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上指出，人工智能是世界经济增长的新引擎和新旧动能转换的加速器，正从“数字世界”走向“物理世界”。这一论断既阐明了人工智能之于世界经济的意义，也点出了这项技术当前所处的发展阶段与共识。回顾过去一年，人工智能产品的用户规模在全球迅速扩大，日益普惠可及；其应用由生成数字内容转向参与实际生产，与实体经济的融合不断加深；竞争的重心也随之从数字世界的算力与语言模型的性能，转向物理世界的海量数据和真实场景。

　　人工智能正在走向普惠可及 

　　以大语言模型为代表的人工智能产品，正在以罕见的速度发展壮大。2026年初，ChatGPT的周活跃用户已达到9亿，年增长率超过100%。QuestMobile发布的数据亦显示，截至2026年一季度，豆包、千问、深度求索（DeepSeek）的原生应用在国内的月活跃用户数分别达到3.4亿、1.7亿和1.3亿，用户规模与使用黏性同步上升。人工智能产品的发展速度超过了此前任何一代互联网产品。

　　用户高速增长的基础，是使用成本的急剧下降。斯坦福大学《2025年人工智能指数报告》测算，达到同等推理水平的模型，调用成本在两年间下降至原来的1/280，开源模型与闭源模型的性能差距也缩小到很小的范围。价格的大幅走低，使个人开发者和中小企业都能负担起先进模型的调用费用，用户基数因此持续扩大。成本下降与用户增长相互促进，推动人工智能成为大众可及的日常服务。

　　大语言模型的普及，也在改变经济活动的计量和交易方式，“词元经济”日益流行。词元是模型处理文本的最小单位，词元的生产和消耗数量被用来衡量智能服务的规模，围绕词元的定价和交易也逐渐成形。应当看到，词元只是Transformer架构与分词机制结合产生的技术副产品，是大语言模型特有的概念。大模型的计费范式本身也在演化，按结果、按任务、按智能体席位收费的模式已经出现，而世界模型、具身智能等新方向并不天然以离散词元作为计量和计费单位。因此，词元经济的意义不在词元本身，而在于它反映了一种新的经济形态的兴起，即智能第一次成为可以计量、定价和交易的商品，如同电力以千瓦时为单位进入市场。计量单位可能更替，但智能的商品化进程已难以逆转。

　　普及的广度与应用的深度之间仍有明显距离。据麦肯锡2025年发布的全球调查，多数受访企业已在至少一项业务职能中使用人工智能，但真正实现规模化应用的仍是少数。实践中，不少企业部署了大量人工智能应用，经营业绩却没有明显改善。人工智能的普及主要发生在个人使用和辅助办公层面，真正进入企业生产经营环节、转化为生产率提升的，仍处于起步阶段。

　　人工智能与实体经济持续融合

　　人工智能能否从广泛使用走向深度应用，取决于它能否完成从信息工具到生产工具的转变。此前的人工智能主要用于检索信息、推荐内容和识别图像，服务于信息的获取和流转。生成式技术出现后，模型能够直接产出文本、代码和设计方案，第一次具备了承担生产任务的能力。不过，这种能力目前主要在数字内容领域得到发挥，而大量企业的核心业务在车间、工地和田间，不在文字之中。要真正参与生产，人工智能必须走出数字世界，进入物理世界。

　　技术演进的内在逻辑也指向同一方向。互联网上可供训练的文本数据接近用尽，沿用原有办法继续提升模型能力越来越难。图灵奖得主理查德·萨顿据此提出，依赖人类既有知识训练机器的路径已近极限，人工智能今后要从与真实环境的持续交互中学习，进入他所称的经验时代。萨顿同时提醒，当前人工智能的真实状态是弱小而不可靠，与公众想象中的强大形象存在不小落差，而弥合落差的出路，同样在于让人工智能接受真实环境的洗礼。

　　面向物理世界的技术准备已明显加速，集中体现在世界模型和具身智能两个方向上，前者让机器理解物理世界，后者让机器在物理世界中行动。世界模型的核心特征是预测，即根据环境的当前状态和将要采取的动作，推断下一刻会发生什么。纽约大学学者谢赛宁在一项访谈中提到，大语言模型只是预测下一个词的单词模型，而不是理解世界的世界模型，因为无法预见自身行为的后果，所以难以控制、不够可靠；具备世界模型的系统则有望在行动之前预见后果，主动避开危险和错误。值得注意的是，预测和判断只有落实为动作才能参与生产，这就需要为智能配上感知和行动的躯体，具身智能所探索的正是这一方向。在部分工业场景中，机器人作业的可靠性已接近商业使用的要求，人工智能开始进入生产实践，承担实际的操作性工作。

　　竞争重心从算力转向数据和场景

　　当模型能力可以通过开源或低价接口获得，数据和场景就成为更稀缺的资源。物理世界的交互数据无法从网上抓取，只能在真实的生产活动中逐步积累，获取成本远高于文本数据，机器人行业由此形成一种流行的判断，即模型决定起点，数据决定终点。自动驾驶的发展轨迹可以佐证这一判断，各家企业起步时采用的算法大同小异，真正拉开差距的是路测里程和真实路况数据的积累。各类人工智能产品的企业应用，也遵循同样的逻辑。企业的经营存在于内部流程和员工经验之中，公开语料难以企及，模型要真正为企业所用，前提是企业能用好自己的数据。

　　在数据和场景的竞争中，中国的优势逐步释放。中国是唯一拥有联合国产业分类中全部工业门类的国家，制造业增加值约占全球三成，几乎每一类生产场景都能在国内找到，从港口调度、矿山作业到电网巡检，智能化改造已在多个行业铺开，人工智能落地时可供选择的试验场也最多。据国际机器人联合会统计，全球每年新安装的工业机器人约有一半在中国，机器人保有量的领先，使中国成为物理交互数据积累最快的市场。超大规模的国内市场则让新应用能够迅速获得用户、摊薄研发成本。美国美中经济与安全审查委员会提出，中美已选择两种不同的发展范式。美国把资源集中于算力扩张和前沿模型训练，中国则以开源和成本优势推动模型广泛部署，依靠部署中产生的数据持续迭代。当竞争的重心移向数据和场景，后一种范式的优势正在显现。

　　把这些优势充分发挥出来，还需要补齐数据制度的短板。中国的制度探索走在前列，较早将数据列为同土地、劳动力、资本、技术并列的生产要素，2024年起企业还可以把数据资源计入资产负债表。但在实际运行中，生产场景中的数据仍分散在不同行业和企业手中，确权、流通和安全管理的规则尚不健全，大量数据处于未开发状态，公共数据开放和行业数据互通也刚刚起步。与数据相配套的还有场景的开放，新技术要有地方试验、有条件迭代，需要政府和企业通力合作，共同建立让数据更规范流动、场景更有序开放的制度安排。　

　　（作者系中国社会科学院数量经济与技术经济研究所副研究员）