工信部启动“人工智能+软件”专项行动:一场指向代码生产方式的深层变革
2026年4月28日下午3时，国务院新闻办公室的吹风会现场，工业和信息化部副部长柯吉欣用了这样一句话来概括近年来的行业感受：“现在国产的软件在运用方面跟前几年完全不一样，现在越来越丝滑，越来越好用。”
随后披露的一组数据，让这份感性的表达落到了坚实的底座上：2025年，我国软件和信息技术服务业整体营收达到15.48万亿元，是2012年的6.2倍，年均复合增长率达15.1%。截至今年3月底，搭载基于开源鸿蒙操作系统的手机总量已突破5500万台；工业软件形成覆盖重点行业的产品体系；通义千问、混元等国产大模型的开源生态在全球处于领先地位；词元日均调用量突破140万亿，同比增长超过1000倍。
正是在这样的产业基座上，柯吉欣透露了下一步的关键动作：工信部将开展“人工智能+软件”专项行动，加快智能编程研发应用，培育模型即服务、智能体即服务等新业态。
这不是一个孤立的产业扶持信号。当它和15.48万亿的营收体量、5500万台的鸿蒙终端、140万亿次的词元调用量放在一起审视，释放出的是一套关于软件产业范式变迁的完整信号链。本文试图从产业逻辑、技术路径和制度准备三个维度，拆解这场专项行动背后更深层的含义。
一、15.48万亿之后，
增长引擎正在切换
软件和信息技术服务业营收15.48万亿元，这个数字需要放在更长的周期里才看得清分量。2012年，这个行业的营收规模大约是2.5万亿元。也就是说，13年间增长了超过5倍，而同期GDP的增长幅度约为2.2倍。软件业的增速跑赢了宏观经济大盘，这一点并不令人意外，真正值得关注的，是增长方式的变化。
过去十余年，软件产业的扩张主要由两个因素驱动：一是信息化渗透率的持续提升，金融、政务、教育、医疗等行业的数字化转型创造了庞大的需求池；二是移动互联网带来的应用生态大爆发，催生了从即时通讯到移动支付的完整数字经济基础设施。柯吉欣在吹风会上提到的云计算、大数据支撑各行业数字化转型，正是这一阶段的核心写照。
当信息化渗透率达到一定水平之后，单纯靠“上系统”“上云”驱动的增量空间会自然收窄。这也是为什么，工信部在描述下一步方向时，反复使用“专业化”“价值链高端延伸”这样的表述。这本质上是在说：软件产业的下一个增长级，将从“把已有的业务流程数字化”，转向“让软件本身就具备智能生成和自主决策的能力”。
专项行动提出的“智能编程研发应用”，正是在这个拐点上落子。
所谓的智能编程，不是传统意义上的开发工具效率提升。它指的是借助大语言模型和代码生成技术，让软件开发从“人逐行编写代码”变为“人描述需求、AI生成代码、人审核校验”的新范式。根据工信部披露的信息，当前词元日均调用量已突破140万亿。这个数据直接反映了AI模型在各类应用场景中的渗透深度，而代码生成正是调用量增长的重要驱动之一。
当代码可以被“自动书写”，软件产业的核心生产要素就发生了变化。从人力密集型的编写、测试、维护，转向“需求定义能力+模型训练能力+质量控制能力”的新型能力组合。这种切换对产业结构的冲击，可能远比营收数字本身更深远。
二、智能编程改变的
不仅是“写代码的速度”
如果只把智能编程理解为“让程序员少敲几行代码”，那就大大低估了这场专项行动的雄心。
柯吉欣在吹风会上的原话是“加快智能编程研发应用”，七个字里藏着两个关键词——“研发”和“应用”。这意味着政策关注的不仅是技术突破，更是技术进入实际生产流程的路径设计。
从产业现实来看，智能编程的落地已经在加速。深度求索发布的DeepSeek-V4大模型，被柯吉欣在会上专门提及，称其将进一步推动人工智能普惠广大民众。通义千问、混元等国产大模型的开源生态也被评价为“全球领先”。这些模型，正是智能编程能力得以运转的底层引擎。
首先是软件生产的门槛结构。传统软件开发需要经过需求分析、架构设计、编码实现、测试部署等一长串环节，每个环节都有相当高的专业壁垒。而AI辅助编码工具的出现，正在将门槛从“编码能力”前移到“问题定义能力”。这意味着，未来能够参与软件生产的人群将大幅扩展，但同时对“定义正确问题”的要求也大幅提高了。
其次是软件的质量保障体系。当代码由AI生成，传统的代码审查、单元测试、回归测试等方法论需要随之演进。人审核AI写的代码，和人审核人写的代码，出错的模式是不同的。AI可能在某个细节上犯下人类永远不会犯的错误，也可能在逻辑一致性上达到人类难以企及的精确度。这种全新的质量风险分布，要求行业重新建立一套针对“人机协作生产”的软件质量保障标准。
