推動人工智能產業邁向更高水平

人工智能是引領新一輪科技革命和產業變革的戰略性技術，具有溢出帶動性很強的“頭雁”效應，是培育和發展新質生產力的重要引擎。我國高度重視人工智能發展，2024年，“人工智能+”首次被寫入《政府工作報告》，2024年12月召開的中央經濟工作會議強調，開展“人工智能+”行動，培育未來產業。今年4月25日，習近平總書記在中共中央政治局第二十次集體學習時強調，全面推進人工智能科技創新、產業發展和賦能應用。在技術創新與商業應用驅動下，人工智能產業規模持續增長，行業進入高速發展期。

人工智能引領技術創新和產業變革

人工智能是指模擬、延伸和擴展人類智能的一類技術，旨在使機器能夠執行需要人類智能的任務，其發展需要數據、算法和算力等要素支撐。從初期探索到成爲新一輪科技革命和產業變革的引領性技術，人工智能發展經歷了“兩落三起”。

20世紀50年代至70年代，是初期探索與理論奠基階段。這一時期的研究集中在符號處理方面，即計算機通過編程規則和推理引擎處理任務，初步展示出人工智能的潛力。然而，由於計算能力及算法的侷限性，早期人工智能技術難以應對複雜問題，70年代一度陷入低谷。進入20世紀80年代，“專家系統”逐漸興起並在醫療、金融等領域得到應用，但由於依賴人工編寫規則，可擴展性較差，加之計算資源有限，人工智能未能進一步發展，直到90年代初，人工智能研究遭遇第二次瓶頸。進入21世紀，得益於互聯網、大數據的發展和計算能力提升，人工智能技術迎來革命性突破。深度學習成爲主流方向，在圖像處理、自然語言處理等領域取得重要進展，尤其是谷歌公司的“阿爾法圍棋”（AlphaGo）擊敗世界圍棋冠軍，展示了人工智能在複雜問題決策領域的巨大潛力。這一階段，人工智能開始在語音識別、金融風控等多個領域廣泛應用，並不斷推動相關技術創新和產業變革。

2020年，大規模預訓練模型的興起標誌着人工智能發展進入新階段。GPU（圖形處理器）與TPU（張量處理器）等高性能計算芯片進步、雲計算與分佈式計算架構發展，以及互聯網和移動互聯網發展積累的海量數據，使得訓練和部署超大規模人工智能模型成爲可能。以GPT-4.5、Gemini2.0、DeepSeek-V3等爲代表的大模型擴展了人工智能的能力邊界，這些大模型具有千億級參數，通過大規模數據訓練實現跨任務、跨模態的通用智能，能夠完成高質量的自然語言理解、代碼生成、數據分析、智能創作等任務。此外，具身智能將人工智能從數字世界擴展到物理世界，使得智能機器人系統能夠在物理環境進行感知、規劃、決策和執行，利用感知到的數據學習物理世界運行的客觀規律，進行自我訓練和迭代升級，實現智能水平快速進化。

人工智能未來的發展方向是通用人工智能，不僅需要強大的計算能力，還要具備持續學習、適應環境、理解複雜情境等能力，這些能力往往難以通過簡單增加算力資源來實現。未來人工智能的發展，一方面可能像DeepSeek那樣，從外延式發展轉向集約化、系統優化的內涵式發展；另一方面可能拓展類腦計算，採用與人腦一樣的存算一體模擬計算方式，顛覆硬件與軟件分離的傳統計算模式，追求高算效和高能效。

人工智能技術不斷創新突破，正深度嵌入信息技術、生物科技、材料科學等多個領域，算力基礎設施、數據、模型、應用等產業鏈各個環節多種業態蓬勃發展。同時，人工智能加快賦能傳統行業智能化轉型升級，不斷孕育新的產業。人工智能成爲推動科技進步、產業升級和經濟發展的關鍵力量，美國、歐洲等國家和地區將其作爲提升核心競爭力的重要抓手，紛紛加大投入推動人工智能產業發展。

人工智能產業形態初步形成

在不斷的探索和實踐中，人工智能技術實現跨越式提升，應用價值得到企業的廣泛認同，初步形成了較爲完整的產業形態。整體上看，人工智能產業可分爲核心產業和融合應用產業。核心產業主要涉及人工智能軟件算法、硬件產品、解決方案和平臺服務等方面，例如GPU芯片、服務器、數據中心、雲計算服務、模型軟件等。融合應用產業是指將人工智能技術應用到傳統產業中，推動產業智能化轉型，形成智能製造、智能網聯汽車、智能安防等萬億元級產業。人工智能核心產業和融合應用產業相互促進、共同發展，推動形成相對完整的產業體系，技術創新不斷涌現、產業投資持續擴大、應用場景日益豐富。

