AI 開放性的益處 OECD 給 G7 的討論文件

AI 開放性的益處 OECD 給 G7 的討論文件 PUBE

2  本作品由 OECD 秘書長負責出版。本文所表達的意見與採用的論點，不一定反映 OECD 會員國的官方觀點。本文件係經濟合作暨發展組織（OECD）應由法國擔任的 2026 年 G7 主席國之請求編製，並由 OECD 科學、科技與創新局（STI）起草。

本文件旨在為 G7 數位與科技工作小組的討論提供參考，討論內容包括擬提交於 2026 年 5 月 29 日在法國巴黎舉行之 G7 數位與科技部長會議的成果項目。本文件，以及其中所含任何資料與地圖，均不影響任何領土的地位或主權、國際邊界與疆界的劃定，或任何領土、城市或地區的名稱。

以色列的統計資料由相關以色列主管機關提供並由其負責。OECD 使用此類資料，並不影響依國際法對戈蘭高地、東耶路撒冷，以及約旦河西岸以色列屯墾區地位的認定。封面圖片：© Gorodenkoff/Shutterstock © OECD 2026 姓名標示 4.0 國際（CC BY 4.0） 本作品依 Creative Commons 姓名標示 4.0 國際授權條款提供。

使用本作品，即表示你同意受本授權條款約束（https://creativecommons.org/licenses/by/4.0/）。姓名標示——你必須引用本作品。翻譯——你必須引用原作品、標明對原文所作的變更，並加入以下文字：若原作品與譯文之間有任何不一致，應僅以原作品文字為準。

改作：你必須註明原作品，並加上以下文字：本作品改作自 OECD 的原作品。本改作中表達的意見與採用的論述，不應被視為代表 OECD 或其會員國的官方立場。第三方素材：本授權不適用於作品中的第三方素材。若使用這類素材，你有責任向第三方取得許可，並自行負責任何侵權主張。

未經明示許可，你不得使用 OECD 標誌、視覺識別或封面圖片，也不得暗示 OECD 認可你對本作品的使用。凡因本授權產生的任何爭議，應依據常設仲裁法院（Permanent Court of Arbitration, PCA）《2012 年仲裁規則》以仲裁解決。仲裁地為巴黎（法國）。仲裁員人數為一名。AI 開放性的效益 © OECD 2026

 3 致謝 本文由 OECD 科學、技術與創新司（Directorate for Science, Technology and Innovation, STI）的 Jeff Mollins 與 Luis Aranda 撰寫。策略方向由 OECD 科學、技術與創新司的 Jerry Sheehan、Audrey Plonk、Sara Rendtorff-Smith 與 Galia Daor 提供。作者感謝法國企業總局（DGE）的 G7 主席團隊提供願景與支持，也感謝 G7 數位與科技工作小組代表的寶貴意見與參與。

作者也感謝在本報告發展過程中提供貢獻的各方，包括 OECD 秘書處的 Vincent Bataille、Manuel Betin、Celine Caira、Julia Carro、Andreia Furtado、Peter Gal、Daniel Haerle 與 Benedicte Rispal，以及 Jesse Dunietz（美國 NIST）與 Frank Nagle（MIT）。作者也感謝 OECD.AI「AI 運算與氣候專家小組」成員提供寶貴見解與回饋。AI 開放性的效益 © OECD 2026

4  目錄 致謝 3 執行摘要 6 1 前言 8 2 分析架構：AI 堆疊各層的開放性 9 3 AI 開放性的經濟效益 12 微觀層面效果：AI 開放性為企業帶來成本效率與績效提升 12 開放權重與封閉權重模型的品質價格比 12 開放權重模型在 AI 經濟前沿的競爭力日益提升 13 損益平衡分析：何時自行託管開放權重模型會符合成本效益 14 宏觀層面效果：開源 AI 程式碼對經濟成長的指標性影響 16 主要發現 17 結果解讀 18 4 AI 開放性如何推動更強健、更具韌性的國家 AI 生態系 20 在地價值創造與下游創新 20 技術主權與戰略自主 22 特定產業調適 22 5 結論 24 附錄 A.

損益平衡分析假設 25 附錄 B.宏觀層面分析方法 27 參考文獻 33 表格 表 2.1.AI 堆疊與相關開放性考量的延伸示意對照 10 表 3.1.Token 使用情境 15 表 3.2.私有託管的固定資本支出估算成本（美元）15 表 3.3.雲端 API 與私有 GPU 安裝情境的損益平衡月數 16 表 3.4.AI 開源活動對 GDP 的影響 18 表 B.1.資料來源與說明 29 表 B.2.

