AI 正在同时扩大可及性与不平等

IEEE Spectrum 重新界定了 AI 鸿沟，聚焦于一个更尖锐的冲突：全球采用正在加速，但控制权仍集中在少数国家和公司手中。人们的担忧已不再局限于能否打开一个 AI 应用，而是延伸到谁拥有计算基础设施、构建模型、代表本地语言，以及制定规则。

这一差异至关重要，因为 AI 正在进入分配机会和提供公共服务的系统。它帮助筛选求职者、推荐教育材料、支持医疗决策，以及处理政府申请。拥有较强数字技能的人可以利用这些系统扩展自身能力。其他人则更可能将 AI 视为无法审查或质疑的不透明决策者。

IEEE Spectrum 的分析将这种失衡描述为数字鸿沟的新阶段。核心角力在于广泛可用 AI 的承诺，与生产能力被少数人掌握的现实之间。聊天机器人的使用可以迅速普及，但真正的参与需要基础设施、技能、相关数据，以及有能力治理外来系统的机构。

这并非主张放弃云平台，或放缓所有 AI 部署。它警示我们，采用与自主权是不同的结果。一个国家可以拥有数百万 AI 用户，却仍依赖外国计算能力、外部模型提供商，以及在其他地方制定的标准。

因此，AI 不平等的下一阶段将不再仅以用户数量衡量。更能说明问题的是：谁能够构建有用的系统，谁能够安全地调整它们，以及谁有权决定它们优化什么。

IEEE Spectrum 将数字鸿沟的讨论延伸至接入之外

重要的变化在于概念层面：使用 AI 并不必然意味着个人或国家能够影响 AI。

早期关于数字鸿沟的讨论往往聚焦于物理接入。政策制定者会统计互联网连接、家庭电脑、移动通信订阅和宽带覆盖率。这些指标依然重要，因为不可靠的连接会在任何 AI 问题出现之前就阻断参与。

AI 在基础连接之上增加了多层要求。现代系统依赖计算能力、专用芯片、云服务、训练数据、技术专长和持续的机构监督。任何一层的薄弱，都可能让看似成功的部署演变为长期依赖。

例如，一所学校可能让学生使用生成式 AI 助手。但这并不意味着教师了解它的局限，管理者能够审计它如何处理学生数据，或本地研究人员参与评估它的行为。该机构获得了接入，却可能缺乏治理这一工具的能力。

医疗领域也存在同样的区别。一家诊所可以订阅 AI 支持服务，却未必拥有在本地测试它所需的数据基础设施或技术人员。如果系统在区域语言或当地常见疾病上表现不佳，临床医生可能难以找出问题根源。

世界银行通过四项基础来描述包容性 AI 发展：连接、算力、语境和能力。连接涵盖能源和数字网络。算力包括芯片、数据中心和云服务。语境指相关数据，而能力则涵盖有效开发和使用系统所需的技能。

其AI 基础报告指出，中低收入国家在大规模部署 AI 时面临陡峭障碍。报告还指出，在常见设备上运行的更小型、面向具体任务的系统，是一种切实可行的替代方案。这种方法并不能消除鸿沟，但会拓宽可选策略。

这一框架说明，为用户分发消费级账户无法解决全部问题。免费界面可以降低即时试用成本，却无法提供可靠电力、本地语言评估数据、技术培训、采购专长或有效的申诉机制。

这种鸿沟也存在于富裕国家内部。两名员工可能使用同一个 AI 助手，却获得截然不同的收益。一人拥有领域专长、试验时间，以及提供培训的雇主。另一人则面对自动化监控、模糊的政策，以及对工具如何影响绩效评估几乎没有发言权。

这种差距使 AI 素养不只是编写提示词的能力。实用素养包括识别不确定性、核查来源、保护敏感信息，以及知道何时需要人工审查。它还包括理解 AI 系统会在何处介入决策，以及人们如何对其输出提出异议。

