全球人工智能营销：注意差距

全球人工智能影响：注意差距尤根尼奥·切鲁蒂，安东尼奥·加西亚·帕斯夸尔，吉田优介，李龙吉，乔瓦尼·梅利纳，玛里娜·M·塔瓦雷斯，以及菲利普·温格林德进行的研究，并发布以征求评论并促进讨论。国际货币基金组织工作论文中表达的观点为作者(们）的个人观点，并不一定代表国际货币基金组织、其执行董事会或基金管理层的立场。NATn©2025国际货币基金组织国际货币基金组织工作论文战略政策与审查部，研究部人工智能的全球影响：注意差距经肯尼斯·H·康和安东尼奥·斯皮林伯格授权分发2025年4月国际货币基金组织工作论文描述作者正在进行中的研究，并公开发表以征求意见并促进辩论。国际货币基金组织（IMF）工作报告中表达的观点是作者（们）的观点，并不一定代表IMF、其执行董事会或IMF管理的观点。摘要：本文探讨了人工智能在全球范围内不均衡的影响，强调其影响将取决于（i）各国对人工智能的行业暴露程度，（ii）他们将这些技术整合到自身领域的准备程度。经济体系，以及（iii）它们获取关键数据和技术的途径。我们将这三个因素作为全球经济部门的动态一般均衡模型输入，并表明人工智能将加剧国家间的收入不平等，使发达经济体的受益不成比例。事实上，在发达经济体的估计增长影响可能超过低收入国家的两倍。尽管人工智能准备情况和获取的改善可以缓解这些差异，但它们不太可能完全抵消。此外，由人工智能驱动的生产力提升可能会减少传统汇率调整在人工智能非贸易部门重大影响下的作用——一种类似于逆巴拉萨-萨缪尔森效应的机制。推荐引用：Cerutti,E.,A.GarciaPascual,Y.Kido,L.Li,G.Melina,JEL分类号码：F0,O30,O33关键词：人工智能；生产力；多区域DSGE模型作者电子邮箱地址：作者们想感谢AbdullahAlHassan、BotirBaltabaev、BenjaminCarton、GabrielaConde、EraDabla-Norris、FlorenceJaumotteSollaci、AntonioSpilimbergo、CindyXu以及国际货币基金组织研讨会参与者提供的宝贵评论和建议。所有剩余的错误均由作者负人工智能的全球影响：注意1作者们想感谢AbdullahAlHassan、BotirBaltabaev、BenjaminCarton、GabrielaConde、EraDabla-Norris、FlorenceJaumotteollaci、AntonioSpilimbergo、CindyXu以及IMF研讨会参与者对有用评论和建议。所有剩余错误均为作者们责任。国际货币基金组织工作论文人工智能的全球影响：注意差距 32.人工智能采纳的驱动因素 5暴露 6准备 6访问 73.模型、校准和情景 7模型 7校准 9生产冲击校准 11人工智能接入 12人工智能暴露 12人工智能准备情况 13基准TFP增长13情景... 4.基准结果 对生产率的影响 15对国内生产总值的影响 .16对通货膨胀的影响 ..17对汇率和经常账户的影响 18与过去技术变革事件的关系 205.对新兴市场和发展中经济体（EMs）以及低收入国家（LICs）的挑战性展望 有限人工智能接入场景 21增强人工智能准备性场景 21注意人工智能差距：新兴市场和发展中经济体复杂的前景 23 附件I.GIMF中行业的汇总 附件II.国家组和人工智能准备情况 参考文献 22国际货币基金组织工作论文人工智能的全球影响：注意差距人工智能（AI）承诺将提高生产力，刺激创新，并改变全球工作的本质。1尽管如此，其迄今为止的采用程度不均衡，在很大程度上反映了先进经济体（AEs）、新兴市场（EMs）和低收入国家（LICs）之间根深蒂固的结构性差异。展望未来，拥有先进技术基础设施和熟练劳动力国家的可能更容易受到人工智能的影响，并且能够更有效地利用它，从而有可能推动经济增长。相比之下，一些新兴国家和大多数低收入国家可能难以跟上步伐，加剧现有的收入不平等现象，扩大国家之间的收入差距。这种跨国的差异在很大程度上是由产业结构和职业组成的差异所驱动的，这些差异形成了独特的“暴露在人工智能自动化和/或增强方面。尽管某些经济体在具有较高暴露风险的职业和适合人工智能整合的产业部门中占据更大的份额，而其他经济体则集中在数字化程度较低的活动上——这可能在降低它们的即时风险的同时 ,也降低了它们的潜在收益。其次，除了曝光之外，人工智能“准备情况也起着关键作用。诸如强大的机构、复杂的数字基础设施以及熟练的劳动力等因素可以显著影响人工智能的采用和集成效果。即使在原则上高度暴露于人工智能，缺乏坚实基础的国家可能难以实现有意义的生产力提升，这凸显了制度和政策准备如何决定人工智能是支持持续增长还是加剧现有不平等。第三，人工智能领域持续存在的差异访问“—涵盖先进硬件、数据中心和全球合作伙伴关系—可以进一步扩大人工智能领先者与表现不佳者之间的差距。在政治地缘和国家安全考虑可能影响技术共享实践的情况下，这些限制可能对那些在人工智能密集型投资和创新方面替代渠道最少的新兴市场（EMs）和低收入国家（LICs）影响最大。”本文旨在估计由人工智能引发的产出增长在国内和全球的影响，采用了一种考虑各国不同生产部门和传导渠道的建模方法。分析采取了双管齐下的策略。首先，它将人工智能的暴露度、准备情况和获取情况与由人工智能采用驱动的全要素生产率（TFP）增长联系起来。为此，结合了关于任务和部门层面工作对人工智能暴露度的微观数据，以及针对人工智能准备情况的国别措施和关于人工智能获取的假设，以评估它们对样本中每个国家的TFP的影响，涵盖了发达经济体、新兴经济体和低收入国家。其次，AI曝光、准备和获取驱动的生产率差异被用作IMF全球综合货币和财政模型（GIMF）的输入。2一个多部门、多区域动态一般均衡模型，用于评估其对全球和区域经济增长及其他宏观经济结果的影响。1AI代表了一系列旨在使机器能够感知、解释、行动和学习，以模拟人类认知能力的技术。在这整个光谱中，生成式AI（GenAI）包括能够通过学习大量训练数据创建新内容（从文本到图像）的复杂大型语言模型。相比之下，其他AI模型更为专门化，专注于诸如模式识别等离散任务。同时，自动化以优化重复性任务以提高生产力为特点，而不是生产新内容。人工智能领域正在经历快速演变，尤其是在生成式AI的出现之后，这极大地拓展了人工智能的潜在应用。这表明，其影响将扩展到重塑工作职能和劳动分工。2参见Kumhof等人（2010年）和Anderson等人（2013年）的详细阐述。国际货币基金组织工作论文人工智能的全球影响：注意差距具体而言，每个地区的经济被划分为三个部门——不可贸易部门、可贸易部门和以AI为核心部门，以捕捉各国及各国内部在AI采用方面的异质性。