蒋余浩：AI是“大国博弈”工具？我们更需强调的是“多元探索”

IPP评论是国家高端智库华南理工大学公共政策研究院（IPP）官方微信平台。

导语：作为新一轮科技革命的代表性成果，人工智能（AI）是能够影响大国博弈格局的关键核心技术，受到各界高度重视。但是，对人工智能的理论思考，却不能仅局限在大国竞争、科技竞赛等等话题上，而是需要提出更多至少同样值得认真对待的问题。例如，人工智能是否只有目前少数科技巨头引领的那一条发展路径，或是能实施多样发展策略？

本文最初完成于2024年，彼时正值中美人工智能竞争话语兴盛之际。大国之间的竞争是事实上存在的状况，但是，在话语上过于强调“大国博弈”、“先进技术竞争”，有可能掩盖公共政策推进多样发展、包容性发展的责任。结合当时学术界关于人工智能发展现状的反思，本文揭示基于经济社会发展需求，探索人工智能新发展路线的必要性和可能性。

文章隐含的主张是，“大国博弈”的要害在于综合国力上的竞争，沿着目前美国少数科技巨头主导的那一种人工智能技术路线（本文有时简称为“主流技术路线”）发展，不仅难以获得竞争优势，更可能损害中国政策急需关注的经济社会均衡发展。文章指出，可以在“非线性创新”的过程中不断探索新的技术方案；而中国从中央到地方近期的一些产业政策，显示了对于人工智能多技术路线发展的激励，其制度创新和技术创新意义值得深入挖掘。

蒋余浩 教授

华南理工大学公共政策研究院（IPP）资深研究员、教授，广东新质生产力政策研究中心主任

人工智能，不能仅从“大国博弈”视角来看待

仅从“大国博弈”的角度思考技术发展，容易将既有的主流技术路线看作唯一选择，从而既忽略技术发展对经济社会的多重影响，又无法想象是否可能通过改变技术路线去实现更重要的经济社会发展价值。

在近年，仅将人工智能视为大国博弈工具的话语屡见不鲜。2021年底，哈佛大学贝尔弗中心（Belfer Center）发布一系列报告，分析中美两国在科技、军事、外交和经济上的实力差距，宣称中国是“世界曾经唯一大国的劲敌”，引起国际战略界的热议。[1]

2024年8月，独立智库“信息技术与创新基金”（ITIF）发布报告，就人工智能领域的专业发表、专利获取数量、人才培养、基础设施建设（数据和算力）四个方面提供更为详实的数据，支持了贝尔弗报告的结论：“中国在人工智能领域的不懈努力和战略投资表明，它赶上（如果不是超过的话）美国此前的领先地位只是时间问题。”[2]

基于39项基准测试构建的能力指数显示，至今年1月，中国大模型整体性能仍落后美国约7个月，但差距正在持续缩小。图源：金融时报

无论贝尔弗报告还是内容更为丰富的ITIF报告，都把焦点放在中国对美国领先地位的挑战上，我们国内舆论在转载这些报告内容时也多仅突出中国在某些指标上的进步，这种强烈的大国博弈意识造成对更紧迫的议题的忽视：当前的人工智能技术发展有什么问题，中美两国是否应坚持在此路径下实施竞争？

事实上，目前世界范围内的人工智能发展趋势，最显眼的一点就是少数科技巨头主导了人工智能研究。近年的情况表明，人工智能科技巨头的影响力不是学术界或者任何其他机构所能比拟的，这些科技巨头在近年创建的有价值的数据集、吸引的人工智能专业博士毕业生、获得的巨量资本投入，都远远超过大学、政府部门和其他机构。

如2024年10月4日OpenAI官网宣布获得的最新一轮融资66亿美元，这是有记载以来最大的一次性融资规模。斯坦福大学人本人工智能研究中心（Stanford HAI）发布的《2024年人工智能指数报告》指出，在2014年之前，是学术界主导机器学习模型的发明，而在此以后，产业界的主导地位愈加突出：2023年全球有影响的机器学习模型，产业界推出了51个，产业界与学术界合作推出了21个，学术界仅推出15个。[3]

