AI 時代的生產力不是加總，而是四因子相乘

從「本地生產總值」到「本地 AI 賦能生產總值」

由此可提出一個假設：在 AI 時代，一個地區的整體 AI 賦能生產力（Gross AI-powered Productivity，簡稱GAP），可透過四個因子相乘進行衡量：GAP = L × C × M × I。Population AI Literacy (L) 是全民 AI 素養；Compute Capacity (C) 是屬地可用算力（以 PFLOPS 計）；Model Capability Rating (M) 是自主大模型的國際評級；Investment Commitment (I) 是公共與私營資本對 AI 的持續投資承諾。

國際現有同類指數

國際上現有的相關指標，例如國際貨幣基金組織的 AI Preparedness Index、Tortoise 的 Global AI Index，均採加權平均的加總結構，允許單項短板透過其他優勢項目彌補。此設計具統計便利性，但與真實情況存在偏差：若某地具備頂級算力與頂尖自主模型，但全民素養偏低，則會出現算力閒置、模型無人善用，實際生產力未能發揮的問題。相乘結構的優越之處在於：任一因子表現偏弱，整體水平就會隨之下降；唯有四項同步提升，方能釋放真正的乘數效應。

「跨國 / 跨區AI 互補關係」

延伸而言，兩個經濟體若要維持互補關係——無論是貿易往來、人才流動，或是跨境專業服務合作——這四因子的相對比例宜大致對齊。倘若 A 地的算力是 B 地十倍，但全民AI素養僅為B地的兩倍，則 A 地算力多半閒置、B 地全民AI素養素養多半無從發揮，所謂「AI 互補」，並非單一因子的對齊，而是四因子整體結構與比例的匹配。

全民 AI 素養

四因子之中，全民 AI 素養（L）是邊際投入產出比最高的優先項。其一，AI素養決定其他三個因子的吸收率。即便算力再強、模型再優、資金再充裕，若用戶不懂提問、不懂驗證、不懂迭代，投入皆會在應用環節嚴重損耗。其二，素養是唯一可實現人均普及、均勻提升的因子。算力與大模型多集中於少數機構手中，AI素養卻可普及至每位中學生、退休人士、中小企東主等各類群體。其三，AI素養是唯一無法從外地進口的因子。算力可租用、模型可調用、資金可引入，但全民AI素養，只能依靠由本地教育與終身學習體系自家培育。

因子失衡導致量級回報折讓

倘若四因子中的任何一項長期失衡，其他三項投入所帶來的的乘數效應也會遞減。以全民 AI 素養為例，系統性投資每推遲一年，現有算力、模型與資金投入回報，便會出現一個量級的折價。當然，上述四因子的構成與權重，仍待更多跨界研究與跨主權校準（cross-sovereignty alignment）共同驗證，方能演化為惠及各方的通用框架。

譚善恆　華坊諮詢評估董事、谷歌人工智能認證專業人員