爱吱声

标题: 美国会丢失人工智能科技高地吗 [打印本页]
作者: 晨枫    时间: 2022-9-20 09:08
标题: 美国会丢失人工智能科技高地吗
本帖最后由 晨枫 于 2022-9-20 09:40 编辑
8 y, r! A9 _' N
7 |9 o! J5 T, ]/ s7 r) Y: p, @6 F$ A2021年5月，美国国会指派、有谷歌前CEO埃里克·施密特和美国前国防部副部长罗伯特·沃克领导的人工智能事务国家安全专门委员会发表了长篇报告，指出美国在硬件、算法、人才方面领先，中国在应用、整合、数据方面领先。报告认为，美国的算法领先在5-10年内会被中国赶上，但美国在总体上还略微领先。  s% y9 \# P! s; f( N* H1 m( n

- E+ ~+ _' l" n6 k! H0 ]6 @9月12日，委员会发表了竞争力研究特别报告，再次强调美国的人工智能优势正在迅速消失。6 u/ x, O7 i( D( w$ L

& G# N. P; s/ b美国的担心是有道理的。1 a/ i) q3 W& I: F  a! N  ?% C" ~0 ^
; E& B$ K) f- J; n
人工智能还是野蛮生长的领域。各种应用搞得热火朝天，但缺乏统一、严格的理论框架，理论严重落后于实践。最大的问题是难以分析、预测、设计系统的性能，使得人工智能的决策难以理解，难以信任。“阿尔法狗1.0”和2.0在与人类棋手大战的时候，都走出一些匪夷所思的步子。事后分析好像是好棋，又说不出好在哪里，更是想不出什么思路能走出这样的步子。这只是下棋，看不懂棋路不是大问题。要是人工智能用于国家核导弹自动发射控制，也给你来几步人类看不懂的反应，那问题就大了。
- r! ]/ u- w7 G0 ?- x* }  y# ]$ T4 a% z4 M+ d& E
在缺乏理论指导的情况下，算法成为各家的“手工艺”。手工艺不可怕，可以在大量实践中精益求精，很多工业技术（包括尖端科技）都有这样只可意会不可言传的手工艺成份，事实上成为技术壁垒的重要部份。
0 M# J# \* u, E6 }- z; s: {# ^- V1 t3 n
问题是，人工智能的最大量实践是在中国，不是在美国。在美国和西方眼里，中国的人工智能就是用于大数据人群监控的，这是意识形态偏见。中国的人工智能应用正在野蛮生长中，头条、抖音的推送就是人工智能，这只是冰山一角。形成商业利益后，人工智能不再是纯学术或者纯政府行为，具有强劲的自我增殖能力，不仅引发更多的应用，也推动算法的发展。
# o% N, K% D' O) V1 [# V2 w) l& g4 k9 {" H1 j$ D! E
在美国，人工智能应用依然主要由军方拉动，商业人工智能缺乏自我发展的动力。美国试图把私营资本拉入人工智能竞赛，但风险较大、没有明确的盈利前景，私人资本没有理由加入。华尔街能承受风险，但风险大，回报还慢，这就没有干劲了。这是美国各种“公私合作”设想的共同问题。
8 M, R% [6 G. m; }6 h2 x! `3 \; c  P: i9 Z3 f+ W* E4 H
片面依靠军方拉动正是苏联科技发展的问题根源，大力依靠民用需求拉动则是美国的成功经验。有意思的是，美国在走苏联的路，而中国在走美国的路。
4 l2 Z5 @2 K: w6 t& N
' y9 W1 e# N) D所以施密特-沃克报告清楚地看到，中国将迅速赶上美国的算法优势，如果不是在理论框架上首先突破的话。
( J% N7 H; S) ~1 R+ a, Q2 [: U) k' x" I& m  c" h
理论突破需要人才，但美国人工智能人才是否领先中国，是一个一言难尽的问题。如果把具有中国血统和教育的人统统排除，美国人工智能人才圈大概立刻坍塌一半。同时，中国人工智能在大量实践中，中国人工智能教育、科研、人才形成良性互动，中国人工智能人才赶上美国不是梦。
4 j! [, L) Y- h- o1 A  t( @# x0 V* p6 D/ l7 U
有意思的是硬件。中国还在先进芯片困境中，美国对英伟达和AMD高端芯片对中国禁运，就是冲着人工智能来的。但这些芯片在本质上是图形处理芯片，并行处理能力恰好与人工智能运算的要求符合，但本身未必是为人工智能优化的。
7 C6 V. C# ~  s4 U
8 J; h2 Q: W4 B, _中国芯片在闯关中，一方面是7nm、2nm等更高集成度的硬技术，另一方面是在专用芯片方面实现架构突破。中国超算就是通过精巧的架构设计，在较低的硬件技术水平上实现世界领先。尤其重要的是，这样的架构突破需要在实践中得到思路，在实践中检验成效。
* B8 E! B/ L' L/ A0 A
, q7 S+ M3 R8 e7 P* B# E8 `' @在现在，中国还在大量采用来自美国的算法成果，硬件上也对美国有依赖，但历史上有过先例：要是在总体实践上掉队，核心技术的领先并不保证持续领先。: `% D+ F* h+ d; |9 ~
# g0 c4 O. j: u2 u) |
在40年代，英国与德国同时发明喷气式发动机，德国抢先一步，首先将Me262投入使用，但英国紧随其后，只是因为战争大局已定，就不急于将格洛斯特“流星”战斗机投入实战了。但罗尔斯-罗伊斯的“尼恩”涡喷在40年代末代表最先进技术，苏联引进后，用于米格-15，从此苏联航空科技一骑绝尘。
$ p' s4 b# }- ?) d9 p( j
( c( o" c( p1 Z' |发动机是航空科技的核心。苏联战斗机借用英国技术起飞后，在大量实践中迅速将“尼恩”改进为克里莫夫VK-1，以后克里莫夫和留里卡一起，成为苏联战斗机发动机的哼哈二将，罗尔斯-罗伊斯也在进步，但英国战斗机再也没有赶上过。
: A& E& j9 `" q
& x/ Q% j/ _% S! w另外，人工智能现在一根筋搞大数据学习，是存在“数据困境”的，尤其是工业应用。要使得人工智能有效、准确，需要大量历史数据；但产品一直在转换，大同小异但毕竟不一样。等训练出来了，也该转产了。绕了一大圈又回来了当然很好，但这是可遇而不可求的。单纯靠学习，可能跟不上变化的现实。这是大问题。
# E9 M: \7 B! Q3 S4 i  q+ T+ Y
* N/ J- P" {8 M0 z但变化与变化不一样。大部分变化是变表不变本的，本的变化缓慢得多。这也是人类思维善于适应变化的环境的道理。在思维方式上，有演绎和推理两个方面。一味依靠归纳是经验主义，无视了变化的环境。归纳最终是为下一步演绎提供基础，从现有边界拓展一步才是归纳的目的。, \* e$ N- u; ?: C1 A5 J( S  T

