蔣余浩：AI是“大國博弈”工具？我們更需強調的是“多元探索”

IPP評論是國家高端智庫華南理工大學公共政策研究院（IPP）官方微信平臺。

導語：作為新一輪科技革命的代表性成果，人工智能（AI）是能夠影響大國博弈格局的關鍵核心技術，受到各界高度重視。但是，對人工智能的理論思考，卻不能僅局限在大國競爭、科技競賽等等話題上，而是需要提出更多至少同樣值得認真對待的問題。例如，人工智能是否只有目前少數科技巨頭引領的那一條發展路徑，或是能實施多樣發展策略？

本文最初完成于2024年，彼時正值中美人工智能競爭話語興盛之際。大國之間的競爭是事實上存在的狀況，但是，在話語上過于強調“大國博弈”、“先進技術競爭”，有可能掩蓋公共政策推進多樣發展、包容性發展的責任。結合當時學術界關于人工智能發展現狀的反思，本文揭示基于經濟社會發展需求，探索人工智能新發展路線的必要性和可能性。

文章隱含的主張是，“大國博弈”的要害在于綜合國力上的競爭，沿著目前美國少數科技巨頭主導的那一種人工智能技術路線（本文有時簡稱為“主流技術路線”）發展，不僅難以獲得競爭優勢，更可能損害中國政策急需關注的經濟社會均衡發展。文章指出，可以在“非線性創新”的過程中不斷探索新的技術方案；而中國從中央到地方近期的一些產業政策，顯示了對于人工智能多技術路線發展的激勵，其制度創新和技術創新意義值得深入挖掘。

本文作者

蔣余浩教授

華南理工大學公共政策研究院（IPP）資深研究員、教授，廣東新質生產力政策研究中心主任

人工智能，不能僅從“大國博弈”視角來看待

僅從“大國博弈”的角度思考技術發展，容易將既有的主流技術路線看作唯一選擇，從而既忽略技術發展對經濟社會的多重影響，又無法想象是否可能通過改變技術路線去實現更重要的經濟社會發展價值。

在近年，僅將人工智能視為大國博弈工具的話語屢見不鮮。2021年底，哈佛大學貝爾弗中心（Belfer Center）發布一系列報告，分析中美兩國在科技、軍事、外交和經濟上的實力差距，宣稱中國是“世界曾經唯一大國的勁敵”，引起國際戰略界的熱議。[1]

2024年8月，獨立智庫“信息技術與創新基金”（ITIF）發布報告，就人工智能領域的專業發表、專利獲取數量、人才培養、基礎設施建設（數據和算力）四個方面提供更為詳實的數據，支持了貝爾弗報告的結論：“中國在人工智能領域的不懈努力和戰略投資表明，它趕上（如果不是超過的話）美國此前的領先地位只是時間問題。”[2]

基于39項基準測試構建的能力指數顯示，至今年1月，中國大模型整體性能仍落后美國約7個月，但差距正在持續縮小。圖源：金融時報

無論貝爾弗報告還是內容更為豐富的ITIF報告，都把焦點放在中國對美國領先地位的挑戰上，我們國內輿論在轉載這些報告內容時也多僅突出中國在某些指標上的進步，這種強烈的大國博弈意識造成對更緊迫的議題的忽視：當前的人工智能技術發展有什么問題，中美兩國是否應堅持在此路徑下實施競爭？

事實上，目前世界范圍內的人工智能發展趨勢，最顯眼的一點就是少數科技巨頭主導了人工智能研究。近年的情況表明，人工智能科技巨頭的影響力不是學術界或者任何其他機構所能比擬的，這些科技巨頭在近年創建的有價值的數據集、吸引的人工智能專業博士畢業生、獲得的巨量資本投入，都遠遠超過大學、政府部門和其他機構。

如2024年10月4日OpenAI官網宣布獲得的最新一輪融資66億美元，這是有記載以來最大的一次性融資規模。斯坦福大學人本人工智能研究中心（Stanford HAI）發布的《2024年人工智能指數報告》指出，在2014年之前，是學術界主導機器學習模型的發明，而在此以后，產業界的主導地位愈加突出：2023年全球有影響的機器學習模型，產業界推出了51個，產業界與學術界合作推出了21個，學術界僅推出15個。[3]

