浙江清华长三角研究院大数据与宏观经济研究中心以“数据驱动决策、智能赋能发展”为使命，致力于推动大数据技术与国民经济研究的深度融合。在宏观经济推演、产业智能筹谋与科技政策三大领域，构建覆盖数据采集、分析建模与决策输出的全链条技术体系，为政企事业单位的战略布局和科学发展提供精准支撑。本文聚焦生成式人工智能的演进，针对资源集中与合规风险，强调未来治理需前置化，提出唯有技术生态与治理体系稳定互动，方能实现可持续发展。
摘要：生成式人工智能的发展，正在推动人工智能从技术突破走向更深层的产业扩散与制度调整。本文从技术演进、产业扩散和治理转型三个层面出发，分析大模型时代人工智能发展的主要特征。文章认为，人工智能的竞争已不再局限于模型性能提升，而越来越取决于算力基础、工程化能力和制度环境的共同支撑。与此同时，资源集中、数据合规和可信风险等问题也在扩张过程中不断显现。未来，人工智能治理将进一步走向前置化，并更加重视社会主体的使用能力与责任建设。人工智能的长期发展，不只取决于技术进步，也取决于技术生态与治理体系能否形成稳定互动。
关键词：生成式人工智能、产业扩散、资源集中、技术治理、能力建设
1 引言
人工智能（Artificial Intelligence，AI）已逐渐成为推动新一轮科技革命与产业变革的关键通用技术。近年来，随着深度学习、大规模算力基础设施以及海量数据资源的协同发展，人工智能技术正在从实验室研究阶段加速迈向产业化应用阶段。尤其是以大语言模型为代表的生成式人工智能（Generative AI）的快速发展，使AI系统在文本生成、图像创作、编程辅助以及复杂推理等任务中展现出前所未有的能力，显著拓展了人工智能的应用边界。当前，人工智能已广泛渗透至医疗、制造、金融、教育等多个关键领域，并在推动产业结构升级、生产效率提升和商业模式创新方面发挥重要作用。
与此同时，人工智能产业的竞争格局也在迅速演化。从全球范围来看，AI产业呈现出明显的区域化发展态势：美国在基础模型研发、算法创新以及算力基a础设施方面保持领先地位[1]，中国则依托庞大的应用市场和政策支持推动人工智能在智能制造、智慧城市和数字政务等场景中的落地[2]，而欧盟则更加注重人工智能的伦理治理与制度规范建设[3]。随着各国政府相继出台国家级人工智能战略、监管政策以及产业扶持计划，人工智能的发展已不再仅仅是企业之间的技术竞争，而逐渐演变为涵盖技术、产业、制度与治理体系的综合竞争。
从更宏观的视角看，人工智能的发展本身不再是单一技术突破的线性过程，而是一项同时牵涉战略目标、能力建设与风险规制的复杂系统工程。人工智能既关系到国家竞争新优势和生产力跃迁新动能，也要求在战略牵引、技术支撑与边界保障之间形成协同联动、动态平衡的发展生态；其推进过程呈现出明显的整体性、动态性与开放性特征。与此同时，人工智能还具有较强的溢出带动效应，能够与制造、农业、金融、医疗等领域深度融合，进而推动产业智能化跃升和智能经济形态加速形成。由此来看，生成式人工智能浪潮下的全球竞争，已经不能仅从模型能力或企业创新来理解，而需要放在技术演进、产业组织与治理体系协同重构的框架中加以分析[4]。
然而，当前关于人工智能发展的讨论，往往仍集中于算法能力提升、模型规模扩展以及技术性能突破等层面，而对人工智能产业生态结构、全球竞争模式以及技术治理机制之间的关系关注不足[5][6]。事实上，随着大模型训练成本的急剧上升、算力资源集中趋势的加剧以及数据合规与版权问题的不断出现[7]，人工智能的发展正逐渐暴露出一系列结构性挑战。例如，大模型训练所需的高昂成本和能源消耗，使人工智能创新能力在少数大型科技企业和研究机构之间高度集中；与此同时，算法幻觉、深度伪造以及自动化内容生成所带来的社会风险，也正在推动各国政府加速构建人工智能治理框架[8]。
