生成式人工智能快速发展，为低收入和中等收入国家（LMICs）应对医疗、教育、农业、金融等领域的发展挑战带来新的可能。近日，南非全球人工智能治理中心（Global Center on AI Governance）发布《生成式人工智能在中低收入国家应对发展挑战中的作用》（The Role of Generative AI in Addressing Development Challenges in LMICs）研究报告。基于50个项目的实践经验，报告认为，推动生成式人工智能赋能全球南方发展，需要从“技术可及”进一步转向“能力建设”，通过长期投入和多方协作，培育本地人工智能生态，完善相应治理机制，使人工智能真正回应本地需求，技术创新更好转化为包容性和可持续的发展成果。

文中观点不代表编译者或发布平台立场，完整论述及作者原意请参阅英文原文。

报告以盖茨基金会“催化公平AI应用”大挑战计划资助的50个项目为样本，覆盖非洲、亚洲与南美洲，资助总额逾750万美元，共记录26个应用场景、20个预训练模型，训练语言涵盖27种英语以外的语言。报告聚焦三项核心问题：一是生成式人工智能能否有效回应中低收入国家面临的社会经济发展挑战；二是如何确保相关技术应用的安全性；三是生成式人工智能在规模化应用过程中面临哪些结构性障碍。

在应用潜力层面，语音输入模式、个性化信息生成、低成本内容生产与敏感议题的私密处理，是跨领域最具普遍性的价值维度，在医疗、农业、金融、教育与性别平等五大领域均有初步验证。在安全风险层面，报告得出当前证据尚不支持“生成式AI在LMICs情境中已属安全”的结论，数据隐私保护缺位、训练数据的欧美中心性偏差、文化敏感性不足与伦理监督机制缺失是主要风险来源。在结构性障碍层面，非洲仅有1台超级计算机（北美181台、欧洲163台），2023年非洲风险投资总额仅35亿美元，与美国AI研究投入2500亿美元的悬殊，算力鸿沟与基础设施不平等构成首要瓶颈，低资源语言支持匮乏与监管框架缺位进一步加剧了落地困难。为此，报告建议各方协同发力，通过加大资源投入、推动技术创新与包容性设计、完善政策支持与治理机制，促进生成式人工智能赋能全球南方发展。

报告由Fola Adeleke等11位专家共同撰写，详情请见文末“作者介绍”。

图片来源：报告原文

报告以2022年底ChatGPT发布后的全球生成式AI热潮为起点，认为生成式人工智能（Generative AI，GenAI）不同于以往主要用于识别、分类和预测的AI系统，其突出特征是能够生成文本、语音、图像等内容。由此，生成式AI被快速纳入政府、企业和个人日常流程，并引发关于其经济和社会价值的广泛讨论。报告引用估算称，生成式AI可能每年为全球经济增加2.6万亿至4.4万亿美元价值，但也说明，对低中收入国家（Low- and Middle-Income Countries，LMICs）而言，生成式AI能否真正应对发展挑战，仍需要通过实证项目加以检验。

报告并未将生成式人工智能视为解决发展问题的直接途径，而是着眼于技术演进与发展不平衡之间的关系。在中低收入国家已逐步融入全球人工智能生态、但在算力、数据、资本和制度能力等方面仍存在差距的背景下，如何防止生成式人工智能进一步加剧既有的发展不平衡。这一问题构成了报告的核心逻辑。

同时，在这一背景下，盖茨基金会于ChatGPT发布约六个月后启动“催化公平AI应用”大挑战计划，向非洲、亚洲和南美洲共50个本土项目提供总额超过750万美元的资助，其中，非洲项目30项，亚洲项目14项，南美洲项目6项。该计划的核心目标是支持本地研究者和创新团队探索生成式AI应对本地社会经济挑战的可行路径。

该计划同时建立了跨区域专家网络，由南非全球人工智能治理中心牵头，联合印度数字未来实验室（Digital Futures Lab）与巴西里约热内卢技术与社会研究所（Institute for Technology & Society of Rio，ITS Rio）共同参与，围绕伦理设计、性别整合和证据收集，为受资助项目提供支持。报告的主要价值在于，它没有停留在关于生成式AI的宏观乐观判断，而是以50个本地项目为观察对象，评估在基础设施不足、数据资源分散、语言高度多样、监管能力有限的低中收入国家环境中，生成式AI究竟能够解决什么问题，又可能制造或放大哪些风险。

