毫不夸张地说，1999年以前，中国科技人员对人工智能几乎一无所知。那一年，我到中国科学技术大学做讲座，给同学们介绍刚成立一年的微软中国研究院在图像识别研究上的进展。这所大学的工程学院在全国名列前茅，但它不在北京，坐落于相对偏远的安徽省合肥市。
讲座当晚的礼堂座无虚席，气氛热烈。没有抢到票的同学挤在窗户外面，希望能隔着玻璃听到讲座的一些内容。看到这样的场景，我请求工作人员允许热情的学生们进来，坐在过道或讲台上听。当我讲到语音识别、语音合成、3D图形和计算机视觉时，他们草草写下凌乱的笔记，请教了我许多关于人工智能基本原理和实际应用的问题。当时，中国在人工智能研究上比美国落后不止10年，但这些学生的脸庞满是热切，他们吸收知识、认真听讲的状态，就像浸入水的海绵。
讲座进行了很长时间，结束时天色已晚，我从礼堂出来走向校门，准备离开。当时校园十分安静，路上行人寥寥，两旁都是学生宿舍。突然寂静被打破了。一大群学生不约而同地从宿舍涌出来，走上了周围的街道。我愣在原地，看着这如消防演习一样的慢动作画面。直到他们在路沿坐下，打开课本，我才意识到他们要干什么：大学宿舍晚上11点准时熄灯，想要继续学习的学生都会来到路边，借着路灯看书。现在中国的一家顶级人工智能公司的创始人，就出自这几百名未来中国最聪明的年轻工程师之中。
1999年，我在中国科学技术大学做演讲，学生挤到了讲台上。中国学子对吸收新知的热情，反映在踊跃参与各项学习活动上。
这些学生手里拿的课本是当时中国最好的教材，虽然大多数版本老旧、翻译不佳。在当时，优秀学生很难出国读书，除非有全额奖学金，在互联网没有普及的校园里，泛黄的教科书和偶尔来访的学者的讲座，是他们接触全球人工智能研究的唯二途径。
20年过去，现在一切都不一样了。
人工智能超级大国的那些事
如我之前所说，在21世纪要建设人工智能超级大国，需要具备四个条件：大量的数据、执着的企业家、优秀的人工智能科学家和有利的政策环境。中国创业公司的竞技场选拔出了世界上最精明强悍的企业家，中国的另类互联网世界创造了世界上最丰富的数据生态环境，再加上另外两项助力——人工智能专家的涌现和中国政府的政策支持，在这个人工智能实干的年代，硅谷的优势将不复存在。
随着人工智能渗入经济的更多层面，该领域对优秀人工智能工程师的数量要求，将超过对顶尖人工智能科学家智力的要求。人工智能实干年代真正的经济优势，绝不仅是几位屈指可数的拓展研究边界的顶尖科学家，而是一个能和企业家联手，利用已知科研创造商业价值的庞大的工程师军团。中国正在训练这样的工程师军团。
在那场讲座后的近20年里，中国的人工智能公司大大拉近了与美国同行们的差距。虽然美国在顶尖人工智能科学家方面仍然领先，但我在合肥看到的那些拥有极强求知欲的学生已经成长起来，前沿全球研究也伴随着互联网的发展有了爆炸性传播，中国公司找到了大批可以驱动人工智能应用落地的优秀工程师。钻研人工智能的中国学生不用在昏黄的路灯下研究旧课本上的知识，他们能直接从源头实时地吸纳新知，如剖析网上发表的最新学术成果，在微信中讨论顶尖人工智能科学家使用的方法，通过智能手机观看他们的讲座。
连接全球的人工智能知识传播网络，让中国人工智能社群得以共享最新知识，跻身高端研究，加入即时培训。从这些社群出发，优秀工程师使自己服务的公司可以将前沿的开源算法应用于自动无人机、人脸识别支付系统和智能家居终端等人工智能产品，进一步与人工智能领域的巨头们分享蛋糕。
人工智能时代的七巨头——谷歌、Facebook、亚马逊、微软、百度、阿里巴巴和腾讯，都是中国或美国的公司，它们动辄花费数十亿美元建立惊人的数据储备，大量延揽人工智能精英，努力建立人工智能时代的公共设施：它们正在为人工智能的未来发展铺设大范围的“电网”，即建设私有云和公有云的设施，使机器学习扩散到整个经济体系中。巨头们建立私有人工智能“电网”的现象，不仅令重视开放人工智能生态系统的人担忧，也是中国迅速崛起、成为人工智能超级大国的一块隐形绊脚石。
不过，在庞大的经济体系中引入人工智能的力量，凭私营企业一己之力并不够，还需要政府的明确态度和良好的政策环境。在柯洁输给AlphaGo之后，中国政府发布了力争在人工智能领域领跑的蓝图。中国的人工智能计划在新的投资热潮中激流勇进，引导了创业、创新的新方向。不少城市争先恐后地想成为人工智能示范城市：从规划无人驾驶车辆路线、在公共交通系统中安装面部识别系统，到给交通网配备能够优化车流的“城市大脑”，几乎每个方案都显露出了城市管理者的勃勃雄心。通过这些尝试，我相信在人工智能实干的年代，中国将有力地加速资源配置、产生更多数据、种下未来持续增长的种子。这是一种持续的自我循环，借助大数据的神奇力量、创业家的勇气、辛苦磨炼的专业知识，以及有力的政策导向，持续良性循环下去。
诺奖得主与无名工匠
