题记：2024年6月16日下午，北大国发院朗润·格政第186期在承泽园举行。
本次论坛由北京大学国家发展研究院、劳动经济学会人工智能与灵巧就业专委会、岭鹏家当与创新研究院共同主理。
本文根据苏州迪克视觉有限公司总经理陆骏的发言整理。

人工智能发展史

早期：20世纪40-70年代

人工智能最早由图灵提出，他在图灵测试中发出灵魂拷问：机器能不能被识别为一个人？图灵测试也成为衡量机器是否能表现出与人类无法区分的智能行为的标准。
现在人工智能的算法根本其实在图灵测试之前就已经涌现。
有了算法根本，很多人对人工智能表现出很高的期待。
随后，首个神经网络模型感知机（SNARC），国际象棋爱好者喜好的对弈程序先后问世。

寒冬期：20世纪70-80年代

然而，上述这些产品间隔人们对人工智能的期望相去甚远，很多人认为这些只是游戏，远不能达到赞助人或者帮助人的期望，总体看用途不大。
人工智能算法繁芜，当时打算机的算力有限，商业运用也不尽如人意。
因此无论是在商业领域还是投资领域，没人再提神经网络这件事。

复兴期：20世纪80年代开始

上世纪80年代往后，随着打算机的发展和算力提升，小型打算机进入市场，机器学习进入实际利用，这一领域开始涌现新的发展。
20世纪80年代开始，多层神经网络及卷积神经网络理论建立。
初代模型是单层的神经网络，存在一些局限，得益于算力的提升，算法有进步。

2006年，“深度学习”提出并开始运用于打算机视觉、自然措辞处理、语音识别、机器人、自动驾驶、医疗诊断、对弈程序等领域。

从棋类角度可以明显的看到AI的进步。

1997年时产生了国象人工智能高手“深蓝”，它击败当时国象天下冠军卡斯帕罗的***可谓是家喻户晓。
客不雅观而言，深蓝还是基于一个权重比较高，相对大略的办法在学习，并不是神经网络式的学习，但已经达到击败国象天下冠军的水平。

2016年时，AlphaGo降服了围棋天下冠军李世石。
目前，和AI的相似度已成为评价棋手棋力的主要参考，最顶尖的围棋高手与AI的相似指数也只能达到90%。
从这些指标可以看出近些年人工智能的飞速发展。

人工智能高干系家当的发展逻辑

人工智能的技能紧张分为深度学习和大数据。
海量的数据让深度学习的算法变得越来越成熟。
开源大措辞模型也在发达发展。
越来越多的人把自己研发的措辞模型放到常见网站上，这已经成为一种趋势性的发展方向。

算力是大措辞模型最主要的部分之一。
算力提升的需求带动芯片需求暴涨。
目前英伟达（NVIDA）霸占AI行业中超90%的芯片市场份额，2017年的V100（121T)仍被大量利用，H100(约4000T)的需求快速增长。
由此可见，这个行业的发展很多时候紧张依赖于算力的提升。
例如输入1亿的数据，以前须要算一天，现在100亿数据可能只须要1小时或者1分钟就能出结果。

人工智能的发展过程也伴随着一些问题。
比如十年前比较出名的人脸识别软件，把一些非洲裔美国人识别成了猩猩。
后来开拓者创造，这紧张是由于非洲裔美国人的人脸数据太少所致。

市场方面，科技巨子更加看重大措辞模型的发展。
在人工智能领域最能“砸钱”的是大型互联网公司。
分行业看，除了根本研究，资金一样平常会流向附加值特殊高的行业，比如制药行业。
以前生产一种药品，从分子筛选到成药的过程大概须要30年。
现在随着AI技能的发展，这一过程大概只须要5-10年就能完成，投入的本钱约为原来的10%旁边。
（这是我个人得到的数据，可能没那么精准。
）

另一个高附加值的行业是自动驾驶。
现在险些每家汽车公司都在做自动驾驶，不仅设立了专门的公司，也顺带养活了做风雅舆图的公司。
大家或许见过在路上拍摄路况的事情职员，由于风雅舆图须要每条道路都有专业机器记录的数据。
因此，自动驾驶的火爆也带火了生产这些机器设备的厂商。

通用需求方面，目前算力是一个主流的需求。
我们当前利用的芯片并没有非常高端，因此半导体行业仍存在较大发展空间，还是能吸引大把投资。
笔墨、措辞识别和翻译事情的需求量也比较大，特殊是在翻译领域，人工智能已经做得很不错，只有一些小语种还不太成熟。

