当前 ，推动我国生成式人工智能产业发展迅速 ，生成式人相关企业数量已经超过4500家。工智然而 ，赋能产生成式人工智能与实体经济融合的推动深度和广度仍有待提升
，其巨大潜力尚未充分释放 。生成式人究其原因 ，工智一方面在于生成式人工智能技术本身仍处于快速发展期 ，赋能产成熟度有待提高；另一方面 ，推动不同产业因其自身特性和发展阶段的生成式人差异 ，对生成式人工智能技术的工智需求呈现显著差异 。为此，赋能产提升生成式人工智能技术的推动通用性和适用性
、推动科技创新与产业创新深度融合成为当务之急 。生成式人
应用驱动发展
，工智加速融入实际场景
当前，生成式人工智能的发展呈现出三个主要特征。
一是模型智能水平提升迅猛 。DeepSeek的R1模型和阿里巴巴的Qwen2.5系列均展示出与国际同类前沿模型相当的智能水平。其中
，DeepSeek在2024年末发布的R1推理模型 ，在多个推理任务上取得突破 ，成为中国AI历史上首个具备“类GPT-4”能力的开源大模型。此外 ，一批AI新兴企业也迅速崛起，陆续推出具备推理能力的高质量模型 ，形成了多点开花、梯队并进的竞争格局 。
二是开源生态构建展现出独特的产业发展优势 。相较于国际AI巨头多采用闭源策略，我国生成式人工智能头部企业在开源方面更为积极，频繁推出开源权重模型 ，推动了国内大模型社区的开放协作氛围 ，使中小企业和开发者得以基于优质模型进行定制开发和微调 ，加速了生成式人工智能的本土化创新与应用扩散 。
三是应用驱动创新成效显著，AI全面引领商业模式重构。多家企业将生成式人工智能嵌入搜索引擎 、输入法
、文字处理软件 、云服务等产品生态系统中 ，构建了涵盖搜索
、社交
、电商 、文娱、办公等多个领域的应用矩阵 。这种“模型即服务”模式，使得生成式人工智能快速深入到C端与B端用户的实际应用场景之中
。同时
，企业通过AI智能体的应用 ，将多模态 、物联网等技术系统化融合整合 ，释放出巨大商业潜力 。2024年以来 ，国内生成式人工智能应用的活跃用户规模和渗透率均在稳步增长，2024年11月应用渗透率达27.1% ，用户基础不断扩大 ，形成了以应用需求为核心的快速迭代路径 。
平台基础能力不足
，产业生态仍需完善
尽管中国生成式人工智能已在模型能力 、企业生态与应用广度方面取得突破性进展
，但其作为未来产业关键技术底座的普适性平台能力仍在演进迭代过程中 ，技术路径仍未收敛 ，整体生态发展呈现梯度分化 。这种分化体现在模型智能能力的集中化与平台通用性不足 ，也体现在算力资源 、数据基础 、标准体系等支撑条件的各自为战甚至碎片化
。生成式人工智能距离持续赋能发展新质生产力 ，构建现代化产业体系的目标仍有较大差距 。
一是生成式人工智能的产业应用可及性不足
。当前高性能大模型主要集中于少数头部企业
，形成中国生成式人工智能第一阵营 。然而 ，大量中小模型在国际通用评测标准中表现仍不突出 ，推理能力、泛化能力与稳定性存在较明显差距。中小企业与传统产业用户普遍缺乏模型定制与本地化部署能力 ，对生成式人工智能的适配能力较弱 ，难以将其嵌入核心业务流程 。多数大模型在通用性构建方面尚不成熟 ，语料同质
、交互风格趋同、接口标准不统一等问题较为普遍 ，尚未形成统一
、高效的跨行业赋能体系 ，也加剧了“头部先进、基层难用”的生态断层
，影响生成式人工智能作为通用基础平台的普适能力建设。
二是商业转化临界点尚未到来
，行业落地较为缓慢 。当前 ，生成式人工智能技术大规模商业化应用的路径不畅 ，在算力资源紧张与训练成本高企的背景下 ，企业在实际部署中对生成式人工智能创新的投入回报比不够理想 ，不同产业类型的生成式人工智能商业落地路径呈现出明显梯度
。传统产业整体数字化水平有限 ，模型与业务系统之间数据集成基础薄弱 ，短期内难以形成规模效应；新兴产业在部分场景中已实现探索性应用 ，但普遍仍处于“点状突破 、多点未及”的阶段；而未来产业由于具备更高的成本容忍度与对颠覆式创新的开放态度
，被认为是生成式人工智能最具战略潜力的应用场景
，但产业落地的不确定因素更多 。根据行业特点发挥科技金融等政策工具的分类施策路径尚需探索完善 。
三是产业化可持续推进支撑体系有待完善 。当前 ，生成式人工智能在标准规范 、治理机制与政策支持方面仍存在系统性滞后
，难以支撑其向平台化
、广覆盖方向发展 。技术层面
，尽管部分模型已实现开源
，但在训练流程
、API接口 、安全部署等关键环节尚未建立统一标准
，导致平台间互操作性差
、集成成本高 、生态协同效率低 ，制约中小企业与应用方的接入能力与创新空间
。治理层面
，缺乏覆盖模型安全
、责任划分 、风险管控的成熟机制
，难以应对模型开放性 、合成内容管理等带来的现实挑战。政策层面 ，现有扶持工具类型有限 ，且存在扶持力度不均衡
、覆盖范围不全面 、政策缺乏协调性等问题 ，未形成面向不同发展阶段主体的差异化支持体系
。基础设施层面 ，中文高质量语料、跨模态数据
、行业知识图谱等基础资源供给仍显不足 ，制约了模型通用能力与多场景适配能力的系统提升 。整体来看 ，支撑体系的缺口正在成为制约生成式人工智能产业化可持续发展的关键短板
。
坚持问题导向，构建系统性支持体系
当前 ，生成式人工智能正处于由模型突破向系统性赋能转化的关键阶段
，亟待政策体系与制度安排的同步演进
。在此背景下
，应坚持系统观与问题导向 ，围绕“夯实平台能力基础—推动融合落地—完善社会支持体系”的逻辑路径因类施策
，协同发力 ，加快构建与生成式人工智能相适应的新型产业体系和政策支持体系 。
第一 ，在技术侧培育平台型通用能力 ，强化融合赋能机制。支持建设跨行业
、跨模态的基础模型和训练数据体系，鼓励形成“可嵌入 、可重组、可演进”的通用生成引擎
。推动模型压缩优化 、异构部署与边缘计算适配 ，提升模型的轻量化与场景适应能力。
第二 ，在产业牵引侧因类施策
，推进融合落地与生态协同
。推动生成式人工智能在制造 、农业等传统行业中的数字基础建设与关键场景应用 ，解决“不愿用 、用不起”等现实问题 。支持新兴产业深化生成式人工智能场景应用 ，推动多技术融合 ，激发大中小企业融通发展活力 。引导前沿产业以生成式人工智能为引擎开展跨界预研与愿景孵化 ，培育未来增长极
。
第三，在社会体系支持侧完善基础保障与促进能力 。健全科技金融服务 ，完善算力券
、数据券等创新工具的发放机制与政策协同机制 ，形成政策合力 。推动公共数据与算力平台开放共享，提升中小机构生成式人工智能技术可及性 。优化跨学科教育体系 ，加快培养应用型人工智能人才 。加强用户教育和社会引导，构建共建共享的生成式人工智能应用生态 。
（陈海鹏 作者系上海市科学学研究所副所长 、正高级工程师）
