6000万英镑押注开源AI，英国打响算力独立战

英国政府今天（6月23日）宣布拨款6000万英镑（约合5.39亿元人民币），在牛津大学和伦敦大学学院（UCL）建立两座AI实验室。核心目标很明确：开发低硬件需求的开源AI模型，减少对美国大型科技公司的依赖。

这笔钱不算多。放在整个AI军备竞赛的大盘子里，6000万英镑大概只够训练一个中等规模的基础模型。但英国政府押注的不是「更大」，而是「更高效」——用更少的算力跑出够用的模型，这条路线如果走通，意义不止于省钱。

一、英国的算盘：不跟美国比算力，比效率

先看这次实验室要做什么。

根据官方说法，牛津和UCL将联合攻关三件事：

• AI基础数学理论：从底层逻辑上重新审视模型架构
• 改进模型架构：探索Transformer之外的可能性
• 开发低算力AI系统：让模型在普通硬件上也能跑起来

英国AI事务部长Kanishka Narayan的表态很直接：「新实验室将让AI变得更便宜、更容易部署、更实用，让更多企业和公共服务都能接入AI。」

翻译一下：英国不想在算力上和美国硬碰硬。

这是务实的选择。目前全球AI算力资源高度集中在美国科技巨头手里。OpenAI、Google、Meta、Anthropic——这些公司动辄几十万张GPU的集群，训练成本以亿美元计。英国就算举全国之力，也很难在这个维度上竞争。

但换个角度看，当前主流大模型的「暴力美学」未必是唯一出路。

过去两年，行业里已经出现一些信号：

1. Mistral的崛起：这家法国公司用相对较小的团队和算力，训练出性能不输GPT-3.5的开源模型，证明了「小而精」的可行性
2. 量化和蒸馏技术的成熟：把大模型压缩到手机上跑已经不是新闻，4-bit量化后的70B模型在消费级显卡上也能推理
3. MoE架构的普及：混合专家模型让「参数多但激活少」成为可能，DeepSeek就是典型案例

英国押注的，正是这条「效率优先」的技术路线。

二、更大的棋局：20亿英镑的主权算力计划

6000万英镑只是冰山一角。

如果把视野拉宽，英国政府在AI基础设施上的布局相当激进。今年以来，一系列动作密集落地：

1. 11亿英镑《AI硬件计划》

英国今年发布的《AI硬件计划》涵盖几个核心方向：

• 7.5亿英镑：建设新一代国家AI超级计算机，预计2030年前部署
• 1.2亿英镑：AI硬件创新计划，支持本土芯片和硬件生态
• 至少2000万英镑：推理实验室扩展项目

2. 2.5亿英镑免费算力计划

政府向英国研究人员和初创企业提供2.5亿英镑的算力资源，专门用于训练新AI模型。这对资源有限的学术团队来说是实打实的支持。

3. Stargate UK项目

OpenAI、NVIDIA和Nscale三方合作，在英国本土建设主权算力基础设施。2026年第一季度先投入最多8000颗GPU，未来可能扩展到31000颗。

Sam Altman对此的评价是：「英国一向是AI领域的先驱，如今更拥有世界顶尖的研究人才。」

4. 美国科技公司310亿英镑承诺

今年签署的《英美科技繁荣协议》中，微软、英伟达、谷歌、OpenAI、CoreWeave等美国公司承诺投资310亿英镑，用于提升英国AI基础设施。

把这些数字加在一起，你会发现英国的AI战略是「两条腿走路」：

• 一边引进：通过政策优惠吸引美国科技巨头在本土建设算力基础设施
• 一边自研：投资开源和高效模型研发，培养本土技术能力

今天宣布的6000万英镑实验室，属于后者。

三、开源 vs 闭源：一场关于AI未来的路线之争

英国这次明确站队「开源」，背后是一场更大的行业博弈。

当前AI行业有两条主流路线：

| 维度 | 闭源路线（美国主流） | 开源路线（英国押注） | |------|---------------------|---------------------| | 代表 | OpenAI、Anthropic、Google | Meta Llama、Mistral、本土研究机构 | | 算力需求 | 极高，训练成本数亿美元 | 相对可控，强调效率优化 | | 商业模式 | API服务，按调用收费 | 模型开放，生态变现 | | 安全策略 | 内部控制，有限开放 | 社区审计，透明迭代 | | 部署方式 | 云端为主 | 本地部署友好 |

闭源路线的优势在于集中资源冲击能力边界，GPT-4、Claude 3.5这些顶级模型都是这个思路的产物。但问题也很明显：

依赖性太强。

对于英国这样的国家来说，如果核心AI能力全部依赖美国公司的API，那在地缘政治博弈中就非常被动。今天能用，明天可能就因为某个政策变化而受限。

开源路线的吸引力在于「可控」。模型权重在手，想怎么用就怎么用，想部署在哪就部署在哪。对于政府部门、金融机构、医疗系统这些对数据主权敏感的场景，本地部署几乎是刚需。

但开源也有软肋：能力天花板。

目前最强的开源模型（如Llama 3.1 405B）和顶级闭源模型之间仍有差距，尤其在复杂推理、长上下文处理等任务上。英国实验室的挑战在于：能不能在有限算力下，把这个差距缩小到「够用」的程度？

四、低算力AI的技术路径：英国在赌什么？

「低算力需求的AI系统」听起来像是一句口号，但背后有具体的技术方向。

从公开信息推测，英国实验室可能会在以下几个方向发力：

1. 架构创新：Transformer不是唯一答案

过去几年，Transformer架构一统江湖。但它的计算复杂度是O(n²)，序列越长越吃资源。

一些新架构正在挑战这个格局：

• Mamba/S4：状态空间模型，线性复杂度，长序列处理效率极高
• RWKV：结合RNN和Transformer优点，推理成本大幅降低
• Hyena：基于卷积的长序列处理方案