國內與國外 AI 相關開源活動對 GDP 的影響 31 AI 開放性的效益 © OECD 2026

 5 圖 圖 2.1.AI 堆疊的高階示意圖 9 圖 3.1.雲端提供的開放權重文字模型，隨時間推移仍維持較強的性價比 13 圖 3.2.2024 年 1 月至 2025 年 4 月，雲端提供的開放權重模型約占經濟 前沿模型的 60% 14 圖 3.3.開源 AI 程式碼貢獻快速增加 17 圖 4.1.開放資料集推動以開源授權建立模型的速度加快 21 圖 4.2.

採用開源授權的模型擴散更快：在 Hugging Face 上所有附有授權 資訊的模型中約占 65%，卻占所有下載量近 80% 21 AI 開放性的效益 © OECD 2026

6  執行摘要

人工智慧（AI）的近期進展，特別是基礎模型的快速發展，使政策界重新關注開放性在整個 AI 生態系中的角色。AI 開放性影響 AI 技術堆疊的多個層次，從基礎設施、資料，到模型與應用程式，也包括治理、技能與投資等跨領域促成因素。

其影響不只限於技術設計選擇，也形塑價值如何被創造、創新如何擴散，以及各國如何在全球 AI 生態系中定位自身。本報告分析 AI 開放性的經濟與策略效益，並參考 OECD 資料與第三方研究。報告同時聚焦於微觀層面的影響（效能、成本與競爭力）與宏觀層面的結果（經濟成長與知識擴散），以及開放性在強化國家 AI 生態系中的角色。

在個體經濟層面，證據顯示，開放權重 AI 模型相較於專有替代方案，競爭力正日益提升。雖然開放模型在發布時約可達到封閉模型 90% 的效能，但通常能以顯著較低的成本取得，因此具備更高的品質價格比。成本動態會因規模而異。對較小型的工作負載而言，雲端型專有模型因部署容易、前期投資低，仍具成本效益。

然而，在使用量較大的情境下，開放權重模型可透過自行託管或租用 GPU 帶來可觀的成本節省；對高用量案例而言，損益兩平點也會很快出現。這表示，對具備足夠規模、技能或基礎設施，能有效部署開放權重模型的組織來說，AI 開放性能帶來有意義的成本與效能效益。

在總體經濟層面，報告發現，在分析的 33 個國家中，AI 開源活動與經濟成長之間存在正向且具統計顯著性的關係。分析以 GitHub 貢獻作為 AI 開放性的代理指標，提供了 AI 開放性潛在經濟效益的指標性證據。這些效益反映出開源 AI 軟體作為共享的全球知識基礎所扮演的角色，能產生跨國外溢效果，並促成企業與各產業的生產力提升。

這項優勢會隨時間增強，因為開放生態系能受益於累積改進、共享工具，以及社群驅動的最佳化。除了經濟與效率方面的影響之外，AI 開放性也有助於發展更強健、更具韌性的 AI 生態系。透過擴大模型、資料與工具的取得，開放方法會將價值創造轉向 AI 技術堆疊的下游層，讓包括新創與中小企業在內的更多行動者能夠參與。

開放性也支持技術主權與戰略自主。在本地部署並調整模型的能力，使組織與政府能保有對敏感資料的控制、降低對外部供應商的依賴，並依照國家或特定部門需求客製 AI 系統。同時，開放模型所具備的透明度與可稽核性，也能強化監督、合規與信任。此外，開放性也有助於特定部門的調適。

透過降低客製化的成本與複雜度，開放方法能促成針對特定產業與公部門使用情境量身打造的 AI 解決方案。

AI 開放性的效益 © OECD 2026

 7

這在資源受限、涉及敏感資料要求，或存在既有系統的脈絡中尤其相關；在這些情況下，專有解決方案可能較不適合，或更難部署。整體而言，分析顯示，AI 開放性可以成為創新、經濟成長與韌性的關鍵促成因素。

透過降低進入門檻、加速知識擴散，並擴大 AI 開發與使用的參與，開放方法有潛力重塑競爭動態，並支持更具包容性與適應力的 AI 生態系。

AI 開放性的效益 © OECD 2026

8 

1

導論

人工智慧（AI）的最新進展，尤其是基礎模型的快速發展，使政策界重新關注開放性在 AI 系統中的角色。各國政府與國際組織，以及私部門、學術界、開源社群與公民社會的主要利害關係人，正日益檢視 AI 開放性可能如何影響創新、市場結構，以及國家與區域的 AI 能力。

這項討論也反映在國際政策論壇的持續工作中，包括 G7、OECD 與 GPAI，以及 OECD.AI 政策觀測站等分析資源。這些倡議凸顯出，各界對 AI 開發與部署採取開放做法所帶來的機會與影響，正抱持越來越高的關注。

