美国会丢失人工智能科技高地吗

晨枫

! o; M; T- h, Q) s( R9 b" C
2021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。
  N1 O- C# c- L8 A
7 a% J1 w" w6 z8 T: J3 i, _& i9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。
2 Y8 C; p$ U4 z' ?( R5 H4 ^+ m
3 c  q, a* x$ ~, v& V美国的担心是有道理的。

/ f8 T% b) ]$ ]- B5 I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。

# t6 K3 q0 s0 E0 Z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。

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。

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。
- \, o8 V8 B  {
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。

) S5 H1 \% |, a0 M; Y% |4 q3 B* A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。

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。
$ `7 R( i7 M' [
% e; ]! C- o! T9 D7 q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。
8 `4 |$ ~! M4 t1 G; h* g. t
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。

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。

. L2 S$ I% S% p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。

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。

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。

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。
$ T) u1 o* `2 k* r4 M
3 H  I: V8 u7 T% D) L7 z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。
; @- S7 u" K/ f( d1 C; H* s
; J) g4 t% e7 r$ N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。
' {# a! Y2 V# k) ^
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。

moletronic

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。

1 X$ w: }& k: d* H; i4 y( L$ K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。

晨枫

moletronic 发表于 2022-9-19 19:51
7 g% V, Y( W6 d6 |2 y$ g- q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 ...

5 Y' k' J' f( w8 N为什么说中国生物很难翻盘呢？

0 ^9 X: `7 |! t2 z5 P/ V, [( n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。

moletronic

晨枫 发表于 2022-9-19 18:59
0 b7 c# e( X* p& W/ ^, d为什么说中国生物很难翻盘呢？
6 O* R! I" X" \# d
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。 ...

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。

晨枫

moletronic 发表于 2022-9-19 21:07
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。 ...

1 f- z6 j# g8 H. [! l2 _/ J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。

huma

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。

晨枫

huma 发表于 2022-9-19 22:56
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 ...

然后再后悔又出来了

testjhy

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。
) g( f' o- h' P( f" p- B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。

晨枫

, I8 Y( H0 V8 ^. F

testjhy 发表于 2022-9-20 01:34
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 ...

1 ~, D( D. i# R$ [$ ~9 Q
2 z7 V7 J' D( r: Y' ~太对了！

# h* X# S) G/ G/ J" Y: Y- C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。
, e2 L5 x( p& P# p
2 C/ l1 H" }) _+ K. C. A2 e# A2 I  W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。

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。

$ v1 ~. A5 C6 n5 L: I8 f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 ~: U3 r, `3 p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。

老财迷

“罗尔斯-罗伊斯也在进步，但英国战斗机再也赶上过。”
# t! ^. W/ D/ [( A少了一个“没”字吧？意思不对了
罗尔斯-罗伊斯也在进步，但英国战斗机再也没赶上过。

方恨少

晨枫 发表于 2022-9-20 13:09
+ }6 _7 B4 `% x  V- u" l. U- D( m5 @然后再后悔又出来了

# V4 X" v8 C; W  s/ o- g5 o8 `2 z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

晨枫

方恨少 发表于 2022-9-20 12:31
2 {5 h1 G1 O+ j  w8 ?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 F' K# M9 F$ m2 ~开车？开什么车？