王坚：计算与人工智能是人类迈向火星的同路人
中国工程院院士、之江实验室主任、阿里云创始人王坚发表主题演讲
“人工智能向善”不仅激发了诸多思考，也为全球人士提供了宝贵的交流机会。今天，我想分享之江实验室在计算与人工智能关系领域的研究，以及如何利用前沿技术探索以往难以企及的未知领域。
在探讨计算与人工智能时，我认为它们宛如一枚硬币的两面。
王坚称计算机在某种程度上类似于纸和笔
20世纪40年代末，图灵在其首篇论文中提出了计算与智能的关系。他在一份报告中以“通用机器”的视角阐述了人类的本质，这一观点广为人知。他曾指出，笔和纸是极为强大的工具。如今，尽管我们拥有计算机，其功能在某种程度上仍类似于笔和纸。在我看来，笔和纸始终是卓越的工具，在当时，它们的功能堪比现在的计算机。
次年，图灵发表了首篇关于计算与智能的论文。我想强调，他首先提出了“智能机器”（the intelligent machine）的概念，随后探讨了计算与智能的关联。值得一提的是，这篇论文刊登于心理学期刊——顺便说一句，我的学术背景也是心理学。
更为引人注目的是，在图灵构思这些理念时，“计算机”（computer）一词尚不指机器，而是指从事计算的人。
在那个尚无计算机的时代，图灵已设想出“数字计算机”——一种由人或设备执行当时人类任务的系统。
若抛开“计算机”这一概念，回归计算的本质，其重要性令人叹为观止。我们可以从两方面理解其意义。
首先，计算不仅是工具，更是助力我们思考和解决问题的思维方式。
其次，计算并非仅是计算机科学的分支，它与物理学、生命科学并列，是一门极其基础的学科。
正因如此，人工智能才能以计算为基础蓬勃发展。
去年，人工智能的先驱们荣获诺贝尔奖，引发了诸多变革。《大西洋月刊》将此称为人工智能的“青霉素时刻”和“X光时刻”（意为这个行业的重要和高光时刻）。
《大西洋月刊》将去年的诺贝尔奖称为人工智能的重要时刻
我尤为欣喜的是，这与本次活动主题高度契合，
表明人工智能正为人类福祉作出贡献，令我感到振奋。
当时，先驱们正致力于探索人工智能如何变革科研方式，以及推动科学与技术的进步。
更值得注意的是，《财富》杂志在介绍杰弗里·辛顿（Geoff Hinton）时，依次称他为认知心理学家、计算机科学家和“人工智能教父”。在投身人工智能研究之前，辛顿是一名心理学家。回顾20世纪80年代中期，他曾与心理学家合作发表多篇论文。
心理学是一门关注人类本质的学科。因此，人工智能的早期先驱始终在探索人工智能与人类的关系。
从这个角度看，我认为人工智能与人类智能并无直接关联。它是一项拓展人类创造力的技术，是一种工具，但远超笔和纸的卓越工具。凭借这些技术，人类能够实现许多在没有这些工具时难以想象的成就。
我的热情，以及之江实验室的使命在于探索技术如何助力科学家。为此，我们需深入理解科学的需求。
约十年前，一位地质学家在一篇论文中描述了这些需求，
简单却明确：
第一，共享所有研究数据，例如岩石相关数据；
第二，确保研究成果的开放共享；
第三，建立支持协作的基础设施。这些看似简单的需求，正是人工智能能够发挥作用的领域。
因此，三年前，我们受国际地质科学联合会（IUGS）提出的“深时数字地球”（Deep-Time Digital Earth）愿景启发，启动GeoGPT项目。本质上，它是一个地球科学领域的人工智能系统，正如十年前那篇论文所描述的需求。
王坚介绍GeoGPT项目
尽管GeoGPT项目仅是一项工具，但全球科学家的反馈表明，它对科学研究极具价值。我们参加了多项国际会议，如今年4月举行的EGU会议及联合国活动，吸引了来自世界各地的科学家。
这既源自科学家的需求，也为他们提供了实质性支持。
我们与史蒂芬森（Mike Stephenson）密切合作，开展化石海绵分类研究，这是一项引人入胜的古生物学工作。
