促进共同繁荣 维护共同安全——习近平主席在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上的重要讲话引发与会人士热烈反响

基于Coase的交易成本理论与Williamson的制度选择框架，全球AI治理规则的供给成本包括谈判成本、缔约成本、监督成本和适应成本。当参与方异质性高、技术迭代快、外部性强时，多边正式组织比松散的双边倡议更能降低重复谈判成本，但可能提高初始缔约成本。North的制度变迁理论进一步指出，规则扩散取决于制度供给收益与执行成本的比较。据此提出：H1：参与国异质性越高，选择正式多边治理机制的概率越大；H2：包含争端解决与能力建设项目条款的协议，其后续成员国扩展速度更快；H3：技术领先国家倾向于在协议中嵌入对自身友好的标准锁定条款，以降低未来规则调整成本。

本文采用比较制度分析与文本计量相结合的策略。通过构建国际AI治理协议数据集，识别协议类型（双边/多边/行业自律）、条款完备性（安全、伦理、能力建设、争端解决）与后续扩散指标（加入国数量、引用频次、国内立法转化率）。为控制国家能力、技术水平和地缘政治因素的混淆，引入国家固定效应与年份固定效应，并使用匹配方法（PSM）使不同制度类型的样本国家在关键特征上更具可比性。关键识别假定是：协议类型的选择主要受交易成本驱动，而非单一国家偏好；协议文本差异能够反映制度设计而非仅政治修辞。

基准回归采用双向固定效应模型：

Diffusion_{i,t} = α + βInstitutionType_i + γCompleteness_i + δ(X_i × TechLevel_i) + μ_c + λ_t + ε_{i,t}

其中 Diffusion_{i,t} 为协议i在t年的成员国扩展数或引用次数；InstitutionType_i 为制度类型虚拟变量（多边组织=1，双边倡议/行业自律=0）；Completeness_i 为条款完备性指数；X_i 为国家特征控制变量；μ_c 为国家固定效应；λ_t 为年份固定效应。核心参数β度量正式多边机制相对于非正式机制对规则扩散的边际效应，预期β>0。

• 被解释变量：规则扩散指数，包括协议签署国数量、后续国家加入年均增长率、国内立法/政策文件引用频次（通过Google Scholar、各国政府公报检索）。
• 核心解释变量：制度类型（多边/双边/行业自律），依据协议发起主体与法律约束力判定；条款完备性指数，由安全治理、伦理规范、能力建设、争端解决、技术合作5个维度等权加总，每项按0-2评分。
• 控制变量：发起国AI综合指数（Stanford HAI AI Index报告）、人均GDP（世界银行WDI）、制度质量（WGI法治指数）、地理政治距离（联合国投票理想点距离）。
• 样本：2016—2026年间全球主要AI治理协议与倡议共约80-120项，以文本可获取为原则。

• **替换制度类型测度**：以协议是否具有常设秘书处替代"多边组织"虚拟变量，检验制度正式程度的核心结论是否对分类标准敏感。
• **工具变量法**：以发起国在联合国数字合作议程中的历史参与率作为制度选择的工具变量，缓解制度类型与规则扩散之间的反向因果和遗漏变量问题。
• **改变扩散指标**：以协议被后续国际文件引用的PageRank中心性替代简单的加入国数量，考察规则扩散的网络结构稳健性。
• **分样本回归**：将样本分为发达国家发起与发展中国家发起两组，检验交易成本机制在不同国家群体中的异质性，排除单一国家集团主导结论的可能。

---

霸权稳定论认为，国际公共品的供给依赖于霸权国家的意愿与能力；但21世纪以来，新兴经济体通过制度创设与公共品供给参与全球治理，可能形成"竞争性多边主义"。在AI治理领域，技术标准、伦理框架和能力建设项目构成国际公共品的核心内容，其供给格局直接影响话语权分配。Nye的软实力理论进一步指出，议程设置权与标准主导权是国际话语权的关键维度。据此提出：H1：AI标准提案份额越高的国家，在国际治理议程中的影响力越大；H2：中国通过国际AI应用合作中心和研修培训等公共品供给，显著提升了全球南方国家在AI治理中的参与度和议程设置能力；H3：国际AI合作组织的成立将降低治理规则对单一技术霸权国家的依赖度。

本文采用三重识别策略。首先，利用跨国面板数据固定效应模型识别公共品供给与话语权之间的相关关系。其次，以2026年世界人工智能合作组织成立为外生政策冲击，使用事件研究法考察成员国在AI治理议程中发言权和标准提案份额的变化。最后，通过合成控制法（SCM）为中国等关键国家的公共品供给效应构造反事实。关键识别假定包括：事件冲击相对外生，不受样本国同期国内政策强烈干扰；合成控制权重能够较好地拟合处理前的趋势；话语权指标能够有效捕捉议程设置和标准主导能力。

