天才，对AI发展到底有多重要？

“如果我们发明了这项技术，却不得不从别人那里把应用买回来，那就太令人遗憾了。”

关于人工智能，我们从对它一无所知到每天都能听到它，这背后的原因与加拿大有关。推动当代人工智能热潮的一些重大研究突破，都来自加拿大的科研人员，其中3位科学家的贡献尤为突出，他们是多伦多大学的杰弗里·辛顿、蒙特利尔大学的约书亚·本希奥以及阿尔伯塔大学的理查德·萨顿（ Richard Sutton ）。

加拿大在人工智能研究中扮演的重要角色，恰恰说明了少数几个人——在这个例子中，仅凭3个人——就能左右一个国家的技术地位，而他们甚至未必是土生土长的当地人。

我们先从杰弗里·辛顿讲起。要理解他对人工智能的贡献，最好先了解一些自1956年达特茅斯会议首次提出“人工智能”这一概念以来，推动该学科发展的重大争论。这次会议标志着人工智能作为独立研究领域的诞生。

人们通常所说的“人工智能”，实际是一个总括性术语，指的是一系列可以用来在机器中模拟类人认知的方法。不同学派的支持者往往对各自偏好的人工智能方法抱有近乎宗派般的热情，而这种由分歧激发的激情，在过去70年的发展历程中，深刻地塑造了人工智能这一年轻的学科。

神经网络是人工智能的一种方法，几乎自人工智能诞生之初便已存在。其基本理念是人工大脑应遵循与人类大脑相同的运作原理：由互相连接的神经元网络协同处理信息。听起来似乎理所当然，但事实并非如此。人造系统并非必须模仿生物系统，毕竟飞机不是通过扇动翅膀来飞行的。

要想知道神经网络“是什么”，或许最好先看看它“不是什么”。传统的计算机程序依赖明确的规则和预先定义的指令，这些指令被硬编码到系统中，它们就像复杂的流程图，根据用户的操作，沿着不同的路径运行程序——如果发生A，则执行B；如果未发生A，则执行C。人工智能中有一个分支叫符号主义或基于规则的人工智能，也被称为“老派人工智能” （Good Old Fashioned AI，简称GOFAI） ，就采用了这种方法。

假如你想教一台计算机识别猫。GOFAI的方法是为它提供大量关于猫的规则，有尾巴、有耳朵、毛茸茸等。每当程序看到一个符合这些特征的物体时，它就知道自己看到的是猫。解决这个问题的关键，在于为程序提供一套正确的规则。

神经网络采用的方法则截然不同，研究人员会向计算机提供数百万张标记为“猫”的图片，通过系统分析这些图片来识别规律，进而学习“什么是猫”。系统并非被直接告诉规则，而是通过示例、依靠模式识别来进行学习。

这也是神经网络与人脑的相似之处。孩子并不是通过背诵定义“猫”的规则来学会识别猫的，而是通过观察大量“猫”的示例来学习的。

基于规则的方法与基于示例的方法，可作为解决同一个问题的两种不同的路径。举个例子，如果要教一个系统下国际象棋，GOFAI的方法是向它输入棋规、棋盘上的各类局面以及棋子的可行走法。而神经网络算法则会提供大量棋局，让系统通过识别行棋模式来自主学习弈棋。

这两种方法几乎自人工智能成为一门学科开始就已存在。早在1957年，康奈尔大学的研究人员就建造了感知机，这是一台重达5吨、把整个房间填满了的计算机。正如其发明者弗兰克·罗森布拉特 （Frank Rosenblatt） 所说，它是第一台“能够自行形成判断”1的机器。不过这有些夸大其词，因为它只能执行简单的任务，比如区分左边有标记的卡片和右边有标记的卡片，这个例证虽然简单，但却证明机器能够学会自主学习。

感知机如今被公认为全球首个人工智能系统。在它刚面世时，这台“思考机器”给媒体带来的极度兴奋，与60多年后ChatGPT所引发的轰动如出一辙。《纽约时报》报道称：“新型海军装置通过实践学习：心理学家展示可阅读并持续增智的计算机雏形。”《纽约客》评论道：“的确，它让我们觉得这是有史以来人类大脑遇到的第一个真正意义上的对手。”

随着感知机的局限性逐渐显现，人们最初的热情迅速消退。它只能在严格的实验条件下执行最简单的任务。随之而来的是广泛的质疑，麻省理工学院教授、20世纪人工智能领域最具影响力的人物马文·明斯基（Marvin Minsky）甚至在1969年专门撰写了一本同名书《感知机》，专门批判其不足。2次年，明斯基获得了图灵奖，这是计算机领域的最高荣誉。

弗兰克·罗森布拉特的职业生涯则走向了相反的方向。随着神经网络的命运几乎被定型，他的研究兴趣从神经网络转向一个更具争议性的领域——将受训老鼠的脑组织提取物注射给未受训老鼠，观察前者的学习能力能否“迁移”给后者。1971 年，他因一场离奇的划船事故去世，享年 43 岁，而当时他正沉浸于这项研究之中。

神经网络一度失宠，成为一个边缘化、不体面的领域，其支持者甚至被描绘成涉足巫术和异教仪式的神秘主义者。这不是严肃学者会从事的研究方向。“神经”成了一个敏感词，研究人员费尽心思在论文中用“函数逼近”或“非线性回归”等概念来替代，让审稿人意识不到他们研究的其实就是神经网络。从 20 世纪 70 年代一直到21 世纪初，攻读博士学位的优秀青年都被告诫将精力投入其他方向。当时神经网络被认为是一条死胡同，投身其中无疑是葬送大好职业生涯的一条死路。

01

即便学术界普遍对神经网络避之不及，杰弗里·辛顿也依然坚守信念。位于多伦多的向量人工智能研究所首位CEO加斯·吉布森 （Garth Gibson） 对我说：“在20世纪80年代，杰弗里站出来挑战整个美国的 AI 学界，直言他们全错了。我认识其中的很多人，他们非常聪明，可以想见，杰弗里当时的做法有多大胆。”

辛顿于1947年冬天出生在英国温布尔顿，当时大英帝国已经日薄西山。他出生于一个科学家世家。他的曾祖父是乔治·布尔 （George Boole） ——布尔代数 （现代计算机的基石） 的发明者；表姐琼·辛顿 （Joan Hinton） 是核物理学家，曾参与“曼哈顿计划”。小时候，辛顿的母亲告诉他：“你要么成为学者，要么一事无成。”而在相当长的一段时间里，他似乎注定成为后者。

20 世纪 60 年代末，辛顿是剑桥大学国王学院的一名本科生，一时间搞不清楚自己擅长什么。他先后学过物理、化学、数学，后来干脆退学，一年后重新申请入学，尝试建筑专业，接着转学物理，继而转向生理学，最终于 1970 年拿到实验心理学学位后毕业。毕业后，他立即在伦敦找了一个木匠工作，给人做书架、装门，以此谋生。

