2022年，我国发明专利产业化率（专利产业化率是指用于生产出产品并投放市场的专利占全部有效专利的比例）为36.7%，较上年提高1.3个百分点；实用新型专利产业化率为44.9%，较上年降低1.3个百分点；外观设计专利产业化率为58.7%，较上年提高6.4个百分点。

2011年年末全国就业人员76420万人，其中城镇就业人员35914万人。2011年度全国农民工总量为25278万人，比上年增加1055万人，其中外出农民工数量为15863万人。

2011年全年城镇新增就业人员1221万人，有553万城镇失业人员实现了再就业，就业困难人员就业180万人。年末城镇登记失业人数为922万人，城镇登记失业率为4.1%。全年全国共帮助5.7万户零就业家庭实现每户至少1人就业。组织2.4万名高校毕业生到农村基层从事“三支一扶”的工作。

2011年年末全国参加城镇基本养老保险人数为28391万人，比上年末增加2684万人。其中，参保职工21565万人，参保离退休人员6826万人，分别比上年末增加2163万人和521万人。年末参加基本养老保险的农民工人数为4140万人，比上年末增加856万人。年末参加企业基本养老保险人数为26284万人，比上年末增加2650万人。

企业退休人员基本养老金待遇提高，且全部按时足额发放。年末纳入社区管理的企业退休人员共4725万人，占企业退休人员总数的77.3%，比上年末提高1.1个百分点。

全年城镇基本养老保险基金总收入16895亿元，比上年增长25.9%，其中征缴收入13956亿元，比上年增长25.6%。各级财政补贴基本养老保险基金2272亿元。全年基金总支出12765亿元，比上年增长20.9%。年末基本养老保险基金累计结存19497亿元。

2005年在城镇投资中，国有及国有控股投资40047亿元，比上年增长17.5%。第一产业投资823亿元，增长27.5%；第二产业投资31598亿元，增长38.4%；第三产业投资42675亿元，增长20.0%。分行业看，煤炭开采及洗选业投资比上年增长65.6%；电力、热力的生产与供应业投资增长33.7%；石油和天然气开采业投资增长29.7%；铁路运输业投资增长45.7%；交通运输设备制造业投资增长51.1%；纺织业投资增长38.0%；教育投资增长8.4%；卫生投资增长28.9%。

2005年全年研究与开发经费支出2367亿元，比上年增长20.4%，占国内生产总值的1.30%，其中基础研究经费135亿。2005年末国有企事业单位共有各类专业技术人员2720万人，全年国家安排了288项科技攻关计划课题和911项“863”计划课题，新建国家工程研究中心19个。新安排国家重点实验室改造项目16项，累计达到143项，国家认定企业技术中心达到361家。全年共取得省部级以上科技成果3.6万项。全年受理国内外专利申请47.6万件，其中国内申请38.3万件，占80.5%；受理国内外发明专利申请17.3万件，其中国内申请9.3万件，占53.8%。全年共签订技术合同26.5万项，技术合同成交金额1510亿元，比上年增长13.2%。

截止2010年5月底，北京朝阳区规模以上文化创意产业单位共有1777家，总资产达到1534.6亿元，同比增长19.6%；1-5月累计实现收入521.6亿元，同比增长20.4%；从业人员平均人数为16.4万人，同比增长0.8%；单位数量。资产总计，收入合计，从业人员平均人数在全市规模以上文化创意产业中的比重分别达到23.6%、19.9%、23.9%和20.3%。如图：

AlphaGo（阿尔法围棋程序）总体上由两个神经网络构成，以下把它们简单称为“两个大脑”。这只是一个比喻，在对弈时，这两个大脑是这样协同工作的：第一个大脑的简单模式会判断出在当前局面下有哪些走法值得考虑。第一个大脑的复杂模式通过蒙特卡洛树来展开各种走法，即所谓的“算棋”，以判断每种走法的优劣。在这个计算过程中，第二个大脑会协助第一个大脑通过判断局面来砍掉大量不值得深入考虑的分岔树，从而大大提高计算效率。与此同时，第二个大脑通过下一步棋导致的新局面的优劣也能给出关于下一步棋的建议。最后，两个大脑的建议被平均加权，做出最终的决定。

其实，这两个大脑的工作方式确实和人类很相似，一个__________细部，一个__________全局。但AlphaGo最终结合两者的方式相当简单粗暴：让两者各自评估一下每种可能的优劣，然后取一个平均数，这可绝不是人类的思维方式。

对人类来说，这两种思考问题方式的结合要复杂得多——不仅仅在围棋中是这样。人们并不总是同时对事态做出宏观和微观的判断，而是有时情绪、心理和潜意识的应激反应。这当然是人类不完美之处，但也是人类行为丰富性的源泉。

为什么要让人工智能去下围棋？有很多理由。但在我看来最重要的一个，是能够让我们更深入地理解智能的本质。

神经网络和机器学习在过去十年里跃进式的发展，确实让人工智能做到许多之前只有人脑才能做到的事，但这并不意味着人工智能的思维方式接近了人类。而且吊诡的是，人工智能在计算能力上的巨大进步，反而掩盖了它在学习人类思维方式上的短板。和国际象棋中的深蓝系统相比，AlphaGo已经和人类接近了许多，深蓝仍然依赖于人类外部定义的价值函数，所以本质上只是个高效计算器。但AlphaGo的价值判断是自我习得的，这就有了人的影子，而且AlphaGo的进步依赖于海量的自我对局数目，这当然是它的长处，但也恰好说明它并未真正掌握人类的学习能力。一个人类棋手一生至多下几千局棋，就能掌握AlphaGo在几百万局棋中所训练出的判断力，这足以证明，人类学习过程中还有某种本质是暂时无法用当前的神经网络程序来刻画的。

这当然不是说AlphaGo应该试图去复制一个人类棋手的大脑，但是AlphaGo的意义也不应该仅仅反映在它最终的棋力上。它是如何成长的？它的不同参数设置如何影响它的综合能力？如果有其他水平相当的人工智能和它反复对弈，它能否从对方身上“学到”和自我对弈不同的能力？对这些问题的研究和回答，恐怕比单纯观察它是否有朝一日能够超越人类重要得多。