在大消费股迭创新高的背景下，上半年基金排名赛以消费基金完胜收官。与此同时，大消费股行情还能持续多久的争议已进入白热化。

刚结束披露的公募基金二季报透露出一个重要信号：在带有“消费”字样的主题基金中，不论是业绩好的基金，还是业绩次的基金；不论是规模较大的基金，还是规模较小的基金，都已顶格持有大消费股。业内人士认为，这一现象十分罕见。

作为资本市场的重要参与方，基金持仓逼近“天花板”后，加仓动力就会不足，甚至会出现规避监管红线而减持的行为，那么，这一现象对后市的大消费股行情又将产生怎样的影响呢？

激进的持股

相关法规要求，一只基金持有一家公司发行的证券，其市值不得超过基金资产净值的百分之十。

据上证报资讯统计，截至6月30日，带有“消费”字样的偏股型基金共有44只，业绩排序从最高的34.75%至最低的负11%。结合刚公布二季报持股情况来看，上述统计范围内的多只基金持股比例已接近监管红线。

具体来看，业绩增长在30%以上的只有一只基金——易方达消费行业。在继续加仓的背景下，该基金前十大重仓股中，格力电器的市值占基金净值比例已达9.95%，美的集团为9.74%，五粮液为9.61%，贵州茅台为9.53%。

在业绩范围位于20%至30%之间的基金中，汇添富消费行业混合持有格力电器市值已占其净值比例高达9.66%，贵州茅台的比例也在9%以上；汇添富新兴消费股票持有格力电器的市值占其净值比例为9.34%。而在业绩低于10%的基金中，中欧消费主题股票持有五粮液的市值占其净值比例也达9.38%。

事实上，多只基金在此前的资产配置上并未如此激进，如易方达消费行业在2016年二季度末，除贵州茅台持股比例较高之外，五粮液、美的集团、格力电器等公司的持仓比例均在7%上下。此后，其才将大消费持仓比例逐季提高。

对后市影响不大

基金持股逼近“天花板”意味着什么？对于后市大消费股行情又会产生什么影响？

沪上一位基金研究人士告诉记者，一种情况是，若重仓股继续大涨或者基金规模大幅下降，都将导致基金被迫减持相关公司股票，以规避监管红线。

事实上，多只基金在上述两大因素共同作用下已出现减持迹象。如汇添富新兴消费股票在二季度大幅减持格力电器117万股至391万股，持有比例仍维持在9.34%。该基金在二季度遭遇一定比例的赎回，总份额有所下降，净值也随之降至17.23亿元。

当然，还存在新增资金持续涌入的情况，此时监管红线警报就会顺利解除。而对于市场担忧的会否通过新发基金来分流资金，济安金信副总经理、基金评价中心主任王群航认为：“选择发行新基金一定不是最佳选择，由于新基金从申报、获批到发行，至少有半年左右的时间，到那时趋势行情或已结束。因此，更普遍的做法应是开放申购额度。”

市场更关心的是，作为资本市场的重要参与方，基金调整仓位会否引起大消费股行情波动。盘面显示，7月份之后，格力电器、贵州茅台、美的集团等白马股的走势已略显疲态。

对此，王群航表示，从目前的市场环境来看，基金减持影响不会很大。首先，基金购买的都是蓝筹股，流动性较好，即便发生大规模减持，也会有对手盘。其次，目前基金总体规模是下降的，单只基金规模很难达到100亿以上。换言之，单只基金持有单个股票的市值上限为10亿，这对某一只大盘股的影响也是有限的。

值得注意的是，在上述44只基金中，规模最大是易方达消费行业，达到65亿元，规模在10亿元以上的有8只基金，其余的都在10亿元以下。

香港股市迎来回购潮。

据美国媒体报道，截至7月25日，香港上市公司今年股票回购总金额总计250亿港元(约合32亿美元)，是2008年以来的同期最高水平。

回购潮助长了节节走高的恒生指数。今年以来，恒生指数累计涨幅超20%，尽管如此，香港股市依然是全球主要股市中估值水平最低的。

目前恒指估值约为12.3倍，处于10年平均的水平，此外市场普遍预计未来一年香港股市每股盈利将上升至两年新高。

香港股市回购复苏始于去年，除了受低估值影响以外，在美联储加息前景下，市场预期未来借贷成本将走高，便趁现在以较低利率借入资金回购股票。

此外，Victory Capital Management Inc基金经理Tony Chu认为，恒生指数的靓丽涨幅主要是受一些龙头公司的强劲走势带动，这也激励了一些涨幅落后的公司采取回购的方式来提振自己公司的股价。

据兴业证券统计，自2015年7月开始，港股市场上出现了573例公司回购，累计规模高达307亿，创下历史新高。其中今年1-6月回购股票的金额总和逾100亿港币，较去年同期大幅增加175%。

兴业证券称，过去12个月回购金额最多的行业是地产建筑业（142.8亿港元）、消费品制造业（56.7亿港元）、金融业（28.7亿港元），其中恒大地产（111.2亿港元）、中国旺旺（24.0亿港元）在回购上的大规模支出，成为其行业最大的贡献者。从累计回购比例角度来看，恒大地产过去一年已累计回购了13.1%的总股本，居全部港股之首。

据上述媒体报道，今年以来，香港房地产上市公司回购最为积极，房地产板块回购总额占总数近60%。

截至7月25日，香港富豪李嘉诚麾下房地产开发商长江实业地产有限公司(Cheung Kong Property Holdings LIMITED)今年股票回购总额达70亿港元，是香港股市中回购力度最大的公司。在此期间，该公司股票飙涨32%，跑赢恒指和本地地产股指数。

然而，有分析指出，地产公司大手笔回购也从另一角度说明当前投资环境不太好，行业的长期前景或许不太乐观。

香港首富李嘉诚同意以145亿港币（约合18.6亿美元）的价格出售和记电讯国际有限公司（下称和电国际）。近来香港富豪家庭纷纷出售旗下公司，剥离资产。

在和电国际的竞标过程中，总部设在美国纽约的基础设施私募基金I Squared Capital击败其他私募对手，其中包括由TPG Capital和韩国亿万富翁Michael Kim的MBK Partners组成的联盟。

