数字经济每日参考（2026-07-10）

政 策

深化人工智能与工业互联网融合应用 一体推进新型工业化

近日，工业和信息化部等八部门联合印发《关于推动工业互联网高质量发展的实施意见》（以下简称《实施意见》），围绕基础设施、技术供给、融合应用、安全保障、产业生态、要素资源六大方面，系统部署18项重点任务。落实《实施意见》，需要充分发挥国家战略科技力量优势，深化人工智能与工业互联网融合应用，一体推进新型工业化。

强化技术产品供给 夯实工业互联网发展根基

人工智能在工业领域的应用正从质量检测、故障预警等外围环节向工艺参数调优、生产调度决策、供应链协同等核心环节深度渗透。工业场景覆盖从毫秒级确定性响应到跨域大规模调度的全谱系需求，对精准性和可靠性有严格要求，推广工业互联网的融合应用，不能简单移植消费互联网的成熟方案，必须在基础理论、算法架构、系统协同等层面实现原创性突破。当前，我国在核心工业软件、高端传感器、工控系统等关键环节仍存在短板，底层网络技术性能瓶颈尚未完全突破，部分关键技术和产品对外依存度较高。

《实施意见》提出增强技术创新能力，深入实施工业互联网创新发展工程，打造以蜂窝技术、IP技术为底座的新型工业网络技术产品，推动工业软件云化升级，加速建链延链。这些部署将攻关重点聚焦于底层网络、核心软件和前沿算法三大方向，着力破解制约产业发展的技术瓶颈。

关键核心技术是买不来、讨不来的。要锚定方向，在新型工业网络技术方向突破时间敏感网络、工业确定性网络等关键技术，深化“5G+工业互联网”，加快构建自主可控的技术产品体系。要软硬并重，在工业软件核心技术方向推进计算机辅助设计、工程仿真、数字孪生等核心工业软件的云化重构和人工智能赋能。要加强攻关，在工业智能前沿算法方向围绕工业数据分布外泛化、小样本学习等，突破轻量化高可靠模型构建、知识数据协同驱动等关键技术。发挥国家战略科技力量有组织科研优势，以国家重大科技项目为牵引，在基础理论、核心算法、关键系统等方面形成系统性攻关合力，把技术命脉牢牢掌握在自己手中。

推进中试验证与场景适配 打通成果转化通道

科技成果从实验室走向产业应用，中试验证是必经环节。工业领域的中试验证需在真实工况、连续运行、安全冗余等约束下完成技术熟化和适配验证，实验室环境难以模拟。据统计，经过中试的科技成果产业化成功率可达80％以上，未经中试的仅为30％左右。当前，我国在工业互联网领域积累了一批自主技术成果，但从中试验证到规模化应用之间仍存在断层，大量创新成果停留在概念验证阶段，技术供给与产业需求之间的通道尚未完全贯通。

《实施意见》提出建设一批工业互联网技术创新中试中心，开展创新技术在工业场景的适配验证，加快新技术解决方案产业化推广，加强工业互联网知识产权保护、运用和服务，推动专利技术产业化，着力构建从技术原型到产业应用的完整通道。

中试验证是科技成果从实验室走向生产线的桥梁。要建好平台，围绕研发设计、生产制造、运营服务等环节建设一批工业互联网专业化中试中心，形成从技术适配到现场验证的完整能力。要找准路径，坚持分业推进，从重点行业的关键场景率先突破，形成可复制的验证规范。要用好机制，探索先用后转、资产单列管理等改革举措，完善成果转化收益分配机制，形成需求牵引、技术突破、场景验证、产业应用的快速迭代闭环。

深化工业智能体创新应用 抢抓智能变革机遇

工业应用场景呈现从设备感知执行、产线控制、车间调度、企业运营到供应链协同的分层架构，越往底层对低时延、高可靠性和确定性的要求越高。这决定了人工智能在工业中的部署需要分层分级推进，云端大模型与边缘侧专业模型各司其职、协同配合。当前，工业互联网融合应用已实现41个工业大类全覆盖，应用场景由外围环节向研发、检测、生产等核心环节延伸，但仍面临通用模型可靠性不足、边缘端实时推理延迟、大小模型协同效率不高等制约。

