让人工智能成为造福全人类的国际公共产品——中国为推进人工智能全球治理和国际合作贡献智慧力量

将开源AI模型定位为"全球数字公共产品"，其非竞争性（多人同时使用不增加边际成本）和非排他性（开源许可证确保自由获取）符合Samuelson的公共产品定义，但面临供给不足和搭便车困境。借鉴Ostrom自主治理八项设计原则，提出H1：清晰的使用者边界（许可证类型）与集体选择安排（社区治理结构）能显著提升开源模型迭代频率；H2：分层嵌套治理（企业层面、国家层面、国际协调层面）比单层治理更能缓解搭便车问题；H3：贡献者声誉机制与互惠规范是维系开源AI持续供给的关键制度要素。

以不同开源AI模型许可证类型的变更为准自然实验，采用双重差分法识别制度安排对社区贡献行为的影响。处理组为从宽松许可证（Apache 2.0）转向带限制条款许可证（RAIL类）的模型，对照组为维持原许可证不变的模型。识别的关键假定是：许可证变更时间与模型自身技术特征和外部市场环境不相关——通过检验变更前处理组与对照组的平行趋势，以及排除与许可证变更有同期发生的其他社区治理事件来支持该假定。

构建双向固定效应面板模型：`Y_it = α + β × LicenseRestrictive_it + γ × GovernanceLayer_it + δ × (LicenseRestrictive_it × GovernanceLayer_it) + X_it'θ + μ_i + λ_t + ε_it`。其中Y_it为模型i在第t月的代码提交次数/issue解决率（衡量供给持续性）；LicenseRestrictive为是否采用限制性许可证的哑变量；GovernanceLayer为治理层级得分（社区自治、企业主导、国际标准三层中已激活的层数）；交互项识别制度复杂度的边际效应。加入时间趋势项控制技术成熟度的影响。

被解释变量：从GitHub API获取各开源模型的月度commit数、PR合并数与活跃贡献者数，构建"供给强度"综合指数（主成分法降维）。核心解释变量LicenseRestrictive从SPDX许可证数据库匹配编码；GovernanceLayer通过文本分析各模型的CONTRIBUTING.md和GOVERNANCE.md文件，按Ostrom八原则进行人工评分（0-3层激活）。控制变量包括模型参数量（对数）、GitHub Stars数（衡量用户基数）、母公司研发投入等。样本覆盖2020-2026年间发布的主要开源大模型（约60个）。

（1）更换被解释变量：将供给强度替换为issue关闭率和文档更新频率，检验结论是否保持；（2）排除"超级明星"模型扰动：剔除Stars排名前5%的模型（如Llama、Qwen等），检验制度效应是否由个别头部项目驱动；（3）工具变量法：利用模型所属基金会的法律管辖权（普通法系vs.大陆法系对开源许可的不同传统）作为许可证选择的外生工具变量，处理许可证类型的内生性；（4）安慰剂检验：随机打乱许可证变更时间进行500次模拟，检验真实效应是否显著偏离随机分布。

---

全球AI治理面临"制度赤字"：不存在类似WTO或国际原子能机构的多边治理机制。Keohane指出，国际制度的形成需满足共同利益认知和降低交易成本两个条件。然而AI领域呈现独特的"竞合结构"——国家间在AI军备和产业竞争上对抗，在安全和伦理标准上则需要合作。由此提出H1：AI能力越不对称的国家对之间，治理合作的交易成本越高，越难以达成双边协议；H2：中国代表的"发展导向型"治理倡议（强调能力建设和普惠共享）比西方"风险导向型"倡议（强调安全和伦理约束）对全球南方国家具有更高吸引力，因为前者与后发国家的发展需求形成利益契合；H3：缺乏霸权国主导时，中等强国"倡议联盟"是推动AI治理制度化的替代路径。

以2023年10月中国发布《全球人工智能治理倡议》为关键时间节点，采用合成控制法评估该倡议对后续国际AI治理议程设置的影响。处理单元为中国，结果变量为联合国框架下AI治理相关决议中纳入"能力建设""普惠发展"等中国倡议关键词的频率。利用其他大国（美国、欧盟、日本等）的同类话语频率构建"反事实中国"。识别假定：倡议发布前，中国与其他大国在AI治理话语模式上不存在系统性差异，且没有同期其他事件显著改变国际AI话语格局。

