美国智库最新报告:如果不采取行动,AI产业美国早晚被中国超越

短平快说读 2024-08-30 12:54:35

现在中美科技竞争的核心是AI,中国为了突破美国的科技封锁正在大力推进产业本土化。而美国对于中国AI产业也是时刻保持着高度关注。

近日,美国信息技术和创新基金会(ITIF)发布了一份关于中国AI产业的报告。报告指出,如果美国不采取行动,中国在AI方面迟早会超越美国。

中国AI产业和市场

国家必须拥有健康的人工智能生态系统,才能发展创新的人工智能技术和公司。例如,国家必须拥有足够的风险投资和私募股权资金,以便为发明者提供开发和销售其产品或服务所需的资金、专业知识和人脉。因此,风险投资和私募股权资金可以作为创新能力的指标。此外,公司数量表明一个国家的生态系统的健康状况。

比较中美两国的投资环境,美国的投资规模和范围要大得多(见上图)。美国拥有9,500家人工智能公司,绝对数量几乎是中国的五倍。需要澄清的是,在本报告中,数据库依赖于Crunchbase上有关人工智能类别组中公司数量的专有数据。不同的报告可能对人工智能公司的定义不同,导致现有文献存在差异。Crunchbase人工智能类别包括许多不同类型的人工智能公司,包括进行人工智能研究的公司、开发人工智能相关产品的公司以及将人工智能应用于重大社会需求的公司。一些研究对人工智能公司的定义更为宽泛,因此将更多企业算作人工智能公司。

流入这些企业的资金似乎也多得多。人工智能风险投资(VC)和私募股权融资可能集中在少数几笔大交易中,这就是为什么不仅要衡量融资金额,还要跟踪融资交易的总数。在过去十年中,美国有近60,000笔投资,而中国仅有近8,200笔。从价值来看,两者的差距很大。美国的投资价值估计约为6050亿美元,远远超过中国的860亿美元。

经济合作与发展组织(OECD)提供的各国人工智能风险投资数据支持了这一发现,即中国企业获得私人资本的机会较少。2023年,中国的风险投资总额略低于200亿美元,而美国约为550亿美元。中国政府正试图通过国家支持的财政支持来填补这一缺口。

中国对于产业发展的支持

有关专家对中国如何支持原始创新能力提出了三个关键见解。首先,中国政府提供财政支持,培育具有高潜力的企业,特别是在那些可能被忽视的地区,从而为创新奠定更广泛的基础。

其次,在著名的清华大学的支持下,中国出现了一批新兴的人工智能初创企业,它们不是在复制现有技术,而是在推动人工智能创新的边界,特别是在生成式人工智能领域。

最后,与美国相比,中国能够生产出具有竞争力的、有时甚至更优秀的人工智能模型,凸显了其高水平的原始创新能力。

中国政府在财政上支持国内人工智能公司的发展。据专家介绍,政府使用的两种最重要的机制是政府引导基金和补贴。

政府引导基金本质上是国家主导的资本基金。这些资金来自公共和私营部门,用于符合政府目标的项目。根据美国国家经济研究局发布的2024年研究,2000年至2023年期间,中国政府风险投资基金通过超过20,000笔交易投资了9,623家人工智能领域的独立公司,总额达1840亿美元。这项研究对人工智能公司的定义包括从事大数据、图像处理、面部识别、自然语言处理、机器学习、深度学习、神经网络、机器人、自动化、计算机视觉、数据科学和认知计算的公司。

政府引导基金用于各种战略行业和商业活动,但其影响被发现并不显著。这些基金筹集的资金往往低于预期,而且在许多情况下未能部署投资,而且有太多基金的重点重叠导致效率低下。

但评估专门为人工智能公司设立的基金时,会发现三个重要优势:

首先,政府风险投资基金在空间上的分布比私人基金更广,私人基金主要位于中国富裕的沿海地区。由于中国政府风险投资基金在全国范围内分布更均匀,包括欠发达的内陆地区,因此政府正在帮助支持私人风险投资可能因流动性限制和信息差距而忽略的地区的高潜力公司。

