【文/托马斯·萨金特】

我今天想讲一讲人工智能供应链与中国，我认为中国的人工智能供应链非常特别。首先我会讲一下人工智能的起源，谈谈道德和经济的问题，人工智能到底是取代了人力资本，还是对人力资本的补充？这对在座的很多年轻人都很有意义，我会讲人工智能供应链，特别是其中的人力组成部分、物理组成部分和道德方面。我会特别谈谈在中国的人工智能供应链，大家也可以跟其他国家的供应链做一下对比。

在谈人工智能供应链之前，先泛泛谈一谈人工智能。人工智能到底是什么？人类智能又是什么？我认为所谓智能，本质上是智能的人类所开展的各项活动，包括三种类型：模式识别，也就是收集数据，然后把它归纳成一种模式；第二个是一种泛化性的能力，比如说我观测到某一种模式了，从历史数据当中观察到一种模式，并将其运用到新场景中辅助决策，这便是模式运用与泛化能力，最后人类的活动就包括了决策，也就是形成了我们的行为。

在人工智能领域有一个悖论，可以说是一个美妙的悖论。人工智能，其实就是人类设计的机器，用这个机器来执行我们刚才讲的人类三种活动。那么到底有哪些工具、数学方法和科学的工具来用于这个人工智能的开发呢？这里有四类工具：

一是统计学工具，概率论，包括处理相对频率、拟合模型等等的工具。

二是生物学，这里讲到的是生命的产生、繁衍、死亡与进化。

三是经济学工具，它就是生产、分配，还有定价、价值交换。

四是物理学，时间、空间、运动，以及各种力之间的相互关系。

但是，我说的悖论在哪里呢？

中国大模型有了极大的进步

其实这些是科学家用来构建开发人工智能的工具，但Steven Pinker是一个认知科学家，他说人类经过几十年、甚至数万年的进化之后，我们本来是作为狩猎者和采集者的，人类天生就是去狩猎采集的，人类并非天生就具备统计学、生物学、经济学、物理学等相关认知；人类其实天生不适合这种现代生活，但它进入了我们的一些常识，也是我们进化之后现代生活中做的一些事情，其实并不适合解决我们生活当中的问题。

Steven Pinker说，我们为什么要去教育？学生的教育，目的是用一种技术来克服人类本身在上述四个领域的认知障碍，他说我们要关注这四个领域，但往往我们在开发人工智能的时候是有认知障碍的。

所以如果真的把机器人拆开看看它内部的一些结构——我们之前也看到一个漂亮的机器人，是我们一个公司开发的——如果把它拆开里面有什么，或者把AlphaGo这个模型拆开，去看看它的这些模型、机器，以及背后的算法、计算机程序。不管是AlphaGo还是AlphaFold也好，其实都是一些有创意的人和科学家发明出来的，而他们的灵感来自数学、统计学，包括优化动态规划、概率学、贝叶斯推理，背后都运用了线性代数、几何学等知识。

经济学层面，则融合了定价、价值交换、博弈论、拍卖机制，以及探索与利用的平衡逻辑，这些数学方法都应用于AlphaGo、AlphaFold。在生物学方面，我们运用了神经网络、遗传算法，以及用演化论来优化功能。

最后是物理学领域则用到对称性、不变性、蒙特卡罗模拟、统计力学等理论。其实我岳父也是用了蒙特卡罗模型来解决一些核心问题，这是在他的论文导师的研究当中。

所以人工智能到底擅长做什么呢？人工智能有一些很有实力的部分，但在其他地方尚未展现出人工智能的强大能力。所以人工智能的优势体现在哪里呢？它擅长识别、梳理并归纳各类模式，能够模拟复杂的函数，而且能够逼近复杂的函数。

实际上，大语言模型都是用最小二乘法来估计一个非线性的函数。它也很擅长处理海量的数据集，像DeepSeek这样的现代人工智能，可以做一些人类觉得非常乏味、繁琐或者容易出错的任务，这些是人工智能非常擅长的。

人工智能不足的是什么呢？可以这么说，人工智能能够识别模式。像托勒密和开普勒这样的早期科学家能够从行星运行轨迹当中，去总结行星运行的规律，而且应用了统计学方法，根据大量的观察数据算出一个数学模型，把它进行简化。

托勒密用的是一种圆形的模式，哥白尼用的是少数几个圆和函数空间进行建模，开普勒用的是椭圆，其实他们都是用曲线拟合。牛顿和爱因斯坦做的是什么？还是用同样的数据，但更深入地挖掘，从数据的本质上深入往下研究，得出一个结构化的模型。

像冯·诺依曼和库普曼斯（Koopmans）这样的一些现代科技的开创者，他们说有两个阶段，一个是开普勒阶段，一个是牛顿阶段。简而言之，人工智能现在在开普勒阶段表现得很好，但是它在牛顿阶段的实力还没有展现出来。