最近英伟达股价持续下跌，最低达到了101.8美元，虽然这两天有所回升。投资者发现一个非常严重的事实：ChatGPT、Sora、Gemini等人工智能应用项目变成了聊天、写诗、制作音乐和视频的工具。为此，高盛分析师严厉指出：美国的人工智能，没有真正带来生产力的提高、创造出实体财富，虽然AI的创意工作也是有价值的，但这些价值相对于万亿美元的AI研发投入和十几万亿美元的AI概念股市值，简直是杯水车薪。

中国一直将人工智能作为战略性产业之一。这个时候，我们需要思考，走AGI技术突破之路，踩着美国的脚印往前走，是不是AI产业唯一的选择。

认清比较优势，中国AI从应用破局

从阿尔法狗到现在， AI产业一直被技术创新驱动，美国如此，中国也如此。循着scaling Law，用更大的算力来训练更大的基础大模型，获得更强的智能涌现，然后在基础大模型的基础上开发各类技能模型。但是scaling Law的边际递减效应越来越大，走的越来越难，从全球角度看，中国AI产业应该怎么走？

国际贸易的理论基础是古典经济学家大卫·李嘉图的比较优势理论，不同国家生产不同产品存在着劳动生产率的差异，会出口其劳动成本相对较低的产品，进口劳动成本相对较高的产品，这就是全球贸易的动因。作为经济全球化的典型代表，IT产业历经多年洗礼已形成稳定的格局，世界各国基于各自的“比较优势”，在产业链中扮演不同的角色，美国擅长基础理论研究和原始技术创新，而中国的制造能力无出其右。值得关注的是，国际分工一旦形成，很容易导致路径依赖，从而不断拉大各国在某些细分领域的差距。

这条技术创新驱动应用发展的路子显然是美国主导形成的。美国站在产业链顶端的角色，掌握核心技术和标准体系，更容易借助“自上而下”的发展模式，谋求具有支配力的市场地位。在IT产业，美国在处理器、操作系统、中间件等关键领域始终把控着主动权，在当前的AI大潮中，美国最大化的发挥自己的比较优势，基于GPU、大模型的优势复制过往的成功。

中国的比较优势是制造，是应用。中国是一个人口大国、经济大国、制造业大国，有着全球最丰富、最前沿的应用需求。2016年，中国人工智能产业规模才刚刚突破100亿元，2022年已达5080亿元，增长了50倍。如果说美国引领了人工智能的技术突破，完成了从0到1的发展过程，那么中国完成了从1到100的加速赶超。普华永道估计，到2030年，中国的人工智能产业规模将达到7万亿美元，超过美国与欧洲之和。

应用驱动AI，发展系统是关健

以应用为导向，驱动技术创新，会发现AGI并非唯一的选择。有创业者分享了特别现实的客户场景：真正去跟 B 端客户谈，客户只需要语言理解、多轮对话和一定的推理能力，其他的 AGI能力一概不要，一些客户尝试AGI，发现“幻象”问题解决不了，直接从2.0版本回退到1.0版本。

出门问问创始人&CEO李志飞曾表示，To B 更多是要垂直和可靠，而通用大模型的优势在于智商，有很强的推理能力、逻辑能力，很丰富的知识，这不一定是 To B 目前阶段需要的。

但是传统企业的大模型应用，存在“不收敛”、项目化的问题。很多AI企业To B 端用户做大模型训练，由于数据是用户的，自己很难“闭环”——数据没有飞轮，很容易成为“高科技施工队”，形不成标准化的解决方案，效率低、毛利低。

解决这一问题，从技术上讲，就需要在应用开发的过程中，逐步把共性的算法抽取出来，标准化，形成应用发展的底座，也就是系统，IT产业早期的操作系统、中间件等产品，近期的AI框架等都是这么发展起来的。这些产品，连同硬件整机、BIOS等，统称为系统类技术。

系统是AI应用的技术底座，只有领先的成熟的系统才能让AI应用开发从项目化的状态走出来，所以，系统的创新和发展是AI应用发展的关健。

打造开放融合的系统产业

系统也是衔接芯片与应用的桥梁。在PC时代，Windows能够打败DOS、UNIX等各类OS成为PC的OS标准，就是因为Windows不仅大大降低了应用开发门槛，而且到了Intel的专门支持，形成了“比尔-格鲁夫”定律，让芯片创新与应用创新形成高效互动。当前，我国CPU、GPU、TPU、NPU等各种自研芯片不断涌现，大部分芯片都在发展各自的配套系统，相互兼容性不强，违背了开放开源的IT产业大趋势。

目前，开源开放的趋势比以往任何时候都明显，云计算、大数据、边缘计算等前沿领域，开源开放发挥着主要作用。目前2/3的大模型都选择了开源，90%以上的高端芯片厂商都支持OAM开放规范，开源开放没有降低技术门槛，却明显降低了自主创新的试错和适配成本，让更多的企业和开发者参与进来，激活产业竞争活力。所以，中国应该积极支持不同的技术派别打开大门，在竞争中，彼此融合，最终形成一个强有竞争力的系统产业。

以系统创新推进AI创新

无论应用驱动，还是技术驱动，AI创新都是在算法、算力和数据三要素共同作用下完成的。

算法是AI的核心，算力是算法创新的工具，算力不仅来源于芯片更来源系统。从2017年Transformer架构诞生至今，按照摩尔定律推算，芯片性能只提升8倍，但通过综合的系统创新手段，AI计算的性能提升超过1000倍。

强化学习之父 Richard Sutton 在《The Bitter Lesson》中指出：唯一推动过去七十年 AI 进步的力量，就是一个通用且可扩张的计算系统。

甚至于引领大模型创新的OpenAI，核心竞争力也不是算法理论能力，而是工程技术能力。调查机构Semianalysis专门出具报告，认为OpenAI拥有初期的工程能力，所搭建的GPT-4系统难以置信，这是OpenAI最大的护城河。OpenAI不愿意开源GPT-4并不是因为AGI对于人类的潜在威胁，而是工程的可复制性，Google、Meta，甚至腾讯、百度，都可以复制。

这是因为Scaling law”驱动下的大模型参数飙升与算力基础设施规模膨胀彼此刺激，智算系统越来越大，从而带来的技术挑战持续加大，为系统层面的创新提供了光阔的空间。

Semianalysis报告截图

互联网成功可复制

以应用为导向，系统创新，并不是新鲜经验，在中国互联网经济的发展中已经得到印证。1994年，中国才正式接入Internet，而1996年，美国雅虎就正式上市。TCP/IP协议、万维网等技术创新都发源美国，但是中国在门户、视频、电商、社交、短视频等每一个应用时代都没有落后，互联网经济领先于全球，仅弱于美国。

庞大的应用空间，中国政府对于技术创新的极大支持，社会文化对于创新的高度容忍，都是欧洲、日本，甚至于美国不具备的。这些优势在今天不仅没有弱化，反而在不断地强化，只要中国冷静思考，再次从应用破局，在AI时代，还将继续复制互联网时代的成功。