打造智能经济新形态的政策取向、现实梗阻与发展理路
发布时间：2026/09/29
来源：习近平经济思想研究中心
[ 打印 ]
智能经济是智能技术驱动的，由智能生产力、智能产业和智能价值构成的经济形态。早在20世纪90年代，就有学者预判，21世纪生产的技术结构方式将演变为智能密集型模式，即人类努力把部分思维活动委托给技术系统，与之相对应的经济时代，便是智能经济时代。近年来，以深度学习、跨界融合、人机协同、群智开放、自主操控为特征的新一代人工智能技术不断取得新突破，并加速从实验室走向规模化应用，催生了现实的智能经济形态。大模型、智能体、具身智能等技术的快速迭代演进，持续推动智能经济实现向更高阶段的跃升，以数据、算力、算法为核心生产要素，以人工智能技术为核心驱动，具有数据驱动、人机协同、跨界融合、共创分享特征的智能经济新形态加速涌现，并日渐成为推动经济高质量发展、培育新质生产力的重要引擎。
打造智能经济新形态，既能推动传统产业升级、催生新业态，又能在全球竞争的核心赛道抢占先机，还能让发展成果更多更公平惠及全体人民。近年来，我国对智能经济的战略布局逐步深化。2018年，习近平总书记在中共中央政治局第九次集体学习时强调“要培育具有重大引领带动作用的人工智能企业和产业，构建数据驱动、人机协同、跨界融合、共创分享的智能经济形态”，要求“形成适应智能经济、智能社会需要的基础设施体系”。2024年政府工作报告提出实施“人工智能+”行动；2025年《国务院关于深入实施“人工智能+”行动的意见》发布，其中2027年、2030年、2035年三个阶段目标均明确提及“智能经济”。2026年政府工作报告首次提出“打造智能经济新形态”，围绕深化拓展“人工智能+”、推广智能终端与智能体、布局算力新基建、健全数据要素基础制度、完善人工智能治理等关键环节作出系统安排，意味着智能经济正从“关键变量”转化为经济高质量发展的“强劲增量”。
在学界，智能经济新形态已成为热门议题。学者围绕智能经济新形态的内涵特征、形成逻辑、实践路径等方面已经开展不少研究，并普遍认为智能经济新形态是在人工智能技术进入国民经济后引发经济结构变迁的基础上形成的，能重塑经济活动各环节，是新质生产力发展带动形成的新经济形态。然而，现有研究对智能经济新形态培育中的政策取向、现实梗阻及其针对性破解路径的深度探讨仍较为薄弱。不同于工业经济依赖土地、资本、劳动力等传统要素的线性增长模式，也区别于数字化初期侧重数据归集、连接与共享的融合模式，智能经济新形态呈现出非线性、涌现性、跨界融合的特点，这种经济形态的独特性，对法律制度、体制机制、监管模式的创新升级都提出了新要求，相关领域必须在适应中不断优化完善，加速构建与新技术相协调的治理体系。基于此，本文将结合智能经济新形态的典型特征，分析现行政策逻辑存在的潜在局限，探讨智能经济新形态发展面临的现实梗阻，并据此提出对应的政策调整思路，以更加精准识别当前政策供给与智能经济发展阶段之间存在的时滞空白，为破解“新形态跑得快、旧规则跟不上”的现实梗阻提供更具针对性的政策参考。
一、打造智能经济新形态的政策取向
智能经济新形态呈现出数据驱动、人机协同、跨界融合、共创分享等典型特征。数据驱动以数据、算力、算法的高效供给与协同流动为前提，要求政策重心从“静态资源配置”转向“要素生态构建”；人机协同意味着经济活动参与者从单一的人类主体扩展为人类与智能体并存的多元格局，要求政策视野从“扶持龙头企业”转向“激活全类型主体”；跨界融合与共创分享高度依赖真实应用场景的开放与牵引，要求政策范式从“供给端扶持”转向“供需双向激活”。
