联合国贸发会（UNCTAD）发布《AI时代的科技创新》报告

报告概览

1.1 报告背景

联合国贸易和发展会议（UNCTAD） 6月17日发布《AI时代的科技创新》（Science, Technology and Innovation in the Age of AI，下文简称《报告》），为发展中国家政策制定者提供AI时代科技创新（STI）领域的系统性政策指南。报告锚定联合国可持续发展目标9SDG 9（产业、创新与基础设施），核心命题聚焦为：“在企业、产业和国家层面建设STI能力，使发展中国家能够自主塑造自身的发展道路。”（Building capacities in science, technology and innovation (STI) at the firm, industry and national levels empowers developing countries to forge their own development pathways.）

1.2 五章结构总览

报告共五章，形成 “诊断→处方→协同→行动” 的完整闭环逻辑链：

报告中英文术语对照：

《报告》第一章：引言

2.1 时代背景与核心命题

引言开篇即确立AI的历史性地位：“近期突破使AI成为通用目的技术。”（Recent breakthroughs have made AI into a general-purpose technology）  援引Bresnahan和Trajtenberg（1995）所界定的通用目的技术三大特征：普适性（pervasiveness）、动态性（dynamicity）和创新互补性（innovation complementarities），并将AI与蒸汽机、电力、计算机置于同一历史坐标系类比，暗示其对R&D的变革将是系统性、基础设施级的。

2.2 政策哲学：技术非中立，政府须“导航”

报告引用2030年议程的核心前提：“技术发展并非中立，必须被引导向经济、社会、环境和伦理目标。”（technology development is not neutral, but must be directed toward economic, social, environmental and ethical goals）由此确立的政策哲学是：创新政策不仅是“推手”（促进技术进步），更是“舵手”（塑造技术进步方向）。由此确定了贯穿全文的核心理念：政府不应被动响应AI，而应主动塑造AI的发展轨迹。

2.3 目标受众与双重关切

报告明确聚焦 “支持发展中国家政策制定者” （supporting policymakers in developing countries），重点关切机遇与挑战：

• • 机遇：AI可成为技术追赶的“加速器”，降低研发门槛，在生物医药、材料、气候等领域实现“弯道超车”。
• • 挑战：若缺乏适应性政策，AI可能固化甚至扩大技术鸿沟，且全球AI治理已呈现“先行者制定规则”的格局，发展中国家面临被动接受的风险。

本章关键原文：
“一个强大且包容的国家创新体系对于支持国内技术发展和赋能本地产业至关重要，对发展中国家尤其如此。”（A robust and inclusive national innovation system is essential to support domestic technology development and enable local industries, particularly in developing countries.）

第二章：AI驱动的研发转型

第二章是全报告的事实与数据基础，分为三节：A. AI影响R&D的关键渠道；B. AI在R&D中的应用案例；C. 技术挑战与伦理关切。

3.1 第一节（A）：AI影响R&D的四大渠道

报告首先明确R&D的四个互联迭代阶段——概念化（conceptualization）、研究（research，含基础与应用）、开发（development）、部署（deployment）——并强调R&D是 “动态迭代过程” （is not a linear sequence but a dynamic and iterative process）。部署阶段的反馈会激发新研究问题，研究阶段的发现又会反哺概念化方向，当前毫无疑问AI能增强、加速这个反馈回路。

AI通过以下四大渠道嵌入R&D全流程：

① 数据收集与整理（Data collection and curation） ：自动从文献、专利、传感器、用户反馈中提取并结构化海量异构数据，贯穿从概念化到部署各阶段，形成“数据飞轮”反馈。

② 数据分析（Data analysis） ：揭示非结构化数据中的隐藏关联，在概念化阶段重构问题框架，在研究阶段分析高维实验数据，在开发阶段指导实时工艺调整，在部署阶段分析市场动态。

③ 假设生成（Hypotheses generation） ：跨领域知识挖掘，提出超越常规思维的研究方向。报告指出，“AI驱动的假设生成通过激发创造力和迭代，强化了概念化与实验之间的动态交互。”（By fuelling creativity and iteration, AI-driven hypothesis generation strengthens the dynamic interplay between conceptualization and experimentation）

