提要：大模型作为人工智能的重大技术突破，正以前所未有的速度重构全球经济版图。《中共中央关于进一步全面深化改革、推进中国式现代化的决定》强调，加快新一代信息技术全方位全链条普及应用。“人工智能”作为最前沿数字技术，当于迭代浪潮中谋发展，在赋能实体里显真章。2025 年，全球人工智能技术已迈入“AI 大模型商业化元年”，但我国企业在推进大模型应用过程中仍面临技术适配不足、创新生态不够完善、人才结构性供给匮乏、数据资源割裂和治理体系碎片化等挑战。应强化基础技术研发，构建开放创新生态，完善人才培养机制，打破数据孤岛，建立 AI 治理框架，推动 AI 应用从通用解决方案向精细化定制服务转变。建议充分发挥我国应用场景丰富、数据资源丰沛、产业链完整的战略优势，通过政企协同、产学研用一体化布局，推动大模型与实体经济深度融合，系统提升企业数智化水平，培育新质生产力，为中国式现代化提供科技支撑。
关键词：人工智能；新质生产力；数字化转型；大模型；赋能

近年来，以人工智能（AI）为代表的新一代信息技术迅猛发展，深刻改变着全球经济格局和产业发展模式。AI大模型（下文简称大模型）作为一项重大的新兴技术突破，正引领新一轮技术变革与经济版图重构。随着技术不断进步，以 DeepSeek为代表的开源前沿大模型快速崛起，一场深刻的技术范式转变亦在悄然进行。在新技术革命的浪潮中，大模型正从通用型向行业专用型演进，在金融、医疗、制造等垂直领域展现出更强的专业性和适用性。 2023年以来，阿里、华为、百度、字节等国内头部企业纷纷发布自研大模型，通过提供先进算法、海量数据及强大计算能力，帮助各行业企业优化业务流程、提升运营效率和创新能力，为推动企业数字化转型发挥了重要作用。通过构建专属大模型、打造一站式 AI平台、推动与传统软件融合、构建行业生态圈以及提供定制化服务等多种方式，正在为企业数字化转型提供强有力的支持，展现出巨大潜力。

一、大模型推动企业数字化转型实践

（一）构建行业专属大模型，提升特定领域智能化水平

国内头部科技企业充分发挥在特定行业的优势和积累，针对不同行业特点和需求，研发了一系列垂直领域大模型。由此，行业专属大模型已成为诸多企业数字化转型的战略核心。通过深度融合行业知识图谱、业务流程逻辑与多模态数据，打造出从“通用适配”向“深度赋能”演进的垂直领域大模型，形成“数据—场景—价值”的闭环生态。

例如，阿里云通义千问（Qwen）大模型通过“开源 +行业定制”双轮驱动，已衍生出覆盖金融、医疗、能源等领域的 9万余个专业模型。在金融领域，其开源架构支持私有化部署，帮助银行构建全行级智能知识库，实现智能投研响应速度提升，并通过多模态文档解析技术，提高财报分析效率。在能源领域，基于 Qwen2.0训练的电力行业模型，赋能新能源科技企业打造“电力账单智能助手”，使客户服务效率提升 50%，投诉率下降 70%。百度智能云则以“工业大脑”为核心，推动制造业全链路智能化升级。其自主研发的飞桨深度学习框架与工业知识图谱深度融合，支持低代码开发质检模型。如，在汽车零部件质检场景中，通过定制化视觉检测模型大幅提升喷油嘴瑕疵识别准确率，且显著降低人力成本。在新能源领域，赋能电力行业企业构建“云边协同”智能运维平台，实现电网设备异常预警和智能调度，有效提升电网运行稳定性和能源利用效率，为电力企业数字化转型提供了全方位的技术支撑与解决方案。