（一）要素层面要求加快核心生产要素的高效供给与流动
数据、算力、算法是驱动智能经济的铁三角，是“硅基大脑”正常工作的前提。然而，现行政策在很大程度上仍沿用工业经济时代的要素管理思维，习惯将算力、数据视为类似土地、资本这类“资源”加以规划和配置。这种思维忽视了传统生产要素与数据等新型生产要素之间的差别，具有局限性。土地和资本等传统生产要素具有鲜明的可分割性、排他性和储值功能，可通过确权登记、划定区域、计划分配等方式实现“有序管理”，甚至“囤起来就能增值”。而数据、算力、算法却呈现出截然不同的属性。其中，数据具有非竞争性和可复制性，其价值不在占有而在流动；算力需要弹性、实时、按需供给，而非一次性建设投入，如果将算力视为固定资产进行规划配置，将导致资源的结构性闲置与短缺并存的低效状态；算法具有高度外溢性和边际成本递减特征，只有在开源共享和社区协作中才能实现快速迭代。这就要求政策不能沿用“配置资源”的思维去单纯建设算力、归集数据、攻关技术，而应着眼于构建一个让三要素能够高效供给、自由流动、持续创新的生态。具体而言：在数据维度，政策应从强调“归集整合”转向促进“流通应用”，政策发力点要放在建立清晰的数据确权授权机制、发展规范的数据交易市场、建设可信的数据流通基础设施，让数据在安全合规的前提下跨越部门壁垒和组织边界进行流通。在算力维度，政策应从推动“设施建设”转向培育“服务能力”，政策发力点要放在加快建设形成一张“一点接入、全网调度”的算力服务网络上，让中小企业、科研机构和开发者能够像使用水、电一样便捷地获取算力。在算法维度，政策应从组织“技术攻关”转向推动“生态培育”。政策发力点要放在大力支持开源框架和开源模型的生态建设上，降低算法开发门槛，让应用场景成为算法迭代的“练兵场”。
（二）主体层面要求加快提升多元主体智能化能力
智能经济时代，生产活动的参与者正在经历一场前所未有的扩容。传统经济形态中，经济主体主要是自然人、法人和非法人组织，其行为模式、权利义务相对明确，政策框架也以“人类中心主义”为预设，所有权责体系、激励相容机制和分配制度均围绕人的行为逻辑来设计。然而，智能经济时代下的智能体正在获得自主感知、独立决策和主动执行的能力，开始替代或协同人类完成原本需要判断、协商和创造的复杂任务，既有的主体认定标准、责任归属规则和权益保护机制都将面临适用性危机。与此同时，价值创造的模式也发生深刻转变。工业经济时代的创新活动高度集中在少数龙头企业和科研院所，而智能经济的创新则日益呈现出分布式、生态化的特征，大量中小企业深耕垂直场景的智能化改造，个体开发者通过开源社区贡献算法突破，甚至个人创客也能借助低代码平台快速搭建智能应用。
这就要求政策视野必须从“扶持少数”转向“激活全体”，着力构建“大企业建生态、小企业入场景、开发者促创新”的协同格局。在大企业层面，政策支持的衡量标准应逐渐从“获得了多少财政资金”转变为“向生态伙伴开放了多少平台能力、共享了多少技术资源”，应通过税收优惠、政府采购等方式，激励头部企业将AI中台、数据平台、供应链平台向行业开放，让头部企业成为生态的组织者和赋能者，而非凭借数据和算法优势构筑新的垄断壁垒。在中小企业层面，政策要从“边缘化”转向“精准滴灌”，借鉴“算力券”“数据券”“数字化转型伙伴”等创新机制，将对中小企业的智能化改造支持从直接的财政补贴转变为更灵活的能力赋能，使中小企业能够以极低成本接入云端算力、使用开源模型、获取数字化服务。在开发者和个人层面，要构建支撑开源创新和全民参与的生态基础设施，包括活跃的本土开源社区、高水平的算法竞赛平台、低门槛的开发工具链等，这不仅为专业工程师提供用武之地，也让各行各业的从业者能够将自身的领域知识转化为智能模型和智能应用。
