10月16日国常会再部署“人工智能+”，政策关注点正进一步落向现实生产力。

从“会不会”转向“值不值”

10月16日召开的国务院常务会议，听取了“人工智能+”行动进展情况汇报。会议明确提出，要从我国产业体系完备、应用场景丰富、工程化能力强等实际出发，注重以落地应用牵引技术创新，不断深化拓展“人工智能+”行动。这一表述值得关注。与其说它是在为人工智能发展寻找新的口号，不如说是在回答一个越来越现实的问题：先进技术如何跨过实验室与产业现场之间的距离，成为企业愿意采购、工人能够使用、经营结果可以检验的生产工具。

人工智能近年来发展很快。通用模型的知识理解、内容生成、代码辅助能力不断提高，智能体开始尝试调用软件、安排工作流程，算力基础设施和开源生态也持续扩展。但技术演进快，并不等于产业转化会同步发生。企业的生产经营有严格的成本约束：产品质量不能因模型误判而波动，生产设备不能因为系统升级而停摆，客户资料和工艺配方不能随意外流。一个模型回答得漂亮，与一套工业方案能够连续稳定运行，仍然是两回事。

因此，评价“人工智能+”的进展，衡量标准需要从模型参数、演示效果和项目数量，逐步延伸到实际应用中的生产效率、质量稳定性、能耗水平、交付周期以及投资回报。能否进入业务流程，能否被更多企业持续使用，能否形成合理的商业收益，将越来越影响一项人工智能技术的产业价值。这并不意味着基础研究和前沿攻关不再重要，而是强调科研投入与产业需要之间应当形成更紧密的反馈关系。

以应用牵引创新，是中国实体产业的现实优势

从国际竞争的角度看，人工智能的发展既要比技术前沿，也要比工程化能力。我国制造业门类齐全，既有大型整车厂、装备企业，也有大量中小零部件供应商和特色产业集群；能源、物流、建筑、农业等领域又具有不同的业务流程和场景要求。这种多层次产业结构，为人工智能寻找真实问题、积累工况数据、检验解决方案提供了丰富条件。

例如，同样是视觉识别，消费端识别一张图片是否准确，与工厂检测零部件表面微小缺陷要求并不相同。后者不仅要控制误报、漏报，还要适应光照变化、设备振动和不同批次材料；不仅需要算法，还需要摄像设备、工控系统和现场工程师协同调试。正是在这种复杂场景中，通用算法才有机会转化为稳定的工业能力。

“以落地应用牵引技术创新”的意义，正在于鼓励技术供给方从使用者的问题出发，而不是先开发一套统一产品，再寻找能够接纳它的场景。对制造企业而言，重点不一定是引入最复杂的大模型，而是寻找质量检测、设备维护、排产优化、库存管理等最容易核算价值的环节。对人工智能企业而言，竞争力也不再只来自基础模型能力，还来自理解行业工艺、连接既有系统、持续维护运营的综合能力。

政策的着力点，是补齐从研发到应用的中间环节

会议把联合研发、中试验证和场景培育放在一起，体现出对成果转化过程的重视。技术方缺少真实行业数据，企业不清楚应用收益，这是供需信息不对称；实验环境表现良好，现场应用不稳定，这是工程化验证不足；一个示范项目能够运行，却难以在其他企业复制，则说明通用接口、成本控制和服务体系仍需完善。

这些问题，单靠研发补贴或设备采购都难以彻底解决。供需双方要更早进入同一个研发过程，让生产企业提出业务需求与验收标准，技术服务商负责模型开发和系统集成；中试平台需要开放接近真实生产的测试环境，对安全性、稳定性、兼容性进行充分验证；场景培育则要从“建了多少项目”转向“解决了多少问题、形成了多少可复制产品”。

尤其值得注意的是中小企业。大型龙头企业通常拥有较完整的信息系统和专业技术人员，可以承担较高试错成本；多数中小企业更关心一套方案能否在现有设备上运行、多久收回投入、出现问题谁来负责。如果政策支持能够推动形成标准化组件、行业公共服务和按需付费模式，更多中小企业才可能以渐进方式获得智能化能力。

把发展与安全放在同一张产业账上

人工智能越深入实体经济，对可靠性和治理能力的要求越高。生成营销文案时出现错误，往往可以重新修改；参与工业控制、交通调度或医疗辅助判断时发生问题，则可能引发更严重后果。会议提出因业分级分类施策，加强风险研判评估，正是因为人工智能不能脱离具体场景谈风险，也不能用单一规则覆盖所有应用。

这一部署释放出的信号，是人工智能与实体经济的融合正在进入需要同时考虑技术成熟度、经济可行性和安全边界的阶段。接下来真正重要的，不是让每个行业都匆忙贴上“AI”标签，而是让更多经过验证的智能能力嵌入生产生活，形成可持续的效率提升。这既是发展新质生产力的现实路径，也关系到我国实体经济长期竞争力的提升。（王鹏）