简介

由于计算能力的重大改进、日益复杂的算法和前所未有的数据量，人工智能（AI）已开始产生巨大的经济价值。根据一些估计，人工智能通过大量数据进行预测，为当今的全球经济贡献了约2万亿美元。到2030年，它可能增加多达16万亿美元，占世界生产总值的10%以上<人工智能对全球经济增长的巨大贡献对地缘政治具有重要影响。在世界各地，政府都在加大对人工智能研发、基础设施、人才和产品开发的投资。迄今为止，已有24个政府发布了国家人工智能战略及其相应投资

到目前为止，中国和美国在采取措施保护其投资不受外国竞争影响的同时，也在扩张其他国家的投资。2017年，中国通过了一项立法，要求外国公司在中国境内存储来自中国客户的数据，有效地阻止了外来者使用中国数据向非中国方提供服务。美国外国投资委员会（U.S.Committee on Foreign Investment）阻止了一名中国投资者收购一家美国领先的半导体生产商，而半导体是计算机的关键部件。虽然这是一项正式的国家安全行动，但它也可以通过保护其在半导体生产中的股份来提高美国的竞争力<数据和某些类别的半导体都是人工智能价值链的核心要素。鉴于人工智能的经济和地缘政治意义，它们也越来越被视为战略资产。各国能够在多大程度上参与这一价值链，将决定它们在新兴的全球经济秩序中的表现以及更广泛的国际体系的稳定性。事实上，如果人工智能的收益以高度可变的方式分布，国家结果的极端差异可能会导致广泛的不稳定

那么人工智能价值链是什么样子的？在物理世界中，价值创造和控制的关键节点在哪里出现？这篇文章解决了这些问题，介绍了机器学习价值链的概念，并就在人工智能时代寻求竞争优势的国家的地缘政治影响提供了见解，是人工智能的子领域，负责大部分技术进步和经济投资。近年来，机器学习引领了所有类别的人工智能专利（事实上，它是继3D打印和电子烟之后增长最快的专利类别），吸引了近60%的人工智能投资，商业上可行的产品。对于机器学习，价值链由五个阶段组成：数据收集、数据存储、数据准备、算法培训和应用程序开发（见图1）

border=0

数据收集涉及从任何数量的源收集原始数据

数据存储涉及在数据中心收集原始数据

数据准备涉及清理、转换、格式化和标记原始数据的工作

算法训练涉及配置算法以根据数据进行预测

应用程序开发将算法预测转化为商业上可行的产品

机器学习价值链如何在全球分布

侧重于机器学习价值链关键节点的代理度量提供了一种有用的、尽管不完善的方法，可以量化和比较价值链在国家和地区之间的分布。县一级数据在任何可用的地方使用；其他地方都使用区域数据

数据收集

原始数据是机器学习的基础。每天，大约有2.5万亿字节的原始数据通过无数设备收集，从触觉传感器到系统日志，这些设备记录各种数字交易，如互联网搜索、摄像头图像、电话、社交媒体帖子和信用卡交易

随着数据收集越来越多地通过移动设备进行，中国和印度是世界上最重要的两个数据收集国也就不足为奇了。移动设备用户的数量是对全球收集数据的数量和来源<按绝对值计算，中国和印度拥有最多的移动设备用户，分别为12.2亿和4.4亿用户⁴这两个国家对亚洲令人印象深刻的互联网用户数量贡献最大，2018年超过20亿，与其他六个地区的互联网用户总数大致相同（见图2a）

border=0

但绝对数字不能说明全部情况。在过去的五年中，移动宽带用户的增长率每年都超过20%，其中发展中国家的增长率最高。美国和欧洲的移动市场几乎饱和，每100名用户的订阅数分别为97.1和93.6（见图2b）。中东、亚洲和太平洋地区的订阅量徘徊在每100个用户70个左右，这为进一步增长留下了可观的空间。非洲落后，平均每100个用户订阅29.7个，但这一不足为寻求扩大数据收集能力的非洲国家提供了重大的经济机会

数据存储

一旦收集到数据，就将其存储在数据中心并加以保护。在机器学习的早期，公司将数据存储在自己的实体数据中心，其中包含房间大小的计算机服务器。但数据存储越来越多地向云转移，在云上，公司通过互联网从运营数百台服务器和数千台虚拟机的云服务提供商处访问数据。当今最先进的数据存储手段是超大规模数据中心（HDC），它跨多个位置运行数千台服务器和数百万台虚拟机。为了跟上每天收集的前所未有的数据量，数据存储市场正在扩大。2015年，全球仅运行了250多台HDC。专家预计到2020年，这一数字将翻一番。

尽管有增长，但HDC的全球分布高度集中。美国主导着市场，40%的HDC位于美国或由美国公司所有<中国、日本和英国共占市场的20%，而澳大利亚、德国、新加坡、加拿大、印度和巴西各占3%至5%（见图2c）

