【AI-CPS】【人工智能】深度学习与工匠技艺、AI经济发展模式

2018 年 9 月 19 日 产业智能官

　　今天，大数据、人工智能等概念由于商业炒作等多方面的原因，已经变得模糊不清了。许多具体的技术也被罩上了夺目的光环，或有意被赋予了能够引发奇妙想象的名字，如“深度学习”。

　　任何事物只有放在它所存在的环境中，才能准确理解它的本质。我们从科学到应用的这个链条上，来看一下信息技术产业中的不同要素各自处于什么样的位置，我们将这个链条分为五个环节：科学原理、基础共性技术、具体应用技术、基础系统原理/技术、具体应用系统。

机器学习无法独立

　　科学原理是对基本运动规律的认识总结，而技术是对规律的运用。所以新的科学原理的提出，常常会对社会产生深刻而广泛的影响。正因为科学原理的意义如此之大，所以“科学”这个词也常常被盗用。许多技术性的产出，也被带上了“科学”这个帽子。在计算机领域，图灵机与计算复杂性理论基本上属于科学原理这个范畴。也正因为如此，计算机学科才被冠以了“科学”的称谓，虽然对此并非没有异议。

　　从根本上看，人工智能热潮（在90年代）的冷却，是因为人们在人工智能领域经过了几十年的努力，没有能够理解一般意义上的智能过程的本质，因而也就没有能够取得科学意义上的原理性突破，在理论上抽象出类似数字基本计算那样的基本智能操作，用以支撑更为高级复杂的智能过程。所以人工智能领域的产出，虽然丰富而且在应用领域影响巨大，但是却始终没有达到科学原理的高度。因而“人工智能”至今只能委身于计算机学科而无法独立存在。

人工智能是一种现代方法

　　在一个产业中，会有一些基础性共性技术，有时也被成为核心技术，它们支撑着整个产业。在信息技术产业中，操作系统、数据库、集成电路等就属于这个层面的技术。这些技术的进步，对整个产业的影响也是全局性的。正是集成电路技术的进步，使得计算机拥有了“暴力计算”能力，促成了2010年前后整个信息技术产业发生了历史性的转折。人工智能领域不仅没有科学原理层面的成果，而且至今也没有能够产生支撑一个产业的基础共性技术，不论我们给那些技术/方法起个什么样的名字。

　　在基础共性技术之上，还有面向不同问题的具体应用技术去解决不同类型的问题。在这个层面，我们才遇到了“人工智能”的踪影。当人们意识到我们没有能力用一些普适的基本逻辑化规则或机制去有效地解决各种‘智能问题’时，人工智能的研究便扎入到了各种具体的问题之中。针对不同类型的问题，发展出了花样繁多的解决方法，也取得了很大的进展。也正因为如此，人工智能目前更多地是被当成了一些具体的应用工具方法，融入到了不同类型的应用之中，以自己具体的技术性名称出现，默默无闻地发挥着自己的作用。这些年关于人工智能的一本经典的教科书的名字是《人工智能——一种现代方法》，它的副标题“A Modern Approach”就是指试图采用“智能体”（Agent）的概念将人工智能在各个不同领域中的方法整合到一个统一的框架之中。其实，用智能体这个概念整合与人工智能相关的技术方法，也是没有办法的办法，显示出了这个领域的一种无奈的现实：只有实用的一些具体技术方法，缺少科学原理或基础共性技术的支撑，也没有基础性系统级的有效理论。这些年被热捧的“深度学习”，也是具体技术这个层面的技术。

深度学习

　　大家现在把“深度学习”的功劳主要归功于Geoffrey Hinton（1947—，认知心理与计算机科学家，多伦多大学任职）。他从事人工神经网络研究30多年，不论潮起潮落，矢志不渝。在苦熬了30多年后的2004年，他领导的团队得到了加拿大高等研究院（CIFAR）为期10年共1000万加元的支持。据说这是当年全球唯一对人工神经网络研究的上规模的资金支持。当时参与这个计划的主要成员还有：蒙特利尔大学的Yoshua Bengio，纽约大学的Yann LeCun（杨立昆，Hinton当年的博士后），斯坦福大学的Andrew Ng（吴恩达），加州大学伯克利分校的Bruno Olshausen等学者。

