人工智能赋能产业变革的机制与推进路径

摘要：随着新一轮人工智能技术的突破与应用，从“互联网+”到“人工智能+”，人工智能正在为各行业新质生产力的培育与发展注入新动力。从中美两国人工智能技术发展对比看，美国在人工智能相关核心技术和底层技术上具有领先优势，而我国优势则主要集中体现在应用场景方面。人工智能带来的“工具革命”和“决策革命”正在引领产业深刻变革：从企业层面看，人工智能赋能企业研发、生产、销售和管理各环节，推动企业向数字化、智能化转型；从产业层面看，人工智能推动传统产业智慧化转型、加速新兴产业崛起及形成产业链分工新格局。为加快推进人工智能赋能产业变革，要进一步加速“智能要素”的共享整合，加强人工智能领域人才培育和高层次人才引进，积极培育壮大耐心资本，完善人工智能治理机制，从而加快我国人工智能技术突破，推动人工智能红利持续释放。

关键词：人工智能；产业变革；新质生产力

随着人工智能相关技术的快速发展，人类社会正加速进入智能经济时代。自2017年我国发布《新一代人工智能发展规划》将发展人工智能上升为国家战略以来，我国人工智能产业快速发展壮大。2023年我国人工智能核心产业规模达到5784亿元，截至2024年3月我国人工智能企业数量超过4500家，居全球第二，人工智能产业有望成为我国重要的经济增长点。作为新一轮科技革命中的通用目的技术，人工智能是培育和发展新质生产力的重要引擎，在传统产业改造提升、新兴产业发展壮大、未来产业培育建设中发挥基础性和战略性作用。2024年《政府工作报告》提出开展“人工智能+”行动，深化人工智能的研发应用。2024年7月党的二十届三中全会通过的《中共中央关于进一步全面深化改革 推进中国式现代化的决定》（以下简称《决定》）更是多次提及人工智能，涉及产业发展和安全治理等多个重要议题，凸显了人工智能的重要地位。

（一）人工智能的概念

目前普遍认为，人工智能这一术语最早可以追溯到1956年美国达特茅斯学院（Dartmouth College）举行的人工智能研讨会（或称“达特茅斯会议”），会议提出“人工制造的智能”。但由于相关技术与应用尚未成熟，长期以来人工智能一直未能得到广泛关注。直至2010年深度学习算法问世以来，人工智能得到快速发展，2017年Transformer算法的出现将人工智能进一步推向大模型时代。2022年美国OpenAI公司发布的生成式人工智能产品ChatGPT横空出世，成为历史上用户数增长最快的应用，人工智能概念及相关产品从科技界、创投界“火爆出圈”，成为近些年社会各界关注的热点话题。

对于人工智能，中国电子技术标准化研究院等单位编写的《人工智能标准化白皮书（2018）》将其定义为利用数字计算机或者数字计算机控制的机器，模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。Agrawal等认为，人工智能是可以执行或协助执行包括创建内容、复杂预测、优化决策等多类任务的一种计算机系统，当与其他技术结合时，人工智能可以完成某些物理任务，从而使机器具备人类独有的某些能力。Brynjolfsson等则认为，人工智能是一个总称，指能够像人类一样感知、推理或行动的计算机系统。经合组织（OECD）认为，人工智能是为了实现某类目标，可以从接收到的输入命令推断出某些可以影响物理或虚拟环境的输出的机器系统。综合人工智能的不同概念可以看出，究其本质，人工智能实际上是机器对人类的思维过程及智慧行为的模拟。

（二）人工智能的产业架构

从底层技术到可应用的产品，人工智能产业链可以分为基础层、框架层、模型层和应用层四个部分。

基础层主要包括数据、算力和算法三方面。所谓算法，实际上是解决某种问题的策略机制，在人工智能系统中主要涉及各类机器学习算法，特别是深度学习算法。将大量数据输入，运用算法从已有数据中提取有用的特征或规律，从而形成对已有数据的分析或对未知数据的预测，这就是人工智能系统中最基础的模型训练的过程。输入数据的规模、丰富度、质量都有可能影响模型最终输出结果的准确度。在这一过程中，需要GPU、FPGA、ASIC等芯片、传感器、服务器等硬件为模型的训练和运行提供计算能力的支撑，即算力。数据、算力和算法是人工智能产品的底层基础，因此也被称为“智能要素”。

框架层主要指用于模型开发的框架工具。根据不同的任务、数据类型和可用计算资源，开发者可以选择不同的AI框架工具或平台，从而方便快速地构建、训练和部署模型。谷歌的TensorFlow、Meta的PyTorch、百度的飞桨PaddlePaddle、华为的昇思MindSpore等是当前国内外主要的AI框架或开发平台。

