時至今日，人工智能技術和算法依然面臨落地應用方面的種種困難。展望未來，讓企業用上并用好人工智能，讓企業的人工智能應用可持續，是人工智能技術和算法在產業領域落地應用至關重要的環節。

　　中國工程院劉合院士研究團隊在中國工程院院刊《中國工程科學》2022年第6期發表《我國企業人工智能應用現狀與挑戰》一文。文章著眼我國AI產業的健康可持續發展，從企業AI應用落地的實際案例出發，梳理業界現狀、剖析發展挑戰、探討根本原因、提出應對策略。企業AI落地應用的復雜性表現在業務需求、數據、算法、基礎設施、配套方案等多個維度，應用成熟度取決于數據的準備程度及治理水平。在國家宏觀層面，有必要構建更友好的AI產業生態環境，促進AI全產業鏈協同發展;以更有力的具體舉措支持AI產業的技術研發，特別是全棧AI、AI基礎平臺及工具體系、AI根技術等，提高我國AI核心技術的自主可控能力;鼓勵企業積極實施數字化轉型，采用AI技術進行智能化升級，形成AI產業技術研發、企業AI落地創新的強耦合及雙向循環。

　　一、前言

　　當今世界正在經歷數字化技術驅動產業變革的發展過程，人工智能(AI)、大數據、物聯網、云計算、第五代移動通信等也在重塑創新版圖和產業鏈分工。國家高度重視這一發展趨勢，發布了《新一代人工智能發展規劃》(2017年)，旨在促進AI技術和產業高速發展，加速滲透到更多應用領域，進一步擴大關聯產業規模;支持AI和實體經濟深度融合，建設數字中國、智慧社會，推進數字產業化和產業數字化，形成具有國際競爭力的數字產業集群。蓬勃發展的AI產業，為AI領域“產學研”合作創造了機遇，也在技術創新和落地應用方面提出了新的要求。

　　AI是借由人工制造的計算機來表現人類智慧的技術，經歷了數十年的發展和沉浮。2000年以來，以深度學習為代表的統計學習方法顯著增強了AI算法的通用性，提升了各項基礎任務的應用性能，創造了將AI算法應用于大量實際問題的機會;過去10年里，AI技術的革新深刻改變了社會生產和生活方式，逐漸催生了AI產業。然而時至今日，AI技術和算法依然面臨落地應用方面的種種困難，也就引發了我們的思考：要想真正讓企業用上AI、用好AI，讓企業的AI應用可持續，學術界、產業界需要聚焦解決哪些事情，應當如何協同以有效實現算法落地?

　　本文著眼于我國企業AI應用的落地及可持續發展，就面臨的挑戰、潛在的解決方案提出構思。從AI應用于生產的實際案例出發，梳理業界發展現狀及存在的問題，剖析AI產業發展面臨的迫切挑戰，據此探討成因及應對策略，以期為我國AI產業健康發展提供基礎參考。

　　二、人工智能發展的總體現狀和趨勢

　　(一)人工智能技術發展態勢

　　自1956年概念提出至今，AI的發展經歷了3次浪潮。

　　① ç¬¬ä¸€æ¬¡æµªæ½®ï¼ˆ1956—1974年）是AI的誕生時期，重在讓機器具備邏輯推理能力，開發的計算機可解決代數應用題、證明幾何定理、學習并使用英文程序;研發了首款感知神經網絡軟件和聊天軟件(即時通訊軟件)。

　　② ç¬¬äºŒæ¬¡æµªæ½®ï¼ˆ1980—1987年），AI變得更為實用，可解決某些領域特定問題的AI程序(“專家系統”)開始獲得企業應用;知識庫系統、知識工程成為當時研究的主要方向。

