財評｜譚善恆：AI互補關係──GAP框架

撰文：譚善恆
（華坊諮詢評估董事、谷歌人工智能認證專業人員）

當前各大主流人工智能（AI）大模型──包括本地HKGAI，以及ChatGPT、Gemini、Claude、Manus、DeepSeek、豆包等，均在持續迭代升級，各模型的國際評分差距正在收窄。但面對同一道問題、同一份資料，不同用戶運用後產出的實用價值可以差距甚遠。此差距並非由模型本身決定，而是由用戶的AI素養、可用算力配額、訂閱層級，以及背後支撐的基建投入共同決定。

從「本地生產總值」到「本地AI賦能生產總值」

基於此，可提出一個值得業界與政策圈共同檢視的假設：在AI時代，一個地方的整體AI賦能生產力（Gross AI-powered Productivity，簡稱GAP），宜以四因子相乘量度——GAP=L×C×M×I。Population AI Literacy（L）為全民AI素養；Compute Capacity（C）為屬地可用算力（以PFLOPS計）；Model Capability Rating（M）為自主大模型的國際評級；Investment Commitment（I）為公共與私營資本對AI的持續投資承諾。

國際現有同類指數：為何宜採「相乘」而非「相加」計算？國際貨幣基金組織的AI Preparedness Index、Tortoise的Global AI Index等主流指數，均採用加總式結構，允許單項短板以他項優勢補償。此設計雖具統計便利性，卻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，但全民素養極低，則算力閒置、模型無人善用，實際生產力會接近零。相乘結構的優越之處在於：任一因子接近零，整體結果便會隨之趨零。唯有四項同步提升，方能釋放乘數效應。

跨國/跨區AI互補關係：延伸來看，兩個經濟體若要實現深度互補，無論是貿易往來、人才流動，抑或專業服務跨境合作，四大因子的相對比例宜大致對齊。倘若一地的算力是另一地十倍，而素養僅為後者的兩倍，便會出現前者算力多半閒置、後者素養多半無從發揮的情況，雙方協作價值無法實現對等釋放。所謂「AI互補」，宜理解為四因子比例結構的匹配，而非單一因子的對齊。

全民AI素養：四個因子之中，全民AI素養是邊際投入產出比最高的優先項。其一，素養決定其他三個因子的吸收率。即使擁有再強的算力、再優的模型、再充裕的資金，若用戶不懂提問、不懂驗證、不懂迭代，投入也會在應用環節大量損耗。其二，AI素養是唯一可實現全民均衡提升的因子。算力與模型多集中於少數機構，但AI素養可普及到每位中學生、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素養須由本地教育與終身學習體系自行培育。

因子失衡導致量級回報折讓：在AI競合並存的當下，能率先實現四大因子比例均衡的經濟體，將擁有最具彈性的跨境協作議價空間。當然，此四因子框架尚處於初步假設階段，其構成與權重，仍待跨界研究與跨主權校準（cross-sovereignty alignment）共同精進，方能達致各方共同得益的協同效應。

（題為編者所擬。文章為作者之個人意見，不代表本報立場）