几年后，辛顿经人劝说重返学术界，进入爱丁堡大学攻读人工智能博士学位。多年后，一位同事在会议上介绍他时说，此人曾在物理学栽跟头、在心理学半途而废，最后沦落到人工智能这个尚无标准的领域。辛顿乐于复述这个故事，但会补充一句说明：“我不是在物理学栽跟头、在心理学半途而废；我是在心理学栽跟头、在物理学半途而废——这样听起来可体面多了。”

正是在爱丁堡，辛顿开始转向研究神经网络。这是一场危险的涉足。20世纪70年代初，神经网络技术正处于低谷，大多数研究者纷纷选择离开这个领域，而非投身其中。但20多岁的辛顿认为那些“讣告”为时过早。加斯·吉布森继续说道：“杰弗里的立场一直是我们所知的‘唯一的智能机器就是大脑’，这是真正的智能。仅此一例，没有其他系统被证明也具备这种能力。那么，我们怎么能指望凭空发明另一种东西替代它呢？”

秉持这种信念，辛顿职业生涯的大部分时间处于学术主流的边缘。博士毕业后，他在英国甚至难以获得教职的面试机会。迫于无奈，他搬到了加利福尼亚，在加州大学圣迭戈分校工作，那里的学术环境对边缘思想更加包容。在此后的10年里，他在美英两国的学术机构之间辗转，直到1987年才在多伦多大学计算机科学系找到归宿，并一直任职至今。

20世纪80年代中期，辛顿在波士顿郊外的一座法国古堡式庄园举办的会议上做了报告，该庄园是附近麻省理工学院学者的避世之地，会议聚集了大约20位人工智能研究者。马文·明斯基也出席了会议。辛顿给在场的每个人分发他那满篇都是数学公式的论文，介绍他所说的“玻尔兹曼机” （Boltzmann Machine） ，这是一种神经网络，能够克服15年前明斯基在其著作中抨击的感知机缺陷。

当辛顿在台前演讲时，明斯基从自己那份复印件上拆下订书钉，将散页一张张摊开，摆放在面前的桌子上。他全程一言不发。演讲结束后，他起身径直离开，将那份复印件留在了现场。辛顿随后从桌上收集起散页，附上一张简短的便条，将它们一同寄往麻省理工学院明斯基的办公室，便条上写道：“您可能不小心把这些落下了。”

02

在之后的30年里，神经网络的发展仍然面临普遍质疑，这种状况一直持续到2012年，辛顿与他的两名研究生参加了斯坦福大学的ImageNet大赛。这是一个极具声望的计算机视觉竞赛，邀请研究者提交能够识别图像中物体的人工智能程序。辛顿的参赛作品AlexNet 基于神经网络算法，其表现远超竞赛对手，识别图片数量更多、错误率更低。这不是对以往成果的渐进式改进，而是一次实质性的飞跃，几乎彻底革新了计算机视觉领域。

2012 年 ImageNet 的比赛结果在机器学习领域掀起了巨大震动，当下的人工智能浪潮在很大程度上可以追溯到这一时刻。它使神经网络从边缘走向主流，几乎在一夜之间成为人工智能的主流方法。神经网络如今不仅被视为构建机器学习模型的可行方法，在大多数情况下更被认为是最有前景的方法。曾经被嘲笑为巫术、由一群怪人传播的技术，现在几乎成为人工智能的代名词。如今你听到的“人工智能”一词，常常是对“基于神经网络的深度学习”这一概念的粗略概括，而忽略了其他方法。

神经网络支撑着当今最耀眼的人工智能应用——从 ChatGPT到 Facebook 图像识别，再到特斯拉的自动驾驶汽车。辛顿曾长期被视为人工智能的异类，现在却成为该领域的重量级明星之一，甚至可能是最受人瞩目的一位。2018 年，辛顿与两位长期合作的伙伴约书亚 ·本希奥和杨立昆一起获得了图灵奖——这项奖励百万美元的奖项被认为是计算机领域的最高荣誉，而在近半个世纪以前，那位几乎一手摧毁神经网络声誉的马文·明斯基也获得了同一殊荣。2024 年，随着辛顿荣获诺贝尔物理学奖，他的研究贡献获得了更高层次的认可，学术地位彻底超越了明斯基。

辛顿在克服重重技术难关、直面科学界固有偏见的同时，也承担着沉痛的个人悲剧。他在投身这些“战斗”时，先后两任妻子都因癌症离世；而他自己也身患一种终身疾病，因腰椎间盘突出，就连坐下几分钟都无法坚持。辛顿醒着的时候，要么得站着，要么得躺着；既不能乘坐民航客机，与学生见面时也经常躺着。他用一贯的幽默感打趣自己无法久坐，说自己患有“长久站立的问题” （long-standing problem） 。

这位科学家的故事就像好莱坞电影的剧情一样：在职业生涯的大半时光中，他“站” （既是字面意义，也是事实） 在传统观念的对立面，在科学的荒野中独自摸索多年，经历巨大的个人磨难，最终扭转众人的观念，证明了自己的理论。在我们的集体意识里，这正好体现了科学事业最理想化的模样：人类与世界对抗，人类获胜；光明与黑暗较量，光明获胜。

我问辛顿，这些年面对重重阻力何以坚持不懈。他说这是他与生俱来的性格特质，在面对同辈压力时总是“刀枪不入”；他总是保持一种开放心态，认为所有人都可能犯错。他回忆起7岁时的一件事。当时老师问学生：“美好的一切来自哪里？”出身红色家庭的小辛顿脱口而出：“来自俄罗斯！”

当辛顿在20世纪80年代首次来到多伦多大学时，学校的计算机科学课程虽受认可，但并不顶尖。尽管他的人生的大部分时光可能游离于主流之外，但现在主流向他伸出了橄榄枝。ImageNet的成功引发了围绕辛顿实验室的人才争夺战。2013年，谷歌以4 400万美元收购了DNNresearch—— 一家基于辛顿的研究而组建的初创公司，只有3名员工，既没有产品，也没有财务报表。辛顿和亚历克斯·克里泽夫斯基 （Alex Krizhevsky，他是AlexNet的合作研究者，该项目以他自己的名字命名） 加入谷歌。另一位论文合作者伊尔亚·苏茨克维 （Ilya Sutskever） 也是人工智能领域备受瞩目的人物，曾是OpenAI的联合创始人兼首席科学家，但因一次失败的内部争斗而被迫离开公司。

