技术扩散能力在国家技术力量中非常重要，特别是在AI的背景下。有研究显示，与美国分散且更利于扩散的生态系统相比，中国的扩散能力远远落后于创新能力——比后者排名低近30位。目前，中国正在计划提高扩散能力，重要方式是对AI教育进行大规模投资，以培养中端、以工业为重点的AI劳动力。

美国最近在大型语言模型（LLM）和扩散模型方面取得了源源不断的突破。这些成功推动了美国风险投资对专注于科技和服务行业的生成式AI初创公司的激增，如HarveyAI、Jasper和Runway。美国的这种乐观情绪与中国相对较慢的AI创业公司形成了鲜明对比。例如，有分析称备受关注的阿里巴巴支持的初创公司零一万物(01.AI)的语言模型在很大程度上是基于Meta的开源LLaMA基金会模型。

然而，中国在生成式AI领域的迟缓，可以解释为政府将工业应用置于服务业和传统知识工作应用之上的战略优先地位。特别是，政府希望通过工业部门的AI投资来对抗工业生产力增长的下降，以期摆脱中等收入陷阱。

为此，政府已要求教育部在国内的工业部门推广尖端的机器学习技术。因此，中国各大学开设了2300多个AI本科生项目，其中大多数是专注于工业应用的应用AI项目。教育部的AI高等教育包括两个目标：旨在降低传统工业企业采用AI的障碍；庞大的中端AI劳动力将如何在经济中扩散AI。

AI在工业企业中的商业模式

教育部对应用AI高等教育项目的空前投资在于政府认识到大多数专注于工业的AI公司面临的一个根本问题：构建特定行业的AI解决方案需要耗费大量时间和资金，通常无法通过横向商业模式实现。这个问题很普遍，因为除了回收等利基行业（AMP Robotics等成功的西方初创公司已经出现）之外，大多数工业部门都有特定于公司的数据基础设施。制造公司通常在称为制造执行系统（MES）和监控与数据采集（SCADA）的软件系统上运行。这些系统往往结合了内部工具和SAP或西门子等传统供应商构建的软件服务的混乱组合。

因此，为了构建一个可以实际部署的AI模型，这些不同的系统必须首先通过跨系统的数据通道进行统一。这项工作的大部分都是定制的，涉及在传统的、断开连接的系统之间构建强大的数据通道的繁琐过程，这些系统通常来自具有不同数据模式的不同提供商。只有完成了这项艰巨的工作，计算机视觉模型才能开始训练和部署。即使在这些复杂的数据通道建成后，对AI系统进行工业流程培训也会带来自身的挑战：

鉴于工业企业使用的产品和流程众多，每个模型都必须在公司或产品线的特定系统上进行培训。换言之，大规模、全行业的多样性限制了工业AI解决方案的可扩展性。

此外，每当一家公司改变流程或转向新产品时，该公司不仅必须建立新的制造流程，还必须重新培训其计算机视觉模型——如果这是一个没有大量现有培训数据的新产品或流程，这通常是一项艰巨的任务。因此，如果没有一个稳健的数据集来调整新过程的机器学习算法，制造商往往被迫手动测试和生成体能训练数据，直到模型变得足够可靠。

在工业AI领域，由于需要不断更新、客户规模有限以及高昂的前期成本，软件即服务（SaaS）公司利润丰厚的经济效益不再适用。李开复的AI产业初创公司创新奇智(AInnovation)，为中钢国际和建筑巨头中铁四号等工业企业开发AI系统。随着创新奇智扩大其客户群，它被迫增加软件支出，部署更多专有的低利润硬件，导致毛利率从2018年的62.9%暴跌至2020年的29.1%。

由于工业部门的AI不能通过一刀切的横向解决方案来采用，该行业需要一大批新的中级AI人才——比一般的数据分析师更熟练，但比ML工程师和研究人员成本更低。中国的AI教育战略旨在填补这一应用AI人才的利基市场，以便每家工业公司都可以聘请内部团队来构建自己的机器学习基础设施。

这项投资的成果已经开始显现。例如，CATL等公司正在电池制造质量控制过程中大规模部署计算机视觉。当然，考虑到电池的同质化和商品化性质，政府战略能否将其AI努力扩大到这一相对较低的成果之外，还有待观察。

AI的教育扩散

除了促进现有AI技术与工业部门的融合外，AI高等教育政策还寻求建立所需的受过中等教育的劳动力队伍，以将新兴的AI突破传播到全国其他地区。随着许多新的应用AI项目位于农村和工业地区，新一波AI项目旨在将AI的好处传播到全国各地，而不是将其限制在北京和深圳等以服务为重点的沿海科技中心。

同时，通过关注这一中级AI人才，中国将以成本效益培训那些愿意建设其工业企业所需数据基础设施的工人，同时也了解前沿的相关突破。这一点可以通过创建应用AI程序来实现，这些程序省略了复杂的AI概念的教学，而是专注于数据模型和最基本的机器学习概念——事实证明，这种方法具有很强的可扩展性。

这种方法不同于美国大学的AI教育。美国本科生AI课程很少让学生参与并学习构建数据通道和清理数据集的混乱但关键的技能，而是专注于深度学习和transformer等更具理论性的主题。教授这些主题可能会带来更前沿的研究突破，但在培养一支能够将这些突破扩散到整个经济中的传统行业的劳动力方面并不那么有效。

相比之下，长春吉林大学的一名毕业生——教育部在那里启动了一个新的应用AI项目——将精通为建筑和制造公司构建有效的数据通道，同时也熟悉卷积神经网络（CNN）等基本的机器学习概念。由于这些学生主要学习如何构建AI系统的基础设施，大学并不依赖罕见的顶级AI教授，这使得应用AI项目更容易扩大规模。

中国有大量具备ML基础知识的毕业生，不一定需要在AI突破方面领先。随着清华等大学或者像OpenAI这样的西方实验室涌现出新技术，国内训练有素的劳动力可以在整个经济中快速学习和利用这些新兴技术。例如，尽管工作人员可能主要花时间构建数据整理流程和通道，但他们仍然会对ML技术感到足够舒适，从而学习如何使用CLIP或其他图像处理突破，即使他们最初只熟悉CNN等基本技术。这种领域专业化、AI快速追随者的队伍在ML领域尤其有效，在ML领域，知识可以通过开源论文轻松获取。

需要指出的是，对AI工业应用的关注与国家的发展愿景一致，即中国要实现类似德国的高端制造业模式，而不是更以服务业为导向的美国经济模式。事实上，今年两会提出的最新AI提案——包括备受关注的AI+倡议——就是旨在将“AI技术的进步转化为实体经济中的有形生产力”。