2017年10月10日，Yandex（相当于俄罗斯的谷歌）推出了Alice，这是一个 "对话式智能助理"，主要使用深度学习以及 "SpeechKit，Yandex专有的语音识别工具包"，以帮助俄罗斯互联网用户不仅在互联网上而且在自己的计算机管理上完成许多任务（见 爱丽丝网站；Yandex新闻发布 "Yandex推出Alice--首个为俄罗斯市场设计的人工智能助手"；George Anadiotis，"爱丽丝，制作过程。Yandex公司新的人工智能助手的幕后花絮"，2017年10月10日。 ZDNet).

在（不久的）将来，可以开发出用英语使用Alice的能力（Anadiotis, Ibid.）这将向讲英语的人开放整个Yandex世界。同时，这也将使Yandex能够获得这些讲英语的人的所有数据，到目前为止，这些数据主要是谷歌、苹果和亚马逊的专利。考虑到目前美国与北约成员国之间的紧张关系，以及俄罗斯与美国之间的变化，人们完全可以想象到可能会出现的政治妄想症。同时，互联网巨头之间对用户数据的国际竞争很可能会加剧，这对深度学习的一部分至关重要，正如我们在下面解释什么是深度学习时将会看到的。从更积极的方面来看，由于非俄罗斯人发现了俄罗斯的世界，也可能出现更好的理解。然而，这也会影响人们的看法，从而影响国际关系。

人工智能世界，特别是其深度学习部分，已经在这里了。它影响着一切，尽管其影响的程度和深度还难以察觉。我们必须了解深度学习，以便能够生活在这个正在形成的新世界中，而不是只对它做出反应。

因此，本文重点关注深度学习（DL），这是人工智能（AI）的一个子领域，引领着该领域当前的指数式发展。当我们试图设想一个由人工智能驱动的未来世界会是什么样子，以及它对其参与者意味着什么，特别是在政治和地缘政治方面，首先了解什么是人工智能确实是最基本的。

以前的我们提出了人工智能，首先看的是 AI作为一种能力，然后作为一个科学领域。最后，我们介绍了科学家们寻求实现的各种类型的人工智能能力以及他们的研究方式。

在这篇文章中，我们将首先举例说明深度学习在现实世界中的应用。我们区分了两种类型的活动：经典的人工智能驱动的活动和全新的人工智能活动，与DL的出现有关。在这两种情况下，我们将指出其革命性的潜力，影响到我们之前开始确定的政治中的三个主要新兴功能：人工智能管理、人工智能治理和人工智能权力地位，当人工智能最有可能成为，至少是世界行为者相对权力排名的一部分（Helene Lavoix，"人工智能何时为地缘政治提供动力 - 呈现AI"，2017年11月29日，以及Jean-Michel Valantin，"中国的人工智能革命"，2017年11月13日。 红色（团队）分析会).

然后，我们将深入了解深度学习的世界，以谷歌的DeepMind人工智能-DL程序的演变为例，该程序最初是为了战胜人类围棋高手而开发。AlphaGo，然后是AlphaGo Zero，最后是AlphaZero。在简要介绍了人工智能中DL的位置后，我们将首先关注深度神经网络和监督学习。其次，我们将看看深度强化学习的最新演变，并开始思考一个新的人工智能-DL范式是否正在出现，它可以彻底改变目前关于大数据重要性的教条。

