作者：贾铭 | 来源：秦朔朋友圈

导读

在运用处景方面，中国的人工智能可以说是冠绝环球，一骑绝尘，但对技能的运用只是“1到100”。
客不雅观上来说，国外在人工智能方面可能确实有先发上风，但我们有很多机制、系统编制，乃至文化方面的成分，限定了我们0到1的创新。
在人工智能领域，尤其是在芯片制造等根本层，我们真正间隔挤入天下顶尖梯队还任重道远。

早在ChatGPT涌现时，有很多人也谈论过“ChatGPT为什么没有首先涌如今中国”。
而当我们还在困扰为什么海内大模型没有GPT4好用的时候，Sora来了。

从通用人工智能（AGI）视角看，这意味着我们与OpenAI的差距又被拉大了。

中国人工智能发展的制约成分是什么？当前的发展到底处于第几梯队？2023年下半年，我密集调研了十几家人工智能企业，来宽泛地谈谈我自己的意见。

01

算力

算力是人工智能竞争的核心，算力的背后是芯片。

Meta一家公司已经有50万块GPU，微软也有几十万块，而且两家公司还在不断采购。
海内所有的人工智能公司加在一起，可能有50万块旁边，以是在算力的存量层面，我们跟国外的差距很大。

芯片又分为芯片设计和芯片制造。
中国的芯片设计能力在环球该当可以划分到第一梯队。
在传统的CPU和GPU领域，与国外险些没有差距。
在人工智能芯片的细分领域，比如半定制化的FPGA、全定制化的ASIC、类脑芯片等领域，已经有个别很精良的公司极度贴近乃至部分超越国际顶尖水平，但顶尖公司的数量和生态，总体上与国外发达国家还有不小的差距。

在芯片制造环节，面临卡脖子。

从制程上看，90nm以上制程的芯片，技能上我们已经险些可以完备自主。
有说，2023年下半年，28nm的国产（后道封装）光刻机也已经交付芯片制造厂商。
但也有说，仍旧正在研发，还没有交付。

图片来源：ASML官网

纵然已经交付芯片制造商，在统统顺利的情形下，参考阿斯麦（ASML）和台积电的履历，从安装完成、调试到可以稳定生产，至少须要2年的韶光。
考虑到这是中国首台全国产的28nm光刻机，以及光刻机的高度繁芜性，所需韶光大概率会更长。

特殊须要把稳的是，光刻机完成实验室阶段的研发和在厂商完成家当化生产是完备不同的两个观点。

在研发阶段，只要成功流片，就算是研发成功，但在实际的家当运用阶段，哀求在担保良率和产能的情形下，能够安全稳定地持续运营，这个过程是很难的。

以是，光刻机从实验研发到正式投产，花费十年八年都是很正常的。
纵然ASML，前几款光刻机，从研发成功到正式投产，也在5年以上。
至于28nm以下的芯片制造，必须还要依赖国外的光刻机。

当前环球的光刻机市场被荷兰阿斯麦（ASML）、日本尼康（Nikon）和佳能（Canon）三大巨子垄断。
尼康的光刻机集中在中高端区域，佳能则集中在低端区域。

图片来源：ASML官网

至于2023年某厂商成功制造5nm的芯片，业内普遍推测，芯片自主设计是没问题的，但在制造环节，利用的还是国外的设备，差异无非是ASML的还是Nikon或者Canon的。

光刻家当链具有极度繁芜性。
光刻机的制造研发绝不是某一个企业能够单独完成的（包括ASML也不是一家就能造DUV和EUV，很多核心零部件都要入口），须要很多顶尖的企业相互合营才可以完成。

光刻家当链的高度繁芜性紧张表示在两点：

一是作为光刻核心设备的光刻机组件繁芜，包括光源系统、照明系统、物镜系统、浸入式系统、双工件台等在内的组件技能环球只有极少数几家公司能够节制。
比如物镜镜片被德国企业蔡司（ZEISS）垄断。