具有代表性的AI模型研发主体从以学术界为主加速转向由产业界主导，2024年约90%的重要模型由产业界开发。图源： Stanford HAI

应该承认，如同创新与垄断关系的理论文献争论不休的那样，少数科技巨头主导人工智能研究，并不一定不能为消费者带来某些好处（例如可以节省探索成本、产品比较时间等），却会限制对主流技术路线的反思以及对多样技术工具的研发：主流技术路线被当作唯一的选择。这种“唯一选择”，对世界未来而言，并非福音：

首先，少数科技巨头主导的人工智能研究已出现成本越来越高、竞争性越来越弱的状况，表现出高度垄断化和集中化。

如HAI指数报告估算，2017年最初的Transformer模型培训成本约为900美元；2019年发布的RoBERTa Large培训成本约16万美元；2023年，OpenAI的GPT-4和谷歌的Gemini Ultra的培训成本分别达到约7800万美元和1.91亿美元。HAI的一家合作研究机构提供了另一组估算：在过去8年，前沿人工智能模型的训练成本每年增长2至3倍，这表明到2027年最大的模型的成本将超过10亿美元。[4]

2019—2024年间，主流大模型的训练成本呈指数级上升，从几十万美元迅速增长到上亿美元级别，反映出先进AI模型研发对算力和资金投入的门槛急剧提高。图源：Stanford HAI

另外，在2018年大语言模型GPT-1问世后，人工智能研发进入“百模大战”时期，行业发展极为迅速，但是HAI指数报告指出：2015年人工智能专利授予率为57.8%，2022年降至32.6%，未获资格授予的申请（128952件）是获授予数（62264件）的两倍有多——人工智能领域专利资格授予率的逐年降低，一定程度内体现了该领域新产品的创新难度在上升，竞争在下降。

这种成本日益高昂和竞争愈加艰难的发展特征，在事实上将包括美国自身在内的所有各国政府、学术界和一般社会大众等都排挤在主流技术路线之外，少数科技巨头的垄断地位更为巩固、对数据等科技资源的集中控制也更加强有力。

其次，为大国博弈目的而推动主流路线及其相关产业发展的举措依然不时出台，许多决策经常不顾可能产生的多重经济社会后果。可以试举三例：

一是为了实现先进芯片制造的安全化，美国亚利桑那州在2020年引进台积电建设工厂。台积电承诺为这一项目斥资650亿美元，拜登政府2024年4月宣布台积电获得由《芯片与科学法案》（CHIPS and Science Act）资助的66亿美元直接补贴。但是，这样的巨额投入能否对缓解美国日益恶化的发展不均衡有帮助？哈佛大学肯尼迪政府学院国际经济学教授丹尼·罗德里克（Dani Rodrik）就提出尖锐批评：“台积电在亚利桑那州投资的三座晶圆厂预计雇佣6000名工人——每个工作岗位成本将超过1000万美元。即使预计在供应商行业增加的数万个工作机会成为现实，这在就业的回报而言也是微不足道的。”[5]

二是2024年5月，参议院多数党领袖查克·舒默（Chuck Schumer）牵头公布了一份雄心勃勃的人工智能政策路线图，提议到2026年每年投资320亿美元用于人工智能研发，寻求减轻人工智能引发的风险，尤其建议实施国家数据隐私法和对先进人工智能模型的出口管制。[6]

这个远超《芯片与科学法案》的资助规模，致使著名财经杂志《福布斯》（Forbes）的专栏作者分析认为，舒默等议员其实并没有很大期望最终通过立法，似乎更感兴趣的是基于“保护美国的先进人工智能模型免受外国对手特别是中国的影响”而“建立一个真正的两党共识”。[7]

