1. 引言與概述
論文《普及基本運算力之倡議》指出當代人工智能發展中一個關鍵分歧：一方面係由少數實體控制、趨向資源密集同中心化嘅模型；另一方面係由模型開源同高效部署技術等倡議所促成嘅開放、民主化人工智能潛力。作者認為，要確保一個包容性嘅人工智能未來，我哋必須積極對抗中心化，方法係擴大對人工智能發展基礎資源——即運算力——嘅使用權。
由此引出普及基本運算力（UBCP）嘅提案，呢個政策倡議旨在保證全球免費獲得一定基準量、專門用於人工智能研究與開發（R&D）嘅運算資源。呢個概念被視為數碼時代嘅「普及基本收入（UBI）」，旨在為參與人工智能驅動嘅經濟提供無條件嘅基礎。
關鍵見解
- 中心化風險：數據、參數同運算需求嘅指數級增長，創造咗極高嘅進入門檻，令人工智能未來有被少數大型企業或國家控制嘅風險。
- 開源作為制衡：LLaMA 2 同 Claude 2 等開源倡議展示咗民主化嘅可行路徑，但佢哋嘅益處目前僅限於技術上享有特權嘅少數群體。
- UBCP 作為解決方案：為人工智能研發提供保證嘅免費運算力分配，被提議為必要嘅公共產品，以創造公平競爭環境並促進廣泛創新。
2. UBCP 倡議：核心原則
UBCP 框架建基於三個定義其範圍同運作理念嘅基礎支柱。
2.1 免費使用
受 UBI 啟發，首要原則係 UBCP 必須無條件同免費提供。使用權不應取決於技術知識、經濟狀況或機構從屬關係。目標明確係為咗彌合因缺乏呢類知識而造成嘅差距，令其成為賦能工具，而非對現有特權嘅獎勵。使用權嚴格限於人工智能研發活動，以確保資源用於其促進創新嘅既定目的。
2.2 整合尖端人工智能
僅僅提供原始運算力（例如 GPU 時數）並不足夠。UBCP 必須係一個精心策劃嘅平台，整合人工智能工具同知識嘅最新進展。呢啲包括：
- 高效蒸餾同壓縮嘅基礎模型（例如大型模型嘅較小變體）。
- 高質量、符合道德來源嘅訓練數據集，並附有全面嘅數據說明表。
- 用於評估嘅標準化基準測試。
- 人工智能治理同道德工具（例如用於偏見檢測、可解釋性）。
平台應採用低代碼/無代碼嘅設計理念，靈感來自商業平台，允許用戶從預製模塊組裝人工智能應用程式，從而降低技能門檻。
2.3 普及可達性
真正嘅普及性需要克服數碼鴻溝。UBCP 介面必須：
- 移動優先：喺智能手機上完全可用，智能手機係服務不足地區嘅主要互聯網接入點。
- 符合無障礙標準：遵守 WCAG 等標準，為殘疾用戶提供服務。
- 認知包容性：運用視覺化、動畫同遊戲化，令複雜嘅人工智能概念對不同用戶（包括兒童同長者）都易於理解。
- 本地化：完全翻譯，技術術語適應全球語言同文化背景。
3. 理據與論證
3.1 以人為本嘅益處
論證類似於支持 UBI 嘅論點，圍繞三個主題：
- 賦能：為每個人提供發展人工智能素養同適應技術變革嘅手段。
- 個性化：使人們能夠根據其獨特嘅本地、文化或個人需求定制人工智能解決方案，超越中心化供應商提供嘅「一刀切」模型。
- 自主性：減少對專有人工智能平台嘅依賴，俾個人同社區對影響其生活嘅技術有更大控制權。
3.2 持份者嘅誘因
論文呼籲主要持份者——大型科技平台、開源貢獻者同政策制定者——支持 UBCP。對平台而言，呢個可以係一種競爭前合作形式，有助擴大整體市場同人才庫。對開源社區而言，佢提供咗一個龐大且投入嘅用戶群。對政策制定者而言，佢解決咗對數碼不平等、經濟替代同技術主權嘅擔憂。
4. 技術框架與實施
4.1 技術架構概述
一個潛在嘅 UBCP 系統將係一個建基於聯邦模型嘅雲原生平台，可能利用全球數據中心網絡中未充分利用嘅運算資源（類似 Folding@home 嘅概念，但用於人工智能）。核心架構會將資源供應層同人工智能工具及用戶介面層分開。
4.2 資源分配嘅數學模型