從全球來看，美國在人工智能領域起步較早，人才、技術等方面均有較大優勢，處於國際領先地位並形成了獨特的發展路徑。美國人工智能產業發展以技術創新爲引領，按照“通用基礎模型—行業垂直模型”的擴展邏輯，優先研發高性能通用大模型，再逐步向垂直領域滲透，形成“自上而下”的發展路徑。利用技術和資本方面的優勢，企業傾向於集中資源打造高性能通用模型，例如美國OpenAI公司的GPT-4、谷歌公司的Gemini等，然後通過開放API接口吸引開發者構建垂直應用。最典型的就是微軟將ChatGPT嵌入Office套件，快速在全球範圍內推廣。這種模式既能快速佔領市場，又能通過數據反哺優化模型性能，形成“贏者通吃”局面，欲將其他競爭者拒之門外，或者成爲其產業生態的一部分。美國人工智能發展路徑本質上是“技術優勢—市場擴張—生態壟斷”的正向循環，其核心在於通過基礎研究積累與技術開源降低行業門檻，再以通用模型爲樞紐構建跨領域應用生態，在技術標準與商業模式方面提升全球影響力。

不同於美國，歐盟和日本則立足資源稟賦和產業基礎引入人工智能技術，因此呈現不同發展特點。歐盟人工智能產業在行業數據資源方面具有一定優勢，憑藉在醫療、製造業等關鍵領域的深厚積累，西門子、大衆汽車等企業加快全球化佈局，積累了大量高價值數據。同時，歐盟在立法和標準制定方面處於領先地位，2024年發佈全球首部綜合性監管法規《人工智能法案》，積極推動建設人工智能系統、加強人工智能倫理治理，其治理模式被多國借鑑。日本則重點推動人工智能技術與製造業融合，通過工業機器人、智能製造系統優化生產流程，持續提升效率，同時加快服務型製造發展，探索解決本土勞動力短缺問題。不過，總體來看，歐盟和日本在技術創新與產業應用方面落後於美國。

我國人工智能發展注重整體佈局與產業協同，而非單一技術指標的突破。作爲全球工業門類最齊全的國家，我國製造業增加值佔全球比重約30%，結合這一基礎和優勢，人工智能產業發展更加註重應用優先與產業協同，推動人工智能技術與行業Know-How深入融合，形成差異化競爭力。例如，將人工智能應用於自動化質檢，提高效率、降低成本；將大模型應用於金融領域，提升風險管理能力。技術發展路徑上，主要通過算法創新突破物理限制，DeepSeek-V3模型訓練成本僅爲GPT-4的1/10，推理成本爲OpenAI o1的1/30，實現多項突破性創新，人工智能產業從技術跟跑轉爲並跑和領跑。

協同創新人工智能產業鏈

2017年，《新一代人工智能發展規劃》發佈實施，標誌着我國人工智能產業進入系統性佈局階段。2017年至2024年，我國人工智能核心產業規模從180億元躍升至6000億元，企業數量超4700家，論文發表量和專利授權量均居全球第一位。人工智能產業體系初步構建，形成了覆蓋軟件、硬件、算法、數據等全產業鏈的創新企業，一些初創公司在大模型、人形機器人、腦科學等領域嶄露頭角，產業鏈從單點突破轉向協同創新。

國內科技龍頭企業紛紛佈局人工智能。百度、阿里巴巴、字節跳動、科大訊飛等推出自研大模型，並將大模型接入業務系統，提升運行效率和用戶使用體驗。例如阿里巴巴推出的Qwen系列開源大模型，在性能、多模態覆蓋、參數規模、部署靈活性等方面均顯著提升。截至今年2月，在海內外開源社區中，基於Qwen的衍生模型已超9萬個。同時，月之暗面、深度求索、智譜AI等一大批初創企業不斷涌現，呈現蓬勃發展態勢，深度求索的DeepSeek開源大模型性能全球領先。從分佈上來看，人工智能企業主要集中在北京、上海、深圳、杭州等地，其中北京產業優勢最爲突出，現有人工智能企業超2400家，核心產業規模突破3000億元，形成全鏈條完整佈局，備案上線大模型105款，居全國首位。

在專有服務平臺建設方面，部分企業深耕細分賽道，通過整合人工智能技術、行業數據與專業知識構建定製化、垂直化服務平臺，爲相關企業提供專業領域的定製化服務。人工智能與細分產業領域相結合助力轉型升級，是我國人工智能產業發展的重要路徑，隨着模型能力提升以及與產業融合創新的深入，部分細分領域涌現出不少成功案例。