（三）场景层面要求加快发挥应用对技术迭代的牵引作用
工业经济时代，技术创新的典型模式是“实验室研发—中试放大—工厂推广”，技术可以在相对封闭的环境中反复打磨，待成熟后再推向市场。智能经济则截然不同，以深度学习为代表的人工智能技术，其性能高度依赖海量、多样化、高质量的真实数据持续“喂养”，算法模型必须在实际运行的闭环中才能完成验证、校准和优化。比如，自动驾驶需要积累数十亿公里的真实路测数据，大语言模型需要吸收海量的人类交互反馈，具身智能需要在真实的物理环境中不断试错来学习抓取和行走。可以说，智能经济的技术成熟高度依赖真实场景的持续迭代，没有场景，技术就无法验证、无法优化、无法创造价值。这一规律对政策供给提出了双重挑战。一方面，技术供给方迫切需要真实、开放、可持续的应用场景来验证产品和积累数据。但现实中，大量公共场景仍处于相对封闭状态，企业想进入测试却面临资质壁垒、审批流程冗长、数据接口不开放等多重障碍。另一方面，技术需求方对尚不成熟的新技术存在天然的风险规避倾向。地方政府担心应用失败引发公众质疑，传统企业忧虑投入产出不成正比，消费者对智能产品的安全性和可靠性存有顾虑。这导致供需两端相互观望、彼此等待，陷入“先有技术还是先有场景”的僵局。
这就要求政策不能只从“供给侧”发力，更要全力激活“需求侧”，以场景开放牵引技术迭代，形成供需互促的良性循环。具体而言：在真实环境测试方面，应面向具身智能体等重点方向，规划建设一批深度嵌入城市运行、园区管理和制造车间等真实业务流程，能让智能体在可控但真实的环境中暴露问题、积累经验、进化能力，并且能长期运营的真实环境测试场。在数据反馈机制方面，场景的价值不仅在于提供测试空间，更在于产出高质量的训练数据。应通过制度安排和技术标准，明确数据回流的权责归属和利益分配机制，确保技术和运营方在部署智能体过程中获得的场景数据能够合法合规地回流至模型训练环节，形成“应用—数据—迭代—再应用”的正反馈闭环。在风险兜底制度方面，应在监管沙盒的总体框架下，对在真实场景测试中尚不成熟的智能体提供有条件的责任豁免或强制保险安排，在法律层面为企业“敢试”提供安全保障。同时，在需求端通过使用“首购首用”补贴、保险补偿、“场景券”等政策工具，切实降低消费者和传统企业采用人工智能新方案的风险感知，释放场景消费潜力。
二、打造智能经济新形态面临的现实梗阻
智能经济新形态的培育，需要在要素、主体、场景三个维度同步推进深层次转型。然而，对照前文所论的政策取向，当前我国在这三个维度上均面临显著的结构性梗阻，制约着政策意图向实际效能的转化。系统诊断这些梗阻，是精准施策的前提。
（一）数据、算力、算法等要素的高效供给与协同流动受阻
打造智能经济新形态，首要条件是数据、算力、算法三大核心要素能高效供给、自由流动、协同发力。然而，现实中三要素各遇瓶颈，难以形成合力。
第一，数据流通面临制度壁垒与标准缺失。数据流通是释放数据要素价值的关键环节，但在实践中却困难重重，市场主体积极性不高，数据交易活跃度较低。尤其是数据交易中潜在的数据安全风险，成为众多市场主体“不敢交易、不愿交易”的隐忧，从而形成“数据安全”与“数据流通”难以两全的悖论，极大制约了数据要素配置效率。据调查，2024年、2025年购买过数据的企业比例分别为10.58%和11.65%左右，增长幅度较慢，整体交易规模与额度低于预期。其主要原因如下：一是数据权属界定不清。当前，我国数据所有权、使用权、收益权等核心权属的细则尚未落地。