加入我们

WIC2026全球人工智能创新发展报告

已发布

2026年11月16日

分享

微信图片_2026-11-04_093030_004.jpg

WIC2026全球人工智能创新发展报告

——从技术突破走向生产力变革:全球人工智能创新格局、产业重构与治理前瞻

世界创新大会(WIC)年度研究报告系列

主编:谢云龙

发布机构:世界创新大会(WIC)

2026年11月1日,中国广州

前言

2026年,全球人工智能创新发展正在进入一个具有重要转折意义的新阶段。

人工智能技术能力持续提升,应用领域不断拓展,基础设施和资本投入加快增长,人工智能与科研、技术创新、产业组织和经济社会运行的联系日益紧密。生成式人工智能、复杂推理、多模态模型、人工智能智能体和具身智能等技术方向的发展,正在推动人工智能由信息处理工具向参与知识创造、生产组织和复杂任务执行的技术体系演进。

这一进程不仅改变着人工智能自身的技术发展路径,也正在重塑全球科技竞争、产业分工、资本配置和创新治理格局。

过去几年,全球人工智能发展主要围绕模型规模、训练算力、算法突破和性能提升展开。前沿模型的能力进步,为科学研究、企业经营和社会服务创造了新的可能。然而,随着人工智能逐步进入真实生产环境,一个更加根本的问题日益突出:技术能力的持续提升,能否有效转化为现实生产力、经济价值和社会福祉?

模型性能提高,并不必然带来企业生产率增长;人工智能投资扩大,并不意味着长期经济回报已经形成;技术应用范围扩展,也不意味着创新成果能够在不同国家、企业和社会群体之间公平分享。

人工智能的经济社会价值,取决于技术能力与产业需求、数据资源、组织方式、人才条件和制度环境之间的有效结合。技术突破提供新的可能性,产业创新决定其应用方向,组织变革影响其经济成效,而治理能力和国际合作则关系到其发展的安全性、包容性与可持续性。

与此同时,全球人工智能创新体系正在发生深刻调整。

前沿模型和先进算力资源仍然相对集中,开放权重模型和专业化应用不断扩大技术参与空间;大型科技企业持续加强基础设施建设,初创企业和行业创新主体探索差异化发展路径;人工智能与先进制造、医疗健康、生命科学、能源交通和现代服务业加速融合,技术竞争逐步延伸至产业生态和系统能力竞争。

人工智能带来的挑战也更加复杂。自主系统的可靠性、资本投入与实际收益之间的关系、能源和基础设施约束、就业结构变化、创新机会不均以及全球治理规则差异,正在相互影响,构成全球人工智能长期发展的重要约束。

2025年,世界创新大会发布《WIC2025全球人工智能创新发展报告》,围绕人工智能与人类文明的关系,从技术、产业和文明等维度分析人工智能发展的深层影响。

2026年,第十届世界创新大会(WIC2026年会)以“创新开放的中国与世界”为年度主题,广州峰会以“新质生产力驱动增长”为主题。本年度报告延续对技术创新、产业变革与人类发展的系统关注,进一步聚焦人工智能由技术能力突破走向产业转化、生产率提升和全球共同发展的现实路径。

新质生产力是中国提出的重要发展理念,强调以科技创新为主导,通过生产要素创新性配置和产业深度转型升级,提高全要素生产率,形成高技术、高效能、高质量的生产力发展形态。

人工智能作为具有广泛应用潜力的通用目的技术,为培育新质生产力提供了重要条件。但人工智能并不因技术先进就自动形成新的生产力。只有当其进入实际生产过程,推动知识创造、资源配置、产业组织和生产效率发生实质性变化时,技术创新才能充分转化为生产力发展。

这一问题不仅具有中国发展的现实意义,也具有全球研究价值。不同国家和地区可以根据自身发展阶段、产业基础和制度条件,探索人工智能促进生产率提升、产业升级与可持续增长的不同路径。

基于上述认识,本报告从技术能力、产业转化、经济价值、社会影响和全球治理五个相互关联的维度展开研究,重点分析全球人工智能技术演进、创新竞争格局、产业应用、经济影响、创新生态、治理机制与结构性风险,并对2027—2030年的重要发展方向作出审慎前瞻。

本报告面向政策制定者、产业决策者、科研机构和国际创新合作参与者,侧重战略趋势、发展机制和全球性问题分析,不以技术细节综述、短期市场预测或投资建议为主要目的。

本报告的核心判断是:全球人工智能发展的关键问题,正在从技术能力能否持续突破,转向技术能力能否有效转化为现实生产力、经济价值和社会福祉。

这一转变将深刻影响未来人工智能的技术发展方向、产业竞争格局、经济增长方式和全球治理体系。

一、全球发展态势:人工智能从能力突破走向系统性应用

(一)前沿模型持续演进,综合能力成为技术竞争的重要尺度

全球人工智能前沿模型在复杂推理、程序生成、多模态理解、知识处理和专业任务执行等方面持续发展。

斯坦福大学《2026年人工智能指数报告》显示,人工智能在部分高难度测试中的表现继续提升。例如,在SWE-bench Verified软件工程基准测试中,领先系统的成绩在一年内由约60%提高至接近100%。这一变化反映了人工智能在特定程序开发与问题解决任务中的能力进步。[1]

但需要注意,标准化测试中的高分并不等于人工智能已经能够独立、可靠地完成所有真实软件工程工作。测试任务的范围、评价方法与实际生产环境之间仍然存在差异。

模型能力的提升正在改变人工智能技术竞争的评价方式。

早期人工智能模型竞争较多关注参数规模、训练计算量和标准化测试成绩。随着模型能力增强,研究者和产业界开始更加重视模型能否在复杂环境中完成实际任务,能否有效使用外部工具,能否处理动态信息,以及能否在较长任务链条中保持稳定表现。

这一变化意味着,人工智能技术竞争正在从单一模型性能比较,逐步走向模型能力、系统集成、运行效率和可靠性的综合竞争。

标准化测试通常具有相对明确的任务边界,而真实工作环境往往涉及不完整信息、复杂流程、动态条件和专业责任。人工智能系统即使在某些测试中表现突出,也可能在实际应用中出现事实错误、步骤衔接失误、异常处理不足或结果难以验证等问题。

因此,前沿模型的持续进步并不意味着通用、可靠的复杂任务执行能力已经全面成熟。

未来技术竞争的关键,将越来越多地体现为模型能否以可接受的成本,在具体场景中提供稳定、可验证和可持续的服务。

(二)智能体推动人工智能由信息辅助向任务执行延伸

人工智能智能体(AI Agent,以下简称“智能体”)是全球人工智能技术演进的重要方向。

传统生成式人工智能主要通过人机对话完成信息查询、文本生成、内容分析和辅助决策。智能体则尝试通过任务理解、计划制定、工具调用、过程反馈和结果调整,参与更加完整的工作流程。

在软件开发领域,智能体可以辅助代码编写、测试和问题排查;在企业管理领域,可以参与信息整理、业务分析和流程协同;在科研活动中,可以辅助文献分析、数据处理和实验方案设计。

