孫占卿：把握AI主動權，需要建構國家級AI能力體系

IPP評論是國家高端智庫華南理工大學公共政策研究院（IPP）官方微信平臺

導語：6月29日，國務院總理李強主持召開國務院常務會議，聽取人工智能發展情況匯報。會議特別指出，要“深刻把握人工智能演進趨勢，完善支持政策和治理體系，牢牢掌握發展主動權”，并圍繞算力建設、技術創新、應用場景和人才保障等作出了系統部署 。

AI已逐步具備接入和執行復雜任務的能力，未來將是賦能千行百業的“頭雁”。而在大國博弈的棋盤上，美國對華AI遏制已從“芯片戰”升級為圍繞算力、模型、生態和規則的體系戰。智算集群、電力與數據中心則成為角力場。體系化競爭下，單純追逐模型參數、應用爆款或短期商業化成果，難以支撐我國在新一輪科技革命中的戰略主動。跳出“唯模型論”“唯應用論”“唯零和論”等視角，著眼構建本土化AI發展能力，或為我國在復雜外部環境中塑造長期優勢的重要路徑。

文章認為，我國AI發展政策邏輯正從“點狀扶持”邁向建設支撐中國式現代化的“國家級 AI 能力體系”。要牢牢掌握發展主動權，需要統籌技術、算力、數據、應用、人才與治理六大要素，打造支撐中國式現代化的國家級AI能力底座，確立未來競爭的結構性優勢。

本文作者

孫占卿

廣州市社會科學院城市文化研究所副所長、IPP特約研究員

人工智能已經從一項通用技術，演變為重塑國家競爭力、產業組織方式、社會運行機制和全球治理秩序的戰略力量。6月29日召開的國務院常務會議聽取人工智能發展情況匯報，提出要“深刻把握人工智能演進趨勢，完善支持政策和治理體系，牢牢掌握發展主動權”，并圍繞關鍵技術攻關、超大規模智算集群、高質量數據供給、人才和資金保障、“人工智能+”行動、安全底線、科技倫理、測試認證、動態適應和分級分類監管作出系統部署。

這一會議議題標志著我國人工智能政策邏輯正在發生一次重要躍遷：從培育單一產業、支持若干應用場景、推動若干模型企業成長，轉向建設支撐中國式現代化的國家級AI能力體系。

它不是一個單純的技術體系，而是由關鍵技術、智能算力、高質量數據、場景應用、人才資本、安全治理、標準認證和國際合作共同構成的綜合能力。

6月22日至26日，第四屆中國國際供應鏈促進博覽會在北京中國國際展覽中心順義館舉行。今年鏈博會首次將“數字科技鏈”升級為“數智科技鏈”，同時新設立專區，全鏈條展現人工智能從數據采集、智能計算到場景落地的完整生態。

一、從“人工智能產業”轉向“建設國家級 AI 能力體系”

過去談論人工智能，外界往往聚焦于三個層面：

一是大模型能力，誰的參數更多，誰的模型更強，誰的榜單成績更高；二是應用場景，哪些行業可以接入智能客服、智能辦公、智能創作、智能制造；三是企業競爭，哪家AI公司融資更多、產品迭代更快、商業化更順利。

這些問題固然重要，但已經不足以解釋當前人工智能競爭的深層邏輯。今天的人工智能，正在成為一種“體系性能力”——一種滲透研發、生產、流通、消費、治理、安全和文化傳播全過程的新型生產力組織潛能。誰能形成穩定、可持續、可擴散、可治理的AI能力體系，誰就能在未來產業變革、科技競爭和治理重塑中占據主動。

從全球趨勢看，AI競爭正在呈現出四個明顯特征。

第一，能力競爭從“模型參數競爭”轉向“全棧生態競爭”。

前沿模型的能力不斷提升，同時越來越依賴芯片、框架、訓練平臺、推理系統、數據工程、評測體系、開發者生態和應用反饋。斯坦福發布《AI Index Report》顯示，前沿模型已經在博士級科學問題、多模態推理、競賽數學和代碼任務上達到或超過人類基準；

