专访全国政协委员、工信部原副部长王江平：AI进入实体经济的最大障碍是专业数据集不完善

每经记者 杨弃非  淡忠奎    每经编辑 杨欢

图片来源于网络，如有侵权，请联系删除

3月5日，十四届全国人大三次会议开幕会在北京人民大会堂举行。国务院总理李强在政府工作报告中提出，要持续推进“人工智能＋”行动，将数字技术与制造优势、市场优势更好结合起来。

图片来源于网络，如有侵权，请联系删除

当前，在DeepSeek大模型热潮带动下，“人工智能+”赋能实体经济的探索不断加速，而背后的数据、算力等瓶颈问题也成为今年全国两会代表、委员们关注的焦点之一。

图片来源于网络，如有侵权，请联系删除

全国政协委员、工信部原副部长王江平在接受《每日经济新闻》（以下简称“NBD”）记者采访时表示，人工智能是靠数据来驯化的，既需要公共数据来支撑，又需要专业数据来发挥关键作用，当前专业数据集不完善是制约人工智能进入实体经济的最大障碍。

“具体到一些行业数据更多掌握在头部企业、工程设计院、大学科研院所等手里，要通过一种商业模式把他们手里的数据集成起来，让大家共享数据集产生的价值。”他说。

专业数据集和算力瓶颈是突出短板

NBD：您认为，当前人工智能赋能实体经济面临的最大障碍是什么？

王江平：人工智能有推动效率提升的作用，但进入到实体经济，它面临最大的障碍还是数据集的问题。因为人工智能是靠数据来驯化的，专业的数据驯化出的模型就会比较专业。反之，如果数据不专业，就达不到这样的效果。

所以，现在我们要推动人工智能进入实体经济，就迫切需要解决专业化数据集不足的问题，这个颗粒度越细越好。现在来看，我们通识性的数据已经有了，但是一些很专业的数据还需要去丰富，这是当前要迫切解决的问题。

接下来，就是商业模式的问题。人工智能进入实体经济需要什么样的商业模式，这是一个探索的过程。在我看来，至少有这样几个商业模式值得去探索——

第一个就是模型托管，模型做出来放在哪里，涉及云服务的问题；第二是模型服务，模型做出来以后要进入到每一个具体的行业。也就是说，做模型的人要懂实体经济，推动模型进入实体经济就是模型服务。

最后就是数据治理和交易问题。一个行业的数据治理完不完整非常关键，只有一个科学的、完整的数据治理体系才可能提供一个高水平的、专业化的数据集。有数据集就会涉及到交易的问题。

还有生产装备的智能化，现在我们的AI PC、AI手机，甚至AI家居等等，这些装备制造的AI化也值得探索。当然，模型的评估测试等服务也自然会跟着起来。

NBD：作为支撑AI算法运行的基础，大模型的算力瓶颈问题也受到越来越多的关注。您如何看待这一问题？

王江平：算力确实是我们的一个短板，但我认为通过综合施策是可以解决的。算力包括芯片、网络，以及供电这样一些综合型基础设施，或者叫算力基础设施。这些基础设施中，芯片是我们的一个短板。

在人工智能时代，特别是DeepSeek出来以后，我预测这种专用芯片（ASIC芯片）会在今明两年有一个大爆发的机会。我们过去的CPU是通用型芯片，而大模型出来以后，可能会有越来越多大模型专用的算力芯片出现。

加快搭建“颗粒度更细”的数据集

NBD：您认为，现在人工智能在哪个领域的应用最为成熟？

王江平：不论哪个领域都应该主动地去拥抱人工智能，而行业的数据集越好、越快，应用也就会越深入。我觉得现在医疗行业的人工智能应用发展比较快，而工业行业里门类较多，反而可能是一些关注度不高、规模较小、企业不多的行业会率先突破，因为它的数据集更容易建设，数据的共享更容易做起来。

实际上，一方面人工智能确实给我们的很多岗位带来了替代效应，但另一方面它也会增加很多新的岗位。不论是对企业，还是个人而言，一定要抓住这个机会去主动地拥抱人工智能。

NBD：行业AI应用落地程度，很大程度上取决于专业数据集的完善程度。您提到要建立一些“颗粒度更细”的数据集，目前还有哪些难点？应该如何去解决？

王江平：在过去，人工智能模型还是一个高大上的东西，它的进入门槛是比较高的，但当DeepSeek模型开源以后，它的应用门槛大幅降低。这样一来对人工智能模型的需求就显得非常迫切，但我们的数据集其实还没有完全准备好，这是需要有个过程的。

另一方面，数据集本身涉及到企业生产、能耗等关键数据，对企业而言是非常重要的，一般不太愿意去共享，所以我们要探索一种共享机制来推动这种数据集的建设。

我们的数据集既需要公共数据来支撑，更需要多个“颗粒度很细”的行业数据来发挥关键作用。而具体到一些行业数据更多又是掌握在头部企业、工程设计院、大学科研院所等手里，所以，下一步我们要通过一种商业模式把他们手里的数据集成起来，能够让大家共享数据集产生的价值。这样形成的数据就会很有价值，用它驯化的模型就可以更容易地进入具体的行业里去应用。

NBD：专业数据集的建设能否解决AI幻觉的问题？

王江平：其实，AI幻觉与数据集的质量、丰富性有很大的关系。就推理模型来讲，幻觉是比较高的。如果某些特定领域数据集不完整，就会产生幻觉。因为人工智能有一个“补白机制”，它自己数据库里有这些数据就会按照一定的权重去算，等于是一个输出的结果。

但当它没有这样丰富的数据集时，就会降低它的权重，最后补白出来，就可能会产生幻觉。我们一般人看不出来，但是专业人士就会看出来这是胡编乱造的。所以，归根究底，幻觉问题也是一个数据集的质量问题。