经过了两年多的宣传与热议后，如今媒体仍不断宣称，AI将带来革命性的社会变革。与此同时，人们对AI可能引发的社会经济脆弱性问题持续感到忧虑。包括麻省理工学院的达龙·阿西莫格鲁（Daron Acemoglu）在内的诺贝尔奖得主们担忧，AI会加剧收入不平等，而美国普通职工也因AI对就业的影响感到焦虑。事实上，尽管AI的性能持续提升，公众对它的信任度却在下降。
这种不安情绪的一个主要来源，是一种我称之为“人工不平等”（artificial inequality）的系统性现象：AI的进步反而加剧了社会现有的不平等。这表现为社会经济机会和成果日益集中于社会中的少数群体，而其他群体的权益被剥夺。
遗憾的是，“人工不平等”现象既复杂又难以解决。我曾研究过AI对一系列社会问题的影响，包括易被技术颠覆的工作岗位、AI对气候的影响，以及哪些地区可能因AI获益最多。基于这些研究，我发现了加剧“人工不平等”的六种不同鸿沟：数据鸿沟、收入鸿沟、使用鸿沟、全球鸿沟、产业鸿沟以及能源鸿沟。这些鸿沟往往相互强化。例如，易受到数据偏见影响的人群，通常也最难受益于AI生产力工具，同时也更容易受到能源价格上涨的冲击。
当前，监管和政策干预等最自然的应对方案很可能会被搁置。在AI技术领先的美国，特朗普政府预计将进一步放松监管，取消对AI的防护措施。即便在监管体系更为成熟的欧盟，也释放出优先“行动”与“机遇”而非“保护用户”的信号。
好消息是，企业领导者可以采取行动，从六大鸿沟中缓解“人工不平等”的风险。“人工不平等”将对AI开发者和使用者都造成不利影响。因此，企业需要在自身能力范围内积极行动起来。
企业领导者可以从三个层面发力：
• 技术层面：新的技术工具可能带来新问题，但也有助于解决问题。企业需要了解自身技术的运作机制及其可能存在的缺陷，并寻找新工具来负责任地实现目标。
• 机构层面：企业不必孤军奋战，而应积极寻求第三方机构作为合作伙伴，引入外部经验和规范，从中学习并不断调整。
• 市场层面：尽管大多数企业无法创造或改变市场，但它们可以洞察用户需求的变化。在这一新兴趋势下，把握市场动态将有助于找到合适的解决方案与商业模式。
随着多重鸿沟加剧了“人工不平等”，企业难以从根本上解决所有问题。但若能拆解分析每个鸿沟，企业或许能发现自己在某些具体环节上有着更大的干预能力，从而能更有针对性地采取行动。
接下来，让我们逐一分析这六大鸿沟。
［ 1 ］数据鸿沟
AI是数学与数据集的结合。尽管数学本身可能是中立的，但数据集却可能存在偏见——后者往往包含不完整的信息，甚至虚假内容。数据鸿沟可能带来严重后果。例如，算法辅助的胸部X光影像分类系统，无法对有色人种和女性患者进行有效诊断。再比如，在使用算法评估抵押贷款申请时，相比于同等条件的白人申请者，芝加哥的贷款机构拒绝非裔申请者的可能性要高出150%；在得克萨斯州韦科市，拉丁裔申请者被拒绝的可能性比白人高出200%。
在当前美国的政治氛围下，对AI偏见的防范不太可能成为监管优先事项。那么，企业领导者应如何积极应对、负责任地行动？
技术层面
AI开发者与企业面临的首要问题，是数据不平衡可能带来的危害。对此，开发者应重点考虑以下几个方面：主动寻找能够代表其目标服务群体的数据集；检查训练数据中潜在偏差源和其他人口统计属性的分布情况；使用差异影响（disparate impact）等指标来衡量不同群体之间的结果差异，或使用补偿几率（equalized odds）来确保模型对不同受保护群体的预测同样准确。
在此过程中，企业还可以借助现有工具，如IBM的AI Fairness 360工具包，或开源工具如Fairlearn，来推进更负责任的技术实践。
机构层面
企业需要建立一套关于AI应用的新规范与日常流程，也需要特别重视对偏见的识别，避免加剧数字鸿沟。具体实践包括：进行“红队测试”（red-teaming）与情景分析，通过模拟攻击来识别系统中的漏洞；定期开展算法审计；制定“偏见影响声明”（bias impact statements），由团队内部自我评估并探讨算法决策中可能存在的偏见。
此外，也可以借助一些独立机构的支持，如非营利组织联盟“AI合作组织”（Partnership on AI）和“算法正义联盟”（Algorithmic Justice League），这些组织提供培训工具并倡导认知提升，有助于普及此类实践。
市场层面