二是与光刻机配套的光刻胶、光刻气体、掩膜版等半导体材料和涂胶显影设备等同样哀求很高的技能含量。
比如，宽谱g/i/h线光刻胶基本完成国产替代，但高端KrF、ArF和EUV光刻胶基本被美国和日本的企业垄断，韩国企业占一点比重，中国大陆基本依赖入口。

图片来源：英伟达官网

现在的问题是ASML被限定向中国出口最新的光刻机，英伟达（NVIDIA）被限定向中国出口最新的芯片。

虽然我们还可以买到性能受限的“特供版”芯片，但限售既限定了企业的算力获取，又拉高了算力本钱，而且扰乱了企业的研发预期。

短期来看，部分企业有储备算力可供给用，而且现在也没有到纯挚拼算力的地步，算法依然有很大的优化提升空间。
但长远来看，仅从技能的角度，人工智能竞争的实质还是算力的竞争。

只管当前我们已经加大在半导体领域的研发投入，但短期内中国在芯片制造领域取得颠覆性打破的困难还比较大，以是未来在算力竞争层面，无论是国家还是企业，都要提前做好各方面的应对准备。

02

数据

数据是主要的根本性计策资源，高质量数据对人工智能的主要性无需赘言。

中国是天下上数据最丰富、也是最重视数据的国家之一，将数据的主要性提升到了前所未有的高度，专门设立了国家大数据局，并出台了系列法律法规和行业规范。

“数据二十条”针对数据要素与其他生产要素的不同特点，构建起“四梁八柱”的紧张架构，从数据产权、流利交易、收益分配、安全管理四方面初步搭建了中国的数据根本制度体系。

当然，数据二十条只是纲领性文件，未来许多更详细的内容须要不断探索发展。
数据交易所的培植效果如何，还有待不雅观察。

就目前来看，至少存在三方面的问题——

第一，优质数据太少。
很多企业须要花大本钱重新洗濯和标注数据。
以是常常有人开玩笑说：人工智能，有多少人工就有多少智能。

第二，数据的灰色交易问题。
有的行业或者企业可以更优先拿到部分受限的数据，由于数据复用的边际本钱极低，以是很多企业就通过不合规的渠道以很低的价格买卖数据，导致不公正竞争。

第三，数据的保护和管理水平还有待提高。
数据中敏感信息多，许多数据内容多层次多元化，可能承载了须要保护的个人信息和商业机密，纵然匿名化和去标识化，也有可能被挖掘出来。

03

成本

如果只看ChatGPT的技能路线的话，实在是一个大力失事业的过程。

很多公司都曾经实验过这一技能路线，但都受限于算力本钱和数据量，在做了一段韶光后就放弃了。

不仅是海内的很多公司没有做出来，Google也没有做出来。
只有OpenAI不断地堆算力、堆数据，终极实现了由量变到质变。
以是，ChatGPT的成功具有一定的有时性。

图片来源：OpenAI官网

但有时中又蕴含着一定。
仅就人工智能领域来说，中国彷佛并没有做出太精彩的原创性贡献。
AlphaGo，ChatGPT是国外先涌现的，智能音箱、智能驾驶、人脸识别，都是人工智能的工程运用，也不是中国的原创。

有很多人说，国外有成熟的投融资体系，以是可以支持OpenAI不断烧钱。

确实，原创性的科技创新投入大、周期长、成功概率低。
OpenAI的资金密度、人才密度都很高。
而中国的多层次成本市场仍不足健全，尤其是VC和PE市场培植比较滞后。
未来还是须要花大力气完善。

但我以为这不是根本缘故原由。

一样平常的中小公司很难得到如OpenAI那么多的融资，但如果我们仔细统计，在2022年ChatGPT横空出世以前，中国有不少公司的融资额是比OpenAI还多的，但我们还是没有做出ChatGPT。

