世界互联网大会智库合作计划系列成果中国移动研究院（中移智库）智联丝路，数启未来AI驱动数字丝路迈入发展新纪元2025年7月编写团队组长魏晨光 中国移动研究院（中移智库）副组长林 琳 中国移动研究院（中.
2025-07-31
12页
5星级
01AI From China Benefits The World(2025)序 言PREFACE习近平主席强调：“人工智能可以是造福人类的国际公共产品。要广泛开展人工智能国际合作，帮助全球南方国家.
2025-07-31
51页
5星级
通用Agent 写报告能力测试报告2025.07.25郎瀚威/GPTDAO猫猫头AIwatch.ai2aiwatch.ai 01目录10巴黎旅行PPT制作02关于作者11纽约租房PPT03测试感受12.
2025-07-31
91页
5星级
世界互联网大会智库合作计划系列成果中国移动研究院（中移智库）凝聚人工智能共治力量助力数字丝绸之路发展2025年7月编写团队组长魏晨光 中国移动研究院（中移智库）副组长吴淑燕 中国移动研究院(中移智库).
2025-07-31
10页
5星级
AI+OCR 智能审核实战手册跨行业应用案例精选解析2025合合信息-科创板上市企业-股票代码6886152025年7月搜索了解更多欢迎各行业企业扫描下方二维码提交AI+OCR智能审核方案/案例/趋势.
2025-07-31
45页
5星级
请务必阅读正文后的声明及说明请务必阅读正文后的声明及说明 Table_Info1 电子电子 Table_Date 发布时间：发布时间：2025-07-30 Table_Invest 优于大势优于大势.
2025-07-31
40页
5星级
2 2截至2025年4月底，我国现存在业、存续状态的人工智能相关企业超424.3万家，其中2025年以来新增注册相关企业约28.6万余家。AI领域呈现出显著的“两极分化”：一方面，通用大模型的性能突破.
2025-07-30
15页
5星级
终端智能体安全（2025）引言在数字化、智能化加速融合发展的今天，终端智能体正在成为人工智能深度落地的核心载体与未来演进的必然趋向，其应用价值日益凸显。终端智能体作为深度融合 AI 技术、物联网、大数.
2025-07-30
41页
5星级
极光月狐研究院AI Agent行业洞察报告极光月狐数据 中国信息协会数据智能专业委员会（筹）联合发布2025年全球AI Agent 行业概览 1细分领域产品/模型研究 6行业趋势及展望 12CONTE.
2025-07-30
19页
5星级
敬请参阅最后一页特别声明 1 摘要-海外聊天应用活跃度稳定，国内应用因暑期因素下降。月之暗面（Moonshot AI）发布并开源 Kimi K2，此 320亿激活参数的混合专家（MoE）模型以“智能体.
2025-07-30
9页
5星级
证券研究报告证券研究报告 行业研究行业研究 行业专题行业专题 电力设备电力设备 行业研究行业研究/行业专题行业专题 智算中心加速扩张智算中心加速扩张 政策政策+需求双轮驱动供电需求双轮驱动供电系统系.
2025-07-29
23页
5星级
中国联通研究院 2025 年 7 月 AIAI 时代的全光底座白皮书时代的全光底座白皮书 AI 时代的全光底座白皮书 版权声明版权声明 本报告版权属于中国联合网络通信有限公司研究院，并受法律保护。转.
2025-07-29
59页
5星级
1I目录Chapter1 中国 AI 应用企业出海发展概况.11.1 定义与研究范畴.11.2 中国 AI 应用企业出海主要驱动力.21.2.1 技术端：技术代际突破.21.2.2 市场端：场景创新溢.
2025-07-29
73页
5星级
出品机构：甲子光年智库分析师：刘瑶、翟惠宇、努尔麦麦提买合木提发布时间：2025.07目 录Part 01概念泛化，商业价值推动产业发展Part 02价值认可，场景重塑与价值深挖Part 04实践真知.
2025-07-29
77页
5星级
企业掌舵者的云战略速查手册Vol.01放弃国企工作，创办一人企业AI转型访谈录重新理解Agent的边界与潜力AI转型访谈录从AI原生看AI转型：企业和个人的必选项AI转型访谈录【附录】关于2049年，.
2025-07-29
80页
5星级
人工智能安全治理白皮书（2025）-1-人工智能安全治理白皮书（2025）人工智能安全治理白皮书（2025）中国联合网络通信有限公司华为技术有限公司北京百度网讯科技有限公司三六零数字安全科技集团有限公.
2025-07-29
80页
5星级
全球人工智能社会发展研究报告(2025)Global Report onArtificial Intelligence and Social Development(2025)上海市人工智能与社会发展研究会上海市人工智能与社会发展研究会2025 年 7 月目目 录录一、摘 要.1二、全球人工智能研究动向.3（一）算力革命：能源困局与绿色算力破局.3（二）模型幻觉：谬误和创见共存.5（三）数据让渡：便利增益与隐私风险.8（四）劳动转型：替代冲击与技能重构.10（五）智能鸿沟：技术红利分配的结构性失衡.13（六）人机主体性：异化与共生.15（七）大国博弈：权力重构与生态重塑.18（八）敏捷治理：渐进改进、协同共治.20三、结 语.23附录：参考文献.24全球人工智能社会发展研究报告(2025)1一、摘一、摘 要要随着生成式人工智能的爆发性演进，技术创新已实现由实验室向社会的全面渗透。当大模型从判别式迈向通用式，当算法从辅助工具演化为自主决策系统，技术已超越工具理性范畴，成为塑造经济秩序、权力结构与文明形态的元力量。进入 2025 年，人工智能的社会化应用呈现出深度赋能和系统性风险并存的双重图景。一方面，人工智能作为新质生产力的核心引擎，驱动产业智能化升级，孵化出一系列新业态、新场景、新模式，在医疗、教育、新闻、科研等领域释放出巨大潜力。另一方面，数据泄露、算法偏见、隐私侵犯、劳动替代、情感依赖、环境污染等问题，不断挑战社会伦理底线与全球治理体系韧性。在此背景下，上海市人工智能与社会发展研究会推出全球人工智能社会发展研究报告（2025），立足于技术演进和社会发展的双重逻辑，系统梳理近两年人工智能领域国内外前沿研究成果，综合研判全球人工智能最新研究动态，致力于构建具有前瞻性的研究范式与方法论体系，为后续研究提供可能的思路与方向。报告基于学术前瞻性和社会关切度的双重考量，遵循技术本体-社会辐射-治理反馈的逻辑链路，选取了社会科学领域人工智能研究的八大议题：算力变革、模型幻觉、数据让渡、劳动替代、智能鸿沟、大国博弈、人机关系、敏捷治理。报告试图通过深入剖析各议题的前沿进展、核心争议与发展趋势，为政策制定者、研究者及产业界提供兼具理论洞见与实践价值的参考框架。