上一篇：引言
2017年人工智能未來法案將人工智能定義為：在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。
2019年3月，美國白宮發佈了2019年《美國總統經濟報告》。白宮經濟顧問委員會編寫經濟年度報告的目的是向美國社會公眾和經濟政策界詳細介紹過去一年美國經濟的表現，並分析未來幾年美國政府的國內和國際經濟政策的重點關注領域。該報告其中一部分的主題為“適應人工智能帶來技術變革的同時減輕網絡威脅”。
全球在大力發展人工智能技術的同時，也在不斷加大對信息安全問題的重視程度。在這個大背景下，我們關注美國對於推動人工智能技術變革和防範網絡威脅方面的相關政策，以便為我國人工智能產業發展提供參考。
人工智能（AI）[i]並沒有通用定義，2017年人工智能未來法案（H.R.4625）將人工智能定義為“在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。”[ii]這些智能系統通常使用機器學習來形成預測，並根據其環境中的新信息自適應地進行調整（Russell and Norvig 2010）。由於人工智能在各個部門和學科中具有如此廣泛的應用，因此它被視為通用技術和經濟增長的重要來源（Agrawal，Gans和Goldfarb2018）。自動化技術通常專注於自動化一個特定過程或多個通俗易懂的過程，以降低勞動強度，這與高度複雜的、類似人的決策邏輯有很大不同，這已經在人工智能的新興實例中體現出來。
儘管人工智能中的一般概念和算法已有數十年的歷史，但人工智能已經成為一種特別強大且廣泛應用的工具，不僅能夠更有效地執行現有任務，而且能夠執行傳統上認為不可行的新任務。舉一個例子，研究人員已經創建了人工智能算法，能夠比人類在某些條件下更可靠地對圖像進行分類，並且速度比以前快得多（如圖）——儘管這些算法可能仍然被精明的程序員欺騙（CSAIL 2017）。其他領域的例子比較多，從自然語言處理到定理證明（人工智能指數2017）。其他類型的計算機科學和人工智能進步包括自動化高技能人類認知任務的解決方案，例如自動推理和智能決策支持系統（Arai等人2014; Davenport和England 2015; Kerber，Lange和Rowat 2016; Mulligan，Davenport和England 2018）。
兩個因素的匯合使這些顯著的進步成為可能。首先，數十年的技術持續進步導致計算能力的爆炸式增長。正如戈登摩爾（Gordon Moore，1965）首次觀察到的那樣，計算能力歷史上每18個月翻一番。這些進步導致晶體管密度的增加，再加上製造集成電路的成本下降，導致了計算效率驚人地上升（Brynjolfsson和McAfee 2014）。[iii]此外，硬件的製造成本降低了，雲計算的年度價格跌幅在2009年至2016年期間達到17%（Byrne，Corrado和Sichel2018）。
上一篇：引言
2017年人工智能未來法案將人工智能定義為：在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。
2019年3月，美國白宮發佈了2019年《美國總統經濟報告》。白宮經濟顧問委員會編寫經濟年度報告的目的是向美國社會公眾和經濟政策界詳細介紹過去一年美國經濟的表現，並分析未來幾年美國政府的國內和國際經濟政策的重點關注領域。該報告其中一部分的主題為“適應人工智能帶來技術變革的同時減輕網絡威脅”。
全球在大力發展人工智能技術的同時，也在不斷加大對信息安全問題的重視程度。在這個大背景下，我們關注美國對於推動人工智能技術變革和防範網絡威脅方面的相關政策，以便為我國人工智能產業發展提供參考。
人工智能（AI）[i]並沒有通用定義，2017年人工智能未來法案（H.R.4625）將人工智能定義為“在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。”[ii]這些智能系統通常使用機器學習來形成預測，並根據其環境中的新信息自適應地進行調整（Russell and Norvig 2010）。由於人工智能在各個部門和學科中具有如此廣泛的應用，因此它被視為通用技術和經濟增長的重要來源（Agrawal，Gans和Goldfarb2018）。自動化技術通常專注於自動化一個特定過程或多個通俗易懂的過程，以降低勞動強度，這與高度複雜的、類似人的決策邏輯有很大不同，這已經在人工智能的新興實例中體現出來。
