丨
云服務
近年來，以人工智能（AI）為代表的新一代信息技術迅猛發展，深刻改變著全球經濟格局和產業發展模式。AI大模型（下文簡稱大模型）作為一項重大的新興技術突破，正引領新一輪技術變革與經濟版圖重構。隨著技術不斷進步，以 DeepSeek為代表的開源前沿大模型快速崛起，一場深刻的技術范式轉變亦在悄然進行。在新技術革命的浪潮中，大模型正從通用型向行業專用型演進，在金融、醫療、制造等垂直領域展現出更強的專業性和適用性。 2023年以來，阿里、華為、百度、字節等國內頭部企業紛紛發布自研大模型，通過提供先進算法、海量數據及強大計算能力，幫助各行業企業優化業務流程、提升運營效率和創新能力，為推動企業數字化轉型發揮了重要作用。通過構建專屬大模型、打造一站式 AI平臺、推動與傳統軟件融合、構建行業生態圈以及提供定制化服務等多種方式，正在為企業數字化轉型提供強有力的支持，展現出巨大潛力。
一、大模型推動企業數字化轉型實踐
（一）構建行業專屬大模型，提升特定領域智能化水平
國內頭部科技企業充分發揮在特定行業的優勢和積累，針對不同行業特點和需求，研發了一系列垂直領域大模型。由此，行業專屬大模型已成為諸多企業數字化轉型的戰略核心。通過深度融合行業知識圖譜、業務流程邏輯與多模態數據，打造出從“通用適配”向“深度賦能”演進的垂直領域大模型，形成“數據—場景—價值”的閉環生態。
例如，阿里云通義千問（Qwen）大模型通過“開源 +行業定制”雙輪驅動，已衍生出覆蓋金融、醫療、能源等領域的 9萬余個專業模型。在金融領域，其開源架構支持私有化部署，幫助銀行構建全行級智能知識庫，實現智能投研響應速度提升，并通過多模態文檔解析技術，提高財報分析效率。在能源領域，基于 Qwen2.0訓練的電力行業模型，賦能新能源科技企業打造“電力賬單智能助手”，使客戶服務效率提升 50%，投訴率下降 70%。百度智能云則以“工業大腦”為核心，推動制造業全鏈路智能化升級。其自主研發的飛槳深度學習框架與工業知識圖譜深度融合，支持低代碼開發質檢模型。如，在汽車零部件質檢場景中，通過定制化視覺檢測模型大幅提升噴油嘴瑕疵識別準確率，且顯著降低人力成本。在新能源領域，賦能電力行業企業構建“云邊協同”智能運維平臺，實現電網設備異常預警和智能調度，有效提升電網運行穩定性和能源利用效率，為電力企業數字化轉型提供了全方位的技術支撐與解決方案。
（二）打造一站式 AI開發平臺，降低企業應用門檻
科技浪潮奔涌，技術紅利持續釋放。為促進中小企業便捷使用大模型技術，國內多家科技平臺企業推出一站式 AI開發平臺，提供易用的開發工具、豐富的應用程序編程接口（API）和完善的文檔支持，有效降低企業應用大模型技術的門檻。例如，字節跳動火山引擎平臺推出 HiAgent開放平臺，整合了文本、圖像、語音等多模態大模型能力，企業通過簡單接口調用或可視化操作，可快速將 AI能力整合到業務系統中。此外，騰訊云推出的智能云平臺為企業提供從模型訓練到部署的全流程支持，助力企業靈活定制和應用大模型技術。一些國內主流云服務商通過“API接口 +開發組件 +場景模板”的創新模式，構建了從底層技術到上層應用的完整生態體系。以百度智能云為例，其千帆大模型平臺整合了文心一言、ERNIE-Bot等 42個國內外大模型，提供統一 API調用入口和標準化開發流程，使企業無需掌握復雜算法原理即可實現智能應用搭建。華為云盤古大模型開放平臺則創新性地推出低代碼開發環境ModelArts Studio和預置行業模板，通過“模型即服務”（MaaS）解決方案，顯著縮短了從技術到應用的轉化周期。中國信息通信研究院《人工智能發展報告（2024年）》顯示，一站式 AI開發平臺以其易用性、豐富性和完善性支持，顯著降低了企業應用大模型的技術門檻，助力各類企業尤其是中小企業實現數字化轉型的提速增效。