Global Report onArtificial Intelligence and Social Development(2025)2With the explosive rise of generative artificial intelligence,technologicalinnovation has achieved its massive penetration from laboratories into society.Asdiscriminative models evolve to generative ones,and algorithms transform fromauxiliary tools to autonomous agents,technology has transcended the realm ofinstrumental rationality,emerging as a meta-force that shapes economic order,powerdynamics,and civilization paradigms.Entering 2025,the social application ofartificial intelligence presents a dual landscape where in-depth empowerment andsystemic risks coexist.On the one hand,artificial intelligence,as the core engine ofnew quality productivity,drives the intelligent upgrading of industries,incubatingnovel formats,scenarios,and models,and unleashes enormous potential in fields ofhealthcare,education,journalism,scientific research,etc.On the other hand,issuessuch as data leakage,algorithmic bias,privacy infringement,labor displacement,emotional dependence,and environmental pollution continuously challenge thebottom lines of social ethics and the resilience of the global governance system.In this context,by synthesizing dual logics of technological evolution and socialdevelopment,Global Report onArtificial Intelligence and Social Development(2025）systematically reviews the cutting-edge research results in the field of artificialintelligence over the past two years,comprehensively analyzes the latest researchtrends at home and abroad,and seeks to build a prospective research paradigm andmethodology framework,providing possible ideas and directions for subsequentresearch.Balancing academic foresight with societal concerns,the report follows thelogical chain of technical ontology societal impact governance feedback,andselects eight key research issues on artificial intelligence within social science:computing power transformation,model hallucination,data concession,labordisplacement,intelligencedivide,superpowercompetition,human-machinerelationships,and agile governance.The report delves deeply into the frontierprogress,core controversies,and development trends of each issue,aiming to providea reference framework that combines theoretical insights and practical value forpolicymakers,scholars,and industry stakeholders.全球人工智能社会发展研究报告(2025)3二、全球人工智能研究动向二、全球人工智能研究动向（一）算力革命：能源困局与绿色算力破局（一）算力革命：能源困局与绿色算力破局作为人工智能的基底，算力是维持算法运行、激发数据价值的关键要素。随随着全球数据中心的持续扩容，技术进步与环境承载能力之间的张力日益凸显着全球数据中心的持续扩容，技术进步与环境承载能力之间的张力日益凸显，能源生态问题逐渐成为算力研究领域的显性议题。国内外学者针对算力扩张引发的生态赤字展开了较为深入的分析，主要聚国内外学者针对算力扩张引发的生态赤字展开了较为深入的分析，主要聚焦在能源消耗焦在能源消耗、碳排放碳排放、电子垃圾三个方面电子垃圾三个方面。首先，人工智能产业是能源密集型产业，算力发展对水电等自然资源存在高度依赖。算力基础设施与设备的核心部件是芯片，其研发制造、计算运行、水冷降温都需要庞大且稳定的水电资源支撑（戚凯、杨悦怡，2024）。进一步数据显示，生成式人工智能训练集群的能耗较传统计算负载高出七八倍，ChatGPT 搜索的耗电量亦达到网页搜索的五倍。值得注意的是，大模型迭代周期极短，企业常以周为单位推出新版本，导致前期训练投入的能耗沉淀为沉没成本，且新一代模型往往伴随参数规模扩张，进一步推高训练能耗（Adam Zewe，2025）。李坤泽（2025）亦指出，大模型的训练与推理需要不断增加参数，堆叠芯片，让数据中心的耗电量呈指数级增加。即便以DeepSeek 为代表的新一代人工智能模型在训练阶段的能耗明显降低，但在不断扩张的巨量使用需求面前，它的总耗电量仍然十分惊人，且持续攀升。这种能源消耗压力已对部分国家的发展规划产生影响，一些国家在维护国内基本用电和发展人工智能之间只能被迫放弃或压缩人工智能的发展计划。