ai产业报告-PDF版

赛迪前瞻：2025美国人工智能领域创新平台载体建设进展、经验及对我启示报告（13页）.pdf

-1-2025 年 8 月 20 日 第2025 年 8 月 20 日 第3737期 总第 918 期期 总第 918 期 美国人工智能领域创新平台载体建设美国人工智能领域创新平台载体建设 进展、经.

2025-09-03 13页 5星级

Sensor Tower：2025年AI应用市场洞察报告（71页）.pdf

2025年第季度AI移动应与数字告趋势洞察2025年AI应用市场洞察报告 执行摘要|关键要点-All Rights Reserved0203从小众到主流：AI 深入渗透日常场景AI 跨越垂直领域：创新.

2025-09-03 71页 5星级

腾讯研究院&企鹅有调：2024十问“AI陪伴”研究报告：现状、趋势与机会（57页）.pdf

AI COMPANION WHEN SOUL MEETS AI普通人的AI自由简 介2013年，电影 Her 为大众描绘了一个人与AI相依相恋的美妙故事。10年之后，ChatGPT等强AI的出现，似乎.

2025-09-03 57页 5星级

工信部：工业和信息化领域人工智能安全治理标准体系建设指南（2025版）（22页）.pdf

1 工业和信息化领域人工智能安全治理标准体系建设指南（2025）为深入贯彻落实党中央、国务院关于加快发展人工智能的部署要求，贯彻落实国家标准化发展纲要全球人工智能治理倡议国家人工智能产业综合标准化体系.

2025-09-03 22页 5星级

IBM：2025年AI项目变现之路：智能体AI开启持续财务增长引擎报告（32页）.pdf

IBM 商业价值研究院|研究洞察以 AI 为核心AI 项目变现之路智能体 AI 开启持续财务增长引擎IBM 如何提供帮助企业可以利用 IBM 深厚的行业、职能和技术专业能力，丰富的企业级技术解决方案以.

2025-09-03 32页 5星级

解数咨询：2025全球AI工具市场发展现状与趋势分析报告（简版）（37页）.pdf

全球AI工具市场发展现状与趋势分析ChatGPTGemini&GeminiAdvancedOpenAIDeepseekAdobeDeepLGrokNotionAISalesforceEinsteinP.

2025-09-03 37页 5星级

北二外数字文旅研究中心：2025人工智能赋能智慧旅游发展研究报告（85页）.pdf

人工智能赋能智慧旅游发展研究报告人工智能赋能智慧旅游发展研究报告北京第二外国语学院数字文旅研究中心2025 年 8 月1目目录录相关名词解释.I前言.III一、生成式一、生成式 AI 发展及其对宏观社.

2025-09-03 85页 5星级

径硕科技：2025B2B企业生成式引擎优化（GEO） • 实战指南（41页）.pdf

12025径硕科技 B2B企业生成式引擎优化（GEO）实战指南 本2025径硕科技 B2B企业生成式引擎优化（GEO）实战指南（下称“报告”）的知识产权以及衍生的任何相关权利均归上海径硕网络科技有限公.

2025-09-03 41页 5星级

清华大学：2025年AI艺术的若干问题思考报告（55页）.pdf

AI艺术的问题思考AI自动生成幻灯片素材试验-1（1.0版 修订号 0.1）AIGC、新媒沈阳 团队、张瀚月 2025年8月 基于用户偏好的AI绘画风格迁移技术旨在根据用户的个性化审美偏好，自动调整和.

2025-09-01 55页 5星级

InfoQ：2025面向GenAI的数据智能底座白皮书（18页）.pdf

面向GenAI 的数据智能底座白皮书Building the Data Intelligence Platform for Generative AI1目录前言01 企业落地 GenAI 的数据困境严.

2025-09-01 18页 5星级

OceanBase：AI Data Infra 解决方案白皮书（2025）（22页）.pdf

点击查看更多OceanBase：AI Data Infra 解决方案白皮书（2025）（22页）.pdf精彩内容。

2025-09-01 22页 5星级

“人工智能+”与“互联网+”的差异：跨越中度发展陷阱的集结号-250827（6页）.pdf

本报告禁止在中国内地发布(请参阅本报告背面的重要信息披露及声明)中银国际研究可在中银国际研究网站()上获取 TMT 互联互联网网|消息快报消息快报 2025 年年 8 月月 27 日日 跨越中度发展.

2025-09-01 6页 5星级

中国信通院：2025人工智能高质量数据集建设指南（74页）.pdf

人工智能高质量数据集人工智能高质量数据集建设指南建设指南中国信息通信研究院人工智能研究所清华大学计算社会科学与国家治理实验室中国人工智能产业发展联盟数据委员会2025年7月版权声明版权声明本报告版权属.

