总的来看全球化在放缓，美国挑起贸易战失败，美国挑起供应链脱钩不明显，所以转向挑起AI和科技脱钩，硬件的脱钩对中国AI发展有很大影响，所以全球化的未来最终是看科技，这已经变得很明显。
在这一情况下我们怎么竞争AI制高点？我们的战略是什么？我的观察是走中国特色AI发展之路，推动新全球化大潮。
我们需要新的战略调整，需要建设国家创新体系，特别要发展我们的优势。第一，发展制度优势，顶层设计全面制定国家AI发展战略。第二，特别要加强国家战略支持人工智能赋能科学研究，推动人工智能和其他学科的交叉。第三，发挥市场和规模优势，特别重要的是推动市场基础的商业化AI发展，这是我们的长项。
——朱 民 中国国际经济交流中心副理事长、IMF（国际货币基金组织）原副总裁
（以下为朱民在1月7日清华五道口云课堂在线大讲堂上的演讲实录）
今天讲的题目是“人工智能（AI）的发展和全球化的未来”，特别涉及到中美竞争和战略。
从经济学家的视角看AI 2.0，所以科技界的朋友请原谅我的无知，可能会犯很多错误。但它在更宽广的视野，我们现在是两条线交织：
一条线是人工智能发展非常迅猛，它从1.0走向2.0，越来越进入物理世界，用我的语言来说是脱虚向实的过程，进入物理世界，进入管理和优化物理世界，这是了不起的发展，这是一条线。
另外一条线，美国芯片法案和限制芯片出口，挑起对中国的科技战。在科技战的情况下，对全球化有很大影响，因为逆全球化是从贸易战走向供应链战，最后走向科技战，这是最关键的源头。
所以在这种情况下发展怎么样？中国怎么定位？这也是很大的一个课题。在这里会用中美的数据给各位做分析，看看中美各自在全球的人工智能发展中，在什么地方是我们的强项、弱项，最后就我们的发展战略有一些思考，给各位朋友做简要的汇报。
这是两条线的交叉，一条线是人工智能非常蓬勃地向前发展，一条线是逆全球化和科技战，怎么样会影响和冲击人工智能的发展和全球化，以及在中美竞争的格局下我们怎么看到未来，所以这是两条线的运行。
今天的讨论分为四个部分：
一、简要给大家汇报一下我看到的人工智能2.0。
二、讨论统计意义上中美人工智能的发展，各自不同的布局，强项和短项。
三、在这种情况下看最近发展的逆全球化，逆全球化怎么样从贸易战走向产业战，也就是供应链的战斗，之后走向科技战。
四、在竞争人工智能发展的制高点，它的战略、数据、产业结合和开放，可以有优势的，需要抓住的特别重要的方面。
01
人工智能2.0及其未来定位
人工智能最近有重大发展，所以这个影响还是非常大的。
我们正在离开信息时代进入智能时代。以前在不同场合都与大家讨论过，信息时代是可以在任何地方、任何时间几乎零成本地获取信息，现在手机打开就有无数的信息，这么多信息的使用者、决策者是人类，所以人类在用信息的时候是程序优先，数据是程序应用产生的结果，所以是应用优先还是人主导，这是信息时代很重要的特点，信息的发展是人主导。
智能时代是信息被机器和计算机程序使用频率呈增长的趋势，数据优先，数据先于应用存在，数据让机器智能化，而智能化的系统可以处理产生更多数据，这是数据优先的行动。所以是数据优先而不是程序优先，所以不是人类优先，这是一个重大的区别。
所以从信息时代走向智能时代的时候，人类的认知正在发生根本变化，人类的智能从观察开始，例如科学家牛顿看到苹果掉下来引起万有引力等等。从观察走向科学、科学走向技术、从技术走向产品。科学走向技术的过程中，用算术公式表达是特别重要的程序，这也是科技发展遇到的过程。
在数据时代，数据为基础，数据直接产生知识，它是人工智能，知识到产品、产品到数据，之后到迭代，它是不断循环的过程，这个过程是人对产品的观察，大家可以看到数据机器认知链更短，而在这两者很重要的方面是人类有史以来第一次发现机器认知。
机器认知不完全模拟人类认知，理解这点很重要。人工智能1.0的时候基本是人类认知，只不过让机器搜索面更广、速度更快，就像做AlphaGo可以在围棋上夺冠，基本是人的认知。但是机器和人类的认知不完全重合，它可能探索到人没有意识到或没有看到的东西，通过对数据的搜索，从而扩大知识的绝对空间，这个概念很重要。
机器认知或者人工认知可以扩大人的认知，这是革命性的变化。这是第一次开始看到在人类认知之外可能有机器认知，会扩大人类认知，这个很重要。
与此同时，从数据到服务社会的路径比人类认知更短、更有效，所以数据就是知识，知识会变成数据，已经变成同一体，所以数据的流通、产生、应用变得非常重要，这是今天这个时代特别重要的基本特征。
在这一情况下，很重要的是在人工智能发展出现以数据为中心的AI，人工智能等于是模型中心、程序中心转向和加上数据中心，当程序中心的时候是人编的程序，而数据中心的时候，数据是一个无穷的空间，是让机器自己找一个未来，所以这在哲学来讲是一个根本的区别。
这里有一个案例，炼钢厂对钢板的质量检测，技术模型也就是程序基础，精准度只有76.2%，因为是基础模型，但如果加上数据中心，那么可以加上16.9%的准确率，可以使准确率达到93.1%，所以数据能找到的规律，展现的空间还是很大的。
当人工智能从程序中心走向数据中心的时候，人工智能从1.0走向2.0，这是我对人工智能1.0和2.0的定义，现在或多或少有提到，个人感觉编程为中心的是AI 1.0，现在以数据为中心是AI 2.0，核心的转换是机器智能的出现，并且这个发展非常快。
所以AI 1.0是编程和模型为中心，训练的数据是机器学习过程中外生的，数据是外生的这个很重要，在1.0主要聚焦模型的特征、算法的设计以及定型的结构设计和框架，有了模型用数据去学习和发展。
AI 2.0的时候是以数据为中心，数据的规模和质量日益成为获得理想结果的关键要素，数据是资源。模型可以相对固定，但更重要的是关注数据的定义、管理、切割、扩充、增加、修正，使得数据更有效，这个非常重要。
数据的规模、质量，以及在数据基础上的训练，这是人工智能发展的重要基础。所以有计划的标注、分类和迭代是关键，这时需要数据和专家共同参与，专家参加是内生的组成部分，以专家的知识编码，但是与数据共同产生未来的结果，所以这是数据的迭代、发现和发展，补充和充实专家的概念和假设，之后是专家作为一个流，数据作为一个流，两个流的合作，人与机器是共同探讨未来，这是一个很大的变化。
