中国人工智能产业：现状、挑战与未来之路

人工智能正深刻地改变着全球经济和社会运作的基础。当前，我国已跻身世界前列，但“演示时惊艳，产线上翻车”的现实困境，暴露了从“会说话”到“讲真话”的巨大差距。面对从硬件到生态的全方位国际竞争，唯有展开一场“全要素+全生态”的协同作战，才能在这场智能时代的竞赛中赢得主动。

近年来，作为新一轮科技革命的核心驱动力，人工智能正以前所未有的速度、广度和深度渗透到人类生产生活的方方面面，深刻重塑着全球经济格局、创新模式和社会治理方式。目前，我国已稳居全球人工智能发展的第一梯队，正处于从并跑到领跑的关键转型期。面对日益激烈的国际竞争和高质量发展的内在需求，我国人工智能产业的真实实力如何，发展势头怎样，还存在哪些不足？带着这些问题，我们进行了实地考察。

我国人工智能产业的当前发展状况

习近平总书记曾精辟地指出：“人工智能是引领本轮科技革命和产业变革的战略性技术，具有极强的溢出和带动效应。”人工智能并非简单的技术线性进步，也不是某个产业的局部升级，而是对经济社会运行底层逻辑的全面、颠覆性重构。要衡量其发展水平和趋势，必须超越传统的技��评估和产业分析框架，从技术能力、产业规模、要素支撑和融合应用等多个维度进行综合判断，才能全面把握这场深刻变革的图景和方向。

从技术能力来看，以开源为引领的人工智能技术正在实现群体性突破，在全球开发者网络中塑造新的行业标准。在我们调研的一家实验室中，研究团队引入了人工智能的自我批评机制，模型在无需人工干预的情况下，经过多轮自我博弈后，复杂编程问题的解决正确率显著提高。人工智能已从“能听会看”进阶到“能思考、能推理、能规划”，甚至“掌握如何学习”的阶段。总体而言，我国在模型性能、训练效率、多模态融合等关键指标上与国际顶尖水平的差距正在持续缩小，部分领域已达到并跑甚至领先水平，形成了一条以开源引领、生态共荣为特色的技术发展路径。预计到2025年，我国开源模型在全球的下载量占比将达到17.1%。根据近期统计，全球排名前10的开源模型中，有8款源自中国。例如，DeepSeek—V4大模型在性能上已能与国际顶尖模型媲美，而其应用程序编程接口（API）的价格却不到GPT—5.5大模型的1%。更深远的意义在于，这打破了少数科技巨头的技术垄断，使全球数百万开发者能够基于中国开源模型进行二次开发。开源不仅是利益的分享，更是力量的汇聚。随着知识在开放共享中加速流动和扩散，我国人工智能技术也在开放生态中不断提升其自我进化能力。

从产业规模来看，人工智能产业规模呈现出非线性增长的爆发态势，万亿级市场的背后蕴含着显著的价值溢出效应。预计到2025年，全球人工智能市场规模将达到7575.8亿美元，而我国人工智能核心产业规模将突破1.2万亿元。这1.2万亿元的价值不仅体现在数字本身，更在于其背后的增长逻辑。传统产业遵循要素投入的线性增长和边际收益递减的规律，而人工智能则打破了这一限制，技术突破与应用推广相互促进，形成了“越用越强”的正反馈循环。调研发现，作为创新策源地的北京，预计2025年人工智能核心产业规模将达到4500亿元。一批成熟的算法模型，如同“数字技术水泵”，持续为河北的工厂、天津的港口、内蒙古的牧场输送智能化动力。上海则以“模塑申城”为抓手，通过“模速空间”构建产业生态的引力场。深圳则聚焦产业落地，致力于打造高度集聚、精准服务实体经济的企业生态。归根结底，人工智能产业具有明显的“投入一元，撬动数元”的乘数效应。万亿规模的背后，是一条从底层算力到上层应用、从核心算法到智能终端的完整产业链，它催生了新的服务、新的分工和新的市场。

