我国“人工智能+”行动的必要性及推进路径

吴盈盈  宋平  任璐

（中国信息通信研究院人工智能研究所，北京 100191）

摘要：分析阐述了我国人工智能发展布局，从基础支撑、应用赋能、生态构建等方面体系化剖析我国人工智能发展现状，总结归纳出应以应用为牵引发展我国人工智能产业，并提出了需明确适配行业、厘清落地现状与问题、精准把握推进力度来有序有效推进“人工智能+”行动。

关键词：人工智能+；产业升级；新型工业化

0  引言

人工智能已深度渗透社会经济各领域、全过程，成为各国发展布局的关键。面对全球人工智能技术日新月异的新形势，亟须从产业架构深度挖掘我国人工智能产业的独特优势，精准定位发展抓手，为工作部署提供靶向指引，推动产业实现高质量跃升。本文首先对人工智能作为我国重点发展方向进行了分析和阐述，包括人工智能对人类社会的影响、我国人工智能布局以及产业发展现状与挑战；之后提出了“人工智能+”行动是我国人工智能产业发展突破的关键，并进一步阐述了推进“人工智能+”行动的意义；最后厘清了“人工智能+”的内涵理解，给出了推进“人工智能+”行动的方法路径。

1  人工智能已成为我国重点发展方向

1.1  人工智能的影响

人工智能作为新一轮科技革命和产业变革的核心驱动力，正以前所未有的速度渗透到人类社会的各个领域。其强大的数据处理、学习和决策能力，深刻改变了人们的生产生活方式，引发了广泛而深远的影响。

从经济发展的角度来看，人工智能已成为培育新质生产力的核心动能。这种驱动作用体现在两个层面：其一，人工智能加速了生产工具与生产流程的智能化转型。以工业领域为例，人工智能应用率先在研发设计与验证、运营管理与营销两个环节落地，并持续向生产制造环节渗透[1]，带动全要素生产率提升。其二，人工智能催生传统行业的新业态。以自动驾驶领域为例，其通过多传感器融合、深度学习算法及车路协同技术的突破，推动汽车产业从单一交通工具制造向“智能移动空间”生态转型，带来车规级芯片研发、自动驾驶解决方案定制等商业机会，形成新的经济增长点。

从社会发展的角度来看，人工智能正重塑民生服务格局。它不仅改变了民众获取信息的渠道，降低了知识获取门槛，更优化了公共资源配置，提升了公共服务的普惠性，让更多欠发达地区和群体共享技术红利。以“医院问诊”场景为例，“人工智能名医”通过大模型与临床思维学习训练，让名医资源打破时间、空间和数量限制，实现随时随地远程问诊，极大缓解医疗资源分布不均匀的问题。

人工智能在推动社会进步的同时，也对就业结构产生冲击，给伦理治理带来挑战。首先，人工智能将重塑就业结构和模式。历次科技革命都会引发就业结构深层次重塑，人工智能发展引发的就业变革也将呈现出“破坏—重构—升级”的螺旋式演化规律。在技术革新的冲击下，重复性高、创造性低的中低技能岗位首当其冲。数据显示[2]，约9 200 万个标准化岗位（如财会、翻译等），将因人工智能的应用面临替代风险。但人工智能也会促进传统岗位焕发新生，并使全新职业赛道加速涌现。从人工智能产业核心的算法研发、数据标注，到与实体经济融合催生的自动驾驶工程、智能客服等跨界岗位，预计将释放1.7 亿个就业新机会，推动就业结构向更具技术含量与创新价值的方向迭代升级[2]。其次，人工智能也衍生出一系列复杂的伦理社会风险。它能够以假乱真地生成幻觉信息与虚假内容，在互联网的加速传播下，扰乱信息真实性的根基，使公众难以分辨虚实。而其自主决策的“黑箱”特性，让算法运作过程晦涩难懂，一旦出现决策失误或引发事故，责任认定变得模糊不清，给现有的法律框架与治理体系带来巨大冲击。随着人脸识别等技术的普及，个人生物特征等敏感信息面临泄露风险，公民的隐私权与人身安全时刻受到威胁。此外，人工智能训练数据中若存在偏见与歧视，经过算法的不断学习与强化，会进一步放大社会不公，加深不同群体间的隔阂，威胁社会公平正义的底线。

