2030年的人工智能與生活（AI and Life in 2030）

作者：Anqi
鏈接：https://zhuanlan.zhihu.com/p/22308870
來源：知乎
著作權歸作者所有。商業轉載請聯繫作者獲得授權，非商業轉載請註明出處。

第一部分：什麼是人工智能？

本節介紹了研究人員和從業者如何定義「人工智能」以及目前正在蓬勃發展的人工智能研究和應用領域。它提出了人工智能是什麼和不是什麼的定義，並介紹了一些當前人工智能研究的「熱點」領域。

本節爲第二部分的內容奠定了基礎，第二部分闡述了人工智能在八個領域和在第三部分中的影響與未來，第三部分介紹了涉及人工智能設計和公共政策的問題，並提出在保護民主價值的同時如何鼓勵人工智能創新的建議。

1.定義人工智能

奇怪的是，人工智能缺乏一個精確的、被普遍接受的定義，這或許有助於該領域的加速成長、繁榮以及前進。雖然人工智能的從業者、研究人員和開發人員由一種粗略的方向感和一個「與它相處」的命令所引導，人工智能的定義仍然很重要，而 Nils J. Nilsson 就提供了一個有用的定義：「人工智能就是致力於讓機器變得智能的活動，而智能就是使實體在其環境中有遠見地、適當地實現功能性的能力。」

從這個角度來看，對人工智能的表徵取決於個人願意「適當地」並「有遠見地」爲功能性提供合成軟件和硬件的信用。一個簡單的電子計算器比人類大腦進行的計算要快得多，而且幾乎從來不出錯。

電子計算器智能嗎？像 Nilsson 一樣，研究小組以一種寬泛的視角來看待此問題，認爲智力取決於一個多維頻譜。根據這一觀點，算術計算器和人腦之間的區別不是某一類，而是規模、速度、自主性和通用性的區別。

同樣的因素可以用來評估智能的其他各例——智能語音識別軟件、動物大腦、汽車巡航控制系統、圍棋程序、自動調溫器——並將它們放置在頻譜中的適當位置。雖然我們的寬泛解釋把計算器列在了智能頻譜中，但是如此簡單的設備與今天的人工智能相比幾乎沒有相似之處。

從這個角度看，對人工智能的表徵取決於個人願意「適當地」並「有遠見地」爲功能提供合成軟件和硬件的信用。一個簡單的電子計算器比人腦計算快得多而且幾乎從不出錯。

人工智能的邊界已經遠遠走在前面，而計算器可以實現的功能只是當下的智能手機的百萬分之一。目前人工智能開發人員正在改進、推廣和擴大從當下的智能手機中所建立起來的智能。事實上人工智能領域是一個不斷努力推動機器智能向前發展的過程。

具有諷刺意味的是，人工智能正在遭受失去話語權的長期災難，最終不可避免地會被拉到邊界內，即一個被稱爲「人工智能效應（AI effect）」或「奇怪悖論（odd paradox）」的重複模式——人工智能將一種新技術帶到了普通大衆中去，人們習慣了這種技術，它便不再被認爲是人工智能，然後更新的技術出現了。

同樣的模式將在未來繼續下去。人工智能並沒有「交付」一個驚雷般改變生活的產品。相反人工智能技術以一個連續的、進步的方式正在繼續更好的發展。

2.人工智能研究趨勢

直到本世紀初，人工智能的吸引點主要在於它所傳遞的承諾，但在過去的十五年裏，大多這樣的承諾已經得到兌現。人工智能技術已經充斥了我們的生活。當它們成爲了社會的一股中心力量時，該領域正在從僅僅建立智能系統，轉向了建立有人類意識的、值得信賴的智能系統。

幾個因素加速了人工智能革命。其中最重要的是機器學習的成熟，部分由雲計算資源和廣泛普及的、基於 Web 的數據收集所支持。機器學習已經被「深度學習（deep learning）」急劇地向前推進了，後者是一種利用被稱作反向傳播的方法所訓練的適應性人工神經網絡的一種形式。

信息處理算法的這種性能飛躍一直伴隨着用於基本操作的硬件技術的顯著進步，比如感覺、感知和目標識別。數據驅動型產品的新平臺和新市場，以及發現新產品和新市場的經濟激勵機制，也都促進了人工智能驅動型技術的問世。

所有這些趨勢都推動着下文中所描述的「熱門」研究領域。這種編輯只是想要通過某個或另一個度量標準來反映目前比其他領域得到更大關注的領域。它們不一定比其他領域更重要或更有價值。事實上目前的一些「熱門」領域在過去幾年中並不怎麼流行，而其他領域可能在未來會以類似的方式重新出現。

