應用驅動發展，加速融入實際場景

　　當前，生成式人工智能的發展呈現出三個主要特征。

　　一是模型智能水平提升迅猛。DeepSeek的R1模型和阿里巴巴的Qwen2.5系列均展示出與國際同類前沿模型相當的智能水平。其中，DeepSeek在2024年末發布的R1推理模型，在多個推理任務上取得突破，成為中國AI歷史上首個具備“類GPT-4”能力的開源大模型。此外，一批AI新興企業也迅速崛起，陸續推出具備推理能力的高質量模型，形成了多點開花、梯隊并進的競爭格局。

　　二是開源生態構建展現出獨特的產業發展優勢。相較于國際AI巨頭多采用閉源策略，我國生成式人工智能頭部企業在開源方面更為積極，頻繁推出開源權重模型，推動了國內大模型社區的開放協作氛圍，使中小企業和開發者得以基于優質模型進行定制開發和微調，加速了生成式人工智能的本土化創新與應用擴散。

　　三是應用驅動創新成效顯著，AI全面引領商業模式重構。多家企業將生成式人工智能嵌入搜索引擎、輸入法、文字處理軟件、云服務等產品生態系統中，構建了涵蓋搜索、社交、電商、文娛、辦公等多個領域的應用矩陣。這種“模型即服務”模式，使得生成式人工智能快速深入到C端與B端用戶的實際應用場景之中。同時，企業通過AI智能體的應用，將多模態、物聯網等技術系統化融合整合，釋放出巨大商業潛力。2024年以來，國內生成式人工智能應用的活躍用戶規模和滲透率均在穩步增長，2024年11月應用滲透率達27.1%，用戶基礎不斷擴大，形成了以應用需求為核心的快速迭代路徑。

　　平臺基礎能力不足，產業生態仍需完善

　　盡管中國生成式人工智能已在模型能力、企業生態與應用廣度方面取得突破性進展，但其作為未來產業關鍵技術底座的普適性平臺能力仍在演進迭代過程中，技術路徑仍未收斂，整體生態發展呈現梯度分化。這種分化體現在模型智能能力的集中化與平臺通用性不足，也體現在算力資源、數據基礎、標準體系等支撐條件的各自為戰甚至碎片化。生成式人工智能距離持續賦能發展新質生產力，構建現代化產業體系的目標仍有較大差距。

　　一是生成式人工智能的產業應用可及性不足。當前高性能大模型主要集中于少數頭部企業，形成中國生成式人工智能第一陣營。然而，大量中小模型在國際通用評測標準中表現仍不突出，推理能力、泛化能力與穩定性存在較明顯差距。中小企業與傳統產業用戶普遍缺乏模型定制與本地化部署能力，對生成式人工智能的適配能力較弱，難以將其嵌入核心業務流程。多數大模型在通用性構建方面尚不成熟，語料同質、交互風格趨同、接口標準不統一等問題較為普遍，尚未形成統一、高效的跨行業賦能體系，也加劇了“頭部先進、基層難用”的生態斷層，影響生成式人工智能作為通用基礎平臺的普適能力建設。

　　二是商業轉化臨界點尚未到來，行業落地較為緩慢。當前，生成式人工智能技術大規模商業化應用的路徑不暢，在算力資源緊張與訓練成本高企的背景下，企業在實際部署中對生成式人工智能創新的投入回報比不夠理想，不同產業類型的生成式人工智能商業落地路徑呈現出明顯梯度。傳統產業整體數字化水平有限，模型與業務系統之間數據集成基礎薄弱，短期內難以形成規模效應；新興產業在部分場景中已實現探索性應用，但普遍仍處于“點狀突破、多點未及”的階段；而未來產業由于具備更高的成本容忍度與對顛覆式創新的開放態度，被認為是生成式人工智能最具戰略潛力的應用場景，但產業落地的不確定因素更多。根據行業特點發揮科技金融等政策工具的分類施策路徑尚需探索完善。

　　三是產業化可持續推進支撐體系有待完善。當前，生成式人工智能在標準規范、治理機制與政策支持方面仍存在系統性滯后，難以支撐其向平臺化、廣覆蓋方向發展。技術層面，盡管部分模型已實現開源，但在訓練流程、API接口、安全部署等關鍵環節尚未建立統一標準，導致平臺間互操作性差、集成成本高、生態協同效率低，制約中小企業與應用方的接入能力與創新空間。治理層面，缺乏覆蓋模型安全、責任劃分、風險管控的成熟機制，難以應對模型開放性、合成內容管理等帶來的現實挑戰。政策層面，現有扶持工具類型有限，且存在扶持力度不均衡、覆蓋范圍不全面、政策缺乏協調性等問題，未形成面向不同發展階段主體的差異化支持體系。基礎設施層面，中文高質量語料、跨模態數據、行業知識圖譜等基礎資源供給仍顯不足，制約了模型通用能力與多場景適配能力的系統提升。整體來看，支撐體系的缺口正在成為制約生成式人工智能產業化可持續發展的關鍵短板。

　　堅持問題導向，構建系統性支持體系

　　當前，生成式人工智能正處于由模型突破向系統性賦能轉化的關鍵階段，亟待政策體系與制度安排的同步演進。在此背景下，應堅持系統觀與問題導向，圍繞“夯實平臺能力基礎—推動融合落地—完善社會支持體系”的邏輯路徑因類施策，協同發力，加快構建與生成式人工智能相適應的新型產業體系和政策支持體系。

　　第一，在技術側培育平臺型通用能力，強化融合賦能機制。支持建設跨行業、跨模態的基礎模型和訓練數據體系，鼓勵形成“可嵌入、可重組、可演進”的通用生成引擎。推動模型壓縮優化、異構部署與邊緣計算適配，提升模型的輕量化與場景適應能力。

　　第二，在產業牽引側因類施策，推進融合落地與生態協同。推動生成式人工智能在制造、農業等傳統行業中的數字基礎建設與關鍵場景應用，解決“不愿用、用不起”等現實問題。支持新興產業深化生成式人工智能場景應用，推動多技術融合，激發大中小企業融通發展活力。引導前沿產業以生成式人工智能為引擎開展跨界預研與愿景孵化，培育未來增長極。

　　第三，在社會體系支持側完善基礎保障與促進能力。健全科技金融服務，完善算力券、數據券等創新工具的發放機制與政策協同機制，形成政策合力。推動公共數據與算力平臺開放共享，提升中小機構生成式人工智能技術可及性。優化跨學科教育體系，加快培養應用型人工智能人才。加強用戶教育和社會引導，構建共建共享的生成式人工智能應用生態。

　　（陳海鵬 作者系上海市科學學研究所副所長、正高級工程師）