2023年9月13日，X首席执行官马斯克（Elon Musk）和帕兰泰尔(Palantir Technologies) 首席执行官艾卡普（Alex Karp）出席纽约州参议院多数党领袖查克-舒默（Chuck Schumer）召集主要科技公司首席执行官举行闭门会议，讨论人工智能的优先事项和风险。 图源：AP

三是与国会的努力相一致，美国商务部也在考虑对先进人工智能模型实施出口管制，尽管这种不涉及实物产品的限制措施，无论标准如何确定，都会较为武断地损害到一定范围的企业利益（例如，是以训练模型的算力为标准，还是使用较低的计算机功率阈值，同时考虑使用的数据类型和模型的预期用途等其他因素）。

最后，或许最重要的是，出于大国博弈目的未加反思地支持主流技术路线，会威胁到未来发展的多样可能性。2024年刚获诺贝尔经济学奖的达隆·阿西莫格鲁（Daron Acemoglu）教授近年一直在提醒，主流人工智能路线具有强化监控与自动化的技术取向。他的这个认识，目前已经部分获得了证实。

例如，阿西莫格鲁自己研究指出，谷歌（Alphabet）和微软（Microsoft）牵头开发的生成式人工智能本质上就需要高度集中信息，在数据控制下产生进入壁垒，使持续在线参与和个性化数字广告的商业模式得以发展，滋生情绪愤怒、极端主义和网络回音室效应。[8]此外，国际劳工组织（ILO）2023年8月发布的一份研究报告分析指出，目前虽然没有证据表明生成式人工智能具有大规模取代劳动力的风险，但是这项技术将某些任务自动化的能力十分显著，受自动化影响的职业和工作群体在明显增多。[9]

总的来说，有研究已说明，主流技术路线的取向是倾向于将关于未来的想象限制在监控和（自动化导致的）无工作上，仅出于“大国博弈”的目的而强力支持这一路线，则相当于是在遏制未来的多样可能性。

但这种关于未来的受限的想象并非是不可避免的，我们需要认识到一种新的可能性：人工智能还有无比广阔的发展前景，我们可以从自己的真实需求出发“选择”新的人工智能技术路线，创造更丰富多样的未来发展景象。

实际上，美国也并不是仅仅执着于少数科技巨头领导的那一种技术路线，联邦政府同样在探索多样的人工智能发展路径，如从2019年开始推动“国家人工智能研究院”（NAIRI）项目计划，2023年又制定“国家人工智能研究资源方案”（NAIRR Pilot），推动产业界和学术界共享国家研究基础设施。

NAIRR旨在通过建设国家级人工智能科研资源平台，向大学和研究机构开放GPU算力、数据和模型等资源，以缓解AI算力过度集中于少数科技公司的问题。图片为NAIRR Pilot项目地图。

作为人口规模巨大、区域发展严重不均衡的大国，中国更不能囿于目前的人工智能主流发展路线，因为坚持在此路径上追赶，既难以真正实现科技自主自强（如仅仅在研究发表、专利获取数量等指标上突飞猛进，实质影响力却相当不够），又可能在勉强的追赶过程中产生意想不到的重大损失（如资源大量浪费、忽视对劳动力的持续培育等等）。

非线性创新：人工智能多技术路线探索的可能性

那么，从技术实现的角度讲，是否可能“选择”新的人工智能发展路线？

注意一个悖谬之处：执着于“大国博弈”的话语，对于长期处于追赶地位的国家而言，反而更容易放大美国科技政策的某些局部经验，将之奉为圭臬。

比如，万尼瓦尔·布什（Vannevar Bush）在二战结束时呈交给美国总统的著名报告《科学：无止境的前沿》（Science：The Endless Frontier），在我国知识界长期被解读为倡导了一种“线性创新观”（即创新沿着“基础研究→应用研究→产业转化”的线性路径发展），用以论证国家对基础研究的特别支持。

