4.全球人工智能社会发展研究报告（2025年7月）

参考文献：全球人工智能社会发展研究报告（2025年7月）上海市人工智能与社会发展研究会

随着生成式人工智能的爆发性演进，技术创新已实现由实验室向社会的全面渗透。

人工智能的社会化应用呈现出深度赋能和系统性风险并存的双重图景。一方面，人工智能作为新质生产力的核心引擎，驱动产业智能化升级，孵化出一系列新业态、新场景、新模式，在医疗、教育、新闻、科研等领域释放出巨大潜力。另一方面，数据泄露、算法偏见、隐私侵犯、劳动替代、情感依赖、环境污染等问题，不断挑战社会伦理底线与全球治理体系韧性。

（1）算力革命：能源困局与绿色算力破局

随着全球数据中心的持续扩容，技术进步与环境承载能力之间的矛盾日益凸显，主要聚集在能源消耗、碳排放、电子垃圾三个方面。

大模型的训练与推理需要不断增加参数、堆叠芯片，让数据中心的耗电量呈指数级增加。最后，人工智能系统的迭代升级还持续产生电子废物，这些废物中含有铅、汞和镉等危险化学物质，若处理不当，长此以往将对环境构成威胁。由此可见，人工智能竞争的尽头可能就是电力之争。其次，能源消耗的激增直接导致碳足迹扩大。

人工智能助力节能减排的潜在路径机制，其核心路径可归为两大方向：

一是通过驱动传统产业绿色转型间接减少碳排放。人工智能通过“劳动者-劳动资料-劳动对象-要素组合”多层级要素的组合优化，提高传统产业的资源利用率与全要素生产率，从而减少不必要经济活动带来的环境影响。

二是直接赋能能源环境行业发展以增强减排交通。一是模型绿色升级。在硬件上采用高效能、低功耗的设备，在软件上优化算法、降低软件复杂度、提高软件运行效率。二是计算资源协同。三是核能突破。

（2）模型幻觉：谬误和创见共存

模型幻觉是除算法偏见外，算法研究领域的又一重要话题。“幻觉”原本是神经科学和心理学的概念，意指感觉接受器对客观经验不准确的主观再现。随着自然语言技术的迭代更新，“幻觉”逐渐发展成为一个负面词汇，通常指模型生成的内容对提供的源内容无意义或不忠实，即模型生成的文本不忠实于信息源或者与现实世界的事实不符。

算法偏见（Algorithmic Bias）指人工智能或算法系统在决策过程中，因数据、设计或部署等因素产生的不公平、歧视性结果。这种偏见可能加剧社会不平等，影响就业、司法、金融、医疗等关键领域。

偏见产生的根源：

（一）数据偏见（Data Bias）：训练数据偏差：使用带有历史歧视的数据（如性别、种族歧视的招聘记录）。样本偏差：数据未能代表全体群体（如医疗数据主要来自特定族群）。

（二）算法设计偏见（Algorithmic Design Bias）：特征选择不当：使用与敏感属性（种族、性别）强相关的代理变量（如邮编隐含种族信息）。优化目标偏差：仅追求准确率而忽略公平性（如司法预测模型更易标记少数族裔为高风险）。

（三）部署与应用偏见（Deployment Bias）：场景错配：模型在未经适配的场景中使用（如基于城市数据的信贷模型用于农村）。反馈循环：偏见的输出被重新输入系统，形成恶性循环（如推荐系统固化信息茧房）。

数据层的污染、重复、缺失，以及数据标注错误是诱发模型幻觉的源头性因素。基于此，可进行数据清洗和数据增强构建真实数据集并修正幻觉数据集，以提高数据质量；优化模型初始结构、模型训练与微调过程、模型后处理方法，以减少计算过程中的误差；设计相关提示或者对齐指令，以减少特定任务幻觉的产生。

人工智能幻觉存在一体两面，机器创造力过于注重新颖性可能会导致产生原创但不准确的回答，而过于注重实用性则可能导致无效的死记硬背的回应。因此，开发真实可靠的大模型时，如何平衡创造力与真实性是处理幻觉问题的巨大挑战。

