增強產業界和學術界協同創新能力

近年來，AlphaGo、ChatGPT、Sora等人工智能顛覆性創新主要由產業界推出，這一現象反映的客觀趨勢是產業界日益成為人工智能基礎研究和顛覆性產品主要策源地。這場全球范圍內的創新范式變革對人工智能發展模式和政策邏輯影響深遠，對培育未來產業極具借鑒價值。須順應變革規律，加快核心資源向產業集聚，以孕育更多顛覆性產品為目標打造人工智能創新生態2.0版，進一步增強產業界和學術界協同創新能力。

產業界主導人工智能

顛覆性創新的全球趨勢

直到21世紀初期，學術界和產業界在人工智能研究上還是平分秋色。但過去10年中，產業界逐漸成為人工智能基礎研究和顛覆性創新產品的主要策源地。

從數量上看，產業界在人工智能最大和最重要模型的開發上處于主導地位。在發展早期，專家系統等人工智能標志性模型主要由學術界開發。隨著人工智能模型數據量和參數規模的爆炸式增長，產業界在標志性領先模型的開發上走在了學術界的前面。例如，ChatGPT使用的核心技術變換器模型（Transformer），正是谷歌在2017年提出的一種采用注意力機制的深度學習模型，在精度和性能上都要優于之前流行的模型，大幅提升了模型訓練的效果（雖然推出ChatGPT和Sora的公司OpenAI成立之初定位于非營利性組織，但2019年已轉成營利組織，成為產業界的一員）。斯坦福大學最新發布的《2024年人工智能指數報告》顯示，2014年之前，全球最重要的人工智能模型都是由學術界發布，到2023年，產業界發布51個重要機器學習模型，學術界僅有15個。

從質量上看，產業界在人工智能模型開發評測中處于領先地位。全球人工智能模型評測網站數據顯示，在圖像識別、情感分析、語言建模和機器翻譯等20個子領域中，2017年之前，具有領先優勢的模型中40%左右由產業界（部分與學術界聯合）開發，2017年至今，這一比例已上升至80%左右。其中，情感分析子領域的轉變最大。2017年之前，該領域領先模型中77%由學術界開發，2020年以后則幾乎全部由產業界（部分與學術界聯合）開發。產業界是最近10年人工智能模型性能快速提升的主要動力。

從基礎上看，產業界在人工智能論文發表中的地位穩步上升。學術論文的數量、質量、來源等是一個領域基礎研究情況的重要表征。早期的人工智能研究論文主要由學術界發表，但近年來產業界的比例在逐步提升。麻省理工學院的研究表明，在人工智能前十大頂級會議上發表的學術論文中，至少有一位產業界合著者的研究論文數量占比已經從2000年22%增長到2020年以來的40%左右。即使按照更加嚴格計算方法，以作者身份的比例計算（一篇論文N個作者，其中X個作者隸屬產業界，則屬于產業界的論文數量為X/N），產業界發表的論文比例從2010年的不到10%增加到2020年以來的20%左右，翻了一倍多，這一比例目前還在不斷提升。

產業界主導人工智能

顛覆性創新的深層動因

一是技術發展階段決定。人工智能技術產業化路徑日漸清晰，特別是以大模型為代表的技術加速突破邁向規模化應用階段。從技術演進史看，任何一項新技術在導入期進步通常比較緩慢甚至出現中斷，進入加速期后開始全面滲透、實現規模化應用，這一時期創新資源逐漸向產業界集聚，新技術的顛覆性創新產品逐漸由產業界主導。如汽車、飛機等領域在規模化后的技術創新產品幾乎全部由產業界大企業推動。人工智能也不例外。隨著新一輪科技革命和產業變革加速演進，以ChatGPT為代表的大模型在智能制造、無人駕駛等各行各業落子不斷，人工智能加速進入規模化應用階段。產業界作為人工智能技術進入加速期后創新活動的最大載體，人工智能密切依賴的算力、數據、資金等創新資源都離不開產業界支持。在算力方面，2010年，產業界從與學術界算力水平相當，到2023年，產業界算力水平已經超過學術界算力水平10倍，算力鴻溝持續擴大。在數據方面，作為人工智能發展的基礎和動力，大型科技公司通過智能設備、APP、數字平臺等掌握了規模龐大、質量好、價值密度高的用戶數據，如谷歌每天處理超過35億次搜索，騰訊每日數據連接總數達35萬億條，學術界則難以擁有相匹配的優勢海量數據資源。