1.2  我国人工智能布局

《新一代人工智能发展规划》明确“三步走”目标：从技术与应用跟世界先进水平“并跑”，到以理论突破带动部分技术和应用“领先”，再到理论、技术、应用均达世界先进水平[3]。围绕技术自立自强、赋能实体经济、安全可靠可控这3个重点，我国在算力、数据、算法、应用、安全5个维度已制定发布多项政策。

“人工智能+”行动连续两年被写入我国政府工作报告之中[4-5]，多部门迅速跟进出台一系列人工智能赋能行业的政策文件，全方位、深层次地深化产业布局，致力于推动人工智能与各领域的深度融合。工业和信息化部于2024年开始以人工智能和制造业深度融合为主线，以智能制造为主攻方向，以场景应用为牵引全面推进人工智能赋能新型工业化活动[6]。国务院国有资产监督管理委员会于2024年启动中央企业“人工智能+”专项行动，并将以“应用导航”“数据赋能”“智算筑基”为重点在2025年继续深化该项行动[7]。此外，中国气象局、国家卫生健康委员会、教育部等众多部门也紧密围绕各自领域的需求与特点出台“人工智能+”相关政策文件，充分发挥人工智能的技术优势，提升各领域的生产服务质量与效率。

在国际舞台上，我国提出的《全球人工智能治理倡议》[8]和《人工智能能力建设普惠计划》[9]，均以推动人工智能全球务实合作为宗旨，促进多边交流与协同发展，着力弥合国际智能鸿沟，实现科技红利共享。整体来看，我国高度重视人工智能国际合作，始终以合作、开放、发展与安全的理念[10]，致力于以人工智能技术创新驱动产业升级和技术共享，践行真正的人工智能多边主义。

1.3  我国人工智能产业发展现状与挑战

1.3.1  基础层

算力、数据与算法作为人工智能的核心要素，构成了驱动现代人工智能发展的底层支柱。其中，算力是支撑人工智能运行的硬件基础，为模型训练与推理提供计算能力保障；数据是人工智能的“知识基座”，其规模与质量直接决定了模型学习的广度与深度；算法是人工智能的“智能内核”，具备理解、生成、推理能力。三者间形成紧密的协同生态：算力与数据规模的扩张能够推动算法迭代优化，而算法复杂度的提升又会反向刺激算力升级与数据需求增长。这种循环促进的机制，正是人工智能技术持续突破的核心动力。

在全球算力竞争的大背景下，我国算力产业发展态势迅猛。从整体规模来看，截至2024年底，我国算力总规模已达280 EFLOPS（每秒百亿亿次浮点运算，FP32），其中智能算力占比32%，达90 EFLOPS，稳居全球第一梯队[11]。从增长动能来看，随着“东数西算”工程的深入推进，各类新增算力加速向国家枢纽节点汇聚[12]，我国2024年算力规模较2023年增长16.5%[13]，扩张速度显著。

与此同时，我国算力产业发展还面临结构性挑战。目前，我国仍存在算力供给紧张与部分算力闲置未有效利用的双重矛盾，标准化、普惠化的全国算力服务统一大市场尚未形成。部分地区算力中心呈现“多而散”的状态，各主体独立运营、缺乏协同和共享机制，难以实现跨主体、跨行业、跨区域的资源高效共享。且我国高性能芯片与国际先进水平存在差距，尽管涌现了华为昇腾芯片等国产人工智能芯片，但在性价比、能效比等指标上还有待提升。

在数据资源上，我国呈现出数据总量持续扩张、数据质量同步提升的双重增长态势。从数据总量来看，2024年我国数据生产总量为41.06 泽字节（ZettaByte，ZB），同比增长25%，预计在2025年将突破50 ZB[12]。其中，金融、互联网、通信、制造等数字化基础较为扎实的行业数据增长势头强劲；大模型、智能家居、智能网联汽车的规模化应用已成为数据增长的核心驱动力，贡献了整体数据量的40%以上；而机器人产业化进程的加速更带动其数据生产量增速超30%，成为极具潜力的未来增长极。从数据质量来看，依托政策引导与市场需求的双重拉动，我国已在成都、合肥等地的数据标注基地推进行业高质量数据集建设[12]，形成了335 个医疗、工业、教育等行业的高质量数据集[15]，2024年高质量数据集数量同比增长27.4%[14]，为大模型训练及人工智能应用落地提供了坚实的数据支撑。