王坚谈AI在地质学的应用
凭借人工智能驱动的简单技术，我们将已知化石海绵类型从两位数扩展至三千余种。
开放式人工展化石海绵分类研究智能架构
这一突破性发现令人震撼。若无此类技术，科学家可能终其一生也难以取得如此成果。
开展化石海绵分类研究
我尤为欣喜的是，我们把这一分类标准带到非洲，在尼日利亚举办研讨会，助力当地科学家开展研究。
尽管聚焦于地球科学，这项工作还带来了另一进展，是我们构建了一套开放式人工智能架构，以推动科学发现。
首先，我们确保用户了解多种大型语言模型，也就是“基础模型”，并可自由选择所需的开源模型。这带来双重益处：
其一，用户拥有自主选择权；
其二，不同模型各有优劣，用户可据此了解各模型的独特优势。
其次，我们认识到，除熟知的基础模型外，科学领域还需“领域基础模型”。这种模型针对特定应用，需处理远超文本的复杂科学数据。科学挑战要求超越语言的创新。
在此基础上，开发便于科学家使用的工具，助力其专注研究，至关重要。我很高兴这套架构运行良好。
同时，治理尤为关键，尤其是在开发新技术时，需关注安全、隐私和知识产权问题。我们为GeoGPT设立了优秀的治理委员会。我不确定它是否是全球唯一拥有此类委员会的应用，但我们极为重视，确保其服务于科学家并造福人类。
这成为开放科学的成功实践。
去年，迈克尔（Michael）等人为地球科学家撰文介绍GeoGPT，我们视其为开放科学的范例。
面对新技术，需思考其发展方向、架构如何惠及他人，以及如何构建良好治理机制，确保其发挥积极作用。
谷歌提出了一个概念：实证软件。
论文地址：https://arxiv.org/abs/2509.06503
AI科研系统的工作流程：
“科研问题被转化为可计分任务，经由大语言模型生成代码，并通过树搜索反复迭代优化，最终获得最佳方案。”
与常规软件通常只以功能正确性作为评判标准不同，实证软件的首要目标是最大化预设的质量评分，科研问题被重新抽象为一种可计分的任务（scorable task）。任务中包含清晰的问题描述、衡量优劣的指标和数据集，AI要做的，就是直接朝着分数最高的方向不断优化。
在这一机制下，AI是一个高速运转的实验员，先生成研究思路并写出可执行的代码，然后在沙箱环境中运行，利用树搜索的方法筛选出值得深入的候选方案，再让大语言模型对代码进行反复的改写和优化。
基于GeoGPT的经验，我们正将这些探索延伸至其他研究领域。
在更广阔的框架下，这关乎“人工智能+科学”的融合。
AI成为像数学一样的基础学科
更为重要的是，人工智能正成为如数学般基础的学科。
在我看来，人工智能是另一种数学，将助力科学与技术的各个领域。
谷歌的系统被拿来挑战19个异常棘手的积分任务，结果出乎意料：
标准数值方法几乎全军覆没，而AI系统却成功算出了其中17个（数值积分任务的部分示例：谷歌系统在19个测试积分中成功求解了17个）。
这说明，它并不只是停留在表面，而是真正学会了如何在复杂数学场景中找到突破口。对科研人员来说，这意味着在长期困扰的数值计算上，AI已经能给出可用的答案。”
我们聚焦三项工作。
首先，构建“大科学模型”，代号“021”（zero to one）。
它不同于大语言模型，因其需融合非文本的科学数据，并依赖基础设施实现成果共享。我们建立了zero2x.org网站，确保全球用户通过互联网共享这些能力。
其次，我们在探索超越地球范畴的无限可能，发起名为“三体计算星座”（three body computing constellation）的全球倡议。其背景在于：太空激发了无尽的想象力。