　　③ ç¬¬ä¸‰æ¬¡æµªæ½®ï¼ˆ1993年至今），計算性能的基礎性障礙被逐步克服，“智能代理”范式獲得廣泛接受；深度學習的理論突破使得AI技術發展超越了研究人類智能的范疇。互聯網、云計算、大數據、芯片、物聯網等新興技術為AI技術的發展提供了充足的數據支持與算力支撐，以“AI+”為代表的業務創新模式逐步成熟。從全球學術數據庫中遴選出的2011—2020å¹´AI領域十大熱門研究主題有：深度神經網絡、特征抽取、圖像分類、目標檢測、語義分割、表示學習、生成對抗網絡、語義網絡、協同過濾、機器翻譯。

　　AI產業可按基礎層、技術層、應用層進行劃分。基礎層主要指計算平臺和數據中心，如云計算平臺、高性能計算芯片、數據資源等，為AI應用提供數據支持與算力支撐。技術層指AI算法和技術，是AI產業的核心構成。應用層指面向特定產業和場景專門研發的產品及服務，是AI產業的自然延伸。制約AI產業發展的因素有很多，如數據質量、泛化能力、可解釋性等。本研究認為，企業AI落地應用是復雜的系統工程，主要制約因素是可解釋性。對于傳統的機器學習，特征提取由專家或富有經驗的人員手動完成，嵌入了大量的專業知識;雖然提取的特征可能不夠全面，但因其良好的可解釋性而備受學術界的推崇。深度學習的特征提取則通過神經網絡自動完成，因無需專家參與而減少了人為干預，對特征的提取通常也更為全面。然而，以深度學習為主的神經網絡模型無法給出合理的特征解釋;如果AI不能理解知識或行為之間的深層邏輯，在采用已有模型去應對未知變量時就很容易引起模型崩塌。因此，企業AI落地應用的關鍵在于將長期積累形成的專家知識融入AI模型，據此構建知識與數據融合的神經網絡模型，從而提高模型的可解釋性和泛化能力。

　　(二)人工智能的國內外進展

　　AI發展的經濟社會意義正在成為世界多數國家的共識，一系列AI發展戰略和計劃相繼提出并得到快速更新。各國積極設立AI研究機構，引導研發投入并注重人才培養，建設算力和數據基礎設施，提高平臺和資源應用水平，制定行業應用政策法規，以期為AI應用發展創造良好的環境。例如，美國國家科學技術委員會發布的《國家人工智能研究和發展戰略計劃：2019年更新版》，突出了AI研發投資的優先事項，聚焦領域前沿的快速發展。歐盟委員會通過了《人工智能法》提案(2021年)，旨在構建值得全球信賴的AI中心，加強歐盟范圍內AI的使用、投資和創新活動。

　　在我國，AI技術持續創新和突破，AI資源持續優化整合，AI產業結構逐漸完善。

　　① 近年來，我國的AI相關專利申請數量居世界首位，增速明顯高于其他國家;我國學者在國際一流會議和期刊上發表的論文數量穩步增長，成為AI社區的重要貢獻力量。

　　② 建立AI計算中心和創新中心，面向產業需求提供基礎數據資源、計算資源、關鍵算法服務，顯著降低了中小型企業的研發成本和行業準入門檻，帶動了AI“產學研”協同創新;國產AI開源學習框架和開源軟件不斷豐富，昇思、飛槳等開源框架加速了行業技術創新。

　　③ AI為企業數字化轉型升級提供了源動力，智能產業加速創新發展，智能機器人、智慧城市、智能交通、智能制造等方向發展迅猛，以行業深化應用為眾多企業帶來了實際價值;總結數百個企業項目的實踐后發現，AI算法進入核心生產系統的比例接近30%，將AI引入核心生產系統后帶來的效率提升平均超過18%。

　　三、我國企業人工智能應用的典型案例

　　在我國，隨著相關技術的不斷演進，AI算法逐步從實驗驗證走向企業落地。例如，以華為云計算技術有限公司為代表的AI企業，已將AI落地應用于能源(如智能勘探、生產巡檢、智慧加油站)、城市治理(如智能辦公 / 辦事、政務智能熱線)、交通運輸(如智慧高速、智能網聯、城市交通治理)、工業制造(如工藝優化、優化控制、工業視覺)、醫藥醫療(如醫學影像、臨床輔助、藥物研發)、銀行與金融(如智能風控、智能營銷、智能雙錄)等垂直領域。無論是交通運輸、工業制造等面向企業的服務，還是智慧醫療、互聯網等面向個人的應用，AI算法都正在或者已經進入核心生產流程，在創造價值的同時也伴生新的問題，反哺和驅動了AI算法研發。

