主权人工智能的经济学：平衡亚太地区的自主性、创新和增长（英）

人工智能应用倡议研究 关于牛津经济学 牛津经济学院成立于1981年，作为牛津大学商学院的商业项目，旨在为拓展海外业务的英国公司及金融机构提供经济预测和建模服务。自那时起，我们已成为全球顶尖的独立全球咨询公司之一，为200多个国家、100多个行业领域以及8,000多个城市和地区提供报告、预测和分析工具。我们业界领先的全球经济和行业模型及分析工具，赋予了我们预测外部市场趋势并评估其经济、社会和商业影响的无与伦比的能力。 总部位于英国牛津，并在纽约、伦敦、法兰克福和新加坡设有区域中心，牛津经济学院在全球范围内拥有遍布贝尔法斯特、波士顿、开普敦、芝加哥、迪拜、都柏林、香港、洛杉矶、墨西哥城、米兰、巴黎、费城、斯德哥尔摩、悉尼、东京和多伦多的办事处。我们拥有700名员工，其中包括450多名专业经济学家、行业专家和商业编辑——这是全球规模最大的宏观经济学家和思想领导力专家团队之一。我们的全球团队精通各种研究技术和思想领导力能力，涵盖计量经济学建模、情景构建、经济影响分析，以及市场调研、案例研究、专家小组和网页分析等。 牛津经济研究院是企业和政府决策者及思想领袖的关键顾问。我们全球客户群现包括超过3000家国际组织，涵盖顶尖跨国公司及金融机构；关键政府部门和行业协会；以及顶尖大学、咨询公司和研究机构。 目录 第一部分 量化主权人工智能措施的经济影响 ..................................................................3 第一部分：量化主权人工智能措施的经济影响 主权人工智能措施旨在保护敏感信息，并确保对数字服务的可靠访问。然而，这些政策也影响着组织如何部署人工智能、国内基础设施所需的投资规模，以及人工智能推动生产力和经济增长的速度。本附录提供了一个结构化的框架，用于评估如下所示的主权相关限制级别的影响。 主权人工智能的经济：在亚太地区平衡自主权、创新与增长——技术附录 附录分为四个主要部分： • 人工智能应用与基础设施需求 - 我们利用协调数据集和扩散模型估算当前及未来的人工智能应用情况。然后将这些应用轨迹与基础设施需求联系起来，量化主权规则如何影响离岸外包的程度以及所需国内产能的规模。 • 投资需求 - 我们评估了在不同主权情景下满足这些基础设施和能力需求所需的成本。这包括计算基础设施、人工智能工具、软件和应用程序投资方面的资本和运营支出，以及为人工智能工具和应用程序培养熟练开发者基础所需的资源。 • 评估主权规则如何影响人工智能的采用、生产力和国内生产总值 - 我们分析了限制性措施（使用数字开放性综合指数和外国所有权限制，以及与基础设施建设相关的延迟来衡量）如何影响人工智能采用率。 • 将采用与生产力和GDP挂钩 - 最后，我们利用牛津经济研究院的AI生产力框架，将采用变化与生产力和经济增长联系起来。这种方法将任务层面的自动化潜力转化为部门层面的生产力提升以及对全要素生产力（TFP）和GDP的长期影响。 第二节 国内基础设施要求 我们分析的第一个阶段估算了各国在不同主权规则下，为满足其国内人工智能需求所需的人工智能相关基础设施。具体而言，它旨在量化主权规则如何影响人工智能相关基础设施的本土化程度。 我们通过将2024年全球AI相关计算基础设施总量，根据AI采用率和经济规模（以实际GDP为代表）这两个因素分配到各国，将预计采用量转化为基础设施需求。这为各国当前基础设施需求提供了特定国家的估算值。然后，根据模型预测的采用率变化，对未来的基础设施需求进行预测。 当前人工智能应用 我们使用企业层面的采用率来估算当前的AI需求。遵循经合组织的定义，采用是指企业利用AI来提高商品和服务的生产，因为生产力的提升主要集中在这一点上。 由于不存在单一的全球可比数据来源，我们结合了多个数据集中的估算值。国家根据数据可用性分组如下： 1.第一组国家：美国、加拿大和欧盟。