陳永偉/文 作為世界重要經(jīng)濟(jì)體之一的日本，在目前這輪各國競相參與的AI革命當(dāng)中幾乎是悄無聲息。我們基本看不到來自日本的AI模型——不僅是基礎(chǔ)大模型，就連應(yīng)用層的模型也很少。Open-Calm、Rinna等模型都是在日本AI業(yè)內(nèi)名列前茅的模型，但它們在評測中的表現(xiàn)甚至要遠(yuǎn)遜于OpenAI（開放人工智能公司）已經(jīng)過時的模型GPT-3.5。與之對應(yīng)地，日本似乎也沒有什么著名的AI企業(yè)，既無巨頭，也無特別出色的初創(chuàng)企業(yè)。這充分說明，日本確實在這一輪的AI革命中被其他的經(jīng)濟(jì)體遠(yuǎn)遠(yuǎn)拋在了身后。

事實上，日本在AI的發(fā)展史上很長時間內(nèi)都是一股舉足輕重的力量。早在二十世紀(jì)六七十年代，日本就已經(jīng)開始了對人工智能的探索，并取得了一系列令人矚目的成績。到二十世紀(jì)八九十年代，日本不僅在AI的應(yīng)用上實現(xiàn)了很多的突破，還提出了雄心勃勃的“第五代計算機(jī)”計劃。更重要的是，當(dāng)時幾乎整個AI學(xué)界都將深度學(xué)習(xí)視為異端，而日本保留著大量這個領(lǐng)域的人才，幾乎成了深度學(xué)習(xí)的最后堡壘。很多人都認(rèn)為日本將會引領(lǐng)之后的深度學(xué)習(xí)革命。

然而，在進(jìn)入新世紀(jì)之后，日本在AI領(lǐng)域的地位卻日漸下降。在深度學(xué)習(xí)革命在全球范圍內(nèi)風(fēng)起云涌之時，這個曾經(jīng)的深度學(xué)習(xí)堡壘卻異常安靜。直到今天，日本在新一輪的AI革命中，似乎還沒找到自己的位置。

那么，曾經(jīng)在AI領(lǐng)域領(lǐng)先的日本為何會失去過去的三十年？在這背后究竟有哪些值得我們借鑒的教訓(xùn)？在未來，日本的AI行業(yè)還有翻身的希望嗎？

尋路：二十世紀(jì)六七十年代

日本的AI發(fā)展史至少可以追溯到二十世紀(jì)六十年代。當(dāng)時，人工智能作為一個獨立的學(xué)科登上歷史舞臺還沒多久，關(guān)于這個學(xué)科應(yīng)該做什么、按照怎樣的方式發(fā)展，人們也還沒有任何的共識。盡管如此，單憑“創(chuàng)造類似人類智能”這個愿景，這個嶄新的學(xué)科就已足夠激動人心。剛剛從戰(zhàn)爭中恢復(fù)過來的日本很快就看到了該學(xué)科的巨大前景，并積極加入了對其進(jìn)行探索的行列。

二十世紀(jì)六七十年代日本在AI領(lǐng)域取得的重要成就主要表現(xiàn)在兩個方面：

一方面是機(jī)器人的研發(fā)和制造。日本之所以關(guān)注這一領(lǐng)域，主要是出于十分現(xiàn)實的考慮。作為“二戰(zhàn)”的發(fā)動者和戰(zhàn)敗國，日本在戰(zhàn)爭中損失了大量的人口，并造成了人口結(jié)構(gòu)的扭曲。這導(dǎo)致當(dāng)時的日本人口相對不足。隨著經(jīng)濟(jì)的恢復(fù)，日本對勞動力的需求暴增，這就使得就業(yè)市場出現(xiàn)了嚴(yán)重的供不應(yīng)求。

