韩 宇 邹 琴 王治吏（航天科工集团数字技术有限公司）
摘 要：随着人工智能技术的快速发展和国家政策的大力推动，大型集团企业正积极探索构建适应自身需求的人工智能应用能力体系，以支持企业智能化转型和高质量发展。本文在分析国内外相关理论与实践基础上，提出了人工智能应用能力体系的构建逻辑，并结合大型集团企业的特点设计了推进路径与阶段任务，旨在为大型集团企业构建完整的人工智能应用能力体系、推进智能化转型提供参考。
关键词：人工智能；能力体系；大型集团企业转型
一、引言
当前，全球正经历一场深刻的人工智能技术革命，智能化转型已成为现代化建设的重要驱动力。美国等发达国家正积极推进人工智能技术应用，构建覆盖多领域的智能化体系。
我国高度重视人工智能技术在经济社会发展中的战略价值。《新一代人工智能发展规划》明确提出要全面提升智能化应用水平，推动人工智能技术在核心业务环节的深度应用。国务院国资委启动央企“AI+”专项行动，强调要突破关键领域“根技术”，打造行业大模型，实现“以应用带技术”的创新发展路径。
在此背景下，构建适应特定领域特点的人工智能应用能力体系，既是应对国际竞争、避免技术代差的战略需要，也是推动主营业务全生命周期智能化转型的重要举措。本研究系统规划了人工智能应用能力体系建设路径，旨在为大型企业智能化升级提供实践参考。
二、现状分析与建设需求
当前，大型集团企业在推进人工智能技术应用过程中面临多维度挑战与机遇。本文通过对基础设施、数据资源、技术平台等核心要素的系统性诊断，剖析现状痛点，明确能力建设的关键需求，为后续分阶段实施路径提供科学依据。
（一）基础设施
人工智能基础设施面临物理环境与资源调度的双重挑战。在机房条件方面，AI 服务器的功耗是传统服务器的 10 倍（如 8 卡机型训练功耗达 5kW），现有机房普遍存在供电与散热问题。未来，若实现AI 应用的规模化普及，亟须开展智算中心的专项规划与建设。
算力资源管理需从粗放式向集约化转型。当前，图形加速卡虽可通过分布式推理技术临时替代专用 AI 加速卡，但长期来看，仍需构建异构算力统一调度平台，通过动态资源分配、故障预防等机制提升资源利用率。
网络架构方面，大模型训练依赖高性能的参数交换网络，其技术难度和运维复杂度远高于传统IP 网络，需配套专业能力和工具。存储系统则需应对多模态数据带来的 PB 级容量需求，重点优化向量数据库等专用存储方案。
（二）数据治理
企业数据资产建设面临从无到有的系统性挑战。在基础数据方面，多模态业务数据尚未形成统一资源池，系统中归档数据也缺乏有效调用手段。训练数据的构建受限于业务场景不明确，需优先开展评测数据集建设（如标注标准、权限管理等），为后续模型训练积累方法论。运行支撑数据的缺失尤为突出，历史数据分散于个人终端且缺乏沉淀机制，外部高质量数据亦无合规引入机制。数据加工管理平台的建设亟待提速。需构建覆盖数据采集、标注增强、质量监控的全流程工具链，同步建立数据资产定价、冷热分层存储等管理机制，为 AI 应用提供合规、高质量的数据供给。
（三）智能体技术应用
智能体技术有效落地实际业务场景，需突破三大瓶颈：一是多模型协同与外部系统调用能力；二是大量异构模型的统一纳管技术，需建立注册、版本控制等业务支撑平台；三是成本优化技术，通过模型压缩、调度策略等方式降低推理成本。
（四）人才体系建设
当前大型集团企业AI 人才队伍和专家支撑体系与 AI 应用需求存在结构性错配。算法研发、数据工程等核心岗位缺口显著，需通过校企联合实验室、实习生常态化招募等机制加速人才培养。应在现有科研体系中增设“AI+”交叉方向，推动复合型人才储备。
（五）制度创新需求
为适应 AI 技术特性，现行制度需创新。比如保密制度应增加模型输出管控条款，运营模式需设计算力、数据等资源的共享激励机制，组织机制可依托虚拟团队（如专家组、项目组）快速整合内外部智力资源。
（六）安全可信框架
大型集团企业需建立覆盖模型行为审计、抗攻击加固、数据泄露防护的三维保障体系，重点防范生成内容合规性风险与模型篡改威胁，通过联邦学习等技术平衡数据利用与安全。
通过对六大核心要素的现状分析可见，企业人工智能能力建设面临三重主要矛盾：技术先进性与基础设施承载力的矛盾、数据需求激增与治理能力不足的矛盾、应用场景多元化与安全可控要求的矛盾。这些矛盾既是当前发展的制约因素，也是推动体系化建设的原生动力。基于此，可设计分阶段、有重点的推进路径，通过资源优化配置与机制创新实现矛盾转化，最终构建良性发展的 AI 应用生态。
