第四次产业革命：始于人工智能
最近十年，我们一直在建立一个移动优先（mobile-first）的世界，而接下来的十年里，我们的将转向人工智能优先（AI-first）的世界。（Google CEO Sundar Pichai，2016 年 10 月）
从 Amazon 和 Facebook 到 Google 和 Microsoft，世界上最具影响力的技术公司的领导者都在表现出了对人工智能（AI）极大的热爱。那么什么是 AI？为什么如此重要？为什么会在现在成为热点？虽然人们对于 AI 越来越感兴趣，但是只有专家才能真正能够理解这个领域。我们的目标是使更多人接触到这个重要领域。
首先我们要解释 AI 以及「机器学习」等关键术语的含义，阐述成果最丰富的 AI 领域「深度学习」是如何运作的，并对 AI 解决的问题及为什么这些问题很重要进行探索。我们还会分析，为什么二十世纪五十年代发明的 AI 技术会在今天迎来它的时代。
作为风险投资人，我们一直在寻找能够为客户和公司创造价值的新潮流。我们相信 AI 会是一种比移动化和云计算更重要的变革。Amazon 的 CEO Jeff Bezos 表示，「很难说在接下来的 20 年，AI 会对社会造成怎样的影响。」无论你是客户、行政人员、企业家还是投资人，我们希望这篇文章能够不同于那些天花乱坠的宣传，真正为你解释为什么这个新型潮流对我们来说如此重要。
一、什么是 AI？
人工智能：关于智能程序的科学
1956 年，达特茅斯学院的助理教授 John McCarthy 创造了「人工智能」（AI）一词，指那些能够表现出智能行为的硬件和软件，用 John McCarthy 的话说，就是「制造智能机器，尤其是智能计算机程序的科学和工程。」
基础的「AI」已经存在了几十年，在特定环境下通过基于一定规则的程序呈现基本的智能行为。但是取得的成绩是有限的，因为用于处理很多现实世界问题的算法是很难人工进行编程的。
在进行医疗诊断、预测机器故障或是测定特定资产的市场价值等复杂活动时，会涉及到上千个数据组和变量之间的非线性关系。在这些情况下，我们很难用现有的数据得到「最佳」预测结果。而在其他领域，包括在图像中识别目标和语言翻译等，我们甚至无法创建规则来描述我们寻求的特征。我们怎么可能编写一组适用于所有情形的程序，来描述一只小狗的外貌呢？
进行数据优化和功能特征等复杂的预测时会遇到一些困难，假使我们将这种困难由程序员那里转移到程序呢？这就是现代人工智能的责任。
机器学习也属于 AI 技术，所有机器学习都属于 AI，但 AI 并不只是机器学习（见表一）。从人们对 AI 的兴趣可以看出对机器学习的热情，这一领域的发展非常迅速并且意义重大。
有些问题对于人类来说非常复杂，而机器学习可以帮助我们将一部分负担转移给算法，来解决这些问题。1959 年，AI 的先驱 Arthur Samuel 曾经写道，机器学习是「一种赋予计算机无需明确编程就能学习的能力的研究领域」。
大部分机器学习的目标都是针对特定使用情况开发预测引擎。算法会接收到某一领域（比如一个人在过去看过的电影）的信息，对投入进行权衡，做出有用的预测（一个人在未来喜欢不同电影的可能性）。通过赋予「计算机学习的能力」，可以利用算法完成最优化的任务，最优化也就是通过衡量可用数据中的变量，对未来进行准确预测。我们还可以更进一步，将特征详述的任务也交给程序来做。
机器学习算法要经过训练。算法首先接收到例子，并且已知这些例子的输出，记录下预测输出与真实输出的差距并调整输入的权重提高预测的准确性，直到得出最优值。因此，机器学习算法最典型的特征就是，预测的质量会随着经验的丰富而提升。我们提供的数据越多（一定程度上），预测引擎能得出的结果就越优化。（见图二、图三，需要的数据集的规模非常依赖于环境，从以下例子中我们无法笼统概括。）
