文 | 天書 土曹 北方朔風

自從去年chatgpt4出現(xiàn)以來，以大語言模型為主的AI和星艦一樣，在中文網(wǎng)絡上愈發(fā)被一些群體當成美國對中國的某種決戰(zhàn)兵器而極盡吹捧。比如最近風頭正盛的某“經濟學家”一直在各種場合鼓吹AI將帶領美國實現(xiàn)產業(yè)升級。

無論這些人愿不愿意承認，對美國這樣的霸主來說，越被吹捧一兩樣“決戰(zhàn)兵器”，越意味著在總體性競爭優(yōu)勢上已經乏善可陳。退一步說，我們先假設AI或許在未來能產生決定性作用，那么鼓吹“AI決戰(zhàn)”，起碼也要先大概了解中美之間目前的AI差距現(xiàn)狀，以及未來的勝負手在哪。

實際上，今年OpenAI的進展就不如市場預期，年初高調宣傳的視頻生成模型sora遲遲無法落地，反而是國內的可靈，即夢等相繼實現(xiàn)對公眾開放。前兩天騰訊剛發(fā)布的視頻生成模型混元Video參數(shù)量達到130億，據(jù)稱是當前最大的視頻開源模型。

混元”文生視頻“示例

一方面是國內AI模型們不斷追趕和商業(yè)落地，一方面是gpt遭遇瓶頸。就在上個月，OpenAI內部下一代gpt模型“獵戶座”被曝提升不及預期，已進入收益遞減階段。一位OpenAI的工程師表示，“接下來的工作中科學創(chuàng)新將會變少，將由多年的艱苦工程代替。”

從算法創(chuàng)新到大力飛磚

什么叫科學創(chuàng)新將由艱苦工程代替呢？意思就是說大模型這個路線未來的性能提升會越來越依賴于工程實現(xiàn)和物理條件本身，而不是算法工程師們的天才創(chuàng)新。

在AI突破的道路上，到底是算法重要還是算力本身重要，并非一開始就有個明確的答案。直到2018年以前，業(yè)內對算力的重要性還只有一個模糊的認識，知道重要，但具體重要到什么程度并沒有人真的去估算，很多人還是寄希望于能夠出現(xiàn)更神奇的算法。不只在算法上，一種看起來非常有希望的方向是將人工智能與前沿哲學結合起來，通過哲學層面對語言，心靈和意識的研究指導人工智能更靠近“人類思維”。

不論東西方，在相當一段時間內都流行過“哲學能指導科學發(fā)展”的迷思。在歐洲來說，哲學和自然科學的分家早些，雖然哲學發(fā)展至現(xiàn)代階段后，從邏輯實證主義到現(xiàn)象學都聲稱要給科學大廈找到一個可靠的基礎，但科學家們對此往往并不予理會，大概就像楊振寧說的那句“哲學從來沒有影響過物理學”。在社會主義國家來說兩者的關系更復雜些，從恩格斯的《自然辯證法》到蘇聯(lián)官方唯物主義哲學再到我國的《矛盾論》，在歷史上都或多或少的參與進了科學研究的方向性規(guī)劃中。

在人工智能研究興起之后，哲學與科學之間的關系一度迎來轉機。人類是目前已知唯一有真正智慧的事物，研究人工智能自然首先離不開對人腦結構和思維模式的模仿，比如神經網(wǎng)絡就是模仿人腦的神經元。在人類思維模式，邏輯結構，意識、語言、智慧的本質為何等方面，就來到了現(xiàn)代哲學強相關的領域。20世紀西方哲學的幾個主要轉向——分析哲學，語言哲學和現(xiàn)象學中，對這些領域都有多方深入。

1956年的達特茅斯會議被視為人工智能作為一門學科的誕生。如羅素，喬姆斯基，查爾莫斯等哲學家的理論成果在人工智能研究的不同階段都產生過不小影響（當然，這種影響中也包含了一些誤導）。70年代之后，人工智能熱潮進入第一次低俗。后來經過專家系統(tǒng)，統(tǒng)計學習等階段性發(fā)展，人工智能進入了深度學習革命時代，從心靈哲學，具身現(xiàn)象學到更具體的人工智能哲學等等，哲學與人工智能相關研究的結合一度被寄予厚望。

