贏得馬拉松，而非短跑：《科技與大國崛起》作者Jeffrey Ding訪談

在過去幾年，美中之間的科技地緣政治競爭不斷升溫，兩國都認為要從這場「第四次工業革命」中勝出，重點在於：誰能夠在人工智慧的研發創新上搶佔先機。基於這個觀點，不少專家預測中國將挑戰、甚至取代美國的科技霸權地位。舉例來說，中方的國際關係學者金燦榮主張中國更有機會鎖定勝局；而美國國會組成的人工智慧國安委員會也警示，美國若未做好準備，恐將失去科技領導地位。

然而，華府新銳學者Jeffrey Ding不認同這些主流的觀點與預測。他在新書《科技與大國崛起》裡指出，真正決定大國權力興衰的，並不是誰支配了創新、誰第一個開發出ChatGPT，而是誰更能將AI創新進一步擴散到各產業部門的應用之中。長期來說，這類「基礎通用技術」的擴散才是帶動經濟成長的關鍵所在。

因此，Jeffrey Ding對美中AI競爭的前景有著不同的觀察。他認為比起中國，美國更有能力將AI應用擴散到不同產業，因而保有明顯的競爭優勢。但他也批評，美國當前的政策方針過度偏重防堵技術外流，反映出決策者仍執迷於維護短期的創新領先，卻沒有思考如何促進AI技術的全產業擴散，而這是一項嚴重的戰略錯誤。

簡言之，科技變革帶來的經濟實力消長，並非百米短跑，而是一場漫長的馬拉松。若要贏得這場長跑，Jeffrey Ding指出一個關鍵是源源不絕的AI人才供應。而在台灣，無論是國科會的「推動各產業導入生成式AI先期計畫」，或是台灣人工智慧學校的成立，都呼應了這項政策建議，藉由拓廣人才庫，來讓各個產業都有能力導入AI來提升經濟表現。

DSET長期關注AI治理與科技地緣政治背景下的經濟競爭與安全議題，常駐華府的賴又豪研究員為此特別前往拜訪Jeffrey Ding教授，聽取他對美中AI競爭的不同觀察，並交流台灣AI政策發展的可能方向。以下為訪談全文：

創新突破還是技術擴散？解讀大國競爭關鍵所在

賴又豪（賴）：在書中，你比較了兩種解釋科技變遷如何形塑經濟權力消長的典範，一個是「領頭羊產業」（leading-sector; LS）理論，另一種是「通用技術擴散」（general-purpose technology; GPT）理論。而你的基本主張是：真正決定大國經濟權力興衰的，並非少數領頭羊部門中的技術創新（innovation），而是通用技術能否擴散（diffusion）到各個產業、遍佈到不同部門的經濟活動之中。

在深入討論本書論點之前，能否先請您簡單介紹一下自己，以及撰寫這本書的初衷？特別是你為何開始關注科技變革與美中經濟競爭的相關議題？

Jeffrey Ding（Ding）：當然，我是在牛津大學念碩士時開始對這個領域產生興趣的。那時候我同時在人工智慧治理中心（Centre for the Governance of AI）實習，聚焦研究中國的人工智慧發展，也因此我的研究興趣開始圍繞著美中在新興科技領域的競爭。而當我繼續在牛津攻讀博士時，我注意到有很多關於哪個國家將成為AI領跑者的臆測，但這些猜測大多是毫無根據的。這讓我想要深入探究過往幾次技術革命的歷史，以及它們如何影響大國的興衰，看看能否從中獲得一些啟示，來協助我們理解當代的AI競爭。

賴：瞭解，你在牛津的求學經驗就是這本書的起點。我接著想釐清這本書中的一些基本概念。你能否簡單解釋所謂的「領頭羊產業」和「通用技術」是什麼意思？如何區分這兩個概念？如果套用到AI上，你認為AI是一種領頭羊產業還是通用技術？或著它兩者皆是？

Ding：如你提到的，書中探討的兩個機制，一個是領頭羊產業理論（LS theory），另一個則是通用技術擴散理論（GPT diffusion theory）。我將領頭羊產業定義為在關鍵技術突破之後出現且快速成長的新興產業，歷史上一些典型案例包括鋼鐵業或汽車產業等。至於通用技術，我則把它定義為非僅限於單一部門或產業的基礎技術變革，因為它們有潛力擴散並遍佈到無數個經濟部門。通用技術的過往案例包括電力、蒸汽機和電腦等。

