摘 要：以人工智能为核心驱动的智能经济，正作为一种更高阶的经济形态重塑全球生产范式。从政治经济学视角考察，智能经济的本质并非数字经济的简单延续，而是源于生产方式的深刻变革。以智能体为代表的新型劳动资料历史性地将马克思一般智力理论转化为能动的生产力。然而，当前我国发展智能经济仍面临核心技术“卡脖子”、劳动力结构性错配、数据要素治理困境以及人工智能伦理风险等多重挑战。发展智能经济，应构建政府与市场有机结合的协同创新体系，推动科技创新和产业创新的深度融合，培育与智能经济相适应的新型劳动者，夯实数据高质量供给与安全治理基础，构建以人为本的伦理规范和全球治理合作框架。
关键词：智能经济；数字经济；人工智能；数据要素；新型经济形态
作者简介：周文，复旦大学特聘教授，复旦大学马克思主义研究院、马克思主义经济学中国化研究中心博士生导师；杨正源，复旦大学马克思主义研究院博士研究生。
引用格式：周文，杨正源.论智能经济：内涵特征、发展态势与战略选择［J］.改革，2025（9）：1-15.
在全球科技革命和产业变革加速演进的时代背景下，“人工智能作为引领新一轮科技革命和产业变革的战略性技术，深刻改变人类生产生活方式”。这一变革不仅体现在对生产效率的提升上，更在于其从根本上改变了生产要素的构成和组合方式，为智能经济这一全新经济形态的诞生奠定了坚实基础。
智能经济是以数据为关键生产要素、以算力为核心基础支撑、以算法为核心驱动力的新型经济形态，其发展直接关乎新质生产力的形成和发展。智能经济的本质，是作为新型劳动资料的智能体的崛起，它将马克思所预言的“一般智力”从被动固化的知识体系，历史性地转变为能够自主感知、决策并执行复杂任务的能动生产力，从而引发生产方式的系统性重构。从全球范围来看，2022年底基于Transformer的大语言模型（LLM）得到迅猛发展，AI在自然语言理解、多模态生成和推理能力上形成突破，进一步催生了智能经济的蓬勃发展态势。世界主要经济体已纷纷将发展智能经济提升至国家战略高度，并呈现各具特色的发展路径。
在人工智能推动全球经济范式深刻重塑的时代背景下，一个重要的理论和现实问题随之浮现：中国如何通过深入实施“人工智能+”行动，将数据资源丰富、产业体系完备、应用场景广泛的独特优势，转化为发展智能经济的可行路径，催生一场以新基础设施、新技术体系、新产业生态、新就业岗位为表征的系统性重塑，并最终探索出一条使全体人民共享人工智能发展成果、更好地服务于中国式现代化建设的智能经济新范式。
准确把握智能经济的内涵，是科学制定发展战略、抢占全球竞争制高点的前提。若将智能经济简单等同于数字经济的延伸，则难以揭示其在生产方式层面的革命性变革。这里通过回溯马克思“一般智力”范畴，确立智能经济的理论源头，并以劳动资料的质变为标准，辨析其与数字经济的本质区别。在此基础上，系统阐释其“数据驱动、人机协同、跨界融合、共创分享”的核心特征。
（一）理论渊源：从马克思“一般智力”到“智能涌现”
智能经济的理论源头，可追溯至马克思在《政治经济学批判（1857—1858年手稿）》中提出的“一般智力”范畴。马克思在考察资本主义机器大工业时前瞻性地指出，一般社会知识和科学劳动的历史性积累，将日益转化为“直接的生产力”，并物化在以自动化机器体系为代表的固定资本之中。在他看来，机器是“人的手创造出来的人脑的器官；是对象化的知识力量”。这意味着，在生产方式演进的特定阶段，人类社会智力成果的总和将不再仅仅以观念或个人技能的形式存在，而是会直接转化为一种决定性的、物质性的生产力。
在马克思所处的工业时代，这种一般智力的物化形态主要体现为以蒸汽机为核心的工厂机器体系。然而，这一体系在本质上仍是一种“死劳动”的体现：一台蒸汽机，无论运转多久，都只是在单向度地执行被预设的物理定律，其运行逻辑是封闭和确定的。它能够高效地转移自身价值，却无法在生产过程中进行学习、进化或创造新知识。而人工智能与传统机器不同，通过对人类有史以来几乎所有文本、图像、代码等数字化知识的深度学习，人工智能将分散的、静态的一般智力转化为一个能够进行推理、生成、交互乃至一定程度再创造的动态系统，从根本上改变了“一般智力”的物化形态，实现了从凝固的“死劳动”到动态的“活智能”的飞跃。当模型规模跨越某一临界点，“智能”便会自发地、不可预测地从中“涌现”。