大規模機器學習

許多機器學習的基本問題（如監督和非監督學習）是很好理解的。目前努力的一個重點是將現有算法擴展到更龐大的數據集上。例如鑑於傳統方法能夠負擔得起若干遍數據集的處理，現代方法是爲單次處理所設計；某些情況只認同非線性方法（那些只關注一部分數據的方法）。

深度學習

成功訓練卷積神經網絡的能力非常有益於計算機視覺領域，比如目標識別、視頻標籤、行爲識別和幾個相關變體的應用。深度學習也在大舉進軍感知方面的其他領域，如音頻、語音和自然語言處理。

強化學習

鑑於傳統機器學習主要關注於模式挖掘，強化學習將重點轉移到決策中，這種技術將有助於促進人工智能在現實世界中更深入地進入相關研究和實踐領域。作爲一種經驗驅動型的序貫決策框架，強化學習已經存在了幾十年，但是這個方法在實踐中沒有取得很大成功，主要是由於表徵和縮放的問題。然而深度學習的出現爲強化學習提供了「一貼強心劑」。

由谷歌 DeepMind 開發的計算機程序 AlphaGo 在五次對抗比賽中擊敗了人類圍棋冠軍，它最近所取得的成功在很大程度上要歸功於強化學習。AlphaGo 是通過使用一個人類專家數據庫來初始化一個自動代理的方法被訓練的，但隨後提煉的方法是通過大量地自我對抗遊戲以及應用強化學習。

機器人

至少在靜態環境中，機器人導航在很大程度上被解決了。目前的努力是在考慮如何訓練機器人以泛型的、預測性的方式與周圍世界進行交互。互動環境中產生的一個自然要求是操縱，這是當下所感興趣的另一個話題。

深度學習革命只是剛開始影響機器人，這在很大程度上是因爲要獲得大的標記數據集還很困難，這些數據集已推動了其他基於學習的人工智能領域。

免去了標記數據需求的強化學習可能會有助於彌合這一差距，但是它要求系統在沒有錯誤地傷害自己或其他系統的情況下能夠安全地探索出一個政策空間。在可信賴的機器感知方面的進步，包括計算機視覺、力和觸覺感知，其中大部分將由機器學習驅動，它們將繼續成爲推進機器人能力的關鍵。

計算機視覺

計算機視覺是目前最突出的機器感知形式。它是受深度學習的興起影響最大的人工智能子領域。直到幾年前，支持向量機還是大多視覺分類任務所選擇的方法。但是特別是在 GPU 中的大規模計算的匯合，使得更大數據集的可獲得性（尤其是通過互聯網）以及神經網絡算法的改進導致了基準任務中能的顯著提高（比如 ImageNet 中的分類器）。計算機首次能夠比人類更好地執行一些（狹義定義的）視覺分類任務。目前的研究多是關注於爲圖像和視頻自動添加字幕。

自然語言處理

自然語言處理是另一個通常與自動語音識別一同被當做非常活躍的機器感知領域。它很快成爲一種擁有大數據集的主流語言商品。谷歌宣佈目前其 20% 的手機查詢都是通過語音進行的，並且最近的演示已經證明了實時翻譯的可能性。現在研究正在轉向發展精緻而能幹的系統，這些系統能夠通過對話而不只是響應程式化的要求來與人互動。

協同系統

協同系統方面進行的是對模型和算法的研究，用以幫助開發能夠與其他系統和人類協同工作的自主系統。該研究依賴於開發正式的協作模型，並學習讓系統成爲有效合作伙伴所需的能力。能夠利用人類和機器的互補優勢的應用正吸引到越來越多的興趣——對人類來說可以幫助人工智能系統克服其侷限性，對代理來說可以擴大人類的能力和活動。

衆包和人類計算

在完成許多任務方面由於人類的能力是優於自動化方法的，因而在衆包和人類計算方面，通過利用人類智力來解決那些計算機無法單獨解決好的問題，該領域研究調查了增強計算機系統的方法，這項研究的提出僅僅是在大約 15 年前，現在它已經在人工智能領域確立了自己的存在。最有名的衆包例子是維基百科，它是一個由網絡公民維護和更新的知識庫，並且在規模上和深度上遠遠超越了傳統編譯的信息源，比如百科全書和詞典。

衆包專注於設計出創新的方式來利用人類智力。Citizen 科學平臺激發志願者去解決科學問題，而諸如亞馬遜的 Mechanical Turk 等有償衆包平臺，則提供對所需要的人類智力的自動訪問。通過短時間內收集大量標記訓練數據和/或人機交互數據，該領域的工作促進了人工智能的其它分支學科的進步，包括計算機視覺和自然語言處理。基於人類和機器的不同能力和成本，目前的研究成果探索出了它們之間理想的任務分離。

