2026全球智能鸿沟的演变态势与普惠路径研究报告-世界互联网大会

微信扫码，打开到小程序

世界互联网大会智库合作计划系列成果 浙江大学国际传播研究中心 乌镇数字文明研究院 全球智能鸿沟的演变态势与普惠路径研究 2026年4月 工作组 组长 方兴东 浙江大学国际传播研究中心执行主任、乌镇数字文明研究院院长 副组长 赵瑜佩 浙江大学传媒与国际文化学院副院长 钟祥铭 乌镇数字文明研究院执行院长、浙江传媒学院新闻与传播学院副研究员 工作组成员 吴飞 浙江大学国际传播研究中心主任 孙梦如 浙江大学国际传播研究中心秘书长 姚旭 乌镇数字文明研究院特聘研究员、浙江传媒学院 教师 俞婷薇 乌镇数字文明研究院特聘研究员 王奔 浙江大学传媒与国际文化学院博士生 目录 一、 二、 三、 四、 全球智能鸿沟的演变态势与多维表征 （一）全球 AI 准备度的梯度分层与发展壁垒 （二）资本驱动下的企业 AI 应用分化与收益失衡 （三）算力基础设施的全球失衡与关键资源的集聚分布 （四）数据代表性缺失与算法体系的语境适配偏差 （五）全球劳动力市场的技能分化与价值链分层 （六）治理赤字与“规则鸿沟” 智能鸿沟的底层逻辑：技术、资本与政治的 “不可能三角” 科技创新是破解智能鸿沟的根本引擎 迈向全球智能普惠的战略路径建议 01 02 02 03 03 04 04 04 06 07 09 前言 01 前言 人工智能正成为重塑全球生产关系的新型通用目的技术（GPT）与认知基础设施，然而红利分配的严重失 衡，正催生出比传统数字鸿沟更具系统性与隐蔽性的“智能鸿沟”，引发全球“下一次大分流”的严峻风险。这一 系统性不平等广泛体现在各国AI准备度分层、大企业垄断收益、算力资源分配不均、数据与模型的代表性失衡、 劳动力技能分化以及全球治理规则错位等多个维度，其根源在于技术高门槛、资本垄断与地缘政治壁垒共同构 筑的“不可能三角”。破解该结构性困境的根本引擎，是依托以DeepSeek为代表的开源、高效、低成本的创新路 径，将AI重塑为全人类共享的“智能公共物品”。国际社会需将技术颠覆性创新与包容性全球治理相结合，共同 构建普惠、公正、可持续的全球智能新秩序。 （一）全球 AI 准备度的梯度 分层与发展壁垒 一、全球智能鸿沟的演变态 势与多维表征 人工智能正处于全球生产力重塑的十字路口。 作为一种能够感知、推理、行动并适应环境的程序系 统，AI已不再只是传统意义上的“工具性技术”，而正 在成为一种重构生产关系、组织结构与社会认知方 式的基础性力量。换言之，AI所引发的变化，不仅体 现在效率提升、成本下降或流程优化层面，更体现为 全球生产范式的本体论转换（Ontological Shift），即 生产不再只是人类劳动与机器机械化协同的过程， 而逐步演变为人机共生的复合型智能生产体系。在 这一体系中，知识的生成、资源的配置、决策的形成 乃至制度的设计，都在被智能化逻辑重新编码。在这 一意义上，AI正从“自动化工具”升级为“认知基础设 施”，并深度嵌入国家治理、产业竞争与社会运行之 中。 然而，AI所开启的这一路径并非天然通向普惠 与共享，相反，它正显露出明显的全球分配失衡风 险。一方面，AI确实可能成为实现联合国可持续发展 目标（SDGs）的关键加速器。在医疗诊断、教育普及、 气候治理、农业优化、灾害预警、公共服务供给等领 域，AI能够显著提升资源使用效率与政策响应能力， 为发展中国家提供跨越式发展的新机会；另一方面， 如果核心算法、算力基础设施、高质量训练数据，以 及关键知识产权高度集中于少数国家、平台与资本 集团手中，那么AI也可能演变为加剧全球不平等的 “断裂带”。技术优势将被迅速转化为产业优势、金融 优势、制度优势与话语优势，进而固化为新的全球权 力结构。正因如此，智能鸿沟研究正在超越单纯工程 学与产业技术政策范畴，成为关乎全球公平、发展与 和平的关键战略命题。未来的关键不只是如何发展 更强的AI，而是如何构建更公平的AI发展秩序，包括 推动开放共享的技术合作机制、建设包容性的全球 数据治理规则、强化发展中国家的本地能力建设、促 进多语言与多文化语境下的模型训练，以及建立面 向公共利益的算法治理框架。只有当AI的创新红利 能够在全球范围内实现更均衡分配，AI才可能真正 成为人类共同发展的引擎，而非新的结构性分裂源 头。 智能传播时代的数字鸿沟正加速演化为更深层 次的“智能鸿沟”，并在知识获取与生产、生存能力与 权利保障、表达参与与社会影响，以及反思并抵抗技 术异化四个维度上拉大人群差距。1智能鸿沟（数字 鸿沟3.0）已经超越了“是否能连上网”的接入鸿沟 （数字鸿沟1.0）和“是否会使用网络”的素养鸿沟（数 字鸿沟2.0），演变为围绕算力、算法、数据、人才、组 织能力与治理规则展开的系统性不平等，相较传统 数字鸿沟，更具显著的外生性与隐蔽性特征。