但是，其一，布什报告中并没有线性创新模式的内容；[10] 其二，线性创新模式也不是美国科技创新能力飞跃的保证。布什报告在科技政策方面体现出的主要作用，是它建立了争辩联邦科学资助的话语策略，使后来成立的总统科学顾问委员会形成了一种政策论述风格。[11]

“线性创新观”所主张的创新分工方式——基础研究在大学等科研机构，应用和转化主要依靠企业——能在美国科技政策研究领域占据一定的位置，与二战后美国研究型大学崛起、企业日益增强从外部获取发明创新的能力等特定历史条件密切相关，不能仅从美国在此时期开始增加对于大学科研投入的事实，简单总结出一个“加强基础研究能力就能实现科技实力整体提升”的线性创新经验。[12]

与我们的思考密切相关的是，如果将创新视为线性发展过程，那么就很难看到创新过程中改变技术路线的可能性——科技实力落后的国家，多数仅强调在基础研究领域“追赶国际学术前沿”，只在先进国家的问题意识后面亦步亦趋。必须认识到，要实现新的探索，当然需要不断加强基础研究能力，但如何加强，以及更重要的是如何整体提升科技实力，则需要更加深入地认识科学发现、技术发明等活动本身。

两位工程学专家分析指出，基础研究/应用研究二分法是一种基于研究动机的分类，要是考虑到了研究活动是复杂、系统且动态的过程，则会发现这个二分法的局限——他们梳理从1956年开始由于在信息通信领域的理论贡献而获诺贝尔物理学奖的六项科学工作，其中一些工作还同时获得了美国国家工程院颁发的德雷珀奖（Draper Prize，奖励工程类技术发明），揭示出科研活动更为丰富的内涵：这六项科学工作“展现了多种类型知识在创新中的作用，正是这些创新创造了我们当前的信息通信时代。……这些研究都可被划归到‘基础’或‘应用’研究类别，但这种分类方式忽略了这些研究的复杂性和跨类别性。

更糟糕的是，它会让那些反对‘应用研究’者的偏见更加强化。”[13]他们因此提出：“研究活动应该被更精确地描述为‘发明-发现循环模型’，而不是固化为‘基础研究/应用研究’二分法。我们相信，这种方法更适合这一公共物品（the public good）。”[14]

科学“发现”（Discovery）与技术“发明”（Invention）之间的循环互动关系。技术发明往往源自科学发现，但新的技术工具与工程系统又会反过来推动新的科学发现。例如，1956年诺贝尔物理学奖对应的是晶体管效应的发现与双极型晶体管的发明（1947–1948）。晶体管既源于固体物理的科学发现，又迅速转化为电子工程领域的关键器件。这一技术突破随后推动了半导体物理和量子电子学的发展。图源：Narayanamurti, Odumosu & Vinsel (2013)

“发明-发现循环模型”揭示的是一种“非线性创新观”：创新过程并不是沿着“基础研究→应用研究→产业转化”线性路径前进，而是通过技术发明与科学发现二者之间的交互促进得以实现的，科学原理、技术发明、应用技能及经验、管理策略、日常需求等等多种知识都在其中起到作用。在科技发展史上，蒸汽机的发明与热力学的发现是证明非线性创新观更著名的案例。

有趣的是，这两位专家发现，他们所梳理的六届诺贝尔奖16位获奖者中，有10位有着在美国大型工业实验室长期从事科研的经历，另外6位科学家中有3人来自苏联的研究机构，1人来自德国的大学和研究所，另外两人分别来自美国政府实验室和研究型大学。这个认识很有意思，表明了传统被分别称为基础/应用研究（工业研究）的经历，其实存在着很强烈的相互促进的联系。

依照这个思路简要检索一下，还能够看到日本的诺贝尔物理学奖和化学奖得主，其研究成果也多与政府任务型项目或产业领域相关，比如2000年以后获奖者中，有5位物理学家的研究成果得到过政府任务型项目支持，有4位化学家的获奖成果是在产业领域做出的理论创新。