　　(一)智能油氣勘探

　　智能油氣勘探是AI算法在能源產業落地應用的重要場景之一，可以認為AI算法深刻地改變了這一行業。在智能化，碳達峰、碳中和目標的時代背景下，石油勘探開發領域的智能化轉型是能源行業極為核心而又無法規避的發展模式。這是因為，隨著石油資源品質的不斷劣質化，油氣資源開采的難度持續加大，開采成本逐年攀高;拋棄“儲量為重”的舊觀點，樹立“數據為重”的新理念，加大數據挖掘力度并提升數據價值，是油氣勘探開發面臨的新挑戰;數據、算力、算法、場景“四位一體”，共同驅動AI技術在石油勘探開發領域的“以點帶面”式應用。

　　近年來，AI技術已逐步應用于石油勘探開發中的沉積儲層研究、測井解釋、物探處理、鉆完井、油藏工程等多個方向，取得了一定的進展。

　　① 在沉積儲層研究方面，一些學者借助巖心圖像的智能分析手段實現了沉積儲層的精準量化，工業應用效果良好且應用潛力突出。

　　② 在測井方面，部分石油企業、科研機構利用機器學習、深度學習，在曲線重構、巖性識別、儲層參數預測、油氣水層識別、智能分層、成像測井等方面完成了基礎研究及初步應用。

　　③ 在物探方面，利用目標檢測、圖像分割、圖像分類等計算機視覺技術，實現了構造解釋、地震相識別、地震波場正演、地震反演、初至拾取、地震數據重建與插值、地震屬性分析等地震數據處理解釋。

　　④ 在鉆井AI應用方面，主要體現在井眼軌道智能優化、智能導向鉆井、鉆速智能優化等。

　　⑤ 在油藏工程方面，利用精細分層注水“硬數據”，實現了數據驅動下的油氣水井智能注水優化，有效提高了采收率。此外，基于循環神經網絡的產量預測、生產措施智能優化等應用點上也取得了初步效果。

　　具體來看，巖石薄片智能鑒定是計算機視覺技術在巖心分析上的代表性案例。傳統薄片鑒定依賴于巖礦鑒定專家在顯微鏡下的目估觀察，存在鑒定效率低、人員數量不足、鑒定結果不易精準量化等不足。巖石薄片智能鑒定通過收集并標注海量的薄片圖像，建立深度學習所需的標簽樣本庫;利用計算機視覺技術構建巖石顆粒分割、礦物成分鑒定、孔隙結構分析、巖石結構分析等智能模型，使鑒定結果更加直觀、量化、精準(見圖1)。智能分層注水是AI在油氣田開發應用方面的另一個典型案例，作為第四代智能分層注水技術，利用注水開發中的“硬數據”，結合計算幾何、形態學等技術來優化生產參數，實現數據驅動的油氣水井智能注水優化;形成的水驅油藏流場識別技術，實現了注水效果的評價、分析、實時監測與智能控制，為注水優化、井網層系調整、深部調剖等提供了可靠的方案決策依據，顯著提高了采收率。

　　圖1　巖石薄片智能鑒定的部分結果

　　中國石油天然氣集團有限公司在“十三五”時期建設了認知計算平臺，相應的功能架構如圖2所示。平臺實現了多個重點場景應用，如地震初至波自動拾取、地震層位自動解釋、測井油氣層識別、抽油機井工況診斷、單井產量及含水規律預測等;在中國石油天然氣股份有限公司西南油氣田分公司、長慶油田分公司等企業進行了試點應用，取得良好效果，如地震層位智能解釋將人工解釋所需約1個月的工作量降至一周內，測井油氣層智能識別將解釋符合率提高了10個百分點且單井解釋耗時從1天壓縮至10 min。

