【人工智能】中国工程院院士高文：下一波浪潮和AI的未来
60年前的夏天，当时在美国的达斯矛斯开过一场研讨会，在这个会议上，有一群年轻人搞了一个讨论班，用了两个月，讨论人工智能要怎么做。在这个班里，最后几个大家大部分人都拿了图灵奖，这也是人工智能的一个起源的标志，到现在为止，人工智能的发展有三个浪潮，第一个浪潮就是从起源开始。
编者按：2016高工机器人年会的闭幕式主题报告会上，中国工程程院院士、北京大学教授高文在做了一个主题为“人工智能的前景与挑战”的演讲，在演讲中高文院士回顾了过去60年的三波人工智能浪潮发展的历史，回顾过后就要展望未来，那么人工智能的未来会怎么样？这也是高文院士今天所讲的一个主要议题，以下为雷锋网整理的高文院士的演讲全文。
● ● ●
人工智能还存在不足
今天产业界都觉得人工智能大风来了，赶快前进不要掉队。但是如果你冷静下来想想，人工智能从研究方面还是有很多问题没有解决的。当然这不是说不能用，仍然可以用，就看你怎么用，会用在哪里。
人工智能现在主要的缺陷或者不足还是在机器学习上的网络上，神经网络是学习的一个方法，这个方法确实可以解决很多问题，但是它的问题是你不知道它是怎么解决问题的，在神经网络机器人的表达里面有很多东西是没有办法定性、解释的，这是比较难的一个问题。怎么样能把这个问题解决掉，人工智能可能又会来一波大的浪潮。不管怎么样，怎么样做好的知识处理，能够做到知其所以然，这是现在面临的一个比较大的问题。
这方面有人在做研究，例如这位图灵奖的获奖人，他是做分布式学习最重要的一位学者。另外一位在机器学习方面的图灵奖的获奖人是UCLA的教授。围绕这两个领域，做机器学习的人都在探索怎么把这个理论实用化，因为他们的理论太理论，没办法直接用，所以很多人都在探索这个问题。
● ● ●
各国对人工智能的动作
最近有很多不同的基金或者国家面向人工智能或者深度学习方面都有不同的动作。
比如说美国的国家科学基金会（NSF）从今年开始对于机器学习原创工作仍然大力支持，但是对于简单使用深度学习去解决问题的研究已经不再支持了。所以前段时间我去美国开会，马里兰大学的一位很知名的搞人工智能的专家就调侃说，现在都在说Deep Learing，Deep YES，Learning NO。因为它的学习严格的说不是学习，而是训练，是用大数据在训练一个结构，而不是真的知道知识是什么，这可能只是一个动作。
国内的自然科学基金业也在采取一些动作，包括我们会把和人工智能相关的一些研究列入支持。比如我们将会把智能科学单独作为一个学科代码，将来在整个自然科学申请体系里面列进去，每一个学科代码在我们这里相当于是一个处的编制。
有的同事知道我另外一个身份是国家自然科学基金委员会的副主任，我现在分管信息学部，自然科学基金今年248亿预算，8个学部，有的学部大一点，有的学部小一点。信息学部今年的预算是1/8左右，也就是说28-29亿，现在四个处在分，每个处是不到5亿。如果我多了一个信息科学代码，那它就会从1/4变成1/5，所以大家可以知道我们将来对信息科学的支持力度会有多大。
当然没有申请人也不会给钱，因为自然科学基金是竞争性的，没有竞争就拿不到钱。所谓竞争，大概就是1/4，大概就是25-30%之间的申请率，平均3份以上选择1份来支持。这是一个信号，我国今后会对人工智能或者机器人的研究会有比较大的资源注入进去。
● ● ●
人工智能的划分
对于未来来说，现在的人工智能和未来的人工智能到底阶段上怎么来划分？或者说我们现在做了多少事，未来还有多少事需要做？
不要认为我们解决了人工智能的所有问题，我们解决的问题还是很小一部分。是哪一部分呢？我们把这个矩阵做成四部分来看。
左上角部分叫做可统计、可推理的知识，或者可统计、可推理的世界。什么叫可统计？只要数据多了，一统计就找到规律了。什么是可推理？它的因果关系能归纳出来。当然这个可推理既是可能是基于大数据的推理，也可能是基于符号的推理。现在它可以用了，因为有了深度学习，我们又有了前些年的逻辑演算的基本算法，这是可以做的。
