格鲁夫12年前惊人的预言,解释了今天美国对中国芯片所做的一切

a8948cb4b5da3bf4eae80ef77e821625.jpeg

来源: 未尽研究

从芯片到光伏和动力电池,英特尔前董事长和CEO格鲁夫惊人地预言了美国制造业与科技当下所遇到的麻烦。他是一位以严厉著称的CEO,在美国金融危机刚结束之际,在商业杂志的封面发表了一篇犀利的评论。尤其是在美国硅谷如日中天、成为巨头和独角兽的天堂之时,作为硅谷的“缔造者”之一,格鲁夫指出了硅谷模式对美国创造就业的致命缺陷。他发出了对美国充满忧患的声音,去警醒政客和企业家;更是提出了发动贸易战和国家补贴的政策建议。我们翻译了这篇旧文,有助于更深理解当下美国科技与产业政策。

原文标题《安迪·格罗夫:美国如何创造就业机会》,发表于2010年7月的《商业周刊》

最近,在加利福尼亚州帕洛阿尔托(Palo Alto)的一家餐厅里,隔壁桌上一位熟人向我介绍了他的同伴,三位来自中国的年轻风险投资家。他们满脸兴奋地说,正在硅谷参观有前途的公司。我久居硅谷,每当看到这里对全球投资有如此吸引力时,总是感到些许自豪。

这次有点异样。我离开了餐厅,心有不安。有些东西没有算进来。湾区的失业率甚至高于全国9.7%的平均水平。显然,硅谷这台伟大的创新机器最近并没有创造很多就业——除非你把亚洲算在内,多年来美国科技公司在那里一直疯狂地增加就业。

根本问题不仅仅是亚洲成本低。这是我们自己误以为初创企业创造美国就业的力量足够强大。美国人喜欢那些车库里的家伙发明一些改变世界的东西。《纽约时报》专栏作家弗里德曼(Thomas L. Friedman)最近在一篇名为《创业,而不是救助》(Start-Ups, Not Bailouts)的观点颇为典型:如果有必要,让那些制造业的老牌公司死去。他写道,如果华盛顿真的想创造就业,它应该支持初创公司。

弗里德曼错了。初创企业了不起,但它们本身并不能充分增加技术就业。神话在车库里创造了,同样重要的是之后会发生什么,因为技术要从原型到批量生产。这是公司扩大规模的阶段。他们制定设计细节,弄清楚做事情如何精打细算,建立工厂,并雇用成千上万人。扩大规模是一项艰苦的工作,但对于创新是必不可少的。

在美国,规模化过程不再发生。只要向初创公司投钱,在别的国家建厂,这种情况持续下去,对美国就业产生糟糕的回报就会持续下去。

哪里出错了?

规模化其实是硅谷所擅长的。创业者们产生了一项发明,投资者给他们钱来创立自己的业务。如果创始人和他们的投资者幸运的话,公司就会发展壮大,并进行首次公开募股,为进一步增长融资。

我的例子是一个很幸运的经历。1968年,两位著名的技术专家和他们的投资者朋友筹集了300万美元创办了英特尔,为计算机行业制造内存芯片。从一开始,我们就必须弄清楚如何批量生产我们的芯片。我们必须建立工厂、雇人、培训和留住员工、与供应商建立关系,并解决其他无数的问题,英特尔才会成为一家价值十亿美元的公司。三年后,公司上市,并成长为世界上最大的技术公司之一。到1980年,在我们IPO十年后,大约有13,000人在美国为英特尔工作。

英特尔总部位于加利福尼亚州圣克拉拉,附近其他公司也发展起来了。Tandem Computers经历了类似的过程,然后是Sun Microsystems、思科、网景等等。一些公司中途夭折或被其他公司收购,但活下来的都成为得名硅谷的这一复杂的技术生态系统的一部分。