在生产力层面，智能涌现极大地加速了知识生产本身。过去依赖于少数科学家灵感和漫长实验的科学发现过程，正在被人机协同的智能科学新范式所取代。在物质生产领域，人工智能通过对产业链、供应链的全局实时优化，能够实现资源配置效率的极大提升。这种由人工智能驱动的知识生产自动化和资源配置智能化，共同构成新质生产力的核心内核。
在生产关系层面，智能涌现则为构建更高级的生产组织方式和更普惠的分配形式创造了技术前提。一方面，“人机协同”成为一种全新的生产组织形态，劳动者得以从重复性工作中解放出来，转向更具创造性的角色。另一方面，由于数据要素在价值创造中的贡献日益凸显，基于资本和劳动的传统分配体系面临重构。但是，智能经济中数据生产的具体劳动和抽象劳动的对立统一、数据生产的社会必要劳动时间计算和数字劳动剥削等，仍遵循马克思的劳动价值论和剩余价值论。
（二）从数字经济到智能经济：劳动资料的演化和分野
智能经济是在数字经济充分发展的基础上，由新一代人工智能技术驱动形成和发展的更高阶经济形态，二者既紧密联系，又存在本质区别。数字经济为智能经济奠定了坚实的物质和数据基础，而智能经济则是对数字经济的深化和扬弃，其核心在于实现了从信息连接到智能重塑的跃升。但是，智能经济并非数字经济的简单延伸，而是由“劳动资料”的革命性变革所驱动的生产范式跃迁。
数字经济将数据作为关键生产要素，以现代信息网络为重要载体，历史性地解决了生产要素与市场主体的信息连接问题。通过应用信息通信技术，数字经济极大地降低了搜寻、复制、传输信息的边际成本，从而有效克服了因信息不对称而产生的交易成本。其典型的经济形态，如平台经济，其价值创造的核心在于利用数据和算法来提升供给与需求的联结效率。在这一阶段，数据虽是核心生产要素，但其功能主要是作为人类决策的输入变量，劳动资料的核心角色是高效的信息处理器，主要功能是传递和处理信息，尚未具备自主决策和生成新知识的能力。生产过程优化与创新决策的主体依然是人。
智能经济是在数字经济所构建的数据基础之上，由劳动资料自身质变所引发的生产决策和知识创造的革命。数字经济的劳动资料在本质上仍是一种服务于人的高级“工具”，而智能经济与数字经济的根本分野在于，以算法为核心的“智能体”对数字经济所积累的海量数据进行更深层次的挖掘、学习和生成，实现更高级别的智能化应用，成为生产过程中具备一定自主学习、推理乃至决策能力的新型劳动资料。如果说数字经济的劳动资料优化了生产的执行环节，那么智能经济的劳动资料则开始介入生产的决策乃至创新环节。例如，在高端制造领域，智能工业系统不再仅仅是执行预设程序的自动化设备，而是能够根据实时数据自主优化生产参数的决策主体；在药物研发领域，生成式AI通过自主学习和预测蛋白质结构，将新药发现的周期从数年缩短至数月。
从数字经济到智能经济的演化来看，这一从连接优化到决策生成的演进促使生产函数的内在结构发生根本性变化。第一，生产要素的性质发生从被动记录到能动生成的变革。在数字经济中，数据是被动反映经济活动结果的信息载体；而在智能经济中，数据与能够自主学习的算法模型相结合，形成可以主动生成新知识、新洞见、新价值的能动生产要素。这使得马克思所预言的、凝结在人类知识体系中的“一般智力”，第一次以一种可动态演进、自主运行的形式，成为直接的生产力。第二，智能经济技术进步的来源发生由外生到内生的变革。在数字经济阶段，图形处理器、平台算法的优化等技术进步很大程度上仍依赖于人的外部干预和创新。而在智能经济阶段，技术进步呈现显著的内生性特征。智能体能够在生产过程中通过持续学习进行自我优化和迭代，这意味着生产率的提升不再仅仅依赖于外部的、非连续性的研发投入，而是内化于生产过程本身，形成“生产→学习→创新→再生产”的加速循环，从而为破解人工智能时代的“索洛悖论”提供了新的可能路径。第三，智能经济运行的逻辑从效率提升转向范式重构。数字经济的核心逻辑是通过优化信息匹配来提升存量市场的配置效率。而智能经济凭借其知识生产自动化的能力，不断突破人类认知的边界，在更广阔的可能性空间中进行探索，从而系统性地重构传统产业的边界，开辟全新的价值创造领域，激发涌现效应。
