"用人类智慧和国际共识引领人工智能发展"——习近平主席出席2026世界人工智能大会暨人工智能全球治理高级别会议开幕式并发表主旨讲话侧记

构建"治理碎片化—交易成本—制度供给"的理论框架。界定AI全球治理中的三类协调成本：规则制定成本（各国标准互认的谈判耗费）、信息搜寻成本（跨国AI风险情报不对称）与执行监督成本（合规核查的困难）。H1：WAICO通过统一技术标准与互认机制，降低了成员国的规则制定成本。H2：WAICO的信息共享平台减少了跨国AI风险信息不对称。H3：WAICO的软法协调模式（行动计划+伦理倡议）比硬法约束具有更低的执行监督成本，因而更容易吸引发展中国家加入。

以WAICO成立为准自然实验，采用合成控制法（SCM）比较创始成员国与非成员国的AI治理制度成本变化。结果变量为各国AI立法数量变动率和标准互认协议签署数；处理组为29个创始成员国，对照组为其他未加入WAICO但参与GPAI或OECD AI治理的国家。识别假定：若无WAICO成立事件，创始成员国与非成员国的AI治理成本将维持平行趋势。安慰剂检验：将虚拟处置时间提前至2024年或2025年。

基准回归采用多期DID：$Y_{it} = \alpha + \beta \cdot WAICO_{it} + \gamma X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$，其中$WAICO_{it}$为国家$i$在$t$期加入WAICO的虚拟变量，$X_{it}$为控制变量（GDP增长率、数字基础设施指数、政治稳定性），$\mu_i$为国家固定效应，$\lambda_t$为时间固定效应。进一步以QCA方法从制度文本中提取条件变量（成员资格门槛、争端解决机制、能力建设条款），识别"高效治理制度"的必要条件与充分条件组合。

被解释变量：（1）AI标准互认协议数量（从各国商务部与标准机构网站手工收集）；（2）AI治理制度密度（各国AI相关法律与行政令数，来源于斯坦福HAI AI Index 2024-2026年）。核心解释变量：WAICO成员资格（二元变量），进一步细分为创始成员/后续加入成员。控制变量：人均GDP（世行）、研发支出占GDP比重（UNESCO）、互联网普及率（ITU）、政府效能指数（WGI）。样本覆盖全球120个国家，时间跨度为2022-2028年。

（1）替换被解释变量：用WEF全球AI就绪指数中的"治理"子维度替代AI立法数量，验证结果不依赖于特定测度。（2）排除大国效应：剔除中国、美国、欧盟成员国后重新估计，检验发展中国家之间的制度效应是否显著。（3）倾向得分匹配-DID：以经济发展水平、数字基础设施和政治体制为协变量进行PSM匹配后再做DID，缓解自选择偏差。（4）安慰剂时间检验：将WAICO成立时间前移2年，检验处理的显著性是否消失。

---

全球AI治理面临典型的"公共产品供给不足"困境：发达国家垄断核心算力与算法，发展中国家既无能力参与规则制定，又面临被AI浪潮边缘化的风险。H1（霸权稳定论）：中国作为新兴技术大国，单方面提供AI公共产品（培训、开放平台、气象AI方案）能够降低全球治理的不确定性，弥补"美国退出后"的供给缺口。H2（集体行动修正）：仅有霸权供给不可持续——WAICO 29个创始成员国的联合供给降低了单一国家的财政与政治负担，形成"霸权引领+集体共建"的复合模式。H3（需求侧假设）：受援国对AI公共产品的需求偏好异质性（东盟侧重产业应用、非盟侧重农业智能、拉共体侧重数据主权）决定了供给端的差异化配置，这种"需求驱动的分层供给"比单一霸权供给更有效率。