与AI相关的生产率冲击通过TFP渠道进入模型，该渠道由反映AI准备程度和可及性的国家层面参数及其针对AI暴露的特定部门参数相互作用进行缩放。简而言之，在结构跨国框架内，将微观层面的洞见与宏观层面的动态相结合，可以量化不同制度准备度、劳动力配置和高科技资源是如何在经合组织国家、新兴经济体和低收入国家中塑造AI对其经济成果的影响。GIMF模拟显示，在TFP高增长情景下，未来十年全球GDP水平将增长近4%，而在TFP低增长情景下将增长1.3%。在同一时间范围内，TFP的潜在增长为0.8-2.4%。然而，这些收益分布不均，AE受益不成比例——可能实现比LICs高达两倍的收益增长。美国（US）表现突出，在高TFP增长和低TFP增长情景下，分别记录了5.6%和1.9%的最大预测产出增长。欧洲和其他AE也看到了显著的收益，这得益于它们相对较高的AI暴露和准备程度。中国在增长结果方面排名中游，这得益于高AI准备程度，但相对较低的暴露，因为与AE相比，制造业相对于服务业的相对重要性更高。短期内，由于投资增加和总需求增强，预计通货膨胀将上升，随后随着总要素生产率增长对价格产生的下行压力以显著影响地区结果。实际上，在“有限的AI接入”情景中，国家间增长差距将扩大，对美国增长的影响超过对低收入和中等收入国家的三倍以上。重要的是，即使在“增强的AI准备”情景中，跨国差距也持续存在，这表明政策干预可以减轻但不太可能完全消除AI采用对跨国不均衡影响的差异。其他关键的国际宏观经济变量，如汇率和经常账户，表现出不太明显的行为。经济文献经常强调，一个国家可贸易部门的产出增加会导致其实际汇率的升值，这被称为巴拉萨-萨缪尔森效应。然而，我们的GIMF模拟表明 ,由人工智能驱动的生产力冲击，尤其是在不可贸易部门，可能会由于对非贸易价格的下行压力，导致先进经济体（AEs）的货币相对于新兴市场（EMs）和低收入和低增长经济体（LICs）贬值。例如，由人工智能驱动的美国不可贸易部门（如教育和医疗保健）的生产力增长，得益于先进的数字基础设施和高度熟练的劳动力，将降低非贸易服务的相对价格和美国美元的价值。先进经济体货币的潜在贬值，即使是在它们对人工智能的大规模投资下，也将改善它们的经常账户。尽管该分析为人工智能在国内和全球宏观经济影响的潜力提供了有价值的见解，但正如使用模型时的情况一样 ,该分析做出了简化假设。首先，GIMF对劳动力市场的描述是风格化的；例如，它缺少对失业动态和劳动参与率变化的显式建模，这可能在人工智能自动化或增强某些职业时产生重要影响。其次，模型中使用的生产力冲击建立在关于人工智能采用模式的假设之上，这些假设可能无法完全捕捉到人工智能在不同部门、地区和不同时间段内的扩散速度差异。第三，该模型只关注几个广泛的部门，而忽略了这些部门内部的广泛差异。第四，它没有考虑通常决定人工智能如何实际部署的组织和管理复杂性。最后，该论文没有涉及分配效应。44国际货币基金组织工作论文人工智能的全球影响：注意差距在国家内部——如工资不平等或财富集中——进一步表明，尽管这些发现具有启发性，但应将其视为基于情景的估计，而不是确定的预测。这项工作为研究人工智能对宏观经济结果影响的文献增加了新的内容。大量文献聚焦于人工智能对劳动力市场的影响，通常采用基于任务的途径来识别哪些职业和工人可能面临被取代的风险或从生产率提高中受益（Acemoglu和Restrepo2018，2022；Felten，Raj和Seamans2021，2023；Webb2020；Eloundou等2024；Cazzaniga等2024）。经验证据主要集中在人工智能经济（AE）方面，尤其是美国，尽管经合组织（OECD）（2023年） ,Albanesi等（2023年），Briggs和Kodnani（2023年），以及Gmyrek，Berg和Bescond（2023年）进行的跨国分析强调了人工智能在不同地区影响的广泛异质性。Pizzinelli等（2023年）从微观层面提供了人工智能在不同职业中替代或补充劳动的见解。Cazzaniga等（2024年）考察了人工智能的分布性后果，强调了许多不同国家按人口统计学群体划分的人工智能差异性暴露，以及既需要社会安全网又需要增强人工智能准备性的必要性。Rockall等（即将出版）在一项人工智能采用内生性的模型中研究人工智能采用对收入和财富不平等的影响。Alonso等（2022年）表明，机器人技术的技术进步可能扩大经济差距，使发达国家受益，而可能使发展中国家，尤其是当机器人取代非熟练劳动力时，国内生产总值（GDP）下降。与此同时，Brollo等（2024年）和Berg等（2025年）关注于部署财政政策以使采用生成式人工智能的影响更具包容性，同时承认关于人工智能采用速度和范围的重大不确定性。Korinek和Juelfs（2023年）探讨变革性人工智能——在人类劳动可能变得冗余的情况下——的影响，强调这种演变可能提出的经济和社会挑战，并考察有效的准备策略。一些研究人员也直接探索了人工智能预期的宏观经济效应，尽管是在单一国家框架内。聚焦于美国经济，Acemoglu（2025）警告称，一旦考虑更多具有挑战性、情境依赖性的任务，预期的生产力提升可能将是适度的，并强调了与人工智能驱动自动化相关的潜在不平等动态。Aghion和Bunel（2024）通过识别人工智能可以显著提高生产力增长的途径，无论是在任务层面还是通过理念生成，提供了一个更为乐观的展望。我们论文的创新之处在于，将关于人工智能暴露、准备和获取的早期见解整合到一个多国、多部门模型中，以提供关于人工智能采用对发达国家、新兴市场和发展中低收入国家的全球影响和区域差异的情景。本文的其余部分如下。第二章讨论了人工智能暴露、准备和获取背后的概念框架，这些是人工智能采纳和生产率提升的关键驱动因素。第三章描述了全球宏观经济模型、校准策略和情景。第四章讨论了基准情景的模拟结果和主要宏观经济结果。第五章评估了两种政策干预对跨国家增长结果的影响。最后，第六章得出结论。2.人工智能采用的推动因素全球范围内采用人工智能技术的努力，在发达经济体、新兴经济体和低收入国家/地区之间暴露出显著的差异。这些差异源于广泛的结构性、经济和制度因素——从高质量数据的可用性到支持性的监管体系。虽然一些国家在投资以人工智能驱动的创新方面处于有利地位，但其他国家在开发或整合甚至最基本的AI解决方案方面都面临挑战。其结果国际货币基金组织工作论文人工智能的全球影响：注意差距竞争能力、生产力和人力资本积累的差距正在加剧现有的国家间不平等，并产生新的不平等。为了理解和开始制定应对这些挑战的策略，考察人工智能采用的各个不同维度是有帮助的。三个关键要素塑造了一个国家从人工智能中获益的能力：程度、AI暴露(人工智能如何广泛影响其劳动力及产业)人工智能准备情况（一个国家机构的准备情况、数字基础设施、劳动力、监管框架和治理结构），以及人工智能访问（AI专用技术、数据和基础设施的可获得性，以及全球合作伙伴关系，这些都是充分发挥人工智能潜能所必需的。）