国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

來源：新華網

　　[導讀] 9月1日，斯坦福大學“人工智能百年研究”項目發布了首篇名為《2030年的人工智能與生活》的研究報告，該報告是這項百年研究系列中的第一篇。該項目成立于2014年，旨在長期研究和預測人工智能對人類生活各方面的長期影響。

　　什么是人工智能？

　　1.定義人工智能

　　奇怪的是，人工智能缺乏一個精確的、被普遍接受的定義，這或許有助于該領域的加速成長、繁榮以及前進。雖然人工智能的從業者、研究人員和開發人 員由一種粗略的方向感和一個「與它相處」的命令所引導，人工智能的定義仍然很重要，而 Nils J. Nilsson 就提供了一個有用的定義：「人工智能就是致力于讓機器變得智能的活動，而智能就是使實體在其環境中有遠見地、適當地實現功能性的能力?！?/p>

　　從這個角度來看，對人工智能的表征取決于個人愿意「適當地」并「有遠見地」為功能性提供合成軟件和硬件的信用。一個簡單的電子計算器比人類大腦進行的計算要快得多，而且幾乎從來不出錯。

　　電子計算器智能嗎？像 Nilsson 一樣，研究小組以一種寬泛的視角來看待此問題，認為智力取決于一個多維頻譜。根據這一觀點，算術計算器和人腦之間的區別不是某一類，而是規模、速度、自主性和通用性的區別。

　　同樣的因素可以用來評估智能的其他各例——智能語音識別軟件、動物大腦、汽車巡航控制系統、圍棋程序、自動調溫器——并將它們放置在頻譜中的適當位置。雖然我們的寬泛解釋把計算器列在了智能頻譜中，但是如此簡單的設備與今天的人工智能相比幾乎沒有相似之處。

　　從這個角度看，對人工智能的表征取決于個人愿意「適當地」并「有遠見地」為功能提供合成軟件和硬件的信用。一個簡單的電子計算器比人腦計算快得多而且幾乎從不出錯。

　　人工智能的邊界已經遠遠走在前面，而計算器可以實現的功能只是當下的智能手機的百萬分之一。目前人工智能開發人員正在改進、推廣和擴大從當下的智能手機中所建立起來的智能。事實上人工智能領域是一個不斷努力推動機器智能向前發展的過程。

　　具有諷刺意味的是，人工智能正在遭受失去話語權的長期災難，最終不可避免地會被拉到邊界內，即一個被稱為「人工智能效應（AI effect）」或「奇怪悖論（odd paradox）」的重復模式——人工智能將一種新技術帶到了普通大眾中去，人們習慣了這種技術，它便不再被認為是人工智能，然后更新的技術出現了。

　　同樣的模式將在未來繼續下去。人工智能并沒有「交付」一個驚雷般改變生活的產品。相反人工智能技術以一個連續的、進步的方式正在繼續更好的發展。

　　2.人工智能研究趨勢

　　直到本世紀初，人工智能的吸引點主要在于它所傳遞的承諾，但在過去的十五年里，大多這樣的承諾已經得到兌現。人工智能技術已經充斥了我們的生活。當它們成為了社會的一股中心力量時，該領域正在從僅僅建立智能系統，轉向了建立有人類意識的、值得信賴的智能系統。

　　幾個因素加速了人工智能革命。其中最重要的是機器學習的成熟，部分由云計算資源和廣泛普及的、基于 Web 的數據收集所支持。機器學習已經被「深度學習（deep learning）」急劇地向前推進了，后者是一種利用被稱作反向傳播的方法所訓練的適應性人工神經網絡的一種形式。

　　信息處理算法的這種性能飛躍一直伴隨著用于基本操作的硬件技術的顯著進步，比如感覺、感知和目標識別。數據驅動型產品的新平臺和新市場，以及發現新產品和新市場的經濟激勵機制，也都促進了人工智能驅動型技術的問世。

