每經編輯 程鵬 杜宇    

據中國人大網4月30日消息，中國人大網刊登中國工程院院士、中國科學院計算技術研究所所長孫凝暉在十四屆全國人大常委會專題講座上的講稿《人工智能與智能計算的發展》。

孫凝暉表示，人工智能領域近年來正在迎來一場由生成式人工智能大模型引領的爆發式發展。2022年11月30日，OpenAI公司推出一款人工智能對話聊天機器人ChatGPT，其出色的自然語言生成能力引起了全世界范圍的廣泛關注，2個月突破1億用戶，國內外隨即掀起了一場大模型浪潮，Gemini、文心一言、Copilot、LLaMA、SAM、SORA等各種大模型如雨后春筍般涌現，2022年也被譽為大模型元年。當前信息時代正加快進入智能計算的發展階段，人工智能技術上的突破層出不窮，逐漸深入地賦能千行百業，推動人工智能與數據要素成為新質生產力的典型代表。

孫凝暉指出，大模型的出現帶來了三個變革。一是技術上的規模定律，即很多AI模型的精度在參數規模超過某個閾值后模型能力快速提升，其原因在科學界還不是非常清楚，有很大的爭議。AI模型的性能與模型參數規模、數據集大小、算力總量三個變量成“對數線性關系”，因此可以通過增大模型的規模來不斷提高模型的性能。目前最前沿的大模型GPT-4參數量已經達到了萬億到十萬億量級，并且仍在不斷增長中；

二是產業上算力需求爆炸式增長，千億參數規模大模型的訓練通常需要在數千乃至數萬GPU卡上訓練2-3個月時間，急劇增加的算力需求帶動相關算力企業超高速發展，英偉達的市值接近兩萬億美元，對于芯片企業以前從來沒有發生過；

三是社會上沖擊勞動力市場，北京大學國家發展研究院與智聯招聘聯合發布的《AI大模型對我國勞動力市場潛在影響研究》報告指出，受影響最大的20個職業中財會、銷售、文書位于前列，需要與人打交道并提供服務的體力勞動型工作，如人力資源、行政、后勤等反而相對更安全。

人工智能的技術前沿將朝著以下四個方向發展。第一個前沿方向為多模態大模型。從人類視角出發，人類智能是天然多模態的，人擁有眼、耳、鼻、舌、身、嘴(語言)，從AI視角出發，視覺，聽覺等也都可以建模為token的序列，可采取與大語言模型相同的方法進行學習，并進一步與語言中的語義進行對齊，實現多模態對齊的智能能力。

孫凝暉也指出，中國AI技術與智能計算產業過去幾年雖然取得很大成績，但依然面臨諸多發展困境：

困境一為美國在AI核心能力上長期處于領先地位，中國處于跟蹤模式。

困境二為高端算力產品禁售，高端芯片工藝長期被卡。

困境三為國內智能計算生態孱弱，AI開發框架滲透率不足。

困境四為AI應用于行業時成本、門檻居高不下。

困境五，中國在AI領域的人才數量與實際需求相比也明顯不足。

圖片來源：視覺中國

委員長、各位副委員長、秘書長、各位委員：

人工智能領域近年來正在迎來一場由生成式人工智能大模型引領的爆發式發展。2022年11月30日，OpenAI公司推出一款人工智能對話聊天機器人ChatGPT，其出色的自然語言生成能力引起了全世界范圍的廣泛關注，2個月突破1億用戶，國內外隨即掀起了一場大模型浪潮，Gemini、文心一言、Copilot、LLaMA、SAM、SORA等各種大模型如雨后春筍般涌現，2022年也被譽為大模型元年。當前信息時代正加快進入智能計算的發展階段，人工智能技術上的突破層出不窮，逐漸深入地賦能千行百業，推動人工智能與數據要素成為新質生產力的典型代表。習近平總書記指出，把新一代人工智能作為推動科技跨越發展、產業優化升級、生產力整體躍升的驅動力量，努力實現高質量發展。黨的十八大以來，以習近平同志為核心的黨中央高度重視智能經濟發展，促進人工智能和實體經濟深度融合，為高質量發展注入強勁動力。

