Eric Schmidt 从 Google Search 转向 AI 战略

为什么 Eric Schmidt 在 AI 政策讨论中重要

Eric Schmidt 之所以在 AI 政策中重要，是因为他的职业经历连接了全球科技平台的运营实践与建设国家技术能力的努力。他的影响力不在于担任民选公职或亲自起草法规，而在于把工程、投资和组织层面的问题转化为政府官员能够拨款、分配和衡量的建议。

这一点让讨论保持聚焦。Schmidt 在 Google 的岁月说明了官员为何愿意听取他的意见，但这不是一篇传记，也不是搜索引擎的历史。真正相关的问题是，他在数据、基础设施、技术人才和快速产品迭代方面的经验，如何塑造了他后来在国家安全和人工智能领域的工作。

国家 AI 战略是政府为研究、商业采用、公共部门应用、安全和监管制定的协调计划。它涵盖大学资助、技术人才移民、半导体供应、数据中心、能源、政府采购、技术标准、劳动力准备和国际合作。它还必须决定何时应当实施限制、由谁为失败负责，以及公民如何对有害的自动化决定提出质疑。

Schmidt 的公开工作贯穿四场讨论：

• 创新涉及研究、公司创办、部署速度，以及获取资金和算力的能力。
• 安全涵盖国防应用、网络行动、情报、模型保护和危险的双重用途能力。
• 治理通过测试、文档、监测、责任和救济来明确职责。
• 竞争涉及美中关系、盟友协调、先进芯片、技术标准和人才。

这些讨论彼此交织，却不能混为一谈。一项提升国内算力的政策可能支持研究和国防，同时加重电力系统的压力。一项出口限制可能延缓竞争对手获得先进硬件，却也会给国内供应商带来成本。一项安全要求可能在高风险环境中保护人们，但若原封不动地用于低风险行政工具，就可能造成浪费。

Schmidt 的重要性在于这种以执行为中心的框架。国家战略不是宣告 AI 很重要，而是一套机构、预算、技术系统、激励机制和期限，它们决定公共抱负能否经受住实施过程的考验。

从工程领导到 Google 的规模化发展

Schmidt 的科技生涯让他亲身经历了后来出现在其政策建议中的组织问题。他受过计算机科学训练，先后任职于 Bell Labs、Sun Microsystems 和 Novell，2001 年加入 Google 担任首席执行官。当时 Google 已有创始人、搜索技术和迅速增长的用户群。他的职责是帮助公司把这股势头转化为能够跨市场、跨产品可靠运营的能力。

他一直担任 Google CEO 至 2011 年。在此期间，公司扩大了算力基础设施、广告业务、员工队伍和产品范围。这里的教训不只是增长：当一个组织无法招聘人才、分配算力、测试改动、从故障中恢复，或以所需速度作出决定时，技术发明的价值就会受到限制。

搜索能说明这些运营纪律之间的关联。从概念上说，搜索系统必须完成三项不同的工作：

• 抓取负责发现文档，并随着网络变化重新访问它们。
• 索引负责整理已发现的内容，使其能够被高效检索。
• 排名负责估计哪些结果最能满足特定查询及其意图。

每项工作都依赖基础设施、数据质量、衡量方法和持续维护。一次有价值的排名调整必须适用于不同语言、罕见查询、垃圾信息攻击、突发新闻事件、缓慢网络和数十亿次交互。当服务在全球规模下运行时，哪怕很小的错误率也会每天产生大量不良结果。

搜索时代还让受控实验成为常态。团队可以将拟议改动与现有系统比较，观察用户行为，检查失败案例，并在证据不利时撤回发布。监测和回滚是产品的一部分，而不是上线后才附加的行政工作。

信任更难量化，却同样关键。搜索排名会影响人们接触到什么，数据收集也带来隐私和安全义务。如果结果让用户觉得被操控、不安全或长期不准确，他们可能会放弃该服务。政府在 AI 领域面临类似问题：一个系统即使达到内部绩效目标，若人们无法理解、质疑或摆脱其决定，仍可能失去正当性。

这种类比有其边界。国家不是科技公司，公民不是客户，公共权力也不能被简化为产品管理。政府必须遵守法律、保护宪法权利、支持正当程序，并向职责彼此竞争的机构负责。Schmidt 的私营部门经验在指出运营瓶颈时很有价值，但把企业速度当作民主问责的替代品时，它的说服力就会下降。