達特茅斯會議上七位主要科學家合影

由于互聯(lián)網(wǎng)為代表的信息科技浪潮在新千年后處于極強勢的地位，這導致哲學對人工智能研究的參與對哲學界本身造成了反向影響——人工智能代表了人類社會的未來，既然一些哲學（看起來）能指導人工智能研究，但還有很多哲學不能，那么是不是意味著那些不能的哲學已經落伍了？由此，那些與人工智能無關的哲學一度在某種層面面臨被討伐的局面。比如在我國，英美分析哲學的一些學者就借AI熱潮試圖對官方馬克思哲學提出挑戰(zhàn)。

然而在2018年之后，情況出現(xiàn)了變化。

在之前，也不是沒有人工智能學者像物理學家那樣質疑過哲學對人工智能的真正作用，由于兩波人對彼此總是存在著這樣那樣的不夠深入和誤解，讓這種爭論更像嘴仗，一直沒有一個明確的結論。2018年，OpenAI發(fā)表了一篇文章，估算自2012年以來，最大規(guī)模的AI訓練中所使用的計算量呈現(xiàn)出指數(shù)級增長的趨勢，其計算量每三四個月就要翻一番，并作出結論，認為現(xiàn)有的模型只要加大算力和數(shù)據(jù)，就一定會有更強的效果，loss（模型預測的準確度損失）會更低。想不想看到loss低到一定程度后，模型會出現(xiàn)什么改變？那就大力飛磚吧。

正是清楚認識到這一點，并且堅決在算力投入上狂飆突進，OpenAI奠定了率先突破的基礎。在我們今天看來，算力越大模型效果越好仿佛理所當然（也并非都如此，那些將AI視為美國決戰(zhàn)兵器，認為美國AI水平不可超越的人很明顯對這方面沒什么認識），但在當時來說，模糊的認識并不等同于清晰的決策和堅定的投入。畢竟在算力上大力飛磚，需要的投入是天文數(shù)字。

而且就像摩爾定律和安迪-比爾定律那樣，信息技術總是先出現(xiàn)明確趨勢，后被總結成規(guī)律。雖然從2012年開始計算量每三四個月就翻一番了，但總要有人明確歸納總結并進一步實踐，才能成為行業(yè)的金科玉律。還有一個重要因素現(xiàn)在大家也很清楚了，就是在人工智能計算方面GPU對CPU的取代引發(fā)了技術變革，讓大力飛磚得以有實現(xiàn)的基礎。

在推動人工智能進步的經典三要素中，算法創(chuàng)新和可用于訓練的數(shù)據(jù)質量往往很難被量化和客觀評估。算力大小簡單明了，其重要性一旦被直觀指出，那接下來的事情無非是軍備競賽。由此，這輪以大模型為代表的人工智能熱潮從科學創(chuàng)新更加走向工程實現(xiàn)。

中美AI的人才和軟件差距

通過上面對哲學與人工智能間的關系，以及從算法創(chuàng)新到大力飛磚的工程轉向過程的梳理，相信讀者會對某些群體的“AI決戰(zhàn)兵器思維”的本質有更深入的認識。幾十年來，中國的生產力和工業(yè)水平越是發(fā)展，那些否定中國的理由就越來越虛無化玄學化。像這類“美國AI不可超越”的認知，根據(jù)并不從科學，產業(yè)和現(xiàn)實中而來，而是因為那些人堅信不移“美國有某種迷之優(yōu)越性”。如果說，真是英美分析哲學的傳統(tǒng)促成了AI的突破，讓我國在這方面被甩開，那這些人的迷信還可能找到一些依據(jù)，然而現(xiàn)實結果并非如此。

還有一個美國AI迷信者們更不愿意接受的事實，實際上從學術人才儲備和軟件上，中美差距并不大，比被卡脖子的GPU差距要小得多。

從這兩年各個AI方向的會議和期刊的發(fā)表上來看，不乏包含了中文名字和國內單位的文章發(fā)表。特別是在計算機視覺和自然語言處理等領域。很多頂級會議有近一半以上的文章都是出自國人或者華人的手中。也有不少的小領域，我國雄踞前沿。曾經有機構統(tǒng)計，全球人工智能研究論文數(shù)量排名前五的機構都是以中科院為首的中國機構。

一個老生常談的話題是，我們雖然發(fā)表的論文很多，但是綜合質量并不高。這種不高并不是指這些文章質量不行，相反，這些文章可能質量都并不差。只是缺乏那種足以影響整個領域或者小領域和研究趨勢的文章，很多學者還更像是在做題而不是在做學術。當前這種情況也在改變，整體研究和科研產出的質量也在逐年提高，國人產出的高引用率論文正在越來越多。中科院，清華的產出甚至可以和斯坦福，麻省理工，谷歌之類的一較高下。而且別忘了，就像美國吸收了全世界大量優(yōu)秀人才那樣，人才這種東西是有流動性的。