例如，阿姆斯特丹、伦敦等多个城市已经因能耗高、电网负荷而停止了新数据中心的建设，新加坡、爱尔兰等国的人工智能产业也因电力供应不足而遭遇发展瓶颈。由此可见，人工智能竞争的尽头可能就是电力之争。其次，能源消耗的激增直接导致碳足迹扩大。研究人员指出，训练“单一大型语言深度学习模型”的二氧化碳排放量约达 300吨，而普通人年均二氧化碳排放量仅约 5 吨（吴红、姜惠，2025）。其中，推理Global Report onArtificial Intelligence and Social Development(2025)4环节碳排放占比尤为显著，大型语言模型应用所覆盖的庞大用户基数则进一步放大了这一环境影响（Eddie Zhang 等，2024）。最后，人工智能系统的迭代升级还持续产生电子废物。世界经济论坛（WEF）预测，2050 年电子废物总量将突破 1.2 亿吨。这类废物中含有铅、汞和镉等危险化学物质，若缺乏安全处理，极易污染土壤和水源，长此以往将对环境构成严重挑战。与此同时，学界对人工智能与环境的关系认知还存在另一重维度学界对人工智能与环境的关系认知还存在另一重维度，部分学者部分学者强调其在推动环境可持续发展方面的潜在价值强调其在推动环境可持续发展方面的潜在价值，绿色算力由此成为学界探讨技绿色算力由此成为学界探讨技术减排路径的核心议题。对于人工智能与环境这一话题，国内涌现出较多关于术减排路径的核心议题。对于人工智能与环境这一话题，国内涌现出较多关于二者相关性的量化研究成果，且结论基本一致，均呈现出显著正向效应。二者相关性的量化研究成果，且结论基本一致，均呈现出显著正向效应。具体而言，张秀武和沈洋（2025）基于减污降碳联合减排收益的视角，运用 2007-2022年 269 个地级及以上城市的面板数据，揭示出人工智能可通过替代效应、技术效应与智能决策，提升减污降碳协同效益。与之形成呼应的是，赵雨涵等（2025）基于 2011-2021 年中国 277 个地级市的数据，运用门槛效应模型、中介效应模型与空间杜宾模型等方法，实证发现人工智能技术创新对城市碳减排具有积极作用，但该效应随新兴技术应用程度提升呈边际递减趋势。许潇丹和惠宁（2024）的研究则聚焦工业领域，基于 2011-2021 年中国内地省级面板数据证实，人工智能发展能显著降低工业碳排放强度，且其对工业绿色低碳发展的影响存在区域异质性，即西部地区最强、东部地区最弱。与此同时，部分学者进一步剖析了人工智能助部分学者进一步剖析了人工智能助力节能减排的潜在路径机制，其核心路径可归纳为两大方向：一是通过驱动传力节能减排的潜在路径机制，其核心路径可归纳为两大方向：一是通过驱动传统产业绿色转型间接减少碳排放，二是直接赋能能源环境行业发展以增强减排统产业绿色转型间接减少碳排放，二是直接赋能能源环境行业发展以增强减排效能效能。前者的大致观点是，生成式人工智能通过“劳动者劳动资料劳动对象要素组合”多层级要素的组合优化，提高传统产业的资源利用率与全要素生产率，从而减少不必要经济活动带来的环境影响，为实现绿色生产力水平提升增加新能量（刘宏伟、马酉儒，2025）。后者则认为，人工智能在可再生能源发展应用领域潜力巨大。Nitin Liladhar Rane（2023）指出，以 ChatGPT 为代表的大型语言模型在太阳能、风能、生物质能等 14 个能源领域均有显著应用价值。例如，全球人工智能社会发展研究报告(2025)5通过数据分析与建模优化光伏布局，提升风速预测精度（太阳能）；支持水库调度管理和河流流量预测，实现发电量最优化（水力发电）；助力风机控制、维护排程及风速预测（风能）；辅助原料筛选、工艺优化及减排方案制定（生物质能）。此外，针对算力环节的内生性针对算力环节的内生性能耗与污染能耗与污染问题，问题，部分学者对其突破路径展开研部分学者对其突破路径展开研究究，主要为以下三个方面主要为以下三个方面：一是模型绿色升级一是模型绿色升级。在硬件上采用高效能、低功耗的设备，如低功耗处理器、高效能存储器、绿色数据中心等；在软件上优化算法、降低软件复杂度、提高软件运行效率（赵勇，2024）。二是计算资源协同二是计算资源协同。以我国为例，我国算力资源整体呈现“东部不足、西部过剩”的不均衡局面，且数据中心间协同性不足，“数据中心孤岛”“云孤岛”等现象频频出现（陈晓红等，2023）。加之模型同质化竞争严重，计算内容高度重复，难以实现计算资源的帕累托最优，因此亟需对计算资源进行协调整合（龙海泉等，2024）。三是核能突三是核能突破破。结合产业实践，各大数字巨头将可控核聚变视为解决人工智能耗电问题的终极方案，纷纷开启核能布局，以期通过颠覆性技术突破能源限制（李坤泽，2025）。综上，社会科学界对算力扩张的环境影响存在分歧：部分学者关注其直接产生的能源消耗与生态赤字，另一部分则强调其赋能产业绿色转型的间接减排潜力。增排与减排的具体量级，以及算力的净环境效益难以评估。但从长远来看，随增排与减排的具体量级，以及算力的净环境效益难以评估。但从长远来看，随着人工智能驱动核能等新型能源的革新应用以及计算资源的协同优化，未来，着人工智能驱动核能等新型能源的革新应用以及计算资源的协同优化，未来，算力有望突破能耗与环境的制约，实现真正的可持续发展。算力有望突破能耗与环境的制约，实现真正的可持续发展。（二）模型幻觉：谬误和创见共存（二）模型幻觉：谬误和创见共存模型幻觉是除算法偏见外，算法研究领域的又一重要话题。与算法偏见不同的是，当下学界当下学界对于模型幻觉的探讨尚处于初始阶段对于模型幻觉的探讨尚处于初始阶段，研究潜力巨大研究潜力巨大。部分学者致力于构建相关概念体系，对模型幻觉展开了概念界定和表征分类的基础性研究。目前，学界对人工智能目前，学界对人工智能“幻觉幻觉”（Hallucinations）的定义尚未达成广泛共）的定义尚未达成广泛共识识，不同定义同时存在甚至互相矛盾不同定义同时存在甚至互相矛盾。“幻觉”原本是神经科学和心理学的概念，Global Report onArtificial Intelligence and Social Development(2025)6意指感觉接受器对客观经验不准确的主观再现（林曦，2025）。人工智能领域对这一术语的引入最早可追溯至 2000 年的计算机视觉研究，指的是一种图像修复与合成应用领域的建设性技术，旨在提高图像分辨率。可见，早期的早期的“幻觉幻觉”是是一个带有积极意味的技术术语。随着自然语言技术的迭代更新，一个带有积极意味的技术术语。随着自然语言技术的迭代更新，“幻觉幻觉”逐渐逐渐发展成为一个负面词汇发展成为一个负面词汇，通常指模型生成的内容对提供的源内容无意义或不忠实，即模型生成的文本不忠实于信息源或者与现实世界的事实不符（Ziwei Ji 等，2024）。对此，stergaard 和 Nielbo（2023）提出了两点关键性质疑：第一，人人工智能的工智能的“幻觉幻觉”隐喻隐喻属于属于术语误用，因为术语误用，因为人工智能人工智能不具备感官知觉，其不具备感官知觉，其认知认知错误源于数据错误源于数据缺陷缺陷和提示和提示工程局限，工程局限，而非刺激缺失而非刺激缺失。