一、前言

人工智能(AI)技術誕生于 20 世紀 50 年代，已發展成為當前最前沿、最熱門的高新技術之一，在第四次科技革命中處于核心地位，成為未來綜合國力較量的重要方面。美國、俄羅斯、歐盟、日本等國家和地區高度重視 AI 技術的發展，積極制定相關戰略和規劃，加強技術研究與開發 [1~4]。

近年來，我國推出了多項戰略和政策，加強頂層布局為 AI 發展指明方向，支持 AI 技術快速健康發展。在這一過程中，需遵循技術發展客觀規律，尋求適合國情的 AI 技術創新路徑。當前亟待解決的重大難題是研究新時期舉國體制下 AI 技術的發展創新模式和優選路徑，探索與之相適應的投資政策、人才機制、項目管理制度和績效考核體系。

AI 作為一項顛覆性新興技術，對其發展規律的系統化研究尚不充分。為此，本文運用對比分析方法，選取相對成熟的核能、光伏技術與 AI 技術進行對比，從基礎理論、技術發展和技術市場應用模式 3 個方面展開論述，梳理 AI 技術特有的發展規律和創新路徑，提出推動我國 AI 技術創新發展的措施與建議。

二、AI 技術和產業的概念界定

(一)AI 技術概念界定

國家標準化管理委員會將 AI 定義為 [5]：利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統。

依據這一定義，可將 AI 理解為通過特定技術手段使機器“模仿”人的智能。按照“模仿”能力的成熟程度，AI 技術可以分為弱 AI、強 AI 和超 AI 等階段 [6]。弱 AI 指擅長于單一方面的 AI，基本處于計算和感知的智能水平。強 AI 指能夠進行思考計劃、解決問題、抽象思維、理解復雜理念、深度學習等操作，在各方面能和人類處理水平類似的 AI。超 AI 指在幾乎所有領域都比人類處理能力更強的 AI，如科學創新、通識和社交技能等。目前 AI 技術處于弱 AI 階段 [7,8]，要從弱 AI 階段發展到強 AI 階段，需要在基礎前沿、核心技術等方面取得重大突破。

AI 的核心技術包括：機器學習、計算機視覺、知識工程、自然語言處理、語音識別、計算機圖形學、多媒體技術、人機交互技術、機器人、數據庫技術、可視化技術、數據挖掘、信息檢索與推薦等。得益于高等院校、科研機構和企業在 AI 核心技術方面取得的進展，AI 技術逐漸具備智能化、廣泛性、高效性和全球化的特征，在經濟社會發展中的作用將越來越重要。也要注意到，AI 核心技術還存在靈活性不足、可解釋性弱、魯棒性差等問題，對未來 AI 技術的發展構成了嚴峻挑戰。

(二)AI 產業概念界定

產業是一個復雜的經濟系統，包括管理、技術、人員、生產、市場、資源和信息等多類要素 [9]。目前，AI 產業概念界定通常有廣義和狹義兩種方式，相關要素的含義與表現形式不盡相同。從廣義角度看，AI 產業指通過 AI 技術的深度廣泛應用，促進技術集成與商業模式創新，推動重點領域智能產品創新，帶動重點行業智能化升級，形成智能驅動、人機協同、跨界融合的產業發展新形態。從狹義角度看，AI 產業指群體、團隊、個人針對 AI 基礎理論、技術、系統、平臺以及基于 AI 技術所推出產品和服務的研發、生產、銷售等一系列經濟活動的集合 [10]。本文研究是基于 AI 產業的狹義概念來開展的。

AI 產業是一個結構性體系，從產業鏈各階段的供給和依賴關系來看，從上到下依次分為基礎層、技術層和應用層(見圖 1)。基礎層主要提供數據或計算能力支撐，如芯片、傳感器、生物識別等。技術層主要進行關鍵技術研究和相關應用，依托運算平臺和數據資源進行海量識別訓練與機器學習建模，開發面向不同領域的應用技術，如語音及自然語言處理、計算機視覺和機器學習等。應用層主要是在細分行業場景中應用，核心在于 AI 技術的商業化，利用 AI 技術提供產品、服務和解決方案 [11]。

圖 1 AI 產業結構圖 [10]

注：GPU 表示圖形處理器;FPGA 表示現場可編碼門陣列。

(三)AI 技術與 AI 產業的關系

新興產業是通過前沿技術不斷發展進而經工程化、產業化而形成的，科技創新是新興產業發展的重要動力 [12,13]。AI 產業作為重要的新興產業之一，與 AI 技術的關系闡述如下：AI 技術是推動 AI 產業發展的重要內核;AI 產業的發展趨勢是以 AI 關鍵技術為核心，向上向下分別輻射帶動 AI 產業結構基礎層和應用層的發展;AI 產業的整體發展程度受限于 AI 核心技術的發展創新能力，促進 AI 關鍵技術創新發展是必然的選擇。

