当前，AI技术在产业创新中应用的深度和广度不断拓展，亟需一套更加适应AI的产业创新机制。党的二十大指出，要“推动战略性新兴产业融合集群发展，构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎”。AI绘图、ChatGPT的爆发给业界带来巨大冲击，也折射出AI创新发展路径及其对产业的影响。基于对AI绘画的观察分析，赛迪研究院规划研究所总结出AI创新影响产业发展的四大特征，并给出了相应的建议。 

一、从 AI 绘画看AI创新四大特征

快速膨胀：AI技术“奇点”突破后在极短时间内转化为产业市场影响力。AI技术迭代发展不是线性特征，而是在某个时间爆发，这在 AI绘画和ChatGPT领域更为明显。2022年10月，一幅使用AI绘画服务MidJourney生成的数字油画在美国科罗拉多州博览会艺术比赛中夺魁，2023年OpenAI发布ChatGPT，使生成式AI从深度学习科研领域的技术验证快速转化为面向非人工智能专业人士的产业化工具。 

一是用户数量和创作数量快速膨胀。Stable Diffusion模型发布不到一年，DreamStudio来自全球50多个国家的注册用户已超过100万，并共同创建了超过1.7亿张图像。Midjourney则在不到6个月用户就超过百万，成为史上蹿红最快的应用。ChatGPT发布第五天就积累了100万用户；发布两个月，ChatGPT就突破了1亿用户。

二是行业影响力呈数量级增长。据百度大数据分析，2022年10月前，AI绘画的搜索指数接近于0，意味着除了深度学习专业人士外界少有关注。进入10月，随着科罗拉多州艺术比赛等热搜的刺激，在一周内热搜指数超过3000，一个月超10000，第五周接近20000，短期内搜索数量出现数量级增长。在画师群体投放的1521张调查问卷显示，有超过50%的人在今年之前从未听过AI绘画，90%在今年以前对AI绘画不感兴趣，目前则已有44%的人开始尝试使用AI绘画软件。

三是迅速向相似行业拓展。在AI绘画形成规模效应后， 相似技术被用来通过文字形成简洁和高质量的短视频，在Meta9月底发布产品 Make-A-Video后，谷歌在10月发布新品Imagen Video。ChatGPT在发布后则迅速从AI聊天软件转化为新闻制作、 公众号生成乃至学术研究的辅助工具。

超低成本：低廉的价格和极低的时间成本。从价格成本看， AI绘画功能被廉价租赁，普通消费者也可获得足以满足需求的海量作品。例如，AI绘画软件Midjourney的支付方式是支付10美元可生成200 张图片，或每月支付30美元可以不限量生成图片。 相对国内画师价格头像类200-300元/幅（27-40美元）、全身像500-800元/幅（68-109美元）的价格，十分廉价。此外，在部分深度学习程序开源后，还出现了完全免费或收看广告免费的AI绘画软件。免费的ChatGPT已经可以充当初级助理完成简单的逻辑对话任务，有关机构对1000家“使用或计划使用ChatGPT”公司的调查显示，几乎所有公司都表示可降本增效，类似客服中心、舆情追踪引导、和电话销售等劳动密集型岗位，通过ChatGPT均可极大压缩成本。从时间成本看，AI绘画功能的出图速度以分钟甚至秒计算，人类创作者无法比拟。以Midjourney为例，在用户给出描述词或样本图等需求后的60秒内，程序即可反馈多幅图像；用户若不满意，则可修改需求或根据反馈图像再次迭代新图，一般形成成品不超过半个工作日，但人工完成至少需数个工作日，且修改迭代的响应速度较慢。从市场反馈看，国内已经有游戏制作团队借助AI绘画来制作图标等批量化、模块化的内容， 部分画师开始使用AI绘画做线稿优化和背景绘画等耗时工作，一些平面设计团队使用AI绘画生成前期草图。

