現在中美科技競爭的核心是AI，中國為了突破美國的科技封鎖正在大力推進產業本土化。而美國對於中國AI產業也是時刻保持著高度關注。
近日，美國資訊技術和創新基金會（ITIF）發佈了一份關於中國AI產業的報告。報告指出，如果美國不採取行動，中國在AI方面遲早會超越美國。
中國AI產業和市場
國家必須擁有健康的人工智慧生態系統，才能發展創新的人工智慧技術和公司。例如，國家必須擁有足夠的風險投資和私募股權資金，以便為發明者提供開發和銷售其產品或服務所需的資金、專業知識和人脈。因此，風險投資和私募股權資金可以作為創新能力的指標。此外，公司數量表明一個國家的生態系統的健康狀況。
比較中美兩國的投資環境，美國的投資規模和範圍要大得多（見上圖）。美國擁有9,500家人工智慧公司，絕對數量幾乎是中國的五倍。需要澄清的是，在本報告中，資料庫依賴於Crunchbase上有關人工智慧類別組中公司數量的專有資料。不同的報告可能對人工智慧公司的定義不同，導致現有文獻存在差異。Crunchbase人工智慧類別包括許多不同類型的人工智慧公司，包括進行人工智慧研究的公司、開發人工智慧相關產品的公司以及將人工智慧應用於重大社會需求的公司。一些研究對人工智慧公司的定義更為寬泛，因此將更多企業算作人工智慧公司。
流入這些企業的資金似乎也多得多。人工智慧風險投資(VC)和私募股權融資可能集中在少數幾筆大交易中，這就是為什麼不僅要衡量融資金額，還要跟蹤融資交易的總數。在過去十年中，美國有近60,000筆投資，而中國僅有近8,200筆。從價值來看，兩者的差距很大。美國的投資價值估計約為6050億美元，遠遠超過中國的860億美元。
經濟合作與發展組織(OECD)提供的各國人工智慧風險投資資料支援了這一發現，即中國企業獲得私人資本的機會較少。2023年，中國的風險投資總額略低於200億美元，而美國約為550億美元。中國政府正試圖通過國家支援的財政支援來填補這一缺口。
中國對於AI產業發展的支援
有關專家對中國如何支援原始創新能力提出了三個關鍵見解。首先，中國政府提供財政支援，培育具有高潛力的企業，特別是在那些可能被忽視的地區，從而為創新奠定更廣泛的基礎。
其次，在著名的清華大學的支援下，中國出現了一批新興的人工智慧初創企業，它們不是在複製現有技術，而是在推動人工智慧創新的邊界，特別是在生成式人工智慧領域。
最後，與美國相比，中國能夠生產出具有競爭力的、有時甚至更優秀的人工智慧模型，凸顯了其高水平的原始創新能力。
中國政府在財政上支援國內人工智慧公司的發展。據專家介紹，政府使用的兩種最重要的機制是政府引導基金和補貼。
政府引導基金本質上是國家主導的資本基金。這些資金來自公共和私營部門，用於符合政府目標的項目。根據美國國家經濟研究局發佈的2024年研究，2000年至2023年期間，中國政府風險投資基金通過超過20,000筆交易投資了9,623家人工智慧領域的獨立公司，總額達1840億美元。這項研究對人工智慧公司的定義包括從事巨量資料、圖像處理、臉部辨識、自然語言處理、機器學習、深度學習、神經網路、機器人、自動化、電腦視覺、資料科學和認知計算的公司。
政府引導基金用於各種戰略行業和商業活動，但其影響被發現並不顯著。這些基金籌集的資金往往低於預期，而且在許多情況下未能部署投資，而且有太多基金的重點重疊導致效率低下。
但評估專門為人工智慧公司設立的基金時，會發現三個重要優勢：