目前我國 AI 產業發展整體形勢仍落后于歐美發達國家，探索符合國情的 AI 技術創新發展路徑，通過“以技術促產業”模式推動我國 AI 產業快速發展，具有重大現實意義和深遠戰略價值。

三、基于比較分析的 AI 技術發展規律初探

技術發展通常表現為以基礎理論為先導、以市場需求為拉動，旺盛的市場需求促使技術不斷升級和優化。通過分析基礎理論突破與市場需求生成對于技術發展的影響，有助于加深對技術發展規律的認識和理解。由于 AI 技術起步較晚，本文將之與發展較為成熟、應用廣泛的核能和光伏技術進行對比分析，研究各自的發展特點以探索 AI 技術發展的普遍規律。

(一)核能技術

1. 基礎研究進展

核能技術基礎理論主要是在科學家實驗研究的基礎上，通過分析實驗現象并總結推理而得到的。 1919 年，英國物理學家盧瑟福用α粒子轟擊氮原子核的方式獲得了質子，第一次實現了原子核的人工轉變。1939 年，諾貝爾物理學獎獲得者費米提出鏈式反應原理，為和平使用原子能奠定了理論基礎。目前，核能技術經過較長時間的研究已經具備了充分的理論基礎。

2. 技術發展情況

以基礎理論為基石，核能技術的發展受到國防軍事需求的強力牽引，逐步具備了完善的技術能力，已被視為成熟的技術領域。美國 1940 年啟動的“曼哈頓工程”是核能技術研究的經典模式。此后，美國、蘇聯、英國、法國的原子彈相繼爆炸成功，我國分別于 1964 年、1967 年成功爆炸第一顆原子彈和氫彈。

3. 技術市場應用

核能技術最初定位于國防軍事領域應用，如 1933 年匈牙利物理學家齊拉德發表了相關論著，提出核能開發可用于國防軍事領域。第二次世界大戰結束后，依托扎實的核能技術研究基礎，科學家迅速將核能應用轉向和平用途，如 1954 年蘇聯建成的世界上第一座 5 MW 實驗性石墨沸水堆(奧布寧斯克核電站)，是核能技術在民用市場領域應用的重要標志。

綜上，核能技術基礎理論研究充分，技術研究扎實，以國防軍事應用需求為起點，帶動民用需求的蓬勃發展，是 20 世紀高新技術發展的典型范例。

(二)光伏技術

1. 基礎研究進展

太陽電池的工作原理是光生伏特效應，1839 年由法國科學家貝克雷爾在實驗中發現。該原理的發現推動了光伏技術的研究和產業的發展。隨著理論研究的深入，科學家發現多種材料具備光伏效應。例如，1877 年 Adam 和 Day 研究了硒的光伏效應， 1904 年 Hallwachs 發現銅與氧化亞銅結合在一起具有光敏特性，1932 年 Audobert 和 Stora 發現硫化鎘具有光伏現象，1941 年奧爾在硅上發現光伏效應。

2. 技術發展情況

光伏技術發展至今，常見的太陽電池包括硅太陽電池、III-V 族太陽電池、銅銦鎵硒太陽電池、碲化鎘太陽電池、有機太陽電池和染料敏化太陽電池等。近年來，隨著新材料的不斷研發，光伏技術研究呈現多樣化趨勢，發現了越來越多的新型電池材料(如鈣鈦礦、石墨烯等)。但新型太陽電池的技術研究也面臨著一些問題。例如，鈣鈦礦太陽電池相較于眾多新型太陽電池，具有成本低、效率高的優勢，但在有毒金屬替代、電池長期穩定性、大面積太陽電池制備工藝等方面存在不足，這對產品商業化提出了挑戰 [14,15]。因此，光伏技術雖然具備較好的理論基礎，但在先進材料研發和制備方面還存在短板，技術研究略顯薄弱，不同技術方向的研究水平也參差不齊。

3. 技術市場應用

光伏技術的市場應用模式與核能技術類似，也是以軍用需求為起點，隨后帶動民用需求發展。 1958 年，美國第一個由光伏電池供電的衛星“先鋒一號”發射入軌，是光伏技術早期應用于軍用市場的標志。1962 年，配備了 14 W 太陽電池的商業通信衛星 Telstar 發射入軌，成為太陽電池在民用市場應用的開端。

綜上，與核能技術類似，光伏技術的基礎理論研究充分，在技術市場應用中也是起始于國防軍事領域，并以此帶動民用需求發展。受限于新材料研究水平，光伏技術的各子方向研究水平參差不齊。

