摘要:生成式人工智能正在重塑全球数字经济与产业竞争格局。本文从政策环境、技术链条和产业应用三个层面,比较主要经济体的治理路径和资源配置方式,梳理我国区域协作格局,并分析算力、数据、基础模型、工具链与行业应用等关键环节。研究发现,相关技术已由单点模型突破转向多模态融合、复杂推理和工程化部署,产业竞争的重点也由参数规模扩展到系统效率、部署成本、业务收益和安全治理。当前规模化应用仍受高端算力供给不足、国产基础软件适配困难、高质量行业数据短缺、评测体系滞后、模型行为风险和业务闭环不清晰等因素制约。我国应以底层能力自主化和真实场景价值实现为主线,上游完善异构算力、基础软件和标准化数据工程,中游推进多模态能力、轻量化部署、动态评测和安全可控,下游以完整业务流程牵引工业、农业、政务等领域应用,并将数据合规、内容标识和责任审计贯穿产品全生命周期。相关政策还需加强对基础共性技术和长期科研任务的稳定支持。
关键词:生成式人工智能;产业链;多模态大模型;智能算力;人工智能安全
生成式人工智能(Generative Artificial Intelligence,GenAI)能够生成文本、图像、音视频和三维结构,已成为全球科技竞争和数字经济发展的重要方向。其产业链不再局限于模型研发,而是由算力与数据、基础模型与工具链、行业应用与治理体系等环节共同构成。我国已将相关技术纳入战略性新兴产业和“人工智能+”行动,各地政策也由算力中心和基础模型建设逐步转向规模化部署、国产软硬件协同、数据要素开发和实体行业应用。当前,我国在模型数量、开源生态和用户普及方面处于全球前列,制造业体系、数字政务和超大规模市场也提供了丰富场景,但高质量数据治理、高端算力供给、基础软件适配、复杂业务工程化和跨领域合规仍是主要制约因素,部分项目还存在重展示、轻流程和收益难量化的问题。
本文采用政策比较、技术链条分析和产业价值分析相结合的方法。首先比较主要经济体的监管思路、算力与数据投入及应用重点,识别不同治理模式对产业生态的影响;其次按照上游基础设施、中游模型与工具链、下游行业应用梳理关键技术;最后结合部署成本、商业模式和安全责任分析产业化条件。据此提出面向基础能力、模型治理和行业应用的政策建议。
全球生成式人工智能政策与产业
生成式人工智能已成为主要经济体科技战略的重要组成部分。各国围绕算力、数据、模型、应用和安全治理配置资源,并形成不同的发展路径。美国更重视市场扩张和算力优势,欧盟等地区强调风险规则,日本、加拿大和印度则侧重公共基础设施与本土场景。政策取向不仅影响本国产业生态,也关系到全球数字规则、技术标准和供应链格局的塑造。
1.1 全球政策导向与治理范式
从政策文件、监管框架和资源配置看,主要经济体的政策已由早期探索转向相对稳定的制度安排(表1)。虽然各国均重视创新与安全,但在政府介入程度、企业责任、公共算力和数据开放方式上差异明显,大体可分为市场与算力驱动、规则与风险防范、场景与公共基础设施牵引三类。
美国的市场扩张与算力驱动模式。美国强调市场竞争、资本投入和基础设施扩张,并通过芯片政策、数据中心建设和技术出口管制巩固产业优势。发达的资本市场、云平台和软硬件生态,使模型企业能够快速获得算力、数据和开发者资源,并形成基础模型、云服务、办公软件和行业解决方案相互支撑的商业体系。该模式创新速度快,但也容易造成算力和模型能力向少数平台集中。
欧盟和韩国的规则先行模式。欧盟以《人工智能法案》为基础,按照应用风险和系统影响设置合规义务;韩国通过专门立法加强对深度伪造、高影响模型和敏感应用的约束。此类制度有助于明确责任边界、保护个人权利和数字主权,也为可信人工智能标准提供制度基础,但会提高企业的测试、文档和审计成本。由于本土平台型企业和算力供给相对不足,其产业发展更多依托开源模型、公共算力、科研协作和合规服务。