就本報告而言，「AI 開放性」、「開放 AI 生態系」，或「AI 技術堆疊各層面的開放性」，係指「AI 技術堆疊中關鍵產出物與文件的廣泛公開可取得性與易於存取性，包括 AI 模型（權重與程式碼）、資料集、文件、安全工具與運算資源」（Basdevant et al., 2024；Seger and [1] Hancock, 2025）。[2] 本報告簡要概述 AI 開放性可能帶來的潛在效益。

本報告參考 OECD 分析（OECD, 2025）、OECD.AI 政策觀測站，以及第三方研究，探討 AI 開放性可能如何影響經濟成果、創新動態，以及國家與區域 AI 生態系的發展。[3] 第 2 節提出一套以 AI 技術堆疊主要層次為基礎的分析框架，並輔以治理、技能與投資等跨領域促成因素。

在此基礎上，第 3 節從微觀與宏觀層次檢視 AI 開放性的經濟效益，包括經濟成長、成本效率，以及開放權重模型與封閉權重模型之間效能取捨的例證。 第 4 節探討 AI 開放性如何促成更強健、更具韌性的國家 AI 生態系，重點放在地方價值創造、技術主權，以及特定產業的調適。

第 5 節總結主要發現；附錄 A 與附錄 B 則詳述宏觀與微觀層次分析所依據的方法與假設。本分析聚焦於 AI 開放性相關的效益；潛在風險或缺點不在本文範圍內，留待未來研究。

AI 開放性的效益 © OECD 2026

 9

2

分析框架：AI 堆疊中的開放性

為評估 AI 開放性的影響，本報告採用一套以 AI 堆疊主要層次為基礎的框架：實體與物質投入；硬體與運算基礎設施；資料；模型；軟體與工具；以及應用軟體；並將治理與監督、技能與研究，以及投資與融資，視為貫穿各層的促成因素（圖 2.1）。

AI 堆疊提供了一個結構化的視角，可用來分析 AI 生態系。1 每一層在 AI 系統的開發、部署與使用中都扮演不同角色，而開放性可能以不同方式影響這些層次，進而同時影響上游能力（例如基礎設施與模型開發）以及下游創新（例如應用軟體）。圖 2.1. AI 堆疊的高階示意圖 來源：OECD 分析，參考 Basdevant 等人。

（2024[1]）、NVIDIA（2026[4]）、Rajdev（2025[5]）與 TBI（2026[6]）。這套框架有助於說明各國如何在 AI 生態系的不同環節中定位自身，並從 AI 堆疊的不同層次取得價值。有些經濟體可能會優先投入基礎設施與基礎模型開發，另一些則可能聚焦於應用開發與特定部門的導入。

由於每一層涉及不同類型的資產、依賴關係與治理需求，開放性的考量也會隨堆疊層次而異：較底層的重點在於取得管道、互通性，以及對投入與基礎設施的可見性；較上層則著重於權重、程式碼與資料的可取得性、文件化、標準，以及模型與應用的可稽核性。

這些各層特有的特性，會形塑參與、成本與價值創造如何在國家與區域脈絡中分配（表 2.1）。 AI 開放性的效益 © OECD 2026

10 

表 2.1. AI 堆疊與相關開放性考量的延伸示意對照

a) AI 堆疊的層次

示意組成要素 示意範例 示意開放性考量

電網、高耗水冷卻場址、 基礎設施資料的開放取得、影響透明度、 實體與 能源、土地、水、晶片所需關鍵 2 開放通報標準，以及更廣泛取得 物質投入 礦物 半導體材料 關鍵投入。

與設備 雲端／本地部署之間的互通性 半導體製造 環境、共享或共用的運算 硬體與晶片、GPU、加速器、設施、分散式 促進更廣泛參與的倡議、開放 運算伺服器、資料中心、運算資料中心、開放 架構標準、透明的存取 基礎設施、雲端／本地部署的運算硬體架構 運算資源政策、硬體使用的開放介面 （例如 RISC-V）。

大量清楚標示資料授權與來源追蹤的資料集合， 訓練前與訓練後資料、 用於訓練的文字／影像、多語與特定領域資料的可取得性 資料標註資料集、 人工標註資料、資料、負責任再利用的開放文件、 合成／測試資料 行政資料的可重現性與可稽核性。

機器學習資料訓練與評估 可互通的函式庫、透明的 API 框架、軟體函式庫、模型部署 特性、寬鬆授權 工具函式庫、應用程式介面、向量搜尋 擴充功能、維護良好的文件 程式介面與模型檢索工具 社群貢獻與可稽核性。