要理解这两个人工智能超级大国之间真正的竞争格局，首先要理解这种专业知识来自哪里。
1938年，在恩里科·费米（Enrico Fermi）登上法兰克尼亚II号甲板的那一刻，全球大国的势力分布被他改变了。费米当时刚刚在斯德哥尔摩抱走了诺贝尔物理学奖，但是他并没有回到贝尼托·墨索里尼统治的意大利，而是举家来到了纽约。此行跨越了半个地球，费米的主要目的是逃避意大利新通过的种族法的限制：该法令阻碍了犹太人、非洲人担任重要岗位或者与意大利人结婚，费米的妻子劳拉就是犹太人。
来到美国后，费米听说纳粹德国的一些科学家发现了核裂变原理，于是他也迅速展开了进一步的研究。他在芝加哥大学创造了世界上第一个自持链式裂变核反应堆，这个成果在曼哈顿计划中起到了不可替代的作用。曼哈顿计划诞生了世界上第一枚核武器，为第二次世界大战后世界秩序的确立奠定了基础。
费米和曼哈顿计划代表了在专业知识领域，质量高于数量的时代。20世纪三四十年代是核物理学基础学科取得突破的时代。为了实现这些突破，一个恩里科·费米比一千个普通的物理学家都重要。这个时代的美国确立在世界上的主导地位，很大程度是由于吸引了像费米一样的天才。
但并非每次科技革命都是这种模式。通常，基础领域的突破出现后，发展的重心会很快从顶尖科学家转移到无名工匠，即有足够专业能力将这种新技术应用于解决不同问题的工程师，尤其是当技术突破性成果的应用范围遍布整个社会经济体系，而非集中于某几个实验室或者武器系统的应用时。
电的发明和大规模的电气化很好地印证了这个过程。托马斯·爱迪生让电能变得更便宜后，数以千计的工程师开始想办法利用电能，用电驱动各种新设备，重组工业生产过程。这些工程师并没有像爱迪生那样取得重大突破，但他们对电能的了解程度，足以帮助他们将电能用在机器上从而产生收益。
目前人工智能的发展阶段更符合后一种模式。由于人工智能解决了一个又一个新难题，持续占据媒体报道头条，让我们误以为仍处于“恩里科·费米”们有能力决定世界格局的时代。而现实中，我看到的是一个将突破性基础技术应用于解决多个不同问题的过程，需要大量受过良好训练的工程师。今天，这些工程师正将人工智能模式识别能力应用于贷款核发、自动驾驶汽车、翻译文本、下围棋、小度在家或小爱同学上。
深度学习先驱杰弗里·辛顿、扬·勒昆（Yann LeCun）和约书亚·本吉奥（Yoshua Bengio）——人工智能领域的“恩里科·费米”们持续拓展着研究边界。也许他们会实现新的颠覆性突破，再次打破全球科技界的格局。不过眼下应用领域的进展，还得由工程师们一手打造。
我与深度学习之父杰弗里·辛顿（左四）
2018年4月，我在全球移动互联网大会（GMIC）和扬·勒昆（荧幕上）讨论人工智能技术。
本吉奥（后排二）的多项研究成果，对深度学习的复兴意义重大。
人工智能知识的开放与速率
投身这场技术革命的工程师有一个额外的优势：能实时接触到前沿先驱们的研究成果。
在工业革命中，国界和语言壁垒意味着最新的技术突破成果被保留在发源国，也就是英国国内。美国因为与英国在文化上比较相近，又有较为宽松的知识产权法，才取得了一些关键发明的应用机会，但是发明者和模仿者之间的差距仍旧不小。不过今非昔比，当被问及中国和硅谷在人工智能研究上的差距时，有几位中国创业者开玩笑道：差距是16小时——加利福尼亚州和北京之间的时差。美国也许有顶尖的研究人员，但他们的大多研究成果，对任何能上网并对人工智能基础知识有一定了解的工程师来说，都是实时可见的。之所以有这样的知识传播优势，是因为人工智能研究中的两个重要特征：开放和速率。
人工智能研究人员对自己的算法、数据和成果一向采取开放态度。这种开放性的根源一是来自促进人工智能发展的共同目标，二是出于希望给竞争一个客观标准。在许多自然科学领域，一个实验室中的实验很多时候是无法在另一个实验室中完全再现的——技术或者环境上的细微差别，对结果的影响都是巨大的。但是，人工智能实验完全可复制，算法也可以进行直接对比。只需要在同样的数据条件下训练检测该算法即可。国际竞赛中，经常有计算机视觉或者语音识别研究团队相互切磋，而参赛者的研究成果，其他研究人员都很轻易地可以验证或审查。
人工智能领域的进步速度，也是促使研究人员选择实时分享研究成果的因素之一。许多人工智能科学家并不尝试去完全颠覆深度学习，而是不断优化算法。这种进步通常能让语音识别或者视觉识别在不同应用和场景达到新的精度。而研究人员则在这些新纪录（而不是新产品或者收入）的基础上进行比拼。打破纪录的人，当然希望得到认可和回报。但因为发展的速度太快，许多研究人员都会担心，要是等到在期刊上发表研究成果，那时他们的纪录可能早就被打破了，而他们达到巅峰的这一刻也将无法载入史册，所以他们一般不会隐瞒研究结果，而是会立刻在类似于www.arxiv.org这种线上科研论文库上发布。这类网站可以让研究人员实时发布研究成果，让他们在人工智能算法的研究领域青史留名。