（二）打造一站式 AI开发平台，降低企业应用门槛

科技浪潮奔涌，技术红利持续释放。为促进中小企业便捷使用大模型技术，国内多家科技平台企业推出一站式 AI开发平台，提供易用的开发工具、丰富的应用程序编程接口（API）和完善的文档支持，有效降低企业应用大模型技术的门槛。例如，字节跳动火山引擎平台推出 HiAgent开放平台，整合了文本、图像、语音等多模态大模型能力，企业通过简单接口调用或可视化操作，可快速将 AI能力整合到业务系统中。此外，腾讯云推出的智能云平台为企业提供从模型训练到部署的全流程支持，助力企业灵活定制和应用大模型技术。一些国内主流云服务商通过“API接口 +开发组件 +场景模板”的创新模式，构建了从底层技术到上层应用的完整生态体系。以百度智能云为例，其千帆大模型平台整合了文心一言、ERNIE-Bot等 42个国内外大模型，提供统一 API调用入口和标准化开发流程，使企业无需掌握复杂算法原理即可实现智能应用搭建。华为云盘古大模型开放平台则创新性地推出低代码开发环境ModelArts Studio和预置行业模板，通过“模型即服务”（MaaS）解决方案，显著缩短了从技术到应用的转化周期。中国信息通信研究院《人工智能发展报告（2024年）》显示，一站式 AI开发平台以其易用性、丰富性和完善性支持，显著降低了企业应用大模型的技术门槛，助力各类企业尤其是中小企业实现数字化转型的提速增效。

（三）推动大模型与传统软件的深度融合，提升企业整体效能

大模型与传统企业软件的深度融合正成为数字化转型的新引擎，释放从技术向生产力转化的巨大潜能。国内科技企业积极探索，通过“能力下沉 +场景升级”双向策略，将大模型智能化能力嵌入企业核心应用系统，形成从底层架构到业务场景的全面渗透，全面提升企业整体运营效能。通过将大模型嵌入办公软件、客户关系管理系统、企业资源规划系统等传统软件，实现更智能化的办公协作、客户服务和资源调配。例如，阿里巴巴旗下钉钉与通义千问大模型深度整合，实现了从“工具型”到“助手型”办公环境的进化升级。在文档处理方面，其智能摘要功能可对文档进行结构化归纳。智能会议纪要能实时捕捉关键决策点并自动形成行动项，有效提升会议效率。钉钉“Agents协作网络”打通组织内部信息孤岛，实现跨部门数据智能调用与协同，为企业构建了自适应式高效协作新范式。百度智能云则以“云 +AI+应用”一体化战略，将文心一言大模型无缝接入传统企业软件生态。在客户服务领域，其基于行业大模型构建的智能客服系统已服务众多企业，覆盖金融、零售等多个行业，显著提升解决问题准确率与一次性解决率。在企业资源规划方面，百度与 SAP、金蝶等头部 ERP厂商合作，将智能预测与优化算法融入供应链管理模块，为制造业客户提供库存周转与采购管理优化方案。腾讯云则通过“微信（WeChat）生态 +企业微信 +大模型”三位一体的融合方案，帮助零售行业打通线上线下全渠道运营与客户互动，辅助各类连锁品牌提升客户转化率及复购率。从简单的技术叠加迅速转变为跨技术之间的深度融合，高质量重塑企业数字化架构，为企业打造可持续竞争优势夯实基础。