随着时间的流逝,美国的工资和医疗费用一路攀升。中国开放了。美国公司发现,他们的制造和工程都可以在海外完成得更便宜。这样做利润率有所提高,管理层很高兴,股东也很高兴。增长不断,利润更高,但工作机器开始掉链子了。

10倍因素

今天,美国计算机制造就业人数约为166,000人,比1975年还少,当时第一台个人电脑 MITS Altair 2800刚组装。与此同时,一个高效的计算机制造业在亚洲出现,雇用了大约150万人,包括车间工人、工程师和管理人员。这些公司中最大的是鸿海精密,也被称为富士康,以惊人的速度增长,首先在中国台湾,后来在中国大陆。它去年的收入为620亿美元,苹果、微软、戴尔或英特尔都不及它。富士康拥有员工超过80万名,超过了苹果、戴尔、微软、惠普、英特尔和索尼的全球员工总数之和。

直到最近富士康在中国深圳的工厂发生一连串自杀事件之前,很少有美国人听说过这家公司。但大多数人都熟悉它生产的产品:戴尔和惠普的计算机、诺基亚手机、微软Xbox 360游戏机、英特尔主板以及无数其他小电子产品。华南地区约有25万名富士康员工生产苹果产品。苹果同时在美国仅有约25,000名员工。这意味着,对于美国的每个苹果员工来说,中国都有10个人在制造iMac、iPod和iPhone。这个10比1关系也同样适用于戴尔、磁盘驱动器制造商希捷科技和其他美国科技公司。

你可以像许多人一样说,将工作转到海外没什么大不了的,因为高价值的工作——以及大部分利润——仍然在美国。事实很可能如此。

但是,如果社会由从事高附加值工作的高薪人群和大量失业者组成,那会变成什么样子?

自硅谷兴起以来,投资于公司的资金越来越多,但创造的就业越来越少。这样说吧,美国在为美国创造科技就业方面已经变得非常低效。然而,我们可能不太意识到这种日益低效率的现象,因为我们过去几十年创造就业的历史看起来光鲜,掩盖的事实却是我们创造每个职位的成本越来越高。我们是否仍然相信以往的指标,无所作为?我认为这将是一个悲剧性的错误。只有我们及早采取果断行动,才是扭转恶化的唯一机会。

恶化已经触目惊心了。简单算一下公司创造就业的成本效益。将初始投资加上公司IPO的募资,然后将其除以10年后在该公司工作的员工人数。对于英特尔来说,这相当于每份工作约需投资 650美元,经通胀调整后为3600美元。另一家芯片公司美国国家半导体的效率甚至更高,每份工作2000美元。对一些硅谷公司进行相同的计算表明,创造美国就业的成本从早年的每个职位几千美元增长到今天的十万美元,显而易见的原因是:公司只是雇用更少的员工,因为更多的工作是由外包完成的,通常在亚洲。

就业机器出现的故障不仅仅存在于计算机中。考虑一下替代能源,这是一个新兴行业,有很多创新。例如,光伏发电是美国的发明。它们应用于家庭能源也是美国率先提出的。去年,我决定尽自己的一份力量来节约能源,并开始为我的房子配备太阳能。我和妻子接触了本地的四家太阳能公司。我们尽职调查包括系统的关键部分,我检查了他们从哪里获得光伏电池。他们使用的所有光伏板都来自中国。一家硅谷公司销售用于制造光伏活性薄膜的设备。他们向中国出口的机器比卖给美国制造商的多出近10倍,而且这一差距还在扩大。难怪美国在光伏薄膜和电池制造方面的就业人数大概是区区10000人,只是估计全球就业人数的百分之几。

还有比出口就业岗位更要命的。有些技术的规模化和创新都弄到海外干了。

先进电池就是这个样子。花了多年时间和许多失败的尝试,最终我们即将见证大规模生产的电动汽车和卡车。它们都依赖于锂离子电池。微处理器之于计算机,正如电池之于电动汽车。与微处理器不同,美国锂离子电池产量的份额很小.

