中國網/中國發展門戶網訊  過去10年，人工智能（AI）取得了顯著進步，近年更因大語言模型（LLM）的突破，通用人工智能（AGI）的技術界限不斷被拓展，AGI有能力執行如視覺感知、語音識別、決策和語言翻譯等更多的人類任務。就世界范圍的AI發展而言，中國和美國占據領先地位，各自采用了相對獨特的發展模式，一定程度上催生了新產業、新動能。近期，DeepSeek-R1模型的橫空出世，標志著中國AI企業在創新探索方面取得了階段性突破。然而，值得注意的是，中國在基礎理論積累、高端算力芯片生產、AI產業生態等領域仍然落后于美國，“卡脖子”風險尚未根本緩解。本文強調，由于AI在基礎研究、應用研究和產業轉化研究等環節的應用存在著相互重疊、交互促進的關系，能夠支持多技術路線探索。因此，中國有可能通過設置開放治理的制度機制，以政策工具落實“追趕戰略”與“多元探索”，推動AGI技術發展一方面緊跟國際前沿，另一方面不斷拓展新的創新方向。

中國AI發展狀況及與美國的比較

AI被視為能影響大國博弈格局的核心關鍵技術，得到各個主要國家的高度關注。美國在AGI發展中處于前沿位置，其領先世界的研究型大學、掌握龐大資源的科技巨頭企業、強大的技術部門和支持性的監管環境等條件，都不是其他國家可以在短期內加以復制和趕超的。中國是目前世界上能緊跟美國發展速度的國家之一，在AI的多項指標上，“追趕”著美國的領先地位。AI技術的發展涉及基礎理論、核心技術、創新生態與商業應用等多個維度，中國目前在各個方面都展現出較為快速的發展勢頭。但毋庸諱言，與美國相比，中國仍存在顯著的短板。

中國AI發展的顯著成績

在科技創新前沿領域，中國AI發展在學術論文發表和專利申請方面取得了顯著進步?！靶畔⒓夹g與創新基金”（ITIF）報告指出，在學術論文發表方面，中國和美國的表現相當。截至2023年，中國有約12 450篇生成式AI學術論文發表，美國有12 030篇；在專利方面，自2013年以來，中國一直是AI專利授權的最大發起國，到2022年，中國的AI專利申請數量大約是美國同行的4倍，中國國家知識產權局專利局的授權數量幾乎是美國專利商標局的3倍。世界知識產權組織（WIPO）2024年的報告指出，自2017年以來，中國每年在生成式AI領域授予的專利數量超過了其他所有國家的總和。

在創新生態上，中國的AI人才培育和基礎設施建設已經積累了一定的優勢。在人才方面，以中國研究人員在神經信息處理系統會議（NeurIPS）發表論文的比率來衡量。在2022年，中國培養了全球47%的頂級AI研究人員，而在2019年，最精英的AI研究人員比例為29%，其中26%來自中國，28%來自美國。在AI基礎設施如數據和算力方面，中國龐大的人口規模和企業規模產生了快速增長的數據，同時政府也在推動數據產業的高質量發展，在促進行業數據共享、推動數據授權運營、數據要素市場建設等方面推進形成了標準體系，為促進數據安全高效流通探索了制度保障。面對美國近年不斷升級的限制措施，中國在算力設施相關的芯片產業上的投資也初見回報，一些中國企業提供了具有一定競爭力和成本優勢的產品，如華為昇騰（Ascend）910B等。正是具備了較為健全的創新生態，中國企業才有可能既推出如“文心一言”“通義千問”“Kimi”“書生”大模型等緊追國際前沿的優秀模型，又產生DeepSeek-V3/R1這樣集合社會資本、青年科技人才與應用工程創新等多維度力量的先進科技產品。

在商業應用上，中國AI受益于巨大的市場需求，在賦能工業制造、智慧醫療和自動駕駛領域均取得顯著進展。工業和信息化部數據顯示，截至2025年2月，智能工廠培育行動已經建成3萬多家不同智能層級的智能工廠，覆蓋超過80%的制造業行業大類，共建設優秀場景近2000個，工廠產品研發周期平均縮短28.4%，生產效率平均提升22.3%，不良品率平均下降50.2%，碳排放平均減少20.4%。在醫療影像行業，截至2024年6月，國家藥品監督管理局已批準3類92款AI工具，廣泛用于圖像質量改善、疾病分期與分級分析等。中國在自動駕駛的規?；\營上進展迅速。截至2025年1月，百度公司的自動駕駛出行服務已在全國多座城市累計提供了超過900萬次載客行程。這一數字超出了美國Waymo公司同期500萬次的運營規模。

