从 AI 和数据要素角度聊聊“新质生产力”对企业数字化转型的影响

2024 年《政府工作报告》指出，要大力推进现代化产业体系建设，加快发展新质生产力。要深化大数据、人工智能等研发应用，开展“人工智能 +”行动，打造具有国际竞争力的数字产业集群。

瞬时间，“新质生产力”、“人工智能 +”、数据要素成为今年两会高频词。那么，什么是“新质生产力”？对于各行各业以及各个不同规模的企业而言，下一阶段的数字化转型具体如何布局？如何挖掘数据要素价值，赋能各领域产业创新？又如何根据自身情况有效落实“人工智能 +”行动，迈向智能化？

在日前的 《超级连麦. 数智大脑》直播中，InfoQ 邀请了亚太人工智能协会数据资产管理分会理事成员、国际数据管理高级研究院管理成员吴大有与中国一汽研发总院智能网联开发院人机交互设计主任张大权，围绕以上话题进行了深入探讨。

以下内容根据对话整理，篇幅有删减，点击链接可观看直播回放：https://www.infoq.cn/video/7JoGwY1qJeMfA3d7AqW5

张大权： 首先是新质生产力，这个概念的重点是发展先进生产力，特别是涉及新能源、新材料、先进制造和电子信息等产业。汽车作为一个工业产品，融合了多方资源，与新质生产力的发展密切相关。我们期望未来能在这方面为汽车市场创造更多机会。

其次是数字经济。除了大规模制造汽车，我们希望更多地将数据和大模型应用到车机系统中，以适应时代发展的需求。座舱的演进也是重点之一，我们不仅视其为出行工具，更希望通过自动座舱为用户提供更丰富、更全面的服务。数字经济在这一方面起着关键作用，它涉及如何有效地利用用户数据，并将其转化为可持续的收益模型，从而为企业提供更多收益，推动整体经济发展。

吴大有：新质生产力是一个受到广泛关注的话题，在数据要素的研究方面，由于历经多年的发展，对于如何赋能新质生产力的讨论也备受关注。许多委员和专家持续讨论数据资产如何更深入地发展，包括确权、估值、交易等方面，以及如何促进未来数字经济社会的发展，包括中国在 2035 年成为全球领先的数字经济国家的目标。如何将数据赋能于人工智能和新质生产力成为了我们非常关注的重要议题。

此外，现代化产业体系的建设尤其是对新质生产力的直接赋能，已成为国家政府工作报告中的重要内容。如大权老师刚才提到的科技创新，未来还将涉及产业结构优化、产业链协同等方面的发展，这需要我们在科技结构上做出更多提升。

另外，人工智能目前是一个全球性的热门话题，很多委员也在讨论如何迅速让一部分人先使用 Sora，因为 Sora 的出现颠覆了人们的想象。马斯克甚至在 Sora 发布当天说了“Goodbye, human”（再见，人类），预示着我们即将进入硅基社会。因此，无论是数据要素，还是各行各业对人工智能的深入应用，以及背后产生的经济效益，都是非常重要的事情。

此外，智能驾驶的规范和立法也成为了这次两会热议的焦点。汽车行业的数字化转型路径、关键技术以及未来发展也至关重要。

吴大有： 新质生产力被视为新时代产业发展的关键驱动力，它对以往的众多概念进行了精炼和提炼，形成了四个核心要素：科技进步、人力资本、数字化转型以及绿色可持续发展。

• 科技进步方面，新质生产力包括了人工智能、大数据、云计算等新一代科技技术，这些都是推动产业发展的核心动力。

• 人力资本则强调了高技能创新型人才的培养和使用，这对于企业和社会的创新能力至关重要。

• 数字化转型代表了企业如何利用数字技术来提升工作效率和创造价值，这是现代企业在激烈的市场竞争中保持竞争力的关键。

• 绿色可持续发展则关注在发展过程中如何平衡环境保护和资源节约，这也是当前国际社会普遍重视的 ESG（环境、社会和治理）报告所强调的内容。

在不同行业中布局新质生产力时，重要的是要关注如何有效利用这些核心要素，以实现行业内的优化发展。通过这样的布局，可以在各自的领域内实现更好的发展成果。

张大权： 我们计划首先设计战略。邱现东董事长在今年年初的会议上已经宣布，我们将全面拥抱新能源，逐步将产品线转向新能源车型，并向市场推出更多纯电动和其他混合动力的新能源车型。

