发布时间：2023-09-18 17:19:36
序言：写作是分享个人见解和探索未知领域的桥梁，我们为您精选了8篇的数字经济及人工智能样本，期待这些样本能够为您提供丰富的参考和启发，请尽情阅读。
阿尔法狗接连打败李世石、柯洁，无人驾驶汽车从科幻慢慢变为现实，人工智能正在全世界如火如荼地“跑马圈地”。我们正在被一个前所未有的以智能技术为核心驱动力的新型社会裹挟着前行。随着智能时代的来临，每个企业和个人都在经受着前所未有的挑战，但挑战与机遇并存，我们要积极探索，紧跟前沿，才能在这波智能化浪潮中不致被淘汰。本书通过丰富鲜活的企业案例，帮助我们梳理分析人工智能及其相关的机器学习、超级计算、云端服务、网络安全等前沿领域的发展现状及方向，总结这些企业在智能时代下的应对之策及成功经验，为之后企业的发展转型等提供了很好的参考借鉴。
作者简介
余来文，江西财经大学应用经济学博士后、博士生导师、创业导师、野文投资董事长、文字传媒董事长，《商业智慧评论》和《创业管理评论》出品人，并任江西财经大学、江西师范大学、江西理工大学、香港公开大学、澳门城市大学、亚洲城市大学等外聘MBA课程教授或创业导师。曾在海王集团、远望谷股份、飞尚集团等公司工作，历任副总经理、总经理等职务，为大洁王集团、南华西集团、铜川矿务局、陕西煤业集团等公司提供管理咨询。先后在《管理科学》《北大商业评论》《销售与管理》《中国经营报》《CHINA DAILY》以及人大报刊复印资料转载等杂志报纸200余篇。出版《智能革命：人工智能、万物互联与数据应用》《分享经济：网红、社群与共享》《共享经济：下一个风口》《互联网：商业模式颠覆与重塑》《商业模式创新》《互联网思维2.0：物联网、云计算与大数据》《企业商业模式：互联网思维的颠覆与重塑》等30多本图书。林晓伟，江西财经大学管理学博士，现为闽南师范大学商学院副教授，福建省“新世纪”人才。先后在《系统管理学报》《经济管理》《国际贸易》《当代财经》《中国社会科学报》《中央财经大学学报》《现代管理科学》等国内核心刊物20余篇，出版专著1部，参与编写《智能时代：人工智能、超级计算与网络安全》《电子商务：分享、跨界与电商的融合》《互联网思维2.0：物联网、云计算与大数据》《企业商业模式运营与管理》《物流学》《财务管理》和《会计学》等图书。主持福建省级课题4项，先后参与国家自然科学基金项目等省部级以上课题9项，参与诏安县农业和扶贫“十三五”规划编制工作。主要研究方向为物流与供应链管理、产业互联网、企业商业模式。
目
录
1 第1章 智能时代
2 开章案例
6 1.1开启智能时代
7 1.1.1 Mr Smart——我的智能生活
13 1.1.2智能时代之认知颠覆
18 1.1.3人工智能——工作“终结者”
19 1.1.4新产业的催生——“智”家帮的兴起
25 1.2迎接崭新的智能社会
25 1.2.1“数字化”——智能社会的“快引擎”
26 1.2.2“信息化”——智能社会的“大动脉”
27 1.2.3“网络化”——智能社会的“高速路”
28 1.2.4“集成化”——智能社会的“点金石”
29 1.2.5“公共化”——智能社会的“新时代”
32 1.3智能生态——智能时代的终极奥义
32 1.3.1传统工业逻辑的颠覆式创新
36 1.3.2人人创造，智能时代新分子
37 1.3.3用户“双力”：参与力创造力
38 1.3.4“智”之大器之智能整合
39 1.3.5未来人工智能生态圈
42 1.4智能时代的内核
42 1.4.1人工智能之先发“智”人
45 1.4.2超级计算之千手“算”音
46 1.4.3云端服务之无上“云”法
47 1.4.4网络安全之“安全”卫士
51 章末案例
56 第2章 人工智能
57 开章案例
62 2.1人工智能：让机器更聪明
62 2.1.1人机大战：阿尔法狗与柯洁
64 2.1.2人工智能与智能机器人
67 2.1.3机械思维向左，智能思维向右
68 2.1.4人机融合：超人类智能时代
72 2.2人工智能新认知
75 2.2.1解密人工智能
76 2.2.2重要的是数据，而非程序
77 2.2.3淘汰的不仅是工作，更是技能
80 2.2.4超人工智能时代
82 2.3大数据与人工智能
82 2.3.1数据驱动智能革命
85 2.3.2数据挖掘：从大数据中找规律
86 2.3.3大数据的本质：数据化
89 2.3.4大数据——人工智能的永恒动力
90 2.4人机融合：连接未来
93 2.4.1人工智能之“星际迷航”
95 2.4.2机器学习与人工神经网络
96 2.4.3超越未来：人工智能之深度学习
101 2.4.4 人工智能之前世今生
102 2.4.5 人机融合：未来ING
104 章末案例
109 第3章 超级计算
110 开章案例
114 3.1大话超级计算机
114 3.1.1 超级计算知多少
115 3.1.2 从数据到超级计算的飞跃
117 3.1.3 大千世界，“数”在掌握
119 3.1.4 数据流——“超算流体”
122 3.2时代新宠——超级计算机
123 3.2.1 超级计算，未来国之重器
124 3.2.2 超算之不得不懂
126 3.2.3 大国超算之超常发展
132 3.3超级管理
132 3.3.1 数据收集——“超管”之“核基础”
132 3.3.2 数据存储——“超管”之“核聚变”
133 3.3.3 数据处理——“超管”之“核爆炸”
136 3.3.4 超级计算安全
137 3.4表演时间：超算之应用舞台
137 3.4.1 互联网应用：“互联”的二次方
140 3.4.2 电子政务应用：政务“超算”跨时代
141 3.4.3 精准医疗应用：超算医疗，快，准，狠
145 3.4.4 智能交通应用：数据出行，悠哉，享哉
146 3.4.5 金融投资应用：“超算”致富经
149 3.4.6 新零售应用：“超”未来，“算”零售
153 章末案例
159 第4章 云端服务
160 开章案例
164 4.1云服务——“云”上境界
164 4.1.1 走进“云”化时代
168 4.1.2 享受云生活
172 4.1.3 幕后英雄——云计算推动“团队”
173 4.2直击云计算
174 4.2.1 云计算为何物
178 4.2.2 云计算从哪里来
179 4.2.3 虚拟化，一切皆有可能
181 4.2.4 云计算未来规模
183 4.3双重界：云计算与虚拟网络
183 4.3.1 云计算与虚拟网络关系
184 4.3.2 云服务之“虚化”技术
189 4.3.3 虚拟服务器——“虚化”技术承载终端
193 4.3.4 多云大融通——云存储设备
195 4.3.5 有备无患——云资源备份
198 4.4“三云”家族：公有云私有云混合云
199 4.4.1 公有云——“云”家必争之地
201 4.4.2 私有云——私享“云端”之上
203 4.4.3 混合云：公私合并——“云端”最强音
207 4.5云应用——“云端”的机智强大
207 4.5.1 云应用：极致“云”风暴
210 4.5.2 云应用、云服务与云计算
211 4.5.3 AI云运用=“云端”最强音
212 章末案例
218 第5章 网络安全
219 开章案例
223 5.1直击网络安全
223 5.1.1 计算机安全——21世纪的重点“安全区”
224 5.1.2 网络安全：居安思危，严阵以待
227 5.1.3 安全攻击之“四面”埋伏
228 5.2不得不知的网络安全
229 5.2.1 网络安全之认知“大充电”
232 5.2.2 网络安全风险之危机四伏
236 5.2.3 网络安全的“威胁危邪”
241 5.2.4 安全管理“六板斧”
242 5.3网络“歪脑筋”：犯罪与黑客
243 5.3.1 网络犯罪——犯罪“新境界”
246 5.3.2 黑客攻击：高智商罪犯的攻击
247 5.3.3 黑客攻击“六”手段：智、快、狠
250 5.4无处不在的安全管家——网络安全管理
250 5.4.1 网络安全“密匙”：加密安全
254 5.4.2 保密系统：守口如瓶，从一而终
256 5.4.3 智能防火墙——安全防护之智能乾坤
260 5.4.4 网络安全未来式：量子通信
264 章末案例
270 参考文献
关键词：物联网；商业应用；智能
随着物联网时代的到来，物联网已不在是未来概念，其不仅能引领信息科技与传统领域融合，还能带动数十万亿美元的经济价值。无论是IBM、ARM和英特尔等国际巨头，还是以华为、BAT等为代表的国内企业都已瞄准物联网，只有能充分利用物联网的企业才将成为万物互联时代的赢家。那么在2017年，在物联网领域有哪些最值得关注的公司？
谷歌