（三）推動大模型與傳統軟件的深度融合，提升企業整體效能
大模型與傳統企業軟件的深度融合正成為數字化轉型的新引擎，釋放從技術向生產力轉化的巨大潛能。國內科技企業積極探索，通過“能力下沉 +場景升級”雙向策略，將大模型智能化能力嵌入企業核心應用系統，形成從底層架構到業務場景的全面滲透，全面提升企業整體運營效能。通過將大模型嵌入辦公軟件、客戶關系管理系統、企業資源規劃系統等傳統軟件，實現更智能化的辦公協作、客戶服務和資源調配。例如，阿里巴巴旗下釘釘與通義千問大模型深度整合，實現了從“工具型”到“助手型”辦公環境的進化升級。在文檔處理方面，其智能摘要功能可對文檔進行結構化歸納。智能會議紀要能實時捕捉關鍵決策點并自動形成行動項，有效提升會議效率。釘釘“Agents協作網絡”打通組織內部信息孤島，實現跨部門數據智能調用與協同，為企業構建了自適應式高效協作新范式。百度智能云則以“云 +AI+應用”一體化戰略，將文心一言大模型無縫接入傳統企業軟件生態。在客戶服務領域，其基于行業大模型構建的智能客服系統已服務眾多企業，覆蓋金融、零售等多個行業，顯著提升解決問題準確率與一次性解決率。在企業資源規劃方面，百度與 SAP、金蝶等頭部 ERP廠商合作，將智能預測與優化算法融入供應鏈管理模塊，為制造業客戶提供庫存周轉與采購管理優化方案。騰訊云則通過“微信（WeChat）生態 +企業微信 +大模型”三位一體的融合方案，幫助零售行業打通線上線下全渠道運營與客戶互動，輔助各類連鎖品牌提升客戶轉化率及復購率。從簡單的技術疊加迅速轉變為跨技術之間的深度融合，高質量重塑企業數字化架構，為企業打造可持續競爭優勢夯實基礎。
（四）構建行業生態圈，加速大模型跨界融合與創新應用落地
協同共創，生態共贏。企業間通過構建開放協同的行業生態圈，正全面加速大模型技術的創新應用與產業滲透。國內頭部科技企業紛紛采取“平臺賦能 +伙伴共創”并驅協同，通過行業聯合實驗室、開發者社區、開源框架等多元合作機制，構建從技術創新到應用落地的完整生態鏈，實現大模型技術與垂直行業知識的深度融合。例如，百度智能云依托“飛槳（PaddlePaddle）”開源框架與文心大模型開放平臺，構建了覆蓋金融、醫療、能源等十余個重點行業的大模型應用生態。在金融領域，聯合建設的“智能金融聯合創新實驗室”已助力多家銀行構建智能風控與反欺詐系統，有效降低不良貸款率與風險事件發生概率。在醫療健康方面，通過與三甲醫院合作訓練的專科大模型，提升了罕見病識別準確率與治療方案推薦精準度，為精準醫療提供有力支撐。阿里云則以“模型中臺 +行業 SaaS”戰略，打造以通義系列大模型為核心的產業數智化生態。 在制造領域，其“靈犀工業大腦”已覆蓋鋼鐵、化工等流程制造企業，通過工藝參數智能優化與設備健康管理，顯著提升生產效率與能源利用率。 在零售領域，基于消費者畫像與智能選品算法的全域數字營銷解決方案，幫助傳統零售企業構建“人貨場”全鏈路數字化能力。華為云以“鯤鵬+昇騰+盤古”全棧自研技術為基礎，構建“云邊端”協同的大模型應用生態。通過“昇騰伙伴創新中心”，聯合上下游產業鏈企業探索大模型在智慧城市、智能電網等復雜場景中的規模化應用，形成了一批可復制、可推廣的行業解決方案與最佳實踐。從點狀創新向系統性變革轉變，各行業生態圈正加速大模型在垂直領域的深度應用，為企業數字化轉型提供創新動能與實踐路徑。