图片来源：盖茨基金会官网

报告显示，50个项目共设计或测试了26类生成式AI用例，涉及20个预训练模型及其26个子版本，训练语言覆盖27种英语以外的语言，多数团队尚未在真实环境中完成大规模部署，项目整体仍处于概念验证或有限试点阶段。但从跨领域观察看，生成式AI已经在若干方面显示出实际应用价值。

首先，语音输入模式能够降低低识字率人群的信息获取门槛，在农业、基层医疗和金融教育等依赖口头沟通的领域尤为关键，对于无法熟练阅读书面材料，或难以使用复杂数字界面的用户而言，语音交互使AI工具具备更强的普惠属性。

其次，大语言模型（Large Language Models，LLMs）生成文本能够根据用户教育水平、认知能力和文化背景调整内容复杂度，提供更具连贯性和个体适配性的信息，在医疗领域，部分项目通过Gulpease指数、Coleman-Liau指数、自动可读性指数、Flesch Reading Ease分数和Flesch-Kincaid阅读等级等工具，对生成内容的可理解性进行量化验证。

第三，生成式AI能够降低内容生产成本。教育领域项目显示，大语言模型可用于快速生成教材、课程计划和互动学习内容，对资源不足的教育体系具有现实意义，气候适应和农业项目也表明，模型可将分散的政策、气象和农技信息整合为更便于农户理解的本地化建议，

第四，在健康、性别等议题中，生成式AI提供了一种相对低门槛的信息入口。相较于传统搜索引擎、公开视频或熟人咨询，聊天机器人在一定条件下能够提高隐私保护水平，降低用户寻求信息时的社会压力，

多个项目显示，检索增强生成（Retrieval Augmented Generation，RAG）是控制模型幻觉、提升输出准确性的重要技术路径。与单纯模型微调相比，RAG能够更快整合本地指南、专业知识和最新研究成果，生成面向具体情境的辅助决策内容，多个团队认为，如果能在项目早期引入RAG，可显著节约开发时间并降低模型错误输出风险，

值得注意的是，多个健康项目将大语言模型定位为基层卫生工作者的辅助工具，而非替代者。生成式AI在这些场景中的作用，是增强既有人力资源的信息处理、记录生成和咨询回应能力。报告将这种“增强而非替代”的技术定位视为更符合负责任AI原则的采用路径。

报告由此形成一个较为审慎的判断，即生成式AI确实可以成为低中收入国家公共服务体系的能力增强工具，但不能被理解为替代公共服务、基层人员或制度建设的方案。当前证据更适合证明其在特定场景中具有应用潜力，而不能证明其已经具备普遍安全、稳定和可扩展的发展成效。

图片来源：Shift Asia

医疗健康是该项目中应用最集中的领域，同时也最需要风险控制。报告显示，36个项目涉及全球健康议题，覆盖15类用例，横跨非洲、亚洲和南美洲。应用方向包括社区健康传播、母婴健康、健康决策支持、抗微生物药物耐药、诊疗辅助、社区卫生工作者培训、疾病监测与大流行防范、医学影像和疫苗研发等。

在医疗场景中，大语言模型主要发挥三类作用。第一，向基层卫生人员提供指南检索、临床问答、培训和工作反馈，辅助基层医疗决策。第二，支持数字健康数据处理和行政流程，例如生成医疗记录、出院摘要、健康监测数据和公共卫生洞察。第三，面向患者提供本地语言、本地文化适配的信息服务，尤其服务于远程地区、低识字率群体以及因社会污名难以寻求线下服务的人群。

乌干达传染病研究所将600页综合疾病监测与应对指南转化为对话式系统，帮助医疗工作者快速调用信息。尼日利亚mDoc项目利用大语言模型提高健康咨询员回应能力。坦桑尼亚Boresha项目通过广播电台开发文化适配的疟疾防控信息，触达约1200万农村听众。南非“Your Choice”项目则利用聊天引擎帮助青年群体获取艾滋病风险与预防相关信息。

