“十五五”時期人工智能產業發展需要解決的關鍵問題包括核心技術與基礎研究、產業鏈與生態建設、算力與成本問題、數據安全與隱私保護以及人才與培養等方面。只有全面解決這些問題，才能推動我國人工智能產業實現高質量發展。

（一）高端人才相對稀缺，關鍵核心技術有待突破

人才方面，仍需加大力度優化人才供給結構。根據脈脈高聘人才智庫發布《2023泛人工智能人才洞察》，人工智能人才供不應求情況進一步加劇，2022年人工智能行業人才供需比為0.63,2023年1-8月下降至0.39。斯坦福大學《人工智能指數2023》指出，中國人工智能高端學者數量排名全球第二，但僅與谷歌公司一家數量接近，總量上只有美國的五分之一。關鍵核心技術方面，我國人工智能重應用輕基礎。我國雖然在語音、視覺和自然語言處理等應用算法開發上屢獲佳績，但在數據標準、模型原創、基礎理論開發或技術優化等方面仍落后于國際領先水平，長期以來存在的研究依賴慣性導致中國在基礎研究領域投入力量較為薄弱。

夯實基礎領域人才培育，推進人工智能原始創新。人才培育方面，從人工智能專業相關的基礎領域出發，加強數學、物理、電子信息、腦神經學科等前沿基礎學科建設，積極培育前沿領域交叉復合型人才。對基礎算法、開源框架、芯片等短板領域的要進一步加大人才交流和引進通道，鼓勵高校和科研機構增加赴外交流合作、高校和企業之間建立人才雙向流通通道，暢通產學研用人才鏈。國際項目合作，技術咨詢平臺等多種合作手段多措并舉，創新人才引培模式。原始創新方面，加快關鍵技術突破，充分發揮高校和科研院所創新能力，開展深度學習、機器視覺、智能決策、人機交互、大模型等領域前沿理論研究。鼓勵高校、人工智能企業、工業制造企業等成立專注工業人工智能的創新聯合體，推動核心技術研發，提高符合產業特點的技術產品供給。

（二）算力需求大、成本投入高，行業進入門檻較高

人工智能模型變“大”需要攻克算力挑戰與理論限制，讓人工智能模型變得更大并非單純增加神經網絡深度、堆疊人工神經元就可以實現。以CNN、RNN等人工神經元為基礎的模型需要采用串行結構，模型訓練過程需要順序執行，無法充分利用所有計算資源。隨著模型參數量提升，訓練時間呈指數型增長。同時，模型參數量的增加會導致模型的過擬合風險上升，訓練過程需要更多的數據和計算資源，優化也變得更加困難。人工智能大模型的訓練成本包括GPU等算力芯片成本、服務器成本、標準機柜成本、訓練時長內的電力消耗費用、人力投入費用等多方面。根據市場調研機構TtrendForce數據，ChatGPT每日處理1300萬獨立訪問量，需要3萬+片NVIDIA A100 GPU以龐大的計算和存儲資源支持，初期投入高達8億美元，1750億參數的GPT-3的總訓練成本高達1200萬美元。

降低算力使用門檻，優化算力體系建設。一是強化分布式計算、量化、顯存優化、算子融合等關鍵核心技術攻關與落地應用，降低大模型推理的時延，提高吞吐量，減少對算力的需求。二是推進高性能算力供給。適度超前布局算力、網絡等支撐人工智能發展的數字基礎設施，加快實施“東數西算”工程，形成全國算力一張網，搭建算力共享服務平臺，解決企業算力應用瓶頸。三是發布算力券實施方案支持人工智能大模型應用落地。為企業提供算力券補貼支持，努力幫助企業降低智能算力使用成本，全力支持制造業等重點領域企業開展人工智能行業大模型應用探索和落地實踐。四是建議分步驟推進智能算力中心建設，先追求算力的普惠化，降低成本和提高利用率，再逐步擴容。

（三）人工智能重點行業應用不足，行業合作生態亟待建立

一方面，盡管人工智能技術的發展勢頭強勁，但對我國大多數傳統行業的應用還處于小規模試點，與歐美等發達國家相比，尚存在較大的差距。根據凱捷公司的統計數據顯示，歐洲頂級制造業企業中，人工智能的應用普及率已經超過了51%，美國也達到了28%，而我國頂級制造業企業的人工智能應用普及率僅為11%。這一數據不僅揭示了我國在人工智能應用方面的不足，也反映出巨大的發展潛力和提升空間。另一方面，在重點應用領域，尤其是工業制造行業，大模型技術的應用案例尚顯不足。目前，工業領域對大模型的探索性應用主要集中在設計輔助、質量預測、設備維護等方面。這些應用雖然在一定程度上提高了生產效率和產品質量，但距離廣泛應用和形成可復制、可推廣的工業大模型還有一定距離。

加快賦能千行百業，打造行業合作生態。一是引導人工智能企業與行業領軍企業開展定向合作?；谛袠I企業提供真實業務場景、數據以及行業真實需求，開發核心算法和預訓練模型，共同研發落地應用大模型。二是打造人工智能企業與行業企業的對接平臺。搭建人工智能企業與制造業、醫療、農業等行業企業的對接平臺，幫助雙方實現技術、模型、數據、場景等資源對接，孵化行業領域應用模式。三是依托工業互聯網平臺，打造人工智能企業與行業企業的大模型合作生態。通過工業互聯網平臺實現兩者的快速對接，提供保障算法、模型、數據安全的人工智能要素線上交易服務，面向不同行業建立標準化的大模型開發環境，幫助企業快速研發和驗證場景化解決方案。

（四）適度監管與促進發展并重，監管手段創新勢在必行

人工智能產業當前處于快速成長期，其技術演變和經濟社會影響具有很多的不確定性。一方面，人工智能具有強大的創新力，有望發展成為新的經濟增長引擎，極大改善社會福祉。另一方面，人工智能帶來的倫理與安全、負外部性等問題也頻頻引發社會關注。如果政策過嚴、管制過多，將在一定程度上阻礙我國人工智能產業發展進程，可能拉大我國與發達國家的差距，導致我國陷入被動和落后的局面；如果政策過松、監管滯后，也可能導致人工智能“負作用”在經濟社會各領域持續擴散。因此，以何種力度、何種方式、在何種時機對人工智能進行合理規制，是監管部門需要重點解決的難題。

推動監管手段創新，提升應對挑戰能力。一是明確技術研發“禁區”，禁止危害社會運轉和公眾生活安全的技術研發方向，禁止技術研發用于違法犯罪。二是不斷完善各類監管標準規范，包括數據使用監管、算法使用監管等，充分推動相關法律法規完善治理機制，引導人工智能產業健康可持續性發展。三是鼓勵可信技術用于倫理監管領域，推動監管手段創新也受益于技術創新。最后，創新試點示范和沙盒監管等新監管方式，對部分前沿引領性技術允許小規范、小范圍的先行先試，及時令行禁止，采取先驗證后推廣，邊試邊用的模式，逐步同步監管手段與技術創新。