20世纪40年代末，正当图灵提出“手握笔和纸的人类是一台通用机器”时，英国弗雷德爵士（Sir Fred）设想从太空拍摄地球照片。当时尚无卫星或空间站，无人知晓地球全貌，但这一愿景极大地促进了我们对地球的理解。
阿波罗17号宇航员比尔·安德斯（Bill Anders）拍摄了一张著名照片。我尤为欣赏他的名言：
“我们为探索月球而来，却发现了地球”（We came to discover the Moon but we actually discovered the Earth），
这张照片极大深化了我们对地球的认知。当前的所有挑战均需深入理解地球，而计算与人工智能是实现这一目标的重要途径。
阿波罗11号率先将计算技术引入太空
历史上，阿波罗11号率先将计算技术引入太空，搭载超过1.66万个晶体管。三年后，英特尔首款CPU仅含约2000个晶体管。集成电路技术最先应用于太空而非地球。太空技术不仅应用现有技术，还为探索新技术提供了广阔空间。
如今，我们既可探索技术前沿，也需应对气候变化、自然灾害和土地退化等全球挑战。
地球观测有助于我们深入了解地球并解决难题。我高度认同“地球智能”（Earth intelligence）的愿景。在人工智能领域，这是一项极具价值的应用。
更重要的是，它利用U-Net、SegFormer等架构，并结合图像增强手段，说明它不仅在「复制」，也在「改造和优化」。
全球挑战亟需全球协作，需在轨道内聚合与处理多源数据。我们无需将卫星数据传回地球，而可在太空完成处理。这催生了将人工智能引入太空的理念，而太空中的人工智能依赖于我所称的“太空计算”（Space Computing）。
计算卫星有望成为第四类卫星
我长期研究云计算，但以往的云计算均局限于地面。这是我们首次将计算技术引入太空。这重新定义了诸多领域。目前，我们有通信、导航和观测三类卫星。如今，我们有望迎来第四类：计算卫星。
我们希望以协作方式构建这一系统，因而命名为“三体计算星座”。
许多人可能通过科幻小说了解这一术语，但其源于牛顿的“三体问题”：两个物体易于解析，加入第三个则复杂无比。
这意味着协作充满挑战，但我们矢志不渝地推动这一目标的实现。
我们不希望仅由单一组织或公司完成这一目标，而是期望数百甚至数千个组织协作构建这一星座。
目标简单明确：即使仅拥有一颗卫星，也可加入，共同实现诸多可能。
观测伽马射线暴等天文现象需要不同卫星协作
例如，观测伽马射线暴等天文现象，需不同卫星上的传感器实时协作、相互通信、触发响应，并在太空完成计算。这是观测此类现象的唯一途径：
计算与人工智能不仅是优化手段，更是不可或缺的核心。
更进一步，地球深受太阳影响。我们正与科学家合作，发射卫星以观测太阳。这些卫星将部署于距地球约1.5亿公里的日地L5点（日地第五拉格朗日点，Lagrange point L5）。
观测太阳的卫星将部署在距地球1.5亿公里的日地L5点
那里无法快速传回数据，需在太空完成处理。L5点是人类从未涉足的区域，这一前景令人振奋。计算与人工智能将在此实现非凡成就。
最后，我想强调，计算与人工智能是人类迈向火星的同路人。没有它们，我们难以实现火星之旅。
谷歌“实证软件”背后真正震撼的是：AI已经不满足于模仿，而是在科研中展现出了创新能力与跨学科的通用性。
在基因组学任务中，它能够自动把两个不同的专家方法组合起来，得到比人类更优的解；
在单细胞RNA测序（scRNA-seq）数据的批次整合问题上，谷歌的系统展现了真正的科研创新力。这类任务的难点在于，不同实验批次之间会产生复杂的技术偏差，如何在消除这些偏差的同时保留真实的生物学信号，一直是领域里的核心挑战。