巴西在HDC市场的存在，尽管规模很小，但具有指导意义。由于HDC需要大量的能源来运行，电力成本较低的国家可能能够在HDC市场上站稳脚跟。巴西的电力成本仅为每千瓦时0.13美元。具有类似或更低电力成本的发展中国家，如阿根廷（每千瓦时0.01美元）、南非（每千瓦小时0.09美元）和印度尼西亚（每千瓦每小时0.10美元），与西欧国家相比，现阶段可能具有相对优势，例如，西欧国家的电力成本高于每千瓦时0.20美元

数据准备

与资本密集型数据存储不同，数据准备是劳动密集型的。原始数据通常是杂乱和非结构化的，包含大量异常值和错误。需要高度熟练的数据工程师和科学家来清理数据，并将其转换为可用的格式（通常是一张看似无穷无尽的行和列的表），这一做法称为数据预处理。技术不太熟练的人工审查员或“数据标签员”也可用于根据所部署的算法类型对预处理数据的子集进行手动分类。例如，为了训练面部识别算法以区分女性和男性面部，数据标注者将首先手动将面部子集分类为“女性”或“男性”，以便该算法能够识别每个性别的显著特征，并预测剩余（未标记）面部数据的性别

由于大多数高技能工人是具有科学、技术、工程和数学（STEM）背景的数据工程师和科学家，因此STEM毕业生的数量是一个不完善但有用的替代指标⁶亚马逊机械土耳其人（MTurk）工人接近技术水平较低的工人。MTurk是一个在线劳动力市场，在那里，工人们竞相执行任务以获得报酬。它是当今执行数据标记任务的最大工人来源。2016年，中国和印度分别以470万和260万名STEM毕业生的供应量领先。美国和俄罗斯各培养了50多万毕业生，其次是伊朗、印度尼西亚和日本。2018年，75%的MTurk工人来自美国，其次是印度（16%）、加拿大（1.1%）、英国（0.7%）、菲律宾（0.35%）和委内瑞拉（0.28%）（见图2d）

对高技能数据科学家和低技能数据标签商的需求将增加。数据标签市场可能为英语不是第一语言的国家提供了一个特别低的准入门槛，因为数据标签中涉及的许多常见任务，如图像分类，只需要数字素养而不是英语素养

算法训练

一旦数据准备好，公司就可以开始训练其算法，以对新数据进行预测。由于有数十种算法类型和几乎无限的配置可供选择，他们需要数据科学家开发替代模型并比较其预测性能，使高技能劳动力成为算法开发和培训的基本投入。另一个基本输入是计算机硬件：从大数据集进行预测的最复杂的算法涉及数万亿的计算和由定制半导体制成的机器，这些机器可以快速高效地执行此类计算

利用STEM毕业生作为数据科学家供应的代表，中国和印度再次脱颖而出。中国还拥有最多的个人机器学习专利，其中包括最多的深度学习专利，这是机器学习发展最快的子领域<然而，在被高度引用的专利数量上，中国远远落后于美国和其他国家。专利被引用的次数是“专利质量”及其技术相关性和总体价值的指标。美国拥有被引用最多的专利家族（28031），其次是日本（6221）、德国（931）、英国（778）、韩国（758）和中国（691）（见图2e）

美国还销售最为机器学习专用的半导体，即对算法训练至关重要的现场可编程门阵列（FPGA）和图形处理单元（GPU）。2016年，美国公司售出了96%的FPGA，2017年和2018年售出了100%的GPU。也就是说，大多数实际硬件的制造都在美国以外的地方进行<2016年，约80%的FPGA和GPU在台湾、韩国和中国制造（台湾的产量占韩国和中国总产量的三倍）

除了美国在人工智能经济的算法培训节点的一些关键组成部分中几乎没有受到挑战的领导地位之外，其他一些国家，即日本、韩国、德国和英国，正在通过增加研发投资来巩固其地位；D和STEM教育

应用程序开发

算法预测通过软件工程师或应用程序开发人员开发的应用程序软件程序转化为可操作的见解。机器学习算法的潜在应用几乎无穷无尽，从个人助理（如亚马逊的Alexa）到产品推荐（如YouTube的视频推荐器），再到自主武器（如军用无人机）

互联网使用从台式机向移动设备的迁移，使得移动应用市场和移动应用开发者的分布成为一个有用的（尽管是部分的）指标，表明哪些国家正在将机器学习的预测能力转化为商业利润。国家在应用市场的参与尤为重要，因为无论是移动应用还是其他应用，都会产生额外的用户数据，这些数据将不断扩大机器学习算法可以训练的数据库，从而产生更准确的预测和更有价值的产品。从地区来看，亚洲和太平洋地区（33%）、欧洲（30%）和北美（29%）在移动应用开发者市场中所占份额大致相似（见图2f）

地缘政治含义是什么

虽然没有两个国家在机器学习投资方面相似，但大多数国家可分为三类：快速移动者、中等移动者和慢速启动者。快速移动者，即中国和美国，正在机器学习价值链的大部分（如果不是所有的话）节点上进行大量投资，有效地确保了这两个经济体在所谓的人工智能竞赛中获胜。相比之下，中等移动者则将投资集中在价值链的特定节点上。例如，德国、日本和台湾正在大量投资数据存储和算法培训（如HDC和超级计算机）所需的物理资本。澳大利亚和韩国正在投资必要的智力资本（例如，研发和STEM毕业生）

