蒋余浩：AI都在替人打仗了，为什么仍未能推动经济社会大发展？

IPP评论是国家高端智库华南理工大学公共政策研究院（IPP）官方微信平台。

编者按：据等多家外媒披露，美国中央司令部在对伊朗的空袭行动中，调用了Anthropic公司的Claude AI执行情报评估、目标识别与战场模拟任务。一时间，舆论场上围绕“AI接管战争”的讨论升温。

在社会经济领域，AI的技术迭代同样在持续推进，今年以来，一系列AI智能体、人形机器人等产品相继发布，使“自动化”的前景在不同行业看起来愈发接近。然而，从企业组织结构的调整，到具体应用场景的塑造，再到劳动者角色的定位，技术产生的效益和造成的摩擦，却似乎并不如AI叙事所描绘的那般乐观。

本文从重构人工智能产业供给与需求关系入手，探讨如何以应用场景为牵引，使企业、劳动者等需求侧主体更深度参与人工智能工具的设计与制度安排，在“人机协同”而非单向自动化的路径上，推动人工智能真正嵌入经济社会中。

本文作者

蒋余浩教授

华南理工大学公共政策研究院（IPP）研究员、教授，广东新质生产力政策研究中心主任

“卫报”近期一篇文章揭示：“据报道，Anthropic的人工智能模型Claude被美国军方用于大规模打击行动中，该技术“缩短了杀戮链”——即从目标识别到获得法律批准再到发动攻击的整个过程。”

“此前曾利用人工智能技术在加沙地区识别目标的美国和以色列，在仅头12小时内就对伊朗目标发动了近900次袭击。在此期间，以色列的导弹击毙了伊朗最高领袖哈梅内伊。研究该领域的学者表示，人工智能正在缩短复杂打击行动所需的规划时间——这一现象被称为‘决策压缩’。有人担心，这可能会导致人类军事和法律专家仅仅对自动化的打击计划进行盖章批准。”

据《华尔街日报》报道，美国中央司令部在对伊朗的空袭行动中，调用了Anthropic公司的Claude AI执行情报评估、目标识别与战场模拟任务。图源：彭博社

“2024年，总部位于旧金山的Anthropic将其模型部署到了美国国防部及其他国家安全机构，以加快战争规划进程。Claude成为了由战争技术公司Palantir与五角大楼合作开发的一个系统的一部分，该系统旨在‘显著改善情报分析，并使官员们能够在决策过程中发挥更大作用’。”

将这个报道结合特朗普近日宣布的“封杀Anthropic”，可以了解到，AI的确日益深度地应用于美国军事领域。但是，AI目前如何起作用，起到怎样的作用，还将发展成什么样？并没有详细信息。

上述看法其实与我们近年关于人工智能如何应用于具体需求领域的思考相符：在与具体的应用需求相结合，人工智能会获得更多样的创新发展空间。AI军事化应当予以抵制——至少如同美国的ChatGPT用户近日做的那样。然而，探索人工智能产业的供给与需求相衔接、在应用中推动人工智能发展成为经济社会多个领域的适宜技术，却是值得大力激励的努力。

事实上，美国、中国等的人工智能、人形机器人等先进技术产业发展在近年取得令人瞩目的成绩，但产业供给侧的急速扩张，尚未能引发需求侧的相应发展。如何联动供给与需求两侧，是当前提振经济景气、实现内需拉动战略的关键。

中国共产党的二十届四中全会提出“注重在发展中保障和改善民生，在满足民生需求中拓展发展空间”，为围绕经济社会中的多样化需求而发展先进技术制定了基本遵循。有研究者解读中国近年的政策创新，提出超越新自由主义经济学与凯恩斯主义的理论认识：“供给侧结构性改革”和“构建完整的内需体系”不是相互对立的，而是需要用不断的制度创新和技术创新来突破供给约束和需求约束（崔之元，2022）。

本文沿着这个思考推进，从重构人工智能产业供给与需求的关系入手，探讨需求侧的企业、劳动者等主体参与人工智能工具设计，实现先进技术的发展方向选择，推动人工智能赋能经济社会多样发展的可能性。

人工智能（AI）在近年的突飞猛进，一方面产生了先进技术如何改变全球化发展模式、地缘政治格局、新的生产和生活方式等讨论，另一方面，也导致普遍的社会焦虑，如人工智能是否会造成大规模失业、用于军事目的、操控舆论和民主选举、严重危害国家安全和个人隐私、加剧对少数群体的歧视等等诸种疑虑，反复出现在各类媒介中。

