全球南方人工智能普及行动指南

核心观点

• AI 影响取决于规模：AI 从实验室走向日常应用，即 AI 的扩散，是衡量 AI 影响的关键。扩散速度和范围决定了 AI 的经济和社会效益。
• 全球南南存在 AI 扩散差距：全球北方 AI 采用速度是全球南方的近两倍，差距源于基础设施、连接性、能源、制度和人才等方面的系统性限制。
• 战略并非万能：许多全球南方国家制定了雄心勃勃的 AI 战略，但扩散进展不均衡，需要系统性的协调和重新设计。
• AI 扩散框架：该框架关注五个系统维度——AI 堆栈和基础设施、数据、信任和互操作性、制度和采购、技能和组织准备以及市场和需求，以及三个应用领域——企业、消费者和公共部门。
• 政府作为市场塑造者：政府通过基础设施投资、数据规则、采购实践、技能投资和需求信号等方式影响 AI 解决方案的开发、部署和采用。

关键数据和结论

• 全球 AI 采用率：2025 年，全球生成式 AI 采用率达到创纪录水平，约全球 1/6 的人使用过这些工具，但北方的采用速度是南方的近两倍。
• 计算能力差距：到 2030 年，全球南方许多地区的 AI 推理能力需求将远超可用数据中心供应，凸显计算能力差距。
• 基础设施限制：全球南方国家在云服务、数据中心、高速网络和相关架构方面的访问权限有限，能源和水资源供应也面临挑战。
• 制度和监管碎片化：全球南方各国 AI 治理政策差异很大，数据保护、版权和标准制定方面的分歧阻碍了 AI 扩散。
• 采购系统缺陷：公共采购流程中的不透明、监管能力有限和运营效率低下，降低了政府采购、整合和维持 AI 解决方案的能力。
• 人才短缺：全球北方集中了前沿 AI 发展，导致全球南方人才流失和人才短缺。

建议

• 识别扩散就绪的应用案例：优先考虑可重复使用、高频次功能的应用案例，例如 MSME 生产力工具、消费者应用程序和前线公共服务。
• 选择合适的 AI 堆栈路径：根据连接性、能源、成本和数据敏感性选择最合适的 AI 堆栈路径，例如集中式、边缘/设备上或混合式。
• 建立最小可行信任：发布关于数据使用、保障措施和问责制的清晰、可操作的指南。
• 采用用例导向的数据治理：根据不同的部署模型和风险水平制定数据治理框架。
• 从静态合规转向持续保证：将信任和问责制嵌入到日常运营中。
• 促进可互操作和可信的数据共享：通过数据可移植性框架、标准 API、国家数据存储库和区域数据走廊实现。
• 引入 AI 采购快速通道：允许快速测试、迭代和部署 AI 解决方案。
• 建立标准化的 AI 合同模板：降低交易成本，为 MSME 和消费者市场提供便利。
• 优先考虑 AI 基础知识培训：重点培养管理人员、一线工人和公务员解读 AI 输出、将 AI 整合到工作流程以及行使人类判断的能力。
• 调整培训以适应实际部署模型：根据部署模型和工作流程重塑需求提供培训。
• 创造早期需求：优先考虑可以连接到现有数字基础设施的 AI 用例，并创建可预测的需求信号。
• 支持 MSME 采用：通过共享平台、低成本工具包、可信中介和有针对性的激励措施促进 MSME 采用。
• 跟踪扩散结果：关注可衡量的影响，而不是试点数量或部署的工具数量。