数据提供者、采集者、加工者、使用者等不同主体之间的权利边界如何划分，缺乏可操作的法律指引，导致政府部门“不敢共享”、企业“不愿共享”数据。二是数据流通标准规范建设滞后。当前，我国数据确权授权、合规评估、质量认证、价值评估等标准体系尚不健全，各地数据交易所虽已陆续设立，但在交易规则、定价机制、信息披露上各行其是，全国统一的数据交易市场基础尚不牢固。三是跨主体、跨行业、跨区域的数据流通基础设施支撑不足。可信数据空间、隐私计算、联邦学习等技术的商用化程度有限，数据所有者对数据出境后的安全可控性缺乏信心，“数据不出门”成为普遍心态。
第二，算力供给存在结构性错配。我国算力基础设施正处于大规模建设期，但供需错配问题突出。一是高端智能算力供给不足。大模型训练对高性能AI芯片的需求急剧攀升，但受制于外部技术封锁和国产芯片生态尚不成熟，高端算力缺口短期内难以弥合。二是区域布局失衡。东部地区算力需求旺盛，但土地、能源约束趋紧，西部地区能源充裕，但产业应用需求有限，“东数西算”工程虽已启动，但东西部之间的算力调度和价格结算机制仍有待完善。三是算力供给模式转型滞后。当前以地方政府为主导的智算中心建设存在“重建设、轻运营”的倾向，一些建成项目因缺乏持续的应用需求支撑，设备利用率徘徊在低位。全国智算中心平均利用率不足40%，正面临“建而难用”的资源闲置困境。
第三，算法基础薄弱，开源创新动能不足。算法创新的活力来源于活跃的开源生态和庞大的开发者社区，但我国算法生态建设仍存在明显短板。一是对国外底层框架的深度依赖。国内主流AI应用多是基于谷歌TensorFlow、Meta的PyTorch等开源框架的二次开发，自主可控的底层框架虽在快速追赶，但在开发者规模和生态丰富度上与国外仍存在较大差距。二是本土开源氛围不够浓厚。国内缺乏可与GitHub、Hugging Face媲美的代码托管平台，对国外平台依赖严重。企业层面的开源行为更多停留在“代码公开”，缺乏围绕开源项目形成的系统性社区治理、贡献激励和商业转化机制。三是高质量数据集供给不足，制约算法训练效果。算法性能的提升高度依赖高质量、多模态的训练数据，但行业数据的碎片化、标注质量参差不齐，部分数据集存在“量大而不精”“可得而不好用”的问题，导致算法陷入“巧妇难为无米之炊”的尴尬境地。
（二）各类主体智能化能力分化且协同不足
智能经济新形态要求形成“大企业建生态、小企业入场景、开发者促创新”的协同格局。但在现实进程中，各类型主体不仅自身能力参差不齐，相互间的协同关系也远未理顺。
第一，大中小企业智能化水平严重分化。不少企业对智能经济缺乏正确认知，大企业“建生态”能力有余但意愿不足，中小企业“入场景”需求迫切但能力欠缺，强弱分化明显。一方面，大型龙头企业数字化基础较好，部分企业已在智能化转型上取得显著成效，但他们生态开放的意愿和力度明显不足。一些企业凭借先发优势构筑封闭生态，以算法专利和数据壁垒维护市场地位，中小企业难以接入其技术平台。另一方面，占市场主体的广大中小企业智能化转型严重滞后。受制于资金短缺、技术人才匮乏、对智能化技术缺乏理解和信任，大量中小企业仍停留在低水平的信息化阶段。据统计，约有87%的中小企业仍处于基础信息化应用阶段。
