Microsoft AI 扩散报告显示采用率上升，但地区差距扩大
Microsoft 最新的 AI 扩散报告显示，全球使用率达到 18.8%，但全球北方与全球南方之间的差距仍在扩大。2026 年第二季度，几乎所有被测经济体的用户数量都有所增长。然而，原本就具备更好连接条件、更加富裕的市场采用速度更快。
这一结果令“生成式 AI 正以相同速度在全球普及”的常见说法变得更复杂。全球采用率确实在提高，但基础设施、网络连接、数字技能以及本地实用模型的可得性，仍决定着谁能最先受益。
这种张力的意义不止于各国排名。各国政府正将 AI 可及性视为经济优先事项，企业也在从聊天机器人试验转向日常工作流。Microsoft、OpenAI、Google、Meta 以及日益壮大的开放模型开发者群体，正在竞相满足这一需求。
Microsoft AI 扩散报告发现，几乎所有地区都在增长
总体趋势是广泛增长，但更关键的发展在于：这些增长集中发生在哪里。
Microsoft 于 9 月 21 日发布了 2026 年第二季度的 AI diffusion report。报告估计，在统计期间，全球劳动年龄人口中有 18.8% 使用过生成式 AI 产品。
这一比例高于第一季度的 17.8%，也高于 2025 年下半年的 16.3%。数据集中几乎所有经济体都有增长，表明生成式 AI 已不再局限于少数早期采用市场。
Microsoft 将 AI 扩散定义为：在一个报告期内使用过生成式 AI 产品的 15 至 64 岁人群占比。其估算基于汇总且匿名化的 Microsoft 遥测数据。
该公司会根据操作系统和设备市场份额、互联网普及率以及各国人口对这些观察结果进行调整。所得指标称为 AI User Share，是一种经过人口标准化处理、用于跨国比较的估算值。
这与衡量企业 AI 采购、数据中心容量或本地开发模型数量并不相同。它试图衡量劳动年龄人群对产品的实际使用情况。
阿拉伯联合酋长国继续位居首位，估计 AI 使用率为 73.3%。新加坡以 64.3% 紧随其后，爱尔兰达到 49.9%，法国达到 49.6%，挪威达到 49.4%。
这些数字表明，模型开发本身并不决定采用率。阿联酋和新加坡都没有像美国或中国那样集中分布的前沿模型实验室，但两国仍凭借网络连接、数字服务、政府协调和国际化劳动力实现了较高使用率。
韩国在领先经济体中录得最大的季度绝对增幅。其 AI User Share 上升 3.5 个百分点至 40.6%，排名从第十六位升至第十二位。
这延续了更长期的加速趋势。Microsoft 表示，韩国在此前 12 个月内增加了近 15 个百分点，是连续三个报告期内主要经济体中增幅最大的国家。
沙特阿拉伯的排名提升幅度最大。其用户占比从 29.4% 升至 31.4%，帮助该国上升五位并进入前 25 名。
日本录得最大的相对增幅。其使用率从第一季度的 22.5% 增至第二季度的 24.7%，相较此前水平增长约 10%。
美国的使用率从 31.3% 升至 33%，但排名仍为第二十一位。这一位置凸显了开发 AI 系统与将其扩散至整体人口之间的差别。
这项 country-level methodology 最初覆盖 147 个经济体，发现 AI 使用率与国民收入之间存在强相关性。底层研究报告称，AI User Share 与人均国内生产总值之间的 Spearman 相关系数为 0.83。
相关性并不能证明财富会直接导致 AI 采用。不过，这种关系与报告中呈现的基础设施模式相吻合。电力、互联网接入、合适的设备、技能以及可负担的服务，都会影响人们能否经常使用生成式 AI。
因此，新数据同时描述了两种发展：AI 正触达更多人，但数字基础更强的市场仍能更快地将新产品转化为日常使用。
全球 AI 采用差距仍在扩大
