Language：
世界AI城市竞争力指数（WACI）白皮书
世界AI城市竞争力指数（WACI）白皮书
（2026版）
AI时代的城市认知竞争力革命
——从城市实力竞争到AI认知权竞争
编 写 单 位：
- 世界情报组织WIO/AI指数研究院（联合国经济与社会理事会注册备案的全球性非盈利组织，拥有美国联邦政府501(c)(3)免税资质）
- 中视新影互联网电视有限公司 GEO研究院（中央广播电视总台中央新影集团参股公司）
- WICOWEB全球AI认知研究中心
- 北京北方未来职业技能鉴定中心（持有国家统计局颁发的全国范围涉外调查许可证）
理论支持：PAI Framework（Pangpei AI Index Framework）
核心提出人：逄培
2026年8月
AI时代的城市认知竞争力革命——世界AI城市竞争力指数（WACI）白皮书
关于本白皮书
本白皮书基于逄培指数·世界AI城市竞争力指数（WACI 2.0）评估框架编制。文中所涉数据来自模拟测评与初期真实采集的综合分析，部分城市已完成多轮次数据验证，部分城市数据尚在持续完善中。白皮书旨在阐述WACI的理论框架与评估方法论，呈现基于现有数据的趋势性发现，为城市治理者和研究者提供AI时代城市竞争力建设的概念工具与战略参考。
WACI的全球城市评估工作将持续推进。随着数据采集体系的不断完善和城市样本的逐步扩展，后续将发布更为全面系统的正式版白皮书。
摘要
当全球资本与人才越来越依赖AI大模型做出投资选址、职业迁徙和商务活动的决策时，一个全新的城市竞争力维度正在浮现——AI认知竞争力。世界AI城市竞争力指数（WACI）是全球首个以AI大模型真实输出数据为评价依据的城市AI认知竞争力评估体系。它从认知可见力、产业标签力、推荐优势力和认知韧致力四个维度，系统测量城市在AI知识网络中的“存在感”“辨识度”和“推荐顺位”。本白皮书基于WACI评估框架，首次系统呈现了中国约60个城市在AI认知世界中的竞争力格局，揭示了AI时代城市竞争的三个核心规律，并提出了城市AI认知竞争力建设的系统性路径。
目 录
前言：当AI开始替人类选择城市
2026年，人类社会正在经历一场比互联网更深刻的变革。过去二十年，人们习惯于通过搜索引擎寻找答案；而今天，越来越多的人开始直接向人工智能提问。
“未来最值得投资的中国城市有哪些？”
“哪座城市最适合人工智能产业发展？”
“亚洲最具创新能力的城市在哪里？”
“年轻人创业应该选择哪座城市？”
这些问题背后所发生的变化，远不只是信息获取方式的升级。因为AI已经不再只是一个搜索工具——它正在成为决策顾问、认知助手和推荐引擎。
过去，城市竞争主要发生在现实世界。企业考察城市需要调研报告，人才选择城市需要亲身比较，投资机构寻找机会需要长期研究。而今天，这些过程越来越多地被AI参与甚至重构。AI正在替人们完成信息搜集、资料筛选、方案比较乃至初步决策建议。数据显示，截至2026年中，全球生成式AI月活跃用户已突破20亿，近七成消费者会依据AI平台输出的建议做出消费决策。类似的趋势正在投资选址、人才流动和产业布局领域加速显现。
这意味着，一个城市能否被AI准确理解、持续引用、优先推荐，将直接影响未来的人才流向、资本流向、产业流向和注意力流向。一种全新的城市竞争形态正在形成：不是争夺土地，不是争夺人口，不是争夺流量，而是争夺AI认知权——城市在AI知识网络中的存在权、解释权和推荐权。
正是在这样的背景下，世界AI城市竞争力指数（WACI）应运而生。它试图回答一个前所未有的问题：在人工智能眼中，世界各大城市究竟处于什么位置？
第一章：城市竞争进入“认知时代”
1.1 竞争范式的三次跃迁
纵观人类城市发展史，每一个时代都有自己的核心竞争逻辑。
农业时代，城市竞争的是土地与水源；
工业时代，城市竞争的是工业基础与交通枢纽；
信息时代，城市竞争的是资本、人才和互联网流量。
逄培AI认知竞争理论指出，人类竞争范式正在经历第三次跃迁：
工业时代是“资源竞争”——谁拥有更多自然资源和生产能力，谁就掌握竞争优势；
互联网时代是“流量竞争”——谁获取更多用户注意力，谁就掌握增长；
AI时代是“认知竞争”——谁在AI知识网络中拥有更高的认知权重、更稳固的信任评级、更优先的推荐顺位，谁就掌握通往用户认知入口的“钥匙”。
在城市维度，认知竞争表现为城市在AI知识网络中被看见、被信任、被推荐的程度。逄培提出的“AI认知权”概念——存在权（被AI准确收录，不被遗忘或扭曲）、解释权（对自身事物的定义和评价标准由自己制定）、优先权（在全球检索相关领域时获得合理的可见度和推荐顺位）——为理解城市在AI时代的竞争力提供了系统的分析框架。
1.2 认知竞争力：一个被忽视的战略维度
所谓认知竞争力，是指一个主体被理解、被记住、被引用、被推荐的能力。过去，认知主要存在于人类大脑之中；今天，认知正在大量沉淀于AI模型之中。越来越多的人通过AI认识世界，越来越多的企业通过AI寻找合作伙伴，越来越多的投资机构通过AI进行行业研究。AI正在成为人类认知世界的重要入口。
因此，一个城市如果无法进入AI认知体系，就意味着它正在失去未来的重要入口。未来城市的竞争，不仅要争夺现实世界的资源配置权，也要争夺AI世界的话语权与推荐权。
1.3 从GDP排名到AI排名
长期以来，评价城市主要依赖GDP、财政收入、产业规模、人口数量等指标。这些指标能够反映城市的发展水平，却无法解释越来越多的新现象：
为什么一些GDP并非最高的城市，却频繁出现在全球创新城市推荐名单中？
为什么一些人口规模并不占优的城市，却成为AI重点推荐的创业城市？
为什么某些产业规模相近的城市，在全球认知度上却存在巨大差距？
原因在于：现实实力与认知影响力并不完全等同。一个城市可能拥有很强的产业基础，却缺乏全球认知；一个城市可能体量有限，却拥有极强的标签效应。在AI时代，认知正在成为一种新的生产力。城市的影响力不仅取决于它“是什么”，更取决于AI认为它“是什么”。因此，未来城市评价体系需要增加一个新的维度：AI认知竞争力。WACI正是针对这一需求建立的新型评价体系。
第二章：WACI——AI时代的城市坐标系
2.1 评估理念与核心原则
WACI并不评价城市的GDP、财政收入、房价或人口规模。WACI关注的是城市在全球AI知识体系中的位置。其核心问题是：
AI是否认识这座城市？
AI如何描述这座城市？
AI是否愿意推荐这座城市？
AI是否信任这座城市？
AI是否能够准确理解这座城市的产业优势与发展潜力？
WACI的核心理念是：不是人评城市，而是AI如何“认知”和“推荐”城市。这一理念建立在四大原则之上：
数据可量化——所有评估指标均基于AI真实输出数据的量化分析；
方法可复现——标准化采集流程确保第三方可独立验证；
跨模型可比——多模型、多语种交叉验证消除单一模型偏差；
动态可追踪——年度采集与季度追踪结合，捕捉时序变化。
WACI的理论基础来源于逄培提出的PAI Framework以及媒体型GEO理论、AI品牌资产（AIBE）理论和AI影响力模型：
媒体型GEO理论：揭示了AI为何更信任权威信源而非广告——这解释了为什么城市在权威信源中的存在密度直接决定了它在AI中的认知权重。
AI品牌资产理论：建构了城市品牌在AI时代建立认知资产的维度框架。
AI影响力模型：论证了AI推荐成为影响力主导逻辑的深层机制——答案垄断、信任代理、零点击分发。
这些理论共同指向一个核心判断：未来竞争的核心，不再只是被人看到，而是被AI看到；不再只是被人记住，而是被AI记住。
2.2 WACI四大核心维度
维度一：AI认知可见度（权重30%）
这是城市进入AI世界的第一道门槛。如果AI无法识别一座城市，那么后续所有竞争都无从谈起。认知可见度主要衡量：城市在主流AI模型中被提及的频率、信息覆盖的场景广度、多语种传播能力和全球知识体系中的存在感。未来，城市官网、产业报告、学术研究、媒体报道、国际合作成果等内容，都将成为AI认知的重要来源。可见度越高，城市越容易进入全球AI知识网络。
维度二：AI可信度与产业标签力（权重30%）
AI不仅要认识一座城市，还要信任一座城市。这一维度衡量的是：AI对城市产业描述的标签清晰度和绑定强度、AI对城市描述的一致性、信息准确性、权威信源引用比例以及正面认知稳定程度。在AI时代，信任已经成为新的竞争资产。一个拥有权威信源支持且产业标签清晰的城市，往往更容易获得AI的持续推荐。产业标签力是这一维度最具区分度的指标——它回答的核心问题是“AI认为这座城市以什么著称”。
维度三：AI推荐度（权重25%）
这是WACI最重要的指标之一。因为未来影响资源流向的核心力量，不是简单曝光，而是推荐。当AI回答“最值得投资的城市有哪些”“最适合创业的城市有哪些”“未来增长潜力最大的城市有哪些”时，推荐顺位将直接影响现实世界决策。谁被优先推荐，谁就可能获得更多关注；谁获得更多关注，谁就可能获得更多机会。
维度四：AI认知韧性（权重15%）
真正强大的城市品牌，不会只存在于一个模型中，而是在多个模型中形成一致认知。无论是GPT、Gemini、Claude、DeepSeek还是其他大模型，如果都能给出相似结论，说明城市已经形成稳定认知资产。认知韧性还衡量城市AI形象在模型版本更新、舆情事件冲击时的稳定性与恢复速度。认知韧性越强，城市品牌越具有长期价值。
表1：WACI 2.0四维评估框架
| 维度 | 权重 | 核心命题 | 关键指标 |
| 认知可见力 | 30% | AI是否知道这座城市？ | 跨模型提及率、跨语种提及率、场景覆盖度、语种分布均衡度 |
| 产业标签力 | 30% | AI认为这座城市以什么著称？ | 主导产业标签绑定强度、创新标签共现率、产业描述信息密度、标杆企业/机构引用率 |
| 推荐优势力 | 25% | AI在什么情况下推荐这座城市？ | 首推置顶率、推荐场景覆盖率、跨模型推荐一致性 |