儘管人工智能中的一般概念和算法已有數十年的歷史，但人工智能已經成為一種特別強大且廣泛應用的工具，不僅能夠更有效地執行現有任務，而且能夠執行傳統上認為不可行的新任務。舉一個例子，研究人員已經創建了人工智能算法，能夠比人類在某些條件下更可靠地對圖像進行分類，並且速度比以前快得多（如圖）——儘管這些算法可能仍然被精明的程序員欺騙（CSAIL 2017）。其他領域的例子比較多，從自然語言處理到定理證明（人工智能指數2017）。其他類型的計算機科學和人工智能進步包括自動化高技能人類認知任務的解決方案，例如自動推理和智能決策支持系統（Arai等人2014; Davenport和England 2015; Kerber，Lange和Rowat 2016; Mulligan，Davenport和England 2018）。
兩個因素的匯合使這些顯著的進步成為可能。首先，數十年的技術持續進步導致計算能力的爆炸式增長。正如戈登摩爾（Gordon Moore，1965）首次觀察到的那樣，計算能力歷史上每18個月翻一番。這些進步導致晶體管密度的增加，再加上製造集成電路的成本下降，導致了計算效率驚人地上升（Brynjolfsson和McAfee 2014）。[iii]此外，硬件的製造成本降低了，雲計算的年度價格跌幅在2009年至2016年期間達到17%（Byrne，Corrado和Sichel2018）。
圖：人工智能與人類對於圖像分類的錯誤率，2010-17年
其次，數據可用性的大幅增加補充了計算能力的激增，允許研究人員在更大的數據集上開發和測試人工智能算法。[iv]大數據的出現是由“數字化”驅動的，這意味著採用不同類型的信息和媒體的能力，從文本到視頻，並將它們轉換為1和0的數據流——“計算機及其親屬的本機語言”（Brynjolfsson和McAfee 2014,37）。研究人員還發現了將不同類型的數字媒體轉換為全面的數字量的創造性方法，通常通過涉及“特徵工程”，或優化數據輸入的排列，以產生可靠的預測（Arel，Rose和Karnowski2010）。
機器學習
上一篇：引言
2017年人工智能未來法案將人工智能定義為：在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。
2019年3月，美國白宮發佈了2019年《美國總統經濟報告》。白宮經濟顧問委員會編寫經濟年度報告的目的是向美國社會公眾和經濟政策界詳細介紹過去一年美國經濟的表現，並分析未來幾年美國政府的國內和國際經濟政策的重點關注領域。該報告其中一部分的主題為“適應人工智能帶來技術變革的同時減輕網絡威脅”。
全球在大力發展人工智能技術的同時，也在不斷加大對信息安全問題的重視程度。在這個大背景下，我們關注美國對於推動人工智能技術變革和防範網絡威脅方面的相關政策，以便為我國人工智能產業發展提供參考。
人工智能（AI）[i]並沒有通用定義，2017年人工智能未來法案（H.R.4625）將人工智能定義為“在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。”[ii]這些智能系統通常使用機器學習來形成預測，並根據其環境中的新信息自適應地進行調整（Russell and Norvig 2010）。由於人工智能在各個部門和學科中具有如此廣泛的應用，因此它被視為通用技術和經濟增長的重要來源（Agrawal，Gans和Goldfarb2018）。自動化技術通常專注於自動化一個特定過程或多個通俗易懂的過程，以降低勞動強度，這與高度複雜的、類似人的決策邏輯有很大不同，這已經在人工智能的新興實例中體現出來。
儘管人工智能中的一般概念和算法已有數十年的歷史，但人工智能已經成為一種特別強大且廣泛應用的工具，不僅能夠更有效地執行現有任務，而且能夠執行傳統上認為不可行的新任務。舉一個例子，研究人員已經創建了人工智能算法，能夠比人類在某些條件下更可靠地對圖像進行分類，並且速度比以前快得多（如圖）——儘管這些算法可能仍然被精明的程序員欺騙（CSAIL 2017）。其他領域的例子比較多，從自然語言處理到定理證明（人工智能指數2017）。其他類型的計算機科學和人工智能進步包括自動化高技能人類認知任務的解決方案，例如自動推理和智能決策支持系統（Arai等人2014; Davenport和England 2015; Kerber，Lange和Rowat 2016; Mulligan，Davenport和England 2018）。
兩個因素的匯合使這些顯著的進步成為可能。首先，數十年的技術持續進步導致計算能力的爆炸式增長。正如戈登摩爾（Gordon Moore，1965）首次觀察到的那樣，計算能力歷史上每18個月翻一番。這些進步導致晶體管密度的增加，再加上製造集成電路的成本下降，導致了計算效率驚人地上升（Brynjolfsson和McAfee 2014）。[iii]此外，硬件的製造成本降低了，雲計算的年度價格跌幅在2009年至2016年期間達到17%（Byrne，Corrado和Sichel2018）。
