新技术的诞生往往导致政治和经济大规模的变化 。 电力、蒸汽机和铁路诞生时皆是如此 。
人工智能可能是 21 世纪最具颠覆性的技术 ， 因为它不仅仅限于拖运负载（类如电力、蒸汽机和铁路） ， 它更是一种通用技术 。 由于人工智能技术是纯数字化的 ， 因此它的分配成本几乎为零 。 尽管如此 ， 它在世界范围内的分配却极不平衡 。 鉴于此 ， 我们需要考虑人工智能更深层的地缘政治因素 。
地缘政治学是一种研究地球地理学对政治和国际关系的影响的学科 。 它通常依据上下文语境对一些问题作出宏观层面的决策 。 它的研究往往是以国家和地区为单位的 ， 但对于 AI 而言 ， 把公司当做研究个体 ， 比把国家当做研究个体更为准确 。 毕竟在 AI 中 ， 我们更关心的是人才和数据 ， 两者都是可移动、可延展的（与山区和河流等地理因素相比） ， 但仍具有一定的地理特征（比如德国的数据适用于德国 ， 到了其他国家并不适用） 。
李开复在《人工智能超级大国》（AI superpowers）一书中提到 ， 他认为世界上有七个人工智能巨头 ， 它们的能力甚至与国家力量相当 ， 分别是谷歌、Facebook、亚马逊、微软、阿里巴巴、腾讯和百度 。
而除这七个公司之外的人工智能公司 ， AI 能力远远落后于它们 。 甚至其他所有公司能力加起来都不如七巨头之一 。 如果把七个 AI 巨头称为 AI 富有者（AI-rich） ， 那么其他公司就是 AI 贫乏者（AI-poor） 。
当下 ， AI 富有者和 AI 贫乏者的差距正在急速扩大 ， 因为 AI 技术的 PK 几乎是一个赢家通吃的比赛 。
以自动驾驶汽车为例 ， 如果某家公司破解了自动驾驶汽车的关键问题 ， 它就能一举拿下整个市场 。 对于 AI 贫乏者而言 ， “克隆” AI 富有者的技术是没有意义的 ， 甚至在任何 AI 领域排名第二都没有意义 。 假设 “第一名” 的自动驾驶汽车跑完了 99.9％的里程 ， 而 “第二名” 只跑了 95％ ， 那 “第二名” 就无人问津 。 毕竟很多 AI 技术事关人类日常生活 ， 市场必定更加依赖 AI 富有者的更为稳健的技术 。 在本文中 ， 我们将探讨这种技术依赖性带来的的后果 。
一种技术 ， 两种处境
首先 ， 是什么让这些 AI 富有者公司如此与众不同呢？
关键在于七个 AI 巨头拥有庞大的人才、数据和基础设施 ， 且它们都是平台型公司 。
平台业务模型是 21 世纪最成功的业务模型 。 它是一种通过促进两个或多个相互依存的群体（通常是消费者和生产者）之间的交流来创造价值的业务模型 。 为了进行这些交换 ， 平台利用并创建了可扩展的、可按需访问的大型用户 / 资源网络 。 平台通过网络效应创建社区和市场 ， 使用户能够进行交互和交易 。
平台公司的利润和增长远高于其他任何公司 。 例如 ， 2016 年谷歌搜索称 ， 其年增长率为 21％ ， 利润为 20％ 。 这些数据对于同为平台型公司的 Microsoft 来说也不陌生 ， 但对于大多数非平台公司 ， 尤其是传统企业来说 ， 这种增长完全超出了它们的范围 。 同时 ， 平台也很难被取代 ， 它们的网络效应使得业务模式非常稳健 。
在这个新的时代 ，AI 又以几乎 0 摊销成本（distribution cost）的方式融入了各大巨头的平台 。 七大巨头再利用其 AI 和数据优势进军各个行业：健康、人力资源、金融、零售、银行 。
退一步讲 ， 即便在利用 AI 技术之前 ， 这七个巨头与各个垂直领域的头部企业相比 ， 也是完全不同的 。 这些传统公司通常是 “线性发展模式” ， 而非平台模式 ， 更何况它们在数字化规模上还没有走远 。 相比于 20 世纪使它们获得成功的商业模式 ， 它们至今并没有什么改变 ， 因此 ， 这些传统公司也很难自发地利用 AI 。
