在多个公开场合和访谈中，Scale AI 的创始人兼 CEO Alexandr Wang 对中美 AI 行业的竞争格局进行了深入分析，提出了多个关键论点。以下是他的主要观点和论述：
Alexandr Wang 指出，中美在 AI 技术上的差距正在迅速缩小，尤其是在基础模型和算法领域。他提到，中国的研究机构（如 DeepSeek 实验室）已经成功复制了 OpenAI 的“思维循环”技术，这表明中国在 AI 研究方面的能力已接近美国水平。
他还强调，尽管美国在 AI 领域仍处于领先地位，但中国的快速追赶意味着美国需要更加重视技术创新和战略布局，以保持其优势。
Wang 认为，数据是 AI 发展的核心瓶颈之一。他指出，当前 AI 模型的训练已经达到了“数据墙”，即公开数据的可用性接近极限。未来的 AI 进步不仅依赖于计算能力的提升，还需要高质量、专门化的数据集（如专家数据）的支持。
他提到，合成数据虽然可以部分缓解数据短缺问题，但其效果有限，因为合成数据无法完全替代真实数据的丰富性和多样性。因此，未来的 AI 发展需要双管齐下：一方面提升计算能力，另一方面扩展高质量数据的获取渠道。
Wang 提出了衡量中美 AI 生态系统的三个关键指标：
Wang 预测，AI 智能体（Agent AI）将成为 2025 年最大的创业方向之一。他指出，当前的 AI 模型在单次交互中表现出色，但在多轮交互中仍存在局限性。随着技术的优化，AI 智能体将彻底改变消费者（C 端）和企业（B 端）的互动方式，成为未来最具潜力的技术应用之一。
Wang 警告说，美国在 AI 领域的领先地位可能因数据泄露和技术间谍活动而受到威胁。他提到，当前美国 AI 实验室的安全措施不足以防止技术被窃取，这可能导致中国等竞争对手快速复制美国的技术成果。
他建议美国采取更严格的措施保护 AI 技术，同时吸引全球顶尖人才，以维持其在 AI 领域的创新优势。
Wang 强调，AI 技术将重塑全球地缘政治格局，尤其是在军事和国家安全领域。他指出，美国需要将 AI 技术深度整合到军事行动中，以保持对竞争对手的优势。他还提到，中国在 AI 军事应用上的投资正在快速增加，美国需要对此保持警惕。
在谈到创业经验时，Wang 强调，创业者需要具备一种“非理性但坚定的自信”，才能在激烈的竞争中脱颖而出。他以 Palantir 为例，指出这种自信不仅有助于做出更好的决策，还能激励团队不断前进。
Alexandr Wang 的观点全面而深刻，他不仅分析了中美 AI 竞争的技术和市场层面，还强调了数据、安全、创新和地缘政治等关键因素。他的论述为美国在 AI 领域的战略布局提供了重要参考，同时也为全球 AI 行业的发展指明了方向。
他是一位美国华裔企业家，出生于1997年，现年27岁。他是人工智能数据服务公司 Scale AI 的创始人兼首席执行官，被誉为全球最年轻的白手起家亿万富翁之一。 Alexandr Wang 出生于美国新墨西哥州的洛斯阿拉莫斯，父母是物理学家，曾在美国能源部洛斯阿拉莫斯国家实验室工作。他从小展现出卓越的数学和编程天赋，曾多次在全国性数学和物理竞赛中获奖。高中毕业后，他进入麻省理工学院（MIT）攻读数学和计算机科学，但在大一暑假辍学创业。
14 天前
华为昇腾推出的Atlas 900 SuperCluster成为国产AI算力的重要突破，标志着华为在超大规模AI训练集群领域的领先地位。 1. 技术突破与性能表现 超大规模算力支持：Atlas 900 SuperCluster 采用创新的超节点架构，支持超万亿参数大模型训练，单集群可管理数十万张昇腾AI加速卡（如昇腾910B），并实现高可用性设计，包括超高速互联、高效液冷散热和瞬时爆发供电。 性能对标英伟达A100：实测数据显示，昇腾AI集群在训练Meta Llama、BloomGPT等模型时，效率可达英伟达A100的1.1倍，并在部分场景实现10倍领先于其他国产方案。 国产化算力标杆：科大讯飞等企业已采用昇腾万卡集群，训练效率达到英伟达A100的0.8~1.2倍，证明其在国产大模型训练中的竞争力。 2. 架构与生态创新 全栈自主可控：从硬件（昇腾芯片、鲲鹏CPU）、架构（达芬奇架构）、软件（MindSpore框架）到开发工具（CANN异构计算），华为构建了完整的AI计算产业链。 