田中耕一是日本诺奖中最典型的“产业研究型”科学家。他在企业研发环境中开发出激光解吸电离质谱技术，从而实现对生物大分子的质谱分析，并获得2002年诺贝尔化学奖。 图源：Shimadzu

人工智能与非线性创新观有什么关系？这里值得专门介绍麻省理工学院三位专家2023年在《科学》（Science）杂志上发表的研究。该研究明确指出，所谓“大学负责基础研究，企业负责应用和转化”的线性创新分工在人工智能领域根本不存在，人工智能的基础研究与应用研究之间的界限是模糊的。

比如谷歌大脑研究团队（Google Brain）在2017年推出的主要用于自然语言处理（NLP）和计算机视角（CV）领域的深度学习模型Transformer架构，既是能即刻投入应用的产品，又是基础知识探索上的重大进步[15]——Transformer与循环神经网络（RNN）和卷积神经网络（CNN）相比，实现了借助自注意力机制捕获输入序列中的长程依赖关系，更能处理长序列并且自行计算。[16]

2024年的诺贝尔物理学奖颁给了两位人工智能专家，表彰他们“通过人工神经网络实现机器学习的基础发现和发明”，更展现了人工智能作为一种震撼全球的科技产品，同时又是物理学的发现和知识的突破。由此可知人工智能同样具备显著的非线性创新特征。

“发明-发现循环模型”的提出者这样总结科研活动的非线性创新特性：

“在我们的模型中，发现与发明循环可以双向跨越，研究知识可被视为在跨越循环中随时间演化的一个整体。循环的双向性表明一个事实，发明并非总是发现的产物，它也可能是其他发明的产物；同时，重要的发现也可能是来自新的发明。”

人工智能正是由于具备了这种显著的“双向跨越”特征，才能实现多技术路线的探索。

一方面，这种特性造成了科技巨头有可能通过加强其应用端的优势反过来增强其在研究端的主导作用：科技巨头拥有更强的算力、更为庞大的数据集和更多的技术专家，这使得产业界的研究有了通用性强、与一般性实践问题结合更紧密、跨越多个学科等特点。在基于其产品影响力而吸引更为巨量的资金和人才资源之后，这样的结果就顺理成章了：“产业界对应用端的主导也给予了它塑造基础研究方向的权力。”

而在另一方面，这种特性也潜藏着探索更多的技术路线的理论保证：通过重新定义和强调“应用需求”，并围绕经济社会发展的多样需求部署创新活动，有可能形成更多的不同于少数科技巨头所主导的研究方向。

这里的重点问题因此变成了如何重新定义和强调“应用需求”。

抽象的讲，答案不言而喻，因为即使是科技巨头也从不反对科技进步是为了“人”，如OpenAI宣称它的使命是开发“安全且有益”的“在最具经济价值的工作上表现优于人类的高度自主系统”的通用人工智能（AGI）；谷歌人工智能部门在其官网上展示的理念同样是“让人工智能造福每个人”（Making AI helpful for everyone）。

然而，关键在于，是科技巨头根据其“单方面主张人类经验作为转化成行为数据的免费原材料”[19]的特权，还是每个个体作为“不可能被局限在我们所构建和栖居的理念和社会世界之中”[20]的有自主发展能力的主体来定义应用需求？

美国从70年代中期以来推动信息技术革命，是着重支持前端研究，创新议程并不涵盖能够扩大就业规模的制造业等产业，由此导致信息技术研发脱离日常生产生活需求，对日益扩大的贫富分化、停滞的劳动生产率、持续衰败的制造业没有产生帮助。[21]现在，科技巨头主导下迅猛发展的人工智能，很大程度是在加剧此前的发展不均衡。

因此，目前需要强调的正是，尊重每个个体作为有自主发展能力的主体，首先应当尊重其日常生产生活经验和具体需求，然后再思考是否可能帮助他们实现对其自身处境的超越。就公共政策而言，是要使研发活动与日常生活生产的创新紧密联系起来。[22]麻省理工学院“未来工作”研究小组为此在2019年就提出倡议，[23]他们的政策建议已经体现在美国联邦政府2019年开始推动的“国家人工智能研究院”（NAIRI）项目计划中。[24]