　　仅仅用“反传”（BP）算法来训练人工神经网络，当网络的隐含层多于一层以上后，训练效果明显变差。所以后来人工神经网络只能用来解决一些比较简单的非线性分类性质的问题。Yoshua Bengio说：“从2005年开始，由CIFAR支持的一些工作不断取得突破。2006年时，我们找到了训练深层网络的算法，所用到的技巧就是逐层训练”（Yoshua Bengio, “深度学习：人工智能的复兴”，《环球科学》（《科学美国人》中文版），2016年7月）。所以“深度学习”是指用多层（目前的应用常常达到几十到上百层）人工神经网络来对数据（训练样本）进行学习的方法。在这些算法中，BP算法（或者说梯度下降算法）依然扮演着基础性的角色，但是不同的算法融入了不同的其它方法与技巧，用于到达不同的效果。之所能够训练“深度”网络，不仅仅是算法与技巧有了改进，还要仰仗计算机的“暴力计算”能力才行。没有“暴力计算”能力，如此“深度”的学习是完全不可能的，甚至都不会有人有兴趣去研究那些“奇技淫巧”般的算法技巧。“深度学习”中使用几十、甚至上百层的网络的做法，是否让我们想起了在第二章第六节中提到的计算机越来越依靠“粗暴”的方法去解决问题？但是，如果考虑到人脑的神经元是以百亿来计算的，这种“粗暴”也并非是没有道理的“野蛮”。

　　Hinton与其他学者于2006年分别在《Neural Computation》与《Science》上联合发表了“A FastLearning Algorithm for Deep Belief Nets”与“Reducing theDimentionality of Data with Neural Networks”的论文，它们被认为是“深度学习”崛起的先声。但是让他们的工作真正产生影响力，让人工智能“满血复活”、“深度学习”名扬天下的并非是这些论文，而是后来Hinton带领学生参加了2012年的ImageNet Large Scale Visaul Recognition Challenge大赛。在此之前，参赛者的最好成绩是图像识别错误率为25.7%。2012年Hinton与他两个研究生AlexKrizhevsky, Illya Sutskever使用了一个有八层结构、六十五万的神经元，六千万个可调参数的卷积神经网络，将识别错误率降到了15.3%，第二名的错误率是26.2%。当时其他参赛团队使用的都是非神经网络的、从科学的角度来看更加严谨完备的支持向量机（SVM）技术。用Yoshua Bengio的话来说，这次突破是基于将“以前存在的各种零碎的方法整合在了一起。”

　　2012年10月23日因ImageNet大赛“深度学习”一鸣惊人，人工智能“死而复生”。这与计算机历史性地获得了“暴力计算”能力，由此开启智能化时代的时间点高度吻合。这是人工神经网络方法20多年来在图像识别领域第一次以无可置疑的优势超越了其它的技术方法。随后“深度学习”各种改进技巧不断出现，到了2015年在中国的微软亚洲研究院团队在这个比赛中使用了152层的网络，引入了“深度残余学习”的技巧（由于他们的网络深度太大，为了避免有效信息在逐层处理中损失过大，他们做了一些神经元跨层级的连接），将错误率降到了3.57%，首次超过了自然人的错误率。

　　 “深度学习”这个概念也并没有严格的定义。通常规模“足够大”、层数“足够多”的神经网络模型，都被人为是“深度学习”网络。它包括了深度信念网络、卷积神经网络、循环与递归网络等等多种不同的具体网络模型与相应的算法。

深度信念网络

　　深度信念网络（Deep Belief Networks，DBN）是第一批成功应用深度学习架构训练模型之一，它也因Hinton在2006年的相关论文而成为了深度学习崛起的代表。Hinton用它向人们展示了我们可以通过逐层设定目标、逐层训练而构造出一个深层的神经网络，并且用它来有效地解决一些问题。DBN是由多个受限玻尔兹曼机（RBM）相邻彼此重叠一层级联而成为一个“深度”网络。每一个RBM采用无监督学习。与卷积网络层间部分连接不同，深度信念网络是层间全连接的。一个训练好的DBN可以作为一个概率生成网络来使用，也可以用来为分类网络做参数的初始化优化设置，有效改善分类网络的学习效果。随着其它无监督学习及生成学习算法的发展，深度信念网络已经较少被使用了，在某种程度上它成为了“深度学习”的“先烈”。

　　卷积网络（Convolutional Neural Networks，CNN）是第一个在解决实际问题中有出色表现的深度学习神经网络模型。将卷积运算引入到人工神经网络中来在上个世纪80年代就出现了，这种结构是受大脑的视觉神经系统结构过程的启发而来。它是一种分层前馈、以有监督学习为主的神经网络。这种网络中主要采用两个并不复杂的数学方法，一个是用输入比较少的、可以提取不同局部特征的“核函数”对输入做离散卷积运算（从网络结构的视角看，实际上就是通过两层神经元之间的网络连接的设计实现的），这也是这种模型名称的来源；另外一个技巧就是“池化”。它与卷积运算有类似的地方，也是对较少的局部神经元的输入做相应的处理形成输出这两种方法都是采取某种处理方式对局部数据做处理，然后在整个输入数据集上重复同样的操作计算。除了处理算法的技术特征外，它们都能够大幅降低深度学习的运算量。卷积网络在许多领域都有出色的表现，其最成功的应用领域就是在二维图像的处理上。这个结果很正常，因为它就是受启发于大脑的视觉过程而出现的。

