姚 頔 王道乾 吴琦莹（中国信息通信研究院）
摘 要：人工智能作为引领新一轮科技革命和产业变革的基础性和战略性技术，具有溢出带动性强的“头雁”效应，成为发展新质生产力的重要引擎，深刻改变着工业生产模式和经济发展形态，对加快建设数字中国发挥重要的支撑作用。本文通过对北京、广东、浙江、安徽、上海、江苏等地人工智能产业发展的调研，分析了人工智能在推动新质生产力变革中的现状、成效与挑战，提出强化技术创新、推动应用场景落地、提高数据质量与安全的对策建议，以期为我国经济高质量发展提供参考。
关键词：人工智能；新质生产力；技术创新；场景应用；数据安全
随着科技不断进步，人工智能已成为推动社会经济发展的重要力量。人工智能技术的快速发展，不仅改变了传统的生产方式，还催生了新的产业形态和商业模式。在此背景下，研究人工智能如何驱动新质生产力变革，对于推动我国经济高质量发展具有重要的理论和现实意义。本文采用文献研究、实地调研和案例分析等方法，对北京、广东、浙江、安徽、上海、江苏等重点省市的人工智能产业进行了深入研究。通过分析人工智能在推动新质生产力变革中的现状、成效与挑战，提出相应的对策建议。
一、人工智能驱动新质生产力的现状与成效
（一）北京市：政策牵引与场景落地双轮驱动
北京市在大模型产业领域展现出显著的领先优势。据《北京市人工智能行业大模型创新应用白皮书（2023）》显示，北京市集聚大模型创新团队122家，占全国总量50%；科技部新一代人工智能发展研究中心数据表明，北京在10亿参数以上的大模型数量达38个，占比47.5%。2024年，人工智能核心产业规模突破3000亿元，人工智能企业数量占全国40%。通过智源研究院、智谱AI等机构的技术突破，在光训练芯片、多模态模型等领域形成国际竞争力。政策层面通过算力补贴、数据互通机制，推动大模型与制造业、医疗等场景深度融合，形成“技术研发—场景验证—产业升级”的闭环生态。
（二）广东省：产业链优势驱动垂直场景创新
作为我国经济第一大省，广东省2024年人工智能核心产业规模超2200亿元。从应用端来看，华为云盘古大模型在30多个行业实现场景落地，夸克大模型聚焦智能工具开发。从政策端来看，《广东省关于人工智能赋能千行百业的若干措施》提出，到2027年打造100款智能终端产品，推动硬件与AI技术深度融合。广州市海珠区通过500万元补贴政策，集聚超100个大模型项目，形成工业质检、智能分拣等特色解决方案，助力传统产业提质增效。
（三）浙江省：通用智能体构建产业新范式
依托阿里云、实在智能等企业，浙江省2024年发布行业通用智能体“实在Agent+企业大脑”，突破了传统的API限制，通过RPA技术实现软件系统自动化操作。搭载的TARS大模型在国际基准测试中关键指标领先。《浙江省“人工智能+”行动计划（2024—2027年）》明确到2027年，培育形成10个全国一流的行业垂直大模型，推动制造业数字化转型。杭州市、宁波市等形成“产学研用”生态，数字经济核心产业增加值同比增长15%。依托“一号工程”与“机器人+”政策的持续推进，浙江杭州已形成以“六小龙”为代表的科创企业集群。
（四）安徽省：国产算力与行业应用协同发展
2024年，安徽省智能算力突破1.4万P，建成国产算力平台“飞星一号/二号”。科大讯飞在智能语音领域保持全球领先地位，中文语音技术市场占有率超70%，其研发的星火认知大模型已迭代至4.0Turbo版本，在中文领域的综合性能超越GPT-4Turbo。羚羊工业大模型赋能制造业全流程，“智医助理”辅助诊断超8.5亿次。《安徽省通用人工智能创新发展三年行动计划（2023—2025年）》提出，到2027年，人工智能核心产业规模突破800亿元，推动算力、数据、人才等要素协同发展。
（五）上海市：算力基建与政策协同创新
2024年，上海市建成了中国电信首个国产单池万卡液冷算力集群。《上海市推动人工智能大模型创新发展的若干措施（2023—2025年）》提出“模都”倡议，设立开源生态产业集群。张江、临港等区域形成AI产业集聚区，商汤科技、依图科技在智慧城市领域持续突破。通过“揭榜挂帅”机制，推动大模型在金融、医疗领域的合规化应用，2024年新增AI相关专利超2000件。
（六）江苏省：全面推动产业数字化、智能化转型
