生成式人工智能賦能未來技術預見

張煒，林永春，王良

（1.浙江大學中國科教戰略研究院；2.浙江大學公共管理學院）

技術預見作為一種面向未來技術發展趨勢的預判活動和科技管理的政策工具，受到越來越多國家和國際組織的重視。英國薩塞克斯大學技術預見專家Martin在1995年首次提出，技術預見是有系統地試圖研究科學、技術、經濟和社會的長期未來發展趨勢過程，目的是確定可能產生最大經濟和社會效益的戰略研究領域和新興通用技術（Martin，1995）。20世紀90年代到21世紀初，信息、通信、人工智能等新興技術發展突飛猛進，許多國家加強技術預見與監測研究，技術預見第三次高潮掀起。

一、技術預見與人工智能的交互趨勢

近年來，伴隨著大數據、區塊鏈、云計算等新一代數字技術的加速推進，科技創新進入新的發展階段，技術預見也隨之革新，人工智能與技術預見的交互趨勢日益顯著。

一是技術預見主體多元化?；跀底只夹g的快速發展，多元主體參與社會活動的大規模數據得以傳輸、共享、結合，技術預見也開始從原先的“精英參與”向著“多元化數字治理”轉變。人工智能技術促進信息整合，形成多源異構數據平臺，通過整合多層面的技術數據，借助特定AI工具進行刪減、辨偽、集成，整合形成科技治理綜合數據庫和智能查詢平臺，使多主體技術預見活動得以進一步高效率展開。

二是技術預見方法數據化。預見方法的數據化有效克服了傳統德爾菲法造成的專家數據時效不新、客觀真實性不高等問題。在“集成性文獻+創造性信息”的合力支撐下，不僅使技術預見的決策過程更加迅速、客觀，還讓嚴謹科學、可視化的人機交互動態調整預見結果成為可能，不再是純粹的紙上談兵。一方面，人工智能技術有助于提升數據獲取的實效性；另一方面，人工智能技術有助于促進主客觀數據的有效交互，從而實現內涵數據形成。例如，通過數字化網絡社區和人機交互平臺，不同行業領域的專家、不同性格特征的受訪者能夠開展信息交互和情景對話，既提升了技術預見材料的客觀性，又發掘出大量原有方法難以捕捉的隱形數據。

三是技術預見工具智能化。機器學習、虛擬現實和人工智能等前沿技術與傳統技術預見方法相結合，將在感官可視化、共享體驗方面為技術預見活動帶來新的可能性。生成式人工智能在算據支撐、算法驅動、算力保障的綜合系統中，通過大模型設計和多模態組合等手段實現了海量數據集成和挖掘、人機交互場景生成、未來模擬情景構建，從而解決技術預見信息獲取難、準度低、可靠性弱，預測場景真實性差等問題，推動技術預見實現集成化、科學化、智能化轉向。

二、生成式人工智能賦能技術預見的關鍵特征

作為國家科技治理的重要工具，技術預見活動應加速與數字化工具的融合進程，提升生成式人工智能的加成優化效應。傳統的技術預見多以德爾菲法作為工具依托，易出現參與主體領域局限、數據支撐薄弱，結果反饋實時更新難等一系列問題，AI技術的成熟為技術預見的發展帶來了新的機遇。充分發掘生成式人工智能在未來技術預見領域的應用契合點，對于提升技術預見效率，提高科技治理能力，促進戰略性新興產業發展具有重大意義。

