新加坡的AI马六甲海峡在哪里？

本文是 新加坡 AI 观察的核心观点，代表我们观察新加坡 AI 生态的核心视角。我们会持续修正这个判断。

一个诱人的类比

新加坡不产一滴石油，却是全球第三大炼油中心。裕廊岛上的炼油厂群每天加工超过 130 万桶原油，壳牌和埃克森美孚在这里深耕了半个世纪。全球主要大宗商品交易商——Vitol、Trafigura、Glencore——把亚太总部设在这里。普氏（Platts）亚洲石油定价基准在这里生成。

这个能源枢纽的崛起路径清晰可循：地理位置 → 炼油产能 → 交易定价 → 生态系统 → 面向未来的转型。马六甲海峡提供了物理起点，但真正让新加坡不可替代的，是几十年叠加的产能、效率和制度密度。

当我们梳理新加坡 AI 生态的全部数据后，发现它正在沿着几乎相同的路径构建 AI 枢纽：

但这个类比有一个根本问题——AI 没有马六甲海峡。

类比的盲点：AI 没有马六甲海峡

石油必须物理移动。全球三分之一的海运贸易经过马六甲海峡，你无法在地图上把这条水道抹掉。新加坡卡在那里，然后在这个不可绕过的物理起点上层层叠加价值。

但数据和算法不需要经过任何海峡。

AI 模型的训练和部署可以在世界任何角落发生。GPT-5 不需要在新加坡中转就能服务雅加达的用户。一家越南的 AI 创业公司不需要经过新加坡就能接入 Claude API。

也门的亚丁和埃及的苏伊士同样扼守海运要道，却没有成为能源枢纽——因为它们没有叠加炼油和交易的能力。但 AI 领域的问题更严峻：连要道本身都不存在。

那么，新加坡在 AI 版图中的马六甲海峡到底是什么？

四个候选答案，每个都有致命弱点

数据十字路口论

新加坡是东南亚海底光缆的汇聚点，70+ 数据中心落地于此。但这个优势正在被稀释——马来西亚柔佛、印尼巴淡岛都在大规模建设数据中心，成本更低、电力更充足。新加坡自己在 2022 年还暂停了新数据中心的审批。数据中心是可以搬迁的，不是马六甲海峡。

制度信任论

跨国企业把敏感 AI 业务放在新加坡，信任它的法治、IP 保护和政治稳定。但制度优势可以被模仿，而且企业越来越倾向于把 AI 放在靠近自己市场和数据源的地方，而不是一个中立第三方。

人才汇聚点论

新加坡吸引全球 AI 人才交汇。但跟硅谷、北京、伦敦相比，新加坡的 AI 研究深度和人才密度仍有量级差距。而且人才是流动的——哪里有更好的机会就去哪里。

监管沙盒论

AI Verify 等治理框架比较领先，可能成为 AI 产品进入亚洲市场的合规认证中心。这是最接近数字马六甲的定位——但前提是亚洲真的形成了一个需要统一合规入口的 AI 市场格局，而这件事远未发生。

总结：新加坡在 AI 上的枢纽地位，不像能源那样有地理锁定效应。它本质上是一个可选项，而不是必经之路。

更深的危险：大模型正在吞噬精炼层

上面的分析还只是没有海峡的问题。更深层的危险已经不是理论推演——新加坡此前押注的两个核心精炼能力，SEA-LION 和 AI Verify，正在被大模型的进化直接吞噬。

SEA-LION：区域化适配的窗口正在关闭

SEA-LION 是 AI Singapore 开发的东南亚多语言大模型，支持 11 种语言。它的逻辑是 AI 精炼：拿全球的基础 AI 能力，加工成东南亚区域可用的产品，就像把原油炼成适合亚太市场的成品油。

但石油的精炼是一个不可跳过的物理过程——原油不能直接加到汽车里。AI 模型的精炼却完全可以被跳过。 GPT-4 发布时不擅长马来语和泰语，所以区域化适配有价值。但 GPT-5、Claude、Gemini 正在原生支持这些语言，而且质量越来越高。如果基础模型直接把精炼这一步做了，SEA-LION 就变成了在已经有高速公路的地方修自行车道。

AI Verify：治理框架追不上模型进化

AI Verify 是全球首个可测试的 AI 治理框架，11 项指标，开源工具包——这在 2022 年是真正的先行者优势。但：

• AI Verify 测试的是可解释性、公平性、透明度——这些是 2022 年定义的问题
• Agentic AI、多模态模型、自主决策系统的风险维度每半年就变一次
• 治理框架的迭代速度是年，模型能力的迭代速度是月

