近日，由長江商學院主辦、汕頭大學協(xié)辦的“2024長江獨角獸峰會”上，鈦媒體集團創(chuàng)始人、董事長、CEO 長江商學院EMBA項目校友 趙何娟發(fā)表主題“中國AI追隨之路的五大誤區(qū)”的演講。
以下是鈦媒體AGI編輯整理的演講主要內容：
各位校友，大家好，我今天演講的題目是“中國AI追隨之路的五大誤區(qū)”。
從鈦媒體角度來說，在 AI 領域我有兩個角色，既是AI領域里面的研究者報道者，也是AIGC在內容產業(yè)變革中的實際應用參與者。
從AI 1.0的時代，鈦媒體就緊密地關注 AI 領域的發(fā)展，而在 AI 1.0時代，無論是中國上市公司還是應用角度來看，與美國相比，我們好像已經有趕超的趨勢。但是到了 AI 2.0時代，也就是AIGC（生成式人工智能）時代下，我們突然發(fā)現(xiàn)，為什么中國一夜之間好像就變得落后了。
下午我都很認真的聽了每一位嘉賓的分享，其中有嘉賓問到說，為什么好現(xiàn)在GPT火了之后中國大模型很快就趕上來了，說明跟美國相比，中國的實力、能力建設就可能差了一點點。
但其實我現(xiàn)在想“潑點冷水”，我覺得短期來說我們可能有點太樂觀了。不僅對中國市場過于樂觀，而且可能對全球 AI 應用爆發(fā)的速度也可能過于樂觀了。我認為，短期內沒有大家想象那么快，長期又可能過于“忽視”，總想著是不是馬上能賺錢。
我們報道10多年，一直跟蹤這個領域，其實中國有很多 AI 領域的創(chuàng)業(yè)。但我們現(xiàn)在已經處于一個相對落后的狀態(tài)，我們可能要更多地面對現(xiàn)實，怎么走出“偽AI創(chuàng)業(yè)區(qū)”。
接下來我再詳細講一下。
AI 領域今年最受關注的兩件事：AlphaFold 3剛剛發(fā)布、GPT-5即將發(fā)布。
首先就是昨晚（8日）鈦媒體最早、最全面報道的Google DeepMind團隊發(fā)布的AlphaFold 3模型。
2022年，AlphaFold 2增強版發(fā)布，兩年之后的今天，它升級到AlphaFold 3模型生物學領域關于蛋白和生命結構預測的模型。這個過程中的最根本的一個變化，就是把底層計算方式、模型算法變了。
AlphaFold 3使用了基于Transformer生成式模型和擴散模型的結合，對于蛋白質與其他分子的相互作用，與現(xiàn)有預測方法相比，AlphaFold 3預測精度提高100%。
之前的AlphaFold 2預測精度已經較之前至少翻了一倍，如今再翻了一倍。這個過程中相關科學家有過對比，這可能為生物研究界帶來了數億年的進步，節(jié)省數萬億美元。
也就是說如果不用這次AI大模型，我們靠研究人員自己去研究，可能要花數億年、花掉數萬億美元才能達到現(xiàn)在的計算效能。所以，這就是真正AIGC的力量。
但中國在此方面的研究成果幾乎是“空白”的。今天我們還發(fā)了顏寧教授的演講，前兩年她還說 AI 不可能準確預測蛋白相關結構，如今的發(fā)布可以說被“打臉”了。
第二個就是GPT-5即將發(fā)布。
我認為，這件事情帶來的震撼力不會低于AlphaFold 3的顛覆性技術影響。因為GPT-4的發(fā)布就是比GPT-3更加震撼。
為什么中國能快速發(fā)展很多模型，我覺得這個最重要的是感謝開源，因為GPT-3之前OpenAI是開源的，包括谷歌Transformer論文也是開源的，GPT3之后才改成閉源了。
這意味著，從GPT-3到GPT-4本質上已經是一個巨大飛躍了。而即將發(fā)布的GPT-5，將再次實現(xiàn)比GPT-4質的飛躍，解決諸多局限性。
我去年9月見了OpenAI創(chuàng)始人、CEO奧爾特曼（Sam Altman），他說過去一段時間OpenAI一直都在問GPT-5做準備。但如果GPT-5性能只是一個簡單能力提升的話，不會間隔這么長時間。而GPT-5的一個本質變化，可能會把相關的推理模型、相關數據會做一個分離，同時可能會推出他們自己的搜索引擎。
而這些令人震撼的進展，在中國我可以悲觀一點叫“望塵莫及”，樂觀一點就是但凡它推出來，我們就有能力改善和追趕。
