广西民族大学-广民社区

标题: 科学新闻早餐（2018.4.5星期四） [打印本页]

作者: hacksee 时间: 2020-1-25 00:26
标题: 科学新闻早餐（2018.4.5星期四）
点击标题下“武理工国家水运安全中心”快速关注
编辑：武汉理工大学智能交通系统研究中心
国家水运安全工程技术研究中心
来源：科学网、交通部、教育部、科技部、国家自然科学基金委，中国交通新闻网，智能交通，啸谈阡陌，车云网，青塔网，搜狐网易科技，新浪科技，央视网
内容提要
微信论科教

江苏“双一流”建设高校数居全国第二，计划组建学科联盟！

当概率遭遇现实生活：逻辑远比直觉靠谱

沈晓卫：AI、量子计算、区块链三大浪潮，人工智能时代的创新战略前瞻

人工智能如何影响社会经济：关于近期文献的一个综述

5个未通过！2017年教育部重点实验室评估结果正式公布
科学网、科技网、交通新闻网

激光雷达：从光电技术角度看自动驾驶

机器学习识别材料相变--基于扫描探针显微镜的数据挖掘

预计2020年量产，图森开始测试港口内无人驾驶集卡车

科学文化应该成为主流文化
凤凰科技网、网易科技等

中国遥感卫星地面站成功接收高分一号02、03、04卫星数据

SpaceX将试射猎鹰9号"终极版" 可重复发射100次

马斯克和贝索斯要如何颠覆太空探索？
交通期刊最新论文

Transportation Research Part A-F、AAP，中国公路学报、交通运输工程学报、交通信息与安全

微信论科教
1
江苏“双一流”建设高校数居全国第二，计划组建学科联盟！
2018年江苏学位与研究生教育工作会议今天举行，记者了解到，根据3月22日国务院学位委员会公布的结果，江苏新增193个博士硕士学位点，新增数量位居全国第一。去年，江苏省共招收研究生6.45万人，在校研究生17.67万人，总量位居全国第二。研究生教育结构进一步优化，专业学位与学术学位硕士研究生比例从3年前的4:6调整为接近5:5。
目前，江苏有2所高校进入世界一流大学建设高校，分别是南京大学和东南大学。

中国科学院大学
中国科学院大学前身是1978年成立的中国科学院研究生院。2012年，中国科学院研究生院更名为中国科学院大学后，一所高水平大学正式诞生。2014年中国科学院大学开始招收本科生。
与中国其他高校不同的是，有中国科学院雄厚的科研实力作为支撑，让国科大在各项指标上快速提升，颇有赶超清华和北大的势头。
目前，中国科学院大学共拥有340余位两院院士、566位千人计划入选者、2212位百人计划入选者、6100名博士生导师、3900余名硕士生导师，4个国家实验室、30个国家重大科技基础设施(大科学装置)、84个国家重点实验室、163个中国科学院重点实验室、41个国家工程研究中心(实验室)。
在2017年12月公布的第四轮学科评估中，中国科学院大学以18个A+、30个A类学科的成绩，直逼北大清华的21个A+，位居全国第三。
2018年3月15日科瑞唯安公布的最新ESI排名中，中国科学院大学超过北大，位居国内高校第一，国际排名也达到107位。按照目前的发展势头，未来中国科学院大学ESI排名将遥遥领先其他高校。
南方科技大学
中国最好大学排名第43，科研质量(FWCI)单指标表排名全国第一，2017全球自然指数排名内地第28，武书连2018中国大学排行榜一流大学榜第16......前一段时间，南方科技大学由于在各种排行榜上的突出表现而受到高度关注。
很多人都很好奇，为什么这所高校仅建校仅7年，就在排行榜上将不少老牌名校甩在了后头呢？看看南科大在师资队伍、科研经费、生源质量上的表现就知道了。
截至2017年9月，南方科技大学已签约引进教师约430人，其中教研序列教师约300人。教师中90%以上拥有海外工作经验，60%以上具有在世界排名前100名大学工作或学习的经历。青年教师占比56%，高层次人才占比50%。目前国内大学的平均师生比是1:17，而南科大的师生比则保持在1:10的比例。
目前，南科大高层次人才共包括院士20人（其中全职9人），千人计划入选者 48人，青年千人计划人数 61人，国家长江学者 15人，国家杰青获得者 15人，90%以上的教师拥有海外工作经验，院士、千人计划入选者占比达40%。据统计，2017年南科大获批各类科研项目经费达6亿元，教研序列教授人均200万元。
2017年南科大超过半数省份的新生，高考平均成绩居省内理科前2%，进入“1时代”，比如：四川省为前1.1%，安徽达到前1.21%，广西达到前1.26%。从生源质量上看，南科大也已进入原985高校中上游水平。
上海科技大学
上海科技大学2013年9月30日经教育部批准同意正式建立，目前是一所由上海市人民政府与中国科学院共同举办、共同建设，由上海市人民政府主管的全日制普通高等学校。
和其他高校几所高校相似的是，上海科技大学的师资队伍同样非常豪华。上海科技大学按照1:10–1:12的师生比建设一支1000人规模的教授队伍，规划选聘500位常任教授和500位特聘教授。截至2018年2月，学校已选聘456位教授（特聘教授290位，常任教授到位151位，另有15位常任教授接受offer）。其中包括诺贝尔奖获得者3位、美国国家科学院院士6位、英国皇家学会院士2位、中国科学院院士33位、中国工程院院士3位、“国家千人”25位、“外专千人”2位、“上海千人”14位、“青年千人”40位、“国家杰青”93位。
目前，上海市正在大力建设张江综合性国家科学中心。而上海科技大学目前主导和参与多项大科学装置以及国家重大基础设施建设，这将为大大提升学校的科学研究水平。
值得关注的是，仅仅成立不到五年，上海科技大学科研团队以第一完成单位已经在Nature、Science、Cell等顶尖期刊上发表多篇论文。随着上科大师资队伍的进一步扩大，顶尖科研成果也将加速涌现。
从地理位置来看，西湖大学、中国科学院大学、南方科技大学和上海科技大学四所高校分别位于杭州、北京、深圳和上海，均是中国经济最发达的几个城市。从归属部门来看，中国科学院大学和上海科技大学均背靠科研实力强大的中国科学院，具有其他高校难以比拟的优势。不过，南方科技大学作为深圳市重点打造的本地高校，在获取经费和其他资源上相比其他高校也有一定优势。
总体来看，西湖大学、中国科学院大学、南方科技大学和上海科技大学都有赶超老牌“双一流”名校的趋势。未来，随着上述四所高校的崛起，中国高校新一轮洗牌或将来临。
2
当概率遭遇现实生活：逻辑远比直觉靠谱
导读
如果我们的大脑对数学推理没有很好的觉察力，那么明确的概率思维可以改进我们的决策力。

当遇到难以决策的事时，你是凭直觉做决定，还是对风险进行概率计算呢？或许有时候你的直觉是准确的，但，总是如此吗？
看完文中这三个问题，你就会明白，明确的概率计算比直觉靠谱多了。
问题一
第一个问题摘录自一个异想天开的儿童故事。

一个男人去坐飞机。

不幸的是，飞机出了故障。

幸运的是，他有一个降落伞。

不幸的是，降落伞打不开。

幸运的是，他如果往下跳，掉落点有一个草堆。

不幸的是，草堆上有一个铁叉，很可能会刺中他。

幸运的是，他跳下去后避开了铁叉。

不幸的是，他连草堆也避开了。

在网上搜一下，确实有很多飞机失事后跳下来掉到草堆上、树上乃至灌木丛中得以幸存的例子。所以大概这个男人脑子里一直交替出现“我会死”和“我会活”两种想法，直到坠地的时候才知道结果。——在很多次看似惊喜的逆转之后，我们的故事还是以悲剧收尾了。那么风险评估的原则性方法可以用在这里吗？也就是说，我们能否在已知的信息条件下，计算他在每一个转折点的存活概率？

Douglas Felix 很好地解答了这个问题。他指出，在这个故事中，每个转折点的生存几率都要么无限接近于0，要么无限接近于1，所以很难用简单明了的语言阐明这种绝对或相对的风险。

斯坦福大学的Ronald Howard是一名风险分析方面的专家，他专门为此发明了一种方法，叫做“micromort”。1 micromort 指的是一个百万分之一的死亡几率，你可以用普通的公制前缀来表示这种趋近于零的结果，例如nanomorts 和picomorts 这样的词。对于我们的问题而言，我们把每一次死亡几率接近于0的对立情况命名为“microvivé”。此时，1 microvivé意味着一百万分之一的存活几率，micromorts和 microvivés的和恒定在一百万。基于以上假设，我们再回头看这个故事中的风险，并假定它就发生在此时此刻。作为参考，每个中年男人每天自然死亡的概率大概是1 micromort。

一个男人去坐飞机。

因为我们不知道更多信息，所以假设本次飞行是普通客机出行。这种情况下，不加正常死亡率的话，事故致死率大概是每百万分之0.2—0.4，也就是0.2—0.4 micromorts。但是故事中描述主人公还随身背了降落伞，那么本次航班很可能就不是一次简单的旅行，而是一次高空跳伞之旅或者是有军务在身了。这种情况下，我们需改用另一个通用航空死亡人数数据，根据官方数据表明，这个数字大概是10 micromorts。

不幸的是，飞机出了故障。

飞机坠毁后还能幸存的概率我们很难估计，只是应该比我们想象的低很多。不过，即使我们假定他没有降落伞，也尚不能断言他一定会死，毕竟也有少数人坠机后还能幸免于难。根据公布的空难死亡数字，历史上飞机坠落且没有降落伞的人数可能在10万至30万人之间。这样，没有降落伞的生存机会可能从1万分之一到3万分之一，也就是30到100 microvivés（死亡概率是999,900到999,970 micromorts）。

幸运的是，他带了降落伞。

根据官方数据，跳伞死亡的概率大概是8 到 9 micromorts。相比没有降落伞，死亡率已经被大大降低。

不幸的是，降落伞打不开。

生存几率又回到了前述的30到100 microvivés。

幸运的是，降落点上有一个草堆。

不能否认有很多人掉到灌木丛或者草堆上后得以幸存的情况，可能会受伤，但毕竟还是活下来了。这样的话就很难估计存活率了，可能在千分之一到百分之一之间，也就是1,000 到10,000 microvivés。

不幸的是，草堆上有一个铁叉。

啊！尽管令人绝望，但是这种情况还是比什么都没有好很多，生存率估计在50 到 500 microvivés之间。

幸运的是他躲过了铁叉。

生存率又回到了1,000 到 10,000 microvivés之间。

不幸的是，他也避开了草堆。

在两个情节转折后，生存率跌回30到 100 microvivés，即99.990 ％到99.997％的死亡率。

如果要得到准确的概率，我们需要很官方的数据来计算。即使没有，我们也可以给出一些宽泛合理的估计。一旦习惯使用这些单位，你看待事件就更加清晰，并能更好地作出判断，而不是简单地说：“几率接近于0，或是接近于1.”

（在其他情况下，使用单位也能使事件变得更加明晰：比如，我们把一个发生概率为百万分之一的假新闻定义为1 microvérité 或 1 microvér，算是当代对假新闻的一个简称。）

问题二
普通客机的死亡率是每100亿飞行里程约0.2人死亡，汽车的死亡率是每100亿英里约150人死亡。尽管汽车的死亡率比飞机高出750倍左右，但由于汽车的绝对风险更小，我们依然更倾向于选择汽车。

现在，我们来用两个不切实际的假说来做一个思想实验。

首先，假设你能活到100万岁；其次，上述的风险在这100万年里保持恒定。这样你就能每年坐飞机或者驾车行驶10000英里，不用担心时间问题，反正你能活100万岁。在这种情况下，如果你每次出行都只开车不坐飞机，你的寿命可能缩短几岁？

如果假设变成你只能活100岁呢？

我们知道，在乘坐飞机时，平均每500亿飞行里程会有一次死亡事故。在你100万年的寿命里，即使你每天飞行10000英里，最后也只有100亿英里。即，有80%的可能，你可以平安终老，所以你的生命仅仅缩短了20万年。在这种情景下，随机选择五个这样的人来过上述生活，预计有4个可以活满100万岁，一个可能会死于飞机失事，这个人的平均寿命是50万年。这样算的话，整个组的平均寿命就是90万岁，即，缩短了原本寿命的10%。

而在开车时，平均每6667万英里就会有一个死亡事故，这段驾驶距离在你6667岁的时候就能实现。所以你的平均年龄将缩短到6667岁，也就是说缩短了原本寿命的99.33%！

使用相同的办法计算100年寿命下的情况，结果是飞行状态下，你的寿命会缩短0.001年，也就是8个小时，约为原本寿命的0.001%。而开车状态下，你的寿命会缩短0.075年，也就是一个月左右，约为原本寿命的0.075%。

这说明活100万岁的人，一定更容易有厌恶风险的倾向。一个更务实的结论是，重复选择风险“略”大的方案，日积月累下来，会显著增加风险。
问题三
这里有两个很相似的情境请你做出概率判断。在你做出精确的计算之前，可以先用直觉猜测一下。

情境A：有个城镇里住了两个民族，民族O和T。O族占了人口数的80%，医院对这两个民族中都存在的一种罕见疾病进行了完全一样的测试。他们收集了100个血样，其中80个来自O族，20个来自T族。经过严格的测试，只有一个血样对该疾病呈现阳性结果。根据HIPAA原则，研究人员在不知道样本构成的情况下经种族测试得出该阳性血样来自T族。但是，这种种族测试方法的准确率只有75%。那么，该阳性血样来自于T族的可能性是多少？

情境B：在该情境中，O族和T族都占了总人口的50%，但是O族更可能得这种罕见疾病。通过与情境A中相同的程序筛选出100个血样，同样80个来自O族，20个来自T族。剩下的数据都相同。那么此时这个阳性血样来源于T族的概率是多少呢？

哪一个情境中你的直觉更准确呢？

在这两种情境中，其实概率都是3/7或 42.9%。这在概率论中是一个经典问题，可以用标准贝叶斯条件概率公式P（A | B）= P（B | A）×P（A）/ P（B）来解决。下面是一个简单的逻辑计算过程。

