從數字化到智能化：人工智能塑造科技創新新范式

隨著新一代信息技術深度融合發展，全球科技創新正加速邁入從“數字賦能”向“智能引領”的深度轉型階段。人工智能正成為驅動科技創新范式變革的核心力量，大模型等前沿技術重塑了知識生產機制、組織模式與創新生態，推動科技創新從“經驗驅動”走向“智能主導”，構建起以“智能賦能一知識涌現一范式重組”為特征的科技創新新范式，成為我國實現高水平科技自立自強的重要引擎。

隨著以大數據、云計算、物聯網為代表的新一代信息技術不斷迭代演進，全球科技創新體系正加速邁向數字化、智能化深度融合的新階段。習近平總書記強調，人工智能是引領新一輪科技革命和產業變革的重要驅動力。當前，隨著科技革命和產業變革的持續深化，科研范式正在發生根本性轉變，跨學科融合趨勢愈發明顯，科技與經濟社會各領域呈現出加速融合、協同共進的態勢。在這一背景下，人工智能作為驅動第四次工業革命的核心技術，正從底層算法到應用場景不斷突破，推動科技創新從“數字賦能”向“智能引領”轉型升級。尤其是隨著深度學習、強化學習、多模態智能等前沿技術的廣泛應用，傳統依賴經驗驅動的科技創新模式，正在讓位于以數據驅動、模型驅動為核心的智能化范式變革。因此，系統梳理從數字化到智能化的發展脈絡，深入探討人工智能重塑科技創新路徑、機制與結構的邏輯基礎，既是貫徹落實國家科技戰略的重要理論任務，也是構建高水平科技自立自強體系的現實需要，對于培育人工智能引領的創新生態、加快形成具有全球競爭力的科技新優勢具有重大意義。

從數字化到智能化的發展進程與演化邏輯

數字化與智能化并非彼此孤立的技術階段，而是科技系統演進中的連續譜系與邏輯延展。數字化是以信息技術為基礎，將物理世界轉換為可計算、可存儲、可分析的數字形式，實現信息采集、傳輸和管理的過程。而智能化則是在數字化基礎上，引入人工智能等技術，使系統具備學習、推理、決策和自我優化能力的高級階段。從演進路徑來看，科技與產業的發展通常呈現出“由數據驅動向智能驅動”的階段性躍遷，其核心邏輯在于：以數字化為基礎構建全局數據感知體系，并在此基礎上借助人工智能賦能，實現知識生成、復雜決策與自我優化的能力躍升，最終推動科技系統從線性工具向范式主導的智能體系轉變。從數字化到智能化的發展不是一蹴而就的技術躍遷，而是一個伴隨著信息技術深度融合與創新體系再組織的漸進演化過程。這一過程可大致分為三個階段：數字化初級階段、深度數字化階段以及智能化升級階段。

第一階段是數字化初級階段，核心在于以計算機技術、信息系統和基礎網絡為依托，完成對傳統流程的數字編碼與系統化重構，推動政府、企業和科研機構完成基礎信息化建設。此階段重點在于打通原有物理系統的“信息孤島”，構建數據采集和存儲能力，實現傳統系統的數字轉型。例如，在制造業中部署ERP、MES系統，在科研領域構建高性能計算中心和數據庫平臺，在公共管理中推廣電子政務和數據平臺等。這一階段顯著特征是“系統信息化”而非“系統智能化”，盡管技術上尚未形成“智能決策”的能力，但通過構建系統互聯互通的“數據底座”和“系統聯通”，為后續算法嵌入與智能機制發展提供了先決條件。

第二階段是深度數字化階段，標志著從“數字系統的存在”向“數據系統的驅動”轉變。隨著物聯網、移動互聯網和大數據的迅猛發展，各類終端設備和傳感器持續生成海量數據，推動各類系統向“泛在連接、實時監控、數據驅動”的方向發展。此階段的顯著特征是以數據為核心資源，通過數據挖掘與可視化技術提升業務效率與管理決策能力。例如，智慧城市系統通過整合交通、安防、環境等數據，實現城市運行態勢的實時掌握；企業借助客戶行為數據優化產品設計與市場營銷；科研機構基于數據平臺進行大規模文獻挖掘與趨勢預測。這一階段的技術進步為智能生成奠定了“數據資產”與“算法土壤”的基礎，使得系統具備了從數據中學習與演化的前提條件。