让 Schmidt 获得政策影响力的公共角色

Schmidt 是通过一系列正式顾问职位和私人资助的倡议转向国家技术政策的。这些角色让他能够接触国防领导人、立法者、技术专家和政策工作人员，同时也留下公开文件，使人们可以据此评估他的影响力。

2016 年，国防部长 Ash Carter 任命 Schmidt 主持新成立的 Defense Innovation Board。该委员会的任务是就组织实践、软件、数据、人才和更快采用技术等问题向美国国防部领导层提供建议。委员会不指挥军事行动，也不授予合同。它提出建议，帮助庞大的官僚体系更有效地与现代技术及商业供应商合作。

之后，国会设立了 National Security Commission on Artificial Intelligence，通常称为 NSCAI。Schmidt 担任这个由 15 人组成、跨党派委员会的主席，前国防部副部长 Robert Work 担任副主席。其法定任务是建议美国如何发展 AI 及相关技术，以应对国家安全和经济安全需要。

NSCAI 于 2021 年向总统和国会提交最终报告。报告包含 16 章和详细的行动蓝图，涉及国防应用、技术人才、研究基础设施、微电子、联盟、负责任使用以及与中国的竞争。它的重要性来自战略主张与可执行建议的结合。官员可以从中提取办公室架构、招聘计划、预算构想或测试要求，而不只是接受一项笼统的 AI 投资呼吁。

NSCAI 完成工作后，Schmidt 于 2021 年创立了 Special Competitive Studies Project。这个私人运营基金会研究 AI 和其他新兴技术与国家安全、经济和社会的关系。Schmidt 担任主席，其工作人员和顾问持续发表政策建议，并召集公共与私营部门的决策者。

这些职位展现了顾问影响政策的四条路径：

• 框定，确定问题以及官员讨论问题时使用的语言。
• 蓝图，把宽泛目标转化为机构、权限、项目和期限。
• 网络，把政府机构与研究人员、投资者、企业和前官员连接起来。
• 持续推动，在委员会解散后让建议仍然流通。

这些路径都不赋予顾问正式控制权。国会决定是否授权和资助项目。行政机构解释授权、制定采购规则并管理部署。法院、监察长、审计人员、记者和公民社会可以揭露问题。Schmidt 可以影响可选方案的范围，但公共机构决定最终采纳什么、什么能够延续。

NSCAI 战略主张了什么

NSCAI 的核心论点是，AI 优势取决于整套技术和制度体系，而不是某一个更强的模型。报告从人才、数据、硬件、算法、应用和整合来描述这套体系。任何一层的薄弱，都可能让出色的实验室成果无法转化为可靠的国家能力。

报告呼吁美国国防部和情报界在 2025 年前为广泛整合 AI 建立基础。这一目标是为准备工作设定期限，并非证明到那一天每个相关机构或任务都具备 AI 能力。严肃的回顾应当追问：哪些基础已经建成，它们运行得如何，以及哪些问题仍未解决。

其建议可归为五个实践主题：

• 政府采用需要高级领导、可用数据、现代软件、安全算力和迭代式采购。
• 人才政策需要新的技术职业路径、更好的培训、灵活招聘，以及持续获得国际专业人才。
• 硬件政策需要关注半导体制造、先进芯片获取、供应集中度和研究。
• 国家科研能力需要公共投资，以及让更多人能够获得算力、数据集、模型和技术支持。
• 负责任使用需要测试、人类判断、问责、监测和与盟友合作。

当 NSCAI 被概括为一份竞争宣言时，其中关于负责任使用的部分有时会被忽略。最终报告指出，国家安全系统需要有依据的信心。操作人员必须了解系统在哪些地方有效、在哪些地方失效、对手可能如何攻击它，以及任务能接受多大风险。报告建议在机构内部设立负责任 AI 领导机制，并提供跨学科的评估和治理支持。

2021 年分析中的部分内容已经随着生成式 AI 的出现而过时。如今，通用基础模型可通过一个界面生成文本、软件、图像、音频和计划。人们无需从头训练模型，就可以通过提示、检索、微调和工具调用来适配它们。这扩大了使用范围，也让能力边界更难说明。