　　圖2　中國石油認知計算平臺功能架構

　　注：GPU表示圖形處理器;FPGA表示現場可編程邏輯門陣列;CPU表示中央處理器。

　　也要注意到，雖然AI技術在石油勘探開發領域的應用穩健展開并不斷取得新進展，但較之于看圖識花、動作識別、智能修圖等通用技術領域，相應進展仍是較為緩慢的，技術研究與落地應用之間仍存在不小的距離，尚處于“知易行難”的發展階段。石油勘探開發領域的場景復雜，需要綜合利用測井、地震、遙感等手段進行多維度分析，具有系統工程特征，無法僅靠數據驅動的模型來解決問題，而通用技術領域的業務場景相對簡單且所見即所得，需要識別的對象也是常見物品。同時，石油勘探開發領域面臨嚴峻的數據質量問題，建模所用的數據多是處理解釋過的，存在小樣本、數據失真等情況;相比之下，通用技術領域的數據多為實時采集的大數據，各類公開數據集也為行業建模提供了豐富的數據來源。在研發生態方面，石油勘探開發等特定領域也相對薄弱;近年來開源的多種AI模型及代碼為AI建模提供了豐富的預訓練模型，但多是針對通用技術領域所構建，較難直接遷移到石油領域應用。

　　(二)智慧城市治理

　　城市是人類文明的重要標志、工商業發展的產物，也代表著人類對更高質量生活的追求。數字時代為城市所有物體、服務、空間的數字化提供了基礎。然而，不斷增加的主體與要素、快節奏的生產生活方式，對城市治理提出了更高要求。以AI算法為核心的“智慧城市”系統，在大規模算力、大數據技術的支持下，能夠有效鏈接建筑、學校、醫院、公共交通等城市要素，實現城市中各類場景的智能化決策。智慧城市的基本策略是將數據變成城市治理的資源，進而應用此資源賦能基層治理。

　　智能政務專線、城市交通治理是智慧城市的典型應用案例。

　　① 傳統12345熱線的服務范圍不斷延伸，導致客服人員壓力增加、服務效率降低。智能熱線方案提取政務法規、文件、內外部通知、工單等數據，建立包括事件、時間、地點、責任主體、解決措施在內的知識圖譜。利用知識圖譜相關算法，智能識別居民來電意圖，輔助人工坐席崗與居民進行高效交流，通過分析歷史訴求及處置情況來智能派單，形成“接得更準、分得更快、辦得更實”的熱線服務模式。在試點城市，整體派單效率提升超過50%，工單處置周期縮短20%以上，大幅改善了工單辦結的滿意度。

　　② 早晚高峰是城市交通面臨的巨大挑戰。為了緩解路網壓力增大造成的調度困難，智能調控信控方案利用電子警察解析的結構化數據，分析各路口車流規律并結合交警人工經驗進行配時建模;在構建路口流量、綠燈空放等目標函數的基礎上，將交通知識的數學描述以約束條件的形式整合到最優信控配時的建模過程。在試點城市，實現了主干道平均車速提升18%，道路排隊溢出次數下降20%，早高峰提前10~15 min消散，顯著緩解了早晚高峰的交通擁堵現象。

　　智慧城市治理是AI算法面臨的極大挑戰。城市治理場景復雜且變化迅速，對AI算法的高級指標(如通用性、可遷移性等)提出了更高要求。城市治理需要結合圖像、語言、語音等多種模態的數據，也契合了未來AI算法朝著多模態方向發展的趨勢。然而，當前的AI算法在靈活度、魯棒性等方面距離實際應用還存在不小的差距，往往需要進行針對性研發以適應不同的場景，導致開發及應用成本居高不下，也就難以規模化、規范化地“復制”到其他城市中去。

