序言一
第三次人工智能浪潮已经到来，这是更强大的计算能力、更先进的算法、大数据、物联网等诸多因素共同作用的结果。
决策让渡将越来越普遍。
正是由于人工智能在决策和行动的自主性上面正在脱离被动工具的范畴，其判断和行为一定要符合人类的真实意图和价值观、道德观，符合法律规范及伦理规范等。
家庭机器人可能为了做饭而宰杀宠物狗，以清除病人痛苦为目的的看护机器人可能结束病人生命，诸如此类。
序言二
实体经济数字化、网络化、智能化转型演进给人工智能带来巨大历史机遇，展现出极为广阔的发展前景。
第一章 认知鸿沟下的人工智能
在不同群体眼中，“人工智能”似乎既是解决所有难题的一剂良药，也是造成大规模失业的定时炸弹。
本轮人工智能浪潮更多是基于大数据的深度学习算法繁荣的表现，和以往试图以机器人的形态还原人类智能和行为的智能系统的“通用型人工智能”（Artificial General Intelligence）并不能等同起来。
决策能力涉及强化学习。创造力是指跟创造有关的生成模型，在内容生成领域会有很好的应用。
意识是人类最为神奇的心理能力，也是非常神秘复杂的现象。
一种是神秘论的观点，认为我们神经生物系统唯一共有的就是主观体验，这种现象意识是不可还原为物理机制或逻辑描述的，靠人类心智是无法把握的。
对于达到人工智能的终极目标而言，意识是一个绕不开的难题。如果未来“通用型人工智能”成为可能，一定会伴随着“机器意识”的出现。
用户对人工智能系统的信任，是人工智能系统产生社会效益的前提。
图1-8 九大领域人工智能的接受程度
人工智能接受程度较高的领域有：服务业和工业、自动驾驶、金融服务及虚拟助理
人工智能接受程度相对较低的领域有：研究/教育、医疗和诊断、社交陪伴、合同、诉讼等法律实践
虽然人工智能现在可以创作“完美”的歌曲，但只有音乐家才能创造出独一无二的作品。
“自然语言交流”成为人机交互首选模式
图1-9 希望用哪种方式和人工智能系统交互？
每一次技术革命都同时推动着交互方式的演变。
双方对人工智能是否会威胁人类的最大分歧来源于对“人工智能”的不同理解。
人工智能是包含大量子领域的全部术语，涉及广泛的应用范围。
人工智能提供的是为全产业升级的技术工具。
短期内，通用型人工智能不是产业界主流的研究方向。我们更有可能看到深度学习技术在各个领域深耕。
目前的人工智能离通用型人工智能还有一段距离。工具型人工智能无法产生意识。
工具型人工智能和人类的能力在许多情境下是互补的，短期内更有可能出现的是人机协作的状态。
人工智能再度兴起并非偶然。本轮人工智能之所以能蓬勃发展，源于我们有了足够海量的数据、强大的计算资源以及更先进的算法。
第二章 人工智能的过去
时至今日，人工智能概念的内涵已经被大大扩展，它涵盖了计算机科学、统计学、脑神经学、社会科学等诸多领域，是一门交叉学科。
如果要结构化地表述人工智能的话，从下往上依次是基础设施层、算法层、技术层、应用层
图1-16 人工智能的层次结构
算法层
图1-19 深度学习与传统机器学习的差别
图1-20 机器学习中的三类典型问题
强化学习问题：给定数据，选择动作以最大化长期奖励。它的输入是历史的状态、动作和对应奖励，要求输出的是当前状态下的最佳动作。与前两类问题不同的是，强化学习是一个动态的学习过程，而且没有明确的学习目标，对结果也没有精确的衡量标准。强化学习作为一个序列决策问题，就是计算机连续选择一些行为，在没有任何维度标签告诉计算机应怎么做的情况下，计算机先尝试做出一些行为，然后得到一个结果，通过判断这个结果是对还是错，来对之前的行为进行反馈。
许多控制决策类的问题都是强化学习问题，比如让机器通过各种参数调整来控制无人机实现稳定飞行，通过各种按键操作在电脑游戏中赢得分数等。
直到2001年，Hochreiter等人发现使用BP算法时，在神经网络单元饱和之后会发生梯度损失，即模型训练超过一定迭代次数后容易产生过拟合，就是训练集和测试集数据分布不一致
再往后的一个标志性时间是2014年，Ian Goodfellow等学者发表论文提出题目中的“生成对抗网络”，标志着GANs的诞生，并自2016年开始成为学界、业界炙手可热的概念，它为创建无监督学习模型提供了强有力的算法框架。
图1-23 神经网络发展简史
2001年，Breiman提出可以将多个决策树组合成为随机森林，它可以处理大量输入变量，学习过程快，准确度高
图1-25 浅层学习算法发展历史
技术方向的发展
计算机视觉
“三维重构”
图1-28 计算机视觉发展历程
语音技术
最主要的变化来自用基于统计的思路替代传统的基于匹配的思路，其中的一个关键进展是隐马尔科夫模型（HMM）的理论和应用都趋于完善。
深层卷积神经网络和引入长短时记忆模块（LSTM）的循环神经网络（RNN）
图1-30 语音技术发展历程
自然语言处理
除了机器翻译之外，网页搜索、语音交互、对话机器人等领域都有自然语言处理的功劳。
进入2010年以后，基于大数据和浅层、深层学习技术，自然语言处理的效果得到了进一步优化。
图1-32 自然语言处理发展历程
规划决策系统
到了2016年，硬件层面出现了基于GPU、TPU的并行计算，算法层面出现了蒙特卡洛决策树与深度神经网络的结合。
图1-34 规划决策系统发展历程
第三章 人工智能的现在与未来
语音处理
一个完整的语音处理系统，包括前端的信号处理、中间的语音语义识别和对话管理（更多涉及自然语言处理），以及后期的语音合成。
语音识别的过程需要经历特征提取、模型自适应、声学模型、语言模型、动态解码等多个过程。
语音合成的几个步骤包括：文本分析、语言学分析、音长估算、发音参数估计等。
计算机视觉
图像处理以大量的训练数据为基础（例如通过有噪声和无噪声的图像配对），通过深度神经网络训练一个端到端的解决方案，有几种典型任务：去噪声、去模糊、超分辨率处理、滤镜处理等。运用到视频上，主要是对视频进行滤镜处理。
图像识别检测的过程包括图像预处理、图像分割、特征提取和判断匹配，也是基于深度学习的端到端方案，可以用来处理分类问题（如识别图片的内容是不是猫）；定位问题（如识别图片中的猫在哪里）；检测问题（如识别图片中有哪些动物、分别在哪里）；分割问题（如图片中的哪些像素区域是猫）等（见图1-36）。
有了深度学习的加持，准确率可以达到99.5%，错误率下降了4.5个百分点，从而使得在金融、安防等领域的广泛商业化应用成为可能。
