围绕新一轮科技革命和产业变革，人工智能正从“工具应用”走向“体系化赋能”。
受访专家认为，我国人工智能技术整体已进入全球第一梯队，在若干领域形成特色路径，尤其是在开源生态、大规模应用落地以及与制造业、服务业深度结合方面呈现出明显优势。
但在产业端加速迭代的同时，基础研究、人才供给与转化机制仍存在结构性矛盾，亟需通过制度与平台创新实现更高质量的协同。
问题：场景需求旺盛与人才供给、科研组织方式之间不匹配 一方面，国内拥有超大规模市场与丰富应用场景，从智能制造、城市治理到医疗科研，各行业对智能化升级的需求持续增长，创新成果转化空间巨大。
另一方面，一线产业常常面临“缺人才、缺工程化能力、缺可持续迭代机制”的困境：先进技术在实验室和论文层面跑得很快，但进入复杂真实场景时，往往遇到数据、可靠性、安全性、成本以及流程改造等多重门槛。
与此同时，高校人才培养以学期与学制为周期，难以及时对接半年甚至数月一迭代的技术前沿，出现“课堂滞后于产业”的现实问题。
原因：技术迭代加速、跨学科融合增强、创新链条更长更复杂 受访专家指出，当前人工智能的发展呈现两大趋势：其一，大模型推动通用能力快速提升，算法、算力、数据和工程体系互相牵引，更新速度显著加快；其二，人工智能与机器人、材料、化学、生物等学科交叉更深，创新不再局限于单一学科或单点技术突破，而是涉及从理论、模型到硬件、工艺、应用系统的全链条协同。
这使得传统的科研组织方式与人才培养模式面临压力：单靠课堂教学难以覆盖工程实践需求，单靠企业培训又容易忽视基础理论与长期能力建设，导致“短期可用”和“长期可持续”之间出现张力。
影响：决定产业升级速度，也影响科研范式变革质量 从产业层面看，能否形成基础研究与产业应用的顺畅循环，直接决定技术扩散与产业升级的速度。
具身智能、智能机器人等与实体经济紧密相关的方向，对供应链、场景组织和工程落地能力要求更高，优势一旦形成，可能带动制造业效率提升和新业态成长。
受访专家认为，我国扎实的产业基础与丰富的应用场景，为具身智能等方向提供了更易试错、更快迭代的条件，有望在“研发—测试—量产—应用”闭环上形成竞争力。
从科研层面看，科学智能正在改变研究方式。
以面向化学合成、药物设计等任务的大模型为例，其价值不仅在于提高效率，更可能推动实验设计、参数搜索、路径规划等环节从“经验驱动”向“数据与模型驱动”转变，进而促进科研组织形式变化。
如果未来与自动化设备深度耦合，可能催生“自动化实验—数据回流—模型迭代—再实验”的新型循环，加速基础科学与工程技术的双向促进。
对策：以校企协同育人和平台化科研两条线同步推进 为破解“场景大、课堂小”的矛盾，受访专家建议，以校企共建实践课堂等方式，把真实项目、真实数据和真实工程流程引入教学环节，提升学生从算法到系统的综合能力。
同时，以更灵活的跨学科培养机制适配前沿技术更新，通过模块化课程、短周期项目制训练、跨校资源共享等方式，缩短学生从学习到上手的时间，提高对行业变化的适应性。
在科研组织方面，可通过“一体两翼”等布局强化体系化攻关：以大模型及相关基础理论为核心，向具身智能和科学智能等关键方向延展，形成“理论—模型—系统—场景”的贯通。
受访专家介绍，在具身智能方向，相关团队推动双臂协同模型在机器人训练场景应用，并通过开源共享扩大生态协同；在科学智能方向，自主研制的科学大模型已在化学合成与药物设计等任务中验证效果，并探索与机器人系统结合，面向“自主无人实验室”等新形态开展持续研发。
上述探索反映出一个趋势：创新平台正从单点实验室走向“模型+数据+设备+流程”的综合性基础设施。
前景：从“技术突破”迈向“生态能力”，形成更可持续的创新循环 面向未来，业内普遍认为，人工智能竞争将更多体现为创新体系能力的竞争：一是协同能力，能否把高校基础研究、企业工程化能力与行业场景长期绑定，形成稳定的成果转化通道；二是基础设施能力，能否建设面向科学研究和产业落地的智能化平台，使模型训练、评测验证、实验执行、数据管理等环节标准化、规模化；三是人才供给能力，能否持续培养既懂基础理论又懂工程实践的复合型人才。
受访专家表示，将进一步推动校企协同的学生创新创业平台建设，加强与机构深度合作，同时打造智能化科研基础设施平台，探索以科学大模型赋能国家级科研设施，推动传统实验室向智能化、无人化升级。
多方合力下，人工智能有望在赋能实体经济的同时，带动科研效率提升和创新范式迭代，为高质量发展注入更强动能。
在人工智能这场关乎未来国际竞争力的长跑中，中国既需要保持技术创新的锐度，更需构建产学研深度融合的生态系统。
杨小康团队提出的矛盾破解方案，不仅为高校科研转型提供了样本，其“基础研究—产业应用—反哺科研”的良性循环模式，或将成为中国抢占智能时代制高点的重要方法论。