人工智慧與倫理的相關論文

　　谷歌公司的AlphaGo與韓國棋聖李世石的人機圍棋巔峰對決，以AlphaGo 4比1的壓倒性勝利落下帷幕。這個比賽結果不僅向全世界展示了人工智慧的強大實力與巨大應用潛力，也在人類社會引起了不小的恐慌和憂慮。以下是小編整理分享的的相關文章，歡迎閱讀!

　　篇一

　　人工智慧是否終將超越人類智慧

　　【摘要】谷歌公司的AlphaGo與韓國棋聖李世石的人機圍棋巔峰對決，以AlphaGo 4比1的壓倒性勝利落下帷幕。這個比賽結果不僅向全世界展示了人工智慧的強大實力與巨大應用潛力，也在人類社會引起了不小的恐慌和憂慮。人們開始認真思考：人工智慧將會給人類社會帶來哪些進步及挑戰? 機器智慧最終會否超越人類智慧?要想回答這些問題，我們首先需要了解人工智慧的本質及其基本原理。本文首先對人工智慧領域裡最受世人矚目的研究成果――深度學習卷積神經網路――做一個簡單描述，進而圍繞機器學習的本質及其基本原理進行探討。接下來，通過對人腦認知機理最新研究成果的概括介紹，揭示機器智慧與人類智慧的本質差異，比較兩種智慧的優劣。通過優劣勢比較，試圖找出針對上述問題的答案。

　　關鍵詞】人工智慧 AlphaGo 神經突觸 機器學習 模式識別

　　【中圖分類號】TP18 【文獻標識碼】 A

　　【DOI】10.16619/jki.rmltxsqy.2016.07.002

　　2016年3月9～15日，谷歌公司研發的AlphaGo圍棋軟體與韓國棋聖李世石進行了五場人機對決，AlphaGo以4比1的比分取得了壓倒性的勝利。這個比賽結果不僅震驚了整個圍棋界，也讓人工智慧領域的許多專家學者跌破眼鏡，更讓人工智慧走出象牙塔，成為許多普通百姓茶餘飯後的熱點話題。這場人機圍棋巔峰對決不僅向全世界展示了人工智慧的強大實力與巨大應用潛力，也在人類社會引起了不小的恐慌和憂慮。人們開始認真思考以下這些問題：機器智慧最終會超越人類智慧嗎?人工智慧將會如何改變人類社會?未來的智慧機器會像電影《終結者》裡所描述的那樣試圖主宰人類、甚至消滅人類嗎?要想回答這些問題，我們首先需要了解人工智慧的本質及其基本原理，進而討論其發展的規律和前景。當前，人工智慧領域最前沿的分支學科當屬機器學習分支。本文首先對機器學習分支中最受世人矚目的研究成果――深度學習卷積神經網路――做一個簡單綜述，進而圍繞機器學習的本質及其基本原理進行探討。接下來，通過對人腦認知機理最新研究成果的概括介紹，揭示機器智慧與人類智慧的本質差異，比較兩種智慧的優勢與劣勢。通過機器智慧與人類智慧的優劣勢比較，試圖找出上述幾個問題的答案。

　　深度學習卷積神經網路

　　過去幾年裡，深度學習卷積神經網路所取得的成就足以使它成為人工智慧王冠上最光彩奪目的明珠。基於深度學習卷積神經網路的語音識別系統把語音識別的精度提高到了產品級的精度，從而為人類與計算機及各種智慧終端之間提供了一種嶄新的、更為便捷的互動方式。將深度學習卷積神經網路應用於影象內容及人臉的識別，科學家們取得了能夠與人類視覺系統相媲美的識別精度。戰勝韓國棋聖李世石的谷歌圍棋軟體AlphaGo能夠取得如此輝煌的戰績，深度學習卷積神經網路也發揮了關鍵性的作用。接下來，我們對深度學習卷積神經網路的起源及其原理做一個簡單介紹。

　　腦神經科學領域的大量研究表明，人腦由大約1011個神經細胞及1015個神經突觸組成，這些神經細胞及其突觸構成一個龐大的生物神經網路。每個神經細胞通過突觸與其它神經細胞進行連線與資訊傳遞。當通過突觸所接收到的訊號強度超過某個閾值時，神經細胞便會進入啟用狀態，並通過突觸向上層神經細胞傳送啟用訊號。人類所有與意識及智慧有關的活動，都是通過特定區域神經細胞之間的相互啟用與協同工作而實現的。