其次,政府风险投资基金投资于最初业绩指标较弱的公司,但这些公司最终的增长速度快于私人风险投资基金资助的公司。

最后,政府风险投资基金通常在私人风险投资基金之前投资人工智能公司,这些政府投资会吸引后续的私人风险投资。当政府直接投资于最初业绩指标较弱的公司时,这种模式尤其明显,这表明政府的选择被私人投资者视为有价值的信号。

中国政府还通过补贴支持其人工智能行业。例如,北京市政府为购买国产人工智能芯片的企业提供补贴,以促进中国半导体行业发展,减少对外国技术的依赖。该计划将根据企业在国产图形处理单元(GPU)芯片上的投资比例为其提供财政支持。此外,至少有16个地方政府(包括最大的地方政府上海)正在向企业提供优惠券,让它们从大型国有数据中心获得补贴处理能力,这些数据中心整合了有限的先进芯片供应。

五家生成式人工智能初创公司(智谱AI、百川AI、月之暗面、Minimax和零一AI)均位列中国人工智能“独角兽”之列,这意味着它们的估值超过10亿美元,并且是中国生成式人工智能生态系统的核心。因为他们代表了专注于法学硕士的新一波人工智能公司,就像OpenAI和Anthropic等西方同行一样。这也是为了将他们与所谓的老牌公司进行对比,例如商汤科技、旷视科技、云从科技和依图科技,这些公司主要专注于面部和图像识别技术。

有专家表示,虽然许多中国新兴的生成式人工智能公司正试图复制OpenAI在ChatGPT上的成功,但在中国,还没有出现最受欢迎或应用最广泛的明显领导者或突破性应用。一些分析师报告称,客户很难确定哪家公司的人工智能解决方案最适合他们的特定需求。然而,其他人认为,智普人工智能的模型表现稳定,是挑战OpenAI的中国领跑者(有关智普人工智能的更多信息,请参阅公司案例研究部分)。

有趣的是,这些中国初创企业的影响力如此巨大,甚至连西方顶尖机构也开始效仿。最近斯坦福大学引发的一场争议表明,其人工智能模型Llama 3-V与清华大学自然语言处理实验室和中国初创公司ModelBest开发的MiniCPM-Llama3-V 2.5模型非常相似。ModelBest联合创始人强调了这一转变,承认中国的生成式人工智能模型与GPT-4等西方顶级项目之间存在“巨大”差距,但也指出中国已迅速“从十多年前的无名小卒变成了人工智能技术创新的关键推动者”。

北京清华大学是中国人工智能创业的根源。这所精英大学一直是中国许多最成功的人工智能初创企业的重要温床(见下图),通过大学的投资工具为它们提供人才、研究资源和资金支持。智谱AI由清华大学研究院直接孵化,百川AI、月之暗面、MiniMax则由清华大学教师或校友创立。

在过去两年中,中国领先的行业和学术实验室的大型人工智能模型数量迅速增加。企业在将基于法学硕士的人工智能聊天机器人引入市场之前必须获得政府批准,截至2024年 3 月,中国网信办已批准了至少117种生成式人工智能产品。据数据提供商IT橘子称,中国至少有262家初创公司正在竞相推出生成式人工智能产品。

中国的大型人工智能模型分为两大类。第一类是跨各个行业使用的通用人工智能平台,包括闭源和开源模型。第二类是针对垂直行业量身定制的行业特定模型,例如金融、生物制药和遥感。后一类的一个例子是来自中国智能学习解决方案提供商好未来教育集团的MathGPT。该模型基于大量数学学习数据进行训练,可通过提供基于对话的问题解决方式为不同的教育科技应用提供支持。

虽然中国有许多公司正在开发强大的人工智能模型,但美国模型目前的表现优于它们。一位专家指出,美国和中国模型在一项名为SuperCLUE的综合中国法学硕士基准上的表现。SuperCLUE是由来自中国和国际实验室的研究人员团队开发的,用于评估模型对中文理解的能力,包括语义理解和提取、生成代码、逻辑和推理、计算、角色扮演和安全性。从2024年的最新结果来看,有三个发现:

第一,美国行业领袖的领先模型与中国顶尖科技巨头和初创企业开发的模型之间的差距正在迅速缩小。下图显示了2024年4月和2024年6月美国和中国模型在SuperCLUE基准上的总体得分。4月份,排名前三的模型都是OpenAI GPT模型系列的不同代,而第四个模型则是美国初创企业Anthropic开发的Claude。随后是几位中国的法学硕士。4月份,最好的中国模型(百川的 Baichuan3)与最好的美国模型(OpenAI的GPT-4 Turbo)之间的差距被认为是巨大的,但比去年要小。然而,仅仅两个月后的6月,中国公司就已在排行榜上崛起,并将几个美国模型从榜首位置上挤了下来。OpenAI的GPT-4仍处于领先地位,但阿里巴巴的LLM系列Qwen 1.5与Claude并列第二,而中国AI初创公司DeepSeek新进入排行榜,与中国初创公司智谱AI的GLM-4模型和中国AI公司商汤科技的Sensechat模型并列第三。

第二,开发中国顶级模型的参与者构成由初创公司和科技巨头组成。来自大型科​技巨头的模型包括百度的 Erniebot、阿里巴巴的通义千问和腾讯的混元,而来自初创公司的模型则由智谱AI、百川AI、月之暗面和MiniMax引领。

第三,中国开源LLM生态系统正在获得显著的关注。阿里巴巴的LLM系列Qwen 1.5在不同规模上都表现出令人印象深刻的能力,尤其是其最大的模型,有720亿个参数。中国开源模型的一些迭代也击败了美国同行,例如智普人工智能的ChatGLM3和百川的Baichuan2,后者的表现优于谷歌的Gemma和Meta的Llama 2系列。此外,开源模型评估机构Hugging Face在常识推理、数学、编码和阅读能力方面对中国人工智能初创公司零一AI的开源模型(称为Yi系列)的几个迭代进行了高度评价。

中国AI的创新投入

多项指标揭示了中国创新能力的现状。在本报告研究了四类指标——研究、专利、人才和基础设施,以衡量中国人工智能生态系统的整体健康状况和潜力。

研究方面:

多年来,人工智能研究领域的主流观点是,虽然中国机构发表了数量最多的人工智能论文,但这些论文的质量却落后,而且中国的大部分研究都涉及应用美国、欧洲和其他地方研究人员取得的基础性进展。事实上,中国长期以来在人工智能研究的绝对数量上一直处于领先地位,全球人工智能研究论文产量最大的五家机构都是中国机构。尽管数量如此之多,但质量(通常以引用量来衡量)在美国传统上一直更高,因为美国的学术机构和私营企业都在进行前沿研究,这些研究可以更有效地转化为实际应用。

新兴的生成式人工智能领域的动态有所不同。目前,中国和美国的出版水平相当,截至2023年,中国约有12,450篇生成式人工智能出版物,美国有12,030篇。中国的出版机构数量较少,全球排名前10的出版商中有一半是中国机构(见下图)。

然而,尽管在出版物数量上与美国相当,但在引用量方面,中国和美国却存在很大差异。在被引用次数最多的生成式人工智能研究前10名榜单上,中国仅占据一席之地。相比之下,美国占据了排行榜的一半,包括前五名中的四名(与加拿大并列)。

有趣的是,中国人工智能研究排名前十的机构都是学术机构,而美国进行顶级人工智能研究的机构则是学术组织和私营企业的混合体。事实上,世界知识产权组织(WIPO)2024年报告中给出的更广泛的前20名排行榜显示,进入前20名排行榜的所有公司都是美国公司(Alphabet、Meta、DeepMind、NVIDIA、OpenAI、Microsoft、Twitter和Indico Research)。包括中国在内的所有国家/地区出版物和引用榜单上的其他所有进入者都是大学或研究机构。

这一区别意义重大,因为它表明美国私营企业积极参与人工智能研究是美国保持领先地位的主要因素。这种强大的行业驱动型研究确保了美国始终处于人工智能创新的前沿,不仅可以进行高质量的研究,还可以迅速将其转化为有影响力的技术和应用。事实上,美国产生的值得关注的机器学习模型和基础模型比中国多。2023年,美国有61个值得关注的机器学习模型,而中国只有15个。世界上大多数基础模型都源自美国(109个),而中国则有20个。

专利方面:

长期以来,知识产权一直被认为是促进创新的手段。人们认为,那些将想象力与勇气和决心结合起来,将自己的愿景变成书籍、技术、药品、设计、雕塑、服务等的人,应该有机会从他们的创新中获益——而这些回报会激励更多的创造性产出。因此,专利可以表明一个公司或一个国家的创新能力。中国的人工智能专利数量较多,但美国的专利质量更胜一筹。