我们从情境A开始计算，100个样本中有80个属于O族，种族测试的准确率是75%，则我们可以理解为，原本的80个O族样品中有60个来源于O族，20个来源于T族。同理，来自T族的20个测试准确率也是75%，那么我们可以等价为15个来自于T族，5个来自于O族。那么种族测试的系统就会“误认为”有35个样品来自于T族，这这35个里其实只有15个真正属于T族。因为阴阳性的检测是公正的，所以阳性血样来自T族的可能性实际就是15/35，也就是42.9%。这意味着其实阳性样品来源于O族的可能性更大，但是单凭直觉，就会有很多人认为有75%的可能来源于T族。

不过有个地方需要注意，我们说筛查是完全公平的，意思是不管该血样来源于哪个族，只要实验结果显示为阳性，其患病概率是相等的。但有的读者也许会不同意，认为该过程并不公平，因为在情境B中，O、T两族人口数是相等的，但还是有80个血样来源于O族，20个来源于T族。这是怎么回事呢？举个例子，比如患高血压可能会引发该疾病，那么我们的筛选测试就是通过测量血压选出所有血压在某一阈值之上的个体。现在，如果在情境B中，O族人很大比例有遗传性高血压，那么我们通过阈值筛选就会从O族中选出更多个体。因此，如上所述，O族人也更有可能患这种病。但是，我们在进行种族测试的时候，对所有血样都是一视同仁的，所以在情境B中阳性血样来源于T族的可能性也是42.9%，而在该情境中，我们的直觉似乎更准确一些。

为什么会这样呢？诺贝尔奖得主Daniel Kahneman在他的书《Thinking, Fast and Slow 》中进行了精彩的描述与分析。正如Kahneman所言，心理学家Icek Ajzen认为我们错误的感觉过程叫做“假贝叶斯推理”。Kahneman将这种现象定义为“描述胜于数据”，我们大脑对文字的理解力强于数字。在情境B中，O族更容易患病是一种描述，它更深刻地驻留在我们的脑海中，并影响我们对概率的计算。而在情境A中，我们却没有这样的描述，有的仅仅是数字，而且可能还不那么显著。所以我们在种族测试的计算上付诸了更多无谓的精力，但其实在数学上，两者都一样。
3
沈晓卫：AI、量子计算、区块链三大浪潮，人工智能时代的创新战略前瞻
3月29日，IBM全球副总裁、 IBM大中华区首席技术官、IBM中国研究院院长沈晓卫出席2018新智元AI产业跃迁峰会，做了题为《预见人工智能时代的创新与跃迁》的报告。IBM集当下最前沿的人工智能、量子计算和区块链技术于一身，悄然改变计算与商业的格局，前瞻人工智能时代技术创新趋势。

人工智能、区块链、量子计算是当下三个最有潜力的技术。在这个地球上，能同时研究这三种技术的公司并不多，能够逐渐实现这三种技术商业化的公司，更是凤毛麟角。

“蓝色巨人”IBM将这三种技术集于一身，把企业人工智能成功应用到医疗、教育等行业，并研发出50位的量子计算原型机，悄然改变计算与商业的格局。同时，IBM已经成为企业级区块链市场上的最大玩家，并将区块链技术和人工智能技术结合，在合适的行业中做应用。

3月29日，IBM全球副总裁、 IBM大中华区首席技术官、IBM中国研究院院长沈晓卫出席2018新智元AI产业跃迁峰会，做了题为《预见人工智能时代的创新与跃迁》的演讲，预见AI的升级与跃迁。

全球百位CEO关注的三个话题：企业专长、数据、平台

不久前，IBM与全球的一百位CEO举行了一次对话，这些CEO来自不同的行业，他们企业的业务涵盖了全球超过两百个国家和地区。每一位CEO都被问了三个问题：第一，作为CEO，你最想赌赢的是什么？第二，你对于未来世界的看法是什么？第三，你的赌注是什么？

我们总结出CEO们一些共同关心的话题。

首先是关于企业的专长。CEO们意识到，公司的专长可能比我们想象的更有价值。CEO们希望理解自己公司的专长是什么，面对未来如何定位企业。

你可能是一家保险公司，但与此同时，你可能具有风险管理的专长；你可能是一家出版商，但也许你拥有创作和提供内容的专长；你可能是一家零售商，但与此同时，你可能具有时尚或者服装设计的专长；你可能是一家汽车制造商，与此同时，你的专长可能还包括了车队管理与交通管理方面的能力。理解公司的专长，对于一家企业面对未来和重新定位非常有价值。

第二，关于数据。对于企业来讲，最核心的资产或者最有价值的资产是数据，但是今天我们从数据中挖掘到的价值可能还不到2%。谈到数据，包括企业的商业数据、物联网的数据，也包括社交媒体的数据。特别重要的一点是，今天的数据80%是在防火墙之后的企业数据，靠搜索是搜索不到的。面对未来我们如何利用新的技术，来挖掘出数据中的核心价值，是非常重要的课题。

第三，关于平台。今天，商业世界正在建立可能从根本上改变游戏规则的平台，也许我们没有完全意识到这一点，也许我们还不完全清楚会是什么样的平台。通过平台，我们利用算法更好地了解我们的用户，随着新的节点与新的用户的加入，产生规模效应。

我们看到有一些企业本身就在成为一个平台的提供商，或者本身就是平台，无论它是移动支付的平台，还是基于区块链的交易的平台。我们也看到一些企业在保证数据安全的情况下，用到第三方提供的平台，而产生更好的竞争力。还有一种的情况，我们把它称之为重新的平台化，我们需要重新平台化来对我们的数据，对我们的资源进行新的整合，使得我们在新的情况下能够更快速地对市场做出反应，更快速地设计出新的产品或者服务，或者降低成本提高效率。

IBM预测未来五年五大技术突破；企业人工智能要求创新领军人物具备AI、行业和商业能力

在这样一个背景下，我们看一看，未来关注的是哪些技术。

首先看到的是无所不在的人工智能。人工智能正在从云端逐渐向边缘端扩散，当我们把云计算和边缘计算结合的时候，我们在某种意义上就是把人工智能与物联网做了一个结合，这使得我们能够更好地对物理世界进行分析和管理。

接下来，我们需要更深入的洞察力，这一点很多时候需要强大的计算能力。比如我们用很多并行使用的加速器，来实现分布式深度学习。人工智能的发展也使得大规模的个性化变成可能，无论是个性化的教育还是个性化的医疗。

IBM每年会做一个发布，预测未来五年可能改变世界的五项技术，我们称之为"5 in 5"。不久前IBM发布的未来五年的五项科技预测，包括：

1、密码锚定和区块链联手让冒牌货无处遁形。
2、全新格加密技术瓦解黑客攻击。
3、人工智能机器人显微镜让海洋重现蔚蓝。
4、新手段将消除AI偏见。
5、量子计算将成为主流。

从某一个维度来讲，人工智能迄今为止还是比较专用的或者比较狭窄的。图像处理、语音处理，这些问题本身非常具有挑战性，但这些问题还是在解决单一领域的单一问题。大家希望得到的所谓通用人工智能，从今天技术的角度来看，还是有非常遥远的距离。我们今天正在迈入一个比较宽泛的人工智能（Broad AI）时代，这个时代重要的标志就是人工智能技术开始解决一个领域或者跨领域的多个问题。

在这样的背景下，谈企业人工智能（Enterprise AI）显得很有必要。今天的人工智能大多数情况下还是消费者人工智能（Consumer AI）。我们接下来会看到人工智能在越来越多的垂直领域创新。这里最大的挑战，除了数据、算法、计算，还有应用场景。行业专家并不完全理解人工智能技术，包括未来的发展。IT技术人员并不完全理解行业。如何选择应用场景，使得今天的技术或者我们预计未来三年五年可能出现的技术能够对这个场景提供合适的解决方案，是一个很大挑战。这种情况就对人工智能领域的领军人物可能有着与过去不一样的要求，不仅需要是人工智能专家，还需要对行业有一定的理解，并对商业创新有一定的感觉。

算法对小数据学习与可解释结果提出要求；构建可重复使用的基础人工智能模型

人工智能的算法层面，应该说，在未来几年尤其是人工智能应用在行业中，还是有一些问题需要得到很好的应对。一是如何从小样本、弱标识的数据中进行学习。相对每一个要解决的行业问题，数据往往不是那么多，或者标识好的数据往往不是那么多。那么在这种情况下，我们如何能够很好地从小数据中来进行学习就变得非常重要。另外一点，人工智能的模型或者人工智能的解决方案需要能够对结果进行解释。比如我们把人工智能应用在医疗中，不但要给医生提供建议，还要能够给医生解释为什么给出这样的建议。人工智能模型的开发者也需要理解这样的模型是如何工作的。

并且，我们需要构建更多的可以重复使用的基础人工智能模型。这是经过数据训练的，能够独立完成一些基本功能的模型。用这样的模型来构建更复杂的人工智能模型，再往上一步步构建行业的应用。我们可以设想一个人工智能模型的交易市场（Marketplace），人工智能模型的开发者和使用者，能够在这样的平台上对模型进行交易。

我们也想特别谈一下人工智能时代的安全和伦理。人工智能技术本身的发展可能会给我们带来全新的挑战。一方面，人工智能技术可能被用来对我们计算机系统进行攻击；另一方面，数据可能被污染，如果我们使用了被污染的数据，可能使构建的人工智能解决方案产生偏差。比如说，如果我们用被恶意改变了的数据来训练交通标志识别解决方案，它可能会对一些重要的交通信号产生错误的解读。再比如说，我们构建一个信用卡申请审核解决方案，如果数据是有偏见的，无论是有意还是无意，可能对某一类申请人给出不合适的判断。如何一方面保护我们的数据，另一方面保护人工智能的模型免于受到攻击就变成一个非常重要的技术问题。与此同时，我们也需要新的行业标准，可以对人工智能模型进行安全和伦理的测试与鉴定。

刚才谈到人工智能与行业结合，应该说人工智能的成功是需要商业的成功，而人工智能商业的成功必然需要与行业结合。在互联网时代很多新兴企业是颠覆者，而传统的企业往往受到很大的冲击。在人工智能时代，在企业人工智能的时代，今天的很多传统企业有可能成为全新的创新者和颠覆者。今天的数据80%是企业数据，人工智能与传统产业的结合，给传统企业提供了全新的机会，使得他们能够成为这个时代新的颠覆者。

以人工智能在医疗行业的应用为例。医疗本身是人工智能应用非常重要的领域，IBM也花费了大量的努力在这个领域。人工智能在医疗行业有着非常广泛的应用场景，我们的用户可能是医院，可能是医生，可能是政府监管部门，可能是制药公司，也可能是医疗保险公司。就医院为来说，我们可能为医生提供肿瘤诊断的建议，也可能为社区医生提供帮助慢性病诊疗和管理的解决方案。以慢性病管理为例，如果没有技术的支撑，就难以实现我们希望达到的分级诊疗的目标。从技术的角度来看，我们需要构建基于医疗指南知识的人工智能系统。在这个基础之上我们分析大量的医疗电子病历，通过数据驱动得到新的洞察力，并把知识驱动和数据驱动做一个很好的整合。

量子计算将成为主流并产生商业应用前景

我们接下来谈新的计算力，而计算力包括在终端的，也包括在云端的。IBM最近发布了一个最小计算机，大小1平方毫米，但是它有几十万个晶体管，包含了静态存储器。这个芯片的成本不到10美分。这样的计算机可以和区块链技术结合，来跟踪产品从生产到最终消费的全过程。
IBM研发的世界最小计算机
我们再看几个可以帮助我们提升计算力的技术。今天的计算机计算和存储是分开进行的，数据要在存储器和计算单元之间传递，耗费能量，也耗费时间。模拟计算技术运用器件的物理特性，使得它在做存储的时候能够做一些合适的逻辑运算。虽然模拟运算不像数字运算那样准确，但是它对于很多的人工智能算法，比如图像识别，还是提供了足够的精度，而效率有了极大的提高。

谈到未来的计算力，我们需要谈一下类脑计算。几年前IBM宣布的TrueNorth芯片，是这个领域非常重要的探索。这个芯片可以模拟100万个神经元，2亿5千个神经突触，仅需70毫瓦的能量。我们远期的目标是希望构建能够模拟100亿个神经元，而功耗不超过1千瓦的类脑计算芯片。

量子计算在过去的10年取得了非常重要的进展，在座的如果没有经历过计算机科学或者传统计算机发展的整个阶段，将有幸看到量子计算从诞生到实用的过程。IBM在这个领域做了很多的探索，2016年5月，我们发布了5个量子比特的量子计算机。2017年又发布了20位的量子计算机，及50位的量子计算原型机。与此同时，我们提供了基于云的量子计算访问平台，也在构建一个软件环境，帮助程序开发者方便地构建在量子计算机上运行的程序。
谈到量子计算，我想谈一个概念，姑且把它翻译为量子容量（Quantum Volume）。我们如何来界定量子计算机的能力？传统计算机有很多参数与性能指标，无论是计算机的位数，还是计算机的主频，还是每秒执行的指令数或者每秒执行的浮点运算数。量子计算机的能力或者速度不仅仅取决于量子比特位的数量，还跟其它一些因素比如错误率是相关的。

我们今天处在量子准备时代，已经可以构建相对来说还是比较小的量子计算机，在不久的将来，我们可以构建更强能力的量子计算机，它能够解决一些传统计算机所不能解决的问题。我们的目标是构建具有容错能力的通用的量子计算机。量子计算机不是单独运行的，而是要和传统计算机做一个结合，一起解决我们今天需要解决的问题。

人工智能时代技术创新的战略，我们看到四个大的方向：人工智能的核心技术；人工智能和区块链技术的融合；构建全新的计算能力；人工智能与行业的结合。可以这样讲，人工智能改变世界，还是要从改变每个行业开始。