（四）构建行业生态圈，加速大模型跨界融合与创新应用落地

协同共创，生态共赢。企业间通过构建开放协同的行业生态圈，正全面加速大模型技术的创新应用与产业渗透。国内头部科技企业纷纷采取“平台赋能 +伙伴共创”并驱协同，通过行业联合实验室、开发者社区、开源框架等多元合作机制，构建从技术创新到应用落地的完整生态链，实现大模型技术与垂直行业知识的深度融合。例如，百度智能云依托“飞桨（PaddlePaddle）”开源框架与文心大模型开放平台，构建了覆盖金融、医疗、能源等十余个重点行业的大模型应用生态。在金融领域，联合建设的“智能金融联合创新实验室”已助力多家银行构建智能风控与反欺诈系统，有效降低不良贷款率与风险事件发生概率。在医疗健康方面，通过与三甲医院合作训练的专科大模型，提升了罕见病识别准确率与治疗方案推荐精准度，为精准医疗提供有力支撑。阿里云则以“模型中台 +行业 SaaS”战略，打造以通义系列大模型为核心的产业数智化生态。 在制造领域，其“灵犀工业大脑”已覆盖钢铁、化工等流程制造企业，通过工艺参数智能优化与设备健康管理，显著提升生产效率与能源利用率。 在零售领域，基于消费者画像与智能选品算法的全域数字营销解决方案，帮助传统零售企业构建“人货场”全链路数字化能力。华为云以“鲲鹏+昇腾+盘古”全栈自研技术为基础，构建“云边端”协同的大模型应用生态。通过“昇腾伙伴创新中心”，联合上下游产业链企业探索大模型在智慧城市、智能电网等复杂场景中的规模化应用，形成了一批可复制、可推广的行业解决方案与最佳实践。从点状创新向系统性变革转变，各行业生态圈正加速大模型在垂直领域的深度应用，为企业数字化转型提供创新动能与实践路径。

（五）提供定制化训练和微调服务，打造企业差异化智能核心

量身定制，精准赋能。大模型的真正价值在于对企业专有知识与业务逻辑的深度理解与精准应用，定制化训练与微调服务正成为连接通用模型与企业特定需求的关键桥梁。大模型服务商通过提供深度定制与精准微调服务，正在为企业打造独具竞争力的智能决策引擎，释放数据资产价值的深层潜能。国内领先 AI技术提供商围绕“专业数据+模型进化+场景落地”三位一体架构，构建从预训练、专业调优到智能部署的全周期服务体系，帮助企业将行业积累与业务数据转化为不可复制的智能资产，实现从通用智能向专业智慧的跨越。例如，智谱 AI依托自研 GLM（Generative Language Model）系列大模型与行业知识融合技术，构建面向行业的定制化服务体系。推出的“悟道”混合专家模型（MoE）技术，通过有机融合通用能力与垂直领域专业知识，有效激发专业场景下模型表现的潜能。在金融领域，智谱华章的 GLM-4 AI大模型在 Super CLUE-Fin中文金融大模型基准测评中荣获 A级评价，位列国内第一梯队。其与多家银行和证券机构合作开发的智能合规审查与风险预警系统，通过大数据分析和机器学习技术，实时识别企业运营中的合规风险并进行量化评估，为金融机构提供了高效的合规管理工具，显著提升了风险识别效率和准确性。出门问问凭借智能语音交互技术，在车载场景实现深度应用。通过与大众汽车合资成立大众问问公司，开发了经过车规级测试的前装车载语音系统，支持离线和在线混合方案，为智能驾驶提供稳定可靠的语音交互体验。第四范式以决策智能为核心，推出面向金融和保险行业的 AI定制服务。其“先知 AI平台”已在多家银行和保险机构落地应用，通过针对性训练和优化的模型，为金融机构提供包括客户流失预警、精准营销和风险控制在内的智能决策支持，显著提升客户运营效率和准确性。深度求索（ DeepSeek）专注开发者工具领域，推出 DeepSeek-Coder代码生成模型。作为开源且低成本的代码辅助方案，该模型支持代码补全、调试及多语言生成，性能对标国际领先水平，为软件开发企业提供高效的智能编程辅助工具。

