单志广 | "十五五"人工智能发展趋势与推进策略

本文为全国数字经济专业学位研究生教指委委员、国家信息中心信息化和产业发展部主任单志广日前在“第二届全国数字经济学术年”上以《"十五五"人工智能发展趋势与推进策略》为题的主旨分享内容整理。

欢迎各位老师的到来，我想从技术进步与经济发展相协调角度讲述人工智能的相关观点。

前面几位专家从经济学视角出发分别对数字经济概念体系、稳定币等内容做了系统阐述。我的专业是自动控制和计算机网络，因此想从技术视角做一些补充。从数字技术角度看数字经济学概念体系，数字经济学不仅应用于经济学领域，而且也应该适用于工程领域。例如在东数西算、南水北调和雅江水电站等工程设计完成后，数字经济学可以对其长期运行的效益进行分析。就稳定币而言，我们需要关注区块链技术。中国境内的监管要求不能发展无监管机制的公有链，只能发展许可链。区块链发展需要基础设施，国家信息中心从2019年开始打造开放合作的全球性区块链基础设施——区块链服务网络（BSN），实现跨网跨云跨链的区块链公用基础设施。BSN现在全球有152个算力中心节点，已经是全球节点数量最多、技术体系最全的区块链基础设施。

“技术-经济”协调发展的视角

现在，我想沿着“技术-经济”协调发展的视角来讲述人工智能。

首先，我们需要对人工智能技术有正确的认识，修正对AGI的狂热认知。人工智能技术诞生于1956年，旨在用机器模拟人的智慧形式。从机器学习思想的出现，到神经网络与深度学习的深入研究，再到卷积神经网络与Transformer的突破，人工智能的智能化水平从最早的分析式/决策式智能进化到现在的生成式人工智能。但需要注意的是，无论是AlphaGo还是当下火热的ChatGPT等大模型，都未实现真正的通用人工智能。传统的分析式人工智能技术具有因果关系，而大模型没有因果关系，本质上是一种基于统计的方法，这种方法依赖于统计规律，而非逻辑推理，这就导致现在的生成式人工智能具有“幻觉”，缺乏世界物理模型的支持，是不可信的。

在重新认识人工智能技术的基础上，我们来看国家在人工智能领域的战略规划。我们发现，国家在人工智能领域的战略规划符合“技术-经济”相协调的逻辑。截止目前，我国主要有两个对人工智能发展非常重要的政策：一个是2017年的《新一代人工智能发展规划》，对应于AlphaGo的出现；另一个是今年的《关于深入实施“人工智能+”行动的意见》（以下称《意见》），对应于生成式人工智能的出现。在《意见》中，我们提出智能经济新目标。一是到2027年，率先实现人工智能与六大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超过70%，智能经济核心产业规模快速增长，人工智能在公共治理中的作用明显增强，人工智能开放合作体系不断完善；二是到2030年，我国人工智能全面赋能高质量发展，新一代智能终端、智能体等应用普及率超过90%，智能经济成为我国经济发展的重要增长极，推动技术普惠和成果共享；三是到2035年，我国全面步入智能经济和智能社会发展新阶段，为基本实现社会主义现代化建设提供有力支撑。

从国际视野来看，这一逻辑更加显著：正是中美两国大型科技公司在人工智能技术发展认知上的差异，使得两国选择不同的发展路径。美国部分企业坚信，能够超越人类思维的机器将彻底改变科学研究、开辟全新领域，并重塑美国军事力量。因此，美国致力于通用人工智能（AGI）的研究。与美国在芯片、数据、算力等领域具有优势不同，我国具有数据资源丰富、产业体系完备、应用场景广阔、市场空间巨大等优势。因此，中国人工智能发展避开AGI的竞赛，选择让科技产业以应用为导向，打造实用的低成本应用工具，旨在提升效率且易于推广，总结为“应用为王，场景驱动，小步快走，快速迭代，步步为赢，积小胜为大胜”。最终表现为，美国要“登天”，中国要“落地”。

需要注意的是，美国大厂所鼓吹的AGI在全球认识内存在很大分歧。部分科学家认为一家公司3-5年就能实现，但更多人认为通用人工智能仍然遥不可及。正如越来越多硅谷人士所警告的那样，由于本身不具有因果性，人工智能投资领域可能存在投资泡沫。