作为制造业强省，江苏2024年人工智能核心产业规模突破1500亿元。徐工汉云工业互联网平台接入设备超百万台，AI质检系统使产品不良率下降30%；苏州工业园区打造“AI+生物医药”创新中心。《江苏省新一代人工智能发展行动计划（2024—2027年）》明确，2027年建成100个智能工厂，南京市、无锡市设立专项基金支持大模型应用。建成长三角（南京）算力枢纽，为产业发展提供基础设施保障。
二、人工智能赋能新质生产力面临的挑战
（一）核心技术存在短板，产学研协同不足
一是技术主导权有待加强。国内企业在算法、芯片等核心技术方面的控制力和话语权相对较弱。以中兴和商汤集团为例，其在自然语言处理、深度学习、AI芯片等关键技术领域，以及机械臂、高端芯片、PLC等关键零部件领域高度依赖进口，存在断供风险，不仅影响了技术的自主可控性，也增加了企业运营的风险，制约了产业发展。二是关键核心技术有待突破。以智能工业机器人为例，其应用需要集成自然语言处理、深度学习等多种先进技术，如算法、传感器、控制器等，技术复杂性高，集成难度大。技术突破的需求迫切，但目前进展缓慢，特别是在算法优化、传感器精度提升、控制器稳定性增强等方面，需要更多的研发投入和创新。三是技术创新链资源整合能力有待提升。科研机构与企业协同创新不够紧密，高端技术人才较为缺乏，研究成果与产业化需求适配度低。例如，在钢铁行业，既懂行业工艺又熟悉AI技术的复合型人才十分稀缺，相关高校领域优质毕业生供应不足，且科研机构的研究成果往往与企业的实际需求存在差距，导致科研成果难以转化为实际生产力。
（二）模型场景单一，盈利模式有待明晰
一是场景应用拓展受限。部分细分领域和传统行业应用场景单一，技术应用范围较窄，价值发挥不充分。例如，部分企业反馈数据资源获取受限，缺乏足够的应用场景来实践和验证技术，不仅限制了技术的深入发展和创新，也影响了人工智能技术在更广泛领域的应用和推广。二是商业模式仍不清晰。人工智能技术的经济成效和投资回收期不稳定，高额的初期投入却难以形成短期内的快速投资回报。长三角地区虽然在人工智能领域的投融资活跃度最高，获得了大量资本支持，但企业如何预估人工智能项目的投资风险，盈利途径和运营模式仍不明确。如移动云、商汤集团等反馈，人工智能领域建设前期投入巨大，后期场景应用变现困难，商业模式不清晰，加剧了企业在人工智能战略投资中的审慎考量和不确定性。三是投资应用成本较高。应用人工智能技术的成本较高，包括技术引进、设备购置、人才培训等费用，限制了技术在企业的推广普及，不利于产业全面发展。如华兴源创反映缺乏相应资金购买算力进行大模型训练，南航反馈缺乏资金扶持助力科研成果落地转化。
（三）数据质量不高，管理体系薄弱
一是数据质量普遍不高。现有的数据在准确性、完整性和一致性等方面存在诸多不足。以科沃斯与南京钢铁为例，其面临的数据模态多样、噪声大、缺陷品数据少，导致数据预处理和清洗工作复杂，影响人工智能模型的训练效果。数据质量问题成为制约人工智能技术应用和发展的重要因素。二是数据隐私安全隐患突出。数据收集、存储、使用和传输过程中隐私泄露和安全风险较高，违规收集数据、安全防护薄弱等问题存在，不仅涉及技术层面，还涉及法律法规和伦理道德层面，不利于产业发展。尽管部分产业已开始进行相关改进，但由于缺乏全面的技术蓝图与架构来有效地结合自身发展策略，在一定程度上增加了数据隐私和安全的风险。三是数据管理与安全保障体系尚不完善。工业领域的设备和系统多样性导致数据整合和标准化难度大，需要处理海量异构数据。数据质量标准、隐私保护机制和安全技术研发存在不足，不利于产业的健康发展。
三、推动人工智能赋能新质生产力的对策建议
（一）推动技术创新，提高能力水平
一是强化前沿基础研究。加快实验室体系建设，瞄准人工智能技术理论前沿，加强基础性原创性科学研究。支持开展重大基础研究，力争在多模态智能、认知智能、类脑智能、具身智能、群体智能等方面取得突破。二是加强核心技术攻关。聚焦大模型基础架构、关键算法、数据技术，以及人工智能芯片、智能传感器、系统软件等重点方向，设立新一代人工智能重大科技专项，通过“揭榜挂帅”“赛马”等模式组织攻关。鼓励高等院校、科研院所、行业龙头企业等牵头承担有关国家科技创新重大项目。三是鼓励协同创新。要围绕产业链部署创新链，围绕创新链布局产业链，加快建设高效协同的创新体系，围绕产业共性需求，鼓励高校联合科研院所、人工智能企业组建创新联合体，协同攻关大模型、群体智能、具身智能等技术，形成一批重大自主创新技术产品和解决方案。四是强化人才培养。加强高端人才和适用人才培养，布局建设人工智能领域未来技术学院、现代产业学院、专业特色学院等，创新产学研合作模式。关注复合型人才引培，依托国家和省级重点人才计划加快引进一批高端、复合型人工智能人才。
