央企人工智能发展分析报告 | 央企加快布局人工智能产业的挑战与对策

摘要：当前，人工智能的浪潮正在全球范围兴起。人工智能还从未像今天这样，对我们的生产和生活产生如此深刻而广泛的影响。在新一代人工智能浪潮之下，作为科技创新国家队和发展新质生产力排头兵的央企责无旁贷。《国资报告》杂志2025年第4期为您带来特别策划“央企人工智能发展分析

编辑荐语

当前，人工智能的浪潮正在全球范围兴起。人工智能还从未像今天这样，对我们的生产和生活产生如此深刻而广泛的影响。在新一代人工智能浪潮之下，作为科技创新国家队和发展新质生产力排头兵的央企责无旁贷。《国资报告》杂志2025年第4期为您带来特别策划“央企人工智能发展分析报告”。1篇综述，为您解析央企如何结合自身优势和定位加快布局人工智能领域；同时收录企业案例和专家观点，为读者提供借鉴和参考。

我们将与您陆续分享上述内容。今天为您带来观点一《央企加快布局人工智能产业的挑战与对策》。

央企加快布局人工智能产业的

挑战与对策

邢相烨

人工智能已成为大国博弈的前沿阵地、必争领域。据麦肯锡全球研究院预测，到2030年，人工智能将推动全球经济总量增加13万亿美元，并使全球GDP每年增加约1.2％。中外对比，“以应用带技术”是我国加快发展人工智能的优选路径。近期，DeepSeek将之前OpenAI半遮半掩的方式开源，推进整个行业发展进入新范式，预示着产业应用将迎来大爆发，能解决真实用户需求且具备可持续商业模式的玩家将赢得竞争。中央企业应用场景丰富，推动人工智能技术与场景应用深度融合，既关系我国人工智能关键技术的升级迭代，也与央企自身实现转型升级、焕发生机活力、形成新质生产力息息相关，可能成为“一点破全局”的关键一招。

2024年2月，国务院国资委启动实施“AI+”专项行动，推动中央企业加快应用人工智能实现产业升级。之后，通过查阅全球权威咨询机构的最新报告、组织中央企业专题座谈、深度访谈及问卷调查，笔者深入研究了中央企业应用人工智能技术遇到的困难障碍，剖析了问题原因，并提出了针对性建议。

场景应用是全球人工智能新赛道

中央企业具备先发优势

全球人工智能产业竞争已转向规模化应用。一是产业规模增长势头强劲。Next Move Strategic Consulting预测，全球人工智能产业市场规模将从2023年近1000亿美元跃升至2030年1.85万亿美元，年复合增长率高达36.6%。中研普华产业院推测，2025年我国人工智能核心产业规模将超过4500亿元，到2030年有望超过一万亿元。二是大模型技术竞争态势趋稳。2024年，全球领先企业OpenAI并未如预期发布下一代基础模型GPT-5，谷歌、Meta、Anthropic等其他头部公司推出的旗舰基础模型（如GPT-4o）性能水平均在GPT-4左右，未实现跨越式发展。三是产业竞争焦点转向应用端。据QYResearch调研团队预测，2022年到2029年，全球基于模型的应用开发市场规模将以16.4%的年复合增长率稳健扩张。

中美在人工智能产业展开全面竞争，我国在应用领域具备一定竞争优势。芯片方面，美国英伟达占据领导地位；算法方面，美国OpenAI的GPT系列持续保持领先，xAI的Gork、谷歌Gemini、Meta的Llama系列模型均有优秀表现，我国DeepSeek、Kimi、通义千问、豆包等模型正在奋起直追。对比之下，我国在人工智能应用层面具备丰富的场景优势和广泛的用户基础。截至2024年底，我国完成备案并上线、能为公众提供服务的生成式人工智能服务大模型已达302多个，注册用户数超过6亿。2024年5月，讯飞星火已拥有2400多万用户，已开发出约7.5万个AI助手。2024年6月，华为云发布盘古大模型5.0时提到，盘古大模型已在30多个行业、400多个场景中落地。

中央企业先行先试，加快推动人工智能技术落地应用，赋能高价值场景。如中国石油与中国移动、华为、科大讯飞达成签约合作，联手共建昆仑大模型，推动人工智能在能源化工行业的大模型开发建设和高水平应用。南方电网公司自主研发的“大瓦特”（2017年起跑，2023年正式发布）已在南方五省区发、输、变、配、用电各领域80余个场景得到广泛应用，其“无人客服”每日可处理1万张问题图片，识别效率是传统人工智能算法的10倍，并针对电网异常秒级生成预案。DeepSeek发布以来，三家运营商算力中心及云服务积极适配DeepSeek模型，国家电网、中国石化等多家产业央企接入DeepSeek，在能源电力、石化等行业推出AI应用，赋能企业管理及生产等各类场景。

