综述：重新思考适用于资源匮乏环境的数据高效型人工智能

《Machine Learning with Applications》：Rethinking data-efficient artificial intelligence for low-resource settings

本文探讨低资源环境中人工智能/机器学习的实践挑战，提出数据高效、物理启发和边缘计算等方法，强调本地验证和可持续创新，以应对数据稀缺、计算受限、连接不足及机构能力薄弱等问题，推动AI在非洲、南亚等地区的实际应用。

　　在当今人工智能和机器学习（AI/ML）迅速发展的背景下，我们正经历一场深刻的范式转变。传统上，AI的发展依赖于海量数据和强大的计算能力，而这些条件在资源有限的环境中往往难以满足。随着全球范围内，特别是在非洲、南亚和拉丁美洲等低收入和中等收入国家（LMICs）中，资源约束的日益凸显，我们不得不重新审视AI的设计和应用方式。这些地区在数据获取、计算基础设施、网络连接和机构能力方面存在显著的限制，使得原本在高资源环境中取得成功的AI技术在实际部署时面临诸多挑战。

首先，数据稀缺性是AI在低资源环境中面临的核心问题之一。尽管全球AI取得了显著进展，如DeepMind的AlphaFold2在蛋白质结构预测方面取得了突破性成果，这些成就通常建立在丰富数据和强大计算资源的基础上。然而，在低资源环境中，数据获取的困难往往限制了AI模型的训练和优化。例如，非洲仅贡献全球基因组数据的不到1%，尽管其人口占全球的约17%。这种数据不对称不仅影响了AI在医疗、农业、气候和教育等领域的应用效果，还导致了模型在不同环境下的泛化能力不足。具体来说，许多AI系统在训练时依赖高质量、结构化的数据集，但这些数据集往往无法在低资源环境中找到对应的数据支持，从而导致模型在实际应用中表现不佳。

其次，基础设施的不足进一步加剧了AI在低资源环境中的局限性。现代AI技术通常假设稳定的电力供应、高速网络连接以及高性能计算设备的存在。然而，在许多低资源地区，这些条件并未得到满足。例如，撒哈拉以南非洲地区的互联网带宽仅为全球平均水平的三分之一，而数百万人仍然缺乏可靠的电力供应。这种基础设施的不足直接影响了AI系统的运行，尤其是在模型训练、推理、数据同步、备份和更新等方面。缺乏数据存储和管理能力，使得AI系统难以在本地环境中长期运行，从而限制了其实际应用的可行性。

此外，人力资本和治理能力的不足也是AI在低资源环境中难以实现可持续发展的关键因素。有效的AI生态系统需要本地的技术人才、研究机构和政策支持，而这些资源在许多低资源国家中仍显不足。非洲的AI研究者数量少于1700人，仅占全球的不到0.5%。这表明，尽管这些国家已经制定了一些AI政策和战略，但缺乏足够的本地技术能力，使得这些政策难以转化为实际的AI应用。同时，缺乏透明的数据治理框架和本地技术所有权，使得AI系统在部署过程中容易受到滥用、缺乏审计能力和快速过时的风险。算法偏差，无论是源于训练数据还是模型假设，都可能加剧对弱势群体的不利影响。

最后，环境和用户需求的不匹配使得AI在低资源环境中的应用面临额外的挑战。即使技术上可行，AI系统在实际部署时也可能因为与本地环境和用户需求不符而失败。例如，糖尿病视网膜病变筛查系统在印度农村诊所的表现不佳，主要由于设备和临床工作流程与训练环境存在差异。同样，数值天气预测模型在非洲部分地区表现不佳，因为观测数据稀疏且微气候效应显著。这些案例表明，AI模型的成功不仅取决于其技术性能，还取决于其是否能够适应和融入本地的实际情况。

面对这些挑战，我们提出了一个重要的问题：**AI/ML，如目前所实践的，是否在低资源环境中更像一种“小众”技术，而不是一种具有变革性的技术？** 答案显然需要我们重新思考规模的假设。而不是一味追求更大规模的模型和数据集，我们需要设计那些能够在数据稀缺、计算资源有限和异构本地环境中有效运行的方法。这些方法包括基于归纳偏见、数学结构和上下文感知约束的策略，如参数高效的微调、TinyML、物理感知模型和联邦学习等。这些技术为在资源受限的环境中实现AI的高效应用提供了新的可能性。

为了推动这一领域的研究和实践，我们提出了三个主要贡献：首先，我们构建了一个结构化的分类体系，将低资源环境中的结构限制与适合的“数据高效”算法范式联系起来；其次，我们综合了多个关键领域的实证证据，从成功和失败案例中提炼出经验和教训，并将其置于AI在受限环境中的更广泛背景中；最后，我们提出了一个面向未来的议程，结合方法论优先事项和运营考虑，以支持低资源环境中的可持续AI发展。

在方法论上，我们采用了系统性的文献综述方法，结合了结构化数据库搜索、灰色文献扫描、专家验证和定量基础设施指标与定性证据的三角验证。我们还开发了一个技术分类体系和一个简明的决策矩阵，用于分类数据高效AI方法，并将其与低资源环境中的约束相匹配。通过这些工具，我们能够更清晰地识别适合不同约束条件的AI方法，并为政策制定者和研究人员提供决策支持。

在实际应用中，我们以医疗、农业、气候和教育四个领域为例，展示了结构约束如何影响AI设计的选择。这些案例不仅揭示了低资源环境中面临的挑战，还提供了可行的解决方案。例如，在医疗领域，基于物理的模型和少量数据的学习方法能够有效应对数据稀缺和临床记录不完整的挑战；在农业领域，轻量级的决策支持系统和合作数据共享模式能够更好地适应小农户的需求；在气候领域，混合物理和机器学习的模型可以弥补观测数据的不足，提高预测的准确性；在教育领域，离线优先的交付方式和本地缓存架构能够更好地满足低网络连接地区的需要。

通过这些领域的分析，我们进一步验证了AI效率并非一种限制，而是一种在资源受限环境中实现优化的自然趋势。这不仅为AI方法的选择提供了依据，也为政策制定和实践提供了方向。我们需要在技术适应和机构能力建设之间找到平衡，确保AI能够在低资源环境中实现可持续发展。只有通过这种双管齐下的策略，AI才能从一种依赖外部资源的实验性技术，转变为一种能够促进包容性发展的可持续工具。