比较而言，我国数据标注产业规模有待提升。2023年，全球数据标注工具和服务市场规模达85 亿美元[16]，而我国数据标注产业规模于2024年突破80 亿元[15]，且相关企业仍处于发展初期，距离Scale AI、Clickworker等具有国际影响力的企业仍有差距。同时，我国数据资源的有效利用存在较大提升空间。2023年，我国数据留存率仅为2.9%，低于发达国家平均水平，因此我国从数据资源大国向数据资源强国的跨越仍需持续发力[17]。

在算法框架方面，我国基础模型能力已实现从“跟随”转为“并跑”的跨越。2024年，我国基础模型能力提升明显。语言大模型在数学、理解等专项能力上表现优异，但多语言、推理等场景仍有差距。在多模态大模型能力上，“文生图”能力跻身全球第一梯队，“文生视频”能力保持全球领先。

我国在基础架构及训推框架上还处于发展阶段。如DeepSeek依托工程化创新实现了行业影响力的快速提升，但底层理论创新仍然不足。我国代表性框架（如百度飞桨、华为昇思等）在分布式训练、千亿参数模型支持等领域取得阶段性进展，但在算子库完整性、编译优化效率等技术指标上较弱，且国际社区活跃度与学术影响力不足，尚未形成“技术研发—生态建设”的正向循环。

1.3.2  应用层

人工智能应用可按服务对象分为B（Business）端应用和C（Consumer）端应用。B端应用面向企业、政府、机构等组织，以解决商业痛点、提升运营效率为核心；C端应用则直接服务于个人消费者，以改善生活体验、满足个性化需求为目标。从应用发展前景来看，我国庞大且完备的产业体系与超大规模的人口基数为人工智能应用提供了广阔的市场空间，但付费意愿仍需培养。

从B端应用来看，以制造业为例，我国在该领域具备扎实的产业基础与广阔的发展空间。2023年，我国制造业占据全球制造业近30%的份额，达到4.8 万亿美元产值，占国内生产总值的27%[18]。自2010年起，我国成为全球拥有联合国产业分类中全部工业门类的国家，涵盖41 个工业大类、207 个中类、666 个小类，且近半数工业品产量位居全球首位[19]。依托从上游原材料到下游终端产品的完整产业链、强大完善的制造与配套能力、在全球制造业格局中不可替代的主导地位，我国潜在制造业人工智能应用场景及市场空间巨大。同时，从投资流向来看，我国43%的人工智能风险投资流向制造业，标志着制造业人工智能应用正成为资本聚焦的重点领域，我国制造业人工智能应用将迎来进一步突破[20]。在产业落地层面，我国制造业人均工业机器人数量已超越多数发达国家[21]，且供应能力持续攀升。在2025年第一季度，我国工业机器人产量达到14.9 万套，同比增长26%[22]，为智能制造提供了坚实的硬件支撑。

从C端应用来看，国内外市场规模相近。截至2025年6月，ChatGPT凭借近8 亿周活用户、超1 亿日活用户的数据，深度渗透全球民众的工作生活场景[23]。同时，我国人工智能应用榜单的前五名（夸克、DeepSeek、豆包、快对AI、腾讯元宝）已实现超1.2 亿日活用户总和[24]，尽管单款产品尚未形成绝对优势，但14多亿人口的基数为C端人工智能应用市场增长预埋无限潜力。

然而，庞大的用户规模与商业化变现能力尚未形成正向关联。受国内互联网长期免费经济模式影响，我国消费者已形成谨慎的数字产品付费习惯，叠加人均收入差异导致的价格敏感性，我国C端人工智能应用付费转化率面临瓶颈。数据显示[25]，66.8%的受访者愿意为人工智能服务订阅付费，但普遍心理价位锚定在1~20 元/月的低价区间，与国外用户对ChatGPT Plus（20 美元/月）等高价服务的较高接受度形成反差。