模型层主要指大模型等技术和产品。利用算法、算力和数据，在开发工具或平台上进行模型训练和推理，可以得到能够模拟人类各种能力的技术和方法，如使机器能够识别图像和视频信息的计算机视觉技术、使机器能够理解和提取人类声音的语音识别技术等。这些技术使机器具备人类的感知、理解和表达等能力，基于这些技术可以进一步构建模拟人类思维和行为的各类软件产品、解决方案和技术平台。当前，AI大模型产品是典型代表，比如美国OpenAI公司推出的ChatGPT、谷歌推出的Bard、百度推出的文心一言、阿里巴巴推出的通义千问、华为推出的盘古大模型。大模型在狭义上既指基于Transformer技术框架的大语言模型，在广义上也包括文本、语音、图像、视频等多模态大模型。本轮人工智能技术发展诞生的大模型具有参数规模大、泛化能力强和支持多模态的特点，展现出能够处理多个领域任务的通用能力，因此也被称为通用大模型。从发展趋势看，由于大模型的运行和部署在计算资源、存储资源、能耗等方面有较高要求，在大模型基础上进行优化、提炼和浓缩得到更小但更智能的“小模型”是新的趋势。小模型更易于在各种设备和场景中部署使用，更具便利性，更符合未来人工智能广泛应用的需求。

应用层主要指人工智能技术在各类具体场景中的应用。应用层是人工智能技术落地的最后环节。AI大模型的涌现加快了人工智能在应用层的创新，人工智能正在向人类生活和工作的各种具体场景渗透。如，OpenAI在2024年1月推出了在线商店GPT Store，汇集了可应用在不同场景的ChatGPT自定义版本：专注于辅导学生论文写作的导师AI tutor、辅助进行软件代码撰写的编程助手Tobi、从事建筑和空间设计构思的虚拟助手The Architect。又如，淘宝于2024年6月上线的基于AI大模型的购物助手“店小蜜”，就是人工智能在商品导购、售后服务等具体场景中的应用。从行业层面看，人工智能技术在诸多场景中的应用将催生出新的产业形态。如，在汽车行业中的自动驾驶、在制造行业中的智能机器人、在医疗行业中的智能辅助诊断、在金融行业中的智能投资顾问等，形成了智慧金融、智慧医疗、智能制造等产业融合新生态。

从人工智能技术的分类看，按照出现时间和发展程度，可以分为判别式人工智能、生成式人工智能和通用人工智能。判别式人工智能（（Discriminative Artificial Intelligence）主要指从数据中提取相关信息、检测特征或预测结果，从而给出相关建议以辅助决策的人工智能技术，在应用方面包括人脸识别、文本分类、异常检测、用户行为分析等。生成式人工智能（Generative Artificial Intelligence）是当前最新的人工智能类型，指从大规模数据中进行自我学习，可以生成或创造出新的内容的人工智能技术。这类人工智能能够从人类输入的相关要求中，理解并创造生成文本、图片、声音或视频等新内容，当前广泛应用的ChatGPT、Sora、Kimi、文心一言、可灵AI等就属于这一类人工智能。通用人工智能（Artificial General Intelligence）指具备自主感知、认知、决策和学习等能力的人工智能，它不仅能处理训练数据范围内特定类型的任务，更能够像人类一样具有自我学习和自我改进的能力，完成各种类型的复杂任务，从而在通用性领域媲美人类乃至超越人类。从发展趋势看，当前人工智能正从判别式人工智能加速转向以大模型为代表的生成式人工智能，随着人工智能技术的完善和成熟，通用人工智能被认为是人工智能发展的趋势和最终目标。

从世界范围看，当前只有中国和美国处于人工智能产业链的第一梯队，欧盟主要是在相关法律治理方面走在前列。英国传媒机构Tortoise Media在2023年发布的《全球人工智能指数》显示，美国和中国分别位于全球人工智能发展的第一位和第二位，且在总得分上远超其他国家；但也显示，美国以100分的绝对优势稳坐第一位，中国的得分仅为62分。中国信息通信研究院发布的《全球数字经济白皮书（2024年）》显示，截至2024年第一季度，全球有人工智能企业近3万家，其中美国占比34%、中国占比15%。整体看，我国与美国在人工智能产业发展上仍有明显差距。

