擁抱演算法

Ⅰ 擁抱人工智慧第三次浪潮:Alphago是如何戰勝人類棋手的

AlphaGo 是由 Google DeepMind 開發的一款能夠下圍棋的人工智慧計算機程序。它在 2016 年以 4 : 1 的成績戰勝了世界頂級棋手李世石，引領了人工智慧的第三次浪潮。

AlphaGo 可以戰勝人類棋手主要歸功於以下兩點：

• 深度神經讓蔽網路學習： AlphaGo 首先通過大量的圍棋數據和如慶人類棋譜進行學習，形成自己的圍棋知識庫。它使用了深度神經網路的演算法，自動學習感知棋局的特徵，並且通過強化學習演算法，自我完善，不斷優化自身的決策策略。

• 蒙特卡羅樹搜索演算法： AlphaGo 在進行下棋決策時，採用了蒙特卡羅樹搜索演算法。簡單來說，就是對目前的棋局進行大量的模擬和嘗試，並且根據已經學習到的知識和策略進行決策選擇。這個過程重復進行，直到得到最優解。這種方法可以避免遇到局限性很高的固定模式，同時也充分渣滑握考慮了要與對手的下棋思維彼此博弈的策略。

當然，AlphaGo的勝利其實也代表了人工智慧技術的一種里程碑式的突破，為人工智慧的發展開辟了新的境界。

Ⅱ 6位同學,每兩位擁抱一次,共能擁抱多少次

6個同學每兩位擁抱一次，這是一道組合排列的問題，意味著每個人能擁薯汪抱別人五次，五六三十，所以一共能乎散擁抱三十次。以上是我針對這道題的解答，希望能夠幫助歲手氏到你，謝謝！

Ⅲ 【擁抱AI】人工智慧的層次——如何結構化地理解AI

一、四個層次

在理解人工智慧的學術研究、產業發展及產品形態時，一般而言可以分為四個層次，自下而上分別是 基礎層、演算法層、技術層和應用層 。

其中， 基礎層 為AI發展提供基礎設施和資源支持，包括計算能力和大數據。 其中計算能力主要以硬體為核心，包括GPU / FPGA等用於性能加速的硬體、神經網路晶元、感測器與中間件；數據是驅動AI取得更好的識別率和精準度的重要因素，訓練數據的規模和豐富度對演算法訓練也尤為重要。

演算法層 是指用系統的方法描述解決問題的策略機制，人工智慧演算法主要指目前相對成熟的深度學習、機器學習演算法等等。優秀的演算法是機 器實現人工智慧的最關鍵一環，對AI發展起到賣陪最主要的推動作用。

技術層 對人工智慧產品的智能化程度起到直接作用，包括自然語言處理、語音處理、計算機視覺等通用技術。技術層主要依託於基礎層的 計算平台和數據資源進行海量識別訓練和機器學習建模，通過不同類型的演算法建立模型，開發面向不同領域的應用技術。每個技術方向下 又有多個具體子技術。

應用層 主要利用技術層輸出的通用技術實現不同場景的落地應用，為用戶提供智能化的服務和產品，使AI與產業深度融合，為傳統行業的 發展帶來新的動力。按照對象的不同，AI應用一般又可分為消費級終端應用和行業場景應用兩部分。

二、三大要素

此外，基礎層和演算法層的姿基 大數據、算力和演算法 通常又被視為人工智慧發展的三要素。人工智慧的技術發展和應用落地與這三要素息息相關，而三要素相關技術近些年來的快速迭代和積淀，也是此輪人工智慧浪潮興起的重要原因。

21世紀以來，得益於互聯網尤其是移動互聯網、社交媒體、移動設備和感測器的普及，全 球產生及存儲的數據量劇烈增加。另隨著GPU和異構/低功耗晶元的興中冊蠢起，運算力得以大幅提升，數據處理速度也顯著提高。數據和算力的發展在很大程度上促成了深度學習的誕生，從而迅速點燃了人工智慧這一波爆發的浪潮。

人工智慧已取得了突飛猛進的發展，在諸多領域甚至超越了人類智能，但瓶頸仍是明顯的。 目前人工智慧的落地應用主要在於限定范圍的垂直領域，屬於弱人工智慧的范疇。 展望未來，人們對人工智慧的定位絕不僅僅只是用來解決狹窄的、特定領域的某個簡單具體的任務，而是 真正像人類一樣，能同時解決不同領域、不同類型的問題，進行判斷和決策，也就是我們之前介紹過的通用型人工智慧。

從弱人工智慧到強人工智慧甚至超人工智慧將會是一段漫長的征程，人工智慧的各個層次中都存在著許多亟待攻克的問題。其中，演算法無疑是最為關鍵的一環。下一期我們來聊一聊 AI發展核心：機器學習VS深度學習 ，敬請期待

