“長風破浪會有時，直掛雲帆濟滄海。”在上一篇報告《突圍價值鏈，發力硬科技》中，我們採用機器學習聚合（Clustering）分類（Classification）研究，在全球5228種產品類別中系統性的識別了當前中國高度進口依賴的88種“卡脖子”關鍵產品。而為了突破西方對中國在關鍵技術上的制裁，本篇報告基於MIT經濟學家Acemoglu（2002）提出的偏向性技術進步理論，結合近期我們對全球及國內頂級學術機構及科技網際網路公司共計20位人工智慧科學家，演算法工程師和資料分析師的調研分析，發現了當前發達國家對中國在中高階價值鏈上的制裁主要集中在以晶片，光刻機和半導體為代表的硬體技術上。而相比硬體，中國在軟體方面的自主研發和迭代速度近年來進步明顯。因此，我們建議中國可透過自身市場，資本與資料要素優勢，集中突破部分“卡脖子”的關鍵軟體和演算法技術。具體來說，中國可利用對軟體與演算法的創新應用持續強化現有的7大優勢產業鏈。在穩固現有價值鏈競爭優勢的基礎上，圍繞一些資料敏感度較低且可貿易度較高的行業（如光學器件，化學，機電控制等），不斷提升中國軟體技術與西方高階硬體技術相互間的依賴性，最終幫助中國順利邁入全球中高階價值鏈。
破局之機：資料密集型產業的崛起
回顧人類歷史上的經濟增長變化，東西方世界真正出現巨大經濟增長差距的時間就是從19世紀工業革命初開始。圍繞這種差異，一大批經濟學家開始試圖解釋經濟增長的源泉到底是什麼。古典增長理論認為勞動和資本要素是經濟增長的核心動力（Adam Smith， 1776）。而新古典經濟學家在此基礎上進一步納入了全要素概念將技術視為外生變數解釋經濟增長（Solow, 1956，Swan, 1956）。而從20世紀80年代開始， Lucas （1990） 和 Romer（1986）等人試圖把技術進步內生化並解釋了經濟增長的源泉來自是知識的分享和積累。近10年來，隨著以大資料，雲計算和人工智慧為代表的新一代資訊科技的發展，Jones 和Tonetti （2020）研究了資料在生產過程中的基本模式並定義了資料作為生產要素對經濟增長的作用。儘管資料作為資訊，其本身無法被直接應用於生產，但透過分析和預測資料（資訊）指導經濟物品的生產與應用，將顯著降低經濟物品的交易成本，從而提高勞動生產率。
偏向性技術進步理論（Acemoglu，2002）指出了當技術創新使某生產要素邊際產出相對其他生產要素顯著增長時，技術就會“青睞”（偏向）該要素（圖1）。同時，該要素的邊際產出和規模報酬將呈現遞增特徵。結合中國經濟增長的實際情況，依靠傳統生產要素投入拉動中國經濟增長的潛力越來越小，無論是勞動還是資本要素的邊際產出近年來均呈現顯著遞減特徵。相反，以資料為代表的新生產要素近年來呈現出邊際產出遞增的特徵。這是因為資訊時代下新一代技術創新（比如雲計算，大資料，人工智慧，區塊鏈等）幾乎都是圍繞資料要素生產和發展的，正如偏向性技術進步理論的核心觀點，技術創新偏向資料要素從而帶動市場資源集中流入數字產業，最終導致數字密集型產業規模報酬顯著遞增。根據我們的預測，2025年中國所擁有的資料規模將佔世界資料圈的30%，這意味著中國將成為擁有資料規模全球第一的經濟體。龐大的資料規模將進一步支援中國發展資料密集型產業以支援中國經濟增長。
資料產業的核心競爭力：軟體和演算法
儘管中國資料規模正以驚人的速度持續擴張，但如何高效的使用資料來指導經濟產品服務創新是資料密集型產業向高質量方向發展的關鍵，也是中國經濟持續增長的源泉。我們認為，真正對資料密集型產業擁有絕對控制權不僅僅取決於資料規模更取決於核心演算法和軟體系統。
基於我們研究，長期以來，中國在軟體與核心演算法上整體依舊處於被西方國家“卡脖子”的狀態。比如，在核心工業軟體領域，國產EDA（電子設計自動化）與發達國家EDA工具相比，在效能上（如工具完整性，穩定性，工藝設計等）仍存在代際差距。在作業系統上，絕大部分手機和個人電腦依舊被3家美國公司（谷歌，蘋果，微軟）所壟斷。在核心演算法方面，中國國產的高階機器人在穩定性和易用性上仍與日本，美國，德國和瑞士等國家存在差距, 反映了中國在中高階製造業上仍未能掌握相匹配的核心演算法。
然而，基於我們對全球和中國頂級高校及科技網際網路公司20位人工智慧科學家和工程師的最新調研情況來看（詳見附錄表1），相比當前“卡脖子”的硬體技術，中國在關鍵軟體領域率先突破的可能性更高。這是基於目前中國在演算法和軟體領域具備的三大優勢：
