观察者网：您倡导的许多积极技术也会带来巨大的经济颠覆。在人工智能能力迅速扩张而社会与经济体系尚未适应的过渡期，企业和投资者应如何应对？

拉斯：首先，我认为在商业领域将这些技术的影响划分为两类是有益的。第一类是提升既有流程的效率，这也引出提到的问题：岗位流失。第二类是思考这些技术能催生哪些全新的事物。

通常，擅长处理这两类事项的人也并不相同：擅长提升效率的人一般并不那么富于创造力，反之亦然。我认为，提升效率的方法其实相当直接：雇用一些人，对所有流程进行梳理，并分析如何改进。至于创造性流程，我不认为应当假设你自己在公司工作或者动员你的所有员工就能搞定。

我认为，可以创建许多大型组织来发掘创造性可能性。当然，你可以从公司内部着手：举办竞赛，让员工提交方案；建立一个类似电视节目《Dragons’Den》的机制。给予人们进行路演、提出创意的机会，若点子足够好，或可获得资金。但你也可以设立“创业加速器”和风险“胶囊”基金。再比如，10家保险公司可以在竞争的同时共同出资设立保险科技风投基金；银行也可以类似操作。

总之，我有很多方式可以让好的创意浮出水面。

如果你投资了足够多的初创公司，你可以基于经验判断：“这家的商业逻辑说得通，我们愿意加入其团队。”而一旦成为团队一员，你所持股份也可能获得可观收益。关键在于区分“效率”与“创造力”两大板块，因为这确实是两件不同的事。

观察者网：您是否认为AI的发展会产生拥有超级AI的“超人”，进一步加剧世界的不平等？

拉斯：我认为，很难断言AI会加剧还是会减少全球的不平等情况。一种可能的情形是：极少数人因AI而变得极其富有。以埃隆·马斯克为例：马斯克的私人开支很少，他的财富主要集中在公司之中。因此，我并不认为马斯克在剥夺他人的财富；我认为他只是在让财富循环起来，以创造就业与推动创新。因此，这不是问题。但更重要的问题是：普通人怎么办？许多人会因为AI失去工作，并且难以寻找到下一份工作。

马斯克

但是AI发展也有积极的一面，普通人可以通过AI获取更多知识、受到更多教育。教育部门必须适应这种转变。你、我以及许多人一直在使用AI学习各种各样的内容。传统上，我们会先用若干年受教育，再在余下职业生涯使用我们所学赚钱、升职。但现在这种学习模式已经结束了，我们需要终身学习。

AI进入教育领域也带来了一种可能性，假设你出生在贫困地区，不认识任何大人物，但你可以访问上海或波士顿的大学教授相同的模型。这为任何拥有智能手机或电脑的人都提供了巨大机会。

观察者网：鉴于中国在人工智能领域的巨额投资，以及您强调的临界密度作为驱动力，您如何看待中国在全球超级智能发展中的地位？您认为中国的做法有哪些独特的优势，面临哪些挑战？

拉斯：首先，若把中国所具备的优势拿出来看，我先提一个常被忽略的点——电力。如果你听过谷歌的CEO以及美国其他科技领军人物的说法，你会认识到，在他们眼中，AI最终极的成本就是电力成本。而中国在电力基础设施建设上的推进速度，远超世界上任何其他国家。

去年中国在智能电网上的投资超过了全球其他国家的总和，而我们确实需要大量电力。做个参照，美国未来十年计划开建的AI工厂，其电力需要超过100座核反应堆供电。因此，这些AI工厂起初并不会主要依靠核反应堆供能，起初大概率主要依赖天然气供能，随后也许逐步增加核能的比例。相比之下，电力是中国的强项，且中国电价更低。

中国的第二个优势是数据共享规则相对更为宽松。AI训练需要数据与电力；而数据共享越充分，AI的开发速度就越快。

中国的第三个优势，也是我认为最重要的优势就在于人才规模。在中国，有大量对技术感兴趣并受过良好技术教育的人。全球范围约一半所谓的STEM教育（科学、技术、工程与数学）专业学生都在中国，因此中国的技术聚焦度非常高，这是一个强项。

我们可以从美国的数据中更直观地感受中国在AI方面的人才体量优势。在美国约有10万名全职从事AI方向的人员，其中30%出生在中国，这很惊人。但更惊人的是，在美国的顶尖AI科学家中，大约一半出生在中国。

我认为AI的主要商业价值不会体现在大型语言模型上。它们对于输入信息非常敏感，往往会随机选择如何回答。大模型没有明显的网络效应、没有强品牌价值，也缺少关键的知识产权专利，同时大模型的训练与运行成本又很高。

所以我认为大模型的大部分商业价值会在agentic AI（代理性人工智能）时代实现，也就是你所说的AI面向具体行业的落地之后。那就意味着当你走进一家具体的公司，比如媒体公司、制药公司，说“我们要把AI接入这套流程”，需要把约数百个不同的AI智能体在特定场景中组合、测试、适配并使其自我学习。

社会各领域有数以百万计的流程等待AI部署。这种大范围部署并非一劳永逸之举，而需要系统梳理企业流程、客户与目标等，再将AI系统嵌入其中并持续优化，这很费时。

各类经过蒸馏后可以用于本地部署的模型

这也意味着，如果你拥有100万名真正擅长这件事的人，你的AI部署就会很快，你的GDP就会快速上扬；如果你只有1万名，那么你的部署进程会落后，你的GDP就不会快速上升。那么谁有100万相关人才？中国。所以我认为这是一项非常大的优势。

接下来谈中国的短板。短板首先体现在芯片上，以英伟达作为标杆，我认为到2027年，中国的芯片会到达英伟达今天的水平；但到那时英伟达又会更进一步。很难说中国何时能与之并跑甚至反超。我的粗略判断是可能需要约10年。目前中国芯片较英伟达性能落后约40%，且双方均在指数式提升，这是很大的差距。

当然，回看DeepSeek发布后所引发的股价波动，我们就应该意识到：随着软件层面演进，硬件对AI的重要性可能没有想象中那么“绝对”。起初有人质疑其使用“违规”的英伟达芯片训练，对此我一无所知；随后DeepSeek发表论文说明了优化路径，并向公众开放。

因而，即便未来没有全球最快、最“聪明”的通用基础大语言模型影响也不是那么大，我认为更重要的是把具有专家深度与行业洞见的大模型部署到特定领域并发挥实际效用。