世界銀行小型 AI 策略挑戰大型模型競賽
世界銀行的小型 AI 策略正敦促發展中國家採用針對明確目標、適合流動裝置的系統，儘管業界正競相開發規模更大、成本更高的模型。這些工具針對特定問題、採用較聚焦的數據集，並可在網絡連接有限的情況下運作。這種做法把焦點由基準測試領先地位，轉向 AI 能否透過人們已擁有的裝置及網絡提供實用專業知識。
世界銀行首席知識官 Paschal Donohoe 在曼谷舉行的世界銀行及國際貨幣基金組織會議期間提出這一觀點。他向 Guardian 表示，因地制宜的 AI 可將過去需時數世紀的發展成果壓縮至數十年內實現。這項說法雄心勃勃，但其背後的矛盾近在眼前：前沿 AI 依賴集中於富裕經濟體的昂貴基建，而小型 AI 則旨在配合本地限制運作。
這項策略並非聲稱較小型系統可以取代所有前沿模型。它主張，大多數發展中經濟體應先優先採用及本地化調整 AI，然後才嘗試自行建立最先進的系統。這個選擇令政府、發展機構及科技供應商須證明，專門化 AI 能否擴展至不只限於零散試點。
世界銀行推動小型 AI 改變發展目標
世界銀行正以可及的服務，而非底層模型的規模，重新界定 AI 進步。
小型 AI 是指為特定任務、本地語言及一般裝置而設的可負擔系統。模型可分析農作物圖片、支援醫療篩查，或透過語音通話提供建議。它毋須回答所有問題，也毋須在廣泛的學術基準測試中競爭。
這種較聚焦的範圍，令此做法有別於 OpenAI、Google、Anthropic 及 Meta 等公司開發的通用模型。這些系統在訓練期間需要大量運算能力，其最強大的服務在使用時亦依賴雲端基建及可靠網絡連接。
世界銀行認為，發展中國家可以從其他地方開始。其發展路線圖建議分三個階段：採用現有工具、按本地情況調整，並只在國家能力足以證明相關開支合理時，才邁向前沿開發。
這個次序是該建議的核心。政府毋須先擁有自己的通用模型，才可部署 AI 輔助的農業建議服務。如果專門化篩查系統可在本地運作並於稍後同步資料，診所亦毋須持續寬頻連線。
Donohoe 以世界銀行在印度的農業項目 AgriConnect 說明這項分別。農民需要適用於其作物、地點及語言的土壤資訊。印度無法在每個小型農場旁安排農業科學家，但以手機為本的系統可分發部分相關專業知識。
該模型仍需要可信的農業數據及本地驗證，也需要農民能使用的介面，這可能意味著以語音而非文字為主。因此，小型 AI 不僅指精簡模型，而是一套圍繞明確使用者、受限環境及可量度任務而設的服務交付策略。
世界銀行提出這個主張之際，AI 投資仍集中於大型模型及其配套基建。這個市場獎勵通用能力、全球平台及頻繁的模型升級。發展項目通常需要較不吸引眼球的東西：在艱難運作環境下，針對本地問題提供可預期的表現。
這正是這篇小型 AI 訪問的重要性。世界銀行要求各國把本地化視為主要產品，而非部署後才加入的次要功能。
這種改變亦會改寫衡量成功的方法。較小型系統毋須在每項測試中勝過前沿模型；它需要以可接受成本，在所需語言、現有硬件及適合當地情況的保障措施下，產出實用結果。
這項建議把發展問題由「這個國家能否建立領先模型？」轉為「這個國家能否在專業知識稀缺之處提供更佳決策？」這是更務實的目標，但同時要求來自實地的更有力證據。
為何大型模型難以配合本地限制
前沿模型競賽假設具備許多發展中國家尚未擁有的基建。
世界銀行 2026 年報告指出，AI 的普及速度快於以往的通用技術。蒸汽機約花 80 年才進入低收入國家，電力約花 40 年，互聯網則約花 20 年。中等收入國家在 ChatGPT 推出後六個月內，已貢獻其全球流量的一半。
不過，快速普及並不代表平等使用。世界銀行表示，仍有 22 億人未能上網。其小型 AI 簡報亦指出，低收入國家佔 ChatGPT 使用量不足百分之一。
