1.1 什么是数字经济

数字经济是个不断发展的概念，随着数字经济的深入发展，其内涵和外延不断演化。2016年G20杭州峰会《二十国集团数字经济发展与合作倡议》将数字经济列为G20创新增长蓝图中的一项重要议题。该倡议提出了数字经济的定义：“数字经济是指以使用数字化的知识和信息作为关键生产要素、以现代信息网络作为重要载体、以信息通信技术的有效使用作为效率提升和经济结构优化的重要推动力的一系列经济活动”。2022年1月12日，国务院印发《“十四五”数字经济发展规划》，规划里对数字经济作了新的定义：“数字经济是继农业经济、工业经济之后的主要经济形态，是以数据资源为关键要素，以现代信息网络为主要载体，以信息通信技术融合应用、全要素数字化转型为重要推动力，促进公平与效率更加统一的新经济形态。” 我们可以看出，在《“十四五”数字经济发展规划》中强调了数据资源的关键性、全要素数字化转型、数字经济的公平与效率等内容。数据、算力与算法是人工智能发展的三要素，高质量的数字化转型依赖于数据资源的汇聚和利用，而人工智能的算力与算法可以促进数字经济的公平与效率。

《数字经济：中国创新增长新动能》一书中提出，作为一种新的经济形态，数字经济呈现出有别于传统工业经济的独有特征，主要体现在以下5个方面[1]：（1）数据成为驱动经济发展的关键生产要素；（2）数字基础设施成为新的基础设施；（3）数字素养成为对劳动者和消费者的新要求；（4）供给和需求的界限日益模糊；（5）人类社会、网络世界和物理世界日益融合。

由此，人工智能已成为新基础设施建设的重要部分，不仅包括人工智能技术及基础设施自身的发展，更要推动实体经济数字化、智能化转型，赋能数字经济高质量发展。

1.2 数字经济的分类

据中国信息通信研究院2021年4月发布的《中国数字经济发展白皮书》统计数据[2]，2020年我国数字经济规模达到39.2万亿元，较2019年增加3.3万亿元，占 GDP比重为38.6%。

作为衡量数字经济发展水平的重要统计标准，国家统计局于2021年6月3日发布了《数字经济及其核心产业统计分类（2021）》，该分类从“数字产业化”和“产业数字化”两个方面，确定了数字经济的基本范围，将其分为数字产品制造业、数字产品服务业、数字技术应用业、数字要素驱动业、数字化效率提升业5大类。其中，前4大类为数字产业化部分，是数字经济核心产业，是数字经济发展的基础。第5大类是产业数字化部分，是数字技术与实体经济的融合，该部分涵盖智慧农业、智能制造、智能交通、智慧物流、数字金融、数字商贸、数字社会、数字政府等数字化应用场景[3]。从产业数字化部分，我们可以看出，人工智能技术已渗透到实体经济的方方面面，赋能实体经济的转型发展。

数字经济的发展依赖于数字技术的进步，如图1所示，数字技术从下往上包括通讯与感知网络，存储与计算、大数据、人工智能、数字孪生等技术。本文重点介绍人工智能对数字经济的支撑作用。

图1 支撑数字经济发展的数字技术体系图

人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统[4]。根据2021年3月，国务院出台的《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》，该纲要在“专栏9”提出了人工智能赋能数字化应用的十大场景，具体包括智能交通、智慧能源、智能制造、智慧农业及水利、智慧教育、智慧医疗、智慧文旅、智慧社区、智慧政务，如图2所示。

图2 人工智能赋能数字化应用的十大场景

以智能制造场景为例，人工智能赋能智能制造的一个具体应用场景是基于计算机视觉的检测技术，包括目标检测（如对产品零部件有无外观瑕疵或缺陷）、目标识别（如型号识别）、目标定位（如缺陷定位，如图3所示）和目标测量（如零部件尺寸测量等）[5]。

图3 基于计算机视觉的缺陷定位[6]

目前基于计算机视觉的工业检测技术已成为工业企业数字化转型的核心支撑技术。但该技术应用落地依然面临技术挑战，比如，基于工业产品的缺陷检测，面临着缺陷数据难获得、数据量小、缺陷种类繁多且难以预知等问题，需要小样本学习、半监督学习、无监督学习等关键技术的支撑和突破。目前，腾讯、华为、阿里、百度、商汤等国内人工智能巨头均纷纷布局基于计算机视觉的工业检测赛道。例如，2021年7月宁德时代新能源科技股份有限公司智能制造部与腾讯云签署战略合作协议，宁德时代与腾讯云将联合攻关新能源质检世界级难题，助力宁德时代提升研发效率、加快电动电池技术能力储备，提高人工智能前沿技术研发水平。

人工智能赋能数字经济的高质量发展，同时数字经济的快速发展也为人工智能的技术突破带来了机会。近年来，人工智能新技术不断涌现，如面向认知智能的大语言模型、多模态融合的人工智能、小样本学习、低代码人工智能平台技术、具身智能、生成式人工智能等。以下以小样本学习、低代码人工平台技术及具身智能技术为例，介绍人工智能新技术在数字经济领域的应用趋势。