平安人壽人工智慧研發團隊

Ⅳ 回答的問題信息技術和智能產品如何與這些戰略相聯系

「1. 智能製造推進的難點與問題」
我國製造業面臨著異常嚴峻的挑戰：人口紅利消失、「未富先老」、企業招工難，人工成本迅速上升；高房價、高地價迫使國內製造業向內地轉移，低成本製造業向東南亞國家轉移；高賦稅以及社保費用的壓力也給企業帶來高昂的運營成本；原材料價格上漲對下遊行業帶來巨大的成本壓力；環保風暴也給很多企業敲響了警鍾；中興事件則暴露出我國製造業核心技術缺失的尷尬現狀；而國際貿易爭端更是對出口型企業雪上加霜。
在這種背景下，製造企業如何實現轉型升級？推進智能製造成為重要的途徑。然而，目前我國製造企業推進智能製造面臨著諸多難點與問題：
第一，概念滿天飛，技術一大堆。近幾年來，從工業4.0的熱潮開始，智能製造、信息物理系統（CPS）、工業互聯網（平台）、企業上雲、工業APP、人工智慧、工業大數據、數字工廠、數字經濟、數字化轉型、C2B（C2M）等概念接踵而至，對於大多數製造企業而言，可以說是眼花繚亂、無所適從。智能製造涉及的技術非常多，例如雲計算、邊緣計算、RFID、工業機器人、機器視覺、立體倉庫、AGV、虛擬現實/增強現實、三維列印/增材製造、工業安全、時間敏感網路、深度學習、數字孿生、MBD、預測性維護......，讓企業目芹鏈賣不暇接。這些技術看起來都很美，但如何應用，如何取得實效？很多企業還不得而知。
第二，摸著石頭過河。企業推進智能製造領域的相關技術十分缺乏經驗，欠缺可以借鑒的成功案例。目前，製造企業已經存在3種類型的孤島：信息孤島、自動化孤島，以及信息系統與自動化系統之間的孤島。同時，企業也缺乏統一的部門來系統規劃和推進智能製造。在實際推進智能製造的過程中，企業仍然是「頭痛醫頭」，缺乏章法。
第三，理想很豐滿，現實很骨感。推進智能製造，前景很美好。但是絕大多數製造企業利潤率很低，缺乏自主資金投入。在「專項」「示範」以及「機器換人」等政策刺激下，一些國有企業和大型民營企業爭取到各級政府給予的資金扶持，而中小企業只能「隔岸觀火」，自力更生。
第四，自動化、數字化還是智能化？在推進智能製造過程中，不少企業對於建立無人工廠、黑燈工廠躍躍欲試，認為這就是智能工廠。而實際上，高度自動化是工業3.0的理念。對於大批量生產的產品，國外的優秀企業早就實現了無人工廠。例如，日本發那科僅需40s就能全自動裝配完成一個伺服電機，但其前提是產品的標准化、系列化，以及面向自動化裝配的設計，例如將需要用線纜進行插裝的結構改為插座式的結構。e-works兩次組團參觀三菱電機的名古屋製作所可兒工廠，該工廠對於大批量生產的產品，大量應用機械手，實現高度自動化；對於中小批量的產品，推進低成本自動化，即部分工位的自動嫌逗化；而對於單件定製的產品，採取手工裝配。e-works考察團還參觀施耐德電氣的法國諾曼底工廠，該工廠是生產繼電器的自動化工廠，該工廠實現了繞線、裝配、包裝等全流程的自動化，而且可以在一條產線生產多種變型產品，但實際上還不是智能工廠。還有西門子一直將被廣泛譽為工業4.0典範的安貝格電子工廠也是被稱為數字化工廠，其特點是人機協作的柔性自動化生產、智能物流、工業軟體廣泛應用、海量的數據採集以及大數據分析。
一個真正的智能工廠，應該是精益、柔性、綠色、節能和數據驅動，能夠適應多品種小批量生產模式的工廠。智能工廠不是無人工廠，卻是少人化和人機協作的工廠，推進智能工廠絕不是簡單地實現機器換人。南京的愛立信工廠有一條裝配線，一開始設置的自動化率是90%，後來發現調整為70%，增加若幹人工工位，整體質量和效率反而是最優的。此外，對於裝備製造行業，機加工等工序並不適合建立自動化生產線，而建立柔性製造系統（FMS）則是更現實的選擇。馬扎克（MAZAK）、發那科（FANUC）的機加工車間應用FMS已達到720小時無人值守，自動生產不同的機械零件。