（五）提供定制化訓練和微調服務，打造企業差異化智能核心
量身定制，精準賦能。大模型的真正價值在于對企業專有知識與業務邏輯的深度理解與精準應用，定制化訓練與微調服務正成為連接通用模型與企業特定需求的關鍵橋梁。大模型服務商通過提供深度定制與精準微調服務，正在為企業打造獨具競爭力的智能決策引擎，釋放數據資產價值的深層潛能。國內領先 AI技術提供商圍繞“專業數據+模型進化+場景落地”三位一體架構，構建從預訓練、專業調優到智能部署的全周期服務體系，幫助企業將行業積累與業務數據轉化為不可復制的智能資產，實現從通用智能向專業智慧的跨越。例如，智譜 AI依托自研 GLM（Generative Language Model）系列大模型與行業知識融合技術，構建面向行業的定制化服務體系。推出的“悟道”混合專家模型（MoE）技術，通過有機融合通用能力與垂直領域專業知識，有效激發專業場景下模型表現的潛能。在金融領域，智譜華章的 GLM-4 AI大模型在 Super CLUE-Fin中文金融大模型基準測評中榮獲 A級評價，位列國內第一梯隊。其與多家銀行和證券機構合作開發的智能合規審查與風險預警系統，通過大數據分析和機器學習技術，實時識別企業運營中的合規風險并進行量化評估，為金融機構提供了高效的合規管理工具，顯著提升了風險識別效率和準確性。出門問問憑借智能語音交互技術，在車載場景實現深度應用。通過與大眾汽車合資成立大眾問問公司，開發了經過車規級測試的前裝車載語音系統，支持離線和在線混合方案，為智能駕駛提供穩定可靠的語音交互體驗。第四范式以決策智能為核心，推出面向金融和保險行業的 AI定制服務。其“先知 AI平臺”已在多家銀行和保險機構落地應用，通過針對性訓練和優化的模型，為金融機構提供包括客戶流失預警、精準營銷和風險控制在內的智能決策支持，顯著提升客戶運營效率和準確性。深度求索（ DeepSeek）專注開發者工具領域，推出 DeepSeek-Coder代碼生成模型。作為開源且低成本的代碼輔助方案，該模型支持代碼補全、調試及多語言生成，性能對標國際領先水平，為軟件開發企業提供高效的智能編程輔助工具。
二、大模型賦能企業數字化轉型面臨的挑戰
隨著企業數字化轉型需求日趨迫切，也加快了轉型步伐，而 AI大模型已成為這條“轉型之路”中驅動創新、提升效率、完成目標的關鍵技術力量。然而，大模型并無“點石成金”之妙法，相當多的企業在嘗試規模化 AI價值實現時面臨重重阻礙，絕大多數組織、實體及團隊在新興 AI技術與現有業務系統集成過程中遭遇挑戰。技術基礎設施不足、數據治理薄弱、專業人才匱乏、變革管理困難及倫理與合規風險等障礙相繼顯現，一些挑戰已超越純粹技術范疇，不是微觀層面可及可解之癥，然而又深刻影響著組織架構調整、企業文化重塑和戰略規劃革新等根本性變革進程，為企業充分釋放大模型在數字化轉型中的潛能設置了重重考驗。
（一）技術適配仍存困境，傳統架構與AI革新尚存深層次沖突