的確，在AI領域從0到1的研究，美國還是當之無愧的佼佼者。我國緊隨其后，雖然在最前沿的技術上還比之有所不及，但是并非沒有自己的突破和閃光點。像今年年中斯坦福抄襲國內清華開源的大模型事件，也反向說明我們其實也做出了很多優(yōu)秀成果。

開源之前一向被看作美國互聯(lián)網(wǎng)產業(yè)的優(yōu)勢，事實也確實如此。目前訓練模型用的開源框架仍然由美國互聯(lián)網(wǎng)產業(yè)主導，如Pytorch，deepspeed，以及當下使用最多的，英偉達主導的megatron。

不過因為成本和商業(yè)壁壘的關系，美國頭部的人工智能公司開源并不積極，馬斯克罵完OpenAI不開源，自己的新版模型也放棄了開源。目前在開源和創(chuàng)新上，我國AI行業(yè)反而更展現(xiàn)出活力，不少人工智能公司都積極擁抱了開源，如騰訊混元，阿里通義千問，深度求索，智譜智能，面壁智能等。

在創(chuàng)新上，智譜智能的GLM系列就在構架上有所創(chuàng)新，我國個人開發(fā)者開發(fā)的RWKV模型，更是超出了Transformer模型的限制，甚至被微軟拿來使用。深度求索開發(fā)的deepseek系列模型，通過對MOE模型的優(yōu)化，降低了大模型的使用成本。至于在具體商業(yè)和個人應用層面，我國這兩年也已經是遍地開花了。

就開源軟件的差距來說，目前國內AI整體還處于從1到100的階段，短時間目標只是追上美國與其并駕齊驅，這方面差距影響暫時不嚴重。等我國有一天要向美國發(fā)起科技潮流引領地位發(fā)起挑戰(zhàn)，進入從0到1的階段時，這方面的影響才需要更加重視。

勝負手：物理限制

就像前面所說，當前大模型的突破根本上是由算力而不是算法決定，且中美在AI人才和軟件上的差距并沒那么大，不足以夠成中美AI競爭的勝負手。

算力推動大模型發(fā)展，算力本身由三者綜合決定，以GPU為主的芯片先進程度，更先進算力數(shù)據(jù)中心的工程實現(xiàn)和能源供應。目前在推高算力上，中國在眼下面臨物理限制，美國在未來面臨物理限制。

中國的限制

中國眼下面臨的限制人所盡知，就是在GPU上被美國卡脖子。從特朗普第一任期以來的科技封鎖就不回顧了。眼下，最高端的顯卡美國人是絕對不會賣給我們的。現(xiàn)在能買到的顯卡就只有L20和H20之類，單卡訓練上的性能只有A100的一半（可能還不到），粗略估計的話，多卡可能達到A100的80%的水平。但A100已經是英偉達兩代之前的東西，現(xiàn)在已經到了H200和GB200的階段。就在12月2日，美國又升級了對華半導體管制，140家企業(yè)被列入“實體清單”，這方面我們不能也不應該對美國有什么幻想。

性能是一方面，數(shù)量是一方面。2021年前后，OpenAI就把同時啟動的訓練節(jié)點擴展到了7500個，到今天國內能同時啟動這個量級訓練的公司還不多。除了資本投入和工程經驗上的差距外，最直接的因素是顯卡數(shù)量，國內的萬卡集群還是停留在少量頭部公司以及公立實驗室中。

本土GPU制造上，華為們雖然在努力追趕，但仍要時間。當然要看到這方面我們有追趕的機會。我國芯片制造業(yè)的持續(xù)突破是一方面，當下摩爾定律已經逼近失效，芯片性能的提升在相當時間內不會像從前那樣突飛猛進。另外從昇騰的發(fā)展軌跡來看，得益于我國龐大的產業(yè)規(guī)模，確實哪個領域被封鎖，哪個領域的國產替代化就會加速進行。基于我國在能源和基建水平上的絕對優(yōu)勢，一旦在GPU方面突破了卡脖子，算力將迎來跨越式發(fā)展。

美國的限制

美國面臨的物理限制則是由去工業(yè)化造成的不斷衰退的基建能力，嚴重老化的電網(wǎng)，以及核能、清潔新能源方面的產能落后。這些問題對AI產業(yè)來說，在今天看來還不很嚴重，但趨勢已經明顯。

