CCCF专题 | 李国杰：发展数字经济值得深思的几个问题
发展数字经济要排除出“左”右两方面的干扰。右的干扰是对大数据和人工智能等新一代信息技术麻木不仁，墨守成规，错失发展机遇，使国家陷入“中等收入陷阱”；极“左”的干扰是不顾国情，盲目冒进，对新技术抱不切实际的幻想，在发展技术上抵制改革开放。
发展大数据和人工智能已列为国家战略，我们要满腔热情拥抱驱动数字经济的新技术，不做表面文章，扎扎实实将大数据与人工智能技术融入实体经济，为经济发展注入新动能。
在轰轰烈烈的造势活动中，我们能观察到一种“围城”现象：真正做大数据和人工智能研究的专家说话都比较谨慎，而吹嘘大数据、人工智能万能或散布人工智能威胁论的大多不是真正研究大数据和智能技术的专家。
我今天的演讲只是提出问题，没有给出答案，希望与大家共同研讨。我要讲的中心思想是，发展数字经济要排除出“左”右两方面的干扰。右的干扰是对大数据和人工智能等新一代信息技术麻木不仁，墨守成规，错失发展机遇，使国家陷入“中等收入陷阱”；极“左”的干扰是不顾国情，盲目冒进，对新技术抱不切实际的幻想，在发展技术上抵制改革开放。
如何认识大数据的巨大作用？
2017年，我国电子信息产业收入总规模18万亿元，大数据相关产业收入4700亿元（2010年目标是1万亿元），大数据核心产业收入为234亿元，人工智能市场200亿元左右。大数据核心产业收入只占电子信息产业总收入的千分之一左右，如此弱小的大数据核心产业如何能成为推动经济转型发展的新动力，重塑国家竞争优势的新机遇？
我的理解是，高质量发展的必经之路是从资源要素驱动转变为创新要素驱动。数据技术的本质是“认知”技术和“决策”技术。它的威力在于加深对客观世界的理解，产生新知识，发现新规律。大数据是数字经济关键的生产要素，它的作用是使各类经济活动朝着更加高效率、更高质量、更具备可持续性、更智能化的方向发展。大数据产生的知识大多是可重复使用的、非排他的公共品，用于生产时可产生强大的正外部性，导致规模报酬递增。
大数据的作用不能只看GDP统计。大数据的“大”是指影响大，如同我们讲“地理大发现”，“工业大革命”。但大数据的影响很难统计。数字经济的统计中包含许多传统经济的贡献，我们常常感到困惑：数字经济的增量究竟在哪里？
上世纪80年代经济学界有一个流行的索罗悖论：“我们到处都看得见计算机，就是在生产率统计上看不到。”如今可能有一个相反的数字化悖论：“我们在统计上常看到数字化的巨大作用，但在生产活动中还不容易看见。”
大数据的作用不仅仅体现在经济增长上，更多的体现在生产方式、生活方式、科研模式、政府管理模式的改变和福利改进上，特别是人们思想观念和认知方式的改变。
我们不要太在意数字经济规模的统计数字。现有使用的统计标准不适合数字经济。数字经济中有许多免费的应用没有计入GDP。圣经中的伊甸园是人们的理想乐园，那里没有商品交换，各取所需，GDP是0。数字经济带来产品质量的巨大改进、产品种类的极大丰富、用户体验的明显改善都不能在GDP中反映。
不同的机构统计的口径不一样，测算的数字经济规模有几倍之差。联合国统计2015年全球数字经济规模只有2.5万亿美元，比中国信通院公布的国内数字经济规模还小。
我们需要关注的不是这些统计结果，也不是在原来的经济大饼中划出多大一块饼算成数字经济，而是要关注大数据和人工智能究竟为经济发展提供了多少原来没有的新产品和新服务。
世界上许多机构在研究新的经济统计模型和方法。麦肯锡公司提出iGDP，波士顿咨询公司提出e-GDP概念，2015年中国e-GDP规模为1.4万亿美元，占GDP比重的13%。按华为&牛津经济研究院的统计，全球数字经济总值在2016 年已达到11.5 万亿美元，占总体经济15.5%。
数字化的效益更多体现在无形资产上。1975年标普500公司的总无形资产只有几千亿美元，占总资产17%；到2018年，无形资产达到2万亿美元，占总资产83%。公司的市值在不断变化，按2018年 10月的数据，全球市值最高的10家公司是：苹果（1.13万亿美元）、亚马逊（9620亿美元）、微软（8830亿美元）、Alphabet（Google的母公司，8390亿美元）、伯克希尔（金融公司，5210亿美元）、Facebook（4600亿美元）、阿里巴巴（4120亿美元）、摩根大通（金融，4016亿美元）、腾讯（3830亿美元）、强生（医疗，3619亿美元）。 除了两家金融公司、一家医疗公司，其余7家都是数字技术公司。市值是购买一个公司的价格。市值与公司收入（利润）的关系如同母鸡与它下的蛋的关系。数字经济的代表性企业市值最高，超过所有传统企业，说明数字经济代表未来经济的发展方向。现在的无形资产（轻资产）将来会变成真金白银，无形资产比厂房设备更有价值！