第二，智能体等新主体的法律地位悬空。智能体（Agent）、人形机器人、自动化决策系统等新型活动参与者的出现，对既有法律主体制度的完善提出了紧迫要求。现行民法体系以自然人和法人为基本主体，对主体的权利能力、行为能力、责任能力均有明确规范。但智能体没有独立的财产，无法独立承担民事责任，其行为指令来自算法模型，决策逻辑存在“不可解释”的黑箱特征，其既非自然人，也难以归入传统法人范畴，在我国《中华人民共和国民法典》中尚不被承认为民事主体。虽现阶段我国已初步构建起涵盖法律、行政法规、部门规章等多个层级的人工智能治理框架，并在算法推荐、深度合成、生成式AI等领域形成了监管基线，但整体治理体系仍以部门规章和专项规则为主，专门针对人工智能的统一基础性法律尚处于论证阶段。因此，当智能体在真实场景中“自主”行动并造成损害时，现有法律框架还不能清晰界定责任，这种主体地位悬置带来的不确定性，在一定程度上也抑制了企业在高风险场景中部署智能体的意愿。
第三，复合型人才供需矛盾突出。智能经济新形态要求劳动者既懂行业知识又通晓人工智能技术，这类复合型人才目前仍然非常短缺。一是高等教育培养体系与产业需求脱节。当前人工智能专业多设在计算机学院，与制造、医疗、农业等行业教育相割裂，学生缺乏跨领域知识融合能力。同时，高校专业调整需要漫长的审批流程，而智能技术的核心能力演进与版本更新节奏已压缩至“月级”甚至“周级”，教育、科技、产业部门之间缺乏有效的协同机制，一定程度上造成了教育与产业脱节。二是产教融合机制不畅。产教融合缺乏足够的激励机制，企业参与人才培养的动力不足，从而造成高质量实习实训平台缺乏。三是现有从业人员数字技能提升渠道有限。大量传统行业的劳动者缺乏转型路径，面临技术性失业风险。人力资源和社会保障部数据显示，我国人工智能领域人才缺口超过500万，而每年高校人工智能相关专业毕业生仅数万人，供给远不能满足需求。
（三）场景供给与落地存在诸多困境
智能经济的技术成熟高度依赖真实场景的持续验证和数据反馈。但在实践中，场景供给侧、数据回流机制和风险兜底制度三个环节均存在梗阻，导致供需两端难以形成“应用牵引技术、技术创造价值、价值反哺应用”的正向循环。
第一，公共场景开放严重不足，企业“想试没处试”的困境突出。当前，大量高质量应用场景集中于公共服务领域，但开放共享的制度化渠道尚未打通，具体表现为三个层面的障碍。一是场景开放缺乏刚性的制度约束。城市交通、医疗健康、公共安全、政务服务等领域蕴含着巨大的人工智能应用潜力，但场景入口多由政府部门控制，开放与否、开放程度高度依赖地方领导的个人重视程度与风险偏好，缺乏统一的、可预期的制度化开放流程。二是场景资源碎片化。各地陆续推出的“场景清单”“揭榜挂帅”项目多为点状、分散的试点，项目间缺乏衔接，经验难以迁移。企业在一个城市、一个行业积累的技术能力，很难在另一个场景中实现复用，导致创新及应用推广成本居高不下。三是场景准入门槛高。公共场景招标往往设置较高的资质门槛和业绩要求，中小企业和初创企业受限于自身条件，难以获得进入真实环境测试验证的机会，场景资源实际上向头部企业倾斜，加剧了创新生态的马太效应。
第二，场景数据反馈机制缺失，尚未形成场景创新反哺技术迭代的闭环。场景的真正价值不仅在于提供测试环境，更在于能产生高质量的真实运行数据以反哺技术迭代。然而，当前技术部署方与应用场景提供方之间，在场景数据的权属、使用权和收益分配上缺乏清晰的制度安排。一方面，在数据权属层面，技术部署方与应用场景提供方之间缺乏清晰的制度安排。医院、工厂、城市管理单位等应用场景方对“数据外流”存在天然的安全顾虑和利益考量，担心核心技术参数或运营信息在数据共享中被竞争对手获取，因此普遍采取保守策略，不愿或不敢向技术方开放数据接口。另一方面，在利益分配层面，场景数据产生的价值归属和分享机制尚未建立。场景提供方贡献数据却难以获得相应回报，技术方急需数据却缺乏合法合规的获取渠道，双方陷入“谁共享谁吃亏”的囚徒困境。这一机制的缺失带来的后果是：大量宝贵的场景实践只留下一次性的测试报告，而未能沉淀为可供模型持续学习的结构化数据资产，“应用—数据—迭代—再应用”的闭环迟迟无法闭合。