舉幾個基建影響的例子。隨著AI模型越來越大，相應算力產生的熱量消耗越來越高，數(shù)據(jù)中心需要實現(xiàn)良好散熱才能維持運轉。散熱本身也需要消耗大量的水和電，大型數(shù)據(jù)中心有近一半的運營成本就來自散熱。為了降低成本，將數(shù)據(jù)中心建在氣溫較低的地方自然是理想選擇，像我國內蒙和貴州就有不少數(shù)據(jù)中心集群建設。

對于我國來說，建在哪里基建都不會有什么大問題，但美國不是。像阿拉斯加的氣候無疑足夠涼爽，但當?shù)氐幕A設施支持數(shù)據(jù)中心建設么？所以美國大量巨型數(shù)據(jù)中心不得不建設在居民區(qū)附近，以至于出現(xiàn)和當?shù)鼐用駹幩疇庪姷膯栴}。

還有數(shù)據(jù)傳輸方面。百萬GPU級別的超級集群是單體數(shù)據(jù)中心不能實現(xiàn)的，需要多數(shù)據(jù)中心的互聯(lián)，因為大語言模型訓練的特性，多中心互聯(lián)對延遲有著非常嚴苛的要求。當然，美國的大公司們有能力搭建屬于自己的專線，但是這樣的壟斷對于后面進入市場的人工智能企業(yè)是不利的。而我國在布局數(shù)據(jù)中心集群的時候，把低延遲線路專門放進了配套基礎設施規(guī)劃中，參與的企業(yè)都能享受到這樣的基礎設施。

這些還不是致命問題，AI的性能提升意味著能耗的成倍增長，能源問題是決定美國未來在AI上能否繼續(xù)領先的命門。美國電網(wǎng)的老化目前看不到什么扭轉跡象。而且由于歐美這些年的環(huán)保大旗，對數(shù)據(jù)中心的環(huán)保指標有著嚴格要求，這要求人工智能玩家們必須更多使用核能，風電光電等清潔能源。

在核能上，看微軟前段時間打算為了AI重啟三里島核電站就明白目前美國是什么現(xiàn)狀了。一方面是美國現(xiàn)在對建設新核電站審批很困難，一方面也是無奈之舉。畢竟美國最近二十年核電建設不順利的根本原因并非是技術，而是建設周期過長導致成本超支。如果按照美國之前的經驗，現(xiàn)在新建新式的反應堆，雖然安全性更好，但是建成就要到2040年代了，需要電力的人工智能公司可等不了這么久。

而且我國目前除了眾所周知的光伏優(yōu)勢外，在風電機組制造，電池制造，碳捕集、利用與封存，綠色建筑材料方面都已處于世界領先位置，其中光伏、風機、鋰電池這三個部分，中國目前掌握了全球絕大多數(shù)產能。在其他的如核能發(fā)電，儲能技術，氫能和燃料電池，生物能源等產業(yè)上，雖然不是非常領先，但也是發(fā)展很快，有了可觀的技術積累。

我國的核電技術達到了國際先進水平，目前建設的第三代核電站，相較于冷戰(zhàn)時代的老電站安全性有本質的提升。正在開發(fā)的第四代核電技術上更加先進，工程上的經驗也使得建設周期可以控制在合理的區(qū)間之內。更不用說中國的火電超低排放技術和清潔煤電體系也是世界領先。

基于以上這些優(yōu)勢，我國建設了世界上最大的綜合電網(wǎng)，這是人類工程歷史上的奇跡，同時也實現(xiàn)了全球最大的清潔能源裝機量。這背后，整套電力系統(tǒng)的協(xié)調無疑是居功至偉。比如，我國之所以能將大量的清潔能源納入電網(wǎng)，同時不影響使用，除了科研人員花費巨大精力建設的電力調控系統(tǒng)外，跨區(qū)域的輸電，用于調峰的電站，大型儲能設備也是核心所在。為了搭配這些清潔能源，我國近十年來也建設升級了一大批新的電站。

類似的事情實際上從純商業(yè)效率來說未必賺錢，美國電力系統(tǒng)面臨的問題也在這里，都想做賺錢的生意，不考慮不賺錢的問題。只不過如果從社會整體的角度來考慮，基礎設施不能只考慮賺錢，我國從社會整體考慮的電力系統(tǒng)的建設，現(xiàn)在被證明顯然是有利于社會長期發(fā)展的。