推理也与训练并列成为战略资源。一个国家可能拥有模型，却没有足够的算力、网络容量、电力或安全部署环境，无法在医院、政府机构、实验室和军事单位中广泛使用。模型窃取、恶意微调、合成媒体、智能体工具调用，以及 AI 辅助的生物或网络活动，如今比早期战略文件中所体现的更值得关注。

因此，NSCAI 持久的价值在于其系统视角。已经过时的部分，是任何认为 AI 应用会沿着需求稳定、更新可预测的传统软件路径发展的假设。当前战略必须治理不断变化的服务、其周边工具、数据流以及依赖它的人。

哪些建议变成了可见的机构

美国后来的一些倡议与 NSCAI 的建议相似，但相似本身不能证明是 Schmidt 或委员会促成的。立法、机构工作、既有研究、商业压力、安全事件和总统政策变化都影响了结果。

美国国防部于 2022 年 2 月设立 Chief Digital and Artificial Intelligence Officer 职位。该办公室将主要的数据、分析和 AI 职责置于一名高级官员之下。这一组织选择回应了 NSCAI 所描述的协调问题：如果数据、基础设施、政策和采购仍然割裂，零散试点无法实现全部门采用。

2022 年通过的 CHIPS and Science Act 为半导体制造激励、研究及相关劳动力项目提供近 530 亿美元。它的范围超出 AI，但先进计算让半导体能力成为国家战略的直接议题。晶圆厂、封装、制造设备、研究、熟练劳动力和供应安全，不再完全交由企业采购决策处理。

National Artificial Intelligence Research Resource 试点项目于 2024 年启动，为研究人员和教育工作者提供算力、数据集、模型、软件、培训和支持。该项目在两年进展更新中报告，已支持 600 多个研究项目和 6,000 名学生，覆盖全美每个州，并获得私营伙伴约 1 亿美元的实物投入。这是公共与私营基础设施的具体例子，旨在缩小资金充足的实验室与更广泛研究群体之间的差距。

白宫 2025 年 AI Action Plan 在创新、基础设施、国际外交与安全三大支柱下提出了 90 多项联邦行动。它的政治重点不同于早期政策，更强调私营部门快速发展、数据中心建设、能源供应、AI 出口、联邦采用，以及对先进计算限制措施的执行。

2026 年 6 月的一份国家安全备忘录进一步推进了执行议程。它指示开展国家安全应用、技术招聘、AI 人才储备、共享数据和模型环境、事件响应、安全实践，以及标准化测试、评估、验证与确认方法等工作。备忘录还将可控性定义为监测系统并采取纠正行动的能力。

这些措施共同表明，政策正围绕 Schmidt 强调的若干问题趋同：国家能力、技术人员、计算基础设施、机构协调和可衡量的评估。它们并不能说明已经采用的解决方案足够充分或设计良好。设立一个办公室比赋予它权力容易。宣布一个项目比持续获得拨款容易。发布一套评估方法比对受青睐的供应商或紧急任务真正执行它容易。

研究、人才和基础设施让战略能够执行

只有当研究、人才、算力、数据和部署规则作为一个整体组合运作时，国家 AI 战略才可执行。资助其中一项而忽视另一项，会产生闲置能力，或导致对少数供应商的依赖。

公共科研资金应支持基础科学、应用任务、评估方法和商业回报不确定的工作。它还应包括成果转化机制。大学团队可能展示出有价值的技术，但如果没有安全托管、产品工程、法律授权、维护资金，以及愿意承担成果的公共机构，应用就可能停滞。

人才政策不能只培养更多机器学习研究人员。政府还需要软件工程师、数据工程师、网络安全专家、产品经理、采购人员、律师、审计人员、领域专业人士，以及能够权衡技术取舍的高级官员。未经操作人员参与评估的国防模型，可能在现场条件下失效。缺少行政法专业知识审查的福利系统，即使其预测在统计上准确，也可能剥夺正当程序。

算力政策必须区分训练和推理。训练大型模型需要在有限期间集中使用算力。在众多用户中运行该模型，则持续需要加速器、内存、网络、存储、电力、冷却和维护。采购计划若只为开发编列预算，却忽视运营成本，机构可能留下一个成功却无力扩展的试点。

