孙占卿：把握AI主动权，需要建构国家级AI能力体系

IPP评论是国家高端智库华南理工大学公共政策研究院（IPP）官方微信平台

导语：6月29日，国务院总理李强主持召开国务院常务会议，听取人工智能发展情况汇报。会议特别指出，要“深刻把握人工智能演进趋势，完善支持政策和治理体系，牢牢掌握发展主动权”，并围绕算力建设、技术创新、应用场景和人才保障等作出了系统部署 。

AI已逐步具备接入和执行复杂任务的能力，未来将是赋能千行百业的“头雁”。而在大国博弈的棋盘上，美国对华AI遏制已从“芯片战”升级为围绕算力、模型、生态和规则的体系战。智算集群、电力与数据中心则成为角力场。体系化竞争下，单纯追逐模型参数、应用爆款或短期商业化成果，难以支撑我国在新一轮科技革命中的战略主动。跳出“唯模型论”“唯应用论”“唯零和论”等视角，着眼构建本土化AI发展能力，或为我国在复杂外部环境中塑造长期优势的重要路径。

文章认为，我国AI发展政策逻辑正从“点状扶持”迈向建设支撑中国式现代化的“国家级 AI 能力体系”。要牢牢掌握发展主动权，需要统筹技术、算力、数据、应用、人才与治理六大要素，打造支撑中国式现代化的国家级AI能力底座，确立未来竞争的结构性优势。

本文作者

孙占卿

广州市社会科学院城市文化研究所副所长、IPP特约研究员

人工智能已经从一项通用技术，演变为重塑国家竞争力、产业组织方式、社会运行机制和全球治理秩序的战略力量。6月29日召开的国务院常务会议听取人工智能发展情况汇报，提出要“深刻把握人工智能演进趋势，完善支持政策和治理体系，牢牢掌握发展主动权”，并围绕关键技术攻关、超大规模智算集群、高质量数据供给、人才和资金保障、“人工智能+”行动、安全底线、科技伦理、测试认证、动态适应和分级分类监管作出系统部署。

这一会议议题标志着我国人工智能政策逻辑正在发生一次重要跃迁：从培育单一产业、支持若干应用场景、推动若干模型企业成长，转向建设支撑中国式现代化的国家级AI能力体系。

它不是一个单纯的技术体系，而是由关键技术、智能算力、高质量数据、场景应用、人才资本、安全治理、标准认证和国际合作共同构成的综合能力。

6月22日至26日，第四届中国国际供应链促进博览会在北京中国国际展览中心顺义馆举行。今年链博会首次将“数字科技链”升级为“数智科技链”，同时新设立专区，全链条展现人工智能从数据采集、智能计算到场景落地的完整生态。

一、从“人工智能产业”转向“建设国家级 AI 能力体系”

过去谈论人工智能，外界往往聚焦于三个层面：

一是大模型能力，谁的参数更多，谁的模型更强，谁的榜单成绩更高；二是应用场景，哪些行业可以接入智能客服、智能办公、智能创作、智能制造；三是企业竞争，哪家AI公司融资更多、产品迭代更快、商业化更顺利。

这些问题固然重要，但已经不足以解释当前人工智能竞争的深层逻辑。今天的人工智能，正在成为一种“体系性能力”——一种渗透研发、生产、流通、消费、治理、安全和文化传播全过程的新型生产力组织潜能。谁能形成稳定、可持续、可扩散、可治理的AI能力体系，谁就能在未来产业变革、科技竞争和治理重塑中占据主动。

从全球趋势看，AI竞争正在呈现出四个明显特征。

第一，能力竞争从“模型参数竞争”转向“全栈生态竞争”。

前沿模型的能力不断提升，同时越来越依赖芯片、框架、训练平台、推理系统、数据工程、评测体系、开发者生态和应用反馈。斯坦福发布《AI Index Report》显示，前沿模型已经在博士级科学问题、多模态推理、竞赛数学和代码任务上达到或超过人类基准；

同时，美国私人AI投资在2025年达到2859亿美元，全球AI资本、人才和算力资源呈现高度集中趋势。AI竞争从“单个模型对单个模型”的竞争，变成创新体系、资本体系、产业体系和基础设施体系之间的系统竞争。

斯坦福《2026 AI Index》显示，AI在图像识别、语言理解、博士级科学问题、多模态推理、竞赛数学和软件工程等多项基准测试中已接近、达到或超过人类基准。

第二，基础设施竞争从“数字基础设施”转向“智能基础设施”。

算力已成为AI时代的战略性基础设施。有机构的研究认为，到2030年，全球数据中心用电可能超过945太瓦时，AI是最重要驱动因素之一。这意味着智算中心建设已经不只是信息通信工程，而是涉及能源、电网、土地、水资源、芯片供应链、绿色低碳和区域布局的系统工程。未来国家AI能力，很大程度上取决于谁能以更低成本、更高效率、更绿色安全的方式组织算力。