首先，政府風險投資基金在空間上的分佈比私人基金更廣，私人基金主要位於中國富裕的沿海地區。由於中國政府風險投資基金在全國範圍內分佈更均勻，包括欠發達的內陸地區，因此政府正在幫助支援私人風險投資可能因流動性限制和資訊差距而忽略的地區的高潛力公司。
其次，政府風險投資基金投資於最初業績指標較弱的公司，但這些公司最終的增長速度快於私人風險投資基金資助的公司。
最後，政府風險投資基金通常在私人風險投資基金之前投資人工智慧公司，這些政府投資會吸引後續的私人風險投資。當政府直接投資於最初業績指標較弱的公司時，這種模式尤其明顯，這表明政府的選擇被私人投資者視為有價值的訊號。
中國政府還通過補貼支援其人工智慧行業。例如，北京市政府為購買國產人工智慧晶片的企業提供補貼，以促進中國半導體行業發展，減少對外國技術的依賴。該計畫將根據企業在國產圖形處理單元(GPU)晶片上的投資比例為其提供財政支援。此外，至少有16個地方政府（包括最大的地方政府上海）正在向企業提供優惠券，讓它們從大型國有資料中心獲得補貼處理能力，這些資料中心整合了有限的先進晶片供應。
五家生成式人工智慧初創公司（智譜AI、百川AI、月之暗面、Minimax和零一AI）均位列中國人工智慧“獨角獸”之列，這意味著它們的估值超過10億美元，並且是中國生成式人工智慧生態系統的核心。因為他們代表了專注於法學碩士的新一波人工智慧公司，就像OpenAI和Anthropic等西方同行一樣。這也是為了將他們與所謂的老牌公司進行對比，例如商湯科技、曠視科技、雲從科技和依圖科技，這些公司主要專注於面部和圖像識別技術。
有專家表示，雖然許多中國新興的生成式人工智慧公司正試圖複製OpenAI在ChatGPT上的成功，但在中國，還沒有出現最受歡迎或應用最廣泛的明顯領導者或突破性應用。一些分析師報告稱，客戶很難確定那家公司的人工智慧解決方案最適合他們的特定需求。然而，其他人認為，智普人工智慧的模型表現穩定，是挑戰OpenAI的中國領跑者（有關智普人工智慧的更多資訊，請參閱公司案例研究部分）。
有趣的是，這些中國初創企業的影響力如此巨大，甚至連西方頂尖機構也開始效仿。最近斯坦福大學引發的一場爭議表明，其人工智慧模型Llama 3-V與清華大學自然語言處理實驗室和中國初創公司ModelBest開發的MiniCPM-Llama3-V 2.5模型非常相似。ModelBest聯合創始人強調了這一轉變，承認中國的生成式人工智慧模型與GPT-4等西方頂級項目之間存在“巨大”差距，但也指出中國已迅速“從十多年前的無名小卒變成了人工智慧技術創新的關鍵推動者”。
北京清華大學是中國人工智慧創業的根源。這所精英大學一直是中國許多最成功的人工智慧初創企業的重要溫床（見下圖），通過大學的投資工具為它們提供人才、研究資源和資金支援。智譜AI由清華大學研究院直接孵化，百川AI、月之暗面、MiniMax則由清華大學教師或校友創立。
在過去兩年中，中國領先的行業和學術實驗室的大型人工智慧模型數量迅速增加。企業在將基於法學碩士的人工智慧聊天機器人引入市場之前必須獲得政府批准，截至2024年 3 月，中國網信辦已批准了至少117種生成式人工智慧產品。據資料提供商IT橘子稱，中國至少有262家初創公司正在競相推出生成式人工智慧產品。
中國的大型人工智慧模型分為兩大類。第一類是跨各個行業使用的通用人工智慧平台，包括閉源和開源模型。第二類是針對垂直行業量身定製的行業特定模型，例如金融、生物製藥和遙感。後一類的一個例子是來自中國智能學習解決方案提供商好未來教育集團的MathGPT。該模型基於大量數學學習資料進行訓練，可通過提供基於對話的問題解決方式為不同的教育科技應用提供支援。