一、計算技術發展簡介

計算技術的發展歷史大致可分為四個階段，算盤的出現標志著人類進入第一代——機械計算時代，第二代——電子計算的標志是出現電子器件與電子計算機，互聯網的出現使我們進入第三代——網絡計算，當前人類社會正在進入第四階段——智能計算。

早期的計算裝置是手動輔助計算裝置和半自動計算裝置，人類計算工具的歷史是從公元1200年的中國算盤開始，隨后出現了納皮爾籌（1612年）和滾輪式加法器（1642年），到1672年第一臺自動完成四則運算的計算裝置——步進計算器誕生了。

機械計算時期已經出現了現代計算機的一些基本概念。查爾斯?巴貝奇（Charles Babbage）提出了差分機（1822年）與分析機（1834年）的設計構想，支持自動機械計算。這一時期，編程與程序的概念基本形成，編程的概念起源于雅卡爾提花機，通過打孔卡片控制印花圖案，最終演變為通過計算指令的形式來存儲所有數學計算步驟；人類歷史的第一個程序員是詩人拜倫之女艾達（Ada），她為巴貝奇差分機編寫了一組求解伯努利數列的計算指令，這套指令也是人類歷史上第一套計算機算法程序，它將硬件和軟件分離，第一次出現程序的概念。

直到在二十世紀上半葉，出現了布爾代數(數學)、圖靈機(計算模型)、馮諾依曼體系結構(架構)、晶體管(器件)這四個現代計算技術的科學基礎。其中，布爾代數用來描述程序和硬件如CPU的底層邏輯；圖靈機是一種通用的計算模型，將復雜任務轉化為自動計算、不需人工干預的自動化過程；馮諾依曼體系結構提出了構造計算機的三個基本原則：采用二進制邏輯、程序存儲執行、以及計算機由運算器、控制器、存儲器、輸入設備、輸出設備這五個基本單元組成；晶體管是構成基本的邏輯電路和存儲電路的半導體器件，是建造現代計算機之塔的“磚塊”。基于以上科學基礎，計算技術得以高速發展，形成規模龐大的產業。

從1946年世界上第一臺電子計算機ENIAC誕生到二十一世紀的今天，已經形成了五類成功的平臺型計算系統。當前各領域各種類型的應用，都可以由這五類平臺型計算裝置支撐。第一類是高性能計算平臺，解決了國家核心部門的科學與工程計算問題；第二類是企業計算平臺，又稱服務器，用于企業級的數據管理、事務處理，當前像百度、阿里和騰訊這些互聯網公司的計算平臺都屬于這一類；第三類是個人電腦平臺，以桌面應用的形式出現，人們通過桌面應用與個人電腦交互；第四類是智能手機，主要特點是移動便攜，手機通過網絡連接數據中心，以互聯網應用為主，它們分布式地部署在數據中心和手機終端；第五類是嵌入式計算機，嵌入到工業裝備和軍事設備，通過實時的控制，保障在確定時間內完成特定任務。這五類裝置幾乎覆蓋了我們信息社會的方方面面，長期以來人們追求的以智能計算應用為中心的第六類平臺型計算系統尚未形成。

現代計算技術的發展大致可以劃分為三個時代。IT1.0又稱電子計算時代（1950-1970），基本特征是以“機”為中心。計算技術的基本架構形成，隨著集成電路工藝的進步，基本計算單元的尺度快速微縮，晶體管密度、計算性能和可靠性不斷提升，計算機在科學工程計算、企業數據處理中得到了廣泛應用。

IT2.0又稱網絡計算時代（1980-2020），以“人”為中心。互聯網將人使用的終端與后臺的數據中心連接，互聯網應用通過智能終端與人進行交互。以亞馬遜等為代表的互聯網公司提出了云計算的思想，將后臺的算力封裝成一個公共服務租借給第三方用戶，形成了云計算與大數據產業。