当 AI 工具生成自信却缺乏依据的陈述时，知识工作者已经面临这一问题。个人知识管理实践可以帮助个人保留来源和语境。然而，当 AI 影响就业、信贷、医疗保健或公共福利时，个人整理无法替代机构问责。

因此，眼下的新闻在于“包容”的定义发生了转变。采用指标只能显示谁接触过这项技术，不能显示谁获得了持久的经济价值、谁塑造了系统，或谁承担了它的错误。

算力集中将采用转化为依赖

AI 基础设施的扩展速度远慢于 AI 界面，这为那些已经掌控云计算和芯片能力的地区创造了结构性优势。

斯坦福大学的 2026 AI Index 报告称，美国拥有 5,427 个数据中心，是其他任何国家总数的十倍以上。同一份报告表示，TSMC 一家公司制造了几乎所有领先的 AI 芯片。这种集中使全球 AI 发展依托于狭窄的物理和商业基础。

2026 AI Index也显示，前沿开发依然高度集中。2025 年，行业产出了超过 90% 的知名前沿模型。美国的私人 AI 投资远高于中国，尽管斯坦福提醒，私人投资数据低估了中国政府支持的活动。

这些数据并不意味着每个国家都需要一个前沿规模模型，或本土半导体产业。训练最大的通用系统只是参与方式之一。各国可以创建专业模型、本地数据集、评估方法、公共利益应用，以及适合自身社区的规则。

然而，基础设施集中改变了这些替代方案的发展条件。租用外国云计算能力的组织仍会受到提供商政策、汇率波动、网络可靠性、数据传输规则和地缘政治限制的影响。它们的议价能力很大程度上取决于市场规模和技术选择。

影响不止于服务可用性。云服务提供商影响哪些模型架构易于部署、哪些工具能够顺畅集成，以及哪些监控系统成为标准。这些选择会在政府制定正式 AI 政策之前就塑造本地发展。

集中的算力也会引导研究关注点。拥有充足加速器的大学能够训练、测试和复现资源受限机构无法研究的系统。主要算力中心之外的研究人员，可能沦为评估者或下游适配者，而非具有影响力模型设计的作者。

这种失衡可能自我强化。强大的研究机构吸引工程师和投资，投资为更多基础设施提供资金，而基础设施又支持更多试验。较晚进入的地区必须争夺人才，同时为关键能力向外部提供商付费。

由此产生的依赖类似于早期云服务和平台集中，但 AI 提高了风险。一项传统软件服务通常执行开发者明确编写的规则。机器学习模型则从数据中形成模式，因此当语言、机构或社会条件不同时，本地评估至关重要。

仅凭数据中心数量无法反映质量、可用加速器、能源约束或实际可及性。为存储或普通网站托管而设计的设施，并不会自动支持高要求的 AI 工作负载。因此，斯坦福的数据应被视为地理集中度的指标，而非可用 AI 能力的完整清单。

即使有这一限定，趋势依然清晰。面向消费者的 AI 可以通过网站或移动应用进入新市场。建设国内技术能力则需要多年投入，包括电力、网络、教育、采购和研究机构。

这正是“AI 惠及所有人”承诺背后的核心反转。由于全球平台承担了困难的基础设施工作，分发变得更容易。同样的便利也让依赖更难被察觉，因为用户体验到的是即时服务，而非其下方集中的技术栈。

最现实的应对方式不是实现完全的技术自给自足。几乎没有国家能够在经济上复制 AI 供应链的每一层。实际目标是战略自主权，即拥有足够的技能、基础设施和机构知识，以便选择提供商、审计系统，并在高风险领域构建本地替代方案。

AI 技能鸿沟决定谁能获得主动权

接入创造机会，但技能决定 AI 是扩展个人自主能力，还是增加其面对由他处作出决策的风险。

OECD 报告显示，不同教育程度的人群在 AI 相关培训方面存在显著差异。IEEE Spectrum 强调的调查数据显示，拥有高等教育学历的受访者中，36% 表示在过去一年参加过 AI 培训。拥有高中阶段教育学历的人群中，这一比例为 18%。