第一层采用合成控制法的标准加权框架：`ATT_t = Y_China_t - Σ(w_j × Y_j_t)`，权重w_j使事前预测误差最小化。第二层构建国家层面的话语采纳面板回归：`AdoptChinaTerm_it = α + β × TradeDependenceOnChina_i × Post202310_t + γ × AIdigitalDivide_i × Post202310_t + X_it'θ + μ_i + λ_t + ε_it`。其中TradeDependenceOnChina衡量各国对华贸易依存度，AIdigitalDivide为各国AI发展水平（以算力指数衡量），交互项分别检验经济依赖渠道和技术差距渠道对采纳中国治理话语的差异化影响。

被解释变量AdoptChinaTerm：对2018-2026年间各国在联合国大会、UNESCO、ITU等国际场合关于AI的正式声明进行文本分析，计算"能力建设""智能鸿沟""普惠发展"等中国倡议核心术语的词频占比（TF-IDF加权）。核心自变量TradeDependenceOnChina以对华进出口总额占该国GDP的比重衡量（来源：IMF DOTS数据库）；AIdigitalDivide以该国人均GPU算力与美国人均GPU算力的比值衡量（来源：Top500和各国AI基础设施报告）。控制变量包括政体类型（Polity V）、人均GDP、是否"一带一路"成员国等。

（1）替换合成控制法的对照组构成：分别剔除美国、欧盟后重新构建反事实，检验结论对大国权重选择的敏感性；（2）时间安慰剂检验：将倡议发布日期伪置为2022年10月或其他节点，验证处理效应是否在真实政策节点才出现；（3）替换话语采纳度量方式：改用BERTopic模型从各国声明中提取主题分布，以"能力建设主题"概率替代关键词词频；（4）排除竞争性解释：控制同期美国AI行政令和欧盟AI法案的发布效应，隔离中国倡议的独立影响。

---

Gerschenkron认为后发国家可通过直接引进先进技术实现蛙跳式发展，但Abramovitz强调这需要一定的"社会能力"（教育水平、制度质量、基础设施）作为前提。AI技术的特殊性在于其"双重门槛"：不仅需要硬件算力，还需要数据生态和算法人才。新闻中柬埔寨智慧农场的案例表明AI可显著提升低收入国家生产率，但世界银行数据同时显示非洲数据中心容量全球占比不足1%。由此提出H1：AI技术扩散对经济增长的促进效应存在"最低算力门槛"，低于该门槛的国家无法从全球AI进步中获益；H2：开放源AI模型通过降低技术获取成本，可显著降低这一门槛，使中等偏低收入国家进入"AI红利区"；H3：智能鸿沟并非单一维度的算力差距，而是算力—人才—制度的复合差距，三者之间存在互补性。

利用中国开源大模型全球下载量突破100亿次这一技术扩散事件，构建工具变量。以各国与中国的地理距离（通过海底光缆路径计算的实际网络延迟）作为该国获取开源AI模型便利度的外生工具变量（相关性与排他性：延迟越低越易下载使用，但地理距离与经济增长无直接因果，仅通过影响技术获取产生间接影响）。第一阶段回归检验网络延迟对AI应用渗透率的预测力；第二阶段估计AI渗透率对农业和服务业劳动生产率的因果效应。

采用面板门限模型（Hansen, 1999）：`Growth_it = α + β_1 × AIPenetration_it × I(Ability_it ≤ τ) + β_2 × AIPenetration_it × I(Ability_it > τ) + γ × X_it + μ_i + λ_t + ε_it`。其中Growth为TFP增长率或农业/服务业劳动生产率增速；AIPenetration以AI相关应用下载量/GDP衡量；Ability为"AI社会能力"综合指数（算力基础设施+数字人力资本+AI治理成熟度的主成分得分）；τ为待估计的门限值。若β_1不显著而β_2显著为正，则证实门槛效应的存在。进一步构建三层门限模型区分"边缘区—追赶区—领先区"。

