全球AI竞争，真正缺的不是GPU芯片

过去两年，全球AI竞争的逻辑，其实相当统一。谁手里有更多的GPU，谁建了更大的算力中心，谁训练出参数更多、排行榜分数更高的大模型，谁就被认为是下一轮人工智能竞赛的领跑者。OpenAI、Google、Anthropic在模型能力上你追我赶，各国政府也相继亮出算力计划、主权模型和AI战略，全球围绕芯片、算力和模型展开了一场前所未有的较量。

然而，对于世界上绝大多数国家来说，这更像是一场看客多于参与者的比赛。没有英伟达最先进的GPU，拿不出亿美元级别的训练预算，更不具备硅谷那种成熟的创新生态。如果只能沿着同样的路径追赶，全球南方国家到底能不能发展自己的AI？如果不能复制另一个硅谷，那又该走一条什么样的路？

今年观察者网WAIC早餐会的第一场讨论，主题正是《AI普惠：硅谷之外，全球南方》，试图回答的也是这两个问题。

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几个维度，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

今天全球人工智能正在形成两条截然不同的发展路径。一条是“资源密集型”路线，以超大规模算力投入为核心，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；另一条则更关注如何以更低成本、更高效率，让更多国家、更多企业真正用上AI，可以称之为“资源友好型”路线。这不仅仅是技术选择的分野，背后更是两种不同的发展理念。

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

在他看来，行业越来越容易陷入一种类似“军备竞赛”的状态。冷战时期，美苏不断堆高核弹头数量，最后却渐渐忘了当初为什么要发展核武器。如今大模型的发展也出现了相似的倾向——大家追逐更高的排行榜分数，但越来越少人讨论，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作答的问题：榜单上的88分和86分，对普通用户来说，到底意味着什么？

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，是否推动了产业升级、改善了公共服务，是不是让更多国家、更多人能以合理成本获得AI能力。教育、制造业、农业、医疗、中小企业——这些真实场景，才应该是AI释放价值的地方。

基于这个判断，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，而是谁能够把AI变成推动国家发展的公共能力。

但现实是，很多全球南方国家面对AI，被迫回答一道并不公平的选择题：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”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逻辑上，而应该建立在主权平等、开放合作的前提下。每个国家，都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

指望强势的AI模型公司出于道义来帮助全球南方国家，显然不太现实。在这场以AI为名的全球资源重组中，全球南方国家更需要主动利用自身优势，借助AI去发展自己。

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。

她没有从模型、芯片或算法谈起，而是把全球南方国家发展AI这件事，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，却在芯片、操作系统等关键环节高度依赖外部技术体系。

真正决定全球南方主权的，并不仅仅是基础设施。关键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。这种流失是看得见的。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。对个人来说，这是更好的收入、更先进的平台；但对一个国家而言，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，也更难察觉。

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。