这一部分工业界可以用了，拿去做机器人、去做各种各样的知识决策系统都是可以的。
还有另外三部分，包括不可统计可推理。什么东西是这样的？要么数据不完备，要么数据里面特征的描述还没有找到更好的办法，可能里面是很稀疏的东西，表达根本没有办法统计出来，在里面是游离状态，但是是可推理的，可以写出正确的规则。这些靠大数据解决不了问题，但是只能靠传统的逻辑来做。这方面又相当脆弱，许多东西需要进一步去验证。
左下角是可统计不可推理。这个意思就是我有大数据，通过大数据都能把规律统计出来，但是用语言表述出它的因果关系不行，有点复杂。当然随着时间的推移，可能也变成可推理。至今这里有相当一部分用神经元网络可以解决，但是用推理的办法还很难解决。这方面曙光有一些，但是也需要更多的沉淀。
右下角是比较难的一部分，未来机器人在这方面很难有作为。为什么？连我们自己都说不清楚。比如说人类有很多顿悟，这些顿悟通过统计能证明它产生？不可能统计出来。通过理论证明这个东西产生吗？不可能。也不知道什么人在什么环境下突然想明白一件事，这个机器做不了，没有模型和数据，所以这些东西是未来机器人不可能涉足，不可能胜过人的。我讲到这里，大家都很容易理解，将来机器人会超过人，你就知道哪些可以哪些不可以。
● ● ●
人工智能时代是否真的到来？
这个问题得看从哪个角度说。
答案可以是肯定的。比如你仅仅是期望计算机能够做的事比人做得更好，很多事情是可重复，可统计，可推理的，把这些事交给计算机去做，它一定做得比人强。例如下围棋，尽管比较难，但是它是经验和知识积累的过程。也就是说，慢慢的，机器一定会胜过人。昨天我在香港和一个教授还在讨论，会以后没有人下围棋呢？为什么这样想呢？他说人和人下很有乐趣，和计算机下盘盘输，为什么下？我说为什么要和计算机下？还是和人，你还是冠军。
答案也可以是否定的，对于上图那几个下面的象限区域的很多事，计算机还不行，我们认为那些还是需要进一步研究的。
● ● ●
人工智能对经济的五个影响
这是我们对AI的看法。现在大家可能知道，10月13日，白宫曾经发布两个和人工智能有关的报告。12月20日，白宫又发布了一个报告，叫做人工智能自动化与经济。这篇报告中说，人工智能总体来说，不管你是否接受，不管你是否看好，这件事就要发生了。我们现在要做的是，如果这件事发生了，我们怎么去应对它。
我认为这个报告出的非常及时，列出了人工智能对经济有五个方面的影响。例如对总的生产率增长的影响是积极的，对就业市场的影响会发生变化，对不同层次的人变化不一样，影响分布是不均衡的，所以不同层次、部门、领域、区域的都会不一样。人工智能会导致一些工作职位的消失，也会产生一些新的类型的工作。劳动力市场将会被搅乱，一些工人短期会失业，失业的时间肯定更长，这就看政策到底怎么调整。
对政策到底有哪些影响？就看人工智能一旦起来到底对哪些人有影响。
按照美国的判断，对每个小时40美元以上的工作影响不大，只有4%，对美国小时20-40美元之间的影响是31%，但是对于低于20美元的劳动力影响非常大，达到83%。所以政府要有所应对。应对的策略，包括鼓励投资开发，也包括对新的工作类型进行培训、对转型期间的工人提供帮助，让他们能够通过再学习得到就业。
● ● ●
下一波浪潮一定是AI
这是美国的研究，回到今天我们的主题，人工智能带来的机遇对全社会，当然也包括对于自动化领域，特别是机器人领域，机遇是非常多的。如果我们说过去这几十年比较大的浪潮，第一波是PC浪潮，给信息领域带领颠覆性的影响。紧接着是互联网浪潮，成就了一大批互联网公司，例如谷歌、百度。之后马上出了一波新的浪潮，叫移动互联网，比如说今天的苹果、华为等等都是这波起来的公司。下一波是什么？一定是在AI，下一波公司能够再出现像苹果、华为，一定是AI。
是否用AI做机器人？当然可能，也有可能是做别的，浪潮就在这里。
