◇ 徐 彬
精华速览：
当前，我国人工智能应用快速发展，已进入深度赋能千行百业的重要阶段。同时要看到，在相关的产业化落地推进过程中，仍然面临技术能力欠佳、转型门槛较高、治理机制固化等发展短板。深化人工智能应用，需要坚持循序渐进、系统推进的发展思路，逐步深化技术研发能力、降低企业应用门槛、构建新型治理体系。
当前，人工智能技术正在引发新一轮科技革命和产业变革浪潮。2025 年8 月，国务院印发《关于深入实施“人工智能+”行动的意见》，正式启动“人工智能+”行动。据有关报道，2025 年我国人工智能相关产业规模超万亿，国家发展改革委会同相关部门和地方，布局了30 余个国家人工智能应用中试基地， 推进央企及地方国企开放1000 余个应用场景，重点行业的人工智能整体渗透率突破80%。立足我国超大规模市场优势， 为推动人工智能应用向更大范围、更深层次拓展，建议通过强研发、降成本、优治理，系统破解应用堵点难点，持续完善产业发展生态，构建人工智能应用创新发展新格局。
人工智能应用创新进入关键窗口期
我国人工智能应用快速发展，已进入深度赋能千行百业的重要阶段。从国内实践看，由于不同行业的数字化基础、技术适配难度、应用需求等存在差异， 人工智能应用呈现出差异化发展格局。
（一）在需要人“动脑”的领域，应用渗透速度较快、深度待提升
人工智能帮助处理海量信息，辅助人类进行知识提炼和决策判断。这类应用主要集中在医疗诊断、代码编程、金融风控、法律审查、药物研发、教育辅导等领域。比如，据有关报道，人工智能医学影像系统可在数秒内完成肺部CT 的结节筛查，帮助放射科医生将阅片效率提升5 倍，有效降低早期肺癌漏诊率。再比如，人工智能金融风控系统，通过分析数千个行为特征，大幅提升金融欺诈交易识别精准度。目前，人工智能在这类规则明确、反馈闭环的场景内应用渗透较快；但在依赖模糊共识和物理实感的领域，人工智能应用仍有底层认知短板，仅能完成标准化辅助工作。主要原因是，应用渗透快的场景大多已实现数字化，拥有结构化的数字信息，与人工智能擅长的模式识别和内容生成能力匹配更好。但在数据难以量化、评价标准主观、决策风险较大的领域，人工智能应用有待进一步深化。
（二）在需要人“动手”的领域，应用点上有突破、面上待拓展
人工智能从数字空间走入物理空间， 实现对复杂三维空间的感知和交互能力， 替代生产线和田间地头的人工操作。这类应用主要集中在工业制造、农业生产、物流仓储、能源运维等劳动密集领域。目前，人工智能在这类劳动密集场景的应用，多处于“点上突破”的试点验证阶段。主要原因是，世界模型等与物理世界交互的技术还不成熟，人工智能在感知和交互能力上存在不足；同时，应用往往会涉及硬件改造和流程再造，不像安装软件那样简便。
（三）在需要人机“交互”的领域， 应用呈现“快慢分化”特点
人工智能替代传统服务环节，将“人对人”的服务变为人机协作，提高服务效率，促进服务规模化。这类场景主要集中在政务服务、电话客服、零售导购、养老陪伴等领域。比如，政务服务平台智能化理解办事需求，一次性告知所需材料和办理流程，单个咨询平均响应时间大幅缩减。总体来看，人工智能在这些经营服务领域的应用有快有慢。走得快的，主要是标准化程度较高的客服场景。例如，银行业智能客服渗透率大幅提高，头部互联网企业普遍部署智能客服系统，全国多个城市上线智能政务助手。走得慢的，主要是养老陪伴、心理疏导等需要情感交互的场景。人工智能在理解和回应复杂情感方面还存在瓶颈， 应用多停留在概念验证阶段。
人工智能应用面临的主要挑战
尽管人工智能应用已在多个行业领域有所布局，但在产业化落地推进过程中，仍然面临技术能力欠佳、转型门槛较高、治理机制固化等发展短板。
（一）AI 技术能力有待加强
现阶段，通用大模型技术体系存在一些不足。以Transformer 为核心、依托统计预测逻辑构建的人工智能范式，微妙语义理解、因果推理与稳定长效记忆等能力还存在一些不足。据此研发的大模型，在物理规律认知与社会常识体系等方面仍须强化。人工智能应用在面对依赖实体世界感知、模糊综合决策、共情情感交互等复杂任务时，仍然存在短板。比如，大模型泛化能力欠佳，行业应用面临“一场景一模型”的局面。以工业AI 视觉质检为例，某汽车零部件企业上线质检大模型后，产品缺陷检出率大幅提高，但将该模型复用至其他厂区生产线时，受现场光照色温等影响，缺陷检出率下滑明显。