自然语言处理的几个核心环节包括知识的获取与表达、自然语言理解、自然语言生成等等，也相应出现了知识图谱、对话管理、机器翻译等研究方向，与前述的处理环节形成多对多的映射关系。
知识图谱是基于语义层面对知识进行组织后得到的结构化结果，可以用来回答简单事实类的问题，包括语言知识图谱（词义上下位、同义词等）、常识知识图谱（“鸟会飞但兔子不会飞”）、实体关系图谱（“刘德华的妻子是朱丽倩”）。
语义理解是自然语言处理中的最大难题，这个难题的核心问题是如何从形式与意义的多对多映射中，根据当前语境找到一种最合适的映射。
这里面需要解决四个困难，首先是歧义消除，包括词语的歧义（例如“潜水”可以指一种水下运动，也可以指在论坛中不发言）、短语的歧义（例如“进口彩电”可以指进口的彩电，也可以指一个行动动作）、句子的歧义（例如“做手术的是他父亲”可以指他父亲在接受手术，也可以指他父亲是手术医生）；其次是上下文关联性，包括指代消解（例如“小明欺负小李，所以我批评了他”，需要依靠上下文才知道我批评的是调皮的小明）、省略恢复（例如“老王的儿子学习不错，比老张的好”，其实是指“比老张的儿子的学习好”）；再次是意图识别，包括名词与内容的意图识别（“晴天”可以指天气也可以指周杰伦的歌）、闲聊与问答的意图识别（“今天下雨了”是一句闲聊，而“今天下雨吗”则是有关天气的一次查询）、显性与隐性的意图识别（“我要买个手机”和“这手机用得太久了”都是用户想买新手机的意图）；最后是情感识别，包括显性与隐性的情感识别（“我不高兴”和“我考试没考好”都是用户在表示心情低落）、基于先验常识的情感识别（“续航时间长”是褒义的，而“等待时间长”则是贬义的）。
鉴于上述的种种困难，语义理解可能的解决方案是利用知识进行约束，来破解多对多映射的困局，通过知识图谱来补充机器的知识。
目前对话管理主要包含三种情形，按照涉及知识的通用到专业，依次是闲聊、问答、任务驱动型对话
简单任务驱动型对话已经比较成熟，未来的攻克方向是如何不依赖人工的槽位定义，建立通用领域的对话管理。
图1-37 人工智能对话管理的三种情形
机器学习
目前来看，大部分的AI应用都是通过监督学习，利用一组已标注的训练数据，对分类器的参数进行调整，使其达到所要求的性能。
无监督学习领域近期的研究重点在于“生成对抗网络”（GANs），其实现方式是让生成器（Generator）和判别器（Discriminator）这两个网络互相博弈，生成器随机从训练集中选取真实数据和干扰噪音，产生新的训练样本，判别器通过与真实数据进行对比，判断数据的真实性。在这个过程中，生成器与判别器交互学习、自动优化预测能力，从而创造最佳的预测模型。
强化学习的一个重要研究方向在于建立一个有效的、与真实世界存在交互的仿真模拟环境，不断训练，模拟采取各种动作、接受各种反馈，以此对模型进行训练。
人工智能的未来
首先，基础设施带来的推动作用是巨大的，人工智能屡次因数据、运算力、算法的局限而遇冷，突破的方式则是由基础设施逐层向上推动至行业应用；其次，游戏AI在发展过程中扮演了重要的角色，因为游戏中牵涉到人机对抗，能帮助人们更直观地理解AI、感受到触动，从而起到推动作用；最后，我们也必须清醒地意识到，虽然在许多任务上，人工智能都取得了匹敌甚至超越人类的结果，但瓶颈还是非常明显的。
现有的人工智能技术，一是依赖于大量高质量的训练数据，二是对长尾问题的处理效果不好，三是依赖于独立的、具体的应用场景，通用性很低。
人们希望通过算法上、学科上的交叉、融合和优化，整体解决人工智能在创造力、通用性、对物理世界理解能力上的问题。
首先是从大数据到小数据。
但针对大规模数据的标注工作是一件费时费力的工作，尤其对于一些长尾的场景来说，连基础数据的收集都成问题。
目前特别火热的GANs就是一种数据生成模型。
其次是从大模型到小模型。
最后是从感知认知到理解决策。
这类不完全信息的决策型的问题，需要持续地与环境进行交互、收集反馈、优化策略，这些也正是强化学习的强项。而模拟环境（模拟器）作为强化学习生根发芽的土壤，也是一个重要的研究方向。
第二篇 产业篇：人工智能发展全貌
产业发展成熟度来看，交通、医疗、金融、娱乐可能成为人工智能最先落地的领域。自动驾驶、智能机器人、虚拟现实和增强现实等应用融合了图像识别、语音识别、智能交互等多项人工智能技术，当前得到了产业界和国家的高度关注，将成为本篇重点分析的内容。
第四章 人工智能产业发展概况
美国AI企业数量遥遥领先全球
美国全产业布局，而中国只在局部有所突破
美国AI产业布局全面领先，在基础层、技术层和应用层，尤其是在算法、芯片和数据等产业核心领域，积累了强大的技术创新优势，各层级企业数量全面领先中国（见表2-1）。
表2-1 全球重点互联网公司产业布局情况
美国人才梯队完整，中国参差不齐
AI产业的竞争，说到底是人才和知识储备的竞争。
美国投入资本雄厚，中国近年奋起直追
初创公司往往会成为巨头的猎物。
新兴创业公司仅具有某一项或几项技术优势，很难成为主导全局型应用，但有助于完善巨头布局，因而最终难逃被巨头收购的命运。
巨头公司通过投资和并购储备人工智能研发人才与技术的这种趋势越来越明显。
中美在AI行业热点领域各有优势
芯片、自然语言处理、语音识别、机器学习应用、计算机视觉与图像、技术平台、智能无人机、智能机器人、自动驾驶。
在美国AI创业公司中排名前三的领域为：自然语言处理、机器学习应用和计算机视觉与图像。
在中国AI创业公司中排名前三的领域为：计算机视觉与图像、智能机器人和自然语言处理。
美国主导产业巨头具有先发优势
巨头通过招募AI高端人才、组建实验室（见表2-2）等方式加快关键技术研发；同时，通过持续收购新兴AI创业公司，争夺人才与技术，并通过开源技术平台，构建生态体系。
表2-2 巨头纷纷建立AI实验室
中国AI产业未来在哪里？
与互联网相似，中国将会成为AI应用的最大市场，拥有丰富的应用场景，拥有全球最多的用户和活跃的数据生产主体。
第五章 自动驾驶
在汽车行业，自动驾驶汽车可能不再“私有化”，车企将由“销售车辆”转向“销售车辆娱乐服务”。
组成自动驾驶的各项“元素”
利用传感器、摄像头、雷达感知环境，使用GPS和高精度地图确定自身位置，从云端数据库接收交通信息，利用处理器使用收集到的各类数据，向控制系统发出指令，实现加速、刹车、变道、跟随等各种操作。
自动驾驶技术的两种分级模式
