上来先问大家一个问题：

你觉得你用的东西和富豪们用的东西有什么不同吗？

仔细思考，你会发现：

如果不考虑面子、炫耀和格调，普通人用的东西本质上和富豪们的物质享受其实差的并不多。

富豪们几万块钱的羊绒大衣未必有我几百块钱的羽绒服暖和；富贵如巴菲特，喝的可乐和我在超市里买的也没什么不同；劳斯莱斯当然很奢华，座椅都是手工真皮，但咱的小破车难道不能上高速？

就算是房子，我有几个在农村有宅基地的朋友表示：虽然自己家里也没啥钱，但是住个几百平的自建房还是没什么压力的。要知道好多大明星在北京住的房子也就一两百平。

哪怕是香烟，高端的1916和低端的蓝楼之间的单包成本差异也不会超过5元——因为市面上能买到的最贵的烟，单包成本也不会高于5元。

这就是工业带来的力量——工业革命的本质，就是大规模的生产，用产品去满足需求，然后将产品大规模生产并销售出去。这就使得很多产品的成本和价格降低到了普通人也可以消费得起的程度。这种进步使得我们这些现代的普通人能过上比古代的王侯将相们更高品质的生活。

实际上，在这个工业化的时代，我们和富豪们之间最大的消费差异体现在各种服务上：国际学校、私人医生、专职司机、保姆管家、信托基金……实体产品上，普通人和富豪们之间的差距越来越小了；但在服务上，普通人和富豪们差的太远了。

最典型的一点就是：以今天的中国中产收入而言，一个企业高管的中产虽然可以买得起绝大多数市面上的消费品，虽然可以从衣着打扮和吃穿用度上比富豪还奢华，但TA大概率不会给自己请一个专职司机，也不会有自己的保健医生，更不会有自己的家族财富管理服务。

但现在，Chatgpt为代表的AI来了，一切都变了。AI有能力让曾经专属于富豪阶层的这些服务也实现大规模生产。

当然，“大规模生产富豪们享受的服务”实际上也是小看了AI。AI所能大规模提供的，不仅仅是“富豪们的服务”，而是“智力”。

当智力不再值钱

用过Chatgpt的朋友应该都能体会到这玩意儿在语言上的恐怖之处——它的翻译能力实在太恐怖了。尤其是当现在版本已经更新到了GPT-4的时候，自然流畅的多语言语音输出已经不存在任何障碍了。

仅仅这个最基础的本领，就已经挖断了“翻译”行业的根。

举个例子来说吧，我们平时看到的各种国际会议的新闻，这背后都是需要翻译们进行同声传译的——外国政要们每说一句话，翻译们就要立刻马上准确地翻译过来，这对翻译者的注意力、反应能力和语言能力都提出了极高的要求。

因此，“同声传译”也成为了翻译这个行业里最高难度的任务。以最基础的中英文之间的翻译来说：普通的陪同口译，低的只要几百一天，高的也不会超过3000元/天；高级一点的会议口译，报价不会超过5000元/天；而同声传译的服务价格，便宜的也在5000元/天左右，高级的可以要到10000元/天以上。

如果是小语种，那么每个级别的费用都会再上一个台阶。

局长当年有个做过翻译的朋友，他的老师就能做中英文“同声传译”，据他所说，他老师一年最多也就接三四次“同声传译”的活儿——不是因为市场需求少，而是因为这个工作太折磨人——你需要极度专注，以至于每次收工后整个人都会陷入巨大的精神疲惫。

但现在，Chatgpt来了、诸如eleveblabs的可以模仿说话者音色的AI应用也开始大规模落地了，相比起人类翻译，AI翻译的成本已经可以低到忽略不计，而且可以自由在N种语言之间切换——你完全可以前一分钟让AI做汉语英语翻译，后一分钟再让它做俄语法语翻译，过一会儿再要求它做日语泰语翻译。

这可是需要高度专注和极强语言能力的“同声传译”工作，这个行业的从业者基本都是硕士以上的学历和许多年的工作经验。但在AI面前，专业实力扎实的翻译们似乎并没有什么牢不可破的优势。

再比如说，前几天Open AI开了开发者大会引起了不同寻常的冲击波——大量创业者表示，自己辛苦了半年，结果发现自己要做的事情被Open AI给做了，而且做得比自己好得多——很多人一夜醒来发现自己的公司已经没有存在的必要了。