基准面板模型设定为：

Voice_{c,t} = α + βPublicGood_{c,t} + γTechCapability_{c,t} + δAlliance_{c,t} + μ_c + λ_t + ε_{c,t}

其中 Voice_{c,t} 为国家c在t年的AI治理话语权指数（由标准提案份额、国际会议发言次数、治理文件共同署名数量综合合成）；PublicGood_{c,t} 为中国对该国AI公共品供给强度（以合作中心数量、培训名额、技术落地项目数加权）；TechCapability_{c,t} 为国家AI技术能力指数；Alliance_{c,t} 为与中国的政治经济关系指标。核心参数β预期为正，表明公共品供给提升受援国话语权。

事件研究模型为：

Voice_{c,t} = Σ_{k=-3}^{3} β_k D_{c,t}^k + X_{c,t} + μ_c + λ_t + ε_{c,t}

其中 D_{c,t}^k 为相对于组织成立年份的虚拟变量，用于识别动态处理效应。

• 被解释变量：AI治理话语权指数，由三部分合成并主成分分析降维：（1）ITU/ISO/IEC中AI相关标准提案数及通过率；（2）联合国、G20、OECD等场合AI议题发言记录；（3）国际AI治理文件共同署名或倡议发起情况。
• 核心解释变量：中国AI公共品供给强度，包括面向各国的合作中心数量、培训名额、技术方案落地国家数，数据来自中国政府网和外交部公开文件。
• 控制变量：国家AI技术能力（Stanford HAI AI Index）、人均GDP（世界银行WDI）、数字基础设施水平（ITU ICT发展指数）、与主要技术大国的政治距离（联合国大会投票理想点）。
• 样本：2016—2026年约80个国家面板数据，重点关注"全球南方"国家和29个创始成员国。

• **替换话语权测度**：以各国在AI国际标准组织中的领导职位数量（主席、报告人）替代综合指数，验证公共品供给对制度性话语权的影响。
• **安慰剂检验**：随机抽取非AI领域的中国对外援助项目作为处理变量，若其对AI话语权无显著影响，则说明结论不是由一般性中国影响力驱动。
• **工具变量法**：以"一带一路"数字合作存量和地理距离作为中国公共品供给的工具变量，缓解公共品供给与受援国话语需求之间的反向因果。
• **异质性分析**：区分大国与小国、创始成员国与非成员国，检验公共品供给效应在不同权力层级和制度身份国家中的差异，排除平均效应掩盖结构性异质性的可能。

---

发展经济学认为，技术扩散是后发国家实现结构转型与追赶的关键机制，但技术吸收能力取决于人力资本、制度质量和基础设施水平。人工智能作为通用目的技术，其全球扩散不均衡导致"数智鸿沟"扩大，而能力建设援助可通过提升人力资本和数字基础设施促进技术吸收。据此提出：H1：接受中国AI能力建设援助的发展中国家，其AI就绪度指数和数字经济增速显著提升；H2：援助效应通过"人力资本提升"和"数字基础设施改善"两条机制传导；H3：援助效应在初始制度质量较高、教育水平较好的国家更强，即存在"吸收能力门槛"。

本文将中国AI能力建设援助项目的启动视为准自然实验，采用多期双重差分法（Staggered DID）。处理组为在不同年份启动中国AI合作中心、接受研修培训或落地技术方案的国家，控制组为同期未接受援助但发展水平相近的国家。为处理异质性处理效应，采用Callaway & Sant'Anna（2021）或Sun & Abraham（2021）的稳健估计量。关键识别假定包括：平行趋势假设（处理前处理组与控制组AI发展水平趋势一致）、无预期效应（援助开始前受援国未提前调整政策）、无溢出效应（援助对控制组无显著空间溢出，或空间杜宾模型可捕捉溢出）。

基准多期DID模型为：

Y_{c,t} = α + β Treat_{c,t} + γ X_{c,t} + μ_c + λ_t + ε_{c,t}

其中 Y_{c,t} 为国家c在t年的数智发展水平指标（AI就绪度指数、ICT发展指数、数字服务出口占比等）；Treat_{c,t} 为处理虚拟变量，当国家c在t年已开始接受中国AI能力建设援助时取1；X_{c,t} 为控制变量；μ_c 为国家固定效应；λ_t 为年份固定效应。核心参数β衡量援助的平均处理效应，预期β>0。