机器学习的方法有超过 15 种，每一种都使用不同算法结构，依据得到的数据实现预测最优化。「深度学习」是其中一种方法，在新的领域取得了突破性成果，我们将在下文中对此方法进行探索。此外一些没有受到很多关注的技术也很有价值，它们适用于更广泛的使用情形。除了深度学习外，「随机森林」也是一种最有效率的机器学习算法，可以创造很多决策树，使预测最优化；
「贝叶斯网络」使用概率性方法分析变量及各变量之间的关系；在支持向量机中输入的是类别化的案例，它可以创造模型，把新的输入分配到各个类别中。
每一种方法都有优势和不足，所以要结合起来使用（一种组合方法）。哪种算法会被选择出来解决某一特定问题，取决于可用数据集等因素的性质。实践中，开发者倾向于通过实验观察哪些算法是有效果的。
机器学习的使用案例根据我们的需求和想象而不同。拥有正确的数据后，我们可以建立算法实现各种目的：根据某人之前的购买记录推荐购买产品；预测汽车装配线上的机器何时会发生故障；预测电子邮件地址是否错误；估计信用卡交易欺诈行为的可能性；还有很多其他目的。
深度学习：将特征详述工作交给算法
即使使用随机森林、贝叶斯网络、支持向量机等普通机器学习方法，也很难编写出能很好地完成特定任务的程序，从理解语音到识别图像中的对象。因为我们无法以实际、可靠的途径来详述特征。例如，如果想要编写计算机程序来识别汽车的形象，我们无法在算法中详述汽车的特征，来确保在所有情况下都能准确识别。汽车的形状、大小和颜色多种多样，位置、方向和形态也有所不同。背景、灯光和很多其他因素都会影响对象的外表。一组规则中需要包含的变量太多了，即使我们能够全部包含进去，这种解决方案也不具备延展性。我们需要为每种需要识别的对象都编写一组程序。
深度学习（DL）已经彻底改变了人工智能世界。有超过 15 种实现机器学习的方法，深度学习就是其中一种，所有深度学习都属于机器学习，但是机器学习并不只是深度学习。（图 4）
通过深度学习，程序员可以不必完成特征详述（根据数据定义需要分析的特征）或最优化（如何权衡数据以实现准确预测）的任务，而是全部交给算法来完成。
那么如何实现这些呢？深度学习的突破点在于模拟大脑，而不是模拟世界。我们的大脑会学习做有难度的事情，比如理解话语和识别物体，而且并不是通过详尽的规则而是通过时间和反馈来学习。小的时候我们体验这个世界（比如看见一张汽车的图片），做出预测（汽车！）然后收到反馈（没错！）。我们没有通过一组详尽的规则，而是通过训练进行学习。
深度学习使用的就是这种方法。将人造的、以软件为基础的计算器连接在一起，类似于大脑中的神经元。它们组成了一个「神经网络」，接收输入并进行分析、作出判断，如果判断正确，就做出通知，如果输出是错误的，算法就会对神经元之间的联系做出调整，改变未来的预测。最初网络会出现很多次错误，但随着我们输入数以百万计的例子，神经元之间的联系就会得到调整，最终几乎在所有情形下，神经网络都会做出正确的判断，这也就是熟能生巧。
通过这个过程，我们现在可以：
识别图片中的元素；
实时语言翻译；
语音控制设备（通过 Apple Siri、Google Now、Amazon Alexa 以及 Microsoft Cortana）；
预测基因变化会对 DNA 转录产生怎样的影响；
分析客户反馈中的情感；
通过医学影像探测肿瘤。
深度学习并不能用于解决所有问题，其通常会需要利用大型数据集进行训练，需要广泛的处理能力来训练和运行神经网络。「可解释性」也是一个问题，要知道神经网络如何实现预测是非常困难的。但是深度学习使程序员从复杂的特征详述工作中解放出来，为一系列重要问题提供成功的预测机制。深度学习最终会成为 AI 开发者的强大工具。
二. 深度学习是如何工作的？
既然深度学习如此重要，了解其工作的基本要素也是非常有价值的。深度学习需要使用一个人工「神经网络」，即一组相互连接的「神经元」（基于软件的计算器）。