（API）增強 可取得模型權重與程式碼、開放或 通用 AI 模型、可檢視的訓練紀錄、透明的發布 基礎模型與微調 模型、特定產業模型、說明、可解釋性工具、關於 模型 小型語言模型評估結果的文件、用於微調與負責任再利用的授權制度。

AI 助理、深度研究 產品、服務、代理式使用者可控制設定、明確的 API 條款、開放 代理、產業應用、B2B 系統、特定領域標準與協定、模型的可解釋性 應用工具、LLM 應用 應用、編排工具、輸出、日誌與資料的可匯出性 軟體框架、模型脈絡 代理式互動監督、用於稽核的透明機制 協定（MCP）、代理對代理 協定（包括代理式行動）。

Agent（A2A）通訊 b) 跨領域促成條件 示例組成項目 示範例子 開放性考量示例 政策與法規；防護措施；文件；模型卡、資料表、 授權；訓練、開放測試與評估方法、透明的 紅隊測試、OECD 治理與評估、風險與防護措施的驗證及報告、可互通的 原則、NIST AI RMF、 監督驗證（TEVV）；

TEVV 標準、可近用的合規 ISO/IEC 22989、EU AI Act、 原則；風險文件、清楚的授權。US AI Action Plan 管理；標準；基準；指標 開放研究成果、資料集取用，以及 國家實驗室、AI 技能與教育、研究與學習模型、人才流動、協作式 安全／資安機構 研究發展（R&D）研究基礎設施、公開分享的 （AISIs） 基準或可重現實驗。

支持開放取用的條件、共享基礎設施的資金、 Stargate 計畫、民間 投資與公共投資、民間募資輪、全球 開放權重模型發布的誘因、支持本地模型調適 融資資本、創投資金、資料中心建置、 能力，以及能擴大各類行動者參與的 國家 AI 計畫 投資模式 來源：OECD 分析，參考 Basdevant et al.（2024[1]）、Rajdev（2025[5]）與 TBI（2026[6]）。

AI 開放性的益處 © OECD 2026

 11 在這種生態系觀點的基礎上，AI 技術堆疊為政策制定者提供一個實用的分析視角， 用來評估 AI 開放性在其國家脈絡中哪些地方最具關鍵意義。它有助於辨識哪些層次 在策略上更重要、應優先發展哪些能力以最大化經濟與社會回報， 以及在哪些地方合作，包括區域與國際合作，能創造最大的 價值。

透過這種方式，這套框架能協助把 AI 技術堆疊各層之間的差異轉化為可執行的政策 選擇。開放性並不是一致的：其效益取決於它如何部署在各層之中，以及這些層次 彼此配合運作的程度。若解決方案能在各層內互通，並且跨層相容， 開放性才能發揮完整價值，進而形成模組化的 AI 技術堆疊。

這意味著各項元件，無論是開放或專有，都必須能無縫整合（例如，開放權重模型能有效搭配專有資料或工具運作）。如果缺乏這種相容性，整個堆疊就會出現缺口，限制創新與採用。以下各節將檢視 AI 開放性帶來的主要經濟效益，涵蓋微觀與宏觀層面的影響，接著探討開放性如何形塑國家的 AI 生態系。

本分析橫跨 AI 堆疊的多個層次，主要聚焦在較上層的部分。在這個範圍內，本文概述開放取徑如何影響 AI 生態中的成長、創新，以及在地能力的發展。AI 開放性的效益 © OECD 2026

12  3 AI 開放性的經濟效益 開源軟體長期以來在數位技術發展中扮演重要角色，而類似的動態也正在 AI 生態系的部分領域浮現。與此同時，AI 的開發與部署仍高度仰賴專有軟體與平台。

在這樣的背景下，開源 AI 工具與開放權重模型，可能透過降低實驗門檻、促進知識擴散，並擴大 AI 開發的參與，進而對創新有所貢獻。

微觀層面的影響：AI 開放性為企業帶來的成本效率與效能提升 開放權重模型與封閉權重模型的品質價格比 近期研究顯示，開放權重模型相較於封閉的專有模型，競爭力正逐漸提高，同時在特定情境下可能具備成本優勢。研究指出，開放權重模型在發布時約可達到封閉權重替代方案 90% 的效能（Nagle and Yue, 2025）。

OECD AI knowledge on demand（AIKOD）資料庫追蹤雲端服務供應商提供生成式 AI 模型的情況，也證實了這項發現：[7] 開放權重文字模型進入市場時，品質指數約為封閉權重模型的 90%，但價格比僅為 0.2。實務上，0.2 的價格比代表雲端可用的開放權重模型，在執行同一任務時，成本約為封閉權重模型價格的 20%，因此具備明顯更高的性價比。