研究人员并没有只让系统从零开始，而是把现有方法的文字说明直接输入给它。比如BBKNN，这是一种常见的批次校正方法，核心思路是：在每个批次内部为细胞寻找最近邻居，再把这些邻居集合合并，得到一个批次校正后的整体图。最终，它把BBKNN和另一种方法ComBat拼接在一起，得到一个完全新颖的解法。结果显示，在OpenProblems V2.0.0的综合指标上，比最佳人工方法提升了14%。
在神经科学任务里，它首次把生物物理模拟器和深度模型拼接，开辟出一种全新的混合思路。
在Zebrafish全脑神经活动预测中，AI系统不仅打败了所有现有基线，还设计出能结合生物物理模拟器的混合模型
在斑马鱼全脑神经活动预测中，AI系统生成的模型（蓝色）整体误差更低，全面超越现有基线方法（红色），其中TS-Jaxley更是将生物物理模拟器融入预测，提升了可解释性
类似的尝试在学界和业界已有先例：比如DeepResearchGym提供了评测框架，OpenProblems.bio社区建立了scRNA-seq的公开基准。
但谷歌的系统首次在这些基准上全面跑通pipeline，给出了可量化、可复现的专家级结果。这种创新并不是单点突破，而是跨学科的普遍现象。
从基因组学到公共健康，从遥感影像到时间序列预测，系统都能快速适配，找到新的路径。
美国在疫情期间，CDC的CovidHub Ensemble被视为预测住院人数的「黄金标准」。而谷歌的系统自动生成的14个模型，集体表现超过了官方Ensemble。
AI在新冠住院预测任务中的表现，整体优于CDC官方的CovidHub Ensemble
在通用时间序列预测的GIFT-Eval基准上，谷歌的系统完成了一件几乎不可能的事：从零开始，只靠一段代码不断爬坡优化，硬是炼成了一个能覆盖28个数据集、跨越7个领域、适配从秒到年的10种频率的通用预测库。
这意味着，AI不仅能解具体问题，还能自己总结出一套通用方法——科研里最难啃的「跨领域泛化」，它也啃下来了。
谷歌这套系统真正惊艳的地方，是它在六个完全不同的科学领域里，都拿出了堪比专家的成果。
这些基准的多样性使我们能够综合评估其在零样本泛化、高维信号处理、不确定性量化、复杂数据语义解释和系统层面建模等方面的能力。
过去科学家依靠反复试验推进，如今AI系统也能以相同方式进行大规模试错，而且速度提升数百倍——把几个月的探索压缩到几小时。
这意味着科研节奏可能迎来真正的「指数级加速」。
AI已经能在多个前沿领域生成新方法、验证结果、超越专家，人类科学家的角色也正在被重新定义。
在这套系统里，AI负责的是不知疲倦的实验与探索：成千上万种方案的尝试、优化和筛选，本来需要几个月甚至更久，如今压缩到几小时或几天。
我们的系统能够快速生成专家级别的解决方案，将一组想法的探索时间从数月缩短到数小时或数天。
而科学家的职责，正逐渐转向提出方向、判断价值、定义优先级。
AI可以在技术路径上无限拓展，但科研问题本身的意义、背后的社会价值，仍然需要人类去设定和把握。
这意味着，科研分工正在走向一种新的格局：AI或许会成为高效实验员和方法发明者，人类则站在更高的维度上进行选择与决策。这意味着，谷歌的系统不再只是一个「研究工具」的实验，而是迈向了和FunSearch、AI co-scientist等项目同一赛道的下一步：从单点突破走向跨领域的科研合作者。
谷歌已经将这套系统产出的最佳方案全部开源，并提供交互界面让研究人员追踪整个搜索与突破过程。这种开放姿态，意味着科研界可以直接在真实任务里验证、扩展这些AI生成解法。
8月26日，国务院发布关于深入实施“人工智能+”行动的意见，提出到2035年全面步入智能经济和智能社会发展新阶段。
这算是再一次吹响了AI大发展的号角。而事实上，AI早已被定性为第四次科技革命的关键领域，而作为全球唯二有资格上桌的国家，中美也在此领域投下重注，并展开激烈的竞争。而鉴于两国之间激烈博弈态势，现在中美在AI乃至高科技产业方面，已经形成了截然不同的两个阵营，不仅各有各的产业链，连创业者之间，也从一开始就要选边站队。