一是技術壁壘已成首要挑戰，傳統企業架構與大模型技術存在結構性不兼容。傳統 IT基礎設施缺乏必要的彈性和可擴展性，無法滿足 AI大模型對計算資源的密集需求，且技術更新速度加快使企業難以跟上轉型步伐。二是“歷史技術債務”阻礙現代 AI架構整合。大模型技術需要包括分布式計算、高性能存儲和高速網絡等高性能計算基礎設施和復雜技術棧支持，由此需要企業進行大量技術投入和長期系統改造。三是專業技術能力短缺制約大模型應用落地。傳統 IT團隊中較為缺乏大模型的部署維護、性能調優和故障排除等需要的專業技能和特殊支持。四是技術生態系統協調難度大幅提升。企業需要構建支持大模型與現有業務系統良好交互的技術環境，同時確保數據流通、安全合規與性能平衡，故進一步對企業的全棧技術治理能力提出了全新挑戰。五是技術標準與接口規范尚未成熟。大模型應用領域的技術標準仍處于快速演進階段，缺乏穩定統一的接口規范與評估體系，使企業在技術選型和長期規劃上面臨較大不確定性，增加了技術適配的復雜度。
（二）數據鴻溝亟待跨越，質量缺陷與治理缺位制約 AI價值釋放
一是“數據孤島”現象普遍存在，阻礙大模型獲取全面訓練資源。企業數據分散存儲于不同系統和部門中，缺乏統一標準和集成機制，導致大模型難以獲取完整、一致、結構化的訓練和應用數據，嚴重影響模型效能發揮。二是數據質量問題層出不窮，影響模型訓練效果和推理準確性。“垃圾進，垃圾出”（Garbage In, Garbage Out）是業內有關數據質量對于數據分析和模型效果的最基本的常識性認知。目前，僅有極少數企業擁有可被 AI模型直接使用的數據準確度。企業現有數據存在不完備、不準確、欠優質和時效性差等多種缺陷，而垂直行業專業數據的匱乏更制約了大模型針對特定業務場景的優化適配。三是數據治理機制嚴重缺位，加劇數據應用風險。大多數企業尚未建立完善的數據治理框架，缺乏清晰的數據所有權、責任分配和質量管控流程，無法為大模型提供高質量的數據支持。四是數據安全與隱私保護挑戰日益嚴峻。企業數字化轉型過程中需處理大量敏感數據，但缺乏有效的安全策略和隱私保護機制，這不僅增加了合規風險，也削弱了員工和客戶對 AI系統的基本信任。
（三）“人才赤字”日益凸顯，專業技能短缺與知識更新滯后阻礙轉型步伐
一是復合型人才較為稀缺，多學科交叉知識需求難以得到滿足。大模型應用要求從業者同時掌握機器學習、深度學習、自然語言處理及特定業務領域在內的多層次專業知識，兼具跨學科應用能力的人才供給尚有不足。二是技術學習曲線陡峭，內部人才培養面臨重重挑戰。現有技術人員需快速掌握大模型相關技術，而掌握這類技術需要堅實的理論基礎和豐富的實踐經驗，現有企業培訓體系往往難以有效支持員工能力的全面提升。三是技術迭代速度加快，知識更新周期顯著縮短。大模型技術演進迅猛，知識半衰期急劇下降，傳統培訓方式已無法滿足持續學習需求，使企業技術團隊面臨日益擴大的知識鴻溝。四是“翻譯者”角色缺失，技術與業務融合存在斷層。企業急需能深刻理解行業特點與業務流程，同時熟悉 AI能力邊界的橋接人才，在技術與業務部門間建立有效溝通，以確保 AI解決方案真正滿足業務需求。五是人才競爭日趨白熱化，中小企業面臨嚴峻招聘困境。頂尖 AI人才爭奪激烈，成本不斷攀升，傳統行業和中小企業缺乏足夠吸引力，難以建立并維持穩定的專業團隊，最終制約企業轉型深度廣度。
（四）組織慣性普遍存在，變革管理與企業文化調適面臨“免疫反應”