现实世界中的深度学习，人工智能-治理和人工智能-权力的地位

简而言之，深度学习（DL）被用来解决最复杂的问题和功能，并采取最佳的决策。 关于任何问题 它的应用或 在任何领域都能取得成功。

例如，DL在石油和天然气行业的应用越来越多。西南研究所（SwRI）开发了智能泄漏检测（SLED）系统，该系统 "使用算法来处理来自传感器扫描基础设施的图像"，以 "自主和准确地检测液体碳氢化合物的泄漏和溢出"（Maria S. Araujo和Daniel S. Davila，"机器学习改善石油和天然气监测"，2017年6月9日。 浅谈能源领域的物联网). DNV GL 探讨了DL的使用（实际上是 微软Azur机器学习)来预测管道中的腐蚀，并得出结论，"所取得的性能 "是 "非常有希望的"（Jo Øvstaas，"大数据和机器学习用于预测管道的腐蚀情况"，2017年6月12日，DNV GL）。如果意大利和英国受益于这样的系统，无论是2017年12月11日和12日，"奥地利的一个主要加工设施发生爆炸，这是俄罗斯天然气进入欧洲的主要地点"，还是 "北海最重要的石油和天然气管道系统关闭"、 对欧洲的供应有重大影响 (Jillian Ambrose和 戈登-雷纳，"能源问题的 "完美风暴 "之后，天然气短缺将推高账单"，2017年12月12日。 电讯报)，很可能不会发生--当然，假设已经做了与回应有关的投资。

此外，DL也日益成为所谓的 "智能工厂 "发展的一部分。 "2017年4月，PCITC和华为联合发布了一个智能制造平台......是中国石化集团内部智能工厂2.0的核心部分"。值得注意的是，该平台的能力之一是 "利用深度学习和推理数据为石化工厂创建一个'智能大脑'"。(华为，"华为携手PCITC，拥抱智能工厂2.0"，2017年11月13日。 美通社).

通过NVDIA的 "大都会人工智能智慧城市平台"，华为的视频内容管理产品支持并使用深度学习进行 "精确的人脸识别、行人车辆结构化和反向图像搜索"，还与深圳警方合作。阿里巴巴云的城市大脑一直与大都会合作，将人工智能用于 "实时交通管理和预测、城市服务和更智能的排水系统 "等服务，例如 "杭州试点地区的交通拥堵情况改善了11%"（Saurabh Jain，"阿里巴巴和华为采用英伟达的Metropolis AI智能城市平台"，2017年9月25日。 NVDIA博客).

最有名的是，深度学习已经并仍在用于下围棋或国际象棋等游戏，这使得开发和测试新的人工智能程序，在其架构和算法方面。正是这些程序，特别是谷歌的DeepMind开发的程序，我们将在下面用来进一步加深我们对DL的理解。

这些可能是人工智能在其DL组件中可能彻底改变现有的方式和做法的经典案例。

在人类历史上第一次，我们可以开始思考我们可以以近乎完美的方式管理活动，以及在统治要求的多个层面上，也以近乎完美的方式进行治理。在一个人类非常不完美的世界上，这本身就是一场革命。它导致我们思考一些新的问题，例如我们人类如何以我们所有的不完美，以我们的多种认知偏见--即我们正在系统地做的心理错误，但这些错误对于生存和达到我们目前的发展水平是有用的（Richards J. Jr. Heuer，、 情报分析的心理学，中央情报局情报研究中心，1999年）--我们是否要处理突然出现的近乎完美的活动？我马上想到了非常简单的自驾车的例子。涉及自驾车的大量车祸似乎确实来自于它们无法处理人类不完美的驾驶（James Titcomb, "无人驾驶汽车在第一天的第一个小时就发生了车祸"，2017年11月9日。 电讯报).

然而，新的活动也开始出现，至少可以说是不那么经典的。我们有学习平台的案例，人工智能-DL代理学习和训练（Cade Metz, "在OpenAI的宇宙中，计算机学会像人类一样使用应用程序"，2016年5月12日。 联网）。.比如说。 宇宙，由 兴业银行 (由特斯拉首席执行官埃隆-马斯克支持的人工智能实验室）是一个软件平台，科学家可以训练他们的人工智能与应用程序和程序互动，其中许多是开放源代码（同上）。

DeepMind实验室 是由谷歌的DeepMind提供的类似平台（同上）。较早的 图像网创建于2009年的 "人工智能"，帮助人工智能代理学习 "看"（同上）。这是一个真正的新的人工智能活动的诞生，类似于教育，它将成为新兴的人工智能治理的一部分？

这两类活动，经典的人工智能驱动的活动和新的人工智能活动，将如何在人工智能管理中整合，以及在我们主要关注的政治领域，人工智能治理中整合？如何组织AI-管理和AI-治理？人工智能治理将如何与剩余的旧有国家、政权和政府结构和进程互动？