其次，我们将建立自己的数据平台。通过这个平台，我们将挖掘服务的关键要素，包括部署用户模型，以提供基于用户账户的个性化服务。通过长期学习了解用户习惯，我们希望使车辆的座舱更加符合用户的舒适使用需求。此外，我们希望建立一个协同平台，不仅在车机端，也在手机端为用户提供更全面的服务。这包括我们的红旗智联手机生态系统，实现跨平台的协同工作。

第三，我们希望通过新能源战略，积极响应国家的新战略，推动大规模设备更新和消费品的以旧换新行动。在一汽，我们将积极布局，推动将传统燃油出租车转变为电动出租车等工作的开展。

吴大有： 我们正面临出海挑战、科技专精特新、小巨人等底层创新的关键时期，产业发展中仍存在许多困境和痛点需要改善，新质生产力能够有效地帮助我们解决这些核心问题。

比如，针对人工智能和核心技术方面与国外的差距，新质生产力可以帮助我们专注于攻克核心的技术瓶颈。

再比如，许多传统行业面临产业结构升级的压力。在数字经济发展中，企业对数据的理解尚不成熟，数据要素市场的发展需要企业对数据的理解先成熟起来，包括数据规范性、完整性、质量、框架等方面。目前，数据要素市场发展不完整，数据产权、确权、流通、交易的法规制度还不完善。尽管自 2024 年 1 月 1 日起，数据资产已正式入表，但许多法规尚未完全建立。人才培养也是关键，尤其是在人工智能时代，我们需要关注核心人才培养，如何培养高技能、复合性的人才，以及能够与 AI 协作的高级人才。

绿色转型成本的增加也是企业面临的挑战之一，许多国家正在加强环保约束。

新质生产力作为一个关键词，覆盖了以上所有各个层面，帮助各行各业在关键领域进行布局和资源投入，是指导企业行动的重要指南。

张大权： 以汽车行业为例，举例来说，最初的电动车充电平台大约是在 400 伏特，近年来，随着技术发展，800 伏特的充电平台普及速度加快。在短短一年半内，已有四五家企业陆续部署了高电压充电平台。这说明随着技术的发展，硬件技术的发展速度会趋向一致，电机、电池等三电系统的差异性竞争逐渐缩小。因此，在硬件成本不变的情况下，提升用户体验以及服务，成为关键，这也是数字经济的讨论重点。

数字经济从过去仅仅是一个概念，转变为如何运营现有的用户 数据资产。以往，我们只将用户数据用于意见收集、市场调研等，但因为数据质量不高，无法指导汽车产品的长期设计。现在通过 OTA 迭代软件，以及多样性的数据采集，我们更能捕捉用户的实际需求，并通过快速迭代方式响应用户诉求。此外，基于多感知技术，我们还可以满足用户的情感性需求，比如通过检测驾驶员的情绪变化来调整车内环境，提高驾驶安全性。

在智能驾驶方面，以往更多是规则化设计，但通过数字技术，我们能够大规模学习用户在真实路况下的驾驶行为。特别是利用长期驾驶经验抽象成数字规则，集成到模型中，再分发给新手用户，以帮助他们更好地应对各种驾驶情况。

张大权： 首先是车载系统的开发，目前，许多厂商已经开始自主研发自己的座舱操作系统，这是响应国家技术创新和技术自主号召的一个举措。

其次，我们致力于丰富车载生态系统。与传统的手机生态系统相比，车载生态更注重用户在车辆使用过程中的安全性。除了提供娱乐和导航等常见功能外，我们还希望为用户提供新的用车场景，例如休息小憩模式，以及在车上观看电影、露营等体验。在此基础上，我们希望车辆不仅仅是一种出行工具，而是能够配备更多装备，适应更多其他服务场景的需求，从而使车辆功能更加多样化和全面。

吴大有： 对于新能源车企业和工业制造企业来说，在当前环境中，可持续发展和绿色低碳的需求日益增长。在新质生产力的背景下，有许多做法可以帮助企业实现更绿色、更低碳、更可持续的发展方式。

特别是人工智能，许多企业开始使用人工智能方法来优化能源管理，实现节能减排，提高资源利用率。有的企业甚至利用 AI 技术预测和控制污染物排放，实施环保生产，以及在车间和智能化制造设备中提升产品质量和生产效率。在化工行业、车间制造等各种制造行业中，人工智能的应用已经广泛存在。随着国家在碳排放方面开始实施碳交易，人工智能在绿色低碳、可持续发展以及碳交易环境中的应用将成为一个常见且大规模应用的场景。

