人工智能（AI）已应用于日常使用的智能手机和电脑应用程序，许多国家也计划在公共服务中扩大其应用。
然而，牛津洞察（Oxford Insights）最近的研究发现，各国在技术准备程度方面存在显著差异。
这可能进一步扩大数字鸿沟，因为许多发展中国家无力承担人工智能所需的计算能力。
这项技术也会带来环境代价，而这些地区受到的影响将最为严重。
专家表示，只要采取恰当的协作方式，人工智能就能为全球发挥巨大作用，例如助力实现联合国可持续发展目标。
如今，人工智能（AI）远不只是一个时髦词。它为人脸识别提供支持，应用于智能手机和电脑；还用于不同外语之间的翻译、过滤垃圾邮件并识别社交媒体上的有害内容等系统，甚至能够检测癌性肿瘤。这些例子以及人工智能现有和新兴应用中的无数其他实例，让人们的日常生活更加便利，尤其是在发达国家。
截至2021年10月，44个国家据报道制定了各自的国家人工智能战略计划，显示出它们在全球人工智能竞赛中奋力前行的意愿。其中包括中国和印度等新兴经济体，它们在发展中世界制定国家人工智能计划方面走在前列。
牛津洞察是一家咨询公司，为组织和政府提供数字化转型相关事务的建议；该公司对全球160个国家运用人工智能提供公共服务的准备程度进行了排名。在其《2021年政府人工智能准备度指数》中，美国位居第一，其后是新加坡和英国。
值得注意的是，该指数中得分最低的地区包括发展中世界的大部分地区，例如撒哈拉以南非洲、加勒比地区和拉丁美洲，以及中亚和南亚的一些国家。
在人工智能革命中迅速取得进展，发达国家拥有不可避免的优势。凭借更强的经济实力，这些较富裕的国家自然最有条件大力投资于研发，以打造现代人工智能模型。
相比之下，发展中国家往往面临更紧迫的优先事项，例如教育、卫生设施、医疗保健和保障人口温饱，这些事项使它们难以对数字化转型进行大量投资。在这种情况下，人工智能可能会扩大数字鸿沟，加剧发达国家与发展中国家之间已有的差距。
现代人工智能的隐性成本
人工智能传统上被定义为“制造智能机器的科学与工程”。为了 解决问题并执行任务，人工智能模型通常会查看过去的信息，并从数据的独特模式中学习规则，以进行预测。
人工智能是一个广泛的概念，包含两个主要领域——机器学习和深度学习。机器学习通常适用于从规模较小、组织良好的数据集中学习；深度学习算法则更适合处理复杂的现实问题，例如利用胸部X光图像预测呼吸系统疾病。
许多现代人工智能应用，从谷歌翻译功能到机器人辅助外科手术，都利用深度神经网络。这是一种特殊的深度学习模型，其架构大致借鉴了人脑。
至关重要的是，神经网络非常依赖数据，往往需要数百万个样本，才能学会出色地完成一项新任务。与更简单的机器学习模型相比，这意味着它们需要复杂的数据存储基础设施和现代计算硬件。此类大规模计算基础设施通常价格高昂，难以负担，发展中国家尤其如此。
除了高昂的价格之外，另一项对发展中国家影响尤为不成比例的问题，是这类人工智能对环境造成的日益加重的负担。例如，训练一个现代神经网络的成本超过15万美元，训练期间还会产生约650千克碳排放（相当于一次横跨美国的飞行）。训练更先进的模型产生的碳排放总量，大约可达普通汽车整个生命周期碳排放量的五倍。
从历史上看，发达国家一直是碳排放增加的主要贡献者，但这些排放带来的负担不幸主要落在发展中国家身上。全球南方通常遭受不成比例的环境危机，例如极端天气、干旱、洪水和污染，部分原因是其投资于气候行动的能力有限。
发展中国家从人工智能进步及其带来的诸多益处中获益也最少，其中包括增强抵御自然灾害的韧性。
让人工智能向善
发达世界正在迅速取得技术进步，而发展中世界似乎在人工智能革命中代表性不足。除了增长不公平之外，发展中世界很可能还承受着环境后果的主要冲击，而现代人工智能模型大多部署在发达世界。
但也不全是坏消息。根据一项2020年的研究，人工智能可以帮助实现可持续发展目标中79%的具体目标。例如，可以利用人工智能测量和预测供水中的污染物，从而改进水质监测流程，进而扩大人们获得清洁饮用水的机会。
人工智能能为全球南方带来巨大益处，从改善卫生设施、助力教育到提供更好的医疗服务。这些渐进式改变可能产生显著的连锁效应。例如，改善发展中国家的卫生设施和医疗服务有助于防止疾病暴发。
但如果我们希望实现“向善人工智能”的真正价值，就必须确保各方公平参与技术的开发与应用。这意味着，发达世界需要在人工智能革命中向发展中世界提供更多资金和技术支持。这种支持不能只是短期的，但将为所有人创造重大且持久的益处。
