前景|我国人工智能产业现状及发展前景分析( 二 )

2.算法模型可解释性

所谓“可解释性”指的是向技术使用者等解释人工智能模型做出的每一个决策背后的逻辑。从传统模型到新型算法，AI的复杂性逐步递增，促使人工智能算法的决策机制越发难以被人类理解与描述。很多人将大部分基于深度学习的算法想象成是一个“黑盒子”，也就是说认为模型不具备可解释性。相比较“黑盒子”而言，可解释性的AI对于深度神经网络的透明性有所增加，有助于向用户提供判断依据等信息，增强用户对人工智能的信任与安全感，同时也为事后监管、责任归属等环节提供有力依据。

3.业务场景的理解

随着人工智能的行业化发展，待解决的业务问题从通用型场景向特定型场景过渡，单点问题向业务整个流程演进，从感知化到认知化的发展，业务场景的壁垒与复杂度越来越高。在这样的背景下，仅仅依靠算法技术的积累，难以满足对场景的理解要求。所以，AI算法需要经验与业务规则的结合。这种情况下，知识图谱技术成为关键所在。

通过知识图谱，可以更好地理解业务。通过建立统一的图谱来实现知识的融合，进一步加快推进人工智能的落地。

4.服务方式

对于企业业务人员的根本需求，标准化的人工智能技术输出或者API调用的服务方式是不够的。厂商需要根据具体场景，在技术基础上提供定制化的解决方案，并封装为应用到业务系统中的产品，即“AI+产品”。另外，厂商需要提供持续性的业务运行服务，才可让AI产品真正发挥价值，以保证达到最终业务效果，即“AI+服务”。

5.投入产出比

对于企业来说，在业务中落地AI技术应用，至少包括两个层面的成本：（1）芯片、算法平台等智能化产品；（2）引进算法工程师等人工智能方面人才。

目前，一些数据平台、机器学习平台的涌现，提高了人工智能建模的自动化程度，同时也降低了整个业务流程对算法工程师的依赖，AI应用的总成本有待降低。此外，未来算法的进步可降低硬件标准，也可促使成本的节省。

AI伦理篇

人工智能伦理是一个跨学科的问题，需要通过跨学科的路径和方法来解决。因此，跨学科的参与、对话和交流在未来应对人工智能伦理问题是极为必要的。

此外，正如人类通过学习、社会交往等学习道德、法律、伦理等规范和价值，机器伦理也希望达成同样的效果。通过伦理标准的设定、执行、检测检验等，旨在希望以事前的方式让智能机器的自主决策行为尊重人类社会的各种规范和价值，并最大化人类整体的利益。

考虑到对于人类的行为，仅有人类的道德、法律来自律是远远不够的，还需要一套外在的监督和制裁体系。将伦理嵌入人工智能系统并不能满足要求，还需要政府监管机构、社会公众等的共同参与，以事中或者事后的方式对人工智能系统的行为进行监督、审查和反馈，共同实现人工智能伦理，确保社会公平正义。

因此，人工智能伦理的实现，是一项全方位的治理工程，需要AI研发人员、政府、企业、社会各界以及用户共同参与，发挥各自不同的作用和角色，确保人工智能系统以尊重、维持人类社会既有伦理、法律等规范和价值的方式运作，带来最大化效益和好处的同时，也能够维护整个社会以及每一个个体的自由和尊严。

思考篇

1.对于加速我国人工智能产业生态化发展，加快关键环节布局是关键

(1) 核心平台方面：AI开源软硬件、公共服务以及基础数据与安全检测等平台的建设；(2) 能力创新方面：核心理论算法攻关、关键共性技术突破、AI专用芯片的设计研发、前沿技术的布局；(3) 产业应用推广：各领域不断深入研究、探索更多产业领域。