以下是关于全国人大代表、中兴通讯高级副总裁苗伟推动人工智能与实体经济深度融合相关内容的阐述：
一、背景与意义
1. 时代发展需求
在当今数字化时代，人工智能作为一种极具潜力的技术，正在全球范围内引发深刻的产业变革。实体经济涵盖众多传统产业领域，如制造业、农业、服务业等，这些产业面临着转型升级的压力与机遇。将人工智能融入实体经济，可以为传统产业注入新的活力，提高生产效率、产品质量和创新能力。
2. 提升国际竞争力
从国际竞争格局来看，各国都在积极探索人工智能在实体经济中的应用。推动人工智能与实体经济深度融合，有助于中国企业在全球产业链中迈向高端位置，增强在国际贸易和产业竞争中的话语权，实现从制造大国向制造强国、创新强国的转变。
二、融合面临的挑战
1. 技术适配性问题
实体经济中的不同行业有着各自独特的生产流程、工艺要求和业务逻辑。人工智能技术需要针对这些特点进行定制化调整和优化，才能实现有效的融合。例如，制造业中的精密加工与农业中的作物种植对人工智能技术的需求在数据类型、算法模型、传感器应用等方面存在很大差异。
2. 数据资源整合难题
一方面，实体经济各部门的数据往往分散在不同的系统和平台中，数据格式、标准不统一，难以实现有效的整合和共享。另一方面，数据的质量参差不齐，存在数据缺失、错误、噪声等问题，影响人工智能模型的训练效果。例如，传统制造业企业内部的生产数据、销售数据和物流数据可能分别存储在不同的数据库中，且缺乏统一的标识和管理。
3. 人才短缺
既懂人工智能技术又熟悉实体经济行业业务知识的复合型人才匮乏。人工智能领域的专业人才主要集中在算法研究、软件开发等纯技术领域，而实体经济行业的从业者往往对人工智能技术缺乏深入了解。例如，传统工厂中的工程师可能不具备开发和应用人工智能算法来优化生产流程的能力。
三、推动融合的建议措施
1. 政策支持与引导
政府应制定专门的产业政策，鼓励企业开展人工智能与实体经济融合的项目。例如，设立专项扶持资金，对在融合创新方面表现突出的企业给予财政补贴、税收优惠等支持。同时，通过政策引导构建良好的产业生态，促进人工智能企业与实体经济企业之间的合作交流，如建立产业联盟、示范园区等。
2. 加强技术研发与创新
鼓励产学研合作，联合高校、科研机构和企业的力量共同攻克人工智能与实体经济融合中的关键技术难题。例如，针对制造业中的质量检测难题，开展基于深度学习算法的图像识别技术研发，提高产品缺陷检测的准确率和效率。同时，加大对人工智能基础研究的投入，提高技术的通用性和适用性。
3. 人才培养与引进
在教育体系中增加人工智能与实体经济融合相关的课程和专业方向，培养适应市场需求的复合型人才。例如，在工科院校中开设“人工智能+制造业”“人工智能+农业”等交叉学科专业。此外，积极引进国外高端人才，借鉴国际先进的融合经验和技术成果，提升国内整体的融合水平。
4. 标准制定与数据治理
加快制定人工智能与实体经济融合的相关标准，包括数据标准、接口标准、安全标准等。这有助于提高不同系统和企业之间的互操作性和兼容性。同时，加强数据治理工作，建立数据质量管理体系，提高数据的准确性、完整性和安全性，为人工智能应用提供高质量的数据资源。
|
|
|手机版|标签|新闻移动网xml|新闻移动网txt|全球新闻资讯汇聚于 - 新闻移动网
( 粤ICP备2024355322号-1|
粤公网安备44090202001230号 )
