全国政协委员贺晗：建议构筑人工智能时代核心竞争力
记者张晓晖
2026年3月6日，全国两会召开之际，第十四届政协委员、天娱数科（002354.SZ）董事长贺晗提出建议：中国应夯实人工智能的底层基础，分别从原创能力、具身智能落地、构建安全的智能体生态、优化算力四个方面，构筑人工智能时代核心竞争力，避免受到“降维打击”。
贺晗表示，过去几年，我国在人工智能（AI）应用落地与场景赋能上取得了“从1到100”的显著成效。然而，面对全球日益激烈的科技竞争，我们必须清醒地认识到，要避免在下一轮大国博弈中遭遇“降维打击”，就必须向更深层次的底层基础设施和广阔的物理实体世界迈进。
2026年，我们正站在通用人工智能（AGI）加速演进的跨越性节点上。这已经不仅仅是一场单纯的技术较量，更是关乎国家未来数字经济核心命脉与底层生态主导权的关键博弈。
强化原创能力，构筑人工智能国家级技术护城河
美国在AI领域的绝对优势源于其对底层原创架构的持续突破（如Transformer架构、扩散模型、高级推理智能体等）。反观国内，虽然模型参数量和评测跑分不断攀升，但绝大多数底层框架和基础算法依然建立在海外开源生态的“底座”之上。这种“跟随式”研发模式导致我们始终存在半步到一步的技术代差，一旦海外顶尖开源模型闭源或限制使用，我国部分建立在海外底层架构上的应用生态将面临风险。
美国凭借英伟达硬件与CUDA软件生态的深度绑定，构筑了极高的算力护城河。面对高端芯片禁令，我国国产智能算力硬件在过去几年加速追赶，单卡性能已大幅提升。但核心痛点在于“软生态”滞后：国内算力芯片呈现碎片化，各自为战，缺乏一个能够跨硬件、跨厂商统筹调度的“国产统一算力软件栈”（如高效的编译器和算子库）。这导致开发者适配国产算力的成本极高，算力利用率低下，“有算力但不易用”。
通用人工智能的研发是一场高投入、高风险、长周期的极限挑战。美国拥有极其庞大且风险偏好极高的私募股权与风险资本，能够支撑头部AI企业进行每年数十亿美元的算力“试错”与人才争夺。而我国资本市场相对偏好短期商业变现，即便是政府引导基金或国资背景的产业基金，也普遍面临严格的年度考核与保值增值压力，导致市场缺乏真正敢于押注基础技术突破、容忍高失败率的“耐心资本”。
美国通过GitHub、HuggingFace等平台垄断了全球AI开发者的流量入口和标准制定权。我国虽然也有优秀企业开源了模型，但在构建具有全球号召力的国际化开源社区方面仍显薄弱。开源话语权的缺失不仅影响了中国技术标准的国际化推广，更使得全球顶尖的AI算法人才和开发者持续向美国主导的生态圈集聚，加剧了我国的高端人才流失。
贺晗建议，改革科研评价与国资考核机制，大力培育“耐心资本”；集中力量攻坚“国产算力统一软件生态”，打破软硬解耦壁垒；实施“前沿探索特区”计划，强化“从0到1”的原创技术策源；以国家力量背书，打造具有全球影响力的开源AI基础设施。
构建自主可控智能体生态
过去几年，国内基础大模型的能力大多集中在自然语言处理和多模态生成上，对支撑高级智能体稳定运行所必需的复杂推理、长链条决策规划与跨系统调度等关键能力尚有不足，导致智能体在真实业务中常出现“懂语言不懂业务、会建议不会执行、能执行但不可追溯”的问题。尤其在实体垂直场景，尚缺少能够深入核心业务系统、贯通数据与流程、形成可衡量价值闭环的“杀手级”行业智能体。
智能体的核心价值在于跨应用、跨系统的工具调用，然而，当前国内产业界工具接口与组件生态碎片化，“烟囱式智能体”偏多，面向工具调用的通用机制虽已成熟，但在产业侧缺少统一落地标准、规范与认证，导致应用可复制性弱、迁移成本高，拖累产业协同效率。
有别于传统大模型，智能体具备自主行动能力，能接管企业系统或个人的终端设备。以近期开源项目OpenClaw为例，其虽展现了惊人能力，但因缺乏权限隔离，插件市场迅速沦为恶意软件温床。这表明，一旦具备高度执行权限的智能体脱离了安全监管框架，不仅会引发严重的数据泄露与隐私侵犯，更将对企业的核心系统乃至国家网络安全构成威胁。目前，我国针对智能体行为审计、越权熔断等关键环节，缺乏系统的安全标准、监管规则与技术防范工具。
贺晗建议，强化顶层战略设计，鼓励建设行业“可信智能体运行底座”；推动工具接口与智能体组件标准化，打造可互操作的产业生态；构建包容审慎的新型监管框架，设立智能体“安全沙盒”与权限审计机制。
加快具身智能发展
与通用大模型可借助海量互联网数据不同，具身智能需要大量“任务级、过程级”的交互数据（抓取、装配、搬运、开门、叠衣等），数据获取成本高、标注难。国内各研究机构和企业的数据采集平台、传感器接口、数据格式各自为战，形成了大量“数据孤岛”，缺乏具有行业共识的高质量、大规模具身智能开源数据集。
具身智能的核心在于通用泛化。目前我国多数企业仍采用针对特定任务的定制化算法，缺乏真正意义上具备强泛化能力的具身智能基础大模型。因此，当前不少人形机器人在受控环境下表现亮眼，但面对真实世界的光照变化、物体多样性、工位差异、干扰碰撞等，仍易出现策略失效与长任务中断。
制造、物流、商服、养老等领域的真实需求巨大，但落地常见“场景碎片化、验收口径不一、预算与迭代机制不足”，导致企业在“项目制交付”与“产品化复用”之间反复摇摆。即便政府采购与补贴有所增长，整体仍处于导入期，缺少可复制的“规模化上岗模板”。