第三階段是智能化升級階段，其核心在于人工智能技術的全面滲透與系統性整合。通過引入機器學習、自然語言處理、計算機視覺等關鍵技術，實現從“數據驅動”到“知識生成”的跨越，從“人決策”到“機器決策”的演進，標志著從深度數字化向全面智能化的躍遷。在該階段，系統具備感知、分析、預測和自我優化能力，實現復雜系統的智能調度與動態響應。例如，中國科學院物理所基于AI模型優化量子材料模擬，顯著提升新材料發現效率；清華大學自主研發的“科技情報大數據挖掘與服務系統”平臺（AMiner），實現科研問題的自動聚類與潛在研究方向的智能推薦；百度飛槳平臺（PaddlePaddle）在基礎科學研究中被用于蛋白質結構預測，助力科研人員加快實驗驗證進程。這一系列發展標志著科技系統正從“工具輔助”向“智能主導”演化，其范式性意義已日益顯現。

值得進一步指出的是，從數字化到智能化的演進不僅僅是技術能力的躍升，更深層地推動了科技系統結構的根本性重構。一方面，平臺化、生態化趨勢明顯，智能系統不再是單一工具，而是集成式、動態自演化的創新平臺。另一方面，創新主體從傳統研發團隊擴展到“人+機”協同、跨界融合的新形態，呈現出分布式、網絡化、多元參與的新特征。這種演進趨勢不僅推動了科技系統本身的重構，也對現有的管理機制、組織形態與創新范式提出了新的挑戰與要求。

人工智能驅動下的科技創新范式變革

傳統的科技創新范式的過程往往由“假設一實驗一驗證”線性展開，創新主體以人為主、協作方式以組織邊界為限。然而，數字化發展推動科研活動初步實現信息流通高效化、實驗流程自動化與資源配置網絡化，為智能化的孕育提供了土壤。當前，以人工智能為核心的智能技術系統正從工具層面躍升為方法層面乃至范式層面的主導力量，顯著重構著科技創新的組織模式、知識生成邏輯和價值創造機制。可以說，人工智能不僅推動了科技工具從“數字”走向“智能”的質變，更在深層次上重塑了創新活動的結構性邏輯，形成以“智能賦能一知識涌現一范式重組”為特征的科技創新新范式。

首先，人工智能改變了科技創新的知識生產機制。在傳統科技范式中，知識的產生依賴研究者的直覺、經驗與邏輯推理，而AI的引入使得科研過程具備從海量數據中自動識別規律、發現問題、生成假設的能力。例如，ChatGPT、DeepSeek等大模型算法可以在短時間內完成成千上萬篇文獻的語義抽取與知識圖譜構建，幫助研究人員從海量信息中發現潛在研究空白；AlphaFold等深度學習模型則突破了生物結構預測的傳統瓶頸，展示了“數據一算法一知識”閉環重塑科研邊界的能力。

其次，人工智能重構了科技創新的組織范式。傳統創新多以人為核心、以科研機構為單位，而人工智能的引入推動了“人一機協同”式的創新組織結構。AI不僅作為助手協助數據分析、實驗設計、代碼編寫，甚至在某些領域如化學合成、生物工程中具備獨立生成研究路徑與實驗方案的能力。這種“智能協同”范式促使創新活動由個人智力驅動轉向“混合智能系統”驅動，從而提升了科研效率與成果質量。

再次，人工智能打破了科技創新的邊界限制，推動跨學科、跨領域的知識融合。AI技術本身具有高度通用性，其在數學建模、自然語言、圖像識別、優化計算等方面的優勢使其能夠嵌入幾乎所有學科的研究過程，由此帶來的“學科融合一范式協同”趨勢，有力促進了科學研究的系統化、集成化與復雜性管理。例如，在智慧城市建設中，AI技術將工程技術、地理信息系統、社會行為科學與政策科學有效整合，構建出以智能算法為內核的跨界創新系統。

然后，人工智能推動創新主體呈現出多元協同與平臺化整合的發展態勢。在傳統模式中，科研活動主要集中于高校與研究機構，而在AI驅動的新范式中，科技創新越來越多地發生在平臺企業、開源社區、產學研協同網絡之中。技術平臺如OpenAI、DeepMind等已經成為前沿科技突破的策源地，而GitHub、arXiv等開源平臺則構建了開放式知識傳播與協同創新生態。人工智能所催生的這一“去中心化、去邊界化”的創新生態，顯著提升了科技創新的整體效率與響應速度。