算法博弈理論與 (基於) 計算機 (統計技術的) 社會選擇

包括激勵結構、人工智能的經濟和社會計算維度吸引到了新的關注。自 20 世紀 80 年代初以來，分佈式人工智能和多代理（multi-agent）系統就已經被研究了，於 20 世紀 90 年代末開始有顯著起色，並由互聯網所加速。一個自然的要求是系統能夠處理潛在的不恰當激勵，包括自己所感興趣的人類參加者或公司，以及自動化的、基於人工智能的、代表它們的代理。

備受關注的主題包括計算機制設計（computational mechanism design）（一種激勵設計的經濟理論，它尋求激勵兼容的系統，其中輸入會被如實報告）、(基於) 計算機 (統計技術的) 社會選擇（computational social choice）（一種有關如何爲替代品排列順序的理論）、激勵對齊信息獲取（incentive aligned information elicitation）（預測市場、評分規則、同行預測）和算法博弈理論（algorithmic game theory）（市場、網絡遊戲和室內遊戲的平衡，比如poker——它在近幾年通過抽象技術和無遺憾學習（no-regret learning）已經取得了顯著的進步）。

物聯網（IoT）

越來越多的研究機構致力於這樣一個想法：一系列設備可以相互連接以收集和分享它們的感官信息。這些設備可以包括家電、汽車、建築、相機和其他東西。雖然這就是一個技術和無線網絡連接設備的問題，人工智能可以爲了智能的、有用的目的去處理和使用所產生的大量數據。目前這些設備使用的是令人眼花繚亂的各種不兼容的通信協議。人工智能可以幫助克服這個「巴別塔」。

神經形態計算

傳統計算機執行計算的馮諾依曼模型，它分離了輸入/輸出、指令處理和存儲器模塊。隨着深度神經網絡在一系列任務中的成功，製造商正在積極追求計算的替代模型——特別是那些受到生物神經網絡所啓發的——爲了提高硬件的效率和計算系統的穩定性的模型。

目前這種「神經形態的（neuromorphic）」計算機尚未清楚地顯示出巨大成功，而是剛開始有望實現商業化。但可能它們在不久的將來會變成尋常事物（即使僅作爲馮諾依曼所增加的兄弟姐妹們）。深度神經網絡在應用景觀中已經激起了異常波動。當這些網絡可以在專門的神經形態硬件上被訓練和被執行，而不是像今天這樣在標準的馮諾依曼結構中被模擬時，一個更大的波動可能會到來。

總體趨勢以及人工智能研究的未來

數據驅動型範式的巨大成功取代了傳統的人工智能範式。諸如定理證明、基於邏輯的知識表徵與推理，這些程序獲得的關注度在降低，部分原因是與現實世界基礎相連接的持續挑戰。規劃（Planning）在七十和八十年代是人工智能研究的一根支柱，也受到了後期較少的關注，部分原因是它強烈依賴於建模假設，難以在實際的應用中得到滿足。

基於模型的方法——比如視覺方面基於物理的方法和機器人技術中的傳統控制與製圖——已經有很大一部分讓位於通過檢測手邊任務的動作結果來實現閉環的數據驅動型方法。即使最近非常受歡迎的貝葉斯推理和圖形模式似乎也正在失寵，被數據和深度學習顯著成果的洪流所淹沒。

研究小組預計在接下來的十五年中，會有更多關注集中在針對人類意識系統的開發上，這意味着它們是明確按照要與之互動的人類特點來進行建模與設計的。很多人的興趣點在於試圖找到新的、創造性的方法來開發互動和可擴展的方式來教機器人。

此外在考慮社會和經濟維度的人工智能時，物聯網型的系統——設備和雲——正變得越來越受歡迎。在未來的幾年中，對人類安全的、新的感知/目標識別能力和機器人平臺將會增加，以及數據驅動型產品數量與其市場規模將會變大。

研究小組還預計當從業者意識到純粹的端到端深度學習方法的不可避免的侷限性時，會重新出現一些人工智能的傳統形式。我們不鼓勵年輕的研究人員重新發明理論，而是在人工智能領域以及相關領域（比如控制理論、認知科學和心理學）的第一個五十年期間，保持對於該領域多方面顯著進展的覺察。

第二部分：人工智能在各領域的應用

雖然人工智能的很多研究和應用會基於一些通用技術，比如說機器學習，但在不同的經濟和社會部門還是會有所區別。我們稱之爲不同的領域（domain），接下來的這部分將介紹人工智能研究和應用的不同類型，以及影響和挑戰，主要有八個方面：交通、家庭服務機器人、醫療健康、教育、低資源社區、公共安全、工作和就業、娛樂。