同時，美國私人AI投資在2025年達到2859億美元，全球AI資本、人才和算力資源呈現高度集中趨勢。AI競爭從“單個模型對單個模型”的競爭，變成創新體系、資本體系、產業體系和基礎設施體系之間的系統競爭。

斯坦福《2026 AI Index》顯示，AI在圖像識別、語言理解、博士級科學問題、多模態推理、競賽數學和軟件工程等多項基準測試中已接近、達到或超過人類基準。

第二，基礎設施競爭從“數字基礎設施”轉向“智能基礎設施”。

算力已成為AI時代的戰略性基礎設施。有機構的研究認為，到2030年，全球數據中心用電可能超過945太瓦時，AI是最重要驅動因素之一。這意味著智算中心建設已經不只是信息通信工程，而是涉及能源、電網、土地、水資源、芯片供應鏈、綠色低碳和區域布局的系統工程。未來國家AI能力，很大程度上取決于誰能以更低成本、更高效率、更綠色安全的方式組織算力。

算力分為超算、通用和智能等類型。其中，智能算力是人工智能技術迭代發展的重要基礎。圖源：新華社

第三，應用競爭從“工具替代”轉向“組織重構”。

麥肯錫的《The State of AI: Global Survey 2025》調查顯示，88%的受訪組織已在至少一個業務職能中常規使用AI，但多數企業仍處在試驗或試點階段，約三分之一企業開始規模化推進AI項目；同時，23%的受訪組織已經在企業內部某些職能中規模化部署智能體系統，另有39%開始試驗智能體。

這說明，AI應用的難點不在于“能不能接入模型”，而在于能否重構業務流程、組織結構、數據治理、責任機制和人機協同方式。誰能把AI嵌入研發設計、生產制造、供應鏈管理、政務服務、公共安全、城市運行等關鍵流程，誰才能真正把AI轉化為生產力。

麥肯錫全球AI調查顯示，企業AI應用仍普遍停留在實驗和試點階段，但營收規模越大的企業越可能率先推進規模化部署。

第四，治理競爭從“事后監管”轉向“全生命周期治理”。

人工智能帶來的風險已經從內容生成、虛假信息、個人隱私擴展到網絡攻擊、生物化學風險、關鍵基礎設施安全、就業結構沖擊、算法歧視、智能體失控和國際安全。《2026年國際人工智能安全報告》指出，技術演進速度遠超風險證據積累速度，使得政策制定者面臨“證據困境”：行動太早可能固化無效干預，等待證據充分又可能錯過風險窗口。

報告還特別提示，通用AI已被用于網絡攻擊準備、漏洞識別和惡意代碼生成，并可能降低生物化學危險知識的獲取門檻。這一警告顯示，人工智能治理不能等風險充分暴露后再補救，而必須建立前瞻評估、測試認證、風險分級、運行監測和應急處置機制。

“牢牢掌握發展主動權”，就不能停留在技術追趕、產品模仿和場景示范層面，必須上升到國家能力建設。

經合組織人工智能事故和危害監測數據庫中報告的涉及“內容生成”的事件數量隨時間的變化。這包括涉及人工智能生成內容的事件。自2021年以來，每月報告的事件數量顯著增加。來源：經合組織人工智能事故和危害監測數據庫

二、為什么此時強調“掌握發展主動權”？

對這一問題的觀察，應放在三個坐標系中展開：一是全球科技革命和產業變革加速演進；二是中國經濟高質量發展和新質生產力培育需求；三是人工智能安全風險和國際治理競爭形勢。