目前，人工智能对各行业渗透较多。
以前做一个项目，须要前期得到需求，中期不断调研，后期得到结果。
中间调研的阶段常日很漫长。
现在有了人工智能，只要知道自己手里有什么资源，想要什么资源，其他的统统可以交给算法和人工智能，它可以给出一个大家期望的，或者说是局部最优的解答。

很多岗位越来越离不开人工智能的赞助。
比如以前的市场部事情职员，画一张市场的图或方案须要三天韶光。
在人工智能的帮助下，现在只须要10分钟就能搞定。
在这样的情形下，这名事情职员除了市场部的事情，还有余力做一些其他方面的事情，这对付提升整体的事情效率大有裨益。

人工智能的发展趋势和瓶颈

在我看来，人工智能未来可能有三种发展趋势：

通用人工智能（AGI）。
如果通用人工智能做到像大措辞模型一样，代替人类思考，做所有的事，这可能是人类的终极目标。
这一点能否实现，我认为还是个未知数。

可阐明人工智能（XAI）。
人工智能帮忙做的决定，能否让人信服这便是最好的决定？从算法角度看，人工智能通过神经网络式的思考方法得出的结果，永久只能是局部最优。
人工智能是否可以给出一个最优答案，或者说是在人类可接管范围内的最优答案，目前看还没有哪个可阐明人工智能做得到。

边缘人工智能（Edge AI）。
边缘打算常日是算好大模型再支配到本地，这项事情涉及到数据安全性的很多方面。
常日情形下，本地算力有限，比如海内通用算力可能只有10T。
这样的条件下如何办理问题？把大模型缩小到本地算力能够离线处理的程度，然后再让人工智能帮助办理，我认为这是一个思考方向。
然而就目前情形看，缩小大模型是一件相称有难度的事。

人工智能发展目前存在一些瓶颈：

第一个瓶颈是如何提升算力。
当前主流的芯片是7纳米，3纳米芯片的技能也已经被打破，但1纳米是一个物理极限，大概率是不可能打破的。
有一种不雅观点认为，量子打算机在理论上或许能帮助我们把算力提高100倍、1000倍。
如果这成为现实，或许会帮助我们得到新的办理方案。

第二个瓶颈是数据和数据质量。
数据是海量的，但数据的质量参差不齐。
比如在网上利用某关键词进行搜索，有的搜索引擎可以搜到很多结果，有的则搜到很少，然而数量较少的这部分数据不一定权重低、用途少。
因此在通用大模型里，数据的数量和数据的质量是一个主要问题。

人工智能对就业市场的影响

图1

图1是美国关于自动化和人工智能对人工替代的一些研究，研究工具紧张是男性。
可以看出，一开始人工智能对男性就业没有带来影响，随着韶光的推移，男性就业受的影响逐渐增大。
我个人的理解是，人工智能发展的前期，无法被人工智能替代的紧张是一些体力事情，以是男性就业受影响较小。
到了人工智能发展后期，无法被替代的事情是与情绪关系密切的工种，女性从事这一类事情比男性更有上风，因此男性就业，特殊是年轻男性的就业受到很大影响。
到2037年，年轻男性的事情机会可能会减少很多。
这只是一项预测，真实性还有待考验。

详细而言，人工智能对就业市场可能有如下影响：

第一，很多细分行业的入行门槛会降落，行业履历的权重急剧低落。

比如，40年前做生意很大略，只要胆子大就能有收成。
20年前做生意也不难，去工业展看一看，有什么细分行业的产品卖得贵，只要自己能做就能把这个行业吃下来。
现在做生意能做什么？我认为还是细分行业。
现在的买卖人须要选择一类利润足够高的细分行业，通过AI获取行业需求，以及自己有能力输出什么。
大略说，便是让AI打算来替代多年行业履历，把这些细节都搞清楚、算明白后，再进入这一行。
原来的买卖人可能还须要清楚行业里的每一个细节，每一个步骤的详细做法，现在这部分事情也可由AI完成。
比如纺织行业的布料分类，原来的从业者须要区分很多种花纹、颜色、工艺都不相同的布料。
在AI的帮助下，这项事情已经变得非常大略，只须要拍照交给AI识别，就能差异不同的布料。

第二，根本事情效率提高，行业均匀薪资降落，一人多岗征象变得普遍。

在AI的帮助下，原来须要市场部、人事部加在一起才能完成的事情，现在可能只须要一个人就能完成。
对企业而言，这些事务性的事情并非至关主要，以是交给AI工具来完成，企业也是乐见其成。

第三，降落了大部分事情职员的技能哀求。

以前企业在招聘软件硬件工程师时，更青睐那些拥有三年或以上事情履历的求职者。
现在的企业则最喜好应届毕业生和拥有20年以上事情履历的人。
应届生随意马虎接管新事物，更接管利用AI工具来写代码，搭好根本架构，可能连C措辞、C++代码都不须要会，也能胜任事情。