在这一背景下，理解人工智能产业的发展，不仅需要关注技术本身的进步，更需要从产业生态和制度环境的角度进行综合分析。人工智能正在从以单一技术突破为核心的发展阶段，逐步转向以算力基础设施、数据资源、开发者生态以及监管制度协同演化为特征的新阶段。换言之，全球人工智能竞争正在从“技术能力竞争”转向“产业生态竞争”与“治理能力竞争”的复合形态。
2 生成式AI的技术演进与产业扩散机制
近年来，人工智能不仅成为推动技术创新的重要力量，也逐渐演变为影响产业结构与社会发展的关键通用技术。从技术发展路径来看，人工智能在演进过程中逐步形成了技术创新、工程实践与可信安全相互交织、协同推进的发展格局[9]。首先，在技术创新维度上，深度学习持续突破，核心能力不断提升，算力基础持续夯实。计算机视觉、智能语音、自然语言处理等领域算法持续迭代，单点算力显著增强；算力芯片从GPU逐步拓展至ASIC、FPGA及类脑芯片等多种形态，为超大规模模型的训练与部署提供了基础支撑。
其次，在工程实践维度上，产业工具链与工程化能力日益成熟，推动AI从实验室走向产业化落地。围绕数据标注、清洗、模型开发训练、部署与运维的全周期工具链逐渐成型，MLOps等自动化运维体系日益完善，使人工智能具备了可复制、可扩展的产业化能力。
再次，在可信安全维度上，产业界对系统可靠性、可控性与安全性的重视持续提升，可信人工智能理念正加速转化为治理实践。随着超大规模模型不断涌现，相关讨论从学术层面向国际组织、政府部门和企业实践延伸，推动标准制定、评估工具开发与治理框架构建，为人工智能的负责任发展提供制度保障。
由此可见，当前人工智能的发展已不再只是单纯追求模型能力提升的技术竞赛，而是在技术突破、工程落地与安全治理三者相互耦合中不断演进，并共同塑造其产业化和社会化应用的现实边界。
需要强调的是，生成式智能并非技术演进的终点。近期研究在界定大语言模型能力边界时指出，大语言模型推动了以自然语言为核心的交互范式，但在物理世界建模与复杂任务决策方面仍存在明显瓶颈，因此研究正转向以世界模型为核心的探索方向，尝试通过构建服务于决策的环境内部仿真系统来增强预测、规划与行动能力[10]。这一变化也意味着，人工智能的产业化扩散不再只是模型性能的单点提升，而更依赖于技术能力如何被组织化、工程化并嵌入具体业务流程。
在产业层面，大模型时代的扩散更接近一种由“算力—数据—模型”三大核心要素与工程化体系共同驱动的系统性推进过程，而非单一技术突破的线性外溢[11]。上游环节主要由智算基础设施、高质量数据资源与基础模型构成产业底座。其中，算力与芯片供给决定模型训练、推理与部署的能力边界，云平台和开放智算生态则在基础设施与应用主体之间发挥关键连接作用；数据作为大模型持续演进的“燃料”，其重要性已从单纯规模积累转向质量优先，行业数据的专业性、可用性与合规性日益成为模型适配和产业落地的关键约束；基础模型则通过提供跨行业迁移与复用能力，降低了企业从零训练专用模型的门槛，使“通用底座+行业微调”逐渐成为更具经济性的落地路径。
中游环节主要体现为模型训练服务、开发工具链、MaaS 平台及相关工程化能力的成熟，其核心作用在于将模型能力转化为可调用、可部署、可运维的产业能力。围绕数据治理、训练提速、推理优化、应用开发、监测评估与运营管理所形成的全链路工具体系，正在降低大模型应用开发门槛，并推动模型服务从“能用”走向“好用”，进一步支撑权限管理、成本控制、版本迭代与合规治理等持续性需求。
下游应用层则表现出由高价值场景率先突破、再向更多行业扩散的总体特征。根据相关研究，人工智能应用通常优先在数字化基础较好、数据资源较充足、业务流程较清晰的领域实现落地，并进一步向研发设计、生产制造、运营管理和服务延伸等环节渗透。尤其是在工业、金融、医疗、政务等场景中，大模型与业务系统的融合正在从单点试验走向平台化、集成化应用，逐步形成较为稳定的人机协作模式与场景价值闭环。