还有一个容易被忽略的维度——代码的可审计性。在金融、政务、工业控制等关键领域，每一行代码都需要在出现问题时有据可查。AI生成的代码能否满足这种可追溯性要求？由谁来为AI的“决策”承担责任？这些问题的答案，目前在技术和制度上都还处于探索期，但它们恰恰是“智能编程研发应用”从实验室走向核心生产环境必须跨越的门槛。
工信部在专项行动中同时提出“健全制造业数智化转型服务体系”，这可以看作是对上述挑战的对应布局。因为真正的服务体系建设，不只是提供工具，更是建立标准、规范流程、明确责任边界。
三、AI Agent崛起，
软件从“工具”变为“代理”
专项行动中另一个关键词——“智能体即服务”——可能是整个政策表述中最具想象空间的概念。
什么是“智能体”？通俗地说，它是一个能够感知环境、自主决策、执行任务的AI实体。它不像传统软件那样被动等待用户输入指令，而是能够理解目标、拆解任务、调取资源、协同其他智能体，主动完成一系列复杂工作。
柯吉欣在吹风会上提到，“模型即服务、智能体即服务等新业态新模式不断涌现”。这句话的背后，是AI Agent在企业服务、工业制造、金融风控等场景中已经开始小规模落地的事实。比如在智能制造场景中，一个生产调度AI Agent可以根据订单变化、设备状态、物料库存等实时信息，自主调整排产计划；在金融场景中，AI Agent可以在设定好的风控框架内，自主完成交易审核。
但问题也随之而来。当一个AI Agent在自主执行任务时，它需要与其他AI Agent或外部系统进行交互，这些交互涉及权限校验、结果验证、资源调度，甚至涉及某种形式的“协议”执行。如何确保这些交互是可信的、可追溯的、不可篡改的？
这个追问并非空穴来风。工信部专项行动中同步提出的“工业数据筑基行动”和“建设工业领域高质量数据集”，恰好在制度层面回应了AI Agent运行对数据可信性的需求。当AI Agent的行为记录被存储在防篡改的账本上，当AI Agent之间的协作规则被编码为可自动执行的智能合约，一种新的信任关系就在软件系统内部建立了起来。
这不再是“人信任软件”的传统模型，而是“软件之间相互信任”的新模型。它依赖的不仅是技术能力，更是一套完整的信任架构。工信部将“智能体即服务”写入专项行动，说明在产业政策的顶层设计中，这种新型软件形态已经被纳入议程。
而“模型即服务”和“智能体即服务”这两条路径，在商业逻辑上有着清晰的分工：前者解决的是“能力供给”问题，把大模型的能力像水电一样提供给千行百业；后者解决的是“任务执行”问题，让智能体在特定场景中替人完成完整的工作闭环。二者叠加，构成了一个从底层能力到上层应用的完整服务矩阵。
四、开源生态与开源鸿蒙：
重新定义“技术主权”
柯吉欣提到的几组标志性成果，鸿蒙系统终端突破5500万台、通义千问和混元开源生态全球领先、DeepSeek-V4发布，都有一个共同的底色：它们是开源或基于开源路线的产物。
这个事实在产业政策语境中有着特殊意义。长期以来，业界对于“自主可控”的讨论往往聚焦于“能不能自己造”，而工信部此番传递的信号更接近于“能不能建立一个由中国主导、全球参与的开源生态”。
这不是一个技术路线偏好的问题，而是一个产业组织方式的选择。闭源模式下，技术能力集中在一家或几家企业手中，更新节奏、功能边界、商业模式都由厂商决定。开源模式下，代码成为公共资源，任何人都可以查看、修改、分发，创新的主体从“公司”扩散到了“社区”。鸿蒙突破5500万台终端，说明开源路线在消费级市场已经拥有了真实的竞争力。
但开源也面临一个经典难题：贡献者的激励。高质量的软件项目、大模型项目，需要大量开发者持续投入时间和精力。如果这些开发者不能从自己的贡献中获得直接的经济回报，开源生态的可持续性就会打折扣。工信部提出的“进一步加强开源生态建设”，其中的关键命题之一，就落在如何设计一套更有效的贡献激励机制上。
在这一点上，国际开源社区已经有了很多有价值的探索。通过一套可量化的贡献评估体系和相应的经济激励机制，让代码贡献者的付出获得合理回报，正在成为开源治理的热门方向。这种机制的核心在于建立一个透明的、不可篡改的贡献记录系统，并根据记录分配激励。中国开源生态如果能在这一层面取得制度创新，就可能从“跟随者”转变为“规则制定者”。
专项行动同时强调“推动基础软件、工业软件智能化升级”。基础软件和工业软件传统上以闭源、重资产、长周期的模式为主，开源路线的嵌入，可能给这个领域带来更灵活的创新节奏和更低的试错成本。当然，这条路并不平坦——工业软件的门槛不仅在于代码，更在于对工业机理的深刻理解，这恰恰是开源社区相对薄弱的环节。
五、工业数据筑基：
