世界银行小型 AI 战略挑战更大模型竞赛
尽管行业正竞相开发更大、更昂贵的模型，世界银行的小型 AI 战略敦促发展中国家推进面向特定任务、适配移动端的系统。这些工具针对具体问题，采用范围更窄的数据集，并可在连接条件有限的环境中运行。这一方法将关注重点从基准测试领先地位转向：AI 能否通过人们现有的设备和网络提供有用的专业知识。
世界银行首席知识官 Paschal Donohoe 在曼谷举行的世界银行和国际货币基金组织会议期间阐述了这一观点。他告诉 Guardian，经本地适配的 AI 可将过去需要数百年才能实现的发展成果压缩至数十年。这一说法颇具雄心，但其背后的矛盾迫在眉睫：前沿 AI 依赖集中在富裕经济体中的高成本基础设施，而小型 AI 旨在适应本地限制。
该战略并不认为较小的系统能够替代所有前沿模型。它认为，大多数发展中经济体应先优先采用并本地化适配 AI，而非试图自行构建最先进的系统。这一选择要求政府、发展机构和技术供应商证明，专用 AI 能够超越零散试点，实现规模化应用。
世界银行推动小型 AI，改变发展目标
世界银行正围绕可获得的服务而非底层模型的规模，重新定义 AI 进步。
小型 AI 是指为狭窄任务、本地语言和普通设备设计的可负担系统。一个模型可能分析农作物图像、支持医疗筛查，或通过语音通话提供建议。它不需要回答所有问题，也不需要在广泛的学术基准测试中竞争。
这种更窄的范围使该方法区别于 OpenAI、Google、Anthropic 和 Meta 等公司开发的通用模型。这些系统在训练期间需要大量算力。其能力最强的服务在使用时也依赖云基础设施和稳定的网络连接。
世界银行认为，发展中国家可以从其他路径起步。其发展路线图建议分三个阶段推进：采用现有工具，根据本地条件进行适配，并仅在国家能力足以支撑成本时，迈向前沿开发。
这种顺序是该提案的核心。政府无需先拥有自己的通用模型，便可部署 AI 支持的农业建议服务。如果专用筛查系统能够在本地运行并在之后同步，诊所也不需要持续稳定的宽带连接。
Donohoe 以 World Bank 在印度开展的农业项目 AgriConnect 来说明这一差异。农民需要适用于其作物、所在地和语言的土壤信息。该国无法在每个小农场旁安排一名农业科学家，但基于手机的系统可以分发其中一部分专业知识。
该模型仍需要可靠的农业数据和本地验证。它还需要农民能够使用的界面，这可能意味着使用语音而非文本。因此，小型 AI 描述的不仅是一个紧凑模型，更是一种围绕明确用户、受限环境和可衡量任务组织起来的交付战略。
世界银行提出这一主张之际，AI 投资仍集中在大型模型及其支撑基础设施上。该市场奖励通用能力、全球平台和频繁的模型升级。发展项目通常需要的是不那么炫目的东西：在艰难运行条件下，针对本地问题提供可预测的性能。
这正是小型 AI 采访值得关注的原因。世界银行正要求各国将本地化视为核心产品，而非部署后才添加的次要功能。
这一变化也改变了衡量成功的方式。较小的系统无需在每项测试中超越前沿模型。它需要在可接受的成本下，以所需语言、在现有硬件上，并采用适合当地环境的保障措施，产出有用结果。
该提案将发展问题从“这个国家能否构建领先模型？”转为“这个国家能否在专业知识稀缺之处提供更好的决策？”这是一个更务实的目标，但也要求来自实地的更有力证据。
为什么更大模型不适合本地限制
前沿模型竞赛所假定的基础设施，在发展中世界的大部分地区尚不存在。
世界银行的 2026 年报告称，AI 的传播速度快于此前的通用技术。蒸汽机用了约 80 年才进入低收入国家，电力用了约 40 年，互联网则用了约 20 年。ChatGPT 上线后六个月内，中等收入国家便贡献了其全球流量的一半。
然而，快速扩散并不意味着平等获得。世界银行称，仍有 22 亿人无法上网。其小型 AI 简报还指出，低收入国家在 ChatGPT 使用量中的占比不足 1%。