从中美对比看，美国在人工智能相关核心技术和底层技术的掌控和发展上处于大幅领先地位，而我国优势则集中体现在应用场景方面，在AI大模型的工程化、产品化和商业化方面走在前列。具体而言，美国在人工智能产业链中的基础层、框架层和模型层的优势十分明显，尤其是在算力和算法方面形成了强大的技术优势和人才优势；而我国只在人工智能技术的部分领域（计算机视觉和语音识别）有所突破。在算法理论方面，2024年美国信息技术与创新基金会（ITIF）发布的《中国在人工智能领域的创新能力如何？》显示，美国在2023年产生了61个著名的机器学习模型，而中国只有15个；美国产生了109个基础模型，而中国只有20个。可见，我国在算法前沿研究方面与美国的差距明显。在AI开源框架方面，虽然我国也有一些企业推出了国产化的开源框架，如百度的PaddlePaddle、华为的MindSpore、腾讯的Angle等，但在核心架构创新性、生态成熟度等方面进展缓慢，尚无法与美国主导的国际主流产品进行竞争。任何先进的AI算法或模型都需要强大的算力支撑运行，人工智能的发展和应用使得对算力的需求急剧增加。在算力方向，在AI芯片、云计算、智能传感器等关键核心技术和产品市场供应链上，美国均占据垄断地位。特别是在AI芯片上，目前全球AI芯片市场几乎被英伟达、AMD等少数几家美国企业垄断，在关键的GPU高端芯片方面，英伟达的市场份额更是超过70%。由于前期技术薄弱，我国可满足规模量产的算力芯片在工艺和性能上都落后国际先进水平2~3代，尚无法与美国形成有效竞争。此外，美国还通过BIS实体清单、芯片法案、出口限制法案等一系列措施对我国半导体产业进行打压、制裁。整体看，在人工智能产业最核心和基础的算法和算力方面，在关键核心技术上我国仍处于追赶状态。

尽管与美国相比有一定差距，但我国在人工智能领域的竞争力和发展潜力正在快速提升。在专利方面，早在2017年，我国人工智能专利申请数量就超过美国，排名世界第一。尤其是在生成式人工智能方面，2024年世界知识产权组织发布的《生成式人工智能专利态势报告》显示，过去十年间我国生成式人工智能专利申请量超过3.8万件，是第二名美国的6倍。在人才储备方面，我国从事人工智能相关研究的人员数量占全世界的比重超过30%，2018年我国发表的人工智能论文数量已超过欧盟，居世界第一位。我国与美国的差距主要体现在顶级AI人才的数量上，这在一定程度上将制约我国人工智能领域的研究深度和突破式创新的能力。2023年，清华大学 AMiner 团队联合清华—中国工程院知识智能联合研究中心、智谱AI发布的《全球最具影响力人工智能学者》报告显示，美国拥有全世界54%的顶级人工智能学者，而中国占比仅为14%。但可喜的是，我国对于AI人才的培养质量和吸引力也正在快速提升。根据MacroPolo“全球人工智能人才追踪”调查数据，2019年全世界只有10%的顶级AI人才来源地是中国（出自中国却不一定在中国就业），到2022年这一比例则提升至26%；美国仍然是全球顶级AI人才就业首选目的地，2019年只有12%的顶级AI人才选择中国，但到2022年则有28%的顶级AI人才选择中国作为就业或创业的首选目的地。

随着人工智能技术的不断发展与广泛应用，人工智能带来的生产工具和决策方式的重塑正成为赋能企业高质量发展、推动产业转型升级的重要力量。一方面，人工智能技术在机器设备中的嵌入和使用使劳动工具从传统的能量转换工具向智能工具转变，如3D打印、数控机床、机器人等，这将极大提高劳动者的工作效率；另一方面，人工智能作为一种决策工具，能够通过更复杂的算法逻辑帮助企业突破认知和能力的限制。在数字经济时代，人类的各种活动都可以被信息化、数据化，形成海量数据，而这正需要强大的数据分析和处理工具才能发掘和释放出数据价值。人工智能在大规模数据训练中具备了处理海量数据并从中挖掘数据规律进行决策或预测的能力，因此人工智能的应用使企业可以从大量数据中更好、更快地获取信息和学习知识，这将显著改善企业各环节决策的效率，推动企业从传统的经验决策转向“数据驱动的决策”。目前，人工智能在促进企业产品创新、提高生产效率及推动宏观经济增长中的作用已得到学界的初步确认。随着人工智能产业化和市场化探索的逐步深入及应用场景的进一步丰富，在可预见的未来，人工智能带来的“工具革命”和“决策革命”将深刻引领产业变革。