总体而言，大模型扩散的决定因素正逐渐从单点技术能力扩展为资源供给、工程平台与场景组织能力之间的协同水平。也正是在这一协同不断常态化的过程中，人工智能产业发展进一步暴露出算力与资本向头部集中、高质量数据获取与治理压力上升、模型可信性与安全性要求不断提高等结构性问题，为后文讨论资源集中、数据治理与可信风险等议题提供了现实背景。
3 人工智能发展面临的挑战：资源集中、数据治理与可信度危机的结构性矛盾
尽管人工智能产业在全球范围内持续扩张，但大模型时代的技术扩散并未自动导向低门槛、均衡化的普惠路径。随着模型规模扩大和应用范围延伸，AI发展的结构性瓶颈日益突出：一方面，训练与部署对算力、资本和人才的依赖显著增强，推动创新资源加速向头部机构集中；另一方面，数据来源、版权归属与隐私保护等问题不断显现，直接影响模型训练的合法性与可持续性；与此同时，生成式AI固有的不确定性、幻觉和内容失真问题也在高风险场景中持续暴露，进而引发对可信使用的广泛质疑。整体来看，AI产业正处于快速扩张与制度反思并存的阶段，其未来竞争力不仅取决于技术迭代速度，也取决于能否在资源、规则与信任之间建立稳定平衡。
首先，算力成本与资源集中正在成为大模型扩张的重要约束。随着参数规模上升、训练周期拉长以及部署需求增加，模型研发越来越表现出资金、硬件和组织能力高度密集的特征。这种成本结构使前沿模型训练与持续优化更容易集中在大型科技公司、头部研究机构和少数具备资源优势的平台之中，中小企业、高校和一般公共机构则更难独立承担高水平模型研发。更重要的是，算力并不只是成本变量，也是一种决定技术路线和产品节奏的战略资源。当高性能芯片、云平台和基础设施能力成为关键入口时，掌握这些资源的主体更容易形成平台化优势，并进一步扩大创新能力上的分化。
与算力成本相伴随的，是能源消耗与环境压力的上升[12]。大模型训练、部署和持续微调都需要大量电力、冷却和基础设施支撑，其外部性已不再只是企业内部的运营问题，而会逐步外溢到碳排放、用水压力、电网负荷和城市公共资源配置等更广泛的治理议题之中。随着AI逐渐嵌入社会基础设施，能效问题很可能从技术优化议题上升为产业政策和公共政策问题，并推动绿色AI、节能部署和高效推理成为未来竞争的重要方向。
其次，数据来源、隐私与版权治理正在成为AI产业化的合法性挑战[13]。大模型训练高度依赖大规模语料，但语料的获取方式、授权边界和透明披露机制仍处于快速演化之中。随着相关争议不断增多，数据问题已经不再只是道德层面的讨论，而是越来越直接地转化为市场准入与商业化条件。尤其是在跨境提供模型服务的情境下，企业往往需要同时面对不同司法辖区关于版权、隐私、偏见控制和信息披露的要求，这使数据治理能力逐渐成为模型能力之外的另一种核心竞争力。从产业发展角度看，能否获得可用数据、以何种方式使用数据、以及是否具备合规治理机制，正在越来越深地影响模型落地的范围与速度。
再次，生成式AI的可信度危机正在限制其在高风险领域的落地深度。即便模型在多项任务中表现出较强能力，其输出仍可能出现事实错误、逻辑偏差和不确定内容伪装为确定结论的情形。在法律、医疗、金融等对准确性和责任要求较高的场景中，这种问题尤其敏感，因为模型失误不仅影响结果质量，也可能影响组织决策与公共安全。更值得警惕的是，可信度问题并不只是一种技术缺陷，它还会引发责任链条的模糊：当模型输出被嵌入业务流程或公共服务环节，错误究竟由模型开发者、部署机构还是最终使用者承担，往往缺少清晰的制度安排。同时，可信度危机也正在从模型层面外溢到信息生态层面。随着大语言模型、深度伪造和智能体技术持续扩散，图像、文本和声音的真实性边界变得更加模糊，公众对信息真实性的判断基础受到削弱，公共信任与社会共识也面临新的侵蚀风险。