斯坦福《2026年人工智能指数报告》显示,在用于评估智能体计算机操作能力的OSWorld基准测试中,相关系统的任务成功率由约12%提高至66.3%。这一成绩与72.35%的人类基准仍有差距,表明智能体执行复杂计算机任务的能力取得明显进展,但在该测试条件下仍有约三分之一的任务未能成功。[1]

这一结果揭示了智能体发展的两个重要特点。

一方面,人工智能正在由单一环节的辅助工具,逐步向能够参与完整工作流程的系统演进。

另一方面,自主执行能力的提升并不意味着系统可靠性已经达到可以全面替代人类监督的程度。

当智能体能够访问数据库、调用程序、修改文件或连接外部业务系统时,错误判断可能产生真实的经营后果。目标偏离、权限设置不当、工具调用失误以及多个智能体之间的连锁行为,都可能放大局部错误。

因此,智能体能力的发展必须与权限管理、运行监测、过程记录、异常中止和人工接管机制同步推进。

智能体的长期价值,不应仅以自主执行任务的数量衡量,更应考察任务完成质量、运行可靠性、可追溯性和人类有效控制程度。

(三)多模态与具身智能推动人工智能向物理世界拓展

人工智能正在从文本和数字信息处理,进一步拓展至图像、声音、视频、空间信息和物理环境的综合理解。

多模态技术使人工智能能够处理更加丰富的现实信息,为工业检测、医疗辅助、智能交通、机器人和公共服务提供新的技术条件。

具身智能则推动人工智能与机器人、自动化设备和物理环境相结合,使智能系统能够在一定条件下完成感知、决策和物理操作。

在先进制造领域,具身智能可能提高柔性生产、复杂操作和人机协作能力;在仓储物流领域,可以支持自主搬运、物品识别和流程优化;在医疗康复和养老辅助等领域,也存在长期应用潜力。

然而,物理环境中的智能执行远比数字环境中的内容生成复杂。

具身智能需要面对环境变化、感知误差、运动控制、设备成本、物理安全和长期稳定运行等问题。实验室演示、特定场景测试和大规模商业应用之间,仍然存在明显的技术与经济距离。

因此,具身智能的长期意义,不应简单归结为某一种机器人形态的普及,而应理解为人工智能与物理世界交互能力的持续发展。

(四)开放权重模型推动技术创新路径多元化

全球人工智能创新正在形成多种技术路线并存的发展格局。

一方面,前沿基础模型研发仍然需要先进算力、大规模资本投入和系统化研发能力;另一方面,开放权重模型、行业专用模型、轻量化模型和端侧人工智能不断扩大技术应用空间。

开放权重模型为高校、科研机构、初创企业和中小企业提供了更多技术选择,有助于降低部分模型获取、适配和部署的门槛。

但开放权重并不等于完整开源。

模型权重可以公开,而训练数据、训练代码、研发过程和安全评估信息未必全部开放。不同模型的许可条件、透明度和可复现程度也存在差异。

因此,研究全球人工智能开放创新生态,需要准确区分开放权重、开放代码、开放数据和完整开源等不同概念。

未来人工智能技术生态可能长期呈现前沿闭源模型、开放权重模型、行业专用模型和端侧模型协同发展的局面。

技术普及程度不仅取决于最先进模型能够达到何种能力,也取决于可靠的人工智能能力能否以合理成本被不同规模的创新主体获取和使用。

二、技术创新:能力、效率与可靠性的协同竞争

(一)算力基础设施由规模扩张走向系统效率竞争

先进算力是人工智能创新的重要基础。

模型训练、复杂推理和大规模应用部署,持续推动芯片、服务器、高速互联、存储系统和数据中心发展。

但算力基础设施建设同时受到资本投入、先进制造能力、能源供应、土地资源和供应链条件的约束。

国际能源署《能源与人工智能》(2025年)估计,2024年全球数据中心用电量约为415太瓦时,占全球用电量约1.5%;在其基准情景(Base Case)下,2030年全球数据中心用电量可能达到约945太瓦时。[2]

需要强调,这些数据涉及数据中心总体用电量,并非全部由人工智能产生。2030年的数值属于特定假设下的情景预测,不应视为确定结果。

随着人工智能推理需求扩大,算力竞争正在呈现两个相互联系的方向。

一方面,支持前沿研发和大规模应用的基础设施仍需持续发展。

另一方面,提高计算资源利用效率、降低单位任务成本和改善能源效率的重要性不断上升。

模型优化、低精度计算、软硬件协同、资源调度和高效推理技术,为提高算力实际产出提供了不同路径。

因此,未来算力优势不能仅以芯片数量或理论峰值性能衡量,还需要综合考察有效算力供给、系统利用效率、单位任务成本、能源消耗和供应链韧性。

(二)算法创新更加重视能力与成本的协同优化

模型规模扩张仍然是推动人工智能能力发展的重要途径,但已不是唯一途径。

混合专家架构、模型蒸馏、检索增强生成、强化学习、工具调用和推理阶段计算等技术,为提高模型能力和改善运行效率提供了不同选择。

随着应用场景更加复杂,算法创新需要同时回答三个问题:

模型能否解决更加复杂的任务?

模型能否以合理成本完成任务?

模型能否在不同环境中保持稳定可靠的表现?

单纯增加模型规模或延长推理过程,并不必然产生相应的质量改善。

未来算法创新的重要方向,是在能力提升、计算效率和运行可靠性之间形成更加有效的平衡。

(三)高质量数据与专业知识成为产业应用的重要基础

人工智能向专业领域深入,使数据质量、专业知识和治理能力的重要性不断提高。

通用数据能够支持广泛知识学习,但医疗、工业、金融、科研等专业应用,需要更加准确、完整、及时和可追溯的数据。

企业内部数据通常分散于不同业务系统,存在格式不统一、质量差异、权限复杂和更新滞后等问题。

如果缺乏有效的数据治理,即使部署先进模型,也可能难以形成稳定的应用价值。

同时,专业人工智能应用不仅需要数据,还需要将行业规则、技术标准、工作流程和专家经验纳入系统设计。

因此,产业人工智能竞争的核心,不仅在于拥有多少数据,更在于能否将高质量数据、专业知识和模型能力有效结合。

(四)安全与可靠性成为人工智能系统的内生要求

随着人工智能进入重要业务流程,安全保障正在由附加功能转向系统设计的重要组成部分。

传统生成式人工智能的风险主要涉及错误信息、不当输出和有害内容。智能体和其他具有执行能力的系统,则进一步涉及权限滥用、敏感信息泄露、工具调用失控和连锁操作风险。

人工智能安全需要覆盖模型研发、能力评估、部署测试、权限配置、运行监测和事件处置等环节。

对于医疗、金融、交通、能源和其他可能产生重大影响的应用领域,应根据具体风险设置相应的验证、监督和问责要求。

技术能力决定人工智能能够做什么,系统可靠性则决定这些能力能够在多大范围内被持续、可信地使用。

三、全球竞争格局:多元优势与创新体系竞争

(一)美国与中国:全球人工智能创新的重要力量

美国和中国是全球人工智能创新发展的重要参与者,在前沿模型、科研活动、基础设施、产业应用和创新生态等方面形成了各具特点的优势。

斯坦福《2026年人工智能指数报告》显示,截至2026年3月,在其采用的Arena Elo模型性能比较口径下,美国领先模型与中国领先模型之间的评分差距约为2.7%。这一指标反映的是特定模型评估中的性能接近程度,不能直接解释为两国人工智能整体创新能力的差距。[1]