公平嘅分配機制至關重要。一個模型可以基於時間切片、優先隊列系統。每個用戶 i 喺每個時間段 $t$（例如每月）會收到定期分配嘅「運算積分」$C_i(t)$。當用戶提交一個估計運算成本為 $E_j$ 嘅任務時，佢會進入一個隊列。系統旨在喺受制於全球預算 $B$ 嘅情況下，最大化總效用。
一個簡化嘅調度目標函數可以係：
$\text{Maximize } \sum_{j} U_j(E_j, p_j) \cdot x_j$
$\text{Subject to: } \sum_{j} E_j \cdot x_j \leq B$
其中 $U_j$ 係任務 $j$ 嘅效用函數（可以考慮用戶優先級 $p_j$，可能與過去使用量成反比以促進公平），而 $x_j$ 係一個二元變量，表示任務是否運行。
4.3 原型性能與模擬結果
雖然未有全面嘅 UBCP 存在，但基於雲端定價同開源模型需求嘅模擬可以說明問題。例如，為每個全球用戶提供每月配額，使其能夠喺一個適中嘅數據集上微調一個中型語言模型（例如 70 億參數），將需要龐大嘅基礎設施。初步建模表明成本與用戶效益之間存在非線性比例關係。
模擬圖表描述：一個折線圖，Y 軸顯示「累積社會創新效益（指數化）」，X 軸顯示「UBCP 總運算預算（PetaFLOP/s-天）」。條曲線最初較平緩，代表基本使用權同素養提升，然後喺一個「臨界質量」區域急劇上升，呢個區域用戶可以進行有意義嘅研發，之後隨住邊際回報遞減而趨於平穩。圖表強調需要將預算目標設定喺達到曲線嘅拐點。
5. 分析框架：個案研究
情境：一個低收入地區嘅公共衛生研究員想利用醫學影像開發一種針對當地疾病嘅診斷人工智能工具，但缺乏運算資源同深度學習專業知識。
UBCP 應用：
- 使用：研究員透過智能手機登入 UBCP 入口網站。
- 工具選擇：使用低代碼介面選擇一個預訓練、面向醫學嘅視覺基礎模型（例如 PubMedCLIP 等模型嘅蒸餾版本），並將其連接到模型微調模塊。
- 數據與運算：上傳一個小型、匿名化嘅本地影像數據集。平台嘅治理工具協助創建數據說明表。研究員將其每月運算積分分配俾微調任務。
- 開發與評估：任務喺聯邦基礎設施上運行。平台提供標準化嘅醫學影像基準測試進行評估。研究員使用直觀嘅視覺儀表板對模型進行迭代。
- 成果：無需前期硬件投資或高級人工智能技能，就創建咗一個切合本地需求、定制化嘅診斷工具，展示咗 UBCP 嘅賦能潛力。
6. 未來應用與發展路線圖
短期（1-3 年）：喺學術或非政府組織環境中進行試點計劃，重點為發展中地區嘅學生同研究員提供使用權。與現有教育平台（例如 Coursera、edX 人工智能課程）整合，提供實踐運算力。
中期（3-7 年）：建立國家或地區性 UBCP 基金，可能通過對商業人工智能運算使用徵收稅款，或作為數碼公共基礎設施倡議嘅一部分來資助。開發穩健、沙盒化嘅環境，以進行安全嘅人工智能實驗。
長期（7 年以上）：UBCP 成為全球認可嘅數碼權利，融入國際框架。平台發展至支持大規模去中心化人工智能訓練同聯邦學習，實現無需集中數據池嘅協作模型開發。可能與去中心化物理基礎設施（DePIN）網絡融合以獲取運算資源。
7. 批判性分析與專家評論
核心見解：朱嘅 UBCP 提案唔單止係一個技術修復方案；佢係一個深刻嘅政治同經濟干預，旨在先發制人地阻止一個「運算貴族階層」嘅出現。佢正確地指出運算使用權（唔單止係算法或數據）係不平等嘅新前沿。與 UBI 嘅類比係恰當嘅，但低估咗複雜性——金錢係可替代嘅，但運算力必須與工具同知識智能地打包先至有用，令 UBCP 成為一種複雜得多嘅公共產品。
