92%訓練數據是英語，大模型把40億人擋在門外

一個泰國農民詢問作物補貼政策，一個尼日利亞母親用約魯巴語搜索疫苗接種時間表，一個巴西公民用葡萄牙語填寫稅務表格——他們面對的AI，運行能力只有英文用戶的零頭。不是智力不夠，是模型根本沒學過他們的語言。

這是當前AI行業最隱蔽的裂縫：超過92%的訓練數據是英語，全球約7000種語言中，主流大模型真正支持的只有50種左右。這里說的"支持"，僅僅是"能給出回答"，不涉及準確度。剩下的語言，要么被低質量的機器翻譯英語內容粗糙覆蓋，要么完全缺席。

行業忙著慶祝"人類水平"的基準測試成績，但這些基準測試 overwhelmingly 是英語的。對世界上大多數人來說，AI革命還沒真正抵達——它卡在海關，等著一個翻譯。

巴別塔的當代回聲

大約4000年前，巴比倫是地球上最國際化的城市。位于現代伊拉克境內，地處古代貿易路線的十字路口，阿卡德語、蘇美爾語、阿拉姆語、埃蘭語等數十種語言在此日常碰撞。商人、學者、外交官從美索不達米亞各地匯聚于此，這座城市之所以繁榮，正是因為它找到了跨越語言的橋梁——通過抄寫員、翻譯官，以及世界上第一批多語種圖書館。

《圣經》中巴別塔的故事背景就設在巴比倫，但講法不同：上帝將人類分散到世界各地，混淆他們的語言，使他們無法再相互理解。這是一個關于溝通斷裂的故事——共享的工程因語言不通而變得不可能。

我們正生活在一個奇怪的回聲里。人類建造了史上最強大的推理機器，能寫詩、證明定理、生成可運行的代碼。但這些機器用英語思考。當世界其他地方試圖與它們對話時，塔就崩塌了。不是智力不存在，而是語言屏障在信號抵達模型的推理核心之前，就已經將其腐蝕。

用英語問前沿大模型任何問題，你會得到 polished、準確、推理嚴密的回答。用泰語問同樣的問題，結果往往像用漏勺喝湯——信息還在，但精華流走了。

數據荒漠里的語言

大模型的能力邊界由訓練數據劃定。英語在互聯網上占據絕對優勢：維基百科60%以上內容、學術論文90%以上、高質量書籍和代碼庫的主流語言。這種優勢被直接繼承到模型權重里。

低資源語言的困境是雙重的。首先是數據量——斯瓦希里語、孟加拉語、泰盧固語等數億人使用的語言，數字化文本可能只有英語的幾千分之一。其次是數據質量——大量所謂"多語言"內容，實為英語材料的機器翻譯，帶著翻譯腔和事實錯誤進入訓練集。

一個模型在英語上學會的邏輯推理、事實核查、語境理解，在低資源語言上無法自動遷移。語言不只是詞匯替換，是整套思維方式的載體。當模型用"英語思維"處理泰語輸入，它其實在做一個損耗極大的轉碼游戲。

更隱蔽的傷害在于反饋循環。AI生成的低質量多語言內容又回流互聯網，成為下一代模型的訓練數據。劣幣驅逐良幣，數據荒漠逐漸擴大。

被折疊的用戶體驗

產品層面，這種不平等被界面設計巧妙掩蓋。聊天機器人的輸入框看起來對所有人平等開放，但背后的服務質量天差地別。

英文用戶享受的是原生體驗：復雜指令理解、多輪對話連貫、專業術語準確、文化語境恰當。非英語用戶得到的是降級版本：簡單查詢尚可應付，一旦涉及專業領域、微妙表達或本地知識，模型就開始"幻覺"——用自信的語氣編造答案。

這種降級對高教育程度、能切換英語的用戶影響有限。但對真正的全球多數——那些只會本地語言、依賴AI獲取關鍵信息的人——這是結構性排斥。他們被要求用第二甚至第三語言與機器交互，或者接受質量打折的服務。

技術民主化的承諾，在語言門檻前出現了分叉。

修補與重建

行業并非毫無作為。多語言預訓練、跨語言遷移學習、特定語言微調——這些技術方向都在推進。一些開源項目專注收集低資源語言的本土語料，繞過英語中心的中介。

但商業激勵結構是擰巴的。訓練數據的獲取成本、計算資源的分配、產品優先級的排序，都向高回報市場傾斜。英語用戶付費意愿強、數據反饋豐富、品牌效應顯著。邊緣語言社區的投入產出比，在 spreadsheet 上很難好看。

更深層的張力在于：大模型的"通用智能"敘事，與語言特定性的現實之間的矛盾。我們傾向于認為推理能力是抽象的、可遷移的，但證據表明，語言深度嵌入認知過程。一個從未真正"浸泡"在某語言中的模型，對該語言使用者的思維方式始終是陌生的。

巴比倫的抄寫員花了數千年積累多語言知識。我們似乎期待大模型用幾十年走完這條路，卻忘了它們的學習材料本身就不平衡。

下一次當你用中文向AI提問，得到看似流暢的回答時，可以多想一層：這個回答的"母語"是什么？它理解你的問題，還是僅僅在模擬理解？如果答案關乎你的健康、財務或法律權利，這種模擬的代價是什么？