（二）强化场景落地，推动商业化应用
一是拓展应用场景。加快制造业全流程智能化，深化人工智能技术在制造业全流程中的融合应用，提升研发设计、生产制造、运营管理等环节的智能化水平，建设一批智能车间、智能工厂。发挥视觉、语音等领域技术积累和应用优势，打造一批智能家电、智能安防、智能手机等标杆智能产品。组织开展供需对接活动，促进消费终端智能升级产品的市场推广。二是加大资金支持。聚焦钢铁、纺织、汽车、医药、电子信息等带动能力强、数字化基础好的重点行业，面向视觉检测、智能运维、参数优化、智能巡检等场景，给予税收优惠、财政补贴等资金扶持，选树行业应用标杆，争创国家人工智能典型案例。三是推动工业大模型应用突破。鼓励龙头企业深挖数字化转型需求，与人工智能企业、科研院所等组建创新联合体，面向钢铁、纺织、新能源等数据密集型行业，重点突破研发设计、生产制造、运营管理等环节大模型，推动环节大模型和企业业务应用嵌入集成，持续优化迭代。
（三）提高数据质量，保障数据安全
一是提高数据质量。强化数据要素供给，推动公共数据、行业数据开放，鼓励科研机构和企业联合构建工业语料库、数据集，推动产业链供应链数据融通，开展高质量数据集、数据空间等试点，深化数据开发利用。加强对算力基础设施建设的统筹规划和布局，引导和支持企业、科研机构等参与算力中心的建设与运营，提升算力资源综合供给水平，优化多元算力体系，完善智能算力中心服务能力，发展模型选型、调优等延伸服务，完善边缘侧、终端侧的配套部署。二是强化安全能力建设。加强对人工智能技术发展的预测、研判和跟踪研究，坚持问题导向，准确把握技术和产业发展趋势。增强风险意识，重视风险评估和防控，强化前瞻预防和约束引导，鼓励人工智能企业优化基础算法模型，提升模型算法能力，开发适应工业领域特点的高性能算法。三是进一步完善监管体系。实行设计问责和应用监督并重的双层监管结构，实现对人工智能算法设计、产品开发和成果应用等的全流程监管。促进人工智能行业和企业自律，切实加强管理，加大对数据滥用、侵犯个人隐私、违背道德伦理等行为的惩戒力度。加强人工智能网络安全技术研发，强化人工智能产品和系统网络安全防护。四是建立健全标准体系。推进各省人工智能标准化技术委员会建设，围绕基础共性、关键技术、典型应用、数据安全等方向，组织开展国家标准、行业标准和团体标准的制定和预研。
四、结论与展望
本文通过对人工智能产业的调研，分析了人工智能在推动新质生产力变革中的现状、成效。研究表明，人工智能在提升生产效率、降低成本、推动产业升级等方面取得了显著成效，但在技术创新、场景应用、数据质量与安全等方面仍面临诸多挑战。未来研究应进一步深入探讨人工智能技术在不同产业中的应用模式和效果，分析技术创新与产业发展的互动关系，并以高质量数据集建设为切入点，研究如何构建更加完善的数据管理和安全保障体系，为人工智能产业的健康发展提供更加全面的理论支持。
参考文献
[1]北京市经济和信息化局. 北京市人工智能行业大模型创新应用白皮书（2023）[R]. 北京：北京市经济和信息化局, 2023.
[2]科技部新一代人工智能发展研究中心. 中国人工智能大模型地图研究报告 [R]. 北京：科学技术文献出版社, 2023.
[3]李克强. 人工智能与制造业高质量发展[J]. 中国工程院院刊, 2024, 9(2): 12-18.
[4]张宏科. 人工智能赋能工业互联网的挑战与对策[J]. 自动化学报, 2024, 48(3): 456-463.
[5]刘德建, 王晓飞. 人工智能在制造业中的应用现状与趋势[J]. 机械工程学报, 2024, 58(2): 112-120.
[6]王晓华, 李明. 数据质量与人工智能模型性能的关系研究[J]. 计算机学报, 2024, 47(4): 789-800.
[7]齐荣，刘腾飞等.“人工智能 +”时代我国大模型产业差异化发展路径研究[J]. 新经济导刊，2024，06（28）
（姚頔系中国信息通信研究院高级工程师、博士；王道乾系中国信息通信研究院工程师、硕士；吴琦莹系中国信息通信研究院工程师、硕士）