Nature 評論：科學家應帶頭擺脫 AI 超大型資料中心

一篇發表於學術期刊的評論主張，科學界應主動帶頭推動 AI 運算模式的轉變——採用公開可得的 AI 模型與本地基礎設施，取代對超大型商業資料中心的依賴。這樣做既能降低 AI 的環境足跡，也讓研究人員對所使用的工具握有更大的控制權。

環境面的論據相當直接。超大型 AI 資料中心的能源與水資源消耗規模已引發廣泛關注，近期更出現大型業者自建化石燃料電廠以支撐算力需求的案例。學術研究的運算需求雖然遠小於商業推論服務，但當全球數以萬計的研究團隊都把工作負載送往同一批雲端設施，累積起來的環境成本並非微不足道。

控制權的論據則觸及科學方法的根本要求。研究的可重現性建立在方法可被完整描述與重複執行的前提上；當研究依賴閉源的商業模型，這個前提便被削弱——模型可能在未告知的情況下更新，導致同樣的輸入在不同時間產生不同結果；服務可能被終止，使既有研究無法被驗證；模型的訓練資料與行為特性不透明，也讓結果的偏誤來源難以分析。使用可下載、可封存、版本明確的公開模型，能大幅改善這些問題。

技術上的可行性近年明顯提升。公開權重模型的能力與封閉模型的差距持續收斂，而模型量化與推論最佳化技術的進展，讓相當規模的模型能在單一工作站或小型叢集上運行。對多數科學應用而言——文獻分析、資料標註、程式碼輔助、特定領域的預測任務——本地部署的中型模型往往已經足夠，並不需要頂尖的前沿模型。

不過，這條路徑也有實際障礙。本地基礎設施需要前期硬體投資與持續的維運人力，這對經費有限的研究團隊構成門檻；模型的部署、更新與最佳化需要專門技能，而多數研究團隊並不具備；此外，某些前沿研究確實需要最先進模型的能力，本地方案無法替代。

較務實的方向可能是分層策略：日常且重複性高的工作負載使用本地模型，需要最強能力的特定任務才使用商業服務。這既能大幅降低總體資源消耗，又不至於犧牲研究的能力上限。機構層級的共享運算資源，則能分攤個別團隊難以承擔的建置成本。

後續觀察重點包括：學術機構在本地 AI 基礎設施上的投資動向、期刊對 AI 使用揭露與可重現性的要求變化，以及公開權重模型在科學應用中的實際採用比例。