④ 实验与模拟（Experimentation and simulation） ：大幅降低测试成本、时间与风险，“这种快速、低成本迭代的能力凸显了R&D的非线性动态。”（This capacity for rapid, low-cost iteration underscores the non-linear dynamics of R&D）

初步实证发现：

• • AI可能使R&D速度翻倍，释放每年高达5000亿美元的价值，受益最大的行业是R&D强度最高的领域（制药、半导体、软件）。
• • Nature调查显示，超过半数研究者认为AI工具将“非常重要”或“必不可少”；前三收益为数据处理加速、计算加速、时间/资源节省。
• • 但AI对研究生产率的影响高度不均等：“顶尖研究者的产出在AI支持下近乎翻倍，而底层三分之一几乎无获益。”（the output of top researchers nearly doubles with AI support, while the bottom third sees little benefit）82%的科学家反馈工作满意度下降，认为创意被削弱、技能未被充分利用。

3.2 第二节（B）：AI在R&D中的应用案例

报告选取生物科学、材料科学和气候科学三大领域展示AI从“理论可能性”到“现实突破”的转化：

生物科学（Bioscience） ：

• • AlphaFold2（2024诺贝尔化学奖）：预测约2亿种蛋白质结构，覆盖几乎全部已知蛋白质组（It has predicted the structure of around 200 million proteins, covering nearly the entire known proteome）。
• • 抗生素耐药性（AMR）对抗：AI从数千种化学组合中筛选出候选物，发现新型强效抗生素Abaucin，能杀灭最顽固的鲍氏不动杆菌。
• • 诊断与治疗拓展：用AI预测心血管事件、面部计算分析诊断罕见遗传病、AI辅助放射治疗与自动心电图分析。

材料科学（Materials Science） ：

• • GNoME模型（Graph Networks for Materials Exploration）：已识别220万种新晶体，相当于近800年传统材料研究。（GNoME has identified over 2.2 million new crystals, equivalent to nearly 800 years of traditional materials research）
• • 分子动力学模拟：无需物理合成即可预测分子性质，识别电池、半导体、催化剂的候选材料。
• • 俄罗斯ITMO大学“强人工智能产业”项目：AI用于材料生成设计、几何优化和物理特性计算。
• • AI辅助自动化实验：自2016年优化碳纳米管生长以来，AI在纳米制造中大幅提升效率与精度。
• • 学科交叉：AI促进生物科学与材料科学融合，开发可编程生物衍生材料。

气候科学（Climate Science） ：

• • 2023年AI气象模型超越全球最先进预报系统；随后DeepMind模型进一步提升精度、速度和适应性，对飓风、洪水、热浪提供更精准预警。
• • 数字孪生（Digital Twins） ：NVIDIA Earth-2平台的核心模型cBottle为全球首个生成式AI气候模型，实现公里级分辨率模拟；伯利兹“国家海洋栖息地制图”项目用AI+卫星影像实时监测海岸带生态系统；欧空局“目的地地球” （Destination Earth）采用行星级数字孪生追踪排放、预测极端天气；图瓦卢开发国家数字孪生应对海平面上升。

3.3 第三节（C）：技术挑战与伦理关切

报告提出 “三大技术挑战+三大伦理关切” 的“3+3”框架：

技术挑战：

① 数据可用性与质量：“高质量、人类生成的公共数据可能在数年内耗尽。”（high-quality, human-generated public data may be exhausted within a few years）前沿研究领域缺乏足够历史数据；标注差、信息过时、跨数据集标准不统一削弱模型性能。性别偏见被特别强调：“女性在训练数据集中系统性被低估或错误表征。”（women are systematically underrepresented or mischaracterized in training data sets）导致分配性损害（allocational harms）和表征性损害（representational harms），体现在医疗、就业、金融等领域。

② 可解释性（Explainability） ：深度学习“黑箱”问题——“许多AI系统，尤其是深度学习模型，常被视为‘黑箱’。”（Many AI systems, especially deep learning models, are often considered as 'black boxes'）——阻碍科学验证与监管审批。XAI方法（注意力图、特征归因等）试图提供透明推理，但高性能与可解释性之间存在权衡。