（一）人工智能推动企业智能化转型

人工智能的作用体现在企业研发、生产、销售、管理等各个环节，正在加速推动企业的智能化转型。

在研发和设计环节，一方面，人工智能将加速提高企业搜索相关先验知识的效率，加快研发流程，提高创新效率。“AI for Science”是当前人工智能的重要前沿方向之一，有望成为未来科学发现和技术发明的重要范式。人工智能在记忆力、高维度思维、推理深度和猜想能力等方面的能力，有助于打破人类认知和思维能力的边界，加速分析数据、求解方程、寻找规律和精准预测的进程，从而大幅提升科学发现和技术发明的效率。随着人工智能在科学研究中的使用，以往依赖实验和人脑智慧的科学研究过程将向数字模拟、深度学习和主动预测的范式转换。目前，采用AI学习数据表征、借助AI搜索提出科学假说、使用AI驱动实验和仿真已经在科学研究中得到重要应用，在预测蛋白质结构、设计芯片、药物合成等方面展现了强大的能力。《2022全球人工智能创新指数报告》显示，涉及电子、通信、环境、地理和材料等学科主题的人工智能论文数量不断增加，占人工智能论文总量的比重从2020年的5%上升到2022年的10%。可见，人工智能已经开始渗透到各个学科的科研中，正在加速赋能科学研究和技术发明。另一方面，人工智能将助力企业进行个性化的产品设计，促进产品创新。通过数据分析，人工智能可以帮助企业进行数据分析，从而更好地洞察市场和理解消费者需求。企业利用人工智能技术既能获得消费者作为整体的群体行为特征，又能精准刻画消费者的个体行为，从而敏捷地响应消费者需求变化，选择更好的创新方向、识别创新机会。在人工智能的加持下，企业既能持续迭代和优化研发设计，又能进行更具创新性和个性化的产品研发，从而减少产品与用户的摩擦，降低从创新到投入市场取得成功之间的不确定性，推动企业的产品创新。

在生产环节，通过机器学习和计算机视觉等技术，人工智能技术的应用大幅提高了机器设备的智能化程度，助力企业构建智能生产线。工业机器人、AI质检等技术或产品的应用既能降低人为错误、改善生产工艺，又能实现高效率的自动检测和质量控制，助力生产环节提质增效。如，华为的松山湖南方工厂通过引入AI质检算法，将印制电路板的缺陷检测精度由90%提升至99.9%，将质检人员的工作效率提升了3倍。同时，人工智能技术应用带来的智能制造水平的提高也使生产过程柔性化，使生产能够与个性化的产品设计相匹配。更重要的是，在生产环节人工智能不仅替代了体力劳动或降低了体力劳动的强度，同时也极大地赋能于脑力劳动者。本轮生成式人工智能的突破性发展体现在，AI根据人类指令自动生成文本、图像、视频等内容的生产方式，即人工智能生成内容（Artificial Intelligence Generated Content，AIGC）成为当前人工智能最重要的应用之一。对于普通劳动者来说，AIGC大幅降低了专业技能训练的门槛，在AI这个“创意外脑”的支持下，普通劳动者也能生产或创作出较高水准的文章、音乐视频、软件程序等作品。对于专业劳动者来说，AIGC极大便利了创意设计、文本创作、程序编写等工作任务的效率，大幅提高了以内容创作为主要工作任务的脑力劳动者的工作效率。Noy等通过随机实验研究发现，使用ChatGPT完成写作任务的时间更短，产出的内容质量也更高，人工智能技术对脑力劳动者产生了巨大而显著的积极影响。

在销售环节，人工智能有助于提高销售效率，推动销售模式转型升级。传统销售往往依靠人脉或“人海战术”获取潜在客户，不仅需要对相关信息进行人工筛选，耗时长、成本高，而且覆盖渠道有限，无法有效触及真正有需求的用户群体，销售效率较低。利用人工智能技术对用户相关数据进行分析，企业可以更精准地判断出消费者偏好或者个人需求。既能够快速完成客户筛选，挖掘出潜在客户，从而降低销售成本；也能够实现精准化营销和个性化服务，提高销售成功率。如，Brynjolfsson等研究发现，通过AI应用程序对客服人员电话沟通技巧进行实时建议和安排，相比未使用AI程序的工作人员，其工作效率提高了14%。可见，人工智能在提高销售效率和业绩方面有着广阔的应用前景，随着智能支付、智能客服、智能物流等的进一步渗透和应用，人工智能将重塑产品销售过程。