! D9 h" F* U. {4 M, ~人工智能需要在框架上形成演绎能力才好。这是巨大的挑战，但很可能不是从纯理论的空想中产生，而是从大量实践的摸索中完善。+ H; o( F( i6 K" Z7 w0 c

& r! C) h  z: i% j如果说芯片、软件是当今科技高地的话，人工智能是未来科技高地。美国很担心中国会抢占这个高地，担心就对了。
, t% q3 T8 }+ h) R, O2 W8 S' T4 k  Q' R
报告还提到，中国在5G、商用无人机、高超音速、锂电池方面领先，美国在生物科技、量子计算、商用航天和云计算方面领先，但这些领先随时可能被中国翻盘。2025、2030年是关键节点。
' \2 K6 V/ U- W! }: z5 h# t. ?* ^" P2 |. k% _, j
作者: moletronic    时间: 2022-9-20 09:51
美国在生物科技、量子计算、商用航天和云计算方面勉强领先，但这些领先随时可能被中国翻盘。2025、2030年是关键节点。

3 P; j# e+ ]0 l1 ]% Y这里面，生物感觉短期内很难翻盘啊；商用航天也很难，关键国内好像就没啥市场。米国的商业航天其实也就starlink，还是生造出来的。
作者: 晨枫    时间: 2022-9-20 10:59
moletronic 发表于 2022-9-19 19:51
( X5 D; N0 {- y7 w7 |这里面，生物感觉短期内很难翻盘啊；商用航天也很难，关键国内好像就没啥市场。米国的商业航天其实也就sta ...
& Z/ C2 A. A9 D  u
为什么说中国生物很难翻盘呢？  a) g% `& @+ g: F7 B  o8 V0 k

0 Q  ^( i' D* ]% V4 v商用航天不止Starlink，图像卫星也很热门，中国在这方面发展不错。
作者: moletronic    时间: 2022-9-20 11:07
晨枫 发表于 2022-9-19 18:59
! k! [, C7 j% U为什么说中国生物很难翻盘呢？
' ]8 o5 s; i% H" y- K7 S
9 ~% d# M3 U2 |% A/ o1 d/ o& s) {1 Q商用航天不止Starlink，图像卫星也很热门，中国在这方面发展不错。 ...

1 l& B3 k- |+ p俺在米国认识的老中千老回国的不少，给俺的反馈不咋的，当然俺不是那一行的，只能听他们的。
作者: 晨枫    时间: 2022-9-20 11:18
moletronic 发表于 2022-9-19 21:07
: U+ H  n" a4 k) l) a' X5 w俺在米国认识的老中千老回国的不少，给俺的反馈不咋的，当然俺不是那一行的，只能听他们的。 ...