IT3.0又稱智能計算時代，始于2020年，與IT2.0相比增加了“物”的概念，即物理世界的各種端側設備，被數字化、網絡化和智能化，實現“人-機-物”三元融合。智能計算時代，除了互聯網以外，還有數據基礎設施，支撐各類終端通過端邊云實現萬物互聯，終端、物端、邊緣、云都嵌入AI，提供與ChatGPT類似的大模型智能服務，最終實現有計算的地方就有AI智能。智能計算帶來了巨量的數據、人工智能算法的突破和對算力的爆發性需求。

二、智能計算發展簡介

智能計算包括人工智能技術與它的計算載體，大致歷經了四個階段，分別為通用計算裝置、邏輯推理專家系統、深度學習計算系統、大模型計算系統。

智能計算的起點是通用自動計算裝置（1946年）。艾倫·圖靈（Alan Turing）和馮·諾依曼（John von Neumann）等科學家，一開始都希望能夠模擬人腦處理知識的過程，發明像人腦一樣思考的機器，雖未能實現，但卻解決了計算的自動化問題。通用自動計算裝置的出現，也推動了1956年人工智能（AI）概念的誕生，此后所有人工智能技術的發展都是建立在新一代計算設備與更強的計算能力之上的。

智能計算發展的第二階段是邏輯推理專家系統（1990年）。E.A.費根鮑姆（Edward Albert Feigenbaum）等符號智能學派的科學家以邏輯和推理能力自動化為主要目標，提出了能夠將知識符號進行邏輯推理的專家系統。人的先驗知識以知識符號的形式進入計算機，使計算機能夠在特定領域輔助人類進行一定的邏輯判斷和決策，但專家系統嚴重依賴于手工生成的知識庫或規則庫。這類專家系統的典型代表是日本的五代機和我國863計劃支持的306智能計算機主題，日本在邏輯專家系統中采取專用計算平臺和Prolog這樣的知識推理語言完成應用級推理任務；我國采取了與日本不同的技術路線，以通用計算平臺為基礎，將智能任務變成人工智能算法，將硬件和系統軟件都接入通用計算平臺，并催生了曙光、漢王、科大訊飛等一批骨干企業。

符號計算系統的局限性在于其爆炸的計算時空復雜度，即符號計算系統只能解決線性增長問題，對于高維復雜空間問題是無法求解的，從而限制了能夠處理問題的大小。同時因為符號計算系統是基于知識規則建立的，我們又無法對所有的常識用窮舉法來進行枚舉，它的應用范圍就受到了很大的限制。隨著第二次AI寒冬的到來，第一代智能計算機逐漸退出歷史舞臺。

直到2014年左右，智能計算進階到第三階段——深度學習計算系統。以杰弗里·辛頓（Geoffrey Hinton）等為代表的連接智能學派，以學習能力自動化為目標，發明了深度學習等新AI算法。通過深度神經元網絡的自動學習，大幅提升了模型統計歸納的能力，在模式識別①等應用效果上取得了巨大突破，某些場景的識別精度甚至超越了人類。以人臉識別為例，整個神經網絡的訓練過程相當于一個網絡參數調整的過程，將大量的經過標注的人臉圖片數據輸入神經網絡，然后進行網絡間參數調整，讓神經網絡輸出的結果的概率無限逼近真實結果。神經網絡輸出真實情況的概率越大，參數就越大，從而將知識和規則編碼到網絡參數中，這樣只要數據足夠多，就可以對各種大量的常識進行學習，通用性得到極大的提升。連接智能的應用更加廣泛，包括語音識別、人臉識別、自動駕駛等。在計算載體方面，中國科學院計算技術研究所2013年提出了國際首個深度學習處理器架構，國際知名的硬件廠商英偉達（NVIDIA）持續發布了多款性能領先的通用GPU芯片，都是深度學習計算系統的典型代表。