雖然中國有許多公司正在開發強大的人工智慧模型，但美國模型目前的表現優於它們。一位專家指出，美國和中國模型在一項名為SuperCLUE的綜合中國法學碩士基準上的表現。SuperCLUE是由來自中國和國際實驗室的研究人員團隊開發的，用於評估模型對中文理解的能力，包括語義理解和提取、生成程式碼、邏輯和推理、計算、角色扮演和安全性。從2024年的最新結果來看，有三個發現：
第一，美國行業領袖的領先模型與中國頂尖科技巨頭和初創企業開發的模型之間的差距正在迅速縮小。下圖顯示了2024年4月和2024年6月美國和中國模型在SuperCLUE基準上的總體得分。4月份，排名前三的模型都是OpenAI GPT模型系列的不同代，而第四個模型則是美國初創企業Anthropic開發的Claude。隨後是幾位中國的法學碩士。4月份，最好的中國模型（百川的 Baichuan3）與最好的美國模型（OpenAI的GPT-4 Turbo）之間的差距被認為是巨大的，但比去年要小。然而，僅僅兩個月後的6月，中國公司就已在排行榜上崛起，並將幾個美國模型從榜首位置上擠了下來。OpenAI的GPT-4仍處於領先地位，但阿里巴巴的LLM系列Qwen 1.5與Claude並列第二，而中國AI初創公司DeepSeek新進入排行榜，與中國初創公司智譜AI的GLM-4模型和中國AI公司商湯科技的Sensechat模型並列第三。
第二，開發中國頂級模型的參與者構成由初創公司和科技巨頭組成。來自大型科技巨頭的模型包括百度的 Erniebot、阿里巴巴的通義千問和騰訊的混元，而來自初創公司的模型則由智譜AI、百川AI、月之暗面和MiniMax引領。
第三，中國開源LLM生態系統正在獲得顯著的關注。阿里巴巴的LLM系列Qwen 1.5在不同規模上都表現出令人印象深刻的能力，尤其是其最大的模型，有720億個參數。中國開源模型的一些迭代也擊敗了美國同行，例如智普人工智慧的ChatGLM3和百川的Baichuan2，後者的表現優於Google的Gemma和Meta的Llama 2系列。此外，開源模型評估機構Hugging Face在常識推理、數學、編碼和閱讀能力方面對中國人工智慧初創公司零一AI的開源模型（稱為Yi系列）的幾個迭代進行了高度評價。
中國AI的創新投入
多項指標揭示了中國創新能力的現狀。在本報告研究了四類指標——研究、專利、人才和基礎設施，以衡量中國人工智慧生態系統的整體健康狀況和潛力。
研究方面：
多年來，人工智慧研究領域的主流觀點是，雖然中國機構發表了數量最多的人工智慧論文，但這些論文的質量卻落後，而且中國的大部分研究都涉及應用美國、歐洲和其他地方研究人員取得的基礎性進展。事實上，中國長期以來在人工智慧研究的絕對數量上一直處於領先地位，全球人工智慧研究論文產量最大的五家機構都是中國機構。儘管數量如此之多，但質量（通常以引用量來衡量）在美國傳統上一直更高，因為美國的學術機構和私營企業都在進行前沿研究，這些研究可以更有效地轉化為實際應用。
新興的生成式人工智慧領域的動態有所不同。目前，中國和美國的出版水平相當，截至2023年，中國約有12,450篇生成式人工智慧出版物，美國有12,030篇。中國的出版機構數量較少，全球排名前10的出版商中有一半是中國機構（見下圖）。
