人工智能已成为中国与美国关系的重要维度,影响着产业政策、国际贸易、科学交流、军事规划和外交谈判。其意义远不止于竞相开发更先进的软件。先进人工智能依赖由计算硬件、研究机构、专业人才、数据、投资和电力构成的相互关联的体系。政府针对其中任何一种资源作出的决策,都可能影响技术发展以及更广泛的双边关系。
两国在这一技术体系中都占据核心地位,但各自的角色有所不同。美国企业和大学在先进芯片设计、云计算和前沿人工智能开发方面一直发挥着引领作用。中国企业和研究机构则在人工智能研究、工业应用、数字服务以及日趋精密的模型方面积累了雄厚实力。尽管两国政府都以国家安全和经济考量为由推出了限制措施,这些领域的活动仍在国际交流中不断发展。
因此,中美关系既不是一场简单的技术竞赛,也并未完全分裂为彼此独立的体系。竞争与商业上的相互依赖、共同的科学基础以及围绕风险开展的有限合作并存。本文考察的发展情况主要截至2024年底,展现了人工智能如何融入既有的贸易、安全和政治权力争端,同时又带来有关计算资源获取、技术收益的国际分配,以及如何管控能力日益强大的系统等新问题。
从科学交流到战略竞争
人工智能进入中美关系时,两国关系已相当复杂。1979年两国实现外交关系正常化后,科学与教育交流大幅扩展。中国学生和研究人员进入美国高校的研究生项目,跨国企业在中国设立研发机构,跨国合作发表论文也成为计算机科学领域的常态。2000年代和2010年代,机器学习的进步正是在这样的国际研究环境中取得的。共享数据集、会议论文和软件库,使相关技术方法得以比许多实体技术更自由地传播。
深度学习的兴起,使人工智能的战略意义更加凸显。图像识别、语音处理和机器翻译的改进表明,人工神经网络能够支撑具有商业价值的应用。2016年,谷歌DeepMind的AlphaGo在围棋比赛中击败了李世石,并于2017年击败了柯洁。这些事件在中国引起了广泛关注,不过中国的人工智能研究与投资早在此前就已开展。这些事件的重要性,部分在于让政策制定者、投资者和广大公众能够直观地认识到人工智能的快速进展。
2017年7月,中国国务院发布《新一代人工智能发展规划》,设定了2020年、2025年和2030年的阶段性目标,其中包括到2030年成为世界主要人工智能创新中心的愿景。该规划将基础研究、产业发展、教育和安全应用联系起来。在美国,2019年2月启动“美国人工智能倡议”的行政命令,强调联邦层面的研究、资源获取、技术标准和人才队伍建设。2021年1月正式颁布的《2020年国家人工智能倡议法》,为联邦层面的协调建立了法律框架。
这些举措出台的同时,双边关系也在更广泛的层面上恶化。贸易争端、对技术转让的担忧,以及针对电信企业的限制,共同促使人们将人工智能重新定位为一种战略能力,而不再仅仅视其为一个不断扩张的商业领域。美国官员日益将获取先进技术与中国的军事现代化联系起来。中国的政策文件则强调自主创新,并减少外国技术限制带来的影响。
2022年11月ChatGPT向公众开放,又为这一进程增添了新的维度。基于大语言模型的通用系统表明,与此前的专用应用相比,人工智能可能影响范围更广的专业工作和创作活动。中美企业加快了模型开发步伐,两国政府则更加关注算力和模型治理。这一发展历程并不能证明技术竞争不可避免;它所揭示的是,科学进步如何与既有政治争端及政策选择相互作用,使人工智能成为战略竞争的重要组成部分。
能力、资源与衡量领先地位的难题
人工智能能力分布于多个层面,无法用单一的国家排名来概括。相关资源包括研究人员、算法、计算基础设施、专用芯片、高质量的训练数据、资金,以及将实验性系统转化为可靠产品的能力。一个国家可能在学术论文发表方面表现突出,却依赖进口制造设备。一家公司可能开发出具有竞争力的模型,却无法掌控其运行所依赖的硬件供应链。这些差异使得任何关于某一国家已在人工智能领域取得全面领先地位的说法都难以成立。
