人工智能与智能计算的发展

十四届全国人大常委会专题讲座第十讲讲稿

人工智能与智能计算的发展

孙凝晖

委员长、各位副委员长、秘书长、各位委员：

近年来，人工智能领域正经历一场由生成式人工智能大模型带动的爆发式发展。2022年11月30日，OpenAI公司发布了人工智能对话聊天机器人ChatGPT，凭出色的自然语言生成能力引来全世界广泛关注，2个月就突破1亿用户，国内外随即掀起大模型浪潮，Gemini、文心一言、Copilot、LLaMA、SAM、SORA等各类大模型相继冒了出来，2022年也因此被称为大模型元年。当前信息时代正加快迈入智能计算的发展阶段，人工智能技术突破不断，赋能千行百业越来越深，推动人工智能与数据要素成为新质生产力的典型代表。习近平总书记指出，把新一代人工智能作为推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力量，努力实现高质量发展。党的十八大以来，以习近平同志为核心的党中央高度重视智能经济发展，促进人工智能和实体经济深度融合，为高质量发展注入强劲动力。

一、计算技术的发展脉络

计算技术的发展史大致能分成四个阶段：算盘的出现，标志着人类进入第一代——机械计算时代；第二代——电子计算，以电子器件和电子计算机的出现为标志；互联网的出现，把我们带进第三代——网络计算；如今人类社会正在迈向第四阶段——智能计算。

早期的计算装置是手动辅助计算装置和半自动计算装置。人类的计算工具史从公元1200年的中国算盘讲起，之后有了纳皮尔筹（1612年）和滚轮式加法器（1642年），到1672年，第一台能自动完成四则运算的计算装置——步进计算器诞生了。

机械计算时期，现代计算机的一些基本概念已经露头。查尔斯∙巴贝奇（Charles Babbage）提出了差分机（1822年）与分析机（1834年）的设计构想，支持自动机械计算。也是在这一时期，编程与程序的概念基本成形：编程的概念起源于雅卡尔提花机，用打孔卡片控制印花图案，后来演变成用计算指令的形式存储所有数学计算步骤；人类历史上的第一位程序员是诗人拜伦之女艾达（Ada），她为巴贝奇差分机编写了一组求解伯努利数列的计算指令，这套指令也是人类历史上第一套计算机算法程序，它把硬件和软件分离开来，程序的概念由此第一次出现。

一直到二十世纪上半叶，现代计算技术的四大科学基础才相继就位：布尔代数(数学)、图灵机(计算模型)、冯诺依曼体系结构(架构)、晶体管(器件)。其中，布尔代数用来描述程序和硬件如CPU的底层逻辑；图灵机是一种通用的计算模型，能把复杂任务转化为不需人工干预的自动计算过程；冯诺依曼体系结构提出了构造计算机的三个基本原则：采用二进制逻辑、程序存储执行、计算机由运算器、控制器、存储器、输入设备、输出设备这五个基本单元组成；晶体管则是构成基本逻辑电路和存储电路的半导体器件，是搭建现代计算机这座塔的“砖块”。正是站在这套科学基础上，计算技术高速发展，形成了规模庞大的产业。

从1946年世界上第一台电子计算机ENIAC诞生，到二十一世纪的今天，已经形成了五类成功的平台型计算系统，当前各领域各种类型的应用，都能由这五类平台型计算装置来支撑。第一类是高性能计算平台，解决国家核心部门的科学与工程计算问题；第二类是企业计算平台，也就是服务器，用来做企业级的数据管理和事务处理，如今百度、阿里、腾讯这些互联网公司的计算平台都归在这一类；第三类是个人电脑平台，以桌面应用的形式出现，人们通过桌面应用与个人电脑交互；第四类是智能手机，特点是移动便携，手机通过网络连接数据中心，以互联网应用为主，分布式地部署在数据中心和手机终端上；第五类是嵌入式计算机，嵌在工业装备和军事设备里，靠实时控制保证在确定时间内完成特定任务。这五类装置几乎覆盖了信息社会的方方面面，而人们长期追求的、以智能计算应用为中心的第六类平台型计算系统，还没有形成。