和电国际旗下的固话光纤网络连接逾14000座楼宇，同时还是香港的主要WiFi服务供应商。

和电国际是和记电讯香港控股(HKG: 0215)的全资子公司。和记电讯香港控股股价7月31日高开，涨幅11.74%。

和记电讯香港控股董事长霍建宁称，“这笔并购交易是公司及其股东结算价值的绝佳机会。”他表示，并购所得将有助于壮大和记电讯移动电话方面的业务。

该并购案为I Squared二期基金的首笔交易。I Squared二期基金仍在筹措过程中，目标金额为50亿美元。和电国际并购案的交付形式将以约50％的股权方式支付。

I Squared合伙人之一Gautam Bhandari称，基础设施基金往往以移动信号塔作为主要的购买目标，但他们觉得光纤网络将会是下一个行业风口；不管手机如何联网，光纤网络构成的主干仍然不可或缺。

和电国际2017年上半年财报显示，该公司上半年税息折旧及摊销前利润由6.69亿港元上升2％至6.82亿港元。

香港富豪纷纷剥离亚洲资产 加码欧洲市场

和电国际的并购案，是近来香港富豪家庭纷纷出售旗下公司，剥离资产当中的最新举措。

7月初，中国国有航运集团中国远洋海运以64亿美元收购其竞争对手东方海外国际（OOIL）。香港第一任特区行政长官董建华的家族创办了OOIL，曾是世界上最大的集装箱航运公司之一。

去年，吴光正麾下的九龙仓集团以12亿美元的价格将其电信部门出售给了TPG Capital和MBK Partners。

剥离亚洲资产的同时，李嘉诚还在加码欧洲市场。7月27日晚间，长实地产、长江基建集团发布联合公告，拟成立合资公司以收购德国能源管理综合服务供应商ista Luxemburg GmbH(简称依斯塔)及其附属公司。收购价格合计45亿欧元(约合412亿港元)。

目前为止，李嘉诚和其长子李泽钜及信托目前直接或间接持有长实地产约31.47%股权，持有长和约30.16%的股权。若该项目最终通过，长实地产及长江基建将分别持有依斯塔65%及35%股权，依斯塔将由李家100%控股。

公开资料显示，依斯塔的业务包括供热和用水辅助计量和管理。其业务范围已经拓展至中国、俄罗斯、阿联酋和大多数欧洲市场在内的24个国家。

就在今年1月，长实地产、长江基建及电能实业宣布合组财团，以约424.5亿港元的价格收购澳洲能源公司DUET集团。该交易已通过公司股东，以及澳大利亚政府的外国投资审批。

DUET为澳洲主要的能源资产拥有人及营运商。业务包括电力、燃气、管道等。DUET在2016财年营业额同比增长150%，达到1.95亿澳元(约合17.8亿港元)，而利润同比增长35%。

如若此次对Ista的收购成功，长实系今年在收购两家海外能源公司上将花费超过800亿港元。

中国7月官方制造业PMI不及预期。

据国家统计局数据，中国7月官方制造业PMI 51.4，不及预期 51.5，较上月PMI数据 51.7相比有所回落。另外，中国7月官方非制造业PMI 54.5，较上月54.9相比也有所回落。

分企业规模看，大型企业PMI为52.9%，比上月上升0.2个百分点，连续两个月回升；中型企业PMI为49.6%，比上月下降0.9个百分点，落至临界点以下；小型企业PMI为48.9%，比上月下降1.2个百分点，低于临界点。

新出口订单下降1.1个百分点，而总的新订单仅下降0.3个百分点；内需指标犹强，进口指标小幅下降0.1个百分点，大企业PMI和建筑业PMI连续两个月上升；原材料购进价格大幅上升，预示7月PPI同比或出现暂时性的反弹。

统计局解读PMI数据称，制造业采购经理指数走势总体平稳，受产能过剩、结构调整等因素影响，石油加工及炼焦业、非金属矿物制品业行业PMI连续3个月位于收缩区间，低于制造业总体水平。非制造业商务活动指数延续平稳扩张态势。此外，近四成企业反映劳动力成本上涨，企业用工成本压力依然较大。

一是供需持续扩张，但增速减缓。由于近期全国大范围持续晴热高温、部分地区遭受暴雨洪涝灾害，一些企业例行设备检修，制造业生产活动有所放缓。生产指数和新订单指数为53.5%和52.8%，分别比上月回落0.9和0.3个百分点，但两者差值明显缩小，供需关系有所改善。

二是进出口保持增长，但涨幅收窄。新出口订单指数和进口指数为50.9%和51.1%，分别比上月回落1.1和0.1个百分点，均连续位于扩张区间，其中进口指数为今年次高点。

三是企业继续加大采购力度，价格指数双双上升。本月采购量指数为52.7%，高于上月0.2个百分点，为今年次高点。主要原材料购进价格指数和出厂价格指数为57.9%和52.7%，分别比上月上升7.5和3.6个百分点，出厂价格指数重回临界点之上。其中，黑色金属冶炼及压延加工业主要原材料购进价格指数和出厂价格指数双双攀升至高位景气区间，均为今年高点。

四是市场预期持续向好。生产经营活动预期指数为59.1%，比上月提高0.4个百分点，连续3个月上升，为今年次高点，高于去年同期3.3个百分点，表明企业对未来发展的信心进一步增强。

从分类指数看，在构成制造业PMI的5个分类指数中，生产指数、新订单指数和供应商配送时间指数高于临界点，原材料库存指数和从业人员指数低于临界点。据统计局数据：

生产指数为53.5%，比上月回落0.9个百分点，仍位于扩张区间，表明制造业生产增速有所减缓。

新订单指数为52.8%，比上月回落0.3个百分点，继续位于临界点之上，表明制造业市场需求扩张略有放缓。

原材料库存指数为48.5%，比上月下降0.1个百分点，低于临界点，表明制造业主要原材料库存量持续下降。

从业人员指数为49.2%，比上月回升0.2个百分点，低于临界点，表明制造业企业用工量降幅有所收窄。

供应商配送时间指数为50.1%，比上月上升0.2个百分点，升至临界点之上，表明制造业原材料供应商交货时间有所加快。

消息发布后，澳元/美元跌幅扩大，现报0.7958，日内跌0.35%。

国际谷物理事会（IGC）表示，“过度干旱的天气”将让全球粮食产量遭遇过去十年最大下滑，对优质小麦的供应表示“特别关注”。

同时IGC将2017-18年全球粮食产量预估下调1100万吨至20.4亿吨，玉米产出预估下调500万吨至10.2亿吨， 小麦产出预估下调300万吨至7.32亿吨。

