问题——AI要半导体行业用得好，关键在于"有数据、用数据、用好数据"。今年政府工作报告明确提出推进制造业数字化转型和"人工智能+"行动。代表委员普遍认为，应用落地正在加快，但在半导体等高壁垒行业，AI的训练与迭代高度依赖真实、有效、可持续的行业数据。全国人大代表、企业负责人傅志伟表示，行业对利用AI提升研发效率、优化工艺流程、强化质量管控和装备运维的需求很迫切，但数据分散、边界不清、权益不明等问题，成为深入拓展应用的现实障碍。 原因——数据面临"散、难、怕"三重约束。一上，半导体产业链长、环节多，研发、制造、测试、装备、材料等数据长期分散不同企业和机构，标准不一、接口不通，导致跨主体汇聚成本高、周期长。另一上，产业数据往往与核心竞争力紧密涉及的，涉及商业秘密、知识产权、隐私保护和网络安全等敏感要素，企业缺少明确规则的情况下，普遍存在"不敢共享、不会共享、共享后难追责"的顾虑。傅志伟指出，推动AI更好服务产业，必须把数据收集、治理、保护与权益划分同步纳入制度建设，避免"数据可用"与"安全合规"相脱节。 影响——若确权与治理机制缺位，AI赋能产业的深度与广度将受限。业内人士指出，半导体产业具有高投入、快迭代、强竞争特征，数据质量直接决定算法模型的有效性。数据难以在合规框架下流通，不仅会降低模型训练效率、延缓应用落地，还可能造成研发经验无法沉淀、工艺优化难以复制、供应链协同不足等问题。傅志伟同时关注到科研数据管理的现实痛点：失败试验与错误结果往往缺乏系统归集，甚至随项目终止而被搁置，导致后续团队重复走弯路、资源消耗加剧。对技术密集型产业而言，这种"看不见的浪费"会在长期竞争中放大为成本劣势。 对策——以确权立法为牵引，构建"可汇聚、可共享、可追溯、可保护"的产业数据基础制度。傅志伟建议推动对半导体产业数据确权进行立法，明确数据归属、使用边界、收益分配与责任追究等关键规则，为企业在安全前提下开展数据合作提供可预期的制度环境。业内分析认为可从三上同步发力：其一，建立面向产业的数据治理规范，推动数据分类分级、脱敏处理、加密存储、审计留痕等要求落地，提升数据可用性与安全性；其二，探索可信的数据流通机制，通过标准化接口、合规评估、授权管理等方式，降低跨企业、跨环节的数据协作成本，推动形成高质量行业数据库，支撑模型优化；其三，完善创新生态中的容错与激励安排，加强对研发过程数据、特别是"负结果数据"的规范沉淀和共享机制建设，让科研人员敢于试错、善于总结，使数据资产在更大范围内发挥复用价值。傅志伟认为，错误数据同样具有重要参考意义，能帮助后来者避免重复犯错、加快寻找确定性路径，这也将为AI在科研环节的深度应用打开空间。 前景——制度保障与技术进步同向而行，AI有望在半导体领域释放更大乘数效应。业内人士表示，随着制造业数字化转型提速，AI将在材料研发、工艺参数优化、缺陷检测、良率提升、设备预测性维护等场景加快渗透。若产业数据确权与流通规则进一步清晰，将有利于汇聚更多高质量数据资源，促进模型迭代升级，推动从"单点应用"走向"全流程赋能"，并带动产业链协同效率提升。此外，在日常生活与公共服务领域，AI也将从简单工具向更高层级的辅助决策与事务处理演进，关键仍在于数据治理能力、应用规范与安全底线的同步建立。
傅志伟的建议触及了AI产业化发展的核心问题——如何在保护数据安全和企业权益的前提下，实现数据的有效流动和共享；这需要完善的法律制度——更需要全社会形成共识——认识到数据共享和容错机制对创新发展的重要意义。随着对应的立法推进和容错环境的营造，AI与制造业的融合将进入更深层次，为产业升级和科技创新注入新的动力。