以智启新：打通从技术到产业的AI跃迁之路
编者按日前，中共中央、国务院印发的《关于发展新质生产力的意见》对外发布，提出以专条系统部署全面实施“人工智能（885728）+”行动。相比此前，“全面实施”的分量在于把重心转向存量传统产业，同步补齐基础理论、核心技术和要素供给短板，兼顾产业落地与风险防控。
科技创新始于实验室，成于产业主战场。打通AI for Science到AI for Industry转化通道，将科研势能转化为实体经济生产力，是发展新质生产力必须答好的现实考题。本期智荟月刊独家专访中国科学院院士鄂维南，同时约访行业专家、经营主体，聚焦从原始创新到产业转化的通道、大模型协同、安全治理等各类堵点，探访制造、政务场景落地实效，解码广东、湖北、四川因地制宜、分业施策的地方探索，为扎实推进“人工智能（885728）+”全面实施提供务实参考。
企业应由业务部门与技术团队共同明确任务、投入和验收指标，从需求明确、具备数据基础的环节起步，把模型调用、数据治理、系统改造、运维及人工复核等费用纳入全周期（883436）核算。在试点取得稳定效果后，再逐步拓展到相关业务。
——访中国信息通信研究院人工智能研究所副总工程师孙鑫
■中国经济时报记者张一鸣曹阳
人工智能（885728）正在加速赋能千行百业，模型如何协同发展?人工智能（885728）将如何深度赋能产业?就上述问题，中国经济时报记者日前专访了中国信息通信研究院人工智能（885728）研究所副总工程师孙鑫。
中国经济时报：我国算法供给体系的主要短板在哪里?通用大模型与行业专用模型应如何实现同步发展?
孙鑫：我国大模型供给日益丰富，面向行业的供给能力还需进一步完善。当前值得关注的有三个环节：一是专业适配，行业数据和知识尚未充分转化为模型可用的资源，对工艺机理、业务规则和复杂约束的理解仍需加强;二是工程交付，模型与既有软件、设备和流程的衔接成本较高，持续运行和异常处理能力有待提升;三是效果评测，面向真实任务的评测与反馈机制仍需完善，企业需要更清晰地判断模型的适用范围与使用成本。
通用大模型与行业专用模型应在分工协作中共同发展。通用大模型研发应持续加强基础研究，提升推理、多模态理解能力和计算效率，为行业应用提供更好的基础支撑。行业专用模型则围绕具体任务，结合行业数据、知识库和业务规则开展适配，并根据精度、时延、成本与安全要求，选择更加适配的技术路径。企业还可根据任务特点组合使用不同模型，把研发资源集中到能够形成专业优势的环节。
两类模型的协同，还需要建立持续迭代机制。通过共建高质量行业数据集和任务评测集，将应用中的失败案例、专家校验结果经过筛选和验证，用于持续改进模型与工具。共性工具和接口逐步完善，也有助于行业经验沉淀复用，减少重复开发和适配。
中国经济时报：如何立足产业特性、因地制宜推进“人工智能（885728）+”深度赋能?
孙鑫：当前，人工智能（885728）与实体经济融合尚处于初期。因地制宜推进“人工智能（885728）+”，应以高价值场景为牵引，把行业特点、技术成熟度和企业承受能力结合起来。我国完整的工业体系和丰富的一线实践，为人工智能（885728）应用提供了广阔空间。在落地过程中，要把业务需求、数据基础与实施条件衔接好，推动投入转化为可验证的质量、效率和成本改善。
按照成熟度分类推进，有助于提高资源配置效率。对已稳定落地的推广级场景，重点完善标准化方案和实施规范，明确适用条件，推动在相邻企业和环节复制。对已完成试点的验证级场景，重点补齐系统集成、数据治理和运维配套等关键能力，核算全周期（883436）成本，检验能否持续运行、扩大应用，并按业务需要明确人工复核和异常处置机制。对仍处于技术攻坚阶段的攻关级场景，则需要进一步加强产学研协同与中试验证，围绕工艺机理、专业模型等关键问题逐项突破，具备条件后再推进部署。
地方可以围绕优势产业集群，依托中试基地、人工智能（885728）创新应用先导区和专业服务（884257）机构，组织供需对接，提供共性数据、适配工具与测试服务。据了解，工业和信息化部已经组织了近30场人工智能（885728）赋能新型工业化（886057）“深度行”活动，促成5000余家企业供需对接。龙头企业可开放具备条件的场景，带动上下游协同验证;中小企业可按需使用成熟产品和平台服务，降低初期投入。随着中试条件、标准化模板、风险补偿机制不断完善，高价值场景的转化通道将进一步畅通。
中国经济时报：在全面实施“人工智能（885728）+”行动的过程中，您对政策端、企业端分别有哪些可落地的建议?
孙鑫：全面实施“人工智能（885728）+”行动，需要把算力、算法、数据建设与应用需求统筹起来，形成持续供给、有效使用和迭代优化的机制，使要素投入能够转化为可核验的经营成效。在现有部署基础上，进一步提升供需对接和公共服务能力，依托“深度行”活动、创新应用先导区及行业应用中试基地，推动需求梳理、适配验证与成熟方案推广。在算力方面，推动芯片与模型协同设计、集群运行效率提升和适配成果复用，加快国产算力在行业场景中规模化应用。在算法和数据方面，加快急需标准研制应用，支持共性工具、高质量行业数据集和评测体系建设，完善数据合规使用机制。发挥产业基金的引导作用，支持具有持续服务能力的供给主体。
对企业而言，推动人工智能（885728）应用落地，应该从“用AI”走向“为AI改造”。当前，通用大模型能力持续提升、调用成本不断下降，Agent等工程化手段日趋成熟，好用的模型已经不难获得。但是，从调研情况看，不少企业的智能化应用仍停留在试点或演示阶段，难以规模化。差距主要在企业内部，数据、流程、组织，需要为AI作出调整和改造。具体而言，企业应由业务部门与技术团队共同明确任务、投入和验收指标，从需求明确、具备数据基础的环节起步，把模型调用、数据治理、系统改造、运维及人工复核等费用纳入全周期（883436）核算。在试点取得稳定效果后，再逐步拓展到相关业务。随着应用深入，持续积累企业知识、业务规则和评价方法，才能形成长期可用的智能化能力。
