ITU AI Readiness 2.0 报告总结
背景与目标
该报告由国际电信联盟（ITU）发布，旨在评估各国在人工智能（AI）领域的准备情况，并构建一个标准化的 AI Readiness 框架。报告通过分析不同领域的参与者及其特征，采用自下而上的方法，识别出 AI 集成中的共同模式、指标和评估机制。ITU AI Readiness 框架的目标是：
- 涉及全球利益相关者，评估和提升 AI 在各领域的集成水平
- 研究用例以验证关键因素在各个领域的权重
- 提升全球 AI 能力建设
- 促进国际合作机会
研究方法
报告基于 2024 年发布的初步报告，该报告确定了 6 个关键因素：开放数据、研究、部署、标准、开源和沙盒。为进一步研究这些因素在实践中的作用，ITU 与沙特阿拉伯合作，在 2024 年 GAIN 峰会上启动了 AI Readiness 试点 Plugfest，收集和研究了将 AI 应用于解决现实世界问题的项目。此外，由 88 位专家组成的专家组（来自 38 个国家）为 AI Readiness 项目提供战略反馈和指导。报告还分析了 Plugfest 项目报告，并从中推导出 13 个通用维度和相应的指标，以进行 AI Readiness 自我评估。
核心发现与结论
- AI 技能发展：加强与 ICT 相关的高等教育、利用开源生态系统、参与国际教育和培训平台，以及创造后发优势机会，可以加速 AI 技能发展。中等收入国家在数字素养和 AI 技术信任方面通常高于高收入经济体，若技能差距得到解决，将更有利于大规模 AI 应用。
- 数据准备：数据准备是有效、可信和包容性 AI 应用的关键决定因素。数据质量、多样性、代表性、标签和治理直接影响 AI 系统的性能、公平性、透明度和适应性。数据质量不足和有偏见的数据库会加剧歧视并限制实际应用。
- 数字基础设施：全球互联网使用率为 55.56%，近半数人口仍处于数字生态系统之外。4G 覆盖率达 93%，但低收入经济体仅为 56%；5G 覆盖率为 55%，高收入经济体为 84%，低收入经济体仅为 4%。计算基础设施、能源供应和边缘设备的不足限制了 AI 部署。
- 开源技术：开源技术降低了全球 AI 应用的门槛。对主要开源 AI 和大型语言模型（LLM）相关存储库的贡献包括核心模型架构、训练管道、评估基准和治理机制。开源参与度与其他准备维度（如研发、计算能力和创新生态系统）密切相关。
- 投资模式：公共投资和有效的国家 AI 战略有助于建立研究和创新系统。专用、多年的公共资金机制对于 AI 研究、实验和标准参与至关重要，同时需要私营部门的支持，包括对 AI 初创企业的风险投资。
- 区域评估：区域 AI Readiness 评估应与所有 AI Readiness 维度的强劲表现相结合。一些案例中，学术界、产业界、政府和积极参与国际 AI 标准化进程的主动参与，对塑造全球技术规范、参考架构和评估方法起决定性作用。另一些案例中，AI 应用扩展、选择性研究优势，但基础技术影响力有限，参与核心开源 LLM 开发和国际 AI 标准化程度较低。
- 政策干预：政策干预应与 AI 应用投资研究和技术能力相结合。持续投资有助于从试点项目转向可扩展和互操作的系统。公共和私营投资的互补和相互促进在推动研究、实验和标准化参与方面发挥着催化作用，而私营投资对于商业化和规模至关重要。
- AI 与政策：AI Readiness 不仅包括技术能力，还包括有效参与国际技术标准开发、采用和实施的能力。积极参与 AI、数据和新兴技术的标准化，对技术规范、参考架构和评估框架做出贡献，以及国家 AI 战略与国际互操作性要求的一致性。
AI Readiness 基本框架
报告提出了一个包含 6 个关键因素和 13 个维度的框架：
- 数据：数据可访问性和质量
- 研究：跨领域研究合作
- 部署：基础设施和生态系统准备情况
- 标准：信任、互操作性和合规性
- 开源：通过开源开发者生态系统实现快速采用
- 沙盒：AI 实验和验证平台
13 个维度：数据/模型市场、生成内容市场、跨领域相关性分析、情境化和区域影响、AI 在工作流程中的集成水平、人类界面、策略一致性、与 AI 的合作、人类在 AI 集成中的影响、AI 与政策、AI 为包容性、粒度优先级、数字基础设施。
差距分析
报告识别出三个主要差距：
- 国际标准差距：数据协调、生成式 AI 和 AI 能源准备标准。
- 实施差距：AI 技术效率与支持基础设施不足之间的矛盾，以及本地数据和模型数字化不足。
- 政策差距：不同国家在 AI 政策制定和跨领域 AI 治理方面的差异。
未来工作
- 扩大 Plugfest 项目，与更多区域项目合作，建立沙盒环境。
- 推动标准制定，促进互操作 AI 解决方案。
- 启动 ITU AI-RE 工具包试点，进行 AI Readiness 自我评估。
- 举办 ITU AI Readiness 挑战赛，收集解决方案以构建开放知识库。
- 扩展 ITU AI for Good 沙盒网络，提供本地 AI 技术和标准支持。