《实施意见》部署开展工业领域大模型和特定场景小模型的训练，开发模型互联接口，提升协同效率，加快工业智能体推广，增强工业系统的智能感知与决策执行能力。工业智能体涉及大模型、具身智能、多模态感知等多个前沿方向，是国家人工智能科技创新布局的重点领域。

工业智能体是人工智能走向工业核心环节的关键载体。要突破核心技术，强化云端大模型与边缘小模型的协同能力，推动模型互联接口标准化，降低协同推理时延，提升模型在工业场景下的可靠性和可解释性。要深化场景应用，聚焦创成式设计、生产网络优化、设备预测性维护等高价值场景率先突破，以场景成效牵引技术迭代。推动国家战略科技力量协同产学研各方，围绕工业智能体形成创新合力，推动工业智能体从试点示范走向规模化部署。

健全工业安全治理体系 守牢安全发展底线

工业互联网的广泛应用打破了传统物理隔离，人工智能在创造价值的同时，也带来了数据投毒、模型幻觉、对抗攻击等新型风险，已超出传统网络和数据安全的范畴。面向大模型在工业领域加速落地的新形势，模型安全、算法偏见、决策可解释性等治理难题日益凸显，现有安全治理框架尚不能完全覆盖人工智能在工业场景中的特殊风险，破解这些难题离不开安全技术与治理规范的协同推进。

《实施意见》提出加强数据分类分级管理和安全防护，建立健全工业网络和数据安全技术能力，增强安全保障能力。

安全是工业发展的生命线，也是人工智能赋能新型工业化不可逾越的底线。要管得住，推动建立人工智能应用分类分级和安全评估制度，将人工智能安全纳入企业网络和数据安全责任制。要防得严，通过检索增强生成、知识图谱约束等方法降低模型幻觉风险，强化对训练数据投毒、对抗样本攻击等新型威胁的检测防御能力。要兜得牢，实施工控网络与人工智能应用网络分区隔离，建立边缘节点熔断机制，确保单一智能模块失效不影响整条产线运行。推动形成覆盖网络安全、数据安全、模型安全、应用安全的完整保障体系，确保人工智能在工业领域安全可靠、可信可控。

加强复合型人才队伍建设 夯实要素资源支撑

人才是第一资源。人工智能与工业互联网的跨界融合对人才的知识结构和能力素质提出了新要求，既需要精通算法、算力、数据等技术，又需要熟悉工业机理、工艺流程和行业知识。当前，这类复合型人才供给不足，传统学科划分将信息技术与工业工程割裂，人才评价体系尚不能完全适应交叉领域人才的成长规律。

《实施意见》从学科设置、人才培养、职业标准、平台建设等方面作出系统安排，提出优化工业互联网学科专业布局，培育一批工业互联网领域科技人才和创新团队，持续完善工业互联网相关职业国家标准，壮大数字技术工程师人才队伍。

面向工业互联网高质量发展需求，加强人才队伍建设。要引得进，依托国家人才项目，加大对工业人工智能领域战略科学家、领军人才和创新团队的引进力度。要育得强，加强科教协同育人，推动高校布局新兴交叉学科，依托重大科技任务和创新平台在实战中培养造就复合型人才。要用得好，建立以创新能力、质量、实效、贡献为导向的人才分类评价体系，完善科研人员到产业一线双向流动机制，为人工智能与工业互联网深度融合发展提供坚实的智力支撑。（来源：中国经济网，作者系上海人工智能实验室主任、首席科学家周伯文）

观 点

人工智能正在成为知识生产的新力量

近年来，人工智能的发展引发了一个值得认真讨论的问题：AI究竟只是帮助人类完成检索、计算、写作和分析的工具，还是已经在某种意义上参与了知识生产？一种常见看法认为，AI没有人的意识、情感和生命体验，因此不可能真正理解世界，也就谈不上生产知识。这种看法强调了人与机器之间的重要差异，却也容易把知识的判准过度收缩到人类主观体验之内。