　　所有這些趨勢都推動著下文中所描述的「熱門」研究領域。這種編輯只是想要通過某個或另一個度量標準來反映目前比其他領域得到更大關注的領域。它 們不一定比其他領域更重要或更有價值。事實上目前的一些「熱門」領域在過去幾年中并不怎么流行，而其他領域可能在未來會以類似的方式重新出現。

　　大規模機器學習

　　許多機器學習的基本問題（如監督和非監督學習）是很好理解的。目前努力的一個重點是將現有算法擴展到更龐大的數據集上。例如鑒于傳統方法能夠負擔得起若干遍數據集的處理，現代方法是為單次處理所設計；某些情況只認同非線性方法（那些只關注一部分數據的方法）。

　　深度學習

　　成功訓練卷積神經網絡的能力非常有益于計算機視覺領域，比如目標識別、視頻標簽、行為識別和幾個相關變體的應用。深度學習也在大舉進軍感知方面的其他領域，如音頻、語音和自然語言處理。

　　強化學習

　　鑒于傳統機器學習主要關注于模式挖掘，強化學習將重點轉移到決策中，這種技術將有助于促進人工智能在現實世界中更深入地進入相關研究和實踐領 域。作為一種經驗驅動型的序貫決策框架，強化學習已經存在了幾十年，但是這個方法在實踐中沒有取得很大成功，主要是由于表征和縮放的問題。然而深度學習的 出現為強化學習提供了「一貼強心劑」。

　　由谷歌 DeepMind 開發的計算機程序 AlphaGo 在五次對抗比賽中擊敗了人類圍棋冠軍，它最近所取得的成功在很大程度上要歸功于強化學習。AlphaGo 是通過使用一個人類專家數據庫來初始化一個自動代理的方法被訓練的，但隨后提煉的方法是通過大量地自我對抗游戲以及應用強化學習。

　　機器人

　　至少在靜態環境中，機器人導航在很大程度上被解決了。目前的努力是在考慮如何訓練機器人以泛型的、預測性的方式與周圍世界進行交互?；迎h境中產生的一個自然要求是操縱，這是當下所感興趣的另一個話題。

　　深度學習革命只是剛開始影響機器人，這在很大程度上是因為要獲得大的標記數據集還很困難，這些數據集已推動了其他基于學習的人工智能領域。

　　免去了標記數據需求的強化學習可能會有助于彌合這一差距，但是它要求系統在沒有錯誤地傷害自己或其他系統的情況下能夠安全地探索出一個政策空 間。在可信賴的機器感知方面的進步，包括計算機視覺、力和觸覺感知，其中大部分將由機器學習驅動，它們將繼續成為推進機器人能力的關鍵。

　　計算機視覺

　　計算機視覺是目前最突出的機器感知形式。它是受深度學習的興起影響最大的人工智能子領域。直到幾年前，支持向量機還是大多視覺分類任務所選擇的 方法。但是特別是在 GPU 中的大規模計算的匯合，使得更大數據集的可獲得性（尤其是通過互聯網）以及神經網絡算法的改進導致了基準任務中能的顯著提高（比如 ImageNet 中的分類器）。計算機首次能夠比人類更好地執行一些（狹義定義的）視覺分類任務。目前的研究多是關注于為圖像和視頻自動添加字幕。

　　自然語言處理

　　自然語言處理是另一個通常與自動語音識別一同被當做非常活躍的機器感知領域。它很快成為一種擁有大數據集的主流語言商品。谷歌宣布目前其 20% 的手機查詢都是通過語音進行的，并且最近的演示已經證明了實時翻譯的可能性?，F在研究正在轉向發展精致而能干的系統，這些系統能夠通過對話而不只是響應程 式化的要求來與人互動。

