全球AI竞争，真正缺的不是GPU芯片

过去两年，全球AI竞争几乎都围绕着同一套逻辑展开。谁拥有更多GPU，谁建设了更大的算力中心，谁训练出参数更多、排行榜分数更高的大模型，谁就被认为掌握了下一轮人工智能竞争的主动权。OpenAI、Google、Anthropic不断刷新模型能力，全球各国也相继公布自己的算力计划、主权模型和人工智能战略，围绕芯片、算力和模型展开了一场前所未有的竞赛。

但对于世界上绝大多数国家而言，这其实是一场很难参与，也很难获胜的比赛。没有英伟达最先进的GPU，没有亿美元级别的训练预算，也没有硅谷那样成熟的创新生态。如果沿着同样的路径追赶，全球南方国家究竟能不能发展自己的AI？如果不能复制另一个硅谷，又该找到怎样的发展道路？

这也正是今年观察者网WAIC早餐会第一场《AI普惠：硅谷之外，全球南方》试图回答的问题。

来自中国、塞尔维亚、委内瑞拉以及产业一线的四位嘉宾，分别从国家主权、知识体系、人才生态和产业实践出发，讨论了全球南方国家如何在AI时代建立属于自己的发展能力。

AI竞争，从参数走向能力

今天全球人工智能其实正在形成两条不同的发展路径。一条是以超大规模算力投入为代表的“资源密集型”路线，用越来越昂贵的芯片、数据中心和资本持续推动模型能力提升；另一条，则更加关注如何以更低成本、更高效率，让更多国家、更多企业真正能够获得人工智能能力，可以称之为“资源友好型”路线。两条路线对应的不只是不同的技术选择，更代表着两种不同的发展理念。

复旦大学教授沈逸认为，现在是时候重新回答一个最基础的问题：发展AI，到底是为了什么？

在他看来，今天行业越来越容易陷入一种类似“军备竞赛”的状态。冷战时期，美苏不断增加核武器数量，最后却逐渐忘记了最初为什么发展核武器；如今，大模型的发展也出现了类似倾向——大家不断追逐更高的排行榜分数，却越来越少有人讨论，这些分数究竟给现实世界带来了什么改变。

于是，他抛出了一个看似简单，却很少有人认真回答的问题：榜单上的88分和86分，对普通用户究竟意味着什么？

沈逸的观点是真正值得衡量的，并不是模型参数提升了多少，也不是Benchmark多拿了几分，而是人工智能有没有真正提高社会运行效率，是否推动产业升级、改善公共服务，是否让更多国家、更多人能够以合理成本获得AI能力。他认为，教育、制造业、农业、医疗、中小企业，这些真实场景，才应该成为AI释放价值的地方。

基于这样的判断，他进一步提出了“AI主权基础设施”的概念。AI首先应该是一种国家发展的基础设施，就像能源、通信、电网一样，与教育体系、产业体系和公共治理深度耦合，而不是少数科技公司的商业产品。真正重要的，也不是谁率先拥有最先进的大模型，而是谁能够让AI成为推动国家发展的公共能力。

但事实上，今天很多全球南方国家面对AI，却是被迫回答一道并不公平的选择题：如果想获得先进AI能力，就必须接受外部平台、外部规则，甚至放弃部分主权利益。沈逸表示这种“跪着才能挣钱”这样的选项，本身就是不道德的。人工智能的发展，不应该建立在迫使其他国家在主权和发展之间二选一的基础上，而应该建立在主权平等、开放合作的前提下。每一个国家，都应该有权根据自己的文化、产业和公共利益，决定数据如何使用、模型如何部署、关键系统如何运行。

真正的数字主权，是知识主权

如果期待强势的AI模型公司，能够出于道义来帮助全球南方国家，显然并不现实。在这场以AI为名的全球资源重组中，全球南方国家应该主动利用自身的优势，借助AI，发展自身。

来自委内瑞拉、长期研究全球南方发展的学者Ivana认为，对于全球南方而言，基础设施竞赛，本身就是一场很难取胜的比赛。

她并没有从模型、芯片或者算法谈起，而是把全球南方国家的发展AI放回了一个更长的历史背景中。

在她看来，全球南方今天面对的AI竞争，与过去数百年的发展困境，其实遵循着同一种逻辑。殖民时代，全球南方主要向世界输出矿产、粮食和各种原材料；工业时代，它们成为全球产业链中的资源供给者；而到了人工智能时代，这种依附关系并没有消失，只是换了一种形式。

过去输出的是资源，今天输出的是数据。过去依赖的是工业体系，今天依赖的是少数科技公司构建的AI生态。因此，如果只是沿着既有路径继续竞争——采购更多GPU、建设更多数据中心、训练更大的模型——全球南方很可能仍然只能重复过去的发展轨迹。

她举了印度和印度尼西亚的例子。印度拥有庞大的数字产业，也建设了大量本地数据中心，但海外企业依然控制着绝大多数云计算市场；印尼的数据规模不断增长，却依旧在芯片、操作系统等关键环节高度依赖外部技术体系。