語音助手、智能客服是人工智能大模型最先適配的場景。通過聊天對話框或者集成到語音助手提供對話服務，是目前大模型最常見的服務方式，用戶可通過文本、語音的輸入輸出獲取知識與信息。不過，目前大模型付費訂閱模式尚不成熟，阿里雲、字節跳動、騰訊等企業通過低價或免費策略搶佔市場，百度文心一言的VIP服務也已轉爲免費模式。語音助手成爲手機、智能音箱等智能硬件的一個功能，難以獨立收費。但在企業服務領域，智能客服應用持續拓寬和深化，2023年智能客服市場規模39.4億元，金融、電商、消費零售、生活服務行業應用規模佔比超70%。

在金融領域，金融服務公司利用人工智能技術進行用戶畫像、風險管理以及智能投顧，服務水平大幅提升。銀行、信貸公司通過人工智能大模型系統分析工商、供應鏈數據等多維度複雜信息，實現小額貸款快速評估，有效降低了不良貸款率。例如，江蘇銀行使用DeepSeek動態信用模型，風險評估準確率提升約35%，招商銀行、平安銀行等通過大模型系統評估用戶投資偏好，爲其智能推薦結構性理財產品，轉化率大大提高。

在智能製造領域，人工智能大模型滲透研發、生產、運維等全鏈條，推動製造業向智能化、柔性化、高效化升級。通過大模型與EDA（電子設計自動化）技術結合，可快速生成多版本設計方案，同時利用強化學習評估性能參數（如能耗、強度），顯著縮短研發週期，解決了傳統流程依賴人工經驗導致的設計效率低、多目標優化難以平衡等問題。產業設計環節，通過數字孿生技術優化產線設計，縮短產線調整週期，有效降低了額外成本。通過分析傳感器和設備日誌數據，還能對設備進行預測性維護，減少停機時間、降低維修成本。同時，機器視覺技術已大規模應用於質檢環節，實現毫秒級完成質量檢測，準確率超99.8%，人工成本減少約70%。人工智能應用於製造業，推動生產方式變革，帶動智能製造快速發展，但前期投入成本較高的問題還有待解決，未來進一步突破模型可解釋性、降低成本後，或加速普惠應用。

在礦產開採領域，人工智能在勘探、生產、安全等環節得到應用，幫助企業有效提升效率、優化成本。具體來看，雲鼎科技開發的礦山大模型應用於化工行業，可精準預測甲醇精餾、低溫甲醇洗、煉焦配煤等流程的最優工藝參數，提高產品質量，進一步降低生產成本。視覺大模型的應用對提升化工關鍵裝置和園區安全管理水平發揮了重要作用，保障企業生產安全高效。AI算法代替人工實現精準控制，使得精煤生產效率提高0.2%以上，全流程智能巡檢在改善作業環境的同時，也降低了安全風險。

在智能網聯汽車領域，人工智能已廣泛應用於產品設計、智能座艙研發、自動駕駛等層面。通過大模型應用，可根據用戶需求快速生成外觀設計圖，大大縮短了產品設計週期。以智能駕駛爲例，截至2024年末，具備L2級組合輔助駕駛功能的乘用車新車銷售佔比達57.3%，具備領航輔助駕駛功能的新車滲透率爲13.2%，隨着人工智能技術的算法創新與場景應用深度融合，催生出Robotaxi運營、無人物流配送、智能道路基礎設施建設運維等一系列新業態。

產業化之路需破解多重難題

DeepSeek的出現開闢了一條新的技術路線，無需堆砌算力，通過算法和模型架構優化爲低成本發展提供了可能。但也要看到，加快人工智能產業化進程，我國在覈心技術攻關、產業生態構建等方面還有待進一步突破。

核心技術層面，算力基礎尚未完全自主可控成爲掣肘。與美國相比，我國在芯片架構、核心算法及軟件工具鏈領域仍存在代際差距，技術成熟度不足導致大模型訓練效率與實時應用場景拓展受限。算法領域取得了重大進展，但底層框架高度依賴開源體系，類腦智能、多模態融合等前沿領域缺乏原創性突破。同時，技術適配性不足成爲人工智能與行業結合、推動場景落地的主要瓶頸之一。單一模型難以應對複雜場景，多模型協同與集成學習亟待突破。以製造業爲例，產線設備參數與工藝流程的異構性要求AI系統既具備跨場景知識遷移能力，又能精準嵌入行業特有經驗，但現有模型對隱性工藝知識的抽象建模能力還較爲薄弱。破解這一難題，需突破多模態感知融合、邊緣計算實時決策、行業知識圖譜與模型泛化協同等技術壁壘。