人工智能大模型发展趋势

然后，我想从技术视角来讲述人工智能大模型发展趋势。

首先是认识大模型。大模型主要通过从海量数据中学习来构建自身能力，其本质是一种基于统计的方法，这种方法依赖统计规律而非逻辑推理。以大语言模型为代表的生成式人工智能，就是基于联合概率的最大值——也就是马尔科夫链的自然推广——取得信息熵最大和能量最小的过程，遵循物理学的玻尔兹曼分布以及吉布斯分布来模拟人类语言等行为。

那么神经网络为何能通过学习记住世界百科知识呢？与现在的数据库不同，大模型将数字化的信息以参数的形式存储在深度神经网络连接和权重里，通过计算输出下一个Token，而非传统的数据库记录信息的方式。本质是学习并形成高效的信息与知识编码。目前，大模型具有类似人类的三大心智特征：涌现（Breakthroughness）、顿悟（Grokking）和幻觉（Hallucination）。所谓涌现，指的是大模型能从海量的学习数据中“举一反三”，挖掘已有数据中没有的知识。顿悟，指的是神经网络训练过程中存在门槛效应，即学习次数到达一定阈值后才会“学会”。幻觉则是指，模型生成的内容与现实世界事实或用户输入不一致的现象，包括逻辑谬误、捏造事实、数据驱动偏见等三大类型。

在此基础上，大模型成为继数据库和搜索引擎之后的新一代“知识表示和调用方式”。早期，知识以结构化的方式存储在数据库中，人类需要掌握机器语言才能调用这些知识；后来，互联网技术使得以文本、图片、视频等为代表的非结构化知识能够存储在互联网中，人类通过关键词的方式调用搜索引擎获取知识；现在，知识以参数的形式存储在大模型中，人类可以通过自然语言直接调用。

知识学习和输出能力的升级使得大模型具有改变未来数字化发展和信息系统底层逻辑的能力。具体而言：首先，大模型有望成为一个超级APP，进而成为新一代互联网的交互载体，最终成为新一代互联网操作系统OS；其次，大模型将取代电商网站、社交网络、电子表格和其他应用程序成为一个统一业务体，AI Agent将成为下一代平台；最后，个人AI Agent的创建能够捕捉个人兴趣和所有细节，并在保护隐私的同时迅速调取信息。现实实践中，大模型已经在公共事务治理（智慧政务）、教育（智慧教育）、医疗（智慧医疗）、城市管理（智慧安全）等领域广泛应用。例如，合肥市利用DeepSeek-R1大模型创建“物联感知预警-AI辅助决策-部门联动处置”的新型治理模式，在燃气安全智能诊断、地下管网健康评估、城市内涝模拟预警等场景实现突破。通过大模型的知识融合，我们可以实现过去20年通过数据融合没有完全实现的互联互通、信息共享和业务协同。

人工智能的行业落地依然任重道远

最后，我想从技术角度指出人工智能的行业落地依然任重道远。

尽管大模型被寄予厚望，但“幻觉”问题导致AI大模型“高投入、低产出”。大模型本质是一种基于统计的方法，其“思考方式”依赖统计规律而非逻辑推理。因此，大模型的可解释性和因果性不仅是学术界一个非常大的问题，在应用上也有待提高。在医疗领域，由于数据质量、模型可解释性以及预测不确定性和可信性等问题，短期内治疗癌症等依然不可能。在金融领域，大模型应用主要集中在所谓的“边缘业务”，在核心关键领域，例如判断能否贷款，在这一流程中依然准确性欠佳，需要人工再检查一遍，仍然无法放心使用。

此外，人工智能发展仍处于起步阶段。一方面，人工智能距离人工智能水平还有巨大差距，“有智能没智慧、有智商没情商、会计算不会算计、有专才无通才”等问题都还需要解决；另一方面，人工智能在发展过程中还将面临数据瓶颈、泛化瓶颈、能耗瓶颈、语义鸿沟瓶颈等诸多挑战，未来发展路长且阻。

尽管如此，我认为人工智能依旧是数字经济中最重要的技术。在发展人工智能与智能经济过程中，我们需要基于技术进步的客观条件科学判断人工智能技术对经济的作用，既避免对短期发展估计过高，也避免对长远的发展估计不足。人工智能、大模型技术虽然存在泡沫，但本身依旧是风华绝代的新生事物。期待未来有更多相关理论和落地经验不断诞生，推进数字经济高质量发展。

资讯来源：全国数字经济专业学位研究生教指委