圖1 MAZAK的FMS（柔性製造系統）
第五，理性看待投資回報。製造企業的企業家，尤喚高其是中小型民營企業的老闆，非常關心投資回報。很多企業的要求就是必須能夠在3～4年能夠收回投資的信息化、自動化系統才投入，甚至有的期望值更高。然而，有些賬容易算，比如某條產線減少了多少工人。有些賬卻不那麼容易算，例如工業軟體作為一個使能要素，企業離不開工業軟體，卻難以計算出它究竟為企業直接或間接節省了多少成本，賺了多少錢。如果選型、實施和應用不到位，更是常常用不起來，業務部門牢騷滿腹。長此以往，製造企業更加重硬輕軟，最後停留在簡單地做一點局部的自動化改善。
第六，數據採集與設備聯網，邁不過去的坎。企業要真正實現智能製造，必須進行生產、質量、設備狀態和能耗等數據的自動採集，實現生產設備（機床、機器人）、檢測設備、物流設備（AGV、立庫、叉車等），以及移動終端的聯網，沒有這個基礎，智能製造就是無源之水。但是，現階段很多製造企業還停留在單機自動化階段，甚至一些知名企業的生產線也未聯網，沒有基礎的設備聯網，何談工業互聯網？
第七，基礎數據和管理基礎。無論是推進企業信息化、兩化融合，還是進一步實現數字化轉型，推進智能製造，基礎數據的規范性和准確性都是必要條件。很多企業在實施ERP，或者ERP升級換型的過程中，花費時間最多的就是基礎數據的整理。企業管理的規范性、業務流程的清晰，也是企業推進智能製造的「敲門磚」。但現實的情況是，一些企業的基礎數據還沒有理順，卻在大談「工業大數據」。這種捨本逐末的做法，註定是難以取得實效的。
「2. 智能製造推進的5項基本原則」
隨著我國勞動力成本迅速增長，節能減排的要求越來越高，市場競爭白熱化，客戶需求日益個性化，製造企業面臨著越來越大的轉型壓力。在這種背景下，智能製造成為廣大製造企業關注的熱點。尤其是在車間的智能化改造方面，很多大中型製造企業開展了相關實踐，還有眾多企業在躍躍欲試。增加智能裝備、建立智能產線、推進智能物流，減少人工，成為很多製造企業的共同選擇。
智能製造勢不可擋，但智能製造只是手段，不是目的。製造企業應當明確推進智能製造的目標，積極學習各種智能製造新興技術，探討應用各種智能製造技術的必要性、緊迫性與可行性，具體推進智能製造技術的應用必須做好需求分析與投入產出分析，明確總體擁有成本，根據自己的盈利水平確定合理的投資預算。千萬不能為了智能化而智能化，為了爭取政府項目而盲目大幹快上智能製造項目，以免在老的信息孤島問題、基礎數據不準確的問題依然存在的情況下，又形成新的智能孤島，甚至形成「僅供參觀」的花架子。
因此，製造企業推進智能製造，需要把握以下5項基本原則：
【原則1】正確理解智能製造。智能製造中的「智能」還處於Smart階段，智能製造（Smart manufacturing）系統具有數據採集、數據處理和數據分析的能力，能夠實現閉環反饋。智能製造的未來趨勢是實現「Intelligent」，實現自主學習、自主決策和優化提升。智能製造融合了信息技術、先進製造技術、自動化技術和智能化技術。智能製造中的「製造」指的是廣義的製造，並不僅僅包括生產製造環節的智能化，而是包括製造業價值鏈各個環節的智能化。企業信息化和工業軟體的深化應用，是推進智能製造的基礎和前提條件。
【原則2】正確理解和應用智能製造使能技術。智能製造使能技術主要包括：物聯網、增材製造（3D列印，包含設備、材料、工藝）、雲計算、電子商務、電子數據交換（EDI）、PLC、DCS、自動識別技術（RFID、條碼、機器視覺）、數控系統、大數據分析（包括工業大數據）、 虛擬現實/增強現實、Digital twin（數字孿生，包括產品、設備、車間）、工業安全、工業互聯網、感測器、雲製造和信息集成（EAI、ESB）等技術。需要明確的是，部分技術還處於發展的初期階段，製造企業需要根據自身的產品特點、生產模式和運營模式來綜合考慮應用方式。
【原則3】必須理解智能化與自動化的本質區別。那些將機器人應用和無人工廠說成是工業4.0的說法是錯誤的。企業在建設智能工廠時，要整體考慮智能裝備的應用、生產線和裝配線的數據採集方式、設備布局和車間物流優化、在製品在工序之間的轉運方式、生產工藝的改進與優化、材料的創新等，而不僅僅是某些工位的「機器換人」。智能化生產線能夠實現柔性的自動化，快速切換生產多種產品，或者可以混線生產多種產品，能夠實現生產數據、質量數據的自動採集，並實現自動化系統與質量分析系統、MES系統的信息集成。
【原則4】必須做好整體規劃，選擇適合企業自身特點的實施方案，有效規避風險。推進智能製造需要解決更加復雜的、縱橫交錯的信息集成問題，例如IT系統與自動化系統的信息集成、供應鏈的數據交換；推進智能製造需要處理來源多樣的異構數據，包括各種來自設備、產品、社交網路和信息系統的海量數據，需要確保基礎數據的准確性；推進智能製造需要企業的IT部門、自動化部門、精益推進部門和業務部門，甚至供應鏈合作夥伴之間的通力合作。因此，製造企業必須充分認識到推進智能製造的復雜性、艱巨性和長期性。製造企業應當做好相關技術的培訓，選擇有實戰經驗的智能製造咨詢服務機構，共同規劃推進智能製造的藍圖。在整體規劃的指導下，選擇對於企業最有可能迅速見效的突破口優先實施。比如，推進基於物聯網的預測性維護服務，促進企業已銷售的產品的配件銷售，提高客戶服務滿意度；或者通過實現生產線的智能化，提高設備的整體績效和產品合格率；通過建立企業級BOM平台，實現產品的在線定製等。
【原則5】企業需要建立自己的專業隊伍，並選擇長期的戰略合作夥伴。推進信息化是個系統工程，推進信息化與工業化深度融合是一個更大的系統工程，而推進智能製造更是一個非常復雜的系統工程，涉及到諸多工業軟體的集成應用，涉及到智能裝備應用、設備聯網、數據採集、數據分析和業務流程優化，並且需要與推進精益管理結合起來推進，因此，製造企業需要建立自身的專業隊伍，融合信息化、自動化和管理人才，並選擇若干長期的戰略合作夥伴，包括咨詢服務機構、智能製造的整體集成商、解決方案提供商和服務商等。製造企業在推進智能製造項目時，必須注意選擇在企業所在行業具有實施和服務經驗，產品具有開放性和可擴展性，具有本地化服務能力的解決方案提供商，選擇具有良好的溝通能力、項目管理能力和豐富行業經驗的項目經理。在推進智能工廠項目時，尤其需要考慮解決方案提供商是否具備軟體、硬體和自動化的綜合實力。
總之，推進智能製造，既要積極布局前沿技術的應用，又要夯實基礎，務實推進。縱觀中國製造業推進信息技術應用30多年的歷程，經歷了一個又一個的「工程」，從「會計電算化」、「甩圖板」、CIMS工程、「兩甩（甩圖紙、甩賬表）」到製造業信息化工程；產生了一次又一次的「熱潮」，從財務軟體、CAD、ERP、ASP、雲計算、電子商務等，既有政府的積極推進，也有國內外主流廠商的推波助瀾。不少製造企業在條件還不具備、對新興技術認識還不清晰的情況下，就盲目上馬應用一些技術尚不成熟的信息化單元系統，實施與應用也不到位，最終形成了很多信息化孤島，沒有達到預期目標，甚至多次推倒重來。因此，不論市場上有哪些「熱詞」（buzz word）或者熱潮，製造企業都不能再盲目跟風，而是應當保持冷靜與理智，以免事與願違。企業需要在提升基礎管理水平的基礎上循序漸進，積極、穩妥地推進智能製造，從而真正取得實效。
「3. 智能製造推進的策略」
首先，推進智能製造的核心目的是幫助企業通過實現降本增效、節能降耗、提高產品質量、提升產品附加值、縮短產品上市周期、滿足客戶個性化需求，以及向服務要效益等途徑，提升企業的核心競爭力和盈利能力。推進智能製造絕不能搞面子工程。
第二，必須對智能製造有正確的理解和認識。智能製造覆蓋企業全價值鏈，是一個極其復雜的系統工程，不要期望「畢其功於一役」；推進智能製造需要規劃、IT、自動化、精益等部門通力合作；不同行業的企業推進智能製造差異很大。推進智能製造，需要引入中立、專業的服務機構，開展多層次、多種形式的培訓、考察、交流與學習，讓企業上下樹立對智能製造的正確認識。此外，需要強調的是，小批量、多品種的企業，不要盲目推進無人工廠；個性化定製和無人工廠是魚和熊掌不可兼得；不能盲目推進機器換人。
第三，大處著眼，小處著手。企業要想推進智能製造取得實效，應當參照e-works智能製造金字塔的相關內容，通過智能製造現狀評估、業務流程和工藝流程梳理、需求調研與診斷、整體規劃及落地實施5個步驟，畫出清晰的智能製造路線圖，然後根據路線圖和智能製造整體規劃，穩步推進具體的項目，注重對每個智能製造項目明確其KPI指標，在測度關鍵績效指標的基礎上，評估是否達到預期目標。智能製造要取得實效，需要清晰的思路、明確的目標、高層的引領、專業的團隊和高度的執行力。

