研究速递 | 《2026年世界发展报告:人工智能的潜力》

世界银行《2026年世界发展报告》系统考察人工智能对生活在低收入和中等收入经济体的约68亿人口可能产生的发展影响，并利用新的调查和研究证据分析企业与政府如何使用人工智能，以及哪些因素限制了人工智能更广泛、更有效的应用。人工智能具有通用目的技术的特征，可以广泛进入生产、知识活动和公共服务，但其快速扩散并不会自动转化为发展收益。基础设施、技能、数据、制度和组织能力决定技术能否真正提高生产率和公共服务水平。

人工智能在发展中国家的作用受到技术能力、产业集中程度和互补条件共同影响。一方面，人工智能能够承担越来越多需要专业知识和判断能力的认知任务，为专业人才短缺的经济体提供新的能力补充；另一方面，先进模型、芯片和数据中心集中在少数企业和经济体，使技术获得和适配面临依赖风险。对多数发展中经济体而言，更现实的路径是首先采用已有人工智能工具，再利用本地数据、语言和专业知识进行适配，而不是直接投入巨额资源建设前沿模型。最终能够获得多大发展收益，取决于电力、互联网、教育、数据、算力、人才和制度能力能否同步改善。

第一章 能力：人工智能缓解技能短缺的力量

人工智能正在将机器可执行任务的范围从预测、分类和规则明确的活动扩展到越来越多的非例行认知任务。过去主要依赖专业知识、判断和分析能力完成的信息处理、写作、编程、知识归纳和决策支持等任务，开始可以由人工智能辅助甚至部分执行。这意味着劳动市场影响不能简单按照“职业是否会被替代”来理解，而应进一步考察每一种职业内部的任务构成。认知和分析任务占比较高的职业更容易受到生成式人工智能影响，而例行体力任务占比较高的职业直接暴露程度相对较低。对于长期存在医生、教师、农业技术人员以及其他专业人才短缺的发展中经济体，人工智能还可能通过承担部分专家任务扩大经济体的有效技能供给，使原本缺乏完整专业训练的劳动者能够在技术支持下完成部分更高技能的工作。其影响既可能表现为劳动增强、专业任务向相邻职业转移和新任务形成，也可能表现为部分既有任务被替代，因此就业与收入结果最终取决于任务重新配置、劳动者技能以及教育培训体系的适应能力。

第二章 集中度：人工智能价值链中的机遇与约束

人工智能由应用、模型、数据、计算基础设施和硬件等多个相互依赖的层级构成，不同环节具有明显不同的资本和技术门槛。先进芯片、大型数据中心和前沿模型需要极高的前期投入，并具有显著的规模经济、学习效应和集聚效应，因此生产能力高度集中于少数企业和经济体。美国主要人工智能超大规模企业2026年预计资本支出约为7750亿美元，这一规模已经超过许多国家一年的名义国内生产总值。既有企业还可以通过累计生产经验、人才集聚以及用户和数据规模不断强化成本和技术优势，使后来者进入前沿环节面临更高壁垒。与此同时，人工智能价值链并非所有环节都具有同样高的进入成本，成熟制程芯片、封装测试、电子设备以及软件和应用开发等领域，为发展中经济体提供了更现实的参与空间。代码托管平台的数据表明，一些中等收入经济体的人工智能开发活动与高收入经济体之间的差距并不大。云计算、按需服务以及开放模型还大幅降低了使用既有人工智能能力的成本。因此，参与人工智能经济并不必然意味着完整复制芯片、算力和前沿模型体系，而可以依据比较优势进入价值链中具有较低壁垒和较强本地能力基础的环节。

第三章 互补要素：使人工智能适应本地现实与需求

人工智能的实际有效性高度依赖模型训练环境与使用环境之间的匹配程度。模型能力来自训练数据，而全球人工智能研发和数字数据明显集中于少数经济体和高资源语言，因此技术可以被全球获得，并不意味着它能够在不同语言、人口结构、产业环境和制度条件下取得相同效果。英语在所考察的大型开源模型平台训练数据集中占比约为61.1%，而大量发展中经济体使用的语言缺乏足够规模的数字化语料；在语言理解、数学推理和知识问答等任务中，高资源语言与16种低资源非洲语言之间的大模型准确率平均相差约45个百分点。缩小这种情境错配需要两类互补条件：一类是具有本地代表性的数据、模型调整能力和技术人才，使人工智能能够适应本地语言和需求；另一类是稳定电力、互联网、数字设备、劳动者技能、组织能力以及相应制度环境，使已经适配的技术能够真正进入生产和公共服务流程。采用、适配和推进前沿所需要的互补条件逐级提高，由此，多数发展中经济体可以优先利用已经形成的模型和基础设施，同时投资本地数据和应用能力，而不需要首先承担前沿人工智能研发的全部资源成本。

