从“盆景”到“雨林” 央企“人工智能+”从何发力？

  在湖南湘江新区长沙智谷，观众使用颈部超声诊断机器人进行体检。新华社记者 陈思汗 摄

图片来源于网络，如有侵权，请联系删除

  在能源、制造、通信等16个重点行业打造了800多个应用场景；建设行业数据集超过1000个；“九天”“星辰”“元景”等大模型已基本具备全模态、复杂推理及智能体构建能力……当前，中央企业正深入推进“人工智能+”行动，在算力、数据、模型、应用等全方位发力，推动从“盆景式”试点落地到“雨林式”规模应用。

图片来源于网络，如有侵权，请联系删除

  但是记者在调研采访中获悉，央企业务场景多为定制化需求，推动人工智能规模化落地仍存诸多制约，需要进一步展开长周期规划，在自主研发、高质量数据集建设、场景赋能与创新、人才队伍建设等方面进一步探索和发力。

  央企“AI+”专项行动向纵深推进

  “数智赋能，物联创效”——长庆油田页岩油开发分公司西峰生产指挥中心墙上的八个大字异常醒目。巨型屏幕前，工作人员轻点物联网云平台“产量差异分析”模块，红绿柱状图瞬间呈现增油量与递减量。三次点击，系统便锁定某中心站单井异常减产点——整个过程不到十秒。

  这是中国石油“数智石油”建设的一个缩影。该企业建成我国能源化工领域首个通过国家备案的行业大模型——昆仑大模型，完成330亿到700亿、再到3000亿参数的迭代升级，深度赋能上百个产业应用场景；同时，项目团队组建10个攻坚组，围绕26条业务线、119个业务域，优化形成“十域百景千应用”的全景视图。以业界首个地震正反演大模型为例，使得地震波波动方程求解效率提升10倍，勘探项目周期缩短20%以上。

  如今，“人工智能+”的产品正在加速赋能各行各业。就在不久前，国务院印发了《关于深入实施“人工智能+”行动的意见》。意见提出，通过科技、产业、消费、民生、治理和全球合作六大重点行动，明确到2027年，智能终端、智能体等应用普及率超70%，2035年全面步入智能社会。

  北京邮电大学人工智能学院教授张闯认为，国资央企凭借在能源、交通、金融、通信等关键领域的规模化场景优势，成为AI技术落地的重要“试验田”与“孵化器”，承担着国家战略实施者、技术创新引领者、产业生态构建者的核心角色。

  2024年以来，国资委组织深入实施中央企业“AI+”专项行动。目前已在能源、制造、通信等16个重点行业打造了800多个应用场景；成立了交通物流、绿色低碳、智慧能源3个行业数据产业共同体，建设行业数据集超过1000个；通信运营商加快向AI基础底座供应商转变，累计投资超百亿元，建成4个“万卡集群”，智算规模比“AI+”行动实施前增长超过2倍；“九天”“星辰”“元景”等大模型已基本具备全模态、复杂推理及智能体构建能力，在能源电力、工业制造等领域加快应用。

  在2025年世界人工智能大会期间，国务院国资委正式发布了首批40项央企人工智能战略性高价值场景，建设“国资央企人工智能战略性高价值场景库”，以此为基础推动央企持续挖掘、积极开放行业核心场景，协同各方共建共享，深度融合人工智能科技创新与产业创新，打造人工智能+科学、生物医药、新材料研发、具身智能、新型工业化等应用标杆，助力传统产业提质升级，开辟战略性新兴产业和未来产业发展新赛道，推动“盆景式”试点落地到“雨林式”规模应用。

  中国移动承担的“公有云全流程AI+处置亿级云端威胁”正是首批场景之一。据介绍，移动云以云原生自适应安全架构作为安全基座，融合九天、DeepSeek等基础大模型能力，孵化安全云脑智能运营平台，落地应用于移动云数十个资源池，纳管全网数千套安全设备，日均处理安全数据超70亿，实现安全运营智能化、高效化和精准化，安全事件工单平均处置时长压降82.5%，安全告警自动化处置率达99%，告警误报率压降至0.2%，节省人工成本超千万。

  国家电网也积极运用人工智能赋能电力系统运行管理、生产作业管理、经营管理和客户服务等多个领域。以此次列入的“电力输变电设备智能巡检与作业处置”场景为例，全面推广输电无人机智能巡检、变电智能巡视、电力智能作业等应用；系统布局研发系列机器人装备，配网带电作业机器人已迭代研发至第四代；探索应用人工智能技术对特高压直流设备运行状态开展智能分析，故障智能研判和快速处理效率提升50%。

  中国中车则围绕“AI+装备制造业”，重点打造“研发设计”“生产制造”“运维服务”3大领域13个制造业核心流程场景。在高速动车组气动阻力仿真场景中，基于既有仿真、试验数据，构建高速动车组气动载荷标准数据库，基于科学计算大模型平台，创新性地构建了智能化仿真大模型。实现了计算效率由24小时缩短到10秒级，结果误差小于8%，未来预期实现仿真周期从10秒级到秒级、结果误差小于5%的跨越式突破。