以是投融资很主要，成本市场很主要。
但融资额多少不是创新成功与否的决定性成分。

04

人才

颠覆性技能创新的核心要素是“人”。

如果让我们回顾一份具有天下影响力的科技创新者名单，可能会包括Bill Gates、Zuckerberg、Sam Altman、 Elon Mask等等。

中国人口基数这么大，我们缺的不是Altman和Mask这样的种子，缺的是让这些种子从生根萌芽到长成参天算夜树的土壤。

深层次反思是须要勇气的，而且很不讨喜。
昔时夜家都沉浸在热烈的人工智能浪潮中，沉浸在中国人工智能处于天下领先行列的喜悦中，我非说我们这里弗成，那里有短板，就很随意马虎挨骂。

但我们的人才培养模式确实有问题。

高校是我们人才培养最主要的载体。
但我们的高档教诲培养的大部分是掉队于实践的人才。
我们高校的环境鼓励的是“边际创新”而不是“原创性成果”。
我们的社会容不下坐几年十几年冷板凳的人才。

第一，高校都想做大，做综合类高校，开设最热门的学科，尽可能招更多的学生。
由于学科培植、学生规模与能得到的经费支持直接干系。

最显著的一个表征便是，各种“xxx学院”都争相想改名成“xxx大学”。
高校的数量要适应当地的经济发展程度和人口规模。
有的省份经济发展水平比较高，人口规模也很大，但优质的教诲资源不敷，在能保障传授教化质量的情形下，可以考虑扩大供给，但学科设置不能分开自己的比较上风。

前几年金融学是热门学科，以是很多学校就竞相设置经管学院、经济系。
我知道有的专科院校，竟然也设置了诸如“金融工程”之类对师资力量哀求很高的学科。
这种情形下培养出来的人才，只是色厉内荏。

据不完备统计，截至2023年，全国有440所高校建立了人工智能本科专业，有1016所职业院校备案了人工智能技能做事（运用）专业。

人工智能也是一个对师资力量哀求很高的学科，如果专科院校开设人工智能专业，必须要找准自己的定位，稳扎稳打，侧重于运用开拓和改进、运用测试、数据处理、产品运维、商务推广、产品发卖、售后做事等实用技能型人才培养，与本科和研究生进行差异化竞争。

第二，人工智能对硬件和软件的哀求都很高，高校的算力和数据资源、师资力量、课程设置和传授的知识掉队于行业实践，背后是产教领悟的问题。

一方面，大部分高校的算力和数据资源实在难以知足大模型的传授教化和研发需求。
另一方面，无论是老师的传授教化能力还是课程设置，都掉队于行业一线。
这两方面的问题不仅在人工智能行业存在，在各行各业都存在。

我们在调研中，多家企业都反馈，招聘的算法类应届毕业生至少都要花费1～2年重新培养，而事情2年的员工离职率最高，以是有的企业选择不再招聘应届生，而直接高薪挖人，这就加剧了行业内卷。

集成电路企业对人才的哀求更高。
由于芯片设计的繁芜性，从业5年才算上手，从业10年才算成熟人才。
现在高校培养的大部分是通用型的传统集成电路设计人才，难以适应全定制和半定制化人工智能芯片的设计哀求。

以是业内现状是，领军人才、成熟技能人才供不应求，而应届生和“转码”人才又存在过剩。

而在产学研方面，具有一定规模和技能实力的大企业数量有限，专精特新等中小型科技类企业具有技能上风，但由于很难给高校带来吹糠见米的资金和就业支持，用人需求和技能上风，都难以触达高校。

美国顶尖大学的教授，撤除必要的上课韶光，其它韶光可以到企业的实验室事情，因此理解家当界的真实需求。
海内也有相应的产学结合制度，比如在企业设立院士事情站等等，但这个制度的效果还不足好，详细缘故原由比较繁芜。
很多科研职员一辈子都没有下过工厂。

海内还有一个很不好的习气：很多科技成果是为了转化而转化，也便是基于已经拥有的技能或者办理方案来开拓新的运用处景，这就导致很多研究不仅没有办理已经存在的主要问题，反而又创造出新的问题。

