當前，中國經濟正處于轉型升級的關鍵階段，傳統產業提質增效、邁向智能化發展成為高質量發展的重要突破口。自2024年政府工作報告正式提出開展“人工智能+”行動以來，北京、廣東、河北、山東等多個省市陸續密集出臺地方性相關行動方案；2025年政府工作報告再次強調持續推進“人工智能+”行動，將數字技術與制造優勢、市場優勢更好結合起來，支持大模型廣泛應用。

人工智能作為引領新一輪科技革命的核心技術，正加速融入制造、農業、能源、交通等傳統產業領域。然而，推進“人工智能+傳統產業”的過程中仍存在數據基礎薄弱、技術適配性差、人才支撐不足、企業意愿不強等現實困境。新征程上，必須深刻認識“人工智能+”對傳統產業轉型的重要意義，通過數據治理、技術落地、人才體系和產業生態構建，切實推動傳統產業向智能化、綠色化、融合化邁進。

全球產業鏈重構與科技革命加速演進的時代背景下，農林牧業、紡織、機械、石油化工等傳統產業面臨提質增效、節能降碳等多重壓力。通過深度學習、計算機視覺、自然語言處理等技術，“人工智能+”可以助力傳統企業提升生產效率、優化資源配置、改善用戶體驗，是推動傳統產業轉型升級的關鍵引擎。

《廣東省人工智能產業發展調研報告（2025）》指出，人工智能技術在廣東制造業的研發設計、中試驗證、生產制造、運營管理等場景得到廣泛應用。比如，視源股份于2014年組建人工智能研究院，推動人工智能技術廣泛應用于主營產品研發、生產及企業管理，為企業開拓了新的盈利空間；優必選自助研發的工業人形機器人Walker S1憑借智能攝像頭與深度學習模型對車標及車燈實施毫米級無損傷檢測，準確率超過99%。這些實踐充分證明“人工智能+”不僅是數字化工具的嵌入，更是以智能感知、智能決策和智能執行為核心能力，實現傳統生產模式與組織模式的根本性變革。

數據資源碎片化且質量不高。大模型的廣泛應用依賴于大規模、高質量的數據資源，但在傳統產業中，數據基礎的薄弱性已成為制約人工智能落地的首要瓶頸。一方面，大量企業未完成數字化改造，尚處于“人腦+經驗”主導階段，數據采集能力弱，存在設備接口陳舊、傳感器布局不足、信息系統分散等問題；另一方面，即使有數據，其格式混亂、標準不一、互聯互通性差，使得數據無法有效整合、分析與共享。此外，數據治理制度缺失也是重要障礙。數據確權機制不清、隱私保護手段薄弱、安全監管缺位，使得企業對數據開放和共享顧慮重重，不愿將數據資源用于人工智能訓練或產業協同，進而制約了人工智能算法的迭代優化與生態構建。尤其在多個產業鏈上下游之間，數據壁壘導致企業智能化水平發展不平衡，加劇了技術落地的復雜性與不確定性。

智能化技術“水土不服”與投資回報率不確定。盡管人工智能在語音識別、圖像識別、文本生成等領域取得突破，但其在傳統產業中的適配性和落地性依然面臨嚴峻挑戰。首先，諸如冶金、石化、裝備制造等傳統行業，本身流程復雜、設備多樣、工況惡劣，許多環節缺乏高質量數據支撐，也不具備理想的算法應用場景。其次，人工智能模型往往難以應對工業系統中存在的大量噪聲、不穩定性和非結構化信息。在這種背景下，企業引入人工智能系統后若效果未達預期，反而會增加負擔，形成“偽智能化”的困局。許多企業因投資成本高、改造周期長、回報周期不明確而止步觀望，形成了“技術有優勢，企業不敢用”的困境。最后，許多人工智能解決方案仍以技術驅動為導向，忽視了與行業應用需求的結合，導致落地方案泛化、模塊割裂、場景契合度差，從而降低了技術信任度與轉化效率。

人才匱乏與復合能力不足。“人工智能+傳統產業”的落地需要具備既懂人工智能算法、模型構建，又熟悉產業工藝、業務流程的雙重背景復合型人才，但目前此類人才嚴重短缺，成為制約轉型升級的關鍵因素。第一，從教育體系來看，傳統高校培養的人工智能人才大多聚焦于計算機科學、數學建模等通用方向，缺乏對具體行業應用的訓練；而行業工程師則普遍缺乏數據思維與人工智能素養，難以有效參與智能化項目的實施。第二，人才在區域和企業層面分布極不均衡，頭部企業與一線城市聚集大量高端人才，中小企業與三四線城市則面臨“請不到、留不住、用不好”的困境。第三，人工智能崗位的高工資與傳統產業的預算有限之間存在結構性矛盾。對許多企業而言，即便意識到人才的重要性，也難以承受高昂的人才成本，從而被動放棄智能化轉型。