③ 可重复性（Reproducibility） ：专有数据不可访问、算法未公开、预处理不一致、超参数未共享等因素导致难以重现结果。普林斯顿大学研究发现，一种常见的机器学习错误“数据泄露”（data leakage）可能影响了294篇已发表论文，横跨17个不同领域，凸显可重复性失败的级联效应。

伦理关切：

① 科学欺诈与伪造：“AI可被利用传播难以察觉的虚假或误导性科学信息。”（AI can be exploited to spread false or misleading scientific information that is often difficult to detect）Nature调查显示超过半数科学家担心AI助长学术不端。生成式AI特有问题：产生虚构内容（不实声明、幻觉式发现、引用不存在的来源），只有专家读者能识别。AI还可能帮助非专家制造生物危害，威胁全球安全。

② 数据隐私：R&D中AI常涉及敏感个人信息、专有研究或机密商业数据。风险包括：未充分匿名导致泄露、未经同意重复使用数据、第三方平台增加未授权访问风险、模型反转攻击（model inversion）可重建或提取敏感信息、跨境数据共享需应对不同法律框架。

模型反转攻击（model inversion） 核心内涵是：攻击者仅通过访问一个已训练好的机器学习模型（无需接触原始训练数据集），利用模型输出的置信度分数或内部参数，反向推断、重建或还原出训练数据中的敏感个人信息。

③ 研究者“去技能化”（Deskilling） ：“科学围绕发现因果关系，而非仅识别模式。”（Science revolves around discovering cause-and-effect relationships, not just identifying patterns）最新脑科学研究（Kosmyna et al., 2025）显示，依赖LLM的用户表现出脑部连接活性降低和记忆减弱，对工作的主人翁意识最弱。对早期职业科学家，过度依赖AI可能阻碍基础专业知识的培养，导致新一代研究者批判性评估AI输出的能力变弱。

本章关键表述：
“AI能使整个R&D过程更加敏捷、适应和高效。”（AI can make the entire R&D process more agile, adaptive and efficient.）
“政策制定者应主动应对这些变化，战略性地缓解技术挑战和伦理风险，而非被动响应。”（Policymakers should proactively address these changes, strategically mitigating both technical challenges and ethical risks rather than responding passively.）

第三章：反思AI时代的创新政策

本报告的政策核心，从“现象分析”到“治理方案”的逻辑跃升，分为两节：A. 创新政策的演变；B. 利用AI潜力并最小化风险。

4.1 第一节（A）：创新政策的三次范式转移

报告梳理了自二战以来创新政策的演变轨迹：

第一阶段：线性模型（二战后至20世纪末） ——创新被视为“基础研究→应用研究→商业化”的线性过程，政策聚焦资助基础科学和R&D税收抵免，目标是经济增长。其历史局限在于：发展中国家即使获得了科学能力建设，科学与经济繁荣之间的差距依然存在。

第二阶段：系统模型（全球化时代） ——创新被视为发生在国家创新体系（企业、高校、政府、中介机构互动）内的动态、迭代过程。政策扩展到促进合作、支持创业、加速技术扩散、推动技能发展。

第三阶段：变革性模型（约2010年代至今） ——受SDGs驱动，创新必须超越经济增长，涵盖环境可持续性与社会公平。OECD国家中，面向变革目标的创新政策已占国家战略的40%以上，传统目标仅约19%（Einhoff and Paunov, 2025）。

数字化与AI对此趋势的叠加效应体现在三大方面：

4.2 第二节（B）：三大领域的政策工具与案例

领域1：制定敏捷与适应性创新政策

核心挑战：发展中国家普遍存在对AI融入R&D的认知不足，缺乏明确的监管目标，也难以及时更新法律框架。

下表展示了一些成功或正在进行的具体国家/政府案例，他们成功克服或应对了上述挑战。

这些国家案例针对三大挑战，分别“精准投射”了对应的解决方案：

其中三个案例（中国、印度、巴基斯坦）恰好尝试解决了三大挑战中最棘手的 “法律滞后” 问题——中国和印度选择 “发布行政指南/修订审查规则”（不经过漫长的人大立法），巴基斯坦选择 “设立新机构”。这本身就在暗示发展中国家：“不一定要先修法，可以先出指导原则或改组行政机构，来实现敏捷响应。”