(三)AI 技術

1. 基礎研究進展

不同于核能和光伏技術，AI 技術發展初期并未具有完備的基礎理論。1936 年，英國人艾倫·圖靈創立了自動機理論，可以視作 AI 概念的起源。 1956 年，約翰·麥肯錫、明斯基、羅切斯特和香農等首次提出了 AI 技術定義。在 AI 技術的發展過程中，針對某一領域的方法研究遠遠多于基礎理論研究。AI 的早期基礎理論定位于“思想”“概念”，并沒有提出充分的原理性解釋 [8,16]，更多注重某些具體領域的方法研究;基礎理論研究薄弱，存在很多需要進一步探索的未知領域。一般認為，AI 技術的基礎理論存在一定的缺失和不完備，尚未達到核能、光伏技術的研究水平。

2. 技術發展現狀

AI 技術的發展與核能、光伏技術也有很大的不同。AI 技術目前還處于弱 AI 階段，雖已在眾多領域應用，但限于技術本身不足而導致技術的可信賴度不高，尚未在國防等“高精尖”領域獲得廣泛應用。在常規的民用領域 AI 技術得到了廣泛應用，且更新迭代速度很快。目前 AI 技術處于出常規技術較好而高端技術發展不足的局面。

3. 技術市場應用

AI 技術應用的發展經歷了 3 次浪潮 [6]，代表性的節點和應用均產生于民用市場領域。例如， 1973 年日本開發的 Webot 1 機器人是第一個基于智能軟件的人形機器人，可以播放音樂;1980 年日本開發的 Webot 2 機器人可以與人溝通、閱讀樂譜并演奏電子琴;1997 年國際商業機器公司(IBM)開發的“深藍”擊敗了國際象棋冠軍;2006 年法國阿爾德巴蘭機器人公司研發了智慧機器人 Nao。從需求方面看，鑒于國防領域需求場景的特殊性，如數據少、邊界不確定、環境復雜和高實時響應等，AI 技術在國防領域中的應用還存在一些問題。整體來看，AI 技術的市場應用有別于核能、光伏技術，目前仍以民用需求為主;受技術水平所限，在未來很長一段時間內民用領域的應用要比軍用領域更廣泛。

(四)比較分析結論

通過與核能、光伏技術在基礎理論研究、技術發展情況和技術應用市場模式的發展規律進行對比(見表 1)，可以發現 AI 技術具有以下發展規律。

表 1 核能、光伏和 AI 技術研究對比

(1)AI 技術在基礎理論研究方面相對匱乏 [16]，盡快打牢基礎理論研究是推動未來 AI 技術成熟發展的重要方面。創新是信息技術發展的靈魂和核心， AI 技術的快速持續創新是其發展的必經之路。

(2)與核能和光伏技術類視，AI 技術也具有軍民兩用的潛力，軍民市場協同發展是未來發展的必然方式。限于 AI 高端技術發展不足、軍民市場需求對 AI 技術存在顯著差異化，探索 AI 技術在軍民市場應用中的特色創新發展路徑，是 AI 技術的重點發展方向。

四、AI 技術創新的路徑

(一)“演化式”發展是 AI 技術發展的必然選擇

基于基礎理論發展不充分，技術層面以弱 AI 為主，民用市場巨大、軍用市場需求明顯但實際應用偏少的現狀，我國 AI 技術發展須采用獨特的創新路徑。為此，本文采用“內卷式”和“演化式”發展的概念來進行闡述。“內卷式”指通過在有限領域內投入大量既有技術來獲得總產量增長的方式 [17]。“內卷式”通常表現為技術的復制、延伸和精細化發展，在發展過程中存在效率提升有限的困境。“演化式”發展重在技術本身的發展與突破，并通過應用領域擴張帶來新的社會效益。

目前，AI 技術表現為“內卷式”的發展方式，如常規技術發展較好、高端技術發展不足、技術價值和影響力未充分展示。AI 的某些技術(如語音識別、圖像識別)已在社交、翻譯、安保、醫療等領域獲得廣泛應用，但其魯棒性不高、可解釋性不強等問題并未得到根本性改善，應用場景也受到了制約。這種現象一方面源于技術突破本身存在難度;另一方面由于國內民用市場規模巨大，僅僅將弱 AI 用于某些特定市場及其細分市場就可以使技術擁有方獲得較大收益，導致深入研究 AI 技術缺乏動力。“內卷式”發展的高收益是短暫的，隨之而來的市場競爭將削弱收益 [18]。只有加強革新與創造，采取注重非特定市場與“非舒適區”市場應用的“演化式”技術發展模式，AI 技術才能保持旺盛的技術生命力。