在考慮基建後，這種差距更為明顯。根據世界銀行的AI 發展研究結果，在撒哈拉以南非洲，接近三分之一農村學校欠缺可靠電力，超過三分之二缺乏可靠互聯網接入。
雲端服務在技術上可以提供，但在實際上仍可能無法使用。不穩定電力會中斷裝置及網絡設備運作；昂貴流動數據限制重複使用；高延遲會令互動工具令人挫敗；以文字為先的介面則排除無法閱讀支援語言的人。
前沿開發亦構成另一道障礙。先進模型需要專用晶片、大型數據中心、大量訓練數據及具經驗的研究人員。這些資產仍集中於少數公司及國家。
世界銀行早前的AI 基礎報告發現，截至 2025 年 7 月，高收入國家佔重要 AI 模型的 87%。它們亦擁有 86% 的 AI 初創企業，以及 AI 初創企業累計風險投資資金的 91%。
這些國家只佔全球人口的 17%。這種失衡意味著，大多數發展中經濟體將使用在其他地方建造的技術，除非它們找到可行的本地化調整途徑。
小型 AI 嘗試減少這種依賴，但並不假裝可以完全消除。專門模型可基於既有的開放或專有基礎模型進行調整，使用較少運算資源，在手機或手提電腦上運作，並聚焦於特定地區相關的數據。
這並不代表基建變得無關重要。每個 AI 系統仍依賴電力、裝置、維護及某種形式的數據管道。即使日常使用在離線狀態下進行，訓練或更新本地模型仍可能需要雲端運算。
差異在於門檻。小型 AI 降低提供服務所需的最低基建要求，讓機構可先從有限範圍的應用開始，同時逐步改善連接能力、技能及運算容量。
世界銀行把這些要求歸納為四項基礎：連接、運算、情境及能力。連接涵蓋電力及互聯網接入；運算包括晶片、數據中心及雲端服務；情境是指相關數據、機構及語言；能力則包括技術技能及負責任使用系統的能力。
任何一環薄弱都可能令部署停滯。即使健康模型準確度高，若診所無法維護裝置，系統仍會失敗。若農業助手的建議反映的是另一地區的土壤及天氣，它便無法發揮作用。當使用者不信任收集其數據的機構時，本地語言介面亦不足夠。
因此，壓力不只落在科技公司身上。政府必須改善基本基建及採購；大學及培訓課程必須培養本地專業知識；國際機構必須資助評估，而不只是試點；供應商必須支援可互通系統，而非把公共服務鎖定於單一平台。
本地化調整是機制，而非功能
小型 AI 只有在本地知識改變模型、介面及其周邊服務時才可發揮作用。
世界銀行認為，輸入 AI 服務並不等於完成本地化調整。主要在高收入環境訓練的模型，可能產生與本地法律、農業條件、醫療實務或社會規範衝突的建議。單靠翻譯無法解決這些差異。
語言是問題中顯而易見的一部分。模型在不同語言之間的表現往往不平均，尤其在缺乏高質素訓練數據時。即使書面輸出準確，仍會忽略依賴口語溝通或基本電話的使用者。
世界銀行建議透過短訊、語音通話及輕量級應用程式提供服務。這些渠道之所以重要，是因為它們配合既有使用習慣。農民可透過語音提問；醫護人員可使用離線篩查工具；教師可在毋須維持與大型雲端模型持續連線的情況下獲得課堂支援。
這既是資訊設計挑戰，也是模型設計挑戰。機構必須把技術輸出與本地記錄、專業判斷及營運知識結合。每當通用 AI 必須與具體而可信的來源並行運作時，類似的知識融合原則亦同樣重要。
農業提供了一個清晰例子。有用的系統需要的不只是對作物科學的一般理解，還可能需要區域天氣、土壤狀況、蟲害模式、種植日曆，以及經本地專家認可的建議。
健康應用涉及更高風險。世界銀行提到無需持續寬頻連線的手提式結核病篩查系統。這類工具可擴展有限的臨床能力，但必須針對其運作地點的人口及條件進行驗證。
錯誤的農業建議可能減少收成；錯誤的醫療建議則可能延誤治療。由於開發者可界定及測試預定任務，有限範圍可降低部分風險，但並不能取代人工覆核或升級處理機制。
教育工具也有類似取捨。當教師時間有限時，輕量級導師系統可提供練習及回饋；然而，學習成果取決於課程配合、語言質素、裝置可及性，以及教師能否監察系統的使用。