中國AI綜合實力上存在的不足

中國AI發展的基礎理論原創性突破，仍然不及美國。目前廣泛應用的AI基礎理論，包括Transformer架構、Diffusion模型、RLHF優化和Attention機制等，均由美國的少數科技巨頭或研究型大學研究者提出。例如，谷歌團隊提出的Transformer架構，突破了傳統循環神經網絡（RNN）只能逐詞順序處理、效率低下的局限，以并行方式同時處理句子中所有單詞之間的關系，從根本上革新了自然語言處理（NLP）領域的發展路徑。中美兩國基礎理論上的差距，也反映在學術影響力上。例如，根據ITIF報告，在全球引用率最高的10項AGI研究成果中，美國占據4項，中國僅有1項，這顯示出中國在基礎理論原創方面的明顯差距。

中國在某些關鍵核心技術上，仍面臨“卡脖子”的風險。雖然DeepSeek-R1通過低成本策略有效降低了AI模型訓練對高端芯片的需求，并且華為海思等中國企業也在推動芯片國產替代方面取得了一定成績，但是，英偉達（NVIDIA）的H100芯片依然是目前訓練大模型不可或缺的核心產品。英偉達的CUDA平臺已構建了成熟的開發者生態，覆蓋TensorFlow、PyTorch等主流框架；即使其他廠商推出硬件，也難以繞過這一平臺的軟件兼容性和優化壁壘。中國在某些關鍵核心技術上難以實現重大突破，與科研生態的整體狀況相關：中國的專利申請數量領先全球，但其整體質量存在明顯不足。例如，能夠在首次獲得中國專利授權后，又獲得其他國家或地區專利認可的發明比例僅為4%，遠低于美國的32%。

中國AI發展的創新生態依然需要持續加以改善。例如，盡管中國頂級AI人才的規模已與美國接近，但在資本、技術、應用及基礎設施等維度仍存在明顯差距。美國斯坦福大學人本人工智能研究中心（Stanford HAI）發布的《2024年人工智能指數報告》指出，中國AI的整體創新活力（40.17）落后于美國（70.06）。在通用技術和方法創新（如RLHF等方法論突破）方面，中國的成果相對有限，更多集中于引用周期短、規模較小的工程優化，如中文分詞增強和多模態數據清洗等。此外，一些中國AI研究成果的開源程度低、復現難度大，制約了成果的廣泛引用及理論與技術的雙向互動。同時，中國還存在較為嚴重的科學研究與產業應用相脫節的問題，校企合作大多停留于聯合署名發表成果的階段，實際知識轉移效率較低。整體而言，中國AI領域的科學研究、技術創新和應用處于割裂狀態，尚未形成有效協同的創新生態。另外，在基礎設施層面，中國AI企業同樣面臨突出的問題，如ITIF報告指出，中國快速增長的數據質量并不高，2023年中國企業較上一年增加了22%的數據規模，然而可數字化和可存儲的部分只有略超過3%；算力設施上的短板更加突出，中國企業目前在AI芯片設計等環節上所占市場份額比較低，一項針對20個中國大語言模型的調查顯示，其中17個模型使用的仍是美國英偉達的芯片。

從“追趕”向“追趕+多元探索”戰略轉型的必要性

追趕戰略的意義與限度

中國與美國存在現實的差距，有必要集中一定的資源實施“追趕”戰略。但是，在當前的AI領域，僅考慮“追趕”前沿，并不能滿足中國的經濟社會整體發展需求。目前的AGI發展中，比較引人注目的是大模型訓練成本有持續增長的趨勢。AI調查機構Epoch AI，選取不同歷史時期推出的796個有影響的機器學習模型進行比較測算，發現自2016年以來，為前沿模型最終訓練運行而平攤的硬件和能源成本，以每年2.4倍的速度快速增長；如果訓練成本持續增長下去，到2027年，最大規模的訓練將花費超過10億美元；開發關鍵前沿模型（如GPT-4.0和Gemini Ultra）的成本中，大部分是硬件成本，占47%—67%，研發人員成本占29%—49%，其余2%—6%用于能源消耗。