如今已70多岁的辛顿仍积极参加研究工作，只不过逐渐减少了指导学生的工作。“指导研究意味着你必须能够洞察学生的思维方式，而我最近发现自己越来越难做到这一点。”他对我说。辛顿之前的学生和合作伙伴在全球人工智能领域极为抢手，几乎可以在所有主要的科技公司——从美国到欧洲，再到亚洲——的人工智能部门高层中看到他们的身影。

03

多伦多大学能在一代人的时间里实现人工智能领域最大的突破，且它的学生在世界上最先进的科技公司最前沿的部门里炙手可热，这无疑是对加拿大在前沿计算领域顶尖竞争力的极大肯定，但同时也带来了令人不安的问题。

为什么这个国家在公立大学里培养出最聪明的人工智能人才，却要眼睁睁看着他们离开，去为美国、中国和英国的公司工作？为什么机器学习领域的重要科学突破发生在加拿大，但其商业收益却流向了海外企业？为什么加拿大在人工智能研究方面如此出色，却难以将这项变革性技术潜在的经济价值变现？

“这项技术基本是我们发明的，但其经济价值却流向美国西海岸和中国的科技公司，”总部位于多伦多的风投公司Radical Ventures的管理合伙人乔丹·雅各布斯 （ Jo rdan Jacobs） 说，“如果我们发明了这项技术，却不得不从别人那里把应用买回来，那就太令人遗憾了。”

乔丹是加拿大人工智能领域的重要人物。2017 年，他与另外7 人共同创立了多伦多向量人工智能研究所。这一构想的初衷是借助杰弗里 ·辛顿在该市的影响力，建立一个以他为核心的研究机构，将他的学术思想延续下去。辛顿本人也是该研究所的创始人之一，并担任首席科学顾问。

通常来说，各国在建设人工智能基础设施时，会向大学院系和研究实验室投入大量资金。Vector 人工智能研究所的独特之处在于，它超越现有的大学体系，是一种新型的制度。它汇集了 20 余所大学的资源，充当高校与机构之间的桥梁。

Vector 人工智能研究所的核心定位是一家研究机构，目标是在人工智能领域与哈佛大学、斯坦福大学、麻省理工学院等顶尖学府竞争。为实现这一目标，它通过提供科研经费与奖学金，吸引优秀的人才到加拿大发展。它的另一项使命是将这些研究成果转化为现实应用。该学院负责推动人工智能在现有产业中的应用，并帮助那些正在开创新产业的初创公司，具体包括孵化企业、组织研讨会，以及将人工智能人才与有需求的公司对接起来。

但Vector 人工智能研究所的雄心不仅在于孵化更多的人工智能公司。它渴望成为催化剂，彻底改变加拿大的经济本质。与其他发达经济体相比，加拿大的特殊之处在于它仍在很大程度上依赖原材料，主要是石油和木材。它是世界第二大木材出口国和第四大石油出口国。但这两类资源的“好日子”快到头了，它们正日益成为环保人士的批评目标，其宏伟蓝图是用人工智能产业取代国家经济基础中的原材料产业。

“我们既不能坐以待毙，以为靠货币贬值就能提升竞争力，也不能抱着靠出口原材料过活的想法，”Vector 人工智能研究所主席艾德·克拉克 （Ed Clark） 说道，“很明显，石油不可能永远支撑我们，所以我们必须比世界上任何人都更擅长培育人工智能公司。”

克拉克如今已年近80岁，被视为加拿大商界的元老。他能走到这一步，过程充满艰辛。他出生于学术世家，父亲是多伦多大学社会学系的创始人，母亲则于二战前在哥伦比亚大学攻读经济学，这在当时的女性中并不多见。克拉克和他的兄弟一样，于20世纪70年代在哈佛大学获得了经济学博士学位。不久后，他进入加拿大政府工作，10年间担任多个要职。他原以为会在公职人员体系中度过一生，却在1985年被时任总理布赖恩·马尔罗尼 （Brian Mulroney） 亲自解雇。

“他给我申请过的每一家加拿大机构打电话说，‘如果你们敢雇用他，就是在和加拿大政府作对’，”克拉克告诉我，“那段时间我走在渥太华的大街上，人们真的会故意绕到街对面去，就为了避免与我碰面。”

于是，37岁的克拉克，身为4个孩子的父亲，已然身无分文，不得不离开所谓前途光明的公职和祖国，到美国开始新的生活，当时只有美林证券 （Merrill Lynch） 愿意雇用他。当加拿大总理的最后通牒传到新雇主那里时，公司总裁对克拉克说：“没有人能插手美林证券的招聘。你被录用了！”

中年的克拉克从加拿大政府的权力巅峰跌落到美国企业界的金字塔底层。他回忆道：“我走来走去，帮25岁的投资银行家提公文包，他们会说：‘读一下那份文件，检查有没有错字。’”不过，他很快便后来居上，在投资银行混得风生水起。他最终以多伦多道明银行（TD Bank）首席执行官的身份退休，在12年里，他将一个平庸的企业转型为加拿大第二大公司，同时跻身美国十大零售银行之列，并在此过程中巩固了自己作为加拿大顶尖商人的声誉。他说：“我的妻子总说，是布赖恩·马尔罗尼让我成为百万富翁的，因为如果不是他，我大概永远不会辞去政府公职去创业。”

克拉克于2010 年被授予加拿大官佐级勋章，并于2016年入选加拿大商业名人堂。他自称是加拿大的民族主义者，希望看到自己的国家培养出更多具有全球影响力的公司。他说：“除了慈善事业，如果说我还对某个事业抱有热情，那就是如何打造伟大的加拿大公司，而不仅仅是国际公司优秀的加拿大子公司。”

克拉克是极有威望的人物。乔丹·雅各布斯在为Vector 人工智能研究所物色主席人选时，认为克拉克就是最佳选项。克拉克拥有推动这一计划所需的威望和人脉，也具备让事情迅速运转的创业精神。乔丹告诉我：“艾德 ·克拉克是整个项目中至关重要的催化剂。他有关系网，可以打电话跟一家大银行的 CEO 说：‘你去投 500 万。’挂掉电话后再对我说，‘去告诉他为什么要投 500万’。”

自10 多年前克拉克从银行退休后，他在担任加拿大人工智能领域的关键推动者时找到了新的使命。他说：“在人工智能领域，我坚信如果我们赢不了，那么所有传统行业都会落后。这关乎生存，我们必须赢得这场战役。”

04

Vector 人工智能研究所是基于泛加拿大人工智能战略 （Pan-Canadian AI Strategy） ——这是世界上第一个人工智能战略——设立的三大研究机构之一，其他两个是蒙特利尔的蒙特利尔学习算法研究院 （ Mo ntreal Institute for Learning Algorithms，简称Mila） 和埃德蒙顿的阿尔伯塔机器智能研究所 （Alberta Machine Intelligence Institute，简称Amii） 。加拿大非常重视平等，因此在发展人工智能时，它希望将资源较为均衡地分配给主要省份。

