国产AI模型和美国顶级AI模型的距离在哪？—— 算力？算法？数据？

前段时间去了长春一汽，聊了Reinforcement Learning方面的工作，既是面试，也是谈了谈意向，最后全部OK，本打算是签合同了，结果HR说要求有三年的社保缴纳证明工作经验，最后说可以减到24个月，不过说来也是有意思，我这人还真没社保，这就尴尬了，最后说这是上面的文件，国企就这要求，后来也只能作罢，但是这一趟也和一汽那边的人聊了聊，中间也是闲聊，对方的对接人员提了一个问题，那就是“国产AI模型和美国顶级AI模型的距离在哪？”，本文也是自己突然想起了这问题，也就有了下面内容。

这个AI模型的差距，其原因无非就是：算力？算法？数据？

我国的算力或许没有美国多，但是真要认真比，那也绝对没啥大差别，弄不好还能压一头，要对我国算力的库存有一定信心，也要对中国的社会的资金要有一定信心。

那么如果不是算力，那能是算法吗？

估计也不是，算法deep learning这东西有些玄幻，有些炼丹，但是不要忘记，几乎所有的AI论文、AI模型、相关的技术都是开源的，是免费的，是公开的，即使最后的chatgpt3.5还是4.0没公开论文但是有了之前的所有公开的技术和文档，这方面也绝对不是差距。

那就只有一个原因了，那就是数据。

我们要知道，虽然中国人很多，中国的汉语文字也很多，但是你要知道全世界说的最多的语言还是英语，全世界的主要的科技文档、社会学、医学文档都是用英文撰写的，几乎所有的自然语言的语料库也都是英文的，世界上的视频、文字等等电子化的资料也都是英文为主的，虽然中文我们有14亿人，但是你要知道，除了中国以外几乎大部分的这个地球上的人可都是在用英语的，这就是现实情况。而且最愁人的还有，那就是几乎所有的NLP的研究也都是以英文为主的，那你说在这个大背景之前我们搞的AI模型的这个中文语料库怎么和美国的那些人比，而且这里面我们还要考虑到语言特性，比如英文的表达更偏向形式表达，而中文的表达更偏向于联想表达，中文的表达信息量更大也更能处理和表达，而且在这之上再加上语料库的资源的不足和质量有限的问题，所以采用了这个NLP方面的AI模型表现的差距。

说这个“对话生成的系统”可能很多人不理解这个语料和语言本身的差距，那么我们还可以看看这个copilot，要知道世界上的绝大部分代码都是保存在GitHub上的，虽然我国有gitee，但是但凡是搞IT的估计也都是知道的，这个GitHub和Gitee根本就不是一个量级，在我看来这二者之间至少差了两个数量级，不论是资金、代码资料还是代码数，还是用户数，都是两个数量级的差距，甚至还不止，弄不好能有3到4个数量级，1万倍的差距。那么在这么大的差距之前，我们又怎么可能在这种数据资源上训练出和美国AI相匹敌的算法模型呢，所以在我看来，在我们的基础数据有着这么大的差距的情况下，我们的模型还能取得和美国AI模型性能相当的表现，这并不能说明我国的AI领域不行，而是说明我们的AI领域要远远强于美国。这就相当于什么，这就相当于当年打抗美援朝战争那样，我们用低端武器把美国的那些高端武器的军队挡住了，那不是平手，那就是战胜。