二、大模型赋能企业数字化转型面临的挑战

随着企业数字化转型需求日趋迫切，也加快了转型步伐，而 AI大模型已成为这条“转型之路”中驱动创新、提升效率、完成目标的关键技术力量。然而，大模型并无“点石成金”之妙法，相当多的企业在尝试规模化 AI价值实现时面临重重阻碍，绝大多数组织、实体及团队在新兴 AI技术与现有业务系统集成过程中遭遇挑战。技术基础设施不足、数据治理薄弱、专业人才匮乏、变革管理困难及伦理与合规风险等障碍相继显现，一些挑战已超越纯粹技术范畴，不是微观层面可及可解之症，然而又深刻影响着组织架构调整、企业文化重塑和战略规划革新等根本性变革进程，为企业充分释放大模型在数字化转型中的潜能设置了重重考验。

（一）技术适配仍存困境，传统架构与AI革新尚存深层次冲突

一是技术壁垒已成首要挑战，传统企业架构与大模型技术存在结构性不兼容。传统 IT基础设施缺乏必要的弹性和可扩展性，无法满足 AI大模型对计算资源的密集需求，且技术更新速度加快使企业难以跟上转型步伐。二是“历史技术债务”阻碍现代 AI架构整合。大模型技术需要包括分布式计算、高性能存储和高速网络等高性能计算基础设施和复杂技术栈支持，由此需要企业进行大量技术投入和长期系统改造。三是专业技术能力短缺制约大模型应用落地。传统 IT团队中较为缺乏大模型的部署维护、性能调优和故障排除等需要的专业技能和特殊支持。四是技术生态系统协调难度大幅提升。企业需要构建支持大模型与现有业务系统良好交互的技术环境，同时确保数据流通、安全合规与性能平衡，故进一步对企业的全栈技术治理能力提出了全新挑战。五是技术标准与接口规范尚未成熟。大模型应用领域的技术标准仍处于快速演进阶段，缺乏稳定统一的接口规范与评估体系，使企业在技术选型和长期规划上面临较大不确定性，增加了技术适配的复杂度。

（二）数据鸿沟亟待跨越，质量缺陷与治理缺位制约 AI价值释放

一是“数据孤岛”现象普遍存在，阻碍大模型获取全面训练资源。企业数据分散存储于不同系统和部门中，缺乏统一标准和集成机制，导致大模型难以获取完整、一致、结构化的训练和应用数据，严重影响模型效能发挥。二是数据质量问题层出不穷，影响模型训练效果和推理准确性。“垃圾进，垃圾出”（Garbage In, Garbage Out）是业内有关数据质量对于数据分析和模型效果的最基本的常识性认知。目前，仅有极少数企业拥有可被 AI模型直接使用的数据准确度。企业现有数据存在不完备、不准确、欠优质和时效性差等多种缺陷，而垂直行业专业数据的匮乏更制约了大模型针对特定业务场景的优化适配。三是数据治理机制严重缺位，加剧数据应用风险。大多数企业尚未建立完善的数据治理框架，缺乏清晰的数据所有权、责任分配和质量管控流程，无法为大模型提供高质量的数据支持。四是数据安全与隐私保护挑战日益严峻。企业数字化转型过程中需处理大量敏感数据，但缺乏有效的安全策略和隐私保护机制，这不仅增加了合规风险，也削弱了员工和客户对 AI系统的基本信任。

（三）“人才赤字”日益凸显，专业技能短缺与知识更新滞后阻碍转型步伐

一是复合型人才较为稀缺，多学科交叉知识需求难以得到满足。大模型应用要求从业者同时掌握机器学习、深度学习、自然语言处理及特定业务领域在内的多层次专业知识，兼具跨学科应用能力的人才供给尚有不足。二是技术学习曲线陡峭，内部人才培养面临重重挑战。现有技术人员需快速掌握大模型相关技术，而掌握这类技术需要坚实的理论基础和丰富的实践经验，现有企业培训体系往往难以有效支持员工能力的全面提升。三是技术迭代速度加快，知识更新周期显著缩短。大模型技术演进迅猛，知识半衰期急剧下降，传统培训方式已无法满足持续学习需求，使企业技术团队面临日益扩大的知识鸿沟。四是“翻译者”角色缺失，技术与业务融合存在断层。企业急需能深刻理解行业特点与业务流程，同时熟悉 AI能力边界的桥接人才，在技术与业务部门间建立有效沟通，以确保 AI解决方案真正满足业务需求。五是人才竞争日趋白热化，中小企业面临严峻招聘困境。顶尖 AI人才争夺激烈，成本不断攀升，传统行业和中小企业缺乏足够吸引力，难以建立并维持稳定的专业团队，最终制约企业转型深度广度。