智能計算發展的第四階段是大模型計算系統（2020年）。在人工智能大模型技術的推動下，智能計算邁向新的高度。2020年，AI從“小模型+判別式”轉向“大模型+生成式”，從傳統的人臉識別、目標檢測、文本分類，升級到如今的文本生成、3D數字人生成、圖像生成、語音生成、視頻生成。大語言模型在對話系統領域的一個典型應用是OpenAI公司的ChatGPT，它采用預訓練基座大語言模型GPT-3，引入3000億單詞的訓練語料，相當于互聯網上所有英語文字的總和。其基本原理是：通過給它一個輸入，讓它預測下一個單詞來訓練模型，通過大量訓練提升預測精確度，最終達到向它詢問一個問題，大模型產生一個答案，與人即時對話。在基座大模型的基礎上，再給它一些提示詞進行有監督的指令微調，通過人類的<指令，回復>對逐漸讓模型學會如何與人進行多輪對話；最后，通過人為設計和自動生成的獎勵函數來進行強化學習迭代，逐步實現大模型與人類價值觀的對齊。

大模型的特點是以“大”取勝，其中有三層含義，（1）參數大，GPT-3就有1700億個參數；（2）訓練數據大，ChatGPT大約用了3000億個單詞，570GB訓練數據；（3）算力需求大，GPT-3大約用了上萬塊V100 GPU進行訓練。為滿足大模型對智能算力爆炸式增加的需求，國內外都在大規模建設耗資巨大的新型智算中心，英偉達公司也推出了采用256個H100芯片，150TB海量GPU內存等構成的大模型智能計算系統。

大模型的出現帶來了三個變革。一是技術上的規模定律（Scaling Law），即很多AI模型的精度在參數規模超過某個閾值后模型能力快速提升，其原因在科學界還不是非常清楚，有很大的爭議。AI模型的性能與模型參數規模、數據集大小、算力總量三個變量成“對數線性關系”，因此可以通過增大模型的規模來不斷提高模型的性能。目前最前沿的大模型GPT-4參數量已經達到了萬億到十萬億量級，并且仍在不斷增長中；二是產業上算力需求爆炸式增長，千億參數規模大模型的訓練通常需要在數千乃至數萬GPU卡上訓練2-3個月時間，急劇增加的算力需求帶動相關算力企業超高速發展，英偉達的市值接近兩萬億美元，對于芯片企業以前從來沒有發生過；三是社會上沖擊勞動力市場，北京大學國家發展研究院與智聯招聘聯合發布的《AI大模型對我國勞動力市場潛在影響研究》報告指出，受影響最大的20個職業中財會、銷售、文書位于前列，需要與人打交道并提供服務的體力勞動型工作，如人力資源、行政、后勤等反而相對更安全。

人工智能的技術前沿將朝著以下四個方向發展。第一個前沿方向為多模態大模型。從人類視角出發，人類智能是天然多模態的，人擁有眼、耳、鼻、舌、身、嘴(語言)，從AI視角出發，視覺，聽覺等也都可以建模為token②的序列，可采取與大語言模型相同的方法進行學習，并進一步與語言中的語義進行對齊，實現多模態對齊的智能能力。

第二個前沿方向為視頻生成大模型。OpenAI于2024年2月15日發布文生視頻模型SORA，將視頻生成時長從幾秒鐘大幅提升到一分鐘，且在分辨率、畫面真實度、時序一致性等方面都有顯著提升。SORA的最大意義是它具備了世界模型的基本特征，即人類觀察世界并進一步預測世界的能力。世界模型是建立在理解世界的基本物理常識（如，水往低處流等）之上，然后觀察并預測下一秒將要發生什么事件。雖然SORA要成為世界模型仍然存在很多問題，但可以認為SORA學會了畫面想象力和分鐘級未來預測能力，這是世界模型的基礎特征。