基层卫生工作者是健康领域重点关注对象。这类人员通常接受培训有限，却承担低中收入国家医疗体系的大量基础服务。多个项目发现，大语言模型生成的医疗文本在连贯性和可读性方面优于传统记录方式，并能更好适应低教育水平用户。语音输入模式还支持使用本地语言记录数据，有助于纳入低教育水平用户和非正式卫生服务提供者。

不过，临床准确性仍是最大挑战。复杂病情、多样化病例和有限人工验证资源，制约工具在6至12个月资助周期内完成实质部署。低中收入国家数字医疗记录不足，也迫使许多项目依赖临床医生进行人工标注，耗时且进一步加重医疗系统负担。若数据集对特定群体存在过度代表，也可能导致模型输出错误建议。例如，孕妇或艾滋病患者数据占比过高，可能使模型将相关建议错误提供给不适用用户。

印度Myna Mahila Foundation开发的“Myna Bolo”具有代表性。该工具面向孟买城中村低收入女性，支持印地语、Hinglish和马拉地语，并同时提供音频与文本交互，以适应低识字率和低数字素养环境。项目在9个月内比较RAG、提示工程和模型微调等技术路径，并依托5至6名“超级用户”的持续反馈推动迭代。其评估维度也从单一“医学准确性”，扩展为兼顾“社会相关性”“信息深度”和“信息完整性”的复合指标。

图片来源：Myna Mahila

巴西NoHarm Summary Discharge项目聚焦医院间护理交接，通过大语言模型生成出院小结。该项目的重要洞见在于，医疗信息并非中立数据容器，而是承载医生基于临床经验形成的主观判断。这一认识影响了团队的数据提取和模型训练策略。项目同时彰显私保护与关键医疗信息保留之间的持续张力，尤其在涉及药物使用和精神健康等敏感信息时更为明显。

农业与气候适应领域共有5个项目获得支持，覆盖非洲和亚洲4个应用场景。极端天气、旱涝灾害和病虫害正在持续冲击低中收入国家粮食安全与农村生计，撒哈拉以南非洲地区尤为突出。该领域最具现实需求的应用，是作物与牲畜病害的早期检测和预警。

乌干达马克雷雷AI实验室利用ChatGPT为小农户提供跨语言、本地化农业咨询服务；坦桑尼亚索科伊内农业大学针对东非玉米病害开发相关工具。部分项目还尝试整合卫星遥感数据，为农民提供气候预测、政策变化和可持续耕作建议。

农业领域面临的数据问题与医疗领域高度相似。田间记录普遍为手写形式，本地语言数据集严重匮乏，移动设备、计算机和物联网（Internet of Things，IoT）设备可负担性不足，农村网络连接成本较高，均制约小农户受益。部分项目因此开始探索设备端离线大语言模型方案，以降低对云计算和稳定网络的依赖。

加纳Degas Ghana项目利用本地农业数据和田间操作手册训练大语言模型聊天机器人，并借助RAG整合外部知识。工具经过农业专家、数据分析师和现场工作人员多阶段测试后，被嵌入Degas现有工作人员应用程序，以提高熟悉度和可访问性。用户测试中，功能认可率达81%，易用性认可率达79%，信息准确率达100%。

该项目同时记录到一个具有代表性的性别约束，即由于夜间前往偏远地区存在安全风险，女性现场工作人员参与受限，性别均衡难以保障。团队最终通过确保用户测试中至少40%为女性，部分弥补这一结构性缺陷。该案例显示，农业AI不仅需要数据科学能力，也需要对地方农作体系、传统知识和农村社会结构的理解。技术知识与地方知识之间的连接，是项目能否落地的重要条件。

加纳总统与Degas项目负责人在TICAD9（第九届东京非洲发展国际会议）期间合影

图片来源：Techmoonshot.com

普惠金融领域有2个项目获得支持，分别位于亚洲和非洲，均聚焦低资源语言金融聊天机器人。相关工具旨在提升金融素养、支持贷款咨询、甄别合法小额贷款机构，并帮助用户规避掠夺性金融服务。金融知识不足是金融包容的重要障碍，尤其影响低识字率或非识字人群。

两个项目均采用跨学科团队构成，成员覆盖农村银行、小额金融、发展经济学和计算机科学等领域，并将参与式设计方法贯穿产品开发周期。这类项目初步展示了生成式AI在同时回应金融排斥、语言不平等和数字素养不足方面的协同潜力。