更根本的是：欧盟 AI Act 是硬法，美国在行政令层面推进，中国有自己的一套。AI 治理标准的竞争本质上是大国博弈，新加坡作为 600 万人口的小国，在标准制定上有天然的话语权天花板。

数据已经说明了问题

这不只是理论分析。打开 GitHub，数据给出了直接的答案。

SEA-LION 主仓库上线两年多，累计 393 个 Star、31 个 Fork。周边的部署工具和示例项目大多只有个位数 Star。AI Verify 的情况更值得关注——主仓库仅 58 个 Star、17 个 Fork；后续推出的 Moonshot 测试工具稍好，也只有 316 个 Star。

光看 SEA-LION 的数字，没法直接下结论——拿同类项目对照，印度国家级的 AI4Bharat 旗下 IndicTrans2 是 400 多 Star，泰国 SCB 10X 的 Typhoon-OCR 一百出头，Sarvam AI 的开源仓库也是几十到一百多。整个区域语言模型赛道都没能从 Meta、Mistral 这类基础模型手里抢到开发者注意力。SEA-LION 不是特例，是这个赛道的天花板。

AI Verify 的处境更值得关注。它的对照组不是 LLaMA，而是同类的 AI 治理工具——IBM 的 AIF360 有 2,800 Star，微软的 Responsible AI Toolbox 1,700 Star，更通用的 EleutherAI lm-evaluation-harness 直接超过 1.2 万。一个国家级的旗舰治理框架被同行甩开两个量级，这个差距没法用市场体量解释。

再退一步看：整个 AI 治理工具赛道的天花板（1.2 万 Star）也只有 LLaMA 一个项目（6 万）的五分之一。开发者的注意力都被基础模型吸走了，治理工具整体在 AI 行业里还是个边缘品类。所以 SEA-LION 和 AI Verify 是两类不同的失败：SEA-LION 是赛道天花板低，区域 LLM 都做不大；AI Verify 是赛道本身还没起来，自己又落在末位。

石油不会自己进化，但 AI 会。新加坡试图建设的”AI 裕廊岛”，面临的现实是——原油本身已经可以直接使用，不再需要精炼。

快速转向：精英政府的纠偏能力

到这里，新加坡看起来是押错了方向。但接下来发生的事，让这个故事变得不一样。

了解新加坡治理风格的人知道，这个政府的特点是快速提出假设、快速验证、发现偏差后快速调整。SEA-LION 和 AI Verify 与其说是战略失误，不如说是一轮被快速验证、快速消化的政策实验。

2026 年初的预算案体现了清晰的方向转变：

• 成立由总理亲自主持的 National AI Council——AI 从技术议题升格为国家最高层级治理议题
• 推出 4 项 AI Mission，全部聚焦具体的公共服务场景——从建设平台和框架，转向解决真实问题
• Enterprise Innovation Scheme 提供 400% AI 税务扣除——直接拉动企业端的 AI 采用
• one-north AI 园区、National AI Literacy Programme——从物理空间到全民素养的系统布局

从造 AI 工具给别人用，到自己先把 AI 用到极致。这个转向的速度和果断程度，本身就是新加坡制度能力的证明。多少国家的政府在发现政策方向有偏差时，选择的是加倍投入来证明自己没错？新加坡选择的是直接调头。

真正的护城河：让 AI 在真实世界运转的制度能力

如果技术层的优势都是暂时的，那新加坡到底有什么是大模型无法吞噬的？

新加坡真正独特的，是让 AI 在真实世界运转的制度能力。

具体来说：

• ACE-AI 不只是一个预测模型——它背后是 Synapxe 把 AI 接入全国 1,100+ 诊所的数据管道，是卫生部愿意在超老龄社会（65 岁以上人口超 21%）的压力下用 AI 重构预防医学流程
• 边境清关 AI 不只是一个算法——它背后是 ICA 愿意把审批流程重构为 AI 原生的制度勇气
• DBS 800+ AI 模型不只是技术能力——它背后是 MAS 的 FEAT → Veritas 监管路径，让银行敢用 AI，而不只是能用
• 中小企业 AI 采用率一年从 4.2% 涨到 14.5%——这不是因为新加坡的模型更好，而是因为 400% 税务扣除和 10.5 万人完成 AI 培训
• 75% 的工人定期使用 AI 工具——这是全球第二高的采用率（仅次于 UAE），不是技术问题，是组织变革问题