在后AlphaGo的世界，中国学生、研究人员和工程师都是www.arxiv.org最忠实的读者。他们整理、翻译，为扬·勒昆、塞巴斯蒂安·特伦还有吴恩达等前沿科学家的讲座制作字幕。在微信上，中国的人工智能社区创建了大型聊天群，还有其他一些多媒体平台可供讨论人工智能领域的最新进展。至少有13家新媒体负责专门跟踪报道产业新闻、专家分析和开放式对话。这些聚焦人工智能的媒体拥有超过100万的注册用户，其中半数都获得了超过1000万美元的风投。我参加了“PaperWeekly”论文讨论组等十几个类似的500人微信群，每天能刷新几百条人工智能相关的新信息和最新算法成果的截屏图片，大量的研究人员在线上和线下热烈研讨人工智能领域的新研究成果。
然而，身在中国的人工智能参与者们，并非只是西方世界智慧结晶输出的受益者，他们也在为这个研究生态系统做出越来越多的贡献。
避开中国新年的国际会议
美国人工智能促进协会（The Association for the Advancement of Artificial Intelligence, AAAI）在长达30年的时间里每年都举办大型的人工智能国际会议，是全球人工智能界最重要的会议之一。但在2017年，他们差点儿办砸——那年会议的举办在时间上与中国的春节撞了车。放在几年前这根本不是问题，历史上美国、英国和加拿大学者一直统治着这一领域，有论文产出的中国研究人员屈指可数。但是2017年的国际大会，提交论文的中国研究人员和美国研究人员人数不相上下。“没人会在重大节日举办如此重要的国际会议，”AAAI理事长告诉《大西洋月刊》，“我们花了好大力气，才将会议推迟了一周。”(1)
无论是现有模型的微调，还是构建世界级的新神经网络架构，中国的研究者都在做出源源不断的贡献，他们对人工智能的贡献是全方位的。从学术研究成果的引用次数就能看出中国研究人员日益增长的影响力。创新工场分析了2006年至2015年间，所有人工智能研讨会和人工智能期刊被引用次数前100名，发现在此期间由中文名字研究人员冠名的论文数量从23.2%激增到了42.8%(2)，增长了将近一倍。对这些作者所属的研究机构的调查表明，除去部分作者在国外进行的研究（如没有使用英文名字的美籍华裔研究人员），大多数的论文内容确实是在中国得出的成果。
最近对全球研究机构的引用记录统计也印证了这一趋势：2012年至2016年，人工智能领域的研究机构被引用次数前100名中(3)，中国仅次于美国。前沿研究机构中，清华大学甚至在人工智能被引用次数上超过了斯坦福大学等老牌人工智能院校。值得注意的是，这些研究大多还聚焦于前AlphaGo时代，也就是中国在该领域投入更多研究资源之前。相信在不久的将来，一大群年轻的博士生将引领中国的人工智能研究达到一个新的高度。
除了被广泛引用的论文之外，自深度学习出现以来，中国的研究人员还为神经网络和计算机视觉等领域带来了长足进步。这中间，许多研究人员都来自我在1998年创立的微软中国研究院（之后更名为微软亚洲研究院），这里培养了超过5000名人工智能研究人员，包括今天在百度、阿里巴巴、腾讯、联想和今日头条任职的技术或人工智能负责人。
微软亚洲研究院：中国AI黄埔军校
2015年，微软亚洲研究院的一支团队在图片网络（ImageNet）的全球图像识别大赛中一鸣惊人。这个团队带来的精妙算法叫作残差网络（ResNet），它对10万张照片进行了识别，并列入1000个不同类别之下，而其错误率低至3.5%。2年后，谷歌的DeepMind研发出了AlphaGo Zero，即能够自学的新一代AlphaGo，残差网络就是它的核心技术模块之一。
研发了残差网络的发明人离开了微软亚洲研究院。残差网络论文的四位作者，一位加入了Facebook的扬·勒昆研究团队，而其他三位或是创立，或是加入了中国的人工智能创业公司。带领残差网络的孙剑加入了旷视科技——一个全球人脸识别及图像识别技术领域的领军企业。2017年的COCO图像识别大赛，旷视科技团队在四大领域中勇夺三个冠军，打败了来自谷歌、微软和Facebook的众多团队。
2017年，在人工智能和全球安全峰会上，前谷歌CEO埃里克·施密特提醒与会人员，不要小看中国在人工智能领域的潜能。他预测，中国的人工智能将在5年内赶上美国：“这些中国人很厉害……如果你认为他们……无法培养我说的这种人才，那可就大错特错了。”(4)
七巨头和下一个深度学习
不过，在全球人工智能研究社群向着流动、开放系统蓬勃发展的同时，这个生态系统中的一个模块却变得更加封闭，即大公司的研究实验室。虽然学者们积极和世界分享着他们的成果，但是上市的科技公司也有责任为股东实现利益最大化——这通常意味着减少技术公开、增加专利保护。