考虑到基础设施，这种鸿沟更加明显。据该行的AI 发展研究结果，在撒哈拉以南非洲，近三分之一的农村学校没有可靠电力，超过三分之二缺乏稳定的互联网接入。
云服务在技术上可能可用，但在实际中仍难以触及。不稳定的电力会中断设备和网络设备运行。昂贵的移动数据限制重复使用。高延迟可能让交互工具令人沮丧。以文本为主的界面会排除无法阅读所支持语言的人群。
前沿开发还带来另一重障碍。先进模型需要专用芯片、大型数据中心、大量训练数据和经验丰富的研究人员。这些资产仍集中在少数公司和国家手中。
世界银行此前的AI 基础报告发现，截至 2025 年 7 月，高收入国家占据了 87% 的重要 AI 模型。它们还拥有 86% 的 AI 初创企业，以及 AI 初创企业累计风险投资资金的 91%。
这些国家仅占全球人口的 17%。这种失衡意味着，除非找到可行的本地适配路径，否则大多数发展中经济体将只能消费在其他地方构建的技术。
小型 AI 试图在不假装能够消除这种依赖的前提下减少依赖。专用模型可基于现有的开源或专有基础模型进行适配。它可以使用更少的计算资源，在手机或笔记本电脑上运行，并聚焦与特定地区相关的数据。
这并不意味着基础设施无关紧要。每个 AI 系统仍依赖电力、设备、维护和某种形式的数据管道。即便日常使用在离线状态下进行，训练或更新本地模型也可能需要云计算。
差异在于门槛。小型 AI 降低了交付服务所需的最低基础设施水平。它使机构能够从有边界的应用开始，同时逐步改善连接能力、技能和算力。
世界银行围绕四项基础条件组织这些要求：连接、计算、语境和能力。连接包括电力和互联网接入。计算包括芯片、数据中心和云服务。语境指相关数据、机构和语言。能力包括技术技能及负责任使用系统的能力。
其中任何一项薄弱都可能阻碍部署。即便健康模型准确率很高，如果诊所无法维护其设备，系统仍会失败。如果其建议反映的是另一个地区的土壤和天气，农业助手便无法发挥作用。当用户不信任收集其数据的机构时，本地语言界面也并不足够。
因此，压力不仅落在技术公司身上。政府必须改善基础设施和采购体系。大学和培训项目必须培养本地专业能力。国际机构必须为评估提供资金，而不只是资助试点。供应商必须支持可互操作的系统，而不是将公共服务锁定在单一平台中。
本地适配是机制，而非功能
只有本地知识能够改变模型、界面及其周边服务时，小型 AI 才能发挥作用。
世界银行认为，导入一项 AI 服务不等于对其进行适配。主要基于高收入环境训练的模型，可能生成与当地法律、农业条件、医疗实践或社会规范相冲突的建议。单靠翻译无法解决这些差异。
语言是问题中显而易见的一部分。模型在不同语言上的表现往往不均衡，尤其是在高质量训练数据稀缺时。即使书面输出准确，也无法覆盖依赖口头沟通或基础手机的用户。
该行提出通过短信、语音通话和轻量级应用进行交付。这些渠道很重要，因为它们符合现有行为习惯。农民可以通过语音提问。卫生工作者可以使用离线筛查工具。教师可以在无需维持与大型云模型持续连接的情况下获得课程支持。
这既是信息设计挑战，也是模型设计挑战。机构必须将技术输出与本地记录、专业判断和运营知识结合起来。每当通用 AI 必须与具体且可信赖的来源共同发挥作用时，类似的知识融合原则同样重要。
农业提供了一个清晰例子。有用的系统需要的不只是对作物科学的通用理解。它可能还需要区域天气、土壤状况、病虫害模式、种植日历，以及经当地专家认可的建议。
健康应用面临更高风险。世界银行提到无需持续宽带连接的手持式结核病筛查系统。这类工具能够扩展有限的临床能力，但必须针对其运行所在地的人群和条件进行验证。
错误的农业建议可能导致减产。错误的医疗建议可能延误治疗。狭窄的应用范围可降低部分风险，因为开发者能够明确并测试预期任务。但它并不能消除人工审查或升级处理的必要性。
教育工具面临类似取舍。轻量级辅导工具可以在教师时间有限的地方提供练习和反馈。然而，学习成效取决于与课程的匹配程度、语言质量、设备可及性，以及教师能否监督系统的使用。