这就是问题所在。一个新的行业需要一个有效的生态系统,在这个生态系统中,技术诀窍得以积累,经验基础打得扎实,供应商和客户之间建立密切的关系。30年前,当美国停止生产消费电子设备时,它在电池领域失去了领先地位。然后,无论谁制造电池,谁就能进入这个市场,建立起关系,不断学习为要求很高的笔记本电脑市场提供电池;之后,为要求更高的电动汽车市场提供电池。美国公司没有参与第一阶段,就没有资格参与随后的所有阶段。我怀疑它们是否还有机会赶上。

创造就业的关键

规模化并不容易。所需的投资远高于发明阶段。因为对潜在市场知之甚少,资金需要尽早投入。再举一个英特尔的例子:在70年代,建造一家晶圆工厂的投资是几百万美元;到90年代初,能够批量生产新奔腾芯片的工厂的成本上升到数十亿美元。决定建造这些工厂数年之后,才能知道奔腾芯片是否有效,或者市场是否会对它感兴趣。

从以前的失误中吸取的教训帮助了我们。多年前,当英特尔的业务包括制造内存芯片时,我们对增加产能犹豫不决,对未来几年的市场需求并不完全确定。我们的日本竞争对手毫不犹豫地建造了工厂。当对内存芯片的需求爆炸式增长时,日本人大张旗鼓地进入了美国市场,英特尔的存储芯片业务节节败退。

尽管已经渡过这段时期,但我仍然记得当时我是多么害怕,因为我要求英特尔董事会授权花费数十亿美元,为工厂生产一种当时不存在的产品,用于我们无法衡量的市场。幸运的是,他们毫不犹豫地同意了。我们赌赢了。

我并不是想说英特尔多么优秀。公司成立之初,当时国内更容易规模化。中国还没有开放商业。更重要的是,美国尚未忘记,规模化对其经济未来至关重要。

2f13e4ac56fe9bf034d5987b3d988b74.jpeg

1991年,格鲁夫展示一片制造英特尔386微处理器的晶圆

那美国怎么忘记了呢?我认为答案与普遍低估制造业有关,只要“知识工作”留在美国,工厂就业就无关紧要。传播这一观点的不仅仅是报纸评论员。想想普林斯顿大学经济学家布林德(Alan S. Blinder)的这段话:“电视制造业确实从这里开始,并一度雇用了许多工人。但随着电视机成为‘一种生活需品’,它们的生产转移到了海外工资要低得多的地方。如今,美国制造的电视机数量为零。失败了?不,成功了。”

我反对。我们不仅失去了无数的工作,还中断了在技术发展中如此重要的经验链。就像电池一样,放弃今天的“必需品”制造可能会让你置身于未来的新兴行业之外。

通缉:以就业为中心的经济学

我们有一个基本经济信念,已经从基于观察的信念提升到一个不容置疑的真理,即自由市场是所有经济体系中最好的——越自由越好。我们这一代人见证了自由市场原则对计划经济的决定性胜利。因此,我们坚持这一信念,却在很大程度上忽视了新出现的证据,即虽然自由市场战胜了计划经济,但可能还有改善的空间。

透过几十年来一些亚洲国家的表现,这些证据凝视着我们。这些国家明白这个道理,创造就业必须是国家经济政策的首要目标。为了实现这一目标,政府在确定优先事项、安排所需的资源和组织方面发挥着战略作用。亚洲经济的快速发展提供了许多例证。伦敦经济学院的韦德(Robert Wade)在对东亚工业发展的深入研究中发现,这些经济体在70年代和80年代的经济表现是打破常规的,这在很大程度上是因为政府有效地参与实现了针对制造业增长的目标。

以“金字系列”经济信息化工程为例,这是中国政府在1980年代末和1990年代推动的一系列数字计划。北京深信,用于交易、通信和协调的电子网络在创造就业方面具有重要意义,特别是在中国欠发达地区。因此,计划获得了优先资金。后来它们为中国信息基础设施的快速发展和国家的经济增长做出了贡献。

