□本报记者 贾润梅

　　人工智能（AI）正从通用能力走向专业赋能，成为培育新质生产力、驱动产业升级的关键引擎。今年全国两会期间，全国政协委员、中国科学院院士李景虹在接受中国质量报记者采访时表示，推动人工智能高质量发展，既要以高质量行业数据筑牢产业底座，也要以系统性改革打通教育、科技、人才协同循环，助力我国抢占全球人工智能发展制高点。

　　当前，大模型技术快速迭代，但产业落地仍面临“通用有余、专业不足”的困境。李景虹在调研中发现，垂直领域大模型需要依托行业特有知识、实验数据与场景反馈持续迭代，而我国高质量专业数据供给不足、数据治理规则不健全、数据共享机制不畅，已成为制约“人工智能﹢”走深走实的关键因素。

　　“行业大模型的核心竞争力，源于对高质量专业数据的深度训练。”李景虹直言，当前我国行业数据建设面临多重挑战。公共资助科研数据开放共享水平不高，创新主体获取成本高、效率低；关键行业基础数据积累不足，化工、材料、生物医药等领域长期依赖国外商业数据库，数据孤岛现象普遍；高价值数据生成依赖专业设施，我国数据生产型基础设施仍处起步阶段；场景数据回流机制不清晰，企业本地化部署导致模型难以形成“应用—反馈—优化”的数据闭环。

　　针对这些痛点，李景虹建议，将行业数据资源建设提升到与技术创新、硬件投入同等重要的战略高度，构建分类施策、共建共享、安全可控的行业数据新生态。他提出，优先在生物医药、高端材料、智能制造等数据价值密度高的行业开展试点，制定行业高质量数据发展指南；布局行业级“数据工场”，建设自动化实验室、数字孪生平台等数据生产基础设施，依托隐私计算、联邦学习探索数据共建共享池；强化公共科研数据开放共享，将数据提交与开放情况纳入科研项目验收评价；明确场景数据合规使用边界，鼓励云端服务模式，让数据安全流通、价值高效回流。

　　数据是人工智能的“养料”，人才则是驱动技术创新的核心。在李景虹看来，人工智能的竞争，本质上是国家创新体系效能的竞争，是基础研究、人才培养与产业转化速度的全方位较量。随着人工智能进入纵深发展阶段，传统学科划分、标准化人才培养模式已难以适应前沿需求，教育、科技、人才三者割裂推进的问题日益凸显。

　　“推进‘人工智能﹢’，既要解决数据‘有没有、好不好、通不通’的基础问题，更要破解人才‘够不够、用不用、融不融’的长远难题。”李景虹表示，当前我国创新体系开放性不足、科技评价“重数量轻质量”、产学研协同存在“成果转化断层”，制约了人工智能领域原创突破与产业落地。他建议，以系统性思维深化教育、科技、人才一体化改革，为人工智能高质量发展提供基础性、战略性支撑。

　　具体而言，一是夯实数据底座，由国家层面统筹建设科学与工程基础数据平台，推动关键领域数据标准化与开放共享，破解数据孤岛；二是推动融合育人，在高校布局“AI﹢X”交叉学科与交叉学院，动态调整专业设置，构建贯通式人工智能人才培养链条；三是深化评价改革，建立以创新价值、能力贡献、产业实效为导向的评价体系，为科研人员减负松绑；四是强化协同攻坚，支持龙头企业与高校牵头组建新型创新联合体，健全风险共担、利益共享机制，加速科技成果转化进程，让创新成果真正赋能产业发展。