　　協同系統

　　協同系統方面進行的是對模型和算法的研究，用以幫助開發能夠與其他系統和人類協同工作的自主系統。該研究依賴于開發正式的協作模型，并學習讓系 統成為有效合作伙伴所需的能力。能夠利用人類和機器的互補優勢的應用正吸引到越來越多的興趣——對人類來說可以幫助人工智能系統克服其局限性，對代理來說 可以擴大人類的能力和活動。

　　眾包和人類計算

　　在完成許多任務方面由于人類的能力是優于自動化方法的，因而在眾包和人類計算方面，通過利用人類智力來解決那些計算機無法單獨解決好的問題，該 領域研究調查了增強計算機系統的方法，這項研究的提出僅僅是在大約 15 年前，現在它已經在人工智能領域確立了自己的存在。最有名的眾包例子是維基百科，它是一個由網絡公民維護和更新的知識庫，并且在規模上和深度上遠遠超越了 傳統編譯的信息源，比如百科全書和詞典。

　　眾包專注于設計出創新的方式來利用人類智力。Citizen 科學平臺激發志愿者去解決科學問題，而諸如亞馬遜的 Mechanical Turk 等有償眾包平臺，則提供對所需要的人類智力的自動訪問。通過短時間內收集大量標記訓練數據和/或人機交互數據，該領域的工作促進了人工智能的其它分支學科 的進步，包括計算機視覺和自然語言處理?；谌祟惡蜋C器的不同能力和成本，目前的研究成果探索出了它們之間理想的任務分離。

　　算法博弈理論與 (基于) 計算機 (統計技術的) 社會選擇

　　包括激勵結構、人工智能的經濟和社會計算維度吸引到了新的關注。自 20 世紀 80 年代初以來，分布式人工智能和多代理（multi-agent）系統就已經被研究了，于 20 世紀 90 年代末開始有顯著起色，并由互聯網所加速。一個自然的要求是系統能夠處理潛在的不恰當激勵，包括自己所感興趣的人類參加者或公司，以及自動化的、基于人工 智能的、代表它們的代理。

　　備受關注的主題包括計算機制設計（computational mechanism design）（一種激勵設計的經濟理論，它尋求激勵兼容的系統，其中輸入會被如實報告）、(基于) 計算機 (統計技術的) 社會選擇（computational social choice）（一種有關如何為替代品排列順序的理論）、激勵對齊信息獲取（incentive aligned information elicitation）（預測市場、評分規則、同行預測）和算法博弈理論（algorithmic game theory）（市場、網絡游戲和室內游戲的平衡，比如poker——它在近幾年通過抽象技術和無遺憾學習（no-regret learning）已經取得了顯著的進步）。

　　物聯網（IoT）

　　越來越多的研究機構致力于這樣一個想法：一系列設備可以相互連接以收集和分享它們的感官信息。這些設備可以包括家電、汽車、建筑、相機和其他東 西。雖然這就是一個技術和無線網絡連接設備的問題，人工智能可以為了智能的、有用的目的去處理和使用所產生的大量數據。目前這些設備使用的是令人眼花繚亂 的各種不兼容的通信協議。人工智能可以幫助克服這個「巴別塔」。

　　神經形態計算

　　傳統計算機執行計算的馮諾依曼模型，它分離了輸入/輸出、指令處理和存儲器模塊。隨著深度神經網絡在一系列任務中的成功，制造商正在積極追求計算的替代模型——特別是那些受到生物神經網絡所啟發的——為了提高硬件的效率和計算系統的穩定性的模型。

　　目前這種「神經形態的（neuromorphic）」計算機尚未清楚地顯示出巨大成功，而是剛開始有望實現商業化。但可能它們在不久的將來會變 成尋常事物（即使僅作為馮諾依曼所增加的兄弟姐妹們）。深度神經網絡在應用景觀中已經激起了異常波動。當這些網絡可以在專門的神經形態硬件上被訓練和被執 行，而不是像今天這樣在標準的馮諾依曼結構中被模擬時，一個更大的波動可能會到來。

