●实践充分证明“人工智能+”不仅是数字化工具的嵌入，更是以智能感知、智能决策和智能执行为核心能力，实现传统生产模式与组织模式的根本性变革

　　●大模型的广泛应用依赖于大规模、高质量的数据资源，但在传统产业中，数据基础的薄弱性已成为制约人工智能落地的首要瓶颈

　　当前，中国经济正处于转型升级的关键阶段，传统产业提质增效、迈向智能化发展成为高质量发展的重要突破口。自2024年政府工作报告正式提出开展“人工智能+”行动以来，北京、广东、河北、山东等多个省市陆续密集出台地方性相关行动方案；2025年政府工作报告再次强调持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来，支持大模型广泛应用。

　　人工智能作为引领新一轮科技革命的核心技术，正加速融入制造、农业、能源、交通等传统产业领域。然而，推进“人工智能+传统产业”的过程中仍存在数据基础薄弱、技术适配性差、人才支撑不足、企业意愿不强等现实困境。新征程上，必须深刻认识“人工智能+”对传统产业转型的重要意义，通过数据治理、技术落地、人才体系和产业生态构建，切实推动传统产业向智能化、绿色化、融合化迈进。

　　发展新质生产力的内在要求

　　习近平总书记强调：“发展新质生产力不是要忽视、放弃传统产业。”全球产业链重构与科技革命加速演进的时代背景下，农林牧业、纺织、机械、石油化工等传统产业面临提质增效、节能降碳等多重压力。通过深度学习、计算机视觉、自然语言处理等技术，“人工智能+”可以助力传统企业提升生产效率、优化资源配置、改善用户体验，是推动传统产业转型升级的关键引擎。

　　《广东省人工智能产业发展调研报告（2025）》指出，人工智能技术在广东制造业的研发设计、中试验证、生产制造、运营管理等场景得到广泛应用。比如，视源股份于2014年组建人工智能研究院，推动人工智能技术广泛应用于主营产品研发、生产及企业管理，为企业开拓了新的盈利空间；优必选自助研发的工业人形机器人Walker S1凭借智能摄像头与深度学习模型对车标及车灯实施毫米级无损伤检测，准确率超过99%。这些实践充分证明“人工智能+”不仅是数字化工具的嵌入，更是以智能感知、智能决策和智能执行为核心能力，实现传统生产模式与组织模式的根本性变革。

　　智能化转型的现实之困

　　数据资源碎片化且质量不高。大模型的广泛应用依赖于大规模、高质量的数据资源，但在传统产业中，数据基础的薄弱性已成为制约人工智能落地的首要瓶颈。一方面，大量企业未完成数字化改造，尚处于“人脑+经验”主导阶段，数据采集能力弱，存在设备接口陈旧、传感器布局不足、信息系统分散等问题；另一方面，即使有数据，其格式混乱、标准不一、互联互通性差，使得数据无法有效整合、分析与共享。此外，数据治理制度缺失也是重要障碍。数据确权机制不清、隐私保护手段薄弱、安全监管缺位，使得企业对数据开放和共享顾虑重重，不愿将数据资源用于人工智能训练或产业协同，进而制约了人工智能算法的迭代优化与生态构建。尤其在多个产业链上下游之间，数据壁垒导致企业智能化水平发展不平衡，加剧了技术落地的复杂性与不确定性。

　　智能化技术“水土不服”与投资回报率不确定。尽管人工智能在语音识别、图像识别、文本生成等领域取得突破，但其在传统产业中的适配性和落地性依然面临严峻挑战。首先，诸如冶金、石化、装备制造等传统行业，本身流程复杂、设备多样、工况恶劣，许多环节缺乏高质量数据支撑，也不具备理想的算法应用场景。其次，人工智能模型往往难以应对工业系统中存在的大量噪声、不稳定性和非结构化信息。在这种背景下，企业引入人工智能系统后若效果未达预期，反而会增加负担，形成“伪智能化”的困局。许多企业因投资成本高、改造周期长、回报周期不明确而止步观望，形成了“技术有优势，企业不敢用”的困境。最后，许多人工智能解决方案仍以技术驱动为导向，忽视了与行业应用需求的结合，导致落地方案泛化、模块割裂、场景契合度差，从而降低了技术信任度与转化效率。

　　人才匮乏与复合能力不足。“人工智能+传统产业”的落地需要具备既懂人工智能算法、模型构建，又熟悉产业工艺、业务流程的双重背景复合型人才，但目前此类人才严重短缺，成为制约转型升级的关键因素。第一，从教育体系来看，传统高校培养的人工智能人才大多聚焦于计算机科学、数学建模等通用方向，缺乏对具体行业应用的训练；而行业工程师则普遍缺乏数据思维与人工智能素养，难以有效参与智能化项目的实施。第二，人才在区域和企业层面分布极不均衡，头部企业与一线城市聚集大量高端人才，中小企业与三四线城市则面临“请不到、留不住、用不好”的困境。第三，人工智能岗位的高工资与传统产业的预算有限之间存在结构性矛盾。对许多企业而言，即便意识到人才的重要性，也难以承受高昂的人才成本，从而被动放弃智能化转型。