小型 AI 可以通过处理重复性分析或扩大专业人员的覆盖范围来补充其工作。它不应成为避免投资教师、医生、农业专家或公共机构的借口。
最可信的部署将明确界定系统在何处协助人类。农作物工具可以标记疑似病虫害，并建议将不确定案例转交给农业推广人员。筛查设备可以优先安排患者接受临床评估，而非直接作出最终诊断。
本地化适配还会改变由谁控制最终服务。政府需要获得性能数据、审计流程以及更换供应商的方法。否则，紧凑型模型同样可能造成与大型云平台相同的供应商依赖。
开源模型可降低门槛，因为开发者能检查和修改系统中更多部分。但这也将责任转向本地机构，它们必须维护软件、管理安全并验证更新。
专有模型可能提供更好的支持或更强的通用能力。它们也可能使机构面临条款变更、远程服务中断，以及不受本地控制的定价决策。正确选择因应用而异，但采购应保障本地数据访问权与运营连续性。
因此，互操作性也是这一机制的一部分。世界银行建议国家系统与多个平台和供应商协同运作。这能降低单一供应商与公共服务不可分割的风险。
数据治理同样重要。本地化适配往往需要敏感的健康、教育、金融或农业记录。机构需要就同意、留存、再利用和访问制定明确规则。社区还需要有切实可行的方式，对有害决定提出质疑。
发展价值来自将有能力的模型与可信赖的交付体系相结合。缺少这种周边结构，小型 AI 只不过是更小的软件。
证据缺口可能吞噬这一承诺
最大的不确定性不在于小型模型能否在有限硬件上运行，而在于成功试点能否转变为可靠的公共服务。
世界银行列举了农业、医疗和教育领域的实际应用。这些例子表明，专业化 AI 能够在约束条件下运行。但它们并不能证明每一项部署都能在国家规模上带来持久收益。
试点项目通常获得专项资金、专家关注和经过精心筛选的用户。扩展则会带来更困难的条件。设备会损坏，员工会变动，数据会漂移。本地机构还会承担初始试验中不存在的维护成本。
模型也可能在实验室中表现良好，却在真实用户环境中失效。照片可能模糊，口音可能不同于训练样本，医疗设备可能因诊所而异。农民可能用系统无法识别的本地术语描述症状。
因此，评估必须衡量服务结果，而不仅是模型准确率。农作物助手应根据农民是否作出更好的决策、是否保护了产量来评判。筛查工具应根据临床结果、漏诊案例、误报情况和转诊质量来评判。
政府还需要与更简单的替代方案进行比较。新的 AI 工具看似有用，但其价值可能并不高于可检索指南、更完善的呼叫中心，或为一线工作人员提供更多培训。在有限的发展预算下，这种比较至关重要。
世界银行承认，各国需要更好的采购和评估框架。许多试点已在进行中，但机构并不总是知道哪些项目真正带来了成果。扩大薄弱项目将浪费稀缺资源，并损害公众信任。
偏见带来另一项风险。本地数据可能不完整，或反映出公共服务获取机会的不平等。用这些记录训练模型，可能会复制这些模式。小型模型也可能缺乏处理狭窄领域之外异常案例的能力。
隐私风险不会因参数数量减少而缩小。基于手机的应用仍可能收集敏感健康信息、位置数据、语音录音或农场记录。离线运行或许能减少部分暴露，但同步和模型更新会创造额外的风险点。
当设备被广泛分发时，安全也变得困难。旧手机可能缺乏当前的保护措施。本地应用可能长期未打补丁。攻击者可能操纵输入、窃取数据或篡改建议。
政治风险同样存在。公共机构可能在缺乏充分申诉机制的情况下，使用 AI 自动处理资格认定、执法或监控。若受影响的人无法理解或质疑系统决定，一个为效率设计的系统就可能削弱权利。
对劳动的影响也需要同样审慎。世界银行估计，在中低收入经济体中，现有岗位的 4.5% 面临生成式 AI 带来的自动化风险。高收入国家的相应估计为 14.2%。
与此同时，世界银行估计，AI 可显著提升发展中经济体 16.2% 岗位的生产率。这接近高收入国家 18.7% 的估计值。