（一）人機交互情境下驅動技術預見決策集成化

生成式人工智能在傳統數據挖掘的基礎之上，借助人工智能生成內容的強大的語言學習理解能力和豐富的文本溝通交流能力，在人機交互中將技術預見過程和數據采集方式變得更加潛移默化。一方面，其通過機器學習的形式實現數據采集對象的性格特征勾勒和情緒刻畫的同時，營造“人性化”語言環境和參與氛圍，降低各類參訪因素造成的心理影響，實現知識的深度挖掘、信息的深層次集成獲取。另一方面，借助交互式、輕松化文本呈現，視覺、姿勢識別等近距離交流手段打造友好的人機交互界面，以實現深層次的原始數據材料收集和針對性信息獲取。如Open AI公司推出的ChatGPT提供了基于對話的人機交互界面，通過用戶提供的原始語言，“理解”生成高質量內容，不僅內容集成，還更富有內涵創新。生成式人工智能通過多種形式的深層次知識挖掘，既實現了數據拓展的深度，又保證了數據獲取的客觀可靠，在數據檢索收集、信息分類歸納、知識框架梳理等人工智能輔助環節下實現集成化決策。

（二）多組態場景協同推動技術預見情境可視化

生成式人工智能在巨量數據的算據基礎之上，借助現有數字技術的強大云計算能力和神經網絡生成內容的算法模型，實現了數據內容的創造生成和虛擬場景的模擬建構，場景顯現、技術發展有跡可循成為生成式人工智能賦能技術預見的最大亮點。生成式人工智能基于億萬級素材算據驅動和原創算法挖掘的智能材料生成，利用大量的文本數據進行訓練，可以秒級自動呈現多篇圖文并茂、邏輯嚴密的調研素材和訪談結果，并且使案例更具系統性和嚴密性?，F階段其正在追求圖片、文字、語音等系列表達方式的組合虛擬，核心技術是多模態的聯系和協同，實現不同模態的數據融合和代碼適應，以期建立完備的未來場景。數字孿生和虛擬現實與生成式人工智能緊密結合，并為其提供了全息立體應用場景，實現虛擬現實。隨著元宇宙研究的不斷深入，各類數字孿生工具和虛擬現實生產平臺競相亮相，并與生成式人工智能緊密結合，較有代表性的是英偉達于2021年發布的Omniverse Avatar平臺，融合了計算機聽視覺、語音識別、虛擬現實等技術，聚焦虛擬交互場景開發。樣本學習的加速迭代和虛擬場景的現實構建可以模擬顯現技術預見的未來方向和成果，提高其真實性和可視化程度。

（三）海量底層數據信息提升技術預見準確性

大數據、云計算等技術的出現使得數據的無限存儲和極速發布輕松實現，原有存量數據得以全面保存，大規模增量數據實時發布積累，海量數據共同構成各種類型的數據庫和檢索集成。依托數據處理技術、數理統計分析方法、數據模擬生成辨別技術等大數據的生成式人工智能處理方法，可以擴充數據獲取的渠道、降低數據獲取的難度，快速推進科學數據共享應用。通過人工智能等工具的“秒級”計算應用，海量數據頃刻可得，專家訪談、問卷收集等傳統方式相形見絀，平衡客觀數據分析結果與專家主觀判斷結論成為可能。伴隨著海量數據的積累和創造，技術預見正發生著“數據→知識→智慧→決策→預見”的深刻模式變革。技術預見不再囿于數據缺乏而降低權威性和公正性，準確性和有效性也將大為提升。

三、生成式人工智能賦能技術預見面臨的風險挑戰

隨著新一輪科技革命和產業變革的興起，以及“大科學”“大工程”時代的來臨，技術更新周期不斷縮短，技術發展的不確定性與風險性大幅度提高，科學嚴謹的關鍵核心技術預見活動成為爭取國際科技創新主動權的重要措施，也是在國家層面實現科技自立自強戰略目標的重要保障。與傳統的分析性人工智能相比，生成式人工智能實現了人工智能從感知世界到生成創造世界的躍動，給未來技術預見活動帶來重要的機遇；但不可否認的是，當前以ChatGPT為代表的生成式人工智能在服務技術預見的具體應用中，還存在一系列風險與挑戰。