圖：人工智能與人類對於圖像分類的錯誤率，2010-17年
其次，數據可用性的大幅增加補充了計算能力的激增，允許研究人員在更大的數據集上開發和測試人工智能算法。[iv]大數據的出現是由“數字化”驅動的，這意味著採用不同類型的信息和媒體的能力，從文本到視頻，並將它們轉換為1和0的數據流——“計算機及其親屬的本機語言”（Brynjolfsson和McAfee 2014,37）。研究人員還發現了將不同類型的數字媒體轉換為全面的數字量的創造性方法，通常通過涉及“特徵工程”，或優化數據輸入的排列，以產生可靠的預測（Arel，Rose和Karnowski2010）。
機器學習
機器學習（ML）是人工智能（Russel和Norvig 2010）的設計與實現不可或缺的組成部分。與傾向於執行一組預先規定規則的計算機不同，人工智能是通過學習和適應其環境的能力來定義的。[v]機器學習的算法有三種主要類型——監督、無監督和強化學習——我們總結在接下來的段落中（Hastie，Tibshirani和Friedman2009）。
首先，監督學習算法採用一組描述性變量，這些變量與相應的標籤（“結果變量”）匹配，並“學習”兩者之間的關係。例如：為了預測大學成就，研究人員可以使用關於個人是否具有大學學位的數據，以及一組個人特徵，例如父母教育和性別，來估計分類模型。監督學習算法採用樣本的子集，並基於預先指定的目標函數搜索最適合數據的參數。
其次，與監督學習算法相比，無監督學習算法將一組特徵變量作為輸入並檢測數據中的模式。雖然這些算法並沒有像監督學習算法那樣大量應用，但它們通常用於通過減少需要跟蹤的變量的數量來簡化計算上要求很高的問題，有時也稱為“降維”（Bonhomme，Lamadon，和Manresa2017）。
第三，強化學習算法已成為新興人工智能和大數據應用中最有影響力的算法類別之一。與監督和無監督算法不同，強化學習算法不需要輸入/輸出對的完整展示，而是僅需要目標函數。此函數指定智能系統如何在任意程度的隨機性下響應其環境（即涉及隨機變量的程度）。考慮國際象棋遊戲，其中包含數百萬個潛在的動作。雖然個人面臨認知限制，無法同時排除數千個，可能數百萬個場景的內部模擬，但“深度學習”強化學習算法已經在很大程度上克服了這些限制。例如：Google的新人工智能算法AlphaZero擊敗了世界上最好的國際象棋引擎Stockfish。與Deep Blue不同的是——擊敗Garry Kasparov的IBM超級計算機，1997年世界領先的國際象棋冠軍——AlphaZero以一種以前所未有的規模和天賦，訓練自己像人類一樣比賽（Gibbs 2017）。
讀者可以想象計算能力這種演變的方式之一是，通過考慮運動結果的計算機建模。現在，體育賽事的評論員通常會根據目前的分數宣佈中場比賽的概率，即目前在分數中領先的球隊確實會贏得比賽。在2017年美式橄欖球冠軍賽超級碗期間，新英格蘭愛國者隊僅獲得了0.3%的勝利機會（ESPN Analytics 2018）。這個概率是根據之前比賽的數據計算得出的，並且分析了一支球隊在第三季度深陷一定差距後繼續獲勝次數的百分比。各種網絡和媒體平臺使用的算法允許根據過去類似情況的團隊歷史表現數據構建這些機率。
此外，與其他遊戲一樣，國際象棋，由於玩家之間的實時交互，以及可以達到的天文數量的可能結果，估計獲勝概率可能會增加複雜性，即使在遊戲開始和結束之間沒有重複動作也是如此。在具有有限結果的遊戲中，給定一個功能非常強大的計算機和一組描述棋盤上棋子配置的初始條件，程序可以探索該狀態的所有可能移動和迴應並“解決”遊戲。然後，對於給定的玩家，最佳計算機將建議該玩家在最高勝利概率的情況下，從初始狀態開始棋的走法。
然而，因為在國際象棋比賽中關聯了世界上幾乎所有的有無限可能性的未來狀態，軟件必須發現易於帶來勝利的棋子走法，因為對於有無限結果的走法，探索所有未來路徑並開發離散的解決方案是不可能的。然而，配備人工智能的計算機允許將人類理性與計算勝利概率相結合。這提供了改進的預測方式，可以使人工智能算法“玩”遊戲，而不是試圖解決它。
人工智能技術的應用
上一篇：引言
2017年人工智能未來法案將人工智能定義為：在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。
2019年3月，美國白宮發佈了2019年《美國總統經濟報告》。白宮經濟顧問委員會編寫經濟年度報告的目的是向美國社會公眾和經濟政策界詳細介紹過去一年美國經濟的表現，並分析未來幾年美國政府的國內和國際經濟政策的重點關注領域。該報告其中一部分的主題為“適應人工智能帶來技術變革的同時減輕網絡威脅”。