后面会讲到人工智能赋能科技，这就是很重要的途径和方向，所以这是人工智能的根本变化。
在这种情况下，典型里程碑式的转折点是出现大模型，大模型成为基础模型，越来越具有泛化能力和通用性，用途越来越广。
2017年，谷歌提出Transformer，是一个基本框架，引入自注意力机制，成为绝大多数大模型的基础架构；
2018年，OpenAI提出预训练模型GPT，2020年GPT公开大语言模型GPT-3，参数量达到1750亿，这是了不起的模型；
2021年谷歌提出Switch Transformer超大规模训练模型，参数量1.6万亿，阿里接着发布M6多模态模型，参数量10万亿。
大模型的发展是很重要的一个方面，以数据为中心的话，数据的规模很重要，模型的规模很重要，参数量的规模也很重要，因为规模使得具有泛化能力和通用性，因为机器自己学习、自己发展，在数据中训练、实践和摸索，这是很有意思的。
在大模型上人工智能2.0在技术上有一系列的突破，基础模型可以看到Transformer成为基础架构，从NLP（自然语言处理）走向计算机视觉等等，并且开始走向生成人工智能，走向人工智能为科技赋能，特别在结构生物学蛋白质质和RNA结构预测，以及生成人工智能，一开始出现就成为技术膨胀期，走得非常快。
生成式人工智能走得非常快是用Diffusion Models，它的应用面非常广、突飞猛进，一下子进入技术膨胀期，以数据为中心的人工智能逐渐从模型为中心到数据中心，进入技术的萌芽期。
出现了因果人工智能，因果人工智能之前一直说它是关联，它是Correlation，现在是Causality，走向因果，因为人的思维是因果性的，所以人工智能可以达到因果智能的话，那么跟人的智能就很接近，就会走向通用化，当然现在还是处在技术的萌芽期，现在因为大模型的存在出现复合型人工智能，有连接主义和符号主义，可以连接起来多元使用。
神经AI是神经科学和人工智能的交叉研究，因为神经AI可以对动物的反应、灵活界面都有很好的观察和研究，并且开始从智能进入物理世界，所以神经AI刚刚开始起来，但它的前途广阔。
一下子人工智能2.0走得非常茂盛，像一棵树一样，一下子开出无数的新模型和算法。所以回到Gartner曲线，典型科技突破发展成熟度的曲线。可以看到因果人工智能按照时间还有5-10年，基于物理的人工智能刚刚开始，但2-5年希望可以成熟，以数据为中心的人工智能在这里也是2-5年，决策智能、复合型人工智能、风险安全管理、生成式人工智能已经走得很快，合成数据的人工智能。
所以人工智能在技术萌芽阶段走得非常快，并且预测2-5年可以逐渐走向成熟，我们目前在用的自然语言处理、人工智能云服务、自动驾驶、深度学习都在这里，正在逐渐走出，但是新起来在技术萌芽期的人工智能2.0，我认为走得非常迅猛，也是发展非常茂盛，所以这是很大的变化。
在这种情况下可以看到大模型正在不断发展，以2020年GPT-3，这是一个标志性的事件，1750亿的参数量，紧接着2021年5月份华为出了盘古，盘古有2000亿的参数量，我们出了百度，是2600亿的参数，我们有FLAN是Google一个很大的量，Bloom是最新的大模型，清华现在构建的大模型GLM也有1300亿的变量，我们还有很多，智源跟清华合作的大模型。
所以大模型也就是两年半的时间，以GPT-3为标志，但发展得非常快，这是因为人工智能走向2.0是自我学习、自我发展，所以发展的速度在加快，这是理解2.0特别重要的一点，而这些都是在新的Attention AI做Transformer的基本框架，这是技术上、规模上和理念上的巨大突破。
在这里讨论比较多的是生成模式，最近ChatGPT引起很大的争议，就是从文字进去逐渐走向图像、视频、动态等等，Dall-E是2021年文字到图像生成走得非常快，Stable Diffusion是最新的大模型，清华现在也出了View2，它是一个开放模型。
所以它一个分支很大的是文字向图像生成，也就是生成模型，现在看来生成模型，其实从文字到图像生成好像是一个简单的跨越，但这里的技术内涵的、可能的发展空间很大，所以在这个基础上比如生成人工智能，这也是讨论很多的，主要是ChatGPT。
现在讨论比较多的是，比如说从文字到图像，文字到Code，文字到Video，文字走向3D，但在后面AIGC生成人工智能现在开始应用到蛋白质的预测、分析、生成，所以这个很有意思，作为经济学家来讲可以看到，现在讨论很多还是技术层面上文字到图像不同形态、业态的转变，但是进入了物理世界，这是很重要的一件事情。
在这种情况下，分析蛋白质的模型不断出现，标志是2018年AlphaFold1出现，逐渐用生成模型的方式开始预测蛋白质的结构，这很重要。大家仔细想，人就是由蛋白质组成，能够把蛋白质数字化，如果能知道所有蛋白质的结构数字化，3D结构，那个对生物界、对医药，特别对现在的病毒，对整个医疗和人类生命来说，它基本是里程碑式的改变，所以这个方面现在走得非常快。
在这个下面是出现初步的因果模型，它有解释性，这就不容易。以前是关联性，它是互动互为的，不知道因和果，现在可以解释因和果，所以它就可以泛化，并且现在来看因果模型还是具有稳健性，所以结构性的因果模型SCM已经开始出现，这是很重要的探索。因为我们批评人工智能不足之处的时候都说它是一个黑箱，它没有因果，因为人类的思维方式几千年来是因果、是逻辑，所以走向因果AI那么就是一个很大的变化。
刚才讲到最新的神经AI又是一个巨大的发展，神经AI是神经科学和人工智能交叉领域，特别重要的是可以识别和理解生物的智能的原理，并且抽象出来用于计算机和机器人系统，这就是仿真而且接近人，所以这对于机器人下一步的发展特别重要，因为它能理解生物智能。