我们如何将这种亚洲经验转化为此时此地的明智行动?从长远来看,我们需要一个以就业为中心的经济理论——以及以就业为中心的政治领导力——来指导我们的计划和行动。与此同时,考虑一下我这个曾经的工厂老家伙的一些粗浅想法。

硅谷是一个有着强大工程技术传统的社区。工程师是一个奇特的品种,他们渴望解决他们遇到的任何问题。如果利润率是问题所在,他们就会以精湛的技术专注于研究利润率。每家公司都以严格地从个体出发,尽最大努力有效扩张并提高自身盈利能力。然而,我们对各自业务的追求,通常涉及将制造业和大量工程技术转移到国外,这阻碍了我们在国内实现规模化创新的能力。如果不扩大规模,我们不仅会失去工作,还会失去对新技术的掌握。失去规模化的能力,最终将损害我们的创新能力。

有个故事浮现在我脑海中。一个工程师被押上了断头台。断头机卡住了。有一个习俗要求,如果刀刃没有落下,死刑犯就会被释放。但还不等幸运发生,工程师兴奋地指着一个生锈的滑轮,告诉刽子手在那里滴一些油。他的头颅就掉了。

我们之所以达到目前的状态,是因为我们中的许多人都把行动集中在自己公司的下一个里程碑上。举个例子:五年前,一位朋友作为合伙人加入了一家大型风险投资公司。他的责任是确保他们投资的所有创业公司都有一个“中国战略”,这意味着他们计划把所能提供的工作岗位都转移到中国。他拎着一个油罐子四处走动,不停地在断头台上滴油,以防它被卡住。我们应该收起我们的油罐子。风投应该有一个合伙人负责每个创业公司的“美国战略”。

第一项任务是重建我们的工业公地。我们应该制定一个财政激励制度:对离岸劳动力的产品额外征税。(如果结果是贸易战,那就像对待其他战争一样——战而胜之)。把这笔钱分开,存入我们可以称之为美国规模化银行,并将这些款项用于扩大其美国业务的公司。这样的体制将每天提醒我们,在追求公司目标的同时,我们所有企业都有责任维护我们赖以生存的工业基础,它给我们提供了社会的适应性和稳定性,而我们都视为理所当然。

1956年,我还年轻,逃离匈牙利来到美国。在苏联集团长大,我亲眼目睹了政府过度干预和人口阶层化的危险。大多数美国人可能不知道,在这个国家,曾经有一段时间,坦克和骑兵聚集在宾夕法尼亚大道上,驱赶失业者。那是1932年,成千上万的失业退伍军人在白宫外示威。手持刺刀、荷枪实弹的士兵向他们进发,并将他们从白宫赶得远远的。在美国,失业对社会具有腐蚀性。如果我建议的听起来像是保护主义,那就这样干吧。

每天,我遇到中国风险投资家的那家帕洛阿尔托餐厅都挤满了技术高管和创业者。他们中的许多人都是我的朋友。我理解他们面临的技术挑战,以及他们从董事和股东那里承受的财务压力。我们能否指望他们承担另一项任务,为公司、员工和尚未被雇用的员工工作,让他们松散地结合起来。这样做无疑是天真的。然而,变革的紧迫性是真实的,选择是简单的。如果我们想保持一个领先的经济体,我们自己要改变,否则改变将不断强加给我们。

英文原文链接:

https://www.bloomberg.com/news/articles/2010-07-01/andy-grove-how-america-can-create-jobs

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)大脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

01938b6ea58b92e8d3f1f0f72df04fed.jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/481610.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

真正的人工智能,需要理解本体论

来源:混沌巡洋舰人工智能的终极语境是什么?真正的人工智能,需要理解本体论现在的人工智能技术突破或许具有划时代意义,但即使是计算能力最强大、最先进的机器,也达不到人类智能的层级。人工智能具备测算能力&#xff0…