人工智能对未来的影响

第一，人工智能从技能上取代大部分人工成为可能。
如果人工智能可以完备操控机器人，那么人工智能从技能上取代大部分人工将成为可能。
这一点能否真的实现，一定程度上也取决于商业上的考量和投入产出比。
比如现在3C行业“拧螺丝”这个工种，由于对技能哀求不高，目前看被人工智能取代的可能性不大。
未来是否会由人工智能来完成拧螺丝的事情？从技能上来说可行，能否真的实现则是个未知数。

第二，对高精度机器构造的需求更常见。
人工智能拧螺丝，这项工为难刁难机器的精度哀求很高。
如果由人工智能机器人从事这项事情，可能会增加设备的掩护和回收本钱。
一条产线每年的掩护用度可能是前期投入的10%-15%。
即便是自动化产线，也须要随时维修检修，由此带来的干系用度也不会是小数目。

第三，随着人工智能的遍及，芯片需求会增加。
芯片家当或将迎来大发展。
目前英伟达已经霸占芯片的主导市场，所有的模型和算法都是基于英伟达芯片进行展开并优化。
我国现在也研发出了4纳米的芯片，与英伟达的主流芯片相同。
我们的芯片与英伟达架构不同，所有的模型和算法都须要根据新的架构重新适配。
这件事能否得到商业上的认可，这一点仍未可知。

第四，人工智能的遍及会使能源需求增加。
除了芯片，算力的另一大需求是用电。
未来电能的需求一定会增加，用电、储能的需求也会随之涌现增长。

第五，如果人工智能得到遍及，每家企业都会用上AI工具，那么AI工具哪家强？该如何筛选确定？利用AI工具的初衷是思考快人一步，倘若大家都用AI，又该如何凸显自己的上风？这些问题值得寻思。

第六，大模型须要很多芯片，前期须要很大的投入。
我个人认为，未来这个行业寡头化的趋势会比较明显。
现在有三五家涉足这个领域，但未来可能只剩一到两家。
这些大公司推出大模型工具后，也供应NO Code的AI平台，对利用者而言，连续利用同一家公司的打算平台是本钱最低的选择。

第七，行业技能公司运用化的趋势也会更加明显。
这些公司大都从事本地支配和本地做事业务，但最根本的大模型还是由大公司供应。
到那时候，算法工程师已经不再吃喷鼻香，能与客户沟通并精准把握客户需求的运用工程师，其职业前景会更加明朗。

从长远发展来看，人类比较于AI的上风是人类拥有情绪、直觉、伦理和灵巧性。

现在AI模型用的神经网络，给出的办理方案是局部最优方案。
倘若人类通过获取足够多的信息，也能给出局部最优方案，AI的上风将表示在哪里？这个问题值得我们思考。

就目前情形看，AI很难替代与情绪方面有关的事情。
比如AI机器人做事员，它可能只会毫无感情地上菜。
人类做事员则可能与顾客沟通，向顾客推举招牌菜。
这两种做事带来的体验完备不同，长久来看，也会使客户粘性降落。

从某种程度上看，我们输入更多维的数据，有可能得到更好的办理方案。
然而从唯物主义的角度而言，办理方案的好与坏，实在是依赖我们自己来判断的。

伦理方面。
网上的数据多元多样，个中充斥着很多缺点不雅观点。
如果不进行数据筛选、数据质量的整理，我们得到的办理方案中可能就存在缺点。
这就和谷歌以前开拓的人脸识别软件把非洲裔美国人识别成大猩猩是同样道理。
最恐怖的情形是，到末了即便涌现了缺点我们也不知道错在哪里。
随着海量数据积累得越来越多，若真的涌现伦理问题，人类又该怎么办？

灵巧性方面。
碰着问题问AI，但很多时候大数据供应的答案非常类似。
我想这个天下须要多样性，大家不一定会喜好高度类似的答案。
如果让AI天生一幅关于向日葵的图画，它给出的如果跟梵高的《向日葵》类似，这可能并不是我们想要的答案。
再比如虚拟偶像的交互游戏十年前就已涌现，但到本日也没有发展壮大，这解释大家还是喜好真人互动，终极还是要落实到知足真实的情绪需求这个层面。

因此，我对AI的期望是能够帮助我们减少事情量，帮助我们完成大部分事情。
至于知足更多的生理层面的需求，这个任务就交给人类自己来完成。

整理：文展春 | 编辑：王贤青 白尧

本文来自【北大国发院】，仅代表作者不雅观点。
全国党媒信息公共平台供应信息发布传播做事。

ID：jrtt