日本、加拿大和印度的场景与公共基建模式。日本侧重将生成式技术用于制造、机器人、医疗和老龄化服务,并采取较为柔性的监管方式,以行业指引和版权规则降低应用不确定性;加拿大重视公共算力、人才培养和医疗政务应用;印度由政府推动算力平台、非个人数据共享和多语种模型建设。这些国家较少参与超大通用模型的规模竞赛,而是通过公共基础设施、专业人才和本土场景形成差异化能力。其经验说明,算力规模之外,行业数据、系统集成和公共服务需求同样可以形成竞争优势。
中国的应用牵引路径。中国依托制造业体系、数字政务和超大规模市场,以真实需求推动模型工程化,并带动算力、基础软件和数据治理改进。相较于单纯依赖算力扩张或静态监管,这一路径更强调产业链联动和数字技术与实体经济融合。
表 1 主要国家和地区生成式人工智能政策布局对比
Tab. 1 Comparison of generative artificial intelligence policies across major countries and regions
1.2 我国区域政策分工与协同
我国已形成多层次的区域布局。不同地区依据科研资源、产业基础和市场条件,逐步形成基础研究、模型工程、数据流通和行业应用等差异化分工。北京、上海、广东、浙江、山东和江苏的政策重点各有侧重(侧重),区域互补有利于减少不同地区重复建设通用模型和算力中心。
北京和江苏侧重基础研究与底层技术。北京依托高校院所和头部企业推进自主基础模型、开源生态和全栈验证,江苏着重支持感知与自主决策等研究。
上海侧重模型工程和数据要素流通。重点建设评测工具链、工业与政务语料体系、数据交易和应用纳管平台。
广东、浙江和山东更强调场景与市场闭环。广东推动算力、模型和智能终端协同,浙江运用算力补贴、融资支持等工具培育模型服务和智能体生态,山东将大模型用于工业互联网、现代农业和智能家居等领域。
区域分工仍面临跨域协同不足。东西部算力供需存在空间错配,部分智算中心利用率不高;行业语料建设重复投入,数据标准、权属和授权规则不统一。国家层面需加强算力调度、评测共享和区域项目协作,减少资源闲置和生态孤岛。
表 2 国内不同地区生成式人工智能政策布局对比
Tab. 2 Comparison of generative artificial intelligence policies across major Chinese regions
生成式人工智能技术与产业链
生成式人工智能的技术演进可从算法范式、任务能力和产业链结构三个方面观察。生成模型由生成对抗网络和变分自编码器逐步扩展到扩散模型与自回归架构,任务范围也由文本和图像生成延伸至音视频、三维、动作和多模态决策。与此同时,数据清洗、指令对齐、检索增强、模型评测、推理加速和安全审计逐渐成为标准工程环节。产业化效果不再由单一模型指标决定,而取决于上游算力与数据、中游模型与工具链、下游业务系统和治理机制的协同(图1)。
图 1 生成式人工智能产业链结构示意图
Fig. 1 Schematic of the generative artificial intelligence industrial value chain
2.1 上游算力、软件与数据
上游基础层包括芯片与集群、基础软件、存储和数据工程。随着模型规模和多模态计算量增长,竞争重点已由单芯片性能转向集群吞吐、互联效率、能耗控制、异构适配和数据供给质量(表3)。
表 3 生成式人工智能上游关键技术与演进趋势