全球在大力發展人工智能技術的同時，也在不斷加大對信息安全問題的重視程度。在這個大背景下，我們關注美國對於推動人工智能技術變革和防範網絡威脅方面的相關政策，以便為我國人工智能產業發展提供參考。
人工智能（AI）[i]並沒有通用定義，2017年人工智能未來法案（H.R.4625）將人工智能定義為“在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。”[ii]這些智能系統通常使用機器學習來形成預測，並根據其環境中的新信息自適應地進行調整（Russell and Norvig 2010）。由於人工智能在各個部門和學科中具有如此廣泛的應用，因此它被視為通用技術和經濟增長的重要來源（Agrawal，Gans和Goldfarb2018）。自動化技術通常專注於自動化一個特定過程或多個通俗易懂的過程，以降低勞動強度，這與高度複雜的、類似人的決策邏輯有很大不同，這已經在人工智能的新興實例中體現出來。
儘管人工智能中的一般概念和算法已有數十年的歷史，但人工智能已經成為一種特別強大且廣泛應用的工具，不僅能夠更有效地執行現有任務，而且能夠執行傳統上認為不可行的新任務。舉一個例子，研究人員已經創建了人工智能算法，能夠比人類在某些條件下更可靠地對圖像進行分類，並且速度比以前快得多（如圖）——儘管這些算法可能仍然被精明的程序員欺騙（CSAIL 2017）。其他領域的例子比較多，從自然語言處理到定理證明（人工智能指數2017）。其他類型的計算機科學和人工智能進步包括自動化高技能人類認知任務的解決方案，例如自動推理和智能決策支持系統（Arai等人2014; Davenport和England 2015; Kerber，Lange和Rowat 2016; Mulligan，Davenport和England 2018）。
兩個因素的匯合使這些顯著的進步成為可能。首先，數十年的技術持續進步導致計算能力的爆炸式增長。正如戈登摩爾（Gordon Moore，1965）首次觀察到的那樣，計算能力歷史上每18個月翻一番。這些進步導致晶體管密度的增加，再加上製造集成電路的成本下降，導致了計算效率驚人地上升（Brynjolfsson和McAfee 2014）。[iii]此外，硬件的製造成本降低了，雲計算的年度價格跌幅在2009年至2016年期間達到17%（Byrne，Corrado和Sichel2018）。
圖：人工智能與人類對於圖像分類的錯誤率，2010-17年
其次，數據可用性的大幅增加補充了計算能力的激增，允許研究人員在更大的數據集上開發和測試人工智能算法。[iv]大數據的出現是由“數字化”驅動的，這意味著採用不同類型的信息和媒體的能力，從文本到視頻，並將它們轉換為1和0的數據流——“計算機及其親屬的本機語言”（Brynjolfsson和McAfee 2014,37）。研究人員還發現了將不同類型的數字媒體轉換為全面的數字量的創造性方法，通常通過涉及“特徵工程”，或優化數據輸入的排列，以產生可靠的預測（Arel，Rose和Karnowski2010）。
機器學習
機器學習（ML）是人工智能（Russel和Norvig 2010）的設計與實現不可或缺的組成部分。與傾向於執行一組預先規定規則的計算機不同，人工智能是通過學習和適應其環境的能力來定義的。[v]機器學習的算法有三種主要類型——監督、無監督和強化學習——我們總結在接下來的段落中（Hastie，Tibshirani和Friedman2009）。
首先，監督學習算法採用一組描述性變量，這些變量與相應的標籤（“結果變量”）匹配，並“學習”兩者之間的關係。例如：為了預測大學成就，研究人員可以使用關於個人是否具有大學學位的數據，以及一組個人特徵，例如父母教育和性別，來估計分類模型。監督學習算法採用樣本的子集，並基於預先指定的目標函數搜索最適合數據的參數。
其次，與監督學習算法相比，無監督學習算法將一組特徵變量作為輸入並檢測數據中的模式。雖然這些算法並沒有像監督學習算法那樣大量應用，但它們通常用於通過減少需要跟蹤的變量的數量來簡化計算上要求很高的問題，有時也稱為“降維”（Bonhomme，Lamadon，和Manresa2017）。
第三，強化學習算法已成為新興人工智能和大數據應用中最有影響力的算法類別之一。與監督和無監督算法不同，強化學習算法不需要輸入/輸出對的完整展示，而是僅需要目標函數。此函數指定智能系統如何在任意程度的隨機性下響應其環境（即涉及隨機變量的程度）。考慮國際象棋遊戲，其中包含數百萬個潛在的動作。雖然個人面臨認知限制，無法同時排除數千個，可能數百萬個場景的內部模擬，但“深度學習”強化學習算法已經在很大程度上克服了這些限制。例如：Google的新人工智能算法AlphaZero擊敗了世界上最好的國際象棋引擎Stockfish。與Deep Blue不同的是——擊敗Garry Kasparov的IBM超級計算機，1997年世界領先的國際象棋冠軍——AlphaZero以一種以前所未有的規模和天賦，訓練自己像人類一樣比賽（Gibbs 2017）。
