人工智能（AI）作为科技创新与产业创新深度融合的典型领域，不仅是开辟经济发展新赛道、塑造国际竞争新优势的必然选择，更是全球科技博弈的焦点领域。当前，人工智能在能源交通、高端制造、生物医药、科学研究等领域加快应用，但对各产业的赋能作用仍亟待拓展。我国具备应用场景丰富的优势，但也存在与发达国家差距拉大的潜在风险。2025年1月，国务院研究室与浙江大学联合举办第六届“科教发展季谈会”，汇聚产学研资深专家，通过主题研讨会和深度专家访谈，全面审视我国人工智能赋能产业发展态势。主要观点整理如下。
专家认为，人工智能赋能产业发展要求算力体系、数据要素、工业场景“三位一体”整体推进，要在支撑国家重大战略、服务战略产业上明确发展坐标，以场景创新为突破口，打造推动经济高质量发展新引擎。
专家认为，我国人工智能背靠强大制造优势，应用场景丰富，有望催生万亿级规模产业，但总体仍面临诸多挑战，特别是关键核心技术和顶尖人才储备不足。在当前大模型技术蓬勃发展背景下，必须警惕盲目跟随，以免陷入战略陷阱，错失发展主动权。
一是人工智能赋能产业发展态势迅猛，将为创新范式和产业结构带来革命性变化。人工智能正迈入多智能融合新时代，以大模型技术跃进为标志，加速向协同并进的新型智能形态转型。观点一：这一历史性跨越预计将在五年内实现，而AI For Science正深度融合算力、算法与数据，深刻影响从科学研究到技术研发再到应用推广的创新全链条。观点二：人工智能赋能产业发展的底层逻辑在于科技创新与产业创新的深度融合，通过优化投入产出关系和生产要素配置，直接引发动力、效率和质量变革。观点三：人工智能不是科学工具的革命，而是科学革命的工具，会驱动技术和产业体系变革，具备非传统性和跨学科融合特性，在应用时需明确服务目的与受益对象。
二是我国人工智能“头雁”效应初显，但赋能产业发展仍任重道远。截至2024年3月，我国AI企业数量占全球15%[1]，且增速迅猛，2024年上半年同比增长35.65%[2]，核心产业规模亦大幅增长，远超GDP增速。观点一：汽车产业是当前最大的人工智能应用场景，汽车产业的边界正在持续扩展，车企的基础技术和数据资源能支撑其涉足机器人、低空飞行器等领域。专家强调，人工智能赋能产业发展应避免浅尝辄止的行业叠加，而应推动传统产业智能化升级与战略性新兴产业自主可控，培育未来产业新优势，实现产业体系全面升级转型。观点二：未来二十年机器人产业有可能比肩当前汽车产业规模，成为新的经济增长点。
三是我国人工智能发展迅速，但应避免盲目追随的风险。截至2024年第一季度，美国在全球人工智能大模型数量中以44%占先导地位，我国则以36%紧随其后[3]。观点一：全球各国普遍存在人工智能助力国家发展的共性需求，在美国实施技术禁运背景下，我国有望成为驱动全球人工智能发展的关键力量。观点二：我国在理论、算法与产业应用相结合方面具有比较优势，当前走从专用模型到通用模型、从推理侧到训练端的产业牵引道路更具优势、更为可行，在高校层面可尝试启动学科大模型建设。观点三：我国必须谨慎评估追随式大模型发展路径的风险，特别是在当前高质量数据资源相对匮乏的情况下，盲目跟随可能既不现实，也不可持续。为此，专家建议，我国应充分利用“一带一路”倡议、二十国集团（G20）、中非合作论坛及中国—中东欧国家合作等多边合作机制，主动融入全球人工智能治理体系，探索符合自身国情的发展道路。
专家认为，我国不仅面临算力供给、算法兼容、数据获取等技术问题，还面临理念认识不清、核心技术依赖、场景落地困难、人才供需矛盾等挑战，需要进一步统筹协调。
一是算力算法瓶颈仍存，高质量数据供给能力不足。专家反映，当前AI技术商业化落地面临算力资源分配不均、结构性错位、算法逻辑缺乏透明性和可解释性，以及高质量数据稀缺等问题。观点一：算力资源存在品类与空间的错位，异地调度难度大且成本高，造成算力资源闲置与浪费。观点二：数据孤岛同样不容忽视，不同企业、不同部门的数据难以共享和整合，多源异构、噪声干扰及缺失值等问题导致大模型的训练受到限制。专家指出，人工智能芯片受开发工具、算子库、计算框架等制约，导致国产工业机器人在控制精度、使用寿命等关键指标上与全球顶尖水平存在差距，国产芯片良品率也需不断提升。
