如果只盯着参数规模看,很容易得出一个片面的结论:中国人工智能已经足够强了。毕竟,2024年以来顶尖模型的迭代周期从数月压缩到数周,万亿参数不再是天花板而是起跑线,国产大模型在中文场景里的表现甚至让海外同行感到压力。但把视线从实验室挪到工厂车间、从论文榜单挪到产业链条,就会发现另一番景象——算力堆了不少,真正跑起来的高质量应用还不够多;模型追得很快,原始创新的底气还没完全跟上;场景遍地开花,数据飞轮的闭环却迟迟转不顺畅。
这事得这么看:人工智能这场仗,比的不是谁先喊出下一个风口,而是谁先把技术变成生产力,谁先把治理变成规则权。
从“被动训练”到“自主进化”,速度本身正在改写游戏规则
近七十年的人工智能发展史,跌宕起伏得像一部科幻小说。逻辑推理、专家系统、深度学习,每一轮高潮之后都跟着一段低谷,但这一轮不一样。算法、数据、算力三条线同时突破,让AI的能力从“勉强可用”跨到了“类人甚至超人”。更关键的是迭代节奏——过去一个目标检测模型的升级要等两年,现在顶尖模型的迭代周期已经压缩到数周。这种指数级加速,彻底重构了竞争格局。
值得拎出来的是国内头部企业和科研团队的追赶速度。往往在一到两个迭代周期内就能完成关键技术的追平甚至超越,这在历史上任何一次技术变革中都极为罕见。但速度带来的不只是机会,还有压力。窗口期不会永远敞开,一旦某个技术路线固化、生态锁定形成,后来者要突破的难度会呈指数级上升。眼下全球人工智能的技术路线还没完全定型,这正是难得的战略机遇期,也是最后的窗口期。
“智能原生”不是概念,是生产函数的重构
有一种读法把“AI+”理解成给旧流程套个新工具,这个判断其实低估了正在发生的事。真正的趋势是“智能原生”——AI不是外挂模块,而是从战略规划、运行架构到业务流程、产品服务的底层逻辑。少数人管理成百上千个智能体,完成原来数十人甚至上百人团队的工作,“一人企业”不再是极客的幻想而是正在成型的商业模式。
工业领域是最有说服力的试验场。中国拥有联合国产业分类中的所有工业门类,这意味着对AI的个性化、场景化需求是海量的。两者之间的“双向奔赴”形成了一个正循环:工业场景为AI提供高质量数据和验证环境,AI反过来推动工业转型升级。但必须说清楚,这个飞轮目前还转得不够顺。很多应用停留在概念验证阶段,从“可用”到“好用”“易用”之间,隔着数据壁垒、标准缺失和制度空白。
算力规模上去了,效能却还在路上
张立研究员在文中给出的数据很能说明问题:截至今年一季度,中国智能算力规模达每秒1882百亿亿次浮点运算,建成万卡智算集群42个,规模指标全球前列。但规模不等于效能。国内智能芯片与主流软件框架之间的兼容适配问题悬而未决,多家芯片厂商各守一套软件栈,形成了“生态割裂”。开发者在国产芯片上部署大模型,往往需要投入大量额外适配工作。
这事得这么看:算力竞争的本质不是谁买的卡多,而是谁的软硬件协同体系更完整。英伟达的市场地位不是靠单点硬件性能建立的,而是GPU、CUDA软件栈和PyTorch等主流框架共同构成了一个开发者高度依赖的生态闭环。后来者即便在单点硬件上实现超越,也很难动摇这个体系优势。对中国来说,补齐软硬件协同短板不能靠单点突破,必须系统推进“算法—框架—芯片—系统”全链条的协同对接。
模型追平了,但原始创新的差距不能视而不见
2025年中国人工智能企业数量超6200家,核心产业规模突破1.2万亿元,这些数字背后是实实在在的工程化能力。以DeepSeek为代表的国产大模型在效率优先路线上展现出真实的国际竞争力,开源下载量跃居全球前列。但工程化落地能力强不等于原始创新能力强。在复杂推理、工具使用等前沿领域,与国际一流模型仍有差距;基础研究向产业转化的链条还不顺畅,科研成果从实验室走向市场的周期偏长、转化率偏低。
值得拎出来的是人才培养的结构性缺口。高水平人工智能专业人才的供给,与产业快速扩张的需求之间存在显著落差。这不是短期内靠扩招能解决的问题,需要校企联合培养、产教融合等系统性安排。
治理不是发展的绊脚石,而是竞争力的组成部分
很多人把治理和产业发展对立起来,这个框架本身就是错的。治理能力与产业实力如鸟之两翼,缺一不可。没有可信的治理体系,AI在医疗、工业控制、金融决策等高风险行业的深度落地就无从谈起;而没有产业实力支撑,治理规则就只能停留在纸面上,无法转化为国际影响力。
当前国内治理面临两个层面的挑战:技术层面,AI幻觉、偏差等问题尚无成熟解决方案,算法可解释性不足制约着深度应用;国际层面,美国依托技术与生态优势输出标准,欧盟通过严格合规监管争取规则制定权,中国需要在全球治理中争取更大话语权。
五个关系,决定了下一阶段的胜负手
从“算力大国”到“算力强国”,核心不是继续堆规模,而是提升效能。引导智算集群向枢纽节点集聚、深化算力与电力网络协同、推动东西部算力互补,这些举措指向的是精准供给而非粗放投入。
从追赶到创新,需要在坚持效率优先的同时加强原始创新。用好国家科技重大专项渠道,支持基础模型架构创新、训练算法优化、原生多模态融合等前沿方向,同时推进多元技术路线并行探索,防止单点路径依赖。
从单点突破到整体协同,本质是生态思维。鼓励芯片厂商与大模型团队早期深度协同设计,打破碎片化格局,让开发者能在国产软硬件体系上高效构建应用。
从“样板间”到规模化,需要专业化行业应用服务提供商作为桥梁。工业领域的实践已经证明,AI能把工程师数十年的隐性经验转化为可复用、可迭代的显性知识,成为工厂持续改善的“数字参谋”。关键是让龙头企业率先深度应用,再通过供应链带动机制向中小企业扩散。
从发展到治理,要把安全治理从被动应对转向主动防范。健全政策法规、标准规范和伦理准则体系,推动可信AI技术攻关,建立覆盖大模型全生命周期的安全评估体系。
最后说一句
人工智能这场竞赛没有中场休息。中国在工程化创新和应用场景上的比较优势,恰好与当前效率优先的产业趋势高度契合。窗口稍纵即逝,把战略判断转化为持续的产业竞争力,需要的不是更多口号,而是每一个环节的扎实落地。从算力效能到原始创新,从生态协同到治理规则,每一块短板的补齐都是在为未来投票。
本文基于(余晓晖:中国信息通信研究院院长、党委副书记)发表于:学习强国《准确把握人工智能发展前沿与竞争格局》一文解读。
—— 名家智库-党建培训讲师_党课讲师邀请_干部培训师资_党员培训课程_宏观经济专家_党性教育培训 ——
电话:010-68998188
微信:
邮箱:cmsa@cmsa.org.cn
免责声明:本网站所提供的信息仅供参考之用,并不代表本网站赞同其观点,也不代表本网站对其真实性负责。如需转载或引用,请自行核实相关内容。如有关于作品内容、版权或其它问题,请与我们联系。