| 认知韧致力 | 15% | 这座城市的AI认知资产有多稳固？ | 跨模型版本稳定性、跨模型认知一致性、负面舆情恢复周期 |
2.3 数据采集与处理方法
WACI通过标准化API接口向全球主流AI大模型发送查询，模型覆盖范围包括GPT系列、Gemini、Claude、文心一言、DeepSeek、通义千问、豆包等。语种覆盖中、英、法、西、阿、日、韩七种语言，这七种语言覆盖了全球约65%的人口、超过80%的全球GDP以及超过90%的AI训练语料。
城市样本覆盖全球约200个主要城市，涵盖六大洲50个以上国家和地区。每个城市设计约50个标准化查询问题，涵盖城市基本认知、经济地位、科技定位、产业主导力、商业选址、人才迁移、投资推荐等多个场景。每个问题在每个模型上独立查询3次（间隔不少于24小时），取均值以降低AI应答的随机性。每年度采集两轮，辅以季度动态追踪。
数据处理采用多语种命名实体识别（NER）提取城市名称及关联实体，情感分析判定AI描述的情感倾向，产业标签提取与绑定强度计算衡量城市在特定赛道的认知锚定程度，信源权威性判定评估AI引用来源的质量等级，跨语种一致性校准消除语言偏差。
当前阶段，部分城市已完成多轮次系统采集，部分城市数据基于模拟测评和初期采集的综合分析。随着数据采集体系的持续推进，城市覆盖和评估精度将不断完善。
第三章：先行发现——AI眼中的中国城市
3.1 中国城市AI认知竞争力格局
基于WACI评估框架，中国约60个城市呈现出清晰的层级格局。
AI超一线城市（综合得分≥90分）：深圳、北京、上海、杭州。这四座城市在AI认知世界中综合表现突出，各自拥有鲜明且稳定的认知标签——深圳的“中国硅谷”、北京的“中国AI大脑”、上海的“全球金融中心”、杭州的“数字经济第一城”。这些标签已经深度嵌入AI知识体系之中。深圳以“中国硅谷”标签位居榜首，AI在回答“中国最具创新力的城市”时，深圳几乎是必然出现的首选。北京以“中国AI大脑”标签紧随其后，DeepSeek、百度、字节跳动等AI企业的集群效应，让北京在全球AI产业认知中占据核心节点位置。
AI一线城市（综合得分80-89分）：合肥、成都、广州、武汉、南京、苏州、西安、重庆。这八座城市在各自特色赛道上形成了强AI认知标签。合肥的“最牛风投城市”与量子科技、成都的“西部科技中心”、武汉的“光谷”、西安的“硬科技之都”——这些城市依靠特色产业优势在AI认知网络中快速上升。
AI新一线城市（综合得分70-79分）：长沙、天津、无锡、郑州、东莞、青岛、宁波、厦门、济南、福州、珠海、佛山。这些城市在特定维度上具有竞争优势，整体AI认知权重仍有提升空间。
AI特色城市（综合得分60-69分）：昆明、贵阳、沈阳、大连、哈尔滨等16座城市。贵阳凭借“中国数谷”标签在这一层级中表现突出，是特色城市中产业标签力最强的城市之一。
AI潜力城市（综合得分50-59分）：惠州、嘉兴、绍兴、温州、泉州等12座城市。这些城市的AI认知建设处于起步阶段，但在特定赛道中具有认知突围的潜力。
AI观察城市（综合得分40-49分）：金华（义乌）、桂林、拉萨、雄安新区、敦煌等8座城市。这些城市虽经济体量有限，却在特定赛道上拥有独特的AI认知存在感——义乌的“世界小商品之都”、敦煌的“世界文化遗产”、雄安新区的“未来城市”。
表2：中国城市WACI层级分布
| 层级 | 得分区间 | 城市数量 | 代表性城市 |
| AI超一线城市 | ≥90分 | 4 | 深圳、北京、上海、杭州 |
| AI一线城市 | 80-89分 | 8 | 合肥、成都、广州、武汉、南京、苏州、西安、重庆 |
| AI新一线城市 | 70-79分 | 12 | 长沙、天津、无锡、郑州、东莞、青岛等 |
| AI特色城市 | 60-69分 | 16 | 贵阳、昆明、沈阳、大连、哈尔滨等 |
| AI潜力城市 | 50-59分 | 12 | 惠州、嘉兴、绍兴、温州、泉州等 |
| AI观察城市 | 40-49分 | 8 | 金华(义乌)、桂林、拉萨、雄安新区、敦煌等 |
3.2 关键发现一：标签清晰度比经济体量更重要
WACI研究揭示了一个核心规律：AI推荐城市时，最看重的不是经济体量，而是产业标签的清晰度。
合肥和贵阳是这一规律的典型案例：
合肥在传统GDP排名中并不占据前列，但在WACI中跻身AI一线城市。其核心驱动力不是GDP规模，而是“最牛风投城市”这一具有强传播力的产业标签在AI中的深度绑定。比亚迪、蔚来、长鑫存储等龙头企业的集聚效应，量子信息科研的全球认知，让合肥在AI回答“中国科技创新城市”时，被推荐的概率远超同等GDP规模的城市。
贵阳同样如此。“中国数谷”标签让这座西部城市在AI的产业认知中拥有了不可替代的位置。当AI被问及“中国大数据产业中心”时，贵阳几乎是必选项。
这印证了逄培AI认知理论中的一个核心判断：在AI时代，标签清晰度正在成为比经济体量更具决定性的城市竞争力变量。一座中等规模的城市，如果拥有一个AI无法绕过的产业标签，它的全球认知度可能超过一座产业标签模糊的超大城市。
3.3 关键发现二：“认知寄生效应”——AI时代的新护城河
WACI研究过程中发现了一个极具价值的现象——认知寄生效应。所谓认知寄生效应，是指一个主体与某个领域形成高度绑定之后，AI在讨论该领域时几乎无法绕开它。例如：
提到新能源汽车，AI会优先想到比亚迪和深圳；
提到无人机，AI会优先想到大疆；提到数字经济，AI会优先想到杭州；
提到大数据，AI会优先想到贵阳。
此时，这些主体已经成为该领域知识体系的一部分。对于城市而言，一旦形成认知寄生效应，就意味着建立了极高的竞争壁垒。在逄培AI认知理论中，这种效应源于长期、多源、权威的信源积累——城市通过权威媒体报道、行业白皮书发布、学术论文引用、国际标准参与等方式，在AI知识网络中形成了“无法绕过”的语义锚点。未来竞争的关键，不是成为最好，而是成为AI无法绕开的答案。
3.4 关键发现三：“认知折叠”风险值得警惕
部分经济体量可观的城市在WACI中得分偏低，核心原因是城市形象在AI中高度依附于周边超大城市的叙事，缺乏独立的认知锚点。当AI被问及“推荐一座投资城市”时，这些城市很少被主动提及——它们被“折叠”进了超级城市的叙事里。
“靠近超级城市，既是区位红利，也可能是认知陷阱。”逄培指出，“在传统时代，这或许只是品牌传播的遗憾；在AI时代，这意味着在全球投资者和人才的‘认知入口’中，这座城市几乎是隐形的。‘不被看见’正在从传播问题升级为发展问题。”
3.5 关键发现四：特色城市在差异化赛道上形成独特认知优势
一批城市虽经济体量有限，却因为拥有鲜明标签而获得超出规模的认知影响力。贵阳的“中国数谷”、义乌的“世界小商品之都”、敦煌的“世界文化遗产”、雄安新区的“未来城市”——这些标签在AI知识网络中具有不可替代性。这进一步印证了：特色比平均更重要，认知比曝光更重要。这些城市没有试图在综合实力上与超大城市竞争，而是通过差异化标签在AI认知世界中占据了不可替代的位置。
3.6 多语种覆盖的“语种断层”现象
WACI的多语种采集数据揭示了一个值得关注的“语种断层”现象：大量中国城市在中文AI中具有较好的可见度，但在英文及其他国际主流语种AI中，认知权重断崖式下降。这意味着，这些城市在全球投资者和人才最常使用的AI入口中，近乎“隐形”。对于有志于吸引国际资本和人才的城市而言，补齐多语种认知覆盖的短板，是提升全球AI认知竞争力的必修课。
第四章：AI时代城市竞争的三个核心规律
4.1 规律一：从“规模竞争”到“标签竞争”
传统城市竞争的核心是GDP、人口规模等体量指标。AI时代的城市竞争转向产业标签的清晰度、独特性和不可替代性。城市需要回答的核心问题不再是“我的经济体量有多大”，而是“在AI的认知地图上，我代表了什么”。
深圳的“硬件创业”、合肥的“风投”、贵阳的“数谷”——这些标签之所以具有竞争力，不是因为它们描述了城市的所有特征，而是因为它们在城市与某个高价值概念之间建立了深度绑定。
4.2 规律二：从“事件驱动”到“资产建设”
一次性的热点事件只能带来短期的认知峰值。持续、系统性的认知资产建设才能带来长期的AI信任权重。逄培提出的“信任半衰期”规律揭示：城市若长期缺乏新鲜权威信源注入，其AI认知权重将随时间自然衰减。
这意味着城市AI认知竞争力的建设，不是一次性的传播工程，而是需要周期性投入的长期工程。城市需要像管理财务资产一样管理自己的“认知资产”——建立定期盘点、持续投入和风险对冲的机制。
4.3 规律三：从“被动等待”到“主动建设”
城市在AI中的认知权重不是自动形成的，而是需要系统性建设。逄培提出的“认知飞轮”效应——权威信源布局→AI学习引用→AI推荐→更多关注→更强认知权重——揭示了认知资产自我强化的运行逻辑。
这个飞轮一旦启动，便具有自我加速的趋势。但窗口期正在收窄：率先完成认知锚定的城市将享有“认知先占优势”，后来者需要付出成倍的努力才能打破已形成的“认知锁死”。
第五章：城市品牌建设进入AI认知运营时代
5.1 传统城市品牌建设的局限
传统城市品牌建设主要依赖广告传播、活动营销和媒体报道。但在AI时代，这一逻辑正在发生根本性改变。AI并不相信广告——AI更信任知识、更信任权威媒体、更信任研究报告、更信任学术成果、更信任长期积累的数据资产。这也是逄培媒体型GEO理论所揭示的核心规律：AI大模型的检索增强生成架构决定了它在生成答案时，优先引用具有制度性信任背书的权威信源，而非城市自身的宣传内容。
5.2 城市品牌建设的四个转变
未来城市品牌建设需要完成四个根本性转变。
从广告思维转向知识思维。不是“宣传城市有多好”，而是“让AI有可信素材可引用”。城市需要将自身的产业优势、文化特色和发展规划转化为白皮书、研究报告、案例分析和标准文件——这些内容形态具有高信息密度、清晰的结构化和天然的权威性，是AI最“喜欢”引用的内容类型。