它的形 成往往受全球资本流动、地缘政治竞争、技术标准体 系和平台生态控制等外部力量驱动；其影响贯穿国 家发展能力、产业价值链位置、劳动力市场结构乃至 国际治理话语权等关键维度；而其造成的不平等后 果，又常以“技术中立”的表象加以遮蔽，难以被及时 察觉、识别与纠偏。 从演变趋势看，全球智能鸿沟正经历一个关键 转向，由早期的“数字化基础能力差距”，加速向“智 能化收益分配差距”和“规则制定权差距”深化。这意 味着，一国或地区能否在AI浪潮中持续获取发展红 利，核心已不再局限于互联网普及率或数字化程度， 而是取决于其是否具备跨越“AI准备度门槛”的综合 能力，包括基础设施、人才体系、创新生态、监管能力 与伦理治理框架等。国际货币基金组织（IMF）推出的 AI准备度指数（AIPI），正是这一转向的具象化体现。 AIPI从数字基础设施、人力资本与劳动政策、创新与 经济一体化、监管与伦理四个维度，对全球142个经 济体展开综合评估，清晰呈现出全球AI准备水平的 显著分层格局。先进经济体整体处于领先梯队，而低 收入国家则在多维度上普遍存在短板，形成AI发展 赛道上难以逾越的“起跑线差距”。 2然而，AI准备度本 身正在成为一种新的发展门槛。与传统数字化不同， AI的有效部署要求国家同时具备较高水平的网络与 02 彭兰.智能传播时代“智能鸿沟”的走向探询[J].中国编辑,2024,(11):19-26. 1 Melina G. Mapping the World's Readiness for Artificial Intelligence Shows Prospects Diverge. 2024-06-25. https://www.imf.org/en/blogs/arti- cles/2024/06/25/mapping-the-worlds-readiness-for-artificial-intelligence-shows-prospects-diverge 2 世界互联网大会智库合作计划系列成果 （三）算力基础设施的全球失 衡与关键资源的集聚分布 （二）资本驱动下的企业 AI 应用分化与收益失衡 如果说数字时代的核心基础设施是宽带与终 端，那么智能时代的底层基础设施则是高性能计算 （HPC）、大型数据中心、云平台能力与先进芯片供 给。而这些资源在全球范围内呈现出高度集中分布。 世界银行《2025年数字化进程与趋势》 （Digital Progress and Trends 2025）报告显示，高收入国家 拥有全球Top500高性能计算系统中的绝大多数，并 占据压倒性的计算能力份额；中低收入国家在系统 数量和算力容量上明显不足，形成严重的“算力赤 字”。该报告还指出，美国在人均安全互联网服务器 保有量方面远高于典型中等收入国家和低收入国 家，差距达到数百倍乃至数万倍量级。 7与此同时，AI 数据中心的空间分布也具有明显的地理偏向性。公 开报道和政策研究显示，具备大型AI数据中心能力 的国家数量有限，且高度集中于北半球与高收入经 济体；在数据中心容量方面，高收入国家占据绝大多 数份额，而非洲占比不足1%。 8这不仅是技术问题， 也是能源—基础设施—金融能力的综合体现。大型 数据中心对稳定电力、冷却系统、通信网络与运维体 系要求极高，许多全球南方国家受制于电网不稳定、 融资成本高与基础设施薄弱，难以支撑高等级数据 从产业与企业层面看，全球AI扩散呈现出一种 表面繁荣与内部分化并存的态势。一方面，斯坦福 《AI指数报告2025》显示，2024年全球AI私营投资规 模依然庞大，达到约3159亿美元，美国AI投资达到 1091亿美元，显著领先其他国家；4全球组织AI使用 率也从2023年的55%升至2024年的78%，但大企业 与中小企业之间存在显著差距。大型企业中超过六 成已在试点或运行AI项目，小微企业中这一比例不 足四成。同时，近40%的企业正在试点生成式AI项 目，却仅有不到5%的项目真正实现稳定落地并产生 显著财务回报。 5但另一方面， “使用AI”并不等于“从 AI中稳定获益”。越来越多证据表明，企业之间存在 明显的采纳鸿沟、能力鸿沟与价值鸿沟。大型企业凭 借数据积累、算力预算、流程治理与复合型人才，更 容易推进AI从试点走向规模化应用；而大量中小企 业则停留在工具尝试、局部接入和演示性部署阶段。 03 算力基础设施、受过训练的人才队伍、可吸纳新技术 的产业体系，以及能够回应风险的监管与伦理机制。 