促进人工智能与实体经济融合发展

人工智能是新一轮科技革命和产业变革的核心驱动力，是发展新质生产力的重要引擎。党的二十届三中全会明确提出“建设现代化产业体系”，强调以科技创新引领新质生产力发展。2025年、2026年《政府工作报告》连续部署“持续推进‘人工智能+’行动”和“打造智能经济新形态”，2025年8月国务院印发《关于深入实施“人工智能+”行动的意见》，提出到2027年率先实现人工智能与六大重点领域广泛深度融合、到2035年全面步入智能经济和智能社会发展新阶段的战略目标。人工智能与实体经济融合发展已从技术议题上升为关乎国家竞争力和经济安全的战略议题。从发展基础看，我国已具备推动融合的良好条件。2025年，我国人工智能核心产业规模超过1.2万亿元，企业数量超过6200家，形成了覆盖基础底座、模型框架、行业应用的完整产业体系；规模以上制造业企业人工智能技术应用普及率超过30%，全国已建成智能工厂超过4.5万家。然而，产业快速发展的背后，一个结构性矛盾日益突出：技术供给侧的能力跃升尚未有效转化为实体经济侧的生产力释放。大量人工智能成果停留在“能演示”阶段，难以形成“能落地、可复制、有回报”的规模化应用。如何打通从技术势能到融合动能的转化通道，是当前推进人工智能与实体经济深度融合必须回答的关键问题。

一、人工智能与实体经济融合发展面临的主要问题

（一）供需“两张皮”：技术能力快速跃升，但产业转化率偏低

人工智能技术供给与实体经济需求之间存在结构性错配，是制约融合发展的首要问题。从供给侧看，部分人工智能企业偏重通用大模型、算力平台和算法能力展示，对制造业、能源、交通、农业、物流等行业的工艺流程、业务规则、质量标准和安全约束理解不足，导致技术方案难以嵌入企业生产经营的核心环节。从需求侧看，许多实体企业尤其是传统制造企业，对人工智能应用场景的识别和研判能力不足，不清楚哪些环节最适合优先应用人工智能、能带来多大的实际收益，容易出现盲目上系统、重复建平台、低水平试点等现象。供需双方的认知差距和能力落差，使大量技术成果难以从实验室和展厅走向车间和产线，形成“技术热、产业冷”和“试点多、复制少”的局面。2026年1月八部门联合印发《“人工智能+制造”专项行动实施意见》，提出到2027年推广500个典型应用场景，表明国家已充分认识到这一问题，但从政策方向到落地机制之间仍需进一步细化供需精准匹配的具体路径。

（二）数据“堰塞湖”：企业有数据却不可用、行业需数据却不可得

高质量数据是人工智能赋能实体经济的核心要素，但当前实体经济中的数据基础呈现“量大质低、分散割裂、流通不畅”的特征。《中国企业家人工智能应用调研报告（2025）》显示，约九成企业已不同程度地将人工智能应用于经营管理，但仅有24.2%的企业实现了人工智能在供应链管理中的系统性集成应用，数据碎片化是制约集成应用的关键瓶颈。一是企业内部数据治理能力薄弱。研发、采购、生产、库存、物流、销售、财务、售后等环节的数据分散在不同系统中，口径不一致、格式不统一、历史数据缺失等问题普遍存在，难以形成可用于模型训练和智能决策的高质量数据集。二是工业现场数据采集覆盖不足。大量工业设备、生产线和供应链节点尚未实现充分联网和数据上传，数据采集的标准化、实时化和结构化水平较低。三是跨企业数据流通机制不完善。企业普遍担心商业秘密泄露、数据权属不清和责任难以界定，缺乏“数据可用不可见”等安全流通技术手段的成熟应用，导致供应链数据、产业链数据和行业基准数据难以有效共享。由此造成人工智能“有算法缺数据、有平台缺场景数据”的困局，限制了行业大模型和工业智能体的深度应用。

（三）主体“断层带”：头部企业“吃得饱”、中小企业“够不着”

人工智能与实体经济融合具有明显的资金、技术和人才门槛，不同规模企业之间的应用能力差距正在形成新的“智能鸿沟”。大型企业通常具备较好的数字化基础、较完整的数据体系和较强的技术团队，能够自主建设智能工厂、工业互联网平台和行业大模型应用场景。然而，我国实体经济主体中，中小企业占企业总数的99%以上，很多仍处于数字化转型初级阶段。据相关研究，中小企业中达到较高数字化水平的仅占约3%，超过70%的企业数字化转型效果不佳。数据治理能力不足、工业软件使用水平低、专业人才储备缺乏，使中小企业难以承担人工智能系统的开发、部署、运维和持续迭代成本。在政策推进中，资源和服务也存在向头部企业集中的倾向。《中小企业数字化赋能专项行动方案（2025-2027年）》虽已部署推动4万家以上中小企业开展数字化转型，但从“数字化”到“智能化”还有较大跨越。特别是在县域产业集群、传统制造业集聚区和劳动密集型行业，如果中小企业不能以低成本、低门槛获得人工智能服务，融合发展就难以形成全产业链的扩散效应。

（四）主制度“空窗期”：技术渗透速度快于标准规范建设速度

人工智能一旦深度嵌入实体经济，就不再只是辅助性工具，而是逐步进入生产控制、设备调度、质量判定、供应链预测、金融风控和安全生产等关键决策环节。与消费互联网场景相比，实体经济场景对稳定性、可靠性、安全性和责任可追溯性的要求更高。一旦模型输出错误、算法决策失灵、训练数据被污染或企业核心数据泄露，可能引发产品质量事故、生产中断、供应链波动甚至公共安全风险。然而，当前的治理体系建设明显滞后于技术渗透速度。一方面，行业标准、模型评测、安全认证和风险审查机制尚不完善，不同地区、行业和企业在人工智能应用中缺乏统一的评价标准和操作规范。另一方面，责任划分机制不清晰，人工智能系统涉及模型提供商、数据提供方、系统集成商和使用企业等多个主体，算法误判、数据泄露和系统故障的责任边界模糊，企业普遍存在“想用又怕出事”的顾虑。此外，智能制造领域预计人才缺口达450万人，兼具人工智能技术素养和行业知识背景的复合型人才严重不足，也制约着融合发展的深度和质量。