　　總體趨勢以及人工智能研究的未來

　　數據驅動型范式的巨大成功取代了傳統的人工智能范式。諸如定理證明、基于邏輯的知識表征與推理，這些程序獲得的關注度在降低，部分原因是與現實 世界基礎相連接的持續挑戰。規劃（Planning）在七十和八十年代是人工智能研究的一根支柱，也受到了后期較少的關注，部分原因是它強烈依賴于建模假 設，難以在實際的應用中得到滿足。

　　基于模型的方法——比如視覺方面基于物理的方法和機器人技術中的傳統控制與制圖——已經有很大一部分讓位于通過檢測手邊任務的動作結果來實現閉環的數據驅動型方法。即使最近非常受歡迎的貝葉斯推理和圖形模式似乎也正在失寵，被數據和深度學習顯著成果的洪流所淹沒。

　　研究小組預計在接下來的十五年中，會有更多關注集中在針對人類意識系統的開發上，這意味著它們是明確按照要與之互動的人類特點來進行建模與設計的。很多人的興趣點在于試圖找到新的、創造性的方法來開發互動和可擴展的方式來教機器人。

　　此外在考慮社會和經濟維度的人工智能時，物聯網型的系統——設備和云——正變得越來越受歡迎。在未來的幾年中，對人類安全的、新的感知/目標識別能力和機器人平臺將會增加，以及數據驅動型產品數量與其市場規模將會變大。

　　研究小組還預計當從業者意識到純粹的端到端深度學習方法的不可避免的局限性時，會重新出現一些人工智能的傳統形式。我們不鼓勵年輕的研究人員重 新發明理論，而是在人工智能領域以及相關領域（比如控制理論、認知科學和心理學）的第一個五十年期間，保持對于該領域多方面顯著進展的覺察。

　　人工智能在各領域的應用

　　雖然人工智能的很多研究和應用會基于一些通用技術，比如說機器學習，但在不同的經濟和社會部門還是會有所區別。接下來的這部分將介紹人工智能研 究和應用的不同類型，以及影響和挑戰。 基于這些分析，我們還預測了一個有代表性的北美城市在未來 15 年的趨勢，探討人工智能是如何開始影響我們日常生活的，以及從現在到 2030 年，這些影響將如何發展。

　　1.交通

　　交通可能會成為首批幾個特定應用領域之一，在這些領域，大眾需要對人工智能系統在執行危險任務中的可靠性和安全性加以信任。自動化交通會很快司空見慣，大多數人在嵌入人工智能系統的實體交通工具的首次體驗將強有力地影響公眾對人工智能的感知。

　　2.家庭服務機器人

　　未來十五年，在典型的北美城市里，機械和人工智能技術的共同進步將有望增加家用機器人的使用的安全性和可靠性。特定用途的機器人將被用于快遞、清潔辦公室和強化安全，但在可預見的未來內，技術限制和可靠機械設備的高成本將繼續限制狹窄領域內應用的商業機會。

　　3.醫療

　　基于人工智能的應用在接下來的幾年能夠為千百萬人改善健康狀況和生活質量，但這是在它們被醫生、護士、病人所信任，政策、條例和商業障礙被移除 的情況下。主要的應用包括臨床決策支持、病人監控、輔導、在外科手術或者病人看護中的自動化設備、醫療系統的管理。但研究和部署人工智能應用已經被過時的 條例和激勵機制拉扯后腿。在這樣大型的、復雜的系統中，貧乏的人機交互方法和固有的難題以及部署技術的風險也阻礙了人工智能在醫療的實踐。

　　4.教育

　　如何找到通過人工智能技術來最優化整合人類互動與面對面學習將是一個關鍵性的挑戰，這一點醫療行業也是如此。自然語言處理，尤其是在與機器學習 和眾包結合以后，有力推進了線上學習，并讓教師可以在擴大教室規模的同時，還能做到適應個體學生的學習需求與風格。大型線上學習的系統所得的數據已經為學 習分析產生了迅速增長的動力。