這種高昂的資源和能源耗費，給中國及所有其他處于“追趕”狀態的國家提出了一個嚴肅的問題：在集中一定的資源進行“追趕”，以免與國際前沿發展拉開距離之外，還應當進行怎樣的規制和指引，從而產生創新的探索？

中國作為后發國家，習慣基于后發優勢理論制定國家科技創新及產業化的發展戰略。雖然這一戰略可以在一定程度上快速取得追趕成績，卻容易被鎖定在先發國家制定的既有技術路線與產業方向中，進而陷入“中等技術陷阱”。具體到AI領域，自2022年底ChatGPT發布以來，大語言模型成了AI發展的主流技術路徑，中國企業在DeepSeek崛起之前基本也是沿著這一路徑進行模仿追趕。截至2024年底，我國已備案大模型有302個，形成了“百模大戰”的激烈競爭格局。近期，國內的資本市場也已經開始出現反思。AI投資行業里流傳著一個案例：一家公司年收入3億元，而訓練模型就花了20多個億。之前投入大量資源實施“追趕”策略的AI“六小虎”的估值如今大幅下跌，AI獨角獸陷入融資困境。這個發展狀況要求我們更理性地思考中國的AI發展戰略。

“追趕+多元探索”戰略的基本思考

DeepSeek并沒有沿著“大力出奇跡”的路線前進，而是走出了一條“高性能、低成本、開放普惠”的新路徑，展示出“追趕戰略”下容納多個AI創新方向的豐富圖景。事實上，DeepSeek之所以能在短時間內獲得全球性關注，除了所謂的后發國家企業挑戰美國科技巨頭這一大國競爭話語，更重要的是其大幅度降低了應用成本并采取了開源的技術路線，這2點使得各后發地區、各行各業都有了基于自身發展需求來應用新興科技產品的機會。Ding J的近期研究也指出，與國際關系經典文獻中總結的“先進部門引發全球權力結構變化”的觀點不同，實證證據表明，“推動先進技術擴散的制度”對于大國崛起更加重要。這項研究將輿論特別關注的創新“先進性”與“后發性”的對立，引向了更值得探討的“創新能否獲得廣泛應用”層面。

這樣的實踐經驗與理論思辨，啟發了中國可以在實施“追趕戰略”的同時，通過“多元探索”發掘AI多樣化創新方向的可能性。在“追趕戰略”下，中國可以選擇在一定的領域內集中資源從事重大科技攻關，適應大國競爭的需求。而面對AGI這種技術路線與產業化方向仍存在較大不確定性的新興領域，只將追趕美國技術領先地位作為唯一的戰略導向，不僅容易造成國家創新資源投入既定技術路線的誤判與浪費，更會忽略“多元探索”戰略下我國不同地區、多類主體中蘊藏的多樣化創新發展可能性潛力。當然，在國際競爭與社會輿論的壓力下，中國作為世界第二大經濟體，也很難只關注國內創新發展而不去面對事實存在的外部壓力，完全從已有的“追趕戰略”轉向“多元探索”。因此，本文在戰略導向上的主要觀點是，面對AGI的創新發展，需要同步實施“追趕戰略”與“多元探索”戰略，后者可以作為前者的補充，使得中國在應對美國科技競爭的同時，探索出符合我國國計民生需求的AI創新方向。

AI多元探索的可能性及其制度條件

從1956年美國達特茅斯會議首次提出“人工智能”概念開始，“人工智能”科技領域的多元探索就從來沒有停滯過。早期是符號學派、聯結學派、行為學派相互爭論，之后有美國、日本、歐洲等國家和地區各自的探索，然后是機器學習，再到建立在人工神經網絡理論和機器學習理論上的深度學習，進而帶來AI生成內容大模型的研究熱潮。然而，作為新一輪科技革命爆發階段的重要產品，AI發展還遠未到定型的程度，大模型也存在著科學原理、設計方案、行為模式等諸多方面的重大挑戰，擁有大量可以實施多元探索的空間。