（3）数据让渡：便利增益与隐私风险

人工智能嵌入用户交互过程中，用户会向交互智能体分享大量数据，这些数据被收集后可能会被继续用于模型训练。这种主动披露的数据让渡超越了“知情同意”制度的范畴，让隐私可以在用户认知模糊的状态下被非自主让渡（孙国烨等，2025）。数据让渡作为人工知能系统动作的底层逻辑，其引发的隐私导论是近年来学界关注的重要议题。

一方面，用户的数据隐私自愿让渡是智能应用程序为其提供个性化、场景化服务的基本前提。因此，隐私让渡是用户获取便利的前提基础，智能应用的数据收集行为已经成为大数据社会正常运行不可缺少的重要基底。

另一方面，智能应用对数据的挖掘、储存、计算一定程度上又无可避免地构成了对用户数据隐私的侵犯。此外，算法的自动化计算黑箱一定程度上会造成对用户“合成隐私数据”的侵犯。

此外，尽管知情同意原则已经成为对待隐私让渡问题的社会共识，大多数知名企业都出台了自己的隐私规范政策，但是在实践中，数据企业将这种同意机制实际异化设置为一种近乎默认的机制，绝大多数用户并不知道自己“同意”就已经构成了“同意”。这种“默认同意”机制或者“选择性拒绝”模式在web3.0时代很难起到保护个人隐私的作用。一方面，大数据平台及软件开发商提供的知情同意书往往过于复杂，作用用户的隐私主体大多没有时间和精力进行全面而仔细的阅读，这就意味着知情只是一种可能而不是现实。另一方面，大数据平台及软件开发商都实行“同意才可使用”政策，即如果不同意其隐私政策就不能使用其软件或平台，在这一政策下，大多数人为了获得软件或平台的便利而不得不同意其隐私政策，这就意味着同意只是一种被胁迫的同意（董淑芬、李志祥，2023）。可见，个人用户在强大的算法技术面前 处于绝对弱势地位。

（4）劳动转型：替代冲击与技能重构

人工智能技术的迅猛发展正以前所未有的深度和广度重塑全球劳动力市场格局，引发了各界关于人类劳动价值与未来工作形态的深层思考，劳动替代由此成为近年来人工智能社会科学研究的核心热点。

围绕人工智能对劳动市场的影响，学界形成了“创造”与“替代”的两大 对立观点。支持创造论的学者认为，人工智能正孵化出一系列新场景、新业态，不仅不会导致大规模失业，反而会创造一批全新的就业机会（易宪容、陈颖颖， 2024）。此外，智能设备的使用、维护和培训也需要大量专业人才参与（徐政、 吴晓亮，2025）。支持替代论的学者认为，采用人工智能将导致大规模的劳动替代与结 构性失业。高盛的研究数据显示，在人工智能的冲击下，3 亿全职岗位面临替代 风险，美国约有三分之二的职业可以通过人工智能实现部分自动化（高盛，2023）。随着人工智能技术由专用向 通用跨越，就业替代效应也在不断强化与拓展，可替代的劳动形式由物质劳动延 伸至非物质劳动，工作类型由常规认知领域到非常规认知领域。

“创造”与“替代”并非均匀分布，而是呈现出显著的技能偏向性（IEDC， 2025），由此引发的就业极化现象成为学者们密切关注的研究热点。具体表现为：低技能岗位面临取代风险，高技能岗位存在创造机遇，但其创造的数量和速度远 不足以弥补被替代的低技能岗位总量，导致整体就业岗位的净减少（孟现玉， 2024）。黄旭和董志强（2024）的研究创新性地考虑到了劳动者技能身份的可转变性，他们提出，人工智能对就业岗位的冲击并不是简单的局部静态结果， 而是一个复杂的全局动态过程。在人工智能冲击下，中等技能工人有三种 潜在的应对之策： 一是在现有岗位上经过培训提高劳动生产率， 二是下沉转化为低技能工人，三是经过培训成为高技能工人。不同策略将对就业极化与工资极化现象产生差异性影响。这种非对称的劳动市场结构将加剧收入分配的两极分化， 推动其持续向高收入人群倾斜。整体而言，替代效应与创造效应同步 发生，劳动市场的总量收缩风险与质量提升机遇并存，呈现出技能导向动态转 型的整体趋势。