算力分为超算、通用和智能等类型。其中，智能算力是人工智能技术迭代发展的重要基础。图源：新华社

第三，应用竞争从“工具替代”转向“组织重构”。

麦肯锡的《The State of AI: Global Survey 2025》调查显示，88%的受访组织已在至少一个业务职能中常规使用AI，但多数企业仍处在试验或试点阶段，约三分之一企业开始规模化推进AI项目；同时，23%的受访组织已经在企业内部某些职能中规模化部署智能体系统，另有39%开始试验智能体。

这说明，AI应用的难点不在于“能不能接入模型”，而在于能否重构业务流程、组织结构、数据治理、责任机制和人机协同方式。谁能把AI嵌入研发设计、生产制造、供应链管理、政务服务、公共安全、城市运行等关键流程，谁才能真正把AI转化为生产力。

麦肯锡全球AI调查显示，企业AI应用仍普遍停留在实验和试点阶段，但营收规模越大的企业越可能率先推进规模化部署。

第四，治理竞争从“事后监管”转向“全生命周期治理”。

人工智能带来的风险已经从内容生成、虚假信息、个人隐私扩展到网络攻击、生物化学风险、关键基础设施安全、就业结构冲击、算法歧视、智能体失控和国际安全。《2026年国际人工智能安全报告》指出，技术演进速度远超风险证据积累速度，使得政策制定者面临“证据困境”：行动太早可能固化无效干预，等待证据充分又可能错过风险窗口。

报告还特别提示，通用AI已被用于网络攻击准备、漏洞识别和恶意代码生成，并可能降低生物化学危险知识的获取门槛。这一警告显示，人工智能治理不能等风险充分暴露后再补救，而必须建立前瞻评估、测试认证、风险分级、运行监测和应急处置机制。

“牢牢掌握发展主动权”，就不能停留在技术追赶、产品模仿和场景示范层面，必须上升到国家能力建设。

经合组织人工智能事故和危害监测数据库中报告的涉及“内容生成”的事件数量随时间的变化。这包括涉及人工智能生成内容的事件。自2021年以来，每月报告的事件数量显著增加。来源：经合组织人工智能事故和危害监测数据库

二、为什么此时强调“掌握发展主动权”？

对这一问题的观察，应放在三个坐标系中展开：一是全球科技革命和产业变革加速演进；二是中国经济高质量发展和新质生产力培育需求；三是人工智能安全风险和国际治理竞争形势。

首先，人工智能技术开始从“生成式AI”走向“行动型AI”。

2022年以来，大模型带动生成式AI快速普及，文本、图像、代码、音频、视频生成能力迅速提升。进入2025年后，技术前沿进一步从“能回答”转向“能推理、能规划、能调用工具、能执行任务”。推理模型、智能体、多模态模型、具身智能、AI for Science、世界模型等方向加快发展，使人工智能从信息处理工具转变为复杂任务执行系统。这意味着，人工智能正在突破传统数字技术的边界，也将改变人的工作方式、组织的运行逻辑和制度的执行方式。

其次，中国经济正处在培育新质生产力、推动产业升级的关键阶段。

我国拥有完整产业体系、超大规模市场、丰富应用场景和持续扩展的数据资源，这是发展人工智能的重要优势。

国务院《关于深入实施“人工智能+”行动的意见》提出，要充分发挥我国数据资源丰富、产业体系完备、应用场景广阔等优势，推动人工智能与经济社会各行业各领域广泛深度融合，形成智能经济和智能社会新形态。该文件还提出了“三步走”的“人工智能+”发展阶段规划。由此可见，人工智能的高速发展，必然推动产业体系发生全面而深刻的变革。

目前，已有部分人形机器人品牌尝试走进家庭场景干家务。图源：路透社

再次，全球AI竞争正在进入“基础设施—标准—规则”并重阶段。

美国AI政策强调创新、基础设施和国际安全外交，欧盟则以《人工智能法案》（EU AI Act）为核心，建立基于风险的规则体系。这些动态表明，人工智能已进入国家战略竞争深水区。过去各国比拼的是互联网平台、移动终端和数字经济规模，现在比拼的是AI芯片、数据中心、基础模型、人才结构、行业数据、标准认证、监管能力和国际规则话语权。对中国而言，所谓“掌握发展主动权”，不仅是掌握技术主动权，也是掌握产业主动权、基础设施主动权、治理主动权和国际合作主动权。