综合来看，大模型时代的AI发展并不是单纯的技术升级，而是一种将资源结构、法律边界与信任机制同时推到前台的系统性变迁。算力与能源使创新能力更趋集中，数据与版权问题提高了合规成本与准入门槛，幻觉与可信度危机则迫使社会重新划定人机协作中的责任边界。由此带来的并非若干孤立问题的叠加，而是技术扩张过程中技术、制度与伦理持续耦合的结构性张力。也正因如此，全球治理机制正在加速形成：只有当资源配置、规则建构与信任维护能够被制度化协调，AI才可能从高强度扩张真正走向可持续的规模化应用。
4 AI治理与未来趋势：从风险框架到能力建设的双轨演进
未来一段时期内，人工智能治理的重心将不再停留于风险暴露后的应急补救，而会进一步转向治理前置化与能力社会化并进的双重路径。随着大模型能力持续扩张、产业应用不断下沉，人工智能正越来越像一种嵌入组织流程、公共服务与社会协作体系中的基础能力，而不仅是单纯意义上的技术工具或商业产品。也正因如此，决定人工智能能否实现可持续扩散的关键，未必只是模型性能还能提升多少，更在于治理体系能否提前嵌入技术研发、部署和运维过程，为扩散提供稳定边界，同时社会各类主体能否在低门槛使用条件下形成与之相匹配的判断力、责任意识与制度安排。
从全球监管趋势看，风险分级与治理前置化将继续成为人工智能治理的重要方向。欧盟《人工智能法案》以风险等级对人工智能系统进行分类，并对高风险系统设置更严格的透明披露、数据治理、可追溯性和人为监督要求，体现出一种将治理要求嵌入技术生命周期全过程的制度思路。美国虽然在路径上更强调行政协调、跨部门合作与风险评估，较少采取欧盟式的统一立法约束，但其治理逻辑同样在向“更早介入”推进，即通过安全、可信和可靠使用的框架，将监管触角延伸至研发、测试、部署和使用环节。两种路径背后的共同趋势在于，人工智能治理正在从外部约束逐步转向内生嵌入，企业需要在产品设计和组织流程中同步处理安全、合规与责任问题，而不能把治理理解为技术扩散之后的附属修补。
更值得注意的是，人工智能治理复杂性的提升，并不仅仅源于监管强度的增加，更在于技术扩散机制本身正在发生变化。随着低代码平台、开源模型、API工具链和行业化工作流的持续普及，人工智能的开发、调用与再组织能力正逐步由少数技术企业和专业开发者向更广泛的社会主体扩散。教师、设计人员、基层医疗工作者、中小企业以及普通用户，均可能借助预训练模型构建面向具体任务的智能体系统、辅助决策工具或内容生产流程。技术门槛的下降一方面拓展了创新空间，另一方面也重塑了治理对象的结构。由此，治理所需回应的重点问题，已不再局限于头部技术企业的合规性，而进一步延伸至非技术主体对于模型能力边界的认知程度、风险判断能力与责任意识，以及各类组织能否形成与人工智能应用相适配的内部规范与制度安排。人工智能的普及本身即涉及社会正义与能力分配问题，因此，治理不应仅被理解为对技术风险的外部限制，还应被视为围绕技术可及性、理解能力与后果承担机制所展开的制度建构过程[14]。
这也意味着，未来人工智能治理将更多地体现为一种围绕使用能力、风险认知与制度适配展开的“能力治理”。在教育、信息获取与内容生产等场景中，大语言模型已表现出内容生成、知识组织与辅助反馈的应用潜力，但同时也伴随着错误信息扩散、偏差放大、能力幻觉与过度依赖等问题。已有研究指出，生成式AI工具的使用效果在相当程度上取决于使用者的数字素养与人工智能素养，尤其是其对模型能力边界的理解及信息判断机制的形成[15]。因此，未来治理的重点将不再局限于技术合规性本身，而会进一步延伸至广泛使用主体的能力基础、责任意识与组织内部制度安排。
