近日，中国工程院院士、中国科学院计算技术研究所研究员、学术委员会主任、中国科学院大学计算机科学与技术学院院长孙凝晖在今年5月的一次演讲内容引发了网络上的巨大争议。在该演讲中，孙凝晖表示，华为走的中式封闭垄断的路线，难以对抗西式的封闭垄断。
孙凝晖院士表示：“人工智能时代更加碎片。我们的这个NPU、GPU一大堆，NPU更多，所以整个这个技术战解决不了碎片化问题，对手已经形成垄断，很强大，你又是碎片化。当时我们一想，这就跟那个解放前，我们这个抗日战争的时候，我们都是一大堆军阀，每个小军阀都过得挺好，到四川那一个军阀占两三个县，一个军长就是一个军阀，国家就是有几个大军阀，山西就是个大军阀，那我们基本上碰到强敌的时候你没有赢的（可能）。我们为什么能赢？就是搞了一个有点像这个开源，这个他是为所有人服务，大家一起来做做贡献，那我们的企业这个华为他就不这么想。”
“华为就是搞封闭，搞垄断，最好你们都别干，贡献给我就行了。你们都用我的芯片，你们都把技术给我，然后我搞一个端到端的，从这个制造到指令到软件到大模型，到这个应用，反正全都是我，智算中心到什么算力网全都是我，所以我想我们用这种中式的封闭、中式的垄断去对抗人家西式的封闭，西式的垄断啊，肯定是打不赢！”
孙凝晖院士：华为搞封闭垄断 难以对抗西方！
孙凝晖院士指出，华为在技术发展上采取了一种封闭式、垄断性的模式。这种模式的核心是将技术和利益集中到一个企业内部，实现端到端的控制。华为的战术体系就是集中力量办大事，将技术和利益进行最大化发展。
但这种模式的弊端在于，将整个技术的突破和产业链的命运押在一家企业上是风险巨大的。比如在华为被美国制裁期间，这种封闭式模式的脆弱性暴露无遗。华为的消费者业务受到了严重冲击，市场份额大幅下降，产品口碑也受到影响。尽管华为依靠通讯业务为其消费者业务输送资金，但上下游供应链的困境依然严峻。
孙凝晖院士：华为搞封闭垄断 难以对抗西方！
孙凝晖院士强调，“不是说垂直的封闭的（模式）不要搞，因为他的效率更高，商业利益更大，他把资源和他的这个利益集中到一个企业里边的能力更强，是可以做好集中力量办大事的这样一个事，这个模式他必须要有。但是也必须要有另外一种模式，其实就是开放的这样一个模式。所以这个就要进行生产关系的改革。”
在孙凝晖院士看来，目前全球高水平的CPU设计、GPU设计、操作系统设计已经被美国所垄断，中国要想在这些领域取得突破，就需要用开源模式去打破西方的生态垄断，降低企业拥有核心技术的门槛，让每个企业都能低成本地做自己的芯片，形成智能芯片的汪洋大海，满足无处不在的智能需求。用开放形成统一的技术体系，我国企业与全球化力量联合起来共建基于国际标准的统一智能计算软件栈，形成企业竞争前共享机制，共享高质量数据库，共享开源通用底座大模型。简单来说，就是必须要依靠全产业链的共同发展，而非单纯的依靠一两家企业所构建的封闭体系。
近期，孙凝晖院士这番言论在网络上受到了众多网友的质疑和指责。不少网友认为华为并没有搞垄断，华为的供应链是开放的，华为的手机里绝大部分都是采用的国内供应商的零部件，华为的鸿蒙系统也有开源的版本，华为在美国的持续打压下不仅没有趴下，反而还越来越强大了，证明了华为模式的成功。
确实，网友说的的很多也是事实，不过客观来说，孙凝晖院士也并未否定华为模式的优势和作用，而是强调国内的技术发展和突破，仅仅依靠华为模式是不够的，还需要更开放的生态模式，需要更多的企业来发挥他的力量。
值得注意的是，早在今年4月26日，孙凝晖院士就在十四届全国人大常委会举行第十讲专题讲座上，给正国级、副国级领导的讲课时就作了题为《人工智能与智能计算的发展》的发言，其中就有提到开放的发展模式。
孙凝晖院士：华为搞封闭垄断 难以对抗西方！
以下为孙关于凝晖院士中国如何发展智能计算的道路选择的演讲部分内容：
人工智能发展的道路选择对我国至关重要，关系到发展的可持续性与最终的国际竞争格局。当前人工智能的使用成本十分高昂，微软Copilot套件要支付每月10美元的使用费用，ChatGPT每天消耗50万千瓦时的电力，英伟达B200芯片价格高达3万美元以上。总体来说，我国应发展用得起、安全可信的人工智能技术，消除我国信息贫困人口、并造福“一带一路”国家；低门槛地赋能各行各业，让我国的优势产业保持竞争力，让相对落后的产业能够大幅地缩小差距。
选择一：统一技术体系走闭源封闭，还是开源开放的道路？
支撑智能计算产业的是一个相互紧耦合的技术体系，即由一系列技术标准和知识产权将材料、器件、工艺、芯片、整机、系统软件、应用软件等密切联系在一起的技术整体。我国发展智能计算技术体系存在三条道路：
一是追赶兼容美国主导的A体系。我国大多数互联网企业走的是GPGPU/CUDA兼容道路，很多芯片领域的创业企业在生态构建上也是尽量与CUDA兼容，这条道路较为现实。由于在算力方面美国对我国工艺和芯片带宽的限制，在算法方面国内生态林立很难形成统一，生态成熟度严重受限，在数据方面中文高质量数据匮乏，这些因素会使得追赶者与领先者的差距很难缩小，一些时候还会进一步拉大。
