刊登日期 : 2026-07-10
我今天想講一講人工智慧（AI）供應鏈與中國，我認為中國的AI供應鏈非常特別。首先我會講一下AI的起源，談談道德和經濟的問題，AI到底是取代了人力資本，還是對人力資本的補充？這對在座的很多年輕人都很有意義。
開發AI的4類工具：統計學 生物學 經濟學 物理學
在談AI供應鏈之前，先泛泛談一談AI。人工智慧（AI）到底是甚麼？人類智慧又是甚麼？
我認為所謂智慧，本質上是智慧的人類所開展的各項活動，包括3種類型：第一是模式識別（Pattern Recognition），也就是收集資料，然後把它歸納成一種模式；第二個是一種泛化性的能力（Generalization），比如說我從歷史資料當中觀察到一種模式，並將其運用到新場景中輔助決策（Decision Making），這便是模式運用與泛化能力，最後人類的活動就包括了決策，也就是形成了我們的行為。
在AI領域有一個悖論，可以說是一個美妙的悖論。AI，其實就是人類設計的機器，用這個機器來執行我們剛才講的人類3種活動。那麼到底有哪些工具、數學方法和科學的工具來用於這個AI的開發呢？這裏有4類工具：
一是統計學工具，概率論，包括處理相對頻率、擬合模型等等的工具。
二是生物學，這裏講到的是生命的產生、繁衍、死亡與進化。
三是經濟學工具，它就是生產、分配，還有定價、價值交換。
四是物理學，時間、空間、運動，以及各種力之間的相互關係。
但是，我說的悖論在哪裏呢？
其實這些是科學家用來構建開發AI的工具，但認知科學家Steven Pinker說過，人類經過幾十年、甚至數萬年的進化之後，本來就是狩獵者和採集者，天生不具備統計學、生物學、經濟學、物理學等相關認知；人類天生不適合這種現代生活，但這些學科已經進入了我們的一些常識，成為我們進化之後在現代生活中做的一些事情，卻不適合解決我們原始生活當中的問題。
Steven Pinker說，我們為甚麼要去教育？學生的教育，目的是用一種技術來克服人類本身在上述4個領域的認知障礙，他說我們要關注這4個領域，但往往我們在開發AI的時候，同樣是有認知障礙的。
所以如果真的把機械人拆開看看它內部的一些結構——我們之前也看到一個漂亮的機械人，是我們一個公司開發的——如果把它拆開看裏面有甚麼，或者把AlphaGo這個模型拆開，去看看它的這些模型、機器，以及背後的演算法與電腦程式，不管是AlphaGo還是AlphaFold也好，其實都是一些有創意的人和科學家發明出來的，而他們的靈感來自數學、統計學，包括優化動態規劃、概率學、貝氏推論，背後都運用了線性代數、幾何學等知識。
經濟學層面，則融合了定價、價值交換、博弈論、拍賣機制，以及探索與利用的平衡邏輯，這些數學方法都應用於AlphaGo、AlphaFold。在生物學方面，我們運用了神經網路、遺傳演算法，以及用演化論來優化功能。
最後是物理學領域則用到對稱性、不變性、蒙特卡羅模擬、統計力學等理論。其實我岳父也是用了蒙特卡羅模型來解決一些核心問題，這是在他的論文導師的研究當中。
AI的3大強項：識別、梳理、歸納各類模式
所以AI到底擅長做甚麼呢？AI有一些很有實力的部分，但在其他地方尚未展現出其強大能力。AI的優勢體現在哪裏呢？它擅長識別、梳理並歸納各類模式，能夠類比並逼近複雜的函數。
實際上，大語言模型都是用最小二乘法來估計一個非線性的函數。它也很擅長處理海量的資料搜集，像DeepSeek這樣的現代AI，可以做一些人類覺得非常乏味、繁瑣或者容易出錯的任務，這些是它非常擅長的。
AI不足的是甚麼呢？可以這麼說，AI能夠識別模式。像托勒密和開普勒這樣的早期科學家，能夠從行星運行軌跡當中去總結運行規律，而且他們應用了統計學方法，根據大量的觀察資料算出一個數學模型，把它進行簡化。
托勒密用的是一種圓形的模式，哥白尼用的是少數幾個圓和函數空間進行建模，開普勒用的是橢圓，其實他們都是用曲線擬合。那麼牛頓和愛因斯坦做的是甚麼？他們都利用了同樣的資料，但更深入地挖掘，從資料的本質繼續深入研究，得出一個結構化的模型。
像馮·諾依曼和庫普曼斯（Koopmans）這樣的一些現代科技的開創者說，科學研究分為兩個階段，一個是開普勒階段，一個是牛頓階段。簡而言之，AI現在在開普勒階段表現得很好，但是它在牛頓階段的實力還沒有展現出來。
延伸閱讀：AI寫文年賺200萬 公眾號遭微信封禁 黃楚新談AI批量創作的3大危機
別屈服於AI誘惑 學習基楚智識 駕馭AI解難
所以我今天想講，作為大學教師，我在大學可以看到AI是一個特別美妙的事情，它能夠讓我們思考科學的基礎，讓我們思考人類選擇的根基。我在課堂當中經常會這麼說，我覺得對學生來說，包括教師，也是一個道德上的選擇。
從經濟學家的角度來說，AI可以做替代，AI也可以做輔助。
過去幾年我看到有一些選擇，不是少數，可能是大部分學生，都用AI作為一種替代工具，他們把工作扔給AI，他們自己不讀，讓AI給他做作業、解決問題，讓AI寫論文、寫作文，甚至讓AI來給他做推理，自己就不用去學基礎知識了，他們把基礎知識跳過去了。為甚麼？因為他們覺得學基礎知識太枯燥乏味，太痛苦了。
我自己有一些學習障礙，我可以告訴你，我二年級的數學是不及格的，到今天我還會拿一張黃色的小字條上面塗塗畫畫，然後把它撕掉，因為這個算得不對。我反覆試驗、苦苦思索，學習真的不好玩，但如果我真的努力找到答案，我覺得都值了。
現在是不是有一種誘惑，學生就想逃脫這種苦學的階段呢？我發現大部分學生都屈服於這種誘惑。但如果有人真的學了基礎知識，不管是算術、生物、統計、物理，你如果有這個知識，你就不需要別人的説明，這個知識是存在你的腦子裏的，成為你的人力資本。
如果這樣的話，AI就不是替代，而是輔助，是一種補充，是能量倍增器，你將成為AI的主宰，你給AI提出問題、糾正問題、引導它解決。
我有一個20多歲的中國學生，對他來說，AI就等於他手下有一大批的研究員為他服務，他在這個年齡段就能掌握一支研究助理的大軍，其中最關鍵經驗是，AI能夠提高我們學習基礎知識的回報率，不管你學統計還是學物理，AI都能讓你更有回報。（二之一）
（轉載自觀察者網，作者為2011年諾貝爾經濟學獎得主湯瑪斯·薩金特（Thomas.J.Sargent），標題和內容經編輯整理）