1.3.3  生态层

人工智能产业生态的构建与发展离不开多要素的协同支撑，而人才与资金作为核心驱动力发挥着不可替代的作用。人才作为技术创新的主体，其思维与科研能力是推动人工智能技术突破理论边界、迭代升级的关键要素。资金为产业发展提供物质基础，通过在技术研发、成果转化、规模应用等阶段的持续注入，能够有效激活创新链条，加速产品商业化进程。

在人才方面，我国近年来加大人工智能人才集聚及培养力度。在人才分布上，跟随产业集群效应，“长三角”“京津冀”“粤港澳”等城市群依托经济、科研、产业链优势，已形成人工智能核心人才圈[26]。在人才培养方面，截至2025年4月，全国共有626 所普通高校成功备案人工智能本科专业[27]，越来越多的高校也在探索学科交叉融合的“人工智能+”及产学研联动的创新人才培养模式，人才队伍规模正不断扩大。

总体来看，我国在人工智能顶尖人才储备上还远不足。从人才吸引力来看，仅有12%的人工智能精英首选在中国就业[28]，国内顶尖高校、科研机构与头部企业尚未对全球人工智能顶尖人才形成“虹吸”效应。从人才影响力来看，我国顶尖人工智能人才的整体学术贡献度未占领先优势。清华大学发布的2022年人工智能全球2 000 名最具影响力学者榜单（AI 2 000）中，我国仅有232 人次入选，占比为11.6%[29]。

在投融资方面，我国人工智能投融资愈发活跃。从规模总量上来看，2024年我国人工智能投融资事件达696 起，投融资规模破千亿元，创新活力持续释放[29]。在投资偏好上，我国人工智能投资呈现“轻基础、重应用”的特点，超半数资金流向人工智能行业应用赛道，重点布局具身智能和自动驾驶等领域[30]。

从全球来看，我国在人工智能领域的投资规模仍显偏小。2024年，我国人工智能融资金额的全球占比下滑至13.2%[31]，国内投资机构普遍“稳慎、犹豫”，且我国人工智能企业鲜少获得高额投资。

2  “人工智能+”行动是我国产业发展突破的关键

2.1  推进“人工智能+”行动的意义

我国具备数据资源与市场规模的双重优势：作为超大规模社会经济体，庞大的人口基数形成天然的数据富集生态，而多元场景需求则为技术创新提供了广阔的实践空间与价值转化渠道。与此同时，我国资本配置明显向应用层倾斜，进一步强化了技术商业化的推进动能。

基于上述优势，我国宜构建以应用牵引为核心的人工智能产业发展范式。通过发挥“人工智能+”的场景赋能效应，依托上层丰富的应用生态与多元化赋能需求，形成对基础层软硬件能力的反向驱动机制，从而突破技术发展瓶颈。具体而言，可将庞大市场规模形成的潜在动能转化为行业应用的现实效能，以“大市场”驱动应用商业闭环，并通过新应用场景催生海量数据，凭借爆发式增长的用户规模带动数据持续积累，推动各行业场景数据规模呈指数级增长。在此基础上，进一步推进应用价值向产业资源的转化，通过数据要素的深度开发与价值释放，夯实人工智能发展的资源底座，将数据规模优势系统性转化为模型能力优势。海量数据的持续输入将加速算法优化迭代，进而形成对芯片技术创新、算力基础设施升级的刚性需求。伴随技术迭代与产业升级，将吸引更多高端人才集聚与社会资本投入，最终以“应用牵引—底层突破 —生态完善”的上升路径，实现我国人工智能产业从规模优势向技术优势、生态优势的全面转化。

2.2  “人工智能+”的内涵理解

从概念的本质来看，“人工智能+”并非人工智能技术与行业场景的机械叠加，而是通过技术渗透实现全领域生产要素的重构与价值释放，与“+人工智能”存在根本不同。

与“+人工智能”相比，“人工智能+”的应用覆盖面更广、应用融合度更深。在“+人工智能”阶段，侧重于在现有产业、业务流程或产品中，被动或局部地引入人工智能技术，解决特定问题，通常局限于单一业务环节或特定场景。例如，传统零售企业为优化库存管理，引入人工智能算法进行销量预测。这往往只是对原有业务的局部优化，未对整个业务体系和商业模式进行根本性变革。在教育领域，部分在线教育平台仅将人工智能用于课程推荐，而未从教学理念、学习模式等层面进行深度革新，难以产生颠覆性影响。而在“人工智能+”阶段，人工智能技术作为核心驱动力，从顶层设计出发，主动对传统产业与新兴领域进行系统性改造与重塑，渗透到经济社会的各个环节，同时致力于打破行业的发展边界，构建全新的产业生态，推动产品模式、商业模式、服务模式创新，继而推动全领域、全链条的系统性变革。