昇腾910B芯片升级：相比前代昇腾910，910B在FP32性能上显著提升，支持多NPU模组互联，提供更高带宽和算力密度，进一步缩小与英伟达高端GPU的差距。 生态挑战与机遇：尽管昇腾算力已对标英伟达，但CUDA生态的成熟度仍是竞争短板。华为通过开源MindSpore、适配主流框架（如PyTorch、TensorFlow）及开发者扶持计划（如15亿美元生态投入）加速生态建设。 华为Atlas 900 SuperCluster的推出，不仅提升了国产AI集群的竞争力，也为全球AI算力格局注入了新变量。随着生态完善，昇腾有望在AI训练与推理市场占据更关键地位。 （根据资讯整理）
1 个月前
从传统认知来看，算力、算法和数据被认为是人工智能的核心三大要素。当大模型出现后，大模型在当前人工智能发展中占据着极其重要的地位。 大模型与算法的关系：从属而非取代。传统算法的定位：算法本质是解决问题的步骤规则，如SVM、随机森林等，是AI的底层方法论。 大模型的本质：大模型是算法的一种高级形态，依托深度学习（尤其是Transformer架构）实现，其核心仍是算法逻辑的演进。例如，GPT的生成能力源于自注意力机制（算法创新），而非脱离算法的新存在。 大模型为何需要独立强调？ 尽管大模型属于算法范畴，但其独特性使其具备基础设施属性： 平台化能力：如GPT-4可作为基础平台，支撑多样下游任务（写代码、客服、科研），类似操作系统。 资源门槛：训练大模型需超算集群和千亿级数据，远超传统算法，成为独立的技术-资源综合体。 生态影响：催生模型即服务（MaaS），改变行业分工（如企业无需自研模型，调用API即可）。 AI的核心能力确实高度依赖于数据、算力和大模型，但这三者并非全部。它们是推动现代AI发展的基础设施，但真正的核心能力还需结合其他关键要素，以下分层次解析： 1. 数据、算力、大模型的角色 数据：AI的“燃料”，尤其是监督学习和自监督学习依赖海量标注或无标注数据（如GPT-4训练用了数万亿词元）。 算力：硬件（如GPU/TPU集群）支撑大规模训练和推理，例如训练GPT-4需数万块GPU和数月时间。 大模型：通过参数量的增加（如千亿级参数）实现更强的泛化和多任务能力，如Transformer架构的涌现能力。 2. 被忽视的核心要素 算法创新： 数据与算力的价值需通过算法释放。例如，Transformer（2017）相比RNN的突破、扩散模型对生成任务的改进，均源于算法设计。 小样本学习（Few-shot Learning）、强化学习的策略优化（如PPO算法）证明：算法效率可弥补数据或算力的不足。 工程能力： 分布式训练框架（如Megatron、DeepSpeed）、模型压缩（量化、蒸馏）等技术，决定大模型能否实际落地。 领域知识： 医疗AI依赖专家标注和病理学知识，自动驾驶需融合传感器物理模型，说明垂直场景的壁垒远超大模型本身。 3. 未来趋势：超越“大力出奇迹” 高效训练与推理： 低功耗芯片（如神经拟态计算）、MoE架构（如Mixtral 8x7B）正降低对算力的依赖。 数据质量 vs 数量： 合成数据（如NVIDIA Omniverse）、数据清洗技术逐步减少对纯数据量的需求。 可解释性与安全： 模型对齐（Alignment）、因果推理等能力将成为下一代AI的竞争焦点（如Anthropic的Claude 3）。 4. 总结：AI的核心能力是“系统级创新” 短期：数据、算力、大模型是入场券； 长期：算法设计、跨学科融合（如神经科学）、工程优化、伦理治理等系统性能力才是关键。 类比：如同火箭需要燃料（数据）、引擎（算力）、设计（模型），但真正的突破来自材料科学（算法）与控制系统（工程）。 未来AI的竞争将不仅是资源的堆砌，而是如何用更少的资源解决更复杂的问题，这需要多维度的创新能力。
1 个月前