具有代表性的AI模型研發主體從以學術界為主加速轉向由產業界主導，2024年約90%的重要模型由產業界開發。圖源： Stanford HAI

應該承認，如同創新與壟斷關系的理論文獻爭論不休的那樣，少數科技巨頭主導人工智能研究，并不一定不能為消費者帶來某些好處（例如可以節省探索成本、產品比較時間等），卻會限制對主流技術路線的反思以及對多樣技術工具的研發：主流技術路線被當作唯一的選擇。這種“唯一選擇”，對世界未來而言，并非福音：

首先，少數科技巨頭主導的人工智能研究已出現成本越來越高、競爭性越來越弱的狀況，表現出高度壟斷化和集中化。

如HAI指數報告估算，2017年最初的Transformer模型培訓成本約為900美元；2019年發布的RoBERTa Large培訓成本約16萬美元；2023年，OpenAI的GPT-4和谷歌的Gemini Ultra的培訓成本分別達到約7800萬美元和1.91億美元。HAI的一家合作研究機構提供了另一組估算：在過去8年，前沿人工智能模型的訓練成本每年增長2至3倍，這表明到2027年最大的模型的成本將超過10億美元。[4]

2019—2024年間，主流大模型的訓練成本呈指數級上升，從幾十萬美元迅速增長到上億美元級別，反映出先進AI模型研發對算力和資金投入的門檻急劇提高。圖源：Stanford HAI

另外，在2018年大語言模型GPT-1問世后，人工智能研發進入“百模大戰”時期，行業發展極為迅速，但是HAI指數報告指出：2015年人工智能專利授予率為57.8%，2022年降至32.6%，未獲資格授予的申請（128952件）是獲授予數（62264件）的兩倍有多——人工智能領域專利資格授予率的逐年降低，一定程度內體現了該領域新產品的創新難度在上升，競爭在下降。

這種成本日益高昂和競爭愈加艱難的發展特征，在事實上將包括美國自身在內的所有各國政府、學術界和一般社會大眾等都排擠在主流技術路線之外，少數科技巨頭的壟斷地位更為鞏固、對數據等科技資源的集中控制也更加強有力。

其次，為大國博弈目的而推動主流路線及其相關產業發展的舉措依然不時出臺，許多決策經常不顧可能產生的多重經濟社會后果。可以試舉三例：

一是為了實現先進芯片制造的安全化，美國亞利桑那州在2020年引進臺積電建設工廠。臺積電承諾為這一項目斥資650億美元，拜登政府2024年4月宣布臺積電獲得由《芯片與科學法案》（CHIPS and Science Act）資助的66億美元直接補貼。但是，這樣的巨額投入能否對緩解美國日益惡化的發展不均衡有幫助？哈佛大學肯尼迪政府學院國際經濟學教授丹尼·羅德里克（Dani Rodrik）就提出尖銳批評：“臺積電在亞利桑那州投資的三座晶圓廠預計雇傭6000名工人——每個工作崗位成本將超過1000萬美元。即使預計在供應商行業增加的數萬個工作機會成為現實，這在就業的回報而言也是微不足道的。”[5]

二是2024年5月，參議院多數黨領袖查克·舒默（Chuck Schumer）牽頭公布了一份雄心勃勃的人工智能政策路線圖，提議到2026年每年投資320億美元用于人工智能研發，尋求減輕人工智能引發的風險，尤其建議實施國家數據隱私法和對先進人工智能模型的出口管制。[6]

這個遠超《芯片與科學法案》的資助規模，致使著名財經雜志《福布斯》（Forbes）的專欄作者分析認為，舒默等議員其實并沒有很大期望最終通過立法，似乎更感興趣的是基于“保護美國的先進人工智能模型免受外國對手特別是中國的影響”而“建立一個真正的兩黨共識”。[7]

