人工智能不能“舉國體制”。
這是我在3月20日聽完長江商學院發布《2018中國人工智能指數》之後最大的收獲和感觸。
這份報告從學術、人才、產業、開源/平台及公共認知和媒體報導五個領域對評估了中美在人工智能領域的發展現狀及差距，它綜合了史丹佛指數、牛津指數、麥肯錫報告、領英以及國內的騰訊、華為、清華的報告等。
中國的牛津指數得分是17分，美國得分33分，這意味著美國在人工智能潛力上幾乎是中國的2倍。
引人矚目的是在學術期刊及專業會議發表論文方面，總數上中國呈現快速接近美國的趨勢，在2016之後這一趨勢尤其明顯。
而中國的中、低引用率（0引用）的論文的發表總數在最近幾年逐漸接近美國的總數，但在最具原創性、最具影響力的極高引用率（被引用1000次以上）和高引用率（被引用100次以上）的論文方面，中國與美國的差距巨大。
具體到領域，在機器學習、文本分析和NLP、計算機圖像與視頻分析、虛擬代理及群體智能等領域，中國的論文發表總數和被引用總數在最近幾年裡大幅度縮小了與美國的差距。但是在深度學習、機器人流程自動化、以及包括推理學習等在內的其他領域，從發表總數和引用率方面，中國與美國的差距仍然顯著。
至於中國在人工智能領域零引用論文數量比美國突出、而高引用論文數量又少得可憐的原因，長江商學院經濟學教授、人工智能與制度研究中心主任許成鋼分析認為主要有兩個：
第一，中國這些論文討論的問題是在比較狹窄範圍裡的應用問題，由於應用的範圍非常狹窄，所以超出了他的範圍之外別人就沒有興趣了，因為都是應用型的，所以也就沒有人引用了。
第二，中國的激勵機制的原因，在學校裡面是要數數的，數你在國際期刊上發了多少篇。“當你的評價體制高度偏重於數數字的時候，就會引導著他們追求數字大，而不是追求質量高。這兩個中間是有矛盾的，因為你要為了質量高，你可能就要慢下來，你要是為了數字高，你可能把一篇論文拆成三篇，拆了以後每一篇就都不重要了，合成一篇可能就是一篇很重要的文章。”
許成鋼在接受虎嗅採訪時強調，無論是國際期刊還是國際會議，都是經過同行評議的，也就是說，能在國際期刊上發表的論文，其基本質量是有保證的。
武漢大學大數據與雲計算實驗室主任崔曉暉與許成鋼的觀點不謀而合：“我們在中國體制內大學，大家可能應該知道有一個SCI現象（Scientific Citation Index，《科學引文索引》），也就是你的水準高和低，或者你從講師評到副教授或者是教授，人事處就數這個教授發了多少篇SCI文章，從來不管你這篇文章到底有多大的影響力。這就是SCI現象。”
除了學術領域，在人工智能人才方面中美的對比也非常有趣，據領英人才數據庫統計，中國的AI人才總數為5萬，而美國的AI人才總數為83萬。具體到工作年限和分布領域的話——
工作年限。在中國，工作10年以下人工智能領域的人在各個年限都超過美國同行，而美國則在工作10年以上的人才方面遠超中國，美國超過71.5%的人工智能領域的人工作了10年以上，而中國這一比例為38.7%。
分布領域。在人工智能的基本算法、芯片、傳感器等方面中國都落後於世界上多數的發達國家，尤其美國。
除了上面說的，報告還對其他領域進行了總結，如下：
在產業領域，中國的活躍的人工智能初創公司整體上呈快速發展趨勢，2016年超過400家，達到頂峰。中國活躍的人工智能初創公司數字在2012年之前多於美國，但是在2012年以後美國超過中國，而且在2016年之後，美國快速上升，在2018超過600家，而中國則在2016之後下降，在2018降至不到200家。
在人工智能的學術人才方面，除了有特大影響的人才外，中國發表有影響（即被引用的）論文的作者人數與美國之間的差距持續縮小。發表沒有被引用的論文的作者人數，最近幾年大幅增加，超過美國。但特大影響（特高引用率）作者的人數顯著少於美國。
