人工智能技术的发展已进入新的关键阶段；全国政协委员、九三学社中央常委、中国科学院院士李景虹近日表示，当前人工智能正在经历从通用能力向专业赋能的重要转变。这个转变意味着，单纯依靠通用大模型已难以适应产业发展需要，必须加快构建针对不同行业的专业化解决方案。 当前制约人工智能产业深化应用的关键瓶颈日益凸显。李景虹指出，现有通用大模型由于缺乏对特定产业场景的深度理解和专业知识积累，难以有效解决复杂、高精度的行业问题。这一局限直接影响了人工智能在制造、医药、材料等关键领域的实际赋能效果。要突破这一困局，必须加大垂直领域大模型的开发力度，将其打造成赋能千行百业的"行业专才"和新型基础设施。 李景虹在深入调研中发现了阻碍行业大模型发展的三大突出矛盾。首先是高质量专业数据供给严重不足。在化工、材料、生物医药等高度依赖专业数据的领域，我国长期依赖进口国外商业数据库，缺乏系统性的数据积累和标准化体系。其次是数据治理规则尚不健全。行业内部缺乏统一的数据定义标准和技术规范，难以形成规模化的训练资源。第三是数据共享机制尚未畅通。企业间的数据壁垒依然高筑，医院诊疗数据、工业工艺参数等高价值数据仍处于分散和封闭状态，难以利用数据的集聚效应。 这些问题的存在带来了深层影响。人工智能制药企业因获取不到医疗诊疗数据而创新能力受限，智能制造企业由于无法共享工艺参数而研发效率低下。高价值数据的分散和封闭，直接阻碍了人工智能在产业端的深化应用，成为制约"人工智能+"战略落地的关键变量。 面对这些挑战，李景虹提出了系统性的解决方案。他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，通过分类施策、机制创新与规则完善，为人工智能产业应用夯实数据基石。 在具体实施路径上，李景虹建议优先选取生物医药、高端材料、精细化工、智能制造等数据价值密度高、智能化需求迫切的行业，开展"人工智能+行业数据"试点工程。针对每个试点行业，主管部门应研究制定"行业高质量数据发展指南"，明确该领域高质量数据的定义标准、技术规范、关键缺失清单及阶段性建设目标。通过试点先行，逐步积累经验，最终形成可复制、可推广的模式，进而构建覆盖重点行业的专业数据资源体系。 这一建议抓住了人工智能产业化的核心要素。数据是人工智能的"燃料"，高质量的行业数据是垂直大模型的基础。建立规范化的行业数据体系，不仅能够支撑垂直大模型的研发，更能激发各行业的创新活力，推动人工智能技术从实验室走向生产一线。
实现"人工智能+"的深入发展，算法算力与数据治理缺一不可。只有打通数据汇聚、标准制定、合规流通等关键环节，夯实行业数据基础，才能让技术真正"用得好、用得放心"，为产业升级提供持续动力。