三、人工智能应用能力体系理论框架
为了确保人工智能在企业中的有效落地，需要构建一个多层次、全要素的应用能力体系。基于数字化转型战略需求，本研究构建了包含六大核心要素的人工智能应用能力体系（见图 1），为智能化升级提供系统性理论框架。
（一）基础设施
作为能力体系的物理载体，智能基础设施为 AI 应用提供高可用性技术底座。集成物理场所、计算资源、存储系统、网络架构等硬件设施以及配套的运维管理体系，重点保障模型训练、推理计算与部署应用的稳定性与可扩展性。基础设施可与现有云平台、大数据中台实现技术协同，形成统一的资源调度与管理机制。
（二）领域数据
领域数据是 AI 应用的核心生产要素，包括训练数据、评测数据、运行数据和数据管理平台。训练数据主要包括领域预训练数据和微调数据，还应针对领域专业任务建立奖励模型训练数据。评测数据为领域基准评测数据、特定任务评测数据和安全合规评测数据。运行数据是在模型运行时提供增强检索资源的可参考业务数据。各类数据通过数据管理平台，实现多源异构数据的整合、清洗、标注与质量管控，形成全生命周期数据管理体系，确保数据要素的质量可控性与应用有效性。
（三）应用技术
应用技术包含算法研发、模型纳管、应用集成三大类技术内容。算法研发重点突破模型算法、智能体开发等关键技术，并形成标准化技术组件库。模型纳管实现多种模型及版本的统一管理。应用集成包括系统功能智能化技术（业务系统嵌入智能模型或服务，实现智能化功能）、智能功能业务化技术（智能体自主操作业务系统完成相应任务）和智能应用运行的成本优化，重点通过微服务架构实现智能能力与业务系统的柔性集成，支持智能化功能的快速迭代与弹性扩展。
（四）人才队伍
采用“专业矩阵 + 能力梯队”的培养模式，重点建设六类人才队伍：算法研发团队负责各领域的 AI 专业模型、智能体的设计研发；数据工程团队负责数据采集、数据治理和数据开发等工作；应用开发团队负责智能应用的开发设计工作；设计运行团队负责设计因人工智能而催生的新型业态的运营模式，特别是内部单位间数据资产、模型推理服务、智能体调用服务、算力共享服务等的设计和计费结算模式；安全防护团队负责数据安全防护相关技术、制度以及安全可信应用技术研究；运维管理团队负责智算基础设施和智算服务等运维工作。通过校企联合培养、专项技能认证等方式，构建多层次人才发展通道。
图 1 AI 应用能力体系理论框架
（五）制度规范
建立包含技术标准、管理规范、运营机制和创新文化的“四位一体”制度框架。重点制定模型开发规范、数据治理标准、应用准入机制等规范性文件，同时完善组织保障体系与创新激励机制，为 AI 应用提供制度保障。
（六）安全防护
构建“三位一体”的安全防护体系：模型安全防护、数据隐私保护、系统运行监控。通过对抗训练、联邦学习等技术手段，确保 AI 系统在复杂环境中的可靠性与可控性。
该能力体系框架通过基础设施的集约化建设、数据资源的流程化处理、技术能力的平台化输出、人才队伍的系统化培养、制度规范的体系化构建以及安全防护的多维度保障，形成完整的 AI 应用支撑生态。各要素间相互促进、协同发展，共同推动 AI 技术从单点突破到全面赋能的价值跃升，打造可持续进化的智能化能力。
四、推进路径与阶段任务
为将人工智能应用能力体系落地，企业应分阶段实施规划任务，并同步调整和完善各要素，通过五年时间，形成体系完整、机制健全、能够良性运转发展的 AI 技术应用能力。
（一）总体目标
构建完成基于云架构的智能化技术支撑体系，实现人工智能技术在经营管理与科研生产领域的深度融合应用。具体发展目标涵盖以下八个方面。
1.构建智能基础设施体系
建成集成智能中台与智算资源管理平台的技术架构，部署具备一定规模的基础训练集群，周期性开展通用基础大模型的训练工作。采用“中心节点 + 分布式节点”的服务模式，中心节点提供通用模型 API 服务，各分支机构依托资源管理平台建设专业推理节点，进一步实现专用模型与边缘计算的协同部署。
2.建立数据资产化管理机制
建立统一的数据治理体系，通过智能中台实现训练数据、评估数据及运行数据的标准化汇聚与处理，形成持续更新的多领域数据资源池，为大模型迭代与专业模型训练提供数据支撑。
3.深化业务场景智能化应用