一个人工神经元至少会接收一个输入，其会以此为基础进行数学计算，得到输出结果。输出结果会依赖于每个输入的权重和神经元中的「输入-输出函数」的结构（图 5）。输入-输出函数会发生变化，神经元可能是：
一个线性单元（输出与总加权输入成一定比例）；
一个阙值单元（输出可分为两个等级，根据总输入是否高于特定值确定其等级）；或者 Sigmoid 单元（输出不断变化，与输入变化不成线性关系）。
当神经元相互连接时就会产生神经网络，一个神经元的输出会成为另一个神经元的输入（图 6）。
神经网络会组成多层神经元（所以会有「深度」学习）。「输入层（input layer）」接收信息，如一组图片，网络会对此进行处理。「输出层（output layer）」负责提供结果，多数活动都发生在输入层和输出层之间的「隐层（hidden layers）」上。神经网络上每一层的每个神经元的输出都是下一层的一个神经元的输入（图 7）。
下面就以一个图像识别算法为例，在图像中识别人脸。将数据输入神经网络，由第一层来识别局部对比的模式等「低等级」特点，如轮廓。图像穿过网络后，会逐渐提取其中的「高等级」特点，从轮廓到鼻子，再到面部。（图 8）
在输出层，通过训练神经网络会得出关于图片属于某一类的可能性（人脸：97%；气球：2%；树叶：1%）。
训练神经网络的方式就是将大量带有标记的例子展现在它们面前，可以检测出来错误，算法也会对神经元之间联系的权重进行调整，来完善结果。多次重复这个优化过程，就可以部署系统并对未标记的图像进行评估。
以上是一个简单的神经网络，但是结构可以变化，且多数比较复杂。变量包括同层神经元之间的连接；区别每层神经元的数量；神经元之间的联系向上一等级网络输出（递归神经网络）。
设计和完善神经网络需要大量的技能，步骤包括为特定应用组织网络、提供合适的训练数据集，根据进展调整网络结构，以及结合多种方法。
三．AI 为什么很重要？
AI 要处理的是非常有深度的难题，因此非常重要，这些问题的解决方案可以应用于那些对人类幸福感非常重要的部门，从健康、教育和商业到交通、公共事业和娱乐。
二十世纪五十年代起，AI 研究就关注了五个领域：
推理：通过逻辑推理解决问题的能力。
知识：表现关于世界知识的能力。（理解世界上的一些特定实体、事件和状况；具有某些特性的要素；可分类的要素。）
计划：制定和实现目标的能力（世界的未来有一种特定状态是我们所期待的，可以通过一系列的活动影响到通向这种状态的过程）。
交流：理解书面和口头语言的能力。
感知：根据视觉影像、声音和其他感官输入对与世界有关的事情进行推理的能力。
AI 的价值可以体现在很多方面，这些能力的进步带来的不只是发展而是变革。AI 的应用事例包括以下方面：
推理：法律评定；金融资产管理；财务应用处理；游戏；自主武器系统。
知识：医疗诊断；药品研发；媒体推荐；购买预测；金融市场贸易；欺诈防范。
计划：物流；行程安排；导航；物理和数字网络优化；预见性维护；需求预测；库存管理。
交流：声音控制；智能代理，助理及客户支持；书面及口头语言实时翻译；实时转录。
感知：自动驾驶；医疗诊断；监控。
接下来几年，几乎所有部门都会在更多流程中应用机器学习。比如简单的企业功能，如一家公司中的人力资源（HR），就即将应用机器学习；
员工招聘可以更有目标性，可以使用智能工作匹配和部分自动化评估功能；
通过人员需求和缺席的预测性计划可以强化员工管理；
如果能够推荐更适合员工的学习内容，员工学习也会更有效果；
通过对员工离职风险的预测可以减少人员变动。
机器学习将变得正规化，成为开发人员标准工具的一部分，能够完善并重塑现有流程。
机器学习的后续影响会超越即时影响。深度学习促进了计算机视觉的发展，例如可以实现车辆（轿车和卡车）自动驾驶。那么其又会带来哪些影响呢？目前在英国有 90% 的人和 80% 的货物是通过公路运输的，如果使用自动驾驶车辆会产生以下影响：
安全（90% 的交通事故是由驾驶员的疏忽引起的）
雇佣（英国有 220 万运输及物流行业的员工，年薪约为 570 亿英镑）
