双循环新格局 | 第四章 工业化数字经济：AI如何重塑全球价值链与中国双循环
- 公众号：中金点睛
- 发布时间：2026-07-10T07:31:47+08:00
- 微信链接：https://mp.weixin.qq.com/s/Xg7ZhvrNC8cqn7kDFaZ_mw
- RSS ID：3270332840-2247847889_1
- Feed ID：MP_WXS_3270332840
- Glance 当前首页可见：是
点击小程序查看报告原文
Abstract
摘要
AI正推动数字经济迈入工业化时代。智能能力第一次成为可按量交付、可跨境流通的标准中间品。数字经济逐渐告别过去三十年由轻资产、零成本复制与平台网络效应驱动的增长模式，呈现出重资本投入、批量化生产、链条化分工、贸易属性强等工业经济的完整特征。支撑这一转变的，是AI把人类的隐性认知，变成可训练、调用、计量、编排并嵌入工作流的认知服务。工业化的数字经济，正推动全球价值链沿物质底座、智能供给、组织中介、场景兑现分化成四层结构。各层价值留存能力并不相同，新增收益总是流向议价能力强、客户黏性高的环节，而控制权与租金则会成为未来地缘经济竞争的焦点。其中，AI开闭源无疑是这场竞争重要变量，它既取决于各国与企业的禀赋，又反过来决定全球价值链的新格局。开闭源对应数字经济两类产权与租金安排：闭源凭前沿模型所有权将租金集中于模型层，开源则压低该层排他性收益、把价值推向其余层。对中国而言，AI发展的关键在于依托完整的产业体系、丰富的应用场景和较强的工程实施能力，将技术优势转化为现实生产力。内循环推动产业场景形成可复制的解决方案，外循环则通过开放合作促进技术扩散，并利用海外反馈持续改进，从而使AI发展更好服务于产业升级和社会福祉改善。
Text
正文
一、工业化的数字经济：智能成为可规模化生产的中间品
（一）过去三十年数字经济的轻资产增长模式
过去三十年的数字经济建立在三大支柱之上，软件复制成本趋零、平台网络效应与流量数据变现。软件一旦完成开发，复制和分发的边际成本相对有限；互联网平台的竞争优势主要来自用户规模、数据入口、算法分发和生态锁定；商业模式的核心是把流量与数据转化为广告、佣金与订阅收入。在这一模式下，数字企业呈现典型的轻资产特征，研发与人力是主要投入，固定资产占比低，扩张的约束来自网络效应与用户注意力，而非物理产能。
轻资产模式塑造了一种较为流行的认知，数字经济似乎“摆脱了物质约束”。信息可以近乎零成本地复制与传输，价值创造似乎与资本、能源和产能等物质要素逐渐脱钩。这一认知也影响了针对市场与政策的分析框架。数字经济被视为与重资产工业部门相对的存在，其竞争分析围绕入口、流量与生态展开，其增长上限由用户规模与注意力决定。理解AI带来的冲击，最容易的起点正是检验这一轻资产增长模式是否仍然成立。AI恰恰在成本结构、资产形态与产品形态这三个最根本的维度上，使数字经济重新走向工业化。
（二）数字经济工业化：供给侧和产出侧的双重转变
数字经济工业化，是指数字经济的增长模式从轻资产复制转向重资产生产、从最终软件销售转向标准化中间品供给的结构性转变，包含供给侧与产出侧两重相互联系的含义。从经济学角度看，数字经济工业化是对数字经济宏观增长范式变动的判断，其微观机制是智能能力的产品化——智能不再只是人类劳动者附带提供的经验、判断与沟通能力，而成为可训练、可调用、可计量、可编排并可嵌入生产流程的对象。
供给侧的转变体现为智能产品的物质底座重资产化，数字经济第一次获得了自己的“重工业部门”。传统数字经济的价值创造更多依赖软件、流量、算法和数据复用，物质投入在单位价值中的占比较低；但AI每一次训练、推理和Agent工作流，都需要调用GPU、HBM、服务器、数据中心、电力、冷却和网络资源。若将设备与建筑折旧、能源和物资消耗合并计入物质消耗，AI在价值创造中的物质消耗比例已明显高于服务业部门，并更接近制造业等工业部门（图表1）。这说明AI并不是轻资产数字经济的自然延伸，而是在数字经济内部形成了持续消耗资本设备、能源和基础设施能力的“重工业”环节。
图表1：AI与各行业的物质消耗在价值创造中的比例
注：AI模型栏展示的是实测计算成本与API价格之比，实测计算成本数据来自Zhuang et al.(2025)，其中主要是硬件折旧成本和能耗，GPT-OSS-20B的价格采用OpenRouter、AIMLAPI、Together AI、Fireworks AI、Groq五家供应商的中位数价格，Qwen3-30B和Mistral Small采用官方API价格；工业和服务业栏展示的是2024年美国各行业物质消耗与总产出之比，其中物质消耗包括设备与建筑折旧、能源和物资消耗 资料来源：Zhuang et al.(2025)[1]，各公司官网，BEA，中金研究院
更进一步，AI重资产化的特殊性不只在于资本开支高，还在于核心硬件的经济折旧更快。与互联网时代数据中心主要由通用CPU、存储、网络设备以及供电、制冷、建筑等较长寿命资产构成不同，AI时代的资本开支中新增了占比很高的GPU+HBM加速器，而这类资产在商业层面的折旧周期仅3年左右，明显短于其他IT设备的5年、供电和制冷设施的15年以及土地和建筑的25年（图表2）。原因在于新一代GPU快速提升性价比，A100、H100到B200的单位计算成本快速下降，每两年大约下降一半，意味着上一代显卡即使仍可使用，也会因单位推理成本偏高而更快丧失经济价值（图表3），这反过来又要求更高的资本投入。因此，AI基础设施呈现出“重资产化”的工业特征。
图表2：资本支出构成和折旧周期对比
注：AI加速器包括GPU和HBM，互联网时代少数专业场景才有需要，传统互联网数据中心服务器主要由通用CPU、DRAM、磁盘和网络组成，经典服务器成本模型也未设置独立GPU或其他加速器项目 资料来源：Hennessy & Patterson(2011)[2]，Zhou et al.(2017)[3]，NVIDIA(2024)[4]，Turner & Townsend(2025)[5]，Michael (2026)[6]，中金研究院
图表3：GPU计算卡的单位计算成本
注：H100和B200的性能采用MLPerf v5.0，llama2-70b-99模型，8GPU 节点测试数据，A100性能采用MLPerf v3.0 BERT-99中A100/H100的性能比折算到H100的Llama2-70B口径，计算成本时采用3年24/7折旧，70%利用率，价格信息来自公开报道[7]，A100为19000美元，H100为25000美元，B200为35000美元 资料来源：MLCommons，中金研究院