所以从这个角度来看，逐渐神经人工智能它具有适应性和灵活性，并且从单个观察提炼和抽象出一般，把它变成生物智能，所以既能观察动物行为的多样性和灵活性，还能观察到动物与物理世界的交互，这是了不得的变化。现在用的很多像能源效率提升都与神经人工智能相关，但这还是早期的应用，所以神经人工智能发展未来有非常好的发展前景。
讨论较多的生成人工智能，对于它不同的路径来说也很有意思，这里借用启明创投的一张图。现在讨论比较多的都是从文字开始，文字到图像、文字到音频、文字到代码、文字到视频、文字到三维，但如果往未来走，现有的基础应用还是营销文案、企业探索、智能客服等等，声音合成、语音识别更精准等等。
现在用的模型是GPT-3大模型Bloom、DeepMind，都是用基本的模型在用，但是这些如果往外延伸可以看到，它最终可以走到一个很新的领域，它是生化，也就是刚才讲到的蛋白质（生物），它是赋能科技的过程，所以生成人工智能未来的发展也是前景非常广阔。
现在讨论比较多的还是图像、语音、识别的精准性，当然这还是科技的技术实现过程，但未来它是在物理世界，它是生化、在蛋白质、在石油有很大的潜力，所以从经济学家角度来讲，这是特别关键的转折点。
现在DeepMinds AlphaFold2现在已经被几百位科学家从植物、细菌、动物测量已知的3D蛋白质结构，现在已知的蛋白质结构是2亿，现在通过X射线、晶体照相和冷冻电镜，在蛋白质的数据银行已经有19万已经被测定出3D结构，这是已知蛋白质的1%，也就是已经把1%的蛋白质数字化。这个发展很快，7月份数据银行已经发表100万个，也就是5%的蛋白质结构已被测定。
这个模型未来有很大使用潜力，来做药物发现或技术研究，人就是蛋白质，所以人最终也是可以数字化，在这个基础上现在已经发表大量的学术文章，从2019年开始已经发表的论文增长非常快，三年内增长30倍的规模，所以科学研究在这个领域的发展非常快。这是个物理世界。
机器学习预测高阶药物组合现在也是走在前列，应用新的人工智能，从蛋白质开始做药，人工智能特别是机器学习最大的好处是可以把运用中病人的反应、动物的反应、药物有效性等等全部综合起来，做成闭环反馈，所以就使得训练的过程、研究的过程、迭代和逼近的过程加快，以前一个新药10年，现在的时间是大大缩短，所以人工智能现在进入物理世界，是一个很重要的方面。
人工智能进入物理世界的另一个方面是进入数学和材料科学，现在的人工智能构建是由数学家或者数学家团队与机器、计算机相互工作，数学家会提出假设，这一假设和监督的机器学习模型相互作用的两个工作流，数学家提出假设比如说是两个变量的方程，计算机产生大量的数据，叫实体变量，之后模型模拟数据，决定相关投入。
在这个过程中又可以返回，数学家可以不断优化假设，程序重复，直到假设被大规模的数据支持，所以这是人与机器合作探索物理世界，这是一个重要的核心突破，数学家在新的领域中变得越来越重要。
材料领域应用有很多，举一个例子，德克萨斯A＆M大学开发人工智能寻找耐氧化高熵合金（HEA），高熵合金有很好的耐高温性能，因为在工程中需要很多耐高温的金属，但容易氧化，所以要找到有耐氧化能力的耐高温材料，这样可以在航空航天、核反应、化工等等来使用。
人工智能的框架可以预测耐氧化的高熵合金的性质，用了计算热力学、机器学习和量子力学，可以定量预测任意化学成分高熵合金的氧化情况，整个计算筛选的时间可以从几年缩短到几分钟。材料开发，寻找新的材料、找到材料是整个人工智能未来发展的特别重要的新领域，人工智能进入物理。
与此同时，人工智能也开始参与物理世界的生产、运营和优化。人工智能因为规模大，越来越能够用于复杂场景的电子模拟，可以把地理空间传感测量融合，这个概念很重要，规模大了之后可以在地理和空间的传感，这是物理世界的传感，与计算机的计算和优化，所以和自主的和自动化硬件平台能够合作起来，这就是构建天地网，真正把天、地、人连接起来。
现在人工智能越来越多用于电子战争模拟，最主要的是在这些场景下，人工智能主导的自动和人工操作的混合运营模式，也就是人的操作和机器主导的自动操作现在可以混合起来。现在看来人工智能主导的操作比人主导的操作，精准度、效率可以大大地提高，所以人工智能现在参与物理世界的管理、运营和优化是一个很大的变化。
最近在核聚变取得突破性的发展，举一个新的例子来讲。第一次可以使产出电量超过输入电量，这是里程碑的变化。如果实现核聚变，那么整个碳中和，整个新能源的版图都会发生根本性改变。记得我在普林斯顿读书的时候，普林斯顿有一个当初还是苏联和美国合作的托卡马克装置。这个装置一运行，整个普林斯顿就没有电，当时普林斯顿是很小的镇，而产出的电极其微小，运作几十年进展非常缓慢，我在的时候还是80年代。但最近发展很快，人工智能起到很大作用，人工智能在整个模拟环境起到非常大的作用，使得预测和检测时间和效率大大提高。
举一个简单例子，在托卡马克装置中要求在极高温的等离子能够运作，但是等离子有很大不稳定性，等离子是在不稳定跳跃的过程中，如果碰到托卡马克装置的内壁，它会失去热量会衰减，那就达不到高温的需求。这在以前是一件很难做的事情，怎么控制等离子体，物理上是一件很难的事情，现在用电磁线圈，电磁线圈不断地调整来控制等离子体在托卡马克装置中永远保持悬空和运动状态。
但这个系统要求一秒钟把电磁线圈调整要达到几千次以上，这个以前在人几乎是很难或者不可能计算这样一个程序和动态发展，那么人工智能解决了这一问题。所以人工智能进入物理的环境的调控、优化和管理，这是一个了不得的巨大发展。
如果把刚才看到的人工智能发展，从一个经济学家的视角来总结一下，人工智能出现质的飞跃，从1.0走向2.0。1.0是编程和软件为中心，2.0是数据为中心，大模型出现推动人工智能的通用性和泛化性。
大模型大了之后在应用上一个最大的突破，是它突破了在量子力学中讲的“维度诅咒”。100多年前狄拉克和爱因斯坦在争论量子力学的时候，狄拉克提到未来都是量子力学，基础都有了，他的话是对的，今天用的手机等等都是量子力学，但是量子力学的应用发展还是慢，就是因为没有办法把它数学化的表达。
可以看到开普勒观察到行星可以用数学完美的表达，牛顿看到苹果下落就可以用数学表达，因为只有能够用数学表达才能把它变成物理过程，并且可以重复，能够变成有用的可以生产出来的东西。
