2026年如何更好“统分结合”来因地制宜发展人工智能？

原则要求：因地制宜是人工智能发展的关键

（一）发展新质生产力的原则要求是因地制宜

因地制宜是 立足中国 经济客 观发展现状 ，统筹发 展特殊 性、自主性 与协调性 、平衡 性和灵活性 的内在要求 。在过去很长一段时间，发展不平衡、不充分是制约中国经济高质量发展的突出问题。 这一方面体现在城乡间发展存在较明显差距，另一方面也表现为大国经济体特有的不同区域间发展 基础等方面的显著差异。由于我国幅员辽阔、人口众多，各地发展基础、资源禀赋和发展能力明显 不同，发展的重点和难点也不尽相同。在此背景下，发展新质生产力在不同地区面临差异化要求， 因而客观上要求具体情况具体分析，因地制宜、因时制宜，找到和区域自身适配的发展模式。 立足“十五五”开局之年，未来五年将是中国基本实现社会主义现代化夯实基础、全面发力的 关键时期，在基本实现社会主义现代化进程中具有承前启后的重要地位。但与此同时，我国发展环 境面临深刻复杂变化，外部不确定难预料因素增多，大国博弈更加复杂激烈；内部新旧动能转换任 务艰巨，对经济高质量发展形成一定制约。因地制宜发展新质生产力有望成为引领中国经济对内实 现增长模式转型，对外对冲外部发展不确定性的关键抓手。

（二）人工智能是新质生产力的核心引擎与重要载体

新质生产力是创新起主导作用，摆脱传统经济增长方式、生产力发展路径，具有高科技、高效 能、高质量特征，符合新发展理念的先进生产力质态。它由 技术革命性突破、生产要素创 新性配置、 产业深度转 型升级而 催生， 以劳动者、 劳动资料 、劳动 对象及其优 化组合的 跃升为 基本内涵， 以全 要素生产率大幅提升为核心标志，特点是创新，关键在质优，本质是先进生产力。 人工智能作 为引领第 四次科 技革命的核 心驱动力 量，其 特征与新质 生产力高 度契合 。首先，人 工智能与催 生新质生 产力的 三大要素高 度契合。 一是技 术革命性突 破：一方面，人工智能作为新的 通用目的技术，其自身就是一场全球性技术变革，标志着人类社会从体力革命向智力革命的转变； 另一方面，人工智能正与其他前沿技术如大数据、区块链、量子科技等加速融合，并通过“人工智 能+科学技术”赋能各领域研发创新，进而在更广泛的范围内加速科技变革。二是生产要 素创新性配 置：数据、算力、算法作为人工智能基础三要素，已被广泛应用于生产生活之中。数据成为第五大 生产要素，算力被视为继热力、电力之后新的生产力，算法优化引发组织变革，进而影响要素的投 入与分配。三是产 业深度转 型升级：国务院于 2025 年 8 月正式印发《关于深入实施“人工智能+” 行动的意见》，推动人工智能与经济社会各行业各领域广泛深度融合。展望“十五五”时期，恰逢 我国人工智能产业化应用的黄金窗口，人工智能将加速向各应用场景渗透，赋能传统行业转型升级。

其次，人工 智能与新 质生产 力的基本内 涵紧密相 关，助 推劳动者、 劳动资料 、劳动 对象及其优 化组合的跃 升。一是 更高素 质的劳动者 是新质生 产力的 第一要素：人工智能既是高素质劳动者的需 求方，也是孕育和创造方，其高研发强度和创新密集性吸引了大量具备前沿技能的人才流入，并通 过“人机协同”深度赋能和培育更多高素质劳动者。二 是更高技术 含量的劳 动资料 是新质生产 力的 动力源泉：人工智能技术与先进制造、新材料等融合应用，孕育出一大批更智能、更高效、更安全 的新型生产工具，极大拓展了生产空间。例如工业互联网、工业软件等非实体形态生产工具的广泛 应用，促进制造流程智能化，推动生产力跃上新台阶。三是更广范 围的劳动 对象是 新质生产力 的物 质基础：得益于科技创新持续加速，人工智能时代劳动对象的种类和形态大大拓展。人类不断创造 新的物质资料并转化为劳动对象，例如数据作为新型生产要素成为重要劳动对象，既直接创造社会 价值，又通过与其他生产要素的结合、融合进一步放大价值创造效应。 最终，发展 人工智能 有助于 提升全要素 生产率， 摆脱传 统经济增长 方式和生 产力发 展路径，成 为培育和发 展新质生 产力的 核心引擎与 重要载体 。从生产要素的视角对其进行拆解，可以看出人工 智能技术正在重构生产函数，不仅通过资本深化、劳动升级与知识溢出改变生产方式与生产关系， 更是作为通用目的技术全面渗透传统产业，大幅提升全要素生产率。

