哈佛大学肯尼迪学院-政策制定者技术入门：人工智能与机器学习（英）-2023.4-32页_1mb

技术与公共利益项目：人工智能与机器学习技术简报总结

文档概述

本文档介绍了人工智能（AI）与机器学习（ML）的基本概念、应用、政策现状及面临的挑战。由哈佛肯尼迪学院等机构编写，为政策制定者提供技术背景和决策参考。

人工智能定义

关键技术路线

• 符号推理：基于规则与知识表示。
• 经典机器学习：统计方法识别数据模式。
• 深度学习：通过多层神经网络实现自动特征提取，表现力更强。

机器学习学习范式

1. 监督学习：需标注数据训练模型。
2. 无监督学习：自动发现数据结构，成本较低。
3. 强化学习：通过试错与奖励机制优化决策。

应用实例

物理与数字经济

• 物理空间：自动驾驶、智能制造、精准农业。
• 数字空间：虚拟助手、推荐系统、客服聊天机器人。

技术巨头与前沿机构

• 投资方：谷歌、亚马逊、微软、DeepMind等。
• 研究重镇：卡内基梅隆大学、斯坦福大学、MIT伯克利分校等。

全球战略与监管趋势

主要国家政策

• 美国：加强国防部AI投入，制定《国家AI战略》。
• 欧盟：通过《人工智能法案》分类监管（低风险/高风险）。
• 中国：推动AI创新中心，制定《新一代人工智能标准体系建设指南》。

司法管制与伦理框架

• 美国：推进《AI风险管理框架》，禁止联邦面部识别应用。
• 国际倡议：G7、G20倡导人类中心AI原则，《OECD AI原则》。

公共利益风险考虑

关键挑战

• 透明度与可解释性：AI“黑箱”问题。
• 公平与歧视：数据偏见导致算法歧视（如性别/种族差异）。
• 隐私安全：大规模数据采集与监控风险。
• 劳动力冲击：AI替代就业与剥削性工作条件。
• 虚假信息：生成式AI产生的误导内容。
• 数据垄断：AI服务被少数集团掌控。

长期担忧与未来展望

• 技术奇点：AI超越人类意识的不确定性。
• 监管难点：AI伦理需平衡技术创新与风险防范。

技术与公共利益（TAPP）项目

致力于构建政策机制以确保新兴科技服务于公共利益，核心原则包括：

1. 技术进步虽带来部分群体福祉，需预防性管控整体风险。
2. 政府监管与企业自律需协同。
3. 政策与技术同步演进以实现可持续发展。

[相关链接]
美欧中AI政策参考 TAPP项目官网