时间：2024-02-07 14:43:44
序论：速发表网结合其深厚的文秘经验，特别为您筛选了11篇人工智能时代的看法范文。如果您需要更多原创资料，欢迎随时与我们的客服老师联系，希望您能从中汲取灵感和知识！
用数据“陪伴”用户
当前，大数据与商业应用的结合，对我们的思考模式、生活习惯和商业法则都进行着颠覆。从智能交通到能源管理、从政府财政到医疗体系都在因为大数据的使用发生着深刻的变革。而如何利用大数据打造智慧城市、提高扶贫精准度、关注农业发展、促进居家养老服务业发展等也在今年“两会”中成为提案热点。
2013年被称为中国的“大数据元年”，短短几年后，在物联网、云计算的推波助澜下，2016年，我们将迎来大数据应用的爆发。现场，京东集团CTO张晨进行了主题为“在数据的王国里，用更好的体验创造更大的价值”的演讲。他表示，通过大数据和精准的个性化，让京东成为用户的陪伴。“根据每个用户的消费习惯、爱好和家庭情况，让京东能陪伴他的生活和成长，给用户创造更好的品质生活。”
张晨认为，把数据用好的核心是大数据的精准和分析。一直以来，京东都在用大数据了解并精准判断用户的需求。例如JIMI（京东人工智能客服机器人），可通过大数据了解并判断用户的需求，在售前咨询上，部分品类的回答满意度已超过人工客服。
“带来品质生活的关键是了解用户，推荐最适合用户的个性化产品。”张晨表示。以京东个性化推荐系统为例，它可以根据用户所处区域的购买力指数提供最合适的产品搜索，强化个性化投放、精准化投放的能力。在另一个项目“移动商店”中，京东可以通过大数据描绘小区画像，实现物流配送的“未买先送”，根据预测的销售量提前安排库存，由此出现了iPhone6s首发只用12分钟20秒配送到家的纪录。
“京东的数据战略是从技术平台、到数据洞察、再到商业价值的三层演进。”京东技术副总裁赵一鸿表示，利用京东数据挖掘平台，京东对用户画像、商品画像、店铺画像、小区画像都进行了深度挖掘和提取，并在商业应用中产生巨大价值。目前，京东大数据平台总服务器数量超过10000台，数据总容量突破100PB，每天新增超过1.5PB数据，每天约有20万个作业运行。通过京东大数据，大幅提升了运营效率、降低成本、优化用户体验。
为人工智能装上引擎
对于当下异常火爆的人工智能领域，与大数据又将会有怎样的联系？在开场的主旨演讲“为人工智能装上引擎”中，卡耐基梅隆大学计算机科学系教授邢波为了便于大家理解，特意一改往日讲技术干货的风格，以登山为比喻，从人工智能的源头细说人工智能的历史变迁。在邢波看来，登山与人工智能计算任务有息息相通之处：“人工智能计算任务像登山，有明确的、可以用数学描述的目标，本身有弹性容错性和随机性。人工智能领域发展也像登山，遇到各种各样的起伏，有各种各样的思路的跳跃和重新的定位。”
邢波表示，要用好大数据，人工智能和机器学习将是最主要的分析手段。预计在未来计算世界，人工智能计算和机器学习会占全球计算资源上计算任务比重的80%到90%，所以有必要对人工智能和机器学习所需的计算框架和操作性框架重新设计。
在AlphaGo大胜李世石之后，媒体立刻被各色舆论所充斥。有人激动于人工智能的辉煌成果，有人则战栗于人工智能可怕的潜力，甚至开始担心这是否预示着人类文明的衰亡。邢波呼吁大家建立独立的个人思考，不要轻易被任何观点左右。他认为：“人工智能和人类对决不是什么大得了不起的事，人类和机器的对决自古就有，现在还在发生。马车被火车战胜后，同一时代的人类发明照相机，有人惊恐照相机来了，画家失业了，但是现在画家还是活得好好的。人机大赛是我们技术上的里程碑，展示了人类的功劳，我们要以欢迎的心态接受它。” 因为人工智能和人类智能所走的路不同，我们大可不必杞人忧天。“人的头脑有很多独特的东西，创作性思维、感情、常识、美感，这都是人工智能无法企及的，正如孔子、拿破仑、贝多芬、爱因斯坦不会被机器代替一样。”
他表示，算法也需要数据、工程的支持。前不久围棋领域人机大赛是一个技术的里程碑，展示了人类社会的力量和功能，我们要以欢迎的、平常的心态来接受。“在有限规则、特定任务下，机器超越人类的水平只是时间问题，人工智能的目标不是用来代替人类，而是人与机器的有机共存。”
赵一鸿也谈及了对人工智能的看法。他认为，Alpha Go的跨越性突破是机器已经从简单的技术型思维变为战略型思维，这是硬件、软件和科学家思维的共同进步。“在商业思维上突破计算的边界，让商业的模型和大脑在决策上媲美甚至超越人类，这也是人工智能对于京东的意义。”
4月下旬，著名物理学家史蒂芬?霍金在北京举办的全球移动互联网大会上做了视频演讲，“生物大脑可以达到的和计算机可以达到的，没有本质区别。计算机在理论上可以模仿人类智能，然后超越”，“人工智能可能是人类文明的终结者”。
5月下旬，目前围棋世界排名第一的中国职业九段柯洁将与人工智能程序AlphaGo（阿尔法狗）进行终极对弈，尽管柯洁早已放出豪言，“我会抱必胜心态、必死信念。我一定要击败阿尔法狗”，但是此前德州扑克人机大赛中，人工智能完胜已经让部分看客有些心灰意冷，一旦柯洁失败，或许会再次加深这一悲观情绪。
当然，“文明终结”的忧虑还为时尚早，无论是世界上最强的象棋、围棋还是黑白棋程序，尚属“弱人工智能”。
在人工智能拥有自主意识的“强人工智能”时代到来之前，企业家、投资者以及创业者们可能更担心另一些现实的问题，比如，怎么把人工智能商业化。这是过去数十年人工智能一直温而不火的重要原因。
真正的爆发
无论是科学家的危言耸听式担忧，还是商业巨头们疯狂的攻城略地，总之，“人工智能”已然成了这两年最火的科技热词。
创新工场创始人李开复对《财经国家周刊》记者说，“我们每个礼拜都会收到5家巨大的企业的请求，基金公司、汽车公司、管理公司、国企、甚至政府，都希望能够利用人工智能帮他们解决问题。”
人工智能的概念第一次被提出硎窃61年前，尽管之后持续有些热度，但它在最初50多年里几乎没有得到爆发性的关注。
“人工智能”关注度爆发的导火索，或许是去年3月韩国著名围棋棋手李世石以1：4输给AlphaGo。
它让不少人错误估计了人工智能的爆发节点。就好比在1997年，名为深蓝的IBM计算机也曾经击败世界象棋冠军，但人工智能并没有从此进入人类日常生活。
李开复也曾错误地预判人工智能的技术趋势，从而导致创业失败――2000万美元的投入、100个员工，几乎全军覆没。
李开复反思道，“创新固然重要，但不是最重要的，最重要的是做有用的创新”，而判断它能否成为科技主流的重要标志，就是能否商业化。
Deep Mind创始人、AlphaGo之父杰米斯?哈萨比斯也表示，“我们发明AlphaGo，并不是为了赢得围棋比赛，我们是想为测试我们自己的人工智能算法搭建一个有效的平台，我们的最终目的是把这些算法应用到真实的世界中，为社会所服务。”
那么，人工智能商业化的时候真的到了吗，会不会又是一阵虚火？
4月25日，在JIC投资沙龙上，阿里云战略资深总监李树解释，“AI的基础是三个理论，第一是算法，第二是必须得有计算的支撑，第三是必须有数据作为序列或者教化算法的基础”，这三方面都在走向成熟。
2016年，百度董事长兼CEO李彦宏曾在2016贵阳大数据博览会上表达过类似观点，“越来越多的数据每天产生，我们可以利用这些数据做一些过去只有人能够做的事情，同时，计算能力越来越强大，计算的成本越来越低廉”。
出门问问创始人兼CEO李志飞则以“虚拟个人助理”为例，称“四年前跟现在相比，我们都不知道能用在哪里，手机也没有习惯”，而今天，“家庭、车等场景我们都能看得清楚，产业、用户的需求变得比以前更加成熟了。”
在这种情况下，毫无疑问，4月10日德扑人机大战最终以人工智能“冷扑大师”完胜，成了真正引爆AI商业化的导火索。
这是因为，围棋是一种“完全信息博弈”，比赛双方所有信息都呈现在棋盘上;而扑克和电脑游戏这些由多人对战的游戏是“不完全信息博弈”，计算机无法获知所有信息。
人工智能冷扑大师的胜利，意味着在尔虞我诈、概率不确定、非完美信息需要推理和情商的游戏里，机器一样可以获胜，它最大的价值就在于赋予了人工智能商业化的可能性。
德州扑克冷扑大师和中国龙之队对决结束的时候，李开复发了一条朋友圈，“据闻AlphaGo近期即将来华和柯洁对战，其实已经不再具有科学意义了。以后我们应该更关注商业领域的人工智能，在金融、医疗、教育等领域产生商业价值。”
生活在“弱人工智能”时代的我们，还远没到担心人类会“永生”还是“灭绝”这样庞大而沉重的课题，但毫无疑问的是，人工智能的商业化时代，真的来了。
开始总是美好的
“中国任何浪潮来了都会来得太猛，大家都跳进去瞬间就有可能蓝海变成红海”，李开复如是说。
不出所料，浪潮之下，巨头们闻风而来。
4月28日，百度公布了2017年第一季度未经审计的财务报告，李彦宏在财报中明确提到，百度的战略已经从“移动先行”变成“AI先行”。
同一天，刚刚上任100天的百度集团总裁兼COO陆奇，在百度与小鱼在家联合的搭载了百度DuerOS操作系统的视频通话机器人“分身鱼”会上重申，“对百度公司来讲，不光是一个搜索引擎的公司，基于AI，从现在到将来会逐渐成为一个平台，这是一个战略上和文化上的改变。”
这让人联想到早先陆奇的到来和百度前首席科学家吴恩达的离开。在曾与吴恩达有过接触的首席科学家林晖看来，这某种程度上反映了百度对于人工智能需求的变化，从“学术派”走到了“实干派”。
随后，5月3日，据美国科技网站报道，腾讯宣布任命语音识别技术顶级专家俞栋博士为AI Lab副主任。这个2016年4月成立的人工智能实验室，现有50多位世界知名院校的AI科学家（90%为博士）与200多位应用工程师，此举或意味着腾讯在AI领域的正面回击。
相对低调的阿里巴巴事实上也在伺机而动，去年以来，阿里逐渐抛弃了AI产品头上的“云”背书，直接用“人工智能”给产品定位。
今年3月9日的阿里巴巴技术峰会上，马云推出了“NASA”计划，称面向未来20年组建强大的独立研发部门，同时点名了五大技术，机器学习、芯片、IoT、操作系统和生物识别都与人工智能相关。
随着互联网三巨头BAT的布局加速，一场真正的商业化战争，已经蓄势待发了。
根据猎云网研究院4月13日的《2017人工智能投融资白皮书》显示，2016年1月～2017年2月，共发生365起人工智能领域融资事件。
其中，来自投资界的数据显示，仅2017年第一季度，就有超60家人工智能公司获得了融资，金额超亿元的融资事件至少有5起。
这幅“人工智能”的“烽火狼烟图”，不禁让人联想起一年以前VR概念风头正盛的时候。
去年一季度，共有29家VR/AR公司总共获得融资超过10亿美元。
然而，仅仅一年后，市场研究公司Crunchbase的报告显示，今年一季度全球VR/AR的风险投资额只有2亿美元，不仅暴跌八成，而且被26家公司分食，创出了过去一年中投资的最低纪录。
AI会不会重蹈VR覆辙，还不好说，但资本一定有也有低谷。更何况，即便是在当下，也并不是所有投资者都对人工智能持乐观态度。
建投华科投资股份有限公司董事总经理戴D认为，“比尔?盖茨说有关人工智能领域的重大进步的所有预言，都已经被证明过于乐观。这一点对于22年后的今天这些投资人来说，仍然有一定的警示意义。”
在他看来，“人工智能处于初期发展阶段，对于投资、尤其是对于我们产业并购的整合者来说，可能为时尚早。”
小心陷阱
τ谌斯ぶ悄埽科学家在渲染危机感，投资者在夸大它的神奇，然而创业者需要警惕：人工智能的创业路径跟过往的经验完全不同。
其中，最大的不同就是创业门槛的高低，起步资金就是最重要的一项。
“移动互联网时代让创业成本达到历史新低，一个产品经理带着一个工程师就可以零元创业”，李开复调侃到，“但AI的创业成本却达到历史新高，挖人、买数据、买机器，每一项都要投重资”，以创新工场投资的一家创业公司为例，“第一个月就花了500万买机器”。
并且，人工智能创业大部分是“B端”的，然而大多数投资公司已经习惯了投资“C端”创业者，这就决定了融资的难度。
李开复这样对《财经国家周刊》记者描述过去很长一段时间“C端”创业公司的投资模式，“给你一笔钱搞100万个用户，再给你一笔钱搞1000万个用户，再给你一笔钱开始变现，再给你一笔钱你就盈利了，再给你一笔钱你就上市了，这一定程度上成为了投资的四步曲或五步曲”，这与大多数“B端”创业者要去苦苦哀求企业级用户的门是完全不同的。
