马来西亚“全民 AI”计划提供免费工具，但治理才是真正考验

尽管安全、数据和长期采用等问题尚未解决，马来西亚已承诺向10万名年轻人免费提供领先 AI 应用的使用权。总理安华·易卜拉欣于7月28日宣布这项安排，作为该国全新“全民 AI”计划的一部分。该计划面向完成指定在线学习模块的18至30岁马来西亚人。

这项安排让 AI 素养不再只是公共意识宣传活动。符合条件的参与者将获得三个月的精选 AI 应用补贴使用权。该计划预计于8月31日马来西亚独立日开放。

这种组合形成了核心张力。马来西亚希望推动年轻人从基础 AI 认知迈向日常使用，而其具有约束力的治理框架仍在制定中。该国正要求公民快速采用这项技术，同时依靠教育、标准和未来监管来控制风险。

这并非一项孤立的培训公告。它是围绕新云基础设施、国家协调机构和拟议立法来构建国内 AI 能力的更广泛努力之一。其结果将影响马来西亚以外的地区，因为其他中等收入国家同样面临选择：等待成熟规则，还是在规则仍在成形时培养公众熟悉度。

马来西亚“全民 AI”计划将培训与使用权连接起来

重要变化在于，完成政府课程如今将解锁对商业 AI 工具的直接使用权。

根据政府支持的计划公告，完成相关 AI 课程的年轻人将有资格获得免费的三个月订阅。课程将通过马来西亚公共数字学习平台 Rakyat Digital 提供。

安华在赛城举行的 AI Malaysia 启动仪式上介绍了这项安排。这个由国家支持的组织预计将协调政府和产业界的 AI 采用、政策对接及 AI 相关创新。

政府计划向18至30岁的马来西亚人开放该计划。其初步目标是10万名参与者。这是一项有明确上限的试点，而非普遍性权益；但如果完成率和持续使用率表现强劲，该结构可支持后续扩展。

使用权之所以重要，是因为入门级 AI 课程往往在参与者形成实际使用习惯之前就结束了。学习者或许理解语言模型的作用，却从未将其应用于研究、编程、翻译或文档分析。完成课程后提供订阅，可让参与者有时间直接测试这些用途。

该设计也建立了激励机制。参与者必须先完成教育模块，才能获得软件福利。与仅提供证书的自愿在线课程相比，这一条件可以提高完成率。

然而，仅有使用权并不等于具备能力。三个月足以鼓励实验，但不能保证形成批判性判断。参与者仍需学习何时模型不可靠、哪些信息绝不能上传，以及如何核查生成内容中的主张。

入选应用也仍不明确。数字部长哥宾星·迪奥表示，官员在公告发布后尚未最终确定名单。据有关未完成应用名单的报道，他预计将在两周内公布更多细节。

这一缺失信息意义重大。不同应用在数据保留规则、区域基础设施安排、安全控制和教育价值方面各不相同。通用聊天机器人、编程助手和图像生成器不能被视为可互换的同一类别。

政府还必须说明参与者将如何兑换使用权、是否需要提供付款信息，以及三个月期限结束后会发生什么。自动转为付费订阅，与福利到期后直接失效相比，会带来不同的消费者风险。

因此，这项倡议以明确主张起步，但交付模式尚不完整。马来西亚已界定谁有资格、初步参与者目标及使用期限，但尚未公开确定最关键的实施细节。

马来西亚为何此时加速推动公众采用 AI

马来西亚正将公众培训与基础设施建设行动结合，旨在把该国打造为区域 AI 枢纽。

政府并非从零开始。2024年，Microsoft 宣布将在四年内向马来西亚云计算和 AI 基础设施投资22亿美元。该方案包括培训30万人、加强网络安全以及支持该国开发者社区的计划。

Google 同年宣布再投资20亿美元，用于建设其首个马来西亚数据中心和 Google Cloud 区域。该公司表示，这些基础设施将服务企业、初创公司和公共部门客户。

这些承诺为马来西亚带来的不只是新增服务器容量。它们强化了这样一种论点：本地劳动者、企业和公共机构需要具备有效利用这些容量的技能。否则，基础设施投资可能只会带来建设活动，却无法创造足够高价值的国内就业。

Microsoft 的投资也将技术培训与拟议中的国家 AI 中心联系起来。Google 单独进行的云业务扩张进一步巩固了马来西亚作为区域计算能力目的地的地位。

“全民 AI”计划着眼于这一方程式的需求侧。政府并未假设基础设施会自动带来高效使用，而是试图培育更广泛的用户群体。年轻人是首批目标，因为他们可以将这些习惯带入大学、初创公司、公共服务体系和成熟企业。

