陈志 | 进一步加强人工智能场景创新的建议

    场景创新是以新技术的创造性应用为目标，以供需联动为路径，实现新技术、商业模式综合应用与迭代更新的过程。从全世界看，场景的概念与应用来自互联网、大数据、人工智能等新技术的现实需求，更是人工智能等新兴产业发展的必要条件和主要驱动力。我国人工智能发展已从实验室阶段进入场景落地、赋能千行百业的新发展阶段，但我国应用场景呈现“少数重大场景为牵引、大量长尾场景占主导”的特征（ 长尾场景指的是规模量级小、但多样化与个性化的场景），场景建设的广度和深度还存在不足，需要协调政府、产业、企业各类主体，从供给侧和需求侧双向发力，引导人工智能产业实现高质量、跨越式发展。

    一、场景创新的速度、广度与深度决定人工智能第三次浪潮的成败

    人工智能是共性技术，是赋能技术，必须与应用场景结合才能发挥最大作用。人工智能在60余年的三次发展浪潮中，理论和技术创新超前于应用落地，应用场景不足、未能真正走进生产生活成为前两次浪潮归于沉寂的最主要因素。

    在当前的第三次浪潮中，特别是在移动互联网、智能安防等超大场景，以及海量数据和深度学习技术带动下，人工智能技术进步和场景落地进入相互促进、螺旋式上升发展新阶段。根据Gartner2022年度人工智能技术成熟度曲线，人工智能应用已经翻过第一座大山，进入稳步爬升期，距离生产成熟期只有2～5年的时间窗口。应用场景范围广度、增长速度与应用深度成为现阶段发展的关键：一是决定着人工智能是否能与实体经济深度融合，成为经济发展真正的增长引擎； 二是决定着产业能否走出“深水区”，进入可持续发展的新阶段；三是决定着重大理论、技术创新迭代是否有足够的“试验田”，建立起成熟稳定的商业模式。

    二、我国人工智能场景建设的现状和不足

    场景创新在我国的兴起最早来自人工智能企业，我国人工智能发展的优势也在于丰富的应用场景。近年来， 特别是2 0 1 7 年《新一代人工智能发展规划》颁布之后，我国对AI应用场景建设进行了全方位部署。2022年，科技部等六部门联合印发《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》，随后科技部又发布《关于支持建设新一代人工智能示范应用场景的通知》。目前，科技部已启动首批10个示范应用场景，对于解决人工智能应用和产业化问题、推动场景创新起到重要推动作用。

    同时，各地结合实际情况，对于场景建设进行了多方面探索。例如，北京市累计发布了四批数字经济应用场景重大项目，将人工智能场景作为重点支持方向，并通过中关村人工智能发展“十五条”、中关村“1+5”系列资金支持政策等，以项目方式支持应用场景建；2018年上海在全国率先启动人工智能应用场景建设计划，采取“揭榜挂帅”和动态发布机制，引导社会各界开放场景，并向全球征集解决方案。2022年10月，上海、深圳两地先后出台地方人工智能产业发展条例，为场景建设提供法治保障。

    整体看，由于互联网技术扩散的非均衡性，我国城市化深入推进和城市治理释放出巨大需求，各级政府谋划和统筹部署得力，我国在消费互联网、智能安防等领域已催生了若干代表性超大场景。但随着人工智能技术从消费到产业，从服务业到工业和农业，扩散的范围和深度不断加大，场景创新目前存在以下突出难点：

    一是重大场景系统设计不足，可复制推广的大场景少。我国应用场景目前主要聚焦在少数超大场景，但越来越少，智能工厂、智慧家居、智慧农场、自动驾驶、智能诊疗、智慧教育、智慧供应链等潜在重大场景还在培育阶段，尚未发展成熟。同时场景碎片化、多元化现象比较突出，根据德勤相关研究，在制造业领域，2025年物体搬运物流、智能计划排产、质量控制、现场作业等场景，人工智能应用规模将分别为12.3亿元、29.7亿元、23.2亿元、22.7亿元，需要加大潜力挖掘。我国启动实施了智能制造、绿色制造等重大工程，其中涉及的人工智能与产业融合应用项目仍较分散。

    二是场景机会开放程度仍不够。政府、公共机构、大型国企等主导的场景开放合作仍不足，一些重大场景民营企业很难参与。例如能源行业AI场景需求方主要为大型央企，主要依托自有体系，“揭榜挂帅”项目也基本由系统内企业、高校院所承担。同时，美国已对我国多家人工智能企业进行了系列制裁，导致企业正常的场景拓展受限。