2025-08-31 74页 5星级

腾讯&中国信通院：Al技术在项目管理中的应用洞察报告（2025年）（24页）.pdf

参编人员参编单位：深圳市腾讯计算机系统有限公司、中国信息通信研究院云计算与大数据研究所、敦煌网、欧菲斯、嘉联支付、阳光保险、盛大科技郑峰鞠武军黄友昆余斐李云帆胡江海张爱民李可成李新月罗冰鑫马龙飞凌侣超郑耀恒龚云飞廖建崴刘凡刘之莹排名不分先后AI技术在项目管理中的应用洞察报告卷首语当前，全球数字化浪潮奔涌，人工智能（AI）作为引领新一轮科技革命与产业变革的核心驱动力，正深刻重塑各行各业的发展格局。以新一代人工智能发展规划为纲领的政策体系持续构筑AI应用战略高地，各地政府积极响应。与此同时，市场需求持续扩容，企业面对日益复杂的项目环境与激烈的市场竞争，对提升项目管理效率、质量和可控性的需求空前迫切，技术与市场的双轮驱动正推动AI项目管理迈入规模化落地的关键阶段。在此背景下，智能化赋能项目管理已从概念探索走向实践深耕。AI技术正深度融入项目全生命周期，在需求管理、任务分配、进度跟踪、风险预警、知识沉淀及跨团队协作等核心环节展现出显著价值，尤其在提升效率、优化质量和控制成本方面成效突出。洞察行业差异化的痛点需求，厘清AI应用的现状、边界与未来方向，探索其规模化落地的有效路径，对企业在战略机遇期中把握先机、实现项目管理智能化升级至关重要。本报告共分六章展开论述。开篇概述AI在项目管理领域的应用背景与发展阶段；随后通过详实的调研数据，分析不同行业的项目管理痛点与AI的核心价值；进而深入探讨AI驱动项目管理的顶层设计理念、核心能力构建及关键应用场景；展望未来技术、场景与生态融合的发展趋势；最后，精选多个行业的标杆企业案例，具象化呈现AI落地的实践路径与显著成效。各章节层层递进，力图构建从理论到实践、从现状到未来的完整认知图谱。旨在为企业管理者、项目实践者及行业研究者提供一份关于AI赋能项目管理的权威指南与实践蓝图。目录一、AI 在项目管理领域应用的概述.11.1 国家与地方构筑 AI 应用战略高地，智能项目管理进入战略机遇期.11.2 市场扩容与技术融合双轮驱动，AI 项目管理迈入规模化落地阶段.1二、AI在项目管理领域应用的调研分析.22.1 项目管理领域不同行业的痛点与需求.22.2 AI 在项目管理中的核心价值.7三、AI 驱动项目管理应用的顶层设计及核心能力.133.1 战略目标与需求分析.143.2 顶层架构设计.153.3 核心能力.17四、AI 驱动项目管理智能化核心应用场景.204.1 需求管理.214.2 敏捷迭代.224.3 测试管理.234.4 知识沉淀.244.5 跨团队协作.254.6 反馈管理.26五、AI 驱动项目管理智能化应用平台的趋势展望.275.1 技术趋势.285.2 场景趋势.295.3 生态趋势.30六、AI 驱动项目管理智能化应用的典型案例.316.1 敦煌网.316.2 欧菲斯.336.3 盛大科技.356.4 阳光保险.366.5 嘉联支付.3812一、AI 在项目管理领域应用的概述1.1 国家与地方构筑 AI 应用战略高地，智能项目管理进入战略机遇期在全球数字化转型的大背景下，人工智能（AI）已成为推动各行业创新发展的核心驱动力。从国家层面来看，我国同样高度重视 AI 技术的战略意义，将其视为推动产业升级和经济高质量发展的关键力量。近年来，国家陆续出台了一系列政策措施，为 AI 技术的发展营造了良好的政策环境。新一代人工智能发展规划明确提出，要加快人工智能与各行业的深度融合，推动智能化经济的发展。在这一规划的引领下，各地政府积极响应，纷纷出台具体的实施细则和配套政策，加大对 AI 产业的扶持力度。北京、上海、深圳等一线城市更是走在前列，通过设立专项基金、建设 AI 产业园区等方式，吸引了大量 AI 企业和人才的聚集，形成了具有国际竞争力的 AI 产业集群。在国家和地方政策的双重推动下，智能项目管理迎来了前所未有的战略机遇期。一方面，政策的支持为智能项目管理的发展提供了坚实的保障。政府通过资金扶持、税收优惠等政策手段，降低了企业应用 AI 技术进行项目管理的成本，提高了企业的积极性。同时，政策的引导也促进了 AI 技术在项目管理领域的标准化和规范化发展，为智能项目管理的大规模应用奠定了基础。另一方面，AI 技术的飞速发展为智能项目管理提供了强大的技术支撑。随着机器学习、深度学习、自然语言处理等 AI 技术的不断突破，项目管理中的各种复杂问题得以更高效地解决，如需求分析、风险评估、资源分配等。这些技术的应用，不仅提高了项目管理的效率和质量，还为项目管理带来了全新的理念和方法，推动了项目管理模式的创新变革。1.2 市场扩容与技术融合双轮驱动，AI 项目管理迈入规模化落地阶段随着全球经济的快速发展和市场竞争的日益激烈，企业对项目管理的要求也越来越高。传统的项目管理方式在面对复杂多变的市场环境时，逐渐显露出其局限性，如效率低下、决策滞后、风险控制能力弱等。而AI 技术的出现，为解决这些问题提供了新的思路和方法。通过将 AI 技术与项目管理深度融合，企业能够实现项目管理的智能化、自动化和精细化，从而提高项目的成功率和企业的竞争力。市场对 AI 项目管理的需求呈现出快速增长的趋势，推动了 AI 项目管理市场的不断扩容。从市场需求来看，各行业对 AI 项目管理的需求不断攀升。在 IT/互联网行业，由于项目的创新性和复杂性较高，对项目管理的灵活性和高效性要求也更为严格。AI 技术能够帮助企业快速分析大量的项目数据，准确把握项目的进度和风险，及时做出决策调整，从而提高项目交付质量和效率。在制造业领域，随着智能制造的兴起，企业需要更加精准的项目管理来协调生产流程、优化资源配置。AI 项目管理可以通过实时监控生产数据，预测设备故障和生产瓶颈，提前采取措施进行预防和解决，确保生产的顺利进行。金融、医疗、教育等行业也对 AI 项目管理有着广泛的需求，通过 AI 技术实现风险管理、资源优化、客户服务等方面的提升。从技术融合角度来看，AI 技术与项目管理工具和平台的融合不断深化。目前，越来越多的项目管理软件开始集成 AI 功能，如自动任务分配、智能进度跟踪、风险预警等。这些功能的实现，离不开 AI 技术中的机器学习、数据分析、自然语言处理等技术的支持。机器学习算法可以根据项目的历史数据和实时信息，自动调整任务分配策略，提高团队的工作效率；数据分析技术能够对项目数据进行深度挖掘，为项目决策提供数据支持；自然语言处理技术则可以实现人与项目管理系统的自然交互，简化操作流程，提高用户体验。通过技术融合，AI 项目管理工具和平台的功能不断完善，性能不断提升，为其规模化落地提供了有力保障。二、AI在项目管理领域应用的调研分析为深入解析企业项目管理效能现状与智能升级路径，腾讯联合中国信通院发起企业项目管理效能与 AI技术应用专项调研。通过科学抽样覆盖全国多个城市、行业及岗位层级的 400 逾位专家，获取多维数据样本。2.1 项目管理领域不同行业的痛点与需求根据问卷数据，IT/互联网行业占比高达 47%（129 家），显著高于其他行业，成为本次调研的主要参与者。制造业以 24%（67 家）的占比位居第二，但与 IT/互联网行业差距明显。其余行业（金融、零售与消费品、医疗健康、教育等）合计占比不足 30%，且单一行业占比均低于 10%。这一分布表明，IT/互联网行业对项目管理与 AI 应用的关注度或实践需求更为突出，可能与其技术驱动特性及快速迭代的业务模式相关。制造业作为传统行业代表，虽占比次之，但与其他新兴行业（如医疗健康、教育）相比仍显示出较高的参与度，或反映其数字化转型的迫切性。数据中“其他”选项占比 12%（33 家），提示部分未列明行业也可能存在细分领域的潜在需求，需进一步挖掘。34根据问卷数据，需求阶段痛点呈现明显的集中趋势。其中频繁变更需求以56%的占比（155人次）成为最高频痛点，反映出超过半数项目面临需求不稳定的挑战；优先级冲突以48%的占比（132人次）紧随其后，说明近半数项目存在目标对齐困难。这两项痛点的发生率显著高于第三位的资源估算偏差（46%）和第四位的信息传递失真（45%），形成明显的双峰分布特征。数据进一步显示，前四大痛点的发生率均超过45%，构成需求管理的主要矛盾集合，而验收标准模糊（33%）和其他选项（4%）则属于相对次要问题。值得注意的是，频繁变更需求与优先级冲突合计覆盖率达104%（因多选题机制），表明多数项目同时面临这两个问题的叠加影响。这种叠加效应会显著加剧项目管理复杂度，需要优先建立变更控制机制和利益相关者协同框架来应对。交叉分析显示，不同行业在项目管理各阶段面临差异化痛点。需求阶段，制造业资源估算偏差（58%）和医疗健康（67%）远高于其他行业（如IT/互联网42%），凸显供应链密集型行业的资源规划挑战；零售与消费品（69%）和教育（80%）的频繁变更需求突出，反映市场响应快速行业的动态需求管理问题。开发延期阶段，需求变更为共同主因（如零售与消费品50%、IT/互联网43%），但教育资源不足（60%）和金融技术债务（21%）体现行业特殊性，教育资源约束与技术驱动行业的债务累积风险。交付阶段，零售与消费品性能问题（38%）和制造业安全漏洞（21%）高于平均水平（如IT/互联网性能问题21%），表明零售的线上系统性能敏感性与制造业的合规安全需求。数据表明，行业属性（如制造的资源密集、零售的消费端导向）直接塑造痛点分布，需定制解决方案。需求阶段主要痛点 X 公司所属行业IT/互联网制造业金融 医疗健康零售与消费品教育 其他_频繁变更需求56UX3iU%信息传递失真46CSPV9%资源估算偏差42X7gDB%优先级冲突49EcP1%0X%验收标准模糊32%738B%其他3%3%0%0 %3%开发延期主要原因 X 公司所属行业IT/互联网制造业金融 医疗健康零售与消费品教育 其他_需求变更43C7PPR%技术债务11!%6%0%6%资源不足3149%外部依赖15%4%0%3%其他1%1%0%0%0%0%交付阶段最大风险 X 公司所属行业IT/互联网制造业金融 医疗健康零售与消费品教育 其他_需求偏差28%26%性能问题21%58 %安全漏洞13!%0!%用户体验261 %运维支持8!3%0 %6%其他4%1%0%0%0%9V2.1.1IT/互联网行业IT/互联网行业以其创新性和快速迭代的特性而闻名。在这个行业中，市场需求变化迅速，技术更新换代频繁，这使得项目需求变更频繁成为一个突出的痛点。例如，一款互联网产品在开发过程中，可能会因为市场上出现新的竞争对手，或者用户反馈的新需求，而不得不对原有的功能进行调整或添加新功能，导致需求频繁变更。这种频繁的需求变更给项目管理带来了巨大的挑战，它使得项目计划不断被打乱，项目进度难以控制，增加了项目的不确定性和风险。跨团队协作低效也是 IT/互联网行业项目管理中常见的问题。该行业的项目通常涉及多个专业领域的团队，如软件开发、设计、测试、运维等。不同团队之间的工作方式、沟通习惯和专业背景存在差异，这容易导致信息传递不畅、任务协同困难。比如，开发团队在实现某个功能时，可能因为与设计团队的沟通不到位，导致实现的功能与设计初衷不符，需要重新返工，这不仅浪费了时间和资源，还影响了项目的进度和质量。2.1.2金融行业金融行业具有高度的规范性和严格的监管要求，这使得项目管理在资源浪费和进度不可控方面面临较大的挑战。在金融项目中，由于对风险的严格把控，往往需要投入大量的人力、物力和时间进行合规审查、风险评估等工作。然而，在实际操作中，由于流程的复杂性和信息的不透明性，可能会出现资源配置不合理的情况，导致部分资源闲置浪费，而部分关键环节却资源不足。金融市场的波动性和不确定性也使得项目进度难以控制。例如，在推出一款新的金融产品时，可能会因为市场行情的突然变化，或者监管政策的调整，而不得不对项目计划进行调整，导致项目延期。而且，金融行业的项目通常涉及大量的数据处理和分析，数据的准确性和及时性对项目的成功至关重要。但在实际项目中，可能会因为数据质量问题、数据获取困难等原因，影响项目的进度和决策的准确性。2.1.3制造行业制造行业的生产流程复杂，涉及多个环节和部门，需求变更频繁和跨团队协作低效是其项目管理中的主要痛点。在制造业项目中，由于市场需求的变化、原材料供应的不稳定以及生产工艺的改进等原因，项目需求可能会频繁发生变更。这不仅会导致生产计划的调整，还可能需要重新设计产品、更换生产设备等，增加了项目的成本和风险。跨团队协作方面，制造企业通常由研发、生产、采购、销售等多个部门组成，各部门之间的利益诉求和工作重点存在差异，这容易导致协作困难。例如，研发部门可能更关注产品的创新性和技术先进性，而生产部门则更注重生产成本和生产效率，两者之间可能会因为目标不一致而产生冲突，影响项目的推进。而且，在生产过程中，可能会因为供应链环节的问题，如原材料延迟到货、零部件质量问题等，导致生产中断，影响项目进度。2.1.4零售与消费品行业零售与消费品行业的市场变化快速，消费者需求多样化，这使得项目管理在资源浪费和进度不可控方面面临严峻挑战。在该行业的项目中，为了满足市场需求和竞争的需要，企业可能会频繁推出新产品或对现有产品进行升级改造。然而，由于对市场需求的预测不准确，或者对供应链的管理不善，可能会导致生产过剩或产品缺货的情况，造成资源的浪费。同时，零售与消费品行业的销售具有明显的季节性和时效性，项目进度必须紧密配合市场销售的节奏。但在实际项目中，可能会因为生产周期过长、物流配送不畅等原因，导致产品无法按时上市，错过最佳销售时机，影响企业的经济效益。而且，该行业的项目通常涉及多个供应商和销售渠道，协调管理难度较大，容易出现信息不对称和沟通不畅的问题，进一步加剧了项目进度的不可控性。2.1.5医疗健康行业医疗健康行业的专业性强，法规要求严格，知识经验流失和需求变更频繁是其项目管理中的主要痛点。在医疗项目中，由于医学知识的不断更新和临床实践的积累，项目团队中的核心成员所掌握的知识和经验对于项目的成功至关重要。然而，由于人才的流动和知识传承的困难，可能会导致知识经验的流失，影响项目的持续推进和创新发展。需求变更频繁也是医疗健康行业项目管理中常见的问题。在医疗产品的研发或医疗服务的改进项目中，可能会因为临床试验的结果、法规政策的变化以及患者需求的反馈等原因，导致项目需求频繁变更。这不仅会增加项目的成本和时间，还可能会对患者的安全和健康产生影响，因此需要更加谨慎地进行需求管理和变更控制。782.1.6教育行业教育行业正处于快速改革和发展的阶段，跨团队协作低效和进度不可控是其项目管理中亟待解决的问题。在教育项目中，通常涉及多个部门和人员，如教学部门、科研部门、行政部门以及教师、学生等。不同部门和人员之间的工作目标和利益诉求存在差异，这容易导致协作困难。例如，教学部门可能更关注教学质量和学生的学习效果，而科研部门则更注重科研成果的产出，两者之间可能会因为资源分配和工作重点的不同而产生矛盾，影响项目的实施。而且，教育项目的进度往往受到多种因素的影响，如政策法规的调整、教育资源的分配以及学生的学习进度等。这些因素的不确定性使得项目进度难以控制，容易出现延期的情况。例如，在推行一项新的教育改革项目时，可能会因为教师对新政策的理解和接受程度不同，或者教育资源的配套不到位，导致项目实施进度缓慢，无法达到预期的效果。2.1.7其他行业除了上述行业外，其他行业在项目管理中也存在各自的痛点。例如，建筑行业可能面临施工环境复杂、安全风险高以及资源调配困难等问题；能源行业可能存在项目周期长、投资大以及技术更新缓慢等挑战；农业行业可能会受到自然条件的限制、市场价格波动的影响以及产业链协同困难等问题。这些行业的痛点既有共性，也有各自的特性，都对 AI 应用于项目管理提出了迫切的需求，希望通过 AI 技术来提高项目管理的效率和质量，降低项目风险，实现项目的成功交付。2.2 AI 在项目管理中的核心价值从调研数据分析来看，对于AI的核心价值，效率提升的评分平均数最高（3.8），且高分段（4-5分）占比达68%（119 68/275），显著高于成本节约（56%）和风险控制（51%）。成本节约的评分平均数（3.7）略低于效率，但中高分段（3-5分）占比达89%，表明AI在成本优化中普遍有效，但显著提升比例（24%）不及效率（25%）。风险控制的评分平均数最低（3.5），且低分段（1-2分）占比13%，反映AI在风险领域的应用成熟度或适配性不足。数据表明，AI技术当前更擅长解决确定性问题（如效率、成本），而在不确定性较高的风险控制场景中表现相对保守。2.2.1效率提升AI 在项目管理中的自动化流程设置方面发挥着重要作用。通过机器学习算法，AI 能够根据项目的历史数据和预设规则，自动分配任务、安排进度。例如，在软件开发项目中，AI 可以根据开发人员的技能水平、工作负荷以及项目的优先级，自动将开发任务分配给最合适的人员，避免了人工分配任务时可能出现的不合理情况，提高了任务分配的效率和合理性。同时，AI 还可以实时监控项目进度，当发现某个任务可能延期时，自动发出预警，并提供相应的解决方案，如调整资源分配、优化工作流程等，确保项目能够按时完成。自动化文档生成也是 AI 提升项目管理效率的重要体现。在项目管理过程中，需要生成各种文档，如项目计划、需求文档、测试报告等。这些文档的撰写通常需要耗费大量的时间和精力，而且容易出现错误。AI 可以通过自然语言处理技术，根据项目的相关数据和信息，自动生成高质量的文档。以需求文档生成为例，AI可以根据用户的需求描述，自动提取关键信息，生成结构化的需求文档，并对文档进行语法检查和格式排版，大大提高了文档生成的效率和质量。以调研问卷中的某互联网企业的项目管理为例，引入 AI 技术后，项目任务分配的时间缩短了 20%，进度监控的及时性提高了 30%，文档生成的时间减少了 30%，项目整体效率得到了显著提升。2.2.2质量优化在智能需求管理方面，AI 可以通过对大量历史需求数据的分析，学习用户的需求模式和偏好，从而更准确地理解用户需求。例如，在产品研发项目中，AI 可以根据用户的反馈、市场调研数据以及竞争对手的产品910特点，帮助产品经理梳理和明确需求，避免需求的模糊性和歧义性。同时，AI 还可以对需求进行优先级排序，根据项目的资源和时间限制，合理安排需求的实现顺序，确保项目能够满足用户的核心需求。智能代码审查是 AI 优化项目质量的另一个重要应用。AI 可以通过分析代码的结构、语法、语义以及代码之间的依赖关系，自动检测代码中的潜在缺陷和漏洞。例如，AI 可以识别出代码中的空指针引用、内存泄漏、SQL 注入等安全漏洞，以及代码风格不一致、代码冗余等质量问题，并给出相应的修改建议。与传统的人工代码审查相比，AI 代码审查具有更高的准确性和效率，能够及时发现和解决代码中的问题，提高软件的质量和安全性。智能测试管理也是 AI 在项目管理中的重要应用场景。AI 可以根据项目的需求和代码逻辑，自动生成测试用例，并对测试结果进行分析和评估。例如，AI 可以通过模拟不同的输入场景和用户行为，生成全面的测试用例，覆盖各种边界条件和异常情况，提高测试的覆盖率。同时，AI 还可以根据测试结果，自动定位问题的根源，提供详细的问题描述和解决方案，帮助测试人员更快地解决问题，提高测试的效率和质量。以调研问卷中的某软件研发项目为例，引入 AI 技术进行需求管理后，需求的准确性提高了 20%，因需求不明确导致的返工次数减少了 30%；采用 AI 进行代码审查后，代码缺陷的发现率提高了 40%，软件的稳定性和可靠性得到了显著提升；运用 AI 进行测试管理后，测试用例的生成时间缩短了 40%，测试覆盖率提高了 25%，软件的质量得到了有效保障。2.2.3成本控制AI 通过智能资源分配，能够根据项目的实际需求和资源的使用情况，合理调配资源，避免资源的浪费和闲置。例如，在工程项目中，AI 可以实时监测施工进度和资源消耗情况，根据工程的实际进展，动态调整人力、物力和财力的分配，确保资源的高效利用。当某个施工环节提前完成时，AI 可以自动将剩余的资源调配到其他需要的环节，避免资源的闲置浪费；当某个环节出现延误时，AI 可以及时增加资源投入，确保项目能够按时完成，避免因项目延期而带来的额外成本。AI 还可以通过对项目历史数据和市场信息的分析，预测项目的成本走势。例如，在制造业项目中，AI 可以根据原材料价格的波动、生产效率的变化以及市场需求的预测，准确预测项目的成本，为项目决策提供数据支持。当预测到原材料价格即将上涨时，项目团队可以提前采购原材料，降低采购成本；当预测到项目可能会超预算时，项目团队可以及时调整项目计划，优化资源配置，控制成本。以调研问卷中的某制造企业的项目为例，引入 AI 技术进行资源分配后，资源利用率提高了 20%，成本降低了 14%；运用 AI 进行成本预测后，成本预测的准确率提高了 25%，有效避免了项目超预算的情况发生，为企业节省了大量的成本。2.2.4决策支持AI 能够对项目管理中的各种数据进行收集、整理和分析，挖掘数据背后的规律和趋势，为项目决策提供有力的数据支持。例如，在项目进度管理中，AI 可以通过分析历史项目数据和当前项目的实际进度，预测项目的完成时间和可能出现的风险。当发现项目可能延期时，AI 可以提供多种应对方案，并分析每种方案的优缺点和实施效果，帮助项目管理者做出科学的决策。在智能风险评估方面，AI 可以通过对项目的需求、技术、资源、市场等多方面因素的分析，评估项目的风险水平。例如，AI 可以识别出项目中可能存在的技术难题、需求变更风险、资源短缺风险以及市场竞争风险等，并对每种风险的发生概率和影响程度进行量化评估。根据风险评估的结果，项目管理者可以制定相应的风险应对策略，降低风险的发生概率和影响程度。AI 还可以根据项目的目标、资源和风险情况，提供智能决策建议。例如，在项目资源分配决策中，AI 可以根据项目的优先级、任务的紧急程度以及资源的可用性，为项目管理者提供最优的资源分配方案；在项目进度调整决策中，AI 可以根据项目的实际进度和剩余工作量，提供合理的进度调整建议，确保项目能够按时完成。以调研问卷中的某大型工程项目为例，在项目决策过程中，引入 AI 技术进行数据分析和风险评估后，项目决策的准确性提高了 20%，风险应对的及时性提高了 25%，项目的成功率得到了显著提升。2.2.5知识管理AI 可以通过对项目文档、会议记录、沟通信息等多源数据的分析，自动提取项目中的知识和经验，构建智能知识库。例如，在软件开发项目中，AI 可以将代码中的设计模式、算法实现、问题解决方案等知识提取出来，存入知识库中。当项目团队成员遇到类似问题时，可以通过智能小助手在知识库中快速检索相关知识，获取解决方案，实现知识的复用。1112智能小助手还可以通过自然语言处理技术，与项目团队成员进行交互，解答他们的问题，提供相关的知识和建议。例如，当团队成员对某个技术问题不确定时，可以向智能小助手提问，智能小助手可以根据知识库中的知识和相关经验，给出准确的解答和建议，帮助团队成员解决问题，提高工作效率。以调研问卷中的某企业的项目管理为例，引入 AI 技术进行知识管理后，知识的检索效率提高了 60%，知识的复用率提高了 50%，项目团队成员解决问题的时间缩短了 30%，有效提升了团队的整体能力和项目管理水平。2.2.6沟通协作AI 可以实现智能工作流同步，将项目中的各个环节和任务进行有机整合，确保信息在不同团队和成员之间的及时传递和共享。例如，在跨部门项目中，AI 可以将需求、设计、开发、测试等环节的工作流进行统一管理，当某个环节的任务完成时，自动触发下一个环节的任务，并将相关信息同步给相关人员，避免了信息的滞后和不一致，提高了工作效率。风险可视化管理看板是 AI 在沟通协作中的另一个重要应用。AI 可以将项目中的风险信息进行可视化展示，通过图表、图形等方式直观地呈现项目的风险状况。例如，在项目风险管理中，AI 可以将风险的发生概率、影响程度、风险状态等信息以可视化的形式展示在管理看板上，项目管理者和团队成员可以一目了然地了解项目的风险情况，及时采取相应的措施进行风险应对。AI 还可以通过多渠道聚合，将项目中的各种沟通渠道进行整合，如邮件、即时通讯工具、项目管理平台等，实现信息的统一管理和处理。例如，当团队成员在不同的沟通渠道中讨论项目问题时，AI 可以将这些信息进行汇总和分析，提取关键信息，及时反馈给相关人员，确保沟通的顺畅和高效。以调研问卷中的某科技企业的跨部门项目为例，引入 AI 技术进行沟通协作后，信息传递的及时性提高了30%，沟通成本降低了 20%，项目团队成员对项目进度和风险的了解更加清晰，团队协作效率得到了显著提升。2.2.7持续改进AI 可以通过对项目过程中的各种数据进行收集和分析，如项目进度、质量、成本等数据，及时发现项目中存在的问题和不足，并提出相应的改进建议。例如，在项目质量管理中，AI 可以分析测试数据和用户反馈，找出软件中存在的缺陷和问题，提出改进措施，优化软件质量。AI 还可以根据项目的实际运行情况，对模型进行更新和优化，提高模型的准确性和适应性。例如，在项目成本预测模型中，AI 可以根据新的项目数据和市场信息，不断调整模型的参数和算法，提高成本预测的准确性，为项目决策提供更可靠的支持。AI 可以帮助企业优化项目管理流程，通过对项目流程的分析和模拟，找出流程中的瓶颈和不合理之处，提出优化方案。例如，在项目审批流程中，AI 可以分析审批时间、审批环节等数据，找出审批流程中的耗时环节，提出简化审批流程。1314三、AI 驱动项目管理应用的顶层设计及核心能力从问卷数据看，显示需求撰写和优化、测试用例生成均以 49%的应用率位居 AI 应用最普及领域（小计136 和 134），表明企业在自动化文档和测试环节广泛部署 AI 技术。结合效果评分，效率提升平均分最高（3.8），其中 4 分和 5 分占比达 68%（119 68/275），这与高普及领域高度关联，因为这些应用直接优化工作流程，例如 AI 自动生成需求文档和测试用例可减少人工耗时，从而提升效率。相比之下，风险控制相关应用如需求评审（36%应用率）和测试用例评审（33%应用率）普及度较低，且 Q19 中风险控制评分最低（平均 3.5），1 分和 2 分负面反馈占比 13%（12 23/275），反映出 AI 在风险预测和评审环节的成熟度不足，企业可能因技术局限或数据质量导致效果不理想。整体上，数据揭示 AI 在效率导向型领域（如文档和测试自动化）成效突出，支持优先投入；但风险控制领域需加强技术迭代和数据治理以提升应用价值。3.1 战略目标与需求分析在当今数字化时代，企业应用 AI 进行项目管理的战略目标具有多维度的重要意义，紧密贴合市场发展趋势与企业自身发展需求。从市场角度来看，随着全球市场竞争的日益激烈，项目的复杂性和不确定性不断增加，企业迫切需要一种高效、智能的项目管理方式来提升竞争力。AI 技术的强大数据处理能力和智能分析能力，正好为企业应对这些挑战提供了有力支持。从企业自身发展需求出发，一方面，企业希望通过 AI 技术提高项目管理的效率，缩短项目周期，从而更快地响应市场变化，推出满足客户需求的产品或服务。例如，在互联网行业，产品的迭代速度至关重要，利用 AI 实现项目进度的智能监控和任务的自动分配，可以大大加快产品的开发和上线速度。另一方面，企业期望借助 AI 提升项目质量，减少项目中的错误和风险，提高客户满意度。在制造业中，通过 AI 对生产过程进行实时监测和质量分析，可以及时发现并解决潜在的质量问题，确保产品质量的稳定性。同时，企业还关注成本控制，AI 的智能资源分配和成本预测功能能够帮助企业优化资源配置，降低项目成本，提高经济效益。基于以上市场和企业发展需求，企业制定应用 AI 进行项目管理的战略目标，旨在实现项目管理的智能化、自动化和精细化。具体来说，就是要利用 AI 技术实现项目需求的精准把握、项目进度的高效控制、项目质量的有效保障、项目成本的合理控制以及项目风险的科学评估和应对。这些目标相互关联、相互影响，共同构成了企业应用 AI 进行项目管理的战略框架，为企业在激烈的市场竞争中取得优势地位奠定坚实基础。15163.2 顶层架构设计3.2.1企业级在企业级项目管理中，AI 架构设计扮演着至关重要的角色，它犹如企业项目管理的中枢神经系统，全面统筹和协调企业各个层面的项目活动。AI 架构首先需要构建一个统一的数据平台，整合企业内部各个项目的各类数据，包括项目进度数据、资源使用数据、成本数据、质量数据等。这个数据平台不仅要具备强大的数据存储能力，还要能够对海量数据进行高效的清洗、整理和分析，为 AI 模型提供准确、全面的数据支持。以某大型跨国企业为例，该企业在全球范围内开展多个大型项目，涉及多个业务领域和地区。通过构建企业级 AI 项目管理架构，利用大数据技术整合了分布在不同地区和部门的项目数据，建立了统一的数据仓库。AI 模型基于这些数据进行深度分析，能够实时掌握各个项目的进展情况、资源分配是否合理以及潜在的风险点。当某个项目出现进度延误的迹象时，AI 系统能够迅速分析原因，可能是资源不足，也可能是需求变更导致的，并及时提供相应的解决方案，如从其他项目调配资源，或者与相关部门沟通协调需求变更事宜。通过这种方式，AI 架构有力地支撑了企业战略的实施，确保各个项目紧密围绕企业的战略目标推进，提高了企业整体的项目管理水平和运营效率。3.2.2业务级在业务级项目管理中，AI 架构设计同样发挥着举足轻重的作用，它如同业务项目管理的神经网络，深入渗透到业务的各个环节，实现业务团队的高效管理和多业务线之间的无缝协同。AI 架构首先要建立一个统一的业务数据平台，将不同业务线产生的项目数据、团队信息、资源状态、市场反馈等数据进行集中管理和智能分析。该平台需具备强大的数据处理和分析能力，能够对海量数据进行深度挖掘，为业务决策提供精准的数据支持。以某大型多元化企业为例，该企业拥有多条业务线，涵盖产品研发、市场营销、客户服务、供应链管理等多个领域。通过构建业务级 AI 项目管理架构，利用大数据技术整合了各业务线的项目数据和团队信息，建立了统一的业务数据仓库。AI 模型基于这些数据进行综合分析，能够实时掌握各业务线的项目进度、团队工作负荷、资源分配状况以及业务线之间的协作需求。当某业务线项目需要其他业务线配合时，AI 系统能够迅速识别并匹配合适的协作资源，如协调研发团队为市场营销项目提供技术支持，或者调配客户服务团队的资源以应对供应链突发事件。同时，AI 架构还能够根据业务线之间的协作历史和效果，不断优化协作模式和流程，提高跨业务线的协作效率。通过这种方式，AI 架构有效促进了业务线之间的协同配合，提升了业务团队管理的精细化水平，推动了企业业务目标的顺利实现。3.2.3产品级在产品级项目管理中，AI 架构设计旨在提升产品竞争力，助力产品在市场中脱颖而出。AI 可以在产品研发的全生命周期发挥重要作用，从产品规划、设计、开发到测试、上线以及后续的优化升级，都离不开 AI 的支持。在产品规划阶段，AI 通过对市场数据、用户需求数据、竞争对手产品数据的分析，为产品定位和功能规划提供决策依据，帮助企业开发出更符合市场需求和用户喜好的产品。以某手机研发项目为例，企业利用 AI 架构对市场上同类手机产品进行全面分析，包括产品功能、性能参数、用户评价等，结合对潜在用户需求的调研数据，确定了具有差异化竞争优势的产品定位和功能规划。在产品设计阶段，AI 辅助设计工具可以根据产品需求和设计规范，快速生成多种设计方案，并通过模拟分析评估方案的可行性和性能表现，帮助设计师选择最优方案。在开发过程中，AI 代码审查工具能够及时发现代码中的潜在问题，提高代码质量和开发效率。在测试阶段，AI 自动生成测试用例，覆盖各种复杂场景，确保产品的稳定性和可靠性。通过 AI 架构在产品级项目管理中的应用，该手机产品在市场上获得了良好的口碑和销量，有效提升了产品竞争力。17183.2.4团队级AI 在团队级项目管理中的架构设计致力于提高团队协作效率，增强团队的凝聚力和执行力。通过搭建智能协作平台，AI 实现了团队成员之间信息的实时共享和协同工作的自动化。智能任务分配系统根据团队成员的技能、工作负荷、项目进度等因素，合理分配任务，确保每个成员都能充分发挥自己的优势，同时避免任务分配不均导致的效率低下问题。以某软件开发团队的项目协作为例，该团队在开发一款大型软件项目时，引入了 AI 团队协作架构。AI系统根据每个成员的技术专长和当前工作进度，将开发任务精确分配到个人，并实时跟踪任务进度。当某个成员遇到技术难题时，AI 智能问答系统可以提供相关的技术资料和解决方案建议，帮助成员快速解决问题。同时，AI 还可以对团队成员之间的沟通数据进行分析，发现沟通中的问题和瓶颈，如信息传递不及时、沟通渠道不畅等，并提出优化建议，促进团队成员之间的有效沟通和协作。通过 AI 架构在团队级项目管理中的应用，该团队的协作效率提高了 30%，项目开发周期缩短了 20%，团队的整体战斗力得到了显著提升。3.3 核心能力3.3.1智能需求AI 需求编写功能基于强大的自然语言处理和机器学习技术，能够与产品策划人员进行上下文交互，从而完善和丰富需求内容。当产品策划人员输入初步的需求描述时，AI 可以根据其理解的语义和语境，结合历史需求数据和行业模板，自动生成详细的需求文档框架，并对框架内容进行扩写、校阅和润色。例如，在一个电商平台的产品需求编写中，产品策划人员输入“增加商品搜索功能，提高搜索效率”，AI 系统能够进一步细化需求，如搜索功能应支持模糊搜索、关键词联想、按类别筛选等具体功能，同时对需求文档的语言表达进行优化，使其更加准确、清晰。AI 需求评审通过设定 AI 身份和评审标准，实现对需求的智能评审。AI 可以根据预先设定的评审规则，如需求的完整性、一致性、可行性等标准，对需求文档进行全面审查。当发现需求存在问题时，AI 会生成详细的修改建议。在上述电商平台的需求评审中，AI 发现需求文档中对于搜索功能的性能指标未明确规定，便生成建议补充搜索响应时间、搜索结果准确率等性能指标，确保需求的规范化，提高需求评审的效率和质量，减少因需求不明确导致的项目风险。3.3.2智能测试AI 测试用例生成模拟人脑多级思维链，结合等价类、边界值等测试方法，从多个维度生成测试实践。AI还会应用需求和历史用例 RAG（检索增强生成）技术，将需求自动转化为测试用例。在一个移动应用的测试用例生成中，针对用户登录功能需求，AI 通过分析需求中的各种条件，如用户名和密码的格式要求、登录失败的处理方式等，结合历史用例中关于登录功能的测试场景，生成全面的测试用例，包括正常登录、密码错误登录、用户名不存在登录、特殊字符用户名登录等多种场景，保障了测试场景的全面覆盖，同时极大地减少了测试人员手动编写测试用例的工作量。AI 测试用例评审通过智能逻辑评审和智能规范评审，对测试用例进行严格审查。智能逻辑评审主要验证测试用例的逻辑合理性，确保测试路径能够有效覆盖需求中的各个功能点；智能规范评审则关注测试用例的格式、表述等是否符合规范。在上述移动应用的测试用例评审中，AI 发现一个测试用例中对于预期结果的描述模糊不清，便生成评审建议，明确指出应具体描述预期的登录成功提示信息、错误提示信息等，实现了测试用例的可用与规范，提高了测试的准确性和可靠性。3.3.3智能反馈AI 汇聚多渠道数据反馈，能够将来自不同渠道的用户反馈数据进行整合，包括用户在 APP 内的反馈、在线客服的沟通记录、社交媒体上的评论等。AI 还原生连接微信小程序反馈，方便用户随时提交反馈，同时自动拉取反馈数据，并运用自然语言处理技术对反馈数据进行智能结构化处理，生成反馈标题、分类、情感倾向、优先级等关键信息。以某在线教育平台为例，AI 收集到用户在微信小程序中反馈“课程视频加载速度慢，影响学习体验”，通过智能分析，将该反馈分类为技术问题，情感倾向为负面，优先级设定为高，并生成标题“课程视频加载缓慢问题反馈”。根据反馈类型，AI 自动将其转化为研发需求或缺陷。对于功能改进类反馈，转化为研发需求；对于系统漏洞类反馈，转化为缺陷。在上述在线教育平台的例子中，AI 将课程视频加载慢的反馈自动转成研发需求，明确指出需要优化视频加载算法、提高服务器带宽等具体需求，并持续跟踪反馈执行情况。同时，AI 还提供智能反馈分析报告，从多个维度对反馈数据进行分析，如反馈趋势、问题分布等，并通过邮件和微信公众号通知管理者，为企业的产品优化和决策提供有力支持。19203.3.4智能总结AI 生成个人工作总结时，会根据不同角色岗位的工作特点和数据记录，生成个性化的工作月报、周报、双周报。对于软件开发人员，AI 会提取其代码编写量、解决的技术问题、参与的项目模块等数据，生成详细的技术工作成果总结；对于市场人员，AI 会结合其市场推广活动的效果数据、客户开发数量、市场份额变化等信息，生成市场工作业绩总结。以某互联网公司的产品经理为例，AI 生成的工作周报详细列出了本周参与的产品需求评审次数、提出的需求变更数量、跟进的项目进度情况以及与其他部门的协作成果等，帮助员工全面回顾工作，发现自身的优势和不足，促进员工的成长。在团队项目总结方面，AI 根据项目执行数据，如项目进度、任务完成情况、资源使用情况、质量指标等，生成团队项目问题和总结报告。报告中不仅分析项目中存在的问题，如任务延期的原因、质量问题的根源等，还提出针对性的改进建议。在一个大型工程项目的团队总结中，AI 通过分析项目数据，发现某个施工环节由于资源分配不合理导致进度延误，便在总结报告中提出优化资源分配方案的建议，帮助团队持续改进项目管理方法，提高项目执行效率。3.3.5智能问答AI 指引小助手主要负责指引用户熟练使用项目管理工具的各个功能，解决用户在使用过程中遇到的问题。当新员工入职使用项目管理系统时，可能对任务创建、进度跟踪等功能不熟悉，指引小助手可以通过自然语言交互，详细介绍每个功能的操作步骤和使用技巧，并提供相关的操作演示视频或图文教程。指引小助手还会结合项目管理知识和实践，为用户解答如何将工具与实际项目管理流程相结合的问题，帮助新手快速上手，更好地掌握项目管理工具。提效小助手根据业务场景的不同特点，为用户自动配置合适的模板。在项目策划阶段，用户只需告知项目类型和基本需求，提效小助手就能自动生成项目策划模板，包括项目目标、项目范围、项目进度计划、资源需求等内容，大大节省了用户创建模板的时间。用户也可以提出需要提效的场景，如项目进度跟踪繁琐、任务分配不均衡等，提效小助手会根据用户描述，分析问题所在，并给出相应的解决方案，如推荐使用自动化进度跟踪工具、优化任务分配算法等，帮助用户提高工作效率。四、AI 驱动项目管理智能化核心应用场景根据调研问卷数据分析，AI 技术在项目管理中的应用呈现明显的领域集中性：需求撰写和优化（49%）、测试用例生成（49%）是当前企业应用最广泛的两大场景，表明 AI 在项目前期（需求）和中期（测试）的标准化、重复性任务中价值凸显。个人和团队总结（43%）作为第三大应用领域，反映 AI 在知识沉淀环节的辅助作用逐渐被认可。而需求评审（36%）、测试用例评审（33%）等需人工决策的环节渗透率较低，可能与AI 的决策可信度不足有关。用户反馈分析（28%）、产品更新总结（24%）等后期环节应用更少，说明 AI在非结构化数据处理和策略生成上的能力仍需提升。