保险（Autonomous Research 预计，之后英国的汽车保险费用将下降 63%）
部门经济（客户将使用按需交通服务，代替自己的汽车）；
汽车生产能力；城市计划；规则及其他。
四. 为什么现在会是 AI 的时代？
AI 研究始于二十世纪五十年代，为什么在经历了多次失败以后，现在迎来了转折点？新算法的产生、数据通知能力的提升、更好的训练算法的硬件以及促使开发者使用 AI 技术的云服务。
1. 经过改进的算法
尽管深度学习并不是新技术，首个有效多层神经网络的详细说明发布于 1965 年，但是在过去十年里算法的发展确实对深度学习产生了很大影响。
由于卷积神经网络（CNN）的发展，我们在图像中识别物体的能力也得到了提高（图 9）。受到动物视觉皮质的启发，神经网络中的每一层都是特定模式存在的过滤器。2015 年，微软的基于 CNN 的计算机视觉系统（准确度：95.1%）在图片中识别物体的能力超过了人类（准确度：94.9%）。「据我们所知」，他写道，「我们的成果的表现首次超过了人类。」CNN 更加广泛的应用还包括视频和语音识别。
同时，递归神经网络（RNNs）出现后，语音和字迹的识别能力也在迅速提高（图 10）。RNNs 的反馈联系能够确保数据进入一个循环，这不同于只能正向输送的常规神经网络。有一种强大的新型 RNN 叫做「长短时记忆（LSTM）」模型。通过附加的联系和存储单元，RNN 能够记忆几千个步骤之前看见的数据，并通知以下解释，这对于语音识别来说非常有价值，对下一个词的解释可以从前面的单词那里得知。2012 年开始，Google 开始使用 LSTM 来支持 Android 系统中的语音识别，仅六周前，微软的工程师宣布，他们的系统误字率为 5.9%，这是首次大致等同于人类的水平。
2. 专门化硬件
绘图处理器（GPUs）是专门的电子电路，极大削减了深度学习所需的训练神经网络的时间。
训练神经网络广泛应用了矩阵计算方法。所以对 3D 游戏有用的 GPUs 非常适合加速深度学习的发展，一个简单的 GPU 就能够将训练效率提升 5 倍，在较大的问题上，收获或许增加了不只 10 倍。如果结合上那些为了广泛使用深度学习框架而调整的软件开发装备，训练速度会有更大的提升。（图 11）
3. 大规模数据
用于深度学习的神经网络通常都需要利用大型数据组进行训练，从几千个例子到几百万个例子。幸运的是，数据的创造和可用性在以指数方式增长。现在，随着进入数据的「第三次浪潮」，人类每天会产生 2.2 艾字节（23 亿千兆字节）的数据；世界上所有数据中有 90% 都产生于过去的 24 个月。
数据创造的「第一次浪潮」开始于二十世纪八十年代，涵盖文档和交易数据，可以联网的台式 PC 的普及也加速了这次浪潮。接下来是数据的「第二次浪潮」，是非结构化媒体（电子邮件、照片、音乐和视频）的一次爆发，普及化的智能手机联网后会产生网页数据和元数据。现在我们正在迈入数据的「第三时代」，工业和家中都可以部署机器传感器，创造额外的监控、分析和元数据。
假定今天我们创造出的大量数据都是通过互联网传送的，膨胀的网络交通就会成为大量增长的数据量的防火墙。1992 年，人类每天传送 100GB 的数据，而到了 2020 年，我们每秒就将传送 61,000GB 数据（图 12）。
我们能够使用的通用数据越来越多，专业数据资源加速了机器学习的进程。例如 ImageNet，是一个可以自由使用的数据库，拥有超过一千万个带标签的图像。这个数据库加速了对象分类深度学习算法的发展。
4. 云服务
行业内顶尖的云计算供应商会提供云端的机器学习基础架构及服务，能够促进开发者对机器学习的使用。
Google、Amazon、Microsoft 和 IBM 都会通过提供云端基础架构（建模和迭代环境、可扩展的「GPUs 即服务」和相关托管服务）来降低开发机器学习功能的成本和难度。