所以當談到AI時，我認為要理解這兩個理論的差異，重點反倒不是去歸類AI是先驅產業還是通用技術，而在於這兩個理論對AI如何重塑強權之間的經濟競爭，提出了不同的解釋。LS理論認為，這一切取決於誰可以壟斷AI產業的創新突破，並強調創新帶來的早期機會窗口，以及誰能利用這個短暫的時間窗口，藉由領頭羊產業來帶動深遠的影響。

相較之下，GPT擴散理論則認為，從經濟競爭中勝出的關鍵，更多在於誰有辦法在整個經濟部門中大規模採用並擴散AI技術。而從歷史上來看，通用技術的擴散往往需要數十年的時間。也因此，壟斷技術的創新並非重點所在，事實上也沒有任何國家有辦法壟斷所有通用技術的創新。總之，針對各國如何利用新興科技來實現經濟領先地位，這兩個理論給出了相當不同的路徑或機制解釋。

賴：所以如果正確理解你的論點，區辨AI是領頭羊部門還是通用技術並不那麼重要。即使AI本身確實是個快速崛起的產業，我們真正該關注的是怎麼讓它進一步擴散到其他部門，因為AI是這個時代的通用技術。我想確認一下，你認為AI就是這個時代的GPT嗎？

Ding：我不會去說AI一定是或著不是這個時代的通用技術，因為我認為很難正確預測哪些技術變革將是最有影響力的。要是我們在20年前進行這次對話，那麼討論的可能不會是AI，而是奈米科技。但我確實認為有一些證據表明AI正在成為這個世代的通用技術。譬如有研究顯示，機器學習的專利受到其他多種不同的專利技術領域所引用，但相較之下，引用區塊鏈技術或生物科技專利的技術類別則較為狹窄。這顯示出比起其他可能的通用技術，AI技術擁有範圍更加廣泛的應用潛能。

賴：瞭解，所以雖然無法百分之百肯定AI就是當代的通用技術，但可以說這個可能性是相當高的。能否請你進一步解釋LS理論和GPT擴散理論的不同之處？以及他們如何理解經濟實力的消長？

Ding：LS理論關注哪個國家可以在快速成長的新興產業中壟斷創新，因此它強調，各國採行的制度適應（institutional adaptations）策略應該要有助於他們在這些新興產業中建立市場支配地位。這包括能否確保關鍵技術不會外洩到他國；能否吸引到最頂尖、最聰明的該產業人才；還有能否設置最好的研究機構、最前沿的研發實驗室等等。

不過對於GPT擴散理論來說，因為關鍵在於哪個國家可以更加廣泛地採用並擴散通用技術到全產業之中，而這個過程往往必須歷時數十年之久，因此更重要的是哪個國家可以創建制度，來持續培育與該通用技術相關的廣泛人才庫。

如何促進技術擴散？AI人才培育的重要性

賴：所以這兩個理論在很多面向上都是不同的，包括觀照的時間維度、技術應用的範圍與廣度、以及相應的制度整備策略等等。那為什麼你認為GPT擴散理論更能夠解釋科技變革與經濟實力的消長？

Ding：我在這本書中回顧了過往三次產業革命，追溯了每個時期的新科技如何實際影響經濟領導地位的興衰。所以我檢視了第一次工業革命，那時英國毫無疑問的是經濟上的領導者。然後我分析了從1870年到1913年間，美國在第二次工業革命中的崛起。最後，我也探究了日本在1980年代資訊革命期間對美國的挑戰。

在這三次產業革命期間，我發現真正關鍵的解釋因素並非哪個國家在創新上掌握了領先地位，或是壟斷了領頭羊產業中的所有創新突破。歷史證據更大程度上支持的是GPT擴散理論。在某些案例，譬如第二次工業革命時期的美國，它甚至遠遠沒有居於這些新興產業技術創新的中心，但重點在於，它在採用當時的關鍵通用技術上取得了更大的成功，這包括可互換零件的製造以及電力的大規模應用等等。

