原文刊载于《中国科学院院刊》2026年第8期“政策与管理研究”。本文为精简版

吴仲琦1,2 刘胤杉1 代涛1,3 郑晓龙4,5*

1 中国科学院科技战略咨询研究院

2 北京工商大学 计算机与人工智能学院

3 中国科学院大学 公共政策与管理学院

4 中国科学院自动化研究所 多模态人工智能系统全国重点实验室

5 中国科学院大学 前沿交叉科学学院

大模型技术作为人工智能领域的关键技术突破方向，其攻关效能关乎国家科技战略主动权的得失。文章基于“技术突破—产业转化—治理政策”多维度框架，系统揭示大模型技术的突破路径与产业化瓶颈：在技术层面，大模型在参数规模与算力需求上呈现指数级增长，但面临高质量数据枯竭、迁移学习能力不足、底层理论创新不足等瓶颈问题；在产业层面，大模型正重塑全球产业链格局，推动“通用化+专业化”双轨应用，但生态碎片化、人才短缺与安全风险制约其规模化落地；在政策层面，国际竞争加剧与技术治理复杂性凸显，亟须构建动态政策框架与全球协作机制。针对上述挑战，文章提出强化算力与算法自主创新、深化产学研协同、健全风险治理体系等系统性建议，以推动大模型技术的高质量发展，为战略性产业升级提供支撑。

大模型技术的突破性进展正引发全球人工智能（AI）竞争范式的根本性重构，它标志着AI从“量变”到“质变”的关键转折点。从最初的统计语言模型、神经语言模型，到基于神经网络的预训练语言模型，再到以Transformer架构为核心的大模型技术的突破，AI技术的发展不断加速着技术迭代的步伐（图1）。

图1 大模型发展历程

作为典型的关键核心技术，大模型技术发展呈现三重特征：技术突破的系统复杂性（需协调算力、算法、数据等多要素）、创新生态的网络依赖性（依赖产学研协同与基础设施支撑）、产业转化的场景适配性（需跨越技术与市场鸿沟）。根据Gartner技术成熟度曲线的推进与演变，大模型正从技术驱动的“第一阶段”转向以需求驱动为核心的“第二阶段”，其标志性特征是以效率优化替代单纯规模扩张，并通过多模态融合与动态架构创新实现能力跃迁。

我国大模型技术通过差异化战略实现局部“领跑”，涌现出一批多模态架构等创新技术，标志着从场景驱动到技术反哺的良性循环初步形成。然而，关键核心技术攻关仍面临深层挑战：在技术突破维度，高质量数据枯竭、计算资源的巨大需求及能耗效率失衡制约持续创新；在产业化维度，数据隐私和安全性挑战、“合规—创新冲突”导致规模化落地受阻；在创新生态维度，产学研协作低效、合理政策框架制定等都是当前亟待解决的关键问题。本文立足关键核心技术攻关的实践需求，通过技术、产业、政策三重视角，系统分析大模型在关键技术开发的态势，深入剖析其对产业和政策环境的深远影响，旨在为培育战略性产业提供具有针对性的对策建议，以推动大模型技术在人工智能领域的深入应用与创新，为未来的技术发展和社会进步提供坚实的支撑。

一、大模型关键技术攻关路径解析

1.1 国际大模型关键技术突破路径与瓶颈

国际大模型技术正沿“规模扩展、架构创新、数据重构”三条路径协同演进。前沿模型训练算力需求持续快速增长，混合专家、稀疏激活和动态计算等技术则推动模型由单纯扩大参数规模转向兼顾训练与推理效率。Transformer仍是主流架构，但RetNet、RWKV等新架构以及知识蒸馏、剪枝和量化技术不断涌现，多模态融合进一步拓展了模型能力边界。数据方面，按照当前训练数据规模增长趋势，人类生成的公共文本数据可能在2026—2032年间被充分利用，合成数据与联邦学习因而受到重视。然而，大模型发展仍面临算力需求与绿色目标冲突、底层架构创新不足、高质量数据供给趋紧等瓶颈；过度依赖合成数据还可能引发模型偏差甚至模型崩溃，联邦学习也受到设备异构和通信效率制约。