4
人工智能如何影响社会经济：关于近期文献的一个综述
相比于之前的历次技术进步，“人工智能革命”所引发的冲击更为巨大，其对经济学造成的影响也将更为广泛和深远。人工智能技术的突飞猛进，对经济社会的各个领域都产生了重大影响，这种影响当然也波及到了经济学。很多一线经济学家纷纷加入了对人工智能的研究，不少知名学术机构还组织了专门的学术研讨会，组织学者对人工智能时代的经济学问题进行专门的探讨。事实上，经济学家并不是最近才开始关注人工智能的。在理论层面，经济学对决策问题的探讨与人工智能所研究的问题有很多不谋而合之处，这决定了两门学科在研究上存在着很多交叉之处。
前言

从历史上看，经济学家对人工智能的理论关注至少有过三次高潮：

第一次高潮是上世纪五六十年代，人工智能这门学科的奠基之初。当时，有不少经济学家参与了这一学科的建设。例如，诺贝尔经济学奖得主Herbert Simon就是人工智能学科的创始人之一，也是“符号学派”的开创者。在他看来，经济学和人工智能有不少共通之处，它们都是“人的决策过程和问题求解过程”，因此在进行人工智能研究的过程中，他融入了不少经济学的思想。

第二次高潮是在本世纪初。当时，经济学在博弈论、机制设计、行为经济等领域都取得了不少的进展，这些理论进展被频繁地应用在人工智能领域。

最近经济学家对人工智能问题的关注是第三次高潮。这次高潮主要是在以深度学习为代表的技术突破的推动下发生的，由于深度学习技术强烈依赖于大数据，因此在这轮高潮中的不少讨论集中在了与数据相关的问题上，而在对人工智能进行建模时也重点体现出了规模经济、数据密集等相关的性质。

至于应用层面，经济学和人工智能这两个领域的互动更为频繁。目前，在金融经济学、管理经济学、市场设计等领域都可以看到人工智能的应用。
从总体上看，最近有关人工智能的经济学大致可以分为三类：

第一类研究是将人工智能视为分析工具。

一方面，人工智能的一些技术可以与传统的计量经济学相结合，从而克服传统计量经济学在应对大数据方面的困难。应用这些新的计量技术，经济学家可以探索和构建新的经济理论。另一方面，人工智能的发展也为采集新的数据提供了便利。借助人工智能，诸如语音、图像等信息都可以较为容易地整理为数据，这些都为经济学研究提供了重要的分析材料。

第二类研究是将人工智能作为分析对象。

从经济学角度看，人工智能具有十分鲜明的性质。首先，人工智能是一种“通用目的技术”（General Purpose Technology，简称GPT），可以被应用到各个领域，其对经济活动带来的影响是广泛和深远的。现在，在分析经济增长、收入分配、市场竞争、创新问题、就业问题，甚至是国际贸易等问题时，都很难回避人工智能所造成的影响。其次，人工智能是一种强化的自动化，它会对劳动力产生替代，并造成偏向型的收入分配结果。再次，当前的人工智能技术发展强烈依赖与大数据的应用，这就决定了它具有很强的规模经济和范围经济，这两个特征对产业组织、竞争政策、国际贸易等问题都会产生重要影响。以上的所有这些特征共同决定了分析和评估人工智能对现实经济造成的影响应当成为经济学研究的一个重要话题。

第三类研究是将人工智能作为思想实验。

作为一门学科，经济学是建立在理想化的假设基础之上的。在现实中，很多假设并不成立，因此经济学的预言就和现实存在着一定的差距。而人工智能的出现，从某种意义上来讲是为经济学家提供了一个可能的、符合经济学假设的环境。这同时也为检验经济理论的正确性提供了一个场所。

在本文中，笔者将对最近几年来有关人工智能的经济学文献进行梳理，对相关的重要文献进行介绍。考虑到在上述三类研究中，第三类的科幻性较强，而科学性相对不足，因此本文将暂时不涉及这类研究，对此感兴趣的读者可以自行参考Hanson（2016）等代表性文献。

一、人工智能的相关概念简介

在正式展开对人工智能经济学的讨论之前，我们需要先对文献中经常提及的几个概念——“人工智能”、“机器学习”和“深度学习”进行一下解释。初略来讲，人工智能的概念是最大的，机器学习是其的一个分支学科，而深度学习又是机器学习的一个分支（如图1）。
图1：人工智能、机器学习和深度学习的关系
在最广的意义上，人工智能是“让智能体（agent）在复杂环境下达成目标的能力”。关于智能体应该怎样达成目标，不同的学者有不同的理解。早期的学者认为，人工智能应当模仿人类的思考和行动，其目的在于创造出能和人类一样思考的机器。

而较近的一些学者则认为，人类的思维方式只是一种特定的算法，人工智能并不一定要模仿人类，而应该在更广的范围上让智能体合理地思考和行动。以LeCun、 Tagmark为代表的一些学者甚至认为一味模仿人脑只会限制人工智能的发展。人工智能包括很多分支学科，例如机器学习、专家系统、机器人学、搜索、逻辑推理与概率推理、语音识别与自然语言处理等。

机器学习（Machine Learning）是人工智能的一个分支学科，是实现人工智能的一种方法。它使用算法来解析数据，从中学习，然后对真实世界中的事件做出决策和预测。和传统的为解决特定任务而专门进行编程的思路不同，机器学习“让计算机拥有在没有明确编程的条件下拥有学习的能力”，并通过对大量数据的学习找出完成任务的方法。

根据学习的特征，机器学习可以分为三类：有监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）和强化学习（Reinforcement Learning）。

有监督学习是通过对有标签的数据样本（a sample of labelled data）进行学习，从而找出对输入和输出之间的一般性法则。例如，对于房地产企业来说，他们拥有大量房屋属性，以及房价信息的数据，如果他们希望对这些数据进行学习，通过建模找出房价和各类房屋属性之间的关系，那么这个过程就是有监督学习。进行有监督学习的算法主要有两类，一类是回归（Regression）算法，另一类是分类（Classification）算法。

无监督学习所面对的数据样本则是没有标识的，其任务在于通过学习这些数据从而找出数据中隐藏的潜在规律。例如，艺术鉴赏家经常需要对名画的流派进行鉴定。显然，在任何一张画上都不会存在任何明确标识的特征信息，因此鉴赏家们只能通过大量欣赏画作去增加主观体验。久而久之，他们会发现某些画家会固定使用一些作画技巧，通过对这些技巧的识别，他们就能对画作的流派进行鉴定。在这个过程中，鉴赏家们的学习就是无监督学习。聚类（Clustering）算法进行无监督学习的主要算法。

强化学习是在动态环境中进行的学习，学习者通过不断试错，从而使得奖励信号最大化。例如，学生通过做习题来温习功课，每次做完习题后，老师都会批改习题，让他们知道哪些题做对了，哪些题做错了。学生根据老师的批改，找出错误、纠正错误，让正确率不断提高，这个过程就是强化学习。

近年来备受关注的深度学习（Deep Learning）是机器学习的一个研究分支。它利用多层神经网络进行学习，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。在传统的条件下，由于可供学习的数据过少，深度学习很容易产生“过度拟合”等问题，因而影响其效果。但随着大数据的兴起，深度学习的力量就开始体现出来。今年来人工技术的迅速发展，很大程度上是由深度学习的发展推动的。

二、作为研究工具的人工智能

人工智能是经济学研究的有力工具。一方面，人工智能中的机器学习目前已开始逐步融入计量经济学，在经济学研究中有了较多应用。另一方面，语音识别、文本处理等技术也为经济学研究的素材收集提供了便利。在本节中，我们不对人工智能在素材搜集上的应用进行探讨，只集中讨论机器学习在经济学中的应用。由于这个原因，在本节中“人工智能”和“机器学习”可以被视为是同义词。

（一）人工智能对计量经济学的影响

1、计量经济学与机器学习：从孤立到融合

统计学关注的问题有四个：（1）预测（Prediction），（2）总结（summarization），（3）估计（estimation），以及（4）假设检验。计量经济学是统计学的一个子学科，因此以上四个问题同样也是其关心的主题。但作为一门为经济学研究服务的统计学，计量经济学对于因果关系的关注是更为突出的，因此它更强调总结、估计和假设检验，而对于预测的关注则相对较少。由于强调对因果问题的解释，所以计量经济学对估计结果的无偏性和一致性予以了特别的关注，将大量精力投入到了解决“内生性”等可能干扰估计结果一致性的问题上。

相比于统计学和计量经济学，机器学习是一门更为应用性的学科。它所关注的问题更多是预测，而不是对因果关系的探究。因为这个原因，决策树（Decision Tree）、支持向量机（SVM）等分类模型，以及在计量经济学中很少被用到的岭回归（Ridge Regression）、套索算法（LASSO）等，都在机器学习中被大量使用。

由于关注的焦点不同，传统上计量经济学和机器学习之间的交集很小，在某些情况下，两者甚至存在着一定的矛盾。Athey（2018）曾给出过一个例子：假设我们手头有一批旅馆的入住率和价格的数据。如果我们要利用价格来预入住率，那么得到的模型通常显示入住率和价格之间存在着正向关系。理由很简单，当旅馆发现自己的更受欢迎时，会倾向于抬高自己的价格。但如果我们考虑的问题是当企业降价时会有什么后果，那涉及到的就是因果推断问题。此时，根据需求定律，如果我们的设定没有出错，那么所得到的模型通常会显示入住率和价格之间存在着负向关系。

但随着大数据时代的到来，这两个学科之间的交集开始逐渐增大。

一方面，在大数据条件下机器学习的方法逐渐展现出了其应用价值。传统计量经济学关注的都是样本较小、维度较低的数据，对于这样的“小数据”，传统计量方法是可以较好应付的。但是当数据的数量和维度极具扩大后，这些方法就开始变得捉襟见肘了。例如，在计量分析时，研究者会很习惯于将大量的被解释变量都加入到模型，然后对其进行估计。这在数据量较小时能行之有效，但当数据量极为庞大时，其对于运算能力的要求将是惊人的。这就要求研究者必须先对模型进行“降维”，找出最关键的那些解释变量，此时机器学习的一些算法，例如LASSO就会起到作用。

另一方面，机器学习可以为寻找因果关系提供启发。因果推断的方法通常是针对一个定义良好（well-defined）的模型采用的，而在现实中，研究者事实上甚至不了解应该选择怎样的模型。此时，机器学习的方法就有了用武之地。Varian（2014）曾经举过一个泰坦尼克号乘客年龄与幸存概率的例子。他利用了两种方法对这一问题进行了分析，其中一种是在寻求因果关系时常用的Logit模型，而另一种则是机器学习中常用的决策树方法。根据Logit模型，乘客年龄和幸存率之间的关系并没有显著的关系。而决策树模型则显示，儿童和60岁以上的老年人会拥有更高的生存概率，这是因为在泰坦尼克号沉没之前，老人和孩子被允许优先逃离。很显然，在这个例子中，决策树能够为我们带来更多的有价值信息，有了这些信息，研究者就可以构建进一步的模型来进行因果推断。

这里值得说明的是，如果训练集很小，那么机器学习的算法很容易会导致过度拟合（overfit）的问题，此时其优势很难体现出来。而在大数据条件下，过度拟合问题的影响大大减小，其价值也就显露了出来。

2、机器学习在因果推断中的应用

前微软首席经济学家、斯坦福大学教授Susan Athey曾在Science上发文讨论了机器学习在因果推断和政策评估中的作用。她指出，过去更多被用于预测的机器学习在因果推断领域有很强的应用前景，未来的计量经济学家应当更多将机器学习的技术与现有的计量经济理论相结合。

机器学习在因果推断中的第一个应用是将用来取代常规方法中一些不涉及因果关系的步骤。例如，在因果推断分析中，倾向性得分匹配法（Propensity Score Matching）是经常被用到的。使用这一方法的第一步是要依赖于核估计等方法计算出倾向性得分，而这些估计在协变量众多的情况下是难以进行的。为了在众多的协变量中筛选出有用的部分，一些研究者就提出了将LASSO、Booting、随机森林等常用于机器学习的算法应用到协变量筛选的过程中去，然后再用得到的结果按照传统的步骤进行匹配。
机器学习在因果推断中的第二个应用是对异质性处理效应的估计。过去的因果关系推断，主要是在平均意义上展开的，其关注的焦点是平均处理效应（Average Treatment Effect，简称ATE）。这样的分析固然有重要的价值，但在不少情况下它并不能满足实际应用的需要。举例来说，当医生决定是否要对一位癌症病人采用某项疗法时，如果他仅知道平均来看这种疗法可以让病人的存活时间增加一年，这显然是不够的。由于同一疗法对于不同病人的效果区别很大，因此在决定是否采用该疗法时，医生就需要进一步知道不同特质的病人在采用这种疗法时会有怎样的症状。换言之，除了ATE外，他还需要关注异质性的处理效应（Heterogeneous Treatment Effect）。

Athey and Imbens（2015）将机器学习中常用的分类回归树（Classification and Regression Trees）引入到了传统的因果识别框架，用它们来考察异质性处理效应。他们比较了四种不同的分类回归树算法——单树法（Single Tree）、双树法（Two Trees）、转化结果树法（Transformed Outcomes Tree）以及因果树法（Causal Tree），并特别强调了因果树法的作用。Wager and Athey（2015）推广了因果树方法，讨论了如何用随机森林（Random Forest）来处理异质性处理效应。Hill（2011）、Green and Kern（2012）则采用了另一种思路——贝叶斯可加性回归树（Bayesian Additive Regression Tree，简称BART）来考察异质性处理效应，这种方法在某种意义上可以被视为是贝叶斯版的随机森林方法。不过，BART方法的大样本性质目前仍然是不清楚的，因此其应用还存在着一定的局限。

关于机器学习在因果推断中的应用的更多介绍，可以参考Athey and Imbens（2016）的综述。这里有两点需要强调。首先，因果推断理论和机器学习理论的交叉并不是单向的。以图灵奖得主Judea Pearl为代表的一些人工智能专家认为，现在强人工智能技术不能得到突破的原因就在于现有的机器学习理论没有考虑因果性。如果没有因果性，就不能进行反事实分析（Counterfactual Analysis），智能体就无法应对纷繁复杂的现实情况。因此，这些学者建议，未来的机器学习应当考虑吸纳因果推断理论的成果，为实现自动化推理奠定基础。其次，在机器学习领域发展最快的深度学习到目前为止并没有在经济学研究中发挥作用。这可能是因为深度学习的学习过程本身是一个黑箱，不适合被用来作为因果识别的工具所致。