现代计算技术的发展，大致可以划成三个时代。IT1.0又称电子计算时代（1950-1970），基本特征是以“机”为中心。这一时期计算技术的基本架构成型，随着集成电路工艺进步，基本计算单元的尺度快速微缩，晶体管密度、计算性能和可靠性不断提升，计算机在科学工程计算、企业数据处理中得到广泛应用。

IT2.0又称网络计算时代（1980-2020），以“人”为中心。互联网把人使用的终端与后台的数据中心连在一起，互联网应用通过智能终端与人交互。以亚马逊等为代表的互联网公司提出了云计算思想，把后台算力封装成公共服务租借给第三方用户，由此形成云计算与大数据产业。

IT3.0又称智能计算时代，始于2020年，相比IT2.0多了“物”的概念——物理世界的各种端侧设备被数字化、网络化、智能化，实现“人-机-物”三元融合。智能计算时代，除了互联网，还有数据基础设施，支撑各类终端通过端边云实现万物互联；终端、物端、边缘、云都嵌入AI，提供与ChatGPT类似的大模型智能服务，最终做到有计算的地方就有AI智能。智能计算带来的，是巨量数据、人工智能算法的突破，以及对算力的爆发性需求。

二、智能计算的发展脉络

智能计算包括人工智能技术与它的计算载体，大致走过四个阶段：通用计算装置、逻辑推理专家系统、深度学习计算系统、大模型计算系统。

智能计算的起点是通用自动计算装置（1946年）。艾伦·图灵（Alan Turing）、冯·诺依曼（John von Neumann）等科学家起初就希望模拟人脑处理知识的过程，造出像人脑一样思考的机器，这个目标虽未实现，却解决了计算的自动化问题。通用自动计算装置的出现，也推动了1956年人工智能（AI）概念的诞生；此后所有人工智能技术的发展，都建立在新一代计算设备与更强的计算能力之上。

智能计算发展的第二阶段是逻辑推理专家系统（1990年）。E.A.费根鲍姆（Edward Albert Feigenbaum）等符号智能学派的科学家，把逻辑和推理能力的自动化当作主要目标，提出了能对知识符号做逻辑推理的专家系统。人的先验知识以知识符号的形式进入计算机，让计算机能在特定领域辅助人类做一定的逻辑判断和决策，但专家系统严重依赖手工生成的知识库或规则库。这类专家系统的典型代表，是日本的五代机和我国863计划支持的306智能计算机主题：日本在逻辑专家系统上采取专用计算平台加Prolog这样的知识推理语言，完成应用级推理任务；我国走了一条与日本不同的技术路线，以通用计算平台为基础，把智能任务变成人工智能算法，硬件和系统软件都接入通用计算平台，并催生了曙光、汉王、科大讯飞等一批骨干企业。

符号计算系统的局限，在于计算时空复杂度的爆炸：符号计算系统只能解决线性增长的问题，高维复杂空间问题它解不了，能处理的问题规模因此受限。同时，符号计算系统建立在知识规则之上，而常识没法靠穷举法全部列出来，应用范围就受到很大限制。随着第二次AI寒冬到来，第一代智能计算机逐渐退出了历史舞台。

到2014年左右，智能计算才进阶到第三阶段——深度学习计算系统。以杰弗里·辛顿（Geoffrey Hinton）等为代表的连接智能学派，把学习的自动化作为目标，发明了深度学习等新AI算法。深度神经元网络的自动学习，大幅提升了模型的统计归纳能力，在模式识别^①等应用效果上取得巨大突破，某些场景的识别精度甚至超过了人类。拿人脸识别来说，整个神经网络的训练过程相当于一次网络参数调整：把大量经过标注的人脸图片数据输入神经网络，再做网络间参数调整，让神经网络输出结果的概率无限逼近真实结果——输出真实情况的概率越大，参数就调得越大，知识和规则就这样被编码进网络参数里；只要数据足够多，就能对大量常识进行学习，通用性由此极大提升。连接智能的应用更广，包括语音识别、人脸识别、自动驾驶等。计算载体方面，中国科学院计算技术研究所2013年提出了国际首个深度学习处理器架构，国际知名硬件厂商英伟达（NVIDIA）持续发布多款性能领先的通用GPU芯片，都是深度学习计算系统的典型代表。