恰好，美國的萬能機(jī)公司（Unima－tion）在1960年研發(fā)出了世界上第一臺工業(yè)機(jī)器人，這讓日本認(rèn)識到用機(jī)器人來緩解勞動力不足的可能。起初，日本主要是從美國進(jìn)口機(jī)器人。1968年，日本的川崎重工業(yè)集團(tuán)（下稱“川崎”）從萬能機(jī)公司獲得了生產(chǎn)許可證，開始了自行生產(chǎn)。一開始，由于缺乏相關(guān)的經(jīng)驗，川崎生產(chǎn)的機(jī)器人毛病很多，但日本的工程師的學(xué)習(xí)和改進(jìn)能力非常強(qiáng)，不久后，川崎生產(chǎn)的機(jī)器人性能就已經(jīng)超過了萬能機(jī)公司自己的產(chǎn)品。在川崎之后，很多日本企業(yè)也陸續(xù)投入到了機(jī)器人的研發(fā)和制造中來。到二十世紀(jì)七十年代初，日立、東芝、松下等企業(yè)都有了自己的機(jī)器人業(yè)務(wù)，相關(guān)的配套網(wǎng)絡(luò)也逐步成長起來。

在工業(yè)機(jī)器人領(lǐng)域站穩(wěn)腳跟之后，日本人又將眼光瞄向了更為復(fù)雜的人形機(jī)器人。1973年，日本早稻田大學(xué)成功制造出人形機(jī)器人WABOT-1。不同于那些只能完成固定任務(wù)的工業(yè)機(jī)器人，WABOT-1由肢體控制系統(tǒng)、視覺系統(tǒng)和對話系統(tǒng)組成，它不僅可以模仿人類行動，根據(jù)周圍環(huán)境做出反應(yīng)，甚至還能與人進(jìn)行簡單的語言交流。可以想象，在那個時代，這款產(chǎn)品是具有相當(dāng)震撼效應(yīng)的。

另一方面是對早期神經(jīng)網(wǎng)絡(luò)理論的探索。1958年，康奈爾大學(xué)教授弗蘭克·羅森布拉特（FrankRosenblatt）發(fā)明了一個名叫“感知機(jī)”（Perceptron）的早期神經(jīng)網(wǎng)絡(luò)模型，并用它成功完成了識別手寫字母的任務(wù)。雖然“感知機(jī)”的成功在相當(dāng)程度上向人們展示了神經(jīng)網(wǎng)絡(luò)的應(yīng)用前景，但圍繞著它的爭論也隨之而來。在關(guān)于它的眾多質(zhì)疑中，參數(shù)調(diào)整是十分重要的一個質(zhì)疑。我們知道，神經(jīng)網(wǎng)絡(luò)性能的優(yōu)劣幾乎完全取決于其模型的參數(shù)，但由于模型的運(yùn)作本身是一個黑箱，所以人們想通過調(diào)整參數(shù)來優(yōu)化模型性能將變得十分困難。尤其是當(dāng)模型參數(shù)越來越多、模型層數(shù)越來越大時，其困難將呈幾何級數(shù)上升。事實上，也正是因為在很長一段時期內(nèi)人們都沒能找到處理這個問題的方法，所以當(dāng)時的大部分AI學(xué)者都放棄了這個技術(shù)路徑，轉(zhuǎn)投了當(dāng)時更為熱門的符號主義。

不過，就在大部分學(xué)者將神經(jīng)網(wǎng)絡(luò)棄之如敝屣時，一些日本學(xué)者則矢志不渝地對此進(jìn)行持續(xù)研究。其中，貢獻(xiàn)最大的兩位學(xué)者有兩位：一位是甘利俊一（Shun-ichiAmari）。1967年，他提出了“隨機(jī)梯度下降法”（StochasticGradientDescent，簡稱SGD）。這個方法每次在訓(xùn)練數(shù)據(jù)集上選擇一個樣本或者一小批樣本進(jìn)行模型訓(xùn)練，通過對損失函數(shù)計算梯度，按照負(fù)梯度方向?qū)δＰ蛥?shù)進(jìn)行更新。這一方法的提出，為破解神經(jīng)網(wǎng)絡(luò)的調(diào)參問題提供了有力的思路。多年以后，辛頓（GeoffreyHinton）提出了“反向傳播算法”（Backpropagation）來訓(xùn)練模型，而其最初的靈感就是來自SGD。另一位學(xué)者則是福島邦彥（Ku－nihikoFukushima）。他的主要貢獻(xiàn)在于對神經(jīng)網(wǎng)絡(luò)架構(gòu)的探索。他于1979年提出，并在1980年實現(xiàn)的“神經(jīng)認(rèn)知機(jī)”（Neocognitron）模型就是后來“卷積神經(jīng)網(wǎng)絡(luò)”（ConvolutionalNeuralNet－works,CNN）的雛形。

