盖茨基金会 AI 承诺投入 10 亿美元推动普及，但不平等才是真正考验

盖茨基金会的 AI 承诺将在两年内投入至少 10 亿美元扩大技术可及性，尽管外界警告人工智能可能加剧全球不平等。该承诺于 9 月 15 日宣布，重点覆盖医疗保健、教育、农业，以及让 AI 在本地真正发挥作用所需的数字基础。

这并不只是慈善机构对新软件的一次押注。它挑战了塑造大多数 AI 研发方向的商业逻辑。企业通常优先为有支付能力、网络连接可靠、数据充足且使用广泛支持语言的客户开发产品。

该基金会押注于，定向资金可以将其中一部分能力转向教师、医疗工作者和小农户。它面对的对手并非另一家基金会或某一家科技公司，而是使富裕且联网用户成为最容易服务对象的市场激励机制。

盖茨基金会 AI 承诺瞄准四类可及性缺口

这项承诺将关于 AI 不平等的抽象警示，转化为覆盖四个领域的明确支出计划。

基金会计划在未来两年投入至少 10 亿美元。根据 AI access pledge，约 40% 将用于教育，另有 40% 将用于医疗保健。

农业将获得约 10%，其余 10% 将用于数字基础设施，包括为当前模型处理效果不佳的语言建设数据集。

这一分配至关重要，因为可及性不只是给人们提供一个聊天机器人。系统必须理解本地语言、反映当地条件，并能在人员和基础设施有限的机构中运行。

在教育领域，基金会提出的工具可帮助教师识别学生尚未理解的知识点，随后协助教师围绕这些薄弱环节调整教学计划。

医疗领域的资金将支持审查临床报告、发现可能被忽略症状的系统。其他项目则将支持诊断工作、临床决策、药物研发、疫苗以及日常行政事务。

农业项目将聚焦需要及时获取天气、病虫害、种子和化肥建议的小农户。许多人所在地区的农业推广人员无法持续覆盖每一个社区。

数字基础设施连接着这三个领域。一个主要基于富裕国家英语数据训练的模型，不能简单部署到其他地方后便被称作具有包容性。

基金会已拨出约 1 亿美元，用于支持代表性不足语言和本地情境的数据集。Google.org 和 Microsoft 的 AI for Good Lab 已支持一项公开征集，涉及数千种非洲语言的项目。

盖茨基金会的 AI 承诺也建立在既有合作关系之上。OpenAI 已承诺向 Horizon 1000 投入 5,000 万美元；这项始于卢旺达的计划，旨在支持 AI 在非洲基层医疗系统中的应用。

根据 Horizon 1000 program，该项目最初计划在卢旺达 50 多家诊所测试 AI 支持技术。其长期目标覆盖非洲 1,000 家诊所。

据基金会及独立报道，Anthropic 正与基金会合作开展疫苗研发和农业信息项目，其中包括提升聊天机器人对当地作物的知识水平。

这些合作关系让该项目能够获得技术专长和领先模型，但也带来了一个从首批试点起便会持续存在的依赖性问题。

如果公共服务依赖商业模型提供商，服务可及性就必须经受住供应商变动、使用成本和产品决策的考验。试点成功并不自动意味着可以建立可持续的公共系统。

正是这种张力令此次宣布具有重要意义。基金会正在资助实用工具，但它们能否长期存续，取决于基金会无法控制的机构。

AI 不平等警示为何此刻出现

在发展资金收缩、国际 AI 鸿沟的证据愈发难以忽视之际，这项承诺应运而生。

比尔·盖茨将 AI 描绘为两种截然不同结果之间的选择。在基金会的 Goalkeepers report 中，他认为 AI 可能成为强大的均衡器，也可能扩大现有差距。

他的担忧源于科技市场通常的运作方式。企业会优先考虑能够付费、能够提供可用数据，并处于可靠数字系统中的用户。

这种模式让高收入市场更早获得更好的工具。这些市场随后产生更多使用数据、吸引更多投资，并形成更强的实施能力。

这一循环会不断累积。基础设施较弱的国家获得的技术实用性更低，也缺乏足够资源来适配技术。

世界银行在其 2026 development report 中得出了类似结论。发展中国家无需自行构建前沿模型也能从中受益，但仍需要电力、网络连接、技能、制度能力和本地化适配。