政策建议：（1）建立监管沙盒（regulatory sandboxes），提供受控测试环境，设置中期报告要求，试验后评估调整；（2）修改IP法律，分类管理AI发明，明确披露要求；（3）利用AI支持实时循证决策。

领域2：促进协作与包容性

核心挑战：发展中国家资金有限、人才短缺，需通过跨学科资助、研究中心和能力建设打破壁垒。

上述核心挑战（资金、人才、结构性壁垒）均指向同一个症结：创新资源过于分散，缺乏汇聚与协同的平台。 如果仅靠市场自发调节，发展中国家很难在短期内跨越这些门槛。因此，必须通过政策杠杆来定向弥补市场失灵。下面的事例是一些国家利用政策杠杆（联合基金、实体中心、网络平台）来精准应对这三重挑战的实证：

政策建议：（1）共同资助跨学科研究基金，利用多边开发银行资源；（2）建立AI研究中心与技术园区，作为创新枢纽；（3）双轨制能力建设：正规教育（大学AI学院、博士/教授）+公众普及（讲习班、竞赛、宣传活动），必须纳入性别响应方法。

政策制定者和研究者应主动问一个问题：“ 这项AI技术对男性和女性、对不同性别群体的影响是否不同？我们是否在无意中让AI放大了现有的性别不平等？”

领域3：加强负责任的AI与数据治理

核心挑战：AI治理至今主要由发达国家塑造，女性在训练数据和AI设计过程中边缘化。

上述挑战揭示了权力不对称与结构性不平等的双重困境：发展中国家不仅面临规则制定权的缺位（治理议程由发达国家设定），还面临数据资产与人力资本的侵蚀（女性群体在AI系统中既“被错误代表”又“被排除在设计之外”）。要破解局面，政府不能仅仅被动追随国际标准，而必须主动构建本土化的制度基础设施（将伦理原则转化为可执行的审计机制）和主权化的数据能力（确保本国公民的数据安全与代表性）。下面的事例表格是代表性国家通过政策创新来逐一回应的实证：

上表中确实没有出现中国。并不意味着报告“忽略”或否定中国的努力，而是因为在这一特定领域的核心挑战下，上述国家的举措更能精准地“对号入座”。

政策建议：（1）促进AI的伦理、问责与文化对齐，开发风险衡量工具，支持本地化数据集与模型；（2）支持高质量多样化数据集生成并确保合规，政府主动介入数据收集、标准化和整理，强制执行用户同意、匿名化、透明度、数据最小化。

本章关键原文表述：
“创新政策不仅要促进技术进步，更应主动引导AI发展方向，确保创新服务公共利益。”（Innovation policy does not merely facilitate technological progress, but should actively steer the course of AI development, ensuring that innovation serves the broader public interest.）

第四章：全球合作

从国家政策上升到国际治理，分为三节：A. 开放科学与开放创新；B. 全球AI能力建设；C. 伦理与问责制保障。

5.1 第一节（A）：开放科学与开放创新

概念界定：报告区分了开放科学与开放创新——前者由公共研究机构驱动，核心理念是知识作为公共产品（knowledge as a public good）；后者由企业驱动，旨在利用外部创意加速市场解决方案。二者互补：开放科学增强透明度与可重复性，开放创新强化从发现到应用的转化。

报告强调，AI模型的“开放”不是二元对立，而是一个光谱（a spectrum），光谱的“横轴”涵盖源代码、训练数据集、模型权重/参数等组件， 光谱的“纵轴”是各自开放或封闭的不同程度。截至2025年4月，约55% 的可用AI模型是开放（如DeepSeek R1、阿里巴巴Qwen、Meta Llama、Mistral AI），但大多数领先系统仍封闭（ChatGPT、Claude、Gemini）。