圖2 智能製造總體框架範例
第四，緊密跟蹤先進製造技術的發展前沿。近年來，製造業的新材料、新技術、新工藝層出不窮，金屬增材製造技術不僅改變了復雜產品的製造方式，還改變了產品結構，也徹底打破了可製造性的桎梏，催生了創成設計等新的設計模式，從計算機輔助人設計，演化為人輔助計算機設計。碳纖維復合材料的廣泛應用催生了全新的製造工藝和製造裝備。奧迪A8採用了鋁制車身，車身焊接不能再使用點焊，取而代之的是鉚焊、摩擦焊、激光焊等新工藝。材料和工藝的改進，往往會對產品的性能，例如抗腐蝕、耐久性帶來巨大的提升。精密測量技術也在迅速發展，由接觸式測量發展到非接觸式測量，由離線檢測演化為在線檢測，由事後檢測演化為邊測量邊加工，從而幫助製造企業提升產品質量。
第五，積極穩妥地推進數字化和智能化技術的應用。當前，人工智慧技術的發展如火如荼，必將在製造業不斷得到應用，尤其是在無人駕駛汽車、質量檢測與優化、設備故障診斷和預測等領域。現在已經出現了Google的Tensorflow等開源的人工智慧引擎可以應用。此外，虛擬現實（VR）、增強現實（AR）、混合現實（MR）等可視化技術，在製造業也有很好的應用場景，例如設備操作培訓和設備維修維護等。愛立信工廠應用增強現實技術進行電路板的檢測，蒂森克虜伯電梯利用MR技術提高電梯維護的效率。Cobot（協作機器人，單臂和雙臂）在裝配、擰螺絲、塗膠等很多工序可以進行應用，機器人與視覺感測器、力覺感測器的集成應用能夠大大提高機器人動作的准確性和靈活性。

圖3 愛立信工廠利用AR技術輔助進行電路板質量檢測
第六，選擇真正靠譜的合作夥伴。智能製造系統架構十分復雜，也非常個性化，相關技術在不斷演進，企業本身也是動態變化，智能製造評估體系和規劃方法論也還處於不斷完善的過程中，智能製造的推進是一個長期的過程。因此，企業推進智能製造需要尋找專業的合作夥伴，從培訓、現狀評估、規劃，到具體的數字化工廠模擬、產線設計，到真正實現工控網路的建設，並建立工控安全體系，實現IT與OT系統的集成。

Ⅳ 新版阿法狗碾壓舊版，人工智慧究竟能發展成什麼樣

最新版本阿爾法狗：自學3天，就100:0碾壓李世石版舊狗。這太可怕了，我要大膽說一句：‍‍人工智慧很可能導致人類的永生或者滅絕，而這一切很可能在我們的有生之年發生。‍‍

試想一下：一個人工智慧系統花螞枝肢了幾十年時間到達了人類腦殘智能的水平，而當這個節點發生的時候，電腦對於世界的感知大概和一個四歲小孩一般；而在這節點後一個小時，電腦立馬推導出了統一廣義相對論和量子力學的物理學理論；而在這之後一個半小時，這個強人工智慧變成了超人工智慧，智能達到了普通人類的17萬倍。‍‍

‍‍當一個超人工智慧出生的時候，悶世對我們來說就像一個全能的上帝降臨地球一般。‍

Ⅵ 擁抱大數據 「數」中自有黃金屋

擁抱大數據：「數」中自有黃金屋
新的石油」、「類似貨幣或黃金的新型經濟資產」、「未來的自然資源」……
今天，當人們在評價種類廣泛、數量龐大、產生和更新速度驚人的大數據時，幾乎沒有人會吝嗇這些極富有渲染性甚至有些聳人聽聞的話語。伴隨著大數據在各行各業的探索之路的啟程，其蘊含的巨大價值所顯露出的「冰山一角」就已然擁有足以令世人驚嘆的力量。