工作成为人工智能在行业和经济体中显现效应的主要途径。在基于任务的分析基础上，Acemoglu和Restrepo(2022年）以及Felten、Raj和Seamans（2021年、2023年）通过映射人工智能能力和每个职业所需能力的重叠人工智能采用中受益可能性的度量——来完善这一方法。由于各国职业结构不同，\"高暴露\"工作的比例可以有很大差异——在发达经济体（AEs）中高达60%，在新兴市场（EMs）中为42%，在低收入国家（LICs）中为26%（Cazzaniga等人，2024年）。这些差异意味着整个行业和各国经济面临着不同程度的与人工智能相关的颠覆和机遇。在发达经济体中，大量具有实质性暴露（无论是补充还是取代）的工作比例表明，生产力增长的潜力和劳动力转移的风险都更大。相比之下，许多拥有较少“高暴露”工作的新兴市场和经济体可能只会经历人工智能的温和整合，尽管如果建立了正确的数字基础设施和技能培训，这仍可能导致可观的边际效益。AI采用的准备性对于发挥其潜力同时减轻固有风险至关重要。历史上的技术变革案例表明，宏观经济结果是由结构和制度框架塑造的（Cirera,Comin,和Cruz2022），这意味着一个国家从新技术中获益的能力在很大程度上取决于其准备程度。在技术扩散（Keller,2004）和采用（Nicoletti,Rueden,和Andrews2020）文献的基础上，国际货币基金组织构建了人工智能准备指数（AIPI），包括数字基础设施、创新与经济一体化、人力资本和劳动力市场政策，以及监管与伦理（Cazzaniga等人2024）。3强大的数字基础设施为人工智能的采用奠定了基础（Nicoletti,Rueden,andAndrews2020），而一支具备数字化技能的劳动力是有效利用新技术的必要条件（Bartel,Ichniowski,andShaw2007）。一支配备强大数字技能的劳动力，结合坚实的基础设施，支撑着创新和经济一体化（Autor,Levy,andMurnane2003）。这种组合不仅通过培育动态的研发环境推动国内技术进步，还支持国际贸易、吸引外国投资并鼓励新技术流入（Bloom,Draca,andVanReenen2015）。最后，有效且适应性强的监管框架通过治理和网络安全措施维持对人工智能的信任（Carriere-SwallowandHaksar2019;Haksaretal.2021;BankofAmerica2023;Jamilov,Rey,andTahoun2023）。国际货币基金组织的人工智能政策指数（AIPI）显示，部分发达经济体和一些新兴市场普遍表现出更强的数字基础设施、熟练的劳动力以及生态系统。3AIPI根据数字基础设施、人力资本、技术创新和法律框架来衡量174个国家的AI准备情况。它借鉴了由多个机构（弗雷泽研究所、国际劳工组织、国际电信联盟、联合国、联合国贸易和发展会议、万国邮政联盟、世界银行和世界经济论坛）编纂的官方数据和感知调查。每个维度都是通过规范化和平均一组子指标（例如，数字连接、劳动政策、研发投资和监管适应性）来计算的。国际货币基金组织工作论文人工智能的全球影响：注意差距创新与经济一体化，以及治理框架，使他们能够利用生产率提升并限制风险。相比之下，许多中等收入国家(LICs），尽管不太直接暴露于人工智能驱动的颠覆，但仍处于严重准备不足的状态。人工智能跨国采纳的关键决定因素是支持AI开发与部署的专业技术、数据和基础设施的可用性。在光谱的一端 ,美国及其伙伴和中国拥有广泛的半导体制造能力、高容量的数据中心和强大的数据生态系统，使他们能够保持在AI研究的前沿。近期政策行动反映了这些资产日益增长的重要性：据称，美国以国家安全考虑为由，计划按国家和公司基础上限制高级AI芯片的出口（彭博社，2025年），欧盟委员会已要求成员国审查半导体、AI和量子技术的对外投资，以应对经济安全问题（欧盟委员会，2025年）。与此同时，中国的AI发展，如DeepSeek和阿里巴巴，已经展示了他们缩小与美国同行性能差距的能力，尽管存在地缘政治考虑和出口管制。他们成功的部分原因在于成本效益高的训练方法和一些大型语言模型的开源发布，这有助于绕过对顶级硬件的需求（DeepSeek，2025年）。这些进展也突显了在先进人工智能组件易于获取的国家与那些难以获取的国家之间不断扩大的差距。许多新兴市场和发展中国家面临尖端处理器、大规模计算集群或强大数据仓库的有限可用性——这些不足制约了它们在易受人工智能影响的行业中创新和竞争的能力。关于未来贸易和技术限制的不确定性，进一步加剧了这些挑战，可能会限制技术转让和合作的机会。因此，获得特定于人工智能的资源——芯片、数据和基础设施——可能成为全球不平等的一个进一步来源，巩固了那些能够生产或轻松获得利用人工智能变革力量所需关键投入的经济体的优势。3.模型、校准和情景本文的分析依赖于国际货币基金组织（IMF）的全球综合货币财政模型（GIMF），这是一个多区域、多部门的动态一般均衡模型。欲全面了解该模型，请参阅Kumhof等人（2010年）和Anderson等人（2013年）的基础性著作。该模型已被广泛用于政策模拟，包括Coenen等人（2012年）和Freedman等人（2010年）的研究。近期及相关的GIMF应用可参考IMF（2023年）、Wingender等人（2024年）以及Carton和Muir（即将出版）。这些应用使用了GIMF-GVC——GIMF（可交易和非可交易）标准两部门版本的扩展版——增加了一个具有全球价值链的第二个可交易部门。这是一个重要特征，它允许在各国之间更广泛地溢出冲击，包括供给侧和网络效应，这些是分析人工智能全球影响的关键考虑因素。该框架通过评估不同场景和各国/地区的TFP变化来模拟人工智能在国内和全球宏观经济影响。国际货币基金组织工作论文人工智能的全球影响：注意差距GIMF关注冲击的动态效应，区分了短期和中期到长期两个阶段。在短期内，名义和实际刚性往往放大了冲击对总需求的影响；而在中期到长期，影响主要来自生产关键要素（即资本和劳动力）水平上生产率变化的永久影响。与详细的多国多部门静态贸易模型相比，该模型通过允许更丰富的前瞻性决策特征（如消费、储蓄和投资）来区分。它还包括几个宏观经济政策杠杆，如货币政策和财政政策，这些政策可以影响冲击的短期和长期影响。然而，包含动态和政策维度是以对跨时渠道更规范的处理为代价的，例如更高的部门细节程度以及跨部门的完整投入产出关系。该模型基于微观基础，并在每个地区具有两种类型的家庭，每种家庭都从政府那里获得劳动收入和一次性转移支付，并受到消费税和劳动所得税的影响。