大数据与人工智能就像一对双胞胎，我将它们合称为数据智能，其巨大驱动作用本质上是整个信息技术的作用。与同电气化有几十年的酝酿期一样，信息技术酝酿了几十年，现在是见效的时候了。数据智能技术的兴起得益于计算能力的提升、存储成本的降低和网络通信技术的普及，是计算技术的胜利，摩尔定律的胜利！
数据智能目前还是使能(enable)技术，不是像电力一样的通用技术。从使能技术到通用技术需要一个大规模普及的发展过程。电气化时代与信息时代生产率的提高过程惊人地相似，21世纪上半叶是信息技术提高生产率的黄金时期。
与蒸汽机创造了铁路产业、内燃机创造了汽车产业、发电机创造了电力产业不同，大数据与人工智能目前并没有在现有的支柱产业之外，创造出新的支柱产业。大数据与人工智能本质上是提高效率、改善配置的优化技术。谈大数据的作用不能光看量的增长，还要关注质的变化。我们更多地要从全要素生产率的角度来理解大数据和人工智能。
新古典增长模型提出全要素生产率的概念。所谓全要素生产率(Total Factor Productivity，TFP)是指不能被资本投资和劳动力投入解释的经济增长部分，代表劳动力和资本在生产过程中的利用效率。进入新时期，我国人口红利消失，资本回报率下降，转向创新驱动就是指经济增长主要依靠全要素生产率驱动。
表1列出了美、英、法、日等国在各个时期的TFP增长与对GDP的贡献率，可以看出，除个别国家个别时期外，TFP对GDP的贡献率大多在50%以上。最近几年，美国GDP增长中约80%来自生产率增长。
表2列出了中国各时段TFP的增长率和对GDP的贡献率。1952—2005年中国TFP对GDP的平均贡献率是30.9%，2006—2013年，由于投资规模的扩大，TFP对GDP的贡献率一直维持在20%左右，低于过去50年。2014年，我国TFP贡献率只相当于美国43%的水平。中国TFP年均增速必须达到2.7%，才能在2035年超过美国TFP 60%的水平，但仍低于日本1980年的水平。我们讲大数据、人工智能，但目前这些技术并没有明显促进 TFP 的提高。
国家信息中心的学者对我国 TFP 做了分解。全要素生产率TFP可以分解为技术进步、技术效率、规模效率和配置效率的乘积。也就是说，TFP的增长率等于技术进步、技术效率、规模效率和配置效率的增长率之和。在我国的TFP中，贡献最大的是规模效率，技术效率的贡献最小，技术进步的贡献下降（见图1）。大数据与人工智能技术的主要作用应该是提升规模效率、配置效率和技术效率。
工业经济追求规模经济(economy of scale)，强调分工、专业化和一个品种的产量规模，新经济追求范围经济(economy of scope)，强调品种多样化和个性化。经济发展需要解决通用性和个性化的矛盾，这就是我常讲的“昆虫纲悖论”。以后的物联网、人工智能应用可能像昆虫一样，有很多品种，你想把这些应用规模化生产，就会产生矛盾，只能靠大数据和智能技术解决有效满足个性化需求的矛盾。
技术效率是指在给定的投入下获得最大产出的能力，我们必须在提高技术效率上下功夫。2001—2013年中国技术效率的年均变化率是负0.02%，2008—2013年，中国大数据企业的技术效率平均变化率为负5.9％。技术效率低是明显短板。美国德克萨斯大学对多行业和大型企业的数据利用率和人均产出率进行了广泛研究，结果显示，数据利用率提高10%，财富100强企业人均产出提高14.4%，制造业人均产出平均提高20%。
一个城市、一个地区数字经济发展得好不好，不是看添置了多少设备，采集了多少数据，主要是看投入产出的效率提高没有。所谓高质量发展，就是看效率高不高。抓住了高效率，就抓住了“牛鼻子”。
在提高技术效率时要特别关注提高能效，对大数据处理而言，就是要提高每焦耳能量完成的计算操作次数。目前大数据分析的能效非常低，只达到每焦耳千次操作水平，而超算已实现每焦耳 G 数量级操作(GOPJ)，美国DARPA项目的目标是POPJ（每焦耳1015次操作）。目前大数据分析的能效与高性能计算机有4~5个数量级的差距（见图2）。
