---
schemaVersion: 1
scope: "public-indexable-html"
renderScope: "server-rendered-main"
canonical: "https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/"
companion: "https://isafwan.com/agent/zh-CN/ideas/borrowed-intelligence-economy/index.md"
locale: "zh-CN"
language: "zh-CN"
direction: "ltr"
title: "借来的智能经济 | Safwan AlModhayan"
description: "为什么在 GPT 之上开发界面不等于发明人工智能，以及沙特应如何投资原创模型、算法、研究实验室和深度科技。"
---
## Language versions
- [ar-SA](https://isafwan.com/ar/ideas/borrowed-intelligence-economy/)
- [en](https://isafwan.com/en/ideas/borrowed-intelligence-economy/)
- [ru](https://isafwan.com/ru/ideas/borrowed-intelligence-economy/)
- [x-default](https://isafwan.com/ar/ideas/borrowed-intelligence-economy/)
- [zh-CN](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/)
[Safwan AlModhayan](https://isafwan.com/zh-CN/)[观点](https://isafwan.com/zh-CN/ideas/)
观点与分析 · 已发表
# 借来的智能经济
为什么在 GPT 之上开发界面不等于发明人工智能，以及沙特应如何投资原创模型、算法、研究实验室和深度科技。
[隐私](https://isafwan.com/zh-CN/privacy/)
_由人工智能生成的概念艺术：以印刷矩阵、铜线和空心纸套表现原创知识与借来印痕之间的关系；画面不指向任何真实公司或机器。_
**编辑日期:** 2026年10月28日
**作者:** Safwan AlModhayan
当包装他人的头脑成为一门产业，真正的智能发明反而在冒名者中成了异类
关键词 人工智能经济 · 借来的智能 · 人工智能套壳 · 深度科技 · 基础模型 · 模型架构 · 推理效率 · 信息不对称 · 沙特人工智能 · Misraj AI · Kawn Lab · FlashAttention · PagedAttention · 知识经济
**本文目录**
1. [证据路径](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#article-evidence-path)
2. [下载 PDF](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#article-pdf-download)
3. [租来的头脑时代，套壳工厂兴起](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-01)
4. [一个出售天才的“柠檬市场”](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-02)
5. [模型制造商为何会吞掉那些借智而生的公司？](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-03)
6. [真正的发明发生在屏幕后面](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-04)
7. [Misraj AI 与 Kawn Lab：从消费智能到生产知识](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-05)
8. [为什么我们需要创造市场的人，而不只是用应用填满市场的人？](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-06)
9. [给外表投资，只会得到一个外表的市场](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-07)
10. [我认为 2030 年前会发生什么？](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-08)
11. [科学洞见不是从一张证据表里填出来的](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-09)
12. [制造世界真正需要的东西](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-10)
13. [参考文献与资料](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#article-references-title)
_证据路径**论证导览**_
1. [1借来的能力与原创性主张的边界](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-01)