这些数字支持“补充劳动者”的策略，但它们仍只是全经济范围的估计。实际结果将取决于行业、职业、雇主行为和劳动者议价能力。生产率提升并不会自动转化为更高工资或更好的工作条件。
世界银行的立场是，发展中国家应重点利用 AI 增强稀缺的专业能力。在专业人员不足以服务庞大人口的领域，这一观点是合理的。但如果机构主要利用 AI 减少人员配置或削弱问责，它就不那么令人信服了。
另一个不确定性涉及市场集中度。小型 AI 可以建立在由其他地区控制的技术之上。一个国家或许避免建设数据中心，却仍依赖外国芯片、云服务、模型权重或应用程序编程接口。
因此，本地化可以减少一种形式的依赖，同时保留另一种。政府应审视整个供应链，包括谁控制更新、数据访问和技术支持。
世界银行所称 AI 可以将一个世纪的发展压缩到十年，应被理解为对潜力的表述，而非预测。经济发展取决于制度、教育、基础设施、公共卫生、贸易、金融和政治稳定。软件无法替代这些基础。
当小型 AI 改善更大体系中的一项明确服务时，最具可信度。当它被描绘成绕过基础投资的捷径时，可信度就会降低。
三项信号将表明小型 AI 能否规模化
下一项考验在于，政府能否将专业化模型转变为可衡量、可维护的服务，同时避免形成新的依赖。
第一项信号是来自规模化部署的严谨证据。政府和发展机构应公布将 AI 支持服务与现有方法进行比较的结果。最有价值的研究将包括错误率、运营成本、用户结果，以及跨语言和地区的表现。
农业、医疗或教育领域的积极结果将加强世界银行关于小型 AI 的论点。反复的试点失败或薄弱的比较则将表明，低成本部署并不保证带来有意义的影响。
证据还必须涵盖最容易被排除的用户。系统应接受使用旧手机、连接较弱、不同方言和数字素养有限人群的测试。平均表现可能掩盖严重的获取鸿沟。
第二项信号是对四项基础的投资。小型 AI 降低了基础设施要求，但仍需要电力、连接性、计算访问、本地数据和技能人才。政府必须为这些配套条件提供资金，而不能将轻量模型视为它们的替代品。
世界银行支持 Mission 300，该计划旨在到 2030 年为撒哈拉以南非洲 3 亿人提供电力接入。此类工作的进展将决定数字服务能否可靠地覆盖农村学校、诊所和企业。
技能投资应延伸至模型开发者之外。采购人员需要评估技术主张。教师和医护人员需要识别系统局限。监管者需要调查伤害的方法。本地研究人员需要获得数据和评估资源。
如果这些能力与部署同步增长，小型 AI 就能成为机构能力的一部分。如果外部承包商保留全部技术控制权，项目可能会在资金结束后消失。
第三项信号是各国是否保留供应商之间的选择权。公共机构应要求数据可移植、接口有文档记录、可进行审计，并具备切实可行的退出方案。它们应避免那些没有单一供应商的云服务或专有工作流就无法运行的系统。
开放技术可以提供帮助，但开放本身还不够。政府需要有能力维护这些技术的组织。它们还需要安全实践、明确的问责机制和长期资金支持。
供应商多样性将通过维持本地化适配的竞争，增强这一策略。若对少数全球供应商的依赖不断加深，即使部署的模型仍然很小，这一策略也会被削弱。
这些信号将通过采购决策、独立评估、国家 AI 计划和公共服务结果显现出来。与其关注模型发布公告，不如关注诊所、学校或农场服务在试点期结束后是否仍能正常运作，这更具参考价值。
世界银行提出了一种可信的替代方案：不将前沿模型开发视为进入 AI 领域的唯一途径。其最有力的洞见是，实用性取决于具体情境、交付能力和机构准备程度。
更难的问题是，政府和资助方是否会支持这一洞见背后那些并不起眼的工作。本地数据集必须得到维护。一线工作人员需要培训。系统需要审计、更新和申诉流程。基础设施仍需要投资。
读者应关注那些公布可衡量结果、并让本地机构获得持久控制权的部署。这些项目将揭示，世界银行的小型 AI 能否成为切实可行的发展战略，还是又一轮充满希望的试点周期。下一个有意义的里程碑不是更大的模型，而是一个能持续运行、覆盖被排除用户，并产出可由独立评估者验证结果的更小系统。