谷歌自2014年以32亿美元收购Nest智能家居厂商后，正式踏入物联网领域，在长期关注物联网发展的杨剑勇先生看来，由于这一笔交易，也促使了众多科技企业纷纷开始涉足智能家居领域。尽管Nest没有达到预期，但作为新兴产业，谷歌的探索从未停止，于去年推出一款搭载智能语音技术的Google Home音箱设备来承担智能家居梦，以此来争夺家庭入口。
亚马逊
亚马逊也在全力以赴进军物联网，不仅了AWS IoT平台，还可以让联网设备轻松且安全地跟云应用和其他设备进行交互。与此同时，亚马逊推出的Echo是当今最畅销的消费级智能产品，由于采取了在语音识别上更加开放的策略，整合了更多的第三方资源，因此Echo的销量也是一路攀升。此外，兼容亚马逊智能语音助理Alexa产品无处不在，让Alexa迅速爆红，以语音控制为入口轰动业界。
三星
三星自收购SmartThings智能家居平台后，一直致力于推动物联网产业落地，早前其也表示，到2020年，三星的产品物联网覆盖率将达到100%。另外在2016年6月，三星将在美国硅谷研发物联网技术，包括数字医疗和无人机、机器人、自动汽车等智能机器，未来四年，在美国研发机构投资12亿美元开发物联网技术，并将面向物联网领域的初创企业投资，以此扩大物联网业务规模。
IBM
对于物联网商业应用之路，IBM是核心推动者之一，率先提出“智慧地球”概念，建议投资新一代的智慧型基础设施，把感应器嵌入到电网、铁路、桥梁、公路、建筑等各种物体中，并连接至网络，形成所谓的“物联网”，然后将“物联网”与现有的互联网整合，实现人类社会与物理系统的整合。如今IBM在推动物联网产业发展时，已开始聚焦人工智能，并成立了IBM沃森（Watson）物联网全球总部，把认知计算确立为重要战略支柱之一，以人工智能方式推动物联网落地，在IBM的帮助下，物联网将越来越智能。
ARM
在移动芯片领域，英特尔与AMD作为PC芯片巨头却不敌ARM，全球有90%的智能手机采用ARM设计的处理器，然而震惊全球的事件是软银以高达243亿英镑收购ARM，孙正义舍弃众多优质资产，甚至背负高负载，也不惜巨资收购ARM。显然孙正义对未来趋势的判断，为围绕物联网的豪赌拉开序幕。
微软
作为PC时代霸主的微软，在移动互联网时代表现平常，造就了苹果、谷歌的崛起。尽管未享受到移动互联网红利的微软，但在纳德拉（2014年2月接任微软CEO）的带领下，奉行‘移动先行、云先行’的战略，帝国正在崛起，市值更高达5000亿美元，在全球市值排名第三。同时也预示着微软正走上一条正确的道路，而微软也希望所Win10无处不在，借此连接人与各种设备、服务与场景。
英特尔
在PC时代呼风唤雨的英特尔，并未抓住移动互联网这一波机遇，如今信息科技向物联网延伸之际，英特尔积极拥抱物联网，主要聚焦在5G、无人驾驶、人工智能等前沿领域，希望与各合作伙伴共同创造一个万物智能互联的未来。不过笔者关心在遭遇转型阵痛的英特尔，能否抓住物联网机遇重塑昔日辉煌？
通用电气
通用电气（GE）作为美国工业4.0践行者，拥有百年历史，多年前就致力于物联网方向转型，首次提出“工业互联网”概念，让一切连接至互联网，各种设备和机器等透过安装各式各样的传感器来收集数据，对形成的大数据加以分析，赋予机器感知、学习、自我优化的能力，并从数据中获取价值。此举彻底改变了GE，由此从工业巨擘成为数字企业，更掀起了数字化工业浪潮。早前《财富》杂志改变世界的公司中，GE排名在前三。
诺基亚
自把手机业务出售后，近年来，诺基亚专注向物联网方向转型，积极发展5G、云和物联网等技术。为提高自身在物联网时代的竞争力，争夺行业制高点，不仅以156亿欧元收购阿朗，还有一直面向物联网领域的基金，规模高达10亿美元，并推出了面向所有连接设备的智能管理平台，使客户能够更加便捷地为智能停车、智能照明、智能交通及自动驾驶等物联网垂直应用部署全新服务。
华为
华为自提出物联网战略之后，其发展愿景变为“更美好的全联接时代”，如今年销售规模超5 000亿人民币，也是中国最典型的“技术驱动”企业，仅去年研发费用就高达83.58亿欧元（约606亿人民币），有数据显示，华为10年来累计投入近3 000亿。这一庞大的研发资金投入，确保其在未来通信领域处在领先地位，尤其在万物互联的时代下，确保华为构建连接的核心能力。作为要连接世界的华为，致力于构建领先的物联网联接能力。
百度
随着物联网的部署越来越广，作为支撑物联网应用后端服务的人工智能技术，是其最核心一环，而发展人工智能也是百度的核心战略，因此百度积极通过软硬结合来推动AI 商业落地。百度将智能家居作为发展方向之一，成立了智能家居硬件和度秘事业部，加速人工智能战略布局及人工智能产品化和市场化进程，以智能家居为切入点，依托人工智能技术所积累的优势，以此抢夺入口控制权。
腾讯
腾讯在面对物联网领域布局时，主要在连接层依托连接优势来构建一个开放的物联网生态系统，推出了物联云平台，为设备提供快速、安全、稳定的接入物联网的一体化解决方案，已有超过5 000个合作伙伴加入了该平台。腾讯物联云毛华早前对南方周末记者表示，腾讯物联云的连接将不再局限于QQ，未来也有可能延伸到微信。
小米
一、我国医药制造企业数字化转型发展现状及问题
医药制造业是我国国民经济的重要组成部分，在整个消费市场中有着举足轻重的地位。进入21世纪以来，我国医药制造业发展迅速，目前已成为全球第二大医药市场，原料药生产出口稳居世界第一。2007-2017年，我国医药制造业规模以上企业的主营业务收入从5967亿元增长至28200亿元，复合增长率达到16.8%，远高于同期GDP增长率。不过，我国医药制造业创新能力弱、竞争能力不强等问题突出，产品仍“以仿为主”，创新药欠缺，药品质量和疗效等都有待进一步提高。另外，随着近几年药品“带量采购”、“两票制”等政策的实施，对药企运营与成本控制提出更高要求和挑战，再加上疫情冲击，我国医药制造企业的收入和利润收到较大影响，规模以上企业的主营业务收入近几年一度出现下滑。在以上背景下，推动医药制造企业数字化转型是推进我国药企向创新型技术型转型升级、提升自身竞争力的有效手段。当前，我国医药制造企业数字化与智能化水平还有较大提升空间，据统计，我国有超过一半的医药制造企业处于单点信息化、数字化覆盖状态，系统间集成度较低；另外，仍有26%的医药制造企业处于数字化起步阶段。具体而言，我国医药制造企业数字化、信息化主要存在如下问题：第一是新药研发能力普遍偏低，研发阶段信息化支撑手段缺乏。当前医药研发需要强大的平台及人工智能、大数据分析等手段支撑，我国医药企业特别是中小企业仍处于传统医药研发阶段，缺乏信息化手段及数据的支撑，导致药物研发耗时耗力，且成功率低。第二是医药生产阶段信息化及自动化大部分处于单点覆盖阶段，未形成端到端集成。一方面部分生产环节还未实现自动化，这在中成药制造企业中较为常见，如药材预处理、药物提取、环境控制等环节，仍需要大量人工参与。另一方面，医药企业信息化与自动化大部分互相分离，生产过程中的数据没有得到实时收集以用于研发、生产过程的控制及管理。第三是企业营销流通、产业链协同等环节信息化水平普遍偏低。我国医药制造企业对药品营销渠道管理、营销数据的实时跟踪及数据分析能力普遍不足。同时，当前药企普遍缺乏互联网营销及用户服务类平台，基于线上的创新发展观念薄弱。另外，医药制造企业利用信息化平台打通产业链上下游企业，实现上下游企业数据同步、资源及业务协同等方面还存在较大短板。
二、我国医药制造企业开展数字化转型推进创新发展建议
基于我国医药制造企业数字化、自动化现状及问题，为推进我国医药制造企业运营升级、产品及服务模式创新，提升行业在国际的综合竞争力，企业应根据自身实际情况进一步提升研发、生产、营销流通、用户服务等环节智能化、数字化水平，同时推进企业各环节系统间集成及数据共享流通，最终实现智能化研发、智能化生产制造、智能化企业管理等全新生产运营模式的构建，具体建议如下。
（一）研发环节数字化
医药研发环节数字化是目前我国医药制造企业存在的最大短板，也是企业加强创新药开发力度的关键一步。研发环节数字化建议从以下几方面开展。一是企业内部要构建统一的研发基础数据库，如电子实验记录、仪器原始数据、化合物/生物样品数据、生物活性数据库等，实现研发过程中各类数据电子化、标准化，并实现基础数据库在企业内部的数据共享。二是完善企业级的研发信息管理系统实现研发流程集成。构建医药研发平台，建立标准化的研发流程，基于研发平台实现研发流程集成。基于研发平台推进研发数据的整合和开发利用，实现对研发进程和研发质量的管理和控制，提高实验效率，加快药物研发进程。三是充分利用大数据、人工智能等新一代信息技术辅助研发创新。医药制造企业应和专注于大数据、人工智能的信息技术服务企业开展广泛合作，共同探索人工智能、大数据等技术在药物研发、临床试验过程中的应用，以降低研发成本、缩短研发周期。例如运用人工智能、大数据等技术在药物研发、临床试验等阶段进行大批量文本分析及预测、虚拟药物筛选、病例分析及临床匹配、晶型预测、发掘药物新适应症等工作，以提高药物研发效率。
