核心内容总结
全球AI竞争正从“比谁的模型更大、算力更多、参数更高”的资源密集型路线，转向“让更多国家用低成本获得AI能力”的资源友好型路线。对于难以复制硅谷模式的全球南方国家（发展中国家），四位嘉宾从AI发展目的、知识主权、人才留存、产业落地四个角度，给出了“不走军备竞赛，走本土适配”的发展思路：AI应成为国家公共基础设施而非商业产品，要重视本地知识沉淀而非盲目追大模型，要防止“暗牌人才流失”并构建本土创新生态，最终让AI创造新的生产能力而非仅嵌入现有产业。
一、AI发展：别再盯着“参数分数”，要问“有没有用”
过去两年，AI圈像“军备竞赛”——OpenAI、谷歌比谁的模型参数多、排行榜分数高，各国拼谁的GPU多、算力中心大。但复旦大学沈逸教授问了个扎心问题：“榜单上88分和86分，普通用户能感觉到差别吗？”
他说，AI不是用来比分数的，而是要解决真实问题：比如让农民用AI种好地、让工厂用AI提效率、让医院用AI看病更便宜。就像水电网是国家基础设施，AI也该是公共能力，和教育、产业、治理绑定，不是少数科技公司的“私有财产”。
更关键的是，全球南方国家不能被迫选“要么放弃主权用别人的AI，要么没钱发展AI”——这种“跪着挣钱”的选项不道德。每个国家都该自己决定数据怎么用、模型怎么部署，这才是AI时代的“主权平等”。
二、知识主权：比“有自己的模型”更重要的是“留住自己的经验”
委内瑞拉学者Ivana说，全球南方国家的困境其实没变：殖民时代输出矿产，工业时代输出资源，AI时代输出数据——还是依附别人。比如印度有很多数据中心，但云计算市场被海外公司控制；印尼数据多，却离不开外国芯片和系统。
她认为，真正的“数字主权”是“知识主权”：不是先搞大模型，而是先把本地的经验（比如农民怎么种本地作物、社区怎么解决问题）收集起来，做成自己的知识库。巴西有个项目，先把农民口述的种植经验整理成数据库，再用开源模型做农业AI——模型不是主角，谁来定义“哪些知识重要”才是关键。
如果现在不收集这些本土知识，以后AI模型里就没有我们的声音，只能用别人的“通用知识”解决不了自己的问题。
三、人才流失新形态：“人没走，知识却被拿走了”
塞尔维亚的菲利蒲提出“暗牌移民”：以前人才流失是工程师去硅谷，现在人留在本国，但知识被跨国公司带走了。比如谷歌、微软在发展中国家设研发中心，招最好的工程师，结果这些工程师的创新成果、知识产权都归了外国公司，国家没得到任何沉淀。
他说，塞尔维亚的AI战略把“法律治理、人才培养”放在“算力建设”前面——不是算力不重要，而是没有本土生态，再多GPU也只是“放大对外国平台的依赖”。比如没有本地企业和市场需求，工程师做的项目都是为外国公司服务，知识留不下来。所以，先建能留住人才、沉淀知识的本土环境，比买GPU更紧急。
四、AI不再“找场景”，而是“创造新生产能力”
产业一线的赵仲夏说，过去AI是“拿锤子找钉子”：人脸识别想套到所有行业，自动驾驶想重新定义汽车，但都没真正落地。现在大模型不一样了——它直接创造新能力：比如AI能自己执行任务（Agent）、写代码，多个AI协同还能形成新的工作组织。
他举了个例子：以前知识靠个人积累，现在员工的技能可以被AI“学走”，变成公司的资产。未来劳动者卖的不是“时间”，而是“技能本身”——比如你会修机器，AI学会后就能复制这个技能，帮更多人修。这意味着AI不是“替代工作”，而是“重塑整个生产体系”。
最后：全球南方的机会，不是复制硅谷，而是走自己的路
四位嘉宾的观点其实指向同一个结论：AI竞争的终点不是“谁有最大的模型”，而是“谁能把AI变成自己国家的发展能力”。芯片、算力还是重要，但它们只是工具——真正拉开差距的是：能不能留住本土知识、能不能让人才为自己服务、能不能让AI解决自己的问题。
对于全球南方国家来说，不用羡慕硅谷的大模型，而是要找到适合自己的路径：比如用开源模型+本土知识库服务农业，用本地人才做小而实用的AI工具，让AI成为普通人能用上的公共设施。这才是AI普惠的真正意义。