新聞/文章  March 17, 2025

公共智能 Public Intelligence by Kevin Kelly

想象50年后，一种分布式、开源、非商业化的人工智能将像互联网一样运作，并向全世界开放。这种公共智能将是一个联邦系统，不归任何单一实体所有，而是由数百万参与者共同驱动，创造出超越单一主机能力的集体智能。

公共智能可视为"互联智能"（类似互联网，译注），一种由其他人工智能组成的人工智能，正如互联网是网络的网络。这个"人工智能的人工智能"将是开放且无需许可的：任何人工智能都可以加入，每一次加入都将增强全球智能。它将跨越国界，完全全球化——成为人工智能的公共资源。

与互联网类似，它将基于促进互操作性和标准的协议运行。公共智能的使用费用将在本地支付，就像你支付互联网接入、存储或托管费用一样。本地智能生成者或数据贡献者可以营利运营，但要获得最大化的公共智能效益，你需要在这个公共非商业系统中分享你的成果。

对普通公民而言，公共智能资源将永远在线，能够提供他们所需或愿意付费的智能服务。最基本的使用几乎免费。高级服务则会设限并相应收费。

各种类型的人工智能将通过个人设备提供服务，无论是手机、智能眼镜、车载系统，还是家中机器人。优质的专业智能服务也可从Anthropic和DeepSeek等专业提供商处购买。但公共智能不仅提供这些服务，还附带行星级规模的知识和在巨大尺度上运作的超级智能。

公共智能内部的算法会将复杂问题和简单问题分流处理，因此大多数公民只需通过一个界面与公共智能互动。虽然公共智能由数千种人工智能组成，每一种又包含一个认知生态系统，但用户看到的是一个统一的实体——公共智能。

这种聚合人工智能公共资源的技术面貌，可以比喻为一片热带雨林：拥挤着数千种物种，相互依存，有些物种消耗其他物种产出的资源，每个物种对雨林的生产力都至关重要。

公共智能是由数千种人工智能构成的雨林，从整体来看，它如同我们的森林和海洋，成为全球规模的公共资源，一项公共事业。

目前，我们用于训练人工智能的材料杂乱无章、不透明且片面。截至2025年，大型语言模型（LLM）仅在一个非常小且特殊的文本集合上训练，这远不是我们所知的最佳或全部知识。由于过时的法律原因，许多最优质的训练材料尚未被使用。理想情况下，公共智能应该在全球所有语言的所有书籍、期刊和文件上进行训练，以便为公共利益创造我们能够为所有人打造的最佳人工智能。

随着公共智能的发展，它将持续受益于新信息和新知识，包括非常具体和本地的信息。这正是其联邦性质发挥作用的方式。如果我能与公共智能分享我学到的真正新颖的知识，公共智能将从我的参与中获益，并从数十亿其他用户的贡献中获得累积收益。

公共智能的一个主要特征是它的全球性，或者说行星性。它不仅可全球访问，还在所有语言的全球多样化训练材料上进行训练，并且其维度也是行星级的。

例如，这个人工智能公共资源整合了来自全球的环境感测数据——如天气、水文、空中交通——以及来自环绕地球的卫星网络的数据。农田中数十亿的水分传感器、湿地中的潮汐流、城市中的空气质量监测器、后院的雨量计和其他数万亿环境传感器向公共智能输送数据流，创造了一种覆盖全球的认知网格。

公共智能将包含关于全球动态的宏观思考，以及数百万个关于特定领域的微观洞察，这些洞察将为智能提供特定信息和数据，例如对城市污水进行DNA采样以监测城市健康状况。

目前尚未出现真正的公共智能。Open AI并非公共智能；除了名字之外，它几乎没有开放之处。2025年被归类为开源的其他模型，如Meta和Deepseek的模型，正朝着正确方向发展，但仅在非常有限的程度上实现了开放。已有几个创建公共智能的倡议，如Eleuther.ai和LAION，但迄今为止尚无实质性进展或明确愿景。

美国国家科学基金会（NSF）目前正在资助一项旨在协调国际合作的网络人工智能倡议。这个NSF未来边缘网络和分布式智能人工智能研究所主要致力于解决6G和7G无线分布式通信等技术难题。

在这些合作者中，卡内基梅隆大学有一个专注于分布式人工智能的项目。他们称这个系统为AI Fusion（人工智能融合），并表示"人工智能将从当今高度结构化、受控和集中的架构演变为更加灵活、适应性强和分布式的设备网络。

"该项目将这种融合构想为一个新兴平台，使分布式人工智能能够在众多设备上运行，从而更具可扩展性、更灵活、更主动，能在需要时自我调整方向，甚至主动寻找所需数据而非被动等待。然而，在这些研究议程中，公共资源、开源或智能公共资源的使命并非核心关注点。

实现公共智能需要以下步骤：

• 我们需要在"稀疏激活路由"方面取得技术突破，使计算能够在从智能手机到数据中心的异构设备上高效分配。

我们需要开发动态资源分配算法、自动模型验证和增强型分布式安全协议。我们还需要在集体知识综合方面取得突破，使公共智能能够自动识别和解决跨领域的矛盾。

• 我们需要发布公共智能协议，建立安全模型共享、训练和互操作性的标准，并搭建连接50多所全球大学的大规模联邦学习测试平台，展示在不集中数据的情况下训练复杂模型的可行性。一项关键技术是持续学习协议，它使模型能够基于全球使用模式安全地实时更新，同时保护隐私。

• 我们需要在爱沙尼亚、芬兰和新西兰等小型高科技国家开创国家政策，明确支持公共智能基础设施作为数字公共产品，将其作为这种公共资源的原型试验场。

• 一个必要的发展将是建立人工智能公共资源的首个法律框架，创建具有特定治理和访问权限的新型数字基础设施类别。

这将与另外两个必要元素相辅相成："大规模差分隐私"技术，允许敏感数据用于训练，同时提供防止隐私泄露的数学保证；以及"社区智能信托"，允许本地社区在更广泛的生态系统中维护专业知识和能力。

人工智能有一种非常自然的趋势，即被近乎垄断的实体（很可能是企业）所集中化。智能是一种网络化的商品：使用越多，学习越多；学习越多，越聪明；越聪明，使用越多。如此循环往复。

一个真正优秀的人工智能可以随着使用和改进而迅速壮大。所有这些动态都推动人工智能走向集中化和赢家通吃。公共智能的替代品是企业智能或国家智能。如果我们不赋能公共智能，那么我们别无选择，只能赋能非公共智能。

公共智能的目标是使人工智能成为全球公共资源，为最广大人群服务的公共利益。实现这一目标的政治意愿至关重要，但同样重要的是我们尚未掌握且并不显而易见的技术手段和卓越创新。为了推动这些创新，一个能够激发我们的愿景将大有裨益。

这个愿景是：一个人人共有的公共智能，由数十亿本地人工智能组成，无需许可即可加入和使用，由用户提供动力并支付费用，在人类所有书籍和文本上进行训练，在行星规模下运作，并由共同协议维护。

原文

Sharing is sexy