二是运动式推进“AI+”，极易造成重复浪费、效率低下。观点一：当前人工智能发展过度依赖资本驱动而非实际需求，这一问题在机器人领域尤为突出，市场上存在大量模仿创新和低价竞争行为，这一现象凸显我国知识产权保护体系亟待完善。观点二：部分企业为抢占市场份额，大多模仿国外开源大模型，竞相推出大模型产品与服务，而对数据语料和前沿技术领域投入不足，导致市场供给同质化严重，陷入价格战的恶性循环。
三是传统产业“空心化”与中小企业“边缘化”，恐衍生一系列社会问题。观点一：机械、结构、材料等传统产业是人工智能应用的重要基础，但往往被忽视，尤其是既懂传统领域又懂人工智能的高质量人才供给明显不足。观点二：绝大多数IT企业不具备人工智能自主研发能力，AI大模型正冲击传统内容生成、产品开发和数据中台等领域的发展，部分城市软件信息产业面临空心化危机。观点三：AI项目部署开发成本高，在新技术冲击下中小企业因缺乏资金和自主研发能力，也难以通过外部合作实现转型，受到冲击较大，影响产业生态良性发展。
四是产业生态尚不成熟，高水平创新要素供给相对缺乏。专家认为，由于工业数据共享意愿低，加之对商业机密和核心技术保护等因素，人工智能技术方案在实际应用场景的落地效率通常会打折扣。观点一：受算力资源短缺、学科交叉性不够、场景教学体系不健全等制约，高校学生缺乏实操机会，跨学科培养严重不足。观点二：在创新研究过程中，研究者往往基于支持资金性质和导向确定研究方向，这在一定程度上限制了创新自由度。观点三：企业在应用人工智能时面临投入产出比低、落地应用成熟度不高等挑战。观点四：如何处理政府与市场的关系、政府资金保值与增值的关系，是当前人工智能产业基金面临的关键问题。
专家认为，要避免人工智能技术的简单叠加，要充分发挥政府与市场的协同作用，尤其要重视发挥企业的创新主体作用。
一是高度重视应用场景塑造，开辟产业发展新赛道。专家认为，应实施“人工智能赋能”行动，鼓励各产业链主企业与人工智能技术领军企业合作，在金融、医疗、交通、安防等领域培育并推广典型应用场景。建议一：实施差异化行业应用策略，促进人工智能与离散型制造业（如汽车制造、机床工业、电子设备制造、工程机械制造等）深度集成，充分发挥这些制造业所具备的工序相对独立、参数调整灵活等优势。建议二：重点推动人形机器人在国家重大工程领域的应用，发展垂直应用领域的大模型，并开发AI医生、AI律师、AI教师等新型专业服务模式。建议三：希望政府在政策制定、场景开放及目录编制等方面，对AI新兴应用领域进行更多前瞻考虑和支持。
二是强化人工智能基础设施建设，为产业发展提供强大的平台和共性技术服务。人工智能技术落地需探索实践可行的商业模式、深化数据科学研究，构建自主可控的基础设施体系。建议一：算力方面，加速构建区域一体化算力网络、多元异构算力调度平台以及公共算力服务平台，并推进海外算力布局以应对高端技术产品限制。建议二：算法方面，整合重组打造一批行业算法领军企业，由科研院所研发前沿技术，大型企业利用自身数据资源开发垂直算法模型。建议三：数据方面，构建一体化可信链网，加快建设行业数据标注平台与资源池，优化数据保护机制，采取大模型云端私有化等方式建立行业内部及跨行业的可信数据空间。
三是稳定传统产业“基本盘”，为中小企业转型发展提供坚实支撑。建议一：人工智能发展应精准对接经济社会各行业各领域实际需求。建议二：政府应优化资助体系，支持特殊场景技术创新，推动公用事业部门智能产品研发应用。建议三：建立兼具公益服务与重点实验室功能的新型研发机构，帮助中小企业适应新的技术环境。建议四：加大人工智能核心知识产权识别与评估，推动关键模块代码或接口在产业联盟、公共服务平台等开放共享，充分赋能中小企业发展。建议五：为复合型人才培养提供研发实践接触机会，为高校院所研发人员成长提供一线实践岗位，通过提高薪资待遇、完善聘用与培训体系、畅通成长通道等方式推动高水平人才向产业一线汇聚。
作者：马继伟、吴伟、侯万军