值得注意的是，仅 6%企业尚未尝试 AI，印证了 AI 在项目管理中的普及趋势，但 3%的“其他”选项表明部分企业可能探索了细分场景未纳入统计。整体来看，AI应用呈现“两端弱、中间强”的特点，技术成熟度与场景标准化程度是影响落地的关键因素。根据调研问卷数据分析，AI 技术对项目管理环节的提升潜力呈现明显分层。需求管理以 65%的占比成为最受期待的领域，反映出市场对 AI 在需求识别、优先级排序和变更控制方面的强需求；测试管理（54%）和缺陷管理（52%）紧随其后，说明质量保障环节的自动化与智能化是当前痛点。这三项超过 50%的选项共同构成第一梯队，其共性在于高度依赖规则判断与数据处理的重复性工作，符合 AI 技术现阶段的能力边界。2122第二梯队（40%-49%）的知识沉淀、工作总结和迭代管理，体现了对过程资产智能化管理的需求，但技术实现复杂度可能高于第一梯队。值得注意的是，跨团队协作沟通仅获 29%选择，表明沟通类软性环节尚未被普遍视为 AI 的主攻方向。数据分布规律显示：AI 应用优先级与环节的结构化程度呈正相关，技术类、数据驱动型环节更受期待。4.1 需求管理需求管理是项目管理的核心环节之一，直接关系到项目的成败。然而，在实际项目中，需求管理常常面临诸多挑战。需求优先级混乱是一个常见问题，由于项目需求往往来自不同的利益相关者，他们的需求重要性和紧急程度各不相同，缺乏科学的优先级评估方法，容易导致项目团队在资源分配和任务执行时出现混乱，无法集中精力满足关键需求，影响项目的整体价值。需求变更频繁也是需求管理中的一大痛点。随着项目的推进，市场环境、客户需求、技术条件等因素可能发生变化，导致需求不断调整。频繁的需求变更不仅会打乱项目计划，增加项目成本和风险，还可能导致项目团队成员的工作重复和无效，降低团队的工作积极性和效率。为了应对这些挑战，AI 技术为需求管理提供了一系列智能化解决方案。智能需求分类与影响分析是其中的关键应用之一。AI 可以通过对需求文本的分析，自动识别需求的类型，如功能需求、性能需求、安全需求等，并根据需求之间的关联关系和业务逻辑，评估需求变更对项目其他部分的影响。例如，当某个功能需求发生变更时，AI 可以快速分析出该变更可能影响到的其他功能模块、测试用例以及项目进度，为项目团队提供详细的影响报告，帮助他们做出科学的决策，合理调整项目计划，降低需求变更带来的风险。自动写需求和做需求评审也是 AI 在需求管理中的重要应用。AI 可以根据项目的背景信息、用户的描述以及历史需求数据，自动生成高质量的需求文档。它能够准确理解用户的意图，将模糊的需求转化为清晰、可操作的需求描述，并按照规范的格式进行组织和排版。同时，AI 还可以对生成的需求文档进行智能评审，检查需求的完整性、一致性、可行性等方面的问题，提出修改建议，确保需求文档的质量。例如，AI 可以识别出需求文档中存在的逻辑漏洞、矛盾之处以及与项目目标不一致的地方，帮助项目团队及时发现并解决问题，避免因需求不明确而导致的项目返工和延误。以某软件开发项目为例，该项目在引入 AI 驱动的需求管理解决方案后，需求优先级评估的准确性提高了40%，项目团队能够更加明确工作重点，合理分配资源，确保关键需求的及时满足。需求变更的处理效率也得到了显著提升，需求变更导致的项目延误时间缩短了 30%，项目成本得到了有效控制。同时，需求文档的质量大幅提高，因需求不清晰导致的开发错误减少了 25%，项目的整体质量和交付效率得到了有力保障。4.2 敏捷迭代在当今快速变化的市场环境下，敏捷迭代已成为项目管理的重要方式，它能够使项目团队快速响应市场变化和客户需求，及时调整项目方向和功能。然而，敏捷迭代过程中也面临着诸多挑战，其中迭代周期不可控和资源冲突是较为突出的问题。迭代周期不可控往往是由于项目需求的不确定性、团队协作的效率以及外部因素的影响等。在敏捷迭代过程中，需求可能会频繁变更，这就需要项目团队不断调整迭代计划和任务安排。如果不能及时有效地应对需求变更，就容易导致迭代周期延长，项目交付延迟。同时，团队成员之间的协作效率也会对迭代周期产生重要影响。如果沟通不畅、任务分配不合理或者出现问题不能及时解决，都会影响项目的推进速度，使迭代周期超出预期。资源冲突也是敏捷迭代中常见的问题。在项目执行过程中，不同的任务可能需要相同的资源，如人力资源、技术资源等。当资源有限时，就容易出现资源冲突的情况。例如，两位开发人员同时需要使用某个测试2324环境进行代码测试，或者多个任务同时需要某位专家的技术支持，这些都会导致资源的竞争和冲突，影响项目的正常进行。为了解决这些问题，AI 技术提供了动态排期和冲突预警等有效的解决方案。动态排期利用 AI 的机器学习算法和数据分析能力，根据项目的实时进展、需求变更情况以及资源的可用性，自动调整迭代计划和任务排期。例如，当出现需求变更时，AI 可以快速分析变更对项目进度的影响，并重新评估各个任务的优先级，合理调整任务的开始时间和完成时间，确保迭代周期的可控性。同时，AI 还可以根据团队成员的工作负荷和技能水平，优化任务分配，提高团队协作效率，进一步保障迭代计划的顺利执行。冲突预警则是通过 AI 对项目资源的实时监控和分析，提前发现潜在的资源冲突。AI 可以建立资源模型，对资源的使用情况进行模拟和预测，当发现某个资源在某个时间段内可能会出现短缺或者多个任务对同一资源的需求冲突时，及时发出预警信息。例如，当 AI 预测到某位开发人员在接下来的一周内工作负荷过高，可能会影响项目进度时，就会向项目管理者发出预警，管理者可以根据预警信息，及时调整任务分配或者增加资源投入，避免资源冲突的发生，确保项目的顺利进行。以某互联网产品开发项目为例，该项目在引入 AI 驱动的敏捷迭代解决方案后，取得了显著的效果。迭代周期得到了有效控制，项目交付准时率从原来的 70%提升至 80%，能够更快地响应市场变化和客户需求，推出满足用户期望的产品。资源冲突的发生率也大幅降低，从原来的每月 5 次降低至每月 3 次以内，提高了资源的利用效率，减少了因资源冲突导致的项目延误和成本增加。项目团队的协作效率也得到了显著提升，团队成员能够更加明确自己的任务和责任，更好地协同工作，进一步提高了项目的整体质量和效率。4.3 测试管理测试管理是保障项目质量的关键环节，其重要性不言而喻。然而，在传统的测试管理过程中，存在着一些显著的痛点，严重影响了测试的效果和项目的质量。用例覆盖率低是一个常见问题，人工编写测试用例时，由于测试人员的经验和知识水平有限，很难全面覆盖所有的测试场景和边界条件。这就导致一些潜在的缺陷无法被及时发现，增加了项目上线后的风险。缺陷修复慢也是测试管理中的一大挑战。当发现缺陷后，需要耗费大量的时间和精力去定位问题的根源，协调开发人员进行修复，并且在修复后还需要进行重新测试，确保问题得到彻底解决。在这个过程中，如果沟通不畅、流程繁琐或者开发人员任务繁重，就容易导致缺陷修复的周期延长，影响项目的进度和质量。为了有效解决这些痛点，AI 技术在测试管理中发挥了重要作用，提供了一系列创新的解决方案。自动化测试生成 根因定位是其中的核心应用之一。AI 可以根据项目的需求文档、代码结构以及历史测试数据，自动生成全面、高效的测试用例。通过模拟各种输入场景和用户行为，AI 能够覆盖更多的测试边界和异常情况，大大提高了测试用例的覆盖率。同时，当发现缺陷时，AI 可以利用其强大的数据分析和机器学习能力，快速定位问题的根源。它可以分析缺陷出现的上下文信息、代码执行路径以及相关的日志数据，准确找出导致缺陷的代码片段或业务逻辑错误，为开发人员提供详细的问题定位报告，大大缩短了缺陷修复的时间。自动进行测试评审和生成测试报告也是 AI 在测试管理中的重要应用。AI 可以对自动生成的测试用例进行智能评审，检查用例的合理性、完整性以及与需求的一致性。它可以识别出测试用例中存在的逻辑漏洞、重复测试以及对重要场景的遗漏等问题，并提出修改建议，确保测试用例的质量。在测试执行完成后，AI 可以根据测试结果自动生成详细的测试报告，报告中包括测试的覆盖率、缺陷的分布情况、严重程度以及修复状态等信息。测试报告以直观、可视化的方式呈现，方便项目管理者和相关人员了解测试的整体情况，及时做出决策，优化项目质量。以某软件测试项目为例，该项目在引入 AI 驱动的测试管理解决方案后，取得了显著的成果。测试用例覆盖率从原来的 70%提升至 85%以上，有效提高了软件的质量和稳定性，降低了项目上线后的风险。缺陷修复时间大幅缩短，平均修复时间从原来的 3 天缩短至 2 天以内，提高了项目的进度和交付效率。同时，测试报告的生成时间也从原来的 2 天缩短至 1 天以内，并且报告的准确性和可读性得到了极大提升，为项目的质量保障和决策提供了有力支持。4.4 知识沉淀在项目管理过程中，知识沉淀是确保项目经验传承和团队能力提升的关键环节。然而，传统的知识沉淀方式存在诸多痛点，导致知识的流失和复用率低下。一方面，随着项目团队成员的流动，关键的项目知识和经验往往会随之流失。例如，一位资深的项目成员离职后，他所积累的关于项目需求分析、技术难题解决等方面的宝贵经验可能无法被有效传承，新成员需要重新摸索和学习，这无疑会增加项目的风险和成本。另一方面，知识的复用率低也是一个普遍问题。在项目执行过程中，许多已经解决的问题在后续项目中可能会再次出现，但由于缺乏有效的知识管理机制，团队成员难以快速找到之前的解决方案，导致重复劳动，降低了项目效率。为了解决这些痛点，AI 技术提供了智能小助手和知识库自动归档等创新解决方案。智能小助手基于自然语言处理和机器学习技术，能够理解用户的问题，并从知识库中快速检索相关知识，为用户提供准确的答案2526和建议。例如，当项目成员遇到技术难题时，只需向智能小助手提问，它就能根据问题的关键词和语境，在知识库中搜索相关的技术文档、解决方案和案例，帮助成员迅速找到解决问题的方法。这种智能交互方式极大地提高了知识获取的效率，使得项目成员能够在最短时间内获取所需知识，避免了因知识获取困难而导致的工作延误。知识库自动归档则是利用 AI 技术对项目过程中的各类文档、数据和信息进行自动分类、整理和存储。在项目执行过程中，会产生大量的文档，如需求文档、设计文档、测试报告等，这些文档包含了丰富的项目知识和经验。通过 AI 的自动归档功能，系统可以根据文档的内容和特征，自动将其归类到相应的知识库目录下，并提取关键信息生成索引，方便后续的检索和查询。例如，当项目需要进行需求变更时，相关人员可以通过知识库快速查找之前类似需求变更的处理方案和经验教训，为当前的需求变更提供参考，从而提高需求变更的处理效率和质量。以某大型企业的项目管理为例，该企业在引入 AI 驱动的知识沉淀解决方案后，取得了显著的成效。知识检索效率大幅提高，项目成员查找所需知识的平均时间从原来的 30 分钟缩短至 510 分钟以内，极大地节省了时间成本。知识复用率也得到了显著提升，重复问题的解决时间缩短了 40%，避免了大量的重复劳动，提高了项目的整体效率。同时，知识库中的知识也为新员工的培训和成长提供了丰富的学习资源，新员工能够更快地熟悉项目流程和业务知识，融入项目团队，进一步增强了团队的整体实力。4.5 跨团队协作在大型项目中，跨团队协作是项目成功的关键因素之一。然而，由于不同团队之间存在信息壁垒、沟通不畅以及工作流程不一致等问题，跨团队协作往往面临诸多挑战，其中信息孤岛和进度不透明是较为突出的痛点。信息孤岛是指不同团队之间的数据和信息无法有效共享和流通，形成了一个个独立的“信息孤岛”。这就导致团队之间在协作过程中，无法及时获取对方的工作进展、需求变更以及问题反馈等信息，容易出现工作重复、误解和冲突。例如，开发团队在进行功能开发时，可能因为不了解测试团队的测试计划和进度，导致开发的功能无法及时进行测试，影响项目的整体进度。进度不透明也是跨团队协作中的常见问题。由于缺乏有效的项目进度监控和可视化工具，项目管理者和团队成员难以实时了解项目的整体进度以及各个团队的工作进展情况。这就使得在项目执行过程中，无法及时发现进度滞后的环节，也难以对资源进行合理调配，从而影响项目的按时交付。为了解决这些问题，AI 技术提供了智能工作流同步和风险可视化管理看板等创新解决方案。智能工作流同步利用 AI 的自动化和智能化能力，将不同团队的工作流程进行有机整合，实现信息的实时共享和任务的自动流转。例如，当需求团队完成需求文档的编写后，智能工作流系统可以自动将需求文档推送给开发团队，并触发开发任务的启动。同时，开发团队在开发过程中的进度更新、问题反馈等信息也会实时同步给其他相关团队，确保各个团队之间的信息畅通，协作高效。风险可视化管理看板则是通过 AI 对项目数据的分析和可视化展示，将项目的进度、风险以及各个团队的工作情况以直观、易懂的方式呈现出来。项目管理者和团队成员可以通过看板实时了解项目的整体状态，包括项目的关键里程碑、任务进度、风险预警等信息。当某个团队的工作进度滞后或者出现风险时，看板会及时发出预警，并提供相关的数据分析和建议，帮助项目管理者及时采取措施，调整资源分配，解决问题，确保项目的顺利进行。以某大型跨部门项目为例，该项目在引入 AI 驱动的跨团队协作解决方案后，取得了显著的改善。信息传递的及时性得到了极大提升，团队之间的沟通效率提高了 30%，有效减少了因信息不畅导致的工作重复和误解。项目进度的透明度大幅提高，项目管理者和团队成员能够实时了解项目的进展情况，项目进度的可控性得到了有效保障，项目按时交付率从原来的 75%提升至 85%，项目的整体效率和质量得到了显著提升。4.6 反馈管理在项目管理过程中，反馈管理是获取用户意见、改进项目产品或服务的重要途径。然而，传统的反馈管理方式存在诸多痛点，严重影响了反馈的价值和项目的优化效果。反馈渠道来源多是一个常见问题，随着项目的多样化和用户群体的扩大，反馈可能来自多个渠道，如电子邮件、社交媒体、在线问卷、客服反馈等。这些渠道的信息格式和内容各不相同，分散在不同的平台上，导致收集和整理反馈信息的难度较大，容易出现信息遗漏和重复收集的情况。缺乏数据分析也是反馈管理中的一大挑战。即使能够收集到大量的反馈信息，如果不能对这些信息进行有效的分析和挖掘，就无法从中提取出有价值的信息，为项目决策和优化提供支持。传统的人工分析方式效率低下，难以处理海量的反馈数据，而且分析结果往往受到主观因素的影响，准确性和可靠性有限。为了解决这些痛点，AI 技术提供了多渠道聚合和智能分析反馈情况等创新解决方案。多渠道聚合利用 AI的自然语言处理和数据整合技术，将来自不同渠道的反馈信息进行统一收集和整理。AI 可以识别不同渠道的2728反馈信息格式，将其转化为统一的结构化数据，并存储在一个集中的数据库中。这样，项目团队可以在一个平台上方便地查看和管理所有的反馈信息，避免了信息的分散和遗漏，提高了反馈收集的效率和完整性。智能分析反馈情况是 AI 在反馈管理中的核心应用之一。AI 可以通过对收集到的反馈数据进行深入分析，挖掘其中的潜在信息和规律。它可以自动识别反馈的类型，如功能建议、缺陷投诉、用户体验问题等，并对反馈的情感倾向进行分析，判断用户对项目产品或服务的满意度。同时，AI 还可以通过数据分析，找出反馈中的热点问题和共性问题，为项目团队提供针对性的改进建议。例如，当 AI 发现大量用户反馈某个功能操作复杂时，它可以建议项目团队对该功能进行优化，简化操作流程，提高用户体验。自动排期和推送也是 AI 在反馈管理中的重要应用。根据反馈的优先级和紧急程度，AI 可以自动为反馈处理任务进行排期，合理安排资源，确保重要反馈能够得到及时处理。同时，AI 还可以将反馈处理的进度和结果自动推送给相关用户，保持与用户的良好沟通，提高用户的满意度。以某企业的项目反馈处理流程为例，该企业在引入 AI 驱动的反馈管理解决方案后，取得了显著的作用。反馈收集的效率提高了 50%，能够更全面、及时地获取用户的反馈信息。反馈分析的准确性和深度得到了极大提升，能够从海量的反馈数据中提取出更有价值的信息，为项目优化提供了有力支持。反馈处理的效率也得到了显著提高，平均处理时间缩短了 40%，用户的满意度从原来的 60%提升至 75%，有效促进了项目产品或服务的持续改进和优化。五、AI 驱动项目管理智能化应用平台的趋势展望根据问卷数据统计，79%的受访企业明确表示将在未来 1-3 年增加 AI 在项目管理中的投入（216/275），反映出企业对 AI 技术应用的高度认可和战略优先级。仅有 6%的企业持否定态度（17/275），表明 AI 技术落地阻力较小。15%的不确定选项（42/275）可能源于资源限制或技术成熟度顾虑，但整体趋势显示，AI在项目管理领域的规模化应用已成为明确方向。数据印证了企业通过 AI 提升管理效率的迫切需求。5.1 技术趋势从单一算法向融合架构演进已成为 AI 技术在项目管理领域发展的显著趋势。随着项目管理场景的日益复杂和多样化，单一算法已难以满足其对智能化、高效化的需求。融合架构通过整合多种 AI 技术，实现优势互补，为项目管理带来更强大的功能和更卓越的性能。多模态 AI 工程助手是融合架构的重要应用方向之一。它集成了自然语言处理、计算机视觉、语音识别等多种模态的 AI 技术，能够与项目团队成员进行全方位、自然的交互。例如，在项目需求沟通环节，多模态AI 工程助手不仅可以理解团队成员通过文字输入的需求描述，还能通过分析语音语调、面部表情等信息，更准确地把握需求背后的情感和意图，避免因语言表达的模糊性而导致的需求理解偏差。在项目文档处理方面，它可以同时处理文字、图片、图表等多种类型的信息，自动提取关键内容，生成结构化的文档摘要，大大提高文档处理的效率和准确性。分布式智能风控是融合架构在项目风险管理中的创新应用。在大型项目中，风险往往分布在不同的环节和领域，传统的集中式风控模式难以实现全面、及时的风险监测和应对。分布式智能风控利用区块链、边缘计算等技术，将风险监测和评估的功能分布到项目的各个节点，实现对项目风险的实时、精准感知。每个节点都配备智能风控模型，能够根据本地的项目数据和风险特征，及时发现潜在风险，并通过分布式账本实现风险信息的共享和协同处理。当某个节点检测到风险时，其他节点可以迅速做出响应，共同制定风险应对策略，有效降低项目风险。低代码泛化平台是融合架构在项目开发和管理中的重要支撑。它结合了低代码开发技术和 AI 的自动代码生成、智能提示等功能，使得非专业开发人员也能够快速构建项目管理应用。在低代码泛化平台上，用户可以通过拖拽组件、配置参数等简单操作，快速搭建项目管理系统的基本框架。AI 技术则根据用户的操作和输入，自动生成相应的代码，并提供智能提示和错误检测，帮助用户优化代码质量。这种平台不仅降低了项目管理应用的开发门槛和成本，还提高了开发效率，使企业能够更快地响应项目管理的需求变化。类人决策代理是融合架构在项目决策支持方面的高级应用。它模拟人类的决策思维和过程，通过对项目数据的深度分析和对项目场景的智能理解，为项目管理者提供精准、可靠的决策建议。类人决策代理集成了机器学习、深度学习、知识图谱等多种 AI 技术，能够学习和积累大量的项目管理经验和知识，形成自己的决策模型。在面对复杂的项目决策问题时，它可以综合考虑项目的目标、资源、风险等多方面因素，从多个角度分析问题，提供多种可行的决策方案，并评估每种方案的优缺点和实施效果，帮助项目管理者做出科学、合理的决策。29305.2 场景趋势全链路渗透与垂直深化是 AI 驱动项目管理智能化应用场景发展的重要趋势。随着 AI 技术在项目管理领域的不断普及和应用，其应用场景不再局限于单一环节或领域，而是逐渐向项目管理的全链路渗透，并在各个垂直领域实现深度拓展。在知识管理场景中，AI 的智能化演进使得知识的沉淀、共享和应用更加高效。传统的知识管理主要依赖人工整理和分类，效率低下且容易出现知识遗漏和更新不及时的问题。而 AI 技术的应用改变了这一现状，通过自然语言处理和机器学习技术，AI 能够自动对项目中的各种文档、报告、邮件等信息进行分析和挖掘，提取有价值的知识，并将其结构化存储到知识库中。当项目团队成员需要获取知识时，AI 可以通过智能检索和推荐功能，快速准确地提供相关知识，实现知识的高效共享和复用。例如，在软件开发项目中，AI 可以自动提取代码中的设计模式、算法实现等知识，存入知识库，当开发人员遇到类似的开发任务时，可以通过 AI 快速获取相关知识和经验，提高开发效率。需求洞察场景的智能化演进使项目团队能够更深入地理解用户需求。AI 通过对海量的用户数据、市场数据和行业数据的分析，能够挖掘出用户需求背后的潜在规律和趋势。利用大数据分析技术，AI 可以收集和分析用户在社交媒体、在线论坛、产品评论等渠道上的反馈信息，了解用户对产品或服务的满意度、痛点和期望。通过机器学习算法对这些数据进行建模和分析，AI 可以预测用户未来的需求变化，为项目的需求规划和产品设计提供有力支持。在互联网产品开发项目中，AI 可以根据用户的行为数据和偏好分析，为产品的功能优化和创新提供方向，使产品更符合用户需求，提高用户满意度。资源优化场景的智能化演进实现了项目资源的精准配置和高效利用。AI 通过对项目进度、资源使用情况、成本数据等多维度信息的实时监测和分析，能够根据项目的实际需求动态调整资源分配。利用运筹学和机器学习算法，AI 可以对项目中的人力、物力、财力等资源进行优化调度，避免资源的闲置和浪费。在工程项目中，AI 可以根据施工进度和现场情况，实时调整人力和设备的分配，确保施工的顺利进行，同时降低项目成本。AI 还可以通过对资源使用效率的分析，发现资源配置中的瓶颈和问题，提出优化建议，提高资源的利用效率。人机协同场景的智能化演进促进了项目团队中人与 AI 的深度融合。AI 不再仅仅是辅助工具，而是与项目团队成员紧密协作，共同完成项目任务。在项目管理过程中，AI 可以根据团队成员的技能和工作负荷，合理分配任务，并提供实时的工作指导和建议。在软件开发项目中，AI 可以协助开发人员进行代码编写、调试和测试，通过智能代码生成和代码审查功能，提高开发效率和代码质量。同时，团队成员也可以通过与 AI 的交互，获取更多的信息和知识，提升自己的工作能力。这种人机协同的工作模式不仅提高了项目的执行效率，还促进了团队成员的个人成长和团队整体能力的提升。5.3 生态趋势研发工具链一体化是 AI 驱动项目管理智能化应用生态发展的核心趋势，其核心在于实现需求-开发-测试-部署的全链路 AI 化。在传统的项目管理中，需求管理、开发、测试和部署等环节往往由不同的工具和团队负责，各环节之间存在信息孤岛和协作不畅的问题，导致项目效率低下、风险增加。而 AI 技术的应用打破了这些壁垒，实现了研发工具链的深度融合和协同工作。在需求阶段，AI 可以通过自然语言处理技术理解用户需求，并将其转化为可操作的需求文档。利用 AI需求编写功能，基于上下文交互完善丰富需求内容，辅助产品策划完成需求编写、扩写、校阅、润色等创作型工作。AI 还可以通过对历史需求数据的分析，预测需求变更的可能性和影响范围，提前制定应对策略，降低需求变更带来的风险。在开发阶段，AI 可以实现智能代码生成和代码审查。根据需求描述自动生成函数级代码草案，提高开发效率；通过对代码的语法、语义和结构进行分析，自动检测代码中的缺陷和漏洞，提高代码质量。在测试阶段，AI 可以实现自动化测试用例生成和测试结果分析。通过模拟人脑多级思维链生成测试实践，结合等价类、边界值等测试方法，并应用需求和历史用例 RAG，将需求自动生成用例，保障测试场景覆盖同时，极大减少测试工作。AI 还可以根据测试结果自动分析问题的根源，提供解决方案，提高测试效率和质量。在部署阶段，AI 可以实现自动化部署和运维监控。通过自动化脚本和工具，实现软件的快速部署和更新；利用机器学习算法对系统的运行数据进行实时监测和分析，预测系统故障的发生，提前采取措施进行预防和修复，确保系统的稳定运行。研发工具链一体化的 AI 化发展，使得项目管理的各个环节能够紧密协作，实现信息的无缝传递和共享。需求、开发、测试和部署团队可以在同一个平台上协同工作，避免了因信息不一致和沟通不畅而导致的问题。这种一体化的生态系统不仅提高了项目的交付效率和质量，还降低了项目的成本和风险，为企业在激烈的市场竞争中赢得优势。同时，研发工具链一体化也促进了 AI 技术在项目管理领域的深度应用和创新发展，推动了项目管理模式的变革和升级。3132六、AI 驱动项目管理智能化应用的典型案例6.1 敦煌网业务背景：作为中国领先的 B2B 跨境电商交易服务平台，敦煌网自 2004 年成立以来发展势头迅猛。2012 年推出国内首款移动外贸交易平台，但在项目管理中，该平台面临着工具层面各部门工具割裂导致协同存在断点、流程规范方面项目管理规范难落地且需求与过程资产管理困难、资源管理上资源统一分类及监控度量不易等问题。项目目标：为应对上述挑战，敦煌网采取了一系列针对性解决方案。工具整合方面，引入某互联网科技大厂的敏捷研发管理平台，统一工具底座，将流程、规范嵌入工具，实现需求统一、分级管理，需求进展可追溯，过程资产可沉淀，使不同部门能在同一平台协同工作，信息实时共享，提高沟通效率和协作效果。项目管理规范方面，构建指标体系，关注产研交付，采用敏稳多样的工作方式，构建效能指标体系，实现项目管理差异化、精细化，效能数据度量、可视化展示，持续运营改善，使项目管理更科学规范，及时发现和解决问题，提高项目交付质量。资源管理方面，聚焦战略落地，创造价值收益，项目挂钩 OKR，收益管理、量化指标，实现资源聚焦、收益闭环，突破管理边界，加强业务思维、经营思维，推动员工能力提升，使资源配置更合理，更好支持项目战略目标实现。建设效果：敏捷研发管理平台及配合落地实施的方法论为敦煌网带来显著价值体现。跨部门协同提速，团队沟通效率提升 20%-30%，信息及时准确传递，减少沟通成本和误解，提高工作效率；需求吞吐量从难以精准评估提升到 2000 ，更好满足市场需求，推动业务发展；研发交付周期（85%）从 3 周-4 周缩短至 2 周-3 周，提高产品上市速度，增强市场竞争力；缺陷逃逸率从 2%降低至 1.3%，提高产品质量，减少后期维护成本；数据沉淀从人肉追踪、费时易丢转变为系统驱动、省时完整，便于知识传承和经验总结，为项目管理提供有力数据支持；信息反馈从局部、静态、人工转变为全面、实时、自动，能及时掌握项目动态，做出科学决策；研发成本核对从手工统计、线下提供转变为系统留痕、实时核对，提高成本管理准确性和效率；外部审计要求从反复澄清转变为高效对接，节省时间和精力，提升企业形象；新员工融入从学习成本高、易错转变为工具即流程、快速上手，降低新员工适应成本，提高团队整体战斗力；PMO 影响力从偏弱、需求管理规模不经济转变为愈发重要、需求管理规模经济，更好发挥项目管理统筹协调作用，实现规模效益。33346.2 欧菲斯业务背景：欧菲斯集团股份有限公司是一家全国性集团公司，1993 年以文化用品经营开启创业之路。该公司构建了“办公物资 MRO 员工福利”的三轮驱动业务模式，以办公物资采购为服务入口，为各级政府、军队、企事业单位等 B 端用户提供数字化采购服务一站式解决方案，系统常备可交付 SKU 近 160 万，拥有4000 多个覆盖全国的属地化供应链服务网点。其自建的超百人技术团队负责云平台的整体规划与建设，但因产品及服务设施矩阵与中台服务技术协同度高，且项目管理工具多样，导致信息整合共享困难，团队操作复杂、沟通成本高，影响了产研项目管理、开发协同效率及系统质量保障。项目目标：为解决这些问题，欧菲斯引入某互联网科技大厂的敏捷研发管理平台，制定明确项目目标，涵盖多个关键层面。战略解码与需求治理层，通过 AIGC 将战略规划自动转化为可执行的技术需求树，建立战略 KPI与研发任务的关联映射，实现战略目标智能拆解；构建包含 ROI 预测、风险评估、技术债预警的多维需求筛选引擎，实现需求池的智能分级管理，建立需求价值评估模型；基于战略权重、资源占用、交付价值等变量，AI 自动生成需求实现路径建议，形成动态优先级矩阵。智能研发流程引擎方面，构建覆盖需求开发测试部署的全流程规则引擎，实现跨团队标准化协作，打造统一流程中枢；在关键节点嵌入 AI 质量评估，包含需求评审通过率、代码健康度、测试覆盖率等自动化检查项，建立质量门禁体系；通过流程挖掘技术自动识别阻塞点，触发预案式流程重构建议，实现异常流程自愈。弹性资源调度系统上，建立开发者技能标签体系，AI 根据项目需求智能匹配最佳资源组合，打造技能图谱驱动的资源池；基于项目优先级、资源负载、技能互补性，实现跨项目的资源动态分配，运用潮汐调度算法；当战略级项目需要支援时，自动触发资源释放流程并生成交接文档，建立战时响应机制。组织资产沉淀平台方面，通过 AIGC 自动解析项目文档，生成可复用的设计模式、代码片段、测试用例集，打造智能知识库；在项目复盘时，AI 自动生成最佳实践报告并提出流程优化建议，建立经验萃取引擎；构建包含需求模板、架构方案、缺陷模式的知识图谱，支持智能推荐与关联检索，形成数字资产图谱。AIGC 赋能中枢上，在需求评审、架构设计、代码评审等场景提供 AI 辅助决策建议，打造智能决策助手；集成需求生成、用例设计、代码补全等 AI 能力，打造无人值守的研发工作台，实现自动化流水线；通过 AI 模拟不同资源分配方案对项目进度的影响，支撑战略决策验证，建立数字孪生环境。建设效果：通过落地敏捷研发管理平台强大的功能和完善的敏捷管理方法论，欧菲斯取得显著建设效果。成功支撑企业战略级研发项目管理超过 120 个，为企业战略发展提供有力保障；前后端技术人员、测试人员资源可AB 角响应多个项目，项目交付准时率提高 41%，大大提升项目交付的及时性和可靠性；需求变更成本降低47%，技术债务积累速度下降 23%，有效控制项目成本和技术风险；形成数据驱动的研发决策文化，实现从“项目制交付”到“产品化运营”的范式转变，提升企业运营管理水平和市场竞争力。在使用功能方面，欧菲斯充分利用 AI 技术，需求 AI 拟写补充完整，需求 AI 评审保证最基础的需求背景、需求描述的逻辑与完整性，结合需求状态工作流与自动化通知，筛选优质需求，改善一句话需求需反复调研、理解需求实质需解决的问题，使需求管理更科学高效，提高需求质量和可操作性。实施效果预期显著，需求采集效率提升60%，单需求平均采集时间从 45 分钟缩短至 18 分钟，提高需求采集速度和效率；评审通过率提升 40%，因需求不清晰导致的返工减少 75%，提高项目执行效率和质量；需求交付周期缩短 30%，需求变更率降低50%，使项目更快交付，满足市场需求；跨团队协作效率提升 50%，跨部门沟通成本降低 60%，增强团队协作能力和沟通效果。35366.3 盛大科技业务背景：盛大科技股份有限公司于 2007 年成立，其主营业务是通过在线平台连接司机与全国数千家供应商的服务资源，提供汽车维修、保养、保险等数百项服务，多租户云平台可帮助企业客户高效管理客户数据库和产品。但在项目管理的测试工程中，存在测试用例设计耗时长、依赖人工经验易遗漏，人工评审覆盖不全，测试报告撰写低效等问题。项目目标：借助某互联网科技大厂的敏捷研发管理平台的“AI 测试”功能，通过 AIGC 重构测试工作流，实现多维度突破，在设计-评审-执行-报告全链路智能化方面取得显著成效。AI 测试用例自动生成，输入需求描述（如“用户支付成功后生成订单凭证”），AI 能迅速生成包含正向/异常场景的测试用例集。AI 测试用例智能评审，对人工编写的用例进行漏洞扫描（如边界值缺失、场景覆盖不足），并给出优化建议。AI 驱动的测试计划管理，自动关联需求用例缺陷链路，实时追踪测试进度，智能预警延期风险（如用例执行阻塞超 48 小时自动通知负责人）。测试报告自动生成，基于测试过程数据，AI 一键生成包含通过率、缺陷分布、风险模块的图文报告。同时，在知识沉淀方面，AI 学习历史数据优化用例，改变以往文档散落、复用率低的状况，实现团队能力持续进化；建立数据驱动的测试风险防控体系，通过对测试数据的分析和挖掘，及时发现潜在风险，并采取相应措施防范和控制，提高项目稳定性和可靠性。建设效果：通过敏捷研发管理平台的应用，实测效果显示，单功能点用例设计时间从 2 小时大幅缩短至 15 分钟，效率提升了 200%，覆盖率达人工设计的 120%，有效提高测试用例的生成效率和覆盖范围；用例逻辑缺陷检出率提升 40%，大大减少版本迭代中的漏测风险，提高测试用例的质量；版本测试周期平均压缩 25%，资源调度效率显著提升，确保测试计划的高效执行和项目进度的有效控制；报告撰写时间从 1 人天缩短至60 分钟，管理层决策效率提升，为项目决策提供及时、准确的依据。通过这些措施，盛大科技成功提高测试效能，上线缺陷率下降，加速产品迭代周期，提升市场竞争力。维度传统模式AI协同模式提升效果用例设计依赖经验，耗时易漏秒级生成，覆盖全面效率200%，质量40%过程管控人工跟踪，信息滞后实时监控，自动预警风险响应可视化知识沉淀文档散落，复用率低AI学习历史数据优化用例团队能力持续进化合规审计报告手工整理全流程数据可追溯6.4 阳光保险业务背景：阳光保险金融科技公司是保险行业的龙头企业，研发业务繁多，需为近 20 个总部部门、全国近 30 个省、100 余个分支机构提供一线交付响应。其技术部应用的敏捷研发管理平台覆盖从业务需求提出到最终上线的完整需求过程管理，支撑 15 个研发组、上百余系统、近 200 人使用，用户涵盖业务人员、产品经理、开发人员等多个岗位，应用项目管理平台满足日常需求管理流程要求。但面临着复杂业务场景下跨团队协作低效、需求难以追溯等项目管理挑战。3738项目目标：引入某互联网科技大厂的敏捷研发管理平台，阳光保险制定了明确的项目目标，在通畅协作方面，旨在满足各组、各系统需求交叉，信息快速共享的使用场景，确保不同团队和系统之间能够高效沟通和协作，避免信息孤岛的出现。需求追溯方面，力求需求交付信息透明可视化，发生问题时可完整追溯加以改进，以便及时发现和解决问题，提高项目质量。测试提效方面，突破传统测试管理路径，提升测试协作效率与质量，通过引入先进的测试技术和方法，提高测试的效率和准确性。灵活定制方面，可根据不同研发组制定差异化管理流程，分布提效，以适应不同团队的工作特点和需求。知识空间方面，建设不同业务场景或系统产品的知识库，降本提效，促进知识的共享和复用，提高团队的整体能力。轻量审批流程方面，支持对内部管理工作定制轻量审批流程，避免多类工具频繁切换，简化工作流程，提高工作效率。建设效果：通过一系列建设举措，阳光保险取得良好建设效果。需求管理方面，采用编年体创建项目，按多类型、多层级进行上百余系统的需求管理，实现需求的有序管理和跟踪。故事墙分系统/按产品负责人等创建不同团队或产品的故事墙，知悉全景概况，方便团队成员了解项目整体情况。任务及工时管理挂靠需求，每系统leader 进行任务拆分分配，每周进行工时填报审查，有效管理任务进度和人员工作情况。甘特图提供内部管理者全局查看、管理部门内需求概况及员工工作动态，便于管理者进行资源调配和进度监控。发布计划作为专项项目管控使用，确保项目按时交付。自动化助手覆盖需求、缺陷、任务、发布计划及定时器等使用场景，近百个自动化规则提效，减少人工操作，提高工作效率。测试管理对不同类别需求，应用测试计划、测试用例及测试协同差异化管理，提高测试的针对性和有效性。需求-保密需求设置对不同类别需求或者不同组别人员差异化限制，满足管理要求，保障信息安全。报表/统计应用仪表盘、项目报告，提供各级管理者驾驶舱，实时监测部门结果性及过程性效能指标，为管理决策提供数据支持。这些常用功能在实际应用场景中发挥重要作用，例如在新保险产品研发项目中，通过需求管理功能清晰梳理和跟踪各个系统的需求，确保需求准确性和完整性；故事墙让团队成员对项目整体进展和各个模块情况一目了然，便于及时发现问题和协调工作；任务及工时管理保证任务合理分配和进度有效监控，提高团队工作效率；自动化助手自动处理一些重复性任务，如需求变更通知、任务提醒等，大大节省时间和精力；测试管理针对不同类型需求制定个性化测试方案，提高测试覆盖率和质量；报表/统计为管理者提供实时、准确的数据，帮助他们做出科学决策，推动项目顺利进行。通过这些功能的协同作用，阳光保险实现项目管理的高效运作，提升整体业务水平。常用功能应用场景需求管理编年体创建项目，按多类型、多层级进行上百余系统的需求管理故事墙分系统/按产品负责人等创建不同团队或产品的故事墙，知悉全景概况任务及工时管理挂靠需求，每系统leader进行任务拆分分配，每周进行工时填报审查甘特图提供内部管理者，全局查看、管理部门内需求概况及员工工作动态发布计划作为专项项目管控使用自动化助手覆盖需求、缺陷、任务、发布计划及定时器等使用场景，近百个自动化规则提效测试管理对不同类别需求，应用测试计划、测试用例及测试协同差异化管理需求-保密需求设置对不同类别需求或者不同组别人员差异化限制，满足管理要求报表/统计应用仪表盘、项目报告，提供各级管理者驾驶舱，实时监测部门结果性及过程性效能指标6.5 嘉联支付业务背景：嘉联支付有限公司成立于 2009 年，是经中国人民银行批准授予支付业务许可证的第三方支付机构，专注于为企业用户提供收单服务，为个人用户提供个人支付服务，同时还向客户提供增值服务，业务涵盖商户收单、支付金融及科技金融等。但在支付行业高速发展的背景下，公司在需求管理方面面临多重挑战：需求数量庞大、类型多样且涉及多部门协作，导致需求管理复杂度高；需求缺乏统一管控机制，历史版本追溯困难；跨部门协作中，沟通成本居高不下，信息同步依赖人工，实时进展不透明，风险问题往往滞后暴露，3940严重影响交付效率；效能数据依赖人工统计，准确性低且时效性差，难以有效支撑过程改进。这些问题集中暴露了现有管理流程的不足，亟需通过体系优化和数字化工具赋能，实现需求全生命周期的可视化管控和效能提升。项目目标：通过敏捷项目管理平台的落地，嘉联支付可构建“流程标准化-协作自动化-决策数据化”的需求管理体系，最终实现效率提升，即缩短交付周期，降低沟通成本；风险可控，即提前暴露问题，减少生产故障；合规保障，即满足审计与监管要求。具体目标包括：一是实现需求全生命周期可视化管控，整合管理产品、技术等多来源需求，制定统一管控流程，解决需求来源分散问题，实现需求创建到交付全过程可追溯；二是促进跨部门高效协同，使需求进展实时更新，提升信息透明度，确保各方信息实时同步，快速对齐目标，减少信息滞后和重复沟通，利用自动化工作流配置跨部门协作规则，提升协作效率；三是实现数据驱动效能提升，通过自动化度量分析内置报表实时统计需求吞吐量、各阶段耗时、缺陷率等指标，支持自定义看板，减少人工统计工作量，提升数据准确率，驱动持续改进。建设效果：敏捷项目管理平台作为中枢，联动工具链形成需求开发运维的闭环，并在研发过程中深度应用 AI 能力。通过建设数字化需求管理平台，嘉联支付实现了显著效果：一是打造了统一需求管理平台，实现全公司需求的一站式管理，建立标准化的需求管理流程，覆盖需求收集、评审、实施到交付的全生命周期，解决了需求来源广、管理分散的问题；二是实现了研发全链路协同，打通业务需求、技术开发、测试验证和上线发布的完整链路，实现跨部门需求的端到端可视化跟踪，显著提升协作效率；三是达成了智能化管理，通过 AI需求评审、自动化流程引擎，实现全流程处理效率提升 40%，智能化风险预警机制使风险识别时间大幅缩短。