值得重视的是，随着新技术产品日益广泛地进入日常生活，针对未来变化的简单的情绪化反应，逐步被审慎的思考所替代，开始有更多的资料反映先进的智能技术是否改变以及如何影响生产和生活领域的方方面面。

春节过后，关于中国人形机器人产业发展的热烈讨论，体现了这种审慎思考正在日益增强的趋势。“经济学人”杂志2月中旬的一篇文章，指出了“中国政府需求”目前作为最大的市场驱动力，激发了产业供给侧的急速扩张，但“当前从‘能后空翻的机器人’到形成可持续商业模式的路径尚不明晰。目前市面上购买的人形机器人，多数如同春晚舞台上那些，仅作展示用途，鲜少参与实际生产工作。”

该文分析，最大的瓶颈在于“机器人若想突破新奇娱乐工具的局限，就必须常态化部署于替代人力的作业场景，以持续收集训练数据。”同时也指出“中国政府正积极推动场景落地。多地政府已建立机器人应用测试中心，供企业投放机器人执行多样化任务并收集数据，部分数据经整合后实现共享。”

这张图展示了中国前30大机器人零部件供应商的分布情况，按市场资本化（十亿美元）进行分类。图源：经济学人

上述文章的审慎态度可以与“经济学人”的另一篇文章相对照。该文对正以惊人速度迭代的人工智能先进技术是否助推生产率大幅提升提出质疑，认为根据实证研究，综合技术普及广度、应用深度以及具体任务场景中的产出改善程度三个方面的表现，人工智能对生产率并没有明显影响：

（1）技术普及度有所提升，如2025年11月美国职场中使用生成式AI的劳动者比例已达41%，较一年前的31%显著上升；

图表展示了截止2026年2月，美国各行业使用AI公司的百分比，并标明了预计接下来的六个月内将采用AI的公司比例。图表中的行业包括信息、专业科学、教育、医疗等。图源：经济学人

（2）技术应用深度不显著，如仅有约13%的劳动适龄人口每天使用AI。多数应用局限于独立任务而非全流程自动化：OpenAI数据显示其模型主要用于职场写作辅助与信息检索；Anthropic的Claude则主要协助编写代码。

（3）在某些应用场景中有改善工作效率的表现，如使用ChatGPT可使写作任务耗时缩减近40%。

该文由此提出一个认识：生产率跃升通常不仅源于劳动者更频繁使用新工具，更关键在于企业围绕技术重组生产体系。

以上根据实证研究展开的审慎思考，为我们进一步探讨人工智能先进技术与经济社会实际发展需求之间的联系奠定了基础。人工智能是人类知识积累形成的一种“公共品”，其社会价值在于被寄托了实现多样经济社会发展价值的希望。现有的人工智能产品显然还不能满足这种价值期望，那么，是否可能改变这种技术发展现状？从这个关切出发，我们可以把上述“经济学人”文章提出的审慎思考持续推进。

人工智能产业目前的急速扩张，更多得益于产业政策的偏重支持以及全球少数科技巨头的大力推动。按照哈佛大学杰森·弗曼（Jason Furman）估算，美国2025年上半年约90%的GDP增长来自数据中心及相关资本投资支出。剔除投资驱动因素的调整指标更清晰地印证了这一点：旧金山联储的研究发现，排除此类投资影响后，实际生产率增长几乎为零。

同时，根据Gartner发布《2025年人工智能技术成熟度曲线》，全球AI领域融资规模实现爆发式增长，融资达8912.8亿元，较2024年全年增长49%；全球AI领域融资的头部聚集效应持续加剧，十亿级融资事件数量占比8%，对应的融资金额占比却高达82%，单笔融资均值攀升至80.2亿元，较2023年53.6亿元，2024年75.5亿元持续增长。

2025年人工智能技术成熟度曲线标示了不同AI技术所经历的阶段。其中通用人工智能（AGI）等技术目前处于期望的高峰阶段；而生成式AI已经逐步走向成熟并进入启蒙坡道，接近实际应用和生产阶段。图源：Gartner

