问题——算力建设热潮之下，“用得好”成为新考题。近年来，政策引导与市场投入共同作用下，智算中心建设、大模型研发与算力部署提速，人工智能产业呈现加速扩张态势。但，部分地区和行业出现“有算力、缺应用”的现象：一些智算中心算力利用率不高，部分高端算力设备长期空转，投资效益与产业拉动作用未达预期。产业界将这个矛盾概括为“智效”不足，即算力投入与产出不匹配、商业价值落地能力偏弱。 原因——发展路径偏差、场景牵引不足与协同链条不畅交织叠加。一是“重建设轻运营”的惯性思维仍在。一些项目更强调硬件到位、指标可视、展示效果，忽视面向真实业务的持续运营和产品化能力，导致算力资源难以转化为生产力。二是应用场景碎片化、供需对接不充分。行业用户需求复杂且差异明显，算法模型、算力平台、行业软件之间适配成本高，缺少能够贯通“需求定义—模型优化—算力适配—交付验证—商业复制”的一体化机制。三是部分关键领域国产化替代存在“表层替换”倾向。若仅完成硬件更新而未同步推动流程再造、数据治理与智能化改造，容易出现“换了设备、没变能力”的情况，难以形成质量与效率的实质提升。 影响——从资源配置到产业安全，结构性矛盾需要及时校正。算力闲置不仅抬升社会成本，也可能诱发重复建设和投资效率下降，影响产业预期与市场信心。更重要的是，在能源、工控、金融等关键领域，智能化升级与国产化替代本应相互促进：一上以自主可控夯实底座安全，另一方面以智能化提升行业韧性与效率。若两者脱节，将削弱产业升级的窗口期红利，影响我国在新一轮科技与产业变革中的竞争优势。 对策——以“场景闭环、治理协同、人才重塑”提升“智效”，打通价值转化全链条。 第一，突出场景牵引，形成从需求到商业的闭环机制。推进“应用牵引的技术路线”，由有关部门牵头，联合重点行业用户、软件与模型企业、国产芯片与整机厂商等组建协同创新联合体，针对典型场景开展联合攻关。重点不在“建多少算力”，而在“解决多少痛点、创造多少价值”：例如面向能源调度、设备运维、金融风控、政务服务等高频刚需场景，建立可复用的解决方案模板，实现可评估、可复制、可推广的商业路径。 第二，完善治理体系，以稳定预期护航规模化创新。人工智能应用边界不断拓展，特别是在自动驾驶、内容生成、工业控制等风险较高领域，需要加快规则供给和责任界定，推动标准、合规与评测体系建设，探索分级分类管理与“沙盒监管”等机制，为企业提供可预期的制度环境。治理目标不只是防风险，更在于以规则明确创新边界，降低试错成本，提升产业长期投入意愿。 第三，重塑人才供给，强化“懂技术、懂行业、懂工程”的复合能力。面向“AI+X”融合趋势，推动高校与职业教育优化学科设置与培养模式，扩大交叉学科与产教融合力度，强化工程化、产品化与行业知识训练。鼓励龙头企业、科研机构与高校共建联合实验室、实训基地和岗位课程，提升从模型到系统、从算法到行业落地的综合能力，夯实高质量发展的人才底座。 前景——以国产芯片为底座，产业竞争将从“规模比拼”转向“体系能力”较量。政府工作报告明确推动人工智能在重点行业实现商业化、规模化应用，发出从“技术突破”走向“价值创造”的清晰信号。业内人士认为，未来一段时期，行业将更加注重“算力—模型—数据—场景—治理—人才”协同能力建设，国产算力生态也将从“能用”加快迈向“好用、易用、可靠”。在这一过程中，能否形成稳定的软硬协同适配、持续的行业应用供给与可复制的商业模式，将决定产业能走多远、走多稳。
从追求算力规模到注重实际效益，反映了产业发展的新方向。只有立足真实需求、完善规则体系、强化人才支撑，才能让算力真正转化为生产力。在推进"人工智能+"的过程中，构建自主可控的算力生态和全链条协同机制，将为我国智能经济发展奠定更坚实的基础。