（一）人工智能的不可控性挑戰技術治理倫理

生成式人工智能賦能技術預見過程中所代表的技術治理模式可能存在弱化人類主體性的風險，甚至進一步引發技術依賴、責任缺失以及信息繭房等問題。首先，人工智能已經逐漸從手工編程訂制式代碼構建模式向著通用性的大模型平臺轉型。在此背景下，技術主導市場，牽引人類主觀能動思維，技術預見自適應生成式人工智能，并對生成式人工智能依賴性增強，影響終端布局。其次，現存的生成式人工智能存在著責任不明晰的問題，其擁有千億級參數，在運轉時并不能給予每一個結果以明確的資料來源，材料的“真實性”問題凸顯，大量虛假引用存在。同時，大量數據信息難以進行隱私保護，在ChatGPT等工具的“法眼”下一覽無余。最后，由于生成式人工智能等新型網絡技術的發展和普及，技術行業專家及研究團隊獲取面上信息的范圍愈發寬泛，但選擇愈發局限?，F階段類似ChatGPT等人工生成工具不斷輸出同質信息，在“回音室效應”的催動下，不同群體的“信息不對成性”增強，技術預測偏差增大。

（二）戰略性前沿技術發展軌跡的不可預測性

現階段，我國對戰略性新興技術的發展軌跡難以預測，急需一批能夠開辟新領域、引領新方向的戰略研究專家，一套獨創性、智能化的研究體系，一系列創新生成式的新工具。我國從事技術預見的專業人員大部分來自統計學、管理信息系統等專業領域，擅長統計方法與數據分析，但對技術前沿發展方向了解不深，對關鍵技術的前瞻性布局理解不到位。與此同時，以學科為主的人才培養模式，造成專業視野狹窄，忽視技術戰略規劃與分析判斷能力綜合融匯培養，兼備多種技術預見場景知識應用核心能力的復合型人才缺乏。系列戰略預見人才的缺失導致技術預見視野受限，難以對戰略性新興技術特別是一些能夠實現彎道超車的新技術進行有效的預測。此外，我國現有的技術預測研究方法和體系信息采集較為單一，與生成式人工智能結合薄弱，沒有充分發揮物聯網、大數據、云計算的優勢，缺乏系統研究，深度融匯缺乏、針對性模型空白，無法有效應對戰略性新興產業的不可預知性。

（三）高價值可信性數據生成過程的誘導性偏離

對當前技術發展趨勢的海量資源進行深度學習，進而對未來技術發展的方向或重點聚焦領域作出超越人工能力的預測與判斷是人工智能賦能技術預見的重要方式。因此在大模型訓練過程中數據資料、分析過程的可靠性是技術預見能否成功有效的關鍵。借助生成式人工智能來進行未來技術預見至少存在兩個方面的可信性挑戰：一方面是大模型預訓練過程中標注數據質量參差不齊，特別是關鍵的技術領域通常具有很強的縱向壁壘性，數據標注人員可能存在對具體細分領域不熟悉，這就會導致數據標注過程中極易出現不規范和不準確的現象，繼而對人工智能信息迭代造成不良影響，造成取向上的偏離。在大模型發展過程中這種帶有傾向性質的不準確數據會被進一步擴大，甚至給出完全錯誤的結果。另一方面，受到強化學習機制影響，生成式人工智能在預測未來技術發展過程中的誘導偏離現象也會影響過程和結果的可信度，特別是針對一些“熱點”研究領域，資料多，數據較之非熱點領域更為豐富，大模型受其影響也更傾向于對這些領域做出反饋，從而影響到技術預見的準確性和有效性。

四、促進人工智能賦能技術預見的有效策略

隨著新一輪科技革命和產業變革的興起，技術創新領域“百年未有之大變局”的特征愈發顯著，技術更新周期不斷縮短，戰略性新興技術發展的不確定性與風險性大幅度提高。如何有效結合生成式人工智能新技術，高效賦能技術預見，本文提出以下建議，以期推動我國技術預見朝著體系化、規范化、專業化的方向發展。