2023年9月13日，X首席執行官馬斯克（Elon Musk）和帕蘭泰爾(Palantir Technologies) 首席執行官艾卡普（Alex Karp）出席紐約州參議院多數黨領袖查克-舒默（Chuck Schumer）召集主要科技公司首席執行官舉行閉門會議，討論人工智能的優先事項和風險。 圖源：AP

三是與國會的努力相一致，美國商務部也在考慮對先進人工智能模型實施出口管制，盡管這種不涉及實物產品的限制措施，無論標準如何確定，都會較為武斷地損害到一定范圍的企業利益（例如，是以訓練模型的算力為標準，還是使用較低的計算機功率閾值，同時考慮使用的數據類型和模型的預期用途等其他因素）。

最后，或許最重要的是，出于大國博弈目的未加反思地支持主流技術路線，會威脅到未來發展的多樣可能性。2024年剛獲諾貝爾經濟學獎的達隆·阿西莫格魯（Daron Acemoglu）教授近年一直在提醒，主流人工智能路線具有強化監控與自動化的技術取向。他的這個認識，目前已經部分獲得了證實。

例如，阿西莫格魯自己研究指出，谷歌（Alphabet）和微軟（Microsoft）牽頭開發的生成式人工智能本質上就需要高度集中信息，在數據控制下產生進入壁壘，使持續在線參與和個性化數字廣告的商業模式得以發展，滋生情緒憤怒、極端主義和網絡回音室效應。[8]此外，國際勞工組織（ILO）2023年8月發布的一份研究報告分析指出，目前雖然沒有證據表明生成式人工智能具有大規模取代勞動力的風險，但是這項技術將某些任務自動化的能力十分顯著，受自動化影響的職業和工作群體在明顯增多。[9]

總的來說，有研究已說明，主流技術路線的取向是傾向于將關于未來的想象限制在監控和（自動化導致的）無工作上，僅出于“大國博弈”的目的而強力支持這一路線，則相當于是在遏制未來的多樣可能性。

但這種關于未來的受限的想象并非是不可避免的，我們需要認識到一種新的可能性：人工智能還有無比廣闊的發展前景，我們可以從自己的真實需求出發“選擇”新的人工智能技術路線，創造更豐富多樣的未來發展景象。

實際上，美國也并不是僅僅執著于少數科技巨頭領導的那一種技術路線，聯邦政府同樣在探索多樣的人工智能發展路徑，如從2019年開始推動“國家人工智能研究院”（NAIRI）項目計劃，2023年又制定“國家人工智能研究資源方案”（NAIRR Pilot），推動產業界和學術界共享國家研究基礎設施。

NAIRR旨在通過建設國家級人工智能科研資源平臺，向大學和研究機構開放GPU算力、數據和模型等資源，以緩解AI算力過度集中于少數科技公司的問題。圖片為NAIRR Pilot項目地圖。

作為人口規模巨大、區域發展嚴重不均衡的大國，中國更不能囿于目前的人工智能主流發展路線，因為堅持在此路徑上追趕，既難以真正實現科技自主自強（如僅僅在研究發表、專利獲取數量等指標上突飛猛進，實質影響力卻相當不夠），又可能在勉強的追趕過程中產生意想不到的重大損失（如資源大量浪費、忽視對勞動力的持續培育等等）。

非線性創新：人工智能多技術路線探索的可能性

那么，從技術實現的角度講，是否可能“選擇”新的人工智能發展路線？

注意一個悖謬之處：執著于“大國博弈”的話語，對于長期處于追趕地位的國家而言，反而更容易放大美國科技政策的某些局部經驗，將之奉為圭臬。

比如，萬尼瓦爾·布什（Vannevar Bush）在二戰結束時呈交給美國總統的著名報告《科學：無止境的前沿》（Science：The Endless Frontier），在我國知識界長期被解讀為倡導了一種“線性創新觀”（即創新沿著“基礎研究→應用研究→產業轉化”的線性路徑發展），用以論證國家對基礎研究的特別支持。