    三是场景落地成本高，应用生态不完善。目前从调研的情况看，很多企业参与场景建设基本采用“一个场景一个模型”的小作坊模式，需要针对每个场景独立地完成模型选择、数据处理、模型优化、模型迭代等开发环节，导致周期长、成本高、效率低。根据I B M 2 0 2 2年5 月发布的《2 0 2 2 年全球A I 采用指数》报告，全球企业在规模化部署人工智能时，基本都会遇到算力投资难度大、模型泛化能力差等瓶颈。算法定制化、大模型成为有效解决这些问题的重要途径，但也存在成本和算力等方面的制约。

    四是数据成为制约AI应用落地的关键因素。AI要达到产业级应用，需要具备足够高质量的行业数据、科学恰当的算法模型等条件。在很多传统行业，数据多头采集、数据质量不高、数据专业性和特殊性强、标准不完全统一等问题普遍存在，从而制约了场景应用落地。根据对相关行业龙头企业的调研，制造业数据的可获得性、可通用性一般较弱，机器设备生成的数据通常较为复杂，有接近一半的数据是没有相关性的。在能源行业，很多子产业如石油勘探开发数据具有极强的专业性和特殊性， 且获取成本往往较高， 数据多为“ 小样本”，数据量无法满足深度学习的要求。

    三、深入推进人工智能场景创新的建议

    加快人工智能场景创新，需要推进已有相关政策和项目的落地，同时以问题为导向，坚持分类施策、开放融合，加强AI技术创新、场景应用、产业生态的一体化布局，培育一批AI领域的科技领军企业、科技型骨干企业和中小企业。

   (一)在重大场景建设中突出小切口

    结合公共安全治理和社会治理的需要继续做大安防场景，进一步发掘自动驾驶、智慧供应链等重大场景潜力，将其培育成为新的超大场景。在大场景下，重视小切口，特别是激励地方和龙头企业面向中小企业主动谋划场景机会的供给。进一步深挖长尾场景价值，更好地推动AI技术赋能千行百业。积极拓展企业级应用场景，支持各类企业利用AI技术进行数字化、智能化转型，培育智能营销、智能办公以及智能管理等企业级场景。

    (二)加强场景创新的开放融合

    引导和支持地方政府、领军企业着眼产业链全局推进场景建设，打破体制和区域等分割。重点以制造、能源、金融、物流等领域国有企业为试点对象，对人工智能民营企业开放更多高质量应用场景，特别是针对智能化工厂和车间、智能工业质检、智能供应链与物流、视觉风控、数据融合应用、防欺诈保护等重点细分场景， 打造典型落地应用样板。推动人工智能企业走出去，重点抓住共建“一带一路”参与国家数字基础设施建设和数字化智能化转型的机遇，加强我国人工智能场景创新经验的分享，以重大工程、合作园区等为重点，为我国企业拓展更大的发展空间。

    (三)以核心技术突破为牵引培育自主生态

    在相关重大科技项目中，支持人工智能企业开发面向工艺优化、生产管理、供应链管理等典型应用场景的算法研究。推动拥有自主深度学习框架的人工智能企业与国产底层芯片企业开展协同创新，以场景应用为牵引，进一步提升国产框架以及芯片的应用广度和深度，减少对国外开源框架和芯片的依赖。发挥领军企业主导作用，联合产业链企业、大学、科研机构，建设人工智能模型开放社区等平台，提供覆盖模型检索、下载、训练、推理、部署、应用等全生命周期服务，降低场景建设中的开发成本和部署成本。建设人工智能普惠型算力中心，强化算力统筹调度，提供高质量、高性价比的算力服务。引导政府机关、事业单位、国企、公共机构、重点行业主导的场景建设，优先使用自主深度学习框架、AI芯片等自主产品，培育壮大自主生态。

    (四)进一步加强数据的汇聚与治理

    依托产业重大创新平台、行业协会、产业技术创新联盟等，重点加强研发设计、生产制造、经营管理等各产业环节的数据汇集，建设一批典型场景的高质量公共训练数据集/数据库，为研发和应用提供充分的数据资源和环境支持。支持地方和行业建设数据标准化管理标注平台，实现全业务范围、全数据类型、全时间维度数据的统一管理、预处理及标注，针对不同类型场景需求进行专业化、标准化、精细化标注，充分发挥数据价值。建立健全数据确权、开放机制，进一步推进数据市场的运营、服务等主体建设，实现数据精准确权、授权、流转及二次开发，为政府提供数据归集、数据监管工具，确保场景创新中权责清晰。

(本文系科技部政策法规与创新体系建设司委托任务“产业科技创新政策重大问题研究”的阶段性成果。)