发展中国家的机遇包括降低准入门槛、允许根据本国语境定制AI；风险包括地缘政治紧张、开放模型可能被恶意利用、监管执行更困难。

IP与开放的张力：“限制性IP制度可能限制开放创新。”（Restrictive IP regimes risk limiting open innovation）AI专利和专有模型集中在少数国家和企业手中，限制对基础算法的访问，使中小机构和发展中国家处于不利。平衡的IP框架（许可、研究伙伴关系、专利池、AI共享空间）可在保护权利的同时促进创新。

国际倡议实例：

• • UNESCO开放科学建议书：全球参考框架，将开放获取、FAIR原则和伦理标准纳入R&D
• • G20马瑙斯一揽子计划（2024） ：全球开放创新战略，强调知识共享、联合研究、包容性获取
• • 全球开放科学云（GOSC） （中国科学院+CODATA，2021）：联邦式数字基础设施，链接加拿大Digital Research Alliance、中国CSTCloud、澳大利亚ARDC、美国ACCESS、非洲开放科学平台
• • 国际计算与AI网络（ICAIN） ：建设全球可及计算与AI协作基础设施，试点包括非洲AI天气预测模型、植物病害诊断、国际红十字委员会定制LLM
• • 开放数据平台（DLHub、Hugging Face）：集中提供AI模型、数据集和可重复工作流

政策建议：（1）制定开放科学政策工具包；（2）通过培训加强机构能力；（3）促进南南知识交流；（4）在贸易与IP政策中倡导开放——包括AI数据集开放许可、公共资助研究强制开放获取、TRIPS第13条下纳入数据共享条款、鼓励捐助国按TRIPS第66.2条扩大承诺。

5.2 第二节（B）：构建全球AI能力

报告强调，“AI的负责任使用和发展取决于能力建设。”（The responsible use and development of AI depend on capacity-building）确保所有利益相关者具备必要技能。

报告强调，“AI的负责任使用和发展取决于能力建设。”（The responsible use and development of AI depend on capacity-building）确保所有利益相关者具备必要技能。

能力建设在AI治理中是一个多层次、多主体的系统工程：既涉及培养顶尖算法研究员的“精英教育”，也覆盖提升公务员和公众AI素养的“普惠工程”；既要解决“不会用”的技术短板，也要应对“不懂管”的制度盲区。面对发展中国家普遍存在的资源约束，单纯依靠一国之力难以在短期内弥合巨大的能力鸿沟。因此，全球能力建设合作需要构建一个“四层联动”的治理架构：

• • 第一层：国际组织作为“枢纽”——通过全球网络将分散在各国的资金、课程、算力和人才串联起来，将少数发达国家的先进经验转化为可迁移、可复用的公共资源（如ITU的万人培训目标、ILO的公共政策课程、UNESCO的教育体系嵌入）。
• • 第二层：区域战略作为“本地化适配器”——不同区域的发展阶段与资源禀赋差异巨大，需要因地制宜的能力建设方案。非洲聚焦基础数字素养与女性包容（非盟大陆AI战略），亚洲侧重区域协作框架与技能认证（东盟路线图），拉美强调知识生成与性别平等（圣地亚哥宣言），欧洲则聚焦前沿科研与跨域流动（地平线欧洲、玛丽·居里行动）。区域战略并非彼此割裂，而是为能力建设提供了 “差异化路径”与“互学互鉴”的素材库，使各国能够根据自身条件选择最适合的参照系。
• • 第三层：联合国大会授权作为“合法性顶层”——第78/311号决议《加强人工智能能力建设国际合作》为全球能力建设提供了最高级别的政治共识与法律授权，明确了成员国之间进行政策交流、知识分享、技术转移、联合研究实验室共建等合作形式的正当性与共同责任。
• • 第四层：CSTD作为“专业化执行通道”——在上述高层框架之下，CSTD扮演着 “从原则到实践”的落地转化者角色：通过STI政策审评为国家提供诊断工具，通过“青年女性科学家计划”等具体项目将能力建设资源精准投送到最需要的群体（早期职业研究人员、女性科学家），并通过技术评估与前瞻帮助发展中国家识别AI应用的优先部门，避免“撒胡椒面”式的低效投入。

