产联社独家专栏作者张致鹏，美国印第安纳伯明顿大学公共管理学硕士、哈工大博士，深圳高质量发展与新结构研究院助理研究员，中信基金会特邀研究员，擅长公共政策、宏观经济、AI产业、国际关系研究，在顶级期刊发表论文多篇、出版《深圳生长：土地与城市更新》等著作四部。

2025年，北京人工智能核心产业规模达到4500亿元；上海394家规模以上人工智能企业产业规模超过6370亿元；深圳人工智能核心产业营收约2200亿元。单看数字，上海似乎明显领先，北京居中，深圳稍后。可若据此排列国内AI城市座次，结论恐怕并不可靠。北京公布的是“核心产业规模”，上海统计的是“规上人工智能企业产业规模”，深圳采用的是“核心产业营收”。名称相近，统计对象、纳入门槛和价值指标却有差别。

这正是AI产业统计最棘手的地方。钢铁、汽车等传统产业通常有较清楚的产品边界和行业代码，人工智能却沿着芯片、算力、数据、模型、软件和智能终端不断向外延伸。银行用了智能客服，能否算AI产业？汽车装上辅助驾驶系统，整车收入应该计入多少？数据中心承接过模型训练任务，是否可以把全部收入归到AI名下？

这些问题看似属于统计技术，实际影响很大。产业规模关系到城市排名，也关系到产业基金、算力补贴、企业认定、园区考核和招商方向。口径稍有变化，一个地方的AI产业规模就可能出现明显波动。研究如何界定AI产业，讨论的也是产业政策应当支持谁、支持哪些活动。

三座城市，三种统计思路

北京的口径带有鲜明的创新中心特征。公开材料通常从算力芯片、基础软件、模型研发延伸至具身智能和行业应用，强调的是一条完整的技术链，以及围绕这条链条形成的企业、人才和资本生态。2025年，北京人工智能核心产业规模达到4500亿元，相关企业超过2500家。这样的指标能够较好呈现北京在基础研究、模型研发和平台企业方面的集聚优势。

问题在于，外界目前很难从公开资料中完整还原这4500亿元的计算过程。比如，综合性平台企业究竟计入全部相关收入，还是只拆分AI业务；总部位于北京、生产和服务活动分布在外地的企业如何归属；所谓“产业规模”对应营业收入、产值还是增加值。对北京自身的产业监测来说，这些技术细节未必妨碍使用；一旦进入城市比较，口径透明度就十分重要。

上海的思路更接近一套正式的统计分类。2022年发布的《上海市三大先导产业统计分类》以国民经济行业分类为基础，采用“行业加重点企业”的识别方法。能够通过行业代码识别的活动直接纳入，行业代码难以覆盖的新业态，则用重点企业名单补充。其人工智能分类横跨制造、批发和服务，涉及智能消费设备、服务机器人、软件与信息服务等领域。

深圳又采取了另一种办法。深圳在政策层面对AI产业作了较宽界定，实际报表则设置了业务门槛：企业需要主要从事人工智能业务，或者AI业务收入占主营业务收入30%以上，才进入相关统计监测范围。这个比例有助于过滤只做少量AI项目的企业，也会形成一道明显的门槛。一家大型企业即使拥有数百亿元AI收入，只要占其总收入不足30%，就可能难以按同样方式纳入；一家业务规模较小、收入全部来自AI的企业，则可以顺利进入名录。

三地口径都能找到现实依据。北京希望观察创新生态，上海需要把新产业接入现有统计制度，深圳更重视企业的实际AI业务。由此得到的数字适合服务各自的产业管理目标，却暂时缺乏直接横向比较的基础。

企业是不是AI企业，其实没有那么重要

当前AI产业统计常以企业为起点：先判断哪些企业属于AI企业，再汇总这些企业的收入、就业和投资。这种方法便于建立名录，也符合政府部门日常管理习惯，但它会遇到一个越来越普遍的问题：大量AI活动存在于综合性企业内部。

一家互联网公司可能同时经营广告、电商、游戏、云服务和大模型；一家汽车企业同时生产整车、电池、车载软件和智能驾驶系统；一家医疗设备企业的部分产品使用AI，其他产品仍采用传统技术。给整家企业贴上“AI企业”或“非AI企业”的标签，都会损失信息。前者容易把无关业务带入统计，后者可能遗漏规模很大的AI活动。

更稳妥的统计对象，应当逐步从企业转向企业内部的业务活动。深圳要求企业填报AI业务收入，已经体现了这一方向，不过30%的企业准入线仍会影响覆盖范围。下一步可以让大型综合企业单独申报AI业务收入、成本、研发投入和从业人员。这样既能识别真正的AI产出，也不会因为企业业务复杂而将其整体排除。

