本月，美国科技股"七巨头"等人工智能巨头股价遭遇显著波动。这不仅反映了美国经济数据的疲软和公司业绩的不振，更引发了市场对人工智能领域投入与产出失衡，甚至"AI泡沫"的担忧。这一事件再次将我们的目光聚焦于AI行业。在AI行业的发展中，我们应如何理解其全球格局？面对我国AI行业所遭遇的困境，我们又该如何应对？
人工智能的全球格局：创新、风险与未来的赛跑
人工智能：跨领域革新的催化剂
自2022年底ChatGPT引发生成式人工智能的热潮，到2024年初Sora模型以文生视频技术令世界瞩目，人工智能正成为推动多领域革新的催化剂。AI技术不仅在软件代码、文本、语音、高保真图像和交互式视频的创作上取得突破，更在金融、制造业等关键领域显著提升了生产效率和决策质量。此外，AI在材料学和生物学等前沿学科中也展现了其变革潜力。
2023年11月，谷歌DeepMind的GNoME工具在晶体结构预测方面取得重大进展，成功预测出220万种晶体结构，其中38万种结构稳定，为材料科学领域发展带来新的机遇。2024年5月，DeepMind与Isomorphic Labs合作，在《Nature》发表的论文中展示了AlphaFold 3模型，通过预测蛋白质的三维结构，为药物发现开辟了新路径。
麦肯锡的全球人工智能调查显示，组织对人工智能的使用率从过去六年的55%左右跃升至2024年的72%，其中65%的受访者表示其组织经常使用生成式AI，这一比例几乎是2023年的两倍[1]。研究预测，生成式AI将为全球经济贡献高达4.4万亿美元，提升AI对经济的总体影响15%至40%[2]。到2030年，AI有望为全球经济贡献约13万亿美元[3]，进一步彰显其作为跨领域革新催化剂的地位。
AI的双刃剑：机遇与风险并存
尽管人工智能的发展为各行各业带来了前所未有的机遇，但它也伴随着不容忽视的风险。数据隐私泄露、算法偏见、知识产权侵权，以及AI输出的不准确性等问题，正逐渐成为行业发展的隐忧。随着海量数据的收集与应用，隐私和知识产权的风险与日俱增。同时，AI算法中潜在的偏见可能导致不公正的决策结果。此外，生成式AI作为一种基于概率模型的技术，其本质决定了它可能存在误差或放大训练数据中的偏差，这不仅影响输出的准确性，还可能引发难以预料的安全问题。
最新的麦肯锡全球人工智能调查显示，63%和52%的受访者分别将不准确性和知识产权侵权视为使用生成式AI的主要风险，这两项风险在受访者中的关注度位列前二。更令人关注的是，44%的受访者承认其组织至少遭遇了一种由生成式AI引起的负面后果，其中近四分之一的受访者直接受到了不准确性问题的影响[4]。
AI大模型之争：同质化与产能过剩的隐忧
自从ChatGPT引领生成式AI的潮流，科技巨头如谷歌、微软、华为、百度等纷纷推出自家的AI大模型，全球范围内掀起了一场“百模大战”。斯坦福大学以人为本人工智能研究所（Stanford HAI）的《2024年人工智能指数报告》指出，2023年生成式AI在所有AI相关投资中占比超过四分之一，初创企业的投资额飙升至252亿美元，是2022年投资额的近9倍，更是2019年投资额的约30倍[5]。
然而，这些大模型在功能和性能上趋于同质化，主要集中在自然语言处理、图像识别、语音助手等领域。在市场竞争的激烈角逐中，各大模型厂商不得不采取降价策略以争夺市场份额。这一系列现象揭示了一个现实：随着大量资本涌入大模型的开发，市场正逐步走向饱和。特别是在技术进步未能及时转化为市场需求的情况下，某些细分市场可能面临产能过剩的严峻挑战。
我国AI行业发展面临的主要困境
中国人工智能发展水平在全球排名中稳居次席，近年来在人才培养、科研产出、产业发展等方面取得显著进展[6]。然而，这一成就之下，行业发展仍面临核心技术研发、产学研结合、监管体系构建等关键挑战，亟需深化突破以形成持久竞争力。