为软件的下半场准备“燃料”
专项行动还提到了一项容易被媒体忽略但至关重要的内容——“实施工业数据筑基行动，建设一批工业领域高质量数据集”。
理解这条表述的重要性，需要先理解AI时代软件产业的一个根本变化：软件的性能越来越不取决于算法本身，而取决于喂养它的数据。一个代码生成模型能不能写出好的工业控制代码，不只看参数规模，更看它有没有接触过足够多、足够好的工业数据样本。
中国是制造业大国，拥有全球最完整的工业门类和最丰富的制造业场景。理论上，这应该是一笔巨大的数据资源优势。但现实中，工业数据长期面临“沉睡”问题——数据分散在不同的企业、不同的设备、不同的系统中，格式不统一，标注缺失，共享困难。数据“有”但不“可用”，是工业智能化最大的瓶颈之一。
工信部此次将“工业数据筑基”和“人工智能+软件”专项行动并列提出，说明决策层已经充分认识到二者之间的强关联：没有高质量数据集的支撑，再先进的编程模型也无法深入工业核心环节。
“建设工业领域高质量数据集”的难度，比普通人想象的要大得多。工业数据不是互联网上那种可以随意抓取的开放数据，它涉及企业的核心工艺、设备参数、生产流程，天然带着商业机密的标签。要让企业愿意把数据拿出来用于训练，必须解决数据安全问题。而隐私计算技术的成熟和推广，使得“数据可用不可见”从理论走向了工程实践，这为工业数据集的构建提供了技术可行性。
工信部同时提到的“有序推进算力布局和边缘算力建设”，也与数据战略有着紧密配合。工业场景对时延、可靠性、数据本地化的要求远超消费互联网场景，因此算力不能全部集中在云端，必须向边缘节点下沉。数据在哪里，算力就要跟到哪里，这是工业AI区别于互联网AI的一个核心特征。
还要看到，高质量数据集的价值不止于训练模型。当工业数据以标准化、可追溯的方式被组织起来，它本身就构成了一种新型的生产要素。下游的AI Agent、工业软件、调度系统，都可以基于同一套高质量数据来运行，形成一个数据驱动的产业协同网络。这种网络的效率优势，是传统离散化、孤岛化的生产体系无法比拟的。
六、一场底层的范式变迁已悄然启动
回到最初的问题：工信部这场“人工智能+软件”专项行动，到底要做什么？
字面上看，它包括智能编程、模型即服务、智能体即服务、开源生态建设、工业数据筑基、算力布局等多项内容。但这些具体措施共同指向的，是一个更加底层的范式变迁——软件正在从“被编写”走向“被生成”，从“被使用”走向“被调用”，从“孤立的工具”走向“协作的智能体网络”。
软件产业的增长方式在变。过去靠“将人工流程数字化”就能获得两位数增长的阶段正在过去，下一个增长极藏在“让软件自己变聪明”这条线上。专项行动中提到的“加快智能编程研发应用”，本质上是在抢占“软件生产自动化”这个新赛道的话语权。
软件的组织形态在变。当AI Agent可以自主执行任务并相互协作时，软件就不再是一个等待指令的静态系统，而是一个动态调度的活体网络。这种变化对系统架构、交互协议、信任机制提出的新要求，将催生出大量新的技术机会和商业机会。
软件产业的基础设施需求也在变。工业数据的质和量、算力的分布和密度、协作机制的透明和可信，这三样东西正在成为软件产业下半场的基础“公用品”。专项行动中对数据筑基、算力布局、开源生态的系统部署，说明产业政策已经在围绕这些新基础设施展开布局。
当然，任何重大的产业转型都不会一帆风顺。智能编程的准确性和安全性需要经过大规模生产环境的检验，AI Agent的自主决策边界需要伦理和法律层面的清晰界定，工业数据共享的利益分配机制需要持续磨合，开源生态的激励可持续性也尚无成熟答案。但政策信号的先行，至少意味着这些议题已经进入了顶层设计的议事日程。
柯吉欣在吹风会最后的表态是“着力‘强软件服务、绘数智新篇’，为我国服务业高质量发展注入新的活力”。这句话放在15.48万亿的产业体量面前，既是总结，也是起点。
Web4研究中心系RWA研究院旗下的前沿研究机构，是国内首家聚焦“AI+区块链+RWA”深度融合的专业智库。在RWA研究院深耕全球现实世界资产代币化（RWA）的基础上，我们进一步提出“AI是极致生产力，区块链是先进生产关系”的核心命题，致力于探索AI Agent与区块链的深度融合，定义数字文明新阶段的底层操作系统。
我们聚焦AI驱动的资产重构、全球合规制度演进以及数字主体治理范式，依托RWA研究院在金融科技与合规领域的资源积淀，为决策者提供穿透迷雾的认知坐标。在这里，我们不追逐短期热点，只负责在AI与区块链交汇的十字路口，为传统企业、上市公司及专业投资者搭建通往未来十年增长的战略桥梁。
夜雨聆风