“四个不足”制约应用广度深度速度

人工智能与实体经济融合发展

有待强化

模型适配性能不足。生成式大模型的能力主要集中在文本、图像等内容领域，不是制造业企业不想用，而是大模型对其还不适用不好用。参与调查问卷的中央企业中，94%的受访者认为大模型的精准性仍难以有效满足生产制造实际需求。制造业要求大模型准确率需达99%甚至更高。头部企业海尔集团的卡奥斯工业大模型COSMO-GPT虽然已注入562个工业数据集、300多万条高质量工业数据，但模型推理准确率仅达96%、意图识别准确率仅达85%，距离应用于生产场景仍有差距。据国联证券统计，A股的一级行业中，超过一半的行业人工智能渗透率不到10%。

资源投入不足。调查发现，52%的企业在2021年之后才开始使用人工智能相关技术应用，起步普遍较晚。资金方面，2023年，多数企业在人工智能领域投资额不足1亿元，合计投资不足200亿元。67%的企业过去一年在应用人工智能技术方面的投入不足1亿元。团队配备方面，56%的企业成立了人工智能业务部门或专业子企业，51%的企业人工智能专业团队规模不足50人。应用方面，86%的企业开放应用场景数量不足30个。

收益回报不足。70%的受调查企业尚未从人工智能项目中真正获得正向回报。一是面临高额的部署成本。央企普遍规模大、业务场景多，不同场景需要适配不同能力的大模型，有时候还需要同时采购多个厂商多个参数版本的大模型，形成系统解决方案。一些企业出于数据隐私考虑自建数据中心，也导致高额的基础设施改造成本，如中国银行金融数据中心总投资超过100亿元。二是缺乏成熟的商业模式。当前，国内外尚未出现较为成熟、可推广可复制的行业AI成功案例。估值曾达到40亿美元的Inflection 的AI联合创始人穆斯塔法·苏莱曼（Mustafa Suleyman）在接受彭博新闻社采访时曾表示，尽管Inflection AI吸引了包括微软在内大量投资者的兴趣，并且拥有100万日活用户，但它仍未找到有效的商业模式。截至2024年6月，美国AI工具聚合网站“DANG”共收录了美国738个停止运行的AI项目。

安全监管手段不足。一是底层通用大模型安全隐患可能“泛化”至上层行业模型，甚至导致输出不可控。带有违法违规、内容侵权的言论可能被引入基础大模型，进而影响其下游的行业模型。大模型决策过程难以解释且对输入数据的微小变化高度敏感，在需要高信任度和透明度的生产类应用中还难以部署。二是智算场景下的数据安全保障能力尚无法达到企业数据安全要求。目前隐私计算技术对智能算力的场景支持较弱，现有智算中心的以太网传输安全方案也存在风险。

基础不牢、数据不优、

人才不足、机制不活

是限制人工智能高质量发展的

核心要素

缺少坚实产业基础。算力层面，高端芯片采购困难，国外的芯片买不到，国产芯片产能不足、价格昂贵且软硬件的适配性有差距。数据层面，我国数据通常以非标准化形态分别掌握在政府及互联网、金融、能源、交通等重要领域龙头企业手中，既没有集中管理的数据平台，也缺乏统一的行业数据共享标准和规范，企业不愿、不敢、不能共享有价值的数据。大模型层面，缺乏一个覆盖面广、公允度高、满足不同场景和任务特征的大模型评测指标体系，企业不知道如何选型和应用。

缺少高质量数据集。根据IBM发布的《2023年全球AI采用指数》，30%左右的企业认为，业务数据太过复杂成为阻碍企业AI应用落地的最主要因素。一是政府信息开放程度低。我国将金融、电力、教育、医疗等行业数据归属为政府信息，据国家发展改革委披露，政府数据资源占全国3/4以上，但因对政府信息定密宽泛、涉及国家安全和个人隐私，导致许多政府信息难以公开，开放规模不足美国的10%。二是企业产生数据造血能力需要时间积累。我国参与数据管理成熟度（DCMM）贯标的1300多家企业中，多数企业的数据管理能力评级仍在二级及以下，运营数据采集率低、资源分散且难以应用。中央企业积淀了海量数据，但需要投入大量的时间和资源进行数据清洗、预处理和校验，才能将数据变成可以利用的要素资源。以某企业为例，其设备运行数据大多反映正常状态，缺乏故障实例，导致构建的大模型在异常检测方面表现欠佳。

