原标题：数量超过二百个，覆盖多个行业领域，应用场景不断拓展(引题)

国产大模型加速赋能产业发展(主题)

习近平总书记指出：“谁能把握大数据、人工智能等新经济发展机遇，谁就把准了时代脉搏。”《政府工作报告》提出，深化大数据、人工智能等研发应用，开展“人工智能+”行动，打造具有国际竞争力的数字产业集群。

今年以来，我国人工智能大模型加快发展，产业化应用落地提速：生数科技联合清华大学发布国产自研视频大模型，支持一键生成长达16秒、分辨率高达1080P的高清视频内容;北京国际汽车展览会上，国内车企推出多个搭载大模型的新款车型，在多感官交互、自动驾驶等方面不断优化用户体验;人形机器人接入大模型进行任务调度和应用开发，很快“学会”了叠衣服、分拣归类等精细操作……

据不完全统计，国产大模型数量目前已超过200个，覆盖多个行业领域，应用场景不断拓展。国家互联网信息办公室最新公布的数据显示，截至今年3月，我国共有117个生成式人工智能服务完成备案。

坚持应用导向

建立起涵盖理论方法和软硬件技术的体系化研发能力，涌现出一批具有行业影响力的大模型应用，形成了紧跟世界前沿的大模型技术群

在电脑的对话框中输入需求指令，屏幕上不仅出现了所需的数据报表，还有结合数据报表自动生成的分析图表。前不久，由中国一汽联合阿里云通义千问打造的大模型实现应用落地。“我们几乎每天都要做报表，光这一项工作就要耗费大量的时间。现在借助大模型，工作效率显著提升。”中国一汽的工作人员介绍。

相比传统的“固定问答”，该应用还能进一步分析问答背后的原因和趋势，深化数据应用。“我们基于468个指标的初始语料，形成6万条评测数据，构建了这一大模型应用在指标设计、指标拆解、数据寻源、数据建模和数据分析等方面的能力。”阿里云智能副总裁李强介绍。

当前，我国大模型进入发展加速期，在自然语言处理、机器视觉和多模态等各技术分支上均在同步跟进、快速发展。在产学研各方共同推动下，我国已建立起涵盖理论方法和软硬件技术的体系化研发能力，涌现出一批具有行业影响力的大模型应用，形成了紧跟世界前沿的大模型技术群。

我国大模型产业化应用有两种主要的发展路径：一是打造跨行业通用化人工智能能力平台，即通用大模型，其应用正在从办公、生活向医疗、工业、教育等领域加速渗透;二是针对生物制药、遥感、气象等垂直领域的行业大模型，发挥其领域纵深优势，提供针对特定业务场景的高质量专业化解决方案。

聚焦用户需求

陆续推出搭载大模型的消费电子和智能终端产品，大模型有望来到更多用户身边，成为工作生活的“好帮手”

目前的人工智能大模型按照部署方式进行划分，主要分为云侧大模型和端侧大模型。与云侧大模型主要面向产业化应用需求不同，端侧大模型主要服务于个人用户。今年以来，国内厂商陆续推出搭载大模型的消费电子和智能终端产品，大模型有望来到更多用户身边，成为工作生活的“好帮手”。

前不久，联想集团发布了配备人工智能助理的个人电脑产品。通过本地部署的个人大模型，人工智能助理不仅能与用户交互，还能从这些交互中总结经验并进行自我完善。比如，它能够通过个人的旅行记录、购物偏好这些信息，更好地进行推理，甚至可以根据用户的思维模式和行为频率去预测任务，并主动提出建议，寻找解决方案。

今年年初，荣耀手机发布了新一代全场景操作系统，其大模型智能问答月使用量高达1500万次，日最高使用量达85万次。大模型的引入，有望为手机带来功能上的跃升。利用大模型提炼通话内容要点、与手机“对话”自动挑选素材生成视频内容等，这些新功能成功转化为手机市场的“新引擎”。

作为新一代智能终端，大模型加快在智能网联汽车上部署应用。除了在智能座舱里与人交互更自然、识别车内外的人与物更准确，大模型还能提升自动驾驶系统的效率和安全。

加快补齐短板

进一步加强资源与研发力量的统筹，强化大模型在发展中的场景牵引作用，实现大模型技术的高质量应用突破

移动应用发达、数据资源丰富、应用场景多元、人工智能产业链完整度高……产业化应用已成为我国人工智能产业的重要优势之一，也是推动人工智能加快发展的关键。

中国信息化百人会执委、阿里云副总裁安筱鹏认为，大模型在不同产业的应用落地，一方面可以促进产品竞争力的升级，创造新的附加值;另一方面，可以在更广泛、更复杂的场景中进行流程和决策的优化，提升企业创新的效率。

大模型的技术潜力与市场空间巨大，但技术门槛高、开发复杂、成本较高，与产业场景的深度融合离不开平台工具支撑。浪潮信息董事长彭震表示，“人工智能+”既是目标，也是机会。应用创新需要算法、算力和数据协同发展，要开展以系统为核心的全局创新，实现创新与应用并重，让智能应用以更快速度涌现并满足差异化需求。

当前，我国大模型发展存在一定挑战，如算力存在瓶颈、高质量的训练数据集仍需扩展、标志性应用尚未出现等。国家信息中心信息化和产业发展部主任单志广表示，我国算力基础设施建设要走共享化、高效化的路径，既重视硬件建设，也重视需求和应用发展，高效集约利用算力资源，进一步提高算法、算力和数据资源的服务水平和能力。