这在传统的语境下似乎很难理解，但放在“智力贬值”的语境下就很好理解了——苹果造iPhone需要庞大的供应商网络是因为iPhone是实体产品，苹果没有能力独自一家造出iPhone，在实体制造业之中，像手机这样复杂的产品，没有任何一个企业可以完全单独造出来，必须依靠分工协作。

但在AI的应用上，以Open AI前些日子发布的Assistants API来说，这是一个“一键创建GPT应用”的工具。

以前想要做一个AI Agent（AI应用程序）需要专业团队和大量的搭建、调试工作，但现在，通过Assistants API，只要你有足够的数据，只需要告诉Assistant API你想要什么东西，它就会自动帮你做一个AI Agent出来。可以说，只要Open AI选择向大众开放Assistants API，那么每个人都可以变成产品经理。写代码的事情，只要交给AI就可以了。

过去有多少公司因为一个app或者一个网站的爆火而成为巨头？虽然他们的传奇故事也就过去了十几二十年，但他们依旧属于上一个时代。在那个时代，编程是一个被少数人所掌握的技术，程序员们提供的智力是这些巨头们崛起的根基。

但未来呢？Open AI的升级也就过去了几年的时间，但现在已经有无数人在Chatgpt上创造了自己的“AI应用软件”——以一款名为“Tech Support Advisor”的GPT为例，它可以访问各种技术知识的数据库，会像一个设备专家一样帮你解决从Wi-Fi没信号到打印机没墨水的一系列技术问题。

在AI时代，这样的一个“AI应用软件”不需要任何计算机知识，只要稍加学习ChatGPT的调教办法，普通人也可以很快上手。

因此，某种意义上，我们可以得到这样的一个结论：如今AI大模型技术的出现，相当于为这个社会提供了近乎于无限的智力供给。而当智力开始无限供给了，智力的价值就要开始打折了。AI整顿服务业的方式，就是通过其近乎于无限多的智力供给，打破曾经由人类知识所构成的门槛，让基于人类知识的服务变得更便宜。这个服务，可以是翻译、司机、助理之类狭义上的服务岗位，也可以是科研、管理、决策、参谋等广义上的服务岗位。

中国的AI产业链可靠吗？

当年的“工业革命”相当于劳力放水，一台机器顶得上一万个工人。

今天的“AI革命”相当于智力放水，一个大模型顶得上一万个大学生。

AI既然带来的是大量的智力供给，那么它的影响力将会是基础性的——如果中国无法在AI领域和世界先

根据 C-Eval 给出的信息，MiLM-6B 模型已经在计量师、物理、化学、生物等多个项目获得了较高的准确率

而目前来看，中国的AI产业链相比起世界先进水平，还有较大的差距。产业链叠加起来的影响就是，如果中国AI产业链落后，那么我们最终就无法提供和世界领先水平一个量级的智力供给。

这种差异，很可能会影响我国未来的命运。

整个AI产业链可以分为三个大块：基础层、技术层和应用层。

基础层

基础层包括了三个环节：硬件（核心仍然是芯片）、数据和云计算。这一块，也是中国和发达国家差距最大的领域——根本原因在于积淀——基础层的诸多核心技术非常依赖于基础科研的进展，但这一块，我们的积累确实还比较薄弱。所以，AI的基础层依旧是美国、日本、韩国等发达国家的垄断市场。

硬件上，一个是GPU，一个是传感器，我们的短板比较明显。

随着GPT的流行，GPU芯片成为了最最主流的选择，它可以适用于各种高级复杂算法和各种通用的大模型，不需要额外进行定制，可以直接使用。而GPU领域的霸主，毫无疑问，是美国的英伟达。

国内来看，华为、摩尔线程、壁仞等厂商虽然也有GPU产品，但相比起英伟达的拳头产品来看还是差的比较远。

而传感器则是各种设备的感知系统，智能驾驶汽车就不提了，最近爆火的AI Pin之所以能够实现那么强大的功能，也是因为内置了诸多先进的传感器。

但对我国来说，中国企业的智能传感器份额还是比较低，国内虽然也有传感器企业，但是里面核心产品都是进口的。中高端MEMS（微机电）传感器进口率80%，传感器芯片的进口率达到90%。

因此，虽然中国的传感器企业多，但都是中小企业，没有能力通过科研攻关超越外国厂商的技术壁垒，导致核心技术在外。这些年虽然已经有了不错的进展，但智能传感器的自给率还是不到50%。