全球增长并未弥合鸿沟，因为全球北方持续以更快速度增加用户。
第二季度，全球北方的 AI 使用率达到 28.8%，高于此前的 27.5%。全球南方达到 16.2%，高于此前的 15.4%。
两组都在增长，但增幅不同。北方增加了 1.3 个百分点，南方则增加了 0.8 个百分点。
由此产生的差距在本季度从 12.1 个百分点扩大至 12.6 个百分点。2025 年下半年时，这一差距为 10.6 个百分点。
这种走向比某一个季度的全球平均值更具影响。如果更强势的市场持续以更快速度增长，与 AI 使用相关的经济和教育优势可能会在较慢市场建立起相近访问条件之前不断累积。
基础设施是解释的一部分。AI 产品通常需要可靠的电力、互联网连接、兼容设备和可负担的数据服务。即使模型可以在线访问，对于面临服务不稳定或连接成本高昂的人而言，也未必具备实际可用性。
语言是另一项限制。许多广泛使用的系统在拥有大量数字文本、评测数据和商业需求的语言中表现最佳。使用低资源语言的用户可能会遇到回答较弱、界面受限或本地相关工具较少等问题。
数字技能构成第三道障碍。打开聊天机器人很简单，但高效使用往往要求用户能够判断来源、保护敏感信息、组织请求，并将输出连接到实际工作中。
组织同样面临相关挑战。企业需要具备合适的数据、治理机制、员工培训和明确工作流，才能将偶尔的试验转变为可靠运营。
这正是为什么不能仅从产品是否可用来推断采用情况。免费网页界面的存在，并不能消除网络连接、设备、培训、验证和集成等更广泛成本。
全球南北方分类也需要谨慎看待。它们将收入水平、人口结构、语言、政治体制和技术市场差异显著的国家归入同一类别。
例如，阿联酋和新加坡在整体排名中位居前列，尽管它们在广泛的地理讨论中常被划入全球南方。其结果提醒人们，不能把数十亿人口视为单一技术市场。
就这一鸿沟接受采访的研究人员也质疑，这一标签是否会助长过于笼统的假设。一个有用的区域平均值可以揭示不平等，却仍可能掩盖各组内部的差异。
同样的问题也出现在富裕国家内部。Microsoft 针对美国的独立研究发现，城市与农村社区之间存在显著差异。全国平均值可能掩盖与教育、宽带接入、就业和当地产业有关的鸿沟。
这使全球差距成为一个分配问题，而不是两个固定阵营之间的简单竞赛。核心问题在于，每个国家的人们是否能够将可用 AI 转化为有价值、可重复的活动。
Microsoft 早期研究提供了一项重要线索。在互联网普及率较低的国家，已连接人群中的采用率通常远高于全体劳动年龄人口中的采用率。
这项技术研究发现，赞比亚的 AI User Share 从占总人口的 12% 升至联网人群中的 34%。巴基斯坦的估计值在以互联网用户为基准衡量时，则从 10% 增至 33%。
这些比较并不能证明仅靠网络连接就能消除差距。但它们确实显示，能够上网的人群中存在显著的潜在需求。
报告的核心反转正源于这一证据。较低的全国采用率并不一定意味着人们对 AI 缺乏兴趣；它可能反映的是缺少将兴趣转化为实际使用所需的条件。
各国 AI 采用情况也揭示了不同用途
这种差距不仅关乎有多少人使用 AI，也关乎早期采用者让它完成什么任务。
Microsoft 使用一种保护隐私的分类器，分析了部分消费者 Copilot 对话。该分类器会根据主要意图对对话分组，例如学习、写作、编程、搜索或购物。
分析发现，与全球整体构成相比，全球南方的自主学习和技能发展对话占比高出 29.2%。学校作业和学术支持的占比则高出 32.3%。
创作和编辑任务也更为常见，其中包括涉及文本、代码和图像的工作。
全球北方则更偏向购物、产品研究、信息检索和反馈。这些是相对占比，而非对话总量的直接衡量。
教育模式为采用率差距提供了一种反向观察角度。较少连接市场中已经使用生成式 AI 的人，似乎尤其关注知识与技能发展。