快速迭代：在突破技术“奇点”后模型迭代加快。在产生关键性模型后，对模型的扩展和快速迭代，推进了产业技术的商业化。2022年，随着StabilityAI发布Stable Diffusion模型，针对模型的修正速度极快，不断取得新突破。2023年1月中旬，调整关键词也无法生成自己想要画面的痛点被攻破，可结合文字提示，更为精准地描述画作姿态。2月初，通过ControlNet精准控图，从技术上基本解决了骨骼绑定，精准控线，以及依据3D视图的法线进行绘图，线稿上色，依据深度图结构透视精准重绘等难点，使得生成图像的自由度更低，更加符合创作者期望，同时也正式进入各大绘图工作室和广告公司的辅助工具箱。2月中旬，通过Controlnet手势插件结合openpose的技巧，部分解决了对人手、脚等部位画面不精细的问题，可以仅控制某些元素而不破坏原始图像通道。这些技术进步，在两个月内使AI绘画从“惊艳却没法用”发展成为“有效的专业辅助工具”，且各路算法架构对全面解决“AI绘制的肢体变形”问题快速迭代。ChatGPT则直接走商业化路线，从2022年11月推出到2023年2月，已经迭代了5个版本，经过功能的不断完善，推出了ChatGPT Plus收费的商业化版本。

关键少数：头部学者带动开源社区。AI关键技术由头部学者提出突破方案，实现了应用效果的能级提升，并通过开源社区的海量研究者实现快速查缺补漏和成熟完善。关键少数起到了决定性作用，一个突破性理论能够多年主导技术进程。例如，生成对抗网络（GAN）方法由 Ian Goodfellow在2015年提出，它成为AI绘画的重要方法，奠定了AI绘画的理论基础和实践运算构想。到2021年底，生成对抗网络（GAN）论文引用量超过四万，基于生成对抗网络（GAN）的衍生方法如CGAN、DCGAN、WGAN、LSGAN、BEGAN等从各个方面提升和完善了AI 绘画的基础生态。此外，关键少数与开源社区大量创新团队的融合，是理论快速具备实用价值的基础。例如，OpenAI的Alec Radford等研究人员开源新的深度学习模型CLIP后，Katherine Crowson发布了CLIP+VQGAN的版本和教程，围绕着CLIP+VQGAN开始形成社区，代码经大量创新团队的优化改进逐步成熟，并扩散至机器视觉的其他领域。Patrick Esser和Robin Romabach提出的潜扩散模型（Latent Diffusion Model）研究开源后，也是在开源社区的快速迭代下得以迅速投入实用。 

二、AI创新对制造业影响

AI绘画的冲击使传统绘画产业格局在短期内被颠覆，小微企业失去生存空间，原本尚有较大空间的立绘、约稿等市场瞬间饱和，绘画强国日本、韩国由于传统绘画产业链完备甚至出现中下层从业人员失去订单、画师联合抵制AI的情形。绘画行业属于轻资产，企业对AI冲击的反应速度相对较快，尚且出现残酷的市场重塑；重资产的制造业若无提前准备，在AI“奇点”到来时很有可能出现更加剧烈的动荡。

AI创新的快速膨胀、超低成本和关键少数等特征，对制造业可能造成如下影响：

新技术快速扩散与连贯改进。制造业由于其重资产特征，长期以来技术进步依赖积累和“knowhow”，对于时间不敏感甚至有时会停滞，在产品设计、生产控制、物料管理等数字化后，也更倾向于嵌套模板，改进进程相对缓慢。但AI一旦用于制造业并跨过奇点，其产品设计、制造流程、生产控制乃至仓储运输等技术的更新速度将会得到极大提升，并快速进入现有算力和基础科学限制下的效率最大化的“完美”状态。

