中国人工智能产业发展瓶颈、制约因素及建议有哪些？

大力发展公共云，为我国大模型的训练和产业化应用提供优质高效低成本的算力。

1.中国人工智能产业发展的瓶颈和制约因素

我们可从中美人工智能发展差距理解中国人工智能产业发展的瓶颈和制约因素。 美国依托AI基础理论、云计算、芯片、开源生态、人才、数据、资本等优势，在这一轮AI竞争中取得 先发优势并持续巩固提升。 算法层面：我国基础大模型能力尚未达到GPT-4。国内基础模型在复杂推理、数学、代码等能力方面 存在明显短板。美即将发布新一代基础模型，性能有数量级的提升，如OpenAI今年可能推出GPT-5，性能将比GPT-4提升50%-100%。GPT-5及后续版本对算力、数据、资金、人才、工程化能力要求极 高，赶超GPT-5及后续版本的难度会指数级提升，中国具备跟随能力的企业只有2-3家。尖端人才是 大模型创新发展的重要基础，Sora团队仅13人，展现了年轻一代在AI大模型发展中的决定性作用。当 今顶级的AI研究员工作所在地，美国占了60%，中国只有11%。

数据方面：我国缺少高质量的中文数据集。国内外基础大模型参数数据集主要以英文为主，如 Common Crawl、BooksCorpus、WiKipedia、ROOT等，最流行的Common Crawl中文数据只占据 4.8%。已上线中文数据集的整体数量和质量，与英文数据相差巨大，相当一部分内容非常陈旧。 算力层面：中国大模型企业需要迅速获得大量低成本、高效能的算力，而非芯片本身。单纯的芯片 国产化替代暂时无法解决当前我国大模型面临的实际问题。美国已形成“芯片+云厂商”输出算力模 式，芯片通过微软、谷歌、亚马逊等云厂商的公共云，形成低成本高效能的算力，服务大模型企业。 但目前各地一哄而上建设“小散多”智算中心，不以公共云模式提供算力服务，导致算力利用率极 低。

中美AI应用及产业生态差距拉大。基于应用场景的商业化闭环是AI竞争的焦点，是AI可持续发展 的动能。当前美国大模型产业应用的速度、广度和深度都远超我国。一是美国AI产业应用速度快。 OpenAI正式推出GPTStore，推动美国大模型进入了大规模的商业化应用阶段；二是AI大模型在美国 的制造、法律、医疗等千行百业均有应用，微软、Adobe等美国科技企业正在持续使用大模型提升核 心竞争力。近期微软市值更是超越苹果，成为全球市值最高的公司。美国AI原生企业数量全球领先， 呈现出“千亿级+百亿级+十亿级+几亿级”不同估值规模、不同行业的AI原生企业，产业生态持续繁 荣。

2.中国人工智能产业发展建议

（1）加强人工智能大模型时代人才培养 大模型技术增强了人工智能的泛用性，它使得开发者们可以以更低的成本和门槛，针对特定场景研 发出更优质的AI模型，从而加速应用型人工智能的落地。大模型被视作贯穿人工智能应用实施的关 键路径，它触及的技术领域之广、知识和技能的交融程度之深，导致相关技术岗位既有高度的共性 也有交集。在大模型时代，人才培育应着重考虑以下几个方面：

国家正加紧推进人才培养工程，现阶段，诸如职业认证和技能标准的定义正在制定中，同时，人工智能大模型技术人才的培养模式正在创新之中，以期满足行业快速发展的需求和市场的期待。  需要构建并完善人工智能人才培养体系，致力于培育一支知识渊博、素质卓越、执行高效的人才 梯队，为大模型创新投入坚实的人力资源。  需要建立一个多层次的人工智能大模型产业人才梯队，加强人才队伍的整体建设和层次分明的培 育路径。

总体而言，塑造一支与大模型技术发展相适应的高质量人才库是当务之急，这需要国家和企业各级 的全面推动，为大模型技术的创新与进步打造坚实的人才保障。 随着数字经济的蓬勃发展和工业数字化转型的不断深化，新技术正日益成为推动社会进步的关键动 力。在这股趋势中，新兴行业迅猛增长，诞生了大量新兴职业类型，如人工智能工程师、虚拟现实工 程师、物联网工程师、大数据分析师、工业机器人操控师、无人机操作员、智能制造工程师、区块链 工程师等。

中国人力资源和社会保障部在《中华人民共和国职业分类大典（2022年版）》中初次列举了97个与 数字产业相关的职业，这其中就包括了人工智能工程技术人员与人工智能训练师，正体现着这些职 业的重要性和规范化趋势。 成为一名合格的人工智能工程技术人员，需适应国家职业技能标准，这不仅是技术能力和知识的展 示，更是职业教育和人才培养中的关键环节，确保从业者具有标准化的技能，满足不同行业对人工智 能人才的需求，从而推动整个行业的全面发展。

（2）促进产业应用融合创新 ChatGPT的发布预示了大模型技术时代的到来。虽然人工智能技术已实现显著突破，但其产业化和 商业化仍面临不少挑战。现阶段，如何实现大模型的有效落地并使其赋能各行各业，已成为业界关 注的中心议题。对大模型产业生态进行生态学层面的分解，可以将其分为四个层级：数字基础设施 层（L1）、通用大模型层（L2）、行业模型层（L3）以及场景模型层（L4）。构建一个生态型的商业模 式至关重要，需推动各生态参与者之间的能力共享与组合，灵活匹配核心能力和特有能力，以此推进 大模型在各行各业的应用，共创未来的共享经济。

