夜雨聆风
2017 年 7 月，国务院印发《新一代人工智能发展规划》，AI 正式升格为国家级长期战略。文件确立了"三步走"技术赶超目标：到 2020 年总体技术与世界先进水平同步，到 2025 年部分领域世界领先，到 2030 年成为世界主要 AI 创新中心。
这一阶段的政策重心聚焦前沿基础理论和关键共性技术。彼时产业现实是：AlphaGo 接连击败李世石、柯洁，全球 AI 竞赛白热化，而中国在算法框架、高端 AI 芯片等底层技术上存在明显代差。政策设计逻辑清晰——先补基础技术短板，再谈产业应用。
但这一阶段的局限性也由此埋下：政策资源高度向科研院所和学术指标倾斜，对产业落地路径缺乏明确指引。"重科研、轻应用"的导向，使前几年 AI 产业呈现论文产出繁荣、商业落地稀薄的失衡状态。
2024 年 3 月，"人工智能+"首次写入政府工作报告，政策主线从纯技术攻关全面转向产业场景落地，从"强技术"走向"促应用"。
这一转向的产业诱因是深刻的。2022 年底 ChatGPT 发布引发大模型浪潮，2023 年中国"百模大战"爆发，大模型数量井喷。但繁荣背后是尴尬现实：模型同质化严重，企业不知道怎么用、用不起、不敢用，应用端渗透率极低。政策制定者意识到，仅在技术端投入无法形成产业闭环——技术突破若不能转化为生产力，战略目标就是空中楼阁。
"人工智能+"的提出，本质上是将 AI 从科技政策提升为经济政策，核心诉求是推动 AI 与制造业、服务业深度融合，用技术红利对冲传统产业增长瓶颈。
2025 年，国务院发布《深入实施"人工智能+"行动的意见》，搭建六大行动 + 八大支撑的完整制度框架，从零散试点升级为系统化制度体系。
如果说 2024 年的"人工智能+"是方向性宣示，那么 2025 年的《意见》就是施工蓝图。这一跃迁的直接诱因，是前一轮"AI+"行动中暴露的系统性问题：各地试点遍地开花，但项目同质化扎堆、资源重复配置、标准各自为战。地方政府的"AI+"项目清单大同小异——智能制造、智慧医疗、智慧教育，换汤不换药。
政策制定者选择用制度框架来校准方向。六大行动明确重点赛道，八大支撑搭建底层基础设施，从算力调度、数据流通到标准制定、安全监管，构建了一套覆盖"技术研发—产业应用—安全治理"全链条的制度体系。从零散试点到系统化推进，这是政策成熟度的重要标志。
2026 年，十五五规划明确"全面实施人工智能+行动"，政策进入全域产业渗透阶段，覆盖实体经济全行业，兼顾安全、创新、产业普及三重目标。
这一阶段的政策定位发生根本变化：AI 不再被视为一项专项技术或重点产业，而是被定位为基础设施级要素——如同电力和互联网，需要渗透到经济社会的每一个角落。同时，外部环境的变化是关键推手：美国对华芯片制裁持续升级，算力自主可控从"重要"变为"紧迫"；大模型带来的数据安全和伦理风险也要求治理体系同步跟上。
兼顾安全、创新、产业普及三重目标，意味着政策需要在鼓励发展和守住底线之间持续校准——这是大国科技竞争背景下最复杂的政策平衡术。
| 核心文件 | ||||
| 战略定位 | ||||
| 扶持重心 | ||||
| 资源投向 | ||||
| 考核导向 |
▲ 四代 AI 政策核心要点对比
▲ 中国 AI 政策四次跃迁时间线逻辑图
政策重心的迁移，首先跟随的是技术成熟度曲线。2017 年，大模型尚未出现，AI 技术仍处于"小模型 + 垂直任务"阶段，政策聚焦基础算法和算力单点攻坚是合理选择。2022 年后大模型技术爆发，AI 从"专用工具"进化为"通用能力平台"，技术范式发生根本转变。
政策重心随之从"补技术短板"转向"促应用落地"，再进一步走向"软硬一体化"——不仅是软件层面的行业大模型，还包括 AI 芯片、智能终端、边缘设备等硬件协同。政策跟着技术成熟度走，这是最朴素的产业逻辑。