基於這些分析，我們還預測了一個有代表性的北美城市在未來 15 年的趨勢。與人工智能的流行文化中的典型敘述不同，我們尋求提供一個平衡的觀點來分析，人工智能是如何開始影響我們日常生活的，以及從現在到 2030 年，這些影響將如何發展。

1.交通

交通可能會成爲首批幾個特定應用領域之一，在這些領域，大衆需要對人工智能系統在執行危險任務中的可靠性和安全性加以信任。自動化交通會很快司空見慣，大多數人在嵌入人工智能系統的實體交通工作的首次體驗將強有力的影響公衆對人工智能的感知。

• 智能汽車

• 交通規劃

• 即時交通

• 人機交互

2.家庭服務機器人

過去十五年中，機器人已經進入了人們的家庭。但應用種類的增長慢得讓人失望，與此同時，日益複雜的人工智能也被部署到了已有的應用之中。人工智能的進步常常從機械的革新中獲取靈感，而這反過來又帶來了新的人工智能技術。

未來十五年，在典型的北美城市裏，機械和人工智能技術的共同進步將有望增加家用機器人的使用和應用的安全性和可靠性。特定用途的機器人將被用於快遞、清潔辦公室和強化安全，但在可預見的未來內，技術限制和可靠機械設備的高成本將繼續限制狹窄領域內應用的商業機會。至於自動駕駛汽車和其它新型的交通機器，創造可靠的、成熟的硬件的難度不應該被低估。

• 真空吸塵器

• 家庭機器人 2030

3.醫療

對人工智能而言，醫療領域一直被視爲一個很有前景的應用領域。基於人工智能的應用在接下來的幾年能夠爲千百萬人改進健康結果和生活質量，但這是在它們被醫生、護士、病人所信任，政策、條例和商業障礙被移除的情況下。主要的應用包括臨牀決策支持、病人監控、輔導、在外科手術或者病人看護中的自動化設備、醫療系統的管理。

近期的成功，比如挖掘社交媒體數據推斷潛在的健康風險、機器學習預測風險中的病人、機器人支持外科手術，已經爲人工智能在醫療領域的應用擴展出了極大的應用可能。與醫學專家和病人的交互方法的改進將會是一大挑戰。

至於其他領域，數據是一個關鍵點。在從個人監護設備和手機 App 上、臨牀電子數據記錄上收集有用的數據方面，我們已經取得了巨大的進展，從協助醫療流程和醫院運行的機器人那裏收集的數據可能較少一些。但使用這些數據幫助個體病人和羣體病人進行更精細的針對和治療已經被證明極其的困難。

研究和部署人工智能應用已經被過時的條例和激勵機制拉扯後腿。在這樣大型的、複雜的系統中，貧乏的人機交互方法和固有的難題以及部署技術的風險也阻礙了人工智能在醫療的實現。減少或者移除這些障礙，結合目前的創新，有潛力在接下來幾年爲千百萬人極大的改進健康結果和生活質量。

• 臨牀應用

• 醫療分析

• 醫療機器人

• 移動健康

• 老年看護

4.教育

在過去的十五年間，教育界見證了爲數衆多的人工智能科技的進步。諸如 K-12 線上教育以及大學配套設備等等應用已經被教育家和學習者們廣泛利用。儘管素質教育還是需要人類教師的活躍參與，但人工智能在所有層面上都帶來了強化教育的希望，尤其是大規模定製化教育。如何找到通過人工智能技術來最優化整合人類互動與面對面學習將是一個關鍵性的挑戰，這一點醫療行業也是如此。

機器人早已經成爲了廣爲歡迎的教育設備，最早可以追溯到 1980 年 MIT Media Lab 所研製出的 Lego Mindstorms。智能輔導系統（ITS）也成爲了針對科學、數學、語言學以及其他學科相匹配的學生互動導師。

自然語言處理，尤其是在與機器學習和衆包結合以後，有力推進了線上學習，並讓教師可以在擴大教室規模的同時還能做到解決個體學生的學習需求與風格。大型線上學習的系統所得的數據已經爲學習分析產生了迅速增長的動力。

但是，學院與大學採用人工智能技術的步伐依然很緩慢，主要是由於資金的缺乏，以及其可以幫助學生達成學習目標的有力證據。一個典型美國北部城市的未來五十年，智能導師與其他人工智能技術幫助教師在課堂或家中工作的規模很有可能會顯著擴大，因爲意願學習是基於虛擬現實的應用。但是計算機爲基礎的學習系統將無法完全替代學校裏的教師們。