尼日利亚数据科学尼日利亚（Data Science Nigeria，DSN）团队发现，ChatGPT在英语与约鲁巴语（Yoruba）之间互译时存在大量错误，约鲁巴语自动语音识别（Automatic Speech Recognition，ASR）和文本转语音（Text to Speech，TTS）模型在金融场景下表现也不稳定。团队最终调整方案，以英语提供信贷咨询服务，以约鲁巴语开展结构化金融素养教育，以规避低资源语言理解不足带来的风险。

金融场景中的生成式AI不能忽视合规、风险提示和责任边界。贷款建议、金融教育和信用产品推荐如果缺乏监督，可能误导用户或放大脆弱群体的金融风险。两个项目均强调AI素养培训的重要性。用户需要理解聊天机器人的局限，知晓幻觉风险，并养成外部验证习惯。否则，在金融决策场景中，模型错误输出可能直接影响用户利益。

教育领域有4个项目，其中3类用例在非洲测试。在低中收入国家教师资源不足、学生教师比例较高、教材老旧且缺乏本地相关性的背景下，生成式AI可用于生成低成本教材、教案和互动学习材料，并为学生提供个性化、情境化学习支持。

生成式AI在教育场景中的潜力主要体现在三个方面。第一，降低教育内容生产成本，使教师能够更快生成适合本地课程和本地文化的材料。第二，支持学生以母语或熟悉语言学习，降低英语中心语料对学习过程的限制。第三，辅助教师进行差异化教学，回应不同学生的理解水平和学习需求。

肯尼亚SOMANASI项目以ChatGPT-4为底层，提供与肯尼亚国家课程对接的个性化学习体验，配套工具HODARI则面向教师提供学生学情实时分析。项目表明，AI可在一定程度上缓解教育资源不均，但其效果仍受网络接入、数据流量价格、机构接受度和文化适配能力制约。

Kytabu项目推出Hodari学习工具，为肯尼亚学生提供个性化学习支持

图片来源：Google Play

教育领域同样受网络接入和机构惯性的制约。许多学校、大学和政府教育机构对AI辅助教学仍持谨慎态度，部分教师也不愿脱离长期依赖的教学方法。与此同时，依赖高收入国家语料训练的模型可能生成与本地文化不符、非目标语言的教育内容，从根本上削弱AI在教育场景中的适用性。教育类工具还涉及儿童数据、学习轨迹和个性化反馈，必须加强隐私保护和准确性评估。

性别平等和包容性是报告分析较为深入的部分。大语言模型既可能成为改善性别不平等的新工具，也可能通过数据、设计与部署机制放大既有偏见。女性、女孩和非二元群体在接触数字技术和AI时面临多重障碍，包括数字设备获取不足、社会规范约束、隐私风险、在线伤害和数据代表性不足。

多个项目将大语言模型用于帮助女性与女孩获取孕产妇健康等信息。巴西Mapa do Acolhimento项目利用大语言模型培训处理性别议题相关案件的志愿者；南非Kwanele项目开发聊天机器人，为受害者提供举报流程和法律信息支持；ARMMAN与乔治全球健康研究所则将大语言模型用于向基层医疗工作者提供孕产妇健康信息。

多数团队指出，现有性别偏见评估框架缺乏本地文化根基。印度一个孕产妇健康聊天机器人曾建议孕妇通过家务劳动保持身体活动，项目团队将其标注为“性别偏见”回应，而临床评估者则认为，这反映了当地多数女性的现实生活处境。该案例揭示出“性别变革性”与“现实可操作性”之间的张力。

巴西部分团队在进入偏远社区开展项目时，也曾被当地居民视为“文化外来者”。社区成员担忧外部团队以外来者身份定义“女性应有意涵”，并试图输入与本地社会文化规范不完全相符的价值观。项目团队最终不得不优先建立信任关系，再逐步推进技术部署。

南非Kwanele项目提供了另一种路径。该项目开发了一套兼具举报辅助和法律信息提供功能的聊天机器人。项目由全女性董事会领导，采用以用户为中心的性别回应式设计，并创造了聊天机器人角色Zuzi，以“可亲的姑姑”形象出现，通过WhatsApp以本地语言运行。

