人工智能助力工业领域碳中和的机制与关键

【摘要】工业是我国国民经济的支柱产业，也是实现碳达峰碳中和目标的主战场。蓬勃发展的人工智能（AI）技术为工业脱碳带来了新的机遇。通过推动低碳技术要素的升级变革、丰富和强化数据要素的关键作用、促进各类要素的组合优化与协同配置以及变革性提升人力资本质量，AI将深刻影响工业领域的生产力与生产关系，助力工业领域实现“双碳”目标。在这一过程中，需充分挖掘并发挥工业数据要素的作用，着力提升AI赋能的精准性和系统性，并积极关注可能衍生的公平性问题。当前，应加快建设工业数据要素市场；积极开展研究和示范，提升AI技术与应用场景的适配度；突破“单点赋能”模式，构建以“产业链协同”为核心的AI赋能体系；通过优化转移支付体系、加强反垄断监管、加大教培投资和积极参与全球治理等方式，着力应对AI赋能工业的“双刃剑”效应。

【关键词】工业" 碳达峰碳中和" 人工智能" 公平性问题" 数据要素

【中图分类号】TP18/F426.22" " " " " " " " "【文献标识码】A

【DOI】10.16619/j.cnki.rmltxsqy.2025.02.005

引言

实现碳中和目标已成为国际共识，全球碳中和进程已步入执行阶段。随着气温持续升高和极端天气事件频发，世界各国开始积极应对气候变化。截至2024年5月，全球已有151个国家提出了碳中和目标。尽管仍然面临重重障碍，例如，美国气候政策的波动影响全球雄心、欧洲能源危机导致绿色政策退步、发展中国家和全球南方的转型资金依然匮乏等，全球碳中和行动仍然在成效落实方面取得了亮眼成绩。一是相关政策和法律保障体系持续完善，截至2024年5月，全球已有120个国家以法律或政策文件的形式确立了碳中和目标的法律地位，86个国家提出了详细的碳中和路线图；二是多项碳中和技术加速部署，2023年，全球光伏和风电的新增装机量分别达到346GW和116GW，全球电动轻型乘用车销量增长30%以上；三是资金问题得到一定程度解决，第29届联合国气候变化大会（COP29）气候融资集体量化目标相关草案提出了到2030年每年筹集1万亿至1.3万亿美元的气候融资目标。对于中国而言，自“双碳”目标提出以来，“1＋N”政策体系逐步完善，能源结构持续优化、能耗强度迅速下降、绿色产业蓬勃发展、生态系统碳汇能力稳步增强。尽管任重道远，但实现“双碳”目标的承诺是坚定不移的。

工业是我国国民经济的支柱产业，是能源消耗和碳排放的主要来源之一，也是实现“双碳”目标的主战场。我国的工业产能雄厚、产业门类齐全，工业领域的能源消费占我国能源消费总量的60%以上，产生的碳排放量约占全国总量的40%。其中，钢铁、水泥、石化、化工是工业领域碳排放的主要来源，合计排放量占据排放总量的80%以上。工业领域能否率先达峰，是实现2030碳达峰目标的关键；而实现2060碳中和目标，也为工业领域深度脱碳提出了更高要求。首先，诸如钢铁、水泥等行业属于难以减排的领域，实现深度脱碳面临较为高昂的边际减排成本。其次，我国工业用能碳强度较高，煤和焦炭满足了近90%的炼钢能源需求，而美、英等国炼钢则主要基于天然气和电力。同时，我国工业能效水平相对较低，2020年仍有30%钢铁产能和24%水泥产能的能效低于基准水平。此外，相对年轻的钢铁、化工设备资产也带来了更高的资产搁浅风险。

近年来，人工智能（AI）技术的迅速发展催生了一批以绿色、智能、融合为特征的新产品、新技术、新业态，为助力工业领域碳中和带来了新的机遇。立足实现“双碳”目标，厘清AI助力工业脱碳的作用机制，识别工业领域脱碳的特点及其对AI作用机制产生的影响，把握并回应AI赋能工业脱碳引发的关键问题，具有重要的理论价值与实践意义。