美国的优势在于大型科技企业、风险投资、拥有广泛国际联系的大学以及先进芯片设计公司的集聚。截至2024年,谷歌、微软、亚马逊、Meta和OpenAI等企业已在人工智能开发与部署中占据重要地位。斯坦福大学、麻省理工学院和卡内基梅隆大学等美国高校长期拥有雄厚的研究实力。然而,这些能力在很大程度上依赖于跨国流动的研究人员和遍布全球的生产网络,并非完全来自本国的资源。
中国既拥有庞大的科研群体,也拥有广阔的数字市场和强大的制造能力。百度、阿里巴巴、腾讯、华为以及专门从事人工智能的企业,推动了语言技术、计算机视觉、物流和工业系统等领域的研究与商业化部署。大学和公共研究机构既开展基础研究,也培养专业人才。斯坦福大学发布的《2024年人工智能指数报告》指出,按照该报告的分类标准,2023年美国机构推出了61个重要机器学习模型,中国机构则推出了15个。同一份报告也指出,中国在人工智能论文发表数量方面处于主要领先地位。这些指标反映的是不同活动,不应将其视为可以相互替代的技术优势指标。
计算能力对大规模模型尤为重要。对于某些稠密Transformer模型,其训练计算量可简化估算为 ,其中 为浮点运算次数, 为模型参数数量, 为训练词元数量。这是一种工程近似,而非普适定律,也不是对智能水平的直接衡量。模型架构、数据质量、数值精度和训练流程,都可能显著改变达到特定性能水平所需的资源量。
商业价值还取决于其他因素。为用户运行模型通常称为“推理”,会产生持续性成本,这与单次训练的一次性成本有所不同。可靠的部署需要将模型与数据库、安全控制措施、监控系统及人工工作流程整合起来。如果测试材料与训练数据重叠,或者评估遗漏了重要语言和运行条件,基准测试得分也可能夸大模型的实际效用。因此,比较中美两国的人工智能水平,需要分别评估研究质量、前沿性能、部署规模、成本效率以及对外部供应商的依赖程度。
半导体、出口管制与技术相互依赖
先进半导体将人工智能竞争与一个高度国际化的生产体系联系起来。美国企业设计了许多领先的人工智能加速器,并提供重要的芯片设计工具。台湾在先进制程芯片代工领域处于核心地位,韩国在先进存储器领域、荷兰在关键光刻设备领域,以及日本在若干类制造设备和材料领域,也都发挥着关键作用。中国是重要的电子产品制造中心和半导体市场,其芯片与设备生产能力也在不断增长。仅从双边关系的视角出发,无法充分理解其中任何一方的作用。
图形处理器的重要性在于能够并行执行大量数学运算。训练现代神经网络需要对数值数组反复进行运算,因此专用加速器尤为重要。高效的人工智能计算还需要高带宽存储器、处理器之间的高速互连、先进封装、网络设备和软件。因此,限制获取某一种加速器,影响的是一个更大系统中的某个组成部分;而对设备的限制,则可能影响后续几代产品的制造能力。
2022年10月7日,美国商务部工业与安全局宣布实施管制,涵盖某些先进计算芯片、半导体制造相关物项,以及美国主体为支持中国先进半导体生产而开展的特定活动。这些措施包括许可要求和最终用途限制。2023年10月,商务部修订了相关规则,其中包括调整技术判定标准,意在将可能未被最初限制涵盖的产品和交易纳入管制。美国公开陈述的理由主要是限制与军事现代化及其他国家安全关切相关的能力。
这些出口管制不同于关税。关税改变的是原本获准进行的交易的成本;出口管制制度则可能要求交易获得授权,或不论出价高低都禁止转移。其实施取决于产品规格、目的地、最终用户、最终用途,有时还取决于外国制造的商品是否使用了美国技术。商业云服务又增加了一层复杂性:机构无需购买底层处理器即可获得计算服务,因此用户的所在地和身份也成为执法讨论中的相关因素。