2025-08-29 24页 5星级

联想：异构智算-2025AI方案赋能白皮书（47页）.pdf

目录序言 1序言 I 大模型驱动的产业认知范式重构 1序言 II 构建多元 AI 算力应用，助力本地化算力普惠发展 3第一章 从周期律动到生态重构，开启智能新时代 51.1.AI 发展的周期性 61.2 大模型发展的新阶段 71.3 智能基础设施的新变革 81.4 安全监管的全周期与精细化并重 91.5 应用落地的选择与路径 101.6 从互联网到 AI 技术的路径演变 11第二章 创新 AI 核心技术体系 122.1 强化学习框架优化 132.2 大模型训推技术 172.3 制造业工业质检海量长期存储创新技术 23第三章 AI 技术实践案例能新时代 253.1 基于国产化软硬件的 AI 大模型强化学习微调方案 263.2 智慧金融：大模型技术助推基金公司实现降本增效 303.3 汽车制造：大模型训推技术赋能吉利智驾 333.4 工业制造：工业质检 AI 解决方案实践案例 36第四章 迈向 AGI 时代的战略展望 394.1 新一代 AI 基础设施布局 404.2 智能化转型赋能体系 41CONTENTS1序言12025 年 7 月，国家发布的关于深入实施“人工智能 ”行动的意见表明，企业要深入实施“人工智能 ”行动，推动人工智能在经济社会发展各领域加快普及、深度融合，形成以创新带应用、以应用促创新的良性循环。这一政策导向，为当前以大模型为代表的人工智能技术革命提供了国家战略层面的支撑，也标志着产业智能化转型已进入新阶段。当前，AI 大模型正以前所未有的速度重塑产业格局，产生的影响已从技术层面向认知范式、生产方式乃至生产关系渗透。DeepSeek 等代表性技术的突破，已然打破了传统产业对 AI 技术 高投入、高门槛 的固有认知，推动智能化转型从 奢侈品 向 必需品 转变。这一变革的本质，是技术、数据与算力的深度融合，正在重新定义产业竞争的底层逻辑。从技术演进视角看，大模型的发展已进入“质变”阶段。早期 AI 依赖规则驱动，如今大模型通过海量数据学习和参数规模扩张，实现了从 专用工具 到 通用智能 的跨越。DeepSeek 的突破性意义在于，它通过算法创新，大幅降低模型训练成本，使得企业能够共享 AI 红利。这种技术普惠性正在催生“长尾效应”比如面向制造业，小企业可通过云端大模型实现智能质检；面向农业，农户能借助轻量化模型优化种植决策。产业层面的范式重构更具革命性。在医疗领域，大模型已从辅助诊断扩展到药物研发全流程，例如通过分子模拟将新药筛选周期从数年缩短至数月；在汽车行业，它正重塑从设计、生产到服务大模型驱动的产业认知范式重构序言 I序言序言 I 大模型驱动的产业认知范式重构2序言2的价值链。更深远的影响在于，大模型正在打破行业壁垒，形成跨域协同的生态网络。例如金融风控模型可融合交通、社交等多维数据，城市管理能整合能源、环保等跨部门资源。这种融合创新，标志着产业认知从“垂直深耕”向“水平整合”的跃迁。2025 AI 方案赋能白皮书系统梳理了大模型技术的最新进展与产业应用路径，为各行业提供兼具理论深度与实践价值的参考指南。本书不仅深入剖析了技术演进趋势，更通过典型案例解析，为不同行业的智能化转型提供了可落地的解决方案，是把握人工智能发展机遇的重要指南。张云泉全国政协委员、中国科学院计算技术研究所研究员异构智算产业生态联盟理事长2025 年 8 月3序言3自去年 4 月份异构智算产业生态联盟成立以来，联盟已经携手联想等众多生态伙伴，持续走进国内多家智算中心，共同见证了 DeepSeek 大模型落地新突破，并围绕异构智算、DeepSeek大模型落地数据中心、超智融合等话题与行业专家、客户、生态伙伴们进行了深入交流，共同探讨了异构智算与 AI 大模型应用的深度融合。同时我们也能看到，AI 的价值不仅在于技术的创新突破，更在于如何将这些技术精准融入实际场景，构建完整的 AI 应用支撑体系，并实现高效的、开箱即用 的本地化解决方案。无论是智慧城市中的交通调度优化，还是工业互联网中的设备预测性维护，亦或是智慧医疗中的影像辅助诊断，都可以依托 AI 大模型实现从技术突破到产业普惠的闭环，让 AI 创新技术与应用可以基于新 AI 基础设施，真正做到“百花齐放，争奇斗艳”！这也是我们在 2024 算力大会上发布异构智算产业趋势与技术发展白皮书之后，继续联合中国智能计算产业联盟、中国科学院、中国信通院及众多生态伙伴推出第二本2025 AI 方案赋能白皮书的缘由。2025 年版本的异构智算产业联盟产业白皮书也从关注 AI 算力解决方案升级到关注 AI 应用落地的全方案。该白皮书也展示了联想在 AI 基础设施领域技术的深厚积淀与对客户需求的深刻洞察，为行业树立了全新落地实践标杆。构建多元 AI 算力应用助力本地化算力普惠发展序言 II序言 II 构建多元 AI 算力应用，助力本地化算力普惠发展4序言4此次发布的 2025 版白皮书，不仅聚焦于 AI 技术本身，更深入探讨了 AI 创新技术与新 AI 基础设施的融合路径。从揭示大模型如何重构产业认知范式，到剖析 AI 技术在不同产业中的应用场景；从分享实践案例，到展望智能时代的战略布局，我们希望为大家呈现一个全面、深入的 AI 应用与新型基础设施融合全景图，提供可借鉴、可操作的 AI 落地实践新方式。不积跬步，无以至千里；不积小流，无以成江海。面对 AI 与新基建融合发展的广阔前景，愿大家能够携手共进，以坚定的信念、创新的精神和务实的行动，共同探索智能时代的新机遇。我相信并也正看见，整个联盟依然朝着目标坚定前行：与众多优秀的伙伴们一道，为中国智算产业的蓬勃发展提供坚实基础，为我们在智算时代取得成功寻找正确方向。陈振宽联想集团副总裁、中国基础设施业务群总经理异构智算产业生态联盟理事长2025 年 8 月5第一章 从周期律动到生态重构，开启智能新时代第章从周期律动到生态重构，开启智能新时代第一章 从周期律动到生态重构，开启智能新时代6第一章 从周期律动到生态重构，开启智能新时代AI 发展的周期性1.160 多年来,人工智能的发展，始终遵循“技术突破-预期膨胀-瓶颈显现-理性回归”的周期性规律，与 Gartner 技术曲线高度吻合。第一次浪潮（1956-1974）以达特茅斯会议为起点，通过人工定义逻辑规则来模拟智能，在数学定理证明、简单语言交互等领域取得初步突破；第二次浪潮（1974-1990s）依托“if-then”规则库构建的专家系统，在医疗诊断、工业控制等垂直领域展现出了实用性。步入本世纪，互联网的广泛普及带来海量数据，GPU 算力呈指数级提升，算法也取得新突破，共同催生了人工智能的第三次浪潮。经过近 20 年的发展，可以发现，第三次 AI 浪潮也并非是线性发展的，而是呈现典型的阶段性特征。第一阶段（2012-2019）以深度学习为核心驱动力，依托卷积神经网络（CNN）等架构，实现了图像识别、语音识别等专用领域的精准判定，在人脸识别和围棋难题等方面取得了突破。2012 年 AlexNet 的成功成为深度学习复兴的引爆点，2016 年 AlphaGo 击败世界围棋冠军展示了其在复杂决策领域的巨大潜力。但这一阶段本质上仍属判定式的专用模型，另外还需依赖人工标注数据，且缺乏常识推理能力。第二阶段（2017-2024）以 2017 年基于“自注意力机制”的 Transformer 架构的提出为代表，开启了大语言模型（LLM）主导的生成式人工智能革命。在这一阶段，“预训练-微调”的范式成为主流，证明了先在海量文本上预训练，再在特定任务上微调的有效性；模型越大、训练数据越多和算力更强，模型的能力就越强的规模定律(Scaling Law)被广泛信奉；2022 年底ChatGPT 的爆发标志着 LLM 从技术突破走向了大众应用，2023 年 GPT-4 等模型能根据文本生成高质量图像标志着多模态模型的兴起，生成式和通用 AI(AGI)成为新的追求目标。时间来到 2025 年，作为第二阶段关键信仰的规模定律的边际效益明显递减，模型能力随着规模扩大的收益非常有限，“更大即更好”的“暴力美学”逻辑不再成立。另外，高端 GPU 算力的供给出现了断层且价格居高不下，全球易获取的互联网文本数据已接近耗尽，虚假信息和知识产权争议等问题频发引发了普遍的社会性 AI 伦理风险。1.1.AI 发展的周期性7第一章 从周期律动到生态重构，开启智能新时代大模型发展的新阶段1.2技术、资源、成本和伦理等多重约束，正倒逼人工智能技术实现新的发展，必须从暴力扩张转向精细化演进。目前看来，第三阶段大致有三大发展主线：能力边界拓展、技术效率优化和场景深度落地。一是能力边界主线。学术界主导的基础研究聚焦智能本质的突破，推动模型从数据拟合向逻辑推理进化，探索从“感知智能”到“认知智能”的跨越。比如，符号神经融合探索将深度学习的统计学习能力与符号主义的逻辑规则结合，通过知识图谱嵌入、因果推理引擎等技术，解决大模型幻觉、数学推理薄弱等问题。原生多模态智能通过统一语义空间构建，实现文本、图像、音频、视频、3D 结构的深度理解与生成，以突破文本-图像拼接的伪多模态模式。这些探索，预示着人工智能正从处理数据向理解世界进化。二是技术优化主线。产业界主导的工程性优化聚焦资源效率提升和可持续发展，通过精耕细作提升模型落地的性价比。比如，混合专家模型通过动态路由机制分配专家模型，从而在保持性能的同时大幅降低了计算成本；动态训练与推理根据任务难度和数据特征动态调整参数规模，再结合模型剪枝、知识蒸馏等技术，进一步降低了部署成本；混合精度训练采用 FP16/BF16 等低精度格式与 FP32 高精度格式结合的训练方式，在精度损失可控的前提下提升算力效率。三是场景化落地主线。用户侧主导的 AI 技术与业务的深度融合，通过模块化、插件化、协同化和标准化等，实现大模型的行业渗透以及与场景的深度结合，把实验室技术全面转化为新质生产力。比如，LoRA 等技术通过只调整模型的极少数参数，实现与行业专业知识的适配，将金融、医疗等领域的微调成本从百万元级降至十万元级。在模型与外部交互方面，MCP（模型上下文协议）实现大模型与企业数据库、ERP 系统的标准化对接，A2A(Agent-to-Agent)协议支持多智能体协同；各种 Agent 赋予大模型环境感知、自主决策和采取行动的能力。1.2 大模型发展的新阶段8第一章 从周期律动到生态重构，开启智能新时代智能基础设施的新变革1.3随着第三次人工智能革命的发展进入新阶段，其所需要的数据、算力、能源等基础型资源以及伦理、监管和政策等，也正发生着深刻的变革。在数据方面，更强调多模态、专业化和工程化。一是数据类型的多元化，从单一文本数据转向“文本 结构化数据 多模态数据”的融合。二是数据标注的场景化，随着来自互联网上的训练数据即将耗尽，数据标注从通用向场景化标注（如工业缺陷类型、病灶分期）演进，这要求标注人员需具备专业技能和行业知识，对数据集的质量要求更高，标记要求更精细。三是数据治理工程化，逐步迈入全生命周期和全域数据治理，采用 DataOps 等方法以更加标准化、工具化和智能化的方式，做好面向 AI 的新一代数据治理。在算力方面，算力供给侧从重训练到训推均衡等演进。随着 AI 发展重点从模型训练转向前端应用，以及大模型在低延迟、高并发场景中的应用日益增多，市场对推理算力和边缘算力的需求将显著上升。在此背景下，从训练与推理分离逐步迈向训推一体成为行业发展的必然趋势，这有助于降低模型迭代与部署成本，提升整体效率。另外，随着 AI 应用场景的多样化，异构算力将加速普及，CPU、GPU、FPGA 等芯片协同管理调度，并且结合软件层的优化，以提升算力利用率与能效比。在能源领域，人工智能能耗的持续快速增长，促使电力供给布局不断优化，带动了新一代核电、可再生能源等产业的发展，助力算力与电力实现协同共进，并推动单位算力能耗技术持续取得进步。1.3 智能基础设施的新变革9第一章 从周期律动到生态重构，开启智能新时代安全监管的全周期与精细化并重1.4一是监管范围全域化，逐步从应用端延伸至“数据采集-模型训练-部署应用-迭代优化”的全生命周期。三是国际组织加快制定统一标准，ITU-T、ISO 和 IEEE 等全球性标准提出多项伦理原则和评分体系，开源工具如 Fairlearn、Model Cards 助力算法偏见检测与决策溯源。二是风险管控日益精细化，逐步建立风险分级机制，对娱乐推荐等低风险场景实施相对宽松的监管，对医疗诊断、司法判决、金融投资等高风险场景实施严格审核。AI 科技伦理正从理论探讨走向实践落地1.4 安全监管的全周期与精细化并重10第一章 从周期律动到生态重构，开启智能新时代最先受到影响的场景是纯语言型应用,聚焦文本交互与深度推理的客服、写作、教育等领域。其次的场景是知识型应用,整合多源信息提供专业支持的医疗诊断、投资分析等场景。三是技术性应用类场景,以语言为接口实现自动化，代码生成、运维自动化、RPA AI 等。最后是跨模态与具身应用的场景,以大语言模型为语义中枢，驱动机器人、AR/VR 等与物理世界交互，比如家庭服务机器人、智能座舱、工业巡检等场景逐步成熟。应用落地的选择与路径1.5如何把握落地场景的节奏也已逐渐清晰，即以语言模型为核心向外辐射。更进一步看，具体场景的落地路径也日益清晰，大致分三步：优化、外挂和集成。首先是“优化”，通过微调解决“不懂行话”、“答非所问”和“态度不端正”的问题，让模型“懂行业”、“守规矩”、“答得准”。领域微调通过修改知识存储解决模型不懂行话的问题，任务微调通过修改行为模式解决模型“答非所问”的问题，对齐微调通过修改价值判断解决模型”不靠谱“的问题。其次是“外挂”，通过装备各种API、RAG和插件等，解决知识陈旧、手脚受限和逻辑闭环的问题。例如，借助 RAG、知识图谱等动态知识库弥补知识盲区，突破纯文本生成局限；让模型调用能操作现实世界的插件、规则引擎等智能工具，并运用可统筹多工具协作的 Agent。最后是“集成”，这是 AI 应用的最后一公里。重点是保持原有 ERP/CRM 等的业务流不变，用AI 增强关键节点的能力。比如云端、边缘和混合等的柔性部署，模型压缩、推理提速、批量处理等的进一步调优，用规则引擎和人工审查兜底的风险熔断机制等。语言模型1.5 应用落地的选择与路径11第一章 从周期律动到生态重构，开启智能新时代从互联网到 AI 技术的路径演变1.6正如 TCP/IP 协议和 WWW 分别成为互联网的统一架构和应用生态基础，Transformer 架构和Agent 也正成为 AI 的统一模型和生态基础。历史上技术发展的轨迹总是相似的，未来人工智能的发展也将沿着当年互联网的发展路径演进：统一底层的技术框架形成上层的应用生态 深度融入全社会。过去 30 年，互联网编织信息巨网重塑世界；未来 20-30 年，AI 将如超维引擎，驱动人类突破认知边界，解锁未知维度，在虚实交融中引领我们开启一场重塑文明形态的伟大变革。1.6 从互联网到 AI 技术的路径演变12第二章 创新 AI 核心技术体系第章创新 AI 核心技术体系第二章 创新 AI 核心技术体系13第二章 创新 AI 核心技术体系强化学习框架优化2.12.1.1 概念描述强化学习（Reinforcement Learning，RL）最初被提出用于解决序列决策问题，例如控制和博弈。在经典的 RL 框架中，智能体（Agent）通过与环境交互来学习策略，以最大化长期奖励。尽管预训练语言大模型（LLM）在理解和生成自然语言方面展现出强大能力，然而，它们在复杂推理和链式思考上的表现仍有限。这促使研究者开始探索和思考将强化学习与大模型结合，希望通过后训练（post-training）方式提升模型的思维与推理能力。从 OpenAI 的 ChatGPT 等模型使用人类反馈强化学习（RLHF）优化生成质量，到 Anthropic 的 Claude 采用对齐驱动的 RL 方法优化模型行为，越来越多的大模型在训练中加入强化学习的步骤以取得更好的效果。当前，最引人注目的 RL LLM 的项目，无疑是 Open-AI 的 O1 和DeepSeek 的 R1，取得了显著的效果提升。2.1 强化学习框架优化14第二章 创新 AI 核心技术体系尽管通用大模型具备处理速度快、通用性强的优势，但在实际落地到各行业时，仍面临着多重挑战，比如对业务领域的理解不够深入、准确性欠佳、超大参数带来的高昂成本，以及外部调用时可能引发的隐私泄露问题等。传统监督微调（SFT）虽能通过标注数据让模型有一定适应性，但严重依赖人工精心设计的大规模高质量标注数据，成本高、收集困难，模型表现提升也相对有限。而通过强化学习微调（RFT，Reinforcement Fine-Tuning）的方式，仅需少量简单示例与奖励反馈就能快速校准模型行为，使其在业务流中自动持续更新迭代，相比监督微调（SFT），在降标注成本、提泛化能力、贴合人类偏好及行业规范上优势显著；针对特定场景，小模型用RFT 可显著超越超大通用模型，业务推理部署成本也优势突出；不过，现有方案多依赖 NVIDIA GPU 等特定平台，国产化软、硬件平台尚缺对应方案。2.1.2 解决方案对于强化学习架构，我们摒弃了传统架构（Colocated Architecture），使用解耦架构（Disaggregated Architecture），使得生成（Generation）和训练（Train）分布在不同的资源集群上，支持灵活的资源调度与弹性扩容，显著提升了多阶段任务的效率与独立性。Producer-Consumer Pattern 是一种经典的软件设计模式，用于在两个进程或线程之间管理资源、数据或任务的传递。我们将这种设计模式扩展到强化学习训练上，通过生产者与消费者模式，实现高效的数据采样与训练解耦，支撑 GRPO 等大规模、分组、自适应的训练策略。用户可根据资源情况，灵活地配置推理组（生产者）与训练组（消费者）的数量，从而达到高效利用资源的目的。在强化学习如GRPO算法中，训练的核心流程可以分为推理/采样（Rollout）和训练（Training）两部分。前者使用当前策略模型与环境进行交互以获取奖励（Reward），并收集相关数据；后15第二章 创新 AI 核心技术体系者使用收集的数据来更新策略模型。因此，在这个模式中，推理引擎（如 vLLM）作为生产者（Producer），将数据存入共享缓冲区（Shared Buffer）；而训练框架（如 Colossal-AI）则持续读取缓冲区数据，高效地进行策略更新；更新后的模型可以再被推理引擎加载从而进入下一个 rollout 循环。使用共享缓冲区作为桥梁，生产者与消费者两个步骤可以独立运行。同时，异步 RL 可以使得生产者与消费者尽量重叠，从而避免了资源的浪费。我们在 Qwen2.5-7B 模型上的训练验证实验中，分别验证了数学与代码的训练的可靠性。其中，在数学的训练过程中，模型的 reward 持续上升，同时伴随着在 Math500 evaluation 过程中的上升。在代码的训练中，模型 reward 持续上升，同时伴随着 code contest 的分数持续上升。从训练、推理、调度三个维度，我们成功打通了基于国产芯片原生开发深度思考模型的链路。具体而言，借助 Colossal-AI 多维并行训练方案实现训练加速，利用 Ascend-vLLM 引擎达成推理加速，再通过 Fuyao-ray 进行 NPU 调度及 HCCL 通信管理，最终实现在国产芯片上开箱即用式地开发基于 Qwen 系列模型的深度思考模型，且训练与推理速度提升超 50%。此外，该方案支持 GRPO、DAPO 等强化学习算法，还具备长序列训练能力。16第二章 创新 AI 核心技术体系基于全国产算力软硬件训练的 Qwen2.5-7B preview 版本，经一系列优化后，在 AIME24、25 等 benchmark 测试中已展现出显著进步。不仅如此，它还能进一步融合 RAG 知识库、Agent 智能体等能力。2.1.3 技术创新点以强化微调技术，解决通用大模型在落地应用中的业务领域理解不足、超大参数成本高昂、外部调用隐私泄露等多重挑战。强化微调技术可以仅用少量简单示例结合奖励反馈，快速校准模型行为，并在业务流中自动持续更新迭代。在强化微调技术方案中，我们通过创新的解耦架构和 Producer-Consumer 模式，实现了三大突破性进展：1.训练效率提升：流水线式强化学习和异步式强化学习有效实现并发执行，极大提升训练吞吐效率；2.系统灵活性：有效解决资源耦合问题，打破工作负载瓶颈，并实现更轻松的主流推理框架对接；3.高可扩展性：支持灵活扩展训练资源，独立调整不同类型任务的训练资源，并支持异构硬件训练，提升整体资源利用率。针对现有解决方案大多依赖特定平台如 NVIDIA GPU，在国产化软、硬件平台上，为客户提供高效易用的 AI 大模型强化学习微调方案，可覆盖广泛业务场景。17第二章 创新 AI 核心技术体系大模型训推技术2.22.2.1 业务挑战在 AI 技术深度融入企业核心业务的进程中，算力基础设施的复杂性、集群管理的低效性以及资源调度的割裂性，正成为制约 AI 模型从实验环境走向规模化生产的关键瓶颈。以下几大挑战，揭示了当前企业 AI 算力体系在性能、稳定性与成本间的深层矛盾。异构算力生态适配困境AI 应用场景的多元化，放大了算力匹配的复杂性：企业既需要动态选择算法框架与硬件组合，又面临混合部署环境下硬件故障模式缺乏系统性验证导致的可靠性风险，同时多框架共存引发的开发工具链冗余，正逐步抵消“灵活适配”的生态优势，最终在算法选型、硬件配置与成本控制间陷入权衡困境。超大规模集群稳定性危机数据显示，千卡集群每月因硬件故障、网络抖动或软件异常导致的中断次数达15 次以上，而在依赖预设断点续训的常规方案下，单次故障恢复需数小时，每月千卡集群的额外费用超过百万元。且随着 AI 集群规模从千卡到万卡，故障中断次数及恢复所需时间呈指数级增长。大规模集群性能普遍不高AI训练故障频发、故障恢复时间长、GPU虚拟化能力弱、网络通讯瓶颈等问题，都会导致 AI 算力利用率低。理论上大规模集群具有强大的计算能力，实际往往难以实现性能的线性增长。提升集群的整体性能，需要客户深入分析并采取相应的优化措施，如改进调度算法、优化网络、减少任务等待时间。2.2 大模型训推技术18第二章 创新 AI 核心技术体系2.2.2 产品特性和架构大模型训推技术联想万全异构智算平台，是高度自动化的 AI 全流程开发平台，整合异构GPU 与 CPU 算力，统一管理与智能调度，提供稳定高效的 AI/HPC 混合算力，覆盖高性能计算与人工智能场景。它支持 AI 模型开发、训练、微调及推理部署，提升端到端效率；统一纳管科学计算、AI 训练与通用计算三类算力，自动分配调整，确保资源高效利用。大模型训推技术还提供软硬一体优化方案及全栈软件栈，通过前沿技术优化 AIGC、CV、NLP等模型开发与部署，提升 AI 基础设施利用率与任务效率。此外，该技术还能提供可视化管理和监控工具，方便用户管理算力资源，提供实时数据分析与报告。具体来讲，平台包含如下特性：AI-HPC 资源割裂与共享僵局HPC 集群部分会用到 GPU 节点，AI 集群绝大部分用 GPU 节点。同时拥有两者的用户希望跨集群按任务优先级和资源情况共享 GPU，但因 AI 与 HPC 集群调度方式不同，用户需精通两种调度且操作繁琐，导致资源难共享。推理算力爆发式需求与供给错配随着 AI 技术的发展，深度学习模型愈发复杂庞大，对算力需求剧增，即“推理算力爆发”。这要求更强大硬件支持，如 GPU、TPU 等。然而，现有硬件可能无法满足快速或实时数据处理需求，推理性能成为 AI 普及的关键瓶颈，尤其在自动驾驶、实时翻译等场景，企业需要极高的推理速度和效率。超强算力与场景化适配基于全球领先的算力性能与可靠性，通过深度研发适配为用户提供灵活集群配置方案，结合平台智能匹配算法，动态推荐最优算力组合与算法策略，实现算力资源与业务场景的高效耦合。前沿算法驱动效能跃升依托 GPU 虚拟化、网络通信优化、故障预测等核心技术，平台突破传统算力利用瓶颈，将 AI 基础设施利用率与任务执行效率提升至行业领先水平，助力企业降本增效。全流程工具链支撑稳定运行提供从模型开发到推理部署的一站式工具链，覆盖训练、微调、推理等全场景需求，结合实时监控与智能告警功能，确保 AI 任务稳定运行，降低业务中断风险。19第二章 创新 AI 核心技术体系架构设计层面，该技术通过模块化架构设计，提供从资源管理到业务落地的全栈能力，覆盖安全管控、智能监控、资源调度、性能优化及运维效率提升等多个维度。用户和权限管理平台提供用户和权限管理功能，以确保只有授权用户能够访问和管理算力资源。这包括用户认证、权限控制、资源配额管理等，以保证系统的安全性和可靠性。全局状态监控受管资源任务状态摘要视图，图形化展示任务分类和数量及运行状态，受管资源使用情况(GPU 类型，分配卡数，空闲卡数，CPU 和内存的使用情况，GPU 利用率，CPU和内存利用率)。硬件管理平台提供集群节点的可视化列表管理功能，支持运维人员实时查看单个节点或全部节点的运行状态，覆盖 HPC 与 AI 节点的全维度监控需求。可快速获取节点基础信息（包括名称、机型、序列号、IP 地址、CPU/内存插槽规格、GPU 型号及制造商）。支持业务使用 IB 网络通信，支持 ROCE/RDMA 网络；可监控主机网络接口信息（包括状态，带宽），光模块信息（包括电压，电流，功率，温度），和网卡温度信息；可实时监控主机上 IB 网卡的吞吐和用率，IB 交换机资源展示。20第二章 创新 AI 核心技术体系监控和告警系统平台提供完善的监控和告警系统，可实时发现并处理系统潜在故障与异常情况。该系统涵盖性能监控、异常检测及故障自动恢复等功能，通过实时追踪系统状态，保障集群稳定运行。此外，平台支持根据集群中部署的资源管理器类型，快速查看对应 GPU 资源的概况、性能详情及温度热点图。计费管理根据应用/作业/任务执行过程中实际使用的 CPU，MEM，GPU 资源量进行计费和统计，可设置费率和折扣。支持账户创建、修改、存取账户，并且可以查看账户流水。品牌化 UI 定制支持登录页、主页的 LOGO、标题及主题色自定义，企业可快速植入品牌元素，打造专属 AI 开发门户。高效调度算法软件定义数据中心管理平台需设计并实现高效的调度算法，以优化任务执行效率与资源利用率。针对 AI 集群特性，可针对性选择调度策略，尤其是 GPU 资源调度策略。负载均衡：选择负载均衡时，平台将作业调度到剩余 GPU 资源多的节点，尽量保持负载均衡，推荐推理服务使用。最小碎片化：选择最小碎片化时，平台将作业调度到剩余 GPU 资源少的节点，以减少资源碎片，推荐训练任务使用。融合调度针对混合集群资源共享需求，基于 AI 和 HPC 调度构建而成的超级调度器，可切换调度模式，满足科学计算等场景的 HPC 与 AI 计算调度需求。它能跨集群动态管理和调度算力，半小时内自动完成资源调度共享。超级调度器是资源共享的关键，它架构于 K8S（AI 训练集群）和 Slurm（HPC 集群）调度器之上，收集状态信息，全面监控任务，识别可承载不同计算的资源节点，构建混合算力资源池。21第二章 创新 AI 核心技术体系2.2.3 核心技术能力当前，该技术已推出 3.0 版本，该版本包含九大核心能力，全方位为企业用户提供 AI 算力支持。算力匹配魔方集成海量硬件评测与 AI 算子算法，标识 AI 场景、算法与集群配置的匹配关系。用户输入场景和数据，系统可自动规划调度最佳算法与集群配置，跳过复杂的算力选择验证流程。超智融合调度超级调度器可实现双类型调度架构，切换 AI 的 K8S 与 HPC 的 Slurm 调度，全局监控任务，动态共享资源。用户 1 小时内可自动完成跨集群资源调度和共享，破局算力孤岛，充分利用基础设施算力。集合通信算法库技术自动感知集群网络拓扑，集成增强型集合通信算法，优化数据传输路径。千卡规模集群网络通信效率提升超 10%，集群规模越大，效果越显著，突破集群计算瓶颈，训练效率提升 10%。AI 高效断点续训平台可对数据进行多级备份，精简备份数据量，从最佳路径提取数据；基于 AI 故障特征库，开发预测模型，实现“用 AI 预测 AI”；集成硬件监控与调度器故障监控，确保AI 故障抓取万无一失，实现分钟级 AI 断点续训，保障集群持续可用。GPU 内核态虚拟化针对 AI 推理和中小训练，采用 GPU 内核态虚拟化算法，突破操作系统层用户态虚拟化局限，深度控制 GPU，提升 vGPU 利用率至 95%，有效减少算力损耗。22第二章 创新 AI 核心技术体系AI 推理加速算法集采用 INT8/FP16 混合精度量化降低计算与存储需求，同时保障模型精度；通过推测推理提前预测计算分支，减少冗余计算；引入多头潜在注意力机制（MLA）优化注意力计算，提升推理速度；利用分布式并行技术跨节点分配任务，大幅提高推理效率。这些技术协同作用，可显著提升 AI 推理性能，为企业级 AI 应用提供高效推理服务。AI 编译优化器通过多种技术手段降低训练和推理开销。操作融合技术将多个相关操作合并为一个操作，减少内存访问和数据传输次数；操作替换技术用更高效的实现替换低效操作，提高计算效率；路径优化技术对计算图的执行路径进行优化，选择最优执行顺序，减少计算时间和资源消耗。通过这些技术，可有效降低训练和推理过程中的开销，提升性能。AI 训推慢节点故障与自愈通过异步实时状态监测与综合故障分析，系统能够及时发现训练和推理过程中的异常情况；异步备份与恢复功能确保在出现故障时能够快速恢复到正常状态；故障诊断与预测功能提前发现潜在故障隐患，实现故障预测与自愈。该系统可解决慢节点检测困难导致的低性能问题，提高集群效率，保障训练和推理任务稳定运行。专家并行通信算法针对专家模型架构深度优化通信效率。训练中涉及 All to All 和 All Reduce 等操作，该算法通过创新技术（如优化通信模式、采用高效算法）减少通信延迟与数据传输量，确保节点间数据快速准确传输。优化后显著提升训练效率，加速模型收敛。23第二章 创新 AI 核心技术体系制造业工业质检海量长期存储创新技术2.32.3.1 业务难点目前，全球制造业已经进入智能化转型的深水区，AI 质检作为更智能、高效的解决方案正在被广泛应用到制造业产线的质检场景中。但在轮胎行业，各家轮胎生产企业仍高度依赖传统的人工目检，仍面临以下挑战：2.3.2 解决方案某公司推出的轮胎表面缺陷终检全检设备，采用先进的机械与光学设计。它借助高清工业相机，能够全方位采集轮胎胎冠、胎侧、胎肩、趾口以及胎里等部位的图像数据。这些数据结合某公司全自研的小样本终身学习技术，并部署在搭载高性能 CPU/GPU 的 ThinkSystem 系列和问天系列服务器上，可实现轮胎表面缺陷的快速建模。该设备不仅能全方位检测轮胎表面缺陷，还支持对缺陷进行精准分类和测量，从而替代人工检测，有效提升质检效率与准确性，降低质检成本。这款轮胎质检全检设备尺寸为长 3m、宽 2.6m、高 2.5m，具备多种功能，包括轮胎的上/下料、轮胎整体打光拍照、高清图像存储、各检测项模型训练、缺陷检测与分类、物流线 OK/NG 分流，还能与工厂 MES 系统实现对接。该解决方案依托某公司边缘大脑工业质检开发套件，充分考虑了轮胎生产企业的生产环境、生产效率、流水线特性以及质检要求等多方面因素，从光学、机械、电气、算法、软件等多个层面进行了系统性设计，以充分满足企业的生产及质检需求。工作环境相对比较恶劣，每半年的工人流失率高达 30%人工检测易受人为主观因素影响，难以保证检测标准的执行一致性国内人力成本居高不下行业的信息化水平有待提升12342.3 制造业工业质检海量长期存储创新技术24第二章 创新 AI 核心技术体系25第三章 AI 技术实践案例能新时代第章AI 技术实践案例第三章 AI 技术实践案例能新时代26第三章 AI 技术实践案例能新时代基于国产化软硬件的AI 大模型强化学习微调方案3.1在国产化软硬件蓬勃发展的当下，基于国产化软硬件的 AI 大模型强化学习微调方案凭借其独特优势，正为各行业智能化转型注入强大动力，在众多领域有着广阔的应用前景。3.1.1 应用案例该技术方案在互联网、电商、工业、能源、金融、教育等众多领域均具备广泛的应用潜力。强化学习微调（即基于已有模型或策略，借助动态反馈信号来优化决策）已在这些领域展现出极为显著的应用价值。我们以 RFT as a service 为基础，搭建了适用于生产环境的全自动 RL 模型训练架构。通过设定清晰的奖励机制，为模型自身的 rollout 数据赋予明确的奖励，进而自动化地构建训练数据，逐步提升模型处理业务的能力。在业务场景中，大模型的核心价值不是“输出正确答案”，而是“达成业务目标”。以电商售后客服为例，预训练大模型可能擅长流畅对话，但未必能高效解决“退货退款”“物流纠纷”等问题 这就需要强化学习（RL）介入，让模型从“会说话”进化为“能办事”。以电商售后客服场景为例，我们通过以下步骤来构建整个业务模型训练流程：第一步：明确业务目标，定义“奖励函数”STEP 1强化学习的核心是让模型通过“试错”学习到“哪些行为能获得奖励”。在电商售后场景中，业务目标不是“对话长度”或“语法正确性”，而是“一次对话解决用户问题”“减少转接人工比例”“降低用户投诉率”。3.1 基于国产化软硬件的 AI 大模型强化学习微调方案27第三章 AI 技术实践案例能新时代因此，我们可以量化为以下目标：正向奖励：用户明确表示“问题已解决”（ 5 分）；成功引导用户完成自助退款操作（ 10 分）；对话时长控制在 3 分钟内（ 3 分）。负向惩罚：用户提及“转接人工”（-5 分）；出现“不知道”“不清楚”等推诿话术（-3 分）；用户发送负面情绪词汇（如“差评”“投诉”，-8 分）。中立项：常规询问商品信息、物流状态等（0 分）。第二步：搭建训练环境，模拟业务场景STEP 2第三步：用“人类反馈 强化学习”（RLHF）优化模型STEP 3强化学习需要“环境”让模型互动。这里的“环境”就是模拟售后对话场景，包含：用户模拟器：基于历史真实对话数据训练一个“虚拟用户”，能模拟不同诉求（如“退货”“补寄配件”“修改收货地址”）、不同情绪（冷静咨询/愤怒投诉）的用户行为。状态（State）定义：当前对话历史（用户输入 模型回复）、用户订单信息（商品类型、下单时间、物流状态）、用户标签（VIP 客户/新用户/历史投诉用户）。动作（Action）定义：模型在当前状态下生成的回复内容（如“请提供订单号，我为您查询退款进度”）。利用模拟训练环境的训练数据，进行模型优化训练，在测试环境中，达到一定的准确性后，该模型则可以准入上线；另外，我们同时可以将用户的真实行为收集打分构建训练数据，从而不断优化模型。下图展示了仿真环境的大致流程：28第三章 AI 技术实践案例能新时代成本锐减：从“重投入”到“轻启动”维度一业务增值：从“能干活”到“干好活”维度二以提升复杂 Agent 工具调用能力为例，对于未通过工具测试(在现有模型条件下，不能达到 99%正确使用)的新工具，我们通过 RFT 方案让模型学会正确的使用工具：在仿真环境中，模型调用工具并使用工具得到结果 根据工具调用的正确性、调用成功后执行结果的正确性等结果设置 Reward 数值 在模型能力达到预期百分比，如 99%时，就可以将该工具和经过优化后的模型投入上线使用在整个过程中，Reward 由交互环境提供，具体涵盖工具调用的正确性分数、调用成功后执行结果的准确性等方面。这部分可通过仿真环境进行测试验证。一旦模型能力达到特定百分比，比如 99%，就表明该工具已验证具备稳定性，可启动上线流程。3.1.2 用户价值：选择即获核心收益在上述基于国产化软硬件的 AI 大模型强化学习微调方案的应用案例中，我们已然看到其在多领域的出色表现与强大潜力。而这一方案不仅在应用层面成效显著，更能为用户带来全方位、深层次的价值提升，真正实现选择即获核心收益。以下从成本、业务、安全三个维度进行阐释。标注成本：仅需少量示例数据（数十至数百条），较 SFT 减少大量数据标注核心指标提升：提升客服一次性解决率、金融风控准确率等业务 KPI泛化能力：小模型在垂直场景表现超越超大通用模型，提升业务适配性算力成本：国产化硬件 高质量小模型，降低 AI 模型开发应用成本人力成本：自动迭代替代人工调优，减少模型维护的人力投入成本29第三章 AI 技术实践案例能新时代安全可控：从“被动合规”到“主动安全”维度三数据隐私：全链路国产化部署，避免外部调用导致的隐私泄露风险供应链安全：摆脱国外硬件依赖，保障业务连续性与技术自主性3.1.3 国产化算力 强化微调：企业 AI 专用化的价值杠杆从电商到金融，从能源到教育，强化学习微调方案正帮助越来越多企业实现“AI 从通用到专用”的跨越，让大模型真正成为业务增长的“加速器”而非成本“负担”。1.价值可量化：提供精准的“投入-产出”测算模型，清晰呈现降本增效的预期效果，让企业决策有据可依，投资回报一目了然3.持续进化力：模型能够依据业务数据自动迭代更新，无需企业重复投入大量资源，即可始终保持强大的竞争力，紧跟行业发展步伐2.落地全支持：从奖励函数的精心设计，到业务流的深度嵌入，提供一站式、端到端的实施服务，确保方案顺利落地，助力企业快速开启智能化转型之旅4.国产化保障：采用全栈自主可控技术，严格响应国家安全战略与行业合规要求，为企业数据安全与业务稳定提供坚实保障。30第三章 AI 技术实践案例能新时代智慧金融：大模型技术助推基金公司实现降本增效3.2在当今数字化浪潮席卷的金融领域，基金行业正面临着新一轮的机遇与挑战。技术的飞速发展促使基金公司不断探索创新，以提升自身的竞争力和服务质量。某公司作为全球知名的科技企业，凭借自身在 AI、高性能计算等领域的深厚技术积累和丰富实践经验，为基金行业提供了全方位的解决方案。3.2.1 应用案例某基金公司秉持“诚信规范、稳健经营、开拓创新、积极融合”的发展理念，致力于打造专业化的资产管理平台。在理财直播领域，该基金公司是行业的重要参与者之一，与多家知名基金公司共同活跃于热门直播中，平均直播热度破二十万。此外，该基金公司还积极参与多家公司的机构调研，如美的集团、东山精密和瑞华泰等，体现在投资领域的专业性和活跃度。随着业务的不断拓展和市场竞争的加剧，该基金公司也面临着诸多挑战：公司虽有一定 AI 大模型技术积累，但对多卡硬件平台以及模型框架了解有限，前期需要对平台以及框架的规划进行细致评估，以确保技术的可行性和有效性。方案设计评估难题落地实施障碍公司没有实际两台 8 卡 H20方案以及 IB 网络部署经验，也没有 POC 环境进行验证测试，这使得项目落地信心不足，增加了项目实施的风险。3.2 智慧金融：大模型技术助推基金公司实现降本增效31第三章 AI 技术实践案例能新时代该基金公司针对业务挑战，选择了某公司提供的全面的解决方案及实施流程：使 用 2 台 WA7780 G3 AI 服 务 器，单台配置 8 卡 H20 模组，并通过一台400GB IB 交换机实现互联，同时提供万全 DeepSeek 671b 满血大模型专家部署服务。这些硬件设施和专业的部署服务，为基金公司的业务发展提供了强大的算力支持和智能化的应用基础。通过多次产品交流，充分了 解 AI 服 务 器 在 性 能 以及可靠性上的优势，以及ThinkSystem 品牌策略和问天双品牌策略，消除选品疑虑。根据 DeepSeek 模型的特点和金融数据处理的需求，售前售后专家在项目的实施阶和技术团队详细分析大模型业务在不同规模参数量、不同业务场景、不同并发量等各种情况下的Token输出能力，并在此基础上设计包含 IB 网络在内的完整解决方案，满足自身在 AI 技术应用方面的多样化需求。先进硬件设施保障产品体验与信任重建深度交流与定制化设计全程技术支持与优化段对项目保持高度关注，提供快速的响应并解决客户在实施过程中碰到的系统框架以及 IB 网络性能方面的各种难题，提升了模型的运行速度和数据处理能力，确保项目顺利推进。3.2.2 用户价值：优化流程，改善效能通过某公司的解决方案，该基金公司取得了显著的收益：借助 DeepSeek 模型 MLA注意力机制和 FP8 低精度训练等技术，训练成本仅为国际同类模型的 10%，推理成本降至 2%-3%，有效降低了公司的运营成本。效率提升与成本节约人力替代与流程优化在研报生成、代码开发等场景中，AI 替代率达 30%-50%。例如智能代码研发使策略回测周期缩短70%，通过“企业级 RAG”技术，投研团队从基础数据处理中解放，能够更加聚焦高价值决策，提高了工作效率和决策质量。32第三章 AI 技术实践案例能新时代3.2.3 行业影响与经验辐射该基金公司的成功案例，在基金行业产生了积极的影响。某公司提供的成熟解决方案和实施经验，具有广泛的可复用性，可为其他基金公司提供借鉴。同时，某公司针对基金行业客户需求，持续提供定制化落地服务，进一步推动了人工智能、高性能计算等技术在基金行业的广泛应用，助力更多基金公司实现数字化转型和智能化升级。通过与某公司的合作，该基金公司在技术创新和业务发展方面取得了突破，提升了自身的核心竞争力，为投资者提供了更加优质、高效的服务，也为基金行业的智能化发展注入了新的活力。33第三章 AI 技术实践案例能新时代汽车制造：大模型训推技术赋能吉利智驾3.3在 HPC 领域，某公司是经验丰富的厂商。在 HPC TOP500 榜单中，入围数量连续 9 届排名世界第一，以接近 1/3 的份额超越业内所有厂商。特别是在水冷技术方面，自研的海神温水水冷HPC 解决方案能够有效降低数据中心 PUE 值，为企业实现双碳目标提供有力支持。软件技术方面，某公司的实力也十分突出。研究院联合高校研究机构，经多年研发推出 GPU 内核态虚拟化技术。此技术直接作用于 GPU 驱动层进行虚拟化与资源管理，借助新算法将虚拟化带来的 GPU 性能损耗控制在 5%以内，极端情况下可低于 1%，显著提升了 GPU 利用率。同时，某公司基于多年集群网络设计经验，积累了大规模集群网络拓扑优化方法，并与高校合作开发出基于深层数学原理的集合通讯优化算法。在千卡规模训练集群中，采用集成集合通讯库的异构智算平台管理调度，网络通讯效率可提升超 10%，且集群规模越大效果越显著。此外，某公司的Newtalk 智能体应用，支持与训推大模型对接，提供可视化对话、Prompt 定制、知识库挂载及联网搜索等功能，助力用户快速体验智能体，积累大模型使用经验后，用户可自主决定智能体的升级或开放方向。3.3.1 应用案例吉利汽车中央研究院，在车辆仿真研发过程中面临诸多挑战。3.3 汽车制造：大模型训推技术赋能吉利智驾研发周期紧、任务重，为保持产品领先竞品3-6 个月的目标，急需对超算中心进行算力提升及效率优化，以提升资源效能，缩短仿真时间，加速车型迭代。当前采用国外商业软件，技术上无法自主可控，存在国际供应链风险，急需采用国产化自主可控的产品替代。随着集群规模日益增大，构建高可用性、高稳定性、高安全性、高可靠性、高兼容性和高扩展性的超算中心也迫在眉睫。研发成本居高不下，原 PBS 集群调度系统按节点订阅模式计费，每年按许可收费，随着集群规模不断扩大，使用成本持续攀升。34第三章 AI 技术实践案例能新时代某公司的大模型训推技术 HPC 版，赋能吉利汽车中央研究院，打造了 1000 节点超算中心，并将商用版 PBS 集群任务调度系统，替换为大模型训推技术 HPC 版，大幅降低企业生产成本：3.3.2 用户价值：降低研发成本，业务平稳升级最终，凭借某公司的全方位的解决方案和技术团队深厚的技术积累，吉利汽车成功打造国产化超算中心，从多个角度实现了价值提升：大模型训推技术 HPC 版专注于 HPC 工作负载场景，能更便利地使用集群计算资源，持续稳定地输出算力，不断突破计算效率瓶颈。它深化了对软、硬件的全面监控，优化多任务运行效率，简化与底层计算资源的交互，使吉利汽车能够利用主流的开源集群工具，更加高效便捷地在 HPC 和 AI 环境中使用相关资源。同时，提供集群管理和监控、作业调度和管理、集群用户管理、账户管理和文件系统管理等功能，确保超算中心高效有序运行。针对吉利汽车需要替代 PBS 调 度 系 统 的需求和研发安全性要求，大模型训推技术大模型训推技术 HPC 版为吉利汽车超算中心配备了 Lenovo 水冷服务器 SD650 V3、高性能的 DSS-G100 存 储、高效集群管理与资源调度原厂定制开发实现软件适配先进硬件保障超算性能HPC 版提供原厂研发人员客户现场定制开发服务，完成涵盖车辆研发全领域的 22 款核心工程仿真软件的应用适配，实现仿真体系的全域贯通，覆盖车辆设计、研发、仿真、测试的全部业务场景，确保吉利汽车研发工作的连续性和稳定性。NDR IB 网络等先进硬件设备。这些硬件设备相互配合，保证了超算中心的高性能，能够满足吉利汽车复杂车辆仿真研发的需求，为加速车型迭代提供了有力支持。降本增效效果显著，节省了商业授权费用，降低了研发成本升级过程平滑，实现了业务零中断，确保了吉利汽车研发工作的正常进行技术自主可控，规避了供应链风险，为吉利汽车的长期稳定发展提供了保障35第三章 AI 技术实践案例能新时代3.3.3 树立行业标杆，辐射典型经验在行业影响方面，吉利汽车超算中心项目成为中国汽车行业最大规模国产化超算中心标杆案例，为行业树立了榜样。某公司提供的成熟系统集成和迁移方案，具有典型经验可复用的特点，可为其他制造业企业提供借鉴。此外，某公司针对制造业客户需求，提供定制化落地服务，进一步推动了 HPC 和 AI 技术在制造业的广泛应用。36第三章 AI 技术实践案例能新时代工业制造：工业质检 AI 解决方案实践案例3.4在工业质检 AI 解决方案中，某公司通过多维度创新技术，为轮胎质检提供了全面且高效的实践范例。3.4.1 应用案例光学方面：针对轮胎橡胶吸光和各部位曲面异形问题，某公司采用定制高亮频闪光源，还针对不同部位设计专属打光与拍摄方案，用定制化胎里模组覆盖胎里视野，用宽条光对胎冠、胎侧、趾口部位打光，解决了一系列光学打光难题。机械/电气方面：采用模块化设计，将光学模组和上下料结构系统融合，实现检测全自动化。设备可兼容 1424 尺寸轮胎，半钢胎单胎检测平均耗时 30 秒，可大幅提升企业轮胎质检效率。3.4 工业制造：工业质检 AI 解决方案实践案例37第三章 AI 技术实践案例能新时代算法/软件方面：采用边缘大脑“大模型 小样本”无监督良品建模算法，仅需 60-100 条良品轮胎数据即可完成单种轮胎建模；某公司全自研小样本终身学习 多维融合分类技术，可精准检测百余种轮胎表面缺陷，且可以无缝对接 MES 系统，助力企业生产管理与质量追溯。算力/网络/存储方面：采用 ThinkSystem 系列和问天系列服务器，搭载英伟达高算力显卡，以一台算力设备为数据采集、模型训练、质检推理过程提供坚实的算力保障。相比多工控机方案，采用单台算力设备可以在保证高速推理的前提下，明显降低了方案的整体复杂度和故障发生频率。在整个方案中，需要使用近 20 个工业相机，包含拍摄 2D 图像的线扫相机、面阵相机和 3D 相机，以及多个光源控制器和 PLC，单台设备无法提供足够的网络接口，所以方案中包含一台 24 口的高速工业交换机，保证这些网口设备可以互联互通。为尽可能多的存储高清图像信息，还在算力设备内部提供了高达 40TB 本地存储，结合数据压缩策略和数据清理策略，可以保证近 90 天的数据存储需求。3.4.2 应用成效在阐释该技术的实际应用案例后，我们进一步关注其在实际应用中所取得的显著成效。这些成效不仅体现在直接的经济效益上，还能够对社会层面产生积极影响。经济效益方面1.节约成本 替代传统 2-4 名质检员三班倒的模式，以人均年薪 10 万元计，年节省人工成本 20-40 万元。设备维护成本仅为传统 AI 检测方案的 40%，年维护费下降 60%（约 15 万元/年）。38第三章 AI 技术实践案例能新时代社会效益方面2.降低返修成本 缺陷检出率从人工检测的 80%提升至 99%以上。以年产 100 万条轮胎（单价 300 元）计，年减少工厂因缺陷外流造成的返修成本损失 3000 万元（100 万 300 元）。3.减少质量索赔 因缺陷流入市场导致的客户索赔下降 10%，年减少赔偿支出 10 万元以上。1.提升安全生产水平 减少人工接触高温硫化后的轮胎环节，工伤事故率下降 80%（行业平均年事故率从 0.5%降至 0.1%）。4.提升生产效率 检测速度从人工 4050 秒/条提升至平均 30 秒/条（半钢轮胎），产线吞吐量提升 15%，年增产 15 万条轮胎，新增毛利 450 万元（按 30 元/条毛利计算）。2.提高行业标准 推动轮胎制造良品率从 80%提升至 99%以上，全行业年均可减少缺陷轮胎 1，500 万条（按全球年产 15 亿条估算）。3.改善人才结构每部署 10 套设备可催生 2-3 个 AI 质检工程师岗位，能够推动传统工人向技能型人才进行转化。39第四章 迈向 AGI 时代的战略展望第章迈向 AGI 时代的战略展望第四章 迈向 AGI 时代的战略展望在 AI 技术深度重构产业格局的当下，企业智能化转型已从技术应用升级为系统性变革。这一趋势不仅关乎技术部署，更是企业适应智能时代竞争范式的组织进化实践。40第四章 迈向 AGI 时代的战略展望新一代 AI 基础设施布局4.1在 AI 技术快速迭代的背景下，企业的基础设施布局需突破传统计算架构的局限，构建适应大模型时代需求的智能算力体系。这种转型不仅需要硬件层面的革新，更要求软件栈、调度机制和安全框架的协同进化。新一代 AI 基础设施的布局需要硬件、软件与安全能力的立体化协同。解耦架构提供灵活性，全栈优化提升效率，安全体系则构建信任基础三者共同构成企业智能化转型的坚实底座。解耦架构：硬件架构 方面，解耦设计（Disaggregated Architecture）成为应对算力弹性的关键方案。通过将训练与推理集群物理分离，企业可根据业务负载动态分配资源：在模型开发阶段集中算力进行参数调优，在部署阶段则优先保障推理节点的稳定性。这种架构特别适合国产化替代场景，当采用不同制程的芯片组时，解耦设计能有效规避硬件异构带来的兼容性问题。全栈优化：软件生态 的布局需要关注全栈优化能力。从框架层针对强化学习等算法特性进行算子级优化，到平台层实现训练任务与科学计算的混合调度，再到工具层提供可视化监控与自动扩缩容功能，完整的软件栈能够显著降低AI开发门槛。例如在工业质检场景中，通过预置的缺陷检测模型库和标注工具链，企业可将传统需要数月的项目周期压缩至数周。安全体系：安全体系 则必须贯穿基础设施全生命周期。在数据输入阶段采用隐私计算技术实现“可用不可见”，在模型训练环节通过对抗样本检测防御数据投毒攻击，在推理部署时则需硬件级的安全隔离机制。这种纵深防御设计尤其适用于金融、医疗等敏感领域，能确保 AI 系统从开发到退役各环节的风险可控。4.1 新一代 AI 基础设施布局41第四章 迈向 AGI 时代的战略展望智能化转型赋能体系4.2企业智能化转型不是简单的技术升级，而是一场涉及战略、组织、运营的系统性变革。要实现真正的转型突破，需要构建三个关键支撑：站在智能时代的新起点，企业的竞争已从产品、服务的比拼，转向生态化、系统化的较量。能够构建开放协同的智能生态、培育数字化组织能力、建立持续进化机制的企业，将在这场转型浪潮中赢得先机。智能化转型不是选择题，而是必答题它决定着企业未来十年的生存空间与发展格局。让我们以开放的心态拥抱变革，用系统的思维布局未来，共启全新的智能时代！建立协同创新的生态网络企业不能单打独斗，而要主动连接各方资源。通过参与行业联盟等方式，获取政策支持、前沿技术和应用场景。就像搭积木一样，把各方的优势资源组合起来，共同解决智能转型中的难题。培养数字化的组织基因转型成功的企业都做到了“技术”与“业务”的深度融合。它们打破了部门墙，组建了跨职能的数字化团队；建立了数据驱动的决策机制，让每个业务环节都能实时获取智能分析支持；更重要的是培养了一批既懂业务又懂数字化的复合型人才。打造持续进化的智能系统优秀的转型企业都建立了“发现问题-智能优化-效果评估”的闭环机制。它们会定期梳理业务流程中的痛点，用AI技术进行针对性优化，并通过数据反馈不断迭代改进。这种持续进化的能力，使企业能够快速适应市场变化。1234.2 智能化转型赋能体系