美国在前沿基础模型研发、先进芯片设计、云计算基础设施、风险资本和全球软件生态等领域具有较强优势。

大型科技企业通过持续研发投入和基础设施建设推动模型能力发展,科研机构、初创企业和资本市场共同构成活跃的创新网络。

但美国人工智能发展也面临基础设施成本上升、市场资源集中、技术商业化回报不确定以及不同层级治理规则协调等问题。

中国在人工智能研究、产业体系、应用场景、数字基础设施和制造业融合方面具有重要基础。

开放权重模型的发展,为企业和开发者提供了更加多样化的技术选择。通过模型适配、专业知识整合和本地化部署,部分企业能够以相对可控的成本探索行业应用。

但开放权重模型的实际应用价值,仍取决于行业数据质量、专业人才、系统集成能力和安全保障条件。模型获取成本下降,并不意味着完整应用系统的建设和维护成本同步下降。

中国较为完整的制造业体系和丰富的产业场景,为人工智能技术验证、生产流程优化和持续应用反馈提供了重要条件。

在先进制造领域,人工智能可以与工业软件、自动化设备、质量管理和供应链系统结合,通过实际生产数据和业务反馈改进系统表现。

但制造业场景优势能否转化为持续的技术进步,还取决于工业数据治理、跨系统连接、企业组织调整和专业知识积累。应用场景丰富并不自动意味着数据能够有效回流或模型能够持续改进。

与此同时,中国仍然面临先进算力供给、原创性技术突破、基础软件生态、高水平人才培养和产业应用质量等方面的挑战。

因此,中美人工智能竞争不能简单概括为“美国重技术、中国重应用”。

两国均同时推进基础研究、模型创新和产业应用,只是在创新资源结构、产业基础和发展条件方面存在差异。

全球人工智能竞争正在由单一技术指标比较,逐步转向科研能力、算力基础、模型生态、产业转化和制度环境的综合竞争。

(二)欧洲:制度治理与工业创新协同发展

欧洲具有较强的科研积累、工业技术基础和制度治理特色。

欧盟《人工智能法案》(Regulation (EU) 2024/1689)建立了以风险为导向的制度框架,涉及不同类别人工智能系统的责任、透明度和监督要求。

2026年7月,欧盟正式公布并实施修订法规Regulation (EU) 2026/1744,对部分高风险人工智能系统义务的适用时间作出调整。其中,依据原法案第6条第2款及附件III分类的高风险系统,相关义务适用日期调整至2027年12月2日;依据第6条第1款及附件I分类的高风险系统,相关义务适用日期调整至2028年8月2日。[3][4]

