■  中国工业报记者 左宗鑫 当前，人工智能产业快速发展，全球算力资源使用需求不断攀升，算力互联互通已成为国内外关注焦点。工业和信息化部近日印发《算力互联互通行动计划》（以下简称《行动计划》），其中提出： 到2026年，建立较为完备的算力互联互通标准、标识和规则体系。设施互联方面，推广新型高性能传输协议，提升算力节点间网络互联互通水平；资源互用方面，建成国家、区域、行业算力互联互通平台，统一汇聚公共算力标识，实现全国头部算力企业的公共算力资源互联；业务互通方面，推动算、存、网多种业务互通，实现跨主体、跨架构、跨地域算力供需调度；应用场景方面，开展算力互联网试验网试点，赋能产业普惠用算。 到2028年，基本实现全国公共算力标准化互联，逐步形成具备智能感知、实时发现、随需获取的算力互联网。 知名数字经济学者、工信部信息通信经济专家委员会委员盘和林在接受中国工业报记者采访时表示：“数字经济和人工智能的三大基础是算法（软件），算力（硬件）和数据（要素资源），算力互联互通能够让人工智能企业实施更大规模的人工智能开发，促进大模型的发展，也能有效降低算力成本，帮助数智企业降低成本，从而加速数智企业的发展。” 让算力像水、电一样便捷使用 “算力互联互通在技术上难度不大，关键是在生态上，在算力供给企业之间，形成适当的连接，打通生态壁垒。”盘和林认为。 那什么是算力互联互通？ 工信部有关负责人在解读《行动计划》时介绍，算力互联互通是在现有互联网体系架构基础上，通过构建统一算力标识、增强异构计算和弹性网络能力等方式，将不同主体、不同架构的公共算力资源标准化互联，形成可查询、可对话、可调用的服务能力，实现数据和应用在算力间高效供需匹配、流动互通、迁移计算，促进算力资源使用效率和服务水平提升，使算力像水、电一样便捷使用。 然而，要让算力像水、电一样便捷使用，北京市社会科学院副研究员王鹏接受中国工业报记者采访时认为，在设施互联、资源互用、业务互通还存在挑战，具体来看： 在设施互联方面，一是跨架构、跨地域网络互联，不同算力节点间存在网络协议、传输速率、时延等差异，导致数据传输效率低、稳定性差；二是高性能传输协议，现有网络传输技术难以满足算力互联对低延迟、高带宽的需求。对此，王鹏认为，可以推广新型高性能传输协议，如远程直接内存访问（RDMA）等，提升传输层多协议兼容适配能力；升级国家互联网骨干直联点和新型互联网交换中心，扩大带宽容量，降低数据传输时延；建设算力专网，促进云专网、弹性网络类业务发展，提升数据交互水平。 在资源互用方面，一是算力标识与资源管理，不同算力企业的资源标识不统一，导致资源难以汇聚和调度；二是算力感知与度量，缺乏统一的标准和工具，难以准确感知和度量算力资源的性能和状态。对此，王鹏认为，需要建立统一算力标识体系，对通算、智算、超算等各类资源进行统一编码，实现高效资源汇聚和供需匹配；研制新型算力标识网关：提高多样化算力感知能力，规范算力资源注册、互联、度量和交易过程。 在业务互通方面，一是跨主体、跨架构业务调度，不同算力服务主体间存在业务差异，导致调度难度大、效率低；二是算网云调度技术，现有调度技术难以满足算力互联对动态、灵活调度的需求。对此，王鹏认为，推动不同算力服务主体间使用统一调用接口和通信协议，促进算力应用和数据灵活迁移调度；全面突破算网云调度技术，优化各类算力资源管理、算网融合协同调用及算力应用云化编排部署。 构建数字经济发展新底座 《行动计划》提出，要充分发挥我国超大规模市场优势，以推动算力互联互通为主线，先试点后推广、先互联再成网，构建数字经济发展新底座，有力支撑制造强国、网络强国和数字中国建设。 我国超大规模市场优势，对实现算力互联互通有何帮助？ 盘和林认为，算力互联互通能够让公共算力资源更加集约化，复用率更高，避免算力中心建设过度导致浪费，充分利用闲置的算力资源。“对于中小算力企业，可以通过算力互联互通增强自己的算力资源水平，到算力不足的时候，可以从外部调集购买算力资源，更加灵活调用算力的同时，也能消除中小算力企业算力供给规模不足的劣势。” 然而，天使投资人、资深人工智能专家郭涛在接受中国工业报记者采访时却表示，“全国算力互联互通平台的建成将加速头部企业资源整合，形成‘核心节点垄断’的市场格局，算力商品化进程加快，交易市场趋于集中化。头部企业凭借规模优势可进一步降低成本，而中小企业可能面临被边缘化风险。” 对此，郭涛认为，中小企业可采取三方面策略：一是垂直深耕，聚焦AI训练、渲染云等细分领域，提供高附加值服务（如江苏常熟的数字化协同平台服务近两万家中小企业）；二是生态协同，接入国家或区域算力平台，成为资源供应商，共享流量入口；三是技术创新，通过开源合作（如工信部鼓励的开源技术共享）降低研发成本，同时，利用轻量化调度工具和绿色算力技术实现差异化竞争。政策层面，工信部明确支持专精特新企业发展，中小企业可通过参与行业标准制定提升话语权。 整体来看，王鹏认为，一方面，算力互联将推动算力技术的创新和应用，提升我国在全球算力领域的竞争力；另一方面，算力互联还将为数字经济发展提供强大的算力支撑，推动我国经济高质量发展。 郭涛也表达相似的看法。他认为：“全国统一算力网可降低国际企业进入成本，国产AI芯片（如寒武纪）和调度系统（如‘悟空’平台）的适配能力持续增强，同时在算力标识、计费标准等领域掌握规则制定权。”国际合作方面，需采取标准输出+技术换市场策略，通过IEEE、ISO等渠道推动中国方案国际化，同时，以算力资源共享换取光芯片、冷却技术等海外先进技术。风险防范上，应加快建设国内备胎生态，减少对高端GPU的依赖，例如，通过美格智能、拓维信息等企业的技术突破实现算力自主可控。此外，郭涛表示，可借鉴“东数西算”工程经验，推动与“一带一路”国家的算力合作，构建区域性算力联盟，提升全球影响力。

中国工业报 吴晨 人工智能产业正迎来前所未有的发展机遇，但如何将宏伟蓝图转化为实实在在的生产力，避免“雷声大雨点小”？ 6月3日，工业和信息化部党组书记、部长李乐成主持召开会议，深入学习贯彻习近平总书记关于人工智能的重要指示批示精神，落实党中央、国务院重大决策部署，研究推动人工智能产业发展和赋能新型工业化的思路举措。会议强调必须“系统谋划、协同推进”，并部署了夯实产业基础、塑造应用优势、强化标准引领、壮大产业生态、统筹发展和安全五大任务。 算力、模型、数据如何协同发力？制造业智能化转型的痛点如何打通？在技术狂奔的同时，标准与安全的缰绳如何有效牵引？带着这些部署如何落地的疑问，中国工业报专访了中国电子信息产业发展研究院新型工业化研究所（工业和信息化部新型工业化研究中心）研究室主任王夙。 算力、模型、数据协同发力 夯实基础、避免短板 中国工业报：会议强调了“系统谋划、协同推进”的重要性，并指出要“强化算力供给”、“统筹布局通用与行业大模型”、“加快建立高质量行业数据集”。当前实现人工智能产业发展的“协同推进”面临哪些主要挑战？ 王夙：当前推动人工智能产业“协同推进”面临的主要挑战至少有以下三点：一是部际协同难度较大。人工智能涉及科技、工业、教育、数据管理等多个领域，跨部门统筹机制尚不健全，容易导致政策碎片化和资源重复投入。二是区域发展不平衡。东部地区算力、人才、资本等要素集聚，而中西部地区人工智能发展基础较弱，区域协同能力和辐射带动作用不足。三是产学研用协作机制尚未充分打通。高校、科研机构与产业界在需求对接、成果转化、场景开放等方面仍存在壁垒，协同创新生态尚需完善。 