采用"最大差异系统设计"（MDSD）案例比较法。选取中国（WAICO框架下提供培训+合作中心）、美国（双边AI合作协议+CHIPS法案技术出口管制）和欧盟（AI Act规范输出+地平线欧洲研究资助）三个供给者作为案例，比较其公共产品供给的动机（战略竞争vs.公益驱动）、形式（软/硬产品）与受援国接受度。辅助以博弈模型推导"搭便车"与"选择性激励"的均衡条件，纳什均衡求解得到最优供给水平。

构建全球AI公共产品供给的面板引力模型：$Aid_{ijt} = \alpha + \beta_1 GDP\_gap_{ijt} + \beta_2 Alliance_{ij} + \beta_3 Digital\_gap_{ijt} + \beta_4 WAICO_{ijt} + \gamma Z_{ijt} + \mu_{ij} + \lambda_t + \varepsilon_{ijt}$。其中$Aid_{ijt}$为供给国$i$向接收国$j$在$t$年提供的AI援助金额或培训人次数，$GDP\_gap_{ijt}$为人均GDP比值，$Alliance_{ij}$为政治同盟虚拟变量，$Digital\_gap_{ijt}$为数字鸿沟指数。重点考察$WAICO_{ijt}$（两国是否同为WAICO成员）系数的符号与显著性。

被解释变量：（1）AI对外援助金额与培训项目数量（中国商务部援外司、美国USAID、欧盟国际合作伙伴总司年度报告）；（2）受援国AI政策采纳指数（是否在国内通过了AI战略或设立了AI监管部门）。核心解释变量：供给国类型（中/美/欧三类虚拟变量）、WAICO成员国身份。控制变量：双边贸易额（IMF DOTS）、外交相似度（UN投票理想点距离）、地理距离、共同语言。样本为全球120个国家2022-2028年面板数据。

（1）更换公共产品测量口径：将"气象智能预警妈祖方案部署国数量"作为AI软性公共产品替代指标，检验结论是否一致。（2）工具变量法：以供给国与接收国的历史外交关系（建交年份）作为WAICO成员身份的工具变量，缓解内生性。（3）负二项回归：AI援助项目数为离散计数变量，使用负二项回归替代OLS以处理过度分散问题。（4）排除"一带一路"国家子样本，检验WAICO框架下的AI合作是否独立于既有的地缘经济安排。

---

发展中国家面临"双二元结构"挑战：传统部门与AI赋能部门并存，数据要素贫乏与算力依赖并立。H1（后发优势假说）：发展中国家引入成熟AI应用（如气象预警、智能农业诊断），跳过自主研发阶段，其产业升级速度高于历史上同等收入水平的发达国家。H2（吸收能力门槛假说）：AI技术扩散的产业升级效应受制于人力资本阈值——只有当高等教育毛入学率超过30%时，AI技术才能显著推动制造业劳动生产率提升。H3（要素错配假说）：AI技术引入可能加剧而非缓解技能溢价，在制度质量较低的国家造成"有增长无就业"的结构性转型困境。

利用中国分阶段在6大区域（东盟、阿盟、非盟、拉共体、上合组织、金砖国家）建设AI应用合作中心的地理与时间差异，构建交错DID（staggered DID）。处理组为合作中心所在区域的国家，控制组为同区域未被纳入合作中心的国家。结果变量包括产业增加值结构（农业→制造业→服务业转换指数）和全要素生产率增长率。采用Callaway & Sant'Anna（2021）方法处理异质性处理效应。

交错DID基准设定：$Y_{it} = \alpha + \beta \cdot Treat_{it} + \gamma \cdot Absorb_{it} + \delta \cdot Treat_{it} \times Absorb_{it} + \theta X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$。其中$Treat_{it}$为国家$i$在$t$年是否已纳入中国AI合作中心覆盖范围的虚拟变量，$Absorb_{it}$为吸收能力变量（人力资本指数或高等教育入学率），交互项$Treat_{it} \times Absorb_{it}$捕捉吸收能力的调节效应。进一步使用结构方程模型（SEM）分解AI技术扩散的"直接效应"（产业生产率提升）与"间接效应"（通过人力资本再配置影响产业结构）。