随着人工智能技术从判别式向通用式的跨越演变，劳动市场的技能 偏向性导向引发了新的理论争议。当传统自动化风险聚焦程式化体力任务时，生成式人工智能的颠覆性在于威胁认知交互型技能。Molly Kinder 等（2024）认为，生成式人工智能的发展标志着与以往“技能偏向”范式的彻底决裂。除非机器 人技术取得突破，生成式人工智能不太可能对体力劳动造成威胁，相反，它擅长 编程、预测、写作、说服、沟通，具备了替代有一定技能门槛工作的交互特质。这种特性导致自动化风险格局发生逆转，如今大多数面临生成式人工智能替代威 胁的行业，正是几年前自动化替代风险排名中垫底的行业。该范式颠覆在职业与 技能层面获得双重实证支持。安永全球分析显示，数学与编程技能在生成式人工智能威胁暴露指数中高居首位，而主动倾听、学习能力等人际互动 与情感理解技能稳居安全区（Gregory Daco，2024）。在人工智能向通用式迈进的过程中，新型技能壁垒得以形成。当高技能门槛的认知型工作沦为替代重灾区 时，需复杂社会情感协调与创造性思维的能力反成人类最后的防御堡垒。这宣告 “低技能=高替代”工业逻辑的终结，标志着人机协作准则向“情感-创造”双维度的历史性迁移。

人工智能对劳动力市场的重塑已突破“创造-替代”的二元框架，呈现出结构性极化与范式逆转的双重特征。未来的关键在于构建“技术适应力+人文内核”双驱动的劳动力发展体系，让劳动力转型既能跟上技术变革的节奏，又能守住人类不可替代的价值。

（5）智能鸿沟：技术红利分配的结构性失衡

人工智能正 在重塑全球经济与社会结构，但其带来的技术红利并未实现公平分配，反而加剧 了既有的数字鸿沟。与传统数字鸿沟不同，智能鸿沟不仅涉及 ICT 技术接入与使用的差异，更体现在算力资源、算法理解、数据掌控、治理能力等深层次能力 的分化。从不同主体维度看，智能鸿沟 在国家层面体现为南北差异与技术自主，企业层面表现为巨头垄断与竞争失衡，个人层面则反映为智能素养与社会公平。

从国家层面看，人工智能技术的发展进一步加深了国家之间的差距，已成为 学界共识。先进人工智能技术的研发与部署具有高度资源密集型特征，尤其依 赖巨大的能源消耗和先进的基础设施，往往只有发达国家有能力支撑。国家间的技术鸿沟通过全球供应链分工传导至产业领域，加剧了发展失衡。

从企业层面看，大部分学者认为人工智能将进一步导致竞争失衡与寡头垄断。 当下，由于技术和资本的双重壁垒，人工智能基础模型市场高度集中，主要被 极少数大型科技企业所垄断（雷昊楠，2024）。但自DeepSake 发布以来，也有部分学者表达了用开源生态对冲垄断格局的新思考。 DeepSake 一是通过低成本训练推理，打破高端算力的垄断封锁，降低研发应用门槛；二是通过全栈、全系列的开源开放，支持按需自主部署，普惠各行各业， 为人工智能开放生态系统提供了中国经验（武延军，2025）。

从个人层面看，智能鸿沟体现在人工智能对不同群体的差异性赋能上。****数据作为现实世界的映射，其采集和标注过程往往会客观复 制现实中的偏见与结构性失衡。当这些带有偏差的数据被用于训练算法时，算 法机制不仅未能纠正既有不平等，反而会系统性地识别、放大甚至固化这些模 式，最终导致性别鸿沟在人工智能应用中被进一步显化和极化。除了探究智能鸿 沟的原因之外，部分学者对生成式人工智能对应的智能素养展开了探讨。彭兰 （2024）指出，智能传播时代人们需要掌握新的能力，即对智能生成内容的辨识能力，以及与智能体的提示交互能力。个体可以利用大模型实现知识生产的积累， 由此产生一种去中心化的知识赋权效应。