（三）发展人工智能更要突出因地制宜原则

伴随顶层政策推进，地 方层面 积极响应，密集出台人 工智能 发展政策。从地方出台政策数量看， 自 2017 年《新一代人工智能发展规划》明确“三步走”发展战略以来，地方出台促进人工智能发展 的政策明显增加。2024 年以来，伴随中央政策推进“AI+”的全面赋能，地方出台的政策数量进一 步明显增长，2024 年突破 100 件，2025 年更是高达 174 件，同比增幅 56.8%。从地域分布差异看， 以近三年出台的人工智能相关政策为例，北京、上海在全国的占比超 10%，显示出两地对人工智能 发展的高度重视；此外，福建、广东、河南、广西、山东等地也彰显出对人工智能产业发展的高度 重视。

作为新质生产力的 核心引擎，人工智能领域同样 强调因地 制宜。国家发展改革委在 2024 年 8 月 29 日的新闻发布会上指出，推动“人工智能+”要立足区位与资源、明确发展重点，形成互有优势、 各具特色的发展态势，防止无序竞争和一哄而上。从地方“十五五”规划建议来看，各地不仅强调 人工智能产业的重要性，更是在部署本地人工智能发展重点时考虑了自身产业发展条件，体现出因 地制宜发展人工智能产业的原则。例如，广东提出立足制造业基础推动智能化转型，重点发展“人 工智能+机器人”；贵州则要依托“东数西算”工程，以智算为核心发展算力产业。

量化评估：31 省市人工智能发展基础

（一）三维指标体系构建：基础层、技术层、应用层

为了科学评估各地区发展人工智能的潜力与定位，需要构建一套多维度、可量化的指标体系。 该体系应全面涵盖人工智能发展的基础支撑、技术能力与应用生态三大维度，从而为区域发展方向 提供实证依据。基于这一目标，本文构建了一套“人工智能发展潜力评价体系”。

1.基础层衡量指标

人工智能产 业链上游 为基础 层，主要包 括数据平 台和算 力支持。本 文构建的 基础层 指标主要用 于识别各地 区在算力 基础设 施上的资源 禀赋与长 期要素 成本，这些 因素短期 内难以 通过政策快 速改 变，因而成 为一个地 区的先 天比较优势 。首先， 算力基 础设施建设 与当地的 能源供 给密切相关 ，本 文以“清洁电力规模”和“平均电价”为核心衡量。清洁电力规模决定能否支撑大规模、持续运行 的算力集群；平均电价则直接影响企业运营成本，电费在算力中心总成本中占比较高，因而是重要 的竞争性指标。其次 ，部署 算力中心需 重点考虑 当地的 建设与运营 成本，本文以“工业仓储用地成 交均价”和“城镇私营单位就业人员平均工资”衡量。前者反映数据中心的土地获取成本，后者则 反映数据中心运维过程中的人力成本，二者共同决定算力基础设施的建设成本和长期运营负担。

我国各省市在能源 结构、资源 禀赋与土地供给等方面差异 显著。例如，在可再生能源装机规模、 发电稳定性以及上网电价机制等方面存在较大分化，导致不同地区绿电供给能力与成本水平呈现明 显梯度，这种差异直接影响算力基础设施的选址逻辑与长期运营可持续性。因此，基础层布局与建 设需坚持因地制宜原则，结合各地能源结构、土地成本与劳动力条件，科学研判人工智能基础设施 的空间配置路径，避免简单复制或行政性推动，实现算力资源与能源禀赋的有效匹配。

