文章先对中美在航天卫星中的技术竞争历史进行了回顾。20世纪70年代，美国政策制定者出于对抗苏联在冷战中影响力的诉求，于1979年与中国建交，并于20世纪80年代末签署了三项单独的协议，允许用中国火箭发射三颗美国制造的卫星。1989年至1998年间，布什总统和克林顿总统基于“国家利益”，对20个卫星项目发布了13项总统豁免，允许受出口管制的美国原产卫星或零部件出口到中国。然而在休斯电子公司（Hughes Electronics Corporation）和劳拉空间与通信公司（Loral Space & Communications）与中国工程师分享了关于制导系统的敏感技术信息后，加快了中国在空间领域的进步速度。在此之后，美国于1999年颁布的《国防授权法案》（NDAA）以及随后颁布的沃尔夫修正案（Wolf Amendment）迅速与中国在太空领域实行“脱钩”。
从以上事实中，文章总结出了以下两点可供借鉴的经验。
第一，脱钩充其量是一种拖延手段。
“脱钩”似乎在一段时间内抑制了中国的航天事业发展，但是随着时间的推移，中国在这一方面的技术仍然有所进步。这是由于关键技术可以通过美国以外的其他替代性来源获得。同时，由于“脱钩”政策，美国抬高了其空间技术出口门槛，使得在出口方面蒙受巨大损失。
此外，由于“脱钩”政策所带来的人才流失，加深了美国与其盟友之间的裂痕，扰乱了可能带来的潜在创新合作，从而使美国进一步处于不利地位。其他例如间谍活动等也进一步损害了美国的利益。
第二，“脱钩”的地理集中度对脱钩效力有影响。
早期的先进卫星技术及其制造研发商主要集中在少数国家，加之美国控制了大部分的市场份额，自然可以更便捷地进行“脱钩”政策。然而随着越来越多的国家和地区都已经发展起了自己的太空领域相关技术，这使得替代性方案大量出现。中国在21世纪初便开始从欧洲进口、收购相关技术。
同时，地理集中度越高，各国之间的协调成本便越低，“脱钩”政策便越成功。但随着地理集中度的降低，协调成本变得越来越高，这就越发可能在供应链上出现监督薄弱的国家或地区，使得被针对国有可乘之机。
人工智能领域的“脱钩”可行嘛？
文章随后对当前人工智能领域的“脱钩”可行性进行了探讨，并得出结论：虽然推迟中国在人工智能方面的进展在理论上可行，但由于人工智能重要分支——机器学习(ML)的某些特征，使得“脱钩”政策变得无效。
人工智能的战略拖延重要性
正如卫星事件所说明的那样，脱钩会疏远盟友，抑制国内产业，并促使行业替代方案的产生，随着时间的推移，会孤立技术领先企业。此外，拖延的努力本身也会造成机会成本。在“跑得更快”上花费金钱和精力，最终可能是战略技术竞争中更有效的方法，而不是试图让对手慢下来。
为此目的，有必要研究一下在AI竞争的战略层面，拖延技术进步具有独特的重要性。有三个关键的因素可以让我们相信这一点。
首先，作为一项新兴技术，机器学习的相关创新需要通过研究人员、工程师等多方合作进行，这使得在部分国家和地区，机器学习聚集性十分明显。在早期，推迟竞争对手获得这一优势非常重要，因为这限制了培育竞争性研究集群的能力。即使在技术成熟的情况下，“脱钩”措施仍然可以限制竞争对手的进步速度。
第二，围绕人工智能产业竞争奖励先发企业。能够尽早推出并围绕机器学习建立市场份额的公司能够持续获取数据，从而加速这些系统的改进。由于资源的马太效应，后发公司将较难获取更多资源，这有利于推迟他国的机器学习发展。
最后，虽然美国在人工智能的许多方面都处于领先地位，但它在军事应用等关键领域的整合仍然受到一系列组织问题的困扰。在这种情况下，延缓竞争对手的发展，可以为美国争取时间以尽可能获得优势。
人工智能的“脱钩”可行性
既然拖延竞争对手的进步速度如此重要，那么人工智能可能实现这些拖延嘛？文章认为，人工智能的数据、算法、算力三者缺一不可，然而想要限制这三者的难度很大，因此“脱钩”在很大程度上是无效的。
数据作为21世纪的生活基础，很难被单方面控制。大量数据的国际传播不受公共政策的控制，只有一些特定领域的技术被严格限制，这使得广泛的“数据脱钩”几乎不可能。
与数据相同，算法作为构建在计算架构上的代码串，可以被任意方式发送或存储。不过，针对性的API限制有可能会起到作用，然而这一机制是否真的可以限制竞争对手的进步尚需要时间检验。首先，研究结果在该领域的广泛分布和开源软件的可用性意味着，竞争对手可以直接获得战略关键算法的替代品。其次，算法最终是软件的一部分，这意味着它们很容易分发，复制和存储几乎没有成本。这可能使针对算法的“脱钩”机制特别容易被间谍活动破坏。
算力则是较为可行的“脱钩”目标。只有尖端的人工智能芯片，才适合训练和运行尖端的神经网络。而芯片是独立的、实体的产品，世界上仅有几家工厂有能力进行生产。这一局面使得出口管制措施的用处较大，中国的芯片生产能力大幅落后于美国及其盟友。
基于算力的“脱钩”是十分脆弱的
虽然侧重于半导体供应链的出口管制可能会有效地抑制竞争对手在人工智能上取得进展，但以下三点表明，这种管制的范围很窄，且时效性很差。
首先，在提高人工智能系统的能力方面，强大的算力只会提供有限的优势。近年来，算力扩展所带来的收益仅限于在某些方面提高人工智能的系统性能。加强机器学习能力更多地依赖于算法体系结构和数据处理方面的进步。在这种情况下，对竞争对手的算力限制十分狭隘。
其次，限制算力外溢和制约机器学习模型的发展之间的关联性并不明朗。首先，竞争对手能够在开源环境下接触到大量预先训练好的模型。其次，人工智能的实际使用才是其发展的关键，而训练并塑造新模型仅是其生命周期中的一小部分。而实际使用阶段与算力的关系很小。
最后，算法的进步可能会大大削弱算力的重要程度。诸如降维、简化数据以改进模型训练和减少计算负荷等子领域的突破，允许压缩模型的大小以提高速度并降低功耗。类似的概念突破都可能降低算力的重要程度，甚至对算力的限制可能会加速竞争对手在算法方面的研发速度。
文章来源｜CSET
编译｜吴宇昂
文章链接：https://cset.georgetown.edu/publication/decoupling-in-strategic-technologies/
Last modified: 2022年 9月 1日