四层之间形成 “政治授权→战略规划→专业执行→效果反馈” 的闭环链条：UNGA授权赋予合法性，区域战略提供差异性框架，国际组织贡献专业化资源池，CSTD承担落地实施与能力传递的最后一公里。

5.3 第三节（C）：伦理与问责制保障

报告勾勒了从宽泛伦理原则向可执行风险框架的全球共识演进：OECD AI原则（2019）→G20原则（2019）→GPAI（2020）→G7广岛进程（2023）→布莱切利宣言（2023）→首尔宣言（2023）→欧洲委员会AI条约（2024，具有法律约束力） →巴黎AI行动峰会（2025，发布国际AI安全报告，成立91成员可持续性联盟）。

部门专用指引：

• • WHO：医疗大语言多模态模型（LMMs）伦理治理，要求透明设计、包容性参与、独立部署后审计；呼吁政府监管、强制影响评估、投资伦理可及公共数据
• • UNFPA：性别暴力技术安全伦理指南，牵头“安全展示：重新构想技术中的性别”项目

区域倡议：

• • 非洲联盟：大陆AI战略以发展、公平和包容为中心，直面偏见、虚假信息、隐私侵犯、算法歧视；优先农业、健康、教育、气候、和平与安全
• • 东盟：2025AI治理与伦理指南（非约束性），涵盖虚假信息、IP侵犯、偏见；包括事件报告机制、基准测试工具，鼓励共同问责
• • ESCWA：AI政策工具包，协助约旦、毛里塔尼亚、巴勒斯坦、伊拉克制定国家AI战略
• • 拉美：圣地亚哥宣言承诺基于人权的政策框架，设立区域AI政府间理事会
• • 欧洲：2025欧盟负责任AI研究使用指南（基于欧洲研究诚信行为准则）；GDPR（目的限制、数据最小化原则）为AI提供指引；EU AI法案（2024） 引入基于风险的分级监管，专用于科学研究的AI系统豁免（Art. 2(6)），但GDPR要求仍适用

未来方向：报告指出当前倡议仍碎片化（fragmented），原则多为倡导性而非约束性，问责和监管框架薄弱。呼吁互操作性区域与全球标准、协调监管方法、强化问责框架。新兴机制包括UNGA设立的AI治理全球对话与独立国际AI科学小组，以及各级数据治理多利益相关方工作组。

本章关键原文：
“AI只有通过基于开放性、能力建设和伦理原则的全球合作，才能成为包容性进步的动力。”（AI can become a driver of inclusive progress only through global cooperation based on openness, capacity-building and ethical principles.）

第五章：行动纲领

第五章将前四章分析凝练为8条国家层面建议+6条国际层面建议，形成“内政+外交”完整行动框架。

6.1 总体结论

“AI在加速知识创造和拓展研究前沿方面具有巨大潜力,正在迅速改变科学研究、技术开发和创新的格局……但同时也引发了技术挑战和伦理关切……为发挥AI的效益并最小化风险，政府需要设计和实施敏捷且适应性的创新政策，并辅以负责任的AI与数据治理框架。在AI的开发和后续应用中，必须促进有意义的包容性参与。”（AI is rapidly transforming the landscape of scientific research, technological development and innovation. It has significant potential to accelerate knowledge creation and expand the frontiers of research and discovery ... yet it also raises technical challenges and ethical concerns ... To harness AI's benefits while minimizing its risks, governments need to design and implement agile and adaptive innovation policies, supported by responsible AI and data governance frameworks. It is important to foster meaningful and inclusive participation during both development and subsequent applications of AI.）

6.2 国家层面建议（8条）

6.3 国际层面建议（6条）

“问题—建议—责任主体”对照一览表

报告的核心立场与价值

核心立场可概括为：AI作为通用目的技术，正在从底层逻辑上重塑R&D——既是发展中国家实现技术追赶的“加速器”，也可能成为扩大全球不平等的新杠杆。政策制定者不能被动等待技术自然演进，而必须以敏捷、包容、负责任为原则，主动塑造AI的发展方向。这需要国家层面的制度创新（从IP法到监管沙盒）、能力建设（从大学教育到公民普及）与国际层面的协同治理（从开放科学到伦理标准统一）三管齐下。