我们遵循经合组织的协调方法，利用官方调查数据，并根据行业构成和企业规模差异进行标准化处理。1,2 这些协调后的观测值随后与基于结构驱动因素、数字基础设施和技能的计量经济学预测值相结合，采用一个包含行业固定效应的回归模型（如图2所示）。使用基于国内生产总值（GVA）的权重将行业层面的采用率加权汇总至经济体层面，这些权重反映了各行业在增加价值中的份额。3最终的采用估计值取协调后调查值与模型预测值的简单平均值。 2.国家组别2：亚马逊国家报告。4 我们使用亚马逊国家报告，因为它们覆盖广泛的地理范围，并在各市场应用一致的方法论，从而确保可比性 。这些报告提供了先进采用率的估计值，为确保与组别1的一致性，我们从同时存在于两个数据集中的国家推导出一个调整因子，并将其应用于仅由亚马逊报告覆盖的市场。与组别1的方法一致，我们随后将这些调整值与模型推导的估计值相结合。由于其中许多国家缺乏完整的结构指标，我们在回归分析中采用Misra等人（2025）5的采用率作为代理指标，鉴于其与高强度采用的高度相关性，这有助于保持预测准确性。然后使用GVA加权份额对部门层面的采用率进行汇总，并将其与调整后的亚马逊数据进行结合，以生成适用于组别2的一致且对齐的估计值。 3.第三组国家：其余市场。对于没有直接数据可用的其余市场，我们完全依赖使用与第二组相同规格的模型预测值。 经合组织方法这种方法为所有国家产生了一致且可比的收养估计值，并与...保持一致。 未来领养 为预测未来十年的采用情况，我们应用了一个S型逻辑扩散模型，该模型将每个国家锚定在其当前的采用水平，并反映了早期通用型技术中出现的模式。未来的轨迹是根据企业软件的预期采用路径进行校准的，并且曲线与我们在先前软件采用分析中的中等情景相一致，以确保扩散的步伐均衡且现实。6,7 该情景在没有主权要求的情况下，构成了我们AI采用的基准。 此外，我们根据互联网接入和云连接等基础设施数据，估算了一个饱和点。尽管经合组织（OECD）假设G7国家的饱和点为80%，但为了反映这些限制，我们将每个国家的最大采用率设定为其在2035年的预计互联网普及率。8,9此调整确保了预计的采用情况保持现实，并与潜在的结构性条件保持一致。 国内人工智能基础设施要求 主权人工智能政策可以通过要求国内数据存储和国内计算能力来施加不同程度的限制。为了估算满足计算需求所需的国内基础设施建设成本，我们首先将每个国家的AI采用率转换为基础设施需求。 以吉瓦为单位，并以2024年的产能水平为基准。随后，根据各国不同的限制程度差异，采用各自的采纳路径来预测这一基础设施需求。 将收养与基础设施需求联系起来 我们将采用量的变化与预计的基础设施需求联系起来，方法是分配2024年全球AI基础设施存量的估算值到各国。为计算全球存量，我们取领先估算值的平均值：布鲁菲尔德（Brookfield）和BCG都将产能置于7吉瓦（GW），而高盛（Goldman Sachs）则建议为7.7吉瓦。10,11,12 尽管一些来源报告了更高的数字，但这意味着在下方确定的主要地区之外存在大量产能，鉴于当前的发展模式，这一假设似乎不太可能。13 2024年各国的特定基础设施需求，是通过将估计的全球人工智能基础设施存量除以各国的人工智能采用率和按实际GDP衡量经济规模得出的。然后，根据各国人工智能采用率的预期增长，估算到2035年的基础设施需求基准增长。 我们还针对推理相关的基础设施需求进行了调整，因为模型单独考虑了构建和训练前沿模型所需的基础设施。来自NVIDIA和亚马逊的证据表明，大约80%的总计算能力用于推理，20%用于训练。为了反映这种比例，我们将基础设施需求减少了20%，以便我们的估计仅涵盖推理基础设施需求。 主权相关限制级别和本地化要求 为估算不同限制级别下所需的国内基础设施，我们参考支出数据，该数据显示政府约占亚太地区人工智能总支出的10%。¹⁵ 英国的研究表明，政府数据中只有一小部分（10%）高度敏感。 