第一种类型由有限寿命的家庭组成，这些家庭在一个世代重叠的结构（OLG）中做出前瞻性的消费、储蓄和劳动力供给决策。在他们的预算约束中，OLG家庭还持有金融资产，包括政府和企业债券，以及净外国资产。第二组家庭受到流动性约束，在每个时期消费掉所有收入，并遵循OLG家庭设定的劳动力供给决策。生产是由在垄断竞争中运营的企业决定的，这些企业设定着在名义刚性和剩余需求表约束下的利润最大化价格。4如上所述，GIMF-GVC版本中的企业生产不可交易、可交易和高度依赖人工智能的商品和服务。最后一个类别是基于Cazzaniga等人（2024年）计算的外部暴露指标的高度暴露于人工智能的可交易部门的复合体。不可交易、可交易和高度依赖人工智能的广泛部门的ISIC两位数部门列表见附件表I。这个广泛部门被纳入GIMF ,以捕捉人工智能技术发展固有的网络外部性。高度依赖人工智能部门的企业使用该部门的一些复合产量作为中间消费，这些中间产品可以来自国内或外国生产者通过高度依赖人工智能的全球价值链。最后，不可交易和可交易部门的企业使用Cobb-Douglas技术组合劳动力和资本。GIMF中没有外国所有权。投资是企业为了最大化利润而选择的行为，但需在真实调整成本的限制下进行。投资需要从国内和外国地区获取投入，而这些投入并非完全可替代。投资还具备类似于Bernanke、Gertler和Gilchrist（1999）提出的金融加速器机制。企业需要为其投资进行融资，但它们的留存收益不足以提供全部资金，因此必须从金融中介机构借款。模型中的公司风险溢价是内生的。长期实际全球利率的确定是通过平衡全球储蓄和投资来确保的。实际汇率用于调整每个国家的储蓄位置（其经常账户和相关的净外国资产存量）相对于全球池子的相对位置。每个地区与世界其他地区进行贸易，贸易流动在模型中以双边方式跟踪，并分为四种类型。两种最终产品（消费或投资）和两种中间产品和服务的类型（可交易或AI密集型商品和服务）。贸易流动对需求、供应和定价（即贸易条件和双边实际汇率）条件作出反应。4名义刚性的建模采用Ireland（2001）版本的Rotemberg（1982），其中调整成本适用于价格水平和通货膨胀率的变化。国际货币基金组织工作论文人工智能的全球影响：注意差距最后，GIMF还详细描述了宏观经济政策。每个地区的财政政策追求长期债务可持续性的双重目标，即确保政府债务与GDP的非爆炸性路径，以及短期内的产出稳定。货币政策同样根据基于通货膨胀预测的目标设定，以应对冲击。虽然货币政策有助于塑造前五到十年经济的动态，但它对实体经济长期结果没有影响。对一个具有区域和行业特定规模的模型应用了人工智能冲击，具体描述如下。与基于任务的模型不同，这种方法并不关注工人替代或增强，而这些对于研究人工智能对国内不平等的影响是至关重要的，但这并非本文GIMF的校准涵盖七个区域：中国（CHN）、亚洲新兴市场经济体、中亚、俄罗斯等（EMA）；拉丁美洲新兴市场经济体、中东、非洲等（EML）；欧盟和瑞士（EUS）；其他先进经济体（OAD）；美国（USA）；以及一个剩余组，世界其余部分（ROW），主要代表低收入和中等收入国家。有关国家组别的更多详细信息，请见附件二。经合组织国际间投入产出数据库用于校准投入和贸易份额以及按国家及产业部门增加的价值（见表1）。5财政比率是根据国际货币基金组织（IMF）的政府财政统计数据库计算的。国内生产总值（GDP）由三个部门生产。非贸易部门主要由建筑和服务行业构成，而可贸易部门主要由农业、采矿业、制造业和运输业活动组成。第三部门由受人工智能特别影响的可贸易商品和服务组成，这是通过使用Cazzaniga等人（2024）的方法编制的行业指数来衡量的。这包括制药业、计算机、电信和金融（请参见附件表I ,以获取全部行业列表）。这个部门还通过迂回生产呈现全球价值链的特征，这意味着该行业的公司使用来自该行业的产出，无论是国内还是国外，作为中间投入。表1展示了不同地区每个行业的重要性，附件I包含了每个行业的具体定义。查看表1底部的按行业增加值，美国以占GDP的16.3%来自人工智能密集型行业而突出。然而，与其他地区相比，其在那些商品和服务上的交易量占GDP的比例较低，因为与世界上其他地区相比，美国经济整体上与世界的交易量要少得多。其他发达经济体（OAD）和欧盟-瑞士地区（EUS）中，人工智能密集型行业占总活动的比例也很大，分别以14.1%和12.9%的GDP在该行业生产。在中国，人工智能密集型行业占GDP的12.1%，超过了其他新兴经济体和低收入国家（LIC)。在出口的份额（而不是GDP份额）方面，人工智能密集型出口在欧盟-瑞士地区和其他发达经济体中位居美国之后，也是最大的。65不可交易和可交易商品仅使用劳动力和资本生产。这需要通过重新分配中间贸易流量来重新平衡投入产出数据。6强调这些份额的重要性，因为这些份额展示了该行业的相对规模，包括可能受到人工智能显著影响的行业。人工智能的实际采用程度受到该行业中暴露于人工智能的职业份额以及人工智能准备程度的强烈影响，这些内容将在下文进行讨论。国际货币基金组织工作论文人工智能的全球影响：注意差距表1.区域规模，按GDP组成部分和部门分类全球国内生产总值（%）））区域外（区域外市场）国内生产总值（支出法，地区GDP百分比）））区域外（区域外市场）国内生产总值（占地区国内生产总值的百分比）注：EMA=亚洲、中东、俄罗斯等新兴市场经济体；EML=拉丁美洲、中东、非洲等新兴市场经济体；EUS=欧盟和瑞士；LIC=低收入国家；OAD=其他发达经济体和ROW=世界上其他国家。每个组别国家组成的详细情况见附件II。GIMF中的弹性系数在各个地区大致均衡地校准，包括贸易（反映了企业之间在不同国家生产者之间替代的便利性）以及组合各种商品和因素以生产最终商品。AI密集型行业的替代弹性被设定在其他类型商品之下。同样 ,AI密集型行业中的要素和中间投入之间的可替代性被设定较低，以反映在新技术和新服务生产过程中的供应商特定关系的重要性（见表2）。7表2.各区域关键生产和贸易及弹性的校准注意：弹性值基于标准的GIMF校准。国内/进口参考弹性关于不同类型商品之间的替代关系（消费、投资、可交易和人工智能密集的)在国内品种与国外品种组合之间。不同地区参考不同地区间替代弹性的弹性（贸易弹性）。资本-劳动力/中间投入输入资本-劳动力组合与中间投入之间的替代弹性用于生产高强度AI产品捆绑的捆绑包。最后，加成率被调整以反映不同部门和地区的公司市场力量（见表3）。基于假设，AI密集型公司的国内加成率参数被设定在高于其他行业的水平。7与最终产品相比，中间产品依赖于特定的资本类型，如计算设备和像程序员这样的专业技能劳动力，这些在短期内更难以改变。