• 教育機器人

• 智能輔導系統（ITS）與線上學習

• 學習分析

• 挑戰和機遇

更廣大的社會成果

自廣大人民難以獲得教育的國家，如果這些羣體有可以獲取在線教育的工具，那麼在線資源將會產生重要的積極影響。在線教育資源的發展應該能讓支持國際教育項目的基金會可以通過提供工具和相對簡單的使用培訓來更輕鬆地提供素質教育。比如說，針對 iPad 開發出了大量的、且大部分免費的教育應用。

在消極的一面，現在學生已有把自己的社會接觸限制在電子設備上的趨勢了，他們在網絡程序的互動上花費了大量時間，卻沒有進行社會接觸。如果教育也越來越多地通過網絡進行，那麼在學生的社會發展階段缺乏與同齡人有規律的面對面接觸會帶來怎樣的影響呢？特定的技術已經表明這會產生在神經方面的影響。另一方面，自閉症兒童已經開始從與人工智能系統的互動中受益了。

5.低資源社區

人工智能存在許多機會去改善生活於一個典型北美城市的低資源社區中的人民生活狀況——事實上在某些情況下已經有所改變。瞭解這些人工智能的直接貢獻也可能會激發對於發展中國家最爲貧窮的地區的潛在貢獻。在人工智能的數據收集過程中並沒有對這個人羣的顯著關注，而且傳統上人工智能資助者在缺乏商業應用的研究中表現得投資乏力。

有了有針對性的激勵和資金優先次序，人工智能技術可以幫助解決低資源社區的需求。萌芽中的努力是有希望的。人工智能可能會有有助於對抗失業和其他社會問題帶來的恐懼，它或許會提供緩解措施和解決方案，特別是通過受影響的社區以與其建立信任的方式來實現。

6.公共安全與防護

城市已經爲公共安全和防護部署人工智能技術了。到 2030 年, 典型的北美城市將在很大程度上依賴它們。這些措施包括可以檢測到指向一個潛在犯罪的異常現象的監控攝像機、無人機和預測警務應用。與大多數問題一樣，好處與風險並存。

獲得公衆信任是至關重要的。雖然會存在一些合理的擔心，即與人工智能合作的警務可能會在某些情況下變得霸道或是無處不在，而相反的情況也是可能的。人工智能可能使警務變得更有針對性並只在需要時被使用。而且假設經過仔細的部署，人工智能也可能有助於消除一些人類決策中固有的偏見。

對於人工智能分析學更成功的一個應用是檢測白領犯罪，比如信用卡詐騙罪。網絡安全（包括垃圾郵件）是一個被廣泛關注的問題，而機器學習也對其有所影響。

人工智能工具也可能被證明有助於警察管理犯罪現場或是搜索和救援活動，它可以幫助指揮官排列任務的優先次序以及分配資源，儘管這些工具還沒有爲這些活動的自動化做好準備。在一般的機器學習尤其是在轉換學習中的改進——在新情境中基於與過去情況的相似性而加快學習——可能有利於這樣的系統。

7.就業與勞資

儘管人工智能很有可能會對典型北美城市的就業和工作場所產生深遠的影響，但對當前的影響我們目前還難以作出評估——是積極的還是消極的。在過去十五年，由於經濟衰退和日益的全球化，尤其是中國參與到了世界經濟中，就業狀況已經發生了改變，非人工智能的數字技術也發生了很大的變化。自 1990 年代以來，美國經歷了生產率和 GDP 的連續增長，但平均收入卻停滯不前，就業人口比率也已經下降。

有一些數字技術有重大影響（好的影響或壞的影響）的行業的顯著案例，而在一些其它的行業，自動化將很有可能能在不久的將來發生重大的改變。許多這些改變已經得到了「例行的」數字技術的推動，其中包括企業資源規劃、網絡化、信息處理和搜索。理解這些改變應該能爲人工智能影響未來勞動力需求的方式（包括技能需求的改變）提供見解。

到目前爲止，數字技術已經給中等技能的工作（比如旅行代理）帶來了更大的影響，而不是非常低技能或非常高技能的工作。另一方面，數字系統所能完成的任務的範圍正隨着人工智能的演進而提升，這很可能會逐漸增大所謂的「例行任務」的範圍。人工智能也正向高端的領域蔓延，包括一些機器之前無法執行的專業服務。

爲了獲得成功，人工智能創新將需要克服可以理解的人們對被邊緣化的恐懼。在短期內，人工智能很有可能會取代任務，而非工作，同時還將會創造新類型的工作。但新類型的工作比將可能失去的已有工作更難以想象。就業領域的變化通常是漸進的，不會出現劇烈的過渡。