在管理环节，人工智能有助于提高管理效率，对抗组织熵增带来的挑战。一方面，依托人工智能技术，企业能够实现对组织运行状况的智能感知，及时响应组织内外部变化，优化企业对管理资源的配置，大幅提高管理效率。如，南方电网构建的智能输电线路巡检方案可以对输电线路的设备和周边情况进行前端监控，能够迅速分析异常问题并及时报警，使原本需要20天才能完成的现场巡视工作缩短至2小时，效率提高了近80倍。另一方面，随着人工智能体（AI Agent）的感知、分析、决策和执行能力不断提升，AI Agent有望成为组织管理的高效助手。国际知名咨询机构IDC2023年对制造、医疗、互联网等100家大型企业的调查显示，已有50%的企业在某项工作中进行了AI Agent的试点，另有34%的企业正在制定AI Agent的应用计划。人工智能将辅助企业管理者进行从分析、决策到落地执行的全过程管理，并且企业不需要建立庞大而昂贵的人力资源管理系统、供应链管理系统以应对企业规模扩张带来的组织管理复杂度的快速增加。

（二）人工智能助力产业优化升级

从产业层面看，人工智能在推动企业智能化转型的过程中，不断催生出产业融合新生态并带动一批新兴产业发展。

首先，人工智能与传统产业融合成为新的产业形态。随着技术的进步，人工智能已经具备了更强的通用性，可以多场景、跨场景地参与到人类的各项工作任务中。一方面，人工智能可以在诸多工作任务中替代劳动或者降低劳动强度；另一方面，随着人机协作的深入，人工智能正在大幅降低某些技能的知识门槛，使每个人都能够利用AI精准描绘自己的创意或想法，从而优化劳动过程、提高劳动增加值。随着在各行业的深入应用，人工智能在替代劳动和赋能劳动的“双重过程”中重塑行业形态，推动传统产业实现提质增效、降本降耗的智慧化升级。如，在农业，利用无人机进行快速高效施肥、利用智能灌溉系统实施科学精准的自动灌溉、利用智能机器人实施播种和收割等；在金融行业，利用人工智能进行更复杂的量化交易、智能投资顾问提供更精准的投资建议；在医疗行业，智能医疗装备协助医生快速完成医疗影像的特征识别和分析以提高诊断效率和准确率、外科机器人协助医生精准完成手术等。在人工智能的推动下，生成了智慧农业、智慧金融、智慧医疗等一大批在传统产业基础上的新生态。特别是在制造业，以人工智能为核心的机器人得到广泛应用，工业机器人不仅取代了部分低技能、高负荷的劳动，更使制造活动向具有自感知、自学习、自决策、自执行和自适应等功能的新型生产方式迈进，实现智能制造。

其次，人工智能正在推动一批具有高技术含量、高附加值的新兴产业加速崛起。在人工智能技术的赋能下，新能源汽车、智能家居、虚拟现实、物联网等一批新兴产业进入发展快车道。如，以具有感知、决策和控制等功能的人工智能模块为基础，在新能源汽车中嵌入辅助驾驶、自动驾驶、人车交互等智能应用系统，大幅提高了新能源汽车的驾驶安全性和使用乐趣，极大提升了新能源汽车的市场吸引力，推动我国新能源汽车产业实现“弯道超车”。又如，人工智能技术在家居行业的融合应用，使家电产品可以感知、学习和分析家庭成员的习惯和偏好，能够自主进行个性化调整和优化，并且具备人机互动的能力，从而家电产品能够超越传统的功能范畴，实现提升用户体验和节能环保等多种功能。由此，通过赋能和革新传统家居行业，人工智能推动了智能家居这一新兴业态的出现和发展。

最后，人工智能促使企业突破既有边界，推动形成产业链分工新格局。一方面，人工智能将带来产业链各环节关系的重构，使企业有动机进行产业链拓展和整合。人工智能等数字技术的发展使企业通过定制化服务、共享制造等模式满足市场个性化需求成为可能，在利润最大化的驱动下，越来越多的企业尤其是制造业企业已经从单纯的产品制造和销售向“制造+服务”或“产品+服务”转变，产业间、产业链各环节的边界越来越模糊，企业在要素投入产出结构、生产组织形式、商业运营模式等方面也随之发生变化。这将促使企业不得不打破传统分工模式，通过合并、重组等方式向产业链各环节延伸或拓展，提高产业增加值。另一方面，人工智能技术有利于降低企业进行产业链整合的难度和成本，从而实现产业链拓展和优化。随着生产和管理的智能化，企业在组织内部能够提高信息收集、分析和传递的效率，更快地获得指导其最优化决策的有用信息；在组织外部，人工智能则能够辅助企业建立更加灵活和高效的产业链管理能力，更好地协调和管理供应链、产业链。因此，智能化系统的应用将促使企业间更好地关联起来，不仅有助于横向拓展产业链宽度，实现产业集群化，更有助于强化产业链上各企业之间的协同性，在整体上优化产业链分工格局，提升产业链韧性。