我们现在做机器人，绝大部分的行为是设计出来的，我们把它叫做Designed Robot，要前进、拐弯都是按规律设计出来的。这没有错误，但是不是AI。什么是AI机器人？或者叫学习机器人呢？就是机器人做好以后，他不知道要干什么。你训练他干什么他就干什么。就像小孩一样，小孩出生了，你说他将来是数学家、物理学家、技术工人、农民？他什么都不是，但什么都可能是，就看你教他什么。我们以后的机器人也应该是做出来的时候什么都不是，你教他做什么他就是什么，你教他开车他就会开车，你教他上流水线操作，他就会流水线操作。这一天一定会来，就看谁在上面花的功夫更大，或者准确更充分。
● ● ●
AI带来的机遇与挑战
我们怎么样能让系统和人具有同样的知识能力和水平？现在大部分是软件知识，有一个系统，你会给它大数据的集合，它进行不断的训练，不断的和聊天、对话。这些机器人开始的规则比较简单，大数据进去，不断的会话调整反馈，就能慢慢抓住聊天对象的注意力，让你跟着它转。这可能是现在的一些情况。
真正到了AI阶段，就不是软件知识，而应该是开放知识。现在人类之所以一直在进步，是因为知识本身是开放的，我们得到了一些知识，然后把它教给学生，写成书给社会，社会得到这些知识之后就会不停的进步。在这个基础上，别人再去加新的知识。所以一定是开放的，如果不开放，这个社会就不能进步。这个道理一样落到机器人和AI方面。
人工智能对于教育和就业的机遇比较多，因为现在整个社会需要非常多的学习人工智能的博士，现在在美国博士上百万年金都拿得到，在国内也能拿到接近百万。有时候我们开玩笑，老老实实教了一辈子书，刚毕业的学生就比我们的薪水高。需求太大就水涨船高，所以需要教育提供更多的人才。
对于研究方面的挑战更大一点。主要研究，最近工程院在出一个报告，叫AI 2.0，准备从 1.0 向2.0 过度，要做的事是这里绿色的区域，浅蓝区域是现在可以直接拿去用的东西，绿色的区域还做得不是太好。
● ● ●
总结
最后高文院士用一张PPT对这次演讲进行了总结。
超限学习机提出者黄广斌教授：生物脑与物理世界的相似性指出了机器学习的另一个方向
机器之心
机器之心中文首发
编译：Terrence、吴攀
黄广斌教授最近被南洋理工大学授予了全职终身教授的头衔（编者注：在新加坡南洋理工大学每年只有1-2%的教师提升为正教授）。在最近的英文采访中（点击阅读原文查看英文原文），他愉快地分享了自己的背景，以及目前在新加坡南洋理工大学电子电气工程学院的一些经验和感受。采访中，黄教授提到三个主要机器学习趋势：1）机器学习和生物学习存在收敛趋势，也许几十年后有明显作用，我们已经感觉到脚步声；2）生物脑和物理世界存在惊人的相似性；3）机器学习和达尔文的进化论存在一致性。
过去十五年在南洋理工大学的研究和教学生活是我最享受的一段时光，我非常珍惜和同事间的亲密友谊，过去这些年他们一直鼓励并支持着我。我们组成过许多临时的研究团队，我们共同的研究兴趣将我们联系在了一起。我非常敬佩身边的每一位同事和合作伙伴，他们的求知欲和探索欲深深地扎根在研究当中。
我也特别感激南洋理工大学和南洋理工大学电子电气工程学院的管理层给予我们的在研究课题与兴趣方面的自由。这种灵活性对于成功的研究至关重要。伟大的研究思路从来不会在压力与紧迫的时限下诞生，它们产生于真正的兴趣。人工智能与机器学习（尤其是人工神经网络）领域近来非常的成功，也变得非常的流行。然而在 15 年前，很多人都怀疑神经网络是否真的有用。一些研究人员也开始撤离神经网络的研究领域。就好像整个世界都将精力花费在调整神经网络的参数上，从而导致缺乏明智的机器学习研究进展。
我强烈地感觉到，一些具有挑战性的研究问题可能让神经网络研究社区陷入困境。这一点给了我很大的驱动力，让我想要在这些领域进行研究，因为我坚信我能够利用自己的跨学科研究和工程背景为这些研究做出自己的贡献。就这样，我决定离开制造业，怀着强烈的使命感和承诺加入南洋理工大学，感觉也许可以帮助机器学习社区尤其是神经网络研究社区从研究局限中走出来。