第三個前沿方向為具身智能。具身智能指有身體并支持與物理世界進行交互的智能體，如機器人、無人車等，通過多模態大模型處理多種傳感數據輸入，由大模型生成運動指令對智能體進行驅動，替代傳統基于規則或者數學公式的運動驅動方式，實現虛擬和現實的深度融合。因此，具有具身智能的機器人，可以聚集人工智能的三大流派：以神經網絡為代表的連接主義，以知識工程為代表的符號主義和控制論相關的行為主義，三大流派可以同時作用在一個智能體，這預期會帶來新的技術突破。

第四個前沿方向是AI4R(AI for Research)成為科學發現與技術發明的主要范式。當前科學發現主要依賴于實驗和人腦智慧，由人類進行大膽猜想、小心求證，信息技術無論是計算和數據，都只是起到一些輔助和驗證的作用。相較于人類，人工智能在記憶力、高維復雜、全視野、推理深度、猜想等方面具有較大優勢，是否能以AI為主進行一些科學發現和技術發明，大幅提升人類科學發現的效率，比如主動發現物理學規律、預測蛋白質結構、設計高性能芯片、高效合成新藥等。因為人工智能大模型具有全量數據，具備上帝視角，通過深度學習的能力，可以比人向前看更多步數，如能實現從推斷(inference)到推理(reasoning)的躍升，人工智能模型就有潛力具備愛因斯坦一樣的想象力和科學猜想能力，極大提升人類科學發現的效率，打破人類的認知邊界。這才是真正的顛覆所在。

最后，通用人工智能③（Artificial General Intelligence，簡稱AGI）是一個極具挑戰的話題，極具爭論性。曾經有一個哲學家和一個神經科學家打賭：25年后（即2023年）科研人員是否能夠揭示大腦如何實現意識？當時關于意識有兩個流派，一個叫集成信息理論，一個叫全局網絡工作空間理論，前者認為意識是由大腦中特定類型神經元連接形成的“結構”，后者指出意識是當信息通過互連網絡傳播到大腦區域時產生的。2023年，人們通過六個獨立實驗室進行了對抗性實驗，結果與兩種理論均不完全匹配，哲學家贏了，神經科學家輸了。通過這一場賭約，可以看出人們總是希望人工智能能夠了解人類的認知和大腦的奧秘。從物理學的視角看，物理學是對宏觀世界有了透徹理解后，從量子物理起步開啟了對微觀世界的理解。智能世界與物理世界一樣，都是具有巨大復雜度的研究對象，AI大模型仍然是通過數據驅動等研究宏觀世界的方法，提高機器的智能水平，對智能宏觀世界理解并不夠，直接到神經系統微觀世界尋找答案是困難的。人工智能自誕生以來，一直承載著人類關于智能與意識的種種夢想與幻想，也激勵著人們不斷探索。

三、人工智能的安全風險

人工智能的發展促進了當今世界科技進步的同時，也帶來了很多安全風險，要從技術與法規兩方面加以應對。

首先是互聯網虛假信息泛濫。這里列舉若干場景：一是數字分身。AI Yoon是首個使用DeepFake技術合成的官方“候選人”，這個數字人以韓國國民力量黨候選人尹錫悅（Yoon Suk-yeol）為原型，借助尹錫悅20小時的音頻和視頻片段、以及其專門為研究人員錄制的3000多個句子，由當地一家DeepFake技術公司創建了虛擬形象AI Yoon，并在網絡上迅速走紅。實際上AI Yoon表達的內容是由競選團隊撰寫的，而不是候選人本人。

二是偽造視頻，尤其是偽造領導人視頻引起國際爭端，擾亂選舉秩序，或引起突發輿情事件，如偽造尼克松宣布第一次登月失敗，偽造烏克蘭總統澤連斯基宣布“投降”的信息，這些行為導致新聞媒體行業的社會信任衰退。

三是偽造新聞，主要通過虛假新聞自動生成牟取非法利益，使用ChatGPT生成熱點新聞，賺取流量，截至2023年6月30日全球生成偽造新聞網站已達277個，嚴重擾亂社會秩序。