此外，他们提供的云端机器学习服务（从图像识别到语言翻译）范围也在扩大，开发人员可以直接在自己的应用中使用这些服务。Google 机器学习提供了一些很容易获得的服务，包括视觉（物体识别、明确内容检测、人脸检测和图像情感分析）；语音（语音识别和语音文字转换）；文本分析（实体识别、情感分析、语言检测及翻译）；以及求职（列举工作机会以及资格匹配）。Microsoft Cognitive Services 能够提供超过 21 种视觉、语音、语言、知识和搜索领域的服务。
5. 利益和创业
在过去五年里 AI 领域的公共利益增长了六倍（图 13），风投公司对 AI 公司的投资也大幅增加（图 14）。我们已经进入了一个良性循环，机器学习领域的进步正在吸引投资、创业以及注意力。而后者又会反过来加速机器学习的发展。
五. 前景如何？
机器学习能带来的利益是无穷的，我能够看到的就包括从无人驾驶汽车到人机互动的新途径。还有很多利益没有这么明显，但是能够提供日常的业务流程和客户服务的能力和效率。
有时我们的期望过高，超出了短期的发展潜力，我们希望未来能够真正认识 AI，随着机器学习被用于改善和重新设想现有的系统，希望我们能够认识到 AI 的价值。
历史上，产业革命会通过新的能量来源和传动装置改变生产和交流方式。18 世纪 80 年代，第一次产业革命通过蒸汽动力实现了生产自动化。19 世纪 70 年代，第二次产业革命通过电力实现了大量生产。20 世纪 70 年代以来，第三次产业革命通过电子工业和软件技术实现了生产及通讯的自动化。现在，软件遍布整个世界，信息处理成为了价值创造的首要来源。机器学习使我们的世界更加智能化，将产生历史性的利益。
第四次工业革命：
一场深刻的系统性变革
来源：THINKTANK新智囊
对于所有行业和企业而言，问题不再是“我是否会被他人颠覆”，而是“颠覆会何时到来，会以什么形式出现，对我和我所在的组织会产生怎样的影响”。
当今时代，我们面临着纷繁复杂的挑战，其中最严峻、最重大的挑战莫过于如何理解并塑造本次新技术革命，这不亚于人类的一次变革。这次革命刚刚开始，正在彻底颠覆我们的生活、工作和互相关联的方式。无论是规模、广度还是复杂程度，第四次工业革命都与人类过去经历的变革截然不同。
我们尚未完全了解这次新技术革命的速度和广度。仅以移动设备为例，如今，移动设备将地球上几十亿人口联结到了一起，具有史无前例的处理和存储能力，并为人们提供获取知识的途径，由此创造了无限的可能性。另外，各种新兴突破性技术出人意料地集中出现，涵盖了诸如人工智能、机器人、物联网、交通工具、3D(三维)打印、纳米技术、生物技术、材料科学、能源储存、量子计算等诸多领域。尽管其中很多创新成果还处于初期阶段，但是在物理、数字和生物技术相结合的推动下，它们在发展过程中相互促进并不断融合，现在已经发展到了一个转折点。各行各业都在发生重大转变，主要表现为：新的商业模式出现，现有商业模式被颠覆，生产、消费、运输与交付体系被重塑。社会层面的一个范例是，我们的工作与沟通方式，以及自我表达、获取信息和娱乐的方式正在发生改变。同样，政府、各类组织机构以及教育、医疗和交通体系正在被重塑。如果我们用创新的方式利用技术，改变人们的行为和生产、消费体系，我们就有望为环境再生和保护提供支持，避免因外部效应产生隐性成本。无论从规模、速度还是广度来看，本次技术革命带来的变化都具有历史性意义。新兴技术的发展和运用还存在巨大的不确定性，这意味着我们尚不清楚本次工业革命将如何推动各行业变革，但变革的复杂性和各行业的互联性表明，国际社会所有利益相关者，包括政界、商界、学术界和公民社会在内，都有责任共同努力，加深对新兴趋势的理解。
为了塑造一个反映我们共同目标和价值观的美好未来，共识至关重要。我们必须对下列问题形成全面了解并达成全球共识：技术正在如何改变当代人以及子孙后代的生活?技术正在如何重塑人类赖以生存的经济、社会、文化和环境?