　　循环神经网络（Recurrent Neural Networks，RNN）也是多层的神经网络，但是它的部分神经元具有状态记忆存储，因而是一种“动力学”系统，处理起来要比无记忆的静态网络复杂很多。循环神经网络也是在上个世纪80年代就出现了。它的学习也是以有监督为主，用于对时空动态序列型数据做处理，典型的应用就是做语音数据处理。相比之下，卷积神经网络则是一种无状态记忆的静态网络。

　　深度学习中不同的模型方法并不是互斥的，在实际应用中，不同的模型、算法与技巧，也包括那些非深度学习的方法技巧如支持向量机，常常根据问题的特点被整合在一起来解决特定的问题。

　　不论是哪一类“深度学习”网络，实际上都是以计算机的“暴力”计算能力为基础，用大规模的、含有多个隐含层、高达千万以上的可调参数的非线性人工神经网络，使用特定的有监督或无监督的“学习/训练”算法或它们的组合，通过对大量样本的统计处理，实现对这些参数的调整，从而通过非线性变换完成对输入数据特征的提取、信息表达的变换以及后续的分类、预测等功能。它们是解决特定类型问题的一些具体的方法与技巧，而不是具有像人那样的一般意义上的学习的能力，尽管“深度学习”这个名字确实引发了许多不了解这个技术的人的这方面的想象。“深度学习”这个词中的“深”指的是使用的神经网络的层级很多，并非是一般学习意义上的“深”。其实，信息技术领域内的绝大部分技术，包括与大数据分析相关的方法/技术，基本都属于技术体系中的这个解决具体问题层面的技术，而且它们也都属于辅助与延伸智能性质的技术。所以，大数据分析、人工智能方法与其它的技术彼此的界限日益模糊。

新一代工匠技主导科学

　　信息技术中这些解决具体问题的“智能”性实用技术，包括“深度学习”（人工神经网络），常常是有强烈实验性成分的方法技巧，在应用于一个新的具体问题之前，我们无法确定它是否能够有效地解决这个问题，或者能够将问题解决到什么程度。

　　正因为如此，以深度学习为例，在《深度学习》（【美】伊恩·古德费洛等著，MITPress出版，2016年）这本被认为是“深度学习”领域奠基性的经典教材中，作者为了阐述深度学习的这种实验性特征，专门在第二部分设置第11章来讨论这个问题，它的题目取为“实践方法论”。在这一章的开头，作者写了这样一段话：“要成功地使用深度学习技术，仅仅知道存在哪些算法和解释它们为何有效的原理是不够的。一个优秀的机器学习实践者还需要知道如何针对具体应用挑选一个合适的算法以及如何监控，并根据实验反馈改进机器学习系统。在机器学习系统的日常开发中，实践者需要决定是否收集更多的数据、增加或减少模型容量、添加或删除正则化项、改进模型的优化、改进模型的近似推断或调整模型的软件实现。尝试这些操作都需要大量时间，因此确定正确的做法而不盲目猜测尤为重要。”这段话比较完整地揭示了深度学习这个具体技术的实验性特征。我们在前面提到的Yoshua Bengio也是这本书的作者之一。

　　作为一个具体的例子，我们在前面提到过“深度残余学习”的技巧。它是对严格分层网络连接的一种局部改动，利用一些跨层级的连接来保证“有用”的信息不会在“深度”网络中过早地衰减而影响网络的性能。但是这种连接如何设置才更合理，则没有精确严格的普适性理论原理来支撑，主要靠自己的经验直觉去尝试。

　　Gary Marcus在2018年1月2日发表的引起很大争议的文章“Deep Learning: A Critical Appraisal”（arXiv.org，2018年1月2日）中提出了深度学习的十个局限，其中第十个“Deep learning thus far is difficult to engineer with”指的也是这个问题——“深度学习”还只是一个就事论事的方法，没有办法作为一个标准普适的有效的工程方法被用来去有效地解决不同的问题。换句话来说，以深度学习为代表的人工智能方法，更类似于传统的工匠技艺，而不是现代工程师使用的工程化普适方法。

　　人工智能的这种状态多少有点像传统领域在现代科学出现以前，人们通过经验摸索，也能够设计制造出很多不同类型的精巧工具来解决各种具体的问题的状况。而具体的实用技术再丰富精妙，也未必能够产生出更深一层的原理性、普适性的成果。中国历史上无数的能工巧匠都没有能够让中国赶上现代科技发展的潮流，就说明了这个问题。它映衬出伽利略与牛顿为人类打开现代科学之门的开创性贡献，远远不是过去人类实用技术积累的必然结果。工匠的技能再高，也不会必然导致他成为有科学理论指导的工程师。

　　不过不同的人对此还是有不同的看法。所以在2018年初，Gary Marcus与Yann LeCun等人就“深度学习”与“人工智能”技术在网上发生了激烈的公开争论。不过这也正常。超级牛人爱因斯坦至死对量子力学的看法也与波尔向左。但是不论怎么争论，人工智能至今都无法在现代科技体系中成为一个独立的学科是一个基本的事实。从这个事实出发去理解一些问题可就能不会离真实情况想去太远。