2. [2架构、效率和评估中的技术发明](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-04)
3. [3投资者如何追问技术来源](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-07)
4. [4面向2030年的沙特工业机会](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#essay-section-08)
沿着文章的论证与案例阅读；这不是给企业排名的尺度。
[下载 PDF下载文章 PDF15 页 · 大小: 1.6 MB](https://isafwan.com/media/publishing/961d7ada28c573e83ef16966f3624700fc0600852e0d6c50d19f2c87a9436b8a-borrowed-intelligence-economy-borrowed-intelligence-economy-zh-CN.pdf)
1984 年，一家荷兰小公司在埃因霍温（Eindhoven）飞利浦（Philips）园区附近一间漏雨的棚屋里起步。它要开发的是半导体（Semiconductors）制造所需的光刻机（Photolithography Machines）。 [1](https://www.asml.com/en/company/about-asml/history)
它的名字叫 **ASML**。
四十年后，这家公司成为全球唯一出货商用极紫外光刻（Extreme Ultraviolet Lithography，EUV）系统的企业。这种系统堪称现代工业史上最复杂的机器之一。
在机器内部，极微小的熔融锡滴以每秒五万次的频率迎向连续的激光脉冲。物质由此变成等离子体（Plasma），发出波长 13.5 纳米的光；光线再穿过一套精度极高的光学系统，参与在硅片上刻写微观电路。 [2](https://www.asml.com/en/technology/lithography-principles/light-and-lasers)
这台机器并不只是机械工程的胜利。它汇聚了光学（Optics）、等离子体物理学（Plasma Physics）、材料科学（Materials Science）、控制工程（Control Engineering）、软件和精密计量（Precision Metrology）。
更值得注意的是，ASML 并没有发明上述所有学科，也没有发明机器里的每一个部件。它建立了一套高度专业化的供应商与合作伙伴体系，其中包括负责光学系统的德国蔡司（ZEISS）。美国光源技术公司 Cymer 则先与 ASML 合作开发 EUV 光源，后于 2013 年被 ASML 收购，以加快相关研发。 [3](https://www.asml.com/en/technology/lithography-principles/lenses-and-mirrors) [4](https://www.asml.com/en/company/about-asml/cymer)
ASML 真正拥有的，是把这些部件整合为一个完整系统所需的工程知识。在此之前，世界还造不出这样的系统。
所以，荷兰成为这一产业的强国，并不是因为它买到了最先进的芯片制造设备，而是因为一家诞生于荷兰的公司，造出了最先进芯片制造商不可或缺的设备。
这正是把技术当作商品来拥有，与拥有让技术得以被生产的知识之间的差别。
ASML 依靠知识积累在全球经济中确立位置的同时，人工智能时代却出现了另一类公司。它们同样渴望那样的地位，却选择了一条短得多的路：向别家公司租来智能，罩上一层漂亮的界面，然后在网站上宣称自己开发了专有人工智能技术（Proprietary AI Technology）。
也许，这是第一次——至少在某些圈子里——只要改掉屏幕上的产品名称，技术使用者就足以摇身变成技术发明者。
## 租来的头脑时代，套壳工厂兴起
生成式人工智能（Generative AI）为应用开发创造了历史性机会，也催生了另一片同样繁荣的市场：批量制造技术头衔。
今天，一家初创企业可以采用 OpenAI 或 Anthropic 开发的大语言模型（Large Language Model，LLM），通过应用程序接口（Application Programming Interface，API）接入，再加上检索增强生成（Retrieval-Augmented Generation，RAG）、若干提示词（Prompts）和工具调用（Tool Calling）。
只需再做一点工作流编排（Workflow Orchestration），产品就会以智能体（AI Agent）的面貌出现：它能阅读文档、总结会议、回复客户、生成报告，还能操作部分企业系统。
到这里为止，我们面对的是一种完全可以理解的软件业务。它可能有用，也可能赚钱。
接下来，事情才开始变得有趣。
公司开始谈论“私有人工智能引擎”“先进推理架构”和“自有智能模型”，甚至把自己抬升为深度科技（Deep Tech）公司，而它所描述的能力，核心其实寄居在 GPT、Claude 或其他商业模型之中。
**他们没有发明头脑，只是给它发明了一个新名字，然后要求市场承认自己才是它的科学之父。**
一些公司的所谓“人工智能引擎”，实际上只有一个 API 密钥（API Key）、一个软件开发工具包（SDK），以及一组发送给他人托管模型的指令。
可它的创始人仍会热情洋溢地谈论自己的认知架构、推理能力和技术独立性。