Tab. 3 Key technologies and evolution trends of upstream generative artificial intelligence
2.1.1 算力与硬件设施
算力设施支撑预训练、微调和推理部署。高性能加速器、高带宽互联和液冷系统使多机多卡协同成为可能,训练系统也由服务器级扩展到机柜级和数据中心级。模型规模增长同时带来芯片供给、网络通信、能源消耗、散热和建设成本压力。实际可用算力还取决于集群故障率、通信效率和软件调度能力,设备数量并不等同于有效训练能力。我国需要提升国产芯片、服务器和关键部件的自主能力,完善电力与液冷配套,并加强集群稳定性、跨区域调度和异构资源管理,以系统优化弥补单点性能差距。
2.1.2 基础软件与系统生态
基础软件连接硬件与模型,涵盖自动微分、图编译、算子优化、内存管理、分布式训练和模型运维。数据并行、张量并行、流水并行和专家并行等混合策略已成为训练大模型的重要手段,长序列场景还需要高效注意力和显存管理。当前国内生态仍较多依赖PyTorch、CUDA等平台,国产工具在跨芯片迁移、算子性能、大集群容错和开发者生态方面有待完善。软件适配不足会降低硬件利用率,也会增加模型迁移、调试和运维成本,是国产算力规模化应用的主要障碍。
2.1.3 数据体系与存储底座
数据工程贯穿采集、清洗、去重、标注、知识增强、授权和审计,并依赖高吞吐存储支撑多模态数据读写。行业关注点已由数据规模转向质量、覆盖度、可追溯和可治理。通用互联网语料存在重复、过时和事实错误,医疗、法律、工业等专业数据又较为分散,结构化程度低,且涉及隐私、版权、商业秘密和跨境流动。数据质量问题会直接传导到模型幻觉和偏差。建立来源可查、授权可核、版本可管理、问题数据可撤回的标准流程,并通过持续反馈更新行业语料,是垂直模型可靠迭代的前提。
2.1.4 基础模型与理论范式
不同生成范式各有适用范围。生成对抗网络(Generative Adversarial Networks, GAN)适合高保真图像合成和域转换,但训练稳定性较弱,容易出现模式崩塌;变分自编码器(Variational Auto-Encoders, VAE)以概率潜变量建模为基础,已更多用于现代生成系统的潜空间压缩;扩散模型通过逐步去噪获得较高的图像、视频和三维生成质量,并具备较好的条件控制能力,但多步采样增加了计算开销;基于Transformer的自回归模型统一了序列建模,支撑大语言模型和多模态模型发展,其串行解码仍会限制高并发服务效率。近年来,混合专家、潜空间建模、并行解码和流匹配等路线不断发展。未来重点不只是扩大参数,还包括统一多模态表征、降低训练与推理成本,并改善模型的可控性、事实一致性和可验证性。
2.2 多模态应用与中下游协同
中游模型与下游应用正在由松散调用转向端到端协同。扩散模型和自回归模型提升了内容质量与语义一致性,多模态对齐使模型能够处理图、文、音、视频、三维和动作信息。随着工具调用、记忆和工作流编排能力加入,模型开始参与连续任务而非只生成单次内容。产业竞争因此由模型演示转向复杂任务完成、系统集成、运行成本和合规运营。中游模型能否与行业数据、业务规则和软件系统稳定衔接,决定了下游应用能否形成闭环。
表4列出了文本、视觉、代码、三维、动作和多模态模型的主要功能及代表性生态。这些模型和工具链构成连接上游资源与行业系统的核心环节。
表 4 生成式人工智能中游主要功能与模型生态
Tab. 4 Main functions and model ecosystem of midstream generative artificial intelligence