我接下來要重點談，為什么現(xiàn)在我們說，中國作為 AI 領域追隨者，要有追隨者的自覺，那就是不要過于抬高自己，主要好好學習。明確我們現(xiàn)在面臨的一個事實，所以我們首先明確幾個誤區(qū)，才能夠清楚我們自己到底在什么位置。
第一大誤區(qū)：中美AI差距只有1到2年。
我認為很重要的就是，大家每次都談談中美 AI 差距大概是只有1~2年，那是不是真的就是1~2年，為什么會是1~2年？因為會有很多人說GPT3發(fā)布就在2020年，那可能在2022年chatGPT出來之后，我們也快速出來了類似于GPT3相關的模型，GPT4出來之后，我們也很快能出來一個對標GPT4水平的模型，就意味著我們相差的時間可能是12年，真的是這樣嗎？
我會覺得所有用這樣時間來表述差距的都是“耍流氓”，因為那是人家創(chuàng)新蝶變的代際時間，不是我們的差距時間（能力水平）。
如果說GPT-5現(xiàn)在不能出來，我們可能10年都追趕不上。但是GPT-5出來，我們可能也許花2~3年能趕上。而GPT-5模型水平只是人家的創(chuàng)新節(jié)點、迭代時間水平，不是我們自己能力水平，這一點需要非常清楚，這也是我們本質上的一個差距。
我們要看到，這真的是創(chuàng)新引領的差距，不是一個我們花兩年趕上一個模型就改變了中美 AI 差距了。
第二個誤區(qū)：中國是全球最大的AI專利和人才市常
我們常常會說，尤其是在AI 1.0的時代，中國投資人和創(chuàng)業(yè)者到美國硅谷做相關演講說，中國 AI 已經領先于美國了。背后經常會提到的一個指標是，中國是全球最大的AI的專利和人才市常
這個專利市場包括我們中國發(fā)布AI相關論文和申請AI專利的數量，可以說全球數一數二的，然后以及從事AI相關人才的數量，我們可以說全球數一數二。
但事實是什么樣的呢？
我們可以看這張圖，里面可以看到，新一代全球數字科技領域，大多數都是以 AI 相關論文的，中國排名確實是很高的。但是到相關頂尖論文的數量，或者說被引用論文次數的數量，我們一下就落下來了。
也就是說，事實情況是，雖然我們的論文數量是全球領先的，但是作為世界公認標準Top one的頂尖論文數量，中國不僅低于美國，我們也低于德國、加拿大、英國等。
與此同時，我們可以看到我們相關工程師人才。
中國確實在大學當中培養(yǎng)大量工程師、計算機領域人才，包括很多硅谷的大企業(yè)都到清華北大，到中國招聘計算機專業(yè)人才。
但是我們可以看到，即便是在2022年頂尖研究人員里面，雖然中國也是排在第二名左右，但是一上到頂級 AI 研究人員數量，只有美國的1/5左右。。如今，2024年可能比兩年前更糟糕了。
所以這不是我們想的那樣，中國是全球 AI 人才大國。
第三個誤區(qū)：中國AI的主要障礙是在算力上“卡了脖子”。
中國 AI 的主要障礙在于“算力卡脖子”。我們認為算力卡了脖子，所以我們只要以各種手段能夠買到相關的芯片，那是不是就已經達到相關水平了？
但是我想給大家潑一杯冷水的是，在這一輪AI 2.0的這一輪發(fā)展里面，不僅算力很重要，模型創(chuàng)新能力也很重要，數據能力也很重要。因此，現(xiàn)在的事實是，我們不僅是“算力”是瓶頸，我們的底層模型的創(chuàng)新能力、數據能力都是“瓶頸”。
我先說數據能力，很多人覺得中國是一個很大的應用市場，中國的消費者數據，企業(yè)行為數據等等各分析的數據一定是很豐富的，所以大家覺得中國是有充分的數據，但是我要非常殘忍的告訴大家，很多數據都是無用數據，或者是不可用數據。
我在今年年初的時候跟美國氣象的一個華裔科學家，同時也是中國氣象所的顧問，在講到氣象數據的時候，我說我們也有相關的公司推動了相關氣象計算預測的模型。那個科學家就非常直白的說了一句，我們所有的氣象數據幾乎都是沒用的，因為我們缺乏對歷史氣象數據的整理，缺乏氣象數據的歸納，缺乏氣象數據相關的整合，變成可計算的數據。
目前對于中國而言，“都缺”。美國 AI 生態(tài)里面最重要的一個就是關于數據市場的建設。但在中國，理論上說是沒有數據市場的。這個就是生態(tài)建設能力里很重要的，就是關于數據市場的建設。那你數據市場不成熟，你能算什么？