工业领域实现“双碳”目标的宏观路径

在实现“双碳”目标的过程中，工业领域将呈现“达峰先行”和“中和攻坚”的特点。受人口增速降低、城镇化进程趋于饱和、基础设施建设逐步放缓等因素的影响，我国钢铁、水泥等主要工业品的需求预计将持续下降。在工业能耗强度逐步降低、用能结构持续优化的背景下，预计工业碳排放达峰时间将早于2030年，相较于交通、建筑、热力和农业等领域提前3至5年。[1]然而，工业领域在迈向碳中和的进程中仍面临着一系列“减排瓶颈”，尤其是在减少高品位供热排放和化学反应过程排放等方面。鉴于此类排放的边际减排成本较高，工业部门可能在2060年仍存在部分残余排放，需依赖一定规模的碳移除（CDR）技术进行抵消。总体而言，工业领域实现碳中和目标，主要依托四大类措施[2]：（1）节能降耗；（2）加快供能结构低碳转型；（3）推动工艺流程清洁化；（4）部署负排放技术。其中，节能降耗措施侧重于在“达峰平台期”（当前至2030年）发挥主导作用；供能结构低碳转型和工艺流程清洁化将成为“快速降碳期”（2030～2050年）推进大幅减排的核心手段，以碳捕集、利用与封存（CCUS）技术为代表的负排放技术将同样在此阶段发挥关键作用；而以各类CDR技术为代表的负排放技术，则将在“深度脱碳期”（2050年后）为实现净零排放提供坚实保障。

实施全方位节能降耗，持续降低工业领域的能源需求。全方位节能降耗包括降低单位产出能源消耗强度和减少工业产出需求两个层面。其中，大幅推广节能技术和能效提升技术是降低单位产出能源消耗强度的关键手段，具体措施包括在工业领域应用高效电机、高效锅炉、变频驱动器等节能技术，以及通过余热回收与利用、能源梯级利用等方式最大限度提高能源利用效率。相比之下，减少工业产出需求还涉及工业生产过程以外的多个方面，包括加快循环经济体系建设，优化工业产品设计、延长使用寿命，推动资源梯次利用，建设高效的回收再造体系；引导需求端行为改变，鼓励资源节约型消费模式，普及绿色消费理念、助力绿色产品替代；推进全供应链优化，实施精益管理，减少生产、储存和运输过程中的物料浪费，减少非必要的工业产品需求等。

加快供能结构低碳转型，逐步构建清洁、经济、可靠的工业供能体系。实现供能结构低碳转型的关键是工业用电和工业用热的低碳化，提高清洁能源渗透率是核心举措。一方面，需要加快风能、太阳能、生物质能、核能等清洁能源的大规模开发和应用，强化配套的储能技术和输配电网络建设，确保大规模开发与高效消纳的同步推进。在这一过程中，要特别注意处理好可再生能源的波动性和工业生产的连续性之间的矛盾，需要通过新型储能、智能电网等技术提升供能系统的稳定性和灵活性。另一方面，需要推进清洁热能在工业供热中的深度应用。对于低品位热需求，可着力推广热泵等技术，实现清洁电力到清洁热能的转换；对于难以满足的高温热需求，则可通过生物燃料、绿氢及氢基衍生物（绿氨、绿醇）等实现清洁供热。

推动工艺流程清洁化，加快重点部门工艺技术革新。工艺技术革新是工业领域实现深度脱碳的核心支撑，尤其是对于钢铁、水泥和化工等重工业部门。钢铁部门当前的主流工艺是排放量较大的高炉-转炉工艺，需要以煤和焦炭作为原料和燃料投入。钢铁行业的工艺革新应聚焦优化传统生产工艺，采用纯氧高炉、氢气喷吹等技术降低长流程工艺的碳强度；加速短流程工艺的推广替代，提升废钢-电弧炉等工艺的市场份额；推动新兴工艺的研发和应用，探索绿氢直接还原铁、绿氢等离子体熔融还原及直接电解等工艺的应用模式。水泥部门需要研发并推广低熟料水泥生产工艺，降低工艺过程产生的排放。化工部门需要加快推进基于绿氢的化工产品生产工艺创新，如绿氢合成氨、二氧化碳加绿氢制甲醇等新兴工艺；而在传统煤化工领域，则应积极探索煤化工耦合绿氢等工艺，降低原有工艺碳强度、提高资产利用率；持续推进生物化工工艺的研发与应用，充分发挥生物质在提供绿色氢源和绿色碳源方面的潜力。