近两年，人工智能火爆，许多人认为信息化时代已经过去了，大数据的热潮也已经过去了，现在已进入人工智能新时代。究竟现在处在什么时代，需要有历史的眼光。作为一种基础的科学范式，数据科技的影响可能要比人工智能更持久，但人工智能技术更具有颠覆性。
信息时代与工业时代一样，应该延续较长的时间。人工智能的复兴标志着信息时代进入新阶段。目前阶段的人工智能本质上是一种计算技术。信息时代将走过数字化、网络化、智能化等几个阶段。
我们绝不能低估大数据和人工智能的战略作用，但也不能对人工智能抱有不切实际的过高期望。我国各地的人工智能造势活动已经起到很好的启蒙作用，现在是技术落地生根的时候了，要务实务实再务实。
人工智能技术近年来并没有本质性的突破。有学者统计，1956—2018年人工智能领域共发表292,115篇研究文献，其中论文最多的领域包括：“神经网络”，8265篇文章，集中在1998年左右；“机器学习”，5023篇文章，集中在2000年左右；“模式识别”，6254篇文章，集中在1995年左右。人工智能的这些关键技术都是上世纪发明的。
反向传播是深度学习的基础算法。深度学习的发明者辛顿(Hinton) 教授最近指出：“我的观点是把反向传播全部丢下，重起炉灶。”国际上公认的统计学习的领军学者、美国三院院士乔丹(Michael I. Jordan)教授认为：在未来三十年内，人工智能实现不了创造性和变通的灵活性。目前人工智能技术还不够强大，远没有成为一个理论全备的学科。人们对AI的期待太高了，我们还没有步入可以利用我们对脑的认识来指导搭建智能系统的时代。今年诺贝尔经济学奖得主诺德豪斯（William D. Nordhaus，索罗的弟子）2015年曾发表了一篇名为《我们正在接近经济奇点吗？》的论文，分析指出：大部分的经济指标都不支持“奇点即将来临”的判断。
经济学家普遍认为，经济发展存在以50~60年为周期的经济长波（长波周期有缩短的趋势）。从蒸汽机的推广应用开始，人类社会已经历了5个经济长波，现在处于第5个经济长波的下降期。根据康德拉季耶夫的经济长波学说和熊彼得的技术创新理论，每一个经济长波都是由标志性的基本创新触发。第4波以电子计算机与集成电路的发明为标志，第5波以互联网和移动通信的兴起为标志。我的判断是，目前人工智能还处于初级阶段，再经过十余年的推广普及，也许到2030年左右，以人工智能、物联网、合成生物等技术为标志，将出现经济高速发展的第6波。一个时代可以有几个经济长波，从第4波到第6波都属于信息时代。从下赢一盘围棋分界，将信息时代和智能时代划分成两个时代有点牵强。
2000年，美国工程院与30多家美国职业工程协会一起，评出了20世纪中对人类社会影响最大的20项工程技术成就，排在最前面的是电力系统、汽车、飞机和自来水，计算机排第8，互联网排在13位。一项技术对社会的影响要经历一百年甚至数百年才能做出正确评价。影响人类生活数千年的发明是油灯！因为没有油灯，人类夜晚时间只能在黑暗中度过。人类未知的领域远远大于已知领域，21世纪末流行什么现在无法预计。大数据和人工智能会不会是21世纪最伟大的技术现在还下不了结论。未来100年生物科技、健康技术、新能源和新材料的影响也许不亚于人工智能。
“数字化”在英文中有两个对应的名词，要注意区分。Digitization：信息的数字化，即将模拟信息转化成二进制数字代码；摩尔定律的威力就是建立在Digitization基础上。Digitalization：改变商业模式的业务流程数字化，是指转向数字业务的过程，提供创造收入和价值的新机会。
现在追求的数字化转型(Digitalization)是生产模式、运行模式、决策模式全方位的转型，数字化转型不只是技术转型，而是指客户驱动的战略性业务转型和思维方式的转型，牵涉各部门的组织变革。摩拜单车就是数字化转型的典型案例，通过采用云计算、GPS定位和4G通信技术改造了传统自行车产业，将买自行车变成了出行服务。