（二）生产环节数字化
医药生产环节应重点推进生产过程自动化、智能化水平，加强各环节智能化系统的整合，逐步形成贯穿整个生产过程的智能化、自动化控制体系。由于化药、生物药、中药生产数字化基础存在较大差异，建议企业在数字化转型过程中，根据自身情况选择具体方案。具体建议如下。一是中小企业首先提升药品生产关键环节的自动化、智能化水平。推进智能装备、智能传感器等智能设备的普及，加强提取、浓缩、醇化、干燥、灭菌等关键环节自动化控制系统的部署，逐步实现各个环节工艺参数和质量控制参数（如温度、流量、压力、液位、质量、浓度等）的自动采集、监测、分析、集中显示、报警和控制，简化生产流程，减少人工干预。二是逐步形成贯穿全生产过程的智能化控制体系。在关键环节自动化系统部署基础上，推进各环节自动化控制系统的整合，形成贯穿整个生产过程的智能化、自动化控制体系，强化生产制造各类参数数据汇聚与分析，实现信息和数据的快速、合理、准确传递与共享，全面提高生产制造过程信息化管理能力。三是完善企业生产类信息化系统建设及综合集成。完善生产执行（MES）、环境监测、药品质量监管、仓储管理等生产信息化系统建设，实现生产自动化、智能化设备数据、物料、能耗等数据接入到生产信息化系统中，实现数据的实时监测及分析应用。推进生产信息化系统间集成及数据共享流通，形成集管控、优化、调度、执行和经营于一体的生产新模式。
（三）营销流通及用户服务环节数字化
营销流通及用户服务环节数字化是传统医药制造企业较为欠缺环节，随着“互联网+”在医药及医疗领域的渗透，营销流通及用户服务环节数字化成为医药企业进行精准营销、开展服务化转型的关键。具体建议如下。一是搭建精准营销平台。医药制造企业应联合医药流通企业打造面向基层医疗市场的数字化精准营销平台，重点探索医药产品精准营销方式，提高资源投放有效性。一方面基于精准营销平台整合下游终端客户资源，汇聚营销数据和客户数据，掌握药品流向动态，对渠道终端（如医院、药店等）营销数据进行实时动态管理以辅助差异化营销科学决策制定、渠道优化、终端覆盖等。另一方面基于新媒体环境，通过大数据分析手段分析医生社交网络、阅读量和转发量、医学信息浏览记录等线上数据，挖掘医生使用偏好，实现有的放矢、精准营销。二是打造线上线下融合的医药新零售、健康服务平台。医药制造企业应探索建设B2B、B2C电子商务平台或与大型医药电商平台进行合作，实现营销渠道下沉，推进线下线上全面融合。另外，有实力的医药制造企业可探索建设企业数字化服务平台，并和线下医院、体检中心、理疗中心、药店等实体机构进行密切合作，将数字化服务平台向线下机构及个人用户延伸，基于平台开展药事个性化远程咨询、疗效数字化评估、远程审方、健康监测、健康管理等。同时基于平台沉淀消费者疾病谱变化、健康需求和消费习惯等数据信息，开展C2M反向定制化研发生产。另外，医药制造企业应积极与数字化诊疗平台、互联网医院等平台类企业合作，联合推出慢病管理、术后跟踪等服务，包括在线诊断、药品购买配送、用药跟踪等，形成“医+药”闭环，延伸大健康服务半径，创新开展营销模式。
（四）企业运营管理数字化
企业运营管理数字化是医药制造企业实现内部运营升级的重要手段，通常包括企业人财物的数字化综合管理、企业数据汇聚及综合分析、企业智能决策等。具体建议如下。一是推进企业运营管理数字化升级。针对中小企业，建议通过实地部署或采购SaaS服务等方式，推广办公自动化、企业资源管理、客户关系管理、供应链管理等运营管理类信息系统的使用，加强企业管理精准管控能力。对于有实力的大型企业，建议推进运营管理类系统与药品研发、生产制造、营销流通、用户服务等环节信息化系统的整合，实现研发、生产、营销、用户服务、企业运营管理相关流程及数据的融合贯通。二是提升企业大数据创新应用水平。建议有实力的医药制造企业打造企业数据，盘活企业全量数据，实现企业各环节数据的汇聚整合、提纯加工、数据分析、数据应用服务等，形成基于大数据分析与反馈的工艺优化、流程优化、设备维护与事故风险预警、精准营销及用户服务能力，实现企业生产与运营管理的智能决策和深度优化。三是推动产业链上下游信息化协同。加强医药制造企业与上下游产业链企业的协作，通过系统整合、流程打通等推进上下游企业生产要素互通共享，逐步实现产业链互联、平台协同、要素融通，推动产业链企业生产和服务资源优化配置。
三、推进医药制造企业数字化转型政策建议
关键词：制造规模 关键技术 发展趋势
一、自动化机械制造规模
按规模大小FMS可分为如下4类
（一）自动化制造单元
FMC：的问世并在生产中使用约比FMS晚6～8年，它是由1～2台加工中心、工业机器人、数控机床及物料运送存贮设备构成，具有设置应加工多品种产品的灵活性。FMC可视为一个规模最小的FMS，是FMS向廉价化及小型化方向发展和一种产物，其特点是实{目单机自动化化及自动化，迄今已进入普及应用阶段。
（二）自动化制造系统
通常包括4台或更多台全自动数控机床及人工中心与车削中心等），由集中的控制系统及物料搬运系统连接起来，可在不停机的情况下实现多品种、中小批量的加工及管理。
（三）自动化制造线
它是处于单一或少品种大批量非自动化自动线与中小批量多品种f：MS之间的生产线。其加工设备可以是通用的加工中心、CNC机床，亦可采用专用机床或NC专用机床，对物料搬运系统自动化的要求低于FMS，但生产率更高。
（四）自动化制造工厂
FMt是将多条FMS连接起来，配以自动化立体仓库，用计算机系统进行联系，采用从订货、设计、加工、装配、检验、运送至发货的完整FMS。它包括了CAD/CAM，并使计算机集成制造系统（C1MS）投入实际，实现生产系统自动化化及自动化，进而实现全厂范围的生产管理、产品加工及物料贮运进程的全盘化。FMF是自动化生产的最高水平，反映出世界上最先进的自动化应用技术。它是将制造、产品开发及经营管理的自动化连成一个整体，以信息流控制物质流的智能制造系统IMS）为代表，其特点是实现工厂自动化化及自动化。
二、自动化关键技术
（一）计算机辅助设计
未来CAD技术发展将会引入专家系统，使之具有智能化，可处理各种复杂的问题。当前设计技术最新的一个突破是光敏立体成形技术，该项新技术是直接利用CAD数据，通过计算机控制的激光扫描系统，将三维数字模型分成若干层二维片状图形，并按二维片状图形对池内的光敏树脂液面进行光学扫描，被扫描到的液面则变成固化塑料，如此循环操作，逐层扫描成形，并自动地将分层成形的各片状固化塑料粘合在一起，仅需确定数据，数小时内便可制出精确的原型。它有助于加快开发新产品和研制新结构的速度。
（二）模糊控制技术
模糊数学的实际应用是模糊控制器。最近开发出的高性能模糊控制器具有自学习功能，可在控制过程中不断获取新的信息并自动地对控制量作调整，使系统性能大为改善，其中尤其以基于人工神经网络的自学方法更起人们极大的关注。
（三）工智能、专家系统及智能传感器技术
迄今，FMS中所采用的人工智能大多指基于规则的专家系统。专家系统利用专家知识和推理规则进行推理，求解各类问题（如解释、预测、诊断、查找故障、设计、计划、监视、修复、命令及控制等）。由于专家系统能简便地将各种事实及经验证过的理论与通过经验获得的知识相结合，因而专家系统为FMS的诸方面工作增强了自动化。展望未来，以知识密集为特征，以知识处理为手段的人工智能（包括专家系统）技术必将在FMS（尤其智能型）中关键性的作用。人工智能在未来FMS中将发挥日趋重要的作用。目前用于FMS中的各种技术，预计最有发展前途的仍是人工智能。预计到21世纪初，人工智能在FMS中的应用规模将要比目前大4倍。智能制造技术fIMT旨在将人工智能融入制造过程的各个环节，借助模拟专家的智能活动，取代或延伸制造环境中人的部分脑力劳动。在制造过程，系统能自动监测其运行状态，在受到外界或内部激励时能自动调节其参数，以达到最佳工作状态，具备自组织能力。
（四）人工神经网络技术
人工神经网络fANN）是模拟智能生物的神经网络对信息进行并行处理的一种方法。故人工神经网络也就是一种人工智能工具。在自动控制领域，神经网络不久将并列于专家系统和模糊控制系统，成为现代自支化系统中的一个组成部分。
三、启动控制技术发展趋势
自二战结束以来，世界各发达国家逐渐重视设计理论和设计方法的研究，先后产生了许多新概念、新思想、新理论和新技术。从设计方法来看，国内外先后提出了并行设计、虚拟设计、协同设计，相似性设计、智能设计等新概念；从设计准则来看，出现了优化设计、可靠性设计、有限元等概念，从设计的手段来看，出现了计算机辅助设计，不仅普及了二维设计 CAD 软件，而且功能全面的三维造型软件也进入了实用阶段。