缺少柔性灵活机制。前沿技术创新一般先于理论创新，依赖于在应用中不断试错来推动持续迭代，因此对前沿技术的应用性探索要弱化项目管理考核在研发过程中的作用，建立起允许失败的管理文化，目前中央企业在这方面还有差距。这也是大型企业发展新产业的一个底层共性问题。国务院国资委在推动中央企业加快布局发展战略性新兴产业方面已经出台了一揽子支持政策。调查发现，企业对如何用好用活现有政策仍有困惑，很大程度上影响了人工智能等新技术的发展及落地应用。以投资并购为例，现行制度存在审批流程长、估值不灵活、创始团队并入后市场化机制难保持、并购项目战略评价难实现、容错机制难落地等问题。

缺少高端实用人才。根据智谱AI《2023年全球最具影响力人工智能学者分析报告》，2023年全球AI2000学者中，美国学者1079人次，占比过半；中国学者280人次，占比14%。在国内，人工智能领域的顶尖人才主要集中在民营企业。据中国信通院《中国人工智能产业创新人才竞争力报告（2023年）》，中央企业仅国家电网和中国移动2家位列前10名。调查发现，87%的企业在实施大模型项目时遇到的挑战是“缺乏相关人才”。

具体原因如下：一是人才引进和发展机制不完善。参与调查问卷的中央企业中，78%遇到“缺乏顶尖高端人才和领军技术人才”的问题，73%遇到“人才储备数量不足”的问题，60%遇到“缺乏解决问题专家”的问题。中央企业在人才激励空间、机制灵活性和与人才市场对接的渠道方面不及国内外优秀企业。以OpenAI、Google等为代表的全球顶尖科技企业，以及以字节跳动、华为、腾讯等为代表的国内科技企业均通过股票薪酬激励、全球布局建设AI实验室、开展广泛校企合作、中小企业投资并购等多种方式向全球吸纳顶尖人才、储备潜在人才。二是人工智能人才培养方向和企业实际需求脱节。如《腾讯云人工智能从业者培训》缺少将人工智能与岗位工作结合的内容，阿里的人工智能学习课程主要依赖国外生态。中央企业也普遍存在类似问题。三是企业内部赋予人工智能人才权限不足，人才难以发挥所长。调研显示，在产品管理方面，一些企业尚无部门真正对AI产品负责，不同部门、专业公司各管一段但又都不对整体结果直接负责，人工智能人才没有权限构建AI原生产品和应用，有能力但没有发挥空间。

强基础、聚数据、建生态、优机制

是加快人工智能落地应用、形成新质生产力的必由之路

强化统筹布局，夯实基础底座。总原则是资源要集中、不要分散。算力方面，引导企业减少对小规模AI算力中心的低水平重复布局，确保有限的算力资源产生规模效应。模型方面，集中资源研发具有国际竞争力的多模态通用大模型精品，引导不具优势的企业适当减少基座类大模型的重复研发，推动企业将更多资源投入行业应用以解决具体场景的实际问题。

强化数据供给，促进流通共享。总原则应是要共享、不要封闭。一是加快丰富数据语料来源。精准规划政府信息分级分类，在政府侧实现“应开尽开”。积极探索公共数据的授权运营，鼓励企业等社会力量参与大模型训练公共数据集的开发建设。加快数据联盟、数据信托等多样化的数据共享模式落地，完善数据开放共享相关法律法规，推动多元主体共同参与高质量数据开放共享。二是加快数据标注产业高质量发展。引导人工智能龙头企业和数据标注专业公司探索打造以具身智能为驱动的新型数据标注产业集群。三是加快促进数据确权流通。建立数据资源集聚平台，完善数据权属法规标准，打造安全护航企业，促进数据集信息匹配和流通使用。

强化协同创新，打造产业生态。总原则应是要协同、不要单干。一是引导算力软件开发商和硬件厂商加强操作系统、框架、并行计算、分布式存储技术等方面的协同研发。二是引导企业、高校、科研机构合作建设国内算法开源社区。三是支持重点产业龙头企业发挥龙头引领作用，以应用场景牵引人工智能全链发展，以应用带技术、以应用促生态，打造多方合作、各有优势的AI产业生态链。四是引导大型企业更多运用“大平台+小公司”组织模式，以资本等手段、场景等资源、订单等形式扶持优质初创企业加快成长。

强化政策落地，优化体制机制。总原则应是要赋权、不要苛责。一是出台税收优惠、研发补贴、基金支持等专项政策，帮助有潜力的创新人才和科研项目承担短期失败的经济压力。二是打造宽容失败的氛围，允许企业有一定的战略亏损期和失败概率，激励企业敢于、乐于持续加大投入，克服传统产业应用人工智能的初期阵痛。三是遴选和鼓励青年科学家“挑大梁”开展开放性、探索性研究，在项目、经费、激励、自由度、资源调配等方面为其提供更多支持、创造更大空间。