第三，风险兜底制度滞后，“不敢试”问题在供需两端同时存在。人工智能技术在真实场景中的部署和测试，天然伴随不可预见的风险。当前的风险治理体系尚未为“试错”提供足够的制度空间，导致供需两端均陷入观望。在供给侧，企业因面临法律风险敞口而不敢投资。当前，我国在人工智能领域的监管沙盒制度仍处于小范围试点阶段，尚未形成全国统一的规则框架，对在真实环境中测试尚不成熟的智能体产品，缺乏有条件的责任豁免机制，一旦发生事故，企业可能面临产品召回、行政处罚乃至品牌声誉崩塌等连锁后果。同时，针对人工智能应用可能导致的第三方损害，强制保险制度尚未建立，风险无法有效分散和转移，企业在算“风险收益账”时倾向于搁置高风险创新项目。在需求侧，消费者因权益保障不足而“不敢用”。目前，智能产品与服务在事故责任认定、数据隐私保护等方面的制度安排尚不成熟，消费者在遭遇损失时往往面临举证困难、维权周期长、赔偿标准不明确等困境，这在一定程度上抑制了消费者对智能产品和服务的消费热情。比如，尽管智能养老机器人、无人配送车、自动驾驶出租车等产品在技术上已相对成熟，其安全性在某些指标上甚至优于人工操作，但公众接受度仍低于预期。
三、打造智能经济新形态的发展理路
打造智能经济新形态的政策调整，不是对传统产业政策的简单修补或机械叠加，而是一场从底层逻辑到治理架构的系统性重构。破解上述打造智能经济新形态面临的现实梗阻，需要围绕要素、主体、场景三个维度协同施策，推动政策重心从“适应性调整”向“预见性重构”跃迁，加快构建与智能经济新形态内在规律相适配的制度体系和治理架构。
（一）深化要素市场化配置改革，构建数据、算力、算法协同发展的生态
破解要素梗阻，关键在于从“管资源”转向“育生态”，让三大核心要素在高效供给、自由流动、协同迭代中释放乘数效应。
第一，加快数据要素市场化配置，打通流通堵点。一是推进数据产权结构性分置。落实数据资源持有权、数据加工使用权、数据产品经营权“三权分置”的制度框架，细化公共数据、企业数据、个人数据的分类分级确权授权规则，为数据流通提供清晰的法律依据。探索在工业、金融、医疗等数据价值高、主体意愿强的行业，率先建立数据产权登记制度，形成可复制、可推广的规则模板。二是建设全国统一的数据交易市场体系。统一数据交易规则、定价指引和信息披露标准，推动各地数据交易所从“分散挂牌”走向“互联互通”。鼓励发展数据经纪、数据资产评估、数据合规审查等第三方服务机构，降低数据交易的搜寻成本和信任成本。三是强化数据流通技术支撑。加大对隐私计算、联邦学习、可信数据空间等技术的研发投入和推广应用力度，支持在医疗、金融、制造等数据敏感领域建设一批可信数据流通试点，以“技术可信”替代“主体信任”，破解“数据安全”与“数据流通”的两难悖论。
第二，优化算力资源布局，推动算力从“设施”转向“服务”。一是统筹全国一体化算力网络建设。深入推进“东数西算”工程，完善东西部间的算力调度、价格结算和利益分享机制，探索建立国家级算力统筹调度平台，引导东部AI训练等重算力业务向西部转移。二是加快国产AI芯片生态建设。以新型举国体制集中攻关高端AI芯片“卡脖子”环节，同时强化国产芯片与主流深度学习框架的适配，降低企业从国外生态迁移的门槛。三是转变算力供给模式。制定算力计量、计费、服务等级协议等标准，培育第三方算力服务商，形成政府引导、市场主导的算力服务生态。引导地方从“建设智算中心”转向“采购算力服务”，对已建成项目强化运营考核和利用率监测，防止盲目新建。鼓励发展算力租赁、算力电商等新型服务业态，让中小企业和开发者能够以“即开即用”的方式获取弹性算力。
