2018 中國計算機大會（CNCC2018）于 10 月 25-27 日在杭州國際博覽中心舉辦。今年的大會主題是「大數據推動數字經濟（Big Data Drives the Digital Economy）」。

會議邀請到近 400 位國內外計算機領域知名專家、企業家到會演講，當中就包括 CCF 名譽理事長、CCF 會士、中國工程院院士李國杰，他的報告題目是《發展數字經濟值得深思的幾個問題》，在此次報告中，他提出如下觀點：

? 發展數字經濟要排除「極左」和「極右」的干擾

? 大數據的影響難以被統計

? 創新驅動=全要素生產率驅動

? 要用歷史眼光判斷技術的作用

? 數字化轉型的方向

以下是AI 科技評論編輯整理并經李國杰院士修改的演講內容。

我早已不在第一線做研究開發，剛剛聽 Robert E.Kahn 演講，他年紀這么大了還在做研究，真的讓我非常佩服，我現在只能當個大數據和人工智能的粉絲，起啦啦隊員的作用。下面講的技術都比較宏觀。我不是經濟學家，下一位講者是北大經濟系的孫祁祥教授，是真正的經濟學家。所以接下來涉及一些跟經濟相關的內容時，我會講得稍快，或者干脆跳過去，以免在經濟學家面前班門弄斧。

發展數字經濟要排除「極左」和「極右」的干擾

這次演講我強調的一個中心思想是，發展數字經濟得排除左右兩方面的干擾。極右的干擾是對大數據、人工智能等新一代技術的無視、墨守成規，導致錯失發展機遇；極左的干擾是不顧國情，盲目冒進，對新技術抱有不切實際的幻想。

現在大數據和人工智能已經被列為國家戰略，我們要滿腔熱情地擁抱驅動數字經濟的新技術，但是不要只做表面文章，而應扎扎實實地把大數據和人工智能融入實體經濟，為經濟發展注入新動能。

我今天的演講題目是《發展數字經濟值得深思的幾個問題》，我只是提出問題，沒有給出答案，希望與大家共同研討。

2017 年我國電子信息產業的收入達到 18 萬億元，大數據相關產業收入只有 4700 億元（國家大數據發展規劃要求 2020 年大數據相關收入達到一萬億元）。去年一年，我國大數據核心產業的收入是 234 億元（我國人工智能產業的收入大概在 200 億元左右）。

大數據核心產業只有 230 億元是什么概念？中國護膚面膜產業的年收入是 236 億，說明大數據核心產業和人工智能目前只相當于面膜產業的規模。大數據核心產業收入只占電子信息產業總收入的千分之一左右，如此弱小的大數據核心產業如何能成為推動經濟轉型發展的新動力，重塑國家競爭優勢的新機遇？

我的理解是，高質量發展的必經之路是從資源要素驅動轉變為創新要素驅動。數據技術的本質是「認知」技術和「決策」技術。它的威力在于加深對客觀世界的理解，產生新知識，發現新規律。大數據是數字經濟關鍵的生產要素，它的作用是使各類經濟活動朝著更加高效率、更高質量、更具備可持續性、更智能化的方向發展。

大數據的影響難以被統計

大數據的影響難以被統計，這是因為數字經濟的統計中包含了許多傳統產業的貢獻，我們經常講融合型數字經濟的占比，這點一直讓我感到困惑，數字經濟的增量究竟在哪里？20 世紀 80 年代，經濟學家索羅提出一個悖論：到處都看得見計算機，就是在生產率統計上看不到。今天可能有一個相反的數字化悖論：在統計上常看到數字化的巨大作用，但在生產活動中還不易發現數字化的價值。實際上，大數據的作用不僅體現在經濟增長上，更多體現在生產方式、生活方式、科研模式、政府管理模式的改變和福利改進，特別是人們思想觀念和認知方式的改變上。別太在意數字經濟規模的統計數字。

? 現有使用的統計標準不適合數字經濟，因為數字經濟中有許多免費的應用沒有計入 GDP（伊甸園的 GDP 是 0）。數字經濟帶來產品質量的巨大改進、產品種類的極大豐富、用戶體驗的明顯改善，都無法在 GDP 中反映。