中國的模型公司，可以說在中文的計算能力上相對來說是領先的，但是整個中國的數據市場占全球的數據市場不到1%，以及再看所有的數據有效性的時候可以看到，世界主流所有相關的論文數據、研究數據，包括用戶的應用數據，視頻也好，還是文字也好，相關的應用數據，絕大部分依然是英文的數據。
所以如果我們不能很好的用英文的數據計算，我們如何能形成我們自己有足夠競爭力的大模型，這個是很難的。這就是為什么我說我們不要以為美國只是卡了我們的算力脖子，好像只在半導體上發(fā)力就行了，實際上是整個生態(tài)能力建設，從算力到底層模型的創(chuàng)新，到數據能力和數據市場的生態(tài)的建設，我們整體都是落后的。如果非要用時間來說的話，真要把能力建設起來的話，沒有十年的時間是很難把它很好的建設起來的。
第四大誤區(qū)：閉源大模型 VS 開源大模型 誰更好？
前段時間可以看到有一些企業(yè)家和網紅一直在爭論說閉源大模型好，還是開源大模型好，我覺得這更好這事情根本不重要，只有誰更合適。
其實不管是開源還是閉源都有各自的優(yōu)劣，就像手機的iOS是閉源，安卓是開源一樣的，它是有各自的優(yōu)劣�？赡苣壳霸谛阅苌蟻碚f，尤其是大語言模型，因為現(xiàn)在大語言模型動輒就要算千億級數據都算小的，動輒都是萬億的數據，像OpenAI都是數萬億級的數據了，這種時候閉源的性能是明顯高于開源的。
對于很多的應用來說，或者對于我們的場景，我們其實是沒有必要每一個模型都算到萬億級那么大的，那么在一定程度上里說，開源模型并非不可以。
作為OpenAI這種領頭羊來說，它的目標是要實現(xiàn)AGI，就是要實現(xiàn)通用人工這件事情來說，閉源可能會讓它有更快，更容易集中更多的資源、資金，更快的實現(xiàn)AGI這個目標。
但是對于要來做全社會普及有更多的應用和更多的迭代的速度來說的話，可能開源大模型也是非常必不可少的。所以我們應該跳出是開源大模型更好，還是閉源大模型更好這樣的爭論來看，不管是哪一個更好，最重要的都是我們是否有自己的創(chuàng)新能力，是否有自己的原創(chuàng)性能力，而不是低水平的山寨。
我們在說百模大戰(zhàn)，千模也好，假如說我們的模型都有各自的創(chuàng)新點，都在各自的領域里能夠發(fā)揮出相關創(chuàng)新的作用，那么一個也不多。
假如說百模大戰(zhàn)也好，千模大戰(zhàn)也好，不能有任何的創(chuàng)新點，只是在低水平的山寨和復制、內卷，那么確實一個也不需要。所以我覺得這個才是真正的問題，就是自己能不能在模型的創(chuàng)新能力上真正的走到世界舞臺上，這是要好好的想的事情。
第五個誤區(qū)：AI 在各大垂直產業(yè)的爆發(fā)，會很快發(fā)生。
在中國我聽到最多的都是說，我們馬上要進垂直產業(yè)的爆發(fā)，今年都是大模型應用爆發(fā)的元年。我今年年初就跟一些朋友說，今年不可能是AI垂直產業(yè)爆發(fā)的元年，可以說是應用的開始，但不能說爆發(fā)的元年，不可能馬上爆發(fā)，因為所有的事情都是有基本規(guī)律的，一個產業(yè)、行業(yè)的發(fā)展都是有規(guī)律的。
而核心的原因就是因為，我們整個基礎設施能力還沒有達到產業(yè)廣泛應用的標準。
比如說現(xiàn)在的SORA也好，還是什么應用也好，我們已經達到了50%的水平，那我是不是可以有50%的應用呢？不是的。如果說產業(yè)應用必須要到90%的水平，你只有50%的水平，哪怕只有89%的水平，你都不可能在這個產業(yè)里快速的得到爆發(fā)級的應用。
大家不要認為只有中國算力被“卡脖子”，而是全世界的算力都被“卡脖子”，美國企業(yè)也一樣被算力“卡脖子”。這就是為什么，OpenAI在推進GPT-5、GPT-6的過程中速度依然還是很慢的，更深層次是 AI 大模型就是一個“暴力美學”以足夠大的數據、算力、能源為前提，否則一定會被“卡脖子”的，它一定是只能一點點來推進的。
有很多企業(yè)可能會指望說，中國公司認為在技術創(chuàng)新能力上不如美國，但中國市場規(guī)模要比美國大、中國的應用能力要比美國更強，那么我是不是集中于創(chuàng)業(yè)做應用，從而能快速獲得成功或者成果？