  规模化落地仍存四大制约

  记者在采访中获悉，央企业务场景多为定制化需求，需结合工艺、设备、环境等复杂变量，这给人工智能规模化落地提出了不小的挑战。

  首先是技术与产业的融合制约。多家中央企业反映，人工智能技术与企业核心生产环节融合仍存困难。相关企业负责人告诉记者，通用大模型在支持企业垂类大模型构建、满足特定需求方面还要进一步加强，有待联合突破。

  “模型与复杂业务场景的适配性不足。”中国移动研究院用户与市场研究所所长林琳解释说，目前企业使用的模型以小模型和蒸馏过的轻量化大模型为主，小模型通常用于处理特定领域或任务，其知识库相对有限，制约了复杂推理任务场景的表现；轻量化大模型虽然本地化部署成本较低，但仍存在泛化能力有限、可解释性差、幻觉无法消除等问题，模型推理准确率和稳定性难以达到企业生产级要求。

  赛智产业研究院人工智能研究所副所长安赟也指出，AI技术公司的通用方案往往“水土不服”，而央国企的行业专家又难以将模糊的业务痛点转化为清晰的技术需求。这种供需“鸿沟”使技术优势难以高效转化为产业优势和经济价值。

  其次是部署成本的制约。“制造业尤其是传统的重型装备制造领域，存在大量老旧设备。这些设备在设计之初并未考虑数据采集，可能没有传感器接口或者接口协议封闭，对其进行数字化改造（加装传感器、网关）成本高、周期长、技术难度大。”中车集团数智化部负责人坦言。

  林琳也表示，产业级人工智能应用往往需要将算法模型融入机器设备，因而需要生产设备换代升级、产线改造、大量生产数据的采集处理以及行业知识的整理汇聚，部署过程复杂、资金投入大、建设周期长，企业对于技术投入产出比存在顾虑。

  再次，央企“供数”“用数”障碍，也造成人工智能落地应用难。作为人工智能发展的三大核心要素之一，数据在推动“人工智能+”过程中发挥着关键作用，特别是高质量数据集的建设至关重要。不少受访对象表示，中央企业对数据资源的需求日益增强，但也面临着企业内部数据治理不完善、数据共建标准缺失、数据安全存挑战等难题，造成高质量数据供给不足，跨主体、跨行业的数据流通共享不足，数据要素价值有效释放不足。

  此外，人才结构也存在短板。中国石油集团数字和信息化管理部总经理胡炳军坦言，既掌握油气行业知识又掌握人工智能领域的高水平复合型人才相对匮乏，人才培养体系有待完善。

  事实上，目前各行业企业普遍缺少“既懂业务、又懂人工智能”的复合型人才。根据中关村产业研究院测算，到2025年北京人工智能人才需求量约为54万人，缺口将达37万人，其中复合型人才缺口为21万人。

  开展长周期规划由点带面实现突破

  受访人士认为，未来央企应开展围绕“AI+”的长周期规划，在人才队伍建设、自主研发、高质量数据集建设、场景赋能与创新等方面，明确时间表路线图。注重AI产业生态的渗透作用，做深做实数字要素基座，实现AI赋能与数字化转型的持续突破，推进人工智能等技术加速落地、转化为现实生产力。

  具体而言，一是支持央企发挥示范引领作用，共建行业大模型。受访专家一致建议，聚焦战略意义强、经济收益高的核心应用场景，将AI技术深度嵌入业务全流程，推动应用场景开放，强化与各类所有制企业联合研发，当好协同创新和产业协作的组织者。“率先打造智能制造、自动驾驶、具身智能等前沿场景的标杆应用案例，引领中小企业加快人工智能技术落地应用。”林琳称。

  中车集团数智化部负责人认为，在深挖工业制造、能源电力等高价值场景的同时，应依托央企在能源、交通等领域的数据优势，共建行业大模型，增强我国在全球AI领域的竞争力。

  二是强化国家级平台与资源统筹，推动各方共建开放协同创新体系。安赟认为，需支持央国企牵头建设国家级AI创新平台、行业大模型和高质量数据集，提升AI创新效率。

  促进供需协同创新、加强产学研联动也至关重要。在林琳看来，要汇聚人工智能技术供给方的央企在算法模型、数据、算力方面的优势资源，为应用方提供应用创新支撑，推动双方共同在标准制修订、应用孵化、具体场景实际问题攻关方面开展合作。推动央企与顶尖科研院所搭建合作桥梁，出台专项政策，组建技术研发联合体，鼓励联合开展关键技术攻关。

  三是加快数据要素市场化配置改革，支持央国企在数据要素市场化改革中先行先试。相关企业建议，由国家相关部委统筹指导，围绕数据质量提升、统一数据标准、安全风险管控、数据共享流通等方面，制定相应政策，指导中央企业建立更加完备的高质量数据集。

  针对企业内部数据采集、运用、治理尚不完善的问题，胡炳军认为，需深入推进数据效能提升行动，强化数据资源全量管理，加快拓展统一数据平台覆盖面；畅通数据开放渠道，让更多的数据价值赋能企业高质量发展。

  四是创新体制机制，强化人才队伍建设。拓展多元化融资渠道，激发创新活力。受访央企呼吁，完善人才政策，鼓励央企与高校合作，通过设立人工智能定向人才培养项目、建立就业实习基地、专业培训等方式，共同培养人工智能领域的复合型人才，夯实发展根基。同时，在薪酬待遇、成果转化等方面建立更符合AI行业特点的人才评价和激励体系。