一是固有思維模式與AI驅動工作方式存在根本沖突。企業長期形成的運營模式、工作流程和決策機制往往與 AI 系統依賴算法、缺乏情境判斷的特性產生顯著張力，導致變革推進舉步維艱。二是員工心理抵觸構成變革落地的關鍵障礙。員工普遍存在職業安全焦慮和對技術學習的畏難情緒，若得不到有效疏導，將嚴重阻礙大模型在企業中的應用推廣與價值實現。三是中層管理者角色轉型面臨適應困境。在 AI 時代，管理者從傳統指令發布者轉變為賦能者和協調者，這種角色轉變要求全新的領導技能和思維方式，這對大多數傳統管理者構成重大挑戰。四是企業文化轉型需長期系統推動。大模型的成功應用依賴數據驅動、創新開放、容錯學習的文化氛圍，對于根深蒂固的層級式、封閉式企業文化而言，此類轉變需自上而下的持續變革與組織共識的持續重塑。五是跨部門協作機制不足，制約變革的整體協同。大模型應用通常需要多部門共同參與和資源共享，而傳統組織結構和激勵機制往往強化部門壁壘，阻礙了變革所需的跨界合作與信息流動。
（五）價值評估難度巨大，商業回報量化難題與規模化落地瓶頸并存
一是價值實現路徑復雜，傳統評估方法難以適用。大模型應用影響因素多元，時間周期長，難以建立清晰的投入產出因果關系，尤其當涉及客戶體驗改善、決策質量提升等難以直接量化的價值時，評估難度更為突出。二是投資回報期延長，與短期業績壓力形成矛盾。從初始投入產生顯著業務成果可能需要數月乃至數年，與企業特別是上市公司追求季度業績的期望產生結構性張力，增加了資源持續投入的不確定性。三是從試點到規模化應用存在轉化障礙。企業常能實施局部 AI試點，但推廣至整體組織時面臨技術擴展性、性能穩定性、跨部門協作與資源優化等多重挑戰，導致創新難以實現規模效應。四是價值分配機制不合理，影響多方參與積極性。大模型應用通常涉及多部門協作，缺乏公平的投入成本與產出價值分配機制，可能導致部門間合作不暢，制約整體應用效果。五是評估指標體系不完善，難以全面衡量大模型貢獻。傳統以成本節約和收入增長為核心的評估體系，無法充分捕捉大模型在流程優化、風險防控、決策支持等方面的隱性價值，亟須構建更加全面的多維度評估框架。
（六）治理倫理矛盾突出，數據安全與負責任 AI應用的平衡考驗加劇
一是數據合規風險日益凸顯，法規要求不斷趨嚴。企業難以在保證創新與滿足數據保護法規間找到平衡點，數據權限管理復雜，合規成本高昂，且缺乏統一標準導致跨區域業務受阻。二是“黑盒”特性造成信任難題。大模型決策過程不透明，企業無法向客戶和監管機構充分解釋 AI判斷依據，特別是在金融、醫療等高風險領域，這種不可解釋性成為應用阻礙。三是公平性與偏見問題威脅企業聲譽與品牌形象。大模型輸出中的潛在歧視性內容可能引發公關危機，部分企業缺乏有效工具識別和消除偏見，修正成本高且難以徹底解決。四是責任歸屬界限模糊，增加企業治理復雜度。責任劃分不明確增加法律風險。AI系統造成損失時，企業面臨責任歸屬困境，保險機制不健全，相關司法實踐目前暫有空缺，關鍵應用決策將步履維艱。五是治理體系建設滯后制約規模化應用。企業普遍缺乏成熟的 AI治理框架，內部缺少專職倫理委員會，決策流程不明確，監督機制暫未完善，無法有效管控大模型應用帶來的多維度風險，限制了技術價值的充分釋放。
（七）技術認知偏差明顯，克服模型“幻覺”與構建人機協同新模式迫在眉睫