讀者可以想象計算能力這種演變的方式之一是，通過考慮運動結果的計算機建模。現在，體育賽事的評論員通常會根據目前的分數宣佈中場比賽的概率，即目前在分數中領先的球隊確實會贏得比賽。在2017年美式橄欖球冠軍賽超級碗期間，新英格蘭愛國者隊僅獲得了0.3%的勝利機會（ESPN Analytics 2018）。這個概率是根據之前比賽的數據計算得出的，並且分析了一支球隊在第三季度深陷一定差距後繼續獲勝次數的百分比。各種網絡和媒體平臺使用的算法允許根據過去類似情況的團隊歷史表現數據構建這些機率。
此外，與其他遊戲一樣，國際象棋，由於玩家之間的實時交互，以及可以達到的天文數量的可能結果，估計獲勝概率可能會增加複雜性，即使在遊戲開始和結束之間沒有重複動作也是如此。在具有有限結果的遊戲中，給定一個功能非常強大的計算機和一組描述棋盤上棋子配置的初始條件，程序可以探索該狀態的所有可能移動和迴應並“解決”遊戲。然後，對於給定的玩家，最佳計算機將建議該玩家在最高勝利概率的情況下，從初始狀態開始棋的走法。
然而，因為在國際象棋比賽中關聯了世界上幾乎所有的有無限可能性的未來狀態，軟件必須發現易於帶來勝利的棋子走法，因為對於有無限結果的走法，探索所有未來路徑並開發離散的解決方案是不可能的。然而，配備人工智能的計算機允許將人類理性與計算勝利概率相結合。這提供了改進的預測方式，可以使人工智能算法“玩”遊戲，而不是試圖解決它。
人工智能技術的應用
今天，面部識別是可能的，因為數據（例如：圖像）不僅可以被數字化，而且可以大規模地收集和分析。假設我們的人工智能機器除了評估剩餘的可能結果外，還可以識別玩家自身的身份，並根據對這兩個玩家的瞭解，使用這些信息進一步修改其預測。例如：如果玩家1是業餘愛好者並且玩家2是專業人員，則需要更新與有利位置相關聯的勝利概率。然而，如果玩家1的位置如此有利，以至於勝率機率達到99.7%，那麼如果被迫從一個處於嚴重劣勢的位置開始，即使是像專業人士一樣有才華的人也會失敗。除了從靜態角度評估情境之外，人工智能算法可以通過面部識別辨別玩家身份，可以選擇針對玩家弱點量身定做的策略。
人工智能如何幫助社會和人類任務的另一個例子是它對教育服務的提供和生產的影響。人工智能教育應用程序的主要類型之一是個性化學習算法，允許教師根據個人學習的獨特方式定製信息。例如：佐治亞州立大學在大學入學過程中向學生髮送定製的短信，Page和Gehlbach（2017）發現，個人按時報到登記的概率增加了3.3個百分點。
同樣，亞利桑那州立大學使用自適應和混合學習平臺，使教師能夠提供更有針對性的學習體驗（Bailey等，2018）。這些平臺為教師提供實時智能，以評估學生對每個概念的理解程度，使教師能夠在需要時為了提升學習體驗而改變教學方式。總而言之，經濟學家發現，這些“教育技術”項目給學生帶來了顯著的回報（Escueta等人，2017）。鑑於至少有54%的員工需要在2022年之前進行大規模的重新培訓和/或技能提升（世界經濟論壇2018），教育機構將需要變得越來越適應性地找到整合技術的方法，同時降低成本，提高質量，並提高敏捷性。
人工智能系統掌握了傳統上由人類執行的任務。衡量這些基於人工智能應用程序廣度的一種方法是檢查新興研究內容的集群。根據Scopus和Elsevier文章，Elsevier（2018,34）確定了7個人工智能能力集群，包括“機器學習與概率推理、神經網絡、計算機視覺、自然語言處理與知識表示、搜索與優化、模糊系統、規劃與決策。”此外，使用已上載到研究平臺arXiv的論文子集，Elsevier（2018）發現，在arXiv上發佈的有關核心人工智能類別的文章在過去五年增加了37.4%。
這些持續的研究工作將繼續擴大人工智能的能力。事實上，Brynjolfsson和McAfee（2014，52）評論說“我們將看到人工智能做越來越多的事情，並且隨著這種情況發生，成本將下降，結果將會改善，我們的生活將會變得更好。”Lee和Triolo（2017）表示，人工智能正在市場的四個主要領域得到應用：（1）互聯網（例如：在線市場）；（2）商業（例如：數據驅動的決策）；（3）感知（例如：面部和語音識別）；（4）自動系統（例如：車輛和無人機）。例如：感知人工智能的領域。一項發現可幫助歷史上視障人士使用帶有數字傳感器的設備，該設備可以測量物理環境並通過頭部骨骼產生聲波。佩戴者發信號讓夾在眼鏡上的該技術去閱讀面向用戶視野內的文本，該設備讀取並用語言表達文本（Brynjolfsson和McAfee 2014）。同樣，Brynjolfsson和McElheran（2016）也舉例說明了使用數據影響其決策的製造企業如何表現出比同行更高的生產率。數字經濟中的公司將根據其有效和戰略性地使用數據的能力去參與到日益激烈的競爭中去。