小型 AI 可透過處理重複分析工作或延伸專業人士的服務範圍，作為專業人員的補充。它不應成為避免投資於教師、醫生、農業專家或公共機構的藉口。
最可信的部署，會明確界定系統在哪些環節協助人員。農作物工具或可標示疑似蟲害，並建議把不確定個案交由農業推廣人員處理。篩查裝置則可優先安排病人接受臨床覆核，而非作出最終診斷。
本地調適亦會改變誰掌控最終服務。政府需要取得效能數據、審計程序，以及更換供應商的方法。否則，即使是小型模型，也可能帶來與大型雲端平台相同的供應商依賴。
開源模型可降低門檻，因為開發者能檢視及修改系統中較多部分。但這也會把責任轉移至本地機構，它們必須維護軟件、管理保安，並驗證更新。
專有模型或能提供較佳支援或更強的一般能力。它們同時可能令機構面對條款變動、遙距服務中斷，以及不受本地控制的定價決定。正確選擇因應用而異，但採購安排應保障本地數據存取及營運持續性。
因此，互操作性也是機制的一部分。世界銀行建議國家系統可與多個平台及供應商協作。這可降低單一供應商與公共服務密不可分的風險。
數據管治同樣重要。本地調適往往需要敏感的健康、教育、財務或農業紀錄。機構需要就同意、保留、再利用及存取訂立清晰規則。社群亦需要一個實際可行的途徑，挑戰有害的決定。
發展價值源於把具能力的模型與可信的交付系統結合。沒有這種周邊架構，小型 AI 只不過是較小的軟件。
證據缺口或會吞噬這項承諾
最大的未知數，並非小型模型能否在資源有限的硬件上運行，而是成功的試點能否成為可靠的公共服務。
世界銀行列舉了農業、醫療及教育的實際應用。這些例子顯示專用 AI 可在限制下運作，卻不足以證明每項部署都能在全國規模帶來持久效益。
試點項目通常獲得專項資金、專家關注及經仔細挑選的用戶。擴展時會出現更棘手的條件：裝置會故障，人員會更替，數據會漂移，本地機構亦會承擔在初步試驗中不存在的維護成本。
模型亦可能在實驗室表現良好，卻在真實用戶環境中失效。相片可能模糊；口音可能有別於訓練樣本；不同診所的醫療設備或有差異；農民或會以系統無法辨識的本地用語描述症狀。
因此，評估必須衡量服務成果，而不只是模型準確度。農作物助手應按農民是否作出更佳決策及保障收成來判斷。篩查工具則應按臨床結果、漏診個案、誤報及轉介質素來評估。
政府亦需要與較簡單的替代方案比較。新的 AI 工具看似有用，實際帶來的價值卻可能不超過可搜尋指南、較佳的客服中心，或為前線人員提供額外培訓。發展預算有限，令這種比較尤其必要。
世銀承認，各國需要更完善的採購及評估框架。許多試點已在進行，但機構未必總能辨別哪些確實帶來成果。擴展薄弱項目會浪費稀缺資源，並損害公眾信任。
偏見帶來另一項風險。本地數據可能不完整，或反映公共服務的獲取不平等。用這些紀錄訓練模型，可能複製這些模式。小型模型在處理狹窄領域以外的不尋常個案時，能力也可能較弱。
私隱風險不會隨參數量減少。手機應用程式仍可收集敏感健康資訊、位置數據、錄音或農場紀錄。離線運作或可減少部分暴露，但同步及模型更新會產生額外風險點。
當裝置廣泛分布，保安亦變得困難。舊型手機可能缺乏最新防護；本地應用程式可能長期未獲修補。攻擊者可能操控輸入、竊取數據或改動建議。
同樣存在政治風險。公共機構可能在缺乏充分申訴機制下，使用 AI 自動化資格審核、執法或監控。若受影響人士無法理解或質疑其決定，為效率而設的系統可能削弱權利。
勞動影響亦需要同樣克制地看待。世界銀行估計，低收入及中等收入經濟體中，4.5% 的現有職位面臨生成式 AI 帶來的自動化風險。高收入國家的相應估計為 14.2%。
同時，世銀估計，AI 可顯著提升發展中經濟體 16.2% 職位的生產力，接近高收入國家 18.7% 的估計。