最后，AI安全风险已经成为影响长期发展的硬约束。

中国此前已出台《生成式人工智能服务管理暂行办法》，从促进生成式 AI 健康发展、维护国家安全和社会公共利益、保护公民、法人合法权益等方面，建立了基础监管框架。2026年发布的《人工智能拟人化互动服务管理暂行办法》进一步针对持续性情感互动服务，提出发展和安全并重、包容审慎、分类分级监管等原则，并明确要求防范过度迎合、诱导情感依赖、情感操纵、未成年人风险等问题。这些制度演进说明，AI治理正在从内容安全扩展到心理健康、社会关系、未成年人保护、平台责任和伦理边界等更深层次领域。

在这一背景下，国常会强调“完善支持政策和治理体系”，并把科技伦理、测试认证、动态适应、分级分类监管放在重要位置，体现了发展与安全并重的政策逻辑。

2026年3月20日，北京某商场展台上陈列的AI玩具。图源：新华社

从当前发展阶段看，我国人工智能已经具备较好基础，但要真正掌握发展主动权，仍需解决若干结构性问题。

第一，关键核心技术仍需突破。

我国在应用场景、工程组织、开源模型和产业化方面进展较快，但在高端AI芯片、软硬协同生态、基础框架、超大规模训练系统、原创模型架构、推理效率、模型安全评测等方面仍面临压力。特别是在全球高端芯片供应链高度集中、关键设备和先进制程受制约的背景下，AI发展不能建立在不稳定的外部供给之上。

斯坦福报告指出，全球领先AI芯片供应链高度依赖少数关键环节，美国拥有全球最多的数据中心，而多数领先AI芯片由我国台湾地区的单一企业制造。对我国而言，关键技术攻关不仅是产业升级问题，也是国家安全和发展韧性问题。

第二，智能算力存在供给、调度、成本和绿色约束。

近年来，各地智算中心建设热度较高，但也出现了重复建设、供需错配、利用率不均、能耗压力、区域布局不合理等风险。人工智能对算力的需求已经从训练扩展到推理，从少数大模型企业扩展到千行百业，从云端大模型扩展到边缘端、终端和工业现场。算力不再是单纯“建多少卡”的问题，而是“如何组织全国算力资源”的问题。

IEA关于数据中心用电的预测表明，AI基础设施快速扩张将对电网、能源和区域承载能力形成长期压力。因此，国常会提出加快超大规模智算集群建设，必须与全国一体化算力网、绿色电力、能源调度、网络传输和公共算力服务结合起来理解。

第三，高质量数据供给不足，仍是制约AI落地的深层瓶颈。

国家数据局提出，行业高质量数据集是推动“人工智能+”赋能千行百业、实现产业落地的基础性、关键性资源，并提出形成“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”的数据飞轮。从目前情况看，中国不缺数据总量，但缺少可直接用于模型训练、微调、评测和行业应用的高质量数据。现实中，大量数据分散在部门、企业、平台和设备中，存在权属不清、标准不一、质量不稳、标注不足、流通困难、安全风险高等问题。

第四，AI应用仍存在“试点多、规模化少”的问题。

许多地方和企业已经开展AI示范项目，但真正嵌入核心业务流程、稳定创造经济价值和治理效能的案例还不够多。全球企业也面临同样难题。麦肯锡的调查显示，尽管企业AI使用范围广泛扩大，但多数仍停留在实验或试点阶段，规模化应用比例有限。这说明，AI应用的难点不只是技术接口，而是流程重构、数据治理、组织管理、绩效评价、责任边界和人才结构。对于政府和大型企业来说，如果AI只停留在写材料、做客服、建展厅等浅层应用，就难以真正促进全要素生产率提升。

第五，人才结构与AI时代需求仍不完全匹配。

一方面，AI、大数据、网络和网络安全技能需求将快速增长，AI技能缺口仍是企业转型的重要障碍；另一方面，AI对就业结构的影响仍不清晰，既可能提升生产率，也可能加剧不平等和就业冲击。对中国而言，AI人才政策不仅要培养顶尖人才，也要推动全社会AI素养提升和劳动者技能转型。

第六，安全治理体系仍需从原则走向操作化。

当前，AI治理已经形成若干制度基础，但面对通用大模型、智能体、具身智能、拟人化互动、自动决策和公共治理应用，监管仍需要更精细的分类分级、更专业的测试认证、更持续的运行监测和更清晰的责任链条。

经合组织发布的《数字政府2026》显示，AI已在35个经合组织国家的多个政府领域使用，但真正要求部署前风险评估、内部审查委员会、部署后审计等控制系统的国家比例较低，说明各国公共部门AI治理普遍存在“战略多、操作控制少”的问题。对中国而言，下一步关键是把“安全可信”转化为可评测、可认证、可审计、可追责的制度能力。