这里还有一个容易被忽视的问题：产业规模究竟使用营业收入，还是增加值。芯片企业把产品卖给服务器厂商，服务器进入算力中心，算力中心向模型公司收费，模型公司再向客户提供服务。如果把各环节营业收入直接相加，同一部分价值会沿产业链被反复计算。营业收入适合观察市场交易和企业成长，增加值更适合衡量一个产业对地区经济的实际贡献。两项指标都应公布，用途需要分开。

智能终端带来的难题更为典型。一部搭载端侧模型的手机、一辆配备智能驾驶系统的汽车，当然包含AI价值，但整机绝大部分成本仍来自屏幕、电池、车身、底盘和其他零部件。将整机销售收入全部列为AI产业，会显著放大制造业城市的规模；完全剔除智能终端，又无法体现AI对产品升级的贡献。比较合理的办法，是单列“AI嵌入价值”，依据专用芯片、模型软件、研发投入、许可费用和产品溢价等信息进行估算。

美国没有急着给AI划出一个独立行业

美国现行的北美产业分类系统按照经营场所的主要经济活动划分行业。AI生产分散在半导体制造、软件出版、计算机系统设计、数据处理和研发服务等门类中，目前很难通过一个现成的行业代码直接汇总出完整的AI产业规模。

美国经济分析局提出的思路，是在原有国民经济核算体系之外建立AI主题卫星账户。研究人员先识别AI相关产品和生产活动，再从芯片、软件、数据服务和研发等混合类别中估算AI所占份额，最终计算产出、增加值、就业和劳动报酬。这种办法推进较慢，对企业调查和微观数据要求也较高，优势是可以保持与国民经济核算的一致性，减少不同环节之间的重复计算。

与此同时，美国人口普查局通过企业调查测量AI采用情况，询问企业是否使用AI、用于哪些业务职能、覆盖哪些工作任务，以及未来是否计划采用。这样一来，生产AI和使用AI成为两个不同的统计问题。一家银行采用智能风控，银行仍然属于金融业；它购买的软件和模型服务进入AI生产统计，使用情况则进入AI采用调查。

这种区分对中国很有启发。人工智能具有通用技术属性，会逐渐进入绝大多数行业。若把所有采用AI的企业都归入AI产业，产业边界会随着技术普及不断扩张，最终接近整个经济。届时，“AI产业规模”将失去清晰含义。AI创造了多少产品和服务、多少企业开始使用AI、AI带来了多少效率提升，最好由不同指标回答。

中国现有数字经济统计已经采用了类似思路，将数字经济核心产业与数字技术带来的产业数字化效应分开。前者统计数字产品、技术、服务和基础设施的供给，后者衡量数字技术进入传统行业后带来的产出增加和效率提升。AI统计完全可以沿用这一框架。

全国需要一把共同的尺子，也应允许地方保留自己的账本

统一AI产业口径，并不意味着全国只能公布一个数字。更现实的做法，是建立一个可比的核心口径，同时允许地方发布反映自身产业特点的扩展口径。核心口径主要统计直接生产AI产品和服务的活动，包括AI芯片、开发框架、基础模型、行业模型、AI软件、模型服务和解决方案等。算力和数据服务可以按AI业务份额纳入。核心口径应优先发布增加值，同时保留营业收入、就业、研发投入、固定资产投资和出口等指标。这组数据承担地区比较和国民经济核算功能，分类标准需要全国统一。

扩展口径可以容纳智能汽车、机器人、手机、无人机、医疗设备等AI嵌入产品，也可以反映制造、金融、医疗和教育领域的应用情况。地方可以根据产业结构有所侧重。北京更关注模型与原始创新，上海拥有完整的制造和服务体系，深圳在智能终端和硬件产业链上优势突出。保留地方扩展口径，有助于看清不同城市的真实长板。

两套口径之间需要一张清楚的转换表。地方每次公布数据时，应说明统计单位是法人企业还是业务活动，地域归属依据总部还是实际经营地，纳入企业采用行业代码、名录还是收入比例，产业规模对应营收、产值还是增加值，智能终端按整机收入还是AI份额计算。分类目录发生调整，还要对历史数据进行回溯修订。

还有一点值得强调。AI产业统计衡量的是市场生产活动，无法完整代表人工智能创造的社会价值。许多AI工具以免费或低价方式提供，其用户收益可能远高于企业当期收入；一些高投入项目也可能暂时没有形成稳定商业回报。产业规模、技术能力和社会影响是三个相关但不同的概念。一个城市的AI产业营收较高，不等于其基础研究最强；企业数量很多，也不必然意味着增加值和生产率贡献更大。

今天，各地争相建设人工智能高地，产业数字还会继续增长。比增长速度更重要的，是让数字能够解释、能够复核，也能够比较。下一次看到某座城市宣布AI产业突破几千亿元，值得追问的或许只有一句：这笔账，究竟把哪些活动算了进去？

完整产业数据报告、市场趋势分析，移步「产联社」客户端