物理基础设施如今也属于战略的一部分。数据中心需要合适的地点、可靠电力、输电容量、水或替代冷却系统、网络连接、替换设备和应急计划。有用的衡量指标包括接入新增容量所需时间、利用率、每项完成工作负载的成本、中断后的恢复时间，以及可在获批环境中运行的敏感工作负载占比。

数据政策始于法律授权和用途。机构需要知道数据集为何存在、谁可以使用、可保留多久、哪些人群的数据描述不足，以及修正如何传播。来源记录很重要，因为如果不知道底层记录的来源和转换历史，评估就无法解释一次失败。

隐私保护方法可以减少暴露，但无法取代治理。访问控制、安全隔离区、去标识化、差分隐私、联邦分析和审计日志应对的是不同威胁。机构应根据所涉数据、用户、攻击模型和公共职责选择它们。

部署应遵循生命周期，而不是一次性验收测试：

1. 明确决策内容、受影响群体、法律授权和人工负责人。
2. 建立非 AI 基线和可衡量的效益目标。
3. 在预定环境中测试性能、安全性、偏差、无障碍性和滥用风险。
4. 逐步发布，并配备日志、升级路径、事件报告和回滚机制。
5. 当模型、数据、政策或运行条件变化后重新评估。

这一过程支持速度，因为它允许进行小规模、可逆的试验。它也能防止把原型的精彩演示误认为生产环境证据。

AI 通过双重用途能力改变国家安全

AI 通过提升分析和行动的速度、规模与可及性来改变国家安全。情报机构可用它分析图像、翻译材料、搜索大型文档集合、识别网络异常，并帮助分析人员关联信号。军事机构可将其用于后勤、维护、规划支持、感知和自主系统。

同样的能力也能帮助攻击者。代码生成可以帮助防御者检查软件，也能帮助对手改写恶意程序。语言生成可降低个性化钓鱼攻击和影响行动的成本。计算机视觉既能支持灾害响应，也能用于持续监控。生物模型可以帮助正当研究，同时降低某些有害实验的门槛。

因此，双重用途政策不能被简化为禁止模型的清单。风险取决于模型、连接的工具、可用数据、用户访问权限、部署环境和错误后果。一个没有外部权限的通用模型，与同一模型连接机密数据库、实验室设备、金融账户或武器时，带来的暴露完全不同。

政府采购也面临类似困难。传统合同假定需求稳定，并假定产品版本可在验收前完成测试。AI 服务可能在合同期内改变模型、安全层、检索系统、训练数据构成或使用政策。机构需要获知重大变更，并能够在更新进入敏感工作前重新进行评估。

一项经得起检验的国家安全部署应包括五项控制：

• 针对任务的测试，衡量误报、漏报、延迟、压力下的失效和对抗行为。
• 最小权限访问，限制系统可获得的数据、工具和行动。
• 明确的人类权限，负责批准、干预、升级和关闭。
• 为调查而设计的持续日志和监测，而非为供应商营销服务。
• 覆盖更新、事件、数据使用、模型访问、可移植性和终止的合同条款。

人类参与必须有实际意义。若界面隐藏不确定性、工作量让人无暇审查，或组织文化惩罚与模型意见不一致，仅要求人点击批准并无多大作用。操作人员需要培训、时间、替代信息，以及拒绝输出的权力。

高后果用途需要更严格的证据。汇总日常通信的系统可以容忍一些错误，但在目标打击、情报预警、医疗分诊或公共福利准入中，这些错误不可接受。速度应来自与风险相称的审查和可逆部署，而不是假装每种用途的利害关系都相同。

美中竞争不只是模型竞赛

美中 AI 竞争涉及产业能力、研究、人才、能源、供应链、采用和联盟，而不只是某一个模型排名。把它当成终点线，会鼓励戏剧化的说法，也会遮蔽长期维持优势的制度基础。

能力比较必须明确衡量什么。训练出高性能模型，与制造先进芯片、在整个产业中部署系统、提供可靠云能力、产出科学发现，或将 AI 整合进军事行动，是不同的事。一个国家可以在某一类别领先，却在另一类别依赖外国供应商。

出口管制旨在放缓获取特定先进芯片和半导体制造设备的速度。其效果取决于技术范围、执法、盟友参与、储备库存、转运路线，以及目标国家开发替代品的能力。管制过窄可能效果有限。规则过宽则可能促使客户离开美国供应商，或推动更快的替代。