问题的关键，并不在于AI是否“像人一样思考”，而在于我们如何理解知识生产本身。现代知识生产从来不只是个体经验的直接表达，而是在工具、方法、证据、模型和共同体规范中形成的认知成果。更恰当的说法是：人工智能正在成为知识生产链条中的生成性力量。它未必以人的方式理解世界，却已经开始推动人类重新审视什么可以被看见、什么值得被研究、什么能够成为知识。

知识判准不能限于主观体验

讨论AI能否参与知识生产，首先要澄清一个前提：知识的有效性是否必须建立在类似人类的主观体验之上。人的知识当然离不开经验、身体、语言和社会生活。尤其在伦理、审美、历史理解等领域，人的处境和体验具有不可替代的重要性。但这并不意味着，凡是不具有人类体验的系统，就完全不能参与知识形成。

从认识论上看，知识并不等同于一时的感觉、判断或意见。一个判断要成为知识，通常需要理由、证据和方法的支持，并能够在一定共同体中接受检验、修正和讨论。不同学科的知识形态并不相同：自然科学更重视规律、预测和实验验证，社会科学更重视机制、情境和因果说明，人文学科更重视意义、文本和历史解释。但无论哪一种知识，都不能只以个体主观体验为唯一标准。知识之所以成为知识，正在于它能够超出个人感受，进入可论证、可交流、可检验的公共过程。

事实上，人类认识世界从来不只依靠直接体验。显微镜没有生命体验，却打开了微观世界；望远镜没有主观意识，却改变了人类对宇宙的理解；统计模型不会感受社会痛苦，却能揭示人口、疾病、贫困和流动背后的结构性关系。现代知识生产本就依赖仪器、模型、算法、数据库和计算模拟等中介。它们并不以人的方式“体验”世界，却深刻改变了人类能够知道什么、如何知道以及如何证成知识。

人工智能与这些认知中介一脉相承，又具有新的特征。它不只是延伸感官、加快计算或存储信息，更能在大规模、高维度、非直观的数据空间中发现模式，并把这些模式转化为预测、分类、假说和解释线索。也就是说，AI正在从“处理既有知识”进入“生成认知对象”的环节。

因此，判断AI是否参与知识生产，不宜只问它有没有人的感觉和意图，而应追问：它是否揭示了此前难以看见的关系？是否能够提出可检验的问题？是否能够经过共同体讨论转化为稳定知识？是否能够改进人类对自然、社会和自身的理解？如果在一些领域这些问题能够得到肯定回答，就不能简单否认AI的知识生产意义。这并不是降低知识标准，而是扩展了标准。知识不能只以机器输出为准，但也不应只以人的主观体验为准。现代知识的可靠性，更多来自证据、方法、解释、验证和共同体审查。AI的出现，要求我们在新的技术条件下重新理解知识生产的边界。

AI已进入知识生成环节

人工智能成为知识生产中的生成性力量，可以从围棋和材料科学两个领域得到较为直观的说明。

围棋长期被视为高度依赖经验、直觉和审美判断的领域，棋手通过棋谱、布局、定式、手筋和长期对局积累对“好棋”的理解。以AlphaGo为代表的围棋智能系统，最初因战胜世界顶尖棋手而为公众所知，但它真正值得讨论的地方，不只是赢得比赛，而是改变了围棋共同体理解“好棋”的方式。这类系统早期确实学习了人类棋谱，但真正的突破来自强化学习和自我对弈。它在规则确定的棋盘空间中反复探索，逐渐形成了许多人类棋手未曾充分认识的判断。

李世石与AlphaGo对局中的“第37手”常被视为标志性时刻。这是一手当时许多职业棋手并不看好甚至感到意外的棋，后来却被证明具有战略价值。此后，职业围棋训练普遍转向AI复盘、胜率判断和变化图研究，一些传统定式被重新评价，新的“AI定式”“AI布局”不断出现。这不是简单的计算加速，而是围棋知识体系的调整：什么是急所，什么是厚薄，什么是全局效率，什么样的局部损失可以换来更大的整体收益，都被AI重新打开。这说明，AI可以在特定规则空间中生成实践性和策略性知识，它未必像人类棋手那样体验胜负、竞技和审美，却能够通过自我博弈发现新的有效模式，并促使人类修正既有判断。换言之，AI并非只是复现人类已掌握的棋理，而是在既定规则之内拓展了人类对棋理的认识。