開源套裝軟體，作為度量人工智能研發程度的指標。中國在最近三年裡，關注人工智能開源套裝軟體的總數迅速上升，並在2017年秋超過了美國。但是，幾乎93%的中國研究者使用的人工智能開源套裝軟體，是美國的機構開發提供的。中美兩國人工智能研究者使用最多的套裝軟體是Google開發的TensorFlow。在2018年初，中美研究人員對此的關注人數，分別達到將近9000和約7000。
公共認知和媒體報導方面，在2014年之前，中國媒體對人工智能的正面報導略多於負面，差距不大。此後，負面報導持續下降，正面報導逐年增加，全面壓倒負面報導。相比之下，全球英語世界的報導，多數屬於沒有正負之分的中性。在2013到201年之間，正負報導之間的差距曾經大幅度縮小。在2016之後，正面報導大幅度提高，而負面報導則沒有顯著變化。 這個趨勢與2016年之後美國人工智能投資初創企業的快速增長高度相關。
崔曉暉教授在接受虎嗅採訪時表示，在基礎人才培養方面不應該在大學裡專門設一個人工智能相關的學科或學院：“人工智能是一個高度交叉的學科，應該把人工智能做成一個通識課，分布在各個專業裡，從小學、中學乃至大學都應該讓學生去學一點。”
他說，學科建設更多的是高端人工智能人才的培養：“在這方面更多的是基礎理論，這就需要一個學科，在資源獲取上更容易一些，因為中國在資源分配方面是按照學科給你分配的。這也就是為什麽很多體制內大學的教授一直強調要建一個學科，其實是為了更好的獲取資源。”
《科技日報》總編輯劉亞東則建議，中國在搞重大的國家科學發展規劃的時候，應該更多地發揮市場功能，調動企業特別是企業家參與的熱情，這個事情政府是不能取代的。
“如果給我們國家的人工智能國家計劃提建議的話，就是政府的作用、角色要發生轉換，要從領導變成引導，從定規劃變成定規則，得完成這樣一個角色的轉換，這樣的話人工智能產業才能夠健康發展。”劉亞東說。
一句話總結，就是搞人工智能不能搞“舉國體制”。
崔曉暉表示，任何的創新都是不可能預知和不可規劃的，更多的是在一些隨機事件中所產生的，“甚至有一些創新剛出來我們本身並不知道它有很大影響或者是很大的創新。”
如何避免“舉國體制”呢？許成鋼對虎嗅表示，問題在於資源如何配置，尤其在一個快速發展的、新的、高度不確定性的領域：“基礎科學的資源應該是由本行的專家來決定配置，應用性的工作資源由風險投資來決定，風險投資是政府沒有辦法做的。”
也就是說，應避免把大量的社會資源調動起來、人為地朝某些地方投入，因為你投入最大的那個領域，最大的可能是失敗。
政府主導的風險投資和私人基金主導的風險投資的根本區別在於，前者更關心的是你申請了多少個專利，而不在乎你的死活，因為它不會讓你死，而後者則相反，它要求企業的第一要務是活下去。
“你把目的放到了專利上，你就引導了他們生產大量沒有用的專利，那麽這樣子的企業，它就不可能在激烈的技術發展和競爭的過程中脫穎而出。”許成鋼解釋說。
在他看來，只要你不是真正創新創出來能製造價值的，你在市場上就要死，這是市場機制裡的最基本部分，因為優勝劣汰的基本機制，靠的就是多數的企業要死。
許成鋼教授補充說：“在過去超過半個世紀的所有的創新，最大的創新的工作都產生於小企業，這也是一個基本規律。”
上面提到，美國在基礎科學領域做得遠遠比中國好，中國則更多的是在應用層。從去年或更早些時候開始，中國的企業才開始意識到要往基礎科學方面下沉和側重，比如阿里成立達摩院，馬化騰呼籲關注基礎科學，都是這樣的例子。
中國在基礎科學上和美國等發達國家的差距，許成鋼認為，有兩個方面的原因，一個是歷史上積累的，從來差距就很大；第二就是直接跟這個制度尤其是大學制度有關，在美國等發達國家的大學制度裡，講究的是教授治校自由。
許成鋼跟虎嗅分析道：“創造性的工作是很難靠評價體系引導出來的，它更多的是靠人的想象力，而想象力很難通過評價體系引導出來。”
忠言逆耳，希望有關部門能明白。
香港九龍灣馬來街興發大廈15樓D室