　　早於1943年，美國心理學家W.S. McCulloch和數學家W. A. Pitts就在他們的論文中提出了生物神經元的計算模型簡稱M-P①模型，為後續人工神經網路的研究奠定了基礎。M-P模型的結構如圖1a所示，它包含n個帶有權重的輸入，一個輸出，一個偏置b和一個啟用函式組成。n個輸入代表來自下層n個神經突觸的資訊，每個權重W代表對應突觸的連線強度，啟用函式通常採用擁有S-型曲線的sigmoid函式參見圖1b，用來模擬神經細胞的啟用模式。

　　早期的人工神經網路大都是基於M-P神經元的全連線網路。如圖2所示，此類網路的特點是，屬於同一層的神經元之間不存在連線;當前層的某個神經元與上一層的所有神經元都有連線。然而，人們很快發現，這種全連線神經網路在應用於各種識別任務時不但識別精度不高，而且還不容易訓練。當神經網路的層數超過4層時，用傳統的反向傳遞演算法Back Propagation訓練已經無法收斂。

　　1983年，日本學者福島教授基於Hubel-Wiese的視覺認知模型提出了卷積神經網路計算模型Convolution Neural Network，簡稱CNN。早在1962年，Hubel和Wiesel通過對貓視覺皮層細胞的深入研究，提出高階動物視覺神經網路由簡單細胞和複雜細胞構成如圖3所示。神經網路底層的簡單細胞的感受野只對應視網膜的某個特定區域，並只對該區域中特定方向的邊界線產生反應。複雜細胞通過對具有特定取向的簡單細胞進行聚類，擁有較大感受野，並獲得具有一定不變性的特徵。上層簡單細胞對共生概率較高的複雜細胞進行聚類，產生更為複雜的邊界特徵。通過簡單細胞和複雜細胞的逐層交替出現，視覺神經網路實現了提取高度抽象性及不變性影象特徵的能力。

　　卷積神經網路可以看作是實現上述Hubel-Wiesel視覺認知模型的第一個網路計算模型。如圖4所示，卷積神經網路是由卷積層Convolution Layer與降取樣層Sampling Layer交替出現的多層神經網路，每層由多個將神經元排列成二維平面的子層組成稱為特徵圖，Feature Map。每個卷積層和上層降取樣層通常擁有相同數量的特徵圖。構成卷積層x的每個神經元負責對輸入影象如果x=1或者x-1降取樣層的特徵圖的特定小區域施行卷積運算，而降取樣層y的每個神經元則負責對y-1卷積層的對應特徵圖的特定小區域進行Max Pooling只保留該區域神經元的最大輸出值。卷積運算中所使用的卷積核係數都是通過學習訓練自動獲取的。卷積層中屬於同一個特徵圖的神經元都共享一個卷積核，負責學習和提取同一種影象特徵，對應Hubel-Wiesel模型中某種特定取向的簡單細胞。卷積層中不同的特徵圖負責學習和提取不同的影象特徵，對應Hubel-Wiesel模型中不同型別的簡單細胞。而降取樣層y中神經元的Max Pooling操作等同於Hubel-Wiesel模型中複雜細胞對同類型簡單細胞的聚類，是對人腦視覺皮層複雜細胞的簡化模擬。 　　上世紀90年代初期，貝爾實驗室的Yann LeCun等人成功應用卷積神經網路實現了高精度手寫數字識別演算法，所提出的系列LeNet，都達到商用級識別精度，被當時美國郵政局和許多大銀行用來識別信封上的手寫郵政編碼及支票上面的手寫數字。然而，受制於90年代計算機有限的記憶體和弱小的運算能力，LeNet網路採用了較淺的網路結構，每層使用的特徵圖數目也很少。儘管它在小規模影象識別問題上取得了較好的效果，但與傳統機器學習演算法如SVM，AdaBoost等相比，優勢並不十分明顯。此外，由於卷積神經網路擁有很高的自由度，設計出一款效能優異的網路需要靈感並配合豐富的經驗積累，是一項極具挑戰性的工作。因此卷積神經網路在被提出後的很長一段時間裡並未得到足夠的重視和廣泛的應用。

