关注我们→点击主页右上角→设为“星标🌟”，及时收到更新通知
2026年6月16日，联合国贸易和发展会议（UNCTAD）发布报告《人工智能（AI）时代的科学、技术与创新》（Science, Technology and Innovation in the Age of AI）。
报告认为，人工智能（AI）作为通用性技术（general-purpose technology），正在深度重塑科技研发工作，同时带来机遇和风险。人工智能（AI）时代的科技创新需要全球共同加强国际合作。
报道原文为英语，中企出海研究将编译其主要内容，以供学习参考，编译内容不代表译者观点。本文全文约3210字。
— ༄ —
▍01 人工智能如何改变科技研发
生成式人工智能（Generative AI，GenAI）已经渗透到科研从想法萌芽到产品落地的全部环节。
AI主要通过四种方式助力科研：收集整理各类数据（data collection and curation）、解读挖掘数据价值（data analysis）、提出新研究猜想（hypothesis generation）、开展模拟和仿真实验（experimentation and simulation）。
它能够整合海量信息，发现人容易忽略的规律，给出新的研究思路，还能减少试验的时间、成本，打通科研各个环节的反馈，让整体科研工作变得更灵活高效。
（一）AI已经在多个科研领域应用
如今AI已经在生物、材料、气候三大科研领域产出多种成果。
在生物科学（bioscience）领域，AlphaFold2几乎预测出人类已知全部2亿种蛋白质的结构，助力新药研发、对抗耐药细菌，也被用来辅助疾病诊断、远程康复治疗。
在材料科学（materials science）领域，GNoME模型找出220多万种新型晶体，工作量相当于传统方式做800年的研究；借助AI模拟原子之间的相互作用，可以不用反复做实物试验，大大缩短新材料研发周期。
在气候科学（climate science）领域，AI提升天气预报准确度；数字孪生（digital twins）技术搭建地球虚拟模型，用来监测海岸生态、制定气候应对方案，给洪水、高温等极端灾害做预警。
（二）AI科研仍面临三大技术难题
把AI用到科研当中，还面临不少技术难题，同时也会带来伦理风险，限制技术发挥全部价值。
技术上主要有三个难点：
一是数据质量与供给（data availability and quality），高质量公开科研数据有被消耗殆尽的风险，数据标注出错、标准不统一，会直接造成AI模型出现偏见；
二是可解释性（explainability），很多深度学习模型是“黑盒子”，我们很难看懂它得出结论的逻辑，可解释AI（XAI）暂时还很难做到效果好同时逻辑透明；
三是可复现性（reproducibility），如果原始数据、代码不公开，参数稍微改动，实验结果就会不一样，别人很难重复验证研究结论。
伦理层面，需要警惕AI助长学术造假（scientific fraud and fabrication）、个人科研数据泄露（data privacy），还要防止科研人员过度依赖工具导致能力退化（deskilling of researchers）。AI只是科研辅助工具，并不能替代科研人员本身。
▍02 AI时代的科技创新政策需要新思路
进入人工智能时代，创新政策（innovation policy）不能一成不变，政策要主动引导技术发展，让创新服务大众利益。
过去的传统创新政策，主要是给基础科研拨经费；之后发展到系统型政策，重视企业、高校、政府多方协作，推动技术普及和人才培养；现在进一步走向变革型创新政策（transformative innovation policy），更加适配现实情况、兼顾社会公平、实现可持续发展。
数字化加上AI的冲击，对政策提出三点新要求：政策要灵活应变；鼓励多方参与、兼顾公平普惠；完善伦理和制度约束，不只盯着最终产品，也要关注技术全流程的风险。
（一）使用柔性政策，适配AI快速发展
国家可以使用柔性政策工具，从容应对人工智能带来的制度挑战。
监管沙盒（regulatory sandboxes）就是一个很实用的手段：划定一块可控的试验环境，新技术可以先上线测试，监管部门根据真实运行情况，再慢慢完善规则，兼顾创新探索和安全底线。
知识产权（IP）相关法规也需要更新，厘清AI参与创造出来的成果该如何申请专利；目前绝大多数国家，都不承认AI本身可以作为发明人。
政策制定过程同样可以借力AI，结合卫星、传感器收集实时信息，分析趋势、评估政策效果，做到基于真实数据做决策（evidence-based）。