開放權重模型上市後的前幾個月，品質價格比是封閉權重模型的兩倍（圖 3.1）。這項比率持續較高，顯示開放權重模型具備競爭力與成本效益。AI 開放性的益處 © OECD 2026

 13 圖 3.1。雲端提供的開放權重文字模型隨著時間推移，仍維持較強的性價比 依模型年齡計算的平均品質指標分數除以價格

註：文字轉文字模型的價格，是結合提示詞中的每 token 價格與生成的 AI 回應中每 token 價格來衡量。效能則是取多項基準測試與來源的平均值計算，包括 Hugging Face 的 MMLU 分數、Arena ELO 分數、GPQA 數值與 Livebench。

本分析使用資料庫中從建立日期到 7 個月後皆存在的模型子集。來源：OECD.AI 的 AIKOD（2025[8]）。開放權重模型在 AI 經濟前沿的競爭力日益提升

AIKOD 資料也顯示，開放權重模型在「AI 經濟前沿」中的占比愈來愈高；這裡的「AI 經濟前沿」定義為在特定品質水準下使價格最低的一組模型（André et al., 2025）。

近年來，開放權重模型在前沿中的占比穩定上升，從 2024 年初到 2025 年中，約占經濟前沿模型集合的 60%（圖 3.2）。這項轉變可能反映出開放權重模型開發的複合優勢：每個新模型都能建立在先前的架構、共享工具，以及社群開發的最佳化技術之上。

隨著時間推移，這種動態會降低開發成本並加速發布週期，幫助開放權重模型更有效地與封閉、專有的替代方案競爭。這些發現也凸顯，開放權重模型的益處到目前為止，是透過企業的理性策略達成，而且已證明能有效創造網路效應、形成標準，並增加累積性創新。AI 開放性的益處 © OECD 2026

14 

圖 3.2. 2024 年 1 月至 2025 年 4 月，雲端提供的開放權重模型約占經濟前緣模型的 60%

在特定品質水準下，能將價格降到最低的文字轉文字模型數量

註：AI 經濟前緣是一個概念，用來辨識市場上在特定品質水準下能將價格降到最低的一組模型。

文字轉文字模型的價格，是結合提示中每個 token 的價格，以及生成式 AI 回應中每個 token 的價格來衡量。效能則是取多個基準測試與來源的平均值計算而得，包括 Hugging Face 的 MMLU 分數、Arena ELO 分數、GPQA 數值與 Livebench。

資料來源：AIKOD from OECD.AI (2025[8])

損益兩平分析：自行託管開放權重模型何時具成本效益

對於大規模或高用量使用 AI 的組織而言，開放權重模型的成本優勢可能特別重要。在這些情況下，組織或許可以透過自行託管模型來節省費用，也就是在自己的伺服器上運行模型，而不是向雲端供應商支付按次使用費。

為了說明這點，我們使用 token 用量的估計值進行損益兩平分析。token 是衡量 AI 模型處理多少文字的標準單位，包含輸入、輸出與內部推理；一個 token 大致可視為相當於一個短字詞。我們也納入運行不同工作負載所需的 GPU 需求。這項分析並非聚焦於聊天機器人式互動，而是模擬企業將 AI 系統部署於內部營運或面向客戶應用時的推論情境。

這些結果與分析旨在作為示例，尤其考量到租用 GPU 的普及程度與成本效益更高，這點將於下文進一步討論。儘管如此，這項分析仍可協助企業，特別是中小企業（SMEs），評估是否應投資內部運算能力，或依賴雲端供應商滿足其 AI 需求。完整的建模假設可見附件 A。

工作負載被分類為「小型」（每月少於 1 億個 token）到「超大型」（超過 500 億個）（表 3.1）。「小型」使用案例的一個例子，是主要將 AI 用於程式開發或提升效率的中小企業（SME）；大型或超大型使用案例則可能是擁有數百名使用者、聊天機器人服務，或其他高度仰賴 AI 活動的企業。AI 開放性的效益 © OECD 2026

 15

表 3.1. Token 使用情境

| | 工作負載規模 | 每月使用 token 數 | | | GPU 需求 | | | ----------- | --------------- | -------------------- | ---------------------- | ----------- | ---------------- | --------- | | 小型 | | | 少於 1 億 | | | 1 張 L4 | | 中型 | | | | 10 億 | | 1 張 H100 | | 大型 | | | | 100 億 | | 2-3 張 H100 | | 超大型 | | | | 500 億 | | 8 張 H100 |

註：GPU 的 token 處理容量會因模型與其他效率因素而有很大差異。這些情境是以約 80% 的 GPU token 容量，以及假設會隨工作負載最佳化而擴展的每秒 token 處理量為基礎。

