今年是十四五的开局之年,对区域经济一体化和产业集群的发展,有了比过去更多的关注。
在新的背景下,重新提起和重视区域经济一体化和产业集群有何深意与新意?数字化的运行和发展对区域和产业的发展有着怎样的意义?我们又该如何充分发挥数字化运行在区域和产业发展中的力量?今天我们邀请到了秦朔先生来一起探讨相关问题。
区域的产业集群被重新受到重视,这在新的背景下有何新意?
在过去的许多年中,其实也强调过区域的产业集群发展,但在新的背景下重提,会有哪些新意,我认为主要在于两点:第一,围绕核心城市,通勤时间在一至两小时的现代交通体系所辐射出的都市圈,这些都市圈之间要打破行政壁垒,让资源更加充分的流动,这一点我认为非常重要。正如现在我们所看到的,各地方之间的传统行政化壁垒正在从各方面被打破重构,这使得整个市场变得更加有机。
第二,为了提高打破重构过程中的效率,要大力发展数字化、网联化、智能化。因为只有这样才可以摆脱简单的外延扩张,取而代之的是用科技的力量来提升全要素生产率。
因此,我认为打破行政壁垒的资源配置市场化,以及用数字化的力量来提升整个社会和经济的运行效率,应该是在新的政策背景之下,重新探讨产业和区域发展的重点。
如何解决“效率”这一区域和产业转型发展的痛难点?
我认为,当今中国经济发展面临的较大挑战还是“效率”,从全社会的角度来看,我们的劳动生产率还不够高,而这样的局面未来会被数字化的力量重构。
过去,在面对大量的生产管理、资源管理等方面时,大都靠经验主义、靠人力。这种操作一方面,费时费力;另一方面,随着我们社会老龄化的加速,这种方法也很难维持下去。例如,苏州某家金融租赁公司,如果它的业务遍布全国,投入领域涉及到太阳能光伏、电站等方面,那么,这么多的资产,该如何定期地巡检?又该如何做到精准把控资产运营效率?这过程中又会出现什么问题?这些痛点,靠人力是无法解决的。
但现在,通过云服务、传感、5G等技术,就可以精准地掌握基础设施的实时运行情况;同时通过人工智能以及模型建构算法,可以了解这些设备所处的运行状态,是否需要做提前的维修保护。当设备进入疲劳期时,还可以提醒我们采取相应的措施对设备进行维护,从而构建一个从生产到调控、维修的全流程。
因此,从社会发展的角度来讲,我们国家的经济运行都会被数字化力量重构。通过数字化、联接就可以了解整个系统的状态;通过从感知智能到认知智能技术,就能够分析出相应对策让企业生产运行更高效。由此可见,数字化将是未来中国实现自我超越的一个重要抓手。
承载数字化运行力量和发展效率的,就是新基建和产业云
讲到数字化、产业发展,国家近年来一直在提 “产数融合”的概念,即推动数字经济和实体经济的深度融合。“产”就是实体经济,“数”就是数字经济,当这二者深度融合,就会极大地提高企业的生产效率。
我们可以看到,当数字化和智能化深入到产业生产和运行全过程中,必然会对数据运行和计算能力产生巨大的需求,随之也会产生大量的数据。那么,这些数据要在哪里运行呢?
一般来说,企业很难自建数据中心,尤其对中小企业来说,建立大数据中心的成本非常高。因此,企业需要去寻求运营商、云服务提供商,或第三方代运营公司的帮助,亦或去寻求政府及区域产业集群的助力。
而且我认为,随着“数字化的基因”被植入到企业、产业的整个生命周期,以及相关利益相关方当中,我们要做的就是——寻求承载和发挥数字化运行力量的软硬件基础设施。
而能够生生不息承载动态变化的数字化运行力量,就是我国一直提倡的新基建,以及最近华为云提出的“产业云”。
其中,新基建承载数字化运行的基础硬件设施,为数据运行提供基础的运行底座;产业云则一方面帮助中小企业解决“上云难”的问题,来加快各个行业的上云进程,快速享受数字化红利;另一方面,产业云也可以为产业集聚带来有机分工和效率的提高,促进分布式的研发和创新发展,进而将数字化力量切实嵌入到区域和产业发展中去,最终提升整体经济运行效率。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。