AI技术已经展示出了很大潜力，

但目前还进不到生产核心环节

如何让AI从“会聊天”走向“能生产”，正成为产业界的共同课题。

中国新一代人工智能发展战略研究院执行院长、南开大学原校长龚克，长期关注这一变革。在他看来，人工智能的价值不在“炫技”，而在于与实体经济的深度融合。围绕AI落地的路径与挑战，《中国新闻周刊》对龚克进行了专访。

龚克 图/受访者提供

“突出应用导向”

《中国新闻周刊》：今年以来，AI在产业端有哪些明显变化或趋势？

龚克：国务院在8月印发的《关于深入实施“人工智能+”行动的意见》（以下简称《意见》），是国内AI发展的一个里程碑式国家战略文件。

去年全国两会上，“人工智能+”被首次写进政府工作报告，今年全国两会政府工作报告进一步要求持续开展“人工智能+”行动，明确提出要将“数字技术与制造优势、市场优势更好结合起来”，大力发展新一代智能终端和智能装备、推动大模型广泛应用等。

目前国内人工智能发展的整体趋势就是“AI+”，推动技术与实体经济深度融合，促进国家高质量发展。这不是为了“炫技”，而是要把技术作为生产力，真正推动经济社会的进步。

在发展路径上，《意见》提出了“三步走”目标。到2027年，率先实现人工智能与六大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超70％；到2030年，新一代智能终端、智能体等应用普及率超90％，智能经济成为我国经济发展的重要增长极；到2035年，我国全面步入智能经济和智能社会发展新阶段。值得注意的是，这些目标都是以人工智能的普及应用作为衡量指标来规划的。

《中国新闻周刊》：在调研时，是否有让你印象深刻的应用场景？

龚克：在AI走向实体经济的过程中，我们看到技术已经展示出了很大潜力。比如在工业领域，我们调研发现，目前最成熟的应用之一，是将计算机视觉技术应用于产品生产线上的瑕疵检测环节。

有报道提到，中国至少有500万工人需要靠眼睛去盯产品的瑕疵，凭着经验调整生产线，去发现和纠正这些问题。计算机视觉不会疲劳，分辨率比人眼更高，导入成本也不算太高，所以把它引进生产线做瑕疵检测，现在已经比较成熟，应用也比较广泛。例如，现在不少汽车生产线上开始用AI检测了，大幅降低了漏检率，有些甚至降低了90％以上，同时也大幅缩短了检验时间。

还有一个典型的例子，是AI在新能源汽车电池领域的应用。电池的生产成本中，有很大一部分来自电池容量的测试。传统做法是在控制电池温度的前提下，把电池充满电再放光，通过时长来判断容量。但这个过程非常耗时耗能，成了动力电池生产成本的大头。

我们了解到，深圳有的工厂利用大模型学习电芯生产的数据，再加上电化学、先进材料学等知识，能精准预估电池容量。AI应用使整体电芯检测时间减少了大约80％，耗电减少了50％以上，实测还提高了电芯容量的一致性。去年12月，我在联合国工发组织的一场报告里就以此例说明，中国电动车之所以能实现低成本，如今靠的已不是政府补贴，而是技术创新。

类似的变化也在农业、金融等领域发生。我个人估计，到“十五五”期间，人工智能与实体经济融合产生的经济效益，将会更强劲地显现出来。

2025年10月，四川安岳县一家以生产柠檬鲜果为主的企业，运用电脑程序控制和AI智能算法，实现柠檬原果上线、清洗、杀菌、选果定等流水线作业。图/IC

“AI应用还进不到生产核心环节”

《中国新闻周刊》：在AI1.0时代，技术在产业落地时曾面临诸多挑战。在当前推动AI与实体经济深度融合的过程中，有哪些突破？

龚克：首先，AI技术和2017年相比已有重大突破。上一轮突破，以计算机图像识别为代表，最典型的是人脸识别，在医疗影像识别、交通图像识别等领域用得很广。

上一轮AI在落地的时候，比如做医学影像识别，需要专门组建团队针对医学影像单独开发模型。但这轮技术革命中，很多数据在基础训练阶段就已经用过了，人们在基础大模型之上进行精调和对齐，就能较快用到具体领域里。

特别是今年发展迅速的智能体（AI Agent），能根据任务自动分解、调度不同模型和工具，还能对结果进行交叉验证和检查。AI进入专业领域的门槛比之前低了，成本也在往下走，AI变得更好用了。

今年斯坦福大学相关团队发布了《人工智能指数2025年度报告》，追踪分析了大模型的推理成本。结果显示，要达到GPT-3.5那样的性能水平，推理成本从2022年11月到2024年10月下降了99.65％。从硬件层面看，成本每年下降约30％，能效每年提升约40％。

麦肯锡有一份报告也显示，到2024年下半年，78％的受访者所在的企业已经在至少一个业务中使用了生成式人工智能。多数企业提到，这项技术确实帮他们压缩了成本，不过整体上对财务表现的影响还不够明显。但这些信号已表明，人工智能在实体经济中发挥作用的前景非常好，且正逐步显现出来。

《中国新闻周刊》：在推动AI与实体深度融合过程中，企业普遍有哪些顾虑？落地过程中存在哪些主要挑战？

龚克： 现在很多企业在引入人工智能时，还存在不少困惑。我们调研发现，除了前面提到的一些比较好的案例，现阶段企业里大量的AI应用，主要还是集中在物流、财务、人事、客服这些非生产环节，还进不到生产核心环节。