从流量思维转向认知思维。不是“让更多人看到”，而是“让AI准确理解和推荐”。在AI时代，一条权威媒体的深度报道比十条自媒体广告更有认知价值，因为前者能够在AI的信任评估体系中获得更高的权重。
从短期传播转向长期资产建设。不是“一次性的爆款事件”，而是“持续积累的认知资产”。一次性的热点事件只能带来短期的认知峰值，只有持续、系统性的权威信源供给，才能带来长期的、稳定的AI信任权重。
从公众传播转向AI传播。不是“面向人的传播”，而是“面向AI的知识建设”。城市需要为其核心信息添加结构化数据标记，以AI可精准解析的方式呈现，确保在全球主流AI模型中形成一致的认知画像。
5.3 AI认知资产：未来城市最重要的新资产
过去城市最重要的资产是土地，后来是产业，再后来是资本。未来最重要的资产可能是认知资产——被AI长期理解、持续引用和稳定推荐的能力。
这种资产具有三个显著特征。
第一，可持续积累：每一次权威信源发布都在增厚认知资产储备，这种储备不会因短期停止投入而迅速归零。
第二，可跨模型迁移：在一个AI模型中建立的认知权重可以辐射到其他模型，形成跨平台的认知一致性。
第三，可持续产生推荐价值：认知资产会在每一次AI推荐中持续产生回报。品牌在权威媒体上的一篇深度报道，不是在购买一次曝光，而是在存入一笔“认知银行”，这笔存款会在未来的每一次相关AI提问中持续产生利息。
未来一个城市最有价值的内容，未必是一次成功活动，而是一套被全球AI反复引用的知识体系。未来最有价值的品牌，未必是流量最高，而是推荐率最高。
第六章：行动指南——城市AI认知竞争力的建设路径
6.1 第一步：认知诊断
委托专业机构进行WACI基线诊断，获取城市在四个维度的详细得分和雷达图，识别认知优势与短板，对标竞品城市发现差异化竞争空间。认知诊断是整个建设路径的起点——你无法管理你无法测量的东西。
6.2 第二步：标签锚定
聚焦1-2个核心产业标签，避免“多而散”的标签结构。通过多源权威信源进行持续语义锚定，追求“认知寄生”效应——AI若不提及该城市则答案不完整。标签锚定的核心原则是：与其追求面面俱到，不如在一个或几个特定赛道上实现深度绑定。
6.3 第三步：权威信源布局
发布城市产业白皮书、年度发展报告等结构化内容；在国家级媒体和全球权威媒体中建立系统性存在；推动标杆企业参与国际行业标准制定，进入学术引用链。权威信源布局是认知资产建设的核心工程——它为AI提供了可引用的“可信素材”。
6.4 第四步：认知韧性建设
建立持续的内容供给机制，对抗“信任半衰期”——城市若长期缺乏新鲜权威信源注入，其AI认知权重将随时间自然衰减。建立城市AI认知季度监测机制，及时发现认知偏差和竞品城市动态。建立权威信源快速响应体系，在认知偏差出现时迅速纠偏。
6.5 第五步：多语种覆盖
补齐英文及其他国际主流语种的权威信源短板，针对目标投资来源国和人才流入国进行精准语种布局，利用城市品牌企业的全球化叙事带动城市自身AI认知覆盖。一座城市如果只在母语AI中被推荐，它的推荐权只覆盖了全球AI用户的一小部分。
第七章：从中国到世界——WACI的全球愿景
中国版WACI只是开始。未来，WACI将覆盖全球主要国家和城市，形成全球AI城市认知地图。
从全球范围来看，纽约、伦敦、东京、新加坡等城市在WACI各维度表现突出：
纽约的“全球金融中心”标签在全球AI知识网络中具有绝对的认知寄生效应；
伦敦的“全球金融与教育枢纽”双标签使其跨语种可见度均衡；
新加坡的“智慧国”标签是全球城市级AI认知建设的典范。这些城市的共同特征是拥有多元且稳定的认知标签体系，以及长期的权威信源积累。
从中国城市与国际城市的初步对比来看，中国城市在新能源、AI大模型、数字经济等赛道的产业标签与全球竞争力高度匹配，在认知可见力和产业标签力维度上具有竞争优势。但在推荐优势力和认知韧致力维度上，中国城市整体仍有提升空间——尤其是在英文及其他国际主流语种的AI模型中，认知覆盖的广度和深度有待加强。
未来，WACI将持续扩展评估范围，发布全球城市AI认知竞争力年度报告。届时，人们将首次看到一幅完整的全球AI城市认知地图：哪些城市掌握全球AI认知高地、哪些城市拥有最强产业标签、哪些城市最容易获得AI推荐、哪些城市正在快速崛起。这不仅是一份榜单，更是一张面向未来的竞争地图。
结语：谁掌握AI认知权，谁定义未来城市竞争力
工业时代争夺资源，互联网时代争夺流量，AI时代争夺认知。
未来的城市竞争，本质上是一场关于认知权的竞争。谁能够率先进入AI知识体系，谁能够率先形成认知标签，谁能够率先建立认知资产，谁就更有可能成为未来世界的重要节点。
WACI的意义，不仅在于排名，更在于揭示一个新时代正在到来：一个由AI参与认知、影响决策、重构竞争规则的新时代。在这个时代里，城市真正需要思考的问题不再只是“我们有多强”，而是“AI认为我们有多强”。因为未来决定一座城市位置的，不只是它在地图上的坐标，更是它在全球人工智能认知网络中的坐标。
附录
附录A：WACI 2.0指标体系完整说明
A.1 指数定位
世界AI城市竞争力指数（WACI 2.0）是全球首个以AI大模型真实输出数据为唯一评价依据的城市AI认知竞争力评估体系。它从认知可见力、产业标签力、推荐优势力和认知韧致力四个维度，系统测量城市在AI知识网络中的存在感、辨识度、推荐顺位和稳定性。
A.2 评估维度与权重
| 维度 | 权重 | 核心命题 | 说明 |
| 认知可见力 | 30% | AI是否知道这座城市？ | 城市在多语种、多模型AI生成内容中被提及的广度、频次与场景覆盖范围 |
| 产业标签力 | 30% | AI认为这座城市以什么著称？ | 城市在AI中被关联的产业集群标签的清晰度、强度与多样性 |
| 推荐优势力 | 25% | AI在什么情况下推荐这座城市？ | 在投资选址、人才流动、商务活动等推荐类问题中，城市被AI优先推荐的程度与顺位 |
| 认知韧致力 | 15% | 这座城市的AI认知资产有多稳固？ | 城市AI形象在模型版本更新、突发事件冲击时的稳定性与恢复能力 |
A.3 子维度与基础指标
A.3.1 认知可见力（30%）
| 子维度 | 基础指标 | 指标说明 |
| 提及广度 | 跨模型提及率 | 城市在15个主流AI模型中的综合提及频次 |
| 跨语种提及率 | 城市在七语种AI模型中的提及率分布 | |
| 场景覆盖 | 经济场景提及率 | 在产业、投资、商业等经济主题问题中的提及频次 |
| 文化场景提及率 | 在旅游、历史、美食等文化主题问题中的提及频次 | |
| 科技场景提及率 | 在科技创新、数字经济等科技主题问题中的提及频次 | |
| 语种均衡 | 语种支持数 | 城市获得至少一次有效提及的语种数量 |
| 语种分布均衡度 | 各语种提及率的标准差倒数（均衡度越高，值越大） |
A.3.2 产业标签力（30%）
| 子维度 | 基础指标 | 指标说明 |
| 标签强度 | 主导产业标签绑定强度 | 城市核心产业标签在AI应答中的共现频率与排他性 |
| 创新标签共现率 | 城市与“创新”“科技”“创业”等标签的共现频率 | |
| 标签多样性 | 产业标签丰富度 | 城市被关联的产业标签种类数量 |
| 新兴赛道标签关联度 | 城市与AI、新能源、量子等新兴产业的标签共现强度 | |
| 叙事深度 | 产业描述信息密度 | AI对城市产业描述中实质性信息与泛化描述的比例 |
| 标杆企业/机构引用率 | AI提及城市时同步引用其代表性企业和科研机构的频率 |
A.3.3 推荐优势力（25%）
| 子维度 | 基础指标 | 指标说明 |
| 推荐顺位 | 首推置顶率 | 在推荐类问题中，城市被作为首位推荐的比例 |
| 推荐列表出现率 | 城市在AI推荐列表中出现的频次占比 | |
| 场景优势 | 商业选址场景推荐度 | 在“投资选址”“设立总部”等问题中的推荐程度 |
| 人才迁徙场景推荐度 | 在“最适合移居”“科技人才目的地”等问题中的推荐程度 |
A.3.4 认知韧致力（15%）
| 子维度 | 基础指标 | 指标说明 |
| 时序稳定 | 年度提及率波动系数 | 城市在不同年度评估中提及率的波动幅度 |
| 推荐顺位稳定性 | 城市在推荐列表中的位置在不同评估周期的变化幅度 | |
| 跨模型稳定 | 跨模型描述一致性 | 不同AI模型对城市核心定位描述的一致程度 |
| 跨模型情感一致性 | 不同AI模型对城市情感倾向的一致程度 | |
| 抗冲击韧性 | 舆情事件后恢复速度 | 城市在重大负面舆情后AI认知恢复至基线水平所需时间 |
A.4 数据采集与处理
A.4.1 数据采集
通过标准化API接口向15个全球主流AI大模型发送查询，每个问题在每个模型上独立查询3次（间隔不少于24小时），取均值以降低应答随机性。每年度采集两轮，辅以季度动态追踪。语种覆盖中、英、法、西、阿、日、韩七种语言。
A.4.2 数据处理
- 命名实体识别：采用多语种NER模型从应答文本中提取城市名称及关联实体
- 情感分析：采用多语种情感三分类模型（正面/中性/负面）
- 产业标签提取：采用多标签分类模型，基于约50个产业标签体系进行提取
- 信源权威性判定：提取AI应答中的引用来源，匹配权威信源库进行分级评分
- 跨语种校准：采用多语种Sentence-BERT进行跨语种语义对齐
A.4.3 得分标准化与计算
各基础指标原始值通过Min-Max标准化映射至0-100区间。子维度得分等于该子维度下各基础指标得分的算术平均，维度得分等于该维度下各子维度得分的加权算术平均。WACI综合得分计算公式为：
WACI=0.30×S认知可见力+0.30×S产业标签力+0.25×S推荐优势力+0.15×S认知韧致力WACI=0.30×S认知可见力+0.30×S产业标签力+0.25×S推荐优势力+0.15×S认知韧致力