然而，矛盾之处在于，创业者要想避免被BAT碾压，最好的方式就是去寻找一个巨头不能碾压的领域，避开社交、游戏、电子支付，而“卖企业级软件给银行”、“卖解决方案给医院”等等“B端”领域，虽然BAT可能不会去做，但创业公司也很难成功。
并且，在人工智能领域创业，一个很大的问题就是“想象力不够”，导致从一开始同质化竞争就很严重。
“大家都做一样的应用，人脸识别现在大概有15个公司”，李开复反问道，“人脸识别当然有商业价值，但是需要15家公司来做吗？”
当然，作为最早一批回国创业的科学家，曾在谷歌担任高级工程师的李志飞对《财经国家周刊》记者阐述了不同的看法。
“早期有一些趋同，这个不值得奇怪”，因为，“这就跟摘果子一样，最大的摘完了之后大家才会动脑筋去想，是不是可以再自己培养果子或者到另一个地方去摘，关键是后面这个产业是不是真能够进一步地升华。”
那么，创业过程中最需要注意的问题是什么？
最显而易见的一点，是要找到强需求而不是伪需求，然后判断这个强需求能不能被技术解决，同时，让场景和产业深度结合起来。
其次，脱离工程师的思维，把焦点放在用户身上。
李志飞说，“工程师的思维就是特别喜欢做一个自己觉得很牛的、技术很复杂的东西，但这个可能跟用户的需求完全不一样。”
以语音识别软件出门问问为例，李志飞说，“过去我们喜欢演示特别复杂的句子，比如一句话把‘帮我查一下附近的餐厅、人均50块钱、带wifi、带停车场的’讲完，但用户真实的习惯可能是把它分成几个短句，通过渐进式的交互去完成查询。”
此外，不要急于打造平台级技术和场景，什么都想做。
过去的创业经验告诉创业者，通过一味的“铺场景”也可以拉高估值，但是危险在于，一旦业务方向不像设想的那么顺利，就会无形中拉高B轮融资的难度，造成现金流枯竭，这对于现金需求量极大的人工智能创业尤为危险。
在这一点上，李志飞很坦诚，“我们也跟热点，这是肯定的，因为你不跟热点的话，拿不到钱”，“但是热点一定是辅助的，公司业务的核心一定要以AI技术推动，然后才会有各种各样的使用场景，如果你随着资本波动而波动的话，一定会死得很惨。”
李志飞称，“对于技术型公司，你的扩张速度要永远保证你的账上还有18个月的经费”，因为“钱是很贵的”。
其中的龙头企业iRobot在2015年前6个月实现收入2.67亿美元，在全球市场占有率超过60%，目前市值约为9亿美元。IFR预测2013-2016年估计会有2200万台智能家庭机器人得到销售。比尔・盖茨曾针对机器人的应用趋势发表自己的看法：“未来机器人将会延续PC的发展历程，届时，家用机器人将像门铃、计算机、移动电话、电冰箱等一样普及。”
随着互联网和人工智能技术的推进，家庭服务机器人正经历着从自动化到智能化的演变。中科院虚拟经济与数据科学研究中心特聘研究员刘锋博士认为，未来只要是互联网所能触及之地，人工智能机器人就有机会“存活”。也就是说，Siri、Google now和微软的小冰这类虚拟人工智能机器人有一天将走出手机，拥有一个真正的“身体”，或者直接住进我们的家用电器里，Siri和Apple TV的链接就是一个例证，家庭智能机器人将成为智能物联网时代家庭的核心终端。
AlphaGo胜在大数据与深度学习的技术优势：没有人性的弱点
关于李世石为什么会输，业界存在诸多看法。其中一种看法是认为人类相对于机器，更容易受到情绪的干扰而导致犯错，而机器却没有情绪波动。然而，事实上，AlphaGo胜出源于做到了“知己知彼”，谷歌利用大数据与深度学习的技术优势为AlphaGo构建了一套策略网络，机器通过深度学习能力，模拟人脑的机制来学习、判断、决策。即AlphaGo可以从大量的棋谱和对局中学习策略，形成一套落子决策判断与数据解读的能力体系，让其在冲杀状态下懂得一套试探与引导的能力，最终成功击败人类棋手李世石。
巨头正在试图通过人工智能攻克最后一座堡垒：理解人类和语言
从AlphaGo连赢人类九段棋手李世石中，我们可以看到，人工智能神经网络的前景在于它在不断缩小机器和人类之间的差距，而且随着技术开发者的跟进，人工智能将会对理解人类语言，揣摩人类情感。比如我们看到的，扎克伯格曾定下2016年的个人目标，即创建一个类似《钢铁侠》中的人工智能助手。“我开始准备了解现有的技术，并将教会人工智能助手理解我的语音，让它学会控制家中的一切，比如音乐、灯光、温度等。我还计划教会助手识别朋友们的面孔，当朋友们按门铃时，它会让他们进入。”扎克伯格在其Facebook个人主页中写道。
理解人类，这对于巨头们的想象空间在于，基于用户需求的商业决策会因此更加精准。人机对战让我们看到，推理、判断、分析问题等功能处理之外，识别人的情感与情绪与对人的语言理解力将是未来发展的高地。围棋大战，只能体现出，在封闭规则的计算领域，机器比人类聪明得多，因为我们的心算能力本身与计算器相差甚远；但是思维、对话、情感等都是不确定的。而前面说到，机器没有情绪，只有它懂得了人类的语言，逐渐了解人类表达的意思甚至是情绪，才意味着人工智能达到了更高的领地。
而语音搜索，则是打开人工智能进阶大门的钥匙。百度的语音搜索，就是多种人工智能技术整合起来的典型应用，包括语音识别、自然语言处理，因为它比下围棋这种单一任务、封闭规则的任务要复杂得多。语音搜索借助核心的自然语言处理技术(NLP)，通过典型的多轮对话交互模式，逐步理解人类语言和意图，并提供需要的信息。
语音搜索的结果不仅能提供聚合的数据，还会通过语音播报，将用户从输入文字的桎梏中解放出来，为中老年用户提供方便。从上面的例子看出，搜索引擎能够通过多轮对话的方式，联系用户的上下文，准确地通过用户的语言，理解真实的搜索需求，一步步给出相应的反馈。除此以外，搜索结果是基于对数据的挖掘和聚合呈现，通过数据为用户决策提供依据。说白了，就是机器将可以通过语音“理解”人类的真实意图，在大数据基础上提供智能的交付，满足需求。而且，通过背后的机器学习技术搜索引擎还具备像人类神经网络一样的深度神经网络，吸取人类语料数据，就是具有学习进化的能力。
谈到语音技术，除了谷歌在该技术上地不断优化，使用上下文、物理定位及其他方式对谈话者的真正含义进行预测之外，百度度秘则更是基于二者技术的人工智能产物，并寄托了连接人与服务的生态构想。度秘可以在广泛索引真实世界的服务和信息的基础上，依托搜索及智能交互技术，不断学习和替代人的行为，为用户提供多样化服务。例如：可以实现“帮我订一张适合小孩看的电影票”、“餐厅附近有没有宠物美容店”等一系列的多轮对话、预定等任务。百度此前认为，与同为支持语音、文字交互的微软小冰、苹果Siri相比，度秘有着更为突出的特性，包括语音识别技术与更为核心的自然语言处理技术(NLP)，当机器获得人说的话之后就需要进行理解，而自然语言处理(NLP)技术是不断去分析用户搜索意图，通过反复学习与大数据分析，更为高效地帮助用户做出决策。
BAT人工智能的“军备竞赛”:百度技术帝国初具模型
在全世界范围内人工智能的“军备竞赛”对抗中，在国内，以BAT为代表的互联网巨头已在人工智能领域不断的尝试，而在BAT三家中，探索人工智能发展方面，百度更为积极，这与其主营的搜索业务与技术基因相关。移动搜索时代，百度更需要大规模机器学习和深度学习为基础的人工智能在搜索引擎中的应用，优化搜索业务来推动各项业务的协同发展。
所以，百度也一直在政策层面推进人工智能技术。梳理最近几年的两会提案就会发现，李彦宏在去年的两会中提出的“中国大脑”以及今年提到的为无人车立法提案。百度积极推动无人车政策落地，也基于通过无人驾驶项目推动自身搜索业务有更多想象空间，资料显示，百度无人驾驶车项目于2013年起步，由百度研究院主导研发，其技术核心是“百度汽车大脑”，包括高精度地图、定位、感知、智能决策与控制四大模块。
之所以国内唯有百度在无人车领域展开了布局，缘于其支撑图像识别技术与语音等技术的融合推进，百度研发出了基于多层单向LSTM(长短时记忆模型)的汉语声韵母整体建模技术，该技术能够使机器的语音识别相对错误率降低15%，普通话语音识别的准确率接近97%。图像技术的积累可以辅助无人车更为精细的判断交通路况，利用无人车这个入口，在万物物联与共享经济之外，关键在于解放了人的双手，进一步可以实现诸如语音搜索音乐、阅读、视频，以及O2O的订位、餐馆预订等功能。可以看出，百度更加注重将技术融于产品中，快速实现商业化。
这里看出，百度与谷歌的探索不同，谷歌的探索带动研发成本无止境的提升，但许多黑科技项目却又看不到盈利来源，比如Google去年在研发方面的投入更飙升了38%，远超过了谷歌19%的收入增长率。同时随着Google Glass等项目的受挫，Google的投资者开始要求更快的投资回报率，谷歌的广告营收压力增长。相对于谷歌的探索，国内以百度为首的人工智能的布局与探索则聚焦于连接人与服务的战略方向，或更具备商业化落地的示范效应。比如说，人工智能早已成为百度未来营收增长颇有想象空间的一部分。
人工智能的背后是规模化的硬件支撑：创业者慎入巨头需加码
尽管人工智能是未来互联网的发展方向，但人工智能的推动背后是一套人工智能算法，需要规模化的云计算中心、IDC、等硬件支持。这很显然并不是创业者短时间能力所能及的事，以百度目前正在推进一个名为“百度大脑”的项目为例，这是一个利用计算机深度学习模拟人脑的项目，但在这背后，需要十几座云计算中心、规模化ARM服务器、并行GPU等支持生成、配合针对不同应用和场景的网络结构，从而为人工智能提供有力的硬件支持。有业界人士指出：”依赖于云端大规模计算资源的人工智能算法限制着人工智能在消费者场景的应用“因此，人工智能在国内推进与发展的重任很显然还是落在BAT等互联网巨头身上。
在目前国内巨头投资布局图谱中，我们看到除百度之外，更多巨头的布局仅在于针对竞争对手进行卡位与产业链布防，合众连横扩张版图争夺现有市场，巨头们也是时候开始转变下主力布局方向，重度思考人工智能未来的发展了。
一辆载人的自动驾驶汽车高速接近一个路口，此时路口有十个行人正在过马路。在刹车突然失灵的情况下，汽车的自动驾驶系统应该如何选择：
1、拐向路边的固定障碍，躲避十个行人但牺牲车内一位乘客;
2、保持直行，确保车内一位乘客的安全但牺牲十个行人。
您会如何选择？我们看看公众的观点。
当美国学术期刊《科学》就这个问题进行公众调查时，76%的被调查者表示，应该选择牺牲一位乘客以保全十位行人。而且这些选择“牺牲一位乘客”的被调查者都同意以下观点：自动驾驶汽车的制造商应该把“汽车事故死亡数最小化”作为一个指导原则设计自动驾驶系统――我们且称之为“公平对待系统”。
有意思的是，当询问被调查者是否愿意购买安装“公平对待系统”的自动驾驶汽车时，大部分人表示，他们还是会选择安装“车内乘客优先系统”的汽车。
作为人工智能技术发展目前最成熟的领域之一，自动驾驶汽车遇到的选择悖论并不是特例。事实上，人工智能技术作为数字经济时代最重要的科技创新，在逐渐深入发展并成为现代社会一部分的时候，从道德与法律到监管与责任划分，无不面临着前所未有的两难选择。
欧美研究监管原则
针对这样的挑战，目前从美国、欧盟到中国，各国都在从技术、法律、行政和道德伦理等多个方面进行研究探讨，以期在不远的将来制定满足人工智能应用的监管原则。 76%的被调查者表示，自动驾驶汽车的制造商英国把“汽车事故死亡数量小化”作为一个指导原则设置自动驾驶系统。
在人工智能技术发展最为领先的美国，有关人工智能监管的研究是由最高行政机构――总统行政办公室直接领导参与的。2016年，在组织了有关人工智能的多场研讨会之后，总统行政办公室和国家科技委员会（NSTC）于10月份了两份重量级报告：《国家人工智能研究发展战略规划》和《为未来的人工智能做好准备》。
在《国家人工智能研究发展战略规划》中，包含了7个关键性战略，其中的第三战略：理解和确定人工智能在伦理、法律和社会领域的影响;第四战略：_保人工智能系统的安全和隐私保护，前瞻性地包含了有关人工智能在伦理、法律、社会影响、安全和隐私保护等领域的相关内容，包含了和人工智能监管相关的目标与原则。
欧盟由欧洲议会牵头以立法研究的方式探讨人工智能和机器人监管的相关原则。在美国总统行政办公室人工智能规划和报告的同月，欧盟法律事务委员会向欧盟提交了《欧盟机器人民事法律规则》。该法律规则从机器人使用的责任规则、伦理原则、对人类自身和财产的伤害赔偿等多方面提出了对基于人工智能技术控制机器人的监管原则。
