縱觀歷史，大部分經濟週期中非連續性的生產力躍遷，都來自於科研創新。同樣，在當下的疫情、全球經濟問題和產業動能轉換中，科研創新可以幫助我們有效穿越經濟週期。
我們這個時代見證了太多從科研創新而進入產業的案例，我認為，從科研創新走出來的創業者，有一個核心條件，那就是認知領先——對於科技發展判斷的領先，是構築起行業壁壘的先決條件。
人工智慧作為通用技術，不但技術發展本身需要我們對技術路徑有超前認知，更重要的是，它可以有效地幫助我們去突破人類認知的邊界、探索未知。
科技創新要成為真正的時代發動機，必須經歷兩個階段
回看過往300年，每一個時代經濟發展的核心驅動力都是技術，技術是真正意義上的時代發動機。而如果細分每個技術的發展脈絡，可以看到每一個時期都有一個非連續的點，經濟增長曲線呈現兩個斜率，即每一個技術突破到推動經濟發展的時候，面臨著至少兩個階段：第一階段是技術變實用的階段，在這一階段，技術從實現突破到能夠真正給大眾生活帶來可見的變化，且大眾逐漸熟悉這項技術；第二階段是技術規模化的量產階段，技術成本降低到足以落地。
增長斜率的非連續有兩個原因：首先，當技術突破到具有實用價值，並且能用於行業中，它面臨的挑戰仍然是行業或者大眾的認知程度沒有跟上。這需要一段時間的市場教育。比如，交流電出來時，大眾認為它會電死牛。汽車剛出來時，英國還設立所謂的《紅旗法案》，擔心汽車行駛到馬路上，會嚇到馬，所以要求在車前面60碼處，有人揮紅旗告知周邊的人和馬，有汽車來了。當時沒有認知到的是，其實有了汽車就不會再用馬了。所以，認知的提升需要時間。
第二個階段就是技術商業化的成本下降的過程。如果生產成本普遍變高，行業是無法發生顛覆式變化的。假定下圍棋是一種生產力方式，以現有AlphaGo/AlphaZero的投入來看，需要幾十年才能收回成本。所以當技術突破以後，需要在新的應用下探索降低生產成本的方法。
這也是為什麼技術突破還不是技術賦能百業的標誌。直到第二個階段來臨，進入規模化生產時，成本降到原來的十分之一、百分之一時，各行各業才會發生改變。
人工智慧也是如此。這波人工智慧浪潮從2010年開始。那時的人工智慧其實是“人工指導的智慧”，不管是傳統的生成式的或者判別式的，其實都非常依賴人的先驗知識。人工指導的智慧一個最大的問題是：其邏輯上限是人的認知，這就帶來了發展的侷限性。
當下，人工智慧的發展依賴於兩個因素的變化。其一是人工智慧轉換為資料驅動，演算法本身對這個世界有了很好的“表達能力”；其二是算力提升，給予人工智慧更大的探索解決空間的能力。此時的人工智慧不再依賴於人的先驗知識，而是可能超越人的認知。但是直到2014年左右，它才在很多垂直領域真的超越了人。
創新的基礎，來自於人類真正意義上的認知創新
從科技創新的第一個階段到真正商用，還有一個關鍵，即它的生產成本是否過高，導致行業難以應用。特別是在工業製造裡，就會面臨類似的問題。比如把AlphaGo用於工廠，如果改造升級生產線需要70年才能回本，那根本沒有人會用。因此，成本降低是能否賦能百業發展的核心。
如果說第一個階段是“頂天立地”的話，第二個階段就是“鋪天蓋地”。什麼是達到頂天立地的基礎和條件？這事關人類真正意義上的認知創新。有人總結過創新的四個正規化，其中兩個創新正規化的存在歷史已經很久，一是亞里士多德的推理演繹，西方的哲學科學理論，包括歐氏幾何、牛頓定律都是這樣衍生開去的，即從一個基礎的原點推到無法再推進的邊界，透過不斷探索更遠邊界的可能性，從而走到更遠。直到千年之後，才有培根總結出又一種創新正規化——經驗歸納。這也意味著人類花了上千年的時間才突破認知侷限。
為什麼千年之後才出現了新的創新正規化？核心原因是人類以前不知道自己的無知，總覺得能用一個統一的方法推匯出某一件事情的邊界，期待能夠追求GUT（大一統理論），屢屢失敗後才發現，經驗歸納只是特定時空條件下有價值的創新抽象。直到2007年，有學者提出第三正規化是計算機模擬，即透過一個解析式和基礎狀態，讓計算機模擬。現在的天氣預報甚至宇宙三體問題都屬於計算機模擬的正規化。第四正規化則是大資料密集型創新。這可說是用計算機進行歸納。
對未知世界探索的核心能力，正在出現變化
但是，人類真正的科研創新突破往往來自天才的腦洞或者說天才的猜想。人類歷史上的科研突破基本上都是基於各種思想實驗，甚至可以說是那些不靠譜的思想實驗。這種突發式的思想實驗到最後被驗證，才被稱為天才的腦洞。但是天才的腦洞為何沒有成為人類歷史上一種科研創新的正規化？因為正規化是可預測的，但是天才的靈光一現是不可預測的，可是今天人們所記住的重大科研突破都是從那條路走來的。