但是，其一，布什報告中并沒有線性創新模式的內容；[10]其二，線性創新模式也不是美國科技創新能力飛躍的保證。布什報告在科技政策方面體現出的主要作用，是它建立了爭辯聯邦科學資助的話語策略，使后來成立的總統科學顧問委員會形成了一種政策論述風格。[11]

“線性創新觀”所主張的創新分工方式——基礎研究在大學等科研機構，應用和轉化主要依靠企業——能在美國科技政策研究領域占據一定的位置，與二戰后美國研究型大學崛起、企業日益增強從外部獲取發明創新的能力等特定歷史條件密切相關，不能僅從美國在此時期開始增加對于大學科研投入的事實，簡單總結出一個“加強基礎研究能力就能實現科技實力整體提升”的線性創新經驗。[12]

與我們的思考密切相關的是，如果將創新視為線性發展過程，那么就很難看到創新過程中改變技術路線的可能性——科技實力落后的國家，多數僅強調在基礎研究領域“追趕國際學術前沿”，只在先進國家的問題意識后面亦步亦趨。必須認識到，要實現新的探索，當然需要不斷加強基礎研究能力，但如何加強，以及更重要的是如何整體提升科技實力，則需要更加深入地認識科學發現、技術發明等活動本身。

兩位工程學專家分析指出，基礎研究/應用研究二分法是一種基于研究動機的分類，要是考慮到了研究活動是復雜、系統且動態的過程，則會發現這個二分法的局限——他們梳理從1956年開始由于在信息通信領域的理論貢獻而獲諾貝爾物理學獎的六項科學工作，其中一些工作還同時獲得了美國國家工程院頒發的德雷珀獎（Draper Prize，獎勵工程類技術發明），揭示出科研活動更為豐富的內涵：這六項科學工作“展現了多種類型知識在創新中的作用，正是這些創新創造了我們當前的信息通信時代。……這些研究都可被劃歸到‘基礎’或‘應用’研究類別，但這種分類方式忽略了這些研究的復雜性和跨類別性。

更糟糕的是，它會讓那些反對‘應用研究’者的偏見更加強化。”[13]他們因此提出：“研究活動應該被更精確地描述為‘發明-發現循環模型’，而不是固化為‘基礎研究/應用研究’二分法。我們相信，這種方法更適合這一公共物品（the public good）。”[14]

科學“發現”（Discovery）與技術“發明”（Invention）之間的循環互動關系。技術發明往往源自科學發現，但新的技術工具與工程系統又會反過來推動新的科學發現。例如，1956年諾貝爾物理學獎對應的是晶體管效應的發現與雙極型晶體管的發明（1947–1948）。晶體管既源于固體物理的科學發現，又迅速轉化為電子工程領域的關鍵器件。這一技術突破隨后推動了半導體物理和量子電子學的發展。圖源：Narayanamurti, Odumosu & Vinsel (2013)

“發明-發現循環模型”揭示的是一種“非線性創新觀”：創新過程并不是沿著“基礎研究→應用研究→產業轉化”線性路徑前進，而是通過技術發明與科學發現二者之間的交互促進得以實現的，科學原理、技術發明、應用技能及經驗、管理策略、日常需求等等多種知識都在其中起到作用。在科技發展史上，蒸汽機的發明與熱力學的發現是證明非線性創新觀更著名的案例。

有趣的是，這兩位專家發現，他們所梳理的六屆諾貝爾獎16位獲獎者中，有10位有著在美國大型工業實驗室長期從事科研的經歷，另外6位科學家中有3人來自蘇聯的研究機構，1人來自德國的大學和研究所，另外兩人分別來自美國政府實驗室和研究型大學。這個認識很有意思，表明了傳統被分別稱為基礎/應用研究（工業研究）的經歷，其實存在著很強烈的相互促進的聯系。

依照這個思路簡要檢索一下，還能夠看到日本的諾貝爾物理學獎和化學獎得主，其研究成果也多與政府任務型項目或產業領域相關，比如2000年以后獲獎者中，有5位物理學家的研究成果得到過政府任務型項目支持，有4位化學家的獲獎成果是在產業領域做出的理論創新。

