来源：澎湃新闻·澎湃号·湃客

本文旨在推动更多的人工智能信息从中国回流到西方。

麦肯锡全球研究院（McKinsey Global Institute）研究员兼ChinAI Newsletter创始人Jeffrey Ding就中国和西方在人工智能方面的信息不对称性发表了自己的看法，他的观点主要涵盖了为什么数据不能像石油、中国产品和平台等等一样。

现在有很多关于人工智能的讨论，以及人工智能对全球竞争的意义，特别是在美国和中国等地区。最近，麦肯锡全球研究院研究了人工智能对商业和更广泛领域的影响。

MGI研究表明，虽然人工智能在世界各地都在深入发展，但有两个地区的人工智能进展最快、创新最多，那就是美国和中国。

然而，有趣的是，虽然很多中国的人工智能开发者都在阅读甚至合作撰写英文论文，但很少有西方的人工智能从业者能够跟上中文的信息流、并用中文阅读相关文献，即使其中很多都是公开发表的文章。然而，中国在人工智能领域的成就不容忽视，甚至在牛津大学成立的人工智能中心，他们在寻找对人工智能感兴趣的志愿者的资格要求中，也列出了“中文专业优先”。

就信息流动的方式而言，这几乎就像一面单向的镜子，同时这绝对是一种信息“不对称”，在当前这个很多工作都可以在互联网上公开的领域，这看起来很奇怪。

数据保护

在Jeffrey Ding 看来，“数据是新的石油”。中国拥有世界上最多的人口，因此中国拥有最多的数据。首先，数据总是特定于某个应用程序的。拥有最多的手机用户这并不意味着能转化为自动驾驶汽车应用的数据。因此，当我们谈论谁拥有最多的数据时，总是针对特定的应用程序。

这说明了一个更广泛的观点，即人工智能是一种通用技术。但人工智能的不同应用场景，无论是智能制造、交通还是自然语言处理，都将有不同的数据需求。

随着人工智能应用中数据的重要性逐渐提高，技术领域也在发生变化。因此，在某些情况下，模拟数据变得越来越重要。例如，在去年的自动驾驶汽车应用中，Alphabet旗下子公司Waymo模拟的行驶里程比实际的道路行驶里程要多。

通过阅读大量的中文文献，以及已经出版的大量英文报道，人们越来越认识到，在隐私和数据保护免受滥用的相关话题下，实际上存在非常激烈的隐私和个人信息保护议论。

Jeffrey Ding认为，这必须做出区分，因为每个人都不希望他们的个人信息在互联网上泄露，也不希望他们的银行记录被泄露。在中国相关报道中，接受调查的数千名中国成年人中，绝大多数人反对共享面部数据，并认为人工智能对隐私构成了重大威胁。

如今，加强隐私保护的势头正在增长，这可以从中国科技公司的反应中可以看出来。例如，联邦学习（federated learning）是一种训练数据的技术，它以一种更保护或对隐私问题更敏感的方式训练数据。现在，至少有华为、京东等部分中国科技巨头在联邦学习技术方面进行了投资。

竞争格局

此外，在谈到人工智能时，还有一个经常出现的话题：那就是“竞争”，尤其是美国和中国之间在人工智能领域的竞争。这将不是十项全能的竞赛，这甚至可能是一场奥运会。因为两个国家竞争的方式不同，而且竞争的领域也不同。

现在市场上很多人都将人工智能竞争比喻成一场“军备竞赛”。然而，在Jeffrey Ding看来，将AI领域的竞争比喻成军备竞赛并不恰当。首先，在这个领域，并非所有技术都是平等的。人工智能等通用技术不同于武器装备，就像我们不会说电力领域也有一场“军备竞赛”一样，因为电力是典型的通用技术。

其次就是，在人工智能领域，人们为什么而竞争？当人们谈论到所谓的“人工智能军备竞赛”时，人们是在谈论哪个国家或哪个公司能最大限度地利用人工智能对军事领域产生变革性影响？或者是在讨论最终谁能从大规模采用人工智能中获得最大的经济增长？我认为通常当人们谈到这个话题时，每个人可能会想到不同的东西。

在学术界，很多工作就是提出这个空洞的问题——“你所分析研究的问题是为了什么？”而那些谈论“人工智能军备竞赛”的人往往无法回答这个问题。

Jeffrey Ding认为，人工智能对中美竞争最重要和最突出的方面是在经济领域。从历史上看，通用技术会带来生产率的大幅增长。最明显的例子是20世纪20年代电力和美国生产率的增长。

中国目前面临的主要挑战是如何在人口红利下降的情况下继续保持经济增长，因此中国正努力在不同领域，尤其是制造业，向价值链上游提升。因此，像人工智能这样的通用技术为中国继续保持高水平经济增长提供了一种潜在的方式，因为人工智能可以渗透到所有其他领域。这是人工智能将如何影响中美发展的最重要的部分，至少在Jeffrey Ding看来是这样。

与此同时，日本和德国的工人数量也在减少。美国也将面临类似的挑战。所以很多国家都面临和中国一样的问题，需要提高自己的生产力。

何时普及

人工智能这个词是在20世纪50年代出现的。而通用技术的普及具有一贯的模式：需要几十年的时间，需要一个漫长的孕育期，在我们得到互补的创新之后，在我们对人力资本进行调整以适应技术带来的结构变化之后。当电力进入制造业时，一开始电力也只是用电动机来代替蒸汽机。最后，人们意识到提高生产率的最好方法，就是用电动机为单个机器提供动力，但这还要求工厂的布局方式彻底改变，这个过程需要很长时间。

人们往往习惯了一种事物的运作模式。人们必须学习新的技能。在电脑被发明出来以后，我们确实在一段时间后才看到了生产力的提高，而这正是日本在生产率方面从未完全超过美国的关键原因之一，因为美国在整个制造业和整个服务业都采用了计算机和信息通信技术。这可以保持良好的生产增长率。

对人工智能来说，问题也是同样的。此前有文献指出，为什么我们没有看到想象的或期望的生产率增长，其中一个原因是，我们很难衡量人工智能领域正在发生的人力资本升级。因此，在未来几十年左右的时间里，我们可能会看到生产率的提高。

总的来说，技术的研发和发展都处于行业的前沿，但如果想真正在经济中获得价值，需要的是这些技术的部署和采用，而这需要很长时间。