自动驾驶技术分为多个等级，业界采用较多的为美国汽车工程师协会（SAE）和美国高速公路安全管理局（NHTSA）推出的分类标准。
表2-3 自动驾驶不同分级标准及定义
自动驾驶的两条技术路线
一条是“渐进演化”的路线，也就是在今天的汽车上逐渐新增一些自动驾驶功能
车车通信（V2V）、车云通信
另一条是完全“革命性”的路线，即从一开始就是彻彻底底的自动驾驶汽车
车载激光雷达、电脑和控制系统实现自动驾驶
第一种方式更加适合在结构化道路上测试，第二种方式除结构化道路外，还可用于军事或特殊领域。
自动驾驶涉及的软硬件
传感器
通过传感器，自动驾驶汽车能够识别道路、其他车辆、行人障碍物和基础交通设施，在最小测试量和验证量的前提下保证车辆对周围环境的感知。按照自动驾驶不同技术路线，传感器可分为激光雷达、传统雷达和摄像头三种。
激光雷达是被当前自动驾驶企业采用比例最大的传感器类型。
安装在汽车的车顶上，能够用激光脉冲对周围环境进行距离检测，并结合软件绘制3D图，从而为自动驾驶汽车提供足够多的环境信息。激光雷达具有准确快速的识别能力，唯一缺点在于造价高昂（平均价格在8万美元一台），导致量产汽车中难以使用该技术。
单目摄像头需要建立并不断维护庞大的样本特征数据库，如果缺乏待识别目标的特征数据，就会导致系统无法识别以及测距，很容易造成事故的发生。
双目摄像头可直接对前方景物进行测距，但难点在于计算量大，需要提高计算单元性能
地图和定位
自动驾驶技术对于车道、车距、路障等信息的依赖程度更高，需要更加精确的位置信息，是自动驾驶车辆对环境理解的基础。
为了实现决策的安全性，需要达到厘米级的精确程度。
地图路线选择目前主要有两种：一是精致高清（HD）地图。这种地图往往配备在那些使用了激光雷达的厂商方案中，目的是为了创建360°的周围环境认知
二是特征映射地图。这种方案通常与雷达、摄像头的方案进行结合
图2-2 使用激光雷达可精确还原车辆环境
车辆定位的方案也主要包括两种：一是通过高清地图。
二是通过GPS定位。
这种方案主要通过GPS定位获取车辆位置，然后再使用车载摄像头等装置改善定位信息，逐帧比较的方式可以降低GPS信号的误差范围。
导航系统和测绘数据有很强的依赖。
图2-3 高精度地图、GPS与车车通信可帮助确认车辆所处位置
决策
一是神经网络，主要为了识别特定的场景并做出适当决策，但这些网络复杂的特性导致很难理解特定决策的根本原因或逻辑。二是以规则为基础的决策系统，主要是“IF-THEN”决策系统，决策根据具体规则做出。三是混合决策，包括了以上两种决策方式，主要通过集中性神经网络连接个人的处理，并通过“IF-THEN”规则完善这样的路径。
海量的数据是机器学习以及人工智能算法的基础，通过此前提到的传感器、V2X设施和高精度地图信息所获得的数据，以及收集到的驾驶行为、驾驶经验、驾驶规则、案例和周边环境的数据信息，不断优化的算法能够识别并最终规划路线、操纵驾驶。
自动驾驶产业发展情况和趋势
以尽快商用为目标，加快推进路面测试和法规出台
各国纷纷将2020年作为重要时间节点，希望届时实现自动驾驶汽车全面部署。
以网联汽车为方向，推动系统研发和通信标准统一
5G、V2X专用通信可将感知范围扩展到车载传感器工作边界以外的范围，实现安全高带宽业务应用和自动驾驶，完成汽车从代步工具向信息平台、娱乐平台的转化，有助于进一步丰富业务情景。
工信部组织起草的智能网联汽车标准体系方案即将对外发布，车联网标准体系也在逐步完善，对于智能网联汽车发展至关重要。
以创新业态为引领，互联网企业成为重要驱动力量
以企业并购为突破，初创企业和领军企业成为标的
总的来看，收购领军企业或具有潜力的初创企业，应该可以迅速加快自身自动驾驶技术的积累，形成竞争优势。
自动驾驶汽车何时能够上路？
自动驾驶汽车上路的一个关键前提就是已经在真实世界里积累了丰富的测试经验，任何封闭的环境都无法模拟出真实世界的路况，这对于提升机器学习算法来说非常重要。
真实世界中很多区域都是非结构化道路，也没有明显的车道或交通标志，为自动驾驶系统的构建带来了更大的困难。
未来可以在保证安全的情况下开展技术研究，包括开展基于真实世界的、低风险的自动驾驶导航研究（用于受限的环境和用途），向行业和监管机构共享自动驾驶测试数据（包括测试里程、碰撞情况、系统错误）等，不仅可以帮助其他企业在研发和测试方面少走弯路，还能为企业走向商用提供安全性的证明。
第六章 智能机器人
什么是机器人？
机器人是指由仿生元件组成并具备运动特性的机电设备，它具有操作物体以及感知周围环境的能力。
图2-4 机器人种类和主要应用领域
工业机器人产业应用成熟并稳步增长
市场规模急速扩大
自主品牌机器人未成规模化
应用领域不断延伸
应用区域不断扩展
服务机器人产业还处于起步阶段
服务机器人按照其应用领域划分，主要包括个人/家用服务机器人和专业服务机器人两大类。其中，个人/家用服务机器人主要包括教育机器人、扫地机器人、娱乐机器人、残障辅助机器人等；专业服务机器人主要包括国防机器人、野外机器人、医疗机器人、物流机器人等。
公共安全机器人、医疗康复机器人、仿生机器人平台和模块化核心部件等四大任务是重中之重。
当前我国服务机器人市场现状有以下特点：
市场渗透率低
应用场景日趋成熟
个人/家庭服务机器人主要包括智能家居、娱乐教育、安全健康和信息服务这四大类，技术相对简单，应用场景明确，商业可行性高，是服务机器人行业发展最成熟、竞争最激烈的领域。目前，我国已有数家企业涉足该领域。
医疗机器人可分为手术机器人和康复机器人两大子领域。
我国对公共安全、农业、测绘等特殊应用类机器人也有较大需求。
市场前景良好
服务机器人在国内发展的阻力远远小于工业机器人。一方面是因为服务机器人是中国公司和国外公司差距较小的领域。
全球机器人发展趋势
工业大国出台机器人产业政策。
汽车工业仍为工业机器人主要用户。
双臂协力型机器人为工业机器人市场新亮点。
服务机器人市场成长动能十分可期。
我国机器人产业发展趋势
研发能力进一步增强。
智造升级势不可挡。
服务机器人或将赶超。
扶持政策将趋于规范。
第七章 智能医疗
推动了以数据密集、知识密集、脑力劳动密集为特征的医疗产业与人工智能的深度融合。
随着社会进步和人们健康意识的觉醒，人口老龄化问题的不断加剧，人们对于提升医疗技术、延长人类寿命、增强健康的需求也更加迫切。
智能医疗的主要应用场景