在经营管理领域，实现智能助手在日常办公、人力资源、财务审计、综合监督、安全生产、党建等场景的常态化应用；在科研生产领域，完成采购供应链、结构设计、方案设计、气动仿真、控制系统开发、电子电气系统开发、工艺设计、工艺仿真、质量检验、维修保障等关键环节的智能应用示范。建立用户反馈机制，实现应用功能的周期性迭代优化。
4.提高智能化技术渗透率
全面展开业务系统智能化改造，使绝大多数用户切实体验到智能技术带来的效率提升。新一代业务系统应将智能功能与标准化接口作为必备组件，实现技术规范的体系化落地。
5.开放低代码开发能力
智能中台面向全用户开放基础智能体构建功能，支持业务人员在权限范围内自主开发智能应用，并通过共享平台实现成果的分发与复用。
6.强化人才培养与文化培育
构建多层次培训体系，通过内部学院、在线课堂、软件资源池等内部平台，开展多形态的智能化技术培训。形成覆盖全员的技术分享机制，营造全员参与的业务智能化转型文化氛围。
7.创新市场化运营模式
建立高效的内部单位间费用结算机制，试行算力租赁、API 调用等多元化计费模式，形成可持续发展的 AI 服务运营体系。
8.促进产业生态协同发展
联合高校、科研院所及行业龙头企业构建技术创新联盟，将 AI 应用技术研究纳入专项经费保障体系，通过科研经费、专项拨款等多渠道保障投入，形成“研发 – 应用 –迭代”的良性发展循环。
（二）阶段任务
1.基础建设期
此阶段重点开展人工智能技术在专业业务场景中的初步应用探索。通过设立基础性 AI 应用项目，重点突破单机单点业务场景的智能化改造，旨在提升特定业务领域的工作效能。本阶段工作任务主要包括以下五个方面。
第一，建立专业化的 AI 技术团队，通过系统化培训提升人员的技术与业务融合能力。重点开展首个业务领域的数据采集、标注及预处理工作，构建数据集，为后续 AI 模型训练与能力评估奠定数据基础。第二，选取具有普遍性和代表性的典型业务场景，开展具有针对性的 AI 应用设计与开发，形成首批示范性智能应用案例，验证技术可行性。第三，构建支持数据处理、模型推理及智能应用运维的基础技术平台，确保项目成果的稳定运行。第四，组织跨部门业务团队和专家智库，通过专题研究、实验室建设及研讨小组等形式，探索适应企业需求的人工智能应用标准规范与管理制度，初步形成制度框架，并试运行。第五，基于项目实施经验，研究适合企业特点的 AI 技术研发、应用推广和运营维护的创新模式，为后续大规模智能化转型积累实践经验。
本阶段将为企业智能化发展提供技术储备和人才支撑，推动 AI 技术与业务场景的初步融合。
2.深化拓展期
基于前期研究成果，开展多机构协同的人工智能技术深化应用研究。通过构建分布式技术架构，推动 AI 技术在专业化业务场景中的深度集成与应用效能提升。重点工作任务主要包括以下六个方面。
第一，拓展人工智能技术在特定业务领域的智能化应用，实现技术赋能范围的横向扩展。第二，建立统一的智能计算基础设施，通过集中管理训练数据资源，开展基础大模型训练，为后续专业化模型开发奠定技术基础。第三，针对特定专业领域构建专题数据集，开展专业化模型的针对性训练与优化。第四，实施典型业务系统的智能化升级改造，基于标准化接口协议实现智能系统的自主决策与任务执行能力，构建具备“规划—决策—执行”闭环的智能应用示范系统。第五，探索建立人工智能技术研发与应用的协同创新机制，形成可持续发展的运营模式。第六，通过整合内外部专家资源，构建多学科交叉的研究团队，培养专业化的智能技术研发队伍，“以应用带技术、以迭代促创新”，为人工智能技术的持续创新提供人才保障。
此阶段工作将有效促进人工智能技术与专业业务的深度融合，为提升核心业务效能提供技术支撑。
3.全面融合期
在此阶段，构建面向人工智能的标准化运营模式、制度规范和创新文化体系，全面推进 AI 技术在主营业务全生命周期的深度应用。具体工作内容涵盖以下五个方面。
第一，基于前期建设的智能中台，进一步优化 AI 算力资源布局，形成“训练集中化、推理分布式、资源共享化”的智能计算服务体系，提升资源利用效率。第二，推动 AI 数据加工流程与业务体系的深度融合，实现数据采集、清洗、标注及权限管理的流程化、常态化运行，同时要确保数据质量与安全。第三，建立基础大模型的持续训练与迭代机制，通过周期性优化升级，提升模型的泛化能力和专业适用性。第四，将 AI 技术研发、转化与应用纳入现有科研管理体系，构建覆盖技术预研、成果转化和工程化落地的全链条创新机制，促进 AI 技术与专业业务的协同发展。第五，通过建立内部技术社区、资源共享平台、专业培训体系等多元化渠道，加强 AI 技术推广与人才培养，营造全员参与的智能化转型氛围，推动 AI 创新文化的广泛渗透。