一是認知偏差形成技術應用壁壘。大模型輸出的“幻覺”現象本質上是其統計學習范式與確定性知識表征之間的內在矛盾，如若對此認知不足導致風險評估失準，缺乏有效的不確定性量化與輸出驗證機制，將造成企業決策系統脆弱，且不可靠性場景應用增加帶來深度危機。二是人機協作模式亟待重構，傳統工作流程不再適用。傳統人機交互模式建立在工具屬性假設基礎上，而大模型作為具有一定自主性的智能體，其與人類的協作需要建立新型的分布式認知框架，這種范式轉換缺乏成熟的理論指導與系統化的方法論，使企業在實踐中難以較好設計協作流程。三是認知適應機制面臨根本性轉變挑戰。員工習得性思維定式與新型人機協作所需的元認知能力間存在“技能層面”和“深層次認知模式”上的顯著差距，企業現有培訓體系恐難有效支持這一轉變。四是“技術至上主義”傾向明顯，忽視人類獨特價值。技術能力邊界認知模糊導致資源錯配。大模型能力與人類認知能力在本質上具有互補性而非替代性關系，部分企業能否對此有清晰且足夠的認識將決定其資源配置與任務分配的適當性，處理有偏將無法充分發揮人機各自優勢，最終降低整體系統的效能。五是人機信任關系建立面臨挑戰，相互適應過程漫長。人機信任形成過程涉及可靠性驗證、能力校準與信任修復等多維度機制，當今企業普遍缺乏系統性的信任建構框架，人機協同系統中的信任度不足或過度信任，勢必阻礙協同效率的持續提升。
三、大模型賦能企業“新質能力”，推動數字化轉型高質量發展的政策建議
當前，我國在大模型的產業化應用和場景落地方面更具獨特優勢，科研實力與成果產出正呈“井噴式”增長。同時，龐大繁雜的數據資源和較為完整的產業鏈，為大模型技術的快速落地和規模化應用提供了一定的有利條件。應充分發揮自身優勢，精準施策、合理布局、系統推進，加速大模型與實體經濟深度融合，全面賦能企業數字化轉型，打造 AI時代產業競爭新優勢，為構建新發展格局、實現經濟高質量發展注入全新動能。
（一）健全技術基礎設施，構建創新友好的數字生態環境
一是加快推進新型基礎設施建設。優先發展高速互聯網、5G/6G網絡和邊緣計算設施，提升數據傳輸與處理能力，為大模型應用提供堅實技術基礎。二是完善國家算力布局。統籌區域平衡與資源優化，建設分布式算力中心，降低中小企業 AI應用門檻，實現算力普惠化。建議設立企業 AI基礎設施升級專項資金，支持企業更新改造傳統 IT系統。三是支持開源社區發展。建立* AI開源平臺，鼓勵企業、高校和研究機構共享模型、數據和工具，形成創新協同效應。四是推動標準體系建設。制定大模型接口標準和評估體系，增強跨系統互操作性，降低技術集成成本。
（二）優化數據要素流通，促進價值安全高效釋放
一是完善數據分級分類制度。建立統一的數據分類標準和管理規范，明確數據開放邊界和使用條件，實現數據價值最大化與安全合規平衡。二是探索數據要素市場機制。支持建設第三方數據交易平臺，規范數據定價與交易流程，有效保障供需雙方的數據權益。三是推進數據共享協作機制。鼓勵行業內企業建立數據合作聯盟，通過聯邦學習等技術手段，在保護隱私的前提下實現數據協同利用。四是強化數據資源優化配置。制定國家數據戰略，統籌各類數據資源，推動公共數據開放共享，為企業 AI應用提供高質量數據支持。
（三）加強人才培養體系，打造多元復合型人才梯隊
一是完善 AI人才教育體系。將 AI知識納入各級教育課程，支持高校設立跨學科 AI專業，培養具備技術能力和行業知識的復合型人才。二是建立校企協同培養機制。鼓勵企業與高校共建實訓基地和聯合實驗室，推動理論與實踐相結合，增強人才培養針對性。三是支持繼續教育與技能提升。設立 AI技能培訓專項基金，資助企業員工參與 AI技術培訓，推動在職人員能力轉型。四是優化人才評價與激勵機制。改革科技人才評價體系，強調創新成果與實際應用貢獻，為 AI人才提供有競爭力的薪酬與發展空間。五是吸引國際頂尖人才。簡化高端 AI人才引進程序，提供稅收優惠和居留便利，增強中國在全球范圍內的人才競爭力。