　　2012年，加拿大多倫多大學Geoffrey Hinton教授的團隊提出了一個規模比傳統CNN大許多的深度卷積神經網路簡稱AlexNet。該網路擁有5個卷積與降取樣層、3個全連線層，每個卷積與降取樣層擁有96384個特徵圖，網路引數達到6000多萬個。利用AlexNet，Hinton團隊在國際上最具影響力的影象內容分類比賽2012 ImageNet ILSVRC中取得了壓倒性勝利，將1000類影象的Top-5分類錯誤率降低到15.315%。在這次比賽中，獲得第二、三、四名的團隊均採用了傳統機器學習演算法。三個團隊的Top-5影象分類錯誤率分別是26.17%、26.98%和27.06%，相差不到1個百分點，而他們的成績和第一名相比卻低了超過10個百分點，差距十分明顯。當前，深度卷積神經網路Deep CNN相對傳統機器學習演算法的優勢還在不斷擴大，傳統學習方法在多個領域已經完全無法與Deep CNN相抗衡。

　　機器學習演算法的基本原理及其本質

　　在幾千年的科學探索與研究中，科學家們提出了許多描述自然界及人類社會中各種事物與現象的數學模型。這些模型主要可以被歸納為以下三大類別。

　　歸納模型：由少數幾個引數變數構成，每個變數都具有明確的物理意義。這類模型能夠真正揭示被描述物件的本質及規律，許多數學和物理定律都是典型的歸納模型。

　　預測模型：用一個擁有大量引數的萬能函式來擬合用戶所提供的訓練樣本。萬能函式的引數一般不具備任何物理意義，模型本身往往只能用來模擬或預測某個特定事物或現象，並不能揭示被描述事物或現象的本質及內在規律。當代的大多數機器學習演算法都是構建於預測模型之上的。例如，單隱層全連線神經網路所使用的數學模型是：

　　上式中，x代表神經網路的輸入，代表神經網路的引數集，M是隱層神經元的個數。這個數學模型如同一個橡皮泥，可以通過變換它的引數集被塑造成任何形狀。給定一個訓練樣本集，其中分別代表訓練樣本i以及人工賦予該樣本的標籤標籤表示樣本的類別或某種屬性，通過利用T進行訓練，我們就能夠得到一個優化的引數集，使神經網路能夠很好地擬合訓練樣本集T。當新的未知樣本x出現時，我們就能夠利用訓練好的神經網路預測出它的標籤y。顯而易見，神經網路的引數集規模與神經元的數目及輸入x的維數成正比，所有引數沒有任何物理意義，模型本身也不具備揭示被描述物件的本質及內在規律的能力。

　　直推模型：沒有明確的數學函式，利用所採集的大資料預測特定輸入的標籤。此類模型認為針對某個事物或現象所採集的大資料就是對該事物或現象的客觀描述。大資料的規模越大，對事物或現象的描述就越全面和準確。當新的未知樣本x出現時，我們可以在大資料中找到x的K近鄰，根據K近鄰的標籤或屬性來決定x的標籤或屬性。顯而易見，由於不需要定義明確的數學模型，與其它模型相比，直推模型最簡單直接，但因為依靠大資料來決定未知樣本的標籤，直推模型往往需要較高的計算量及使用成本。同樣，直推模型也不能被用來揭示事物或現象的本質及內在規律。

　　應當指出，隨著網際網路使用者數量的不斷增長以及網際網路技術的快速進步，利用網際網路獲取內容或使用者大資料變得越來越簡單廉價，利用直推模型來預測某個事物或現象也變得越來越普及。例如，許多網際網路搜尋引擎利用每個網頁的使用者點選率來改進搜尋網頁的排序精度，就是直推模型在網際網路內容搜尋領域的一個成功應用。

　　綜上所述，機器學習演算法的本質就是選擇一個萬能函式建立預測模型。利用使用者提供的訓練樣本對模型進行訓練的目的，就是選擇最優的引數集，使模型能夠很好地擬合訓練樣本集的空間分佈。通過訓練得到的預測模型，實際上把訓練樣本集的空間分佈提取出來並編碼到其龐大的引數集中。利用這個訓練好的預測模型，我們就能夠預測新的未知樣本x的標籤或屬性。當今大多數機器學習演算法都是基於這個原理，谷歌公司的AlphaGo也不例外。