中国工业报：如何有效协调各方资源，确保算力布局、模型发展（通用vs行业专用）以及高质量数据集建设这三项基础性任务能够高效、均衡地推进，避免出现短板效应？ 王夙：推进人工智能产业高质量发展，算力布局、模型体系建设和高质量数据集是基础性的三大支撑环节，必须要实现资源的高效整合与系统性推进，防止形成“短板效应”掣肘全局。 首先，在算力供给方面，持续深入实施“东数西算”工程，建设全国一体化大数据中心体系，推动形成分布合理、弹性可调的算力网络。加大对绿色智算中心的政策与财税支持，引导国有资本和社会资本共同参与算力基础设施建设。同时应重点保障AI大模型训练所需的算力资源供给，支持关键芯片及系统软硬件适配攻关，构建自主可控的算力技术体系。 其次，在模型发展路径上，要统筹好“通用+专用”的协同发展格局。一方面，在国家层面要加快建设高水平通用大模型平台，推进标准化、开源化、工具化能力开放，为不同行业提供底层能力支撑；另一方面，要鼓励制造、交通、医疗等重点行业打造一批贴合业务场景的专用大模型，推动形成“行业主导、数据驱动、场景牵引”的发展模式，打通模型研发与行业落地之间的“最后一公里”。 最后，在高质量行业数据集建设方面，要强化顶层设计和制度供给。依托行业主管部门统筹构建公共数据资源目录和行业标准，推动重点领域数据资源汇聚共享。同时，建立数据确权、交易、使用和安全管理机制，明确政务、企业与科研数据之间的分类分级管理模式，避免“数据孤岛”与“数据黑箱”问题。此外，要建立健全多方参与的“算—模—数”协同推进机制，明确阶段性目标与责任主体，推动跨部门、跨区域、跨行业的联合攻关和任务共担。通过“政策牵引+市场驱动”的方式，形成要素高效配置与价值协同转化的良性循环，为新型工业化提供坚实的智能底座。 制造业全流程升级 服务商与开源生态“双轮驱动” 中国工业报：会议提出要“塑造应用优势”，重点推动大模型在制造业落地、全流程智能化升级，并“培育一批人工智能赋能应用服务商”。针对制造业这一重点领域，推动大模型落地应用并实现全流程智能化的最大难点是什么？ 王夙：推动大模型在制造业落地并实现全流程智能化的最大难点在于“模型—场景”的深度融合不畅。制造业具有高度异构性和流程复杂性，在不同行业、企业、工艺、设备间的标准差异较大，通用大模型难以直接适配具体业务流程，导致落地过程中“懂模型的不懂制造业、懂制造业的不懂AI”的问题依然突出。同时，制造环节数据多为非结构化、多源异构数据，质量参差不齐、采集难度大，严重制约了模型训练与推理效果。许多中小企业受限于资金与技术能力，无法完成数据治理和系统改造，也难以承担部署和运营大模型所需的算力和集成服务成本。此外，制造业全流程智能化涉及“产供销研”多环节协同，现有信息系统（如ERP、MES、PLM）碎片化严重，集成接口不统一，阻碍了智能决策系统的全面落地。 中国工业报：在培育这些关键的应用服务商方面，会议提到的“健全开源机制”、“建设开源社区”以及“财税政策支持、引导社会资本”等举措，将如何具体发挥作用以加速应用生态的形成？ 王夙：加快人工智能赋能制造业，培育成熟的应用服务商生态，是推动大模型落地的重要抓手。会议提出的健全“开源机制、开源社区、财税支持与资本引导”等举措，能够形成政策合力，主要表现在以下几个方面。 首先，健全开源机制是培育中小企业和开发者参与创新的制度基础。通过明确开源项目的知识产权归属、商业兼容性和治理结构，降低创新门槛，能够鼓励更多主体基于主流大模型框架进行定制化开发，提升行业整体开发效率。 其次，建设高水平开源社区是形成持续创新活力的生态平台。开源社区不仅是技术资源聚合地，更是人才、企业、科研机构互动协作的“创新中枢”。通过建立行业型开源平台，围绕高价值场景（如预测性维护、数字孪生、柔性制造）组织开发任务，形成“任务牵引—合作开发—成果共享”的良性循环，推动应用技术快速迭代。 最后，财税政策支持与社会资本引导，是应用服务商培育的“催化剂”。政府可通过设立专项基金、加计扣除、研发补贴等形式支持中小企业开展算法、产品、解决方案研发。国有资本可以设立产业投资基金，投向“人工智能+制造业”融合领域的初创企业，并依托“揭榜挂帅”机制，将典型场景应用任务分配给具备专业能力的服务商，加快扶持后者的成长。 快迭代下的安全与伦理 构建动态治理“护栏” 中国工业报：会议将“强化标准引领”和“统筹发展和安全”作为重要支柱，提出要“分级分类、体系化推进标准制定”，并“加强安全治理保障”、“推进深度合成检测技术攻关”、“加快制定科技伦理管理办法”。在人工智能技术快速迭代背景下，如何平衡“标准引领”所要求的及时性、前瞻性与标准的成熟度、普适性？ 王夙：人工智能技术更新迅速，创新节奏远快于传统产业标准制定周期，这一现实对标准化工作提出了新的挑战。在这种背景下，必须要在“创新驱动”与“标准规范”之间寻求动态平衡，确保标准既不滞后于技术发展，也不因过度超前而难以落地。 首先，要坚持“分级分类、迭代推进”的策略。对于技术底层通用标准（如模型接口、算力指标、数据格式等），应由国家牵头制定强制性标准，确保产业基础统一、安全可控；对于应用层面、行业层面标准（如语音识别在医疗的使用规范等），则可探索推荐性、团体标准先行，通过“小范围先试、成熟后推”的模式，形成滚动修订、动态升级机制，实现前瞻性与成熟度的兼顾。 其次，要鼓励“产学研用”共同参与标准制定。可以鼓励龙头企业、科研院所牵头主导“从场景出发”的标准制定活动，增强标准对实际应用的引导力、适配力。 最后，可建立“标准沙盒机制”，允许部分前沿技术在监管可控条件下开展试点验证。为标准化积累可重复、可量化的实践数据，从而推动普适性标准形成。 中国工业报：在应对深度合成等新型安全风险时，标准制定工作与安全技术攻关、伦理规范建设之间需要怎样的协同机制，才能有效引导产业“健康有序发展”？ 王夙：面对以深度合成为代表的人工智能新型安全风险，单一维度的标准或技术治理手段难以全面应对，必须构建多方面内容协同联动的综合治理机制，才能实现统筹发展和安全。 首先，标准体系要与技术发展高度协同。在深度合成图像、音视频生成、语义伪造等领域，应优先制定高风险场景下的检测、标注、溯源等标准规范，明确不同场景对合成内容真实性、可识别性的要求，并规定相应的技术检测能力指标，作为后续监管和企业合规的依据。 其次，技术攻关需服务于标准实用性落地。以深度合成检测为例，集中力量突破可解释AI、模型溯源、指纹水印、数字签名等关键技术，同时将成果转化为可用于产品安全认证和合规评估的标准接口和流程工具，由此实现“标准引技术、技术支撑标准”的良性互动。 最后，伦理规范应成为标准与技术的价值导向核心。应当将科技伦理要求前置于标准制定源头，探索建立人工智能伦理评估制度，对涉及深度合成、虚拟人、AI决策等敏感应用进行风险预评估，明确“不开发”“慎使用”“强标识”等不同的红线边界。