因此，数字经济与智能经济的关系，并非简单的替代关系，而是辩证的、层层递进的演化关系。数字经济所构建的信息网络基础设施和数据资源，是形成和发展智能经济不可或缺的基础；而智能经济则通过智能化将数字经济提升到了一个全新的历史高度。二者相互促进，共同构成新时代生产方式变革的完整图景。
（三）智能经济的核心要素与内涵特征
智能经济是一种数据驱动、人机协同、跨界融合、共创分享的经济形态。这四个相互关联的特征，系统性地揭示了智能经济在生产要素、组织形态、产业结构、价值导向四个维度的重要特征。
第一，“数据驱动”是智能经济的首要特征，体现在生产组织方式的变革上。数字技术系统性地拉近了工业企业与终端客户的距离，带来了运营模式的根本性改变。企业得以利用先进的数字技术与海量的个体建立直接连接，从而直接收集规模庞大的个性化数据。与土地、矿产等具有物理消耗性的传统资源不同，数据要素具有非竞争性、可近乎零成本复制和规模报酬递增的独特经济属性。这种属性决定了数据的价值实现，依赖于其在更广范围内流动、整合和应用，而非排他性的占有。在智能经济中，海量数据与先进算法、强大算力相结合，形成推动技术创新和生产效率提升的重要动力。如果说工业时代的“一般智力”主要凝结在物理机器中，那么智能时代的“一般智力”则主要以数据流的形式存在，并通过算法进行动态的价值转化。然而，若将数据驱动仅仅理解为数据要素的地位提升，则尚未触及智能经济的本质。其真正的革命性，并非体现在生产要素的“量”上，而在于处理数据要素的劳动资料发生了“质”的飞跃，即以算法为核心的智能体取代传统的信息处理工具，成为价值创造的核心驱动力。这才是其区别于以往一切经济形态的本质体现。
第二，“人机协同”是智能经济在生产组织形态上的本质特征，深刻重塑了传统的劳动分工和组织形态。人机协同是对“机器换人”传统自动化逻辑的根本性超越，它强调的不是机器对人的单向替代，而是一种人与作为新型劳动资料的智能体之间相互增强、协同进化的新型社会技术关系。在这种协同关系中，人类独特的创造性思维、复杂决策、伦理判断与情感交互能力，与智能体强大的数据处理、模式识别和逻辑推理能力形成优势互补，共同构成新的、更高效的生产单元。人机协同的内在机理，在于它催生了一种全新的知识生产范式。新一代人工智能能够在动态环境中不断学习进化迭代，使得人与AI的关系从单向的工具使用关系转向双向赋能的互动。这种互动将人类从结构化、重复性工作中解放出来，使其能够更专注于情感、直觉和创造性思维等特有心智模式的发挥。由此，智能经济这种全新的生产范式，必然需要的不是适应标准化流程的执行者，而是具备批判性思维、创新能力和终身学习能力且能够与智能体高效协作的创造者。例如，在高端制造领域，工程师与工业机器人协同，由机器人完成高精度、重复性的操作，而工程师负责流程优化和异常处理；在设计领域，设计师利用AI辅助工具快速生成多种设计方案，再根据自身审美和创意进行优化，实现效率与创新性的双重提升。
第三，“跨界融合”体现为产业边界的动态消融与重构，其根源在于人工智能作为通用目的技术所具有的强大渗透性和赋能性。与蒸汽机、电力等历史上的通用目的技术类似，人工智能的影响力并非局限于单一产业，而是通过“人工智能+”行动，系统性地渗透、改造和重构国民经济的各个领域，推动各领域间知识融合创新和行业边界拓展。这种融合主要通过两条路径展开：在技术创新层面，人工智能正与基础研究产生乘数效应，加速生物医药、材料科学等领域的研发范式变革和可持续生产。在制造业领域，它正在加速智能制造的实现。例如，具身智能的发展，就融合了人工智能、高端制造、新材料等多个领域的技术，有望在工业生产、家庭服务等场景中开辟全新的市场空间。这种跨界融合体现为对传统产业的全方位、全链条改造，推动其高端化、智能化、绿色化转型。在农业领域，智能技术正推动智慧农业的发展，利用卫星图像、无人机监测和传感器技术的精准农业，实现农业生产的精细化管理。在商业模式层面，人工智能与具体产业的深度融合，正在催生全新的产品服务形态和价值获取逻辑，如智能网联汽车的出现，不仅重塑了汽车的产品形态，而且催生了自动驾驶出行服务等全新业态。在服务业领域，它催生了智慧金融、智慧医疗等一系列新业态。“跨界融合”是构建具有完整性、先进性、安全性的现代化产业体系的关键路径，也是智能经济作为新质生产力主要载体功能的集中体现。