產業生態建設方面，科技龍頭企業積極推動技術開源，但中小企業協同發展的生態尚未形成。在工業製造、醫療健康、能源石化等垂直領域，由於缺乏行業主體深度參與或主導，往往只能以應用方的單一角色淺嘗輒止，難以從行業戰略、技術研發、業務流程、應用場景等多個維度進行深度整合。行業專有服務平臺建設略顯滯後，企業難以獲取專業技術支持，數據質量參差不齊、算力分配不均、行業標準缺失等問題制約了規模化應用。資本層面，人工智能投資放緩，中國工業互聯網研究院數據顯示，2024年美國在人工智能領域投資額約641億美元，我國約爲55億美元。

值得注意的是，由於大模型研發投入大而收益不確定性高，目前行業應用多停留在試點階段，形成商業閉環仍面臨挑戰。例如，工業生產場景對精度、可靠性的嚴苛要求，與現有生成式人工智能的專業理解短板形成錯位；技術迭代速度與企業消化能力脫節，導致適配難度加大；企業盈利模式不確定，主流的API調用、訂閱制、項目制尚未實現可持續盈利。以OpenAI爲例，預計2029年有望盈利，2026年虧損或達140億美元，是2024年預期虧損的3倍。頭部企業通過免費模式搶佔市場，但數據資產轉化、技術迭代降本、垂直場景價值挖掘的閉環尚未打通，持續投入與收益平衡成爲破局關鍵。

發揮場景優勢加速應用創新

我國有超大規模市場的旺盛需求，擁有全球最完整的工業體系，需持續發揮場景優勢、加速應用創新，推動人工智能產業邁向更高水平。

一是強化頂層設計。將推動人工智能產業發展納入“人工智能+”總體戰略部署，開展多維度、多階段系統佈局和強化政策支持。發揮超大規模市場、產業體系完備、應用場景豐富等優勢，有效整合數據、知識、人才資源，夯實算力基礎，深入挖掘垂直領域應用場景，實施一批產業創新及應用示範工程。

二是攻克關鍵核心技術。人工智能關鍵核心技術是行業發展的重中之重。核心產業技術方面，重點支持基礎科研和大模型技術攻關，鼓勵企業與科研機構協同合作，集中優勢資源突破技術瓶頸，爲產業發展築牢根基。同時，着力建設自主可控的AI軟件工具系統，擺脫對CUDA（統一計算設備架構）等國外技術生態的依賴，開發具有自主知識產權的計算平臺，基於開源開放和國產化平臺開展原生大模型開發和應用創新。行業應用的核心技術方面，鼓勵龍頭企業牽頭組成創新聯合體，聚焦行業關鍵共性場景聯合開發深度學習、機器學習等核心算法模型，通過持續創新不斷提升模型的性能與精度，推動專用多模型“垂直做精”與通用大模型“橫向擴展”形成互補。

三是完善產業體系形成發展合力。首先，將人工智能作爲戰略性新興產業，加大技術研發、模型訓練、應用推廣等各環節產業主體和平臺建設力度。鼓勵科技領軍企業發揮技術引領帶動作用，構建開放包容的開源生態，支持中小企業深耕垂直細分領域，打造“獨門絕技”，在新賽道脫穎而出。其次，聚焦工業製造、醫療健康、能源、金融等垂直領域，引導行業主體深度參與人工智能產業佈局。加快專有服務平臺建設，爲企業提供專業技術支持、解決方案和諮詢服務，支持第三方機構搭建開源模型適配平臺。再次，加強算力等基礎設施建設，加快公共數據開放和企業數據流通，支持模型應用、數據服務等相關企業組建聯合體，開發高質量數據集，發展“數據即服務”“模型即服務”等新業態，同時完善人工智能監管制度以及應用標準，爲企業開展數據合規認證、隱私保護、模型安全評估等提供依據。

四是構建協同創新的產業生態。聚焦重點領域人工智能應用面臨的共性問題，推動行業場景和數據開放，打造“AI+千行百業”的協同創新生態。一方面，圍繞能源化工、高端製造、材料、生物等重點領域建設行業大模型應用創新工程中心，有序組織科技領軍企業、科研機構、行業龍頭企業、高等院校等優勢力量，面向垂直細分領域應用需求，推動大模型技術與行業知識、工藝等緊密結合，以強大的工程化能力驅動人工智能產業發展。另一方面，強化需求側管理，鼓勵在PC端、手機端推廣AI應用，提高國產GPU、CPU（中央處理器）和軟件的市場佔有率，有效擴大人工智能核心產業規模。鼓勵企業創新商業模式，支持其通過技術紅利、數據資產積累重構商業模式，在垂直場景中挖掘深度價值，實現數據資源向數據資產轉化，推動人工智能產業可持續發展。

（本文來源：經濟日報 作者：中國科學院科技戰略諮詢研究院 執筆：王曉明 鹿文亮 侯雲仙）