Current AI要造AI版万维网

Current AI 正把开放 AI 从“模型”推进到“网络”

非营利组织 Current AI 正在推进一项被称为“AI 版万维网”的开放智能网络计划，目标是让 AI 能力跨越聊天界面、手机、电脑及更多终端，并以公共数字基础设施的方式向不同地区和文化群体开放。据 TechCrunch 7 月 19 日报道，这家机构已经在跨设备交互、AI 对话等方向取得阶段性进展，但尚未公布完整协议、性能指标及大规模上线时间表。

“AI 版万维网”是一套让模型、智能体、数据、工具和终端能够通过开放规则发现彼此、交换信息并协同完成任务的网络。它不是再做一个聊天机器人，也不只是发布一个开源大模型，而是试图回答更底层的问题：当 AI 从网页里的输入框变成手机、电脑、汽车和可穿戴设备上的执行者，谁来提供类似 HTTP、URL 和浏览器那样的公共连接层？

Current AI 的判断是，下一代 AI 入口不应该完全由少数模型公司和终端平台控制。今天的大模型虽然能够阅读公开网页，却越来越多地运行在封闭产品内部：用户的历史记录、个性化上下文、工具权限和智能体工作流很难迁移，开发者也经常需要针对不同平台重复适配。

这一计划最值得关注的地方，不是“免费 AI”这个容易传播的标签，而是它试图建立 AI 时代的公共层。万维网真正改变信息产业，并不是因为某个网站能力最强，而是因为任何人都可以按照相同规则发布页面、建立链接和使用浏览器；Current AI 想复制的正是这种结构性开放，而不是复制网页本身。

“免费给所有人”不等于无限算力免费

Current AI 是一家以公共利益、文化包容和开放 AI 基础设施为核心目标的非营利组织。该机构在 2025 年巴黎人工智能行动峰会期间启动，首期资金承诺约为 4 亿美元，并提出在五年内筹集约 25 亿美元的目标，用于支持公共数据、开放模型、评测、安全工具和基础设施建设。

“免费给所有人”更准确的含义是公共技术成果应当具备广泛可访问性，而不是承诺每个人都能无限量使用昂贵的 GPU。模型权重、协议规范、基础软件和公共数据可以开放，但推理仍然消耗芯片、电力、带宽和运维资源；如果不解决成本分摊问题，再理想的公共网络也可能退化成一个由捐助者补贴的演示项目。

Current AI 的非营利身份能够减轻短期商业回报压力，却不能自动解决可持续运营问题。互联网的公共协议可以免费使用，是因为网络接入、服务器和内容生产分别存在成熟的付费主体；AI 网络则多了一笔持续且昂贵的推理费用，每次搜索、规划和调用工具都在消耗计算资源。

这意味着 Current AI 最终需要同时建立三层经济结构：开放协议由公共资金和生态共同维护，基础推理由政府、研究机构或商业云提供，面向个人和组织的高频服务则采用配额、订阅或机构采购。若所有成本都压在基金会自身，它很难达到“万维网”所要求的全球规模。

它与 ChatGPT、MCP 和普通开源模型不是一回事

开放智能网络与闭源 AI 助手的核心差别在于控制权。ChatGPT、Claude 和 Gemini 等产品提供了完成度较高的模型、工具与多模态体验，但用户身份、记忆、插件生态和使用规则主要由单一厂商管理；Current AI 想做的则是让不同模型和终端在公共规则下互操作。

模型上下文协议（Model Context Protocol，MCP）是一套让 AI 应用以统一方式连接外部数据和工具的开放协议。MCP 解决的是“模型怎样调用文件、数据库或业务系统”，它是 AI 网络的重要拼图，但并不天然覆盖跨设备身份、智能体发现、权限委托、文化治理和公共算力等问题。

Agent2Agent（A2A）是一类用于智能体之间发现能力、交换任务和报告执行结果的开放协议。A2A 更接近“智能体如何互相工作”，但一个真正的 AI 万维网还需要回答谁可以代表用户、授权能够持续多久、数据能否跨境以及任务失败后由谁负责。

