经期缩短是什么原因

■ 中国工业报  吴晨  左宗鑫

人工智能产业正迎来前所未有的发展机遇，但如何将宏伟蓝图转化为实实在在的生产力，避免“雷声大雨点小”？

6月3日，工业和信息化部党组书记、部长李乐成主持召开会议（以下简称“会议”），深入学习贯彻习近平总书记关于人工智能的重要指示批示精神，落实党中央、国务院重大决策部署，研究推动人工智能产业发展和赋能新型工业化的思路举措。

会议强调必须“系统谋划、协同推进”，并部署了夯实产业基础、塑造应用优势、强化标准引领、壮大产业生态、统筹发展和安全五大任务。

蓝图已绘就，但算力、模型、数据如何高效协同？制造业智能化转型的“最后一公里”如何打通？在技术狂飙突进时，标准与安全的“护栏”如何及时跟上？

算力、模型、数据协同发力夯实基础避免短板

在人工智能产业蓬勃发展且肩负赋能新型工业化重要使命的时代背景下，此次会议强调的诸多内容为产业发展指明了关键方向，然而，这些目标的实现面临着一系列复杂且相互交织的挑战。

会议指出，要“强化算力供给”“统筹布局通用与行业大模型”“加快建立高质量行业数据集”。“当前，实现人工智能产业发展‘协同推进’面临诸多挑战”，中关村物联网产业联盟副秘书长袁帅对中国工业报指出，从资源协调角度看，算力布局、模型发展以及高质量数据集建设涉及多个主体，包括政府、企业、科研机构等，各方利益诉求和发展目标存在差异。

算力供给上，不同地区经济发展水平、科技实力不同，导致算力基础设施建设进度参差不齐。经济发达地区有更多资金和技术投入算力中心建设，而欠发达地区可能因资金短缺、人才匮乏等问题，算力供给难以满足本地人工智能产业发展需求。在模型发展上，通用大模型和行业大模型各有侧重，通用大模型追求广泛的适用性，行业大模型则注重特定领域的深度应用。但研发资源往往集中在通用大模型，行业大模型因应用场景分散、数据获取难度大等原因，发展相对滞后。高质量数据集建设同样面临困境，数据分散在各个企业和机构，数据共享机制不完善，且数据标注、清洗等处理工作需要大量人力和专业设备，成本高昂。

应如何有效协调各方资源，确保算力布局、模型发展以及高质量数据集建设这三项基础性任务能够高效、均衡地推进，防止形成“短板效应”掣肘全局，推进人工智能产业高质量发展？

中国电子信息产业发展研究院新型工业化研究所（工业和信息化部新型工业化研究中心）研究室主任王夙告诉中国工业报，首先，在算力供给方面，持续深入实施“东数西算”工程，建设全国一体化大数据中心体系，推动形成分布合理、弹性可调的算力网络。加大对绿色智算中心的政策与财税支持，引导国有资本和社会资本共同参与算力基础设施建设。同时，应重点保障AI大模型训练所需的算力资源供给，支持关键芯片及系统软硬件适配攻关，构建自主可控的算力技术体系。

其次，在模型发展路径上，要统筹好“通用+专用”的协同发展格局。一方面，在国家层面要加快建设高水平通用大模型平台，推进标准化、开源化、工具化能力开放，为不同行业提供底层能力支撑；另一方面，要鼓励制造、交通、医疗等重点行业打造一批贴合业务场景的专用大模型，推动形成“行业主导、数据驱动、场景牵引”的发展模式，打通模型研发与行业落地之间的“最后一公里”。

最后，在高质量行业数据集建设方面，要强化顶层设计和制度供给。依托行业主管部门统筹构建公共数据资源目录和行业标准，推动重点领域数据资源汇聚共享。同时，建立数据确权、交易、使用和安全管理机制，明确政务、企业与科研数据之间的分类分级管理模式，避免“数据孤岛”与“数据黑箱”问题。此外，要建立健全多方参与的“算—模—数”协同推进机制，明确阶段性目标与责任主体，推动跨部门、跨区域、跨行业的联合攻关和任务共担。通过“政策牵引+市场驱动”的方式，形成要素高效配置与价值协同转化的良性循环，为新型工业化提供坚实的智能底座。

制造业全流程升级服务商与开源生态“双轮驱动”

会议提出要“塑造应用优势”，重点推动大模型在制造业落地、全流程智能化升级，并“培育一批人工智能赋能应用服务商”。王夙指出，推动大模型在制造业落地并实现全流程智能化的最大难点在于“模型—场景”的深度融合不畅。

王夙解释道，制造业具有高度异构性和流程复杂性，在不同行业、企业、工艺、设备间的标准差异较大，通用大模型难以直接适配具体业务流程，导致落地过程中“懂模型的不懂制造业、懂制造业的不懂AI”的问题依然突出。同时，制造环节数据多为非结构化、多源异构数据，质量参差不齐、采集难度大，严重制约了模型训练与推理效果。许多中小企业受限于资金与技术能力，无法完成数据治理和系统改造，也难以承担部署和运营大模型所需的算力和集成服务成本。此外，制造业全流程智能化涉及“产供销研”多环节协同，现有信息系统（如ERP、MES、PLM）碎片化严重，集成接口不统一，阻碍了智能决策系统的全面落地。