人工智能技术从早期的探索到现在已经经历三个发展阶段，但在商业和产业应用方面始终难以突 破。1956年的达特茅斯会议首次引入了“人工智能”术语，当时人工智能领域主要局限于理论研究。 1970年代，计算能力和算法取得进展，但数据量的限制阻碍了进一步发展。21世纪第二个十年，硬件 如GPU的提升、算法优化以及大数据集的可用性为人工智能开启了新纪元。神经网络的演进以及深 度学习的興起代表了AI领域的一个转折点。深度学习训练的复杂网络推动了大模型的发展，并成为 现代人工智能的关键支撑。但至今，人工智能在商业化方面仍未实现大规模应用，主要困境是寻找 适用场景与行业知识的不足。

大模型引领了AI的新纪元，迁移学习是支撑大模型的关键技术之一。Transformer架构的提出和模 型如BERT、GPT的成功应用标志了自然语言处理领域的重大突破。大规模图像数据集如ImageNet为图像处理大模型奠定了基础。现代大模型如GPT系列在不同领域崭露头角，人工智能生成的内容 （AIGC）引起了广泛关注，展现出大模型的应用潜力。 大模型需要基于生态视角推进产业化发展。本研究将分析大模型产业生态的四个层次，并讨论如何 构建生态型商业模式，将大模型的力量与各行各业的实际应用相结合。为了进一步加强大模型和行 业之间的紧密联系，本文提倡应用生态培育的理念，与多方生态伙伴合作，集合创新力量，共同构筑 大模型产业生态系统。

（3）完善政策法规和伦理治理 我国大模型的发展在法律和政策层面面临以下几个关键问题： 数据安全与隐私保护：随着大模型对海量数据的依赖性增强，如何确保数据收集、存储和使用的合 规性，避免侵犯公民隐私和个人信息安全成为一个重大挑战。解决办法可能包括制定和完善相关法 规，比如严格执行《网络安全法》《数据安全法》《个人信息保护法》，要求企业在使用数据前获得 合法授权，并采取必要的脱敏、加密等措施保障数据安全。

数据产权与使用权界定：由于大模型训练所需的大量数据往往来源于多个主体，数据产权不明晰可能导致法律纠纷。建立清晰的数据权属制度，明确数据来源和使用权分配，鼓励数据合法合规流 通和共享。  法律责任认定：在大模型输出结果产生错误、误导或侵权时，如何准确界定法律责任归属也是一个 难题。需要进一步细化相关法律法规，确立合理的过错责任原则和追溯机制。  技术出口管制：鉴于大模型技术的战略意义，国家可能会加强对其出口和技术转移的监管，制定相 应的出口管制清单和技术审查程序，确保核心技术不被滥用或流向不当。 行业标准与监管滞后：大模型技术发展迅速，而对应的行业标准和监管机制可能存在滞后现象。 政府应当引导和推动建立适应新技术特点的标准体系，同时强化市场监管能力，对违规行为实施有 效惩处。

为解决目前人工智能治理面临的立法、标准、监管问题，应加强立法工作，紧跟科技发展趋势，修订 完善现有法律法规，填补法律空白。制定大模型领域具体的技术规范和行业标准，指导企业和研究 机构合规发展。设立专门的数据监管机构，严格监管数据采集、处理和应用过程。提升公众对数据权 益的认知，推动形成全社会共同维护数据安全的良好氛围。加强国际合作，借鉴国际先进经验，参与 全球数据治理规则的制定，促进国内外市场的有序竞争和健康发展。

（4）推动开源生态建设, 加强开放协作 中国加速发展模型开源社区，不仅有助于缩短技术研发周期、降低成本，还有利于激发全社会的创新 活力，促进跨界融合和资源共享，培养大批高技能人才，并在全球人工智能竞赛中赢得战略主动权， 从而推动整个产业的可持续、健康发展。 推动我国人工智能开源生态建设，发展开源社区，在政策引导上，可通过政策倾斜、设立专项基金等 形式，鼓励和资助人工智能开源社区的建立和发展，如科技部在科技创新2030新一代人工智能重大 项目中，就强调了开源、开放的原则，并引导国家项目支持研发成果的开放共享。在激励机制上，可 设立开源项目奖励计划，表彰和资助优秀的开源项目团队和个人，如设立开源项目奖项，为开源贡献 者提供荣誉与物质激励。启智社区、中国科学院牵头的“鹏城实验室”等，都是国家层面对开源社区 建设的有力支持。同时支持企业开源技术，为主动开源的企业提供税收优惠与补贴，可以给予相应企 业税收减免或财政补贴，减轻企业在开源技术研发过程中的经济负担。对于企业开源的技术成果， 可以考虑在一定条件下豁免部分专利申请费用，同时，在政府采购中优先考虑采用国产开源AI产品的 项目。同时补贴开源应用落地。设立专项资金支持基于开源技术的人工智能应用示范项目，鼓励开源技术 在各个行业的实际应用，对成功的应用案例给予补贴或推广奖励。对于由开源技术孵化出的产品和 服务，可通过创新券、科技成果转化基金等方式给予支持，降低商业化初期的成本和风险。由政府和 产业园区通过举办开源创新大赛、提供创新创业支持等方式，推动开源AI技术在本地产业的应用。 最后，营造良好的开源文化和环境。一是在高校和职业培训中加入开源文化课程，培养具有开源精 神的AI人才，同时加强对开源社区建设的理论研究和实践经验的传播。二是参与国际合作，积极参与 全球开源社区，与国际领先的开源组织合作，引进国外先进的开源理念和技术，同时推动中国AI开源 项目的国际化。