1995年，刚刚成为世界首富的比尔盖茨在《未来之路》一书中，“预言”了信息技术会给人们带来哪些变革，比如普通人通过“换脸”出演大片、中年人和青年人看到不同的广告、实体货币逐渐消失等等……该书曾“霸榜”《纽约时报》畅销书榜单7周，在当年引起了巨大轰动。
2019年，我国数字经济规模达到35.8万亿元，占GDP比重的36.2%，较前一年增长15.6%，是GDP增速的2倍。另外47个主要国家数字经济占GDP比重达到41.5%，英、美、德等发达国家比重超过60%。
2020年，数字经济被写入我国“十四五”规划，党中央明确以“加快数字化发展建设数字中国”为主题，提出要“迎接数字时代，激活数据要素潜能，推进网络强国建设，加快建设数字经济、数字社会、数字政府，以数字化转型整体驱动生产方式、生活方式和治理方式变革。”
数字经济扑面而来，其重要性不言而喻。可我们不禁要问，为什么数字经济成为了拉动国民经济的马车？数字经济的魅力究竟在哪里？
如果要用一句话解释数字技术的本质作用，大概可以这么说：数字技术诞生的本质作用就是通过数字世界对现实世界（物理、生命、社会）进行模拟、推理和预测，极大降低现实世界中的成本，提升效率。为什么这么说呢，这要从数字技术自诞生之初说起。
世界上第一台通用计算机是美国国防部用来模拟弹道计算的“ENIAC”；中国第一台模拟式电子计算机则诞生在以军工专业著名的哈工大，用来模拟飞行器设计。可见，计算机的诞生就是为了满足“模拟”和“预测”的需求。理论上，图灵机作为一种简约的机器模型，可以用来模拟其它通用计算机的功能。在物理实现上，现实世界的模型只要能表示成二进制，就可以通过数字计算机来模拟，在最底层，二进制编码是通过操纵电子的运动来完成表达。
随着技术发展及人民生活水平的提高，计算机和数字技术一起开始走向普通家庭。桌面版Windows操作系统和鼠标一起模拟了人类手指，让计算机使用的门槛大大降低；各种办公软件的诞生取代了传统物理世界的文件审批流程；而游戏、多媒体等形式则让娱乐变得触手可及。互联网时代的到来，则让这种映射关系到达了巅峰，人和信息的链接，人和人的连接，人和商品的连接，随着产业互联网的发展，将进一步真正做到“万物互联”。
随着5G技术的成熟、大数据应用的增强，数字技术对现实世界的预测能力正在逐步发挥威力。天气预报、经济预报、量化交易……人们通过数字技术做出更准的预测，指导工作和生活。
回顾历史，每一个时代，数字和计算机技术的广度和深度都在逐步加强，现实世界和数字世界紧密融合，不可分割。任何一个行业，任何一个企业，如果不能充分发挥数字技术的效率优势，就面临着在竞争中被淘汰的风险。令人欣慰的是，近年来，数字技术现在已经开始向传统产业进军，帮助其实现数字化转型。智慧工厂、智慧农业、智慧交通、城市大脑……这些耳熟能详的名字将要让传统行业的生产效率以几何倍数增长。
凡此种种，数字技术、商品和服务向传统行业加速渗透、纵向深入，使得各种产业得以升级换代，正是所谓“产业数字化”。在产业数字化行程中，通用共性数字技术也沉淀形成了包括软件、芯片、云计算这样巨大的产业，正式所谓“数字产业化”。这就是数字经济的魅力。
我们正处在第三次工业革命——信息革命的浪潮中，而前几次工业革命的本质，是用外在的方式大幅进化了人体器官，提升人体机能，从而使人创造更多的财富和社会价值。蒸汽机提升了交通工具和机器的工作效率，进化了四肢；电力延长了工作时间，进化了双眼。信息革命中，数字技术对现实世界的映射，提升的则是人的脑力。
那么，正在向着进化人脑的感知能力、认知能力、灵感、情绪的人工智能在信息革命中处于一种什么定位呢？
如果我们用工程角度去拆解数字经济，表层的经济活跃之下，是数字技术的不断进步，使得工业界具备了去搜集存储更大规模、更多维度的信息和数据，并对其的表示、处理与运用，衍生出丰富多样的数字技术工具与产品。
在数字技术助力现实世界的过程中，第一步即理解任务，表述成模型，再编写为计算机上可运行的代码。因此，“建模”是把现实世界任务向数字世界映射的关键，“建模”的能力决定了我们能否利用好信息和数据，决定了现实世界能否从数字世界的计算中获益。