中国工业报 吴晨 王珊珊 5月29日，国家数据局举办“数据要素×”系列主题首场新闻发布会。国家数据局政策和规划司副司长栾婕在会上表示，《“数据要素×”三年行动计划（2024—2026年）》自2023年底出台以来，得到社会各界的广泛关注和积极响应，在各部门、各地方、企业和社会各界的共同参与下，数据要素的乘数效应有力释放。一方面，全社会“用数”氛围更加浓厚，越来越多的企业投身数据市场，激活数据价值成为各界共识。另一方面，高价值场景不断涌现。数据在实际场景中的应用不断拓展，催生出一批贴近需求、赋能显著的创新场景，持续释放出强大的数据动能。此外，数据要素赋能作用日益明显。 在迈向智能化时代的征程上，数据无疑已成为新质生产力的核心引擎。数据作为关键生产要素，充分发挥数据要素的放大、叠加、倍增作用，对推动经济高质量发展具有重要意义。“当前最亟需关注和突破的核心问题，仍在于打通数据要素市场化配置的堵点，构建高效、可信、可持续的数据流通机制。这是推动数据要素从‘潜在价值’转化为‘实际生产力’的关键路径”。中国人民大学应用经济学院产业经济系主任、数字经济教研室主任张钟文接受中国工业报采访时说道。 从“资源摸底”走向“战略清单” 近日，由全国数据资源统计调查工作组调研完成的《全国数据资源调查报告（2024年）》（以下简称“报告”）对外发布。报告显示，我国数据资源规模优势持续扩大，数据资源开发利用活跃度稳步提升，各类主体加快人工智能布局投入，数据要素市场化、价值化进程进一步提速。 报告显示，2024年全国数据生产总量达到41.06ZB，首次突破40ZB大关，人均数据生产量高达31.31TB，同比增长超25%。深圳市华雅科技成果转化研究院数据资产专委会副会长胡双对中国工业报解读道，这些数字表面上是信息的洪流，更深层则反映出国家数字化基础设施承载能力与算力水平的飞跃——全国总算力规模达280EFLOPS，其中智能算力占比已达32%。尤其中央企业和数据技术企业智能算力增速迅猛，表明数据从“存起来”走向“算起来”，正成为普遍共识。 “但更值得关注的是新增指标的设置与背后逻辑。报告在上年度数据规模、开发利用和应用情况等指标基础上，新增人工智能、大模型、低空经济等热点领域调查指标。这些指标是近年来爆发式增长的领域，不仅数据密度大、质量高，更对数据的实时性、精确性与结构化水平提出更高要求。将这些指标纳入调查体系，正是国家在战略层面对未来产业图谱的系统预判和布局调整，这标志着中国在数据要素化道路上迈入实质性阶段。”胡双说。 张钟文表示，人工智能算法依托算力与数据训练，能够反哺低空经济智能调度与优化；低空经济等新型数据场景又为人工智能应用与算法创新提供丰富土壤；同时，数据要素流通也在提升算力资源配置效率。在这样一个高度协同的产业生态下，优化统计指标体系、将人工智能、大模型、低空经济等纳入重点监测，既是对当前产业趋势的精准呼应，也是服务国家高质量发展、推动现代化产业体系建设的重要举措。 贵阳大数据交易所市场部总经理黄煜对中国工业报表示，新增指标的设置体现了国家在数据资源管理中的“战略前瞻性”与“发展导向性”。 一是“战略前瞻性”方面。聚焦新质生产力核心领域，引导资源向技术制高点倾斜。人工智能和大模型是智能化转型的引擎，报告指出，开发或应用人工智能的企业数量同比增长36%，利用大模型的数据技术企业和数据应用企业同比分别增长57.21%、37.14%。新增的上述指标将直接量化人工智能相关领域的数据产出效能，如高质量数据集数量同比增长27.4%，为具有战略意义的高科技产业提供数据监测指标。 二是“发展导向性”方面。抢占低空经济新赛道，为新蓝海产业的规范化和商业化提供指导。报告指出低空经济、机器人等领域数据产量增速超30%，但行业标准尚未完善。通过专项统计、新增指标可推动建立“空天地”一体化数据采集规范（如无人机物流测绘数据），为低空资源商业化铺路。 同时，通过新增指标来探索破解传统统计盲区，精准判断数据价值。原有统计体系侧重“规模”而忽略“价值密度”。例如，1TB自动驾驶高质量数据集的价值可能远超10TB普通监控数据。新增指标通过“数据-场景-价值”关联模型，如智能网联汽车数据复用率，更精准地反映了高质量数据的价值。 激活“沉睡数据” 迈向要素市场化 2023年，我国数据生产总量达32.85ZB，但仅有2.9%的数据被保存。存储数据中一年未使用的数据占比约四成。胡双指出，大量数据一直在“沉睡”，这些“沉睡数据”如同未被开采的资源，若不能被结构化、可计算、可复用，数据红利终将止步于“存量”。而在政策和市场双重驱动下，2024年存储数据中活跃数据总量同比增长22.73%，企业用数意愿明显提升，特别是数据技术企业在高质量数据集建设方面动作频频，增长率达27.4%。公共数据开放也迈出实质性步伐，授权运营机制逐步建立，为数据治理体系建设打下基础。 报告显示，利用数据获得直接收益的企业仅小幅提升。数据要素应用专家李可顺对中国工业报表示，这说明数据多数仍停留在基础分析阶段或者内部研究，目前阶段企业通过数据创收等深度变现能力偏弱。这在一定程度上反制数据交易流通市场的发展。 针对如何提高“沉睡数据”的开采率，黄煜建议，引入智能化的数据资源管理盘点工具。企业数据因结构化、加工治理水平不足等问题不能释放其价值的根本原因是对于传统、中小型企业来说，数据加工、清洗、治理的成本高，需投入的资源大，通过引入智能化的数据资源盘点工具，可以很大程度上缓解上述问题。比如通过私有化部署的方式接入企业业务系统数据库，实现自动化扫库扫表、数据资源分级分类、脱敏、语义抽取和数据产品生成，将“沉睡”在企业本地的原始数据，低成本，低投入地结构化和产品化，为数据的价值释放奠定基础。此外，以贵阳大数据交易所为例，数据交易所可以作为数据要素流通产业的枢纽和孵化器，有效链接数据供需双方，并借助AI大模型支撑的智能撮合算法等方式实现高效供需撮合，为企业“沉睡数据”匹配落地场景。 张钟文则认为，破解“沉睡数据”困局，关键在于推动数据从“资源”向“要素”并进一步向“资产”转化，真正嵌入生产过程、创造经济价值。首先要推动数据价值链的优化升级，加强数据的整理、治理与结构化处理，提升其可用性和可计算性，使其具备参与生产的能力。同时，要加快建设统一的数据流通规则和可信的数据交易体系，降低数据跨主体、跨行业流通和复用的成本，打破“数据孤岛”，释放“沉睡数据”的外部价值。另一方面，政策端应鼓励企业自身建立完善的数据资产管理体系，将有长期复用价值的数据纳入企业的资产管理和会计核算，推动数据要素向数据资产沉淀。根据联合国统计委员会的界定，被反复使用超过一年的数据可计为数据资产，这一视角对于引导企业重视“沉睡数据”的治理和盘活具有重要启示意义。通过制度化推动数据资产入表，能有效激励企业主动挖掘、开发存量数据资源，提升数据资产化率。 数据资源供给和企业用数需求的双向拉动 国家公共数据资源开发利用“1+3”政策文件发布后，超六成省（自治区、直辖市）、计划单列市启动授权运营工作，公共数据授权运营逐步规范化、有序化。其中，市级政府部门公共数据授权运营数据量为省级政府部门的2.53倍，公共数据资源供给不断扩大。 李可顺分析认为可能存在以下几种情况：一是市级数据颗粒度更丰富，说明前期的数据采集及治理工作已经有一定成果。二是地方政府在数据开放和市场化应用上更为激进，可能源于地方经济压力下的“数据变现”冲动。三是市级政府数据开放速度快，可能存在对标省级或更高级标准时，标准化程度可能较低，易导致数据碎片化，企业整合成本高，给全国统一市场也会造成卡点。四是谨防部分城市可能为追求政绩盲目开放数据，而非真正匹配市场需求，需警惕“数据囤积效果”而非“数据流通效果”。 发布会上披露，中央企业成立数字科技类公司近500家。报告显示，约66%的行业龙头企业和30%的数据技术企业购买过数据。对此，张钟文认为这一趋势充分说明，企业主体对于数据“可交易”“可流通”带来的潜在价值已有明确共识，数据市场活跃度正在逐步提升。数据与传统要素相比，具有低成本复用、边际报酬递增等特点，理论上具备更强的赋能效应和乘数效应，但如果数据仍局限在企业内部封闭使用，或长期沉淀为“沉睡数据”，其价值就难以外溢，跨主体协同创新的空间也难以打开。