2.2.1 文本、代码生成与知识增强
文本生成以自回归Transformer为基础,能力正从通用问答转向长上下文处理、任务分解、工具调用和智能体编排。检索增强生成把模型推理与外部知识库结合,可在不重训全部参数的情况下更新专业知识,并为政务、金融等场景提供证据来源和引用链。该方法还可降低模型对内部参数记忆的依赖,便于企业控制知识访问权限。但其效果仍取决于知识库质量、文档切分、检索准确率和结果校验,错误检索也会放大幻觉。
代码模型通过代码语料训练,并结合API文档检索、测试用例生成和漏洞分析嵌入开发环境。其价值不只是补全代码,还包括需求转译、遗留系统重构、跨语言迁移、自动测试和文档生成。实际部署需保留人工审查、权限隔离、依赖管理和自动测试,避免错误代码、敏感信息或不安全组件进入生产系统。对于工业软件和关键基础设施,还应建立专门的代码基准和安全认证。
2.2.2 图像、视频与三维生成
图像生成已由GAN、VAE逐步转向扩散模型。潜空间压缩和条件控制提高了生成效率、构图一致性和局部编辑能力,视频模型也在改善长镜头连续性、主体一致性与运动规律表达。相关技术已用于广告、电商、影视、建筑设计和农产品营销,并可降低数字内容制作门槛。但长视频生成成本、训练数据版权、人物肖像使用和真实性标识仍影响规模化应用,商业系统还需要版本管理和人工审核。
三维生成结合神经辐射场、三维高斯表示和二维扩散先验,正在由多阶段重建向快速生成可编辑资产发展。消费领域关注外观和交互体验,制造领域和具身智能则更重视几何精度、拓扑结构、材质分离、碰撞关系和手物交互。资产生成只有满足尺度、网格和物理属性要求,才能进入数字孪生、仿真、设计和控制软件。当前仍需解决多视角一致性、复杂部件建模和可控编辑问题,并建立与CAD、仿真引擎和机器人平台的接口标准。
2.2.3 多模态模型与具身智能
多模态模型由图文对比学习形成的语义对齐,发展到图、文、音、视频联合建模。原生多模态架构可以在同一上下文中理解不同数据类型,有助于提升复杂环境感知、文档分析和人机交互能力。在机器人控制中,视觉—语言—动作模型以及π0等流匹配模型尝试把感知、任务理解、规划和动作输出置于统一框架,减少人工编写规则,并提高对新任务的迁移能力。但工业环境中的实时性、故障恢复和安全边界要求较高,端到端模型仍需与传统控制器、约束规则和人工接管机制结合。
高质量合成数据已成为具身系统训练和评测的重要补充。通过构造包含接触、遮挡、光照变化和边界条件的仿真任务,可系统分析虚拟环境与真实世界之间的观测和动力学差异,并覆盖真实采集难以获得的危险或极端情况。虚实迁移的关键不在于简单扩大合成数据规模,而在于验证其对真实任务的预测能力,控制仿真偏差,并建立真实数据持续回传、模型校准和安全测试机制。
2.2.4 模型对齐与安全合规
模型进入医疗、司法、政务等场景前,需要通过价值对齐和行为约束降低风险。人类反馈强化学习能够利用偏好数据调整模型行为,但训练流程复杂、成本较高,也可能引起能力退化。直接偏好优化等方法简化了对齐过程,为行业模型定制提供了更低门槛的方案。对齐数据的代表性和标注规范同样重要,否则模型可能放大既有偏差。
技术对齐不能替代产品治理。企业还需配置内容标识、数字水印、来源追溯、日志留存、权限控制、隐私保护和异常处置机制,并对数据、模型和应用进行持续监管。安全能力既是监管要求,也是进入高敏感行业、形成长期客户关系的重要条件。
生成式人工智能产业化潜力