隨着人工智能進入工作場所，這很有可能是一個持續的趨勢。影響的範圍也將擴大，從少量的替代或增強到完全的替代。比如說，儘管大部分律師的工作還沒被自動化，但人工智能在法律信息提取和主題建模方面的應用已經自動化了一部分第一年工作的律師新人的工作。在不遠的將來，包括放射科醫生到卡車司機到園丁等許多類型的工作都可能會受到影響。

人工智能也可能會影響工作場所的大小和位置。許多組織和機構很龐大的原因是他們所執行的功能只能通過增加人力來擴大規模，要麼是「橫向」擴展地理區域，要麼是「縱向」增多管理層級。隨着人工智能對許多功能的接管，擴展不再意味着會帶來大型的組織。

許多人已經指出一些知名的互聯網公司只有很少數量的員工，但其它公司並不是這樣。人類企業可能存在一個自然的規模大小，在這樣的企業中，CEO 能夠認識公司裏的每一個人。通過將創造有效地外包給人工智能驅動的勞動力市場，企業會傾向於自然的大小。

人工智能也將創造工作，特別是在某些行業中，通過使某些特定任務更重要，以及通過產生新的交互模型創造新類型的工作。複雜的信息系統可被用於創造新的市場，這往往會帶來降低門檻和增加參與的影響——從應用商店到 AirBnB 再到 taskrabbit。人工智能界有一個活躍的研究社區在研究創造新市場和使已有市場更高效地運作的進一步的方式。

儘管工作本身有內在的價值，但大部分人工作是爲了購買他們看重的商品和服務。因爲人工智能系統可以執行之前需要人力的工作，因此它們可以導致許多商品和服務的成本下降，實實在在地讓每個人都更富有。當正如當前的政治辯論中所給出的例子一樣，失業對人們的影響比對散佈的經濟效益的影響更顯著——尤其是那些直接受其影響的人；而不幸的是，人工智能常常被視作是工作的威脅，而不是生活水平的提升。

人們甚至在某些方面存在恐懼——害怕人工智能會在短短一代人的時間內迅速取代所有的人類工作，包括那些需要認知和涉及到判斷的工作。這種突變是不太可能發生的，但人工智能會逐漸侵入幾乎所有就業領域，這需要在計算機可以接管的工作上替換掉人力。

人工智能對認知型人類工作的經濟影響將類似於自動化和機器人在製造業工作上對人類的影響。許多中年工人失去了工廠裏的高薪工作以及伴隨這個工作的家庭和社會中的社會經濟地位。長期來看，一個對勞動力的更大影響是失去高薪的「認知型」工作。

隨着勞動力在生產部門的重要性的下降（與擁有知識資本相比），大多數市民可能會發現他們的工作的價值不足以爲一種社會可以接受的生活標準買單。這些變化將需要政治上的，而非單純經濟上的響應——需要考慮應該配置怎樣的社會安全網來保護人們免受經濟的大規模結構性轉變的影響。如果缺少了緩解政策，這些轉變的一小羣受益者將成爲社會的上層。

短期來看，教育、再訓練和發明新的商品和服務可以減輕這些影響。更長期來看，目前的社會安全網可能需要進化成更好的服務於每個人的社會服務，例如醫療和教育或有保障的基本收入。事實上，瑞士和芬蘭等國家已經在積極地考慮這些措施了。

人工智能可能會被認爲是一種財富創造的完全不同的機制，每個人都應該從全世界人工智能所生產的財富中分得一部分。對於人工智能技術所創造的經濟成果的分配方式，相信不久之後就會開始出現社會爭議了。因爲傳統社會中由孩子支持他們年老的父母，也許我們的人工智能「孩子」也應該支持我們——它們的智能的「父母」。

8.娛樂

隨着過去十五年互聯網的爆發式增長，很少有人能想象沒有它的生活。在人工智能的驅動下，互聯網已經將用戶生成的內容作爲了信息和娛樂的一個可行的來源。Facebook 這樣的社交網絡現在幾乎已經無處不在，而且它們也成爲了社會互動和娛樂的個性化渠道——有時候會損害人際交往。WhatsApp 和 Snapchat 等應用可以讓智能手機用戶與同伴保持「接觸」和分享娛樂和信息源。

在《第二人生》這樣的在線社區和《魔獸世界》這樣的角色扮演遊戲中，人們想象在虛擬世界中有一個虛擬的存在。亞馬遜 Kindle 這樣的專用設備已經重新定義了打發時間的要領。現在只需手指點點劃劃幾下，就可以瀏覽和獲取書籍了；一個口袋大小的設備就可以存儲成千上萬本書，而閱讀體驗基本上可手持的紙質書差不多。