以上，中美AI競爭中物理限制的勝負手就很清晰了，中國要在眼下突破芯片制造，以及相關先進技術的卡脖子，美國要在未來解決去工業(yè)化帶來的電網(wǎng)老化，基建和能源技術落后的問題。誰先解決問題，是誰能領先邁入AI發(fā)展下一階段的關鍵。

勝負手：應用場景

正如現(xiàn)在很多人對大模型AI吐槽的那樣，人類發(fā)展AI并不是為了讓它們代替人類下棋唱歌畫畫，而人類繼續(xù)苦逼干活。AI最終還是要落實到生產環(huán)節(jié)，以及社會和生活的具體場景中。

生產環(huán)節(jié)這方面顯然中國有領先優(yōu)勢，畢竟許多產業(yè)已經不在美國本土了。社會應用場景上，中美作為兩個經濟體量最大的國家，在AI應用上目前各擅勝場。這里僅說說我國的情況。

我國的人工智能企業(yè)目前在應用場景上走的穩(wěn)健路線，開發(fā)了大量行業(yè)大模型，金融，氣象，政務，礦山，航空航天，醫(yī)療等各行業(yè)的大模型。這樣的路線聽起來不那么帶感，但很現(xiàn)實。在人工智能無法實現(xiàn)無所不能之前，針對各個行業(yè)的工作去開發(fā)專有模型是個更加有效的策略。畢竟就算是openai，也開放了允許進行微調的模型范圍。

除了大語言模型之外，其他的人工智能技術我國的應用也走在前方。無論是自動駕駛，智能安防還是ai for science，我國都保持在世界前列，甚至類似人工智能安防這樣的領域，保持著世界第一的水平。我國企業(yè)與院校在應用這些技術的主動性上是無需懷疑的。

在應用場景上，眼下美國有一大領先勝負手，就是ai for science。由于美國在基礎科學研究和AI水平上同時保持領先地位，所以在ai for science，也就是人工智能推動科研上目前有領先優(yōu)勢。如deepmind雖然位于倫敦，但屬于谷歌旗下，也可以算作美國AI產業(yè)，這個機構做了大量的AI跨學科應用研究，比如今年獲得諾貝爾化學獎的alpha fold，以及在核聚變方面的研究應用。

當然，AI對基礎科學的推動到底能到哪一步目前誰也不好說，相關問題我們在今年關于諾獎的文章中已有所討論。雖然概率不大，但誰也不能排除哪天AI真的給人們帶來天頂星式的科技突破，所以這方面是需要我國持續(xù)追趕的。

最終勝負手：社會變革

對中美兩國當下的AI發(fā)展差距做一個簡單總結。打個比方，如果全球各國是一個班，那么AI這條的賽道上，目前來說只有中美兩個學霸和剩下一大票成績一般甚至很差的同學。如果說美國是90分，我國是75分，那其他國家可能大多數(shù)都還處于30分到50分之間狀態(tài)。歐洲在這方面已經跟中美有很大差距（歐洲AI從業(yè)者也有大量的華人），日本更排不上號。

國內在基礎大模型上足夠對標mistral的初創(chuàng)公司就有六七個以上，還有大量的互聯(lián)網(wǎng)公司和科研單位。更何況我國可以說在從硬件到軟件的整個鏈路上都有涉獵，很多領域也都完全自研，甚至部分處于世界先進水平。現(xiàn)在的劣勢主要還是美國憑借全球供應鏈的優(yōu)勢對我國進行打壓。

現(xiàn)在我們要思考最后一個問題。以上種種差距以及勝負手的討論，都建立在文章開頭的那個假設上，即“AI或許在未來能產生決定性作用”。然而AI的作用一定是正向的嗎？

美國少部分AI從業(yè)者認為，人工智能不用管是最好的。但是技術的野蠻發(fā)展帶來問題，歷史上已經有了太多的例子。而人工智能可能/已經帶來的問題已經有不少了：大型數(shù)據(jù)中心的環(huán)保問題如何解決；人工智能用有版權材料進行訓練，再拿來賺錢，是否合適的問題；人工智能帶來的失業(yè)問題如何處理：深度偽造技術制造的假消息對社會有什么影響……

這些都是十分現(xiàn)實的問題，不是不用管就能解決的。這些問題放著不管，只會讓問題越來越大，反對人工智能的人越來越多，這不是我們希望的人工智能發(fā)展的方式。而這些如何解決，并沒有什么標準的答案。