一直以来和同事及研究伙伴们在不同的场合讨论不同的研究课题都是令人享受的。这些谈论将会在我的记忆中永存留鲜。有时我们会聚集在 NTU 的餐厅或者躲在 NTU 电子电气工程学院的某些角落里继续讨论，燃烧某些余热未尽的想法，这些时刻我永远不会忘记。我们一起努力研究这些想法并将它们应用于现实，这些想法及其成果在过去几年最终吸引了数以千计的研究人员采纳使用。它们或许在未来会成为关键的机器学习技术，闪亮耀眼——准确的说，是非常绚丽。
黄教授着重谈及他早期的研究历程中难忘的时刻：
在 2001 年加入 NTU 之后，我花费大部分的时间研究和琢磨两个问题：1）为什么大多数学习算法的学习效率很低？；2）为什么人脑比电脑更加智能和高效？
起初并没有明确的答案，所以我开始认为从这个方向开展研究有些令人绝望。之后为了不至于让自己对研究感到太压抑，我开始沉浸阅读文学作品中，这段时间虽然短暂但重振了我失落的精神。我开始阅读经典文献，从头到尾把四大名著中的《三国演义》读了好几遍。
其中有一段奇特的经历。在 2002 年的某个午夜，我第七次阅读这本名著。脑中满是书中独特鲜活的人物性格，我突然意识到，过去的数百万年产生了数万亿人类和动物，每一个人或动物都有不同的大脑，却很难在这么多的大脑中安装用于不同的应用和任务的不同学习算法。我想之后可能会出现一些通用的学习算法，可以安装在这数万亿个不同的大脑中，用于不同的应用和任务，而大脑中的这些算法都应该和数据和应用相互独立无关的。
我马上给我的学生打电话，让他来实验室，就在当天凌晨我们测试了我们的 data-independent 算法。然后我最终将该算法命名为超限学习机（Extreme Learning Machines，ELM）。在那时，我们意识到我们可能已经发现了生物学学习机制的一些秘密，生物学习可以不依靠调整神经元来实现。
随机神经元和随机「连线」可能是实现「不依靠调整隐藏神经元来学习」这一学习机制的两种特殊方式。神经元也可以从它们的祖先那里遗传。整体来说，整个活跃的大脑都是结构化的、有序的，但它们在某一特定的层或者大脑神经元薄片上或许是「随机的」、「非结构化」的。
令我们感到惊讶的是，大脑作为宇宙中最复杂的物体之一，竟然和虽然整体结构化但是局部满是随机布朗运动的物理世界如此相似，二者之间竟然有如此强的相似性！生物学习正是因为其全局的结构化构造与局部的随机性的共存才能如此地完美。
神经元与具体的训练数据无关。这一学习理论后来在 2013 年和 2015 年分别在老鼠和猴子的大脑中被发现。这一发现可能彻底颠覆了传统生物学习对于神经元调整可能是学习关键的认知。
这种新的学习理念与传统的神经网络学习原理完全不同。我们也希望与一些神经网络领域的前辈和先驱们讨论我们的想法，但几乎没有人愿意在最开始相信我们。在最开始从理论上证明它们也是一件难事。
对于研究人员来说研究生活有时候很寂寞。但最终在 2005 年，我们觉得我们是正确的了，证明了我们理论中假设的正确性（在很多次错误的证明之后）。
最终，理论上的证明在 2006 年正式公开发表。我感到比较自豪的是，我们在加入 NTU 的 5 年内的努力最终奠定了今后研究的基础。我们最终得到的学习技术比传统的学习技术快了将近一万倍，为实时的学习、认知和推理指明了方向。
令人惊讶的是，尽管早期的一些机器学习领域的前辈们几乎不相信超限学习机的理论和技术，但是当我与大多数生物学家和神经学家讨论时发现，他们对于超限学习机的理论和技术是很容易接受的。
机器学习的研究人员通常遵循传统的机器学习和神经网络理论，认为学习智能只能基于精细的调整来实现。许多在一开始不相信超限学习机有效性的机器学习界的前辈们现在也开始转到超限学习机的研究领域中来了！
自那以后，生物学家、神经科学家和人工神经网络专家展开了非常多有趣的讨论！