這些數字支持以 AI 補足勞動者的策略，但它們仍屬全經濟層面的估計。實際結果將取決於行業、職業、僱主行為及勞工的議價能力。生產力提升不會自動轉化為更佳薪酬或改善工作條件。
世界銀行的立場是，發展中國家應聚焦於增強稀缺的專業能力。在少數專業人士服務龐大人口的領域，這一說法具合理性。但若機構主要利用 AI 削減人手或減弱問責，這種說法便較難成立。
另一項不確定因素涉及市場集中。小型 AI 可建基於由其他地方控制的技術。一個國家或可避免興建數據中心，卻仍依賴外國晶片、雲端服務、模型權重或應用程式介面。
因此，本地化可減少一種依賴，同時保留另一種依賴。政府應審視整條供應鏈，包括誰控制更新、數據存取及技術支援。
世界銀行聲稱 AI 可把一世紀的發展壓縮至十年，應視為對潛力的表述，而非預測。經濟發展取決於制度、教育、基建、公共衛生、貿易、金融及政治穩定。軟件無法取代這些根基。
當小型 AI 在這個較大系統中改善一項明確服務時，最具可信性；若被包裝成繞過基本投資的捷徑，其可信性便會下降。
三個訊號將顯示小型 AI 能否擴展
下一項考驗，是政府能否把專用模型轉化為可衡量、可維護的服務，同時不建立新的依賴。
第一個訊號是來自擴展部署的嚴謹證據。政府及發展機構應公開比較 AI 支援服務與現有方法的結果。最有用的研究將涵蓋錯誤率、營運成本、用戶成果，以及跨語言和地區的表現。
農業、醫療或教育領域的正面結果，將加強世界銀行的小型 AI 論點。反覆出現的試點失敗或薄弱比較，則會顯示低成本部署並不保證帶來有意義的影響。
證據亦必須涵蓋最容易被排除的用戶。系統應以使用舊型手機、較弱連線、不同方言及有限數碼素養的人士進行測試。平均表現可掩蓋嚴重的存取落差。
第二個訊號是對四項基礎條件的投資。小型 AI 降低了基建要求，但仍需要電力、連接能力、運算存取、本地數據及具技能的人才。政府必須資助這些配套，而非把輕量模型視為其替代品。
世界銀行支持 Mission 300，目標是在 2030 年前，為撒哈拉以南非洲 3 億人提供電力供應。此類工作的進展，將決定數碼服務能否可靠地覆蓋農村學校、診所及企業。
技能投資應擴展至模型開發者以外。採購人員需要評估技術聲稱；教師及醫護人員需要辨識系統限制；監管機構需要調查損害的方法；本地研究人員需要取得數據及評估資源。
若這些能力隨部署同步成長，小型 AI 可成為制度能力的一部分。若外部承辦商保留所有技術控制權，項目或會在資金結束後消失。
第三個訊號，是各國能否保留在供應商之間選擇的空間。公共機構應要求可攜數據、已記錄的介面、審計存取權及可行的退出方案。它們應避免無法在單一供應商雲端或專有工作流程以外運作的系統。
開放技術可以有所幫助，但開放本身並不足夠。政府需要有能力維護這些技術的機構，也需要保安實務、清晰問責及長期資金。
供應商多元化可透過維持本地調適的競爭，強化這項策略。若對少數全球供應商的依賴日益增加，即使部署的模型仍然小型，也會削弱策略。
這些訊號將透過採購決定、獨立評估、國家 AI 計劃及公共服務成果變得可見。相比模型發布消息，更有參考價值的是診所、學校或農場服務能否在試點期結束後持續運作的證據。
世界銀行已提出一個可信的替代方案，不再把前沿模型開發視為進入 AI 的唯一途徑。其最重要的洞見是，實用性取決於情境、交付方式及制度準備程度。
更困難的問題是，政府及資助者會否支持這項洞見背後那些不太吸引眼球的工作。本地數據集必須維護；前線人員需要培訓；系統需要審計、更新及申訴程序；基建仍需投資。
讀者應留意那些公布可衡量成果，並讓本地機構保有持久控制權的部署。這些項目將揭示世界銀行的小型 AI 會否成為務實的發展策略，還是又一輪充滿希望的試點循環。下一個有意義的里程碑，不是更大的模型，而是一個持續運作、觸及被排除用戶，並產生可供獨立評估者驗證成果的較小系統。