（二）推动多方参与，加强人才培养
想要用好AI，就要打破行业、机构之间的壁垒，补齐发展中国家资源不足的短板。
政府可以设立跨领域联合科研项目，推动企业、高校、研究院一起攻关；建设AI专门研究机构、科技园区，搭建区域性合作网络。
人才培养也要多层次推进，既要办好高校相关专业，也要面向普通大众做科普和技能培训；要特别关注女性等群体，缩小AI领域的性别差距，让更多来自发展中国家的研究者能够参与全球科研合作。
（三）建立数据治理和数据合规体系
负责任的AI和数据治理（data governance），是可信创新环境的基础。发展中国家不用直接照搬发达国家制度，要结合本国国情，把性别平等视角融入规则设计。
一方面，要建立风险评估手段，做贴合本土情况的AI安全研究，面向大众科普AI风险，把伦理内容放进公务员、高校的课程当中。
另一方面，要搭建数据合规体系，遵循FAIR原则（可查找、可访问、可互操作、可复用），在保护个人知情同意、做好匿名化处理的前提下，建设规模足够、代表性强的数据集，平衡创新发展和个人权益。
▍03 普惠AI需要全球共同合作
（一）推广开放科学、开放创新、开放权重
想要让AI惠及更多国家，需要全世界协同努力，重点做好三方面工作：推广开放科学、提升各国AI能力、建立伦理问责机制。
开放科学（open science）把知识当成全人类公共财富；
开放创新（open innovation）更偏向产学研合作，把科研成果落地做成产品；
开放权重（open-weight）模型通过部分开源代码，可以大大降低发展中国家使用AI的门槛，但开源也会带来技术被滥用的风险。
国际社会需要平衡知识产权（IP）保护与知识共享，利用开源协议、专利共享池等方式，建设可以互通互联的全球科研平台。
（二）开展能力建设，缩小各国AI差距
全球范围内开展能力建设（capacity-building），可以缩小国与国之间数字科技的差距。
联合国国际电信联盟（ITU）、国际劳工组织（ILO）、联合国教科文组织（UNESCO）都推出了AI技能培训项目；联合国科技促发展委员会（CSTD）也可以给发展中国家政策制定者提供培训，帮助各国找准适合自己的AI发展方向。
非洲、东盟、拉美地区出台区域性AI规划，重点提升民众数字素养、培养人才、建设算力基础设施。
各国之间可以开展政策交流、技术援助、共建联合实验室，重点保障妇女和弱势人群获得学习机会。
（三）建立伦理规范，守住AI安全底线
必须依靠伦理与问责机制（ethics and accountability），保障AI科研安全，尊重人权与社会价值。
目前已经出现不少国际准则，例如联合国教科文组织AI伦理建议书、经合组织（OECD）AI原则、欧盟AI法案（AI Act），部分规则已经具备法律约束力。各个地区也出台适配本地情况的指引，世界卫生组织（WHO）专门针对医疗大模型发布伦理规范。
但是，现阶段各类伦理准则还比较分散，落地执行力度不足。未来需要推动全球规则互相兼容，搭建多方参与的对话渠道，完善监督问责体系。
▍04 政策建议
（一）发展中国家行动建议
想要借助AI推动本国科技进步，发展中国家可以落实一系列实操举措。
第一，制定本国科技创新（STI）规划，把人工智能纳入其中，结合自身实力确定发展重点；
第二，善用监管沙盒等柔性工具，跟上技术迭代速度；
第三，更新知识产权法规，明确AI相关成果的专利申请要求；
第四，借助AI工具，基于真实数据开展政策研判；
第五，设立跨学科科研资助，建设AI研究机构，推动政府、企业、高校、社会多方协作；
第六，完善本土人才培养，扩大社会大众的参与；
第七，搭建贴合本国价值观的负责任AI制度；
第八，建设合规、内容多元的高质量数据集。
（二）国际社会政策建议
只有全球协同发力，AI的红利才能被更多国家共享。
第一，推广开放科学与开放创新，建设互通的科研基础设施，吸纳发展中国家科研人员参与；
第二，帮助发展中国家把开放科学融入本国创新规划；
第三，在国际贸易和知识产权框架下倡导开放许可，兑现技术转让的相关承诺；
第四，加大对发展中国家能力建设的帮扶；
第五，开展政策培训，提升各国决策者对新技术的预判能力；
第六，推动全球AI伦理标准协调统一，完善数据保护、算法透明相关保障，减少规则碎片化，真正让人工智能服务全人类的可持续发展。
— ༄ —
来源链接或主要参考资料：
https://unctad.org/publication/science-technology-and-innovation-age-ai感谢阅读，欢迎点赞、推荐、留言交流
⬇ 点击合集，可查看相关其他内容
— END —