智能医疗的具体应用包括洞察与风险管理、医学研究、医学影像与诊断、生活方式管理与监督、精神健康、护理、急救室与医院管理、药物挖掘、虚拟助理、可穿戴设备以及其他。
医疗机器人
一是能够读取人体神经信号的可穿戴型机器人，也称为“智能外骨骼”；
二是能够承担手术或医疗保健功能的机器人，以IBM开发的达·芬奇手术系统为典型代表。
智能药物研发
人工智能通过计算机模拟，可以对药物活性、安全性和副作用进行预测。
智能诊疗
智能诊疗就是将人工智能技术用于辅助诊疗中，让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。
智能医学影像
一是图像识别，应用于感知环节
二是深度学习，应用于学习和分析环节
智能健康管理
目前主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。
智能医疗产业应用典型案例
医疗机器人
一是智能外骨骼。
二是手术机器人。
世界上最有代表性的做手术的机器人就是达·芬奇手术系统。
智能药物研发
“效率是药物开发的关键”。
美国硅谷公司Atomwise通过IBM超级计算机，在分子结构数据库中筛选治疗方法，经评估选出820万种药物研发的候选化合物。
除挖掘化合物研制新药外，美国Berg生物医药公司通过研究生物数据研发新型药物。
智能诊疗
目前Watson提供诊治服务的病种包括乳腺癌、肺癌、结肠癌、前列腺癌、膀胱癌、卵巢癌、子宫癌等多种癌症。Watson实质是融合了自然语言处理、认知技术、自动推理、机器学习、信息检索等技术，并给予假设认知和大规模的证据搜集、分析、评价的人工智能系统。
智能影像识别
美国企业Enlitic将深度学习运用到了癌症等恶性肿瘤的检测中，该公司开发的系统的癌症检出率超越了4位顶级的放射科医生，诊断出了人类医生无法诊断出的7%的癌症。
智能健康管理
一是风险识别。
二是虚拟护士。
三是精神健康。
四是移动医疗。
五是健康干预。
国内智能医疗发展情况
根据方正证券发布的互联网医疗深度报告，“中国互联网医疗发展经历了三个阶段：信息服务阶段，实现人和信息的连接；咨询服务阶段，实现人和医生的连接；诊疗服务阶段，实现人和医疗机构的连接。”
智能医疗发展中面临的挑战
政府监管障碍。
医疗数据的获取限制。
智能医疗想要获得长足发展，必须依赖大量医疗数据的积累。
与传统医院业务兼容困难。
第八章 智能投顾
智能投顾是人工智能技术与金融服务深度结合的产物。
通过智能投顾开展投资管理是财富管理市场的重大突破，与传统投顾模式相比，智能投顾所具备的透明度较高、投资门槛和管理费率较低、用户体验良好、个性化投资建议等独特优势，对于特定客户群体而言吸引力较大，推动了用户数量和市场规模的不断增长。
何为智能投顾？
仅从术语角度而言，智能投顾的近义词还包括自动化顾问工具（Automated Advice Tools）、自动化投资平台（Automated Investment Platform）、自动化投资工具（Automated Investment Tools）等等。
兴起因素
从大环境方面来看，创新技术的应用、传统投顾模式未能有效满足的市场需求、用户行为习惯和社会结构的变化，以及投资市场结构和监管环境的调整，带来了智能投顾服务的不断渗透和发展。
智能投顾业务模式
从功能角度
从服务对象角度
从服务提供机构角度
从人工投顾参与程度角度
从定制化程度角度
从投资产品角度
市场规模
基金管理行业巨头黑石（BlackRock）通过收购初创企业Future Advisor，正式涉足智能投顾市场；美林银行、富国银行等商业银行也开始着手布局智能投顾市场（见表2-5）。
表2-5 部分智能投顾平台数据（截止2017年6月）
斜体样式
第九章 虚拟现实和增强现实
虚拟现实的长足发展
国际巨头纷纷涌入
2016年是VR产业的元年，谷歌、索尼、HTC、微软、Facebook等国际巨头相继入局VR领域。
硬件发展速度加快
美国仍是全球VR产业领军者
目前美国在该领域的基础研究主要集中在感知、用户界面、后台软件和硬件四个方面。
我国VR产业发展势头良好
市场规模总体体量仍然较小，但潜力巨大
投融资整体处于A轮前阶段，但日趋活跃
VR生态圈初步形成
相较国外科技巨头高投入、长周期的VR开发模式，国内大部分小规模初创企业的VR开发具有投入较少、周期较短、技术含量相对较低等特征，产品主要面向国内市场。
VR产品形态丰富多样
VR硬件
目前国内VR硬件投资市场以输出设备为主，市场上主要产品可以分为移动端VR、PC端VR和一体机。
VR内容
VR产业想要真正发展起来，必须保证足量的优质内容，结合硬件发展，形成自己的产业链。
VR产业发展预测与展望
PC端VR将是短期主流，一体机将后来居上
移动端强调趣味性和移动性，PC端强调逼真性。PC端是目前最被推崇和看好的VR形态。因为它配置高，体验效果极佳。
但目前由于技术限制，一体机最重要的处理芯片研发不足，市场上也缺乏相关厂商，在内容缺失和智能化程度低等一系列现状下，一体机距离人们理想中的效果还有一段路要走。
硬件端龙头初显，内容和应用存在短板
VR市场正在经历理性调整
AR技术和产业发展迅猛
手机和智能硬件发展助力AR技术
AR本身就是智能硬件的一个发展方向，单是谷歌眼镜就已经激起了不少人的好奇心。
AR/VR融合成为可能，内容将是推动力
AR核心是处理信号（摄像头）输入问题，让计算机理解周边环境，解决线上线下信息和交互不对称的问题，使用户获得“超能力”去处理现实中的问题。VR技术核心是处理信号（显示）输出问题，要“以假乱真”，使用户获得“超体验”。
增强现实的呈现形式
AR共有三种显示方式，按距离眼睛从近到远分别为手持式（Hand-Held）、空间展示（Spatial）、可穿戴式（Head-Attached）。
光场显示或其他视网膜显示技术（Retinal Displays）
头戴式显示技术（Head-Mounted Displays）
光学式
AR相比VR可能更受投资者青睐
在市场估值上，AR的估值比VR高。
在用户体验上，AR更能够满足用户的体验感。
在社交方面，AR不会把使用者与真实世界隔开。
在生活应用中，AR未来的发展前景比VR更广阔。
AR涉及的技术深度和广度相比VR都要大一些。
第十章 智能家居
智能家居正在全球范围内呈现强劲的活力
美国独占鳌头并引领行业发展风向标