这些基础条件依然极不均衡。根据世界银行的数据，撒哈拉以南非洲近三分之一的农村学校没有可靠电力，超过三分之二没有稳定的互联网接入。

语言模型无法弥补一家缺乏稳定供电的诊所。网络连接中断或基础天气数据缺失时，农业助手也无法提供及时指导。

资金环境使这些薄弱环节变得更加紧迫。富裕国家已削减国际卫生与发展援助，令本已受限的公共系统承受更大压力。

基金会预计，2025 年将成为本世纪首个儿童死亡人数增加的年份。国际卫生项目的中断也令疾病治疗与预防工作更加复杂。

在这样的背景下，AI 提供了一个颇具吸引力的承诺：无需等待数十年培养足够的专业人才，就能让稀缺的专业知识更贴近人们。

医疗工作者可以在作出决定前借助软件审查记录。教师无需配备全职教学教练，也能获得有针对性的支持。

农民可以用熟悉的语言通过语音提问。回答可以结合种植指导以及当地天气和病虫害信息。

然而，令 AI 显得具有吸引力的同样条件，也使失败格外危险。人手不足的系统更难发现不准确的建议，或质疑不透明模型的输出。

因此，盖茨基金会的 AI 承诺既是一项可及性计划，也是一场制度实验。它检验 AI 能否增强稀缺专业能力，同时不制造新的依赖层级。

这一时机也反映了盖茨公开立场的更广泛变化。他依然看好有益的应用场景，但他对就业、滥用和政府准备不足的警告正变得更尖锐。

在 9 月的一次采访中，盖茨表示，各国政府尚未为即将到来的社会变革做好充分准备。他列举的风险包括欺诈、监控、网络攻击、虚假信息、生物恐怖主义和就业冲击。

因此，基金会同时推进两种论点：各国政府需要更有力地应对 AI 的系统性风险，而发展组织则应加快审慎且目标明确的应用。

这些立场本身并不矛盾。但它们确实要求的标准高于部署规模。

一项计划不能仅因更多组织开始使用 AI 就宣称取得进展。它必须证明，这些工具能够改善结果，同时不将不可接受的风险转移给脆弱用户。

商业 AI 优先服务最容易触达的市场

核心冲突在于公平可及性与市场逻辑之间：市场奖励规模、购买力和低摩擦部署。

商业开发者有理性理由优先服务富裕用户。这些客户拥有现代设备、云服务接入、数字支付系统，以及能够生成机器可读数据的工作流程。

他们也使用互联网中已有充分代表的语言。其组织可以整合新软件、培训员工，并在采用过程中承受失误。

盖茨基金会 AI 承诺所面向的许多受益人，恰恰面临相反的条件。他们可能共用设备、依赖功能型手机，或通过语音而非输入文字提示进行交流。

他们的记录可能仍保存在纸面上。他们使用的语言可能缺乏足够的数字化文本、统一的拼写规范或标注数据集。

这并非小规模的本地化问题，而是直接影响模型能否理解提问、检索相关证据并给出安全回应的问题。

本地语言支持在医疗和农业领域尤为重要。细微的误解都可能改变症状、用药剂量说明、作物病害或天气预警的含义。

因此，为代表性不足的语言构建数据集是在应对一种结构性限制。它为开发者提供训练、评估和检索所需的材料，而商业数据集往往忽略这些社区。

然而，更多数据并不保证公平的代表性。那些最被正式系统排除在外的人，也可能缺席于新数据集之中。

研究全球卫生治理的佛蒙特大学社会学家 Jonathan Shaffer 在美联社报道中提出了这一担忧。薄弱的卫生基础设施可能使边缘群体缺席于构建 AI 系统所使用的信息之中。

这种缺席可能会在原本旨在减少不平等的工具内部复制不平等。一个模型可能对临床记录中出现的患者有效，却无法服务那些很少能到达诊所的人。

基金会的做法试图通过与政府、教师、医疗工作者、农民和当地组织合作来应对这一问题。其 AI equity strategy 强调围绕真实需求进行设计，而非输出已经完成的产品。