大模型可以替代 SEA-LION，但无法替代一个国家的卫生部愿意在 1,100 家诊所部署 AI 这件事。这些是制度成就，不是技术成就。

我们的判断

基于以上分析，我们认为新加坡 AI 的正确战略定位不是——

成为 AI 价值链中”精炼+认证”环节的亚洲垄断者

因为这个定位建立在一个不稳定的前提上：AI 价值链像石油一样有固定的、不可跳过的中间环节。事实已经证明不是这样。

更准确的战略定位是——

成为全球第一个 AI-native 国家：在国家层面跑通 AI 融入每一个公共服务和产业流程的完整样板。

不是”AI 的裕廊岛”（加工中转），而是**“AI 的樟宜机场”**——不追求最大，但效率最高、体验最好，别人来了就知道 AI 治国应该怎么做。

而 2026 年预算案的方向转变表明，新加坡政府实际上已经在朝这个方向移动。

这个定位的核心优势是：

1. 不怕大模型吞噬。 GPT-10 再强，也需要一个政府敢让它接入全国诊所，一个监管机构给出银行可以合规使用的路径，一个教育体系让 75% 的工人会用。这些不是模型能替代的。

2. 竞争壁垒是真实的。 制度能力需要几十年积累。马来西亚可以建更便宜的数据中心，但不能在短期内复制新加坡从 Smart Nation 2014 到 NAIS 2.0 到 Budget 2026 的完整制度演进。

3. 可输出、可变现。 全世界每个国家都面临如何让 AI 落地的问题。新加坡如果率先解决了，这套经验——从治理框架到人才体系到政府采购流程——本身就是可以输出的产品。

这个判断的风险

需要标注几个风险：

风险一：600 万人的样板能代表什么？ 新加坡的制度环境太特殊了——城市国家、高度集权、族群平衡、没有联邦制的摩擦。在新加坡跑通的 AI 方案，搬到印尼 2.7 亿人口、1.7 万个岛屿的环境里，可能完全不适用。

风险二：制度能力也有衰减风险。 如果新加坡的政府执行力下降、人才外流加速、或者政策出现重大失误（比如过度限制 AI 应用的合规成本），制度护城河一样会被侵蚀。

风险三：AI-native 国家可能不需要”第一个”。 不像石油定价——一旦普氏基准建立就很难被替代——各国的 AI 治国路径可能是高度本地化的，不存在一个可以直接复制的模板。

对创业者和投资者的启示

如果你是在新加坡做 AI 的创业者或投资者，这个分析框架指向一个明确的方向：机会在制度接口，不在技术本身。

1. 不要指望技术壁垒。 模型能力是全球化的，你在新加坡用的 GPT 跟在曼谷用的没有本质区别。在新加坡做 AI 创业，如果你的壁垒只是技术，那你没有壁垒。

2. 找到制度接口带来的机会。 新加坡的独特优势在于，政府愿意让你接入真实的公共服务和监管体系来测试和部署 AI。这在东南亚大多数国家做不到。这个接口本身就是壁垒——你在 1,100 家诊所跑通的 AI 方案，在别的地方连试点机会都拿不到。

3. “在新加坡验证，向东南亚输出”是一条真实可行的路径。 但前提是你解决的问题在制度层面具有可转移性，而不仅仅在技术层面。一个帮助医疗系统合规部署 AI 的解决方案，比一个更好的东南亚语言模型有更持久的价值。

4. 关注政府的方向信号。 2026 年预算案的方向非常清晰：AI 应用落地是主战场。跟着这个方向走的创业者和投资者，会比坚持基础设施叙事的人获得更多实际机会。

如果你是研究新加坡 AI 生态的人，有一个核心问题值得持续追问：

那些选择留在新加坡的 AI 企业，到底是被什么锁定在这里的？那些离开的，又是在哪个节点发现新加坡不再是最优解的？

如果答案集中在制度环境和政府合作机会，那就验证了我们的判断。如果答案集中在成本和市场距离，那就意味着新加坡的锁定效应比我们想象的更弱。

这是一篇会持续更新的文章。随着我们的访谈和数据收集推进，我们会修正、深化、甚至推翻这里的判断。如果你有不同看法，欢迎联系我们。