賴：你可以稍微多談談第三次工業革命的案例研究嗎？我記得在你的書中針對當時的美日競爭有許多細膩的討論。

Ding：有關美國和日本的案例真的很有趣。在1960、70到80年代，每個人都預測日本最終會成為世界第一的經濟強權與科技領導者，這部分導因於LS理論的假設，因為他們看到日本在消費電子產品、半導體零組件與高畫質電視等新興行業中都掌控了關鍵的市場佔有率。但當我回顧這個案例時，我發現日本之所以最終並未取代美國的經濟領導地位，是因為日本從未能夠在當時的關鍵通用技術，亦即電腦的跨部門擴散上取得優勢。這更加符合GPT擴散理論的觀點。

賴：雖然你對歷次產業革命的案例分析更加映證GPT擴散理論，但我在想，還沒有細讀本書的人可能仍然會覺得這樣的觀點在AI時代有點反直覺。舉例來說，生成式AI技術的成熟僅僅只是兩年前的事，但它一經問世，就讓每個人都能感受到日常生活的方方面面再也不一樣了，同時也帶來許多產品與服務的變革。所以，我想有些人會好奇的是，追求在新興產業中的關鍵技術創新，是否真的如你所說的沒有那麼重要？ 

Ding：我是這麼想的，真正重要的問題是生成式AI如何影響各國的經濟成長差異。因為當我們在談論生成式AI的發展時，事實上不只是美國開發了這些大型語言模型，中國也已在這個領域迅速跟進，而法國、阿拉伯聯合大公國等國家也都開發了相當強大的模型。再者，我們應該關注的影響並非僅是人們日常生活中的使用，而是這項技術如何被採納並應用到各項經濟活動之中，我認為這還有很長的一段路要走，而且不只是美國，其他國家也有可能成為這項技術在應用擴散上的領導者。

賴：明白了，那麼我們應該如何評估一個國家在擴散通用技術上的能力？你在書中強調技能基礎建設（skill infrastructure），這對於把通用技術擴散到全產業來說是一個重要的條件。根據你的理論，我們應該透過什麼樣的指標或因素，來預測不同國家在擴散通用技術時的優劣勢？

Ding：我的理論主要關注涉及技能形成（skill formation）的相關制度結構，這包括教育以及培訓（training）系統，他們擴大了與通用技術相關的工程人才基礎。我專注在這個面向，是因為人才和人力資本會外滲到所有其他可能的機構當中。而我認為工程技能（engineering skills）在通用技術的應用與擴散上扮演了非常重要的角色，因為這類工程知識有助於標準化和系統化與通用技術相關的know how，這使得在通用技術部門和其他嘗試吸收該通用技術的不同應用部門之間， 資訊的相互流通變得更加容易。

賴：在人才與技能的面向外，你認為還有沒有哪些值得一提的重要制度性因素？

Ding：當然，我認為還有很多其他因素。譬如有一些研究表明，對科學和技術發展採取更加去中心化（decentralized）的取徑有助於新技術的擴散。還有一些研究指出，在一個更具備競爭性的環境當中，因為大企業的支配地位較弱，從而能讓技術更有效地傳播。但在這本書中我只專注於分析這一整套有關技能形成的機構與制度因素。

賴：那針對技能基礎建設的部分，你是運用什麼樣的指標來做判斷？什麼指標能有助於我們理解一個國家的技能基礎建設有多充足？

Ding：我使用的其中一個指標，是在一個國家之中，能夠訓練出符合一定水準的軟體或AI工程師的大學機構數量，這是一個指標。另一個指標則是大學機構和產業之間的連結強度，亦即產學間的交流與連結是否足夠強大，而能讓研發創新的成果源源不絕地從研發端傳遞到應用端。原則上這些就是我使用的一些重要指標。

賴：我想到台灣在2017年成立了台灣人工智慧學校。它不是大學，而是一個非營利的基金會，目標是協助台灣各個產業的AI應用，而做法正是你強調的人才培育。人工智慧學校特別針對本來就在特定產業或領域的專業人員，培訓他們習得AI技能，再由他們將AI導入自身產業與解決該產業面臨的問題。我提出這個例子，是因為像這樣的組織為擴大AI人才庫做出重要的貢獻，但似乎無法被以大學機構為主的指標所涵蓋。