　　四、基于案例實踐促成企業人工智能應用的若干關鍵要素分析

　　(一)人工智能的科學研究和需求驅動同樣重要

　　AI作為通用目的技術，現階段在企業應用落地時產生了新穎而積極的成效，但也面臨著諸多問題和挑戰。目前，AI算法缺乏規范性，開發效率較低，這是因為不同行業和企業的數據模態、數據體量及質量、硬件環境等均有較大差別。在傳統的開發模式下，AI算法在場景之間的遷移能力差，開發者往往需要針對不同場景分別設計神經網絡結構、執行特定的優化與部署流程;缺乏統一規范的開發模式，開發出的算法也無法滿足泛化性、魯棒性、安全性、可解釋性等要求。解決這些問題，需要從科學研究、企業應用落地兩方面同步著手。

　　1. 依據企業技術需求進行AI算法的迭代演進

　　從訓練數據的角度看，大數據時代的絕大部分數據都沒有標注信息。例如，從互聯網公開領域獲取的數據中，具有語義標簽的數據占比低于1%;為了充分利用這些數據以提升大模型的質量，需要構建高效的自監督學習算法。雖然學術界提出了針對圖像、文本等特定模態的自監督學習算法，但訓練效率有限、訓練所得模型的能力難以評估。不同模態數據之間存在差異性，也使得從圖像、文本等數據中學習的語義知識難以在同一語義空間中對齊。需要設計跨模態的模型訓練和評測方案，擺脫對模型體量的盲目追求，讓大模型不再依賴下游任務而是根據自身對數據的理解能力進行評測，這樣才能解決AI落地過程中的模型生產問題。

　　從模型的角度看，深度學習的重要障礙在于模型的泛化能力和可解釋性。當模型遇到不在訓練數據分布范圍之內的測試樣本時，模型的效果會顯著下降，加之神經網絡模型通常無法解釋自身推理過程，使得專業人員對模型預測結果持懷疑態度，也就限制了模型在實際生產場景下的應用。遷移學習、對抗攻防、激活單元可視化等技術研究盡管取得了一定進展，但距離魯棒、可泛化、可解釋的AI算法尚有距離。

　　鼓勵學科交叉研究，推動AI與其他學科融合，以雙向互促實現協同發展。將AI算法應用于其他學科的前沿研究(如醫學影像、生物制藥、科學計算等)潛力巨大，但對AI算法提出了更高要求。例如，科學計算區別于與傳統的AI應用場景，AI算法設計面臨輸入數據是否完備、數據量是否充足、計算架構是否合理等實質性挑戰，解空間的復雜度極高。因此，AI算法需要具備處理不確定性數據的能力并與知識計算、自動機器學習等算法相結合，才能輔助各學科的科學家探索未知領域。

　　2. 在技術體系與架構設計中有機結合場景、算法和平臺

　　基于深度學習的AI算法需要大量的計算資源，訓練成本較高。企業在技術體系與架構設計中，應追求與AI行業有機結合，在云端部署大模型，合理規避基于通用數據訓練模型的過程;配合高效工具鏈，以較低的成本在私有數據上驗證大模型，便于將模型部署到端側和邊側設備，從而降低使用成本。這一發展方式才能讓更多的企業受惠于AI算法。

　　AI作為新興的交叉學科，關鍵基礎源自計算機科學的細分領域。將AI算法落地到企業應用，需要不同類型的人員緊密配合：具備AI專業級技能的算法開發者和架構師，理解AI基礎邏輯的產品經理，接受AI應用理念的企業技術人員。應鼓勵AI培訓深入企業，通過實際案例提高企業技術和管理人員對AI的深刻認知，從而創造良好的協同環境。

　　(二)以系統性思維推進企業人工智能應用落地

　　當前，企業界對于AI的認知水平參差不齊，許多企業甚至認為“AI就是算法”，忽略了“基礎設施”“配套方案”，使得AI應用落地的復雜度被嚴重低估，往往導致項目應用成效低下甚至失敗。實際場景具有需求多變性、數據多樣性的特點，往往需要結合領域專家的行業知識將多種模型進行組合，才能打通企業的業務生產系統。企業在實施AI應用時，需要建立系統思維，統籌考慮點 / 面、上 / 下、橫向 / 縱向維度的因素，確保“痛點清晰、步驟合理、量力而行”。在開發和應用階段都需堅持系統性思維，這對AI行業與企業的協同進步是極為必要的。

