殷之光：也就是说，当AI真正与具体产业结合之后，它的发展路径就变得高度多样化了。

这一点其实非常重要。当你真正走到全球南方之后，就会发现，在发达城市里形成的许多关于AI的“共识”，在那里并不存在。原因就在于，各地赖以生存的物质基础和生产结构本身就是高度多样化的。

其中一个最现实的问题就是粮食。只有真正走到那些非城市地区，我们才会重新意识到，人类生存首先依赖的是第一产业，依赖农业。而在许多全球南方国家，粮食安全、食物多样性至今仍然是十分严峻的问题。

因此，当我们讨论AI带来的新不平等时，就需要进一步追问：AI究竟是在创造一种全新的不平等，还是主要加剧了既有的不平等？它是否进一步扩大了农业国家与工业国家、第一产业与第三产业之间原本就存在的发展差距？

李汉松：我认为，两种情况同时存在。一方面，AI确实创造了新的不平等，尤其是在AI产业链内部。处于产业链底端的国家，承担着大量数据标注、内容审核等基础劳动。这些劳动不仅劳动强度高，而且还伴随着心理上的巨大消耗。长期从事数据标注的人，需要不断处理暴力、色情、虚假信息以及各种具有攻击性的内容。他们实际上是在为整个AI系统“过滤污水”。

殷之光：也就是说，这是一种心理创伤（traumatizing）。

李汉松：没错。最终，其他人得到的是经过清洗之后的“干净数据”，而这些劳动者承担了整个过程中的污染和创伤。他们就像AI时代的过滤器。这种现象不仅发生在肯尼亚，在南亚和非洲许多国家都普遍存在。

这其实与过去全球产业链的逻辑非常相似。过去是孟加拉、越南、中国负责制造衣服，发达国家负责消费，而电子产品报废之后，又被运往加纳等国家处理电子垃圾。今天，在AI产业链中，同样存在着新的“数字废弃物”，而承担这些成本和风险的，依然是全球产业链底端的国家。

另一方面，AI又以极不均衡的方式赋能不同国家、不同地区和不同群体，由此形成新的支配关系。国际层面，不同国家在AI产业链中的位置进一步拉开；国内层面，则形成了新的“火车头”和“火车尾”，甚至还有大量根本没有赶上这趟列车的人。这些被排除在AI发展之外的人，很容易产生一种感受：“AI的发展与我有什么关系？”当知识经济不能成为一种包容性的知识经济时，他们便可能转而反对所谓的技术精英，并通过支持民粹主义政治人物来表达这种不满。

7月18日，参观者在智元机器人展台上观看机器人传统茶艺表演。新华社记者 方喆 摄

殷之光：这其实与特朗普所代表的反全球化思潮形成了某种呼应，这是一体两面的过程，即你描述的这个格局，它既重复了原有的不平等，同时又创造了新的不平等。同时我们也看到，不管是在AI这个产业内，存在着大量的、差异化的格局，同时在AI产业与其他产业的结合层面上，也存在着高度的差异化。

那么问题就来了。现在大家都在讨论AI全球治理，尤其是AI创造出来的这个新空间，到底应该怎么治理？既然我们已经意识到，这个空间内部存在着高度差异化的发展格局，那么，有没有新的思考路径，能够帮助我们理解这种差异，并据此构建新的全球治理框架？

李汉松：这个问题就超出了狭义上的全球AI产业链不平等，涉及到了全球知识不正义的问题。AI这一轮的治理，一定要具有包容性和参与性，而包容性最重要的表现就是数据的包容性，这是第二个层面。

人工智能，尤其是大语言模型，看似建立在海量数据之上，但实际上，用来训练这些模型的数据，只是整个人类经验数据中极其有限的一部分。大量人们在日常生活中不断生成的经验、知识和文化，并没有被采集，更没有进入模型训练的过程。

因此，AI本身并不是一个天然包容的系统。相反，它从数据来源开始，就已经具有一定的排他性。什么样的数据能够进入数据库，什么样的数据会被北美的大型科技公司和工程师认定为是“有效数据”，这本身就是一种选择，也是一种权力。

那么AI治理的重要任务之一，就是尽可能把那些长期没有进入主流数据库的数据纳入进来，让更多国家、更多地区、更多语言和更多社会群体，都能够参与到AI知识体系的建构过程中。

我在非洲就看到一些非常有意思的案例。例如，乌干达出现了不少本土AI创业公司，它们不再依赖欧美已有的数据集，而是利用当地的数据训练模型，使AI能够理解乌干达本土的语言、文化和社会环境。

再比如埃塞俄比亚，全国有八九十种语言。当地AI创业的发展方向，也更多围绕这些本土语言展开，而不是简单复制英语世界已有的大模型。

这些实践说明，AI的发展并不一定只能遵循北美科技公司的路径。不同地区完全可以立足自身的数据资源、语言环境和社会需求，探索更加符合本地实际的发展模式。这种数据来源的多元化，本身也是AI全球治理中不可或缺的包容性体现。

殷之光：也就是说，不仅仅是语言的多样性。

李汉松：没错，更重要的是本土数据和本土知识。不同地区拥有不同的历史经验、社会环境和知识体系，而这些都会影响AI的数据来源。数据不同，算法训练的结果就会不同，最终生成的知识和判断也会有所差异。

因此，这不仅仅是一个技术问题，更是一个知识正义（epistemic justice）的问题。谁的数据能够进入模型？谁的知识能够被AI学习和表达？谁又被排除在知识生产之外？这些都直接关系到AI时代知识生产的公平性。

所以，AI发展本身就存在着一种知识上的不平等和不正义。因为进入模型的数据，往往只是少数国家、少数群体的经验；算法的设计，也主要掌握在少数科技企业和技术精英手中。

因此，AI全球治理首先要解决的，就是包容性的问题。要不断扩大数据来源和知识来源，让更多国家、更多语言、更多文化和更多社会群体都能够参与知识生产。这样，AI最终生成的观点，尤其是涉及价值判断和规范性判断的内容，才能保持真正的多元，而不是演变成少数企业、少数国家的“一言堂”。

第三个层面，则是关于未来的想象（imaginaries）。

今天，无论是人机结合，还是由人类主导、AI辅助赋能，其实都还不是最激进的未来设想。当前硅谷的一些技术精英，已经开始构想更加极端的未来：例如少数人移民火星，留下地球自行衰败；又或者极少数人依靠人工智能、具身机器人等技术，掌握绝大多数资源，从而控制甚至支配其他人类。

这些设想所呈现的，实际上是一种高度技术精英化、等级化的未来图景，也体现出一种带有“黑暗启蒙”（Dark Enlightenment）色彩的未来想象。

《阿特拉斯耸耸肩》的封面

殷之光：某种程度上，这其实就是艾茵·兰德（Ayn Rand）《阿特拉斯耸耸肩》（Atlas Shrugged）所代表的那种自由意志主义（libertarian）的乌托邦想象。它实际上是在讲，这个世界最终只有少数知识精英、技术精英有资格活下来，而其他大多数人，在他们眼中除了阻碍技术和人类文明的进步之外，并没有什么价值。既然如此，他们怎么办？那就只能自己去建构一个乌托邦。

在兰德的《阿特拉斯耸耸肩》里，这个乌托邦是一座与世隔绝的山谷；到了马斯克所代表的技术未来主义那里，这个乌托邦则变成了火星。只有被选中的少数人，才有资格前往火星；至于地球，就仿佛可以被遗弃、任其毁灭。