关于中国的状况，北京大学国家发展研究院伍晓鹰教授近期提供很有价值的推算：2001年加入WTO后的7年时间里，我国经济全要素生产率年均增速高达2.1%，2008年全球金融危机之后，中国经济的全要素生产率增速转为负值，但ICT制造部门的全要素生产率增长率仍在提升；2018至2023年，ICT生产部门对全要素生产率的年均贡献为0.4个百分点，其中ICT密集使用的制造业组更高，达到了0.9个百分点；一些服务业、非市场化服务部门和密集使用ICT行业中的服务业组，对整体经济全要素生产率增长造成显著的拖累，分别为-0.4、-0.7、-0.5个百分点。

这几组数据揭示了我国当前存在的“生产率悖论”问题（Productivity Paradox）：在产业政策偏重支持ICT行业的条件下，ICT产业出现了一定的扩张，但是并没有带动其他诸多生产部门效率的改进。换言之，目前的人工智能产业供给还未能满足多数行业的发展需求。

AI“生产率悖论”问题的产生在于尚未有意识反思两个关键性难题：（1）供给与需求的关系；（2）人工智能技术发展的方向。

先看第二点。阿西莫格鲁（Daron Acemoglu）在近年发起“重新设计人工智能”大讨论，所针对的正是人工智能越来越偏向自动化与监控，这种创新方向对增强劳动者话语和自由产生不了帮助。阿西莫格鲁强调了对于技术发展方向进行重新“选择”的必要性：

“社会向无工作和监控行进，并非不可避免。人工智能的未来依然是开放的，可以带我们走向很多不同的方向。如果我们最终拥有了强大的监控工具和无所不在的自动化（即没有足够多的工作留给人去做），那只是因为我们选择了这条路径。”

图片来源于阿西莫格鲁与帕斯卡尔·雷斯特雷珀(Pascual Restrepo)于2018年发表的论文。图表显示，在1980年拥有更多“新兴岗位”的职业类别，在1980—2015年经历更快的就业增长。换句话说，新技术（信息技术）刚刚兴起时就出现的职业，在此后的几十年里成为了就业增长的主力。

由此，是否可能以及如何对人工智能这样复杂的先进技术的发展方向进行“选择”？这涉及到重新审视供给与需求的关系的问题。应对AI“生产率悖论”问题，在于使先进技术真正融入生产和生活的具体应用场景。

但是，这里涉及的不仅是“企业如何应用人工智能”“如何拥抱人工智能时代”这类仅站在产业供给侧立场上提出的问题，更需要回答“目前的人工智能是否对企业有用”“如何使人工智能真正赋能千行百业”等需求侧的疑问。

一篇同样讨论中国人形机器人产业发展的博文，把这个视角转化的意义讲得很清楚：“当前产业中存在一种‘供给创造需求’的幻想，即认为只要创造出令人惊艳的产品，需求自然会出现。这种幻想被iPhone的成功放大——苹果似乎证明了，消费者并不知道自己想要什么，直到你展示给他们看。

然而，这一逻辑的适用性是有限的。iPhone创造的是消费端的全新需求，其价值可以直接被消费者感知和体验；而机器人首先是生产力工具，它的价值必须通过替代或辅助人类劳动、并显著降低成本来证明。工业企业购买机器人，不是因为它酷炫，而是因为它能算得过账——投资回报率是多少？回收周期多长？可靠性如何？”

西方政党政治长期的左右轮换，其政策形式大体表现为在供给学派（“供给自动创造其需求”）与凯恩斯主义（“有效需求理论”）之间的摇摆。这种左右摇摆的状况成为常态，很大程度上限制了人们超越左右立场去思考供给与需求的关系问题。在中国，如清华大学崔之元教授的分析，进入新时代以来，中央逐步形成系统的综合把握“供给侧改革”与“有效需求管理”的政策认识，蕴含着超越供给学派与凯恩斯主义的理论创新。

《中共中央关于制定国民经济和社会发展第十五个五年规划的建议》系统地表述了这个政策认识：“坚持扩大内需这个战略基点，坚持惠民生和促消费、投资于物和投资于人紧密结合，以新需求引领新供给，以新供给创造新需求，促进消费和投资、供给和需求良性互动，增强国内大循环内生动力和可靠性。”这是进一步建设高质量的现代化产业体系的指导，国家发改委解读“中国人工智能+”政策时，则将推动人工智能供需衔接作为一个重要工作加以强调。

中国政策对此已有较为系统的部署。

国务院早在2017年7月印发的《新一代人工智能发展规划》中，就提出“根据基础研究、技术研发、产业发展和行业应用的不同特点，制定有针对性的系统发展策略”等基本原则。

