核心观点 - 北京市政协委员、百望股份创始人陈杰建议，北京市应扩大“算力券”发放规模与覆盖范围，调整支持重点，使算力成为企业“用得起、用得好”的公共资源，并加强AI复合型人才培养 [1][3] 政策与资源支持建议 - 建议将政策支持重心从基础大模型研发向“垂直行业应用”延伸，例如重点支持财税大模型、供应链风控大模型等垂直行业大模型的研发 [3] - 建议针对企业利用国产算力芯片进行模型适配和微调产生的费用，给予更高比例的补贴，以降低企业算力负担 [3] - 建议对于开展市级重点“AI+”示范应用的企业，提供“分时段、低成本”的算力服务，例如利用夜间闲置算力，避免企业硬件重复投入，实现社会资源最优配置 [4] 行业人才挑战与建议 - 行业面临复合型实战人才极度匮乏的问题，既精通AI前沿技术又深谙垂直行业Know-how的人才稀缺，例如在金融垂直大模型行业，懂算法者不一定了解税务抵扣链条或供应链金融逻辑 [4] - 指出高校教育侧重通用理论与算法模型，与企业需要解决具体业务问题的“实战派”人才之间存在脱节，企业招聘难以实现“拿来即用” [4] - 建议政府设立专项基金，支持行业头部企业与在京高校深度合作，共建实训实验室、进行数据与场景共享，让学生在校期间接触真实业务问题 [5] - 建议打破高校与企业间的人才围墙，鼓励高校科研人员到企业挂职“首席科学家”，企业技术高管进入高校担任“产业导师”，并通过职称评定、科研经费配套、人才落户等政策倾斜提升跨界流动积极性 [5]

AI产业融合趋势 - AI与重点产业融合拥有万亿元人民币级增量空间，发展核心从工具赋能、业务融合迈向商业演进和生态重塑[1] - AI应用从单点尝试转向系统融合，逐渐融入核心业务流程并与IT应用系统深度融合[1] - 企业不再一味追求大模型，参数更少的小模型因成本低、响应快、数据隐私保护好在特定场景成为更经济实用选择[1] - AI应用重点从提升效率转向直接变现，越来越多用于创造新收入来源和商业模式[1] 重点应用领域 - 金融、医疗、制造等领域是AI+重点产业主战场，制造领域以智能升级为核心驱动自动化与良品率提升[1] - 垂直行业大模型成为规模化商业化重点，医疗领域AI辅助诊断系统和AI驱动药物研发，金融与法律领域智能风控、智能投顾、合同审查、合规预警等场景显现巨大潜力[2] - AI智能体应用从概念验证走向生产环节，开始处理企业核心业务，包括企业服务中AI客服、AI排班、AI运营等服务，以及制造业流程自动化、供应链优化、仓储管理等[2] 产业发展瓶颈 - 数据瓶颈表现为数据质量差、存在噪声与缺失，形成数据孤岛，难以实现数据-模型-反馈闭环，制约模型优化[2] - 技术瓶颈包括AI研发与算力成本高，通用大模型与专业场景适配难，开发行业小模型需要深厚领域知识，大模型幻觉和黑箱特性在工业、医疗等场景面临信任危机[2] - 人才瓶颈体现为既懂AI又懂行业的复合型人才稀缺[3] - 商业变现与合规瓶颈除降本外AI增收商业模式尚不清晰，数据隐私、算法公平性等合规要求日趋严格[3] 突破路径 - 突破瓶颈需多方协同，技术侧需发展高效、可解释的垂直模型，企业侧需加强数据治理并推动组织转型，政策侧应加快标准制定与生态建设[3]