­­不要只问人工智能能为你做什么——还要问你能为人工智能做什么

• 人工智能正在改变社会。我们必须思考如何在降低风险的同时最大化其价值。

• 要成功做到这一点，我们必须拨开炒作的迷雾，制定务实、切实可行的人工智能方法，满足我们的需求，而不做多余之事。

• 要让人工智能安全蓬勃发展并造福全社会，必须汇聚三个关键要素：基础设施、生态系统和治理。

在人工智能（AI）的推动下，社会正经历一场技术变革。人们在思考，人工智能能为我们生活方方面面所用的流程和系统带来什么，以及它可能产生哪些影响，包括积极和消极的影响。

同样重要的是反过来思考这个问题：我们需要做些什么，才能在降低风险的同时最大化人工智能的价值？这要求我们拨开炒作的迷雾，制定务实、切实可行的人工智能方法，满足我们的需求，而不做多余之事。

正如 Forrester 的 《2025 年人工智能预测》 所指出：“2025 年人工智能领军者的征程，将由一个关键认识主导：人工智能的成功没有捷径，因此必须做好艰苦奋战的准备。”

我为一家全球基础设施提供商开发人工智能解决方案，因此特别关注如何交付人工智能所需的基础设施；但这只是人工智能安全蓬勃发展、造福社会所需环境的一个方面。

人工智能成功所需的关键要素

要实现这一人工智能愿景，必须汇聚三个关键要素：基础设施、生态系统和治理。

1. 基础设施

从数据中心到可穿戴技术，提供人工智能服务的基础设施的每个环节，都会影响人工智能在经济、社会和环境层面的成本与价值。

云端—边缘—连接的连续体系

将更多计算能力部署在边缘端的趋势正在加速，例如部署在智能手机、传感器和工业设备等设备中。这一转变使人工智能模型能够在本地处理数据，降低延迟、增强隐私保护，并实现实时决策。

然而，边缘计算并未消除对稳健、高速、大容量网络的需求。事实上，它反而加剧了这种需求。边缘设备往往需要与集中式云系统同步，以更新模型、卸载复杂计算任务，或共享洞见以供更广泛的分析。例如，一队农业无人机可能会在设备上处理即时图像数据，但仍需要云连接来汇总趋势、重新训练模型并优化预测。

这种本地处理与集中式智能之间的相互作用，呼应了认知架构和行为科学中的一些原理。正如《思考，快与慢》 一书所述，丹尼尔·卡尼曼认为，智能行为既包括快速、直觉式的反应（系统 1），也包括较慢、审慎的分析（系统 2）。

三位科学家探讨人工智能如何以惊人的力量加速科学发现

03:18

同样，监测农田的无人机可能会在设备上快速处理图像数据以便即时决策，这类似于系统 1；与此同时，它们依靠云连接汇总数据、重新训练模型，并随着时间推移优化策略，这类似于系统 2。采用这种双模式方法设计人工智能系统，可以让系统表现得更加灵活、高效并能感知情境，正如人类认知在本能与审慎思考之间取得平衡。

人工智能需要云端与边缘端之间无缝通信，这意味着我们需要超可靠、高吞吐量的连接，以支持海量数据实时传输。这一点对于涉及视频、音频和传感器融合等大型数据类型的人工智能应用尤为重要。要满足这一需求，持续推动网络技术各层面的创新至关重要。

此外，随着人工智能日益融入从应急服务到工业自动化等任务关键型系统，底层网络的韧性和安全性变得至关重要。这意味着网络设计不仅要追求速度，还要考虑冗余、故障切换和网络威胁防护。

我们必须投资建设数字基础设施，将连接能力视为核心要素。人工智能或许是大脑，但如果没有作为神经系统的高性能网络，这台引擎就无法运转。

电力需求与创新力量

人工智能的电力需求正迅速成为其最紧迫的挑战之一，涉及经济和环境两个方面。训练 GPT-4 等大型人工智能模型可能消耗数百万千瓦时的电力。随着模型的规模和复杂性不断增加，其碳足迹也急剧扩大，引发了对可持续性的担忧。

