霍福鹏
精华速览：
“人工智能+”主要通过技术驱动、数据赋能、场景适配、生态协同和制度创新等五个环节发挥作用。以大模型为代表的人工智能技术已具备较强的通用能力，向各行业渗透应用的广度和深度前景广阔。建议多措并举，着力打破当前人工智能应用面临的堵点，加快构建人工智能应用创新生态。
当前，人工智能技术正引发新一轮科技革命浪潮。2025 年8 月，《国务院关于深入实施“人工智能+”行动的意见》印发实施，明确“人工智能+”行动的总体要求、发展目标和重点方向， 为深化人工智能与各行业、各领域融合应用提供了路径指引。建议在顶层设计指引下，通过制度创新、场景开放、标准引导和产教融合等多种举措，加快构建人工智能应用创新生态，促进“人工智能+”行动更快落地见效。
深刻把握“人工智能+”的概念内涵
“人工智能+”是通过将人工智能技术与各行业有机融合，从单点技术应用向系统化社会变革演进，推动传统行业转型升级和社会经济结构变革，不断提升全要素生产率，拓展人类认知边界的动态过程。从技术角度看，“人工智能+” 是面向各类场景的智能化改造和升级需求，将机器学习、深度学习、计算机视觉、语音识别等人工智能技术进行集成化应用的过程。从产业角度看，“人工智能+”是以人工智能技术创新为关键驱动力，面向工业制造、医疗、交通、教育、金融、能源、消费等领域，推动传统产业向高附加值方向转型升级，促进产业结构优化与可持续发展的新型产业发展模式。从管理角度看，“人工智能+” 是提升现有组织生产效率，优化社会资源配置方式，实现管理方式转变的重要模式创新。应用人工智能技术，可以优化政府运行机制和公共服务模式，重塑企业运营方式和决策过程，更好地适应新质生产力发展要求。
“人工智能+”首先来自大模型技术的突破，进而引发生产要素重组（数据作为关键生产要素投入训练）、价值创造方式变革（“智力”正在通过服务规模化产生价值）、组织形态演化（人与机器之间实现广泛深度协同）、社会治理模式转变（知识产权、安全监管等制度要逐步适应人工智能发展特点）等系统性变革， 属于一种典型的“技术—经济”范式。“人工智能+”主要通过技术驱动、数据赋能、场景适配、生态协同和制度创新等五个环节发挥作用。
一是技术驱动，保障“大算力”和“强算法”技术供给。以“大算力”和“强算法”支撑实现大模型技术能力供给。算力和算法具有较高技术门槛，且两者呈现螺旋式迭代演进特点：算法突破带来对算力增长的需求，算力升级为算法的进一步突破提供可行性验证。
二是数据赋能， 确保基础性和行业性数据要素投入生产。将大数据作为原料投入训练， 支撑大模型对客观世界特别是行业专业领域的认知理解。深度学习、机器学习等算法模型需要对大量标注数据进行训练和优化， 在这一过程中实现对生产要素的价值挖掘与持续反馈。
三是场景适配，深入挖掘各行业智能化改造和升级需求。针对不同行业场景的业务特点，明确人工智能技术的切入点和作用范围，并确保人工智能技术能够与该行业既有数字系统兼容，形成统一技术体系，打通技术能力与产业需求的“最后一公里”。
四是生态协同，以点带面培育人工智能应用服务生态。以点上应用带动产业链上下游合作以及跨领域协作，形成围绕人工智能应用的新产业生态。通过开源开放加速技术扩散与创新涌现。
五是制度创新，构建开放有活力的应用市场环境。出台适应人工智能应用特点的人工智能安全监管、产权保护、市场准入等制度，构建适应人工智能发展特点的制度管理体系，完善相关规范标准和司法解释，为人工智能应用提供更大的市场发展空间。
人工智能发展进入应用落地的
关键窗口期
当前，以大模型为代表的人工智能技术已具备较强的通用能力，向各行业渗透应用的广度和深度前景广阔。
（一）应用范围广，呈现“多点开花” 趋势
随着人工智能技术快速迭代， 多个行业已具备应用落地的条件。一是自媒体、影视动画、办公、传媒等主要依赖内容创作的行业成为应用热点。大模型所擅长的就是基于用户指令自动生成文本、图像和视频内容。例如自媒体等行业，涉及大量对文字、图片和视频等内容的编辑、创作，大模型不仅做得比较专业，而且效率很高。二是医疗、气象、金融等知识密集型行业将诞生新热点。这些行业对知识决策的专业性要求较高。虽然当前阶段大模型还无法完全胜任复杂任务， 但随着越来越多高质量数据集的赋能， 可以预期部分行业将爆发规模化应用。三是工业制造、农业、物流等传统行业也具备广泛应用潜力。随着技术迭代，大模型从信息空间走入物理空间，具备对复杂三维物体的感知和交互能力后， 将给制造业等传统行业带来变革性影响， 催生更为“ 智能化” 的智能制造、智慧农业等应用。