? 不同的機構統計的口徑不一致，測算的數字經濟規模有幾倍之差。根據聯合國 2015 年的統計，全球數字經濟規模只有 2.5 萬億美元，比中國信通院公布的中國數字經濟規模還小。

我們需要關注的不是在原來的經濟大餅中劃出多大一塊算成數字經濟，而是要關注大數據和人工智能究竟為經濟發展貢獻了多少新的增量，提供了多少原來沒有的新產品和新服務，經濟效率和用戶體驗提高了多少。

有些咨詢公司提出一些新的統計模式，如麥肯錫提出 iGDP，波士頓咨詢提出 eGDP 等，試圖更好地體現數字經濟的影響。

數字化的價值更多體現在無形資產上，1975 年標普 500 公司無形資產只有幾千億美元，占總資產的 17%，2018 年無形資產達到 2 萬億美元，占總資產的 83%。蘋果、亞馬遜等全球市值最高的幾家公司都是數字公司。有人認為不要看重市值，因為這只是投資人的估值，但我覺得市值是購買一個公司的價格，市值與公司收入（利潤）的關系如同母雞與它下的蛋的關系。數字經濟的代表性企業市值最高，超過所有的傳統企業，這說明數字經濟代表著未來經濟的發展方向，無形資產將會變成真金白銀。

大數據與人工智能就像一對雙胞胎，我將它們合稱為數據智能，其巨大作用本質上是整個信息技術的作用。信息技術醞釀了幾十年，現在是見效的時候了。

上面這張圖顯示，電氣化時代和信息化時代生產率的增長曲線相當吻合。前期有段時間較慢，過了一段時間后就變快了。21 世紀是提高信息技術生產率的黃金時期。數據智能技術的興起得益于計算能力的提升，存儲成本的降低和網絡通信技術的普及。

從某種意義上講，大數據的勝利就是計算技術、特別是摩爾定律的勝利。數據智能目前還是使能（enable）技術，它不是像電力一樣的通用技術，從使能技術到通用技術需要一個大規模普及的發展過程。

創新驅動=全要素生產率驅動

談大數據的作用不能光看量和增長，還要關注質的變化。我們更多要從全要素生產率（FTP）的角度來理解大數據和人工智能。

創新驅動就是全要素生產率驅動。與蒸汽機創造了鐵路產業、內燃機創造了汽車產業、發電機創造了電力產業不同，大數據與人工智能并沒有在現有的支柱產業之外，創立出新的支柱產業。換句話說，大數據與人工智能本質上是提高效率、改善配置的優化技術，理解大數據和人工智能對經濟發展的巨大推動作用，要從提高生產率上找原因。

隨著進入新時期，我國人口紅利消失，資本回報也在下降，轉向創新驅動就是轉向全要素生產率驅動。

上面這張圖顯示，只有日本在 1900-1929 年 TFP 的貢獻在 50% 以下。我國大多數年份的 TFP 貢獻率都在 30% 以下，1995-2005 年維持在 30% 左右，2006-2013 年降到 21%。

2014 年，我國 TFP 只相當于美國 43% 的水平。中國 TFP 年均增速必須達到 2.7%（美國 1%），才能在 2035 年超過美國 TFP 60% 的水平。請大家注意， 2008 年以后，我國的 TFP 沒有上升，反而下降，每年增長不到 2%。 2013 年開始有點回升，但是對經濟增長的貢獻率也只在 20% 左右。我們講大數據、人工智能，但目前這些技術并不能明顯促進 TFP 的提高。

國家信息中心的學者對我國 TFP 做了分解，我很佩服他們，竟然能將相關性這么強的東西區分開來。全要素生產率 TFP 科技分解為技術進步、技術效率、規模效率和配置效率的乘積。也就是說，TFP 的增長率等于技術進步、技術效率、規模效率和配置效率的增長率之和。