为了推动我国人工智能技术的加速突破和人工智能红利的持续释放，从而更好赋能产业变革，既需要以场景应用为引领，在数据、算力、算法上持续发力，推动人工智能技术成果不断涌现，也需要在人才和资本方面提供政策支撑，完善人工智能治理。

（一）加快“智能要素”共享整合，夯实人工智能发展的技术底座

尽管我国在人工智能相关核心技术上仍然相对落后于美国，但从应用层来看，美国的先发优势尚不明显，在应用场景方面的优势有望成为我国实现人工智能技术突破与赶超的抓手。从整体渗透程度看，人工智能还未像互联网技术一样在广阔的消费和工业场景中得到充分应用，包括美国在内的世界各国都在探索人工智能应用的成熟场景。目前，我国在AI大模型的商业化方面走在前列，已经产生了人工智能技术应用的诸多典型场景和案例。在应用场景方面的优势有助于我国实现人工智能技术的加速追赶，甚至有可能产生一些具有原创性和突破性的技术创新。原因在于，丰富的应用场景不仅为人工智能技术提供了广阔的测试和部署环境，有助于人工智能技术的加速迭代和优化；产业化应用带来的商业利润也有助于形成正反馈，促使企业持续加大研发投入，推进人工智能技术创新。

与早期的互联网技术相似，充分拓展人工智能的应用场景、发挥人工智能的生产力潜力需要互补的基础设施。数据、算法和算力这三个“智能要素”的可获取性直接影响使用人工智能的经济可行性，制约人工智能的广泛应用。特别是对我国占比超过98%的中小微企业而言，更需要低门槛、低价格、可触及的人工智能服务。因此，在推进人工智能场景应用、以需求端倒逼供给端技术升级的过程中，通过数据、算法和算力的共享与整合，加快人工智能要素资源的基础设施化，降低企业尤其是中小企业的人工智能技术开发和应用门槛至关重要。

第一，提升典型场景示范效果，推动人工智能高水平规模化应用。继续深挖制造、医疗、金融等重点行业需求，形成人工智能应用与场景创新的示范案例、优秀企业和典型行业。既要总结出一批具有标杆性和带动性的场景应用方案，优先予以推广，强化示范效应，推动重大应用场景加速涌现；又要对技术应用过程中的失败案例及在场景系统设计、开放程度、创新生态等方面遇到的困难障碍适时进行总结分析，汇集场景创新与应用的有效经验。通过典型应用场景“以点带面”，拓展人工智能应用的辐射效果。

第二，完善数据基础制度，增强数据的可用性和流通性。人工智能技术是一种数据驱动型技术，无论是AI基础模型还是AI相关产品，都需要输入高质量、大规模的数据进行充分训练，数据的可用性直接影响人工智能的潜力和应用范围。依托庞大的人口规模和完善的数字基础设施，我国拥有最多的数据生产主体和最大的数据要素积累空间，数据规模世界第一，但在数据公开力度、数据质量和数据生态等方面存在明显不足，直接制约了数据要素价值的释放。尤其是当前国内各大互联网平台之间的生态相对割裂，彼此之间无法检索和引用，导致可用于分析的数据缺乏。《全国数据资源调查报告（2023年）》显示，2023年我国企业生产的数据量同比增加了22%，但数字化和存储下来的数据量仅增加了3%，这充分体现了我国在数据可用性上的不足。因此，亟待通过完善数据基础制度，充分发挥我国海量数据资源优势，助推人工智能技术发展。为此，一方面，要在平衡数据安全和隐私保护的基础上，完善相关法律法规和推动数据标准规范建设，加快数据确权、数据定价、数据分类利用的步伐，推动企业间数据的可访问、可流通和可交易，打破企业间的“数据孤岛”。同时，鼓励企业建设面向全行业的高质量语料库，推动企业数据的汇集使用，建设开放共享的高质量数据库。另一方面，加快公共数据资源整合与开放，推动公共数据的开发利用。公共数据的开放共享和开发利用是构建数据基础制度的重要内容，在数据要素开发利用中起到基础性、引领性和示范性作用。近年来，各地建立了汇聚经济、交通、教育和环保等各部门数据的政府数据开放平台，在推动公共数据的开放共享和开发利用上迈出重要一步。要进一步制定切实可行的公共数据开放行动计划时间表和公共数据开放政策规范，明确公共数据开放的内容、范围和要求，建立统一的公共数据开放质量评估标准和评估机制。“质”和“量”并举，尽快推动更多城市、更多部门加入数据开放行列，加大公共数据开放在技术创新等方面的赋能效应。加快公共数据市场化运营探索，加快公共数据开放共享和市场化运营的对比研究，探索公共数据开发利用的更优模式。