2025-08-29 47页 5星级

wteam&头部科技：中国Z世代智能体白皮书2025（51页）.pdf

编委会成员阮明星爱藏董事长李亚飞ClackyAI CEO毛鑫小铁科技 联合创始人蒲世林像素绽放PixelBloom(AiPPT）联合创始人石矛常垒资本合伙人李孔健编创团队成员：科大讯飞生态投资负责人万瑶、郑博东、周建行、吴若澜、侯骏雄中国Z世代智能体白皮书 2025编委会成员阮明星爱藏 董事长李亚飞ClackyAI CEO毛 鑫小铁科技 联合创始人余炳阳橙子网络 CEO万旭成BAI资本 投资人陈一封恋上传媒 CEO林沛杰科荔智能 CEO梁立名 华南虎科技 CEO万晓初智工科技 CEO黎文祥凡岛网络 创始人石 矛常垒资本 合伙人编创团队成员：颜艳春盛景AIC 创始合伙人万瑶、郑博东、周建恒、吴若澜、侯骏雄张晶晶 都保杰 胡涛 王甜中国Z世代智能体白皮书 2025头部科技：寄语：给Z世代青年创业者的一句话阮明星中国Z世代智能体白皮书 2025爱藏董事长AI提高生产力，创造无限价值，带来新的创业机遇！毛 鑫小铁科技 联合创始人AI 是年轻创业者最大的杠杆，在大多数人还在观望时 全力ALL IN AI 李亚飞ClackyAI CEO个性化软件和千人粉丝时代已然来临，不管多大的需求都值得干一场 李孔健科大讯飞生态投资负责人每当狼烟四起的年代，总有年轻人挺身而出，挺起民族的脊梁，Agent应用时代，属于每个有梦想的年轻人 蒲世林像素绽放PixelBloom(AiPPT）联合创始人放弃宏大叙事，解剖细分市场，把所有的兵力投到别人忽略的山头，拿回结果石 矛常垒资本合伙人伟大的创新不能够被设计；每一代年轻的创业者，都有属于自己的大航海时代第1章 前言及摘要第2章 Z世代特征与对智能体的需求分析第3章 中国智能体市场的发展现状3.1 智能体的技术演进图谱3.2 智能体的市场规模与对Z世代的影响3.3 硅谷智能体技术趋势崛起对中国智能体市场的影响3.4 政策驱动引擎与智算及模型层发展3.5 中国智能体产业发展图谱第4章 创投热潮：垂直赛道智能体项目深度盘点4.1 赛道分类矩阵4.2 颠覆性创新案例第5章 资本透视：智能体投资趋势与估值逻辑第6章 关键挑战与未来图卷5.1 融资热点与资本流向5.2 投资逻辑与趋势分析2.1 人口特征与价值观2.2 Z世代对智能体的需求分析中国Z世代智能体白皮书 2025目录CONTENTS前言及摘要前言01PAGE在数字化浪潮席卷全球的今天，Z世代作为数字时代的原住民，正逐步成为社会消费与科技创新的主力军。他们成长于互联网高速发展的时期，对智能技术的接受与应用达到了前所未有的程度。2025中国Z世代智能体白皮书的编撰，旨在深入剖析Z世代的特征及其对智能体的需求，全面审视中国智能体市场的发展现状，为行业参与者提供有价值的参考与洞察。本白皮书不仅关注智能体技术的最新进展，如从工具到执行者的演进路径、多模态交互的深化等，还深入探讨了智能体在垂直领域的应用实践，如医疗健康、金融、教育等。同时，面对硅谷技术崛起对中国市场的冲击，本白皮书也提出了相应的应对策略与发展建议。我们希望通过这份白皮书，能够激发更多关于智能体技术的创新思考，推动智能体技术在中国的广泛应用与发展，为Z世代乃至更广泛的人群创造更加智能、便捷、高效的生活与工作方式。摘要2025中国Z世代智能体白皮书深入分析了全球及中国Z世代的人口特征与消费价值观，指出Z世代对智能体的强烈需求及其在消费市场中的重要地位。白皮书详细梳理了中国智能体市场的发展现状，包括技术演进图谱、市场规模、政策驱动等因素对市场的影响。同时，通过垂直赛道智能体项目的深度盘点，展示了智能体技术在各领域的创新应用。此外，白皮书还探讨了智能体投资趋势与估值逻辑，为投资者提供了有价值的参考。最后，针对智能体发展面临的关键挑战，提出了相应的解决策略与未来展望。第1章中国Z世代智能体白皮书 2025Z世代特征与对智能体的需求分析02PAGE2.1 人口特征与价值观“数字原住民”：中国的Z世代成长于国内互联网高速发展时期，从小学信息技术课到智能手机普及，从淘宝电商到社区团购，他们始终与互联网深度绑定，是名副其实的“数字原住民”。腾讯发布的2019 Z世代消费力白皮书数据显示，71.7%的Z世代网民每天使用手机超3小时，社交、视频和小说是他们耗费时间最长的娱乐行为，日均社交聊天56.2分钟、观看视频53.39分钟、沉浸文学小说47.56分钟，展现出对网络世界的高度依赖。兼具爱国主义与国际视野：中国的Z世代成长于国内互联网高速发展时期，从小学信息技术课到智能手机普及，从淘宝电商到社区团购，他们始终与互联网深度绑定，是名副其实的“数字原住民”。腾讯发布的2019 Z世代消费力白皮书数据显示，71.7%的Z世代网民每天使用手机超3小时，社交、视频和小说是他们耗费时间最长的娱乐行为，日均社交聊天56.2分钟、观看视频53.39分钟、沉浸文学小说47.56分钟，展现出对网络世界的高度依赖。“有钱人”：根据QQ层发布的Z世代消费力白皮书数据，Z世代月均个人可支配收入3501元，高于全国均值，35%的在校Z世代拥有多种收入来源，消费潜力巨大。据2020 Z世代消费态度洞察报告表示，在中国，Z世代的开支达人民币4万亿，占全国家庭总开支约13%，他们正成为当下的消费担当。“性价比王者”：贝壳财经发布的2024中国青年消费趋势报告显示，年轻消费者变得更加审慎精明，注重性价比和实际价值，确保每一分钱都能获得更有价值的享受。调查显示，41.0%受访年轻人在购物时经常有比价行为，19.3%受访年轻人买任何商品都会进行比价，他们频繁“穿梭”于各大电商平台与实体店之间，挑选性价比最优的商品。仅5.8%受访者从不比价，直接购买所需商品。Z世代的人口特征Z世代的价值观在社会文化价值观层面：第2章中国Z世代智能体白皮书 2025根据联合国人口署2024年发布的统计数据，全球Z世代（一般指19952009或2010年间出生）人口总数超过24亿，约占全球总人口的32%。其中，亚洲占据近一半，拉美和非洲占比也在快速提升。据国家统计局数据显示，截至2023年，我国Z世代人口超过2.6亿，虽然仅占总人口的20%，但却贡献了40%的消费力，撬动了超5万亿元的消费市场。03PAGE全球治理积极分子：他们通过互联网和跨国经验形成更理性的世界观，关注气候变化、种族和性别平等、社会公平，积极参与全球治理，对西方话语保持批判性反思。这种责任感不仅局限于国内，更延伸至全球治理层面，他们认同人类命运共同体理念，通过国际志愿者项目、社交媒体发声等方式支持国际合作，展现出超越代际的全球视野与担当。根据全球移动营销媒体平台Morketing 的调研，60%的Z世代会因环境问题感到焦虑，33%拒绝快时尚，21%选择素食，47%要求品牌支持可持续行动并抵制“漂绿”营销，这种对环保的重视贯穿于消费行为与生活方式中。中国Z世代智能体白皮书 2025本次调研通过微信小程序收集了Z世代群体对AI智能体的使用态度与行为数据，共回收有效问卷40份。调研内容涵盖用户基本信息、智能体认知、使用频率、使用场景、价值感知、焦虑因素、付费意愿及未来改进方向等多个维度。调研概况“悦己消费”和“精致穷”：Z世代呈现出务实理性与精神满足并重的鲜明特质。2020年中国社科院等机构联合发布的90后群体价值观念报告，可能颠覆了很多人的刻板印象。报告显示，在消费分配上，90后消费更关心性价比，关注特色和体验，78%的受访者有规律储蓄的习惯，仅有11%受访者考虑买房买车。偶像经济、知识付费、盲盒消费的火热，正是他们“兴趣优先”消费观和为精神需求付费的体现。这种理性与感性的平衡还体现在自我投资领域：他们热衷养生、技能提升和轻奢消费，推动轻食市场规模在2022年达到1200亿元规模(2023-2028年中国代餐轻食行业投资潜力及发展前景预测研究报告)，知识付费、技能培训等领域也因他们的需求而快速增长。对Z世代而言，消费不仅是物质满足，更是生活方式的选择和情感链接的构建，“悦己消费”“精致穷”等标签背后，是他们对精神满足的主动追求。时尚消费五大人设：在时尚消费及穿搭形象上，Z世代带有五大典型人设：“硬核态度”、“放飞青年”、“危险乖”、“佛系三连”、“时髦懒人”。他们推崇“硬核态度”，具有独立的时尚观点、个性鲜明、跟从内心、从不循规蹈矩；认可“佛系三连”，都行、可以、我随便,就是这么佛系,慵懒闲适,随时随地在度假；他们化身“危险乖”，举止乖巧,却内心澎湃，外表人畜无害,实则狂野张扬,是脑洞很大网瘾少年；作为“时髦懒人”，他们颠覆时尚界“没有丑女孩,只有懒女孩”的法则,自然不造作的状态,慵懒也能创造美感和时髦；他们互飚“放飞青年”，善于在流行与复古的时尚里,绽放真实又反差的自我，在放飞的同时,保持对主体文化的尊重。个性化与圈层文化：Z世代拒绝被单一标签定义，他们的消费重点会注重颜值、设计感与情感联结，国潮的流行、对小众品牌的追捧，都是个性化的表达。由此，Z世代的消费更加垂直，他们喜爱种草，乐意分享，更喜欢用自成一派的语言逻辑和体系建立社群。他们通过兴趣社群构建身份认同，65%的人自认是特定领域的忠实粉丝，电竞、二次元、汉服等圈层文化不仅是兴趣爱好，更成为他们建立社交关系、确认自我价值的重要途径。这种对个性的追求与圈层的归属并不矛盾，在多元文化中保持自我，在圈层认同中寻找共鸣，最终构建起属于这一代人的精神特质与行为逻辑。消费价值观层面：2.2 Z世代对智能体的需求分析04PAGE中国Z世代智能体白皮书 2025用户画像分析00后（21-25岁）：占比最高，达到50%，是本次调研的核心群体；95后（26-30岁）：占比27.5%，显示出对智能体技术的较高关注度；05后（16-20岁）与85后（31-40岁）：占比较少，分别为12.5%和10%，但05后作为新生代，其使用态度值得关注。年龄分布创业者：占比最大，为35%，显示出创业者对新技术的高接受度和应用需求；学生：占比最大，为30%，表明学生群体是智能体技术的重要用户；自由职业者(如自由撰稿人、网店店主）、新兴职业者（如数字游民、大数据分析师等）、传统职业者（如教师、医生等）：占比分别为7.5%、7.5%和5%，反映了智能体技术在不同职业领域的渗透。职业领域05PAGE中国Z世代智能体白皮书 2025在本次调研群众中的智能体认知程度：熟悉并能区分不同类型：占比55%，显示出部分用户对智能体技术有较深入的了解；了解基本功能：占比42.5%，表明大部分用户对智能体有基础认知；听说过但不清楚具体功能：仅占比2.5%。智能体认知与使用情况每天多次：占比最高，达到75%，智能体已成为许多Z世代用户的日常工具；每周几次：占比15%，显示出部分用户对智能体的定期使用习惯；每天1次或以下：占比较少，仅为10%，这说明Z世代群体使用智能体已普遍形成较高频次的使用习惯。使用频率06PAGE中国Z世代智能体白皮书 2025工作/学习（内容生成、数据分析、教育学习等）：占比最高，为95%，智能体普遍应用于工作和学习领域；信息检索（替代搜索引擎）：占比77.5%，智能体成为获取信息的重要渠道；生活服务（导航、日程管理、购物推荐、医疗健康）、创意设计（绘图、音乐、视频制作）：占比均为42.5%，智能体成为提升效率的重要神器。使用场景智能体价值感知认为“有一定提升”：占比60%，显示出智能体对大多数用户具有积极的效率影响；认为“提升非常大，几乎100%提效”：占比35%，表明智能体在部分用户中实现了显著的工作学习效率提升；认为“提升较少”：占比仅为5%，小比例用户对智能体提升效率感受不明显。效率提升07PAGE中国Z世代智能体白皮书 2025效率工具：占比最高为95%，智能体在通过自动化任务提升效率方面的价值得到广泛认可；知识获取：占比较高，为70%，智能体成为获取知识的重要途径；创意辅助：65%，超过一半的被访者认同智能体在创意辅助方面的价值；经济收益：37.5%，超过1/3的被访者将智能体作为创造经济收入的新途径。智能体提供的最大价值愿意按需购买：占比67.5%，大部分用户对智能体的增值服务持开放态度；愿意长期订阅：占比30%，显示出部分用户对智能体的持续使用需求；只使用免费功能：占比2.5%，仍有少数用户对付费服务持谨慎态度。付费意愿08PAGE中国Z世代智能体白皮书 2025大家普遍不会对智能体有过多的焦虑感偶尔感到焦虑：占比最高，为45%；不太焦虑或完全不焦虑：为42.5%；经常感到焦虑：仅占到12.5%。面对智能体的焦虑感隐私与数据安全：占比最高，为80%，用户对智能体可能带来的隐私泄露问题表示担忧；人类就业机会：占比52.5%，用户担心智能体发展可能对就业市场产生影响；人际沟通能力退化：占比35%，部分用户认为过度依赖智能体可能影响人际交往能力。担心智能体的影响方面09PAGE中国Z世代智能体白皮书 2025非常欢迎，认为提升效率：占比最高为70%；可接受，但需明确边界：占比30%；最为可喜的是Z世代的被访者对与智能体协同普通没有抵触态度。对与智能体建立协同的态度未来改进方向与职业影响跨平台协作能力：占比最高，为80%，用户关注智能体在不同平台间的兼容性和协作；多模态交互与个性化推荐精准度：分别为77.5%和60%，用户期望智能体在交互方式和个性化推荐上更加智能和便捷；伦理合规性：占比40%，部分用户关注智能体的道德合规性。改进方向10PAGE中国Z世代智能体白皮书 2025大部分重复性工作将被替代：占比最高，为70%，用户普遍认为智能体将对重复性工作产生较大影响；替代但仅限于辅助角色：占比27.5%，部分用户认为智能体更多扮演辅助角色，难以完全取代人类工作。本章节数据均来源于自研数据结果职业影响结论与建议Z世代对智能体技术具有较高的认知度和使用频率，智能体已成为其工作、学习和娱乐的重要工具。智能体在提升效率、激发创意和获取知识方面得到广泛认可，但用户对隐私安全、就业影响等问题存在担忧。用户对智能体的个性化推荐、多模态交互和跨平台协作能力有较高期望，同时关注伦理合规性问题。大部分用户愿意为智能体的增值服务付费，显示出智能体技术的商业潜力。在未来的发展中，Z世代群体建议智能体加强隐私保护，智能体开发者应重视用户隐私和数据安全，采取有效措施保护用户信息；提升个性化服务，通过优化算法和模型，提高智能体的个性化推荐精准度，满足用户多样化需求；推动多模态交互，研发更自然、流畅的多模态交互方式，提升用户体验和互动性；加强伦理合规性：建立智能体技术的伦理准则和监管机制，确保其健康、可持续发展。拓展商业应用，探索智能体在更多领域的应用场景，开发增值服务，满足用户付费需求。中国智能体市场的发展现状11PAGE3.1智能体的技术演进图谱目前，智能体正在由“工具”演化为“执行者”。最开始，AI只是以知识为基础、由生成式人工智能驱动的工具，它可以回答问题，生成内容，以聊天机器人的形式出现；现在它开始利用基础模型在数字世界中执行复杂的多步骤任务，也就是说技术从“思考”走向“行动”。数据来自浙商证券研报从广义上讲，“智能体”系统指的是可以在动态世界中独立交互的数字系统。尽管这类软件系统的版本已存在多年，但生成式人工智能的自然语言能力揭示了新的可能性，使系统能够规划行动、使用在线工具完成任务、与其他智能体和人类协作，并通过学习提升性能。生成式人工智能智能体最终可能成为虚拟同事，以无缝自然的方式与人类合作。例如，虚拟助手可以规划和制定复杂的个性化旅行行程，跨多个旅行平台处理任务。工程师可以用日常语言向程序员智能体描述软件功能，然后该智能体将编码、测试、迭代，并部署工具。智能体的未来演化方向从思考者到执行者第3章中国Z世代智能体白皮书 2025智能体技术正朝着深化行业应用、提升自主决策与解决问题能力、实现无代码开发与个性化定制、增强持续学习优化、促进人机协同合作的方向发展，未来将在多领域发挥关键作用。下面是目前值得关注的五大趋势：12PAGE数据来自浙商证券研报之前的智能体系统难以实施，生成式人工智能大大降低了落地难度。加入基础模型、经过庞大非结构化数据集的训练之后，智能体可以适应不同场景，就像大型语言模型可以对未明确训练过的提示做出响应一样。此外，人类用户可以使用自然语言而非编程语言，指导支持生成式智能体系统完成复杂的工作流程。然后，多智能体系统可以将此工作流程解释、组织为可操作的任务，将工作分配给专用智能体，使用数字工具生态系统执行细化任务，并与其他智能体和人类协作，以迭代改进其行动质量。部分专家认为，AI的走向分为三步，第一步是“工具”，然后是“代理”，再到“影响者”。最终目标是为企业领导者提供明确的前进方向。通过演绎推理和归纳推理的视角来理解这一演变，可以帮助团队制定计划，挖掘人工智能的无限潜力。处于工具阶段时，AI侧重于内部生产力和运营效率的提升，但它会限制人工智能所能带来的战略效应。到了第二阶段，AI能够分析数据、识别模式，并根据其编程能力、逻辑和推理能力提出建议或采取行动。到了这一阶段，人工智能不再只是执行指令（演绎推理），而是开始产生新的见解（归纳推理），它需要强大的数据基础设施以及对人工智能分析能力的信任。更长远的观点认为，人工智能将逐渐承担起“意见领袖”的角色，在这一角色中，它将主动参与战略决策制定、与客户进行互动，无需过多的人工干预。这标志着归纳式人工智能达到巅峰：它能够预先察觉市场变化、预测客户需求，甚至与其他工具、系统和机器进行交互。工具-代理-影响者演化路径中国Z世代智能体白皮书 2025五大技术趋势13PAGE数据来自浙商证券研报操作系统智能体（OS Agent）是当前智能体技术的前沿方向之一，其核心是通过人机交互界面实现计算设备的自主操作。例如，IEEE T-2023年发布的系统性综述显示，这类智能体可模拟人类用户与图形用户界面（GUI）进行交互，完成文档处理、应用程序管理和跨设备协同等复杂任务。其中，基于视觉的智能体（如SpiritSight）和视觉-语言混合智能体（如Mobile Flow）因其跨平台兼容性和丰富的感知能力，正成为研究热点。操作系统智能体的研究与应用智能体将融合语音、文本、图像、手势等多种交互方式，构建更自然、更贴近人类习惯的人机交互界面。通过多模态数据接口，智能体能够更全面地感知外部环境，从而实现更高效的人机交互。多模态交互的深化通过强化学习、迁移学习等技术，智能体将提升无监督学习能力，实现更高效的自我迭代与复杂任务处理。智能体能够根据任务结果与用户反馈数据，对模型参数进行动态调整，形成“感知-决策-执行-优化”的闭环迭代机制。自主学习能力的升级由大模型驱动的智能体架构是当前比较常见的落地架构，包含规划、记忆、工具、执行等要素。大模型为智能体提供了强大的语言理解和生成能力，智能体通过规划将任务拆解，利用记忆存储和调用信息，借助工具执行具体操作，从而实现复杂任务的处理。与大模型的深度融合中国Z世代智能体白皮书 202514PAGE智能体将与医疗、教育、金融等行业需求深度结合，开发专业化解决方案，推动行业流程的智能化重构。例如在医疗领域，智能体可辅助诊断、制定治疗方案等；在金融领域，可用于风险评估、投资决策等。垂直领域的深度整合中国Z世代智能体白皮书 2025模型上下文协议（Model Context Protocol，MCP）是由Anthropic推出的开源协议，现在已经被OpenAI接受。通过MCP开源标准，开发者可以获得第三方应用的数据，帮助ChatGPT更好完成任务。例如，ChatGPT可以对接Gmail，获取数据，并在任务中使用该数据。对于个人消费者来说MCP实用性不高，但它极有可能改变企业运营方式，因为企业可以通过MCP将内部工具连接到ChatGPT等工具，在必要时分享数据，此举大大简化了智能体开发过程，提高了效率。另外，在过去一年里，在智能体方面，OpenAI还推出了Operator，发布“深度研究”智能体，推出简化智能体开发的API和工具，发布Codex编程智能体。知名企业技术研发方向OpenAI开始拥抱Anthropic标准与OpenAI的O1模型相比，DeepSeek-R1的运行成本只有其三十分之一，开发、运营智能体的成本大幅下降。另外，DeepSeek-R1推出后，由它构建的AI智能体推理能力显著提升，例如阿里国际站的AI Agent在接入DeepSeek-R1后，能够更好地帮助商家拓展生意增量。DeepSeek-R1帮智能体开发者降低成本数据来自Apidog网站AI基准测15PAGE和所有AI大厂一样，DeepSeek-R1也已经可处理复杂多模态任务，能够处理和理解多媒体信息，如文本、图像、音频等。它还增强了智能体的任务执行能力，例如，基于Camel框架开发的股市交易智能体可协助股票交易员完成复杂交易任务。最后，DeepSeek-R1作为高性能推理模型，为多智能体协作提供了更好基础，通过协同合作可以提高效率、增强学习能力和提升准确性。中国Z世代智能体白皮书 20253.2 中国智能体的市场规模与对Z世代的影响研究机构对中国智能体市场的预测智谱AIAutoGLM能够根据人的自然语言指令，自主规划操作路径、识别手机页面，自动模拟人类操作手机和网页，执行各种任务。2025年3月智谱AI发布沉思智能体，旨在突破传统大模型的“被动问答”模式，实现“边思考、边执行”的自主决策能力。2025年4月14日，智谱AI开源AutoGLM沉思核心链路技术，支持开发者基于GLM-4-Air构建垂直领域智能体；降低复杂流程开发难度。智谱AI AutoGLM带来一系列新成果16PAGE中国Z世代智能体白皮书 2025IDC：2025年，AI Agent将迎来规模化落地浪潮，其通过智能化任务处理重构标准化作业流程的潜力备受期待。AI Agent不仅通过人机协同重构企业生产关系，更将以主动式服务重塑消费端交互模式。企业端实现人类策略 机器执行的组织革新，消费端则化身个性化生活管家，如智能理财、健康预警等场景推动服务从被动响应转向主动预判。两端通过数据沉淀形成动态闭环，企业基于消费洞察优化供给，消费需求推动技术迭代，最终Agent将成为核心枢纽。亿欧智库：中国AI智能体市场在2024年的规模为1473亿元，渗透率不足5%。随着其对企业软件的增效作用日益显著，以及“按需定制智能助手”开发市场的成熟，预计到2028年，市场规模将暴增至3.3万亿元。数据来自浙商证券17PAGE中国Z世代智能体白皮书 2025最近一段时间，中国资本如潮水般涌入智能体领域。2025年1月27日A股新增AI智能体指数，短短半月多就有43家相关概念上市公司涌现。在应用端，瑞幸、京东等企业借助智能体实现业务效率飞升。嗅觉敏锐的资本已察觉到智能体在产业升级中的“催化剂”作用，纷纷布局，试图抢占这一赛道。具体来看，中国资本对智能体的青睐主要体现在几个方面：资本市场追捧AI智能体2025年Manus的出现激起资本市场震荡，发布当天，A股超150只AI智能体概念股涨停，立方控股、酷特智能等涨幅超20%。概念股受热捧科创AIETF（588790）自2025年1月10日以来获得近15亿元资金流入，较1月9日规模增长16倍。截至2025年3月6日，其成立以来涨幅达36%，持续领跑科技主题基金。相关ETF资金流入18PAGE中国Z世代智能体白皮书 2025Z世代使用什么智能体2025年5月8日，企业级AI智能体平台QIAI正式宣布完成首轮数千万元融资，估值突破2亿元人民币，成为中国企业AI应用领域首个获得明星资本与战略资本联合投资的智能体平台项目。硅谷风投Benchmark最近领投了Manus中国母公司Butterfly Effect的新一轮融资，融资总额达7500万美元，使Butterfly Effect估值大幅提升，达到近5亿美元（折合人民币37.5亿元）。Z世代是受互联网、即时通讯、智能手机和平板电脑等科技产物影响极大的一代人。在中国市场上已经涌现出一批深受用户欢迎的智能体，比如：企业获得融资2025年3月6日，中国创业团队Monica发布一款名为Manus的产品，在评估通用人工智能助手解决现实世界问题的GAIA基准测试中，Manus成绩超越OpenAI Deep Research。Manus Quark是一款“全能型”人工智能助手，其运行基于阿里巴巴自身的Qwen模型。它可以完成一系列与工作相关的任务，包括学术研究、医疗诊断、图像生成、演示文稿制作以及报告撰写等。该应用程序在4月份已经跃居中国人工智能应用程序排行榜榜首，月活跃用户达1.49亿，甚至超过了Deepseek月活数。阿里巴巴Quark 它可以比较不同应用程序中的外卖价格，通过网络搜索生成研究报告。在政府资金支持下，该公司已启动首次公开募股程序。技术公司测试后认为，该软件有助于进行在线搜索，但在筛选结果中的虚假信息时效果不佳。智谱AI沉思 19PAGE中国Z世代智能体白皮书 2025率先完成商业化落地的国产图形界面智能体，专为中国企业打造，擅长任务的推理拆解、企业知识库沉淀等，适用于企业OA操作、文件处理等办公自动化场景。bit-Agent开源大语言模型应用开发平台，支持低代码/无代码构建AI应用，适用于电商客服、科研检索、企业知识管理等场景。Dify 扎根电商与物流场景的智能体平台，赋能客服、推荐、物流调度等业务，具有多模态交互能力。魔塔智能体 一站式智能体开发平台，聚焦公众号运营，提供垂直领域“智能顾问”解决方案，适用于法律、医疗等专业公众号咨询。腾讯元器 零代码/低代码AI智能体开发平台，支持快速构建多模态智能体，可发布至微信、抖音等平台，适用于企业客服、内容创作、教育辅导等场景。COZE扣子基于游戏AI的行业智能体，专注虚拟人交互、工业设备控制与数字孪生，具有虚拟人格引擎等优势。网易伏羲智能体20PAGE中国Z世代智能体白皮书 2025基于文心大模型的智能体平台，提供“开发-分发-运营-变现”一体化赋能，应用场景广泛。文心智能体阿里巴巴云开发的智能助手，支持多模态任务，能够处理文本、图像等多种数据类型，具备文档阅读、联网搜索和写作总结等功能。通义千问 科大讯飞推出的智能体，可能在语音交互、智能陪伴等方面具有优势，适用于智能客服、智能教育等场景。讯飞友伴 中国移动推出的智能体，支持日程规划、生活服务、AI速记、聊天陪伴等功能。灵犀 由贵州省文化和旅游厅与马蜂窝旅游集团联合发布的旅游AI智能体，可帮助游客定制专属行程，提供实时资讯和多语言翻译服务。AI游贵州由中国气象局提供权威气象数据，可为用户提供查天气、穿衣推荐、气象科普等多种气象领域服务。中国天气智能体 Z世代对智能体的偏好Z世代被称为“AI原生代”，对AI的认知和使用如同呼吸般自然。超九成Z世代已习惯在工作学习时使用AI辅助创作，其中55.4%会频繁使用。从代际对比来看，基本上越年轻越频繁在生活中使用AI。工作或学习时的效率辅助工具（55.6%）是Z世代使用智能体的主要场景，其次是创意支持、灵感辅助（39%），娱乐休闲（例如和AI虚拟角色互动获得情感陪伴，38.9%），以及辅助社交和人际关系（例如生成适合的互动话术，32.8%）。近八成参加调研的Z世代表示智能体提升超50%工作学习效率，其中30.8%认为智能体的使用为自身的工作学习带来了非常大的提升，几乎实现了100%提效。此外，超七成Z世代坦言愿意与AI建立情感链接，约六成年轻人拥有虚拟伙伴，人均持有1.8个AI朋友。21PAGE中国Z世代智能体白皮书 20253.3 硅谷智能体技术趋势崛起对中国智能体市场的影响美国试图通过AI生态持续占据全球技术领先高地和霸主地位，而中国追求建立自主生态。目前，硅谷在智能体技术领域的突破正通过技术外溢与生态渗透双重路径重塑中国市场。美国通过技术与生态影响中国市场数据来自AI Industry Analytics22PAGE中国Z世代智能体白皮书 2025首先，在技术方面，中国存在卡脖子风险。例如，美国在核心算法（如大模型架构、强化学习、多模态融合）上积累更丰富，主导开源框架（如TensorFlow、PyTorch）和开发工具链。除了核心算法，在芯片领域中国也存在短板。例如，全球高端芯片由英伟达、AMD、英特尔垄断。其次，在生态方面，美国通过技术栈 资本 标准构建依附型体系。美国企业通过开源框架（如OpenAI的CLIP、Google的TensorFlow）输出技术标准，中国开发者在使用过程中可能形成路径依赖。目前中国还有一些障碍需要跨越：中国智能体研发已经与美国开源框架共生，如TensorFlow、PyTorch在AI研究与企业应用中占比超过90%。又例如，零一万物早期曾基于Meta开源技术构建系统，尽管后期实现突破，但初期的技术路径仍受美国生态影响。硅谷在大模型架构（如GPT-4的Transformer变体）、强化学习（如DeepMind的Multi-Agent RL）等前沿领域的突破，往往成为中国企业模仿和改进的对象。需要突破的地方数据来自 Visualcapitalist23PAGE中国Z世代智能体白皮书 2025目前智能体研发已经出现市场分化特征。例如，Manus、Genspark以硅谷底层大模型为核心，从诞生之初便瞄准国际市场，注重多语言适配、兼容跨文化场景，在数据合规上对标GDPR等国际标准。此外，美国通过GitHub、Hugging Face等平台输出技术标准，中国开发者在使用CLIP、Llama等开源模型时需遵循其技术规范。例如，Meta的PyTorch框架被中国90%以上的AI研究团队采用，而中国自主开源框架（如百度飞桨、华为MindSpore）在全球开发者中的渗透率不足10%。在制定国际标准时，中国缺少话语权。例如，美国主导的人工智能框架公约（2024年）将AI安全、人权等原则与技术标准绑定，中国未被纳入缔约国名单。而基于Deepseek等国内基础大模型开发的智能体深耕本土市场，深度融合中文语义理解、与国内政策法规适配，在政务服务、本地生活场景中展现出更强的生命力。至于垂直类产业智能体，它们聚焦细分领域，无论依托国际还是国内大模型，均以行业知识库为核心。在高端GPU领域，尽管中国有华为昇腾等本土芯片，但算力密度和能效比仅为NVIDIA产品的60%，且制造环节受制于EUV光刻机等关键设备。美国云服务（AWS、Azure）提供的AI训练平台（如SageMaker）已形成成熟的工具链，中国企业若迁移至本土云平台（如阿里云、华为云），需重构整个开发流程，成本极高。面对上述挑战，中国需从技术自主 生态构建 人才培育 政策协同多维度发力，例如：加强基础研究（如大模型理论、新型算力架构）的长期投入；构建自主开源生态（如深度优化飞桨、昇思框架），推动算法-芯片-场景协同创新；通过政策引导（如东数西算布局算力中心）、市场需求（如智慧城市、工业互联网）拉动技术落地；探索非对称竞争路径（如在AI 垂直行业、边缘计算智能体等领域差异化突破）。最终，突破的核心在于从技术跟随转向生态自主，在智能体技术的全球竞争中形成不可替代的产业价值。如何破局数据来自 WIPO24PAGE中国Z世代智能体白皮书 2025美国通过开源框架构建技术主导地位，中国着力打造算法-芯片-场景协同发展的生态体系。美国依托高质量数据支撑复杂模型训练，中国虽具备庞大数据规模但面临数据碎片化挑战。中美智能体发展的本质差异体现在认知革命与产业革命的不同路径：美国致力于通过AGI重构人机交互范式，中国则聚焦运用智能体技术提升实体经济运行效率。展望未来，中国需要在基础研究（如大模型理论创新）、数据治理（如跨行业数据共享机制）、国际规则（如AI伦理标准制定）等关键领域实现突破；与此同时，美国需要应对技术扩散管控与产业空心化的双重挑战。这场科技竞争的最终结果，将取决于双方将技术优势转化为持久产业领导力的能力。对比中美智能体市场，可以看到二者存在明显差异：美国以基础研究驱动类人智能体探索，中国以应用需求倒逼工具型智能体创新。美国聚焦高复杂度、高附加值场景（如医疗手术），中国深耕制造业全链条智能化。美国监管体系相对宽松，以风险规避为核心原则，中国的监管则以人工智能 战略为指引进行系统化推进。中美智能体市场的差异用政策支持智能体发展25PAGE中国Z世代智能体白皮书 2025数据由 merics.org 整理，来自中国政府文件2025 年 6 月，工业和信息化部部长李乐成主持召开部两化融合工作领导小组会议，审议通过工业和信息化部信息化和工业化融合 2025 年工作要点，提出以工业智能体为抓手深化人工智能工业应用，带动工业数据集、工业大模型的创新迭代，加速制造业数字化、网络化、智能化升级。中国在智能体领域推出一系列政策，旨在推动智能体技术的发展和应用。2025 年，北京市经济和信息化局印发北京市关于支持信息软件企业加强人工智能应用服务能力行动方案（2025 年），支持创新主体开发跨领域、多任务、自规划的通用智能体，对已取得生成式人工智能产品服务上线批号、首次在各类应用商店上架的通用智能体，优先协调算力保障，并对运营服务中调用算力和模型成本给予最高不超过 3000 万元支持。3.4 政策驱动引擎与智算及模型层发展26PAGE中国Z世代智能体白皮书 2025从国家战略与顶层设计的角度看，我国已经出台几份重磅文件，支持大模型发展。生成式人工智能服务管理暂行办法（2023 年）作为中国首部针对生成式 AI 的专项法规，明确要求生成式 AI 服务提供者履行算法备案、安全评估、数据合规等义务。该办法将大模型纳入分类分级监管框架，要求具有舆论属性或社会动员能力的模型需完成算法备案。截至 2025 年 7 月，已有 433 款大模型完成备案。信息化标准建设行动计划（20242027 年）提出加快推进大模型、生成式 AI 标准研制，强化通用性、基础性、伦理、安全等标准体系建设。中国信通院牵头制定的 ITU-T F.748.44 国际标准（2025 年发布），规范了大模型基准测试的指标和方法，成为全球首个由中国主导的大模型测评国际标准。政府工作报告与专项规划在武汉市 2025 年人工智能产业发展行动方案中，武汉市承诺将重点推动大模型向智能体演进，在产业政策中给予支持，开展全市首批智能体产品和创新创业团队的入库、培育。虽然国家层面及地方政策并没有针对智能体出台太多政策，而是将智能体纳入到整体 AI 版图中，但通过北京、武汉及工信部政策，我们仍能看到一些特点。