（６）人机主体性：异化与共生

人工智能技术的迅猛发展正在深刻重构人机关系，并引发关于主体性（Subjectivity）的哲学伦理反思。随着“机器的人化”与“人的机器化”双重进程的同步演进，学界对技术冲击下“人的主体性”和“机器的主体性”展开激 烈讨论。

针对技术冲击下人的主体性危机，学界主要聚焦于危机的多重表征与纾解之道展开研究。危机的本质在于技术理性对价值理性的僭越，以及资本逻辑与技 术逻辑的共谋对人性本质的异化。例如，凌应生（2025）指出，资本与技术的双重逻辑已深度介入并重构个体的认知模式、行为方式、社会关系及自我认同。这 种介入与重构对人的主体性形成的冲击集中体现在四个维度：独立人格被侵蚀 （个性消解与技术依赖）；自主性和创造性被削弱（技术替代与思维惰性）；交往异化加剧（虚拟交往与情感疏离）；社会角色边缘化（技术失业与身份认同危 机）。

对于人工智能的主体性争议，不同于技术界的积极想象，社科领域的大部 分学者并不认同其具有完全的主体性。也有学者指出，传统主客体二元对立的认识论已无法解释生成式人工智能对主体性的冲击。人机关系经历了从初期 的“被动工具模式”到如今“智能协作模式”的发展（孟芳，2025），已经由传 统的“主客体”支配关系转向一种深度“合作”关系（李洋、薛澜，2025）。部 分学者引入行动者网络理论（ANT），将技术作为网络中的行动者之一。殷杰（2024）提出，生成式人工智能在与人类交互中，表现出了与以往人工智能截然不同的自主交互能力，呈现出一种新型的主体性特征，即交互主体性。

此外，当前关于人工智能法律主体地位的探讨，即人工智能能否成为法律意 义上的行为主体，以享有相关权利和承担相应责任，形成了两种截然相反的观点：否定说和肯定说（梅夏英，2025）。否定说目前是大多数人支持的主流观点，该说认为人工智能目前成为法律主体并不现实，其主要理由在于：人工智能目前并 不具有人类的理性和自我意识，亦不具有自身财产，且不赋予其主体地位并不影 响法律解决与人工智能相关的法律问题（孙良国，2024；袁康，2024）。肯定说则认为，对于一种新型民事主体的承认，法律并不必然要求主体具有人类理性， 如法人（尤其是财团法人）就体现为财产的聚合；亦不要求责任财产的存在，如 动物、胎儿和非法人团体等民法上的“有限主体”就与财产无直接关系（石冠斌， 2024）。

（7）大国博弈：权力重构与生态重塑

人 工智能作为第四次科技革命中的颠覆性战略技术，是大国博弈的焦点，也是学界关注的经典议题。

人工智能正深刻重塑国际权力格局，部分学者围绕技术的国家权力形塑路径展开分析。作为典型的军民两用技术，人工智能在国防军事领域的广泛应用，引发了 学界对其国际安全影响的深入探讨。人工智能加剧了国家间的军备竞赛与安全困 境，重塑了战争形态和政治生态，是影响全球安全格局的重要因素。学界关于人 工智能与安全的研究主要聚焦在物理层的武器赋能与认知层的信息操控两个层面。一是关于人工智能带来的网络空间武器化的探讨。人工智能赋能国际网络安 全攻防博弈，网络攻击智能化升级明显，攻击效率显著提升，呈现自动化、自适应和协同作战的特征（徐坚、朱思思，2025）。二是关于虚假信息与认知战研究。自 ChatGPT 发布以来，深度伪造和信息操控随之泛滥，极大地动摇了西方国家的民主根基与社会秩序（Shasha Yu、Fiona Carroll，2024）。生成式人工智能对意识形态渗透、国际舆论操控与军事指挥构成潜在威胁（黄日涵、姚浩龙，2023）。