这些改变是如此深刻，以至于人类在其发展历史上从未迎来如此美好的前景，也从未面临如此严峻的风险。然而我担心的是，决策者们往往囿于传统的(非颠覆性)线性思维，或者过于关注眼前的危机，而难以对影响未来的各种颠覆和创新力量进行战略性思考。
我知道，一些学者和专业人士认为我所讨论的这些进步只是第三次工业革命的延续。但在我看来，我们正在经历一场具有自身特性的第四次革命，主要有以下三大原因：速度：和前几次工业革命不同，本次革命呈现出指数级而非线性的发展速度，这是因为我们目前生活在一个高度互联、包罗万象的世界，而且新技术也在不断催生更新、更强大的技术。
广度与深度：第四次工业革命建立在数字革命的基础之上，结合了各种各样的技术，这些技术正给我们的经济、商业、社会和个人带来前所未有的改变。它不仅改变着我们所做的事情和做事的方式，甚至在改变人类自身。系统性影响：它包含国家、公司、行业之间(和内部)以及整个社会所有体系的变革。
我写这本书的目的是提供一本关于第四次工业革命的“入门读物”。本书介绍了此次工业革命的本质、后果和影响，以及我们应采取什么措施利用本次工业革命为共同利益服务。本书适用于所有对未来新事物有兴趣，并致力于利用本次颠覆性变革的机会，塑造一个更美好世界的人。
《第四次工业革命》具有以下三个主要目标：
帮助人们更好地认识技术革命的全面性、速度及其全方位影响;
构建技术革命的思维框架，列出核心问题与可能的应对措施;
提供一个平台，激励公共部门与私营部门就技术革命问题开展相关合作。
总之，技术并非我们无法控制的一个外在因素。我们不必囿于“要么接受，要么拒绝”这样非此即彼的二元选择。相反，我们要把握这次剧烈的技术变革机会，反思我们的本质与世界观。我们越深入思考如何利用这场技术革命，就越能审视自身以及这些技术所催生的潜在社会模式，我们也就更有机会推动革命的发展，从而改善世界状况。
推动第四次工业革命的发展，赋权于民并以人为本，而不是去人性化并造成社会分裂，这绝非某一个利益相关群体或行业靠一己之力就能完成的工作，也不是某一个国家或地区单枪匹马就能完成的任务。这次工业革命的本质和全球性，意味着它会对所有国家、经济体、行业和公众产生影响，同时也会受到他们的影响。因此，我们必须跨越学术、社会、政治、国家和行业的界限，投入大量精力开展多方合作。这样的互动与合作，对于国际社会就第四次工业革命形成充满正能量和希望的统一认识必不可少，它能让所有个体、群体和地区都能参与当前的转型进程，并从中受益。
一场深刻的系统性变革
技术和数字化将会改变一切，这个观点是本书的创作前提。“这次不同了”是一个被滥用甚至经常错用的金句，但基于本书，这句话却是非常恰当的。简而言之，各项重大技术创新即将在全球范围内掀起波澜壮阔、势不可当的巨变。正因为这场变革规模极大、范围极广，所以目前的颠覆和创新才会显得如此激烈。如今，创新的发展速度和传播速度比以往任何时候都快。airbnb(空中食宿)、优步和阿里巴巴等颠覆者，几年前还籍籍无名，但如今早已家喻户晓。问世于2007年的苹果手机，如今在街头巷尾随处可见。截至2015年底，全球智能手机总量更是多达20亿部。2010年，宣布研制出首辆汽车。用不了多久，我们就会看到许多汽车行驶在公路上。
这样的事例不胜枚举。速度只是第四次工业革命的一个方面，规模收益也同样惊人。数字化意味着自动化，自动化反过来意味着企业的规模收益不会递减(至少递减的部分会少一些)。为帮助读者从总体上理解这个道理，我们拿1990年的底特律(当时主要的传统产业中心)与2014年的硅谷做一个比较。1990年，底特律最大的三家企业的总市值、总收入和员工总数分别为360亿美元、2500亿美元和120万人。相比之下，2014年，硅谷最大的三家企业的总市值高达1.09 万亿美元，其2470 亿美元的总收入与前者不分伯仲，但它们的员工数量仅约为前者的1/10，只有13.7万人。与10年前或15年前相比，今天创造单位财富所需的员工数量要少得多，这是因为数字企业的边际成本几近为零。此外，在数字时代，对于许多供应“信息商品”的新型公司而言，其产品的存储、运输和复制成本也几乎是零。一些颠覆性的技术企业似乎不需要多少资本，就能实现自身发展。比如，instagram和Whatsapp等公司并不需要太多启动资金，借助第四次工业革命的力量，这些企业不仅改变了资本的作用，还提升了自身业务规模。这一点充分表明，规模收益有助于进一步扩大企业规模，并影响整个系统的改革。