如果说Vector 人工智能研究所与杰弗里 ·辛顿紧密关联，那么 Mila 就是围绕蒙特利尔大学计算机科学教授约书亚 ·本希奥建立起来的研究中心。早年，当神经网络还被视为边缘学科时，本希奥就与辛顿展开了深度合作，因此两人在 2018 年共同获得图灵奖也就不足为奇了。倘若没有他们的合作，就不会有当今人工智能领域的繁荣发展。

“杰弗里、杨立昆和我当年关系相当密切，”本希奥告诉我，“我们至今仍保持联系。但我认为在深度学习前途渺茫的那些年，这种合作尤为关键。当时我带着很大的压力去做其他研究，因为我的学生们希望毕业后能找到工作。”

本希奥是全球论文被引用次数最多的计算机科学家，几乎可以在世界上任何一所大学的计算机系担任教授。他还收到许多大型科技公司发来的邀请，其中包括微软公司一份非常正式的邀请。但即便他的图灵奖共同获得者长期效力于大公司——辛顿曾在谷歌工作，杨立昆是Meta的人工智能研究部门主管——本希奥也一直坚守在学术界，而且自1993年起一直待在蒙特利尔大学。我问他为何如此。

“可以这样说，我对这个国家的依恋让我成为现在的自己，”他说，“去美国可能对我的职业生涯很有帮助，但那样违背我的初衷，我受益于这里的公立教育体系；另一个原因是，我有一个疯狂的设想——我们可以在加拿大创造另一个硅谷。”

Mila 是将这一设想付诸实践的机构。它的目标是在蒙特利尔汇聚大量的人工智能研究人员，使他们能够共同创造像硅谷那样繁荣的网络效应。该研究所主要是蒙特利尔大学和麦吉尔大学的合作机构，其任务是产出世界一流的研究成果，孵化机器学习领域的前沿初创企业。

本希奥将神经网络最初的资金支持归功于加拿大高等研究院 （Canadian Institute for Advanced Research，简称 CIFAR） ，当时该学科在主流学术界尚不受欢迎。CIFAR 是制定并执行泛加拿大人工智能战略的机构，根据该战略建立了 3 个主要的人工智能研究所——Vector 人工智能研究所、Mila 和 Amii。本希奥说：“它会进行长期投资，同时投资我们的‘深度学习梦’。虽然资金不多，但它给予我们道义支持和智力激励。”

CIFAR支持前沿科学领域的长期性、全球性、跨学科合作，涵盖从意识研究到量子材料制造的方方面面。该研究院自称“非凡头脑的网络”，它被视为公共资金投入基础研究领域风险承受度最高的机构之一，有时会对有前景的想法进行跨代投资。

与美国机构的高昂预算相比 （如DARPA拥有高达40亿美元的雄厚预算） ，CIFAR的年度预算相对有限，仅约3 000万美元，但该机构在高风险、高回报领域的战略性投资方面积累了扎实的成功经验。本希奥指出，这对其他希望在资源有限的环境下资助大胆创意的国家而言，是一个值得借鉴的范式。

当加拿大于2017 年启动泛加拿大人工智能战略时，政府为

3个人工智能研究所——Vector 人工智能研究所、Amii 和 Mila——最初 5 年的发展拨款1.25亿加元。到了2021年，又为接下来的

10年追加了4.438亿加元。听起来不少，但其实并非如此。与主要竞争对手相比，加拿大在人工智能研究上的公共投入可谓微乎其微。

2023年，英国政府承诺拨款10亿英镑用于人工智能研究。

2021年，由埃里克·施密特 （Eric Schmidt） 主持的美国国家安全人工智能委员会 （US National Security Commission on Artificial Intelligence） 提议，将美国年度非国防类人工智能研发支出翻倍，增加至320亿美元。至于中国方面的具体投资数字，美国估计其投入规模与美国的公共支出相当。

“我们永远无法在投入上超过英国、中国或美国，我们甚至远远达不到它们的水平，”Mila的总裁兼首席执行官瓦莱丽·皮萨诺 （Valerie Pisano） 告诉我，“所以，如果我们不能做到规模更大、投资更多，那么我们就需要更快、更聪明、更具有创造力。”

加拿大清楚自己无法用资源大国的玩法去竞争。因此，它给Vector 人工智能研究所、Mila 和 Amii 下达的任务是提出不同的策略，而不仅仅是模仿现有成果。皮萨诺继续说道：“我们的想法是必须采取不同的方法，而且必须大胆。典型的做法是把资金投入大学内的小团队，这可能不够灵活、不够激进、不够有创意，当然也不够宏大，因为这不是一场区域性或国家性的比赛，而是国际性的。”

若想在人工智能领域取得胜利，加拿大不能仅靠“金钱加努力”，而是必须采取不同的方式。皮萨诺说：“在Mila，我们用这个说法来形容——‘在创新中创新’。这不仅仅是参与创新，更是尝试新的模式，从失败中反思，再次尝试不同的方法与合作，并且实现超高速的迭代。”

Mila的策略是将学术界的前沿研究迅速传递给初创公司，使它们能赶在全球其他竞争者之前，将这些研究成果融入产品中。本希奥和Mila的存在，为那些想要比海外竞争对手更快地将新人工智能产品推向市场的初创公司提供了巨大的助力。

BrainBox AI 是一家总部位于蒙特利尔的初创公司，主要利用人工智能优化商业建筑的能源使用。该公司通过深度学习，收集包括天气、建筑占用率和热环境条件在内的各种数据，实时优化能源消耗，从而显著提高能源效率。

该公司的首席执行官萨姆·拉玛多里 （Sam Ramadori） 告诉我，有了Mila的帮助，公司得以汲取来自全球最先进人工智能生态系统的人才和创意。人工智能研究人员开发新技术、像他这样的公司将这些技术在实际应用中落地——这样的紧密反馈循环使初创公司能够在越来越快的开发周期中构建、测试、学习和迭代。

“我们处在一个良好且健康的生态系统中，其重要性不言而喻，”拉玛多里说，“尤其是当你面对一项新技术却又无处求援时。如果我是在编写传统软件，那没什么问题，你甚至可以让远在他国的团队帮你完成整个编码。但在人工智能领域，我们还没做到那一步。因此你需要不断地互动来测试最新、最棒的技术。”

05

位于加拿大西部阿尔伯塔省首府埃德蒙顿的阿尔伯塔机器智能研究所是Vector 人工智能研究所和 Mila 之后的第三个姊妹机构。与Vector 人工智能研究所以杰弗里·辛顿为核心以及 Mila 以约书亚·本希奥为核心相似，Amii的核心人物是理查德 ·萨顿，他既是该研究所的首席科学顾问，也是阿尔伯塔大学的教授。