然而，儘管在出版物數量上與美國相當，但在引用量方面，中國和美國卻存在很大差異。在被引用次數最多的生成式人工智慧研究前10名榜單上，中國僅佔據一席之地。相比之下，美國佔據了排行榜的一半，包括前五名中的四名（與加拿大並列）。
有趣的是，中國人工智慧研究排名前十的機構都是學術機構，而美國進行頂級人工智慧研究的機構則是學術組織和私營企業的混合體。事實上，世界智慧財產權組織（WIPO）2024年報告中給出的更廣泛的前20名排行榜顯示，進入前20名排行榜的所有公司都是美國公司（Alphabet、Meta、DeepMind、NVIDIA、OpenAI、Microsoft、Twitter和Indico Research）。包括中國在內的所有國家/地區出版物和引用榜單上的其他所有進入者都是大學或研究機構。
這一區別意義重大，因為它表明美國私營企業積極參與人工智慧研究是美國保持領先地位的主要因素。這種強大的行業驅動型研究確保了美國始終處於人工智慧創新的前沿，不僅可以進行高品質的研究，還可以迅速將其轉化為有影響力的技術和應用。事實上，美國產生的值得關注的機器學習模型和基礎模型比中國多。2023年，美國有61個值得關注的機器學習模型，而中國只有15個。世界上大多數基礎模型都源自美國（109個），而中國則有20個。
專利方面：
長期以來，智慧財產權一直被認為是促進創新的手段。人們認為，那些將想像力與勇氣和決心結合起來，將自己的願景變成書籍、技術、藥品、設計、雕塑、服務等的人，應該有機會從他們的創新中獲益——而這些回報會激勵更多的創造性產出。因此，專利可以表明一個公司或一個國家的創新能力。中國的人工智慧專利數量較多，但美國的專利質量更勝一籌。
近年來，全球人工智慧專利數量急劇增加。從2021年到2022年，全球人工智慧專利授予量增長了近63%，自2010年以來，授予的人工智慧專利數量增長了30多倍。美國和中國在人工智慧專利申請方面佔據主導地位，其次是日本。根據WIPO 2019年的一份報告，這三個局佔專利申請總數的78%。
儘管如此，中國在人工智慧專利數量方面遙遙領先（儘管在專利質量方面落後，如後文所述）；自2013年以來，中國一直是授予人工智慧專利的最大發起國，到2022年，中國組織提交的人工智慧專利數量約為美國同行的四倍，中國專利局授予的專利數量幾乎是美國專利局的三倍。（見下圖）事實上，WIPO 2024 年關於生成式人工智慧的報告發現，自2017年以來，中國每年在該領域發佈的專利數量超過所有其他國家的總和。
這一點很重要，因為來自中國的專利申請數量龐大，無論質量如何，都對美國創新者構成了挑戰。這種湧入創造了一個龐大的“現有技術”庫，這是指專利審查員用來評估一項發明是否新穎的全球現有科學和技術知識庫。美國發明家必須證明他們的創新尚未被任何先前的出版物所涵蓋，包括在國內和國際提交的中文專利，但隨著現有技術庫的增加，這一點變得越來越難做到。
智慧財產權專家認為，中國領先的一個原因可能是其在資料量方面的優勢。由於人工智慧相關的創新是由資料推動的，因此人們認為，產生最多人工智慧相關專利的組織往往是能夠獲得更多資料的組織。中國確實在資料數量上具有優勢，但擁有更多資料並不是真正創新的唯一要求。創新還取決於資料的質量、先進的演算法、強大的基礎設施和熟練的人才。
