智库专家分析中美之外的人工智能

【概要】美国宾夕法尼亚大学佩里全球中心(Perry World House)的智库专家撰文分析了中国和美国之外各国发展人工智能的情况

关于人工智能如何影响地缘政治,大多数讨论都聚焦于华盛顿和北京之间出现的军备竞赛,以及俄罗斯等主要军事大国的投入。无可否认,中美两国正取得飞速突破。但是,大国之间的军备竞争固然精彩纷呈,在大国之外的人工智能发展对我们的世界也有深远的影响,即使这些进展没有那样大肆宣扬小国选择的人工智能应用与投入的方式会影响其国力和国际地位。

澳大利亚、法国、新加坡、韩国等中等强国普遍很繁荣,技术上具有领先优势,且人口规模为小到适中。从经济学的角度来看,这些国家拥有更多的资本而非劳动力。随着全球各地对快速图像识别、自动驾驶车辆等机器学习驱动的技术的需求不断增加,它们对人工智能的国内投入至少有可能提高其经济地位。但由于人工智能的基本原理具有双重用途可以用于和平也可以用于武力,所以这些投入也可能提高一个国家的防御能力。

举个例子,允许无人机检测障碍物的传感算法可设计用于快递,但也可调整用于战场侦察。从大型数据集中检测异常点的算法可以帮助商业航空公司和军队安排维护日期,防止关键飞机零件出现故障。相似地,让机器就特定任务开展协作的机器人蜂群原理能实现先进的纳米机器人医疗手术,也能用于战斗机动。当然了,军事应用会有特殊要求,包括防止黑客攻击的严格保护措施和更强大的加密手段。但由于双重应用的潜力目前还停留在应用科学阶段,中等强国虽然具有强大的经济实力却国防预算有限,其在商业领域的人工智能投入会让它们在军事上也获益。

中等强国关于人工智能的投入及政策选择会决定这一切如何实现。目前,许多中等强国都对人工智能应用大举投入,以促进经济,提高国土安全的能力。虽然人工智能不会让中等强国发展成军事超级大国,但这项技术能帮助其实现目前的国土安全目标。在世界各国和全球民众如何看待人工智能在军事上的适用性这一问题上,中等强国也在推动形成相关国际准则方面发挥着重要作用。

投入人工智能的其他国家。当前,许多中等强国都在推动其私营部门提高人工智能的能力。这里的人工智能是指使用计算能力来进行以往要求人类智能才能进行的活动。具体而言,大多数国家都关注人工智能的狭义应用,例如,使用算法进行单独的任务,而不是追求通用人工智能,因为通用人工智能领域所需的计算能力远远超过了大多数公司和国家的能力范围。即使大多数国家很难与中美的研发水平比肩,但鉴于运行大多数复杂算法的计算能力需要大规模的投入,他们相信基于公开可得的信息在狭义人工智能方面取得的不断进步仍然大有可为。

例如,法国政府开始了一项培育人工智能的大规模项目,向该技术投入了18.5亿美元,并收集数据集供开发人员使用。许多人工智能技术使用的算法必须用大量信息训练进行学习,才能变得智能,这就是为什么收集这种数据集尤为重要。除此之外,法国还吸引私营部门向全国的研究机构投资。其他国家也紧随其后英国政府宣布了一项公私合作,向人工智能相关的发展投入14亿美元。澳大利亚政府近日公布了人工智能发展的路线图。就连新加坡这种具有经济和科技优势的小国也明确提出了发展人工智能的国家战略。这些国家在研发方面的支出可能无法与中国这类大国相媲美,它们直接对人工智能进行投入,并吸引来自私营部门的投入。人工智能新加坡AI Singapore)计划投入1.1亿美元,刺激该领域的发展。虽然与一些国家和公司的投入相比,该项政府投资较小,但新加坡利用其商业友好的投资氛围和已有的研究集群,吸引希望加强研发工作的公司其中一家就是中国的技术和电子商务巨头阿里巴巴,该公司近日在新加坡成立了首个海外研究中心。

相应地,这些国家会将人工智能用于其国土安全需求。例如,新加坡作为全球贸易中心和第二大繁忙的港口,寻求利用人工智能促进港口安全,提高港口效率。该国人口约5600万人,比具有庞大劳动力资源的国家更有可能使用人工智能取代一些军事专业岗位,例如物流。长期以来,以色列都因其发达的高科技产业及吸引私营部门投资的能力而著称,该国军方已经使用预测分析来辅助决策。以色列国防军(Israel Defense Forces)利用软件预测加沙发射的火箭,并于2016年部署自主车辆进行边界巡逻。

1 中等强国塑造国际准则

在欧洲,一些政府已经尝试将人工智能的投入用于更广义的道德问题。例如,法国宣布的人工智能国家战略就指出该技术的发展应尊重数据隐私和数据透明。对法国来说,发展人工智能很重要,但是形成该技术相关的广义道德规范也很重要。

欧洲其他国家也紧随法国步伐。在英国,2017年一份议会委员会报告呼吁国家为人工智能道德指引方向。该报告具体关注了数据权利、隐私、以及将人工智能用作促进人类的共同利益和福祉的工具。在比利时布鲁塞尔,欧盟成员国拓展了这一愿景,于2018年4月签署了《人工智能合作宣言》(Declaration of Cooperation on Artificial Intelligence)。该协议旨在提高欧洲在人工智能的竞争实力,促进社会、经济、道德及法律问题相关的合作。这些国家相信,如果不参与人工智能的发展,就无法影响人工智能的全球讨论。

通过构建标准,这些国家也能影响人工智能的一些军事应用。中等强国通常是军事技术国际讨论的斡旋者法国、挪威、加拿大等国在人工智能军事应用的对话中能起到关键作用,因为它们在《特定常规武器公约》(Convention on Certain Conventional Weapons)等国际组织中具有重要地位。根据该项协议,成员国召开了关于致命性自主武器系统的年度讨论。

2 私营部门的进展

除了政府和军方的投入,人工智能对未来全球秩序影响的另一主要因素:以利益为导向的大型跨国公司的行为,它们的投入远远超过了大多数政府的投入。麦肯锡全球研究院(McKinsey Global Institute)预计,苹果、谷歌等世界最大的科技公司仅2016年在人工智能的投入就在200亿美元至300亿美元之间。这些公司还拥有取得人工智能突破所需的丰富数据生态系统和人才资源。而且,它们还有能力在特定地区设置研发中心,将知识和专有技术进行转化。所以,私营部门成为了人工智能革命中决定国家输赢的一大关键因素。

由于人工智能具有双重用途的潜力,私营部门的行为会对国际安全造成影响,但究竟影响如何还见仁见智。这取决于人工智能突破的可迁移性。目前还不存在技术的无缝转换。机器学习算法学会识别模式、对数据集进行预测,无需明确地预编程,但是数据总来源于特定的环境。举个例子,能在美国道路系统上成功的自动驾驶算法可能不适应战场的需求,战场上可能到处充满了各种变,例如损坏或不存在的道路、简易爆炸装置、敌方战斗机。

即使人工智能相关的进展仅具有商业价值,仍会推动所在国家的经济增长。如果该进展能转换为军事用途,该国会受益更多。无论哪种方式,对狭义人工智能的政府投入加上吸引私营投资人工智能的能力会降低小国对大国的依赖,使其能更有效地谋求国家利益。随着中美等国继续在国防开支上超出其他国家,人工智能领域为中等强国影响未来全球经济和安全版图提供了一条道路。


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值