另一个更具科学代表性的领域，是AI参与新材料发现。材料是现代科技和产业发展的基础，从高性能电池、半导体器件、航空航天材料到催化剂和生物医用材料，都离不开对材料结构、性能和制备条件的深入认识。过去寻找一种新材料，往往需要研究者依靠理论推导、经验判断和大量实验，在庞大的元素组合、结构类型和工艺参数空间中反复试错。近年来，机器学习和生成式模型开始被用于材料性能预测、候选结构筛选和生成、实验路径优化，使研究者能够在巨大可能空间中更有针对性地发现值得验证的材料组合。

这类进展的意义，不只是“提高实验效率”，更深层的变化在于，它改变了科学发现中“候选对象”生成的方式。过去，许多可能具有特殊性能的材料，因为组合空间过大、实验成本过高而难以进入研究视野；今天，AI可以根据已有数据和模型推断，提出一批具有潜在价值的候选材料，再由研究者通过实验进行验证、修正和解释。换言之，AI并未替代材料科学家的理论判断和实验验证，而是把一部分过去难以穷尽的可能性转化为可筛选、可比较、可检验的研究对象，推动科学发现形成“模型预测—实验验证—理论解释”相互衔接的新循环。

更值得注意的是，近一两年已有研究尝试让多个人工智能体分工协作，模拟科研团队中的不同角色，承担文献检索、假设提出、方案设计、工具调用、结果分析和报告生成等任务。虽然这类探索还处在发展过程中，也需要严格验证，但已显示出一个趋势：AI进入知识生产，并不只是给出一个答案，而是开始嵌入问题提出、路径设计和结果生成的连续链条。

从围棋智能系统到新材料发现，再到多智能体科研协作的探索，可以看到，AI的作用已经超出辅助性劳动的范围。它能够在复杂空间中发现人类尚未掌握的模式，并把这些模式转化为新的判断标准、研究路径和知识资源。正是在这个意义上，AI已经进入知识生产链条中的生成环节。

AI扩展了可知世界

AI的生成性力量并不只体现在自然科学或规则明确的领域，它也正在扩展社会科学和人文学科的可观察范围，只是其作用方式有所不同。在社会科学中，许多重要问题并不缺少材料，而是受限于处理大规模复杂材料的条件和方法。公共舆论、政策文本、社交媒体、新闻报道、裁判文书、企业公告、访谈资料等，都蕴含着丰富的社会信息。过去，一个研究者很难系统阅读和比较如此庞大的材料；今天，AI可以帮助研究者识别其中的话语变化、情绪结构、群体身份、议题扩散和制度用语的转变。例如，在研究公共议题时，AI可以帮助发现某些词语如何从边缘表达进入主流讨论，某类情绪如何与特定事件相互关联，不同群体如何使用不同叙事来理解同一问题。这些发现不必然直接构成结论，却能够为社会科学研究提供重要的机制线索。它们提示研究者：哪些现象值得解释，哪些变量可能相关，哪些群体差异需要进一步调查，哪些制度背景不能忽视。

在人文学科中，AI的价值也不是替代文学批评家、历史学家或哲学家，而是改变材料组织和问题发现的方式。文学研究可以借助AI比较大量作品中的主题、意象、叙事结构和风格变化；历史研究可以借助AI从档案、报刊、书信、方志和判决文书中抽取人物、地点、事件和关系；思想史研究可以借助AI追踪一个概念在不同时期、不同语境中的用法变化。这些工作并不等于完成解释，却能使过去分散、隐蔽、难以穷尽的关联重新变得可见。