二是构建专用封闭的B体系。在军事、气象、司法等专用领域构建企业封闭生态，基于国产成熟工艺生产芯片，相对于底座大模型更加关注特定领域垂直类大模型，训练大模型更多采用领域专有高质量数据等。这条道路易于形成完整可控的技术体系与生态，我国一些大型骨干企业走的是这条道路，它的缺点是封闭，无法凝聚国内大多数力量，也很难实现全球化。
三是全球共建开源开放的C体系。用开源打破生态垄断，降低企业拥有核心技术的门槛，让每个企业都能低成本地做自己的芯片，形成智能芯片的汪洋大海，满足无处不在的智能需求。用开放形成统一的技术体系，我国企业与全球化力量联合起来共建基于国际标准的统一智能计算软件栈。形成企业竞争前共享机制，共享高质量数据库，共享开源通用底座大模型。对于全球开源生态，我国企业在互联网时代收益良多，我国更多的是使用者，是参与者，在智能时代我国企业在RISC-V+AI开源技术体系上应更多地成为主力贡献者，成为全球化开放共享的主导力量。
选择二：拼算法模型，还是拼新型基础设施？
人工智能技术要赋能各行各业，具有典型的长尾效应。我国80%的中小微企业，需要的是低门槛、低价格的智能服务。因此，我国智能计算产业必须建立在新的数据空间基础设施之上，其中关键是我国应率先实现智能要素即数据、算力、算法的全面基础设施化。这项工作可比肩二十世纪初美国信息高速公路计划（即信息基础设施建设）对互联网产业的历史作用。
信息社会最核心的生产力是网络空间(Cyberspace)。网络空间的演进过程是：从机器一元连接构成的计算空间，演进到人机信息二元连接构成的信息空间，再演进到人机物数据三元连接构成的数据空间。从数据空间看，人工智能的本质是数据的百炼成钢，大模型就是对互联网全量数据进行深度加工后的产物。在数字化时代，在互联网上传输的是信息流，是算力对数据进行粗加工后的结构化抽象；在智能时代，在互联网上传输的是智能流，是算力对数据进行深度加工与精炼后的模型化抽象。智能计算的一个核心特征就是用数值计算、数据分析、人工智能等算法，在算力池中加工海量数据件，得到智能模型，再嵌入到信息世界、物理世界的各个过程中。
我国政府已经前瞻性地提前布局了新型基础设施，在世界各国竞争中抢占了先机。首先，数据已成为国家战略信息资源。数据具有资源要素与价值加工两重属性，数据的资源要素属性包括生产、获取、传输、汇聚、流通、交易、权属、资产、安全等各个环节，我国应继续加大力度建设国家数据枢纽与数据流通基础设施。
其次，AI大模型就是数据空间的一类算法基础设施。以通用大模型为基座，构建大模型研发与应用的基础设施，支撑广大企业研发领域专用大模型，服务于机器人、无人驾驶、可穿戴设备、智能家居、智能安防等行业，覆盖长尾应用。
最后，全国一体化算力网建设在推动算力的基础设施化上发挥了先导作用。算力基础设施化的中国方案，应在大幅度降低算力使用成本和使用门槛的同时，为最广范围覆盖人群提供高通量、高品质的智能服务。算力基础设施的中国方案需要具备“两低一高”，即在供给侧，大幅度降低算力器件、算力设备、网络连接、数据获取、算法模型调用、电力消耗、运营维护、开发部署的总成本，让广大中小企业都消费得起高品质的算力服务，有积极性开发算力网应用；在消费侧，大幅度降低广大用户的算力使用门槛，面向大众的公共服务必须做到易获取、易使用，像水电一样即开即用，像编写网页一样轻松定制算力服务，开发算力网应用。在服务效率侧，中国的算力服务要实现低熵高通量，其中高通量是指在实现高并发⑧度服务的同时，端到端服务的响应时间可满足率高；低熵是指在高并发负载中出现资源无序竞争的情况下，保障系统通量不急剧下降。保障“算得多”对中国尤其重要。
选择三：AI+着重赋能虚拟经济，还是发力实体经济？
“AI+”的成效是人工智能价值的试金石。次贷危机后，美国制造业增加值占GDP的比重从1950年的28%降低为2021年的11%，美国制造业在全行业就业人数占比从1979年的35%降低为2022年的8%，可见美国更倾向于回报率更高的虚拟经济，轻视投资成本高且经济回报率低的实体经济。中国倾向于实体经济与虚拟经济同步发展，更加重视发展装备制造、新能源汽车、光伏发电、锂电池、高铁、5G等实体经济。
相应地美国AI主要应用于虚拟经济和IT基础工具，AI技术也是“脱实向虚”，自2007年以来硅谷不断炒作虚拟现实（Virtual Reality，VR）、元宇宙、区块链、Web3.0、深度学习、AI大模型等，是这个趋势的反映。
我国的优势在实体经济，制造业全球产业门类最齐全，体系最完整，特点是场景多、私有数据多。我国应精选若干行业加大投入，形成可低门槛全行业推广的范式，如选择装备制造业作为延续优势代表性行业，选择医药业作为快速缩短差距的代表性行业。赋能实体经济的技术难点是AI算法与物理机理的融合。
人工智能技术成功的关键是能否让一个行业或一个产品的成本大幅下降，从而将用户数与产业规模扩大10倍，产生类似于蒸汽机对于纺织业，智能手机对于互联网业的变革效果。
我国应走出适合自己的人工智能赋能实体经济的高质量发展道路。
0 留言