首先，人工智能技術開始從“生成式AI”走向“行動型AI”。

2022年以來，大模型帶動生成式AI快速普及，文本、圖像、代碼、音頻、視頻生成能力迅速提升。進入2025年后，技術前沿進一步從“能回答”轉向“能推理、能規劃、能調用工具、能執行任務”。推理模型、智能體、多模態模型、具身智能、AI for Science、世界模型等方向加快發展，使人工智能從信息處理工具轉變為復雜任務執行系統。這意味著，人工智能正在突破傳統數字技術的邊界，也將改變人的工作方式、組織的運行邏輯和制度的執行方式。

其次，中國經濟正處在培育新質生產力、推動產業升級的關鍵階段。

我國擁有完整產業體系、超大規模市場、豐富應用場景和持續擴展的數據資源，這是發展人工智能的重要優勢。

國務院《關于深入實施“人工智能+”行動的意見》提出，要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，推動人工智能與經濟社會各行業各領域廣泛深度融合，形成智能經濟和智能社會新形態。該文件還提出了“三步走”的“人工智能+”發展階段規劃。由此可見，人工智能的高速發展，必然推動產業體系發生全面而深刻的變革。

目前，已有部分人形機器人品牌嘗試走進家庭場景干家務。圖源：路透社

再次，全球AI競爭正在進入“基礎設施—標準—規則”并重階段。

美國AI政策強調創新、基礎設施和國際安全外交，歐盟則以《人工智能法案》（EU AI Act）為核心，建立基于風險的規則體系。這些動態表明，人工智能已進入國家戰略競爭深水區。過去各國比拼的是互聯網平臺、移動終端和數字經濟規模，現在比拼的是AI芯片、數據中心、基礎模型、人才結構、行業數據、標準認證、監管能力和國際規則話語權。對中國而言，所謂“掌握發展主動權”，不僅是掌握技術主動權，也是掌握產業主動權、基礎設施主動權、治理主動權和國際合作主動權。

最后，AI安全風險已經成為影響長期發展的硬約束。

中國此前已出臺《生成式人工智能服務管理暫行辦法》，從促進生成式 AI 健康發展、維護國家安全和社會公共利益、保護公民、法人合法權益等方面，建立了基礎監管框架。2026年發布的《人工智能擬人化互動服務管理暫行辦法》進一步針對持續性情感互動服務，提出發展和安全并重、包容審慎、分類分級監管等原則，并明確要求防范過度迎合、誘導情感依賴、情感操縱、未成年人風險等問題。這些制度演進說明，AI治理正在從內容安全擴展到心理健康、社會關系、未成年人保護、平臺責任和倫理邊界等更深層次領域。

在這一背景下，國常會強調“完善支持政策和治理體系”，并把科技倫理、測試認證、動態適應、分級分類監管放在重要位置，體現了發展與安全并重的政策邏輯。

2026年3月20日，北京某商場展臺上陳列的AI玩具。圖源：新華社

從當前發展階段看，我國人工智能已經具備較好基礎，但要真正掌握發展主動權，仍需解決若干結構性問題。

第一，關鍵核心技術仍需突破。

我國在應用場景、工程組織、開源模型和產業化方面進展較快，但在高端AI芯片、軟硬協同生態、基礎框架、超大規模訓練系統、原創模型架構、推理效率、模型安全評測等方面仍面臨壓力。特別是在全球高端芯片供應鏈高度集中、關鍵設備和先進制程受制約的背景下，AI發展不能建立在不穩定的外部供給之上。

斯坦福報告指出，全球領先AI芯片供應鏈高度依賴少數關鍵環節，美國擁有全球最多的數據中心，而多數領先AI芯片由我國臺灣地區的單一企業制造。對我國而言，關鍵技術攻關不僅是產業升級問題，也是國家安全和發展韌性問題。