机制检验采用中介效应模型：

M_{c,t} = α_1 + δ Treat_{c,t} + X_{c,t} + μ_c + λ_t + ε_{c,t}

Y_{c,t} = α_2 + β' Treat_{c,t} + θ M_{c,t} + X_{c,t} + μ_c + λ_t + ε_{c,t}

其中 M_{c,t} 为人力资本（高等教育入学率、STEM毕业生占比）或数字基础设施（移动宽带覆盖率、数据中心数量）中介变量。

• 被解释变量：数智发展水平，综合使用ITU ICT发展指数（IDI）、政府AI就绪度指数（Oxford Insights Government AI Readiness Index）、数字经济占GDP比重（UNCTAD估算）。
• 核心解释变量：中国AI能力建设援助处理变量，依据中国政府网公开的合作中心落地、研修培训名额、技术方案落地国家名单，构建国家—年份层面的0-1处理变量和援助强度连续变量（培训人数加权和/合作中心数量）。
• 控制变量：人均GDP对数、人口规模、初始教育水平、贸易开放度、FDI流入、制度质量（WGI）、与中国的地理距离和政治关系。
• 样本：2016—2026年约120个发展中国家面板数据，面板非平衡。

• **安慰剂检验**：随机打乱援助对象国和处理时间，重复500次估计，若伪处理效应分布以0为中心，则支持因果推断有效性。
• **替换被解释变量**：以移动宽带用户渗透率、数字服务出口复杂度或初创企业AI专利数量替代综合指数，检验结论对指标测度的敏感性。
• **改变样本窗口**：剔除2020年前后受疫情强烈影响年份，或使用2018—2026年子样本，排除全球疫情对数字经济发展的混杂冲击。
• **工具变量法**：以"受援国与中国在联合国投票一致性"和"与中国签订双边投资协定时间"作为援助分配的工具变量，缓解援助选择偏误和反向因果问题。

---

新古典增长理论强调知识作为非竞争性公共品对经济增长的溢出效应。开源AI通过降低代码和模型获取成本，扩大知识溢出范围，提升全球创新效率。然而，网络外部性也可能导致"赢者通吃"市场结构，开源生态中的头部平台和模型可能加剧市场集中。据此提出：H1：国家层面的开源AI贡献（GitHub提交量、模型发布数）显著促进该国AI专利申请量和创新质量提升；H2：开源知识溢出对技术能力较强国家的创新产出弹性更大，存在技术吸收门槛；H3：开源生态活跃度与AI市场集中度呈倒U型关系，即适度开源促进竞争，过度集中化则强化垄断。

本文采用知识生产函数框架与空间计量模型识别开源贡献对创新产出的因果效应。核心识别逻辑是：将开源AI活动视为知识资本投入，通过控制研发投入、人力资本、制度质量等变量，识别开源投入的边际产出。为解决开源活动与创新能力之间的内生性问题，使用工具变量法——以各国互联网基础设施历史存量（滞后5年宽带普及率）作为开源参与度的工具变量，因其影响代码协作成本但不直接影响当期专利产出。同时，利用开源协议变更（如部分大模型从开源转向闭源）作为准自然实验，采用事件研究法检验市场结构变化。

知识生产函数基准模型为：

Patents_{c,t} = α + β OpenSource_{c,t-1} + γ R&D_{c,t} + δ HumanCapital_{c,t} + ρ W × OpenSource_{c,t-1} + μ_c + λ_t + ε_{c,t}

其中 Patents_{c,t} 为国家c在t年的AI专利申请量或引用加权专利数；OpenSource_{c,t-1} 为滞后一期的开源AI活动指标（GitHub AI项目star数、模型发布数、中国开源平台贡献度）；R&D_{c,t} 为研发投入；HumanCapital_{c,t} 为人力资本；W 为空间权重矩阵，捕捉跨国知识溢出；μ_c 为国家固定效应；λ_t 为年份固定效应。核心参数β度量开源投入对创新产出的弹性，预期β>0；空间交互项系数ρ反映知识溢出的地理邻近效应。

市场集中度模型：

HHI_{c,t} = α + β_1 OpenSource_{c,t} + β_2 OpenSource_{c,t}^2 + X_{c,t} + μ_c + λ_t + ε_{c,t}

通过β_1和β_2符号检验倒U型假说。

• 被解释变量：AI创新产出，包括AI专利申请量（WIPO/Google Patents，按CPC分类号筛选）、专利被引次数、高被引专利占比；市场集中度以各国AI企业市场赫芬达尔指数（HHI）衡量，基于Crunchbase企业融资和估值数据。
• 核心解释变量：开源AI活动强度，综合GitHub AI仓库数量、star数、中国开源社区贡献（如ModelScope、Gitee AI项目）、国际开源模型发布数（Hugging Face/Papers With Code）。
• 控制变量：研发投入强度（R&D/GDP）、高等教育STEM毕业生占比、ICT基础设施指数、知识产权保护强度（WEF/GII）、风险投资规模。
• 样本：2015—2026年约40个主要经济体面板数据，年度频率。