第三，发挥新基建优势，加快算力算法基础设施建设。我国在新型基础设施的布局上具有前瞻性，在网络基础设施、数据中心等数据枢纽与数据流通基础设施建设上占据了先机，而算力和算法基础设施的建设也亟需快速推进。在算力方面，加快推动建设全国一体化算力网，形成全国算力公共服务网络。通过打造公共云计算平台，强化算力统筹与智能调度，归集现有算力、增强可共享算力，实现行业间、区域间算力资源的高效互补与联动，在突破当前算力资源供给瓶颈的同时尽可能降低企业的算力使用成本。在算法方面，加快建设大模型开源社区，加快算法产品供给。丰富多样的应用场景对各类算法及应用提出了新需求，而在本轮人工智能技术突破中，AI大模型是最重要的一类算法基础设施。要鼓励企业以通用大模型为底座，进一步研发用于无人驾驶、智能家居、智能客服等具体场景的专用大模型。重点加快构建大模型开源社区，帮助中小企业开发者节省专用AI开发应用的门槛和周期，提高开发效率，鼓励应用国产AI开发框架进行研发。特别是鼓励头部企业开放访问其通用大模型产品，通过开源开放的方式加速形成产业生态、扩大国产大模型的影响力。总之，通过将算力算法基础设施化并加快算力算法基础设施建设，为企业开展场景应用创新提供算力算法资源支撑，降低企业开发和应用人工智能技术的门槛，形成活跃的人工智能技术开发和应用生态。由此，在扩大人工智能技术的产业赋能范围、强化我国在应用场景方面的领先优势的同时，激励和促进企业在算力和算法方面的技术突破，进而缩小与美国的技术差距。

（二）加强人才培养和引进，筑牢人工智能发展的人才基础

人工智能人才的数量和质量是缩小我国与美国技术差距的关键，同时，人工智能技术的发展和产业应用也对人才提出更高要求。

第一，加快建立适应人工智能产业发展的教育培训体系，注重人工智能人才储备。在学科建设和教育内容上，可适度超前布局以适应人工智能技术的快速迭代。在专业设置上，鼓励高校增设人工智能专业，尤其是“人工智能+”复合专业，重点建立跨学科和多学科的复合型人才协同培养体系。通过培养交叉型、融合型人工智能人才，适应人工智能在各场景、各产业中渗透应用的多样化需求。同时，完善国际化人才培养模式，鼓励相关研究团队赴国外顶尖大学及研究机构合作交流最新人工智能技术，鼓励举办高水平国际人工智能学术会议，加强人才国际交流合作。

第二，积极拓宽国际人才交流和引进渠道，加大对海外高端人才的引进力度。加大对外籍高层次人才及研究团队的引进力度，加快探索建立高技术人才移民制度，有意识地重点引进大数据、机器学习、智能计算等领域或学科的人才和专家，畅通外籍人才在我国工作和生活的便利渠道，吸引更多外籍高层次人才来华工作。重点是，提高对在海外的中国人工智能人才重新回国工作和生活的吸引力。MacroPolo“全球人工智能人才追踪”调查数据，中国是全球最大的人工智能顶级人才输出国。在全球顶级人工智能人才中，有47%的人才在中国接受本科教育，只有18%在美国接受本科教育，但在研究生阶段，大量中国人才去美国深造并留在美国工作。因此，要加速完善海外高层次人才认定制度和引进制度，完善海外引进人才支持保障机制，加强对海外高层次人才，尤其是来自中国的顶级人工智能人才在研究经费资助、税收、签证、子女教育等方面的支持力度，形成具有国际竞争力的人才制度体系，使海外人才“愿意来、留得住、用得好”，汇集全球人工智能人才。

（三）培育壮大耐心资本，注入人工智能发展的金融“活水”

一项技术的发展成熟和规模化应用总是需要时间，在这个过程中离不开长期资本的金融支持，耐心资本的注入对于人工智能产业的发展成熟具有重要意义。耐心资本是指不追求短期收益而专注于总体收益的中长期投资资本和价值投资资本。尽管我国在人工智能专利总数方面超过美国，但仍要看到，我国多数人工智能专利的申请时间是在本轮人工智能热潮兴起之后且集中在应用层面，一定程度上仍存在专利“表面繁荣”的结构性问题。由于前期技术积累的不足和人工智能关键核心技术的高门槛，我国要实现在基础算法、高端AI芯片等关键核心技术上的突破与赶超更需要留出足够的试错空间和发展时间，更需要耐心资本、长期资本和战略资本的支持，从而确保产业发展能够穿越经济周期、应对经济风险，保障人工智能技术研发的稳定性和持续性。