因为真正决定全球南方主权的，并不仅仅是基础设施。而是这些社会长期积累的经验体系，如何嵌入AI。如果这些知识没有被记录、整理和组织，它们就不会进入AI。于是，模型越来越聪明，本地经验却越来越沉默。

这也是Ivana为什么不断强调“研究主权”和“经验独立”的原因。她认为，一个国家真正应该争取的，不只是拥有自己的模型，而是拥有定义知识、组织知识和表达知识的能力。

她分享的巴西IARRA项目正是这一理念的实践。巴西农村劳动者组织没有首先去训练一个更大的农业模型，而是先去收集那些散落在农民口述、社区实践和日常劳动中的经验，把它们整理成属于自己的知识库，再借助开源模型构建服务于本地农业的AI系统。

在这个过程中，模型并不是主角。真正重要的是谁来决定哪些知识值得被记录，哪些经验能够进入AI，又是谁拥有这些知识最终的解释权。

正如Ivana最后所说：“如果今天我们不把这些知识收集起来，明天就不会有人替我们完成这件事。”

对于任何希望发展人工智能的全球南方国家来说，这或许都是一个值得重新思考的问题。AI时代真正的竞争，未必是谁拥有最大的模型，而是谁拥有定义自身知识体系的能力。

AI飞地，全球南方如何留住人才

长期以来，人们谈论人才流失，想到的往往是科学家、工程师离开本国，到硅谷、伦敦或者柏林工作。这种流失是看得见。但在AI时代，有一种看不见的流失正在发生。

来自塞尔维亚的菲利蒲提出了一个新的概念——暗牌移民。前AI时代，人才流失更多是一种“明牌”。一个工程师离开了自己的国家，去了美国、欧洲，人在哪里，一目了然。

但AI时代更多的情况是人没有离开，知识却离开了。越来越多跨国科技公司开始在全球南方设立研发中心，招聘当地最优秀的工程师。对于个人来说，这是更好的收入、更先进的平台；但对于一个国家而言，这意味着最有价值的智力成果、知识产权和创新能力，并没有留在本土，而是不断流向全球科技巨头。菲利蒲把这种现象称为“暗牌移民”，相比传统的人才流失，它更加隐蔽，也更加难以察觉。

在菲利蒲看来，很多发展中国家最需要解决的问题，并不是先拥有多少GPU，而是先建立起能够留住人才、沉淀知识、孵化企业的本土创新生态。

他特别提到塞尔维亚的发展路径。在最新版人工智能战略中，塞尔维亚把法律与治理、人才培养、科研创新放在算力基础设施之前，这并不是认为算力不重要，而是意识到算力只是放大器，而不是创新本身。如果没有本土企业，没有科研体系，没有市场需求，再多的GPU，也只是放大了对外部平台的依赖；只有当知识能够留在本国、创新能够形成循环，算力才能真正转化为发展的能力。

AI创造新的生产能力

过去十几年，AI行业一直在寻找自己的落地方式。从人脸识别到自动驾驶，再到大语言模型，每一次技术突破都会带来一轮新的产业热潮。长期身处AI产业一线的宇万光年联合创始人赵仲夏，把这段历史概括为一句话：拿着一把锤子，到处寻找钉子。

早期的人脸识别，希望赋能安防、医疗、零售等各个行业，却发现一个模型无法替代真实世界复杂的人；后来自动驾驶试图重新定义汽车，但真正限制发展的依然不是汽车本身，而是AI能力的边界。过去十几年，产业一直在寻找那个真正属于AI的“钉子”。

赵仲夏认为，大语言模型的出现，第一次改变了这种寻找场景的逻辑。它开始直接创造新的能力。Agent能够执行任务，Coding让AI开始承担程序开发工作，多个Agent协同，又进一步演变为新的生产组织。AI不再只是嵌入产业，而是开始参与产业本身的运行。

因此，大模型真正改变的并不是某一个行业，而是知识的生产方式。过去，知识主要依赖个人积累；未来，越来越多人的经验和技能将被数字化、沉淀下来，并不断复制。企业建设AI Native组织，关注的也不只是部署模型，而是如何把员工的能力转化为组织能够长期积累的资产。

赵仲夏甚至提出了一个颇具冲击力的判断：未来，劳动者出售的不再只是时间和体力，而是自己的技能本身。当技能能够被模型学习、复制和调用时，AI竞争也将从替代某项工作，进一步走向重塑整个生产体系。

回过头来看，这四位嘉宾讨论的，并不是四个彼此独立的话题。

沈逸讨论的是，AI为什么发展；Ivana讨论的是，AI靠什么发展；菲利蒲讨论的是，AI的发展成果如何留在本土；赵仲夏讨论的，则是这些能力最终如何沉淀为新的组织能力。

四个人共同指向了同一个判断，AI竞争，正在从追求更先进的技术，转向建设更完整的发展体系。芯片、模型、算力仍然重要，但它们越来越像一种基础设施，而不是竞争终点。真正拉开差距的，将是谁能够持续产生知识、留住人才、孕育产业，并把这些能力不断沉淀下来。

对于全球南方国家而言，AI带来的机会，也许从来都不是复制另一个硅谷，而是找到一条属于自己的发展路径。