《国务院关于深入实施“人工智能+”行动的意见》提出“健全人工智能应用场景建设指引、开放度评价与激励政策，完善应用试错容错管理制度。”

2025年11月出台的《国务院办公厅关于加快场景培育和开放推动新场景大规模应用的实施意见》制定关于场景应用的系统政策：“场景是用于系统性验证新技术、新产品、新业态产业化应用以及配套基础设施、商业模式、制度政策的具体情境，是连接技术和产业、打通研发和市场的桥梁，是推动科技创新和产业创新融合发展的重要载体，对促进新技术新产品规模化商业化应用具有重要牵引作用。”相应形成了“技术突破—场景验证—产业应用—体系升级”的全链条路径及一系列有关资源配置和要素改革的配套保障。

“应用场景引领”政策以促进供给与需求、研发与应用、试验与推广之间反复互动为特征，因地制宜发展人工智能等新质生产力技术工具，为应用端提供了参与新技术创造和改进过程的机遇。

但是，践行应用场景引领、从需求出发选择技术发展方向，还需要考虑“需求侧是否有创新资源解决实践问题”这样的现实难题。

实际上，作为长期处于赶超战略下的发展中国家，中国的科技与产业政策受“线性分工”思维的影响比较大，中国工程院李国杰院士在最近的文章中描述了这个现象：“新中国成立的时候，几乎没有能从事应用研究和技术开发的企业，本应由企业完成的产业创新就都交给了大学和科研单位。因此，在经济系统之外形成了一个独立的科技系统，体制内的事业单位几乎成为科研的唯一载体。由于企业技术开发能力薄弱，我国在‘科研线性模型’的末端又加了一个‘成果转化’阶段，形成‘基础研究—应用基础研究—技术开发—成果转化’的中国科研模式，这种模式一直持续到现在，这就是人们常说的‘科技与经济两张皮’。”[10]

在“线性分工”的思维下，第一，“创新”被狭隘地理解为先进科技的输入，研发与生产构成相互隔离的两套系统，包括制造业在内的生产体系的内生创新需求和实践被排除在所谓创新系统之外，在政策上得不到支持；

第二，科学优于技术、科研优于生产的观念具有压倒性影响力，“创新能力”在指标体系中被等同于“发明专利”。全球许多城市为模仿硅谷模式而投入巨资，但所谓“创新高地”长期只属于少数几个地区。创新系统相对于生产系统的封闭性，使科研机构往往脱离产业发展实践，不能从企业实际的创新需求中提炼科研问题，造成许多新兴科技产品无法深度融入生产过程，而相当多企业找不到适宜的科研资源来辅助其解决转型升级问题。由此，无论在科研上还是在产业发展路径上，都经常难以摆脱被锁定在发达国家的既定技术路线内的命运。我国很多重要行业中出现“引进-落后-再引进”的“追赶者陷阱”，正是这个政策思维导致的企业获取科技创新资源严重不足的后果。

在当前的人工智能前沿发展中，少数科技巨头所起到的作用已经无以复加，这形成了从需求侧出发来选择人工智能发展方向的重大阻碍。这个状况是人工智能的创新特性所决定的。实际上，自从辛顿（Geoffrey Hinton）探索出“反向传播”的算法给予了神经网络一种“自我纠正”的机制，即能够将所判断为错误的信号一层一层的传导回去，自动调整内部参数，从而实现机器的自我学习，人工智能就具备了打破规则主义所遵循的“向后看”的线性时间路径。

随着“深度学习”技术的进一步突破，神经网络表现出更加不可限量的从海量数据中提取特征（“向后看”）、最终识别出复杂对象的思考深度（“有限的向前看”）。这种突破人工智能“线性时间”科研路径的方法，在Transformer构架的发明中得到充分体现。因此，在发表于2023年3月《科学》（Science）杂志上的研究中，麻省理工学院三位专家指出：在人工智能研发中，所谓基础研究与应用研究之间的界限非常模糊，比如谷歌大脑研究团队（Google Brain）在2017年推出的主要用于自然语言处理（NLP）和计算机视角（CV）领域的深度学习模型Transformer架构，既是技术发明上的创新，又是原理发现上的突破。

人工智能的这种创新特性决定了，少数科技巨头有可能依靠其拥有的庞大算力、超大规模数据集和更多的技术专家来完成通用性强、与一般性实践问题结合更紧密、跨越多个学科的前沿探索，由此产生“产业界对应用端的主导也给予了它塑造基础研究方向的权力”的支配性效果。

