政策紅利流向何方？用 HTML 將發改委發布會整理成決策看板

2026-11-04 3

版权

版权声明：

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 本文介绍作者如何将发改委AI政策发布会内容转化为单文件HTML决策看板：通过三级信源验证数据、五模块结构化呈现（KPI概览/智能工厂梯度/三大受益方向等），结合确定性排序与工程细节（纯静态HTML、内联CSS、响应式设计），实现可信、可读、可复用的技术规划汇报。

上周部门要做明年的技术规划，领导丢过来一句话：「AI 这块，我们到底该往哪个方向投？」

这个问题不好答。答「工业大模型」太空，答「做 Agent」太泛。11月3日发改委那场发布会正好给了个切入点——我国人工智能发展速度、应用规模全球领先，同时点名了三个受益方向。但光看新闻稿，还是不知道钱具体往哪流。

我花了一个下午，把发布会内容、工信部的智能工厂数据、几份规划文件整理成一个 HTML 决策看板，最后拿这个去汇报，效果比 PPT 好不少。这篇把整个过程记下来，包括数据怎么来的、看板怎么设计的、以及最后得出的判断。

一、先看成果

最终交付的是一张单文件 HTML 看板，红色主调，适合正式汇报场合。结构上分五块：KPI 概览、智能工厂梯度、三大受益方向、措辞变化对照、年度节点日历。下面逐块说设计思路。

看板上半部分——核心数据、金句与智能工厂梯度

二、数据层：先解决「信源可信」问题

做分析看板，最怕的不是设计丑，是数据站不住。所以第一步不是画图，是建信源清单。我的原则是三级信源制：

这次用到的核心数据：

• 发改委发布会表述：「发展速度、应用规模全球领先」（一级）
• 智能工厂四层级：5.6万 / 1.3万 / 500+ / 15（工信部公开数据，一级）
• 产业规模1.2万亿元、企业6200+家（赛迪报告，二级）
• 十五五末产业规模测算10万亿（发改委测算，一级）

数据整理这一步，我是把发布会实录和几份报告丢给 AiPy 做初步的结构化抽取，它能把散落在长文本里的数字和对应口径捞出来，我再逐条回原文核对，尤其是口径——「先进级智能工厂」和「智能工厂」是两个概念，混了会出大问题。

三、结构层：为什么是这五块

看板设计有个基本原则：每一块都要回答一个问题。

第一块 KPI 概览 —— 回答「现在多大」

四个数字：1.2万亿、6200+家、6亿人、10万亿。前三个是现状，第四个是目标。放在最上面，让人三秒钟建立体感。

第二块 智能工厂梯度 —— 回答「结构什么样」

这块是整个看板信息密度最高的地方。5.6万基础级到15家领航级，这个漏斗形状本身就是结论：规模已经铺开，但高端供给严重不足。

我特意用了横向条形图而不是饼图。因为饼图看不出「数量级差异」，而这里的核心信息恰恰是数量级差异。

第三块 三大受益方向 —— 回答「往哪投」

这是领导最关心的。我没有平铺三个方向，而是按确定性排了序，每个方向配一个标签（确定性最高 / 增量最猛 / 长线最厚）和三条落地要点。

第四块 措辞变化对照 —— 回答「为什么现在」

这块是说服力来源。政策解读如果只讲「利好」，没人信。讲清楚「措辞从 A 变成 B，所以资源配置方式从 X 变成 Y」，才有说服力。

第五块 年度节点日历 —— 回答「什么时候动」

这块是行动指引。3月两会、6-7月 WAIC、9-10月名单公示、11月系列发布会。有了时间轴，规划才有节奏。

看板下半部分——三大受益方向、措辞对照表与年度节点日历

四、判断层：三个方向的确定性排序

排序用了三个维度打分：付费方是否明确、见效周期、技术门槛。

1. To B / To G 场景 —— 确定性最高

发布会明确提到优先聚焦矿山开采、高空作业、应急救灾等「险、脏、累、繁、难」场景。这类场景的特点是价值判断极其简单：人干不了或者干不好，AI 只要比人稳就是价值。不需要教育市场，不需要论证 ROI。

工程上要注意的是：这类场景对可靠性的要求远高于对准确率的要求。一个99%准确但1%概率宕机的系统，在矿山场景里是不可接受的；反过来，95%准确但永远在线、异常可回滚的系统，反而能用。

2. 工业大模型 —— 增量最猛

依据是八部门《产业基础能力提升「十五五」规划》：「加强产业基础领域通用大模型和行业大模型研发布局，推动工业机理与智能体融合。」「工业机理」是关键词。纯数据驱动在工业里走不远，因为工业系统的因果链条是有物理约束的。把机理模型作为先验注入，是当前比较务实的路径。

工程上，这意味着架构设计要预留「机理模型 + 数据模型」双通道，而不是把宝全押在端到端大模型上。

3. 科研基础设施 —— 长线最厚

依据是中科院「十五五」规划聚焦 AI 赋能基础科学，以及十五五建议提出的「探索 AI 驱动的新型科研范式」。这条线投入周期最长，但壁垒极深。对大多数企业来说，参与方式在工具链和算力调度侧，而不是核心算法。

五、工程层：看板是怎么做出来的

技术选型上我选了纯静态 HTML + 内联 CSS，没用任何框架。原因有三个：

1. 可移植：单文件，发给谁都能打开，不依赖环境
2. 可截图：全屏截图就是高清长图，直接进 PPT
3. 可维护：改个数字就是改一行文本，不需要重新构建

设计上有几个细节值得说：

色值固定。主色用了 #6d0f0f / #9c1414 / #c41c1c 三级红，背景 #f4f1ec 米白。固定色值的好处是每次改内容不会跑偏。

条形图用最小宽度兜底。5.6万和15放在同一个坐标系里，15那根条会消失。加个 min-width:52px 保证标签可读。

表格斑马纹用暖色。偶数行背景用 #faf5f0，和整体色调一致，不会跳出来。

响应式断点设在900px。低于这个宽度，KPI、卡片、双栏全部转单列，手机上看也不挤。

六、复盘：这套方法能复用到什么场景

做完之后我意识到，这套「信源分级 → 结构设计 → 判断排序 → 工程实现」的流程，其实不限于政策解读。几个可以直接套的场景：

• 技术选型报告：把候选方案的信源、指标、结论做成同样的结构
• 竞品分析：KPI 区放市场份额，梯度图放产品矩阵，对照表放能力差异
• 季度复盘：把目标、现状、差距、动作四块对应到看板的五个模块

共同点是：都需要在有限信息下做出方向判断，并且要让别人相信这个判断。

七、几条经验

1. 先定问题，再找数据。不要先收集一堆数据再想能说明什么。每个模块先写清楚它回答什么问题，再去找对应的数据。

2. 排序比罗列重要。三个方向平铺，读者记不住。排了序，读者能记住「第一个最重要」。

3. 对照表是最好的说服工具。人对「变化」的敏感度远高于对「状态」的敏感度。把过去和现在并排放，说服力自然就出来了。

4. 交付物要能被二次使用。单文件 HTML 的好处是别人拿到能改、能嵌、能截图。如果只给一张图片，价值就锁死在那张图上了。

写在最后

这次发布会最值得记住的，不是那些数字，是措辞的转向——从「要发展」到「已经领先」。对一个做技术规划的人来说，这句话翻译过来就是：讲故事的时代过去了，跑得稳的时代开始了。

而「跑得稳」，恰恰是工程能力能发挥作用的地方。