此次修订针对特定条款的适用安排,并不意味着《人工智能法案》整体延期实施。

这一调整反映出人工智能治理在制度目标、技术标准、监管准备和企业合规能力之间需要持续协调。

它并不意味着欧盟放弃风险治理,而是说明制度实施必须考虑技术成熟度、标准供给和产业适应条件。

欧洲在工业自动化、先进制造、医疗技术、科学研究和专业化人工智能应用等领域具有重要基础。

其主要挑战包括前沿算力供给、资本支持、企业规模化成长和区域市场协调。

欧洲人工智能发展的长期竞争力,将取决于能否将科研、工业和制度优势转化为持续的技术创新与产业价值。

(三)亚洲其他经济体:产业基础与专业化路径并行

日本、韩国、新加坡、印度等经济体,正在根据自身产业结构和发展条件探索人工智能创新路径。

日本在机器人、精密制造、工业自动化和老龄化社会服务方面具有长期积累,人工智能与既有产业技术的结合具有较大潜力。

韩国依托半导体、电子制造和数字产业基础,推动人工智能研发、芯片技术和先进制造协同发展。

新加坡重视数字基础设施、国际人才、公共治理和跨境合作,在人工智能应用和治理交流方面发挥区域连接作用。

印度拥有较大的软件服务产业、技术人才群体和数字服务市场,在企业服务、本土语言应用和数字公共服务方面具有发展空间。

这些经济体的发展表明,人工智能创新竞争并不存在单一成功模式。

立足自身优势形成专业化能力,并通过国际合作融入全球创新网络,是不同经济体的重要发展选择。

(四)中东、拉美与非洲:发展机会与能力约束并存

部分中东经济体通过基础设施投资、国际合作和产业多元化战略,加快布局人工智能。

拉美国家在农业、金融服务、教育、医疗和公共管理等领域探索人工智能应用。

非洲部分国家围绕农业技术、公共卫生、金融普惠和本土语言服务发展人工智能,展现出面向实际社会需求的创新潜力。

但这些地区内部差异较大,不能简单归入统一的发展梯队。

先进算力不足、研发资金有限、数字基础设施薄弱、专业人才短缺和本土数据资源不足,仍然制约部分经济体的发展。

对于这些国家和地区,人工智能发展的关键未必是建设全球领先的通用基础模型,而是形成可负担、可靠、符合本土需求的技术应用与治理能力。

(五)全球人工智能竞争的结构性变化

综合观察,全球人工智能竞争呈现三个重要特点。

第一,前沿模型和先进算力资源仍然相对集中,但应用创新正向更多国家、产业和企业扩展。

第二,模型能力竞争与基础设施、数据、人才、资本和产业生态竞争更加紧密地联系在一起。

第三,不同国家的人工智能发展路径日益体现产业基础、制度条件和社会需求的差异。

因此,衡量全球人工智能创新能力,需要采用多维度、可比较的分析方法,避免以模型数量、投资规模或单一测试成绩替代对整体创新能力的判断。

四、产业应用:从局部效率改善走向生产体系重构

(一)先进制造:人工智能与工业体系深度融合

制造业是人工智能转化为现实生产力的重要领域。

人工智能可以应用于产品设计、工艺优化、质量检测、设备维护、生产调度、供应链管理和能源利用等环节。

在适当条件下,人工智能能够提高检测效率、减少设备停机、改善资源配置和优化生产流程。

但工业人工智能的价值创造,需要与工业知识、生产设备、企业软件和管理机制有效结合。

不同工厂在设备水平、数据基础、工艺复杂程度和管理能力方面存在差异,难以依靠统一模型解决所有问题。

未来制造业人工智能的发展重点,将由单点应用向生产系统协同优化延伸。

其经济价值应通过生产效率、产品质量、研发周期、资源消耗和经营绩效等指标加以检验。

(二)医疗健康:专业辅助能力与临床可靠性并重

人工智能正在医学影像、临床文书、健康管理、药物发现和医疗服务流程中发挥越来越重要的作用。

部分人工智能系统能够在特定医学影像任务中提供辅助分析,帮助医护人员处理信息和优化工作流程。

人工智能也为分子研究、候选药物筛选和生命科学数据分析提供新的技术工具。

但研究测试成绩不能直接等同于真实临床效果。

医疗人工智能必须考虑患者群体差异、数据质量、临床流程、隐私保护和责任边界。

未来医疗人工智能的发展,应更加重视严格验证、持续监督和与专业医疗判断的有效协同。

(三)科学研究:人工智能推动知识生产方式演进

人工智能与科学研究的融合具有长期战略意义。

在生命科学、材料科学、化学、物理学和其他研究领域,人工智能能够辅助处理复杂数据、筛选研究对象、生成假设和优化实验方案。

这种能力有望缩短部分研究流程,提高科研人员探索复杂问题的效率。

但科学研究的核心仍然是可验证的证据与可靠的方法。

人工智能提出的假设和预测,需要通过实验、理论分析和同行评议加以检验。

未来人工智能能否持续提高科学发现效率,将取决于模型能力、专业知识、实验基础设施和科研制度之间的有效结合。

(四)企业服务:人工智能应用进入组织变革阶段

人工智能在企业中的应用,正在从内容生成、信息查询和办公辅助,进一步进入软件开发、财务分析、客户服务、营销运营和业务流程管理。

但企业使用人工智能工具,并不意味着整体生产率必然提高。

单项任务的时间节约,可能被结果核验、流程调整、员工培训和系统集成等成本部分抵消。

如果企业只是将人工智能叠加到原有流程之上,而没有重新设计工作分工和管理机制,技术应用可能停留在局部效率改善阶段。

因此,需要区分三个层次:

一是单项任务效率提升。

二是完整业务流程效率改善。

三是企业整体生产率和经营绩效持续提高。

三个层次之间存在转化条件,不能简单等同。

(五)公共服务:效率提升需要与公平和信任相协调

人工智能能够支持教育辅助、政务服务、公共卫生、交通管理和其他公共服务。

在教育领域,人工智能有助于提供个性化学习支持,但需要关注内容准确性、学生隐私和过度依赖风险。

在公共管理领域,人工智能可以提高部分重复性事务的处理效率,但涉及重要个人权益、公共资源分配和行政责任的决策,应保持必要的人类监督和申诉机制。

公共服务人工智能的评价标准,不应仅是处理速度和成本降低,还应包括公平性、透明度、可及性和公众信任。

(六)绿色发展:人工智能具有双重环境影响

人工智能可以用于电力系统优化、建筑节能、工业流程管理、气候研究和环境监测。

与此同时,大规模模型训练、推理服务和数据中心建设,也会增加能源和基础设施需求。

因此,人工智能既可能成为绿色转型的重要工具,也可能带来新的资源压力。

评价其环境价值,需要综合考察人工智能自身的能源消耗,以及在其他行业可能产生的节能减排效果。

不能仅凭个别应用案例,推断人工智能整体上必然具有净环境收益。

五、经济影响:从人工智能投资增长走向新质生产力形成

(一)人工智能投资扩张与经济回报之间存在时间差

人工智能正在改变全球资本配置和产业投资结构。

先进芯片、数据中心、云计算、模型研发和人工智能应用持续吸引资本,形成跨越半导体、能源、基础设施和软件服务的投资链条。

国际货币基金组织《2026年年度报告》估计,2025年人工智能相关技术投资为美国GDP增长贡献了约0.5个百分点。[5]

这一数据说明,人工智能相关投资已经成为部分经济体短期增长的重要推动因素。

但必须区分投资对当期GDP增长的贡献,与人工智能应用对长期生产率的影响。

前者主要反映资本形成和相关经济活动的增长效应,后者则需要考察人工智能是否持续改善生产效率、资源配置和技术创新能力。

人工智能基础设施需要经过建设、部署、利用和持续运营等阶段,其经济回报取决于实际需求、使用效率、技术更新速度和商业模式。

如果应用需求低于预期,可能出现基础设施利用不足、资产折旧压力上升和投资回报下降。

如果企业缺乏数据治理、人才和组织调整能力,人工智能投入也可能停留在工具采购和试点项目阶段,难以形成持续收益。

因此,人工智能投资增长可以成为短期经济活动的重要来源,但长期增长仍需要建立在实际生产率改善和持续价值创造的基础之上。

(二)人工智能与新质生产力:从技术能力到增长方式转变

人工智能是培育新质生产力的重要技术条件,但不是新质生产力的全部内容。

新质生产力强调科技创新主导、生产要素创新性配置和产业深度转型升级,其核心在于提高全要素生产率,形成新的高质量发展能力。

人工智能推动生产力发展的作用,主要体现在四个相互联系的机制。

第一,知识生产机制。

人工智能能够辅助科研人员和工程技术人员处理复杂信息、生成研究假设和优化设计方案,从而提高部分知识生产活动的效率。

第二,生产效率机制。

人工智能通过流程优化、预测分析、自动化处理和决策支持,改善劳动、资本、能源和数据等要素的使用效率。

第三,产业创新机制。

人工智能与先进制造、现代服务和新兴产业融合,可能催生新的产品、服务、商业模式和产业组织方式。

第四,组织变革机制。

人工智能改变企业内部任务分工和人机协作方式,推动业务流程、管理结构和技能体系调整,为生产率持续提升创造条件。

这四种机制并非自动发挥作用。

如果缺乏产业需求、专业人才、数据条件和制度适应,人工智能即使具备先进技术能力,也可能难以转化为实际生产率增长。

因此,人工智能培育新质生产力的关键,不是单纯增加技术投入,而是推动技术创新、产业创新、组织变革和要素配置相互促进。

这一逻辑也具有更广泛的国际研究意义。

不同国家可以根据自身发展条件,探索人工智能推动生产率提升和产业升级的路径,而不必采用完全相同的政策或产业模式。

(三)生产率提升取决于技术与组织的有效结合

人工智能能够降低部分知识处理成本,提高信息分析和任务执行效率。

但技术层面的效率提升,需要通过企业组织和产业体系才能转化为经济增长。

这一过程至少受到四类条件影响。

首先是技术适用性。人工智能必须能够可靠解决实际业务问题。

其次是数据和基础设施条件。企业需要具备可使用的数据、计算资源和系统集成能力。

再次是组织适应能力。企业需要重新设计工作流程、责任机制和人机协作方式。

最后是人才与制度条件。员工需要掌握必要技能,企业也需要形成适应新技术的管理和激励机制。

如果这些条件不足,人工智能应用可能产生较高的验证成本、管理成本和系统改造成本,使局部效率收益难以转化为整体生产率改善。

因此,未来人工智能经济价值的实现,将取决于技术进步与组织变革、产业创新之间的协同程度。

(四)人工智能可能重塑企业竞争与市场结构

人工智能具有一定的规模经济和网络效应。

先进模型研发需要大量资本、算力、人才和数据资源,可能提高部分关键技术环节的市场集中度。

与此同时,开放权重模型、低成本推理工具和专业化应用,也为中小企业和初创企业提供新的市场机会。

未来人工智能产业可能同时出现基础设施领域资源集中与应用创新领域主体多元化的趋势。

这两种趋势并不矛盾。

关键在于能否通过公平竞争、合理市场准入和开放创新生态,防止资源集中演变为不合理的创新壁垒。

(五)就业结构与收益分配影响人工智能发展的社会价值

人工智能可能提高企业生产率并创造新的增长空间,但其收益不一定在不同企业、劳动者和地区之间均衡分配。

掌握资本、技术、数据和平台资源的主体,可能较早获得技术收益。缺乏技能培训、数字基础设施和技术获取能力的企业及劳动者,则可能面临更高的适应成本。

经济合作与发展组织(OECD)2026年发布的《人工智能时代的技能》(Skills in the AI age)指出,人工智能正在改变工作内容和技能需求,其就业影响因行业、地区、职业和技能水平而异。人工智能暴露程度较高的岗位,并不必然具有同等程度的自动化替代风险。[6]

