近年来，我国高度重视人工智能对科技和产业创新的强大驱动力。特别在新型工业化方面，我国人工智能的赋能具有市场规模大、应用场景广、数据资源丰富等优势，未来发展潜力巨大。

然而在受访时，全国政协委员、中国工程院院士，国家智能制造专家委员会副主任钱锋表示，目前相关工作仍然存在一些短板。

具体而言，钱锋表示，我国人工智能基础研究和工业智能前沿技术布局还较为分散，行业更多关注人工智能应用，在人工智能关键领域自主创新能力较弱，针对特定科学和工程问题的算法创新与世界领先水平差距较大。高端工业软件90%以上依赖进口，“卡脖子”风险巨大。

同时，我国人工智能在工业领域的应用仍以单个环节、单个企业为主，能够有效运用数字技术全生命周期、全产业链提高生产效率、降低成本消耗、提升产品质量、减少环境污染的企业还不多，亟需以人工智能为代表的新一代信息技术打通工业生产全过程。

此外，当前我国数据开放共享机制不完善，缺少训练大模型的高质量工业数据语料库。大模型带来的算力需求增长和美国禁运高端人工智能芯片的影响，制约了我国人工智能发展。各地、各高校院所纷纷建立智算中心，造成算力资源分散严重。

最后，人工智能赋能新型工业化要求技术人员对于人工智能和专业领域都有深入的理解，但目前国内能将模型、算法与应用场景匹配的人才极度稀缺。我国高校学科设置交叉融合程度不高，人才培养无法匹配行业需求。

对此，钱锋提出以下建议。

一是加快突破工业认知智能、工业操作系统、工业元宇宙、工业软件、大规模异构互联、智能调控等关键核心技术瓶颈，打造人工智能物理建模、高性能计算等研发工具，构建自主可控的工业智能软硬件应用和生态。鼓励超越Transformer 算法、类脑人工智能新型算法、大模型涌现机理等原始创新，促进大模型共性技术和算法研究。

二是布局“人工智能赋能新型工业化”等科技创新专项，加大对人工智能通用和垂直大模型支持力度。引导企业通过人工智能赋能，构建集研发设计、原料采购、资源配置、生产制造、绿色低碳等要素为一体，需求快速感知、供需精准匹配的“产业大脑”。鼓励行业龙头企业开放应用场景，打造高质量工业语料库，构建垂直行业人工智能训练验证平台。打造重点领域人工智能开源平台，降低大模型训练成本。

三是推动科研和产业数据共享，依托隐私计算、区块链、联邦学习等技术，构建安全可信的共享平台。引导行业用户开放核心业务场景，对政府投入的场景数据“应采尽采”。构建国家人工智能公共算力平台，鼓励有条件的单位贡献剩余算力，探索多元异构、多卡并行的算力统筹规划机制，攻关大规模并行训练等前沿领域，打造超大规模算力集群。

四是推动“链主”企业和科技领军企业联合国家实验室、国家技术创新中心、高校院所等战略科技力量建设创新联合体，以国家重大战略和制造业重大需求为导向，共同凝练基础科学问题，共同推动人工智能赋能产业创新和应用。支持基础科学、人工智能、技术应用和工程技术人才深度融入人工智能创新和应用，推动高校加强交叉学科人才培养。