豪賭：二十世紀(jì)八九十年代

到了二十世紀(jì)八十年代，符號主義的觀點成了AI領(lǐng)域公認(rèn)的主流。符號主義認(rèn)為人類認(rèn)知和思維的基本單元是符號，而認(rèn)知過程就是在符號表示上的一種運(yùn)算。因此，要實現(xiàn)人工智能，就必須模擬這種符號運(yùn)算。最初，符號主義者們主要致力于探索用符號進(jìn)行知識表示，并通過演繹來進(jìn)行推理。而到了二十世紀(jì)八十年代，愛德華·費吉鮑姆（EdwardA.Feigenbaum）開始將領(lǐng)域知識和符號推理聯(lián)系了起來，從而形成了一套被稱為“專家系統(tǒng)”的技術(shù)路徑。

什么叫“專家系統(tǒng)”呢？通俗地說，它是一種模擬人類專家解決領(lǐng)域問題的計算機(jī)程序系統(tǒng)。這種系統(tǒng)有大量領(lǐng)域?qū)＜宜降闹R與經(jīng)驗，并能夠根據(jù)系統(tǒng)中的知識與經(jīng)驗進(jìn)行推理和判斷，模擬人類專家的決策過程，從而解決那些復(fù)雜的問題。當(dāng)一個專家系統(tǒng)包含的知識庫越大時，它可以解決的問題就越多，能力也就越強(qiáng)大。而為專家系統(tǒng)準(zhǔn)備知識的過程就被稱為“知識工程”。

與“深度學(xué)習(xí)”（DeepLearning）相比，“專家系統(tǒng)”在知識獲取上有很大的不同。“專家系統(tǒng)”的知識需要人來輸入，因而“知識工程”的主體是人，而“深度學(xué)習(xí)”則是由計算機(jī)通過神經(jīng)網(wǎng)絡(luò)來自行學(xué)習(xí)，因而它更多是機(jī)器自己在學(xué)習(xí)。雖然從直觀上看，讓人來輸入知識顯然不如讓機(jī)器自己學(xué)習(xí)來得方便，但在當(dāng)時的技術(shù)條件下，人們還沒有找到調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)參數(shù)的良方，算力上也不充足，因而“深度學(xué)習(xí)”幾乎無人問津，而“專家系統(tǒng)”則獨領(lǐng)風(fēng)騷。

很快，“專家系統(tǒng)”對AI領(lǐng)域的全面統(tǒng)治也蔓延到了日本。但與美國不同的是，這個過程在日本是以一種政府主導(dǎo)的方式完成的。

從二十世紀(jì)七十年代開始，經(jīng)濟(jì)實力迅速膨脹的日本就嘗試運(yùn)用國家主導(dǎo)的方式對一些關(guān)鍵的技術(shù)領(lǐng)域進(jìn)行攻關(guān)，從而一舉搶占全球技術(shù)的制高點。起初，日本用這種方式取得了一系列的成功，其中最經(jīng)典的案例就是在動態(tài)隨機(jī)存取存儲器（DRAM）的研發(fā)過程中實現(xiàn)了巨大突破，從而讓日本成了當(dāng)時世界上最為領(lǐng)先的芯片大國。在實現(xiàn)了這些勝利后，日本政府立即將目光瞄向了當(dāng)時炙手可熱的計算機(jī)行業(yè)，試圖搶在美國和歐洲之前開發(fā)出“第五代計算機(jī)”。

所謂第五代計算機(jī)，來自當(dāng)時流行的對計算機(jī)發(fā)展階段的一種劃分方法。最初，這種方法的階段劃分依據(jù)主要是計算機(jī)采用的電路工藝。按此標(biāo)準(zhǔn)，第一代計算機(jī)使用的主要是電子管，第二代計算機(jī)使用的是晶體管，第三代計算機(jī)使用的是集成電路，第四代計算機(jī)使用的則是超大規(guī)模集成電路。

