全球智能鸿沟的演变态势与普惠路径研究

浙江大学国际传播研究中心乌镇数字文明研究院 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 01前言 一、全球智能鸿沟的演变态势与多维表征02 （二）资本驱动下的企业 AI 应用分化与收益失衡03 （三）算力基础设施的全球失衡与关键资源的集聚分布03 （四）数据代表性缺失与算法体系的语境适配偏差04 （五）全球劳动力市场的技能分化与价值链分层04 （六）治理赤字与“规则鸿沟”04 二、智能鸿沟的底层逻辑：技术、资本与政治的06 “不可能三角” 三、科技创新是破解智能鸿沟的根本引擎07 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。 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。 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。 （一）全球 AI 准备度的梯度分层与发展壁垒 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 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。 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。 （三）算力基础设施的全球失衡与关键资源的集聚分布 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》（DigitalProgress 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 （二）资本驱动下的企业 AI应用分化与收益失衡 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。 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。 （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。 （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