近年来,全球人工智能专利数量急剧增加。从2021年到2022年,全球人工智能专利授予量增长了近63%,自2010年以来,授予的人工智能专利数量增长了30多倍。美国和中国在人工智能专利申请方面占据主导地位,其次是日本。根据WIPO 2019年的一份报告,这三个局占专利申请总数的78%。

尽管如此,中国在人工智能专利数量方面遥遥领先(尽管在专利质量方面落后,如后文所述);自2013年以来,中国一直是授予人工智能专利的最大发起国,到2022年,中国组织提交的人工智能专利数量约为美国同行的四倍,中国专利局授予的专利数量几乎是美国专利局的三倍。(见下图)事实上,WIPO 2024 年关于生成式人工智能的报告发现,自2017年以来,中国每年在该领域发布的专利数量超过所有其他国家的总和。

这一点很重要,因为来自中国的专利申请数量庞大,无论质量如何,都对美国创新者构成了挑战。这种涌入创造了一个庞大的“现有技术”库,这是指专利审查员用来评估一项发明是否新颖的全球现有科学和技术知识库。美国发明家必须证明他们的创新尚未被任何先前的出版物所涵盖,包括在国内和国际提交的中文专利,但随着现有技术库的增加,这一点变得越来越难做到。

知识产权专家认为,中国领先的一个原因可能是其在数据量方面的优势。由于人工智能相关的创新是由数据推动的,因此人们认为,产生最多人工智能相关专利的组织往往是能够获得更多数据的组织。中国确实在数据数量上具有优势,但拥有更多数据并不是真正创新的唯一要求。创新还取决于数据的质量、先进的算法、强大的基础设施和熟练的人才。

然而,为了生成专利,大量的数据可能确实足够了,因为专利通常侧重于新方法和应用,而这些方法和应用可以从大量数据集中得出。“数据越多,专利越多”的解释可能尤其适用于生成式人工智能,因为它往往特别依赖数据。生成式专利目前占全球所有人工智能专利的6%,但这比2017年的4.2%有所上升。中国目前在该领域处于领先地位,远远超过美国,比例是6:1.37。

一些专家认为中国在人工智能专利方面领先的另一个原因是,中国对哪些人工智能创新有资格获得专利有更广泛的了解。2017年,中国的审查指南修改了“专利适格”的定义,一些人认为这是有意扩大专利适格范围。

然而,其他法律专家发现,中国的修订使其对人工智能的专利方法与欧洲的框架更加一致,欧洲的框架比美国的框架更严格、更一致。从下图中的数据中还可以清楚地看出,两国的专利局只接受了他们收到的一小部分专利申请。这是差距不断扩大的一部分:2015年之前,全球授予的人工智能专利多于未授予的专利,但自那以后,情况正好相反,差距越来越大。

中国还在生成式人工智能的前20名专利所有者中占据主导地位,占其中的13个(上图),前五名中有4个(第五名是IBM)。整个榜单以企业为主,但前20名中有三家研究机构,均为中国机构(中国科学院、清华大学和浙江大学)。这些研究成果最多的大学是中国科学院,总体排名第四。

一个国家的专利申请数量可能是一个难以衡量的创新能力指标,因为专利质量参差不齐。中国专利局颁发的许多专利质量相对较差,因此中国的专利数量很难与美国专利商标局(USPTO)或欧洲专利局颁发的专利进行比较。事实上,在中国首次提交的人工智能专利中,只有4%也在其他司法管辖区提交,而在美国专利商标局首次提交的专利比例为32%,这表明美国专利的质量明显更高。

因此,研究专利合作条约(PCT)专利申请和高引用专利家族很有用,这些专利家族是针对同一发明在多个司法管辖区提交的专利。数据创新中心2019年的一份报告发现,每百万工人,美国 (11份PCT申请) 远远超过中国(1份)。然而,虽然中国的专利质量可能较低,但一些证据表明中国正在解决这一领域的问题。

人才方面:

人才是国家创新能力的关键,因为人才为开发新技术和推动经济增长提供了必要的专业知识、创造力和解决问题的技能。一个投资于吸引、培养和留住人工智能人才的国家更有能力实现长期经济增长并在全球经济中保持竞争优势。关于哪种人才对提升国家或机构的人工智能能力最重要,存在着激烈的争论。虽然一些人认为各国应优先培养大量相对低技能的人工智能工程师,但另一些人则认为,优先发展和吸引精英研究人员更为重要。中国在人才培养方面处于领先地位,留住了比过去更多的人才,但在提升现有员工的技能方面却落后了。

在培养顶级人工智能研究人员方面,中国处于领先地位。从在神经信息处理系统会议(简称 NeurIPS)上发表论文的中国研究人员的比例可以看出这一点。NeurIPS专注于神经网络的进展,这些进展为生成式人工智能的最新发展奠定了基础,它被认为是最具选择性和声望的人工智能会议之一,因此它所接受的群体可以作为精英人工智能研究人才的有用代表。保尔森研究所运营的智库MacroPolo的分析显示,2022年,中国培养了全球47%的顶级人工智能研究人员(“顶级”定义为所有人工智能研究人员中的前五分之一),而2019年这一比例为29%。对于最精英的人工智能研究人员(定义为所有人工智能研究人员中的前2%)来说,26%来自中国,而28%来自美国。与2019年相比,这是一个显着的增长,当时中国仅培养了10%的精英人工智能研究人员,而美国则培养了35%。

中国的顶尖人工智能人才最终流向美国的比例比其他任何地方都高。长期以来,大量中国人才前往美国大学攻读博士学位,美国从中受益匪浅。他们中的大多数人留在美国,帮助提升了美国人工智能生态系统的竞争力。尽管美国仍然是中国精英人才的主要目的地,但包括澳大利亚、加拿大、法国和英国在内的几个国家在过去几年中都推出了新的签证政策,以吸引外国人才在本国创建类似硅谷的科技中心——而且这些政策似乎正在奏效。

清华大学是中国总体排名领先的大学,也是人工智能研究排名第二的大学。该大学最近的一份报告显示,选择去美国留学的清华毕业生人数从2018年的11%下降到了2021年的3%。一些人将这种下降归咎于新冠疫情;然而,在英国留学的清华毕业生比例并没有下降,选择去新加坡留学的人数却有所增加。美国过时的签证法,以及最近对中国研究人员的担忧和来自其他国家的人工智能人才国际竞争,促使国际人工智能科学家和工程师在美国以外寻求教育和就业。

尽管人们普遍认为中国正面临人才流失,但根据2023年数据显示,越来越多的中国高素质研究人员选择留在中国。也就是说,虽然移民的中国研究人员数量可能在增加,但离开中国的优秀人才比例实际上可能在下降。MacroPolo的全球人工智能追踪器发现,2022年,28%的顶尖人工智能研究人员在中国工作,而2019年这一比例仅为11%。这一趋势可能表明,中国正在成功地为其顶尖人才创造有吸引力的机会和环境,平衡外流并促进国内创新。

基础设施方面:

人工智能系统通常依赖大量数据进行训练。大型数据集有助于人工智能系统开发高精度模型,以执行各种任务,从无地图导航到识别人脸再到回答谷歌搜索查询。此外,机器学习技术使人工智能系统能够识别大型数据集中人类难以或无法感知的细微模式。这就是为什么许多人工智能系统在某些任务上的表现比人类专家更好,例如在断层扫描中识别肺癌的迹象。

然而,确定一个国家在人工智能方面是否比另一个国家拥有数据优势并不像测量总数据输出那么简单。数据在人工智能中的作用很像劳动力在经济中的作用;中国可能拥有大量的劳动人口,但劳动力的结构、质量和适应性对推动经济增长同样重要。同样,数据不仅仅是拥有更多数据的问题;它关乎数据的质量、数据的整理程度和可访问性。

许多指标发现,中国在数据数量上处于领先地位,但在数据质量和多样性上落后。高质量数据既指正确一致的数据,也指针对其预期用途适当格式化的数据。中国已出台政策,促进某些领域的数据标准,但大量数据仍无法被计算机读取,从而降低了数据的质量和可用性。根据《2023年全国数据资源调查报告》(这是中国当局首次进行的全国性数据资源调查)的结果,虽然中国企业产生的数据比上一年增加了22%,但数字化和存储的数据仅增加了约3%。

