日本AI，老無所依

于野

2019年，有兩件事一直困擾著孫正義：軟銀的投資失敗，以及日本科技的落后。

面對媒體，孫正義痛心地說：“科技產業幾乎從日本消失了，我們正在成為一個被遺忘的國家。即將到來的AI革命，是日本重回牌桌最后的機會。”

隨著ChatGPT問世，孫正義的呼吁終于成為共識。然而，正當日本舉國動員，準備一腳油門闖入賽道時，卻發現了一個尷尬的事實：日本目前的AI研究，非常依賴以隔壁鄰居為首的老外。

RIKEN（理化學研究所）是日本唯一的國家級科研機構，頂級頭腦聚集地。湯川秀樹等日本諾獎得主，曾在這做過研究。然而，那些被收錄的RIKEN論文，近一半的作者都隸屬于國外大學，其中約一半的人來自中國。

本土無人可用，使得日本在生成式AI浪潮里，始終處于失語狀態。

然而，如若回溯歷史，會發現日本也曾是個“AI大國”。

20世紀八九十年代，日本一度是深度學習的中心。楊立昆、余凱、林元慶、賈揚清等載入科技史冊的泰斗級人物，都曾在日本的AI實驗室度過一段青蔥歲月。

曾經攥著一手好牌的日本，為何會邁向老無所依的結局？

站在肩膀上前行

只要在日本生活工作，你就會發現很多應用程序和軟件的迭代速度非常慢，甚至沒有迭代。不僅軟件界面的設計有著和中美歐不一樣的審美，而且速度慢、容易卡頓，隨時有宕機的風險。

究其主要原因，是軟件被視為硬件的補充，不算是創新的努力方向。“不就是0和1的不同排序嗎？”這種思維彌漫在日本“產官學”的主流，更諷刺的是，老齡少子化進一步固化了這種思維，重硬輕軟的人依舊控制著“產官學”的話語權和預算權。

20世紀80年代，正在讀大學的楊立昆，被一群“瘋子”吸引了。

彼時，深度學習是個已被證偽的技術路線。然而，仍有一小撮人在死磕，其中就包括一批日本科學家。楊立昆發現，當時大部分的深度學習論文，都是日本研究人員用英文寫的。

其中，對他影響最大的，是一位名叫福島邦彥的日本人。

1980年，福島邦彥參照貓的視覺結構，設計了一個叫做“神經認知機”的多層網絡模型。

在生物的初級視覺皮層中，存在多個神經元，每個神經元只“掌管”一小部分視野。隨后，神經元收集到的信息會統一傳輸到視覺皮層，組合成完整的視覺圖像。

受此啟發，福島邦彥給神經認知機設計了兩個神經元，分別用來“提取圖形信息”和“組成圖形信息”。然而，福島邦彥的神經認知機存在一個致命問題：太超前了。

當時，主流的神經網絡只有1層，但神經認知機有足足5層。

面對多層設計帶來的種種問題，福島邦彥一時找不到解決辦法，導致神經認知機只能處理一些極其簡單的工作。

直到1986年，辛頓提出了“反向傳播算法”，這個問題才有了標準答案。

但若向前追溯反向傳播算法，會發現其源頭仍是日本人。20世紀60年代，日本數學家甘利俊一提出的“隨機梯度下降方法”，為其提供了技術靈感。只不過囿于特定時代，甘利俊一沒有條件在計算機上進行模擬驗證。

1988年，楊立昆打造出了大名鼎鼎的卷積神經網絡。直到今天，卷積神經網絡仍是圖像識別領域最重要的算法之一。

可見，這些定義一個時代的AI研究成果，都是站在日本科學家肩膀上實現的。

同一時期，日本的產業界拉開了更為激進的歷史篇章。

彼時，日本步入極度繁榮的泡沫經濟時代。大型企業紛紛為愛發電，自掏腰包搭建中央實驗室，發力基礎科學。其中，要數NEC（日本電氣股份有限公司）最為激進：它直接切入美國科技產業腹地，將實驗室開到了普林斯頓和硅谷。

財大氣粗的NEC實驗室，很快聚集了一大批日后響當當的人物。

西安交大軟件學院院長、教授龔怡宏，是第一個加入硅谷NEC實驗室的中國科學家。在他擔任實驗室主任時期，招募了一眾青年才俊。其中既有觸發科技巨頭競拍辛頓的余凱，也有林元慶、徐偉等活躍在中國AI產業一線的技術人才。

彼時，中國計算機產業剛剛起步，吸納不了那么多人才，硅谷NEC實驗室無縫承接了這個需求，并招攬了大批立志從事AI研究的科學家。

余凱接棒硅谷NEC實驗室主任一職后，又招募來了黃暢。當時，黃暢底下有一個名叫賈揚清的實習生。在NEC實驗室期間，賈揚清展露出了高超的數學和工程代碼能力，曾讓實驗室眾人堅信其日后必有所造詣。這種薪火相傳的孵化線，在林元慶接手硅谷NEC實驗室后仍在繼續。