第四，“共创分享”确立了智能经济的价值创造准则和分配原则，是社会属性的集中体现。智能经济极高的复杂性与资本投入决定了价值创造必须走向“共创”，其巨大的社会影响力则决定了价值分配必须走向“分享”。“共创”首先体现在生产端，开源创新生态的兴起使得技术创新的过程日益呈现开放、协作的特征。以DeepSeek开源R1和Meta开源Llama系列大模型为标志性事件，全球人工智能的技术创新范式发生深刻转变。它使得全球范围内的中小企业、研究机构和开发者，能够在一个世界级的基础模型之上进行再创新，从而有效绕开了从零开始训练顶尖模型所需的巨量资本和算力投入。以DeepSeek为代表的中国人工智能企业，通过全栈开源，打破了西方技术巨头的垄断，使全球的开发者都能参与到技术的迭代和创新之中，这本身就是一种知识层面的共创。“分享”则主要指向分配端。它要求构建能够反映数据要素价值贡献的分配机制，并致力于破解技术变革可能带来的财富极化效应和数字鸿沟等问题。由于人工智能技术可能加剧技能偏向性技术变革，导致不同群体间收入差距扩大，因而必须通过完善再分配机制、推动教育公平和构建普惠性数字公共服务体系等手段，确保发展成果由全体人民共享。“共创分享”是智能经济服务于共同富裕这一社会主义本质要求的制度体现，也是中国式现代化区别于西方现代化路径的标志之一。
在全球智能经济浪潮中，中国凭借制度优势、超大规模市场和丰富的应用场景优势，不仅实现了产业规模的快速扩张，而且在技术创新、产业赋能、发展范式上取得显著成就，为加快形成和发展智能经济奠定了坚实基础。
第一，中国在人工智能上的战略布局正从“培育AI产业”向“赋能千行百业”深化。早在2017年，国务院就印发了《新一代人工智能发展规划》，其核心目标是提升人工智能科技创新能力，构建强大的人工智能产业。这一阶段的重点在于供给侧，即培育人工智能技术和企业。然而，随着技术和产业的成熟，国家战略重心发生决定性的转移。从2024年中央经济工作会议首次提出开展“人工智能+”行动，到2025年中央政府工作报告予以重申，再到同年8月国务院正式印发《关于深入实施“人工智能+”行动的意见》，这一系列部署标志着决策层认识到人工智能的真正价值在于其作为一种通用目的技术，能够像电力和互联网一样，为经济社会发展赋能。政策的着力点从单纯扶持人工智能产业，转向更宏大、更复杂的需求侧经济转型议程，即如何利用人工智能技术，与中国数据资源丰富、产业体系完备、应用场景广泛等优势相结合，全面提升产业竞争力，并催生新的经济增长点。
第二，产业规模、投入与基础设施同步跃升。在国家战略的强力推动下，中国智能经济取得跨越式发展。在产业规模上，2024年中国人工智能产业规模已突破7000亿元，人工智能企业数量已超过4700家。在基础设施层面，截至2025年3月，中国算力中心标准机架数达1043.1万架，智能算力规模已达748EFLOPS，位居全球前列。中芯国际、寒武纪、海光信息、中微公司等本土半导体设备企业的研发投入迅速增长，展现出强烈的自主创新意愿。
第三，创新范式从模仿追赶转向以开源为核心的自主创新。人工智能的创新离不开数据。从发展历程来看，中国数据资本形成总额已由2003年的509.28亿元上升至2021年的14738.27亿元，数据资本存量由2003年的896.35亿元上升至2021年的19075.90亿元。在这其中，开源生态成为中国实现技术赶超和创新的关键路径。中国在人工智能开源领域贡献卓著，超高影响力开源项目数量位列全球第二。以Qwen、DeepSeek、腾讯混元、文心一言、Kimi等系列国产开源大模型为代表，中国开源力量正在成为人工智能开源国际舞台上的重要参与者、贡献者。这不仅体现在项目数量上，更体现在中国正积极探索一种能够兼顾技术演化多元性与价值实现社会性的开源新范式，为其发展注入广阔前景。