被解释变量劳动生产率：从ILOSTAT和世界银行WDI获取2018-2026年各国农业和服务业单位劳动产出数据。核心解释变量AIPenetration：从Google Trends、GitHub地理位置数据、移动应用商店AI类App下载量三个来源构建"AI应用活跃度"三角验证指标。门限变量AI社会能力：算力维度用每百万人GPU等效算力（TOP500+各国超算中心数据），人才维度用AI相关专业毕业生占比（UNESCO教育统计），制度维度用AI国家战略发布时间与完备度评分（Oxford Insights）。样本覆盖120个发展中国家和30个发达国家。

（1）替换门限估计方法：改用Hansen面板门限、Caner-Hansen工具变量门限和平滑转换回归（STR）三种方法交叉验证门限值的稳健性；（2）替换技术扩散度量：将AIPenetration替换为中国开源模型Github Stars数的国别分布（利用Github用户地理位置标签）；（3）排除极端值：剔除非洲数据中心容量为零的国家和AI指数前5%的领先国，检验结论是否由极端值驱动；（4）动态面板GMM：引入被解释变量滞后项，使用系统GMM估计处理内生性和收敛动态。

---

Romer指出知识的非竞争性是长期增长的关键——一个人的使用不减少他人的可用性。AI开源模型的本质是将AI知识从"俱乐部产品"转化为"纯公共产品"，理论上应带来全球创新效率的Pareto改进。然而Aghion-Howitt框架提示：技术前沿国家可能通过保持闭源来维持创新租金，而开源可能削弱其创新激励。由此形成H1：开源模型扩散降低了技术追赶者的知识获取边际成本，从而缩小了国家间AI创新效率差距（σ收敛）；H2：开源对前沿国家的创新激励存在负向效应（创新租金侵蚀）和正向效应（用户网络扩大带来的反馈数据增值），净效应取决于该国的"开源互补能力"；H3：全球AI创新资源从"算力密集地集中配置"转向"应用场景分散配置"，开源扩散提升了资源配置的地理均衡性。

利用AI模型从闭源转向开源（或反之）的事件作为"知识获取成本"的外生冲击。以Meta发布Llama 2开源（2023年7月）、阿里巴巴Qwen系列持续开源等事件为处理节点，采用交错DID（staggered DID）设计，处理组为使用该国语言且开源模型支持良好的国家，对照组为语言支持较弱因而不直接受益于该开源事件的国家。结果变量为该国AI论文产出增速和AI初创企业数量季度变化。关键假定：开源事件的发生时间与各国AI发展节奏在控制语言固定效应后无关。

第一阶段：随机前沿分析（SFA）`ln(Patent_it) = f(ln(K_it), ln(L_it), ln(Data_it)) + v_it - u_it`，其中u_it为创新无效率项，表示受知识获取成本制约的创新效率损失。第二阶段：DID模型 `InnovationEff_it = α + β × Treat_i × Post_t + γ × OpenSourceStock_i × Post_t + X_it'θ + μ_i + λ_t + ε_it`。其中InnovationEff为SFA估计的创新效率得分，OpenSourceStock为该国可获取的开源AI模型数量（控制技术可得性），Treat为是否受益于特定开源事件的虚拟变量。进一步构建空间杜宾模型检验创新的空间溢出效应。

创新产出：从WIPO PATENTSCOPE提取2018-2026年AI相关专利（按IPC分类号G06N匹配），按发明人地址分配到国家；同时从OpenAlex提取AI论文的跨国引用矩阵。知识获取成本：构造"AI知识获取成本指数"= 该国最常用语言的开源模型支持度 × 网络延迟 × 英文AI文献覆盖率（三重交互）。算力投入：以该国GPU进口额（UN Comtrade HS 8471.80）和云端算力租赁支出（各云厂商财报分地区数据）衡量。控制变量：研发支出占GDP比重、高等教育入学率、知识产权保护指数等。