除速度和广度之外，第四次工业革命的另外一个特点是，不同学科和发现成果之间的协同与整合变得更为普遍。不同技术相伴相生，催生出许多以前只能在科幻小说中才能看到的有形创新成果。比如，数字制造技术已经可以和生物学相互作用。一些设计师和建筑师正在将计算机设计、增材制造、材料工程学和合成生物学结合在一起，创造出新的系统，实现微生物、人体、消费产品乃至住宅之间的互动。通过这种方式，他们制造出(甚至可以说是“培植出”)的物体具有持续自我改变和调整的能力(这是动植物的典型特征)。
在《第二次机器革命》一书中，布莱恩约弗森和麦卡菲指出，以当今计算机的聪明程度，我们根本无法预知几年后它们会有怎样的应用。从无人驾驶汽车和无人机，到虚拟助手和翻译软件，人工智能(AI)随处可见，并改变着我们的生活。人工智能之所以取得巨大进步，既得益于计算能力的指数级增长，也得益于我们现在可以获得大量的数据。不论是利用软件发现新药，还是利用算法来预测人的文化喜好，都离不开大量的数据。我们在数字世界里留下的都是像“面包屑”一样的数据，许多算法是有能力学习这些数据的，所以才有了新型的“机器学习”和自动发现技术。这些技术可以让“智能”的机器人和计算机实现自我编程，从基本原理中找到最佳解决方案。所谓的智能助手是快速发展的人工智能领域的一个分支，苹果公司的siri语音服务等应用让我们感受到了这个技术的威力。要知道，智能个人助手出现的时间不过才两年而已。今天，语音识别和人工智能的发展突飞猛进，人机交谈将很快成为常态，技术专家所说的“环境计算”(ambient computing)也将成为现实。利用环境计算技术，机器人个人助手可以随时记笔记并回答用户提问。未来，我们的设备将对个人生活产生更大影响，这些设备会聆听我们的想法、判断我们的需求，并在必要时主动为我们提供帮助。
第四次工业革命是把“双刃剑”
第四次工业革命在带来巨大好处的同时，也会带来巨大挑战，其中不平等现象的加剧尤其令人担忧。不平等现象加剧所带来的挑战很难量化，因为我们绝大部分人既是消费者又是生产者，所以创新与颠覆对我们生活水平和福祉的影响既有正面的，也有负面的。
最大的受益者似乎还是消费者。第四次工业革命产生了一批新产品、新服务，这些产品和服务可以在不产生任何额外成本的情况下，提高消费者的个人生活效率。如今，预约出租车、查航班、买产品、付费用、听音乐、看电影—所有这些事务都可以远程完成。技术给消费者带来的好处是有目共睹的。互联网、智能手机和成千上万的应用软件让我们生活得更为轻松，也提高了我们的总体工作效率。我们用来阅读、浏览、通信的一台小小的平板电脑，其运算能力相当于30年前5000台台式电脑的运算能力总和，且其存储信息的成本逐步趋近于零。
第四次工业革命带来的挑战显然主要落在了供应方身上，即劳动和生产领域。过去几年间，在绝大部分最发达的国家以及中国等快速发展经济体中，劳动力对GDP(国内生产总值)的贡献比重均有大幅下滑。这当中有一半是因为创新驱使企业用资本取代劳动力，导致生产设备相对价格出现下滑。因此，第四次工业革命的最大受益者是智力和实物资本提供者—创新者、投资人、股东，这正是工薪阶层与资本拥有者贫富差距日益悬殊的原因。这一现象也导致很多工人对未来失去希望，认为其实际收入这辈子不会有起色，而他们子女未来的生活也不会比他们这代人更好。不平等现象加剧以及人们对不公正的日益担忧是个巨大的挑战。