3.1 小样本学习

目前，人工智能技术正在赋能数字经济的各种场景，但在有些场景落地上却遇到了困难，如医疗辅助诊断、工业缺陷检测等，这些场景普遍具有数据搜集成本高、样本类别不均衡等问题，这导致我们没有足够的数据进行训练，因此AI模型无法学习到足够好的特征，作出准确的预测。人工智能领域知名学者吴恩达在近期的采访中也谈及，大数据时代可能已经过去，他正在关注小样本问题。小样本学习也称Few-shot Learning，其定义是从小数据量中学习到解决问题的模型，其主要的解决方法可从数据、模型和算法三个维度考虑[7]。从数据维度，我们可以考虑通过先验知识增广数据、通过生成对抗网络生成数据等；从模型维度，我们可以采用多任务学习、外部记忆学习(Learning with external memory)等；从算法维度，我们需要突破增量学习、半监督学习和无监督学习等新方法。小样本技术的突破将有助于人工智能在智慧医疗、智能制造等领域的深入应用。

3.2 低代码人工智能平台技术

目前，人工智能的场景应用，通常需要专业的程序员编写大量代码，然后训练、评估、部署模型。这种传统的人工智能技术应用模式，提高了众多传统企业的智能化改造的门槛。而现实的情况是，许多应用具有共性需求，比如许多传统制造业企业都希望利用AI进行产品缺陷检测，其差异化需求仅在于产品与缺陷类别的不同。一种解决方案是通过封装共性需求，将常见模型训练、调参等过程以平台形式低代码化（Low-Code Application Platform，LCAP），以SaaS的方式赋能各类数字化应用场景。目前，国内如百度、华为等公司已入局LCAP，百度推出了EasyDL平台，华为ModelArts则是面向开发者一站式AI平台，这些低代码人工智能平台将有助于降低人工智能应用的门槛，推动数字经济做强做优做大。

3.3 具身智能

目前大部分深度学习模型是旁观型的，它只能学习到数据中的模式（pattern）并将其映射为标签，并不能在真实世界中直接进行学习。为了满足人工智能能够像人类一样在真实世界中实践型学习，并执行任务的需求，具身智能（Embodied Intelligence）已成为人工智能领域近期研究的热点，该技术被认为是通往通用人工智能的重要途径。

具身智能的目标是构建一种智能系统，使得具身智能本体机器人与环境（物理模拟或真实世界）进行交互，智能系统在环境中通过感知获取数据，学习物理概念，并作出决策执行任务（移动、操作等）。典型的研究工作如斯坦福李飞飞教授团队发表于2021年10月《自然》杂志子刊Nature Communications的《通过学习和进化实现具身智能》[8]。国内，上海交通大学卢策吾教授团队也正在开展具身智能相关研究，并取得了一系列进展，如提出了通用目的智能引擎的总体架构[9]。具身智能技术的突破将催生智能机器人生产及应用的新业态、新模式。

数字经济是继农业经济、工业经济之后的主要经济形态。数字经济正推动生产方式、 生活方式和治理方式深刻变革，成为重组全球要素资源、重塑全球经济结构、改变全球竞争格局的关键力量。在数字经济的大背景下，人工智能已成为驱动数字经济深化发展的新动力[10]。同时，数字经济的快速发展也为人工智能产业蓬勃发展与技术的快速突破带来了新机遇。未来，随着人工智能新技术的突破，人工智能将进一步促进数字经济高质量发展。

[1] 马化腾等.《数字经济：中国创新增长新动能》, 中信出版集团，2017.5.

[2] 中国信息通信研究院.《中国数字经济发展白皮书》, 2021.4.

[3] 国家统计局网站.国家统计局副局长鲜祖德解读“数字经济及其核心产业统计分类（2021）”, 2021.6.

[4] 中国电子技术标准化研究院.《人工智能标准化白皮书（2018版）》,2018.1.

[5] 郭熹等. 基于5G 的工业AI 视觉检测系统应用. 邮电设计技术，2021（4）：73-78.

[6] Bergmann P, et al. Uninformed Students: Student-Teacher Anomaly Detection with Discriminative Latent Embeddings. IEEE, 2020.

[7] Wang Y , et al. Generalizing from a Few Examples: A Survey on Few-shot Learning. ACM Computing Surveys, 2020, 53(3):1-34.

[8] Gupta, Agrim, et al. "Embodied intelligence via learning and evolution." Nature communications 12.1 (2021): 1-12.

[9]  Lu C , Wang S . The General-Purpose Intelligent Agent. Engineering, 2020, 6(3):221-226.

[10]  MIT 科技评论，2021中国数字经济时代人工智能生态白皮书，2021.

上海市计算机软件测评重点实验室（SSTL）人工智能测评服务面向计算机视觉、语音识别、自然语言处理、推荐与搜索等领域，聚焦人工智能应用过程中的模型功能有效性评估、模型性能评估、数据集质量评估、对抗样本防御能力等，提供全方位的测评服务，保障人工智能应用的质量。

觉得内容还不错的话，给我点个“在看”呗