推进负排放技术部署，保障工业领域实现深度脱碳目标。广义的负排放技术主要包括CCUS技术和CDR技术两大类。其中，CCUS技术在转型中期发挥着关键作用，通过降低传统高碳工艺过程排放和减少化石燃料发电排放等手段助力工业减排。尽管CCUS技术无法完全实现工业生产与化石燃料的脱钩，但其在实现中短期减排目标、充分利用现有资产等方面仍发挥着重要的过渡作用。CDR技术主要包括生物质能碳捕集与封存（BECCS）、直接空气碳捕集与封存（DACCS）以及陆地生态碳汇等内容，预计将在转型后期有效抵消残余排放，助力工业领域实现碳中和目标。

人工智能助力工业领域碳中和的作用机制

在助力工业领域实现“双碳”目标的过程中，AI技术具有丰富的可选择性，能够适应多元化的应用场景。广义上，AI技术指的是用于执行与人脑相关的任务，特别是学习和解决问题等认知任务的各种技术和方法的集合，具体包括机器视觉、自然语言处理、机器学习等。这些技术可以通过多种途径在不同的工业减排场景中得到应用（见表1）。通过助力全方位节能降耗、加快供能结构低碳转型、推动工艺流程清洁化和助力负排放技术部署四类方式，AI技术可以直接或间接地推动工业领域实现“双碳”目标。作为一种典型的“新质生产力”，AI技术在工业领域的应用也将深刻影响工业领域的生产力与生产关系。基于生产力理论的宏观视角，AI助力工业脱碳的作用机制可分为四大类。

推动低碳技术要素的升级变革。低碳技术的创新和应用是推进工业领域低碳转型的直接动力。近年来，AI技术在低碳技术创新中的应用潜力日益凸显。[3]将机器学习与高通量筛选相结合，可以加速储能电池、高性能隔热材料和化学工艺催化剂的材料筛选过程，提升材料的使用效率和寿命；结合机器学习与传统建模仿真技术，可大幅加速设备与工艺的设计过程，例如，助力风机叶片设计、余热回收系统设计等；利用数据挖掘和可解释机器学习等技术，能够识别各类工艺过程中的潜在反应规律，从而实现水泥配方的高效优化、化学反应条件的针对性改进等。通过上述手段，AI技术可以有效加速各类工业低碳技术的研发进程、提升相关技术性能，降低技术转换成本，加快推进低碳技术在工业领域的大规模部署。

丰富和强化数据要素的关键作用。随着数字经济的蓬勃发展，数据正在逐步成为新型生产要素。[4]AI技术与数据要素之间存在紧密联系。一方面，各类AI技术的应用本身就依赖于数据要素的投入；另一方面，AI技术又可以反过来提升数据要素的数量和质量，放大数据要素的“乘数效应”。首先，AI技术可以降低部分工业数据的获取成本、提升相关数据的时效性。以钢铁行业为例，传统的高炉设施内部温度接近2300℃，工况检测往往依赖于外部传感器的间接感应，所得检测数据的误差大、滞后性强、获取成本高。而结合机器视觉和时序信息增强等机器学习算法，可实现对炉内工况的实时、准确检测，这将为能耗优化和能源调度提供高质量的数据基础。其次，AI技术能够提高工业数据要素的质量、丰富数据要素的内容。将物联网技术与机器学习算法、自然语言处理等AI技术相结合，可对海量的工业过程数据、文本数据进行高效清洗提炼，并通过聚类分析等方法进一步提升数据的完整性和准确性。这将为工业产品的全生命周期碳排放管理提供有效的数据支持。此外，AI技术还可以便利数据要素的集成、调度和计算。智能通信技术可与云计算等技术结合，通过数据压缩、边缘计算、分布式优化等方式，保障工业数据的高效流通，为AI技术的工业应用提供安全有效的基础服务支撑。