工信部政策以工业智能体为核心，目标是推动人工智能与制造业全流程融合。政策强调数据要素流通，计划到 2027 年形成 30 个行业级数据集和知识库，为工业智能体提供底层支撑。政策要求建立两化融合管理体系贯标升级版，通过统一标准加速智能体在制造业的规模化复制。例如，在汽车制造领域，基于智能体的“黑灯工厂”已实现 95%的工序自动化，生产效率提升 40%。可以说，工信部政策为智能体的发展奠定了基调，工业智能体是国家指明的主要方向。模型层面给予支持27PAGE中国Z世代智能体白皮书 2025数据来自 Strider 与 Special Competitive Studies Project 发布的报告第一类是通用计算。数据中心服务器主要使用 CPU 来满足日常计算机使用需求，例如互联网浏览、移动计算和物联网应用，其范畴涵盖云计算和边缘计算。第二类是智能计算。利用包括GPU在内的AI芯片，借助大量流处理和并行计算单元实现多任务同步执行，是人工智能训练与推理的核心，可用于处理语音、图像和视频等任务。第三类是超级计算。利用超级计算机执行任务，在行星建模、基因分析、药物分子设计等前沿科学领域具有重要作用，擅长处理大规模数据。按照整体规划（2023 年 10 月），我们的目标是在 2025 年让总算力达到 300 EFLOPS（1 EFLOPS 为每秒 1018 次浮点运算），其中 35%（约 105 EFLOPS）是 AI 专用算力。截至 2024 年 6 月，中国总算力达到 246 EFLOPS。其中有多少是 AI 智能算力？报告没有透露。但根据 CAICT 的白皮书暗示，2022 年年底时智能算力在中国总算力中占比 22.8%，我们的 2025 目标是 35%。我国算力的三种类型我国AI数据中心的规划与分布2025 年政府工作报告明确提出“支持大模型广泛应用”，将其纳入新质生产力培育范畴。工信部联合财政部设立 600 亿元国家人工智能基金，重点支持大模型在电子、原材料、消费品等行业的落地应用。另外，发改委还发布了关于加快通用人工智能产业引领发展的若干措施（2024 年），号召各界重点突破多模态、千亿参数级大模型技术。科技伦理审查办法（试行）（2023 年）要求模型研发需通过伦理审查。在算力层面提供支持28PAGE中国Z世代智能体白皮书 2025数据来自 Strider 与 Special Competitive Studies Project 发布的报告为实现 2025 年部署 105 EFLOPS 人工智能计算能力的目标，中国已在全国范围内大规模建设数据中心。截至 2024 年年中，中国已建成或宣布计划在全国各地区建设 250 多个人工智能数据中心。按照规划，中国人工智能计算总容量将超过 750 EFLOPS，远高于官方设定的目标。截至今年 5 月，中国宣布建设的 AI 数据中心达 101 个，还有 106 个已经建成或正在运行。如果将这些数据中心的算力加在一起，相当于 750 EFLOPS，是原定目标 300 EFLOPS 的 2.5 倍。分析 207 个数据中心发现，除西藏外，其他每个省和自治区都有至少一个。其中超过一半数据中心分布在前十名省份和自治区。除了国内，中国还在海外建立两个 AI 数据中心：一个位于印尼雅加达，于 2024 年 5 月开始运营；另一个位于菲律宾 Pasig。中国智能体产业已形成“基础层-技术层-应用层”三级协同、区域集群效应深化的立体化图谱，这一发展格局在技术迭代、政策支持和市场需求的共同推动下日益清晰。3.5 中国智能体产业发展图谱29PAGE中国Z世代智能体白皮书 2025基础层作为产业根基，聚焦算力供给、数据要素和开发工具。算力方面，北京、深圳、郑州等地建成国家级智算中心，如河南空港智算中心万卡算力集群投运，支撑大模型训练推理。数据要素领域，郑州数据交易中心首创全省统一数据交易平台，累计交易额超 20 亿元。开发工具层面，百度飞桨、华为昇腾等企业提供 AI 开发平台与算力底座，而海致科技通过 Atlas LLM 知识图谱融合平台，将知识图谱嵌入大模型全流程，解决企业场景中的“幻觉”问题，2024 年智能体业务收入飙增 872%。基础层：夯实技术底座，构建算力与数据基础设施技术层以大模型为核心，结合多模态交互、任务规划等技术，实现智能体从“被动响应”到“主动服务”的跃迁。中国信通院智能体技术和应用研究报告（2025 年）指出，智能体通过大小模型协同、工具调用等技术，破解了大模型“有脑无手”的困局。例如，中国电信星辰行业智能体平台整合“智能体广场 知识库 行业工具库”，在工业领域实现生产流程全自动化优化。通用智能体如 Manus 支持复杂任务拆解，垂直智能体如汉得信息的智能决策系统已在企业管理中规模化应用。技术层：突破核心技术，推动智能体能力升级应用层聚焦金融、医疗、制造等垂直领域，形成差异化解决方案。在金融领域，众安信科的智能体覆盖营销、风控等场景，某保险客户应用后人力成本削减 65%；医疗领域，数字政通的 AI 医疗助手接入 300 家三甲医院，合同额达 2.5 亿元；农业领域，科大讯飞联合河南农业大学开发弘农大模型，构建“农业超脑”，赋能育种、种植全流程。消费级应用亦快速落地，如美克家居的智能导购助手使转化率提升 25%。应用层：深耕行业场景，实现规模化价值创造三级协同架构初步成型30PAGE中国Z世代智能体白皮书 2025北京：作为全国人工智能创新策源地，依托中关村具身智能创新产业园，集聚近 300 家具身智能企业，聚焦工业协作、医疗手术机器人等高端领域。深圳：凭借电子产业生态和供应链优势，龙岗“机器人小镇”聚集 300 余家企业，在消费级机器人、物流配送领域领先，目标 2027 年关联产业规模破千亿。上海：以“国际资源 高端制造 临床场景”模式，吸引 ABB、发那科等外企研发中心，在医疗机器人和工业智能化领域技术领跑。杭州：依托宇树科技、云深处等企业，构建人形机器人全产业链，2024 年发布专项规划，目标成为“最优本体 最强大脑”创新高地。核心城市引领 形成特色产业生态郑州、合肥等地依托政策支持和资源禀赋，在算力枢纽、农业智能体等领域崭露头角。郑州建成中部最大智算中心，引育 150 余家人工智能企业，形成“基础硬件-算力平台-行业应用”链条，2024 年人工智能核心产业规模超 300 亿元。合肥聚焦量子计算与智能体融合，推动量子通信技术在智能体协同中的应用。互联网巨头在智能体行业占据主导地位。以谷歌、微软、亚马逊以及国内的百度、阿里、腾讯等为代表，它们凭借雄厚的资金实力和广泛的技术布局，持续加大对 AI 基础设施的投资。通过建设大规模的数据中心、研发先进的芯片技术以及优化云计算平台，不仅为自身智能体的研发提供了强大的算力支持，还构建了高壁垒，使得新进入者面临巨大的成本压力和技术门槛。在当下的智能体行业，竞争格局正呈现出多维度的发展态势。市场呈现出“头部集中 跨界融合”的特征。头部企业凭借品牌、技术与资源优势，占据大部分市场份额。而跨界融合则成为新趋势，智能体不再局限于单一行业，而是与金融、制造、医疗等众多领域深度结合。总体来看，主要有如下四大特点：新兴城市崛起 多点开花特点一：大厂主导与投资驱动区域集群效应显现智能体行业竞争格局31PAGE中国Z世代智能体白皮书 2025尽管大厂优势明显，但创新企业凭借灵活性和创新性在行业中崭露头角。这些企业往往聚焦于细分领域，针对特定行业或场景开发智能体解决方案。例如，某些初创公司专注于农业智能体，利用物联网和 AI 技术实现精准农业；还有些企业针对小众市场的智能客服需求，开发高度定制化的智能体产品。它们通过差异化竞争，填补了大厂尚未充分覆盖的市场空白。特点二：创新企业崛起智能体的发展不再局限于单一技术路径。传统的深度学习方法不断优化升级，同时强化学习、迁移学习、生成对抗网络等技术也在智能体领域得到广泛应用。不同技术路线适用于不同场景，如强化学习在机器人控制和游戏领域表现出色，迁移学习则有助于在数据有限的情况下快速开发智能体，这种多元化的技术格局促使企业不断探索和创新，以寻求技术突破和竞争优势。特点三：技术路线多元化市场呈现头部集中的特点，少数大型企业凭借品牌影响力、技术积累和资源整合能力，占据了大部分市场份额，形成了强者恒强的局面。与此同时，跨界融合趋势愈发显著。智能体技术与金融、医疗、制造、教育等多个行业深度融合，创造出全新的商业模式和应用场景。例如金融领域的智能投资顾问、医疗领域的辅助诊断智能体等，这种融合不仅拓展了智能体的应用边界，也为各行业带来了智能化变革的机遇。特点四：头部集中 跨界融合创投热潮：垂直赛道智能体项目深度盘点32PAGE4.1 赛道分类矩阵智能体（Intelligent Agent）是能够自主感知环境、做出决策并执行动作的智能系统，其垂直领域分类是根据具体行业或应用场景的专业化需求划分的。垂直领域的智能体分类体现了智能系统的专业化发展趋势通过深度适配特定行业的知识、数据和场景，智能体能够更精准地解决行业痛点。这种分类也为技术落地提供了清晰路径：不同领域的智能体需针对性突破行业壁垒，最终实现“行业赋能”的核心价值。医疗健康智能体医疗健康类智能体需要结合医学知识、生物数据和临床场景，强调准确性、安全性和专业性，它涉及到辅助诊断、健康监测、药物研发、患者管理等功能，可以细分为辅助诊断、健康监测、药物研发等智能体。厦门大学附属心血管病医院业务智能体项目，该项目构建了覆盖核心业务的智能体体系，包括门诊智能体、临床决策支持智能体、智慧病房智能体、医疗质量智能体。中山大学孙逸仙纪念医院静脉血栓专科 AI 智能体项目，通过私有化部署与多模态模型融合，可分析遗传风险、监测动态表型、实时凝血监控等，能提前识别肿瘤置管患者等高危人群的血栓风险。典型应用包括：联影“元智”医疗大模型，它可孕育出自进化、多模态、自适应的医疗智能体，例如，uMetaImag-ing 影像全智能体可实现多种疾病精准诊断。第4章中国Z世代智能体白皮书 2025金融智能体需要处理海量金融数据，兼顾效率、风险控制和合规性，对实时性要求高，该类智能体涉及到智能投顾、风险评估、反欺诈、交易执行等。教育智能体聚焦个性化学习，需适配不同用户的知识水平和学习节奏，注重交互体验。专注于个性化辅导、智能答疑、学习路径规划、内容生成等功能。零售电商智能体专注用户需求，需处理海量商品和用户数据，侧重精准匹配和服务效率，核心功能有智能推荐、客服交互、库存管理、供应链优化等。典型应用包括：松鼠 AI 的 K12 学习系统，通过诊断用户知识漏洞，动态调整课程内容和难度。Duolingo AI 导师，通过对话交互纠正语法错误，根据学习效果优化练习内容。学而思“AI 答疑”系统，通过图像识别解析数学题，生成分步解题思路。典型应用包括：淘宝“猜你喜欢”系统，通过用户浏览、购买记录，实时推送个性化商品。金融智能体教育智能体零售电商智能体33PAGE上海交通大学医学院附属仁济医院泌尿专科智能体项目，基于蚂蚁医疗大模型，由仁济医院泌尿科医生团队参与算法设计，用户可在支付宝搜索“泌尿外科”调用该智能体。典型应用包括：Betterment、蚂蚁集团“帮你投”，根据用户风险偏好和市场动态，自动调整投资组合。支付宝的智能风控系统，实时分析交易行为（如设备、位置、金额），识别异常交易并拦截。微众银行“微粒贷”自动审批系统，通过多维度数据（征信、消费记录等）快速评估用户信用。中国Z世代智能体白皮书 2025制造智能体需要深度融合工业数据（设备、生产、环境），聚焦效率提升和成本控制，关注设备监控、预测性维护、生产调度、质量检测等核心功能。制造智能体34PAGE京东 JIMI、阿里小蜜，通过自然语言处理解答用户咨询（如物流查询、售后问题），支持多轮对话。沃尔玛的库存管理系统，根据销量预测、供应链周期自动调整库存，减少滞销和缺货。典型应用包括：西门子 MindSphere 平台中的工业智能体，实时采集设备振动、温度等数据，预测故障并提前预警（如风电设备齿轮箱磨损预警）。海尔卡奥斯工业互联网平台的智能排产系统，根据订单需求、设备状态自动优化生产计划，缩短交付周期。富士康生产线的视觉检测智能体，通过机器视觉识别产品瑕疵（如芯片划痕），替代人工检测。典型应用包括：顺丰“智慧路由”系统，结合实时交通、配送点分布，动态优化快递员配送路线，降低空驶率。百度 Apollo 的智能交通系统，根据路口车流量自动调整红绿灯时长，缓解拥堵。交通物流智能体需处理动态场景（如路况、天气、订单），强调实时决策和资源优化，关注路径规划、自动驾驶、物流调度、交通管控等功能。交通物流智能体家庭服务智能体聚焦生活化场景，需适配家庭环境复杂性，注重易用性和交互友好性，核心功能有语音交互、自主服务、环境适应等。家庭服务智能体中国Z世代智能体白皮书 2025农业领域智能体需结合自然环境数据（气候、土壤）和作物特性，聚焦生产效率提升和资源节约，核心功能有精准种植、环境调控、病虫害识别等。农业智能体35PAGE典型应用包括：大疆农业的灌溉控制系统根据土壤湿度、作物需水量和天气预报，自动调节灌溉时间和水量。极飞科技的农业无人机通过图像识别判断作物病虫害类型，精准喷洒农药。典型应用包括：天猫精灵、小爱同学的核心智能体支持天气查询、音乐播放、家电控制等语音指令。iRobot Roomba 扫地机器人通过传感器绘制家庭地图，自主规划清洁路径，避开障碍物。万科“随园嘉树”智能陪护系统可以监测老人活动状态，异常时自动联系家属或护理人员。法律领域智能体需处理海量法律文本（法规、案例、合同），强调逻辑严谨性和合规性，关注合同审查、法律检索、案例分析等功能。法律智能体典型应用包括：LawGeex 的 AI 合同分析工具，自动识别合同中的风险条款（如违约责任、争议解决）并标注。中国Z世代智能体白皮书 20254.2 颠覆性创新案例知名企业打造的智能体政务智能体需对接政务数据系统，聚焦服务效率提升和流程优化，强调公信力和安全性，核心功能有政务咨询、审批辅助、数据治理等。政务智能体36PAGE北大法宝的智能检索系统，根据关键词快速匹配相关法律法规和司法案例，辅助律师办案。典型应用包括：“浙里办”APP的智能问答系统，解答市民社保、医保等办事疑问，替代人工窗口咨询。深圳“秒批”系统，通过AI自动核验企业注册、人才落户等申请材料，实现“零人工干预”审批。从全球到中国，AI 从业者都在寻找盈利机会。当前的智能体技术呈现出三大趋势，分别是从辅助工具到执行主体（如 Manus）、从单点优化到全局重构（如 iChain）、从物理世界到虚实融合。随着生成式 AI与具身智能的深度融合，智能体正成为推动产业变革的核心引擎。联想供应链智能体 iChain：通过混合式 AI 技术构建全球供应链决策中枢，实时接入数千家供应商数据、数十国海关政策及物流动态，实现从风险感知到自主决策的闭环管理。全链路自主执行的通用 AI 智能体 Manus：Monica 团队研发的 Manus 是全球首个实现全流程自动化的通用 AI 智能体，通过规划、执行、验证三级代理分工，可将用户需求直接转化为可视化成果，真正实现了任务自动化、透明化决策和云端异步执行。在这轮变革中，已经有了些优秀智能体脱颖而出。例如：中国Z世代智能体白皮书 2025万溯科技（广州）记忆点（深圳）37PAGE超级智能体集合 Genspark：整合多个大型语言模型（如 OpenAI o1、Anthropic Claude 3.7）及 80余种工具，实现从信息检索到复杂任务执行的跨越，主打多模型协作、动态任务规划和多模态生成。工厂神经系统研华工业 AI Agent：针对工业场景推出的智能体平台，通过云边协同架构解决数据碎片化、实时性要求高等难题。腾讯混元大模型驱动碧优蒂的世界智能 NPC：在元宇宙社交游戏碧优蒂的世界中，腾讯通过混元大模型打造具备自主意识的 NPC，实现从固定脚本到智能交互的跨越，NPC 能识别玩家亲密动作并做出反应。记忆点是一家赋予记忆新生命的AI科技公司，助力长者重拾价值感、丰盈精神世界。目前尚未成立正式公司，未进行融资，对标企业为小鹿光年。其开发的智能体旨在增进青年与祖辈的情感链接、传承家族记忆，瞄准情感陪伴 AI 市场，主要调用 Gemini、DeepSeek 和豆包大模型。元枢智能（珠海）珠海元枢智能科技有限公司专注于 B 端 AI 落地与商用软件开发，为企业定制 AI 员工、AI 客服并按需训练行业模型，已在医院、律所、制造企业实现落地；同时开展 APP、网站、小程序开发业务，服务过 3个硬件团队，目前正挖掘新痛点以孵化独立 AI 产品，模式上偏向接单定制垂类模型。溯脑科技专注于非侵入式脑机接口设备的研发及商业化，自研第三代高精度脑电采集硬件 BrainTrace，具备“超小型化”“闭环干预”“多模态同步”三大技术优势。搭载的 AI 算法实现癫痫预测、睡眠监测等功能，且具备高可解释性，打破临床AI“黑箱壁垒”。核心算法、硬件、脑电采集系统与柔性电极材料均为自主研发，已进入真实世界试验阶段。创始团队共 23 人，累计融资 900 万元，2025 年预估营收 902 万元，研发投入 345 万元，企业估值 5000 万元。初创企业项目案例中国Z世代智能体白皮书 2025宝石盒时尚科技有限公司（深圳）深圳宝石盒时尚科技有限公司围绕“时尚造型 AI 探索另一个自我”打造智能体，已完成天使轮融资。公司致力于通过 AI 技术帮助用户凸显个性、展现美帅，目标是成为民主数字化时尚版的 VOGUE。通过调用Llama、Gemini、DeepSeek 等模型，为企业解决“人贵、事多、老犯错”的问题，让企业享受 AI 产业化红利。乾坤智能（北京）乾坤智能科技创业团队位于北京，瞄准金融领域，研发出由 AI 驱动的投资并购操作系统 Strategos。该产品运用自然语言处理、深度学习、强化学习等技术，解决投资并购中的数据洪流、信息过载、估值复杂等难题，对标 Wind、同花顺、彭博，致力于成为投资并购市场的“AlphaGo”，革新投资并购流程，构建智能化、高效化生态系统，调用 GPT/O 系列、DeepSeek 和豆包模型实现功能。哉亚科技有限责任公司（深圳）哉亚（深圳）科技有限责任公司是一家科技型初创企业，专注于教育培训科技领域。公司提供专业、精准、高性价比的 AI 作文批改服务，能为教师打造专业能力的数字分身。产品从教师端协同工具切入，通过定制化作文场景 AI 助教，实现教学评一致的作文批改、润色与辅导。已完成天使轮融资，商业模式采用按量付费和会员订阅制，对标作业帮、好未来，聚焦文科类教育垂直市场（如大语文）。绒音科技（上海）上海绒音科技有限公司是一家科技型初创企业，专注于人工智能/机器学习领域。该公司是国内首个整合供应链与智能体开发的 AI 吉祥物全案服务商，核心业务聚焦于为智慧文旅、公共宣传、城市 IP 三大场景提供具备智能交互功能的 AI 吉祥物解决方案。其核心产品为 AI 吉祥物，品牌名为 FOLOTOY，兼具毛绒玩具的情感载体属性与智能交互功能。团队规模为 11 人，属于在校生创业和连续创业者团队，已完成天使轮融资。公司愿景是用 AI-AGENT 赋能 IP 增长，前期主打城市 IP，随后拓宽到全 IP 领域，计划进军游戏/影视 IP 领域并给已有客户持续供货。超空间（广州）广州超空间科技有限公司专注于人工智能/机器学习领域，致力于通过人工智能技术革新内容创作流程，为中小企业和自媒体创作者提供从 AI 搜索、内容生成到自动发布的一站式智能营销解决方案。针对传统内容创作门槛高、效率低、覆盖渠道有限等痛点，基于自研的 Miku MultiAgent 多智能体框架，打造了01Agent 智能营销代理系统，可提供端到端智能内容营销服务，业务涵盖公众号选题、创作、排版等。团队规模为 4 人，属于连续创业者团队，目前未进行融资，对标秀米、壹伴，定位为 AI 知识助手，市场面向中国。38PAGE中国Z世代智能体白皮书 2025漫长的处理时间、频繁的故障以及不一致的输出结果，都影响了整体用户体验。这些问题使得 AI 智能体更像是一个测试版本，而非成熟产品。不够友好的用户界面进一步加剧了问题。使用 AI 智能体的各项功能时操作繁琐，且频繁需要人工干预，这与其作为自动化工具的初衷背道而驰。对许多用户而言，花在解决 AI 智能体问题上的时间远超它带来的益处。在许多人鼓吹 AI 智能体时，简单可靠的替代工具随处可见，这进一步降低了 AI 智能体的吸引力。在该功能得到重大改进之前，很多人不愿意在智能体上花钱。尽管目前存在诸多不足，AI 智能体作为自动化工具仍前景广阔。开发者已意识到现有的低效问题和安全风险，正积极改进技术。若这些改进能够实现，AI 智能体有望成为帮助用户简化工作流程的宝贵工具。但就目前而言，该功能仍属于过度炒作的工具，难以满足用户期望。AI 智能体在特定场景中展现出一定潜力，但其局限性也不容忽视。制作演示文稿或审核日程表等任务，往往借助现有大模型功能就能完成，无需使用智能体模式，这种矛盾让人们对智能体的必要性产生疑问。此外，频繁出现的错误和不够完善的界面降低了易用性。AI 智能体非但没有简化工作流程，反而常常增添额外麻烦，让用户倍感沮丧而非获得助力。尽管该工具潜力可期，但就目前状态而言，很难证明将智能体纳入高端订阅计划的合理性。AI 智能体最显著的缺点之一是执行任务时效率低下，它非但没有简化工作流程，反而常常使流程变得更复杂。例如，预订旅行住宿这类任务，所需时间可能远超预期。以预订酒店为例，这一过程可能需要长达 25 分钟，还会因错误或过长的处理时间而频繁中断。此外，AI 智能体生成的输出内容往往格式混乱，或与使用标准 ChatGPT 工具得到的结果相比效果较差，性能问题削弱了其节省时间和精力的核心目标。那些期望实现无缝自动化的用户，常常会因该工具无法满足基本预期而感到沮丧。数据安全是 AI 智能体存在的另一个关键问题。为执行特定任务，该功能需要访问个人账户和敏感信息，由此带来潜在风险。虚拟浏览器设置虽具创新性，但存在关于恶意网站的警告，进一步削弱了用户信任。39PAGE中国Z世代智能体白皮书 2025智能体开发面临哪些挑战资本透视：智能体投资趋势与估值逻辑第5章摩根士丹利研究显示，到 2030 年，中国核心人工智能产业的市场规模可能达到 1400 亿美元。若纳入基础设施和零部件供应商等相关行业，这一估值将跃升至 1.4 万亿美元。中国拥有全球 47%的顶尖人工智能研究人员和超过 50%的人工智能专利。未来五年，中国的目标是在人工智能发展方面实现完全的自主可控。受美国出口限制影响，中国正优先发展更高效、成本更低的人工智能技术。中国以效率为导向、低成本的发展方式，开创了一条不同的投资回报路径。中国的人工智能投资可能在2028 年实现收支平衡，到 2030 年投资资本回报率达到 52%。未来 6 到 12 个月对中国人工智能企业而言将是关键时期，因为越来越多试图解决实际问题的企业在部署项目时追求解决实际问题，这些项目将开始显现出生产力提升效果。报告认为，中国不太关注打造最强大的人工智能能力，而更注重将人工智能推向市场。中国拥抱开源人工智能，而美国似乎正走向封闭、严格控制的人工智能系统。40PAGE中国Z世代智能体白皮书 20255.1 融资热点与资本流向中国AI产业的未来潜力41PAGE从长远来看，类人机器人（即由人工智能驱动的类人机器人）可能会广泛应用于工业、商业和家庭领域。摩根士丹利研究预测，到 2050 年，全球类人机器人市场规模可能达到 5 万亿美元，届时将有 10 亿台类人机器人投入使用，其中 30%将出现在中国。未来两到三年内，人工智能可能为中国年度经济增长额外贡献 0.2 至 0.3 个百分点，它还可能创造 6.7 万亿元人民币（约合 9300 亿美元）的等效劳动价值，占中国 2024 年 GDP 的 4.7%。很多人认为人工智能智能体技术只是又一个潮流，但它实际上更为根本，其影响力几乎堪比当年的蒸汽机。人工智能将变得更加自主；多个智能体将协同工作，构建复杂的系统；人工智能将在无需人类干预的情况下做出决策，例如审批贷款或招聘员工；人工智能将直接在设备上运行，而非依赖云端；客服智能体将能够预测客户需求，并提供高度个性化的体验。根据国际市场研究机构 Markets and Markets 报告,全球 AI Agent 智能体市场规模预计将从将从 2025年的 78.4 亿美元增长至 2030 年的 526.2 亿美元，2025 年到 2030 年该市场将以 46.3%的强劲复合年增长率的增长。AI Agent 的理解和交互能力逐步增强，企业数智化发展的个性化需求越来越显著，智能体有助于个性、复杂的、多步骤的任务闭环，以及与基础模型的深度集成。回到中国市场，2024 年以来，智能体成为资本“新宠”。联想创投宣布 20 亿元人民币投向 AI 终端生态，已投资 20 多家企业，覆盖算力、基础层和应用层。具身智能被视为智能体的最佳载体，制造业预测性维护、金融业实时风控等场景已验证价值。中银证券报告建议关注仿真软件、AI算力及垂直领 域 软 硬 一 体 厂 商。在 通 用 智 能 体 领 域，Manus、字节“扣子空间”等产品推动赛道进入“混战阶段”，但同质化竞争风险加剧。在行业应用领域，教育（北京“京娃”）、医疗（智能诊断）、餐饮（QIAI与磁器口集团合作）等领域落地案例增多，但医疗、农业等场景仍需突破。在未来投资智能体时，应该关注五大趋势：中国Z世代智能体白皮书 2025智能体板块的真正价值 当前智能体投资呈现“技术开源化、场景垂直化、风险可控化”三大趋势。投资人更倾向于选择能在特定场景下实现“效率倍增 成本可控”的标的，同时通过算力自主和合规设计构建护城河。这种投资逻辑的转变，正在推动智能体从概念验证走向规模化商用。红杉资本在投资 Delphi 时，特别关注其开源架构和低成本训练能力。Delphi 仅用 560 万美元开发出具有行业影响力的模型，这种效率驱动的模式被红杉视为中国 AI 的典型优势。联想创投则将 80%的投资权重放在开源生态企业，例如投资OpenCSG（对标 Hugging Face）构建工具链整合能力。与之形成对比的是，a16z 在语音智能体领域押注闭源技术，其投资的 ElevenLabs 通过私有语音合成模型获得 30 亿美元估值。在垂直场景落地方面，高瓴资本采取“底层技术 应用场景”的双轨策略：既投资伺服电机企业富兴机电（解决硬件瓶颈），又布局星海图（全尺寸人形机器人）实现场景突破。这种“软硬结合”的打法使其在具身智能领域完成近 10 笔投资，覆盖从感知到执行的完整链条。创新工场在投资 WorkMagic 时，特别要求其展示“ROI 可视化”能力该平台通过 AI 代理将电商营销效率提升 40%，每美元投入可带来 3.2 美元收益。这种量化指标成为当前智能体投资的关键门槛。贝莱德开发的 Asimov 平台更将投资决策的 AI 参与度提升至 60%，通过实时数据反馈优化投资组合。止于至善投资则开创“人机协同”新范式：其开发的“AI 赛博坦”系统不仅辅助研究员完成 80%的基础分析，还能自主生成投资策略，使基金近三年业绩稳居行业前 1%。这种“人类决策 AI 执行”的模式，正在重构金融领域的投研逻辑。如果技术进展顺利，智能体将会发展出批判性思维能力，多个人工智能智能体将构建由人工智能驱动的经济体，人工智能将成为一种独立的经济力量。42PAGE中国Z世代智能体白皮书 20255.2 投资逻辑与趋势分析开源生态与垂直场景双轮驱动从技术验证到价值量化高瓴资本对千觉机器人的投资，瞄准触觉感知这一具身智能的核心瓶颈。该公司研发的多模态触觉传感器精度达 0.01 毫米，可使机器人分拣良品率提升至 99.7%。星动纪元则获得元璟资本、联想创投等机构近3 亿元投资，其原生机器人大模型实现端到端控制，使机器人泛化能力提升 300%。在数字永生领域，红杉资本领投的 Delphi 已实现商业化突破：情感教练通过数字分身实现年入百万，房产经纪人即使卧病在床仍能完成交易。这种“知识资产化”的模式，正在重塑个人 IP 的价值创造逻辑。具身智能与数字永生IDG 资本在投资乐享科技时，重点关注其“AI 硬件”的跨界能力该公司开发的家庭服务机器人通过多模态交互，使老人独立生活能力提升50%。这种早期技术卡位策略，使其在智能硬件领域形成差异化优势。与之相对，桥水基金则选择在智能体成熟期介入：其 20 亿美元规模的 AI 驱动基金，通过机器学习模型捕捉市场微观结构变化，创造出与人类操盘手不相关的阿尔法收益。这种晚期场景收割策略，要求投资标的必须具备可验证的商业化数据。早期技术卡位与晚期场景收割数据来自 Horizon面对美国出口管制，国内投资人优先布局国产替代标的。红杉中国在投资宇树科技时，要求其核心芯片国产化率超过 70%，并采用华为昇腾生态的异构计算方案。联想创投更将 60%的算力投资集中在寒武纪、海光信息等企业，构建自主可控的算力底座。在合规层面，a16z 制定了严格的行业适配标准：其投资的债务催收智能体必须符合 FDCPA 等法规，同时通过通话数据可追溯性设计规避法律风险。这种“技术合规双保险”策略，使其在金融、医疗等敏感领域的投资成功率提升至 75%。43PAGE中国Z世代智能体白皮书 2025算力自主与合规适配智能体的未来挑战涉及技术、商业、伦理和标准等多个维度。具体来说就是技术上需突破自主决策与多体协同瓶颈；商业面临场景落地与成本平衡难题；伦理要应对隐私泄露和决策责任界定；标准层面缺乏统一规范，阻碍跨域协同发展。44PAGE尽管牛津大学提出的 Agora 元协议通过分层通信解决了效率、通用性和可移植性的三难困境，但大规模异构智能体网络的实时协作仍存在挑战。例如，中国电信的“智传网”实现了机器狗、无人机和机械臂的协同运物，但复杂场景下的动态任务分配和故障容错机制尚未成熟。此外，MCP、A2A 等通信协议虽被纳入国际标准，但不同厂商的实现差异可能导致系统兼容性问题，影响生态协同。中国Z世代智能体白皮书 2025第一层：多智能体通信效率与协议标准化。华为云 ModelArts Versatile 通过内置经验模板和知识资产提炼，提升了企业级智能体的记忆复用能力，但通用场景下的长期记忆仍依赖外部数据库（如 VectorDB），跨任务和领域的迁移能力有限。例如，浪潮云帆医药科研智能体虽能整合专利和临床数据，但在制造业中仍需重新构建领域知识库，反映出记忆机制的场景依赖性。第二层：长期记忆与知识复用机制不完善。美国出口管制下，中国芯片制造自给率不足 40%，依赖昇腾、寒武纪等国产替代方案的同时，需应对技术代差风险。例如，某智能体企业采用华为昇腾 910B 芯片，其算力密度仅为英伟达 H100 的 60%，导致复杂任务处理时延增加 30%。此外，大模型参数规模年均增长 300%，企业需持续投入资源升级基础设施。第三层：技术迭代与算力自主化面临挑战。关键挑战与未来图卷第6章智能体发展面临的诸多挑战首先是技术方面的挑战，主要可以从三个层面来看待：45PAGE中国Z世代智能体白皮书 2025教育领域的“免费增值”模式（如学而思“随时问”App）与制造领域的“按需付费”（如按设备连接数计费）逐渐普及，但用户付费意愿受限于价值可量化性。例如，某工业智能体将设备故障率降低 20%，但企业更倾向于按效果分成而非固定订阅。此外，微信支付 MCP 支持内容打赏、订阅制等灵活模式，但中小企业的 ARPU 值（单用户收入）普遍低于 20 元/月，盈利压力显著。第一层：付费模式不完善，用户价值感知比较迟钝。医疗、金融等领域已形成标杆案例（如强生手术机器人、摩根大通风控系统），但跨行业复制需解决数据壁垒和定制化成本。例如，某物流智能体在仓储场景降本 30%，但在冷链运输中需重新适配传感器协议，改造成本占项目总投入的 40%。此外，高价值场景（如工业预测性维护）的客户付费能力更强，但市场规模有限；消费级场景（如家庭服务机器人）虽潜力大，但付费意愿低，形成“叫好不叫座”困境。第二层：垂直场景深耕与跨行业复制难度大。医疗、金融等行业数据隐私要求严格，某智能体企业因未通过 ISO/IEC 27701 认证，丧失 30%的潜在客户。又例如，某药企与医院合作开发智能诊断系统，因数据分成比例未达成一致，项目延期 6 个月。第三层：数据壁垒与合规性挑战。然后是商业模式方面的挑战，从场景验证到规模化变现存在诸多困难。最后是伦理方面的挑战，比如决策透明性与责任归属、算法偏见与社会公平、就业结构冲击与社会稳定等问题。46PAGE中国Z世代智能体白皮书 2025智能体进化的下一步，将是具备自我驱动调节能力的代理。它们能够自主进行评估、规划，并与终端用户协同完成各类任务。这些代理将迈向新的高度，在只需极少人工干预甚至完全无需人工介入的情况下，就能执行复杂任务。展望未来，具有能动性的人工智能很可能会成为数字转型的基石，助力各类组织在效率和创新方面达到新的水平。而关键在于，要以深思熟虑的态度对待这项技术，制定清晰的目标并设置恰当的约束机制。在软件开发、客户服务和药物研发领域，专业的智能体已然将生产力和产品上市速度提升了50%甚至更多。专为税务工作打造的智能体，能在一天内完成曾需耗时两周的复杂文档制作；在更广泛的金融领域，智能体正改变着数据收集与分析的方式，同时提升了审计工作的速度与质量。而这一切才刚刚起步。不久的将来，我们只需通过文本指令或对话交流描述自己所需的智能体代理，人工智能系统便能将其创造出来。届时，我们将随时随地地拥有并调配一支规模庞大、量身定制的数字化劳动力队伍。面对智能体新纪元，让我们共同期待一个更为宏大且美好的未来。试想这样一支劳动力队伍：它能够大规模扩张、快速适应环境并高效开展工作。而这正是智能体如今所能提供的。它们构成了一支精密的数字化劳动力大军，能够以堪比甚至超越人类的适应性与创造力，解决复杂棘手的问题。但其能力远不止于简单的任务执行智能体及智能代理系统能够进行推理、执行工作流、理解上下文、生成富有创意的解决方案，甚至能从自身错误中学习成长。畅想无限美好的未来扫描二维码关注【官方】和【头部科技】公众号了解更多