一是奇点后爆发式应用。一旦依靠新的模型、算法乃至运算方式跨过奇点，该创新成果将会在行业社区迅速传播，从各个角度切入行业每个生产单位、生产环节并进行计算，大量低效的可改进项目在新技术出现的两个 月就会被发掘出来。二是快速打破企业和行业壁垒。在 AI算法爆发式应用的同时，龙头企业构筑的技术“护城河”、行业间壁垒将被快速打破，算法将在海量应用中“习百家之长”并以更加成熟的版本向不同企业、行业渗透，可能将一个企业的技术奇点变成整个行业乃至供给端的生产力跃升。三是迅速迭代出可用好用的算法。在海量应用和跨行业传播过程中，新技术的主要问题和弱 点都将暴露在各行业所有研究者面前，在技术奇点第5-7个月，迭代技术/补充技术会基本弥补这些短板，各行业专属的补丁也会在这一时期成熟。预计在技术奇点1-2年，会有一个现有技术水平下“完美”算法出现并催生“完美”的工业生产方案。

顶线人才主导与短促智力密集。AI创新前期主要依靠少数顶尖人才进行探索性积累，奇点来临与“灵光一闪”紧密联系，但技术奇点后则是不折不扣的智力密集型赛道。在短短两年内投入的智力资源越多、组织越严密，则催生“完美”方案的速率越高，在这一阶段，甚至前期的顶尖人才也需要流水线式的协作产出迭代方案。一是奇点前依赖天才和小社区的探索。在奇点前，爱好者开源社区是孵化技术奇点的最佳土壤，顶尖人才的集聚和交流则是产生成果的必要条件。要吸引顶尖人才，必须强化开源社区的管理、技术支持、算力支撑和资金项目资助等要素供给，形成长期活跃的爱好者圈子，以便为顶尖人才提供方案测试验证。二是奇点后依赖大规模的人力投入。奇点后需要的人力资源投入强度，远大于目前的导师制、院所制和揭榜挂帅等，能够提供智力资源上限，以社区为平台和枢纽，调动跨行业、跨领域的海量人员，包括有一定基础知识的AI圈外人投入到运算和使用中，以加速技术问题暴露和版本迭代速度。

低成本创新与无失误淘汰。与传统技术进步不同，AI创新的边际成本呈下降趋势，越过技术奇点后每一个相关技术改进的成本都可以忽略不计，但技术奇点前的投入显得巨大且毫无产出。超低的创新边际成本和快速“完美”的生产制造结合，使工业的马太效应趋于最大化，一旦出现技术奇点，只要决策者没有第一时间做出决策和投入资源，就会迅速被低创新成本的对手甩开，且在没有任何经营错误的情况下被市场淘汰。一是低成本创新。AI的正外部效应较强，跨行业渗透能力强，某个点位的突破只需改进参数即可简单复刻到其他环节，在需要迭代新模型之前，类似创新和改进边际成本接近于0。二是更高的 决策敏捷度。现有制造业技术进步的决策过程冗长，甚至有决策走不完直接扼杀技术进步的情况。在AI情境下，冗长无效的决策不仅会导致失去某个创新点或增加成本，而且是错过奇点，在很短时间内遭到具备“完美”生产能力对手的降维打击，进而直接被市场淘汰。

三、构建适应AI创新特征的制造业创新机制

构建适应AI创新的人才友好环境。针对AI创新的关键少数人才带动特征，进一步加强制造业与AI顶尖人才的场景联系， 为制造业各细分行业的潜在AI顶尖人才创造高自由度和无压力的创新环境，打造人才友好型创新机制。

一是设臵重点制造业场景AI创新竞赛。在工业母机、仪器仪表、生物医药和高端芯片等领域，形成一批重大应用场景，以供需联动路径下深度学习等AI技术的创造性应用为主要课题，设臵一批奖励丰厚的解决方案竞赛，吸引海内外AI前沿领域专家和创新团队共同解决工业瓶颈问题。