（四）组织惯性普遍存在，变革管理与企业文化调适面临“免疫反应”

一是固有思维模式与AI驱动工作方式存在根本冲突。企业长期形成的运营模式、工作流程和决策机制往往与 AI 系统依赖算法、缺乏情境判断的特性产生显著张力，导致变革推进举步维艰。二是员工心理抵触构成变革落地的关键障碍。员工普遍存在职业安全焦虑和对技术学习的畏难情绪，若得不到有效疏导，将严重阻碍大模型在企业中的应用推广与价值实现。三是中层管理者角色转型面临适应困境。在 AI 时代，管理者从传统指令发布者转变为赋能者和协调者，这种角色转变要求全新的领导技能和思维方式，这对大多数传统管理者构成重大挑战。四是企业文化转型需长期系统推动。大模型的成功应用依赖数据驱动、创新开放、容错学习的文化氛围，对于根深蒂固的层级式、封闭式企业文化而言，此类转变需自上而下的持续变革与组织共识的持续重塑。五是跨部门协作机制不足，制约变革的整体协同。大模型应用通常需要多部门共同参与和资源共享，而传统组织结构和激励机制往往强化部门壁垒，阻碍了变革所需的跨界合作与信息流动。

（五）价值评估难度巨大，商业回报量化难题与规模化落地瓶颈并存

一是价值实现路径复杂，传统评估方法难以适用。大模型应用影响因素多元，时间周期长，难以建立清晰的投入产出因果关系，尤其当涉及客户体验改善、决策质量提升等难以直接量化的价值时，评估难度更为突出。二是投资回报期延长，与短期业绩压力形成矛盾。从初始投入产生显著业务成果可能需要数月乃至数年，与企业特别是上市公司追求季度业绩的期望产生结构性张力，增加了资源持续投入的不确定性。三是从试点到规模化应用存在转化障碍。企业常能实施局部 AI试点，但推广至整体组织时面临技术扩展性、性能稳定性、跨部门协作与资源优化等多重挑战，导致创新难以实现规模效应。四是价值分配机制不合理，影响多方参与积极性。大模型应用通常涉及多部门协作，缺乏公平的投入成本与产出价值分配机制，可能导致部门间合作不畅，制约整体应用效果。五是评估指标体系不完善，难以全面衡量大模型贡献。传统以成本节约和收入增长为核心的评估体系，无法充分捕捉大模型在流程优化、风险防控、决策支持等方面的隐性价值，亟须构建更加全面的多维度评估框架。

（六）治理伦理矛盾突出，数据安全与负责任 AI应用的平衡考验加剧

一是数据合规风险日益凸显，法规要求不断趋严。企业难以在保证创新与满足数据保护法规间找到平衡点，数据权限管理复杂，合规成本高昂，且缺乏统一标准导致跨区域业务受阻。二是“黑盒”特性造成信任难题。大模型决策过程不透明，企业无法向客户和监管机构充分解释 AI判断依据，特别是在金融、医疗等高风险领域，这种不可解释性成为应用阻碍。三是公平性与偏见问题威胁企业声誉与品牌形象。大模型输出中的潜在歧视性内容可能引发公关危机，部分企业缺乏有效工具识别和消除偏见，修正成本高且难以彻底解决。四是责任归属界限模糊，增加企业治理复杂度。责任划分不明确增加法律风险。AI系统造成损失时，企业面临责任归属困境，保险机制不健全，相关司法实践目前暂有空缺，关键应用决策将步履维艰。五是治理体系建设滞后制约规模化应用。企业普遍缺乏成熟的 AI治理框架，内部缺少专职伦理委员会，决策流程不明确，监督机制暂未完善，无法有效管控大模型应用带来的多维度风险，限制了技术价值的充分释放。