第三，培育本土算法开源生态，夯实自主创新根基。一是加大对国产开源框架的扶持力度。设立国家开源专项基金，重点支持具有自主知识产权的底层框架持续迭代和生态建设，对在核心技术领域作出突出贡献的开源项目给予长期资助。二是建设世界级开源基础设施。打造自主可控的代码托管平台和模型托管平台，吸引全球开发者在平台上协作创新，构建具有国际竞争力的开源社区生态。三是强化高质量数据集供给。围绕智能制造、智慧医疗、智慧农业等重点领域，组织建设一批高质量、多模态的行业训练数据集和测试基准，完善数据标注规范、质量评估体系和更新维护机制，为算法创新提供充足的“原料”保障。
（二）构建多层次主体支撑体系，激发全类型参与者的智能化活力
激发主体活力，需要从企业、新主体、人才三个层面同步发力，构建包容多元、梯度衔接、协同共进的主体支撑体系。
第一，分类施策推动大中小企业智能化协同发展。一是引导龙头企业开放生态体系。将生态开放度纳入“链主”企业、专精特新“小巨人”企业的评价体系，通过税收优惠、试点示范等政策工具，激励龙头企业向行业开放AI中台、数据平台和供应链资源。对以算法垄断、数据封锁等方式实施排他性行为的企业，适时启动反垄断调查，以竞争政策维护生态公平。二是构建中小企业智能化转型支撑体系。全面推广“算力券”“数据券”“数字化转型伙伴机制”等创新举措，通过政府采购和社会化服务相结合的方式，为中小企业提供低成本的智能化诊断、方案设计和技术接入服务。在有条件的地区和行业率先建设中小企业智能化转型公共服务平台，降低转型的认知门槛和成本门槛。
第二，加快健全人工智能治理法律体系，为新主体提供制度确定性。一是推进人工智能统一立法。在现有部门规章和专项规则的基础上，加快论证并制定统一的人工智能基础性法律，明确人工智能研发、部署、运营各环节的主体责任划分，为智能体等新主体的法律地位提供制度锚点。在统一立法出台前，可先行推出司法解释或指导意见，围绕智能驾驶、智能医疗、智能客服等高频应用场景出台分类责任认定指引，缓解实践中的“无法可依”困境。二是完善责任分担机制。在坚持“人类主体责任”的基本立场下，构建以“开发者—提供者—部署者—使用者”为核心的多层责任分担框架，明确各环节主体的主要义务和安全保障标准。对高风险AI应用场景，探索引入强制责任保险制度，由多方主体共同分担风险，降低单一主体的风险敞口。三是积极参与全球AI治理规则制定。密切跟踪欧盟《人工智能法案》等国际立法动态，在保持制度自主性的同时，推动我国治理框架与国际规则有序衔接，提升我国在全球AI治理中的话语权和影响力。
第三，构建产教融合的复合型人才培养体系。一是推动学科交叉融合。建立教育、科技、产业部门的常态化协同机制，动态调整专业目录和课程体系，缩短专业设置调整周期。鼓励高校打破学院壁垒，设置“人工智能+行业”交叉专业和微专业，在制造、医疗、农业、金融等应用学科中嵌入AI课程模块，培养复合型人才。二是深化产教协同育人。通过税收优惠等方式鼓励龙头企业与高校共建联合实验室、实训基地和现代产业学院，将企业的真实数据、真实场景、真实问题引入教学环节，缩短人才培养与产业需求的对接周期。三是加强在职劳动者数字技能培训。建设国家数字技能培训平台，制定面向智能经济一线岗位的技能人才专项培训计划，为传统行业劳动者提供免费或低成本的AI技能培训课程，帮助其顺利转型。对受AI替代冲击较大的行业和群体，制定专项转岗补贴制度和再就业支持计划，依托职业院校和龙头企业，定向培养数据标注师、智能系统运维员、提示词工程师等应用型人才，填补“即插即用”人才缺口，防范技术性失业风险。