（一）明確技術倫理核心規則，加強人工智能規范治理

借鑒國際先進技術預見經驗，立足國內技術領域眾多、產業鏈條復雜的實際情況，一方面要加速推進人工智能規范治理的頂層設計，另一方面要加速建設專業人才隊伍，在規范使用人工智能基礎上提升技術預見效率。一是工業和信息化部要統籌規劃指導，完善生成式人工智能領域的立法和操作化政策制定工作，明確技術倫理核心治理規則和基本準則，并在此基礎之上形成規范的數據來源責任制度和明確的邏輯推理過程驗證系統，杜絕虛假信息進入。二是建立風險評估體系，將社會倫理和法律理念植入生成式人工智能創作始終，明確各階段各主體責任。對于違反人工智能治理規范的行為進行處罰。三是以新興前瞻方向為牽引，以戰略型科學家為指引，重點培養一批“AI+”技術預見人才，保障人工智能規范治理，賦能關鍵領域技術預見。研究制定技術預見型人才培養的目標培養體系，將規范使用人工智能工具的準則植入其中，分層分類分階梯建設專家隊伍，既培養復合型技術預見戰略科學家，又鍛煉一批專業素質過硬、具備針對性知識應用能力的行業專家。

（二）構建技術預見科學方法論，推廣人機交互的專家決策模式

要充分發揮人工智能的現有優勢，高效率賦能技術預見。一是要實現人機交互信息獲取技術輔助專家判斷，從而實現融匯驅動。重視實地調查研究、專家研討會、德爾菲專家調查法等傳統方法與人工智能新技術的結合，例如通過人工智能對專題和關鍵詞進行聚類，為專家研討與德爾菲調查提供信息資料基礎，實現客觀數據收集與主觀思維分析相結合。二是要重視科技大數據、人工智能、機器學習等新技術、新方法在技術預見領域的創新應用，借助新技術在全球范圍內及時采集大學、科研機構等發布的技術研究報告并對其進行系統分析，通過數據庫互聯、人機交互等手段，破除“信息繭房”，發掘有效信息。三是要實現人工智能工具效用的充分挖掘，密切行業聯系，對癥下藥。各行業會協會，尤其是新興技術領域應積極參與制定契合本專業領域的生成式人工智能模型，從信息選取上確保數據的可靠性。要打破現有通用大模型的故有框架，構建適應學科的專用定制模型，做到“小而精，精而準，準而優”，高效賦能不同領域的技術預見工作。

（三）強化統一標準和數據集成，全面提升人工智生成數據可信性

聚焦科技自立自強戰略，實現技術預測底層數據支撐的可靠性建設，使技術分析、未來趨勢研判、實證效果分析有據可依。一是要增加技術預見預算投入，編制國家級關鍵核心技術預見專項發展規劃，形成不同行業的數據集成統合標準。由綜合性強的專業戰略政策研究機構牽頭，統籌布局、協調推進，由各個行業研究機構作為專業力量參加，以“綜合組+若干專家組+國內大專家”的模式支撐技術預見數據標準制定工作。二是構建信息傳導數據分析服務平臺，確保技術預見的數據來源可靠。如科技部發展規劃與技術預測處牽頭布局一批關鍵核心技術預見項目，通過重大研究專項支持的方式來打造產業重大關鍵技術預見與研究平臺，將財政科技計劃項目數據信息統籌整合集成，建立科技項目科技成果的大數據挖掘平臺，實現專業數據集成共享。三是要制定整體的人工智能模型考核標準和評價體系框架，以及數據生成對口預測目標，保證數據生成過程的可靠性。從供給端出發，嘗試通過整合搜索引擎、聯網交互、數據庫融通的方式，盡可能提升訓練數據的“人性化”水平，提高其情景應用能力和思維深度，減少外界誘導所導致的訓練偏差。從客戶端出發，強化個體在人工智能2.0時代的信息自決能力，及時糾正機器學習時產生的關注點偏差，做技術預見的“主人”。