中国政策蕴含有对AI多技术路线探索的激励，需要大力推进

仅从“大国博弈”视角出发，可能会将中国目前取得的成就看成是对世界既有秩序的重大威胁，而忽略许多经济社会发展问题。从中央到地方近年的一些政策，显示了激励多技术路线探索的意图，其理论意义和实践意义值得持续挖掘。

——广东省工业和信息化厅2024年1月印发《2023年全省工业和信息化发展情况及2024年主要工作计划》，提出“在6G、人工智能、低空经济、量子科技、生命科学等领域采用多技术路线平行探索的方法抢占技术制高点”“制定《广东省关于大力发展通用人工智能产业赋能千行百业的实施方案》，拓展千行百业应用场景，建设人工智能产业创新引领地；同时，要加快人工智能嵌入制造业各领域各环节”；

——住房和城乡建设部2024年2月通过《“数字住建”建设整体布局规划》，提出“加强应用牵引和场景驱动，构建以数据为核心要素的数字综合应用体系，全面推动住房城乡建设业务数字化转型，赋能住房城乡建设事业高质量发展”的工作原则；

——农业农村部2024年10月出台《农业农村部关于大力发展智慧农业的指导意见》，要求“坚持需求牵引、以用促研，立足产业发展和行业管理实际需求，树立问题导向、应用导向，因地制宜探索数字化、智能化解决方案，引导小农户融入现代农业发展轨道”。

工业制造、建筑建材、农林牧渔等领域在人工智能迅猛发展背景下相继提出的政策主张，深刻表明了探索多技术路线发展的需求。不同的行业都有其成熟的生产经验和技术方案，因此在不同程度上“抵制可能改变它们既定的技术路线和商业模式的创新”。[25]

需要考虑的，正是如何在这些领域既有经验的基础上发明能为之提供切实帮助的应用产品和解决方案，而不是简单地颠覆掉原有的技术路径和发展生态。[26]从根本上讲，中国的人工智能发展战略对此有明确指导：国务院2017年7月印发的《新一代人工智能发展规划》，提出了围绕不同的应用需求而一体化配置研发、应用和产业培育力量。这种非线性创新政策可以成为发展嵌入不同行业的人工智能的保障。

2025世界智能产业博览会上展出的智慧家居。图源：新华社

在中国，产业界也有相当不同于美国的情景。如华为、阿里、腾讯等大型科技公司，相继推出了公共云，服务于地方政府和中小企业；华为还推出了“盒装人工智能”（AI in a box），供企业在本地运行。这些都是值得关注的有益尝试，其持续的发展依然需要通过研究与应用的一体推进、发现与发明的循环促进。

公共政策可以提供的支持，一方面是更多拓展应用场景，让不同的理念和产品得到应用端检验的机会，另一方面是激励学术界同产业界深入合作，既共同解决应用问题，又从应用过程中提炼科学问题，推动实现科学原理的新发现。只有将人工智能的非线性创新特征充分展现出来，我们现有的丰富实践，才可能真正展露探索多样人工智能技术发展路线的价值。

还应建设一些关键性基础设施和制度机制，既提高各个区域和各个行业获取科技资源和研发资金的机会，又促进技术应用和原理探索真正实现相互促进。

例如，其一，在不同经济发展水平的区域打造AI研发公共基金，牵引科研机构、产业界和社会资本组成攻关团队，支持从该区域的真实应用需求出发展开研究探索，同时围绕这些探索部署人才培育、政策法规、核心算法和关键设备、高端芯片、重大产品与系统、基础材料、元器件、软件与接口等等软硬设施建设，在整体上逐步构建出多技术路线探索的发展格局；