日本通產(chǎn)省于1978年委托時任東京大學(xué)計算機(jī)中心主任的元岡達(dá)（TohruMoto-Oka）對第五代計算機(jī)進(jìn)行探索。1981年，元岡達(dá)向通產(chǎn)省提交了一份長達(dá)89頁的報告。報告認(rèn)為：第五代計算機(jī)可能并不是被硬件工藝的突破定義，而是被體系架構(gòu)和軟件的創(chuàng)新定義。通過軟硬件的結(jié)合，第五代計算機(jī)應(yīng)該能像人一樣與用戶進(jìn)行交互。在當(dāng)時的技術(shù)條件下，這種未來的新型計算機(jī)應(yīng)該是一個搭載著巨大的知識庫的硬件化專家系統(tǒng)。

如今看來，元岡達(dá)的觀點實在是過于超前了——事實上，他對于第五代計算機(jī)的展望就是現(xiàn)在各大巨頭們正在競相嘗試的AIPC（人工智能電腦）。但在那個日本自信心爆棚的年代，它立即得到了通產(chǎn)省的認(rèn)可。通產(chǎn)省很快就決定牽頭啟動第五代計算機(jī)的開發(fā)工作。

不過，在這一切開始前，還需要解決一個棘手的問題，即第五代計算機(jī)應(yīng)該采用什么架構(gòu)。在元岡達(dá)的報告中，他提出了六種先進(jìn)的架構(gòu)：邏輯程序機(jī)、函數(shù)機(jī)、關(guān)系代數(shù)機(jī)、抽象數(shù)據(jù)類型機(jī)、數(shù)據(jù)流機(jī)，以及基于馮諾依曼機(jī)的創(chuàng)新機(jī)。對于這六種架構(gòu)，學(xué)界和業(yè)界都已經(jīng)有了一些探索。其中，函數(shù)機(jī)的探索是相對來說最成熟的。比如，初創(chuàng)公司Symbolics已經(jīng)在函數(shù)機(jī)上取得了不小的成就，它的軟件性能已經(jīng)可以比一般機(jī)器高出兩三倍。因此，當(dāng)時日本的不少專家也傾向于基于函數(shù)式編程語言LISP的函數(shù)機(jī)入手進(jìn)行突破。然而，以淵一博（KazuhiroFuchi）為代表的一些專家則力主攻關(guān)基于邏輯程序語言Prolog的邏輯程序機(jī)。關(guān)于淵一博為什么會堅持這一觀點，有一些解讀認(rèn)為，淵一博這么做其實是出于一個不足為外人道的原因：LISP是美國人提出的，而Prolog不是。因此，日本人為了實現(xiàn)“日本第一”的夢想，就不能沿著美國人的老路走。雖然這種觀點聽起來非常不理性，但聯(lián)想到時代背景，這又似乎是最合理的一種解釋。

最終，在淵一博等人的力主之下，基于Prolog的邏輯語言機(jī)被確立為了日本認(rèn)定的第五代計算機(jī)的方向。隨后，日本通產(chǎn)省聯(lián)合幾大公司，一起成立了第五代計算機(jī)研究所（InstituteofNew GenerationComputerTechnolo－gy），并任命淵一博為該所的所長，統(tǒng)一協(xié)調(diào)研發(fā)事宜。淵一博從當(dāng)時的各大公司和研究機(jī)構(gòu)抽調(diào)了40位精干技術(shù)人員，號稱“四十浪人”來進(jìn)行具體研發(fā)。為了對項目提供有力支持，通產(chǎn)省計劃在十年內(nèi)投入四億五千萬美元的資金，同時由參與項目的公司也提供對應(yīng)資金進(jìn)行配套。

為了開發(fā)第五代計算機(jī)，日本幾乎是動用了舉國之力。在這一政策的影響之下，這個時代的日本AI界也自覺地團(tuán)結(jié)到了為這一目標(biāo)服務(wù)的隊伍中來。很自然地，專家系統(tǒng)成了日本AI界當(dāng)仁不讓的技術(shù)路徑。那么，日本的這場豪賭成功了嗎？答案是否定的。