智能计算发展的第四阶段是大模型计算系统（2020年）。在人工智能大模型技术的推动下，智能计算迈向新的高度。2020年，AI从“小模型+判别式”转向“大模型+生成式”，从传统的人脸识别、目标检测、文本分类，升级到如今的文本生成、3D数字人生成、图像生成、语音生成、视频生成。大语言模型在对话系统领域的典型应用，是OpenAI公司的ChatGPT：它采用预训练基座大语言模型GPT-3，引入3000亿单词的训练语料，相当于互联网上所有英语文字的总和。基本原理是给它一个输入，让它预测下一个单词来训练模型，靠大量训练提升预测精确度，最终做到向它问一个问题、大模型给出一个答案，与人即时对话。在基座大模型之上，再给它一些提示词做有监督的指令微调，用人类的<指令，回复>对逐渐让模型学会怎么与人多轮对话；最后，通过人为设计和自动生成的奖励函数做强化学习迭代，逐步实现大模型与人类价值观的对齐。

大模型的取胜之道在“大”，这里面有三层含义：（1）参数大，GPT-3就有1700亿个参数；（2）训练数据大，ChatGPT大约用了3000亿个单词、570GB训练数据；（3）算力需求大，GPT-3大约用了上万块V100 GPU做训练。为了满足大模型对智能算力爆炸式增长的需求，国内外都在大规模建设耗资巨大的新型智算中心，英伟达也推出了由256个H100芯片、150TB海量GPU内存等构成的大模型智能计算系统。

大模型的出现带来了三个变革。一是技术上的规模定律（Scaling Law）：很多AI模型的精度在参数规模超过某个阈值后快速提升，原因在科学界还说不太清楚，争议不小。AI模型的性能与模型参数规模、数据集大小、算力总量三个变量呈“对数线性关系”，因此可以靠增大模型规模不断抬高模型性能；目前最前沿的大模型GPT-4参数量已达万亿到十万亿量级，而且还在涨。二是产业上算力需求爆炸式增长：千亿参数规模大模型的训练通常需要在数千乃至数万GPU卡上训2-3个月，急剧增加的算力需求带动相关算力企业超高速发展，英伟达市值接近两万亿美元——这在芯片企业身上以前从未发生过。三是社会上冲击劳动力市场：北京大学国家发展研究院与智联招聘联合发布的《AI大模型对我国劳动力市场潜在影响研究》报告指出，受影响最大的20个职业中，财会、销售、文书位于前列；那些需要与人打交道并提供服务的体力劳动型工作，如人力资源、行政、后勤，反而相对更安全。

人工智能的技术前沿，将朝以下四个方向发展。第一个前沿方向是多模态大模型。从人类视角看，人类智能天然是多模态的，人拥有眼、耳、鼻、舌、身、嘴(语言)；从AI视角看，视觉、听觉等也都能建模为token^②的序列，可以用与大语言模型相同的方法学习，再与语言中的语义对齐，实现多模态对齐的智能能力。

第二个前沿方向是视频生成大模型。OpenAI于2024年2月15日发布文生视频模型SORA，把视频生成时长从几秒钟大幅拉到一分钟，分辨率、画面真实度、时序一致性等方面也都显著提升。SORA最大的意义，是它具备了世界模型的基本特征——即人类观察世界并进一步预测世界的能力。世界模型建立在理解世界的基本物理常识（比如水往低处流）之上，先理解，再观察并预测下一秒要发生什么事件。SORA要成为世界模型仍有不少问题，但可以说它学会了画面想象力和分钟级未来预测能力，这正是世界模型的基础特征。

第三个前沿方向是具身智能。具身智能指有身体、能与物理世界交互的智能体，比如机器人、无人车：用多模态大模型处理多种传感数据输入，由大模型生成运动指令来驱动智能体，替代传统基于规则或数学公式的运动驱动方式，实现虚拟和现实的深度融合。所以，具有具身智能的机器人，能把人工智能三大流派聚到一起：以神经网络为代表的连接主义、以知识工程为代表的符号主义、与控制论相关的行为主义——三大流派同时作用在一个智能体上，预期会带来新的技术突破。