这种模式很重要，因为 AI 会放大既有专长。一名训练有素的程序员可以借助编码助手探索陌生的库、生成测试并审查重复性修改。缺乏基础编程知识的人则可能接受错误输出，因为他们无法识别隐藏的错误。

这种影响也出现在工程之外。一名律师需要法律知识来识别虚构引文。一名临床医生需要医学专业知识来质疑不安全的建议。一名教师需要学科知识和评估技能，以区分有益协助与看似可信的错误信息。

AI 素养项目往往强调界面使用，因为它容易演示。参与者学习如何输入提示词、修改请求或总结文档。这些能力很有用，但它们只是更大能力鸿沟中最显眼的一部分。

有效使用还需要来源评估、隐私判断、统计推理，以及对自动化偏见的认识。自动化偏见是指人们因为机器生成的建议看起来具有系统性，便倾向于信任它。这种倾向在界面用流畅语言掩盖不确定性时尤其危险。

经合组织的AI 技能研究认为，这一问题不只是缺少专业工程师。劳动力需要通用的 AI 知识、互补技能以及高级技术专长。因此，培训体系必须服务于不同教育和职业层级的人群。

雇主同样会影响这些收益的分配是否均衡。一家公司可以让每位员工都使用同一款助手，却只为管理者或专业团队保留培训与试验时间。工作安排更紧的员工，可能被要求采用 AI，却没有获得核验其输出结果的时间。

这种实施模式可能加剧职场不平等。自主性较高的员工可以将例行任务交给 AI，从而获得更多时间进行判断。受到严密监督的员工则可能面临更高的产出预期，因为管理层假定 AI 已经消除了所有瓶颈。

公共部门的部署还存在另一种不对称性。申请福利的人可能会通过自动化系统接受评估，却不了解哪些数据影响了结果。相关机构也可能缺乏足够的技术人员，无法解释决策过程或纠正系统性错误。

荷兰托育补贴丑闻仍是自动化风险评估的一则警示，尽管不能将其简单归结为生成式 AI。许多家庭被错误指控欺诈，承受了严重的经济和个人后果。该案例表明，当缺乏有效审查时，数据驱动的行政管理可能放大制度性失灵。

Amazon 后来停用的实验性招聘系统，则提供了另一项历史参照。Reuters 报道称，该系统学会了对与女性相关的简历不利的模式。该公司并未将其作为独立的招聘决策机构部署，但这一事件说明，历史数据可能复制既有的不平等。

这些先例之所以重要，是因为 AI 系统正越来越多地通过日常采购进入机构。一所学区、医院或市政机构，可能会在其已经使用的软件中购买一项“智能”功能。员工可能在未就其引入展开单独公开讨论的情况下，继承算法作出的决策。

UNESCO 鼓励各国政府在推动 AI 素养的同时，处理伦理、教师准备和包容性问题。其教育指导文件强调，科学与教育能力会影响社会能否参与 AI 治理，而不仅仅是消费已经完成的系统。

不过，教育无法承担全部责任。如果组织不提供申诉机制，仅仅教人们质疑自动化决策是不够的。培训员工保护数据，也无法解决一个要求他们上传敏感记录的系统所带来的问题。

技能与制度设计必须同步发展。个人需要识别风险的能力，而组织需要让负责任行动得以实现的程序。否则，“AI 素养”就会成为一种将责任从系统所有者转移给权力较小用户的方式。

这正是 IEEE Spectrum 的论点对企业最具影响力的地方。企业领导者常以激活账户数或生成提示词数量衡量采用情况。这些指标反映了活跃度，却无法说明员工是否改善了决策、减少了错误，或获得了对自身工作的更多掌控。

更有力的衡量方式应审视不同岗位中经过验证的结果。它应比较谁获得培训、谁能够拒绝 AI 建议，以及系统失效时谁承担责任。没有这些证据，使用量的增长完全可能与不平等的扩大并存。

