中宏網北京9月2日電 圍繞“聚勢賦能‘人工智能+’ 澎湃高質量發展新動能——解碼《關于深入實施‘人工智能+’行動的意見》的治理邏輯”主題，中宏論壇第六十五場在線研討會于9月2日下午圓滿召開。騰訊研究院前沿科技研究中心主任王強應邀出席論壇并作了主題發言。

　　以下是王強發言：

　　國務院近期發布《關于深入實施“人工智能+”行動的意見》（以下簡稱《意見》）。《意見》不僅給行業指明了方向，帶來很大的信心，還將促進人工智能技術創新與應用發展雙向賦能，可以充分發揮我國數據資源豐富、產業體系完備、應用場景廣闊等優勢，為各行業高質量發展注入新動能。同時，《意見》特別強調普惠、智能向善和全球合作，能讓每個普通人都參與其中，充分共享日新月異的AI技術發展帶來的紅利。下一步，要實現“人工智能+”和千行百業雙向賦能，不僅需要各行業加上新認知、新數據和新技術這三大核心要素，還要解決當前技術落地中的堵點，理順各類關系，通過推動云上智能、建立數字信任、培育“π型人才”、引導全員參與和啟動機制重構，讓人工智能成為促進高質量發展的新引擎。

　　一、“人工智能+”落地尚存多方面挑戰

　　近期，騰訊研究院開展了一項針對58家央企大模型落地的調研，發現目前仍面臨不少難題。其中，數據匯聚和治理難（81.8%）、技術人才短缺（76.4%）是當前的最大挑戰。有一半以上（52.7%）的央企認為目前缺乏明確的人工智能戰略規劃，47.3%選擇了現有業務流程與AI技術融合困難，49.1%的央企認為應用效果不達預期。此外，還有25.5%的企業提到算力不足，27.3%的企業面臨資金投入不足。

　　總體上看，各行業尚未建立對“人工智能+”的系統性理解，不少管理層對大模型持有強烈但復雜的態度：既擔心上馬慢了落后時代，又因為看不到大的成果而否定AI，陷入了“一頭熱”與“失落期”并存的循環。一方面，AI部署熱情高漲，高層專項匯報密集推進；另一方面，試點多局限于知識問答和客服等簡單場景，實際價值難以量化。相比技術的加速演進，行業落地所需的理性認知、算力基礎設施、高質量數據、復合型人才、新考核機制等準備依然不足。

　　二、加什么——認知、數據與技術3大核心要素

　　形成理性認知。“人工智能+”，是從依靠人的經驗進行決策，升級到人機共同協作。人類擅長直覺判斷和倫理權衡，而AI強于海量數據分析與全時響應。如醫療領域，AI雖可快速篩查影像數據并標記異常，但最終診斷仍需醫生結合臨床經驗與患者個體情況綜合判斷。大模型并非萬能，要客觀看待AI的能力邊界，給予AI進化更多耐心。目前AI在創意生成、復雜模式識別、多模態理解上表現驚艷，卻在嚴謹邏輯推理、專業知識呈現、精確數值計算、實時動態決策和長期記憶保存等方面，存在局限和幻覺。如金融領域，大模型雖可預判趨勢走向、給予投資參考，但難以勝任金融實戰。同時，大模型的規?；褂茫矊环频耐评沓杀?，實際落地中并非模型越大越好，而是根據場景適配調整，采用大小模型協同，判斷和推理模型共用，是較為經濟高效的方式。

　　深挖數據資源。一是打破部門墻，讓數據流起來。隨著隱私計算、聯邦學習等的進步，數據孤島困境有了新解法，國外已有不少領先實踐。如，梅奧診所的醫療數據平臺，包括530萬患者長達6.44億份臨床筆記、300萬張超聲心動圖、1.11億張心電圖、12億份實驗室測試結果、90億份病理報告、5.95億次診斷和7.71億次手術記錄等豐富的數據。平臺采用同態加密、差分隱私、多方安全計算等隱私計算方法，允許在患者診療數據密文上進行計算，既讓患者數據不泄露，又能開展數據分析和醫療模型訓練。二是深挖“暗數據”，讓數據活起來。在企業內部，文本、圖像、語音、視頻等非結構化數據占比超80%，這些未被充分挖掘利用的數據，正在成為企業決策的新要素。還有一類價值很高的暗數據，是藏在企業“老師傅”腦子里的經驗。過去這些經驗往往是通過師傅帶徒弟的言傳身教來傳授，蘊含了大量只可意會不可言傳的智慧。目前一些企業通過邀請資深專家標注數據，寫問答對等方式，一定程度上轉化了部分老師傅的高價值經驗，但其中還有很大的可挖掘空間。