向人工智能研究投入大量资源的公司有数百家，七大人工智能巨头——谷歌、Facebook、亚马逊、微软、百度、阿里巴巴和腾讯，实际担当了50年前由国家扮演的角色，即规模巨大的投入与研发、封闭的系统、人才与资源控制、专注于“不外传”的突破技术。
当然，企业的研究想要保密很难做到滴水不漏：企业内部团队成员不断离开，创立了自己的人工智能公司，还有一些企业下属的研究机构如微软研究院、Facebook人工智能研究团队、DeepMind等仍在继续公开发表重要成果。但总体来讲，如果这些公司取得了原创的、突破性的研究成果，这些成果能保证公司获得巨大利益，它们就一定会尽力保密，想办法在成果泄露前做到收益最大化。
封闭系统中出现的突破性研究成果将会对开放的人工智能系统构成威胁，也会影响中国在人工智能领域赶超美国的步伐。以目前形势来看，中国在创业精神、数据、政府支持等方面占领了先机，专业研究水平也正急速追赶着美国。如果现阶段的技术趋势在未来几年能够继续保持，中国的人工智能创业公司将成为一支利箭，势如破竹地穿透其他行业领域。中国将以深度学习和其他机器学习技术为筹码，颠覆数十个领域，成功实现经济转型。
但是，如果真的有人发明了下一个和深度学习一样伟大的技术，而且是发生在密闭的企业环境中，形势就难说了。它有可能让某一个公司突然获得超越其他巨头的力量，引领我们重回发现时代——由少数精英专家来打破均势。
在我个人看来，未来几年某个巨头单独且秘密地完成这种发现的可能性不大。深度学习是过去50年来最大的飞跃，这种规模的进展几十年只有一个。如果这样的突破性进展再次出现，出现于开放性学术环境的可能性相对较大。现在，企业巨头们正将空前热情投入到获取深度学习应用价值的过程中，这意味着大量资源被用于对深度学习算法进行改进和微调，相对来说，只有小比例的资源投入针对下一个颠覆性突破的、真正的开放式研究。
另外，由于缺少数据和算力，大学与其他独立研究机构的学者们发现他们在深度学习的实践应用领域完全没有竞争力。所以，许多研究人员都开始追随杰弗里·辛顿的脚步，专注发明“下一个深度学习”，开放地研究颠覆性的、能解决人工智能问题的全新工具。这种开放研究很可能在偶然间实现下一个突破，同时发表出来分享给全世界。
谷歌战群雄
如果下一个深度学习注定要产生于企业界，那最有可能的候选人就是谷歌。人工智能七巨头中，谷歌（准确地说是它的母公司Alphabet）出类拔萃。它是最早发掘深度学习潜能的公司之一，旗下拥有DeepMind和自动驾驶公司Waymo。
不说其他巨头，就谷歌一家公司在该领域的资金投入连美国政府也自惭形秽：美国联邦拨给数学和计算机科学研究的投资总额还不及谷歌研发部门预算的一半。(5)2013年，谷歌收购DeepMind花了超过5亿美元。而自2009年谷歌无人驾驶项目开始启动，到2015年年底，谷歌在Waymo的软硬件开发上花了11亿美元。这些看似疯狂的投资，使人们得以在2017年目睹历史性一幕：5月，AlphaGo完美战胜人类围棋世界冠军；11月，Waymo宣布在美国测试没有司机坐在驾驶位上的无人驾驶车辆。这是自动驾驶领域又一次重大突破：在亚利桑那州凤凰城的自动驾驶出租车行驶过程中，Waymo员工不再坐在驾驶座上准备踩刹车，而是坐在一侧，准备在出现问题时按下标有“Pull Over”（靠边停车）的按钮。2018年，Waymo计划在凤凰城的部分地区推出完全无人的出租车。
疯狂烧钱为谷歌招揽了世界上大部分最聪明的人工智能从业者。排名前100的人工智能研究人员和工程师中，大约半数隶属谷歌。而另一半则分属其余几大巨头、学术界以及少数几个小型创业公司。微软和Facebook在其中所占比例巨大，如Facebook有扬·勒昆这样的超级研究人员。中国巨头中，百度是最先投入深度学习研究的企业，2014年曾尝试收购杰弗里·辛顿的创业公司（在价格战上输给了谷歌），最终招募到了吴恩达，抬高了百度硅谷人工智能实验室的身价。不出一年，人才战就带来了回报。2015年，百度的硅谷实验室开发了语音识别系统“深度语音2”（Deep Speech 2），在汉语语音识别领域超越了人类。这证明了端对端深度学习方法可用于高准确识别口音差异显著的语言，采用高性能计算技术带来了7倍的加速，这是个巨大的成就。微软在一年后才在英文语音识别领域达到相同的水平。(6)2017年，吴恩达离开百度(7)，创建了自己的人工智能投资基金，但是他在百度的研究历程，既展现了百度的雄心，也提高了他在研究界的声望。
