《紫荆论坛》专稿/转载请标明出处

杨红霞｜香港理工大学计算系讲座教授、人工智能研究院执行院长、电脑及数学科学学院副院长，InfiX.ai首席科学家和创始人

陈海青｜InfiX.ai副总裁和联合创始人

在全球人工智能（AI）竞赛日趋白热化、技术范式深刻重构的当下，香港作为兼具国际连结与国家战略支点功能的独特枢纽，其人工智能发展路径面临从卓越科研向产业生态跃迁的结构性挑战。本文立足香港的现实基础与制度优势，系统剖析其在基础设施、技术研究与产业化协同三个关键维度所遭遇的瓶颈，并从创新体系构建的视角，提出具香港特色的突破性路径与战略框架，以解决大模型在产业落地过程中的“最后一公里”问题，探索其于大湾区及全球AI创新网络中的引领性角色。

时代命题与香港的独特站位

（一） AI时代的全球竞争与香港的战略抉择

在新一轮科技革命与产业变革的浪潮中，AI已超越技术范畴，成为重塑全球经济格局、重构国际竞争规则的核心驱动力。从美国OpenAI的GPT系列掀起生成式AI热潮，到中国内地企业在大模型赛道的密集布局，全球AI竞争已进入“百舸争流”的关键阶段。人工智能不仅是科技领域的“兵家必争之地”，更是各国及地区抢占未来发展制高点的战略核心。

面对这一时代浪潮，香港特区政府展现出清晰的战略决心，将AI确立为核心产业方向。在《香港创新科技发展蓝图》中，AI被明确列为重点发展领域，成为推动香港经济结构转型、实现高质量发展的关键引擎。国家“十四五”规划纲要同《粤港澳大湾区发展规划纲要》都明确奠定了人工智能是未来发展的重要地位。基于香港自身独特优势与国家战略需求的精准契合——在“一国两制”框架下，香港既拥有与国际接轨的制度环境、自由开放的市场体系，又具备“背靠祖国、联通世界”的枢纽地位，天然成为连接国家AI发展战略与全球创新资源的核心节点。香港的AI发展，不仅关乎自身经济转型，更在粤港澳大湾区建设、国家科技自立自强战略中承担著不可替代的角色。

（二）香港AI发展的现状和优势

经过多年培育，香港AI发展已构建起坚实的基础支撑体系，形成多维度协同发展的良好态势。

在政策支撑层面，体系化布局逐步成型。《香港创新科技发展蓝图》的出台为AI发展提供了顶层设计，30亿港元“人工智能资助计划”为初创企业与科研项目提供直接资金支持，香港人工智能研发院的设立则搭建起产学研协同创新的核心平台。香港特区政府创新科技署“产学研1+计划”（RAISe+）、香港数码港人工智能资助计划等政策工具，形成了覆盖研发、转化、产业化全链条的支持体系，为AI创新活动注入持续动力。

算力设施建设稳步扩容，为AI发展提供硬核支撑。数码港AI超算中心已投入服务，预计2026年初算力将提升至3,000 PFLOPS，全港算力总规模有望达到5,000 PFLOPS，基本满足中小型企业与科研机构的算力需求。北部都会区10公顷数据园区启动招标，标志著香港算力基础设施向规模化、集约化方向迈进，为承接大型AI项目、吸引国际科技企业落户创造了条件。

科研与人才基础雄厚，构成AI创新的核心竞争力。香港5所大学的AI相关学科跻身全球前50，香港理工大学、香港大学等高校在人工智能、数据科学领域积淀深厚。“AIR@InnoHK”平台汇聚千名国际顶尖专才，“高才通计划”“科技人才入境计划”等政策持续吸引全球AI精英落户，形成了兼具国际化视野与专业深度的人才梯队。

（三）香港AI发展的3个关键环节

香港AI发展正处于从“科研优势”向“产业优势”跨越的关键窗口期，这一进程的核心取决于三个相互关联、层层递进的关键环节：技术基础设施建设、基础技术研究与产业化创新闭环。技术基础设施是AI发展的“硬件底座”，决定了创新活动的承载能力；基础技术研究是AI发展的“核心引擎”，关乎技术突破的深度与广度；产业化创新闭环是AI发展的“价值出口”，决定了科研成果能否转化为经济社会效益。

然而，当前香港AI发展要实现从AI科研高地到产业新引擎的质变，不能简单复制其他地区的发展模式，而必须立足自身独特优势，系统性破解横跨基础设施、技术研究与产业化的三重难题，构建起“基础设施扎实、研究方向精准、产业生态协同”的创新发展体系，走出一条具有香港特色的AI跃迁之路。