第二，这种隐喻这种隐喻存在存在高度高度污名化效应，将污名化效应，将人工智能人工智能的负面问题与精神疾病的负面问题与精神疾病的的特定症状相关联特定症状相关联，可能破坏可能破坏精神病学与心理健康领域去污名化的诸多努力精神病学与心理健康领域去污名化的诸多努力。因此，部分学者致力于探索更加准确恰当的替代性术语，用于描述人工智能的这一特性。Negar Maleki 等（2024）根据不同场景的模型“幻觉”，构建了不同的“幻觉”概念矩阵。包括虚构（Confabulation）；错觉（Delusions）；概率性复述（Stochastic Parroting）；事实错误（Factual Errors）；编造（Fabrication）；错误、过失、谬误（Mistakes,Blunders.False-hoods）；草率概括、错误类比、假两难推理（Hasty Generalizations,FalseAnalogy,False Dilemma）等。他提出，确立人工智能幻觉的严谨定义至关重要确立人工智能幻觉的严谨定义至关重要，有助于提升幻觉研究的聚焦度、精确度、清晰度和连贯性，避免跨学科研究中有助于提升幻觉研究的聚焦度、精确度、清晰度和连贯性，避免跨学科研究中的潜在混淆和歧义风险的潜在混淆和歧义风险。除了概念探索外，部分学者从不同维度出发，对模型幻觉展开了类型学研究。方师师和唐巧盈（2023）从“错误事实”与“错误认知”的双重维度出发，提取出了存在事实错误、逻辑错误、推理错误、编程错误、文本输出、过度拟合、综合问题 7 大幻觉类别。Yujie Sun 等（2024）则下沉归纳出 8 种一级错误类型和 31 种二级错误类型，其中一级错误类型与方师师的分类基本一致。在概念体系搭建的基础上，学者学者们们围绕围绕模型幻觉的模型幻觉的成因成因、评估与评估与对抗对抗路径展路径展开开多维度多维度研究研究。例如，刘泽垣（2025）分别从数据层、模型层和应用层对模型幻觉的成因、评估方法与缓解路径进行了较为全面的梳理与分析。其中，数据层的污染、重复、缺失，以及数据标注错误是诱发模型幻觉的源头性因素。模型层的算法运作黑箱特性则进一步加剧了幻觉问题，具体体现在编码解码缺陷、预训练全球人工智能社会发展研究报告(2025)7知识偏好、曝光偏差及模型知识更新局限。应用层面下游任务的领域专业化可能导致模型泛化能力下降；模型的同质化趋势（即不同任务采用相似预训练模型）易导致对特定输入过度敏感，且模型固有缺陷会被广泛继承并放大；多模态化处理增加了模型复杂度和幻觉风险；提示工程虽提升了响应灵活性，但也可能导致模型过度依赖提示，其指令微调技术与思维链技术的应用局限也可能进一步深化幻觉。基于此，可进行数据清洗和数据增强构建真实数据集并修正幻觉数据集，以提高数据质量；优化模型初始结构、模型训练与微调过程、模型后处理方法，以减少计算过程中的误差；设计相关提示或者对齐指令，以减少特定任务幻觉的产生。上述类似研究大都基于这样一个共识性前提，即模型幻觉是有害的，但也上述类似研究大都基于这样一个共识性前提，即模型幻觉是有害的，但也有部分学者对这一前提表示质疑，开始对模型幻觉的积极意义和价值多面性展有部分学者对这一前提表示质疑，开始对模型幻觉的积极意义和价值多面性展开批判性分析开批判性分析。胡泳和王昱昊（2025）提出，人工智能幻觉存在一体两面，机器创造力过于注重新颖性可能会导致产生原创但不准确的回答，而过于注重实用性则可能导致无效的死记硬背的回应。杨雅等（2024）也指出，虽然生成式人工智能存在“一本正经胡说八道”的不准确推理情况，但大模型理解与解释世界的能力依然值得期待，这也是培育大模型想象力的一种过渡阶段，而并非完全将其囿于人类的资源检索库的角色。因此，开发真实可靠的大模型时，如何平衡创造力与真实性是处理幻觉问题的巨大挑战。大模型的幻觉问题具有两面性，一方面，幻觉被视为模型的缺陷，需要通过技术手段予以纾解，不正确或虚构的信息可能导致严重后果，破坏信任和可靠性。但与此同时，幻觉也可以带来创新性和创造性，生成出人意料的、新颖的想法，从而激发设计灵感，协助探索多种可能的解决方案，打破传统思维定式的束缚。因此，评估和利用幻觉现象与缓解幻觉问题同样重要，需要给予均衡的关注。总体来讲，当当前的研究工作倾向于减少前的研究工作倾向于减少幻觉幻觉，一定程度上忽略了其创造性一定程度上忽略了其创造性，在未来的工作中在未来的工作中，通过更细致的幻觉分类通过更细致的幻觉分类兼顾事实准确性和知识灵活性具有重要的现实意义兼顾事实准确性和知识灵活性具有重要的现实意义（刘泽垣，2025）。综上，模型幻觉尚属充满探索空间的研究蓝海，学界仍处于术语厘清与类型学界仍处于术语厘清与类型划分的基础性研究阶段划分的基础性研究阶段，概念谱系与理论架构的搭建远未完成概念谱系与理论架构的搭建远未完成。值得注意的是，当前研究范式正初步显露出从单向有害论向辩证价值论转变的苗头倾向当前研究范式正初步显露出从单向有害论向辩证价值论转变的苗头倾向，幻觉Global Report onArtificial Intelligence and Social Development(2025)8下的技术缺陷与创新潜能协同共生，并存在持续张力。未来的研究路径未来的研究路径需超越单需超越单纯的纯的“纾纾困困”逻辑，转而构建能够兼顾事实严谨性与知识创造性的动态平衡机逻辑，转而构建能够兼顾事实严谨性与知识创造性的动态平衡机制制，发展精细化、场景化的幻觉分类、评估与引导体系，推动可信人工智能发展。（三三）数据让渡：便利增益与隐私风险）数据让渡：便利增益与隐私风险随着生成式人工智能的发展，数据让渡以更为深刻的方式嵌入用户交互过程中。除了依赖已有数据库进行大模型训练外，用户会向交互智能体分享大量数据，这些数据被收集后可能会被继续用于模型训练。这种主动披露的数据让渡超越了“知情同意”制度的范畴，让隐私可以在用户认知模糊的状态下被非自主让渡（孙国烨等，2025）。数据让渡作为人工智能系统运作的底层逻辑数据让渡作为人工智能系统运作的底层逻辑，其引发的隐私悖其引发的隐私悖论是近年来学界关注的重要议题。论是近年来学界关注的重要议题。一方面，用户的数据隐私自愿让渡是智能应用程序为其提供个性化、场景一方面，用户的数据隐私自愿让渡是智能应用程序为其提供个性化、场景化服务的基本前提。化服务的基本前提。人工智能技术本质上天然依赖于海量数据（Yadav Neel，2023）。在万物互联的大数据时代，个人信息数据成为社会发展的重要燃料，个人提交的信息数据越多，基于海量个人信息的大数据计算越准确，个人就能获得更加精细化的私人服务，组织就能形成更加优质化的产出效率（董淑芬、李志祥，2023）。智能应用程序正是基于对海量用户数据的深度挖掘与计算，方能推出高质量的个性化适配服务。通过挖掘用户信息，应用得以勾勒出用户所处的线上线下场景，并通过自动化算法进行场景与需求的最大匹配，为用户实时、实地提供并更新适配服务。