数据上，中国的优势非常显著。这主要得益于中国庞大的网民群体和超高的互联网普及率——中国的数据产量占了全球数据产量的23%，高于美国两个点。而且我们一直在做数据的标准化工作，这样使得数据应用的效率会变得更高。

海量的数据，还会带来一个特别的好处：算法上的差距，就不那么明显了——因为只要数据量足够大，在达到某个临界值之后，不同算法之间的准确率差异会越来越小。

云计算上，中国目前已经处于世界领先水平，云计算市场规模已经达到全球的15%，阿里云已经是亚太第一，全球第三的云计算服务提供商。但需要注意的是，云计算领域的核心技术还有很多是被卡的——各种硬件设备的国产化率还是很低。

总体来看，我们在基础层相比起国外还有较大的差距，这是我们不得不正视的短板。

技术层

技术层来说，主要是算法理论、模型和各种应用的技术。这一块，中国和世界领先水平的差距就开始缩小了，而且在应用技术上，我们有不少领先的地方。

基础的算法理论上，我们和西方还是有差距——机器学习的顶尖学者主要还是集中在美国，重的数量排到了第四。机构排名上，前五名也基本都在北美。

这也可以看出中国在科研上的一个长期的短板——中国的基础研究任务目前依旧是以高等院校和科研机构为主力，中国的企业并没有在基础研究领域做太多的努力。而美国的谷歌、Deepmind、Meta都是机器学习领域的顶尖机构。

在具体的应用技术上，中外差距则要小得多——这也体现了中国科研在应用研究上的力度——中国人工智能市场上，机器视觉、智能语音和自然语言处理是最重要的三个应用方向，也是国内AI企业布局最多的地方。其中，机器视觉的商业早就已经成熟了，目前已经是机器视觉第一技术来源国，专利占了申请量的78.7%，其次是美国的14.2%。

应用层

之前在《大逃杀中的中国AI大模型》一文中我们就曾经写道：

王小川六月去硅谷转了一圈，去之前，他想的是，中国AI大模型已经在追求“理想”的道路上比OpenAI慢了半步，但落地他想要比美国人快上半步。但交流完回来，他的想法就变了：落地这事，王小川觉得能比对方快三步。王小川去硅谷的时候发现，那帮子不差钱的工程师已经在研究怎么把1000万块GPU联在一块做模型架构了，但英伟达一年才生产100万块GPU……而反面是，虽然工程师文化浓厚，但美国有大量工程师没有任何应用的经验，一旦从做技术延展到做应用，“能力实在不咋样”。

进水平保持一致，那么我们各行各业都有可能落后于外国。中国如今的成就来自于我们的工程师红利，但AI带来的“智力大放水”很有可能未来会在效率上碾压我们的工程师红利——AI已经在制药等领域展现出了可以大幅度提高研发效率的前景。

中国在算法理论、大模型上虽然还和世界先进水平有差距，但是庞大的数据量以及强势的应用，可以让模型有更高的训练质量，反而可能实现反超。

中国庞大国内市场的需求，是中国在AI产业应用层的核心优势。

AI时代，对教育的一些思考

AI导致的这种冲击，也势必会影响到中国的教育。

我们引以为傲的“工程师红利”的底气，其实是中国庞大的人口基数、普及的教育以及大量的高等院校毕业生。但在现实世界，我们都知道，哪怕是一个985学校的毕业生，到了新单位之后，老员工和管理者们也都会默认他们其实什么都不懂。

因为学校里教授的是基本的知识和技能，这些知识虽然很有用，但没有长时间的工作经验，新手们是不知道如何将这些知识转化成有效工作技能的。

换句话说就是，在过去、现在以及未来相当长的一段时间里，大学扮演的就是“智力供给者”的角色——是高等院校在向社会输出有足够智力的劳动者。

而在AI的时代，当AI开始提供足够多的、足够好的、基于知识和智力的服务后，学生们的价值何在呢？

面向AI，我们是否有必要调整教育的目的呢？

还是那句话：AI带来的影响是很深层次的，因为它解决的是“智力”的供给问题——这种层面的改变，会从最基础的地方影响每一个行业。

本文经星海情报局（微信号：junwu2333）授权转载。我们关注“中国制造”的星辰大海之路，转载请联系（ID：junwu2333）授权。

免责声明：本文来自星海情报局客户端，不代表超天才网的观点和立场。文章及图片来源网络，版权归作者所有，如有投诉请联系删除。