（一）FMC将成为发展和应用的热门技术
这是因为FMC的投资比FMS少得多而经济效益相接近，更适用于财力有限的中小型企业。目前国外众多厂家将FMC列为发展之重。近年来，计算机网络技术、 Web 技术和数据库技术的出现和飞速发展，给现代机械设计注入了新的生机和活力，机械设计逐渐向数字化、网络化方向发展。基于 Web 的远程设计正是在这种条件下产生的。它的出现，使得各制造企业可以充分利用 Internet 和 Web 的国际互联性和资源共享性，组建企业间的动态联盟或虚拟设计小组，通过组合分散在各个地域企业的技术优势，发挥各个企业的局部特长，同时不同专业的技术人员可以不受地域的限制，在一个统一且易于访问的平台下进行异地的合作与设计，实现信息的交流和共享，进而快速开发出所需产品，提高产品设计的一次成功率。
（二）朝多功能方向发展
云计算进入2.0时代的背景是：过去十年，在谷歌、亚马逊、阿里等“云一代”企业引领下，云计算从为以互联网为主的初创企业开始被越来越多的政府和企业所接受，云计算已开始从培育期走向普及期。
而当前的数字化转型热潮，助推各行业企业积极“上云”，云计算迈入2.0时代。据赛迪顾问报告显示，2016年中国云计算市场整体规模达2797亿元，同比增长41.7%，预计未来仍将保持20%以上的增长速度。
在上述背景下，云计算市场玩家增多，争相抢位，都想收割云计算“红利”。除了BAT外，其他互联网企业也开始布局云计算、传统IT企业全面向云计算转型。圈外企业如做房地产出身的万达等也高调杀入云计算。而阿里、浪潮等较早进入云计算市场的老牌ICT企业，则纷纷加大云计算市场拓展力度。
随着云计算需求的变化，厂商策略玩法在改变，竞争格局也将随之重构。云计算2.0时代，企业的云化之路怎么走？
深耕垂直行业
继前期在社交、电商、游戏、视频等领域的应用后，云计算正朝着政务、金融、制造、医疗等纵深行业蔓延。行业云将成为云计算2.0时代的主导力量。
IDC认为，到2020年75%以上的500强企业将通过行业云向他们的客户提供数字服务。嗅觉敏感的云厂商已开始向垂直行业纵深挺进。
阿里和腾讯都加大了行业云的布局，并围绕行业云，构建合作伙伴生态。华为在3月份召开的生态大会上，也提出聚焦行业，携手合作伙伴构建云生态。
而浪潮作为行业云的首倡者，早在2010年就提出做行业云，从早期的卖盒子到卖解决方案、再到提供云平台和构建生态，这些年不断转型、进步。据浪潮公布的数据，现在浪潮全国的合作伙伴超过9000家。
根据浪潮在4月18日的云业务策略，2017年浪潮将推进“十百千计划”，即10大行业解决方案、100家生态伙伴、培训认证1000名IICE/IICP专业工程师，持续聚焦行业云市场，以“平台+生态”推进云计算落地。
十大行业解决方案：以“云图”InCloud Lab为依托，联合Key ISV/SV开发医疗、政务、金融、通信、能源、教育十大行业解决方案；率先在方案验证优化测试中心进行各行业解决方案的测试，推动稳定、成熟的行业解决方案在用户生产环境的实测与落地。
百家生态合作伙伴：通过整合行业云产业链上下游合作伙伴，从技术的研究与研发、行业方案的验证与优化、服务的提升和响应三个层面，围绕企业级用户构建融合、开放、安全、共赢的云生态版图，为企业级用户提供完整的数据中心云化解决方案。
千名工程师认证：认证1000名IICE/IICP专业工程师，提升本地服务能力。
我们知道，单纯的IaaS就如同传统IT时代的盒子，计算厂商要拓展更大的利润空间，一定要从“卖盒子”转变为“搭平台”、做生态，才能把云的生意做大、做强。这正是越来越多的IaaS玩家，都强调构建平台、合作伙伴和生态系统的重要原因。
而且，对于垂直行业市场，云要落地行业，就必须根据行业的特点来进行部署，完善各行业的生态圈，因为生态圈的完善程度直接决定了客户对其的接受度。这也是各路玩家纷纷专做生态布局的另一个原因。
如今，阿里云的云栖大会、腾讯云的全球合作伙伴大会、浪潮IPF合作伙伴大会已成系列大会。这些云计算巨头争相构建平台、扩大“朋友圈”。
随着各路云计算玩家从四面八方聚集到行业市场，云计算市场竞争也将从分散走向集中，而平台和生态圈建设必将成为决胜市场的重要因素。
开源趋势明朗
随着近几年云计算市场快速增长，开源技术在云计算领域得到新的发展契机。今年4月中旬召开的“全球云计算开源大会”上，“OpenStack”是受关注最高的词汇。OpenStack将开源、开放的思想开始深度植入到云计算领域，成为最受欢迎的开源项目。
据统计，世界100强企业中50%的企业已经采用OpenStack，开发者、用户遍及全球。从国内市场来看，云计算的发展使OpenStack在中的关注度持续稳定上升，根据中国信息通信研究院在“全球云计算开源峰会”上的《中国云计算开源发展调查报告（2017年）》，在国内使用私有云企业中，有超过八成企业接受并认可开源技术。有半数以上企业已经应用OpenStack或正在测试环境。
中国云计算企业在OpenStack中的席位和地位也在逐渐提升。国内企业中，浪潮不是OpenStack早期成员，自2 0 1 4年加入OpenStack社区后，短短两年就已成为基金会金牌会员。
OpenStack已经逐渐在基础设施即服务（IaaS）资源管理方面占据领导位置，成为公有云、私有云及混合云管理“云操作系统”的事实标准，这也被浪潮、华为等中国云计算企业看成重要发展机遇，不断进行OpenStack的优化和推广。
以浪潮为例，“全面基于OpenStack”是浪潮2017年云计算产品策略的核心。浪潮一方面从完善OpenStack框架入手，提供可商用的OpenStack产品；另一方面将加大虚拟化、存储、网络、安全、管理五大基础技术创新，提升增值服务能力。
在浪潮集团系统软件部总经理张东看来，大家选择了OpenStack，不仅仅是因为OpenStack便宜，OpenStack最大的优点就是在于它的开放性。浪潮要推进“平台+生态”战略，首要的是开放，可以兼容合作伙伴的产品。
虽然OpenStack已经逐渐走向成熟，但依然在部署、定位、安全性和方案完整性上存在较高应用门槛，阻碍了OpenStack的商业化进程。为此，浪潮提出“FAST”设计理念，从Functionality（功能性）、Availability（可用性）、Security（安全性）、Toolchain（工具化）着手，提供成熟、完善、易用的OpenStack方案型产品，确定浪潮云产品的核心竞争力。
随着OpenStack的发展成熟，整个行业的发展也将面临洗牌，市场集中度增强。浪潮希望通过“FAST”理念，在云计算2.0时代在OpenStack道路上跑得更快。
人工智能重新定义云计算
去年3月，在AlphaGo与李世石的大战即将开展之前，谷歌大脑（Google Brain）团队负责人杰夫？迪恩在韩国首尔的四季酒店的会上表示人工智能已经成为了更高层次的云计算服务。实际上，人工智能已经存在于谷歌的云计算平台中。
随着大数据的指数级增长，以及人工智能的突破性进展，被称为“ABC”的“云计算+大数据+人工智能”将成为未来发展关键，互联网的下一幕将由人工智能来主导，而各行各业也将依托于“智能+”完成对于自身的改造。人工智能正在重新定义云计算。
不久前，阿里巴巴董事局主席马云在内部启动代号为“NASA”的计划，面向未来20年储备核心科技，机器学习、IoT、生物识别等领域智能化领域被放在突出位置。阿里“NASA”计划的研发成果都将通过阿里云对外输出，成为创新者的强大技术后盾。
在2017中国“互联网+”数字经济峰会上，马化腾表示：不管是制造业还是服务业，面对的一个不可逃避的趋势是，将云、人工智能和大数据有效结合，未来就是在云端用人工智能处理大数据。
此前，无论是阿里还是腾讯都推出了基于人工智能的云服务，升级云服务能力。
而在4月11日召开的IBM中国论坛上，“人工智能”和“云计算”是两大主题词。IBM正在全力推进商业人工智能Wason在各个行业云平台落地。
Abstract: This paper describes the related concept of topographic survey and mapping technology as well as topographic survey mapping automation technology, and to explore the development trend of the mapping technology automation technology.