AI的“非線性創新”特性與多元探索的可能性

在科技研究中，“線性創新觀”一度占據著重要地位，認為科技創新是沿著“基礎研究—應用研究—產業轉化”的線性路徑發展的。然而，信息通信技術興起后，相關領域的諸項科技與產業成果，都具有不易被簡單歸類為基礎研究或應用研究的特性，反而在基礎研究、應用研究、產業轉化之間存在著交互促進的“非線性創新”特性。例如，雙極型晶體管的發明帶來了晶體管效應的發現，這些發明和發現集合在一起又創造了應用在電腦、汽車等產品上的各類處理器和芯片；集成電路的發明帶來通用計算機的發明，又進一步促進了計算機科學的發展。

與信息通信技術類似，AI也是多學科知識、多技術發明集合，基礎原理突破與關鍵技術攻關協同演化的產物。例如，谷歌大腦研究團隊（Google Brain）在2017年推出的Transformer架構是目前大模型領域主流的算法架構基礎，既是基礎研究的重大突破，又是可以直接應用到模型中的重要發明。而DeepSeek在Transformer架構基礎上實現的進步，本質上是通過算法創新補償算力短板（如MoE架構優化）、工程極致優化釋放硬件潛能（如PTX編程）、開源生態重構產業規則（如模塊化插件體系），實現了從基礎理論到產業落地的閉環。以混合專家模型（MoE）的深度優化為代表，其在基礎研究方面提出了異構專家協同機制，通過將專家細分為共享專家與路由專家，前者捕獲通用知識，后者專注領域特性，實現了知識表達的細粒度分解；在技術進步方面，引入了“教師—學生—助理”三級架構，解決了傳統架構因負載不均導致的訓練效率低下問題，推理效率提升40%；在產業應用方面，制造業企業可以單獨訓練“設備故障診斷專家模塊”而無須全模型迭代，資源消耗降低30%—70%，能實現生產流程精準調控。

AI的這一科技創新特性決定了，一方面，AI發展可以是基于研究端對國際前沿的追蹤或者基礎研究領域本身的創新；另一方面，也可以是應用端對研究端提出要求，形成新的研究方向。

國際前沿不斷涌現的新嘗試，具有引領AI行業未來發展新方向的潛在可能性。AI同其他重要的信息通信技術相近，并非好奇心驅動的研發。但是在這個行業中，如同“摩爾定理”的提出一樣，領軍人物的理念具有極大的引導效應，能夠凝聚行業智慧和資源，朝著一定的方向實施努力。例如，美國斯坦福大學李飛飛教授在2024年首次創業成立World Labs，致力于構建不同于大語言模型的“大世界模型”（LWM），在2024年9月正式宣布完成2.3億美元的巨額融資，投資方既有Andreessen Horowitz（a16z）、恩頤投資（NEA）、Radical Ventures等知名投資機構，又有Jeff Dean、Geoffrey Hinton等AI領域著名研究者和企業家。因此，對于國際前沿不斷出現的新嘗試、新探索，需要保持持續追蹤，從中思考新的發展方向。

基礎研究領域的突破，潛藏著能直接影響人工智能技術與產業發展方向的新理念。AI這種基礎研究和應用研究結合更緊密、跨越多個學科實施探索的特點，要求必須密切關注各前沿研發機構的動向。在我國，北京智源研究院與深圳鵬城實驗室是AI領域“一南一北”的兩大核心研究機構，在多模態大模型、高性能計算、AI倫理與安全等基礎研究領域提出了諸多適應中國發展實際的本土理念。例如，智源研究院在2019年即布局大模型，2021年推出全球最大規模的中文大模型“悟道2.0”，早于ChatGPT的發布。近年來更是超前布局多模態、具身智能、生命模擬等前沿領域，被微軟總裁稱之為與OpenAI、谷歌同時處于AI領域絕對前沿的3家機構。如果說智源研究院在大模型研發方面實現了引領，那么鵬城實驗室則是在算力技術自主與標準制定方面實現了突破。其不僅研發了我國首個自主可控的E級智能算力平臺（“鵬城云腦”系列），還推動了“東數西算”戰略，實現了全國算力資源的智能調度與共享。