生成式人工智能正处于能力提升与部署成本下降并行的阶段。模型开源、推理优化和云服务降低了使用门槛,多模态和智能体技术则扩展了应用边界。产业竞争逐渐由参数规模转向投资回报、工程交付、流程重构和安全运营。上游的软硬件协同与数据供给、中游的模型服务和低成本部署、下游的业务闭环共同决定产业化速度。判断技术潜力时,需要区分可演示能力与可持续服务能力,并考察单位任务成本、系统可靠性、数据更新和责任承担。
3.1 算力服务、软硬协同与数据资产
上游价值正在由硬件销售扩展到算力运营、系统适配和数据工程。其增长空间取决于资源利用效率、国产生态成熟度以及行业数据能否合规流通。
异构算力将带动智算中心运营和托管服务。通过跨架构组网、资源池化和任务调度,可降低对单一芯片体系的依赖,并提高存量设备利用率。训练与推理任务在通信、显存和时延方面需求不同,运营方需要按负载配置资源,并提供故障恢复、容量规划和服务质量保障。能够提供跨区域调度、能耗优化、模型迁移和任务成本核算的服务商,更容易形成稳定收入。
国产芯片与基础软件协同形成替代空间。市场需求将由侧重单点性能转向芯片、编译器、算子库、训练框架和推理工具的整体效率。不同芯片的架构差异使模型迁移和性能调优成为长期需求,围绕适配认证、算子开发、集群部署及运维等专业服务,是国产生态商业化的重要组成部分。政策支持应兼顾硬件研发和开发者生态,鼓励形成稳定接口和开放工具,避免各平台重复建设封闭的软件栈。
高质量行业数据将推动语料加工和授权服务。社会、医疗、经济、政商、工业、农业等数据需要经过采集、脱敏、去重、标注、知识增强和合规审计,才能成为可持续更新的模型资源。数据交易的前提是权属清楚、用途明确、过程可追溯,并能处理纠错和撤回要求。
3.2 模型服务、轻量部署与安全治理
中游企业的差异化主要体现在复杂任务能力、行业适配、部署成本和可信治理。随着开源模型普及,单纯提供通用接口的竞争优势将逐步减弱。
多模态能力和动态评测将形成新的服务市场。工业、农业、医疗和具身智能需要模型持续理解环境、结合专业知识并完成多步推理,传统静态测试集难以反映真实表现,也容易出现数据泄漏和针对榜单优化。行业基准、动态题库、红队测试、可信认证和准入评估将成为模型服务的重要环节。评测机构还需区分模型能力、系统能力和应用效果,避免用单一准确率代替可靠性、时延、成本和安全指标。
轻量化技术有助于降低部署成本。蒸馏、量化、稀疏激活、推测解码、缓存复用和请求分发可推动模型进入手机、汽车、工业终端和物联网设备。端侧部署能够降低时延并保护数据,但受制于存储、功耗和更新能力,通常需要端云协同。模型即服务也将由API调用转向集成知识库、工作流、权限、工具调用、监控和结果校验的企业平台。
安全治理可以转化为行业准入能力。偏好优化、行为约束和内容过滤用于降低错误与有害输出,水印、标识、追溯、日志和撤回机制用于落实责任。面向不同场景,还需提供数据隔离、模型版本管理、第三方测试和事件响应等服务。具备可验证安全能力的企业,更有可能获得金融、政务、医疗和教育等领域的长期订单。与此同时,合规产品要控制实施成本,避免复杂流程使中小企业无法采用。
3.3 流程重构与实体经济应用
下游已由技术展示转向业务价值验证。生成式人工智能的价值不在于孤立生成内容,而在于嵌入现有系统、完成多步骤任务,并形成可量化的效率和成本收益。
政务和企业服务可将长文本理解、知识检索、任务拆解和系统调用封装为数字员工。与传统流程自动化相比,大模型更擅长处理邮件、合同、报告等非结构化信息,也能根据任务变化调整流程,但仍需规则校验和人工复核。较适合率先落地的环节包括材料预审、知识问答、客服辅助、报告生成和内部检索。厂商可通过订阅、私有化部署、按任务计费和运维服务形成收入,前提是效率提升、错误率和人工接管次数能够被持续测量。涉及审批、支付和对外发布的操作应设置权限边界。