产出侧的转变体现为认知服务的工业化，数字经济第一次获得了“标准化量产”的产品形态。工业革命改变制造业，不仅在于机器替代了部分体力劳动，更在于复杂生产过程能够被拆解为标准工序、纳入计量体系并通过流水线持续组织。相比之下，服务业中的大量认知活动长期难以复制扩张，分析判断依赖专业经验，沟通协作依赖具体语境，管理决策还需要承担责任。AI带来的变化，不是将这些活动整体变成机器劳动，而是使其中一部分原本难以形式化、难以按流程复制的认知环节，开始能够被拆解、调用、编排和复用，形成可持续供给的认知服务（图表4）。认知生产的组织单位由此改变。传统专业服务以人的工时、团队和项目为交付基础。AI参与下，服务流程可拆解为资料获取、文本生成、逻辑校验、风险识别、沟通反馈与结果交付等环节。其中能被稳定描述和检验的环节，通过模型与工具形成可反复调用的能力，而其他涉及价值判断、复杂协调与责任承担的环节，则继续由人掌握。
图表4：从隐性认知到“认知服务工业化”
资料来源：中金研究院
与过去三十年的数字经济相比，工业化的数字经济在成本结构、资产形态与产品形态三个维度上发生了本质变化。成本结构上，每一次智能调用都对应真实的算力、电力与网络消耗，边际成本不再趋零，“一次开发、无限复制”让位于“持续生产、按量交付”。资产形态上，高资本开支与快速经济折旧并存，数字企业的资产负债表开始呈现重工业特征。产品形态上，智能输出是进入其他生产过程的中间品，而非直接面向最终消费、可无限复制的软件成品，其价值要在嵌入下游流程后才能兑现。三大差异指向同一个判断，数字经济已不再是与工业经济相对的部门，而正在成为一种新形态的工业经济。
（三）工业化的底层逻辑：智能首次同时具备中间品的三重属性
此前的数字技术浪潮以轻资产模式为主，尚未引发数字经济的工业化，而这一次AI革命的根本不同在于：智能从“能力”变为“商品”，需要同时满足可拆解、可计量、可编排三个条件。云计算解决了算力的弹性供给，大数据解决了原料的规模积累，但二者都没有改变“认知由人提供”这一根本约束。生成式AI的突破恰在于此。
第一，可拆解：大模型突破预编码规则的边界，使依赖经验、语境与综合判断的隐性认知活动首次可以被模块化。过去软件主要处理规则清晰、路径预设的显性认知任务。大模型的能力边界开始越过预编码规则，它可以基于非结构化材料提取信息、生成初稿、比较方案、调用工具并依据反馈修改输出，使部分原本由人亲自完成的复杂工作，转变为由人设定目标与责任边界、由AI系统反复执行其中若干认知环节。
第二，可计量：token计价使认知服务在技术与商业上具备了按量结算与按质量定价的基础。按token计费使模型调用具备按量结算的条件；当调用进一步与任务完成情况、响应时延、可靠性和合规要求结合，认知服务即可按不同质量与交付标准定价。可计量是中间品交易的前提，没有计量就没有定价，没有定价就没有市场化的分工与贸易。
第三，可编排：Agent、MCP（模型上下文协定）与Skills等编排技术使智能能够嵌入工作流并稳定交付。OpenAI将Agent定义为能够规划任务、调用工具、跨专业能力协作并保持足够状态以完成多步骤工作的应用，并推出内置工具、Responses API与Agents SDK以支持工作流编排[8]；Anthropic提出的Model Context Protocol以开放标准连接AI应用与外部数据源、工具和工作流，减少模型与企业系统之间零散的定制连接[9]；Agent Skills进一步将任务指令、脚本、模板与参考材料封装为可被智能体按需调用的模块化能力，使组织经验和程序性知识进入可复用的执行体系[10]。AI不再只是提供一次性输出的模型，而开始通过一套连接数据、组织任务、控制交付结果的系统进入真实经济活动。可编排使智能从单点输出变为流程投入，补齐了中间品属性的最后一环。
三重属性同时满足，智能才完成了从“能力”到“商品”的跨越——这是此轮AI区别于历次数字技术浪潮的分水岭。作一个历史类比：第一次工业革命将体力劳动工业化——体力被机器拆解为标准动作、以马力计量、以流水线编排；这一轮变革正在将认知劳动工业化——认知被模型拆解为可复用环节、以token计量、以Agent编排。正是在这个意义上，AI不是数字经济中新增的一个应用部门，而是改变数字经济生产方式的通用技术。
（四）工业化的必然结果：四层价值链的形成
数字经济工业化的第一个必然结果是产业链的形成，从要素供给到价值兑现，AI经济沿四个相互衔接的层次组织运行（图表5）。物质底座层包括电力、芯片、服务器、数据中心、冷却、网络与终端算力，决定智能供给能否以足够低的成本、足够大的容量持续扩张；智能供给层包括基础模型、训练与推理服务、模型权重、API（应用编程接口）与云端服务，将底层资源转化为可持续调用的通用智能能力；组织中介层包括Agent、skills、RAG（检索增强生成）、MCP、连接器、私有化部署、系统集成与行业软件，将通用智能组织为能够进入真实业务的工作流；场景兑现层包括企业应用、政企系统、消费服务、智能汽车、机器人与工业设备，将智能服务转化为收入、效率改善与反馈数据。四个层次形成有机闭环：底座支持生产，供给支持执行，中介推动落地，而场景中的需求与反馈又反过来决定哪些基础设施、模型能力与中介工具更具价值。
图表5：AI价值链的四层结构
资料来源：中金研究院
二、价值链重构与全球分工逻辑的改变
数字经济工业化的意义并不止于形成一条新的AI价值链，更在于它改变了智能能力进入经济体系的方式。过去，智能主要嵌入平台和软件功能之中；当智能能力被工业化生产、标准化交付并作为中间品投入广泛使用以后，它开始像能源、设备和软件一样进入企业经营、产业组织和跨境分工过程。由此，企业如何组织生产、产业利润如何分配、全球分工如何重构，以及新增价值最终沉淀在哪些环节，都会发生系统性变化。
（一）智能中间品改写企业生产函数与企业边界
智能中间品首先改变了企业获取认知能力的方式。过去企业要获得分析判断、客户沟通、代码开发、合规审查和经营管理等认知能力，主要依靠雇佣劳动者、建设专业团队、购买固定功能软件，或者把部分任务外包给专业服务机构。生成式AI和智能体出现后，文本处理、代码生成、客服响应、研发辅助、知识检索和经营分析等能力，可以通过模型API、开源模型、智能体、行业软件和企业工作流模块获得。企业生产函数中的认知投入，由此从单纯依赖内部人力和固定软件，转向人力、软件、模型、数据和流程资产的组合。