IGC下调粮食产量预估主要是因为许多粮食主要产区包括北美、欧盟和澳大利亚等天气比较干燥，IGC的谷物和油籽价格指数7月上涨了5%至一年高位。

6月份全球小麦价格上涨，周五小麦价格在480美分/蒲式耳附近。不仅仅是小麦，最近两个月，国际大米的价格也大涨。

（单位：美分）

IGC预计2017-2018年全球谷物产量将下降8800万吨（或4.1%），至少是十年来最大跌幅，超越了2012-2013年3%的跌幅。预计收割面积产量和平均单产都将下降。

供应前景“紧缩”

事实上，不仅仅是IGC下调了粮食产量预估，FAO此前也下调了小麦产量预估。

此前黄金头条网曾提及：联合国粮食和农业组织（FAO）谷物价格指数上个月从5月份水平上升了4%，今年迄今为止已经上涨了8%左右，达到了一年的高点。FAO也将今年小麦产量的预估下调了0.4%，至73990万公吨。

IGC还特别强调了优质小麦供应的问题，这些小麦产量受到了北美平原干旱的影响，供应前景较为紧缩。然而，下调谷物产量和库存预期更多地涉及粗粮。

IGC还补充道：

“预计大麦产量至少在5个收获季内有相对较大的降幅，而主要出口国的小麦库存将会跌到4年低点。”

背景

Mimic作为一种模型小型化的方法，Hinton在 Distilling the Knowledge in a Neural Network 一文中已经详细定义并介绍过，但近些年来大部分有关于mimic的论文主要都是局限在较为简单的classification 的任务中，而对于较为复杂一些的detection任务，直接套用以前的方案则显得不行。本文提出了一种学习feature map来实现Object Detection任务上mimic的方法。

传统的Mimic过程，一般使用一个已经训练好的大模型，固定该模型的weights不变，设计一个小模型，学习大模型的soft targets 或者logits的输出；大模型学习到有效的信息可以传递给小模型，使得小模型也可以有较为不错的性能表现，其Loss函数如下：

其中W为小模型的weights，g(x;W) 为小模型的输出，z为学习的大模型的输出。

然而直接套用该方法在检测任务中，效果很差，因此作者进行了进一步的探索。首先，对于常见的检测网络如Faster-RCNN、RFCN、SSD等进行分析，可以发现，它们主要包含两部分，分别为feature extractor以及feature decoder。而不同的大网络主要是feature extractor不同，因此作者认为对于feature map进行mimic，可以获得较为有效的结果。

Mimic方法详细叙述：

因此作者提出了本文的mimic算法，在使用本身ground-truth监督小模型训练的同时，加入大小模型之间feature map的监督，使得mimic的效果会更好。大致的流程如下图所示：

但同时作者也指出，单纯使小模型学习大模型的feature map并不能work，原因在于feature map的维度太高，包含太多全局的信息，而对于仅有少量object的feature map，通常只有微弱的响应。因此，该文中提出了一个新的卷积网络mimic方法，即将学习整个feature map变为学习proposal采样之后的feature来简化任务。

在由小网络生成的proposal中，使用spatial pyramid pooling方法在大小网络上进行局部特征采样（后经作者指正为直接使用pixel-wise的学习），然后通过L2 loss减小二者之间的差别，loss function定义如下：

总的loss主要由两部分组成，分别为mimic loss 以及ground-truth loss，作者在实验中发现，对于mimic loss进行normalization可以取得更为稳定的mimic结果：

同时，作者还提到了对于小网络与大网络feature map大小不同的情况（譬如小网络中输入图像减半），可以增加一个转换层（deconvolution）使得大小网络最终mimic的层保持一致，如下图所示：

另外，在faster rcnn中stage2 fast rcnn的训练过程中，也可以添加大网络的监督信号（监督框的classification以及regression），使得小网络可以学习到更多大网络的有效信息，得到更好的结果。

结果分析：

作者在Caltech行人数据集以及PASCAL VOC 2007 数据集上进行了实验。

Caltech使用log average Miss Rate on False Positive Per Image作为评价标准，作者首先训练并得到了两个baseline检测网络：

同时，定义了mimic的小网络的结构为1/n-Inception 网络，网络的深度与层数没有改变，减小每层conv的channel个数，使得网络变得更细。

可以看到直接使用传统mimic方法训练模型，结果非常糟糕，甚至不及直接使用数据集对小网络进行训练：

而后作者使用本文方法进行Mimic训练，取得了较为可观的性能增长：

从上述结果中，可以看到使用mimic的结果取得了与原网络差不多甚至稍好的结果。

同理，在VOC数据集的测试结果中也可以看到，Mimic的方法取得了很有竞争力的结果。

人工智能，或者说，让计算机系统能完成那些一般与人类心智相关联的任务的概念，已经从未来学家们的想象变成了当下的现实。2016年，AlphaGo击败李世石，向世界宣告了这样一个信号——让机器像人一样思考，甚至在能力上超过人类，确实是可能的。

由于数据的收集和聚合，算法以及处理能力的进步，计算机科学家在人工智能上获得了显著的进步。此前，在这一领域，计算机系统此前只能经由编程来完成僵化的定义任务，现在，可以给它们一个更加通用的学习策略，让它们可以开始使用新的数据输入，而不需要经过专门的编程。如今，许多机器学习系统已经被用于商业应用。其应用数量巨大，并且采用率在各行各业，比如金融、医疗和制造业等，都有非常快速的上升。

由于能急剧地促进生产力的提高，AI 技术可能会对中国的经济增长和其劳动力产生颠覆性的影响。麦肯锡今年早些时候预测，中国国内有一半的工作活动都会被自动化，这也让中国成为世界上自动化潜力最大的国家。