这个场面很值得讽刺一番：模型提供商一旦调整词元定价（Token Pricing），它那项“发明”的经济账就会随之改变；服务连接一旦中断，大部分“智能”便凭空消失；供应商一旦推出新功能，数月的“革命性开发”便会变成人人都能免费使用的功能。
在这个行业里，一家公司上午还可以宣布自己实现了知识独立，晚上就收到一条错误信息：**429 Too Many Requests**。
许多“独立的头脑”，月度词元额度一用完，便停止了思考。
技术圈把这种现象称为模型 API 套壳（API Wrappers），更具体地说，也叫 GPT 套壳（GPT Wrappers）。
它们可能以软件即服务（Software as a Service，SaaS）、智能体平台（Agent Platforms）的形式出现，也可能变成面向医疗、法律、教育和金融服务的垂直人工智能应用（Vertical AI Applications）。
行业不同，并不会改变能力的来源。
一个医疗产品用 Claude 分析文档，不会因为界面穿上白色外衣，就变成原创医疗模型。一个法律智能体调用 GPT，也不会因为学会用正式文体写备忘录，就变成法律推理领域的新发现。
同样，向检索库里加入一千份文档，或者让智能体连接十套企业系统，也不等于这家公司发明了语言模型或新的学习算法。
它可能确实做出了优秀产品。但优秀产品是一回事，人工智能发明是另一回事。
问题不在于使用别人的技术。整部工业史都建立在发明的积累与相互借鉴之上。
**问题在于：你依赖他人的知识，却把这种依赖改写成自己拥有那些知识。**
在传统经济里，我们会把它称为进口、集成或产品开发。到了人工智能经济，一些人却称之为“开创性的研发”。
这就不再只是营销夸张，而是在有意混淆创新的含义，也混淆我们究竟想建设一种什么样的产业。
## 一个出售天才的“柠檬市场”
1970 年，美国经济学家乔治·阿克洛夫（George Akerlof）发表了著名论文 [The Market for Lemons](https://doi.org/10.2307/1879431)。它后来成为理解市场信息不对称（Information Asymmetry）的奠基性文本之一。
阿克洛夫研究的是：当卖方掌握买方不知道的信息，市场可能无法区分优质商品与劣质商品；由此产生逆向选择（Adverse Selection），削弱市场奖励真正质量的能力。
在我看来，我们正面对这个问题的当代版本。只不过这一次，商品不再是二手车，而是“我拥有智能”这一主张。
投资人面前站着两个团队。
第一个团队用一年时间研究模型架构（Model Architectures）、改进训练算法（Training Algorithms）、试验内存管理策略，并开发新的语言处理方法。
另一个团队只用几周时间，在商业模型上做出一套漂亮界面。
两支团队演示各自的产品，回答都很流畅，效果看起来也很相似。
第二个团队的演示甚至可能更漂亮、更迅速，也更容易打动评审席。
许多投资演示更重视可见的输出，却不真正理解能力的技术来源（Technical Provenance）。于是，两支团队得到同一个称号：领先的人工智能公司。
一桩微小的经济罪行就这样发生，并在一次次重复中越变越大。
**当市场无法区分谁在创造知识、谁在租用知识，它就会开始奖励表演创新的能力，而不是生产创新的能力。**
结果不难预料：能以低成本做出炫目演示的公司大量出现；研究实验室则显得更慢、风险更高，短期内也没那么夺目。
一名试图将内存消耗降低 20% 的研究者，可能要用几个月检验假设；另一名创始人却能在几天内推出一个会说五种语言的智能体，所用模型并非由他参与开发。
前者也许更接近于创造一种世界需要的技术，后者则更接近于创造一种客户需要的产品。
两者各有不同的经济逻辑。
但把它们混为一谈，等于向市场发出一个危险信号：**别费力开发头脑了，学会怎样把它冠上自己的名字卖出去。**
这条信号扭曲的不只是投资决策，还会重新塑造一代研究者和工程师的志向。
市场不只奖励人才，也在教人才应该成为什么样的人。
如果通往“人工智能领军者”头衔的道路，更多靠给 GPT 套壳，而不是开发算法、架构或训练技术，那么界面公司成倍增长、严肃实验室愈发难寻，也就不足为奇。
到那时，我们的问题不是公司太少。
而是原创性主张泛滥，真正的原创能力却供给不足。
## 模型制造商为何会吞掉那些借智而生的公司？
平台经济学（Platform Economics）中有一种战略叫平台包络（Platform Envelopment），由托马斯·艾森曼（Thomas Eisenmann）、杰弗里·帕克（Geoffrey Parker）和马歇尔·范·阿尔斯泰恩（Marshall Van Alstyne）共同论述。 [6](https://doi.org/10.1002/smj.935)
当大型平台借助自身技术基础、用户群和服务整合能力，扩张到相邻功能与市场时，平台包络就会发生。
今天人工智能行业里正在发生的事，让我想到同一种动力。
2025 年 3 月，OpenAI 发布了 [Responses API 与 Agents SDK](https://openai.com/index/new-tools-for-building-agents/)，其中包括网页搜索、文件搜索和计算机使用等内置工具，并支持编排智能体工作流。
这些功能原本被一些初创企业作为独立产品或差异化技术来销售，如今却逐渐变成模型平台自身提供的能力。
这里的逻辑简单得残酷。
如果你的竞争优势，只是那个向你出租智能的供应商可以通过一次软件更新加入的功能，那么你建造的并不是技术堡垒。你只是在别人的土地上临时租了一块地方。
你的产品今天可能很成功，但成功并不意味着你掌握它继续存在的条件。