AI要真正和生产环节结合，必须和行业知识深度融合，这个坎必须迈过去。现在难在哪儿呢？从AI技术公司角度看，他们特别希望一个应用做出来后，能大规模推广。但如果深入实体经济的核心生产环节，做完这家工厂的项目，到下一家工厂可能又要从头再来，成本和投入会非常高。

而从工厂这边来看，他们往往不太知道AI到底能带来多大潜力。AI技术企业和工厂之间，还缺一个“桥梁”，我们也在一些报告里建议过，要发展数字化转型或智能化转型的服务业，来解决两边融合的问题，帮助AI快速、有效地导入产业，这是当前的一个关键问题。正如今年的政府工作报告所指出的，要“培育一批既懂行业又懂数字化的服务商，加大对中小企业数字化转型的支持”。

尤其是在国家层面开始统筹规划大型训练平台建设、不再普遍鼓励地方自建算力中心的背景下，地方也在把注意力转向企业真正需要的模型精调和推理服务。

《中国新闻周刊》：之前你提到过，要防止“AI+”沦为表面工程或政绩工程，现实中有哪些表现？应该注意什么？

龚克：以前搞智慧城市建设，出现过这样的现象：一些地方就做一个大屏，给参观的领导演示讲解一番，但实际问题一个也没解决。现在发展“AI+”时，也希望大家都能从真实问题出发，这也是为什么中央在谈发展新质生产力时，特别强调要“因地制宜”。

我理解的因地制宜，这个“地”不仅是地理上的地方，也包括不同的行业、不同的企业，都是不一样的“地”，哪怕同一家企业里，具体的问题也是不同的“地”。要以实际问题为出发点，按照风险分级，实事求是地推进技术落地。

这才是产业端引入人工智能最需要的态度，而不是为了向领导汇报，搞一些作秀式的项目安排，这是特别要防止的倾向。

“抓住开源创新大趋势”

《中国新闻周刊》：如何看待大模型还有幻觉？在工业等关键场景中，如何保障生产安全？

龚克：对，在加速将人工智能深度引入各行各业时，现在更需要注意的是安全问题。如果工厂在引入AI过程中出现重大安全问题，那会是灾难性的，会让有关部门和企业对AI应用望而却步，投资者也会失去耐心，可能会断崖式地抽回资金。

大模型的幻觉等问题仍然存在，可能产生一些错误。比如在生产线上控制生产过程，造成残次品是小事，万一导致机毁人亡、爆炸等安全事故，问题就严重了。企业在引入AI时必须有安全意识，先从一些刚需且安全边界可控的场景或者无人的场景切入，逐步推进。

比如现在矿山深处的无人采矿，即便出事故，也不会把人困在里面，反而可能减少伤亡。再比如，现在的数控生产线，说明书往往好几大本，以前工人遇到问题，要去查手册，靠经验处理。现在一些工厂把这些说明书数字化之后，系统可以自动读取错误代码，直接调用手册上的应对措施，这种方式相对比较安全。

在引入生产，特别是关键生产环节时，一定要重视模型的可靠性，评估模型可能产生的风险。在部署AI时，要明确风险边界，即使出问题，也要控制在可容忍范围内。在实际引入应用的过程中，必须建立非常严谨的安全防护措施，这是非常必要的一条。从我们观察到的情况来看，企业在引入AI时还是非常谨慎的，逐步在应用中熟悉它、了解它，再不断深化使用。

但未来AI大量应用时，安全问题难以完全避免。主管部门也要实事求是，具体问题具体分析，分清责任，避免“一刀切”，适度增加试错的宽容度，这样才能促进整个行业健康发展。

《中国新闻周刊》：你提到人工智能的竞争不仅是技术竞争，也包括政策和制度的竞争。美国密集推出AI政策，欧洲也开始放松监管，在全球规则不断重塑的情势下，中国应如何定位自身的AI政策体系？

龚克：特朗普上台以来，美国已经发布了七八个关于人工智能的总统令。美国的突出目标就是保持自身在人工智能领域的优势，采取的具体措施主要是放松监管，这是一个非常重要的政策导向。现在欧洲也出现了放松监管、鼓励创新的动向。

美国的这一系列动作，实际上也促使中国和欧洲在AI发展的治理上必须持续应对。既使是在激烈的技术竞争中，也必须稳健处理好创新与安全的关系，防止在技术竞争中忽略安全问题。这一观点也正是今年年初包括中国在内的60多个国家签署的《巴黎人工智能宣言》所强调的。

国际上很多人认为中国的政策更看重创新，不重视安全，欧洲监管过严不利于创新，美国处于中间。这是一种误解，中国从一开始就强调创新与安全的平衡。

2023年，中国在全世界率先推出《生成式人工智能服务管理暂行办法》。今年，我们在9月1日已经正式实施《人工智能生成合成内容标识办法》，是全球唯一以法规形式、强制要求所有生成式人工智能产生的内容必须进行标识的国家。

此外，我们的政策优势还在于，中国大力支持大模型开源的路线。

目前大多数AI应用者主要基于开源基础模型进行开发，虽然也有企业选择闭源模型API的，但主流仍是使用开源模型。去年8月之前，全球使用最广泛的开源模型是美国的Llama，去年8月之后，中国的千问模型实现赶超，还出现了DeepSeek。最近美国的一份报告显示，在刚刚过去的一年里，中国研发的开源人工智能模型在全球下载量中的占比达到了17.1％，历史上首次超越了美国的15.8％。

目前，闭源模型与开源模型之间的性能差距正在迅速缩小。开源创新本质上是一种开放的“众创”模式。例如DeepSeek开源后，会有数百万开发者协助其迭代优化。我认为，我们一定要抓住开放创新这个关键的技术创新大势，这也是“更高水平对外开放”的具体体现。