这一研究与人工智能就业影响的任务分析框架相一致。

人工智能对就业的影响,可能首先表现为工作任务和技能结构的重组,而非职业岗位的整体替代。

不同职业内部,可由人工智能辅助、自动化或需要人类独立承担的任务比例存在差异。技术应用可能同时产生任务替代、工作增强和新任务创造等不同效应。

对于重复性较高、流程相对标准化的任务,人工智能可能提高自动化程度;对于需要复杂判断、社会互动、专业责任和跨领域协作的工作,人工智能则可能更多发挥辅助和增强作用。

但任务层面的变化并不能直接推导为岗位数量的同比例变化。企业如何重新组合任务、产品和服务需求是否扩大、劳动者能否转向新的工作内容,都将影响最终就业结果。

不同职业、技能层次和年龄群体的适应速度也可能存在差异。技术应用较快而技能转型相对滞后时,部分劳动者可能面临岗位调整、收入压力或职业发展不确定性。

因此,人工智能就业影响不能简单概括为“创造就业”或“替代就业”,而需要综合研究任务变化、企业组织、劳动市场制度和经济需求。

劳动者能否通过技能提升适应岗位变化,企业能否合理调整工作组织,教育培训体系能否及时回应新的能力需求,将共同影响人工智能对就业数量、就业质量和收入分配的长期作用。

人工智能经济发展的评价尺度,需要从投资增长和领先企业绩效,进一步扩展到就业质量、劳动者能力、创新机会和社会福利。

只有让更广泛的经济主体具备参与和应用人工智能的能力,技术进步才更有可能形成具有包容性的长期增长。

六、全球创新生态:创新主体与资源配置的系统性变化

人工智能创新生态连接基础研究、模型研发、算力基础设施、产业应用和社会治理,是技术能力向经济社会价值转化的重要条件。

(一)大型科技企业推动前沿技术与基础设施发展

大型科技企业依托资本、人才、算力和平台资源,在前沿模型研发、云计算和全球应用生态方面发挥重要作用。

其持续投入推动了人工智能能力提升,也使部分技术资源和基础设施更加集中。

大型企业需要在推动创新的同时,承担与其技术能力和市场影响相适应的安全、透明和公平竞争责任。

(二)初创企业推动专业化创新与应用探索

人工智能初创企业在智能体应用、行业软件、模型工具、数据服务和安全评估等领域具有较强创新活力。

其优势在于能够围绕具体需求快速开发和调整产品。

但初创企业也面临算力成本、客户信任、融资条件和平台依赖等挑战。

开放的技术生态和公平的市场环境,是其持续创新的重要基础。

(三)高校与科研机构保持基础创新的重要作用

高校与科研机构在基础理论、科学方法、人才培养和独立研究方面具有不可替代的作用。

人工智能发展需要保持开放科学研究空间,鼓励长期探索和跨学科合作。

尤其在安全、可解释性、社会影响和公共利益研究领域,独立科研能力具有重要价值。

(四)中小企业决定人工智能经济收益的普及程度

中小企业是多数经济体就业和产业活动的重要组成部分。

人工智能能否形成广泛的经济增长效应,在很大程度上取决于中小企业能否获得可靠、适用且成本可控的技术能力。

对中小企业而言,专业服务、员工培训、行业数据治理和应用回报评估,往往比追求最先进模型更为重要。

(五)人才发展与社会参与影响创新体系的长期韧性

人工智能创新不仅需要算法研究人员,还需要行业专家、工程技术人员、产品管理人员、数据治理人才和安全评估人员。

普通劳动者的人工智能应用能力,同样影响技术扩散和生产率提升。

因此,人工智能人才建设应从高端研发人才培养,扩展到覆盖不同职业和社会群体的能力建设。

公众对人工智能的理解、信任和参与,也将影响其在教育、医疗和公共服务等领域的实际应用。

七、全球治理:从原则共识走向风险治理与责任协调

(一)全球人工智能治理进入机制建设阶段

随着人工智能能力增强和应用范围扩大,国际社会正在从一般性治理原则讨论,逐步转向科学评估、制度建设和治理合作。

2025年8月26日,联合国大会以协商一致方式通过第79/325号决议,设立人工智能独立国际科学小组和全球人工智能治理对话两个机制,为国际社会加强科学认识和政策交流提供新的渠道。[7]

独立国际科学小组由40名成员组成,成员以个人身份履行职责,主要任务是开展独立、循证的科学评估,为国际社会认识人工智能的机遇、风险和影响提供知识支持。

该小组不承担全球人工智能监管职责,也不制定具有普遍约束力的政策。

2026年7月6日至7日,首届联合国全球人工智能治理对话在瑞士日内瓦举行,为不同国家及相关利益方围绕人工智能治理开展交流提供了新的国际平台。[8]

这一机制的建立,反映出国际社会正在探索更加包容、以科学证据为基础的治理合作方式。

但应当明确,独立国际科学小组和全球人工智能治理对话均不具有对各国直接实施约束性监管的权力。

国际对话机制的建立,并不意味着各国已经形成统一的人工智能监管制度。

不同国家在法律体系、技术能力、产业结构和安全关切方面存在差异,全球治理仍需在多元制度条件下探索合作。

(二)主要经济体形成不同治理路径

欧盟以《人工智能法案》为重要制度基础,强调风险分类、透明度、责任和监督机制。

2026年生效的修订法规对部分高风险人工智能系统义务的适用时间作出调整,进一步体现了制度实施与技术标准、监管能力和产业准备之间的协调要求。[3][4]