英国实验室强调「改进模型架构」，很可能会在这些方向上深入探索。

2. 稀疏化与混合专家（MoE）

MoE的核心思想是：参数很多，但每次只激活一小部分。DeepSeek-V2就是典型案例——参数量超过200B，但单次推理只激活21B左右。

这个方向的潜力很大。理论上，模型可以做得很大（知识容量高），但推理成本保持可控。

3. 知识蒸馏与模型压缩

把大模型的「知识」转移到小模型上，这条路已经走了很多年。最新的进展包括：

• 更精细的蒸馏策略（不只蒸馏输出，还蒸馏中间层表示）
• 结合量化的联合优化
• 针对特定任务的专精蒸馏

4. 训练效率优化

不只是让模型跑得更快，还要让训练过程本身更高效。这包括：

• 更好的数据筛选和课程学习策略
• 更高效的优化算法
• 分布式训练的通信优化

英国实验室强调「AI基础数学理论」，可能会在优化理论层面做一些原创性工作。

五、人才布局：200万英镑培养博士，10名研究员只是起点

技术路线之外，人才同样关键。

这次拨款还包括200万英镑（约1800万人民币）专门用于培养博士生，并招聘至少10名研究人员。

10个人，放在大厂的AI团队里几乎可以忽略不计。OpenAI有上千名研究员，Google DeepMind更多。

但学术研究的逻辑不一样。一个顶级研究者带几个博士生，如果方向对了，产出的影响力可能超过几百人的工程团队。Transformer论文的作者团队就那么几个人，却重新定义了整个行业。

更重要的是，这200万英镑是「种子」。

英国政府显然希望通过这个项目吸引更多人才进入AI研究领域。牛津和UCL本身就是顶级学府，加上政府背书和资金支持，对年轻研究者有相当的吸引力。

从更大的人才战略看，OpenAI Academy也计划进入英国，目标是在2030年前培训750万人掌握AI技能。从顶尖研究者到普通从业者，英国在各个层次上都在布局。

六、现实挑战：6000万英镑够干什么？

说了这么多利好，也得面对现实。

6000万英镑，真的不多。

做个对比：

• OpenAI训练GPT-4的成本估计超过1亿美元
• Anthropic的Claude 3系列，训练成本也在相似量级
• 就连相对「节俭」的Mistral，几轮融资加起来也超过10亿美元

6000万英镑（约7600万美元）要建两个实验室、招人、买设备、做研究，分摊下来每个方向能用的钱很有限。

这意味着英国实验室必须非常聚焦，不能什么都做。大概率会选择几个高杠杆的研究方向，争取「四两拨千斤」。

另一个挑战是产业转化。

学术研究和工业落地之间有巨大的鸿沟。一篇顶会论文到一个可用的产品，中间需要大量的工程投入。英国有没有足够的AI创业生态来承接这些研究成果？

目前看，英国的AI创业公司和美国、中国相比还有差距。政府今年向六家初创企业分配了算力资源和资金，覆盖生物基础模型、世界仿真等领域，但整体规模仍然有限。

七、全球视角：各国的AI主权焦虑

英国不是唯一有「AI主权焦虑」的国家。

过去一年，全球范围内出现了一波「主权AI」热潮：

• 法国：Mistral崛起，政府大力支持本土AI公司
• 德国：投资建设本土算力基础设施
• 日本：推出AI战略，强调数据主权和本土模型开发
• 中东：阿联酋的Falcon系列、沙特的投资布局
• 中国：从芯片到模型的全链条自主可控

每个国家的焦虑点不太一样，但核心问题是共通的：AI能力正在成为国家竞争力的关键变量，过度依赖外部供应商意味着风险。

英国选择「开源+高效」的路线，某种程度上是在探索一条中等规模国家的AI自主之路。如果成功，可能会成为其他国家的参考样本。

八、对开发者意味着什么？

回到实际层面，英国这波操作对开发者有什么影响？

短期内，影响有限。

学术研究出成果需要时间，从论文到可用的开源模型还需要更多时间。短期内，开发者还是会继续用现有的模型——无论是OpenAI的GPT系列、Anthropic的Claude，还是开源的Llama、Qwen、DeepSeek。

中长期，值得关注几个方向：

1. 高效架构的论文：如果英国实验室在Mamba类架构或MoE优化上有突破，可能会影响下一代开源模型的设计

2. 低算力部署方案：对于想在本地跑模型的开发者来说，任何能降低硬件门槛的技术都是好消息

3. 开源生态的多元化：目前开源模型主要由美国（Meta的Llama）和中国（阿里的Qwen、DeepSeek等）主导，欧洲力量的加入会让生态更健康

对于关注AI模型动态的开发者，建议保持对英国学术圈的关注。牛津和UCL都是AI研究重镇，他们的论文和开源项目值得追踪。

九、结语：一场值得下注的实验

6000万英镑，两所顶级大学，一个「低算力开源AI」的愿景。

这是一场赌注不算大但方向很有意思的实验。

英国政府显然意识到，在算力军备竞赛中和美国硬拼不是明智选择。与其追求「更大的模型」，不如探索「更聪明的方法」。这个思路本身就值得肯定。

当然，从研究到落地还有很长的路要走。6000万英镑能产出什么成果，两三年后才能见分晓。

但至少，这是一个正确的问题：AI的未来，是不是一定要靠烧算力？

如果答案是「不一定」，那英国今天播下的种子，可能会在未来结出意想不到的果实。

---

参考来源

• IT之家：以开源模型挑战美国霸主地位，英国政府斥资6000万英镑建AI实验室 - 本文主要信息来源，报道英国政府6000万英镑AI实验室拨款详情