全球人工智能社会发展研究报告(2025)

GlobalReportonArtificialIntelligenceandSocialDevelopment(2025) 2025年7月 目录 一、摘要.............................................................................................1 二、全球人工智能研究动向...............................................................3 （一）算力革命：能源困局与绿色算力破局............................3（二）模型幻觉：谬误和创见共存............................................5（三）数据让渡：便利增益与隐私风险....................................8（四）劳动转型：替代冲击与技能重构..................................10（五）智能鸿沟：技术红利分配的结构性失衡......................13（六）人机主体性：异化与共生..............................................15（七）大国博弈：权力重构与生态重塑..................................18（八）敏捷治理：渐进改进、协同共治..................................20 三、结语...........................................................................................23 附录：参考文献.................................................................................24 一、摘要 随着生成式人工智能的爆发性演进，技术创新已实现由实验室向社会的全面渗透。当大模型从判别式迈向通用式，当算法从辅助工具演化为自主决策系统，技术已超越工具理性范畴，成为塑造经济秩序、权力结构与文明形态的元力量。进入2025年，人工智能的社会化应用呈现出深度赋能和系统性风险并存的双重图景。一方面，人工智能作为新质生产力的核心引擎，驱动产业智能化升级，孵化出一系列新业态、新场景、新模式，在医疗、教育、新闻、科研等领域释放出巨大潜力。另一方面，数据泄露、算法偏见、隐私侵犯、劳动替代、情感依赖、环境污染等问题，不断挑战社会伦理底线与全球治理体系韧性。 在此背景下，上海市人工智能与社会发展研究会推出《全球人工智能社会发展研究报告（2025）》，立足于技术演进和社会发展的双重逻辑，系统梳理近两年人工智能领域国内外前沿研究成果，综合研判全球人工智能最新研究动态，致力于构建具有前瞻性的研究范式与方法论体系，为后续研究提供可能的思路与方向。报告基于学术前瞻性和社会关切度的双重考量，遵循技术本体-社会辐射-治理反馈的逻辑链路，选取了社会科学领域人工智能研究的八大议题：算力变革、模型幻觉、数据让渡、劳动替代、智能鸿沟、大国博弈、人机关系、敏捷治理。报告试图通过深入剖析各议题的前沿进展、核心争议与发展趋势，为政策制定者、研究者及产业界提供兼具理论洞见与实践价值的参考框架。 Withthe explosive rise of generative artificial intelligence,technologicalinnovationhasachieveditsmassivepenetrationfromlaboratoriesintosociety.Asdiscriminativemodels evolve to generative ones,and algorithms transform fromauxiliarytools to autonomous agents,technology has transcended the realm ofinstrumentalrationality,emergingasameta-forcethatshapeseconomicorder,powerdynamics,and civilization paradigms.Entering 2025,the social application ofartificialintelligencepresentsaduallandscapewherein-depthempowermentandsystemicriskscoexist.Ontheonehand,artificialintelligence,asthecoreengineofnewqualityproductivity,drivestheintelligentupgradingofindustries,incubatingnovelformats,scenarios,andmodels,andunleashesenormouspotentialinfieldsofhealthcare,education,journalism,scientificresearch,etc.Ontheotherhand,issuessuchas dataleakage,algorithmicbias,privacy infringement,labor displacement,emotionaldependence,and environmental pollution continuously challenge