　　但是，學院與大學采用人工智能技術的步伐依然很緩慢，主要是由于資金的缺乏，以及其可以幫助學生達成學習目標的有力證據。一個典型美國北部城市 的未來五十年，智能導師與其他人工智能技術幫助教師在課堂或家中工作的規模很有可能會顯著擴大，因為意愿學習是基于虛擬現實的應用。但是計算機為基礎的學 習系統將無法完全替代學校里的教師們。

　　人民難以獲得教育的國家，如果這些群體有可以獲取在線教育的工具，那么在線資源將會產生重要的積極影響。在線教育資源的發展能通過提供工具和相對簡單的使用培訓，讓支持國際教育項目的基金會更輕松地提供素質教育。

　　消極的一面是，現在學生已有把自己的社會接觸限制在電子設備上的趨勢了，如果教育也越來越多地通過網絡進行，那么在學生的社會發展階段缺乏與同 齡人有規律的面對面接觸會帶來怎樣的影響呢？特定的技術已經表明這會產生在神經方面的影響。另一方面，自閉癥兒童已經開始從與人工智能系統的互動中受益 了。

　　5.低資源社區

　　人工智能存在許多機會去改善一個典型北美城市的低資源社區中的人們的生活狀況。有了有針對性的激勵和資金優先次序，人工智能技術可以幫助解決低 資源社區的需求。萌芽中的努力是有希望的。人工智能可能會有助于對抗失業和其他社會問題帶來的恐懼，它或許會提供緩解措施和解決方案。

　　6.公共安全與防護

　　城市已經為公共安全和防護部署人工智能技術了。到 2030 年，典型的北美城市將在很大程度上依賴它們。這些措施包括可以檢測到指向一個潛在犯罪的異?，F象的監控攝像機、無人機和預測警務應用。與大多數問題一樣，好處與風險并存。

　　獲得公眾信任是至關重要的。雖然會存在一些合理的擔心，即與人工智能合作的警務可能會在某些情況下變得霸道或是無處不在，而相反的情況也是可能 的。人工智能可能使警務變得更有針對性并只在需要時被使用。而且經過仔細地部署，人工智能也可能有助于消除一些人類決策中固有的偏見。人工智能工具也可能 被證明有助于警察管理犯罪現場，或是搜索和救援活動，它可以幫助指揮官排列任務的優先次序以及分配資源。

　　7.就業與勞資

　　到目前為止，數字技術已經給中等技能的工作，比如旅行代理，帶來了更大的影響。另一方面，數字系統所能完成的任務的范圍正隨著人工智能的演進而提升，人工智能也正向高端的領域蔓延，包括一些機器之前無法執行的專業服務。

　　為了獲得成功，人工智能創新將需要克服人們對被邊緣化的恐懼。在短期內，人工智能很有可能會取代任務，而非工作，同時還將會創造新類型的工作。但新類型的工作比將可能失去的已有工作更難以想象。就業領域的變化通常是漸進的，不會出現劇烈的過渡。

　　人工智能影響的范圍也將擴大，從少量的替代或增強到完全的替代。比如說，盡管大部分律師的工作還沒被自動化，但人工智能在法律信息提取和主題建 模方面的應用已經自動化了一部分律師新人的工作。在不遠的將來，包括放射科醫生到卡車司機再到園丁等許多類型的工作都可能會受到影響。

　　人工智能也可能會影響工作場所的大小和位置。隨著人工智能對許多功能的接管，擴展不再意味著會帶來大型的組織。人類企業可能存在一個自然的規模 大小，在這樣的企業中，CEO 能夠認識公司里的每一個人。通過將一些工作外包給人工智能驅動的勞動力市場，企業會傾向于自然的大小。