本地模型无法单独弥补薄弱的制度

本地语言数据和更小的模型可以重新分配技术参与机会，但无法弥补薄弱的监督或草率的政策设计。

印度尼西亚提供了一种颇具启发性的替代路径：不直接参与前沿模型竞赛，而是另辟蹊径。其公共研究机构一直在开发服务本地需求的实用系统，包括多语言模型和面向服务不足社区的工具。其中一项应用将卫星数据与机器学习结合，帮助小规模渔民定位鱼群。

这一例子之所以重要，是因为它从一个明确的问题出发，而非以声望导向的基准测试为起点。围绕本地地理、职业和语言设计的较小系统，即使不具备最大型商业模型的通用能力，也能创造价值。

本地语言开发也会影响谁能够参与。许多全球系统在网络内容和训练数据集中代表性较强的语言上表现最佳。使用代表性较低语言的人，可能获得较差的回答、可靠性较低的内容审核，或面对忽视文化语境的界面。

构建本地模型并不保证公平代表性。开发者仍需就方言、数据来源、评估群体和可接受错误作出决定。社区需要能够影响这些选择，尤其是在语言数据承载文化或政治敏感性时。

开源软件可以通过让研究人员检查代码、调整模型并分享改进成果，降低部分门槛。Stanford 的 AI Index 表示，来自美国、中国和欧洲以外国家的贡献正变得更加突出。即使计算资源仍不均衡，这也扩大了参与范围。

然而，一个可用模型并不等同于完整的公共能力。机构还需要安全托管、评估数据、工程师、采购标准和长期维护。试点项目可能吸引关注，却无法经受人员流动或政府优先事项变化的考验。

南非 2026 年 AI 政策草案暴露了这一问题的治理层面。在发现其中引用了不存在的学术文献后，政府在文件发布不久便将其撤回。通信部长称此事是不可接受的疏失。

这一事件不应被简化为“发展中经济体政府无法治理 AI”的论据。富裕机构同样会发布缺乏依据的主张，并部署测试不足的系统。更有价值的教训在于政策雄心与核验能力之间的不匹配。

一项国家战略可以承诺主权算力、负责任创新、包容性数据和劳动力发展。落实这些目标需要专业人员来核查证据、协调机构、与供应商谈判，并维持独立监督。

这些机构可能本已面临网络安全、采购、统计和基础数字服务交付方面的人才短缺。在不扩充运营能力的情况下增加 AI 责任，可能会形成措辞亮眼、却几乎无力执行的政策。

这种风险同样影响私营组织。公司可以制定 AI 原则，却让各个团队自行选择模型、上传数据并判断准确性。治理在纸面上存在，但最接近部署的一线人员却缺乏实用的审查流程。

本地模型也呈现类似张力。它们可以提高语言相关性，并减少对单一供应商的依赖。然而，在隐私控制薄弱的条件下训练的模型，即便开发者在本地运营，也可能剥削社区。

因此，所有权只是包容性的一个维度。决定性的问题包括：谁批准了数据、谁能够检查性能，以及造成伤害后谁能获得补救。一个在国内托管的系统，仍可能将权力集中于一个不受问责的机构之中。

World Bank 对“小型 AI”的强调提供了一条有益路径，因为任务专用系统可能需要更少算力，并提供更清晰的评估目标。作物病害检测器、翻译模型或行政助手，都可以针对明确的本地需求进行测试。

较小的范围也让失败更容易被观察到。评估人员可以将输出与专家判断进行比较，并衡量其在不同语言或地区间的表现。通用助手产生的回答范围更广，因此更难对整体可靠性作出判断。

即便如此，小型系统也不应只接受有限审查。用于福利管理或临床分诊的狭义模型，可能直接影响基本服务。其有限的技术范围或许能提高问责性，但前提是机构收集证据并回应投诉。