然而，為了生成專利，大量的資料可能確實足夠了，因為專利通常側重於新方法和應用，而這些方法和應用可以從大量資料集中得出。“資料越多，專利越多”的解釋可能尤其適用於生成式人工智慧，因為它往往特別依賴資料。生成式專利目前佔全球所有人工智慧專利的6%，但這比2017年的4.2%有所上升。中國目前在該領域處於領先地位，遠遠超過美國，比例是6:1.37。
一些專家認為中國在人工智慧專利方面領先的另一個原因是，中國對那些人工智慧創新有資格獲得專利有更廣泛的瞭解。2017年，中國的審查指南修改了“專利適格”的定義，一些人認為這是有意擴大專利適格範圍。
然而，其他法律專家發現，中國的修訂使其對人工智慧的專利方法與歐洲的框架更加一致，歐洲的框架比美國的框架更嚴格、更一致。從下圖中的資料中還可以清楚地看出，兩國的專利局只接受了他們收到的一小部分專利申請。這是差距不斷擴大的一部分：2015年之前，全球授予的人工智慧專利多於未授予的專利，但自那以後，情況正好相反，差距越來越大。
中國還在生成式人工智慧的前20名專利所有者中佔據主導地位，佔其中的13個（上圖），前五名中有4個（第五名是IBM）。整個榜單以企業為主，但前20名中有三家研究機構，均為中國機構（中國科學院、清華大學和浙江大學）。這些研究成果最多的大學是中國科學院，總體排名第四。
一個國家的專利申請數量可能是一個難以衡量的創新能力指標，因為專利質量參差不齊。中國專利局頒發的許多專利質量相對較差，因此中國的專利數量很難與美國專利商標局(USPTO)或歐洲專利局頒發的專利進行比較。事實上，在中國首次提交的人工智慧專利中，只有4%也在其他司法管轄區提交，而在美國專利商標局首次提交的專利比例為32%，這表明美國專利的質量明顯更高。
因此，研究專利合作條約(PCT)專利申請和高引用專利家族很有用，這些專利家族是針對同一發明在多個司法管轄區提交的專利。資料創新中心2019年的一份報告發現，每百萬工人，美國 (11份PCT申請) 遠遠超過中國(1份)。然而，雖然中國的專利質量可能較低，但一些證據表明中國正在解決這一領域的問題。
人才方面:
人才是國家創新能力的關鍵，因為人才為開發新技術和推動經濟增長提供了必要的專業知識、創造力和解決問題的技能。一個投資於吸引、培養和留住人工智慧人才的國家更有能力實現長期經濟增長並在全球經濟中保持競爭優勢。關於那種人才對提升國家或機構的人工智慧能力最重要，存在著激烈的爭論。雖然一些人認為各國應優先培養大量相對低技能的人工智慧工程師，但另一些人則認為，優先發展和吸引精英研究人員更為重要。中國在人才培養方面處於領先地位，留住了比過去更多的人才，但在提升現有員工的技能方面卻落後了。
在培養頂級人工智慧研究人員方面，中國處於領先地位。從在神經資訊處理系統會議（簡稱 NeurIPS）上發表論文的中國研究人員的比例可以看出這一點。NeurIPS專注於神經網路的進展，這些進展為生成式人工智慧的最新發展奠定了基礎，它被認為是最具選擇性和聲望的人工智慧會議之一，因此它所接受的群體可以作為精英人工智慧研究人才的有用代表。保爾森研究所營運的智庫MacroPolo的分析顯示，2022年，中國培養了全球47%的頂級人工智慧研究人員（“頂級”定義為所有人工智慧研究人員中的前五分之一），而2019年這一比例為29%。對於最精英的人工智慧研究人員（定義為所有人工智慧研究人員中的前2%）來說，26%來自中國，而28%來自美國。與2019年相比，這是一個顯著的增長，當時中國僅培養了10%的精英人工智慧研究人員，而美國則培養了35%。