但是 ， AI 真的那么有价值吗？
为了回答这个问题 ， 本文以英国 AI 公司 DeepMind 为例 ， 该公司于 2014 年被谷歌收购 。 DeepMind 的算法为谷歌的数据中心大大节省了电力花费 ， 仅第一年的回报就足以偿还谷歌对它的收购价 。 在那以后 ， DeepMind 解决了一些公认的最不可能解决的问题 ， 包括在围棋比赛中击败人类冠军 ， 因而成为新闻焦点 。
DeepMind 的最近一项突破是帮助发现蛋白质的 3D 结构 。 人类已经鉴定出超过 2 亿种蛋白质 ， 但是只有其中一部分结构是已知的 。 传统情况下 ， 这项工作需要通过细致的实验发现 ， 可能需要花费数年的时间 。 而 DeepMind 的算法 Alphafold 发现的蛋白质结构 ， 将近三分之二与实验室研究结果一致 。 这是生物学的重大挑战之一 ， 蛋白质定义并提供了所有生命功能 ， 因此 Alphafold 的研究意义重大 。 它可以很大程度地加快了解细胞组成的工作 ， 并使得与此相关的药物发现更加迅速、更加先进 。
德国图宾根马克斯?普朗克发展生物学研究所所长安德烈?卢帕斯（Andrei Lupas）称 ， 他已经使用该程序发现了一个科学家探索了十多年的蛋白质结构 。
DeepMind 的成就是难以复制的 。 “AI 贫乏” 的公司和国家别无选择 ， 只能从别处购买人工智能 。
由于巨头们几乎掌握了所有人工智能资源 ， 因此 “AI 贫乏者” 很难依靠自己白手起家 ， 创建最先进的 AI 。 它们没有人才、数据或基础架构 ， 除了引进 AI 技术 ， 别无选择 。
七大巨头把销售 AI 服务作为战略决策之一 。 李开复称：“如果把 AI 比作新的电力 ， 那么这些人工智能公司就是公用事业公司 。 ” 它们正在安装 “电网” 向其他公司服务 。 我们继续以谷歌为例 ， 说明巨头们如何实施该策略 。
谷歌拥有 Tensor 处理单元（TPU） ， 这项技术使该公司的 AI 计算成本大大低于上一代（GPU） 。 任何 “AI 贫乏者” 通过谷歌云服务购买 AI 服务 ， 都会使谷歌获利 。 因此 ， AI 服务对于谷歌来说 ， 是一个可扩展的业务 。 所以 ， 谷歌所需要做的 ， 是让 AI 服务对于客户来说更加便于使用 。 即使 “AI 贫乏者” 人才或基础设施资源有限 ， 也可以通过谷歌使用 AI 或云服务 ， 这即是谷歌的目标 。
大多数 “AI 贫乏” 国家的政治领导人都知道 ， 过分依赖技术是有风险的 ， 所以他们尽力将风险最小化 。 这就是加拿大政府扶植 Element.AI 入场的原因 。
加拿大和 Element AI 的处境
加拿大是全球深度学习研究人员比例最多的国家之一 ， 并且拥有一些顶级的实验室 。
加拿大政府把数量庞大的研究人员资源池视为一个契机 ， 并为公司提供赞助 ， 更改了签证政策 ， 以确保加拿大会成为一个 “AI 富有” 的国家 ， 将来可以向 “AI 贫乏” 国家提供 AI 服务 。 另外 ， 这些措施还可以阻止人才向美国外流 。
加拿大本身也与 “七大巨头” 有着良好的关系 。 除了美国（亚马逊、Facebook、谷歌、微软）以外 ， 七巨头的其他成员在 AI 方面都存在一些技能缺陷 。 巨头们会很乐意购买加拿大的 AI 公司或技术 ， 但加拿大却不能从巨头手中买到这些 ， 因为巨头们不会给加拿大公司崛起的机会 。 这源于一个地缘政治因素 ， 一旦加拿大发展迅速 ， 就有可能会成为两个 AI 大巨头（美国和中国）的竞争对手 。 因此 ， 大多数其他国家的 AI 公司收入会逐渐下降 ， 最终沦入被动境地 。