核心技术突破的瓶颈：算力与模型创新的差距
我国人工智能领域虽取得长足进步，但在核心基础技术的突破上仍显不足，尤其在模型创新与算力资源方面与顶尖水平存在差距。Stanford HAI的《2024年人工智能指数报告》显示，2023年，美国以61个著名AI模型和109个基础模型的产出，表明了其在AI模型领域的领导地位，而中国，尽管以15个著名模型和20个基础模型的数量分别位居第三、第二，但与美国的差距不容忽视[7]。
在AI芯片这一核心技术上，我国面临对外依赖性强和自主创新能力不足的挑战。美国英伟达公司生产的GPU主导着大模型训练市场，而国产GPU与之性能差距显著。加之美国对中国实施的严格出口管制，我国AI算力的发展遭遇制约，这不仅影响了现有技术的提升，也可能在未来拉大与美国的技术差距。
产学研用结合的短板：技术转化效率的困境
在我国人工智能的蓬勃发展中，产学研用结合的不足作为一个明显的短板，制约了技术转化的效率。企业凭借丰富的算力、数据和资源，在AI前沿研究中占据主导，却往往忽视了与高校的合作，未能充分利用学术界的创新潜力，导致技术从实验室到市场的转化过程中出现断层，成果落地遭遇重重障碍。
一方面，中国在AI研究产出方面成绩斐然，专利和论文数量全球领先。2022年的已授权专利占比高达61.1%[8]，过去十年间生成式AI的专利申请数量约为美国的六倍[9]，2017—2022年间发表的AI论文占全球的25%[10]。然而，另一方面，与美国的AI产业发展相比，中国在产学研用结合及技术应用方面存在明显差距。在中国科学技术信息研究所联合北京大学共同研制的《2023全球人工智能创新指数报告》中，美国的总分74.71远超中国的52.69分[11]，这一比较不仅凸显了技术转化的迫切需求，也指明了提升产学研用结合效率的重要性。
法律体系的构建：AI监管的系统化与前瞻性挑战
目前，我国已有《互联网信息服务深度合成管理规定》、《生成式人工智能服务管理暂行办法》、《科技伦理审查办法（试行）》等一系列部门规章的出台，它们为人工智能的特定领域提供了初步的规范框架。
然而，这些法规尚未形成一个全面、系统性的法律体系，无法全面覆盖人工智能快速发展带来的数据隐私侵犯、算法歧视、知识产权争议等复杂法律问题。当前的法律空白和监管不足，凸显了对AI领域系统化、前瞻性法律规范的迫切需求。
突破困境：中国AI行业的发展战略
面对人工智能行业的挑战，中国需采取多维对策，以实现跨越式发展。
深耕基础，激发创新活力
我国应聚焦核心基础技术，强化企业创新主体地位。通过设立国家专项基金，实施财政税收优惠政策，激励企业在高端芯片等关键领域增加研发投入。同时，构建企业主导的产学研用创新联合体，整合各方资源，培育技术与应用并重的复合型人才。在国家AI创新应用先导区，营造创新氛围，吸引全球人才，促进技术与产业链的深度融合。
发挥优势，拓展应用场景
利用我国的丰富的数据资源、庞大的工业体系以及广阔的市场需求等优势，加速AI技术在关键基础设施领域的应用落地。选择产业链完整的企业，联合软件企业和用户，打造标杆场景。鼓励企业深度融合AI与业务流程，定制大模型，推动生产力变革。政府和国企应开放更多应用场景，推动AI的垂直化和产业化落地。
完善法律，确保风险管控
随着AI技术的快速发展，必须关注数据隐私泄露、算法偏见、知识产权侵权，以及AI输出的不准确性等潜在风险。我国应加快人工智能法律体系建设，明确监管范围，确保技术安全可控。积极参与全球AI治理，构建多方参与的安全治理格局。同时，鼓励企业与网络安全专家合作，进行产品安全测试，确保AI产品的安全性和可靠性。
来源：第一财经