（三）健全场景牵引机制，打通从技术突破到市场扩散的“最后一公里”
破解场景梗阻，需要在场景开放、数据回流和风险治理三个环节构建制度闭环，让应用成为技术迭代的加速器而非阻碍因素。
第一，建立刚性约束的公共场景开放制度。一是制定国家层面的公共场景开放管理办法。明确各级政府开放AI应用场景的责任清单和时间表，将场景开放纳入数字政府建设和营商环境优化的考核体系中，形成制度化、可预期的开放流程。二是建立跨区域、跨行业的场景统筹机制。编制国家AI应用场景图谱，聚焦智能制造、智慧交通、智慧医疗等重点领域，推动场景规划从“零散试点”走向“整体布局”，避免各地重复建设和低水平竞争。三是降低中小企业的场景准入门槛。在公共场景项目中设置中小企业专项配额，简化资质要求和审批流程，让更多创新主体获得在真实环境中验证产品的机会。
第二，建立场景数据强制回流与激励机制。一是出台场景数据回流管理办法。明确应用场景中产生的数据权属和数据回流规则，原则上要求使用公共场景资源的企业必须在合规前提下将脱敏后的运行数据反哺技术平台或公共数据池，确保场景收益共享。二是建立场景数据价值评估与交易机制。对场景贡献方给予合理的经济激励或政策补偿，将场景方从“被动开放者”转变为“主动参与方”。三是建设场景数据共享基础设施。依托可信数据空间等技术，打造行业级场景数据共享平台，实现数据的安全汇聚和高效流通。
第三，加快完善风险治理与试验容错制度。一是加快推出国家层面的监管沙盒制度。扩大监管沙盒覆盖范围，在更多城市和领域设立监管沙盒，并在总结地方试点经验的基础上，尽快出台统一的监管沙盒管理办法，明确沙盒的准入条件、运行规则、退出机制和责任豁免条件，为高风险AI产品提供受保护的真实环境测试空间。二是建立AI产品强制责任保险制度。针对自动驾驶、智能医疗、具身智能机器人等高风险应用领域，强制要求部署方购买第三方责任险，由保险公司参与风险评估和风险定价，形成市场化的风险分担机制。三是完善消费者权益保护制度。在智能产品和服务领域，明确经营者的信息披露义务、安全保障义务，以及举证责任分配规则，畅通智能产品消费者维权绿色通道，引入举证责任倒置或第三方技术鉴定机制，让消费者“投诉有门、维权有路”。同时，借鉴新兴产业培育经验，通过“首购首用”补贴、保险补偿等方式降低消费者采用新技术的风险感知，提高智能产品和服务的市场接受度。
当前，我国在要素流通、主体协同与场景落地上的梗阻，并非单一环节失灵，而是工业时代治理框架与智能时代生产力之间的结构性错配。面对技术创新多点突破、开源生态全球领先，产业规模快速扩张、产业链条持续完善，基础设施加快建设，算力和数据支撑不断增强的蓬勃发展之势，实现智能经济新形态的崛起和持续发展，还需要推动治理逻辑从静态资源调配转向全生态培育，围绕要素、主体、场景三大维度构建完整政策框架，促进法律制度、产业政策、体制机制、监管模式的创新升级。必须在制度供给与技术创新之间建立起动态适配、协同演进的良性关系，加快数据要素市场化、全国一体化算力网络、本土开源算法体系建设，完善人工智能法律与风险分担机制，补齐人才产教融合短板，建立完善场景开放、数据回流、监管沙盒容错制度，打通从技术突破到产业扩散的“最后一公里”，搭建适配智能经济运行规律的现代化治理体系，充分释放人工智能赋能实体经济的乘数效应，持续夯实我国全球数字产业竞争优势，以智能经济新形态助力高质量发展。
（作者：习近平经济思想研究中心副主任、研究员 盛朝迅，习近平经济思想研究中心助理研究员 陈迪；本文发表于《江西社会科学》2026年第7期）
排行榜