　　針對某個事物或現象所採集的訓練樣本，是對該事物或現象的直觀描述，蘊藏著大量與之相關的先驗知識。例如，ImageNet ILSVRC國際影象內容分類比賽所提供的訓練樣本集擁有1000類、總共一百多萬張彩色影象。每一類都對應自然界中的一種常見物體，如汽車、飛機、狗、鳥，等等，包含大約1000張從不同場景及不同角度拍攝的該種物體的彩色影象。利用這個訓練樣本集訓練出來的深度卷積神經網路，實際上是將每類物體的共性特徵及個體差異等進行資訊提取與編碼，並記憶到其龐大的引數集中。當新的未知影象出現時，神經網路就能夠利用已編碼到引數集中的這些先驗知識，對輸入影象進行準確的識別與分類。

　　同樣，谷歌公司在訓練AlphaGo時，收集了20萬個職業圍棋高手的對局，再利用AlphaGo不同版本間的自我對弈生成了3000多萬個對局。3000多萬個圍棋對局包含了人類在圍棋領域所積累的最為豐富和全面的知識與經驗。當新的棋局出現時，AlphaGo利用被編碼於其龐大引數集中的這些先驗知識，預測出勝率最高的一步棋，以及這步棋所產生的最終勝率。由於AlphaGo針對3000多萬個對局進行了學習與編碼，它對每一步棋的勝負判定甚至比九段棋手還要準，人類棋聖輸給AlphaGo也就不足為奇了。 　　人類智慧的本質與特性

　　對於人腦及其高度複雜的智慧，人類至今還所知甚少。關於“智慧”這個名詞的科學定義，學術文獻中就存在著許多個版本。即使是少數幾個被深入研究的認知功能如人腦的視覺認知功能的工作機理，也還存在著各種各樣的假說和爭議。在這裡，我們列出若干較具代表性、認可度相對較高的關於人腦智慧的假說及闡述。

　　人類智慧的本質是什麼?這是認知科學的基本任務，也是基礎科學麵臨的四大難題Simon中最後、最難解決的一個。每門基礎科學都有其特定的基本單元，例如高能物理學的基本粒子，遺傳學的基因、計算理論的符號、資訊理論的位元等。因此，“人類智慧的本質是什麼”這個問題在某種程度上取決於“什麼是認知基本單元”。眾所周知，適合描述物質世界的變數並不一定適合描述精神世界。因此，認知基本單元是什麼這個問題，不能靠物理的推理或計算的分析來解決，根本上只有通過認知科學的實驗來回答。大量實驗結果顯示，認知基本單元不是計算理論的符號，也不是資訊理論的位元，而是知覺組織形成的“知覺物體”。例如，實驗表明，當人的視覺系統注意一隻飛鳥的時候，它所注意的是整隻鳥即一個知覺物體，而不是鳥的某個特性形狀、大小、位置等。儘管在飛行過程中鳥的各種特徵性質在改變，但它是同一個知覺物體的性質始終保持不變。諾獎得主Kahneman認為，知覺物體概念的直覺定義正是在形狀等特徵性質改變下保持不變的同一性。中科院陳霖院士領導的團隊在發展了30多年的拓撲性質知覺理論的基礎上，提出大範圍首先的知覺物體拓撲學定義：知覺物體的核心含義，即在變換下保持不變的整體同一性，可以被科學準確地定義為大範圍拓撲不變性質。應當指出，上述大範圍首先知覺物體的概念，與人工智慧領域廣為認同與採納的由區域性到整體，由特徵到物體，由具體到抽象的認知計算模型是完全背道而馳的，因而在人工智慧領域並沒有得到足夠的重視及應用。

　　大量認知科學領域的實驗研究表明，人類智慧具有以下幾個特性。

　　人類智慧的目標不是準確。人類智慧並不追求在精神世界裡客觀準確地再現物理世界。上帝設計人類智慧時，不假思索地直奔“生存”這一終極目標而去：用最合理的代價，獲取最大的生存優勢。人類大腦的平均能耗大約只有20瓦，相對於龐大的計算機系統來說只是九牛一毛。儘管人腦的重量只有1400克左右，約佔人體重量的2.3%，但它的血液供應量卻佔到了全身的15.20%，耗氧量超過全身的20%，對於人類已經接近其生理可以負擔的極限。在這種資源極其有限的條件下，人腦通過以下幾種方式實現了最有效的資源調配，由此來保障最有意義的生理和智慧活動。