大數據究竟價值幾何？
「當前，數據就是生產資料，對大數據的合理共享和利用，就會創造出巨大的財富。」中國工程院院士鄔賀銓在接受《人民郵電》報記者采訪時如是說。正因為大數據有著公認的「生產資料」的屬性，因此其創造財富的空間，幾乎是不受任何限制的，其觸角可以延伸至各行各業。
從宏觀經濟到微觀經濟，從工業到農業，從製造業到服務業，大數據就如同埋藏在沙漠中的金子一樣，正在散發出迷人的光芒。
正如鄔賀銓所說：「大數據技術可以運用到各行各業，引發新的產業變革，帶動新的產業發展。」來自美國研究機構的統計數據也有力地證明了這一點：大數據能夠為美國醫療服務業每年帶來3000億美元的價值，為歐洲的公共管理每年帶來2500億歐元的價值，幫助美國零售業提升60%的凈利潤，幫助美國製造業降低50%的產品開發和組裝成本。
誰率先把握住了大數據的機遇，誰就擁有了創造新的財富的可能，擁有了在激烈的市場競爭中傲視群雄的可能。
因為通過對海量數據的分析，可以發現行業的運行規律、市場的偏好與機會等這些最為寶貴的信息，從而讓企業決策變得更加有的放矢。以一瓶價格並不貴、看似不起眼的礦泉水為例，基於對一線銷售數據的實時分析與更新進行的經營戰略和業務策略調整，居然能夠帶來銷售額從20億元到百億元的提升，這正是發生在農夫山泉身上的真實案例。類似的案例越來越多，與此同時，大數據的價值也在各行各業中顯露出來。現在，幾乎無人會質疑大數據的價值，如何獲取價值，則成為人們當前關注的焦點。
如何從沙漠中淘到黃金？
盡管大數據有著巨大的價值，但面對廣闊的數字沙漠，如何才能發現埋藏於其中星星點點的黃金呢？
「今天的數據是泛濫的，低密度、雜亂無章、海量的大數據本身，並沒有什麼太多的價值，只有對大數據的挖掘和處理，才能產生價值。」北京航空航天大學校長、中科院院士懷進鵬向《人民郵電》報記者拋出了如是觀點，而這正代表了時下業界的主流思潮。從大數據「不僅如此多，而且變化也如此快」的現狀出發，「怎麼才能挖掘出有價值的東西」，就成為淘金的必由之路了。對此，懷進鵬認為，必須依靠技術、科學的手段，例如尋找到最優的演算法和最簡單的演算法。
事實上，大數據的興起，與技術的進步幾乎是相伴而生的。汪純沒正如中國聯通信息化事業部副總經理耿向東在接受記者采訪時再三強調的那樣：「過去，對數據的處理成本比較高，因此當人們在考慮到整體擁有成本這一巨大代價時，就會放棄對數據的處理；現在，不僅數據處理的手段變得豐富起來，而且成本也得到了降低，從而令人們能夠方便、規模地應用大數據。」正是因為計算、存儲等技術的飛速發展和成本的降低以及軟硬體一體機等創新產品的出現，促使過去數據挖掘的兩大難題迎刃而解，即存在著無法處理的數據和處理成本過高問題，最終讓大數據實現了今天的價褲鎮值化。
值得注意的是，應對數據挖掘的挑戰，將圍繞數據價值化的全過程。鄔賀銓表示，從數據收集、數據存儲到數據處理和結果的可視化呈現這四個環節，大數據技術的運用都面臨著挑戰。與此同時，一個全新的職業——數據科學家也正在誕生，而《哈佛商業評論》甚至稱其為21世紀「最性感」的工作。
誰來保衛我們的「財富」？
與大數據創造的財富相伴的是人們自然而然產生的對於安全的渴望。因為缺少安全保證的財富，並不是真正地「抓」在了手中。可以說，安全是大數據不能迴避而且在應用之初就必須給出解決方案的課題。
「沒有壞數據，只有對數據的不合理使用。」微軟研究及策略部門主管克瑞格·蒙迪用簡單的一句話道出困納了大數據安全的核心所在。今天，當誰都可以利用數據挖掘工具獲取、分析數據時，如同「皇冠上明珠」的大數據就面臨著誰都可以觸摸的危險。在大數據時代，如何避免數據被竊取和不合理使用？答案同樣是依靠技術進步。例如，世界經濟論壇在2013年2月即提出要通過高端科技來保護隱私，將安全策略的重心從管理轉移到對數據的限制使用上來。
確保數據的合理使用，離不開技術和制度的「雙管齊下」。例如，世界經濟論壇就提出所有對於數據的使用都應該登記，同時對於那些違反規定濫用數據的人要採取處罰措施。而耿向東也表示，中國聯通目前正在從技術和制度兩方面入手確保數據的安全，例如對用戶信息進行加密、為信息傳輸提供通道保護等。
不容忽視的是，對於「財富」的保護，反過來也會催生出新的商機。大數據正在重構信息安全市場，而那些能夠率先切入這場變革的安全廠商，無疑會為未來搶佔新的制高點奠定一個好的基礎。

Ⅶ 華為張順茂：迎接拐點，擁抱計算新架構

【7月13日，中國，深圳】

移動應用的不斷涌現催生了海量數據，人工智慧的興起帶來了高密度計算。在這種情況下，企業必須不斷尋求更加高效的數據處理能力和基礎架構，來應對日益爆炸增長的業務量和數據量。

7月12日，在ArchSummit全球架構師峰會上，華為技術有限公司高級副總裁、Cloud&AI產品與服務CTO張順茂，以《 迎接拐點，擁抱計算新架構 》為主題發表主題演講。

進入5G時代，移動互聯網業務將進一步發展，物聯網、人工智慧等領域的創新應用井噴式涌現。應用場景的多樣性帶來數據的多樣性，沒有一個單一的計算架構能夠滿足所有場景、所有數據類型的處理。多種計算架構並存是未來計算的發展之路。

張順茂表示：「鯤鵬920不僅是華為在晶元領域的又一次進步，更是華為擁抱計算架構新拐點的開端。」

鯤鵬920面向數據中心，主打低功耗和強性能。基於鯤鵬920的華為TaiShan伺服器，主要應用於大數據、分布式存儲、ARM原生應用等場景，為客戶帶來新一輪的算力加持。

並且，華為非常重視生態的力量，將聯合眾多夥伴構築基於鯤鵬處理器的生態圈，更好的滿足客戶計算多樣性需求。

相比其他廠商基於x86架構的操作系統模擬器方案，得益於華為強大的自研晶元和伺服器能力，華為雲提供了 業界首個鯤鵬原生雲手機解決方案 ，使得從雲到端都運行著同一套指令集，Android應用運行無需x86模擬器指令集翻譯，雲端無縫連接免去了多重指令翻譯和轉換的環節，運行性能可以較x86模擬器架構方案提升高達180%。

華為TaiShan系列伺服器可集成多張高性價比的專業GPU顯卡，使雲手機在硬體上擁有了專業的圖形圖像處理能力。目前，該解決方案已經得到規模部署。

多多雲手機正是依託華為雲成功孵化出業界獨家基於鯤鵬雲手機 游戲 解決方案，大幅提升了用戶體驗，目前已有20,000台設備，每日負載率95%以上，獲得市場廣泛認可。

此前，華為面向全球發布的 AI-Native資料庫——GaussDB ，利用鯤鵬多核以及超並行計算技術，構築了軟硬體全棧的資料庫能力，完善了計算產業生態。

面對越來越復雜的資料庫調用需求和智能時代大量任務需要異構計算的現實，GaussDB還可以利用 AI晶元、GPU、NPU等多種算力組合，讓資料庫獲得強大的異構計算能力。在權威標准測試集TPC-DS上， 性能比業界提升50%，排名第一 。

據悉，民生銀行就採用了GaussDB分布式資料庫+TaiShan伺服器的全棧解決方案，從資料庫層面解決了可擴展性問題，降低了應用分布式改造的難度。如鯤鵬單集群支撐起民生銀行移動APP、運營交易、綜合查詢、數據中台等多樣化的應用負載，讓運行更加高效。

此外，華為雲發布的全球首個分布式緩存鯤鵬Redis，搭載華為LibNetwork+華為編譯器+安全容器引擎三項黑 科技 ，在華為雲已實現了商用。

• 在電商應用中，鯤鵬Redis的高並發及靈活擴展能輕松應對諸如熱銷商品展示、秒殺推薦等數據面臨高並發讀的壓力；

• 在 游戲 應用中，鯤鵬Redis提供了一個低時延解決方案，可以將一些非角色數據，如排行榜等存儲在Redis中以提升用戶訪問速度，以支持最苛刻的 游戲 客戶。

作為華為技術創新的重量級產品，華為TaiShan伺服器面向大數據、雲原生、雲存儲等應用場景，為政府和企業提供高性能、低功耗的產品體驗，發揮鯤鵬晶元在多核、高效能方面的優勢，並從硬體、基礎軟體和應用三個層面不斷推進產業合作，構建繁榮的開發者生態。