南非Kwanele项目开发聊天机器人Zuzi，为受害者提供信息支持

图片来源：scrolla.africa

项目经历了大量用户工作坊，以确保文化细节的准确把握和对LGBTQIA+议题的适当回应。随着用户反馈不断积累，项目逐渐将工具定位从法律信息指引扩展为心理健康支持，并招募青少年咨询小组参与数据集重写，使Zuzi更贴近年轻用户的语言风格和沟通需求。该项目的重要启示在于，AI工具的作用在于建立信息获取通道，而不是替代社会支持体系本身。

算力与基础设施约束是所有项目中覆盖面最广的问题。多数项目依赖商业大模型与云端计算，高昂的云托管成本构成长期负担。部分团队还指出，现成工具难以满足本地化需求。更值得关注的是，不少项目发现，必须通过WhatsApp才能有效触达用户。这使Meta在事实上成为部分低中收入国家AI应用的数字接入平台，对本地主体掌握AI发展方向、数据治理权和收益分配格局产生潜在影响。

非洲全境仅有1台超级计算机，而北美和欧洲分别拥有181台和163台。2023年非洲风险投资总额约35亿美元，而美国同期仅AI研究领域投入即达2500亿美元。算力所有权和高性能基础设施的缺失，直接制约了低中收入国家建设本地相关、本地所有AI模型的能力。

基础设施短板进一步放大了技术可用性问题。部分项目记录到，大语言模型与用户终端之间存在高达60秒的响应延迟，在低带宽网络和低端设备环境中尤为明显，而这正是农村和贫困社区的普遍处境。对需要即时问答、医疗咨询或农业预警的应用而言，延迟并非单纯的体验问题，而会直接影响工具的实际可用性。

因此，AI公平不能只讨论模型是否开放，还要讨论算力是否可负担、网络是否可达、终端是否兼容、维护是否可持续。对于低中收入国家而言，算力治理已经成为发展型AI治理的重要组成部分。

数据质量与可及性构成第二个横向约束。低中收入国家大量数据处于非结构化状态，存在记录不完整、格式不统一和数字化程度不足等问题。医疗记录可能以手写形式保存，农业数据缺乏标准化采集机制，经济活动的高度非正规性进一步压低了数据质量。

训练AI模型需要大量高质量数据，但低中收入国家现实数据生态与这一需求之间存在明显断层。这不仅影响模型训练效果，也使本地创新者在开发应用时不得不投入大量额外成本进行数据整理、清洗和标注。

政府机构、公共卫生系统、电信公司、银行和其他机构实际掌握大量潜在高价值数据。如果能够以合规和公平的方式开放，这些数据可以成为面向本地问题开发AI工具的重要基础。但由于缺乏中央数据库和数据共享机制，这些资源长期封存于不同部门的数据孤岛之中，本地创新者难以有效调用。由此可见，数据并非完全缺乏，而是缺乏可治理、可共享、可负责任调用的制度安排。

低资源语言（Low-Resourced Languages）问题几乎贯穿所有项目。当前主流大语言模型对英语之外语言支持有限，严重制约低中收入国家多数人口的使用。直接使用这些模型，容易出现翻译错误、语义偏差、方言和口音识别不足、文化表达不当等问题。

图片来源：Medium

多个项目开展词典建设，以覆盖混合语言、方言词汇和本地表达。印度部分项目采用“Hinglish”作为训练媒介，以规避在有限周期内从零构建完整印地语模型的高成本。越南项目发现，将越南语问题先翻译为英语、再生成英语回答、最后翻译回越南语，会产生显著错误，因此开始开发英语与越南低资源语言之间的专门翻译算法。

多个项目在翻译过程中还出现明显“翻译腔”（translationese）问题，即因习语直译、文化语境缺失或语言结构差异导致语义失真。对于医疗、金融和法律等高风险场景而言，这类偏差可能带来实际风险。

此外，语音工具面临更细致的识别难题。即便在同一语言内部，不同方言和口音的识别准确率也存在显著差异。对于低识字率用户而言，语音交互本应是降低门槛的重要方式，但如果模型无法稳定识别本地口音，其包容性便会受到限制。部分团队认为，支持46种语言的开源模型BLOOM，在多语言文本生成场景中具有一定应用价值，但其能否满足复杂本地场景，仍需进一步验证。