爱因斯坦的相对论也只是四维的黎曼空间，但是维度再往上走的时候，人类的计算能力受到很大约束，现有的能力很难计算几十个维度的空间，大模型的出现，深度学习现在可以计算超过1400个维度以上的方程，用傅里叶延伸的话可以做到万亿级的变量，通过延伸几乎可以计算无穷的数学方程，这等于给科学家一个非常有力的工具。
所以科学家称之为科学研究的“第四范式”，从开普勒的观察、牛顿的观察这是第一范式，到第二范式，像爱因斯坦由理念到数学表示，第三范式很短是模拟的过程，第四范式是以数据为基础的，完全人工智能学习可以突破维度，所以AI 2.0变成可以赋能科研一个重要的基础工具，这是一个巨大的突破。
突破“维度诅咒”之后，量子力学应用的前景将会非常宽广，所以用我自己的语言来说，AI从虚向实。人工智能以前还是在信息服务业，它是在探索、减缩、精准服务，可以看到推送，所以人工智能主要还是在服务方面。现在人工智能走向探索和制造物理世界，最典型的前沿阵地就是材料和生化蛋白质，这两个都是物质世界最根本的基础，材料是物质世界，蛋白质是生物世界，而我们就是活在物质世界和生物世界，可以看到人工智能正在走向控制、管理和优化物理世界的运行，这个世界根本变了，人工智能的根本变了。
所以人工智能越来越趋于成为工程科学，它是普遍工具和基础设施，成为科学研究、科技创新和经济活动的工具和基础设施，那么人工智能的重要性就大大提高，重要的是人工智能开始独立探讨人类未知世界。以前以程序为中心的时候，它还是在人的认知基础上探勘未来，现在人工智能从数据出发，独立探讨人类未知，而这个未知可能与人已知的智能并行，而被并没有被人观察到的智能，这一定是颠覆性的，它会颠覆整个世界，所以这是一个巨大的变化。
2018年深圳市政府委托我做深圳市的人工智能发展战略，因为深圳是制造业中心，当时一个重要的想法是想看人工智能怎么样与制造业通过物联网连接起来进入物理世界，但我发现在技术可行性和规模上，以及整个方方面面还是做不到，还是很难能够与物理世界融合，走向物理世界。当时还没有想到创造物质、寻找新的物质，只是在说怎么样更好地管理物理世界。现在看来这一步正在实现，也就是四年时间，这几乎是难以想象的。所以人工智能变成工程科学普适的工具和基础设施之后，而且它又是面向未来、探索未知，人工智能2.0以及它的未来就成为全球科研创新和经济发展竞争的最前沿。
02
未来中国人工智能须更重视质量
逐渐提升到前沿
人工智能新的未来定位我们看到了，下面来看中国人工智能在哪里，比较直观的办法是与美国做一个比较。比较好的是许成钢教授最近跟团队做了《中国人工智能指数报告2022》，里面有详尽的数据，他们做了一个很大的数据库，用论文、开源框架、专利等等，来对中国和美国的人工智能做了一个比较，在这里引用一部分他们的成果。
可以看到2000-2021年，中国人工智能论文总量已经超过美国，中国10008，美国才9000，但美国参加会议的论文数量超过中国，因为人工智能发展快，所以很多一流的论文是在会议上发表，而不完全在期刊上发表。
如果我们看2022年，美国发表的论文数量还是超过我们，但美国的论文增长数量只有11%，中国的数量低于美国，但中国的增长速度还是很快的，可以达到24%，所以中国人工智能论文的发表还是走在世界前沿。
从单位来看，清华大学今年发表的论文数量全球第一，增长速度是最快的27%，清华大学过去十多年也是非常重视人工智能的发展和研究。大家可以看到微软、谷歌都在清华的后面，卡耐基梅隆一直是计算机人工智能的大本营，现在也还是排在第四位。在美国和中国之后，英国第三位，那个差距就很大了。
中国的论文还只是计算了英文发表的论文，如果把过去十几年中国国内的论文加上去，用CNKI（中国国家知识库），把中国的论文加上去那就了不得，将会超过美国4.5倍，因为我们还只有少部分是英文发表，大部分还是中文发表，这是中国论文发表在规模和量上走得很快、走得很好。
很重要的是质量，中美AI期刊论文的引用数可以看到，2018年中国开始上升，引用的数量开始超过美国，美国当然一直很高，后来才有所下降。
在会议论文引用数方面，美国比中国高多了，超过中国一倍，美国的论文还是以参加会议为主，中国因为参加会议相对较少，所以还是以发表为主，这是中美双方在人工智能论文上很重要的区别。
论文的核心还是在质量，重要的突破往往来自于少数最优秀的研究成果，所以在论文方面有一个叫高引用论文，或者极高引用，引用量超过1000以上的论文，那就是极其高质量的论文。
2000年至2018年，18年的时间美国这样的论文也只发表17篇期刊论文，中国发表5篇。在会议论文中，2015年统计美国发了32篇，中国发了7篇，所以高质量的论文美国还是领先的很多。
从论文领域来看，我们的论文更多在监测有关的领域，计算机、视觉、图像、视频等等，比较多场景、行动等等。这是我称之为AI 1.0，这是中国研究比较多的领域，中国的论文领域特别细分，但在细分里面自动驾驶是最多的，之后是物体识别、视频、图像的产生，场景识别等等，基本是计算机视觉，我们还是走在前面，并且细分很多。
美国比较多的是文字、生成、一般通用、语音，美国现在用得最多的还是人工智能最前沿的问题和回答，也就是图灵，智能机器能不能与人对话回答，以及自然语言文字处理，更多处理文字，那就是与大模型有关也就是文字，知识归根到底是通过文字落实和成型的，所以美国比较集中在2.0的领域，这是在整个论文发布的领域可以看到不同的分布。
从专利的角度来说，中国人工智能相关专利数在2018年超过美国，2021年中国专利数量12.12万件，高于美国7.32万件；2000年到2021年，中国人工智能公开专利数48.4万件，占全球25%，当然总量还是低于美国，2021年中国超过美国，但专利的平均引用数和质量还是落后于美国，但差距正逐渐缩小；
2021年中国专利被引用总数是4.52万次，低于美国的5.26万次，当然中国的专利数量也多，平均被引用数是0.37次，低于美国的0.72次，也低于世界平均水平0.42次，从这个意义来讲论文引用的次数，也就是论文质量不够；