当下，企业面临巨大的压力，急于将AI及其驱动的产品快速推向市场。在这种背景下，许多企业担心测试与去偏处理会延缓产品上线进程。但他们更应关注的是：随着消费者认知的提升，对数据偏见的忽视有可能带来市场份额的流失。一项针对350家企业的研究显示，已有36%的企业因AI偏见遭受商业损失。与此同时，也有一些企业开始以“偏见更少”作为产品差异化卖点。例如，德国软件企业思爱普（SAP）曾公开表示：偏见的存在，意味着“糟糕的生意”。
［ 2 ］收入鸿沟
AI的采用将提升某些工种的生产力，却也可能令其他岗位变得多余——这一趋势会进一步加剧收入不平等。如今，已有一半的美国人担忧AI会加剧收入不平等，这种担忧并非空穴来风：国际货币基金组织（IMF）预计，全球近40%的工作岗位将受到AI的影响。根据相对保守的预测，麻省理工学院的阿西莫格鲁认为，未来十年将有5%的任务可由AI完成并实现盈利。对于那些工作内容极易被AI替代的群体来说，面临的是被淘汰与收入减少的风险；而那些与AI互补的岗位角色，则有望提升生产力与收入。
企业领导者可从以下几方面入手，以减缓这一鸿沟所带来的社会影响：
技术层面
企业可以通过提升员工技能来解决这一问题，尤其需要帮助经验较少或培训不足的员工。广泛提供AI工具和相关培训，能够显著提升员工的收入潜力，那些表现较差或收入低于同行的员工也能因此获得进步。此外，许多中小企业可以投资于商业分析工具等AI工具，这有助于减少成本，以更好地与大型企业竞争。
机构层面
合作有助于弥合技能差距，例如：非营利教育组织AI4ALL为广泛用户提供AI工具使用的实操经验，英国慈善机构Charity Excellence为非营利组织提供免费的AI工具，而国际电信联盟（ITU）的“AI技能联盟”（AI Skills Coalition）也致力于实现类似目标。多家AI领先企业也在推动包容性发展：谷歌设立了“AI机会基金”（AI Opportunity Fund）；
微软推出了“非营利组织AI技能提升计划”（AI skills for nonprofits）；IBM旨在推动AI的民主化应用；万事达通过奖项和竞赛，激励以AI应用促进包容的项目，凸显AI工具在缩小收入差距方面的积极作用。
市场层面
随着有利于缩小收入差距的AI工具的广泛采用，企业将打造更大规模、更高质量的人才库。与此同时，随着中小企业成本效益的提升，劳动力市场和企业间的竞争加剧，这将推动市场的整体扩张。因此，企业应将此类工具的应用纳入长期战略与商业模式建设，以增强自身的竞争力。
［ 3 ］
使用鸿沟
AI的采用情况并不均衡。在美国，受教育程度更高、收入更高的人群更可能信任并使用AI工具，而AI的实际使用也主要集中在少数一线城市和新兴技术枢纽。由于人们对AI的信任度日益下降，这种鸿沟可能进一步拉大。尽管AI如何改变就业机会尚不明朗，但可以合理推断，那些使用AI的人将在即将到来的转型中占据优势地位。
这种不信任主要源自对AI的真实性、生成信息的可靠性、社会与环境影响等方面的担忧。对于希望弥合AI使用鸿沟的企业领导者而言，可以通过以下几个方面来建立用户对AI的信任：
技术层面
企业可以投资于提升AI可信度的技术。例如：利用TensorFlow与Keras等开源平台的“数据增强技术”（Data Augmentation）来扩展训练数据的规模与多样性；构建反馈机制，如美国软件公司C3 AI的“可靠性应用”（C3 AI Reliability），监测并测试先进的AI架构；将专家系统融入机器学习与神经网络的工具，如核能发电中应用的诊断工具。企业还可以考虑将AI与其他技术相结合以提升质量。例如，AI搭配物联网（IoT）传感器，进行实时系统监测，生成动态数据以提升算法学习能力与适应性。
机构层面
全球范围内已有多家机构致力于提升AI的可信度并提供实践指导，包括：牛津大学AI伦理研究所（Institute for Ethics in AI）；非营利组织联盟“AI合作组织”（Partnership on AI）；多家慈善基金会资助的倡议和评估工具，如斯坦福大学基础模型研究中心（Stanford Center for Research on Foundation Models）发布的透明度评分表等。此外，诸如医疗行业的AI可解释性研究、AI开发者组织的相关培训，以及政府间机构推动的信任建设项目，也是确保AI可信度的重要手段。企业还可为员工提供相关培训，帮助他们分辨不可靠的AI信息。