第四个前沿方向是AI4R(AI for Research)成为科学发现与技术发明的主要范式。当前的科学发现主要依赖实验和人脑智慧，靠人类大胆猜想、小心求证，信息技术无论是计算还是数据，都只起辅助和验证作用。比起人类，人工智能在记忆力、高维复杂处理、全视野、推理深度、猜想等方面优势明显，那么能否以AI为主去做一些科学发现和技术发明，大幅提升人类科学发现的效率？比如主动发现物理学规律、预测蛋白质结构、设计高性能芯片、高效合成新药。人工智能大模型握有全量数据、具备上帝视角，靠深度学习的能力可以比人向前多看好几步；若能实现从推断(inference)到推理(reasoning)的跃升，人工智能模型就有潜力拥有爱因斯坦那样的想象力和科学猜想能力，极大提升人类科学发现的效率，打破人类的认知边界。这才是真正的颠覆所在。

最后，通用人工智能^③（Artificial General Intelligence，简称AGI）是个极具挑战、也极具争论的话题。曾经有一位哲学家和一位神经科学家打赌：25年后（即2023年），科研人员能否揭示大脑如何实现意识？当时关于意识有两个流派，一个叫集成信息理论，一个叫全局网络工作空间理论：前者认为意识是大脑中特定类型神经元连接形成的“结构”，后者指出意识是信息通过互连网络传播到大脑区域时产生的。2023年，人们通过六个独立实验室做了对抗性实验，结果与两种理论都不完全匹配——哲学家赢了，神经科学家输了。从这场赌约能看出，人们一直希望人工智能能够了解人类的认知和大脑的奥秘。从物理学视角看，物理学是对宏观世界有了透彻理解后，从量子物理起步开启了对微观世界的理解。智能世界和物理世界一样，都是复杂度巨大的研究对象；AI大模型用的仍是数据驱动这类研究宏观世界的方法来提高机器智能水平，对智能宏观世界的理解还不够，直接钻进神经系统的微观世界找答案，是困难的。人工智能自诞生以来，一直承载着人类关于智能与意识的种种梦想与幻想，也激励着人们不断探索。

三、人工智能的安全风险

人工智能的发展在推动当今世界科技进步的同时，也带来不少安全风险，得从技术与法规两头一起应对。

头一个，是互联网虚假信息泛滥。这里列几个场景：一是数字分身。AI Yoon是首个用DeepFake技术合成的官方“候选人”，这个数字人以韩国国民力量党候选人尹锡悦（Yoon Suk-yeol）为原型，当地一家DeepFake技术公司借助尹锡悦20小时的音频和视频片段，加上其专门为研究人员录制的3000多个句子，创建了虚拟形象AI Yoon，它在网络上迅速走红。实际上，AI Yoon表达的内容是竞选团队撰写的，并非候选人本人。

二是伪造视频，尤其是伪造领导人视频引发国际争端、扰乱选举秩序，或酿成突发舆情事件，比如伪造尼克松宣布第一次登月失败、伪造乌克兰总统泽连斯基宣布“投降”的信息，这些行为导致新闻媒体行业的社会信任衰退。

三是伪造新闻，主要靠自动生成虚假新闻牟取非法利益，用ChatGPT生成热点新闻赚取流量，截至2023年6月30日，全球伪造新闻网站已达277个，严重扰乱社会秩序。

四是换脸变声用于诈骗。比如因为AI语音模仿了企业高管的声音，一家香港国际企业被骗3500万美元。

五是生成不雅图片，尤其针对公众人物，比如影视明星的色情视频制作，造成不良社会影响。所以，互联网虚假信息的伪造检测技术，迫切需要发展起来。

其次，AI大模型面临严重的可信问题。这些问题包括：（1）“一本正经胡说八道”的事实性错误；（2）以西方价值观叙事，输出政治偏见和错误言论；（3）易被诱导，输出错误知识和有害内容；（4）数据安全问题加重，大模型成了重要敏感数据的诱捕器——ChatGPT把用户输入纳入训练数据库用来改善ChatGPT，美方能够利用大模型拿到公开渠道覆盖不到的中文语料，掌握连我们自己都可能不掌握的“中国知识”。因此，发展大模型安全监管技术和我们自己的可信大模型，已经迫在眉睫。