本阶段将实现人工智能技术与专业业务体系的全面融合，为智能化转型提供制度保障和文化支撑，助力核心业务效能的系统性提升。
五、实施建议
基于人工智能能力现状与总体规划，按照“应用牵引、基础支撑”的双轮驱动策略，提出以下实施建议。
（一）基础应用项目建设
在基础应用项目建设方面，重点打造三类示范工程。效率提升型项目，聚焦财务风控、视频分析等高频场景，部署智能助手并建立用户反馈闭环机制，实现业务流程的智能化改造。数据积累型项目，围绕如质检、仿真等专业领域，构建标准化数据集，形成从数据采集、标注到迭代优化的全流程管理体系。技术验证型项目，则着力开发智能中台原型系统，验证多模型纳管、服务编排等关键技术，为后续规模化应用积累经验。这些项目将突破传统 IT 建设的局限，逐步构建起持续优化的 AI 服务运营体系。
（二）研究体系建设
构建三级协同创新网络。战略层面，成立 AI 转型专家组，负责技术路线审定与重大决策咨询。专业层面，设立方案论证、研发设计、生产制造、经营管理、数据处理、基础通用 6 个专项工作组，开展针对性技术攻关。实施层面，联合高校建立联合实验室，通过定期发布预研任务的方式，重点突破业务智能化应用的关键技术瓶颈。
（三）创新生态培育
创新生态培育，实施专项计划。设立专项创新基金，支持如财务管理、结构设计等专业方向的多个创新项目，重点培育具有业务价值的智能应用示范项目。同步开展技术培训，通过理论教学与实战演练相结合的方式，培养既精通 AI 技术又熟悉业务场景的复合型人才。此外，还需配套建立创新成果展示与交流平台，促进优秀解决方案在内部的推广应用。
（四）制度标准建设
重点推进三项工作。积极参与国家相关标准的制定工作，贡献实践领域的经验。编制企业标准，规范企业内部 AI 应用的开发与实施流程。建立敏捷高效的管理制度，覆盖项目立项、实施、验收全生命周期，确保 AI 技术的合规应用。这些制度标准将为人工智能的规模化应用提供坚实的制度保障。
（五）运营模式探索
聚焦两个关键领域。在资源运营方面，研究算力租赁、API 服务等新型收费机制，探索可持续的资源共享模式。在数据资产化方面，重点解决训练数据产权界定与价值评估难题，建立数据要素市场化配置机制。通过专项调研与试点验证，逐步形成适合本集团特点的 AI 运营体系。
通过上述建议的实施，预计将在业务效率提升、数据集构建、人才培养等方面取得显著成效，为全面智能化升级奠定坚实基础。这些成果将有力支撑规划目标的实现，推动人工智能应用能力持续提升。
六、结论
本研究系统性构建了面向大型集团企业的人工智能应用能力体系，提出“基础设施—数据资源—技术平台—人才队伍—制度标准—安全防护”六维协同框架，并设计了分阶段实施路径。通过梯度推进，将实现从单点技术应用到体系化赋能的跨越。实践表明，该体系能有效解决特定场景下的智能化转型难题，为人工智能全生命周期管理提供技术支撑。未来需持续优化算力调度、数据治理和安全防护机制，推动 AI 与业务的深度融合。
参考文献
[1]田建团 , 班莹 , 李森 . 新时代加快体系效能型军工能力建设的思考 [J]. 航天工业管理 ,2023,(2):59-62.
[2]李婧 . 国有企业数字化转型能力体系构建研究——基于新型能力建设的视角 [J]. 知识经济 ,2025,(27):37-40.
[3]张竹 , 邢小强 , 徐赫辰 . 人工智能技术创新与中国企业高质量发展：能力基础观视角 [J]. 外国经济与管理 ,2025,47(9):86-105.
[4]黄惠康 , 董华亮 . 一体推进涉外法治体系和能力建设的实践路径 [J]. 法治现代化研究 ,2024,8(6):1-17.
[5]马玉伟 , 杨绪印 , 崔永双 , 等 . 坚持优化布局推进能力建设体系转型 [J]. 中国航天 ,2025,(6):43-46.
（韩宇系航天科工集团数字技术有限公司工程师，总体设计部技术架构工程师；邹琴系航天科工集团数字技术有限公司高级工程师，研发与项目管理部处长；王治吏系航天科工集团数字技术有限公司助理工程师，总体设计部技术架构工程师）