10 李V等，“打破数据中心增长壁垒”，BCG全球，2025年，2025年12月访问。11 布鲁克菲尔德，“构建人工智能的骨干”，2025年8月，2025年12月访问。 主权人工智能的经济：在亚太地区平衡自主权、创新与增长——技术附录 与此同时，其他研究表明，敏感的私营部门数据在2025年已占云资产的54%，较2024年的47%有所上升。16 基于这些估计的范围，我们将经济中保留的数据比例分为三个等级： • 有限：敏感的公共部门工作负载（假设为10%）以及私人部门工作负载中无数据限制（即0%） • 中等：对公共部门和私营部门的工作负载中的数据限制为50% • 高：私营和公共部门的所有工作负载均完全受限（即100%）。 根据这些假设，我们在限制条件下计算国内基础设施需求。具体而言： • 未来国内基础设施需求：我们根据采用曲线的预测，估算未来10年基础设施需求将如何增长，并应用相关限制性情景，以确定其中必须由国内承建的份额，从而形成国内基础设施需求。 • 现有需本地化的2024年需求：通过使用世界银行的数字贸易监管数据库（DTRR），我们识别了当前的数据托管限制，并确定了2024年的计算需求中有多少必须本地化。剩余部分则代表了在不同限制级别下需要新本地化的份额。例如，在限制级别5下，一个没有现有限制的国家需要将其全部2024年需求本地化。相比之下，一个在私营部门和公共部门都存在适度限制的国家，则被要求将目前未受这些规则覆盖的数据的50%本地化。 尽管各国实践各异，该框架提供了一个一致的基准用于比较，特别是与最严格的案例进行比较，在该案例中，所有人工智能工作负载都必须在国内托管。 第三节 投资成本 一旦计算出国内基础设施需求，我们便估算出在各级限制性水平下建设相应能力所需的成本。这项分析借鉴了文献和行业领先来源的一系列估算。这些成本可分为三大类：资本成本、运营成本和环境成本。 • 资本成本涵盖数据中心建设、具备人工智能功能的IT硬件以及土地购置，还包括扩展连接网络和电力电网的投资。 • 运营成本涵盖持续性的水电费和人工成本。 • 能源和水资源使用带来的环境成本。 并利用下表中列出的关键假设。 主权人工智能的经济：在亚太地区平衡自主权、创新与增长——技术附录 为估算总投资额，我们首先计算核心数据中心成本，然后加上满足不同严格程度下国内基础设施需求所需的其他基础设施投入。 • 核心数据中心资本成本：这些成本通过将国内基础设施需求乘以每吉瓦容量的成本来计算，估计每吉瓦服务器功率的成本为440亿美元。 • 电气化成本反映了发电能力的扩张，基于对亚洲电厂建设的估算，而亚洲占全球在建燃油发电能力的约三分之二，这一数据来自全球能源监测。17 我们估计，AI 基础设施需求增加 1GW 将需要额外 7.5 亿美元的投资用于电气化。18 • 连接成本，即扩展布线基础设施以将数据中心连接到超高速宽带所产生的成本，预计将占资本支出的额外5%。 随后，我们添加了在七年期间计算得出的总运营成本，以反映基础设施需要三年建成这一假设。运营成本计算如下： • 能量消耗根据各国电力价格、各情景下的预期国内基础设施需求以及假设的1.4点PUE进行计算，这反映了一种假设，即增量本地需求通过共址数据中心得到满足，而这类数据中心的平均PUE通常高于超大规模云设施。19,20 • 人工成本构成其余的运营支出。根据证据显示，超大规模设施需要约200名员工，我们将人员需求根据国内基础设施需求所代表的那部分超大规模数据中心的比例进行规模调整。21 然后，使用数据中心运营岗位的薪资，并根据国家层面的工资差异进行调整，以估算相应的年人工成本。 主权人工智能的经济：在亚太地区平衡自主权、创新与增长——技术附录 • 普遍认为 IT 硬件的平均使用寿命为六年，之后其价值完全摊销并予以更换。该摊销计划应用于具备人工智能功能的 IT 硬件的资本成本，以估算持续的更换支出。 最后，我们关于国内基础设施需求增加