最后，人工智能帶來了科技倫理、知識產權等方面的深層變革。在AI主導下，科研過程的“黑箱性”增強，對算法透明度、公平性與問責機制提出了新的挑戰；同時，AI生成成果的歸屬權、可靠性與學術合法性問題，也亟須法律制度與學術規范的跟進。這些都反映出新范式不僅是技術演進，更是科技治理范式的重大重組。

打造以人工智能為引領的智能化創新生態

人工智能通過深度學習、神經網絡、大模型等底層技術的突破，實現了從數據感知、知識生成到智能決策的系統性躍遷，推動科技創新范式從“數字驅動”邁向“智能主導”。打造以人工智能為引領的智能化創新生態，既是數字化發展的深化方向，也是實現科技范式躍遷和創新體系重構的戰略路徑。通過構建開放共享、高效協同、平臺驅動的智能創新生態，能夠有效打通從基礎研究到場景應用的價值鏈條，構筑支撐高質量發展的戰略性科技力量。

強化人工智能基礎研究與跨學科融合機制，夯實創新范式轉型根基。推動從數字化向智能化的科技創新范式演進，首要任務是增強人工智能基礎研究能力與學科交叉協同創新水平。在當前大模型、類腦計算、因果推理、強化學習等前沿領域不斷取得突破的背景下，應堅持“源頭創新”導向，加大對基礎算法、通用模型架構、量子智能等關鍵方向的長期、穩定投入。例如，清華大學成立人工智能學院，推動人工智能與數學、神經科學、材料物理的深度融合，瞄準基礎研究和關鍵核心技術突破。此外，應鼓勵高校與科研院所構建跨學科交叉研究平臺，采取“雙聘制”引進多學科人才，建立共享實驗設施和數據資源庫，實現研究成果與人才的高效流動。通過設立國家級人工智能交叉創新中心，推動智能技術與生命科學、材料工程、社會科學等多領域的融合突破，將為科技創新范式的重塑提供堅實的理論依據與關鍵性技術支撐。

加強智能數據基礎設施建設，支撐人工智能高質量發展。數據作為人工智能驅動的重要燃料，其可用性、結構化程度與安全規范直接決定智能化創新的質量和效率。當前，數據孤島、格式不統一、使用權限模糊等問題制約了人工智能模型的訓練與優化，亟須從國家層面加強智能數據基礎設施建設，推動“數據要素化”改革，將科研數據、產業數據、政務數據納入統一的開放治理體系。例如，中國科學院“數據云”項目已初步形成自然科學領域的數據聚合平臺，可為科研人員提供標準化、可調用的數據資源服務。在此基礎上，應建立數據共享標準與分類分級使用機制，強化對數據隱私、安全、合規的監管，特別是在醫療、金融等敏感領域。通過構建“高質量、可流通、可確權”的數據要素市場體系，不僅可促進人工智能訓練質量的躍升，也為產業智能化升級提供持續的知識供給與創新動能。

構建平臺化、生態化的智能創新生態體系，形成可持續協同發展格局。隨著人工智能技術及其產業鏈條不斷延伸，傳統的“單點技術突破一線性轉化一逐級應用”模式已難以滿足智能化創新需求，亟須構建“平臺 + 生態”協同創新體系。依托龍頭企業、高校、科研機構共建開源開放的人工智能基礎平臺，聚焦算法、模型、數據、算力等關鍵資源的模塊化協同。例如，百度“飛槳”、阿里“魔搭”、華為“昇騰MindSpore”等平臺已初步實現開源模型的模塊化集成與分布式訓練，激發了眾多中小企業與開發者的二次創新能力。同時，應打造“政產學研用”協同生態聯合體，支持各類主體在共性平臺基礎上開展行業定制化智能應用，推動平臺型技術服務與場景型創新深度融合。通過建立多層級、多主體、多應用場景協同的創新生態，將有效促進人工智能技術成果的快速轉化，推動科技創新從“工具賦能”走向“范式重構”的高質量躍遷。■

（潘建紅為北京科技大學馬克思主義學院教授、博士生導師，北京市科協科技社團與公共政策專業智庫基地首席專家；王慧為北京科技大學馬克思主義學院博士研究生。本文系北京市習近平新時代中國特色社會主義思想研究中心重大項目“構建支持全面創新體制機制研究”[24LLZXA096]的階段性成果）

兼職編輯：常思哲