（二）应用程度深，爆发力强
相比互联网时代的应用， 人工智能应用的特点更加鲜明。一是较快的传播速度。一旦大模型技术突破某个临界点，用户规模就会出现裂变式扩张。以某热点大模型产品为例，上线仅两个月时间，用户量就增长到1 亿。而互联网时期的热门应用，要达到同样用户规模至少需要一年时间。二是较低的应用门槛。在个人消费端，大模型技术显著降低了操作难度。用户仅需语言描述就能对应生成高质量的文本、图片和视频。即便不懂专业计算机知识， 也可以快速掌握应用操作。三是较强的使用依赖。人工智能大模型应用给用户带来了互联网时代无法比拟的新体验，凭借私有化、定制化服务以及极强的个性化和复杂问题解决能力增强了用户黏性。
“人工智能+”应用落地面临的
主要挑战
从实践情况看，当前还存在一些制约人工智能应用落地的堵点亟待打通。比如， 技术可靠性还有待提升。在大模型训练和推理过程中对数据进行的采集、加工、处理等操作， 将对商业秘密、个人隐私等敏感数据的保护带来挑战。当前大模型技术的可解释性还不足，可能会产生“幻觉”，当应用在医疗等领域时，可能会影响医疗诊断的准确性。
再比如，应用成本有待优化。企业本地化部署应用大模型往往涉及模型使用费、算力建设费、电费、运维费等多项开支。特别是在需要处理复杂任务或高并发请求的业务场景中，算力资源消耗会显著增加。在投入资源的同时如果应用效果不及预期，可能会影响企业应用人工智能技术的信心。
还比如，人才基础有待夯实。人工智能实现大范围规模化应用，离不开专业人才队伍的支撑。目前，人工智能技术规模化应用的门槛还比较高。特别是在模型优化、落地部署及跨领域应用等环节，专业技术人员还相对短缺，一定程度上影响了人工智能在更多行业和场景中的推广速度与应用深度。
以务实举措推动“人工智能+”行动落地见效
建议多措并举，着力打破当前人工智能应用面临的堵点，以务实举措推动市场“强信心、降门槛、筑基础、添活力”，加快构建人工智能应用创新生态。
（一）加快制度创新
一是建立健全适应人工智能应用特点的数据安全保护、版权管理等制度规范，完善相关法律法规和司法解释。面向不同应用场景，分类分级建立“风险识别—风险定级—风险应对”的管理链路。二是“以技治技”构建安全防护体系。通过数据脱敏、去标识化等技术去除数据中的敏感信息，利用相关手段对大模型输出进行识别、审查和过滤，加强大模型加固技术研究。三是加快普及推广人工智能风险管理理念及要求，指导企业做好人工智能技术研发、应用等全生命周期的安全防护，满足不同行业场景实践需要。
（二）促进场景开放
一是围绕工业制造、金融、通信、消费、医疗、交通、教育、科研等重点行业领域， 鼓励用户企业向人工智能技术服务方开放应用场景， 提供试验验证环境和配套资源保障， 推进形成行业应用解决方案。二是发挥行业集群联动优势。依托行业骨干企业、行业协会等，在基础条件较好的地区开展联合攻关， 共同探索行业共性应用解决方案。
（三）强化标准引导
一是强化行业标准指导作用。支持有关行业协会、标准组织加快构建人工智能应用成熟度评价标准体系，分行业细化人工智能应用技术标准，降低企业应用门槛。二是发挥领军企业示范效应。支持行业领军企业率先开展人工智能技术应用验证，总结提炼应用模式，形成行业共性解决方案，为中小企业应用人工智能提供路径参考。
（四）深化产教融合
一是加大对人工智能基础理论研究和前沿技术研发方向的人才培养力度， 支持科研人员加快探索新型算法机理， 促进人工智能研究的源头创新和整体创新。二是强化产学研用协同。推动人工智能场景应用方、技术服务方、高校和科研院所等协同，形成供需联动、交叉互补的一体化应用创新格局。三是加快培育人工智能领域产教融合型企业，支持企业与高校、科研院所之间建设联合实验室， 促进科技成果向现实生产力转化。
作者为国家发展改革委创新驱动发展中心主任