被解释变量：（1）结构转型速度（农业就业份额下降率、制造业增加值占GDP比重变动）；（2）产业复杂度指数（Hidalgo-Hausmann经济复杂度指数扩展至数字维度）；（3）AI就绪度提升速率。核心解释变量：中国AI合作项目强度（培训人数/人口、合作中心到该国的地理距离倒数）。调节变量：人力资本指数（世行HCI）、数字基础设施指数（ITU）、制度质量（WGI Rule of Law）。样本为90个发展中国家2018-2028年面板。

（1）替换DID估计量为Borusyak et al.（2024）的插补估计量（imputation estimator），利用从未受处理国家的信息插补反事实趋势。（2）排除中国的"一带一路"沿线重点国家，检验AI合作是否独立于基础设施投资渠道产生效应。（3）使用夜间灯光数据（VIIRS/DMSP）作为经济活动的替代测量，验证结构转型不依赖于官方GDP统计的偏差。（4）选择中国与上述6大区域中最早签署AI合作协议的国家作为"先行者"子样本，进行事件研究（event study），考察处理效应的时间动态。

---

构建扩展的"教育-技术竞赛"模型：AI技术进步提升了高技能劳动者的相对生产力（技能偏向型技术变革，SBTC），但若人力资本供给增长追上技术需求，技能溢价将趋于稳定。H1（技能供给效应）：中国AI培训大幅增加受援国的AI相关技能供给，短期内使AI相关岗位的工资溢价下降，普通劳动者受益。H2（互补效应）：AI培训与本地高等教育存在互补关系——受过正规高等教育的劳动者从短期AI研修中获得更大边际收益，培训反而扩大而非缩小了技能差距。H3（职业暴露异质性）：根据Acemoglu-Autor任务模型，AI暴露度高的职业（数据分析、翻译、客服）从业者从AI培训中受益最大，而AI暴露度低的职业（手工劳动、面对面服务）受益有限，培训可能导致职业间再分配成本上升。

利用中国AI培训名额在不同国家的分配差异（准实验设计）。以培训名额强度（每万人AI培训名额数）作为连续处理变量，采用广义DID（连续DID）识别培训强度对劳动力市场结果的因果效应。关键的识别假定：培训名额分配主要基于外交与区域代表性考虑，与受援国内部劳动力市场状况无关。使用中国在2023年《全球人工智能治理倡议》提出前的外交伙伴关系作为工具变量，检验分配的外生性。

连续处理DID：$Y_{it} = \alpha + \beta \cdot Intensity_i \times Post_t + \gamma X_{it} + \mu_i + \lambda_t + \varepsilon_{it}$。其中$Intensity_i$为国家$i$每万人获得的AI培训名额，$Post_t$为培训计划实施后的时间虚拟变量，交互项系数$\beta$捕捉培训对劳动力市场结果的平均因果效应。进一步扩展为异质性处理效应模型：$Y_{ict} = ... + \sum_{k=1}^{K} \beta_k \cdot Intensity_i \times Post_t \times SkillGroup_{k}$，考察不同技能群体（高/中/低）的异质性受益。

被解释变量（国家-年份层面）：（1）AI相关职业的工资溢价（从在线招聘平台提取AI与非AI岗位薪资比）；（2）技能错配指数（受过高等教育的劳动者从事低技能职业的比例）；（3）劳动收入份额变动。核心解释变量：AI培训名额强度（中国承诺的5000个名额在各国的人均分配）。个体层面数据：使用受援国劳动力调查微观数据，构造个体是否参与AI培训的虚拟变量。控制变量：人均GDP、互联网渗透率、高等教育毛入学率、基尼系数。