第四，海量数据要素与超大规模市场共同深化智能经济应用场景。人工智能技术跃迁的落地载体，正是能将复杂能力转化为实际价值的AI智能体。中国超大规模市场为智能经济发展提供了天然的应用场景，形成“需求牵引—数据喂养—技术迭代”的正向循环。以华为、阿里、腾讯、百度为代表的科技巨头，凭借其在算力、算法和数据上的积累，持续推出具有影响力的基础大模型和开发平台。同时，DeepSeek、宇树、商汤、科大讯飞等AI独角兽企业在各自优势领域不断深化商业应用。智能经济在各行业的应用场景不断深化，取得显著成效。例如，人工智能技术正渗透至研发设计、生产制造、质量控制、运营管理等全环节，推动中国制造业向高端化、智能化、绿色化转型。在医疗健康领域，盘古药物分子大模型可以实现针对小分子药物全流程的人工智能辅助药物设计，极大地缩短创新药研发的周期。在教育领域，智能教育将通过多模态数据深度挖掘学习者的兴趣图谱和认知偏好，系统性打破被动学习壁垒，推动教育从“被动灌输”向“主动探索”的跃迁，助力实现真正的个性化学习。在农业领域，通过土壤传感器和气象监测仪等传感设备，实时感知土壤湿度、光照和温度，动态调节作物生长所需的环境和营养，实现农业生产的智能化、精准化、高效化，支撑中国粮食安全和可持续生产。
智能经济应用场景深化的根本驱动力源于数据作为关键生产要素的“燃料”功能。《数字中国发展报告（2024年）》显示，2024年中国数据年产量已达41.06ZB，同比增长25%。已有243个地方建立省级和地市级公共数据开放平台，开放超37万个有效数据集。同时，数据流通机制不断完善，2024年全国数据交易规模突破1600亿元，形成“数据能流动、价值能释放”的良性格局。特别是2024年发布的《中共中央办公厅 国务院办公厅关于加快公共数据资源开发利用的意见》，通过强化政务数据共享、有序推动公共数据开放和探索公共数据授权运营，展现了中国在构建由国家引导、主权可控的数据要素市场方面的独特思路和制度创新。归根结底，数据的规模、质量和活性，直接决定了一个经济体培育智能经济的潜能，而这正是中国的核心优势所在。
三、中国智能经济发展面临的
现实挑战
在肯定中国智能经济取得显著成就的同时，也必须清醒地认识到，其发展进程依然面临一系列深刻的结构性挑战。这些挑战既有来自外部的技术封锁和竞争压力，又有源于内部的制度和要素瓶颈。当前存在制约中国智能经济高质量发展的四个关键难题：一是核心技术创新与产业应用的双重瓶颈；二是兼具技术与行业知识的复合型人才结构性短缺；三是高质量数据集供给不足与数据安全保护体系仍需加强；四是算法黑箱与治理失序的伦理挑战。
（一）核心技术创新与产业应用面临双重瓶颈
当前，中国人工智能领域的技术创新瓶颈呈现双重特征：一则表现为算法、算力、硬件等基础研究和底层技术供给的“供给侧”瓶颈；二则表现为人工智能和实体经济深度融合的“需求侧”应用场景仍有待深化。
在技术供给层面，竞争焦点已从单纯的算法优劣，转向“算法—算力—硬件”三位一体的全栈生态系统竞争。尽管中国人工智能技术应用发展迅速，但在一些关键的底层技术领域仍面临创新瓶颈。在核心算法层面，深度学习模型普遍存在“黑箱”问题，其决策过程缺乏可解释性，限制了其在金融、医疗等高可靠性领域的应用；同时，模型的泛化能力仍有待提高，在面对复杂现实环境时，其表现可能大幅下降。在基础研究层面，人工智能与脑科学、认知科学等前沿交叉领域的研究相对薄弱，制约了颠覆性技术创新的出现。
在产业应用层面，技术成果向现实生产力转化的路径依然不畅。传统的科技成果转化模式多是从基础研究到产品开发的单向线性过程，链条长且市场适配度低，导致许多前沿技术成果难以跨越商业化的“死亡之谷”。人工智能的应用不能止步于消费互联网，其更大的价值在于对制造业等实体经济的深度改造，充分释放智能企业补链强链效应。实现这一目标，必须围绕创新链布局产业链，为原创性技术成果精准匹配应用场景、构建可行商业模式，从而系统性地加速其产业化进程。
（二）兼具技术与行业知识的复合型人才结构性短缺
智能经济对劳动力市场的挑战，根植于其自身运行逻辑和核心特征，体现为一种深刻的结构性失配。首先，作为新型劳动资料的智能体，其对人类认知能力的模拟和替代，正在系统性地冲击现有劳动力存量。一方面，传统行业的“机器换人”进程不断加速，显著压缩了从事常规性、重复性劳动的低技能岗位空间。另一方面，由“数据驱动”特征催生的平台经济和灵活用工模式，在创造新业态的同时，也因其“劳动场景与生活场景的界限被算法抹平”，可能带来劳动保障缺失和权益受损的风险。
