數(shù)字經(jīng)濟是人工智能經(jīng)濟的前提

　　人工智能經(jīng)濟形態(tài)是數(shù)字經(jīng)濟之后新的經(jīng)濟形態(tài)，它建立在數(shù)字化、互聯(lián)網(wǎng)化、信息化基礎上，且人工智能技術的發(fā)展之所以三起三落，與每個階段數(shù)字經(jīng)濟發(fā)展的不充分有直接關系。如圖所示，每個科技與經(jīng)濟發(fā)展階段都要以上一個階段為基礎，如果上一個階段整體發(fā)展不充分，那么本階段的發(fā)展就會缺乏基礎，出現(xiàn)“往復式發(fā)展現(xiàn)象”。同時，人工智能在各個行業(yè)的發(fā)展不均衡，某個行業(yè)會出現(xiàn)先例，例如在棋藝方面，國際象棋、圍棋已經(jīng)被人工智能，在該領域已經(jīng)沒有人類可以超越“深藍”“AlphaGo Zero”。

人工智能的內核是計算機技術，通過基礎資源（即數(shù)字經(jīng)濟階段的技術積累）、物理世界的數(shù)字化（包括特征化、向量化、標簽化）、互聯(lián)網(wǎng)和信息化（包括大數(shù)據(jù)服務、云化信息系統(tǒng)）三步，人工智能才能更好地在具體領域有學習、智能升級的基礎。因此當人們在模仿人類大腦開發(fā)人工智能、研究卷積神經(jīng)網(wǎng)絡、開發(fā)深度學習上遇到瓶頸，可反向在數(shù)字經(jīng)濟發(fā)展是否充分方面尋找。

視覺技術另外一個巨大市場是領域。

視覺技術另外一個巨大市場是領域。以肺結節(jié)檢測為例，一家醫(yī)院平均每天接待200例左右的肺結節(jié)篩查患者，每位患者在檢查環(huán)節(jié)會產生200~300張左右的CT影像，科醫(yī)生每天至少需要閱讀4萬張影像，任務繁重，消耗大量精力，導致誤診漏診率上升。中國醫(yī)學會的一份誤診數(shù)據(jù)資料顯示，中國臨床總誤診率為27.8%，其中平均誤診率為40%，國內醫(yī)學影像資源匱乏，且存在結構性失衡，帶來第三方影像中心發(fā)展機遇。開發(fā)行業(yè)圖像識別技術，促進行業(yè)專用設備發(fā)展，如能在社會基層機構普及，將大大提升分級診率、促進資源公平，對于領域科、病理而言，從市場需求和技術需求的角度來看均比較緊迫。 　　在國家衛(wèi)生計生委、安徽省衛(wèi)計委的指導下，科大訊飛與清華大合研發(fā)的人工智能“智醫(yī)助理”機器人在國家醫(yī)學考試中心監(jiān)管下參加了2017年臨床執(zhí)業(yè)醫(yī)師綜合筆試測試，“智醫(yī)助理”456分的成績處于53萬名考生中的中水平，未來技術越來越成熟。從輔助到專項機器人，人工智能技術將促進我國體制改革的落地。

機器學習技術與實體經(jīng)濟融合領域

　　機器學習是人工智能技術體系的一個通用環(huán)節(jié)，機器學習使用歸納、綜合方法，運用數(shù)據(jù)導入算法模仿人類智能。學習方式主要分為有數(shù)據(jù)學習和無數(shù)據(jù)學習：當前有數(shù)據(jù)學習顯然廣受歡迎，包括“監(jiān)督學習”“無監(jiān)督學習”“半監(jiān)督學習”“深度學習”“遷移學習”等；無數(shù)據(jù)學習法主要為“強化學習”。有數(shù)據(jù)學習的典型應用為深度學習，深度學習包括DNN(深度神經(jīng)網(wǎng)絡)、CNN(卷積神經(jīng)網(wǎng)絡)、RNN(循環(huán)神經(jīng)網(wǎng)絡)和LSTM(長短期記憶網(wǎng)絡)等，它不依賴數(shù)字經(jīng)濟的發(fā)展，而是由人做數(shù)據(jù)標簽，采用神經(jīng)網(wǎng)絡算法，學習效率不高、能源資源浪費，如AlphaGo下場棋要消耗3000美元電費。

　　強化學習只需要人類輸入規(guī)則，機器就能通過自我獎勵、自我誘導方式，跟自己下百萬盤棋，不斷自我完善，AlphaGo Zero三天內就打敗了已經(jīng)學習了幾千盤棋的AlphaGo；數(shù)字技術發(fā)展越好、標準化數(shù)據(jù)量越大的領域往往人工智能發(fā)展越迅速，這就說明機器的學習能力不是人為訓練的結果，而是數(shù)字經(jīng)濟發(fā)展到一定階段順其自然的結果。從使用場景上來說，有數(shù)據(jù)學習適用于規(guī)則活動領域的人工智能，是經(jīng)驗、控制使然；無數(shù)據(jù)學習適用于創(chuàng)新、無定論的領域，比如棋類競賽、新藥探索、藝術創(chuàng)作等，是創(chuàng)新、自由使然。