核心挑战：横跨基础设施、

技术研究与产业化的三重瓶颈

（一）技术基础设施层：“算力鸿沟”与“数据孤岛”

基础设施是AI产业发展的基石，而当前香港在算力与数据两大核心要素上，均面临明显制约，成为阻碍AI规模化发展的首要瓶颈。

在算力层面，香港面临供给不足与成本高昂的双重挑战。调查显示，香港AI企业和高校研究所都面临算力不足的问题。尽管数码港AI超算中心正在扩容，但与国际及大湾区内地城市相比仍有差距。更严峻的是，香港高昂的运营成本加剧了算力获取难度，企业将“算力成本过高”列为核心压力。对于初创企业和研究团队而言，大模型训练所需的巨额算力投入难以承受，直接限制了技术创新。

在数据层面，高质量数据获取与流通受限的问题同样突出。AI模型的性能提升高度依赖高质量、大规模的训练数据，尤其是领域专属数据。香港拥有丰富的专业领域数据资源——医院的医疗影像数据、金融机构的数据、法律行业的案例数据等，这些数据具有极高的训练价值，但由于隐私保护、知识产权限制等因素，难以形成有效流通与共享，只能在特定领域或者安全环境中使用。

（二）基础技术研究层：从“实验室”到“产业”的转化断层

香港拥有全球顶尖的AI科研实力，但这些科研优势未能有效转化为产业竞争力，形成了“实验室里的突破”与“市场中的应用”之间的转化断层，这一问题在GenAI时代尤为突出。

首先，实验室与产业界之间存在深刻的“认知与数据鸿沟”。尽管高校在人工智能基础研究上取得突破，但科研导向往往与真实产业需求脱节。学术界聚焦于理论验证与论文发表，对市场痛点、工程化约束及商业化路径缺乏深度理解，形成了“从书本中来，到论文中去”的循环。与此同时，产业转化所依赖的专属领域数据获取与隐私保护问题构成了关键瓶颈。高质量、场景化的数据是AI模型在垂直领域（如金融、医疗）实现精准赋能的基础，但这些数据往往涉及商业机密与用户隐私，获取难度大、成本高，且受香港严谨的数据保护法规制约。科研机构难以获得足以支撑产品级模型训练的高质量产业数据，而企业则因数据治理与合规风险对开放数据合作持谨慎态度，导致许多先进技术因“无米之炊”而停留在实验室阶段。

其次，高昂的研发成本与商业化的不确定性，深刻影响著技术方向的投入选择与可持续性。从落地场景来看，“AI+”融合面临场景定制要求高、投入产出比不确定等现实挑战。香港的产业结构以服务业为主，金融、法律、医疗等行业虽有较强的AI应用需求，但这些领域的应用场景具有高度专业化特征，需要定制化的“专属模型”解决方案。例如，医疗领域的癌症诊断模型需要适配不同医院的影像设备、诊断流程，金融领域的风险控制模型需要贴合本地监管要求，这种专属化需求增加了AI落地的难度与成本。生成式AI的研发，尤其是训练如DeepSeek-V3级别的大模型，需要数千张高端显卡和数千万美元级别的投入，这对以初创公司为主的香港AI生态构成了巨大压力。在商业模式尚未清晰、自我造血能力不足的背景下，企业不得不进行严峻的技术路径抉择。这种在技术理想与商业现实之间的权衡，使得许多企业即便取得技术突破，也因无法承担后续的迭代优化和规模化部署成本，而难以跨越从“原型”到“产品”的死亡谷。

（三）产业化创新闭环层：生态碎片化与人才短缺

技术创新的最终价值在于产业化落地，而当前香港AI产业生态尚未形成合力，人才等关键要素的短缺，导致产业化创新闭环难以形成，制约了AI从技术到产品、从产品到产业的跃迁。

从产业生态来看，香港虽已形成一定的企业集聚效应，但整体呈现“碎片化”特征，未能形成协同高效的产业网络，缺乏龙头企业的引领与整合。企业间的协作互动不足，产学研之间的联动机制不够顺畅，导致技术、资金、人才等资源难以有效流动。

人才短缺则是制约香港AI产业化的另一关键因素。AI产业的发展需要大量复合型人才，既懂技术研发，又懂行业场景与商业运营。香港AI企业面临技术人才招聘困难的问题，尤其是高端AI算法工程师、产品经理等稀缺人才，供需缺口尤为突出。据香港特区政府劳工及福利局发布的最新一轮人力推算报告预测，到2030年，香港创科专才的总需求将超过10万人，而当前的人才储备与培养体系难以满足这一需求。