此外，所谓的平台效应也在加剧利益和价值向少部分人手中集中。平台效应指的是以数字业务为主的组织通过打造网络平台，匹配多种产品和服务的买家和卖家，从而获得越来越大的规模收益。
平台效应导致的结果是，为数不多但势力庞大的几家平台主宰了市场。它的好处是显而易见的，特别是对消费者而言。通过这些平台，消费者可以获得更高的价值和更多的便利，同时支付更低的成本。然而，这些平台的社会风险也是显而易见的。如果要避免价值和权力落到少数人手中，我们就必须设法平衡数字平台(包括行业平台)的效益与风险，确保其开放性，并为协作式创新提供机会。
这些影响我们经济、社会和政治体制的根本性变革一旦发生，便很难消除，哪怕我们在一定程度上逆转全球化进程，也很难消除其影响。对于所有行业和企业而言，问题不再是“我是否会被他人颠覆”，而是“颠覆会何时到来，会以什么形式出现，对我和我所在的组织会产生怎样的影响”。颠覆在实实在在地发生，我们也无法逃避其影响，但这并不意味着我们在颠覆来临时就毫无招架之力。我们有责任确立一套共同的价值观，引导政策选择并实施变革，让第四次工业革命成为所有人的机遇。
一网打尽系列文章，请回复以下关键词查看： |
创新发展：习近平 | 创新中国 | 创新创业 | 科技体制改革 | 科技创新政策 | 协同创新 | 成果转化 | 新科技革命 | 基础研究 | 产学研 | 供给侧 |
热点专题：军民融合 | 民参军 | 工业4.0 | 商业航天 | 智库 | 国家重点研发计划 | 基金 | 装备采办 | 博士 | 摩尔定律 | 诺贝尔奖 | 国家实验室 | 国防工业 | 十三五 | 创新教育 | 军工百强 | 试验鉴定 | 影响因子 | 双一流 |
预见未来：预见2016 | 预见2020 | 预见2025 | 预见2030 | 预见2035 | 预见2045 | 预见2050 | |
前沿科技：颠覆性技术 | 生物 | 仿生 | 脑科学 | 精准医学 | 基因 | 基因编辑 | 虚拟现实 | 增强现实 | 纳米 | 人工智能 | 机器人 | 3D打印 | 4D打印 | 太赫兹 | 云计算 | 物联网 | 互联网+ | 大数据 | 石墨烯 | 能源 | 电池 | 量子 | 超材料 | 超级计算机 | 卫星 | 北斗 | 智能制造 | 不依赖GPS导航 | 通信 | MIT技术评论 | 航空发动机 | 可穿戴 | 氮化镓 | 隐身 | 半导体 | 脑机接口 |
先进武器：中国武器 | 无人机 | 轰炸机 | 预警机 | 运输机 | 战斗机 | 六代机 | 网络武器 | 激光武器 | 电磁炮 | 高超声速武器 | 反无人机 | 防空反导 | 潜航器 | |
未来战争：未来战争 | 抵消战略 | 水下战 | 网络空间战 | 分布式杀伤 | 无人机蜂群 | 太空站 |反卫星 |
领先国家：俄罗斯 | 英国 | 日本 | 以色列 | 印度 |
前沿机构：战略能力办公室 | DARPA | Gartner | 硅谷 | 谷歌 | 华为 | 俄先期研究基金会 | 军工百强 |
前沿人物：钱学森 | 马斯克 | 凯文凯利 | 任正非 | 马云 | 奥巴马 | 特朗普 |
专家专栏：黄志澄 | 许得君 | 施一公 | 王喜文 | 贺飞 | 李萍 | 刘锋 | 王煜全 | 易本胜 | 李德毅 | 游光荣 | 刘亚威 | 赵文银 | 廖孟豪 | 谭铁牛 |
全文收录：2016文章全收录 | 2015文章全收录 | 2014文章全收录 |
其他主题系列陆续整理中，敬请期待…… |
“远望智库”聚焦前沿科技领域，着眼科技未来发展，围绕军民融合、科技创新、管理创新、科技安全、知识产权等主题，开展情报挖掘、发展战略研究、规划论证、评估评价、项目筛选，以及成果转化等工作，为管理决策、产业规划、企业发展、机构投资提供情报、咨询、培训等服务，为推动国家创新驱动发展和军民融合深度发展提供智力支撑。