中国通过公共资金支持、企业投资和科研项目,力求提升本土半导体能力。限制措施可能促进替代方案的开发,并推动对现有硬件的更高效利用,但也可能限制获取难以替代的设备和零部件。2023年,中国对某些镓、锗相关物项及特定石墨产品实施出口许可要求,表明供应链依赖并不局限于成品芯片。这些措施各自的法律适用范围有所不同,不能直接视为完全对等的措施。
由此形成的关系,是在持续相互依赖的同时实施选择性限制。出口管制可以延缓获取相关技术和产品、抬高成本并改变投资方向,但其效果取决于执行力度、供应方之间的协调、库存、技术适应以及替代品的可获得性。对于一个庞大的技术经济体而言,出口管制并不是阻止其一切人工智能发展的简单手段。
商业竞争、投资与产业应用
人工智能领域的商业竞争,既涉及开发通用模型的企业,也涉及将人工智能用于特定任务的企业。模型开发者需要大量计算资源和专业人才,而应用开发者则可以通过应用程序编程接口购买服务,而不必自行训练系统。这一区别使资源相对有限的企业也能进入人工智能市场,但也可能使它们依赖少数几家基础设施提供商。因此,云服务的可获得性、软件兼容性和定价都会影响商业领域的权力分布。
美国企业在云服务、模型平台、加速器设计和企业软件等领域占据重要地位。中国企业则依托庞大的国内市场,在电子商务、数字支付、制造业和消费者服务等领域开发模型与应用。不同领域的机遇各不相同。使用机器视觉识别缺陷零部件的工厂,与面向公众提供服务的聊天机器人,所面对的技术和监管要求并不相同。因此,人工智能的商业意义不能仅以对话系统的受欢迎程度来衡量。
公开发布的模型使划分各国独立技术阵营的设想变得复杂。开放权重模型在特定条件下提供训练所得的数值参数,使其他人能够运行或修改模型,而不必完全依赖原开发者托管的服务。美国和中国的开发者都采用过这种方式。然而,发布权重并不一定意味着同时提供训练数据、完整的开发代码,或不受限制的法律授权。“开放”描述的是一系列不同的安排,而非单一、统一的商业或技术类别。
投资政策已成为人工智能与双边关系之间的又一联系。2023年8月,乔·拜登总统签署第14105号行政令,为限制美国对受关注国家涉及特定技术的某些投资奠定了基础。美国财政部于2024年10月发布、定于2025年1月2日生效的最终规则,针对涉及半导体与微电子、量子信息技术以及某些人工智能系统的特定交易,设立了申报要求和禁令。这并非禁止对中国科技企业的一切投资;其适用范围取决于所涵盖的活动和交易特征。
人工智能更广泛的经济影响,还取决于科技行业以外的应用情况。提高生产率需要可用的数据、兼容的软件、员工培训、组织结构调整和有效评估。强大的科研实力并不会自动转化为制造业、医疗卫生行政管理或小企业的普遍收益。产业结构和劳动力成本的差异,可能使同一种技术能力在某种环境下具有经济吸引力,而在另一种环境下则吸引力较低。
因此,人工智能竞争在一定程度上也是围绕配套制度与资产展开的竞争。知识产权、融资渠道、采购惯例、电力供应和竞争法,都会影响哪些企业能够进入市场并获取价值。公众对工作岗位被取代的担忧也是其中的一部分,但任务可能被自动化取代,并不等同于实际测得的岗位流失。实际影响不仅取决于现有任务在技术上能否实现自动化,也取决于需求、企业决策以及新任务的产生。
数据、国内监管与政治制度
人工智能系统运行于特定的法律和政治环境之中,这些环境决定了系统可以使用哪些数据、提供哪些服务。中国和美国在政府结构、言论管理方式和监管机制方面存在差异。然而,两国的人工智能治理都不能归结为某一项单一原则。两国均综合运用隐私规则、消费者保护、安全要求、行业专项监管和行政监督等手段,其实际效果因应用场景、机构和信息类型而异。
在中国,《网络安全法》于2017年生效,《数据安全法》和《个人信息保护法》则于2021年生效。这些法律及其配套实施措施确立了网络安全、数据处理、个人信息以及部分数据跨境传输方面的义务。《个人信息保护法》包含有关自动化决策的规则,其中包括透明度和公平性要求。这些规定会影响人工智能开发者,因为数据收集、模型训练和服务提供可能涉及不同的法定目的与法律责任。