从技术演进趋势看，治理与能力建设并重的特征还将进一步强化。当前大模型正沿着多模态融合、更高效参数组织方式和更低成本部署路径持续演进，专家混合、参数高效微调、模型蒸馏与量化部署等方法不断降低运行门槛，绿色AI与能效优化也逐步进入产业评估与政策讨论视野。与此同时，人机交互方式的自然化与跨模态能力的增强，正在推动人工智能更深地嵌入教育、医疗、办公、创意和公共服务等社会场景[16]。模型可用性的提升并未降低治理难度，反而因数据类型扩展、应用链条延长与参与主体增多，使透明性、可解释性、可追溯性与责任划分等问题更加突出。由此，未来治理面对的对象将不再只是单一模型，而是由模型、平台、组织流程与用户行为共同构成的复杂技术社会系统。
由此看，未来AI发展的关键，不仅在于模型能力的持续提升，更在于其将以何种制度条件和社会能力结构嵌入现实场景。一方面，风险分级监管、高风险应用门槛提升与治理前置化仍将持续推进；另一方面，开放平台、工具链下沉与低门槛调用也将促使更多主体参与AI的应用与塑造。未来AI发展的总体格局，或将表现为治理边界强化与能力扩散并行推进的双轨结构。真正决定人工智能能否实现可持续规模化应用的，不只是技术性能本身，而是治理体系能否提供稳定且可预期的制度边界，以及社会能否在技术门槛下降的同时形成与之相适配的能力基础与责任共识。
5 AI作为基础设施能力的兴起与“生态—治理”共同演化
大模型推动的并不只是人工智能性能边界的提升或工具形态的更新，更是其产业组织方式与制度回应方式的同步转型。随着通用模型、行业微调、工具链平台与模块化调用方式逐渐成熟，人工智能正由单点应用的技术产品转向可迁移、可复用、可嵌入的基础设施型能力，其扩散逻辑也由单纯的技术外溢转向生态协同与治理嵌入共同驱动。一方面，模型能力的平台化供给显著降低了应用开发门槛，使创新活动越来越依赖算力供给、数据治理、工程化平台与场景组织能力之间的协同；另一方面，全球AI竞争的重心也由单一技术领先延伸至基础设施稳定性、数据合规能力、行业交付体系与治理框架有效性之间的综合竞争。正是在这一过程中，资源集中、数据合规与可信度风险等结构性张力不断累积，表明人工智能的持续扩张已不可能仅依靠技术迭代自行完成，而必须以制度设计、风险治理与社会能力建设作为支撑条件。
未来，人工智能更可能沿着“能力提升—成本优化—治理前置—社会扩散”的路径继续演进：模型将进一步增强通用性与适配性，能效优化与参数高效技术将缓解部署成本压力，风险分级监管与责任机制将更加嵌入技术生命周期，而技术使用门槛的持续下降也会使AI素养、组织规范与制度适配性成为影响扩散质量的重要变量。由此看，人工智能的长期前景并不取决于单一模型能力指标的上升，而取决于技术生态与治理体系能否形成相互支撑的共同演化关系，即在推动创新扩散的同时控制风险外溢，并在资源与能力下沉过程中维持基本的责任边界与社会信任。
本文版权归浙江清华长三角研究院大数据与宏观经济研究中心所有。任何个人或组织在未经书面授权的情况下，严禁以任何形式复制、转载、改编、整合、公开传播或用于商业用途。我们保留对所有侵权行为的法律追责权利。如需引用观点，请确保在合理使用范围内进行片段化、明确署名且非商业性的引用，并附上原文链接。
[1]Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2025 [EB/OL]. (2025)[2026-03-08]. https://hai.stanford.edu/ai-index/2025-ai-index-report
[2]The State Council of the People’s Republic of China. China advances AI standard system construction [EB/OL]. (2024-07-02)[2026-03-08]. https://english.www.gov.cn/news/202407/02/content_WS668403b6c6d0868f4e8e8c85.html