　　多技術協同增效。各行業場景特點、痛點需求和IT成熟度千差萬別，因此需要“人工智能+”的技術，不僅局限在大模型，而是一個核心使能技術（AI、知識引擎、聯邦學習、空間智能、具身智能等）、數據層支撐技術（云計算、大數據、區塊鏈等）、連接層技術（5G、物聯網、數字孿生等）的多技術協同。其中，知識引擎在當前“人工智能+”中最易落地、效果最好。如一汽豐田借助知識引擎將客服自動應答率從37%提升至84%，邁瑞醫療構建的重癥知識圖譜，可實現秒級病情應答，不僅能提供專業建議，還為醫生節省了大量時間。AI智能體是最具前景的領域，也是未來“人工智能+”發揮倍增效應的關鍵。全球很多行業都已開始接入智能體，巴西最大的血庫Hemominas合作開發了一款聊天機器人Agent，用于搜索和安排獻血者，從而簡化流程并提高效率。通過吸引更多獻血者并優化血液供應管理，每年挽救50萬人的生命。全球能源公司AES的能源審計Agent將審計時間從14天壓縮到1小時；電動方程式錦標賽Formula E的賽車Agent可分析賽車過程中的單圈時間、速度、制動、加速度、重力、下壓力、經緯度和轉向等關鍵指標，為車手提供切實可行的駕駛參考方案。

　　三、怎么加——智能化升級的5大關鍵行動建議

　　“人工智能+”能否真正落地，取決于行業能否完成從技術導入到機制重構的五項關鍵動作。屆時，衡量一個社會的智能水平，不再看用電量，而是看用詞量，即總的Token消耗量，以及調用智能的廣度與深度，形成智力即服務的新模式。

　　第一，鼓勵行業上云，集約建設可持續演進的智能云基礎設施。云端模型具備性價比高、迭代快、易擴展等優勢，是AI落地的最優路徑。云能適配高頻更新的模型版本與動態的算力需求，避免大模型“私有化部署即落后”的窘境。鼓勵各類社會主體依照國家算力節點布局，建設萬卡甚至數十萬卡的大型、超大型智能云基礎設施，嚴控千卡以下的小規模智算中心布局，更好地發揮云的規模效應和成本優勢。在非關鍵基礎設施和非涉密領域，減少AI私有化部署。鼓勵行業重點企業與云服務商深入合作，為“人工智能+”落地提供超越企業自建數據中心安全水位、擁有綠色彈性算力和持續優化能力的智能基礎設施。

　　第二，組織權威機構，牽頭建立以服務能力為核心的新型信任機制。在AI作為服務的語境中，信任不再來源于身份，而是來源于可驗證的服務水平。以服務水平協議（SLA）為核心，建立一套貫穿算法審計、漏洞披露、應急響應、責任保險等全維度、可量化的保障體系，構建適應“人工智能+”時代需求的新型數字信任機制。其核心不再是“我信你是誰”，而是“我信你能做到什么”。探索聯邦學習、隱私計算等安全技術在大模型落地中的應用。

　　第三，引導行業培育橫跨技術與業務的“π型人才”隊伍。智能系統的成功落地依賴于既懂AI、也懂場景的橋梁型人才。鼓勵高等院校與研究機構設立“AI+X”復合型學位項目，如AI+金融、AI+制造、AI+生物醫藥等，從源頭上培養具備雙重專業背景的后備力量。通過專項資金或稅收優惠，激勵行業龍頭企業與技術公司合作建立“AI+人才實訓基地”，面向產業定向培養，并建立權威的人才能力認證體系。將“π型人才”的引進與培養納入地方和國家級人才計劃，給予重點支持。

　　第四，推動行業開展AI原生應用（AI Native）全員創新。充分激發各行業基層員工的業技融合數字化創新活力。組織上，推動AI應用競賽、微創新試點等，鼓勵行業基層圍繞自身場景提出AI賦能方案。技能上，大規模開展AI賦能業務培訓，鼓勵員工掌握Agent自動化工具、低代碼平臺等新技能，推動“人人皆開發”“一線懂建?！?。激勵上，可探討建立AI應用積分制、一線創新轉化獎、模型優化反饋獎等制度，將基層員工參與數字化的貢獻顯性化、貨幣化，提升行業一線員工的獲得感，讓“人工智能+”真正落地。

　　第五，引導行業組織機制變革，推動探索AI+新型生產關系。“人工智能+”革命的“最后一公里”，在于構建與新質生產力相匹配的組織機制與文化土壤。產業層面，鼓勵和支持有條件的企業，特別是央國企先行先試，設立首席AI官，推動AI嵌入投融資、供應鏈、風險控制等核心決策鏈條，并以監管沙盒模式支持其實踐探索，形成可復制的人機協同決策范例。在激勵機制上，引導企業開展人力資源改革試點。鼓勵企業探索新型績效考核體系，將員工運用AI提升決策質量、實現業務創新等貢獻，納入考評、晉升與激勵的核心指標。在社會層面，前瞻應對新就業形態挑戰。積極研究“一人公司”、由AI賦能的超級個體、項目制的彈性組織等新模式，試點與之配套的靈活用工、社會保障、稅收征管和勞動者權益保護政策，為未來工作模式的平穩健康演進提供堅實的制度框架。

中宏網版權申明：凡注有“中宏網”或電頭為“中宏網”的稿件，均為中宏網獨家版權所有，未經許可不得轉載或鏡像；授權轉載必須注明來源為“中宏網”，并保留“中宏網”的電頭。