Keywords: topographic surveys; mapping technology; development trends
中图分类号：P21文献标识码A 文章编号：
关键词：矿山，现状，发展，评估
0引言
自2 l世纪以来，以信息技术为代表的技术革命迅速发展，而数字化更是成为信息的表现形式，1999年召开的首届“国际数字地球”大会上又提出了“数字矿山”(Digital Mine，DM)的概念后，“数字矿山”在矿业中发挥出越来越大的作用，是矿业发展的目标和方向。而构建数字矿山，以信息化、自动化和智能化带动采矿业的改造与发展，开创安全、高效、绿色可持续的矿业发展新模式，是我国矿业生存与发展的必由之路。
1数字矿山的概念
1.1 数字矿山的概念
数字矿山就是指在矿山范围内建立一个以三维坐标为主线，将矿山信息构建成一个矿山信息模型，描述矿山中每一点的全部信息。按三维坐标组织、存储起来，并提供有效、方便和直观的检索手段和显示手段，使有关人员都可以快速准确、充分和完整地了解及利用矿山各方面的信息。
2、数字矿山的研究现状
2.2 国内数字矿山的研究现状
美国、加拿大、澳大利亚等矿业发达国家在数字矿山方面的研究起步较早。2001年，中国矿业联合会组织召开了首届国际矿业博览会，其中包括一个以“数字矿山”为主题的分组会。2002年，以“数字矿山战略及未来发展”为主题的中国科协第86次青年科学家论坛召开，2006年，煤炭工业技术委员会和煤矿信息与自动化专业委员会在新疆乌鲁木齐召开了“数字化矿山技术研讨会”。20世纪末以来，国家主要科研资助机构和相关行业部门相继立项支持了一批数字矿山课题。包括2000年开始的一项国家自然基金课题、2006年开始的一项863课题和一项“十一五”支撑课题等。2000年以来，国内多所高校、科研院所、企事业单位相继设立了与数字矿山有关的研究所、研究中心、实验室，主要有：2000年设立于中国矿业大学(北京)资源与安全工程学院的“3S与沉陷工程研究所”、2005年设立于中南大学资源与安全工程学院的“数字矿山实验室”、2007年设立于东北大学资源与土木工程学院的“3S与数字矿山研究所”和2007年设立于中国矿业大学(徐州)计算机科学与技术学院的“矿山数字化教育部工程研究中心”等。山东新汶矿业集团泰山能源股份有限公司翟镇煤矿是我国第一座数字矿山，与北京大学遥感与地理信息系统研究所合作，在国内首开数字化矿井技术应用之先河。此外，中国矿业大学等单位相继开展了采矿机器人、矿山地理信息系统、三维地学模拟、矿山虚拟现实、矿山定位等方面的技术开发与应用。
3.数字矿山的技术分析
3.1“3S”技术
GPS主要用于实时、快速提供目标、各类传感器和运载平台(车、船、飞机、卫星等)的空间位置；RS用于实时或准实时地提供目标及其环境的语义或非语义信息，发现地球表面的各种变化，及时地对GIS的空间数据进行更新；GIS则是对多种来源的时空数据综合处理、动态存贮、集成管理、分析加工，作为新的集成系统的基础平台，并为智能化数据采集提供地学知识。以GIS为核心的“3S”集成是当前空间技术发展的重要方向，这主要是在空间数据处理中的GIS、RS、GPS既各有特色，有存在着密切的联系。在解决实际问题中常常要3个系统联合使用，用RS技术来获取信息，再由GPS进行定位及导航GIS负责最后的处理，并提供各种图形，提出决策实施方案。免费论文。所以3S集成系统的研究已越来越被人们所关注。免费论文。
3.2可视化技术
3.2.1可视化建立的必要性
可视化模型是数字矿山建设的基础，只有完全掌握了矿床及井下开采环境情况，才能够为数字矿山的建设提供基础平台，数字矿山建设后续的通讯系统、生产调度及人员设备定位、生产过程安全监控与预警系统、生产过程虚拟现实系统都需要以此为基础平台进行设计开发和系统运行。
3.2.2可视化的建立方法
可视化建模采用TIN(不规则三角网)技术产生数字地形表面模型和地质体(包括床体、岩层及断层)实体线框模型，同时采用变块技术建立矿床资源评价块段模型。最终采用地质统计学方法对块段模型进行估值，得出既有结构性又具有随机性的复杂地质体的空间分布及品位和开采环境综合评价技术成果，并在此基础上进行开采方案优化与设计。
3.3虚拟现实（Virtual Reality，简称VR）技术
3.3.1虚拟现实技术的概念
指利用人工智能、计算机图形学、人机接口、多媒体、计算机网络及电子、机械、视听等高新技术，模拟人在特定环境中的视、听、动等行为的高级人机交互技术。免费论文。VR 在许多工程领域和基础研究方面已经得到较为广泛的应用，在国外矿业领域的研究起步比较早，出现了一些2.5维的虚拟矿山系统。通过对虚拟矿山实体进行操纵，可以构造出逼真的三维、动态、可交互的虚拟生产环境，用以模拟完成在真实矿井中进行的工作。
3.3.2虚拟技术条件下矿山模拟开采技术研究
以地质及矿床模型为基础，结合其它关键信息构造虚拟矿山，进行数字模拟开采，完成矿山长、中、短期开采计划编制、地下矿巷道标准断面设计、峒室设计、开拓设计、采矿方法设计、穿爆设计、通风设计、灾变应变预案等工作。
4、数字矿山的发展趋势
(1)实现生产过程管理和控制一体化。矿山生产过程管控一体化是指应用可视化技术，实现生产过程、工艺、设备、仪器的自动监测与控制。
(2)开发各种功能的矿山应用软件。必须针对不同的应用和矿山工程需求，研究开发适合不同用户、具有不同功能的矿山应用软件，如采矿CAD、虚拟矿山、采矿仿真、人工智能和科学可视化等软件工具。
(3)朝着构建生态矿业工程方向发展。生态矿业工程就是当人类开发矿产资源引起自然生态平衡破坏时，建立人为的生态平衡，构建生态矿业工程对实现可持续发展具有非常重要的现实意义。
(4)人工智能技术研究。自20世纪80年代中后期以来，人们已开始应用人工智能理论与技术来解决采矿工业中的各种实际问题，并逐步显示出无法取代的优越性。运用数据挖掘与知识发现、专家系统等人工智能技术实现生产调度指挥、资源预测、安全警示、突发事件处理等决策支持功能，实现矿山的智能化。
5、结论
我国既是采矿大国，又是资源消费大国。随着经济的高速发展和工业化进程的快速推进，中国对矿产资源的消费将持续呈现快速增长态势，将长期保持旺盛的需求。但是，中国矿产资源所面临的资源短缺，供应乏力的严峻形势，目前已经成为发展工业的瓶颈，如果这种势头继续发展下去，势必对国民经济的可持续发展产生深刻影响。因此，客观的实事求是的评价资源现状，充分合理的利用和保护资源，以建设数字矿山来改变和确保矿产资源长期稳定供给是中国矿业走可持续发展一条正确之路。
参考文献:
[1] 吴立新,张瑞新等. 维地学模拟与虚拟矿山系统[J].测绘学报,2002,31(1):29-33
[2].吴立新,刘纯波,牛本宣等。试论发展我国矿业地理信息系统的若干问题[J].矿山测量,1998，(04)：48-51
[3]刘光.地理信息系统[M].北京：中国电力出版社, 2003
[4]陈述彭.区域地理信息分析方法及应用[M] .北京：科学出版社,1999
[5]吴立新,殷作如,钟亚平.再论数字矿山特征、框架与关键技术[J]-煤炭学报 2003,28(01):1-6
2017年7月，国务院印发《新一代人工智能发展规划》，不仅对人工智能的发展做出了战略性部署，还确立了“三步走”的政策目标，力争到2030年将我国建设成为世界主要的人工智能创新中心。[1]值得注意的是，此次规划不仅仅只是技术或产业发展规划，还同时包括了社会建设、制度重构、全球治理等方方面面的内容。之所以如此，是由于人工智能技术本身具有通用性和基础性。换句话说，为助推人工智能时代的崛起，我们面对的任务不是实现某一个专业领域或产业领域内的颠覆性技术突破，而是大力推动源于技术发展而引发的综合性变革。
也正因为如此，人工智能发展进程中所面临的挑战才不仅仅局限于技术或产业领域，而更多体现在经济、社会、政治领域的公共政策选择上。首先，普遍建立在科层制基础上的公共事务治理结构，是否能够适应技术发展和应用过程中所大规模激发的不确定性和不可预知性?再者，长久以来围绕人类行为的规制制度，是否同样能够适应以数据、算法为主体的应用环境?最后，如何构建新的治理体系和治理工具来应对伴随人工智能发展而兴起的新的经济、社会、政治问题?