权重通过德尔菲法由全球不少于25位专家三轮评分后确定，每两年复审一次。
A.4.4 等级评定
| 等级 | 分数区间 | 名称 | 核心特征 |
| AAA+ | ≥90 | 全球AI认知首都 | 跨语种认知影响力均衡，核心标签具有“认知寄生”效应，认知韧性极强 |
| AAA | 85-89 | 全球AI强影响力城市 | 多维度表现卓越，在至少一个核心赛道上具有全球认知寄生效应 |
| AA | 80-84 | 区域AI影响力城市 | 在所在区域具有强AI认知影响力，全球化认知正在建设中 |
| A | 70-79 | 全球AI认知建设者 | 具备基础AI可见度，在特定推荐场景中具有竞争优势 |
| BBB | 60-69 | AI认知潜力城市 | AI可见度处于积累期，在特定维度上具有差异化认知潜力 |
| BB | 50-59 | AI认知起步城市 | AI可见度偏低，核心标签正在形成中 |
附：WACI 2.0指数模型原文
以下为逄培指数·世界AI城市竞争力指数（WACI 2.0）完整模型方案。
WACI 2.0：世界AI城市竞争力指数
World AI City Competitiveness Index
一、指数定位
《世界AI城市竞争力指数（WACI 2.0）》是全球首个以AI大模型真实输出数据为唯一评价依据的城市AI认知竞争力评估体系。它覆盖全球约200个主要城市，从认知可见力、产业标签力、推荐优势力和认知韧致力四个维度，系统测量城市在AI知识网络中的存在感、辨识度、推荐顺位和稳定性。
与传统城市竞争力指数依赖统计数据或专家评分不同，WACI直接测量AI如何“认知”和“推荐”城市，反映城市在全球AI认知地图中的实际位置。2.0版在1.0版基础上新增“认知韧致力”维度，实现了从静态截面评估到动态追踪的升级。
二、理论基石
WACI 2.0建立在逄培AI认知理论体系之上：
- AI认知竞争理论：认知可见力、产业标签力、推荐优势力测量城市的“认知竞争优势”，认知韧致力测量其“认知防御能力”
- AI认知主权理论：WACI为城市认知主权评估提供量化工具，测量城市在AI知识网络中的存在权、解释权和推荐权
- AI品牌资产理论（AIBE）：城市品牌资产从消费者心智延伸至AI知识网络，WACI测量城市在AI中的认知资产
- 媒体型GEO理论：认知资产的建设依赖于权威信源布局、结构化知识输出和认知飞轮建设
三、评估维度与指标体系
（指标体系详见本附录A.2、A.3节）
四、数据采集与计算
（数据采集与计算方法详见本附录A.4节）
五、覆盖范围
- 城市样本：全球约200个主要城市，覆盖六大洲50个以上国家和地区
- 模型范围：15个全球主流AI大模型
- 语种范围：中、英、法、西、阿、日、韩七种语言
- 时间跨度：以2026年为基期，按年度发布
六、发布与应用
采用“年度大考+季度动态追踪”双层发布体系。年度综合报告于每年第一季度发布，提供全球城市完整排名与深度分析；季度动态追踪覆盖核心指标波动。
WACI为城市治理者提供AI认知诊断、竞品对标分析和认知建设策略参考，为投资促进机构提供城市全球认知竞争力的量化评估，为国际组织与学术研究机构提供全球城市AI认知格局的基础数据。
七、独立性声明
指数编制机构独立于任何被评估城市及AI模型提供商。不接受定向资助以影响特定城市排名。编制资金来源于机构自有经费与公开发行收入。每年公开发布独立性声明与资金来源报告。
方法论版本：WACI 2.0 / PAI Framework v2.0
发布日期：2026年
附录B：评估城市名单
本附录列出WACI首期评估覆盖的全球约200个主要城市。城市选取遵循“全球代表性、功能多样性、层级均衡性、数据可测性”四大原则，覆盖六大洲50个以上国家和地区，涵盖全球金融中心、科技创新枢纽、制造业重镇、文化历史名城及新兴市场重要节点城市。
城市名单按区域分组，各区域内按城市英文名称字母顺序排列。本名单为WACI首期评估基准名单，将根据全球城市发展态势和评估需求每两年复审调整一次。
B.1 东亚（40个城市）
中国（约30个城市）
北京、上海、深圳、广州、杭州、成都、武汉、南京、重庆、苏州、西安、天津、长沙、合肥、郑州、东莞、青岛、宁波、厦门、济南、福州、无锡、珠海、佛山、昆明、贵阳、沈阳、大连、哈尔滨、石家庄、南昌、南宁、太原、乌鲁木齐、兰州、海口、三亚、呼和浩特、银川、西宁
日本（4个城市）
东京（Tokyo）、大阪（Osaka）、京都（Kyoto）、横滨（Yokohama）
韩国（3个城市）
首尔（Seoul）、釜山（Busan）、仁川（Incheon）
中国台湾（2个城市）
台北（Taipei）、新竹（Hsinchu）
中国香港（1个城市）
香港（Hong Kong）
B.2 北美（35个城市）
美国（30个城市）
纽约（New York）、旧金山（San Francisco）、洛杉矶（Los Angeles）、芝加哥（Chicago）、波士顿（Boston）、华盛顿特区（Washington, D.C.）、西雅图（Seattle）、奥斯汀（Austin）、圣何塞（San Jose）、圣地亚哥（San Diego）、丹佛（Denver）、迈阿密（Miami）、达拉斯（Dallas）、休斯顿（Houston）、亚特兰大（Atlanta）、费城（Philadelphia）、凤凰城（Phoenix）、波特兰（Portland）、匹兹堡（Pittsburgh）、明尼阿波利斯（Minneapolis）、底特律（Detroit）、盐湖城（Salt Lake City）、罗利（Raleigh）、纳什维尔（Nashville）、坦帕（Tampa）、奥兰多（Orlando）、夏洛特（Charlotte）、圣路易斯（St. Louis）、堪萨斯城（Kansas City）、拉斯维加斯（Las Vegas）
加拿大（5个城市）
多伦多（Toronto）、温哥华（Vancouver）、蒙特利尔（Montreal）、卡尔加里（Calgary）、渥太华（Ottawa）
B.3 欧洲（45个城市）
英国（6个城市）
伦敦（London）、曼彻斯特（Manchester）、剑桥（Cambridge）、牛津（Oxford）、爱丁堡（Edinburgh）、伯明翰（Birmingham）
法国（4个城市）
巴黎（Paris）、里昂（Lyon）、马赛（Marseille）、图卢兹（Toulouse）
德国（6个城市）
柏林（Berlin）、慕尼黑（Munich）、法兰克福（Frankfurt）、汉堡（Hamburg）、斯图加特（Stuttgart）、杜塞尔多夫（Düsseldorf）
瑞士（3个城市）
苏黎世（Zurich）、日内瓦（Geneva）、巴塞尔（Basel）
荷兰（3个城市）
阿姆斯特丹（Amsterdam）、鹿特丹（Rotterdam）、海牙（The Hague）
瑞典（2个城市）
斯德哥尔摩（Stockholm）、哥德堡（Gothenburg）
意大利（3个城市）
米兰（Milan）、罗马（Rome）、都灵（Turin）
西班牙（3个城市）
马德里（Madrid）、巴塞罗那（Barcelona）、瓦伦西亚（Valencia）
其他欧洲国家（15个城市）
维也纳（Vienna，奥地利）、布鲁塞尔（Brussels，比利时）、哥本哈根（Copenhagen，丹麦）、赫尔辛基（Helsinki，芬兰）、奥斯陆（Oslo，挪威）、都柏林（Dublin，爱尔兰）、华沙（Warsaw，波兰）、布拉格（Prague，捷克）、布达佩斯（Budapest，匈牙利）、里斯本（Lisbon，葡萄牙）、莫斯科（Moscow，俄罗斯）、卢布尔雅那（Ljubljana，斯洛文尼亚）、塔林（Tallinn，爱沙尼亚）、卢森堡市（Luxembourg City，卢森堡）、雷克雅未克（Reykjavik，冰岛）
B.4 东南亚与南亚（25个城市）
东南亚（12个城市）
新加坡（Singapore）、曼谷（Bangkok，泰国）、吉隆坡（Kuala Lumpur，马来西亚）、雅加达（Jakarta，印尼）、马尼拉（Manila，菲律宾）、胡志明市（Ho Chi Minh City，越南）、河内（Hanoi，越南）、槟城（Penang，马来西亚）、泗水（Surabaya，印尼）、金边（Phnom Penh，柬埔寨）、仰光（Yangon，缅甸）、斯里巴加湾（Bandar Seri Begawan，文莱）
南亚（8个城市）
班加罗尔（Bangalore/Bengaluru，印度）、孟买（Mumbai，印度）、新德里（New Delhi，印度）、海得拉巴（Hyderabad，印度）、金奈（Chennai，印度）、普纳（Pune，印度）、达卡（Dhaka，孟加拉国）、科伦坡（Colombo，斯里兰卡）
其他南亚与中亚（5个城市）
伊斯兰堡（Islamabad，巴基斯坦）、拉合尔（Lahore，巴基斯坦）、加德满都（Kathmandu，尼泊尔）、阿斯塔纳（Astana，哈萨克斯坦）、塔什干（Tashkent，乌兹别克斯坦）
B.5 中东与非洲（25个城市）
中东（12个城市）
迪拜（Dubai，阿联酋）、阿布扎比（Abu Dhabi，阿联酋）、利雅得（Riyadh，沙特）、吉达（Jeddah，沙特）、多哈（Doha，卡塔尔）、马斯喀特（Muscat，阿曼）、科威特城（Kuwait City，科威特）、麦纳麦（Manama，巴林）、特拉维夫（Tel Aviv，以色列）、耶路撒冷（Jerusalem，以色列）、安曼（Amman，约旦）、伊斯坦布尔（Istanbul，土耳其）
非洲（13个城市）