张大权： 目前的主要挑战之一是整车设计的复杂性。首先，汽车的整个设计周期和生产周期较长，因此如何在最初阶段更好地定义未来 2-3 年的整体发展趋势是一项重大挑战。这包括确定整体设计方向以及未来用户群体的变化趋势，我们需要不断监控并长期捕捉用户群体的需求，以及时适应时代的需求变化。

其次，模块化和规模化是另一个重要方面。我们不能每辆车都单独制造，而是需要在车辆之间寻求平台化，并在各个部件之间寻求模块化，以更好地适应不同车型的组装。例如，在 10 万到 15 万车型中需要哪些部件的拼装？15 万到 20 万车型又需要哪些部件的拼装？两个车型之间的模块化产品有哪些是通用的？而不通用的部件又如何体现车型之间的差异性？只有在梳理好这些模块和平台之间的继承关系以及差异关系之后，才能够提供更好的服务。目前，许多新势力厂商提供的大规模压铸一体车身展示了模块化和通用化的设计方向和工作方向。

张大权： 我们主要采取了以下解决方案：首先，我们着重建立不同的产品线，以满足不同用户群体的需求。我们拥有高端的 9 系车型，以及相对大众化的 3 系和 5 系车型。在不同产品线之间，我们建立了跨平台的通用化组件，以节省研发周期并提高可靠性。其次，我们根据各自的特点为车型提供差异化的服务。高端车型更注重舒适娱乐和高端享受，而低端车型更侧重于探索新技术，每个车型都有自己承载的不同市场任务。

吴大有： 在工业制造领域，人工智能应用较早，例如智能生产线、预测性维护和供应链优化，此外，模拟制造和数字孪生引擎等技术也被用于预测性修复等场景。

医疗健康领域也在利用人工智能，例如一些医院已经开始使用远程技术，无需开刀即可精准定位患者大脑中的肿瘤，并进行治疗。辅助诊断、视觉治疗、个性化治疗、精神管理、癌症预防和基因预防等都是人工智能深入应用的场景。

金融领域中，人工智能主要用于风险预测和控制，帮助金融行业预防呆账和不良资产，以及进行精准营销和智能投顾等。

手机行业中，厂商也在强调将所有功能与 AI 深度结合。汽车行业同样如此，许多应用开始与 AI 深度结合，未来座舱内部的功能也将与 AI 整合。

张大权： 我的工作主要聚焦智能座舱设计领域，特别是在人机交互设计方面，大模型的应用主要体现在如何利用大模型来提供用户服务。目前，我们首先引入的是语音大模型，它能够让用户更精准地控制车辆。除了控制功能之外，大模型还能够提供用户对信息查询和知识了解的服务。

第二个应用是通过大模型深入了解用户的使用习惯。通过模拟和学习，我们可以对用户在使用过程中车辆可能出现的潜在问题进行预先预警。这样，我们可以提前通知用户进行维修和保养，从而减少故障发生和安全隐患。

吴大有： 首先是高研发成本的问题。不仅仅是算法，还包括芯片，技术迭代速度极快，而这些技术投入的成本都是相当之高的。同时，这种快速的技术迭代带来了兼容性问题，上一代的技术可能在下一代就无法使用，这需要处理很多兼容性问题。

此外，随着计算资源和算力而来的还有电费和降温问题。高电费不仅增加了成本，还间接带来了环境问题，如碳排放和环境温度上升，这些都是我们需要考虑的。

其次，大模型或大规模训练需要海量数据，而数据的获取又是一个挑战。近年来，合成数据成为了一个新的概念，因为缺乏足够的真实数据，大模型在训练时可能会面临数据荒的问题，不得不自己合成数据。但合成数据的准确性和有效性又是另一个问题，这涉及数据管理和数据真实性。

与此同时，这也带来了一个衍生问题，即大模型或人工智能所创造的数据究竟属于谁？ 数据的所有权和安全性成为了一个新的课题，隐私保护也变得至关重要。

综上所述，技术、业务深度融合，道德规范、法规要求，环境算力和资源平衡问题，以及相关政策法规的配套不足，都是当前人工智能发展面临的挑战和阻力。这些问题需要大量的时间和人才投入来解决。