(二)融合發展推動 AI 技術“演化式”發展

為促使 AI 技術發展走出“舒適區”、從“內卷式”發展轉變為“演化式”發展，需要有新的外部環境驅動因素。相比于民用需求，軍用需求“高精尖”特點更加突出，市場特征差異明顯。要在強 AI 和超 AI 領域有所突破，僅僅依靠民用市場需求是無法實現的，需要通過軍用需求加以牽引。軍用場景應用要求 AI 技術具有邊界不確定性、博弈強對抗性、響應高實時性、環境高復雜性與信息不完整性等戰場特性，相應的裝備應滿足可靠性、可維修性、可測試性、安全性與環境適應性等多方面要求，而這正是從弱 AI 向強 AI 和超 AI 發展進階的引路標。可以認為，以軍用需求為牽引來實現 AI 技術融合式發展，成為當前克服 AI 技術創新困難、保證創新活力的優選路徑。

也要注意到，AI 技術面向軍民市場的發展模式，相比核能、光伏技術有所不同。核能、光伏技術的市場應用模式首先服務于國防軍事領域，而后帶動民用領域應用;從軍用市場向民用市場轉移的技術壁壘相對較低，較易打破軍民產業邊界，實現技術在軍民領域的“演化式”發展。由于軍民市場需求差異性明顯，AI 技術在軍用需求和民用需求之間的相互轉化阻礙較大;強化軍用需求牽引，打破軍民產業邊界，才能實現 AI 技術的“演化式”發展。

立足國情，實現 AI 技術融合發展可以采用“三步走”路線。第一步，民用技術成果根據軍用市場的特殊需求，與需求應用場景進行匹配，實現民用成果直接轉化為軍用應用。例如，智能安防技術的民用市場發展相對成熟，但軍用場景尚未深入開發;通過這種轉化，不僅可以擴大技術的應用范圍，還可以初步考驗常規弱 AI 技術的成熟性與可靠性，快速定位技術短板。第二步，新興 AI 技術，如智能安全技術應通過軍民協同創新和聯合攻關予以突破，促使具有強 AI 特征和軍民兩用屬性的通用 AI 技術誕生;第三步，針對軍用的高需求，由軍方針對特殊需求保障必要投入，開展民用領域難以開展或不愿開展的高端技術研究，推進超 AI 技術的研制與產品化;階段性地向民用領域轉移研究成果，探索形成“軍用牽引民用”的發展格局，如生物智能、智能微系統是可能的技術應用方向。

五、對策建議

(一)頂層布局，構建新型研發機構

構建在民用和軍用領域具有領導力和資源調配能力的新型研發機構，建議由國務院和中央軍事委員會聯合引導并支持。鑒于 AI 技術的多元化與“群智”的特點，本著高效與務實的原則，采取“頂層統籌、軍民協同、各有側重、群策群力”的項目運行模式，使 AI 的基礎理論研究能夠自由探索，使高端技術研究能夠有擁有良好的團隊進行集中攻關;有效協調軍用與民用市場需求，使得新型研發機構的運行符合 AI 技術創新的基本特征和發展規律。

(二)拓寬渠道，加大資源保障力度

AI 技術融合發展需要有穩定的經費支持渠道，建議采用“科研經費 + 市場效益”驅動模式。在民用成果轉化為軍用時，設立國家科技領域重大專項，通過科研經費形式進行資源保障。在軍民協同創新和軍用牽引民用階段，相關研究成果向民用領域轉化時，考慮引入行業內的國有或民營企業，由民用產品專項培育基金予以定向支持。

(三)重視人才，推動融合型人才隊伍建設

目前 AI 領域的領軍人物和團隊集中在國內外的知名科研院所和重點企業，但 AI 技術融合發展需要構建多源融合的人才團隊以更好集中力量開展科研攻關。人才隊伍建設需依托相關科研機構實體，初期可采用“雙聘制”模式引進先進人才和團隊，明確人員的權利和義務;團隊建設逐步成熟后可引入定向培養機制，培育核心團隊和領軍人物，打破現有人才引進僵局。另外，做到“同工同酬”，吸引軍隊人才與地方人才聯合攻關;發揮各自優勢，真正做到軍民協同創新。在人才隊伍建設過程中，同步建立體現差異化的考評機制。

(四)協同發展，開展倫理研究

AI 技術在民用場景應用的倫理規范研究已有所發展，但由于軍用場景應用起步晚于民用，當前對軍用場景應用的倫理規范研究還有所缺失。關注 AI 技術在軍民市場應用時的倫理規范協同發展，在現有倫理規范研究成果的基礎上，就責任歸屬、震懾性與毀傷性權衡等具有軍用特殊性的倫理規范問題開展研究。