（七）技术认知偏差明显，克服模型“幻觉”与构建人机协同新模式迫在眉睫

一是认知偏差形成技术应用壁垒。大模型输出的“幻觉”现象本质上是其统计学习范式与确定性知识表征之间的内在矛盾，如若对此认知不足导致风险评估失准，缺乏有效的不确定性量化与输出验证机制，将造成企业决策系统脆弱，且不可靠性场景应用增加带来深度危机。二是人机协作模式亟待重构，传统工作流程不再适用。传统人机交互模式建立在工具属性假设基础上，而大模型作为具有一定自主性的智能体，其与人类的协作需要建立新型的分布式认知框架，这种范式转换缺乏成熟的理论指导与系统化的方法论，使企业在实践中难以较好设计协作流程。三是认知适应机制面临根本性转变挑战。员工习得性思维定式与新型人机协作所需的元认知能力间存在“技能层面”和“深层次认知模式”上的显著差距，企业现有培训体系恐难有效支持这一转变。四是“技术至上主义”倾向明显，忽视人类独特价值。技术能力边界认知模糊导致资源错配。大模型能力与人类认知能力在本质上具有互补性而非替代性关系，部分企业能否对此有清晰且足够的认识将决定其资源配置与任务分配的适当性，处理有偏将无法充分发挥人机各自优势，最终降低整体系统的效能。五是人机信任关系建立面临挑战，相互适应过程漫长。人机信任形成过程涉及可靠性验证、能力校准与信任修复等多维度机制，当今企业普遍缺乏系统性的信任建构框架，人机协同系统中的信任度不足或过度信任，势必阻碍协同效率的持续提升。

三、大模型赋能企业“新质能力”，推动数字化转型高质量发展的政策建议

当前，我国在大模型的产业化应用和场景落地方面更具独特优势，科研实力与成果产出正呈“井喷式”增长。同时，庞大繁杂的数据资源和较为完整的产业链，为大模型技术的快速落地和规模化应用提供了一定的有利条件。应充分发挥自身优势，精准施策、合理布局、系统推进，加速大模型与实体经济深度融合，全面赋能企业数字化转型，打造 AI时代产业竞争新优势，为构建新发展格局、实现经济高质量发展注入全新动能。

（一）健全技术基础设施，构建创新友好的数字生态环境

一是加快推进新型基础设施建设。优先发展高速互联网、5G/6G网络和边缘计算设施，提升数据传输与处理能力，为大模型应用提供坚实技术基础。二是完善国家算力布局。统筹区域平衡与资源优化，建设分布式算力中心，降低中小企业 AI应用门槛，实现算力普惠化。建议设立企业 AI基础设施升级专项资金，支持企业更新改造传统 IT系统。三是支持开源社区发展。建立* AI开源平台，鼓励企业、高校和研究机构共享模型、数据和工具，形成创新协同效应。四是推动标准体系建设。制定大模型接口标准和评估体系，增强跨系统互操作性，降低技术集成成本。

（二）优化数据要素流通，促进价值安全高效释放

一是完善数据分级分类制度。建立统一的数据分类标准和管理规范，明确数据开放边界和使用条件，实现数据价值最大化与安全合规平衡。二是探索数据要素市场机制。支持建设第三方数据交易平台，规范数据定价与交易流程，有效保障供需双方的数据权益。三是推进数据共享协作机制。鼓励行业内企业建立数据合作联盟，通过联邦学习等技术手段，在保护隐私的前提下实现数据协同利用。四是强化数据资源优化配置。制定国家数据战略，统筹各类数据资源，推动公共数据开放共享，为企业 AI应用提供高质量数据支持。