数字化转型目标之一是改变产业分布，大力发展生产性服务业。近几年我国的服务业在GDP中的占比已超过第二产业，但服务业的占比仍然偏低。国际上人均GDP 1万美元左右的国家，服务业占比大多超过60%，中国目前只有50% ，还要大力发展服务业。特别要指出的是，我国服务业占比较高的是金融和房地产业。中国的生产性服务业占比远远低于美、韩等发达国家，我国的生产性服务业占比不到10%，而发达国家都在20%以上。我国企业的工艺数据不及杜邦、GE的5%，要在制造业中推广大数据技术，重点发展生产性服务业（设计、测试、工艺等）。大数据和人工智能的贡献在产业分布中不能直接看到，像蜜蜂传粉促进农业发展一样，其作用必须融合在其他的产业发展中。
转型目标之二是传统企业要转向数字化企业。“从数字中来，到实体中去”是发展数字经济的根本出发点和落脚点。衡量数字经济是否健康发展，主要不是看提供数字技术的公司，而是看采纳数字技术的企业。我国高档数控系统、数字化工具及测量仪器、PLC等技术与国外有20年的巨大差距。
目前数据智能产品还缺乏真实的应用场景，真实的应用场景未广泛使用人工智能产品。很多领域并未形成真正的大数据资源，各地数据中心存在重存储、轻分析的倾向。《全球500强上市公司人工智能战略适应性报告》指出：金融和科技行业的高适应性公司数量较多，但转化率较高的行业是食品药品和企业服务，航天、化工、工程建筑、材料、零售行业还没有发现高适应性公司。
转型目标之三是大力发展科技型中小企业。我国各地政府重视与大企业合作，中小企业生存环境艰难。实际上，中小企业是创新的生力军，试错成本最低，中小企业是以自己的生死为创新探路。大企业是中小企业技术创新和成果转化的市场，如果大企业搞大而全，什么都“自主开发”，就封闭了创新链条。
德国将强大的中小企业群称为“隐形冠军企业”。德国和日本很多公司几十年只做一个产品，做到世界闻名，效益非常好。我国要鼓励科技型中小企业向高精尖发展，各个行业都要培育既懂数字化技术又熟悉行业业务的小企业。
政府主导适合于追赶，不适合创新驱动发展。创新基于市场导向，由企业家精神铸就，创新驱动应以竞争政策为主。近年来民营企业的日子不好过，要像当年停止姓社姓资争论一样，不问姓“国”姓“民”，大力扶植民营企业发展。
头重脚轻、基础薄弱是我国最大的短板。在全球企业2000强名单中，美国有14家芯片公司与14家软件公司，中国尚没有一家。美国对中国实行禁运和限制企业收购主要是集成电路。我国人工智能基础层、技术层和应用层的人才数量占比分别为 3.3%、34.9% 和 61.8%（美国为22.7%、37.4%、39.4%）。我国基础层人才比例严重偏低，头重脚轻，根基不牢。
在摩尔定律临近极限之际，大数据和AI计算却出现了指数级增长，计算机系统架构成为关键的推动因素。目前只有不足1% 的云服务器为AI加速服务。让 AI 变得无处不在，吞吐量需要提高100 倍以上。大数据和人工智能产业必须扎根在系统结构和软件理论的深土中。发展大数据和人工智能不能停留在算法层面。
下面说几项我比较熟悉的大数据与人工智能基础层的技术突破。
寒武纪公司今年推出 MLU100 芯片的峰值已经达到 166 TOPS，能效比已做到每焦耳T级操作(TOPJ)，居国际领先水平 。他们不光做出了智能加速芯片，在理论基础上同样有突破，不同于以前的复杂指令系统(CISC)和精简指令系统(RISC)，他们还推出了函数指令系统(FISC)。
成都海光公司推出的海光 1 号高性能通用处理器总体上已达到服务器 CPU 的国际最先进水平，适配国产固件和操作系统，已在近百个用户的数据中心现场成功进行了国产化替代试验。
睿芯高通量处理器是由我牵头的两期973 项目的科研成果，提出了时敏数据流体系结构，可满足高通量计算场景所需的高并发、强实时需求，DPU-m高通量芯片比Intel通用方案能效提高26倍，高通量计算机实现了计算机从“算得快”到“算得多”的转变。
中科院计算所徐志伟等学者提出不同于图灵可计算性的实用可计算性概念，即尾延迟小于用户体验阈值的云计算，并且提出了实用可计算的充分必要条件 （DIP 猜想）是能够区分、隔离、优先化计算任务相空间。采用中科院计算所研制的标签化冯·诺伊曼结构，限定尾延迟的并发度比商用服务器提升 20 倍。
以上案例说明，我国学者有能力在大数据和人工智能的基础层取得技术突破，也有能力改变头重脚轻局面，为发展数字经济做出更大的贡献。
（本文根据CNCC 2018 特邀报告整理而成）
李国杰
•中国科学院计算技术研究所首席科学家
•CCF名誉理事长、中国工程院院士
中国计算机学会
长按识别二维码关注我们
CCF推荐
【精品文章】
点击“阅读原文”，加入CCF。
相关内容
微信扫码咨询专知VIP会员