2026年4月24日，深度求索公司正式发布了其全新的DeepSeek—V4预览版模型，并同步进行了开源。该模型采用了MoE架构，原生支持高达100万词元的超长上下文。在智能体能力、世界知识和推理性能方面，该模型均在国内及开源领域处于领先地位。此图由视觉中国提供。

从要素支撑来看，我国人工智能核心资源实现了战略性的跃升，制度创新正在加速释放要素的活力。人工智能竞争的后期阶段，不仅取决于模型运行的速度，还取决于算力基础设施的稳固程度以及数据流通的顺畅度。在这两大核心资源方面，我国已建立了显著的规模优势。在算力方面，已建成42个万卡智算集群，截至今年一季度，智能算力规模达到了每秒1882百亿亿次浮点运算，位居全球前列；在数据方面，全国拥有超过10万个高质量数据集，总量超过890拍字节，相当于中国国家图书馆数字资源总量的310倍。此外，制度优势也日益显现。我们在北京的数据基础制度先行区了解到，针对企业在数据资源方面存在的“不愿开放、不敢开放、不会开放”的问题，该区域建立的“监管沙盒”机制有效打破了僵局，允许企业在不转移数据所有权的前提下，进入受保护的“试验场”进行融合训练。一位企业技术负责人表示：“过去我们只使用自己的小数据集进行训练，模型越训越偏；现在‘沙盒’里汇集了10多个行业的真实数据，准确率得到了显著提升，数据的使用价值也越来越高。”

从融合应用来看，我国人工智能正加速渗透到各行各业，应用广度和融合深度构筑了全球竞争的新优势。截至2025年底，我国重点行业企业的关键工序数控化率达到了68.6%，人工智能的融合应用正从“点状开花”迈向“全链智能”。首先，应用领域持续拓宽，覆盖了国民经济绝大多数大类行业，并在制造、医疗、交通、金融、能源等领域形成了若干标杆性应用。其次，赋能能力显著提升，从辅助环节加速向研发设计、生产制造、运维管理等核心环节纵深推进。我们在山东一家重型装备制造企业看到，一套工业大模型系统能够全面接管从图纸解析、工艺规划到质量检测的全流程。过去需要多名资深工程师耗费数周才能完成的新品工艺设计，现在仅需72小时即可完成，良品率提升了5个百分点。再次，新业态、新模式加速涌现，智能网联汽车、人工智能制药、具身智能机器人等融合新业态蓬勃发展，不断催生出万亿级产业新赛道。在调研中，我们深切感受到，在这场全球智能竞赛中，谁拥有最丰富的应用场景、最紧密的融合程度、最密集的产业反馈，谁就能掌握定义人工智能“如何使用、使用在哪里、使用多深入”的标准体系和应用范式，谁就能掌握智能时代的主动权。

我国人工智能产业发展面临的问题与挑战

当前，全球人工智能技术竞争日趋白热化，我国人工智能产业发展正处于应用引领、基础追赶、生态突围的关键时期。面对算力封锁、人才争夺等外部压力的持续加大，从高端芯片到基础算法，从原始创新到产业转化，我们仍然存在不少“卡脖子”环节和瓶颈。

国际竞争挤压着人工智能产业的发展空间。调研发现，一些西方国家对华政策已从单纯的技术限制升级为系统性的生态封锁。一方面，“硬”封锁力度不断加大。美国对华人工智能芯片销售的管制日趋严厉，导致国内不少创新团队因“算力饥渴”而被迫放缓大模型研发的步伐。另一方面，“软”生态构筑壁垒。英伟达公司的图形处理器（GPU）占据全球九成以上的市场份额，其统一计算设备架构（CUDA）生态经过十多年的积累，已形成一个集“硬件+软件+开发者社区”于一体的闭环体系。我们在上海一家国产芯片企业了解到，尽管其硬件算力指标已接近国际主流水平，但客户最关心的问题却是“能不能兼容CUDA”。问题的关键在于，芯片的替代并非简单的硬件更换，而是涉及到开发框架、算子库、调试工具、开发习惯等一整套技术栈的系统迁移。数百万开发者深度依赖CUDA生态，迁移成本高昂且适配周期漫长，因此，即使国产替代产品在性能上达标，规模化应用仍面临障碍。此外，规则话语权的争夺异常激烈。全球人工智能技术标准、治理规范、数据跨境规则等大多由西方国家主导。2025年初，DeepSeek大模型凭借技术突破引起全球市场震动，但随后西方多个国家立即出台了禁令或启动了严格审查。这警示我们，技术领先并不一定能获得市场准入，缺乏话语权将导致产业出海受制于人。