超限学习机（ELM）成功和持续发展大都要归功于我的博士生们。和他们在一起的那些非正式的讨论启发了我们很多重要的想法。我过去常常请他们周末到家里，下厨给他们做点我拿手的菜，并且通过在周末打牌等不拘一格的形式来讨论一些至关重要的研究课题。有一次我们发现，正流行的机器学习技术——支持向量机（Support Vector Machines）——实际上提供了次优解。接下来我的研究人员和我花费了 6 个月的时间写了一篇关于支持向量机的论文——这篇论文成为了自那年开始发表的20多万IEEE 出版物中被引用得最多的一篇论文。
尽管我们一直专注于研究是希望能得到丰硕的成果，但现实并不总是尽如人意。我们相信超限学习机理论可以帮助解释达尔文主义的某些方面。因此在 2014-2015 年我们决定来调查这一思想的分支。我认为：从祖先的神经元遗传到某些随机性（比如随机神经元和神经元之间的随机「连线」）在每一代都会给系统（甚至是那些生物体的系统）的进化和自然选择带来帮助。然而，经过两年多的努力，由于缺乏可靠的大数据，我们暂时中止了这方面的工作——但是我们会在将来的某个时候在开始这方面的研究的。
黄教授也给出了他对于他当前所参与的电子电气工程相关项目的一些评价：「我以前在制造行业工作过，并喜欢它带给我的现实生活的那些实际操作的经验。话虽如此，我在 NTU 电子电气工程学院的研究经历也一样充实。我在这里的时候，我也一直主持负责一些由 BMW、Rolls Royce、Delta Electronics 和 ST Engineering 资助的和工业应用相关的研发项目。」
黄教授也对他全新的全职教授的职位充满了期待：
我很期待和我大学里的同事建立更密切的合作，并和其他世界顶级学府和公司的合作者们一起共事。总之，我相信，我们可以发现一些有效的解决方案，从而克服机器学习应用方面的一些具有挑战性的的瓶颈。
从长远来看，看到机器学习和生物学习不断靠近是令人兴奋的。超限学习机（ELM）可能会是弥补机器学习和生物学习间隔的基本「学习粒子」之一。我希望我们能做出一些重要的贡献，来填补在机器学习、脑科学、智能材料以及智能传感器交叉研究的协同性方面的空白。
机器学习在很多的实现成果中仍然是费力的和昂贵的。我们的目标是帮助研究界和工业领域走出机器学习研究的局限区域。在不久的将来，我们希望有一些有趣的机器学习解决方案能够：
1）用更小的数据来处理复杂的应用；
2）能够普适学习（pervasive learning）和普适智能（pervasive intelligence）。
帮助机器学习从工程学走向科学是十分有趣的。我相信「机器学习科学」最终将发挥重要作用。
我们也希望能成立一个公司并能稳步向前发展。我相信这家公司不仅会帮助将技术转换为实际的产品，同时也会给整个合作伙伴都带来益处。
黄教授在 NTU 电子电气工程学院最喜欢的地方：
我最喜欢的地方包括员工休息室，以及校园内其它拥有舒适的沙发桌椅的角落，因为在那里我可以与同事和学生们关于研究想法开展头脑风暴——也可以自由地谈论我们对于研究和未来计划的梦想。
闲暇时间的兴趣爱好：
我喜欢看电影，经常在家里和电影院看一些有趣的影片。新加坡的裕华园自然之美吸引我常去进行锻炼。
我有机会时也会经常和其他研究人员一起去爬山。在我们登山的过程中集思广益头脑风暴总是会令人享受并富有成效。当你呼吸着新鲜的山区空气的时候，你会为这些创造力感到惊叹。
给学生和其他教师的一些建议：
致我所有亲爱的 NTU 电子电气工程学院的教职工：我发现，除了教学和研究，我们的友谊是让我们作为教育工作者更加和谐、创新、高效和愉快的原因。NTU 电子电气工程学院一直是温暖的大家庭。
我只想说，我很珍惜我拥有的友谊，并期待和大家建立更紧密的合作。
我亲爱的 NTU 电子电气工程学院的学生们：尤其是在这个机器学习和大数据的时代，有很多很多极佳的黄金机会正在向你们招手！
新一代技术+商业操作系统：AI-CPS OS
在新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生，在行业、企业和自身三个层面勇立鳌头。
数字化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置。