[i]德勤（2017）最近的一項研究包含調查結果，指出有多少高管和日常公民定義人工智能的模糊性。
[ii]同樣，在2019財年的國防授權法案中，“人工智能”一詞包括以下內容：（1）在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者當接觸數據集時從它們的經驗中學習並提高表現。（2）在計算機軟件，物理硬件或其他環境中開發的人工系統，用於解決需要人類感知、認知、計劃、學習、交流或物理行為的任務。（3）一種人工系統，旨在像人類一樣思考或行動，包括認知架構和神經網絡。（4）一組技術，包括機器學習，旨在逼近認知任務。（5）旨在合理行事的人工系統，包括智能軟件代理或具體機器人，通過感知、計劃、推理、學習、溝通、決策和行動來實現目標。
[iii]計算機設備生產商提高效率的一個主要部分是由於芯片技術的進步，半導體有效價格迅速下降（Triplett 1996）。 在過去十年中，這些經驗模式也在繼續。 例如：Byrne，Oliner和Sichel（2017）發現半導體價格下降了42％，相對於2004年至2009年生產者價格指數僅下降了6％。
[iv]計算機科學家經常將開發和測試AI算法的過程稱為“訓練”。該過程是指在子樣本上估計模型參數，隨後使用估計的參數來預測樣本外的數據。樣本外預測的質量用於（有時是迭代地）調整模型參數。
[v] Russell和Norvig（2010，43）評論說，確定性設置中的算法不是AI的一種形式，因為它們正在執行一組預編程的任務。
（未完待續，下一篇：技術進步與勞動力需求）
資料來源：
美國白宮網站，2019Economic Report of the President，March 2019.
（舒亞琦 編譯）
策劃：
中國財政科學研究院
外國財政研究中心
上一篇：引言
2017年人工智能未來法案將人工智能定義為：在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。
2019年3月，美國白宮發佈了2019年《美國總統經濟報告》。白宮經濟顧問委員會編寫經濟年度報告的目的是向美國社會公眾和經濟政策界詳細介紹過去一年美國經濟的表現，並分析未來幾年美國政府的國內和國際經濟政策的重點關注領域。該報告其中一部分的主題為“適應人工智能帶來技術變革的同時減輕網絡威脅”。
全球在大力發展人工智能技術的同時，也在不斷加大對信息安全問題的重視程度。在這個大背景下，我們關注美國對於推動人工智能技術變革和防範網絡威脅方面的相關政策，以便為我國人工智能產業發展提供參考。
人工智能（AI）[i]並沒有通用定義，2017年人工智能未來法案（H.R.4625）將人工智能定義為“在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者從它們的經驗中學習並提高表現。它們可以完成類似人類的感知、認知、計劃、學習、溝通或身體動作等各種任務。”[ii]這些智能系統通常使用機器學習來形成預測，並根據其環境中的新信息自適應地進行調整（Russell and Norvig 2010）。由於人工智能在各個部門和學科中具有如此廣泛的應用，因此它被視為通用技術和經濟增長的重要來源（Agrawal，Gans和Goldfarb2018）。自動化技術通常專注於自動化一個特定過程或多個通俗易懂的過程，以降低勞動強度，這與高度複雜的、類似人的決策邏輯有很大不同，這已經在人工智能的新興實例中體現出來。
儘管人工智能中的一般概念和算法已有數十年的歷史，但人工智能已經成為一種特別強大且廣泛應用的工具，不僅能夠更有效地執行現有任務，而且能夠執行傳統上認為不可行的新任務。舉一個例子，研究人員已經創建了人工智能算法，能夠比人類在某些條件下更可靠地對圖像進行分類，並且速度比以前快得多（如圖）——儘管這些算法可能仍然被精明的程序員欺騙（CSAIL 2017）。其他領域的例子比較多，從自然語言處理到定理證明（人工智能指數2017）。其他類型的計算機科學和人工智能進步包括自動化高技能人類認知任務的解決方案，例如自動推理和智能決策支持系統（Arai等人2014; Davenport和England 2015; Kerber，Lange和Rowat 2016; Mulligan，Davenport和England 2018）。
