读人工智能全球格局：未来趋势与中国位势18专家视角(下)

1. 伦理研究

1.1. 刘哲

• 1.1.1. 北京大学哲学系副主任、长聘副教授

• 1.1.2. 《中国机器人标准化白皮书》

1.2. 法律规制具有一定的滞后性，当人工智能和机器人带来的现实问题还未出现的时候，是很难从法律方面进行监管的

1.3. 从英美这些国家的做法来看，它们意图把伦理价值融入人工智能和机器人技术设计初期，而不是等事情发生了再去敲打

1.4. 伦理难题

• 1.4.1. 对于工业机器人，大家首先关注的是它的安全问题

• 1.4.1.1. 协作型机器人出现之前，发生过一些严重的机器人事故，各国都有

• 1.4.1.2. 就业人员的素质不是一两天就能够培训出来的，也不是单纯靠技术知识灌输就可以获得的

• 1.4.2. 在工厂和车间中，当机器人和人进行协作作业时，工人在生产流程中被安排在什么样的位置是非常重要的

• 1.4.3. 当协作机器人大量进入工业生产中时，人与人之间的协作交流机会会大大减少，这容易造成很多人员心理方面的问题，也是需要我们重点考量的

• 1.4.4. 如果把大量机器人派到战场上，这是否会大大降低发动战争的门槛，而并非减少战争？

1.5. 即便在人类社会中，我们的道德规则体系之间也常常相互冲突

• 1.5.1. 包括两类现代伦理体系—义务论和后果主义这样的伦理原则冲突，也包括古典美德伦理和现代伦理的冲突

• 1.5.2. 不仅涉及东西方文化差异，还涉及非洲和拉美这些地域的文化差异

• 1.5.3. 如果人们在价值体系、所诉求的道德原则以及行为准则方面，均展示出巨大的文化差异，在这种情况下，应该为机器人嵌入什么样的伦理原则？

2. 量子人工智能

2.1. 邓东灵

• 2.1.1. 清华大学交叉信息研究院助理教授

2.2. 研究现状

• 2.2.1. 人工智能里面一些优化问题可以用量子退火机(quantum annealer)来解决

• 2.2.2. 量子人工智能主要是用量子算法解决一些经典的人工智能问题，这样数据是经典的，算法是量子的

• 2.2.3. 可以用人工智能解决复杂的量子问题

• 2.2.3.1. 求解量子多体哈密顿量的基态能量问题，也可以借助人工智能的方法

• 2.2.4. 算法是量子的，数据也是量子的，但这一领域目前还没有实质性进展

2.3. 清华大学交叉信息研究院段路明教授课题组提出了量子生成模型，是量子学习算法理论方面的一个突破

• 2.3.1. 证明了量子生成模型，相比于经典生成模型，在表示能力、预测能力、学习能力三个方面，都可以有指数加速

2.4. 对抗神经网络是机器学习的前沿热点问题，在机器学习会议上，大概有多于一半的论文都在讨论生成式对抗网络

2.5. 量子霸权

• 2.5.1. 如果我们有一个量子计算机，当完全可操控的量子比特达到70多个的时候，这时有一些问题用经典计算机是完全没有办法解决的，哪怕是使用神威·太湖之光超级计算机

• 2.5.2. 只有量子计算机能解决这些问题，这就是“量子霸权”​

2.6. 量子人工智能研究国内刚刚起步，人才基本没有，不是稀缺，而是奇缺

3. 产业环境

3.1. 张涛

• 3.1.1. 华为产业战略与政策部高级产品经理

3.2. 人工智能四大独角兽企业（旷视科技、商汤科技、寒武纪、依图科技）的核心人员均有美国硅谷的背景，他们基于学术界的理论算法研究，借助美国本地基础训练数据库进行快速研究孵化，孵化完成后将算法带回国，在风险投资的助力下，快速进行产业化，并得到相应的财务回报