中國的頂尖人工智慧人才最終流向美國的比例比其他任何地方都高。長期以來，大量中國人才前往美國大學攻讀博士學位，美國從中受益匪淺。他們中的大多數人留在美國，幫助提升了美國人工智慧生態系統的競爭力。儘管美國仍然是中國精英人才的主要目的地，但包括澳大利亞、加拿大、法國和英國在內的幾個國家在過去幾年中都推出了新的簽證政策，以吸引外國人才在本國建立類似矽谷的科技中心——而且這些政策似乎正在奏效。
清華大學是中國總體排名領先的大學，也是人工智慧研究排名第二的大學。該大學最近的一份報告顯示，選擇去美國留學的清華畢業生人數從2018年的11%下降到了2021年的3%。一些人將這種下降歸咎於新冠疫情；然而，在英國留學的清華畢業生比例並沒有下降，選擇去新加坡留學的人數卻有所增加。美國過時的簽證法，以及最近對中國研究人員的擔憂和來自其他國家的人工智慧人才國際競爭，促使國際人工智慧科學家和工程師在美國以外尋求教育和就業。
儘管人們普遍認為中國正面臨人才流失，但根據2023年資料顯示，越來越多的中國高素質研究人員選擇留在中國。也就是說，雖然移民的中國研究人員數量可能在增加，但離開中國的優秀人才比例實際上可能在下降。MacroPolo的全球人工智慧追蹤器發現，2022年，28%的頂尖人工智慧研究人員在中國工作，而2019年這一比例僅為11%。這一趨勢可能表明，中國正在成功地為其頂尖人才創造有吸引力的機會和環境，平衡外流並促進國內創新。
基礎設施方面：
人工智慧系統通常依賴大量資料進行訓練。大型資料集有助於人工智慧系統開發高精度模型，以執行各種任務，從無地圖導航到識別人臉再到回答Google搜尋查詢。此外，機器學習技術使人工智慧系統能夠識別大型資料集中人類難以或無法感知的細微模式。這就是為什麼許多人工智慧系統在某些任務上的表現比人類專家更好，例如在斷層掃描中識別肺癌的跡象。
然而，確定一個國家在人工智慧方面是否比另一個國家擁有資料優勢並不像測量總資料輸出那麼簡單。資料在人工智慧中的作用很像勞動力在經濟中的作用；中國可能擁有大量的勞動人口，但勞動力的結構、質量和適應性對推動經濟增長同樣重要。同樣，資料不僅僅是擁有更多資料的問題；它關乎資料的質量、資料的整理程度和可訪問性。
許多指標發現，中國在資料數量上處於領先地位，但在資料質量和多樣性上落後。高品質資料既指正確一致的資料，也指針對其預期用途適當格式化的資料。中國已出台政策，促進某些領域的資料標準，但大量資料仍無法被電腦讀取，從而降低了資料的質量和可用性。根據《2023年全國資料資源調查報告》（這是中國當局首次進行的全國性資料資源調查）的結果，雖然中國企業產生的資料比上一年增加了22%，但數位化和儲存的資料僅增加了約3%。
中國超越競爭對手的地方在於為其企業和研究人員提供資料存取權。對於公共場所的資料尤其如此，中國政府主要通過廣泛的監控、安全和交通攝影機網路收集這些資料。中國私營人工智慧公司獲取這些寶貴政府資料的一種常見方式是向國家提供服務，例如通過智慧城市項目最佳化交通管理。這些服務不僅提高了政府營運的效率和效力，還為中國人工智慧公司提供了寶貴的大型資料集。
《經濟研究評論》在2023年發表的一篇論文研究調查了中國近1,900份人臉識別技術(FRT)政府合同，發現通過這些合同獲得高品質政府資料的公司生產的商業AI軟體產品數量明顯多於沒有此類資料的公司，這表明政府資料訪問對中國人臉識別AI公司的崛起做出了實質性貢獻。在FRT領域，中國公司無疑是領導者。根據美國國家理工學院的人臉識別供應商測試(FRVT)，該測試評估了來自不同供應商的人臉識別演算法的性能，中國公司生產了前25種演算法中的四分之一，其中3 種進入前10名榜單。