从智能家居普及率的增长情况来看，美国也以5.8%位居第一，日本、瑞典、德国、挪威等传统发达国家则分居第2～5位，中国普及率仅为0.1％。
美国智能家居按照市场容量依次主要涵盖娱乐（13.321亿美元）、安全（8.368亿美元）、自动化（7.699亿美元）、能源管理（3.826亿美元）、环境清洁（0.829亿美元）等五大领域，其中2015年以自动化（147.3％）、环境清洁（92.2％）领跑增长率。
中国潜在发展空间巨大，市场风口即将来临？
智能家居群雄逐鹿，龙头企业蓄势待发
以单品爆发与平台发力等作为落脚点争相布局，欲抢占智能家居产业的主导地位。
亚马逊、苹果、谷歌等都争相在平台、系统中枢上布局，意在以开放平台为卖点，构建一个开放的生态，实现互联互通与家居控制中心的战略目标，借此抢占更多上下游的支持者资源，巩固自身在市场中的主导地位。
智能家居行业发展展望
单品优化完善，应用场景扩大
标准趋于统一，生态逐渐成熟
由于各厂商已经有大量的投入，不愿牺牲自己的利益，难以在同一个平台上达成共识。产品不兼容影响用户购买选择，也增加了智能家居系统的铺设成本，这是目前智能家居产业发展的制约“瓶颈”之一。
智能家居安全问题面临挑战
伴随着智能家居产品的互联互通的趋势发展，任一设备受到攻击感染，其他设备也会受到波及。
由于不同的智能家居设备硬件、固件等方面存在着很多区别，为设备安全测评、反馈弥补机制带来了挑战。
智能家居互联互通，成AI最佳应用场景
整个智能家居的发展方向将实现数据全面兼容，共同为用户提供有价值的智能家庭解决方案，为用户带来更加智慧、便捷的生活体验。
智能家居发展趋势将不断向好
机器学习、模式识别及物联网技术的发展，带来了多种交互模式，使家居产品更加智能化和人性化。
展望未来，人工智能技术将使智能家居由原来的被动智能转向主动智能，甚至可以代替人进行思考、决策和执行。
第十一章 无人飞行器
国际无人飞行器发展呈腾空之势
各国各地区发展优势不一
无人飞行器应用更加深广
农业是民用无人飞行器最具使用前景的应用领域。目前，亚洲水稻种植区已有2300多架无人飞行器被用来喷洒农药和肥料。而日本90%的此类工作都由无人飞行器完成。未来农业领域无人飞行器市场将更宽广。
民用航拍飞行器的需求更是强劲。
在商业领域，国外消费级无人飞行器主要有四个用途：娱乐、非商用二次开发（个人科研）、商用二次开发（土地、农业测量）、商业航拍（广告、电影电视等）。
植保无人飞行器已近大规模化应用
无人飞行器应用于国际人道主义救援
国内无人飞行器产业发展高歌猛进
我国无人飞行器发展沿革
我国无人飞行器发展态势
应用领域细分，需求相对集中
在需求方面，国内无人飞行器市场需求90%来自军方和警方，其他方向需求仅占10%，机型以无人靶机和带有电子光学/红外线侦察平台的无人侦察机为主。
无人飞行器安防领域市场前景良好
国内企业加快无人飞行器在快递行业的布局
开放型生态系统已初步形成
大型优质企业引领国内发展
第十二章 人工智能创业
人工智能创业领域分布
目前，计算机视觉、机器人、自然语言处理是创业最热门的领域（见图2-9）。这与相应产业前期的场景使用和数据积累密不可分，我国的人脸识别技术水平处于领先地位。
图2-9 中美人工智能应用占比及创业领域
人工智能相关的技术按照数据处理和应用的生命周期来划分，可以归结为三大类：基础类人工智能技术、技术类人工智能技术、应用类人工智能技术。
中国人工智能创业项目分类
人工智能创业项目在应用层关联得最为广泛：机器人、无人机、智能家居和虚拟个人助理等。
表2-6 人工智能产业价值链
目前人工智能正在诸多领域取得突破，但是核心依然是数据背后的算法应用。
智能交互领域
从传统客服体系到智能客服体系再到企业智能交互，这是三个层面的跨越，也是当前大量互联网公司的真正的刚需。
计算机视觉领域
旷视科技以深度学习、计算机视觉为核心技术，不断扩展其在视觉识别及深度学习领域的优势，现已累计提供超过150亿次数据服务，成为目前国内较大的智能数据提供方之一。
健康医疗领域
医疗领域从应用场景来看，主要分为虚拟助理、医学影像、药物研发、营养学、生物技术、急救室/医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学共11个领域
智能招聘领域
智能法务领域
智能驾驶领域
智能投顾领域
智能教育领域
以人工智能为能力基础，结合传统企业共进发展
本质是科技进步对所有产业的提升，而并非单独一个新兴行业，只有当人工智能技术在中国真正普遍地应用于传统行业，而不仅仅属于科技巨头时，其经济潜力才会充分彰显。
随着人工智能产业化和我国产业政策的引导扶持政策的相继出台，人工智能的发展必然会带动传统企业提升技术硬实力，进而对全领域产业实现技术升级
表2-7 部分咨询机构对于人工智能前景的预测
AI驱动产业智变：各大平台纷纷布局AI生态
AI Lab打造腾讯AI核心技术团队
AI Lab深度挖掘的能力包括：（1）AI决策能力，靠强化学习方面的研究，围棋AI就是一个例子；（2）AI理解力，靠认知科学方面的研究；（3）AI创造力，靠生成模型。
腾讯开放平台，打造AI开放战略
众创空间提供三位一体的创业资源服务，为创业项目对接互联网+O2O+线下资源，大大提升了创业成功率。
图2-10 腾讯开放资源详解
第十三章 顶层设计
广阔天地，大有可为
自动驾驶
精准医疗
先进制造
智慧城市
智慧城市，即为城市配备工具以解决民众最关心的紧迫问题，如交通拥堵、犯罪、可持续性和重要城市服务的提供。
人脑研究
运筹帷幄的世界大国
捍卫领先的美利坚——全方位战略布局
预防机器产生偏见及确保人工智能的“道德”显得尤为重要，以确保人工智能可以促进正义和公平，以人工智能为基础的技术能够取得利益相关方的信赖。
总体而言，美国是目前为止在国家层面出台人工智能战略、政策性报告最多的国家。美国无疑是人工智能研究领域的先导者，它的一举一动势必影响全球人类的命运。
雄心勃勃的欧盟——“人脑”与“SPARC”计划
机器人超级大国日本——“新工业革命”
日本机器人产业占国家经济增长的比重远远超过世界上其他国家。
不甘落后的英国——直面第四次工业革命挑战
中国，从“跟跑”走向“领跑”
在创新的浪潮中，制度建设也是生产力。
近期《经济学人》撰文指出，五大因素促使中国发展成为全球AI中心：（1）多个行业希望利用AI实现数字化转型；（2）大量人工智能高端人才；（3）移动互联网市场前景广阔；（4）高性能计算技术；（5）政府政策支持。