这种本地参与不可或缺，但仍不足够。如果社区无法影响采购、数据治理、模型评估或部署规则，咨询的价值就会受到限制。

技术栈内部的权力同样重要。为项目提供资金的组织未必控制其底层模型、云平台或长期运营成本。

服务提供商可能改变访问条款、停止提供某个模型，或修改其安全政策。届时，当地机构将面临迁移工作，而它们可能缺乏完成迁移所需的资源。

开放标准和可移植数据可以降低这一风险。政府还可以要求系统能够跨多个供应商运行，而非将服务锁定在单一供应商上。

对于一项慈善计划而言，盖茨基金会的投入规模可观。但与科技公司投向商业模型和计算基础设施的资金相比，仍然很小。

基金会 CEO Mark Suzman 承认了这种差距，称这笔拨款只占整个行业支出的极小部分。这一承认明确了该承诺现实中能够实现的目标。

它无法仅凭资金就扭转市场激励机制。但它可以资助被忽视的数据集、验证应用场景，并让服务不足群体的需求变得更可见。

它还可以降低阻碍企业和政府投资的早期风险。一个实际运行的临床或农业项目能够提供单凭提案无法给出的证据。

最理想的结果不是一项由基金会永久资助的服务，而是一个在初始拨款结束后，政府或其他机构仍能维护的本地治理系统。

这一区别将“可获得性”与“暂时可用”区分开来。一项为期两年的计划可以把工具交到用户手中，但持久的可获得性需要预算、培训、问责机制和技术所有权。

本地语言数据必不可少，但基础设施决定影响力

只有准确的模型与可靠的服务、有能力的机构以及负责任的本地运营者相结合，该计划才能成功。

Gates Foundation AI 承诺中最显眼的部分将是应用程序。但决定成败的工作可能发生在这些应用之下。

农业助手需要的不只是流畅的对话能力。它还需要可靠的作物建议、最新的天气信息、土壤背景数据，以及表达不确定性的方式。

临床助手需要经过验证的医学知识和本地治疗规范。它还必须适配护士、临床医生和社区卫生工作者实际承担的职责。

教育工具需要与课程体系保持一致，并证明其建议能帮助教师。它不应只是生成精美的教案，却忽视课堂条件。

这些要求让实施变成一条链条。任何一个环节薄弱，都可能降低原本能力出色的模型的价值。

设想一位农民拍摄了一片受损的香蕉叶。AI 工具或许能识别可能的疾病，并以当地语言提供治疗建议。

但这一建议仍取决于图像质量、区域疾病模式、产品可得性、天气条件，以及模型的置信度。忽略这些因素的建议可能不切实际，甚至有害。

该基金会已在印度和非洲各地重点介绍了此类应用。这些案例表明，当易用的界面连接到相关信息时，能够提供怎样的价值。

但它们尚不足以证明广泛影响。演示必须转变为可重复的服务，能够在不同地区、季节、设备和用户群体中稳定运行。

医疗应用承担着更高的责任。一个复核临床医生报告的系统可以发现被忽视的症状，但也可能带来错误的安心感。

安全的角色应是决策支持，即由软件为受过培训的工作者提供信息，而非取代专业判断。这一边界必须在产品设计和培训中保持清晰。

准确性也应在本地进行衡量。在国际基准测试上的表现，几乎无法说明模型处理区域术语或不完整临床记录的能力。

组织需要建立覆盖本地语言、口音、作物、疾病和教学情境的评估集。结果应按地区和用户群体分别呈现。

隐私是另一项挑战。医疗、教育和农业数据可能揭示个人、家庭或社区的敏感信息。

用户需要知道收集了什么、数据流向何处，以及谁可以再利用这些数据。公共机构也需要有权拒绝与当地法律冲突的数据实践。

基础设施缺口远不止连接性问题。机构还需要采购专业能力、安全流程、技术支持，以及能够质疑错误输出的工作人员。

一家诊所可能获得功能强大的 AI 工具，却没有时间培训员工。一所学校可能拥有软件，却没有可靠的流程来审查其建议。

这正是慈善试点项目经常面对现实的地方。技术可以迅速获得资助，而机构能力的成长却很缓慢。

全球能力缺口也引起了联合国的关注。一份 9 月报告发现，资金仍然分散，并在主要地理区域留下缺口。

Gates Foundation 可以协调其中一部分工作，但无法替代国家政策。政府必须决定哪些系统值得获得公共资金，以及这些系统必须提供什么证据。

它们还必须规划维护工作。本地团队需要能够更新知识来源、调查故障，并在必要时更换供应商。

缺少这些能力，AI 的可获得性可能变成租赁式依赖。界面或许是本地化的，控制权却依然集中在别处。

更好的模式是将本地组织视为运营者和决策者。外部合作伙伴可以提供模型、资金和技术帮助，而无需拥有每一个关键层面。

这种结构比发放通用聊天机器人需要更长时间。但它也更有可能让服务在新闻热度消退后依然有用。

这项十亿美元承诺仍无法证明什么

资金可以创造一片实验场，但在项目产出证据之前，无法证明公平性、有效性或可持续性。

Gates Foundation AI 承诺始于一个颇具说服力的判断：市场常常忽视购买力最低的人群，即使这些人可能获益最多。