数据标签业务（Data Annotation / Data Labeling）是人工智能（AI）产业链中的重要环节，主要为机器学习模型提供高质量的训练数据。随着人工智能技术的广泛应用，中国的数据标注行业迎来了巨大的商业机遇，同时也面临一系列挑战。本文将从市场需求、政策环境、技术发展、产业竞争等多个维度进行分析。 一、数据标签业务的商业机遇 1. AI产业高速发展带动数据需求增长 中国人工智能产业正在快速发展，自动驾驶、智能客服、智能安防、医疗AI等领域对高质量数据标注的需求不断增长。例如： 自动驾驶：需要海量的图像、视频数据进行道路标注，如车道线、行人、交通标志等。 智能医疗：需要专业医学影像数据标注，如CT、MRI图像的病变区域标注。 电商与内容推荐：需要大量的文本、语音、图像数据进行分类、情感分析等标注。 数据质量直接决定了AI模型的性能，因此高质量的数据标注服务成为AI企业的刚需。 2. 中国具备全球领先的“数据优势” 中国的互联网和移动应用市场庞大，数据量丰富，包括社交、购物、金融、交通、医疗等多个领域的数据资源。相比欧美国家对数据隐私的严格监管，中国本土市场的数据可获取性更强，为数据标注业务提供了丰富的原材料。 3. 人力成本相对较低，适合规模化发展 尽管中国的劳动力成本逐年上升，但相比欧美仍然较低，特别是在三、四线城市和农村地区。大量低技术工人可以通过简单培训参与数据标注工作，形成规模化的数据加工产业链。 4. 政策支持及人工智能发展战略 中国政府高度重视人工智能发展，出台多项支持政策，如《新一代人工智能发展规划》，鼓励企业布局AI数据相关业务。此外，地方政府也在推动“AI+产业”落地，为数据标注公司提供政策支持、产业园区资源等。 5. 行业逐步向标准化、自动化升级 随着AI技术的发展，数据标注行业正在向更高效的方向演进： 半自动化标注：利用预训练AI模型辅助人工标注，提高效率。 智能质量控制：采用机器学习算法对标注数据进行自动审核，减少人工错误。 行业标准化：政府与企业推动建立统一的标注标准，提高数据质量。 这些趋势有助于降低成本、提高效率，使数据标注企业更具竞争力。 二、数据标签业务的商业挑战 1. 低端市场竞争激烈，价格战严重 数据标注行业进入门槛较低，导致大量小公司涌入市场，尤其是低端手工标注业务竞争激烈，利润率较低。许多企业通过压低价格争夺订单，导致行业整体盈利能力下降。行业集中度低，超500家中小标注企业竞争，图像标注单价从0.5元/张降至0.2元/张（2020-2023年），毛利率普遍低于15%。 2. 数据隐私与安全监管趋严 随着《数据安全法》《个人信息保护法》等法规的实施，数据使用的合规性要求提高，许多企业在数据收集和处理过程中需要满足严格的合规要求。这对数据标注企业提出更高的合规成本，如： 数据脱敏处理：需要去除敏感信息，增加处理成本。 数据存储合规性：要求数据存储在国内，并满足安全要求。 3. 业务同质化，缺乏技术壁垒 目前市场上的数据标注公司大多依赖人力，缺乏自主技术创新，难以形成核心竞争力。随着AI自动化标注技术的进步，传统的纯人工标注模式可能被取代，低端数据标注公司面临淘汰风险。 4. AI自动化标注技术的冲击 AI本身的发展正在威胁传统人工数据标注市场。例如： 计算机视觉：自动图像识别和标注技术正在进步，减少人工标注需求。 自然语言处理（NLP）：自动文本分析工具可以降低文本标注的人工需求。 虽然完全替代人工标注还需时间，但对于低难度标注任务，AI已经可以大幅减少人工参与。 5. 客户集中度高，议价能力低 目前中国数据标注市场的大客户主要是科技巨头（如BAT、华为、字节跳动等），这些企业的议价能力极强，小型标注公司难以获取高利润订单。此外，大型科技公司正在自建数据标注团队，减少对外部供应商的依赖，使数据标注企业的市场空间进一步压缩。 三、未来发展方向与建议 1. 向高价值标注业务转型 企业应避免陷入低端市场的价格战，转向更专业化、高价值的标注领域，如： 医疗AI标注（高精度医学影像、基因数据） 自动驾驶高精度3D点云标注 金融数据标注（信用风险评估、反欺诈分析） 这些领域要求专业知识，竞争相对较小，利润率更高。 2. 发展智能标注平台，提高自动化水平 企业应开发自有标注平台，结合AI自动化工具，提升标注效率。例如： 采用预标注+人工审核模式，提高效率。 发展众包平台，让自由职业者参与标注任务，降低成本。 引入区块链溯源技术，提高数据可信度。 3. 加强数据安全与合规管理 数据合规是未来发展的关键，建议： 采用数据脱敏技术，确保用户隐私安全。 获得ISO 27001信息安全认证，增强市场信任度。 避免使用敏感数据，规避法律风险。 4. 