【问题】随着大模型、智能制造、智慧城市等应用加速落地，算力需求快速攀升，数据要素与算法能力正重塑企业组织方式、生产流程和服务模式；高文认为，人工智能与现有经济形态深度融合，正在形成以数据驱动、算法优化、智能协作为特征的新型经济形态。，算力结构、区域供给与应用侧体验之间的矛盾日益突出：一上，基础模型训练需要稳定、低成本的大规模算力；另一方面，自动驾驶、工业控制、实时客服等场景强调低时延与就近响应，单靠远端集中算力并不经济。 【原因】高文指出，算力并非单一概念，至少包含两类关键形态：一是以高精度计算见长的超级计算能力，面向气象预测、地质勘探、科学仿真等任务，强调精度与可靠性；二是面向深度神经网络训练与推理的智算能力，更多依赖高并行度、相对低精度的矩阵与张量运算，以规模化并行提升效率。两类算力共同构成现代计算体系的底座，并随着单体能力提升与集群规模扩展而增强。算力需求结构的变化，叠加能源成本、网络传输、设备供给与应用扩散等因素，使算力建设必须从“单点突破”转向“系统工程”。 【影响】产业层面，算力将直接影响模型训练周期、推理成本与应用可及性，从而影响企业数字化转型的速度与质量。高文认为，当前人工智能在基于数据的记忆、检索和模式识别上优势明显，更像对既有知识的高效“复习与解题”，熟悉领域能展现超出个体的处理能力，但在提出全新思想、原创方法上仍有局限。这意味着其生产体系中的价值更多体现在效率提升、流程优化与辅助决策上。对劳动市场而言，重复性、规则明确的智力劳动更容易被工具化替代，而需要跨场景判断、创造性表达与复杂协同的岗位受冲击较小但也将被重塑，促使劳动者加快能力结构调整。 【对策】围绕算力建设路径，高文提出应跳出“只建大中心”的单一思路，形成国家引导与市场需求相结合的体系化布局。一上，要依托国家层面统筹规划建设大规模算力中心，充分利用资源禀赋与低成本电力，适宜地区开展高强度模型训练和科学计算任务，发挥规模效应。另一上，也要面向终端应用的时延与稳定性要求，在重点城市群、产业集聚区、关键行业场景周边布局分布式、小型化算力节点，支持实时推理与本地数据处理，提升用户体验与业务连续性。高文同时强调，软硬件生态建设要保持多样性：在支持国产技术成长的同时，应让既有投入形成的成熟技术继续发挥效益；在商业模式上，开源与闭源可以并行互补，通过分工协作与竞争促进创新，避免“一刀切”造成资源浪费或生态失衡。 【前景】业内普遍认为，智能化竞争将从单纯比拼模型参数转向比拼“算力—数据—场景—工程化”综合能力。高文的观点表明，下一阶段推进智能经济发展，关键在于把算力当作新型基础设施进行统筹规划：既要在宏观层面形成跨区域、跨行业的算力网络与调度体系，完善标准、安全与绿色运行机制；也要在微观层面推动行业应用落地，形成可复制的场景解决方案与可持续的商业闭环。随着算力供给结构优化、应用生态成熟和人才体系完善，人工智能有望在研发设计、生产运维、公共服务等领域释放更大乘数效应，但其应用边界、数据治理与安全合规也将同步成为必须直面的长期课题。
智能经济的崛起既是技术革命的必然结果，也是我国实现高质量发展的战略机遇。正如高文院士所强调，唯有构建开放协同的算力体系、坚持创新驱动的发展路径，方能在新一轮全球竞争中占据主动。这场深刻变革不仅考验技术突破能力，也对政策前瞻性与社会适应性提出全面挑战，需要政府、企业与公众形成合力共同应对。