來源：（NVIDIA, 2026[4]）與 OECD 計算。

針對每個情境，本研究使用 token 工作負載，並套用 Gemini 3.1 的代表性價格，估算使用隨用隨付雲端 API 的每月成本；Gemini 3.1 在封閉權重模型中成本相對較低（Artificial Analysis, 2026 [10]）。在假設沒有前期固定成本的情況下，我們發現，在中型 token 使用情境下，10 億個 token 每月成本為 8,000 美元（附錄 A）。

成本也與自行託管的估算進行比較，其中納入資本支出（CapEx）與營運支出（OpEx）。資本支出由 GPU 成本與基礎設施安裝成本組成，例如儲存設備、伺服器、連線等（表 3.2）。營運支出包括電力、主機代管機房空間、連線、工程支援、保險與折舊。損益兩平分析所採用的假設，反映了企業營運 AI 基礎設施時的典型成本結構。

表 3.2. 自行託管的估計固定資本支出成本（美元）

| | 工作負載規模 | | GPU 成本 | | 安裝成本 | | | ----------- | --------------- | --- | --------- | ------- | ------------------ | ------- | | 小型 | | | | 8000 | | 7500 | | 中型 | | | | 30000 | | 15000 | | 大型 | | | | 75000 | | 37500 | | 超大型 | | | | 240000 | | 120000 |

資料來源：Northflank（2025[11]）與 OECD 計算。

主要結果

開放權重（open-weight）模型只有在達到一定規模後，自行託管才具成本效益。對於運行非常大規模工作負載的企業來說，考量前期資本支出（CapEx）後，開放權重模型仍可能帶來可觀的成本節省；但規模較小的使用者可能仍會覺得雲端 API 更有效率（表 3.3）：

• 對於小型工作負載（每月少於 1 億個 token），自行託管的經濟效益並不明顯。

• 在中型工作負載（每月 10 億個 token）下，私有託管只有在 2.5 年後（約 30 個月）才會比隨用隨付的雲端服務便宜。

• 對於較大型工作負載，損益兩平點會更早出現：大型工作負載（每月 100 億個 token）約為 2 個月，非常大型工作負載（每月 500 億個 token）約為 1 個月。

AI 開放性的效益 © OECD 2026

16 

表 3.3. 雲端 API 與私有 GPU 安裝情境的損益兩平月份

| 工作負載規模 | 損益兩平月份 | | --- | --- | | 小型（每月 1 億個 token） | 無法損益兩平 | | 中型（每月 5 億個 token） | 30.4 | | 大型（每月 50 億個 token） | 1.8 | | 非常大型（每月 500 億個 token） | 1.0 |

資料來源：OECD 根據附錄 A 所列假設進行計算。

第三種選項：租用 GPU，提供了另一種在實務上愈來愈常見的替代方案。舉例來說，以相對較高的每小時 5 美元成本租用 8 張 H100 GPU，並以滿載狀態連續預留一整年，費用約為 35 萬美元。雖然這項估算不包括資料傳輸、儲存、編排與代管服務等額外費用，但仍遠低於隨用隨付雲端 API 模型下估計每年 480 萬美元的成本。3 因此，在某些假設下，即使使用量相對不高，租用 GPU 也可能具成本效益。

較便宜的前一代 GPU（例如 L4）每小時約 1 美元，可能進一步降低成本；對某些工作負載而言，其每月費用甚至可能低於每月 1 億個 token 的隨用隨付 API 對應成本。這項估算假設租用本身沒有額外成本，但在支援基礎設施已經建置完成的特定情況下，可能是合理的。歸根究柢，企業的 AI 部署選擇取決於一系列因素，而不只是表面上的成本比較。

以 API 為基礎的服務提供易用性、快速部署，以及可存取持續改進的專有模型，通常對內部技術能力的要求也較低。相較之下，租用或自有的 GPU 架構做法，能讓企業更能掌握模型選擇、效能最佳化與成本結構，但需要足夠的內部專業能力與前期組織量能。

實務上，無論是租用或自有模式，都必須配置足以因應尖峰需求的資源，而尖峰需求會因使用情境而有很大差異。這可能導致資源在某些期間未被充分利用，使成本效率低於理論基準。因此，本節分析假設企業具備必要的技術能力與需求規模，能有效運用專用運算資源，無論這些資源是租用或自有。

儘管如此，在這些情境中，證據顯示 AI 開放性有潛力為企業層級帶來有意義的成本節省與效能提升，特別是對於具備規模、技能或基礎設施，能有效部署開放權重模型的組織而言。對其他組織來說，主要效益則來自較低價格、更高競爭、較快的創新週期，以及較低的進入門檻。