作为即将脱离欧盟的英国，也在人工智能监管领域开始独立的研究。2017年2月，英国下议院科学技术委员会向多位英国顶尖的互联网与人工智能领域的专家发出邀请，希望其对于“决策中的算法”给出自己的专家意见。4月26日，科学技术委员公布了收到的正式回复，并将以此作为基础开展人工智能监管的研究。
公平和准确难平衡
从美国、欧盟和英国的研究结果和形成的文件、决议与规则来看，目前在人工智能监管方面形成公式的挑战主要来自公平性、透明性和责任认定等三方面。
首先是公平性。对于人工智能算法来说，任何对于输出，也就是预测值有贡献的信息都应该作为输入变量参与到人工智能算法的计算中。但在现实社会中，并不是所有与结果相关的信息都可以被接受。
2014年以来，美国多个州的犯罪执法机构都依靠一个名为COMPAS的人工智能系统预测过往有犯罪记录的人员再次犯罪的可能性，并以此数据作为是否允许罪犯减刑提前回归社会的决策依据之一。2016年6月，COMPAS系统被第三方调查机构ProPublica质疑其预测结果对黑人罪犯有明显的歧视。
按照ProPublica提供的数据，在各个预测再次犯罪的评分水平上，白人与黑人均保持相似的再次犯罪概率。
但从整体结果看，在其他输入条件与白人罪犯基本类似的情况下，COMPAS人工智能预测模型仍然会倾向于把黑人罪犯判别为会再次犯罪。其中的一个重要原因是有关黑人的记录远多于白人的记录。这一点是COMPAS人工智能预测模型无法改变的。
这个结果引起了媒体和社会的争议。单纯基于人种、肤色、文化、信仰乃至生活习性的差异，人工智能系统基于算法就给予不同的评判和对待，这对于公平是一种事实上的漠视。那么未来在人工智能技术广泛进入人类社会的时候，各种小众人群都有可能由于个体差异遭受来自“模型的歧视”。
这显然是现代社会的文明准则所不能接受的。这也是监管部门首先要解决的问题――模型的公平性。
目前可行的折中方法是，限制种族、肤色、年龄、性取向和其他生物与生活习惯等特征被作为输入变量参与到人工智能算法的构建，以避免这些有可能造成“模型的歧视”的变量最终影响模型的预测结果。
应该认识到，人工智能模型的公平性和准确性是一个跷跷板，如何让这个跷跷板取得平衡并与现代社会的公平价值观取得一致，目前还没有一个最佳答案。
找不到问题所在
其次是透明性，也被称为可解释性。在现有的人工智能技术发展路径下，成熟的人工智能算法或许永远都是一个“黑盒子”――外界无法得知内部的运行机制，只能够通过对输入和输出数据的解读来了解其能够达到的效果，并推测其内部计算机制的构成。
目前科技界主流的看法都认为人工智能模型缺乏透明性，而且这一点不会随着技术发展而彻底改变。那么以往通过企业透明披露产品和系统信息以便政府监管的做法在人工智能领域是行不通的。
举个例子，传统汽车是由车身、发动机、变速箱、刹车系统、电子控制系统等多个部件组成。每个部件也都可以拆解成为具体的零件。任何一个产品问题都可以归结到具体零件上，并针对其提出改进意见。
但对于自动驾驶汽车，人工智能系统作为一个整体完成最终的控制动作，一旦发生人工智能系统的错误操作，除了明显的传感器故障，我们无法清晰定位问题原因，也不会立即明确该如何调整系统。
目前通用的做法是猜想故障原因，并用场景还原的方式提供与错误操作时类似的数据输入，并观察输出结果。在捕捉到错误输出后，通过提供修正错误的训练数据集，逐步完成对人工智能系统的调整。最终还是要在反复测试的情况下确认人工智能系统已经完成了针对此错误的修正。
由于人工智能算法的非透明性，监管部门就无法从人工智能算法本身入手提出管理要求，因为人工智能系统的提供商自己都无法清晰解释算法的核心工作机理。所以，最终的监管要求就会从基于原理和结构管理转而基于最终结果管理。也就是说，不管白猫黑猫，抓到老鼠就是好猫。
非透明性决定了未来人类在监管人工智能系统时永远要面临着“黑盒子”带来的不确定性。而这一点，也给责任认定带来天然的障碍。
谁来承担责任
对于责任认定的探讨研究，目前是最少也是最困难的。对于一般的C械电气设备，由于设计缺陷、材料质量或其他产品质量所导致的人身财产损害，设备制造商将承担主要甚至全部责任。
而对于人工智能系统控制的设备，由于其在算法透明性和可解释性方面的困难，监管部门几乎无法从算法本身去认定是否包含设计缺陷，也就无法就算法本身的设计去进行责任认定，这为监管带来了非常大的困难。
有意思的是，欧盟在其2017年2月投票通过的《欧盟机器人民事法律规则》中，提出了考虑给予机器人以特殊的法律地位，即电子人的概念。也就是说，未来法律体系中将会存在一个不同于自然人、法人、动物等的另一法律实体，其能够独立存在，享有自己的权利并承担相应的义务。对于由自身引起的第三方人身财产伤害，电子人将会被认定承担一定的责任，并作出赔偿。
如果电子人的概念未来被现有的人类社会广泛接受，那么其造成的影响就不局限于人工智能监管本身，而将深深影响到未来社会的各个方面。
除了公平性、透明性和责任认定之外，人工智能系统还会大量替代现有的人工岗位，从而对未来的劳动力市场产生巨大的影响。由此而衍生的社会就业冲击和对人类技能要求的改变还会影响更多的方面。
每一个元年好像都是投资人的春节，当投资人苦恼的时候，他们有了钱，有了行业资源，有了人才，但是他们还是不知道今年春节联欢晚会谁会红，谁会火。然后索性就抛出了我要包场，每个节目我都有人。
但是每一个“元年”好像创业者都在掉队，我不知道我能做什么，我不知道我该做什么，我不了解行业变了，我只知道元年来了，投资人也来了。我的方向是媒体说的方向，我的管理是投资人教的管理，我的技术是国外扒的开源技术。
但是每一个“元年”好像投资人都在掉坑，你懂移动游戏，不懂，你了解VR，不了解。但是我有钱，我想投谁就投谁。创业者那么多，我就不信砸不出一个金蛋。我投不是因为你的团队好，主要是因为还有KPI。
2017年中国的Ai元年，创业者像疯了一样，开始扎堆人工智能。每一个创业者都必须用人工智能才能彰显自己的能力与实力。但是在众多的人工智能团队中，真正拥有人工智能能力的团队少之又少。
今天你做AI了吗？下面剑锋将根据个人主观给大家分享一下。关于AI的六大谎言。
第一个谎言：投资人来了
2012-2017年间，中国AI投资市场共有570家投资机构参与投资，其中仅投资过一家AI企业的机构共有391家，占到总数的68.6%；剩余的179家企业中，投资频数2-4次的机构共137家，其余仅有42家机构投资过大于4家AI企业。由此可见，中国AI投资市场中，真正专注于AI投资的机构仅占少数。
以AI企业的投资频数作为评价标准，中国AI投资市场中排名前十位的投资机构。其中，真格基金、创新工场和红杉资本中国位列前三。众多的投资人也给出自己的观点，虽然都是看好长期发展，但是对于短期内，人工智能的发展，投资人出现了分歧。
同时根据盛世方舟(注：中国最大的股权母基金管理机构)触及到的一手数据，自2016年下半年至今，前来募资的基金当中，投资领域包含“人工智能”的基金数量占比约为10%；包含“智能/AI/大数据/云计算”的基金数量占比约为24%。相比之下，覆盖文化娱乐领域的基金占比约为19%，覆盖医疗领域的基金占比约为27%，覆盖消费领域的基金占比约为22%。
剑锋认为人工智能虽然在资本的行业中呼声很高，但是真正投资人工智能的机构还是相对比较少数，主要是很多投资人对于人工智能的行业理解还处在迷茫与认识阶段，对投资标的的要求比其他行业都要高。以团队背景为例，投资人要求有海外知名院校毕业并在人工智能领域从业多年，团队以著名技术公司核心技术骨干为重点。对于这样的要求很多团队都只能望尘莫及。
第二个谎言：Ai+行业或行业+Ai
从“互联网+”走向“Ai+”，随着科技行业技术的不断进步，每一个新的技术或者新的应用都被宏伟的媒体及有钱的投资人冠名“XXX+”。没有如果“+”感觉这个市场就不够大，不够规模。不够吸引广大的投资人及创业者。
根据亿欧网统计的投资机构行业分布处在前三基本是企业服务、汽车交通、金融领域，如果说Ai+已经渗透到各行各业，以互联网公司为例，他们的公司都应该是某某人工智能科技有限公司，我是人工智能，我为人工智能代言。现在的人工智能基本还处在一个起步的阶段，目前所谓的Ai+行业或者行业+Ai处在一个概念阶段。有人会反驳剑锋说，你看人脸识别不就是Ai+行业，如果你身在成都可以去东站体验体验所谓的人脸识别安检系统。
剑锋认为一个技术的兴起并不能改变世界或者重造行业，就如同互联网没有打垮创统行业，Ai还没有统领人类。技术与行业中间还是隔着一道深深的鸿沟，如果要拉近他们的距离，不是技术可以解决，也不是行业可以解决。只有在行业与技术融合才能解决。哪些鼓吹Ai+或行业+Ai就如同当年的O2O一样，O2O号令天下行业，最终尸痕遍野。
第三个谎言：Ai等于深度学习
有行业人士指出许多初创公司以及产品都打上了人工智能领域的标签，就像流行用语一样，但是真正使用了深度学习的却很少。大多数人忽视了一个事实，深度学习只占了机器学习领域的1%，而机器学习又只是人工智能领域的1%。剩下的99%都是大多数任务已经在实际使用的。一个“深度学习领域专家”并不是一个“人工智能专家”。
2016年谷歌围棋人工智能AlphaGo战胜李世石成为全球新闻热点，不管是生在科技圈还是非互联网圈，人工智能一跃成为了全球各个国家的焦点。当阿尔法狗火了，人工智能的股票涨了。但是有行业人士提出阿尔法狗为什么能赢的时候，行业内的各类砖家及科学家给出的答案是数据与算法。
2016年很多做大数据分析的初创公司开始冠名自己是人工智能公司，我有数据，我有算法，我有未来极大的商业价值。但是如今的人工智能公司就如同2015年大数据公司一样，只要你有你家的两三年账本，你就可以成为大数据公司。2017年只要你家的账本能够算清楚账，而且有一套算账的公式。你就可以是人工智能公司。对于这样的评判标准，往往有显的可笑与无奈。
Ai是什么？作为一名科技追风者。从2015年开始就一直在找寻答案。Ai是大数据分析吗?好像数据只是它的一部分，Ai是深度学习吗？人工智能相比深度学习是更宽泛的概念，而深度学习，是AI中的一种技术或思想。
剑锋认为Ai更多是科学的一个分支，它是一个广泛的概念。如果非要找一个学科来形容它，我觉得最合适的就是脑科学。就如何人类不断在仿生动物，人工智能不断在仿生人脑。脑科学的主要研究方向认知神经科学的最终目的是在于阐明人类大脑的结构与功能，以及人类行为与心理活动的物质基础，在各个水平(层次)上阐明其机制，增进人类神经活动的效率，提高对神经系统疾患的预防、诊断、治疗服务水平。人工智能主要研究方向让计算机具有与人类结构与功能，以及帮助人类更加智能的处理事宜。
在人类脑科学与人工智能的研究，他们一个围绕的是细胞神经，一个围绕的是网络神经。一个是让人类的大脑更加的聪明，一个是让机器的运算更加的智能。如果说人工智能要得到极大的进步，我更倾向于如何与脑科学更好的结合。
第四个谎言：Ai
2014年特斯拉CEO马斯克在麻省理工学院的一次公开访谈中，发表对人工智能的看法时表示，“我认为我们应当格外警惕人工智能。如果让我说人类当下面临最大的威胁是什么，我觉得是人工智能无疑”。同一年物理学家斯蒂芬·霍金就曾语出惊人，表示人工智能发展到目前的初步阶段已证明非常有用，但他担心的是，“人工智能可能自行启动，以不断加快的速度重新设计自己。而人类局限于缓慢的生物进化过程，根本无法竞争，最终将被超越”，因此他认为，“彻底开发人工智能可能导致人类灭亡”。
人类简史的作者尤瓦尔·赫拉利曾在公开演讲中提到，人类的恐惧来自未知和不可控。虽然人类智慧发展至今，已经掌控了自然界的很多东西，包括如何对抗自然灾害，掌控生物界的命运等，但人类最不可控的东西始终让人类恐惧，比如死亡。
未知与不可控成为行业内大佬激辩的观点，有乐观派表示人类一直在探索未知，所以人类才能如此的进步，有悲伤派表示一切的不可控将是世界末日。
对于以上大佬的观点，剑锋认为技术是纯粹的，只是人类是私欲的和无知的。例如在封建王朝时期天狗食月是誉为神仙对百姓的一种惩罚，故而形容成为天下末日。但是今天的科学表明月食是一种特殊的天文现象。
现在的人工智能技术远远还没有达到损害世界，操纵宇宙的阶段，如果真的有哪一天，地球是机器人的地球，因为地球的环境只适合机器人，人类已经移居到别的星球。
第五个谎言：远离互联网，拥抱Ai