应对上述挑战并不完全取决于技术发展或商业创新本身，而更多依赖于我们的公共政策选择。本文试图在分析人工智能发展逻辑及其所引发的风险挑战的基础上，对人工智能时代的公共政策选择做出分析，并讨论未来改革的可能路径，这也就构成了人工智能治理的三个基本问题。具体而言，人工智能本身成为治理对象，其发展与应用构成了治理挑战，而在此基础上如何做出公共政策选择便是未来治理变革的方向。
全文共分为四个部分：第一部分将探讨人工智能的概念及特征，并进而对其发展逻辑进行阐述。作为一项颠覆性技术创新，其本身的技术门槛对决策者而言构成了挑战，梳理并捋清人工智能的本质内涵因而成为制定相关公共政策的前提;第二部分将着重分析人工智能时代崛起所带来的治理挑战，主要包括三个方面，即传统科层治理结构应对人工智能新的生产模式的滞后性、建基于行为因果关系之上的传统治理逻辑应对人工智能新主体的不适用性，以及人工智能发展所引发的新议题的治理空白;面对上述挑战，各国都出台了相关政策，本文第三部分对此进行了综述性对比分析，并指出了其进步意义所在。需要指出的是，尽管各国的政策目标都试图追求人工智能发展与监管的二维平衡，但由于缺乏对人工智能内涵及其发展逻辑的完整认识，当前的公共政策选择有失综合性;本文第四部分将提出新的治理思路以及公共政策选择的其他可能路径，以推动围绕人工智能治理的相关公共政策议题的深入讨论。
一、人工智能的概念及技术发展逻辑：算法与数据
伴随着人工智能技术的快速发展，尤其是其近年来在棋类对弈、自动驾驶、人脸识别等领域的广泛应用，围绕人工智能所可能引发的社会变革产生了激烈争论。在一方面，以霍金[2]、马斯克[3]、比尔-盖茨[4]、赫拉利[5]为代表的诸多人士呼吁加强监管，警惕“人工智能成为人类文明史的终结”;在另一方面，包括奥巴马[6]在内的政治家、学者又认为应该放松监管，充分释放人工智能的技术潜力以造福社会。未来发展的不确定性固然是引发当前争论的重要原因之一，但围绕“人工智能”概念内涵理解的不同，以及对其发展逻辑认识的不清晰，可能也同样严重地加剧了人们的分歧。正因为此，廓清人工智能的概念内涵和发展逻辑不仅是回应争论的需要，也是进一步提出公共政策建议的前提。
就相关研究领域而言，人们对于“人工智能”这一概念的定义并未形成普遍共识。计算机领域的先驱阿兰-图灵曾在《计算机器与智能》一文中提出，重要的不是机器模仿人类思维过程的能力，而是机器重复人类思维外在表现行为的能力。[7]正是由此理解出发，著名的“图灵测试”方案被提出。但如同斯坦福大学计算机系教授约翰·麦卡锡所指出的，“图灵测试”仅仅只是“人工智能”概念的一部分，不模仿人类但同时也能完成相关行为的机器同样应被视为“智能”的。[8]事实上，约翰·麦卡锡正是现代人工智能概念的提出者。在他看来，“智能”关乎完成某种目标的行为“机制”，而机器既可以通过模仿人来实现行为机制，也可以自由地使用任何办法来创造行为机制。[9]由此，我们便得到了人工智能领域另一个非常重要的概念——“机器学习”。
人工智能研究的目标是使机器达到人类级别的智能能力，而其中最重要的便是学习能力。[10]因此，尽管“机器学习”是“人工智能”的子域，但很多时候我们都将这两个概念等同起来。[11]就实现过程而言，机器学习是指利用某些算法指导计算机利用已知数据得出适当模型，并利用此模型对新的情境给出判断，从而完成行为机制的过程。此处需要强调一下机器学习算法与传统算法的差异。算法本质上就是一系列指令，告诉计算机该做什么。对于传统算法而言，其往往事无巨细地规定好了机器在既定条件下的既定动作;机器学习算法却是通过对已有数据的“学习”，使机器能够在与历史数据不同的新情境下做出判断。以机器人行走的实现为例，传统算法下，程序员要仔细规定好机器人在既定环境下每一个动作的实现流程;而机器学习算法下，程序员要做的则是使计算机分析并模拟人类的行走动作，以使其即使在完全陌生的环境中也能实现行走。
由此，我们可以对“人工智能”设定一个“工作定义”以方便进一步的讨论：人工智能是建立在现代算法基础上，以历史数据为支撑，而形成的具有感知、推理、学习、决策等思维活动并能够按照一定目标完成相应行为的计算系统。这一概念尽管可能仍不完善，但它突出了人工智能技术发展和应用的两大基石——算法与数据，有助于讨论人工智能的治理问题。
首先，算法即是规则，它不仅确立了机器所试图实现的目标，同时也指出了实现目标的路径与方法。就人工智能当前的技术发展史而言，算法主要可被划分为五个类别：符号学派、联接学派、进化学派、类推学派和贝叶斯学派。[12]每个学派都遵循不同的逻辑、以不同的理念实现了人工智能(也即“机器学习”)的过程。举例而言，“符号学派”将所有的信息处理简化为对符号的操纵，由此学习过程被简化(抽象)为基于数据和假设的规则归纳过程。在数据(即历史事实)和已有知识(即预先设定的条件)的基础上，符号学派通过“提出假设-数据验证-进一步提出新假设-归纳新规则”的过程来训练机器的学习能力，并由此实现在新环境下的决策判断。
从对“符号学派”的描述中可以发现，机器学习模型成功的关键不仅是算法，还有数据。数据的缺失和预设条件的不合理将直接影响机器学习的输出(就符号学派而言，即决策规则的归纳)。最明显体现这一问题的例子便是罗素的“归纳主义者火鸡”问题：火鸡在观察10天(数据集不完整)之后得出结论(代表预设条件不合理，超过10个确认数据即接受规则)，主人会在每天早上9点给它喂食;但接下来是平安夜的早餐，主人没有喂它而是宰了它。
所有算法类型尽管理念不同，但模型成功的关键都聚焦于“算法”和“数据”。事实上，如果跳出具体学派的思维束缚，每种机器学习算法都可被概括为“表示方法、评估、优化”这三个部分。[13]尽管机器可以不断的自我优化以提升学习能力，且原则上可以学习任何东西，但评估的方法和原则(算法)以及用以评估的数据(数据)都是人为决定的——而这也正是人工智能治理的关键所在。算法与数据不仅是人工智能发展逻辑的基石，其同样是治理的对象和关键。
总而言之，围绕“人工智能是否会取代人类”的争论事实上并无太大意义，更重要的反而是在廓清人工智能的内涵并理解其发展逻辑之后，回答“治理什么”和“如何治理”的问题。就此而言，明确治理对象为算法和数据无疑是重要的一步。但接下来的重要问题仍然在于，人工智能时代的崛起所带来的治理挑战究竟是什么?当前的制度设计是否能够对其做出有效应对?如果答案是否定的，我们又该如何重构治理体系以迎接人工智能时代的崛起?本文余下部分将对此做进一步的阐述。
二、人工智能时代崛起的治理挑战
不同于其他颠覆性技术，人工智能的发展并不局限于某一特定产业，而是能够支撑所有产业变革的通用型技术。也正因为此，其具有广泛的社会溢出效应，在政治、经济、社会等各个领域都会带来深刻变革，并将同时引发治理方面的挑战。具体而言，挑战主要体现在以下三个方面。