随着基础模型（Foundation Models）不断进步，工具使用（Tool Use）、多步推理（Multi-step Reasoning）和自主执行（Agentic Execution）能力持续增强，套壳公司能够作为特殊增值服务出售的空间就会收缩。
有些应用公司仍可能取得商业成功，因为它们理解客户、擅长系统集成，或建立了强大的分销网络。
但这些是软件与商业上的优势，不能证明它们发明了产品所使用的智能。
**如果一家公司最了不起的技术成就，是藏起原始模型的名字，那么总有一天，它还得藏起一个更难堪的事实：原始模型已经根本不再需要它。**
我认为，这种分化会成为未来几年最重要的市场变化之一。
许多通用人工智能套壳层（Generic AI Wrappers）的经济价值会减弱；拥有原创算法、更高效技术、专业模型，或者拥有无法通过一次 API 调用借来的累积行业数据与知识的公司，其价值则会提升。
与此同时，应用公司将承受更大压力，必须证明自己的价值超出基础平台已经提供的功能。
至于那些把每个智能体都包装成科学发现的人，未来几年也许不会再如此宽容地接纳他们的营销辞藻。
在技术行业，一次更新就足以击垮一套经营多年的投资叙事。
## 真正的发明发生在屏幕后面
要理解制造智能和制造智能界面的差别，不必只盯着世界上最大的语言模型。
有时，发明越深，外表越不显眼。
2022 年，在神经信息处理系统大会（NeurIPS）上，Tri Dao 等研究者发表了 [FlashAttention](https://papers.neurips.cc/paper_files/paper/2022/hash/67d57c32e20fd0a7a302cb81d36e40d5-Abstract-Conference.html) 论文。
他们的目标不是设计一个新的聊天机器人，而是解决变换器架构（Transformers）中注意力机制（Attention Mechanism）的执行问题。
研究者发现，运算变慢的重要原因不全在计算本身，还在于数据需要在高带宽内存（High Bandwidth Memory，HBM）与处理器内部的静态随机存取存储器（Static Random-Access Memory，SRAM）之间移动。
他们设计了一种关注数据传输成本的 IO 感知算法（IO-Aware Algorithm），通过分块（Tiling）减少数据移动，并提升精确注意力（Exact Attention）的执行效率。在论文的一项实验中，速度最高达到原来的三倍。
他们没有增加一个新按钮。
他们改变的是一项基础数学运算的执行方式，而这项知识随后惠及了模型产业中的大量系统。
2023 年，加州大学伯克利分校（UC Berkeley）的研究者提出了 [vLLM 与 PagedAttention 算法](https://doi.org/10.1145/3600006.3613165)。
它的灵感来自操作系统（Operating Systems）里的一个老概念：虚拟内存分页（Virtual Memory Paging）。
为了避免在保存注意力键值缓存（Key-Value Cache，KV Cache）时浪费大块内存，研究者开发出一种更高效的数据管理方法，用于模型推理（Inference）。
公开实验显示，在延迟（Latency）接近的情况下，与论文指定的基准系统相比，它的吞吐量（Throughput）提高到两至四倍。
不妨比较一下这类工作与另一种公司：后者不过把商业模型连上数据库，就宣称自己开发了人工智能平台。
两者都写了软件。
可前者增加了模型赖以运行的知识，后者只是使用已经存在的知识。
这正是深度科技的核心差别。
发明并不要求从零开始训练（Training from Scratch）一个巨型模型。它可以是一种新架构（Novel Architecture）、一种学习算法、一种模型压缩（Model Compression）机制、一种知识蒸馏（Knowledge Distillation）方法，也可以是模型定制、持续预训练（Continual Pretraining）的方法，或者一种在保持性能的同时减少资源消耗的发现。
科学并不是每天早晨都从头发明世界。它通过发现新的关系、突破旧的限制，或者把相距甚远的知识组合成新的结构，打开从前不存在的可能性。
因此，我喜欢区分两种表面上很相似的公司。
一种公司问：怎样让现有模型替客户完成一项任务？
另一种公司问：怎样改进技术，让这项任务以从前做不到的方式成为可能？
第一种在寻找产品。
第二种也许正在建造一个产业。
### 技术价值产生在哪里
| 比较维度 | 基于模型构建应用 | 对技术本身作出贡献 |
| --- | --- | --- |
| 核心问题 | 如何让模型完成客户的任务？ | 如何改进使这项任务成为可能的技术？ |
| 工作重点 | 界面、系统集成与工作流程 | 架构、算法、训练与评估 |
| 可能创造的价值 | 有用的产品，以及行业或商业优势 | 可供其他产品继续构建的知识与技术资产 |
## Misraj AI 与 Kawn Lab：从消费智能到生产知识
说到这里，便触及我眼中沙特人工智能未来最重要的课题。
我们需要的公司，不能只把人工智能当成一种可调用的服务，还要把它看作一个自己能够有所贡献的科学与工程领域。
在本地案例中，我认为 **Misraj AI 及其研究机构 Kawn Lab** 已经显露出这种方向。
这套体系值得关注，是因为它并未把业务局限在商业模型之上开发应用和智能体，而是进入阿拉伯语模型、训练与定制方法、数据生产和评测基准（Benchmarks）的研究。这些都是任何希望拥有研究能力的产业不可缺少的组成部分。
2025 年 4 月，Misraj 的研究人员发布了论文 [Kuwain 1.5B: An Arabic SLM via Language Injection](https://arxiv.org/abs/2504.15120)。