一是在經濟層面：中國擁有資料，人力資本與市場要素優勢。正如我們已經提到的，中國擁有全世界最大的資料圈。同時，龐大的消費市場能夠為資料密集產業提供豐富的應用場景。另外，根據2020年CSDN（Chinese Software Developer Network）的統計，在中國從事軟體開發與演算法設計相關的學生或工程師已經超過800萬（根據CSDN活躍使用者計算），其中一線開發人員已經超過60%。強大的人力資本優勢使得軟體和演算法開發可以快速的在豐富的場景中進行迭代應用。
二是在制度層面：政府將大力支援資料要素市場的培育。2020年4月中共中央、國務院公佈了《關於構建更加完善的要素市場化配置體制機制的意見》明確了將資料作為新型生產要素。《意見》同時指出了未來中國將圍繞資料要素在資料共享，資料融合，資料確權，資料定價以及資料安全等一系列方面推行改革。毫無疑問，國家“資料紅利”的釋放將推動資料密集型產業的發展應用，這將有利於軟體和演算法的迭代創新。
三是在技術層面：受益於開源軟體運動，高階演算法與軟體的可得性不再困難。開源軟體被描述為其原始碼可以被公眾使用的軟體，並且此軟體的使用，完善和分享方面不受許可證的限制。根據全球最大開源專案託管平臺GitHub統計，到2025年全球參與開源軟體的平臺使用者數量將達到1億使用者。其中，中國開源軟體參與者的數量及開源貢獻度增長已成為全球最快。
破局之道：加快軟體與演算法在中國價值鏈上的應用與創新
正如上述分析，我們認為中國有能力透過自身市場，人力資本與資料要素優勢，集中突破部分“卡脖子”的關鍵軟體和演算法技術。進一步，利用軟體與演算法的快速迭代和持續創新強化中國現有的7大優勢產業鏈 （圖2）。在穩固現有價值鏈的競爭優勢基礎上，圍繞一些資料敏感度較低且可貿易度較高的行業，不斷提升中國軟體技術與西方高階硬體技術相互間的依賴性，最終幫助中國順利邁入全球中高階價值鏈。
首先，基於我們對全球及國內20位AI科學家和工程師的調研發現，中國在軟體和演算法最佳化與應用層面與西方國家的距離越來越小。比如鐳射雷達技術從19年到現在，短短兩年間進步巨大。19年的時候，鐳射器，接收器，主控FPGA和取樣用的ADC，這四個最核心軟硬體都是被國外壟斷的。現在國內已經有頂級的鐳射器生產商，主控和取樣都ASIC（特殊應用積體電路）化了，只剩接收器還沒有完全解決。再如，在語音識別領域，目前全球最先進的新一代語音識別系統 “Wenet“ 也是由中科院和西工大AI科學家自主創新完成的，且整套演算法框架完全不同於英國AI科學家Danial Povey所創造的”Kaldi“語音識別系統 （上一代國際最先進的語音識別系統）。
進一步，我們對20位科學家和工程師的深度調研進行了比較分析，一般性的總結出了中國可以透過演算法和軟體的應用創新在四個方面持續強化中國現有價值鏈。這四個方面分別是：智慧化產品服務設計、智慧化生產製造，智慧化供應鏈管理以及智慧化運營管理。
1）智慧產品與服務設計。利用增強學習（Reinforcement Learning），神經網路模型（Neutral Network）以及自然語言處理（Natural Language Processing）對客戶的消費行為和模型進行預測，從而設計新的產品。在我們的調研中，很多公司早已開始利用大資料對客戶體驗和購買模式進行預測，從而進一步基於預測結果對產品服務進行設計和創新。此外，工程師和設計師可以採用創成式設計（Generative Design）實現產品創新。即透過設定對產品的約束條件（比如顏色，形狀，材料，體積），結合創成式演算法（如引數化系統、進化系統、形狀語法及拓撲最佳化演算法等）可自動生成上萬種產品設計方案。
2）智慧化生產製造。透過監督式和無監督式機器學習(Supervised Learning & Unsupervised learning)演算法，提高產品生產製造的效率和品質。比如，中間品製造生產過程中有諸多分撿作業，如果採用智慧化機器分撿，則可大大提高產品生產效率。此外，透過對質量差異化的產品進行深度學習（Deep Learning），再基於對產品各個生產環節上所獲得的監控資料，可使機器視覺更快，更精確的識別出產品表面的不同生產缺陷。
3）智慧化供應鏈管理。利用深度學習演算法可最佳化供應鏈運輸路線和倉位管理。比如透過將歷史運輸路線和實際交付成果進行神經網路訓練，從而分析運輸方案對供應鏈上交易成本的影響，以幫助管理者確定最優運輸路線。此外，基於神經網路演算法，可幫助製造商實時檢測庫存變化，及時調整庫存規模，從而有效控制庫存短缺或過剩的狀況。
4）智慧化運營管理。監督式學習可有效幫助企業最佳化運營決策並降低運營成本。利用迴歸模型（Regression）, 決策樹 (Decision Tree) 及隨機森林模型（Random Forest）對生產管理系統或機器裝置進行故障預測，從而有效降低運營成本。另外，製造商透過感測器監控可收集裝置所處環境的溫度，照明及溼度變化，從而預測故障事件發生的機率以降低故障產生帶來的不確定性。針對一些生產任務，機器學習可以對生產複雜程度與生產規模進行匹配分析，從而計算具體生產任務所需的員工數量。