开源大模型则提供可以检查、部署或继续训练的模型资产。模型开放可以降低单个智能能力的门槛，却不会自动形成网络，就像开放一个浏览器内核并不等于建成互联网。

| 对比维度 | Current AI 开放智能网络愿景 | 闭源 AI 助手 | MCP | A2A | 单一开源模型 | |---|---|---|---|---|---| | 核心对象 | 模型、智能体、终端、公共数据与治理 | 厂商自有模型和应用 | AI 应用与工具、数据源 | 智能体与智能体 | 模型权重与推理能力 | | 主要目标 | 建立跨终端公共智能层 | 提供一体化用户体验 | 统一工具连接方式 | 统一任务协作方式 | 降低模型部署门槛 | | 控制方式 | 计划采用开放、公共利益导向的治理 | 单一公司主导 | 开放协议生态 | 开放协议生态 | 取决于许可证和维护者 | | 用户上下文迁移 | 属于核心诉求 | 通常受平台限制 | 可连接上下文，但不负责完整身份迁移 | 可传递任务信息 | 通常不包含用户状态 | | 跨设备能力 | 计划覆盖多类终端 | 依赖厂商应用与操作系统 | 可作为连接组件 | 可作为协作组件 | 需要额外开发 | | 当前成熟度 | 愿景明确，完整规范和规模数据待公布 | 已大规模商用 | 已进入广泛集成阶段 | 正在快速形成生态 | 部署工具链相对成熟 | | 主要风险 | 资金、标准碎片化、治理复杂度 | 平台锁定、数据集中 | 权限配置和恶意工具 | 身份冒用和任务责任 | 安全维护与许可证限制 |

Current AI 不应该再发明一套与现有生态不兼容的“万能协议”。更现实的路线是复用 MCP、A2A、OAuth、WebAuthn 和现有 Web 标准，在这些组件之上补齐公共身份、能力目录、隐私许可、文化评测及跨终端状态同步。

跨终端真正难的是权限，而不是聊天窗口

跨终端智能网络的技术难点首先是连续身份。用户可能在电脑上让 AI 整理文档，出门后用手机确认行程，再通过耳机接收提醒；三个终端需要知道这是同一个任务，却不应该默认复制所有私人数据。

权限委托是指用户允许智能体在特定范围、时间和条件下代表自己执行操作。传统网页授权通常是“允许应用读取某项数据”，智能体时代的授权则可能是“在预算不超过 500 元且不改变日期的情况下调整车票”，权限从静态的数据访问变成了带条件的行动委托。

这种变化会把安全问题从“AI 是否说错话”升级为“AI 是否做错事”。一旦开放网络允许智能体购买商品、发送邮件、操作文件或与其他智能体协商，系统必须留下可验证的授权记录、执行日志、撤销机制和责任边界，否则开放程度越高，攻击面越大。

提示注入仍然是开放智能网络最现实的威胁之一。恶意网页、文件或工具返回结果可能夹带隐藏指令，诱导智能体泄露数据或调用高权限功能；当任务跨越多个智能体时，一段恶意内容还可能沿协作链传播，形成类似供应链攻击的效果。

Current AI 因此需要提供的不只是连接规范，还应包括默认最小权限、任务沙箱、来源标记、内容签名和分级确认机制。读取天气可以自动完成，删除文件或付款则应触发更强的人类确认，这类风险分层必须成为网络协议的一部分，而不能全部交给应用自行决定。

“不让任何文化掉队”比多语言翻译更难

文化包容是指 AI 在语言、知识表达、社会规范和价值判断上能够服务不同社区，而不是只把英语答案翻译成其他语言。Current AI 将“不让任何文化掉队”作为组织定位，实际上点中了当前模型竞争中最容易被商业跑分遮蔽的问题。

低资源语言的瓶颈并不只是训练文本少。很多地方性知识存在于口述记录、纸质材料、公共档案或社区内部，既缺少数字化，也没有清晰的授权机制；直接抓取数据可能侵犯社区权益，不抓取又会让这些文化在模型中持续缺席。

公共数据集也不应被理解为“把所有内容都开放下载”。医疗、教育、公共服务和文化档案需要分级访问、用途限制和可撤回授权，部分数据只能在可信环境中计算，而不能离开原始机构。

Current AI 如果能建立由当地社区参与的数据治理和模型评测机制，其价值可能高于再训练一个通用聊天模型。全球模型公司通常按照市场规模配置数据和算力，非营利机构则可以支持商业回报较低、但公共价值较高的语言、地区与人群。