但我認為，這件事長期來看是這樣的，但短期來看是沒有機會的。
OpenAI CEO奧爾特曼（Sam Altman）也說，95%創(chuàng)業(yè)公司依附在大模型上開發(fā)，但是大模型每次大規(guī)模迭代都會取代一批創(chuàng)業(yè)公司。
AI 也不會違背一般商業(yè)定律，所以當基礎能力積累到一定程度前，即便用了AI也不見得會取代原有產品。
這也是我今年跟Pika創(chuàng)始人在聊的時候，她最大的危機感。我問她你覺得Pika最大競爭對手是runway嗎，她卻說最大的危機感是來自OpenAI，因為OpenAI 一定是要做多模態(tài)的技術。所以我認為，當基礎能力積累到一定程度之前，即便做了 AI 應用，也不會取代之前應用。
因為基礎建設能力還沒有達到為這個行業(yè)產生質變的時候，它就不可能變成一個“爆發(fā)”型新的 AI 時代。
很多人說，中國移動互聯(lián)網應用就在全球領先，但我們現(xiàn)在所處的歷史時間點位置不是對應互聯(lián)網時代，移動互聯(lián)網應用的爆發(fā)階段，即AI當下發(fā)展階段，不是后互聯(lián)網發(fā)展階段，而是相當于早期思科的階段。
現(xiàn)在的英偉達就像當年的思科，當年思科在美國市場上一騎絕塵，一年能漲60倍股價的時候，那個時候有什么互聯(lián)網公司是值得一提的嗎？那時候很多現(xiàn)在的互聯(lián)網公司可能都還沒有出現(xiàn)。后來也是基礎設施能力的提升，通信技術從2G到4G的發(fā)展，網絡技術的提升、移動互聯(lián)網、長視頻短視頻的應用逐漸出來。
現(xiàn)在的 AI 應用，還是在幫助我們怎么提高產業(yè)效率，但想要徹底改變這個行業(yè)來說還需要時間、需要耐心。
這就是為什么我們說，目前還是弱人工智能，中國的大市場優(yōu)勢暫時無法發(fā)揮。短期內，還是內容生成相關輔助工具為主，比如搜索、問答、文生圖、文生音視頻等。
那么，接下來，我們要如何應對這些？
我覺得我們可能真的要形成一定的社會共識，怎么在一個全球環(huán)境和 AI 發(fā)展過程中來做我們應該做的事。
第一個，加大基礎創(chuàng)新長期能力建設。
這種生態(tài)能力建設非常重要，甚至要從教育開始抓起，比如建立 AI 教育、高校教育體系評估標準、相應的學術開放和交流的體系等，需要圍繞著AI本身的創(chuàng)新技術能力去重新匹配。同時，我們也要提高大模型研發(fā)創(chuàng)新的基礎能力，沒有這個基礎，其他的都是“無源之水”。
第二個，是耐心面對各產業(yè)應用場景的AI爆發(fā)周期，每個被AI改變的產業(yè)都面臨要從基礎底層技術改變開始的新周期，不會“一蹴而就”或者“一夜爆發(fā)”。
我認為每個可能被AI改變的產業(yè)，也都要面臨從底層基礎設施改變，并開啟一個產業(yè)的新周期，比如我們媒體行業(yè)其實也要從底層周期開始變化，而不是說我馬上就在應用層徹底變了，不是這樣的。包括相關的機器人行業(yè)、制造業(yè)、生物制藥行業(yè)等等都會發(fā)生顛覆性影響，但從這一點來說，我們的基礎科研能不能跟得上，這就變得非常重要了。
每一個產業(yè)都有自己的底層能力、從零開始的地基建設，這個才是我們真正的產業(yè)周期。
第三個，是用更開放態(tài)度，迎接全球AI建設的競爭與挑戰(zhàn)，不能自己卡自己脖子。
很多人都說，美國人卡我們的脖子，但現(xiàn)在我希望，我們自己不要卡自己的脖子。這也是為什么我說，我們不要低水平的山寨競爭，甚至我們可能也希望在 AI 治理、AI 規(guī)范，甚至AI倫理建設上面緩一緩，而是應該在 AI 創(chuàng)新層面更加激進一些，要用更開放的態(tài)度去做這件事。
我希望，我們 AI 領域的研究，不要走新能源汽車的“老路”，可能10年前我們新能源汽車還是有創(chuàng)新的，比如在智能體驗、動力電池技術等領域還有很多創(chuàng)新。但是到今天，包括小米的進場，我們卻都是在低水平、重復性“內卷”，這就意味著我們很難向前發(fā)展。
所以，我希望我們的基礎研究能力、創(chuàng)新能力能夠走得更快，能夠更耐心一點。