与劳动力存量结构面临冲击并存的，是新增人才供给的瓶颈。智能经济“跨界融合”的本质特征，决定了其对人才需求的复合型和结构性。市场急需大量既掌握人工智能、计算机科学、数学等核心技术，又深刻理解特定行业知识的“AI+X”复合型人才。然而，当前壁垒分明的学科教育体系尚难以满足这种跨界培养的需求。同时，围绕核心算法、高端芯片等基础技术展开的全球竞争，实质上是对顶尖智力资源的争夺。中国在吸引和留住全球顶尖人工智能科学家、工程师方面仍面临挑战，高端人才的短缺直接制约了作为智能经济核心驱动力的底层技术创新。
更值得警惕的是，智能经济所倡导的“人机协同”生产范式，可能对未来劳动者的核心技能再生产路径构成潜在威胁。尽管人机协同旨在将劳动者从重复性工作中解放出来，转向更具创造性的角色，但其中存在一个悖论。在传统的学徒制或职业成长路径中，新手员工通过大量处理常规性、基础性的认知任务，逐步积累经验、内化隐性知识，最终成长为能够处理复杂、非常规问题的专家。在AI辅助下或许能迅速产出看似合格的工作成果，但他们也同时丧失了在解决基础问题过程中进行试错、反思和深度学习的机会，从而阻碍了其复杂劳动能力的生成。
（三）高质量数据集供给不足与数据安全保护体系仍需加强
数据是智能经济时代的核心生产要素和战略性资源，是驱动人工智能模型训练、迭代和优化的根本“燃料”，在基础研究和应用研究领域，源自高密度和高质量的大样本数据集愈发重要。尽管中国拥有全球领先的数据体量，但数据要素的价值潜力尚未被充分释放。当前，其发展瓶颈主要体现为两个相互交织的层面：一是高质量、可流通的数据集供给不足，二是数据安全和隐私保护体系尚不健全。二者共同构成中国智能经济高质量发展的关键障碍。
在数据供给层面，数据孤岛与数据质量问题尤为突出。现实中，大量数据被分割封存在不同政府部门、行业乃至企业内部，形成彼此隔绝的“数据孤岛”。这种割裂状态，既有因部门利益或商业竞争导致的数据不愿共享的体制性壁垒，又有因缺乏统一技术标准、数据格式和交换协议而引致的数据难以互通的技术性障碍。这使得跨领域、跨机构的数据融合分析举步维艰，不仅造成巨大的资源浪费，而且制约了需要多元数据进行训练的复杂人工智能模型的研发。与此同时，原始数据并不等同于可用数据。高质量数据集的生成，需要经过精细的清洗、标注、脱敏和结构化处理，这一过程不仅成本高昂，更需要深厚的行业知识。尤其在医疗、制造、科研等专业领域，高质量标注数据集的稀缺，已成为限制人工智能向产业纵深发展的“最后一公里”瓶颈。
在数据安全层面，随着数据的大规模采集和应用，安全和隐私保护的挑战日益严峻。这不仅是技术问题，更是关乎公众信任和智能经济健康发展的社会治理问题。其风险主要体现在三个方面：第一，部分企业在数据收集和存储中存在安全漏洞，容易遭受网络攻击，导致大量用户的个人信息和消费记录等敏感数据泄露，造成直接经济和社会损失。第二，一些市场主体出于商业利益，在未经用户明确授权的情况下，将用户数据用于精准营销、用户画像等活动，侵犯了公民隐私权。第三，在全球化数字经济中，数据跨境流动不可避免，但不同国家和地区在数据主权、隐私保护等方面的法律法规差异较大，容易引发监管冲突和安全漏洞。这些数据安全和隐私保护的缺失，最终将系统性地侵蚀公众对智能经济的信任基础。一旦信任动摇，不仅会阻碍用户参与和数据贡献的意愿，更可能引发对技术应用的抵制，从而从根本上动摇智能经济持续健康发展的社会根基。
（四）算法黑箱与治理失序的伦理挑战
与技术的高速演进相比，人工智能安全机制、伦理规范和治理框架发展相对滞后，已经形成危险的“治理赤字”。若无有效的规制，这些风险可能引发深刻的社会矛盾，影响公众对新技术的信任度。
一方面，技术的内在不可靠性带来了严峻的责任归属难题。例如，大型语言模型普遍存在“AI幻觉”现象，即生成看似合理但与事实完全相悖的虚假信息。人工智能的决策逻辑本质上是概率性的，而非确定性的。当自动驾驶或智能医疗等高风险系统因这类内在缺陷而造成损害时，传统的责任归属框架便宣告失灵。现有的法律和伦理体系尚无法提供清晰的指引，这使得技术风险的社会成本难以被合理分摊，成为治理难题。