獲取先進晶片對於研究和開發先進的人工智慧系統至關重要，因為這些系統通常需要強大的計算能力。
不幸的是，中國完全依賴美國和美國的盟友來獲取這些晶片。最近對20名中國法學碩士的研究發現，17個模型是使用美國公司NVIDIA生產的晶片建構的，只有3個模型是使用中國製造的晶片建構的。
自2022年10月以來，美國實施了一系列出口管制措施，以限制中國獲取其晶片，但對於這些政策的有效性存在分歧。雖然一些專家指出，這些管制似乎在短期內削弱了中國人工智慧的發展，但其他專家指出，這些措施不太可能阻礙中國在人工智慧方面的進步。中國已經擁有晶片庫存，並正在迅速轉向開發不依賴美國公司的自有供應。
《財經》發表的一篇報導稱，在美國出口禁令之後，這些晶片的需求激增，珠江三角洲有數萬家經銷商活躍。據一些經銷商稱，某些NVIDIA晶片的市場價格在一周內翻了一番。此外，中國人工智慧公司正在通過雲提供商獲取高端美國晶片，從而規避美國的出口管制。事實上，儘管受到制裁，但據稱國家支援的語音識別公司科大訊飛等公司仍在租用NVIDIA的A100晶片，這凸顯了執法方面的漏洞。
即使美國政府彌補出口管制執法方面的漏洞，中國也在努力實現計算能力的自給自足，減少對美國的依賴。開發新的半導體設計或建造新的半導體工廠所需的專業知識、資本和規模非常高，而且還在不斷增加——而中國企業在晶片設計和製造所需的幾乎所有子行業都存在弱點，尤其是光刻、計量和檢測。儘管如此，作為中國主要的微晶片代工廠之一，中芯國際（SMIC）正在努力使用不太先進的裝置生產微處理器，這表明中國儘管面臨挑戰，但仍致力於提升其半導體能力；然而，專家們懷疑這一過程是否具有商業競爭力。華為的Ascend 910B為人工智慧應用提供了一種具有競爭力和成本效益的替代方案，但它的效率不如NVIDIA的A100。
對於擁有中國資源和政治意願的國家來說，它仍然可以通過專注於為某些任務或應用領域開發更好的晶片來獲得與人工智慧相關的半導體市場份額。除了用於最佳訓練AI模型的晶片市場之外，還有一個更新、規模更小且充滿活力的市場，專門用於應用 AI 模型的晶片。例如，雖然NVIDIA引領GPU市場，GPU是專門用於訓練和運行AI模型的晶片，但現場可程式設計門陣列(FPGA)主要用於將訓練好的AI演算法應用於新的資料輸入。FPGA與其他AI晶片不同，因為它們的架構可以在製造後由程式設計師修改。還有一組稱為“專用積體電路”(ASIC)的AI晶片，可用於訓練或推理任務。ASIC具有針對特定演算法定製的硬體，通常比FPGA提供更高的效率。但由於它們的應用範圍非常狹窄，因此隨著新AI演算法的建立，它們會更快地過時。
從長遠來看，人工智慧晶片開發的許多領域都存在著巨大的競爭空間，尤其是那些製造更節能晶片的競爭對手，因為事實證明，電力的使用對於訓練和運行人工智慧模型的公司來說是一筆巨大的成本。如下圖所示，在所有這些晶片架構的市場上都有中國公司。
儘管如此，中國公司目前在人工智慧晶片設計方面的市場份額微乎其微，除了ASIC之外，ASIC比其他類型的晶片更容易設計，因為它們是為特定應用而設計的，而不是更通用的晶片，這使得許多公司更容易生產它們。然而，由於市場規模小、開發成本高，它們並沒有被廣泛商業化。