这一差别对学校、政府和产品团队具有重要意义。一个整体普及率较低的市场，仍可能对辅导、翻译、写作辅助和技术学习具有强劲需求。
这一模式也对知识工作者具有启示。有效的 AI 采用很少止于生成一个答案。人们需要将回答与可靠文档、既往决策和特定领域背景联系起来。
可检索的 个人知识库 能帮助用户保留这些背景信息。然而，软件无法替代网络连接、来源评估或本地语言支持。
Microsoft 警告，不应将其对话发现外推到更广泛的人群。数据描述的是使用消费者 Copilot 的早期采用者，而非全球南方的每一个人。
人口结构也可能影响结果。全球南方人口更年轻，这可能提高学校作业和技能培训的相对重要性。
该数据集并未揭示用户为何选择特定任务。较高的学习占比可能反映未被满足的教育需求、较年轻的用户、就业市场压力，或其他数字服务的缺失。
对话类别也不能衡量学习质量。学生可以使用 AI 理解概念、起草作业，或获得不可靠的答案。分类记录的是意图，而非教育结果。
即使存在这些限制，这一比较仍挑战了对采用情况的狭隘理解。用户较少的市场并不只是富裕市场的滞后版本。
它们的使用场景可能围绕不同需求发展。教育、多语言访问、公共服务和小企业支持的重要性，可能高于购物或工作场所软件。
这迫使模型提供商围绕相关性展开竞争，而不只是比拼基准性能。一个能够处理本地语言、课程体系、法律和文化背景的系统，可能比区域适配有限但总体能力更强的通用模型更有价值。
这也改变了政策问题。在不提升信息质量和用户技能的情况下扩大 AI 采用，传播不可靠帮助的速度可能与传播有用工具一样快。
因此，机遇与责任紧密相连。教育需求可以支持更广泛的可及性，但也会引发关于准确性、隐私、学术诚信以及适龄设计的问题。
开放权重模型或可降低一道门槛，但无法消除所有障碍
开放权重模型可以提升可负担性和本地适配能力，但无法提供电力、网络连接或经过培训的用户。
开放权重模型会发布其在训练过程中学习到的数值参数。开发者可以下载、修改和部署这些权重，但训练数据和开发代码可能仍未公开。
这种区别很重要，因为开放权重并不总是意味着完全开源。尽管如此，获得模型权重仍能让组织拥有比仅通过专有服务可用的系统更大的控制权。
Microsoft 认为，这类模型正成为推动全球 AI 扩散的重要路径。组织无需从零训练前沿模型，便可将其适配于本地语言和专业领域。
它们还允许开发者在托管服务商之间进行选择，或在自己的基础设施上运行模型。这种灵活性可以降低对单一供应商的依赖，并支持对数据要求更严格的部署。
通过消费者聊天机器人的流量，很难统计开放权重模型的使用情况。人们可能在应用程序、编程代理、公共服务或企业系统中接触到这些模型，却不知道输出由哪种模型生成。
自托管部署形成了另一个盲区，因为其流量可能永远不会到达集中式服务商。因此，Microsoft 将应用程序编程接口活动作为补充信号加以研究。
该报告引用了 OpenRouter——一项将开发者请求路由至众多开放及专有模型的服务。Microsoft 表示，其对公开数据的分析发现，开放权重系统处理了该平台 75% 的 token 用量。
这一数字颇为醒目，但并不代表全球市场份额。OpenRouter 吸引的是特别愿意比较服务商并切换模型的开发者。它也不包括专有系统的大量直接使用，以及私有托管开放模型的使用情况。
早前覆盖逾 100 万亿 token 的 OpenRouter 分析显示，到 2025 年末，开放权重系统约占总量的三分之一。据报道，DeepSeek、Kimi、Qwen 和 OpenAI 的发布带来了使用增长，且这种增长在发布期结束后仍在延续。
这种持续性很重要，因为发布期间的流量可能反映的是好奇心，而非可靠的采用。持续的 token 量更有力地证明，开发者正将这些模型置于重复性工作流中。