市场层面
那些积极采用可信AI工具的企业将会发现，信任能够有效激发市场需求。一项针对AI语音助手的研究表明，用户对其的信任显著提升了使用意愿；在健康服务领域，信任是用户愿意持续使用聊天机器人的关键；消费者对可信AI工具的使用率是普通AI工具的两倍；员工若信任公司提供的AI工具，则使用率可达普通AI工具的两倍半。
目前，许多企业已将AI可信度作为差异化竞争的关键：微软强调“安全、隐私与保障”；美国客户关系管理软件服务提供商Salesforce承诺“以人为主导”的AI模式，以提升信任。相反，不可信的AI则可能造成相应代价。美国房地产信息查询网站Zillow，曾尝试基于其AI估价模型帮助客户购买房产。但仅仅过了八个月，Zillow便因估价系统失败而损失3亿美元，并裁员25%，严重削弱了市场对其AI估价能力的信心。
［ 4 ］全球鸿沟
根据国际货币基金组织的研究，AI带来的生产力和收入的提升，极有可能向高收入国家倾斜。在这些国家中，约有60%的工作岗位可能接触到AI，而这一比例在新兴市场和低收入国家中分别仅为40%和26%。对AI的采用将在全球范围内推动GDP增长和生产率的提升，而这种增长幅度将与各国的AI采用程度成正比。正如国际货币基金组织所警示的那样，“技术将加剧国家间不平等的风险”。与此同时，如果美国继续推行限制世界多地获取先进芯片的政策，也将进一步加剧这种分化。
全球市场的碎片化发展限制了AI技术的潜力，提高了准入门槛和技术成本。面对这一挑战，企业领导者可以从多个方面采取应对措施：
技术层面
企业可以采用广泛可及的开源AI计划，例如“开放权重”（open-weight）模型（即公开训练参数，但不公开训练代码和数据集），这对美国以外的企业尤其适用，有助于规避限制和避免与单一生态系统的绑定。中国AI公司DeepSeek的实践表明，开源AI模型在性能上已接近顶级的专有模型，所需成本和资源却大大降低。
各国企业，尤其是发展中国家的企业，还可以借助日益普及的AI工具，在特定行业利用少量相关信息开展“轻量化AI”创新。例如，由德国农业科技公司PEAT GmbH开发的农业应用程序Plantix，能够帮助全球发展中国家的小农户识别毁坏庄稼的病虫害，并提供对应处理建议。
机构层面
开源实践对于拓展全球AI工具的可及性至关重要。许多国际组织协助企业利用这些资源：“国际计算与AI网络”（International Computation and AI Network）致力于推动AI在全球的普及，全球倡议“AI向善”（AI for Good）则聚焦如何解决全球性挑战。
市场层面
开源工具和应用程序为全球企业提供了更多利用AI的机会。这种技术民主化不仅能解决本地问题，也有可能在多个市场催生新的需求，带来显著的商业价值。例如，非洲的AI辅助识别植物病害技术、印度的孕产妇远程医疗服务、墨西哥的糖尿病AI辅助医疗方案，以及巴西的森林监测系统，这些创新不仅能造福本土，还具备全球范围的商业潜力。
［ 5 ］产业鸿沟
当前，AI价值链主要被少数几家企业所主导。这些企业通过产品或渠道的独家代理相互投资，加剧了市场的集中度，将新手排除在外。例如，Meta采购亚马逊的云服务以支持自身的AI业务，而主要的AI开发商也普遍依赖英伟达的高性能芯片，来保持技术优势。这些做法导致少数几家主导企业最具商业吸引力的方向，往往成为投资集中的领域；同时让采购AI服务的企业陷入“被锁死”的困境，任由少数科技巨头主导定价与合作条款。
面对这一挑战，企业虽然渴望尝试AI工具，但往往难以承担科技巨头所开出的高价。因此可以考虑更具性价比的替代方案，在不牺牲性能的前提下获得更多选择权。
技术层面
与防范全球AI生态系统碎片化的风险类似，企业可以考虑使用开源AI，例如DeepSeek及其他中国AI公司，或来自其他国家的开发者：如美国的Meta、加拿大的Cohere，或法国的Mistral AI。此外，企业还可以受益于基于小型语言模型（Small Language Models, SLMs）的定制化应用，这些模型以更小范围的数据集进行训练；也可以利用“边缘AI”（Edge AI）工具，在互联设备上执行任务并存储数据，并在网络边缘完成处理，从而避开产业高度集中的关键节点。
机构层面