文化差异和包容性设计构成第三个核心议题。生成式AI的有效性高度依赖文化语境，本地化数据训练对于减少模型幻觉至关重要。但边缘群体往往长期处于“数据隐形”状态，使模型难以形成有效认知。

孟加拉国Susastho.ai项目在为女性青少年提供健康教育时，即便采用RAG技术，仍频繁出现语境误判和幻觉问题。越南项目在面向女性和LGBTQIA+群体提供妇科支持时，因社会污名导致数据采集极为困难。尼日利亚部分健康项目则因当地法律环境限制，无法将性别不符合传统规范的人群纳入服务范围。这些案例显示，法律和社会环境实际上构成了AI包容性的外部边界。

模型准确性和“常识缺失”同样普遍存在。几乎所有项目均记录到模型幻觉，尤其在开放性问题和复杂情境中更为明显。部分团队通过建立医学词典、拆分提示词、引入专家审核等方式提高模型稳定性。一个团队还发现，在对话中分多条消息逐步传递指令，比在单条提示中一次性提供全部指令更有效。这些经验说明，在低中收入国家场景中，技术适配往往需要细致的工程调整和持续人工干预。

报告对生成式AI安全性的判断较为审慎。50个项目的经验尚不足以支持“生成式AI在低中收入国家已经安全可用”的结论。相反，项目经验表明，安全性不能采用一刀切判断，而必须结合具体使用对象、数据类型、应用场景、文化环境和监督机制进行评估。

报告归纳的主要风险包括数据隐私和患者保密、模型偏见和准确性不足、应用设计中的安全问题和文化敏感性不足、污名复制、伦理权衡，以及对技术的过度依赖。医疗、教育等场景尤其需要谨慎，因为这些场景涉及敏感数据、脆弱群体和潜在现实伤害。

许多项目需要处理个人数据，特别是健康数据、儿童数据等信息。报告指出，在低中收入国家，数据保护法规可能尚不完善，用户对隐私权利的认知也可能较低，手机共用现象也较为普遍。因此，不当收集、存储或共享数据可能带来显著隐私风险。部分项目选择不保存个人信息，尤其是在敏感场景中；另一些项目则围绕知情同意、隐私通知和保密机制寻求专家意见。

图片来源：leadwithaipodcast.com

为回应隐私和数据保护问题，专家网络开发了隐私设计清单（Privacy-by-design Checklist），帮助项目在设计、开发和部署各阶段嵌入隐私保护原则。该清单并非针对单一国家监管制度，而是将隐私保护原则映射到项目交付阶段，使开发团队能够在有限时间和资源条件下，将隐私要求转化为可执行步骤。

研究伦理审批也是治理中的关键环节。大学项目通常较熟悉伦理审批流程，但许多低中收入国家研究伦理委员会缺乏AI项目审查经验，可能出现过度谨慎或指导不足。非大学机构则更难获得伦理审查渠道。专家网络因此为项目提供研究伦理申请审核、审批必要性判断，以及非大学机构可申请伦理审查的路径建议。

用户测试和社区参与是生成式AI项目能否负责任运行的核心机制。用户测试不仅是评估工具是否易用，更重要的是检验工具是否能够回应本地资源限制、语言习惯和具体使用目的。专家网络为项目提供交叉性矩阵（intersectionality matrix），帮助团队选择具有代表性的测试用户，并提醒项目关注不同性别、年龄、教育程度、社会经济地位、地理位置和边缘化身份之间的交叉影响。对高风险群体开展测试时，专家网络还要求项目注意研究主题保密、知情同意、防止治疗性误解等问题。

在高风险场景中，人在回路机制（human-in-the-loop）不可或缺。尤其在医疗建议、健康咨询、性别支持、金融建议和儿童教育等领域，模型输出必须经过专家设计、测试、监测和必要干预。基层专家、本地临床人员、教育者、社工和社区组织的参与，是降低技术误伤风险的重要条件。

图片来源：Stanford HAI

在评估方面，报告提出三个关键问题，一是创新者如何知道项目正在对个人和社会产生积极影响；二是如何发现并快速处理有害影响；三是在服务脆弱群体时，什么样的错误率是可以接受的。报告认为，嵌入反思性、适应性、用户参与和反馈机制的项目表现更好。

