清华大学苏世民书院院长薛澜在最近的中国数字经济发展和治理学术年会上强调了中国AI发展的治理挑战。中国大模型的发展出现了一些问题，包括大模型使用“套壳”和拼装方式构建，算力受制于“卡脖子”问题，以及数据质量问题和资本短视。他呼吁加大中国AI产业的研发投入，提高原创性，并加强商业化进程。

：
随着科技的进步和人工智能（AI）领域的快速发展，中国的大模型也正在逐渐崛起。然而，大模型的发展也面临着一些挑战。这些挑战包括但不限于大模型使用“套壳”和拼装方式构建，算力受制于“卡脖子”问题，以及数据质量问题和资本短视。
首先，“套壳”和拼装方式构建是大模型发展中的一种常见问题。这种做法看似简单，但实际上隐藏着严重的问题。套壳式的大模型虽然能够实现特定的功能，但在复杂的数据处理和深度学习等任务中却表现出明显的性能下降。这主要是由于套壳式的大模型并没有充分考虑到数据质量和算法优化等因素的影响，导致其在面对实际应用中的问题时表现不佳。
其次，“卡脖子”问题是另一个需要解决的重要问题。随着全球对AI技术的需求不断增加，中国也在积极寻求通过技术创新来打破“卡脖子”的困境。但是，目前来看，中国的AI发展仍然面临诸多挑战，包括算力不足、资金短缺、人才缺乏等问题。
最后，数据质量问题也是大模型发展中的一大难题。当前，由于种种原因，中国的数据质量往往难以满足高质量AI系统的期待。因此，如何提升数据的质量和准确性，是推动AI发展的重要环节。
面对这些问题，我们需要采取有效的措施进行解决。首先，我们需要加大对AI产业的研发投入，以提升大模型的技术水平。同时，我们还需要加强对AI企业的监管，防止“套壳”和拼装方式构建的行为发生。
其次，我们需要推进数据的共享和开放，以加快AI技术的应用速度。为此，我们需要建立更加完善的数据管理制度，鼓励企业和个人共享数据资源，以推动AI技术的发展。
最后，我们需要培养更多的AI人才，以保证AI技术的持续发展。这需要我们在教育体系中增加AI相关的课程，提供更多的培训机会，以吸引和留住AI人才。
总的来说，尽管中国的大模型已经取得了显著的进步，但面临的挑战依然十分严峻。我们需要共同努力，克服这些困难，推动中国AI技术的发展，以适应日益复杂的全球环境和社会需求。