这项计划现在还缺三张成绩单

Current AI 目前最缺的是可验证的技术成绩单。TechCrunch 的最新报道展示了该机构在设备和 AI 对话方向的推进，但截至 2026 年 7 月 19 日，公开信息仍不足以判断其网络能否承载大规模用户、能否兼容主流智能体框架，以及端到端任务的延迟和成本处于什么水平。

第一张成绩单是互操作性。Current AI 需要证明一个用户可以更换模型、设备或服务商，同时保留经过授权的身份、偏好和任务状态，而不是只在自有演示环境里完成跨屏对话。

第二张成绩单是治理透明度。开放网络必须公开谁制定标准、谁有投票权、企业资助者能否影响路线，以及社区如何对数据使用、模型偏见和安全事故提出申诉。

第三张成绩单是单位经济性。项目需要公布典型任务的推理成本、延迟、能耗和补贴比例；如果一次跨智能体任务需要调用多个大型模型，即使软件免费，实际使用成本也可能比单一助手更高。

| 待验证指标 | 应公布的具体数据 | 为什么重要 | |---|---|---| | 跨设备任务成功率 | 同一任务在手机、电脑及其他终端间连续完成的比例 | 判断跨终端能力是否超过普通账号同步 | | 协议兼容范围 | 支持的模型、MCP 服务、A2A 智能体和操作系统数量 | 判断生态是否开放，而非封闭联盟 | | 端到端延迟 | 从用户发出任务到执行完成的中位数及 P95 延迟 | 多智能体链路容易把等待时间成倍放大 | | 单任务成本 | 不同模型和工具组合下的平均推理与基础设施成本 | 决定免费或低价服务能否长期持续 | | 低资源语言覆盖 | 支持语言数量、原生评测集及社区参与比例 | 判断文化包容是否停留在口号 | | 安全事件率 | 越权调用、提示注入和任务误执行的发生比例 | 衡量开放连接带来的真实风险 |

没有这些数字，“AI 版万维网”暂时仍是一项值得支持的方向，而不是已经被证明的基础设施。Current AI 当前最大的优势是组织目标与商业平台不同，最大的劣势则是它必须同时协调政府、企业、研究机构和文化社区，执行难度远高于发布一款模型。

开放 AI 的下一场竞争是规则，而不是参数

Current AI 的出现说明 AI 行业的竞争焦点正在从模型参数转向连接规则。基础模型能力逐渐商品化以后，真正决定用户选择权的将是身份能否迁移、工具能否互通、数据能否自主授权，以及智能体能否在不同终端连续工作。

这项计划对开发者的直接价值，是减少为每个模型、系统和设备重复建设连接层。若开放智能网络能够形成稳定标准，开发者可以像发布网站一样发布智能体能力，由不同助手发现和调用，而不必分别进入每家平台的封闭应用商店。

这项计划对大型 AI 厂商则是一种约束。开放标准会降低平台锁定能力，但也能扩大整个智能体市场；厂商可以继续通过模型质量、延迟和可靠性收费，却更难依靠封闭的用户记忆和工具生态阻止迁移。

Current AI 值得肯定，但现在还不到宣布“AI 万维网已经建成”的时候。万维网之所以成功，是因为协议简单、实现分散、治理相对中立且部署成本足够低；Current AI 若想复制这种成功，必须克制建立超级平台的冲动，把自己的角色限定为公共标准、基础组件和治理机制的提供者。

开放网络最终不会由一家非营利组织单独造出来。Current AI 真正的成败标准，是未来人们是否还需要频繁讨论它：如果协议被不同公司、政府、社区和个人自然采用，它就可能成为 AI 基础设施；如果所有能力都只能通过 Current AI 自己的入口访问，它最终只会成为另一个规模较小的平台。

参考来源

• Model Context Protocol 官方 GitHub 仓库：用于核对 MCP 的定位、规范结构与开放协议进展。
• A2A Protocol 官方 GitHub 仓库：用于了解智能体之间的能力发现、任务交换和互操作机制。

事件信息依据 TechCrunch 于 2026 年 7 月 19 日发布的 Current AI 专访报道整理；受链接域名展示规则限制，本文未附其站外链接。