第四章 人工智能的经济影响：重塑就业、生产率与增长

人工智能通过作为生产投入、作为新的产业产出以及由二者产生的进一步经济效应影响就业、生产率和增长。人工智能作为投入可以缩短任务完成时间、提高产出质量，同时也可能替代部分既有任务；生产成本下降和效率提高又可能通过产品需求扩张增加劳动需求，新技术创造的新任务则进一步形成新的就业机会，因此人工智能暴露程度并不能直接等同于就业损失。企业采用还表现出明显的异质性：在印度、约旦、肯尼亚、墨西哥、尼日利亚和泰国接受调查的正式企业中，平均约20%近期使用人工智能聊天工具，但更复杂的智能体和流程自动化应用平均采用率仅约10%；管理实践更完善、具有研发创新活动且初始生产率较高的企业，更可能进行深入应用。已有微观研究显示，人工智能在客服、咨询、写作、编程和预测等认知任务上可以产生明显的生产率提升，但任务层面的收益并不会自动转化为同等规模的宏观增长。覆盖52个经济体的估计显示，如果当前人工智能暴露程度和采用水平保持不变，发达经济体获得的生产率收益预计超过新兴市场和发展中经济体的两倍。较高情景下，新兴市场和发展中经济体2020年代平均潜在增长率可能由约4.1%提高至4.9%，但相关结果高度依赖未来技术进步和采用率，应作为情景估计而非确定性预测。

第五章 人工智能的社会影响：改善公共服务供给

公共部门中的人工智能应用可以划分为前端和后端两种形态。前端应用直接面向居民或一线公共服务人员，可以辅助教师、医务人员和基层工作人员进行信息处理和专业判断，也可以通过任务转移扩大专业人员短缺地区的服务覆盖，但其大规模部署同时需要设备、网络、本地语言支持、培训和工作流程调整。后端应用主要服务于政府内部的预测、资源配置、地理空间分析、风险识别、监测和执法，由数量较少的专业人员集中使用，因此更依赖行政数据和预测模型。跨国政府采购数据表明，当前政府人工智能仍然以内部职能和预测型技术为主，约88.7%的相关系统用于政府内部职能，78.5%采用预测或优化方法，生成式人工智能约占7.6%。人工智能可以提高公共服务供给能力，但算法性能并不等同于居民福利改善，尤其在医疗、社会保障和执法等高风险领域，数据是否完整、工作人员如何使用模型建议、居民能否获得解释和申诉、政府是否具备持续监督能力，都会影响实际结果。后端系统虽然较容易集中部署，但模型错误也可能一次影响大量居民，因此数据治理、人工复核和问责机制需要与技术部署同步建设。

第六章 人工智能的政治影响：重塑国家内部及国家之间的权力关系

人工智能正在重新配置国家、企业和个人之间的权力。先进半导体、数据中心、云计算和前沿模型集中于少数经济体，使许多发展中经济体在获得人工智能能力时存在外部依赖；但全面追求“人工智能主权”，在国内复制芯片、算力、模型和数据基础设施，同样可能产生巨大的财政和技术成本，并因市场碎片化损失全球规模经济。企业与个人之间的力量差异则受到高固定成本、网络效应、数据反馈循环和转换成本强化：更多用户产生更多数据，数据改善模型，模型又吸引更多用户；同时，单个用户的数据还可以提高对其他相似用户的预测能力，因此数据具有明显外部性，仅依赖个人数据权利并不足以完全消除大型企业的数据优势。劳动力市场中，数据标注、内容审核和平台劳动还可能出现买方垄断，少数大型企业面对大量劳动者时拥有更强的工资和劳动条件议价能力，而算法管理进一步降低了企业监测劳动、分配任务和动态定价的成本。人工智能还降低了大规模监控和信息处理的成本，使政府能够以更低成本开展人脸识别、信息筛选和行为预测；其结果既可能提高行政和公共服务能力，也可能强化监控和信息操纵，因此法治、制度制衡和公民参与能力直接影响技术最终形成何种政治后果。

第七章 政府作为促进者：构建人工智能的基础性与数字互补要素

企业和劳动者有效采用人工智能，需要可负担且可靠的电力、互联网、数字设备、基础技能和支持企业进入、成长与投资的制度环境；进行本地化适配则进一步需要高质量本地数据、计算资源、高级技术人才以及能够为创新活动提供风险融资的创业生态。当前这些条件存在显著的收入组差异：截至2023年，低收入经济体获得电力的人口比例不足一半；2024年互联网使用率约为四分之一，而高收入经济体达到93%；一部典型智能手机的价格约相当于低收入经济体居民月收入的60%，高收入经济体约为4%。基础设施之外，企业还受到信息不完全和组织能力约束，在印度、约旦、肯尼亚、墨西哥、尼日利亚和泰国的企业调查中，缺乏人工智能相关知识和使用成本较高是企业尚未采用或没有进一步扩大使用的主要原因。管理能力也决定技术能否转化为生产率：肯尼亚小企业实验显示，人工智能改善了原本经营表现较好企业的绩效，却降低了部分缺乏相应管理实践企业的表现。算力政策还需要区分“获得计算资源”和“拥有本地计算基础设施”，对多数企业而言，使用云服务比建设本地数据中心更现实；本地数据中心只有在人才、创业生态和可负担能源等条件同时存在时，才更容易形成有效的生产性资产。