关键路径：

构建具有香港特色的AI创新发展体系

面对横跨基础设施、技术研究与产业化的三重挑战，香港需要立足自身独特优势，通过基础设施升级、研究模式创新、产业生态培育、人才体系建设四大路径，构建具有香港特色的AI创新发展体系，实现从科研高地到产业新引擎的跃迁。

（一）路径一：建设与国际接轨的端、边、云协同的AI基础设施

基础设施的完善是AI发展的前提，香港需要打破传统集中式基础设施建设思路，构建端、边、云协同的多元化基础设施体系，同时以规则创新破解数据流通难题。

在算力基础设施建设方面，优化算力供给结构，在云端算力层面，一方面持续推进本地算力设施升级，加快超算中心扩容，提升算力规模与服务能力；另一方面，深化粤港澳大湾区算力共建共享，探索建立“湾区算力池”，通过跨境网络专线等技术手段，实现香港与深圳、广州等地超算资源的互联互通，让香港企业与科研机构能够便捷获取大湾区的富余算力，弥补本地算力不足的短板。同时，可依托香港的国际枢纽地位，试点引入海外云算力服务，为特定领域的研发提供多元化选择。在端侧与边缘算力层面，建设贴近业务发生地的低成本算力设施，聚焦场景需求，构建数据安全环境下行业专属模型。借鉴GPU一体机等成熟形态，围绕医疗、金融、智能制造、物联网等场景，部署边缘算力节点，满足数据本地化处理、低延迟响应等需求。

同时除了硬件基础设施的多元化建设以外，大力投入软硬一体协同优化的基础设施，通过AI Infra软件层的技术创新带来端、边、云在训练和推理能效极大的提升。香港理工大学人工智能高等研究院（PAAI）团队，研发的去分布式“协作式生成人工智能”（Co-GenAI）平台，采用通过低比特训练，可以大幅减少领域专属模型的训练所需计算资源，且不会减弱模型的表现，为小规模专业模型的开发创造了有利条件。同时，采用模型融合技术对领域专属模型进行融合，使模型在保留既有知识的同时，用极低的成本获取全新的领域专属知识。实践证明，这种创新协作模式与中心化的大模型训练方法相比，无需依赖集中式计算资源，就能高效合并多个模型，构建出全面的领域专属GenAI模型。在“共同构建模型、数据本地留存”的模式下，团队的创新成果支持跨机构、跨学科协作，且在推理、编程、数学、指令遵循等11项广泛应用的基准测试中，性能超越当前最先进模型。并且该技术已经在癌症领域的靶区规划、MRI识别与香港伊利莎伯医院、中山大学肿瘤防治中心等领先医疗机构开展试点项目。通过大幅降低对高端图形处理器（GPU）集群的依赖，保护数据隐私安全的前提下，为领域专家参与模型训练、共同推动 GenAI 创新发展打开了新的方法和大门。

在数据基础设施建设方面，应坚持“规则先行”，打造安全可控、便捷高效的数据流通环境。发挥香港普通法体系与国际接轨的优势，在严格遵守国家数据安全法规的前提下，积极与国家网信部门合作，探索建立粤港澳大湾区数据跨境流动的标准化机制。香港理工大学PAAI推出的可迁移、可复现的预训练及后训练数据处理流水线已经在数学、代码、通用等诸多领域证实有效性，该技术能有效帮助企业快速完成复杂的数据清洗流程，高效获取高质量数据以支持领域大模型的预训练。同时，应鼓励模型融合和Co-GenAI平台等创新技术，在保障数据隐私的前提下，推动医疗、金融等领域的高质量数据共用，破解“数据孤岛”问题。

（二）路径二：研究模式的创新与价值锚定

要破解“科研与产业脱节”的难题，香港需要创新研究模式，将基础研究与应用需求紧密结合，以差异化路径实现技术突破与价值转化。

首先，应强化以应用为导向的基础研究，让市场需求引导科研方向。香港的高校与研究机构应建立与产业界的常态化对接机制，通过联合实验室、项目合作等形式，深入了解行业痛点，将实际需求转化为科研课题。例如，香港理工大学PAAI团队与医疗机构合作开发癌症行业基础模型，正是基于医疗行业对放射治疗靶区识别效率提升的迫切需求，这种“需求驱动”的研究模式，能够确保科研成果具备明确的应用场景与市场价值。

