|
技术预见作为一种面向未来技术发展趋势的预判活动和科技管理的政策工具，受到越来越多国家和国际组织的重视。英国萨塞克斯大学技术预见专家Martin在1995年首次提出，技术预见是有系统地试图研究科学、技术、经济和社会的长期未来发展趋势过程，目的是确定可能产生最大经济和社会效益的战略研究领域和新兴通用技术（Martin，1995）。20世纪90年代到21世纪初，信息、通信、人工智能等新兴技术发展突飞猛进，许多国家加强技术预见与监测研究，技术预见第三次高潮掀起。 一、技术预见与人工智能的交互趋势
近年来，伴随着大数据、区块链、云计算等新一代数字技术的加速推进，科技创新进入新的发展阶段，技术预见也随之革新，人工智能与技术预见的交互趋势日益显著。 一是技术预见主体多元化。基于数字化技术的快速发展，多元主体参与社会活动的大规模数据得以传输、共享、结合，技术预见也开始从原先的“精英参与”向着“多元化数字治理”转变。人工智能技术促进信息整合，形成多源异构数据平台，通过整合多层面的技术数据，借助特定AI工具进行删减、辨伪、集成，整合形成科技治理综合数据库和智能查询平台，使多主体技术预见活动得以进一步高效率展开。 二是技术预见方法数据化。预见方法的数据化有效克服了传统德尔菲法造成的专家数据时效不新、客观真实性不高等问题。在“集成性文献+创造性信息”的合力支撑下，不仅使技术预见的决策过程更加迅速、客观，还让严谨科学、可视化的人机交互动态调整预见结果成为可能，不再是纯粹的纸上谈兵。一方面，人工智能技术有助于提升数据获取的实效性；另一方面，人工智能技术有助于促进主客观数据的有效交互，从而实现内涵数据形成。例如，通过数字化网络社区和人机交互平台，不同行业领域的专家、不同性格特征的受访者能够开展信息交互和情景对话，既提升了技术预见材料的客观性，又发掘出大量原有方法难以捕捉的隐形数据。 三是技术预见工具智能化。机器学习、虚拟现实和人工智能等前沿技术与传统技术预见方法相结合，将在感官可视化、共享体验方面为技术预见活动带来新的可能性。生成式人工智能在算据支撑、算法驱动、算力保障的综合系统中，通过大模型设计和多模态组合等手段实现了海量数据集成和挖掘、人机交互场景生成、未来模拟情景构建，从而解决技术预见信息获取难、准度低、可靠性弱，预测场景真实性差等问题，推动技术预见实现集成化、科学化、智能化转向。 二、生成式人工智能赋能技术预见的关键特征
作为国家科技治理的重要工具，技术预见活动应加速与数字化工具的融合进程，提升生成式人工智能的加成优化效应。传统的技术预见多以德尔菲法作为工具依托，易出现参与主体领域局限、数据支撑薄弱，结果反馈实时更新难等一系列问题，AI技术的成熟为技术预见的发展带来了新的机遇。充分发掘生成式人工智能在未来技术预见领域的应用契合点，对于提升技术预见效率，提高科技治理能力，促进战略性新兴产业发展具有重大意义。 （一）人机交互情境下驱动技术预见决策集成化 生成式人工智能在传统数据挖掘的基础之上，借助人工智能生成内容的强大的语言学习理解能力和丰富的文本沟通交流能力，在人机交互中将技术预见过程和数据采集方式变得更加潜移默化。一方面，其通过机器学习的形式实现数据采集对象的性格特征勾勒和情绪刻画的同时，营造“人性化”语言环境和参与氛围，降低各类参访因素造成的心理影响，实现知识的深度挖掘、信息的深层次集成获取。另一方面，借助交互式、轻松化文本呈现，视觉、姿势识别等近距离交流手段打造友好的人机交互界面，以实现深层次的原始数据材料收集和针对性信息获取。如Open AI公司推出的ChatGPT提供了基于对话的人机交互界面，通过用户提供的原始语言，“理解”生成高质量内容，不仅内容集成，还更富有内涵创新。生成式人工智能通过多种形式的深层次知识挖掘，既实现了数据拓展的深度，又保证了数据获取的客观可靠，在数据检索收集、信息分类归纳、知识框架梳理等人工智能辅助环节下实现集成化决策。 （二）多组态场景协同推动技术预见情境可视化 生成式人工智能在巨量数据的算据基础之上，借助现有数字技术的强大云计算能力和神经网络生成内容的算法模型，实现了数据内容的创造生成和虚拟场景的模拟建构，场景显现、技术发展有迹可循成为生成式人工智能赋能技术预见的最大亮点。生成式人工智能基于亿万级素材算据驱动和原创算法挖掘的智能材料生成，利用大量的文本数据进行训练，可以秒级自动呈现多篇图文并茂、逻辑严密的调研素材和访谈结果，并且使案例更具系统性和严密性。现阶段其正在追求图片、文字、语音等系列表达方式的组合虚拟，核心技术是多模态的联系和协同，实现不同模态的数据融合和代码适应，以期建立完备的未来场景。