人工智能行業研報：中國對AI比西方更具前瞻性？

2023-08-07 18:40:12 編輯： robot

導讀作者 | BT財經來源 | 麥肯錫了解更多金融信息 | BT財經數據通本文旨在推動更多的人工智能信息從中國回流到西方。麥肯錫全球研究院（McKinsey Global Institute...

作者 | BT財經

來源 | 麥肯錫了解更多金融信息 | BT財經數據通

本文旨在推動更多的人工智能信息從中國回流到西方。

麥肯錫全球研究院（McKinsey Global Institute）研究員兼ChinAI Newsletter創始人Jeffrey Ding就中國和西方在人工智能方面的信息不對稱性發表了自己的看法，他的觀點主要涵蓋了爲什么數據不能像石油、中國產品和平台等等一樣。

現在有很多關於人工智能的討論，以及人工智能對全球競爭的意義，特別是在美國和中國等地區。最近，麥肯錫全球研究院研究了人工智能對商業和更廣泛領域的影響。

MGI研究表明，雖然人工智能在世界各地都在深入發展，但有兩個地區的人工智能進展最快、創新最多，那就是美國和中國。

然而，有趣的是，雖然很多中國的人工智能开發者都在閱讀甚至合作撰寫英文論文，但很少有西方的人工智能從業者能夠跟上中文的信息流、並用中文閱讀相關文獻，即使其中很多都是公开發表的文章。然而，中國在人工智能領域的成就不容忽視，甚至在牛津大學成立的人工智能中心，他們在尋找對人工智能感興趣的志愿者的資格要求中，也列出了“中文專業優先”。

就信息流動的方式而言，這幾乎就像一面單向的鏡子，同時這絕對是一種信息“不對稱”，在當前這個很多工作都可以在互聯網上公开的領域，這看起來很奇怪。

數據保護

在Jeffrey Ding 看來，“數據是新的石油”。中國擁有世界上最多的人口，因此中國擁有最多的數據。首先，數據總是特定於某個應用程序的。擁有最多的手機用戶這並不意味着能轉化爲自動駕駛汽車應用的數據。因此，當我們談論誰擁有最多的數據時，總是針對特定的應用程序。

這說明了一個更廣泛的觀點，即人工智能是一種通用技術。但人工智能的不同應用場景，無論是智能制造、交通還是自然語言處理，都將有不同的數據需求。

隨着人工智能應用中數據的重要性逐漸提高，技術領域也在發生變化。因此，在某些情況下，模擬數據變得越來越重要。例如，在去年的自動駕駛汽車應用中，Alphabet旗下子公司Waymo模擬的行駛裏程比實際的道路行駛裏程要多。

通過閱讀大量的中文文獻，以及已經出版的大量英文報道，人們越來越認識到，在隱私和數據保護免受濫用的相關話題下，實際上存在非常激烈的隱私和個人信息保護議論。

Jeffrey Ding認爲，這必須做出區分，因爲每個人都不希望他們的個人信息在互聯網上泄露，也不希望他們的銀行記錄被泄露。在中國相關報道中，接受調查的數千名中國成年人中，絕大多數人反對共享面部數據，並認爲人工智能對隱私構成了重大威脅。

如今，加強隱私保護的勢頭正在增長，這可以從中國科技公司的反應中可以看出來。例如，聯邦學習（federated learning）是一種訓練數據的技術，它以一種更保護或對隱私問題更敏感的方式訓練數據。現在，至少有華爲、京東等部分中國科技巨頭在聯邦學習技術方面進行了投資。

競爭格局

此外，在談到人工智能時，還有一個經常出現的話題：那就是“競爭”，尤其是美國和中國之間在人工智能領域的競爭。這將不是十項全能的競賽，這甚至可能是一場奧運會。因爲兩個國家競爭的方式不同，而且競爭的領域也不同。

現在市場上很多人都將人工智能競爭比喻成一場“軍備競賽”。然而，在Jeffrey Ding看來，將AI領域的競爭比喻成軍備競賽並不恰當。首先，在這個領域，並非所有技術都是平等的。人工智能等通用技術不同於武器裝備，就像我們不會說電力領域也有一場“軍備競賽”一樣，因爲電力是典型的通用技術。

其次就是，在人工智能領域，人們爲什么而競爭？當人們談論到所謂的“人工智能軍備競賽”時，人們是在談論哪個國家或哪個公司能最大限度地利用人工智能對軍事領域產生變革性影響？或者是在討論最終誰能從大規模採用人工智能中獲得最大的經濟增長？我認爲通常當人們談到這個話題時，每個人可能會想到不同的東西。

在學術界，很多工作就是提出這個空洞的問題——“你所分析研究的問題是爲了什么？”而那些談論“人工智能軍備競賽”的人往往無法回答這個問題。

Jeffrey Ding認爲，人工智能對中美競爭最重要和最突出的方面是在經濟領域。從歷史上看，通用技術會帶來生產率的大幅增長。最明顯的例子是20世紀20年代電力和美國生產率的增長。

中國目前面臨的主要挑战是如何在人口紅利下降的情況下繼續保持經濟增長，因此中國正努力在不同領域，尤其是制造業，向價值鏈上遊提升。因此，像人工智能這樣的通用技術爲中國繼續保持高水平經濟增長提供了一種潛在的方式，因爲人工智能可以滲透到所有其他領域。這是人工智能將如何影響中美發展的最重要的部分，至少在Jeffrey Ding看來是這樣。

與此同時，日本和德國的工人數量也在減少。美國也將面臨類似的挑战。所以很多國家都面臨和中國一樣的問題，需要提高自己的生產力。

何時普及

人工智能這個詞是在20世紀50年代出現的。而通用技術的普及具有一貫的模式：需要幾十年的時間，需要一個漫長的孕育期，在我們得到互補的創新之後，在我們對人力資本進行調整以適應技術帶來的結構變化之後。當電力進入制造業時，一开始電力也只是用電動機來代替蒸汽機。最後，人們意識到提高生產率的最好方法，就是用電動機爲單個機器提供動力，但這還要求工廠的布局方式徹底改變，這個過程需要很長時間。

人們往往習慣了一種事物的運作模式。人們必須學習新的技能。在電腦被發明出來以後，我們確實在一段時間後才看到了生產力的提高，而這正是日本在生產率方面從未完全超過美國的關鍵原因之一，因爲美國在整個制造業和整個服務業都採用了計算機和信息通信技術。這可以保持良好的生產增長率。

對人工智能來說，問題也是同樣的。此前有文獻指出，爲什么我們沒有看到想象的或期望的生產率增長，其中一個原因是，我們很難衡量人工智能領域正在發生的人力資本升級。因此，在未來幾十年左右的時間裏，我們可能會看到生產率的提高。