我們覺得有意思的是，圖靈在1950年提出一個問題：機器會不會思考？在提出這個問題70年後，我們可以再問一個問題：機器能不能做猜想？實際上這個答案是肯定的。因為有了這個變化之後，人類對這個世界認知的模式發生了巨大的變化，因為機器的猜想是可規模化、可複製的。
仍然以圍棋為例。圍棋的複雜度是3的361次方，就是黑白加無共361格，即10的170次方格。雖然它的複雜度其實不是我們解決問題中最高的，但足以證明這是一個猜想。10的170次方看上去不是非常大的一個空間，但是要計算10的170次方卻並不容易。比如，宇宙中的原子格數是10的70次方，如果每一個原子都是一個超級計算機，每秒計算1億億次，從宇宙大爆炸算到今天，10的170次方都算不完。所以，以人類的現有認知是無法得到一個確定解的，某種意義上來說，AlphaGo/AlphaZero根本不是在求解，而是猜了一個好像對的解。
今天我們就面臨著這樣一個問題：如果計算機和人工智慧很容易就猜想出牛頓定律，而牛頓可能200年後才出生，那我們用不用牛頓定律呢？這意味著，我們該如何找到新猜想的邊界；另外，新猜想也要有路徑依賴，不能太超前認知。
比如，我們穿越回亞里士多德時代，和他談牛頓定律，告訴他萬物是如何執行，力學是什麼規律，他可能還能逐步理解。但是如果你告訴亞里士多德一個猜想，關於相對論的猜想，光是會彎的，他甚至連光是什麼都不知道。因此認知太超前也不行。
劉慈欣的小說《詩云》中就曾經寫到過，一個外星高階文明來到地球，認為地球文明太弱了，資訊傳輸的位元率太低了，因此要滅絕人類文明。後來看到人類歷史上的詩，覺得非常有意思。他就搞出了一個人工智慧“詩云”。
那麼，問題來了，你能寫出所有可能的詩，其中包括最好的詩，但是卻無法找出什麼是好詩。
其實，人工智慧今天能夠給出很好的猜想，但可悲的是人類此時沒有辦法識別哪些是正確的、真正有意義的、有巨大價值的猜想。所以我們仍然需要借鑑人類發展歷史，在應用中測試猜想的邊界，用這個邊界再來規範我們所使用的猜想。所以，必須在創新鏈中完全加速它的使用，才能真正用好我們猜出來的“牛頓定律”。
這是我們這代人對未知世界探索的核心能力的變化。未來，越沒有定律的學科越會被顛覆，因為這些學科是機器可以大有作為的領域。
人工智慧有機會成為我們時代的標籤
我們一直認為自己對這個世界有很好的把控，但現實是我們都是在應用中找到邊界。現在很多人認為人工智慧是大資料驅動，其實並非完全如此。
人工智慧發展的首要核心在於人工智慧背後的大算力。我們看到在一些應用中，其實已經不完全是資料驅動，我們自己就在推動一個AI大裝置，在這個AI的底層來做猜想模式。之所以叫AI大裝置，比對的是粒子對撞機，人工智慧和粒子對撞機都是在1956年發明的，而且都是用隨機性解決探索世界的問題。
過往的十年當中，最好的人工智慧演算法對於算力的需求增長了100萬倍，其中有很多演算法是沒有用什麼資料的，很多長尾應用都不是大資料問題。
第二個核心就是“鋪天蓋地”，長尾應用這個詞是10年前描述網際網路營銷的。網際網路過去20年最大的貢獻就是解決了長尾需求的匹配。實際上線下應用，包括工業的、城市治理的人工智慧系統要解決的都是實現這個長尾鏈條的完成，從而形成價值閉環，因為現在的瓶頸是人效。
每個人一天遇到大約600件物品，每三件東西形成一個檢測元，比如說人在演講時，人、手持話筒、舞臺就可以用來識別演講這個行為。如果一個人每天遇到600件物品，就有3400多萬種組合，如果有3400多萬個AI模型，才可能形成真正的物理世界的網際網路和搜尋引擎，讓機械製造、無人駕駛等各類應用都從中受益。但即便是我們，現在也只生產了22000個不同應用場景中的商用人工智慧模型，距離3400多萬個還很遠。工業應用同樣如此，比如，AI高鐵的架空電纜的缺陷檢測中的應用，這些缺陷中有高頻的，也有極低頻的，但問題是，如果人工智慧只能解決高頻缺陷，依然得靠人工解決極低頻，甚至低頻缺陷，那效率並沒有提高，所以對於長尾問題，不存在解決頭部問題就能解決所有問題的可能性，不存在所謂的二八定律。
時代究竟是什麼？時代的背後都是技術。蒸汽、電氣、甚至石器、鐵器時代再到資訊時代都是技術。技術是改變政治經濟文化背後的驅動力，帶來生產力跳躍式的變化。
但是也有一些技術並沒有成為時代的標籤，比如曾經的克隆技術，並非不重要，而是它沒有改變生產要素的價格。為什麼人工智慧有機會成為我們這個時代的標籤，是因為人工智慧能夠降低我們這個時代生產要素的價格。
《預測機器：人工智慧的簡單經濟學》中提到，當某種基礎產品的價格大幅下降時，整個世界都會發生變化。現在人工智慧模型的生產效率，三年提升了300倍，當人工智慧真正走到鋪天蓋地時，才能真正變成一個時代的基礎設施。
作者：徐立（作者為商湯科技聯合創始人、董事長兼CEO，此文系作者在上海交通大學安泰經管學院的演講）
編輯：儲舒婷
圖片來源：上海交通大學