　　第一，主觀能動的選擇性。精神世界不是對物理世界的簡單對映，而是非常扭曲和失真的。體積相對較小的手指、舌頭等重點區域，在感覺運動中樞裡卻佔據大部分的皮層區域。同樣，在視覺上只有對應中央視野的視網膜具有很高的空間、顏色解析度，而更廣泛的外周視野只對物體的突然出現或消失，以及物體的運動更敏感。人類視覺處理的通常方式是，外周視野的顯著變化會在第一時間被捕獲，做出應激反應，然後再把中央視野移動到目標上進行後續的處理。

　　人類通過知覺組織的選擇性注意機制，直接感知輸入訊號中的大範圍不變性質，而忽略大量的區域性特徵性質。大量視而不見的現象，在實驗室研究中表現為注意瞬脫、變化盲視等等。比如，儘管可以清晰地分辨出霓虹燈中的色塊顏色、形狀各不相同，甚至在空間和時間上都不連續，人腦仍然把這些色塊看成是同一個物體，從而產生運動的感覺。研究表明，這種運動錯覺本質上不是運動，其生態意義在於對知覺物件進行不變性抽提。另一方面，人腦會主動把忽略的部分補充回來。而通過經驗知識，上下文關係等補充回來的資訊，難免有錯。所謂錯覺就是精神世界和物理世界的錯位。這些錯覺的生態意義在於在有限資源條件下，快速直接地形成穩定的感知。這種機制既是人類天馬行空的聯想能力和創造力的源泉，同時也是各種精神心理疾患的生物學基礎。

　　第二，模組化的層次結構和分散式表徵。當前認知科學越來越依賴於腦成像技術的發展。功能模組化假設認為，大腦是由結構和功能相對獨立、專司特定認知功能的多個腦區組成。這些模組組成複雜的層次結構，通過層次間的傳遞和反饋實現對輸入訊號的主動調節。大量腦成像的研究實驗也支援了這一假設，特別是視覺研究發現了非常詳細而複雜的功能模組及其層次結構。另一方面，分散式表徵的假說認為，認知功能的神經機制是相對大範圍的分散式腦狀態，而不是特定腦區的啟用與否。當前研究認為，人腦是模組化和分散式表達共存的自能系統。

　　第三，反應性活動和內生性活動。人腦不是一個簡單的刺激―反應系統，大量的內生性活動甚至比反應性活動還多。人腦在所謂的靜息狀態下的耗氧量與任務狀態下相比差別很小。然而幾乎所有的經典認知科學研究都是建立在刺激反應實驗正規化的基礎之上。這種實驗正規化是讓實驗物件在特定的條件下完成特定的認知任務，收集並分析實驗物件的行為或生理反應，通過對實驗資料的充分比照，建立人腦某種活動模式或認知機理的假設。內生性活動因其往往只能通過內省的方式進行研究，而被長期排除在認知科學的研究主流之外。隨著腦成像技術的發展，功能連線成為分析靜息態大腦自發活動的有力工具。特別是預設網路的發現，創立了強調內生性活動的全新腦功能成像研究正規化。預設網路被認為涉及警覺狀態、自我意識、注意調控以及學習記憶等心理認知過程，已被廣泛應用於社會認知、自我、注意、學習、發育、衰老機制的研究，有力推動了各種腦生物指標的完善和腦疾病的治療，這些疾病包括阿爾茲海默病、帕金森病、抑鬱症、精神分裂症和自閉症等等。

　　因此，整合現有研究中有關分散式表達和內生性活動的最新研究成果，可能會帶來對人腦活動模式人類智慧的物質基礎一種全新的理解。

　　人類智慧的本質不是計算。人類智慧體現在對外部環境的感知、認知、對所觀察事物或現象的抽象、記憶、判斷、決策等。然而，這些智慧並不是人類所獨有。許多高等動物，如狗、猴子、猩猩，也或多或少具有類似的能力。同時，計算並不是人類智慧的強項。真正將人類與其它動物區分開來的，是人類的邏輯推理能力、想象力、創造力以及自我意識。人類利用這類能力能夠想象並且創造出自然界中不存在的東西，如汽車、飛機、電視、計算機、手機，網際網路。這類能力是推動人類社會不斷髮展與進步的源泉，是生物智慧的聖盃。