二是創新范式變革決定。人工智能基礎研究變得極度依賴應用場景，理論轉化周期明顯縮短必然要求產業界發揮主導作用。當前，新技術領域基礎研究和應用研究邊界逐漸模糊，打破了從基礎研究到應用研究再到產業化的傳統線性創新范式。人工智能成為新的創新范式下演變最激烈，也是最直觀的領域。一方面，進入復雜科學時代，基礎研究與實際應用的結合更加緊密，貼近應用、解決用戶需求成為人工智能基礎研究最大支撐力量。近年來，人工智能在垂直領域得到大規模應用，這些實際應用進一步帶動人工智能技術實現突破。例如，生物化學領域借助人工智能預測了幾乎所有已知的蛋白質結構，同時，研究人員通過開發人工智能新算法生成特定的蛋白質，為制造更加有效生物疫苗和可持續生物材料提供可能。另一方面，有研究顯示基礎研究的商業見效周期已經從20世紀七八十年代的7年縮短到目前的3至5年，基礎研究轉化周期明顯縮短。人工智能商業化見效周期更加迅速。例如，人工智能核心技術變換器模型作為人工智能基礎研究向前邁出的重要一步，幾乎是立即應用于商業化。

三是組織模式轉變決定。人工智能愈發依賴跨學科、工程化的創新方式，依托產業集聚頂級科學家和多學科人才成為關鍵。隨著傳統線性創新范式被打破，科學研究范式新變革正在重塑科研組織模式，人工智能等新技術顛覆式創新愈發依賴跨學科、跨領域、跨組織的研究模式。以Sora為例，研究團隊中除來自科技巨頭（如Meta、亞馬遜等）和頂尖高校（如加州大學伯克利分校、麻省理工學院等）的研究人員外，更是擁有一群藝術與科技復合背景的研究人員，這種跨界組織研發模式為Sora在人工智能視頻生成領域取得突破性成果提供強大支撐。數據顯示，產業界正成為頂級科學家和高級人才的主要集聚地。美國管理學會數據顯示，過去10年全球人工智能領域最頂尖的100名科學家中，有超過一半的科學家在產業界從事研究工作，其中，有28名是從學術界轉向產業界的。其他高級人才向產業集聚的態勢更加明顯。人工智能專業博士畢業生開始全面進入產業界。美國國家科學基金會的數據顯示，2004年人工智能博士畢業生僅有21%進入產業界，但近年來，這一比例躍升至70%。

相比于學術界，產業界掌握了更多數據、算力等關鍵資源，并據此開發出最先進的人工智能模型，走在了基礎研究和顛覆式產品開發的最前沿。更好的模型和產品又使得產業界能獲得更多市場回報。如此循環累積，產業界與學術界在人工智能發展上的鴻溝日益拉大。這一范式轉變要求企業家、政策制定者重新思考人工智能的發展模式、政策邏輯，更是對培育未來產業發展帶來深遠影響。

產業界主導人工智能

顛覆性創新對我國政策啟示

產業界主導人工智能基礎研究和顛覆性產品的變革規律對我國人工智能縮小與美差距，實現追趕具有雙重影響。一方面這有利于加速追趕。我國數據量預計將在2025年超過美國，并與美國同屬全球算力領跑者；同時擁有世界排名前列的大型科技公司和快速涌現的人工智能創業企業，人工智能應用場景世界第一。另一方面這也會拖累追趕。我國領軍科技企業基礎研究意愿與能力較低，部分關鍵資源差距大且未向產業界集中。人工智能領域全球前100名頂尖科學家中我國僅有個位數，且幾乎都在學術界，而美國微軟、臉書、谷歌和蘋果4家公司就雇傭了近40人；美國人工智能私人投資額和新資助企業數量均是我國3.5倍左右。亟須順應人工智能發展范式變革規律，調整優化產業政策，盡快追趕上美國，在新一輪全球人工智能競爭中搶奪領先地位。

首先，加快推動數據和算力等關鍵資源向產業集聚。充足的資源是孕育顛覆性產品的基礎和必要條件。一是加快高質量數據資源向產業匯聚。鼓勵開展數據所有權、使用權、收益權等分離的創新探索，為產業界匯聚更多數據打下產權制度基礎；加快產業數據空間建設，構建數據互通互操作生態，推動產業數據貫通融合。二是彌補高質量算力資源短板。實施好關鍵核心技術攻關工程，加大投資力度，加速高端芯片制造落地，為產業提供有競爭力的優質算力資源。

其次，以孕育更多顛覆性產品為目標打造人工智能創新生態2.0版。我國人工智能創新生態已初步建立，在培育漸進式產品創新上運轉良好，但面向前沿突破、存在不確定性的顛覆性創新孵化上仍存在不足。一是引導科技巨頭提升基礎研究和發現顛覆式創新的定力、能力。通過激勵性監管引導大型企業向科技創新前沿進發，鼓勵大型科技企業參與國家基礎研究、產業鏈供應鏈韌性和安全提升等重大工程和項目，提升基礎研究積極性。二是支持培育更多具有使命感的初創企業。強化創業引導，加大對取得重大創新、顛覆性創新創業者的宣傳和獎勵，激發創業者承擔重大使命、破解大難題的創業精神。

增強產業界和學術界協同創新能力。一是優化學術界訪問產業界人工智能系統的體制機制，穩步推動產業界資源實現有序向高校和科研院所開源開放。二是加快建設公共數據集和公共智算中心，為學術界開發出具有類似實力的競爭模型提供關鍵資源。三是完善頂級科學家在產業和高校科研院所的雙向流動機制，打造有利于培育頂級科學家的制度環境。