第十四章 资本的力量
人工智能产业和技术的火热发展，带来了该领域的融资浪潮。
资金是人工智能蓬勃发展的基础保障
资金是人工智能发展的物质保障，是实现基础研发和产业快速发展的必备条件。
资金是吸引人才的有效路径。
各国政府加大对人工智能的投入
从目前的现状来看，在基础研究方面的投资还远远不够，基础研究投入周期长，研究目的纯粹是为了拓展这一领域的科学边界，因此私营企业很难在短期内获得相应的投资回报。
世界巨头企业纷纷加入人工智能阵营
谷歌公司首席执行官孙达尔·皮柴认为，谷歌的业务发展战略从“移动优先”转向“人工智能优先”。谷歌是AI市场最积极的买家。
我国政府已着手加大人工智能领域的资金投入
我国企业人工智能领域力争上游，加大资金投入
在细分领域中，计算机视觉、机器人、自然语言处理三大领域在中国资本市场备受推崇。
第十五章 有形的手
一方面，人工智能系统作为信息化应用，一定会受到开发局限性和数据准确性的影响，有可能在特定场景下发生错误决策，带来财产损失或人身伤亡，如自动驾驶汽车发生交通事故。另一方面，人工智能技术应用还可能带来公平性和歧视性问题。
2016年哈佛大学肯尼迪学院发布的分析报告指出，目前针对犯罪倾向性预测的人工智能系统，无论技术人员如何调整机器学习的策略和算法，人种肤色都成为无法抹去的高优先识别变量。
越来越多的国家、地区、国际组织、行业协会提出应将监管之手扩展到人工智能方面，尤其是涉及机器决策的算法、数据等内容，手段包括加强安全方面管控、构建人工智能标准和规则、鼓励公众参与人工智能治理等。
明确监管机构职责
成立人工智能统筹监管机构
图3-1 美国人工智能监管整体架构
明确不同层级监管机构的作用
加强安全管控
通过安全测试
用于人工智能训练、测试的公共数据集和环境，制定用于测量、评估人工智能的标准和基准，了解学界、政府和行业中人工智能从业人员的需求，制定教育和培训计划。
决策公平透明
以非常直观、明确的方式对AI决策进行追踪，才能够保证执法行为是有理有据的。
AI决策的透明度对于监管的重要性，可以有效消除公众对AI技术的不信任和偏见。
“机器歧视”最小化
程序员们在编辑代码指引每个人的生活时，应该充分认识到其对伦理道德与社会敏感性的影响。
“谁动了我的隐私”
目前需要有效的措施来保证人工智能系统使用的数据被合理地限制、管理和控制，以此来保护隐私权。
谁来负责？
关于机器人伦理的考虑，不应该局限于某次事故或者失灵造成的人身损害，更应该包括智能机器人带来的心理伤害，如机器人侵犯人的隐私、人因为机器人的类人行为而对其过分依赖等。
保险制度的完善
规则超前部署的重要性
一刀切式的监管不可取
没有规矩，不成方圆
公众治理的重要性
我国应将人工智能监管规则纳入战略考量
为了更好促进我国人工智能产业发展，相关的法律、伦理、监管配套制度都应并行建立，不然未来可能出现产业发展成熟却无法应用的窘境。
第十六章 善良的AI
伦理问题成人工智能最艰巨挑战
算法歧视
此外，深度学习是一个典型的“黑箱”算法，连设计者可能都不知道算法如何决策，要在系统中发现有没有存在歧视和歧视根源，在技术上可能是比较困难的。
隐私
责任与安全
机器人权利
各国政府及组织战略
联合国的人工智能政策与监管
自动化机器人的使用带来的挑战。
数据和隐私保护；创新关于机器人与机器人制造者之间的责任分担机制；预警机制的建立；对机器人在实际生活场景中的测试；在涉及人类的机器人研究中的知情同意权；智能机器人的退出机制；为应对自动机器人的广泛应用将给人类教育和就业带来的巨大影响而建立全新的保险制度。
机器人技术与机械伦理学。
迈向新的责任分担机制？
决策可追溯的重要性。
建立对伦理、法律和社会（ELS）问题的早期认识，有助于采取及时的立法行动和社会互动。
组织应对
进行合作或成立联盟
成立专门研究、监管AI伦理的机构
从技术上限制AI行动
出版官方研究报告和指南
第十七章 人才争夺战
人才争夺战全面开打
美国：更好地把握国家人工智能研发人才需求
日本：培养专业人才队伍
英国：提倡科技教育的全额奖学金计划
同时建立适应性的及时培训方案，让劳动者跟上最新的科技发展潮流，在被迫的职业转换过程中，为他们提供终生的学习机会。
中国：高度重视人工智能领域人才培养
得人工智能人才者得天下
全球各巨头公司均意识到，人工智能领域竞争的核心即人才之争。
一流的人才，一流的待遇，这样的科技公司便成为行业尖端人才的聚集地，人才推动企业快速发展，而持续的业绩增长又反过促使企业不断吸引大量优秀人才加盟，形成良性循环。
百度重搜索，阿里优策略，腾讯重分析。
第四篇 法律篇：智能时代的公平正义
法律习惯于对社会新技术的发展做出相对滞后的回应，但是在人工智能领域，我们是否需要做出一些具有前瞻性的立法布局以及如何布局，是全球各国都需要共同面对的法律难题。
第十八章 AI要怎么负责？
传统责任理论的困境：旧瓶是否还能再装新酒？
自动驾驶汽车领域的立法尝试
机器人法律责任的探索
采取责任分担的解决途径，让所有参与到机器人的发明、授权和分配过程中的人来分担责任。
构建一个结构合理的责任体系
立法机构应当阐明人工系统开发过程中的职责、过错、责任、可责性等问题，以便于制造商和使用者知晓其权利和义务；人工智能设计者和开发者在必要时考虑使用群体的文化规范的多样性；利益相关方应当在人工智能及其影响超出了既有规范之外时一起制定新的规则；自主系统的生产商和使用者应当创建记录系统，记录核心参数。
第十九章 隐私深处的忧虑
大数据分析技术让人们的隐私无处可藏，所谓隐私保护，其实也不过是皇帝的新衣。
隐私与数据保护是AI核心议题
精准营销的一个潜在危险就是“精准诈骗”，诸多诈骗案件表明，这将会给个人人身和财产安全带来极大的损害。
全球隐私与数据保护立法不断升温
即用户有权拒绝企业对其进行画像等自动化决策，而且用于用户画像的数据不能包括人种或者种族起源、政治观点、宗教或者哲学信仰、商会会员、基因、生物特征、健康状况、性取向等特殊类别的个人数据。
挑战与应对：匿名化技术的应用
为了进一步强化人工智能时代个人隐私和数据保护，立法中越来越强调对技术手段的运用，其中最重要的一项技术手段为“匿名化处理”。
匿名化是指将个人数据移除可识别个人信息的部分，并且通过这一方法，数据主体不会再被识别。