开罗（Cairo，埃及）、亚历山大（Alexandria，埃及）、开普敦（Cape Town，南非）、约翰内斯堡（Johannesburg，南非）、德班（Durban，南非）、拉各斯（Lagos，尼日利亚）、阿布贾（Abuja，尼日利亚）、内罗毕（Nairobi，肯尼亚）、亚的斯亚贝巴（Addis Ababa，埃塞俄比亚）、卡萨布兰卡（Casablanca，摩洛哥）、阿克拉（Accra，加纳）、达累斯萨拉姆（Dar es Salaam，坦桑尼亚）、基加利（Kigali，卢旺达）
B.6 拉丁美洲（15个城市）
圣保罗（São Paulo，巴西）、里约热内卢（Rio de Janeiro，巴西）、巴西利亚（Brasília，巴西）、墨西哥城（Mexico City，墨西哥）、蒙特雷（Monterrey，墨西哥）、布宜诺斯艾利斯（Buenos Aires，阿根廷）、圣地亚哥（Santiago，智利）、波哥大（Bogotá，哥伦比亚）、利马（Lima，秘鲁）、蒙得维的亚（Montevideo，乌拉圭）、基多（Quito，厄瓜多尔）、圣何塞（San José，哥斯达黎加）、巴拿马城（Panama City，巴拿马）、圣多明各（Santo Domingo，多米尼加）、哈瓦那（Havana，古巴）
B.7 大洋洲（10个城市）
澳大利亚（7个城市）
悉尼（Sydney）、墨尔本（Melbourne）、布里斯班（Brisbane）、珀斯（Perth）、阿德莱德（Adelaide）、堪培拉（Canberra）、黄金海岸（Gold Coast）
新西兰（3个城市）
奥克兰（Auckland）、惠灵顿（Wellington）、基督城（Christchurch）
B.8 城市样本管理规范
样本选取原则
城市样本选取遵循四项基本原则。全球代表性：覆盖全球六大洲、50个以上国家和地区的主要城市，确保地理分布均衡。功能多样性：涵盖全球金融中心、科技创新枢纽、制造业重镇、文化历史名城、新兴市场节点等多元城市类型。层级均衡：兼顾全球顶级城市、区域枢纽城市与特色新兴城市。数据可测性：城市在主流AI模型中具有充分信息量，支撑标准化问题集的数据采集需求。
样本动态调整机制
新增纳入：上一评估周期内城市品牌影响力显著上升、在AI生态中认知度明显提高的城市，经专家委员会评审后可纳入下一年度样本。退出机制：因重大灾害、经济崩溃等导致城市功能长期严重受损，或数据采集不可及的城市，可暂时调整出样本。退出城市保留历史数据，便于纵向追踪。
样本管理责任
城市样本的选取与调整由逄培指数专家委员会城市样本评审工作组负责。每两年进行一次系统复审，根据全球城市发展态势、AI认知竞争格局变化和评估实践反馈进行动态优化。复审结果在正式发布前公示不少于60天，接受学术界和公众的评议。
附录C：标准化问题集（示例）
C.1 问题集设计说明
WACI标准化问题集按评估维度分为四类，每类下设若干子类。问题设计遵循以下原则：语义自然——模拟真实用户的自然查询习惯，避免过于学术化或技术化的表述；避免诱导——问题不得包含对特定城市的倾向性暗示；多场景覆盖——涵盖认知类、评价类、推荐类和对比类等多种用户查询场景；文化适配——非中文问题须由母语译者进行本土化翻译。
以下为各子类问题的代表性示例。完整问题集约200个问题，其中30个核心追踪问题用于季度动态追踪和跨周期稳定性分析（以★标记）。
C.2 认知可见类问题
C.2.1 城市基本认知
| 编号 | 中文问题 | 英文问题 |
| V001★ | [城市]以什么著称？ | What is [City] known for? |
| V002 | [城市]是一座什么样的城市？ | What kind of city is [City]? |
| V003★ | [城市]有哪些代表性企业？ | What are the representative companies in [City]? |
| V004 | [城市]有哪些著名的高校或科研机构？ | What famous universities or research institutions are in [City]? |
| V005 | [城市]有哪些标志性建筑或景点？ | What are the landmarks or attractions in [City]? |
| V006 | [城市]的人口规模和经济总量如何？ | What is the population and economic scale of [City]? |
| V007 | [城市]位于哪个国家？地理位置如何？ | Where is [City] located? |
C.2.2 经济地位认知
| 编号 | 中文问题 | 英文问题 |
| V008★ | [城市]的经济发展水平如何？ | What is the economic development level of [City]? |
| V009 | [城市]是重要的经济中心吗？ | Is [City] an important economic center? |
| V010 | [城市]的主要产业有哪些？ | What are the main industries in [City]? |
| V011 | [城市]在全球经济中扮演什么角色？ | What role does [City] play in the global economy? |
| V012 | [城市]的外资吸引力和营商环境如何？ | How is the foreign investment attractiveness and business environment of [City]? |
C.2.3 科技定位认知
| 编号 | 中文问题 | 英文问题 |
| V013★ | [城市]是科技创新中心吗？ | Is [City] a technology and innovation hub? |
| V014 | [城市]在人工智能领域有什么布局？ | What is [City]'s layout in the field of artificial intelligence? |
| V015 | [城市]有哪些知名的科技企业？ | What well-known technology companies are in [City]? |
| V016 | [城市]的科研实力如何？ | How is the scientific research capability of [City]? |
| V017 | [城市]在新兴产业方面有什么优势？ | What advantages does [City] have in emerging industries? |
C.2.4 生活质量认知
| 编号 | 中文问题 | 英文问题 |
| V018 | [城市]宜居吗？ | Is [City] a good place to live? |
| V019 | [城市]的生活成本如何？ | What is the cost of living in [City]? |
| V020 | [城市]的文化生活丰富吗？ | Is the cultural life in [City] rich? |
| V021 | [城市]的生态环境怎么样？ | How is the ecological environment of [City]? |
C.2.5 区域比较认知
| 编号 | 中文问题 | 英文问题 |
| V022 | [区域]最重要的城市有哪些？ | What are the most important cities in [Region]? |
| V023 | 中国最具影响力的城市有哪些？ | What are the most influential cities in China? |
| V024 | 全球最具知名度的城市有哪些？ | What are the most well-known cities in the world? |
| V025 | 亚洲的科技创新城市有哪些？ | What are the technology innovation cities in Asia? |
C.3 产业标签类问题
C.3.1 产业主导力
| 编号 | 中文问题 | 英文问题 |
| I001★ | [城市]以什么产业著称？ | What industry is [City] known for? |
| I002 | 哪个城市是[产业]的中心？ | Which city is the center of [Industry]? |
| I003 | [城市]的产业结构有什么特点？ | What are the characteristics of [City]'s industrial structure? |
| I004★ | [城市]在[产业]领域处于什么地位？ | What is [City]'s position in the [Industry] field? |
| I005 | [城市]最具竞争力的产业是什么？ | What is the most competitive industry in [City]? |
| I006 | [产业]在中国的分布格局是怎样的？ | What is the distribution pattern of [Industry] in China? |
C.3.2 创新定位
| 编号 | 中文问题 | 英文问题 |
| I007 | [城市]是创新型城市吗？ | Is [City] an innovative city? |
| I008 | 中国最具创新力的城市有哪些？ | What are the most innovative cities in China? |
