的重要内容。

当上海成为单车城市

上海观察：您为什么对摩拜单车那么感兴趣？

诸大建：我感觉这可能是一项发源于上海、影响全球的绿色创新。这个模式土生土长在中国，全世界还没有这样的公共自行车。

一是从世界范围来看，它是全新的自行车共享模式；二是随着中国城市地铁大规模发展，围绕地铁站需要形成“骑-乘-骑”的出行模式；三是我们城市人口多、密度高，特别适合发展摩拜这样的共享经济，它的模式符合中国国情，同时也有重要的国际意义。

上海观察：在上海推行自行车，是不是特别符合城市的特点？

诸大建：创业者的初衷是要在中国人口最多、密度最高的城市之一的上海进行试水，然后推广到中国更多的城市中去。

当然他们认为上海的城市规划和城市文明对推行单车出行是有利条件。上海的路网密度还不错，中心城区道路不会特别宽，适合慢行。而且上海的“街道眼”特征明显，正如雅各布斯在《美国大城市的死与生》一书中所说，城市的“街道眼”就像天然的探头，空间紧凑，老百姓相互你看我，我看你，城市公共空间的素质相对好一点。

我觉得上海应该抓住这次契机，利用摩拜单车引爆城市的公共交通变革和城市创新，在这方面发力，成为奇兵致胜的全球创新中心。

上海观察：尽管前不久，摩拜刚刚面临一场大规模故障，但反而让它再一次进入公众视野。现在上海街头，骑着摩拜单车的时尚青年越来越多。您觉得它能把上海改造成一座“单车城市”吗？

诸大建：首先，光靠摩拜是不够的。

上海变成单车城市，必须解决至少1200万人的出行，没有几十万辆自行车压根不可能。而以摩拜现在的自行车轮换率、使用率，远远不足以解决整座城市的出行问题。

其次，最近许多人骑了摩拜以后都有一个鲜明感受：上海的城市道路已经不像20年前那样，机动车道不断拓展，许多道路没有自行车车道了。城市的道路规划虽然正在向绿色转型，但是目前它确实对自行车非常不友好。

为什么荷兰、丹麦可以成为单车城市？除了一般的道路都有连通的自行车道外，这些城市还有“自行车高架”，而我们只有“汽车高架”。

目前全球城市都在向绿色转型，可以看出纽约、伦敦、东京，都在往这个方向转，上海一直把建设全球城市作为目标，交通转型也势在必行。而现在的时机刚刚好，有了摩拜单车，只等着城市供给车道。明年，黄浦江沿岸基本全线贯通，据说路网系统会把自行车道全部打通。我们正在一步步改善，现在还在刚刚起步。

未来，延安路和内环高架上，如果能留出慢行道路，那么上海就能成为世界上有引领意义的单车友好和公共交通友好城市。
 
 
 
 
 
文章来源于网络智造家平台提供 查看全部