　　当然我们完全可以大开脑洞，反过来问一个问题：“人工智能需要成为一个在传统科学意义上的学科吗？”历史的跨越，常常发生在基本概念的颠覆之上。也许计算机的“暴力计算”正在推动科学技术的内涵与外延发生着我们尚未察觉的质变。或许，人类在科技领域的发展，走过了从工匠技艺到科学理论与工程方法的飞跃之后，在信息技术这个辅助与延伸智能工具的推动下，会形成一个否定之否定，进入到一个在科学技术基础上由新一代工匠技艺主导的“高科技大众化”的“发展新阶段”？

转自：新软件 ccidsaism

人工智能项目失败？你机器学习用对了吗？

　　人工智能技术，已成为当下最火热的技术之一。无论是大数据还是云计算还是互联网，这些新型的技术都在用尽全身力气，助力人工智能的发展。对于企业而言，无论该企业与科技沾不沾边，只要涉及到数字化业务，也都想蹭一蹭人工智能的光，就更别提技术型企业，对人工智能技术的痴狂了。

　　目前，人工智能技术还处在咿呀学语的婴儿时期，在市场中发展相对成熟的人工智能技术有两种，语音识别、图像识别。提到人工智能的语音识别或是图像识别，就不得不提机器学习。但是机器学习的发展并不是蹭热点那么简单，它的道路上布满荆棘，很多企业的机器学习项目发展缓慢，甚至以失败告终。

　　机器学习是人工智能的核心技术，其应用已遍及人工智能的各个领域，而在人工智能不断发展的同时，以机器学习为中心，逐渐萌生了强化学习，以及以人工神经网络为概念的深度学习。而深度学习的运用，也已成为目前人工智能发展的主流趋势。但是在今年上半年，无人驾驶汽车事故频发，导致人工智能的“职业生涯”碰到了第一个槛儿，甚至在世界范围内也传出了，深度学习凛冬将至之声，甚至机器学习也遭受牵连。

陷入误区，走火入魔

　　机器学习听上去似乎高大上，非得要钻研很久才能有所建树，但其实，绝大多数人都混淆了机器学习研究和机器学习应用的概念。当人们说“机器学习”时，听起来好像只是一门学科。但其实不然，你还得考虑它在研究和应用两个方面的差别。如果企业无法辨别其中的奥秘，那么很容易修炼“神功”走火入魔。

　　在机器学习方面，企业所犯的最大的错误就是它本应该干什么，而你却让它干别的。比如它本是个厨子，你却让它砌墙。而真正能盖房的，你却让它下厨房。如果你有个烤鸭店，烤炉是必要的工具，但是你肯定不会从全聚德挖来的大厨去造烤炉，同理为什么你只关注机器学习中的机器呢？你是烤鸭店，开始卖烤炉的呢？

　　在机器学习的研究方面，所有机器学习课程和教科书都是关于如何造烤炉，还有其他种类的工具，而不是告诉你如何烹饪和创新美食。如果当你真的建立起了机器学习算法，而你只关注人可以使用那些工具的机器学习研究方面，而不是真正的应用层面，很多企业就将误入歧途最终走火入魔。

　　从事研究工作需要大量的时间来学习，但是如今，市面上有一些相当先进的设备，如果不知道这些设备的工作原理，那么怎样造好设备？而在应用方面，大多数企业则需要更多创新的美食，来解决自身的商业问题，而不是把重点放到怎样制造工具或设备上。但是由于市场对研究工作极其重视，所以导致企业误把工具当应用进行生产，所以就出现企业真正该操心的地方却没受到重视。

　　对于大多数应用程序，企业不需要了解原理，正如厨师不需要了解烤炉的图纸一样。但如果你打算经营一个具有产业规模的厨房，那你确实需要知道很多事情，从管理原料到在上菜前，则需要检查你的菜是否真的好吃，而不是你的工具是否造的漂亮。企业销售什么，决定雇佣什么样的团队。

让正确的人，干正确的事

　　但不幸的是，很多企业未能从机器学习中获得价值，因为它们没有意识到应用方面与研究方面截然不同。领导者雇佣的是那些一辈子都在做厨具炉但却从来没有下过厨房的人。如果要找工具和算法的混合型人才，那只能坐等着人才短缺了，毕竟人无完人。只有在正确的时间里，让正确的人，做正确的事，才能保证项目的良好发展。

　　如果你在销售尖端设备，请雇佣研究人员。如果你在琢磨新食谱，请找厨师。决策者和产品经理设定目标，领域专家了解供应商和客户，数据工程师和分析师处理数据，统计人员检查配方的质量和服务，项目经理保证团队的凝聚和项目的落地。虽然上述人士不必是单独的个体，但要确保每个角色都包含在团队中。

　　如果团队已经尝试了所有现有的工具，却没法制定出满足你业务目标，那么你还得考虑继续增加人手。你是直接雇佣专业人士，还是把工作外包给有经验的算法研究公司，这取决于企业的经营规模和成熟度。