應用研究和產業轉化過程也能影響基礎研究方向，基于多樣性應用需求開拓出多元的創新發展方案。2019年10月，美國國家科學基金會（NSF）統籌，聯合多個部門發起了國家人工智能研究院（NAIRI）項目，不僅專門強調了“基礎研究與應用啟發性研究一體推進”的研究要求，還讓各個研究院的研究領域涵蓋了多樣應用需求：不僅有發達地區領先的大數據、機器學習、算法優化等應用方向，還包括了農業、教育、網絡基礎設施等在欠發達地區有廣泛應用的領域。這種基于多樣應用需求推動AI創新的部署，在我國的表現更為顯著。在制造業領域，騰訊人工智能實驗室針對工業質檢需求，創新性設計光學一體技術，有效解決了凹凸缺陷的成像技術難題；在智慧城市領域，我國城市化場景的復雜度倒逼算力體系升級，上海人工智能實驗室研發的全球首個城市級神經輻射場（NeRF）技術，實現了城市動態三維建模。

綜上，AI不是只有當前大語言模型這一條技術路線，而是可以基于對國際前沿的追蹤、基礎研究的突破、對多樣應用需求的滿足，來實施新的探索。DeepSeek在探索更低成本、更為開源、更便于應用的科技產品方面的經驗，增強了以非線性創新觀為指導，激勵多元探索的現實可行性。

AI多元探索的制度條件與當前困境

開放治理的重要性

只有在開放治理的制度條件下，AI的多元探索才能成為現實。開放治理既包括內外部治理機制的開放和銜接，又包括貿易開放、知識開放、科研與產業管理機制開放等內容。其中，尤其重要的是知識開放，通過形成“思想市場”促進科技領域的突破。Krugman指出，貿易開放在推動技術變革方面具有不確定性：貿易開放意味著傳統生產要素（土地、資本、勞動力）的流動性增加，意味著地區之間的空間區隔減少、資金流動增加、人才流動暢通、貿易往來頻繁，但是，貿易開放不必然引發技術變革，因為形不成顛覆性技術對于既有利益結構的挑戰。例如，荷蘭的貿易開放未能促進技術進步保住其世界霸主地位，而英國在18世紀中后期的貿易開放加知識開放卻幫助英國實現了技術變革，超越荷蘭成為世界第一大經濟體。

AI的多元探索更需要開放治理這一制度條件的支持。AI是多部門、多學科人才協作才能推進的產品，需要形成思想交流上的開放碰撞、探索路徑上的相互競爭，形成應對挑戰時的協同努力。OpenAI即是包括研究人員、工程師、設計師和產品經理的跨部門、跨學科人才團隊在并行運作，以此建立從科學原理問題設定到應用場景打造的全過程研發能力。AI要求基于應用端對研究端的主導作用，研究方向需要及時根據通用性、一般性實踐問題加以調整。這種科技攻關的方式，很難在產學研相互分隔的制度環境下實現。AI對數據語料的需求、對開放場景的需要都相當高，需要在開放治理的環境下得以實現。只有在開放的制度環境中，才能通過建設數據和算力基礎設施、合理配置科研資源、組建多個跨專業的人才團隊，為不同區域和不同行業提供AI的應用服務。同時，激勵科研團隊在各自的技術應用探索過程中，從實踐里提煉科學問題，反過來為推動科學原理進步作出貢獻。

當前全球對開放治理的阻礙

各國對于數字領域、AI領域的“泛安全化”戰略考慮，已經成為當前阻礙開放治理的最大原因。隨著世界范圍內保護主義政治思潮的抬頭、逆全球化策略不斷推行，西方國家設置貿易壁壘、實施科技封鎖等逆全球化舉措，使各國不得不把產業鏈安全、數據安全等考量當作不可撼動的基本原則。歐盟在2016年通過《通用數據保護條例》（GDPR），采取嚴格的數據本地化措施，之后推出“數字兩法”——《數字市場法》和《數字服務法》，正式賦予歐盟委員會調查和執法權，嚴格管控數字經濟市場。美國自2021年以來，更是推出了一系列“小院高墻”的封鎖政策，如多次審查中國獲取美國“開源技術”的問題，并考慮對“開源技術”實施出口管制；從對中國禁售先進芯片，逐步升級為限制中國從第三方國家獲取先進芯片；對中國AI等領域的企業實施投資限制等。美國的這一系列限制舉措還在不斷升級。美歐兩大經濟體這些保護主義政策實踐造成的全球“數字化碎片”現象，對于在AI領域推行開放治理造成了嚴重的阻礙。