知识图谱-架构图

binlog-MySQL的日志 用于实时处理与离线增量导入架构 Kafka消息队列 老虎队队长(AV75056045)

知识图谱2-知识表示

知识表示的重要性 知识是智能的基础 机器可以获得知识机器可以运用知识符合计算机要求的知识模式 计算机能存储处理的知识表示模式数据结构ER模型Sql与RDF模型SPARQL对比 关系模型 关系显式定义(RDF) 关系隐式定义(ER)(理解后写出来的表 数据变更时 RDF--数据变更…

韩国芯片教父:金钟基如何带领韩国成为半导体超级大国

来源 :大数据文摘编译:Mickey来源:https://spectrum.ieee.org/kim-choong-ki在韩国芯片行业有这样一群人的传说,他们被称为“金氏黑手党”。金钟基本人不会这么称呼这群人,但对韩国的半导体工程师们来说,“金氏黑手党”…

论文学习1-DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning

文章目录摘要Introduction最近工作基于PRA的其他方法其他使用强化学习的方法我们的方法方法介绍(强化学习摘要 研究了大规模知识图的学习推理问题。更具体地说,我们描述了一个用于学习多跳关系路径的新型强化学习框架:我们使用一个基于知识图嵌入的具有…

万字因果推断入门:为什么要做因果推断?

来源:PaperWeekly1、为什么需要因果推断1.1 辛普森悖论首先,考虑一个与现实情况很相关的例子:针对某种新冠病毒 COVID-27,假设有两种疗法:方案 A 和方案 B,B 比 A 更稀缺(耗费的医疗资源更多&am…

论文学习2-Incorporating Graph Attention Mechanism into Knowledge Graph Reasoning Based on Deep Reinforce

文章目录摘要介绍相关工作方法Mean Selection Rate (MSR) and Mean Replacement Rate (MRRIncorporating Graph Attention Mechanism into Knowledge Graph Reasoning Based on Deep Reinforcement Learning摘要 知识图(KG)推理的目的是寻找关系的推理路径,以解决K…

报告下载:《2022城市大脑首部建设标准资料汇总》

2022年9月1日,中国指挥与控制学会正式发布城市大脑首批三项标准,这部《2022城市大脑首部建设标准资料汇总》除了包含发布的三项标准全文内容,还汇总了城市大脑标准研究团队2022年以来的相关研究资料,完整内容包括:1. 解…

nlp3-有限自动机FLandFA

文章目录1形式语言1.2形式语言3推导3.1句型、句子、语言3.2文法3.3派生树与二义性4有限自动机和正则文法4.1确定的有限自动机DFA4.2不确定的有限自动机NFA4.3有限自动机<>正则文法5.下推自动机PDA和上下文无关文法CFG5.1PDA5.1.1 PDA的例子.5.2 其他自动机5.2.1 区别6. 有…

经常看蓝色的东西能提升智力?科学研究发现,蓝色能改变意识状态

来源&#xff1a;科学的乐园我们的宇宙是一个“多姿多彩”的美丽时空&#xff0c;从人类睁开眼的那一刻开始&#xff0c;映入眼帘的就是一个五颜六色的世界。根据科学家的统计&#xff0c;人眼可以识别的电磁波频段包含100多万种“组合颜色”。这要归功于我们视觉系统得天独厚的…

论文学习3-Improving Neural Fine-Grained Entity Typing with Knowledge Attention

文章目录1 当前不足2. 本文的想法3.相关工作4.KNET4.1encoder4.2类型预测4.3attention5.实验6.以后Improving Neural Fine-Grained Entity Typing with Knowledge Attention用于&#xff1a;Fine-grained entity typing细粒度实体类型(它将实体划分为大量细粒度类型&#xff0c…

深度学习和因果如何结合?北交最新《深度因果模型》综述论文,31页pdf涵盖216篇文献详述41个深度因果模型...