　　在智能决策方面，很多业内人士都在构建算法，而不是应用算法。如果研究机器学习是制造，而应用机器学习是使用，那么智能决策工程就是安全地使用其他工具来实现企业的目标。

　　当涉及到应用机器学习时，最困难的部分是知道你想做什么，以及你打算如何在提供给客户之前检查它。这部分其实并不难，但不能被忽视。至于其他方面，用机器学习解决业务问题比大多数人想象的要容易得多。只需要企业知道自己做的是工具还是应用即可。

转自：新软件 ccidsaism

Iiot 和Ai重塑经济发展模式

编者按：互联网经济是基于互联网所产生的经济活动的总和。互联网经济不仅遍及我国经济生活的方方面面，而且也带来不少理论和政策方面新的问题和挑战。在国家社会科学基金和互联网经济学研究联盟的支持下，《财经问题研究》编辑部特别组织了“互联网经济的理论与反垄断政策探讨”笔谈，邀请五位专家对相关问题展开讨论，相关成果发表于《财经问题研究》2018年第9期，本文为其中之一。

本次笔谈的理论探讨方面，钟鸿钧考察了与AI、产业互联网和平台型组织相关的三个问题，其结论是，产业互联网和AI可以提升生产力并推动经济增长；平台加组件的模式会横扫一切组织形态。曲创从网络经济，双边市场，平台经济的角度解释了其发展基础、增长特点和所面临的问题，并对监管互联网平台经济提出了政策建议。刘泉红针对传统的监管体制对互联网经济发展形成的阻碍，提出需要在产权改革与保护、资源配置、企业家精神弘扬等方面多管齐下，构筑有利于互联网经济发展的全新体制。在反垄断政策方面，朱理说明了网络经济对中国反垄断司法带来的挑战和难题，认为采取审慎适度的执法（司法）是一种更适当的反垄断执法态度。吴汉洪和刘雅甜在考察了互联网行业竞争特点的基础上，说明了反垄断政策的必要性，并指出互联网领域反垄断需要考虑的几个关系。

核心问题：

人工智能和互联网能否带来新的经济增长？
产业互联网将如何影响产业竞争的格局，其对整个经济的增长有什么样的影响？
平台型组织的演变会对社会产生多大的影响？

主要观点：

产业互联网和人工智能将推动经济的长期增长，并深刻影响社会和产业形态。
平台加组件的模式会改变国家、城市和产业，整个社会都会全面向平台化发展。
所有的产业都会向平台型结构转型，每一个产业都可能会由极少数平台型企业加上无数的组件型参与企业构成。
产业互联网和人工智能会加速中美两国成为全球的两个超级政治和经济平台，全球的城市会越来越规模化，平台型城市会越来越多。

一、引言

“在过去的十多年时间里，全球经济面临一个比较大的挑战就是如何重塑经济增长。2005—2014年，全球最发达的经济体的增长率长期停滞不前，急需要寻找一个新的经济增长驱动力量。

互联网在中国经历了20年的快速发展之后，已经取得了世人瞩目的成就。特别是随着智能手机的普及，移动互联网在中国已经相当发达。根据中国互联网协会的数据，2016年中国境内活跃的手机上网码号数量达12.47亿。得益于中国特殊的市场规模和移动互联网的发展，中国的消费互联网市场发展迅速，代表性的电商平台如阿里巴巴、社交及游戏公司腾讯，这两个公司以市值计均进入全球财富五百强的前十位。当前，人们关注的热点是中国的互联网红利是否已经消失，传统产业的互联网转型是否会带来新的增长机会？

此外，人工智能最近这几年发展迅速。2017年中国的人工智能（AI）投资仅次于美国,成为投资热点，政府也不断推出鼓励和支持政策。这种变化引发业界和学界的思考，是不是会出现新的驱动经济增长的力量？这个力量如果能够驱动经济增长，其对于整个社会的改变会有哪些影响？

1999年，美国微软的创始人盖茨有一个非常有名的论断：商业新法则就是“互联网会改变一切”。从他提出这个论断到现在已近二十年，可以看到，电影、阅读、新闻等商业模式都发生了巨大的变化。但另一方面，还有很多东西没有发生变化，如航空发动机的数据获取，1960年和2015年的方式并没有太多的变化。很多产业，如海关报关等，也没有发生实质性的变化。在今天，一个备受关注的问题是，人工智能对于社会将有多大影响？

笔者将从产业竞争和战略的角度来讨论产业互联网和人工智能会如何重塑中国经济的问题。主要讨论三个问题：第一，人工智能和互联网对经济增长的影响。人工智能和互联网是否有可能提高经济的长期增长水平？第二，产业互联网将如何影响产业竞争的格局？它对整个经济的增长有什么样的影响？第三，产业互联网和人工智能如何影响产业结构的变化？特别是产业互联网和人工智能是否会导致产业的平台化？这种平台型的组织又会对社会产生多大的影响？