从经济维度看，四次跃迁映射的是 AI 在中国经济中角色定位的升级。2017 年，AI 被视为前沿科创培育对象，政策资源投向高校和实验室。到 2024 年，经济下行压力加大，传统制造业和服务业增长见顶，政策制定者需要新的增长引擎。
"人工智能+"的本质，是用 AI 改造实体经济——不是建更多实验室，而是让工厂更智能、让服务更高效、让产业链更韧。这一逻辑在十五五阶段进一步强化：AI 从"锦上添花"变为"雪中送炭"，成为对冲传统产业增长瓶颈的核心工具。
国际科技博弈的升级，深刻塑造了政策的竞争逻辑演变。2017 年，政策核心诉求是"追赶"——缩小与美国在 AI 基础技术上的差距。但 2022 年后，美国对华 AI 芯片出口管制不断加码，从限制高端 GPU 到封锁先进制程，中国 AI 产业面临"有算法无算力"的卡脖子困境。
竞争逻辑随之从单纯的技术追赶，演变为"自主创新 + 产业普及 + 安全可控"三位一体。不仅要追前沿，更要建自主可控的算力和供应链体系；不仅要技术领先，更要产业规模化落地形成事实标准。这是大国科技竞争的必然选择。
治理框架的演进，反映了政策对"发展与安全"关系的持续校准。早期政策以鼓励创新为主，监管留白。这在产业起步阶段是必要的——过度监管会扼杀创新。但随着 AI 应用深入，数据滥用、算法歧视、深度伪造等问题集中爆发，治理留白的代价开始显现。
2025 年制度框架的搭建，标志着治理逻辑从"先发展后治理"转向"发展与安全并重"。数据合规、算法伦理、安全审查被纳入政策体系，与产业激励措施并行推进。到十五五阶段，安全治理不再是产业的"刹车片"，而是与创新发展同等重要的政策支柱。
每一次政策跃迁，都是对前一轮局限性的纠偏。
第一轮"重科研轻应用"——大量经费投向学术论文和基础研究，产业转化率低。第二轮纠偏为"促应用"，但"AI+"遍地开花后，同质化项目扎堆，资源浪费严重。第三轮用制度框架统筹方向，但仍面临"普惠与自主可控"的张力——既要让 AI 惠及全行业，又要确保关键环节不受制于人。第四轮试图在更高层面平衡这一张力，但矛盾并未消失，只是进入了更复杂的阶段。
政策演进不是线性进步，而是在矛盾中螺旋上升。理解这一点，才能避免对单一政策文件的过度解读，看清政策变迁的真实脉络。
第一，由点状试点转为全行业规模化渗透。AI 将从示范项目走向生产一线，渗透率取代落地率成为核心考核指标。政策激励将从"有没有"转向"深不深"，真正推动 AI 嵌入生产流程而非停留在展示厅。
第二，从扶持通用大模型，倾斜到行业垂直模型与软硬一体化终端。通用大模型的"百模大战"已趋于饱和，政策资源将向真正解决行业痛点的垂直模型和 AI 终端硬件倾斜。能跑通"行业数据—垂直模型—智能终端"闭环的企业，将获得更多政策红利。
第三，创新政策与数据安全、供应链自主政策并行推进。三条政策线并行，既不能因安全迟滞创新，也不能因创新忽视安全。数据要素市场化、算力国产化、AI 伦理标准制定，将与产业激励同步加速。
关键在于精准匹配政策红利，避开同质化内卷。三条赛道各有定位：
前沿技术赛道：适合有底层研发能力的头部企业和顶尖高校，政策红利在于科研经费和人才政策。
产业应用赛道：适合有行业 Know-how 的实体企业，红利在于"AI+"专项补贴和场景开放。
民生普惠赛道：适合服务型企业和地方平台，红利在于政府采购和基础设施投资。
不要什么都做。选准赛道，比拿到补贴更重要。在政策资源日益精细化的趋势下，什么都做等于什么都没有——同质化内卷的代价，是政策红利被稀释为零。
四次政策跃迁，本质是中国 AI 产业从"技术追赶"走向"产业深耕"的完整缩影。每一次转向都不是行政意志的随意调整，而是技术成熟度、产业供需、国际博弈三重力量共同作用的结果。理解这条脉络，才能在下一轮政策周期中抢占先机——不是追逐政策的风口，而是预判政策的方向。
中国 AI 政策的下一站会走向哪里？你所在的行业，AI 落地最大的瓶颈是什么——是技术不够用、数据不够多，还是场景找不到？
欢迎在评论区聊聊你的观察和判断。