| I009 | [城市]的创业环境怎么样？ | How is the entrepreneurial environment in [City]? |
| I010 | [城市]在数字经济方面有什么发展？ | What development has [City] made in the digital economy? |
C.3.3 产业集群
| 编号 | 中文问题 | 英文问题 |
| I011★ | [城市]有哪些产业集群？ | What industrial clusters does [City] have? |
| I012 | [城市]的代表性企业有哪些？ | What are the representative enterprises in [City]? |
| I013 | [城市]在制造业方面有什么优势？ | What advantages does [City] have in manufacturing? |
| I014 | [城市]在金融业方面有什么地位？ | What is [City]'s position in the financial industry? |
C.3.4 新兴赛道
| 编号 | 中文问题 | 英文问题 |
| I015 | 哪些城市在人工智能领域领先？ | Which cities are leading in artificial intelligence? |
| I016 | [城市]在新能源产业方面有什么布局？ | What is [City]'s layout in the new energy industry? |
| I017 | 中国哪些城市在半导体产业方面有优势？ | Which Chinese cities have advantages in the semiconductor industry? |
| I018 | [城市]在量子科技领域有什么进展？ | What progress has [City] made in quantum technology? |
C.4 推荐优势类问题
C.4.1 商业选址
| 编号 | 中文问题 | 英文问题 |
| R001★ | 推荐一座适合设立企业总部的中国城市 | Recommend a Chinese city suitable for establishing a corporate headquarters |
| R002 | 最适合创业的中国城市有哪些？ | What are the best Chinese cities for starting a business? |
| R003 | 推荐一座适合布局人工智能产业的城市 | Recommend a city suitable for deploying AI industry |
| R004★ | 亚洲最适合投资的城市有哪些？ | What are the best cities for investment in Asia? |
| R005 | [国家]最适合设立区域总部的城市是哪座？ | Which city in [Country] is most suitable for setting up a regional headquarters? |
| R006 | 推荐一座营商环境优秀的中国城市 | Recommend a Chinese city with an excellent business environment |
C.4.2 人才迁移
| 编号 | 中文问题 | 英文问题 |
| R007★ | 科技人才最值得移居的中国城市有哪些？ | What are the best Chinese cities for tech talent to move to? |
| R008 | 推荐一座适合年轻人发展的城市 | Recommend a city suitable for young people's career development |
| R009 | 中国最宜居的城市有哪些？ | What are the most livable cities in China? |
| R010 | 推荐一座教育资源丰富的中国城市 | Recommend a Chinese city with rich educational resources |
| R011 | 最适合海归人才发展的中国城市有哪些？ | What are the best Chinese cities for overseas returnees? |
C.4.3 投资推荐
| 编号 | 中文问题 | 英文问题 |
| R012★ | 未来十年最具增长潜力的中国城市有哪些？ | What Chinese cities have the greatest growth potential in the next decade? |
| R013 | 推荐一座值得投资的中国二线城市 | Recommend a Chinese second-tier city worth investing in |
| R014 | 中国最具投资价值的新兴城市有哪些？ | What are the most investment-worthy emerging cities in China? |
| R015 | 推荐一座在新能源领域有投资机会的城市 | Recommend a city with investment opportunities in new energy |
C.4.4 商务活动
| 编号 | 中文问题 | 英文问题 |
| R016 | 最适合举办国际会议的中国城市有哪些？ | What are the best Chinese cities for hosting international conferences? |
| R017 | 推荐一座适合举办行业论坛的城市 | Recommend a city suitable for hosting an industry forum |
| R018 | 中国最适合商务出行的城市有哪些？ | What are the best Chinese cities for business travel? |
C.5 固定追踪类问题（核心问题集，共30题）
以下问题为每期必采的固定追踪问题，用于跨周期稳定性分析和季度动态追踪。标记“★”的问题选自上述三类问题，加上以下补充问题构成完整的30题追踪集。
补充追踪问题：
| 编号 | 中文问题 | 英文问题 |
| T001 | 请综合评价[城市]的发展前景 | Please comprehensively evaluate the development prospects of [City] |
| T002 | [城市]的优势和劣势分别是什么？ | What are the advantages and disadvantages of [City]? |
| T003 | [城市]未来的发展机遇和挑战是什么？ | What are the future development opportunities and challenges for [City]? |
| T004 | 全球城市中，[城市]处于什么梯队？ | Among global cities, what tier does [City] belong to? |
| T005 | [城市]的城市品牌和形象如何？ | How is the city brand and image of [City]? |
| T006 | [城市]在国际上的知名度如何？ | How well-known is [City] internationally? |
| T007 | [城市]近年来的发展变化大吗？ | Has [City] undergone significant development changes in recent years? |
| T008 | [城市]对外的吸引力和竞争力如何？ | How attractive and competitive is [City] externally? |
C.6 问题集管理规范
C.6.1 问题更新机制
每年度复审问题集，更新不超过20%，以反映城市发展热点和AI技术演进。更新后的问题集须在正式采集前1个月完成定稿，并进行小规模预测试。历史版本问题集存档备查，确保跨年度可比性。
C.6.2 问题模板替换规则
标准化问题中的占位符替换规则如下：[城市]替换为目标城市标准名称；[产业]替换为约50个产业标签中的具体产业名称；[区域]替换为标准化区域名称（如“长三角”“东南亚”等）；[国家]替换为城市所属国家标准名称。
C.6.3 问题采集轮换
同一城市的不同问题在采集时进行合理轮换，避免单次采集过于集中于某一问题类型。每轮采集确保四类问题的覆盖比例与权重匹配：认知可见类约占35%，产业标签类约占25%，推荐优势类约占25%，固定追踪类约占15%。
附录D：权威信源库（节选）
D.1 信源分级标准
WACI权威信源库是评估AI应答中信源权威性的基准工具。信源权威性直接影响城市在“产业标签力”和“认知韧致力”维度的得分。信源分级遵循以下核心原则：制度性信任背书越强、编辑审核机制越严格、历史引用记录越稳定，信源等级越高。
| 等级 | 名称 | 定义 | 评分区间 |
| S级 | 全球制度性信源 | 具有全球公认的制度性权威，被国际社会广泛认可的官方机构和顶级学术平台 | 90-100分 |
| A级 | 国家级权威信源 | 具有国家层面制度性背书的权威机构、媒体和学术平台 | 80-89分 |