分析表明：第一，产业互联网和人工智能会大幅度提升生产力。而且产业互联网和人工智能会提升要素配置的效率，进而提升生产率。因此，可以乐观看待长期经济的增长率。第二，平台和组件的模式会影响一切组织和经济形态。平台会影响国家的竞争、城市的演变和产业转型。一切组织都会向平台化的方向发展。

二、人工智能和经济增长

经济的长期增长，主要是来自全要素生产率的增长。全要素生产率的增长，除了科技（包括人工智能）的进步，还包括管理效率和要素错配这两个问题带来的影响。大量的数据都表明，经济的长期增长率一直在下降。无论是20世纪80、90年代还是千禧年后，整个世界的GDP增长一直在下降。Gordon（2016）提出，美国的长期经济增长将继续下台阶。Gordon研究了美国过去150年的经济发展史，认为美国的发展呈现倒U型的特征。美国经济大约从19世纪70年代开始起飞，到20世纪50年代达到顶点，之后逐步下降。Gordon的一个略为意外的发现是，从20世纪70年代开始，美国经济的增长表现非常普通，特别是创新的步伐和技术进步带来的增长并没有惠及到更多人。

为什么现在大家如此关心人工智能的发展？很重要的一个原因是希望能够找到提升经济增长新的关键要素，希望找到推动经济持续增长的新动力。这是大时代的背景。

人工智能是否会推动经济增长和提升生产率，对中国同样非常重要。一是因为目前对中国经济长期增长源泉的解读有很多误区。很多人认为中国经济的增长来自于投资的驱动，认为由于投资占比已经很高，且投资回报率逐步降低，所以中国的经济增长必然下行。第二个原因是人工智能对组织生产活动的要素配置会有影响。如果人工智能可以提升要素配置效率，那经济增长的潜力也会提高。

Zhu（2012）的研究表明，与很多人想象的不同，中国经济的增长主要来自于效率的提升，而不是来自于投资的增加。虽然投资的增加是经济增长很重要的一部分，但最主要的增长还是来自于经济效率的提升。他的这一发现在学术界受到了越来越多的关注。这一研究的重要性不仅在于其给出了一个与主流很不一样的观点，更重要的在于这个研究对判断经济增长的潜力有非常大的参考意义。根据这一研究，1978—2007年，在中国经济增长的贡献中，有70%是来自于全要素生产率的增长。这一结论非常重要，意味着中国长期经济增长仍然有非常大的空间。这是因为在经历了40年的高速增长后，中国的全要素生产率仍然只有美国的20%多。这表明通过提升全要素生产率来促进中国经济增长的空间非常大。这就是为什么人工智能和新的经济增长动力如此重要的根本原因。

由此，需要一个坚实的支持经济增长的微观理论基础来对当前的经济形势进行解释和指导。人工智能可以看作是广义的机器自动化。在经典的索罗模型中，可以借助一个简单的增长模型来讨论人工智能对经济增长的影响。参考ZEIRA（1998）的经济增长模型.简单来说，经济增长实际上可以看成一个抽象的生产函数。一个国家的产出是由生产力、资本和劳动共同决定的。根据这一模型，可以推导出一个重要的结论：经济的增长速度与自动化的比例正相关，即自动化的提升会增加长期的增长。此外，自动化比例的提升意味着资本在总产出中的占比提高。

这个简单的模型有两个非常重要的含义。第一，人工智能在理论上有可能会带来经济的持续增长。人工智能比例的提升，会带来经济增速的持续提高。这实际上就是从经济学上定义的奇点。经济学家在这方面向自然科学学习了很多。这里的所谓奇点，从经济学角度来说，就是持续的超高增速。第二，资本和劳动在产出中的占比关乎收入的分配及平等和长期的社会稳定。资本占比提升和劳动的占比越来越低意味着贫富差距会增加。资本家是成为人工智能的投资者和获益者，而普通的工人则可能成为受害者。

对于人工智能对经济增长的影响，在给出确定结论前，可以简要回顾一下历史。关于人工智能的争论其实是一个历久弥新的话题，从信息技术一出现，大家就在讨论这个问题。20世纪90年代《经济学人》的说法是，计算机不会提升人们的生产力。Zachary（1991）认为数据过载限制了生产率的提高。而信息技术对生产率的提升是显而易见的。但1996—1999年，美国私人部门的年均增长率达到2.8%，是1980—1995年间的2倍。这段时间可以明显看到信息技术带来的生产力的提升。人工智能鼻祖和行为经济学鼻祖西蒙也认为计算机和自动化会推动生产力的持续提升，但可能不是加速的提升。加速就是前面提到的奇点，即人工智能应当会持续提升生产率。业界的研究也支持这一判断。埃森哲的研究表明，美国生产率的增长受益于人工智能，到了2030年可以实现翻倍，意味着全球的经济增长可能会重新进入高速增长的环境，全球经济将进入新的增长周期。