田中耕一是日本諾獎中最典型的“產業研究型”科學家。他在企業研發環境中開發出激光解吸電離質譜技術，從而實現對生物大分子的質譜分析，并獲得2002年諾貝爾化學獎。 圖源：Shimadzu

人工智能與非線性創新觀有什么關系？這里值得專門介紹麻省理工學院三位專家2023年在《科學》（Science）雜志上發表的研究。該研究明確指出，所謂“大學負責基礎研究，企業負責應用和轉化”的線性創新分工在人工智能領域根本不存在，人工智能的基礎研究與應用研究之間的界限是模糊的。

比如谷歌大腦研究團隊（Google Brain）在2017年推出的主要用于自然語言處理（NLP）和計算機視角（CV）領域的深度學習模型Transformer架構，既是能即刻投入應用的產品，又是基礎知識探索上的重大進步[15]——Transformer與循環神經網絡（RNN）和卷積神經網絡（CNN）相比，實現了借助自注意力機制捕獲輸入序列中的長程依賴關系，更能處理長序列并且自行計算。[16]

2024年的諾貝爾物理學獎頒給了兩位人工智能專家，表彰他們“通過人工神經網絡實現機器學習的基礎發現和發明”，更展現了人工智能作為一種震撼全球的科技產品，同時又是物理學的發現和知識的突破。由此可知人工智能同樣具備顯著的非線性創新特征。

“發明-發現循環模型”的提出者這樣總結科研活動的非線性創新特性：

“在我們的模型中，發現與發明循環可以雙向跨越，研究知識可被視為在跨越循環中隨時間演化的一個整體。循環的雙向性表明一個事實，發明并非總是發現的產物，它也可能是其他發明的產物；同時，重要的發現也可能是來自新的發明。”

人工智能正是由于具備了這種顯著的“雙向跨越”特征，才能實現多技術路線的探索。

一方面，這種特性造成了科技巨頭有可能通過加強其應用端的優勢反過來增強其在研究端的主導作用：科技巨頭擁有更強的算力、更為龐大的數據集和更多的技術專家，這使得產業界的研究有了通用性強、與一般性實踐問題結合更緊密、跨越多個學科等特點。在基于其產品影響力而吸引更為巨量的資金和人才資源之后，這樣的結果就順理成章了：“產業界對應用端的主導也給予了它塑造基礎研究方向的權力。”

而在另一方面，這種特性也潛藏著探索更多的技術路線的理論保證：通過重新定義和強調“應用需求”，并圍繞經濟社會發展的多樣需求部署創新活動，有可能形成更多的不同于少數科技巨頭所主導的研究方向。

這里的重點問題因此變成了如何重新定義和強調“應用需求”。

抽象的講，答案不言而喻，因為即使是科技巨頭也從不反對科技進步是為了“人”，如OpenAI宣稱它的使命是開發“安全且有益”的“在最具經濟價值的工作上表現優于人類的高度自主系統”的通用人工智能（AGI）；谷歌人工智能部門在其官網上展示的理念同樣是“讓人工智能造福每個人”（Making AI helpful for everyone）。

然而，關鍵在于，是科技巨頭根據其“單方面主張人類經驗作為轉化成行為數據的免費原材料”[19]的特權，還是每個個體作為“不可能被局限在我們所構建和棲居的理念和社會世界之中”[20]的有自主發展能力的主體來定義應用需求？

美國從70年代中期以來推動信息技術革命，是著重支持前端研究，創新議程并不涵蓋能夠擴大就業規模的制造業等產業，由此導致信息技術研發脫離日常生產生活需求，對日益擴大的貧富分化、停滯的勞動生產率、持續衰敗的制造業沒有產生幫助。[21]現在，科技巨頭主導下迅猛發展的人工智能，很大程度是在加劇此前的發展不均衡。

因此，目前需要強調的正是，尊重每個個體作為有自主發展能力的主體，首先應當尊重其日常生產生活經驗和具體需求，然后再思考是否可能幫助他們實現對其自身處境的超越。就公共政策而言，是要使研發活動與日常生活生產的創新緊密聯系起來。[22]麻省理工學院“未來工作”研究小組為此在2019年就提出倡議，[23]他們的政策建議已經體現在美國聯邦政府2019年開始推動的“國家人工智能研究院”（NAIRI）項目計劃中。[24]