張順茂表示， 今年華為雲將把構建開發者生態視為最重要的工作之一 。首先華為雲會不斷的優化產品的開放能力，優化API提升開發者的體驗；其次，華為雲會打造一站式的開發者社區，為開發者提供一站式的服務；此外，華為雲將啟動多場沙龍，在國內部分大中型城市送課上門，幫助開發者了解華為的產品，了解開發工具。最後，華為會啟動一系列的開發者扶植和權益計劃，包括華為雲MVP&雲享專家計劃、華為雲產品體驗官計劃等等，為開發者提供舞台和支持。

精彩紛呈的演講之外，在華為雲超級展區，圍繞「 選擇不凡，Cloud for Good 」主題，重點展出了華為鯤鵬生態，以及基於場景的IoT和DevCloud產品。

為進一步豐富參會體驗，華為雲還在現場設置ModelArts體驗館、DevCloud體驗館、IoT硬體展示專區，為眾多前來參會者構建了一個分享最新技術、產品及解決方案，交流發展經驗的平台。這其中，華為雲的雲享專家計劃和華為雲產品體驗官計劃都受到了現場的熱捧

在ArchSummit上，華為雲還設置「 雲原生時代IoT架構設計與DevOps實踐 」專場，4位華為雲佈道師分別以主題為《基於華為公有雲IoT架構實踐與能力開放》、《IoT OS 架構設計與端雲協同的思考》、《DevOps下的架構設計和實踐思考》、《雲化DevOps工具鏈的架構設計與實踐》發表了主題演講。

此外，還有3位華為雲佈道師分別在「演算法優化與高效開發」專場分享《基於雲的敏感數據發現與保護》，在「雲計算&雲原生」專場分享《Volcano 在 Kubernetes 中運行高性能作業實踐》，在「大數據平台構建&數據處理」專場分享《IoT大數據場景下華為高斯資料庫的數據處理實踐》。

華為雲在技術上做好了充分准備，將繼續保持開放架構，為企業提供穩定可靠、安全可信、可持續發展的多元化雲服務和解決方案，更好地滿足客戶不同場景的需求。在5G+雲+X時代，華為雲期待與更多客戶夥伴、行業專家、開發者緊密合作，共同構建萬物互聯的智能世界。 5G來了，選擇華為雲！

Ⅷ 人工智慧是什麼

人工智慧（計算機科學的一個分支）

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智慧是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，但沒有一個統一的定義。
人工智慧是對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。但是這種會自我思考的高級人工智慧還需要科學理論和工程上的突破。
人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。
工智能的定義可以分為兩部分，即「人工」和「智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或者人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。
關於什麼是「智能」，就問題多多了。這涉及到其它諸如意識（CONSCIOUSNESS）、自我（SELF）、思維（MIND）（包括無意識的思維（UNCONSCIOUS_MIND）等等問題。人唯一了解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也了解有限，所以就很難定義什麼是「人工」製造的「智能」了。因此人工智慧的研究往往涉及對人的智能本身的研究。其它關於動物或其它人造系統的智能也普遍被認為是人工智慧相關的研究課題。
人工智慧在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，模擬系統中得到應用。

Ⅸ 當司法擁抱演算法，正義與科技誰將笑到最後！

2017年4月11日，美國首席大法官羅伯茨在與紐約倫斯勒理工學院校長的一場對話中被後者問道，「你能否預見將來有一天，AI驅動的智能機器將協助法庭認定事實，甚至頗具有爭議地介入司法裁決程序？」

「這一天其實已經到來，」 大法官羅伯茨說，「而且這已經讓司法實務的運作方式面臨著巨大的壓力。」

這位大法官說的並不只是高精尖的AI技術，當然更包括隨身攜帶的智能設備、DNA生物技術等科技革命給傳統證據基礎上的事實認定帶來的沖擊，以及舊時代滯後的法律在技術革命新環境中的適用和演變，但最具有爭議的是，司法實踐中掌握國家機器的司法機關使用甚至依賴技術行使裁量權時，難免讓人開始思考改變世界的科技技術進步與公平正義等社會目標之間的微妙關系。

本文中，簡法幫以美國威斯康辛州最高法院的一個法院判例來分享美國司法機關已經廣泛使用的一個風險評估工具所面臨的程序正義問題。

概述

最初，風險評估技術工具僅由緩刑和假釋部門使用，用來幫助確定違法者的最佳監督和處罰方式。隨著國家對減少重新犯罪的關注和注重證據的司法實務的發展，現在這種工具的使用已經擴大到了量刑的司法實踐中。然而，這些工具在量刑中的使用則更加復雜，因為風險評估工具主要面向減少重新犯罪的目標，而司法判刑則具有多個目的，譬如（1）威懾，（2）救助，（3）懲罰，（4）隔離。

使用特定的以證據為基礎的風險評估工具進行判刑就是這個案例的核心問題。在量刑過程中使用COMPAS風險評估工具是否侵害憲法規定的正當法律程序權利（簡法幫註：正當法律程序權利源於英美法系，主要是指任何權益受到判決影響的當事人，都享有被告知和陳述自己意見並獲得聽審的權利。），就是美國威斯康辛州上訴法庭向該州最高法院提請裁判的具體問題，因為COMPAS工具的專有保密性質讓被告無法對COMPAS風險評估的科學效備敬御力提出質疑。

被告Eric L. Loomis（以下簡稱被告）認為，一審法院在判刑期間對COMPAS風險評估的考慮違反了自己的正當法律程序權利。

威斯康辛州最高法院得出的結論是：如果使用得當，並遵守其明確要求的限制和注意事項，法院在判決中考慮COMPAS風險評估並不違反被告享有的正當法律程序憲法權利。

最終，由於一審法院考慮COMPAS工具風險評分時具有其他獨立因素的支持，技術工具的使用並沒有發揮決定性的作用，所以威斯康辛州最高院認定一審法院判決被告入獄六年並沒有不當行使自由裁量權。