此外，将如何组织一个迄今为止一直被追求相对竞争优势所支配的世界？竞争优势的概念是否仍然相关？当迄今为止相互竞争的行为者，从国家到公司，都在以这样一种方式使用人工智能-DL，而管理和治理都近乎完美时，会发生什么？第一阶段很可能是为获得这种人工智能-DL的优势而进行的竞赛，同时可能试图剥夺其他人的优势。但是，当两个或更多的行为者达到相同的AI发展阶段时，会发生什么？正如介绍中的例子所指出的，在谁能获得公民的数据方面的竞争也将上升？

这不亚于一个可能正在创造的全新世界。

然而，我们也将不得不思考，这种发展是否以及如何会失败。

我们现在将更深入地了解深度学习的世界，这将使我们在整个系列中更好地了解哪些活动容易受到AI-DL的影响，开始设想哪些新的AI活动可能会诞生，并描绘出可能发生的AI力量地位的竞争是如何发生的，以及围绕哪些要素。

特色图片。 神经元 作者：Geralt，Pixabay，公共领域 - 经过裁剪和重新着色。

参考文献

Anadiotis, George , "爱丽丝，制作过程。Yandex公司新的人工智能助手的幕后花絮"，2017年10月10日。 ZDNet.

Araujo, Maria S.和Daniel S. Davila，"机器学习改善石油和天然气监测"，2017年6月9日。 浅谈能源领域的物联网。

安布罗斯-吉利安，和 戈登-雷纳，"能源问题的 "完美风暴 "之后，天然气短缺将推高账单"，2017年12月12日。 电讯报》。 

DeepMind。 AlphaGo的网页。

DeepMind博客, "深度强化学习“.

Heuer, Richards J. Jr. 情报分析的心理学中央情报局情报研究中心，1999年。

华为，"华为携手PCITC，拥抱智能工厂2.0"，2017年11月13日。 美通社。

Jain, Saurabh, "阿里巴巴和华为采用英伟达的Metropolis AI智能城市平台"，2017年9月25日。 NVDIA博客

JASON，由国防部研究与工程助理部长（ASD R&E）发起的研究，隶属于国防部国防部长办公室（OSD）。 与国防部相关的人工智能和人工通用智能研究的视角, 2017年1月。

梅兹，凯德"谷歌的AlphaGo从棋盘游戏提升到电网水平"，2017年5月24日。 有线。

梅兹，凯德，"在OpenAI的宇宙中，计算机学会像人类一样使用应用程序"，2016年5月12日。 有线。

Nielsen, Michael A., "神经网络和深度学习“, 决心出版社, 2015.

Øvstaas, Jo, "大数据和机器学习用于预测管道的腐蚀情况"，2017年6月12日，DNV GL。

罗森布拉特，弗兰克。"知觉器：大脑中信息存储和组织的概率模型." 心理学评论 65.6 (1958): 386.

西尔弗，等人，"用一般强化学习算法自学掌握国际象棋和象棋的方法"，arXiv:1712.01815 [cs.AI], 2017年12月5日。

Silver, David Julian Schrittwieser, Karen Simonyan, Ioannis Antonoglou, Aja Huang, Arthur Guez, Thomas Hubert, Lucas Baker, Matthew Lai, Adrian Bolton, Yutian Chen, Timothy Lillicrap, Fan Hui, Laurent Sifre, George van den Driessche, Thore Graepel & Demis Hassabis，"掌握没有人类知识的围棋游戏“, 自然界 550, 354-359, 2017年10月19日、 ǞǞǞ:10.1038/nature24270

Silver, David Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenner, Ilya Sutskever, Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel & Demis Hassabis, "用深度神经网络和树状搜索掌握围棋游戏” 自然界 529, 484-489, 28 January 2016, doi:10.1038/nature16961.

泰特科姆，詹姆斯"无人驾驶汽车在第一天的第一个小时就发生了车祸"，2017年11月9日。 电讯报》。

Van Veen, Fjodor, "神经网络动物园“, 阿西莫夫研究所。 2016年12月14日。

Yandex新闻发布"Yandex推出Alice--首个为俄罗斯市场设计的人工智能助手“.