二、促进人工智能与实体经济融合发展的思路

（一）以场景为牵引，建立供需精准对接机制

促进融合的近期首要突破口，是改变单纯从技术供给出发的推进方式，转向以产业需求和企业痛点为牵引。建议重点推进三项工作。一是建立分行业、分环节的人工智能应用场景图谱。由行业主管部门牵头，联合龙头企业、行业协会和科研机构，按照技术成熟度、经济价值、复制推广难度和安全风险等级对场景进行分类管理，形成可供企业“按图索骥”的应用指引。二是创新供需对接机制。在现有“揭榜挂帅”基础上，建立“融合效果反向验证”制度，不仅考核技术攻关是否成功，更考核方案落地后的实体经济绩效——包括降本增效幅度、交付周期缩短比例、能耗降低水平和质量合格率提升等。三是推广“应用场景联合实验室”模式。鼓励人工智能企业驻场实体企业，深入理解工艺流程和业务约束，在真实生产环境中联合开发、测试和迭代，避免技术方案脱离产业实际。通过场景牵引，推动人工智能从“单点试验”走向“流程再造”，从“锦上添花”走向“降本增效”。

（二）以数据为底座，打通融合发展关键堵点

数据是人工智能赋能实体经济的“燃料”，必须把数据基础建设作为融合发展需要持续推进的底座工程。建议从三个层面系统推进。一是强化企业内部数据治理。推动企业开展数据资源普查，围绕研发、生产、设备、质量和能耗等关键环节，统一数据口径、编码规则和采集标准，将数据治理能力纳入企业智能化成熟度评估体系。二是加强行业公共数据资源建设。依托工业互联网平台、产业大脑和行业协会，建设面向重点行业的公共数据资源库和工业知识库，特别是在制造工艺参数、设备运行基准、供应链协同和碳排放核算等领域，形成可供行业大模型训练的高质量数据集。三是完善数据要素流通机制。制定工业数据资产化的行业操作规范，解决企业“知道数据重要但不知道怎么定价、怎么确权”的实操难题。明确工业数据、供应链数据和设备运行数据的权属、使用权、收益权和安全责任，探索推广“数据可用不可见、模型可训不可取、结果可核不可泄”等安全流通技术，建设可信数据空间和工业数据交易平台。

（三）以平台为支撑，构建普惠化智能服务体系

伴随场景落地和数据底座建设的推进，应同步构建面向中小企业的普惠化智能服务体系，避免融合发展形成新的“智能鸿沟”。建议实施“龙头带动—平台赋能—中小普惠”的梯度服务工程。对龙头企业，鼓励其开放经过验证的工业场景、数据接口、算法组件和供应链协同平台，通过“链式转型”带动上下游中小企业共同提升智能化水平。对平台企业，支持其开发面向中小企业的模块化、标准化、低成本人工智能工具包，提供智能质检、智能排产、智能仓储、智能能耗管理、智能客服等轻量化“即插即用”服务，推广“按需订阅、按效果付费”的商业模式，将人工智能服务从“一次性项目交付”转向“持续运营服务”。对产业集群和园区，支持建设区域性智能公共服务平台，整合算力、算法、数据和专家资源，为集群内中小企业提供共享的人工智能基础设施和技术支撑。同时，用好“上云券”“算力券”等政策工具，降低中小企业用算和用智成本。通过平台赋能，使人工智能能力沿产业链、供应链和产业集群有序扩散，形成从“头部引领”到“全链受益”的普惠化发展格局。

（四）以制度为保障，健全安全可信治理框架

着眼长远，人工智能与实体经济融合越深入，越需要同步推进标准规范、安全治理、责任制度和人才保障的制度体系建设。建议从四个方面协同推进。一是加快制定重点行业人工智能应用标准。建立分行业、分场景、分风险等级的统一评价规范。对生产控制、能源调度、金融风控、交通运输和安全生产等高风险场景，实施更严格的测试验证、备案管理和风险评估制度。同时，主动对接国际人工智能治理规则和标准，在国际标准化组织等框架下推动中国方案。二是完善多主体责任划分机制。明确模型提供商、数据提供方、系统集成商和使用企业在算法误判、数据泄露、系统故障和安全事故中的责任边界，建立可追溯的责任链条和争议解决机制，让企业“敢用”。三是加快复合型人才培养。依托高校和职业院校设立“人工智能+行业”交叉专业，支持企业与科研机构共建产教融合实训基地，将人工智能课程与制造、能源、物流、农业等各类专业结合起来，着力培养面向实体经济一线的应用型和管理型人才。四是探索包容审慎与底线管控相结合的监管模式。对成熟度较高、风险可控的应用场景，给予更大的创新空间和容错机制；对涉及公共安全和关键基础设施的场景，设定明确的安全底线和合规要求。唯有场景、数据、平台和制度四个维度协同发力，才能真正将人工智能的技术势能转化为实体经济的融合动能，使人工智能成为推动我国实体经济高质量发展的持久引擎。

（作者：冯泰文哈尔滨工业大学（威海）经济管理学院教授、博导；刘洋哈尔滨工业大学（威海）经济管理学院助理研究员）