盟友之所以重要，是因为半导体和算力供应链跨越国界。芯片设计、制造、生产设备、材料、封装、云服务和研究人才分布在不同国家。协调政策可以减少规避行为、分担成本、支持兼容的安全实践，并让伙伴有理由使用可信系统开展建设。

竞争也影响治理。如果把每项评估要求都说成单方面解除武装，机构和企业就会在失败迫使其反应前，减少对测试的投入。如果因推测性理由限制每一项能力，研究和有益应用就可能转移到别处。胜任的战略应保留实验空间，同时对会带来可信国家安全风险的访问权限、行动和环境实施更强控制。

集中化使美国的处境更加复杂。训练和运行前沿系统需要只有少数企业具备的资源。集中化可以加快投资和部署，却也可能削弱政府议价能力、减少科研准入，并在机构间形成共同依赖。竞争政策、互操作性、可移植性、公共研究基础设施，以及源代码或模型访问要求，都可能解决其中一部分问题。

竞赛隐喻在政治上仍然有效，因为它能制造紧迫感。但从分析上看，它并不完整，因为稳定的领导力依赖韧性、纠错、公共正当性和合作。一个国家即使部署很快，却无法保护模型、为数据中心供电、培训操作人员或应对事件，也没有建立持久优势。

治理必须跟随用途及其后果

有效的 AI 治理应根据系统做什么、影响谁，以及失败后果有多严重来分配责任。回答一般问题的聊天机器人、诊断辅助工具、招聘筛选工具和自主目标打击组件，不应面对完全相同的证据要求。

治理的第一项任务是分类。官员应识别系统是在为人提供信息、建议行动、作出决定，还是执行行动。随后应梳理受影响的权利、可能损失、脆弱群体、申诉机制和伤害的可逆性。

五个问题能迅速暴露治理的薄弱之处：

• 系统影响什么决定，谁仍承担法律责任？
• 有什么证据支持它用于这一群体和运行环境？
• 收集、保留、共享或用于后续训练的是什么信息？
• 受影响的人如何获得解释、更正和人工审查？
• 什么事件会触发暂停、通知、补救或赔偿？

公平性要求审查结果，而不是假定移除受保护属性就消除了歧视。其他变量可能充当代理，历史记录可能编码了不平等待遇，错误成本也可能不均衡地落在不同人群身上。机构应测试相关群体、调查原因，并在缓解措施后决定该用途是否仍然合法且合理。

透明度应适配不同受众。工程师需要模型和数据文档。操作人员需要了解限制、不确定性和升级指引。采购官员需要成本、安全、更新和依赖关系信息。受决定影响的人需要可理解的理由和可用的申诉途径。发布一份很长的技术文件无法满足这四种需求。

隐私分析必须涵盖模型交互，而不只是训练数据。提示词、检索到的文件、工具输出、日志、反馈和生成记录都可能包含敏感信息。合同条款应说明供应商是否可以保留这些材料、将其用于训练、跨境传输，或向分包商提供。

前沿模型评估和应用审计回答的是不同问题。模型评估可能测试网络能力、欺骗性、生物学知识或抗滥用能力。应用审计则审查完整的已部署系统，包括提示词、检索、工具、界面、人工流程和受影响群体。通过其中一项不能替代另一项。

独立研究人员、公民社会组织、监察长、标准机构和测试实验室可提供政府机构和供应商可能缺少的知识与监督。访问安排必须保护安全和个人数据，但保密不应成为抵御外部审查的一概理由。

公私合作需要边界和证据

当各方在选择技术前明确公共问题、法律授权、预期结果、安全边界和退出条件时，公私合作才能发挥作用。模糊的合作关系或许能带来宣传，却使成本、责任和绩效难以审查。

政府提供授权、公共资金、任务场景准入，以及支持长期工作的能力。企业提供工程人员、商业基础设施、当前产品知识和大规模运营系统的经验。大学和非营利组织可以提供基础研究、评估方法、培训和独立批评。

各方的激励不同。供应商会从试点扩展为长期合同中受益。机构领导人可能在证据成熟前，就从宣布快速采用中受益。研究团队可能倾向于开放发表，即使结果涉及安全影响。良好的协议应承认这些激励，并围绕它们建立审查、披露、竞争和终止权。