（1）更换处理变量：以"该国的世界人工智能合作组织成员国身份"作为AI能力建设介入的二值替代变量，使用经典DID验证结果稳定性。（2）合成DID（synthetic DID）：基于未受益国家的劳动力市场特征合成反事实，与处理组对比。（3）分位数DID：考察培训效应在不同工资分位数上的异质性——培训是缩小了底层与顶层差距，还是加剧了两极分化？（4）排除华人/华语人口较多的国家（如新加坡、马来西亚），检验语言与文化同源性是否混淆了培训效应的估计。

---

AI治理谈判区别于传统贸易谈判：AI的风险具有高度不确定性（未知的未知），各国决策者的风险感知更易受行为偏差影响。H1（锚定效应）：决策者对AI风险的评估以"本国AI产业的当前竞争力"为锚——AI领先国（如中国、美国）倾向于高估监管成本而低估失控风险，AI后发国（全球南方国家）则相反。H2（损失厌恶与禀赋效应）：已将AI产业视为"国家核心利益"的决策者，对"共享开源模型"表现出更强的抵触，因他们将开放视为对已有"禀赋"的损失而非对公共产品的贡献。H3（框架效应）：若AI治理被框定为"安全合作"而非"创新竞争"，决策者支持国际治理协作的概率显著提高——同一实质性内容因呈现框架不同而产生偏好反转。

设计2x2析因调查实验（vignette experiment）。因子一：框架维度（"AI安全风险治理"vs."AI创新合作发展"）；因子二：参照点维度（"本国AI全球排名前10%" vs."本国AI全球排名后50%"作为锚定信息）。随机分配受试者阅读四种组合情景中的一种，随后测量其对WAICO治理倡议的支持度（7点Likert量表）、愿意贡献的资源份额（预算分配任务）以及感知风险评分。样本在29个WAICO创始成员国的政策研究者中分层抽样。识别假定：随机分配确保各实验组在可观测与不可观测特征上平衡。

调查实验的平均处理效应（ATE）估计：$Y_i = \alpha + \beta_1 Frame_i + \beta_2 Anchor_i + \beta_3 Frame_i \times Anchor_i + \gamma X_i + \varepsilon_i$。其中$Frame_i = 1$表示"安全合作"框架，$Anchor_i = 1$表示"高排名"锚定条件。交互项$\beta_3$捕捉两种行为偏差的联合效应。进一步通过联合分析（conjoint analysis）检验决策者的偏好结构：将治理方案拆解为多个属性（治理主体：UN主导/WAICO主导/大国协调；规则刚性：硬法/软法；成本分担：等比例/GDP加权/自愿；能力建设：有/无），随机组合呈现给受试者，通过边际均值（AMCE）估计各属性的相对重要性。

核心因变量：（1）治理倡议支持度（连续变量，1-7分）；（2）预算分配意愿（愿意贡献本国GDP万分之几用于全球AI治理）；（3）风险评级（对AI失控、就业替代、伦理风险三个维度的概率估计）。核心自变量：实验操纵的框架类型与锚定条件。个体层面协变量：专业背景（技术/政策）、AI知识水平（标准化测试）、风险偏好（WVS标准题项）、国家AI竞争力感知。国家层面：实际AI专利数、人均GDP、政治体制类型。

（1）添加操纵检验（manipulation check）题目，排除无效受试者（未能正确识别框架或锚定信息的样本）后重新估计。（2）使用"信息提供实验"（information provision experiment）作为安慰剂：向一组受试者提供客观AI风险统计数据，若其偏好与实验组无显著差异，说明不是单纯信息不足问题，而是深层行为偏差。（3）外部有效性检查：将调查实验的预测与实际WAICO谈判中各国的立场声明进行匹配比较，检验行为偏差的生态效度。（4）使用Oster（2019）方法检验不可观测变量导致的偏误：计算$\delta$统计量，评估需要多强的不可观测混淆因素才能推翻实验结论。

---