这种变化会使企业边界围绕数据、流程和责任重新划定。对于标准化程度高、数据敏感度低、责任边界清晰的任务，外部模型调用和云端智能服务可以降低成本；对于涉及核心数据、业务规则、合规责任和长期能力积累的任务，企业则更可能通过私有化部署、专属知识库和流程自动化，将模型能力内化为自身资产。决定内化还是外购的关键，不再只是劳动力成本，而是数据安全、流程可控性、责任追溯和长期成本结构。企业购买模型能力并不等于获得生产率提升，只有当外部模型被接入知识库、业务系统、权限体系、流程规则和质量校验机制，才能成为稳定可用的生产能力。能够把模型能力转化为流程资产、数据资产和客户关系资产的企业，更可能在AI扩散中形成长期竞争力。
专业服务和企业软件的竞争方式也会随之调整。过去专业服务机构的核心资产是专家团队、客户关系和品牌信誉，企业软件公司的核心资产是功能模块、行业模板和客户系统黏性。AI介入以后，客户购买的可能不再是单一软件许可、单一咨询项目或单一模型API，而是能够持续完成任务、嵌入流程并承担交付责任的智能化服务系统。谁能把模型能力、行业知识、数据接口、合规规则和交付责任组织在一起，谁就更可能获得新的议价能力。
（二）数字经济利润向稀缺环节迁移
产业层面，工业化使数字经济的稀缺环节发生迁移，从流量入口、算法分发与生态锁定，转向算力容量、模型入口、流程资产与场景数据。过去数字经济的利润池主要围绕用户入口、广告转化、平台抽佣和生态锁定形成，平台只要掌握流量和交易入口，就能在内容、商家和开发者之间获得较强议价能力。工业化之后，稀缺性的来源改变：物质底座层稀缺的是低成本、大容量、可持续的算力与能源供给；智能供给层稀缺的是前沿模型能力及其服务入口；组织中介层稀缺的是专有数据、流程资产与可靠交付能力；场景兑现层稀缺的是客户入口、终端网络与反馈数据。利润池随稀缺性迁移，数字经济的竞争焦点由此从“谁掌握流量”转向“谁控制四层中的关键环节”。
租金流向遵循排他性逻辑，新增价值流向能够对稀缺资源形成排他性占有、并使其他环节难以绕开的主体。价值向底座环节集中的迹象已经显现：WTO数据显示，2025年全球AI算力相关商品贸易额从2024年的3.43万亿美元增至4.18万亿美元，同比增长21.9%；这类商品仅占全球贸易约六分之一，却贡献了当年全球贸易增长的42%[11]。但必须强调，价值在四层之间的最终分布并非由技术单独决定——同样的四层结构下，租金可以高度集中于智能供给层，也可以广泛扩散至中介与场景。
（三）AI价值链带来新一轮全球分工
AI为全球分工引入了新的变量，在原有商品生产链之上叠加了一层AI价值链。传统全球生产体系围绕原材料、零部件、资本设备、制造组装、物流和终端销售展开，不同经济体依靠资源、劳动力、制造能力和市场规模嵌入其中。AI扩散以后，商品生产过程仍然存在，但从研发设计、供应链管理、生产调度、质量控制到销售服务，各环节都开始叠加模型、算力、数据、软件、智能体和行业解决方案。由此，全球分工的对象不再只是商品、固定软件和人力服务，也包括能够嵌入商品生产和服务交付过程的AI能力。
AI价值链首先会改变服务贸易的内容和边界。传统服务贸易主要表现为咨询、客服、软件开发、后台运营等人力服务的跨境交付，服务能力往往与劳动者技能、语言能力和远程交付成本相联系。AI扩散后，跨境交付的不再只是人的劳动时间，也包括模型调用、云端推理、智能体任务、行业软件、数据治理和流程运维。UNCTAD数据显示，2024年数字可交付服务已占全球服务出口的56%，其中发达经济体出口约为3.779万亿美元，发展中经济体约为1.169万亿美元[12]。这说明服务贸易已经具备较强的数字化基础，AI价值链的扩张则会进一步提高服务的可拆解性、可嵌入性和可跨境交付能力。
AI价值链也会重新定价各国参与全球分工的比较优势。过去制造业比较优势主要来自劳动力成本、产业配套、基础设施和市场规模，服务外包比较优势则更多来自低成本人力、语言能力和教育水平。AI进入以后，部分标准化、文本化、流程化的服务任务会被模型和智能体替代或增强，单纯依靠低成本人力的优势会被削弱[13]。与此同时，新的比较优势会转向能否提供低成本算力和稳定电力，能否掌握模型和工具链，能否把AI能力嵌入行业流程，能否获得高质量场景数据并形成持续反馈。对掌握芯片、云平台、基础模型和企业软件的经济体而言，AI价值链可能强化其在全球范围内的技术供给和服务收费能力；对拥有制造体系、产业场景和工程化能力的经济体而言，AI价值链则提供了把智能能力转化为生产效率、产品升级和行业解决方案的机会；对主要依靠低成本服务外包参与全球分工的经济体而言，AI可能压缩部分传统岗位和服务环节，但也可能降低进入高附加值数字服务的门槛。
（四）核心问题：新增价值究竟沉淀在哪一层
同样的工业化冲击之下，价值在四层之间是集中还是扩散并不确定——“新增价值沉淀在哪一层、归谁所有”，是企业与国家共同面对的核心问题。微观上，它决定企业的利润分配与战略选择；宏观上，它决定一国在全球AI分工中的位置与收益。
价值集中还是扩散，首先取决于一个变量：作为通用能力来源的智能供给，能否被排他性占有。若智能供给可以被少数主体排他性控制，租金将向智能供给层集中，并通过纵向一体化向相邻层级延伸；若排他性被打破，模型层趋于同质化通道，价值将向物质底座、组织中介与场景兑现扩散。在现实中，决定这种排他性的制度安排，正是模型权重及其服务体系的开源与闭源。
三、开闭源：价值分配的枢纽变量与全球AI生态
在现实发展中，决定并掌控智能供给排他性强弱的核心机制是开源与闭源。开源和闭源不是AI经济下单纯的技术立场选择，而是决定智能能力控制权归属的两种产权安排。智能能力的排他性程度，导致控制权在四层结构中的集中或扩散，进而影响整个价值链的利润分配。
（一）开闭源的本质：智能能力控制权的两种产权安排
闭源模式下大模型企业通过构建模型、云与API接口捆绑一体的中枢架构，形成了对智能供给的排他性控制（图表6）。这种模式通过掌握模型权重，使得企业和开发者只能通过API、订阅服务或特定云平台来调用智能能力。模型提供商能够将模型的智能能力、云计算调用底座与token费用结算体系进行捆绑。以谷歌为例，其自建大规模云计算集群，驱动Gemini系列模型，通过API提供智能供给，也将其集成在各个自有的智能平台与工具中，并有成体系的结算流程。
