印度的AI狂想与尴尬

在当下AI的热潮中，除了中美两大巨头，还有一个来自东方的大国，试图在人工智能的竞争中抢占先机——是的，它就是我们那个神奇的邻居，印度！

根据最新的Kantar研究报告，印度目前已经有7.24亿人已经用上了AI（未必全是GPT这类大模型）。

在官方层面，对于生成式 AI 产业这事儿，印度也是兴趣极大。

就在去年8月，印度联邦内阁批准了为人工智能、网络安全和数字技能发展投入1490.3亿卢比（约合130.7亿人民币）的计划。

在这样的刺激下，今年1月，印度终于诞生了一家自己的大模型独角兽公司——Krutrim。推出大模型仅一个月后，该公司就以10亿美元的估值融资5000万美元。

然而，印度AI这场盛宴，表面上锣鼓喧天，但一掀开锅盖，里面的“菜色”可就一言难尽了。

先说说“参赛选手”吧，印度在AI企业数量上，跟中国一比，那差距可不是一星半点。

中国这边，不仅有百度、阿里、腾讯这些巨头推出了文心、盘古这样的的大模型，还有一堆短小精悍的团队，比如月之暗面、智谱AI、百川智能和Minimax，也都搞出了拿得出手的自研模型。

而印度呢，大模型相关的公司少得可怜，自研模型更是凤毛麟角。

根据Tracxn和印度人工智能协会的数据，印度在大模型领域的公司数量不到10家，而且这些公司主要忙着做对话AI、智能助手和一些特定行业的应用，基本不碰基础模型的研发。

至于印度目前唯一一个自研模型Krutrim AI ，也同样充满了“咖喱味”。

不仅被曝出来有套壳ChatGPT的嫌疑，并且根据使用者的体验报告，Krutrim AI在使用时，仅允许输入 424 个字符（不包括空格)，而且有时在交互过程中还会突然懵逼，连自己是谁都忘了。

实际上，对于印度AI的前景，去年早有人做了预判。

2023 年 6 月，Sam Altman 在印度被问及，如果印度团队花1000万美元搞出大模型，能和OpenAI竞争吗？Altman 回答：没戏。

01 搞不好AI的IT大国

印度，这个在IT圈里响当当的大国，居然在AI方面如此拉胯，属实让人感觉有点意外。

咱们平时老觉得，这AI大模型，说白了就是个高级点的程序，不比那些又要精密机械、又要复杂化工的产品，得一步步爬产业链的阶梯。

按理说，只要掌握了算法加数据，再凑上几个写代码的高手，理论上应该手到擒来才对。而印度人在代码、编程这块，那可是出了名的能干。

且不说当下谷歌、微软的CEO皮查伊、纳德拉都是印度人，就连当初写下名震AI界的那篇《Attention is All You Need》的硅谷八子中的两人，也是印度裔。

同样地，今年震撼AI界的Sora，其核心研发人员中，就包括了一名来自印度的技术天才Aditya Ramesh。

Aditya Ramesh还参与开发了DALL-E

就连特斯拉的自动驾驶负责人Ashok Elluswamy，超级计算机Dojo前负责人Ganesh Venkataramanan也同样来自印度。

按理说，编程、软件方面的人才那么多，搞AI应该很有优势啊，那为何印度在大模型方面如此拉胯呢？

其实，这种“只需要几个聪明人” “万事俱备只差一个程序员”就能搞出来的“低门槛”技术，某种程度上是一种产业上的错觉。

这种错觉就像：“在汽车方面很强大的国家，理应轻松搞出网约车平台”，但现实是，它们就是搞不出来，例如德国、日本虽然是传统汽车强国，但你见过哪个牛气冲天的网约车平台是从他们那儿冒出来的？

在德国，Free Now这样本土的网约车APP，2023年的用户数只是区区350万左右。

其实，无论是网约车，还是大模型，都不是表面上看起来那样，只需要几个聪明的程序员鼓捣几下，就能弄起来的。

因为这背后涉及的东西，表面上看只是一堆程序、代码，但实质上却和一个国家的基础科研、基础设施，市场群体，以及数字化程度有着千丝万缕的联系。

就拿网约车来说，基础科研方面，网约车涉及了GPS、定位算法一类的东西；在基础设施方面需要有覆盖极广的高速网络；在市场端要有大量经常性乘车出行，且熟练上网的人口来支撑。

