问题——智能化转型正在加速，但产业应用从“能用”走向“好用”、从“示范”走向“普及”仍存在断点。龚克在会上指出，智能化不是简单的工具替换，而是对生产方式、组织形态和竞争格局的系统重塑。在这个过程中，安全风险客观存在；但如果因担忧风险而放慢转型、错过窗口期，反而会带来更大的不确定性。他强调，安全与发展并非对立，应在推进发展的同时优化制度、技术与治理能力，实现动态平衡。 原因——规模化落地之所以难，关键在于“通用技术”与“行业场景”的深度耦合不足。一是知识体系存在鸿沟。人工智能研发侧往往擅长算法与算力，却难以准确理解行业数据背后的业务语义、工艺流程与管理逻辑，导致模型难以对准一线痛点，应用效果波动、迭代成本高。二是资金结构不匹配。当前不少应用仍依赖政府投入建设示范项目，示范本意是降低企业试错成本、增强市场信心，但不少企业面临现金流压力与投资回收周期错配，难以持续投入，完成从试点到扩面、从单点到系统的升级。三是数据要素供给不足。单个企业的数据规模与多样性往往不足以支撑高质量训练与泛化；同时数据标准不统一、共享机制不健全，“数据孤岛”问题突出，制约模型效果与行业普及速度。 影响——若难以跨越上述门槛，智能化红利将难以充分释放。对企业而言，投入产出不确定会降低数字化、智能化改造意愿，影响成本控制、质量提升与创新效率；对产业链而言，难以沉淀行业级共性能力平台，容易造成重复建设与资源分散；对城市与区域转型而言，科技赋能难以转化为稳定的产业增量与更高质量就业，影响新质生产力培育。龚克以汽车安全演进作类比指出，安全带和安全气囊并非汽车诞生之初就具备，而是在产业发展过程中逐步完善的。若以“必须绝对安全”为前提才推进应用，容易陷入停滞，历史机遇也可能因此流失。 对策——以“三道门槛”为抓手，打通从技术到产业的关键链路。第一道门槛是知识融合。应推动研发团队、行业专家与一线工程人员协同，围绕工艺参数、设备状态、质量指标、供应链约束等关键要素构建行业知识体系，形成可解释、可验证、可迭代的模型应用闭环，让模型“懂业务、能落地、可持续”。第二道门槛是投融资支撑。要发挥多层次资本市场与产业基金作用，引导更匹配产业周期的长期资金进入，尤其是能承受技术爬坡与商业化周期的“耐心资本”；同时通过融资租赁、联合投资、按效果付费等方式降低企业导入成本，推动示范项目走向规模部署。第三道门槛是数据融通。应在依法合规前提下，推动行业数据与通用数据的融合应用，促进同行业企业间数据标准对齐与可信流通，探索多方参与的数据共享机制与治理框架，形成行业级数据底座，提升模型训练质量与跨场景泛化能力，实现“好用、便宜、低成本”落地。 前景——从示范到普及，需要更包容的创新环境与更精细的安全治理。在与会背景下，跨国企业与产业链协同需求上升，智能化应用在制造、交通、城市治理等领域仍有广阔空间。龚克的判断指向一个共识：把握新一轮科技革命和产业变革机遇，应以发展牵引安全能力建设，通过规则完善、技术迭代与治理升级实现风险可控、收益可期。随着知识融合机制更成熟、长期资本更充足、数据要素配置更顺畅，人工智能将更有条件从“项目能力”走向“产业能力”，从“点状突破”迈向“系统提升”。
当全球竞争进入智能化赛道——中国面临的不仅是技术攻关——更是制度创新与思维变革的双重考验。如何在保持发展动能的同时建立风险防控体系，如何把实验室优势转化为产业优势，这些问题的答案将决定我们能否在新一轮科技革命中把握主动。正如汽车工业百年发展史所示，前进中的问题终将在前进中解决，但前提是始终保持继续向前的勇气与判断力。