因此，隐私让渡是用户获取便利的前提基础隐私让渡是用户获取便利的前提基础，智能应用的数据智能应用的数据收集行为已经成为大数据社会正常运行不可缺少的重要基底收集行为已经成为大数据社会正常运行不可缺少的重要基底。以智能监测设备为例，各种具身设备的兴起掀起了“量化自我”的热潮，置身其中的人们佩戴着各式各样的技术装置，通过数据来认识自己。在智能设备的使用过程中，量化自我从多样的情境中形成了“让渡有益”的行为理念，从而将数据监控化用为自我跟踪。受这种数字化生存惯习的影响，量化自我群体的隐私感经历着技术社会的“脱全球人工智能社会发展研究报告(2025)9敏”，让渡数据变得习以为常。“后隐私”甚至承诺，“我们每个人的信息被数据公司记录得越多，我们就存在得越多，我们对自己的了解就越多”（俞立根、顾理平，2024）。另一方面，智能应用对数据的挖掘、储存、计算一定程度上又无可避免地另一方面，智能应用对数据的挖掘、储存、计算一定程度上又无可避免地构成了对用户数据隐私的侵犯构成了对用户数据隐私的侵犯。由于数据具有可完全复制性，隐私让渡造成的主观损失感远远小于物质性存在物让渡，这意味着隐私信息具有比一般物质性存在物更高的可让渡性（董淑芬、李志祥，2023）。在数据采集阶段，人工智能训练数据面临过度采集和窃取滥用风险，用户可能在不知情的情况下被过度收集数据（刘琳璘，2024）。在数据预处理阶段，面对海量异构数据，一般的数据预处理操作难以做到精准高效，易埋下个人信息未彻底脱敏的安全隐患（王梅艺，2024）。在使用阶段，神经卷积模型相较于传统算法模型对于各种数据要素的分析更加深入，能够发掘出海量个人信息中潜藏的信息（刘艳红，2023）。因此，在人工智能运行的各环节，均存在个人知情权、隐私权和数据权益遭受侵犯的风险。KellyD.Martin 和 Johanna Zimmermann（2024）采用人工智能生态系统视角，提出了一个过程-结果框架，对人工智能技术进行了细致分类，确定了不同类型的人工智能如何影响隐私决策。此外，算法的自动化计算黑箱一定程度上会造成对用户算法的自动化计算黑箱一定程度上会造成对用户“合成隐私数据合成隐私数据”的侵犯的侵犯。除了“自然隐私”之外，大数据具有构建“合成型隐私”的功能，即通过数据挖掘技术将人们在网络上留存的数字化痕迹进行有规律整合而成的隐私（林爱珺、章梦天，2024）。由于机器学习的内部不可见性，数据收集者无法告知用户尚未确定的数据用途，因为收集者也无法预测其获取的初始信息在后来的环节中如何被若干次加工。因此，用户、商业公司，甚至模型开发者均无法完全洞悉算法内部的计算逻辑，技术人员难以向公众进行逻辑解释，用户也无法理解自身数据是如何被处理与操作的。此外，尽管知情同意原则已经成为对待隐私让渡问题的社会共识，大多数尽管知情同意原则已经成为对待隐私让渡问题的社会共识，大多数知名企业都出台了自己的隐私规范政策，但是在实践中，数据企业将这种同意知名企业都出台了自己的隐私规范政策，但是在实践中，数据企业将这种同意Global Report onArtificial Intelligence and Social Development(2025)10机制实际异化设置为一种近乎默认的机制，机制实际异化设置为一种近乎默认的机制，绝大多数用户并不知道自己“同意”就已经构成了“同意”。这种“默示同意”机制或者“选择性拒绝”模式在 web3.0时代很难起到保护个人隐私的作用。一方面，大数据平台及软件开发商提供的知情同意书往往过于复杂，作为用户的隐私主体大多没有时间和精力进行全面而仔细的阅读，这就意味着知情只是一种可能而不是现实。另一方面，大数据平台及软件开发商都实行“同意才可使用”的政策，即如果不同意其隐私政策就不能使用其软件或平台，在这一政策下，大多数人为了获得软件或平台的便利而不得不同意其隐私政策，这就意味着同意只是一种被胁迫的同意（董淑芬、李志祥，2023）。可见，个人用户在强大的算法技术面前处于绝对弱势地位。算法隐蔽层的存在使得平台公司与用户之间存在一条技术与认知鸿沟，用户个人对隐私权利保护没有明确的认知，智能算法技术对于信息的储存与处理规则属于技术机密，知情同意幕后如何操作用户不得而知，对隐私进行了何种侵犯用户更是无法感知。最终在知情同意困境下，用户对于平台条款的同意使用属于“被迫”与“无奈”状态，知情同意原则实际上将用户置于权利被迫让渡的困境中（张涵等，2024）。基于此，部分学者开始探索更加科学的知情同意模式。Gary Burkhardt（2023）等基于自主授权模型（AA）与计划行为理论（TPB），构建了一个植根于自主伦理的知情同意模型，即一种优先考虑用户利益并支持伦理信息管理和营销实践的同意征求模式。综上，随着生成式人工智能的发展，数据让渡逐渐从被动同意转向主动披露。便利增益与隐私风险并存，一方面，用户以隐私让渡换取精准场景化服务，另一方面，智能应用对数据的挖掘、存储与计算又不可避免地构成隐私侵犯。知情同意的实践异化进一步加剧了潜在的隐私侵害。如何确保数据让渡的正当性、自主性、可控性是各界亟需突破的课题。（四）劳动转型：替代冲击与技能重构（四）劳动转型：替代冲击与技能重构人工智能技术的迅猛发展正以前所未有的深度和广度重塑全球劳动力市场全球人工智能社会发展研究报告(2025)11格局，引发了各界关于人类劳动价值与未来工作形态的深层思考，劳动替代由此成为近年来人工智能社会科学研究的核心热点。围绕人工智能对劳动市场的影响，学界形成了围绕人工智能对劳动市场的影响，学界形成了“创造创造”与与“替代替代”的两大的两大对立观点。支持创造论的学者认为，对立观点。支持创造论的学者认为，人工智能正孵化出一系列新场景、新业态，不仅不会导致大规模失业，反而会创造一批全新的就业机会（易宪容、陈颖颖，2024）。此外，智能设备的使用、维护和培训也需要大量专业人才参与（徐政、吴晓亮，2025）。事实上，当前人工智能在商业领域的应用仍处于相对早期阶段，短期内对就业产生的实质性影响较为有限（Kathryn Bonney 等，2024）。联合国的测算也印证了这一点，全球最多只有 2.3%的岗位有可能完全自动化（UN，2025）。因此，人工智能取代人类工作的可能性并不大。相反，人工智能将人从重复性、低技能要求的岗位中解放出来，从事创新性、技能密集型、情感交互性的工作，实现了对劳动力资源的重新配置与优化，有助于提高劳动效率，激发个人创造力。支持替代论的学者认为支持替代论的学者认为，采用人工智能将导致大规模的劳动替代与结构性失业。高盛的研究数据显示，在人工智能的冲击下，3 亿全职岗位面临替代风险，美国约有三分之二的职业可以通过人工智能实现部分自动化（高盛，2023）。胡晶晶和程承坪（2025）则进一步指出，机器天然地会对就业产生替代效应，但替代的范围和程度在技术的不同发展阶段不尽相同。随着人工智能技术由专用向通用跨越，就业替代效应也在不断强化与拓展，可替代的劳动形式由物质劳动延伸至非物质劳动，工作类型由常规认知领域到非常规认知领域。