中国AI战略升级：建构国家级AI能力体系以把握发展主动权

人工智能已从一项通用技术发展为重塑国家竞争力与社会运行机制的战略力量。6月29日，国务院常务会议听取人工智能发展情况汇报，明确提出要“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、人才与资金保障、“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等方面作出系统部署。

这一政策方向标志着中国人工智能战略逻辑发生重要转变：从过去侧重产业培育、应用场景拓展和企业成长，转向构建支撑中国式现代化的国家级AI能力体系。

国家级AI能力体系并非单纯的技术集合，而是由关键核心技术、智能算力、高质量数据、场景应用、人才资本、安全治理、标准认证与国际合作构成的综合能力网络。

一、从“人工智能产业”转向“建设国家级AI能力体系”

过去对人工智能的关注主要集中在三个层面：一是模型能力，如参数规模与榜单成绩；二是应用场景，如企业在智能客服、智能创作等领域的落地；三是企业竞争力，如融资、产品迭代与商业化速度。

然而，当前人工智能竞争的深层逻辑已超越上述维度，演变为一种“体系性能力”——一种贯穿研发设计、生产制造、社会治理等全过程的新型生产力组织方式。谁能构建稳定、可持续、可扩散且可治理的AI能力体系，谁就将在未来产业变革、科技竞争和治理重塑中占据主导地位。

全球AI竞争呈现出四大明显特征。

第一，能力竞争焦点从“模型参数”转向“全栈生态”。

前沿模型的能力持续增强，其发展愈发依赖芯片、训练平台、数据工程、评测体系、开发者生态和应用反馈等全链条支撑。斯坦福大学发布的《AI Index Report》指出，前沿模型在博士级科学问题、多模态推理、竞赛数学和代码任务中均已达到或超过人类水平。

同时，美国2025年私人AI投资达到2859亿美元，全球AI资源呈现高度集中趋势。这种竞争已从“模型对模型”的比拼，演变为创新体系、资本体系、产业体系和基础设施体系之间的多维较量。

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”。

算力现已晋升为AI时代的战略性基础设施。据一些机构研究，到2030年，全球数据中心用电可能超过945太瓦时，AI是其中最重要的驱动力之一。这意味着，智算中心建设在信息通信层面之外，还涉及能源、电网、土地、水资源、芯片供应链、绿色低碳及区域布局等多维度系统工程。

未来国家的AI能力将很大程度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资源。

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《2025年全球AI调查报告》显示，88%的受访组织已在至少一个业务职能中常规使用AI。然而，多数企业仍处于试验或试点阶段，仅约三分之一开始规模化部署AI项目。此外，23%的组织已在某些职能中实现智能体系统的规模化使用，另有39%开始试验。

这表明，AI应用的难点不仅在于“能否接入模型”，更在于能否实现业务流程、组织结构、数据治理、责任机制与人机协作方式的全面重构。谁能在研发设计、生产制造、供应链管理、政务服务、公共安全、城市运行等关键环节中嵌入AI，谁才能真正将AI转化为生产力。

目前已有部分人形机器人品牌尝试进入家庭场景干家务。图源：路透社

第四，治理竞争从“事后监管”转向“全生命周期治理”。

AI带来的人工智能风险已从内容生成、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、就业冲击、算法歧视、智能体失控和国际安全等多个层面。当前技术演进速度远超风险证据积累速度，导致政策制定者面临“证据困境”：行动太早可能造成过度干预，等待证据完整又可能贻误治理窗口。

报告特别指出，通用AI已被运用于网络攻击准备、漏洞识别和恶意代码生成，并可能降低获取生物化学危险知识的门槛。因此，AI治理不能等到问题发生才进行应对，必须构建前瞻评估、测试认证、风险分级、运行监测与应急处置机制。

二、为什么此时强调“掌握发展主动权”？

这一问题应结合三个维度来理解：一是全球科技革命与产业变革的加速；二是中国经济高质量发展与新质生产力培育的需求；三是人工智能安全风险与国际治理竞争的新形势。

首先，人工智能技术正从“生成式AI”走向“行动型AI”。

2022年以来，大模型带动生成式AI迅速普及，涵盖文本、图像、代码、音频、视频生成等广泛领域。进入2025年后，技术重点从“回答问题”转向“推理、规划、调用工具、执行任务”，推动AI从信息处理工具升级为复杂任务执行系统，进而改变人的工作方式、组织逻辑与制度执行模式。

其次，中国经济正处于培育新质生产力与推动产业变革的关键阶段。

中国拥有完整的产业体系、庞大的市场、丰富的场景应用与快速增长的数据资源，这些构成了AI发展的关键优势。

国务院发布的《关于深入实施“人工智能+”行动的意见》提出，要充分利用中国在数据、产业和场景方面的优势，推动AI与各行业的深度融合，形成智能经济与智能社会的新形态，并提出“三步走”的发展路径，表明AI将成为推动产业变革的重要引擎。

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

再次，全球AI竞争已进入“基础设施—标准—规则”并重阶段。

美国聚焦AI创新、基础设施与国际安全外交，欧盟则以《人工智能法案》为核心，构建基于风险的规则体系。这一趋势表明，人工智能已成为国家战略竞争的核心要素。从互联网平台到开放数据，竞争焦点已转向AI芯片、数据中心、基础模型、人才结构、行业数据、标准认证、监管能力与国际规则制定权。