国际货币基金组织工作论文人工智能的全球影响：注意差距由于潜在的网络效应和赢家通吃的动态所导致的更高的市场力量.8保险公司假设相比于其他地区，其对进口商品加价比低，反映了这些国家在全球市场上的市场份额较弱。表3.按部门和地区集团调整加成寿险公司（LIC）产品冲击的校准为了生成模拟，假设每个广义经济部门通过采用Gen-AI来实现TFP的增长。时间点上的冲击规模t在不同地区、行业和情景中存在差异。首先，通过调整一个国家的基准总生产率冲击（TFPshock）来获得一个特定地区的TFP冲击。b与一个（地区特定，（）的乘积成比例i)人工智能准备情况指数和一个AI暴露指数 ,并将其乘以特定区域的然后，该地区特定的TFP冲击被分配到每个部门j按每个地区相对行业人工智能暴露度成比例：表4报告了按地区和部门划分的人工智能暴露和准备水平，这些水平用于调整TFP冲击。两种可能的基准TFP冲击（高度并且低在模拟中使用了这些数据。关于影响TFP冲击的所有因素的假设细节在下文中解释。8结果对关于人工智能密集型行业加成的不同假设具有稳健性。国际货币基金组织工作论文人工智能的全球影响：注意差距表4.按地区和行业划分的人工智能暴露和准备情况国家群体缩写行业AI暴露人工智能准备情况中国可交易不可交易人工智能密集型0.300.430.580.64亚洲新兴市场经济体、中亚、俄罗斯等。EMA可交易不可交易人工智能密集型0.180.410.720.50新兴市场经济体：拉丁美洲、中东、非洲等。不可交易人工智能密集型0.240.460.720.50欧盟和瑞士不可交易人工智能密集型0.600.820.68低收入国家寿险公司（LIC）可交易不可交易人工智能密集型0.170.470.720.35其他发达经济体OAD可交易不可交易人工智能密集型0.360.560.770.73美国美国可交易不可交易人工智能密集型0.430.670.850.77来源：Cazzanigaetal.(2024)，以及国际货币基金组织工作人员计算。注意：一个国家内各行业的AI准备水平相同。EMA=亚洲、中东、俄罗斯等新兴市场经济体，EML=拉丁美洲、中东、非洲等新兴市场经济体，EUS=欧盟和瑞士，LIC=低收入国家，和OAD=其他发达经济体。每个组别中各国详细的组成情况见附件II。对于ROW，使用LIC的值。人工智能接入在本文的剩余部分，大多数情景假设所有地区对AI特定技术的无限制访问（AIAcccess=1，∀i）。因此，国家间的差异完全由不同部门驱动。푖地区层面的暴露和地区特定的准备。在有限的人工智能访问场景（见下文），该变量在亚太地区和中国假定保持等于一，而在其他新兴市场和发展中经济体中减少到0.5。人工智能暴露在Felten、Raj和Seamans（2021）开发的职业人工智能暴露（AIOE）指数的基础上，并遵循Pizzinelli等人（2023）的研究，当工作的AIOE超过其中位数时，这些工作被划分为高度暴露于人工智能。这种方法被用于构建一个行业人工智能暴露度衡量指标，该指标定义为落在高度人工智能暴露类别的每个行业的就业份额，其公式如下：其中，푒푝表示在职业표、部门푗和国家푖中的就业情况。国际劳工组织（ILO）的数据被用来计算表格，未知，未知按职业（ISCO-08）和经济活动（ISICRev.4）划分的就业。这种方法将Cazzaniga等人（2024年）关于各国人工智能暴露的估计扩展到行业和模型区域。这种方法意味着各行业的全要素生产率（TFP）收益与各给定行业的人工智能就业暴露程度成正比。重要的是要注意，人工智能技术与机器人的集成可能比基于就业的人工智能暴露所暗示的为机器和机器人带来更大的好处。发达经济体（AEs）通常比新兴市场和发展中经济体（EMs）以及最不发达国家（LICs）更容易接触到人工智能。在美国，它是暴露于人工智能程度最高的国家。在国家内部和地区内部，国际货币基金组织工作论文人工智能的全球影响：注意差距在研究中发现，AI密集型行业对AI的暴露度最高，不可交易行业次之，而可交易行业对AI的暴露度最低(见表4）。人工智能准备状态国家层面的AI准备度估计来自Cazzaniga等人（2024）。这被称为国际货币基金组织（IMF）的AI准备度指数（AIPI），它是通过其标准化组成部分的简单平均值构建的：数字基础设施、人力资本和劳动力市场政策、数字创新和经济一体化，以及监管和伦理。每个模型区域的AIPI是通过取国家值的平均值获得的。在AI准备度方面，也存在一个清晰的排名，美国和其他经合组织（AE）位于前列，其次是新兴市场和发展中经济体（EMs)和低收入国家（LICs）（表4）。基准全要素生产率增长率TFP（全要素生产率）增长中由GenAI（通用人工智能）驱动的规模仍然是一个高度争议的话题，其特征是存在重大不确定性。一个突出的例子是Acemoglu（2025）和Aghion与Bunel（2024）讨论的美国经济10年产出影响。这些作者即使在采用相同的概念框架时，对AI影响的任务份额以及这些任务中的成本节约的估计也非常不同，最终导致了非常不同的TFP影响。Acemoglu（2025）得出结论，在未来10年内，人工智能将导致TFP（全要素生产率）增长约0.7%，这相当于每年TFP增长增加约0.07个百分点。这一估计基于4.6%的任务能通过人工智能盈利性替代，以及由于劳动力成本节省带来的生产力27%的增长。910相比之下，Aghion和Bunel（2024）得出一个远高的TFP增长估计值。他们的估计基于三个关键参数：（i）发达国家中暴露于AI的任务占比估计为60%；（ii）对于暴露任务，使用AI有利可图的占比估计为50%（Besiroglu和Hobbhahn，2022）；以及（iii）由AI引起的劳动力成本节约为40%（Peng等人，2023；Noy和Zhang，2023；Brynjolfsson等人，2023）。这三者合计意味着10年内的累积中位TFP增长率为6.8%，或每年0.7%（他们的估计范围是10年内的累积TFP增长率为0.7%至12.4%）。考虑到这种广泛的不确定性，本文采用了两种关于人工智能驱动全要素生产率（TFP）影响的替代基准假设，这些假设基于Cazzaniga等人（2024年）和Rockall等人（待出）对英国进行的模拟研究，他们发现TFP在十年期内的增长在1.3%至3.4%之间。通过使用方程（1）按人工智能暴露和准备情况进行重新缩放这些影响，得出的经济范围值分别为1.5和4.3。9Acemoglu（2025）使用这个直观的方程估计TFP的增长：10年内的TFP增长=未来10年受AI影响的GDP份额×受影响任务的平均成本节约。借鉴Eloundou等人（2024）的研究成果，Acemoglu（2025）将所有被归类为50%或以下活动受AI和计算机视觉影响的任务视为未暴露，其余任务为“AI暴露任务”。然后，他计算了这些职业的工资总额，发现它们占工资总额的20%。