“创造创造”与与“替代替代”并非均匀分布并非均匀分布，而是呈现出显著的技能偏向性而是呈现出显著的技能偏向性（IEDC，2025），由此引发的就业极化现象成为学者们密切关注的研究热点由此引发的就业极化现象成为学者们密切关注的研究热点。具体表现为：低技能岗位面临取代风险，高技能岗位存在创造机遇，但其创造的数量和速度远不足以弥补被替代的低技能岗位总量，导致整体就业岗位的净减少（孟现玉，2024）。除了岗位的非对称创替之外，劳动者的非对称流动也会对极化效应产生系统性影响。黄旭和董志强（2024）的研究创新性地考虑到了劳动者技能身份的可转变性，他们提出，人工智能对就业岗位的冲击并不是简单的局部静态结果人工智能对就业岗位的冲击并不是简单的局部静态结果，而是一个复杂的全局动而是一个复杂的全局动态过程态过程。例如，在人工智能冲击下，中等技能工人有三种潜在的应对之策：一是在现有岗位上经过培训提高劳动生产率，二是下沉转化Global Report onArtificial Intelligence and Social Development(2025)12为低技能工人，三是经过培训成为高技能工人。不同策略将对就业极化与工资极化现象产生差异性影响。这种非对称的劳动市场结构将加剧收入分配的两极分化，推动其持续向高收入人群倾斜。实证结果显示，人工智能应用水平上升 1%，会导致劳动收入份额下降 0.054 个单位。但人力资本水平高、经济发达的地区人工智能对劳动收入份额的降低作用不显著（王丽媛、李繁荣，2024）。与此同时，技术进步正以前所未有的速度压缩着人力资本的“保质期”，随着人工智能技术的快速迭代，个人知识技能更新周期急剧缩短，人力资本的折旧速度持续加快，这将倒逼整个社会进入技术转型的加速期。整体而言整体而言，替代效应与创造效应同步替代效应与创造效应同步发生，劳动市场的总量收缩风险与质量提升机遇并存，呈现出技能导向动态转发生，劳动市场的总量收缩风险与质量提升机遇并存，呈现出技能导向动态转型的整体趋势。型的整体趋势。然而，随着人工智能技术从判别式向通用式的跨越演变，劳动市场的技能随着人工智能技术从判别式向通用式的跨越演变，劳动市场的技能偏向性导向引发了新的理论争议偏向性导向引发了新的理论争议。当传统自动化风险聚焦程式化体力任务时，生成式人工智能的颠覆性在于威胁认知交互型技能。Molly Kinder 等（2024）认为，生成式人工智能的生成式人工智能的发展标志着发展标志着与以往与以往“技能偏向技能偏向”范式范式的彻底决裂的彻底决裂。除非机器人技术取得突破，生成式人工智能不太可能对体力劳动造成威胁，相反，它擅长编程、预测、写作、说服、沟通，具备了替代有一定技能门槛工作的交互特质。这种特性导致自动化风险格局发生逆转，如今大多数面临生成式人工智能替代威胁的行业，正是几年前自动化替代风险排名中垫底的行业。该范式颠覆在职业与技能层面获得双重实证支持。研究表明，软件开发岗位因低具身性需求，71%的专业技能暴露于替代风险；而护理岗位依赖肢体操作与情感支持，仅 32.9%的技能可能被自动化（Ryan Stenvick，2024）。安永全球分析显示，数学与编程技能在生成式人工智能威胁暴露指数中高居首位，而主动倾听、学习能力等人际互动与情感理解技能稳居安全区（Gregory Daco，2024）。在人工智能向通用式迈进的过程中，新型技能壁垒得以形成。当高技能门槛的认知型工作沦为替代重灾区时，需复杂社会情感协调与创造性思维的能力反成人类最后的防御堡垒。这宣告这宣告“低技能低技能=高替代高替代”工业逻辑的终结工业逻辑的终结，标志着人机协作准则向标志着人机协作准则向“情感情感-创造创造”双维双维度的历史性迁移度的历史性迁移。综上，人工智能对劳动力市场的重塑已突破人工智能对劳动力市场的重塑已突破“创造创造-替代替代”的二元框架，呈的二元框架，呈全球人工智能社会发展研究报告(2025)13现现出出结结构构性性极极化化与与范范式式逆逆转转的的双双重重特特征征。伴随生成式人工智能的技术升级，传统的“低技能=高替代”逻辑被彻底打破，催生出以社会情感互动和创造性思维为核心的新型人机协作范式，就业市场的技能需求结构与转型路径因此被深度重塑。这种变革并非技术对人类的“替代竞赛”，而是劳动力价值维度的重新锚定。当高技能认知工作面临智能化冲击时，人类的独特性正转向更复杂的情感联结与突破性创新。未未来来的的关关键键在在于于构构建建“技技术术适适应应力力 人人文文内内核核”双双驱驱动动的的劳劳动动力力发发展展体体系系，让让劳劳动动力力转转型型既既能能跟跟上上技技术术变变革革的的节节奏奏，又又能能守守住住人人类类不不可可替替代代的的价价值值。（五五）智智能能鸿鸿沟沟：技技术术红红利利分分配配的的结结构构性性失失衡衡从国家层面看，人工智能技术的发展进一步加深了国家之间的差距，已成为学界共识。先先进进人人工工智智能能技技术术的的研研发发与与部部署署具具有有高高度度资资源源密密集集型型特特征征，尤尤其其依依赖赖巨巨大大的的能能源源消消耗耗和和先先进进的的基基础础设设施施，往往往往只只有有发发达达国国家家有有能能力力支支撑撑。囿于基础设施滞后、人才储备匮乏以及产业生态链不完善等本土因素，全球南方难以形成优渥的创新土壤（陈菲、蒲文杰，2025）。全球计算资源分布不均、国家间的技术准入壁垒，以及不同版本工具的访问限制，共同造成了发达国家与发展中国家在技术接入难度和质量上的双重差距。这导致人工智能领域的专业知识与核学界关于人工智能引发的智能鸿沟和社会公平的讨论方兴未艾。人工智能正在重塑全球经济与社会结构，但其带来的技术红利并未实现公平分配，反而加剧了既有的数字鸿沟。与传统数字鸿沟不同，智能鸿沟不仅涉及 ICT 技术接入与使用的差异，更体现在算力资源、算法理解、数据掌控、治理能力等深层次能力的分化。已有研究主要是从智能鸿沟的表征与成因切入，对人工智能是否加剧不平等，何以产生鸿沟，以及其弥合路径展开分析。从不同主体维度看，智能鸿沟智能鸿沟在国家层面体现为南北差异与技术自主，企业层面表现为巨头垄断与竞争失衡，在国家层面体现为南北差异与技术自主，企业层面表现为巨头垄断与竞争失衡，个人层面则反映为智能素养与社会公平。个人层面则反映为智能素养与社会公平。心利益日益集中于发达国家，而发展中国家则面临追赶困境（方兴东、钟祥铭，2024）。迄今为止，最大的受益者是美国、中国和欧盟。根据牛津大学研究人员汇编的数据，这些地区拥有全球一半以上最强大的数据中心，用于开发复杂的人工智能系统。其中，美国和中国占据绝对领导地位，运营着 90%以上的人工智能数据中心。Global Report onArtificial Intelligence and Social Development(2025)14非洲和南美洲几乎没有人工智能计算中心，超过 150 个国家完全没有（ZoeHawkins，2025）。从智能体的角度看，以 Open AI 的 Chat GPT 为代表的主流人工智能系统，在英语和中文上的表现更为熟练精准，而这两种语言恰恰是算力高度集中国家的通用语言（Adam Satariano，2025）。