上海政协委员黄海清谈人工智能发展：机遇、挑战与应对策略
一、高质量数据集：智算效能的核心要素
（一）数据质量对模型能力的决定性影响
高质量行业通识与专识数据集是大模型能力上限的关键，50T高质量数据集对模型能力的提升远超500T低质量数据集。例如，50T高质量数据集用百卡即可完成训练，而低质量数据可能需要千卡集群，凸显高质量数据对降低算力依赖的重要性。
（二）数据质量问题的解决路径
1. 建设评测数据集：通过基础方法论优化语料数据集质量，建立完整性、及时性等明确质量标准，科学界定和验证数据质量。
2. 应对AI幻觉与虚假生成：数据质量不足是AI“说胡话”的主要原因之一，提高数据质量可减少大模型凭空编造、输出失实信息的问题，降低医疗、法律、金融等领域决策失误和司法干扰风险。
（三）算法歧视与合规发展
算法歧视可能导致AI输出错误内容，需通过国家法律政策规范、企业道德伦理自律及监督考核相结合的方式，筑牢AI合规发展底线，确保模型输出内容的正确性和可信性。
二、大模型应用：个人、教育与就业的变革
（一）个人应用：拥抱大模型，提升效率
1. 安装AI工具APP：建议个人在手机中安装3-4个AI工具APP（如DeepSeek、通义千问等），通过多尝试、多对比选择最适合的工具。
2. 掌握提示词技巧：优秀提示词需具备“五化”特征（指令明确化、背景具象化等），以引导AI提供实用学习方向。
（二）教育应用：平衡辅助与独立思维
1. 教育垂类大模型的支持：大模型可为学生提供解题步骤解析，但过度依赖可能导致思考能力弱化。
2. 构建限制机制：通过智能监控和引导功能，平衡大模型助力学习与培养独立思维的关系。
3. 课程设计原则：人工智能课程需立足中小学生认知特点，融合技术趋势且深入浅出，着重激发创造力。
（三）就业市场：应对具身智能的挑战
1. 具身智能的市场潜力与障碍：具身智能是万亿级市场，但训练语料数据标准不统一和成本居高不下限制了其发展。
2. 应对策略：
政府或行业协会牵头建立统一语料共享标准，推动数据流通。
期待技术突破将产品成本降至10万元以内，拓展应用场景。
国家加强技能培训，培育复合型人才，应对单一工种被替代后的劳动力转型问题。
三、GPU产业与算力发展：中国芯片的机遇与挑战
（一）GPU企业上市热潮的意义
国内GPU企业上市热潮是中国芯片集成电路创业者的重大利好，标志着中国在全球AI竞争中与美国并肩前行。国内GPU企业可赋能千行百业，助力大模型与垂类模型快速迭代，并有望推动中国科技力量走向全球市场。
（二）算力发展的转型趋势
算力将从预训练、训练为主向推理方向演变，以更好支撑智能体与实际应用落地。异构融合算力（GPU、CPU、ASIC等协同）将成为主流趋势。
（三）GPU产业生态的挑战与应对
1. 国际巨头的垄断：英伟达凭借硬件与CUDA软件生态的深度绑定，构筑了垄断性闭环，全球95%的开发者和80%以上的大模型训练使用其系统。
2. 中国的短板与战略需求：中国在基础软件平台、开发生态和行业标准方面存在显著短板，需打造中国版、国际一流的GPU通用计算软件平台（“华夏CUDA”），以保障技术安全、赢得竞争主动权。
四、上海AI产业发展：优势与精准发力方向
（一）上海AI产业的基础优势
上海作为人工智能三大先导产业之一的城市，已集聚天数智芯、壁仞科技等具备竞争力的国产GPU设计企业，硬件能力快速提升。在算力部署、语料数据构建和行业垂类模型打造等方面为产业发展提供了稳固支撑。
（二）未来精准发力方向
1. 培育行业垂类独角兽：重点培育更多行业垂类智能体和模型的独角兽企业。
2. 强化行业语料库支持：加强行业语料库的建设和支持。
3. 推动芯片产业协同：促进芯片产业协同发力，提升整体竞争力。