2000年到2021年，中国专利被引用总数是146万次，大概只有美国引用总数的11%，也低于日本，所以从这个意义来讲，专利引用数量比较低是表明专利的质量还是在逐渐的发展过程中。
从这个领域来看，我们的专利主要在机器人和自动驾驶、计算机视觉、机器学习领域，这些方面中国的专利高于美国。而美国主要在自然语言处理、语音处理、生物医药、人工智能硬件（芯片）等等还是全球第一，相对中国的优势还是很大。
另外美国专利的申请大部分（90%）是企业，中国只有30%是企业，高校占70%，所以在中国存在一个很重要的链接，就是高校的专利怎么样转化成企业的应用，而美国是企业直接申请的专利，所以这是一个很大的变化。
同样引自许成钢《中国人工智能指数报告2022》中可以看到，美国2000年到2021年，整个专利从过去累计来看占37%，中国占25%，但引用总次数美国占64%，日本占7.4%，中国占7.1%，所以整个专利质量还是不一样。
平均引用数可以看到，我们的前20个专利引用数还是大学比较多，北京工业大学、西安电子科技大学、华南理工大学、北航大学、华中科技大学、清华大学，基本5次多一点。国际上Ethicon是医药工程公司，专利又专又基础，所以引用200多次，一般的也是30多次，与美国相比我们差距还是很大的。
在人工智能很重要的是开源框架，因为开源框架是集合智能各个方面的能力，硬件、软件、组合、构思，特别是标准。所以开源框架做完了之后，谁来关注、谁来用，这意味着开源框架质量如何，所以通常有一个星标，代表代码活跃程度、社区活跃程度、团队、流量和影响力，星标越高，影响力、流量就越高。大家可以看到美国开源框架的星标数量大概是中国9倍多，所以我们的开源框架还是一个弱项。但是中国很多的工程师和开发者是美国和全球开源框架重要的贡献者，这个很有意思，很多中国的开发者和贡献者都是参加美国和世界主导的开源框架，来支持和贡献这些开源框架的发展。
美国开源框架的星标是中国的10倍左右，但是中国团队参加的贡献（如图红色），这是25个，这是23个、21个，很多都是中国的团队在其中工作，所以我们的架构能力还是不够，但我们实际的动手和做模块能力还是很强的，这是很有意思的现象，也代表我们人力资源是有的，但大的框架、组织结构能力、整个生态形成还不够。
中美合作人工智能论文数量也有很多，从2000年开始一直上升，同样引用许成钢的报告，但2020以来因为中美科技摩擦，这方面的合作大大下跌，跌了一半左右，这也是在当前政治情况下，对整个行业很大的影响。
前面讲到大模型很重要，全世界的大模型美国占50%，中国占30%，所以中国也是走在前面。红色是中国大模型，球的大小代表参数大小，阿里M6是最大的，参数量是10万亿，这是新浪，这是悟道2.0，这是北京的智源，这是华为的盘古，这是清华和智源合作的，这些是中国。整个蓝颜色是美国的。
所以可以看到我们在规模和数量上大模型也是不少的，从大模型来看，美国的大模型分类比较简单，基本是单一的，语言为多、视觉为少。参数也不一样，比较高的是Google最新的Switch transformer参数是1.6万亿个，可以看到GPT-3是1750亿的参数，是很大规模。
中国的变化可以看到，最大的是阿里M6，中国是语言和视觉混合比较多，因为中国的长项和细分在计算机视觉，所以是从计算机视觉走向语言，顺便说一下人工智能的开发和发展越来从视觉走向语言，特别是大模型是以语言为主，包括智源悟道，变量是1.75万亿，清华GLM是1300亿，所以也在不断发展各种各样的大模型。
但大模型在发展中有一个很大区别，来看大模型生态。美国的大模型是基础公司做大模型，应用公司可以用不同公司的大模型，来提升应用体验和商业化，所以商业生态好，我们基本上是一个公司自己做的大模型自己用，所以有很多大模型，有很多垂直应用的架构，但整个生态并没有健全，所以都是根据自己的需要研究底层的大模型。从这个意义来说构建生态把模型连起来、用起来，商业基础变得特别重要。
与此同时，中国与美国人工智能独角兽的数量和估值差距还是很大，中国一度赶上去，但2022年差距又在扩大，可以看到美国的数量是292，中国是69，美国估值是4.6万亿美金，中国是1.4万亿美金，这个与商业模式和金融有关，我们也有很多观察，但这个题目比较大，我愿意另外找一个机会讨论人工智能企业融资上市和独角兽发展整个过程，这又是一个很重要的中国未来人工智能竞争的一个方面。
如果把中美人工智能做一个小结，可以看到很重要的是中国人工智能论文发表数量已经赶上美国（总量），但论文引用数量（质量）仍然落后美国。
中国AI论文主要分散在AI 1.0细分领域，例如监测有关的自动化、目标辨识、理解、行动和语言等，美国论文更集中在AI 2.0，例如文字、图像、生成等。
中国人工智能相关专利公开数量在2018年超过美国，2021年12万件，美国只有7万多件，所以已经很高了。但影响力，总引用数和质量（平均引用数）仍然低。
开源框架是反映AI整体应用水平的，中国开源框架的整体发展水平落后于美国并且差距较大。美国开源框架星标数量是中国9倍以上，但是美国开源框架的很多贡献者是中国。中美合作论文在上升，但现在开始下降，大模型是AI 2.0最主要的竞争领域，中国大模型走得很快，但构建生态和用起来还是一个很大的空间。
所以把中国人工智能放在国际来看，总量、规模和速度我们都有，现在需要的是质量，需要逐渐提升到前沿，这是人工智能发展未来很重要的一个方面。
03
中美竞争大势下的AI竞争
第三部分，在这个基础上讨论全球化。逆全球化现在越来越多地走向科技，所以这是很重要的方面。所以科技的竞争现在全球影响越来越大，它跟全球化有关，所以要讨论逆全球化的问题。
全球化从2008年以来已经在放缓，这是用彼得森国际经济研究院做的一张图，可以看到用贸易占GDP的比重作为开放指数来看，2008年之后整个在放缓，所以现在称之为慢全球化时代。