• 3.2.1. 孵化过程中美国优于我国的产业环境

3.3. 美国在个人数据和隐私保护上做得比较好，包括未来将数据转移至云计算后的数据共享，美国已经有云计算服务相关的法规，对相关数据保护做了规定

3.4. 美国有良好的数据交换和分享机制，相对独立的第三方数据分享机制和公司实体对产业孵化有很强的促进作用，值得我们借鉴

3.5. 美国有合理的公共数据共享机制

3.6. 我国人工智能发展两大挑战

• 3.6.1. 人工智能对数据的巨大需求与个人隐私保护以及数据主权之间的矛盾

• 3.6.1.1. 我们是全球最大的数字消费市场之一，但没有相应的隐私保护机制

• 3.6.1.2. 我们有全产业链的生产制造体系，但很多核心生产设备还依赖进口

• 3.6.2. 如何建立有效的数据交换和共享机制，推动人工智能产业的孵化和发展

3.7. 四点建议

• 3.7.1. 明确数据主权和数据隐私保护，在进行相关规则制定时，要对当前产业链现状进行综合考量

• 3.7.2. 建立相应数据共享和交易机制。市场对数据有需求，但是没有相关数据交易规则，企业不敢去从事相关数据的交易，因为后果难以承担

• 3.7.3. 政府应考虑设定机制，将部分公共数据提供给产学研使用

• 3.7.4. 政府应基于某些场景推动建立公共训练数据库

• 3.7.4.1. 图像识别的快速孵化就是因为美国拥有公共的数据集供训练，国内初创公司依图、旷视都是在美国进行了初始的训练，然后在中国应用过程中不断地完善

• 3.7.4.2. 我国也应该在众多行业领域逐步建立数据训练集

3.8. 防止发生数据垄断，保持数据存储中立性，并制定涵盖人工智能数据流通、共享和交易全流程的相关法规

4. 十大最具成长性技术展望

4.1. 对抗性神经网络

• 4.1.1. 对抗性神经网络指由一个不断产生数据的神经网络模块与一个持续判别所产生数据是否真实的神经网络模块组成的神经网络架构，创造出近似真实的原创图像、声音和文本数据的技术

• 4.1.2. 有望大幅提升机器翻译、人脸识别、信息检索的精度和准确性，随着三维模型数据序列能力的提升，未来将在自动驾驶、安防监控等领域产生可观的应用价值

4.2. 胶囊网络

• 4.2.1. 在深度神经网络中构建多层神经元模块，用以发现并存储物体详细空间位置和姿态等信息的技术

• 4.2.2. 使机器在样本数据较少的情形下，快速识别不同情境下的同一对象，在人脸识别、图像识别、字符识别等领域具有广阔的应用前景

4.3. 云端人工智能

• 4.3.1. 将云计算的运作模式与人工智能深度融合，在云端集中使用和共享机器学习工具的技术

• 4.3.2. 将庞大的人工智能运行成本转移到云平台，能够有效降低终端设备使用人工智能技术的门槛，有利于扩大用户群体，未来将广泛应用于医疗、制造、能源、教育等多个行业和领域

4.4. 深度强化学习

• 4.4.1. 将深度神经网络和具有决策能力的强化学习相结合，通过端到端学习的方式实现感知、决策或感知决策一体化的技术

• 4.4.2. 具有无需先验知识、网络结构复杂程度低、硬件资源需求少等特点，能够显著提升机器智能适应复杂环境的效率和韧性，将在智能制造、智能医疗、智能教育、智能驾驶等领域拥有广阔发展前景

4.5. 智能脑机交互

• 4.5.1. 过在人脑神经与具有高生物相容性的外部设备间建立直接连接通路，实现神经系统和外部设备间信息交互与功能整合的技术

• 4.5.2. 采用人工智能控制的脑机接口对人类大脑的工作状态进行准确分析，达到促进脑机智能融合的效果，使人类沟通交流的方式更为多元和高效，未来将广泛应用于临床康复、自动驾驶、航空航天等多个领域

4.6. 对话式人工智能平台

• 4.6.1. 融合语音识别、语义理解、自然语言处理、语音合成等多种解决方案，为开发者提供具备识别、理解及反馈能力的开放式平台的技术

• 4.6.2. 能够实现机器与人在对话服务场景中的自然交互，未来有望在智能可穿戴设备、智能家居、智能车载等多个领域得到大规模应用

4.7. 情感智能

• 4.7.1. 利用人工智能手段模拟表情、语气、情感等类人化情绪响应，以打造具有情绪属性的虚拟形象的技术

• 4.7.2. 可赋予机器设备更好的对人类情感的识别、理解和引导能力，为用户带来更具效率和人性化的交互体验，未来将在智能机器人、智能虚拟助手等领域得到更为频繁和深入的应用

4.8. 神经形态计算

• 4.8.1. 仿真生物大脑神经系统，在芯片上模拟生物神经元、突触的功能及其网络组织方式，赋予机器感知和学习能力的技术

• 4.8.2. 目标在于使机器具备类似生物大脑的低功耗、高效率、高容错等特性，将在智能驾驶、智能安防、智能搜索等领域拥有广阔应用前景

4.9. 元学习

• 4.9.1. 将神经网络与人类注意机制相结合，构建通用算法模型，使机器智能具备快速自主学习能力的技术

• 4.9.2. 使机器智能真正实现自主编程，显著提升现有算法模型的效率与准确性，未来的进一步应用将成为促使人工智能从专用阶段迈向通用阶段的关键

4.10. 量子神经网络

• 4.10.1. 采用量子器件搭建神经网络，优化神经网络结构和性能的技术

• 4.10.2. 充分利用了量子计算超高速、超并行、指数级容量的特点，有效缩短了神经网络的训练时间，未来将在人脸识别、图像识别、字符识别等领域具有重要的应用价值和广阔的前景