（二）人工智能在行为经济学中的应用

人工智能可以为行为经济学的研究提供一种思路。相对于传统的经济学，行为经济学的研究方法是十分开放的，它试图通过纳入其他学科（例如心理学、社会学）的理论，来解释传统经济学所不能解释的人类行为。可能解释人的行为的变量很多，究竟哪些变量真正有用就称为了问题，此时机器学习的方法就可以被用来帮助研究者选出那些真正有价值的变量。

目前，已有一些行为经济学的文献借用了机器学习的方法。例如，Camerer，Nave and Smith（2017）在分析“非结构化谈判”（unstructured bargaining）问题时采用了机器学习的方法，用其来帮助寻找影响谈判结果的行为要素。Peysakhovich and Naecker（2017）则利用机器学习的方法对人们在金融市场中的风险选择问题进行了研究。

除了指出机器学习在分析中的应用外，Camerer（2017）还将机器学习和人类的决策进行了对比。在他看来，人类的决策可以被认为是一种不完美的机器学习。过度自信、对于错误很少改正等行为缺陷在某种意义上可以被认为是机器学习中的“过度拟合”问题。从这个角度出发，Camerer认为人工智能的发展将会有助于人类更有效地进行决策。

三、作为研究对象的人工智能

作为一种新技术，人工智能技术已经进入了经济生活的各个领域，对生产、生活的各个方面都产生了重大影响。目前，已经有不少文献对这些影响进行了分析。在本节中，我们将分领域对这些研究进行一些简要的介绍。

（一）人工智能与经济增长

1、关于人工智能与经济增长的理论探讨

从理论渊源上看，关于人工智能对经济增长影响的讨论其实是关于自动化对经济增长影响讨论的延续。Zeira（1998）年曾提出过一个理论模型，用来分析自动化的增长效应的模型。在这个模型中，某一产业的产品可以通过两种技术——手工技术和工业技术进行生产。

在这两种技术中，手工技术所需的劳动力投入更高，但所需的资本投入却更低。究竟两种技术中的哪一种被用来进行生产，取决于技术水平。如果生产率很低，那么更多依靠手工技术进行生产就更有利；而当生产率突破了一定的临界点时，转而采用工业技术进行生产就会变得更合算。

这样，技术进步就会产生两个效应：一是直接对生产效率的提升；二是通过自动化来实现生产方式的改变。一个经济中有很多产业，不同产业实现自动化的临界条件不同，因此生产率的增长和自动化的程度将呈现一种连续函数关系。当自动化程度较高时，经济中的资本回报份额也就越高，因此当经济处于最优增长路径时，增长率将主要取决于两个条件：生产率的增长速度，以及经济中的资本回报份额，更高的生产率，以及更高的资本回报份额都会让经济获得更高速的增长。

Aghion et al（2017）对人工智能对经济增长的可能影响进行了全面的分析。他们的分析是从“人工智能革命”的两个效应——自动化和“鲍莫尔病”出发的。一方面，和其他任何的技术进步一样，人工智能的应用会在导致生产率提升的同时促进自动化进程的加速。这将会导致生产过程中人力使用的减少，从会让经济中的资本回报份额增加。但另一方面，“人工智能革命”也会遭遇所谓的“鲍莫尔病”，即非自动化部门的成本的提升，这会导致经济中资本回报份额的降低。一般来说，随着经济的发展，经济中的落后部门对经济发展的影响将会变得更为重要。在这种条件下，“鲍莫尔病”的影响将会变得更加不可忽视。

将两种效应综合起来看，人工智能的使用对经济增长的影响将是不确定的。虽然人工智能的使用可以确定地让生产率增长速度得到提升，但至少从短期看，它对于资本回报份额的影响却是不确定的。因此，并不能确定经济增长率究竟会如何变化。
在正常条件下，资本的回报份额不会无限上升，在稳态时它会维持在某个小于1的值，此时经济增长的速度将主要依赖于生产率的变化速度。据此可以得出结论，人工智能究竟如何影响经济增长，将主要取决于其对技术进步率的影响方式。如果人工智能带来的只是一次短期的冲击，那么它只会让生产率产生一次性的增加，其作用将是暂时的。而如果人工智能的应用会带来生产率的持续增加，那么经济增长率也将随之持续增加，从而出现“经济奇点”。在几位作者看来，“经济奇点”出现的最关键条件是突破知识生产这一瓶颈。这点是否能够实现，主要要看人工智能是否可以真正取代人类进行知识生产。

在论文中，几位作者还对增长的分配效应进行了探讨。在他们看来，人工智能技术的应用将会引发“技术偏向型”的增长，让高技能的工人获益，低技能的工人受损。而由技术导致的企业组织结构变化会强化这种效应——密集使用人工智能技术的企业会向本企业内部职工支付较高的工资，同时将一些技术含量较低的生产环节外包给工资更低的低技能工人。由这些因素造成的收入分配效应将是不容忽视的。

值得一提的是，在Aghion et al（2017）的讨论中，决定人工智能对增长影响的一个关键因素是人工智能会对创新、对知识生产产生怎样的作用，但关于这个问题，几位作者并没有作更多的展开分析。Agrawal et al（2017）的论文对此进行了补充。这篇论文借鉴Weitzman（1998）的观点认为，知识生产的过程很大程度上是一种对原有知识的组合过程，而人工智能的发展不仅有助于人们发现新的知识，更有助于人们将既有的知识进行有效的组合。几位作者在Jones（1995）的模型中植入了知识组合的过程，用这个新模型来分析了人工智能技术的影响。结果发现，人工智能技术的引入将通过促进知识组合来让经济实现显著的增长。

2、关于人工智能与经济增长的争论

关于人工智能会对经济增长产生怎样的影响，存在着很多的争议。在本节中，我们将对两个重要的争论进行讨论。第一个争论是，人工智能技术究竟能否真正带来经济增长。第二个争论是，人工智能技术是否可以真正引发“经济奇点”（Economic Singularity）的到来。

（1）人工智能是否能带来经济增长

关于这个问题的讨论，实际上是关于 “索洛悖论”（Solow Paradox）的讨论的继续。“索洛悖论”又称“生产率悖论”（Productivity Paradox），是由Robert Solow在探讨计算机的影响时提出的。当时，他感叹道：技术转变随处可见，但在统计数据却没有显示技术对增长产生的影响。此后，有不少研究都佐证了Solow的这个观察，认为包括计算机、互联网等新技术的出现并没有对经济增长产生实质性的影响。

这类观点的代表人物是Tyler Cowen和Robert Gordon。Cowen在一部畅销书中指出，被认为十分重要的计算机、互联网技术并没有像之前的技术革命那样让生产率获得突破性的进步，并且从目前的技术发展看看，所有“低垂的果实”都已经被摘尽了，因此经济将会陷入长期的“大停滞”。而Gordon则由对美国的经济增长状况的长期趋势进行分析发现，最近的技术进步实际上只带来了很低的生产率进步。

人工智能技术的兴起也同样遭遇了“索洛悖论”的质疑。尽管从直观上看，人工智能对生产生活的各个方面都产生了重要影响，但到目前为止，经验证据却同样难以对这种影响给予证实。在一次著名的辩论中，Gordon等学者对人工智能的作用提出了质疑，认为人们对其的期盼显然是过高了。

针对“技术怀疑论者”的质疑，以Brynjolfsson为代表的“技术乐观派”旗帜鲜明地表达了反对。在Brynjolfsson及其合作者看来，以计算机、互联网为代表的现代技术毫无疑问对提高生产率和促进经济增长起到了关键作用，而人工智能等新技术的影响可能还要更为巨大。

至于为什么从统计中并不能看出人工智能等技术的贡献，Brynjolfsson et al（2017）给出了详细的讨论。在他们看来，有四种可能的原因可以被用来解释人们对技术进步的主观感受和统计数据之间的背离。

第一种解释是“错误的希望”（false hopes），即人们确实高估了技术进步的作用，而实际上技术并没有能带来人们所期盼的生产率进步。

第二种解释是“测量误差”（mismeasurement），即统计数据并没有真正反映出技术进步所带来的产出，因而就对其增长效应做出了低估。

第三种解释是“集中化的分配和租值耗散”（concentrated distribution and rent dissipation），即尽管人工智能等新技术确实可以带来生产率的增长，但只有部分明星企业享受到了由此带来的好处。这不仅加剧了收入分配的不平等，也让少数企业获得了更高的市场力量，而这些因素反过来会导致生产率的下降。

第四种解释是执行滞后（implementation lag）。新技术作用的发挥，需要配套的技术、基础设施，以及组织结构的调整作为基础。而在目前看来，这些配套工作是相对滞后的，因此就可能导致人工智能的力量不能充分得到发挥。

几位作者在对上述四种可能的解释进行了逐一检验后发现，最后一种解释是最有说服力的。因此，他们认为人工智能的作用是不可忽视的，但现阶段滞后的配套工作限制了其作用的发挥。随着相关配套工作的完成，“人工智能革命”的力量将会逐步释放出来。

（2）人工智能是否会带来“经济奇点”

“奇点”（Singularity）最初是一个数学名词，指的是没有被良好定义（例如趋向于无穷大），或者出现奇怪属性的点。未来学家Kurzweil在自己的书中借用了这个名词，用来指人工智能超越人类，从而引发人类社会剧变的关键时刻。而所谓“经济奇点”，指的则是一个关键的时间点，当越过这个时间点后经济将保持持续增长，并且增长速度会持续加快。
在历史上，有不少经济大师曾对“经济奇点”有过憧憬，宏观经济学的创始人凯恩斯、诺贝尔奖得主赫尔伯特·西蒙都是其中的代表。尽管截止目前这些憧憬都没有变成现实，但随着人工智能技术的发展，关于“经济奇点”的讨论又开始高涨。一些“技术乐观派”学者认为，由于人工智能可以大幅提升生产率，并且可以完成很多人类无法完成的任务，因此“经济奇点”不久就会到来。

这种“技术乐观派”的观点引发了很多争议。Nordhaus（2015）从经验方面对此给出了质疑。Nordhaus指出：首先，随着新技术的发展成熟，它们的价格急剧下降，因此它们的相关产业对经济的贡献也迅速下滑。这意味着，相对落后的产业，而非新产业将成为经济增长的关键。其次，尽管人们给予了互联网、人工智能等新技术很多希望，但它们并没有能切实带来生产率的大幅度提高。再次，至少从美国的现实看，目前投资品的价格并没有出现急速的下滑，投资也没有出现迅速增长的势头。

综合以上几点分析，Nordhaus认为“经济奇点”可能还只是一个遥远的梦想。Aghion et al（2017）从理论上对“经济奇点”进行了分析。他们认为，“经济奇点”是否能到来，主要要看知识增长的瓶颈能否打破。尽管内生增长模型已经说明了知识作为一种产品是可以生产的，但这个过程是需要人的参与的。随着经济增长的进行，人口增长减缓，能作为生产要素投入到知识生产过程的人力也会减少。除非人工智能可以替代人类从事创意工作、进行知识生产，否则这一重要瓶颈就很难被突破。而至少在现在，人工智能还没有发展到这一水平。

（二）人工智能与就业

技术的进步在推进生产率提升的同时，会带来“技术性失业”。作为一项革命性的技术，人工智能当然也不例外。与以往的历次技术革命相比，“人工智能革命”对就业的冲击范围将更广、力度将更大、持续也将更久。

目前，人工智能对就业的可能冲击已经成为了重要的政策话题，有不少文献对此进行了探讨。需要指出的是，由于在讨论人工智能对就业和收入分配的影响时，通常把人工智能作为一种强化版的自动化来处理，因此在以下两节中，我们在介绍人工智能影响的文献外，还将介绍自动化和机器人影响的文献。
1、关于人工智能和自动化就业影响的理论分析

Autor et al（2003）提出的ALM模型是研究人工智能和自动化的就业影响的基准模型。在ALM模型中，生产需要两种任务——程式化任务和非程式化任务配合，其中程式化任务只需要低技能劳动，而非程式化任务则需要高技能劳动。在几位作者看来，自动化只能用来完成程式化任务，而不能用来完成非程式化任务，因此它对低技能劳动形成了替代，而对高技能劳动则形成了互补。在这种假设下，自动化的冲击将是偏向性的，它对低技能劳动者造成损害，但却会给高技能劳动者带来好处。Frey and Osborne（2013）对ALM模型进行了拓展。在新的模型中，而非程式化任务则既需要程式化劳动需要高技能劳动和低技能劳动的共同投入。在这种设定下，自动化对于高技能劳动者的作用将是不确定的，在一定条件下它们也会受到自动化的损害。

Benzell et al（2015）在一个跨期迭代（OLG）模型中讨论了机器人对劳动力进行替代的问题。他们指出，在一定条件下，机器人可以完全替代低技能工作，并替代一部分高技能工作，这会导致对劳动力需求的减少和工资的下降。虽然在采用机器人后，由生产率提升会带来的价格下降可以在一定程度上改善劳动者福利，不过从总体上讲它并不能完全弥补就业替代对劳动力造成的损害。因此，几位作者认为机器人的使用可能会带来所谓的“贫困化增长”（Immiserizing Growth）——虽然经济增长了，但社会福利却下降了。为了防止这种现象的发生，几位作者建议要推出针对性的培训计划，并对特定世代的人群进行补贴。

Acemoglu and Restrepo构造了一个包括就业创造的模型。在模型中，自动化消灭某些就业岗位的同时，也会创造出劳动更具有比较优势的新就业岗位，因此其对就业的净效应要看两种效应的相对程度。他们发现，在长期均衡的条件下，结果取决于资本和劳动的使用成本。如果资本的使用成本相对于工资足够地低，那么所有职业都将被自动化；反之，自动化就会有一定的界限。此外，几位作者还指出，如果劳动本身是异质性的，那么自动化的进行还将导致劳动者内部收入差异的产生。