由于非洲语料库规模有限且缺乏代表性，ChatGPT 在非洲地区的应用推广受到限制（Gregory Gondwe，2023）。另一方面，国家间的技术鸿沟通过全球供应链分工传导至产业领域，加剧了发国家间的技术鸿沟通过全球供应链分工传导至产业领域，加剧了发展失衡展失衡。全球南方国家面临长期被锁定在产业链最低附加值环节的风险，并高度依赖发达国家上游产业链，难以实现技术战略自主（秦北辰，2024）。此外，部分国家为实现人工智能领导地位，以国家安全为由实施脱钩断链与技术封锁，阻止技术向外流出，大大降低了数据自由流通和框架互操作的可能性，极大压缩了智能鸿沟的弥合空间。从企业层面看，大部分学者认为人工智能将进一步导致竞争失衡与寡头垄断。当下，由于技术和资本的双重壁垒，人工智能基础模型市场高度集中，主要被由于技术和资本的双重壁垒，人工智能基础模型市场高度集中，主要被极少数大型科技企业所垄断极少数大型科技企业所垄断（雷昊楠，2024）。张严（2024）提出，生成式人工智能的广泛应用将引发模型共谋、数据剥削、歧视性许可和生态封锁等多重垄断风险，同时在“资本-技术”和“算法-数据”的双循环中形成结构壁垒和生态垄断。相关头部企业通过数据壁垒、拒绝开放和剥削性滥用实现对数据的非对称掌控，通过算法共谋、算法黑箱、系统封锁和自我优待完成对算法的隐蔽性支配，通过关键基础设施歧视性待遇和底层技术不兼容设计进行算力的排他性垄断。但自 DeepSake 发布以来，也有部分学者表达了用开源生态对冲垄断格局的新思考也有部分学者表达了用开源生态对冲垄断格局的新思考。DeepSake 一是通过低成本训练推理，打破高端算力的垄断封锁，降低研发应用门槛；二是通过全栈、全系列的开源开放，支持按需自主部署，普惠各行各业，为人工智能开放生态系统提供了中国经验（武延军，2025）。算法的公共化生产可以实现对开源协作模式的形塑，促进算法资源的自由流通与共享，降低算法开发的门槛和成本，实现算法知识的共享创新（吴鼎铭、汪荣燊，2025）。与此同时，部分学者开始对部分学者开始对“开源垄断开源垄断”话题展开探索性研究。话题展开探索性研究。李兆轩（2025）指出，目前学界对于开源垄断问题的深入探讨尚显不足。尽管开源社区秉持免费、共享与创新的核心理念，但企业可以通过开源项目搭建产品链条进行闭源盈利。此类“开源引流-闭源变现”的模式并不能缓解当下的巨头垄断格局。全球人工智能社会发展研究报告(2025)15从个人层面看，智能鸿沟体现在人工智能对不同群体的差异性赋能上智能鸿沟体现在人工智能对不同群体的差异性赋能上。人工智能技术的应用究竟是普惠性赋能，助力弱势群体发展并促进社会公平；抑或因其资源倾斜性分配，进一步固化既存差距并催生新型数字鸿沟？（Christoph Lutz，2024）学者们围绕这一问题展开了激烈探讨。从人口统计学维度看，智能鸿沟表现为代际、性别、收入、种族、城乡等维度之间的分化，学者纷纷对此展开表征与因应研究。以性别智能鸿沟为例，随着智能技术的广泛应用，性别歧视开始溢出传统范畴并向线上空间蔓延，广泛存在于人脸识别、搜索推荐、智能招聘、金融授信等场景中（徐偲骕，2024）。伯克利哈斯公平、性别和领导力研究中心的一项研究分析了不同行业的 133 个人工智能系统，发现其中约 44%的系统存在性别偏见，25%的系统同时表现出性别和种族偏见（UN，2024）。对此，学者们进一步对鸿沟的形成机理展开了深层解析。人工智能的性别鸿沟主要源于数据源头中的性别不平等。数据作为现实世界的映射数据作为现实世界的映射，其采集和标注过程往往会其采集和标注过程往往会客观客观复复制现实中的偏见与结构性失衡。当这些带有偏差的数据被用于训练算法时，算制现实中的偏见与结构性失衡。当这些带有偏差的数据被用于训练算法时，算法机制不仅未能纠正既有不平等，反而会系统性地识别、放大甚至固化这些模法机制不仅未能纠正既有不平等，反而会系统性地识别、放大甚至固化这些模式式，最终导致性别鸿沟在人工智能应用中被进一步最终导致性别鸿沟在人工智能应用中被进一步显化和显化和极化极化。除了探究智能鸿沟的原因之外，部分学者对生成式人工智能对应的智能素养展开了探讨。彭兰（2024）指出，智能传播时代人们需要智能传播时代人们需要掌握掌握新的新的能力能力，即即对智能生成内容对智能生成内容的的辨识辨识能力能力，以及与智能体的提示交互能力以及与智能体的提示交互能力。个体可以利用大模型实现知识生产的积累，由此产生一种去中心化的知识赋权效应。综上，智能鸿沟研究揭示了技术红利分配的结构性失衡。国家间算力地缘政治失衡将技术弱势国锁定于产业链末端，企业端数据-算法-算力的结构性垄断形成市场权力闭环，个体层面智能素养分化则进一步加剧社会不平等。这些维度共同指向技术赋权悖论人工智能在提升生产效率的同时，系统性地强化了既有不平等机制。唯当技术红利分配从零和博弈转向帕累托改进，方能使人工智能唯当技术红利分配从零和博弈转向帕累托改进，方能使人工智能从阶层固化器转化为社会包容性增长引擎。从阶层固化器转化为社会包容性增长引擎。（六）人机主体性：异化与共生（六）人机主体性：异化与共生人工智能技术的迅猛发展正在深刻重构人机关系，并引发关于主体性Global Report onArtificial Intelligence and Social Development(2025)16（Subjectivity）的哲学伦理反思。随着随着“机器的人化机器的人化”与与“人的机器化人的机器化”双重进双重进程的同步演进程的同步演进，学界对技术冲击下，学界对技术冲击下“人的主体性人的主体性”和和“机器的主体性机器的主体性”展开激展开激烈讨论烈讨论。部分学者依托海德格尔、马克思、笛卡尔、哈贝马斯、梅洛-庞蒂等的经典理论，展开主体性哲学层面的思考，另有部分学者则从法律视角切入，对人工智能的法律主体地位展开探讨。针对技术冲击下人的主体性危机，针对技术冲击下人的主体性危机，学界学界主要主要聚焦于危机的多重表征与纾解聚焦于危机的多重表征与纾解之道展开研究之道展开研究。危机的本质在于技术理性对价值理性的僭越，以及资本逻辑与技术逻辑的共谋对人性本质的异化。例如，凌应生（2025）指出，资本与技术的双重逻辑已深度介入并重构个体的认知模式、行为方式、社会关系及自我认同。这种介入与重构对人的主体性形成的冲击集中体现在四个维度：独立人格被侵蚀（个性消解与技术依赖）；自主性和创造性被削弱（技术替代与思维惰性）；交往异化加剧（虚拟交往与情感疏离）；社会角色边缘化（技术失业与身份认同危机）。因此，理应遵循人是实践主体原则、坚持以人的价值理性引导技术理性、完善人机共生的伦理规则、以制度规约资本与技术的逐利本性，从而实现人主体性的重塑与复归。李戈和何玉芳（2025）的研究则从历史维度剖析了主体性的演化轨迹，指出人工智能时代的主体性困境主要表现为：人的自由意志遭遇削减、人的自我异化倾向加剧，以及人的隐私安全不复存在三个方面。基于此，他构建了包含自我意识提升、技术标准规范化和治理体系完善三个层面的应对框架。