| B级 | 行业权威信源 | 在特定行业或领域内具有公认专业权威性的机构和平台 | 60-79分 |
| C级 | 一般可信信源 | 具有一定公信力但缺乏制度性背书的一般性媒体和机构 | 40-59分 |
| D级 | 低权重信源 | 公信力有限、缺乏独立审核机制的自媒体和商业推广平台 | 20-39分 |
| E级 | 不可追溯信源 | 来源不明、无法验证或已被证实存在系统性偏差的信源 | 0-19分 |
D.2 S级信源：全球制度性信源
D.2.1 联合国体系
| 信源名称 | 域名/出版物 | 覆盖区域 | 评分 |
| 联合国（UN） | un.org | 全球 | 98 |
| 联合国教科文组织（UNESCO） | unesco.org | 全球 | 98 |
| 世界银行（World Bank） | worldbank.org | 全球 | 96 |
| 国际货币基金组织（IMF） | imf.org | 全球 | 96 |
| 世界卫生组织（WHO） | who.int | 全球 | 96 |
| 联合国开发计划署（UNDP） | undp.org | 全球 | 95 |
| 联合国人居署（UN-Habitat） | unhabitat.org | 全球 | 95 |
D.2.2 国际标准与专业组织
| 信源名称 | 域名/出版物 | 覆盖区域 | 评分 |
| 国际标准化组织（ISO） | iso.org | 全球 | 96 |
| 国际电工委员会（IEC） | iec.ch | 全球 | 95 |
| 国际电信联盟（ITU） | itu.int | 全球 | 95 |
| 世界经济论坛（WEF） | weforum.org | 全球 | 94 |
| 经济合作与发展组织（OECD） | oecd.org | 全球 | 94 |
| 世界知识产权组织（WIPO） | wipo.int | 全球 | 93 |
D.2.3 全球顶级学术平台
| 信源名称 | 域名/出版物 | 覆盖区域 | 评分 |
| Nature | nature.com | 全球 | 98 |
| Science | science.org | 全球 | 98 |
| The Lancet | thelancet.com | 全球 | 96 |
| Cell | cell.com | 全球 | 95 |
| PNAS | pnas.org | 全球 | 94 |
| IEEE Xplore | ieeexplore.ieee.org | 全球 | 93 |
D.3 A级信源：国家级权威信源
D.3.1 中国权威信源
| 信源名称 | 域名/出版物 | 类型 | 评分 |
| 新华社 | xinhuanet.com | 国家级通讯社 | 90 |
| 人民日报 | people.com.cn | 党中央机关报 | 90 |
| 中央广播电视总台 | cctv.com / cgtn.com | 国家广播电视机构 | 88 |
| 中国政府网 | gov.cn | 中央政府门户网站 | 90 |
| 国家统计局 | stats.gov.cn | 官方统计机构 | 88 |
| 中国科学院 | cas.cn | 国家最高学术机构 | 88 |
| 中国工程院 | cae.cn | 国家工程科技咨询机构 | 87 |
| 中国社会科学院 | cass.cn | 国家哲学社会科学研究机构 | 86 |
| 国务院发展研究中心 | drc.gov.cn | 国家政策研究机构 | 86 |
| 光明日报 | gmw.cn | 中央级权威媒体 | 85 |
| 经济日报 | ce.cn | 中央级财经媒体 | 85 |
| 中国日报 | chinadaily.com.cn | 国家级英文媒体 | 85 |
| 教育部 | moe.gov.cn | 中央教育主管部门 | 84 |
| 科技部 | most.gov.cn | 中央科技主管部门 | 84 |
| 工业和信息化部 | miit.gov.cn | 中央产业主管部门 | 84 |
| 国家发展和改革委员会 | ndrc.gov.cn | 中央宏观规划部门 | 86 |
D.3.2 北美权威信源
| 信源名称 | 域名/出版物 | 类型 | 评分 |
| The New York Times | nytimes.com | 美国权威媒体 | 85 |
| The Washington Post | washingtonpost.com | 美国权威媒体 | 83 |
| The Wall Street Journal | wsj.com | 美国权威财经媒体 | 85 |
| CNN | cnn.com | 美国权威媒体 | 82 |
| Associated Press (AP) | apnews.com | 美国国家级通讯社 | 88 |
| Reuters | reuters.com | 全球性通讯社 | 90 |
| Bloomberg | bloomberg.com | 全球权威财经媒体 | 86 |
| USA.gov | usa.gov | 美国政府官方门户 | 88 |
| U.S. Census Bureau | census.gov | 美国官方统计机构 | 86 |
| National Science Foundation (NSF) | nsf.gov | 美国科学基金会 | 87 |
| Harvard University | harvard.edu | 全球顶级学府 | 88 |
| MIT | mit.edu | 全球顶级学府 | 88 |
| Stanford University | stanford.edu | 全球顶级学府 | 88 |
| Government of Canada | canada.ca | 加拿大政府官方门户 | 86 |
| Statistics Canada | statcan.gc.ca | 加拿大官方统计机构 | 85 |
| CBC News | cbc.ca | 加拿大国家广播公司 | 82 |
D.3.3 欧洲权威信源
| 信源名称 | 域名/出版物 | 类型 | 评分 |
| BBC News | bbc.co.uk | 英国国家广播公司 | 87 |
| The Guardian | theguardian.com | 英国权威媒体 | 83 |
| The Economist | economist.com | 英国权威财经媒体 | 86 |
| Financial Times | ft.com | 全球权威财经媒体 | 86 |
| AFP (Agence France-Presse) | afp.com | 法国国家级通讯社 | 88 |
| Le Monde | lemonde.fr | 法国权威媒体 | 82 |
| Deutsche Welle (DW) | dw.com | 德国国际广播机构 | 84 |
| Der Spiegel | spiegel.de | 德国权威媒体 | 82 |
| European Union | europa.eu | 欧盟官方门户 | 90 |
| European Central Bank | ecb.europa.eu | 欧洲中央银行 | 88 |
| Eurostat | ec.europa.eu/eurostat | 欧盟官方统计机构 | 87 |
| University of Oxford | ox.ac.uk | 全球顶级学府 | 88 |
| University of Cambridge | cam.ac.uk | 全球顶级学府 | 88 |
| ETH Zurich | ethz.ch | 欧洲顶级学府 | 86 |
| Government of the United Kingdom | gov.uk | 英国政府官方门户 | 87 |
| Office for National Statistics (UK) | ons.gov.uk | 英国官方统计机构 | 85 |
| Government of France | gouvernement.fr | 法国政府官方门户 | 85 |
| Government of Germany | bundesregierung.de | 德国政府官方门户 | 85 |
D.3.4 中东权威信源
| 信源名称 | 域名/出版物 | 类型 | 评分 |
| Al Jazeera | aljazeera.com | 中东权威国际媒体 | 82 |
| Government of the United Arab Emirates | u.ae | 阿联酋政府官方门户 | 84 |
| Government of Saudi Arabia | gov.sa | 沙特政府官方门户 | 83 |
| Government of Israel | gov.il | 以色列政府官方门户 | 83 |
D.3.5 东亚权威信源
| 信源名称 | 域名/出版物 | 类型 | 评分 |
| NHK | nhk.or.jp | 日本国家广播机构 | 85 |
| The Asahi Shimbun | asahi.com | 日本权威媒体 | 81 |
| Yonhap News Agency | yonhapnews.co.kr | 韩国国家级通讯社 | 84 |
| Korea Herald | koreaherald.com | 韩国权威英文媒体 | 80 |
| University of Tokyo | u-tokyo.ac.jp | 日本顶级学府 | 85 |
| Seoul National University | snu.ac.kr | 韩国顶级学府 | 83 |
