问题：大模型竞争进入“体系对体系”的较量 全国两会期间，全国人大代表、科大讯飞董事长刘庆峰北京安徽新闻中心接受媒体采访时表示，全球人工智能竞争正加速演进，大模型已从单点能力比拼，转向工程体系、产业生态和安全底座的综合较量；对我国企业而言，一上要跟上技术快速迭代，另一方面也要面对关键环节受制于人的现实。如何开放合作与安全可控之间掌握主动权，成为产业发展必须回答的问题。 原因：训练算力外依赖带来安全与持续性风险 刘庆峰认为，部分国内大模型在训练阶段依赖境外算力资源，回到国内更多完成适配与推理部署。“训练在外、应用在内”的路径在合规、安全与供应稳定各上存隐忧：一是关键训练过程对外部资源高度敏感，一旦遭遇限制，模型升级迭代会陷入被动；二是数据治理、模型参数与工程链路的安全边界更复杂，风险控制难度加大；三是长期看不利于形成国产软硬件协同优化的正循环，难以沉淀自主工程能力与人才体系。 他强调，自主可控不能只停留在应用侧“能用”，更要落实到训练侧“可控”。只有把底座训练建立在本土算力平台之上，才能形成更稳定的训练生态，提升产业韧性，夯实安全基础。 影响：国产算力训练扩面，生态联动效应开始显现 谈及国产算力训练的进展，刘庆峰以“星火”模型为例表示，该模型已实现基于国产算力完成训练，在主流大模型中率先走通国产算力训练路径，表明了关键环节自主化的实质推进。 他同时观察到，过去一年行业出现新的变化：不仅通用大模型在探索国产算力训练，更多面向行业的专用模型也在将训练环节迁移到国产平台，一些企业开始启动底座模型的自主训练。随着训练规模扩大与工程经验积累，算法优化与硬件适配呈现相互促进：一上，模型结构、并行策略与训练框架针对国产硬件特性改进；另一方面，硬件与系统软件在真实训练牵引下迭代加快，产业链协同空间深入打开。从“用起来”到“练起来”的转变，被视为行业从应用落地走向体系能力建设的重要信号。 对策：以全栈自主为目标，打通“算法—数据—算力—场景”闭环 就破局路径，刘庆峰提出，应从全链条推进自主可控能力建设，关键是形成可持续的闭环：在算法层面加强关键技术攻关与工程化能力，提升训练效率、降低推理成本；在数据层面完善合规治理与高质量数据供给机制，推动行业数据在安全边界内有序流通；在算力层面加快国产算力基础设施建设与适配优化，提升供给能力与稳定性；在应用层面依托我国超大规模市场与丰富场景，把大模型能力嵌入教育、医疗、工业、政务等领域，形成“场景牵引—产品迭代—能力增强”的滚动升级。 他认为，与其单纯追求参数规模，更应强调可落地、可验证、可复制的行业应用能力，用真实业务需求推动技术迭代，带动软硬件协同成熟，推动产业从“技术展示”走向“生产力工具”。 前景：场景优势叠加供给改善，有望形成新一轮产业跃升 展望未来，刘庆峰表示，我国发展大模型具备多重优势：一是应用场景广、需求密集，能够持续为模型提供迭代方向与验证环境；二是软硬件协同空间大，产业链上下游有条件在工程实践中加速磨合；三是国产算力供给持续增长，为更大规模、更高频率的训练与升级提供基础支撑。 他判断，随着国产算力训练能力增强、生态逐步完善，我国大模型产业有望在关键环节实现由点到面的突破，推动更多领域形成可复制的示范应用，并在安全可控前提下提升国际竞争力。
当前，全球人工智能产业正处于快速迭代阶段。中国企业在该轮竞争中的表现——不仅关系自身发展——也影响产业生态的多元格局。从依赖国外算力到推进自主训练，从被动应对到主动布局，转变并不轻松，但路径正在清晰。随着更多企业加入自主可控的实践，国产大模型产业的竞争优势有望更形成。未来，在自主可控基础上，中国人工智能产业仍有望打开更广阔的增长空间。