其二，基于需求建立多类型公共数据语料库，训练不同性能的模型。数据与模型之间关系很复杂，并不必要一味模仿大模型训练方法。可以在数据的结构化、数字化、标准化等方面不断进行调整和提升，创建公共研究云和公共数据集，训练通用性能的模型。此外，对于许多传统行业和专业领域，由于商业价值不高，难以吸引数据科技企业进入，可以设置专项资金支持建立专业数据集，以知识密度更高、维度更多元的语料训练具备专业性能的模型；

其三，学习德国弗劳恩霍夫研究所（Fraunhofer-Gesellschaft）、美国“创新园圃”（Innovation Orchards）等支持中小初创企业实施创新升级的机制，[27]针对中小微创新型企业开放科技资源并且提供融资、科技服务和企业成长扶助等方面的帮助，培育更为丰富的创新型市场主体；

德国弗劳恩霍夫研究所通过设立以产业需求为导向的应用研究机构，在政府基础经费支持下，与大学和企业合作开展工程化研发，将科研成果转化为可产业化技术，从而构建起连接基础科学与工业创新的中间层体系。图源：Wikimedia Commons

其四，深化改革人才培育和人才考评的体制，突出强调跨专业性、协同性和实际效用。尤其需要变革目前基于学历、专业、人才帽子、履职经历等标准评价人才的做法，既激励不同行业的优秀人士有热情、有勇气不断学习人工智能等新技术，推动新技术与各个行业的深度融合、交互促进，又激励各类科研人员参与、观察实际发展状况，从实践中提炼科学问题，推动科学原理探索的创新。

无论怎样，本文主张，针对人工智能，一是需要考虑技术变革引发的多重经济社会后果，二是基于经济社会多样发展需求探索多技术路线。人工智能研究活动的复杂性展现了非线性创新的基本特征，可以在“（技术）发明-（科学）发现”交互促进过程中寻找多元创新契机。中国的政策已有关于“应用牵引”“场景驱动”“以用促研”“产学研用各创新主体共创共享”等等一系列引导性设置，更进一步的工作是建立切实的制度机制，使供给（科学原理发现和应用技术发明）与需求（不同区域、不同行业自身的发展需要）二者联动起来，进而形成一个全社会积极参与和促进科技进步，并且公平共享创新发展红利的环境。

参考文献：

[1]“The Great Rivalry：China vs. the U.S. in the 21st Century”，https://www.belfercenter.org/publication/great-rivalry-china-vs-us-21st-century.

“How Innovative Is China in AI？”https://www2.itif.org/2024-chinese-ai-innovation.pdf.

“Artificial Intelligence Index Report 2024”，AI Index Steering Committee, Institute for Human-Centered AI，Stanford University，Stanford，CA，April 2024.，https://aiindex.stanford.edu/wp-content/uploads/2024/05/HAI_AI-Index-Report-2024.pdf.

“How Much Does It Cost to Train Frontier AI Models？”https://epochai.org/blog/how-much-does-it-cost-to-train-frontier-ai-models.

Dani Rodrik，“America’s Manufacturing Renaissance Will Create Few Good Jobs”，https://www.project-syndicate.org/commentary/us-manufacturing-employment-falling-despite-investment-policies-by-dani-rodrik-2024-04.

“Driving U.S. Innovation in Artificial Intelligence：A Roadmap for Artificial Intelligence Policy in the U.S. Senate”，https://www.schumer.senate.gov/imo/media/doc/Roadmap_Electronic1.32pm.pdf.

Owen Tedford，“AI Industrial Policy Takes Shape In Washington”，https://www.forbes.com/sites/owentedford/2024/05/16/an-american-industrial-policy-for-ai-takes-shape/.

Daron Acemoglu，“Hayek vs. AI Socialism”，The International Economy，Vol. 37，Iss. 2，（Spring 2023），p.49.

Paweł Gmyrek，Janine Berg，David Bescond，“Generative AI and Jobs：A global analysis of potential effects on job quantity and quality”，https://www.ilo.org/sites/default/files/2024-07/WP96_web.pdf

Benoit Godin，Models of Innovation：the History of an Idea，Cambridge and Massachusetts：The MIT Press，2017，p. 75.