萨顿是全球公认的强化学习（Reinforcement Learning，简称RL）权威。强化学习是人工智能的第三种方法，与前文提到的符号主义人工智能和神经网络不同，近年来，它作为一种用于构建更强大的人工智能系统的技术迅速流行。

强化学习同样借鉴了动物智能模型，尤其是行为心理学的研究成果。它通过“试错”机制不断学习，以适应新的复杂环境。一个强化学习程序通过执行动作与环境互动，并以奖励或惩罚的形式获得反馈。随着时间的推移，程序会倾向于更多地执行那些获得奖励的动作，而减少那些导致惩罚的动作。

因此，GOFAI通过给计算机提供“什么是猫”的规则来教它识别猫，神经网络通过展示大量示例来教它识别猫，强化学习系统向程序提供大量图片，每次正确识别就给予奖励，每次错误识别就给予惩罚。算法一开始对输入的判断是随机的，但随着识别行为不断被强化，它会慢慢给出越来越准确的答案。

强化学习与神经网络一样，从人工智能学科成立之初就已经存在，其最早被提及可以追溯到20世纪50年代艾伦·图灵的工作。但直到最近，这种方法在人工智能领域都不被视为特别有前景，甚至连杰弗里·辛顿也曾持有怀疑态度。

和诺贝尔奖得主一样，图灵奖获得者也会受邀发表演讲，分享自己的研究成果。辛顿于2019年夏天在亚利桑那州菲尼克斯发表了他的演讲，其间他毫不客气地调侃了强化学习：“有两类学习算法，严格说有三类，但第三类的效果不太好，那就是强化学习。”13观众爆发出会心的笑声后，辛顿进一步说道，“强化学习有一个绝妙的归谬法证明，它的名字是‘DeepMind’”。

这次轮到辛顿扮演明斯基的角色—— 一个随意轻视新生事物，但后来不得不改变看法的权威人物。如今，强化学习已成为新一代更强大的人工智能系统的标配，这在很大程度上要归功于DeepMind。强化学习是DeepMind的产品AlphaZero的核心，可以在围棋、将棋和国际象棋中战胜任何人类选手；相比之下，它大幅超越了前一版本AlphaGo，并且能够击败AlphaGo。

AlphaGo与AlphaZero的主要区别在于，前者像神经网络一样通过大量棋局进行训练，而后者完全通过自我对弈不断强化学习。因此，AlphaZero的能力更具有普适性，它可以在多个棋类游戏中超过人类水平，因为它的训练并不依赖于学习过往的棋局样本。

强化学习也被加州公司Covariant采用。该公司生产的人工智能驱动机器人可用于仓储领域，能够自动执行拣选、分类和组装等流程。辛顿向来对宗教持怀疑态度，在决定投资Covariant时几乎经历了一次“顿悟”，他后来在推特上写道：“我当初投资得相当少 （我可不想‘强化’强化学习） ，但现在我后悔没有多投100倍。”

将强化学习从边缘带入主流的最大功臣当属理查德·萨顿。他撰写了该领域的标准教材，至今出版发行已超过25年。萨顿留着浓密凌乱的胡子，为人朴实，更像一位典型的哲学家，而非计算机科学家。他出生于俄亥俄州，本科在斯坦福大学学习心理学，1984年在马萨诸塞大学阿默斯特分校获得计算机科学博士学位。起初，他的职业生涯按部就班，但2003年他40多岁，在贝尔实验室工作时被诊断出患有癌症，这让他开始怀疑自己所做的一切是否还有意义。

萨顿对我说：“我当时以为自己很快就会死去，一切显得有些超现实。我厌倦了在原地等死，于是决定去加拿大找份工作。”

2003年冬天，萨顿接受阿尔伯塔大学的教职时，并未认真思考这是不是自己职业发展的最佳选择。当他站在第一堂课的讲台上时，他告诉学生自己可能没法完成整门课程。他经历过4次重大手术、化疗和免疫治疗，一种黑色素瘤已经侵袭并扩散到他的主要器官和大脑。学校知道他的健康状况，但仍冒险聘请这位来自海外、虽有声望却身体欠佳的教员。这一决定最终被证明是极其明智的。

那个曾以为自己撑不过秋季学期的人，反而迎来了最精彩的岁月。萨顿用了5年时间战胜癌症。20年后，他60多岁，身边的同龄人大多已退休，而他仍专注于工作。

萨顿被认为是计算机科学领域十几位顶尖学者之一，并于2025年荣获图灵奖。这提升了阿尔伯塔大学计算机科学系的声誉——这个远在亚北极地带的边缘且鲜为人知的研究圈子，如今已被视为机器学习的顶级学府。“我深感自豪，如今阿尔伯塔大学已被公认为全球强化学习研究的首选机构。”他说道。

那么，究竟是怎样的改变，使强化学习成为构建更先进人工智能系统的首选方法呢？答案在很大程度上与计算能力的提升有关。像辛顿这样的怀疑论者曾反对强化学习的原因是它效率太低。如果你必须通过反复试错教会一个程序下棋，那么所需的模拟尝试次数实在太多；相比之下，向程序展示以往的棋局或硬编码规则会更高效。然而，计算能力的巨大飞跃已经强力解决了这一问题。如今，即便算法效率极低，依然可以取得惊人的效果。

以OpenAI Five为例——这是一款基于强化学习原理开发的、能够以世界冠军水平玩《刀塔2》 （Dota 2） 的程序。该智能体经过45 000年的模拟时间 （相当于每天的游戏时长约250年） 才学会游戏规则。在10个月的训练过程中，该程序消耗了800 petaflop/s-days （千万亿次浮点运算/秒·天） 的计算资源。如果用一台普通电脑连续满负荷运算，需要超过200年才能完成同等量的计算。训练OpenAI Five所需的电力为110万千瓦时，相当于一个美国家庭约92年的用电量。像萨顿这样的强化学习支持者一直认为这种技术从原理上是可行的，只是需要更强大的计算能力来展示其效用。

“别忘了，是计算能力的提升才使这一切成为可能，”萨顿说道，“它是必要条件，但不是充分条件。更重要的一课是，随着计算能力的提升，最强大的方法将是那些能够随着计算能力扩展的方法。但你必须找到这些方法，单靠计算能力是无法解决问题的。”

萨顿认为，与其他竞争方法相比，强化学习更适用于构建更强大的人工智能系统。“我并不认为深度学习是一个合适的解决方案。”他说，并表示他对ChatGPT这样的大语言模型并不推崇，把它们的表现等同于智能会削弱“智能”这个词的意义。萨顿说：“我对智能的态度极其严肃，它是宇宙中最强大的存在。”他又补充道：“OpenAI只是在模仿人类，这不是智能，因为它不具备实现目标的能力。模仿人类并不是什么强大的事情，它可能流行，但不会成为真正的力量所在。”

