飞象网讯（马秋月/文）在2024全国两会期间，全国人大代表、科大讯飞董事长刘庆峰建议，在2017年《新一代人工智能发展规划》的基础上，瞄准我国通用人工智能发展中需要重点补上的短板进行设计，围绕自主可控算力生态构建、高质量数据开放共享、科学的评测标准制定、源头技术前瞻研发、人才培养、法律制定和伦理人文等维度，系统性制定国家《通用人工智能发展规划》（简称《规划》），由国家高位推动规划的制定和落地，不断缩小中美通用人工智能产业在通用底座平台方面的差距，并在行业应用和价值创造上打造我国的比较优势。
为此，刘庆峰提出9点建议：
第一，建议发挥举国体制优势，加大并保持对通用大模型底座“主战场”的持续投入。以专项的形式从算力、数据、算法上在未来5年内持续支持我国通用大模型的研发攻关；支持有条件的地方政府，以专项债的形式支持通用和行业大模型研发以及应用生态发展所需的算力基础设施建设；制定相关政策，推动工业和民生等领域的大模型应用，从而让“底座大模型+行业应用”形成相互促进的良好局面；鼓励国资央企优先应用国产大模型，在关键敏感领域和核心战略领域只能用自主可控的大模型；面向“一带一路”设立专项，支持多语种大模型技术研发，以及在主要产业链合作国家、地区的落地应用。
第二，建议加快形成围绕国产大模型的自主可控产业生态。大模型是典型的平台赋能性技术，要加快我国大模型开发者生态体系建设和运营，支持国产大模型向开发者开放，开展大模型评测体系和开源社区建设，降低研发和使用成本。支持工业大模型在工业互联网领域的赋能，支持软件大模型对软件行业的赋能，支持行业大模型对汽车、家电、服务机器人等行业领域的应用，以“人工智能+”推动我国自主可控的大模型产业生态蓬勃发展。
第三，建议推动国家级高质量训练数据开放和共享。推动国家层面高质量数据平台的设立和资源共享，加大政府和市场协同，合理解决知识产权问题，构建包括国家公共数据资源、高质量电子图书、高质量音视频、多渠道行业应用数据及互联网开源数据资源等多源多模态的国家级数据资源汇聚平台，支持国家实验室、全国重点实验室、国家人工智能开放创新平台、行业领军企业等国家战略科技力量以揭榜挂帅形式优先、低成本使用。
第四，建议出台更加客观、公正、可信的评测方法，加快大模型在行业领域的应用落地。联合国家级权威机构和行业龙头企业等组织，共同发布具有公信力的大模型评测标准和应用指南，并定期组织系统全面的科学评测，指导各行业甄别和选型大模型，避免各家大模型刻意刷榜和各种不权威的商业评测扰乱正常市场秩序。在行业应用方面，建议首批可以加快开发面向金融、工业、汽车、文旅、政务、教育、医疗等关键行业的应用场景，加快打造标杆示范，在成效验证后向全国规模化推广。
第五，建议坚持源头核心技术系统性创新，在战略性、前瞻性的基础研究领域做好布局。布局投入大模型的宽基础研究，在大模型能力涌现机理、大模型可信训练推理、强化学习技术、自主学习技术等方面形成突破。加快脑科学与类脑智能、量子计算等领域与人工智能关键研究的协同攻关，形成交叉学科的突破，助力我国通用人工智能弯道超车。推动大模型与科学研究的深度结合，打造AI for Science的科研新范式，研究基于科学数据的AI建模和科学知识提取技术，助力科研人员更高效地进行科学研究和探索。在生命科学、化学、制药、物理、材料等多个科研领域，引入人工智能通识课，培养一批具备专业科研能力以及高水平通用人工智能理解能力的人才，为可能涌现的交叉学科重大突破做储备。
第六，建议加快推广大模型赋能全学段，以全新机制加快探索我国人工智能拔尖创新人才培养。加快运用大模型的现有能力打造教师和学生的助手，赋能从中小学到职业教育和大学的教育教学提质增效。设立国家人工智能学院，以“核心+基地”的组织形式和全新机制推动我国面对中美竞争的拔尖人工智能人才培养。加强人工智能一级学科建设，联合头部企业打造一批人工智能人才产教融合培养基地，打造优秀人才专项遴选机制和通道等。
第七，建议研究通用人工智能时代人才能力素质模型和培养方案，加快应用型人才培养。针对未来可能被人工智能大量替代的行业和岗位，对劳动力培养及再就业做专项研究，并且提前、主动做好应对。关注通用人工智能对社会各行业带来的冲击，加快建设新的人才能力素质模型和课程培养体系，特别是加快以通用人工智能赋能软件代码、语言学习、艺术创意等领域应用型人才的培养，助力我国软件行业和数字经济发展。
第八，建议加速通用人工智能技术相关的法律法规制定与审议。围绕大模型的数据安全、隐私泄露、可靠性、知识产权等几大关键方面制定法律法规，提升通用人工智能技术可靠性与规范性。同时，完善向社会开放的大模型的准入和运行规则，明确责任分配与问责机制，并明确大模型知识产权与保护方式。
第九，建议设立软课题进行通用人工智能相关的伦理人文研究。坚持科学、独立原则，针对通用人工智能技术可能带来的社会风险、伦理挑战和人类文明变化进行开放式课题研究。
推荐阅读：