第八章 政府作为使用者：提升部署人工智能的能力

政府使用人工智能需要使具体行政问题、技术类型和机构能力相互匹配。数字能力有限、数据仍然部分依赖纸质流程的部门，更适合从成熟、低风险的现成工具开始；拥有较完善行政数据和监督能力后，可以进一步根据本部门业务进行模型适配；只有在数据体系、技术人才、预算和治理能力均较成熟的情况下，才适合在少数战略领域自行开发复杂模型。政府所需要的能力也不仅是算法研发，还包括产品管理、业务流程设计、供应商评估、数据工程、系统集成和模型结果验证。当前公共部门面临的最普遍约束之一是数据质量与可获得性，税收、社会保障、教育、医疗、司法和人口登记等行政记录往往分散于不同部门，并以纸质、扫描件或不可机器读取的格式保存。人工智能可用数据因此不仅要求历史档案数字化，还要求日常行政系统持续生成结构化、标准化、可连接的数据。绩效评价同样不能停留在模型准确率，而需要事先设定基准、在当地数据和具体人群中进行验证、持续监测模型漂移，并进一步评价居民福利、服务质量和成本效益。目前低收入和中低收入经济体中约80%没有人工智能绩效评价机制，或仅具有基础性的实施和使用监测。采购制度还需要保证数据和业务知识可以转移、系统接口能够互操作，并保留重新招标和更换供应商的权利，因为人工智能系统会随着数据、政策和使用环境变化持续退化或漂移，需要稳定预算和长期内部团队，而不能按照一次性信息化项目处理。

第九章 政府作为监管者：应对人工智能带来的权力集中

人工智能治理既关系到风险控制，也关系到技术能否持续获得社会采用。跨47个国家约4.8万人的调查显示，全球约46%的受访者愿意信任人工智能系统，约70%认为需要加强监管。建立信任不能依靠要求公众接受技术，而需要形成能够被验证的安全、透明和问责机制。技术标准可以把公平、安全和透明等原则转化为具体测试、影响评估和审计要求，目前已经发布或正在制定的人工智能相关自愿性标准超过800项；但私人企业的利润激励并不必然充分考虑隐私、安全、歧视等社会成本，因此自愿标准仍需与法律和公共监管结合。由于人工智能已经进入医疗、金融、劳动、数据保护、消费者服务和公共行政等领域，并不存在适用于所有国家的单一法律模式。治理可以首先评估现有法律和监管体系，再识别新增风险以及法律执行中的实际缺口。现实中的关键约束往往不是缺乏法律条文，而是监管机构缺乏财政、技术和跨部门协调能力。相应的治理过程包括评估制度环境、识别治理缺口、延伸或完善现有治理工具、建设合规能力、建设执法能力以及持续监测和调整。全球治理还存在明显的参与不平衡：在所考察的七项非联合国全球人工智能治理倡议中，只有7个高收入国家参与全部机制，而118个国家没有参与任何一项，其中多数来自发展中世界，这意味着人工智能治理不仅是国内监管能力问题，也涉及发展中经济体能否参与全球标准和制度形成。

人工智能为发展中经济体提供了一种不同于以往技术革命的发展机会。它能够进入原本高度依赖专业知识的认知任务，在医生、教师、技术人员以及其他专业人才供给不足的条件下扩大有效技能供给；与此同时，先进芯片、算力、数据中心和前沿模型又表现出明显的高固定成本、规模经济和市场集中，使各国参与人工智能价值链的起点和可行路径存在显著差异。

因此，人工智能是否能够促进发展，并不只取决于模型能力本身。企业拥有同样的技术工具，由于管理水平、数据基础和组织能力不同，可能获得完全不同的生产率结果；国家拥有相同的技术接入渠道，由于电力、网络、设备、教育和制度条件不同，也可能形成显著不同的发展收益。人工智能由此不仅可能提高生产率，也可能扩大企业之间和国家之间既有的生产率差距。

对于多数发展中经济体，更现实的发展路径并不是同时参与人工智能所有前沿环节，而是在已有全球技术能力基础上扩大采用，提高企业和政府的吸收能力，并围绕本地语言、数据、产业和公共服务需求进行适配。只有当算力、数据、人才、资本和创新生态达到较高水平后，直接推进技术前沿才具有更加充分的经济基础。

政府在这一过程中承担三类相互关联的职能：通过基础设施、教育、数据和营商环境建设扩大技术采用条件；通过自身的数据治理、组织能力、绩效评价和采购改革提高公共部门使用人工智能的能力；通过竞争政策、数据治理、监管执行和国际合作约束人工智能产生的权力集中和外部性。人工智能最终能否形成广泛的生产率提升和社会福利改善，取决于技术能力、市场结构和互补条件能否同步演进，而不是单纯取决于最先进模型能够达到何种技术水平。