兩個因素的匯合使這些顯著的進步成為可能。首先，數十年的技術持續進步導致計算能力的爆炸式增長。正如戈登摩爾（Gordon Moore，1965）首次觀察到的那樣，計算能力歷史上每18個月翻一番。這些進步導致晶體管密度的增加，再加上製造集成電路的成本下降，導致了計算效率驚人地上升（Brynjolfsson和McAfee 2014）。[iii]此外，硬件的製造成本降低了，雲計算的年度價格跌幅在2009年至2016年期間達到17%（Byrne，Corrado和Sichel2018）。
圖：人工智能與人類對於圖像分類的錯誤率，2010-17年
其次，數據可用性的大幅增加補充了計算能力的激增，允許研究人員在更大的數據集上開發和測試人工智能算法。[iv]大數據的出現是由“數字化”驅動的，這意味著採用不同類型的信息和媒體的能力，從文本到視頻，並將它們轉換為1和0的數據流——“計算機及其親屬的本機語言”（Brynjolfsson和McAfee 2014,37）。研究人員還發現了將不同類型的數字媒體轉換為全面的數字量的創造性方法，通常通過涉及“特徵工程”，或優化數據輸入的排列，以產生可靠的預測（Arel，Rose和Karnowski2010）。
機器學習
機器學習（ML）是人工智能（Russel和Norvig 2010）的設計與實現不可或缺的組成部分。與傾向於執行一組預先規定規則的計算機不同，人工智能是通過學習和適應其環境的能力來定義的。[v]機器學習的算法有三種主要類型——監督、無監督和強化學習——我們總結在接下來的段落中（Hastie，Tibshirani和Friedman2009）。
首先，監督學習算法採用一組描述性變量，這些變量與相應的標籤（“結果變量”）匹配，並“學習”兩者之間的關係。例如：為了預測大學成就，研究人員可以使用關於個人是否具有大學學位的數據，以及一組個人特徵，例如父母教育和性別，來估計分類模型。監督學習算法採用樣本的子集，並基於預先指定的目標函數搜索最適合數據的參數。
其次，與監督學習算法相比，無監督學習算法將一組特徵變量作為輸入並檢測數據中的模式。雖然這些算法並沒有像監督學習算法那樣大量應用，但它們通常用於通過減少需要跟蹤的變量的數量來簡化計算上要求很高的問題，有時也稱為“降維”（Bonhomme，Lamadon，和Manresa2017）。
第三，強化學習算法已成為新興人工智能和大數據應用中最有影響力的算法類別之一。與監督和無監督算法不同，強化學習算法不需要輸入/輸出對的完整展示，而是僅需要目標函數。此函數指定智能系統如何在任意程度的隨機性下響應其環境（即涉及隨機變量的程度）。考慮國際象棋遊戲，其中包含數百萬個潛在的動作。雖然個人面臨認知限制，無法同時排除數千個，可能數百萬個場景的內部模擬，但“深度學習”強化學習算法已經在很大程度上克服了這些限制。例如：Google的新人工智能算法AlphaZero擊敗了世界上最好的國際象棋引擎Stockfish。與Deep Blue不同的是——擊敗Garry Kasparov的IBM超級計算機，1997年世界領先的國際象棋冠軍——AlphaZero以一種以前所未有的規模和天賦，訓練自己像人類一樣比賽（Gibbs 2017）。
讀者可以想象計算能力這種演變的方式之一是，通過考慮運動結果的計算機建模。現在，體育賽事的評論員通常會根據目前的分數宣佈中場比賽的概率，即目前在分數中領先的球隊確實會贏得比賽。在2017年美式橄欖球冠軍賽超級碗期間，新英格蘭愛國者隊僅獲得了0.3%的勝利機會（ESPN Analytics 2018）。這個概率是根據之前比賽的數據計算得出的，並且分析了一支球隊在第三季度深陷一定差距後繼續獲勝次數的百分比。各種網絡和媒體平臺使用的算法允許根據過去類似情況的團隊歷史表現數據構建這些機率。
此外，與其他遊戲一樣，國際象棋，由於玩家之間的實時交互，以及可以達到的天文數量的可能結果，估計獲勝概率可能會增加複雜性，即使在遊戲開始和結束之間沒有重複動作也是如此。在具有有限結果的遊戲中，給定一個功能非常強大的計算機和一組描述棋盤上棋子配置的初始條件，程序可以探索該狀態的所有可能移動和迴應並“解決”遊戲。然後，對於給定的玩家，最佳計算機將建議該玩家在最高勝利概率的情況下，從初始狀態開始棋的走法。
然而，因為在國際象棋比賽中關聯了世界上幾乎所有的有無限可能性的未來狀態，軟件必須發現易於帶來勝利的棋子走法，因為對於有無限結果的走法，探索所有未來路徑並開發離散的解決方案是不可能的。然而，配備人工智能的計算機允許將人類理性與計算勝利概率相結合。這提供了改進的預測方式，可以使人工智能算法“玩”遊戲，而不是試圖解決它。
人工智能技術的應用
今天，面部識別是可能的，因為數據（例如：圖像）不僅可以被數字化，而且可以大規模地收集和分析。假設我們的人工智能機器除了評估剩餘的可能結果外，還可以識別玩家自身的身份，並根據對這兩個玩家的瞭解，使用這些信息進一步修改其預測。例如：如果玩家1是業餘愛好者並且玩家2是專業人員，則需要更新與有利位置相關聯的勝利概率。然而，如果玩家1的位置如此有利，以至於勝率機率達到99.7%，那麼如果被迫從一個處於嚴重劣勢的位置開始，即使是像專業人士一樣有才華的人也會失敗。除了從靜態角度評估情境之外，人工智能算法可以通過面部識別辨別玩家身份，可以選擇針對玩家弱點量身定做的策略。