2.技术层衡量指标

人工智能产业链中 游为技术 层，包括算法 模型、AI 软 件 框架、通用技 术等，是连接基 础层与应 用层的桥梁。作为战略 新兴产 业之一，人工智能产业 是技术 密集型产业，象征着前 沿科技 发展方向。 因此，本文 选取的技 术层指 标是对各地 区科技研 发能力 与潜力的衡 量。一是 区域当 前技术水平 ，以“信息科技就业人数”和“AI 专利数量”为主要指标，前者表示数字技术人才规模，是技术吸收与 应用的基础；后者反映创新产出与知识储备。二 是区域未来 技术发展潜力，以“研发经费投入占比” 和“科研人员数量”衡量，研发经费显示对科技创新的资源投入强度，科研人员数量代表执行前沿 研究和攻关的能力，两者共同决定长期创新动力。 我国各省市 信息技术 产业的 发展阶段、 产业集聚 程度与 创新生态环 境存在明 显分化 ，从业人员 规模、研发 能力与专 利产出 水平均呈现 较大梯度 。一些地区已形成较为完善的数字产业体系和创新 网络，具备持续技术迭代能力；而另一些地区仍处于培育阶段，技术基础相对薄弱。上述差异决定 了各地在算法研发、模型训练与软件生态构建方面的承载能力并不相同。因此，人工智能技术层的 布局有必要立足本地产业基础与人才结构，明确差异化发展路径，避免在尚不具备条件的地区简单 复制高端研发模式。

3.应用层衡量指标

人工智能产 业链下游 为应用 层，是人工 智能技术 在各不 同场景下的 商业化应 用。人 工智能应用 落地主 要取 决于 两个方 面， 首先是 “技 术—产业 ”转化 路径是 否畅 通， 我们认 为， 从实验 室中 的技 术到产业规模化应用，离不开金融的支持与培育；其次是应用空间是否广阔，即当地是否对 AI 产 业有足够大的需求。据此构建应用层衡量指标：一是产业融资支持，用“2022–2024 年人工智能企 业投融资事件数量与总额”以及“信息技术类上市公司数量与规模”来衡量，前者反映早期资本活 力，后者显示当地科技企业的规模化成长与公开市场认可度。二是 应用市场 空间，以“当地企业数 量”“人口总量”和“人均 GDP”评估，企业数量代表产业客户基础，人口规模和人均 GDP 则反 映消费端用户需求及数据生产能力，这两项共同影响技术落地和数据资源可得性。 当前我国不 同地区企 业数量 、产业结构 、人口规 模及收 入水平存在 显著分化 ，由此 形成的市场 容量、数字 化需求强 度与场 景丰富度并 不一致。部分地区产业门类齐全、企业主体众多，具备较强 的场景生成能力和数据沉淀能力；而人口规模较小或产业结构单一的地区，则在应用推广节奏和商 业化深度上面临一定约束。因此，应用层的发展同样需结合本地产业特色与人口结构，而非简单追 求所有应用类型的全面铺开。

基于上述指标选取逻辑，我们从基础层、技术层、应用层三维度出发，共筛选出 6 个二级指标、 15 个三级指标，并通过“熵值法”确定各指标权重，进而合成人工智能发展潜力总体评价指标。

（二）AI 产业区域发展潜力结果展示：东强西弱，三大层面差异显著

在完成“人工智能发展潜力评价体系”的基础上，本文运用上述指标体系，对各地区进行实证 评估与结果解析，通过对各项核心指标数据的系统测算与比较分析，旨在识别不同地区在人工智能 发展过程中的相对优势、结构性短板及潜在突破口，为形成差异化、精准化的政策建议提供依据。 31 省市在基础层、技术层、应用层的得分如下。总体来看，我国人工智能产业区域发展潜力呈 现出明显的梯度分化特征，形成了“东强西弱”的基本格局。东部沿海地区在核心技术与应用落地 方面优势突出，中西部地区则更多依托资源禀赋和基础条件具备一定发展潜力。