　　AI應用開發的全流程作為一項系統工程，其本質是將算法開發的流水線進行工程化，形成降本增效的應用場景；通過子流程的密切配合，形成小型閉環（見圖3）。其中，數據標注用于將數據集打上標簽以支持后續算法的訓練;數據處理對異常數據進行清洗和整理，通過數據增強和精煉等方式提高數據量;算法訓練開發新算法或者選擇已有算法，使用數據進行訓練已建立模型;模型評估基于測試數據集對模型進行評估，反復進行調優;應用生成對多個模型進行邏輯編排，指定輸入 / 輸出路徑;應用評估基于業務數據集開展進一步評估;部署推理包含應用的部署、監控和維護。例如，在監控和維護階段發現異常時，系統會將數據回流到數據標注環節，進行難例標注后補充異常數據，重新發起算法訓練。

　　AI進入企業核心生產環境也是一項系統工程，最重要的環節是行業機理模型與AI模型的結合。各個行業都有長期的專業積累，形成了涵蓋物理、化學、生物等知識表達，數量眾多的機理模型。為了在不同行業落地應用，AI算法應結合行業知識、企業專有數據，完成通用到專用的轉變。在此過程中，應緩解通用數據與行業數據之間的領域鴻溝，支持大模型與各類行業知識庫的整合，降低大模型在各個行業的微調成本。

　　應用系統工程的方法論，開展需求分解、架構設計、系統開發、集成驗證，形成端到端的解決方案。以某企業落地的工業優化控制項目為例，AI系統依托云端計算平臺，以容器化部署方式對外提供服務接口;通過邊緣應用，完成工廠生產環境下生產作業系統數據接口的協議轉換，由此打通了AI系統與工廠生產環境舊系統之間的數據與指令交互;采取系統工程的可靠性設計方法，確保數據通道的安全性和穩定性，保障企業的安全生產。鑒于工業生產工況的復雜多變，數據驅動的AI模型可能遇到從未“見過”的工況，需要以“邊云”協同的系統能力建立反饋回路，從而對AI應用的異常結果進行監控和迭代。這種AI應用系統和企業業務系統的組合，可視為AI與核心生產系統融合的大型閉環。

　　圖3　AI應用開發全流程

　　注：MLOPS表示機器學習運維。

　　(三)為人工智能落地創造良好的協同發展環境

　　1. 切入明確的企業應用場景是成功應用的開端

　　發掘企業應用場景是AI落地應用的第一步。為了準確定位行業AI，需要深刻理解企業需求的場景業務狀況，清醒認識AI算法的能力及所能解決的問題。一個持續演進的良性循環反映在：多部門、多類型專業人員協作，針對具體的業務場景問題明確AI應用落地的邊界，以企業內 / 外部的數據治理及資產化水平來評估應用AI的可能性及潛在價值，以現有的企業知識來優化數據驅動的AI模型，在社會價值和商業價值的實現過程中補充并完善更多的數據。

　　企業AI應用場景可分為海量重復場景、專家經驗傳承場景、多域協同場景。通過場景化問題分析，可以找到問題邊界;通過行業知識引入，可以減少落地過程中的彎路，以此提高企業AI落地的質量。以智能油氣勘探為例，地震資料的采集、處理和解釋流程涉及數十個工序，而作為基礎和關鍵業務環節的地震層位追蹤，目前主要采用人工解釋的方式完成;大的地震數據量導致人工解釋工作十分繁瑣，而利用AI進行層位自動追蹤可大幅減少重復性的專業勞動，縮短勘探周期并節省勘探成本。