第二，智能算力存在供給、調度、成本和綠色約束。

近年來，各地智算中心建設熱度較高，但也出現了重復建設、供需錯配、利用率不均、能耗壓力、區域布局不合理等風險。人工智能對算力的需求已經從訓練擴展到推理，從少數大模型企業擴展到千行百業，從云端大模型擴展到邊緣端、終端和工業現場。算力不再是單純“建多少卡”的問題，而是“如何組織全國算力資源”的問題。

IEA關于數據中心用電的預測表明，AI基礎設施快速擴張將對電網、能源和區域承載能力形成長期壓力。因此，國常會提出加快超大規模智算集群建設，必須與全國一體化算力網、綠色電力、能源調度、網絡傳輸和公共算力服務結合起來理解。

第三，高質量數據供給不足，仍是制約AI落地的深層瓶頸。

國家數據局提出，行業高質量數據集是推動“人工智能+”賦能千行百業、實現產業落地的基礎性、關鍵性資源，并提出形成“場景牽引數據、數據驅動模型、模型賦能應用、應用創造價值”的數據飛輪。從目前情況看，中國不缺數據總量，但缺少可直接用于模型訓練、微調、評測和行業應用的高質量數據。現實中，大量數據分散在部門、企業、平臺和設備中，存在權屬不清、標準不一、質量不穩、標注不足、流通困難、安全風險高等問題。

第四，AI應用仍存在“試點多、規模化少”的問題。

許多地方和企業已經開展AI示范項目，但真正嵌入核心業務流程、穩定創造經濟價值和治理效能的案例還不夠多。全球企業也面臨同樣難題。麥肯錫的調查顯示，盡管企業AI使用范圍廣泛擴大，但多數仍停留在實驗或試點階段，規模化應用比例有限。這說明，AI應用的難點不只是技術接口，而是流程重構、數據治理、組織管理、績效評價、責任邊界和人才結構。對于政府和大型企業來說，如果AI只停留在寫材料、做客服、建展廳等淺層應用，就難以真正促進全要素生產率提升。

第五，人才結構與AI時代需求仍不完全匹配。

一方面，AI、大數據、網絡和網絡安全技能需求將快速增長，AI技能缺口仍是企業轉型的重要障礙；另一方面，AI對就業結構的影響仍不清晰，既可能提升生產率，也可能加劇不平等和就業沖擊。對中國而言，AI人才政策不僅要培養頂尖人才，也要推動全社會AI素養提升和勞動者技能轉型。

第六，安全治理體系仍需從原則走向操作化。

當前，AI治理已經形成若干制度基礎，但面對通用大模型、智能體、具身智能、擬人化互動、自動決策和公共治理應用，監管仍需要更精細的分類分級、更專業的測試認證、更持續的運行監測和更清晰的責任鏈條。

經合組織發布的《數字政府2026》顯示，AI已在35個經合組織國家的多個政府領域使用，但真正要求部署前風險評估、內部審查委員會、部署后審計等控制系統的國家比例較低，說明各國公共部門AI治理普遍存在“戰略多、操作控制少”的問題。對中國而言，下一步關鍵是把“安全可信”轉化為可評測、可認證、可審計、可追責的制度能力。

30余個OECD國家中有30個已經建立政府范圍的數據互操作系統；但在這30個國家中，只有23個國家報告中央層面超過50%的公共部門機構廣泛使用該系統。

建設國家級AI能力體系，不能平均用力，而應抓住關鍵底座和牽引領域。

第一，把加強關鍵技術攻關作為國家AI能力建設的源頭工程。技術攻關不只是追趕國際模型榜單，而要圍繞基礎理論、模型架構、訓練推理方法、AI芯片、軟硬協同、智能體系統、具身智能、AI安全、模型評測、開源生態等方向形成長期布局，推動AI創新從“應用集成型創新”走向“底層能力型創新”。