2、关于人工智能和自动化就业影响的实证分析

Autor et al （2003）对1960-1998年的美国劳动力市场进行了分析。结果发现在1970年之后，“计算化”（Computerization）导致了“极化效应”——对程式化工作的需求大幅下降，但同时导致了对非程式化工作需求的增加。尤其是在1980年之后，这种趋势更加明显。Goos and Manning（2007）利用英国数据对ALM模型的结论进行了检验，结果发现技术进步在英国也导致了“极化效应”的出现。随后，Autor and Dorn（2013）、Goos et al（2014）等文献分别对美国和欧洲的数据进行了分析，也同样发现了“极化效应”的存在——在技术进步的冲击下，大批制造业的就业机会被服务业所抢占。

Graetz and Michaels（2015）分析了1993-2007年间17个国家的机器人使用及经济运行状况。发现平均而言机器人的使用让这些国家的GDP增速上涨了0.37个百分点。同时，机器人的使用还让生产率获得了大幅增加，并减少了中、低端技能工人的劳动时间和强度。Acemoglu and Restrepo（2017）利用1990年到2007年间美国劳动力市场的数据进行了研究。结果发现，机器人和工人的比例每增加千分之一，就会减少0.18%-0.34%的就业岗位，并让工资下降0.25%-0.5%。

3、关于人工智能和自动化就业影响的预测和趋势分析

除了实证研究外，也有不少学者采用不同的方法对人工智能对就业的影响进行了预测，其结果相差很大。Frey and Osborne（2013）曾对美国的702个就业岗位被人工智能和自动化替代的概率进行了分析，结果表明47%的岗位面临着被人工智能替代的风险。Chui，Manyika，and Miremadi，（2015）则预测，美国45%的工作活动可以依靠现有技术水平的机器来完成；而如果人工智能系统的表现可以达到人类中等水平，该数字将增至58%。相比之下，Arntz， M.， Gregory，T.， and Zierahn（2016）的预测则要乐观得多，他们认为OECD国家的工作中，只有约9%的工作会被取代。在国内，陈永伟和许多（2018）用Frey and Osborne（2013）的方法对中国的就业岗位被人工智能取代的概率进行了估计，结果显示在未来20年中，总就业人的76.76%会遭受到人工智能的冲击，如果只考虑非农业人口，这一比例是65.58%。
除了基于计量方法的预测外，也有一些经济史学者根据历史经验对人工智能的就业影响进行了分析。在一次麻省理工学院组织的研讨会上，Gordon指出从第一次工业革命以来的这250年间，还没有哪个发明引起了大规模的失业。尽管工作岗位持续地在消失，却有更多的就业机会涌现了出来。在他看来，同样的机制将会保证“人工智能革命”并不会造成剧烈的冲击。而Mokyr则认为，随着经济的发展，服务性行业的比例将会上升，这些行业相对来说较难被人工智能所替代。即使人工智能替代了其中的一部分岗位，但老龄化等问题会带来巨大的劳动力需求，由此提供的就业岗位将足以抵消人工智能带来的影响。

此外，还有一些学者认为在分析人工智能的就业影响时，应当综合考虑其他各种因素。例如Goolsbee（2018）认为现有的研究大多是从技术可行性角度去思考人工智能的就业影响，而没有分析价格因素和调整成本，也没有考虑冲击的持续时间。显然，如果忽略了这些因素，只是抽象地说人工智能会替代多少劳动力，其政策意义将大打折扣。

4、对于人工智能就业影响的政策探讨

尽管不同学者关于“人工智能革命”影响的估计存在很大差异，但大部分学者都认为，同历史上的各次技术革命一样，“人工智能”在长期将会创造出足够多的新岗位以代替被其摧毁的岗位，因此问题的关键就是通过政策平滑好短期的冲击，让就业结构完成顺利转换。

应对短期就业冲击的最重要政策是加强教育。很多研究指出，“人工智能革命”对就业的最大影响并不是让就业岗位绝对减少了，而是从旧岗位被淘汰的那部分劳动者不适应新岗位。因此，为了让劳动者们适应新岗位，政府应当负责提供教育和职业指导。由于“人工智能革命”的冲击是持续性的，因此相关的教育也应当有持续性。为了解决失业人员的培训支出，可以探索“工作抵押贷款”，让失业人员以未来获得的工作为抵押来获取贷款，用以进行相关培训。

（三）人工智能与收入分配

人工智能可能通过多个渠道对收入分配发生影响。首先，从理论上讲，人工智能是一种偏向性的技术（Directed Technical Change或Biased Technical Change），它的使用会对不同群体的边际产出产生不同作用，进而影响他们的收入状况。这中效应体现在两个层次上，第一个层次是在不同要素之间，这主要会影响不同要素回报的分配；第二个层次是在劳动者内部，这主要影响不同技能水平的劳动者的收入分配。其次，人工智能的使用还会对市场结构造成改变，让一些企业获得更高的市场力量，进而让企业拥有者获得更多的剩余收入。当然，以上这些效应最终如何起作用，还和相关的政策有很大关系。

1、人工智能对于要素回报的影响

要素回报的差异是造成收入分配差别的最主要原因之一。近年来，资本回报率在全世界范围内都呈现出了增加的趋势，更多的收入和财富向少数资本所有者聚集，这导致了不平等的加剧。而人工智能技术的应用，则可能强化这种要素收益的不平等。

人工智能是一种“技术偏向性”的技术。一方面，它的普及将会减少市场上对劳动力的需求，进而降低劳动力的回报率；而与此同时，作为一种资本密集型技术，它可以让资本回报率大为提升。在这两方面因素的作用下，资本和劳动这两种要素的回报率差别会继续扩大，这会引发收入不平等的进一步攀升。

2、人工智能对不同劳动者的影响

技术的偏向性不仅体现在不同生产要素之间，还体现在劳动者群体内部，不同技能劳动者在面临技术进步后，其收入变化会有很大差异。从性质上看，人工智能是技术偏向性的，它对于不同就业岗位的冲击并不相同。人工智能的一个重要作用是自动化，而目前已有很多研究证明了自动化对不同技能劳动者带来的不同影响。

在现阶段，遭受自动化冲击较为严重主要是那些以程式化任务为主，对技能要求较低的职业。自动化的普及不仅压低了从事这些职业的劳动者的收入，还造成了相当数量的相关人员失业。而如此同时，自动化对那些非程式化、对技能要求较高的职业，则主要起到了强化和辅助作用，因此面对“人工智能革命”的冲击，从事这些职业的劳动者的收入不仅没有下降，反而出现了上升。尽管关于人工智能的技能偏向性的研究还较少，但从逻辑上讲，作为一种实现高级自动化的技术，它也将会产生类似的效应。

需要指出的是，随着人工智能技术的发展，自动化的范围已经不再像过去那样局限于程式化较强，对技能要求较低的职业，很多程式化较低、对技能要求很高的职业，如医生、律师也面临着自动化的冲击。在这种背景下，当分析自动化的影响时就需要对自动化的类别进行分析。如果自动化是对低技能劳动进行替代，那么它将会扩大工资的不平等；而如果自动化是对高技能劳动进行替代，那么它或许将有助于缩小收入的不平等。

3、人工智能对利润分配的影响

除了改变要素的边际收益外，人工智能还会可能通过另一条间接渠道——改变市场力量来对收入分配产生影响。

经济学的基本理论告诉我们，当市场结构不是完全竞争时，市场中的企业就可能获得经济利润，而经济利润的高低则和企业的市场力量密切相关。近年来，世界各国的市场结构都呈现出了集中的趋势，大量占据高市场份额的“超级明星企业”（Superstar Firms）开始出现，并凭借巨大的市场力量获得巨额利润。

不少学者认为，高技术的使用是导致“超级明星企业”一个重要原因，而人工智能作为一种重要的新技术显然会强化这一趋势。不过，就笔者所知，目前还没有文献对人工智能影响收入分配的这一渠道进行过专门的实证分析，因此这种猜测暂时只存在于理论层面。

4、政策对人工智能分配效应的影响

技术变迁的收入分配效应必然受到政策因素的影响，合理的政策措施可以让技术变迁过程更有包容性，使所有人更好地共享技术变迁的成果。Korinek and Stiglitz（2017）曾对“人工智能革命”中的分配政策进行过讨论。他们指出，尽管像人工智能这样的技术进步可以让社会总财富增加，但由于现实世界中的人们不可能完全保险，也不可能进行无成本的收入分配，因此就难以让这些技术进步带来帕累托改进，在一些人因技术进步受益的同时，另一些人则会受到损害。为了扭转这种情况，政策的介入是必要的。政策必须对技术进步带来的两种效应——剩余的集中和相对价格的变化做出回应，而为了达到目的，税收、知识产权政策、反垄断政策等政策都可以发挥一定作用。Kaplan（2015）对相关收入分配政策进行了全面探讨。他建议，考虑到人工智能对不同人群带来的不同影响，应该考虑对那些因这项技术获益的人征税，用来补贴因此而受损的人们。Cowen（2017）指出，良好的社会规范将有助于政策作用的发挥，因此在进行收入分配时，必须要注意相关的社会规范的培育。

（四）人工智能与产业组织

毫无疑问，人工智能技术的发展将对产业组织和市场竞争产生极为显著的影响。它将通过影响市场结构、企业行为，进而影响到经济绩效，而所有的这些现象都将对传统的规制和竞争政策提出新的挑战。

1、人工智能对市场结构的影响

人工智能对于市场结构的影响是通过两个渠道进行的。

第一个渠道是技术的直接影响。使用人工智能技术的企业可以获得生产率的跃升，这将使它们更容易在激烈的市场竞争中胜出。同时由于人工智能技术需要投入较高的固定成本，但边际成本却较低，因此这就能让使用人工智能的企业具有了较高的进入门槛。这两个因素叠加在一起，导致了市场变得更为集中。

第二个渠道是技术引发的企业形式变革。企业的组织形式是随技术的变化而变化的。在人工智能技术的冲击下，平台（Platform）正在成为当今企业组织的一种重要形式。由于平台通常具有“跨边网络外部性”，因而会导致“鸡生蛋、蛋生鸡”似的正反馈效应，这让平台企业可以迅速膨胀占领市场，并形成一家独大的现象。综合以上两种因素，人工智能技术的迅速发展推动了一批“超级巨星企业”企业的出现，并让市场迅速变得高度集中。

需要指出的是，人工智能对于市场结构的影响不仅反映在横向关系上，还反映在纵向关系上。Shapiro and Varian（2017）指出，由于机器学习的特殊性，那些采用机器学习的企业更倾向于垂直联合以获取更多数据并削减机器学习的成本。根据这一理论我们可以预见，随着人工智能技术的发展，大型平台企业对下游的并购趋势将会加强，而推动这种并购整合的动因将不再是争夺直接的利润或市场份额，而是争夺数据资源。

2、人工智能对企业行为的影响

人工智能技术的发展将会对企业的不少行为发生影响。很多以前难以采用的策略将会变成现实。

一个例子是算法歧视（Algorithmic Discrimination）。在传统的经济学中，由于企业的信息越苏，“一级价格歧视”只在理论上出现。而在人工智能时代，借用大数据和机器学习，企业将有可能对每个客户精确画像，并有针对性地进行索价，从而实现“一级价格歧视”，获得全部的消费者剩余。即使企业不进行“一级价格歧视”，人工智能技术也能够帮助他们更好地进行二级或三级价格歧视，从而更好地攫取消费者剩余。

另一个例子是算法合谋（Algorithmic Collusion）。合谋一直是产业组织理论和反垄断法关注的一个重要问题。市场上的企业可以通过合谋来瓜分市场，从而提升企业利润的目的。产业组织理论的知识告诉我们，企业的这种合谋会导致产量减少、价格上升、消费者福利受损。但是，在传统的经济条件下，由于存在信息交流困难以及“囚徒困境”等问题，合谋是很难持久的。尽管从理论上讲，重复博弈机制可以帮助企业合谋的实现，但事实上由于难以监督违约、难以惩罚违约，以及难以识别经济信息等问题的存在，这也很难真正达成。但随着人工智能技术的发展，过去很难达成的合谋将会变成可能。与过去不同的是，企业之间的合谋不再需要相互猜测合谋伙伴的行动，也无需要通过某个信号来协调彼此的行为。只要通过某种定价算法，这些问题都可以得到解决。在这种背景下，企业数量的多少、产业性质等影响合谋难度的因素都变得不再重要，在任何条件下企业都可以顺利进行合谋。

除了算法歧视以及算法合谋外，人工智能技术的发展还会引发很多新的竞争问题。例如，平台企业可以借助搜索引擎影响人们的决策，或者通过算法来影响人们在平台上的匹配结果。

（五）人工智能与贸易

人工智能对于贸易产生的影响将是多方面的：其一，作为一种重要的技术进步，人工智能将对要素回报率产生重大影响，并改变不同要素之间的相对回报状况，这会让各国的动态比较优势状况发生明显的变化。其二，作为一个新兴的产业，人工智能的相关技术和人才也成为了贸易的重要对象，而各国的战略性贸易政策将会对该产业的发展产生关键作用。其三，在微观上，人工智能的使用也将影响企业的生产率状况，根据“新新贸易理论”，这将会影响企业的出口决策。

不过，目前在现有文献中直接讨论人工智能与国际贸易的文献还相对较少，就笔者所知，Goldfarb and Trefler（2018）是目前唯一一篇对这一问题进行专门讨论的论文。在这篇论文中，两位作者首先指出了人工智能产业的两个重要特点：规模经济以及知识密集。人工智能产业对于数据的依赖非常强，规模经济的属性决定了它们在人口基数更为庞大、各类交易数据更为丰富的国家（如中国）更容易得到发展。而知识密集的特征则决定了知识的扩散、传播方式将对各国人工智能的发展起到重要影响。