在這一輪大語言模型浪潮爆發(fā)之初，我國就提出了人工智能管理的相關條例。當時有少數(shù)人對此十分不理解，但是事實證明各國都提出了類似的條例，人工智能管理勢在必行，制定這方面的條例也是必然。不過美國制定這方面的條例的時候，態(tài)度顯得有些不誠實。比如說有法案試圖限制開源模型，理由就是因為中國，這樣以中國為借口打壓同行的事情，顯然是屬于過度管理的，而且也沒管到實質問題。

我國的相關條例，在保證管控風險的同時，也保持了足夠的靈活性，讓人工智能進行發(fā)展，同時對于新出現(xiàn)的問題，也保持著見招拆招的余地。而諸如環(huán)保這樣的問題，我國也確實能從技術上給出解決方案，不像是某些公司，做著燒天然氣也要搞人工智能這樣虛偽的事情。

以上這些問題還是AI發(fā)展帶來的表層性問題，歐美左翼學者，如齊澤克和喬姆斯基等已經不只一次批評過人們對人工智能的預期。我們就算不從左翼角度看，今年最新的諾貝爾經濟獎得主達龍·阿西莫格魯是經濟學領域研究AI的代表性人物，他就對圍繞AI對生產力和經濟增長的一些過度樂觀預測持懷疑態(tài)度。

今年6月，阿西莫格魯在接受國內媒體專訪時提到，越深入研究AI的能力和發(fā)展方向，越確信它當前的發(fā)展軌跡正在重復并加劇過去幾十年最糟糕的一些技術性錯誤，他非常擔心AI成為將財富和權力從普通人轉移到一小群科技企業(yè)家的方式，認為出自動化造成的不平等是企業(yè)和社會在選擇如何使用技術后導致的結果。

正如阿西莫格魯擔心的那樣，對AI的錯誤使用會加劇社會的不平等，如果AI真的能朝著通用人工智能的方向不斷邁進，并深入介入社會生產關系之中，那么在社會沒有進行相應深度改革的情況下，很容易會極大加劇社會矛盾。

所以，AI浪潮真正深遠的影響在于需要推動社會同步進行改革。在這方面，我國面臨著艱巨的歷史考驗。一方面自然是因為我國工業(yè)產值已經占到全球30%；另一方面，生產力的質變要配合生產關系與社會形態(tài)的轉變。

從90年代開始，中國從政府、社會到群眾，對信息技術的擁抱就從來沒遲疑過。今天的中國可以說是世界上最推崇技術進步主義的國家，最龐大的生產體系結合最堅定的技術進步主義，在AI普及之后必然催促著社會變革的到來，逼迫我們的社會必須堅定朝著更加平等的結構邁進。

對美國來說也是如此，當前歐美尤其是美國，已經越來越多的出現(xiàn)拒斥自動化信息化，以及反智主義的傾向，在政治上也開始回歸保守。當下很多美國人對于人工智能技術的態(tài)度相對保守，也并非是他們不理智，而是曾經的新技術發(fā)展，給他們帶來了許多問題。然而，其他國家可以技術保守，對全球霸主美國來說，一旦陷入技術保守，就會無力再維持軍事和美元的統(tǒng)治地位。

從特朗普高喊工業(yè)回流開始，美國制造業(yè)占全球比重已經下降到12%，在政治，經濟和軍事手段都失效后，也只能把再工業(yè)化的希望寄于AI”玄學“。同樣，想靠AI推動產業(yè)起死回生，美國社會就必須下猛藥改革，甚至是革命，美國從上到下做好如此心理準備了么？

或許美國也可以嘗試硅谷目前流行的新技術右翼思潮，這種思潮認為在馬斯克這樣的少部分科技精英帶領下，技術進步能解決一切問題，只要美國政府和人民完全不約束他們。這是人類歷史上還從來沒有出現(xiàn)過，只在小說影視里才有的道路，我們也可以拭目以待。不過顯然無論能否實現(xiàn)，這個路必然是以大多數(shù)美國人的利益為代價的

當前這個世界，選擇發(fā)展就要面臨全新的挑戰(zhàn)，不發(fā)展走老路回歸保守又看不到出路。在這樣的情況下，可能誕生于未來的更加通用的AI，或者說AGI就會像一把雙刃劍，想真正靠它取得勝利，就必須要有直面可能砍向自己的勇氣。無論如何，我們可以確定知道的是，正是我們的國家和人民在幾十年堅持不懈的奮斗中，對發(fā)展從沒有猶豫和后悔。

近期文章導讀：