遵循Svanberg等人（2024）的研究，他假定只有23%的这些任务值得自动化，导致0.23X0.20=0.046的任务被暴露。最后，他假定受影响任务的成本节约等于27%。10相关地，使用Acemoglu（2025）的框架，Misch等人（待发表）估计，当考虑欧洲的经济结构时，欧洲的累积生产率增长约为五年0.8%，但使用Acemoglu（2025）的AI采用率和劳动力成本节约率。他们还发现，当使用来自Eloundou等人（2024）基于基线估算的国家特定AI采用率和AO暴露度时，累积生产率增长约为五年1.1%。国际货币基金组织工作论文人工智能的全球影响：注意差距百分比对于美国。尽管如此，低基准指标约为Acemoglu(2025)预测的影响的两倍，但这仍然代表了一个非常微小的由AI驱动的全要素生产率效应。11The高度基准值更接近（但仍显著小于）Aghion和Bunel（2024）提出的预期中位数TFP增长值。.图1展示了在不同地区和行业中，低高TFP增长情景下的TFP冲击值。在面临更大AI暴露和准备程度的地区，整体TFP冲击更高，特别是在美国和其他先进经济体（AEs）中。同样，每个地区内较高的行业TFP冲击与该行业对AI的暴露程度更大有关，其中AI密集型行业受影响最大，其次是不可贸易和可贸易行业。图1.基准情景下的TFP冲击（低和高TFP增长情景）（a）低全要素生产率情况（b）高全要素生产率案例ACHNEMACHNEMAEMLEUSLICOADUSATATATATATATATCHNEMAEMLEUSLICOADUSA22TFpshock(percent,in10years)ATATATATATATAT242TFpshock(percent,in10years)注意：左侧和右侧面板分别显示了低TFP增长基准情景和高TFP增长基准情景下的TFP冲击。N、T和A分别代表不可贸易、可贸易和人工智能密集型行业。EMA=亚洲、中东、俄罗斯等新兴市场经济体。EML=拉丁美洲、中东、非洲等新兴市场经济体。EUS=欧盟和瑞士，LIC=低收入国家，OAD=其他发达经济体。各组的详细国家组成见附件二。对于ROW，使用LIC的值。所有在前一小节中讨论影响TFP的因素均有助于构建多个场景，旨在评估人工智能在不同发展水平国家扩散的宏观经济影响。所考虑的场景有三种：▪该情景假设不存在直接影响人工智能采纳的直接障碍，因此所有地区都能无限制地访问与人工智能相关的技术和数据。然而，人工智能准备程度和接触差异仍然存在，导致各地区和各行业的生产푖在此，除中国外的经济体和新兴市场面临人工智能特定技术的可用性限制，这一限制源于地缘政治考虑和潜在的出口限制。由此导致的高级处理器、数据共享平台和支持性基础设施的短缺，将这些经济体中的全要素生产率（TFP）增长率减半（AIAccel=0.5，∀i∈EMU,EUM,LIN）。푖11尽管难以直接比较Acemoglu（2025）和Rockall等人（即将出版）估计的TFP影响，因为后者来源于宏观经济模型，但这两项研究都假设由AI采用带来的类似生产力增长。然而，Acemoglu（2025）假设只有20%的任务受到AI的影响，而其中只有50%的任务自动化是盈利的。相比之下，Rockall等人（即将出版）采取了一种宏观经济方法，假设劳动份额将以自动化期间相同的速度下降，从而导致总体层面的任务转移。国际货币基金组织工作论文人工智能的全球影响：注意差距▪增强型人工智能准备场景：在当前情景下，国内政策改革和国际支持使新兴市场国家及低收入国家能够提升其人工智能准备度，达到与各自同侪组别中最优秀的参与者相当的水平。这一制度准备度的提高,增加了人工智能驱动下的生产力增长空间。基准情景在关于TFP增长的两种替代假设下进一步分析：▪A低TFP增长模拟—按照Acemoglu（2025）更为保守的预测精神——这些预测认为人工智能将带来适度的增长，反映了更缓慢的技术采用和扩散。▪A高技术全要素生产率增长模拟——更接近Aghion和Bunel（2024）的乐观展望——该展望设想了显4.基线结果本节展示了第3节中讨论的高技术全要素增长率（TFP）和低技术全要素增长率增长基准情景的结果，该情景假设对人工智能技术拥有无限制的访问权限。首先讨论了人工智能冲击对生产率的影响，随后探讨了其对产出、通胀、汇率和经常账户的启示。在高度TFP增长基准情景下，全球TFP在五年内增长1.8%，十年内增长2.4%，考虑到其在AI技术中的更高暴露 ,AI密集型部门的生产率提升更为显著，其次是不可贸易和可贸易部门。在低生产率基准情景下，增长更为适度，五年内增长0.6%，十年内增长0.8%，对各自部门的影响也相应减少。在两种TFP假设下，全球AI密集型部门增长最大，其次是不可贸易部门，最后是可贸易部门（图2）。图2.在基准情景下全球产业生产率注意：该图展示了在TFP高增长基准情景（蓝色线条）和TFP低增长基准情景（红色线条）下全球部门TFP，均表示为对稳态12在假设高TFP增长的基础上，对有限AI接入场景和增强AI准备度场景进行了考察。虽然定量上存在差异，但TFP增长假设的选择不会改变场景的定性影响。国际货币基金组织工作论文人工智能的全球影响：注意差距在这些生产率冲击假设下，在TFP高增长基准情景下，预计世界GDP在五年内将增长2.4%（见图3）。随着生产率收益持续实现，全球产出水平的增长在十年内接近4%。这一增长由假设的生产率收益和模型中变量的内生行为驱动，特别是资本存量积累和总需求演变。政策变量，包括货币政策和财政政策，假定会根据宏观经济条件内生调整。在低生产率基准情景下，世界GDP的增长更为温和，五年内增长0.8%，十年内增长1.3%。图3.基准情景下的世界GDPyear注意：该图显示了低和高TFP增长基准情景下世界GDP与稳态的偏差。人工智能冲击的全球影响掩盖了显著不均衡的效果，其益处不均衡地累积在发达经济体（AEs）。在两种生产力增长假设下，美国、欧元区和其他发达经济体受益最大，在生产力高（低）增长基准情景下，10年后，美国产出增长5.4%（1.8%），欧盟和瑞士增长4.4%（1.5%），其他发达经济体增长4.7%（1.6%）（图4(a)和(b)）。美国特别强劲的表现反映了他们强大的人工智能准备性和对人工智能的高职业暴露，这延伸到经济中的主导行相反，对新兴市场和发展中经济体（EMs）以及低收入国家（LICs）的影响更为温和，尽管在基线情景下它们对人工智能技术的获取并未受限。在高（低）生产率增长基线情景下，10年后，EML的产出增加3.2%（1.1%） ,EMA增加3.0%（1.0%），LIC增加2.7%（0.9%），其他地区（ROW）增加2.2%（0.7%）。这反映了它们较弱的人工智能准备度以及较少暴露于人工智能的劳动力市场和产业结构，特别是在LICs中，农业部门和高就业份额的体力劳动职业对人工智能的暴露程度较低。