（四）創新組織變革模式，重塑企業數字化轉型路徑
一是推廣組織變革最佳實踐。建立數字化轉型標桿企業示范庫，總結提煉成功經驗與方法論，為各類企業提供參考。二是支持跨界協作與知識共享。舉辦行業論壇和交流活動，促進企業間經驗分享和協作創新，形成良性創新生態。三是建立數字化轉型評估體系。開發企業數字成熟度評估工具，幫助企業明確轉型方向和重點領域，制定科學路徑。四是提供變革管理咨詢服務。建設數字化轉型專家智庫，為企業提供戰略規劃、組織設計和流程優化等專業指導。
（五）完善價值評估機制，引導投資精準聚焦應用場景
一是構建 AI投資評估框架。研發適合 AI項目特點的投資回報率評估模型，幫助企業科學決策和合理分配資源。二是建立場景化應用目錄。梳理各行業 AI應用場景和最佳實踐，降低企業探索成本，加速價值實現。三是設立企業數字化轉型引導基金。通過市場化方式，引導社會資本投向具有產業帶動作用的 AI創新項目。四是實施階梯式財稅支持政策。對 AI應用研發和實施給予研發費用加計扣除、設備加速折舊等優惠，降低企業創新成本。五是鼓勵打造行業示范應用。在制造、金融、醫療等重點領域選擇標桿企業進行全流程 AI應用示范，通過以點帶面推動行業整體升級。
（六）構建負責任 AI治理機制，平衡創新監管與倫理安全
一是建立健全 AI監管框架。參考國際最佳實踐，制定差異化、風險導向的 AI監管規則，既保障安全與權益，又避免過度監管阻礙創新。二是推進 AI倫理規范體系建設。成立國家 AI倫理委員會，制定 AI倫理準則和行業自律規范，引導企業重視倫理風險。三是加強算法透明度與可解釋性研究。支持可解釋 AI技術研發，設立算法審查機制，防范算法黑箱風險。四是構建數據安全保障體系。完善數據安全法規體系，推廣隱私計算、聯邦學習等技術，促進數據安全與價值挖掘平衡。五是推動國際規則協調與合作。積極參與全球 AI治理對話，推動形成開放包容的國際規則，減少跨境合規成本。
（七）推動人機協同創新，構筑智能化發展新優勢
一是培育人機協同新業態。支持企業探索人機協同工作模式，鼓勵發展 AI輔助設計、創作和決策等新型服務。二是建立 AI能力評估體系。開發大模型能力評估標準與方法，幫助企業選擇適合自身需求的 AI解決方案。三是支持本地化大模型研發。鼓勵企業根據行業特點和業務需求，開發垂直領域專用大模型，提升應用精準度。四是促進知識產權保護創新。完善 AI生成內容的知識產權保護機制，平衡創新激勵與公平使用。五是推動工作轉型與再就業支持。建立AI影響就業預警機制，加強職業培訓與轉崗服務，實現人才與技術和諧發展。建議政府、企業和教育機構合作制定“AI時代職業技能提升計劃”，為勞動力市場轉型提供系統支持。
作者：（魏巍，中國宏觀經濟研究院市場與價格研究所助理研究員；曾錚，中國宏觀經濟研究院市場與價格研究所室主任、研究員）
上一篇： 粉塵爆炸危險區域防爆電氣設備選型指南
下一篇： 廠用防爆燈具設計與制造全解讀
|
豫公網安備41130202000490號
| 豫ICP備19015714號-1
（版權所有 防爆云平臺 © Copyright 2009 - 2024 . All Rights Reserved.）
違法和不良信息舉報投訴電話：0377-62377728 舉報郵箱：[email protected]
網絡警察提醒你
中國互聯網舉報中心
網絡舉報APP下載
掃黃打非網舉報專區