如果 AI 全跑在別人的伺服器上，談什麼民主？
MIT 電腦科學暨人工智慧實驗室主任羅斯在《數位主義者文集》中主張：當 AI 的算力集中在少數科技巨頭手中，所有關於隱私、公平、民主的討論都是空談。她提出的解方是邊緣 AI 搭配液態神經網路，用 19 個神經元取代上萬個，讓智慧回到使用者手中。
本文為「數位主義者文集」導讀系列 #V2-1。導讀對象為丹妮拉．羅斯（Daniela Rus）的〈Private Physical AI for the Edge〉，收錄於 The Digitalist Papers Volume 2（2025）。
一位機器人學家看 AI 的方式
《數位主義者文集》（The Digitalist Papers）裡的大部分作者，談的是 AI 的政策、經濟、治理。前 Google 執行長施密特談地緣戰略，圖靈獎得主班吉歐拉安全警報，唐鳳推民主參與機制。他們都站在 AI 的「使用端」發言，假設 AI 已經存在，問題是怎麼管、怎麼分配。丹妮拉．羅斯（Daniela Rus）問的問題更根本：AI 跑在哪裡？
羅斯是 MIT 電腦科學暨人工智慧實驗室（CSAIL）主任，2012 年上任，是這個全球最大大學電腦科學實驗室的首位女性掌門人。她的學術根基在機器人學，研究的東西從能自己重組形狀的模組化機器人、在阿姆斯特丹運河裡自主導航的船，到用磁力控制、外骨骼可溶解的微型機器人。2002 年她拿到 MacArthur Fellow（俗稱「天才獎」），2015 年入選美國國家工程院，2025 年拿下 IEEE 愛迪生獎章。她同時是 ACM Fellow、IEEE Fellow、AAAI Fellow，在機器人和 AI 領域的學術地位少有人能比。
這個背景很重要，因為它決定了她看 AI 的角度。多數 AI 研究者在螢幕前工作，處理文字、圖像、程式碼。羅斯的機器人要在物理世界裡移動、感知、操作物件。在物理世界裡部署 AI，你不能假設永遠有穩定的網路連線，不能容忍數百毫秒的雲端往返延遲，也不能接受把感測器蒐集的即時資料全部上傳到別人的伺服器。她對「邊緣 AI」的執念，不是從政策辯論裡長出來的，而是從三十年的機器人學實踐中長出來的。
集中化的悖論
羅斯在文章中開門見山：當前 AI 的發展軌跡是一場集中化的加速度運動。模型越做越大，訓練需要的算力越來越誇張，能負擔這種規模運算的機構越來越少。訓練一個最大規模的語言模型，耗電量以百萬千瓦時計算。這些電力、這些 GPU 叢集、這些冷卻設施，集中在少數幾家超大規模雲端業者手中。2025 年，前五大超大規模雲端業者的資本支出合計約 4,430 億美元，其中大約四分之三流向 AI 基礎設施。AWS、Azure、Google Cloud 三家控制了全球基礎設施即服務（IaaS）市場約 75% 的份額。NVIDIA 供應全球約 92% 的先進 AI 訓練用 GPU。
這裡有一個她沒有明說但暗示很重的悖論。這個系列裡的其他作者花了大量篇幅討論 AI 的民主治理、公平分配、隱私保護。班吉歐警告權力集中的三種災難性風險，唐鳳設計公民參與 AI 對齊的機制，史迪格里茲分析 AI 時代的資訊不對稱。這些討論都很重要。但如果 AI 的算力本身就高度集中在少數企業的伺服器上，那麼所有的治理框架、所有的民主機制，最終都受制於基礎設施的擁有者。你可以設計出最完美的 AI 憲法，但執行這部憲法的伺服器不是你的。
羅斯把這個問題推到邏輯終點：去中心化的 AI 治理，需要去中心化的 AI 基礎設施。光談政策不夠，得從物理架構下手。而她手中恰好有一項技術，能讓這件事從口號變成工程方案。
302 個神經元的啟示
她的技術處方是液態神經網路（Liquid Neural Networks）。這個名字聽起來像科幻小說，但靈感來源是地球上最簡單的神經系統之一：秀麗隱桿線蟲（C. elegans），一種只有一毫米長的蠕蟲。這隻蟲只有 302 個神經元，卻能在複雜環境中覓食、避開危險、對溫度和化學訊號做出精確反應。相比之下，GPT-4 等級的大型語言模型有數千億個參數。羅斯的問題是：如果一隻蟲用 302 個神經元就能在物理世界中生存，我們真的需要那麼多參數嗎？