全球化的发展包括贸易流、投资、数据、知识、技术、人力，以前偏重于贸易、投资、人力，现在偏重于数据、知识和技术。大致经过5个阶段：1870年-1914年，40多年基本平缓没有很大发展；在一次世界大战和二次世界大战期间下跌，二战之后蓬勃上升，1990年又一次大规模上升，2008年之后开始放缓。
整个贸易和FDI流动在2008年开始停滞和下降，但是数据和知识流在上升。最近几年特别是美国挑起贸易战转向科技战以来，慢全球化逐渐走向逆全球化，不但在FDI贸易占比下降，现在也出现数据和知识流的下降，并且整个科技现在开始放缓，所以现在是慢全球化走向逆全球化的过程，其中最尖锐的是科技脱钩。
科技对整个全球化的作用很重要，因为科技是推动全球化进程的重要因素和动力，因为科技传播提升劳动生产率，并且在全球过程中很重要的是科技研究活动的全球化，先进的信息技术推动全球化发展，节省资源、节省劳动力、降低物流成本、降低科学技术传播的成本。所以全球科技合作在全球化的过程中影响很大。
在逆全球化的过程中，特朗普一开始提出贸易战，在中美贸易谈判第一阶段就是对中国加税，他也非常有针对性，他对中国依赖度很高的进口不加税，依赖度比较低的、可以转移的加税，并且要求中国扩大贸易，增加进口2000亿美金。
但我们做了一张图以后可以看到，整个中美商品贸易情况，美国对中国的出口并没有大幅度上升，不是中国不进口，当然疫情是一个原因，也是因为美国提供的很有限，而美国对中国商品的需求却是在节节上升，所以贸易战从2017年开始算的话，中国对美国的贸易盈余增加50%，从2400亿美金增加到3600亿美金，这个上升还是很快的，而中国整个对美国的出口也是上升很快，都上升40%左右。
所以美国贸易战并没有起到他想要的作用，原因很简单，因为中国是世界制造业大国，中国制造高质量并且是合理价格的产品，在全世界有很大市场，美国对商品有很大需求，并且它自己没有办法制造，这不是贸易政策，它是生产和制造的问题。
意识到这一点，美国从贸易战两年之后做了一个回顾，发现特朗普的贸易战没有起作用，而且是美国人吃亏，增加的税都是美国商人和消费者承担，所以转向供应链脱钩，转向产业，希望控制产业，限制对中国企业出口和进口，提出“友岸外包”（对朋友外包），对太阳能电池、光伏等等推动产业链脱钩，也使得美国公司分离中美业务中的供应链，规避可能受到中美冲突的影响，很多国家开始在中国采取“中国+1”的战略，分散在中国的投资。
所以逐渐意识到贸易管不住就转向生产，但现在看来生产，因为中国有全球最大的产业链，联合国2400多个制造业产品的分类目录中，中国是唯一具有全部门类的国家，所以它有完整的产业链和规模，要转移和脱钩不那么容易。
在此期间可以看到，美国对中国实体的出口管制不断增加，从2018年提到164，到最近提到528，大部分是高科技企业。逐渐地美国意识到，在竞争的最前沿其实是科技，如果能够对新的通用技术实施出口禁令，把科技作为经济领导地位竞争的一个重要组成部分，所以美国就开始更有针对性的用科技脱钩，希望能保护它国内整个制造业。
所以西方现在全面限制技术和知识转移，技术和知识流动，它成为经济脱钩的前线，将成为未来去全球化的主要形式，而不是贸易和金融，技术重商主义也成为西方战略。
所以逐渐从贸易战走向产业链战，再走向科技战，这也是隐藏在最早贸易战之中的，只是没有那么明显。2017年特朗普对华贸易战的时候，301征税清单中，涉及人工智能相关产业可以看到，机器人、半导体、辅助测量仪、自动化仪器等，这是提到最多的。
到去年年底美国已经对1156个中国的实体数量进行制裁，实体清单是528个，未经证实的清单是112个，军用、技术特别指定的国民名单等等，已经是1156个。
2022年芯片法案，一方面是扶持美国半导体产业，用2500亿支持美国半导体产业研发，530亿美金支持美国本土半导体产业就业和发展，另一方面就是遏制中国。解读芯片法案中的话可以发现，美国已经意识到在半导体领域的技术优势不是压倒性的，为了保证和扩大美国半导体领域的领先地位，必须政府参与，其实这就是美国一直批评的产业政策，而且拜登政府相信人工智能的变革潜力对未来有巨大影响。
所以他一方面是维持本国半导体科技产业；一方面说如果你得到我的支持，10年内不得在中国扩张和升级运营。2022年10月7日宣布《技术出口管制政策》，这是重大的科技战的升级，也是对市场经济规则前所未见的破坏。这个政策有几个要素：一是切断高端人工智能芯片的渠道，想通过这个扼杀中国人工智能产业。切断芯片很重要的是对中国人工智能有影响。同时阻止中国在国内设计AI芯片，阻止中国制造先进的芯片，阻止中国生产半导体的设备，这个干预达到前所未有的程度。
其中在这里面隐含的，美国人已经看到中国在人工智能方面追赶得非常厉害，已经与美国并驾齐驱。当两者不相上下的时候，要阻止中国人工智能的发展，釜底抽薪就是把硬件给抽掉，即芯片。
所以可以看到英伟达的芯片，是人工智能研究论文中最普遍使用的芯片，超过ASICs专用芯片78倍到131倍的规模，都是用英伟达的芯片。英伟达的芯片中A100、V100、H100，这都是中国AI科技公司和大学在研究使用最多的芯片。没有芯片怎么进一步研究？AI怎么发展？所以这对中国AI的发展有很大冲击，中国AI发展势头非常好，但在这样的冲击下会有很大影响，这是我们面临很大的挑战。
所以总的来看全球化在放缓，美国挑起贸易战失败，美国挑起供应链脱钩不明显，所以转向挑起AI和科技脱钩，硬件的脱钩对中国AI发展有很大影响，所以全球化的未来最终是看科技，这已经变得很明显。
在这一情况下我们怎么竞争AI制高点？我们的战略是什么？我的观察是走中国特色AI发展之路，推动新全球化大潮。
04
建设国家创新体系
把数据资产化
我们需要战略调整，根据我们的特色走长项、补短项，同时把发展中国的科技和人工智能，看作是推动全球化新浪潮的重大历史责任和机遇。
从这个意义来讲我们需要新的战略调整，需要建设国家创新体系，特别要发展我们的优势。所以分为几点：
第一，发展制度优势，顶层设计全面制定国家AI发展战略。这个很明显，因为AI已经越来越变成战略竞争的前沿阵地，所以要加强人工智能开源体系建设，加强AI大模型的开发和建设，特别是从追求数量转向追求质量。