图表6：闭源模式下的“模型—云—API”中枢
资料来源：中金研究院
这种中心化的闭源架构能够在供给侧形成规模经济，并通过模型、云和API接口的捆绑收回高额研发与算力投入，形成持续性的模型租金。前沿模型训练和推理成本较高，闭源企业可以依托超大规模数据中心提高算力利用率、降低单位运行成本[14]，并通过API调用费、软件订阅费和企业级服务收费获得现金流。与此同时，头部闭源企业还会以智能供给层优势为支点，向物质底座、组织中介和场景兑现层延伸控制力，例如自建算力、布局专属芯片、推出Agent框架、开发者工具和定制化企业服务，以提高体系排他性和用户迁移成本。由此，闭源模式有利于集中资源、维持前沿模型迭代和保障高价值企业服务的可靠性，但也会使产业链利润向智能中枢集中，下游用户面临平台锁定，本地化二次开发和细分领域扩散的自由度相对较低。
另一方面，AI语境中的开源并非传统意义上的完整开源，而是开放模型权重。与软件时代开放源代码，允许用户自由地进行使用、修改和分发[15]的开源方式不同，AI领域开源更多表现为模型权重的开放[16]。开源模型允许他人下载并部署运行，还可根据自己的具体需求进行修改[17]，但不一定提供数据、训练流程和代码等底层架构[18]。同时，AI开源也并不同于软件开源能零成本扩散，尽管可以免费部署使用，但仍需算力、存储、电力、运维等开支，每一次模型的调用和计算都对应着真实的资源消耗。
开源模式通过构建部署、集成与终端的共享架构，打破了闭源平台的用户锁定并压缩智能供给层的排他性租金，推动整体价值从智能供给层向其他层级扩散（图表7）。开源模式不再通过限制模型权重来设置收费节点，减少了闭源模式带来的排他性租金、平台锁定以及定制过程中的摩擦成本，而是允许更多市场主体围绕开源模型底座进行自由的本地部署、微调改造与场景接入。这一共享架构下，私有化部署、系统集成、行业微调、终端嵌入等成为重要利润环节。物质底座层，其带来本地推理与端侧部署的硬件需求；组织中介层，围绕智能体、系统集成和行业软件可以利用开源模型形成大量机会；场景兑现层，更多企业得以将智能能力嵌入终端和具体业务流程。这种扩散机制，使更多企业和个人能够围绕自身数据和流程构建智能服务，价值链的其他互补环节能够捕获更多价值。价值链的总体价值不一定减少，而是从模型API集中收费转为多层分散捕获从而形成更广泛的产业生态。
图表7：开源模式将价值释放到部署、集成与终端的共享架构
资料来源：中金研究院
（二）企业开闭源选择是四层禀赋适配的产物
开源闭源两种模式对应不同的控制权结构和租金分布，但企业的本质在于追求资本增值与利益最大化，AI企业在开源模式与闭源模式之间的选择，核心在于追求最大化捕获智能溢价（图表8）。当前人工智能加速发展，已逐步从早期的科学探索转变为新的经济形态，这意味着企业面对开闭源的模式选择，是在技术周期下，为了将自身资源禀赋转化为最多收益的务实选择。企业并非在选择某种技术理念，而是在权衡和比较两种核心收益：以当期模型租金为代表的直接技术变现，以及由未来生态和互补品所创造的间接价值。
图表8：企业当期模型租金与未来生态收益决定开闭源选择
资料来源：中金研究院
技术代差决定闭源收租的可行性，互补收益决定开源扩散的吸引力。若企业在算法架构、算力投入、数据积累、工程经验和最终模型性能上具有明显领先优势，并且能够在未来一段时间维持这种优势，就具备通过闭源限制外部复制、向下游收取模型租金的基础。相反，如果企业拥有云计算、芯片、操作系统、智能终端、企业软件或行业解决方案等互补业务，即使模型本身不直接收费，也可以通过开放模型提高市场采用率、扩大开发者生态和带动相关业务增长。开源的经济逻辑正在于企业通过共享技术降低扩散门槛，再从互补资产和增值服务中获得回报[19]。
因此，不同企业的最优路线取决于其在四层结构中的位置。具有明确技术代差、企业客户基础和模型收费入口，但缺少其他核心业务协同的前沿模型厂商，更倾向于闭源，以最大化当期模型租金。拥有多元业务和生态互补价值的企业，则更可能采取开闭源混合或全开源策略。对于既有前沿模型能力又有云、终端或软件生态的企业，常见策略是前沿模型闭源、成熟模型开源：一方面保留高性能模型的直接收费能力，另一方面通过开放较低成本模型扩大生态覆盖。对于底座模型水平一般但互补业务较强的企业，开源则可以换取用户规模、行业标准和部署入口，并通过云算力、硬件、软件和服务实现间接变现。
这种选择倾向的策略矩阵并非静止不变，随着企业自身在两个维度上的能力增减，更适合的策略也会随之动态切换。一方面，技术代差的变动是核心驱动力。当原本主打开源的厂商模型能力提升、确立技术优势时，为了实现当期商业利益最大化，可以选择将模型转为闭源，以索取更多模型租金。反之，如果闭源厂商技术优势因开源社区追赶而缩小，且其拥有云算力或终端硬件等互补业务，转向开源可以额外获得生态收益。另一方面，互补业务体量的增减也是重要变量，如企业通过业务扩张建立起云计算基础设施或行业软件入口时，可以从闭源收租切换为分层开放，进一步拉动自身主营业务的增长。现实中开闭源模型形成了各自主导不同区间的均衡。从图表9可见，闭源模型占据了右上方的高能力、高溢价区间，通过技术代差在追求高性能和高可靠性的复杂任务中提取技术租金，而以DeepSeek、MiniMax、Kimi为代表的一系列开源模型则通过较低的智能溢价在中低成本区间有较高的使用量。
图表9：开闭源AI主导不同的性能-成本区间
注：OpenRouter使用量数据时间节点为2026年3月，图中展示了使用量排名前20的模型，智能能力评分由Artificial Analysis Intelligence Index v4.0根据多项测试的评分综合得出 资料来源：OpenRouter，Artificial Analysis，中金研究院
（三）微观选择和资源禀赋塑造国家生态
上升到国家层面，一国AI生态的技术倾向，需要进一步结合其自身的资源禀赋优势与客观制约。开源和闭源不是抽象的技术偏好，而是企业在算力、模型、云平台、软件生态、产业场景和客户基础等条件约束下形成的商业选择。由于各国在四层价值链上的资源禀赋不同，企业能够获得回报的环节也不同，进而使国家层面的AI生态呈现差异化特征。资源禀赋并不机械决定技术路线，但会通过企业的收益结构、融资条件、市场需求和政策目标，持续影响一国AI产业更倾向于闭源中枢、开源扩散，还是二者并存的混合形态。