整體而言，這些因素有助於 AI 能力在經濟中更廣泛擴散，並促成更具競爭性的市場動態。總體層級影響：開源 AI 程式碼對經濟成長的指標性影響

本小節探討開源 AI 程式碼可能帶來的整體經濟影響，包括其對 GDP 成長的貢獻。此處以 AI 相關 GitHub 儲存庫的提交紀錄來衡量開源 AI 程式碼。

實務上，「提交」（commit）指的是 GitHub 儲存庫中對單一檔案或一組檔案所做的一次變更。因此，本小節主要聚焦於前一節所討論 AI 技術堆疊中的工具與應用層，不過模型層級使用的程式碼也會明確納入此資料集。資料顯示，近年來對公開 AI 專案的貢獻呈現指數成長，起點則是 2011 年相對有限的基礎（圖 3.3）。AI 開放性的效益 © OECD 2026

 17 圖 3.3。開放原始碼 AI 程式碼貢獻快速擴張 AI 相關公開 GitHub 儲存庫的提交次數 來源：GitHub Archive 與 OECD 計算。雖然已有研究探討開放原始碼軟體（OSS）對整體經濟的影響，但開放原始碼 AI 程式碼（AI OSS）的具體貢獻仍大致未被充分探索。為補足這項缺口，我們調整 Blind 與 Schubert（2023）採用的總體經濟模型，用以估算 GitHub 上 AI OSS 專案的貢獻可能如何影響 GDP。 [12]

因此，該模型估算勞動、資本、研發支出、智慧財產權國際支付、專利活動，以及 AI OSS 貢獻等關鍵驅動因素對 GDP 的長期影響。分析採用涵蓋 2011 至 2024 年期間的追蹤資料集，並納入 33 個資料充足的 OECD 國家（完整清單見附件 B）。

估算時也區分研發支出與 AI OSS 貢獻的國內與國外來源，分別評估來自各國境內的活動，以及來自其他國家的活動（即「世界其他地區」，rest of the world，ROW）。由於本分析在實證與概念上有所限制，本小節結果應視為示意性結果。關於資料來源、涵蓋範圍、方法考量與穩健性檢驗的詳細資訊，請見附件 B。

主要發現 分析顯示，全球 AI OSS 貢獻與經濟成長之間存在正向且持續的關聯，長期彈性約為 0.05，且具統計顯著性（表 3.4）。表 B.2 也以替代設定支持這些結果；該設定區分國外與國內 AI OSS 貢獻，並控制模型敏感度。

該模型也估算出資本與勞動的效果，分別約落在 0.27 與 0.55 的範圍內，大致符合成長文獻中的標準估計值（Vollrath，2024）。 [13] AI 開放性的益處 © OECD 2026

18  表 3.4 AI 開源活動對 GDP 的影響 (1) GDP 對數 L.國內研發的對數 0.06 (0.05) L.世界其他地區（ROW）研發的對數 -0.55*** (0.18) 資本存量對數 0.27*** (0.07) 就業人數對數 0.62*** (0.22) L.專利數對數 0.07 (0.06) 智慧財產權支付額對數 -0.02 (0.02) 全球 GitHub 提交數對數 0.05*** (0.02) 短期誤差修正項 -0.18*** (0.03) 註：p < 0.10，p < 0.05，p < 0.01。括號內為標準誤。

分析納入 33 個 OECD 國家，涵蓋 13 年期間，並刪除部分遺漏值（觀察值 = 419）。動態固定效果誤差修正模型，涵蓋所有國家。顯示長期方程式與短期誤差修正項。AI 開源活動以 AI 相關儲存庫的 GitHub 提交數衡量。來源：完整來源清單見表 B.1。結果顯示，AI 開源軟體開發可作為共享的全球知識基礎。

透過跨境擴散與自由取用這些資產，AI OSS 支持各國的國內生產。解讀結果 這些發現顯示，全球 AI 開源軟體貢獻增加 10%，長期而言與 GDP 約 0.5% 的成長相關。按此關係推算，貢獻增加 40%（約略相當於近年觀察到的成長幅度）對應到 GDP 約 1.5-2% 的增加。

鑑於樣本中 33 個 OECD 國家在 2024 年的實質 GDP 合計為 54 兆美元，這意味著其影響量級約為 1 兆美元。雖然這個數字乍看之下可能很大，但應放在全球軟體經濟的規模，以及開源活動獨特的經濟特性脈絡中理解。

AI 開源軟體不應被理解為狹義的程式碼貢獻類別，而是更廣泛的互補投資與活動生態系的一部分，包括工具、文件、標準、技能，以及企業與各部門的下游採用。對 AI OSS 的貢獻，其功能很像是對全球公共財的投資：邊際投資所產生的效益會廣泛累積到各企業與部門，而不是由單一生產者獨占。

