近年来，人工智能加速进入从“能力验证”到“规模化应用”的关键阶段。
如何在技术快速演进中稳固基础研究底座、把科研成果更高效率转化为现实生产力，成为我国推进新质生产力培育、建设现代化产业体系的重要课题。
业内专家在接受采访时指出，我国人工智能整体技术水平已跻身国际先进行列，部分方向呈现差异化竞争优势，但在基础研究与产业落地的衔接链条上仍存在需要直面的结构性矛盾。
一段时间以来，行业普遍面临的突出问题主要体现在两方面：其一，真实“大场景”不断涌现，但人才培养和工程训练仍容易停留在“小课堂”式的封闭环境，导致学生和研究人员对产业需求、工程约束、数据治理、安全合规等关键环节理解不足；其二，人工智能技术更新迭代速度显著快于传统学科的人才培养周期，课程设置、师资能力与实践平台建设存在滞后风险，进而影响从研究到产品的转化效率。
造成上述矛盾的原因既有技术因素，也有体系性因素。
从技术看，大模型、具身智能、科学智能等方向对算力、数据、工程系统与跨学科知识的耦合程度更高，单一学科或单一实验室很难独立完成从理论到应用的全链条闭环；从供给侧看，一些前沿技术需要高质量产业数据、持续迭代的验证环境以及稳定的工程团队支撑，而高校以学术研究为主、企业以市场节奏为主，双方在目标函数、评价体系与周期安排上客观存在差异。
此外，开源生态、产业链配套与应用场景的复杂性，也对协同机制提出更高要求。
上述矛盾的影响并不局限于科研或教育本身，而是直接关系到创新效率和产业竞争力。
一方面，如果缺少面向真实场景的系统训练，创新成果可能停留在论文或单点演示，难以形成可复制、可交付的解决方案；另一方面，若人才供给无法跟上技术迭代，将加剧企业“招人难、用人难、留人难”的结构性压力，影响机器人、智能制造、医药研发等领域的规模化应用进程。
更重要的是，人工智能正在与实体经济深度融合，能否形成稳定的“科研—工程—产品—市场”循环，将在很大程度上决定产业升级的速度与质量。
针对对策路径，受访专家认为，需要以产学研深度协同为抓手，构建更贴近产业需求的人才培养与科研组织方式。
一方面，推动高校与头部企业共建实践课堂或联合实验平台，把真实业务场景、工程标准与产业数据纳入教学科研体系，让学生在项目制、任务制、问题导向的训练中尽快形成工程能力、系统思维与合规意识；另一方面，探索更加灵活的培养机制，通过跨学科、跨院校的模块化课程设置，提升对技术前沿的响应速度，增强学生在模型、数据、系统、产品等多维度的综合能力。
在科研布局方面，受访专家介绍，其所在团队以大模型与基础理论为核心，面向具身智能与科学智能两大方向形成协同推进格局：在具身智能方向，围绕机器人操作与协同训练开展探索，推动相关模型在训练场景中验证并开放共享；在科学智能方向，面向化学合成、药物设计等需求研发科学大模型，并尝试与机器人系统结合，构建“自主无人实验室”，以智能化方式完成实验流程的操作与优化。
业内认为，这类探索的价值在于把“算法能力”进一步转化为“可执行的科研能力”和“可落地的产业能力”，有望缩短从假设提出到实验验证、从原型系统到规模应用的周期。
面向未来，人工智能的发展将更加依赖平台化、体系化建设。
受访专家提出两项重点方向：一是打造校企协同的学生创新创业平台，通过与机构深度合作提供算力、数据、工程工具链与应用场景，推动更多成果走向可用、可测、可推广；二是建设智能化科研基础设施平台，推动科学大模型赋能国家级科研设施，带动传统实验室向更高水平的智能化、无人化升级。
业内分析认为，在确保安全可控、数据合规与伦理治理的前提下，基础设施与平台能力的提升，将成为我国在全球竞争中持续保持优势的重要支撑。
在全球科技竞争日趋激烈的背景下，如何打通从基础研究到产业应用的“最后一公里”，已成为我国人工智能发展的关键命题。
杨小康提出的产学研深度融合路径，既立足现实矛盾，又着眼长远布局，为构建具有国际竞争力的科技创新体系提供了重要参考。
未来，随着更多智能化平台的落地应用，我国在人工智能领域的领先优势有望进一步巩固。