阿里巴巴和腾讯在人工智能人才竞争中介入相对较晚，但它们有着能吸引顶尖人才的资金和数据。腾讯有微信这个全球最大互联网市场中的超级应用，拥有的数据生态系统恐怕是几位巨头中最丰富的一个。这一点成了现在腾讯吸引顶尖人工智能研究人员的法宝。2017年，腾讯在西雅图创办了人工智能研究机构，马上开始从总部位于西雅图的微软公司物色研究人员。阿里巴巴也紧随其后，创办了包括硅谷和西雅图在内的全球研究实验室。到目前为止，腾讯和阿里巴巴还未公开展示其研究成果，而是韬光养晦，等待产品驱动型应用的产生。阿里巴巴推出的“城市大脑”计划是一个大型人工智能网络，通过从监控录像、社交媒体、公共交通和定位系统等端口提取数据，来优化城市服务。阿里巴巴与总部所在地的杭州市政府联手，正在用先进的物体识别和交通预测算法实时调控红绿灯，并在发生交通事故时及时通知救援人员。这个算法在试运行期间，部分地区的交通流速提高了10%(8)，阿里巴巴也在准备将此服务应用于其他城市。
尽管谷歌在人工智能精英竞赛里领先一步，但鹿死谁手犹未可知。如上所述，根本性的突破少之又少，出现的时间间隔也很大，而且颠覆性的发现通常出现在意想不到之处。深度学习来自一个小众网络，是一群主流研究人员看不起的、研究机器学习方法的研究人员得出的成果。如果下一个深度学习真的存在，那它可能藏在某个校园或是企业实验室里，至于何时何地出现谁也不知道。虽然世界在等待新的突破，但现在我们还处于人工智能实干时代。
人工智能的电网、电池之战
人工智能巨头们并非只是在寻找下一个深度学习的跑道上竞赛。目前它们与小型人工智能创业公司还有一战，因为一些小型创业公司正在利用机器学习革新某些产业。这是将人工智能“电能”分配进经济体系的两种不同方式的较量：七巨头的“电网”式与创业公司的“电池”式。这场较量的结果将决定人工智能的商业格局——垄断、寡头或是数百个公司自由竞争。
“电网”式的目标就是将机器学习的力量转化成标准化服务，可以由任何公司购买，无论是达成学术目的还是个人使用都可以通过云计算平台实现共享，甚至可以免费使用。这个模式中，云计算机平台就是电网，作用是根据用户提供的不同数据，实现复杂机器学习最佳化。“电网”式可以降低专业门槛，提升云人工智能平台的功能。连入“电网”就能让有大数据的传统公司轻易使用到最棒的人工智能，而不用将优化人工智能作为核心工作。当然，应用机器学习绝非将电力输入房屋那么简单（恐怕也永远不会这么简单），但是这些云平台后面的公司如谷歌、阿里巴巴、亚马逊等希望扮演公共事业公司的角色，管控“电网”并收取费用。
谷歌的TensorFlow是一个打造深度学习模型的开源软件生态系统，虽仍需要一些人工智能专家运营，但已经展现出这个模式的雏形。2015年，谷歌的人工智能专家创建了TensorFlow，借助TensorFlow，公司的工程师可以更容易地提高搜索和语音识别服务的精确性。在将TensorFlow开放给公司内部工程师数月后，谷歌宣布软件免费向全球开放。近3年后，这一机器学习平台成为人工智能工程师使用机器学习开发新应用的首选工具。这个平台的客户之一保险巨头安盛（AXA），就利用TensorFlow开发了可预测高昂保费的交通事故的系统。2017年，云服务基础设施的市场规模约为400亿美元，亚马逊和微软占据了大半江山，谷歌位居第三。借助TensorFlow，谷歌希望自己的云服务市场份额在5年内跃升至第一。在未来，大力投资人工智能的传统公司为了让自身搭建和运行人工智能的成本更低，会向云服务提供商砸下重金，购买“电网”服务。
相对较小的人工智能创业公司则选择了另一条路：为各行各业打造具有高度针对性的人工智能“电池”，这时“电网”还没有成形。这些创业公司靠的是深度而非广度。它们不打算提供通用型的机器学习能力，而是为特定目的打造产品、打磨算法，如医疗诊断、抵押贷款和自动无人机等。它们把宝押在了传统商业日常运营中，众多琐碎细节无法很好地跟通用网络契合在一点上。准确地说，这些创业公司不是要让传统公司“用标准的”人工智能，而是为传统公司量身打造能即刻融入公司正常流程的人工智能。
现在判断“电网”式和“电池”式孰优孰劣为时尚早。谷歌这些巨头在缓慢向世界伸出触角，而中国和美国的创业公司则在激烈争夺新领域、加强自己面对七巨头的竞争力。这场份额争夺战将最终决定新的经济格局：是七巨头获得大部分利润，成为人工智能时代的超级公共事业公司，还是由更多新公司瓜分巨大的蛋糕？
中国芯片的机会与挑战
除了人工智能巨头、创业公司和两大国家之外，人工智能竞争中还有一类选手——计算机芯片制造商。高性能芯片通常是计算机革命中默默无闻的英雄，是台式机、笔记本、智能手机、平板电脑的核心所在。虽然不为终端用户所知，但从经济和安全角度讲，打造这些芯片十分重要。
每一代计算机都需要不同芯片。当台式机占领王座时，芯片制造商不在乎耗电，努力为高分辨率屏幕打造最快处理器和显卡。英特尔是设计这种芯片的专家，在台式机时代创造了巨大财富。但是随着智能手机的普及，高效用电成了芯片成败的关键，高通公司以英国ARM的芯片为基础设计出来的产品后来居上。