邏輯流程：論證遵循一個引人入勝嘅三幕結構：（1）診斷問題（透過運算規模定律導致嘅中心化），（2）提出解決方案（UBCP 嘅三個支柱），（3）呼籲行動（向持份者發出呼籲）。邏輯係合理嘅，但佢忽略咗巨大嘅治理挑戰——由誰決定平台上邊啲模型係「尖端」？點樣定義「人工智能研發」與禁止用途？呢啲係非微不足道嘅政治問題，而非技術問題。
優點與缺陷：
優點：論文最大嘅優點係其及時且雄心勃勃嘅願景。佢超越咗對人工智能道德嘅空談，提出咗一個具體、基於資源嘅提案。對移動可達性同本地化嘅強調，顯示出對現實世界數碼鴻溝嘅深刻理解。呼籲整合工具而不僅僅係原始運算週期，與史丹福大學以人為本人工智能研究所（HAI）嘅研究一致，該研究強調可用性同教育喺民主化中嘅重要性。
缺陷：房間裡嘅大象係資金同可持續性。論文對估計成本隻字不提，而全球推行嘅成本將係天文數字。與 UBI 唔同，現金轉移有明確嘅經濟乘數效應，但普及運算力嘅投資回報更難量化。此外，平台本身成為新嘅中心化力量或惡意使用（例如生成虛假信息）目標嘅風險，並未得到充分解決。UBCP 等提案必須借鑒大型網絡基礎設施項目（如XSEDE網絡）所面臨嘅治理挑戰。
可行見解：對政策制定者而言，當務之急唔係全球性 UBCP，而係「UBCP-Lite」試點：為學術同公民機構提供公共資助嘅人工智能運算雲，並配備強大嘅教育包裝。對科技公司而言，見解係將對此類資源池嘅貢獻視為戰略性生態系統投資——類似 Google 嘅 TPU 研究雲或 OpenAI 早期為研究員提供嘅 API 積分。開源社區應倡導可移植、高效人工智能工作負載嘅標準，令未來嘅 UBCP 喺技術上可行。最終，朱嘅論文應被視為一種挑釁：我哋而家正喺度設計人工智能嘅政治經濟，如果我哋唔有意識地建立廣泛使用權嘅機制，我哋將不可避免地鞏固一種新形式嘅技術寡頭統治。
8. 參考文獻
- Zhu, Y. (2023). The Case for Universal Basic Computing Power. Tongji University. [Source PDF]
- Kaplan, J., et al. (2020). Scaling Laws for Neural Language Models. arXiv:2001.08361.
- Bommasani, R., et al. (2021). On the Opportunities and Risks of Foundation Models. Stanford Center for Research on Foundation Models (CRFM).
- Gebru, T., et al. (2021). Datasheets for Datasets. Communications of the ACM.
- Mitchell, M., et al. (2019). Model Cards for Model Reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT*).
- Van Parijs, P., & Vanderborght, Y. (2017). Basic Income: A Radical Proposal for a Free Society and a Sane Economy. Harvard University Press.
- Stanford Institute for Human-Centered AI (HAI). (2023). The AI Index Report. https://aiindex.stanford.edu/
- XSEDE: Extreme Science and Engineering Discovery Environment. https://www.xsede.org/