加拿大 AI 策略的先锋实践者是 Element AI 。 Element AI 拥有约 500 名世界一流水平的深度学习员工 ， 可以与 DeepMind 相媲美 。 人工智能领域的教父级人物之一 Joshua Bengio 是 Element AI 的联合创始人 。
文章插图
Element AI 在 4 年内得到的投资超过 3 亿美元 ， 成为加拿大 AI 领域的代表 。
可惜的是 ， 尽管 Element AI 成立的初衷之一是避免人才外流美国 ， 但最近却还是被加利福尼亚的 ServiceNow 公司收购了 。 它是 ServiceNow 在 2020 年收购的第四家 AI 企业 ， 前三者是 Loom Systems、Passage AI 和 Sweagle 。
在加拿大政府的全力支持下 ， Element AI 也没能找到一种行之有效的商业模式 ， 最终在迈向成功的道路上中道崩阻 。 原本加拿大可以凭借它崛起 ， 以匹配美国和中国的 AI 先进水平 ， 并为 “AI 贫乏” 的国家提供服务 ， 但它失败了 。 这是一个历史性的时刻 ， 它的失败标志着一个时代的终结 。
对 “AI 贫乏者” 的影响：弱者 ， 现在更弱
一个 “AI 贫乏” 的国家原本有两个公司可以借鉴：DeepMind 和 ElementAI 。 Deepmind 去了谷歌 ， 进一步扩大了谷歌在 AI 和数据方面本来已经很巨大的优势 。 想必英国一定对他们的决定感到遗憾 。
而 ElementAI 在创造出重大价值之前就被一家美国公司收购了 。 或许 ， 它们本可以是一条巨大的鲸鱼 ， 在未来十年继续 “哺喂” 一个 “AI 贫乏” 的国家 。
七大巨头都借助两个超级大国的力量越来越强大 。 一家 AI 公司想在美国和中国以外的地方形成如此强大的能力几乎是不可能了 。 “AI 贫乏” 的国家错过了建立据点的最后机会 。 与传统行业（例如制造业）相比 ， 人工智能的价值越来越大 ， AI-poor 和 AI-rich 的差距也将越来越大 。
未来的两种可能
我看到两种可能的情况 。
悲观的情况如下：
1、即使获得许多开源库和模型 ， “AI 贫乏者” 也无法凭借自己的能力创造 AI 的价值 。 它们对七巨头的依赖性将持续上升 。
2、每个 “AI 贫乏” 的国家都成为 “AI 富裕” 国家的技术殖民地 。 且目前看来 ， 还没有任何可摆脱殖民的办法（在 DeepMind 和 ElementAI 退出市场之后 ， 其他本地公司不再有能力巩固其 AI 或数据优势） 。
3、“20 世纪经济模式”（制造业）的市场价值持续下降 ， 利润微薄 。 工业国家的购买力与 AI 强国相比 ， 差距将越来越大 。
4、AI 民族主义和网络新殖民主义解释了 21 世纪的许多地缘政治交易 。 一个国家的政治调整 ， 甚至取决于它和哪国的 AI 巨头建立了联系 。
5、人才和数据集中在美国和中国的一些公司 。
6、在 AI 强国 ， AI 公司将入局垂直领域（例如苹果健康） ， 而现有企业将一筹莫展 。 比如 ， DeepMind 的 Alphafold 以及类似的发现取代了制药和生物技术公司 。 从现在开始 ， 所有重大发现都将由七个 AI 巨头一手掌握 。
乐观的情况如下：
1、七家 AI 巨头创建开源库并公开论文 ， 同时向 “AI 贫乏” 的国家提供数据 。 这样的话 ， 即使缺乏世界一流的 AI 人才 ， “AI 贫乏” 的国家也有足够的 “工匠” 可以从中受益 ， 而无需从巨头那里购买 AI 。 这项工作很依赖于开源库建设：如果 AI 巨头停止共享开放源代码、论文和预训练模型 ， 那么 “AI 贫乏” 的国家又将回到不稳定的境地 。