中央企业之所以愿意成立数字科技公司，开展数据交易，本质上是看重了通过交易行为释放数据价值、拓展新业务场景、提升竞争优势的空间。 《“数据要素×”三年行动计划（2024—2026年）》中明确提出，要推动数据市场规则完善、交易机制健全、流通环境优化。张钟文表示，这些工作的核心逻辑就在于，数据可交易，才能让更多市场主体参与到数据要素价值创造的链条中去，实现数据价值的广泛扩散和倍增效应。上述数据反映出，头部企业已率先迈出市场化探索步伐，下一步更需要通过完善数据确权、定价、合规流通等制度保障，降低中小企业参与门槛，推动更多行业主体形成数据交易的良性生态。 李可顺则指出，当前数据交易生态仍不成熟，行业龙头应用场景明确，采购资金充足，数据应用试错成本可接受。而中间服务商（如数据中介、清洗、标注公司）盈利模式尚未跑通。部分企业购数仅为合规或跟风，而非真正驱动业务，需警惕数据采购沦为“数字化面子工程”。此外，李可顺认为，AI方面，高质量数据供给不足是常态，前期是行业发展导致，现在可能是AI生成的低质数据泛滥可能拖累AI模型效果。封闭的行业数据（如车企）更可能延缓技术商业化进程。 未来已来 重构数据价值链 展望2025，报告预测全国数据生产总量将突破50ZB。伴随无人驾驶、具身智能、低空经济等战略性新兴产业加速发展，数据资源在生产力体系中的战略地位将持续提升。值得一提的是，数据运营服务商、数据治理企业正成为新的关键角色，信息技术服务正由“系统集成”向“数据运营”转型，这为传统IT企业和新兴数智服务商提供了全新增长空间。 我国是全球首个将数据纳入生产要素的国家。截至目前，全国数据领域相关企业超19万家，数据产业规模超2万亿元。随着相关法律制度、交易机制和确权体系逐步完善，数据市场化、价值化进程将加速推进，未来的数据资源不再只是技术资产，更将成为引领国家高质量发展的战略资产。 常信科技CEO葛林波对中国工业报表示，报告显示出中国在数据资源规模和技术基建上的优势，但也揭示了数据孤岛的深层次矛盾。数据孤岛效应是制约中国数据要素价值释放的核心障碍，其根源在于行政分割、行业壁垒与技术标准不统一。国家将数据定位为关键生产要素，破除孤岛是推动新质生产力发展、实现数字经济与实体经济融合的战略任务。 葛林波认为，从国家战略角度看，需以制度创新、技术赋能、市场培育“三管齐下”，将数据从“分散的孤岛”升级为“联动的网络”，加速释放数据要素在高质量发展中的乘数效应。制度层面，通过《数据安全法》等法规明确数据确权与流通规则，分类分级推进公共数据开放。技术层面，依托“东数西算”优化算力布局，统一技术标准促进跨域互联。行业层面，聚焦制造、金融等领域，以AI大模型激活场景化应用（如智能制造、金融风控），并培育低空经济等新业态。市场化层面，建设数据交易所试点，探索定价与交易机制，推动政企协同生态。 胡双表示，站在数据要素化的转型节点，我们不仅需要把数据“用起来”，更要“用得好”，将其嵌入到产业链、价值链和创新链的深处。报告不仅是一份统计清单，更是一份未来发展导航图。它昭示着，谁掌握了数据的采集、治理、建模与应用主动权，谁就掌握了未来产业竞争的“算法锚”。葛林波建议，未来应重点关注数据资产入表、数据跨境流动试点、区域合作机制等政策落地，通过政策引导资源均衡（如“东数西算”）、完善收益分配规则、强化隐私计算等技术保障，平衡安全与开放，全面释放数据对国家竞争力的战略价值，以实现国家竞争力的全面提升。张钟文总结道，从更高层次看，数据要素市场化配置的推进，不仅是市场建设本身的需要，更是激发数据要素跨主体协同复用、跨场景价值倍增的关键抓手。唯有打通流通环节，才能让不同产业、不同企业之间的数据要素高效互动，推动知识扩散、价值倍增、创新涌现，不断拓展经济增长新空间，真正释放数据要素在新质生产力培育中的乘数效应。

中国工业报  王珊珊 在全球制造业加速数字化转型的背景下，奥克斯通过建设“黑灯工厂”（全自动化、无人化工厂），成为智能制造领域的先行者。这一模式不仅大幅提升了生产效率、降低了成本，还为行业提供了可复制的数字化转型路径。中国工业报寻找新质生产力活动近日有机会专访到奥克斯制造总经理尹长庚，深入探讨奥克斯“黑灯工厂”的核心技术、落地成效及未来规划，揭示其如何推动制造业高质量发展。 奥克斯塑胶分厂 记者：奥克斯为何选择建设“黑灯工厂”？背后的战略考量是什么？ 尹长庚：奥克斯选择建设“黑灯工厂”是为了应对行业竞争加剧、人力成本上升及个性化需求增加的挑战。通过智能化、自动化技术实现高效生产，减少对人工的依赖，提升生产效率和产品质量。同时，黑灯工厂还能优化资源利用，降低能耗，符合国家智能制造政策导向。这一战略举措不仅推动了奥克斯的数字化转型，也为未来在高端制造领域的布局奠定了基础，助力其在全球市场中占据更有竞争力的位置。 记者：当前制造业数字化转型的趋势如何？奥克斯如何在这一趋势中保持领先？ 尹长庚：当前制造业数字化转型呈现出智能化、自动化、个性化和绿色化的发展趋势。奥克斯通过引入物联网、人工智能等技术，实现生产数据的实时监控与智能决策，提升效率和质量。同时，奥克斯注重自动化和机器人技术的应用，减少人工依赖，优化资源利用，符合国家智能制造政策导向。与高校合作培养复合型人才，加强技术储备，确保在高端制造领域的竞争力。这些举措使奥克斯在数字化转型中保持领先，巩固了其在全球市场中的优势地位。 记者：“黑灯工厂”采用了哪些核心技术？（如AI、IoT、5G、机器人、数字孪生等） 尹长庚：黑灯工厂”采用了多项核心技术，包括人工智能（AI）、物联网（IoT）、5G通信、工业机器人、数字孪生等。AI技术用于智能决策和质量检测，IoT实现设备间的数据互联，5G提供高速、低延迟的网络支持，机器人完成高精度自动化生产，数字孪生技术用于虚拟模拟和优化生产流程。此外，边缘计算、自动化物流系统和云计算也是我司核心技术，共同推动工厂向高度智能化和自动化方向发展，显著提升生产效率和产品质量。 记者：在实施过程中遇到哪些技术挑战？如何解决的？ 尹长庚：“黑灯工厂”在实施过程中面临的技术挑战包括设备兼容性、数据安全、AI算法精准度及高素质人才短缺等。为解决这些问题，奥克斯通过统一通信协议实现设备互联互通，采用边缘计算提升数据处理效率，强化数据加密和访问控制确保安全，同时与高校和科研机构合作培养技术人才。这些措施有效保障了技术落地和品控要求，推动了智能制造的高效实施。 记者：相比传统工厂，“黑灯工厂”在人力、能耗、良品率等方面有哪些显著变化？ 尹长庚：相比传统工厂，“黑灯工厂”在人力、能耗、良品率等方面的变化显著： 人力需求大幅减少：自动化和智能化设备取代了大量人工操作，能耗显著降低：通过能管系统优化能源使用，能耗降低30%。 良品率明显提升：AI和IoT实时监控生产过程，减少浪费和质量问题。 记者：如何实现生产数据的实时监控与智能决策？ 尹长庚：实现生产数据的实时监控与智能决策，主要依赖于传感器、物联网技术、大数据分析和AI算法。通过实时采集设备运行状态、生产参数等数据，传输至云端或边缘计算节点进行处理，利用AI模型预测和优化生产流程，发现异常触发预警。同时，结合可视化平台，管理者可实时查看生产状况，快速响应问题。 记者：供应链管理是否也同步智能化？如何保障柔性生产与快速响应市场需求？ 尹长庚：是的，供应链管理也实现了智能化。