人工智能（AI）正在向业界倾斜。相⽐于学界的前沿性研究，⻛靡当下的 AI 聊天机器⼈ ChatGPT、AI 艺术⽣成器 Midjourney，以及微软发布的新⼀代 AI 驱动搜索引擎 New Bing、⾕歌发布的 ChatGPT 竞品 Bard 和那些未来将要发布的“类 ChatGPT”等，似乎正在预示着⼀场更⼤、更系统的变⾰。
尽管消费者能够从业界的这些成果中受益，但伴随⽽来的是全球决策者的担忧——重要 AI ⼯具的公共科技替代品可能会越来越稀缺。2023 年 3 ⽉ 3 ⽇，来⾃麻省理⼯学院、弗吉尼亚理⼯⼤学的研究团队在权威科学期刊 Science 上发⽂，阐述了业界在“数据、算⼒与⼈才”⽅⾯的优势，并探讨了业界的这些优势可能带来的隐患，以及可⾏的对策。
⼏⼗年来，AI 研究在学界和业界并存，但随着深度学习成为该领域的领先技术，平衡正在向业界倾斜。我们常常看到业界 AI 的成功，如 DALL·E 2、ChatGPT、new Bing 等。然⽽，这些头条新闻预示着⼀场更⼤、更系统的变⾰：业界正在占据 AI 研究的主导地位，从⼤型数据集、计算能⼒和⾼技能研究⼈员三⽅⾯⽀配着 AI 投⼊。
这种⽀配正在转化为⼀系列研究成果：业界在学术出版物、尖端模型和关键基准⽅⾯的影响⼒越来越大。尽管消费者能够从中受益，但伴随⽽来的是全球决策者的担忧——重要 AI ⼯具的公共科技替代品可能会越来越稀缺。业界的投⼊优势：数据、算⼒与⼈才。业界⻓期以来更能够访问⼤型、具有经济价值的数据集，因为⼤量⽤户与设备交互时会⾃然⽽然地产⽣数据。
例如，在 2020 年，WhatsApp 美国⽤户每天发送⼤约 1000 亿条消息。然⽽，业界的主导地位除了凸显在数据之外，更是扩展到了现代 AI 的其他关键投⼊：⼈才和计算能⼒。在过去⼗年中，AI ⼈才的需求骤升导致了 AI ⼈才竞争的加剧。然⽽，业界正在赢得这场竞赛。来⾃北美州的众多⼤学的数据显示，专⻔研究 AI 的计算机科学（CS）博⼠毕业⽣正以前所未有的数量进⼊业界。
2004 年，只有 21% 的 AI 博⼠进⼊业界，但到 2020 年，这⼀数量占⽐⾼达 70%。专⻔研究 AI 的 CS 研究⼈员也从⼤学被聘请到业界⼯作。⾃ 2006 年以来，这⼀招聘⼈数增⻓了 8 倍，远⾼于 CS 研究⼈员的整体增⻓。这种担忧并不局限于美国的⼤学。在英国，华威⼤学国王⼗字校区院⻓ Abhinay Muthoo 表示，“顶尖的科技公司正在汲取⼤学的精华”。
学界和业界的算⼒使⽤也呈现出越来越⼤的差距。在图像分类中，业界使⽤的算⼒⽐学界或业界-学界合作使⽤的更⼤，并且增⻓更快。研究运⽤参数数量（所需算⼒的关键决定因素之⼀）来代替模型中使⽤的计算能⼒。2021 年，业界模型的平均规模是学界的 29 倍，突显出两组计算能⼒的巨⼤差异。业界雇佣⼈才和利⽤更⼤算⼒的能⼒很可能是造成 AI 研究成果差异的原因。
虽然公共和私营部⻔在 AI ⽅⾯的投资都在⼤幅增加，但业界的投资更⼤、增⻓更快。2021 年，⾮国防的美国政府机构在 AI ⾏业拨款 15 亿美元。同年，欧盟委员会计划⽀出 10 亿欧元。相⽐之下，同年全球范围内，业界在 AI 上的⽀出超过了 3400 亿美元，⼤⼤超过了公共投资。
例如，2019 年，⾕歌⺟公司 Alphabet 在其⼦公司 DeepMind 上花费了 15 亿美元，这只是其 AI 投资的⼀部分。在欧洲，这⼀差距较⼩，但仍然存在；AI Watch 估计，“私营和公共部⻔分别占欧盟 AI 投资的 67% 和 33%”。开展 AI 研究所需资⾦规模的⼀个例⼦来⾃ OpenAI，它最初是⼀个⾮营利组织，声称“不受产⽣财务回报的约束”，旨在“造福整个⼈类”。
四年后，OpenAI 将其定位改为“有上限的营利组织”，并宣布这⼀改变将使他们“迅速增加对算⼒和⼈才⽅⾯的投资”。业界在 AI 研究中⽇益占据主导地位。如今，业界对 AI 输⼊的主导地位表现在 AI 成果的⽇益突出，尤其是在研究发布、创建最⼤模型和超越关键基准⽅⾯。
在主要 AI 会议上，由⼀位或多位业界联合作者撰写的研究论⽂从 2000 年的 22% 增⻓到 2020 年的 38%；业界在最⼤的 AI 模型中所占份额已从 2010 年的 11% 上升到 2021 年的 96%。