　　人工智能也將創造工作，特別是在某些行業中，通過使某些特定任務更重要，以及通過產生新的交互模型創造新類型的工作。復雜的信息系統可被用于創 造新的市場，這往往會帶來降低門檻和增加參與的影響。人工智能界有一個活躍的研究社區在研究創造新市場和使已有市場更高效運作的進一步方式。

　　盡管工作本身有內在的價值，但大部分人工作是為了購買他們看重的商品和服務。因為人工智能系統可以執行之前需要人力的工作，因此它們可以使許多商品和服務的成本下降，實實在在地讓每個人都更富有。

　　人們害怕人工智能會在短短一代人的時間內迅速取代所有的人類工作，包括那些需要認知和涉及到判斷的工作。這種突變是不太可能發生的，但人工智能 會逐漸侵入幾乎所有就業領域，這需要在計算機可以接管的工作上替換掉人力。人工智能對認知型人類工作的經濟影響將類似于自動化和機器人在制造業工作上對人 類的影響。許多中年工人失去了工廠里的高薪工作以及伴隨這個工作的家庭和社會中的社會經濟地位。長期來看，一個對勞動力的更大影響是失去高薪的“認知型” 工作。

　　隨著勞動力在生產部門的重要性的下降，大多數市民可能會發現他們的工作價值不足以為一種社會可以接受的生活標準買單。這些變化將需要政治上的， 而非單純經濟上的響應，需要考慮應該配置怎樣的社會安全網來保護人們免受經濟大規模、結構性轉變的影響。如果缺少了緩解政策，這些轉變的一小群受益者將成 為社會的上層。短期來看，教育、再訓練和發明新的商品和服務可以減輕這些影響。更長期來看，目前的社會安全網可能需要進化成更好的、服務于每個人的社會服 務。

　　人工智能可能會被認為是一種財富創造的完全不同的機制，每個人都應該從全世界人工智能所生產的財富中分得一部分。對于人工智能技術所創造的經濟成果的分配方式，相信不久之后就會開始出現社會爭議了。

　　8.娛樂

　　在人工智能的驅動下，互聯網已經將用戶生成的內容作為了信息和娛樂的一個可行的來源。現在我們有了共享和瀏覽博客、視頻、照片和專題討論的可信 平臺，此外還有各種各樣用戶生成的內容。為了繼續運行，這些平臺必須依賴現在正被積極開發的技術，其中包括自然語言處理、信息檢索、圖像處理、眾包和機器 學習。比如，現在已經開發出了協同過濾這樣的算法，它可以基于用戶的人口統計學細節和瀏覽歷史推薦相關的電影、歌曲或文章。

　　為了跟上時代的步伐，傳統的娛樂資源也已經開始擁抱人工智能。正如書和電影《點球成金》中給出的例子，職業運動現在已經轉向了密集的量化分析。除了總體表現統計，賽場上的信號也可以使用先進的傳感器和相機進行監控。用于譜曲和識別音軌的軟件已經面世。

　　人類對人工智能所驅動的娛樂的熱情是很令人驚訝的，但也有人擔心這會導致人與人之間的人際交互減少。少數人預言說人們會因為在屏幕上花費了太多 時間而不再與人互動。孩子們常常更愿意在家里快樂地玩他們的設備，而不愿意出去和他們的朋友玩耍。人工智能會使娛樂更加交互、更加個性化和更有參與感，但 也應該引導一些研究來理解如何利用這些性質為個人和社會利益服務。

　　如今以及未來的人工智能政策

　　人工智能應用的目標必須是對社會有價值。我們的政策建議也會遵循這個目標。在增強和提升人類能力和互動時需要小心，要避免對不同社會階層的歧視，要多鼓勵這個方向上公共政策的探討。

　　政策不需要更多也不要更嚴，而是應該鼓勵有用的創新，生成并轉化專業知識，并廣泛促進企業與公民對解決這些技術帶來的關鍵社會問題的責任感。長期來看，人工智能將會帶來新財富，整個社會也要探討如何分配人工智能技術帶來的經濟成果的分配問題。