这个问题从一开始就是研究问题。
能否把一种新语言注入小语言模型（Small Language Model，SLM），同时保留模型原有知识，并避免从头完整训练的成本？
实验从开源模型 TinyLlama 出发。研究者试验了层扩展（Layer Extension）、向分词器（Tokenizer）加入阿拉伯语词汇、冻结原模型部分层（Layer Freezing），再训练新增层，以实现更高效的语言适配。
他们向词表加入约 2.6 万个阿拉伯语词元（Arabic Tokens），并研究新增层的位置、训练数据的分布和不同架构方案的影响。
按论文作者报告的结果，在他们采用的阿拉伯语测试中，模型平均提升约 8%，同时保留了原有能力。
我在意的并不是那一个百分比本身。
关键在于，这支团队正在讨论学习与跨语言知识迁移（Cross-Lingual Knowledge Transfer）的问题，并直接介入模型架构（Model Architecture）和训练机制来寻找解决方案。
这类问题才会为技术产业打开新的入口。
同一 Misraj 与 Kawn 体系还开展了其他工作，例如 **Baseer**。这是一个用于理解阿拉伯语文档并提取其结构的视觉语言模型（Vision-Language Model，VLM）。
在 2025 年发布的论文 [Baseer: A Vision-Language Model for Arabic Document-to-Markdown OCR](https://arxiv.org/abs/2509.18174) 中，研究者讨论了阿拉伯语光学字符识别（Optical Character Recognition，OCR）的难题，包括字母连写、字体与变音符号的多样性，以及页面布局的复杂性。
这项工作以预训练多模态模型为基础，再使用阿拉伯语数据进行定制，并开发了用于文档理解的评测基准 Misraj-DocOCR。在论文所用的评估集上，模型报告的词错误率（Word Error Rate，WER）为 0.25；按这一指标，它优于同一评估中的对比系统。
他们还开展阿拉伯语与英语翻译项目 **Mutarjim**、自动添加变音符号项目 **Sadeed**、方言模型项目 **Lahjawi**，以及向量嵌入（Embeddings）、多模态数据集（Multimodal Datasets）和研究评测等方向的工作。 [12](https://misraj.ai/en/research) [13](https://kawn.ai/en/research-and-publication) [14](https://aclanthology.org/2025.wacl-1.2/)
这些成果并不意味着 Misraj 发明了自己使用过的每一个基础模型，而这本来也不是我所主张的原创性标准。
**区别在于，它没有把租来的能力换个名字重新出售便止步；它进入模型结构、训练方法、专业化方向或评测工具，产出别人能够继续建设的知识与技术。**
把两者混为一谈，是不了解现代研究的本质。
FlashAttention 没有发明神经网络，PagedAttention 没有发明虚拟内存，ASML 也没有发明光学物理。可它们都做出了具有深远价值的技术贡献。
发明不是所有零部件的出生证明。
发明是这样一种贡献：它让知识的重新组合产生新的能力。
在我看来，Misraj AI 和 Kawn Lab 正在沙特本地示范这样一条领先路径。我们值得围绕它培育更多类似的实验室与研究型公司。
问题远不止一个阿拉伯语模型或单项产品能否成功。
真正的问题是**建立一个能够生产技术、并为未来公司提供基础的研究层**。
## 为什么我们需要创造市场的人，而不只是用应用填满市场的人？
经济学家约瑟夫·熊彼特（Joseph Schumpeter）把创新写成一种借助新组合（New Combinations）重塑经济的力量，他的名字也与创造性破坏（Creative Destruction）的概念紧密相连。 [16](https://richard-langlois.uconn.edu/home/teaching/econ-5463-the-economics-of-organization/capitalism-socialism-and-democracy/)
在他的经济发展观中，创业并不只是进入现有市场、争夺已有份额。创新可能创造新产品、新生产方式和新市场，甚至改变竞争规则本身。
我认为，这一区分对沙特极为重要。
我们有机会开发大量人工智能应用，而且这已经在多个行业发生。但应用数量增加，本身不足以构成一个深厚的知识产业。
我们最后可能得到数百家公司：它们都依赖同一批全球模型，只在界面、价格和目标行业上彼此竞争；核心知识与研发中心却始终留在这些公司之外。
甚至可能出现一种更荒诞的悖论：市场挤满了自称人工智能公司的企业，一旦要改进所用技术的核心，却全都必须向外求助。
**一个市场拥有一千张智能的面孔，却没有足够多的实验室去改进它背后的头脑。**
因此，深度研究型公司的意义远远超出其直接产品。
Kawn 这样的实验室开发一个专业模型、一种训练方法、一套数据集或一项评测基准时，创造的并不只是自用的技术资产。
它也在建设一种足以让整个产业围绕其生长的基础设施。
一套优秀的评测基准可以给公司明确的技术竞争目标；一套专业数据集会为新实验创造空间；一个高效的小模型可以成为数十种产品的基础；一种更快的推理算法，甚至能够替从未参与发明它的公司降低成本。
知识市场（Knowledge Markets）由此形成，知识溢出效应（Knowledge Spillovers）也由此出现。
研究的真正价值，不只体现在开展研究的公司获得了多少收入，还包括其他公司与机构能在这些成果之上建造什么。
