La vera sfida tra Stati Uniti e Cina non è creare l’IA più potente, ma diffonderla nell’economia reale.
Secondo Jeffrey Ding, politologo e autore di Technology and the Rise of Great Powers, la competizione globale sull’intelligenza artificiale viene spesso raccontata nel modo sbagliato. Non si tratta di arrivare primi a una linea del traguardo immaginaria chiamata AGI, l’intelligenza artificiale generale, ma di capire chi saprà far circolare l’IA in modo capillare dentro la propria economia, tra imprese, pubbliche amministrazioni e territori periferici. Ding definisce questa sfida una “maratona della diffusione”, un processo lungo decenni, senza un vincitore immediato e senza effetti spettacolari nel breve periodo. 根据乔治·华盛顿大学政治学者、Technology and the Rise of Great Powers一书作者 Jeffrey Ding 的观点，全球人工智能竞争常常被误读。真正的关键不在于谁最先实现通用人工智能，而在于谁能够把人工智能真正“铺开”到整个经济体系中，包括中小企业、地方政府和非核心地区。Ding 将这种竞争称为“扩散马拉松”，它持续数十年，没有明显的终点，也不会立刻带来戏剧性的成果。 Ding insiste su un punto spesso trascurato: l’intelligenza artificiale è una general purpose technology, una tecnologia di uso generale, come lo fu l’elettricità. La storia insegna che non vince chi inventa per primo, ma chi riesce a trasformare un’innovazione in produttività diffusa. Gli Stati Uniti non furono i primi a sviluppare l’elettricità, ma furono quelli che seppero integrarla meglio nel tessuto industriale e sociale, ottenendo benefici economici solo decenni dopo le prime invenzioni. Ding 强调，人工智能属于“通用技术”，就像历史上的电力一样。真正决定国家实力的，并不是最早的技术突破，而是将技术转化为广泛生产力的能力。历史上，美国并非最早发明电力的国家，但却是最成功将其融入经济体系的国家，而真正的生产率提升，往往在几十年后才显现出来。 Da questa prospettiva nasce la critica alle politiche statunitensi più recenti. Pur riconoscendo che alcune iniziative puntano correttamente sull’adozione dell’IA, Ding giudica controproducenti le misure che indeboliscono il sistema educativo e limitano l’accesso degli studenti internazionali. Ridurre gli investimenti in università, community college e formazione tecnica significa erodere quella che lui chiama “infrastruttura di competenze”, senza la quale nessuna tecnologia può diffondersi davvero. 正是基于这种视角，Ding 对美国近年来的人工智能政策提出了批评。他认为，削减教育投入、限制国际学生流动，正在削弱人工智能扩散所必需的人才基础。没有一个广泛、稳定的工程师和技术人员体系，再先进的模型也难以转化为真正的经济动能。 Anche la Cina, spesso descritta come più efficiente nella diffusione dell’IA, secondo Ding soffre di un “deficit di diffusione”. Il Paese eccelle negli indicatori di innovazione – pubblicazioni scientifiche, modelli avanzati, grandi investimenti in ricerca – ma fatica a trasformare questi risultati in produttività diffusa. Il problema non è la quantità di ingegneri, ma la qualità delle connessioni tra università, imprese e territori meno sviluppati. 中国同样面临挑战。尽管在科研投入和前沿模型方面表现强劲，但在人工智能真正融入整体经济方面仍存在“扩散不足”。问题不在于工程师数量，而在于学术界与产业界之间的连接是否足够深入，是否能把技术带到非核心地区和中小企业。 Un altro tema centrale è l’open source. Ding lo considera uno strumento fondamentale per accelerare la diffusione, ma avverte che non basta avere modelli aperti per vincere la maratona. Conta soprattutto quanto queste tecnologie vengono integrate nei processi produttivi quotidiani. Come per l’elettricità, non importa da dove provenga, ma se riesce davvero a far funzionare meglio fabbriche, uffici e servizi. 在开源问题上，Ding 认为这是一种有利于扩散的工具，但并非决定性因素。关键不在于谁发布了最好的开源模型，而在于这些工具是否真正被嵌入到工作流程中，是否能够持续提升生产效率。就像电力一样，来源并不重要，重要的是能否被有效使用。 La conclusione è volutamente sobria. Nessuno dei due Paesi sta “vincendo” oggi la corsa all’IA, perché la corsa vera è appena iniziata. Gli Stati Uniti restano avvantaggiati grazie a un sistema educativo più diffuso e aperto, ma rischiano di perdere terreno se continuano a indebolirlo. La Cina ha dimostrato una straordinaria capacità di innovazione, ma deve ancora dimostrare di saper trasformare l’IA in crescita economica di lungo periodo. In una competizione così lunga, il vero errore è pensare che basti correre più veloce all’inizio. 最终的结论并不夸张。人工智能的竞争才刚刚开始，现在谈胜负为时尚早。美国拥有更广泛的教育体系优势，但如果持续削弱这一基础，优势可能迅速消失。中国在创新方面表现突出，但仍需证明自己能否将人工智能转化为长期生产力。在这样一场漫长的竞赛中，最大的风险并不是跑得慢，而是选错了赛道。