你怎麼看待這些在大學以外的機構，像是非營利組織、社區大學等在培訓AI人才上扮演的角色？

Ding：確實，我認為要跨國衡量這些類型的機構是比較困難的，但毫無疑問他們對發展AI的技能基礎建設非常重要，這些培育更廣泛AI人才庫的非傳統途徑同樣是重要的，譬如你提到的台灣人工智慧學校或是社區大學等等都提供了重要的替代途徑。不過，雖然以大學為核心的衡量指標並不完美，這仍然是一個有用的指標。

美中AI競爭：勝出關鍵為何？

賴：讓我將視角拉遠一點，來談談美國與中國。依照你在書中的評估，美國似乎享有更大的優勢來在與中國的AI競爭中勝出，這與許多人的預測或警示很不一樣。你能分享一下你怎麼看待當前美中的AI競爭與可能的前景嗎？

Ding：我確實認為比起中國，美國享有更大的優勢來在這波產業革命中將AI採納並擴散到整體經濟活動之中。我們可以回到剛才討論的一些衡量標準，譬如有關能夠訓練平均水準的AI工程師的大學機構，在中國只有29所大學符合我在書中所界定的基準，但相較之下美國有多達159所這樣的高教機構。所以說，在一線頂尖大學譬如清華、北大、南京大學之外，中國並沒有那麼深的機構儲備來培育AI工程人才，並將AI應用到各個不同的經濟部門。另一方面，美國的學術與產業界之間的連結也更好、更緊密，這也有利於其將技術移轉到不同的產業部門之中。

賴：你能否進一步分享你對這兩個國家當前的科技政策的看法？它們的重點是什麼，這些政策如何增強或削弱它們的經濟競爭力？另外，你認為美國選舉結果將會如何影響它未來的AI政策走向？

Ding：首先，我認為美國和中國都醉心於LS理論導向的科技競爭策略。在美國，當前行政部門的諸多政策都聚焦在防堵有關AI的關鍵核心技術外流，採取一種「堡壘美國」（fortress America）式的政策取徑。中國也差不多，非常專注於將AI視為戰略性產業，著重AI領域的自給自足、鼓勵技術自主。中國也非常著重AI技術的前沿研發，而不是我所強調的基於人才培育和擴散導向的政策取徑。

因此，我對這兩個國家乃至任何國家的建議是，政策上應該更加著重AI技術的擴散能力，以此為核心來建立自身在這場AI競爭中的優勢。至於針對美國選舉，我覺得有一個有趣的現象是，將LS取徑視為對中AI競爭的正確方針，似乎已經是一個跨黨派的共識。也因此，無論選舉結果是民主黨或共和黨取勝，我不知道這在AI政策領域是否會帶來有意義的改變。

賴：這真是非常深刻的觀察。但我想要進一步追問的是，目前無論在美國或是在台灣，我們都非常重視通過像投資審查或出口管制等不同的法律與政策工具，來防堵關鍵技術外流到競爭對手的手中。但在閱讀本書以及聽你剛剛的觀點時，我感覺你對這套政策方針並不是太買帳。能否請你再多分享你對這類防堵策略的必要性和有效性的想法？這些政策是否仍然可能是有用的，而且也有助於美國或台灣在維持AI擴散能力時的競爭優勢？

Ding：我認為這些科技管制對某些類型的技術較為合適，但對其他類型則不太適合，而它們就不太適合用來應對通用技術，因為沒有任何一個國家有辦法在像通用技術這樣廣泛和快速變化的領域中壟斷技術發展，這就好像是說我們要把電力封存在美國或台灣內部一樣不切實際。這是第一個理由。

我認為管制導向的思維不合於通用技術的另一個原因是，這些管制或許可以在接下來的兩到三年間有效協助我們維持領先地位，但對於通用技術來說，我在書中主張它們往往要歷經數十年的擴散才會顯示出真正的影響所在。而到那個時候，恐怕很難有單一國家可以說只有我們擁有這個領域中唯一重要的技術。在AI作為通用技術的脈絡下，這是我認為這類科技管制成效不彰的兩個主要原因。

賴：這麼說來，這些管制工具對你來說似乎不是那麼必要？我的意思是，你的建議是我們其實不那麼需要這些出口管制，應該專注於促進AI人才儲備，而不是規制譬如先進晶片的出口以防止它們流入競爭國手中？