这意味着，AI不只提升效率，还扩展了“可知世界”的边界。它使更多自然结构、社会模式和文化关联进入可分析、可比较、可讨论的知识过程。过去难以看见的关系，今天可能通过算法被提示出来；过去难以组织的材料，今天可能被重新排列为问题网络；过去依赖个别经验才能捕捉的趋势，今天可能在大规模材料中呈现出来。

当然，社会机制和文化意义不能由算法自动裁决。AI可以发现社会文本中的模式，却不能单独判断这些模式背后的制度逻辑；AI可以提出文学和历史材料中的关联，却不能自动完成语境化解释；AI可以生成哲学论证的摘要和反例，却不能替代人的规范判断。社会科学和人文学科中的知识生产，仍然离不开理论、历史、价值和解释共同体。因此，AI在这些领域更像是机制线索和意义关联的发现器，而不是最终结论的裁判者。它扩展了人类提出问题的能力，也要求人类以更高水平承担解释责任。

迈向人机共构的知识未来

人工智能带来的深层变化，不在于它能更快完成既有任务，而在于它开始改变什么可以被看见、什么值得被研究、什么能够成为知识。它没有人类式主观体验，但这并不妨碍它在一定条件下生成可检验、可运用、可讨论的认知成果。以是否具有人类体验作为唯一标准来否认AI的知识生产功能，已经难以解释正在发生的知识实践。

承认AI正在成为知识生产链条中的生成性力量，并不意味着把真理交给机器。恰恰相反，AI越能生成模式、结构和假说，人类越需要加强验证、解释和规范。未来的关键，不是在人与机器之间作简单取舍，而是在算法发现、经验验证、理论解释和公共讨论之间建立新的连接。

AI时代的知识生产，既不是人的退场，也不是机器的独白，而是人类在新的智能条件下重新组织理解世界、解释社会和反思自身的方式。AI正在成为知识生产的新力量。正视这一点，才能更加主动地建设开放、可靠、负责任的人机共构知识体系。（来源：光明网，作者系南开大学社会学院、前沿交叉学科研究院教授陈浩）

活 动

AI重构创意生产 专家建言推动数字技术与广告产业深度融合

“在广告领域，人工智能(AI)不仅是提升效率的工具，更是重构创意生产、精准分发和商业变现的核心驱动力。”数字中国发展战略工作委员会主任石恒臣近日表示。

2026全球数字经济大会数智广告创新与发展论坛日前举行。其间，广告治理大模型Mamoda2.5发布。研发团队介绍，该大模型实现从风险识别、精准定位到素材自动修复的全链路治理能力，将广告合规从“单向拦截”转向“主动赋能”。

在石恒臣看来，当前，以“一人公司”(OPC)为代表的新兴业态正在打破传统企业的组织边界，个体创造力借助AI技术得以充分释放。这种“小而美”的创新生态，正是数字经济活力的重要来源。

“对于广告行业而言，这意味着更灵活的创意生产方式和更高效的供需匹配。”他说，企业要在核心技术上持续突破，利用多模态大模型等前沿技术，推动广告产业向智能化、个性化、场景化方向跃升，让AI真正成为产业升级的“助推器”。

本次论坛以“智赋广告·创见未来——AI重塑全球广告产业新生态”为主题。与会专家聚焦数字广告产业高质量发展，围绕政策导向、产业实操、人才培育三个维度进行研讨。

针对数字广告产业面临的人才供需错配难题，石恒臣认为，产教融合是破解人才瓶颈的关键，政策引导、企业主导、教育支撑三者应协同发力。

他说，高校应紧跟产业技术变革，重塑数智广告人才的能力模型，企业则应深度参与人才培养过程，提供实战场景。通过深度产教融合，不仅有助于解决“企业招不到人、学生找不到工作”的结构性矛盾，更能为数字广告产业的长远发展注入智力活水。

值得一提的是，近年来，北京广告业务收入保持4000亿元人民币以上，数字广告占比达到80%。此次会上，北京国家数字广告产业园试点(一园多址)建设宣布启动。

石恒臣表示，数字中国发展战略工作委员会将继续发挥桥梁纽带作用，推动数字技术与广告产业的深度融合，助力北京加快建设全球数字经济标杆城市。(中国新闻网)