2025-08-29 51页 5星级

《关于深入实施“人工智能+”行动的意见》解读：人工智能+行动影响深远-250828（13页）.pdf

证券研究报告|宏观深度报告|中国宏观 http:/ 1/13 请务必阅读正文之后的免责条款部分 宏观深度报告 报告日期：2025 年 08 月 28 日 人工智能人工智能 行动影响深远行动影响深远 关于深入实施“人工智能关于深入实施“人工智能 ”行动的意见行动的意见解读解读 核心观点核心观点 近期国务院印发关于深入实施“人工智能近期国务院印发关于深入实施“人工智能 ”行动的意见，明确了实施“人工智能”行动的意见，明确了实施“人工智能 ”行动的总体要求、发展目标和重点方向。意见部署了”行动的总体要求、发展目标和重点方向。意见部署了 6 大重点行动，即“人工智能大重点行动，即“人工智能 ”科学技术、“人工智能”科学技术、“人工智能 ”产业发展、“人工智能”产业发展、“人工智能 ”消费提质、“人工智能”消费提质、“人工智能 ”民生福”民生福祉、“人工智能祉、“人工智能 ”治理能力、“人工智能”治理能力、“人工智能 ”全球合作。”全球合作。“人工智能人工智能 ”行动三阶段目标行动三阶段目标明确明确，两年两年应用应用普及、五年普及、五年智能经济智能经济成为重要成为重要增长极、十年增长极、十年全面步入智能经济和智能全面步入智能经济和智能社会发展新阶段社会发展新阶段。人工智能人工智能 行动行动重在落地。重在落地。在在人工智能人工智能 重点重点行动行动方面方面，从，从 0 到到 1 加速科学发现，从加速科学发现，从 1到到 N 创新模式提升效能；智能原生产业未来或将发展为第四产业；人工智能创新模式提升效能；智能原生产业未来或将发展为第四产业；人工智能 对三次对三次产业影响各不相同；人工智能产业影响各不相同；人工智能 对总需求的影响重在消费；人工智能对总需求的影响重在消费；人工智能 贯穿工作学习生贯穿工作学习生活，提升民生福祉；活，提升民生福祉；构建自然人、数字人、智能机器人多元一体治理体系；开源可及构建自然人、数字人、智能机器人多元一体治理体系；开源可及是国际科技平权的关键。从保障支撑来看，大模型开放为人工智能是国际科技平权的关键。从保障支撑来看，大模型开放为人工智能 发展提供基础能发展提供基础能力；基于价值贡献度成本补偿力；基于价值贡献度成本补偿、收益分成支持数据供给；加大数、算、电、网资源协收益分成支持数据供给；加大数、算、电、网资源协调统筹；搭建人工智能应用共性平台，优化发展环境；促进人工智能人才发展，健全调统筹；搭建人工智能应用共性平台，优化发展环境；促进人工智能人才发展，健全政策法规保障；防范黑箱幻觉算法歧视等风险。政策法规保障；防范黑箱幻觉算法歧视等风险。风险提示风险提示 中美科技摩擦超预期；政策落地执行不及预期；人工智能科技革命具有较大不确定性。分析师：李超分析师：李超 执业证书号：S1230520030002 分析师：林成炜分析师：林成炜 执业证书号：S1230522080006 分析师：廖博分析师：廖博 执业证书号：S1230523070004 分析师：潘高远分析师：潘高远 执业证书号：S1230523070002 分析师：费瑾分析师：费瑾 执业证书号：S1230524070007 分析师：王瑞明分析师：王瑞明 执业证书号：S1230525080002 研究助理：汤子玉研究助理：汤子玉 相关报告相关报告 1 工业利润温和修复，高技术制造引领 2025.08.27 2 经济周周看：本周经济景气度总体平稳 2025.08.25 3 联储双目标回归均衡 2025.08.23 宏观深度报告 http:/ 2/13 请务必阅读正文之后的免责条款部分 正文目录正文目录 1 人工智能人工智能 包含六大重点领域，并执行包含六大重点领域，并执行“人工智能人工智能 2035”发展计划发展计划.4 2 从从 0 到到 1 加速科学发现，从加速科学发现，从 1 到到 N 创新模式提升效能创新模式提升效能.4 3 智能原生产业未来或将发展为第四产业智能原生产业未来或将发展为第四产业.5 4 人工智能人工智能 对三次产业影响各不相同对三次产业影响各不相同.5 5 人工智能人工智能 对总需求的影响重在消费对总需求的影响重在消费.6 6 人工智能人工智能 贯穿工作学习生活，提升民生福祉贯穿工作学习生活，提升民生福祉.7 7 构建自然人、数字人、智能机器人多元一体治理体系构建自然人、数字人、智能机器人多元一体治理体系.7 8 开源可及是国际科技平权的关键开源可及是国际科技平权的关键.8 9 大模型开放为人工智能大模型开放为人工智能 发展提供基础能力发展提供基础能力.8 10 基于价值贡献度成本补偿、收益分成支持数据供给基于价值贡献度成本补偿、收益分成支持数据供给.9 11 加大数、算、电、网资源协调统筹加大数、算、电、网资源协调统筹.9 12 搭建人工智能应用共性平台，优化发展环境搭建人工智能应用共性平台，优化发展环境.10 13 促进人工智能人才发展，健全政策法规保障促进人工智能人才发展，健全政策法规保障.10 14 防范黑箱幻觉算法歧视等风险防范黑箱幻觉算法歧视等风险.11 15 风险提示风险提示.11 ZXVZyRxOoOqRuMsQuNrRsR7NaObRnPoOsQqNlOqQvNiNpNvM7NrQrRwMrRrPvPqQpM宏观深度报告 http:/ 3/13 请务必阅读正文之后的免责条款部分 图表目录图表目录 图 1：AI 产品成交量分产品增速情况.6 宏观深度报告 http:/ 4/13 请务必阅读正文之后的免责条款部分 1 人工智能人工智能 包含六大重点领域，包含六大重点领域，并执行“人工智能并执行“人工智能 2035”发展”发展计划计划 近期国务院印发国务院关于深入实施“人工智能 ”行动的意见（下称意见），明确了实施“人工智能 ”行动的总体要求、发展目标和重点方向。在发展方向上，本次文件在重点工作层面涵盖六大融合领域：分别是科学技术、产业发展、消费提质、民生福祉、治理能力、全球合作，在工作和政策方向上更加落在实处。科学技术方面，重在基础研发、应用创新和道德伦理规范。产业发展方面，重在革新业态，三大产业维度分别实现工业智能化、农业数智化、服务业新发展模式。消费提质方面，重在拓展服务消费新场景和产品消费新业态。民生福祉方面，重在工作方式和学习方式变革，全面打造美好生活。治理能力方面，人机共生重在普惠、多元共治重在安全、生态治理重在资源。全球合作方面，意在推动人工智能普惠共享并共建人工智能全球治理体系。在发展节奏上，本次文件提出未来人工智能发展的三段式规划，剑指 2035。从政策高度上来看，我们认为是在 2015 年的制造业 10 年规划顺利收关后，结合当前技术背景和未来制造业发展方向，再次提出下一阶段的产业部署，具有极高的战略定位，也是 2035 年我国基本实现社会主义现代化的重要组成部分。我们将其称为“人工智能 2035”发展计划。具体分为三个阶段：阶段一：到 2027 年，率先实现人工智能与 6 大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超 70%，智能经济核心产业规模快速增长，人工智能在公共治理中的作用明显增强，人工智能开放合作体系不断完善。阶段二：到 2030 年，我国人工智能全面赋能高质量发展，新一代智能终端、智能体等应用普及率超 90%，智能经济成为我国经济发展的重要增长极，推动技术普惠和成果共享。阶段三：到 2035 年，我国全面步入智能经济和智能社会发展新阶段，为基本实现社会主义现代化提供有力支撑。2 从从 0 到到 1 加速科学发现，从加速科学发现，从 1 到到 N 创新模式提升效能创新模式提升效能 从 0 到 1 是质变，从无到有；从 1 到 N 是量变，从有到多。“人工智能 ”科学技术行动将带来科技领域范式变革，不仅涵盖从 0 到 1 加速科学发现，也包括从 1 到 N 创新模式提升效能。我们认为，我们认为，由于从由于从 0 到到 1 更更需要颠覆性、原生性创新，产生的难度需要颠覆性、原生性创新，产生的难度较大、成功的概率较大、成功的概率更小，更小，一方面，需要一方面，需要形成形成科研科研新范式新范式，意见中指出，加快探索人工智能驱动的新型科研范式，加速“从 0 到 1”重大科学发现进程。另一方面，另一方面，需要需要具有具有颠覆性、原生性创新特颠覆性、原生性创新特征的人才征的人才去去实践各类研究新范式，最终实践各类研究新范式，最终实现从实现从 0 到到 1 的突破。的突破。意见中指出，推动基础科研平台和重大科技基础设施智能化升级，打造开放共享的高质量科学数据集，我们认为，这研究设施的智能化升级以及研究资源的开放共享，有助于与更多具有颠覆性、原生性创新特征的人才相结合，催生从 0 到 1 的突破。宏观深度报告 http:/ 5/13 请务必阅读正文之后的免责条款部分 在“从在“从 1 到到 N”技术落地和迭代突破方面，”技术落地和迭代突破方面，更侧重更侧重把从把从 0 到到 1 产生的颠覆性、原生性产生的颠覆性、原生性技术理念技术理念转化为可应用、可复制、可量产的转化为可应用、可复制、可量产的技术应用，技术应用，因此做好因此做好科研科研向应用转化的衔接向应用转化的衔接，以及结合具体应用场景的不断更新迭代更为重要。以及结合具体应用场景的不断更新迭代更为重要。意见中指出，要推动人工智能驱动的技术研发、工程实现、产品落地一体化协同发展，支持智能化研发工具和平台推广应用，加强人工智能与生物制造、量子科技、第六代移动通信（6G）等领域技术协同创新。在哲学社会科学领域，人工智能在哲学社会科学领域，人工智能 行动不仅提升其研究效率，更在于行动不仅提升其研究效率，更在于探索和打造智能探索和打造智能向善理论体系，让人工智能科技革命能够造福人类社会。向善理论体系，让人工智能科技革命能够造福人类社会。一方面，通过推动哲学社会科学研究方法向人机协同模式转变，有助于加快拓展哲学社会科学的研究视野和观察视域。另一方面，深化探索人工智能对人类认知判断、伦理规范等方面的深层次影响和作用机理，有助于理解和把握人工智能与人类社会的融合，建立智能向善的理论基础，构建人工智能造福人类社会的制度。3 智能原生产业未来或将发展为第四产业智能原生产业未来或将发展为第四产业“人工智能 ”产业发展行动将带来产业领域范式变革，智能原生产业与产业智能化有本质区别，是人工智能科技革命形成新产业，是从 0 到 1 的创造，我们认为智能原生产业未来或将发展为第四产业。据国家发展委网站高技司的表述，智能原生产业是创新解决方，即用 AI“造出新设备”，提供原生智能态的产品、服务或商业模式，核心是通过场景重构与价值颠覆，提供“AI 驱动的解决方案”。我们认为，我们认为，智能原生智能原生产业能否产业能否实现实现的的关键在于关键在于培育一批底层架构和运行逻辑基于人工培育一批底层架构和运行逻辑基于人工智能的智能原生企业智能的智能原生企业。从意见中的。从意见中的指导指导来看，来看，主要是从传统企业主要是从传统企业转型和智能原生企业转型和智能原生企业两方面进行实践两方面进行实践。在传统企业转型方面，鼓励有条件的企业将人工智能融入战略规划、组织架构、业务流程等，推动产业全要素智能化发展，助力传统产业改造升级，开辟战略性新兴产业和未来产业发展新赛道。在智能原生企业方面，大力发展智能原生技术、产品和服务体系，加快培育一批底层架构和运行逻辑基于人工智能的智能原生企业，探索全新商业模式，催生智能原生新业态。4 人工智能人工智能 对三次产业影响各不相同对三次产业影响各不相同 人工智能人工智能 行动是对三次产业的产业智能化过程，总体来看有助于提升产业效率，但行动是对三次产业的产业智能化过程，总体来看有助于提升产业效率，但侧重点侧重点有所不同，工业领域主要侧重全要素智能化，有所不同，工业领域主要侧重全要素智能化，农业领域主要农业领域主要侧侧重农业设备智能转型重农业设备智能转型升级，服务业主要侧重升级，服务业主要侧重催生新型服务方式。催生新型服务方式。在在工业工业智能化方面，智能化方面，全要素智能化全要素智能化是关键，是关键，系统性提升系统性提升全员人工智能素养全员人工智能素养、工业生产工业生产各环节的各环节的生产效率，以及生产效率，以及全全环节的协同环节的协同水平水平。意见提出，推动工业全要素智能联动，加快人工智能在设计、中试、生产、服务、运营全环节落地应用。着力提升全员人工智能素养与技能，推动各行业形成更多可复用的专家知识。在在农业农业智能化方面，智能化方面，数智化转型升级数智化转型升级是主要方向是主要方向，农业领域的设备更新、数智化改造农业领域的设备更新、数智化改造有望加快有望加快。一方面，运用人工智能驱动育种体系创新，支持种植、养殖等农业领域智能应用。另一方面，在智能农机、农业无人机、农业机器人等智能装备有望得到较快发展。在在服务服务业方面，业方面，通通过人工智能过人工智能催生催生服务业服务业新型服务方式新型服务方式是关键是关键。一是，人工智能的赋能，有助于于拓展服务业的经营范围。二是，无人服务与人工服务相结合的新模式，在兼顾宏观深度报告 http:/ 6/13 请务必阅读正文之后的免责条款部分 应对老龄化和就业方面有较大的应用空间。三是，在软件、信息、金融、商务、法律、交通、物流、商贸等领域，新一代智能终端、智能体等具有广泛的应用空间。5 人工智能人工智能 对总需求的影响重在消费对总需求的影响重在消费“人工智能“人工智能 ”通过拓展服务消费新场景和培育产品消费新业态，撬动消费扩容增量，通过拓展服务消费新场景和培育产品消费新业态，撬动消费扩容增量，并推动需求结构向体验化、个性化、情感化消费演进并推动需求结构向体验化、个性化、情感化消费演进，即打造了“洞察需求，即打造了“洞察需求精准供给精准供给优化体验优化体验创造增量”的优质闭环，创造增量”的优质闭环，其对总需求的影响侧重于消费侧的提质增效，其对总需求的影响侧重于消费侧的提质增效，而非投资端主导的扩张路径。而非投资端主导的扩张路径。这也反映了政策导向，消费是“人工智能这也反映了政策导向，消费是“人工智能 ”影响总需求的”影响总需求的核心路径，通过快速激活内需市场，形成新经济增长点。核心路径，通过快速激活内需市场，形成新经济增长点。拓展服务消费新场景方面，重在优化体验和创造增量拓展服务消费新场景方面，重在优化体验和创造增量。文件提出“加强智能消费基础设施建设，提升文娱、电商、家政、物业、出行、养老、托育等生活服务品质，拓展体验消费、个性消费、认知和情感消费等服务消费新场景”。通过强调的“体验消费、个性消费、认知和情感消费”等新场景，利用 AI 技术打破物理与数字界限，创造沉浸式体验，激发原本未满足的需求。这不仅能扩大消费基数，还能推动消费结构从物质功能向精神价值升级，形成“认知和情感消费”等高附加值领域。培育产品消费新业态方面，重在结构升级与需求扩容。培育产品消费新业态方面，重在结构升级与需求扩容。文件指出“推动智能终端“万物智联”，培育智能产品生态，大力发展智能网联汽车、人工智能手机和电脑、智能机器人、智能家居、智能穿戴等新一代智能终端，打造一体化全场景覆盖的智能交互环境。加快人工智能与元宇宙、低空飞行、增材制造、脑机接口等技术融合和产品创新，探索智能产品新形态”。一方面，人工智能深度融入产品设计，有助于推动传统消费品向智能化升级，通过性能优化激发新需求；另一方面，技术融合将推动产业从单一业态向跨界融合升级，开辟全新消费市场，实现产业形态与人类生活方式的重构。图1：AI 产品成交量分产品增速情况 资料来源：京东消费及产业发展研究院，浙商证券研究所 根据京东消费及产业发展研究院公布的数据显示根据京东消费及产业发展研究院公布的数据显示，截至 2025 年 3 月，AI 产品成交量同比增长 76%，环比增长 89%，大众对 AI 的兴趣正从应用端向消费端延伸。从热门 AI 产品销售情况来看，数码、家电分别占 AI 产品成交量的 51%和 21%，AI 数码产品中，智能宏观深度报告 http:/ 7/13 请务必阅读正文之后的免责条款部分 家居、翻译机成交量同比增速超 10 倍；AI 家用电器中，扫地机器人、油烟机成交量同比增长也超 10 倍。地区分布上，AI 产品成交量前三的省份分别是广东、北京、江苏，占比分别为 15.6%、8.5%、7.6%。6 人工智能人工智能 贯穿工作学习生活，提升民生福祉贯穿工作学习生活，提升民生福祉 在民生福祉方面，“人工智能在民生福祉方面，“人工智能 ”重在通过工作方式和学习方式的全面变革，全面打造”重在通过工作方式和学习方式的全面变革，全面打造美好生活。美好生活。工作方面，要创造更加智能的工作方式。可以分为两大类型，一是人工取代类型，重点推动在劳动力紧缺、环境高危等岗位应用。二是人工强化类型，大力支持开展人工智能技能培训，激发人工智能创新创业和再就业活力。本次文件也可以体现政策对人工智能就业影响的考量，人工取代和人工强化并重，并加强人工智能应用就业风险评估，引导创新资源向创造就业潜力大的方向倾斜，减少对就业的冲击。学习方面，要推行更富成效的学习方式。可以分为两大类型：一是“人工智能”教育人，实现普惠后可有效促进教育公平并提高教育质量。把人工智能融入教育教学全要素、全过程。二是人掌握“人工智能”，鼓励和支持全民积极学习人工智能新知识、新技术。在人工智能和教育充分融合的同时也兼顾道德伦理。工作学习改善后，还需在教育、文化交流、人际关系、精神陪伴、养老托育助残、全民健身、居住等领域发力，共同在民生福祉领域为居民打造更有品质的美好生活。7 构建自然人、数字人、智能机器人多元一体治理体系构建自然人、数字人、智能机器人多元一体治理体系 意见中提出要推动构建面向自然人、数字人、智能机器人等多元一体的公共安全意见中提出要推动构建面向自然人、数字人、智能机器人等多元一体的公共安全治理体系。治理体系。其中，自然人即生物学意义上的人；数字人是基于人工智能技术构建的拟人化数字形象，例如“数字客服”，其能够在虚拟环境中模拟人的外观、语言和行为，用于交互、服务或内容生产；智能机器人则结合传感器、控制系统和人工智能算法，能够自主感知环境、做出决策并执行任务。当前人工智能治理体现出“技术超前、治理滞后”的局面，治理滞后将限制人工智能当前人工智能治理体现出“技术超前、治理滞后”的局面，治理滞后将限制人工智能经济的高质量发展。经济的高质量发展。当前大模型、多模态、智能体等技术快速迭代，对传统社会治理体系形成挑战：一是数据要素的信息保护问题，人工智能时代企业将个人的生物信息、行踪轨迹等数据提炼并生产出数字人、人工智能等产品，但对于用户隐私和数据所有权的管理不够完善；二是论理问题。数字人、智能机器人脱胎于真实人类主体，在交互过程中，既存在对真实主体人格不法侵害的风险，又存在侮辱数字人、机器人等伦理风险。三是责任归属问题。当前法律体系下，人工智能系统本身不具备法律主体资格，若数字人、智能机器人违法时，责任归属需要追溯到开发者、使用者等相关主体，但各方责任边界存在模糊。在“技术超前、治理滞后”的背景下，如果缺乏统一的公共安全治理体系，例如网络欺诈、身份盗用、数据泄露、算法操纵等风险将直接制约人工智能的高质量发展。多元一体治理体从两个方面加速“人工智能多元一体治理体从两个方面加速“人工智能 ”发展：”发展：一是增强人工智能经济的社会接受度，为新技术的大规模普及提供必要前提。一是增强人工智能经济的社会接受度，为新技术的大规模普及提供必要前提。2024 年6 月习主席指出人工智能发展要坚持“以人为本、智能向善”的治理体系，就是要让机器人、数字人的发展以保障社会安全、尊重人类权益为前提，在在法律、伦理和人道主义层宏观深度报告 http:/ 8/13 请务必阅读正文之后的免责条款部分 面的价值取向符合社会发展需要。构建多元一体治理体系，有助于提高公众对新技术的信任，降低不法行为的潜在危害，是智能经济在全社会大规模普及的必要前提。二是为全球智能治理规则提供重要参照，提高国际竞争力。二是为全球智能治理规则提供重要参照，提高国际竞争力。当前全球范围内对数字人、机器人的监管法律体系尚不完善，也缺乏统一标准。我国率先建立兼顾自然人、数字人、智能机器人的多元治理体系，能够在国际社会输出我国的治理模式与标准，提升经济规则的话语权和我国“人工智能 ”产品的国际竞争力。8 开源可及是国际科技平权的关键开源可及是国际科技平权的关键 人工智能开源可及通过技术民主化、资源再分配和治理多边化，成为国际科技平权的核心推动力。其一，有助于打破技术垄断，降低技术获得门槛，重塑全球创新格局；其二，允许多主体参与，有助于赋能中小企业，培育包容性增长新动能，缓解结构性失业；其三，构建面向全球开放的开源技术体系和社区生态，推动构建平等互利的国际秩序。通过技术民主化，打破技术垄断。开源模式使 AI 源代码、算法和模型免费开放，发展中国家可绕过高昂的专利壁垒，直接获取前沿技术。开源生态通过知识共享，防止技术收益集中于少数发达国家或地区，避免发展中国家因数字鸿沟被边缘化。通过资源再分配，促进包容性增长。技术垄断易导致赢家通吃，压低劳动收入占比，而开源可及性赋能中小企业，创造更分散的就业机会。AI 的发展或对一些岗位形成替代，但开源推动的普惠技术扩散有助于催生新业态，缓解结构性失业。通过治理多变化，推动构建全球治理新机制。开源开放是打破闭源生态围栏的核心手段，我国通过开源实现工具、数据、模型等资源的共享，实质上是争夺规则制定权，避免技术被单一国家主导。也为发展中国家参与规则制定提供跳板，有助于推动构建平等互利的国际秩序。在具体手段上，文件提出“建立健全人工智能开源贡献评价和激励机制，鼓励高校将开源贡献纳入学生学分认证和教师成果认定”。值得注意的是早在 2018 年，教育部在高校人工智能创新行动计划中就曾提出“支持高校积极参加人工智能开源开放平台建设，鼓励高校对纳入平台的技术作为科研成果予以认定，并作为评价奖励的因素”，这为后续政策奠定了基础。本次文件的发布进一步强化了相关机制，将其提升为国家战略层面的任务，提出的具体手段以学分认证和成果认定为抓手，通过学分纳入、专项奖励、绩效激励等制度化措施，构建了多层次评价体系。这些手段旨在激发高校师生参与开源生态，但实施中需依赖高校的具体细则和持续优化。9 大模型开放为人工智能大模型开放为人工智能 发展提供基础能力发展提供基础能力 近年来，我们已在产业实践中陆续看到，国内外多家大模型厂商纷纷宣布免费开放其大模型服务，大模型开放或已成为不可逆转的产业趋势，也使得市场参与者选择打破封闭生态。开源模型灵活、低门槛的特性正在重构行业生态。当开源模型能实现商用模型 80%甚至 90%的功能，而成本仅为 10%时，闭源系统的护城河优势显著下降，开放成为市场力量驱动的主流战略选择。从这个角度看，大模型开放将在推动科技创新、促进竞争和科技平权方面具有巨大潜力，特别是在透明度和灵活性上相较封闭式大模型具有优势。综合来看，大模型具有规模性（参数多）、泛化性（产生预料之外的新能力）以及通用性（不仅局限于特定问题或垂直领域）等主要特征，而大模型的能力主要来源于预训练阶段宏观深度报告 http:/ 9/13 请务必阅读正文之后的免责条款部分 的知识记忆和语义表示学习，以及后续微调阶段的能力激活与优化。比如说，生成式大模型因其具有巨量的参数和深度网络结构，能学习并理解更多的特征和模式，从而在处理复杂任务时展现出惊人的自然语言理解、意图识别、推理、上下文建模、语言生成等几乎所有和自然语言相关的处理能力，同时具有通用问题求解能力，被视作通往通用人工智能的一条重要路径。随着大模型训练技术与硬件效率的提升，训练和推理的成本大幅降低，使得厂商能够以较低的成本提供更强大的服务，也为人工智能发展提供了基础能力。我们认为，大模型的开放有望吸引更多用户和开发者，推动 AI 技术的普及和应用；另一方面，这也会引发新的竞争格局，促使其他企业跟进或探索新的商业模式。我们判断，在这一过程中，通常会形成行业竞争格局的重塑，资源会进一步向具有算力、数据和资金优势的企业集中。比较典型的是，中小厂商若无法承担长期免费所需的技术迭代成本，可能逐步退出市场或通过并购重组的形式提升市场集中度，而头部企业则通过用户数据积累反哺模型优化，形成“技术迭代升级用户规模增长平均成本下降”的正向循环。10 基于价值贡献度成本补偿基于价值贡献度成本补偿、收益分成支持数据供给收益分成支持数据供给 数据供给的效率及质量是人工智能 得以行稳致远的基础。我们认为，基于价值贡献度成本补偿、收益分成，有助于激励数据供给创新.一方面，基于价值贡献度成本补偿、收益分成，本质上是以数据要素的使用效率、应用效益为前提，明确成本和收益更有助于使用数据的企业以市场需求为导向，提高人工智能应用的市场效益。另一方面，基于价值贡献度成本补偿、收益分成的推进，也有助于倒逼完善适配人工智能发展的数据产权和版权制度，推动公共财政资助项目形成的版权内容依法合规开放。综合来看，综合来看，随着数据随着数据的成本、收益在产业链中的贡献得到的成本、收益在产业链中的贡献得到充分充分定价，一是有助于相关定价，一是有助于相关数数据产业的壮大发展，如据产业的壮大发展，如数据处理和数据服务产业数据处理和数据服务产业有望迎来需求扩张，二是有望迎来需求扩张，二是数据产业提供更优数据产业提供更优质的数据供给质的数据供给，有助于，有助于加快加快人工智能的人工智能的发展发展。11 加大数、算、电、网资源协调统筹加大数、算、电、网资源协调统筹 国务院人工智能 行动意见中，明确提出要“强化智能算力统筹”，加大数、算、电、网等资源协同，强化基础支撑能力。1）在数、算方面，未来政策导向将完善全国一体化算力网，发挥“东数西算”国家枢纽作用，加强智能算力互联互通和供需匹配，支持人工智能芯片攻坚创新与使能软件生态培育，加快超大规模智算集群技术突破和工程落地。我们认为，超大规模智算集群是人工智能发展的重要基础设施，能为大模型训练提供强大的算力支持，推动生成式 AI 产业的发展，将持续拉动相关高算力需求硬件需求。近两年，北京上海等城市均有部署和落地，2024 年底上海市政府印发关于人工智能“模塑申城”的实施方案提到，打造超大规模自主智算集群，力争全市智能算力规模突破 100EFLOPS。2025 年初，北京人工智能公共算力平台再次扩容，智算规模突破 10000P（10EFLOPS），成为北京最大、国内领先的超大规模高性能单体智算集群。2）在电、网方面，IEA 在 Energy and AI 报告中指出，全球数据中心用电量将从 2024 年的 415TWh（4.15 万亿度）增至 2030 年的 945TWh（9.45 万亿度），其中 AI 算力集群是主要增长驱动力。2024-2030 年，数据中心用电量预计每年增长约 15%，是所有其他行业宏观深度报告 http:/ 10/13 请务必阅读正文之后的免责条款部分 总用电量增长速度的四倍多。作为算力发展的基础，在电网协同上，能源企业将加速布局西部地区风电、光伏等清洁能源基地，对接数据中心集群，电网企业需加强跨区域输电能力和智能调度，保障算力网络用电。近期国家能源局局长表示，7 月我国单月用电量首次突破 1万亿千瓦时大关，相当于日本全年的用电量总和。我国能源供应保障能力与韧性已经达到较高水平，展望未来，电力和能源安全将仍为十五五规划的重点部署。12 搭建人工智能应用共性平台，优化发展环境搭建人工智能应用共性平台，优化发展环境 国务院人工智能 行动意见中，表示将布局建设一批国家人工智能应用中试基地，搭建行业应用共性平台。“中试基地”本质是把实验室里的新技术和新设计在小规模工厂测试量产可能性，是将创新变成产品的关键一步。行业应用共性平台的核心是“共享”与“普惠”，让 AI 等新技术从“少数大企业能用”，变成“全行业都能用、用得起”。我们认为，人工智能应用共性平台的成功搭建最终推动整个行业的智能化升级。展望未来人工智能发展环境看，应用场景建设和开放、应用试错容错管理、知识产权保护是未来的三个优化方向。1）应用场景建设和开放：深圳已经出台深圳市政务人工智能开放场景应用专项资金操作规程，对申报企业开发的经论证可行并在实际场景中投入使用的人工智能产品进行综合评分，根据评分结果对申报企业分档次予以资助，最高资助 500 万元。2）应用试错容错管理：本质是用制度创新为技术创新兜底，通过分级分类监管降低风险敞口，通过沙盒机制提供安全实验空间，通过市场化工具分散创新成本。例如全国首例 AI领域监管沙盒，截至 2025 年 6 月，北京人工智能数据训练基地已引入医疗、政务、自动驾驶等领域 100 余个高质量数据集。3）加强知识产权保护，AI 领域的知识产权保护不同于传统行业，核心难点在于保护对象模糊、侵权认定复杂，强化人工智能领域知识产权保护工作至关重要。13 促进人工智能人才发展，健全政策法规保障促进人工智能人才发展，健全政策法规保障 意见中提出要加强人才队伍建设，强化政策法规保障，我们认为有三方面重要意意见中提出要加强人才队伍建设，强化政策法规保障，我们认为有三方面重要意义：义：一是加强人才队伍建设提高我国人工智能产业的全球竞争力。一是加强人才队伍建设提高我国人工智能产业的全球竞争力。科技创新本质上是人的创造性活动，当今世界的竞争，说到底是人才的竞争，谁能培养和吸引更多优秀人才，谁就能在竞争中占据优势。通过推进教育系统改革、加大高层次人才培养力度来“培养人才”；通过构建多元化评价体系来“选拔人才”；通过鼓励企业规范用好股权、期权等中长期激励方式来“引才留才用才”，为我国人工智能 的长远发展提供源源不断的内生动能。二是工作技能升级并非易事，通过加强人才队伍建设，我国引导新增劳动力进行技能二是工作技能升级并非易事，通过加强人才队伍建设，我国引导新增劳动力进行技能再培训或技能升级，适应人工智能再培训或技能升级，适应人工智能 经济发展带来的就业“新增量”。经济发展带来的就业“新增量”。当前，中国人工智能领域面临严重的人才短缺问题，2025 年人民日报报道，据人力资源社会保障部测算，我国人工智能人才缺口超过 500 万，供求比例达 110。2025 年一季度，智联招聘平台数据显示，算法工程师、机器学习岗位招聘需求同比分别增长 44%、18%。在世界经济论坛2025 年未来就业报告在全球 1000 多个企业调研中显示，预计未来 5 年技术将是劳动力市场变化的关键驱动力，且分化较为显著。其中机器人和自主系统预计将成为最大的净就业替代者，净减少 500 万个就业岗位。而数字化转型（扩大数字接入）预计将创造和取代比任何其他宏观趋势（分别为 1900 万和 900 万）更多的就业机会。宏观深度报告 http:/ 11/13 请务必阅读正文之后的免责条款部分 人工智能领域就业并非易事，需要提前对劳动力结构进行调整，使之知识、技能适应人工智能经济新环境。通过加强人才队伍建设，我国能够引导劳动力市场及时适应人工智能 经济发展带来的就业“新增量”。三是健全政策法规保障，既有助于加大政府资金对人工智能领域的支持力度，又能降三是健全政策法规保障，既有助于加大政府资金对人工智能领域的支持力度，又能降低企业面临法律风险。低企业面临法律风险。人工智能 作为当前科技前沿领域，缺乏成熟的市场验证、政策不确定性高。通过健全国有资本投资人工智能领域考核评价和风险监管等制度，能够有效促进财政资金提高对人工智能 领域的支持力度，促进人工智能经济发展。同时推进人工智能相关领域立法工作开展，也能够有效降低企业投资、开发面临的政策不确定性风险，促进人工智能 高质量发展。14 防范黑箱幻觉算法歧视等风险防范黑箱幻觉算法歧视等风险 我们关注到，国务院发布关于深入实施“人工智能 ”行动的意见，其中明确指出防范模型的黑箱、幻觉、算法歧视等带来的风险，加强前瞻评估和监测处置，推动人工智能应用合规、透明、可信赖。事实表明，尽管大模型在文本生成、跨语言迁移等任务中表现出一定能力，但其本质仍是统计机器学习模型，我们提示关注 AI 本身客观存在的能力边界，需避免将大模型拟人化或过度神化，其本质仍是依赖数据驱动的工具。未来应用需聚焦场景选择，例如在语言翻译、信息检索等记忆与模式匹配任务中充分发挥其效率优势，同时警惕在高风险、强推理场景中的局限性。第一，算法黑箱是一个普遍存在的现象。黑箱理论源于控制论，指不分析系统内部结构，仅从输入端和输出端分析系统规律的理论方法。黑箱通常是一种隐喻，指的是“为人不知的、既不能打开又不能从外部直接观察其内部状态的系统”。算法黑箱指的是算法运行的某个阶段所涉及的技术复杂且部分人无法了解或得到解释。因此，算法黑箱的本质在于不透明、难解释。可以看到，数据驱动的算法是目前的主流算法，算法运行过程复杂，难以人为干预，不可控性更强，天然具备很强的黑箱属性。第二，AI 幻觉是当前 AI 技术发展中突出的技术瓶颈。我们理解，AI 幻觉主要源于三个维度。其一，训练数据的不足或偏差，导致模型对某些领域的认知存在缺陷。其二，算法架构的局限性，当前主流大模型主要基于概率预测而非逻辑推理。其三，模型训练目标的设定问题，模型往往更倾向于生成流畅而非精准的内容。第三，算法歧视、算法不合理应用导致的问题也深刻影响着正常的市场秩序和社会秩序。以消费歧视为例，互联网时代，网络服务商通过收集用户在网络平台中的活动数据，可以精准绘制消费者用户画像、洞悉消费者偏好，并针对其特征进行差别定价，由此来实现利润的最大化。部分平台类企业等也曾操纵大数据“杀熟”，体现在搜索某一商品时会出现“千人千价”，给予自己的老用户以不同的产品或服务价格。从政策角度观察，2022 年 3 月 1 日起施行的互联网信息服务算法推荐管理规定，明确了用户可以选择关闭算法推荐，也可以拒绝使用其个人的特征数据的算法推荐服务，同时也规定不得根据消费者的偏好、交易习惯等特征利用算法在交易价格等交易条件上实施不合理的差别待遇等，从而遏制大数据杀熟的不良之风。15 风险风险提示提示 一是若中美科技摩擦超预期，或影响人工智能 行动的节奏，如美国对芯片等人工智能关键技术提高摩擦，可能使得人工智能的发展受到扰动，同时可能使得资本市场的风险偏好有所回撤，放大市场波动。宏观深度报告 http:/ 12/13 请务必阅读正文之后的免责条款部分 二是政策落地执行不及预期。人工智能 行动意见涉及六大领域八大保障，需要人工智能与经济社会各行业各领域广泛深度融合，具有很强的前瞻性，各地区各各部门在政策落地过程中将面临不少新挑战，因此执行过程存在不及预期的风险。三是人工智能科技革命具有较大不确定性，若科技革命路线最终被证伪、或科技革命进度不达预期，或使得人工智能在各大领域的融合行动放缓。宏观深度报告 http:/ 13/13 请务必阅读正文之后的免责条款部分 股票投资评级说明股票投资评级说明 以报告日后的 6 个月内，证券相对于沪深 300 指数的涨跌幅为标准，定义如下：1.买 入：相对于沪深 300 指数表现20以上；2.增 持：相对于沪深 300 指数表现1020；3.中 性：相对于沪深 300 指数表现1010之间波动；4.减 持：相对于沪深 300 指数表现10以下。行业的投资评级：行业的投资评级：以报告日后的 6 个月内，行业指数相对于沪深 300 指数的涨跌幅为标准，定义如下：1.看 好：行业指数相对于沪深 300 指数表现10%以上；2.中 性：行业指数相对于沪深 300 指数表现10%以上；3.看 淡：行业指数相对于沪深 300 指数表现10%以下。我们在此提醒您，不同证券研究机构采用不同的评级术语及评级标准。我们采用的是相对评级体系，表示投资的相对比重。建议：投资者买入或者卖出证券的决定取决于个人的实际情况，比如当前的持仓结构以及其他需要考虑的因素。投资者不应仅仅依靠投资评级来推断结论。法律声明及风险提示法律声明及风险提示 本报告由浙商证券股份有限公司（已具备中国证监会批复的证券投资咨询业务资格，经营许可证编号为：Z39833000）制作。本报告中的信息均来源于我们认为可靠的已公开资料，但浙商证券股份有限公司及其关联机构（以下统称“本公司”）对这些信息的真实性、准确性及完整性不作任何保证，也不保证所包含的信息和建议不发生任何变更。本公司没有将变更的信息和建议向报告所有接收者进行更新的义务。本报告仅供本公司的客户作参考之用。本公司不会因接收人收到本报告而视其为本公司的当然客户。本报告仅反映报告作者的出具日的观点和判断，在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的投资建议，投资者应当对本报告中的信息和意见进行独立评估，并应同时考量各自的投资目的、财务状况和特定需求。对依据或者使用本报告所造成的一切后果，本公司及/或其关联人员均不承担任何法律责任。本公司的交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和/或交易观点。本公司没有将此意见及建议向报告所有接收者进行更新的义务。本公司的资产管理公司、自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策。本报告版权均归本公司所有，未经本公司事先书面授权，任何机构或个人不得以任何形式复制、发布、传播本报告的全部或部分内容。经授权刊载、转发本报告或者摘要的，应当注明本报告发布人和发布日期，并提示使用本报告的风险。未经授权或未按要求刊载、转发本报告的，应当承担相应的法律责任。本公司将保留向其追究法律责任的权利。浙商证券研究所浙商证券研究所 上海总部地址：杨高南路 729 号陆家嘴世纪金融广场 1 号楼 25 层 北京地址：北京市东城区朝阳门北大街 8 号富华大厦 E 座 4 层 深圳地址：广东省深圳市福田区广电金融中心 33 层 上海总部邮政编码：200127 上海总部电话：(8621)80108518 上海总部传真：(8621)80106010 浙商证券研究所：https:/