中国还出台了专门针对算法推荐服务、深度合成服务和生成式人工智能的管理措施。《生成式人工智能服务管理暂行办法》于2023年8月15日起施行,主要适用于在中国境内向公众提供的生成式人工智能服务,涵盖数据来源合法性、个人信息和内容管理等事项。不应将其适用范围误解为:每一项内部研究实验或每一种机器学习商业应用都必须接受统一审批。
美国历来依赖较为分散的制度框架,包括分行业的隐私法律、州立法、公民权利保护,以及针对不公平或欺骗性行为的执法。美国联邦贸易委员会已依据现有法定职权,对人工智能相关行为开展执法。包括《加利福尼亚州消费者隐私法》在内的州级措施,也规定了个人信息方面的额外义务。2023年1月,美国国家标准与技术研究院发布了供自愿采用的《人工智能风险管理框架》。拜登总统于2023年10月签署第14110号行政令,要求联邦机构进一步开展人工智能安全、安保及其他政策议题方面的工作。
这些制度安排通过合规成本和数据流动限制影响双边商业往来。同一家公司在两国提供相同服务时,可能需要采用不同的托管方式、文档记录、数据处理安排和输出控制措施。数据隐私与网络安全要求可能存在交集,但目的并不完全相同:保护个人信息与限制外国实体访问敏感数据集,是两回事。同样,安全审查、商业保密和内容监管也是不同的法律机制,即使它们影响的是同一项服务。
训练数据争议使情况更加复杂。著作权、合同限制以及规范个人数据使用的规则,在数据收集、模型训练和生成输出等环节可能有不同的适用方式。技术上能够访问某项材料,本身并不意味着在法律上获准使用该材料。这些尚未解决的问题既影响国内市场,也影响国际合作,尤其是在研究团队或企业试图整合源自不同法律体系的信息时。
军事应用与战略稳定
人工智能能够辅助感知、分析、后勤、通信和决策支持,因此具有军事应用价值。潜在用途包括识别影像中的物体、维护装备、协同无人平台,以及处理情报。许多底层技术都属于军民两用技术:计算机视觉或导航技术的同一项进步,既可用于工业,也可用于军事。这种重叠有助于解释,为何各国政府会审查商用芯片、软件、科研合作关系和投资,而不是将军事人工智能视为一个独立且边界清晰的领域。
美国的国防举措包括:2017年宣布启动“梅文计划”(Project Maven),将机器学习应用于图像和视频分析;以及2022年设立首席数字与人工智能办公室。中国官方军事出版物和国防文件则讨论了“智能化”战争的发展,以及人工智能相关能力日益重要的作用。不过,公开声明和组织层面的举措并不能证明具体系统的实际作战表现。军事效能取决于系统整合、训练、通信、维护,以及在对抗条件下运行的能力。
预测与行动之间的区别尤为重要。一个能够识别潜在军事目标的算法,并不能独立判定对其发动攻击是否符合国际人道法。区分原则、比例原则以及攻击中的预防措施,都需要结合具体情境,而统计分类可能无法提供这些背景信息。系统也可能因运行条件与训练条件不同、传感器性能下降,或对手蓄意操纵输入数据而失效。在经过精心筛选的基准测试中取得高准确率,并不能证明系统在战场上可靠。
即使不产生完全自主武器,人工智能也可能影响战略稳定。更快的信息处理或许能够改善预警和态势感知,却也可能压缩可用于判断的时间。决策者可能过度依赖看似精确的输出结果,而对手则可能误判自动化行动。当一国为增进自身安全而采取的措施被另一国视为威胁,进而促使双方相互采取应对措施时,就会出现安全困境。军事人工智能的保密性,使外界难以区分经过验证的能力与尚待实现的目标,也难以评估其意图。
人工智能与核武器的关系尤其敏感。即使不直接将发射决策自动化,人工智能辅助的预警、情报分析、网络行动或跟踪系统,也可能影响各方对自身易受攻击程度的评估。如果不确定性被掩盖或未得到充分传达,模型生成的评估就可能带来严重后果。仅仅保留人类的决策权,并不能消除所有风险;信息质量、组织程序以及可用于审慎研判的时间,仍然十分重要。