与“+人工智能”相比，“人工智能+”的带动性、发展性更强。从短期来看，“+人工智能”因只聚焦于单一环节，应用落地的技术门槛低、时间周期短，可快速发挥人工智能提质增效的作用；但从长期来看，“+人工智能”的发展模式对人工智能产业本身的带动作用有限。而“人工智能+”虽在短期内对算力、算法、数据的要求更高，赋能千行百业的速度相对较慢，但这种发展模式从人工智能本身出发，从长期来看更能带动人工智能产业链上下游协同发展，繁荣产业生态。

2.3  推进“人工智能+”行动的方法路径

“人工智能+”可赋能社会经济体系的全领域、全链条，若缺乏科学规划与有效引导，极易引发资源分散、重复建设等问题，导致技术应用流于表面，难以形成实际效能。因此，推进“人工智能+”行动需以系统性思维统筹全局，避免盲目跟风、一拥而上。

首先，要明确“+”的行业，确保技术资源与政策支持能够集中投入关键领域。在行业选择层面，需以国家发展方向为指引，聚焦对社会经济贡献显著、与民众生活质量紧密关联的关键领域，从经济发展和民生福祉两大维度统筹布局。从经济发展维度来看，第一产业作为国民经济的根基，承载着保障国家粮食安全的重任，“人工智能+农业”将推动农业生产模式向智能化、集约化深度转型，促进“乡村振兴”规划的实施；第二产业作为国民经济的支柱，是实体经济的核心载体，“人工智能+制造业”将推动产业结构优化升级，助力我国从“制造大国”向“智造强国”跨越，稳固实体经济根基；第三产业作为吸纳就业的主渠道和经济增长的新引擎，“人工智能+服务业”将有效提升服务质量与效率，重塑服务模式与体验，增强经济发展的韧性与活力。从民生福祉维度来看，医疗行业直接关系民众生命健康，是民生保障的核心支柱，“人工智能+医疗”将有效缓解“看病难、看病贵”的难题，提升医疗资源配置效率与诊断准确性，让优质医疗服务惠及更多人群，提升全民健康水平；教育行业作为民生福祉的重要基石，是培养社会劳动力的核心手段，“人工智能+教育”将促进教育公平，让每个孩子都能享有优质教育资源，为我国未来发展奠定基础；养老服务行业在人口老龄化加剧的背景下，成为保障民生福祉的迫切需求，“人工智能+养老”将缓解人力不足、服务精准度低、情感关怀缺失等困境，全方位提升老年人的生活幸福感与安全感。

其次，要厘清“人工智能+”在各行业落地的现状和问题，判断“什么能做”“什么要做”。可从需求侧、供给侧、保障侧3个维度展开系统性剖析：需求侧聚焦市场对“人工智能+”产品及服务的需求总和，反映了行业潜在的发展空间；供给侧涵盖能够提供“人工智能+”相关技术、产品与服务的主体，直接决定了满足市场需求的能力；保障侧则是确保“人工智能+”健康、稳定、可持续发展的支撑体系，全方位为人工智能赋能行业发展保驾护航。

从需求侧来看，各行业存在共性问题。一方面，许多传统行业企业对人工智能技术的认知和接受程度较低，缺乏应用人工智能技术的意识和动力，担心技术投入成本高、回报周期长，对人工智能技术的实际价值和应用潜力认识不足；另一方面，即便企业有应用意愿，也面临着缺乏专业人才、难以评估人工智能技术适用性等难题。以中小企业为例，其数字化基础薄弱，缺乏数据积累和技术团队，难以独立开展人工智能应用项目，导致“不敢用”“不会用”的情况普遍存在。同时，各行业在需求侧还存在特性问题。以制造业为例，工业应用场景碎片化高，且不同企业的生产流程、设备参数和工艺标准存在较大差异，导致人工智能模型难以实现跨场景复用，制约规模化应用。因此，要有序推进人工智能赋能工业场景的落地应用，优先聚焦生产流程中的高价值场景，同时支持新场景试点示范，鼓励大型企业和行业龙头发挥示范引领作用，带动中小企业共同推进“人工智能+”，激励更多企业参与新场景开拓。