此外，大型數字平臺和企業也通過各自制定規則的影響力，形成日益堅固的壟斷態勢，阻礙開放治理制度環境的確立。從數字技術本身的角度來看，在不同企業和平臺的作用下，技術發展有開源和閉源2種模式。開源協議雖然因社區不同而稍有差異，但都以最大限度開放共享為原則。然而，大型企業大部分采取閉源但開放創新模式，如谷歌、蘋果等公司，允許軟件供應商基于手機操作系統的開發應用產品和創新應用場景。由此，造成開源的數字技術社區陷入發展困境，而大型數字平臺卻借助其絕對影響力提高了創新門檻，壟斷了創新的機會。AI大模型的開源與閉源之爭涉及的問題更為復雜。目前，谷歌的Gemma選擇了低版本開源，但保留制定使用該模型的條款及所有權條款，且面向高階版本收費的模式。埃隆·馬斯克（Elon Musk）則批評OpenAI背離了作為非營利性開源項目建設的初衷，成了一個為了實現最大利潤而封閉的源代碼項目。他提出的反擊策略，是加入開源大模型的行列，將他旗下xAI公司的大模型Grok開源。但辛頓在最近的公開演講中反對大語言模型的源代碼開源，他認為大模型閉源是目前能夠實施的唯一監管手段。不管怎樣，就數字技術、AI等新科技領域的發展狀況而言，原有科研治理體系下強調的技術和經貿開放發展的共識已被打破，目前的全球分裂狀態嚴重阻礙著開放治理制度環境的營造。

通過開放治理推動落實“追趕+多元探索”戰略

在以“追趕+多元探索”戰略的宏觀指引下，當前制度機制變革的關鍵選擇，是形成開放治理的環境，實現AI創新的供給端（國家創新資源的投入）與需求端（經濟社會的應用需求）之間的交互聯動。具體而言，可以在區域差異化發展、產學研聯合創新、資金投入分配、人才引進培育、公共數據等領域制定有助于開放治理的制度機制，促進人工智能的“追趕+多元探索”發展。

建立開放的區域協調發展機制，滿足各區域因地制宜的人工智能差異化需求。在我國相對發達區域，如京津冀、長三角、粵港澳大灣區等城市群，可以賦予其承擔一定“追趕”任務的責任，即依托核心城市并整合其周邊區域的科教、企業和資本力量，集中一定的資源，緊密跟蹤國際前沿發展，保持中國與國際領先地位之間的距離。對于我國欠發達地區，可以針對當地產業發展需求，以及農業、建筑業、基礎設施、社會保障等多樣需求和應用場景，部署區域之間和企業牽頭的幫扶政策，推動大數據、大模型、算力設施等資源普惠化利用，幫助欠發達地區與傳統行業參與到人工智能的創新浪潮中并及時分享創新紅利。

建立“政產學研金”多主體之間開放合作的創新聯盟。創新聯盟可以由地方政府支持、由當地研究型大學或龍頭企業牽頭、聯合“政產學研金用”等其他主體共同組建，以打通各主體之間開放合作的堵點，促進人工智能基礎科研、技術研發、產業應用各個環節的協同推進與循環互促。一方面，由企業牽頭的創新聯合體可以開放行業數據和應用場景，協同開展行業共性技術與產業化應用需求研究；另一方面，由研究型大學牽頭的創新聯合體可以圍繞人工智能前沿學術思想與基礎科研動態，協同開展重大研究方向攻關與自由探索。并且，地方政府對創新聯盟的考核評價，可以圍繞經濟社會發展需求，以政產學研金多元主體組建的大評審委員會和各個專業領域小同行組建的小評審委員會共同對科研成果、技術突破和產品應用等進行綜合性評價，重點考察人工智能各個環節同步推進、循環互促的效果。