過去，一些行業應用主要依賴調用外部模型接口，短期看成本低、見效快，但長期看容易形成對模型、數據、算力和工具鏈的依賴。國家級AI 能力必須能夠支撐重大科研、先進制造、公共治理和國家安全場景，必須在關鍵時刻可控、可信、可持續。因此，應支持龍頭企業、高校、科研院所和新型研發機構圍繞“無人區”開展長期基礎研究，建立穩定支持機制和容錯機制，不能以短期商業回報衡量所有AI基礎創新。

第二，把建設超大規模智算集群作為新型基礎設施的核心工程。智算集群不是各地各自建設幾個數據中心，而是要面向國家AI需求，形成統一布局、彈性調度、綠色安全、普惠可及的算力體系。未來智算建設應重點解決四大問題：一是訓練算力與推理算力協同，避免只重訓練、不重規模化推理；二是公共算力與商業算力協同，為高校、科研機構、中小企業、獨立創業者和公共部門提供可負擔算力；三是算力與電力協同，推動綠色電力、儲能、輸電和數據中心布局統籌；四是算力與數據協同，推動行業數據集、模型服務和應用場景形成閉環。

6月4日在呼和浩特市和林格爾新區拍攝的正在建設中的浦發銀行和林格爾數據中心項目。圖源：新華社

第三，把推進高質量數據集建設作為AI落地的關鍵工程。數據是AI的燃料，但只有高質量、合法合規、持續更新、貼近場景的數據，才能真正轉化為模型能力。要堅持以場景牽引數據，以標準提升質量，以可信空間保障流通，以模型應用反饋持續優化數據。工業制造、醫療衛生、交通運輸、城市治理、智慧能源、公共安全、科研教育等領域，應率先建立行業數據治理規范和數據集質量認證制度。

第四，把加強“人工智能+”應用作為深化產業和治理重構的牽引工程。“人工智能+”不是給傳統業務加一個AI插件，而是推動技術、流程、組織和制度同步變革。中國擁有完整產業體系和豐富治理場景，如果能夠把 AI嵌入制造業、現代服務業、農業、城市治理、公共安全、醫療教育、文化傳播等關鍵領域，就可能形成不同于單純平臺經濟和消費互聯網的升級空間。

第五，把強化安全治理和測試認證作為AI長期發展的護欄工程。AI治理的目標不是限制創新，而是為創新建立可信邊界。歐盟《人工智能法案》建立了風險分級框架，明確不可接受風險、高風險、有限風險和低風險等分類。

中國的AI治理應充分吸收國際經驗，走更適合中國國情的路徑，堅持在發展中治理。在鼓勵創新和場景應用的同時，針對不同模型、不同應用、不同主體、不同風險等級實施分類分級管理；在上線前開展測試認證，在運行中開展監測審計，在事故后開展復盤追責，在規則上保持動態適應。特別是在公共服務、金融、醫療、教育、交通、能源、應急、司法輔助、未成年人服務等高影響場景，應建立更嚴格的評估和人類監督機制。

五、結語

未來幾年，將是我國人工智能從規模優勢、場景優勢走向體系優勢、規則優勢的關鍵窗口期。“牢牢掌握發展主動權”，關鍵在于能否形成真正可持續的體系能力。關鍵技術要能攻得下，智能算力要能供得上，高質量數據要能流得動，產業場景要能用得深，人才資本要能跟得上，安全治理要能守得住，國際合作要能走得遠。只有把這些能力組織起來，中國才能在在AI時代塑造自身的發展路徑、產業優勢和治理方案。

本文作者

孫占卿 廣州市社會科學院城市文化研究所副所長、IPP特約研究員

IPP評論熱門文章

關于IPP

華南理工大學公共政策研究院（IPP）是一個獨立、非營利性的知識創新與公共政策研究平臺。IPP圍繞中國的體制改革、社會政策、中國話語權與國際關系等開展一系列的研究工作，并在此基礎上形成知識創新和政策咨詢協調發展的良好格局。IPP的愿景是打造開放式的知識創新和政策研究平臺，成為領先世界的中國智庫。