通过自研SRM供应链关系管理系统、WMS仓库管理系统和应用数据分析技术，奥克斯能够实时监控供应链各环节，优化库存管理和物流调度。同时，结合市场需求预测和生产计划调整，保障了柔性生产和快速响应能力。例如，通过AI算法预测需求变化，及时调整原材料采购和生产排期，这种智能化管理显著提升了供应链效率和企业的市场适应能力。 记者：奥克斯的“黑灯工厂”模式是否具备行业可复制性？其他制造企业可以借鉴哪些经验？ 尹长庚：奥克斯的“黑灯工厂”模式具备一定的行业可复制性，成功经验包括技术引入：通过自动化、智能化设备和物联网技术提升生产效率，降低人工依赖；数据分析：利用大数据和AI算法优化生产计划和供应链管理，实现精准预测和快速调整；管理优化：建立统一的数据标准和协同平台，培养复合型技术人才，提升整体运营能力；其他制造企业可以根据自身特点和需求，借鉴这些技术手段和管理方法，逐步推进数字化转型，实现柔性生产，快速响应市场需求。 记者：未来3-5年，奥克斯在智能制造方面还有哪些新规划？ 尹长庚：未来3-5年，奥克斯计划在智能制造方面进一步深化AI与自动化技术应用，提升设备自主决策能力；扩展智能工厂规模，布局更多“黑灯工厂”；推动绿色智能制造，降低能耗；强化供应链协同，提升全球响应速度；并提升数据驱动能力，优化需求预测和生产计划。这些规划将巩固奥克斯的行业地位，为其他制造企业提供可借鉴的经验。 记者：您如何看待“黑灯工厂”对就业结构的影响？是否会减少传统工人岗位？ 尹长庚：“黑灯工厂”对就业结构的影响是多方面的。虽然智能化和自动化可能会减少部分传统工人岗位，尤其是重复性高、劳动强度大的岗位，但同时也将创造新的技术岗位，如AI维护、数据分析、系统管理等。此外，工厂对高素质人才的需求将增加，将推动工人向技能型、复合型转变。因此，就业结构将从劳动密集型向技术驱动型调整。通过培训提升员工技能，适应智能化转型，避免传统岗位的过度流失，同时抓住技术升级带来的新机遇 记者：自动化产线如何保障技术落地的品控？ 尹长庚：自动化产线通过数据采集、实时监控和AI分析，确保生产过程精准可控；同时，利用预测性维护和质量追溯系统，及时发现并解决潜在问题，保障品控。这种模式不仅提升了生产效率和产品质量，还能满足市场对高端、定制化产品的需求。 奥克斯的实践表明，“黑灯工厂”模式具备行业推广价值。其他企业可借鉴其技术整合路径（如分阶段推进自动化）、数据驱动管理（如构建智能分析平台）及人才转型策略（如产教融合培养技术工人），结合自身需求逐步实现数字化升级。 “黑灯工厂”不仅是技术革新的产物，更是制造业向高效、绿色、柔性化转型的缩影。奥克斯的探索证明，数字化技术能够重塑生产逻辑，而企业需在技术、管理与人才三方面协同发力，方能实现可持续的高质量发展。对于中国制造业而言，这一模式无疑提供了宝贵的参考样本。

中国工业报  王珊珊 5月29日凌晨，大模型企业DeepSeek再次以“静默更新”的方式，在开源社区悄然上线了R1模型的0528版本。与以往惯例相同，官方尚未就此次更新发布任何正式说明，仅通过AIGC开放社区进行了模型文件的更新推送。 对此，深圳市华雅科技成果转化研究院数据资产专委会副会长，深圳东风环境副总裁胡双对中国工业报表示，未做任何预热，也未附加说明，仅以“静默开源”的方式完成发布。这一“低调上线”的背后，实际上折射出当前大模型行业在技术演进、产品策略、以及对开源与闭源边界的重新界定中的复杂博弈。 尽管缺乏官方说明，技术社区已迅速展开对新版本的性能评测。在知名代码能力测试平台LiveCodeBench的早期测试中，新版R1展现出与OpenAI最新o3高版本模型相媲美的表现。“这不仅是对DeepSeek技术能力的高度肯定，也意味着国产大模型在前沿能力上正实现从“跟跑”到“并跑”的质变。”胡双表示。 此次更新延续了DeepSeek“先发布后说明”的技术迭代策略。目前，技术社区正通过HuggingFace等平台积极测试新版R1在长文本理解、复杂推理等场景的实际表现。 此前，DeepSeek通过官方交流群发布通知，宣布完成R1模型的小版本试升级，用户可通过官方网页、App及小程序“深度思考”进行体验。值得注意的是，此次升级延续了DeepSeek“先内测后官宣”的迭代策略，API接口和使用方式保持不变。 这并非DeepSeek首次采用此种更新方式。今年3月25日，该公司就曾在官方交流群率先预告V3模型升级，随后正式发布DeepSeek-V3-0324版本，详细介绍了在推理能力、前端开发支持和中文写作等方面的优化。当时，该版本被海外专业AI评测机构评为得分最高的非推理模型，性能超越xAI的Grok3和OpenAI的GPT-4.5（preview）。 据《中国基金报》报道，此次R1模型升级引发了用户广泛讨论。多位用户反馈，新版模型在思维链（CoT）行为上展现出显著变化，主要亮点包括：深度推理能力提升，推理模式更接近Google先进模型；写作任务表现优化，输出更自然、格式更规范；形成独特的"快速且深思熟虑"的推理风格；支持长时间思考，单任务处理时长可达30-60分钟。“这表明DeepSeek不仅在算法优化上持续迭代，更在模型的行为表现、交互体验、以及多任务持续响应能力等方面，正探索更具人类思维特征的路径。”胡双表示，回顾DeepSeek今年1月首次发布R1模型，该模型以开源姿态切入高性能推理赛道，一举打开“低成本对标闭源旗舰”的想象空间。此次升级虽然未标榜“版本跃迁”，但实质上是对“R1性能上限”的又一次逼近。对于行业而言，这种“频繁的小步快跑”，恰是当前大模型技术生态演进的关键路径：开源不等于透明，但透明的数据与结果将倒逼整个行业加速。在OpenAI、xAI、Anthropic等闭源巨头节奏渐缓的背景下，DeepSeek此类“暗夜上新”，反而凸显出国内厂商对技术发布节奏的自主性与信心。 当然，外界更期待的是R2模型的正式亮相，尤其是在传言其参数规模或将突破1.2万亿的背景下。这将是DeepSeek“是否具备定义下一代模型标准能力”的关键标志。但从当前R10528的表现看，DeepSeek已展示出扎实的技术底盘、敏锐的用户洞察力和快速的产品迭代能力，具备“从技术型企业向产品型企业过渡”的成熟势能。 截至目前，DeepSeek尚未公布此次升级的完整技术细节。业界预计，参照过往惯例，官方将在近期发布详细的模型卡和升级说明。技术社区正密切关注新版模型在各领域的实际表现，期待其带来更多突破性应用场景。 常信科技CEO葛林波对中国工业报表示，DeepSeek开源R1模型0528版本并实现性能对标OpenAIo3，标志着中美AI竞赛进入技术扩散与生态博弈的新阶段。从技术突破看，R1在代码测试平台LiveCodeBench的表现逼近o3高版本，尤其在动态编程和算法优化领域差距微乎其微，其多模态能力已在医疗诊断、工业质检等场景落地，如凌云光将R1与机器视觉结合实现缺陷识别准确率99.7%。这种"推理优先"的技术路线，通过动态激活算法将计算量压缩至传统模型的6.5%，打破了西方依赖算力堆砌的路径依赖。 在开源生态层面，DeepSeek通过“真开源”策略构建开发者联盟，R1的API调用成本仅为o3的1/10，且支持私有化部署，这种“免费+分层服务”模式正在重构AI商业规则。周鸿祎曾指出，开源将成为中美竞争分水岭，中国可借此建立技术标准并形成虹吸效应。反观美国，尽管o3在复杂算法题中仍保持优势（Codeforces评分2727vsR1的2029），但其闭源生态和高昂调用成本（每百万tokens12美元）正在丧失中小企业市场。 