拓展海外市场 相比中国市场竞争激烈，欧美市场的数据标注需求仍然较大，且愿意支付更高的价格。可以通过合作或跨境平台提供数据标注服务，拓展海外业务。 5. 与AI企业深度合作，提供定制化服务 与AI企业建立深度合作，提供更符合客户需求的标注服务，如： 嵌入式标注服务（在AI开发平台上直接提供标注服务） 数据增强+标注（同时提供数据扩增和标注服务） SaaS模式标注平台（提供在线标注工具，企业自行标注） 四、结论 中国的数据标签行业正处于快速发展阶段，市场潜力巨大，但也面临激烈竞争和技术变革带来的挑战。未来，企业应摆脱低端市场竞争，向高价值、智能化、合规化方向发展，才能在行业中占据更有利的位置。同时，通过国际化布局和技术创新，也能进一步拓展市场空间，实现长期增长。 (图片来源：levity.ai)
4 个月前
中美 AI 竞争已进入白热化阶段，技术差距的缩小、数据瓶颈的突破以及地缘政治的影响将成为未来 AI 发展的关键因素。
4 个月前
数据+AI的公司。
4 个月前
中国政府对美国半导体巨头NVIDIA采取了一系列反制措施，这不仅直接冲击了NVIDIA在中国市场的业务，也引发了市场对人工智能（AI）领域领军企业NVIDIA繁荣时代是否即将结束的广泛担忧。 中国的反击措施包括但不限于加强对外国半导体技术的出口限制、加大对本土半导体产业的财政和政策支持，以及推动国内企业在高端芯片技术领域的自主研发。这些措施的核心目的是减少对外国技术的依赖，特别是在关键的AI和高性能计算领域。 作为全球最大的AI芯片供应商之一，NVIDIA在中国市场拥有显著的份额。中国不仅是NVIDIA产品的重要销售市场，也是其研发和创新的重要基地之一。然而，随着中国政府政策的转向，NVIDIA在这一关键市场的前景变得不确定。 分析师指出，中国的这一系列举措可能会导致NVIDIA在中国的收入显著下降，从而对其整体财务表现产生负面影响。此外，这也可能加速中国本土半导体企业的崛起，如中芯国际和紫光国微等，这些企业正致力于在高端芯片领域与NVIDIA竞争。长远来看，这种竞争可能会挑战NVIDIA在全球AI芯片市场的领导地位。 市场对这一消息的反应迅速而强烈。NVIDIA的股票在消息公布后迅速下跌，跌幅超过了5%，投资者对于NVIDIA未来在中国市场的前景以及整个AI行业的发展趋势感到不确定。一些投资者甚至开始重新评估其在NVIDIA股票上的投资组合，担心这一事件可能是一个更广泛市场动荡的前兆。 这一事件标志着中美在高科技领域竞争的加剧，特别是在关键的半导体和人工智能技术领域。双方的政策博弈不仅影响到企业的商业运营，也可能对全球技术发展和产业格局产生深远影响。市场和业界都在密切关注接下来的发展，以评估这些政策变化对NVIDIA和整个AI行业的长期影响。 中国的反击措施使得NVIDIA股票受压，市场对其繁荣时代是否结束产生担忧。这一事件反映了中美在高科技领域的激烈竞争，也可能预示着全球半导体和AI产业格局的重大调整。未来，随着双方政策的进一步演变和市场的自我调整，NVIDIA及其竞争对手将面临新的挑战和机遇。投资者和企业都需要保持高度警惕，密切关注相关动态，以做出明智的决策。 新闻来源：MSN德语财经频道
4 个月前
Google宣布了其新型量子计算芯片Willow，这是在量子计算领域长达十年的征程中迈出的重要一步！
7 个月前
海光处理器属于GPGPU架构，通用且场景支撑能力强，这是国内唯一具备全精度浮点数据计算能力的厂商。
8 个月前
每秒1832token极限推理速度
8 个月前
观察者网今日发表了一篇题为《中企这么做，正让美国限制变得毫无意义》的文章。 这篇文章介绍了中国公司如何在美方限制先进芯片的情况下开发自己的AI技术。它讨论了这些公司提高效率和创建更小、更专业的模型的方式。 该文章还强调了中国公司开发的AI应用数量不断增长。一些重要观点是，中国在AI专利申请方面处于世界领先地位，中国公司正在开发自己的芯片以减少对外国技术的依赖。 文章详细介绍了中国公司在AI领域取得的进展，包括： 开发了新的训练方法，例如使用更少的数据和更小的模型，以提高效率。 开发了自己的AI芯片，以减少对外国技术的依赖。 在应用AI到现实世界问题方面处于领先地位。 中国在AI领域取得的进展是其科技实力不断增强的体现。