企业还可以从致力于开发“数字公共产品”AI模型的组织获取资源。这类AI模型可公开访问，为应用程序开发提供底层支撑。例如，多方倡议“数字公共产品联盟”（Digital Public Goods Alliance）
致力于推广开源软件、开放数据、开放模型以及符合隐私标准的开放内容集合。考虑到商业可持续性，该联盟还推广“分级开放”模式（tiered openness），根据不同AI组件设定不同的开放访问级别。
市场层面
无论是AI产业竞争日益激烈，还是满足不同需求的专业化AI应用不断增多，企业都能从AI产业的发展中受益。一些小型AI公司及模型，针对发展中国家农业、教育等亟须干预的低生产率领域，通过解决未满足的需求来释放意想不到的价值。
AI产业的发展也必须解决技术的信任问题。尽管开源AI有助于促进市场竞争，但也可能带来新的安全漏洞。因此，企业持续建设可信AI，同时保持高性能AI的可及性，将成为市场差异化的关键。例如，Dependabot、Renovate和Snyk等工具可用于检查开源模型是否存在已知安全漏洞。
［ 6 ］能源鸿沟
AI对能源和水资源的消耗巨大：到2026年，数据中心的能源消耗预计将增长35%至128%。即使新能源基础设施建设获得了预期投资，整体能源需求仍将持续超过供应的增长。虽然AI可用于优化能源使用方式，但它更有可能加剧能源贫困，因为智能能源系统往往集中在较富裕地区，而全球仍有超过10亿人口无法获得负担得起的能源。此外，许多企业面临未能实现自身“净零排放”目标的风险，这是因为对AI的投资使这些企业偏离了原有的可持续发展路径。为了应对这些问题，尤其是对AI企业或对AI有较高需求的公司而言，领导者可从以下几个方面开展工作：
技术层面
已有多种创新手段可提升AI使用的效率。对于自建数据中心的公司而言，谷歌旗下的AI公司DeepMind可将制冷成本最多降低40%。此外，英伟达也正在开发更高效的GPU，其性能可提升30倍，同时能耗降至原来的1/25。
企业还可以探索创新的硬件设计方式，如将内存模块置于计算核心，从而缩短数据传输距离、降低能耗；又如部署模拟人脑功能的设备，其能耗是当前标准的千分之一。其他模型还可尝试在低功耗的微控制器上运行。此外，光子加速器、3D芯片以及新型芯片散热技术等新组件的出现，也为更节能的算力提供了可能。
模型设计也存在优化空间。DeepSeek曾通过“专家混合”模型（Mixture of Experts, MoE）将AI神经网络划分为不同类别，从而节省了大量算力和能源。该公司还运用了其他创新方式，如在不影响性能的前提下，省略数值计算中的小数位，从而进一步压缩运算规模。
机构层面
鉴于AI对能源需求的影响日益突出，许多组织正在致力于解决这一问题，并提供培训项目以培养AI与能源管理领域的专业人才。例如，康奈尔大学“AI促进可持续发展倡议”（Cornell AI for Sustainability Initiative）旨在引领与AI相关的能源管理的研究、创新与教育工作，探索AI如何帮助我们更高效地利用能源。
市场层面
能效提升不仅能降低企业的整体成本和资源消耗，也有助于增强其竞争力。越来越多的AI开发公司在为数据中心选址时，除了考虑成本、技术问题和用户距离等因素外，也将环境影响纳入决策范围。能源定价的创新，如采用预测性分析或“按需付费”系统，使得能源获取更加经济实惠，并促进需求的增长。尽管开源模型是否更节能仍存在争议，但有分析指出，DeepSeek所需的计算资源仅为Meta同类模型的1/11；美国同类模型的能源使用量是DeepSeek的10至40倍，因此DeepSeek的运行成本更低。竞争格局的改变以及节能技术的出现，迫使所有AI企业不断提升能效。
弥合这六大鸿沟，已成为商业发展的迫切需求。这意味着企业领导者——无论是AI开发者还是使用者——都必须通过利用替代性手段来考虑用户尚未满足的关键需求。幸运的是，只要企业聚焦于技术、机构和市场，便能采取相应措施应对“人工不平等”。
AI的加速发展，未必会导致世界变得更脆弱、更分裂。把握适当平衡，有助于推动AI更广泛的采用，从而实现诸多变革性前景。
巴斯卡·查卡拉沃迪是塔夫茨大学弗莱彻学院全球商务系主任，同时也是弗莱彻学院全球商业研究所的创始执行主任。著作有《快速变革的慢节奏》（The Slow Pace of Fast Change）。
巴斯卡·查卡拉沃迪（Bhaskar Chakravorti）| 文 ChatGPT、DeepL | 初译 周静怡 | 编校