王作跃（Zuoyue Wang）：《在卫星的阴影下：美国总统科学顾问委员会与冷战中的美国》，安金辉、洪帆译，北京：北京大学出版社，2011年，第10页。

阿希什·阿罗拉、沙伦·贝伦佐、安德烈亚·帕塔科尼、徐政奎：“不断变化的美国创新结构”，载乔希·勒纳、斯科特·斯特恩编著：《创新政策与经济发展》，孙国玉译，北京：中信出版社，2023年。

那拉亚那穆提、欧度茂苏：《发明与发现：反思无止境的前沿》，黄萃、苏竣译，北京：清华大学出版社，2018年，第56页。（译文略有调整，下同）

文卡特希·那拉亚那穆提、图鲁瓦洛戈·欧度茂苏：《发明与发现：反思无止境的前沿》，第47页。

Nur Ahmed，Muntasir Wahed，and Neil C. Thompson，“The growing influence of industry in AI research：Industry is gaining control over the technology’s future”，Science，2 Mar 2023，Vol 379，Issue 6635，p.885.

Ashish Vaswani et al.，“Attention Is All You Need”，https://arxiv.org/pdf/1706.03762.

那拉亚那穆提、欧度茂苏：《发明与发现：反思无止境的前沿》，第57页。

Ahmed，Wahed，and Thompson，“The growing influence of industry in AI research：Industry is gaining control over the technology’s future”，p.885.

Shoshana Zuboff，The Age of Surveillance Capitalism：The Fight for a Human Future at the New Frontier of Power，New York：Public Affairs，2019，p.8.

Roberto M. Unger，The Knowledge Economy，London and New York：Verso，2019，p.44.

李寅：《当代美国经济不平等的缘起——“新经济”和信息技术革命的漫长阴影》，载《文化纵横》2022年第6期；蒋余浩：《数字经济、参与式发展和技术路线可选择性——共同富裕战略的初步思考》，载《开放时代》2023年第5期。

威廉姆˙邦维利安、彼得˙辛格：《先进制造：美国的新创新政策》，沈开艳等译，上海：上海社会科学院出版社，2019年，第45-47页。顺便说明，本文强调的“需求”既是内生的，又是可建构的，因此需要以一种“结构变革的视野”来加以思考，使供给-需求交互促进起来。See Roberto M. Unger，The Knowledge Economy，pp. 203ff. 在这方面，中国提出的“供给侧结构性改革”有丰富的政策运作空间。相关理论分析，见崔之元：“新三位一体：供给侧结构性改革、双循环和共同富裕”，载《清华金融评论》2022年第3期。

MIT Work of the Future，“The Work of the Future：Shaping Technology and Institutions”，http://web.mit.edu/2.810/www/files/readings/WorkOfTheFuture.pdf.

关于NAIRI项目运作机制及其理论基础的详尽分析，见戴明洁：“多点开花：美国人工智能战略布局的理论逻辑与政策启发”，2024年未刊稿。

威廉姆˙邦维利安、彼得˙辛格：《先进制造：美国的新创新政策》，第5页。

关于传统行业技术创新的需求和难点，William B. Bonvillian and Charles Weiss，Technological Innovation in Legacy Sectors，New York：Oxford University Press，2015.

威廉姆˙邦维利安、彼得˙辛格：《先进制造：美国的新创新政策》，第七章。

蒋余浩 华南理工大学公共政策研究院资深研究员、广东新质生产力政策研究中心主任

关于IPP

华南理工大学公共政策研究院（IPP）是一个独立、非营利性的知识创新与公共政策研究平台。IPP围绕中国的体制改革、社会政策、中国话语权与国际关系等开展一系列的研究工作，并在此基础上形成知识创新和政策咨询协调发展的良好格局。IPP的愿景是打造开放式的知识创新和政策研究平台，成为领先世界的中国智库。