大模型在专业场景面临可靠性危机。大模型在通用对话中表现出色，但一旦进入工业检测、医疗诊断、金融风控等对精度和可靠性要求极高的领域，其能力缺陷便会凸显出来。一家制造企业向我们反馈，人工智能视觉检测系统会因光线细微变化将良品误判为废品，而将废品放行，最终仍需人工复检。“演示时惊艳，产线上翻车”已成为人工智能在许多企业落地时的真实写照。症结在于，大模型在开放域任务中展现出的泛化能力，并不能自然地迁移到容错率趋近于零的专业场景。从“能说会道”到“能用可靠”，横亘着一道巨大的工程化鸿沟。“幻觉”问题也不容忽视。在通用场景下，这种错误或许只是一个小瑕疵，但在医疗剂量、法律判决、金融风控等场景中，每一次“一本正经地胡说八道”都可能引发无法挽回的风险。这暴露了大模型的一项根本性缺陷：它本质上仍然是模式匹配器，而非逻辑推理器。如何从“会说话”走向“讲真话”，从“猜答案”走向“懂因果”，是产业向纵深发展必须跨越的门槛。

高质量数据集仍难以满足模型发展需求。调研发现，当前普遍存在的问题是数据“原油”丰富，但“炼化”能力不足。全球可用的私有数据规模远远大于公开数据规模，但受制于数据标准不统一、授权机制不健全、合规边界不清晰等制度性障碍，大量高价值数据被困于“数据孤岛”。我国虽然拥有海量数据资源，但真正可用于大模型训练的数据却严重短缺。在全球通用的50亿规模数据训练集中，中文语料的占比仅为1.3%。此外，数据流通的阻碍，使得我国的数据规模优势难以充分转化为核心竞争力。同时，版权与法律风险正持续攀升。一家出海企业告诉我们，其视频生成模型被指控未经授权抓取海外平台视频用于训练，并在境外遭遇了集体诉讼。一旦数据主权和版权壁垒演变为新的贸易武器，就可能切断国内企业获取国际高质量数据资源的合法通道。

人工智能产业应用的商业闭环尚未打通。人工智能产业应用正站在从政策驱动转向市场驱动的十字路口，可持续的商业模式仍在探索中。一方面，产业链“齿轮错位”。算力层成本高昂且与模型适配不足，模型层通用但行业定制化能力薄弱，应用层多为单点工具型产品且彼此之间无法通信，算力、模型、应用这三个环节之间缺乏有效的协同机制。另一方面，企业盈利模式模糊。国内用户的付费习惯尚未养成，大量应用公司只能依靠项目制勉强维持，或依赖政府补贴“输血”。从“政策输血”转向“市场造血”，是产业能否走出培育期的关键。再者，产品规模化复制困难。一位工业人工智能创始人坦言：“我们成功试点了一家工厂，但客户说换条产线，方案就作废了。无法标准化，就无法规模化；无法规模化，就永远在烧钱。”“样板间”与“商品房”之间，差的不是单项技术，而是可配置、可复制、可运维的标准化产品体系，而其前提是产业链各环节形成标准化的对接接口。