数字孪生和虚拟现实与生成式人工智能紧密结合，并为其提供了全息立体应用场景，实现虚拟现实。随着元宇宙研究的不断深入，各类数字孪生工具和虚拟现实生产平台竞相亮相，并与生成式人工智能紧密结合，较有代表性的是英伟达于2021年发布的Omniverse Avatar平台，融合了计算机听视觉、语音识别、虚拟现实等技术，聚焦虚拟交互场景开发。样本学习的加速迭代和虚拟场景的现实构建可以模拟显现技术预见的未来方向和成果，提高其真实性和可视化程度。 （三）海量底层数据信息提升技术预见准确性 大数据、云计算等技术的出现使得数据的无限存储和极速发布轻松实现，原有存量数据得以全面保存，大规模增量数据实时发布积累，海量数据共同构成各种类型的数据库和检索集成。依托数据处理技术、数理统计分析方法、数据模拟生成辨别技术等大数据的生成式人工智能处理方法，可以扩充数据获取的渠道、降低数据获取的难度，快速推进科学数据共享应用。通过人工智能等工具的“秒级”计算应用，海量数据顷刻可得，专家访谈、问卷收集等传统方式相形见绌，平衡客观数据分析结果与专家主观判断结论成为可能。伴随着海量数据的积累和创造，技术预见正发生着“数据→知识→智慧→决策→预见”的深刻模式变革。技术预见不再囿于数据缺乏而降低权威性和公正性，准确性和有效性也将大为提升。 三、生成式人工智能赋能技术预见面临的风险挑战
随着新一轮科技革命和产业变革的兴起，以及“大科学”“大工程”时代的来临，技术更新周期不断缩短，技术发展的不确定性与风险性大幅度提高，科学严谨的关键核心技术预见活动成为争取国际科技创新主动权的重要措施，也是在国家层面实现科技自立自强战略目标的重要保障。与传统的分析性人工智能相比，生成式人工智能实现了人工智能从感知世界到生成创造世界的跃动，给未来技术预见活动带来重要的机遇；但不可否认的是，当前以ChatGPT为代表的生成式人工智能在服务技术预见的具体应用中，还存在一系列风险与挑战。 （一）人工智能的不可控性挑战技术治理伦理 生成式人工智能赋能技术预见过程中所代表的技术治理模式可能存在弱化人类主体性的风险，甚至进一步引发技术依赖、责任缺失以及信息茧房等问题。首先，人工智能已经逐渐从手工编程订制式代码构建模式向着通用性的大模型平台转型。在此背景下，技术主导市场，牵引人类主观能动思维，技术预见自适应生成式人工智能，并对生成式人工智能依赖性增强，影响终端布局。其次，现存的生成式人工智能存在着责任不明晰的问题，其拥有千亿级参数，在运转时并不能给予每一个结果以明确的资料来源，材料的“真实性”问题凸显，大量虚假引用存在。同时，大量数据信息难以进行隐私保护，在ChatGPT等工具的“法眼”下一览无余。最后，由于生成式人工智能等新型网络技术的发展和普及，技术行业专家及研究团队获取面上信息的范围愈发宽泛，但选择愈发局限。现阶段类似ChatGPT等人工生成工具不断输出同质信息，在“回音室效应”的催动下，不同群体的“信息不对成性”增强，技术预测偏差增大。 （二）战略性前沿技术发展轨迹的不可预测性 现阶段，我国对战略性新兴技术的发展轨迹难以预测，急需一批能够开辟新领域、引领新方向的战略研究专家，一套独创性、智能化的研究体系，一系列创新生成式的新工具。我国从事技术预见的专业人员大部分来自统计学、管理信息系统等专业领域，擅长统计方法与数据分析，但对技术前沿发展方向了解不深，对关键技术的前瞻性布局理解不到位。与此同时，以学科为主的人才培养模式，造成专业视野狭窄，忽视技术战略规划与分析判断能力综合融汇培养，兼备多种技术预见场景知识应用核心能力的复合型人才缺乏。系列战略预见人才的缺失导致技术预见视野受限，难以对战略性新兴技术特别是一些能够实现弯道超车的新技术进行有效的预测。此外，我国现有的技术预测研究方法和体系信息采集较为单一，与生成式人工智能结合薄弱，没有充分发挥物联网、大数据、云计算的优势，缺乏系统研究，深度融汇缺乏、针对性模型空白，无法有效应对战略性新兴产业的不可预知性。 （三）高价值可信性数据生成过程的诱导性偏离 对当前技术发展趋势的海量资源进行深度学习，进而对未来技术发展的方向或重点聚焦领域作出超越人工能力的预测与判断是人工智能赋能技术预见的重要方式。因此在大模型训练过程中数据资料、分析过程的可靠性是技术预见能否成功有效的关键。借助生成式人工智能来进行未来技术预见至少存在两个方面的可信性挑战：一方面是大模型预训练过程中标注数据质量参差不齐，特别是关键的技术领域通常具有很强的纵向壁垒性，数据标注人员可能存在对具体细分领域不熟悉，这就会导致数据标注过程中极易出现不规范和不准确的现象，继而对人工智能信息迭代造成不良影响，造成取向上的偏离。在大模型发展过程中这种带有倾向性质的不准确数据会被进一步扩大，甚至给出完全错误的结果。另一方面，受到强化学习机制影响，生成式人工智能在预测未来技术发展过程中的诱导偏离现象也会影响过程和结果的可信度，特别是针对一些“热点”研究领域，资料多，数据较之非热点领域更为丰富，大模型受其影响也更倾向于对这些领域做出反馈，从而影响到技术预见的准确性和有效性。 四、促进人工智能赋能技术预见的有效策略