制造、农业和科研更适合高附加值定制。在制造业中,可用于产品设计、工艺优化、故障诊断和预测性运维;在农业中,可用于病虫害识别、种植决策、产量预测和营销;在科研中,可用于文献分析、实验设计、材料筛选和仿真辅助。此类场景需要模型与控制系统、传感器、专业知识库和行业软件深度集成,数据质量和现场验证要求也高于通用办公,交付周期较长,但一旦形成行业知识、接口和工程经验,便更容易构筑壁垒。商业模式可由项目制逐步转向平台许可、持续运维和按成效付费。
金融、司法、医疗、政务和教育等敏感领域依赖可信机制。内容标识、来源追溯、日志留痕、权限管理、异常报警和人工复核应嵌入产品生命周期,以支持审计和追责。模型输出在这些领域通常只能作为辅助意见,最终责任仍需由具备资质的机构和人员承担。下游发展还应兼顾短期商业回报与基础平台建设,避免资源过度集中于低门槛内容应用。
生成式人工智能挑战与建议
我国生成式人工智能产业已进入规模化应用的关键阶段。上游受算力、基础软件和数据供给约束,中游面临能力评测、成本和安全治理问题,下游则存在行业嵌入困难、收益不清晰和长期投入不足等障碍。
4.1 产业系统性挑战
4.1.1 计算与数据约束
上游瓶颈集中在集群建设、国产软硬件适配和行业数据工程。资源供给的稳定性直接影响模型训练、部署和持续迭代。
超大规模集群不仅需要芯片,还依赖网络、电力、液冷、存储和容错系统。多机训练中的通信延迟、节点故障和检查点恢复会造成显著算力损耗,现有调度软件与物理设施仍需协同改进。部分地区重设备采购、轻运营管理,也会导致集群利用率不足。
高端训练芯片和部分关键软件仍存在外部依赖。国产工具在跨硬件迁移、算子优化、通信库和系统集成方面积累不足,软硬件适配成本较高。不同厂商接口不统一,又增加了模型开发和运维难度。
通用互联网语料的边际收益下降,而专业数据分散、非结构化且合规要求高。缺少统一的清洗、授权、质量评价、版本管理和撤回流程,会限制垂直模型的可靠性,也容易造成重复采集和数据权属争议。
4.1.2 模型能力、成本与治理
中游风险已由单纯的训练成本扩展到模型幻觉、评测失真、同质化竞争和安全治理不足。
多模态模型对复杂物理环境、因果关系和长时序任务的理解仍不稳定,推理中可能出现事实捏造或前后矛盾。静态题库又容易被训练数据覆盖或针对性优化,难以客观评估高级能力。模型在实验室基准上的成绩,往往不能直接代表真实系统中的可靠性。
开源模型缩小了通用能力差距,也加剧接口价格竞争。训练、推理和运维投入较高,而单一调用收入有限,缺少行业定位和系统交付能力的企业难以形成可持续模式。重复训练相似模型还会造成算力和资金浪费。
深度伪造、数据版权、隐私泄露和学术不端等问题不断增加。对前沿模型的欺骗、规避约束、工具滥用等行为,现有测试和责任规则仍缺乏系统覆盖。
4.1.3 行业应用与长期投入
下游落地受行业安全要求、投资回报和资源配置影响。许多项目仍停留在辅助工具或概念验证阶段。
工业等高可靠场景难以接受不可预测的模型输出。模型还需要与控制系统、行业软件和责任流程衔接,不能仅作为独立聊天工具。若系统不能形成完整流程和量化收益,用户就缺少持续采购与付费动力。
虚假信息、隐私和版权风险使敏感行业更加审慎。责任边界、证据留存和追责机制不清,会放大应用方的合规顾虑。部分企业缺少持续监测和事件响应能力,也难以满足行业监管要求。
研发资源容易集中于短期应用和流量项目,基础算法、系统软件、网络架构和安全评测等共性技术获得的稳定支持不足。
4.2 高质量发展政策建议
我国应更加紧密结合基础能力自主化与场景价值,形成算力、数据、模型和应用协同发展的体系。
4.2.1 完善算力、基础软件与数据工程