　　2. 企業數字化是AI成功應用的基礎

　　企業的數字化水平決定了數據要素的準備程度，這對AI應用落地的效果至關重要。以深度學習為主的AI技術對數據的依賴性很強，特別是面向行業場景，因公開數據集有限而需企業自身積累大量的數據，對信息化、數字化基礎能力提出了較高要求。在企業數字化轉型、智能化發展的過程中，及時構建統一的行業數據標準，為企業建立數據管理模式及信任機制提供基礎依據;逐步完善數據的知識產權保護和共享機制，避免強中心化帶來的“數據孤島”問題。

　　數據質量也是重要方面。如果數據管理分散、規范性不足，則需先期進行數據治理以形成符合要求的數據平臺和數據資產，隨后才能部署AI解決方案。以某供熱企業的智能化升級為例，AI上線至少有3個前置條件：

　　① 基礎數據的清理，從熱源、換熱站、機組、單元閥到室內溫采等一系列設備的參數，都要系統化地收集和建模;

　　② 至少1個供暖季的設備歷史運行數據、天氣數據等，作為AI訓練集和驗證集;

　　③ 針對歷史數據缺失的異常場景(如數據斷連、設備數據異常、閥門異常、極端天氣等)進行分析和進一步的仿真，獲得更豐富、更可靠的數據集。以高質量行業數據為代表的前置條件只有足夠充分，才能訓練形成完整的AI調控方案。

　　3. 通過中樞化建設促成AI應用場景的互聯互通并實現價值

　　中樞化建設是AI系統工程需要采用的模式。提前策劃在不同部門之間共建AI算法和算力，才能避免“各行其是”以消除重復建設與資源浪費;AI能力需從單點的算法匯聚至水平互通的中樞引擎層，以實現不同AI算法的共性能力復用和高效積累。換言之，通過中樞的算力底座解決物理資源的零散問題(如云計算的本質，就是將大量的零散算力資源進行打包、匯聚，實現更高可靠性、更高性能、更低成本的算力)，由中樞的引擎層來解決AI算法的局部性問題。將中樞化的思維和模式同時應用于場景問題定義、AI平臺建設等維度，才能將AI的應用價值從局部提升至整體。

　　以智慧城市建設為例，當前的多數問題都屬于由復雜關聯的局部問題造成的整體問題。AI在對應場景中的應用效果，很大程度上取決于應用場景的問題定義和建設模式。對于城市交通資源優化，如果局限于解決單一路口的擁堵問題，即使通過AI算法將問題求解到最優，也很難對城市的整體交通狀況、車輛在途率形成根本性的改善。針對這類問題，需要采取中樞化的建設思維，將視野從局部拓展到整體，才能夠將局部優化輻射到全局層面，從而驅動整個系統產生更大的價值。具體而言，在設計AI算法之前，率先考慮數據、資源、場景能否互通互聯；如果不能，需要優先解決互通問題，才能再考慮如何將AI應用于優化后的問題及系統。

　　城市運行“一網統管”是代表性的實踐案例。與單一管理部門應用場景不同，“一網統管”實質上是中樞化的建設模式，實現了多個管理部門的互通互聯;將原先只能局部閉環的城市問題，通過多部門協同尋求了更高效、更優化的處置方案。針對重新設計后的全局化問題，AI應用就從原先局限于特定事件的感知和發現，拓展到了通過知識圖譜挖掘跨管理部門事件的處置關聯性，從而精準推薦事件處置的措施和責任主體，達到處置效率、處置滿意度的全局優化。

　　(四)用發展的思維解決發展過程中的挑戰

　　AI技術的發展和應用是一個循序漸進的過程。如果對AI算法缺乏寬容，實際應用時一旦出現問題就導致信任危機，容易遏制技術的迭代和提升，也就帶來AI應用落地的額外阻力。宜采用發展的思維來看待AI企業落地過程中的問題和挑戰：既要給予發展機會和周期，也要在系統、流程、機制等方面提供支持，促成良性、可持續的能力演進。