在认识了人工智能产业的基本特征后，两位作者讨论了战略性贸易保护政策在发展人工智能产业过程中的有效性。在两位作者看来，传统的战略性贸易保护文献有一个重要的缺陷，即只有当存在着利润时，战略性贸易保护政策才是起作用的。但是，一旦产业由于政府的保护而产生了超额利润，只要进入门槛足够低，更多的企业就会进入这个产业，直至利润被压缩到零。而在这种情况下，战略性贸易保护政策就失效了。由于人工智能产业具有很强的网络外部性，所以在这个产业中有企业先行发展起来，其规模就为其构筑起很高的进入门槛，这意味着即使产业有很高的利润也不会有新企业继续进入。在这种条件下，战略性贸易保护政策就会变得更有效了。

两位作者通过几个模型对几类政策，如补贴政策、人才政策，以及集群政策的影响进行了讨论。他们指出，这些政策究竟是否能成功，主要要看人工智能所依赖的知识外部性究竟来自于本国范围还是世界范围。如果人工智能依赖的知识外部性主要来自于本国，那么政府就可以通过产业政策和战略性贸易保护政策对企业进行有效扶持，从而让企业在世界范围内更具有竞争力。但如果人工智能依赖的知识外部性是全世界范围内的，由于知识的扩散会相当容易，因此以上政策的作用就不会明显。

在论文的最后，两位作者着重对隐私政策进行了讨论。从经验上看，更强的隐私保护会限制企业对数据的获取，进而会阻碍以数据为关键资源的人工智能产业的发展。因此，在实践中，隐私保护政策经常被作为隐性的贸易保护政策来对付国外企业。但这两位作者看来，这类政策也同时会损害本国企业，因此是不可取的。他们建议，出于支持本国企业的目的，政府可以采用其他一些扶持政策，例如数据本地化规则、对政府数据访问的限制、行业管制、制定本地无人驾驶法规，以及强制访问源代码等。

（六）人工智能与法律

人工智能的兴起带来了很多新的法律问题。

例如，人工智能在一定程度上可以替代或辅助人进行决策，那么在这个过程中人工智能是否应该具有法律主体地位？

在应用中，人工智能需要利用其他设备或软件运行过程中的数据，那么谁是这些数据的所有人，谁能够作出有效的授权？

在遭遇人工智能造成的事故或产品责任问题时，应该如何区分人工操作还是人工智能本身的缺陷？

对于算法造成的歧视、合谋等行为应当如何应对？
……

这些问题都十分实际，但却充满了争议。限于篇幅，笔者只想对两个问题进行专门讨论，对于更多人工智能引发的法律问题的探讨，可以参考Pagallo（2013），Erzachi and Stucke（2016），Stucke and Grunes（2016）等著作。

1、人工智能带来的隐私权问题

现阶段人工智能的应用是和数据密不可分的。例如商家在利用人工智能挖掘消费者偏好时，就必须依赖从消费者处搜集的数据（包括身份信息、交易习惯数据等）。对于消费者来讲，让商家搜集这些数据将是有利有弊的——一方面，这些数据可以让商家更充分地了解他们的偏好，从而为他们更好地服务；另一方面，消费者的这些数据被搜集后也会带来很多问题，例如可能被商家进行价格歧视，受到商家的推销骚扰，在部分极端的情况下甚至可能因此而受到人身方面的威胁。

在数据的搜集和交换不太频繁的情况下，消费者在遭受因数据引发的麻烦时很容易追踪到责任源头，因此他们可以有效地对出让数据而带来的风险进行成本收益分析。在理性决策下，一些消费者会选择自愿出让自己的数据。

但是，随着大数据和人工智能技术的发展，这种情况发生了改变：

（1）商家在搜集了数据后可以更持久保存，可以在未来进行更多的使用，因此消费者出让数据这一行为带来的收益和遭受的累积风险之间将变得十分不对称；（2）由于现在商家搜集数据的行为已经变得十分频繁，当消费者遭受了数据相关的问题后也很难判断究竟是哪个商家造成的问题，因此事实上就很难进行追责；（3）商家在搜集消费者数据后，可能并没有按照其事先向消费者承诺的那样合理使用数据，而消费者却很难惩罚这种行为。

在上述背景下，如何对数据使用进行有效治理，如何在保护消费者合法权益的基础上有效利用数据就成为了一个需要尤其值得关注的问题。目前，对于人工智能条件下如何保护消费者隐私的争议很多，有学者认为应当由政府进行更多监管，有学者认为应当由企业自身进行治理，有学者则认为应该由民间团体组织治理。总体来讲，几种思路都各有其利弊，因此这一问题目前仍然是一个开放性问题。

2、人工智能的产品责任问题

人工智能及使用人工智能技术的设备（如机器人）可以大幅度提高生产率，但同时也会更大的使用风险。在这种背景下，界定人工智能的产品责任，明确一旦发生了事故，究竟人工智能制造者需要为此承担多大责任，就成为了一个关键的问题。

在讨论类似人工智能这样的高新技术的产品责任时，一个需要着重考虑的问题是责任划分对创新激励的影响。在一篇较近的论文中，Galasso（2017）对这个问题进行了讨论。

他建立了一个简单的模型：企业可以选择人工智能产品的研发强度，研发强度会改变产品对企业带来的收益，以及产品发生事故的概率。一旦事故发生，企业会承担一个固定的损失，法律决定了发生事故时企业需要承担的责任比例。Galasso求解了企业利润最大化时企业的最优研发强度。结果发现，产品责任的划分会影响产品的研发响度，要求企业承担更多责任会增加安全产品的研发强度，减少危险产品的研发强度；反之，如果要求企业承担更少责任会减少安全产品的研发强度，增加危险产品的研发强度。不过，只要研发带来的收益足够高，安全责任将不会对是否研发的决策产生影响，而只会改变边际上的研发强度，从而影响技术革新的速度。

据此，Galasso认为在考察人工智能相关产品的产品责任问题时，应当十分重视其对创新的影响，并强调应该对成本收益的动态效应进行关注。

四、结论

作为一门致用之学，经济学是在回应现实发展的过程中不断发展的。每一次重大的技术进步都会带来生产生活的巨大改变，而这些改变最终也会体现在经济学上。第一次工业革命带来的生产方式和阶级结构的变化为李嘉图、马克思等经济学家的研究提供了鲜活的素材；第二次工业革命带来的经济结构变化和社会结构的变化催生了宏观经济学、产业经济学、发展经济学等经济学分制；信息革命则为产业组织、信息经济学和网络经济学的应用提供了用武之地。

相比于之前的历次技术进步，“人工智能革命”所引发的冲击更为巨大，其对经济学造成的影响也将更为广泛和深远。相信在不久的将来，人工智能将作为重要的研究工具和研究议题进入经济学的主流。

5
5个未通过！2017年教育部重点实验室评估结果正式公布
今天（2018年4月4日），教育部科技司正式公布了2017年教育部重点实验室评估结果。经过初评、现场考察、综合评议、公示等环节，2017年信息领域56个参评实验室中，智能网络与网络安全教育部重点实验室（西安交通大学）等10个实验室评估结果为优秀；计算智能与信号处理教育部重点实验室（安徽大学）等41个实验室评估结果为良好；其余5个实验室未通过定期评估。
根据2015年8月20日教育部印发的《教育部重点实验室建设与运行管理办法》和《教育部重点实验室评估规则（2015年修订）》，教育部重点实验室定期评估主要对实验室5年的整体运行状况进行综合评估，评估程序分为初评、现场考察和综合评议三个阶段。教育部根据定期评估结果，对实验室进行动态调整。未通过评估的实验室不再列入教育部重点实验室序列；评估结果为优秀的实验室优先推荐申报国家重点实验室。
从本次2017年教育部重点实验室评估结果看，共有10个教育部重点实验室评估结果为优秀，41个实验室评估结果为良好。尽管教育部并未公布未通过重点实验室名单，不过根据教育部此前公布的参加初评和现场考察的重点实验室名单，可知共有5个实验室未通过定期评估。具体的评估结果如下：

科学网、科技网、交通新闻网
6
激光雷达：从光电技术角度看自动驾驶
激光雷达和与之竞争的传感器技术（相机、雷达和超声波）加强了对传感器融合的需要，也对认真谨慎地选择光电探测器、光源和MEMS振镜提出了更高的要求。

传感器技术、成像、雷达、光探测技术及测距技术（激光雷达）、电子技术和人工智能的进步，使数十种先进的驾驶员辅助系统（ADAS）得以实现，包括防撞、盲点监测、车道偏离预警和停车辅助等。通过传感器融合实现这些系统的同步运行，可以让完全自动驾驶的车辆监视周围环境，并警告驾驶员潜在的道路危险，甚至采取独立于驾驶员的躲避行动以防止碰撞。

自动驾驶汽车还必须在高速状态下区分和识别前方的物体。通过测距技术，这些自动驾驶汽车必须快速构建一张约100m距离内的三维（3D）地图，并在高达250m距离范围内创建高角分辨率的图像。如果驾驶员不在场，车辆的人工智能必须做出最佳决策。

完成这一任务的几种基本方法之一，就是测量能量脉冲从自动驾驶车辆到目标再返回车辆的往返飞行时间（ToF）。当知道“脉冲”通过空气的速度时，就可以计算到反射点的距离——脉冲可以是超声波（声纳）、无线电波（雷达）或光（激光雷达）。
在这三种ToF技术中，激光雷达是提供更高角度分辨率图像的最佳选择，因为它具有更小的衍射特性和光束发散度，可以比微波雷达更好地识别相邻物体。这种高角度分辨率在高速下尤为重要，可以提供足够的时间来应对潜在的危险，如迎面碰撞。
激光光源的选择
在ToF激光雷达中，激光发射持续时间为τ的脉冲，在发射瞬间触发定时电路中的内部时钟（下文有图示）。从目标反射的光脉冲到达光电探测器，转换产生电信号输出使时钟停止计时。这种测量往返ToF Δt时间的方式可以计算到反射点的距离R。

飞行时间激光雷达要求光电探测器和其后的电子学系统具有很小的时间抖动（δΔτ的主要贡献因素）以及能够发射短脉宽时间的脉冲激光器，例如相对昂贵的皮秒激光器。目前典型的汽车激光雷达系统中的激光器产生约4ns持续时间的脉冲，所以减小光束发散是必要的。
光束发散取决于波长和发射天线尺寸(微波雷达)或透镜孔径大小(激光雷达)的比值。微波雷达这一比值较大，因此发散度更大，角度分辨率较低。图中微波雷达（黑色）将无法区分这两辆车，而激光雷达（红色）可以。

对汽车激光雷达系统设计者来说，最关键的选择之一是光波长。制约这一选择的因素有几个：

对人类视觉的安全性
在大气中的传播特性
激光的可用性和光电探测器的可用性

两种最流行的波长是905和1550 nm，905nm的主要优点是硅在该波长处吸收光子，而硅基光电探测器通常比探测1550 nm光所需的铟镓砷(InGaAs)近红外探测器便宜。
然而，1550nm的人类视觉安全度更高，可以使用单脉冲更大辐射能量的激光——这是光波长选择的一个重要因素。
大气衰减（在所有天气条件下）、空气中粒子的散射以及目标表面的反射率都与波长有关。由于有各种各样可能的天气条件和反射表面，对于这些条件下汽车激光雷达波长的选择来说是一个复杂的问题。在大多数实际情况下，905 nm处的光损失更小，因为在1550 nm处的水分的吸收率比905 nm处要大。
光探测器的选择
采用窄带滤波器可以减少到达探测器的背景光，但不能减少到零，背景光的影响使检测动态范围减小，噪声（背景光子拍摄噪声）增大。值得注意的是，典型条件下地面太阳辐照度在1550 nm处小于905 nm。

7
机器学习识别材料相变--基于扫描探针显微镜的数据挖掘
探索相变和构建相图对于凝聚态物理和材料科学至关重要，是理论和实验领域广泛研究的焦点。相变研究通常需要运用散射、热力学、模拟等综合手段描述相变时序参量的变化，对于序参量未知的体系，传统方法十分局限。最近西安交通大学杨耀东课题组的李玲龙与橡树岭国家实验室Kalinin小组合作，在新发表的Science Advances文章中创新性地提出运用机器学习算法，对扫描探针尖端探测体积下压电弛豫的动力学响应进行数据挖掘，在序参量未知的情况下，确定了纳米尺度的结构相变。这一研究成果实现了序参量缺失情况下的相变表征，为材料科学中高维复杂数据的信息挖掘、分析提供了新颖独特的解决方案。

对于使用机器学习算法构筑相图的设想，研究人员首先在二维Ising模型中，构建了该系统在撤去激励磁场后随时间弛豫的多维度数据集，并采用K-means算法处理得到分类簇，发现其以顺磁-铁磁相界分为三个簇，如图一所示。由此，其可行性在模拟数据集中得以证实。
图一K-means聚类算法处理Ising模型数据集。
A：三个簇k=0，1，2中数据向量的数量随温度的变化。B：簇中心的向量。C:簇中数据向量数构建的铁磁-顺磁转变相图。
随后在实验研究中，研究人员通过扫描探针加载脉冲电压，以激励弛豫铁电体PMN-PT中微区压电响应的弛豫信号（激励电压波形如图二A所示），并根据不同脉冲偏压和温度，使用频带激励信号增强技术获得多维度的压电弛豫信号数据集。主成分分析（PCA）作为一种无监督学习算法，能有效针对高维数据进行降维处理。研究人员使用PCA算法，分别获得了数据集的特征值和特征向量。在特征值的突变界面（图二C的黑色虚线），明确指出了相变发生的信号。
图二频带激励压电力显微镜获得多维度的压电响应弛豫数据集，以及其主成分分析结果。
A：用于压电弛豫测量的波形。B：PCA得到的特征向量。C：PCA得到的特征值。
进一步使用K-means算法处理偏压-温度多维度数据，根据每一条数据在簇分类中的落点以及簇中包含数据向量的数量，得到偏压-温度维度的相图，如图三B所示。在临界温度70℃左右，落在簇k=0和簇k=1的数据向量的数量发生明显改变，直接对应着材料的两种单斜相MB-MC相变。
图三 K-Means聚类结果。A:簇中心向量。B：根据簇中数据落点量构建的偏压-温度相图。
研究工作创新性地采用无监督机器学习算法分析电压-热激励下压电弛豫的高维数据集，自动识别材料的相变过程，构建了弛豫铁电晶体的电压-温度相图。尤其在面向序参量缺失（或不可知）的体系时，相较传统的曲线拟合方法，为微观（电场）-宏观（温度）的实验数据集的分析提供了更普适的、全局的方法。更重要的是，这一研究方法不受限于数据维度和测量手段，使得机器学习成为材料科学中复杂数据分析和信息挖掘的有力武器。