　　為了幫助解決個人和社會對快速發展的人工智能技術產生的憂慮，該研究小組提供了三個一般性政策建議。

　　1.在所有層級的政府內，制定一個積累人工智能技術專業知識的機制。有效的監管需要更多的能理解并能分析人工智能技術、程序目標以及整體社會價 值之間互動的專家。缺少足夠的安全或其他指標方面的專業技術知識，政府官員或許會拒絕批準一個非常有前途的應用。或者缺少足夠訓練的政府官員可能只會簡單 采納行業技術專家的說法，批準一個未經充分審查的敏感應用進入市場。不理解人工智能系統如何與人工行為和社會價值互動，官員們會從錯誤的角度來評估人工智 能對項目目標的影響。

　　2.為研究人工智能的平等、安全、隱私和對社會的影響掃清感知到的和實際的障礙。在一些相關的聯邦法律中，涉及專有的人工智能系統被如何評價的內容還很模糊。當人工智能系統帶來了一些實質性后果需要被審查和追究責任時，這些法律的研究就非常重要了。

　　3.為人工智能社會影響的跨學科研究提供公共和私人資金支持。資金要投給那些能夠從多角度分析人工智能的跨學科團隊，研究范圍從智能的基礎研究 到評估安全、隱私和其他人工智能影響的方法。比如當一輛自動駕駛汽車或智能醫療設備出現失誤時，應該由誰來負責？如何防止人工智能應用產生非法歧視？誰來 享有人工智能技術帶來的效率提升的成果？以及對于那些技能被淘汰的人應該采取什么樣的保護？隨著人工智能被越來越廣泛和深入地整合到工業和消費產品中，一 些領域中需要調整現有的監管制度以適應人工智能創新，或者在某些情況下，根據廣泛接受的目標和原則，從根本上重新配置監管制度。短期內制定出全面的人工智 能政策法規似乎不太可能。但是，可以根據人工智能在各種情境中可能出現的法律和政策問題，廣泛列出多個類別。

　　未來的指導原則

　　面對人工智能技術將帶來的深刻變化，要求更強硬監管的壓力是不可避免的。對人工智能是什么和不是什么的誤解可能引發對有益于所有人的技術的反對。那將會是一個悲劇性的錯誤。扼殺創新或將創新轉移到它處的監管方法同樣也只會適得其反。

　　一項最近公布的研究表明，西班牙和法國這樣的有嚴格、詳細法規的國家，在企業內部孕育出了一種“合規心態”，其影響是抑制創新和強大的隱私保 護。這些公司并不將隱私保護看作是內部責任，也不會拿出專門的員工來促進其業務或制造流程中的隱私保護，也不會參與必需范圍之外的隱私倡議或學術研究；這 些公司只是將隱私看作是一項要滿足規范的行為。他們關注的重點是避免罰款或懲罰，而非主動設計技術和采納實際技術來保護隱私。

　　相對地，美國和德國的監管環境是模糊的目標、強硬的透明度要求和有意義的執法相結合，從而在促進公司將隱私看作是他們的責任上做得更加成功。廣 泛的法律授權鼓勵企業發展執行隱私控制的專業人員和流程，他們會參與到外部的利益相關者中并采用他人建議以實現技術進步。對更大的透明度的要求，使民間社 會團隊和媒體可以變成公共輿論中的可靠執法者，從而使得隱私問題在公司董事會上更加突出，這又能讓他們進一步投資隱私保護。

　　在人工智能領域也是一樣，監管者可以強化涉及內部和外部責任、透明度和專業化的良性循環，而不是定義狹窄的法規。隨著人工智能與城市的整合，它將繼續挑戰對隱私和責任等價值的已有保護。和其它技術一樣，人工智能也可以被用于好的或惡意的目的。