最近一年来，人工智能特别是生成式AI和大模型技术给我们的社会带来了前所未有的影响，为了助力未来的发展，我们有必要系统梳理人工智能发展的历史和目前几个重要的问题，同时客观比较中国的人工智能技术和世界先进水平的异同，以取长补短。

很多人认为1956年的达特茅斯会议开启了人工智能（AI）元年，至今，人工智能已经经历了3次发展高潮，两次低谷时期。

第一次人工智能高潮发展期通常指的是20世纪50年代至70年代初，在这个时期，人工智能主要用于解决代数、几何问题，以及学习和使用英语程序，研发主要围绕机器的逻辑推理能力展开。

人工智能的第二次高潮始于上世纪80年代。BP（Back Propagation，反向传播）算法被提出，用于多层神经网络的参数计算，以解决非线性分类和学习的问题。另外，针对特定领域的专家系统也在商业上获得成功应用。

人工智能的第三次高潮始于2010年前后。深度学习的出现引起了广泛的关注，多层神经网络学习过程中的梯度消失问题被有效地抑制，网络的深层结构也能够自动提取并表征复杂的特征，避免传统方法中通过人工提取特征的问题。深度学习被应用到语音识别以及图像识别中，取得了非常好的效果。

以2017年Transformer算法出现和随后预训练大模型为代表的生成式AI技术，使得第三次人工智能技术发展的高潮期达到了前所未有的新高度。Transformer的一个巨大贡献是产生了预训练大语言模型，比如GPT、BERT和百度文心等。生成式AI和大模型技术具有生成新内容、模仿人类创造力和创新性的能力，使其在多个领域都发挥了重要作用，推动了人工智能领域的繁荣和进步，向通用人工智能的终极目标迈出了一大步。

在可预知的未来，人工智能特别是生成式AI和大模型会得到广泛应用。在带来巨大商业机会的同时，也带来了一系列特殊的安全隐患：生成式AI可以用于生成看似真实的、但实际上是虚构的新闻、文章或其他内容。这可能会导致误导、欺骗或伤害某人的名誉；生成式AI可以用于模仿某人的写作风格或语音，从而进行身份欺诈。同时，使用生成式AI为用户生成高度个性化的内容可能会暴露过多的用户信息，或被认为是侵犯用户隐私；如果不受到适当的约束，生成式AI可能会产生有害、攻击性、歧视性或其他不当的内容。如果训练数据中存在偏见，AI模型可能会放大这些偏见，导致不公平或歧视性的决策。

为了应对人工智能的安全隐患，需要持续地监控、评估和更新AI系统，同时也需要在研究、开发和部署阶段考虑安全性和可解释性。

人工智能的可解释性意味着我们可以理解、解释或解读AI模型作出决策的原因。对于人工智能和其他许多应用，特别是高风险的应用（如医疗、金融、法律），可解释性是至关重要的，因为它能够增加用户对模型的信任，促进公平和透明，并有助于满足某些法规和监管要求。在出现错误或事故时，了解AI如何作出决策有助于明确责任归属，这对于法律和伦理都是至关重要的。当AI的工作方式是公开和透明的，它便更难以被用于不道德或恶意的目的，因为外部观察者可以更容易审核和监控其行为。AI的可解释性不仅关乎技术问题，而且与道德、法律和社会问题密切相关。确保AI的安全性和可信度的关键在于使其决策过程透明，并使各方能够理解和评估其行为。

中国人工智能技术的发展经历了早期的研究到21世纪初的崭露头角，再到如今接近世界领先水平。美国的人工智能技术是目前公认的世界领先水平，中美两国在人工智能教育和技术发展方面表现出一系列的不同点，这些不同源于两国在文化、教育体系、政策支持和产业需求等方面的差异。

中国在AI教育上，较大的教育平台可能与政府和大型企业有更为密切的合作关系。尽管美国政府也支持AI教育，但私人机构和企业在推动AI教育发展上占据更主导的位置，美国的AI教育资源更分散，多元化的教育平台和课程提供者共同构建了丰富多样的AI教育生态。中国的文化和价值观可能更倾向于强调集体利益和效率，而美国更强调个体发展和自由竞争。

同时中国的AI研究可能更加侧重于技术的应用、优化和市场化，强调技术到产品的快速转化和在大规模场景中的应用。而美国的AI研究常常强调科学创新和理论深入，对原始技术和算法的创新、理论研究可能相对更为深入和前瞻。这个区别可能是美国取得最多人工智能突破性技术成果的主要原因，也是中国人工智能研究需要提高的地方。

AI在中国常被用于支持庞大的消费市场和产业升级，比如在电商、移动支付、社交媒体等方面有广泛的应用。同时，基于庞大的人口基数，与公共服务和社会管理相关的AI应用也较为突出，例如，在城市管理和公共安全方面的应用。在美国，AI的应用则更注重技术创新和高端产业的发展，例如在医疗、自动驾驶、航空等领域。同时，硅谷的创新生态也推动了大量的创新型AI应用和服务的出现。美国在强大的科研体系和成熟的创新生态的支持下，其AI应用往往在技术深度和创新性上占有一定优势。笔者认为不断完善科研体系和促进成熟的创新生态应该是中国人工智能应用赶上世界先进水平的必由之路。

当然，中美两国在AI教育和技术上有很多可以相互学习和借鉴的地方。目前的不同之处在一定程度上反映了两国在经济社会发展、科研体系、文化传统、政策取向等方面的差异，也形塑了各自在全球AI发展中不同的角色和定位。我们既需要明确自己的优势，保持坚定的信心，也需要客观评估，学习借鉴他人的成功经验，灵活为自己所用。

（作者是著名人工智能和大数据专家、清华大学电子工程系兼职教授）