地缘博弈层面，美国对华芯片出口管制反而加速了国产替代进程。DeepSeekR2已实现完全基于华为昇腾910B芯片训练，算力利用率达82%，性能接近英伟达A100集群的91%。这种"软硬协同"创新使推理成本降至0.27美元/百万Token，仅为GPT-4的2.7%，直接冲击了美国的技术垄断地位。正如黄仁勋所言，出口管制反而迫使中国企业加速自主创新。 当前竞赛焦点已从参数规模转向场景落地与生态构建。中国凭借庞大市场和垂直领域数据优势，正通过“模型即服务”（MaaS）模式快速渗透金融、教育等行业，而美国则在基础研究和高端医疗AI领域保持领先。未来胜负手在于谁能更快实现“技术突破-场景验证-产业落地”的正向循环，DeepSeek的开源策略与成本革命，或将改写全球AI权力格局。 电霰科技CEO祝凌云对中国工业报表示，DeepSeek上新，和国际的差距正在逐步消失，DeepSeek走上了快车道；芯片国产化很重要，未来的前景很大程度上仍取决于芯片。我国基础建设、产业链、一线工程师的数量和质量，仍是世界第一。 天娱数科首席数据官吴邦毅对中国工业报表示，国内大模型领域技术迭代的势头一直强劲。今年年初DeepSeek推出R1模型时，靠架构设计和工程优化上的创新，没走“堆算力”的老路子，在资源有限的情况下做出了一流的大语言模型性能，给行业趟出了一条降本增效的新道儿。从用户反馈来看，模型在深度推理、写作这些任务里表现明显不一样了，思维链更顺，说明在模型架构微调、训练算法和数据处理这些基础环节下了新功夫，这也说明整个行业都在琢磨怎么把模型性能做得更扎实。 想要保持技术领先，他认为有三个关键。一是在研发上砸基础，得把模型的泛化能力、知识理解深度这些底层能力往上提，把根基打稳。二是要把生态建起来，多搞开发者社区，鼓励大家基于模型做创新应用，靠开发者的点子把模型应用场景撑开，形成良性循环。三是得把国际交流的步子迈大，吸收点前沿思路，也让我们的技术实力被看见，这样才能在全球竞争里不落下风，真正跟国际一流水平掰掰手腕。 技术从不深夜沉睡，变革总在悄无声息中发生。DeepSeek此次静默上新的背后，或许正是中国大模型迈向全球第一梯队的“无声宣言”。

中国工业报 耿鹏飞 为深化供应链创新与应用，加快数智供应链发展，充分发挥数智供应链在完善现代商贸流通体系、有效降低全社会物流成本、增强产业链供应链竞争力和韧性方面的重要作用，5月26日，商务部、国家发展改革委、教育部、工业和信息化部等8部门联合印发了《加快数智供应链发展专项行动计划》（以下简称《行动计划》）。《行动计划》要求，到2030年，形成可复制推广的数智供应链建设和发展模式，在重要产业和关键领域基本建立深度嵌入、智慧高效、自主可控的数智供应链体系，培育100家左右全国数智供应链领军企业，我国产业链供应链韧性和安全水平进一步提升。 作为国内领先的工业供应链技术与服务企业——京东工业,京东集团旗下专注于工业供应链技术与服务业务的子集团，5月22日在上海正式对外发布行业首个以供应链为核心的工业大模型Joyindustrial。 这不仅标志着京东在人工智能与工业供应链深度融合的突破性进展，而且是一份响应《行动计划》的“京东答卷”，更对外释放出强烈的行业信号：以AI技术破解工业供应链长期痛点，推动传统产业向智能化、高效化转型升级。 供应链基因与工业场景的“化学反应” 众所周知，工业作为国民经济的重要支柱，其供应链体系长期面临多重挑战。数据孤岛现象普遍存在，企业间的信息壁垒导致需求预测滞后、库存积压与物流低效并存；隐形知识难以量化，工艺经验、操作规则等“know-how”难以沉淀传承；场景复杂度高，从原材料采购到生产制造、仓储配送的每个环节，都需应对海量变量与容错性低的压力。 更严峻的是，供应链上下游目标不协同，导致成本居高不下、响应速度滞后于市场需求，成为制造业转型升级的“绊脚石”。 国务院《“十四五”数字经济发展规划》明确指出，产业数字化是数字经济的主战场。数据显示，2023年中国产业数字化规模已突破40万亿元，占数字经济比重超八成。人工智能技术的突破，为工业领域带来颠覆性机遇：从预测性维护到智能质检，从供应链优化到柔性制造，AI正在重构传统工业的生产逻辑。 “工业大模型正在为工业供应链领域带来破解难题的新机遇”，京东工业副总裁、工业科技业务部总经理谷应鲲向中国工业报说道。 那么，京东为什么要做工业大模型？有何优势？ 据了解，作为全球供应链基础设施的领导者，京东构建了覆盖全国的物流网络与智能仓储体系。其供应链运营经验沉淀出三大核心能力：一是全链路的数字化管控，从预测、采购到履约实现智能协同；二是“以实助实”的服务理念，通过自营模式把控品质与时效；三是技术驱动的持续创新，如智能分拣、路径优化算法等。这些能力为工业大模型提供了丰富的“训练土壤”。 京东集团探索研究院副院长、京东科技人工智能业务部总裁何晓冬向中国工业报表示，大模型产业化才能产生价值，只有在落地的过程中不断地结合具体场景的数据、业务需求不断打磨，才能使得大模型能力不断地强化、得到真正的应用；京东的大模型正是诞生于产业，成长于产业。 据了解，京东早在多年前就开始布局工业供应链技术服务，旗下京东工业从成立之初就沿着产业协同的思路布局。京东工业服务超万家重点企业、数百万中小企业以及亿级消费者。长期以来，京东工业立足供应链领域，深耕商品数智化、采购数智化、履约数智化、运营数智化等工业场景。经过多年的深耕和积累，京东工业已经牢固树立了在工业供应链领域最懂数字化和在工业数字化领域最懂供应链的技术与服务领先优势。 值得一提的是，京东工业品平台积累了超5000万SKU的工业品数据，涵盖钢铁、煤炭、电力等数十个行业。海量采购、交易、履约数据，与用户行为、市场趋势数据形成多维交叉，为模型训练提供了“燃料”。更重要的是，京东深入工业场景，积累了大量“脏数据”处理经验，使其工业大模型具备更强的鲁棒性——既能处理标准数据，也能解析非结构化、含噪声的工业现场数据。 目前，京东工业供应链服务已覆盖制造、汽车、能源、钢铁、快消、3C等数十个行业，服务数百万家企业客户，其中包括大型企业上万家，通过“轻咨询+解决方案”模式，京东将标准化服务与定制化需求结合，形成从顶层设计到落地执行的闭环能力。这种广泛的行业覆盖与服务深度，为工业大模型的场景化应用提供了天然试验场。 在此背景下，京东工业布局工业大模型，正是瞄准了产业数字化“最后一公里”的攻坚需求。据IDC预测，2026年中国工业AI市场规模将达266亿元，复合增长率超25%。京东的入局，既顺应政策导向，也瞄准了巨大的市场潜力。 从“工具思维”到“系统思维”的跨越 2024年“人工智能+制造”国家战略的启动，将智能制造列为重点突破领域。JoyIndustrial的诞生，源于京东对工业供应链痛点的深度洞察。其发布时机恰逢制造业数字化转型加速期，既响应了国家“人工智能+制造”战略，也填补了行业大模型在工业场景落地的空白。 “AI时代已来，人工智能必将全面重塑工业供应链，实现工业世界极致运营效率”，谷应鲲向中国工业报表示，京东工业大模型将AI深度嵌入工业供应链生态，致力于从底层智能到场景落地推动产业链结构性变革，打造新质生产力，助力推进新型工业化。 正如京东工业算法负责人温赟与中国工业报所描述的一样，工业大模型就是追求大模型在工业领域体验成本效率的最优化配置。JoyIndustrial不是简单的AI工具，而是基于供应链全链路的系统解决方案，旨在重构工业价值链。 