中国是一个有趣的案例：虽然这个国家是创新中心，并且相对较好地准备迎接人工智能的平稳应用，但其制造业的高度专业化以及其他行业中人工智能密集型职业的相对较低份额，使得国际货币基金组织工作论文人工智能的全球影响：注意差距国际货币基金组织总体而言，经济对人工智能的暴露程度相对较低，因此相对于其他经济刺激（AEs），人工智能的宏观经济影响减小。在高度（低度）生产力增长的基本情景下，10年后产出将增加3.5%（1.2%）。13图4.基线情景下的各国GDP差异（a）高TFP增长率基准情景（b）低TFP增长率基准情景注意：左侧面板显示了在TFP高增长基线情景下，10年后实际GDP与稳态的偏差。年。右侧面板显示了低TFP增长基准情景下，在10年后实际GDP与稳态之间的偏差。年。全球平均值以水平线表示。EMA=亚洲、中东、非洲、俄罗斯等新兴市场经济体。EML=新兴市场经济体（拉丁美洲、中东、非洲等）EUS=欧盟和瑞士LIC=低收入国家，OAD=其他发达经济体，ROW=世界其他地区。每个地区的国家详细组成如下。该组内容呈现在附件II中。关于技术冲击对通货膨胀影响的文献提供了各种结果。虽然积极的productivity冲击往往具有反通胀效应（例如Smets和Wouter，2007年），关于未来productivity轨迹的新闻冲击可能产生通胀效应（例如Jinnai2013年）。在将名义刚性和货币政策嵌入开放经济环境中的GIMF模拟中，预计短期内通货膨胀将适度增加(图5）。14作为回应，初始的与人工智能相关的生产率冲击导致总需求增加，反映了由于生产率提高而带来的同时预期的收入增长，这增加了通货膨胀压力。从长远来看，由生产率提高和资本积累驱动的供应能力增加超过了由需求驱动的通货膨胀压力，导致通货膨胀下降。在该模型中，中央银行也调整了政策利率，鉴于通货膨胀压力，短期内在适度的范围内进行紧缩。虽然图5具体呈现了在高TFP增长假设下获得的结果，但当考虑低TFP增长假设时，结果在定性上是相似的，尽管有所减少。这一特点也适用于对汇率和经常账户的影响，为简洁起见，以下仅在高TFP增长假设下呈现。13如第三章节所述，我们假定各行业的技术全要素生产率（TFP）增长与行业对AI技术的就业暴露度成正比。虽然中国制造业的基于就业的AI暴露度相对较低，但该行业中的资本，如机器人和设备，可能会比基于就业的AI暴露度所暗示的比例更多地受益于AI技术。14这一发现与Aldasoro等人（2024年）的研究相关，该研究在一个封闭经济、多部门一般均衡模型中探讨了人工智能对产出、就业和通货膨胀的影响。在该设定中，通货膨胀在很大程度上取决于家庭和企业对未来的预期，如果他们没有预料到未来生产力的增长 ,人工智能在短期内可能会产生通货紧缩的影响。在存在失业的模型中，鉴于人工智能的采用可能导致一些岗位被替代，通货膨胀的初始增长可能会更加平稳。国际货币基金组织工作论文人工智能的全球影响：注意差距图5.高TFP增长基准情景下的通货膨胀year注意：所示数值为与稳态的偏差。EMA=亚洲、中东、俄罗斯等新兴市场经济体，EML=拉丁美洲、中东、非洲等新兴市场经济体，EUS=欧盟和瑞士，LIC=低收入国家，OAD=其他发达经济体和ROW=世界其他地区。每个组别中各国组成的详细情况请见附件II。GIMF模型结果显示，广泛的部门覆盖和跨部门和国家的AI冲击特征将触发AE货币的适度实际贬值，尤其是美元。具体而言，相对于其他国家非贸易部门的产出增长，美国非贸易部门的大幅增长导致了相对于其他货币的实际贬值（如图6所示的传统教科书渠道）。相对于LICs（低收入和中等收入国家）和EMs（新兴市场），美元的贬值将最为显著，而相对于其他AE（发达国家），贬值现象虽然仍然存在但更为轻微，这反映出美国在非贸易部门生产力方面的更大收益。图6.实际有效汇率和非贸易部门TFP的变化（10年期限）OLioeMACHN52345Non-tradableTFP(deviationfromthes.s.,%)注释：显示的是相对于10年后的稳态下，高TFP增长情景结果的偏离值。有关包含在非贸易部门的ISIC部门的清单，见附录I。EMA=亚洲、中东、俄罗斯等新兴市场经济体。EML=拉丁美洲、中东、非洲等新兴市场经济体。EUS=欧盟和瑞士，LIC=低收入国家，OAD=其他发达经济体，ROW=世界的其余部分。每组国家的详细构成在附录II中列出。国际货币基金组织工作论文人工智能的全球影响：注意差距初看之下，这一结果可能显得令人惊讶，因为经济文献传统上关注的是，一个国家可贸易部门的产出增长往往导致其实际货币的升值，这一关系被称为巴拉萨-萨缪尔森效应。该效应捕捉到，可贸易部门生产率的提高会导致对经济中整体工资的积极影响，从而也增加了不可贸易品的价格。15这导致该国价格更高，从而引起实际升值。在AI冲击的情况下，非贸易品生产率的相对较高增长降低了非贸易品的相对价格，同时工资在同一地区内各行业同时上升并实现均等，因为在该模型中没有行业间的劳动力市场摩擦。由于可贸易部门也必须支付这些更高的工资，实际汇率进一步贬值以保持可贸易品在国际市场上的竞争力。这在文献中有时被称为“逆向”巴拉萨-萨缪尔森效应，其中非贸易品的生产率增长导致实际汇率贬值，与传统教科书中预期相反。16换句话说，这些关于人工智能全球影响的模拟突显了，由于AE（先进经济体）在不可贸易部门如教育和医疗保健等领域取得显著的产出增长，这些领域可能会从AE先进的数字基础设施和更适应人工智能技能的工作力中受益，AE的实质贬值压力将会产生。这种增强的产出将导致AE不可贸易的商品和服务相对价格下降，最终导致美元和其他AE货币的实际贬值。17由于这些汇率动态，美国和其他主要经济体的经常账户将经历适度的增加（图7），这是由两种相互对立的力量造成的：一方面，美元和其他主要经济体货币相对于其他货币的贬值将增加美国的净出口和经常账户余额；另一方面，由AI冲击引起的更高投资将推动其他主要经济体的经常账户进一步出现赤字。前者在数量上比后者15尽管实证研究表明贸易和非贸易部门在生产率相对水平对于汇率行为（所谓的Balassa-Samuelson效应）起作用，其他因素，如贸易和非贸易sectors中相对生产效率和产品市场竞争对汇率的影响，也都发挥着作用。参见Bordo等人（2017年）及MacDonald和Ricci（2007年）的相关综述。16Dadam等人（2019年）提出，由于南非服务业生产率增长较大，因此存在这种反向效应。此外，Lopez-Marmolejo等人（2023年）分析了墨西哥近期因石油部门与非贸易部门相比生产率下降而可能出现的潜在存在。17在我们的估算中，所有国家/集团在不可贸易部门的生产率增长都将超过可贸易和AI密集型部门（也是一个可贸易部门）的加权平均值。