最后，AI安全风险已构成影响长期发展的硬约束。

中国已发布《生成式人工智能服务管理暂行办法》，从促进AI健康发展、维护国家安全、保护公民权益等方面建立基础监管框架。2026年发布的《人工智能拟人化互动服务管理暂行办法》则进一步聚焦持续性情感互动服务，强调发展与安全并重、包容审慎、分类分级监管等原则，并明确提出防范情感操控、未成年人风险等深层问题。

三、未来竞争的关键，非“有没有AI”，而看“有没有体系化AI能力”

目前，我国AI已具备一定基础，但仍需解决一些结构性问题以真正掌握发展主动权。

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已取得进展，但在高端AI芯片、软硬协同生态、基础框架、训练推理系统、原创架构、安全评测等方面仍面临挑战。特别是在全球高端芯片供应链高度集中的背景下，AI发展不能过度依赖海外技术支撑。

斯坦福报告指出，全球AI芯片供应链高度依赖少数关键企业，多数领先AI芯片由我国台湾地区主导。这对中国而言，不仅是产业升级的问题，更是国家安全与技术韧性的关键。

第二，智能算力的供给、调度、成本与绿色约束亟待优化。

尽管各地智算中心建设热度上升，但也出现了重复建设、供需错配、利用率不均、能耗高、区域布局不合理等问题。AI对算力的需求已从训练阶段扩展至推理阶段，从大模型企业渗透至各行各业，从云端覆盖到边缘端、终端及工业现场。

因此，国常会强调超大规模智算集群建设，需结合全国一体化算力网络、绿色电力、能源调度、网络传输与公共算力服务等维度协同推进。

第三，高质量数据供给仍是制约AI落地的深层瓶颈。

国家数据局指出，高质量数据集是推动“人工智能+”赋能千行百业的基础资源，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”的数据飞轮机制。当前中国拥有庞大的数据总量，但依然缺乏能直接用于训练、微调、评测与行业应用的高质量数据。

第四，AI应用普遍存在“试点多、规模化少”的问题。

许多地方政府与企业已开展AI示范项目，但真正能嵌入核心业务流程且可持续创造治理效能或经济价值的案例仍较少。麦肯锡报告显示，即便AI使用范围扩大，多数企业仍在实验或试点阶段，规模化部署比例有限。

第五，AI人才结构与现实需求匹配度仍需提升。

一方面，AI、大数据、网络与网络安全等技能的缺口制约企业转型；另一方面，AI对就业结构的影响尚未完全显现，既有提升效率的潜力，也可能加剧社会不平等。因此，中国的AI人才政策既要培养顶尖人才，也要推动全社会AI素养提升与劳动者技能转型。

第六，安全治理体系仍需从原则走向操作化。

尽管AI治理已有制度基础，但在通用大模型、智能体、具身智能、拟人化互动、自动决策和公共治理等应用场景下，监管仍然面临分类分级不明确、测试认证体系未成熟、运行监测机制不健全、责任链条不清等挑战。

30余个OECD国家中，有30个国家已建立政府数据互操作系统，但在其中仅23个国家报告中央层面超50%的公共机构广泛使用该系统。

四、抓住“牛鼻子”，打造支撑国家级AI能力底座

构建国家级AI能力体系，需聚焦关键技术攻关，形成系统性支持。

技术攻关不仅是追赶国际榜单，更应围绕基础理论、模型架构、训练推理方法、AI芯片、开放生态、安全评测与智能体系统等方向进行长期布局，推动AI创新从“应用集成”转向“底层能力型创新”。

当前一些行业AI应用仍依赖外部模型接口，虽短期成本低、见效快，但长期易形成对模型、数据、算力及工具链的依赖。国家级AI能力需能够支撑重大科研、先进制造、公共治理和国家安全等关键场景，在重要节点具备可控性、可信度与可持续性。

因此，需支持龙头企业、高校、科研机构与新型研发机构围绕“无人区”开展基础研究，建立稳定支持与容错机制，避免仅凭短期商业回报评价所有AI基础创新。

第二，超大规模智算集群建设需成为新型基础设施的核心任务。

智算中心的建设不应分散各地各自为战，而需形成统一布局、弹性调度、绿色安全及普及可及的算力体系。未来应重点解决四个问题：训练与推理算力的协同发展、公共与商业算力的协同整合、算力与能源系统的统筹以及算力与数据资源的闭环联动。

6月4日，呼和浩特和林格尔新区建设中的浦发银行数据中心项目。图源：新华社

第三，高质量数据集建设应成为AI落地的关键领域。

数据是AI的燃料，但只有高质量、合法合规、持续更新、深度场景化的数据，才能真正转化为模型能力。需坚持“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”的体系建设。

第四，应将“人工智能+”应用作为深化产业与治理重构的牵引力量。

“人工智能+”并非简单为传统业务增加AI插件，而是推动技术、流程、组织与制度同步变革。中国拥有完整的产业体系与丰富的治理场景，如若能在制造业、现代服务业、农业、城市治理、医疗教育、文化传播等关键领域嵌入AI，便可能形成不同于消费互联网与平台经济的新升级空间。

第五，加强AI安全治理与测试认证是实现长期发展的关键保障。

AI治理的目标并非限制创新，而是为创新构建可信边界。欧盟《人工智能法案》已提供重要参考，后续中国需进一步完善相关机制，将“安全可信”转化为可评测、可认证、可审计与可追责的制度能力。