中國政策蘊含有對AI多技術路線探索的激勵，需要大力推進

僅從“大國博弈”視角出發，可能會將中國目前取得的成就看成是對世界既有秩序的重大威脅，而忽略許多經濟社會發展問題。從中央到地方近年的一些政策，顯示了激勵多技術路線探索的意圖，其理論意義和實踐意義值得持續挖掘。

——廣東省工業和信息化廳2024年1月印發《2023年全省工業和信息化發展情況及2024年主要工作計劃》，提出“在6G、人工智能、低空經濟、量子科技、生命科學等領域采用多技術路線平行探索的方法搶占技術制高點”“制定《廣東省關于大力發展通用人工智能產業賦能千行百業的實施方案》，拓展千行百業應用場景，建設人工智能產業創新引領地；同時，要加快人工智能嵌入制造業各領域各環節”；

——住房和城鄉建設部2024年2月通過《“數字住建”建設整體布局規劃》，提出“加強應用牽引和場景驅動，構建以數據為核心要素的數字綜合應用體系，全面推動住房城鄉建設業務數字化轉型，賦能住房城鄉建設事業高質量發展”的工作原則；

——農業農村部2024年10月出臺《農業農村部關于大力發展智慧農業的指導意見》，要求“堅持需求牽引、以用促研，立足產業發展和行業管理實際需求，樹立問題導向、應用導向，因地制宜探索數字化、智能化解決方案，引導小農戶融入現代農業發展軌道”。

工業制造、建筑建材、農林牧漁等領域在人工智能迅猛發展背景下相繼提出的政策主張，深刻表明了探索多技術路線發展的需求。不同的行業都有其成熟的生產經驗和技術方案，因此在不同程度上“抵制可能改變它們既定的技術路線和商業模式的創新”。[25]

需要考慮的，正是如何在這些領域既有經驗的基礎上發明能為之提供切實幫助的應用產品和解決方案，而不是簡單地顛覆掉原有的技術路徑和發展生態。[26]從根本上講，中國的人工智能發展戰略對此有明確指導：國務院2017年7月印發的《新一代人工智能發展規劃》，提出了圍繞不同的應用需求而一體化配置研發、應用和產業培育力量。這種非線性創新政策可以成為發展嵌入不同行業的人工智能的保障。

2025世界智能產業博覽會上展出的智慧家居。圖源：新華社

在中國，產業界也有相當不同于美國的情景。如華為、阿里、騰訊等大型科技公司，相繼推出了公共云，服務于地方政府和中小企業；華為還推出了“盒裝人工智能”（AI in a box），供企業在本地運行。這些都是值得關注的有益嘗試，其持續的發展依然需要通過研究與應用的一體推進、發現與發明的循環促進。

公共政策可以提供的支持，一方面是更多拓展應用場景，讓不同的理念和產品得到應用端檢驗的機會，另一方面是激勵學術界同產業界深入合作，既共同解決應用問題，又從應用過程中提煉科學問題，推動實現科學原理的新發現。只有將人工智能的非線性創新特征充分展現出來，我們現有的豐富實踐，才可能真正展露探索多樣人工智能技術發展路線的價值。

還應建設一些關鍵性基礎設施和制度機制，既提高各個區域和各個行業獲取科技資源和研發資金的機會，又促進技術應用和原理探索真正實現相互促進。

例如，其一，在不同經濟發展水平的區域打造AI研發公共基金，牽引科研機構、產業界和社會資本組成攻關團隊，支持從該區域的真實應用需求出發展開研究探索，同時圍繞這些探索部署人才培育、政策法規、核心算法和關鍵設備、高端芯片、重大產品與系統、基礎材料、元器件、軟件與接口等等軟硬設施建設，在整體上逐步構建出多技術路線探索的發展格局；