法官量刑使用演算法技術工具的一個案例

這個案件的事實沒有爭議。公訴人認為，被告是一起飛車槍擊案的駕車人。公訴人指控了五項罪名：（1）一級肆意危及安仿岩全罪，（2）交警抓捕逃逸罪，（3）未經車主同意操控汽車罪，（4）罪犯持有槍支罪，（5）擁有短管霰彈槍或步槍罪。

被告否認參與飛車槍擊。他放棄了庭稿好審權利，在與公訴人的控辯交易中（簡法幫註：美國的控辯交易是指在司法審查的前提下，刑事案件的檢察官和被告雙方達成滿意的傾向性意見的程序；通常是以檢察官撤銷指控、降格指控或者要求法官從輕判處刑罰為條件，來換取被告人的認罪答辯，進而由控辯雙方達成均可接受的控辯協議），該被告對兩項較輕的罪名指控做出認罪答辯，也就是前文的第2項和第3項罪名。

在接受被告的認罪答辯後，一審法院裁定開始量刑前調查。政府量刑前調查報告（下稱「量刑報告」）的附件中包括一個COMPAS風險評估的附件。

COMPAS是Northpointe公司設計的一款風險需求評估工具，在獄政局做出入監決策、管理囚犯和規劃懲治時能夠用來提供決策支持。COMPAS風險評估依據的信息從被告的犯罪檔案和與被告的訪談中採集。

COMPAS報告包括旨在預測再犯的風險評估，另外還有用來確定就業、住房和葯物濫用等領域項目需求的單獨評估。COMPAS報告的風險評估部分會生成條形圖顯示的風險評分，其中三個條形格分別代表審前再犯風險、一般再犯風險和暴力再犯風險。每個條形格顯示的被告的風險級別落在從一到十的區間內。

風險評分旨在預測具有類似犯罪歷史的人在被釋放後不太可能或更有可能再次犯罪的一般可能性。然而，COMPAS風險評估並不能預測特定罪犯個人再次犯罪的具體可能性；它是基於特定個人信息與類似（人群）數據組的比較而提供的預測。

該案例中被告的COMPAS風險分數顯示他在全部三個條形圖上都呈現了重新犯罪的高風險。他的量刑報告包括了如何使用COMPAS風險評估的說明，警示了不當使用評估結果的風險，並且說明了它應當用於確定可以從干預措施中受益的囚犯以及在監督期間應該處理的風險因素。量刑報告還警示：COMPAS風險評估不應該用於確定量刑的幅度以及罪犯是否應當採取監禁措施。

此外，該案件中的COMPAS報告的確顯示了被告的高風險和高監管需求：暴力的風險很高，再犯的風險很高，審前風險也高；所以這些都是決定適當量刑的因素。

最終，一審法院參考了COMPAS風險評分以及其他判刑因素判決駁回了緩刑的請求：「通過COMPAS評估，您被確定為對社區構成高風險的個人」。在衡量各種因素方面後，一審法院駁回緩刑請求不僅基於犯罪的嚴重程度，而且因為被告的「過往歷史、監管措施歷史以及所使用的風險評估工具」都表明了被告再次犯罪的風險極高。

於是，法院針對被告在控辯交易中認罪的交警抓捕逃逸罪和未經車主同意操控汽車罪兩項罪名分別判處了兩年和四年的入獄監禁及後續獄外監管措施。

接著，被告提請一審法院開庭聽審其認罪後的量刑異議。他認為，一審法院在量刑時對COMPAS風險評估的考慮違反了他在憲法下的正當法律程序權利。

在庭審中，一審法庭論證了正當程序問題。被告提供的專家證人指出在量刑時使用COMPAS風險評估的問題。專家證人認為，不應將COMPAS風險評估用於決定是否採取入獄監禁的判決，因為COMPAS風險評估不是為此而設計的，法院這樣做的巨大風險是過高估計犯罪人的風險並導致誤判或者基於不相關的因素做出量刑決定。

該專家證人進一步指出，量刑法庭對於COMPAS評估如何分析風險的信息知之甚少：「法院不知道COMPAS到底如何將被告個人的歷史與與之進行比較的基礎人群進行比較。法院甚至都不知道對比人群是威斯康星人口，紐約人口，加利福尼亞人口……各種各樣的信息法庭都沒有，而我們（風險評估工具）現在的做法是徑直將這些分值圖放在法官面前讓他們將之用於刑罰，這樣會誤導法庭。」

一審法院最終還是駁回了緩刑的請求，同時解釋說使用COMPAS風險評估是為了驗證該院自己的認定，無論量刑過程中是否考慮COMPAS風險評分，該院都會做出同樣的量刑結果。

被告提起了上訴，上訴法院將該案子提請到威斯康辛州最高法院。

司法擁抱演算法時的正當程序權利問題

量刑時能夠使用COMPAS其實並不是一個新鮮的做法，威斯康辛州上訴法院在之前的判例中就支持了某初審法院量刑時對COMPAS評估的參考，並指出「COMPAS只不過是法庭在量刑時可以使用的一種工具」；但與本案例不同的是，該判例中沒有提到正當程序的憲法權利問題。

但是，法律界不乏質疑的聲音，擔心工具的作用被過分看重和濫用。

該案件中，獄政局在量刑報告里就承認了工具的局限性：需要記住的重要一點是——風險評分不應用來確定量刑的幅度以及罪犯是否應當採取監禁措施。

威斯康辛州最高法院表示贊同，並在分析該案件中正當程序權利的問題後提出了必要警示的要求（見下文演算法量刑到底靠不靠譜？）。

被告最初主張，COMPAS工具的專有保密屬性讓他無法對風險評估的科學有效性提出質疑。因此，被告認為，由於量刑報告中附加了COMPAS風險評估的附件，被告被剝奪了獲取量刑報告全面信息的機會，因此無法確保自己基於准確信息而獲得量刑的權利。

COMPAS的開發商Northpointe公司認為COMPAS是自己專有的工具，構成商業秘密。因此，該司沒有公開披露風險評分到底如何確定以及評估因素的權重到底是怎樣的。被告認為，由於COMPAS不披露這些信息，所以他沒有得到一審法院量刑時使用的全部信息，基於以往判例類比認為自己的正當法律程序權利受到侵害。