技术手段之外，人工智能安全保障还需要相关立法跟上。2021年科技部发布《新一代人工智能伦理规范》；2022年8月，全国信息安全标准化技术委员会发布《信息安全技术 机器学习算法安全评估规范》；2022-2023年，中央网信办先后发布《互联网信息服务算法推荐管理规定》《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办法》等。欧美国家也相继出台法规：2018年5月25日，欧盟出台《通用数据保护条例》；2022年10月4日，美国发布《人工智能权利法案蓝图》；2024年3月13日，欧洲议会通过了欧盟《人工智能法案》。

我国应加快推动《人工智能法》出台，构建人工智能治理体系：确保人工智能的发展和应用遵循人类共同价值观，促进人机和谐友好；营造有利于人工智能技术研究、开发、应用的政策环境；建立合理的披露机制和审计评估机制，搞懂人工智能的机制原理和决策过程；明确人工智能系统的安全责任和问责机制，责任主体可追溯、能补救；推动形成公平合理、开放包容的国际人工智能治理规则。

四、中国智能计算的发展困境

人工智能技术与智能计算产业正处在中美科技竞争的焦点上。我国过去几年成绩很大，但依然面临不少发展困境，尤其是美国科技打压政策带来的那些困难。

困境一：美国在AI核心能力上长期领先，中国处于跟踪模式。在AI高端人才数量、AI基础算法创新、AI底座大模型能力（大语言模型、文生图模型、文生视频模型）、底座大模型训练数据、底座大模型训练算力等方面，中美之间都存在一定差距，而且这种差距还会持续很长一段时间。

困境二：高端算力产品禁售，高端芯片工艺长期被卡。A100、H100、B200等高端智算芯片对华禁售；华为、龙芯、寒武纪、曙光、海光等企业都进了实体清单，芯片制造的先进工艺^④受限；国内能满足规模量产的工艺节点落后国际先进水平2-3代，核心算力芯片的性能也落后国际先进水平2-3代。

困境三：国内智能计算生态孱弱，AI开发框架渗透率不足。英伟达CUDA^⑤(Compute Unified Device Architecture, 通用计算设备架构)生态完备，已经形成事实上的垄断。国内生态之弱，具体表现在：一是研发人员不足，英伟达CUDA生态有近2万人开发，是国内所有智能芯片公司人员总和的20倍；二是开发工具不足，CUDA有550个SDK(Software Development Kit, 软件开发工具包)，是国内相关企业的上百倍；三是资金投入不足，英伟达每年投入50亿美元，是国内相关公司的几十倍；四是AI开发框架上，TensorFlow占据工业类市场、PyTorch占据研究类市场，百度飞桨等国产AI开发框架的开发人员只有国外框架的1/10。更麻烦的是国内企业之间山头林立、形成不了合力——从智能应用、开发框架、系统软件到智能芯片，每层都有相关产品，但各层之间没有深度适配，凑不出一个有竞争力的技术体系。

困境四：AI落地行业时，成本、门槛居高不下。当前我国AI应用主要集中在互联网行业和一些国防领域，AI技术往各行各业推广、特别是从互联网行业迁移到非互联网行业时，要做大量定制工作，迁移难度大，单次使用成本高。另外，我国AI领域的人才数量与实际需求相比，也明显不足。

五、中国发展智能计算的道路选择

人工智能发展的道路选择对我国至关重要，关系到发展的可持续性与最终的国际竞争格局。眼下人工智能的使用成本十分高昂：微软Copilot套件要按月支付10美元使用费，ChatGPT每天消耗50万千瓦时电力，英伟达B200芯片价格高达3万美元以上。总的来看，我国应当发展用得起、安全可信的人工智能技术，消除我国的信息贫困人口，并造福“一带一路”国家；以低门槛赋能各行各业，让优势产业保持竞争力，让相对落后的产业能把差距大幅缩小。

选择一：统一技术体系，走闭源封闭，还是开源开放？

支撑智能计算产业的，是一个相互紧耦合的技术体系：一系列技术标准和知识产权，把材料、器件、工艺、芯片、整机、系统软件、应用软件等密切联系成一个技术整体。我国发展智能计算技术体系，存在三条道路：