分解出的結果表明，對我國經濟增長貢獻最大的是規模效率，配置效率其次，技術進步排在第三位，它的貢獻在下降，貢獻最小的是技術效率。

在過去，工業經濟追求的是規模經濟，強調分工、專業化、單個品種的規模。現在的新經濟追求的是范圍經濟，強調品種的多樣化和個性化。然而個性化和通用性是矛盾的，這就是我常講的「昆蟲綱悖論」。以后的物聯網、人工智能應用可能像昆蟲一樣，有很多品種，你想把這些應用規模化生產，就會產生矛盾。只能靠大數據和智能技術解決這一矛盾。

強調數據驅動要關注提高技術效率。技術效率是指在給定的投入下獲得最大產出的能力，要在提高技術效率上下功夫。2001-2013 年中國技術效率的年均變化率是負 0.02%，2008-2013 年期間，中國大數據企業的技術效率平均變化率為負 5.9%。技術效率低是我國的明顯短板。

美國德克薩斯大學對多個行業和大型企業的數據利用率、人均產出率進行了廣泛研究，結果顯示，數據利用率提高 10%，財富 100 強企業人均產出就會提高 14.4%。一個城市、一個地區數字經濟發展得好不好，不是看添置了多少設備，采集了多少數據，主要是看投入產出的效率提高沒有。

目前大數據分析的能效非常低。高性能計算已經到 G 級了（即每焦耳完成 10 億次操作，GOPJ），而大數據操作，采用 Hadoop、Spark，只能做到每焦耳完成千次操作，能效與高性能計算相差 4-5 個數量級，更不要說與已經實現 TOPJ（即每焦耳萬億次操作）的寒武紀芯片相比了。

用歷史眼光判斷技術的作用

近兩年，人工智能火爆，許多人認為信息時代已經過去了，大數據的熱潮也已經過去了，現在已進入人工智能新時代。究竟現在處在什么時代，需要有歷史的眼光。作為一種基礎的科學范式，數據科技的影響可能要比人工智能更持久，但是人工智能技術更具有顛覆性。

信息時代與工業時代一樣，會延續較長時間。人工智能的復興標志著信息時代進入智能化新階段。現階段的人工智能本質上是一種計算技術。信息時代將走過數字化、網絡化、智能化等幾個階段。說現在已告別信息時代，進入了智能時代，有點牽強。

我們絕不能低估大數據和人工智能的戰略作用，但也不能對人工智能、大數據抱有過高的、不切實際的期望。我國各地開了很多人工智能大會，已經起到了很好的造勢作用，接下來就要強調落地生根，務實務實再務實。

目前人工智能有點「圍城」的味道，城里的人想出來，城外的人想進去。真正做人工智能研究的專家一般講話較謹慎，不講過頭話，吹噓人工智能萬能或散布人工智能威脅論的大多不是真正做人工智能研究的專家。

有學者統計，1956 - 2018 年，人工智能領域共發表 29 萬多篇研究文獻，包括 8635 篇神經網絡方面的文章，5023 篇機器學習方面的文章，6254 篇模式識別方面的文章。這些論文的爆發期集中在上世紀。

深度學習的發明者 Hinton 最近指出，「我的觀點是把反向傳播全部丟下，重啟爐灶。」

美國三院院士喬丹教授認為，在未來三十年內，人工智能實現不了創造性和變通的靈活性。目前人工智能技術還不夠強大，遠沒有成為一個理論全備的學科，人們對 AI 的期待太高了，我們還沒有步入可以利用我們對腦的認識來指導搭建智能系統的時代。

今年諾貝爾經濟學獎得主威廉·諾德豪斯（索羅的弟子）2015 年曾發表一篇名為《我們正在接近經濟奇點嗎？》的論文，論文指出：大部分的經濟指標都不支持「奇點即將來臨」的判斷。

有些經濟學家認為，經濟發展存在 50-60 年的長波周期，大數據和人工智能可能引發信息時代新的經濟長波。第四波的重要推動力是電子計算機，第五波的重要推動力是互聯網、移動通信、軟件。現在我們處于第五波的衰退期，不是高速發展期，如果在這個時期有新發明爆發，可能在 2030 年左右又會出現一個新的波，第六波的主導技術可能是人工智能、大數據、物聯網，還包括生命科學等新技術。