首先，治理结构的僵化性，即传统的科层制治理结构可能难以应对人工智能快速发展而形成的开放性和不确定性。之所以需要对人工智能加以监管，原因在于其可能成为公共危险的源头，例如当自动驾驶技术普及之后，一旦出现问题，便可能导致大规模的连续性伤害。但不同机、大型水坝、原子核科技等二十世纪的公共危险源，人工智能的发展具有极强的开放性，任何一个程序员或公司都可以毫无门槛的进行人工智能程序的开发与应用。这一方面是由于互联网时代的到来，使得基于代码的生产门槛被大大降低[14];另一方面，这也是人工智能本身发展规律的需要。正如前文所提到，唯有大规模的数据输入才可能得到较好的机器学习结果，因此将人工智能的平台(也即算法)以开源形式公开出来，以使更多的人在不同场景之下加以利用并由此吸收更多、更完备的数据以完善算法本身，就成为了大多数人工智能公司的必然选择。与此同时，人工智能生产模式的开放性也必然带来发展的不确定性，在缺乏有效约束或引导的情况下，人工智能的发展很可能走向歧途。面对这一新形势，传统的、基于科层制的治理结构显然难以做出有效应对。一方面，政府试图全范围覆盖的事前监管已经成为不可能，开放的人工智能生产网络使得监管机构几乎找不到监管对象;另一方面，由上至下的权威结构既不能传递给生产者，信息不对称问题的加剧还可能导致监管行为走向反面。调整治理结构与治理逻辑，并形成适应具有开放性、不确定性特征的人工智能生产模式，是当前面临的治理挑战之一。
再者，治理方法的滞后性，即长久以来建立在人类行为因果关系基础上的法律规制体系，可能难以适用于以算法、数据为主体的应用环境。人工智能的价值并不在于模仿人类行为，而是其具备自主的学习和决策能力;正因为如此，人工智能技术才不能简单地理解为其创造者(即人)意志的表达。程序员给出的只是学习规则，但真正做出决策的是基于大规模数据训练后的算法本身，而这一结果与程序员的意志并无直接因果关联。事实上也正由于这个特点，AlphaGo才可能连续击败围棋冠军，而其设计者却并非围棋顶尖大师。也正是在这个意义上，我们才回到了福柯所言的“技术的主体性”概念。在他看来，“技术并不仅仅是工具，或者不仅仅是达到目的的手段;相反，其是政治行动者，手段与目的密不可分”。[15]就此而言，长久以来通过探究行为与后果之因果关系来规范人的行为的法律规制体系，便可能遭遇窘境：如果将人工智能所造成的侵权行为归咎于其设计者，无疑不具有说服力;但如果要归咎于人工智能本身，我们又该如何问责一个机器呢?由此，如何应对以算法、数据为核心的技术主体所带来的公共责任分配问题，是当前面临的第二个治理挑战。
最后，治理范围的狭隘性，即对于受人工智能发展冲击而引发的新的社会议题，需要构建新的治理体系和发展新的治理工具。人工智能发展所引发的治理挑战不仅仅体现在现有体系的不适应上，同时还有新议题所面临的治理空白问题。具体而言，这又主要包括以下议题：算法是否能够享有言论自由的宪法保护，数据的权属关系究竟如何界定，如何缓解人工智能所可能加剧的不平等现象，以及如何平衡人工智能的发展与失业问题。在人工智能时代之前，上述问题并不存在，或者说并不突出;但伴随着人工智能的快速发展和应用普及，它们的重要性便日渐显著。以最为人所关注的失业问题为例，就技术可能性来说，人工智能和机器人的广泛应用代替人工劳动，已是一个不可否定的事实了。无论是新闻记者，还是股市分析员，甚至是法律工作者，其都有可能为机器所取代。在一个“充分自动化(Full Automation)”的世界中，如何重新认识劳动与福利保障的关系、重构劳动和福利保障制度，便成为最迫切需要解决的治理挑战之一。[16]
上述三方面共同构成了人工智能时代崛起所带来的治理挑战。面对这些挑战，各国也做出了相应的公共政策选择。本文第三部分将对各国人工智能的治理政策进行对比性分析。在此基础上，第四部分将提出本文的政策建议。
三、各国人工智能治理政策及监管路径综述
人工智能时代的崛起作为一种普遍现象，其所引发的治理挑战是各国面临的共同问题，各国也陆续出台了相关公共政策以试图推动并规范人工智能的快速发展。
美国于2016年同时颁布了《国家人工智能研究与发展战略规划》和《为人工智能的未来做好准备》两个国家级政策框架，前者侧重从技术角度指出美国人工智能战略的目的、愿景和重点方向，而后者则更多从治理角度探讨政府在促进创新、保障公共安全方面所应扮演的角色和作用。就具体的监管政策而言，《为人工智能的未来做好准备》提出了一般性的应对方法，强调基于风险评估和成本-收益考量的原则以决定是否对人工智能技术的研发与应用施以监管负担。[17]日本同样于2016年出台了《第五期(2016～2020年度)科学技术基本计划》，提出了“超智能社会5.0”的概念，强调通过推动数据标准化、建设社会服务平台、协调发展多领域智能系统等各方面工作促进人工智能的发展和应用。[18]
尽管美国和日本的政策着力点不同，但其共有的特点是对人工智能的发展及其所引发的挑战持普遍的包容与开放态度。就当前的政策框架而言，美日两国的政策目标更倾斜于推动技术创新、保持其国家竞争力的优势地位;当涉及对人工智能所可能引发的公共问题施以监管时，其政策选择也更倾向于遵循“无需批准式(permissionless)”的监管逻辑，即强调除非有充分案例证明其危害性，新技术和新商业模式默认为都是被允许的。[19]至于人工智能的发展对个人数据隐私、社会公共安全的潜在威胁，尽管两国的政策框架都有所涉及，却并非其政策重心——相比之下，英国、法国则采取了不同的政策路径。
英国政府2016年了《人工智能：未来决策制定的机遇与影响》，对人工智能的变革性影响以及如何利用人工智能做出了阐述与规划，尤其关注到了人工智能发展所带来的法律和伦理风险。在该报告中，英国政府强调了机器学习与个人数据相结合而对个人自由及隐私等基本权利所带来的影响，明确了对使用人工智能所制定出的决策采用问责的概念和机制，并同时在算法透明度、算法一致性、风险分配等具体政策方面做出了规定。[20]与英国类似，法国在2017年的《人工智能战略》中延续了其在2006年通过的《信息社会法案》的立法精神，同样强调加强对新技术的“共同调控”，以在享有技术发展所带来的福利改进的同时，充分保护个人权利和公共利益。[21]与美日相比，英法的公共政策更偏向于“审慎监管(precautionary)”的政策逻辑，即强调新技术或新的商业模式只有在开发者证明其无害的前提下才被允许使用。[22]
在本文看来，无论是“无需批准式监管”还是“审慎监管”，在应对人工智能时代崛起所带来的治理挑战方面都有其可取之处：前者侧重于推动创新，而后者则因重视安全而更显稳健。但需要指出的是，这两种监管路径的不足却也十分明显。正如前文第二部分所指出，一方面，快速迭代的技术发展与商业模式创新必将引发新的社会议题，无论是算法是否受到言论自由的权利保护还是普遍失业对社会形成的挑战，它们都在客观上要求公共政策做出应对，而非片面的“无需批准式监管”能够处理。更重要的是，“无需批准式监管”的潜在假设是事后监管的有效性;然而，在事实上，正如2010年5月6日美国道琼斯工业指数“瞬间崩盘”事件所揭示的，即使单个电子交易程序合规运行，当各个系统行为聚合在一起时反而却造成了更大的危机。[23]在此种情形下，依赖于合规性判断的“事后监管”基本上难以有效实施。另一方面，人工智能本身的自主性和主体性使得建立在人类行为因果关系基础上的“审慎监管”逻辑存在天然缺陷：既然人类无法预知人工智能系统可能的行为或决策，开发者又如何证明人工智能系统的无害性?
