在人工智能的黄金时代，硅谷的科技巨头们以其雄厚的资本和先进的技术，正在逐步改变AI研究的版图。这一趋势，正如麻省理工学院（MIT）的一份报告所揭示的，正将AI研究的重心从学术界转向工业界，尤其是在深度学习这一数据和计算驱动的AI子领域。这种转变不仅体现在资金投入上，更在学术出版物、最大模型的创建以及关键基准测试的表现上。
硅谷的科技巨头们在AI领域的投入远超公共和私人部门。例如，谷歌母公司Alphabet在2019年对子公司DeepMind的投资就高达15亿美元，这只是其在AI领域巨额投资的冰山一角。在欧洲，私人部门在AI投资中的占比也达到了67%，远超公共部门的33%。这一现象与过去制药行业研究资金在私人部门和政府或非营利组织之间的平衡分配形成了鲜明对比。
工业界在AI研究的投入优势，部分源于其对人才和计算能力的更好获取。AI人才的需求在过去十年中远远超过了供应，导致对AI人才的竞争日益激烈。北美大学的数据显示，专注于AI的计算机科学博士毕业生进入工业界的比例从2004年的21%激增至2020年的近70%。同时，专注于AI的计算机科学研究教师也纷纷离开学术界，转投工业界的怀抱。这种人才流失对学术机构构成了巨大挑战。
在计算能力方面，工业界与学术界之间的差距同样明显。2021年，工业界的模型平均比学术界的模型大29倍，这一数字凸显了两者在可用计算能力上的巨大差异。这种差异不仅体现在方法上，更反映了学术界在计算资源上的不足。
工业界在AI研究产出方面的主导地位也日益明显。从2000年到2020年，有工业界合作者的领先AI会议上的研究论文比例从22%增长到38%。在最大的AI模型方面，工业界的份额从2010年的11%增长到2021年的96%。此外，从2017年到2020年，工业界或与大学合作的模型在关键基准测试中的领先时间从62%上升到91%。
工业界在AI研究中的日益投资对社会有潜在的巨大好处，例如通过商业化技术改善产品、降低成本，并为整个社区提供有价值的工具和硬件。然而，AI在工业界的集中也引起了担忧。工业界的商业动机使其倾向于关注利润导向的主题，而这并不总是符合公共利益。如果所有尖端模型都来自工业界，那么在没有公共利益导向的替代方案的情况下，可能会出现问题。
此外，工业界对AI研究的主导地位还可能影响AI研究的方向。在AI领域，应用模型和基础研究之间并不存在明确的界限，工业界使用的相同应用模型往往是推动基础研究边界的力量。这种重叠意味着学术工作可以直接惠及工业界，但同时也意味着工业界对应用工作的影响力也赋予了其塑造基础研究方向的能力。
为了应对这些挑战，全球各地的政策制定者开始认识到学术界在AI研究中的资源劣势，并开始采取政策应对措施。例如，美国提出了建立公共研究云和公共数据集的建议，加拿大的高级研究计算平台已为该国的学者提供了服务，中国的“国家计算能力网络系统”也将使学者和其他人能够访问数据和计算能力。欧洲虽然尚未出现类似的倡议，但对风险有明确的认识。
政策制定者的目标不应是让学术界完成特定比例的研究，而应确保有足够的能力来帮助审计或监控工业模型，或生产以公共利益为设计目标的替代模型。有了这些能力，学者可以继续塑造现代AI研究的前沿，并界定负责任的AI应有的样子。如果没有这些能力，重要的公共利益AI工作将被抛在后面。
硅谷的科技巨头们在AI领域的崛起，无疑为整个行业带来了前所未有的活力和创新。他们的投资和研发不仅推动了技术的进步，也为社会带来了诸多便利。然而，这种由工业界主导的AI研究趋势，也不可避免地带来了一系列问题和挑战。首当其冲的便是学术界的人才流失问题。随着工业界对AI人才的大量吸纳，学术界的研究力量受到了削弱，这不仅影响了学术研究的深度和广度，也可能导致学术研究的方向和重点发生偏移。
此外，工业界在AI研究中的主导地位，也可能导致研究主题的单一化和商业化。工业界的目标往往是追求利润最大化，这可能导致那些短期内难以实现商业价值的研究方向被忽视，从而影响AI技术的多样性和创新性。同时，工业界的研究往往以保密为主，这与学术界追求开放和共享的精神背道而驰，可能会阻碍知识的传播和学术交流。
面对这些挑战，政策制定者和学术界需要共同努力，寻找平衡工业界和学术界利益的方法。一方面，政府和公共机构可以通过提供资金支持、建立公共研究平台等方式，增强学术界的研究能力，促进学术研究与工业界的研发相结合。另一方面，学术界也需要自我调整，适应新的研究环境，寻找与工业界合作的新途径，同时保持学术研究的独立性和创新性。