当知名顾问在同一政策领域保留投资、董事会职位、业务关系或慈善项目时，利益冲突值得直接处理。披露并不证明存在不当影响，专业知识也常伴随着职业联系。但它使官员和公众能够评估建议的来源、寻求不同意见，并在必要时要求参与者回避。

低风险原型开发是合作的一项实用领域。例如，Koder.ai 让用户通过自然语言对话创建 React Web 界面、带 PostgreSQL 的 Go 后端服务，以及 Flutter 移动应用。它支持规划模式、源代码导出、部署和托管、自定义域名、快照和回滚。这些功能可以缩短演示项目或内部工具的反馈周期。

生成的应用在进入公共部门生产环境前仍需审查。团队必须检查代码、依赖项、身份验证、访问控制、数据流、无障碍性、日志、韧性、许可和部署配置。敏感工作负载还需要获批的托管环境，并遵守机构的安全和记录义务。氛围编程改变的是原型的产生方式，不会改变谁该对此负责。

一份有用的试点合同应明确：

• 范围有限的用户群和限时运行期。
• 基线成本、质量和完成时间指标。
• 数据保留、训练、存储地点和分包商限制。
• 安全测试、变更通知、事件报告和回滚义务。
• 导出、可移植性、文档和终止权。

这种结构让机构能够在尚未了解系统前避免被供应商锁定，同时也能为成功试点的扩展提供可信证据。

如何评估 Schmidt 的影响力以及任何 AI 战略

评估 Schmidt 的影响力，应看采用情况、资源、制度持久性和结果，而不是演讲或与官员的接近程度。一项建议可以影响讨论却未成为政策，后来的政策也可能与之相似，却不是由它导致的。

先从归因开始。找出与 Schmidt 有关的具体报告、证词、委员会建议或提案。将他的个人表态与委员会或机构形成的共识文件分开。一份由 15 人委员会发布的报告，不等同于主席个人的私下观点。

接着追踪执行链条：

1. 国会或机构是否以可辨认的形式采纳了提案？
2. 它是否获得法律授权、拨款、人员和明确的负责领导？
3. 负责机构是否公布了里程碑和绩效证据？
4. 用户是否获得可靠能力，而不只是试点或办公室成立公告？
5. 审计、事件、成本、权利影响或战略结果是否支持最初的主张？

时间表必须足够具体，才能允许失败。一项五年愿景应说明第一个预算周期会发生什么、哪些依赖项必须先到位，以及里程碑延误时谁能介入。否则，计划可能仅凭活动本身就被宣布成功。

指标应与目标匹配。政府采用项目可以衡量采购耗时、用户任务完成情况、每个案件成本、人工覆盖率、安全事件和恢复时间。科研项目可以衡量获得的访问权限、资源利用率、发表成果、可复现性、培训结果和成果进入实践的情况。统计会议或生成文件数量，对能力说明不多。

取舍应当公开。严肃的计划会说明谁承担能源成本、出口限制如何影响供应商、哪些数据不能使用、何时必须由人作决定，以及哪些部署将被禁止或暂停。一项同时承诺最大速度、安全、开放、隐私和控制的战略，回避了战略本应作出的决定。

Schmidt 的职业轨迹最终说明了什么

Schmidt 的职业轨迹表明，AI 领导力既是组织和政治问题，也是模型开发问题。Google 展示了基础设施、衡量、技术人才、实验和大规模恢复能力的价值。他的顾问工作将这些运营理念应用到政府能力、国防采用、半导体政策、科研准入和国际竞争中。

这种转移有用，却并不完整。公共机构必须保护权利、为强制性决定提供理由、披露冲突、维持民主监督并提供救济。这些责任无法被更快的产品周期或更好的技术管理取代。

Schmidt 对政策最有力的贡献，是坚持认为国家 AI 战略需要协调一致的机制。没有算力准入的研究会停滞。没有熟练操作人员的模型只是演示。没有评估的采购买来的是不确定性。没有联盟的安全忽视了供应链的结构。没有问责的创新会破坏采用所需的信任。

恰当的回应既不是自动接受，也不是因为 Schmidt 的企业背景而加以否定，而是进行有纪律的验证：确定提案，追踪授权和资金，检查实施，衡量结果，并计算公共主张略去的成本。这样才能看清影响力，也才能根据结果评判国家 AI 战略。