第二，特别要加强国家战略支持人工智能赋能科学研究，推动人工智能和其他学科的交叉。特别在数学、材料科学、生命科学和生化科学等方面的合作，来推动中国科学研究进入科学研究的第四范式，把AI作为普遍的基础设施。
第三，发挥市场和规模优势，特别重要的是推动市场基础的商业化AI发展，这是我们的长项。中国的长项是市场和规模，所以推动市场发展、科技创新和产业创新商业化、构建平台和生态系统很重要，构建高校科研企业的联合创新机制。中国专利70%是高校、30%是企业，美国90%是企业，所以构建整个生态市场化、商业化的AI发展特别重要。
可以看到现在很多科技的发展，新能源、光伏、电池、电子设备、通讯设备、半导体，红色是中国已有的世界地位，都是与AI密切相关，所以进一步开发应用人工智能，巩固我们已经有的国际地位，这是很重要的战略。
与此同时，AI和产业结合，汽车、碳中和毫无疑义、半导体的国产化、软件国产化、高性能计算、区块链、商业航天等等，这些中国兴起的产业现在走在前面，这里用的是华泰研究的图。从这些方面来看，通过AI助力产业向前发展，又通过这些产业帮助AI迭代和发展，这是中国市场化发展AI特别重要的一方面。
这里特别强调一点，中国发展人工智能重大的优势和资源是数据。中国是数据大国，全球的数据2025年将达到175个ZB，2022年只有80左右，也就是三年全国数据会翻番，中国2018年才只有2.76个ZB数据，到2025年中国数据会达到48.60，美国只有30.6ZB的数据，所以到2025年中国是全世界最大的数据产生国。AI正在走向以数据为中心，数据就是资源。因为我们的物联网走在前面，所以结构性的数据也多，这是我们一个很重要的优势。怎样发挥数据优势？这是现在面临一个很大的机遇和挑战。
中央最新发表的《数据二十条》，这是一个特别好的文件，特别提出维护国家数据安全，数据的产权、交易、收益分配都要进行治理，让数据流通起来，充分发挥数据的要素价值，把四个核心的指导思想讲得非常清楚，这给我们的数据发展打下非常重要的政策基础、框架和指引。
所以我们下一步要把数据变成要素，很重要的一步是把数据资产化，因为只有资产化，让它可以流动、交易和使用，数据才能用起来，这是我们观察到的把数据用起来、把潜在资源变成实际资源最关键的一步，这里面有几个核心的组成部分：
1、发展计算机内生的安全性和向善性。
2、定义数据的所有权，以及所有权、使用权、经营权和分配权的分离。
3、保护隐私。
4、市场激励，有分配函数和架构。
5、监管框架的完善和生态。
我们在这方面是有基础，可以走在世界前沿，技术挑战主要是隐私安全计算，现在MPC同态加密、联邦学习、安全沙箱计算也是相对成熟，在这些基础上基本可以保证数据能够洗干净移出去被公共使用，这基本可以做到，当然还需要进一步发展。
数据要交易很重要的一点是把所有权、使用权、经营权和分配权分离，因为一个人、一个企业拥有的数据总是有限，这是第一。
第二，如果数据被垄断，不能流通，那么数据的规模使用非常有限。但在这方面我们是很有经验的，虽然现在法律上数据所有权的概念不清楚，但大家想1978年经济改革就是从农村土地家庭承包制开始，所有权和经营权的分开，之后又有转承包、分配权等等一系列的一直走到今天，所以我们对所有权、经营权、分配权和使用权等等是有经验可以用，可以在数据上实施。
这样我们可以估值，可以对数据资产金融化，这也有很多模式和事情可做，数据拆分、市场化定价，通过交易、拍卖等有很多方案可以做，都可以尝试。
最后很重要的是构建数据资产的商业化模式。现在我们已经出现数据平台的交易模式，特别在医疗数据方面有很多小型的，有些地方政府开始开放生态、数据和场景让企业使用，这都非常好。
但从大规模来看，未来是构建数据银行、构建数据信托，把所有的数据放在一个信托，我称之为“数据公社”的模式，让大家共同使用，共同分享使用的价值，这就是未来的商业模式，当然这还是需要做很多的探讨。
但这是中国的长项，所以现在美国的科技战卡了中国的硬件，这个影响很大。中国自己的长项是什么？中国自己的长项是数据、规模和市场、科技人员，那么需要第一步把数据资产化，让数据动起来，让它变成最重要的生产要素，之后把我们的市场资源用起来、人力资源用起来，来推动人工智能向前发展，用数据和算法来弥补和对冲算力的约束。
与此同时，我们还是要推动高水平开放、加大国际合作，也就是应用数据、论文和人才优势，发展我国国际人工智能主场平台，有的人要打科技战，我们搞科技开放，大家共同合作和研究，构建国际学术交流平台，防止科技的脱钩，这是加大国际合作，构建中国的主场，这是非常重要的。
时间关系把AI最新的发展和全球化的未来给大家做简要汇报。
这是两条线，最后总结来看：
第一，人工智能在发生重大革命性的变化，数据、算力和算法的加速发展推动人工智能突破性的发展，从服务业走向物理世界，人工智能正在从虚入实。
第二，世界因为人工智能的突破，正在离开信息时代进入智能时代，物理世界、经济和社会生活都在被数字化和智能化，这是很重要的。
我们正在看到人被数字化（蛋白质），与万物相连数字化，这是人工智能进入物理世界，所以AI 2.0变得越来越重要。
第三，AI 2.0的发展将重塑未来世界科技、经济、金融和地缘政治的格局，也是未来全球科技竞争、商业竞争和地缘政治竞争的前沿。
第四，全球化已经在放缓，地缘政治恶化使得慢全球化走向逆全球化，从贸易战、产业链的脱钩战到科技的脱钩战，而AI的发展和脱钩是下一个逆全球化的拐点。
第五，中国已经是世界人工智能的大国，美国挑起的科技战对中国AI的发展有很大冲击。
第六，需要发挥制度优势，以顶层设计战略性扩强补短，加快发展自主AI。
第七，数据资产化是下一个颠覆世界和推动时代发展的里程碑，中国是世界数据大国，推动数据资产化，应对AI脱钩对中国科技创新、经济增长和社会发展意义重大。
第八，同时推进AI赋能科学研究和数学研究、材料科学、生命科学和产业结合。