数以亿计的中国工人可能受到影响，由循规蹈矩的工作和可预测、可编程任务组成的工作特别容易受到冲击。虽然对劳动力市场的影响在整体上会是渐进的，但在特定工作上，却可能会带来突变。AI 可能会让一些工作岗位迅速消失。总体而言，人工智能将凸显数字技能的优势，同时降低对中低技能工人的需求，从而可能会加剧收入不平等。

另一方面，AI 对生产力和对中国未来经济的增长影响可能会和人口老龄化一样重要。根据麦肯锡全球研究院的报告，AI驱动的自动化可以给中国经济一个推动力，根据采用的速度可能会有所变化，但是每年基本可以增加0.8到1.4个百分点的GDP增长。

随着中国的科技巨头公司在研发上投入大量投资，中国已经成为全球领先的AI开发中心之一。其优势包括大量的人口和多样化的行业组合，具有产生大量数据和提供巨大市场的潜力。但中国需要聚焦在发展自己的创新能力。美国和英国目前正在进行更多有影响力的AI研究，而更强大的美国生态系统培育出了更有竞争力的AI创业公司。实现 AI 在中国的经济潜力也取决于其实际应用 ：不仅仅是科技巨头，还在于中国的传统产业。实现这一目标需要在企业领导层形成战略意识，提供技术指南，预测实施成本。

AI 本身的能力是让人兴奋的，并且潜力巨大，通过改进医疗、环境、安全和教育，能提升人类的生活。同时，AI同时也混合着复杂的道德、法律、安全问题，伴随有隐私、歧视、信任和监管等难题。随着逐渐AI引入社会，应该对此进行更广泛的审慎治理。

虽然市场本身会推动AI的发展和采用，但正确的政策框架可以为增长创造一个健康的环境。有五大重要举措可以构成中国 AI 战略的基础：1. 建立健全的数据生态系统; 2. 促进传统行业对AI 的采用; 3. 加强专业AI人才管理; 4. 针对挑战设立教育和培训制度; 5. 并在中国公民和全球社会之间建立道德上和法律上的共识。

技术行业正在日益全球化。中国在AI的发展和治理领域具有领导国际合作的能力和机会，以确保这一突破性技术对全人类的普遍福利作出积极的贡献。

通往变革之路

计算机科学家在机器学习和深度学习方面取得了重大突破，为机器提供了认知和预测能力。今天，这些系统已经在现实世界中部署。

AI 被定义为能够模仿通常与人类心智相关的认知功能的机器。这个概念长期以来一直都被认为只存在于想象和科幻小说中，在20世纪50年代和60年代获得了一些初步的理论进展之后，围绕其的乐观心态开始上升。但那波动动力面临着技术上的障碍。

随着公众对AI的期望破灭，当时的AI 经历了一段漫长的黯淡时期。随后的几十年，人们又断断续续地获得了一些成功（如IBM的“Deep Blue”超级计算机在国际象棋中击败了Gary Kasparov），但现实世界的用例过于孤立，无法支持大规模商业化。

进入二十一世纪。数据的收集和聚合，计算能力和算法（特别是机器学习）的突破带来了革命性的技术进步。在一个广受关注的里程碑性的事件，Google的AlphaGo在围棋上击败了人类世界冠军，而这在传统上被认为是机器无法做到的。

但是，在AI领域，进步不仅发生在理论层面。利用机器学习的分析工具是未来超智能系统的前身，其中许多已经出现市场上。在金融，医疗和制造等领域的采用正在迅速增长。全球 AI 风险投资资金从2012年的5.89亿美元增长到2016年的超过50亿美元。麦肯锡估计到2025年，AI 应用的总市场将达到1270亿美元。

理解 AI 以及它能做什么

传统上，我们已经使用计算机的处理能力来更有效地产生输出（例如，比人类可以执行更快更复杂的计算）。传统的软件程序一直以特定的指令编写需要执行的任务。AI系统采取非常不一样的方法。它们可以通过巨大的“大数据”集，挖掘出模式，联系和见解，而且它们也采用广义的学习策略，这使得它们能够适应新的数据输入而不需要明确地重新编程。利用机器学习的系统具有归纳和决策能力，深度学习的出现更是将这种能力的边界扩展得更远。现在的机器学习系统能够自己学习、发现和适应规则。

虽然深度学习最近的突破已经产生了可以在某些关键功能中匹配或超越人类智力的人工智能系统，但是我们离“通用AI” - 或者说可以像人类一样执行全面的认知任务的机器还有一段距离。许多机器学习系统已经被用于特定的商业用途，并且应用程序是非常多样的。他们可以为客户提供服务，管理物流，监控设备，优化能源消耗，分析医疗记录。最近麦肯锡全球研究所（MGI）的研究表明，机器学习技术在几乎每个行业都有广泛的应用。

要认识AI 的能力，从下面四个维度是一个不错的方法：

• 感知

• 预测

• 指导方法（prescription）

• 综合解决方案（与机器人、自动驾驶等技术的结合）

目前的商业化程度因各种AI功能而异。虽然具有感知和预测能力的系统已经投入市场，但更多的规范性工具和集成解决方案仍在开发中（图1）。

图1：AI 技术当下的商业化，麦肯锡认为，IBM 和讯飞的商业应用属于感知技术。而百度和亚马逊则是结合硬件的解决方案。

AI 的未来：艰难的挑战与可能性

过去的技术进步主要是增强执行清晰划定生产任务的能力。但是现在，AI使机器能够做出反应和调整，以优化结果。结合物联网（IoT）和机器人技术，它可以创建一个综合的网络-现实世界。

目前的发展趋势表明，AI技术最终将在更广泛的环境和行业范围内被全球接受，而最重要的成果之一就是处理长期以来一直由人类来完成的各种任务。 麦肯锡的报告分析了全球经济800多个职业的2,000多个工作活动。在技术上看来，现在50％的工作活动都可以使用当前演示的技术进行自动化。

但技术可行性只是影响自动化步伐和程度的一个因素。其他还包括开发和部署具体应用，劳动力市场动态，经济利益以及监管和社会接受的成本。考虑到这些因素，麦肯锡对自动化的研究表明，直到2055年，现在的一半工作活动才能实现自动化，但在这个时机上存在相当程度的不确定性。在积极采用的情况下，这种自动化程度可能早于20年，而在较晚的采用情况下，可能会在20年后发生。