盡管在日本政府的熱捧之下，第五代計算機(jī)的概念看似很熱，相關(guān)的研討會不斷，論文層出不窮，但真正的技術(shù)研發(fā)卻舉步維艱。這一點很大程度上是由專家系統(tǒng)的特性決定的。如前所述，專家系統(tǒng)要足夠強(qiáng)大，就必須進(jìn)行龐大的知識工程。而為了保證輸入了這些知識的計算機(jī)可以和人實現(xiàn)自然交互，還需要對交互的規(guī)則進(jìn)行明確的設(shè)定。至少在那個時代，這是非常困難的。在現(xiàn)實中，一個詞、一句話可能有各種不同的意思，機(jī)器應(yīng)該采取哪種意思，要視情境而定。對于邏輯語言來說，每一個情景的規(guī)定，就是一個邏輯前提。因此，要用這種語言來實現(xiàn)自然語言，其需要加入的邏輯規(guī)則將是海量的，而再要機(jī)器根據(jù)相關(guān)的知識輸出用戶需要的內(nèi)容，則更是難上加難，技術(shù)上根本無法實現(xiàn)。與此同時，日本經(jīng)濟(jì)高歌猛進(jìn)的勢頭也急轉(zhuǎn)直下，日本政府也不再有充足的實力來支持項目。最終，在提出了一些并不成功的樣機(jī)之后，日本的第五代計算機(jī)項目以失敗告終。

第五代計算機(jī)項目的失敗對于日本AI界來說是巨大的打擊。它不僅讓巨額的研發(fā)經(jīng)費付諸東流，更是把整個AI界都帶偏了方向。本來，日本在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方面有很強(qiáng)的底蘊(yùn)，但在全面為第五代計算機(jī)服務(wù)的背景下，全社會的資源都在向?qū)＜蚁到y(tǒng)這一路徑傾斜，甚至連福島邦彥這樣的大佬都很難申請到需要的經(jīng)費。日本在神經(jīng)網(wǎng)絡(luò)上的優(yōu)勢開始逐漸消退。

掉隊：二十一世紀(jì)

深度學(xué)習(xí)的淵源幾乎可以追溯到AI學(xué)科創(chuàng)立之初，“感知機(jī)”等模型就是其先驅(qū)。然而，因為技術(shù)條件的限制，這一支技術(shù)路徑一直處于邊緣狀態(tài)。甚至連辛頓這樣的頂尖學(xué)者很長時間都只能坐冷板凳。

2006年，命運(yùn)的齒輪發(fā)生了轉(zhuǎn)動。那一年，辛頓和其學(xué)生西蒙·奧辛德羅（SimonOsindero）發(fā)表了一篇重要的論文《一種深度置信網(wǎng)絡(luò)的快速學(xué)習(xí)算法》（A FastLearningAlgorithm forDeepBeliefNets），建議利用GPU（圖形處理器）來提升訓(xùn)練神經(jīng)網(wǎng)絡(luò)的速度。這篇論文的發(fā)表，讓很多人認(rèn)識到用GPU來突破算力瓶頸的可能性，因而神經(jīng)網(wǎng)絡(luò)研究在沉寂多年后，終于重新迎來了生機(jī)。為了讓人們擺脫對這個學(xué)科的成見，辛頓還專門為這類研究重新起了一個名字，“深度學(xué)習(xí)”的大名就由此而來。

到2012年，深度學(xué)習(xí)終于向全世界展示了自己的力量。那年，一個名叫AlexNet的神經(jīng)網(wǎng)絡(luò)模型以 15.3%的低錯誤率贏得了ImageNet大規(guī)模視覺識別挑戰(zhàn)賽。這個成績，足足比之前的錯誤率紀(jì)錄降低了一半。這讓整個AI界認(rèn)識到，隨著算力瓶頸的突破，或許深度學(xué)習(xí)才是未來AI的發(fā)展方向。于是，大批的資本、人才都開始涌入這個領(lǐng)域，而這個領(lǐng)域也迎來了爆發(fā)性的增長。2016年，基于深度學(xué)習(xí)的AlphaGo模型就擊敗了人類頂尖的圍棋選手。2017年，Transformer架構(gòu)又橫空出世，基于這一架構(gòu)，人們開始了生成式AI模型的研發(fā)。而幾年之后，ChatGPT（OpenAI聊天機(jī)器人）又進(jìn)一步引領(lǐng)了生成式AI革命。毫不夸張地說，在過去的十幾年中，深度學(xué)習(xí)簡直是在帶領(lǐng)整個AI界一路狂奔。