这意味着，AI项目的成功不能只看模型准确率或用户数量，还要看其是否能够持续识别和纠正社会风险。传统自然语言处理指标如F1分数、BLEU和ROUGE，并不一定适用于临床、法律援助等高风险场景。对这些场景而言，专家审核、用户反馈、实际效用和潜在伤害评估，往往比单一技术指标更重要。

报告还显示，许多团队在项目推进过程中经历了从“技术准确率导向”向“用户效用导向”的转变。项目早期通常关注模型能否生成正确答案，但随着用户测试深入，团队逐渐认识到，模型回答是否可信、是否可理解、是否符合本地文化、是否能被用户安全使用，同样决定项目成败。

报告对AI扩展采取较为克制的态度。低中收入国家具有高度文化、语言和社会经济多样性，并非所有AI项目都适合扩展，也并非所有项目都应以扩展作为成功标准。扩展应被理解为提升AI方案改善个人和社区生活的能力，而不是单纯扩大用户数量或进入更多市场。为此，报告认为负责任扩展至少需要以下七项条件。

第一，必须向终端用户、政策制定者和其他利益相关方清楚说明大语言模型的功能与局限，避免技术崇拜和系统性排斥两种极端叙事。第二，需要降低基础设施和算力成本，确保低中收入国家能够以合理价格获得高质量硬件与算力资源，而不以牺牲性能为代价。第三，应为准备扩展的项目提供充足预算和时间，特别是在临床专家咨询、数据标注、结果核查和输出评估环节预留资源。第四，需要积累低资源环境中大模型部署的实践经验，包括负载均衡、高可用性和容错机制。第五，需要强化本地化模型能力，包括微调（fine-tuning）、提示工程和持续学习，使工具能够适应新信息和本地条件。第六，用户界面和用户体验必须适应低资源环境，例如支持离线聊天机器人、功能手机兼容和低带宽运行。第七，在扩展过程中持续保持情境相关性，不能因进入规模化阶段而搁置前期识别出的社会、文化和伦理问题。

同时，报告表示，许多项目在扩展阶段面临资金不足，尤其缺乏支付开源平台额度、运营成本、技术开发、市场推广、压力测试和持续技术援助的资金。短期需要可持续运营资金，长期需要政府、产业和捐助方合作，形成负责任扩展机制。

图片来源：Keysight.com

面向捐助方和投资者，报告首先建议将多语言大语言模型建设列为优先投资方向，以推动不同语言社区在教育、医疗、金融和农业服务中的公平获取。由于公共资源普遍受限，私营部门伙伴关系在低中收入国家多语言模型建设中具有重要作用。

其次，应降低算力获取门槛。具体路径包括补贴高性能计算资源、投资共享数据中心、支持资源利用优化型开源工具，并面向本地创新者开展算力资源管理培训，以提升技术使用效率。

再次，捐助方应支持针对低中收入国家社会经济挑战的专项数据集建设。例如，围绕本地气候、疾病模式和农业环境积累数据，可支持疾病预测、诊断治疗和气候适应型农业发展。这类专项数据集不仅具有技术价值，也具有公共治理价值。

AI伦理能力建设也应贯穿项目全生命周期。捐助方应支持伦理指南制定、提升欠代表性群体参与度，并推动跨学科伦理能力建设。对高风险场景而言，伦理审查不应是项目后期附加环节，而应成为设计、测试和部署过程中的内嵌机制。

图片来源：路透社

面向本地创新者，报告提出四项核心建议。第一，必须优先理解社会文化情境。由于主流基础模型训练数据高度偏向高收入国家来源，若缺乏本地社会结构和文化背景理解，技术很难实现真正包容。第二，应将参与式设计作为基本方法。最终用户、社区和利益相关方不应只是技术接受者，而应参与系统设计全过程。第三，持续人工反馈与迭代不可替代。部署前后的人工评估、专家审查和质量控制，是保证模型可靠性的必要条件。第四，应组建跨学科团队。医疗、社会学、语言学、伦理和公共政策等领域的协作，对提升系统实用性、可用性和安全性具有关键意义。