开放权重系统也缩小了与专有模型之间的部分能力差距。报告称，领先的开放发布版本通常能在数月内接近封闭前沿模型的水平，不过不同任务上的表现仍有差异。
这一趋势推动了模型路由。应用程序可以为高难度请求保留高能力专有系统，同时将常规工作交给成本较低的开放模型。
对于处理大量工作负载的组织而言，这种选择会影响 AI 服务能否保持经济可行。代理可能反复调用模型，因此推理效率比单次令人印象深刻的回答更重要。
这一影响在低收入市场尤其相关。大学、非营利组织、政府和本地企业可以适配现有模型，而不必为原创的前沿规模系统提供资金。
Microsoft 将其 Bring Your Own Language 研究列为一个例子。该项目通过数据优化和模型适配，使 Chichewa 和 Māori 在一组基准测试中的平均表现提升约 12%。
这一结果并不意味着每种低资源语言都能获得同等幅度的提升。它说明了可编辑权重与精心准备的本地数据为何重要。
DeepSeek 更早提供了一个可及性影响采用的例子。根据有关 Microsoft 先前发现的报道，其 R1 发布帮助提升了中国的使用量，并吸引了发展中市场的用户。
发展中市场的反应显示，一种广泛可用的模型如何能够改变 American 平台服务覆盖较少市场之外的采用情况。
然而，开放模型无法消除报告指出的基础性瓶颈。可下载的模型仍需要硬件、电力、技术人员、安全控制措施，以及人们能够访问的应用程序。
本地适配同样需要合适的数据。数字化文本有限的社区，可能最需要语言支持，却也最缺乏可用于训练或评估的材料。
因此，开放权重只解决了这个故事中主要对立的一部分：普惠 AI 可及性的承诺，与实际使用条件不均衡之间的矛盾。
它们可以降低模型层面的成本，并提高本地相关性。但它们无法独立弥合由基础设施、技能、机构和收入造成的鸿沟。
Microsoft 的衡量方法存在一个重要盲区
这些数字提供了有用的方向性基准，但并不代表对全球 AI 活动的完整普查。
Microsoft 承认，没有任何单一指标能够完整衡量 AI 采用。其遥测数据提供了及时的行为证据，但自然会反映 Microsoft 可见的产品、设备和流量。
该公司针对操作系统、设备可及性、互联网普及率和人口差异进行了调整。这些校正使比较更有意义，但统计调整无法观察到每一种 AI 服务。
这一问题在中国尤其明显。中国公司的国内应用可以吸引大量使用，却未必会按比例出现在 Microsoft 当前的产品覆盖范围内。
Microsoft 表示，其下一份报告将扩大纳入衡量的 AI 工具清单。该公司预计，这一变化将提高几乎所有经济体的采用估计值，对中国的影响尤为显著。
这一未来修订主要反映的是对现有使用情况更好的衡量，而非采用突然激增。因此，读者不应将下一次增长完全视为自然增长。
可用应用程序的数量也在快速上升。托管可运行 AI 演示和应用程序的 Hugging Face Spaces，从 2023 年末约 124,000 个增长至 2026 年 9 月的 146 万个。
Microsoft 估计，自其在 2025 年末发布首份扩散报告以来，总数已增加约 83%。这些 Spaces 的范围从个人实验到更偏向生产环境的项目。
它们不应被计为 146 万种独立的商业产品。但其增长仍说明，固定的受监测工具清单会随着时间推移而变得更缺乏代表性。
公开报告存储库明确列出了其他局限性。AI User Share 衡量的是使用情况，而非能力、生产率、安全性或经济影响。
短暂测试聊天机器人的人，与每天使用多种模型的专业人士，都可能被计为用户。他们所面临的经济影响和获得的实际收益可能完全不同。
该指标也无法证明 AI 能够改善工作。使用行为可能包括高效辅助、低质量输出、娱乐、课业、实验，或嵌入另一项服务的自动化活动。