中国在算法治理、生成式人工智能服务管理、人工智能生成内容标识和产业应用等方面持续完善制度安排,体现促进创新发展与维护安全相协调的治理思路。

美国在市场创新、技术竞争、行业监管和国家安全等方面形成具有自身特点的政策组合,联邦与州层面的监管取向和具体要求也可能存在差异。

这些路径反映了不同经济体在创新发展、市场结构、公共利益和安全保障之间的不同制度选择。

全球治理合作不必以所有国家采用相同法律制度为前提。

更加现实的方向,是推动科学证据、风险评估、技术标准和必要治理程序之间形成可协调的共同基础。

(三)智能体治理需要建立清晰的责任分层

智能体的发展,使人工智能治理由模型输出管理进一步延伸至系统行为管理。

当人工智能能够调用工具、访问外部数据和执行任务时,需要明确不同主体的责任边界。

开发者应根据其技术控制能力,承担模型与系统设计、安全测试、能力评估和必要技术信息提供等责任。

部署者应结合实际应用场景,开展风险评估、权限配置、运行监测、人工监督和事件处置。

监管机构则根据相关法律职责,对高风险应用提出必要要求,并开展相应监督。

具体责任分配仍应依据不同司法管辖区的法律制度、合同关系和系统控制能力确定。

在技术措施方面,应重点加强最小必要权限、敏感操作确认、运行日志、异常中止和人工接管机制。

对于可能影响重要业务系统、公共安全或个人重大权益的应用,还应设置与风险程度相适应的测试和审查要求。

(四)人工智能治理应与风险程度相适应

人工智能治理的目标,不是对所有技术应用施加完全相同的约束。

不同系统在能力、应用场景和潜在影响方面存在明显差异。

对于低风险应用,可以通过一般责任机制、透明度要求和行业规范促进创新。

对于可能影响生命安全、重要公共利益和基本权利的高风险应用,则需要更加严格的测试、验证、监督和问责安排。

合理治理需要在保障公共利益的同时,为负责任创新保留必要空间。

(五)全球治理合作需要兼顾安全、发展与公平

不同国家在人工智能治理方面面临的主要问题并不完全相同。

技术领先经济体可能更加关注前沿模型能力、自主系统和系统性风险。

部分发展中国家则更加关注数字基础设施、技术可及性、人才培养和本土应用能力。

如果全球治理只关注少数前沿技术风险,而忽视不同国家的发展能力差距,就难以形成广泛、稳定的国际合作基础。

因此,全球人工智能治理需要同时处理技术安全、创新发展和公平参与三个相互关联的问题。

八、结构性挑战:全球人工智能发展的约束机制与风险传导

人工智能发展面临的主要风险并非彼此孤立。

技术可靠性、资本集中、组织适应、能源约束和治理分化之间存在复杂联系,一项约束可能通过投资、产业和制度渠道放大其他风险。

(一)技术能力增长与可靠性不足可能形成应用风险传导

人工智能能力增强,使其能够承担更加复杂的任务。

但任务复杂度提高,也可能增加系统行为难以预测、错误难以识别和责任难以界定的问题。

当人工智能只用于辅助生成内容时,错误影响通常局限于信息处理环节。

当智能体被嵌入业务流程并获得操作权限时,局部错误可能通过系统连接、自动化流程和连续工具调用,扩展为更大范围的业务风险。

例如,具有数据修改权限的智能体如果依据错误信息执行操作,可能使最初的信息判断失误转化为数据库错误、业务流程中断或后续决策偏差。

如果系统缺乏有效的权限隔离、操作确认和异常中止机制,这种风险可能进一步扩大。

因此,技术能力提升与系统可靠性不足之间的矛盾,可能随着自主执行范围扩大而更加突出。

(二)资本集中可能强化技术依赖与创新机会不均

前沿人工智能研发和基础设施建设需要较高资本投入。

资本、算力和人才向少数主体集中,可能提高新进入者的竞争门槛。

企业对单一模型平台或云计算服务形成较强依赖后,服务价格调整、使用条款变化或技术路线切换,都可能增加系统迁移和业务调整成本。

如果企业已经围绕特定模型接口、数据格式和工作流程建立完整应用系统,更换技术供应商可能需要重新开发、测试和验证。

这种转换成本在资源有限的中小企业中可能更加突出。

技术依赖不仅影响企业经营,也可能影响不同国家和地区获取先进人工智能能力的机会。

因此,资源集中与创新机会不均之间可能形成相互强化的关系。

(三)组织适应滞后可能削弱投资的生产率回报

人工智能技术迭代速度较快,但企业组织、员工技能和制度流程的调整通常需要更长时间。

当技术投入快于组织适应时,企业可能出现工具采购增加、试点项目扩张,但整体经营绩效改善有限的情况。

如果企业未能重新设计工作流程,人工智能可能只是增加新的信息处理环节,而未能减少原有流程中的重复劳动和协调成本。

对于劳动者而言,任务变化也可能快于技能更新速度,导致部分岗位出现能力需求与现有技能不匹配的问题。

如果大量企业同时面临类似问题,人工智能投资增长与宏观生产率改善之间就可能出现明显时间差。

对于基础设施投资而言,实际应用需求增长低于预期,还可能导致设备利用不足和资产回报下降。

因此,组织适应不足不仅是企业管理问题,也可能通过投资回报、劳动市场调整和资本配置影响更广泛的经济活动。

(四)算力扩张与能源约束可能形成新的发展瓶颈

人工智能基础设施建设需要电力、芯片、网络、冷却设备和相关工程资源。

如果算力需求增长超过部分地区的能源供应和基础设施建设能力,可能出现项目延期、成本上升和资源配置压力。

能源和基础设施成本上升,还可能通过计算资源供给和推理服务定价向应用端传导。

对于需要频繁调用模型、但利润空间有限的企业而言,人工智能服务成本上升可能削弱其采用技术的经济合理性。

价格敏感型中小企业和部分发展中国家用户,可能面临更大的技术获取压力。

因此,能源约束不仅影响数据中心建设,也可能通过人工智能服务成本进一步影响技术普及和全球创新机会。

但这一传导程度仍取决于能源市场条件、技术效率改善、服务定价机制和市场竞争状况,不能作出一概而论的判断。

(五)治理碎片化可能增加跨境创新与应用成本

人工智能技术和服务具有跨境传播特征,但法律制度和监管要求主要由各国分别制定。

如果不同市场在模型测试、数据处理、责任界定和合规要求方面差异较大,企业可能需要承担重复评估和多重合规成本。

对于资源有限的中小企业,这些成本可能形成新的市场进入障碍。

治理分化还可能影响国际科研合作、技术交流和跨境应用部署。

因此,治理碎片化不仅是制度协调问题,也可能通过市场准入和创新成本影响全球人工智能产业结构。

(六)结构性约束之间的相互作用

上述约束之间可能形成相互强化的传导关系。

资本集中提高部分技术资源的获取门槛,能源成本上升可能进一步增加应用成本。

组织适应不足削弱技术投资回报,可能加大资本配置压力。

系统可靠性问题影响公众信任和企业采用,治理规则差异又可能增加跨境应用成本。

如果技术能力持续提升,而组织适应、基础设施和制度治理未能同步发展,人工智能可能出现能力增长较快、经济价值释放相对缓慢的结构性失衡。

这并不意味着人工智能发展必然陷入系统性危机,而是说明其长期增长需要更加完整的支撑条件。

全球人工智能发展的稳定性,不能只依靠模型能力持续提升,还需要技术效率、组织能力、资源供给、社会适应和制度治理之间形成有效协调。

九、战略判断:2026年全球人工智能发展的五个结构性转变

(一)从模型性能竞争走向系统能力竞争

前沿模型性能仍然重要,但人工智能系统的实际价值正在更多地取决于任务执行、工具协同、可靠运行和持续优化能力。

模型、数据、工具、专业知识和人类监督之间的整合能力,正在成为重要竞争因素。

这一变化已经在智能体、企业应用和专业化人工智能系统的发展中有所体现,但不同技术领域和应用场景的成熟程度仍存在差异。

