（2）应用偏离场景。有些人工智能企业选择的研发方向无法获得充足的产业实践机会，实际上，我国人工智能科研机构研究与企业实践存在一定程度的脱离，企业往往陷入实践型人才难求的境地。由于研发人员难以与应用端的实践相结合，或者苦于应用场景下数据匮乏、无法数字化等因素制约[4]。如航空智能制造领域，一些老机型甚至没有数模资料，仅有图纸，人工智能技术“巧妇难为无米之炊”，再或者一些军工等涉密领域，准入门槛较高，不能深入场景提供智能化解决方案。目前，我国人工智能的应用领域多处于专用阶段，如人脸识别、视频监控和语音识别等都主要用于完成具体任务，覆盖范围有限，产业化程度有待提高。

（3）技术缺少硬度。部分人工智能企业对于研究和落地方向不确定，没有深入调研市场需求和可介入的应用场景，剑走偏锋、求奇求特，单纯追求研发的“高精尖”，盲目确定研发方向。按照科技部火炬中心《2016中国独角兽企业发展报告》确定的我国人工智能独角兽企业标准（一般估值10亿美元以上），截至2016年底，美国和我国是“独角兽”企业分布最多的两个国家，分别为137家和63家，从两国独角兽企业的数量上可以看出，我国人工智能技术的硬度相比美国有明显差距。

（4）区域发展失衡。截至2017年底，全国88%的人工智能企业聚集在北京、上海、广东和江苏。其中，北京人工智能企业最多，占比39.66%；其次是上海，占比21.55%；位列第三的是广东，占比15.52%。部分地区的人工智能发展方向趋同，产业实践同质，形式化问题严重，缺少地域间错峰产业实践的统筹规划和差异化的产业布局，老少边穷地区基础更加薄弱，无法有效提供产业实践机会，加之缺乏吸引人才的手段和资金支持，没能在区域统筹中充分发挥人工智能辐射行业多、撬动能力强的优势。

2.成因分析

（1）基础因素。我国开展人工智能研究起步晚、起点低，在实现跨越式发展的同时，必须面对科研基础和产业基础双薄弱的现实，人工智能是多学科的综合应用，其发展水平受限于各基础学科发展水平，人工智能产业基础参差不齐。部分产业从手工阶段直接进入智能阶段，跨越了自动化和数字化历程，甚至有些产业刚刚兴起，从无到有、从零开始，数据汇集和产业基础不完整[5]。

（2）资本因素。近年来，创新投资的兴起有效推动了人工智能的发展。由于资本追求投资收益，有退出机制和变现压力，使得在深度产业实践和融合上耐心不够，为抢占市场先机，引导或迫使人工智能企业在产业实践基础不牢的情况下以“摊大饼”的方式盲目扩张。对有需求、变现快的行业更为推崇，对产业基础差、实践周期长的领域反应冷淡。一些人工智能企业和个别地方政府缺乏远大眼光，追求短期的经济效益，期望1-2年内获得明显的经济回报，致使很大一部分人工智能创业企业急功近利、底气不足，遇到资金和产业瓶颈时难以维系。

（3）政策因素。产业实践政策的导向不够明确、缺乏目标规划，政策层面更关注如何提供软环境，缺少应用关注和产业对接，行业指导缺失，鼓励创新创业深入发展的有效举措不多，如技术加场景的合作模式中有许多是高校和企业对接，开展专项课题研究，由于高校教师更关注理论研究成果以及课题经费有限、企业方数据信息不开放等原因，导致课题研究浮于表面，结合实际少、深入一线少，大多只进行了入门级技术探索，蜻蜓点水、浅尝辄止，科技成果转化率低。

（4）监管因素。如果说当前人工智能发展引导政策注重正面保障和推动产业实践，那么监督管理则应更多体现在反面的纠偏和督促机制上。假冒“高新技术”企业是人工智能领域的典型问题，为此，科技部、财政部与国家税务局于2016年联合发布了《高新技术企业认定管理办法》，使得没有产业实践就想“冒名顶替”的情况得到遏制。除此之外，对投资资金使用、课题成果验证等方面也要提高监管强度，细化监管措施。