马来西亚还面临区域竞争。新加坡拥有更深厚的研究能力和更集中的跨国公司总部。印度尼西亚拥有大得多的国内市场。越南和泰国则在数字技能、制造业、云服务和本地科技企业方面持续投资。

马来西亚的优势包括多语言人才、规模可观的电子产业，以及与全球技术供应链的既有联系。然而，这些优势并不能保证其在应用型 AI 领域占据领导地位。该国需要能够将模型与本地业务流程、语言、法规和客户需求连接起来的劳动者。

这有助于解释政府为何强调广泛素养，而非只聚焦高级研究人员。国家 AI 经济需要的不只是模型开发者。它还需要能够评估生成材料的教师、能够审计输出结果的分析师、能够重新设计工作流程的管理者，以及理解自动化决策的公务员。

这一时机也反映出马来西亚数字政策的转向。政府于2026年6月发布《马来西亚数字行动计划2030》。该计划赋予国家 AI 办公室在《国家 AI 行动计划2030》中的核心角色，并将安全、伦理和数据主权责任分配给网络安全机构。

随着这些制度组成部分从规划走向实施，这项新的公共计划随之推出。马来西亚实际上正在同时建设用户群、规则、基础设施和政府能力。

这种方法带来速度，但也加大了协调压力。任何一个领域的失误都可能削弱其他领域。没有持续使用权，培训便会失去价值；没有安全保障，基础设施会带来风险暴露；如果机构无法执行，规则就会沦为象征。

“全民 AI”计划将采用置于完整监管之前

马来西亚的策略接受这样一段时期：公众采用 AI 的速度将快于其专门 AI 法律的出台。

该国已经制定国家 AI 治理与伦理指南，涵盖公平性、可靠性、隐私、安全、包容性、透明度、问责制和人类福祉。然而，这一框架属于自愿性指引，而非全面且具有约束力的法规。

马来西亚国家 AI 办公室表示，治理应在创新与社会影响之间取得平衡。其公布的治理原则将数据隐私、偏见、问责制和透明度列为核心关切。

这些原则提供了政策基线，但大规模使用会带来原则本身无法解决的操作性问题。参与者需要明确规则，了解如何处理个人信息、雇主机密文件、受版权保护的材料和敏感政府数据的上传问题。

生成式 AI 系统还可能以流畅语言生成虚构主张。这种行为通常被称为“幻觉”，即模型生成缺乏支持的信息，而不是检索经验证的事实。简短的认知模块必须让用户识别这一风险，同时不能教导他们不信任每一项有用输出。

因此，计划的课程设计将与报名人数同样重要。只教授提示词技巧的模块，会鼓励使用活动却无法培养判断力。更完善的课程应涵盖来源核查、隐私、偏见、知识产权、账户安全和人工审查。

政府还必须决定，同一套培训是否适合每位参与者。使用 AI 进行头脑风暴的大学生，面临的风险不同于处理客户记录的初级员工。使用生成代码的开发者需要进行安全测试，而普通用户可能永远不会遇到这种需求。

语言是另一个实际问题。马来西亚人口使用马来语、英语、中文、泰米尔语及多种区域语言。模型表现和安全系统可能因语言而异，尤其是在供应商对英语评估投入更多资源时。

国家计划应测试参与工具是否能一致处理马来西亚语言及社会语境。否则，使用权在技术层面可能平等，但服务质量仍会参差不齐。

政府已经承认更广泛的治理挑战。马来西亚正通过国家 AI 办公室筹备其首部专门的《AI 治理法案》。公众咨询材料讨论了中央主管机构、行业主导监管、风险分类、审计、事件报告，以及与现有网络安全规则的协调。

这项立法工作使“全民 AI”计划不仅仅是一个教育项目。它成为检验马来西亚能否将国家原则转化为普通用户可遵循指引的早期测试。

该计划也对技术供应商施加了压力。如果其应用获得政府支持的分发渠道，供应商应说明其保留哪些数据、用户内容是否用于模型训练，以及参与者如何删除自己的信息。这些披露应当无需法律专业知识即可理解。

马来西亚在完成每一项规则之前就启动教育并没有错。技术变化过快，任何国家都无法等到监管全部完成后才开始采用。更困难的问题是，保障措施能否以与分发同样的操作速度推进。