中国超越竞争对手的地方在于为其企业和研究人员提供数据访问权限。对于公共场所的数据尤其如此,中国政府主要通过广泛的监控、安全和交通摄像头网络收集这些数据。中国私营人工智能公司获取这些宝贵政府数据的一种常见方式是向国家提供服务,例如通过智慧城市项目优化交通管理。这些服务不仅提高了政府运营的效率和效力,还为中国人工智能公司提供了宝贵的大型数据集。

《经济研究评论》在2023年发表的一篇论文研究调查了中国近1,900份人脸识别技术(FRT)政府合同,发现通过这些合同获得高质量政府数据的公司生产的商业AI软件产品数量明显多于没有此类数据的公司,这表明政府数据访问对中国人脸识别AI公司的崛起做出了实质性贡献。在FRT领域,中国公司无疑是领导者。根据美国国家理工学院的人脸识别供应商测试(FRVT),该测试评估了来自不同供应商的人脸识别算法的性能,中国公司生产了前25种算法中的四分之一,其中3 种进入前10名榜单。

获取先进芯片对于研究和开发先进的人工智能系统至关重要,因为这些系统通常需要强大的计算能力。

不幸的是,中国完全依赖美国和美国的盟友来获取这些芯片。最近对20名中国法学硕士的研究发现,17个模型是使用美国公司NVIDIA生产的芯片构建的,只有3个模型是使用中国制造的芯片构建的。

自2022年10月以来,美国实施了一系列出口管制措施,以限制中国获取其芯片,但对于这些政策的有效性存在分歧。虽然一些专家指出,这些管制似乎在短期内削弱了中国人工智能的发展,但其他专家指出,这些措施不太可能阻碍中国在人工智能方面的进步。中国已经拥有芯片库存,并正在迅速转向开发不依赖美国公司的自有供应。

《财经》发表的一篇报道称,在美国出口禁令之后,这些芯片的需求激增,珠江三角洲有数万家经销商活跃。据一些经销商称,某些NVIDIA芯片的市场价格在一周内翻了一番。此外,中国人工智能公司正在通过云提供商获取高端美国芯片,从而规避美国的出口管制。事实上,尽管受到制裁,但据称国家支持的语音识别公司科大讯飞等公司仍在租用NVIDIA的A100芯片,这凸显了执法方面的漏洞。

即使美国政府弥补出口管制执法方面的漏洞,中国也在努力实现计算能力的自给自足,减少对美国的依赖。开发新的半导体设计或建造新的半导体工厂所需的专业知识、资本和规模非常高,而且还在不断增加——而中国企业在芯片设计和制造所需的几乎所有子行业都存在弱点,尤其是光刻、计量和检测。尽管如此,作为中国主要的微芯片代工厂之一,中芯国际(SMIC)正在努力使用不太先进的设备生产微处理器,这表明中国尽管面临挑战,但仍致力于提升其半导体能力;然而,专家们怀疑这一过程是否具有商业竞争力。华为的Ascend 910B为人工智能应用提供了一种具有竞争力和成本效益的替代方案,但它的效率不如NVIDIA的A100。

对于拥有中国资源和政治意愿的国家来说,它仍然可以通过专注于为某些任务或应用领域开发更好的芯片来获得与人工智能相关的半导体市场份额。除了用于最佳训练AI模型的芯片市场之外,还有一个更新、规模更小且充满活力的市场,专门用于应用 AI 模型的芯片。例如,虽然NVIDIA引领GPU市场,GPU是专门用于训练和运行AI模型的芯片,但现场可编程门阵列(FPGA)主要用于将训练好的AI算法应用于新的数据输入。FPGA与其他AI芯片不同,因为它们的架构可以在制造后由程序员修改。还有一组称为“专用集成电路”(ASIC)的AI芯片,可用于训练或推理任务。ASIC具有针对特定算法定制的硬件,通常比FPGA提供更高的效率。但由于它们的应用范围非常狭窄,因此随着新AI算法的创建,它们会更快地过时。

从长远来看,人工智能芯片开发的许多领域都存在着巨大的竞争空间,尤其是那些制造更节能芯片的竞争对手,因为事实证明,电力的使用对于训练和运行人工智能模型的公司来说是一笔巨大的成本。如下图所示,在所有这些芯片架构的市场上都有中国公司。

尽管如此,中国公司目前在人工智能芯片设计方面的市场份额微乎其微,除了ASIC之外,ASIC比其他类型的芯片更容易设计,因为它们是为特定应用而设计的,而不是更通用的芯片,这使得许多公司更容易生产它们。然而,由于市场规模小、开发成本高,它们并没有被广泛商业化。

更有前景的是华为的“AI-in-a-box”解决方案创新,它将人工智能芯片与行业专用软件和预训练模型相结合,让企业更容易、更便宜地使用人工智能,而无需NVIDIA等先进芯片。这使得企业能够在自己的场所快速安全地实施人工智能解决方案。

美国该怎么办?