四是換臉變聲，用于詐騙。如由于AI語音模仿了企業高管的聲音，一家香港國際企業因此被騙3500萬美元。

五是生成不雅圖片，特別是針對公眾人物。如影視明星的色情視頻制作，造成不良社會影響。因此，迫切需要發展互聯網虛假信息的偽造檢測技術。

其次，AI大模型面臨嚴重可信問題。這些問題包括：（1）“一本正經胡說八道”的事實性錯誤；（2）以西方價值觀敘事，輸出政治偏見和錯誤言論；（3）易被誘導，輸出錯誤知識和有害內容；（4）數據安全問題加重，大模型成為重要敏感數據的誘捕器，ChatGPT將用戶輸入納入訓練數據庫，用于改善ChatGPT，美方能夠利用大模型獲得公開渠道覆蓋不到的中文語料，掌握我們自己都可能不掌握的“中國知識”。因此，迫切需要發展大模型安全監管技術與自己的可信大模型。

除了技術手段外，人工智能安全保障需要相關立法工作。2021年科技部發布《新一代人工智能倫理規范》，2022年8月，全國信息安全標準化技術委員會發布《信息安全技術機器學習算法安全評估規范》，2022-2023年，中央網信辦先后發布《互聯網信息服務算法推薦管理規定》《互聯網信息服務深度合成管理規定》《生成式人工智能服務管理辦法》等。歐美國家也先后出臺法規，2018年5月25日，歐盟出臺《通用數據保護條例》，2022年10月4日，美國發布《人工智能權利法案藍圖》，2024年3月13日，歐洲議會通過了歐盟《人工智能法案》。

我國應加快推進《人工智能法》出臺，構建人工智能治理體系，確保人工智能的發展和應用遵循人類共同價值觀，促進人機和諧友好；創造有利于人工智能技術研究、開發、應用的政策環境；建立合理披露機制和審計評估機制，理解人工智能機制原理和決策過程；明確人工智能系統的安全責任和問責機制，可追溯責任主體并補救；推動形成公平合理、開放包容的國際人工智能治理規則。

四、中國智能計算發展困境

人工智能技術與智能計算產業處于中美科技競爭的焦點，我國在過去幾年雖然取得了很大的成績，但依然面臨諸多發展困境，特別是由美國的科技打壓政策帶來的困難。

困境一為美國在AI核心能力上長期處于領先地位，中國處于跟蹤模式。中國在AI高端人才數量、AI基礎算法創新、AI底座大模型能力（大語言模型、文生圖模型、文生視頻模型）、底座大模型訓練數據、底座大模型訓練算力等，都與美國存在一定的差距，并且這種差距還將持續很長一段時間。

困境二為高端算力產品禁售，高端芯片工藝長期被卡。A100，H100，B200等高端智算芯片對華禁售。華為、龍芯、寒武紀、曙光、海光等企業都進入實體清單，它們芯片制造的先進工藝④受限，國內可滿足規模量產的工藝節點落后國際先進水平2-3代，核心算力芯片的性能落后國際先進水平2-3代。

困境三為國內智能計算生態孱弱，AI開發框架滲透率不足。英偉達CUDA⑤(Compute Unified Device Architecture,通用計算設備架構)生態完備，已形成了事實上的壟斷。國內生態孱弱，具體表現在：一是研發人員不足，英偉達CUDA生態有近2萬人開發，是國內所有智能芯片公司人員總和的20倍；二是開發工具不足，CUDA有550個SDK(Software Development Kit,軟件開發工具包)，是國內相關企業的上百倍；三是資金投入不足，英偉達每年投入50億美元，是國內相關公司的幾十倍；四是AI開發框架TensorFlow占據工業類市場，PyTorch占據研究類市場，百度飛槳等國產AI開發框架的開發人員只有國外框架的1/10。更為嚴重的是國內企業之間山頭林立，無法形成合力，從智能應用、開發框架、系統軟件、智能芯片，雖然每層都有相關產品，但各層之間沒有深度適配，無法形成一個有競爭力的技術體系。