在這段時間內(nèi)，日本發(fā)生了什么呢？正如我們之前看到的，其實日本在很早就有深厚的神經(jīng)網(wǎng)絡(luò)研究底蘊(yùn)，像甘利俊一、福島邦彥等學(xué)者都是這個領(lǐng)域當(dāng)之無愧的先驅(qū)。事實上，在二十世紀(jì)八十年代，當(dāng)幾乎全世界都拋棄了神經(jīng)網(wǎng)絡(luò)之時，還有不少日本學(xué)者堅持做這方面的研究。據(jù)“深度學(xué)習(xí)革命三杰”之一的楊立昆（YannLeCun）回憶，1988年他構(gòu)思“卷積神經(jīng)網(wǎng)絡(luò)”（Con－volutionalNeuralNetworks,CNN）時，能夠查到的文獻(xiàn)幾乎都是日本人寫的。然而，正是這樣一個神經(jīng)網(wǎng)絡(luò)底蘊(yùn)深厚的國家，在深度學(xué)習(xí)革命到來之時，卻出現(xiàn)了相關(guān)人才青黃不接的現(xiàn)象。全國押注第五代計算機(jī)帶來的導(dǎo)向作用很可能是一個關(guān)鍵原因。畢竟，在研究專家系統(tǒng)的收益肉眼可見地高于神經(jīng)網(wǎng)絡(luò)時，誰又會選擇這樣一個冷門專業(yè)呢？而當(dāng)?shù)谖宕嬎銠C(jī)的夢想在二十世紀(jì)九十年代最終破裂后，日本干脆削減了對整個AI學(xué)科的資金扶持，這就導(dǎo)致了最優(yōu)秀的人才根本不愿意進(jìn)入這個領(lǐng)域。

日本的背運(yùn)還不止于此。本來，在日本的經(jīng)濟(jì)實力如日中天之時，很多日本企業(yè)曾到美國開辦實驗室，它們曾在當(dāng)?shù)卣袛埡蛢溥^大批的AI人才。其中，最有代表性的就是NECLab，它由著名的日本電氣株式會社（NipponElectricCompany，NEC）于1988年在硅谷成立。曾經(jīng)，包括楊立昆、瓦普尼克（VladimirVapnik）、伯托（LeonBot－tou）、龔怡宏等在深度學(xué)習(xí)領(lǐng)域舉足輕重的人物都曾經(jīng)供職于NECLab。然而，這些人才一個也未能被日本所用，而是先后出走，為美國和中國的深度學(xué)習(xí)事業(yè)作出了巨大的貢獻(xiàn)。之所以會有這樣的結(jié)果，一是由于NECLab本身的導(dǎo)向有誤，只重理論，不重現(xiàn)實，這讓本應(yīng)高度與實踐結(jié)合的AI人才毫無用武之地。二是它的管理十分僵化。比如楊立昆就因去普林斯頓大學(xué)講學(xué)未經(jīng)報備而遭到了實驗室領(lǐng)導(dǎo)的批評。在這種情況下，NECLab當(dāng)然就很難留住人才。

國內(nèi)人才斷層，國外人才又留不住，這些原因加在一起，就導(dǎo)致了日本在深度學(xué)習(xí)高歌猛進(jìn)之時，完美地錯失了這次革命。盡管這幾年，日本政府已經(jīng)發(fā)現(xiàn)了問題，開始嘗試用政策鼓勵A(yù)I的發(fā)展。“冰凍三尺非一日之寒”，至少到目前為止，這個曾經(jīng)的未來科技大國仍然在最近的生成式AI大潮中處于一個可有可無的位置。