具体来看，在数据层面，真正理解工业供应链的大模型，不是仅仅靠统一标准的单一手段来解决工业供应链的信息孤岛等问题，而是通过工业大模型理解各类多模态数据来加速解决标准不统一的难题。 在应用层面，真正高效协同的智能体，不能仅仅靠人之间的协同来解决工业供应链的超长链条协同问题，而是基于拥有超强理解力的工业大模型，在各个业务协同场景中以智能体的形式来解决复杂问题。 JoyIndustrial以“工业大模型+供应链场景应用”为双引擎，构建全栈产品矩阵。一方面，通过自然语言处理、知识图谱等技术，将工业领域的隐形知识显性化，赋能选型、寻源等复杂决策；另一方面，聚焦汽车后市场、新能源等垂直行业，打造定制化模型，推动资源高效配置。其核心目标在于实现“三降三升”——降成本、降库存、降风险，升效率、升质量、升协同。 基于京东工业深耕行业场景和数据沉淀构建的垂直行业工业大模型，Joyindustrial从大型工业企业运营、数智供应链解决方案和供应链出海等场景出发，首批发布了满足制造和公共行业的需求代理、运营代理、关务代理、商品专家和集成专家等多个AI产品，充分展示了京东工业对于工业供应链领域的深度理解和扎实实践。 从“单点优化”到“全链共振” 京东工业在数智供应链领域的成就得到了市场的广泛认可。截至2024年6月30日前的十二个月内，京东工业服务超过9900个重点企业客户，包括约50%的中国《财富》500强企业及逾40%的在华全球《财富》500强企业。 2025年，京东工业以工业供应链技术与服务的专业能力携手中国工业产业重点城市政府及产业合作伙伴助力中国工业产业数智化转型，实现降本、增效、合规、保供，特发起“链动众城、万亿降本”行动。目前，该行动已经在昆山、郑州、厦门、昆明、深圳、广州等各地落地。据预测，随着该行动在各地的落实，中国工业供应链交易总成本有望降低超万亿，可为工业产业释放万亿的创利空间。 从“单点优化”到“全链共振”，京东工业凭借正道成功、降本增效、专业可信赖的京东产业服务得到了合作伙伴的认同。 据了解，Joyi需求代理通过AI技术驱动，将商机匹配效率从传统的48小时缩短到数小时，并实现对历史采购清单的秒级前置联动，助力效率提升140%。 传统运营流程繁琐、协同量大，响应慢、体验差，Joyi运营代理可一次性解决信息获取、业务执行和合规管控三大环节。用户仅需极简操作，即可完成信息检索与审批，并且系统实时处理业务并精准识别虚假运单，商机治理效果提升75%，技术和合规成本分别降低99.3%和33.2%。 Joyi商品专家整合AI商品审核、同品识别和标准化能力来应对采购时品类繁多、标准缺失、合规风险高的痛点。所有核心功能打包成API微服务接口，便于快速构建“AI原生”采购产品，大幅提升AI商品审核准确率和同品识别率，有效降低审核成本。 Joyi集成专家利用AI自动解析API文档、制定对接方案并生成代码，自动验证对接效果三步走策略将整个系统对接流程由传统的三天缩减为分钟级，打通企业内外供应链，实现全链条实时互联和动态调整，大幅提升响应速度并降低对接成本。 Joyi关务代理面向制造业“出海”场景，支持超过一万条进出口合规查询并可当天响应。以低值易耗品为例，成本可节省约21%，同时显著减少40%–66%的时间、管理和运营开销，帮助企业快速、安全地拓展国际市场。 此外，工业一体机也于近期发布，集成了京东工业供应链大模型，预置供应链管理、智能排产等模块，让企业具备开箱即用大模型赋能的工业能力。 这种“AI+制造”的转型路径，正在成为传统工业的“破茧之路”。晶科集团是全球领先的新能源集团，连续六年全球光伏组件出货量第一，2018年起，晶科即与京东开展合作。 在新的技术环境下，晶科积极探索新能源分布式运维与AI的结合，晶科资产管理部总经理詹本静对京东工业大模型的发布给予更高的期待。她表示，将与京东工业合作，探索利用AI技术赋能运维资源最优调度，提高运维效率、降低运维成本、实现效益最大化，打造“分布式能源+互联网运维”新生态；利用AI技术赋能新能源电力交易，实现新能源发电侧与负荷侧供需匹配与最优调度，提供电力交易最优策略，实现新能源分布式资产运营模式跃迁。 AI玩家的“入场券” 工业数据的标准化程度低、质量参差不齐，成为模型训练的首要障碍。京东通过建立“数据中台+行业模板”体系，逐步统一数据格式；采用联邦学习技术，在不泄露隐私的前提下实现跨企业数据协同，平衡安全与价值。 工业领域对决策的可靠性要求极高，AI的“黑箱”特性引发企业疑虑。京东通过可解释性AI技术，将决策逻辑可视化；同时与行业龙头共建“AI决策验证平台”，用实际效果消除信任壁垒。 JoyIndustrial的推出，标志着京东作为供应链服务提供商进一步强化了“人工智能+”的能力。其技术壁垒与场景优势，或将重塑行业竞争格局——头部企业加速整合资源，中小玩家需聚焦细分领域差异化竞争，形成“分层共生”的新生态。 未来，依托于工业大模型和AI智能体应用，京东工业将搭建业务协同“三步走“规划：从企业内单一场景、完成单一任务、提升单点效率的“AI员工”；到企业内大范围使用AI员工完成“操作执行”工作，带来“AI组织”重构；最后实现工业供应链上下游企业之间的AI协同、产业共同升级，形成“AI产业生态”。 在宏观层面，JoyIndustrial助力制造业降本增效，促进就业结构优化；在中观层面，推动区域产业集群智能化升级；在微观层面，为中小企业提供低成本AI工具，破解“数字化转型不会转、不能转、不敢转”的难题。这种价值溢出效应，正是数字经济与实体经济深度融合的最佳诠释。 从电商到物流，从零售到工业，京东的每一次战略升级都紧扣时代脉搏。JoyIndustrial的发布，不仅是技术创新的里程碑，更是产业数字化转型的实践范式。在AI重塑千行百业的浪潮中，京东以供应链基因嫁接工业场景，为制造业升级提供了可复制、可扩展的解决方案。 这场由京东引领的“数智供应链革命”，或将重构工业世界的运行逻辑，书写数字经济时代的产业新篇章。

中国工业报记者 余娜 5月28日，2025工业自动化安全大会（IASSC2025）在北京举办。 中国工业报记者获悉，大会由工业控制系统信息安全产业联盟平台、工业控制系统安全标准与测评工业和信息化部重点实验室、智能制造推进合作创新联盟主办，中国自动化学会、中国仪器仪表行业协会、全国机械安全标准化技术委员会、全国工业过程测量控制和自动化标准化技术委员会支持，控制网(www.kongzhi.net)&《自动化博览》、中国自动化学会专家咨询工作委员会、中国自动化学会工业控制系统信息安全专业委员会、中国科学院沈阳自动化研究所、辽宁辽河实验室、OICT学院承办。 中国科学院院士、中国自动化学会特聘顾问吴宏鑫出席大会并致辞。吴宏鑫表示，在“智造”时代，数据是安全防护的核心对象，AI既是风险载体，更是破局关键。当生产线的每一个决策都基于数据驱动，当质量检测、故障预警都依赖AI算法，工业安全已从“被动防御”转向“数据—智能协同防护”的新范式。如何让数据“流得动、看得清、守得住”，让AI“算得准、可解释、能控制”，成为摆在我们面前的时代课题。 中关村国家实验室研究员何跃鹰在题为《工业物联网软件供应链安全治理》的主题报告中指出，工业物联网作为关键基础设施的核心组成部分，正面临着严重的网络安全威胁。随着软件开发方式的变革以及开源软件的蓬勃发展，工业物联网领域的软件供应链安全风险日益严峻。