thebottomlinesofsocialethicsandtheresilienceoftheglobalgovernancesystem. Inthiscontext,bysynthesizingduallogicsoftechnologicalevolutionandsocialdevelopment,GlobalReportonArtificialIntelligenceandSocialDevelopment(2025）systematicallyreviews the cutting-edge research results in the field of artificialintelligenceoverthepasttwoyears,comprehensivelyanalyzesthelatestresearchtrendsathomeandabroad,andseekstobuildaprospectiveresearchparadigmandmethodologyframework,providing possible ideas and directions for subsequentresearch.Balancingacademicforesightwithsocietalconcerns,thereportfollowsthelogicalchainoftechnicalontology—societalimpact—governancefeedback,andselectseight key research issues on artificial intelligence within social science:computingpower transformation,model hallucination,data concession,labordisplacement,intelligencedivide,superpowercompetition,human-machinerelationships,and agile governance.The report delves deeply into the frontierprogress,corecontroversies,anddevelopmenttrendsofeachissue,aimingtoprovideareference framework that combines theoretical insights and practical value forpolicymakers,scholars,andindustrystakeholders. 二、全球人工智能研究动向 （一）算力革命：能源困局与绿色算力破局 作为人工智能的基底，算力是维持算法运行、激发数据价值的关键要素。随着全球数据中心的持续扩容，技术进步与环境承载能力之间的张力日益凸显，能源生态问题逐渐成为算力研究领域的显性议题。 国内外学者针对算力扩张引发的生态赤字展开了较为深入的分析，主要聚焦在能源消耗、碳排放、电子垃圾三个方面。首先，人工智能产业是能源密集型产业，算力发展对水电等自然资源存在高度依赖。算力基础设施与设备的核心部件是芯片，其研发制造、计算运行、水冷降温都需要庞大且稳定的水电资源支撑（戚凯、杨悦怡，2024）。进一步数据显示，生成式人工智能训练集群的能耗较传统计算负载高出七八倍，ChatGPT搜索的耗电量亦达到网页搜索的五倍。值得注意的是，大模型迭代周期极短，企业常以周为单位推出新版本，导致前期训练投入的能耗沉淀为沉没成本，且新一代模型往往伴随参数规模扩张，进一步推高训练能耗（AdamZewe，2025）。李坤泽（2025）亦指出，大模型的训练与推理需要不断增加参数，堆叠芯片，让数据中心的耗电量呈指数级增加。即便以DeepSeek为代表的新一代人工智能模型在训练阶段的能耗明显降低，但在不断扩张的巨量使用需求面前，它的总耗电量仍然十分惊人，且持续攀升。这种能源消耗压力已对部分国家的发展规划产生影响，一些国家在维护国内基本用电和发展人工智能之间只能被迫放弃或压缩人工智能的发展计划。例如，阿姆斯特丹、伦敦等多个城市已经因能耗高、电网负荷而停止了新数据中心的建设，新加坡、爱尔兰等国的人工智能产业也因电力供应不足而遭遇发展瓶颈。由此可见，人工智能竞争的尽头可能就是电力之争。其次，能源消耗的激增直接导致碳足迹扩大。研究人员指出，训练“单一大型语言深度学习模型”的二氧化碳排放量约达300吨，而普通人年均二氧化碳排放量仅约5吨（吴红、姜惠，2025）。其中，推理 环节碳排放占比尤为显著，大型语言模型应用所覆盖的庞大用户基数则进一步放大了这一环境影响（EddieZhang等，2024）。最后，人工智能系统的迭代升级还持续产生电子废物。世界经济论坛（WEF）预测，2050年电子废物总量将突破1.2亿吨。这类废物中含有铅、汞和镉等危险化学物质，若缺乏安全处理，极易污染土壤和水源，长此以往将对环境构成严重挑战。 与此同时，学界对人工智能与环境的关系认知还存在另一重维度，部分学者强调其在推动环境可持续发展方面的潜在价值，绿色算力由此成为学界探讨技术减排路径的核心议题。对于人工智能与环境这一话题，国内涌现出较多关于二者相关性的量化研究成果，且结论基本一致，均呈现出显著正向效应。具体而言，张秀武和沈洋（2025）基于减污降碳联合减排收益的视角，运用2007-2022年269个地级及以上城市的面板数据，揭示出人工智能可通过替代效应、技术效应与智能决策，提升减污降碳协同效益。与之形成呼应的是，赵雨涵等（2025）基于2011-2021年中国277个地级市的数据，运用门槛效应模型、中介效应模型与空间杜宾模型等方法，实证发现人工智能技术创新对城市碳减排具有积极作用，但该效应随新兴技术应用程度提升呈边际递减趋势。许潇丹和惠宁（2024）的研究则聚焦工业领域，基于2011-2021年中国内地省级面板数据证实，人工智能发展能显著降低工业碳排放强度，且其对工业绿色低碳发展的影响存在区域异