当前中美是少数在四层价值链中均具备较完整能力的经济体，具备全栈优势，因此成为当前与下一阶段全球AI经济的核心主体。相对完备的资源禀赋与支撑体系，使得两国均能够通过智能能力供给与配套产业，在全球市场构建以自身技术为底座的生态。然而，由于底层资源禀赋与产业历史的侧重点不同，两国在四层结构中的优势有所不同，最终在宏观上自然衍生出两种不同的生态模式。
美国在物质底座与智能供给层面的优势明显，微观企业顺应禀赋优势更多选择闭源，宏观上呈现出闭源中枢收租型的生态。美国在高端芯片设计[20]、云基础设施（图表10）以及模型研发（图表11）上具有明显优势。市场机制驱动下，OpenAI、Anthropic和Google等头部企业将核心资源投入到闭源模型的研发中，以此构筑高技术壁垒并在全球获取高额的商业回报。尽管美国同样在开源领域有部分模型，如Google推出的Gemma系列开源模型，以及OpenAI早期贡献，且特朗普政府也颁布法令[21]鼓励开源以维持美国开源生态地位，但其资源禀赋上的优势仍导致其核心商业力量与产业主线倾向于闭源生态。
图表10：美国在算力芯片与AI基建投资优势明显
资料来源：Epoch AI，OECD.AI，Preqin，中金研究院
中国则凭借在组织中介与应用场景上的丰富资源，驱动其演化出开源扩散承接型的生态。中国在电力、算力建设、模型能力和工程化应用方面具备较强基础，但与美国相比，当前阶段下在最前沿芯片的获得和全球云平台控制力上仍存在一定约束（图表10）。与此同时，中国拥有完整制造体系、丰富产业场景和较强工程交付能力，组织中介和场景兑现层的潜在价值更大。在这种结构下，开源模型能够降低智能能力扩散成本，推动模型进入制造、政务、金融、汽车、机器人和企业软件等场景，也有利于本地化部署、行业微调、智能体开发和系统集成。因此，DeepSeek、智谱GLM系列、MiniMax M系列、月之暗面Kimi系列、阿里Qwen系列等开源或开放权重模型的扩散，本质上是企业结合自身定位与所在市场环境做出的商业抉择，而这一路径恰好依托在中国丰富的产业场景、工程落地能力以及生态扩散空间，从而实现价值的最大化转化。
图表11：智能供给层模型能力中美能力接近，领先其他国家
注：图表能力评分数据为2026年6月1日抽取自Artificial Analysis数据源。智能能力评分由Artificial Analysis Intelligence Index v4.0根据多项测试的评分综合得出 资料来源：Artificial Analysis，中金研究院
需要指出的是，中美各自AI生态的演进过程并不会走向单一、绝对的技术路线，无论是美国还是中国，其内部生态都展现出开源与闭源交织的特征，只是有相对生态倾向。美国企业也可以利用成熟模型开源、开发者工具开放和政府开源政策来扩大生态影响力；中国企业具有在高价值企业服务、私有化部署和特定前沿能力上保留闭源收费空间的能力和可能。真正的差异不在于是否开源或闭源，而在于价值链控制权更主要沉淀在哪些环节。美国企业一定程度上更倾向于通过前沿模型、云和企业软件形成全球智能供给中枢，中国企业则一定程度上更倾向于通过低成本模型扩散、组织中介建设和产业场景落地提高价值转化能力。由此，资源禀赋塑造的不是简单的开闭源选择，而是国家在全球AI价值链中的生态位置和价值留存方式。
（四）其他经济体的差异化嵌入与全球格局的动态演化
中美两强领先的格局并不意味着其他经济体只能被动接受外部技术体系。AI价值链由物质底座、智能供给、组织中介和场景兑现四层构成，非全栈经济体即使难以同时控制所有环节，也可能依靠局部资源禀赋嵌入特定高价值环节，并围绕本地产业、数据、语言和监管环境形成一定的生态议价权。对这些经济体而言，关键问题不是是否复制中美完整技术体系，而是如何避免自身优势被在生态中相对领先的国家低价吸收，并将外部智能能力转化为本地增加值。
在部分层级具备突出优势的经济体，可以通过局部要素优势获得价值链位置。例如，中东国家拥有能源、土地和资本优势，正加快建设大规模数据中心和AI算力基础设施[22]；韩国则依托HBM等存储芯片制造能力，在AI硬件供应链中占据重要位置[23]。这一类经济体的产业政策导向，侧重于将单一环节的要素优势转化为更强的产业链配套能力与国际议价能力。现阶段，此类经济体中的相关企业主要通过双向布局来深化其价值链位置，一侧对接国际闭源生态以获取前沿智能供给，另一侧依托开源模型、本地化部署及行业软件建设本土组织中介层与场景应用层，以此提升自身的配套能力与要素附加值。
全球AI格局的长期走向仍具有较强动态性，核心取决于开源能力收敛速度、闭源技术壁垒和地缘约束的共同作用。如果开源模型持续缩小与闭源前沿模型的差距，企业与个人可以接入采用的AI智能能力将更接近低成本通用基础设施，闭源企业依靠排他性模型能力获得的租金会被压缩，价值更可能向组织中介、场景兑现和本地化部署环节扩散。相反，如果算力规模、后训练工程、专有数据和多模态闭环继续抬高前沿模型门槛，闭源模型长期维持明显领先优势，那么高阶智能能力仍将集中于少数模型和云平台中枢，其他环节在谈判中相对弱势，全球价值分配也会更趋集中。
地缘变量还会进一步改变开源扩散与闭源中枢的边界。算力设备、API接口和模型服务的出口限制，可能削弱特定地区对闭源生态的稳定接入，迫使其发展更具弹性的开源替代和本地化部署能力。与此同时，数据跨境流动监管、本地化存储要求和主权AI需求，也会提高各国对可控模型、可解释部署和本土组织中介层的重视。由此看，未来全球AI经济更可能表现为中美两强引领、其他经济体多层嵌入，并在技术收敛、产业吸收和地缘约束之间不断调整的网络格局。
四、内外循环：以开放扩散构建共同繁荣的全球AI生态
全球人工智能竞争的关键，不仅在于前沿模型、先进算力和云平台的控制，也在于技术能否进入更多产业和地区，并转化为现实生产力。工业革命的经验表明，通用技术的长期影响并非在发明完成时立即释放，而是在跨地区、跨行业的扩散、应用和再创新中逐步形成。对中国而言，完整产业体系、丰富应用场景和工程实施能力，为提高智能技术的转化效率提供了重要基础。我们认为，依托这些禀赋条件，中国有望推动技术在国内产业场景中加快转化，并通过开放合作促进技术向外扩散、吸收海外应用反馈，逐步形成国内转化、海外适配和持续迭代的循环，使AI发展更广泛地转化为生产率提升和社会福祉改善。
（一）以开放扩散推动技术转化和福祉改善
