问题——从“能用”到“好用”、从“通用”到“通专兼备”的跨越仍未完全打通。随着人工智能进入深度推理与复杂任务阶段，通用模型跨领域理解与生成能力上进步明显，但在专业场景的可靠性、可解释性和持续学习上仍有不足。此外，产业对降本增效的要求更为明确：技术不能停留演示层面，而要稳定接入核心生产系统，形成可复制、可规模化的实际价值。如何把科研突破转化为产业生产力，成为各方共同面对的关键问题。 原因——技术演进进入“深水区”，供需两侧共同推动通专融合成为主线。从供给侧看，模型能力提升越来越依赖高质量数据、强算力，以及更有效的训练与反馈机制。在新加坡举行的第四十届人工智能协会年会（AAAI 2026）上，上海人工智能实验室主任、首席科学家周伯文在特邀报告中表示，人类正逼近通用人工智能的重要关口，但“通用能力与专业能力融合不足”成为瓶颈。为此，需要推动科学智能从1.0走向2.0，从“人工智能驱动科学研究（AI for Science）”继续发展为“面向科学发现的通用智能体系”。他认为，可深度专业化的通用模型是实现通专融合的重要路径，但难点主要集中在三上：如何以更低成本获得规模化、密集的反馈；如何具备持续学习与主动探索能力；如何针对同一问题给出多视角方案，以提升可靠性与鲁棒性。研究团队还指出，大模型强化学习与长链路推理中可能出现“熵坍缩”等问题，导致探索性下降、过早陷入自我强化的“过度自信”，进而影响持续进化能力。 从需求侧看，行业数字化转型正从“信息化”走向“智能化”，要求模型既懂行业知识，又能在生产约束下长期稳定运行，并满足安全合规、实时性、成本控制和可运维性等要求。因此，产业端更倾向于“通用底座+行业适配”的路径，以更快对齐业务指标、缩短落地周期。 影响——前沿突破与规模化应用相互牵引，推动经济增长动能转换。一上，科学发现被视为检验推理能力与通专融合水平的“高难度考场”。科学研究中的复杂变量、长链路推理与实验验证需求，将推动模型可靠性、可解释性与主动探索上持续提升；同时，科学研究沉淀的高价值数据与复杂场景也会反向促进模型迭代，形成“双向促进”。围绕这个方向，上海人工智能实验室提出“智者”SAGE技术架构，并建设“书生”科学多模态大模型Intern-S1及“书生”科学发现平台Intern-Discovery，旨通过基础能力、融合机制与进化路径三层协同，推进全栈能力的验证与扩展。对应的探索不仅为科学智能提供工具与路径，也为我国参与全球前沿竞争提供新的发力点。 另一上，产业侧的价值落地正释放增量空间。华为云副总裁黄瑾表示，人工智能正从“展示性应用”转向“业务价值创造”，并逐步进入企业核心生产系统。在能源领域，中国石油将智能识别用于油气输送管道缺陷检测，实现更精细的风险识别与处置；在港口运营中，天津港相关智能系统提升管理协同与运行效率；在工业制造中，云铝股份通过智能优化电解槽运行，实现节能增效。据介绍，华为云已面向多个行业构建大模型，服务数百个场景、两千余家企业，覆盖交通、港口、科研教育、医药等领域。在工程运维上，北京铁道工程机电技术研究所股份有限公司通过智能巡检，显著压缩原本耗时较长的人工流程，并提升复杂故障识别准确率。实践显示，行业大模型正成为推进新型工业化的重要工具之一。 对策——以“底座能力+行业体系+开放生态”系统推进，打通从技术到产业的链路。一是夯实算力、数据与工程化底座，提升高质量数据供给与标准化治理水平，完善从训练、评测、部署到运维的全生命周期体系，降低应用门槛与成本。二是面向关键行业建设可验证、可审计、可持续迭代的专业能力，围绕安全生产、设备运维、质量管理、能耗优化等“硬指标”建立评价体系，推动应用从点状试点走向规模复制。三是加强产学研协同与国际交流合作，在开放环境中开展基准测试、共建工具链、联合攻关科学发现任务，同时重视知识产权保护、数据安全与合规治理，形成可持续的创新生态。四是加快人才培养与组织变革，推动企业建立“业务牵引、数据驱动、模型迭代、闭环运营”机制，让技术真正嵌入流程并沉淀为能力。 前景——通专融合与场景深耕将共同决定高质量发展的速度与成色。业内人士认为，未来一段时期，人工智能将呈现两条趋势：其一，模型能力将从“广谱通用”走向“精专兼备”，并以科学发现等高复杂度任务检验推理与探索能力；其二，产业应用将从“可用”走向“可信、可控、可持续”，在能源、交通、制造、科研等领域形成可规模化的生产力工具。随着更多基础设施完善、平台能力增强以及行业数据闭环逐步形成，我国人工智能有望在关键环节实现更大突破，并在全球产业链、创新链重构中赢得主动。
从实验室的理论创新到工厂车间的效率提升，中国人工智能正展现技术与产业相互成就的路径。这个进程提示我们：坚持问题导向与应用牵引，才能让技术创新转化为真实的发展优势。面向未来，如何在保持技术进步的同时建立负责任的发展范式，将考验各方的长期判断与协同能力。（完）