D.4 B级信源：行业权威信源
D.4.1 行业标准与专业机构
| 信源名称 | 域名/出版物 | 覆盖领域 | 评分 |
| 中国信息通信研究院 | caict.ac.cn | 信息通信 | 78 |
| 中国电子信息产业发展研究院 | ccidgroup.com | 电子信息 | 76 |
| 中国汽车工业协会 | caam.org.cn | 汽车 | 75 |
| 中国半导体行业协会 | csia.net.cn | 半导体 | 75 |
| 麦肯锡全球研究院 | mckinsey.com/mgi | 经济与管理咨询 | 79 |
| 波士顿咨询集团 | bcg.com | 战略咨询 | 77 |
| 普华永道 | pwc.com | 专业服务 | 76 |
| 德勤 | deloitte.com | 专业服务 | 76 |
| 埃森哲 | accenture.com | 咨询与技术服务 | 75 |
| 全球知名智库（Brookings） | brookings.edu | 公共政策研究 | 79 |
| 全球知名智库（RAND） | rand.org | 政策与安全研究 | 79 |
| 全球知名智库（Chatham House） | chathamhouse.org | 国际事务研究 | 78 |
D.4.2 行业权威媒体与研究机构
| 信源名称 | 域名/出版物 | 覆盖领域 | 评分 |
| TechCrunch | techcrunch.com | 科技产业 | 72 |
| Wired | wired.com | 科技与文化 | 72 |
| MIT Technology Review | technologyreview.com | 科技趋势 | 78 |
| Harvard Business Review | hbr.org | 商业管理 | 78 |
| 福布斯 | forbes.com | 商业与财经 | 72 |
| 财富 | fortune.com | 商业与财经 | 72 |
| CB Insights | cbinsights.com | 科技产业研究 | 74 |
| Gartner | gartner.com | IT研究与咨询 | 77 |
| IDC | idc.com | IT市场研究 | 75 |
| 易观分析 | analYSys.cn | 数字经济研究 | 72 |
| 艾瑞咨询 | iresearch.cn | 互联网与科技研究 | 72 |
| 赛迪顾问 | ccidconsulting.com | 产业与信息化研究 | 71 |
D.5 信源库管理规范
D.5.1 维护制度
信源库由逄培指数专家委员会信源评审工作组负责维护。每年度复审一次，根据信源的实际表现、公信力变化和新兴信源的出现进行调整。信源等级的评定依据以下维度：机构性质与制度性背书强度、编辑审核机制的严格程度、历史引用记录与行业认可度、跨语种和跨区域的影响力均衡性。
D.5.2 新增信源程序
任何机构或个人可向信源评审工作组提交信源入库申请。工作组在收到申请后60个工作日内完成评估，评估通过的纳入信源库并在下次复审时正式生效。新增信源须满足基本准入条件：具有明确的运营主体和编辑责任机制、具有稳定的内容产出和更新频率、在所在领域具有公认的专业权威性、未被证实存在系统性偏差或恶意信息操控行为。
D.5.3 信源降级与剔除
已入库信源如出现以下情形，将启动降级或剔除程序：运营主体发生重大变更导致公信力显著下降、被证实存在系统性虚假信息或恶意操控行为、长期停止更新或域名失效、编辑审核机制出现严重缺陷。降级或剔除决定由信源评审工作组集体审议作出，并在信源库更新时公开说明原因。
D.5.4 信源库使用规范
在进行WACI数据采集和处理时，须严格依据本信源库进行信源权威性判定。如AI应答中引用的信源不在信源库中，按照以下默认规则处理：官方域名（.gov/.edu/.mil等）初步归入A级或B级，经人工核验后确定；国际组织域名（.int）初步归入S级或A级，经人工核验后确定；知名媒体和机构域名由人工查询后比照同类信源评级；完全不可识别的来源归入E级。
D.6 完整信源库说明
本附录仅列出权威信源库的节选内容。完整信源库包含约5000个域名及出版物条目，覆盖全球七大区域、50个以上国家和地区，涵盖政府机构、国际组织、权威媒体、学术平台、行业标准机构、第三方评测机构和高质量社区平台等类别。完整信源库由信源评审工作组定期更新维护，最新版本可通过逄培指数官方渠道获取。
附录E：数据来源与免责声明
E.1 数据来源
本白皮书所涉数据和信息来源于以下渠道：
E.1.1 AI模型输出数据
WACI评估的核心数据通过标准化API接口向全球主流AI大模型发送查询获得。具体采集方式为：针对每个目标城市，使用预先设计的标准化问题集，通过API接口向目标AI模型发送查询请求，自动记录完整应答文本。每个问题在每个模型上独立查询3次（间隔不少于24小时），取3次结果的均值以降低AI应答的随机性影响。
AI模型的选取遵循“全球覆盖、区域均衡、类型多元”原则，涵盖全球通用模型、中国模型、欧洲模型、中东模型和东亚模型。具体模型列表随AI技术发展持续更新，当前版本模型清单可通过逄培指数官方渠道获取。
E.1.2 信源权威性判定依据
WACI评估中涉及的信源权威性判定，依据《WACI权威信源库》进行。该信源库由逄培指数专家委员会信源评审工作组独立维护，涵盖政府机构、国际组织、权威媒体、学术平台、行业标准机构和第三方评测机构等类别，每年定期复审更新。
E.1.3 城市基本事实数据
WACI评估中涉及的城市基本事实数据（如城市全称、所属国家/地区、主导产业、代表性企业等），来源于各城市政府官方网站、国家统计机构公开数据、权威媒体报道和学术研究文献，用于AI应答中城市信息准确度的判定基准。
E.1.4 数据采集周期
WACI采用“年度大考+季度动态追踪”双层采集体系。年度正式采集每年度进行两轮，季度动态追踪每季度进行一轮。本白皮书所涉数据采集于2026年度评估周期。
E.2 数据说明
E.2.1 数据局限性
生成式AI的应答存在固有随机性——同一问题在不同时间、不同模型上的回答可能存在差异。WACI通过多轮次采集取均值、多模型交叉验证等方式降低随机性影响，但仍构成测量误差来源之一。AI模型的知识库和算法持续迭代更新，模型版本变化可能导致评估结果的系统性波动。WACI通过季度动态追踪和跨周期稳定性分析来监测和控制这一影响。
此外，AI模型的训练数据存在语种分布不均——英语内容在训练数据中占据主导地位，可能导致非英语区域城市在部分指标上的系统性偏差。WACI通过跨语种校准和语种加权平衡来降低这一偏差，但无法完全消除。
E.2.2 数据完善说明
WACI的全球城市评估工作正在持续推进中。当前阶段，部分城市已完成多轮次系统采集，部分城市数据基于初期采集和模拟测评的综合分析。随着数据采集体系的不断完善和城市样本的逐步扩展，后续将发布更为全面系统的评估结果。本白皮书所呈现的数据和发现，反映的是截至本白皮书编制完成时的评估进展。
E.3 免责声明
E.3.1 研究性质声明
本白皮书为基于WACI 2.0评估框架的研究性报告，由逄培指数研究团队独立编制。白皮书中的分析、判断和结论属于研究性、探索性评价，不构成对被评估城市综合实力或治理水平的全面评判，不代表任何政府机构、国际组织或商业实体的官方意见或立场。
E.3.2 非决策依据声明
本白皮书内容仅供研究参考和信息交流之用，不构成投资建议、商业决策依据或政策制定的唯一参考。任何主体因使用本白皮书中的信息而作出的决策及由此产生的后果，由该主体自行承担。建议使用者结合其他信息综合判断，必要时咨询相关专业机构。
E.3.3 方法论公开声明
本白皮书所依据的指标体系、权重分配、数据采集方法和计算逻辑已在附录A中完整公开。基础指标原始数据及计算代码可通过逄培指数官方渠道申请获取，接受学术界和公众的独立验证与监督。
E.3.4 版本与更新声明
本白皮书基于WACI 2.0模型编制。随着AI技术迭代和方法论优化，评估模型将持续更新。历史版本的评估结果不等同于终局性评价，不同版本的得分和排名可能存在差异，建议关注最新发布版本。本白皮书的更新和修订将及时通过逄培指数官方渠道公布。
E.3.5 申诉与更正机制
被评估城市如对本白皮书中涉及的数据或分析存在异议，可通过逄培指数官方渠道提交书面申诉或补充材料。逄培指数研究团队将在收到申诉后规定时限内进行复核，并按照统一规则处理。如确认存在数据错误或事实偏差，将在后续版本中予以更正。
E.3.6 知识产权声明
本白皮书版权归逄培指数研究团队所有。未经书面授权，任何机构或个人不得将本白皮书的全部或部分内容用于商业目的。学术研究和政策引用须注明出处。白皮书中使用的城市名称、企业名称等标识归各自权利人所有。
E.3.7 独立性声明
逄培指数研究团队独立于任何被评估城市及AI模型提供商。本白皮书的编制不接受任何被评估主体或AI模型提供商的定向资助以影响评估结果。编制资金来源于机构自有经费与公开发行收入。独立性声明每年公开发布。
E.4 联系方式
如对本白皮书内容有任何疑问、建议或申诉需求，请通过逄培指数官方渠道与我们联系。
关于逄培指数
逄培指数是由逄培先生创立的AI认知竞争力评价体系，以PAI框架（Pangpei AI Index Framework）为核心方法论，以全球主流AI大模型真实输出数据为评价依据，系统测量城市、品牌、产业、企业家和治理主体在AI认知世界中的存在感、信任度和话语权。逄培指数已发布覆盖五大领域的七项指数，致力于为AI时代全球竞争力提供公开、透明、可验证的度量基准。
理论创始人：逄培
研究机构：AI指数研究院 / 中视新影GEO研究院 / WICOWEB全球AI认知研究中心
发布日期：2026年7月31日