中小企業意愿不足與能力承壓。中小企業是傳統產業體系的重要組成部分，占據著就業和產值的主體地位。然而在“人工智能+”轉型中，中小企業普遍面臨認知不足、能力有限、資源短缺等多重困難。首先是認知問題。許多企業管理層對人工智能的理解停留在表面，缺乏系統的技術評估與戰略布局能力，難以判斷哪些環節適合引入人工智能。其次是資源限制。人工智能系統動輒需要軟硬件投入、外部服務采購、員工培訓和系統運維，中小企業既缺資金也缺人力，難以承受智能化改造所需的前期投入和長期運維成本。更重要的是，智能化改造對企業內部組織流程也提出新的挑戰，要求打破部門壁壘、建立數據驅動機制，而這對許多中小企業而言是一場深層次的結構變革，面臨高度的不確定性。

制度供給滯后與標準體系缺失。制度與標準是“人工智能+”產業融合的“隱形底座”。當前，我國在人工智能賦能傳統產業方面，尚未建立起完善的標準體系與制度框架。技術接口不統一、軟硬件平臺互不兼容，導致企業在引入人工智能系統后常常面臨集成困難、升級復雜、二次開發成本高等問題。此外，關于算法透明性、安全可控性、數據合規性等制度安排依然滯后，使得企業在推進人工智能應用過程中缺乏清晰的法律遵循與風險評估機制。行業應用缺少成熟的測試標準與效果評估體系，企業難以判斷技術供應商的能力與項目成果的可量化收益，進一步加劇了人工智能推廣的不確定性。

加強戰略引領與政策協同，構建系統推進機制。充分發揮國家戰略引導作用，將“人工智能+”納入制造強國、數字中國、科技強國等國家戰略體系中，明確“人工智能賦能傳統產業”的目標路徑和關鍵舉措。制定國家級產業融合發展路線圖，明確重點行業優先級、關鍵技術突破口與區域試點安排，提升政策協同性與執行力。同時，推動跨部門、跨區域的政策協同機制，統籌科技、工業、財政、人社、數據等資源，形成財政補貼、稅收優惠、創新基金、技術服務等全鏈條支持體系。各地可因地制宜設立“人工智能+產業專項基金”“場景實驗區”“技術公共服務平臺”，引導企業主動布局人工智能改造。

建設高質量數據基礎設施，打通智能化“數據動脈”。以“工業數據中臺”為核心，推動企業建立統一的數據采集、清洗、治理與存儲體系，實現從“數據孤島”向“數據資產”的轉變。加強工業互聯網與邊緣計算技術應用，推動設備互聯、流程數據化、現場實時感知，為人工智能算法提供高質量數據底座。同時，推進行業級數據標準制定與數據開放平臺建設，推動非敏感數據跨企業、跨區域共享。建立“數據確權—共享—交易—監管”四位一體的數據要素流通機制，健全數據分級分類、授權訪問、安全審計等制度，保障數據安全與隱私。

強化關鍵技術與行業需求融合，推動場景化深耕。加快推動人工智能技術與行業場景的融合創新，以場景牽引技術突破。鼓勵“人工智能+工藝”“人工智能+設備”“人工智能+能源管理”等垂直應用模塊的開發，支持建設“場景試驗田”“聯合創新實驗室”等中試平臺，加快形成可復制、可推廣的解決方案。發展“輕量化+模塊化”人工智能產品，面向中小企業提供即插即用型服務，降低技術使用門檻。鼓勵龍頭企業開放真實生產場景，與科研機構、高校共同攻克瓶頸問題，形成“技術—產品—場景—標準”協同體系。同時，要加強算法可解釋性、系統穩定性與應用效果評估體系建設，增強人工智能解決方案的可控性與可信度。

構建復合型人才體系，筑牢轉型升級“人力基石”。推動高校與產業深度融合，開設“人工智能+產業工程”交叉課程，建立以真實產業問題為導向的課程體系與實訓平臺。加強產教融合型企業人才孵化機制，推動高職院校與企業共建“智能制造實訓基地”“人工智能工程師培訓中心”。對中小企業而言，可探索“區域共享型人才平臺”，引導人工智能工程師通過項目外包、駐企服務等形式下沉服務，提升普惠性。完善人才評價機制，既重技術能力，也重行業理解；既重工程實踐，也重成果轉化，為復合型人才提供良好的職業發展路徑。

來源：南方日報   作者：李杰 王圣哲