其次，应采用“分布式创新+模型融合”的策略，走差异化技术发展路径。在资源有限的情况下，香港不应盲目追求原生大模型的训练，而应聚焦细分领域，鼓励企业与研究机构采用MoM（模型之上的模型）框架，研发高性能领域专属小模型。香港理工大学PAAI团队的“协作式生成人工智能”（Co-GenAI）平台相关的工作也证明了通过分布式协作模式，让不同机构在本地训练专属模型，再通过模型融合技术将多个模型的知识迁移至枢纽模型的方式既降低了单个机构的算力投入，又能充分整合各领域的专业知识，形成“众人拾柴火焰高”的创新合力。

最后，应加强基础研究与技术产业化的中间环节建设，构建“科研－验证－产业化”的全链条支撑体系。为高校科研成果提供技术验证、原型开发、小规模试产等服务，降低企业承接科研成果的风险。同时，鼓励成立技术联合公司，专业从事科研成果的市场化推广与商业化运作，架起科研与产业之间的“桥梁”。

（三）路径三：产业生态的培育与协同破壁

产业生态的成熟度决定了AI产业的发展质量，香港需要打破生态碎片化格局，通过产业簇群打造、湾区协同、全球链接，构建协同高效的AI产业生态。

首先，应聚焦香港独有的场景优势，打造具有不可复制性的AI垂直产业簇群。 香港不应盲目追求全赛道覆盖，而应将AI技术植入其最具竞争力的核心产业中。依托香港得天独厚的港口优势，将AI技术深度应用于海陆空物流的复杂协调与调度中。推动实施物流全链条的AI即时监控与智能决策，优化多式联运效率，打造世界级的“智慧港口”标杆，巩固香港作为国际航运中心的地位。

依托结构化医疗体系，破解养老与社会医疗难题： 充分利用香港高度结构化、标准化的医疗数据与体系优势，针对人口老龄化这一核心社会议题，重点发展智慧养老与精准医疗。利用AI技术对老年病、慢性病进行全天候监控与风险预警，通过演算法优化医疗资源配置，不仅提升诊疗效率，更为全球老龄化社会提供“香港方案”。

结合独特金融环境，推动新一代生成式AI落地：立足香港国际金融中心的独特监管与市场环境，加速新一代生成式AI在金融垂直领域的应用。重点推动大模型在复杂风险控制、智能投顾、跨境支付及自动化合规分析中的落地。

其次，应深化粤港澳大湾区“创新闭环”实践，最大化区域协同优势。制度化推广“香港研发、深圳转化、湾区制造、全球销售”的成功模式，让香港的科研优势与大湾区的产业优势、市场优势充分结合。

最后，应构建全球化创新合作网络，提升香港AI产业的国际话语权。同时，助力内地AI企业通过香港“走出去”，利用香港的法律体系、金融服务、国际网络等优势，拓展全球市场。

（四）路径四：人才与教育的体系化建设

人才是AI产业发展的核心要素，香港需要构建“普及教育+尖端培养+全球引进”的立体化人才体系，破解人才短缺难题，为AI产业发展提供持续的人才支撑。

在教育体系方面，应实施“普及教育”与“尖端培养”双轨制。在基础教育阶段，从中小学开始普及AI素养教育，将AI基础知识、编程思维等纳入课程体系，培养青少年对AI技术的兴趣与认知；在高等教育阶段，广泛设立AI与数据分析必修课，提升大学生的AI基础能力。同时，加强跨学科人才培养，鼓励计算机科学与法律、金融、医学、工程等领域的交叉融合，设立跨学科专业或课程，培养既懂技术又懂行业的复合型人才。

在高端人才引育方面，应持续优化人才政策，打造具有全球竞争力的人才环境。通过“InnoHK创新平台”“高才通计划”等载体，以国际一流的科研条件、薪酬待遇和发展空间，吸引全球顶尖AI科学家及工程师来港工作。

迈向“人机共治”的智能未来

香港的AI发展之路，并非简单复制其他AI中心的模式，而是一场基于自身独特优势的战略创新。依托“一国两制”框架下的国际化制度环境、全球顶尖的科研资源、背靠祖国的广阔腹地，香港正在走出一条以“多元化服务AI化、垂直应用场景化、跨境协同深度化、全球治理引领化”为特色的AI发展之路。未来的香港，不应仅仅是AI科研高地，更应是全球AI应用创新中心、跨境协同创新枢纽、国际AI治理对话平台。在全球AI竞争的长跑中，香港既不需要盲目追赶规模，也不需要刻意复制他人路径，而是要坚守自身特色，相信随著基础设施、技术研究、产业生态、人才体系的持续完善，香港必将成为全球AI发展格局中不可或缺的引领性力量，为国家科技自立自强、为全球智能时代的可持续发展，贡献独特的“香港智慧”与“香港力量”。

本文发表于《紫荆论坛》2026年1-3月号