少数科技巨头以其庞大的资源聚集能力而形成的对于人工智能发展方向的主导，的确不易被打破。但是，如李飞飞提出不同于大语言模型的“大世界模型”（LWM），理查·萨顿（Richard S. Sutton）等提出“基于经验的学习模式”，麻省理工学院初创团队推出挑战Transformer的LFM（Liquid Foundation Model）新架构模型，等等，这些新的人工智能技术路线探索，都在寻找更直接从物理世界和人类经验中学习、从而形成“智能”的可能性，更彻底地突破线性时间对于人工智能先进技术发展路径的桎梏。可以将需求侧的多样要求融入这些丰富的探索中，使得更多的技术创新能够更紧密地从需求侧的多样要求中产生。

因此，需要以极大的精力推进产业政策和创新系统的变革，给予在需求侧的广大非ICT或AI行业和企业以政策支持，同时突破长期“线性分工”思维形成的科研与生产、高校与产业相分割的障碍，使各行各业有可能基于自身发展需求来动员各类创新资源，共同进行改善具体领域生产率的技术研发和创造。

在近期有几份研究报告提出了颇具启发性的探讨，值得在此处加以介绍。值得引起重视的是，较之前述“经济学人”那篇文章提出需要将机器人“常态化部署于替代人力的作业场景”的见解，以下的这三份研究报告更侧重于对于劳动者发展能力的保护和提升，因此不仅关注在先进技术加速时期企业的发展，同时还注重普通劳动者的成长空间。

2025年4月联合国贸易与发展委员会（UNCTAD）公布报告，倡议“包容性人工智能”（Inclusive Artificial Intelligence）的政策方案，提出“以工人为本位的AI发展路径”：要实现更具包容性和公平性的技术发展，就需要更加重视劳动者及其职业成长。这包括将传统旨在实现最高生产率和效率的目标的范围扩大，以促进技能发展，并使劳动者能够适应并在不断变化的技术环境中蓬勃发展。

UNCTAD发布的报告指出，从开发、生产到维护，人工智能产品的每一个生命周期阶段都依赖于人类劳动。图源：UNCTAD

为了建立信任和认可，工人应当有机会积极参与人工智能工具的设计和实施过程。工作流程和任务应当进行重新安排，以有效整合人工智能技术，同时满足工人的需求并保持有意义的人类角色。这种“协作型人工智能系统”应当增强而非取代工人，促进工作满意度，并为个人和职业发展创造机会。报告用更多的篇幅指出，在人工智能基础设施、数据和技能上如何进行重新设计，使工人参与设计的人工智能工具有可能得到研发和应用测试。

伯克莱加州大学劳动研究中心2025年连续发布两份研究报告，提出实际应用先进技术的劳动者参与技术设计的思路，如通过以“工人为中心”的治理、加强企业责任、提升透明度以及强化劳动力保护等手段，构建安全、公平的未来工作形态。报告指出，应引入一线工人的声音来防止工作岗位被过激策略所取代，并通过“人机协作模式”确保技术创新惠及所有劳动者，而不仅仅依赖技能培训来提高工人辅助先进机器运作的能力。

有意思的是，这三份报告都提到了人与机器协作系统的重要性。在参加阿西莫格鲁发起的大讨论时，一位技术专家指出了以“人机协同”（Human-AI Interaction，HAII）替代自动化取向的人工智能技术路线的可能性：

“人工智能系统，反过来，可以在用户的帮助下与时俱进。当任务变更或流程调整时，系统可依托用户输入来修正认知、捕捉相关案例、并通过自我训练适应新场景。要实现这种运作，系统需要特定的能力：首先，能够观察用户，稳健地推断其状态、预测其意图和行动——甚至他们的参与程度和情绪状况；其次，基于对物理世界的常识，与用户进行有效沟通。这类似于人类的互动：通过借助物体、手势和指向来消除歧义，预判后续行动，必要时主动干预。我们需要突破现有聊天机器人的局限，打造多模态、有情境感知力的交互系统；最后，协同系统需要不断从用户那里学习，根据用户的输入持续优化感知和决策。它需要对自身的不确定性有原则性的理解，并寻求更多数据来改进自身的学习并解释自身的行为。”

实践中，“人机协同”研究近期取得快速拓展，最新的进展是探讨如何让人类深度参与人工智能系统的开发、运营与采用过程，突破“可争议性”的局限赋予用户自主权，使其能够调整乃至共同设计AI的内部机制。