她的團隊用實驗回答了這個問題。在一個自駕車實驗中，他們用液態神經網路取代了一個超過一萬個神經元的傳統深度網路。液態版本只用了 90 個神經元。更驚人的是，在另一個極端測試中，僅僅 19 個控制神經元就足以操控一輛自駕車。不只是勉強能開，而是在注意力分配上展現了跟人類駕駛相似的模式：聚焦在道路地平線和兩側邊緣，而不是像傳統深度網路那樣「到處看」。
液態神經網路的核心特性不只是小。它具備可驗證的因果推理能力，你可以追溯模型為什麼做出某個決策，而不是面對一個黑箱。它還能跨環境遷移學習，在一個場景中訓練好的模型，放到完全不同的環境裡也能運作，不需要重新訓練。這些特性加在一起，意味著一個可以在邊緣裝置上運行、可以解釋、可以信任的 AI 系統。2023 年，羅斯共同創辦了 Liquid AI，把這項技術從實驗室推向商業化。她的相關架構 LinOSS 和 Mamba 模型，用 state-space 方法達到接近 transformer 的性能，但計算開銷大幅降低。
從大型機到個人電腦的歷史類比
羅斯用了一個精準的歷史類比來說明邊緣 AI 的經濟意涵。1960 年代，運算能力集中在少數機構擁有的大型主機（mainframe）裡。你想用電腦，得去排隊、填申請、等輪到你。價值鏈的頂端是擁有硬體的人。1970 年代末期，個人電腦出現了。硬體變便宜、變小、變得人人買得起。價值鏈翻轉：最有價值的不再是擁有一台電腦，而是在電腦上跑什麼軟體。微軟和蘋果的崛起不是因為它們做了最好的硬體，而是因為它們定義了軟體生態系。
羅斯認為 AI 正站在同樣的轉折點上。當前的雲端 AI 就是大型主機時代：你想用最先進的 AI，得把資料送到別人的伺服器上，付租金，等回覆。邊緣 AI 是個人電腦時代的再現：當智慧直接跑在你的裝置上，價值就從算力供應商轉移到應用和服務的建構者。她提出一個新的衡量標準：AI 的指標不應該是參數量有多大，而是「每瓦、每晶片、每裝置能產生多少 token」。這個指標翻轉了整個競爭邏輯。在雲端 AI 的世界裡，贏家是砸得起最多錢蓋資料中心的人。在邊緣 AI 的世界裡，贏家是用最少的資源做到最多事情的人。
這不只是技術偏好，而是權力結構的重組。當 AI 的邊際成本在部署後趨近於零，當一個太陽能供電的農業感測器可以離線運行 AI 最佳化灌溉排程，當偏鄉診所的醫師不需要網路連線就能使用 AI 輔助診斷，「誰擁有 AI」的答案就從「擁有伺服器的人」變成「擁有裝置的人」。
班吉歐的診斷，羅斯的處方
把羅斯這篇放回整個《數位主義者文集》的脈絡裡看，她的角色非常清楚。這個集子裡有人診斷問題（班吉歐）、有人設計制度（唐鳳）、有人從經濟學角度拆解後果（史迪格里茲）。羅斯是少數從技術架構層提出解方的人，而且她的解方直接回應了其他作者點出的核心難題。
我們在導讀班吉歐那篇時詳細討論過他的三種災難性風險：破壞性混亂、權力集中、AI 失控。其中「權力集中」是最直接跟基礎設施相關的。班吉歐的論證是：訓練前沿模型的天文數字成本，天然有利於大企業，AI 加速 AI 研究的遞迴效應讓先行者優勢不斷放大。但班吉歐的處方是政治性的：國際協議、晶片出口管制、類似核武管控的機制。羅斯的處方完全不同：不靠管制集中化的算力，而是讓算力本身去中心化。如果每個人的口袋裡、每個工廠的產線上、每個農田的感測器裡都有足夠的 AI 算力，集中化就不再是唯一選項。這不是在既有的權力結構上加一層治理，而是改變權力結構本身。