二是引进和培养AI场景创新引领性团队。鼓励各行业协会联盟、龙头企业和先进制造业集群引进培育专职AI创新团队，推动重点企业、国家重点工程（项目）、大科学装臵和国家实验室设臵首席AI师，在全国范围内经常性开展工业场景AI应用比武。

三是优化顶尖AI人才研发环境。实施场景成效导向考核机制，实行场景增效目标、项目节点（周期）考核等长周期简 单评价机制并简化淡化平时考核，注重团队成果考察避免仅以署名成果作为评价依据，减轻申报、报告和总结负担，建立尽职免责机制。

四是强化潜力AI人才培育。降低AI人才和团队培育门槛，不设置学历、履历和单位限制，对参与场景AI研究不设前置条件，只要满足场景AI开发条件即纳入培育池，相关交流、测试、展示、路演和体验等均开放。对成功实现场景AI开发目标的团队，在评奖、职称、落户等优惠政策方面进行倾斜，同步取消前置学历等限制，以成果论英雄。

搭建全国成网的工业AI创新开源社区。基于AI创新的低成本创新特征和关键少数特征中开源社区的作用，利用既有网络和云基础设施，搭建全国工业系统的AI创新开源社区，以便在AI创新成果出现后能够迅速成熟并实现产业化。

一是搭建非营利性工业创新专业化社区。借鉴github经验，打造囊括供给侧的创新社区，供企业和研发团队发布开创性成果、产业场景需求和软硬件供需，使全国各领域创新团队可以第一时间应用突破性技术。

二是增加软件共享资源供给。推动在社区提供多成员并行AI开发、数据集管理和模型调试训练推理转换等模块化功能，基于科研院所、龙头企业和政府软件资源，提供免费代码、数据、算法和算力等公共服务，并由政府提供可靠性管理、开发者权利保障和安全防护等服务保障。

三是强化硬件支撑能力。加大全国主要工业区算力建设力度，建设公共算力服务器，打造具有 IaaS、PaaS、SaaS能力的全站式AI云系统与服务，打造基于AI的加速器体系，推动智能芯片在各类算力平台适配应用。

提升制造业对AI创新的反应速率。针对AI创新的快速膨胀和超低成本创新特征，做好主要工业区、各先进制造业集群和重点企业集团对抗AI冲击的能力，提升使用新成果改造提升生产流程的效率，尽可能提升产业链采用颠覆性技术或方法的反应速度。

一是提升主要制造业区块对AI创新前沿的敏锐程度。推动重点工业城市、工矿企业、产业园区设置首席AI官，强化对AI创新前沿的分析预警，定期召开AI龙头企业、科研院所与工业主管部门、集群园区、重点企业的培训交流会，在航空工业、航天科工等技术基础较好中央企业探索建立制度化的AI创新体系。

二是简化应对AI突破性进展的决策流程。构建本行业AI颠覆性创新“预警+快反”机制，选取前沿AI专家作为产业化和颠覆性创新吹哨人，新设集群负责人、企业家、总工程师、首席AI官预警信息和应急应会方案，确保颠覆性技术一旦出现（或论文印发） 即进入产业应对流程。

三是推动智能化建设为AI创新应用夯实硬件基础。率先推动纺织、食品、能源、建材、造纸和轻工等长板优势产业链上下游开展全链条智能化改造，部署智能传感器、测量仪器及边缘计算设备，运用5G无线连接+工业互联网技术实现生产流程快速感知、实时监测、超前预警、联动处置、系统评估和全局协同，实现从原料到产品的全流程智能化生产。通过智能传感器应用强化传统装备的自感知、自执行和自适应水平，提升生产设备的兼容性，为添加AI生产执行模块预留空间。在石化、冶金等流程性制造领域试点应用AI控制产线，逐步向AI车间、智能工厂发展。在有条件的汽车、船舶等离散型行业构建数字孪生工厂，试用AI优化生产流程。

（作者陈笑天、张兆泽均来自赛迪研究院）