AI竞争常被简化为模型能力竞争，但参数规模、榜单排名和API调用量只能反映技术供给的一部分，不能说明一个经济体实际获得了多少收益，更不能直接反映技术是否改善了社会福祉。按照物质底座、智能供给、组织中介和场景兑现四层结构，模型只是价值形成的起点。AI还需要经过数据治理、软件集成、流程改造和人员培训，进入制造、能源、交通、医疗、教育等具体场景，才能转化为效率提升、成本下降和服务改善。
工业革命提供了类似经验。第一次工业革命首先发生在英国，但蒸汽动力、机械制造和工厂制度随后扩散到欧洲大陆和北美，并与不同地区的资源条件和产业基础相结合。此后，德国在化工和电气产业、美国在规模化生产、日本在制造组织和工程改进等方面形成新的优势。技术的发明地、应用地和再创新地并不总是重合。现代工业体系也并非由某一个国家独立创造，而是在技术传播、产业应用和持续改进中逐步形成。
人工智能可能同样会经历这一过程。基础模型和核心算法可能由少数头部机构开发，但大量实际价值仍要在下游应用中实现。模型只有与本地语言、行业数据、业务流程和监管要求结合，才能形成稳定可用的产品和服务。技术扩散也不是简单复制现有模型，而是不同主体根据自身需求进行调整，并在应用中形成新的产品、技术和组织经验。如果智能能力长期集中在少数企业和平台，难以进入中小企业、传统产业和公共服务，其经济社会影响就会受到限制。
但开放扩散也不意味着否定创新激励与知识产权保护。前沿模型研发需要投入大量资金、算力和人才，创新主体也需要获得与投入和风险相匹配的回报。专利、商业秘密、闭源服务和阶段性排他收益，仍是前沿能力形成的重要激励机制。与此同时，随着技术逐步成熟，过高的使用门槛可能限制其应用扩散和后续创新。我们判断，如果成熟技术长期集中于少数主体，由此造成的社会成本可能逐渐超过排他性保护带来的激励收益。因此，可以在前沿研发阶段保留必要的激励机制，并通过许可、接口开放、技术标准和公共平台等方式，为成熟能力进入更广泛的产业场景和公共服务创造条件。对中国而言，值得关注的问题，是如何在维持前沿创新动力的同时，逐步降低成熟技术的应用门槛。
（二）内循环：依托产业场景提高AI转化效率
内循环的重点，不是简单扩大AI应用数量，而是让AI真正进入产业体系，把智能转化为可复制的生产率方案。中国的核心优势在于场景纵深。中国工业体系完整，覆盖41个工业大类、207个工业中类和666个工业小类，是全球唯一拥有联合国产业分类中全部工业门类的国家[24]。这意味着AI可以进入的环节不只是办公、营销和客服，还包括研发设计、工艺优化、质量检测、设备维护、供应链协同和能源管理等具体生产流程。工业场景链条长、约束多、数据分散，落地难度更高，但也能够为AI提供更充分的验证和迭代环境。将应用过程中形成的经验进一步沉淀为标准化工具和可复制方案，有助于把丰富的场景资源转化为可推广的产业能力。
已有的自动化和数字化基础，为AI进入产业流程提供了条件，但有场景不等于有生产率。国际机器人联合会数据显示，2024年中国占全球工业机器人新增安装量的54%，运行存量超过200万台，本土厂商国内市场份额升至57%[25]。AI进入工厂、产线和供应链，并非从零开始，而是在工业机器人、工业互联网和企业软件的基础上进一步提高预测、调度与协同能力。但场景和设备基础不会自动带来生产率提升。信息技术的发展经验表明，技术投资通常要与组织流程、管理方式和人员技能的调整相结合，才能转化为持续的生产率提升[26]。企业如果只是接入模型，而不改变原有流程，技术往往只能停留在局部试验，难以真正融入生产经营、形成稳定收益。
因此，组织中介层既是内循环的短板，也是中国把场景优势转化为产业能力的关键抓手。中国有丰富场景和较强工程交付能力，但不少企业仍缺乏高质量数据、流程改造能力和持续运维体系。特别是中小企业，即使能够调用模型，也未必有能力独立完成数据治理、系统集成和流程重组。这意味着AI落地不能只依靠模型厂商，还需要一批熟悉行业、软件和工程交付的服务商，将通用模型转化为能够嵌入具体业务流程的工具和工作流。与此同时，行业数据的质量和推理算力的成本，也直接影响AI在国内的扩散速度。经过清洗、标注和验证的数据，是模型适配具体行业的基础；稳定且价格可承受的算力，则决定了相关应用能否大规模运行。全国一体化算力网、“东数西算”和统一大市场建设，本质上都是在降低算力供给与产业需求之间、以及跨地区跨行业之间的匹配成本，使成熟模型、行业软件、智能体和解决方案能够更顺畅地进入不同企业和应用场景。
（三）外循环：从模型出海到智能生态能力合作
开源模型正在成为中国AI进入国际市场的重要入口。与美国较为成熟的闭源模型、企业软件和云服务生态相比，中国企业短期内很难在所有环节同时展开竞争，但开源模型能够降低海外企业、开发者和公共机构的试用与二次开发成本。尤其对于许多发展中国家而言，应用AI的主要障碍往往不是缺少最先进的模型，而是算力不足、本地数据缺乏、专业人才有限和工程实施能力薄弱。提供规模多样、便于部署的模型及配套工具，可以帮助当地机构从自身语言和现实问题出发开展应用开发。从实际使用情况看，中国开源模型在中低收入和低收入国家的相对占比更高（图表12），显示出其在发展中国家具有一定吸引力，也为开发工具、行业软件和工程服务等智能生态能力进一步进入当地市场提供了基础。
图表12：中国开源模型在发展中国家的相对使用占比更高
注：统计主要开源及开放权重AI模型在GitHub上的代码仓库分叉（fork）情况 资料来源：WORLD TRADE REPORT 2025 (WTO)，中金研究院
图表13：低收入和中低收入国家使用的语言在AI训练数据中代表性不足
注：气泡大小代表语言使用者人数 资料来源：Common Crawl, LinguaMeta, and Solatorio et al. (2024)[27]，中金研究院
全球智能能力供给的不确定性，也提高了各国政府和企业对技术来源多元化、本地部署和供应连续性的重视。2026年6月12日，美国政府以国家安全为由，要求Anthropic停止任何外国国民访问Fable 5和Mythos 5。由于难以对客户和员工的国籍进行实时区分，Anthropic随后停止了这两款模型对全部客户的服务[28]。这一事件表明，过度依赖单一国家、单一厂商和远程闭源接口，可能因出口管制和供应政策变化面临服务中断。相比之下，可本地部署、可迁移的模型能够为各国提供更多技术选择，也提高了开源模型在全球智能供给中的价值。