吴大有： 可以从以下几个关键点入手逐步解决问题。

1. 政策扶持： 首先，需要从政策层面获得支持。因为如果没有适当的政策和规范的大环境，问题将难以得到解决。国家两会已经提出了“人工智能 + 行动”的议题，这意味着从上至下的推动是解决问题的一个途径。

2. 技术研发： 国内需要加强技术研发和突破，才能真正掌握关键技术。这意味着企业需要投入资源进行技术创新和研发。

3. 数据共享与安全： 人工智能的发展需要高质量的数据支持。建立数据共享和安全保护的规范和模型至关重要。这需要行业内的协同合作，以及确保数据的可靠性和安全性。

4. 跨界合作： 鼓励更多的跨界合作，这在国内相对不那么成熟。可以参考国外的经验，如在英国，企业之间会有定期的交流会，开放地分享产业研究成果。

5. 人才培养： 聚焦于培养人工智能领域的专业人才。目前，大学的专业设置可能跟不上行业发展的需求，教育机构需要努力开设新的专业，以满足市场和行业的需求。

张大权： 汽车作为工业产品，其设计的重要基准之一是标准化和法规化。在当前的人工智能领域，尤其是大模型在车机端的应用，尚无统一的标准和规范。因此，如何将这些技术应用到汽车上，以及它们如何面向用户和适应未来法规的变化，这些不确定性和风险都是我们在实际工作中需要不断探索和挖掘的问题。

其次，大模型所依赖的数据涉及数据安全和隐私保护的问题，这也使得法规对车机厂提出了更严格的要求，包括数据脱敏和数据存留等。这些因素都是在设计过程中需要考虑的重要问题。

此外，用户在面对新科技和新的驾驶方式时，仍然存在一些担忧，例如对智能驾驶的安全性、可靠性，以及智能驾驶过程中可能出现的交通问题的担忧。为了解决这些担忧，我们需要国家层面的知识普及，加强宣传和教育，以便让公众对智能驾驶有更深入和准确的理解。

吴大有：对于智能驾驶的规范和立法，我认为这是所有行业保障的基石。无论是在美国还是在中国，智能驾驶都处于起步阶段，因为要达到完全的 L5 水平，这需要大家共同努力。

在立法方面，需要明确各方的责任，包括系统方、车辆方、驾驶方和保险方。需要设定严格的测试标准，包括系统、保险和汽车标准，以及认证标准。同时，需要完善事故处理方式和保险制度，建立完整的智能驾驶数据安全和隐私保护体系。医疗机构和保险机构已经开始追踪驾驶行为，包括用户的长期驾驶习惯，以更好地与车辆、保险公司和医疗公司合作。这些合作可能会为无人驾驶带来很大帮助，使驾驶风险评估更准确，而数据资产的应用 也会在此过程中发挥重要作用。

近年来，城市交通数据也在追踪，并与汽车的车联网相连接。未来，城市的无人驾驶可能会将城市规划纳入汽车驾驶范畴，智能城市可能会成为总控，但这需要更多的规范。法规、保险制度和数据的完整性都需要不断加强。城市正在努力建立停车场数据、动态交通数据和静态交通数据，这些数据将影响智能驾驶的相关性。

吴大有： 数据在许多企业中都存在，但它存在于不同的形态之中。大部分企业拥有的数据被称为数据资源，但要为企业带来实际价值，数据需要被提炼、打磨、加工，至少要成为数据资产。在企业中，数据资产的特点是能为企业降低成本、提高效率、加速生产流程，直接带来经济效益，降低风险，以及创造预测未来趋势的能力。

换句话说，企业要想让数据带来赋能和效益，首先要确保企业内部的数据规范、数据治理，以及进行完整的数据确权合规等途径。只有有完整的路径规范架构和质量控制，数据才能真正上升到数据资产的层级，并对业务进行赋能，甚至具备打造成产品的能力。

常见的数据产品类型包括报告、数据库和软件平台，这些都是经过深度加工或已经打磨成型的高级数据资产。传统企业的数据大部分停留在内部系统中，能够提炼到高度的能力有限，只能对企业内部产生一些基本的赋能。

吴大有： 对于已经形成的数据资产，需要持续运营。首先需要问的是，在组织中是否设立了数据资产运营的机构和平台？因为数据具有生命周期，会衰退，需要不断维护质量、更新内容，才能持续产生价值。因此，需要有一个专门的数据团队，不断更新数据内容和质量，才能创造价值并变现。这也考验着组织是否有成熟的数据团队。