同样地，AI领域虽然不像某些产业有复杂的供应环节，但依然有着自身的产业链。

分为上中下三游，每一个环节背后都对应着必不可少的科研、市场或数字化程度等因素。

具体来说，AI产业的上游，就是基础研究层面，例如机器学习算法、神经网络架构等等，这方面需要大量跨学科的，基础理论方面的人才；但可悲的是，当今的印度在AI领域，直接在最顶层就被抽掉了理论和科研的人才基础。

02 巨额订单的诱惑

印度在AI基础科研人才方面的缺失，原因主要有二点：

1、IT外包带来的“毒蛋糕”效应；

2、国内拉胯的基建。

这里先说下第一点。

在1990年代那会儿的时候，印度遭遇了严重的外汇危机，赤字占到了其GDP的8.5%左右。为了破局，印度政府不得不进行了一系列市场化的改革。

而改革中最重要的一点，就是鼓励私立教育机构的发展，特别是那些专注于工程、管理、信息技术等应用型学科的学院和大学。

这些以市场为导向的私立学校，很快就瞄准了一个特别香的赛道——IT外包。

这是因为，从成本和收益比来看，印度当时的基础设施、工业能力太差，而且十分缺乏资本，搞制造业属于费力不讨好的行当。

倘若培养制造业的技术人才，毕业后的就业率会十分难看。

相较之下，IT外包这种活，不仅属于轻资本，不需要大动干戈地搞基建、建工厂，并且由于印度人英语好，劳动力又廉价，做起来简直就是一本万利的绝佳买卖。

于是，从90年代起，各种以信息技术为主的应用类专业，就开始在印度的学校中野蛮生长。

而这样的局面，也造就了今天印度科研“重应用，轻理论”的局面。

例如在2021年的一份报告中，印度工程和技术专业的学生，占到了总招生人数的约70%。

但在基础科研方面，根据《自然指数》（Nature Index）的数据，在2022年，中国在自然科学方面的成果约为20050项，美国是21473项，而印度只有1280项。

来源：Nature Index

虽然印度后来也意识到了这种模式的弊端，也想过要改变，但是，两个重要的原因，让印度放弃了“浪子回头”的打算。

首先一个原因，是美国人给得实在太多了。

随着90年代美国的计算机巨头开始全球扩张，印度的IT人才，从大量的大外包订单中获得了巨额报酬。

到了1990年代中期，印度IT从业人员平均年薪大概是8000—12000美元左右，到2000年初期，进一步上升至3万—5万美元，同时期的印度普通农村家庭，年收入仅为300-500美元。而城市低收入阶层家庭的年收入，也仅为600-800美元。