另一方面，人工智能技术可能催生一种不易察觉的新型社会控制形态。智能经济的运行，依赖于对海量数据的汲取以及对人类行为的预测，这赋予了掌握核心算法和数据的科技巨头一种前所未有的、塑造社会的能力。这种权力不仅深刻地改变着人们的工作和生活方式，而且可能对人类的价值观和社会文化产生深远影响。
智能经济本身是由生产方式、要素构成和组织形态的根本变革所驱动的。应对智能经济发展进程中的结构性挑战，需要以构建政府与市场有机结合的协同创新体系作为制度保障，以推动科技创新和产业创新深度融合夯实产业根基，以强化数据和人才建设提供要素支撑，并以倡导共商共建共享的全球合作塑造外部环境。
（一）构建政府与市场有机结合的协同创新体系
智能经济的核心驱动力，源于以基础大模型和高端芯片为代表的新型劳动资料的创新和供给。此类核心技术的研发具有投入巨大、周期漫长、风险高、外部性强等特征，这决定了单纯依靠市场自发调节难以实现关键性突破。因此，构建一个由有效市场与有为政府有机结合的协同创新体系，成为智能经济核心技术供给的重要制度保障。
新型举国体制的必要性根植于市场机制在前沿技术创新中存在的结构性失灵。首先，基础研究的公共品属性导致私人投资激励不足。决定智能经济技术范式走向的底层算法和基础科学原理具有显著的非排他性，企业投入巨资研发易被“搭便车”，导致在需要长期投入的基础研究领域出现系统性投资缺口。其次，技术生态的协调失灵阻碍了全产业链协同。一个自主可控的人工智能产业需要芯片、框架、模型、应用的全产业链协同，但市场中的“原子化”企业难以自发形成能与既有垄断生态相抗衡的替代性系统。最后，金融资本的短视性与战略性新兴产业所需的耐心资本需求不相匹配，导致硬科技和基础研究领域长期资本供给不足。
新型举国体制能够有效整合国家战略科技力量。设立国家级产业投资基金等耐心资本，将国有企业的资本和平台优势同民营企业的市场敏锐度和创新活力进行有机结合，可系统性地弥补单一市场主体在基础研究、生态构建、长期投入上的内在缺陷，从而形成科技创新的三位一体模式，也就是“一大批有能力进行基础科学研究的大学和科研机构+一大批有能力把基础科研转化成应用技术的企业或机构+一个开放的金融支持系统”。与此同时，充满活力的民营企业则构成这一协同创新体系中不可或缺的另一极，它们以市场化的方式在全栈技术生态、超大规模模型和前沿应用场景中扮演着重要角色。华为依托其在信息通信领域的长期积累，着力构建从“昇腾”系列AI芯片、CANN异构计算架构到盘古行业大模型的全栈自主技术生态，为破解“卡脖子”难题提供了关键的硬件和软件基础。
（二）推动科技创新和产业创新的深度融合
技术创新的成果最终必须植根于坚实的产业基础，方能转化为现实的新质生产力。智能经济的产业根基，体现在现代化产业体系与开源创新生态两个相互促进的维度，前者是承载智能经济价值实现的实体，后者则是加速其技术迭代和应用普及的重要机制。
构建现代化产业体系，是发挥智能经济“跨界融合”特性的核心载体。“人工智能+”行动的本质，并非简单地培育一个独立的AI产业，而是要发挥人工智能作为“通用目的技术”的赋能效应，对国民经济各领域进行全方位、全链条的智能化改造。一方面，要推动人工智能和传统制造业、农业、服务业的深度融合，通过引入智能生产线、精准农业、智慧物流等，提升其高端化、智能化、绿色化水平。另一方面，要以人工智能技术催生和培育生物医药、新材料、具身智能等战略性新兴产业和未来产业，开辟新的经济增长点。只有在先进的现代化产业体系中，智能经济的应用场景才能被充分挖掘，其提升全要素生产率的潜力才会被充分释放。