2025-08-29 13页 5星级

自然资源部国土空间规划局：2025国土空间规划领域生成式人工智能应用蓝皮书（34页）.pdf

点击查看更多自然资源部国土空间规划局：2025国土空间规划领域生成式人工智能应用蓝皮书（34页）.pdf精彩内容。

2025-08-29 34页 5星级

郎瀚威will：2025年Genspark AI Designer测试报告（87页）.pdf

Genspark AI Designer测试报告2025.08.26郎瀚威/GPTDAO猫猫头AIwatch.ai2aiwatch.ai 01目录09测试5：设计纸杯纸袋02关于作者10测试6：设计周边03测试感受11测试7：设计包装04测试结果一览12测试8：设计网站05测试1：设计品牌logo13测试9：制作社媒营销海报06测试2：室内外设计14测试10：生成名人广告07测试3：设计菜单15结尾08测试4：产品海报生成16附件2025/8/27目录目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告前言测试任务测试任务3aiwatch.ai 2025/8/27关于作者作者郎瀚威及团队，郎瀚威现居美国硅谷Palo Alto，GPTDAO分析师，第二作者猫猫头，也在硅谷，小红书：107279551更多数据内容请关注公众号：郎瀚威Will，新闻资讯请关注推特：financeyf5 获取更多信息官网飞书：https:/aiwatch.ai/；GenAI网页数据2025Q1报告：链接到飞书查看更多Agent测试报告：链接，含综合能力测试及多个垂类场景能力测试（如写报告、数据抓取、视频总结等）加数据报告群：下方企业微信扫码，备注加Will的数据报告分享群，请简单自我介绍，仅用于讨论行业数据，发广告会飞机。商务合作洽谈，请加微信lang2057，请备注公司信息，因为作者微信已经满了服务包括：1对1推特增长咨询服务等。数据库服务，包含对于市场上产品的详细跟踪和打标，了解商机先人一步。咨询服务包含专业团队对于公开数据的收集，调研，增长分析等，4000美元/月。推特增长顾问服务，分析欧美竞对，构建推特增长路径。价格同上。Will小助手企业微信进不去群扫这个微信公众号数据报告群2目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告4aiwatch.ai 2025/8/27Agent 测试报告合集Agent测试报告下载链接：https:/ 2025/8/27测试Prompt执行结果表格注：本次时间较为仓促，因此并未列出时间。本页结果评价也较为简单，建议从业人员可以看看每一个的体验评价，以及生成的图片。进行自行判断。1设计品牌logo2室内外设计3设计菜单4产品海报生成5设计纸杯纸袋6设计周边7设计包装8设计网站9制作社媒营销海报10生成名人广告成功/失败比例 成功 失败 成功 涉及名人无法生成9/010/08/1结果结果结果 成功 成功 成功 成功 成功 成功 成功 成功 成功 成功 成功 成功 成功 成功 成功 成功9/0 成功 成功 成功 涉及名人无法生成 成功 成功 涉及名人无法生成 成功Prompt（咖啡店设计从0到1）成功 成功 部分成功 成功 成功结果 成功 成功 部分成功 成功 成功 成功 成功时间单位：秒OAI AgentManusGensparkLovart目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告6aiwatch.ai 2025/8/27测试感受by Will团队成员1 zwt主要参与测试Manus、Lovart在10个Prompt的表现。本次测试主要是全流程为咖啡店进行一系列的设计，其中涵盖了设计 网站搭建两大块的能力：设计能力：Genspark Lovart=Manus OpenAI设计 网站搭建能力：Genspark Manus Lovart OpenAI一总体感受：如果单纯设计个logo等，我认为除了OpenAI Agent，其他三家都可以，个人审美不同可能对三家的评价不同；但是如果真的想从0到1全流程设计，包括搭建专属网站，那更推荐使用Genspark，Genspark更像是Manus和Lovart能力的结合，既可以出好的设计，也可以有好的编程能力。二各Agent测试感受：1.OpenAI Agent：在这次任务中，OpenAI Agent表现最差，无论是从设计角度还是全流程，OpenAI给出的东西都比较差。首先设计上，OpenAI生成的很丑，而且每个设计只给生成一个，用户没有选择性，生成的任何东西都是拿logo直接贴在上面，毫无创意；在搭建网站上，生成的网站无法分享链接，只能下载zip压缩包，不像Manus和Genspark那么方便。2.Manus：Manus的表现中等，可以出设计，也可以搭建网站。唯一让我觉得比较不好的地方就是在生成菜单这一环节，Manus只给出了一个PDF纯文字菜单，感觉就是个毛坯，这种菜单放在真实的咖啡店根本不会出现，太丑。其他任务表现还可以，生成的设计也都还ok。目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告7aiwatch.ai 2025/8/27测试感受by Will团队成员1 zwt 续3.Genspark：这次报告的缘起来自Genspark发布AI Designer，整个测试下来感觉Genspark是真的很不错，感觉有了Genspark，我所有需要请设计师的钱都可以省了，从有一个概念，到生成品牌logo、店面室内外设计，包括建立网站，这些全部可以实现，真的很方便并且很实用。4.Lovart：Lovart专业做设计的，所以这次为咖啡店做全系列设计的任务中，Lovart给出的设计还是挺不错的，不过它没有搭建网站这一能力。单纯从设计上来讲，我认为Lovart的表现还是不错的，生成的设计看起来比较高端，也比较真实，是可以实际应用的。三个人感想：随着AI Agent的快速发展，Agent的能力已经渗透到各个领域，从之前测试过的制作PPT、抓取数据、电商购物等，到本次报告的“咖啡店全系设计从0到1”，AI Agent 的表现都能给我带来惊喜。这次咖啡店全流程设计，从提出一个需求，到设计logo、店面装修、设计系列包装、周边产品、海报，到搭建专属网站，全部都可以由Agent完成，整个流程无需设计师介入，也免去了反复沟通的繁琐，极大地节约了时间、人力与资金成本。AI Agent 不仅高效地执行了所有任务，如Genspark完成全流程设计仅仅用了4h左右，还允许我根据个人偏好进行实时调整和个性化定制。整个过程不用设计师，不用反复沟通修改方案，Agent全部帮你搞定。这次体验让我深刻感受到了 AI Agent 在创意设计领域的巨大潜力。目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告8aiwatch.ai 2025/8/27测试感受by Will团队成员2 tcj本次测试了10个任务在OpenAl Agent和Genspark的表现，以及参考其他2家的测试回放有以下感受。本次主要是全流程为咖啡店进行一系列的设计，其中涵盖了设计 网站搭建两大块的能力：设计 网站搭建：GensparkLovartManusOpenAI一综合感受：Genspark和Lovart都比较有灵性和创意思维，Manus也不错，安排的任务完成度也很高，OpenAI Agent表现一般。如果有设计需求的话，在创作过程中花费一点时间来前三家平台看一眼设计效果，或许能带来很多灵感。二各Agent测试感受：1.OpenAl Agent：有点像理论派。优点在于分析流程和提供建议都挺好，到实际出图时就不行了。生成的图片通常比较简单，设计感不强，很多时候就像是把logo简单地贴在物品上，甚至连背景都没抠干净。2.Manus：做事很有条理，整个过程感觉特别顺畅。生成的图片质量普遍较高，干净美观，在网站设计这样复杂的任务完成度很高。但有时候需要手动补充一些信息，会出现文字扭曲或图片变形的问题，且名人广告任务由于版权问题，无法生成。3.Genspark：一个有创意和想象力的平台。上下文理解能力非常强，能把logo的设计元素贯穿到所有的设计中，整体风格统一。每次都能从不同角度给出创意方案让你选择，比如给出了四季饮品、全套周边和不同场景下的包装效果图，生成的效果图真实感很强，虽然偶尔会有图片没生成全的小问题，但瑕不掩瑜。4.Lovart：表现很主动和全面，会提前思考，比如做室内设计的时候，会提前把菜单设计好了。会从用户的喜好出发来设计，让结果更具针对性。虽然不具备建网站的功能，但是提供了网站设计方案。名人广告因为版权问题很谨慎，也提供了替代方案和建议。目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告9aiwatch.ai 2025/8/27测试感受by Will团队成员4 猫猫头主要参与本次测试的Agent使用，个人使用感受如下：1.Comet：Perplexity在5月上新了Labs板块，用于处理复杂需求。实测感官还比较基础，故而本次测试没有纳入Perplexity。但是，Aravind毕竟是Figma和Cadence CEO在D轮押宝的男人，canvas的封狼居胥他必不可能错过，让子弹再飞一会吧。2.Manus：支持图片生成，notion式UI审美在线，暂不支持Layer。3.Genspark：Designer Agent，递归到产品UX的本质，即“Canvas Layer Conversation”。4月上线的AI Slides，就是对“Canvas Conversation”形态的实现。7月更新的“Advanced Edit”功能，就是对于 Layer 的初次拓展。Genspark本次 AI Designer 板块的开拓，本质上是针对inhouse设计场景的垂类用户的耦合。但是，是否能够实现转化，还需要在生成结果的连续性（consistency）的进一步的提升。相信以Genspark团队的产品迭代能力，canvas的能力提升也就迟早的事。4.Lovart：垂类领域的workflow打磨真的非常牛逼，ChatCanvas对于每一个节点的把控和实现，无不彰显了产品对于连续长文本的理解。同时，Lovart也是这几家里，唯一一家把第一个prompt的设计成品，在后续每一个节点需求中贯穿始终的。目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告10aiwatch.ai 设计品牌logo(来自Genspark官方，链接)2025/8/27设计品牌logo目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告11aiwatch.ai 2025/8/27设计品牌logo任务来源：Genspark官方，链接Prompt：Design a logo for my handcrafted coffee brand Meadow,using bright orange color and a hand-drawn font style.任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告12aiwatch.ai 2025/8/27设计品牌logo 结果表Prompt：Design a logo for my handcrafted coffee brand Meadow,using bright orange color and a hand-drawn font style.相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent成功Manus成功Genspark成功Lovart成功产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告13aiwatch.ai 2025/8/27设计品牌logo OpenAI AgentOpenAI Agent 执行结果：成功 链接测试感受（人写）任务成功。首先网搜了一下咖啡主题Logo，以此为灵感结合提示词中要求，给出了相应Logo，但只有一个，没有选择余地。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告14aiwatch.ai 2025/8/27设计品牌logo ManusManus 执行结果：成功 链接测试感受（人写）任务成功。Manus进行了工作规划并按规划工作，非常有条理。之后开始收集资料、分析灵感，最终给出了三个设计方案让我进行选择，可以通过提出意见来修改。不过我对第三个非常满意，所以直接选择了第三版作为最终的logo设计。整个过程相当丝滑且快捷，生成的内容严格按照要求，logo也相当美观，没有扭曲的神秘文字和诡异的线条，操作也相当简单。整体来说表现相当好。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告15aiwatch.ai 2025/8/27设计品牌logo GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。首先给出四个风格相同，包含不同元素的Logo图标可供选择。选中图片，手动编辑给出新的元素之后，重新生成新的4张相同元素相同风格的图片。选中最终Logo，成功生成周边标志及装饰元素，并额外给出了Logo内元素拆分图，Logo在实体产品中应用图，还贴心把图标重新生成了春夏秋冬四个版本。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告16aiwatch.ai 2025/8/27设计品牌logo LovartLovart 执行结果：成功 链接测试感受（人写）任务成功。Lovart首先会为你提供一些图片风格让你自行进行选择，选择完成后Lovart开始参考这些图像进行设计，这样比较具有针对性的按照个人的喜好去设计，最终给我生成了4张logo图片。生成完logo后我选择了其中一张logo，Lovart基于我选择的logo自动给我生成了一些纸袋，咖啡杯等设计。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告17aiwatch.ai 室内外设计(来自Genspark官方，链接)2025/8/27室内外设计目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告18aiwatch.ai 2025/8/27室内外设计任务来源：Genspark官方，链接Prompt：Design the exterior and interior design for the coffee shop.任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告19aiwatch.ai 2025/8/27室内外设计 结果表Prompt：Design the exterior and interior design for the coffee shop.相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent成功Manus成功Genspark成功Lovart成功产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告20aiwatch.ai 2025/8/27室内外设计 OpenAI AgentOpenAI Agent 执行结果：成功 链接测试感受（人写）任务成功。分别给出了咖啡厅室内和室外的效果图，并分别附上了空间设计建议，延续了Logo的橙色主题，最后还给了通过各种元素设计突出Meadow 手工制作精神的总结。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告21aiwatch.ai 2025/8/27室内外设计 ManusManus 执行结果：成功 链接测试感受（人写）任务成功。继续进行了工作，manus列出了工作计划并按计划进行工作。他重点参考了logo的设计元素，在网络上搜寻资料与灵感，最终生成了融合自然与现代元素的咖啡店外部设计与内部设计。两张设计图片相当符合咖啡店的风格要求。这次过程比logo设计长一点，所以生成时间也长一点，但依旧丝滑，没有扭曲的神秘文字和诡异的线条，操作也相当简单。总得来说表现相当好。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告22aiwatch.ai 2025/8/27室内外设计 GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。生成了两套咖啡馆内外图片，整体效果还可以，但是内外风格不统一，选中一个图片后，给出参考图片后，根据参考图给出了四张不同的室内图片，选中图片继续扩展室内场景，给出的结果很全面，包括吧台、室内环境、餐桌等环境。其中所有图片都融入了之前Logo的元素，并保留了参考图中的一些内容，Get到了Genspark的上下文理解能力。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告23aiwatch.ai 2025/8/27室内外设计 LovartLovart 执行结果：成功 链接测试感受（人写）任务成功。给我生成了一张咖啡馆外立面和一张咖啡馆内部的设计图片，整体感觉还不错，但是不够全面，仅凭这两张图片我可能根本无法去实际运用到我的店面，另外Lovart本身是做设计的，所以它会比你提前走一步，我没让它给我设计菜单，但是lovart也给出我菜单的设计了。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告24aiwatch.ai 设计菜单(来自Genspark官方，链接)2025/8/27设计菜单目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告25aiwatch.ai 2025/8/27设计菜单任务来源：Genspark官方，链接Prompt：Design the menu.任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告26aiwatch.ai 2025/8/27设计菜单 结果表Prompt：Design the menu.相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent部分成功Manus部分成功Genspark成功Lovart成功产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告27aiwatch.ai 2025/8/27设计菜单 OpenAI AgentOpenAI Agent 执行结果：部分成功 链接测试感受（人写）任务部分成功。前部分根据咖啡店铺主题设计菜单做的很好，并给出了相应的名称以及来源灵感，但是菜单并没有完全生成，图片出现断层，菜单元素也过于简单。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告28aiwatch.ai 2025/8/27设计菜单 ManusManus 执行结果：部分成功 链接测试感受（人写）任务部分成功。生成了一份PDF菜单，整个过程相对慢一点，步骤相当简明，内容生成也很详细，饮品、食品、附加选项、过敏原提示都有。生成的菜单是中英对照版，很详细。但咖啡部分的排版有些乱，不美观。PDF里面只有文字，没有装饰性的花纹图案。产品的定价也符合国内手工咖啡的价格区间。这次的表现还可以，有进步空间。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告29aiwatch.ai 2025/8/27设计菜单 GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。生成菜单，给出了四份风格不同的菜单，饮品种类相对较少，其中一个风格继承了Logo中春夏秋冬的设计，给出了春夏秋冬四款特色季节饮品。菜单排版都延续了标志的橙色风格，突出显示Logo，排版同样看着很舒服。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告30aiwatch.ai 2025/8/27设计菜单 LovartLovart 执行结果：成功 链接测试感受（人写）任务成功。在进行室内外设计的时候，Lovart已经提前给出了我菜单的设计，但是为了保证测试公平性，我让Lovart继续给我生成了菜单，这次给出的菜单是比较好的，有封面的设计，菜单上的产品都做了分类，而且排版还挺不错的。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告31aiwatch.ai 产品海报生成(来自Genspark官方，链接)2025/8/27产品海报生成目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告32aiwatch.ai 2025/8/27产品海报生成任务来源：Genspark官方，链接Prompt：add posters with photos to promote my new products任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告33aiwatch.ai 2025/8/27产品海报生成 结果表Prompt：add posters with photos to promote my new products相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent成功Manus成功Genspark成功Lovart成功产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告34aiwatch.ai 2025/8/27产品海报生成 OpenAI AgentOpenAI Agent 执行结果：成功 链接测试感受（人写）任务成功。提供了3张新品海报，首先确定了海报的主题风格，通过网络确定产品的名称及图片，结合Logo及产品的元素，最后设计新品宣传海报，总体流程是没问题的，但是生成的宣传海报过于简单，有比例不合理，大片留白等问题。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告35aiwatch.ai 2025/8/27产品海报生成 ManusManus 执行结果：成功 链接测试感受（人写）任务成功。生成了一份宣传海报图片，内容详细，包含了产品名称和一系列详细的产品信息。这次依旧是上网寻找灵感，分析产品特征，不过产品信息这里需要人工补充。在补充之后，manus迅速生成了一份新产品宣传海报，产品图片美观，没有诡异的线条和扭曲的文字，产品信息完整，产品价格在合理区间，内容主次分明，图片的光影分布合理。总的来说表现非常好，就是得人工补充信息，有点麻烦。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告36aiwatch.ai 2025/8/27产品海报生成 GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。首先去网搜了其他咖啡的宣传海报作为参考，又结合了上文Logo的设计理念，最后给出了四个新品海报，其中不同咖啡种类给出不同风格，并且附带了一张面包新品的宣传海报。四张海报同样延续了上文橙色Logo。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告37aiwatch.ai 2025/8/27产品海报生成 LovartLovart 执行结果：成功 链接测试感受（人写）任务成功。任务时为新产品设计海报，Lovart给出了我三张产品海报，一张咖啡的，一张面包的，一张咖啡豆的，排版都还可以的。另外附带给了我一张咖啡店的海报。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告38aiwatch.ai 设计纸杯纸袋(来自Genspark官方，链接)2025/8/27设计纸杯纸袋目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告39aiwatch.ai 2025/8/27设计纸杯纸袋任务来源：Genspark官方，链接Prompt：design cups&paper bags for takeaway任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告40aiwatch.ai 2025/8/27设计纸杯纸袋 结果表Prompt：design cups&paper bags for takeaway相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent成功Manus成功Genspark成功Lovart成功产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告41aiwatch.ai 2025/8/27设计纸杯纸袋 OpenAI AgentOpenAI Agent 执行结果：成功 链接测试感受（人写）任务成功。给出了咖啡纸杯和手提袋的设计，还是之前的问题，生成图片之前分析流程很对，但是到了生图的时候就不行了，把Logo在纸上一贴就设计完成了，图片元素风格太过于简答，之前的分析结果没有体现出来。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告42aiwatch.ai 2025/8/27设计纸杯纸袋 ManusManus 执行结果：成功 链接测试感受（人写）任务成功。生成了两张图片，一张是外带咖啡杯，一张是纸袋。这次的生成速度不算很快，依旧是全网查找资料寻找灵感，之后整合信息进行生成。生成的两份物品都有很好的融入logo的元素，贴合主题，图案清晰没有扭曲的文字和线条，图像的光影分布合理，整个画面干净整洁。不过设计的纸袋像是装咖啡豆的纸袋，而非外带饮料的纸袋。在这一步中无需人工额外补充信息，操作简单明了。总的来说表现还可以，有进步空间。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告43aiwatch.ai 2025/8/27设计纸杯纸袋 GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。生成四张带有Logo设计的咖啡杯及包装袋图片，其中第一张第二张分别是咖啡杯和包袋带不同规格的设计图，第三张是另一种风格人物使用图片，第四张更像是系列的杯子 包装 托盘 餐具设计效果图。总体来说给出了三种组合方案可供选择，都延续了之前Logo的风格。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告44aiwatch.ai 2025/8/27设计纸杯纸袋 LovartLovart 执行结果：成功 链接测试感受（人写）任务成功。任务是设计咖啡纸杯与纸袋，Lovart给出了两种咖啡纸杯的设计，并且有不同型号的纸杯样式，给出了一个手提袋（装咖啡），两个其它样式的纸袋，用于装甜点和咖啡豆之类的，不得不说Lovart想的还是挺全面的。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告45aiwatch.ai 设计周边(来自Genspark官方，链接)2025/8/27设计周边目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告46aiwatch.ai 2025/8/27设计周边任务来源：Genspark官方，链接Prompt：design various kinds of swags!任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告47aiwatch.ai 2025/8/27设计周边 结果表Prompt：design various kinds of swags!相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent成功Manus成功Genspark成功Lovart成功产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告48aiwatch.ai 2025/8/27设计周边 OpenAI AgentOpenAI Agent 执行结果：成功 链接测试感受（人写）任务成功。生成了包括T 恤、珐琅别针、托特包、贴纸之内的周边图片，设计过于简单，所有周边外设都是把Logo帖在相应物品形状上，就算设计完成了，甚至没有把图标的背景抠除。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告49aiwatch.ai 2025/8/27设计周边 ManusManus 执行结果：成功 链接测试感受（人写）任务成功。这一步是设计周边产品，一共是出了6张图，画面都干净整洁，没有扭曲的文字和线条。这部分需要人工补充信息，我让他设计了T恤、帽子、马克杯、钥匙扣、闪卡、流麻这6种周边。他们的风格都紧扣logo的设计风格，风格统一且富有创意。不过马克杯的光影有些许问题，第一个马克杯的反光不和逻辑。这次生成的速度偏慢，一定程度上是由于工作量较大，一次生成六张图片并要搜集相关信息。操作不算难。总的来说体验很好。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告50aiwatch.ai 2025/8/27设计周边 GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。成功给出了品牌周边产品的效果图，整体基本是以Logo风格为主体，周边包括咖啡杯手提袋，笔记本，贴纸，T恤，餐具，手机壳等，还附上了人物使用效果图。甚至把上文咖啡店的马赛克地板做成了杯垫?图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告51aiwatch.ai 2025/8/27设计周边 LovartLovart 执行结果：成功 链接测试感受（人写）任务成功。Lovart给出的周边有T恤衫、帆布袋、马克杯、棒球帽、冰箱贴（徽章类物品）、笔记本、保温杯，还是很全面的整体风格都是以咖啡店的logo为主体。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告52aiwatch.ai 设计包装(来自Genspark官方，链接)2025/8/27设计包装目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告53aiwatch.ai 2025/8/27设计包装任务来源：Genspark官方，链接Prompt：Create packaging for my coffee beans,drip coffee and canned coffee.任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告54aiwatch.ai 2025/8/27设计包装 结果表Prompt：Create packaging for my coffee beans,drip coffee and canned coffee.相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent成功Manus成功Genspark成功Lovart成功产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告55aiwatch.ai 2025/8/27设计包装 OpenAI AgentOpenAI Agent 执行结果：成功 链接测试感受（人写）任务成功。给出了咖啡袋、滴滤咖啡袋、冷萃拿铁罐的包装设计，主题为橙色Logo主题，设计较为简单。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告56aiwatch.ai 2025/8/27设计包装 ManusManus 执行结果：成功 链接测试感受（人写）任务成功。Manus上网收集了很多信息，这一次需要人工上传很多信息。他先为三类产品生成了包装方案、挂耳咖啡单包与外盒、罐装咖啡的首版，其后需要人工上传很多详细信息，这个步骤相当繁琐。在最后生成的图像里，挂耳和罐装都出现了扭曲的文字，挂耳还出现了怪异的形状。这次的生成速度比之前要慢一些，生成的设计图片质量却不如之前，有一定的进步空间。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告57aiwatch.ai 2025/8/27设计包装 GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。第一张图咖啡豆包装图，第二张图咖啡粉包装图，第三章图成品咖啡包装图，第四张给我了商品在各个场景包含了商场，日常使用时的设计图，这个很贴心。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告58aiwatch.ai 2025/8/27设计包装 LovartLovart 执行结果：成功 链接测试感受（人写）任务成功。Lovart给出了多种样式的包装，包括咖啡包、易拉罐等，包括外面的外包装都包含。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告59aiwatch.ai 设计网站(来自Genspark官方，链接)2025/8/27设计网站目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告60aiwatch.ai 2025/8/27设计网站任务来源：Genspark官方，链接Prompt：Use Genspark Al Developer to build the website 或 Build a website based on the generated logo,interior and exterior decoration,posters,and other designs.任务分析：涉及网站搭建等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告61aiwatch.ai 2025/8/27设计网站 结果表Prompt：Use Genspark Al Developer to build the website 或 Build a website based on the generated logo,interior and exterior decoration,posters,and other designs.相关链接对话链接对话链接 网站链接对话链接 网站链接对话链接执行结果图片OAI Agent成功Manus成功Genspark成功Lovart失败产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告62aiwatch.ai 2025/8/27设计网站 OpenAI AgentOpenAI Agent 执行结果：成功 链接测试感受（人写）任务成功。生成了一个本地网页，需下载才能打开（meadow_site.zip），网站集成了上文生成的所有图片、元素和风格，所有功能按钮正常使用，风格简洁，内容比较单一，并没有对网站内容经行扩展，完全采用之前生成的图片加上文字而成。并没有设计感，像是一个公用模板，设计师把自己的材料进行填充，就算设计完成了。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告63aiwatch.ai 2025/8/27设计网站 ManusManus 执行结果：成功 链接测试感受（人写）网站链接任务成功。生成的网站质量巨！赞！我自己都写不出来这么好的动态网站！绝大多数按钮都能点！只有少部分点不动。每一个生成过图片的产品都有正确的配图，没有图片的产品要么留白要么是黑色图片。整个网站的风格也完美符合要求！网站设计真的巨好看！这次的任务执行时间较长，毕竟搭建一个网站不是简单的事。但结果超出预期，完成的相当不错。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告64aiwatch.ai 2025/8/27设计网站 GensparkGenspark 执行结果：成功 链接测试感受（人写）网站链接任务成功。总体效果还是比较好的，主色调与Logo相贴合，网站整体简洁明了，导航按钮正确，配图准确舒适，还正确提取出菜单中的内容单独做了一个版块，总体效果很棒！不知道为什么把Logo放到最后自己生成了一个新的Logo使用了，有点小问题，但是瑕不掩瑜。需要注意的是，国内使用生成网站功能上传图片时，对图片名称进行修改或者注释一下会帮助AI更好的理解和使用。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告65aiwatch.ai 2025/8/27设计网站 LovartLovart 执行结果：失败 链接测试感受（人写）任务失败。由于Lovart是做设计的，所以Lovart不具备创建网站的功能，但是Lovart给出了网站的设计方案，给出了一张网站的设计图片。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告66aiwatch.ai 制作社媒营销海报(来自Genspark官方，链接)2025/8/27制作社媒营销海报目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告67aiwatch.ai 2025/8/27制作社媒营销海报任务来源：Genspark官方，链接Prompt：Create posters for social media.任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告68aiwatch.ai 2025/8/27制作社媒营销海报 结果表Prompt：Create posters for social media.相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent成功Manus成功Genspark成功Lovart成功产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告69aiwatch.ai 2025/8/27制作社媒营销海报 OpenAI AgentOpenAI Agent 执行结果：成功 链接测试感受（人写）任务成功。一共生成三张不同风格的宣传海报，图中元素采用上文生成图片进行结合，尺寸为统一尺寸，风格延续Logo橙色风格。总体来说是采用上文生成图片，配上社媒宣传文字叠加而成，没有内容设计扩展。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告70aiwatch.ai 2025/8/27制作社媒营销海报 ManusManus 执行结果：成功 链接测试感受（人写）任务成功。海报一共生成出来三张，整体看上去还可以，但在细节上或多或少存在着问题，表现不如之前，生成速度比较快。三张图片都存在着扭曲的文字。原先设计好的logo图标变形比较厉害。很多细节都模糊了或者变形了，更有甚者变异了。总的来说进步空间很大。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告71aiwatch.ai 2025/8/27制作社媒营销海报 GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。给出四张社媒宣传效果图，文字说明中给我的是Ins、Facebook、Linkedin的效果图，第二张和第四张还是很不错的，其中第四张根据季节给出了四张季节性的宣传图片，但是第一张和第三张效果图生成不是很全，图片内容出现断层。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告72aiwatch.ai 2025/8/27制作社媒营销海报 LovartLovart 执行结果：成功 链接测试感受（人写）任务成功。任务是为社交媒体设计海报，Lovart给出了我适用于Ins、Linkedin和facebook的海报，有方形的，竖版的和横版的。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告73aiwatch.ai 生成名人广告(来自Genspark官方，链接)2025/8/27生成名人广告目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告74aiwatch.ai 2025/8/27生成名人广告任务来源：Genspark官方，链接Prompt：Have Blackpinks Lisa shoot ads for my brand.任务分析：涉及设计、图像生成等目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告75aiwatch.ai 2025/8/27生成名人广告 结果表Prompt：Have Blackpinks Lisa shoot ads for my brand.相关链接对话链接对话链接对话链接对话链接执行结果图片OAI Agent涉及名人无法生成无Manus涉及名人无法生成无Genspark成功Lovart涉及名人无法生成产品目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告76aiwatch.ai 2025/8/27生成名人广告 OpenAI AgentOpenAI Agent 执行结果：涉及名人无法生成 链接测试感受（人写）涉及名人无法生成。版权问题，无法生成，但是可以提供营销策略和网红推广的建议。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告77aiwatch.ai 2025/8/27生成名人广告 ManusManus 执行结果：涉及名人无法生成 链接测试感受（人写）涉及名人无法生成。没能生成任何东西。Manus说自己的能力范围仅限于设计和生成图像。可以在为广告设计概念图或视觉稿上提供帮助，但无法涉及现实中的人物合作。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告78aiwatch.ai 2025/8/27生成名人广告 GensparkGenspark 执行结果：成功 链接测试感受（人写）任务成功。首先确定了广告设计的主题风格及架构，然后搜索Lisa图片作为图像素材，进一步融合创作，生成了四张Lisa宣传图片，风格清新自然，真实感很强，就像Lisa真的在给品牌代言。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告79aiwatch.ai 2025/8/27生成名人广告 LovartLovart 执行结果：涉及名人无法生成 链接测试感受（人写）涉及名人无法生成。Lovart指出未经适当授权创建真实名人的图像可能会引起与宣传权和图像使用相关的法律和道德问题，所以并没有给我生成Lisa的广告图片，而是给我生成了3张与 Lisa 的风格和审美类似的广告视觉效果图片，整体风格比较炫酷。图片来自测试结果截图目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告80aiwatch.ai 猫猫头小红书号107279551本次报告完成prompt选择部分Base 硅谷，在 AI startupAI startup 做增长INTPINTP，但励志成为湾区第一花蝴蝶aiwatch.ai郎瀚威郎瀚威 WillWill本次报告完成部分测试部分，画PPT部分作者分工目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告81aiwatch.ai 谢谢阅读！如果你喜欢这个报告，记得关注我推特，微信公众号！报告会第一时间发出 Financeyf5 AI Will 2025/8/27Will小助手企业微信进不去群扫这个微信公众号数据报告群21群满了可以加目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告82aiwatch.ai 附件2025/8/27附件目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告83aiwatch.ai 2025/8/27数据来源：similarweb 单位：万visit通用Agent，57月，日流量分析（单位万Visit）Manus和Genspark在5.15后的流量，呈现较为明显的规律，推测有老用户留存，符合周末休息，工作日工作的规律。46 46 35 40 45 40 39 42 39 31 37 62 71 64 61 55 49 52 64 67 61 67 55 48 52 64 61 60 62 57 45 50 65 66 65 71 62 50 59 70 69 67 68 55 48 55 62 61 58 62 52 44 51 57 54 54 54 49 48 49 57 55 59 54 47 43 49 59 62 62 64 52 46 51 58 61 57 59 56 46 50 64 63 65 65 54 49 52 64 65 61 63 26 25 25 26 27 25 24 28 27 28 23 33 30 29 29 25 25 26 34 33 29 29 24 24 29 29 25 28 30 25 23 24 28 30 29 26 24 22 26 27 29 33 32 26 24 26 28 30 28 29 23 22 26 22 25 24 24 21 18 21 23 25 28 29 25 19 23 27 28 29 30 25 21 25 27 28 29 29 24 21 25 28 28 28 28 25 23 23 28 28 28 30 27 22 13 9 9 11 11 13 15 11 9 7 11 11 13 11 8 8 10 10 3 5 5 010203040506070805/15/165/316/156/307/157/30ManusGensparkComet目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告84aiwatch.ai 2025/8/27通用Agent热门产品更新时间线（本页人工手动完成）7月，大家对PPT功能都进行了加强。8月，Manus的wide research，可能是开启excel形式，对于找数据，找线索，能力的开端 时间 产品5月6月7月Manus5.16 推出图像生成功能5.20 推出团队版（Manus Team）5.27 网站支持在线编辑5.29 幻灯片功能上线6.3 发布视频生成功能6.5 强化图片搜索功能6.6 集成OneDrive6.9 集成Veo36.12 发布Playbook6.19 定时任务功能上线6.20 推出Manus云浏览器6.27 Playbook中的SWOT分析生成器发布7.8 幻灯片主题定制功能上线7.17 数据可视化分析功能发布7.30 幻灯片新增多种主题模板Genspark5.1 Slides增加富文本编辑功能5.8 推出AI Sheets5.15 推出AI Drive5.23 增加Claude Sonnet 4模型6.4 推出AI Secretary6.11 推出AI Browser6.27 Vibe Working概念发布6.27 新功能预告活动7.2 推出AI Docs文档7.8 宣布AI Calls全球化7.12 文件上传限制提升7.15 推出新版主页7.16 集成Grok 47.17 幻灯片高级编辑7.24 Apple Watch会议笔记7.29 集成Slack、Outlook7.31 推出Slides 2.0目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告85aiwatch.ai 2025/8/27数据来源：similarweb 单位：万visitPerplexity Comet（comet.perplexity.ai）流量分析 目前已经归到主站perplexity.ai，所以只能作参考。-27 22 13 9 9 11 11 13 15 11 9 7 11 11 13 11 8 8 10 10 3 5 5 0510152025307月1日7月4日7月7日7月10日7月13日7月16日7月19日7月22日7月25日7月28日7月31日Comet 7月访问量-万Visit俄罗斯6%加拿大3%英国3%国家/地区流量份额印度23%美国22%1.流量来源国别Top5（7月）2.社交流量比例（7月）3.推特近7日新发布帖子：7961005,00010,00015,00020,0007/297/307/318/18/28/38/48.1 推出/fact-check事实核查命令功能7.28 发布预约管理功能7.25 推出AI DJ功能7.24 发布即时访问保存功能7.18 推出Youtube分析功能7.17发布统一操作界面7.16 推出取消垃圾邮件功能7.14 推出标签页管理功能7.13 发布个性化搜索7.12 发布自动化操作功能、推出快捷键助手7.11 发布Vibe browsing7.10 发布语音操作浏览器功能、发布购物助手、推出会议预定功能目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告86aiwatch.ai 2025/8/27数据来源：similarweb 单位：万visitManus（manus.im）流量分析 Manus流量持平，并略有提升，从5月12号公测，平均60万，到7月底的60万。并且体现明显的周末趋势，说明起码是稳住了。46 46 35 40 45 40 39 42 39 31 37 62 71 64 61 55 49 52 64 67 61 67 55 48 52 64 61 60 62 57 45 50 65 66 65 71 62 50 59 70 69 67 68 55 48 55 62 61 58 62 52 44 51 57 54 54 54 49 48 49 57 55 59 54 47 43 49 59 62 62 64 52 46 51 58 61 57 59 56 46 50 64 63 65 65 54 49 52 64 65 61 63 0204060805月1日5月11日5月21日5月31日6月10日6月20日6月30日7月10日7月20日7月30日Manus 5-7月访问量-万Visit3%5%印度6%美国10%巴西24%国家/地区流量份额沙特中国1.流量来源国别Top5（7月）2.社交流量比例（7月）3.推特近7日新发布帖子：2301301,0002,0003,0004,0005,0007/297/307/318/18/28/38/46.12 发布Playbook6.9 集成Veo36.6 集成OneDrive6.5 强化图片搜索功能6.3 发布视频生成功能5.29 幻灯片功能上线5.27 网站支持在线编辑5.20 推出Manus Team5.16 推出图像生成功能6.19 定时任务功能上线6.20 推出Manus云浏览器6.27 Playbook中的SWOT分析生成器发布7.8 上线幻灯片主题定制功能7.17 发布数据可视化分析功能7.30 幻灯片新增多种主题模板8.1 推出Wide Research目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告87aiwatch.ai 2025/8/27数据来源：similarweb 单位：万visitGenspark（genspark.ai）流量分析 流量稳定，每天流量稳定在20-30万26 25 25 26 27 25 24 28 27 28 23 33 30 29 29 25 25 26 34 33 29 29 24 24 29 29 25 28 30 25 23 24 28 30 29 26 24 22 26 27 29 33 32 26 24 26 28 30 28 29 23 22 26 22 25 24 24 21 18 21 23 25 28 29 25 19 23 27 28 29 30 25 21 25 27 28 29 29 24 21 25 28 28 28 28 25 23 23 28 28 28 30 0102030405月1日5月11日5月21日5月31日6月10日6月20日6月30日7月10日7月20日7月30日Genspark 5-7月访问量-万Visit7%越南5%印度10%美国9%韩国流量份额日本33%国家/地区1.流量来源国别Top5（7月）2.社交流量比例（7月）3.推特近7日新发布帖子：599405001,0001,5007/297/307/318/18/28/38/46.11 推出 AI Browser6.4 推出AI Secretary5.23 增加Claude Sonnet 4模型5.15 推出AI Drive5.8 推出AI Sheets5.1 AI Slides增加富文本编辑功能6.27 Vibe Working概念发布7.2 推出AI Docs7.16 集成Grok47.29 集成Slack、集成Outlook7.31 推出Slides 2.07.15 推出新版主页目录|作者|测试感受|测试结果一览|logo|室内外设计|菜单|海报|纸杯纸袋|周边|包装|网站|社媒海报|名人广告

2025-08-28 87页 5星级