現在我們有了共享和瀏覽博客、視頻、照片和專題討論的可信平臺，此外還有各種各樣用戶生成的內容。爲了在互聯網的規模上運行，這些平臺必須依賴現在正被積極開發的技術，其中包括自然語言處理、信息檢索、圖像處理、衆包和機器學習。比如，現在已經開發出了協同過濾（collaborative filtering）這樣的算法，它可以基於用戶的人口統計學細節和瀏覽歷史推薦相關的電影、歌曲或文章。

爲了跟上時代的步伐，傳統的娛樂資源也已經開始擁抱人工智能。正如書和電影《點球成金》中給出的例子，職業運動現在已經轉向了密集的量化分析。除了總體表現統計，賽場上的信號也可以使用先進的傳感器和相機進行監控。用於譜曲和識別音軌的軟件已經面世。

來自計算機視覺和 NLP 的技術已被用於創建舞臺表演。即使非專業用戶也可以在 WordsEye 等平臺上練習自己的創造力，這個應用可以根據自然語言文本自動生成 3D 場景。人工智能也已經被用於協助藝術品的歷史搜索，並在文體學（stylometry）得到了廣泛的應用，最近還被用在了繪畫分析上。

人類對人工智能所驅動的娛樂的熱情是很令人驚訝的，但也有人擔心這會導致人與人之間的人際交互減少。少數人預言說人們會因爲在屏幕上花費了太多時間而不再與人互動。孩子們常常更願意在家裏快樂地玩他們的設備，而不願意出去和他們的朋友玩耍。人工智能會使娛樂更加交互式，更加個性化和更有參與感。應該引導一些研究來理解如何利用這些性質爲個人和社會利益服務。

第三部分：人工智能公共政策的前景與建議

人工智能應用的目標必須是對社會有價值。我們的政策建議也會遵循這個目標，而且即便這個報告主要關注的是 2030 年的北美城市，建議依然廣泛適用於其他城市，同時不受時間限制。一些提升解讀和人工智能系統能力並參與其使用的策略可以幫助建立信任，同時防止重大失敗。

在增強和提升人類能力和互動時需要小心，還有避免對不同社會階層的歧視。要強調多做鼓勵這個方向以及溝通公共政策探討的研究。鑑於美國目前的產業監管，需要新的或重組的法律和政策來應對人工智能可能帶來的廣泛影響。

政策不需要更多也不要更嚴，而是應該鼓勵有用的創新，生成並轉化專業知識，並廣泛促進企業與公民對解決這些技術帶來的關鍵社會問題的責任感。長期來看，人工智能將會帶來新財富，整個社會也要探討如何分配人工智能技術帶來的經濟成果的分配問題。

如今以及未來的人工智能政策

爲了幫助解決個人和社會對快速發展的人工智能技術產生的憂慮，該研究小組提供了三個一般性政策建議。

1. 在所有層級的政府內，制定一個積累人工智能技術專業知識的程序。有效的監管需要更多的能理解並能分析人工智能技術、程序目標以及整體社會價值之間互動的專家。

缺少足夠的安全或其他指標方面的專業技術知識，國家或地方政府官員或許或拒絕批准一個非常有前途的應用。或者缺少足夠訓練的政府官員可能只會簡單採納行業技術專家的說法，批准一個未經充分審查的敏感的應用進入市場。不理解人工智能系統如何與人工行爲和社會價值互動，官員們會從錯誤的角度來評估人工智能對項目目標的影響。

2. 爲研究人工智能的平等、安全、隱私和對社會的影響掃清感知到的和實際的障礙。

在一些相關的聯邦法律中，如計算機欺詐和濫用法案（Computer Fraud and Abuse Act）和數字千年版權法的反規避條款（theanti-circumvention provision of the Digital Millennium Copyright Act），涉及專有的人工智能系統可能被如何逆向向工程以及被學者、記者和其他研究人員評價的內容還很模糊。當人工智能系統帶來了一些實質性後果需要被審查和追究責任時，這些法律的研究就非常重要了。

3. 爲人工智能社會影響的跨學科研究提供公共和私人資金支持。

從整個社會來看，我們對人工智能技術的社會影響的研究投入不足。資金要投給那些能夠從多角度分析人工智能的跨學科團隊，研究範圍從智能的基礎研究到評估安全、隱私和其他人工智能影響的方法。一下是具體問題：

當一輛自動駕駛汽車或智能醫療設備出現失誤時，應該由誰來負責？如何防止人工智能應用產生非法歧視？誰來享有人工智能技術帶來的效率提升的成果，以及對於那些技能被淘汰的人應該採取什麼樣的保護？