困境四為AI應用于行業時成本、門檻居高不下。當前我國AI應用主要集中在互聯網行業和一些國防領域。AI技術推廣應用于各行各業時，特別是從互聯網行業遷移到非互聯網行業，需要進行大量的定制工作，遷移難度大，單次使用成本高。最后，我國在AI領域的人才數量與實際需求相比也明顯不足。

五、中國如何發展智能計算的道路選擇

人工智能發展的道路選擇對我國至關重要，關系到發展的可持續性與最終的國際競爭格局。當前人工智能的使用成本十分高昂，微軟Copilot套件要支付每月10美元的使用費用，ChatGPT每天消耗50萬千瓦時的電力，英偉達B200芯片價格高達3萬美元以上。總體來說，我國應發展用得起、安全可信的人工智能技術，消除我國信息貧困人口、并造福“一帶一路”國家；低門檻地賦能各行各業，讓我國的優勢產業保持競爭力，讓相對落后的產業能夠大幅地縮小差距。

選擇一：統一技術體系走閉源封閉，還是開源開放的道路？

支撐智能計算產業的是一個相互緊耦合的技術體系，即由一系列技術標準和知識產權將材料、器件、工藝、芯片、整機、系統軟件、應用軟件等密切聯系在一起的技術整體。我國發展智能計算技術體系存在三條道路：

一是追趕兼容美國主導的A體系。我國大多數互聯網企業走的是GPGPU/CUDA兼容道路，很多芯片領域的創業企業在生態構建上也是盡量與CUDA兼容，這條道路較為現實。由于在算力方面美國對我國工藝和芯片帶寬的限制，在算法方面國內生態林立很難形成統一，生態成熟度嚴重受限，在數據方面中文高質量數據匱乏，這些因素會使得追趕者與領先者的差距很難縮小，一些時候還會進一步拉大。

二是構建專用封閉的B體系。在軍事、氣象、司法等專用領域構建企業封閉生態，基于國產成熟工藝生產芯片，相對于底座大模型更加關注特定領域垂直類大模型，訓練大模型更多采用領域專有高質量數據等。這條道路易于形成完整可控的技術體系與生態，我國一些大型骨干企業走的是這條道路，它的缺點是封閉，無法凝聚國內大多數力量，也很難實現全球化。

三是全球共建開源開放的C體系。用開源打破生態壟斷，降低企業擁有核心技術的門檻，讓每個企業都能低成本地做自己的芯片，形成智能芯片的汪洋大海，滿足無處不在的智能需求。用開放形成統一的技術體系，我國企業與全球化力量聯合起來共建基于國際標準的統一智能計算軟件棧。形成企業競爭前共享機制，共享高質量數據庫，共享開源通用底座大模型。對于全球開源生態，我國企業在互聯網時代收益良多，我國更多的是使用者，是參與者，在智能時代我國企業在RISC-V⑥+AI開源技術體系上應更多地成為主力貢獻者，成為全球化開放共享的主導力量。

選擇二：拼算法模型，還是拼新型基礎設施？

人工智能技術要賦能各行各業，具有典型的長尾效應⑦。我國80%的中小微企業，需要的是低門檻、低價格的智能服務。因此，我國智能計算產業必須建立在新的數據空間基礎設施之上，其中關鍵是我國應率先實現智能要素即數據、算力、算法的全面基礎設施化。這項工作可比肩二十世紀初美國信息高速公路計劃（即信息基礎設施建設）對互聯網產業的歷史作用。

信息社會最核心的生產力是網絡空間(Cyberspace)。網絡空間的演進過程是：從機器一元連接構成的計算空間，演進到人機信息二元連接構成的信息空間，再演進到人機物數據三元連接構成的數據空間。從數據空間看，人工智能的本質是數據的百煉成鋼，大模型就是對互聯網全量數據進行深度加工后的產物。在數字化時代，在互聯網上傳輸的是信息流，是算力對數據進行粗加工后的結構化抽象；在智能時代，在互聯網上傳輸的是智能流，是算力對數據進行深度加工與精煉后的模型化抽象。智能計算的一個核心特征就是用數值計算、數據分析、人工智能等算法，在算力池中加工海量數據件，得到智能模型，再嵌入到信息世界、物理世界的各個過程中。