国内大多数非数据型公司可能有 IT 团队，但未必有数据团队。因此，虽然这些公司可能拥有数据资产，也能产生一时的交易或价值变现，但很难持续产生价值，因为缺乏真正的数据团队进行持续运营。

吴大有： 目前遇到的最大问题是数据权属不明确，数据持有权、经营权、加工权等数据权属分离问题成为主要挑战。因此，企业在数据管理前需要有强烈的法律意识。

除此之外，还要关注数据的价值评估。目前，数据估价主要基于无形资产、存货的成本法计价。在成本法下，数据的投入和折旧计算可能并不高。要使数据有效增值，需要在商业模式中创造使用数据直接为商业增值的能力，这样的数据在未来入表或创造商业价值时才有意义。如果数据本身没有为企业创造太多商业增值空间，直接入表可能产生的价值也不大。

因此，不应该幻想数据入表能创造大量价值。如果数据没有直接为企业带来商业效益，入表可能只是形式上的，还可能需要会计师进行成本计算。关键是要认真经营数据，按照法规要求进行扎实的投入。所谓的“坑”往往是由于理解不明确或抱有太多幻想造成的。按照法规和商业逻辑正确理解数据，就可以避免很多问题。

吴大有： 要实现更好的协作，首先企业需要培养共同的数据思维。在数字化转型的过程中，我们经常听到“数据孤岛”这个词。数据孤岛指的是不同部门各自拥有独立的系统，数据无法互通，导致协作变得更加困难。在强调数据经营和协同工作的今天，如果没有统一的数据文化，各部门之间的协作就会遇到重重困难。

数据如果不被视作资本而被共享，就会变成成本。因为数据需要存储，随着数据量的不断增加，未使用的数据只会带来存储成本，最终可能导致数据被删除，处理数据也成为一项成本。如果企业不正视如何利用数据驱动，不建立以数据为中心的文化，不打通部门间的权限，不建立以数据为中心的思考逻辑，那么就很难实现数据经营和真正的可持续发展模式。

吴大有： 从我的角度来看，数据和数据资产是一体的，数据的变化直接影响数据资产的变化。这与如何经营数据资产的问题密切相关。要维持数据资产的高价值性，我们需要关注其数据生命周期。在数据不断变化的同时，要持续关注这些变化，确保数据在可用场景中保持其价值，并及时剔除不良数据，同时不断捕捉有价值的数据。

在数据产品交易中，我们需要关注产品是否有买卖双方，以及交易是否有具体的场景。例如，如果我们制作了交通数据（如停车数据），就需要确定谁会对这些停车数据感兴趣，比如车厂、环保公司等，他们可能想用这些数据开发产品或了解当地的空气质量。一旦我们确定了场景，就知道买卖双方在哪里。

有了明确的场景，我们就可以按照这个场景不断优化数据内容，使买方愿意为数据付费。数据不断变化，比如停车场数据不断更新，但我们需要确定这些数据是否有效，是否真的能够证明当地的空气质量或停车情况。问题的关键就在于数据是否能满足场景中买卖双方的需求。在数据变化过程中，我们要持续关注数据产品的最终场景和交易双方所需的结果，不断维护数据内容。始终以目标为导向，明确产品的交易目标，才能不断运营和维护它。

张大权： 首先，我们专门设立了一个大数据团队，负责建立和管理工作中的整体数据管理制度和流程，包括数据的采集、存储、处理和应用等环节，确保数据的安全性和准确性。此外，团队还会利用数据进行挖掘和分析，以指导企业的决策和业务发展。同时，我们还建立了完善的数据保护机制，确保企业数据的隐私性和安全性。

目前，许多外国车企和国内主机厂（例如大众与小鹏）正在进行合作，从而带来大量新数据的产生。我们需要考虑的是如何在自身产生的数据之外，与行业其他企业共享数据。例如，在自动驾驶的最后几公里问题上，一个 OEM 车企的车主在小区内学习的地下车库车位的摄像数据是否可以共享给其他 OEM，这样可以使每个用户在驾驶时都能享受到便利的停车体验，而不必让每个车机厂都承担高昂的硬件成本和用户的学习成本去重新学习地图或小区地图。这可能是建立一种新的数据运营形态和商业模式的开始，正如吴老师所说，这是一个共享数据的新业态，也是未来发展的一个方向。