(二)从技术部署走向生产率创造:经济价值检验正在加强

人工智能应用数量增长,并不等于经济价值同步增加。

企业和产业更加需要通过实际经营绩效、生产效率和持续收益检验人工智能应用价值。

这一变化使组织变革和产业创新的重要性进一步上升。

但从技术部署到生产率创造的转变尚未完成,其成效取决于企业管理、人才培养、数据治理和技术适用性等条件。

(三)从单一技术优势走向创新生态优势

先进算力、模型能力、数据资源、专业人才、资本和应用场景之间的联系日益紧密。

单项技术突破可能形成阶段性优势,但长期竞争力越来越依赖完整创新生态和持续迭代能力。

这一变化正在推动国家和企业更加重视基础设施、产业应用、创新主体和制度环境之间的协同。

(四)从事后风险应对走向全过程负责任创新

人工智能安全与治理正在由产品发布后的附加要求,逐步进入技术研发、系统设计和实际部署过程。

可靠性、透明度和风险可控性,正在成为人工智能产业发展的重要条件。

但不同国家、企业和应用领域的治理能力仍存在差异,全过程负责任创新尚未普遍实现。

(五)从技术收益集中走向更加广泛的价值共享:尚待实现的发展目标

人工智能技术能力正在向更多产业和应用场景扩展,但经济收益和发展机会能否实现更加广泛的共享,仍具有不确定性。

前沿模型、先进算力和资本资源相对集中,可能使部分领先主体率先获得收益。

与此同时,开放权重模型、专业化应用和技术服务的发展,也为更多创新主体创造了参与机会。

未来人工智能能否推动更加包容的增长,将取决于技术可及性、市场竞争、人才培养、公共政策和国际合作等条件。

因此,从技术收益集中走向全球价值共享,是值得推动的重要发展方向,而不是已经完成的结构性变化。

十、发展前瞻:2027—2030年的关键方向与不确定性

(一)人工智能可能更加深入地进入企业核心流程

未来几年,人工智能有望进一步进入研发、生产、运营和管理等核心业务流程。

但其推进速度取决于系统可靠性、部署成本、组织调整和行业监管条件。

如果企业不能有效完成流程重构,技术采用范围扩大也可能难以带来相应的生产率改善。

因此,人工智能进入企业核心流程的深度,可能比单纯的工具使用率更能反映产业应用成熟程度。

(二)智能体与具身智能可能形成新的应用增长点

智能体有望承担更加复杂的数字任务,具身智能则可能在工业、物流和部分服务场景中扩大应用。

但自主执行能力、长期稳定性、硬件成本和安全验证仍将影响商业化速度。

不同应用场景的技术成熟度和经济可行性可能存在明显差异,不宜将技术演示或试点应用直接视为全面成熟。

(三)人工智能与科学研究的融合可能进一步深化

人工智能有望在材料研发、生命科学、药物发现和复杂系统研究中发挥更大作用。

其实际成效仍取决于实验验证能力、科研基础设施和不同学科的研究条件。

人工智能可能改变部分科学研究的工作方式,但不能替代科学证据、实验验证和独立学术判断。

(四)高效、绿色和可负担的人工智能可能更加重要

随着人工智能应用范围扩大,推理成本、能源效率、模型轻量化和端侧部署的重要性可能继续提高。

技术普及不仅需要更强模型,也需要更低成本、更高可靠性和更适合不同应用条件的技术方案。

但高效技术能否带来总体能源消耗下降,还取决于应用需求增长和资源使用方式。

因此,提高单位任务效率与控制总体资源消耗,需要同时纳入技术和产业发展考量。

(五)人工智能经济价值将面临更加严格的现实检验

未来几年,人工智能投资规模、企业商业回报和宏观生产率变化之间的关系,将成为重要观察指标。

如果人工智能能够持续改善企业效率并创造新的产品和服务,其经济价值将得到进一步验证。

如果应用收益不足以支持持续增长的资本支出,部分领域可能面临投资调整和商业模式重估。

这种调整不必然意味着人工智能技术价值下降,也可能反映资本配置、技术成熟度和实际市场需求之间的重新平衡。

(六)全球治理可能更加关注自主系统和实际应用风险

随着智能体和具身智能发展,人工智能治理可能更加重视系统行为、责任边界和人类监督。

国际社会需要加强科学评估、风险研究和治理经验交流。

但不同国家的制度差异和发展条件,将继续影响全球治理合作的深度与形式。

未来全球治理能否取得实质进展,将取决于各方能否在科学证据、风险识别和必要制度协调方面建立更加稳定的合作基础。

十一、发展建议:推动人工智能创新与全球共同发展

(一)加强基础研究与开放科学合作

支持人工智能基础理论、算法、系统架构和交叉学科研究,鼓励长期探索和国际学术交流。

促进科研成果转化,同时保持基础研究的独立性和多元化。

支持不同国家和地区的科研机构围绕共同科学问题开展合作,推动创新知识传播与科研能力建设。

(二)推动人工智能与实体经济深度融合

围绕先进制造、医疗健康、能源交通、现代服务和公共管理等领域的实际需求,推动人工智能应用。

更加重视应用效果、组织适应和生产率提升,避免脱离实际需求的重复建设。

支持企业从局部试点逐步走向完整业务流程优化,提高人工智能应用的持续性和经济合理性。

(三)完善人工智能驱动新质生产力发展的机制

推动科技创新、产业创新、人才培养和要素配置相互促进。

支持企业围绕实际业务流程开展技术改造,提高人工智能与专业知识、产业体系和组织管理的结合程度。

将生产率改善、产业竞争力和长期社会价值作为重要评价尺度。

鼓励不同国家根据自身发展条件,探索适合本国经济结构和产业需求的人工智能发展路径。

(四)建设开放、多元的全球创新生态

支持大型企业、初创企业、中小企业、高校和科研机构发挥不同优势,促进创新资源合理流动。

在尊重知识产权、法律法规、国际义务及合理安全关切的基础上,推动国际科研合作、技术交流和产业协作。

关注开放权重模型、专业化技术服务和创新基础设施对降低技术获取门槛的作用,促进更加多元的创新主体参与。

(五)加强人才培养与职业能力转型

推动教育体系、职业培训和终身学习适应人工智能发展。

重视青年创新人才培养,同时支持不同职业群体提高人工智能应用能力,增强社会对技术变革的适应能力。

鼓励政府、企业、教育机构和社会组织加强合作,为受到任务重组和职业变化影响的劳动者提供必要的培训与转型支持。

(六)建立与风险相适应的治理机制

加强人工智能系统安全评估、透明度建设、责任界定和事件应对。

特别关注智能体、具身智能及其他高风险应用领域,推动开发者、部署者和监管机构形成清晰的责任分工。

支持建立与技术风险相适应的权限管理、运行监测、独立评估和人工监督机制。

(七)促进人工智能创新成果普惠共享

关注发展中国家和创新资源相对不足地区的实际需求,支持数字基础设施、人才培养、适宜技术和本土化应用能力建设。

推动人工智能更好服务于教育、公共卫生、农业、绿色发展和其他具有重要公共价值的领域。

促进中小企业、青年创新者和不同社会群体获得更加公平的创新参与机会。

(八)深化全球人工智能治理合作

支持联合国及其他相关国际合作机制发挥作用,促进科学证据共享、风险评估交流和治理经验互鉴。

在尊重不同发展阶段和制度条件的基础上,探索更加开放、包容、有效的全球人工智能合作路径。

推动创新发展、安全保障和公平参与相互协调,为人工智能长期健康发展创造更加稳定的国际环境。

结语:从技术能力进步走向人类共同发展

2026年,全球人工智能创新发展正在经历深刻变化。

人工智能技术能力持续提升,应用范围不断扩大,基础设施和资本投入持续增长,产业创新与治理机制相互影响。人工智能已经不再只是科技产业内部的创新议题,而正在成为影响经济增长、产业竞争、社会结构和国际合作的重要力量。