分辨率革命：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品控制、事件控制和结果控制。
复合不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊化：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。随着变革范围不断扩大，一切都几乎变得不确定，即使是最精明的领导者也可能失去方向。面对新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）颠覆性的数字化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位。
如果不能在上述三个层面保持领先，领导力将会不断弱化并难以维继：
重新进行行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建你的企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造新的自己：你需要成为怎样的人？要重塑自己并在数字化时代保有领先地位，你必须如何去做？
子曰：“君子和而不同，小人同而不和。” 《论语·子路》
云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。
在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。
云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
人工智能通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
新一代信息技术（云计算、大数据、物联网、区块链和人工智能）的商业化落地进度远不及技术其本身的革新来得迅猛，究其原因，技术供应商（乙方）不明确自己的技术可服务于谁，传统企业机构（甲方）不懂如何有效利用新一代信息技术创新商业模式和提升效率。
“产业智能官”，通过甲、乙方价值巨大的云计算、大数据、物联网、区块链和人工智能的论文、研究报告和商业合作项目，面向企业CEO、CDO、CTO和CIO，服务新一代信息技术输出者和新一代信息技术消费者。
助力新一代信息技术公司寻找最有价值的潜在传统客户与商业化落地路径，帮助传统企业选择与开发适合自己的新一代信息技术产品和技术方案，消除新一代信息技术公司与传统企业之间的信息不对称，推动云计算、大数据、物联网、区块链和人工智能的商业化浪潮。
给决策制定者和商业领袖的建议：
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机
器智能，为企业创造新商机；
开发人工智能型企业所需新能力：员工团队需要积极掌握判断、沟通及创造
性思维等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多
样性的文化也非常重要。
新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。
重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能）正在经历从“概念”到“落地”，最终实现“大范围规模化应用，深刻改变人类生活”的过程。
产业智能官 AI-CPS
用新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能驾驶”、“智能金融”、“智能城市”、“智能零售”；新模式：“案例分析”、“研究报告”、“商业模式”、“供应链金融”、“财富空间”。
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com
相关内容
微信扫码咨询专知VIP会员