技術(shù)擴散能力在國家技術(shù)力量中非常重要，特別是在AI的背景下。有研究顯示，與美國分散且更利于擴散的生態(tài)系統(tǒng)相比，中國的擴散能力遠遠落后于創(chuàng)新能力——比后者排名低近30位。目前，中國正在計劃提高擴散能力，重要方式是對AI教育進行大規(guī)模投資，以培養(yǎng)中端、以工業(yè)為重點的AI勞動力。

美國最近在大型語言模型（LLM）和擴散模型方面取得了源源不斷的突破。這些成功推動了美國風險投資對專注于科技和服務(wù)行業(yè)的生成式AI初創(chuàng)公司的激增，如HarveyAI、Jasper和Runway。美國的這種樂觀情緒與中國相對較慢的AI創(chuàng)業(yè)公司形成了鮮明對比。例如，有分析稱備受關(guān)注的阿里巴巴支持的初創(chuàng)公司零一萬物(01.AI)的語言模型在很大程度上是基于Meta的開源LLaMA基金會模型。

然而，中國在生成式AI領(lǐng)域的遲緩，可以解釋為政府將工業(yè)應用置于服務(wù)業(yè)和傳統(tǒng)知識工作應用之上的戰(zhàn)略優(yōu)先地位。特別是，政府希望通過工業(yè)部門的AI投資來對抗工業(yè)生產(chǎn)力增長的下降，以期擺脫中等收入陷阱。

為此，政府已要求教育部在國內(nèi)的工業(yè)部門推廣尖端的機器學習技術(shù)。因此，中國各大學開設(shè)了2300多個AI本科生項目，其中大多數(shù)是專注于工業(yè)應用的應用AI項目。教育部的AI高等教育包括兩個目標：旨在降低傳統(tǒng)工業(yè)企業(yè)采用AI的障礙；龐大的中端AI勞動力將如何在經(jīng)濟中擴散AI。

AI在工業(yè)企業(yè)中的商業(yè)模式

教育部對應用AI高等教育項目的空前投資在于政府認識到大多數(shù)專注于工業(yè)的AI公司面臨的一個根本問題：構(gòu)建特定行業(yè)的AI解決方案需要耗費大量時間和資金，通常無法通過橫向商業(yè)模式實現(xiàn)。這個問題很普遍，因為除了回收等利基行業(yè)（AMP Robotics等成功的西方初創(chuàng)公司已經(jīng)出現(xiàn)）之外，大多數(shù)工業(yè)部門都有特定于公司的數(shù)據(jù)基礎(chǔ)設(shè)施。制造公司通常在稱為制造執(zhí)行系統(tǒng)（MES）和監(jiān)控與數(shù)據(jù)采集（SCADA）的軟件系統(tǒng)上運行。這些系統(tǒng)往往結(jié)合了內(nèi)部工具和SAP或西門子等傳統(tǒng)供應商構(gòu)建的軟件服務(wù)的混亂組合。

因此，為了構(gòu)建一個可以實際部署的AI模型，這些不同的系統(tǒng)必須首先通過跨系統(tǒng)的數(shù)據(jù)通道進行統(tǒng)一。這項工作的大部分都是定制的，涉及在傳統(tǒng)的、斷開連接的系統(tǒng)之間構(gòu)建強大的數(shù)據(jù)通道的繁瑣過程，這些系統(tǒng)通常來自具有不同數(shù)據(jù)模式的不同提供商。只有完成了這項艱巨的工作，計算機視覺模型才能開始訓練和部署。即使在這些復雜的數(shù)據(jù)通道建成后，對AI系統(tǒng)進行工業(yè)流程培訓也會帶來自身的挑戰(zhàn)：

鑒于工業(yè)企業(yè)使用的產(chǎn)品和流程眾多，每個模型都必須在公司或產(chǎn)品線的特定系統(tǒng)上進行培訓。換言之，大規(guī)模、全行業(yè)的多樣性限制了工業(yè)AI解決方案的可擴展性。

此外，每當一家公司改變流程或轉(zhuǎn)向新產(chǎn)品時，該公司不僅必須建立新的制造流程，還必須重新培訓其計算機視覺模型——如果這是一個沒有大量現(xiàn)有培訓數(shù)據(jù)的新產(chǎn)品或流程，這通常是一項艱巨的任務(wù)。因此，如果沒有一個穩(wěn)健的數(shù)據(jù)集來調(diào)整新過程的機器學習算法，制造商往往被迫手動測試和生成體能訓練數(shù)據(jù)，直到模型變得足夠可靠。