美国是人工智能发展的全球领导者,但它面临着来自中国的激烈且日益激烈的竞争。专注于阻碍中国的增长不会阻碍中国长期的发展。相反,美国应该专注于保持甚至扩大其领先地位。国会和白宫必须制定和资助一项全面的国家人工智能战略,以实现增加人工智能发展和增加人工智能采用的双重目标。

为了实现增加人工智能发展的目标,美国政策制定者应做到以下几点:

1.刺激私人对人工智能研发的投资。这对于巩固美国在人工智能领域的领导地位至关重要,因为美国的私营部门在开展人工智能研发和保持国家领先地位方面发挥着独特重要的作用,而在中国,政府在开展研发方面发挥着更大的直接作用。国会应该将研发税收抵免增加一倍,并恢复第一年的费用支出。

2.重振人工智能的联邦资助程序。当前的联邦资助机制过于缓慢和僵化,无法跟上人工智能发展的快速步伐。国会应引入灵活的资助模式,在项目达到特定目标时释放资金(基于里程碑的奖励),并创建可以快速用于最有前途的人工智能研究的灵活基金(与项目无关的基金)。这种方法可确保联邦投资灵活并响应快速发展的人工智能格局。

3.避免制定破坏美国人工智能领导地位并支持中国竞争对手的政策。例如,过于严格的出口管制可能会削弱美国芯片的竞争力,并无意中支持中国的芯片产业。同样,不必要的反垄断行动可能会过度削弱美国大型科技公司,削弱它们资助和利用跨多个业务线的人工智能进步的能力,而政府和初创企业生态系统都无法充分填补由此产生的空白。

4.制定国家数据战略,大幅扩大用于训练人工智能模型的数据可用性。中国最近宣布成立一个新的监管机构,以改善其将数据作为战略经济资源的使用。作为推动中国数字经济的持续努力的一部分,国家数据管理局将致力于建设智慧城市、数字化政府服务并促进数据驱动的发展。美国的政策制定者应该从这个例子中学习,加强对数据驱动创新的承诺,并增加商业数据访问。

为了实现增加人工智能采用的目标,美国政策制定者应关注以下几点:

5.制定国家人工智能采用路线图。广泛采用人工智能应该是美国政策制定者的首要任务之一,特别是在教育、交通、政府和医疗保健等关键领域,由于现有的法规和政府的参与,公共部门需要与私营部门合作部署该技术。政府应制定一份国家人工智能路线图,概述特定行业的机会和障碍,以及实现每个行业广泛采用的详细战略。

6.优先考虑联邦政府快速采用人工智能。联邦政府推动人工智能发展最重要的举措之一就是大力采用人工智能技术,提高自身生产力,降低成本,改善公共服务。政府服务管理局内的人工智能卓越中心应确定人工智能能够发挥作用的最重要的核心流程。理想情况下,这些流程中的人工智能要么能够显著改善客户服务和质量,要么能够降低成本(对政府和政府服务的用户而言)。

7.支持数字化转型。美国公司采用人工智能的比例较低,部分原因是它需要基础技术,例如制造过程中支持物联网的设备。成功的人工智能应用取决于累积的技术进步。联邦政府应投资于广泛的数字基础设施,包括宽带、网络安全、智慧城市等。

8.激励人工智能劳动力培训投资。雇主目前对人工智能劳动力培训的投资不足,如果没有政府干预,员工培训率不太可能达到社会和经济效益的最佳水平。政策制定者应该引入至少覆盖50%培训支出的税收抵免,以强烈鼓励企业扩大对劳动力发展的投资并增加人工智能人才库。

0 阅读:21

短平快说读

简介:感谢大家的关注