图2 AI大模型发展的参数规模和算力需求趋势

1.2 我国大模型关键技术攻关体系构建

面对国际大模型技术竞争格局的深刻变化，我国以场景需求牵引技术突破，通过架构创新、算力建设、数据治理和全栈协同，逐步形成具有特色的技术攻关体系。截至2025年底，我国累计有748款生成式人工智能服务完成备案。《2025年人工智能指数报告》显示，在MMLU基准上，中美领先模型的性能差距由2023年底的17.5个百分点缩小至2024年底的0.3个百分点。在技术层面，DeepSeekMoE等架构通过稀疏激活提高计算效率，国内企业逐步加强后训练与推理优化；在基础设施层面，依托“东数西算”等工程，我国持续推进异构算力调度、高性能存储、高通量网络、开发工具链和智能运维协同创新，形成技术研发与产业应用相互促进的发展路径。

二、大模型产业转化路径特征

2.1 国际产业生态演进轨迹

全球大模型产业生态正经历“技术扩散—场景深化—规则重构”的范式转换，竞争焦点由参数规模和单项性能转向基础设施、应用生态与产业适配能力的综合较量。2025年全球人工智能基础设施支出达3180亿美元，较2024年增长1倍以上，持续投入推动大模型由通用任务向法律、工业等专业场景延伸。与此同时，开源模型降低了技术使用与二次开发门槛，促进“基础模型—开源社区—行业应用”协同创新；通用模型以模型即服务方式提供基础能力，垂直模型则通过行业知识、业务流程和专业数据适配创造场景价值。产业界在算力供给和工程化落地方面发挥主导作用，学术界侧重基础理论与方法创新，双方通过联合实验室、开源项目和成果共享，推动产学合作由线性技术转移转向网络化协同。

图3 产业界与学术界的大模型参数规模和算力需求趋势

2.2 我国大模型产业化突破路径

在新型举国体制与市场机制协同驱动下，我国大模型产业形成了以国家战略需求为牵引、核心技术创新与行业应用相互促进的发展路径。工业和信息化部数据显示，2025年我国人工智能企业数量超过6200家，核心产业规模预计突破1.2万亿元，为大模型产业化提供了良好基础。央国企重点布局智算基础设施、基础模型和行业大模型，民营企业则发挥技术迭代和场景创新优势，形成协同推进格局。依托制造、金融、医疗、农业、政务和通信等丰富场景，大模型技术加快由通用能力向专业化应用延伸，并通过“场景发现需求—技术优化能力—能力反哺产业”的循环，推动技术成果向行业解决方案转化，赋能实体经济数字化、智能化升级。

三、大模型技术攻关瓶颈与产业生态挑战

3.1 大模型核心技术攻关瓶颈

大模型技术突破面临数据、算力与算法协同不足的系统性约束。数据方面，高质量中文及专业多模态数据供给不足，版权、隐私和私域保护进一步增加了数据获取与流通难度；过度依赖合成数据还可能引发逻辑偏差甚至模型崩溃。算力方面，大规模训练与部署带来高成本、高能耗问题，国产芯片性能、异构算力调度及区域资源协同能力仍需提升。算法方面，现有模型跨领域迁移和跨模态适应能力有限，底层架构仍主要依赖Transformer，其计算与存储开销较大。破解上述瓶颈，需要统筹推进高质量数据建设、绿色算力优化与基础理论创新。

3.2 大模型产业生态与治理挑战

大模型产业化面临产业生态、人才供给与安全治理的复合挑战。产业链方面，芯片、框架、模型与应用之间缺乏统一接口和协同标准，重复建设及跨平台适配增加了技术迁移和部署成本。人才方面，现有培养体系与产业需求衔接不足，兼具算法能力、工程经验和行业知识的复合型人才较为短缺，高校还面临算力资源和产业数据获取受限等问题。治理方面，深度伪造、隐私泄露、算法偏见和知识产权等风险日益突出，国际规则差异与技术博弈又增加了企业出海和跨境数据流动的合规难度。为此，需构建“生态协同—人才培育—治理适配”的闭环机制。