在工業(yè)AI領(lǐng)域，由于需要不斷更新、客戶規(guī)模有限以及高昂的前期成本，軟件即服務(wù)（SaaS）公司利潤豐厚的經(jīng)濟效益不再適用。李開復的AI產(chǎn)業(yè)初創(chuàng)公司創(chuàng)新奇智(AInnovation)，為中鋼國際和建筑巨頭中鐵四號等工業(yè)企業(yè)開發(fā)AI系統(tǒng)。隨著創(chuàng)新奇智擴大其客戶群，它被迫增加軟件支出，部署更多專有的低利潤硬件，導致毛利率從2018年的62.9%暴跌至2020年的29.1%。

由于工業(yè)部門的AI不能通過一刀切的橫向解決方案來采用，該行業(yè)需要一大批新的中級AI人才——比一般的數(shù)據(jù)分析師更熟練，但比ML工程師和研究人員成本更低。中國的AI教育戰(zhàn)略旨在填補這一應用AI人才的利基市場，以便每家工業(yè)公司都可以聘請內(nèi)部團隊來構(gòu)建自己的機器學習基礎(chǔ)設(shè)施。

這項投資的成果已經(jīng)開始顯現(xiàn)。例如，CATL等公司正在電池制造質(zhì)量控制過程中大規(guī)模部署計算機視覺。當然，考慮到電池的同質(zhì)化和商品化性質(zhì)，政府戰(zhàn)略能否將其AI努力擴大到這一相對較低的成果之外，還有待觀察。

AI的教育擴散

除了促進現(xiàn)有AI技術(shù)與工業(yè)部門的融合外，AI高等教育政策還尋求建立所需的受過中等教育的勞動力隊伍，以將新興的AI突破傳播到全國其他地區(qū)。隨著許多新的應用AI項目位于農(nóng)村和工業(yè)地區(qū)，新一波AI項目旨在將AI的好處傳播到全國各地，而不是將其限制在北京和深圳等以服務(wù)為重點的沿海科技中心。

同時，通過關(guān)注這一中級AI人才，中國將以成本效益培訓那些愿意建設(shè)其工業(yè)企業(yè)所需數(shù)據(jù)基礎(chǔ)設(shè)施的工人，同時也了解前沿的相關(guān)突破。這一點可以通過創(chuàng)建應用AI程序來實現(xiàn)，這些程序省略了復雜的AI概念的教學，而是專注于數(shù)據(jù)模型和最基本的機器學習概念——事實證明，這種方法具有很強的可擴展性。

這種方法不同于美國大學的AI教育。美國本科生AI課程很少讓學生參與并學習構(gòu)建數(shù)據(jù)通道和清理數(shù)據(jù)集的混亂但關(guān)鍵的技能，而是專注于深度學習和transformer等更具理論性的主題。教授這些主題可能會帶來更前沿的研究突破，但在培養(yǎng)一支能夠?qū)⑦@些突破擴散到整個經(jīng)濟中的傳統(tǒng)行業(yè)的勞動力方面并不那么有效。

相比之下，長春吉林大學的一名畢業(yè)生——教育部在那里啟動了一個新的應用AI項目——將精通為建筑和制造公司構(gòu)建有效的數(shù)據(jù)通道，同時也熟悉卷積神經(jīng)網(wǎng)絡(luò)（CNN）等基本的機器學習概念。由于這些學生主要學習如何構(gòu)建AI系統(tǒng)的基礎(chǔ)設(shè)施，大學并不依賴罕見的頂級AI教授，這使得應用AI項目更容易擴大規(guī)模。

中國有大量具備ML基礎(chǔ)知識的畢業(yè)生，不一定需要在AI突破方面領(lǐng)先。隨著清華等大學或者像OpenAI這樣的西方實驗室涌現(xiàn)出新技術(shù)，國內(nèi)訓練有素的勞動力可以在整個經(jīng)濟中快速學習和利用這些新興技術(shù)。例如，盡管工作人員可能主要花時間構(gòu)建數(shù)據(jù)整理流程和通道，但他們?nèi)匀粫L技術(shù)感到足夠舒適，從而學習如何使用CLIP或其他圖像處理突破，即使他們最初只熟悉CNN等基本技術(shù)。這種領(lǐng)域?qū)I(yè)化、AI快速追隨者的隊伍在ML領(lǐng)域尤其有效，在ML領(lǐng)域，知識可以通過開源論文輕松獲取。

需要指出的是，對AI工業(yè)應用的關(guān)注與國家的發(fā)展愿景一致，即中國要實現(xiàn)類似德國的高端制造業(yè)模式，而不是更以服務(wù)業(yè)為導向的美國經(jīng)濟模式。事實上，今年兩會提出的最新AI提案——包括備受關(guān)注的AI+倡議——就是旨在將“AI技術(shù)的進步轉(zhuǎn)化為實體經(jīng)濟中的有形生產(chǎn)力”。