沿着这一思路，AI 可以成为一个强大的工具，适用于一些社会的核心挑战。在医疗方面，AI将大大增强我们分析人类基因组的能力，并为每个患者开发个性化和更有效的治疗方法。它可以大大加快治愈癌症，阿尔茨海默病和其他疾病的过程。人工智能系统可以大范围分析天气模式，提高能源效率，提高我们监测和应对气候变化的能力。其可能性甚至是我们想象不到的，比如，AI系统可以有一天开拓对火星和外太空层的探索。

AI 对中国的意义：算法、数据、计算能力与其他国家的横向对比

随着中国的大科技企业纷纷推动在 AI 方面的研发，中国成了全球领先的 AI 研发中心。中国庞大的人口基数和多样化的行业组合具有产生大量数据和形成巨大市场的潜力。广泛采用人工智能技术对中国未来的经济增长至关重要，因为全国人口老龄化加快了对生产率增长的需求，包括更开放的数据环境和受到良好训练的数据科学人才。但 AI 同时也提出了更复杂的社会和经济问题，需要审慎的思考。

中国在 AI 发展中的位置

中国和美国目前是全球 AI 发展的领导者。仅在2015年，两国在学术期刊上发表的 AI 相关的论文接近10,000篇，而英国，印度，德国和日本加起来才约相当于中美的半数。（数据来源：SCImago Journal & Country Rank, 2015）

中国 AI 发展大部分是由私营的高科技企业推动的。在海量的搜索数据及多样化的产品线的帮助下，中国的一些互联网巨头公司在图像和语音识别等技术领域处于领先的地位。而且这些技术已经被融入它们的新产品中，包括智能助理，自动驾驶汽车，等等。

中国有理由对其在 AI 定义的未来的作用感到乐观。中国庞大的人口能够产生海量的数据，这是“训练”AI系统的先决条件。中国也具有“范围经济”（economies of scope）的优势：广泛的行业为产品在市场部署提供了沃土。

但是，为了在这个迅速发展的领域保持前沿地位，中国仍需不遗余力地努力，并最大限度地发挥这些技术的经济潜力。中国需要专注于增强创新能力。例如，虽然中国学者比美国研究人员发表的 AI 相关的论文更多，但他们的论文产生的影响力并不及美英的研究者（见表2）。

表2：左图按AI相关的论文数量排名，右图按 H-index 排名。虽然中国发表了大量被广泛引用的 AI 相关的论文，但论影响力仍是美英更大。中国在绝对引用方面排名第一，但去除自引（self-citation）后，美国更有优势。

此外，中国还没有形成如美国那样的有生机的 AI 生态，体现在美国拥有比中国多得多的 AI 创业公司（见表3）。美国的生态系统是大型、创新而且多元化的（包括研究机构、大学以及私营企业），它的形成得益于硅谷的科技行业，具有难以复制的优势。

表3：美国的 AI 创业生态系统比中国更强大。上图显示中国和美国在50家最大（按总融资额排名）AI 创业公司中的占比，数据来自 CB Insight 发表的 AI 100 榜单。via： CB Insights; McKinsey analysis

数据

正如人类通过食物得到能量，AI 也不能在没有稳定的数据来源的情况下运行。这些系统必须要有大量的数据，以供它们“训练”，不断改进和完善产出的结果。在数据方面，存在几个问题可能阻碍中国的 AI 发展。

首先，中国的大技术公司通过它们专有的平台收集数据，中国在创建数据友好（data-friendly）的生态系统方面落后于美国，缺少统一的标准和跨平台的共享。第二，世界各国都发现，开放政府数据有助于私营部门的创新，但中国的公共部门开放的数据相对少（见表4）。最后，限制跨国的数据流动（data flows）也使中国处于全球合作中的不利地位。

表4：政府数据的开放度，中国在全球排名第93位。

说明：每个数据类别的评估要考虑对公共可得性（public accessibility）的10个因素，包括数据是否在线发布，是否免费，是否最新，以及是否机器可读，等等。来源：Open Knowledge International, 2015; McKinsey Global Institute analysis

算法

在应用层面，中国在算法开发方面与其他国家相当。实际上，中国的研究者在开发用于语音识别和定向广告的算法方面已经取得突破。得益于全球的开源平台，中国企业能够快速复制其他地方开发的最先进的算法。

然而，中国在基础研究方面落后于美国和英国。一个主要原因是人才短缺，招纳人才对中国的 AI 发展至关重要。美国超过一半的数据科学家有10多年的工作经验，而在中国，经验不足五年的研究人员高达40％。

中国目前拥有不到30个专注于人工智能的大学研究实验室，仅靠这些实验室无法输出足够的人才满足中国AI行业的招聘需求。此外，中国的AI科学家在计算机视觉和语音识别等领域着力更多，相比其他专门领域不成比例。大学的 AI 项目也能得益于更高的数学和统计学要求，为在该领域保持全球领先付诸努力。此外也可以考虑改变提供科研经费的模式，以促进更多的创新。

计算力

计算力不是中国人工智能商业发展的直接的瓶颈。随着微处理（microprocessors）在全球市场得到广泛使用，计算能力已经成为可以轻松获得的东西。

但中国仍然不能忽视发展自己的先进的半导体、微处理器和高性能计算技术的重要性。计算能力是 AI 的基础之一，具有战略上的重要性。

中国历来严重依赖国外的微芯片供应商。对某些类型的高价值半导体，中国几乎完全依赖进口。但是，在2015年，美国政府禁止全球三大芯片供应商 Intel，Nvidia 和 AMD 向中国政府销售高端超级计算机芯片。对核心技术供应实现更强的控制有助于提高中国在未来更广泛地部署人工智能系统的能力。

为了解决这个问题，中国政府在2014年发布了《国家集成电路产业发展推进纲要》和《中国制造2025》两份政策性文件，而且政府设立了一个超过 200 亿美元的基金做这件事。这些举措已经开始取得一些成果。

专用处理器，例如可以进行大量复杂计算的图形处理单元，对 AI 来说尤其重要。随着中国IC业的发展，也应该对这类处理器的开发给予足够的重视。

中国在人工智能方面的战略，重要的是要注意技术行业的日益全球化。AI 价值链的各个方面，从基础研究，到应用开发，到硬件的制造，都涉及全球的协作。除了建立自己的数据生态系统，数据科学研究人才管道和半导体行业外，中国需要确保其 AI 行业建立在与全球市场融合的开放系统之上。

