“十五五”时期人工智能产业发展需要解决的关键问题包括核心技术与基础研究、产业链与生态建设、算力与成本问题、数据安全与隐私保护以及人才与培养等方面。只有全面解决这些问题，才能推动我国人工智能产业实现高质量发展。
（一）高端人才相对稀缺，关键核心技术有待突破
人才方面，仍需加大力度优化人才供给结构。根据脉脉高聘人才智库发布《2023泛人工智能人才洞察》，人工智能人才供不应求情况进一步加剧，2022年人工智能行业人才供需比为0.63,2023年1-8月下降至0.39。斯坦福大学《人工智能指数2023》指出，中国人工智能高端学者数量排名全球第二，但仅与谷歌公司一家数量接近，总量上只有美国的五分之一。关键核心技术方面，我国人工智能重应用轻基础。我国虽然在语音、视觉和自然语言处理等应用算法开发上屡获佳绩，但在数据标准、模型原创、基础理论开发或技术优化等方面仍落后于国际领先水平，长期以来存在的研究依赖惯性导致中国在基础研究领域投入力量较为薄弱。
夯实基础领域人才培育，推进人工智能原始创新。人才培育方面，从人工智能专业相关的基础领域出发，加强数学、物理、电子信息、脑神经学科等前沿基础学科建设，积极培育前沿领域交叉复合型人才。对基础算法、开源框架、芯片等短板领域的要进一步加大人才交流和引进通道，鼓励高校和科研机构增加赴外交流合作、高校和企业之间建立人才双向流通通道，畅通产学研用人才链。国际项目合作，技术咨询平台等多种合作手段多措并举，创新人才引培模式。原始创新方面，加快关键技术突破，充分发挥高校和科研院所创新能力，开展深度学习、机器视觉、智能决策、人机交互、大模型等领域前沿理论研究。鼓励高校、人工智能企业、工业制造企业等成立专注工业人工智能的创新联合体，推动核心技术研发，提高符合产业特点的技术产品供给。
（二）算力需求大、成本投入高，行业进入门槛较高
人工智能模型变“大”需要攻克算力挑战与理论限制，让人工智能模型变得更大并非单纯增加神经网络深度、堆叠人工神经元就可以实现。以CNN、RNN等人工神经元为基础的模型需要采用串行结构，模型训练过程需要顺序执行，无法充分利用所有计算资源。随着模型参数量提升，训练时间呈指数型增长。同时，模型参数量的增加会导致模型的过拟合风险上升，训练过程需要更多的数据和计算资源，优化也变得更加困难。人工智能大模型的训练成本包括GPU等算力芯片成本、服务器成本、标准机柜成本、训练时长内的电力消耗费用、人力投入费用等多方面。根据市场调研机构TtrendForce数据，ChatGPT每日处理1300万独立访问量，需要3万+片NVIDIA A100 GPU以庞大的计算和存储资源支持，初期投入高达8亿美元，1750亿参数的GPT-3的总训练成本高达1200万美元。
降低算力使用门槛，优化算力体系建设。一是强化分布式计算、量化、显存优化、算子融合等关键核心技术攻关与落地应用，降低大模型推理的时延，提高吞吐量，减少对算力的需求。二是推进高性能算力供给。适度超前布局算力、网络等支撑人工智能发展的数字基础设施，加快实施“东数西算”工程，形成全国算力一张网，搭建算力共享服务平台，解决企业算力应用瓶颈。三是发布算力券实施方案支持人工智能大模型应用落地。为企业提供算力券补贴支持，努力帮助企业降低智能算力使用成本，全力支持制造业等重点领域企业开展人工智能行业大模型应用探索和落地实践。四是建议分步骤推进智能算力中心建设，先追求算力的普惠化，降低成本和提高利用率，再逐步扩容。
（三）人工智能重点行业应用不足，行业合作生态亟待建立
一方面，尽管人工智能技术的发展势头强劲，但对我国大多数传统行业的应用还处于小规模试点，与欧美等发达国家相比，尚存在较大的差距。根据凯捷公司的统计数据显示，欧洲顶级制造业企业中，人工智能的应用普及率已经超过了51%，美国也达到了28%，而我国顶级制造业企业的人工智能应用普及率仅为11%。这一数据不仅揭示了我国在人工智能应用方面的不足，也反映出巨大的发展潜力和提升空间。另一方面，在重点应用领域，尤其是工业制造行业，大模型技术的应用案例尚显不足。目前，工业领域对大模型的探索性应用主要集中在设计辅助、质量预测、设备维护等方面。这些应用虽然在一定程度上提高了生产效率和产品质量，但距离广泛应用和形成可复制、可推广的工业大模型还有一定距离。
加快赋能千行百业，打造行业合作生态。一是引导人工智能企业与行业领军企业开展定向合作。基于行业企业提供真实业务场景、数据以及行业真实需求，开发核心算法和预训练模型，共同研发落地应用大模型。二是打造人工智能企业与行业企业的对接平台。搭建人工智能企业与制造业、医疗、农业等行业企业的对接平台，帮助双方实现技术、模型、数据、场景等资源对接，孵化行业领域应用模式。三是依托工业互联网平台，打造人工智能企业与行业企业的大模型合作生态。通过工业互联网平台实现两者的快速对接，提供保障算法、模型、数据安全的人工智能要素线上交易服务，面向不同行业建立标准化的大模型开发环境，帮助企业快速研发和验证场景化解决方案。
（四）适度监管与促进发展并重，监管手段创新势在必行
人工智能产业当前处于快速成长期，其技术演变和经济社会影响具有很多的不确定性。一方面，人工智能具有强大的创新力，有望发展成为新的经济增长引擎，极大改善社会福祉。另一方面，人工智能带来的伦理与安全、负外部性等问题也频频引发社会关注。如果政策过严、管制过多，将在一定程度上阻碍我国人工智能产业发展进程，可能拉大我国与发达国家的差距，导致我国陷入被动和落后的局面；如果政策过松、监管滞后，也可能导致人工智能“负作用”在经济社会各领域持续扩散。因此，以何种力度、何种方式、在何种时机对人工智能进行合理规制，是监管部门需要重点解决的难题。
推动监管手段创新，提升应对挑战能力。一是明确技术研发“禁区”，禁止危害社会运转和公众生活安全的技术研发方向，禁止技术研发用于违法犯罪。二是不断完善各类监管标准规范，包括数据使用监管、算法使用监管等，充分推动相关法律法规完善治理机制，引导人工智能产业健康可持续性发展。三是鼓励可信技术用于伦理监管领域，推动监管手段创新也受益于技术创新。最后，创新试点示范和沙盒监管等新监管方式，对部分前沿引领性技术允许小规范、小范围的先行先试，及时令行禁止，采取先验证后推广，边试边用的模式，逐步同步监管手段与技术创新。