发展开源创新生态，是顺应智能经济知识生产新范式的战略选择。智能经济的发展遵循数据、算法、算力相互强化的“飞轮效应”。开源模式通过开放模型、算法和数据集，极大地降低了创新门槛，能够吸引最广泛的开发者参与到技术迭代和应用创新中。在全球技术竞争背景下，开源已不只是技术协作模式，更是打破技术霸权、重构竞争格局的战略选择。以DeepSeek为代表的中国企业通过全栈开源，探索出一条能够围绕自主可控技术基座，培育起庞大开发者社群和丰富应用生态的新路径。在DeepSeek之后，中国头部人工智能企业纷纷推出开源大模型。中国国内开源生态的成熟也将吸引云厂商、社区和芯片厂商跟进，形成加快人工智能技术迭代和应用落地的强大合力。这不仅有助于加速技术的迭代和优化，还能围绕自主可控的技术基座，培育起庞大的开发者社群和丰富的应用生态，为智能经济的发展提供广阔市场。
（三）培育与智能经济相适应的新型劳动者
智能经济的竞争归根到底是创新人才的竞争。其“人机协同”的核心生产范式，对劳动者的能力结构提出了革命性要求。为此，一方面，要建立一个由政府、企业、社会组织协同参与的、普惠性的劳动者技能再培训和终身学习体系。与此同时，应对平台经济带来的新型劳动风险，必须加快完善劳动法规和社会保障制度，将灵活用工人员纳入保障范畴，切实保护新型劳动者的合法权益。另一方面，必须充分发挥高素质专业人才的关键作用，构建一个能够与智能经济相适应的多层次、复合型人才培养体系。要面向智能经济的多层次需求，系统性改革全链条培养体系，打破传统学科壁垒，大力培养既懂技术、又深刻理解特定行业知识的“AI+X”复合型人才，引导新一代劳动者在与人工智能的高效协作中锤炼出真正的、能够处理复杂和非结构化问题的核心专业能力。同时，要鼓励企业深度参与人才培养全过程，通过设立定向培养计划、开放真实业务场景作为教学案例等方式，确保人才培养供给侧与产业发展需求侧的精准对接，既培养能够实现“从0到1”突破的顶尖科学家，又培养能够推动“从1到N”落地的卓越工程师和高素质劳动者。
（四）夯实数据高质量供给与安全治理基础
破解数据孤岛林立、高质量数据供给不足、数据安全体系不健全的挑战，必须将数据治理提升至战略高度，从供给和安全两个维度系统发力。
一方面，聚焦供给困境，着力破除数据孤岛现象并提升数据质量。应对因体制性和技术性壁垒引致的数据分割，必须加快建设全国统一数据要素市场，从顶层设计上完善数据产权界定、收益分配等市场化流通规则，让数据充分流动起来。同时，由行业主管部门牵头，支持重点行业和龙头企业在保障数据隐私的前提下，联合建设高质量行业数据集并加大对数据清洗、标注等数据生产基础设施的投入，以解决高质量数据稀缺这一瓶颈。
另一方面，应对日益严峻的数据泄露、滥用及跨境流动风险，必须构建一个由法律规范、技术保障和监管机制构成的多层次安全体系。在法律层面，应加快数据安全、个人信息保护等领域的立法进程，明确企业安全防护的主体责任以及数据滥用的惩罚机制。在技术层面，应推动加密技术、去标识化等数据安全技术的普及应用，构筑事前事中事后的技术防火墙。此外，中国也需积极参与国际数据治理规则的制定，推动建立兼顾主权、安全和发展的跨境数据流动新秩序。
（五）构建以人为本的伦理规范和全球合作框架
为应对算法偏见、责任真空和新型社会控制等伦理挑战，必须在治理范式上实现根本性创新，其核心在于确立以人为本的价值导向。传统经济学关注效率与公平的权衡，而智能经济时代则需在制度设计中直面并化解“算法效率与个体权利”以及“数据垄断与创新激励”等新型矛盾。这意味着，技术的发展必须服务于人的全面发展这一根本目标，反对将数据和效率作为唯一的价值标准。
在国内治理层面，要将人文关怀注入数字劳动保障和算法规制之中。面对零工经济、平台劳动等新型就业形态，应深入研究算法管理对劳动者尊严和权益的影响，建立健全的数字劳动权益保障机制。面对算法歧视、信息茧房等现象，应在立法与监管中明确保障人的主体地位，推动算法的透明化、可解释性和公平性审查。
智能经济的内在属性决定了其发展离不开全球合作。面对全球人工智能治理的碎片化、阵营化风险，中国应积极倡导并践行“共商共建共享”的智能经济全球治理观。“共商”意味着坚持真正的多边主义，保障各国特别是广大发展中国家在人工智能全球治理中的平等参与权和话语权。“共建”意味着超越零和博弈，通过开源社区、联合研发等形式，共同构筑开放、稳定、有韧性的全球创新网络。“共享”则要求致力于弥合因技术和数据垄断可能加剧的智能鸿沟。唯有在开放合作的框架下，才能让智能经济的发展红利真正惠及全人类，推动生产力实现整体性、均衡性的跃升。