8 N, z+ O+ V2 H2 i8 |这事要一分为二地看。回国多，说明国内机会多，上升空间大；另一方面，要是国内已经很强了，反馈就该说国内已经很卷了，回去的人反而也多不起来了。
作者: huma    时间: 2022-9-20 12:56
还是人才，美国还是吸引中国大批的人才，清北留美预备校还是大批的出走，尤其是这次疫情很多我认识的人都已经后悔回去了，准备在出来。
作者: 晨枫    时间: 2022-9-20 13:09
huma 发表于 2022-9-19 22:560 ~0 v6 p" v5 A' l  j
还是人才，美国还是吸引中国大批的人才，清北留美预备校还是大批的出走，尤其是这次疫情很多我认识的人都已 ...

/ G! S% o; F( o# A1 @! ~- X$ u) [$ A然后再后悔又出来了
作者: testjhy    时间: 2022-9-20 15:34
一直在思考人工智能与工业生产的结合，深度学习在工业生产中最大的难关是最初样本获取，目前工业生产很多是多品种，小批量。当你收集到足够的样本的时候，流水线说不定已经转产下一品种了，图形、花色都可能重大变化，当然，你可以慢慢累积成样本库，但企业特别是中小企业是不会有兴趣陪你长时间玩的。我们在考虑根据少量样本，采用瑕疵产生原理生成一批伪样本，目前对质量要求不太高的产品可能有效，但对高质量产品还感觉不太成功，前者比喻开始瑕疵检出率80%，然后几天内提升到90-95%，后者如果一上来就要求95%，大概率要失败。& s9 E/ X, f; {, l
其实，最好是传统计算机视觉方法与深度学习相结合，前面偏原理分析，但非常繁杂，现在年轻一代都想省事，找一批样品扔进学习平台完事。我这个老古板属于看人挑担不吃力型，没办法。
作者: 晨枫    时间: 2022-9-20 22:17
本帖最后由 晨枫 于 2022-9-20 08:21 编辑
+ X5 v2 n5 e, N8 I0 w% x4 ]5 g* K
testjhy 发表于 2022-9-20 01:34& W: W2 `1 f( m. i# @
一直在思考人工智能与工业生产的结合，深度学习在工业生产中最大的难关是最初样本获取，目前工业生产很多是 ...
/ b% p' E* Q" f1 W5 w$ Z

; _( G+ v' E( }2 E9 C2 B太对了！
" x: K$ t# O# C$ v* `1 s3 ?" j# r/ X  ]$ ~2 O4 r4 M( d1 b
人工智能现在一根筋搞大数据学习，正是数据问题。用自控术语来说，这是对有历史积累的时不变系统有效，时变系统就抓瞎了。  g. m5 |5 O! `# u* J

5 F" f" z9 |8 [1 y8 H& y/ U在思维方式上，有演绎和推理两个方面。一味依靠归纳是经验主义，不看变化的条件。归纳最终是为下一步演绎提供基础，从现有边界拓展一步才是归纳的目的。
' B* d1 k  B1 L  C
, N# Y" e9 d0 x  j) Q1 I人工智能还需要在框架上形成演绎能力才好。怎么做到？嘿嘿，我要是知道，还在这里瞎耽误功夫嘛。( S5 G/ o- P, x, r: m  \5 {% T/ Z
9 f% ?/ ]8 f" l6 Y+ S! N
在自控和建模中，也曾经流行过纯数据驱动的黑箱模型。后来发现不行，robustness太差。后来转灰箱了，在具有机理背景的模型结构上，加一个黑箱尾巴，用机理模型解释大部分数据，黑箱尾巴只管“扫尾”，情况就好得多。不过实施也难得多，可以丢给“数据绞肉机”就不管的好处没了一大半。0 N5 z; R& u- L0 @& G2 Z+ I; p

6 V+ Q9 V, ^2 q" ?. P& x这就回到我一直在想的“复杂性守恒定理”。复杂问题如果存在简单的解决办法，一定是把复杂性隐藏到另一个方向了，最终还是绕不过去的。
作者: 老财迷    时间: 2022-9-20 22:44
“罗尔斯-罗伊斯也在进步，但英国战斗机再也赶上过。”
& n' a1 }6 l, i, `! y9 I9 a6 |9 C少了一个“没”字吧？意思不对了+ I3 d9 X% S2 }1 m( ~
罗尔斯-罗伊斯也在进步，但英国战斗机再也没赶上过。
作者: 方恨少    时间: 2022-9-21 02:31
晨枫 发表于 2022-9-20 13:09
2 k& ]/ K  k- g% A4 ^# M" b- Q0 C3 F然后再后悔又出来了
2 P8 {8 \) ^8 {" M+ s2 A6 s
你们这来来回回出来进去的，我怀疑你们在开车，但是我没有证据
作者: 晨枫    时间: 2022-9-21 02:47
方恨少 发表于 2022-9-20 12:31
( z0 Z+ o: ~" G0 g" K2 \% T你们这来来回回出来进去的，我怀疑你们在开车，但是我没有证据

6 {) K" h; w% ]- j9 i开车？开什么车？



欢迎光临 爱吱声 (http://129.226.69.186/bbs/) Powered by Discuz! X3.2