AI 发展对经济的影响：在中国可以带来0.8到1.4个百分点的GDP增长

AI 是中国加速生产力发展的一个重要机遇，也是解决人口老龄化的一个关键。但是，政策制定者也需要考虑AI 可能带来的对劳动力市场的潜在破坏，并为此做好准备。

近几十年来，随着劳动力扩张推动经济增长，中国的发展得益于“人口红利”。但随着人口老龄化，中国将会失去这种优势。研究表明，该国的劳动适龄人口已经达到顶峰，并将在未来几十年内继续缩小。这个人口趋势意味着中国在目前的生产力水平上将会很难维持经济增长所需的劳动力。维持势头的唯一选择是大幅度提高生产力增长。

AI可以部分缩小这一差距。 AI 系统可以通过帮助或替换人类来更有效地完成现有的工作活动来提高生产力。例如，英特尔在其芯片制造过程的同时收集大量数据以进行改进，而在过去，如果发生错误，该公司则主要依靠人力来对数据进行根本原因分析。但现在机器学习可以比人类快得多完成这个任务，算法可以筛选关于每个芯片的成千上万个数据点，以找出具有缺陷的那些中的常见模式。此外，AI 可以使工业机械，供应链，物流路线等过程更加有效。 AI应用程序可以通过预测故障，识别项目瓶颈以及将流程和决策自动化来创造卓越的效率。

中国经济的很大一部分包括住酒店和饮食服务、制造业，农业和其他部门。根据MGI的报告，AI领导的自动化可以使中国经济生产力提高，根据采用速度，每年可以增加0.8到1.4个百分点的GDP。

除了提升生产力以外，AI 的崛起还非常有可能会创造出新的产品和服务，进而催生出新的职业和生意。仅仅几十年前，没人可以想象，现在竟然有大量的工作与互联网经济有关，AI 也有类似的变革效应。

AI 有可能大幅度提高生产力增长，但这可能会带来更大的收入差距。在客户服务等角色中需要的人会越来越少。总体而言，人工智能将会增加所谓“技能偏向型的技术变革”的趋势，那就是数字技能将会有一个新的溢价，但与此同时，中低技能工人的需求就会减少。这可能会减少总劳动力需求。虽然平均收入可能会上升，但是两极化会加大。 “数字鸿沟”可以表现为社会鸿沟。

总的来说，中国的劳动力可以被自动化的程度比世界上任何其他国家都要高。 MGI估计，中国51％的工作可以自动化，相当于3.94亿全职员工。然而，即使在早期采用的情况下，约90％的工作活动将自动化，到2055年，中国要实现4-5％国内生产总值增长目标，仍可能面临所需劳动力不足的情况。这将使中国会寻求更多的方法来提高生产率。

常规工作和可预测的、可编程任务将特别容易受到AI的替换。由于成本效益，中等技能工人可能首当其冲，而支付低的职位可能会持续更长时间。然而，这并不是说今天的高技能工作将完全免受破坏。有专业知识和经验的专业人士（如医生）执行的许多任务可能会自动化，这些工作可能会改变，更多地侧重于个人互动。许多工作不会消失，但是他们的活动组合会发生变化，教育和培训系统将需要做出相应改变。

最近美国政府的一份报告提出了未来可能会普及化的AI相关工作，分为四类：需要与AI系统一起工作以完成复杂任务的参与工作（如使用AI应用程序进行常规的护士病人检查）; 开发工作，创建AI技术和应用程序（如数据库科学家和软件开发人员）; 监控，许可或维修AI系统的监督工作（如维护AI机器人的技术人员）; 以及响应AI驱动的范式转变的工作（例如律师围绕AI创建法律框架，或创建可容纳自主车辆的环境的城市规划者）。

AI 对社会的影响：应该采取谨慎的监管

AI 技术可以改善医疗、环境、安全和教育水平，具有增强人类福祉的激动人心的潜力。同时，由于它模糊了物理、数字和个人领域之间的界限，也引起了复杂的伦理、法律和安全问题。在将 AI 引入社会的过程中，应该采取谨慎的监管。

许多案例已经说明了 AI 在解决社会问题方面的潜能。人工智能系统可以帮助科学家预测环境变化；例如，康奈尔大学正在使用这种能力预测栖息地的变化，以保护某些鸟类。AI 在医疗方面也具有广泛的适用性。荷兰政府正在使用它来确定某些患者人群的最有效的治疗方法，并通过对数字化健康记录的分析减少医疗失误。在美国，拉斯维加斯正在使用这种技术进行公共卫生监测，利用社交媒体追踪来确定疾病爆发的起源。

人工智能系统还可以提高公共交通和交通系统的安全性和效率。有证据表明，无人驾驶车辆可以减少交通事故。阿里巴巴与杭州市政府合作，通过整合了 AI 技术的交通信号灯使城市交通更加智能化，减少了拥堵，在特定区域提升了 11% 的交通流量。AI 也被用来预测能源需求并管理能源消耗。早期的案例包括谷歌降低大量数据中心的能源消耗以及英国政府管理其电网系统激增的需求，显示了 AI 技术能为公司和消费者节省数十亿美元的可能性。

这些前所未有的能力提出了许多需要认真考虑的伦理和法律问题。 阿西莫夫著名的机器人三定律是第一次尝试制定机器人与人类互动的基本准则。但是，AI 的出现引发的伦理问题更加微妙，潜在的影响也更大。

首先，在传感器和各种 AI 系统无处不在的世界里，企业会不断收集个人数据——不仅使用数字设备，而且通过公共和个人的空间收集。在某些情况下，例如医院，这类个人信息是非常敏感的。这引起了对谁应该拥有这些个人数据，可以怎样分享，以及如何保护数据免受网络安全漏洞风险的质疑。

其次，AI 在进行决策时可能无意识地出现歧视。由于“现实世界”充满了各种种族主义、性别歧视和偏见，所以馈送到算法中的现实世界数据也具有这些特征——当机器学习算法那从有偏见的训练数据中学习是，它们会内化这些偏见。

