问题—— 随着数字经济深入发展，人工智能等技术应用逐步深化，对算力和数据供给提出了更高要求。目前存两上挑战：一是算力资源分散不同机构和平台，调度效率低、使用成本高，企业和科研单位面临"用算难、用算贵"问题；二是科研和产业数据来源多样、标准不一、权属模糊，难以形成高质量、可流通的数据资产。此外，部分技术应用仍停留在展示层面，与行业需求结合不深，导致落地效果不理想。 原因—— 造成这些瓶颈的原因包括：第一，算力建设与应用需求不匹配，存在区域性过剩与企业短缺并存的矛盾；第二，数据长期分散在不同部门，缺乏统一标准和治理机制，难以实现可信共享；第三，AI在制造、政务等关键领域落地需要深度适配业务流程和安全要求；第四，产学研协同不足，在算力、数据、应用验证诸上尚未形成有效闭环。 影响—— 针对这些问题，各地正采取"基础设施+生态协作"的方式推进解决。 上海推出"超智融合算力平台"和"科学数据基座库"，旨在整合分散的算力资源和碎片化科研数据，为模型训练和科学研究提供统一支持。业内人士认为，这类基础设施将降低创新门槛，推动系统性创新。同时，涉及的共建计划也释放了联合攻关的信号。 苏州数字经济产业发展大会上，与会者重点讨论了AI应用场景问题，指出场景是连接技术与价值的关键。多位嘉宾强调需解决算力成本、数据割裂等问题，加强产学研协同。会议期间，多家企业达成"AI+制造"合作，反映出产业对应用落地的迫切需求。 苏州相城区发布了一批数字经济成果，包括行业报告、创新试点、科创基金等，并推动多项数智经济项目签约。这些举措反映了以场景驱动技术、以需求引导供给的发展路径。 香港中国移动环球智算中心正式运营，作为当地重要算力枢纽，将支持大模型训练等需求，并为金融、科研等领域提供算力服务。该中心还将提升区域数字基础设施水平。 对策—— 近期各方形成以下共识：一是优化算力调度，提高利用率；二是完善数据治理体系，提升数据质量；三是建立场景验证机制，在制造等易量化领域先行示范；四是加强产学研协同，提高技术转化效率。 前景—— 业内人士认为，随着基础设施优化，数字经济竞争将更多体现在资源组织和场景运营能力上。下一阶段，能够高效整合算力数据、精准把握行业需求、快速形成解决方案的主体将更具优势。同时，绿色低碳、安全可控将成为智算中心建设的重要方向。
从科研基础到产业应用，从区域协作到国际枢纽，我国数字经济正迈向高质量发展阶段；这些探索不仅为解决算力问题提供了新思路，也预示着数字技术与实体经济深度融合的新时代即将到来。未来，优化算力资源配置和完善数据要素市场机制将是数字化转型的关键所在。