这跟过去几十年是完全不同的。过去中国虽然也积极培育自己的互联网和科技产业，但不管是商业模式、底层技术还是数据库等，都依然基本套用、借鉴乃至依赖于美国，中国的科技，从底层逻辑来看依然相当程度是构建于美国体系、框架之上的。
而现在，双方真的是各做各的，从底层来看就是互不相干的两套体系。从好的方面看，这表明我们的科技基础和资本都已经积累到相当程度，已经足以跟美国一样，独立撑起一套完整的科技发展体系。但从坏的一面来看，一山不容二虎，当两套体系去争抢同一个高地，那无论出于各自的利益，还是人类文明的发展效率，最后必然是要分出个胜负。而这个胜负，也将深刻影响中美在下一个历史阶段的国运，乃至整个人类文明的前途命运。
那么，这场围绕AI的竞争，现在是什么样的态势呢？从技术创新角度来看，毫无疑问，美国是保持领先的。虽然美国有Chatgpt，中国也有deepseek；美国有英伟达，中国也有华为系。但很明显，中国的AI产业，尤其是硬科技这块，依然处于被美国战略压制状态。至于影响力，美国的AI产品理论上拥有全球市场，而中国——Deepseek这种软件可能还好点，硬件方面，至少现阶段，用华为系芯片的产品是基本不出国门的。
为什么会有这种差距？当然最基本的因素，是美国本来科技方面的基础积累就强于我们。可如果仅就于此的话，那压根就不足为惧。毕竟过去几十年，我们就是这么一路追赶过来的，既然其他方面都赶超了，那AI领域我们照样能做到——事实上，我们也确实在短短几十年里从一穷二白，追到了哪怕是AI领域也能跟美国一掰手腕的位置。
但美国真正强的，还不至于此。真正能让它的维持对华优势的，还是在于人才。毕竟AI也不是传统的重工业、不是机械制造，AI是典型的轻资产行业——软件就不说了，哪怕是硬件，主要靠的也不是机器、厂房，而是一个个优秀人才的研发创新。
在吸引人才方面，美国是有其独特优势的。长期以来，全世界都是美国的人才宝库，硅谷可以招纳各国精英，这种人才来源的广度，是仅能靠自行培养的中国望尘莫及的。
不过，近年来，情况逐渐出现了些变化。虽然理论上美国依然可以吸纳全球英才，但实际上，由于美国广大基层平民被快乐教育玩废；能接受优质教育的中产和精英，也主攻金融、医疗、法律等非技术领域，所以美国乃至整个西方，理工科，尤其是科技人才供应其实是呈萎缩状态。
这种情况下，美国高科技行业的技术人才来源，主要变成了第三世界国家。其中又以有庞大人口规模，又有良好理工科基础教育体系的中印为主。
由于中国一直被美国视作竞争对手，所以一开始印度人更受青睐。但印度的受教育人口基数终究不能跟中国相比。最关键的是印度文化方面的劣根性，导致这帮家伙更喜欢拉帮结派、画大饼而不干实事，近两年被坑怕了的硅谷科技公司，又不得不重新重用华人。
这就导致出现了一种比较奇葩的现象，就是现在中美的AI竞争，在某种程度上相当于本土中国人，与北美中国人之间的竞争。说的更直白点，就是留在国内的中国人，与跑去美国的中国人竞争。
这确实是很让人扼腕的。毕竟跟鱼龙混杂的文、商、艺术类留子不同，理工科，尤其是尖端科技领域，能留在美国的科技人才，大部分都是真正的精英，这帮人如果能留在国内，此消彼长之下，无疑会对中美AI乃至其他高科技领域的博弈产生巨大的逆向影响。
那问题来了——为啥这帮中国人要跑去美国？
当然，这个问题，你要问他们，大部分都会说美国科研环境好或者生活环境好。
这话搁以前还有道理，但随着中国经济发展和科技投入增加，这些差距已经大幅缩小。但与此同时，华裔位于美国种姓鄙视链低端的地位是没有改变的——甚至随着美国对华敌意的加剧而愈发严重。至于所谓的人情世故、圈子文化等，这玩意在任何国家都存在，如果去的人说在美国感受不到，那只是因为他的实际社会地位，低贱到连感知这玩意儿的资格都没有。