现在，随着传统计算机程序逐渐被人工智能算法替代，需求再次发生了变化。机器学习需要快速运行复杂的数学计算，这一点是英特尔或者高通公司的芯片都不曾注重的。于是，以设计电子游戏所需的高性能图像处理芯片闻名的英伟达（Nvidia）乘虚而入，图像处理背后的数学原理与人工智能算法的需求十分匹配，英伟达也因此成了芯片市场的新星。当英特尔犹豫不定时，仅百度一家公司从英伟达购进的深度学习芯片的数量就达到向英特尔采购数量的4倍。2016年到2018年年初，英伟达的股价翻了10倍。
围绕着人脸识别与自动驾驶等新型需求，各家公司开始了下一代人工智能芯片的竞赛。这一次，连谷歌、百度、微软和Facebook这些从不曾研发芯片的公司也一拥而上：2016年5月，谷歌宣布，其专门为TensorFlow设计的芯片TPU已经秘密使用了一年多；9月，微软发布了可以执行Bing（必应，微软自己开发的搜索引擎）机器学习算法的可编程芯片，来增强英特尔处理器的计算性能，以提高网页搜索速度。当然，芯片业内的英特尔、高通和一些资金雄厚的硅谷创业公司更是不敢怠慢。于是在业内随处可见互联网科技公司和芯片公司联手进军人工智能的芯片领域的场景。
中国政府数十年来都在努力研发国产高性能芯片。但是这一过程十分复杂，对专业度要求极高。过去30年，硅谷公司一直保持着芯片开发的领先地位。这一次，中国政府和中国芯片创业公司都希望能有所不同，科技部投入了大量资金，指明要研发出在性能、耗能效率上高出英伟达现有产品20倍的高效芯片。中国的芯片创业公司如地平线机器人、比特大陆科技有限公司、寒武纪科技公司等均获得了大量投资，用于研发针对自动驾驶和其他人工智能应用的各种产品。中国在数据上的优势也将在芯片研发中发挥作用，为硬件开发商提供无数能检验产品的实例。
总之，目前在人工智能芯片研发领域，硅谷仍然处于领先地位，但这一优势可能在未来10—20年被中国政府和中国的风投赶上，因为在人工智能带来的大规模经济变化面前，政府和企业都非常看重芯片。
太平洋两岸的两个计划
2016年10月12日，当时的美国总统贝拉克·奥巴马在白宫发布了一个酝酿良久的计划(9)，内容是讨论美国要如何利用人工智能的力量。该文件详述了人工智能将为经济体系带来巨大转型，阐明了把握这个机遇的细节步骤，如增加研究投入、提高军民合作、投入应对社会变化等。这份总结变化、提出方案的优秀报告没有激起美国人工智能的热潮，没有为人工智能创业公司带来新一轮风投和政府资助，也没有刺激市长或者州长们发布对人工智能友好的政策。当新任总统特朗普在报告发布3周后入主白宫时，甚至直接提议减少10%的美国国家科学基金会经费。(10)
美国社会各界对白宫发布的报告反应冷淡，与中国国务院发布人工智能发展计划后引发的全民热潮形成了强烈的对比。2017年7月，国务院发布的《新一代人工智能发展规划》造成了巨大的冲击波，这份规划与白宫报告有许多异曲同工之处，列出了数百种针对各行业的人工智能应用，为中国成为人工智能超级大国的进程列出了清晰的目标。该文件表示中国要在2020年跻身人工智能强国的行列，2025年完成某些重大突破，2030年成为世界主要的人工智能创新中心。
如果说AlphaGo曾是中国的“斯普特尼克”时刻，那么这个政府主导的人工智能计划，其影响远甚于约翰·肯尼迪总统关于美国人类登月的标志性演讲。这份文件中虽然没有肯尼迪的豪言壮语，却达到了更好的效果，激发了全国上下创新的积极性。
押宝人工智能
随着政府发布中国的人工智能发展计划，积极进取的城市纷纷采取行动，将管辖区域转型为人工智能热点城市。通过政府的“引导基金”将风投资金引导至人工智能领域，购买当地人工智能创业公司的产品和服务，设置数十个特别开发区和孵化器。
从南京市的举动就能看出政策推动的力度。与北京、深圳和杭州不同，南京并非中国创业公司的第一选择，为了让南京成为人工智能的热点城市，当地政府投入了大量资金和政策支持，以吸引人工智能公司和顶尖人才。2017年到2020年，南京经济技术开发区计划至少向人工智能开发项目投入30亿元人民币。这笔钱主要用于人工智能行业的补贴和其他优惠支持，如向当地人工智能创业公司投入1500万元人民币，其中研究经费最高可达500万元人民币，并保证每家公司至少有100万元人民币用于吸引人才。此外，当地政府与人脸识别和自动化机器人技术公司签订合同、简化公司注册手续、为公司高管的孩子们提供就读当地学校名额、为公司员工提供宿舍等。南京市的高新开发区还成立了“智谷”（AI Valley），建筑面积共有200万平方米。这只是中国的一个城市，是中国发展人工智能的缩影。南京有800万人口，而中国有上百个人口超过百万的城市。除了南京，很多其他城市也启动了类似规模的人工智能园区规划，如重庆、广州、上海、宁波、合肥等。此外，中国有多所大学开设了与人工智能相关的本科专业，如中国科学院大学、西安电子科技大学、上海交通大学、重庆邮电大学、哈尔滨工业大学、天津大学、南开大学、吉林大学等。这些院校分布在中国的大江南北，未来有一大批人工智能人才将要从这些学校走出，参与到人工智能的研发与推广中。