　　列車運行故障動態檢測系統的應用場景具有代表性：采用列檢設備拍攝貨車底部和側部照片，通過審圖判斷貨車是否存在安全風險。列車速度極快、室外環境復雜，加之故障類型多達數百種，AI系統面臨在長尾數據上進行小樣本學習的困難。AI研發企業與鐵路科研單位合作開展了AI技術應用，經過迭代式開發和測試，使得誤檢、漏檢樣本快速進入系統，模型能力不斷提升，最終達到專家人工判讀的水平。在類似的發展過程中，更加開放地優化組織流程，讓行業專家與AI專家高效配合，應用主動學習等技術提升人工輔助效率，將顯著加速AI應用落地。

　　在過去的10多年，AI是發展最快的科技領域之一，這得益于業界在技術研究和產業落地之間的良性循環，即技術研究的成果為企業落地創造了可能性，而企業落地的收益反哺了AI技術研究。也要注意到，在深度學習爆發式增長10年后，AI技術研究逐漸進入深水區，易于攻克或提升的技術點越來越少;為了維系良性循環，應深入挖掘技術研究與產業落地的“結合點”。AI的應用旨在“減少重復勞動”“擴展人類知識邊界”，瞄準這一根本目標，保持技術研究和行業落地的緊密結合，才能兼顧技術實現與社會價值創造。

　　五、我國企業人工智能應用的發展建議

　　人類社會正在進入泛智能時代，在此關鍵時期，單項技術的重大突破、單一解決方案的深刻變化，都有可能改變各行業的競爭格局。種種跡象表明，當前正處于AI大規模落地應用的爆發前夕。世界范圍內的企業尤其是領軍企業，普遍重視AI，加大投入以緊跟潮流并獲得領先優勢。如果在布局階段錯失機遇，一旦馬太效應形成，后發者可能處于更為弱勢的境地。相應地，我國應高度重視AI產業發展，積極發布AI企業落地配套政策，引導國產AI根技術、基礎平臺、關鍵行業應用等層面的協調發展，以更好推動AI技術的產業集聚、促進AI與實體經濟的深度融合。

　　建議支持AI產業鏈發展，扶持全棧AI國產化，完善AI基礎平臺及工具體系，培育國產AI根技術，提高AI核心技術的自主可控能力。

　　① åŠ å¤§åº•å±¤æ ¹æŠ€è¡“的研發投入，構建算力、算法、數據三位一體的AI新生態，鼓勵企業、高校、社會服務等加速應用AI根技術;以核心產業主體多方共建的方式，積極構建具有國際有影響力、分布于若干行業的AI根技術應用體系，構筑AI企業應用的技術縱深。

　　② æ”¯æŒAI根技術持續創新，引導優勢企業開展AI根技術研發攻關，支持行業示范應用，促進國產AI大模型、框架、芯片等核心技術突破及產業化落地。③ 鼓勵優勢AI企業加速完善包括端到端的AI基礎平臺、工具鏈在內的AI共性支撐技術體系，實質性提高自主可控能力并形成一定的比較優勢。

　　建議支持企業積極采用AI進行智能化升級，形成技術研發和產業智能創新的雙向大循環。企業智能化所需的生產要素，如數據、算法、算力等，通常很難依靠單一企業來構建齊備。應建立科學合理的算力、數據、算法開放共享機制，持續開放并積累各行業的算法、模型、數據，促進跨企業的智能化協作，以要素的規模化提升企業AI應用的水平。

　　① 地方政府可借助新型基礎設施建設的發展機遇，新建或擴建包括AI計算中心(公共算力)、一體化大數據中心(數據共享)、AI創新中心(模型共享)在內的AI公共要素體系。

　　② 由企業、管理部門注入數據和應用需求，支持企業開展基于云計算、大數據的AI應用創新示范;鼓勵企業采用AI進行技術換代、流程再造、服務升級，形成自主技術研發和產業智能創新循環互促的發展格局。③ 制定相關標準，規范AI技術研究，以發展的思維積極應對AI落地過程中可能帶來的問題;完善與企業AI應用相關的法律法規和流程制度，促進產業智能化良性發展，防控潛在技術和社會風險。