• **替换开源测度**：以Hugging Face模型下载量或GitHub AI项目fork数替代star数，检验结论对开源活跃度指标选择的敏感性。
• **改变空间权重矩阵**：分别使用地理邻近权重、经济距离权重和技术 proximity 权重，验证知识溢出效应的空间模式稳健性。
• **分技术领域回归**：将AI专利细分为计算机视觉、自然语言处理、机器人等子领域，检验开源溢出效应的技术异质性，排除特定子领域主导结论。
• **GMM动态面板**：采用系统GMM处理创新产出的动态累积性和潜在的内生性问题，比较与固定效应估计结果的差异。

---

行为经济学指出，决策者在不确定环境下并非完全理性，而是受到损失厌恶、可得性偏误、锚定效应和框架效应的影响。在AI治理中，监管者面对技术风险的低概率-高损失特征，可能过度重视可想象的灾难性场景（可得性偏误），或在政策讨论中被先行提出的监管框架锚定（锚定效应）。国际协调困难部分源于不同国家监管者风险感知框架的差异。据此提出：H1：当AI风险以"损失框架"而非"收益框架"呈现时，监管者支持更严格监管政策的概率显著上升；H2：媒体曝光度高的AI风险事件会显著提高监管者对该类风险的权重，导致政策资源错配；H3：国际会议中先发言国家提出的监管框架会对后续国家形成锚定效应，提高政策同质性或加剧立场极化。

本文结合三种识别策略。首先，设计针对AI政策制定者和专家的调查实验，随机分配风险信息框架（损失框架/收益框架/中性框架）和不同风险事件案例，识别框架效应和可得性偏误。其次，利用世界人工智能大会、G7/G20 AI治理会议的发言顺序作为锚定效应的自然实验，采用文本计量方法检验后续发言与先行发言的政策立场关联度。最后，对各国AI监管政策文本进行情感分析和主题建模，识别风险词汇权重与政策严格程度的关系。关键识别假定是：实验中的信息框架随机分配有效；会议发言顺序外生于各国既有立场；文本情感指标能够稳定捕捉监管者风险感知。

实验数据的基准有序Probit/Logit模型为：

Support_{i,j} = α + β Frame_j + γ RiskExposure_{i,j} + δ X_i + ε_{i,j}

其中 Support_{i,j} 为受访者i在情境j下对严格监管政策的支持程度（1-7分）；Frame_j 为信息框架虚拟变量（损失框架=1，收益框架=-1，中性=0）；RiskExposure_{i,j} 为风险事件可得性操纵变量；X_i 为受访者特征。核心参数β预期为正，表明损失框架提高监管支持度。

文本分析锚定效应模型：

Similarity_{c,t} = α + β FirstMover_{c,t} + γ Capability_c + λ_t + ε_{c,t}

其中 Similarity_{c,t} 为国家c在t会议上的发言文本与先行发言核心框架的语义相似度；FirstMover_{c,t} 为发言顺序虚拟变量（是否紧随先行大国发言）；Capability_c 为国家AI能力控制变量。

• 被解释变量：实验中为监管政策支持度评分；文本分析中为发言立场相似度（使用sentence-BERT嵌入后计算余弦相似度）和政策严格程度指数（基于监管文本中限制条款数量、罚款上限、合规要求等编码）。
• 核心解释变量：信息框架（实验操纵变量）、风险事件可得性（实验中提供高/低媒体曝光案例）、发言顺序（实际会议记录中的发言位次）。
• 控制变量：受访者/国家的AI技术水平、政治制度、文化距离、既有监管强度、对AI产业的依赖度。
• 样本：实验数据计划收集200-400名AI政策相关从业者；文本数据覆盖2019—2026年主要国际AI治理会议发言和政策文本约500-800份。

• **实验设计稳健性**：在实验中引入不同风险类型（就业替代、隐私泄露、算法歧视、生存性风险）和不同国家背景，检验框架效应和可得性偏误是否跨情境稳定。
• **替换文本模型**：分别使用TF-IDF、LDA主题模型和ChatGPT/GPT-4编码替代sentence-BERT相似度，验证文本分析结论对模型选择的稳健性。
• **控制发言者异质性**：引入国家固定效应和发言人职位固定效应，排除特定国家或职位类型驱动锚定效应的可能。
• **外生冲击检验**：以2023年前后生成式AI热潮和2026年世界人工智能合作组织成立为时间节点，分样本检验监管者风险感知偏误在不同时期的强度变化，排除特定技术浪潮驱动结论。

---