当一项发现转化为可以进行技术许可（Technology Licensing）的工具、技术或模型，知识本身就成为高价值的出口商品。
这正是 Misraj AI 和 Kawn Lab 这类机构存在的意义。
它们可以参与创造市场、塑造产业：开发技术资产，培养研究人才，开启新的科学问题，并为应用公司提供真正形成差异化的技术。
我们需要的是具有工业实验室那种影响力的机构——它们的发现能够催生完整产业——而不是满足于资助越来越多的界面。
这让我想到经济学家弗里德里希·哈耶克（Friedrich Hayek）关于分散知识（Dispersed Knowledge）的观点，也想到哲学家迈克尔·波兰尼（Michael Polanyi）的默会知识（Tacit Knowledge）概念。 [15](https://dev.oll.libertyfund.org/titles/hayek-the-use-of-knowledge-in-society-1945) [17](https://polanyisociety.org/primary-resources-transcendence-and-self-transcendence/)
技术知识并不全部存在于论文或代码中。研究者的经验、工程师的直觉、实验中的错误，以及在原因尚未明朗前诊断问题的能力，都是知识的一部分。
这些能力不是订阅一个云平台就能买到的。
它们在研究机构里长期积累；对这类机构而言，与未知打交道正是日常工作。
如果我们想建设一个能够自我更新的产业，就需要保存并发展这类积累的机构，而不是每当新的商业模型出现，就改换技术身份的公司。
## 给外表投资，只会得到一个外表的市场
我不认为问题出在投向人工智能的资金太少，而在于我们决定资金去向时，究竟问了什么问题。
一家公司走进市场，宣称开发了原创人工智能技术，投资人首先应当问：你的技术贡献究竟在哪里？
你开发了模型吗？改变了模型架构吗？发明了训练方法、算法或推理系统吗？你拥有模型权重（Model Weights）、专业训练数据或独立技术基础吗？你能否清楚区分自己造出的技术与从外部购买的能力？
这些并非故意刁难，而是在追问公司的身份本身。
除非营销话术远远大于实际成果，否则我看不出回答这些问题有什么可难堪的。
如果一家公司只谈拥有多少智能体、接入多少业务系统、列出多少功能，以及模型如何写作与分析，那么它只是在描述自己的产品，还没有告诉我们它发明了什么。
更可笑的是，一些路演花大量篇幅解释 GPT 能做什么，转头便把这些能力全都算在路演公司的名下。
仿佛模型通过 API 从一个机构去了另一个机构，就在途中失去了自己的科学血统。
我认为，我们必须形成一种不同的深度科技投资认知。
研究型公司不该被当成“迟迟没有发布产品”的软件公司，也不该被要求用几个月完成本来可能需要数年的发现。
反过来，一家模型套壳公司也不该只因路演中善用科学术语，就获得研究型企业的高估值。
我们需要能够承受科学风险（Scientific Risk）的资本。它要理解研发周期（R&D Cycles），分得清知识产权（Intellectual Property）与软件集成（Software Integration），也要明白：一些最有价值的技术资产，在诞生之初并不适合立即变成大众产品。
更重要的是，我们要为研究者铺出一条从实验室通往市场的明确道路。
如果一位沙特研究者开发出能显著加速推理的算法、更节省内存的架构，或者一种让阿拉伯语小模型在特定任务上具备竞争力的方法，他不该只剩两个选择：去全球性公司求职，或者把发现留在论文库里，无人把它变成产业。
他应该遇到看得懂成果的投资人、需要这项成果的工业企业，以及愿意奖励它的市场。
**我们不需要更多善于说服投资人“自己发明了人工智能”的创始人；我们需要更多能够发明某种东西、让这种说服变得多余的研究者。**
## 我认为 2030 年前会发生什么？
我认为，人工智能产业的未来会出现一个巨大的经济悖论。
通用基础模型（General-Purpose Foundation Models）的能力越强，这些能力就越容易被更多开发者和公司获得。今天被当作特殊优势出售的许多功能，稀缺性将随之下降。
构建多工具智能体（Multi-Tool Agent）、企业知识检索系统，或者能连续执行一串任务的助手，也许会越来越像使用云平台的标准组件。
如果如此，许多依靠组装这些组件建立优势的公司，将失去一部分领先地位。
我设想，当前这一波套壳公司会经历剧烈分化：一部分成为成功的垂直软件公司；一部分转为服务与集成公司；还有一部分会在大型平台提供同样功能时失去优势。
声称自己拥有原创人工智能，保护不了任何公司免受这种变化影响。
与此同时，四类知识的战略重要性会继续上升：模型架构、训练与推理效率（Training and Inference Efficiency）、数据与模型的领域专业化（Domain Specialization），以及让智能运行得更便宜、更可靠的计算基础设施。
我认为，竞争不会只是增加参数（Parameters）数量的竞赛，更会是一场围绕能力、成本、能耗、响应时间与可靠性之间关系的竞赛。
一种降低内存消耗的技术，可能比在聊天界面上多加一项功能的应用产生更大的经济影响。
一个小型专业模型，在以更低成本完成精确工业任务、且可以在机构本地部署（On-Premises Deployment）时，可能具有比大模型更高的战略价值。
一种只为数千家公司略微降低推理成本的算法，从长期看也可能比数十个依赖同一模型的应用更有价值。
我认为，沙特必须为这样的未来做好准备。
我们拥有庞大的工业经济，也在能源、石化、水务、交通和金融服务领域积累了经验。这里的运行环境包含许多通用聊天模型难以解决的问题。