有行业人士指出以PC来说，全球PC出货量连续5年下滑。大家知道国内最后出现的一个PC互联网独角兽是谁吗？是知乎，大概是2011年初推出，这么多年过去，再也没有PC互联网的独角兽出现。做个类比，我们知道2015年移动互联网的渗透率和竞争程度和2011年的PC互联网类似，以此类推，2015年以后再做移动APP，也很难出独角兽了。所以互联网的流量红利已经消失。
对于这位行业人士的观点，剑锋在这里不做过多的评述，只是以数据和市场来告诉大家，互联网及移动互联网的红利真的已经消失了吗？在中国还没有高举互联网+的时候，互联网只是解决的信息不对称的问题，电商被誉为最成功的案例。根据阿里研究院的《创新飞跃的五年：10大关键词解读中国互联网》报告指出，截止2016年底，中国互联网用户高达7.1亿人，全球排名第一，几乎是第二、三名印度和美国之和。中国互联网相关GDP占比高达6.9%，居世界第二位；如果去除信息通信设备出口等制造业相关行业，中国互联网相关GDP占比为6.4%，居世界第一。
互联网经济有没有可能进一步提升呢？古曰：三百六十行，行行出状元。那今天的互联网是否已经把三百六十行包围了，以电商为例中国的电商主要还是在一二三线城市，对于广袤的四五六线还有待挖掘，以游戏为例，王者荣耀拉动了新的消费群体(女人与小学生)，对于还有消费能力的其他的群体还有待挖掘，以B2B为例，找钢网竖起了垂直行业的市场，那水产，矿产等等垂直行业的市场还有待挖掘。以短视频为例，快手圈起来三低人群，那三高人群市场还有待挖掘。
对于一直生在一线市场，长在一线市场的互联网小兵而言，互联网及移动互联网的机会还远远没有被挖掘出来，只是那些投资人站得太高，创业者望的太远。
还有就是拥抱Ai，我一直挺郁闷的是Ai还处于技术发展期，就开始谈论行业应用期。多少感觉有点像前几年的VR，硬件不过关，软件体验差。然后就开始鼓吹VR+将改变世界，统领行业。
AI是技术不是魔术
《时间线》：您认为AI真正的本质是什么？JK：人工智能是以使机器能够胜任一些通常需要人类智能才能执行工作为目标的一个工程领域。但这并不意味着电脑本身是智能的，只是它们能在某些情况下替代人 类。
《时间线》： AI似乎更容易对显性知识进行技术转化，那么在对隐性知识技术化时遇到哪些阻碍？现在是否有所突破呢？
JK：你可以将AI技术大概分为两类。第一类是趋向于理性问题的AI技术，像是规划一个驾驶路线，在电路板上布局组件，合理高效地将包裹放置在运输车上。处理这类问题时，人们是通过显性信息和使用显性逻辑规则开始处理的。第二类是趋向于感知问题AI技术，这其中包括识别照片中的人物，驾驶汽车，研究收集医疗数据模型。一般来说，这类问题很难被明确地描述出来。还有些问题像是翻译语言、玩一些复杂的游戏，可能需要对这两类技术都有所涉猎。
主人or奴隶
《时间线》：在Ray Kurzweil的《奇点临近》一书中曾描写道：在“奇点”到来之际，机器将能通过人工智能进行自我完善，超越人类，从而开启一个新的时代。很多人都开始恐慌AI或许会在未来的某一天取代人类，对此您怎么看？您认为最为适当的人机关系是怎样的？
JK：我并不同意Ray Kurzweil的观点。机器已经在许多领域超越人类的能力，并且我们对此也并没感到任何的不适。事实上，这就是我们为什么使用它们。电脑能够比人类计算得更快更精确，记忆存储大量的信息，并且通讯交流的速度是人类无法想象的。随着AI领域的进步，将会有越来越多的任务是由机器去处理，并且会比人类处理得更好。但是这不意味着它们能比得上人类的智慧。我们并没一个言之成理的人类智慧的理论，即使我们有，也没有证据能表明我可以编制一个机器去复制它。
《时间线》：现如今一些企业工厂已经在开始利用AI进行日常生产工作活动了，但对于工种的替代还只是局限在初级的、可替代性强的工作，那么在未来随着AI的发展是否会挑战高级工作，例如高级电脑程序工程师、注册会计师、高级律师等等？
JK：AI程序不能执行工作，它们的作用是使任务自动化。如果一个人的工作是由那些能被自动化的任务组成的，那么的确他们的职业是面临风险的。如果一些人的工作任务是机器不能处理的，那么AI技术只是能够帮助人们把工作处理得更加高效。这无关乎工作多么高级，人们需要接受多么多的培训去做他们的工作。我们在用电脑执行计算时，执行任务往往需要相当大的训练和专业知识作为前提的。比如，一个放射线研究者的工作职能可能是容易去自动操作的，但是相反地，一个儿科医师需要的是机器无法执行的人类技能。
《时间线》：在您的《人工智能时代》一书中介绍了AI对财富再分配的影响，您希望AI的发展可以极大地提高社会财富，但现实情况是，现在无论是东方还是西方，贫富差距是不可避免的问题，因此，AI在提高社会财富的同时会不会反而加重了贫富差距和财富分配不均匀的问题？
JK：我不确定我们所理解的社会财富是否是完全一样的。但是在我看来，AI是自动化的一种形式，它是资本对劳动力的替代。从逻辑上看，这意味着拥有资本的人可以通过利用机器去获得更大的利益，而那些只能依赖出售自身的劳动力的人，将会被取而代之。一般来说，自动化使社会更加富裕，而获益者主要是那些富人，除非我们采取一些措施来确保整个社会都享受新财富。
《时间线》：您认为当前人们对AI误解的主要争议点是什么？您对当前人们对AI的看法和理解有何建议？
JK：许多人所理解的AI就正如他们在电影中看到的那样。通常都是一些伤害和攻击人类的坏的机器人和程序。但是这些都是幻想。机器是没有感情的，除了我们指令它们做的事情以外它们是没有独立目的。只要我们仔细考虑如何使用这些技术，它们将会很好地为我们的需求服务。但是像另外一些技术，比如核能，我们既可以用它来做建设也可以用它去搞破坏。但这些都取决于我们人类，而不是“它们”。
AI在中国
《时间线》：在AI领域，西方国家，例如美国，拥有较为完善的技术支持和发展环境，而中国的AI领域更多的是依赖于商业驱动，那么对技术驱动与商业驱动，您认为哪一个更能推进AI的可持续发展？
JK：我认为在美国AI技术的发展和在中国一样都是由经济发展驱动的。有很多大学都在研究AI这个领域，但是大多数的进步是发生在像谷歌和Facebook这样的公司。我相信在中国，百度也是这样的公司。
《时间线》：从伦理角度来看，在西方国家，例如美国，AI的发展遇到哪些问题和阻碍？中国拥有特殊的文化环境和较为保守的伦理逻辑，您认为当AI甚至是未来的AI机器人在步入中国普通老百姓生活中时是否会遇到更多新的问题？
1981年，毕业于浙江美术学院工艺系（现中国美术学院），学士；
1982年-1983年，任教于中国美术学院，教师；
1984年-1986年，德国慕尼黑造型艺术学院与柏林艺术大学访问学者；
1986年-1988年，获美国耶鲁大学艺术学院硕士学位，被授以作为表彰最优秀毕业生的诺尔曼・艾弗斯纪念奖；
1988年，成立个人设计工作室，为Adobe公司提供设计；
1989年-1997年，美国耶鲁大学艺术学院，讲师；
1991年-1998年，就职于全球最大的出版O计软件公司Adobe，先后担任设计师，高级艺术指导，设计总管，负责全公司设计工作；
1998年，加入两方设计公司，任设计总监；
1999年，任上海大学美术学院，客座教授；
2001年，参加北京申奥工作，艺术指导；
2006年-2008年，任北京奥组委形象与景观艺术总监；
2003年-至今，任中央美术学院设计学院院长、长江学者特聘教授、博士生导师
主要设计、研究项目：2001 年参与北京市申奥工作，设计北京申奥多媒体陈述报告；2004建立中央美院奥运艺术研究中心并任主任，中心设计了奥运奖牌、奥运体育标识、奥运色彩系统、奥运景观系统指南、奥运门票等奥运设计项目；2006年10月至2008年10月任北京奥组委形象与景观艺术总监，负责北京奥运形象与景观设计工作；2009年作为学术总监与主要发起人负责申请、筹备、举办了ICOGRADA 北京世界设计大会。大会有40多个国家2000人参会，超过100场演讲，24个专业展览，成为推动中国设计发展的一项重要活动。曾任教于美国耶鲁大学艺术学院并担任世界最大出版设计软件公司Adobe 高级艺术指导与设计总管，负责全公司设计工作。作品多次参加国际重大展览并获奖，作品被多家博物馆收藏；多次被邀请作为设计比赛评委；在世界多地举办过学术讲座，主持过很多与设计相关的学术活动。
技术的进步、互联网的发展和数字化时代的到来使得设计行业面临着巨大的机遇和挑战。在2016年11月召开的国际艺术设计教育年会上，中央美术学院设计学院院长王敏教授就现阶段技术和数字化发展所引发的设计领域的一系列变革问题进行了名为“Envision， Empower， En-hance―Design in the Era of 4th Industry Revolution”的主题演讲，在设计领域引起了巨大的反响，更是吸引学者们广泛的关注。发言中，其不仅对目前数字和人工智能背景下的设计问题进行了广泛的论述，更对未来设计行业和设计教育的发展指引了方向。本期，我刊特别邀请到了王敏教授做客权威人物栏目，就第四次工业革命所引发的设计价值与设计蜕变相关问题接受我刊专访，深入探讨设计未来的研究方向和设计师的培养问题。
本刊主编：王院长您好！感谢您接受我刊的专访！我们知道，在去年年底结束的国际艺术设计教育年会上，您的发言引起了巨大的反响，特别是其中有关人工智能所引发的设计变革方面的问题，更是得到了很多学者和教育工作者们的关注。您能进一步深入解读一下您是如何看待设计师与人工智能的关系的呢？
王院长：好的。首先，我想说的是目前人工智能的发展已经对设计师带来了巨大的冲击，而且在未来，设计师的很多工作还将会被人工智能系统所取代。但其次，我想进一步说明的是某些工作的消失并不意味着设计行业的消失，因为设计师的很多工作是不能被人工智能所取代的。因此我想，设计师和人工智能的关系应该是相互促进、相互激励发展的关系。历次的工业革命，都带来了设计理念、设计价值的转变，也为设计领域的发展带来了巨大的机会。第四次工业革命也以一样。在人工智能、物联网Internet of Things ，工业4.0、新能源、新思维兴起的时候，也为设计领域和设计师带来了前所未有的机遇与挑战。
本刊主编：王院长，刚刚您谈到了历次工业革命和第四次工业革命的问题，您能介绍一下四次工业革命都对设计带来了怎样的影响吗？中国在这四次革命过程中又处于一种什么样的状态呢？
王院长：当然可以，而且我个人认为将四次工业革命的影响梳理清楚对于我们现阶段把握好设计发展的脉络是非常有帮助的，因为伴随工业革命、技术革命发生时，设计师设计理念的转变、设计所带来的价值的转变、设计行业发生的变化，这都会给我们一些对未来的启示和思考。首次，第一次工业革命由蒸汽机引发，人类进入机械生产时代，机器产生的能量大于人与动物的力量，机器取代了人工，带来了生产的进步，但也带来了各种毫无美感的粗劣的机器，在人们为工业进步欢呼之时，莫里斯倡导的艺术与手工艺运动也开始掀起，随后新艺术运动，新装饰，青年风格等在欧洲形成，很多艺术家设计师投入其中，创造了大量的精美设计作品，今天仍为很多人喜爱，这让人们看到了艺术与工业结合去创造美的可能性；其次，电与工业流水线带来了第二次工业革命，电报电话的能力远优于人的传播能力，人类通讯方式从此发生了革命性的变革。福特的T型车流水生产线大大提高了工业生产效率，将汽车带进普通人的生活，也预示着工业产品对人类生活所将带来的巨大影响。此时出现的包豪斯带来了现代设计教育的理念，包豪斯倡导艺术与技术统一，功能性与极简的现代审美观，其后形成的现代主义设计潮流极大推动了工业化对人类生活形态与审美的渗透与改变，在这个现代主义设计发展的进程中吸引了众多人才，也产生了很多设计大师，设计的价值为社会所关注；其三，第三次工业革命始于60年代，从计算机再到互联网，第三次工业革命又一次引起了生产方式和生活方式的巨大变革，比如计算机的应用颠覆性改变了设计、印刷、传播的过程，改变了设计师的工作与设计的价值，3D打印势必引发产业组织形态和供应链模式包括设计价值的颠覆性变化；最后，第四次工业革命来到，随着互联网的发展和计算机技术的更新，人工智能和机器学习开始成为新的热点，也是必为设计行业带来巨大挑战与机会。