不仅是OpenAI。萨顿对美国在人工智能领域自诩的“进展”也感到失望。他问道：“美国到底有谁在试图弄清楚智能是如何运作的？你看那些大学，它们关注的都是应用而不是思维，真令人失望。”

萨顿认为加拿大在基础研究方面可以超越自身规模，原因之一是该国的主要科研资助机构——加拿大自然科学与工程研究委员会 （Canadian Natural Sciences and Engineering Research Council，简称NSERC） 的运作方式与美国的国家科学基金会截然不同。他说：“每个人都会得到一笔小额资助，你可以真正做自己想做的事，而不必编造理由。虽然规模更小，但关注点也更集中。”

在萨顿看来，美国科学家的研究方式与他的加拿大研究团队在人工智能研究的方法上存在理念差异。在美国，研究更偏向商业化，人工智能前沿主要由那些试图寻找实际应用的公司推动；而在加拿大阿尔伯塔省，研究倾向于对思维运作机制进行根本性的探索。

“我把自己看作思维研究这一长久传统的一部分，其中涉及许多重要的问题，而我们还不知道如何作答，”他表示，“另一种思考方式则是：‘不，我们得想办法先让技术落地，不用把原理搞得那么明白，只要它能运转、产生效果、足够酷炫且让所有人眼前一亮就行。’这种思路的目标是制造热度，而非解答那些存在了数十年乃至数百年之久的难题。”

2022年，萨顿公布了《阿尔伯塔人工智能研究计划》，这个方案包含12项建议，旨在将埃德蒙顿的研究群体置于破解智能之谜的前沿。他坚信10年内出现具有人类水平的人工智能的概率为1/4，而且最终实现这一目标的群体将是他的研究团队。“理解智能是一项伟大的科学奖项，而这一奖项可能很快就触手可及，”他在2022年夏天由Amii组织的一场座无虚席的讲座中表示，“‘阿尔伯塔计划’正是为了这一伟大奖项制定的。”

“很难描述它的重要性，大概与地球生命的出现相当，”他说，“这是生命开始理解自身的时刻——不再仅仅依靠复制，而是通过设计去创造新的生命。”

06

人们普遍认为，加拿大在人工智能领域能够占据突出地位，在很大程度上要归功于三个人物：杰弗里·辛顿、约书亚·本希奥和理查德·萨顿。首先是这三位科学家，接着是他们的研究生，然后是像AlexNet这样的重大技术突破，再然后是寻求人才的大型科技公司，大型研究机构和高价值企业跟着也来了，最后就是巨额资金。但最先出现的，始终是这三位科学家。

一方面，这显示了个人的力量，他们能够改变整个国家在某一关键技术领域的重要性，另一方面，这不仅仅是个人胜利的故事，更是政策促成的结果。可以说加拿大在人工智能领域相当于中了三次头奖，很大程度上是因为它多年来一直在“购买所有的彩票”。其科技产业的崛起并非偶然，而是健全公共政策的结果——数十年来，加拿大一直在进行一项大胆的社会实验，网罗世界上最优秀的人才，并将他们吸引到本国。

这三位人工智能先驱都是第一代移民：杰弗里·辛顿出生于英国，约书亚·本希奥出生于法国，理查德·萨顿出生于美国。他们是常态，而非例外——加拿大的大多数科技领军人物也是从海外引进的。辛顿在AlexNet的合作者亚历克斯·克里泽夫斯基出生于乌克兰，另一位合作者伊尔亚·苏茨克维出生于苏联。

加拿大最著名的企业家托比亚斯·吕特克 （Tobias Lütke） 是Shopify的创始人，这家公司市值达到2 000亿美元，是21世纪以来加拿大最有价值的公司，他出生于德国。克里斯蒂安·维德布鲁克 （Christian Weedbr ook ） 是著名的量子计算公司Xanadu的创始人，他出生于澳大利亚。罗哈姆·加雷戈兹卢 （Roham Gharegozlou） 是加拿大最有价值的私营新兴科技公司Dapper Labs的创始人，他出生于伊朗。

他们来到加拿大并非偶然，而是历届加拿大政府有意引进海外人才，为这个幅员辽阔却人口稀少的国家补充人口的结果。

加拿大拥有世界第二大面积的国土，几乎与整个欧洲相当。但人口仅约4 000万，与美国加利福尼亚相当。加拿大的人口密度位居世界最低，每平方千米仅有约4人。相比之下，孟加拉国每平方千米有1 300人，新加坡有8 000人。此外，本土出生的加拿大人口还在进一步减少，该国的生育率低于更替水平，几乎只有全球平均水平的一半。

长期以来，增加移民被视为解决这一人口赤字的答案。早在20世纪60年代，加拿大就开始构建这套如今在移民接收国独树一帜的政策体系。在大多数国家的移民部门致力于阻止人们进入时，加拿大却以吸引移民为目标，政府每年甚至会雄心勃勃地设定移民接收数量。

加拿大每年接收的合法移民人数大致与美国相同，约45万人，尽管其人口仅为美国的1/10；约1/4的人口出生在海外，预计20年

内1/3的加拿大人将具有移民背景。像多伦多、密西沙加和布兰普顿这样的城市，超过一半居民出生于加拿大境外，这一比例远高于世界其他城市。

一些倡导者提出的人口目标远高于现有的水平。2014 年，时任麦肯锡首席执行官多米尼克·巴顿 （Dominic Barton） 发起一个游说组织，后来被称为“世纪倡议” （Century Initiative） ，这是一个大胆且颇具争议的方案，旨在到 21 世纪末将加拿大人口增加到1 亿。该项目获得贝莱德等机构关联的企业巨头的支持，以建立类似亚洲超级城市群 （mega regions） 的发展模式为目标，并将“合作能力”视为一个值得探索的领域。

“我们有一项移民政策，如果全世界的聪明人都想来加拿大生活，那么为什么不让他们来呢？ ”艾德 ·克拉克说道，“我们每年接收 40 万移民，其中32.5万人受教育程度较高。这不是很好吗？”

这听起来像是一个明智的策略，人们会认为在那些受移民欢迎的国家中，这种做法应该是常态。但事实并非如此。加拿大对外来者的开放态度可谓“另类”——在大多数国家纷纷紧闭边境大门时，只有它对移民保持着广泛的支持。

人们很容易得出结论，认为这仅仅是出于经济的必要性：劳动人口减少，加上自然资源基础逐渐枯竭，意味着该国别无选择，只能通过引进更多海外人口来弥补。加拿大劳动力的增长已完全依赖移民。然而，如果仅从经济角度看待这一问题，就过于简单了。多年来，发达国家普遍面临人口减少的问题，但没有哪个国家像加拿大一样对引入更多移民表现出那么高的热情。