在2024年11月于利马举行的会晤中,拜登与习近平确认,有必要保持人类对使用核武器决策的控制。这是一项针对特定问题的外交声明,而非规范军事人工智能的全面协议。更广泛的谈判面临着军备控制领域常见的困难:界定所涵盖的系统、核查履约情况、管理机密信息,以及区分民用基础设施与军事能力。
研究网络、人才流动与开放性
即使国家间竞争日益突出,人工智能研究仍在很大程度上具有国际性。研究人员通过会议、期刊、代码仓库和软件库分享技术。同行评审和公开测试能够揭示单个实验室未能发现的缺陷,而预印本则使研究成果得以在正式发表前迅速传播。由于许多人工智能研究成果以软件形式实现,知识跨越国界的速度可能比实体设备更快。这种流通使研究体系难以按国家清晰划分为各自独立、自成一体的系统。
跨国求学与学术流动一直是连接中美两国的重要渠道。中国学生在美国大学的国际研究人员群体中占有相当大的比重,华裔研究人员也活跃于大学、成熟企业和初创企业。国籍、出生地、机构隶属关系和公民身份描述的是不同层面的情况,不应将其视为可以相互替代的证据,用来判断政治效忠或技术转移。一位科学家发表的论文,可能同时惠及其雇主、跨国研究共同体以及多个国家的实际应用。
不过,安全关切已经改变了交流的条件。2018年,美国司法部启动“中国行动计划”,其中包括针对经济间谍活动和科研安全事务的工作。2022年2月,该部宣布将以一项应对国家行为体威胁的更广泛战略取代这一计划。另外,2020年发布的第10043号总统公告,限制了部分中国学生和研究人员入境,适用对象是与支持中国军民融合战略的实体有关联的人员。这并不是对中国学生赴美国大学就读的全面禁令。
被归入科研安全范畴的问题,在法律上各不相同。窃取商业秘密、未披露研究资助、违反合同,以及未经授权出口受管制技术,涉及的法律要件和证据形式并不一样。将这些行为等同视之,既会掩盖真正的安全风险,也会模糊大学应承担的责任。各机构在落实政府要求时,还必须考虑学术自由、不歧视原则以及国际合作的价值。
开放性本身也有多个维度。发表一篇科学论文,并不一定意味着公开训练数据、模型权重、工程细节或复现结果所需的资源。反过来,限制最终模型的开放,也不会抹去其所依赖的共同数学与计算基础。即使没有政府限制,商业保密和高昂的训练成本也可能制约研究成果的可复现性。
因此,限制人员流动与合作可能产生多重影响。这些措施能够减少某些特定的获取渠道,但也可能促使研究人员转往别处、推动替代性机构的发展,并削弱专业网络。其后果难以单独辨明,因为迁移决定还受到就业机会、家庭状况、资金以及国内环境的影响。在双边关系中,科学交流既是能力的来源,也是沟通的渠道,其价值不能仅凭发表论文的数量来衡量。
国际机构、标准与第三国
中美人工智能关系也受到两国之外的政府和机构的影响。半导体供应链涉及多个司法管辖区,数字服务则在监管要求各异的市场中运营。例如,欧洲联盟于2024年通过了欧盟人工智能法案,建立起以风险为基础的法律框架,各项条款分阶段生效。欧洲的监管影响着寻求进入其市场的美国和中国供应商,也表明国际人工智能治理并非只是将中美两种国家模式中的某一种向外输出。
技术标准是争取影响力的另一个领域。标准可以规定测试程序、文档要求、互操作性和风险管理实践。国际标准化组织、国际电工委员会以及国际电信联盟等组织,通过不同的制度安排,将政府和技术领域的参与者汇聚在一起。参与标准制定可以带来影响力,但一项获采纳的标准并不一定对每个国家都有约束力,也不一定决定某项技术将如何使用。其重要性取决于它在多大程度上被纳入采购、监管、认证和商业实践。