再来看看我国，由于历史原因我们错过了第一次与第二次工业革命，仅仅搭上了第三次工业革命的末班车，面对第四次工业革命，我们从来没有像今天这样与世界领先的技术浪潮如此接近过。尤其是在人工智能领域，中国最大的优势在于7亿多互联网用户，而大量的用户就意味着更多的数据。2016年白宫前沿峰会报告指出，在人工智能的新领域深度学习领域中，中国无论是数量或是被引用论文数量都赶超美国位居全球第一。深度学习的应用也体现在我们的日常生活之中，购物平台利用大量的数据分析用户需求，匹配并推荐其需要的商品，或是资讯类APP为用户匹配并推送相关的新闻讯息。除此以外，深度学习最终价值的体现其实还有更多，比如AlphaGO大战李世石，深度学习在背后也起着非常重要的作用，再比如自动驾驶、语音识别、图像识别等都是深度学习的研究范畴，也将是人工智能未来在我们生活中的应用场景。
本刊主编：王院长您的思路太清晰了！正如您所说，历次的工业革命都对设计和人类产生了几乎是具有颠覆意义的影响，那么我想进一步请教一下您，您认为设计在第四次工业革命中是一个什么样的身份？设计存在的价值在哪里？而我们如此众多的设计师将何去何从？将如何重新找到自己的社会价值呢？
王院长：这个问题非常好，它正是我们中国设计和设计师们面临的困惑，这里我就谈谈我个人的看法。前面几次工业革命过程让我们看到，技术的发展淘汰了一些行业、工种，但它也不断创造新的机会、新的工作。在社会、技术发展的进程中，设计与艺术起到技术无法替代的作用。我们应该将第四次工业革命当作机遇、机会，来实现设计的新的价值。现阶段，第四次工业革命带来了对设计新的要求、新的机会。设计的定义、价值正在改变，企业对设计的需求也在改变。这是一个拥抱创新、创意、设计的时代。近年来，很多大型公司开始并购设计公司；国内外很多商业学院陆续开设设计思维的相关课程，新加坡甚至将设计思维作为高中的必修课；越来越多的设计师开始创业。这里我们所说的设计师创业，并非开办一个设计师事务所，或者打造一个设计品牌，而是更多的涉猎到非设计行业。这些变化就要求我们不断重新定义设计、重新定义设计师、重塑设计师，作为最根本的，我们还需要重新定义设计教育。在人工智能时代，很多行业或是消失，或是大量削减人数，设计行业也一样，但这并不意味着设计行业的消亡，正相反的是，未来社会更需要设计师，只是是与以往不同的设计师。我们要不断重新定义设计、重新定义设计师、重新判断设计的价值。设计师因为他们的职业特点，他们对用户体验的关注、他们所普遍具有的同理心、他们的创造性思维的能力，加上对跨行业的经验，使他们可以为企业带来美化产品之外的价值。设计由最初对产品的关注被提升到组织与策略的层次，设计一词不再局限于有型的产品，而是一种策略思考。
生活实际是指与学生的生活密切相关的事物，结合生活实际创设情境是情境教学法的一种重要运用方式。目前的高中信息技术教材中的很多内容均可以与我们的生活实际密切联系在一起，为高中信息技术教师在课堂中创设生活情境提供了重要的前提条件。例如，执教《网络资源下载》一课时，高中信息技术教师可以创设这样一个生活情境：同学们，永州市第十七届中学生运动会刚刚落幕，本届运动会共产生66枚金牌。请同学们分小组上网搜索本届运动会获奖的有关资料，并将相关网页保存在自己的电脑之中。为了引导学生更好地对问题进行探究，信息技术教师还需要提出如下几个问题：（1）总结几种具体的网页保存类型；（2）思考一下哪种网页保存类型更为方便，谈谈你的看法。由于该情境与学生的生活实际密切相关，因此学生参与探究的积极性也非常高，取得了很好的教学效果。对于高中生来说高中信息技术知识的学习是较为枯燥的，如若信息技术教师可以适时地结合学生的生活实际创设情境，则可以在一定程度上激发学生的学习兴趣，进而提高课堂教学的质量。
二、结合多媒体创设情境
多媒体是高中信息技术课堂教学的重要辅助利器。因此，在高中信息技术课堂中结合多媒体创设情境无疑是一个很好的选择。相关研究表明，结合多媒体创设情境可以给学生更加直观的视觉刺激，可以有效激发学生的学习兴趣。例如，执教《人工智能离我们有多远》一课时，高中信息技术教师可以对人工智能进行简要的介绍，然后再利用多媒体播放动画展示人工智能技术在生活中的应用成果，并让学生认真观看，观看完毕之后，学生就可以对人工智能形成了一个直观的了解，进而激发学生学习新课的兴趣。除此之外，教师也可以在上课之前安排学生亲自动手制作多媒体课件。为了提高多媒体课件制作的有效性，教师可以让学生自由分组，合力完成多媒体课件的制作；然后在课堂中选择几个较为优秀的课件播放给学生看。由于课件是学生亲手制作的，因此学生参与课堂学习的积极性也会更高。在高中信息技术课堂中结合多媒体创设情境，不仅可以激发学生的学习兴趣，也可以让多媒体这一现代教学手段更好地服务高中信息技术课堂教学。因此，高中信息技术教师应积极制作精美的多媒体课件，在课堂中创设出更加有效的多媒体教学情境。
《培训》：对于未来企业发展而言，人工智能等技术至关重要。在未来，企业可以更成熟地运用跨界科学技术来培训人才。您对于这一趋势的看法是什么？
王殿平：未来社会智能无处不在，到2029年，机器智能可以跟人类智能相匹敌；到2030年，人类可能跟人工智能结合，变成一种混血儿；到2045年，人与机器深度融合，奇点来临。未来，人工智能会延伸出四大层面：首先是基础智能，较为普遍，类似于智能终端、智能物理；其次是计算智能，它通过智慧终端获取一些大数据，根据大数据的应用做计算分析，如购物APP；然后是感知智能，起到辅助增强的作用，甚至可以替代人类的视听觉能力，这一智能目前正在成熟，它将实现让机器围绕人，并且融入人的感知系统；最后是认知智能，主要辅助人类做出业务等方面的决策，机器通过深度学习逐步具备推理和决断的能力。在认知智能层面，机器将具备学习和推理的能力。
关于运用跨界科学技术培养人才，中兴通讯提倡的智慧学习目前正处在基础智能和计算智能两大层面。最初，学习基于机器终端，学员通过多媒体学习所需内容。随着移动学习逐渐发展，学习内容可存放在移动终端，学员可以随时随地进行学习。现在我们的智慧教室和智慧学习平台还在计算层面，机器具备简单的统计分析和决策能力，它会把现场教学最精彩、最关键的部分捕捉下来，自动形成课件，还可以根据学员的学习习惯以及学习兴趣作出推荐。智慧学习系统也会根据学员的岗位特性组合学习内容，高度关注学员体验。
《培训》：您之前提到：“未来社会智能无处不在，人与机器将深度融合。”针对这一趋势，中兴通讯对人才发展战略做了哪些调整？
王殿平：人才战略须跟公司发展战略一脉相承，中兴通讯近期了M-ICT2.0战略，我们的人才战略也在据此调整。整体上，我们认为M-ICT2.0战略包括五个方面的内容：虚拟、开放、智能、云化以及万物互联，简称VOICE。该战略是针对万物移动互联而提出，以前我们比较关注人跟人的连接和无线连接，未来人跟物、物跟物的连接更丰富，且这种连接会逐渐数字化和虚拟化。
V指virtuality（虚拟化）。未来是大视频、虚拟现实的时代，我们的学习将不再需要很密集的场面，而是通过扫二维码或佩戴高科技眼镜就可以身临其境，感受到讲师与学员之间的互动和热情。
O是openness（开放、开源、共享生态圈）。未来产业结构、形态、甚至企业竞争模式将更加开放，形成协同、开源的外部生态环境，逐渐模糊企业内外部的培训边界。
I表示intelligence（智能化、人工智能、泛在智能）。随着智能手机的普及，智能技术的广泛运用，学员对智能化的体验将越来越深刻，学习会更加便捷。
C为cloudification（云计算、管道加速）。虽然现在手机和电脑上的资源都可以共享，但若没有网络或数据线，这些就是纸上谈兵。然而，未来可以将这些资源进行云化处理，学员就可以无后顾之忧，直接下载使用客户端资源。
E指internet of everything（万物互联）。万物和移动互联，资源广泛协同。
创造共享的学习体验
《培训》：M-ICT2.0战略倡导了开放、开源和协作的时代。根据这一战略，中兴通讯有哪些推动人才培养方式向数字化、智能化转型的探索？
王殿平：伴随着互联网尤其是移动互联网的快速发展，以及商业模式创新的加速涌现，单靠一家企业创新人才发展很难领跑未来，因此我们始终保持着开放与分享的心态。为适应大趋势发展，运用新兴科技进行人才培养时需特别注意三点，即开源、生态圈和共享。
开源是将企业内部的课程、平台的开发对外开放。早期，我们视培训为非常专业的项目，大量的员工、讲师、开发团队都为课程的开发和交付而服务。企业将大量精力投入培训中，产出结果却不尽人意。随后，企业逐渐培养来自一线的导师。他们既有较强的业务素养，又有很强的授课能力，兼职做培训的课程、项目开发，使整个团队呈现轻量化，并逐步形成专业的能力中心。现在，我们的培训从内部走向公司外部，通过合作的方式广泛汲取外部优秀讲师、精品课程，以及高校优质资源，依托移动学习平台对所有员工开放。
生态圈是将线上线下的供应商、合作伙伴的资源连接起来，形成协同，确保资源的优势互补。
共享，主要是指人才、技术、管理等方面的资源经验分享。比如在国际化过程中，我们早期走出去的企业付出了大量“学费”，这些宝贵的市场经验、管理经验都可以分享给国际化新秀，同行业内还可以共享国际化人才的培养和认证标准。人才、技术的分享也会促成大量业务的合作，有力促进行业的发展。例如，我们的线上学习系统推出了1000多门免费课，在很短的时间内就有几万学员注册。
《培训》：运用新兴科技培养人才时，中兴通讯在学习产品的设计方面有哪些特别之处？
王殿平：中兴通讯对学习产品设计方面，会严格遵循三项原则。
原则一，易学，我们做的课程、平台首先要非常简单实用。如果讲师开发的课件或课程非常晦涩难懂，实际就是将学员拒于千里之外。很多培训人课程开发量十分巨大，但在实际操作中，这些课程往往点击率低，鲜有人学，因此收效甚微。所以课程的开发一定要做到易学，无论线上线下的课程，都应符合大多数学员的认知能力。
原则二，尚学，工作当中的场景学习一定要接地气和实用。无论是“学以致用”，亦或是“用以致学”，讲师提供的（培训）产品对用户、学员应具有价值和实用性。
原则三，乐学，增加学习的趣味性，未来学习要增加学员学习的粘性，从“要我学”转变成“我要学”。
《培训》：中兴通讯还尝试了哪些比较新颖的举措，以适应智能化时代的人才培养？
王殿平：未来将呈现VOICE趋势，即虚拟化、智能化的趋势，为适应这种时代的发展，中兴通讯设计了智慧教室进行人才培养。智慧教室类似于当下的网红经济，以“互联网+智慧”为核心，是一种建立在传统教室之上的网络直播室。传统的教室以讲师为中心，而智慧教室以学员为中心。智慧教室直播系统有五机位自动跟踪课堂焦点，不管是讲师、PPT还是板书，学员在远端可以非常清楚地感受到互动的过程，自己也可以实时与教室中的讲师、学员进行语音或文字互动，从而拉近主教室和远程学习端的距离，贴近线下课堂的学习体验。智慧教室的智能录播系统，可在现场授课的同时，自动生成讲师授课的课程视频，包括讲师讲授、板书书写的过程和课件等。智能录播系统会把录播的学习内容上传到电脑、手机等智能科技产品，方便学员利用碎片时间随时随地学习。点击率和点赞率越高，就基本可以证明课件越受欢迎。
当然，智慧教室的发展也有一定局限性，它的运行会受到网络的限制，网络覆盖面还不够广泛。国内互联网，尤其是移动互联网的发展非常快，因此在国内运用智慧教室，会比较顺利地展开人才培训。但覆盖海外国家时，由于网络带宽限制，智慧教室就不能较好地给学员带来便利。随着网络的发展，未来中兴通讯希望通过VR/AR更进一步提高智慧教室的学习体验，甚至把教室搬回学员的家中或办公室。
迎接技术挑战 储备高新人才
《培训》：基于对行业变革趋势的理解和判断，您认为未来企业的人才培训面临哪些技术上的挑战？
王殿平：移动互联网的趋势，对我们的人才培养提出了一些新的挑战。我个人认为，培训要求常态化，未来的培训在技术应用上要体现以下几个特点。
第一，要不断地向轻量和智能化发展。以前培训主要是靠公司的管理者，或靠一些行政命令驱动员工接受培训和学习，未来应该是靠低门槛、便捷和智能化的学习产品、学习平台，为员工培训提供服务。
第二，学习虚拟化，它会极大提高员工的学习效率。原先的学习是依赖优秀讲师开发出的精品课程，随着数字化、虚拟化时代到来，虚拟化技术会拓展员工培训外延，以及扩充更多学习内容。
【正文】
一、人工智能法律系统的历史