促进各类要素的组合优化与协同配置。随着强化学习、智能控制等技术的进步，AI展现出优越的动态优化和控制调度能力，这为工业部门脱碳提供了直接支持。一是面对风光等清洁能源的波动性和不确定性，AI技术能够对综合能源供应系统进行动态优化和多能协同调度，充分发挥“风-光-储”互补效益和热电协同效益，以更低的成本和更高的可靠性推动清洁能源渗透，提升工业用能的清洁化水平；二是通过对工艺过程进行实时优化和动态调控，AI技术可以降低清洁新工艺的使用成本，助力清洁工艺的推广和应用；三是通过提高自动化水平、优化供应链管理等手段，AI技术可以减少非必要的能源消耗和产品需求；四是通过优化碳封存的注入策略、识别优质碳封存点等措施，AI技术有助于降低负排放技术的应用成本，在大幅减排的同时充分利用传统工业设施产能，化解搁浅资产风险。此外，有效的动态优化离不开精准的参数预测。时间序列分析等技术也为准确预测工况参数、能耗曲线、可再生能源出力曲线提供了有效支撑，这将间接助力上述动态优化和控制调度过程。

变革性提升人力资本质量。人力资本在工业生产和经营过程中具有重要意义，贯穿决策制定、技术研发、一线生产、运营管理等各个环节。知识与技能要素是人力资本的关键构成要素，通过对其深度赋能，AI可推动人力资本质量实现变革性提升。其中，以ChatGPT等技术为代表的生成式AI近年来经历了蓬勃发展，此类技术既是海量专业知识的容器，又是人机高效交互的接口，还是可协同不同组件与工具的操作系统。[5]生成式AI正逐步以“人机协同”的模式重塑劳动力市场的基本形态，重构已有的知识挖掘与流通模式，提升与之交互的人力资本知识要素的容量与质量；降低各项关键技能和能力的应用门槛，提升应用效率。在生成式AI赋能人力资本，助力工业领域实现碳中和目标的过程中，以下三类典型应用场景尤其值得注意。一是赋能研发人员，推动低碳技术创新。工业低碳技术的创新往往依赖于专业知识的积累和传递，与生成式AI的交互有助于大幅提高知识传递效率并拓展专家知识覆盖面，加速技术创新进程；通过将已有的专家知识嵌入大语言模型，生成式AI甚至可以独立完成材料筛选和设计等任务。二是赋能相关工程师，降低能源与工业系统实现智能控制的技术门槛。生成式AI可以准确高效开展定制化代码生成、改写等基本任务。结合少量提示工程，生成式AI可以与其他工业系统软硬件模块相结合，有效完成动态监测、信息整合、实时过程优化等高阶任务。三是赋能相关决策者，推动工业园区和企业的运营及决策过程发生深刻变革。通过代替部分人类专家、小模型以及传统的决策支持系统，生成式AI可以在设计工厂低碳转型方案、优化供应链管理、减少信息不对称性等方面发挥重要作用，提升相关决策的质量和效率。

使用人工智能赋能工业脱碳的机遇与挑战

我国工业产能雄厚、产业门类齐全，工业数据要素丰富，使用AI赋能工业脱碳具有巨大潜力。在世界500种主要工业品中，我国有超过220种产品的产量位居世界第一。重点行业方面，2020年，我国粗钢产量10.65亿吨、水泥产量23.8亿吨、石油炼化能力近9亿吨，是世界上最大的钢铁生产国、水泥生产国和石化产品生产大国。然而，现阶段我国工业脱碳面临的压力相对突出，亟须AI赋能。[6]当前，我国主要AI技术和相关基础设施的发展已初见成效，工业数据要素的积累也初具规模。在积极推进新型工业化的背景下，我国工业物联网已覆盖超过85%的工业大类，连接设备超过8000万台。但也需认识到，当前工业数据产权不清、流动不畅、标准不一等问题依然突出。这一方面会直接阻碍AI的广泛应用，另一方面也难以发挥数据要素的“乘数效应”。