Microsoft 在扩大 AI 采用方面具有商业利益。该公司销售云基础设施、模型访问、生产力软件和消费者 AI 服务。
这一利益关系并不使研究失效，尤其是该公司公开了方法论和可下载数据。但它确实使独立比较变得重要。
调查、API 流量、工作场所研究、下载数据和国家统计数据，都可以检验这一图景的不同部分。任何一种方法单独来看都无法提供完整视角。
区域标签带来了另一项衡量挑战。全球北方和全球南方是分析分组，并非统一的经济或政治单元。
平均值可以揭示获取机会并不平等，却可能掩盖领先市场、脆弱地区，以及国家内部的巨大差异。报道应同时呈现这两个层面。
最公平的解读是，Microsoft 提供了一个覆盖广泛且频繁更新的信号。它更适合用于比较趋势和相对采用程度，而非宣称精确统计每一位 AI 用户。
在这一框架内，鸿沟扩大的发现依然具有意义。同一方法论显示，两个区域都在增长，而北方在连续报告期中进展更快。
不过，计划中的覆盖范围扩展可能改变国家排名和区域估计。下一组数据既将是一次方法论检验，也是一次采用情况更新。
三个信号将显示鸿沟是否开始缩小
下一阶段取决于更广泛的衡量、更低成本的模型访问和基础设施是否开始朝同一方向发展。
第一个信号是 Microsoft 扩大的工具覆盖范围。下一份报告应显示当前方法遗漏了多少使用情况，尤其是在中国及由本土应用主导的市场。
大幅向上修订将削弱基于当前排名的国家比较。它未必会消除南北鸿沟，但可能表明，这种差距有一部分源于可见性而非行为。
小幅修订则会强化当前解读。这将表明，即使有更多产品被纳入衡量，不平等的基础设施和可及性仍是主要解释因素。
读者应将方法论修订与季度之间的增长区分开来。Microsoft 已警告，更广泛的覆盖将捕捉到如今已经存在的活动。
第二个信号是开发者路由平台之外持续的开放权重使用。OpenRouter 的 token 构成指向快速采用，但其用户并不能代表整个市场。
来自云服务商、企业部署、大学和公共部门服务的证据，将显示开放模型是否正在成为持久的基础设施。本地化应用程序的增长尤其值得关注。
最有力的证据将把模型可用性与低采用市场中的新用户或更优服务联系起来。仅凭 token 量无法显示，收益是否正在惠及此前缺乏访问条件的人群。
逆转同样具有参考价值。如果开放模型的使用集中在富裕市场中资金充足的开发者手里，改善后的模型经济性可能会巩固既有优势，而不是缩小鸿沟。
第三个信号是网络连接和实用技能的进展。国际电信联盟维护的互联网接入数据为任何采用排名提供了必要背景。
应关注人口层面 AI 使用率较低的国家，是否缩小了总体采用率与联网用户采用率之间的差距。这将表明，访问计划正触及已联网少数群体以外的人群。
技能项目同样需要严格审视。入学总人数是较弱的证据；持续使用、完成培训、工作场所应用或可衡量的教育成果更具说服力。
对于企业采购方而言，该报告提出了一个直接警告：全球 AI 战略不能假定每个市场都拥有相同的基础设施、语言支持或员工准备程度。
对开发者而言，本地化并非次要功能。它可能决定一个在基准测试中表现出色的模型，能否真正应用于课堂、诊所、政府办公室或小型企业。
对知识工作者而言，采用率提升进一步凸显了来源核验和持久上下文的价值。更多 AI 使用权限意味着会产生更多生成内容，但并不必然带来更可靠的知识。
Microsoft 的 AI 扩散报告显示，生成式 AI 仍在快速普及。同时也表明，仅靠增长并不能让机会得到均衡分配。
下一个问题不再是全球采用率是否会再次上升，而是连通性、技能、本地化模型以及更广泛的产品访问，能否让低采用率市场的增长速度超过领先市场。
请同时关注下一次方法论更新、开放模型在现实世界的部署情况，以及联网人口的使用情况。如果三者都有所改善，持续扩大的差距便可能开始收窄；如果它们进一步分化，一项全球可用的技术仍将持续产生鲜明的区域性结果。