除了巨额的订单诱惑，另一个重要原因，就是印度拉胯的工业、基建，让很多基础科研方面的工作缺乏必要的硬件。

03 捉急的基建

这里一个很反直觉的现象是：AI方面的研究与实验，其实与其他基础科研一样，是十分注重硬件设施的一种研究。可不只是凭编程高手倒腾几下算法那么简单。

要维持大模型的运转，就得有大量的GPU，以及相应的数据中心，而这背后，则必须有充足的电力、能源，以及稳定的、高速的网络基础设施，用来进行数据的传输。

可偏偏印度在这些基础设施方面，表现属实不太行。

一个明显的差距是，2023年，在超大规模数据中心数量上，印度只有大约18个超大规模数据中心，而中国的公开数据是有接近100个。

而超大规模数据中心，正是衡量AI算力的一个重要指标。

这样的差距背后，是支撑和维系数据中心运作的一系列配套设施，包括了电力、网络，冷却系统等等。

在这方面，印度同样被中国甩了好几条街。

首先在能源方面，中国的超大规模数据中心的能耗，在2023年估计达到了约180-200 TWh，而印度只有大约10-15 TWh。

之所以如此，是因为印度在电力方面的基建，实在太捉急了。

根据印度民意调查机构2022年对超过2万人的调查显示，三分之二的家庭表示会突然遭遇停电，三分之一的家庭更是每天固定“小黑两小时”。

这电都不够老百姓家里灯泡亮的，还想养AI这尊电耗子？

除了电力，在网络基建方面，同样是在2023年，中国5G基站总数已超过248万个，覆盖率超过96%，而印度的数量只有30万，覆盖率仅达到了30~40%。

而在更为关键的冷却系统方面，中国在直接液冷、浸没式液冷等先进液冷技术方面处于领先地位（采用率30%）。相比之下，印度大多数数据中心仍采用传统的空气冷却系统，缺乏对液冷技术的广泛应用（采用率10%左右）。

以上种种拉胯的基建，都让印度的计算机科学人才，即使想回国为AI事业效力，也会面临“巧妇难为无米之炊”的困境。

于是，印度聪明的年轻人，最后往往只能含泪打包行李，漂洋过海去美国实现科研梦。

2023年，约6万名印度计算机理论人才选择了海外发展，约占本土计算机理论人数的40%，相较之下，中国的流失率只有15%。

一面是美国抛来的巨额IT外包订单，一面是国内拉胯的基建，两者的相互作用下，印度只能在“科技施工队”的路上越陷越深，难以自拔。

而这种顶层理论人才的差距，直接决定了印度在AI领域所能取得的上限。

04 低数字化社会

如果说，印度在AI产业链上游的问题，主要是基础理论人才的缺失，那么在AI产业链的中游，也就是模型训练方面，印度的困境，主要是难以为大模型的优化和迭代提供足够的数据。

而印度在这方面，有个最大的硬伤：就是社会的整体的数字化程度太低。

虽然印度网民人数听起来是挺唬人的，快9亿大军了，但这里有个重要的区别，就是网民数量并不等于一个国家数字化的程度。

现在经常用AI的朋友，估计可以感受到，目前ChatGPT这类AI，最大的用武之地，往往都是一些信息、数据特别密集的场景。

例如像什么长篇报告总结，专业研报分析，或是帮忙处理一些庞杂的代码之类的。

这样的场景，通常包含了大量的数据、信息，而数据或信息的量多到了一定地步，到了人脑觉得负担太大的时候，人们就会觉得AI很有必要了。

从这个角度上看，数字化程度越高的社会，和AI的契合度就越高。

反之，在一个数字化程度较低的国家里，人们在日常活动中产生不了那么多数据，或是即使产生了数据，这样的数据也是大多是以“线下”的形式存在，那AI就很难有用武之地。

从这个角度来看，所谓的数字化程度，绝不仅仅是“网民数量”这一表面的指标，而是指在日常生活中，人们工作、买东西、学习、看病这些活儿能多大程度在网上解决；企业是否能用数字化的手段提高效率。

虽然现阶段，印度网民的数量是挺多了，但仔细深究起来，他们每天在网上都干了嘛事儿？

根据著名的会计和咨询公司KPMG在印度分布的统计，印度网民目前每天上网的主要活动中，社交网络、即时通讯和视频娱乐等领域最多，占到了总上网时间近90%左右。

但在娱乐化的内容外，其他活动频次就明显低了很多。

如果按使用频率来统计，印度只有56.3%的用户通过网络进行了在线购物，而在中国，这样的比率达到了83%。

除此之外，在网约车平台这些生活服务方面，印度本土的和网约车平台Ola，在2022年全年的订单量约为3.7亿单，而同一时期，中国滴滴出行的订单量则达到了370亿单，是其一百倍以上。