为此，一要积极扩大耐心资本来源，壮大耐心资本规模。加快建设和完善风险投资体系，开放引入地方政府、企业、金融机构和个人投资者等多元化投资主体，发挥政府投资基金的引导作用，积极创造条件引入社保基金、保险基金等中长期资本进入创投市场，动员和引导其他有条件的社会资本进行长线投资和价值投资。二要积极营造耐心环境，增强资本市场对科技创新的包容性。对于政府和国有企业出资的投资基金，要持续完善符合科技创新特征和规律的管理体制和绩效评价标准，完善容错免责机制。加快完善“募投管退”全链条政策环境，鼓励各类资本围绕重点技术领域进行投资，重点支持原创性、突破性和引领性的科技创新项目，驱动更多资本进行长期投资、价值投资和责任投资。

（四）推进人工智能治理，完善人工智能发展的制度保障

人工智能在赋能企业高质量发展、推动产业转型升级的同时，也带来了诸多负面效应。在数字经济时代，数据和数字技术在经济活动中的作用日益凸显，而大企业或大平台在数据、资本、技术等方面均占有优势，数据和数字技术可能成为大企业或大平台市场垄断势力的重要来源和实施垄断行为的工具，由此导致的“数据垄断”将产生排斥市场竞争、创新效率下降、隐私侵犯及用户福利损失等问题。同样，作为一种数字技术，人工智能技术的发展可能加剧在数字经济中已经出现的挑战，使人工智能带来的生产力收益被抵消，人工智能的发展给经济社会带来的类似的负面效果已经引起广泛担忧。更为迫切的是，人工智能发展带来的负面影响可能已经超越了经济层面，面临更为广泛的社会挑战。如，数据泄露、隐私侵犯、虚假信息、系统失控等安全风险，在关键决策中过度依赖或滥用人工智能，算法偏见导致的歧视和决策不公，人工智能与人类目标或价值观不一致引发的社会伦理问题等。人工智能带来的这些负面效应不仅影响社会公众对人工智能的信任，也会打击投资者和创新者的积极性，制约人工智能赋能产业变革。推进和完善人工智能治理体制机制，有利于更好地发挥人工智能应用潜力，增进人工智能发展带来的社会福祉。

第一，推动提高人工智能治理的技术能力。积极推进人工智能治理相关技术的开发与应用，重点提高人工智能在数据训练、算法模型设计和决策输出方面的清晰度和透明度，以人工智能技术防范人工智能风险，提升人工智能技术的安全可控程度和公平性。

第二，建立健全人工智能风险评估机制，建立人工智能安全监管制度。要实现“人工智能价值对齐”（AI Alignment），即让人工智能系统的行为符合人类的目标、偏好或伦理原则，是人工智能治理的重要目标之一。因此，要加快建立人工智能伦理准则和规范，引导企业评估人工智能技术风险。逐步建立和完善人工智能风险评估、监督、审查和分级分类管理的制度体系，重点加强对侵犯隐私、强化市场垄断和威胁社会公平的人工智能技术的监管，推动打造“可信AI”“负责任AI”。

第三，加快建立人工智能治理的国际合作机制。由于国家间的经济发展差距，人工智能发展可能进一步扩大国家间的数字鸿沟。同时，当前诸多人工智能企业都是全球性公司，其运营的相关投入、知识产权、服务的用户对象等等往往遍布全球不同国家，对于人工智能的有效监管和治理也需要超国家监管机构或跨国性的制度安排才能实现。对于我国而言，全球人工智能竞争既是技术的竞争，也是治理规则与标准的竞争。我国需要抓住人工智能等数字经济领域新一轮国际规则制定的机遇，提高在人工智能治理政策方面的话语权，进一步提高软实力。我国于2023年提出的《全球人工智能治理倡议》，为全球范围内人工智能治理贡献了中国智慧。2024年世界人工智能大会首次召开人工智能全球治理高级别会议并正式发布《人工智能全球治理上海宣言》，进一步为全球人工智能的发展、安全、治理提供了建设性思路。要进一步加强人工智能能力建设和治理的国际合作，倡导和建立国家间、组织间人工智能治理的常态化交流对话机制，加强国家间在人工智能技术标准和法律制度方面的协调性，推动建立全球人工智能治理框架，加快实现“智能向善”。