形成用户自主调试人工智能的“人机协同”技术突破，或许能为各行各业、尤其是从事灵活就业的群体提供辅助其独立处理复杂信息、独立决策的帮助——人工智能成为David Autor所希望的“私人专家”（personal expert）？

无论如何，这些不同于少数科技巨头引领的自动化和监控为主要功能的技术发展探索，值得专门予以总结和推进。在政策上夯实“从需求侧来选择先进技术发展方向”的理念，是将“供给侧结构性改革”和“构建完整的内需体系”有机衔接的制度创新与技术创新，这样才能使先进科技落地为对多样发展需求有益的技术进步。

蒋余浩

华南理工大学公共政策研究院研究员、广东新质生产力政策研究中心主任

参考文献：

“China’s humanoids are dazzling the world. Who will buy them?”，https://www.economist.com/business/2026/02/18/chinas-humanoids-are-dazzling-the-world-who-will-buy-them.

“The AI productivity boom is not here (yet)”，https://www.economist.com/finance-and-economics/2026/02/22/the-ai-productivity-boom-is-not-here-yet?itm_source=parsely-api.

“The AI productivity boom is not here (yet)”，https://www.economist.com/finance-and-economics/2026/02/22/the-ai-productivity-boom-is-not-here-yet?itm_source=parsely-api.

伍晓鹰：“AI：一个新的‘索洛悖论’？”，https://finance.sina.com.cn/cj/2025-07-24/doc-infhqpau9151563.shtml.

Daron Acemoglu，Redesigning AI：Work，Democracy，and Justice in the Age of Automation，Boston Review Forum，2021.

同上，第24页。强调为原文所有。

“舞者与工作者：中国人形机器人的‘死亡谷’困境”，https://mp.weixin.qq.com/s/_fcB8j1JfMG_KSjIU76mWg.

崔之元：《新三位一体：供给侧结构性改革、双循环和共同富裕》，载《清华金融评论》2022年第3期；《文化纵横》编辑部对崔之元教授的访谈：《一个被误读的关键词：清华教授揭示“内卷”的真正代价与出路》，载《文化纵横新媒体·政策观察》2025年第41期总第241期。

“扩内需有何新举措？如何实施好‘人工智能+’行动？——国家发展改革委解读当前经济热点”，https://www.gov.cn/zhengce/202508/content_7038283.htm.

李国杰：《大力推进以产业发展为导向的科技创新》，载《中国科学院院刊》2025年第5期。

陈玲、孙君、付宇航：《政策协调、不确定性与大型技术系统创新——中国核电技术赶超的案例研究》，载《公共政策评论》2024年第3期。

Nur Ahmed，Muntasir Wahed，and Neil C. Thompson，“The growing influence of industry in AI research：Industry is gaining control over the technology’s future”，Science，2 Mar 2023，Vol 379，Issue 6635，p.885.

Ahmed，Wahed，and Thompson，“The growing influence of industry in AI research：Industry is gaining control over the technology’s future”，p.885.

“2025 Technology and innovation report：Inclusive Artificial Intelligence for Development”，https://unctad.org/system/files/official-document/tir2025_en.pdf.

“Take the Mic: How Worker Voice Shapes Workplace Technology”，https://techequity.us/wp-content/uploads/2025/07/Take-the-mic-worker-voice.pdf；“AI & Workforce Development: Building a Secure, Equitable Future for Workers”，https://techequity.us/wp-content/uploads/2025/11/AI-Workforce-Development-2025-Report-_final.pdf.

Lama Nachman，“Beyond the Automation-Only Approach”，in Daron Acemoglu，Redesigning AI：Work，Democracy，and Justice in the Age of Automation，p.74.

Muhammad Raees，Inge Meijerink，Ioanna Lykourentzou，Vassilis-Javed Khan and Konstantinos Papangelis，“From Explainable to Interactive AI: A Literature Review on Current Trends in Human-AI Interaction”，https://arxiv.org/pdf/2405.15051.

IPP评论热门文章

关于IPP

华南理工大学公共政策研究院（IPP）是一个独立、非营利性的知识创新与公共政策研究平台。IPP围绕中国的体制改革、社会政策、中国话语权与国际关系等开展一系列的研究工作，并在此基础上形成知识创新和政策咨询协调发展的良好格局。IPP的愿景是打造开放式的知识创新和政策研究平台，成为领先世界的中国智库。