人工智能的发展潜力受到各地资源禀赋、产业基础、创新环境、人才结构及市场需求等多种因 素的综合影响，各地区在这些因素上的禀赋组合各不相同，导致其最适宜的发展路径和优先突破方 向存在明显区别。因此，人 工智能的发 展不能采 取统一 的全国性模 式，而应 坚持因 地制宜的原 则， 根据各地区 的比较优 势和发 展条件，科 学选择符 合本地 实际情况的 重点方向 与推进 策略，从而有效 激发各地内在潜力，形成全国人工智能协同发展、优势互补的良好格局。

（三）基础层：能源结构与数据中心成本为主要制约因素

量化评估结果显示，我国 AI 基础资源在全国范围内分布不均，具备明显的地域差异化特色。从 基础层综合得分来看，可将 31 省市划分为三个梯队。第一 梯队：云南和四川，两地基础层得分显著 高于全国平均水平。第二梯 队 ：内蒙古 、新疆 、甘肃 、湖北 等全国 27 个省市 ，梯队内部各省份得分 差异较小。第三梯队 ：上海 和北京，两地得分较其他地区差异悬殊。总体来说，得分较高的地区通 常在土地、人力成本和绿色电力供给等方面具备综合优势，这与国家“东数西算”工程中西部枢纽节点的布局思路基本一致。相对而言，基础层条件较弱的地区，更适合将重点放在技术研发、算法 创新和应用场景拓展等对土地和能源依赖较低的环节。

进一步地，在 AI 产业链基础层内部，决定算力基础设施建设的影响因素也并非单一。本文根据 两大重点要素“电力基础”与“土地人力成本”，进一步将 31 省市划分至四个象限。 位于第一象 限的云南 和四川 ，在能源供 给与成本 两方面 均优势突出 。两省的核心竞争力来自于 电力基础与土地、人力成本的叠加优势。西南地区水电资源丰富、清洁电力供给规模大且稳定，能 够支持长时间、大规模运行的绿色算力集群；同时，工业仓储用地均价和城镇私营单位平均工资处 于全国较低水平，低廉的土地与人力成本与电力条件形成互补，构成稳固的基础层发展条件。 位于第二象 限的各省 市总体 来说具备一 定发展空 间，但 各自的资源 禀赋有所 不同。其中，内蒙 古、新疆、湖北等处于相对较优位置。内蒙古拥有规模化的风光新能源供给和低廉的土地及人力成 本；新疆土地广、人力成本低，风光等清洁能源潜力大；湖北依托三峡等水电资源，绿色电力供给 规模可观，电价处于中等偏低水平。上述省份应继续发挥清洁能源和低成本要素优势，重点发展大 规模绿色数据中心集群，适合建设区域性能源—算力一体化节点，推进“源网荷储”协同，并通过 跨区域电力协调与土地集约利用等机制扩大绿色算力有效供给。 此外，黑龙江、吉林、河南、山东等省份在土地与人力成本方面具有比较优势。但受制于电力 基础的结构性短板，绿色电力供给能力不足且电价竞争力有限，在“双碳”目标下存在一定的合规 风险，难以支撑高耗能、规模化算力设施的长期运行。这些地区更适合部署轻量化或边缘化的人工 智能基础设施，如边缘计算节点、区域级数据分中心和智能算力调度中心，避免盲目追求重资产、 大规模算力集群。 位于第三象 限的上海 和北京 ，在能源与 成本方面 均劣势 较为明显。北上两地工业用地与人力成 本高，本地绿色电力供给有限且高度依赖外输，电力与土地人力两大基础维度均无优势。此类超大 城市不宜布局高耗能、重资产的算力基础设施，而应依托发达的经济和创新资源，聚焦核心技术研 发、大模型开发、高端应用场景与算力服务贸易枢纽建设，或通过高效的跨区域算力调度与协作， 整合外部低成本绿色算力资源。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）