机会存在于工业人工智能（Industrial AI）、时间序列模型（Time-Series Models）、传感器数据学习（Sensor Data Learning）、低延迟推理（Low-Latency Inference）、阿拉伯语文档理解、多模态系统（Multimodal Systems），以及在边缘设备上高效部署的边缘人工智能（Edge AI）等方向。
如果我们把这些方向视为研究问题，而不只是开发新应用的机会，它们就可能成为可供出口的发现来源。
因此，我认为，Misraj 与 Kawn 这样的公司和实验室，可以成为更广泛转型的重要起点。
并不是因为它们会垄断创新，也不是因为一个模型就能改变整个产业，而是因为它们选择了一个我们需要扩大的方向：从消费模型能力，转向开发决定模型能够做什么的知识。
由此，我们的雄心也会改变。
问题不再是：有多少家沙特公司向企业提供 GPT 解决方案？
我们要问的是：沙特团队开发的技术中，有多少已经被沙特以外的机构和企业采用？
有多少模型、算法、评测工具或推理基础设施，从沙特实验室走进了全球技术生态？
又有多少初创企业围绕科学发现而成立，而不是围绕一份语言模型的商业订阅而成立？
这些不是用来装点门面的指标。
它们衡量的是我们位于知识价值链（Knowledge Value Chain）的什么位置。
我们可能成为本地区最大的人工智能市场之一，却仍不是重要人工智能技术的生产者。
我们可能在计算基础设施上投入数十亿美元，却仍没有创造出别人需要的新工程知识。
规模带来存在感，原创知识才带来影响力。
## 科学洞见不是从一张证据表里填出来的
当代技术话语有时误解了一个问题：它以为每一种未来判断，都必须从一套完整的实证证据开始。
这种要求适合核验一项具体主张，却不足以完整描述发现如何诞生、战略如何形成。
科学一直承认科学直觉（Scientific Intuition）、洞见（Insight）、溯因推理（Abductive Reasoning），也承认人在完整理论模型成形之前看见关系的能力。
科学家兼哲学家迈克尔·波兰尼认为，有一部分知识超出我们能明确写成规则与指令的范围；经验会生出一种认知能力，难以被完全压缩为机械化描述。 [17](https://polanyisociety.org/primary-resources-transcendence-and-self-transcendence/)
工业史上也充满这样的决策：做出决策的人并没有先获得有关未来的统计确定性，而是依靠一种工程或科学判断。当时的大多数人尚看不出它的价值。
如果每项技术的先驱都要求未来先把全部证据交齐，才肯投入其中，那么“先驱”二字便失去了意义。
因此，我押注深度科技的价值将持续上升，并不是断言未来早已写定，而是基于我所看到的经济趋势：通用能力的稀缺性下降，平台控制力扩张，难以复制的知识则愈发珍贵。
这是一种战略判断。好的战略判断不会等到趋势变成旧闻，才敢说出它的名字。
但预判一个产业的未来，与宣称自己发明了别人早已拥有的技术，二者界线再清楚不过。
直觉是科学家、领导者和创业者理应拥有的权利。
可给一个建立在 GPT 之上的产品捏造科学履历，不是直觉，而是在偷换产地标签。
## 制造世界真正需要的东西
让我们回到 ASML，那家从荷兰一间简陋棚屋起步的公司。
它成为全球性力量，不是因为它开发了运行在芯片上的应用，也不是因为它买来别人最好的产品，再换个名字重新营销。
它选择了价值链中一个更难、更深的位置。
它选择积累工程知识，再把知识变成机器，供应给那些制造数十亿人日常所用产品的企业。
这条路并不是通往名声或收入的捷径。
但它创造了一种仅靠应用数量无法带来的影响力。
这正是我对沙特人工智能产业的期待。
我不希望我们用这些数字衡量成功：在 GPT 之上能说阿拉伯语的界面有多少，挂着本地名称的智能体有多少，自称“人工智能领军者”的公司有多少——尽管它们的知识来源不过是向某家模型开发商购买了一份商业订阅。
我希望看到沙特的研究型公司生产模型、算法、架构、训练方法和评测工具，让世界把我们视为技术知识的来源，而不只是一片庞大的消费市场。
正因如此，我把 Misraj AI 与 Kawn Lab 看作一种值得培育的精神范例：实验室先提出问题，再设计界面；先研究技术结构，再给它取商业名称；它的目标，是生产其他公司也能用来继续开发产品的知识。
一家应用公司赢得数千名客户，当然可以是一项可观的商业成就。
但一家实验室如果开发出数千家公司都需要的技术，就可能打开一个完整的市场。
这就是参与既有市场与帮助创造新市场之间的距离。
我们无须反对使用全球模型。我们需要结束的，是这种可笑的伪装：技术进口者披上了技术发明者的外衣。
谁在 Claude 之上开发了应用，就坦率地说自己开发了应用。谁用 GPT 做出了智能体，就尽管为自己的产品自豪。谁成功经营出有利润的 SaaS，就尽管庆祝自己的客户与收入。
但谁想获得深度科技公司的称号，就该把深度放进技术，而不是放进描述界面的词汇。
**租来的头脑可以建立成功的生意，却不会赋予租用者声称自己制造了头脑的权利。**
展望未来十年，我在意的不是我们能否成为拥有最多“调用全球智能”应用的国家。
我在意的是，我们能否成为这样一个国家：开发出某些知识，让全球智能也必须依靠它才能变得更好。
**一个国家不会因为给别人的发明贴上许多自己的名字，就晋升为知识生产者；只有当它自己的发明在别人制造的东西中留下名字时，才真正抵达那个位置。**
这两个位置的差别，在应用屏幕上也许很小。
但放到工业史的尺度上，它们之间隔着这样一条界线：永远做未来的客户，还是成为制造未来的人。
## 参考文献与资料
1. [Our history](https://www.asml.com/en/company/about-asml/history) — ASML.