因此，这场讨论应避免在全球平台与完全国家自给自足之间作出错误的二选一。各国可以结合引进的基础设施、开放模型、本地数据集、区域合作伙伴关系和有针对性的公共投资。

关键在于议价能力。具备技术专长和可信替代方案的机构，可以要求更清晰的合同、数据保护措施和性能证据。缺乏这些能力的机构，则大多只能接受供应商的设计和假设。

三项信号将显示鸿沟是否正在缩小

下一项检验并非 AI 采用率是否持续上升，而是基础设施、培训和可问责的本地部署是否同步增长。

第一项信号是可用算力的分布。关于主权 AI 设施的公告，应根据运营能力、访问规则和科研可用性来评判。如果其加速器仍无法供大学、初创企业和公共利益团队使用，数据中心对包容性的贡献微乎其微。

区域能力尤其值得关注。共享设施和采购协议能够让较小经济体比孤立的国家项目获得更大议价能力。它们也能支持跨越国界的多语言共同评估工作。

如果算力仍然集中、全球使用量却持续增长，这一信号将强化不平等的警示。如果更多地区获得可靠的先进硬件使用权，并将其用于本地自主的发展，这一警示则会减弱。

第二项信号是谁获得 AI 培训，以及培训涵盖什么内容。政府和雇主应公布覆盖不同教育水平、职业、地区、年龄和收入群体的参与数据。仅凭完成培训的人数，无法说明人们是否获得了实际判断能力。

有价值的项目应在界面技能之外，涵盖核验、隐私、不确定性和可质疑性。可质疑性意味着，一个人能够质疑某项决定、理解其依据，并寻求有实质意义的审查。这一概念将个人素养与制度责任联系起来。

如果培训能够覆盖当前被排除在技术发展之外的劳动者和社区，就会缩小鸿沟。如果高级培训仍集中于已具优势的专业人士，而其他人只获得基础产品演示，它就会加剧不平等。

第三项信号来自本地治理部署的证据。印度尼西亚的公益工具、非洲区域倡议以及其他以语言为重点的项目，如今都需要透明评估。政策制定者应关注可量化的结果、已记录的局限、社区参与和稳定资金。

成功不应被定义为推出一款应用程序或发布一项国家战略。可信的部署应解决真实问题，服务于预定的各类人群，并提供纠正有害错误的流程。

如果本地机构能够反复构建并维持以自身优先事项为导向的系统，这一信号将减弱本文的核心担忧。如果试点项目无限期依赖外部供应商、在资助结束后消失，或缺乏公开评估，则会强化这一担忧。

IEEE Spectrum 将 AI 鸿沟视为一场围绕影响力展开的较量，这一判断是正确的。其利害关系远不止学生、劳动者或政府雇员能否生成文本，还关乎他们能否理解系统、塑造其使用方式，并在必要时对其提出质疑。

对开发者而言，这改变了负责任的产品工作应具备的要求。当系统缺乏相关评估数据时，单靠翻译远远不够；当用户无法对自动化结果提出申诉时，低延迟也远远不够；当本地团队无力承担运行或审计成本时，开放模型同样远远不够。

企业采购方也应提出同样具体的问题。他们需要了解哪些员工接受了培训、哪些数据会跨境流动，以及供应商的哪些声明拥有独立证据支持。他们还应明确：当系统在不同群体中的表现存在差异时，由谁有权叫停部署。

知识工作者可以从较小的尺度采取行动：保留源材料、核查生成内容中的说法，并记录 AI 如何参与重要决策。可搜索的 AI knowledge base 有助于保留上下文，但人工审查仍不可或缺。

政策制定者面临的任务最为艰巨，因为他们必须在扩大可及性的同时，避免让机构陷入脆弱的依赖关系。这意味着，除了推进引人注目的 AI 项目，还应为教育、采购、统计、网络安全和行政复核等基础能力提供资金支持。

未来几个月的关键问题很简单：投资是否会流向技术栈中能够分配行动自主权的环节？无论如何，都会有更多用户加入。真正有意义的进展，将出现在更多社区能够按照自身条件构建、评估、治理并拒绝 AI 系统之时。

这正是读者审视下一项国家战略、企业推广计划或教育倡议时应采用的标准。要问：谁控制基础设施，谁获得高级培训，谁能够质疑错误。如果这些答案仍然高度集中，更广泛的可及性就无法弥合数字鸿沟；它只会通过新的界面扩大这道鸿沟。