加快我国人工智能产业发展需要一场体系化的协同战

人工智能是一种极为特殊的通用目的技术，与历史上任何一次科技革命的前沿技术都截然不同。首先，它具有极强的路径依赖和生态锁定效应。底层芯片决定算力形态，中间框架决定开发范式，上层应用深度依赖前两者的接口标准——这种高度耦合的技术架构，使得先行者一旦在某一层次取得主导地位，便能向上向下渗透，将整个产业链锁定在其生态体系内。其次，竞争已演变为环环相扣的体系化博弈。传统科技竞争聚焦于单一技术，攻克即可突围；而人工智能的竞争是覆盖芯片、框架、数据、应用、规则等全维度的竞赛，任何一个维度的短板都可能成为整个体系的“致命弱点”。再次，扩散周期被极限压缩。电气革命用了一百年才完成对社会的全面渗透，信息技术用了半个世纪才重塑了商业形态；而人工智能正以瞬间涌现、瞬间渗透、瞬间改造的速度重写行业底层逻辑，先发优势转化为锁定优势的速度大大加快，留给追赶者的反应时间急剧缩短。在决定未来的全球人工智能竞赛中，我们面对的不是某个技术点的“卡脖子”，而是从底层硬件到上层生态、从技术标准到治理规则的全栈式竞争。要破解困局、争取主动，单点突破是徒劳的，必须展开一场“全要素+全生态”的体系化协同作战。这既需要让算力、数据、算法、场景等各类要素充分涌流，又要激发企业、高校、科研机构、开发者社区等多元主体的创新活力，更需要以国家战略为统领，将各方力量拧成一股绳，形成整体合力。

近年来，河北作为全国算力产业布局的重要节点，以政策引导、基础设施建设为基础，以融合发展为目标，以区域协同为路径，加速构建全国领先的算力产业生态，推动算力产业蓬勃发展。《2025综合算力指数》显示，河北的综合算力指数位居全国第一。图为2025年9月7日拍摄的河北省张家口市怀来县秦淮大数据产业园。此图由人民图片陈晓东摄。

强化核心技术攻坚，筑牢自主可控发展根基。核心技术攻坚必须将目标从单一指标的追赶，提升到以构建生态为导向的体系化作战。一方面，要深入基础原理研究。源头创新如果仅停留在应用层、工程层，将永远只能在他人理论框架内修修补补。必须将更多资源投入到算法可解释性、因果推理、类脑计算等基础研究的“无人区”，掌握定义技术路线的底层逻辑，才能从根本上摆脱路径依赖。另一方面，要兼顾靶向攻坚与规模化迭代。聚焦人工智能芯片、开发框架、基础软件等产业链核心环节，实施“揭榜挂帅”、“赛马制”等攻关机制，集中力量突破关键瓶颈。更重要的是，技术突破必须与市场应用形成闭环。只有将国产软硬件大规模投入真实的训练场景，在规模化的试错中持续迭代优化，才能用市场反馈反哺技术成熟度，逐步形成能够与先行者竞争的生态吸引力。

优化数据要素供给，打通高质量供给的瓶颈。我国在数据资源方面优势明显，但需要解决好“可炼化”与“可流通”这两大瓶颈。首先，要建设高质量的“数据油田”。依托国家级数据标注基地，优先在工业、医疗、金融等条件成熟的领域建立标准化数据集体系，同时加大对数据合成与智能增强技术的研发投入。只有将原始数据加工成可直接用于模型训练的高质量数据，数据要素才能真正融入生产函数。其次，要以制度创新打通流通的梗阻。围绕产权界定、收益分配、安全合规，加快基础制度供给，推广“数据沙箱”、“监管沙盒”等创新模式，在确保所有权不变、安全可控的前提下，实现多源数据的融合训练，让数据在流动中真正实现价值倍增。