先进经济体凭借基础设施与制度能力的协同优势， 能够高效将AI技术能力转化为生产率提升与产业创 新优势，形成发展的正循环；而低收入国家即便在个 别领域有所进展，也会因整体发展生态的薄弱，难以 推动AI技术的规模化应用与持续迭代升级。 3这意味 着，AI准备度已从衡量发展现状的“描述性指标”转 化为“筛选性机制”。只有跨越这一门槛，国家与地区 才能在AI浪潮中获得长期、可持续的结构性收益。若 未能突破这一壁垒，即便短期内实现AI技术的局部 部署，也终将停留在示范性应用、对外技术依赖、边 际价值创造的层面，难以真正融入全球AI发展的核 心赛道。 Cazzaniga M. et al. Gen-AI: Artificial Intelligence and the Future of Work. 2024-01-14. https://www.imf.org/en/publications/staff-discussion-notes/is- sues/2024/01/14/gen-ai-artificial-intelligence-and-the-future-of-work-542379 3 Stanford HAI. The 2025 AI Index Report. https://hai.stanford.edu/ai-index/2025-ai-index-report/economy 4 199IT. 生成式AI鸿沟：2025年商业人工智能现状. 2025-08-29. http://www.199it.com/archives/1780923.html 5 Singla A et.al. The state of AI: How organizations are rewiring to capture value. 2025-03-12. https://www.mckinsey.com/capabilities/quantum- black/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value 6 Satariano A., Mozur P.The Global A.I. Divide. 2025-06-21. https://www.nytimes.com/interactive/2025/06/23/technolo- gy/ai-computing-global-divide.html 8 World Bank. Digital Progress and Trends Report 2025: Strengthening AI Foundations. 2025-11-24. https://openknowledge.worldbank.org/- server/api/core/bitstreams/f2509a0f-7153-4f32-b180-bc11e90c4940/content 7 Kaur A. From Divide to Delivery: How AI Can Serve the Global South. 2025-10-08. https://www.csis.org/analysis/divide-deliv- ery-how-ai-can-serve-global-south 9 相关企业调查也指出，尽管AI项目众多，但真正能够 稳定落地并持续产生显著财务回报的项目比例仍然 有限，企业普遍面临“从试点到生产”的转化难题。 6 因此，AI扩散的真实图景并非“普遍均衡受益”，而是 “高采纳率掩盖下的收益集中化”。这也是智能鸿沟 比数字鸿沟更隐蔽之处，即看上去大家都在用AI，实 际上只有少数主体真正建立了可持续的智能生产能 力。 （四）数据代表性缺失与算法体 系的语境适配偏差 智能鸿沟并不只发生在硬件层面，更深刻地体 现在数据与模型的底层构建之中。当前全球主流大 模型的训练语料、评测标准与价值对齐机制，整体上 仍以英语世界和发达国家场景为主，这使得大量低 资源语言、地方知识与非西方社会经验在训练数据 中被低度表示甚至缺席。由此带来的结果是，全球大 量用户并非真正被平等纳入AI系统，反而陷入“被技 术近似处理”的状态。也就是，在语言理解、专业术 语、政策语境、文化隐喻和社会规范上都可能遭遇模 型性能衰减、判断偏差加剧和“机器幻觉”等问题。这 种现象可被概括为“数据贫困（data poverty）”与 “文化对齐偏差”的叠加。前者指向部分群体在AI训 练数据中缺乏足够的有效样本支撑，难以被模型精 准识别与刻画，后者则意味着即便被纳入数据，也可 能被套入并不适配的分类逻辑与价值框架，最终导 致模型输出与现实需求脱节。