这一拨政府激励正在许多城市如火如荼地进行，竞相吸引、投资、协助人工智能公司。这是过去10年里，我目睹的中国政府对科技研发的第二次推动。2007年至2017年，中国的高速铁路从零走到了世界第一，在2015年李克强总理发起“大众创业，万众创新”的号召之后，一拨有特色的激励政策创造了6600家孵化器，成功地改变了中国在技术创业方面的文化导向。
当然，现在还不能预测中国人工智能规划的结果，但如果从中国历史中寻找线索，会发现这种方式可能效率不够理想但效果好。投资规模如此之大，发展速度如此之快，难免会出现效率不够理想的情况。政府的政策推动也决定了难免会出现浪费的现象：为人工智能公司员工建设的宿舍会有空置，落地的创业公司也可能失败或倒闭，总会有传统科技公司套上人工智能公司的名号抢到不应得的补贴，也会有采购的人工智能设备在办公室积灰。但是，中国政府仍然愿意冒这个险，愿意承担在追求一个更伟大目标的过程中可能遭受的损失，这个目标就是强力推动经济增长、进行技术的升级。这个自上而下引导的转型，潜在优点是规模足够巨大，能为如此大的投入做担保。
与之相对的是，美国一旦投资失败，必将带来政坛的血雨腥风。2008年金融危机后，美国总统奥巴马的新政策刺激了许多新产业项目，如政府贷款给前景颇好的可再生能源计划。这些贷款中的一部分，已经确定属于索林佐（Solyndra）——一个位于加州的太阳能面板公司，这家企业一开始前途光明，却在2011年宣布破产。这次失败引发的对于总统的批评很快变成了2012年大选中最有力的政治抨击。虽然奥巴马扛住了负面攻击成功连任，但导致的结果是美国政治家更加不敢大胆地用政府资金来提振经济与推动技术升级了。
自动驾驶的困境
过去30年里，当政府正确引导能带来重大经济转变的新技术方向时，技术实用主义的政策是十分有利的，自动驾驶汽车就是一个范例。
自动驾驶汽车将来一定会比人力驾驶汽车安全许多，大规模推行这种技术将大幅度减小交通事故伤亡率。2016年，美国交通事故死亡人数约为4万人，相当于“9·11”事件在一年内发生13次。世界卫生组织估计，中国公路交通事故年伤亡大约为26万人，全球则是125万人左右。(11)此外，自动驾驶还能大幅提高交通和物流效率，这些都对整个经济体系有相当大的好处。
不过，虽然能拯救生命、提高产出，但这项新技术也可能导致部分人群失业甚至失去生命。比如出租车、卡车、公交车和物流运输员在自动驾驶普及后可能失业，自动驾驶车辆也有可能因为故障发生车祸。有的情况会令自动驾驶汽车被迫做出两难选择：右转有55%的可能撞倒两个行人，左转有100%的可能撞倒一个行人，每个风险背后都涉及了棘手的道德问题。我们该如何在数百万司机的工作与自动驾驶汽车能节省的近万亿美元、数千万工时之间权衡？如果不得不发生碰撞，我们该如何优化自动驾驶汽车的选择？自动驾驶汽车的算法中，车主的生命又该占多少权重？自动驾驶汽车是否应该为拯救其他三个人，而选择牺牲车主的生命？这些问题让伦理学家难以入眠，也阻碍了自动驾驶汽车应用的相关立法进程，甚至导致了研发自动驾驶的人工智能公司卷入了长达数年的法律纠纷。尤其在美国，我已看到这种趋势的前兆：2017年，卡车司机工会成功游说美国国会把卡车排除在一项法案之外，这项法案旨在加快自动驾驶的应用。
而在中国，我相信政府能理解这些困难不是推迟技术发展的理由。为社会带来大规模改进与长期能拯救更多生命的益处，应该促使政府欢迎人工智能实干时代的到来。每个国家都应该基于自己的文化价值观制定相关政策，但中国的政策路径无疑更有利于人工智能的加速发展。在这一轮高速发展中，中国各地政府纷纷为人工智能的发展站台，运用各种政策及资金补贴吸引人工智能公司入驻，使当地政府成为率先实现人工智能经济转型的榜样，如在公立医院设置人工智能辅助医生、规划自动驾驶区域，或利用“城市大脑”优化交通网。这些投入不仅是为了政绩，也是为了造福社会。
美国对移民的开放、对人才的尊重，吸引了来自全球各地的人才。这些人中包括恩里科·费米、阿尔伯特·爱因斯坦和今天的许多人工智能科学家。而中国在经济产业升级过程中采用的自上而下的推进模式，在凭借人工智能力量打造新的社会秩序和经济体系时，为中国带来了独特的优势。了解两个超级大国以及七个巨头的优势和劣势后，才能勾画出人工智能落地的时间轴，看到人工智能产品和系统会如何改变我们身边的世界。
(1) Sarah Zhang, “China’s Artificial-Intelligence Boom”, The Atlantic, February 16, 2017,https://www.theatlantic.com/technology/archive/2017/02/china-artificialintelligence/516615/.