来源&#xff1a;专知北京交通大学最新《深度因果模型》综述论文&#xff0c;31页pdf涵盖216页pdf详述41个深度因果模型&#xff0c;值得关注&#xff01;因果关系概念在人类认知中起着重要作用。在过去的几十年里&#xff0c;因果推理在计算机科学、医学、经济学和教育等许多领…

论文学习4-An Attentive Neural Architecture for Fine-grained Entity Type Classification

文章目录1.introduction2.相关工作3. 本文model3.1general model3.2 mention represent3.3 context model3.3.1 averaging encoder3.3.2 LSTM encoder3.3.3 Attention Encoder4. 实验在这项工作中&#xff0c;我们提出了一种新的基于注意的神经网络模型来完成细粒度实体类型分类…

脑机接口技术或将纳入美出口管制?技术成熟度与军用进展情况

来源&#xff1a; 学术plus 编译&#xff1a;学术plus高级观察员 TAO2022年9月&#xff0c;美国国会的下属机构政府问责局&#xff08;Government Accountability Office, GAO&#xff09;发布了题为《脑机接口》&#xff08;Brain-Computer Interfaces&#xff09;的焦点…

OpenAI 发布新语音系统「Whisper 」,英文识别能力可接近人类水平

来源&#xff1a;AI科技评论作者&#xff1a;黄楠编辑&#xff1a;陈彩娴9月21日&#xff0c;OpenAI 发布了一个名为「Whisper 」的神经网络&#xff0c;声称其在英语语音识别方面已接近人类水平的鲁棒性和准确性。「Whisper 」式一个自动语音识别&#xff08;ASR&#xff09;系…

论文学习5-NODE2BITS: Compact Time- and Attribute-aware Node Representations for User Stitching

文章目录摘要1.Introduction2. 介绍两个概念2.1 Dynamic Heterogeneous Network Model动态异构网络模型2.2 时间随机游走3NODE2BITS:基于散列的Emdedding框架3.1 采样时间随机游动和定义时间上下文3.2 基于多维特征的时态语境&#xff08;上下文3.3基于特征的上下文聚合和散列4…

谷歌科学家亲讲:具身推理如何实现?让大模型「说」机器人的语言

来源&#xff1a;智源社区整理&#xff1a;戴一鸣导读&#xff1a;机器人领域已经发展了三四十年&#xff0c;但应用方面的进展较慢。这是因为&#xff0c;机器人建立在这样一个假设上&#xff1a;工作环境是简单可控的。如果将机器人部署到稍微复杂一些的环境&#xff08;如家…

论文学习6-(M2DNE)Temporal Network Embedding with Micro- and Macro-dynamics

文章目录1 intorduction2. 相关工作3. 准备工作4.model4.2 Micro-dynamics Preserved Embedding4.2.1 分层时间关注4.3 Macro-dynamics Preserved Embedding4.3.1链接速率4.3.2 宏观约束联合5. 实验网络嵌入的目的是将节点嵌入到低维空间中&#xff0c;同时捕获网络的结构和属性…

蒲慕明院士:我们为什么要探索人脑的奥秘

来源&#xff1a;学习时报作者简介蒲慕明&#xff0c;1948年出生&#xff0c;中国科学院院士&#xff0c;美国科学院外籍院士&#xff0c;现任中国科学院脑科学与智能技术卓越创新中心学术主任&#xff0c;上海脑科学与类脑研究中心主任。他是国际著名的神经生物学家和生物物理…

论文学习7-Spam Review Detection with Graph Convolutional Networks(阿里巴巴)

文章目录Introduction2. 相关工作3. 本文的model3.1 Preliminaries3.2建立问题3.3闲鱼图上的异构卷积网络3.3.1Aggregation Sub-layer3.3.2 Time-related Sampling3.3.4将图形网络与文本分类模型相结合。3.4 GCN-based反垃圾邮件模式4.实验Introduction ppt 任务&#xff1a;…