相关研究与政策报告 指出，在公共卫生、金融信贷、社会保障等高敏感应 用场景中，算法偏差可能使缺乏数字足迹的群体，如 偏远地区居民、原住民、发展中国家弱势女性等，进 一步沦为“算法隐形人”，甚至在“看似客观”的自动 决策中被系统性排斥。 10因此，未经本地化适配的技 术转移，并不一定能够解决发展问题；在某些情况 下，它反而会以技术效率的名义复制并放大既有的 城乡、性别、阶层不平等⸺并非通过直接政治控制， 而是通过模型架构、训练数据与平台接口规则来塑 造认知与治理边界。 04 中心建设与持续运营。世界银行与CSIS等机构均强 调，基础设施约束正在成为发展中国家部署AI的关 键瓶颈。 9其直接后果是，许多发展中国家不得不高 度依赖境外云服务和跨国平台基础设施，敏感数据 （如健康、金融、政务相关数据）在存储、处理与调用 过程中受到外部平台规则与域外管辖影响，从而引 发数据主权、安全治理与战略自主性风险。 最后，也是最容易被忽视的维度，是治理层面的 “规则鸿沟”。AI技术兼具高速迭代的技术特性与强 跨界外溢的社会效应，其发展天然陷入“科林格里奇 困境” （Collingridge dilemma）⸺技术萌芽阶段风 险难以辨识，难以形成有效监管；待风险显现并扩 散，技术路径、市场格局与利益结构已深度固化，治 （六）治理赤字与“规则鸿沟” （五）全球劳动力市场的技能分 化与价值链分层 智能鸿沟的另一关键表征，是劳动力市场层面 的技能分化与价值链分层。AI并非简单减少或增加 就业，而是在重组劳动结构、重估技能价值，并重新 划分全球劳动分工。算法工程师、机器学习研究员、 数据科学家、AI产品架构师等高技能岗位，通常获得 更高工资溢价与更强议价能力；而大量中低技能、可 流程化的白领岗位，如基础客服、初级文秘、部分翻 译与标准化内容处理工作，则面临更高替代风险或 岗位降级风险。关于AI对就业结构影响的官方研究 与政策情景分析也普遍强调，这种影响并非平均分 布，而是会强化技能、行业与地区间的不均衡。 11更值 得关注的是，全球价值链中的“上下游分化”。一方 面，高收入国家和少数科技中心凭借算力、资本与科 研平台吸引顶尖人才，形成“人才跟随算力走”的集 聚效应；另一方面，不少发展中国家则更多在承接AI 产业链中低附加值、劳动密集型环节，如数据标注、 内容审核、数据清洗等。布鲁金斯等研究指出，全球 南方在数据与AI劳动中的角色日益重要，但这类工 作常常伴随低薪、弱保障、平台化雇佣不稳定以及心 理健康风险，尤其是在高强度内容审核任务中更为 明显。 12这意味着，智能鸿沟不仅是“是否能使用AI” 的能力差距，更是“在AI价值链上处于何种位置”的 结构性差距。一些国家创造模型、制定接口、控制平 台，另一些国家则提供廉价劳动与数据原料，难以获 得相应的知识产权收益和产业升级机会。 World Bank. Digital Progress and Trends Report 2025: Strengthening AI Foundations. 2025-11-24. https://openknowledge.worldbank.org/- server/api/core/bitstreams/f2509a0f-7153-4f32-b180-bc11e90c4940/content 10 Haag A. The State of AI Competition in Advanced Economies. 2025-10-06. https://www.federalreserve.gov/econ- res/notes/feds-notes/the-state-of-ai-competition-in-advanced-economies-20251006.html；Cerutti E. et al. The Global Impact of AI：Mind the Gap. 2025-04. https://www.imf.org/-/media/files/publications/wp/2025/english/wpiea2025076-print-pdf.pdf 11 Kaur A. From Divide to Delivery: How AI Can Serve the Global South. 2025-10-08. https://www.csis.org/analysis/divide-deliv- ery-how-ai-can-serve-global-south 12 世界互联网大会智库合作计划系列成果 05 理成本大幅攀升。 13这一困境在全球层面被进一步放 大，不同国家对 AI 的核心关切存在显著差异。发达国 家更强调前沿模型安全、国家技术竞争与高风险场 景