在AE（特别是美国）中不可贸易部门相对较大的规模意味着，该部门的更高生产率增长也将有利于汇率的升值。国际货币基金组织工作论文人工智能的全球影响：注意差距图7.高TFP增长基准情景下的经常账户year注意：所显示的值是基线高TFP情景结果与稳态预测偏差。EMA=亚洲、中东、俄罗斯等新兴市场经济体，EML=拉丁美洲、中东、非洲等新兴市场经济体，EUS=欧盟和瑞士，LIC=低收入国家，OAD=其他发达经济体和ROW=世界其他地区。每个组别国家详情请见附件II。在过去，世界经常见证新技术的发明，包括通用技术如电力和互联网/信息和通信技术（ICT），以及具有广泛影响的技术，如集装箱。互联网革命起源于20世纪60年代末美国国防部开发的先进研究项目署网络，这标志着创新历史的一个关键篇章。信息和通信技术（ICT）的出现，与互联网的兴起紧密相连，标志着信息传播和全球通信方式的变革性时代。研究ICT在发达经济体宏观经济影响的研究认为，ICT相关的生产率提高和资本积累解释了1990年代和21世纪初大约30-50%的总劳动生产率增长（例如，Jorgenson，2001年；Jorgenson和Nomura，2005年；Jorgenson等人，2008年；vanArk等人，2003年；Oliner等人，2008年；以及欧洲委员会，2010年）。例如，Jorgenson等人（2008年）认为，IT部门对美国TFP增长的贡献估计在1995-2006年为每年约0.47个百分点，这与本文中采用的高TFP增长基线情景中TFP增长的量级相似。值得注意的是，这些模拟没有明确纳入新技术采纳初期可能面临的挑战。如Jovanovic和Rousseau（2005）所述，当一个最初不太友好的新技术被引入时，国家可能会经历生产率下降，这要求经济在过渡阶段进行调整，并可能导致生产率出现长期波动。例如，这种转型在从蒸汽动力到电力的过渡中表现得非常明显。虽然我们的模拟没有纳入这种初始的生产率下降，但它们确实嵌入了各国在TFP计算中对AI技术的采纳准备度。2020国际货币基金组织工作论文人工智能的全球影响：注意差距5.欧洲货币区和发展中经济体（LICs）面临的挑战前景许多国家，主要是新兴市场和发展中经济体，在获取先进处理器、广泛的计算集群和全面的数据存储库方面面临重大限制——这些不足阻碍了它们在人工智能驱动领域的创新能力，并保持竞争力。此外，如前所述，未来贸易和技术限制的不确定性将进一步加剧这些挑战。在此背景下，一个合理的情景（在第3节中概述）假设，新兴市场和发展中经济体（不包括中国）在获取特定人工智能技术的方面面临约束。在这种情况下，由人工智能冲击产生的跨国差异将会加剧。情景分析表明，虽然发达经济体和中国的产出增长只会略有变化，但发展中经济体和新兴经济体相对于全球平均水平将经历显著的恶化：新兴市场和发展中经济体的实际GDP增长将平均比基准情景下降约1个百分点（见图8）。在新兴市场和发展中经济体群体中，相对于基准情景的产出损失在新兴市场（EMA和EML）中更为明显，这归因于更高的人工智能暴露以及更高的人工智能准备度，当人工智能技术完全可获取时，这些准备度可以得到更好的利用。图8.有限AI接入场景下的区域差异二Baselinescenario二注意：该图显示了高TFP增长基准情景下，10年后实际GDP与稳态的偏差（蓝色条形），以及有限AI访问情景下的结果（红色条形）。全球平均值以水平线表示。EMA=亚洲、中东、俄罗斯等新兴市场经济体，EML=拉丁美洲、中东、非洲等新兴市场经济体，EUS=欧盟和瑞士，LIC=低收入国家，OAD=其他发达经济体和ROW=世界其他地区。每个组别中各国详情见附件II。如前所述，AI准备工作是人工智能采纳的关键决定因素，而人工智能采纳反过来又能提高生产力和刺激经济增长。根据Cazzaniga等人（2024）的研究，AI的水平2121国际货币基金组织工作论文人工智能的全球影响：注意差距AEs的应急准备程度是LICs观察到的两倍以上，而EMs位于这两个极端之间。人工智能的准备是内在多维的，包括各种有助于有效人工智能整合的因素。关键要素包括：强大数字基础设施的可获取性、对人力资本的持续投资、包容性的STEM教育、劳动力和资本的流动性、动态的研究与开发（R&D）生态系统，以及能够适应数字商业模式的法律框架的灵活性。这些人工智能准备的关键维度是国家可以利用来提高其人工智能准备程度的杠杆。特别是，美国与最不发达国家（LICS）在技能和数字基础设施方面存在较大差距。对于新兴市场（EM）群体，与美国的差距较小，但在所有领域包括创新生态系统和法律框架都有改进的空间。为了说明人工智能准备性改进的作用，一个“强化人工智能准备状态情景假设，对于新兴市场和经济转型国家（EM）以及最不发达国家（LIC）组的各国，其准备指数提升至与其各自同侪群体中最有准备的国家相同水平。18该情景还假定没有人工智能接入限制，如同基线情景。模型模拟显示，在这种情况下，跨区域的显著不平等也将持续。然而，这将在一定程度上抵消基线情景中的情况，并且全球GDP水平将略有提高（见图9 )。从人工智能准备性增强中获得额外的产出收益在新兴市场和经济合作与发展组织（EM）及最不发达国家（LIC）的AI密集型行业中更为明显，因为AI暴露度更高的行业更能从人工智能准备性的增强中受益。图9.增强型AI准备情况场景下的区域差异注意：该图展示了在10年后，高TFP增长基准情景下实际GDP与稳态的偏离（蓝色条形），以及增强人工智能准备情况情景下的结果（红色条形）。全球平均值以水平线表示。EMA=亚洲、中东等新兴市场经济体，EML=拉丁美洲、中东、非洲等新兴市场经济体，EUS=欧盟和瑞士，LIC=低收入国家，OAD=其他发达经济体和ROW=世界其他地区。每个组别中各国详情见附18具体而言，假设在EMA中人工智能准备指数将从0.50增加到0.63，在EML中从0.50增加到0.59，在LIC和ROW中从0.38增加到0.48。2222国际货币基金组织工作论文人工智能的全球影响：注意差距即使AI表现不佳者可能无法完全弥补AI差距，但改善AI准备度和促进AI采用的政策行动可以帮助缩小这一差距。对于具有强大基础AI准备度的经济体（大多数发达经济体和一些新兴经济体），可能需要侧重于加强数字创新能力，并调整法律和道德框架以治理和促进AI的进步。在基础准备度较弱的地方（一些新兴经济体和大多数低收入经济体），可能需要优先投资数字基础设施和人力资本，以从AI中获得早期收益，并为第二代准备度铺平道路。公共投资应优先考虑具有正面外部性的领域，因为这些领域不太可能获得私营部门的投资——如基础研究、必要的基础设施，尤其是在新兴发展中国家——以及在社会领域回报高的公共部门应用——如教育、医疗保健和政府行政。增强对人工智能