明确匿名化数据的法律概念和认定标准，强调数据不再具有身份可识别性；引入隐私风险评估机制，鼓励企业基于个案在内部实施数据匿名化的风险评估，并基于评估结果，适时调整匿名化策略；利用合同规范、技术保障等多重工具实现数据的真正匿名化；建立数据匿名化的事前、事中、事后规范体系。
立法动态调整的方向
第二十章 看不见的非正义
算法歧视（Algorithmic Bias）由此成为一个需要正视的问题。规则代码化带来的不透明、不准确、不公平、难以审查等问题，需要认真思考和研究。
人工智能算法决策日益盛行
算法默认是公平的吗？
首先，公平是一个模糊的概念，法律上的公平被翻译成算法公平可能存在困难
其次，公平被量化、被算法化可能带来歧视问题。
在自主决策系统应用日益广泛的互联网时代，人们需要摒弃算法本质上是公平的误解，考虑如何通过设计确保算法和人工智能系统的公平性，因为很多歧视来源于产品设计。
算法决策可能暗藏歧视
算法决策在很多时候其实就是一种预测，用过去的数据预测未来的趋势。
算法决策不仅仅会将过去的歧视做法代码化，而且会创造自己的现实，形成一个“自我实现的歧视性反馈循环”。
算法决策其实缺乏对未来的想象力，而人类社会的进步需要这样的想象力。
算法歧视不容忽视
犯罪风险评估中的歧视：
法官和犯罪风险评估软件哪个更靠谱？
人工智能决策三大问题：公平、透明性和可责性
作为“黑箱”的算法的透明化困境
因公司商业秘密或者国家秘密而产生的不透明性，因技术文盲而产生的不透明性，以及从机器学习算法的特征和要求将它们有效适用的测量中产生的不透明性。
如何向算法问责？
在算法决定一切的时代，对算法进行审查是极为必要的。
从成本-效益分析的角度来看，解密算法从而使之透明化需要付出非常大的代价，可能远远超出所能获得的效益。此时，人们只能尝试对不透明的算法进行审查，但这未必能得到一个公平的结果。
构建技术公平规则，通过设计实现公平
在人工智能日益代替人类进行各种决策的时代，设计出验证、证实、知情同意、透明性、可责性、救济、责任等方面的机制，对于削弱或者避免算法歧视、确保公平正义，是至关重要的。
第二十一章 作者之死
人工智能创作物受版权法保护吗？
第一，人工智能的创造主体，必须是同时具有IQ和EQ的综合体，而不仅仅是IQ。第二，人工智能创作的作品，必须能成为具有独立知识产权的作品，而不仅仅是某种技术中间状态的成果。第三，人工智能的创作过程中，必须对应人类某种富有创造力的行为，而不是对人类劳动的简单替代。
人工智能是否具有独立的智力创作能力？
人工智能创作的成果是否满足独创性保护要求？
人工智能的其他知识产权问题
第二十二章 我是谁？
人工智能机器人法律人格
机器权利
谁来赋权于机器人？
是否应当由人类赋予机器人权利的问题，其实质在于是否承认机器人的主体地位问题。
赋予机器人哪些权利？
机器人可以拥有哪些权利？
机器人的权利与义务
微软公司的创始人比尔·盖茨公开表示，政府应当对人工智能征税，用来补贴和培训因为机器人大规模应用而失业的人。
第二十三章 法律人工智能十大趋势
（1）法律推理的形式模型；
（2）论证和决策的计算模型；
（3）证据推理的计算模型；
（4）多智能体系统中的法律推理；
（5）自动化的法律文本分类和概括；
（6）从法律数据库和文本中自动提取信息；
（7）针对电子取证和其他法律应用的机器学习和数据挖掘；
（8）概念上的或者基于模型的法律信息检索；
（9）自动化次要、重复性的法律任务的法律机器人；
（10）立法的可执行模型。
第一，智能化、自动化的法律检索将深刻影响法律人进行法律研究（检索）的方式。
基于自然语言处理（NLP）和深度学习的语义检索和法律问答已经在开始改造传统的法律检索服务。
第二，人工智能将持续推动法律文件自动化。
第一个层次是法律文件审阅自动化。
基于NLP、TAR（技术辅助审阅）、机器学习、预测性编程（Predictive Coding）等技术的电子取证程序可以显著提高这一工作的效率，大大节约审阅文书的时间，而且准确性不输人类律师，因此成为了法律科技市场的一大细分领域，微软等公司都已介入。
然而，德勤（Deloitte）借助机器学习合同分析系统Kira Systems，只要15分钟就可以读完原本需要人类律师花费12个小时才能审阅完的合同。
第二个层次是法律文件生成自动化。
第三，在线法律服务、机器人法律服务等替代性商业模式（Alternative Business Structure）不断涌现，使得法律服务的提供日益标准化、商品化、自动化、民主化。
第四，基于人工智能和大数据的案件预测将深刻影响当事人的诉讼行为和法律纠纷的解决。
Lex Machina公司提供的服务，通过对成千上万份判决书进行自然语言处理，来预测案件结果。
案件预测的价值主要体现在两个方面，一方面可以帮助当事人形成最佳的诉讼策略，从而节约诉讼成本；另一方面，可以帮助法官实现同案同判，也即所谓的大数据司法确保公平正义。
但案件预测的弊端在于可能扭曲当事人的诉讼行为，带来新的偏见和滥用。
第五，在线法院（Online Court），以及人工智能法律援助，将促进司法可得性（Access to Justice），帮助消除司法鸿沟（Justice Gap）。
第六，人工智能和机器人将成为法律系统的主要进入点。
第七，律师市场评价将使法律行业更加透明，可能带来“马太效应”。
第八，法律人工智能职业将作为法律行业的新兴职业而不断涌现。
第九，法律教育与人工智能等前沿信息科学技术将日益密切结合起来。
第十，计算法律（Computational Law），以及算法裁判，或将成为法律的终极形态。
法律人应做好迎接未来的准备
预见未来的最好方式是创造未来。
第一，是否涉及数据分析和处理，在这一方面，人类几乎不可能和人工智能和机器人相匹敌，尽早使用并适应新技术才是明智的选择；
第二，是否涉及互动交流，类似行政前台等法律客服工作被自动化的可能性非常大，一般的法律咨询也可以被自动化，但更高级别的互动交流如谈判、出庭等则很难在短期内被自动化；
第三，是否处于辅助决策的地位，人工智能辅助决策已经被应用在了很多领域，在法律行业，人工智能辅助决策也正在发生并成为一个趋势，比如在案件结果预测上，人工智能可以比专业律师做得更好，诸如此类，尽早利用并适应新技术才是必然的选择。
第二十四章 道德机器
机器正从被动工具向能动者转变，可以像人一样具有感知、认知、规划、决策、执行等能力。
在机器学习中，是学习算法（Learning Algorithm）创建了规则，而非程序员。