　　中小企业意愿不足与能力承压。中小企业是传统产业体系的重要组成部分，占据着就业和产值的主体地位。然而在“人工智能+”转型中，中小企业普遍面临认知不足、能力有限、资源短缺等多重困难。首先是认知问题。许多企业管理层对人工智能的理解停留在表面，缺乏系统的技术评估与战略布局能力，难以判断哪些环节适合引入人工智能。其次是资源限制。人工智能系统动辄需要软硬件投入、外部服务采购、员工培训和系统运维，中小企业既缺资金也缺人力，难以承受智能化改造所需的前期投入和长期运维成本。更重要的是，智能化改造对企业内部组织流程也提出新的挑战，要求打破部门壁垒、建立数据驱动机制，而这对许多中小企业而言是一场深层次的结构变革，面临高度的不确定性。

　　制度供给滞后与标准体系缺失。制度与标准是“人工智能+”产业融合的“隐形底座”。当前，我国在人工智能赋能传统产业方面，尚未建立起完善的标准体系与制度框架。技术接口不统一、软硬件平台互不兼容，导致企业在引入人工智能系统后常常面临集成困难、升级复杂、二次开发成本高等问题。此外，关于算法透明性、安全可控性、数据合规性等制度安排依然滞后，使得企业在推进人工智能应用过程中缺乏清晰的法律遵循与风险评估机制。行业应用缺少成熟的测试标准与效果评估体系，企业难以判断技术供应商的能力与项目成果的可量化收益，进一步加剧了人工智能推广的不确定性。

　　赋能产业升级的破局之道

　　加强战略引领与政策协同，构建系统推进机制。充分发挥国家战略引导作用，将“人工智能+”纳入制造强国、数字中国、科技强国等国家战略体系中，明确“人工智能赋能传统产业”的目标路径和关键举措。制定国家级产业融合发展路线图，明确重点行业优先级、关键技术突破口与区域试点安排，提升政策协同性与执行力。同时，推动跨部门、跨区域的政策协同机制，统筹科技、工业、财政、人社、数据等资源，形成财政补贴、税收优惠、创新基金、技术服务等全链条支持体系。各地可因地制宜设立“人工智能+产业专项基金”“场景实验区”“技术公共服务平台”，引导企业主动布局人工智能改造。

　　建设高质量数据基础设施，打通智能化“数据动脉”。以“工业数据中台”为核心，推动企业建立统一的数据采集、清洗、治理与存储体系，实现从“数据孤岛”向“数据资产”的转变。加强工业互联网与边缘计算技术应用，推动设备互联、流程数据化、现场实时感知，为人工智能算法提供高质量数据底座。同时，推进行业级数据标准制定与数据开放平台建设，推动非敏感数据跨企业、跨区域共享。建立“数据确权—共享—交易—监管”四位一体的数据要素流通机制，健全数据分级分类、授权访问、安全审计等制度，保障数据安全与隐私。

　　强化关键技术与行业需求融合，推动场景化深耕。加快推动人工智能技术与行业场景的融合创新，以场景牵引技术突破。鼓励“人工智能+工艺”“人工智能+设备”“人工智能+能源管理”等垂直应用模块的开发，支持建设“场景试验田”“联合创新实验室”等中试平台，加快形成可复制、可推广的解决方案。发展“轻量化+模块化”人工智能产品，面向中小企业提供即插即用型服务，降低技术使用门槛。鼓励龙头企业开放真实生产场景，与科研机构、高校共同攻克瓶颈问题，形成“技术—产品—场景—标准”协同体系。同时，要加强算法可解释性、系统稳定性与应用效果评估体系建设，增强人工智能解决方案的可控性与可信度。

　　构建复合型人才体系，筑牢转型升级“人力基石”。推动高校与产业深度融合，开设“人工智能+产业工程”交叉课程，建立以真实产业问题为导向的课程体系与实训平台。加强产教融合型企业人才孵化机制，推动高职院校与企业共建“智能制造实训基地”“人工智能工程师培训中心”。对中小企业而言，可探索“区域共享型人才平台”，引导人工智能工程师通过项目外包、驻企服务等形式下沉服务，提升普惠性。完善人才评价机制，既重技术能力，也重行业理解；既重工程实践，也重成果转化，为复合型人才提供良好的职业发展路径。

　　作者李杰、王圣哲，单位：暨南大学产业经济研究院、产业大数据应用与经济决策研究实验室