袁帅进一步以汽车制造和电子制造举例称，二者在生产工艺、设备类型、质量控制等方面存在显著差异，大模型需要针对具体场景进行定制化开发和优化，这增加了落地应用的难度和成本。同时，制造业企业对新技术的接受程度和应用能力参差不齐，部分传统制造业企业缺乏数字化、智能化转型的经验和人才，对大模型的应用持观望态度。

加快人工智能赋能制造业，培育成熟的应用服务商生态，是推动大模型落地的重要抓手。会议提到的“健全开源机制”“建设开源社区”“财税政策支持、引导社会资本”等举措，能够形成政策合力加速应用生态的形成。

王夙认为主要表现在以下三个方面。

首先，健全开源机制是培育中小企业和开发者参与创新的制度基础。通过明确开源项目的知识产权归属、商业兼容性和治理结构，降低创新门槛，能够鼓励更多主体基于主流大模型框架进行定制化开发，提升行业整体开发效率。

其次，建设高水平开源社区是形成持续创新活力的生态平台。开源社区不仅是技术资源聚合地，更是人才、企业、科研机构互动协作的“创新中枢”。通过建立行业型开源平台，围绕高价值场景（如预测性维护、数字孪生、柔性制造）组织开发任务，形成“任务牵引—合作开发—成果共享”的良性循环，推动应用技术快速迭代。

最后，财税政策支持与社会资本引导，是应用服务商培育的“催化剂”。政府可通过设立专项基金、加计扣除、研发补贴等形式支持中小企业开展算法、产品、解决方案研发。国有资本可以设立产业投资基金，投向“人工智能+制造业”融合领域的初创企业，并依托“揭榜挂帅”机制，将典型场景应用任务分配给具备专业能力的服务商，加快扶持后者的成长。

快迭代下的安全与伦理构建动态治理“护栏”

会议将“强化标准引领”和“统筹发展和安全”作为重要支柱，提出要“分级分类、体系化推进标准制定”，并“加强安全治理保障”“推进深度合成检测技术攻关”“加快制定科技伦理管理办法”。

天使投资人、资深人工智能专家郭涛对中国工业报表示，在人工智能技术快速迭代背景下，平衡“标准引领”的及时性、前瞻性与成熟度、普适性十分关键。过于追求及时性和前瞻性，标准可能因技术不稳定而频繁变动，缺乏成熟度和普适性；过于强调成熟度和普适性，标准制定又会滞后于技术发展。

王夙进一步表示，必须要在“创新驱动”与“标准规范”之间寻求动态平衡，确保标准既不滞后于技术发展，也不因过度超前而难以落地。

第一，要坚持“分级分类、迭代推进”的策略。对于技术底层通用标准（如模型接口、算力指标、数据格式等），应由国家牵头制定强制性标准，确保产业基础统一、安全可控；对于应用层面、行业层面标准（如语音识别在医疗的使用规范等），则可探索推荐性、团体标准先行，通过“小范围先试、成熟后推”的模式，形成滚动修订、动态升级机制，实现前瞻性与成熟度的兼顾。

第二，要鼓励“产学研用”共同参与标准制定。可以鼓励龙头企业、科研院所牵头主导“从场景出发”的标准制定活动，增强标准对实际应用的引导力、适配力。

第三，可建立“标准沙盒机制”，允许部分前沿技术在监管可控条件下开展试点验证。为标准化积累可重复、可量化的实践数据，从而推动普适性标准形成。

而面对以深度合成为代表的人工智能新型安全风险，单一维度的标准或技术治理手段难以全面应对，必须构建多方面内容协同联动的综合治理机制，才能实现统筹发展和安全。

王夙建议，首先，标准体系要与技术发展高度协同。在深度合成图像、音视频生成、语义伪造等领域，应优先制定高风险场景下的检测、标注、溯源等标准规范，明确不同场景对合成内容真实性、可识别性的要求，并规定相应的技术检测能力指标，作为后续监管和企业合规的依据。

其次，技术攻关需服务于标准实用性落地。以深度合成检测为例，集中力量突破可解释AI、模型溯源、指纹水印、数字签名等关键技术，同时将成果转化为可用于产品安全认证和合规评估的标准接口和流程工具，由此实现“标准引技术、技术支撑标准”的良性互动。

最后，伦理规范应成为标准与技术的价值导向核心。应当将科技伦理要求前置于标准制定源头，探索建立人工智能伦理评估制度，对涉及深度合成、虚拟人、AI决策等敏感应用进行风险预评估，明确“不开发”“慎使用”“强标识”等不同的红线边界。

系统谋划的蓝图已绘就，千亿算力、百万数据、千家企业等目标勾勒出AI赋能新型工业化的壮阔前景。然而，从愿景到现实，关键在于破除协同之困、打通应用之梗、筑牢安全之基。唯有政府、企业、科研机构拧成一股绳，让算力、数据、模型、标准、安全在统一“基座”上高效流转，人工智能才能真正成为新型工业化的“超级引擎”。