AI 热潮主要由两种语言推动：英语和普通话。领先的 AI 开发者——OpenAI、Anthropic、DeepSeek、Moonshot AI、Z.ai 等——几乎都位于美国或中国大陆，因此他们的模型在各自母语中表现最佳。这让无数其他语言和方言，即便是拥有数千万使用者的语言，也被边缘化。

“整个 AI 革命都在英语和普通话里，”总部位于香港、致力于为粤语及其他被忽视语言打造 AI 模型的 Votee AI 首席执行官包信廷说。“只有很小一部分代表着其他语言。”

Votee 是越来越多试图解决 AI 忽视其他语言问题的公司之一。它从 Meta 和 Alibaba 等开发者那里获取开放权重模型，在粤语数据上继续训练，然后将成果出售给银行、大学和政府部门。

“这不仅仅是文化问题。粤语用于教育、医疗和警务通信，”包信廷说。“如果这些场景没有被覆盖，那么 AI 基本毫无用处。”

粤语为何不同

粤语常被称为中文的一种“方言”，但这一说法低估了它与普通话之间的差异。普通话是汉语中使用最广泛的版本。粤语的语法与普通话不同，词汇也不同，尤其是在香港，使用者常常在英语和粤语词汇之间切换，有时甚至出现在同一句话里。

超过 80 million 人讲粤语，人数大致与韩语使用者相当，比意大利语或泰语使用者还多。然而，这样庞大的使用群体并没有带来同样深厚的标准化书面数据，尤其是口语化粤语的数据。这也解释了为什么通用模型在处理基础提示时看似合格，却仍然缺少本地使用所需的细微语境。

领先模型并非完全无法处理粤语。由九州大学、香港教育大学以及本地 AI 社群 hon9kon9ize 的研究人员开发、并由 Votee 资助的基准测试 HKCanto-Eval 显示，主流模型虽然能够在一定水平上处理日常粤语，但在文化和本地知识方面经常失手。

低成本训练

包信廷表示，构建粤语 LLM“基本上就是像从零开始训练模型一样的步骤”——先使用现有的开源模型，例如 Meta 的 Llama 或 Alibaba 的 Qwen，然后用粤语数据进行额外训练。

Votee 的粤语数据来自网络抓取，包括香港电台 Radio Television Hong Kong (RTHK) 的内容，香港电台是该市的公共广播机构。初创公司还从社区和大学获取数据，利用其此前作为大数据公司的业务内容，此外还使用合成数据——自行创建粤语数据集来训练模型。

这些努力合起来，将粤语数据语料从 1 亿个 tokens 扩大到 5 亿多个。

Votee AI 的模型规模约为 700 亿参数，明显小于市场上最强的模型。即便如此，包信廷表示，这些模型已经足以理解并用粤语进行推理。更重要的是，虽然训练成本并不低，但仍显著低于前沿实验室。包信廷估计，公司训练模型所用的 tokens 在 5 亿到 10 亿之间，而英语模型则使用数万亿个 tokens，成本大约为 25 万美元。

主权 AI

已有多家公司在开发所谓“低资源语言”的模型，即那些缺乏大量已发表语料支撑的语言。印尼第二大电信公司 Indosat 正在建设 Sahabat AI，这是一款聚焦 Bahasa 等印尼语言的开源大语言模型。新加坡国有背景的 AI Singapore 运营 SEA-LION，覆盖 11 种资源不足的东南亚语言。韩国则更进一步，举办了一场由政府支持的淘汰赛——当地媒体称之为“AI Squid Game”——以选出本土基础模型的国家冠军，并由 2026 年约 68 亿美元的 AI 预算提供支持。

这一切都归于“主权 AI”的旗帜之下，也就是政府和公司希望拥有自己的数据、模型和基础设施，而不是向海外租用。

“AI 已经变成一种必需品，所以你不想被别人绑住，因为别人可以把它关掉，”包信廷说。他也坦言，主权 AI 的完整版本——即国家拥有 AI 供应链的每一个环节——“非常困难”。相较之下，他建议各国把重点放在拥有基础模型以及其上构建的应用。

政府通常不需要像前沿模型那样强大的模型来自动化少量任务；包信廷解释说，即使只有 10 亿参数的小模型，也足以满足这些用途。如果政府需要更高级的能力，可以把强大的英语或中文模型输出转接到较小的本地语言输出上。

包信廷指出，公司与 MiniMax 和 SenseTime 的模型合作，运营中也可以使用 Nvidia 芯片。“我们可以用 Nvidia 芯片，我们可以用 Moonshot 或 DeepSeek 的模型，”他说。“我们就像高中里那个跟所有人都能做朋友的人。”

尽管包信廷不断谈到保护语言，Votee 仍是一家营利性公司。政府和企业是像粤语或 Bahasa 这样的语言 AI 模型的首批客户。他表示，Votee 是有利润的，“意思是我们的收入高于成本”，公司主要由客户合同提供资金支持。这家初创公司现在还拥有一位顾问：香港地产及夜生活圈名人、曾推动兰桂坊发展的商人 Allan Zeman。

Votee 的雄心并不局限于香港。包信廷说，公司正在与新加坡的 AI 研究机构 AI Singapore 进行“积极讨论”，并计划进一步扩展到东南亚。除此之外，他还希望探索利用 AI 保护东亚、北美和非洲等地区的濒危语言。

包信廷把英语 AI 对其他语言造成的影响称为“打字机时刻”，即生产力提升幅度大到人们会为了效率而放弃自己的语言。“人们会选择英语，只因为打字机带来的生产力相对于自己的语言太强了，”他说。

一款 700 亿参数的粤语模型是否会改变这一局面，还有待观察。但包信廷仍然受到推动，希望在一个被英语和普通话 AI 主导的世界里，让其他语言争取到一线机会。

“每消失一种语言，你就失去了一种看待世界的方式，”他说。“那种东西也许只能被保存在博物馆里，让你大概看见它。但我们也可以解锁很多新的智慧。”

包信廷将于 9 月 8 日在澳门举行的 Fortune Leaders Forum 上发言。点击此处了解更多！

本文最初发表于 Fortune.com