我國政府已經前瞻性地提前布局了新型基礎設施，在世界各國競爭中搶占了先機。首先，數據已成為國家戰略信息資源。數據具有資源要素與價值加工兩重屬性，數據的資源要素屬性包括生產、獲取、傳輸、匯聚、流通、交易、權屬、資產、安全等各個環節，我國應繼續加大力度建設國家數據樞紐與數據流通基礎設施。

其次，AI大模型就是數據空間的一類算法基礎設施。以通用大模型為基座，構建大模型研發與應用的基礎設施，支撐廣大企業研發領域專用大模型，服務于機器人、無人駕駛、可穿戴設備、智能家居、智能安防等行業，覆蓋長尾應用。

最后，全國一體化算力網建設在推動算力的基礎設施化上發揮了先導作用。算力基礎設施化的中國方案，應在大幅度降低算力使用成本和使用門檻的同時，為最廣范圍覆蓋人群提供高通量、高品質的智能服務。算力基礎設施的中國方案需要具備“兩低一高”，即在供給側，大幅度降低算力器件、算力設備、網絡連接、數據獲取、算法模型調用、電力消耗、運營維護、開發部署的總成本，讓廣大中小企業都消費得起高品質的算力服務，有積極性開發算力網應用；在消費側，大幅度降低廣大用戶的算力使用門檻，面向大眾的公共服務必須做到易獲取、易使用，像水電一樣即開即用，像編寫網頁一樣輕松定制算力服務，開發算力網應用。在服務效率側，中國的算力服務要實現低熵高通量，其中高通量是指在實現高并發⑧度服務的同時，端到端服務的響應時間可滿足率高；低熵是指在高并發負載中出現資源無序競爭的情況下，保障系統通量不急劇下降。保障“算得多”對中國尤其重要。

選擇三：AI+著重賦能虛擬經濟，還是發力實體經濟？

“AI+”的成效是人工智能價值的試金石。次貸危機后，美國制造業增加值占GDP的比重從1950年的28%降低為2021年的11%，美國制造業在全行業就業人數占比從1979年的35%降低為2022年的8%，可見美國更傾向于回報率更高的虛擬經濟，輕視投資成本高且經濟回報率低的實體經濟。中國傾向于實體經濟與虛擬經濟同步發展，更加重視發展裝備制造、新能源汽車、光伏發電、鋰電池、高鐵、5G等實體經濟。

相應地美國AI主要應用于虛擬經濟和IT基礎工具，AI技術也是“脫實向虛”，自2007年以來硅谷不斷炒作虛擬現實（Virtual Reality，VR）、元宇宙、區塊鏈、Web3.0、深度學習、AI大模型等，是這個趨勢的反映。

我國的優勢在實體經濟，制造業全球產業門類最齊全，體系最完整，特點是場景多、私有數據多。我國應精選若干行業加大投入，形成可低門檻全行業推廣的范式，如選擇裝備制造業作為延續優勢代表性行業，選擇醫藥業作為快速縮短差距的代表性行業。賦能實體經濟的技術難點是AI算法與物理機理的融合。

人工智能技術成功的關鍵是能否讓一個行業或一個產品的成本大幅下降，從而將用戶數與產業規模擴大10倍，產生類似于蒸汽機對于紡織業，智能手機對于互聯網業的變革效果。

我國應走出適合自己的人工智能賦能實體經濟的高質量發展道路。

（主講人系中國工程院院士，中國科學院計算技術研究所研究員、學術委員會主任）

編輯|程鵬?杜宇?杜恒峰

校對|段煉

｜每日經濟新聞 ?nbdnews??原創文章｜

未經許可禁止轉載、摘編、復制及鏡像等使用