第一条，追赶兼容美国主导的A体系。我国大多数互联网企业走的是GPGPU/CUDA兼容道路，芯片领域的很多创业企业在生态构建上也尽量与CUDA兼容，这条路比较现实。但算力上，美国对我国工艺和芯片带宽设了限制；算法上，国内生态林立、难以统一，生态成熟度严重受限；数据上，中文高质量数据匮乏——这些因素会让追赶者与领先者的差距很难缩小，有些时候还会进一步拉大。

第二条，构建专用封闭的B体系。在军事、气象、司法等专用领域构建企业封闭生态，基于国产成熟工艺生产芯片，相比底座大模型更关注特定领域的垂直类大模型，训练大模型更多用领域专有高质量数据。这条路容易形成完整可控的技术体系与生态，我国一些大型骨干企业走的就是它；缺点在于封闭，无法凝聚国内大多数力量，也很难实现全球化。

第三条，全球共建开源开放的C体系。用开源打破生态垄断，把企业掌握核心技术的门槛降下来，让每家企业都能低成本做自己的芯片，形成智能芯片的汪洋大海，满足无处不在的智能需求；用开放形成统一的技术体系，我国企业与全球化力量联合起来，共建基于国际标准的统一智能计算软件栈；形成企业竞争前共享机制，共享高质量数据库、共享开源通用底座大模型。对全球开源生态，我国企业在互联网时代受益良多，但角色更多是使用者、参与者；到了智能时代，我国企业在RISC-V^⑥+AI开源技术体系上应当更多地充当主力贡献者，成为全球化开放共享的主导力量。

选择二：拼算法模型，还是拼新型基础设施？

人工智能技术要赋能各行各业，具有典型的长尾效应^⑦。我国80%的中小微企业，需要的是低门槛、低价格的智能服务。所以，我国智能计算产业必须建立在新的数据空间基础设施之上，关键在于我国应率先实现智能要素——数据、算力、算法——的全面基础设施化。这件事的意义，可比肩二十世纪初美国信息高速公路计划（即信息基础设施建设）对互联网产业的历史作用。

信息社会最核心的生产力是网络空间(Cyberspace)。网络空间的演进路径是：从机器一元连接构成的计算空间，演进到人机信息二元连接构成的信息空间，再演进到人机物数据三元连接构成的数据空间。从数据空间看，人工智能的本质是数据的百炼成钢，大模型就是对互联网全量数据深度加工后的产物。数字化时代，在互联网上传输的是信息流，是算力对数据粗加工后的结构化抽象；智能时代，在互联网上传输的是智能流，是算力对数据深度加工与精炼后的模型化抽象。智能计算的一个核心特征，就是用数值计算、数据分析、人工智能等算法，在算力池中加工海量数据，得到智能模型，再把模型嵌入信息世界、物理世界的各个过程中。

我国政府已经前瞻性地提前布局新型基础设施，在世界各国竞争中抢占了先机。首先，数据已成为国家战略信息资源。数据兼具资源要素与价值加工两重属性，资源要素属性涵盖生产、获取、传输、汇聚、流通、交易、权属、资产、安全等各个环节，我国应继续加大力度建设国家数据枢纽与数据流通基础设施。

其次，AI大模型就是数据空间里的一类算法基础设施。以通用大模型为基座，构建大模型研发与应用的基础设施，支撑广大企业研发领域专用大模型，服务机器人、无人驾驶、可穿戴设备、智能家居、智能安防等行业，覆盖长尾应用。

最后，全国一体化算力网建设在推动算力基础设施化上发挥了先导作用。算力基础设施化的中国方案，要在大幅压低算力使用成本和使用门槛的同时，给最广范围的人群提供高通量、高品质的智能服务。算力基础设施的中国方案得具备“两低一高”：供给侧，把算力器件、算力设备、网络连接、数据获取、算法模型调用、电力消耗、运营维护、开发部署的总成本大幅降下来，让广大中小企业消费得起高品质算力服务、有积极性开发算力网应用；消费侧，把广大用户的算力使用门槛大幅降下来，面向大众的公共服务必须易获取、易使用，像水电一样即开即用，像编写网页一样轻松定制算力服务、开发算力网应用。服务效率侧，中国的算力服务要实现低熵高通量——高通量是指在实现高并发^⑧服务的同时，端到端服务的响应时间可满足率高；低熵是指高并发负载下出现资源无序竞争时，保障系统通量不急剧下降。对今天的中国来说，保障“算得多”尤其重要。