（二）企业智能化转型门槛较高
人工智能应用落地普遍存在前期投入大、收益周期长的特点。较高的资金、技术与人力成本，让不少企业（尤其是中小企业）难以顺利推进智能化升级。一是前期投入成本较高。智能化改造涵盖软硬件采购、数据治理、模型训练、产线适配等多项支出，综合改造成本较高，整体资金需求规模较大。比如，某制造企业上线人工智能辅助质量检测系统，仅前期一次性投入就需要几百万元， 多数中小企业难以承担。二是投资回报周期较长。工业场景产品品类、生产环境动态变化，模型需要长期迭代才能稳定适配业务需求。此外，企业员工适应智能化作业模式还需要一定时间磨合， 企业整体数字化基础还需夯实，工作流程还需优化，短期内难以完全释放应用价值，进一步拉长了投资回报周期。
（三）应用监管治理机制有待完善
人工智能算法更新速度快、应用场景复杂多元，传统静态化的监管模式面临新的挑战。一是治理敏捷性存在不足。现有监管手段多以事前审批、事后核查为主。人工智能算法实时迭代、场景动态拓展，各类风险隐蔽性强、衍生速度快，用传统监管手段容易出现发现不及时、处置滞后等问题，管理流程仍需优化，事前事中事后全链条监管需加大人力、物力投入。二是多元主体权责划分模糊。人工智能领域相关法律法规、标准规范还处于完善阶段。针对人工智能虚假内容生成、算法错误输出、潜在安全风险等情形，难以形成清晰的责任认定与划分标准。技术研发方、运营服务方、用户方等权责边界还不够明确。实际应用中，针对人工智能引发的财产损失、安全事故等问题，容易出现各主体相互推诿、责任难以落实的情况。
促进人工智能产业发展的对策建议
当前，人工智能规模化、产业化发展态势向好，市场拓展与落地应用仍具备巨大潜力，据有关部门预测，2026 年我国人工智能产业规模将保持30% 以上的高速增长。为持续释放产业发展动能， 需坚持循序渐进、系统推进的发展思路， 逐步提升技术能力、降低企业应用门槛、构建新型治理体系。
（一）深化人工智能技术研发及标准建设
一是强化通用人工智能基础技术攻关。聚焦Transformer 架构固有缺陷，布局认知科学、物理AI 等前沿基础算法研发，支持高校、科研院所、头部科技企业联合攻关，重点突破具备实体世界运行、情感共情交互等能力的新一代模型架构。鼓励创新主体联合参与通用基座模型技术研发与优化，并依托通用基座拓展行业能力，发展各领域差异化垂直专用模型。二是分级建立AI 应用适配标准。针对工业质检、设备运维、医疗影像等领域，由行业协会和龙头企业牵头制定场景数据接口规范、模型评估基准和部署验收标准等，降低人工智能技术在行业间、企业间迁移适配难度。分级建设人工智能测试验证标准，加强检测能力建设，完善标准化测试数据集、评测工具与验证流程。
（二）降低企业智能化应用门槛
一是支持应用模式创新。推广模块化、轻量化、即插即用的人工智能应用解决方案，避免重投入给企业带来过大负担。支持人工智能技术服务商探索按需部署、持续增值等服务模式，降低一次性固定投入。支持技术服务商与企业用户之间建立长效运营机制， 探索按效果付费（RaaS）等新型收益分配方式。鼓励行业龙头企业开放成熟通用模型，为中小企业提供低成本模型微调服务，减少重复开发成本。二是完善激励与风险兜底机制。加强对企业智能化转型的正向激励，对主动采纳人工智能技术、取得应用成效的企业给予政策激励支持。健全人工智能应用容错免责机制， 营造激励宽容的创新氛围，减少企业转型顾虑。
（三）构建新型监管治理体系
一是建设科学的监管支撑体系。针对AI 制药、无人驾驶等监管难题，加大投入，强化AI 应用监管方式方法研究。构建政企研多元协同共治平台，实现事前事中事后全链条监管，统筹安全底线与产业发展。二是创新监管技术手段。聚焦算法黑箱等监管环节，依托人工智能、大数据等技术构建新型监管工具， 实现精准监管。针对部分高要求、高敏感度的场景， 探索行业应用监管沙盒。采取先试点、后推广、再迭代的监管思路， 注重试点成效评估和动态调整。三是强化分级分类监管。根据人工智能应用风险等级， 明确相应的责任边界和监管标准。对高风险应用强化全程监测和功能审核，对低风险应用简化监管流程，兼顾监管效能与企业创新活力。
作者为国家发展改革委创新驱动发展中心副主任
Visits: 4