起步缓慢的人尚未在机器学习价值链的任何阶段进行大量投资。大多数发展中国家起步缓慢。值得注意的例外情况包括巴西利用其低廉的能源成本进入HDC市场，肯尼亚相对较高的互联网普及率（83%）使数据收集变得重要。但不应忽视起步缓慢的国家：这些国家最直接的机会是数据收集和数据标签。对于英语不是第一语言的发展中国家来说，数据标签市场，特别是图像标签市场的准入门槛特别低，因为对图像进行分类不需要英语读写能力

这给我们带来了希望，即有办法推动更具全球包容性的机器学习经济。但是，必须全神贯注。政府应该研究在机器学习价值链中，他们在哪些方面可能具有相对优势。开发机构可以开发工具来协助此类分析，并且可以投资于策略，以帮助起步慢的人更好地定位自己，从而参与机器学习价值链。研究人员可以研究机器学习价值链的哪个阶段创造了最大的价值，以确定任何特定国家的最佳投资机会是在数据收集、数据存储还是其他阶段。此类研究必须考虑到特定国家的因素以及每个阶段创造的价值的大小和相对保质期。例如，运营HDC的盈利能力直接取决于当地能源价格和数据本地化法律等。同样，一个硬件组件在三年后可能会过时，而一个训练有素的数据科学家可能会在几十年内产生价值，随着时间的推移，随着经验的积累，可能会变得更有价值。解开每个国家每个阶段的盈利能力并不容易，但它可以帮助各国在人工智能时代增强竞争优势。

最后，需要注意的是，机器学习价值在快速移动者甚至中等移动者之间的地理集中将对国家内部和国家之间的财富和权力分配产生一级和二级影响。将人才和财富集中在某些国家可能会加剧国家之间的经济不平等。人才和财富在某些城市的类似地理集中也可能影响土地和住房价格，导致人口结构变化。总之，这些一级和二级影响表明，国家内部和之间的不平等日益加剧，这一趋势与上个25世纪不同，当时全球化的工业制造业增加了国家内部的不平等，但减少了国家间的不平等。决策者现在必须为各国在机器学习价值链上的各种能力和投资所带来的地缘政治后果做好准备

夏洛特·斯坦顿（Charlotte Stanton）是卡内基国际和平基金会（Carnegie Endowment for International Peace）硅谷办公室的首任主任，也是卡内基技术与国际事务项目的研究员

Vivien Lung是谷歌信托与安全部门的高级政策分析师。此前，她是斯坦福大学安全与国际合作中心的研究助理，也是德勤全球转移定价机构的顾问

伊藤美里是日本外务省外交官

作者感谢弗朗西丝·鲁兰德的杰出研究帮助

笔记
<1Jacques Bughin、Jeongmin Seong、James Manyika、Michael Chui和Raoul Joshi，《人工智能前沿的笔记：人工智能对世界经济的影响建模》（纽约：麦肯锡全球研究所，2018），13；以及“GDP长期预测”，经济合作与发展组织，2018年，https://data.oecd.org/gdp/gdp-long-term-forecast.htm.
²Tim Hwang，“人工智能的计算能力和社会影响”，SSRN电子期刊（2018年3月）：27；迈克尔·布朗和帕夫尼特·辛格，“中国的技术转移战略：中国对新兴技术的投资如何使战略竞争对手获得美国创新的王冠”，国防创新实验（DIUx），2018年1月8日至15日。2016年，移动设备（例如智能手机和平板电脑）访问全球最多的网页，首次超过台式机。“全球移动和平板电脑互联网使用量首次超过桌面”，GlobalStats，2016年11月1日，http://gs.statcounter.com/press/mobile-and-tablet-internet-usage-exceeds-desktop-for-first-time-worldwide.
⁴智能手机用户数据来自：“智能手机用户和渗透率排名前50的国家/市场”，NewZoo，2018年9月，https://newzoo.com/insights/rankings/top-50-countries-by-smartphone-penetration-and-users/.每个国家的平板电脑用户数据来自：“2013年至2018年中国平板电脑用户数量（百万）”，Statista，2019，https://www.statista.com/statistics/377971/china-tablet-users-forecast/; “2013年至2018年印度平板电脑用户数量（百万）”，Statista，2019年，https://www.statista.com/statistics/413325/tablet-users-number-india/.
⁵当您考虑到托管在美国拥有的HDC中的数据，该HDC位于美国境外，对于谁可以访问HDC及其数据的值，存在模糊性。这种模糊性取决于各自国家的法律环境

⁶STEM毕业生是对数据科学家的不完美估计，因为这两者之间的相关性可能因国家和地区而异。这里的假设是，随着时间的推移，STEM毕业生中数据科学家的比例将在各个地区相对相似

⁷根据世界知识产权组织，WIPO技术趋势2019：人工智能（日内瓦：世界知识产权机构，2019），94，机器学习专利占所有AI相关专利的40%