8
预计2020年量产，图森开始测试港口内无人驾驶集卡车
在昨天的媒体开放日上，图森未来表示目前已经开始了在港口内进行无人驾驶集装箱卡车车队的测试，正式宣布进入港口内封闭区域无人驾驶运输市场。如果进展顺利，图森计划在今年下半年部署包含15辆港内集卡的车队，开始正式的试运营。
集卡车正在进行测试运行
在媒体开放日现场，图森未来也放出了测试视频。根据图森未来COO郝佳男的介绍，目前测试用的集卡车使用的是陕汽X67。在图森与港口的合作中，卡车车企是作为供应商身份为存在，图森向车企提出车辆需求并对车辆进行自动驾驶改造，车企需要对图森开放底层控制（油门、转向、刹车等）接口，便于图森进行部署。
从技术上而言，图森提供了车辆感知、决策规划部分的能力，并且目前还涵盖了港口内地图的建立以及港口内的定位技术。在传感器方面，为了应对不同的天气情况并基于定位考虑，集卡车上使用了摄像头、毫米波雷达与两个16线的激光雷达。关于更进一步的技术方案细节，图森并没有透露。

另外，图森还会提供车辆的运营调度系统，与港口的TOS（码头管理系统）进行对接，便于进行运营管理。车辆可以通过车载网络与TOS以及港口内的其他设施（比如各类型吊车）进行实时通讯，接受任务指令、了解设施状态并完成调度。

在昨天的发布会上，图森总裁助理薛健聪还介绍了图森在2018-2019年的运营规划。图森将会在这两年进行大规模的路测与商业化试运营，以期在2020年能够实现全面的商业化。今年图森将会在国内港口与美国亚利桑那州分别建立运营车队，同步进行高速公路与港口内两种场景的测试与试运营，车辆的小规模量产预计在2019年开始实现并开始交付使用。据透露，港口内车辆量产后成本将在50-60万元。
图森未来2018-2019规划
与其他自动驾驶初创企业不同，图森未来一直瞄准的是商用车市场与物流领域。驾驶员长期的疲劳驾驶与人工成本、商用车的高昂使用成本一直是物流行业的痛点所在，图森未来的切入点就在于期望通过去掉其中“人”的环节来缩减成本，并且通过自动化的控制来减少卡车的运营成本。

此前，图森的着手点放在高速公路场景。在今年初的CES上，图森展出了一款与美国卡车制造商Peterbilt合作改装的自动驾驶卡车样车，并表示未来今年8月份开始试运行。之所以拓展到港口内场景，薛健聪表示，是因为不想受到政策的限制，希望能够多线铺开，进行更多商业化探索。

相较于高速公路，集卡车在港口内是作为运营设备进行管理的，因而在实际部署上，政策阻力大大减少。而且港口作业区是特殊场所，在进出人员、车辆上管理十分严格，再加上低速行驶，因而从技术上也降低了实现难度。但是两个不同的场景自然也对技术提出了不同的要求，因而在与港口合作时，图森也表示针对港区环境在算法、传感器的安装上进行了调整。目前图森的无人驾驶集卡车能够7*24全天候执行港区自动驾驶运输任务。

在商业模式上，与此前类似，图森未来依然会作为运营与服务提供商的身份与港口进行合作，因而车辆的实际拥有方为运营方，图森希望提供的是技术与服务。在针对事故的责任归属上，郝佳男表示，如果车辆真的出现事故，应该是运营方，也就是图森，承担责任。

发布会后，图森总裁助理薛健聪、图森COO郝佳男接受了媒体群访，以下是访谈细节（有删减）：

Q：咱们跟港口接触的时候，他们的态度怎么样？

郝：现在港口还是挺乐意跟我们接触这件事情。从他们角度讲，我不能说哪个港，可以说现在有多个港都想做第一，因为大家都觉得有示范性的效应。当然我们的服务能力，实验角度讲，没有办法，只能从一家开始，再拓展到的家。从港口角度讲，他的诉求，希望这个港变得智能化，对他的成本来讲是很划算的事情。从他未来的发展趋势来讲，以后的港口一定是这个模式，哪个港先做起来，它就会成为一个标杆，大家会去复制它。

Q：咱们选港口比较看重哪些特征？

郝：第一个，港口的合作程度。因为这件事情你要做实验，做实验一定要港口这边有一定配合。再一个比如说集装箱的吞吐量，涉及到我们之后真的运箱子的时候，需要承载多大规模的运力，这是比较重要的两点。

Q：港口（自动驾驶卡车）有没有特殊的要求，跟公路上不一样的？

郝：有很多点不一样，我举一个例子，比如说港口有一个轮胎垫，需要我的卡车钻到最下面去，钻到下面才能把集装箱放到箱去，定点停车是一定的，另外要求我的车钻过去，左右可能就10厘米的量。在低速的情况下，在信号被干扰的情况下，如何精准地停下，如何安全地过去，诸如此类的问题是在高速路段和城市路段不会遇到的问题。因为你在高速路段不会考虑低速情况下进行如此精准的横向定位。

Q：刚才您说到可以实现三到五厘米的精准停车，技术上的实现过程是怎么样的？

郝：我形象一点说，如果是人，你希望停在一个很精准的地方，你要不断地观察我的车辆现在可能离我的目标位置的距离，这件事情对我们也有传感器不停地在做这件事情，同时要不停地调整油门的力度，或者刹车的力度，对于系统来说可能是通过控制的指令，控制油门开度，刹车的力度，诸如此类的控制量，两件事情要非常匹配，才能把车辆精准地停下来。这涉及到车辆控制，以及如何判别我离目标位置的距离，要很精准。

Q：港区在选择技术的时候，主要考虑哪些因素？

郝：我觉得是这样的，无论是谁来提供这个方案，实际你要解决的是他最终的商业诉求。如果商业诉求本身要求，比如说对于港来说，对于绝大部分的港，可能都要求是一个使用内集卡，多车混跑，这样的一个模式。在这种情况下，可能对于港来说，他会去在符合这样的前提下选择不同的供应商去做比较。在这一点上，现在我们还是比较有优势的。

Q：15辆的车队对于港口大概是多大工作量的港口？这15辆车占到港口运输业务的百分之多少？

郝：具体的标箱量我记不清了，15辆本身能承载四个船位的码头，这个码头不是太大的码头，所以我们在实际运行的时候，很有可能是把大的码头进行分割，然后去承载其中的一些业务。某一类的船可能都承载了，或者泊位都承载了，以这样的方式进行。

Q：如果说一辆卡车出了事故之后，如果是你们的责任之后，如何进行处理？

郝：这一点在港内比港外更容易，因为港内的政策，你可以认为它是作为一种设备，从法律的角度上讲，可以作为港内运行设备处理。从这个角度，法律在很多地方可以给它一定的宽容，不像车辆的要求，要符合车很多很多的规范，这些是有区别的。如果说像出现事故的情况，我们认为应当是运营方承担责任，也就是我们自己。

Q：像夜间、雨天、雪天的情况下，图森有什么方案？

郝：从港口的角度讲，一定是全天候作业的，除非是现在风非常非常大，他们可能会港口封闭，其他情况下都不会。包括您刚才说的夜间、雨天、雪天都会去支撑它。如何去解决这个问题，有很多方面要做，一方面比如说传感器本身要能够选择正确的传感器在这些场景能够给你足够的信息。另一方面在外围要自己开发很多东西，保证这个传感器在很好的状态。举个例子，港口，实际上大家看起来不会有感觉，如果去了那个地方，你会体验到，这个地方是很严酷的环境，夏天很高温，离海很近，盐对所有的电子设备都是非常强的腐蚀，这从设计角度都要去考虑，要去增强，保证设备的状态，这些都要做。

Q：卡车因为刹车系统固态和液态不同会产生不同的惯性，咱们怎么解决？

郝：这对控制是很大影响的，刹车的时候液体会造成重心不断地在变化，这件事情对控制本身是有挑战的。但这件事情我们在很早就已经考虑过了。因为在港区，说实话，是一个基本上低速场景，考虑还不多。在高速场景，这件事情是必须考虑的，否则可能会出现一个很麻烦的情况，很危险的。

Q：刚才PPT提到2018年到2019年商业拓展的计划，在中国可能侧重于港口，美国侧重于仓到仓的商业化试运营，中美两地有意识进行这样的区分吗？国内的公司基本都在美国有实验室，其他都是偏开发，咱们这边在那边是有实际的商业落地的，未来我们有在美国商业化运营的计划是吗？

郝：这是肯定的。中美两边的市场都是非常大的市场，无论是内集卡还是外集卡都是非常大的市场。在目前两个阶段两边要侧重，因为政策面，我们希望这个时间不要影响技术的演进，所以国内这段时间会把港内作为重点去做。

Q：目前我们在港口方面，怎么样去积累足够多的测试的数据。目前我们的可靠性大概是一个什么状态？我们达到怎样的标准，这个可靠性才OK，才能复制到真正的商业运营上？

郝：分不同的数据，有一些数据需要很多的车辆实地进行积累的，这些数据更多的是通过我们本身这些车辆，还有跟我们合作方，在合作方安装一些设备，采集数据，通过这样的方式积累。这件事情做的非常早。如何判断我的车可以进行安全的无人驾驶，我们自己有一些判定的依据，我相信别的公司都有一些判定依据，这件事情有可能会有不同的观点。总的来说，举一个不是很恰当的例子，你现在有人在开，但是好长好长的时间，很多很多的车，在各种各样的条件下，测了多长时间都没有发现问题，可能你认为这个点是OK的。但是多长，多少场景，这些我相信不同公司有不同的判别。

Q：刚才视频演示里面那个车的技术方案，跟港口合作的时候主要突破了哪些技术？

郝：最主要的技术是车辆本身。我们可以认为，现在的港口整个的内集卡它是由一个运输车队管理的，它都是通过人在上面开这辆车。现在我提供的技术，我给你换一套车队，这个车队不需要人，我给你完成同样的工作。

Q：是车厂完成的还是供应商完成的？

郝：对于车厂来说，只是开放了油门、刹车、转向的接口，你怎么去转这个方向盘，完全是要你自己做的。

Q：对车完成的是感知和决策控制吗？

郝：感知、决策、控制、定位，包括地图的构建，包括外围系统，包括怎么做到车出现一个故障，怎么响应它，都需要去考虑。

Q：现在有哪些港口签协议了？

郝：具体的名字就不好去透露了，有不少港口。

Q：大概是多少？

薛：接近于10个。

郝：这是一个大家挺迫切的需求，之前为什么这件事情没有办法继续，是因为大家觉得AGV好，你有方案，但是我玩不起，而且我玩完之后，这个生意是一个亏本的生意。对他们来讲还是需要我的港不要停止作业，用以前的模式进行下去。所以当这个东西出来以后，在这个圈里大家是很认可的。

9
科学文化应该成为主流文化
3月14日，在被誉为“我们这个时代最著名的科学家”、“一个名人，大众文化的一部分”、“理论物理学中的米克·贾格尔”的物理学家史蒂芬·霍金去世后，有关霍金的各种评论铺天盖地般地出现在众多媒体平台上，应该说绝大多数人对霍金的了解始于《时间简史》的畅销，这本取代了卡尔·萨根的《宇宙》而一跃成为迄今为止全球最畅销的科普图书也让霍金的名字“家喻户晓”，抑或者说我们之所以纪念霍金，除了他在科学研究方面的贡献之外，至少还有一定的原因在于他对科学文化的发展所做的巨大贡献。
如今科学已经融入到我们日常生活的各个角落，比如，在人们是否给自己的孩子接种疫苗，如何看待食品安全，如何应对气候变化以及很多议题方面做出重要决策时，他们都越来越需要把来自于科学的信息同他们个人的价值和其他因素整合起来，这其中就包括自身所处的科学文化环境，或者说科学文化基因，因而促进科学的发展必然要求具有与其相适应的科学文化。
同时，科学的深刻变革也在潜移默化地改变着我们的日常环境，改变着人类与自己的工作的关系，改变着人们在家或者赋闲时的生活方式，同时也提出了一些根本性的伦理问题和法律问题，所以科学的发展也在塑造着大众文化，科学共同体成员的表现也在一定程度上影响着公众的日常行为。
就此而言，科学应该也必须成为大众文化的一部分，让科学成为主流文化，培养勇于创新的环境和土壤，倡导积极的生活方式，形成讲科学、爱科学、学科学、用科学的氛围都离不开科学文化的发展与繁荣。
另外一方面，大众文化中科学元素的丰富程度也在一定程度上影响着人们对科学的看法和态度，公众从各种传播渠道中获取到的科学信息塑造着他们对科学的认知和情感，比如科幻电影，科学类影视节目等等，在当前的时代，科学与文化的相互促进，相互交融体现的愈发紧密。
然而，科学文化的发展与繁荣离不开科学传播，因为通过科学传播才使得广大公众了解科学，支持科学，从而提高公众的科学素养，并让他们对科学具有理性的态度。从另外的角度说，“科学传播不仅是为了提高公众的素养，更希望科学精神的具体内涵为公众所理解，能在潜移默化中渗透到公众的心灵之中”。这也就是将科学精神内化到科学文化中去，并融入到整个社会文化之中。而科学精神中的求真务实精神，理性的怀疑与批判精神，创新精神和人文关怀精神也是促进文化发展繁荣所倡导的精神。将科学精神内化为科学文化，在一定程度上必然会促进文化的发展和繁荣，并且对于坚持“四个自信”发挥重要作用。
实际上，科学和科学文化一直贯穿于党和国家的大政方针之中，从科学技术是第一生产力，“科教兴国战略”的实施，到“三个代表”重要思想，“和谐社会”，再到习近平新时代中国特色社会主义思想，其中都包含着对科学价值的彰显，对科学事业的重视，对科学文化的推动，以及对科学精神的弘扬。
让科学文化成为主流文化不能一蹴而就，同时也需要各方面的共同努力，科学共同体应该加强科学传播工作，从公众关心的社会热点和焦点话题入手，科学地解疑释惑，传播科学知识，普及科学方法，弘扬科学精神，进而提升他们对科学的兴趣，并丰富科学文化的内涵。同时，也应该积极地探讨与大众文化的融合，比如，美国科学院就有类似的科学与艺术交流项目，通过为大众文化产品，主要是影视剧，提供科学咨询和顾问服务，把科学融入到大众文化之中。
只有让科学融入大众文化，并且成为主流文化，科学才能摆脱“独自打保龄球”的状态，并且形成有利于科学发展的文化氛围和环境，进而提升文化软实力，为科技创新奠定坚实的文化基础。