但人工智能的发展方向尚未完全确定。

技术突破能否转化为现实生产力,产业应用能否形成持续的经济价值,社会能否有效应对就业和分配变化,全球能否建立兼顾创新、安全与公平的治理机制,都将深刻影响人工智能发展的长期结果。

本报告的研究表明,人工智能创新发展的关键,正在从技术能力本身转向技术能力与经济社会体系之间的有效结合。

模型能力决定技术发展的可能空间,产业应用决定技术价值的实现路径,组织变革影响生产率提升的实际程度,制度治理关系到技术发展的安全与信任基础,而国际合作则影响创新机会和发展收益能否更加广泛地分享。

对于中国而言,人工智能与实体经济深度融合,为培育新质生产力、推动产业升级和提高发展质量提供了重要机遇。

对于全球而言,人工智能的长期价值不仅在于增强领先经济体的创新能力,更在于帮助不同国家和地区提高生产率、改善公共服务、拓展发展机会,并共同应对人类面临的重大挑战。

这一价值不会随着技术进步自动实现。

它需要科研人员不断拓展知识边界,需要企业将技术能力转化为可靠的产品和服务,需要劳动者与社会组织适应新的生产方式,也需要政府和国际社会建立与技术发展相适应的制度环境。

世界创新大会始终秉持“探索未来、推动创新、促进全球合作”的宗旨,坚持“立足中国、连接世界”的平台定位,致力于构建全球创新共同体,让创新造福人类。

站在世界创新大会创立十周年的新起点,推动人工智能健康发展,需要以更加开放的视野认识技术变革,以更加务实的行动促进产业创新,以更加负责任的态度应对风险挑战,以更加包容的合作机制扩大创新收益。

人工智能的长期价值,不仅取决于它能够完成什么任务,更取决于它能够创造什么价值、由谁分享这些价值,以及人类能否对其发展保持有效治理。

让技术突破转化为现实生产力,让产业创新创造持续增长,让负责任治理保障社会信任,让开放合作促进全球共同发展。

以创新推动生产力变革,以合作拓展发展机会,以共同责任促进人工智能时代的人类繁荣。

这不仅是全球人工智能创新发展的重要方向,也是人工智能时代推动科技进步、经济增长与人类文明协调发展的共同课题。

研究说明

一、研究范围

本报告以截至2026年10月的全球人工智能创新发展为主要观察范围,重点研究技术演进、全球竞争、产业应用、经济影响、创新生态和治理机制,并对2027—2030年的发展方向作出前瞻性分析。

二、研究方法

本报告采用公开资料研究、跨区域比较、技术与产业趋势分析及战略研判相结合的方法,重点考察人工智能技术能力向产业应用、经济价值和社会福祉转化的机制与条件。

三、分析框架

本报告采用“技术能力—产业转化—经济价值—社会影响—全球治理”五维分析框架。其中,社会影响贯穿产业应用、就业与收益分配、人才发展和风险治理等多个章节。

四、数据使用原则

对于市场规模、投资、算力、企业采用率和生产率等数据,原则上采用来源明确、统计口径清晰的资料。不同机构的统计结果不直接拼接比较。

涉及预测的数据,应明确预测机构、时间范围和主要情景条件,不将预测结果表述为确定事实。

五、事实与判断的区分

本报告区分已发生事实、机构预测和WIC研究判断。

对于可以通过原始资料核实的事实,以官方文件、统计资料和公开研究为依据;对于前瞻性趋势和结构性变化,结合现有证据进行综合分析。

报告中的前瞻性判断不代表确定结果。

六、研究边界

本报告不编制未经独立核算的全球人工智能国家竞争力评分,不将技术演示或实验室测试结果直接视为成熟的产业成果,也不将单项企业应用效果推断为宏观经济收益。

七、报告性质

本报告为世界创新大会全球人工智能创新发展年度专题研究成果,旨在提供趋势分析、战略参考和国际创新交流的研究基础。

本报告不构成对特定企业、技术产品或投资项目的商业评价或投资建议。

世界创新大会(WIC)

2026年11月1日·中国广州

微信图片_2026-11-16_100754_559.png

主要参考文献

[1] Stanford Institute for Human-Centered Artificial Intelligence.The 2026 AI Index Report. 2026. Technical Performance及相关章节。OSWorld数据涉及智能体在计算机操作任务中的表现;中美领先模型2.7%的比较依据为截至2026年3月的Arena Elo评分,不能直接解释为国家人工智能综合实力差距。

[2] International Energy Agency.Energy and AI. Paris: IEA, 2025. 数据中心用电与基准情景(Base Case)相关章节。

[3] European Parliament and Council of the European Union. Regulation (EU) 2024/1689 of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act).Official Journal of the European Union, 2024.

[4] European Parliament and Council of the European Union. Regulation (EU) 2026/1744 of 8 July 2026 amending Regulations (EU) 2024/1689, (EU) 2018/1139 and (EU) 2023/1230 as regards the simplification of the implementation of harmonised rules on artificial intelligence.Official Journal of the European Union, OJ L, 2026/1744, 24 July 2026. 该法规于2026年7月27日生效,对部分高风险人工智能系统义务的适用时间作出调整,并不代表整部《人工智能法案》延期实施。

[5] International Monetary Fund.Annual Report 2026. “AI: Deployment and Disruption.” 2026. 相关内容涉及2025年人工智能相关技术投资对美国GDP增长的估计贡献,以及人工智能采用、投资回报和经济增长之间的关系。

[6] Organisation for Economic Co-operation and Development.Skills in the AI age. OECD Artificial Intelligence Papers, No. 60. Paris: OECD Publishing, 2026.

[7] United Nations General Assembly. Resolution A/RES/79/325,Independent International Scientific Panel on Artificial Intelligence and Global Dialogue on AI Governance. Adopted 26 August 2025.

[8] United Nations.Global Dialogue on AI Governance. 首届全球对话于2026年7月6日至7日在瑞士日内瓦举行。

[9] 世界创新大会:《WIC2025全球人工智能创新发展报告》,2025年。


微信图片_2026-11-16_100800_372.png

主编简介

谢云龙,全球创新战略与治理学者,世界创新大会(WIC)创始人、秘书长。主要从事中国与全球创新战略、创新政策、创新治理及创新发展模式研究。

微信图片_2026-11-13_091651_123.png

文章来源:世界创新大会秘书处,版权属于原作者,转载请注明文章作者及来源。

分享到微信朋友圈 ×

点击右上角分享按钮