既然如此，那这帮人为何放着中国本土不呆，非要上赶着去美国呢？
原因很简单，美国的钱给的实在是太多了。毕竟论资金，美国有全球最繁荣的金融市场，可以吸纳全世界资金给美国AI产业输血。更重要的是，美国本身是金融帝国，产业是为金融服务的，所以在发展AI这事儿上，不管初心如何，但最后都会自觉不自觉的把AI的创新突破变成用来追求短期直接回报，甚至包装炒作推高股价的工具。
而这一点中国是做不到的。中国这边虽然资本也不少，政府也舍得砸钱，但跟美国比肯定还是要差一些；但更重要的是，中国是工业立国，金融的定位就不是主角，而只是为实业服务的工具。所以，中国的AI产业，在自身利益最大化和服务经济、服务实体产业之间，政府会用各种办法把它引导向后者。
这种差异，最直观的体现就是chatgpt与deepseek；二者无论是估值，还是收费标准，还是背后的经营模式，都完美的体现了中美在对待AI方面的根本性理念差异——一个是高收费做估值推股价，另一个则是直接把AI弄成白菜价，科技普惠、服务实体。
这种差异，最直观的体现就是chatgpt与deepseek；二者无论是估值，还是收费标准，还是背后的经营模式，都完美的体现了中美在对待AI方面的根本性理念差异——一个是高收费做估值推股价，另一个则是直接把AI弄成白菜价，科技普惠、服务实体。
那么，哪种模式更好？对国家、产业和民众来说，当然是Deepseek模式更好；但对于搞AI的这帮精英科技人才来说，当然愿意选chatgpt——毕竟相同的付出，同一档次的成果，你在美国能立即获得的物质回报，可能是中国的五倍、十倍、甚至百倍！
这就是在中国AI乃至高科技产业已经起来，依然有大把本土科技人才选择受雇于硅谷；某些中国初创AI企业也选择拿美资，甚至直接把公司搬到美国或者新加坡等美系势力范围的原因。这些人并不傻，他们当然知道自己在美国赚的再多也没有社会地位，再怎么豪宅游艇大别野，也依然改变不了在美国社会中的达利特种姓。但问题是，虽然他们注定了不可能贵，但在富这方面，美国是真能管饱管够，给的远超于中国的。
这就是在国内AI产业崛起后，依然有大量国产科技精英依然愿意去为美帝AI添砖加瓦的原因。
当然，你可以站在道德制高指责他们。但客观的说，逐利是人的本性，不是每个人都是钱学森；而对外开放的基本国策，也决定了我们不可能闭关锁国，把人才硬堵在国内。所以，对这类人，虽然不会去夸赞，但也没必要去指责。
只不过，这种人才外流，也确实在客观层面，严重削弱了中国在AI产业的发展势头乃至与美国的竞争。直到现在，美国依然可以依靠包括中国在内的全球人才，维持创新突破层面的对华领先，中国虽然也上了桌，但迄今为止也依然只是追赶者。
这种局面不打破，那想在这场战争中战胜美国，无疑是不可能的。但问题是，如果不能限制这些高级AI人才的外流，我们能战胜美国吗？
答案是，能。
为什么能？答案就在AI的产业落地当中。
美国为什么能开出比中国更高的利益？前面解释了，因为除了美国本身比中国有钱，更重要的是人家把AI产业高度金融化。通过金融手段催生泡沫，进而让AI人才得以在极短的时间内，获得极为丰富的物质回报。
但产业金融化也有个问题，就是限制了AI的落地。美国本身去工业化严重，本国产业空心化，所以美国AI在落地过程中，不仅面临收费畸高，普及率受限的问题，更重要的是它没有足够的工业应用场景，只能局限在服务业。所以相应的，美国AI应用也大多瞄准第三产业，在工业AI方面进展缓慢。
但中国不一样，作为人类有史以来最大的工业帝国，中国工业为AI应用提供了丰富的落地场景。再加上我们的第三产业总量本身也不低，这意味着除非美国再工业化成功，否则我们的AI的潜在市场空间是大于美国的。