对于建模这件事，过去人们依赖于“白盒”建模方法，即把人的认知与经验积累，转换成可解释的任务模型。任何模型都只是现实世界的一个近似，对此，英国统计学家乔治.博克斯有精彩论述：“任何模型都是错的，但有些模型是有用的”。美国学者爱德华.阿什福德.李在《柏拉图与技术呆子》的著作对“建模”这一问题进行了深入探讨，特别是基于“认知经验有限条件”和“任务发展无限可能”的矛盾之上，一语道出了“白盒”建模的理论瓶颈，也就是：基于传统的“白盒”方式，人类欲借助数字技术解决问题，在把现实世界向数字世界映射的过程中，必须有科学家和工程师的参与。
而随着大数据技术的发展和人工智能方法的理论研究，催生了一种新的思路——只要收集足够的数据，不一定要理解任务机理，就可以用机器学习方法从行为上模拟，取得相近效果。这种不可解释、不加干预的任务建模过程，被称之为“黑盒”建模。与“白盒”建模相对，“黑盒”不要求建模人员有极其丰富的业务知识与经验积累，不需要针对每次任务的模型重复开发过程，极大降低了建模成本，甚至有时还能取得更好的实现效果。毕竟，现实世界的任务千人千面，且任务需求量不断增长，而“白盒”建模专家的培养速度和生产力供给，是远远落后于需求增速的。
图灵奖得主Jim Gray对数据驱动型方法在科学研究领域的作用称之为科学研究的第四范式，也就是借助计算机从数据中自动获得科学真知的方法：
“今天以及未来科学的发展趋势是，随着数据量的高速增长，计算机将不仅仅能做模拟仿真，还能进行分析总结，得到理论。也就是说，过去由牛顿、爱因斯坦等科学家从事的工作，未来可以由计算机来做。这种科学研究的方式，我们称之为第四范式，即数据密集型科学。”
——美国数据科学家Jim Gray《第四范式》，2005
迄今为止，数据驱动方法发展的巅峰是被学术界称之为——深度学习的流派，它集数据驱动技术之大成，实现一种“万能”建模方式，使得现实世界向数字世界的转移更加高效率，更加自动化。深度学习模型自身也是一种程序，从传统软件编程的角度来理解，深度学习可被视为一种新的编程范式，也就是借助深度学习算法自动从数据中推导和学习出程序的方法，也被特斯拉AI部门负责人Andrej Karpathy称为软件2.0:“我们熟悉的软件1.0的“经典堆栈”是用Python、C++等语言编写的计算机显式指令…与1.0不同，软件2.0是用神经网络的权重编写的。因为涉及很多权重，直接在权重中编码很困难，因此程序员不参与代码编写工作。”
——特斯拉人AI负责人Andrej Karpathy《软件2.0》，2017
实际上，我国人工智能领域的知名学者周志华教授也曾提出过类似的观点，即机器学习程序有可能成为未来信息技术领域的标准组件，周教授将之命名为learnware，也就是“学件”：
“学件具有可重用、可演进、可了解三大特点，如若能得以实现，强大的机器学习模型也能用小数据训练，数据保密问题也能得以缓解，更多终端用户都能像专家一样使用机器学习技术，并最终形成一个学件市场。”
——南京大学教授 周志华《学件：机器学习的未来》，2016
包括以上三位及其他诸多思想领袖表达了这样一种观点：建立于深度学习与云服务之上的人工智能大脑，将大大加速数字经济的实现进程，在可预见的未来，将成为标准化的IT基础设施重要组成部分。
数字经济被是信息技术革命在广度和深度的进一步发展，人工智能在经历了过去十年的突飞猛进乃至“野蛮生长”，已经在在数字经济浪潮中崭露头角。在深度学习的辅助之下，人工智能行业的发展趋势，必然会呈现出以下三大特征：技术平民化，服务标准化，分工精细化。而在这三大趋势下，人工智能会在数字经济的两大方向上，发挥出更为积极的作用，引领数字经济新一轮蓬勃增长，在以下两方面孕育新的产业机会：
产业数字化——在生产制造、农林牧渔、社会治理等等社会经济的纵向领域，将有越来越多的人工智能垂直应用服务落地，大幅提升该领域的生产效率，同时降低管理成本。
数字产业化——随着人工智能应用服务的增多，在数字经济的横向领域，将会催生更多基础设施与基础服务的需求，为芯片、硬件设备、云计算、软件服务等带来巨大的市场空间。
浙公网安备33021202002561号