本报告探讨了数字数据和人工智能的进步如何为全球情报体系提供更丰富、及时和透明的洞察，从而提升对关键问题的理解并应对全球挑战。
传统数据的局限性： 官方数据往往缺乏地方细节、特定群体信息，且存在系统性滞后，无法满足当今的信息需求。在较贫穷的国家，数据挑战更为严峻，数据收集频率低、准确性不高，且难以追踪实现可持续发展目标进展所需的数据。
数字数据和人工智能的机遇： 全球数字化产生了大量、多样化和持续的数据流，为更及时、更详尽、更透明的洞察提供了可能。人工智能的进步，特别是大型语言模型（LLMs），能够从文本和图像中提取并分类结构化信息，分析全球新闻文章、招聘信息、新闻发布等，实现大规模快速的新数据收集。
案例研究：
- 验证和衡量通货膨胀： 研究人员利用人工智能从在线超市网站收集价格数据，创建更替代性且更具时效性的通货膨胀指标，如PriceStats和Zillow的房价指数。大型语言模型在预测美国通胀方面比专业预测者更准确。
- 实时追踪经济复苏： 学术研究人员结合私营部门在线数据，构建了公共、持续的经济数据集，提供近乎实时的经济复苏洞察，例如“机遇洞察经济追踪器”。
- 挑战中国的数据差距： 在中国撤销“动态清零”政策后，网络搜索、卫星图像和智能手机定位显示，官方指标严重低估了健康损害程度并夸大了经济复苏情况。分析师利用卫星图像、网络搜索和每日连续调查等非传统数据，揭示了中国经济的真实状况。
- 监测国际发展： 在贫困国家，国际机构、政府和研究人员正重用数字数据集并采用人工智能技术，试图对低收入经济体和社会形成更详细、及时且细致的理解。例如，加纳的项目结合人工智能、无人机监控和公民科学来绘制海洋塑料污染模式。
- 追踪全球供应链： 实时船舶追踪数据，如自动化识别系统（AIS），以及人工智能工具，能够揭示全球贸易的实时洞察，例如俄罗斯构建影子石油市场的速度。
政策建议：
- 投资基准数据而非替换基准数据。
- 构建公共数据池，将私营部门数据转化为公开可访问的数据集。
- 战略性地投资人工智能工具，优先投资于高频数据以及在服务不足或偏远地区或人口、在存在重要公共利益问题的领域、在详细和及时信息能显著改善成果的领域、在市场激励机制薄弱且官方数据不可靠的领域。
- 拓展人工智能与数据治理，超越危害缓解。
- 采用透明度、道德和隐私框架。
结论： 政策制定者需要重新思考其数据和信息收集方法，并投资于数字数据和人工智能工具，以更好地理解和应对社会挑战。这些工具可以填补我们认知中的空白，实现对声明的近乎实时验证，或提供关于此前信息空白的人群脆弱性或偏远地区的信息。人工智能的进步意味着我们可以比以往更快、更高效地收集数据，扩大我们所拥有的数据点和信息数量，并从多个数据源中提取有关关键社会挑战的 meaningful information。