迷思：日本的AI發(fā)展還有戲嗎？

日本究竟還有沒有機(jī)會成功實現(xiàn)逆襲，重新成為AI大國呢？在我看來，機(jī)會依然是存在的。實際上，盡管日本現(xiàn)在在基礎(chǔ)AI模型和應(yīng)用上都暫時處于全面落后狀態(tài)，但它的歷史積累決定了它在應(yīng)用層面是具有相當(dāng)潛力的。

日本AI發(fā)展的一個可能方向是具身AI。通俗地說，就是將AI智能體（AIAgent）與機(jī)器人結(jié)合起來，讓機(jī)器人能夠和人交流，并按照人的指示完成復(fù)雜的任務(wù)。從歷史看，日本在機(jī)器人領(lǐng)域的積累非常深厚。正如我們前面看到的，從二十世紀(jì)七十年代起它就開始了人形機(jī)器人的探索。直到最近，它在這個賽道依然保持著相對領(lǐng)先的地位。比如，本田的阿西莫（ASIMO）機(jī)器人就廣受市場贊譽(yù)，但從性能上看，它的表現(xiàn)甚至好于比它晚出很多年的類似產(chǎn)品（不過，它也有其弱點，就是實在太貴了）。可以想象，如果將一個類似GPT的模型植入到這樣的機(jī)器人中，它的表現(xiàn)將會非常驚艷，其市場空間也十分可期。當(dāng)然，除了制作這樣高端的機(jī)器人之外，日本還可以利用其先進(jìn)的機(jī)器人技術(shù)開發(fā)一些玩具級別的機(jī)器人，并讓它們搭載AI。這樣的產(chǎn)品，或許可以有很好的銷路。

另一個可能方向是行業(yè)大模型。現(xiàn)在，主要的AI企業(yè)大多是在開發(fā)通用大模型方面競爭，但其實市場上真正的需求卻是行業(yè)專用的大模型。不過，到目前為止，行業(yè)大模型的發(fā)展并不算好，究其原因，就是現(xiàn)在的AI企業(yè)在行業(yè)層面的積累都太少，相關(guān)的數(shù)據(jù)積累十分缺乏。日本由于過去在專家系統(tǒng)領(lǐng)域的押注巨大，有很多行業(yè)知識庫的積累。如果可以將專家系統(tǒng)與現(xiàn)在的生成式AI模型進(jìn)行有機(jī)的結(jié)合，那么其開發(fā)出的行業(yè)大模型的性能可能會相當(dāng)好。

一旦有日本的AI企業(yè)率先從類似的領(lǐng)域發(fā)起突圍，并真正實現(xiàn)了盈利，那么日本全社會對AI興趣的低迷就會被扭轉(zhuǎn)，人才也會陸續(xù)重新回到這個領(lǐng)域。加之相關(guān)政策的支持，以及之前積累的技術(shù)根底，日本未必不能在一個相對較短的時期內(nèi)重新成為一個AI大國。

結(jié)語

日本在神經(jīng)網(wǎng)絡(luò)研究上起步很早，積累很深，但倒在了“深度學(xué)習(xí)革命”的黎明前。縱向產(chǎn)業(yè)政策的扭曲作用不容忽視。在AI這樣一個技術(shù)路徑多元，各條技術(shù)路徑之間競爭激烈的行業(yè)，要預(yù)測哪一條路徑會最終勝出是極為困難的。尤其是在“范式轉(zhuǎn)換”作用的影響下，不同技術(shù)路徑的優(yōu)劣更是隨時可能發(fā)生逆轉(zhuǎn)。面對這樣的情況，用縱向產(chǎn)業(yè)政策去選定一個技術(shù)方向扶持就幾乎是一場豪賭。一旦失敗，其成本將是巨大的。日本的教訓(xùn)是慘痛的。

如果當(dāng)年日本采用了橫向產(chǎn)業(yè)政策，一方面，對所有的技術(shù)路徑都給予一些支持，讓甘利俊一和福島邦彥們都有相對充足的經(jīng)費深入自己的研究。另一方面，通過政府的協(xié)調(diào)，將一些熱門領(lǐng)域的研究和機(jī)器人等日本傳統(tǒng)的優(yōu)勢結(jié)合起來。那么，今天日本的AI發(fā)展很可能是另外一番景象。