随着新一轮科技革命和产业变革的兴起，技术创新领域“百年未有之大变局”的特征愈发显著，技术更新周期不断缩短，战略性新兴技术发展的不确定性与风险性大幅度提高。如何有效结合生成式人工智能新技术，高效赋能技术预见，本文提出以下建议，以期推动我国技术预见朝着体系化、规范化、专业化的方向发展。 （一）明确技术伦理核心规则，加强人工智能规范治理 借鉴国际先进技术预见经验，立足国内技术领域众多、产业链条复杂的实际情况，一方面要加速推进人工智能规范治理的顶层设计，另一方面要加速建设专业人才队伍，在规范使用人工智能基础上提升技术预见效率。一是工业和信息化部要统筹规划指导，完善生成式人工智能领域的立法和操作化政策制定工作，明确技术伦理核心治理规则和基本准则，并在此基础之上形成规范的数据来源责任制度和明确的逻辑推理过程验证系统，杜绝虚假信息进入。二是建立风险评估体系，将社会伦理和法律理念植入生成式人工智能创作始终，明确各阶段各主体责任。对于违反人工智能治理规范的行为进行处罚。三是以新兴前瞻方向为牵引，以战略型科学家为指引，重点培养一批“AI+”技术预见人才，保障人工智能规范治理，赋能关键领域技术预见。研究制定技术预见型人才培养的目标培养体系，将规范使用人工智能工具的准则植入其中，分层分类分阶梯建设专家队伍，既培养复合型技术预见战略科学家，又锻炼一批专业素质过硬、具备针对性知识应用能力的行业专家。 （二）构建技术预见科学方法论，推广人机交互的专家决策模式 要充分发挥人工智能的现有优势，高效率赋能技术预见。一是要实现人机交互信息获取技术辅助专家判断，从而实现融汇驱动。重视实地调查研究、专家研讨会、德尔菲专家调查法等传统方法与人工智能新技术的结合，例如通过人工智能对专题和关键词进行聚类，为专家研讨与德尔菲调查提供信息资料基础，实现客观数据收集与主观思维分析相结合。二是要重视科技大数据、人工智能、机器学习等新技术、新方法在技术预见领域的创新应用，借助新技术在全球范围内及时采集大学、科研机构等发布的技术研究报告并对其进行系统分析，通过数据库互联、人机交互等手段，破除“信息茧房”，发掘有效信息。三是要实现人工智能工具效用的充分挖掘，密切行业联系，对症下药。各行业会协会，尤其是新兴技术领域应积极参与制定契合本专业领域的生成式人工智能模型，从信息选取上确保数据的可靠性。要打破现有通用大模型的故有框架，构建适应学科的专用定制模型，做到“小而精，精而准，准而优”，高效赋能不同领域的技术预见工作。 （三）强化统一标准和数据集成，全面提升人工智生成数据可信性 聚焦科技自立自强战略，实现技术预测底层数据支撑的可靠性建设，使技术分析、未来趋势研判、实证效果分析有据可依。一是要增加技术预见预算投入，编制国家级关键核心技术预见专项发展规划，形成不同行业的数据集成统合标准。由综合性强的专业战略政策研究机构牵头，统筹布局、协调推进，由各个行业研究机构作为专业力量参加，以“综合组+若干专家组+国内大专家”的模式支撑技术预见数据标准制定工作。二是构建信息传导数据分析服务平台，确保技术预见的数据来源可靠。如科技部发展规划与技术预测处牵头布局一批关键核心技术预见项目，通过重大研究专项支持的方式来打造产业重大关键技术预见与研究平台，将财政科技计划项目数据信息统筹整合集成，建立科技项目科技成果的大数据挖掘平台，实现专业数据集成共享。三是要制定整体的人工智能模型考核标准和评价体系框架，以及数据生成对口预测目标，保证数据生成过程的可靠性。从供给端出发，尝试通过整合搜索引擎、联网交互、数据库融通的方式，尽可能提升训练数据的“人性化”水平，提高其情景应用能力和思维深度，减少外界诱导所导致的训练偏差。从客户端出发，强化个体在人工智能2.0时代的信息自决能力，及时纠正机器学习时产生的关注点偏差，做技术预见的“主人”。 |
|
|
来自： Sevenv55biecss > 《js11》