计算机先驱思想家莱布尼兹曾这样不无浪漫地谈到推理与计算的关系：“我们要造成这样一个结果，使所有推理的错误都只成为计算的错误，这样，当争论发生的时候，两个哲学家同两个计算家一样，用不着辩论，只要把笔拿在手里，并且在算盘面前坐下，两个人面对面地说：让我们来计算一下吧！”（注：转引自肖尔兹著：《简明逻辑史》，张家龙译，商务印书馆1977年版，第54页。）
如果连抽象的哲学推理都能转变为计算问题来解决，法律推理的定量化也许还要相对简单一些。尽管理论上的可能性与技术可行性之间依然存在着巨大的鸿沟，但是，人工智能技术的发展速度确实令人惊叹。从诞生至今的短短45年内，人工智能从一般问题的研究向特殊领域不断深入。1956年纽厄尔和西蒙教授的“逻辑理论家”程序，证明了罗素《数学原理》第二章52个定理中的38个定理。塞缪尔的课题组利用对策论和启发式探索技术开发的具有自学习能力的跳棋程序，在1959年击败了其设计者，1962年击败了州跳棋冠军，1997年超级计算机“深蓝”使世界头号国际象棋大师卡斯帕罗夫俯首称臣。
20世纪60年代，人工智能研究的主要课题是博弈、难题求解和智能机器人；70年代开始研究自然语言理解和专家系统。1971年费根鲍姆教授等人研制出“化学家系统”之后，“计算机数学家”、“计算机医生”等系统相继诞生。在其他领域专家系统研究取得突出成就的鼓舞下，一些律师提出了研制“法律诊断”系统和律师系统的可能性。（注：SimonChalton,LegalDiagnostics,ComputersandLaw,No.25,August1980.pp.13-15.BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.p.2.）
1970年Buchanan&Headrick发表了《关于人工智能和法律推理若干问题的考察》，一文，拉开了对法律推理进行人工智能研究的序幕。文章认为，理解、模拟法律论证或法律推理，需要在许多知识领域进行艰难的研究。首先要了解如何描述案件、规则和论证等几种知识类型，即如何描述法律知识，其中处理开放结构的法律概念是主要难题。其次，要了解如何运用各种知识进行推理，包括分别运用规则、判例和假设的推理，以及混合运用规则和判例的推理。再次，要了解审判实践中法律推理运用的实际过程，如审判程序的运行，规则的适用，事实的辩论等等。最后，如何将它们最终运用于编制能执行法律推理和辩论任务的计算机程序，区别和分析不同的案件，预测并规避对手的辩护策略，建立巧妙的假设等等。（注：Buchanan&Headrick,SomeSpeculationAboutArtificialIntelligenceandLegalReasoning,23StanfordLawReview(1970).pp.40-62.）法律推理的人工智能研究在这一时期主要沿着两条途径前进：一是基于规则模拟归纳推理，70年代初由WalterG.Popp和BernhardSchlink开发了JUDITH律师推理系统。二是模拟法律分析，寻求在模型与以前贮存的基础数据之间建立实际联系，并仅依这种关联的相似性而得出结论。JeffreyMeld-man1977年开发了计算机辅助法律分析系统，它以律师推理为模拟对象，试图识别与案件事实模型相似的其他案件。考虑到律师分析案件既用归纳推理又用演绎推理，程序对两者都给予了必要的关注，并且包括了各种水平的分析推理方法。
专家系统在法律中的第一次实际应用，是D.沃特曼和M.皮特森1981年开发的法律判决辅助系统(LDS)。研究者探索将其当作法律适用的实践工具，对美国民法制度的某个方面进行检测，运用严格责任、相对疏忽和损害赔偿等模型，计算出责任案件的赔偿价值，并论证了如何模拟法律专家意见的方法论问题。（注：''''ModelsofLegalDecisionmakingReport'''',R-2717-ICJ(1981).）
我国法律专家系统的研制于20世纪80年代中期起步。（注：钱学森教授：《论法治系统工程的任务与方法》（《科技管理研究》1981年第4期）、《社会主义和法治学与现代科学技术》（《法制建设》1984年第3期）、《现代科学技术与法和法制建设》（《政法论坛》）1985年第3期）等文章，为我国法律专家系统的研发起了思想解放和理论奠基作用。）1986年由朱华荣、肖开权主持的《量刑综合平衡与电脑辅助量刑专家系统研究》被确定为国家社科“七五”研究课题，它在建立盗窃罪量刑数学模型方面取得了成果。在法律数据库开发方面，1993年中山大学学生胡钊、周宗毅、汪宏杰等人合作研制了《LOA律师办公自动化系统》。（注：杨建广、骆梅芬编著：《法治系统工程》，中山大学出版社1996年版，第344-349页。）1993年武汉大学法学院赵廷光教授主持开发了《实用刑法专家系统》。（注：赵廷光等著：《实用刑法专家系统用户手册》，北京新概念软件研究所1993年版。）它由咨询检索系统、辅助定性系统和辅助量刑系统组成，具有检索刑法知识和对刑事个案进行推理判断的功能。
专家系统与以往的“通用难题求解”相比具有以下特点：(1)它要解决复杂的实际问题，而不是规则简单的游戏或数学定理证明问题；(2)它面向更加专门的应用领域，而不是单纯的原理性探索；(3)它主要根据具体的问题域，选择合理的方法来表达和运用特殊的知识，而不强调与问题的特殊性无关的普适性推理和搜索策略。
法律专家系统在法规和判例的辅助检索方面确实发挥了重要作用，解放了律师一部分脑力劳动。但绝大多数专家系统目前只能做法律数据的检索工作，缺乏应有的推理功能。20世纪90年代以后，人工智能法律系统进入了以知识工程为主要技术手段的开发时期。知识工程是指以知识为处理对象，以能在计算机上表达和运用知识的技术为主要手段，研究知识型系统的设计、构造和维护的一门更加高级的人工智能技术。（注：《中国大百科全书·自动控制与系统工程》，中国大百科全书出版社1991年版，第579页。）知识工程概念的提出，改变了以往人们认为几个推理定律再加上强大的计算机就会产生专家功能的信念。以知识工程为技术手段的法律系统研制，如果能在法律知识的获得、表达和应用等方面获得突破，将会使人工智能法律系统的研制产生一个质的飞跃。
人工智能法律系统的发展源于两种动力。其一是法律实践自身的要求。随着社会生活和法律关系的复杂化，法律实践需要新的思维工具，否则，法律家（律师、检察官和法官）将无法承受法律文献日积月累和法律案件不断增多的重负。其二是人工智能发展的需要。人工智能以模拟人的全部思维活动为目标，但又必须以具体思维活动一城一池的攻克为过程。它需要通过对不同思维领域的征服，来证明知识的每个领域都可以精确描述并制造出类似人类智能的机器。此外，人工智能选择法律领域寻求突破，还有下述原因：(1)尽管法律推理十分复杂，但它有相对稳定的对象（案件）、相对明确的前提（法律规则、法律事实）及严格的程序规则，且须得出确定的判决结论。这为人工智能模拟提供了极为有利的条件。(2)法律推理特别是抗辩制审判中的司法推理，以明确的规则、理性的标准、充分的辩论，为观察思维活动的轨迹提供了可以记录和回放的样本。(3)法律知识长期的积累、完备的档案，为模拟法律知识的获得、表达和应用提供了丰富、准确的资料。(4)法律活动所特有的自我意识、自我批评精神，对法律程序和假设进行检验的传统，为模拟法律推理提供了良好的反思条件。
二、人工智能法律系统的价值
人工智能法律系统的研制对法学理论和法律实践的价值和意义，可以概括为以下几点：
一是方法论启示。P.Wahlgren说：“人工智能方法的研究可以支持和深化在创造性方法上的法理学反思。这个信仰反映了法理学可以被视为旨在于开发法律分析和法律推理之方法的活动。从法理学的观点看，这种研究的最终目标是揭示方法论的潜在作用，从而有助于开展从法理学观点所提出的解决方法的讨论，而不仅仅是探讨与计算机科学和人工智能有关的非常细致的技术方面。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在模拟法律推理的过程中，法学家通过与工人智能专家的密切合作，可以从其对法律推理的独特理解中获得有关方法论方面的启示。例如，由于很少有两个案件完全相似，在判例法实践中，总有某些不相似的方面需要法律家运用假设来分析已有判例与现实案件的相关性程度。但法学家们在假设的性质问题上常常莫衷一是。然而HYPO的设计者，在无真实判例或真实判例不能充分解释现实案件的情况下，以假设的反例来反驳对方的观点，用补充、删减和改变事实的机械论方法来生成假设。这种用人工智能方法来处理假设的办法，就使复杂问题变得十分简单：假设实际上是一个新的论证产生于一个经过修正的老的论证的过程。总之，人工智能方法可以帮助法学家跳出法理学方法的思维定势，用其他学科的方法来重新审视法学问题，从而为法律问题的解决提供了新的途径。
二是提供了思想实验手段。西蒙认为，尽管我们还不知道思维在头脑中是怎样由生理作用完成的，“但我们知道这些处理在数字电子计算机中是由电子作用完成的。给计算机编程序使之思维，已经证明有可能为思维提供机械论解释”。（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）童天湘先生认为：“通过编制有关思维活动的程序，就会加深对思维活动具体细节的了解，并将这种程序送进计算机运行，检验其正确性。这是一种思想实验，有助于我们研究人脑思维的机理。”（注：转引自童天湘：《人工智能与第N代计算机》，载《哲学研究》1985年第5期。）人工智能法律系统研究的直接目标是使计算机能够获取、表达和应用法律知识，软件工程师为模拟法律推理而编制程序，必须先对人的推理过程作出基于人工智能理论和方法的独特解释。人工智能以功能模拟开路，在未搞清法律家的推理结构之前，首先从功能上对法律证成、法律检索、法律解释、法律适用等法律推理的要素和活动进行数理分析，将法理学、诉讼法学关于法律推理的研究成果模型化，以实现法律推理知识的机器表达或再现，从而为认识法律推理的过程和规律提供了一种实验手段。法学家则可以将人工智能法律系统的推理过程、方法和结论与人类法律推理活动相对照，为法律推理的法理学研究所借鉴。因此，用人工智能方法模拟法律推理，深化了人们对法律推理性质、要素和过程的认识，使法学家得以借助人工智能科学的敏锐透镜去考察法律推理的微观机制。正是在这个意义上，BryanNiblett教授说：“一个成功的专家系统很可能比其他的途径对法理学作出更多的（理论）贡献。”（注：BryanNiblett,ExpertSystemsforLawyers,ComputersandLaw,No.29,August1981.note14,p.3.）
三是辅助司法审判。按照格雷的观点，法律专家系统首先在英美判例法国家出现的直接原因在于，浩如烟海的判例案卷如果没有计算机编纂、分类、查询，这种法律制度简直就无法运转了。（注：PamelaN.GrayBrookfield,ArtificialLegalIntelligence,VT:DartmouthPublishingCo.,1997.p.402.）其实不仅是判例法，制定法制度下的律师和法官往往也要为检索有关的法律、法规和司法解释耗费大量的精力和时间，而且由于人脑的知识和记忆能力有限，还存在着检索不全面、记忆不准确的问题。人工智能法律系统强大的记忆和检索功能，可以弥补人类智能的某些局限性，帮助律师和法官从事相对简单的法律检索工作，从而极大地解放律师和法官的脑力劳动，使其能够集中精力从事更加复杂的法律推理活动。
四是促进司法公正。司法推理虽有统一的法律标准，但法官是具有主观能动性的差异个体，所以在执行统一标准时会产生一些差异的结果。司法解释所具有的建构性、辩证性和创造性的特点，进一步加剧了这种差异。如果换了钢铁之躯的机器，这种由主观原因所造成的差异性就有可能加以避免。这当然不是说让计算机完全取代法官，而是说，由于人工智能法律系统为司法审判提供了相对统一的推理标准和评价标准，从而可以辅助法官取得具有一贯性的判决。无论如何，我们必须承认，钢铁之躯的机器没有物质欲望和感情生活，可以比人更少地受到外界因素的干扰。正像计算机录取增强了高考招生的公正性、电子监视器提高了纠正行车违章的公正性一样，智能法律系统在庭审中的运用有可能减少某些现象。