长期以来，中国教诲重传承、轻创新，重标准化教诲、轻个性化教诲，重知识接管、轻代价塑造和创新创业，同时中国创新人才教诲模式较单一，缺少多元化投入机制，培养颠覆性技能创新型人才面临困难和寻衅。

第三，科研事情者的职称考评压力很大，而职称考评是有量化标准的，大部分是“课题+论文揭橥”。
近几年越来越卷，职称考评的标准越来越高。

一位来自有名双一流高校，在我看来很有才华和出息的年轻副教授跟我说：“我也想把所有的精力投入到科技创新中去，我的学院领导也已经是非常开明的领导了，不哀求我每年发多少篇论文，支持我和团队花几年的韶光搞一个大项目。
但是他哀求我承诺未来一定要做出什么样的成果。
我只能承诺我全力以赴，但我怎么能预先确定科技创新的成败呢？”

当前的问题在于，无论是部委课题还是基金课题，大部分的研究期限很短，且必须承诺结题成果，这彷佛可以保障科研质量，避免科研经费被摧残浪费蹂躏，但这同时导致学者只申请有把握能在短期内达标结题的课题，实际上限定了院校和学者进行根本研究的攻关激情亲切。

这就导致，中国在人工智能领域的顶刊论文数量超过美国，但实际上大多数是对国际前沿理论的边际改进，家当运用代价较弱。

现在国家也在转变科研办法，比如指定或者征集重大问题、延长项目周期、增大重点项目投入。
在科研考评体系方面，推进“破五维”。

一方面，像中国自然科学基金就有一整套匿名评审机制和同行评价制度，大家的认可度还比较高。
除了项目评价，高校在选人方面也该当增加同行评价的比重。
有的博士乃至一篇论文都没有，也可以在国外拿到教职。
国外在选人时，更侧重评价一个青年学者的潜力，哪怕你还没研究出真正的成果，但我只要能判断出你研究的问题本身主要，就能评价一个人的科研品味。

国外实质上更看重一个人的内涵和科研潜力，但海内习惯用公式一样的指标来判断一个人，末了就导致所有的青年学者趋同，适应评价规则的同时，也扼杀了科研潜力。

现在已经有很多学校把招人的权力下放到了院系，但院系仍旧沿用既往的选才制度。

“破五维”的效果不及预期，而且如果真的“破五维”之后，尚未建立起一套新的标准，可能会导致更多的问题。
缘故原由既包括既得利益格局的桎梏，也包括面临公正问题和舆论压力。

另一方面，就目前来看，指定或者征集重大问题、“揭榜挂帅”，是一种很好的方法，捉住了当前最急迫的问题，显著推进了问题的办理速率，是急国家之所急。
但这更多的是促进了工程运用问题的办理，而不是真正意义上的“颠覆性创新”。

重大项目方面，虽然延长了项目周期、增加了项目额度，但这些重大项目还是紧张集中在院士、教授手中。

但很多人评为教授、院士之后，实际上已经不再关注学术前沿，反而成了学术资源的紧张供应方，成了一个巨大的利益焦点。
院士手上的钱用不完，每天想着怎么费钱，而年轻的科学家找不到钱，无钱可用。
以是，科学家共同体内部也须要一些机制来变革。

客不雅观地说，经由多年的发展，综合来看，中国高校的师资力量、人才培养质量已经并不明显掉队于西方发达国家。
尤其是在人工智能领域，各国（包括美国），都存在顶尖人才短缺的情形，美国业界乃至采纳“杀鸡取卵”的办法用高薪从高校挖教授。

中国部分高校开设的人工智能课程，在授课内容、办法、人才培养质量上已经达到了天下顶级水平。
这与国家的重视有很大的关系，也与我们的勉励制度导向有关。
比如我们设立的青年长江学者，就很重视对传授教化的考察。
学校对精良传授教化西席的褒奖力度也很大。
我们有情由对中国人才培养的未来饱含希望。