三个月福利面临更长的采用考验

该计划能否成功，取决于临时访问权限是否能培养持久技能，而非仅带来短暂的账户注册激增。

10万名参与者这一目标很容易传播，但注册人数几乎无法说明能力水平。即便完成课程，也不能证明参与者在激励结束后是否能正确运用所学内容。

最有力的评估应覆盖多个阶段。政府官员应公布有多少人报名、有多少人完成全部模块、有多少人兑换订阅，以及有多少人在最后一个月仍保持活跃。

这些数据还应按地区、性别、教育程度、收入和就业状况进行细分。全国总数可能掩盖这样一个事实：福利集中流向本已使用 AI 的城市毕业生。

农村地区的网络连接和设备可及性可能成为限制因素。一款 AI 应用可以免费，但仍需要稳定的宽带、较新的智能手机或合适的电脑。依赖有限移动流量的参与者，其使用体验将与拥有办公室网络连接的员工不同。

课程本身也必须保持易于获取。密集的技术材料可能会将全国素养计划最需要触及的人群排除在外。简短的实操练习、本地案例和多语言说明，会让该计划比一连串抽象定义更具实用价值。

还有一种风险是，以生成内容的数量来衡量成功。更多提示词、文档或图像，并不必然意味着更高的生产力。参与者或许能更快完成工作，却要额外花时间核查错误、调整语气，或重建丢失的上下文。

更好的评估方式应考察实际完成的任务。学生可以将 AI 辅助完成的研究摘要与经核实的来源进行比较。小企业员工可以对客户问题分类，同时确保识别性数据不进入模型。开发者可以审查生成的代码是否包含不安全的依赖项。

这些场景能够揭示参与者是否理解 AI 的效用与局限，也让培训人员能够观察用户会在哪些环节犯下可预见的错误。

订阅期还带来另一项政策挑战。如果参与者开始依赖某一指定应用，三个月后失去访问权限可能会中断其工作流程。届时，持续访问权限可能会偏向有支付能力的人，从而再现补贴原本旨在减少的不平等。

马来西亚可以通过教授可迁移的方法，而非特定产品的操作流程，来降低这一风险。参与者应了解如何在不同应用中定义任务、保护数据、评估输出，以及记录人工审查过程。

供应商选择将影响这一目标。以单一提供商为中心的计划或许能简化管理，但会让参与者接触到单一界面和一套商业激励机制。支持多款应用可以鼓励比较，但也会让治理和培训更复杂。

开源系统可为大学和公共机构提供额外灵活性。它们可以让部署和数据获得更大控制权，但也需要基础设施、维护和安全专业能力。它们并不会天然更便宜或更安全。

正确的比较方式，不是出于民族自豪感将外国商业工具与本土工具对立起来，而是比较哪些交付模式能够创造可问责、可负担且可迁移的能力。

对知识工作者而言，更广泛的教训并不陌生。持久价值来自于将经过核实的信息来源、个人上下文和审查实践整合为可重复的流程。个人知识库可以支持这一流程，但无法替代人们对哪些信息适合放入外部模型的判断。

治理必须涵盖数据主权和网络安全

该计划尚未解决的最大风险并非错误的作业答案，而是敏感信息通过外部运营系统流动。

数据主权涉及谁控制信息、信息在哪里被处理，以及哪些法律机构能够获取这些信息。当数千名新用户开始将文档复制到 AI 界面中时，这一问题便具有现实意义。

缺乏经验的用户可能会将劳动合同、医疗记录、客户名单、未发表的作业或内部备忘录粘贴进聊天机器人。模型或许能给出有用答案，但上传行为可能违反组织规定，或暴露个人数据。

因此，全国性课程应将数据分类作为一项基础技能。参与者需要掌握公开、个人、机密和受限信息等简单类别。他们应知道哪些类别可以进入获批准的工具，哪些则需要本地处理或明确许可。

网络安全培训必须超越强密码的范畴。AI 工具可以生成极具迷惑性的钓鱼信息、不安全的代码、欺诈性图像和冒充他人的材料。它们也可能让用户接触到嵌入文档或网站中的恶意指令。

最后这个问题被称为提示注入，即不受信任的内容试图改变 AI 系统的行为。随着助手能够浏览文件、使用已连接的应用，或代表用户执行操作，风险也会增长。

大多数年轻参与者不需要一门详尽的安全工程课程。但他们需要明白，AI 回应中可能包含攻击者的指令，而不仅是模型提供商给出的答案。

雇用参与者的组织也必须承担部分责任。政府计划不能只培训用户一次，便期待他们能够应对每一项工作场所政策。雇主需要提供获批准工具清单、访问控制、报告渠道，以及审查 AI 辅助工作成果的明确规则。

