据了解，事实上，人工智能技术作为学科起源于20世纪50年代，比如“人工智能之父”McCarthy等人在50年代提出人工智能；决策树模型起源于上世纪50至60年代，当前广为应用的神经网络模型、Q学习强化学习算法则起源于20世纪80年代。但人工智能技术要想达到媲美人类决策的精准度，需要大量训练（经验）数据和高额算力，因此直到2000年以后，人工智能技术才得以实现跨越式发展。

 

在大量数据与高额算力的加持下，部分人工智能技术已可替代人类做出大规模的精确决策，也取代了越来越多的人工岗位。从目前的影响来看，一方面，机器学习应用的确替代了部分传统劳动力，产生了劳动挤出效应：自动化机器人让生产流程趋于无人化，自然语言处理技术可较好完成大部分的翻译乃至信息提取工作，机器学习算法甚至能更准确地定性小分子化合物性质，从一定程度上减轻了大规模重复性工作所需要的劳动力和时间消耗。

 

另一方面，同此前历次技术革命一样，机器学习的兴起在提高社会生产效率的同时，也为社会创造了全新的工作岗位。从工业革命诞生以来，汽轮机代替马夫、车夫，纺织机代替纺织工人，有线电话、无线电报代替邮差，电子计算机通过代替手摇计算机，节省了大量手工演算。但需要注意的是，每一次的科技进步并没有造成社会大量失业，反而会通过提升传统行业生产效率和技术革新改变原有社会生产组织结构、产生新的业态。科技进步在改变行业企业生产技术的同时，也在改变传统行业工作内容，新的岗位需求随之产生。

 

和任何其他的技术创新一样，机器学习技术对于不同行业、不同岗位均存在不同程度的影响。对于那些从事生产流程化较强的岗位，机器学习的冲击无疑是颠覆性的。但对于那些需要统筹、创新、互动类的岗位，机器学习在当前阶段尚无法构成显著冲击。

 

此外，我们也需要意识到，人工智能算法当前依旧不能达到“智能”水平。任何一项技术都伴随安全风险，人工智能算法本身同样存在风险，如大部分监督学习算法尚无清晰的逻辑生成过程，这不仅使研究人员无法对算法进行有效干预，也使人工智能算法在训练和预测阶段变得不那么稳健。举一个简单的例子，在一个分类算法中，我们在一张三寸大小猫咪照上改变一个像素点，就可能使计算机算法将猫咪识别为其他物品，这类做法被称为逆向攻击，涉及人工智能技术风险。

 

如同其他新兴行业发展初期一样，由于前期监管未及时到位，部分企业会不当利用其在数据、算力和算法上的前期优势，导致出现人工智能技术滥用、部分头部企业垄断性经营、隐私数据泄露甚至是过度依赖算法决策引发的企业运营风险等，这便是人工智能技术的应用风险和衍生风险。

 

因此，如何发展引领这一战略性行业成为当下的重中之重——我们需要思考如何在经济智慧化转型期间发挥好政府的社会兜底功能，如何在私营行业的算力和科技水平超过监管机构时规范其运行等问题。

 

作者： 北京大学经济学院研究员 王熙  来源： 《光明日报》