经济增长的源泉无外乎生产率的增长、资本投入的增加或是劳动人口的增长。如何理解抽象的增长模型中人工智能会导致长期的总经济增长？第一，从资本的角度，对人工智能的投资会产生很多不会折旧的资产，甚至还会增值，这是因为人工智能有学习能力，如阿尔法狗，它一天比一天聪明。这与传统的资本完全不同。第二，从劳动力的角度，人工智能与劳动力之间的替代关系和互补关系同时存在。在国民经济的很多部门，人工智能会逐渐替代人工，但在其他很多部门，人工智能与劳动力之间是互补的。而且人工智能对劳动力的替代，有可能意味着人们会接受更多的教育，从而带来劳动生产率的提升。

从历史的经验来看，可以参考信息技术对生产率的影响。1996—1999年，是美国信息技术、互联网开始发展的时期。这段时期，美国全要素生产率年均增长2.8%，是1980—1995年的两倍。这一数据表明人工智能这种新的技术会使得生产力有大幅度的提升。第一次工业革命时期，1850—1910年，蒸汽机驱动的经济增长是0.3%，而第三次工业革命也就是信息技术驱动的经济增长是0.6%。有估算认为，人工智能驱动的经济增长在0.8%—1.4%。虽然这个数字还难以确认，但有充分的理由相信，人工智能对整个经济效率的提升有非常大的帮助。

除了人工智能直接带来的经济增长，还有两个与人工智能间接相关并会提升经济增长的原因。

第一，来自于管理和组织效率的提升，这个是在微观层面上的。Bloom（2007）等学者的研究表明，不同国家的企业管理水平差别很大。假设企业管理水平的总分是5分，将各国企业管理水平得分排名，美国、日本、德国名列前茅，中国则仍然处在一个非常低的水平上。这一研究对于理解中国经济增长的长期潜力有非常重要的含义。中国是在如此低的管理水平的基础上取得近四十年的高速增长的。如果中国能够借鉴国际先进的企业管理经验，提升组织管理效率，就可以大幅提升中国的经济增长水平。

第二，要素错配的问题。要素错配对经济增长的影响近年来在学术界引起了很大的关注。提升经济增长的另外一种方式是改善要素错配。要素错配会导致经济效率的损失，如果中国能够改善经济要素的配置效率，就可以提升经济效率，进而促进经济增长。谢长泰等的研究表明，与理想状况相比，中国的全要素生产率提升可以超过100%；即使是与美国的实际水平相比，中国的全要素生产率仍然会有3%—50%的提升，这表明如果中国能够改善要素配置，经济增长的潜力就会持续提升。总体来讲，跨部门、跨行业的生产率都存在差别。一个国家的企业生产率越集中，表示企业之间的生产效率越是接近的；越分散则表示不同企业的生产效率有差别。而中国企业的生产效率有很大的提升空间。

中国消费互联网的发展已经证明了提升要素配置促进经济增长的作用。阻碍要素配置效率方面有几个重要的调整成本，包括企业所有权和政治的联系、大量的非正式部门等。但人工智能的发展会导致这些非正式部门的快速消失。这就是为什么产业互联网和人工智能的出现会改善要素配置效率，促进经济增长的原因。

三、产业互联网的影响

在消费互联网中，已经出现的代表性企业有美国的谷歌、苹果、脸书、亚马逊，中国的百度、阿里巴巴、腾讯。但产业互联网还正在发展中，目前还看不到明确的巨头。美国的通用电气是在产业互联网方面转型最坚定的企业，但目前仍然没有看到非常明显的竞争优势。

什么是产业互联网？笔者的定义是，产业互联网是通过互联网来重构产业的价值链和创造新的价值。而不是简单地在互联网上加一个东西，其范围其实是非常广泛的。

需要正确理解产业互联网与通常所讲的“互联网+”或“+互联网”的区别。以婚介市场为例，婚介市场是一个觉有很大的商业价值和社会价值的大市场。简单的“互联网+”就是把婚介搬到网上去，即国内很多婚恋网站的模式。这种做法只是把线下的婚介搬到线上。其目标是尽可能多地促进互动（interaction）。但美国有一家与众不同的婚恋匹配的网站，叫做eHarmony。中国的很多婚恋网站注册很容易，但美国这家公司却不同。如果想要成为该网站的会员，需要花四个小时做心理学专家仔细设计的250道问题。这种做法的好处在于可以剔除哪些不是严肃找婚恋对象的用户，有效提升匹配效率。这里的核心就是进行价值链的重构。整个网站是在信任的基础上，给用户提供严肃、有效的匹配。这种做法完全改变了婚恋网站的商业模式和治理方式，这就是产业互联网与“互联网+”的区别。

产业互联网是一个巨大的市场，发展空间巨大。通用电气的估计是32万亿美元，占到了美国46%的GDP。根据思科的估计，到2020年，美国公司的利润通过产业互联网可以增长21%。虽然目前中国市场上没有明确的产业互联网巨头，但可以期待产业互联网会为中国带来同样的巨变。