可以說，歷史上沒有任何一家機構，能如NEC實驗室這般，擁有此等高手如林的班底。

余凱曾在媒體專訪中如此形容NEC實驗室巔峰時期的影響力：如果你在谷歌上搜索美國NEC實驗室，頁面會立刻彈出一句話：你要不要來谷歌工作？

然而鼎盛時期風光無兩的NEC實驗室，卻早已埋下了衰敗的草蛇灰線。

迷航

2002年，楊立昆剛在普林斯頓進行了一年的研究工作，NEC就開始施壓。

管理層毫不客氣地對楊立昆講，NEC對深度學習沒有一絲興趣，并順手解雇了當時的實驗室主任。這段經歷讓楊立昆對產業界徹底失望，跑回紐約大學當了老師。

NEC突然自毀長城，有兩個不容忽視的現實原因：

一是對AI失去了信心。彼時，無論是芯片算力，還是數據豐富程度，都遠不足以讓深度學習發揮其潛力。與此同時，“第五代計算機”項目的失敗，更是雪上加霜。

“第五代計算機”項目始于20世紀80年代，目標是打造AI驅動的超級計算機。

在日本的設想中，第五代計算機將具備回答問題、知識庫管理、圖像識別、代碼生成等功能。這個“領先時代40年”的項目，一度將美國嚇得不輕，立馬掏出補貼與日本競爭。

如此一拍腦袋的項目，結局可想而知。

1992年，五代機項目宣告破產。日本不僅白白浪費了數億美金，還把其他跟風的國家給忽悠了。一怒之下，人們將責任歸咎于AI。日后很長時間里，AI研究在日本如同過街老鼠，人人喊打。

其次，日本的中央實驗室模式，此時也出了問題。

日本企業對于NEC實驗室等中央實驗室的定位，是純粹的基礎科研機構。這種模式沒有與市場和產業接軌，只是盲目追求多拿幾個諾貝爾獎。這讓科學家們非常苦悶，內部時常調侃稱“反正做的東西也用不到產品上”。

因此，當經濟泡沫消失，日本進入新的低谷，毫無實際用處的實驗室，理所當然成了第一批“挨刀”的對象。

2009-2020年間，NEC多次進行大規模裁員，并大幅縮減研發經費。

在此階段，中美科學家們紛紛選擇自主創業或另擇良木而棲。

2012年，余凱受李彥宏邀請，領導百度的AI業務。在他的號召下，此前NEC Lab的同僚，也先后加入。

日本花大力氣點燃的AI火種，最終造就了今天中國AI的沖天火光。

2018年NEC第四次大裁員后，其美國實驗室的技術中堅力量，幾乎流失殆盡……

孤膽孫正義

日本AI高歌猛進的步調，隨著NEC美國實驗室的落寞戛然而止。

全球人工智能的歷史仍在繼續，就好像五代機項目從未存在過一樣；而曾經組建了全明星陣容的NEC實驗室，也漸漸被淡忘。在過去的三十年里，日本幾乎沒有在深度學習領域，留下任何痕跡。

不僅如此，日本還對深度學習留下了根深蒂固的偏見。

2016年AlphaGo擊敗了名將李世石，登上了全球科技新聞的頭版。這一年，中國誕生了528家AI企業，催生371起AI投融資。從科學家到VC，都熱情地談論著深度學習的潛力。然而，日本卻是另一番風景。

同年，日本產經省也舉辦了一場全國人工智能大會。有學者準備就深度學習提出兩個企劃案，卻被同席的學術研究者提醒，“如果名字里加上深度學習的話，估計就沒有人來聽了吧”。

這種裹足不前的態度，是日本AI如今無人可用的重要誘因。

唯一意識到問題的，正是軟銀集團的孫正義。

2017年，孫正義在推出全球最大的私募股權科技投資基金時，篤定地表示，該基金只會根據一項策略進行投資，就是AI。

接下來的幾年時間里，軟銀在AI領域的投資不可謂不激進。

光是在季度和年度報告中，孫正義提到“AI”的頻數就超過500次，并大手筆地為超過400家AI創業公司注入1 400多億美元資金。他甚至還在2020年胸有成竹地表示，史無前例的投資狂潮，將使軟銀成為主導AI革命的投資公司。

然而，孤掌難鳴。更尷尬的是，軟銀還押錯了寶。

據相關機構于2023年公開的數據，在26家估值超過10億美元的AI創業公司里，軟銀只投中了一家。

此外，孫正義雖然斥40億美元投資英偉達，卻在其股價暴漲前悉數拋掉，與近10倍的漲幅收益失之交臂。如果不是押中了ARM，孫正義的AI投資或將顆粒無收。

在ChatGPT引爆生成式AI熱潮的2023年，孫正義在股東大會上痛心疾首地表示，自2022年末以來他就一直在反省，“為自己犯了很多錯誤感到羞愧”，“哭了好幾天都停不下來”。

結語：

孫正義的眼淚，既是對軟銀頻頻押注失誤的悔恨，更是對日本AI產業的恨鐵不成鋼。

2019年時，孫正義曾不加掩飾地公開批判：在當前最重要的科技革命上，日本已變成了一個“后進國”，而使其不斷喪失競爭力的本質原因，是對進步的不貪婪。

這番言論，摻雜了不少情緒因素。實際上，這些都不是日本AI老無所依的根本原因。

深度學習從來都不是一場孤立的革命。

2012年，深度學習能夠爆發，其實有兩個先決條件：一是算力進化，當時英偉達所開發的GPU，已經初步能支撐起深度學習所需的算力；二是互聯網的全面鋪開，彌補了數據不足的問題。

集成電路、互聯網、云計算，隨著這些前置產業陸續成熟，深度學習才得以登上歷史舞臺。然而，這些產業，日本幾乎一個都沒有。

當年，在斯坦福教書的吳恩達想要進行大型圖像識別實驗，尚且有谷歌傾盡整個數據中心的算力，來成就他的The Cat Neurons項目。

然而，福島邦彥和甘利俊一卻沒有這么幸運。即便是如今的日本，也沒有任何一家民間公司，擁有訓練AI大模型所需的龐大算力。僅在政府主導的理化學研究所中，才能找到“富岳”這樣的超級計算機。

日本如果不能解決這個問題，其實發展AI的路很難走。但是這條路，和日本重硬件、輕軟件的現狀明顯相違背。這里，其實就是一個死結。