(2) 《投资AI生态，共赢智慧未来：创新工场人工智能战略白皮书发布！》，创新工场，2017年1月10日，https://mp.weixin.qq.com/s/dJHPLN0q_K5mlJXvXrLVBg。
(3) Shigenori Arai, “China's AI ambitions revealed by list of most cited research papers”,Nikkei Asian Review, November 2, 2017, https://asia.nikkei.com/Tech-Science/Tech/Chinas-AI-ambitions-revealed-by-list-of-most-cited-research-papers.
(4) Same Shead, “Eric Schmidt on AI: ‘Trust Me, These Chinese People Are Good’”,Business Insider, November 1, 2017, https://www.businessinsider.com/eric-schmidt-onartificial-intelligence-china-2017-11.
(5) Gregory Allen, Elsa B. Kania, “China Is Using America’s Own Plan to Dominate the Future of Artificial Intelligence”, Foreign Policy, September 8, 2017, https://foreignpolicy.com/2017/09/08/china-is-using-americas-own-plan-to-dominate-the-future-of-artificialintelligence/.
(6) Allison Linn, “Historic Achievement: Microsoft Researchers Reach Human Parity in Conversational Speech Recognition”, The AI Blog, Microsoft, October 18，2016, https://blogs.microsoft.com/ai/historic-achievement-microsoft-researchers-reach-human-parity-conversational-speech-recognition/.
(7) 《百度高层再震荡！首席科学家吴恩达宣布离职》，新浪科技，2017年3月22日，https://tech.sina.com.cn/i/2017-03-22/doc-ifycnpiu9435896.shtml。
(8) 《云栖大会｜阿里技术主席王坚：城市大脑是阿里和杭州献给城市发展的礼物》，搜狐科技，2017年10月13日，https://www.sohu.com/a/197854624_670688。
(9) 白宫报告：《为未来人工智能做好准备》，https://obamawhitehouse.archives.gov/sites/default/files/whitehouse_files/microsites/ostp/NSTC/preparing_for_the_future_of_ai.pdf, https://www.sohu.com/a/116178397_505814。
(10) Paul Mozur, John Markoff, “Is China Outsmarting America in A.I.?”, New York Times,May 27, 2017, https://www.nytimes.com/2017/05/27/technology/china-us-aiartificial-intelligence.html?_r=0.
(11) “Scale of Traffic Deaths and Injuries Constitutes ‘a Public Health Crisis’—Safe Roads Contribute to Sustainable Development”, World Health Organization, Western Pacific Region, press release, May 24, 2016, https://www.wpro.who.int/china/mediacentre/releases/2016/20160524/en/.