选择三：“AI+”着重赋能虚拟经济，还是发力实体经济？

“AI+”的成效，是人工智能价值的试金石。次贷危机之后，美国制造业增加值占GDP的比重从1950年的28%降到2021年的11%，制造业在全行业就业人数占比从1979年的35%降到2022年的8%。看得出，美国更倾向回报率更高的虚拟经济，轻视投资成本高、经济回报率低的实体经济。中国则主张实体经济与虚拟经济同步发展，更重视装备制造、新能源汽车、光伏发电、锂电池、高铁、5G这些实体经济。

相应地，美国AI主要用在虚拟经济和IT基础工具上，AI技术本身也“脱实向虚”——2007年以来硅谷不断炒作虚拟现实（Virtual Reality，VR）、元宇宙、区块链、Web3.0、深度学习、AI大模型，正是这个趋势的反映。

我国的优势在实体经济：制造业是全球产业门类最齐全、体系最完整的，特点是场景多、私有数据多。我国应精选若干行业加大投入，形成可低门槛向全行业推广的范式，比如选装备制造业作为延续优势的代表性行业，选医药业作为快速缩短差距的代表性行业。赋能实体经济的技术难点，在于AI算法与物理机理的融合。

人工智能技术成败的关键，是能不能把一个行业或一个产品的成本大幅打下来，把用户数与产业规模扩大10倍，产生类似蒸汽机之于纺织业、智能手机之于互联网业的那种变革效果。

我国应当走出一条适合自己的人工智能赋能实体经济的高质量发展道路。

（主讲人系中国工程院院士，中国科学院计算技术研究所研究员、学术委员会主任）

 

注释：

①模式识别，是用计算的方法根据样本特征把样本划进特定类别，也就是用计算机以数学手段研究模式的自动处理和判读——环境与客体统称为“模式”。它的主要研究方向包括图像处理与计算机视觉、语音语言信息处理、脑网络组、类脑智能等。

②Token可译为词元，是自然语言处理过程中用来表示单词或短语的符号；token既可以是单个字符，也可以是多个字符组成的序列。

③通用人工智能指拥有与人类相当甚至超过人类智能的人工智能类型。它不仅具备像人一样的感知、理解、学习、推理等基础思维能力，还能在不同领域灵活应用、快速学习和创造性思考；其研究目标是寻找统一的理论框架来解释各种智能现象。

④芯片制造工艺指制造CPU或GPU的制程，即晶体管门电路的尺寸，单位为纳米；目前国际上实现量产的最先进工艺以台积电的3nm为代表。制造工艺更先进，就能在CPU与GPU内部集成更多晶体管，处理器功能更多、性能更高，面积更小、成本也更低。

⑤CUDA是英伟达公司设计研发的一种并行计算平台和编程模型，包含CUDA指令集架构以及GPU内部的并行计算引擎。开发人员可以用C语言为CUDA架构编写程序，写出的程序能在支持CUDA的处理器上以超高性能运行。

⑥RISC-V（发音为“risk-five”）是由美国加州大学伯克利分校发起的开放通用指令集架构；相比其他付费指令集，RISC-V允许任何人免费使用RISC-V指令集来设计、制造和销售芯片和软件。

⑦长尾效应，指那些原本不被重视、销量小但种类多的产品或服务，因总量巨大、累积起来的总收益反而超过主流产品的现象；在互联网领域，长尾效应尤为明显。

⑧高并发，通常指通过设计保证系统能够同时并行处理大量请求。

编 辑： 张峻铭

责 编： 于浩

 

来源： 中国人大网

2024年04月30日 11:24

原文链接：http://www.npc.gov.cn/npc/c2/c30834/202404/t20240430_436915.html