拟议的应用也很具体。教师、临床医生和农民经常在信息和人员不足的限制下作出决策。

仍不确定的是，在每一个选定场景中，AI 是否都是最有效的干预手段。有些问题或许更适合通过增加人员、改善基础设施或采用成熟的数字工具来解决。

一所没有稳定供电的学校，在使用 AI 课程规划工具之前，首先需要的是电力。一家物资短缺的诊所，无法通过更好的诊断建议来解决这一问题。

因此，项目应将 AI 支出与现实的替代方案进行比较。关键问题并不是某项工具单独来看是否有用。

而是相对于有限资金的其他用途，这项工具是否能更有效地改善结果。这种比较应包括人员配置、连接性、培训和维护成本。

该基金会还必须区分活动量与影响力。提交的提示词数量、创建的账户数量和接受培训的工作人员数量，可以体现覆盖面，却无法证明结果得到了改善。

教育项目应衡量教师是否节省时间，以及学生是否理解得更多。医疗项目应跟踪安全性、临床质量和患者结果。

农业项目应考察建议是否及时送达，并改善农民的决策。评估也应发现损失，而不仅仅关注平均收益。

分配同样重要，因为一个项目可以提升整体表现，却让最边缘化的用户落在后面。结果应识别谁从中受益、谁退出了使用。

当技术合作伙伴同时提供模型和性能声明时，独立评估尤为重要。开发者拥有专业知识，但也会从成功采用的故事中获益。

基金会可以通过公布评估方法、失败率和负面结果来增强可信度。透明报告将帮助其他政府避免重复采用薄弱的方法。

语言表现也值得同样严格的审视。一个能生成流畅文本的模型，仍可能误解本地概念，或自信地给出过时建议。

对于高风险决策，人工审核必须持续可用。用户也需要明确的渠道来报告错误并获得纠正。

另一个不确定性涉及集中化。与 OpenAI、Anthropic、Google 和 Microsoft 合作，使该计划能够获得领先能力。

但这也可能加强少数公司对公共利益基础设施的影响力。如果项目无法在不同模型之间迁移，这种风险会进一步加剧。

多供应商设计、开放接口和本地控制的知识库可以保留灵活性。它们也能让采购在长期内更具竞争性。

对于管理本地研究或运营指导的组织而言，治理完善的知识库可以将可信源材料与模型的一般训练内容区分开来。当建议会影响现实决策时，这一区别至关重要。

该基金会的方法不应仅以今天哪种模型表现最佳来评判。更应看社区明天是否仍保有选择权。

政治层面也存在限制。慈善资金可以支持实验，但服务是否成为国家系统的一部分，仍由政府决定。

Gates 曾指出，政府对 AI 更广泛后果的准备仍然不足。这一弱点可能限制成功工具的推广，也可能削弱对失败工具的监督。

援助削减加深了这一问题。面临紧迫医疗或教育短缺的国家，可能难以为长期 AI 治理提供技术团队资金。

因此，这项承诺包含一个棘手的矛盾：它在许多公共机构用于监督的资源更少之际，引入了复杂的工具。

这并不意味着这项投资方向错误。它意味着机构能力必须被视为核心交付成果，而非行政开支。

最公平的评估将来自部署后的证据。在此之前，该基金会公布的是一种变革理论，而非已被证实的结果。

三个信号将显示这项承诺是否改变 AI 可获得性

下一项考验在于，该基金会能否将广泛承诺转化为可衡量、由本地治理、且能在拨款结束后延续的项目。

第一个信号是首批拨款的结构。各领域的总额很清楚，但单个项目的身份、所在地、所有权和评估计划，将揭示其运营模式。

由本地领导的受资助方将强化基金会的公平性论点。若投资组合由大型技术供应商主导，则会引发谁控制最终基础设施的疑问。

第二个信号是来自医疗、教育和农业试点的公开证据。有价值的报告应包括本地语言准确性、工作人员采用情况、失败率和结果指标。

Horizon 1000 提供了一项早期测试。向卢旺达以外地区扩展，应建立在诊所的可信证据之上，而不应仅依据部署目标。

如果该项目公布独立结果，其主张将更容易被评估和复制。如果报告聚焦于使用总量，不平等问题仍将悬而未决。

第三个信号是政府承诺。可持续的可获得性要求各部委和公共机构采纳预算、采购规则、培训计划和数据保护措施。

政府共同出资将表明试点正在成为持久服务。若持续依赖慈善资金，则会削弱该计划已从结构上改变可获得性的说法。

这些信号比参与的模型数量更重要。Gates Foundation AI 承诺只有在不削弱本地控制权的前提下，让有用的系统触及被忽视的用户，才能成功。

对于开发者而言，教训是将语言、基础设施和治理视为核心产品要求。对于企业和公共采购方而言，教训是要求提供基准分数之外的证据。

知识工作者应关注这些项目如何建立可信来源、人工审核和纠错路径。这些设计选择同样决定了工作场所 AI 是否值得信赖。

核心问题如今已可衡量：这项十亿美元承诺会建立持久能力，还是资助一系列令人印象深刻的试点？请关注受资助方、已公布的结果，以及同意继续推进这项工作的机构。