唐鳳在這個系列裡推動的民主 AI 願景，跟羅斯的技術路徑形成另一組互補。唐鳳和她的共同作者主張，AI 的價值對齊應該透過公民參與來完成，不能只讓工程師和企業高層拍板。這個願景很美，但它有一個前提：公民必須能接觸到 AI。如果 AI 只存在於少數企業的雲端伺服器上，公民參與對齊的機會窗口就極其狹窄。你不可能在沒有 AI 基礎設施的地方推動 AI 民主化。羅斯的邊緣 AI 提供了底層條件：當 AI 跑在公民自己的裝置上，民主參與才有物質基礎。
還有一個尚未導讀的有趣對照。同一卷的 Steve Jurvetson 提出「經濟神經化」的願景：AI 像神經系統一樣滲透經濟的每一個角落。Jurvetson 描繪了一幅 AI 無所不在的圖景，但他沒有特別區分這個「無所不在」是集中式的還是分散式的。羅斯描繪的則是同一幅圖景的去中心化版本：AI 確實會滲透到每個角落，但不是透過一條條連回雲端的網路線，而是透過在每個節點上獨立運作的邊緣智慧。
台灣：邊緣 AI 的供應鏈核心
這篇文章對台灣讀者的意義是直接的，不需要硬湊。羅斯談的「邊緣 AI」願景，技術上能不能實現，很大程度取決於晶片製造的能力。而全球邊緣 AI 晶片的製造能力，相當程度集中在台灣。
台積電在全球晶圓代工市場的占有率超過 67%。2025 年第四季，台積電的 2 奈米（N2）製程開始量產，2026 年目標月產能達到十萬片晶圓。更先進的 A16（1.6 奈米）製程預計 2026 年下半年量產。這些製程不只用在雲端 AI 的大型 GPU 上，也用在邊緣裝置的 SoC 上。聯發科的天璣 9500 就採用台積電 2 奈米製程，搭載的 NPU 990 能在手機上處理 30 億參數的大型語言模型，輸出速度比前代快一倍，尖峰功耗卻降低 56%。這正是羅斯說的「tokens per watt」競賽的具體展現。
台灣在邊緣 AI 的位置不只是晶片製造。鴻海在 2025 年 3 月跟高通合作，在台灣和印度的智慧製造工廠部署 Snapdragon AI 邊緣閘道器。台灣的 IoT 和智慧製造產業本來就在邊緣運算的應用前沿。政府的「AI 十大基礎建設」計畫把 AI 機器人列為三大技術支柱之一，目標 2040 年創造超過 15 兆新台幣的經濟價值。
但台灣跟邊緣 AI 還有一層更深的連結。羅斯在文中提到隱私保護是邊緣 AI 的核心優勢之一：資料不離開裝置，就不存在傳輸過程中的洩漏風險。台灣在健保資料的運用上長期面臨隱私爭議，2022 年憲法法庭判決健保資料庫的個資保護機制不足。如果醫療 AI 能在醫院的本地設備上運行，不需要把病患資料上傳到雲端，很多隱私問題從架構層就被消解了。這不是萬靈丹，但它改變了討論的基礎。
最優雅的技術，最困難的現實
羅斯這篇文章是整個《數位主義者文集》裡技術含量最高的一篇，也是最樂觀的一篇。用 19 個神經元開自駕車，太陽能農業感測器離線跑 AI，AR 眼鏡不需要雲端就能為視障者導航。每一個願景都很美。
但我必須指出她迴避的問題。液態神經網路在特定任務上表現優異，特別是感知和控制類的任務。自駕車、機器人操作、感測器分析，這些都是邊緣 AI 的甜蜜點。然而，當前推動 AI 革命的主力是大型語言模型和多模態模型，這些模型的能力來自於巨大的參數量和海量訓練資料。你可以用 19 個神經元開車，但你不能用 19 個神經元寫出一篇法律意見書或回答一個複雜的醫學問題。邊緣 AI 和雲端 AI 更可能是互補而非替代的關係，而羅斯的論述在這個區分上刻意模糊。
更根本的是時間問題。她描繪的願景需要全新的晶片設計、全新的模型架構、全新的應用生態系。這些東西不會在一兩年內到位。而雲端 AI 的集中化每天都在加速。到邊緣 AI 成熟到可以跟雲端分庭抗禮的時候，集中化的格局可能已經固化到難以撼動。
不過，不完美的處方仍然比沒有處方好。這個系列裡有人診斷問題、有人設計制度、有人呼籲合作。羅斯是少數從物理層提出解方的人。她讓我們看見一件經常被忽略的事：AI 的權力結構不只是政策問題，首先是基礎設施問題。要改變誰擁有 AI 的答案，得先改變 AI 跑在哪裡。
📚 「數位主義者文集」導讀系列