开源模型还可以为当地机构开展本地化创新提供基础。当前AI训练数据高度集中于少数主要语言，许多低收入和中低收入国家使用的语言代表性明显不足（图表13），导致通用模型对本地知识、语言表达和文化语境的理解相对有限[29]。AI Singapore基于Qwen架构推出面向东南亚语言和文化场景的Qwen-SEA-LION-v4.5，正是这一模式的体现[30]。它并非将现有模型直接复制到海外，而是由当地机构结合缅甸语、印度尼西亚语、马来语、泰米尔语、泰语和越南语等语言进行训练和适配。当地开发者和科研机构由此不再只是外部技术的使用者，也能够参与模型改进和应用创新。与主要依赖远程API的模式相比，开放模型为当地机构保留了更多自主开发和持续改进的空间。
在此基础上，中国还需要把工程实施和产业场景优势转化为完整的解决方案能力。海外客户通常需要的不是一个孤立的通用模型，而是一套能够解决具体问题、嵌入业务流程并持续运行的系统。我们认为，随着相关能力不断成熟，中国AI外循环有望由模型供给进一步延伸至开发平台、智能体框架、行业软件、系统集成和运维服务。腾讯云面向国际市场推出Agent Development Platform，支持企业构建RAG、工作流和多智能体应用[31]，并与WeRide合作支持海外Robotaxi和智能驾驶服务[32]，反映了中国AI出海由提供模型和接口向提供完整技术方案的转变。这种模式还可以延伸到智能汽车、机器人、消费电子、跨境电商、金融科技和制造业数字化等领域。
外循环能否持续，最终取决于本地化和可信交付能力。随着AI进入政府治理、金融服务、医疗教育和企业运营等关键场景，海外客户关注的不只是模型性能和价格，还包括本地语言文化适配、数据安全、隐私保护、监管合规和长期运维能力。中国企业需要通过本地云节点、服务团队和合作伙伴，与当地企业、大学和公共机构共同开展数据治理、技术部署、人员培训和项目运营。智谱AI已在海外设立办公室和联合创新中心，并向海外政府推介主权化、本地化的AI Agent[33]；华为云在沙特强调通过本地云区域支持当地AI解决方案与数据主权[34]。这些实践表明，中国AI外循环正在由一次性产品输出转向长期、本地化和互利的生态合作。只有建立稳定的本地运营和可信交付体系，模型的国际扩散才能进一步转化为持续的服务能力和产业影响力。
（四）内外循环互动：在开放协同中形成共同增益
AI时代的双循环，不是国内应用与海外市场的简单叠加，而是技术能力在不同场景中形成、扩散和改进的过程。国内产业场景帮助企业完成模型适配、数据治理、系统集成和工程交付，并将项目经验沉淀为行业软件、标准接口和解决方案。这些产品进入海外市场后，还要适应不同的语言、数据结构、产业流程和监管制度。海外应用中暴露的问题和产生的新需求，又会反馈到模型、软件和交付体系的改进中。
开放生态为这一循环提供了连接机制。开源模型、开发工具和标准接口降低了技术部署和二次开发成本，使当地企业和开发者能够根据自身数据、语言和业务流程进行调整，并将使用中发现的问题反馈给技术提供方。当地企业、大学、科研机构和开发者社区由此可以从技术使用者进一步转变为合作参与者，共同参与需求识别、产品适配和应用创新。相比之下，闭源模型和集中式平台虽然便于统一管理、快速迭代和回收研发投入，但如果用户过度依赖单一平台，就可能面临较高的使用成本、有限的改造空间和不稳定的技术供应。
中国推动开放扩散，既是基于自身禀赋条件做出的现实选择，也能够产生更广泛的外部收益。中国拥有丰富的产业场景、完整的制造体系和较强的工程实施能力，能够较快地把通用模型转化为具体产品和解决方案；但在全球企业软件、云服务网络和部分前沿技术方面仍需加强。进入不同语言、产业和制度环境，可以帮助中国企业发现国内场景中不易暴露的问题，提升产品的稳定性、合规性和跨市场适应能力。对合作方而言，本地化开发则有助于积累数据、人才、软件和运维经验，避免长期停留在调用外部模型和采购现成产品的阶段。双方在应用和反馈中持续积累能力，有助于使技术扩散产生更长期的收益。
因此，内外循环互动的关键，是形成“国内场景验证—产品方案沉淀—海外本地应用—运行反馈改进”的闭环。国内场景负责形成和验证方案，开放合作帮助方案进入海外，海外应用提供新的问题和经验，反馈再进入下一轮模型、软件和交付体系改进。通过这一循环，中国可以把产业场景和工程实施优势转化为更具国际适应性的产品与服务，合作方也能够增强本地应用和持续创新能力，使AI扩散的同时带动双方生产率提升和社会福祉改善。
五、思考与启示
AI带来的并非单一技术替代，而是数字经济增长机制的系统性变化。智能能力只有依次经过物质底座、智能供给、组织中介和场景兑现，才能转化为现实生产力；开闭源安排、基础设施条件与应用体系，则会影响技术扩散的速度、范围和社会效益。未来衡量AI发展成效，不能只看模型能力和算力投入，更要看其能否进入真实生产流程、提高全要素生产率，并形成广泛可及的经济与社会收益。
组织吸收能力将成为AI促进各国增长的重要条件。模型、算力和开发工具尚可以跨境流动，但企业流程、行业知识、数据治理、人才结构和责任体系仍需长期建设。同样的AI技术进入不同经济体，所产生的效率改善可能存在较大差异。因此，各国在加强数字基础设施和技术供给的同时，也需要重视行业标准、人才培养、组织变革和公共治理，使AI真正嵌入制造、服务和公共管理等具体场景，避免技术供给与实际需求脱节。
AI投资能否形成可持续增长，还取决于基础设施扩张与有效需求之间能否逐步匹配。重资本投入通常先于收入和生产率兑现，关键在于新增算力能否通过模型、组织中介和行业解决方案转化为可验证的成本下降、效率提高和服务改善。不同经济体资源禀赋和发展阶段不同，应根据自身产业基础、市场需求和治理能力选择适宜路径，避免简单复制单一发展模式。
从全球视角看，如何治理和协同得当，AI带来的生产力增长可以惠及每一个人。各国有必要加强开源合作、基础设施互联、技术标准协调、人才交流和安全治理，降低中小企业及发展中经济体使用AI的门槛。中国可依托完整产业体系、丰富应用场景和工程化能力，推动形成可复制、可推广的行业解决方案，通过开放合作建立内外循环互补的AI生态，促进开放、包容、互利、共同繁荣的全球人工智能产业发展。
[1]Zhuang, B., Qiao, J., Liu, M., Yu, M., Hong, P., Li, R., … & Gao, Y. (2025). Beyond Benchmarks: The Economics of AI Inference. arXiv preprint arXiv:2510.26136.