推理，即人工智能模型部署后的日常使用，其总能耗在大规模应用时也会迅速累积。这些需求不仅要求提高模型效率、改进硬件设计，也要求创新电力来源方式。人工智能模型必须从设计上提高效率。规模更小、针对性更强的模型若能达到与大型通用模型相当的性能，其计算开销会低得多。

2. 生态系统

应用生态系统

设计向用户提供人工智能服务的架构时，应着重让人工智能的应用尽可能具有包容性，弥合技术人员与更广泛的人工智能使用者群体之间的数字鸿沟。

如今，开发者社区在塑造人工智能的未来方面发挥着关键作用。从创建合乎伦理的人工智能模型，到为开源人工智能工具作出贡献，开发者都是人工智能基础层的建设者和维护者。他们在算法、训练数据、框架和部署策略方面的选择，既影响技术性能，也影响社会效应。

令人欣慰的是，人工智能技术不再仅限于专家使用。低代码和无代码平台的兴起使人工智能开发更加普及，让非技术人员和小型企业能够利用人工智能能力应对现实挑战。这种可及性是推动包容性创新的重要一步，使数字革命中曾被落下的社区能够参与人工智能时代。

弥合人工智能领域的数字鸿沟，关键不只是工具，更是人。人才、研究和跨学科协作对负责任的发展至关重要。人工智能的潜力在于连接不同产业领域，并从跨领域创新中发掘新的价值。

数据是所有人工智能开发的核心。数据的获取，以及如何收集、共享和使用数据的决策，仍牢牢掌握在人类手中。在明确的治理、同意和包容原则指导下，负责任的数据管理决定了人工智能系统的公平性和适用性。如果无法公平获取高质量且具有代表性的数据，即便是最先进的人工智能也可能加剧偏见，或无法服务其目标用户。

设备生态系统

设备生态系统也是影响人工智能发展及其社会影响的一个重要因素。尽管设备生态系统本身在很大程度上依赖于上述人工智能的发展，但二者是同步演进的。

要让人工智能在物理世界中提供实时、情境感知的智能，就必须将其嵌入日常设备：智能手机、传感器、可穿戴设备、工业设备、车辆等。这些设备是人工智能的眼睛、耳朵和指尖，负责采集其学习和行动所需的数据，并在恰当的位置——边缘端——提供洞见。

如果缺少稳健且富有创新的设备生态系统，人工智能就可能被困在集中式环境中，脱离与物理世界的互动，无法实时感知、响应和适应。例如，预测性维护模型的效果取决于为其提供数据的传感器；生成式人工智能助手只有能在用户的手机或笔记本电脑上迅速响应，才真正有用。

为此，设备生态系统必须持续演进。设备需要更小巧、更智能、更节能，并能够在本地运行人工智能工作负载。低功耗芯片、边缘人工智能加速器、电池技术和自适应连接协议方面的创新，对这一演进至关重要。同样重要的还有安全性、可更新性和互操作性的进步，以确保边缘端人工智能值得信赖且能够规模化应用。

3. 治理

人工智能安全与治理需要自上而下和自下而上相结合的方法。自上而下的设计应以制定灵活的人工智能应用护栏为核心。

自下而上的设计应着重于可观测性和控制，利用可解释人工智能（XAI）等能力，并与灵活的自上而下护栏相衔接，以便根据观测结果迅速调整护栏，维持控制。技术或许会迅速演进，但指导其使用的公平、问责、透明和安全等价值观，必须由人们有意识地界定并持续完善。

弥合数字鸿沟将有助于各社区制定适合特定领域的安全与治理措施。这将推动负责任的人工智能方法，让我们从一开始就将遵循要求和法规的机制内置于算法之中。

治理必须结合具体情境并能够适应变化。负责任的人工智能框架不能外包给我们正在构建的机器。相反，它们体现了人类价值观，并以我们不断深化的认知为指引，理解人工智能如何与社会互动。

责任在于我们——阅读本文的人类读者：提出恰当的问题、确立恰当的目标，并设计恰当的系统。