不过，根据我们在GBAI对各行业人工智能应用落地的跟踪和研究，虽然人工智能在各大重点领域的应用已展现出初步成效和广阔前景，但要将这些应用从“点”的突破扩展为“面”的普及，实现全方位赋能千行百业，仍然需要克服一系列现实的挑战。
首先，数据层面的制约依然突出。数据是训练AI模型的燃料，但高质量数据的获取和使用却困难重重。“数据孤岛”现象普遍存在，大量数据分散在不同部门、行业和企业中，难以互联互通，导致AI模型训练缺乏足够丰富和高质量的养料。我们的研究发现，这一问题在医疗（如医院间患者数据难以共享）、工业（如上下游企业间生产数据难以共享）等领域普遍存在。其次，数据的质量和标注成本也影响模型发展，但原始数据常常包含噪声和错误，而获取高质量标注数据又耗时耗力，成本巨大。此外，数据安全与个人隐私保护的法律法规要求日益严格，也在一定程度上限制了数据的可用性。
数据问题的解决需要技术手段，然而，数据问题远非纯技术问题，更涉及组织协调、利益分配与制度设计。建立有效的协调机制打破“数据孤岛”，逻辑上存在市场化和自上而下的制度设计两种路径，在这一点上，中国在后者（如通过顶层设计推动区域医疗数据中心建设）可能具备独特优势。
除数据之外，模型和算法成熟度也有待提升。尽管当前的大型语言模型展现了强大的生成能力，但在长期记忆、复杂逻辑推理等方面仍存在不足。如果将大模型比作AI的“大脑”，那么Agent（智能体）则是承载和执行大脑意图的“身体”，目前，Agent实现自主理解复杂目标、规划分解步骤、调用外部工具并稳定执行的能力普遍不够成熟。这导致AI在很多场景下还停留在辅助工具的角色，无法作为独立的执行者深度融入核心业务流程。
此外，从产业基础和国际竞争的视角来看，算力的挑战也十分严峻。AI的发展建立在海量算力之上，而算力的核心是高性能芯片。在当前复杂的国际环境下，中国正面临着高端芯片断供、技术封锁等现实困境。这使得我们在算力供给的总量与尖端水平上，与世界领先者存在客观差距，难以进行同等规模的算力“军备竞赛”。因此，对于中国而言，探索一条更加集约、高效的算力发展路径至关重要。
总的来说，推动“人工智能+”是一项系统工程。有了顶层设计的战略牵引，还必须正视并切实地解决数据、算法、制度设计等一系列具体问题。只有这样，人工智能才能真正全方位赋能经济社会的转型升级。
下一篇：没有了