AI 開放原始碼貢獻會產生非競爭性且跨境的外溢效果，類似於基礎研究或乾淨空氣等其他公共財。

若缺少這類共享資源，企業就必須各自重複開發許多核心軟體工具，導致成本上升並拖慢擴散速度。4 從這個角度來看，估計出的收益不只反映可自由取得 AI 軟體的直接使用，也反映出更廣泛的生產力效果：AI 開放原始碼軟體（AI OSS）貢獻擴大了全球技術知識存量，並促成互補性投資。

將結果與整體軟體經濟的規模相比，也很有參考價值：全球每年對軟體及相關無形資產的投資達數兆美元（Brown et al., 2026）。在這樣的背景下，本文所辨識出的宏觀層級效果 [14] AI 開放性的益處 © OECD 2026

 19 大致符合軟體在先進經濟體推動生產力成長中已扮演的核心角色。本文辨識出的規模，也與既有關於開放原始碼軟體經濟價值的實證研究一致。例如，Blind and Schubert（2023）發現，在 2000-2018 年期間，國際 OSS 貢獻增加 10%，與約 0.4% 的 GDP 成長相關。

Hoffmann、Nagle and Zhou（2024）估計，2020 年全球開放原始碼軟體的價值約為 8.8 兆美元 [15] 。隨著 AI 相關 OSS 如今在整體開放原始碼軟體活動中占比快速上升，本文提出的結果與這套更廣泛的文獻相符，也建立在其基礎之上。同時，這些估計仍應以適當審慎的態度解讀。

AI OSS 的成長與更廣泛的趨勢同時發生，例如數位化以及軟體投資增加，而這些趨勢同樣支持生產力成長。因此，這些估計可能部分捕捉到的是這些互補動態，而不完全是 AI OSS 本身的嚴格因果效果。此外，開放原始碼貢獻的效益通常是間接的，並透過其與資本資產及勞動份額的互動而實現。

因此，這些結果最適合被視為 AI 相關開放原始碼活動可能具有宏觀經濟重要性的指標，並作為其對長期經濟成長貢獻的上限估計。AI 開放性的益處 © OECD 2026

20  4 AI 開放性作為推動更強健且更具韌性的國家 AI 生態系的驅動力

AI 開放性不只會影響創新與生產力，也會影響各國 AI 生態系中，價值如何以及在何處被創造與取得。三項動態似乎特別相關：在地價值創造與下游創新；技術主權與戰略自主；以及特定產業領域的調適。

在地價值創造與下游創新

開放權重模型可以把 AI 技術堆疊中更大一部分的價值創造，轉移到應用與服務等下游層。由於底層模型可以依照在地語言、脈絡與法規環境調整，開放方法讓更廣泛的企業、實務工作者與公共機構得以參與 AI 開發。

Linux Foundation 報告（Lawson et al., 2024）的證據顯示，組織已經高度仰賴開放性：受訪者表示，他們有 41% 的程式碼基礎設施是開放原始碼，且有 89% 在其 AI 系統中至少使用部分開源元件。隨著 AI 相關開源軟體的品質與成熟度持續提升，其在組織所使用軟體基礎設施中的占比很可能會增加。開源工具也可能進一步降低開發與維護成本。

2025 年的調查資料顯示，採用開源 AI 的組織回報較低的導入成本（60%）與較低的維護成本（46%）（McKinsey, Mozilla Foundation, PJMF, 2025）。這些節省來自 [16] 可重複使用元件的可取得性、社群開發的工具，以及在不受供應商限制的情況下，依組織需求調整系統的能力。開源生態系似乎會產生自我強化的動態。

對 Hugging Face 資料的分析顯示，新的開放資料集發布後，很快就會出現採用開源授權的新模型，5 兩者呈現特別強的相關性，且時間落差很短。雖然非開放資料集也會帶來新模型，但這種關係弱得多。時間點值得注意：開放授權模型往往會在新的開放資料集出現後 1 至 2 個月內回應，而封閉權重模型則需要較長時間（4 至 6 個月）。

這顯示，開放資料集更容易讓開發者採用並整合，有助於加快實驗與模型開發（圖 4.1）。這些模式顯示出一個良性循環：開放資料集促成新的開放原始碼授權模型建立，而這些模型又進一步鼓勵對生態系的貢獻。這種動態支持內生性成長，也就是 AI 開發的進展會在既有基礎上持續累積，並隨時間加速。AI 開放性的效益 © OECD 2026

 21 圖 4.1.開放資料集推動開放原始碼授權模型更快速產生 資料集數量與下列數量之間的相關性

...