隨着人工智能被越來越廣泛和深入地整合到工業和消費產品中，一些領域中需要調整現有的建立監管制度以適應人工智能創新，或者在某些情況下，根據廣泛接受的目標和原則，從根本上重新配置監管制度。

在美國，已經通過各種機構將監管具體到各個行業。在設備中使用人工智能實現醫療診斷和治療由食品藥品監督管理局（FDA）監管，包括定義產品類型和指定產生方法，還有軟件工程的標準。無人機在管制空域中的使用由美國聯邦航空局（FAA）監管。面向消費者的人工智能系統將由聯邦貿易委員會（FTC）監管。金融市場使用的人工智能技術，如高頻交易，由證券交易委員會（SEC）監管。

除了針對具體行業制定監管的方法外，「重要基礎設施」中定義模糊和廣泛的監管類別可能適用於人工智能應用。

鑑於目前美國行政法結構，短期內制定出全面的人工智能政策法規似乎不太可能。但是，可以根據人工智能在各種情境中可能出現的法律和政策問題，廣泛列出多個類別。

• 隱私

• 創新政策

• 責任（民事）

• 責任（刑事）

• 代理

• 認證

• 勞動力

• 稅務

• 政治

未來的指導原則

面對人工智能技術將帶來的深刻變化，要求「更多」和「更強硬」的監管的壓力是不可避免的。對人工智能是什麼和不是什麼的誤解（尤其在這個恐慌易於散佈的背景下）可能引發對有益於所有人的技術的反對。那將會是一個悲劇性的錯誤。扼殺創新或將創新轉移到它處的監管方法同樣也只會適得其反。

幸運的是，引導當前數字技術的成功監管原則可以給我們帶來指導。比如，一項最近公佈的多年研究對比了歐洲四個國家和美國的隱私監管，其結果卻很反直覺。西班牙和法國這樣的有嚴格的詳細法規的國家在企業內部孕育出了一種「合規心態（compliance mentality）」，其影響是抑制創新和強大的隱私保護。

這些公司並不將隱私保護看作是內部責任，也不會拿出專門的員工來促進其業務或製造流程中的隱私保護，也不會參與必需範圍之外的隱私倡議或學術研究；這些公司只是將隱私看作是一項要滿足規範的行爲。他們關注的重點是避免罰款或懲罰，而非主動設計技術和採納實際技術來保護隱私。

相對地，美國和德國的監管環境是模糊的目標和強硬的透明度要求和有意義的執法的結合，從而在促進公司將隱私看作是他們的責任上做得更加成功。廣泛的法律授權鼓勵企業發展執行隱私控制的專業人員和流程、參與到外部的利益相關者中並採用他們的做法以實現技術進步。對更大的透明度的要求使民間社會團隊和媒體可以變成法庭上和法庭外的公共輿論中的可靠執法者，從而使得隱私問題在公司董事會上更加突出，這又能讓他們進一步投資隱私保護。

在人工智能領域也是一樣，監管者可以強化涉及內部和外部責任、透明度和專業化的良性循環，而不是定義狹窄的法規。隨着人工智能與城市的整合，它將繼續挑戰對隱私和責任等價值的已有保護。和其它技術一樣，人工智能也可以被用於好的或惡意的目的。

這份報告試圖同時強調這兩方面的可能性。我們急切地需要一場重要的辯論：如何最好地引導人工智能以使之豐富我們的生活和社會，同時還能鼓勵這一領域的創新。應該對政策進行評估，看其是否能促進人工智能所帶來的益處的發展和平等共享，還是說會將力量和財富集中到少數權貴的手裏。而因爲我們並不能完美清晰地預測未來的人工智能技術及其所將帶來的影響，所以相關政策一定要根據出現的社會難題和線索不斷地重新評估。

截至本報告發布時，重要的人工智能相關的進展已經在過去十五年內給北美的城市造成了影響，而未來十五年還將有更大幅度的發展發生。最近的進展很大程度是由於互聯網所帶來的大型數據集的增長和分析、傳感技術的進步和最近的「深度學習」的應用。

未來幾年，隨着公衆在交通和醫療等領域內與人工智能應用的遭遇，它們必須以一種能構建信任和理解的方式引入，同時還要尊重人權和公民權利。在鼓勵創新的同時，政策和流程也應該解決得到、隱私和安全方面的影響，而且應該確保人工智能所帶來的好處能得到廣泛而公正的分配。如果人工智能研究及其應用將會給 2030 年及以後的北美城市生活帶來積極的影響，那麼這樣做就是非常關鍵的。