　　而對代表生物智慧最高水平的上述能力，人類目前還所知甚少，對其機理的研究還處於啟蒙階段。研究表明，這些能力不是依靠計算得來的，而似乎是與聯想記憶及人類豐富的精神世界有關。基於腦訊號的分析實驗發現，人腦的海馬迴、海馬旁回、杏仁核等腦區中存在著大量專司特定聯想記憶的神經細胞。例如，上述腦區中存在單個或一小簇神經細胞，會被與美國前總統克林頓相關的所有刺激訊號所啟用，無論刺激訊號是關於克林頓的圖片，還是Clinton這個英語單詞，還是克林頓本人的語音回放。顯然，這些神經細胞並不是被某個模態的特定特徵所啟用，它們所對應的是克林頓這個抽象概念。此外，腦成像研究表明，圍棋專業棋手相對於業餘棋手更多的是依賴聯想記憶系統，而非邏輯推理來下棋。實際上，圍棋界訓練棋手的最常用方法就是將高手對局中的關鍵部分拆解成許多死活題，棋手通過大量死活題的解題訓練來提高自己聯想記憶的經驗和效率。

　　機器智慧與人類智慧的優勢與劣勢

　　當代的計算機擁有強大的儲存與運算能力。伴隨著計算技術的不斷髮展與進步，這些能力的增長似乎還遠沒有到達盡頭。早在1997年，IBM的“深藍”超級電腦就戰勝了國際象棋冠軍卡斯帕羅夫。但這次勝利在人工智慧領域並沒有產生太大的反響，原因在於，“深藍”幾乎純粹是依靠強大的運算能力遍歷所有的可能性，利用“蠻力”取勝的。“深藍”所遵循的，就是“人工智慧即是計算加記憶”這個簡單法則。由於圍棋的搜尋空間比國際象棋大很多，“深藍”的這種制勝策略針對圍棋是行不通的。與“深藍”相比，AlphaGo的最大進步就是從“計算加記憶”進化到“擬合加記憶”法則。它利用深度卷積神經網路這個萬能函式，通過學習來擬合兩千多年來人類所積累的全部經驗及制勝模式，並將其編碼到神經網路的龐大引數集中。對於當前棋局的任何一個可能的落子，訓練好的神經網路都能夠預測出它的優劣，並通過有限數量的模擬搜尋，計算出最終的獲勝概率。這樣的戰略不需要對棋局的所有可能性做遍歷搜尋，更像人類棋手所使用的策略。然而，由於AlphaGo對每個落子以及最終勝率的預測，是建立在圍棋界兩千多年來所形成的完整知識庫之上的，它的預測比人類最優秀的棋手更準確。與其說李世石輸給了機器系統，不如說輸給了人類棋藝的集大成者。由此推斷，AlphaGo取勝也是情理之中的事。

　　與機器相比，人類智慧的最大優勢當屬它的邏輯推理能力、想象力、創造力及其高效性。人腦功耗只有20多瓦，處理許多感知及認知任務如影象識別、人臉識別、語音識別等的精度與擁有龐大記憶體、運算速度達到萬億次的超級電腦相比卻毫不遜色。儘管機器智慧很可能在不遠的將來在棋牌類競賽中全面超越人類，但現有的機器學習框架並不能模擬出人類的想象力和創造力。因此，在當前情況下，機器智慧全面超越人類智慧的預測是不會成為現實的。

　　隨著機器學習演算法的不斷髮展與進步，計算機藉助強大的儲存與運算能力，學習人類幾千年來發展與進化過程中所積累的完整知識的能力越來越強，藉助完整知識庫對複雜事務進行預測與判斷的準確度將會全面超越人類。由此推斷，在未來幾十年裡，不僅是那些簡單重複性的體力勞動將會全面被機器取代，而且那些需要對複雜事務進行評估與判斷的工作，如金融投資、企業管理、軍事指揮等，也有可能被讓位於機器智慧。甚至大到整個國家，也可能會越來越依靠機器智慧預測政治、經濟、外交發展趨勢，制定最優的政策方針及發展規劃。實際上，許多發達國家的智囊機構已經在利用各種評估及預測模型為政府提供對各種事物的預測與判斷，提出政策建議或解決方案。

　　然而，當前的機器學習框架無法模擬人類的想象力及創造力，科學研究與發明創造仍將是人類的優勢所在。不難預測，在未來人類社會的發展程序中，將有越來越多的人從事科學研究以及新產品的設計研發工作。社會對每個人的知識能力、智慧以及發明創造力的要求將會越來越高，不具備這些能力的人們將會無法找到滿意的工作，逐漸成為處於社會底層的貧困階層。瞭解並解決科技迅速發展所帶來的社會挑戰，仍然是人類需要面對的任務，而機器是無法替代人類解決這些問題的。

下一頁分享更優秀的>>>