（1）替换SFA分布假设：将无效率项u_it的分布假设从半正态替换为截断正态和指数分布，检验效率排名是否稳定；（2）Bacon-Decomposition诊断：对交错DID进行Bacon分解，检查是否存在"坏比较"（后处理组与前处理组的比较），若存在则采用Sun-Abraham或Callaway-Sant'Anna估计量；（3）替换开源度量标准：用Hugging Face上该国开发者活跃账户数替代开源模型数量，从需求端而非供给端衡量知识获取；（4）反事实模拟：利用校准的多国一般均衡模型模拟"全面闭源"情景下的全球AI创新产出，与实际数据对比。

---

前景理论预测，在收益不确定时个体倾向于维持现状（现状偏误），这解释了为何即使在AI工具可免费使用时，许多农户仍不愿尝试。Berg信任博弈则揭示：技术采纳不仅依赖对技术本身的信任，还依赖对技术提供者（来源国、企业、本地推广机构）的信任。新闻中爱彼迎CEO用"非常好、速度快、价格便宜"来解释选择中国开源模型，这三点分别映射到技术信任（性能感知）、制度信任（可靠性预期）和经济理性（成本收益计算）。由此提出H1：有限理性导致的"现状偏误"使AI技术即使免费开放，采纳率仍低于经济理性预测的水平；H2：对AI技术来源国（如中国）的制度信任水平是解释跨国采纳差异的重要变量，高于对技术本身性能感知的解释力；H3：基于"社会证明"的信息助推（展示同类用户的成功案例）比基于"经济计算"的信息助推（展示投入产出数字）更能促进采纳。

在柬埔寨茶胶省（新闻中提到的智慧农场实施地）开展分层随机对照实验。将300个农户随机分配到4个组：（A）纯信息组——仅提供智慧农业App及使用说明；（B）经济计算助推组——额外提供"每公顷年收入从1000美元增至3000美元"的收益信息；（C）社会证明助推组——额外播放邻居成功使用App的视频证言；（D）信任锚定组——额外告知"该技术已获联合国工发组织认可"的权威背书。比较各组在3个月内的App实际下载量、激活率和使用频次，识别各行为偏误的效应大小。

主回归采用意图处理（ITT）估计：`Y_i = α + β_1 × EconInfo_i + β_2 × SocialProof_i + β_3 × TrustAnchor_i + γ × X_i + ε_i`。其中Y_i为农户i在90天实验期内使用AI App的天数。基准组为纯信息组（A），β_1、β_2、β_3分别估计经济计算、社会证明和信任锚定三种助推的处理效应。进一步采用处理依从者平均处理效应（CATE）——利用基线调查中测度的个体风险偏好（通过Eckel-Grossman赌博任务）和制度信任水平（通过标准化信任博弈问题），构建交互项：`Trust_i × TreatmentGroup_i` 和 `RiskAversion_i × TreatmentGroup_i`，检验个体层面的异质性处理效应。

被解释变量：从App后台获取客观行为数据——下载量、首次激活时间延迟（天）、90天内活跃天数、功能使用深度（使用的不同功能模块数）。关键个体特征：风险偏好通过Eckel-Grossman六选项彩票任务在基线调查中测度；制度信任通过"您认为中国/本国政府提供的技术援助是否可靠？"李克特七级量表测量；时间偏好通过"今天获得100美元还是30天后获得120美元"选择任务测度。控制变量包括农户年龄、教育年限、农场面积、智能手机使用经验、家庭年收入等。随机化平衡性通过基线调查的t检验验证。

（1）替换被解释变量为自我报告采纳意愿（基线调查第七天）与实际行动的差值，构建"意愿—行为缺口"指标，检验助推策略是否主要作用于弥合该缺口；（2）排除溢出效应：利用GPS坐标计算各实验农户与其最近邻居的距离，控制空间自相关以排除组间信息污染；（3）多国复制验证：在肯尼亚和孟加拉国选取类似农业社区进行简化版实验（仅保留社会证明和信任锚定两个最强处理组），检验结论的外部有效性；（4）替换估计方法：对计数型被解释变量（活跃天数）改用泊松伪最大似然和零膨胀负二项回归，处理数据过度分散和零值堆积问题。

---