德国本土出生人口的减少速度与加拿大相当，每年接收的移民人数也差不多，但由于德国的人口是加拿大的两倍，从相对比例来看，其移民占比要小得多，并且两国对待移民的态度截然不同。

加拿大议会中的5 个政党都没有明确的反移民议程。加拿大第二大党派保守党的领袖皮埃尔 ·普瓦列夫尔 （Pierre Poilievre） 进一步向右翼靠拢，其激进的民粹主义作风常被拿来与唐纳德 ·特朗普相提并论。即便如此，他仍然公开坚称“保守党支持移民政策”，且他本人也娶了一位来自委内瑞拉的移民为妻。

在德国，移民问题带来的分歧已成为该国政治的头版头条，这在极右翼德国选择党 （Alternative for Germany，简称AfD） 的崛起中表现得尤为明显。该党在10年间从一个无议会代表的极端边缘组织发展成为德国的第二大党。

德国的情况反映了欧洲其他国家的现状。当反对声音主要源于文化层面，即大量外籍人口涌入削弱了“塑造国民身份的特质”时，经济层面的论证便难以令人信服。对于移民怀疑者而言，首要的问题并非“我们愿意与外来者分享多少自身的繁荣”，也不是“这些新移民能让我们变得多富有”，而是“我们是谁”。

在北欧，我听到有人担心移民正让金发人口比例下降；在丹麦，我听到一位女性大声质疑，涌入该国的移民能否真正理解“身为丹麦人的感受”；随着越来越多的移民涌入，对丹麦人身份的定义是否也正面临危机？

这种情绪并非仅存在于发达国家。独生子女政策带来的人口减少，使中国人口的减少速度比欧洲还快，经济学家预测这可能对国家的增长前景产生影响。然而，几乎没有政策支持引入更多外来人口。

中国已有14亿人口，其中只有100万人是移民，占人口总量不到0.1%。相比之下，美国为15%，德国为19%，澳大利亚为30%。

所以问题不是为什么其他国家不像加拿大，而是为什么加拿大不像其他国家？其人口特征正在发生变化，甚至比大多数地方更加显著。15加拿大的本土出生人口在七国集团中最少，但相对于人口规模，其移民接收量占总人口的比例却居七国之首。这些移民的文化差异性与其他移民热点地区拒之门外的群体同样显著，其中很大一部分来自亚洲。

 图8-1 加拿大移民的来源情况，资料来源：美国外交关系协会

答案主要在于，虽然德国人和中国人可能对自己的身份有固定的认知，但很难界定“加拿大人”。拥有这一身份的群体似乎明白，他们所体现的是一种不断变化的、流动的状态。这是一种具有包容性的身份认同。当其他文化焦虑如何保持自身的原貌时，加拿大人似乎更好奇去探索混合后的模样，不是抗拒，而是积极拥抱更快迭代的自我认知。

这种开放的心态，使加拿大成为那些担心在其他地方碰壁的移民的首选。杰弗里·辛顿之所以决定在多伦多担任教职，部分原因是他认为自己从秘鲁和危地马拉收养的两个孩子在那里会更容易被接纳。

艾德·克拉克非常自豪地告诉我，他的三个孙子和孙女都有一半中国血统，并讲述了一个他在布鲁金斯学会——他目前担任该学会的董事——会议上的经历。“我参加了一场布鲁金斯学会的会议，一位黑人女性在谈论人工智能时说：‘我们得说清楚，这是一个白人男性主导的行业。’我转向旁边的那位男士说，‘要不要给你看看Vector 人工智能研究所研究人员的照片？我敢肯定我们这里有白人男性，我想我应该能找到一个，但我们这里也有伊朗女性和俄罗斯女性’。看到这些，你就会说，那才是我们的未来’。”

如果断定加拿大人对移民的态度完全是因为天生的开放心态，那就错了。地理因素起到很大作用。该国天然享有“隔离”的地理优势：它的南边是世界上最富有的国家，东西两侧是无尽的海洋，北边是一片冰原。

前往美国和欧洲的移民可以徒步越过边境，数以百万计的人就是这样做的。而想要移民加拿大的人，至少得买得起机票。这种最基本的筛选产生了一类特定的移民：受过教育、中等收入、守法。他国只能被动接收无法拒之门外的移民，而加拿大却能主动选择它想要的移民。这就形成了截然不同的局面。

“我确实研究过有关多样性的各类成果，而非停留在‘我们认为这是对还是错’的争论上。多样性是否真能提升创造力？是否真能改善公司业绩？研究结论一致表明：全球没有任何一项研究否定‘多样性会改善公司业绩’这一论断。我认为加拿大正从中获益。科技与初创企业无疑是体现这一优势最为鲜明的领域之一。”Mila的首席执行官瓦莱丽·皮萨诺表示。

这种对移民的热情能否持续仍有待观察。近年来，加拿大民众对新移民的态度发生了显著变化。16 2022年，只有27%的加拿大人认为进入该国的移民过多；而到2024年，这一数字飙升至58%，创下自1998年以来对移民关注度的最高水平。针对这一公众情绪的变化，政府已大幅降低移民目标，但这些措施如何影响该国的科技行业仍是一个未知数。

07

为了吸引最勤奋的移民，加拿大通过简化程序，不断提高自身的竞争力。加拿大的移民制度被公认为典范，人们常将其与赴美移民所面临的烦琐程序进行对比。

美国的工作签证本质上像彩票抽奖。2025年，只有大约1/6的申请者获得了在美工作的许可。而在加拿大，这类签证没有上限，国家会接收尽可能多且劳动力市场能够吸纳的工作者。美国的移民制度不区分优劣，而是对申请者一视同仁，结果经常是资质较差的候选人反而比资质优秀的候选人更容易被选中。在加拿大，申请者的质量是其积分系统的核心，该系统通过年龄、语言能力、教育背景等因素对候选人进行评估和排名。

但加拿大移民最吸引人的地方在于其高效性和可预测性。即便是在美国幸运获得签证的人，也仍需经历重重手续和数月等待，而在加拿大，相关程序可以在几周内完成。

“如果我与苹果公司争夺来自瑞士或英国的人才，苹果可以承诺6个月以后把他们放在签证的抽签池，结果可能中签，也可能不中签。但我可以对他们说：‘两个星期后的周一你就可以来上班’，”乔丹 ·雅各布斯说道，“几乎每个人都希望对自己的未来有明确规划，所以这就创造了巨大的优势。”

加拿大试图利用移民在美国常遇到的挫败感，加大从邻国人才库中吸纳人才的力度。2023年，加拿大推出“科技人才战略”，任何持有美国工作签证的人都有资格获得加拿大的工作签证。一万个签证名额仅48个小时就被一抢而空。