本世紀初，美國工程院請院士投票，表決過去一百年哪些技術深刻影響了 20 世紀。排在最前面的是電力、汽車、飛機、自來水等，計算機雖然已有半個多世紀的歷史，卻排在第八。一項技術對世界的影響力要一百年后才能看出來。幾千年來，對人類生活影響最大的技術是油燈，因為沒有它晚上就是黑暗的。

20 世紀初沒有人想到互聯網和手機會如此普及。人類未知的領域遠遠大于已知領域，21 世紀末流行什么現在同樣很難判斷。大數據和人工智能會不會是 21 世紀最偉大的技術現在下不了結論。未來 100 年生物科技、健康技術、新能源和新材料的影響也許不亞于人工智能。

數字轉型轉什么

「數字化」在英文中有兩個名詞，一個是 Digitazation，另一個是 Digitalization。Digitazation 是指信息的數字化，Digitalization 指改變商業模式的業務流程數字化。現在追求的數字化轉型是生產模式、運行模式、決策模式全方位的轉型。摩拜單車就是數字化轉型的典型案例，通過采用 GPS 定位和 4G 通信技術改造了傳統自行車產業。

目前我國的服務業占比是 50%，與我國人均 GDP 相近國家的服務業占比已到 60%。我國服務業比重仍然偏低。

數字化轉型的第一個目標是改變產業分布，大力發展生產性服務業。我們國家生產性服務業占比遠遠低于美國和韓國。大數據和人工智能的貢獻在產業分布中不能直接看到，其作用必須融合在其他的產業發展中。

第二個目標是由傳統企業轉向數字化企業。我國的高檔數控系統、數字化工具測量儀器和國外相差 20 年，現在有應用場景的地方沒有智能產品，有智能產品的地方又沒有應用場景，這兩處存在鴻溝。

第三個目標是要大力發展科技型中小企業。大企業是中小企業技術創新和成果轉化的市場，如果大企業搞大而全，什么都要自主開發，什么都要講自主知識產權，那么就封閉了創新鏈條。德國將強大的中小企業群稱為「隱形冠軍企業」。德國和日本很多公司幾十年只做一個產品，做到世界聞名，效益非常好。我國要鼓勵科技型中小企業向高精尖發展，每一個行業都應當有既懂數字化技術又熟悉行業業務的小企業。政府主導較適于追趕，不適應創新驅動發展。創新基于市場導向，由企業家精神鑄就，創新驅動應以競爭政策為主。

發展數字經濟要改變「頭重腳輕」的局面

在全球上市企業 2000 強名單中，美國有 14 家芯片公司與 14 家軟件公司，中國尚沒有一家。我國人工智能基礎層、技術層和應用層的人才數量占比分別為 3.3%、34.9% 和 61.8%，而美國分別為 22.7%、37.4%、39.4%，我們的基礎人才比例嚴重偏低，頭重腳輕、根基不牢。

在摩爾定律臨近極限之際，大數據和 AI 計算卻出現了指數級增長，計算機系統架構成為關鍵的推動因素。目前只有不足 1% 的云服務器為 AI 加速服務。要想讓 AI 變得無處不在，吞吐量需要提高 100 倍以上。

下面說幾項我比較熟悉的大數據與人工智能基礎層的技術突破。

? 寒武紀 MLU100 的峰值已經達到 166 TOPS 。他們不光做出了智能芯片，在理論基礎上同樣有突破，從以前的復雜指令系統（CISC）、精簡指令系統（RISC）到現在的函數指令系統（FISC）。

? 海光 1 號高性能通用處理器總體上已達到服務器 CPU 的國際最先進水平，適配國產固件和操作系統，已在近百個用戶的數據中心現場成功進行了國產化替代試驗。

? 睿芯高通量處理器由我牽頭，是 973 項目的科研成果，提出了時敏數據流體系結構，滿足高通量計算場景所需的高并發、強實時需求。

? 中科院計算所研制的低熵云計算系統在服務器里加了標簽后，對于 99% 的用戶而言，延遲縮短了 30 倍，解決了云計算中用戶體驗與系統效率的矛盾。