政府也需要建立事件处理流程。参与者应知道应向何处报告有害输出、疑似数据泄露、账户遭入侵或欺骗性内容。报告必须能够送达相关提供商和监管机构，而不应要求用户自行识别正确的主管部门。

马来西亚计划中的治理框架可以将这一报告流程与现有个人数据和网络安全机构衔接起来。不过，各机构需要明确职责归属。职责重叠可能导致每个监管机构都期待其他机构采取行动。

公开透明会有所帮助。政府可以发布有关已报告事件、响应时间、常见滥用模式及由此带来的课程调整的汇总数据。这些信息能够显示，随着采用规模扩大，监督机制是否也在改进。

提供商合同是另一处控制节点。采购条款可以要求提供安全文档、违规通知、数据删除程序、适龄保护措施，以及对参与者数据二次使用的限制。

政府应披露用于选择参与应用的标准。一个知名品牌本身并不能证明其符合马来西亚的政策目标。

政府也应避免承诺绝对安全。没有任何课程、合同或法律能够消除通用 AI 的所有风险。可信的承诺应更为有限：明确的保障措施、可见的问责机制，以及在发生失败时进行纠正。

这种区别对公众信任至关重要。当政府承认局限并展示如何处理问题时，人们更可能接受新技术。夸大安全性会让每一次失败都像是整个计划失控的证据。

8月31日启动后，马来西亚必须证明什么

三个信号将显示，AI for All 是在建设国家能力，还是在分发短期软件试用。

第一个信号是应用的最终名单及其附带条件。政府应明确每一家参与的提供商、所包含的功能、数据政策、兑换流程以及订阅结束后的状态。

这些信息将揭示采购是否支持马来西亚的隐私和主权目标，也将显示参与者获得的是可比价值，还是一系列零散的促销优惠。

第二个信号是学习模块的质量。课程不应止步于基础提示词，还应涵盖核验、隐私、网络安全、版权、偏见以及适当的人工监督。

评估设计将十分关键。一份简单的选择题测验可以确认参与者是否识别了关键术语，却无法证明此人能够发现缺乏依据的主张，或避免上传机密信息。

实践练习将提供更有力的证据。参与者可以评估引用来源、比较模型输出、隐去个人数据，或说明为何某项任务需要人工批准。这些活动考验的是决策，而非记忆。

第三个信号是试点启动后马来西亚公布的内容。报名数据会吸引关注，但完成率、兑换率、留存率、地理覆盖范围和事件发生率才是真正的衡量标准。

政府还应追踪参与者在补贴结束后是否继续使用 AI。持续使用并不必然是好事，但它能反映该计划是否创造了足以改变行为的价值。

就业和教育成果需要更长时间才能评估。政府官员应避免将工资增长、学业成绩或创业公司创立直接归因于一个短期计划。许多其他变量都会影响这些结果。

短期证据依然可能具有意义。调查可以衡量参与者在核查输出、保护数据和选择合适工具方面是否变得更有信心。雇主和教育工作者可以报告，随着时间推移，AI 辅助完成的工作是否需要更少的修改。

即将出台的 AI Governance Bill 提供了第四个相关检查点。该立法应明确马来西亚如何划分风险、协调监管机构、调查事件，以及追究提供商或部署者的责任。其规则必须与 AI for All 所鼓励的公众行为相衔接。

如果培训、采购和立法采用相同的定义与预期，马来西亚的战略将得到加强。如果课程鼓励广泛试验，而监管机构却发布模糊或相互冲突的限制，其战略就会被削弱。

其他政府应密切关注这种协调。补贴访问权限在政治上很显眼，也相对容易快速推出。建立让访问权限变得高效且安全的制度则更慢、更不显眼，却更重要。

马来西亚选择从一项具体福利开始：完成课程，然后使用工具。这比又一个国家 AI 口号更具可操作性，也由此产生了可衡量的责任。

在初始订阅期结束时，马来西亚应能够回答一些直接的问题：谁完成了培训，他们使用了什么，出了什么问题，以及哪些技能得以持续？

这些答案将决定 AI for All 是成为真正的能力建设计划，还是一个临时分发渠道。读者应关注应用清单、课程内容，以及8月31日后的首批公开绩效数据。决定马来西亚能否在不放弃问责的前提下扩大 AI 采用的，将是这些信号，而非注册人数的新闻标题。