人工智能如何幫助社會和人類任務的另一個例子是它對教育服務的提供和生產的影響。人工智能教育應用程序的主要類型之一是個性化學習算法，允許教師根據個人學習的獨特方式定製信息。例如：佐治亞州立大學在大學入學過程中向學生髮送定製的短信，Page和Gehlbach（2017）發現，個人按時報到登記的概率增加了3.3個百分點。
同樣，亞利桑那州立大學使用自適應和混合學習平臺，使教師能夠提供更有針對性的學習體驗（Bailey等，2018）。這些平臺為教師提供實時智能，以評估學生對每個概念的理解程度，使教師能夠在需要時為了提升學習體驗而改變教學方式。總而言之，經濟學家發現，這些“教育技術”項目給學生帶來了顯著的回報（Escueta等人，2017）。鑑於至少有54%的員工需要在2022年之前進行大規模的重新培訓和/或技能提升（世界經濟論壇2018），教育機構將需要變得越來越適應性地找到整合技術的方法，同時降低成本，提高質量，並提高敏捷性。
人工智能系統掌握了傳統上由人類執行的任務。衡量這些基於人工智能應用程序廣度的一種方法是檢查新興研究內容的集群。根據Scopus和Elsevier文章，Elsevier（2018,34）確定了7個人工智能能力集群，包括“機器學習與概率推理、神經網絡、計算機視覺、自然語言處理與知識表示、搜索與優化、模糊系統、規劃與決策。”此外，使用已上載到研究平臺arXiv的論文子集，Elsevier（2018）發現，在arXiv上發佈的有關核心人工智能類別的文章在過去五年增加了37.4%。
這些持續的研究工作將繼續擴大人工智能的能力。事實上，Brynjolfsson和McAfee（2014，52）評論說“我們將看到人工智能做越來越多的事情，並且隨著這種情況發生，成本將下降，結果將會改善，我們的生活將會變得更好。”Lee和Triolo（2017）表示，人工智能正在市場的四個主要領域得到應用：（1）互聯網（例如：在線市場）；（2）商業（例如：數據驅動的決策）；（3）感知（例如：面部和語音識別）；（4）自動系統（例如：車輛和無人機）。例如：感知人工智能的領域。一項發現可幫助歷史上視障人士使用帶有數字傳感器的設備，該設備可以測量物理環境並通過頭部骨骼產生聲波。佩戴者發信號讓夾在眼鏡上的該技術去閱讀面向用戶視野內的文本，該設備讀取並用語言表達文本（Brynjolfsson和McAfee 2014）。同樣，Brynjolfsson和McElheran（2016）也舉例說明了使用數據影響其決策的製造企業如何表現出比同行更高的生產率。數字經濟中的公司將根據其有效和戰略性地使用數據的能力去參與到日益激烈的競爭中去。
[i]德勤（2017）最近的一項研究包含調查結果，指出有多少高管和日常公民定義人工智能的模糊性。
[ii]同樣，在2019財年的國防授權法案中，“人工智能”一詞包括以下內容：（1）在不同和不可預測的環境下執行任務的任何人工系統，沒有顯著的人工監督，或者當接觸數據集時從它們的經驗中學習並提高表現。（2）在計算機軟件，物理硬件或其他環境中開發的人工系統，用於解決需要人類感知、認知、計劃、學習、交流或物理行為的任務。（3）一種人工系統，旨在像人類一樣思考或行動，包括認知架構和神經網絡。（4）一組技術，包括機器學習，旨在逼近認知任務。（5）旨在合理行事的人工系統，包括智能軟件代理或具體機器人，通過感知、計劃、推理、學習、溝通、決策和行動來實現目標。
[iii]計算機設備生產商提高效率的一個主要部分是由於芯片技術的進步，半導體有效價格迅速下降（Triplett 1996）。 在過去十年中，這些經驗模式也在繼續。 例如：Byrne，Oliner和Sichel（2017）發現半導體價格下降了42％，相對於2004年至2009年生產者價格指數僅下降了6％。
[iv]計算機科學家經常將開發和測試AI算法的過程稱為“訓練”。該過程是指在子樣本上估計模型參數，隨後使用估計的參數來預測樣本外的數據。樣本外預測的質量用於（有時是迭代地）調整模型參數。
[v] Russell和Norvig（2010，43）評論說，確定性設置中的算法不是AI的一種形式，因為它們正在執行一組預編程的任務。
（未完待續，下一篇：技術進步與勞動力需求）
資料來源：
美國白宮網站，2019Economic Report of the President，March 2019.
（舒亞琦 編譯）
策劃：
中國財政科學研究院
外國財政研究中心
更多精彩內容，關注財科國際