而在企业端，印度企业的互联网普及率仅为49%，而相较之下，中国企业的互联网普及率显著更高，达到了约95%。

这种“低数字化”的现状，从表面上看，主要是落后的基建（5G普及率不足30%）导致的，但从更深层次的原因来看，这和目前印度固有的产业结构，有着莫大关系。

05 分工的重要性

在印度目前的产业结构中，服务业占了GDP的约60%左右。但其中大多是一些低端服务业，例如零售、酒店或餐饮啥的。

农业占了15%—18%，制造业还要略低一些，只有12%。

这种以农业、服务业主导的产业结构，实际上很难承载数字经济所需的复杂产业链和高附加值服务。

农业和很多服务行业，产业链往往很短且较为单一，就像种地、养牲畜，供应链相对较短。

还有那些日常的服务，比如餐馆做饭、商店卖东西、家政打扫卫生，生产链也相对单一，去干就完了呗，较少涉及复杂的上下游产业链整合或增值服务。

说白了，这样的产业，缺乏复杂的数据和信息管理需求。

这么点信息，人脑其实完全处理得过来，用不着AI。

与农业、服务业主导的社会相比，工业社会的一大特征，就是存在大量的分工与协作。

从最初的原材料处理，再到设计新产品、搞研发、组装、测试，最后还要打品牌、做营销、保证售后服务，这一套流程下来，就形成了复杂的产业链。

每增加一个环节，都能创造更多的数据和信息增量。

以新能源车的生产为例，在设计阶段，通过CAD/CAE软件进行车辆设计，以及进行仿真测试时，就会产生大量设计数据和模拟数据。

到了生产环节，生产线上的设备状态、物料流动、生产进度等，同样会产生海量实时数据。

而除了制造环节本身创造的数据流外，由于产业辐射效应，一些工业活动还会给其他看似不相关的行业，带来意外的新的信息和数据。

例如，在金融和保险行业，有基于车辆行驶数据定制的保险费用。

在广告营销行业，为了实现精准营销，企业就得利用大数据分析消费者偏好、社交媒体互动数据等，来优化广告投放。

综上所述，倘若没有工业化，社会就难以产生复杂的分工，没有复杂的分工，人们的生活中也就不会产生大量的数据、信息。

这也是为什么，现在的各个风投机构，都不怎么看好印度AI企业的原因。

去年，印度与大模型相关的AI企业，融资总额约为1.6亿美元。而在中国，仅仅月之暗面一家企业，总融资额就已经达到了30亿美元。

如此巨大的差距背后，除了对印度AI实力的担忧外，一个更重要的原因，就是AI在印度并不真正具备市场规模和潜力。

毕竟，若是放在中国的环境下，即使大模型一时难以在C端打开局面，但至少在B端，由于数字化程度较高，因此在某些定制化的、垂直的场景（如金融、医疗）中，大模型仍然能找到用武之地。

而反观印度，在社会整体低数字化的情况下，大模型除了闲聊和娱乐，还能用来干嘛？

但如果只是闲聊和娱乐，上社交媒体和刷短视频不更香吗？

One More Thing

当前印度在AI方面的窘境，属实表明了：当下的这场AI竞争，从浅了看，只是某一个具体技术的竞争，往深了看，是一个国家总体科研实力的较量，再看得深点，就是不同国家之间，社会发展程度、产业结构、人口素质方面的一个综合比拼。

从总体上看，数字化程度越高的国家，AI落地和普及的效果就越好。

而AI普及度越高的国家，就越能够通过收集用户的反馈数据，形成数据飞轮，进一步对模型进行优化和迭代。

而印度的尴尬之处就在于，明明自己身为一个尚未完成工业化的半农业国家，却在追求AI这样一种数字化时代的产物。

而更讽刺的是，印度越是追求AI，自己从前的“铁饭碗”被端掉的可能性就越大，因为当下的生成式AI，在很多功能上，就是直奔着取代某些高端服务业的目标去的。

例如5月21日的微软开发者大会上，微软不仅发布了搭载GPT-4o的最新版Copilot，并且还在会上演示了“帮助小白编程”的GitHub Copilot Workspace。

这是一款通过聊天实现完成程序编写的软件。这将使任何新手，即使对编程语言几乎没有了解，也能开发自己的软件。

设想一下，如果将来编程、电话客服一类的岗位，全都能被AI取代了，印度之前赖以发家的“IT外包”这条路子，还能走得通吗？

到了那时，工业基础薄弱，IT铁饭碗又被抢走的印度，该如何在AI时代生存，将成为一个巨大的问号。

文章来源于“酷玩实验室”，作者“酷玩实验室”