报告结语：“通过促进开放、建设全球能力和坚守伦理责任，国际社会可以将AI转变为真正包容的可持续发展驱动力。”（By promoting openness, building global capacities and upholding ethical responsibility, the international community can transform AI into a truly inclusive driver of sustainable development.）

我国有关内容

1. 知识产权与敏捷治理（第三章·领域1）

定位：全球“AI知识产权法律适应”的先行案例。
报告在讨论“制定敏捷与适应性创新政策”时，首先列举的就是中国国家知识产权局（CNIPA）发布的《人工智能相关发明专利申请指引（试行）》。
报告的评价逻辑：报告认为中国的做法 “为法律模糊地带提供了急需的清晰度”，既回应了“AI发明是否可专利”的全球争论，又通过细化审查标准保留了制度弹性。

2. 国家主导的研发战略（第三章·领域2）

定位：将AI与基础科学深度融合的国家级系统工程。
报告引用了中国科技部发起的 “AI驱动的科学研究”（AI for Science）专项部署。
报告的视角：报告将其归类为“促进协作与包容性”的典型案例，不同于西方以企业为主导的AI研发模式，报告认为中国的AI for Science模式 “有意识地利用国家力量将AI投射进物理、化学、材料等基础学科”，通过顶层设计来破解学科壁垒的尝试。

3. 全球开放科学基础设施（第四章·全球合作）

定位：从“国内治理”上升到“国际公共产品”的提供者。
报告在第四章“开放科学”部分，将中国科学院（CAS）与国际科技数据委员会（CODATA）联合发起的“全球开放科学云”（GOSC）列为国际标杆案例。
报告的评价：报告并未将其视为纯粹的“中国项目”，而是“南南合作与南北合作的技术桥梁”。报告强调，GOSC以FAIR（可查找、可访问、可互操作、可重用）数据原则为基础，体现了中国在构建全球科研数据互操作标准中的实质参与。

4. 开放权重模型的生态影响力（第二章及第四章）

定位：打破西方顶尖模型垄断的市场力量。
报告在讨论AI模型“开放光谱”（从封闭到完全开放）时，报告专门提到了DeepSeek R1和阿里巴巴的Qwen系列。
报告的潜在评价：报告逻辑上暗示了中国模型是推动全球 “开放权重”模型占比在2025年达到55% 的重要力量。对于基础设施有限、无法负担高昂API调用费的发展中国家而言，中国开源模型提供了 “高性价比的替代选项”。

5. “中国画像”的显著特征

如果将所有散落的中国元素拼接起来，报告呈现的中国AI治理画像具有以下三个显著特征：

特征一：世界眼中的“制度实干家”

报告并未提及中国的《新一代人工智能发展规划》或《数据安全法》等宏观大法，而是极度聚焦于“实操层面的行政细则”（如CNIPA的专利审查指南）。暗示了国际机构对中国AI政策的观察视角：不再只看“顶层设计”，而是更看重 “中央部委如何将模糊的法律原则拆解成研发人员能直接对照执行的清单”。

特征二：公共基础设施的“跨境连接者”

报告中关于中国的最高评价出现在GOSC（全球开放科学云）部分，说明国际社会更多地期待中国扮演 “连接南北的硬件与标准通道” 角色。

特征三：闭源模式的“制度竞争者”

报告中列举DeepSeek R1和Qwen的语境，中国开源模型的存在，正在从商业和技术层面验证“高水平开放”的可行性，为发展中国家面对闭源模型时，提供了真正的议价权和备选方案。

在这份2026年的联合国报告中，我国不再是“AI伦理问题”的被审视者，而是“AI治理工具”的提供者。报告利用中国的案例来佐证“敏捷的IP更新”、“国家战略驱动的基础研究”以及“开放科学云的标准建设”，标志着在UNCTAD的评估框架中，我国的AI实践已经从“案例研究对象”升级为 “全球治理参照系”。