工业脱碳场景和机制的复杂性需要AI“精准赋能”。工业部门的脱碳机制复杂、减排技术多样，这导致工业脱碳场景中“低垂的果实”和“减排瓶颈”相互交织。其中，“低垂的果实”往往集中于边际减排成本曲线的最左端，代表场景包括工业能效提升、需求响应等，具有减排成效显著、减排成本较低且效益较高等特点。“减排瓶颈”则集中于边际减排成本曲线的最右端，代表场景包括工艺绿色替代、使用DACCS抵消残余排放等，实现单位减排的成本相对高昂。在AI赋能工业脱碳的过程中，AI在不同场景中的应用潜力也不尽相同。总体而言，使用AI摘取“低垂的果实”具有路径较为明确、应用效益较高、跨产业迁移性强等特点，例如，通过强化学习和时间序列分析等技术提升能源调度和工艺过程效率、结合生成式AI减少运营管理过程中的非必要产品需求等。相比之下，使用AI突破“减排瓶颈”则具有手段相对有限、跨产业迁移性弱、路径不确定性高等特点，其作用机制通常是推动低碳技术要素的升级变革，例如，促进DAC等技术创新和二氧化碳加绿氢制甲醇等工艺创新。在使用AI赋能工业脱碳的过程中，必须重视“精准赋能”，具体而言需做到精准识别优先顺序、精准适配应用场景、精准适配行业特点三个方面。无法实现精准适配将可能引起能耗不降反增、减排成效降低、资金无效配置等一系列问题，从而阻碍AI技术对各类要素优化组合与协同配置作用的发挥。

工业产业链之间的强关联性对AI的“系统赋能”提出了更高要求。在推进工业脱碳的过程中，各项低碳技术和产业都不是孤立存在的。工业产业链的强关联性体现在，相关技术的研究与产业、产业链上下游以及各区域产业之间均存在紧密联系。使用AI赋能工业脱碳需要突破“单点赋能”模式，转向“全产业链系统赋能”模式，其内在要求包括三个层面。第一，需要将AI贯穿于“基础研究-应用研究-产业应用”的各个环节，进一步促进数据要素、知识要素和低碳技术要素的流通，并通过放大数据要素和知识要素的“乘数效应”实现正向循环、机制强化。在此过程中，尤其需要关注行业AI复合型人才的培养。AI技术本身是中性的，人机交互过程是决定AI应用质量的核心环节。只有培养复合型人才，才能科学、有效地发挥AI的技术效能。第二，需要将AI贯穿于产业链原料供应到末端治理的各个环节。一方面是高效支持全生命周期（LCA）管理和终端产品碳排放认证，发挥AI丰富和强化数据要素的关键作用；另一方面是支持供应链优化和用能管理，减少非必要产品需求和能源消耗，强化AI在促进各要素组合优化和协同配置方面的作用。第三，需要统筹考虑各区域产业优势。在使用AI赋能工业脱碳的过程中，AI和相关的基础设施（云计算、数据中心等）本身也是产业链中的关键环节。不同区域的资源禀赋、产业结构和技术基础往往各具特色，因地制宜部署AI产业和各工业链、发挥各区域间的协同互补优势亦是AI“系统赋能”工业脱碳的内在要求。

平衡AI的“双刃剑效应”尤其需要关注公平性问题。在使用AI技术助力工业领域实现碳中和目标的过程中，由于应用场景和数据来源通常与个人的直接关联较少，相关应用衍生的公平性问题往往比数据隐私、伦理等问题更加突出。2024年诺贝尔经济学奖得主Daron Acemoglu和Simon Johnson在其著作Power and Progress中指出，科技的进步往往被用于集中精英权力，加剧马太效应。[7]多数工业部门具备资本密集、劳动密集的特点，AI赋能工业脱碳引发的公平性问题往往外化为四种形式。一是冲击就业市场，[8]例如，自动化技术的普及将减少社会对劳动密集型岗位的需求，生成式AI的广泛应用可能减少行业内对传统低碳工程师和咨询师的需求，能效的提升也可能促使对传统工艺调控岗位需求的减少等。二是压缩中小型企业生存空间。中小型企业通常面临资金和技术上的短板，大型企业在使用AI赋能工业脱碳的过程中往往更具优势，这种差距可能会加剧相关行业的寡头和垄断现象。三是影响区域经济平衡发展。经济发达地区具有相对优越的资金优势、技术优势和AI基础设施优势，这可能会引发经济欠发达地区的AI赋能困难、工业产业转移等问题。四是影响全球技术和产业分工格局。近年来，部分技术相对发达的国家以“安全需求”等借口频繁实施技术出口管制和科技产业投资限制。在现有全球合作格局和绿色贸易规则的影响下，发展中国家和“全球南方”国家将更有可能在全球工业价值链中处于不利地位，面临着更加严峻的工业产业发展挑战和低碳转型挑战。[9]