上游政策应由设备投入转向系统能力建设,统筹算力设施、基础软件和高质量数据资源。
一是将电力、网络、存储和液冷等条件纳入智算集群规划,建立建设、运营和利用率评价机制。集中攻关互联通信、并行调度、容错和能耗管理,提高集群有效利用率,并推动训练与推理资源按需求分层配置。
二是支持国产芯片、编译器、算子库、训练框架和系统软件联合研发,建设跨平台适配、性能测试和认证体系。鼓励开放接口和开发工具,降低模型迁移、二次开发和长期运维成本。
三是建立行业数据标准和可信流通机制,明确采集、脱敏、标注、授权、质量评价、版本管理、审计和撤回要求等环节。推动政企数据在合规前提下共享使用,并支持专业数据服务机构和公共语料平台建设。
4.2.2 提升模型能力与评测治理
中游政策应把复杂任务能力、低成本部署和安全可控作为重点,避免单纯以参数规模和榜单成绩评价项目。
一是加强多模态理解、物理规律建模、长程推理和工具调用研究,建设动态更新、分行业、防止数据污染的测试基准。评测应结合自动评分、专家评审、对抗测试和真实任务验证,明确测试条件与适用边界。
二是支持蒸馏、量化、稀疏激活、推测解码和端云协同,推动模型在移动终端、工业设备和专用系统中低成本部署。应用评估应关注单位任务成本、稳定性和节能效果,以应用效果而非调用价格形成竞争。
三是把红队测试、行为纠偏、内容标识、权限管理和日志审计纳入模型发布流程,建立重大风险报告和应急处置机制。完善医疗、金融、教育、司法等场景的责任规范和伦理审查,避免治理要求在不同地区和部门之间重复叠加。
4.2.3 以业务闭环推进实体应用
下游政策应以真实任务和可量化收益为依据选择项目,同时完善合规基础设施和长期科研支持。
一是发展包含知识库、工具调用、流程编排、权限控制和结果校验的模型服务平台,优先在制造、农业、政务等领域交付完整业务流程。建立成本、质量、效率和人工接管率等指标,以真实效果筛选项目。
二是将内容标识、数字水印、来源追溯、权限管理、隐私保护、日志留存和问题处置贯穿产品生命周期,为敏感领域提供可解释、可审计、可追责的应用环境。支持形成统一的合规工具和第三方测试服务,降低企业重复建设成本。
三是通过重大科技任务、稳定资金和政府采购支持基础共性关键技术、人工智能基础软件、原创核心算法和新型网络架构。建立适合长期研究的评价机制,合理平衡短期应用示范与长期能力建设,促进科研成果向产业工具链转化。
生成式人工智能产业已由模型能力竞赛转向系统效率、工程部署和安全运营的综合竞争。我国具有雄厚的制造业体系、应用市场和科研人才等基础,但仍需解决高端算力、基础软件、原创核心算法、行业数据和治理机制之间的协同问题。上游应提升异构算力和国产基础软件的适配水平,建设可持续更新、权责清晰的行业数据体系;中游应推动模型向多模态、低成本和可控方向演进,并用动态评测和真实任务效果验证能力;下游则要以完整业务流程检验应用价值,在制造、农业、政务等领域形成可复制的解决方案。政策与重大科技项目既要支持近期示范,也要为基础算法、系统软件和安全治理提供长期投入。通过算力、数据、模型、应用和治理协同同步发力,生成式人工智能才能稳定转化为产业能力。
来源 | 公众号“世界科技研究与发展” ,原文刊于《世界科技研究与发展》DOI: 10.16507/j.issn.1006-6055.2026.08.002
作者 | 曲文天1,李昊剑2,张逸然1,郝启达1,贺强1,3,张维4 ,柳岸2 ,邓小明1
1.中国科学院软件研究所
2. 中国科学院科技创新发展中心
3. 中国科学院大学
4. 中国科学院重大专项研究局
往期推荐
审核:梁兆南、陈华博
关于联盟