[2]Hennessy, J. L., & Patterson, D. A. (2011). Computer architecture: a quantitative approach. Elsevier.. 其中第六章收录Hamilton的数据中心成本案例。
[3]Zhou, Y., Alagappan, R., Memaripour, A., Badam, A., & Wentzlaff, D. (2017). HNVM: Hybrid NVM enabled datacenter design and optimization. Microsoft Research TR, (8).
[4]NVIDIA. (2024). NVIDIA GB200 NVL72 product page and technical documentation. https://www.nvidia.com/en-us/data-center/gb200-nvl72/
[5]Turner & Townsend. (2025). Data centre construction cost index 2025: Data centre construction cost trends. https://reports.turnerandtownsend.com/data-centre-construction-cost-index-2025/data-centre-cost-trends
[6]Michael, A., & Cottier, B. (2026). Servers account for 60% of the total cost of ownership of a one-gigawatt AI data center. Epoch AI. https://epoch.ai/data-insights/ai-datacenter-cost-breakdown
[7]https://modal.com/blog/nvidia-a100-price-article
https://www.investors.com/news/technology/nvidia-stock-nvda-blackwell-gpu-pricing-amd-ai/
[8]OpenAI, https://openai.com/index/new-tools-for-building-agents/
[9]Anthropic, https://www.anthropic.com/news/model-context-protocol
[10]Anthropic, https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
[11]WTO, https://www.wto.org/english/res_e/booksp_e/gtos0326_e.pdf
[12]https://unctadstat.unctad.org/insights/theme/254
[13]https://www.wto.org/english/res_e/booksp_e/trading_intelligence_ch2_e.pdf
https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
Shukla, D., Sivathanu, M., Viswanatha, S., Gulavani, B., Nehme, R., Agrawal, A., … & Russinovich, M. (2022). Singularity: Planet-scale, preemptive and elastic scheduling of AI workloads. arXiv preprint arXiv:2202.07848.
[15]https://opensource.org/osd
https://www.debian.org/social_contract.1.0
[16]OECD. (2025). AI openness: A primer for policymakers (OECD Artificial Intelligence Papers, No. 44). OECD Publishing. https://doi.org/10.1787/02f73362-en
[17]https://hai.stanford.edu/ai-definitions/what-is-an-open-weight-model
[18]https://opensource.org/ai/open-weights
[19]Lerner, J., & Tirole, J. (2005). The economics of technology sharing: Open source and beyond. Journal of Economic Perspectives, 19(2), 99-120.
[20]https://newsletter.semianalysis.com/p/vera-rubin-extreme-co-design-an-evolution
[21]https://www.whitehouse.gov/wp-content/uploads/2025/07/Americas-AI-Action-Plan.pdf
[22]https://www.weforum.org/stories/2026/02/data-ai-energy-the-gcc-global-alliances/
https://mei.edu/report/from-crude-to-compute-building-the-gcc-ai-stack/
[23]https://amro-asia.org/koreas-ai-memory-dominance-may-not-be-enough
[24]https://www.xinhuanet.com/politics/2019-09/20/c_1125020250.htm
[25]https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years
[26]Brynjolfsson, E., & Hitt, L. M. (2003). Computing productivity: Firm-level evidence. Review of economics and statistics, 85(4), 793-808.
[27]Solatorio, A. V., Vicente, G. S., Krambeck, H., & Dupriez, O. (2024). Double jeopardy and climate impact in the use of large language models: Socio-economic disparities and reduced utility for non-English speakers. arXiv. https://arxiv.org/abs/2410.10665
https://data360.worldbank.org/en/atlas/artificial-intelligence/
[28]https://www.anthropic.com/news/fable-mythos-access
[29]Myung, J., Lee, N., Zhou, Y., Jin, J., Putri, R. A., Antypas, D., … & Oh, A. Blend: A benchmark for llms on everyday knowledge in diverse cultures and languages, 2025. URL https://arxiv. org/abs/2406.09948.
[30]https://www.alibabacloud.com/en/press-room/alibaba-qwen-powers-ai-singapore-latest-llm?_p_lc=1
[31]https://adp.tencentcloud.com/
https://www.tencent.com/en-us/articles/2202341.html
[34]https://www.huaweicloud.com/intl/en-us/news/20250209215529936.html
Source
文章来源
本文摘自：2026年7月10日已经发布的《第四章 工业化数字经济 | AI如何重塑全球价值链与中国双循环》
周子彭 分析员 SAC 执证编号：S0080520070004 SFC CE Ref: BRW302 熊督闻 分析员 SAC 执证编号：S0080525070001 黎芝源 分析员 SAC 执证编号：S0080524020006 苏思雨 分析员 SAC 执证编号：S0080526060002
Legal Disclaimer
法律声明
特别提示
本公众号不是中国国际金融股份有限公司（下称“中金公司”）研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点，订阅者若使用本公众号所载资料，有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料，须寻求专业投资顾问的指导及解读。
本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见，订阅者应当对本公众号中的信息和意见进行评估，根据自身情况自主做出投资决策并自行承担投资风险。
中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果，中金公司及/或其关联人员均不承担任何形式的责任。
本公众号仅面向中金公司中国内地客户，任何不符合前述条件的订阅者，敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础，中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。
一般声明
本公众号仅是转发中金公司已发布报告的部分观点，所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件，订阅者只有在了解相关报告中的全部信息基础上，才可能对相关观点形成比较全面的认识。如欲了解完整观点，应参见中金研究网站（http://research.cicc.com）所载完整报告。
本资料较之中金公司正式发布的报告存在延时转发的情况，并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响，过往的表现不应作为日后表现的预示和担保。在不同时期，中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。
在法律许可的情况下，中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此，订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn，亦可参见近期已发布的关于相关公司的具体研究报告。
本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有，未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。
预览时标签不可点