人工智能助力工业领域实现碳中和目标的关键对策

加快建设工业数据要素市场，着力完善相关基础设施与制度保障。一是推进“AI＋工业物联网”的深度应用，进一步扩充高质量工业数据源。借助零碳园区建设等专项行动契机，推进相关基础设施建设落地与升级，针对不同工业应用场景开发适配的物联方案、物联设备，配备针对性的AI智能算法，提升工业数据采集的精度并拓展覆盖面。二是加快建设工业大数据要素交易平台。加快工业数据技术标准、数据格式、传输协议等方面的一致性建设，针对典型的工业数据产出场景制定标准清单；强化数据要素与资本要素的结合，通过数据质押贷款、数据证券化等金融工具强化数据资产属性，便利数据要素流通；针对工业数据规模大、种类多的特点，加快推进数据中心、云平台等基础设施建设，提高工业数据交换和处理的效率。三是加强工业数据治理的制度保障。在《中华人民共和国数据安全法》《中华人民共和国个人信息保护法》等法律法规的支持下，我国的网络安全和数据安全保护初见成效。对于工业数据保护，应加快颁布针对性的数据安全管理条例，加快建立数据产权归属认定和权益分配相关制度，尤其需要认识到工业产业链中各主体的强相关性，充分考虑不同参与方在数据流动和价值创造中的贡献；通过联邦学习、隐私计算、区块链等技术手段，保障工业数据在流通过程中的安全性、隐私性和完整性；推动相关标准、制度与国际接轨，提升我国在全球工业数字经济中的竞争力与话语权。

提升AI赋能的精准性，提高各类AI技术与工业脱碳场景的适配度。一是加强AI赋能工业脱碳的潜力识别。设立跨学科专项研究计划，深入分析不同工业部门、工业场景和生产环节的碳排放特点，识别AI技术在各类细分场景下的脱碳潜力、成本效益和现实瓶颈。二是科学设计“AI＋工业脱碳路线图”，积极开展相关项目示范。细化各区域、各行业的工业脱碳路线图，将高潜力AI技术纳入对应的最优适配场景中。具体而言，可优先推进AI技术在“低垂的果实”场景中的应用，着力开发使用AI助力能效提升、工况优化、供应链管理和数据获取等方面的流程化应用模式，促进跨工业部门的应用迁移；积极探索行业特异的AI技术应用模态，针对钢铁、水泥、化工等重点行业开展针对性的AI融合试点示范项目；稳步探索AI在“减排瓶颈”场景中的应用潜力，识别各类难减排环节对应的技术需求清单，发挥AI在材料设计、技术研发等方面的优势。三是优化支持机制。对不同场景、不同行业的“AI＋工业脱碳项目”给予针对性资金、政策支持，过程中要强化审核机制，持续完善相关项目的评估标准与审查规范，尽可能避免“AI形式主义”问题。

加强AI赋能的系统性，以产业链视角推进AI在工业脱碳领域的深度应用。一是推进AI与“基础研究-应用研究-产业应用”链的深度结合。设立专项研究项目，系统识别工业脱碳重大基础科学问题和关键核心技术清单，重点支持使用AI技术解决清单问题的相关研究，例如，使用AI开展碳利用反应催化剂的基础理论研究等；瞄准“AI＋关键产业链”设立系列重大科技项目，例如，瞄准“AI＋绿色钢铁链”，统筹风光发电、新型储能、智能电网、电解水制氢、绿氢炼钢等环节，探索AI在“电-热-冷-气”综合能源调度和炼钢工艺实时调控中的一体化应用，着力推进成果转化与推广应用，构建以产业链协同为核心的AI赋能体系。二是立足生命周期视角，使用AI强化工业产业链的“绿链”属性。使用AI助力工业基础LCA数据库建设，利用生成式AI高效、准确提取来自学术文献、企业报告和环评报告的关键信息，使用机器学习算法校验核准相关参数、提升数据质量；将AI与区块链等技术结合，提升各项工业过程的碳排放透明度和可追溯性，搭建开源平台，支撑产业链绿色认证和工业产品绿色认证。三是推进跨区域合作。统筹东部地区的人才、技术及AI基础设施等优势和西部地区的低成本清洁电力等优势，协同推动数据的跨区域运算和AI用电的跨区域传输，促进相关资源的高效配置；强化跨区域政策协同，打好政策引导、市场配置和科技创新的“组合拳”，构建多区域协作、多产业联动的“AI＋工业产业集群”。四是构建多层次教育体系，强化高素质人才支撑。优化高等教育布局，针对AI赋能工业脱碳相关的基础科学与应用研究问题，调整学科体系与人才培养模式；构建职普融通、产教融合的职业教育体系，强化校、企、培训机构等多主体合作，针对不同岗位需求开发定制化的培训计划，例如，碳排放数据分析、智能设备操作等。