五是辅助法律教育和培训。人工智能法律系统凝聚了法律家的专门知识和法官群体的审判经验，如果通过软件系统或计算机网络实现专家经验和知识的共享，便可在法律教育和培训中发挥多方面的作用。例如，(1)在法学院教学中发挥模拟法庭的作用，可以帮助法律专业学生巩固自己所学知识，并将法律知识应用于模拟的审判实践，从而较快地提高解决法律实践问题的能力。(2)帮助新律师和新法官全面掌握法律知识，迅速获得判案经验，在审判过程的跟踪检测和判决结论的动态校正中增长知识和才干，较快地接近或达到专家水平。(3)可使不同地区、不同层次的律师和法官及时获得有关法律问题的咨询建议，弥补因知识结构差异和判案经验多寡而可能出现的失误。(4)可以为大众提供及时的法律咨询，提高广大人民群众的法律素质，增强法律意识。
六是辅助立法活动。人工智能法律系统不仅对辅助司法审判有重要的意义，而且对完善立法也具有实用价值。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）例如，伦敦大学Imperial学院的逻辑程序组将1981年英国国籍法的内容形式化，帮助立法者发现了该法在预见性上存在的一些缺陷和法律漏洞。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）立法辅助系统如能应用于法律起草和法律草案的审议过程，有可能事先发现一些立法漏洞，避免一个法律内部各种规则之间以及新法律与现有法律制度之间的相互冲突。
三、法理学在人工智能法律系统研究中的作用
1.人工智能法律系统的法理学思想来源
关于人工智能法律系统之法理学思想来源的追踪，不是对法理学与人工智能的联系作面面俱到的考察，而旨在揭示法理学对人工智能法律系统的发展所产生的一些直接影响。
第一，法律形式主义为人工智能法律系统的产生奠定了理论基础。18-19世纪的法律形式主义强调法律推理的形式方面，认为将法律化成简单的几何公式是完全可能的。这种以J·奥斯汀为代表的英国分析法学的传统，主张“法律推理应该依据客观事实、明确的规则以及逻辑去解决一切为法律所要求的具体行为。假如法律能如此运作，那么无论谁作裁决，法律推理都会导向同样的裁决。”（注：（美）史蒂文·J·伯顿著：《法律和法律推理导论》，张志铭、解兴权译，中国政法大学出版社1998年9月版，第3页。）换言之，机器只要遵守法律推理的逻辑，也可以得出和法官一样的判决结果。在分析法学家看来，“所谓‘法治’就是要求结论必须是大前提与小前提逻辑必然结果。”（注：朱景文主编：《对西方法律传统的挑战》，中国检察出版社1996年2月版，第292页。）如果法官违反三段论推理的逻辑，就会破坏法治。这种机械论的法律推理观，反映了分析法学要求法官不以个人价值观干扰法律推理活动的主张。但是，它同时具有忽视法官主观能动性和法律推理灵活性的僵化的缺陷。所以，自由法学家比埃利希将法律形式主义的逻辑推理说称为“自动售货机”理论。然而，从人工智能就是为思维提供机械论解释的意义上说，法律形式主义对法律推理所作的机械论解释，恰恰为人工智能法律系统的开发提供了可能的前提。从人工智能法律系统研制的实际过程来看，在其起步阶段，人工智能专家正是根据法律形式主义所提供的理论前提，首先选择三段论演绎推理进行模拟，由WalterG.Popp和BernhardSchlink在20世纪70年代初开发了JUDITH律师推理系统。在这个系统中，作为推理大小前提的法律和事实之间的逻辑关系，被计算机以“如果A和B，那么C”的方式加以描述，使机器法律推理第一次从理论变为现实。
第二，法律现实主义推动智能模拟深入到主体的思维结构领域。法律形式主义忽视了推理主体的社会性。法官是生活在现实社会中的人，其所从事的法律活动不可能不受到其社会体验和思维结构的影响。法官在实际的审判实践中，并不是机械地遵循规则，特别是在遇到复杂案件时，往往需要作出某种价值选择。而一旦面对价值问题，法律形式主义的逻辑决定论便立刻陷入困境，显出其僵化性的致命弱点。法律现实主义对其僵化性进行了深刻的批判。霍姆斯法官明确提出“法律的生命并不在于逻辑而在于经验”（注：（美）博登海默著：《法理学——法哲学及其方法》，邓正来、姬敬武译，华夏出版社1987年12月版，第478页。）的格言。这里所谓逻辑，就是指法律形式主义的三段论演绎逻辑；所谓经验，则包括一定的道德和政治理论、公共政策及直觉知识，甚至法官的偏见。法律现实主义对法官主观能动性和法律推理灵活性的强调，促使人工智能研究从模拟法律推理的外在逻辑形式进一步转向探求法官的内在思维结构。人们开始考虑，如果思维结构对法官的推理活动具有定向作用，那么，人工智能法律系统若要达到法官水平，就应该通过建立思维结构模型来设计机器的运行结构。TAXMAN的设计就借鉴了这一思想，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序、协调程序、说明程序分别对网络结构中的输入和输出信息进行动态结构调整，从而适应了知识整合的需要。大规模知识系统的KBS(KnowledgeBasedSystem)开发也注意了思维结构的整合作用，许多具有内在联系的小规模KBS子系统，在分别模拟法律推理要素功能（证成、法律查询、法律解释、法律适用、法律评价、理由阐述）的基础上，又通过联想程序被有机联系起来，构成了具有法律推理整体功能的概念模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）
第三，“开放结构”的法律概念打开了疑难案件法律推理模拟的思路。法律形式主义忽视了疑难案件的存在。疑难案件的特征表现为法律规则和案件之间不存在单一的逻辑对应关系。有时候从一个法律规则可以推出几种不同的结论，它们往往没有明显的对错之分；有时一个案件面对着几个相似的法律规则。在这些情况下，形式主义推理说都一筹莫展。但是，法律现实主义在批判法律形式主义时又走向另一个极端，它否认具有普遍性的一般法律规则的存在，试图用“行动中的法律”完全代替分析法学“本本中的法律”。这种矫枉过正的做法虽然是使法律推理摆脱机械论束缚所走出的必要一步，然而，法律如果真像现实主义法学所说的那样仅仅存在于具体判决之中，法律推理如果可以不遵循任何标准或因人而异，那么，受到挑战的就不仅是法律形式主义，而且还会殃及法治要求实现规则统治之根本原则，并动摇人工智能法律系统存在的基础。哈特在法律形式主义和法律现实主义的争论中采取了一种折中立场，他既承认逻辑的局限性又强调其重要性；既拒斥法官完全按自己的预感来随意判案的见解，又承认直觉的存在。这种折中立场在哈特“开放结构”的法律概念中得到了充分体现。法律概念既有“意义核心”又有“开放结构”，逻辑推理可以帮助法官发现问题的阳面，而根据社会政策、价值和后果对规则进行解释则有助于发现问题的阴面。开放结构的法律概念，使基于规则的法律推理模拟在受到概念封闭性的限制而对疑难案件无能为力时，找到了新的立足点。在此基础上，运用开放结构概念的疑难案件法律推理模型，通过逻辑程序工具和联想技术而建立起来。Gardner博士就疑难案件提出两种解决策略：一是将简易问题从疑难问题中筛选出来，运用基于规则的技术来解决；二是将疑难问题同“开放结构”的法律概念联系在一起，先用非范例知识如规则、控辩双方的陈述、常识来获得初步答案，再运用范例来澄清案件、检查答案的正确性。
第四，目的法学促进了价值推理的人工智能研究。目的法学是指一种所谓直接实现目的之“后法治”理想。美国法学家诺内特和塞尔兹尼克把法律分为三种类型。他们认为，以法治为标志的自治型法，过分强调手段或程序的正当性，有把手段当作目的的倾向。这说明法治社会并没有反映人类关于美好社会的最高理想，因为实质正义不是经过人们直接追求而实现的，而是通过追求形式正义而间接获得的。因此他们提出以回应型法取代自治型法的主张。在回应型法中，“目的为评判既定的做法设立了标准，从而也就开辟了变化的途径。同时，如果认真地对待目的，它们就能控制行政自由裁量权，从而减轻制度屈从的危险。反之，缺少目的既是僵硬的根源，又是机会主义的根源。”（注：（美）诺内特、塞尔兹尼克著：《转变中的法律与社会》，张志铭译，中国政法大学出版社1994年版，第60页。）美国批判法学家昂格尔对形式主义法律推理和目的型法律推理的特点进行了比较，他认为，前者要求使用内容明确、固定的规则，无视社会现实生活中不同价值观念的冲突，不能适应复杂情况和变化，追求形式正义；后者则要求放松对法律推理标准的严格限制，允许使用无固定内容的抽象标准，迫使人们在不同的价值观念之间做出选择，追求实质正义。与此相应，佩雷尔曼提出了新修辞学(NewRhetoric)的法律理论。他认为，形式逻辑只是根据演绎法或归纳法对问题加以说明或论证的技术，属于手段的逻辑；新修辞学要填补形式逻辑的不足，是关于目的的辩证逻辑，可以帮助法官论证其决定和选择，因而是进行价值判断的逻辑。他认为，在司法三段论思想支配下，法学的任务是将全部法律系统化并作为阐释法律的大前提，“明确性、一致性和完备性”就成为对法律的三个要求。而新修辞学的基本思想是价值判断的多元论，法官必须在某种价值判断的指示下履行义务，必须考虑哪些价值是“合理的、可接受的、社会上有效的公平的”。这些价值构成了判决的正当理由。（注：沈宗灵著：《现代西方法理学》，北京大学出版社1992年版，第443-446页。）制造人工智能法律系统最终需要解决价值推理的模拟问题，否则，就难以实现为判决提供正当理由的要求。为此，P.Wahlgren提出的与人工智能相关的5种知识表达途径中，明确地包括了以道义为基础的法律推理模型。（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）引入道义逻辑，或者说在机器中采用基于某种道义逻辑的推理程序，强调目的价值，也许是制造智能法律系统的关键。不过，即使把道义逻辑硬塞给计算机，钢铁之躯的机器没有生理需要，也很难产生价值观念和主观体验，没办法解决主观选择的问题。在这个问题上，波斯纳曾以法律家有七情六欲为由对法律家对法律的机械忠诚表示了强烈怀疑，并辩证地将其视为法律发展的动力之一。只有人才能够平衡相互冲突的利益，能够发现对人类生存和发展至关重要的价值。因此，关于价值推理的人工智能模拟究竟能取得什么成果，恐怕还是个未知数。
2.法理学对人工智能法律系统研制的理论指导作用
GoldandSusskind指出：“不争的事实是，所有的专家系统必须适应一些法理学理论，因为一切法律专家系统都需要提出关于法律和法律推理性质的假设。从更严格的意义上说，一切专家系统都必须体现一种结构理论和法律的个性，一种法律规范理论，一种描述法律科学的理论，一种法律推理理论”。（注：GoldandSusskind,ExpertSystemsinLaw:AJurisprudentialandFormalSpecificationApproach,pp.307-309.）人工智能法律系统的研究，不仅需要以法理学关于法律的一般理论为知识基础，还需要从法理学获得关于法律推理的完整理论，如法律推理实践和理论的发展历史，法律推理的标准、主体、过程、方法等等。人工智能对法律推理的模拟，主要是对法理学关于法律推理的知识进行人工智能方法的描述，建立数学模型并编制计算机应用程序，从而在智能机器上再现人类法律推理功能的过程。在这个过程中，人工智能专家的主要任务是研究如何吸收法理学关于法律推理的研究成果，包括法理学关于人工智能法律系统的研究成果。
随着人工智能法律系统研究从低级向高级目标的推进，人们越来越意识到，对法律推理的微观机制认识不足已成为人工智能模拟的严重障碍。P.Wahlgren指出，“许多人工智能技术在法律领域的开发项目之所以失败，就是因为许多潜在的法理学原则没有在系统开发的开始阶段被遵守或给予有效的注意。”“法理学对法律推理和方法论问题的关注已经有几百年，而人工智能的诞生只是本世纪50年代中期的事情，这个事实是人工智能通过考察法理学知识来丰富自己的一个有效动机。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）因此，研究法律推理自动化的目标，“一方面是用人工智能（通过把计算机的应用与分析模型相结合）来支撑法律推理的可能性；另一方面是应用法理学理论来解决作为法律推理支撑系统的以及一般的人工智能问题。”（注：P.Wahlgren,AutomationofLegalReasoning:AStudyonArtificialIntelligenceandLaw,ComputerLawSeries11.KluwerLawandTaxationPublishers.DeventerBoston1992.Chapter7.）在前一方面，是人工智能法律系统充当法律推理研究的思想实验手段以及辅助司法审判的问题。后一方面，则是法律推理的法律学研究成果直接为人工智能法律系统的研制所应用的问题。例如，20世纪70年代法理学在真实和假设案例的推理和分析方面所取得的成果，已为几种人工智能法律装置借鉴而成为其设计工作的理论基础。在运用模糊或开放结构概念的法律推理研究方面，以及在法庭辩论和法律解释的形式化等问题上，法理学的研究成果也已为人工智能法律系统的研究所借鉴。