其二，基于需求建立多類型公共數據語料庫，訓練不同性能的模型。數據與模型之間關系很復雜，并不必要一味模仿大模型訓練方法。可以在數據的結構化、數字化、標準化等方面不斷進行調整和提升，創建公共研究云和公共數據集，訓練通用性能的模型。此外，對于許多傳統行業和專業領域，由于商業價值不高，難以吸引數據科技企業進入，可以設置專項資金支持建立專業數據集，以知識密度更高、維度更多元的語料訓練具備專業性能的模型；

其三，學習德國弗勞恩霍夫研究所（Fraunhofer-Gesellschaft）、美國“創新園圃”（Innovation Orchards）等支持中小初創企業實施創新升級的機制，[27]針對中小微創新型企業開放科技資源并且提供融資、科技服務和企業成長扶助等方面的幫助，培育更為豐富的創新型市場主體；

德國弗勞恩霍夫研究所通過設立以產業需求為導向的應用研究機構，在政府基礎經費支持下，與大學和企業合作開展工程化研發，將科研成果轉化為可產業化技術，從而構建起連接基礎科學與工業創新的中間層體系。圖源：Wikimedia Commons

其四，深化改革人才培育和人才考評的體制，突出強調跨專業性、協同性和實際效用。尤其需要變革目前基于學歷、專業、人才帽子、履職經歷等標準評價人才的做法，既激勵不同行業的優秀人士有熱情、有勇氣不斷學習人工智能等新技術，推動新技術與各個行業的深度融合、交互促進，又激勵各類科研人員參與、觀察實際發展狀況，從實踐中提煉科學問題，推動科學原理探索的創新。

無論怎樣，本文主張，針對人工智能，一是需要考慮技術變革引發的多重經濟社會后果，二是基于經濟社會多樣發展需求探索多技術路線。人工智能研究活動的復雜性展現了非線性創新的基本特征，可以在“（技術）發明-（科學）發現”交互促進過程中尋找多元創新契機。中國的政策已有關于“應用牽引”“場景驅動”“以用促研”“產學研用各創新主體共創共享”等等一系列引導性設置，更進一步的工作是建立切實的制度機制，使供給（科學原理發現和應用技術發明）與需求（不同區域、不同行業自身的發展需要）二者聯動起來，進而形成一個全社會積極參與和促進科技進步，并且公平共享創新發展紅利的環境。

參考文獻：

[1]“The Great Rivalry：China vs. the U.S. in the 21st Century”，https://www.belfercenter.org/publication/great-rivalry-china-vs-us-21st-century.

“How Innovative Is China in AI？”https://www2.itif.org/2024-chinese-ai-innovation.pdf.

“Artificial Intelligence Index Report 2024”，AI Index Steering Committee, Institute for Human-Centered AI，Stanford University，Stanford，CA，April 2024.，https://aiindex.stanford.edu/wp-content/uploads/2024/05/HAI_AI-Index-Report-2024.pdf.

“How Much Does It Cost to Train Frontier AI Models？”https://epochai.org/blog/how-much-does-it-cost-to-train-frontier-ai-models.

Dani Rodrik，“America’s Manufacturing Renaissance Will Create Few Good Jobs”，https://www.project-syndicate.org/commentary/us-manufacturing-employment-falling-despite-investment-policies-by-dani-rodrik-2024-04.

“Driving U.S. Innovation in Artificial Intelligence：A Roadmap for Artificial Intelligence Policy in the U.S. Senate”，https://www.schumer.senate.gov/imo/media/doc/Roadmap_Electronic1.32pm.pdf.

Owen Tedford，“AI Industrial Policy Takes Shape In Washington”，https://www.forbes.com/sites/owentedford/2024/05/16/an-american-industrial-policy-for-ai-takes-shape/.

Daron Acemoglu，“Hayek vs. AI Socialism”，The International Economy，Vol. 37，Iss. 2，（Spring 2023），p.49.

Pawe? Gmyrek，Janine Berg，David Bescond，“Generative AI and Jobs：A global analysis of potential effects on job quantity and quality”，https://www.ilo.org/sites/default/files/2024-07/WP96_web.pdf

Benoit Godin，Models of Innovation：the History of an Idea，Cambridge and Massachusetts：The MIT Press，2017，p. 75.