除了这些伦理方面的思虑，被社会采用的 AI 也将带来很多法律方面的影响。例如，假如由于 AI 的决策发生了意外甚至犯下罪行，该归咎于谁？谁拥有 AI 系统创造的知识产权？针对 AI 的强大能力，应该制定什么规则？AI 的开发者有什么合法权利和义务。这些以及其他许多问题都需要进行全面的辩论，以创建一个合理的法律和道德框架。

AI对地理政治影响：一些国家可能面临新的社会动荡

AI 领域的发展是真正全球性的。更进一步的发展将需要国际合作，以促进更广泛地获取数据，算法，资本和人才。但随着全球经济数字化的增长，全球性治理（global governance）的许多方面仍然是真空。具有超过人类智力的自动化系统所带来的许多伦理和安全问题不仅需要在国家层面，而且需要通过国际合作来解决。

此外，正如 AI 驱动的自动化可能在个别经济体内创造一个双层的（two-tiered）劳动力市场一样，它可能会扩大全球的“数字鸿沟”（digital divide），而技术进步较慢的国家将更加落后。由于人口大量失业，一些人口快速增长，而且依赖劳动密集型的经济发展模式的国家甚至可能面临新的社会动荡。

最后，计算机模拟工具已经在一些战争游戏中得到广泛应用，AI 将进一步提高这种模拟的准确性和能力。AI 的武器化是一个备受关注的方面。美国海军的一份报告认为，随着军事机器人变得越来越复杂，应该更重视其自主决策能力的影响。史蒂芬·霍金、伊隆·马斯克等1000多名人工智能和机器人研究者已经签署公开信，呼吁禁止 AI 战争，警告“自主性武器”（“autonomous weaponry）将带来可怕破坏的可能性。AI 系统，如核能和核武器一般，可能需要有强力的国际协定，以确保其和平使用，维护全球安全。

中国的 AI 战略：5大战略建议

把今天的技术创新变成中国长期的可持续增长引擎，需要采取精心思考的战略。政府应该奠定坚实的基础，为 AI 发展提供有启发性的目标，刺激私企的创新和新技术应用。战略由强大的工业和经济框架，教育框架，以及社会和国际政策框架组成。

工业和经济框架

虽然AI的发展还处于早期阶段，但技术似乎不太可能遵循线性增长轨迹。快速上马的可能性迫切需要确保健全的产业政策。否则，中国将面临偏袒激励、过度投资和供过于求的风险，所有这些都会破坏价值。虽然市场将推动 AI 技术及其应用的发展，但正确的政策框架可以为增长创造健康的环境。

战略重点1：建立健全的数据生态系统

丰富的数据是训练 AI 系统、吸引人才和加速创新的关键因素。为了建立更强大的数据生态系统，中国可以设定和实施数据标准，开放公共数据，用于个体研发，并鼓励国际数据流交换。

标准化是系统广泛的数据共享和互动操作性的重要前身，将提高物联网和人工智能技术的价值。鉴于全国各地有可用潜力的数据量巨大，中国具有独特的地位，需要带头确保中文数据标准得以推行。

对于特定行业的数据，政府可以呼吁现有的监管机构制定必要的规则。例如在美国，证券交易委员会在 2009 年授权所有上市公司必须以 XBRL（可扩展业务报告语言）格式披露其财务报表，从而确保公共数据具有机器可读性。

为了提高可用数据的多样性来支持人工智能开发，政府可以开辟更多的公共数据集，并带头建立一些行业特定的数据集。除了推动 AI 行业的发展之外，这些举措在提高公共服务质量和解读新的政策方面也会产生益处。例如，纽约市市政府启动了自己的开放数据门户，让公民获得有关经济发展、健康、娱乐、公共服务等方面的数据。纽约还于 2012 年颁布了一项开放数据法，要求政府处理机读数据并建立 API（应用程序编程接口），使软件开发人员能够直接连接到政府系统并收集数据。

最后但并非最不重要的是，中国政府将需要考虑国际数据的价值。 MGI 研究发现，跨境数据在 2014 年为全球经济贡献了 2.8 万亿美元，对增长的影响比商品贸易的影响更大。 此外，数据的流入和流出都很重要，因为它们反映了全球经济体的思想、研究、技术、人才和最佳实践。数据是未来的货币。例如，在医学研究中，如果不从世界各地大量临床资料中获取数据，就不可能实现 AI 的全部潜力。过多的壁垒可能会妨碍中国 AI 企业，妨碍其在国际市场上开发具有竞争力的产品。

战略重点2：扩大传统产业内 AI 的采用比例

在中国，实现 AI 在经济中的全部潜力，取决于 AI 系统在传统企业中的实际应用，而不仅仅是技术巨头的应用情况。通过提高广大生产单位的生产力，可以解锁大量的价值。 但中国需要解决几个关键的障碍。

需要克服的第一个障碍涉及到改变观念，并创造一种需要改变业务运作方式的紧迫感。 根据麦肯锡调查显示，AI 在中国传统行业 40％以上的公司中尚不是战略重点。因此，这些公司中有许多尚未掌握支持未来采用 AI 所需的数据。例如，农业类企业很少考虑记录种植时间表或天气对产出影响的详细信息，但这正是 AI 系统可以用来发现宝贵见解和效用的信息。相比之下，英国、美国和日本已建设了全国信息系统，以捕获这些数据，并将高级分析应用于现代农业管理。

第二个主要障碍是不懂技术。如上所述，中国将需要重点培养更多的数据科学家精英，特别是在 AI 技术短缺情况变得日益明显的地区。但是，能够将 AI 知识转化为具有实际价值的真实应用的人才也不足。更多的企业领导和中层管理人员需要掌握技术技能，以及理解和应用数据的能力。一家类似英特尔这样的中国芯片制造商认识到，制造和测试过程中产生的数据可以显著改善操作并减少残次品。但由于缺乏半导体和AI 知识方面的专家，该企业无法实施相应的战略。

最后但并非最不重要的是，AI 的采用受成本的影响。 购买人工智能系统并雇用需要发挥出最大价值的稀缺和专业人才，并不总是符合中国企业的成本效益。劳动力成本低的时候，使用技术来简化人工流程就显得不那么紧迫了。