建立開放的公共資金投入與分配機制，突破政府將財政資金集中投放到基礎研究環節的傳統模式，讓公共基金更廣泛的惠及應用研究、產業轉化等多個環節。通過設立AI公共基金，將研究資助從基礎研究環節拓展到技術研發與產業應用中。AI的“非線性創新”特性表明，政府的資金投入與分配機制應當以更加全面的視角看待“基礎研究—應用研究—產業轉化”交互促進的整體性創新范式，在對大學和科研機構進行AI基礎研究資助的同時，通過AI公共基金，將資助范圍擴展到科技企業研究院技術研發、制造企業生產過程、應用場景打造等多個環節。明確公共資金的資助導向，激勵高校院所與產業界形成聯合創新體。建議強化需求導向，由產業界提出需求、政府立項支持、高校院所與企業聯合攻關，確保資助項目與產業需求精準對接。③ 需要創新資金的使用方式，倡導多重技術路線與商業化模式的平行探索。例如，支持通用大模型與行業大模型的同步研發；支持智慧農業、智能制造、智慧醫療教育等多行業領域對AI的應用轉化需求。

建立開放的人才培育與流動機制，不求所有，但求有用，優化AI人才的培育吸引。在人才引進方面，完善柔性引才政策，鼓勵大學、科研院所、企業設立“人才驛站”，通過項目合作、短期交流、長期兼職等靈活多樣的柔性機制，幫助各地解決AI關鍵技術與產業化方面的難題。在人才培育方面，樹立以AI創新需求為遵循、以實績為導向的人才培育理念，打破按照學歷、學位、履職經歷等標準實施人才評價的方式，激勵不同專業的人才積極學習AI知識，推動AI產品的應用以及豐富AI科學原理的探索。在人才流動方面，應突破組織機構界限，促進人才在企業與高校院所之間的雙向流動。在高校院所向企業流動方向，鼓勵科研人員到企業掛職兼職、在職創業，并在績效考核、工資福利等方面設置保障措施；在企業向高校院所流動方向，鼓勵高校院所設立一定比例的流動崗位，吸納企業技術專家、工程師到高校院所兼職，并為符合要求的企業人才開放職稱評定、導師評選的機會。

推動公共數據開放共享，完善人工智能多元創新探索所需的數據基礎設施建設。目前，中國的數據基礎設施建設尚存在諸多問題。雖然公共數據量大質優，但公共數據的跨部門、跨地區開放共享仍存在行政壁壘；中國基于超大規模人口與超大規模市場建立起的海量數據優勢，尚未在數據采集端建立起統一標準，導致了數據格式混亂、錄入重復或缺失等問題；對于一些專業行業領域，如傳統制造業、農業等，由于商業價值不大，一直難以吸引數據科技企業進入該行業建立高質量的數據集。目前，一個常用的做法是要求相關團隊自行挖掘數據和建立數據集，但效果并不好。建議形成以公共數據開放引領各類數據共享的態勢，如授權委托專門的數據科技企業收集和運營公共部門與專業行業的數據，通過“聯邦學習”“安全多方計算”“可信執行環境”等技術手段分離數據的所有權與使用權，實現數據“可用不可見”的安全使用效果，同時規定其必須承擔為該領域的科研、應用開發和治理提供服務的責任。

中美兩國在AI發展上存在的差距，要求中國一方面實施“追趕戰略”，集中一定的資源保持與世界前沿領先地位的距離；另一方面需要根據AI的科技創新特性，實施多元探索，激勵形成各區域和各行業共同努力及社會資源共同投入的發展格局。AI的未來還未曾確定，中國有豐富的應用場景，有極其多樣的經濟社會發展需求，可以將追趕戰略與多元探索有機結合起來，在追蹤前沿和探索新的創新方向的“雙管齊下”戰略下形成中國自身獨特的人工智能創新發展模式。在這個過程中，最為關鍵的是堅持創建開放治理的制度環境，以此維持知識開放和交流的活躍度，提升先進理念轉化為產品并得到市場檢驗的機會，切實提高中國AI領域的創新發展水平。

（作者：蔣余浩、張心旖、戴明潔，華南理工大學公共政策研究院 廣東新質生產力政策研究中心；編審：楊柳春；《中國科學院院刊》供稿）