第九，改革、开放、构建我国开放式AI国际合作平台，助力世界AI共同发展。
第十，竞争、合作、发展AI 2.0，推动新全球化浪潮。
这是在今天全球震荡和巨变的节点上，人工智能发展突飞猛进的时候，我们又遇到科技战这样一个外部环境，我们面对挑战和发展的战略和未来。
中国的人工智能在过去十多年里发展非常快，以现有的基础，我们有数据基础、人力基础、论文基础、研究基础，我们有信心也有能力继续走在世界前沿，并由此推动整个全球化的发展。
问答环节
主持人：
在人工智能发展过程当中，如何发挥国家的人力资源优势，共同推动中国在人工智能领域提高质量，提升发展水平，能不能再展开讲一下人力资源的优势？
朱民：
这个问题提得很好，在刚才讲的时候已经看到，第一，人工智能的论文、专利已经世界领先超过美国，这表明我们的人力资源是丰富的。
第二，在开放架构的构建中，星标是低的，也就是开放架构不够，但我们的工程师、科学家都是全球开放架构最主要的贡献者，这说明我们有非常优秀的科学家和工程师，我们有非常丰富的人力资源。
从这个意义来讲，如果我们可以成为世界最顶级开源框架最主要的贡献者，那我们有顶级的应用型工程师和科学家，数据已经表明了这一点。
我们的论文和专利全球领先，表明我们有广泛的人力基础，这是中国的资源，也是中国特别重要的力量。所以在今天的情况下，问题是怎么样把现有的那么好的丰富和宽广的人力大的基数和有高端工程师、科学家的能力凝聚在一起，能够去突破。
这个问题特别好，这里有几件事：
第一，要有领先项目。制度优势要具体落地，落地表现为我们有领先项目，比如我们有大的模型、有集中力量做的开放框架，通过领先项目把科学家和人力资源汇拢起来攻关，这是一个很重要的方面。
第二，发挥市场机制，构建生态，要让如此丰富的人力资源流起来、动起来，在各个不同层面参加各种不同人工智能2.0的发展和突破，用市场化和商业化的应用。
中美数字比较，我们的商业化、市场化的生态不够，比如说美国的专利90%是企业，中国的专利30%是企业，也就是大量的科学家在高校，高校的科学家怎么样跟企业合作起来，那就必须走市场化、商业化的道路，而政府需要起穿针引线、信息沟通和平台构建的作用。
通过这样的作用，把商业化、市场化，把人才给聚集给用起来，做到最有效的资源配置，这也是特别重要的一方面。政府在里面构建平台、信息沟通、数据场景的提供也是起到非常重要的作用。
所以几方面结合起来，有国家项目推动和引领、大的项目非常重要，有市场的基础，特别是推动人工智能和中国的产业结合，这是中国的长项，之后在产业化中推进人工智能的迭代和发展，能够把丰富的资源用起来。
中国的优势刚才讲过，一是数据优势，中国是数据大国；一个是人才优势，中国是人才大国；一个是制度优势，也就是顶层设计和框架设计，把这几件事情综合起来就可以把人很好的利用。
主持人：
依托国家项目，通过市场化人才化可以实现人才资源的配置，第二个问题请教您，您谈到很多AI研发可能受到限制，是否依然适用于境外的中资企业，对于他们是否也受限于美国AI芯片的限制，如果不受限制能否把AI 2.0研发离岸化？
朱民：
这个问题提得非常好，美国做的芯片法在国际上遭到很大的批评，这个芯片法是一枚硬币的两面：一面是美国的产业政策支持美国的芯片产业，这当然就与日本、韩国等等有摩擦和矛盾，这是美国人一直反对的产业政策，美国人自己拿起来了。第二面，针对中国，凡在美国的法案范围中的不许与中国交往。就是这两个方面
十月法案进一步禁止出口，但这里面还有很多实施的过程，比如韩国也拿到对中国出口的豁免，日本的公司也在这个过程中，究竟政策怎么落地、怎么实施，还是有目录、监管、规章等等，现在还是在政策框架下，各个公司都非常紧张，都在看着，不知道下一步该怎么走。
在这种情况下我们要高水平开放、高水平国际合作，包括构建我们的平台欢迎大家来，我们也走出去在世界各地与全世界的科学家合作。
过去十年里，中美之间的AI论文发表，可以看到已发表的论文数量上升很快，去年开始下降，美国当然走在前面，但还有很多国家呀，英国、瑞士、日本、韩国等等，所以也是与全世界的科学家合作，在全世界各地做AI研发，这是未来很重要的发展战略。
主持人：
通过合作和开放，一起冲破美国的限制。第三个问题，作为经济学家您怎么看目前的金融业，尤其是银行业去推动AI 2.0的发展？
朱民：
这个问题非常好，今天没有讲这个问题，以后愿意有机会来看金融业怎么推动。中国的VC在2010年之后发展很快，对人工智能的发展也起到很大的推动作用，这是市场的力量还是很积极的，因为金融一直在科技发展中起到很重要的作用，但科技发展有很大不确定性，所以刚才提到银行怎么做，这不是银行的特长，这是风险投资、私募基金要做的事情。
但因为人工智能变得如此重要，规模变得如此之大，私募基金和风险投资现在看来规模可能也不够，所以也需要广义的金融机构，甚至包括银行怎么合作，加上政府的资金，来构建不同层次的金融，来支持AI发展，AI的发展现在新的趋势来看，规模越来越大，起点越来越高，因为大模型规模大，技术的不确定性越来越强，竞争性也越来越强。
前几年中国金融市场支持人工智能是走在很前面的，但我们的支持也有特点，我们总是支持C轮或者D轮以上的投资，就是已经看到希望，比较有希望成功的钱就进去了，并且钱进去的规模与国际上比远远超过。但在最早的天使投资这一块远远不够，这个空缺要补，因为所有的发展都是从最早的零点开始，从这个意义来讲，公共资金的支持是必要的，公共资金和私人资金的合作是必要的，我们需要构建新的而且有一定规模的天使资金，在理论上也做过设计和思考，我们完全认为公共资金和私人资金可以合作，能够起到积极作用的，甚至对国家大的利益有好处，对市场、对企业都有好处，政府出这个钱完全值得，而且市场维持主要运作。
所以现在是让最需要钱的第一步能够推动起来，这是很大的要做的事情。总体来说金融业在过去几年里，支持人工智能资金的数量是下降的，PE也是下降的，所以未来中国人工智能要有大的飞跃和发展，金融业有很大的责任，也很大的空间和市场可以开拓，这是我的专业，非常愿意有机会进一步讨论。