从供给侧来看，各行业普遍存在垂类模型训练及推理的算力不足、行业高质量数据集供给有限、模型能力与行业实际需求脱节等问题，造成“不能用”“不好用”的困扰。因此，在算力层面，要加速自主算力技术迭代，推进国产芯片架构创新与异构计算融合发展，并进一步统筹算力布局，强化算力资源的跨区域协同调度与动态分配；在数据层面，要建立公共数据分级分类开放机制，优先开放政务、交通、医疗等领域的高价值数据，同步完善数据质量管理体系与标准化标注流程，健全数据确权、定价、交易等流通机制，破除“数据孤岛”；在算法层面，要聚焦现有技术路线进行模型优化，持续提升推理精度与效率，更要鼓励产学研协同探索，推动算法研发与行业需求深度耦合，形成适配产业发展的技术供给体系。

从保障侧来看，各行业都面临复合型人才匮乏、智能化转型资金短缺、行业标准体系滞后、安全监管机制缺位等难题，严重阻碍“人工智能+”的供需对接。在人才培育上，既要鼓励高校优化学科设置，强化人工智能与行业学科的交叉融合，推动产学研用联合培养适应产业需求的复合型人才，又要加速传统行业人才的智能化转型，建立面向行业从业者的常态化人工智能培训机制；在资金支持上，应充分发挥国有资金引导作用，推动社会资本加大投入，畅通相关企业融资上市渠道；在标准建设上，要加快各行各业顺应人工智能时代的标准制订，建立动态更新机制，确保标准体系与技术发展保持同步；在安全监管上，需建立覆盖人工智能全生命周期的风险分级分类管理框架，并加快人工智能立法进程，明确技术研发者、使用者、监管者的权责边界，完善风险应急处置机制，为“人工智能+”的健康发展筑牢制度防线。

最后，要把握“人工智能+”的推进力度，确保技术发展与社会稳定、价值导向“同频共振”。在就业保障方面，聚焦制造业、服务业等重点领域，加强对重点领域就业和失业形势监测，并建立人工智能失业援助快速响应机制，帮助失业群体实现技能重塑与岗位转换，防范化解潜在的规模性失业风险，确保劳动力市场平稳过渡；在伦理规范方面，要引导行业坚持“以人为本”“智能向善”，完善伦理审查制度，筑牢人工智能发展的伦理基石。

3  结束语

推进“人工智能+”行动将充分释放我国数据资源富集、市场规模广阔的双重优势，有力驱动技术创新突破与产业生态构建，为我国在全球人工智能竞争中开辟差异化突围路径。鉴于“人工智能+”应用广度的持续延伸和深度的不断挖掘，需秉持全局观念，分行业、有侧重地推进“人工智能+”行动，并充分考量其可能引发的社会结构性变革。在宏观框架外，各行业“人工智能+”行动需紧密结合自身技术基础与发展诉求，制订相应推进策略，具体落地路径仍有待进一步探索。

The necessity and implementation path of China’s “AI+” initiative

WU Yingying, SONG Ping, REN Lu

（Artificial Intelligence Institute, China Academy of Information and Communications Technology, Beijing 100191, China）

Abstract: The paper analyzes and elaborates on the layout of China’s artificial intelligence (AI) industry. It systematically examines the current state of China’s AI development from the perspectives of foundational support, application empowerment, and ecosystem building. The study concludes that China’s AI industry should be driven by application-led development. It further proposes that the “AI+” initiative should be advanced in an orderly and effective manner by clearly identifying suitable industries, thoroughly assessing the current state and challenges of implementation, and precisely calibrating the intensity of its rollout.

Keywords: AI+; industrial upgrade; new industrialization