（8）敏捷治理：渐进改进、协同共治

人工智能技术快速演进伴生的高度不确定性和复杂风险，使传统长周期制定、刚性规则执行和单一主体主导的治理模式陷入瓶颈，难以有效匹配技术变革的节奏与应对涌现性挑战。追求敏捷逐渐成为人工智能治理的共识性理念。

目前，学界关于敏捷治理的研究多停留于概念阐释与案例分析，对于相关 理论架构、实现路径、操作工具、流程路线仍缺乏全面系统的综合性分析。敏捷治理这一概念最初起源于美国制造业，美国政府在其出台的《21 世纪制造企业战略》报告中首次提出“敏捷制造”这一说法，旨在倡导制造企业采用现代通 信技术，积极响应用户的需求变化，快速配置生产资源，实现制造的敏捷性。2018 年，世界经济论坛将“敏捷治理”（Agile Governance）定义为“一种柔韧性、灵活性或适应性的行为或方法”，旨在转变政府政策的产生、制定、执行方式，以期跟上新兴技术驱动社会快速变革。具体而言，敏捷治理强调有效回应不断变化的 公共需求，并呈现出四个方面的特征：价值导向上强调创新和治理协调发展，治 理主体上强调政府主导、多元参与，治理对象上强调全过程自下而上分层治理，治理工具上强调灵活响应、软硬兼施（龙龙，2024）。基于此，已有部分学者从 敏捷治理的角度出发，对虚假信息治理（何宇华、李霞，2024）、数据治理（Chukwurah 等，2024；叶英杰、李川，2025）、数字政府建设（朱国伟等，2024）等议题展开纵深案例分析，初步尝试建构敏捷治理模式框架与理论体系。但现有成果仍多呈现点状突破的特征****，****在理论体系的整合度、抽象度与统摄性方面尚存提升空间，亟待通过更深入的概念凝练与跨案例比较研究，推动敏捷治理理论的系统化发展。

作为敏捷开发模式的典型成果，生成式人工智能的治理模式也应遵循敏捷 治理这一原生治理方式，传统治理模式难以为继（郭全中，2025）。这一必然性源于：其一，人工智能技术快速迭代导致制定周期较长的传统治理工具难以匹配。 其二，人工智能的全面渗透性及其引发的不确定性风险导致以“命令-执行”为 主的“官僚”治理模式难以奏效（龙龙，2024）。而敏捷治理这一实时反馈、渐进改进、多方参与、灵活自适应的治理模式则为当下的人工智能治理带来了新 的窗口。然而，在实际治理过程中，寻找恰当的敏捷性与灵活性仍面临诸多挑战。

敏捷治理模 式不同于传统自上而下的治理模式，强调政府、企业、社会组织等多元主体的共 同参与。自下而上的模式保证了治理理念的多元化与效益的公平性，但也会衍生决策进程迟缓等附带作用。多个利益攸关方可能有不同的治理目标和优先事项，如企业更加注重技术创新，政府更加注重安全风险防治，用户个人更加注重隐私 保护，这些目标之间可能存在冲突（郭全中，2025）。因此，决策权的共享程度极大地影响着治理的效率。敏捷治理在倡导不同主体广泛参与的同时，也强调 政府作为权威主体在其中扮演的主导性角色（薛澜，2024）。何宇华（2024）进一步指出，敏捷治理强调要在政府和非政府行为者之间保持决策权的极化，即 仅在一方保持决策权。

（9）结束语

赋能与风险并存、解构与重构共生、博弈与协同竞合、工具理性与价值理性碰撞。人工智能社会化揭示出技术嵌入现代性肌理的深层逻辑与复杂面向。

人工智能的社会科学研究，其核心价值不仅在于理解技术，也不止在于驾驭技术，更在于深入探索技术与人类社会的共生逻辑。技术发展驱动制度创新，社会调适反哺技术驯化。唯有持续深化相关核心议题的探索，构建技术革新与社会福祉的动态平衡机制，方能引导人工智能成为人类文明的向善建构性力量，而非社会分化的潜在风险源。这既要求学术理论的前沿突破，亦需政府、市场和社会协同构建治理框架，共同塑造兼具创新活力与人本价值的智能文明。

相关链接：《精选书籍推荐：我的自学之路感悟》总目录