05

环境

第一，中国人的生活压力实在很大，全体社会环境比较急功近利，对科技创新的哀求非常苛刻，个人的容错率非常低。

社会环境对根本创新非常主要。
其一，根本研究短期很难出成果，无论是上级监管部门，还是科研院所，都很难承担这种“只烧钱但看不到成果”的考察压力；其二，"大众年夜众的科学素养也有待提高，大家对很多研究领域的认知不到位，急迫的期待科学家短期做出重大成果，如果永劫光不出成果，机构和个人都很难承受舆论压力；其三，个人收入、职业发展与科研成果挂钩。
如果你想在高校/科研院所得到还说得过去的收入，得到学校和社会的认可，那你必须在有限的韶光内把有限的精力投入到漫长的论文揭橥的奇迹中去。
而且我们很多课题和“帽子”，都限定了申请者的年事。
这就导致大家只在古人的根本上进行有效的边际创新——由于这是“性价比”最高的办法。

以是，我们要花大力气提升大众的科学素养，社会上要有一种精确的风气，不要一窝蜂，彷佛重视一个科学家，某个领域的科学研究就要有重大的打破，如果科学家失落败了，就以为这个人有问题或者怎么样。

第二，营商环境还有提升空间。

我们过去很长一段韶光内，都非常重视营商环境的培植，取得了很大的成效。
无论是在国际组织还是海内组织编篡的各种营商环境国别榜单中，排名和评分都有显著的上升。

人工智能技能的发展对未来很多行业可能产生颠覆性影响，天下很多国家都将人工智能技能放在了计策主要性的地位，中国也是如此。

在这个背景下，中心政府、各部委不可谓不重视，出台了很多支持政策。
遍地所政府对人工智能的支持力度不可谓不大，只要头部企业乐意落户，要地给地、要钱给钱、要人给人，堪称全方位无去世角的支持。

但我们对恶意负面舆情的管理力度还不足。
有很多所谓的网络“大V”依旧很生动，受众还很广。

恶意的负面舆情对企业的社会名誉影响很大，乃至扰乱企业的正常经营，对上市公司的影响更大。
人工智能行业很故意思，大多数企业都是民营企业。
在这种情形下，我们更该当重视恶意攻击民营企业和民营企业家的行为。

我当然知道，舆论不可能也不该禁绝，有时候舆论还是弱者掩护自身权柄的武器，正常的负面舆情对企业也是一种监督。
以是我们要抓大放小，对打着爱国旗号，但本色长进击企业正常经营行为、造成重大社会影响的恶性舆情和谣言要寻根问底，创造一起，惩处一起。
最好是公开司法，一方面是保障司法的公开公道，另一方面是可以震慑宵小，以儆效尤。

06

总结

一位科技企业的资深技能专家和管理者曾经跟我说，中国的人工智能实在准确来说该当叫做“人工智能的工程运用”，我们常常有种幻觉，很多技能我们运用得很好，我们就误认为我们节制了某种技能。

在运用处景方面，不客气地说，中国的人工智能可以说是冠绝环球，一骑绝尘。

但对技能的运用只是“1到100”。
“1到100”很主要，但“0到1”更主要。
比如，你肯定比牛顿懂得多，但你跟牛顿谁伟大？

客不雅观上来说，国外在人工智能方面可能确实有先发上风。
二十世纪三个伟大的创造，无线电、打算机和互联网都涌如今美国，一个主要缘故原由便是它的根本、运用以及开拓研究都非常强大。

但我们有很多机制、系统编制，乃至文化方面的成分，限定了我们0到1的创新。

在人工智能领域，尤其是在芯片制造等根本层，我们真正间隔挤入天下顶尖梯队还任重道远。

但只要我们保持计策定力，实事求是、脚踏实地、一步一个脚印，我们就有一万个情由对未来充满希望。

转自公众年夜众号：工业4点0