加快规模应用推广，构建可持续的商业闭环。应用场景是检验人工智能成色的最终战场。当前人工智能产业发展面临的核心难题，并非没有好的试点，而是好的试点无法批量复制。要深入实施“人工智能+”行动。一方面，要深度嵌入核心业务，推动人工智能从辅助环节进入研发设计、生产调度、风险管控等高价值环节，以实质性的成本降低和效率提升来撬动企业的付费意愿。另一方面，要构建产业链协同啮合机制。推动算力提供商、模型开发者、行业用户深度融合，形成按需供给算力、按需适配模型、快速落地场景的协同网络，以标准化接口打破“各管一摊”的局面。再者，要坚定推进产品化转型。从定制化项目制向可配置、可复制、可运维的标准化解决方案迈进，通过规模化摊薄研发和算力成本，驱动产业从“烧钱”循环进入“盈利”循环。

提升安全治理能力，筑牢产业发展的安全底线。人工智能的黑箱特性、自主演化能力和泛化能力，使得风险源从外部攻击延伸至模型自身的“基因缺陷”。安全治理必须从静态的合规检查，升级为全生命周期的动态防护。一方面，要建立分层分类的敏捷治理架构。对于通用基础模型，要强调透明度和可追溯性；对于垂直应用场景，要根据风险等级实施差异化监管，例如对医疗、金融等高风险领域实施严格认证和鲁棒性评测，对其他低风险场景采取轻量化监管，以实现安全与发展的精准平衡。另一方面，要强化技术内生的安全屏障。加大在算法可解释性、隐私计算、对抗训练等安全技术方面的研发投入，建立常态化的模型安全体检机制，用“技术防火墙”提前防范风险，让安全能力成为模型自身的“出厂设置”，而非事后补丁。此外，要主动引领全球规则的构建。推动我国在数据分级、算法备案、安全评测等领域的实践经验转化为国际治理方案，在多边框架中抢占规则塑造的主动权，避免被动锁定。

强化多元协同保障，构建全要素、全生态的支撑体系。体系化的突破需要与之相匹配的制度供给和要素支撑。在资金方面，要培育真正适配创新的“耐心资本”。发挥国家基金的引领作用，联动地方形成梯次布局的耐心资本矩阵，保障底层技术攻关和基础设施建设的长周期投入。同时，推广“算力券”等普惠工具，降低中小企业参与创新的门槛。在人才方面，要着力培养既懂算法逻辑又懂行业痛点的“两栖人才”。这类复合型人才无法在校园课堂上批量培养，必须通过龙头企业联合高校院所共建产教融合平台，在真实的产业场景中进行长期“浸泡”。加快构建具有规模效应的复合型人才培养体系，形成从顶尖科学家到规模化应用人才的梯次供给。在开放合作方面，要坚持根植中国、联通世界。依托“一带一路”等机制，支持企业通过开源协作、联合研发等方式深度融入全球创新网络，在合规的前提下突破非商业壁垒，在开放博弈中提升竞争力，从而在新一轮科技革命和产业变革中掌握战略主动。

调研手记：

站在人类文明演进的宏大历史坐标下审视，人工智能的深远意义或许远超我们当下的认知边界。它不仅是技术的迭代、产业的升级，更是一场关于人类认知方式、社会组织形态的系统性重塑。当机器开始学会学习、学会推理、学会创造，我们面对的不仅是一场技术竞赛，更是一次对人类自身定位的重新认识。一路调研走来，从“东数西算”编织的算力动脉，到“监管沙盒”激活的数据活水，从开源大模型在全球开发者中掀起的生态浪潮，到人形机器人在生产线上与人类并肩作业，所见所闻让我们深切感受到一种蓬勃向上的力量。这意味着，在这一轮技术创新浪潮中，我们不再是迟到者、追赶者、补课者，而是同场竞技者，甚至在某些领域已经成为引领者。当前全球人工智能发展与治理尚在混沌中博弈，我们的路径选择正在开辟一个新的可能性——一种以开放替代封闭、以协同替代垄断、以赋能替代控制的智能文明新范式。多年以后，当人们回顾这场人工智能变革的起点，或许会这样评价：在新时代的历史关头，中国没有犹豫，没有缺席，而是大步迎了上去。

撰写：郭斐然 贾子君 王宇霞 舒予

精彩合集，一键了解！

第十届中国制造强国年会嘉宾演讲合集

隐形冠军文章合集