四、人工智能法律系统研究的难点
人工智能法律系统的研究尽管在很短的时间内取得了许多令人振奋的成果，但它的发展也面临着许多困难。这些困难构成了研究工作需要进一步努力奋斗的目标。
第一，关于法律解释的模拟。在法理学的诸多研究成果中，法律解释的研究对人工智能法律系统的研制起着关键作用。法律知识表达的核心问题是法律解释。法律规范在一个法律论点上的效力，是由法律家按忠实原意和适合当时案件的原则通过法律解释予以确认的，其中包含着人类特有的价值和目的考虑，反映了法律家的知识表达具有主观能动性。所以，德沃金将解释过程看作是一种结合了法律知识、时代信息和思维方法而形成的，能够应变的思维策略。（注：Dworkin,TakingRightsSeriously,HarvardUniversityPressCambridge,Massachusetts1977.p.75.）目前的法律专家系统并未以知识表达为目的来解释法律，而是将法律整齐地“码放”在计算机记忆系统中仅供一般检索之用。然而，在法律知识工程系统中，法律知识必须被解释，以满足自动推理对法律知识进行重新建构的需要。麦卡锡说：“在开发智能信息系统的过程中，最关键的任务既不是文件的重建也不是专家意见的重建，而是建立有关法律领域的概念模型。”（注：McCarty,Intelligentlegalinformationsystems:problemsandprospects,op.cit.supra,note25,p.126.）建立法律概念模型必须以法律家对某一法律概念的共识为基础，但不同的法律家对同一法律概念往往有不同的解释策略。凯尔森甚至说：即使在国内法领域也难以形成一个“能够用来叙述一定法律共同体的实在法的基本概念”。（注：（奥）凯尔森著：《法与国家的一般理论》，沈宗灵译，中国大百科全书出版社1996年版，第1页。）尽管如此，法理学还是为法律概念模型的重建提供了一些方法。例如，德沃金认为，法官在“解释”阶段，要通过推理论证，为自己在“前解释”阶段所确定的大多数法官对模糊法律规范的“一致看法”提供“一些总的理由”。获取这些总的理由的过程分为两个步骤：首先，从现存的明确法律制度中抽象出一般的法律原则，用自我建立的一般法律理论来证明这种法律原则是其中的一部分，证明现存的明确法律制度是正当的。其次，再以法律原则为依据反向推出具体的法律结论，即用一般法律理论来证明某一法律原则存在的合理性，再用该法律原则来解释某一法律概念。TAXMAN等系统装置已吸收了这种方法，法律知识被计算机结构语言以语义网络的方式组成不同的规则系统，解释程序使计算机根据案件事实来执行某条法律规则，并在新案件事实输入时对法律规则作出新的解释后才加以调用。不过，法律知识表达的进展还依赖于法律解释研究取得更多的突破。
第二，关于启发式程序。目前的法律专家系统如果不能与启发式程序接口，不能运用判断性知识进行推理，只通过规则反馈来提供简单解释，就谈不上真正的智能性。启发式程序要解决智能机器如何模拟法律家推理的直觉性、经验性以及推理结果的不确定性等问题，即人可以有效地处理错误的或不完全的数据，在必要时作出猜测和假设，从而使问题的解决具有灵活性。在这方面，Gardner的混合推理模型，EdwinaL.Rissland运用联想程序对规则和判例推理的结果作集合处理的思路，以及Massachusetts大学研制的CABARET（基于判例的推理工具），在将启发式程序应用于系统开发方面都进行了有益的尝试。但是，法律问题往往没有唯一正确的答案，这是人工智能模拟法律推理的一个难题。选择哪一个答案，往往取决于法律推理的目的标准和推理主体的立场和价值观念。但智能机器没有自己的目的、利益和立场。这似乎从某种程度上划定了机器法律推理所能解决问题的范围。
第三，关于法律自然语言理解。在设计基于规则的程序时，设计者必须假定整套规则没有意义不明和冲突，程序必须消灭这些问题而使规则呈现出更多的一致性。就是说，尽管人们对法律概念的含义可以争论不休，但输入机器的法律语言却不能互相矛盾。机器语言具有很大的局限性，例如，LDS基于规则来模拟严格责任并计算实际损害时，表现出的最大弱点就是不能使用不精确的自然语言进行推理。然而，在实际的法律推理过程中，法律家对某个问题的任何一种回答都可根据上下文关系作多种解释，而且辩论双方总是寻求得出不同的结论。因此，智能法律专家系统的成功在很大程度上还依赖于自然语言理解研究工作的突破。牛津大学的一个程序组正在研究法律自然语言的理解问题，但是遇到了重重困难。原因是连法学家们自己目前也还没有建立起一套大家一致同意的专业术语规范。所以EdwinaL.Rissland认为，常识知识、意图和信仰类知识的模拟化，以及自然语言理解的模拟问题，迄今为止可能是人工智能面临的最困难的任务。对于语言模拟来说，像交际短语和短语概括的有限能力可能会在较窄的语境条件下取得成果，完全的功能模拟、一般“解决问题”能力的模拟则距离非常遥远，而像书面上诉意见的理解则是永远的终极幻想。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）
五、人工智能法律系统的开发策略和应用前景
我们能够制造出一台什么样的机器，可以证明它是人工智能法律系统？从检验标准上看，这主要是法律知识在机器中再现的判定问题。根据“图灵试验”原理，我们可将该检验标准概括如下：设两间隔开的屋子，一间坐着一位法律家，另一间“坐着”一台智能机器。一个人（也是法律家）向法律家和机器提出同样的法律问题，如果提问者不能从二者的回答中区分出谁是法律家、谁是机器，就不能怀疑机器具有法律知识表达的能力。
依“图灵试验”制定的智能法律系统检验标准，所看重的是功能。只要机器和法律家解决同样法律问题时所表现出来的功能相同，就不再苛求哪个是钢铁结构、哪个是血肉之躯。人工智能立足的基础，就是相同的功能可以通过不同的结构来实现之功能模拟理论。
从功能模拟的观点来确定人工智能法律系统的研究与开发策略，可作以下考虑：
第一，扩大人工智能法律系统的研发主体。现有人工法律系统的幼稚，暴露了仅仅依靠计算机和知识工程专家从事系统研发工作的局限性。因此，应该确立以法律家、逻辑学家和计算机专家三结合的研发群体。在系统研发初期，可组成由法学家、逻辑与认知专家、计算机和知识工程专家为主体的课题组，制定系统研发的整体战略和分阶段实施的研发规划。在系统研发中期，应通过网络等手段充分吸收初级产品用户（律师、检察官、法官）的意见，使研发工作在理论研究与实际应用之间形成反馈，将开发精英与广大用户的智慧结合起来，互相启发、群策群力，推动系统迅速升级。
第二，确定研究与应用相结合、以应用为主导的研发策略。目前国外人工智能法律系统的研究大多停留在实验室领域，还没有在司法实践中加以应用。但是，任何智能系统包括相对简单的软件系统，如果不经过用户的长期使用和反馈，是永远也不可能走向成熟的。从我国的实际情况看，如果不能将初期研究成果尽快地转化为产品，我们也难以为后续研究工作提供雄厚的资金支持。因此，人工智能法律系统的研究必须走产研结合的道路，坚持以应用开路，使智能法律系统尽快走出实验室，同时以研究为先导，促进不断更新升级。
第三，系统研发目标与初级产品功能定位。人工智能法律系统的研发目标是制造出能够满足多用户（律师、检察官、法官、立法者、法学家）多种需要的机型。初级产品的定位应考虑到，人的推理功能特别是价值推理的功能远远超过机器，但人的记忆功能、检索速度和准确性又远不如机器。同时还应该考虑到，我国目前有12万律师，23万检察官和21万法官，每年1.2万法学院本科毕业生，他们对法律知识的获取、表达和应用能力参差不齐。因此，初级产品的标准可适当降低，先研制推理功能薄弱、检索功能强大的法律专家系统。可与计算机厂商合作生产具有强大数据库功能的硬件，并确保最新法律、法规、司法解释和判例的网上及时更新；同时编制以案件为引导的高速检索软件。系统开发的先期目标应确定为：(1)替律师起草仅供参考的书和辩护词；(2)替法官起草仅供参考的判决书；(3)为法学院学生提供模拟法庭审判的通用系统软件，以辅助学生在、辩护和审判等诉讼的不同阶段巩固所学知识、获得审判经验。上述软件旨在提供一个初级平台，先解决有无和急需，再不断收集用户反馈意见，逐步改进完善。
第四，实验室研发应确定较高的起点或跟踪战略。国外以知识工程为主要技术手段的人工智能法律系统开发已经历了如下发展阶段：(1)主要适用于简单案件的规则推理；(2)运用开放结构概念的推理；(3)运用判例和假设的推理；(4)运用规则和判例的混合推理。我们如确定以简单案件的规则推理为初级市场产品，那么，实验室中第二代产品开发就应瞄准运用开放结构概念的推理。同时，跟踪运用假设的推理及混合推理，吸收国外先进的KBS和HYPO的设计思想，将功能子系统开发与联想式控制系统结合。HYPO判例法推理智能装置具有如下功能：(1)评价相关判例；(2)判定何方使用判例更加贴切；(3)分析并区分判例；(4)建立假设并用假设来推理；(5)为一种主张引用各种类型的反例；(6)建立判例的引证概要。HYPO以商业秘密法的判例推理为模拟对象，假设了完全自动化的法律推理过程中全部要素被建立起来的途径。值得注意的是，HYPO忽略了许多要素的存在，如商业秘密法背后的政策考虑，法律概念应用于实际情况时固有的模糊性，信息是否已被公开，被告是否使用了对方设计的产品，是否签署了让与协议，等等。一个系统设计的要素列表无论多长，好律师也总能再多想出一些。同样，律师对案件的分析，不可能仅限于商业秘密法判例，还可能援引侵权法或专利法的判例，这决定了缘由的多种可能性。Ashley还讨论了判例法推理模拟的其他困难：判例并不是概念的肯定的或否定的样本，因此，要通过要素等简单的法律术语使模糊的法律规则得到澄清十分困难，法律原则和类推推理之间的关系还不能以令人满意的方式加以描述。（注：EdwinaL.Rissland,ArtificialIntelligenceandLaw:SteppingStonestoaModelofLegalReasoning,TheYaleLawJournal.(Vol.99:1957-1981).）这说明，即使具有较高起点的实验室基础研究，也不宜确定过高的目标。因为，智能法律系统的研究不能脱离人工智能的整体发展水平。
第五，人－机系统解决方案。人和机器在解决法律问题时各有所长。人的优点是能作价值推理，使法律问题的解决适应社会的变化发展，从而具有灵活性。机器的长处是记忆和检索功能强，可以使法律问题的解决具有一贯性。人－机系统解决方案立足于人与机器的功能互补，目的是解放人的脑力劳动，服务于国家的法治建设。该方案的实施可以分为两个阶段：第一阶段以人为主，机器为人收集信息并作初步分析，提供决策参考。律师受理案件后，可以先用机器处理大批数据，并参考机器的和辩护方案，再做更加高级的推理论证工作。法官接触一个新案件，或新法官刚接触审判工作，也可以先看看“机器法官”的判决建议或者审判思路，作为参考。法院的监督部门可参照机器法官的判决，对法官的审判活动进行某种监督，如二者的判决结果差别太大，可以审查一下法官的判决理由。这也许可以在一定程度上制约司法腐败。在人－机系统开发的第二阶段，会有越来越多的简单案件的判决与电脑推理结果完全相同，因此，某些简单案件可以机器为主进行审判，例如，美国小额法庭的一些案件，我国法庭可用简易程序来审理的一些案件。法官可以作为“产品检验员”监督和修订机器的判决结果。这样，法官的判案效率将大大提高，法官队伍也可借此“消肿”，有可能大幅度提高法官薪水，吸引高素质法律人才进入法官队伍。