AI 能给中国带来的最大经济潜能是对传统产业的革新。如果政府能够帮助传统行业降低采纳 AI 技术的障碍，就能够推动市场的增长。

为了促进 AI 技术的采用，决策者应着重帮助市场克服本文前面讨论的三个主要障碍：缺乏战略意识，AI 采用成本高于劳动力成本以及不懂 AI 技术。

其中一些问题可以通过传统的税收抵免和补贴手段加以解决。政府也可以考虑在政府机构内采用人工智能系统。 这具有强大的后续效应，能够助推市场启动，对政府供应商产生支持效应，并通过积累技术经验和人才，最终降低采用成本。

此外，鼓励传统产业采用物联网（IoT）将为从 AI 采用中获得更多价值奠定基础，因为物联网可以将传感器和设备的网络连接在一起，为 AI 系统提供大量现实世界的实时数据。政府可以重点在关键的经济部门创造一些成功的物联网故事，作为其“互联网+”政策的补充，从而建立其他传统行业可追随的模式。

教育框架：人才对于开发和采用人工智能至关重要。强大的人才金字塔应该有顶尖的科学家推动 AI 基础技术的边界，有许多开发人员能够为现实世界环境创造人工智能应用程序，还有大量能够与在各种工作环境中与 AI 系统配合工作的工作人员。

战略重点3：加强专业 AI 人才的输送

为了解决中国 AI 人才的鸿沟问题，政府需要投资于 AI 相关的教育和研究项目，重新定位教育体系，更加注重创新和数字技能，制定移民政策，吸引全球最好的人才。

为了培养更多的计算机科学家精英，需要推进这项技术，政府可以投资创建人工智能项目，并为顶尖大学的人工智能研究实验室提供资金。这可能包括在中国顶尖大学建立人工智能中心，或赞助创新研究中心，促进大学、研究机构和私人公司之间的合作。韩国政府最近通过投资1万亿韩元（8.63亿美元）与韩国领先的大企业联合组建国家级公私合营 AI 研究中心，朝这个方向迈出了一大步。加拿大政府也做出了类似举措，给蒙特利尔三所大学的 AI 研究计划超过 2 亿美元的投资。

我们采访的很多专家认为，中国要重点建设更广阔的创新文化，才能实现 AI 突破。解决这个问题的一个方法是引入大学课程，将 AI 与其他学科结合起来。顶尖的美国大学，如斯坦福大学和麻省理工学院，创建了将计算机科学与人文学科相结合的联合专业，旨在开发新的世界观，激发创造力。这一类型的计划可以激发全球经济领域的新型 AI 应用，涉及保健、法律、媒体等等领域。

投资大学项目会有长期的收益，因为人才是吸引国际企业的重要磁铁。大型 AI 开发商越来越多地期望从学术界吸取人才。谷歌 DeepMind 的研究人员中有三分之二来自学术机构，例如伦敦大学学院、牛津大学和蒙特利尔大学。顶尖公司将自然会倾向于选择拥有大量 AI 人才的城市。例如，蒙特利尔在 AI 领域声名日隆，谷歌和微软就都做出了回应，对该城市的大学 AI 实验室进行了投资，并扩充了自己在当地的办公室。

除了培养更多的本土人才外，中国还需要与来自世界各地的顶尖数据科学家合作，并参与到全球合作中区。 这包括积极招聘来中国工作的国际专家，鼓励中国 AI 开发者走出去 ，吸收全球最新的研究成果。这可能要求政府放松一些居住和移民规定，并提供奖励和支持。

战略重点4：确保教育和培训制度做好发展技术技能的准备，并重新培训大量劳动力

虽然 AI 在整个经济社会中被广泛采用可能需要几十年的时间，但中国需要为行业层面的快速颠覆做好准备。一些关键技术得到突破后的几年内，某些工作可能会消失。大部分打字员、电话运营商和暗房胶片冲洗员已经消失，因为技术使这些岗位过时了。

帮助受影响较大的行业劳动力适应和获得更多相关的新技能将成为维护公共福利和社会稳定的至关重要的持续挑战。政府将需要主动确定最有可能自动化的工作，并确保向生活来源受到威胁的劳动力提供再培训计划。这些努力可能涉及与职业培训学校密切合作，并向工人提供教育机会。

中国也将重点发展从长远来看和 AI 相关的劳动力技能。这不仅包括构建未来数据科学家和工程师的输送渠道，还要确保更多的员工能够在各种业务和专业环境中与 AI 技术一起工作。必须在学校强调科学、技术、工程和数学; 即使是基础教育和职业课程也需要培养数据素养。

由于许多常规工作的 AI 自动化有可能扩大数字鸿沟，因此政府更需要监管 AI 自动化对不平等现象的作用。其中一个方面是保证教育机会的平等获得。这包括确保女学生和来自农村和内陆地区的学生能够充分接收到 STEM 和 AI 的相关课程。

社会和国际框架：AI 的出现有可能深刻地改变社会。在国内和国际上都需要取得道德和法律上一些最紧迫问题的共识。

战略重点5：建立中国公民和全球社会在道德和法律上的共识

在国内，达成共识需要透明、广泛的磋商进程。这在一些法律领域，比如无人驾驶的车辆隐私保护和责任等，对于人工智能的开发和采用是特别重要的。 中国立法机关需要提供一个框架来消除法律上的不确定性。

一旦制定了法律框架，政府就需要建立一个监督和监管人工智能活动的监管机构。由于 AI 技术将被广泛应用于各行业，这将需要多个行业的专业意见。例如，在卫生保健方面，不合理采纳人工智能技术的后果可能很严重; 国家卫生和计划生育委员会在指导发展方面需要有强烈的声音。

在国际上，中国可以带头组建一个理事会，促进 AI 技术的和平、包容和可持续发展。 这个国际机构的目标应该是监管人工智能，建立标准和制定道德准则。

除了监管之外，中国也可以从经济发展的角度出发。为了确保全球数字鸿沟不成为繁荣的永久性障碍，中国可以与弱势国家分享其人工智能技术和专业知识，从而形成一条 AI 的一带一路。

AI 有可能从根本上塑造未来几十年我们社会的样貌。它是中国一个独特的强大工具，能够提高其生产力并保持增长势头。此外，中国有能力和机会在 AI 的发展和监管上引领国际合作，确保这一突破性技术为全人类的普遍福利做出积极贡献。