2. [Light & lasers — Lithography principles](https://www.asml.com/en/technology/lithography-principles/light-and-lasers) — ASML.
3. [Lenses & mirrors — Lithography principles](https://www.asml.com/en/technology/lithography-principles/lenses-and-mirrors) — ASML.
4. [Cymer](https://www.asml.com/en/company/about-asml/cymer) — ASML.
5. [The Market for ‘Lemons’: Quality Uncertainty and the Market Mechanism](https://doi.org/10.2307/1879431) — The Quarterly Journal of Economics / Oxford Academic.
6. [Platform envelopment](https://doi.org/10.1002/smj.935) — Strategic Management Journal / Wiley.
7. [New tools for building agents](https://openai.com/index/new-tools-for-building-agents/) — OpenAI.
8. [FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness](https://papers.neurips.cc/paper_files/paper/2022/hash/67d57c32e20fd0a7a302cb81d36e40d5-Abstract-Conference.html) — NeurIPS.
9. [Efficient Memory Management for Large Language Model Serving with PagedAttention](https://doi.org/10.1145/3600006.3613165) — ACM SOSP 2023.
10. [Kuwain 1.5B: An Arabic SLM via Language Injection](https://arxiv.org/abs/2504.15120) — arXiv.
11. [Baseer: A Vision-Language Model for Arabic Document-to-Markdown OCR](https://arxiv.org/abs/2509.18174) — arXiv.
12. [Kawn Lab](https://misraj.ai/en/research) — Misraj AI.
13. [Research and Publications](https://kawn.ai/en/research-and-publication) — Kawn.
14. [Lahjawi: Arabic Cross-Dialect Translator](https://aclanthology.org/2025.wacl-1.2/) — Association for Computational Linguistics.
15. [The Use of Knowledge in Society](https://dev.oll.libertyfund.org/titles/hayek-the-use-of-knowledge-in-society-1945) — Online Library of Liberty.
16. [Capitalism, Socialism, and Democracy](https://richard-langlois.uconn.edu/home/teaching/econ-5463-the-economics-of-organization/capitalism-socialism-and-democracy/) — University of Connecticut course text.
17. [Primary Resources: Transcendence And Self-Transcendence](https://polanyisociety.org/primary-resources-transcendence-and-self-transcendence/) — The Polanyi Society.
## 来源
作者原稿与所链接的一手资料
[来源 ↗](https://isafwan.com/zh-CN/ideas/borrowed-intelligence-economy/#article-references-title)
已发表
## 主题
[人工智能](https://isafwan.com/zh-CN/topics/#artificial-intelligence)[新兴技术](https://isafwan.com/zh-CN/topics/#emerging-technologies)[权力](https://isafwan.com/zh-CN/topics/#power)
[阅读清单 ↗](https://isafwan.com/zh-CN/archive/)
## 相关内容
[观点 / 已发表一台主动压低自己工价的计算机当推理服务降价快过长期算力资产回收资本，会发生什么？本文讨论软件效率、付费需求、可交付容量，以及人工智能硬件的商业寿命。](https://isafwan.com/zh-CN/ideas/gpu-capital-trap/)[观点 / 已发表当达曼开始制造“秒”解析 Groq LPU 的 SRAM 与静态调度架构、达曼推理服务及合成热感知调度实验，严格区分供应商公告、计算证明与待验证的现场效应。](https://isafwan.com/zh-CN/ideas/thermal-aware-inference/)
[返回](https://isafwan.com/zh-CN/ideas/)