[3]European Commission. EU Artificial Intelligence Act: regulatory framework for AI [EB/OL]. (2024)[2026-03-08]. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
[4]程海东,赵欣研,陈凡.习近平总书记关于人工智能重要论述的系统论探析[J/OL].系统科学学报,2026,(04):1-8[2026-03-09].https://link.cnki.net/urlid/14.1333.n.20260226.1140.002.
[5]Marty F, Warin T. Territorial Control of Data and Compute in Generative AI: A New Paradigm of Competitive Advantage[M]. CIRANO, 2025.
[6]Pernot-Leplay E. The Global AI Dilemma: Balancing Innovation and Safety in the European Union, the United States, and China[J]. Georgetown Journal of International Affairs, 2025, 26(1): 264-273.
[7]Ahuja V K. Artificial intelligence and copyright: issues and challenges[J]. ILI Law Review Winter, 2020 (2020).
[8]Salvagno M, Taccone F S, Gerli A G. Artificial intelligence hallucinations[J]. Critical Care, 2023, 27(1): 180.
[9]中国信息通信研究院. 人工智能白皮书（2022年）[EB/OL]. 北京: 中国信息通信研究院, 2022[2026-03-09]. https://www.caict.ac.cn/
[10]王利民,朱光辉,吴涛.大模型技术演进：世界模型让人工智能从感知走向决策(特邀)[J].计算机工程,2226,52(02):1-6.DOI:10.19678/j.issn.1000-3428.0253281.
[11]中国信息通信研究院. 人工智能产业发展研究报告（2025年）[R]. 北京: 中国信息通信研究院, 2026.
[12]王永中,刘东升.人工智能发展对全球能源需求的影响分析[J].煤炭经济研究,2026,46(01):180-185.DOI:10.13202/j.cnki.cer.2026.01.19.
[13]李甜,孙一鸣,董振江,等.大模型数据安全与隐私保护研究综述[J/OL].物联网学报,1-18[2026-03-09].https://link.cnki.net/urlid/10.1491.TP.20251212.1043.002.
[14] Buccella A. “AI for all” is a matter of social justice[J]. AI and Ethics, 2023, 3(4): 1143-1152.
[15] 董焕晴,曹高辉,庹沛.生成式AI工具用户信息搜寻行为形成路径——以数字素养与人工智能素养为视角[J].图书馆论坛,2025,45(10):152-160.
[16] 王大可,李菁菁.生成式AI、多模态分析与算法权力：2025年国际计算传播研究的知识结构与前沿热点[J/OL].新媒体与社会,1-19[2026-03-09].https://link.cnki.net/urlid/CN.20260205.1103.002.