在 AI 基准⽅⾯，纵观图像识别、语义分析、语⾔建模、语义分割、对象检测和机器翻译 6 个⽅⾯，以及涵盖机器⼈和常识推理等领域的另外 14 项基准，在 2017 年之前，业界单独或与⼤学合作，有 62% 的时间处于领先地位。⾃ 2020 年以来，这⼀⽐例已上升到 91%。
因此，通过在领先的研究机构发表⽂章、建⽴最先进的 AI 模型以及超越关键基准三个⽅⾯衡量，分析表明，业界在 AI 产出⽅⾯的地位越来越突出。业界的压倒性优势带来隐患。业界对 AI 的投资不断增加，可能通过技术的商业化为社会带来巨⼤利益。公司可以创造更好的产品，使消费者受益——机器翻译有利于国际贸易，并能简化流程降低成本。业界对 AI 的投资还产⽣了对整个社区有价值的⼯具。
例如，学界⼴泛使⽤的 PyTorch 和 TensorFlow，促进深度学习模型⾼效训练的硬件如 TPU，以及可公开访问的预训练模型——Meta 的 OPT 模型。与此同时，AI 在业界中的集中也令⼈担忧，业界的商业动机促使他们关注以盈利为导向的话题。如果所有的前沿模型都来⾃业界，就会出现不存在具有公共意识的替代品的情况。
换句话来说，“优先部⻔的 AI 研究⼈员倾向于专注于数据要求⾼和计算密集的深度学习⽅法”是以“涉及其他 AI ⽅法的研究、考虑 AI 的社会和伦理影响的研究以及在健康等领域的应⽤”为代价的。AI 的发展轨迹如何？谁来控制它？AI 会替代⼈类吗并引发不平等吗？⼀些研究⼈员担⼼，“我们可能正⾛向社会次优轨迹，它更侧重于替代⼈类劳动，⽽不是增强⼈类能⼒。
”⼀些⼈展开想象：业界和学界可能会形成与其他学科类似的分⼯：基础研究主要由⼤学完成，⽽应⽤研究和开发则主要由业界完成。然⽽，在 AI 领域，产学的明确分⼯并不存在。业界所使⽤的应⽤模型往往是那些突破基础研究边界的模型。例如，transformer 是由⾕歌⼤脑研究⼈员于 2017 年开发的⼀种深度学习架构，使得基础研究向前迈出重要⼀步，并且⼏乎⽴即应⽤于业界使⽤。
尽管这意味着学术⼯作可以直接惠及业界，但是应⽤⼯作的业界主导权也赋予了它决定基础研究⽅向的权⼒。鉴于 AI ⼯具可以在整个社会中得到⼴泛的应⽤，这种情况将使少数技术公司在社会发展⽅向拥有巨⼤的权⼒。对于世界上许多⼈来说，这种担忧进⼀步加剧，因为这些组织对他们来说是“外国公司”。
例如，⽣命未来研究所认为，“欧洲公司没有开发通⽤ AI 系统，⽽且由于他们与美国和中国公司相⽐在竞争上处于相对劣势，不太可能很快开始开发”。学界重塑 AI 前沿的可⾏之路。通过对业界 AI 的审查或外部监督，监管可能是解决⽅案。例如，2018 年，学者 Joy Buolamwini 和 Timnit Gebru 记录了商业⼈脸识别系统中的性别和种族偏⻅。
然⽽，如果学界不能接触到业界的 AI 系统，或者没有资源来开发竞争模型，他们解释业界模型或提供公共利益的替代⽅案的能⼒将受到限制。这既是因为学界⽆法建⽴尖端性能所需的⼤型模型，也是因为 AI 系统的⼀些有⽤的能⼒似乎是“涌现”的——系统只有在特别⼤的时候才能获得这些能⼒。模型的⼀些负⾯特征似乎也随着规模的增加⽽扩⼤。例如，AI ⽣成的语⾔中的毒性以及刻板印象。
在任何⼀种情况下，没有⾜够资源的学者都⽆法对这些重要领域做出有意义的贡献。在全球范围内，这种对学界在 AI 研究中的资源劣势的担忧正在被认识到，并开始出现政策应对措施。在美国，NAIRR ⼯作组提议创建公共研究云和公共数据集。在加拿⼤，国家⾼级研究计算平台⼀直在为该国的学界服务，⾃从近⼗年前启动以来，⼀直被超额使⽤。对许多国家来说，这类投资所需的规模可能令⼈望⽽⽣畏。
在这种情况下，决策者⾯临的关键问题将是，他们是否能够与志同道合的合作者⼀起筹集⾜够的资源，以达到创建反映⾃⼰优先事项的 AI 系统所需的规模。算⼒并不是提供补救措施的唯⼀领域，构建公共数据集将⾮常重要。但是，这并⾮易事，因为现代 AI 训练数据集可以是数⼗亿份⽂档。特别值得关注的是，创建没有直接商业利益的重要数据集，以及提供资源让顶尖 AI 研究⼈员留在学界。
例如，加拿⼤研究主席计划（CRCP）通过提供⼯资和研究基⾦吸引加拿⼤顶尖⼈才。对于致⼒于这⼀问题的决策者来说，⽬标应该是确保有⾜够的能⼒来帮助审查或监控业界模型，或⽣产出符合公众利益的替代模型。有了这些能⼒，学界可以继续塑造现代 AI 研究的前沿，并为负责任的 AI 制定基准。若没有这些能⼒，重要的公众兴趣 AI ⼯作将被抛弃。