更重要的一点是，随着AI直接助推生产力的不断深入，中国经济的总量和发展质量都会不断随之提升。
生产力的规模和效能提升，国家财富总量自然也就增加。财富总量增加了，自然也就意味着能回报给AI产业的财富也水涨船高。
这就是中美的AI获利思路差异。美国更倾向于一骑绝尘吃独食，中国则是共同富裕、带着经济体系一起发展。美国靠技术领先来维持金融运作，然后通过金融收益回报AI投资人和人才；中国则是通过技术发展不断壮大经济总盘子，然后从大盘增长，反过来助推自己水涨船高。
那从长远来看，哪个更稳？毫无疑问当然是中国更稳，毕竟金融是虚的，经济底盘是实实在在的。虽然中国AI是走白菜价路线，也不像美国那样允许过度金融炒作，所以短期收益肯定不如美国。但只要这条路能坚持走下去，长期收益——不管是国家，民众还是AI产业本身，回报依然会水涨船高。
相反，如果美国迟迟不能将领先的技术充分落地，光一味靠高收费和金融回血，那一旦泡沫破灭，或者技术逐渐被依托庞大应用场景训练的中国反超，那美国AI的技术优势就金身告破，而且再无反超可能。
这么一分析，大家是不是会觉得，中国AI战胜美国是历史必然？
非也。确实，从逻辑上看，中国的玩法才是正道。但这条正道能否走通，能否最终反超美国的歪门邪道，其实依然存在未知数。
未知数在哪儿？依然是人才。前面分析了，人才是中美AI竞争的核心资源。已知美国能给高级AI人才的直接物质回报是远超中国的。所以在中国AI的造富能力与美国缩小到一定程度前，中国不仅吸引不到外国人才，本国高级AI人才会在相当长一段时间内被美国持续虹吸。
鉴于中国这种普惠模式的AI应用思路，虽然确实很稳，但效果肯定很慢。这也意味着，在相当长一段时间内，美国都可以通过利益收买的方式，维持对中国人才甚至初创企业的虹吸，进而维持对中国的压制。
我们不能阻人才和企业去美国逐利，也不能阻止美国挖墙角，那怎么办？
办法只有一个：大力发展理工科教育，提高科技、尤其是尖端领域的人才基数。
高级AI人才确实很稀缺，但这种稀缺依然是相对的。梁文锋再金贵，也不是钱学森。说到底，中国AI人才的涌现是建立在科技生产力发展基础上的，是可以培养的；这跟当年中国的导弹、航天两眼一抹黑，全靠钱学森这种天降神人，从西天取经归来不是一回事。
只要是能培养出来的，那就有破局的办法。确实AI人才会被美国虹吸，但只要你培养出的人才足够多，那美国也不可能全部虹吸走——毕竟马太效应在美国同样存在，甭管科技资源还是金融资源，都只会向头部聚集，美国AI行业的牛马岗位同样也只有那么多。所以，只要中国培养出来的中高级人才足够多，那就算被美国虹吸一部分，依然能有足够的优秀人才留在中国，利用中国的资源，按照中国的产业发展思路做事。
这方面，我们依然拿梁文锋举例。梁文锋靠deepseek技惊四座。但真要说的话，中国没了梁文锋，就搞不出Deepseek吗？
不会的，毕竟产业基础到位了，科技基础也到位了，人才基数也足够大，就算没有梁文锋，依然会有其他人做出来——最多就是稍微晚一点儿而已。
这就是偶然中蕴藏着必然。只要土壤具备，肯定就能结出硕果。
唯一的前提，就是土壤必须足够厚，足够肥。必须要有扎实的理工类基础教育体系，源源不断的培养供应大量理工类人才，这样即便被美国用钱吸走一波，剩下的依然能让我们在人才沉淀方面，跟美国维持在大致同一段位。而只要人才不落下风，从长远看，我们就必然可以凭借自己更扎实的整体工业基础，压到美国的金融优势，取得AI战争，乃至整个科技战争的胜利。
刚刚，谷歌发布71页AI科研报告！6大领域全面超越专家，几小时顶几个月
空间因“您”而变！
联系『变芯®空间』
合作沟通：请加 zr18620222480
合伙人招募：1638079312（微Q同号）
供应链接：请发至1638079312@qq.com