AI是补充而非取代人力资本——诺奖得主Sargent解读
今天我们聚焦AI供应链，重点剖析中国在这个领域占据的独特生态位。以下几个核心判断值得优先厘清。
先从根本命题切入：AI究竟是替代人力资本，还是对人力资本的增强？这对年轻从业者尤为重要。我们需拉长焦距，审视AI的起源、供应链结构，特别是其中的“人”与“物”要素，以及伴随的伦理课题。随后，我们将深入对比中国AI供应链与其他国家模式的差异——这种对比极具启发性。
先为“人工智能”定义。智能本质上是人类认知行为的总和，大致分为三类：模式识别即收集数据、归纳规律；泛化能力即用历史经验指导新情境决策；行动即做出抉择。AI就是人类制造机器来替代这三项工作。构建AI需要四类工具：
- 统计学工具：概率论、频率分析、模型拟合等。
- 生物学工具：生命诞生、繁衍、死亡与演化机制。
- 经济学工具：生产、分配、定价与交换逻辑。
- 物理学工具：时间、空间、运动与力的关系。
但这其中藏着一个优雅的悖论。认知科学家Steven Pinker点明：人类经过数万年进化，原本是狩猎采集者，天然适应那些生存活动。而今我们却要用统计学、生物学、经济学、物理学的工具去开发AI。这本质上是在用进化后的认知去解决我们并不本能擅长的问题。因此他强调，教育的核心使命是利用技术克服人类在这些领域的认知局限。
那么，把AI“拆解”来看，内部究竟有什么？无论是AlphaGo还是AlphaFold，驱动它们的核心引擎都来自数学与统计学（动态规划、贝叶斯推理）、经济学（博弈论、价值定价）、生物学（神经网络、遗传算法）以及物理学（蒙特卡罗模拟、对称性）。灵感最终仍源于有创见的科学家。
AI真正擅长的领域是什么？它极度擅长检测模式、归纳规律、模拟复杂函数、处理海量数据。像DeepSeek这类现代AI，能胜任人类认为乏味、枯燥、易出错的任务。但它的短板同样突出。类比早期天文学家：托勒密和开普勒从行星轨迹中总结规律，用曲线拟合数据——这是“开普勒阶段”，AI在此表现优异。而牛顿和爱因斯坦则从数据本质出发构建结构性模型——这是“牛顿阶段”，AI尚未展现同等实力。
谈到此，我作为大学教师想聊聊教育观察。AI的出现倒逼我们重新审视科学基础与人类选择依据。从经济学视角看，AI既可以是替代也可以是辅助。过去几年，我观察到多数学生选择了“替代”——直接让AI代劳作业，跳过基础知识学习。原因在于学习基础本身枯燥痛苦。我本人有学习障碍，小学二年级数学不及格，至今仍会为一道题反复演算、抓耳挠腮。学习过程并不愉悦，但真正找到答案时的回报无可替代。
也有学生选择苦学，将算术、统计、物理等知识内化为自己的人力资本。对他们而言，AI不是替代而是辅助，是能量倍增器。他们成为AI的主宰，能提出问题、纠正偏差、引导AI求解。我有一位20多岁的中国学生，他把AI视为一支庞大的私人研究助理团队。关键经验是：AI能显著提升学习基础知识的回报率——无论你学统计还是物理，AI都能让你的投入更有价值。
现在直击核心：什么是供应链？它是一个互相关联组件的系统，每个部件必须正常运转才能交付最终成果。任何薄弱环节、瓶颈或破坏都会威胁整体。AI供应链同理，包含以下核心组成部分：
- 物理组成部分：机器、电网、发电机、半导体、芯片、数据中心等实体设施。
- 人力资本组成部分：持续输送人才的管道。从家庭、父母、祖父母对子女教育的投入，到小学、中学、大学的教育体系，再到私营企业、研究机构、政府机构，不断积累人力资本。
- 生态系统：文化圈、开源计算（一种“社会主义”式的代码共享）、大语言模型、公营或私营数据中心，以及背后的监管与制度环境。
供应链是系统，各部分必须整合。它本质上是一项社会主义性质的事业——系统的任何一个薄弱环节都会危及整体。你会发现不同国家的系统各有侧重，有的更偏向开源，有的则闭源。
作为来自美国的“局外人”，我多次到访中国。从外部视角看，中国在供应链各环节都进行了深思熟虑的布局。举例来说：过去四五年，我发现我最优秀的学生纷纷到中国读中小学，因为这里能学到扎实的基础知识，还能自主使用各类工具。我的孙子孙女在美国读中小学，反而没有掌握这些工具。这仅是供应链的一环。再看电力——AI的关键瓶颈之一，中国在电池等领域的布局有目共睹。芯片方面，贸易壁垒及其后果是绕不开的挑战。最后是人力资本瓶颈——中国在科学、技术人才培育基础设施上的投入，在国家间对比中处于非常领先的地位，这绝非偶然。
开源是供应链生态的另一部分。我个人强烈支持开源计算，其意义极为深远。东西方在这一领域做出了不同选择，值得深入研究。
总体而言，作为局外人，我认为中国AI供应链确实存在乐观理由。谁走在AI领域的前列？这并非看哪个大模型在某项测试中得分最高——那只是冰山一角。我作为客人来到中国，非常荣幸能在这里看到、听到、学习到一切——包括在深交所的所见所闻。这本身就是一件值得庆幸的事。