30余个OECD国家中有30个已经建立政府范围的数据互操作系统；但在这30个国家中，只有23个国家报告中央层面超过50%的公共部门机构广泛使用该系统。

建设国家级AI能力体系，不能平均用力，而应抓住关键底座和牵引领域。

第一，把加强关键技术攻关作为国家AI能力建设的源头工程。技术攻关不只是追赶国际模型榜单，而要围绕基础理论、模型架构、训练推理方法、AI芯片、软硬协同、智能体系统、具身智能、AI安全、模型评测、开源生态等方向形成长期布局，推动AI创新从“应用集成型创新”走向“底层能力型创新”。

过去，一些行业应用主要依赖调用外部模型接口，短期看成本低、见效快，但长期看容易形成对模型、数据、算力和工具链的依赖。国家级AI 能力必须能够支撑重大科研、先进制造、公共治理和国家安全场景，必须在关键时刻可控、可信、可持续。因此，应支持龙头企业、高校、科研院所和新型研发机构围绕“无人区”开展长期基础研究，建立稳定支持机制和容错机制，不能以短期商业回报衡量所有AI基础创新。

第二，把建设超大规模智算集群作为新型基础设施的核心工程。智算集群不是各地各自建设几个数据中心，而是要面向国家AI需求，形成统一布局、弹性调度、绿色安全、普惠可及的算力体系。未来智算建设应重点解决四大问题：一是训练算力与推理算力协同，避免只重训练、不重规模化推理；二是公共算力与商业算力协同，为高校、科研机构、中小企业、独立创业者和公共部门提供可负担算力；三是算力与电力协同，推动绿色电力、储能、输电和数据中心布局统筹；四是算力与数据协同，推动行业数据集、模型服务和应用场景形成闭环。

6月4日在呼和浩特市和林格尔新区拍摄的正在建设中的浦发银行和林格尔数据中心项目。图源：新华社

第三，把推进高质量数据集建设作为AI落地的关键工程。数据是AI的燃料，但只有高质量、合法合规、持续更新、贴近场景的数据，才能真正转化为模型能力。要坚持以场景牵引数据，以标准提升质量，以可信空间保障流通，以模型应用反馈持续优化数据。工业制造、医疗卫生、交通运输、城市治理、智慧能源、公共安全、科研教育等领域，应率先建立行业数据治理规范和数据集质量认证制度。

第四，把加强“人工智能+”应用作为深化产业和治理重构的牵引工程。“人工智能+”不是给传统业务加一个AI插件，而是推动技术、流程、组织和制度同步变革。中国拥有完整产业体系和丰富治理场景，如果能够把 AI嵌入制造业、现代服务业、农业、城市治理、公共安全、医疗教育、文化传播等关键领域，就可能形成不同于单纯平台经济和消费互联网的升级空间。

第五，把强化安全治理和测试认证作为AI长期发展的护栏工程。AI治理的目标不是限制创新，而是为创新建立可信边界。欧盟《人工智能法案》建立了风险分级框架，明确不可接受风险、高风险、有限风险和低风险等分类。

中国的AI治理应充分吸收国际经验，走更适合中国国情的路径，坚持在发展中治理。在鼓励创新和场景应用的同时，针对不同模型、不同应用、不同主体、不同风险等级实施分类分级管理；在上线前开展测试认证，在运行中开展监测审计，在事故后开展复盘追责，在规则上保持动态适应。特别是在公共服务、金融、医疗、教育、交通、能源、应急、司法辅助、未成年人服务等高影响场景，应建立更严格的评估和人类监督机制。

五、结语

未来几年，将是我国人工智能从规模优势、场景优势走向体系优势、规则优势的关键窗口期。“牢牢掌握发展主动权”，关键在于能否形成真正可持续的体系能力。关键技术要能攻得下，智能算力要能供得上，高质量数据要能流得动，产业场景要能用得深，人才资本要能跟得上，安全治理要能守得住，国际合作要能走得远。只有把这些能力组织起来，中国才能在在AI时代塑造自身的发展路径、产业优势和治理方案。

本文作者

孙占卿 广州市社会科学院城市文化研究所副所长、IPP特约研究员

IPP评论热门文章

关于IPP

华南理工大学公共政策研究院（IPP）是一个独立、非营利性的知识创新与公共政策研究平台。IPP围绕中国的体制改革、社会政策、中国话语权与国际关系等开展一系列的研究工作，并在此基础上形成知识创新和政策咨询协调发展的良好格局。IPP的愿景是打造开放式的知识创新和政策研究平台，成为领先世界的中国智库。