四、结论与建议

大模型技术作为人工智能领域的关键核心技术，其攻关成效直接关乎国家科技战略主动权。当前，我国依托新型举国体制优势，在参数规模、应用场景及政策支持方面取得显著进展，国产大模型在中文语境下的综合性能已接近国际领先水平，华为、百度等企业的技术创新标志着自主能力的突破。然而，核心技术短板依然突出：高质量多模态数据稀缺、高端芯片依赖、底层理论创新不足等问题制约技术迭代，而深度伪造、算法偏见、碳足迹激增等风险对可持续发展构成威胁。国际层面，技术标准主导权争夺与地缘政治博弈加剧，亟须通过系统性战略布局实现关键领域突围。为应对上述挑战，本文提出技术攻关、产业协同、政策治理三位一体的对策建议，着力破解“卡脖子”难题，培育战略性新兴产业：

（1）突破核心技术瓶颈，构建自主创新体系

① 强化算力基础设施与核心算法攻关。加大对高性能计算基础设施的研发与建设投入，重点突破国产AI芯片的算力效率与能效比，推动建立国家级算力共享网络，实现资源的高效配置和利用。同步推进轻量化技术创新，通过模型剪枝、知识蒸馏等技术，将千亿级模型压缩至百亿级且性能损失低于5%，支持边缘端部署。

② 推动跨学科理论与数据生态建设。深化大模型与物理学、脑科学、生命科学、社会科学的交叉研究，探索知识涌现机制与可解释性理论。建设国家级多模态开放数据平台，整合科学文献、行业知识等高质量资源，研发智能化数据合成与治理工具链，破解数据枯竭与隐私保护难题。

（2）深化产业融合，打造开放协同生态

① 引导资源集中，形成大模型产业集群。引导资金、技术、人才等资源向优势区域和关键领域集中，形成垂直大模型产业集群效应，提升产业链协同创新能力；通过建立大模型产业园区，提供税收减免、资金扶持等优惠政策，吸引相关企业和研究机构入驻；在长三角、粤港澳等区域建设大模型产业创新高地，提供税收减免与算力补贴，吸引龙头企业与中小企业协同发展。

② 构建产学研用深度融合机制。加速建立以企业为主体、市场为导向、产学研用深度融合的创新联盟，从而提升产业整体竞争力；通过政策引导，促进高校、研究机构与企业之间的深度合作，以共同研发项目、共享研发成果等方式，加速大模型技术的创新和应用；建立大模型科技成果转移转化平台，为企业提供技术咨询和服务，推动科技成果的商业化。

③ 推动绿色效能与产业目标协同。制定大模型绿色算力标准，推动算力基础设施的低碳化改造；通过政策引导，鼓励企业研发和应用绿色算力芯片，构建绿色算力产业协同体系。

（3）健全政策框架，引领全球治理规则

① 优化激励机制与市场环境。对国产化替代项目实施税收优惠、资金扶持、创新券等，降低企业的研发成本；建立风险投资机制，激励社会资本，加大前沿大模型的研发投入，分担企业的研发风险；优化市场准入环境，为创新型企业提供便利的市场准入条件，促进大模型新技术、新产品的快速推广应用。

② 构建动态治理与风险防控体系。建立健全的大模型技术风险评估体系，对数据安全、隐私泄露、算法偏见等问题进行全面评估；强制生成内容嵌入区块链溯源标识，建立全生命周期风险评估机制，确保大模型技术可控性；联合新兴经济体推动大模型安全评估国际标准纳入ISO议程，倡导公平的数据跨境流动规则。

作者简介

吴仲琦 北京工商大学计算机与人工智能学院讲师。主要研究领域：多模态内容生成、智能决策等。

郑晓龙 中国科学院自动化研究所研究员。主要研究领域：大数据与社会计算、多模态数据感知与理解，大模型与决策智能等。

本刊发表的所有文章，除另有说明外，文责自负，不代表本刊观点。