道德代码的必要性
智能机器决策中的一些问题也彰显了机器伦理的重要性，需要让高度自主的智能机器成为一个像人类一样的道德体，即道德机器（Moral Machine）。
为了降低军用自主机器人可能导致的危害，需要让它们遵守人类公认的道德规范，比如不伤害非战斗人员、区分军用与民用设施等。
道德机器的实现
第一，识别特定社群的规范和价值。
AI系统一般受到多种规范和价值约束，诸如法律要求、金钱利益、社会和道德价值等，它们彼此之间可能发生冲突。
第二，将发现并确定的规范和价值嵌入人工智能系统。
第三，评估嵌入人工智能系统的规范和价值是否和人类的相符。
所以有人提出兼容人类的AI，包括三项原则：一是利他主义，即机器人的唯一目标是最大化人类价值的实现；二是不确定性，即机器人一开始不确定人类价值是什么；三是考虑人类，即人类行为提供了关于人类价值的信息，从而帮助机器人确定什么是人类所希望的价值。解决价值对接问题，需要更多跨学科的对话和交流机制。
人工智能伦理和道德机器的实现需要综合的治理模式
第二十五章 人工智能23条“军规”
目的在于让人工智能造福于人类的同时，也是安全、可靠、可控的，不会威胁到我们这个物种的生存。
对机器失控的担忧由来已久
阿西莫夫机器人三定律靠谱吗？
第一定律，机器人不能伤害人类，不能袖手旁观坐视人类受到伤害。第二定律，机器人应服从人类指令，除非该指令与第一定律相悖。第三定律，在不违背第一和第二定律的情况下，机器人应保护自身的存在。后来阿西莫夫对机器人三定律进行了补充，提出了第零定律，约定机器人必须保护人类的整体利益不受伤害。
对新一轮人工智能“军规”的探索
第一，各国政府密切关注人工智能安全，出台安全和伦理举措。
第二，行业签署阿西洛马人工智能原则。
图5-1 阿西洛马人工智能原则
微软公司在2016年提出了人工智能六大原则，旨在使人工智能能够造福于全人类，这些原则包括：（1）AI必须辅助人类；（2）AI必须透明；（3）AI必须以不危害人们的尊严的方式最大化效率；（4）AI必须被设计来保护隐私；（5）AI必须在算法层面具有可责性；（6）AI必须防止偏见。
未来需要必要的人工智能“紧箍咒”
第二十六章 未来人机关系
虚拟世界中的人机秩序
技术性失业危机下的人机协作
从长远来看，人机合作将成为未来的一种趋势，人类做人类擅长的事情、机器做机器擅长的事情，人机协作将最大化发挥双方的优势，实现合作共赢。
未来人机关系四大设想：魔幻主义抑或未来现实？
第一，担忧机器威胁人类，通过控制AI实现人机共存。
第二，AI成为人类意识的代理者，人类通过AI延伸自我。
第三，未来“虚拟的真实存在”或将成真。
第四，未来人机如何相处？
终极疑问：人是机器吗？
第二十七章 从互联网治理到AI治理
从管理到治理
互联网治理追根溯源
IANA的职能是协调一些用来确保互联网平稳运行的关键要素，主要包含以下三个：
（1）协议参数。
（2）互联网号码资源。
（3）根区管理。
互联网治理的扩展
互联网治理内涵的扩充
当互联网的流动性、无国界、高技术及创新性等特征日趋凸显时，互联网的治理逐渐摆脱狭义的物理层面的资源管理，而拓展到多元主体为解决互联网的全球性问题，共同设定发展目标、规划路线方针并制定行为规则的协同行动机制。
互联网治理模式的变迁
技术治理模式、网格化治理模式、联合国治理模式以及国家中心治理模式。
以上四种治理模式从某种程度上而言，是国家、市场和社会力量不断角逐与调整的阶段性体现，多元协同的局面将是当下及未来大势。
第二十八章 AI治理的挑战
落后于技术与产业的规则
早期的技术研发需要宽松的土壤以满足科学家无尽的想象力，过早地介入无异于将技术扼杀在摇篮中。
我们真的了解技术吗？
外部监管的迟延与无力，商业自治的非中立性与缺乏权威，是多元治理主体面对新兴科技需要共同协力破解的困局。
终极追问：走向AI的世界，还是让AI走进我们的世界？
第二十九章 AI之治
治理应当建立在技术与产业革新的基础之上
适度性监管，保持权力的谦逊
适度性监管，实质是监管机构要保持权力的谦逊，对于市场的创新，更多应该交由市场规律来处理。
不要陷入泛安全化误区
首先需要厘清，新兴的AI产品相比传统产品、服务的风险是否更大？
以促进发展和创新为目的
规制与发展之间可以找到很好的经典的平衡，而不是单纯地扼杀。
鼓励多元主体参与的多层次治理模式
而所谓的多层次治理路径，则是指政府、市场以及公民社会各司其职，以适当的角色加入到治理大军之中。
第三十章 砸了谁的饭碗？
“人工智能+”农业
“人工智能+”工业
失业警报全面来袭
图7-2 短期内人工智能的主要应用领域
机器人是好员工
高危职业、恶劣环境中的稳定性能。
降低成本、提高产出、解放生产力。
资源地域分配不均问题。
第三十一章 战争机器人
伴随着三次工业革命的技术成果，人类战争先后经历了从冷兵器到热兵器、从热兵器到机械化、从机械化到信息化的三次重大变革，而每一次的重大变革都使得新的战争力量远远超越旧的战争力量，并由此带来下一次新的军事竞赛与技术革命。
自主化与智能化的研发趋势
在实战应用中，战争机器人具有非常显著的优势：第一，具有较高的智能与自主化功能；第二，全方位、全天候的作战能力；第三，较强的战场生存能力；第四，绝对服从命令，听从指挥；第五，较低的使用成本。
除此之外，战争机器人还表现出更多战略性的优势：一是延伸作战领域空间，提升作战效能。
二是显著减少人员伤亡，降低作战成本。
三是增强综合作战实力。
防止战争机器人的异变
第三十三章 新的生产力
人工智能经济革命
新一轮“阿波罗计划”
人类大脑是一个功能结构极其复杂的庞大系统。为了解决千百年来人类对大脑的认知黑洞，多个国家相继提出了“脑计划”。
人工智能——新的生产要素
人工智能经济红利
人工智能带动经济发展主要通过以下三个重要途径：首先，它能够创造虚拟的劳动力，即“智能自动化”；其次，人工智能能够完善、提高现有劳动力的技术水平和物质资本的有效使用；再次，像其他技术一样，人工智能能够促进经济的创新
--------------------------文档信息--------------------------
读书笔记由博主整理编辑，供非商用学习交流用
如本文涉及侵权，请随时留言博主，必妥善处置
版权声明：非商用自由转载-保持署名-注明出处
署名(BY) ：dkjkls（dkj卡洛斯）
文章出处：http://blog.csdn.net/dkjkls