他在报告中着重介绍了软件供应链安全的国家战略，概括分析了工业物联网领域开源软件存在的主要安全风险，并给出了相应的安全治理方案及其典型应用。 宁波和利时信息安全研究院有限公司产品方案总工程师穆雷霆带来《安全可信行业大模型助力工业智能护航工业安全》主题报告。他表示，近年来人工智能/大模型技术迅猛发展，已逐渐成为推动科学技术及新质生产力发展的核心驱动力，为工业发展带来重大变革机遇，亦为工业网络安全带来挑战和机遇。和利时信息安全研究院深刻理解工业业务场景，具有丰富的行业数据和know-how资源积累，正助力工业智能化发展，护航工业安全。 机械工业仪器仪表综合技术经济研究所信息安全室副主任张亚彬在《工业控制系统信息安全：HCPS融合安全的创新》的主题报告中，系统阐述了智能制造新时代下的安全挑战与创新路径。张亚彬表示，随着智能化生产、网络化协同等技术驱动工业系统架构向“人-信息-物理系统（HCPS）”深度融合演进，跨层多阶段复合攻击风险显著增加，传统安全机制面临“难辨识、难控制、难预测”的痛点。为此，需构建以“韧性防御”为核心的HCPS融合安全技术体系，通过跨层攻击风险评估、态势感知、联合防御与协同应急的全链路闭环赋能，协调Security与Safety，化解跨层攻击隐患。 电力规划设计总院副总工程师张晋宾在报告《能源电力网络安全法规及标准体系解读》中强调，能源安全是关系国家经济社会发展的全局性、战略性问题，电力网络安全是能源安全的重要组成。电力网络安全法规确立了行业内的强制性行为准则及法律要求，标准提供了行业内的技术规则规范。他系统介绍了全球网络安全背景及形势，重点分析中国、美国、欧盟能源电力网络安全法律法规及标准体系，并对主要法规进行了解读。 中国科学院沈阳自动化研究所副研究员、工业信息安全组组长赵剑明带来《工业控制信息安全的发展与思考》报告，以当前国内外工业信息安全现状为背景，从工控内网安全、工业无线安全、测控装备内生安全三大研究方向介绍了工业信息安全领域的相关研究成果及技术进展，并通过国家工业控制信息安全技术布局的时间脉络，对工业信息安全领域的未来研究方向进行了思考和展望。 北京邮电大学教授辛阳在《灾备技术驱动工业数据安全韧性》的主题演讲中表示，工业数据安全已不仅是技术问题，更是关乎国家战略竞争力的全局性议题。当前，勒索攻击、供应链漏洞与合规压力三重威胁叠加，而传统灾备技术难以应对动态化、智能化的新型攻击。在此背景下，必须重新定义灾备的价值——它不仅是数据恢复的“保险箱”，更应成为保障业务连续性的主动防御体系。结合实践探索，破局需聚焦三大方向：其一，技术革新。通过多级容灾架构实现数据“零丢失”，利用AI预测攻击路径并动态隔离风险，借助区块链确保备份数据的可信性；其二，场景适配。制造业需强化实时镜像备份以抵御产线停工风险，能源行业应建立分钟级恢复能力守护关键基础设施；其三，生态协同。政企需合力推动灾备能力立法，建立跨行业威胁情报共享机制，同时加快培养兼具IT与工业知识的复合型人才。 赛迪顾问股份有限公司网络与数据安全研究中心副总经理桑元带来报告《智能制造时代下工控安全发展新趋势》。她认为，随着“工业4.0”概念兴起，智能制造作为一种新的生产模式应运而生。人工智能、5G/6G、物联网等新兴技术加速融合发展，智能工厂与外界交互手段在不断丰富的同时，也不可避免地面临多重工业网络与数据安全问题。她在报告中系统阐述了智能制造时代下工控安全面临的风险与挑战，分析了智能制造背景下工控安全市场的发展特点。 北京科技大学教授郭金带来题为《具有信息安全功能的数据驱动建模方法和控制系统技术》的报告，他表示，在工业控制系统中，网络攻击会破坏采集数据的完整性、正确性与时效性。基于受攻击的数据进行系统建模，往往会导致模型偏离实际系统动态，进而引发控制性能下降甚至系统不稳定等问题。其报告从数据补偿的角度出发，探讨在数据遭受攻击的情况下，如何实现系统辨识、状态估计与系统控制等关键任务，提升系统的抗攻击能力与鲁棒性。 天融信科技集团股份有限公司工业互联网安全解决方案中心负责人董保开在题为《工业安全大模型建设探索》的报告中表示，在产业数字化转型浪潮中，工业互联网与AI融合趋势显著。天融信以AI驱动工业互联网安全防护体系：利用AI算法精准识别设备异常行为，通过AI动态学习控制协议特征，构建“白名单+灰名单”模型，实时阻断指令篡改等风险；依托AI数据分类引擎，对敏感工业数据智能分级，实现全生命周期加密与脱敏；借助工业互联网安全运营平台，汇聚多源数据构建企业行为基线，智能预警高级威胁，形成安全闭环。天融信将AI与工业信息安全技术深度融合，以智能化手段破解未知风险难题，为制造业数字化转型提供智能、主动的安全保障，护航工业互联网与AI协同发展。 中国电子技术标准化研究院网络安全研究中心工程师夏冀的报告《网络和数据安全标准护航新型工业化发展情况研究》，对新型工业化特征、内涵和面临的安全风险进行了分析，介绍了工业领域网络和数据安全相关政策文件和标准体系建设情况，并对工业领域重点网络安全国家标准进行了解读。 恒安嘉新（北京）科技股份公司云网战略规划设计院院长尚程在《基于数据驱动的人工智能安全保障探索和实践》报告中表示，人工智能进入高速发展阶段，大模型/智能体引发了生产运营模式的全面变革，逐步面向如下目标进行演进：以操作系统式AI为核心的商业模式、以智能体经济协作模式为目标的建研用一体化、以成果型AI产品持续交付为宗旨的第二曲线增长。随着5G-A/6G通感算智安深度融合，智能体通信标准化协议MCP/ANP/A2A等加速落地，个体智能走向群体智能，基于智能体的人工智能产业链协同和万智化互联的演进趋势明显。与此同时，人工智能安全风险也因通信连接暴露和自智意图行为不确定性等导致安全风险持续加大，危害人工智能产业健康发展。 当前，全球工业智能化进程加速迭代，工业元宇宙、具身智能、量子计算等颠覆性技术深度融入制造体系，推动“人工智能+工业”进入场景化落地关键期。在推进我国制造业迈入“数智化”跃升新阶段的同时，也使工控系统面临前所未有的复杂威胁。2025工业自动化安全大会以“数据驱动安全，AI赋能智造”为主题，聚焦数据要素市场化配置下的安全防护、AI驱动的工业主动防御系统等核心议题，为加速新型工业化进程、护航制造业全局性变革注入新质生产力安全新动能。 中国科学院沈阳自动化研究所副研究员、工业信息安全组组长赵剑明，中国自动化学会专家咨询工作委员会秘书长孙凝分别主持了上午、下午的大会。

国家数据局党组书记、局长刘烈宏5月26日下午主持召开座谈会，围绕培育全国一体化数据市场听取意见建议。 会议强调，党的二十届三中全会明确提出培育全国一体化数据市场的战略任务，为推动数据事业发展提供了根本遵循，指明了前进方向。国家数据局正在研究制定培育全国一体化数据市场的政策文件，要结合数据市场发展的新特点，培育数据市场生态，汇聚各方力量加快数据市场建设。 会议提出，要深入贯彻落实党中央、国务院决策部署，大力推动数据要素市场化价值化，让数据要素价值加快“显性化”。市场化是手段，价值化是目的。既要积极推动公共数据开发利用，持续发力数字政府建设和经济社会发展；又要积极推动企业用数创新，让数据要素价值体现在企业降本增效里，体现在培育新质生产力中，体现在赋能经济社会高质量发展上。 会议认为，当前，数据市场建设还处于起步阶段，还需要各方共同努力，强化对数据市场新情况新趋势的研判洞察，更大力度推动数据要素高水平开发利用，持续发掘数据要素价值释放新模式新路径，共同推动全国一体化数据市场建设。