更有前景的是華為的“AI-in-a-box”解決方案創新，它將人工智慧晶片與行業專用軟體和預訓練模型相結合，讓企業更容易、更便宜地使用人工智慧，而無需NVIDIA等先進晶片。這使得企業能夠在自己的場所快速安全地實施人工智慧解決方案。
美國該怎麼辦？
美國是人工智慧發展的全球領導者，但它面臨著來自中國的激烈且日益激烈的競爭。專注於阻礙中國的增長不會阻礙中國長期的發展。相反，美國應該專注於保持甚至擴大其領先地位。國會和白宮必須制定和資助一項全面的國家人工智慧戰略，以實現增加人工智慧發展和增加人工智慧採用的雙重目標。
為了實現增加人工智慧發展的目標，美國政策制定者應做到以下幾點：
1.刺激私人對人工智慧研發的投資。這對於鞏固美國在人工智慧領域的領導地位至關重要，因為美國的私營部門在開展人工智慧研發和保持國家領先地位方面發揮著獨特重要的作用，而在中國，政府在開展研發方面發揮著更大的直接作用。國會應該將研發稅收抵免增加一倍，並恢復第一年的費用支出。
2.重振人工智慧的聯邦資助程序。當前的聯邦資助機制過於緩慢和僵化，無法跟上人工智慧發展的快速步伐。國會應引入靈活的資助模式，在項目達到特定目標時釋放資金（基於里程碑的獎勵），並建立可以快速用於最有前途的人工智慧研究的靈活基金（與項目無關的基金）。這種方法可確保聯邦投資靈活並響應快速發展的人工智慧格局。
3.避免制定破壞美國人工智慧領導地位並支援中國競爭對手的政策。例如，過於嚴格的出口管制可能會削弱美國晶片的競爭力，並無意中支援中國的晶片產業。同樣，不必要的反壟斷行動可能會過度削弱美國大型科技公司，削弱它們資助和利用跨多個業務線的人工智慧進步的能力，而政府和初創企業生態系統都無法充分填補由此產生的空白。
4.制定國家資料戰略，大幅擴大用於訓練人工智慧模型的資料可用性。中國最近宣佈成立一個新的監管機構，以改善其將資料作為戰略經濟資源的使用。作為推動中國數字經濟的持續努力的一部分，國家資料管理局將致力於建設智慧城市、數位化政府服務並促進資料驅動的發展。美國的政策制定者應該從這個例子中學習，加強對資料驅動創新的承諾，並增加商業資料訪問。
為了實現增加人工智慧採用的目標，美國政策制定者應關注以下幾點：
5.制定國家人工智慧採用路線圖。廣泛採用人工智慧應該是美國政策制定者的首要任務之一，特別是在教育、交通、政府和醫療保健等關鍵領域，由於現有的法規和政府的參與，公共部門需要與私營部門合作部署該技術。政府應制定一份國家人工智慧路線圖，概述特定行業的機會和障礙，以及實現每個行業廣泛採用的詳細戰略。
6.優先考慮聯邦政府快速採用人工智慧。聯邦政府推動人工智慧發展最重要的舉措之一就是大力採用人工智慧技術，提高自身生產力，降低成本，改善公共服務。政府服務管理局內的人工智慧卓越中心應確定人工智慧能夠發揮作用的最重要的核心流程。理想情況下，這些流程中的人工智慧要麼能夠顯著改善客戶服務和質量，要麼能夠降低成本（對政府和政府服務的使用者而言）。
7.支援數位化轉型。美國公司採用人工智慧的比例較低，部分原因是它需要基礎技術，例如製造過程中支援物聯網的裝置。成功的人工智慧應用取決於累積的技術進步。聯邦政府應投資於廣泛的數字基礎設施，包括寬頻、網路安全、智慧城市等。
8.激勵人工智慧勞動力培訓投資。僱主目前對人工智慧勞動力培訓的投資不足，如果沒有政府干預，員工培訓率不太可能達到社會和經濟效益的最佳水平。政策制定者應該引入至少覆蓋50%培訓支出的稅收抵免，以強烈鼓勵企業擴大對勞動力發展的投資並增加人工智慧人才庫。 (財經姝婷說)