多边声明也在一些领域确立了共同用语。2021年11月,联合国教育、科学及文化组织通过了《人工智能伦理问题建议书》,涵盖透明度、公平性、环境影响和人类监督等议题。2024年3月,联合国大会以协商一致方式通过了一项由美国主导的决议,内容涉及促进可持续发展的安全、可靠和值得信赖的人工智能系统。同年7月,联合国大会又以协商一致方式通过了一项由中国主导的决议,旨在加强人工智能能力建设国际合作。这两项决议均未设立具有约束力的全球人工智能监管机构。
这些倡议反映出的优先事项既有重叠,也有差异。以安全为重点的讨论往往强调高能力系统、滥用行为以及重要应用中失效所带来的风险。有关能力建设的讨论则强调获得基础设施、技能和发展机会。这些关切并不相互排斥:一个国家可能既希望获得先进工具,也希望免受不可靠系统、欺诈或对外依赖带来的损害。数字鸿沟不仅指是否拥有聊天机器人,还包括在算力获取、语言覆盖、网络连接和机构能力等方面的差距。
因此,第三国的利益不能简单归结为在中国和美国之间选边。它们可能同时使用美国设计的芯片、中国的电信设备、本地开发的应用,以及托管于多个司法管辖区的服务。融资、能源供应、采购条件、语言支持,以及有关主权和信息获取的规则,都可能影响它们的选择。
人工智能也将双边竞争与国际社会面临的共同问题联系起来。气候建模、农业监测和科学发现等领域的应用可能有助于可持续发展,但能否产生效益,取决于验证、本地数据和有效运作的机构。当一种具有实用价值的民用能力同时涉及敏感的安全用途时,国际合作就会变得尤为困难。标准和发展计划可以促进有限的协调,却无法消除这些深层冲突。
外交风险管理与悬而未决的问题
先进通用模型的出现,促成了围绕人工智能安全的有限外交议程。安全关切包括输出不可靠、系统存在漏洞、有害滥用,以及能力更强的系统可能表现出难以预测的行为。有些风险可以通过技术测试来研究;另一些则取决于部署情境、机构激励机制和用户行为。双方存在共同关切,并不意味着中美两国对这些问题的相对重要性或可接受的监管应对措施持相同看法。
2023年11月,两国代表参加了在英国布莱切利园举行的人工智能安全峰会。峰会通过的《布莱切利宣言》认可人工智能带来的机遇,并指出有必要理解和管理先进系统的相关风险。2023年11月拜登与习近平在旧金山附近会晤后,两国政府建立了人工智能政府间对话机制。该机制下的首次会议于2024年5月在日内瓦举行。这次会议为双方交换意见提供了正式渠道,但并未达成全面的双边监管协议。
描述危险与核实承诺履行情况并非一回事,这使风险管理变得更加复杂。围绕模型测试作出承诺,需要明确哪些系统属于适用范围、哪些评估可以被认可,以及如何共享评估结果。训练算力门槛提供了一项相对具体的标准,但计算资源投入与能力并不完全对应。规模较小的系统可以通过更好的方法提升效能,而大型系统在不同任务上的表现也可能参差不齐。因此,固定的门槛可能随着技术变化而过时。
信息披露也面临类似问题。共享模型漏洞信息有助于增进各方的共同认识,但也可能暴露安全弱点、具有商业价值的细节或敏感研究。独立测试可能需要获得开发者或政府不愿授予的访问权限。因此,就宽泛原则达成一致,往往比就核查、事件报告或带来不均等成本的限制措施达成一致更容易。
与冷战作类比有助于理解某些问题,但也有其局限。人工智能系统是依托广泛使用的民用基础设施、可以复制的软件产物,而非某一种易于清点数量的武器。其能力可以随着更新、接入外部工具以及新的部署安排而改变。与此同时,危机沟通和通过谈判实行克制的历史经验表明,即使未能解决更广泛的政治争端,对手之间仍可能保持技术层面的讨论。
截至2024年底,若干实证问题仍无定论:出口管制会在多大程度上减缓特定能力的发展;效率提升是否会降低受限硬件的重要性;人工智能将在多大范围内提高生产率;以及哪些评估方法能够可靠地识别严重危害。要为这些问题提供证据,仅靠国家排名或已公布的投资总额还不够。相关指标包括可复现的系统性能、实际获取硬件的能力、运行可靠性、头部科技企业之外的应用情况,以及外交沟通在政治紧张时期能否持续。