2、人工智能的价值从发明转向部署 。 当 AI 领域最巨大最困难的难题被 AI 巨头解决（发明）之后 ， 世界上其他国家的能工巧匠（技术人员）便开始实施这些 AI 技术建设 。 历史上的大规模电气化就是这一过程的例证 。 在托马斯?爱迪生发明电力之后 ， 该领域迅速从发明转向了实施 。 各地成千上万的工程师开始利用电力 ， 用它为新设备供电 ， 最终重组了工业流程 。
3、这群工匠大军很适合欧洲的 “增值性革新” 方法 。 例如 ， 德国人擅长于改进一个想法 ， 直至完美 ， 这个想法可能是由其他人发明或创想的 。 德国人没有发明汽车 ， 但是将汽车生产水平提高到最高水准 ， 使该国从中获得最大经济价值 。 如果德国将这样的革新传统用于 AI 领域 ， 那么可能也会做出不朽的成绩 。 以德国公司 Deepl 为例 。 在只有一笔小预算的基础下 ， 它的机器翻译甚至比谷歌翻译做得更好 ， 这就是一个了不起的成就 。 有多少公司可以在自己的领域击败谷歌呢？在 AI 领域呢？可惜的是 ， 像 Deepl 这样的公司只是一个例外 。 德国的经济仍然非常专注于制造业 ， 否则 ， 像 Deepl 这样的公司可能会更多且更有竞争力 。
4、在所有 AI 技术产品中 ， 德国可能会最得益于全自动驾驶汽车 。 很多汽车制造商会获得较大利益 ， 可像 Uber 这样的公司并不能从这项技术中获得太多的收益 。 如果解决了自动驾驶技术这个极其复杂的问题 ， Uber 的商业模式（拥有汽车）就会完全转变为另一种（拥有机器人汽车） ， 其利润要低得多 ， 并且智能驾驶不是 Uber 的专业领域 。 但通过这种方式 ， 对于德国汽车制造商而言 ， 它们可以通过租车获取收益 ， 而不再是卖车 。 这样一来 ， 当自动驾驶技术成熟 ， 它们也将获得最大的收益 ， 即使该技术不是在德国发明的 。 这意味着一个 “AI 贫乏的公司”（某家德国汽车制造商）向平台业务模式过渡 ， 对于它自身来说是一个巨大的提升 。
5、AI 巨头会简化它们的 AI 服务 ， 使之变得易于使用 ， 以便更多公司购买云服务 ， 这将成为它们获利的方式 。 将 AI 直接用于其自身产品（如 gmail 自动补全、谷歌照片搜索技术）虽不能直接获利 ， 但有助于云基础架构的销售 。
6、德国仍然需要招募训练有素的 AI 工程师（这个时代的工匠） ， 把深度学习应用于每个行业 。 这些工程师要有强烈的职业信仰 ， 当美国和中国为其 AI 服务投入巨额资金时 ， 他们仍然能保持定力 。 德国公司能从国外 AI 巨头高薪聘请人才吗？一旦它这么做了 ， 所有本国行业的工作者都会愤愤不平 ， 并且会发生社会动荡 。 因此 ， 培养本国人才是最好的选择 ， 应当培养能够接受当地薪水但仍然具有前途的工程师 。 对 AI 教育的投资应该是不可或缺的战略决策 。
参考资料：
【人工智能|一家图灵奖得主背书创企的陨落，暴露了AI弱国“恒弱”的困境？】https://josequesada.com/how-element-ai-imploding-accelerates-tech-dependence-on-us-and-china-geopolitics-of-ai/
推荐阅读
- 几道家常菜推荐，好吃又美味，一家人天天吃都不觉得腻
- 一家三口早餐，用了30分钟，营养十几种，网友：比我家午餐都丰盛
- 一家三口志愿者给独居老人包饺子
- 一家三口的晚餐，半小时搞定，晒朋友圈，网友：家的味道，真香
- 晒晒一家四口的早餐，有荤有素，营养好消化，朋友说要搬来做邻居
- 一家人的晚饭做几道家常菜，美味可口，简单又健康，家人吃的开心
- 人工智能|人工智能系统一秒内算出震源机制参数
- 好吃的家常菜做法，解馋开胃，简单易上手，一家人吃得很满足
- 一家三口的晚餐，花几个小时做了四道菜，不吃完都舍不得放下碗
- 人工智能|科学家利用人工智能改进假肢：可实现“自主行走”