最新数据显示，高收入国家控制着全球 77% 的数据中心容量，而低收入国家的占比不足 0.1%。GPU 集群的情况也呈现出同样的态势：美国占据了全球 75% 的单元，中国占 15%，而世界其他地区的总和不足 10%。这种集中化使人工智能成为一种地缘政治力量的工具，决定了谁能构建、谁能使用，以及谁的规则成为默认标准。
为什么算力比代码更重要
人工智能系统运行在海量的处理器周期之上。模型的性能随着处理数据、存储权重和运行推理的芯片性能而提升。如果一个国家缺乏这些机器，就必须求助于外国云服务商。这种依赖不仅会增加账单，还会将底层逻辑的控制权交给服务商的工程师和政策团队，由他们来决定什么是“安全”的。数据中心枢纽的一次监管转变，可能会瞬间改变内罗毕一家医院的运作方式。
“数字鸿沟”一词通常指互联网接入或设备所有权。而新的数据揭示了更深层次的鸿沟：大规模生成 AI 成果的能力。一个国家可能有宽带，但如果没有本地算力，就无法托管驱动语言翻译、预测性健康分析或自主物流的模型。它只能租用这些能力，而租用往往附带附加条件。
使用外国 AI 的隐藏成本
依赖外部端点意味着每一次请求都必须通过受三个隐形杠杆控制的外国引擎：
- 对齐逻辑 (Alignment logic) – 服务商决定哪些内容是允许的。在发生局部危机时，这种定义可能会与当地的文化或法律规范发生冲突。
- 更新计划 (Update schedules) – 服务商可以在一夜之间推出新版本的模型，从而破坏针对旧版本行为进行调整的下游流水线。
- 语义漂移 (Semantic drift) – 基于全球主流数据训练的模型往往会忽略地区方言、习语或政策细微差别，从而导致本地化训练系统可以避免的误解。
当一个国家无法托管自己的模型时，它就无法保护嵌入在模型权重和架构中的知识产权。战略优势始终掌握在芯片和代码的所有者手中，而不是服务的使用者手中。
从财务角度来看，这种困境是严峻的。大型基础模型消耗巨大的电力，并需要大量的硬件投资。大多数政府面临着两个并不理想的选择：
- 向外国供应商支付高昂费用 —— 按 token 计费或订阅层级很快就会使国家 AI 预算显得微不足道。
- 运行不安全或性能不足的系统 —— 在算力上偷工减料会迫使使用更容易出错或被操纵的旧模型。
这两条路径都会侵蚀主权并加重公共财政负担。
关于降低接入成本的论点
一些分析师声称，基于 token 的定价或更快的互联网会让 AI 变得更便宜。其前提是更多的 API 调用可以使优势得以扩散。但在实践中，更便宜的接入并不能创造本地能力。API 调用仍然是对远程引擎的请求；用户仍然受制于服务商的对齐逻辑、更新节奏和数据偏见。算力留在海外，国家继续处于租用而非拥有的状态。
一条不同的技术路径：确定性控制
大量研究表明，应将重心从原始硬件转向运行时约束。通过设计仅需极少运算量的 AI 系统，在规模适中的本地硬件上运行它们就变得可行。确定性控制（即执行路径和资源使用是可预测的）提供了切实的益处：
- 缩短处理时间 —— 更少的算力意味着更快的响应。
- 降低能源账单 —— 更少的周期可以降低电力成本，缓解国家电网的压力。
- 可行的本地部署 —— 小规模集群即可满足需求，允许政府在国境内托管模型。
- 低成本实现主权 —— 拥有硬件和运行时环境可以恢复对安全政策和更新周期的控制。
这种转变重新定义了数字权力。影响力正从服务器集群的大小，转向一个国家高效运行安全且受本地监管的 AI 的能力。
反方观点：规模的诱惑
大型中心化模型的支持者认为，规模化能带来卓越的性能。反对意见则认为，对于许多公共部门的任务而言，性能提升往往是边际性的，而产生依赖所带来的战略成本却很高。服务提供商的责任遵循其母国的法律环境，这可能与客户国家的价值观或安全需求并不一致。
核心结论
当前的算力版图将美国、中国和少数高收入国家置于 AI 开发的领导地位。对于世界其他地区而言，依赖外国云端意味着放弃战略控制权、面临不可预测的成本，并将关键服务暴露在外部政策变动的影响之下。未来的出路不在于更便宜的网络或 Token 定价，而在于重塑 AI 的运行方式——使其具备确定性、高效性并实现本地托管。当各国能够在拥有的适度硬件上运行安全的 AI 时，算力的地缘政治断层线将开始闭合，数字主权也将从一个遥不可及的理想变为一个现实的目标。