革命性的新产品或新服务一定会出现，类似于苹果创造新的市场，或是特斯拉改变世界汽车产业的方式。特斯拉的意义在于其完全颠覆了一个产业。电动车并不是新东西，爱迪生是最早看到电动车前途的。但真正驱动汽车产业大发展的是福特的T型车和汽车能源的使用方式。特斯拉的重要性在于其对汽车产业的两个根本性改变：自动驾驶系统和充电电池系统。这就是为什么特斯拉的市值会超过传统的汽车巨头通用汽车。需要看到的是，特斯拉试图做的是成为汽车产业的微软和英特尔的结合体。

新的应用效率可能会降低成本，提升满意度和安全性。因为在整个生产、服务领域，都会有非常大的改变。提到工业物联网，如果效率的提升会带来整个产值的增加，那么无论是航空、电力、健康、铁路，还是石油、天然气，产业互联网和人工智能对上述产业的改变都会非常大。

四、平台化组织

今天全球十大公司很多都是平台型公司，包括谷歌、苹果、腾讯、阿里巴巴等。平台经济的商业模式会影响到很多层面，包括国家层面、地方政府、城市，以及各个产业。人工智能的出现，会加剧这个过程的演变。

以PC产业的演变为例，传统计算机产业的典型代表是早期具有垂直整合结构的IBM，即计算机的所有零部件都由自己生产。但今天的计算机产业是一个非常碎片化的产业，由极少数的关键玩家主导，如芯片由因特尔主导，操作系统则由微软主导，其他的部件则由标准化配件提供商生产。计算机产业从垂直整合结构演变为分散水平结构，意味着这个产业的利润被少数平台型公司获取，其他公司只能赚非常薄的利润。这是非常重要的演变趋势，PC产业的演变，将来有可能会在很多产业中复制。任何一个行业，如果像PC产业一样演变，那就意味着产业里绝大部分公司只能退化成一个提供标准化组件并获取市场平均利润的普通公司，而主导产业演变的平台型公司则将领导整个产业并获取绝大部分的蛋糕，如智能手机平台苹果、搜索平台谷歌、电商平台阿里巴巴和社交平台腾讯。平台型组织的演变会对社会产生的影响主要有三个趋势：

第一个趋势是平台化后，产业的合作和融合更加明显。一些提供单一功能或服务的企业存在通过其独特服务渗透到其他产业进行平台覆盖的可能。产业的分散化意味着核心的主导公司可能会通过技术来颠覆传统产业。如在汽车产业，传统的主导公司是通用、福特、奔驰等汽车制造商，但在自动驾驶和新能源时代，谷歌和特斯拉可能通过其全新的驾驶技术或充电技术颠覆传统产业。新兴的科技公司也有可能通过智能手术技能来颠覆传统的医疗产业。

第二个趋势是人工智能的基础设施能够促进增长，包括硬件、数据。庞大的数据会使大公司的优势加强。平台的演变会影响一切经济形态和组织形态，意味着平台的模式将主导一切，平台型的国家会出现。未来，美国和中国将会成为全球经济的超级两强，其他国家则会成为全球政治和经济上的组件和配角。人工智能会使得中美两国在资本、技术方面的优势进一步强化。而平台型城市会使得人才和资本的规模效应更强，更集中在大城市。深圳就是非常典型的平台城市。

第三个趋势是平台型产业的普遍化。现在还没有看到人工智能这个产业里出现非常典型的突出玩家，但将来一定会有某个公司提供主导机器的操作系统。这个产业一定会产生一个领导性的企业，类似于微软的超级平台。可以肯定的是，目前经济体量较大的国家在人工智能方面的投入会非常多，并进一步导致国家间的强弱分化。

五、结论

本文主要讨论了三个问题：人工智能和互联网能否带来新的经济增长？产业互联网将如何影响产业竞争的格局，它对整个经济的增长有什么样的影响？平台型组织的演变会对社会产生多大的影响？

无论是历史的数据还是理论分析都表明，可以适度乐观看待产业互联网和人工智能对经济的影响。人们有理由相信产业互联网和人工智能会大幅度提升生产力，并推动长期经济增长。同时，笔者认为，平台加组件的模式会横扫一切组织形态，包括国家、城市和产业，整个社会都会全面向平台化发展。产业互联网和人工智能会加速中美成为全球的两个超级政治和经济平台，全球的城市会越来越规模化，平台型城市会越来越多。所有的产业都会向平台型结构转型，每一个产业都可能会由极少数平台型企业加上无数的组件型参与企业构成。

来源：互联网经济学研究钟鸿钧上海财经大学商学院教授牛津大学经济学博士

工业互联网

产业智能官 AI-CPS

加入知识星球“产业智能研究院”：先进产业OT（工艺+自动化+机器人+新能源+精益）技术和新一代信息IT技术（云计算+大数据+物联网+区块链+人工智能）深度融合，在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的机器智能认知计算系统；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。