【文萃】前沿技术创新与新兴产业演进规律探析——以人工智能为例

    一、前沿技术创新的规律
    （一）技术演进路线的不确定性
    科学发现和技术发明是新兴产业形成与发展壮大的基础，但技术演进的路线从来都不是直线向前的，从最初的基础科学被提出到最终产业化主导设计的确立都面临着巨大的不确定性。技术创新路径的不确定性在产业化之前表现得尤为明显。林毅夫指出，当新的投资机会出现时，企业会像浪潮般涌向这个领域，出现所谓的潮涌现象。实际上，潮涌现象不仅发生在产业领域，在技术创新领域同样存在。当科技工作者发现一个具有重大前景的研究领域时，其会最先蜂拥而入；政府、科学基金会、风投机构、企业继而发现技术的产业化前景也会加大研发投入，使研发阶段的潮涌现象比产业化阶段的更为突出。在技术产业化之前或竞争前阶段，新科技的基本原理尚不清晰，需要在摸索和试错中不断向自然规律靠近。由于科研机构、科研人员的学术背景和研究基础大相径庭，他们会利用各自的优势从不同的角度对自然现象作出解释、对产品原型进行构建，因而就会出现多种不同的技术路线先后涌现、相互竞争的局面。人工智能技术发展的历史非常典型地呈现出技术演进路线的不确定性、潮涌现象以及多条技术路线竞争的特征。
    （二）多学科融合与技术演进
    1．数学与逻辑学构成人工智能的基石
    数学和逻辑学对计算机科学的发展起到决定性作用。图灵提出，是否能在数学上给“可计算”下一个精确定义，然后用数学手段来研究万事万物的可计算性?这便是计算机的理论先导。20世纪40年代起，图灵开始思考依据什么标准判断一台机器是否具有智能。他从行为主义的角度，将智能等同于符号运算的智能表现。美国科学家诺依曼将图灵理论物化成为实际的物理实体，完成初步计算机硬件体系结构的构建。他展示了“逻辑理论家”（Logic Theorist）计算机程序，用于代替人类进行自动推理来证明数学定理，人类历史上首个人工智能程序在纯数学学科上实现了突破。
    2．控制论和信息论构成人工智能的理论基础
    人工智能研究应用了控制原理和方法，主要包含三类理论：一是对人工大脑反馈机制的研究。二是对模式识别的研究。三是对如何利用电子计算机，在给定条件下对某些复杂的系统进行鉴别和分类进行研究。20世纪中叶，信息论出现。申农在信息编码与概率论的基础上，研究了信号传输中的波形与干扰。当代的信息科学技术是在申农工作的基础上，进一步研究如何实现信号采集、传输、存储、处理，并从中提取和使用深层次信息。作为信息通信和计算机科学的一个重要思潮，信息论成为深度学习和人工智能的重要理论来源。
    3．生物学推动了人工智能研究的突破
    生物进化理论的提出是现代生物学诞生的重要标志。1809年拉马克提出的进化学说、1859年达尔文提出的进化论以及1865年孟德尔提出的遗传学都揭示了生物物种是一种复杂系统，其进化中体现出了奇妙的自适应、自组织和自优化能力，这是一种生物进化中的智能，也是人工智能研究行为主义学派的理论基础。对脑科学的研究则成为人工智能研究的连接主义学派的理论基础。
    需要说明的是，人工智能的不同技术路线、构成人工智能基础的不同学科之间不是彼此隔离的，而是互相吸收思想、彼此融合互补，共同推动了人工智能技术的发展与产业化。
    二、新兴产业演进的规律
    （一）产业化的曲折历程
    人工智能产业化过程中的主导设计或领先技术路线出现了数次反复。从人工智能的概念被提出到20世纪90年代，符号主义学派的专家系统是人工智能产业化的主流技术路线。但专家系统自身存在的短板制约了人工智能大规模产业化的推进。另外，受到当时的理论模型、生物原型和技术条件的限制，连接主义因为不足以解决现实问题而在20世纪70年代后期至80年代初处于低潮。2000年，两位俄罗斯科学家万普尼克和切沃内基斯提出了统计学习理论，并进一步提出了支持向量机模型。2006年，辛顿发表深度信念网络论文。至此，沿着连接主义路线推进人工智能产业化的理论障碍被清除。
    然而，人工智能的产业化仍然不是一帆风顺的。就目前而言，人工智能在视觉识别、语音识别领域的实用性较强，但是在制造业、医疗等一些更加复杂化、系统化且对精度、稳定性要求更高的领域，人工智能的产业化仍未打破技术、制度、政策等方面的瓶颈。此外，作为人工智能主流技术路线的深度学习方法属于“大数据、小任务”（Big Data for Small Task）的范式，这种方法存在两个方面的不足：一是经过大数据训练的人工智能系统只能适应特定场景的任务，在其他领域则无所作为。二是现实中的场景并非都能提供大量的数据用于深度学习，这就需要小样本学习技术的发展以提高人工技术的适应性、扩大使用范围。