辩证看待AI赋能工业脱碳的“双刃剑”效应，着力建设提升转型均衡性的制度体系。一是通过转移支付体系缓解工业脱碳项目区域发展不均衡问题。设立相关的专项基金和产业项目，对经济欠发达地区及其中小企业给予“AI＋工业脱碳项目”专项补贴；根据区域“AI＋工业产业集群”的实际建设情况，将对应的转移支付需求纳入整体的区域转移支付方案设计中，着力缓解区域不均衡问题。二是加强反垄断监管。加快工业数据反垄断的法律法规建设，推进相关制度与工业大数据要素交易平台的结合；加强对主要的工业集团、科技巨头的反垄断监管，避免相关数据和技术的过度集中。三是加大教育和技能培训投资。发挥国资央企引领作用，带头开展“劳动者AI赋能”计划，积极稳妥推进AI在工业领域的深入应用；在劳动密集型工业部门集中的地区设立专项技能提升计划，重点支持中小企业，以职业教育为抓手，“因岗制宜”提高劳动者综合素养，助力劳动者岗位升级或再就业。四是积极引领、参与相关的国际合作和国际规则制定。依托共建“一带一路”倡议、金砖合作机制等框架，充分关注其他国家的治理诉求和治理逻辑，通过产业与技术投资、基础设施建设、产品贸易合作等方式加强国际合作，凝聚共识、整合资源，加强优势互补，协同推进“AI＋工业全球价值链”建设；引导动员企业、智库、高校等主体积极参与国际规则构建，例如，国际共识谈判、国际会议筹备及参与等，针对绿色工业品贸易、工业数据多边流通、相关资金支持与技术转让等议题提出中国方案，贡献中国智慧。

（本文系教育部哲学社会科学研究重大课题攻关项目“实现联合国可持续发展目标的国家治理体系研究”的阶段性成果，项目编号：23JZD042；清华大学环境学院研究生甄紫涵、叶文鑫对本文亦有贡献）

注释

[1]参见清华大学气候变化与可持续发展研究院：《中国长期低碳发展战略与转型路径研究：综合报告》，北京：中国环境出版社，2021年。

[2]王灿、孙若水、张九天：《中国实现碳中和的支撑技术与路径》， 《China Economist》，2021年第5期；王灿、张雅欣：《碳中和愿景的实现路径与政策体系》，《中国环境管理》，2020年第6期。

[3]洪银兴、任保平：《数字经济与实体经济深度融合的内涵和途径》，《中国工业经济》，2023年第2期。

[4]刘涛雄等：《数据要素成为中国经济增长新动能的机制探析》，《经济研究》，2024年第10期。

[5]肖仰华：《人工智能大模型发展的新形势及其省思》，《人民论坛·学术前沿》，2024年第13期。

[6]乔岳：《碳中和目标下中国制造业绿色发展之路》，《人民论坛·学术前沿》，2023年第5期。

[7]D. Acemoglu and S. Johnson， Power and Progress： Our Thousand-Year Struggle Over Technology and Prosperity， PublicAffairs， 2023.

[8]陈冬梅、王俐珍、陈安霓：《数字化与战略管理理论——回顾、挑战与展望》，《管理世界》，2020年第5期。

[9]薛澜：《新兴科技领域国际规则制定：路径选择与参与策略》，《人民论坛·学术前沿》，2023年第19期。

责 编∕包 钰" 美 编∕梁丽琛