面向政策制定者，报告首先建议建立高效监管机制。政府应将AI应用验收标准嵌入国家指南，确保相关工具在达到既定标准前不得进入部署阶段。监管沙盒（regulatory sandbox）可作为重要政策工具，使AI开发者在受控环境中开展真实场景测试，同时保持对伦理标准、数据保护法规和安全协议的合规要求。该机制的价值在于，在不压缩合理创新空间的前提下，为AI系统开发与部署提供必要监督。对于监管能力有限的低中收入国家而言，监管沙盒可成为连接创新试验与制度建设的过渡机制。

政府还应改善对非敏感公共数据的获取渠道，建立与私营主体之间的公平数据共享机制，并制定明确原则，规范政府数据在何种条件下、以何种方式向AI项目开放。这些原则应以公共利益优先为核心导向，同时确保数据主体的参与权、透明度和问责机制，并遵循数据公平与数据正义原则，以保障政府数据的公平可及与安全交换。

政策制定者还应将互联网普及、移动网络建设和终端设备可负担性作为优先事项，尤其着力弥合农业社区和偏远农村地区的数字鸿沟。基础终端设备，如智能手机，是获取生成式AI工具的前提条件，对农村社区、老年人群和其他受数字鸿沟影响较深的群体尤为重要。

同时，政府应将全国性AI与数字素养计划纳入国家战略框架，面向学生、少数群体和低收入群体开展有针对性的能力建设。与教育机构合作强化科学、技术、工程和数学教育（STEM education），是这一计划的重要组成部分。AI与数字素养建设不应作为附属项目推进，而应成为国家AI战略的核心组成部分。

图片来源：Elevateconsult.com

报告最终提出三项相互关联的判断。

第一，当前证据尚不支持“生成式AI在LMICs情境中已属安全”的结论。受资助项目在本地适配过程中投入的大量额外工作，恰恰说明AI安全不能脱离具体情境进行抽象判断。不同国家、社区和应用场景中的风险结构差异显著，必须通过实证测试、专家审核和用户反馈持续评估。

第二，规模化与治理必须协同推进。负责任的AI扩展，需要政府、产业界、捐助方和公民社会形成结构性合作，确保生成式AI的收益以包容性和可持续发展为导向，而非简单追求技术覆盖率和用户增长。生成式AI在推进可持续发展议程方面具有一定潜力，但这一潜力能否实现，取决于算力、数据、语言、公平性和制度治理等障碍能否得到系统应对。

第三，全球南方创新者需要长期资源和专家支持。随着全球AI发展加速，LMICs存在被进一步边缘化的风险。若算力、数据、语言资源和治理能力差距持续扩大，生成式AI可能加深而非缓解既有不平等。

图片来源：Center for Effective Global Action，CEGA

真正可持续的AI生态必须由本地创新者、社区和专家主导，技术设计应反映本地发展背景与社区价值观，并切实保障数字权利、公共利益和社会包容。总体来看，报告既没有简单否定生成式AI在LMICs中的发展价值，也没有接受技术万能论。其核心判断是，生成式AI确有可能在医疗、农业、教育、金融和性别平等等领域提供新的工具，但这种潜力只有在算力可及、数据治理、语言公平、文化适配、伦理监督和本地能力建设同步推进的条件下，才可能转化为真实的发展收益。

Fola Adeleke，全球AI治理中心高级研究员，研究领域涵盖算法治理与数字权利，担任报告主要执笔人之一。

Leah Junck，全球AI治理中心研究员，专注生成式AI与LMICs发展挑战议题。

Ayantola Alayande、Samuel Segun，全球AI治理中心研究员，研究方向分别为AI伦理与非洲数字政策。

Rosalind Parkes-Ratanshi，马克雷雷大学传染病研究所研究员，负责医疗主题部分的专业审核。

Aarushi Gupta、Urvashi Aneja，数字未来实验室（Digital Futures Lab）研究员，专项负责性别分析框架设计与跨学科方法论建构。

Joao Victor Archegas，里约热内卢技术与社会研究所研究员，负责南美洲项目案例的分析与撰写。

Scott Mahoney、Mark Gaffley、Rachel Adams，均任职于南非相关公共卫生与技术研究机构，参与数据收集、项目追踪与结果整合工作。

报告案例分析由包括Makerere大学Joyce Nakatumba-Nabende、Myna Mahila Foundation的Suhani Jalota在内的50个受资助项目首席研究员协同提供实地数据支持。

https://www.globalcenter.ai/research/the-role-of-generative-ai-in-addressing-development-challenges-in-lmics