Ding：我認為如果這些管制是成效不彰的，那麼它就不會帶來多少好處，甚至可能只會帶來不利的影響。例如美國在2022年10月對先進晶片實施出口控制，結果對我們最重要的AI晶片公司輝達造成了損害，也因為升級了對中國的經濟圍堵，而可能進一步加劇兩國之間的緊張關係。如果說好處極其有限，還會帶來這些不利影響，那麼我看不出這個政策背後的邏輯是什麼。

賴：我瞭解了，簡單來說，你的建議就是我們應該更著重可以帶來長期優勢的技術擴散能力，而不是僅著眼於特定技術的外流規制。

Ding：是的，我認為不管是美國、中國、台灣還是任何其他國家，我在書中的建議都是採用以技術擴散為中心的戰略，去通盤升級並拓廣AI人才庫，去強化產學連結與技術移轉，以及整個科學與技術生態系中不同部門間的鍵結關係。

不只是晶片島：台灣應有的AI戰略思維

賴：這些建議是否同樣適用於像台灣這樣的中等經濟規模國家？或是針對台灣，你會有其他不同的建議？

Ding：我認為對於中等收入、經濟規模的國家或著說新興工業經濟體來說，一個重要的考量是，一旦你已經具備了與科技發展前沿相連結的技術吸納能力，那麼就可以專注在技術的採納與跨部門擴散之上。對於一些國家而言，他們還沒有這種必要的技術吸納能力，譬如像委內瑞拉這樣的國家就沒有跟AI領域相關聯的前沿企業或大學機構，因此他們就很難吸納來自國外的先進技術。

但台灣不同，台灣早已深深嵌入AI技術與產業發展的跨國網絡之中。台灣甚至是作為這些網絡的基地，畢竟台灣是許多跨國公司、研究與人才基地的落腳之處。而台灣也擁有頂尖的大學機構與企業，與人工智慧的最新進展緊密相連。基於這些條件，台灣完全可以積極推行以技術的全產業擴散為核心的AI戰略。

賴：你的意思是，台灣其實具備相當好的條件，能做的不僅有譬如AI晶片製造，而還可能在AI的各項應用與跨部門擴散上展現優勢，只要我們能夠持續去強化擴散AI技術的能力，並為此設計相應的政策方針？ 

Ding：沒錯，我認為台灣可以有更宏觀的視野，技術領先地位可以不僅僅只是對單一部門或產業的支配，而可以是更廣泛地在所有經濟部門中擴散像AI這樣的基礎技術的能力。當然，採取這類策略的挑戰性是更高的，畢竟這不像只關注單一產業那麼簡單，你必須著眼於將影響整體社會與經濟系統的長期投資。但我相信這個視角的AI戰略仍是可能的。

賴：依照你上面所說的，台灣去推動AI技術擴散的一個優勢，是已經鑲嵌在AI技術發展的跨國網絡之中。我的最後一個問題與此有關：不同國家間如何透過合作來強化AI技術的擴散？特別是現在，我們常在全球經濟競爭的脈絡下，強調民主國家間的同盟深化。依照你的洞察，價值理念相近的國家之間如何互助合作來在AI競爭中取得更大的優勢？

Ding：從這些國際合作中，台灣可以受益之處是縮短本地的前沿企業或大學應用國際上最新AI技術突破的時間。這個例子也說明台灣如何參與AI的發展，並進一步將自身嵌入全球的創新網絡與AI產業之中。只不過，我認真覺得這不是最重要的時間差（gap）所在，因為隨著全球化的發展，無論有沒有政府政策的介入，這個時間差已然縮小。

對我來說，真正關鍵的挑戰，是當台灣的前沿企業首次應用某項最新的AI技術，在那之後，這項技術要花多久的時間才能夠擴散到整個國家的各個經濟部門。而這個面向很大程度上不是國際同盟能夠直接帶來影響的。這更多地取決於台灣自身的政策作為與產業生態系。

賴：感謝你的洞見。今天真的非常感謝你，也期待你新書的中文版能夠很快問世！

Ding：也謝謝你今天來訪，以及準備了這麼多重要的問題與交流！