最後，在我們的調研分析中，絕大多數人工智慧科學家表示中國在軟體和演算法的應用層面與美國等發達國家幾乎是齊頭並進。在中國的優勢產業鏈上，我們看到已經有越來越多的企業開始湧入人工智慧浪潮，透過對影象處理、語音處理、自然語言理解等應用性演算法將人工智慧應用在各個產業鏈的不同場景中。在國家政策和程式碼開源的支援下，價值鏈上更多的中小企業可積極透過演算法和軟體應用來強化或提高自身在製造生產環節上的競爭力。而在穩固現有價值鏈競爭優勢的基礎上，在部分細分行業中，提升西方高階硬體技術在中國軟體系統上的使用依賴性是中國邁入中高階價值鏈的關鍵突破口。比如，中國在無人機，自動駕駛和區塊鏈等細分領域上的軟體和演算法創新，很可能未來會讓部分國外製造商逐步適應和接受中國的軟體系統。在EDA領域，儘管在先進製程IC（積體電路）設計方面，EDA工具幾乎被國際三大巨頭所壟斷，但國產EDA在40nm及28nm製程工藝上近年來進步非常明顯，結合5G，汽車電子、區塊鏈等新興領域對IC設計的新需求，這可能為EDA與國外中高階製造商提供相互合作與學習的方向。
破局之障：軟體與演算法創新的瓶頸-基礎科學
企業的數字化和智慧化不可能一蹴而就，目前全球也沒有一個通用的模板可以套用。在中國價值鏈上，對於像大部分提供中間品，資本品和消費品的泛製造業公司來說，如何對演算法和軟體進行創新並根據不同的細分場景提供相應的解決方案依舊是當前主要面臨的挑戰。在我們所調研的20位AI科學家和工程師中，幾乎所有人都提到了中國在核心演算法與軟體原創性上仍與發達國家有不小的差距。此前西方國家可能將關閉對中國Github開原始碼分享的訊息讓國內很多演算法工程師和科學家都感到了緊張。
我們認為，核心演算法和軟體的持續創新根本上還是取決於基礎科學的發展和投入。無論是關鍵的軟體還是硬體技術，每一種產品都是基礎科學幾十年來理論積累的產物。因此，我們強調基礎科學投入的長期性與穩定性是提高核心演算法與軟體原創性的關鍵所在。其次，要尋求在重點基礎科學領域實現引領和突破。軟體和核心演算法的原創性本質上就是數學資訊科學與技術理論的原創。因此，立足當前實際情況，集中要素資源支援數學資訊科學領域的基礎理論發展與創新是必要的。另外，儘管西方部分學術機構對中國存在諸多戒備，但我們還是需要鼓勵中國科研機構更加廣泛的，積極的與國際頂級學術機構進行合作。多元化和國際化的科學研究團隊有利於持續推進基礎科學領域的創新。
附錄
參考文獻
Adam Smith, The Wealth of Nations (1776). Adam Smith’s The Wealth of Nations: A Translation into Modern English, ISR Publications, 2015.
Boissay, F., Patel, N. and Shin, H.S., 2020. Trade credit, trade finance, and the Covid-19 Crisis. Trade Finance, and the COVID-19 Crisis (June 19, 2020).
Frost, J., Gambacorta, L., Huang, Y., Shin, H.S. and Zbinden, P., 2019. BigTech and the changing structure of financial intermediation. Economic Policy, 34(100), pp.761-799.
Romer, Paul (1986). "Increasing Returns and Long-Run Growth". Journal of Political Economy. 94 (5): 1002–1037.
Solow, Robert M. (1956). "A Contribution to the Theory of Economic Growth". Quarterly Journal of Economics. 70 (1): 65–94.
Swan, Trevor W. (1956). "Economic Growth and Capital Accumulation'". Economic Record. 32 (2): 334–61.
陶誠, 張志強, & 陳雲偉. (2019). 關於我國建設基礎科學研究強國的若干思考'. 世界科技研究與發展, 41(1), 1r15.