凤凰科技网、网易科技等
10
中国遥感卫星地面站成功接收高分一号02、03、04卫星数据
密云接收站获取的高分一号02星2米全色和8米多光谱传感器移动窗图像
2018年4月1日10时06分、11时45分、22时41分，中国科学院遥感与数字地球研究所所属中国遥感卫星地面站密云站按计划在第15圈次、16圈次和23圈次分别成功跟踪、接收到高分一号02、03、04卫星的首轨下行数据，完成总计166.31GB数据的接收、记录和传输。4月2日，中国遥感卫星地面站密云站、三亚站和喀什站按计划成功接收到高分一号02、03、04卫星载荷实时成像数据。
高分一号02、03、04卫星是国家民用空间基础设施规划的首批业务化应用卫星，于2018年3月31日11时22分以“一箭三星”方式成功发射。中国遥感卫星地面站的密云站、喀什站、三亚站、昆明站和北极站负责承担该卫星的数据接收任务。
今后，地面站还将陆续承担规划中的其他陆地观测卫星的数据接收任务。

11
SpaceX将试射猎鹰9号"终极版" 可重复发射100次
网易科技讯 4月4日消息，据CNET报道，伊隆·马斯克（Elon Musk）设想利用可重复使用的火箭殖民火星，但到目前为止，他还未能让完全相同的猎鹰9号火箭器使用两次以上，不过这一切即将改变。
在过去几年里，你看到的所有SpaceX火箭都是猎鹰9号火箭的测试版，我们可能会在4月末的时候看到猎鹰9号火箭“终极版”，届时太空飞行领域的真正革命将拉开序幕。
在过去一周里，SpaceX又成功发射了两枚猎鹰9号火箭，但是其火箭助推器既没有在海上无人船上降落，也没有回到海岸附近的着陆垫上。然而，之前使用过的火箭都飞回了海洋表面，并迅速沉入海底。那么，马斯克“回收火箭以降低访问太空成本”的理念到底发生了什么？为什么他的公司会突然把所有火箭抛到海里，就像美国宇航局(NASA)和其他机构几十年来做的那样？
别担心，这都是为猎鹰9号火箭“终极版”所做的努力，即所谓的“Block 5”猎鹰9号火箭，它将于本月晚些时候首次试飞。SpaceX已经证实，该公司希望在4月末时，使用“Block 5”猎鹰9号火箭发射孟加拉国的第一颗通讯卫星Bangabandhu-1。尽管有些行业网站将4月24日定为目标日期，但确切的发射窗口尚未公布。
到目前为止，猎鹰9号火箭已经执行过多次任务，它们都属于“Block 4”或所谓的“Full Thrust”模型。而Block 5模型是马斯克所说的猎鹰9号火箭“终极版”。它比以前的版本更强大，其他升级可以帮助更好地控制下降，并进行了其他微小调整。
但最大的不同之处在于，SpaceX希望这款猎鹰9号火箭能够反复发射。按照计划，“Block 5”猎鹰9号火箭可以连续发射10次，而不需要任何重大翻新，只需回收、检查然后送回发射架。在10次发射之后，火箭要重新进行翻新，并准备再发射10次，最终每枚火箭可反复发射100次。这就是马斯克和SpaceX预想中的理想火箭，它将可以支持实现马斯克的大胆计划，比如在火星上建立庞大的人类基地。
在过去的一年中，SpaceX已经使用二手猎鹰9号火箭发射了10次，该公司发言人杰西卡·延森（Jessica Jensen）周日在美国宇航局的新闻发布会上对记者说，该公司计划在明年将这一数字增加50%，这部分得益于Block 5火箭开始服役。
我们在过去几年看到的猎鹰9号火箭实际上只为发射两到三次而设计的，并且每次重新发射之前都要进行翻新。SpaceX公司并没有试图恢复其现有猎鹰9号火箭推进器的库存，而是选择发挥它们的余热以便收集数据，这些数据将有助于建造未来火箭。这就是在过去几天里SpaceX两枚猎鹰9号推进器坠入海洋的真正原因。
我们将在本月晚些时候看到的猎鹰9号的最终版本，SpaceX也希望在今年晚些时候利用它将宇航员送上国际空间站。但首先，它需要至少发射7次Block 5火箭，才能获得美国宇航局的认证。如果一切顺利，回收火箭的时代最终将真正开始。

12
马斯克和贝索斯要如何颠覆太空探索？
讯4月4日消息，据国外媒体Fast Company报道，《火箭亿万富翁：伊隆·马斯克，杰夫·贝索斯和新太空竞赛》作者、科技记者蒂姆·费恩霍尔茨近日接受采访，讲述马斯克和贝索斯等人正如何试图颠覆太空探索领域。
SpaceX在2月初发射了它的猎鹰重型火箭（Falcon Heavy），这是太空探索近代史上最好的公关活动之一——不仅仅是因为伊隆·马斯克的公司将一辆特斯拉汽车送上太空。
数以百万计的人观看了这次发射，亲眼见证SpaceX尝试将所有的三颗火箭都带回地球，最终其中一颗火箭坠向距离SpaceX海上平台的着陆点仅几米的地方。让所有人齐聚一堂的是，一家私人太空探索公司展示其大型火箭带来的激动人心的前景——以及以极低的成本将超重负载送上太空的潜在希望。美国宇航局似乎已经对猎鹰重型火箭失去一些兴趣，这无关紧要；公众参与进来了。你会觉得，最终宇航局将不得不追随进来。
私人太空竞赛已经激战了好几年了，地球上最富有的一些人纷纷投入进来，力争领先地位。这就是Quartz记者蒂姆·费恩霍尔茨（Tim Fernholz）在他的新书《火箭亿万富翁：伊隆·马斯克，杰夫·贝索斯和新太空竞赛》中探究的东西。
最近，Fast Company采访了费恩霍尔茨，了解一下在这场竞赛中，哪位大亨更有胜算？是马斯克？贝索斯？还是别的大亨？
问：你为什么要写这本书？
答：因为感觉一件历史大事正在发生，但它并没有得到应有的关注。它是人类与太空联系的方式一个关键时刻，它是一个令人兴奋的故事，对未来也会有很大的影响。
问：为什么没有得到应有的重视？
答：我认为，人们往往会忽视很多这样的家伙和很多这样的公司，觉得他们很怪异，或者觉得他们在张口说大话。直到最近五年，我们才看到这些公司证明这是一个新时代，它们能够做到NASA曾经做到的事情，甚至能够做到NASA不能做到的事情。
问：听起来你认为这些人作为太空行业的参与者应该被认真看待？
答：是的，我认为太空行业的任何一个人现在都会说这是一个客观事实。尤其要看看SpaceX对全球发射产业的影响，欧洲卫星发射公司Arianespace、波音和洛克希德的合资公司联合发射联盟等公司，因为SpaceX的成功全都不得不大幅改变它们的业务计划，这也为追随他们的新公司带来了大量的机会，大量的资金，同时也促使很多人愿意相信那些未曾被尝试过的商业模式。
问：你觉得SpaceX为什么会如此成功呢？他们是因为做对了一两件事而走到现在的地步吗？
答：他们做好了两件不同的事情。一件是他们从零开始，他们没有陷入行业常见的问题，无论是融资模式，分包，还是不信任现成组件的问题。他们真的是说，让我们以尽可能低的成本来做这个，并将此作为我们的目标。
第二件事是，他们愿意承担NASA当初不愿承担的风险，特别是在投资于这种可重复使用的火箭系统上面，那使得他们能够使得自己的太空飞船比竞争对手便宜得多。
问：“猎鹰9号”火箭曾连续多次发生爆炸。你觉得他们是否一直坚信自己最终会取得成功，还是也有过失去信心的时候？
答：我想，他们有些时候可能也会想，“如果我们下星期没有成功地发射这枚火箭，我们就将耗尽资金，关门大吉。”但我认为，他们一直相信自己能够完成他们的目标。区别在于，如果NASA有个可重复使用的火箭项目，在尝试让它们安全降落的时候损毁了跟SpaceX一样多的火箭，国会会取消那个项目。但是因为SpaceX是由马斯克掌控的，他则会说，“我们接着干吧。”
问：这场新太空竞赛对于参与者而言意味着什么？
答：我想应该是数十亿美元规模的业务。这涉及发射卫星，这是马斯克正在做的事情，贝索斯旗下的Blue Origin也想要做；还涉及运营卫星星座网络，多家公司都在投入数十亿美元来布局，其中包括SpaceX、OneWeb、波音和LeoSat等。然后，这些家伙可能也受到了将人类带到太空的希望的驱使，那是他们想要达到的目标。这仍然有点天方夜谭，但他们正在构建可将人们送上太空的工具。我想，你必须要看看他们在做什么，然后说“好吧，这是我们得认为有可能发生的某种事情。”
问：私人太空竞赛对NASA等国家机构意味着什么？
答：一方面，这意味着他们可以以比以往要低得多的成本购买太空发射服务，这可能意味着他们将更加频繁地发射航天探测器到其他行星来展开研究。它将意味着美国的载人航天飞行的回归，为2011年以来的第一次，波音和SpaceX将分别在今年晚些时候和2019年年初将宇航员送上太空；它也意味着他们要重新思考自己的使命是什么。猎鹰重型火箭2月的发射，对NASA来说是一个警醒：这些私营公司有能力完成真正巨大的任务，如运营世界上最大型的火箭，他们需要思考：“政府最好将资源集中在什么地方？我们如何能够利用私营部门来做到这些？”
问：最终，你觉得公众会如何从这场私人太空竞赛中获益？
答：作为纳税人，你现在就已经能够看到它的益处，因为现在政府用于发射军事卫星或GPS卫星的支出大大减少了，得益于SpaceX进入并颠覆了这个市场。所以这是很重要的一点。我认为，各种不同的卫星商业模式具有巨大的潜力，比如以更低的成本提供互联网连接服务，以更低的成本提供电视服务，促进物联网的发展。太空也已经在我们的生活中扮演重要的角色。实际上，每一笔金融交易都是由GPS系统来记录时间。
美军也依靠太空来做它的事情。所以你每天对于太空的依赖要超出你的想象。
问：读者会对书中哪些内容最感意外？
答：很让我这个不算是太空专家的人惊讶的一点是，在开始创立私营组织来从事宇宙飞行和太空活动以前，人们其实有很长的一段尝试失败的历史。
在1980年代，有些公司尝试失败，1990年代也有些公司尝试失败。只有在这个新时代中，我们才看到人们获得成功，这就是它为什么非常值得注意。不过，阅读其中一本来自供职于NASA的经济学家亚历山大·麦克唐纳（Alexander McDonald）的书籍让我觉得很有意思，他汇编了数据集，显示富裕人群，亿万富翁级别的，投资于私人太空探索已经有一个多世纪了。
早在18世纪，他们建造了一个巨大的望远镜。加利福尼亚州最富有的那个人建造了一个巨大的望远镜天文台，这发生在19世纪。现在，世界上最富有的人贝佐斯正在打造巨型火箭，以在太空建造太空站。所以说历史往往会不断重复。
问：写这本书给你带来了多少乐趣？
答：我获得了很多的乐趣。我得去观看很多的火箭发射，这真的很酷。我得去参观很多的高科技设施，在那些地方有比我更聪明的人给我解释火箭科学，我觉得这是一种很让人愉快的体验。另外，我见了很多对太空和未来充满热情的人，这总是很让人兴奋。我也见到了马斯克，这也很有趣。

交通期刊最新论文
13
(1)Transportation Research Part A: Policy and Practice,
Volume 111, (May 2018). 第9篇.
Are relocatees different from others? Relocatee’s travel mode choice and travel equity analysis in large-scale residential areas on the periphery of megacity Shanghai, China, Pages 162-173.
(2)Transportation Research part B: Methodological,
Volume 110, (April 2018). 第4篇
Electric vehicle fleet size and trip pricing for one-way carsharing services considering vehicle relocation and personnel assignment.
Pages 60-82.
(3)Transportation Research Part D: Transport and Environment,
Volume 62, (July 2018). 第8篇.
Particulate matter concentrations and heavy metal contamination levels in the railway transport system of Sydney, Australia, Pages 112-124.
(4)Transportation Research Part E: Logistics and Transportation Review,
Volume 113, (May 2018). 第7篇.
Climate-adaptive planning for the long-term resilience of transportation energy infrastructure, Pages 99-122.
(5)Accident Analysis & Prevention, Volume 115, Volume 115 (June 2018). 第8篇.
Beware when danger on the road has passed. The state of relief impairs a driver’s ability to avoid accidents, Pages 73-78.
（6）Journal of Traffic and Transportation Engineering 2018年01期. 第12篇. 地铁快慢车运行计划综合优化模型:130-138.

武理工国家水运安全中心
长按识别关注
点击上方“公众号” 可以订阅哦！谢谢

作者: 叫做缘 时间: 2020-1-31 20:51

好贴别沉了关注下

作者: 叫做缘 时间: 2020-2-3 16:46

关注中顶一个

欢迎光临广西民族大学-广民社区 (http://gxmzdx.xiaoyuanbbs.com/)