正如本文所反复强调的，人工智能与其他革命性技术的不同之处，正是在于其所带来的社会冲击的综合性和基础性。人工智能并非单个领域、单个产业的技术突破，而是对于社会运行状态的根本性变革;人工智能时代的崛起也并非一夜之功，而是建立在计算机革命、互联网革命直至数字革命基础上的“奇点”变革。因此，面对人工智能时代崛起所带来的治理挑战，我们同样应该制定综合性的公共政策框架，而非仅仅沿袭传统治理逻辑，例如只是针对具体议题在“创新”与“安全”这个二元维度下进行艰难选择。本文在第四部分从承认技术的主体性、重构社会治理制度、推进人工智能全球治理这三方面提出了政策建议，并希望以此推动更深入地围绕人工智能时代公共政策选择的研究与讨论。
四、人工智能时代的公共政策选择
《新一代人工智能发展规划》明确提出了到2030年我国人工智能发展的“三步走”目标，而在每一个阶段，人工智能法律法规、伦理规范和政策体系的逐步建立与完善都是必不可少的重要内容。面对人工智能时代崛起的治理挑战，究竟应该如何重构治理体系、创新治理机制、发展治理工具，是摆在决策者面前的重要难题。本文基于对人工智能基本概念和发展逻辑的梳理分析，结合各国已有政策的对比分析，提出以下三方面的改革思路，以为人工智能时代的公共选择提供参考。
第一，人工智能发展的基石是算法与数据，建立并完善围绕算法和数据的治理体系与治理机制，是人工智能时代公共政策选择的首要命题，也是应对治理挑战、赋予算法和数据以主体性的必然要求。(1)就算法治理而言，涉及的核心议题是算法的制定权及相应的监督程序问题。算法作为人工智能时代的主要规则，究竟谁有权并通过何种程序来加以制定，谁来对其进行监督且又如何监督?长久以来公众针对社交媒体脸书(Facebook)的质疑正体现了这一问题的重要性：公众如何相信脸书向用户自动推荐的新闻内容不会掺杂特殊利益的取向?[24]当越来越多的人依赖定制化的新闻推送时，人工智能甚至会影响到总统选举。也正因为此，包括透明要求、开源要求在内的诸多治理原则，应当被纳入到算法治理相关议题的考虑之中。(2)就数据治理而言，伴随着人工智能越来越多地依赖于大规模数据的收集与利用，个人隐私的保护、数据价值的分配、数据安全等相关议题也必将成为公共政策的焦点。如何平衡不同价值需求、规范数据的分享与应用，也同样成为人工智能时代公共政策选择的另一重要抓手。
第二，创新社会治理制度，进一步完善社会保障体系，在最大程度上缓解人工智能发展所可能带来的不确定性冲击。与历史上的技术革命类似，人工智能的发展同样会导致利益的分化与重构，而如何保证技术革命成本的承受者得到最大限度的弥补并使所有人都享有技术发展的“获得感”，不仅是社会发展公平、正义的必然要求，也是促进技术革命更快完成的催化剂。就此而言，在人工智能相关公共政策的考量中，我们不仅应该关注产业和经济政策，同时也应该关注社会政策，因为只有后者的完善才能够控制工人或企业家所承担的风险，并帮助他们判断是否支持或抵制变革的发生。就具体的政策设计来说，为缓解人工智能所可能带来的失业潮，基本收入制度的普遍建立可能应该被提上讨论议程了。“基本收入”是指政治共同体(如国家)向所有成员不加任何限制条件地支付一定数额的收入，以满足其基本生活的需求。尽管存在“养懒汉”的质疑，但有研究者已指出，自18世纪就开始构想的基本收入制度很有可能反过来促进就业。[25]芬兰政府已经于2017年初开始了相关实验，美国的一些州、瑞士也做出了一定探索。在人工智能时代尚未完全展现其“狰容”之前，创新社会治理机制、完善社会保障体系，可能是平衡技术创新与社会风险的最佳路径。
第三，构建人工智能全球治理机制，以多种形式促进人工智能重大国际共性问题的解决，共同应对开放性人工智能生产模式的全球性挑战。人工智能的发展具有开放性和不确定性的特征，生产门槛的降低使得人工智能技术研发的跨国流动性很强，相关标准的制定、开放平台的搭建、共享合作框架的形成，无不要求构建相应的全球治理机制。另一方面，跨境数据流动在广度和深度上的快速发展成为了人工智能技术进步的直接推动力，但各国数据规制制度的巨大差异在制约跨境数据流动进一步发展的同时，也将影响人工智能时代的全面到来。[26]故此，创新全球治理机制，在承认各国制度差异的前提下寻找合作共享的可能性，便成为人工智能时代公共政策选择的重要考量之一。就具体的机制设计而言，可以在人工智能全球治理机制的构建中引入多利益相关模式;另一方面，为防止巨头垄断的形成，充分发挥主权国家作用的多边主义模式同样不可忽视。作为影响深远的基础性技术变革，互联网全球治理机制的经验和教训值得人工智能发展所借鉴。
上述三方面从整体上对人工智能时代的公共政策框架做出了阐述。与传统政策局限于“创新”与“安全”之间做出二维选择不同，本文以更综合的视角提出了未来公共政策选择的可能路径。就其内在联系来讲，建立并完善围绕算法和数据的治理体系是起点，其将重构人工智能时代的规则与制度;创新社会治理机制并完善社会保障体系是底线，其将缓解人工智能所带来的影响与波动;构建全球治理机制则成为了制度性的基础设施，推动各国在此之上共同走向人工智能时代的“人类命运共同体”。
五、结语
在经历了60余年的发展之后，人工智能终于在互联网、大数据、机器学习等诸多技术取得突破的基础上实现了腾飞。在未来的人类生活中，人工智能也必将扮演越来越重要的角色。对于这样的图景，我们自不必惊慌，但却也不可掉以轻心。对于人工智能的治理，找到正确的方向并采取合理的措施，正是当下所应该重视的政策议题。而本文的主旨也正在于此：打破长久以来人们对于人工智能的“笼统”式担忧，指出人工智能技术发展的技术逻辑及其所引发的治理挑战，并在此基础上提出相应的政策选择。人工智能治理的这三个基本问题，是重构治理体系、创新治理机制、发展治理工具所必须思考的前提。伴随着我国国家层面战略规划的出台，我国人工智能的发展也必将跃上新台阶。在此背景下，深入探讨人工智能治理的相关公共政策议题，对于助推一个人工智能时代的崛起而言，既有其必要性，也有其迫切性。（来源：中国行政管理 文/贾开 蒋余浩 编选：中国电子商务研究中心）
[参考文献]
[1]国务院关于印发新一代人工智能发展规划的通知[EB/OL]. http：//gov.cn/zhengce/content/2017-07/20/content_5211996.htm.
[2]霍金. AI可能成就或者终结人类文明[EB/OL].http：//raincent.com/content-10-7672-1.html.
[3] Elon Musk. Artificial Intelligence is Our Biggest Existential Threat. https：//theguardian.com/technology/2014/oct/27/elon-musk-artificial-intelligence-ai-biggest-existential-threat.
[4] Microsoft's Bill Gates Insists AI is A Threat. http：//bbc.com/news/31047780. 2017-8-14.
[5] [以]赫拉利.人类简史[M].北京：中信出版社，2014.
[6] The President in Conversation With MIT’s Joi Ito and WIRED’s Scott Dadich. https：//wired.com/2016/10/president-obama-mit-joi-ito-interview/. 2017-8-14.
[7] Turing，A. M. Computing Machinery and Intelligence. Mind，1950，59(236).
[8] [9][10] McCarthy，J.What is Artificial Intelligence. URL：http：//www-formal.stanford.edu/jmc/whatisai/whatisai.html.
[11] [12][13] [美]佩德罗-多明戈斯.终极算法：机器学习和人工智能如何重塑世界[M].黄芳萍译.北京：中信出版社，2016.
[14] Benkler，Y. The Wealth of Networks：How Social Production Transforms Markets and Freedom. Yale University Press，2006.
[15] Foucoult，M. Discipline and Punish. A. Sheridan，Tr.，Paris，FR，Gallimard，1975.
[16] Srnicek，N.，& Williams，A. The Future isn't Working. Juncture，2015，22(3)：243-247.
[17] Preparing for the Future of Artificial Intelligence. https：//obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf. 2017-8-14.
[18]薛亮.“日本推动实现超智能社会‘社会5.0’”[EB/OL]. http：//istis.sh.cn/list/list.aspx?id=10535.
[19] Thierer，A. Permissionless Innovation：The Continuing Case for Comprehensive Technological Freedom. Mercatus Center at George Mason University，2016.
[20] Artificial Intelligence：Opportunities and Implications for the Future of Decision Making.https：//gov.uk/government/uploads/system/uploads/attachment_data/file/566075/gs-16-19-artificial-intelligence-ai-report.pdf.
[21]周衍冰.大数据产业在法国的发展及应用[N].学习时报，2014-11-03.
[22] Thierer，A. D.，& Watney，C. J. Comment on the Federal Automated Vehicles Policy，2016.
[23] [美]杰瑞·卡普兰.人工智能时代：人机共生下财富、工作与思维的大未来[M].杭州浙江人民出版社，2016.
[24] Marcel Rosenbach. How Google and Facebook Can Reshape Elections.http：//spiegel.de/international/germany/google-and-facebook-could-help-decide-2017-german-election-a-1120156.html.
[25] Van Parijs，P. Basic Income：A Simple and Powerful Idea for the Twenty-first Century. Politics & Society，2004，32(1).