    （二）互补技术与产业发展
    1．人工智能的产业化得益于数据的丰富和算力的增强
    基于深度学习的人工智能的商业化建立在计算机处理能力和运算速度的提高以及海量数据的可获得性的基础之上。深度学习通过构建多层的机器学习模型，进行大量数据素材的训练，从中高效地寻找新规律或新知识，并发掘数据中更关键的特征，进而提升分类和预测的精度。
    2．人工智能对经济增长和生产率的影响尚未完全显现
    人工智能与产业革命时期产生的一批通用目的技术（General Purpose Technologies）一样，会对经济、社会产生重大影响，成为推动经济增长的重要动力。然而，通用目的技术对经济增长的作用往往并不是在其商业化初期就能够充分显现的，而是需要配套或互补技术的协同发展作为配合。但是由于互补性创新活动广泛分布于经济中，其难以为通用目的技术和应用领域提供充分的创新激励。如同计算机对生产率的贡献在很长时期以后才得以显现一样，人工智能技术对经济增长和国民经济各个产业的影响效果的显现也需要一个过程，特别是需要人工智能互补技术以及相关产业与人工智能相融合的技术进一步发展的推动。
    3．政府与前沿技术产业化
    在现代经济中，前沿技术的推进与产业化需要高昂的投资，存在巨大的不确定性风险，且正外部性显著，单靠企业的力量会存在投资规模不足的问题。因此，对前沿技术给予支持成为世界各国的普遍做法。技术推动和需求拉动是新技术产业化的两种主要驱动力，且二者是高度关联的。两种驱动力作为一个整体，都是创新过程所必须的条件。政府对于前沿技术的支持，不仅体现在研发经费和人员方面的支持，而且还体现在通过各种形式创造市场，以促进前沿技术在应用中发展、提高。
    三、人工智能未来发展展望
    目前，人工智能已经在许多产业领域获得应用，在效率提升、质量改善、人工节约和物料节省等方面发挥了重要的作用。虽然由于技术、法律、政策和习惯等方面的约束，人工智能的发展和应用还存在许多限制，但成长潜力巨大、发展空间广阔。同时，由于人工智能产业的增长速度显著高于国民经济的平均水平，因而成为新旧动能转换和高质量发展的重要推动力。而且随着人工智能产业规模的扩大与被赋能产业配套技术的完善，推动力将会不断增长。对于人工智能未来发展的主流看法倾向于正向，但是也有一些人（包括盖茨、霍金、马斯克等知名人士）担心人工智能对就业的替代，甚至逆转人与机器之间的关系成为人类的主宰。
    人工智能技术既有其优势，也存在其不足。从优势来看，如果说，机器替代人是以机械能取代生物能，将人类从繁重的工作中解放出来，自动化的发展将人类从重复的工作中解放出来，那么，人工智能则将人类从海量数据的分析工作中解放出来。然而，深度学习仍然无法代替人类的思维，特别是人类在创新中的作用。随着人工智能技术的不断发展，未来的创新与生产活动更可能是将人工智能的数据分析优势与人类的想象力结合起来，由人工智能系统与天才的人类科学家一起合作创新，并与人类工程师一起协作生产。
    四、结论与对策建议
    尽管以2016年AlphaGo打败人类围棋世界冠军为标志进入产业化的爆发阶段，但是人工智能技术本身仍存在尚未解决的理论问题，在制度、政策等方面也存在制约，其成功商业化应用的领域仍比较有限。未来人工智能技术的发展空间巨大，但人工智能技术向其他产业部门的扩散、渗透与融合并最终充分发挥“使能”（Enabling）效果将经历一个曲折漫长的过程。
    笔者认为，加快人工智能产业的发展、促进赋能效果的实现并使其成为新旧动能转换和高质量发展的重要动力，需要政府从以下六个方面给予支持：第一，加强对人工智能及配套技术的基础理论研究、产业共性技术的研发投入支持。第二，加强人工智能应用环境的建设。第三，加强对传统产业部门数字化改造的支持。第四，通过政府采购、国防采办为人工智能技术的新应用领域或新一代人工智能技术提供早期市场支持。第五，完善创新创业环境，深化科技体制改革，给科学家、企业家提供更加宽容的研究环境和更加完善的创业空间。第六，加强国际合作，推进构建覆盖全面、导向明确、规范有序、协调一致的科技伦理治理体系，防范人工智能在内的新一代信息技术对经济、社会的负面影响，促进科技向善。
    （作者单位：中国社会科学院工业经济研究所；中国社会科学大学研究生院。《财经问题研究》2019年12期，中国社会科学网 闫琪/摘）