王作躍（Zuoyue Wang）：《在衛星的陰影下：美國總統科學顧問委員會與冷戰中的美國》，安金輝、洪帆譯，北京：北京大學出版社，2011年，第10頁。

阿希什·阿羅拉、沙倫·貝倫佐、安德烈亞·帕塔科尼、徐政奎：“不斷變化的美國創新結構”，載喬希·勒納、斯科特·斯特恩編著：《創新政策與經濟發展》，孫國玉譯，北京：中信出版社，2023年。

那拉亞那穆提、歐度茂蘇：《發明與發現：反思無止境的前沿》，黃萃、蘇竣譯，北京：清華大學出版社，2018年，第56頁。（譯文略有調整，下同）

文卡特希·那拉亞那穆提、圖魯瓦洛戈·歐度茂蘇：《發明與發現：反思無止境的前沿》，第47頁。

Nur Ahmed，Muntasir Wahed，and Neil C. Thompson，“The growing influence of industry in AI research：Industry is gaining control over the technology’s future”，Science，2 Mar 2023，Vol 379，Issue 6635，p.885.

Ashish Vaswani et al.，“Attention Is All You Need”，https://arxiv.org/pdf/1706.03762.

那拉亞那穆提、歐度茂蘇：《發明與發現：反思無止境的前沿》，第57頁。

Ahmed，Wahed，and Thompson，“The growing influence of industry in AI research：Industry is gaining control over the technology’s future”，p.885.

Shoshana Zuboff，The Age of Surveillance Capitalism：The Fight for a Human Future at the New Frontier of Power，New York：Public Affairs，2019，p.8.

Roberto M. Unger，The Knowledge Economy，London and New York：Verso，2019，p.44.

李寅：《當代美國經濟不平等的緣起——“新經濟”和信息技術革命的漫長陰影》，載《文化縱橫》2022年第6期；蔣余浩：《數字經濟、參與式發展和技術路線可選擇性——共同富裕戰略的初步思考》，載《開放時代》2023年第5期。

威廉姆˙邦維利安、彼得˙辛格：《先進制造：美國的新創新政策》，沈開艷等譯，上海：上海社會科學院出版社，2019年，第45-47頁。順便說明，本文強調的“需求”既是內生的，又是可建構的，因此需要以一種“結構變革的視野”來加以思考，使供給-需求交互促進起來。See Roberto M. Unger，The Knowledge Economy，pp. 203ff. 在這方面，中國提出的“供給側結構性改革”有豐富的政策運作空間。相關理論分析，見崔之元：“新三位一體：供給側結構性改革、雙循環和共同富裕”，載《清華金融評論》2022年第3期。

MIT Work of the Future，“The Work of the Future：Shaping Technology and Institutions”，http://web.mit.edu/2.810/www/files/readings/WorkOfTheFuture.pdf.

關于NAIRI項目運作機制及其理論基礎的詳盡分析，見戴明潔：“多點開花：美國人工智能戰略布局的理論邏輯與政策啟發”，2024年未刊稿。

威廉姆˙邦維利安、彼得˙辛格：《先進制造：美國的新創新政策》，第5頁。

關于傳統行業技術創新的需求和難點，William B. Bonvillian and Charles Weiss，Technological Innovation in Legacy Sectors，New York：Oxford University Press，2015.

威廉姆˙邦維利安、彼得˙辛格：《先進制造：美國的新創新政策》，第七章。

蔣余浩

華南理工大學公共政策研究院研究員、廣東新質生產力政策研究中心主任

IPP評論熱門文章

關于IPP

華南理工大學公共政策研究院（IPP）是一個獨立、非營利性的知識創新與公共政策研究平臺。IPP圍繞中國的體制改革、社會政策、中國話語權與國際關系等開展一系列的研究工作，并在此基礎上形成知識創新和政策咨詢協調發展的良好格局。IPP的愿景是打造開放式的知識創新和政策研究平臺，成為領先世界的中國智庫。