也就是說，被告認為他是最適合反駁或解釋自己COMPAS風險評估結果的人選，但僅僅看條形圖反映的分值讓他沒法有效反駁或解釋。此外，被告還認為，除非他能夠查看工具背後這些因素是如何衡量的以及風險分數是如何確定的，否則COMPAS評估的准確性無法驗證。

威斯康辛州最高法院則並不同意。該院指出，盡管被告無法查看和質疑COMPAS演算法如何計算風險，但他至少可以審查並質疑量刑報告附件所載風險分值；因此，該案中被告並非沒有機會獲取法院依據的信息進行反駁、補充或解釋。

威斯康辛州最高法院認為，盡管風險分數沒有解釋COMPAS程序如何使用信息來計算風險分值，但Northpointe公司COMPAS實務操作指南中解釋過風險分值主要基於犯罪歷史等靜態信息和犯罪同夥、葯物濫用等少數動態變數。

被告量刑報告中附錄的COMPAS報告中就包含了21個靜態信息方面的問題，例如：

此人在假釋期間多少次被羈押？5+

此人在試用期間有多少次新的收費/逮捕？4

此人以前被逮捕（僅限刑事拘留）了幾次？當時成年還是未成年？12

因此，威斯康辛州最高法院認為，被告的風險評估是基於他對這些問題的答案以及其犯罪史的公開數據，從這個意義上講，被告完全有機會核實COMPAS報告中列出的問題和答案是否准確；一審法院和被告能夠看到的是相同的風險評估報告。被告有機會通過辯解其他因素或信息來質詢風險分值的不準確性。

演算法量刑到底靠不靠譜？

美國使用COMPAS的一些州已經對COMPAS進行了驗證研究，認為它是一個足夠准確的風險評估工具。紐約州刑事司法服務局進行了一項研究，審查了COMPAS評估的重新犯罪量值的有效性和預測准確性，並得出結論認為：重新犯罪量值實用有效，並且預測准確性取得了令人滿意的結果。與紐約州和其他州不同，威斯康星州尚未針對威斯康星州人口完成COMPAS統計驗證研究。

另一方面，被告也找到了對風險評估工具的其他研究所提出的准確性方面的質疑。例如，他援引了2007年加利福尼亞管教和康復局的研究，結論是雖然COMPAS似乎在可以評估犯罪成因需求和再犯風險，但「幾乎沒有證據表明這是COMPAS實際評估的內容」。

加利福尼亞研究報告進一步得出結論，「沒有明確的證據表明COMPAS可以由不同的評估者給出一致的評分，也沒有明確的證據表明它可以評估其旨在評估的犯罪成因需求或者（非常重要的是）可以預測加利福尼亞管教和康復局囚犯的再次犯罪風險。」最終，該研究的作者沒有推薦加利福尼亞管教和康復局針對個人使用COMPAS工具。

然而，隨後加利福尼亞管教和康復局又發表了2010年關於加利福尼亞COMPAS驗證研究的最終報告。2010年的研究得出結論，盡管並不完美，但「COMPAS是一個可靠的工具」。

除了這些問題之外，還有一些人擔心風險評估工具可能會將少數群體犯罪者的比例過高地歸類為更高的風險，包括家庭背景、教育和種族等各種不可控制的因素。

所以，威斯康辛州最高法院要求，使用風險評估工具的法域必須確保他們有資源、有能力維護這些工具並監控其持續准確性。

針對法院在量刑中使用所涉及的准確性問題，威斯康辛州最高法院決定使用COMPAS風險評估除了前文所述的限制之外，還必須遵守一些注意事項。具體來說，任何含有COMPAS風險評估的量刑報告都必須告知量刑法庭關於COMPAS風險評估准確性的以下注意事項：

COMPAS的專有保密性質導致無法公開披露風險評分到底如何確定以及評估因素的權重信息；

風險評估將被告與全國范圍的樣本進行比較，但對威斯康星州人口的交叉驗證研究尚未完成；

對COMPAS風險評估分值進行的一些研究提出問題，質詢是否存在少數群體犯罪者被不均衡地認定為重新犯罪高風險的情況；

隨著人口結構的不斷變化，風險評估工具必須不斷監測和調整以維護准確性。這樣，量刑法院才能夠更好地判斷風險評估的准確性並賦予風險分值適當的權重。

盡管如此，威斯康辛州最高法院明確認可了COMPAS風險評估的作用，並且援引了印第安納州最高法院觀點：這些工具有助於法院衡量所有量刑因素。與此同時，COMPAS風險評估依據群體數據判斷高風險罪犯群體，而不是特定高風險的個人；所以，量刑法院針對每一個被告個體在考慮所有量刑因素時都應當注意這一點，而且COMPAS風險評估不能構成量刑的決定性因素。

演算法=正義？元芳，你怎麼看？

科技的進步在挑戰社會的每一個細胞，包括經濟、政治和生活方式等方方面面，就連司法體系這些維系社會公平和正義的社會機制也不例外。當演算法工具這樣的科技成果逐漸浸入司法實踐中甚至影響量刑這樣重要的國家行為中時，難免讓人開始擔憂是否真的在不遠的未來，AI驅動的智能機器等技術工具不僅僅是協助性介入司法機關對法律的解釋和執行，甚至逐步發揮更加重要的主導作用。

換句話說，人類會將同類的命運或者公平正義等核心價值的落實交給人類發明創造的演算法等技術工具嗎？

美國聯邦最高法院大法官羅伯茨聽起來保持著開放的態度，而且越來越多的法院也在擁抱技術的進步，威斯康辛州最高法院在這個案子中就這樣樂觀且務實地評論：

在量刑過程中分析使用以證據為基礎的風險評估工具，務必考慮到諸如COMPAS等技術工具的變化和演進。我們今天面臨的擔憂，今後可能會隨著工具的完善得到緩解。刑事司法系統應該認識到，在未來時間里，可供使用的研究數據會越來越多，各種各樣更好的工具將會被開發出來。隨著數據的變化，司法部門使用的工具也必須隨之改變。司法部門必須跟上研究的步伐，必須不斷評估這些工具在司法實踐中的使用。

最後，無論你願意或是不願意，司法擁抱科技進步的明天已經到來，至於公平、正義、效率等社會價值目標在司法擁抱技術之後最終究竟會茁壯成長還是黯然失寵？我們拭目以待。

元芳，你怎麼看？