张大权： 首先，我们必须遵守国家的相关法律法规，确保数据的合规获取、合规使用，以及进行必要的数据脱敏处理。在没有明确法规之前，我们不会随意使用数据。其次，我们需要选择适合自己业务特点的方式和视角。正如吴老师所言，并非所有数据都能使用，我们会结合业务特点和实际情况，使用数据管理和分析工具。

对于短期数据，我们会及时响应用户需求；对于长期数据，我们将进行中长期的策略支持和战略决策。此外，我们的数据处理团队需要更加完善，包括从设计端、销售端以及运营端等各个终端的整体数据采集、管理和使用，以及在数据使用时与各部门和团队建立良好的流程和管理机制。最重要的是，我们也希望联合业内外的企业共享数据资源，让更多企业能够享受到数据红利。

张大权： 我们正在建立整体的数据认知。我们的数据不仅来源于终端采集，还包括前期的调研数据，以及运营团队通过走访和与用户交流所获得的数据。目前，一汽也在建立以车型产品线为主导的跨部门协同工作机制。我们将这些数据统一收集到管理平台上，并在确保数据安全的前提下，与各个部门共享。这样，各部门就可以基于这些数据进行协同工作，指导设计，并在执行相关决策时利用这些数据。

在一汽内部，每个部门都有自己的业务特点，而这些业务特点对数据的需求各不相同。当然，不同部门的业务之间也存在交集，这些交集部分需要我们根据自己的业务特点，在不同部门间寻找业务特点的上游和下游。同时，数据也会指导我们更好地确定应该与哪个上游团队合作。

张大权： 数据最重要目的是指导我们更好地满足用户需求，了解用户的痛点。通过技术手段解决这些问题，我们可以对用户的行为数据和使用习惯建立不同的标签。基于这些标签，我们可以捕捉用户在使用过程中可能存在的问题或喜好。例如，有的用户可能更喜欢某种导航信息的提供方式，有的喜欢看全局视图，有的则偏好简略信息；有的人喜欢边开车边听歌，而不同的人可能对歌曲的类型有不同的偏好。我们会对每种用户习惯进行标签化处理，通过标签抽象用户的行为和喜好。当这些数据回到数据平台时，我们就能了解用户对哪些功能更感兴趣，用户的习惯是怎样的，以及不同车系之间用户喜好的差异。总而言之，这些信息能够更好地指导我们的整体设计方向。

张大权： 我们的设计部门目前正在推行数字化转型。首先，我们的目标是实现业务上线，让每位设计师都能在一个更优质的数据平台上开展工作。其次，我们倡导的口号是“设计即销售”，这意味着我们希望设计工作能更直接地面向用户，能够及时响应和满足用户的需求和期待。这样的方式有助于我们在设计周期内更快地进行迭代，完整地实现和探索尚未被满足的用户需求，从而提升整体服务质量。

吴大有： 在推进数字经济创新发展的过程中，我们需要从多个层面来考虑。首先，在国家层面，我们需要更多关于数据的完整法律法规体系，以确保数字化经济形态有更好的数据存储、数据安全、数据流通规范，以及更公正透明的数据交易规则，这样大家才能更有信心地投入其中进行交易。

同时，教育和科研机构的融入发展环境也非常重要，以便在科研、教育和产业中有更多的紧密交流。专项基金和合作平台的建立可以加大对前沿数字技术如人工智能、大数据分析、区块链等的投入，帮助我们更好地进行转化和产业化应用。

我们还需要构建完整的数据生态链，从数据采集、存储、应用分析等各个环节都需要有有效的运行机制。企业也需要进行更多的数字化改造和技术创新，政策引导、税收补助、补贴激励等措施可以帮助企业克服数字化障碍，真正普及数据驱动的能力。

此外，企业与高校、科研机构之间的合作也是推动完整转型的关键。正如我们国家所提，到 2035 年要成为全球领先的数字经济国家，因此与国际间的合作也显得尤为重要。数字经济应与全球联动，建立国际数据治理规则，打通国际流动的安全标准和机制，实现数据资源在全球规范内的高效联动和应用。

最后，我想强调的是，数字经济的健康发展需要宏观层面的法规建设，微观层面的企业创新和人才培养，以及国内外的协同整合。这样我们才能拥有一个更完整、更健全的经济生态，未来的数字化道路将更加稳健，数字经济将实现高质量发展，新质生产力也将得到真正的落地和应用。