（三）加强人才培养体系，打造多元复合型人才梯队

一是完善 AI人才教育体系。将 AI知识纳入各级教育课程，支持高校设立跨学科 AI专业，培养具备技术能力和行业知识的复合型人才。二是建立校企协同培养机制。鼓励企业与高校共建实训基地和联合实验室，推动理论与实践相结合，增强人才培养针对性。三是支持继续教育与技能提升。设立 AI技能培训专项基金，资助企业员工参与 AI技术培训，推动在职人员能力转型。四是优化人才评价与激励机制。改革科技人才评价体系，强调创新成果与实际应用贡献，为 AI人才提供有竞争力的薪酬与发展空间。五是吸引国际顶尖人才。简化高端 AI人才引进程序，提供税收优惠和居留便利，增强中国在全球范围内的人才竞争力。

（四）创新组织变革模式，重塑企业数字化转型路径

一是推广组织变革最佳实践。建立数字化转型标杆企业示范库，总结提炼成功经验与方法论，为各类企业提供参考。二是支持跨界协作与知识共享。举办行业论坛和交流活动，促进企业间经验分享和协作创新，形成良性创新生态。三是建立数字化转型评估体系。开发企业数字成熟度评估工具，帮助企业明确转型方向和重点领域，制定科学路径。四是提供变革管理咨询服务。建设数字化转型专家智库，为企业提供战略规划、组织设计和流程优化等专业指导。

（五）完善价值评估机制，引导投资精准聚焦应用场景

一是构建 AI投资评估框架。研发适合 AI项目特点的投资回报率评估模型，帮助企业科学决策和合理分配资源。二是建立场景化应用目录。梳理各行业 AI应用场景和最佳实践，降低企业探索成本，加速价值实现。三是设立企业数字化转型引导基金。通过市场化方式，引导社会资本投向具有产业带动作用的 AI创新项目。四是实施阶梯式财税支持政策。对 AI应用研发和实施给予研发费用加计扣除、设备加速折旧等优惠，降低企业创新成本。五是鼓励打造行业示范应用。在制造、金融、医疗等重点领域选择标杆企业进行全流程 AI应用示范，通过以点带面推动行业整体升级。

（六）构建负责任 AI治理机制，平衡创新监管与伦理安全

一是建立健全 AI监管框架。参考国际最佳实践，制定差异化、风险导向的 AI监管规则，既保障安全与权益，又避免过度监管阻碍创新。二是推进 AI伦理规范体系建设。成立国家 AI伦理委员会，制定 AI伦理准则和行业自律规范，引导企业重视伦理风险。三是加强算法透明度与可解释性研究。支持可解释 AI技术研发，设立算法审查机制，防范算法黑箱风险。四是构建数据安全保障体系。完善数据安全法规体系，推广隐私计算、联邦学习等技术，促进数据安全与价值挖掘平衡。五是推动国际规则协调与合作。积极参与全球 AI治理对话，推动形成开放包容的国际规则，减少跨境合规成本。

（七）推动人机协同创新，构筑智能化发展新优势

一是培育人机协同新业态。支持企业探索人机协同工作模式，鼓励发展 AI辅助设计、创作和决策等新型服务。二是建立 AI能力评估体系。开发大模型能力评估标准与方法，帮助企业选择适合自身需求的 AI解决方案。三是支持本地化大模型研发。鼓励企业根据行业特点和业务需求，开发垂直领域专用大模型，提升应用精准度。四是促进知识产权保护创新。完善 AI生成内容的知识产权保护机制，平衡创新激励与公平使用。五是推动工作转型与再就业支持。建立AI影响就业预警机制，加强职业培训与转岗服务，实现人才与技术和谐发展。建议政府、企业和教育机构合作制定“AI时代职业技能提升计划”，为劳动力市场转型提供系统支持。

作者：（魏巍，中国宏观经济研究院市场与价格研究所助理研究员；曾铮，中国宏观经济研究院市场与价格研究所室主任、研究员）