“美国的签证政策对自己并无好处，”现任滑铁卢量子计算研究所 （Institute for Quantum Computing） 执行董事的德国人诺伯特·吕特肯豪斯 （Norbert Lütkenhaus） 告诉我，“我的意思是，非常感谢美国。每当美国在这方面踩刹车时，我们这里就会迎来更多的教员、博士后和研究生——他们选择加拿大，而不是美国。”

这种宽松开放的做法也适用于那些可能因为政治原因而被美国拒之门外的人才。吕特肯豪斯表示，第一拨这类人才主要来自中东地区，是在“9 ·11 ”之后移民的；而现在，这股潮流转向了中国、俄罗斯和伊朗等地。

曾有一个值得关注的案例，一位来自伊朗的年轻研究员萨拉·萨布尔 （Sara Sabour） ，在2013年获得德黑兰谢里夫理工大学计算机科学本科学位后，被华盛顿大学研究生院录取。但美国拒发她的签证，理由是她的研究领域——计算机视觉——可能具有军事用途。她最终来到多伦多大学，加入杰弗里·辛顿的研究团队。两人合作研究胶囊网络，这是一种新型神经网络，可以赋予机器与人类相同的三维视角。萨布尔目前在谷歌多伦多分部担任研究员。

“举办学术会议也会发生类似的情况，”吕特肯豪斯继续说，“现在人们会想，如果不能确定主讲嘉宾拿到签证到现场发言，那么还应该在美国举办会议吗？我不想因为主讲嘉宾拿不到签证而突然出现空档，所以有时候我们真的搞不懂美国人到底是怎么想的。”

吸引更多国际学生来加拿大学习，也是该国提高移民数量整体战略中的重要一环。加拿大接收的国际学生数量位居全球第三，总人数超过50万，仅次于美国和英国。全球每8名留学生中就有1人选择加拿大，而且大多数人并不打算离开。根据加拿大国际教

育局的一项调查，超过60%的受访者表示希望毕业以后能够留在该国。

“不久以前，德国总理和加拿大总理访问Mila，德国总理向一位德国学生询问：‘你为什么离开德国？为什么来加拿大？’那个学生解释了具体原因，”瓦莱丽·皮萨诺回忆道，“他说，只要看看周围就知道了。这里充满活力，但德国没有这样的环境。我才25岁，我可以成为他们中的一员。人工智能教父就在这里。看看我的同龄人，看看我能与之共事的人，你就应该知道答案了。”

08

过去10年，加拿大一直在悄然布局科技产业。如今，全球也开始关注这一趋势。2025年，加拿大拥有31家市值超过10亿美元的私营科技公司，在全球拥有此类公司的国家中排名第八。2024年，加拿大科技初创企业通过706笔风险投资交易获得了近60亿美元的投资，而10年前这一数字仅为15亿美元。

外国投资正大量涌入，加拿大科技公司所获投资的2/3来自境外。“我认为资本是追随公司而来的，而不是相反。大家都以为资本是启动这些生态系统的关键，但这是错误的，”曾任OMERS Ventures公司管理合伙人兼全球风险投资负责人的达米恩·斯蒂尔 （Damien Steel） 说道，“资金会流向有机会的地方，所以对我

来说，这正好验证了加拿大科技生态的成功，说明我们做了正确的决定。”

20 年前，两家公司在加拿大科技界占据主导地位，它们是黑莓手机的制造商移动研究公司 （Research in Motion，简称 RIM） ，以及为全球多地提供电信基础设施的北电网络公司 （Nortel Networks） 。然而，它们都未能领先于更具创新力的海外竞争对手，最终走向了终结。

“它们并不是鼓励创新的组织，而是恰恰相反，”斯蒂尔说道，“RIM曾因为试图遏制离职员工的创新而臭名昭著。如今情况不同了。看看Shopify及其所做的事情，它积极推动内部天使投资，资助那些离开Shopify创业的初创公司和企业家。这就是硅谷的模式：用成功孕育成功，并形成一个可以自我赋能的生态系统。而我们刚刚达到这一成就。”

加拿大的科技经济不再依赖一两家大公司。如今，众多不同角色的参与者协同工作，维持着“成功的公司孕育更多成功的公司”这种良性循环。像麦吉尔大学和多伦多大学这样的高校，推动科研突破并培养人才；像 CDL 这样的孵化器，让好点子落地生根；创 造 Shopify 这样的成功企业的校友，走出去创造自己的成功故事；像Vector 人工智能研究所、Amii 、Mila 这样的研究所引入政府支持，将一切串联在一起。

但最根本的转变，可能在于心态。“我只是从生态系统的角度思考，”达米恩·斯蒂尔说道，“但我们需要具备足够开阔的视野，明白只有生态系统获胜，我们才能获胜。”

不过，怀疑者会指出，尽管外界不断讨论加拿大要争夺人工智能领先地位，其公司仍相对年轻、规模较小，在国外几乎无人知晓。当人们提到人工智能时，脑海中想到的是OpenAI、英伟达、DeepMind或字节跳动。加拿大尚未诞生一家人工智能公司，能达到它们规模的零头。让加拿大以外的人说出一家加拿大的人工智能公司，恐怕大多数人说不出来。

所以，尽管加拿大的努力获得了认可，其科技背后的价值观也可能带来积极的评价和良好的感受，但问题依然没有解决：加拿大的人工智能公司能否像海外的大公司一样具有重要影响力？

“我坚信这一定会发生。”英伟达的人工智能总监桑娅·菲德勒 （Sanja Fidler） 说道。

桑娅是多伦多大学的副教授，她也是Vector 人工智能研究所的联合创始人之一。她表示，将加拿大科技公司与一些存在已久、更加成熟的公司进行比较是不公平的。她认为像Cohere、Waabi、Deep Genomics这样的人工智能公司，跻身于美国、英国、中国的人工智能巨头之列只是时间问题。

“这些公司背后的管理者以前都是科技巨头重点招募的对象，他们是我认识的最聪明的一群人，”桑娅说道，“他们是人工智能技术领域最有才华的精英。从这些公司的发展势头和轨迹来看，毫无疑问，它们终将达到同样的高度。”

加拿大高等研究院 （CIFAR） 预测，到2030年，加拿大将拥有全球最先进的国家级人工智能生态系统之一。衡量人工智能投资、创新和应用的“Tortoise全球人工智能指数” （Tortoise Global AI Index） ，将加拿大列为全球第8位。

“据相关统计，多伦多现在所拥有的人工智能初创公司数量已跻身全球前列，而在5年前，这里几乎什么也没有，”乔丹·雅各布斯说道，“我们希望50年后回望时，加拿大能成为三大中心之一。关于这三大中心，我认为美国是一个，中国是一个，而加拿大将成为第三个。”

迈赫兰·古尔 新锐商业思想家、“Thinkers 50”雷达奖得主