对于人工智能的主体性争议，不同于技术界的积极想象，社科领域的大部对于人工智能的主体性争议，不同于技术界的积极想象，社科领域的大部分学者并不认同其具有完全的主体性分学者并不认同其具有完全的主体性。尽管模拟技术的进步让人难以摆脱机器作为类人主体的幻觉，但其始终无法产生意识（Thomas Fuchs，2024）。从马克思主义观点来看，“智能主体性”并不存在，主体性为人所特有，是人作为存在主体的现实性、作为价值主体的生命性、作为需求主体的能动性、作为实践主体的创造性的集合（彭姝，2025）。主体性是人工智能无法复制的，不是目前的人工智能无法获得，而是人工智能原则上就无法获得，即人工智能不可能突破发展的奇点而全方位地超越人类。工智能本质上就是对人类智能的模仿，而且是对人类智能外部功能的模仿，而不是对人类智能的复制或再造。人工智能无论怎样发展都不会改变其“模仿”的本质，不会拥有人类智能的主体性（Georg Northoff、全球人工智能社会发展研究报告(2025)17Steven S.Gouveia，2024；阎孟伟，2024）。人工智能在认知科学的五个层级（神经层级、心理层级、语言层级、思维层级、文化层级）均与人类存在本质区别，因此从根源上不具备主体性（甄航，2024）。也有学者指出也有学者指出，传统主客体二元对传统主客体二元对立的认识论已无法解释生成式人工智能对主体性的冲击立的认识论已无法解释生成式人工智能对主体性的冲击。人机关系经历了从初期的“被动工具模式”到如今“智能协作模式”的发展（孟芳，2025），已经由传已经由传统的统的“主客体主客体”支配关系转向一种深度支配关系转向一种深度“合作合作”关系关系（李洋、薛澜，2025）。部部分学者引入行动者网络理论分学者引入行动者网络理论（ANT），将技术作为网络中的行动者之一将技术作为网络中的行动者之一。HelenaLindgren（2024）基于活动理论框架和社会历史理论，对人工智能的社会角色进行了纵向梳理，并发展了一套社会技术关系框架，旨在为理解新型人机关系提供参考。殷杰（2024）提出，生成式人工智能在与人类交互中，表现出了与以往人工智能截然不同的自主交互能力，呈现出一种新型的主体性特征新型的主体性特征，即交互主体性即交互主体性。这种交互呈现的新型主体性特征，是以人类语料作为基础驱动力、在交互状态下直接生成的自主行动能力，既不是源自生物本能的生存和自我维持，也不同于人类基于意向性的主体性，更不是传统人工智能所依赖的由人类设定的机械性功能。这种主体性在交互中可能表现为更敏锐的感知能力、更强大的推理能力和更适切的行动能力。然而，这种类人性和非人性的主体性特征，只有在与人类主体的广泛交互中才可能形成和显现，因此不必对技术对人的主体性冲击太过悲观。此外，当前关于人工智能法律主体地位的探讨，即人工智能能否成为法律意义上的行为主体，以享有相关权利和承担相应责任，形成了两种截然相反的观点形成了两种截然相反的观点：否定说和肯定说否定说和肯定说（梅夏英，2025）。否定说目前是大多数人支持的主流观点否定说目前是大多数人支持的主流观点，该说认为人工智能目前成为法律主体并不现实，其主要理由在于：人工智能目前并不具有人类的理性和自我意识，亦不具有自身财产，且不赋予其主体地位并不影响法律解决与人工智能相关的法律问题（孙良国，2024；袁康，2024）。肯定说肯定说则认为，则认为，对于一种新型民事主体的承认，法律并不必然要求主体具有人类理性，如法人（尤其是财团法人）就体现为财产的聚合；亦不要求责任财产的存在，如动物、胎儿和非法人团体等民法上的“有限主体”就与财产无直接关系（石冠斌，2024）。确认人工智能领域的法律主体是 Agent（行为体），有助于深入推进人工智能与法律的交叉研究。Agent 通常有弱概念和强概念两种用法，在弱概念之下的行为体有自主性、社会性、反应性、主动性的特征；在强概念之下的行为体Global Report onArtificial Intelligence and Social Development(2025)18通常指一个计算机系统，除了弱概念的上述特性之外，要么是概念化的，要么是使用更常用于人类的概念来实现的，有一种赋予行为体类似人类特性的方式是在视觉上展示它们，所谓“人形机器人”就是一例（寿步，2023）。综上，人工智能的快速发展正在重构人机关系。在技术与资本的共谋下，人类主体性面临异化危机，而机器主体性争议则打破了“主体-客体”的二元对立，“交互主体性”等概念为理解智能时代的主体形态提供了新视角。未来，需在理论建构与实践探索的过程中，探寻人机共生的主体性范式。（七）大国博弈：权力重构与生态重塑（七）大国博弈：权力重构与生态重塑科技的每次重大革新都会带来国际权力格局的变动以及政治生态的重塑。人人工智能作为第四次科技革命中的颠覆性战略技术，是大国博弈的焦点，也是学工智能作为第四次科技革命中的颠覆性战略技术，是大国博弈的焦点，也是学界关注的经典议题。界关注的经典议题。人工智能正深刻重塑国际权力格局人工智能正深刻重塑国际权力格局，部分学者围绕技术的国家权力形塑路，部分学者围绕技术的国家权力形塑路径展开分析径展开分析。在理论层面，无论是在西方现实主义框架下，技术被视为从属于国家物质权力的核心要素；在新自由主义视角中，技术被定义为外生的“中立工具”；在建构主义逻辑里，技术被解读为嵌入社会规范的有机组成部分；还是在国际政治经济学的分析维度下，技术被视作塑造结构性权力的关键变量，技术始终是影响国际权力格局演变的核心因素（余南平，2025）。在国家视角，部分学者从关系连带（将其他领域的战略关系迁移到人工智能领域，利用人工智能领域权力实现连带影响）、资源异质（各国要素禀赋不同、外部环境不同，容易产生矛盾和竞争关系）、战略警觉（一国认为另外一国制定了可操作的、构成威胁的技术策略）三个关键因素出发，揭示了国家间权力互动的复杂性和多样性（蔡翠红，2024）。在企业视角，有学者提出人工智能通过重塑知识结构、介入生产、安全与金融领域，推动国际权力向技术优势国与跨国企业集中（部彦君、许开轶，2023）。数字巨头掌控核心技术、配套资源及治理规则，形成“工具性、话语性与制度性”三重技术权力，加剧“全球南方”国家的技术依附，并且输出隐性价值观实现跨国渗透（孙志伟、殷浩铖，2025）。为获取国家权力，各国纷纷展开科技博弈。传统的国家综合实力竞争正在悄然演化为以数据和算法为核心的人工智能竞争。全球人工智能社会发展研究报告(2025)19在竞争态势上，国家竞争焦点不再局限于人工智能技术研发创新，“数据-算力-模型-应用-规则”全链条要素均成为国际竞争新的角力点。相应地，学者们的研究焦点也从关键技术博弈，拓展至数据、算力和模型竞赛、规则话语权争夺等竞争泛领域（Jared Cohen，2024）。作为典型的军民两用技术，人工智能在国防军事领域的广泛应用，作为典型的军民两用技术，人工智能在国防军事领域的广泛应用，引发了引发了学界对其国际安全影响的深入探讨学界对其国际安全影响的深入探讨。人工智能加剧了国家间的军备竞赛与安全困境，重塑了战争形态和政治生态，是影响全球安全格局的重要因素。学界关于人工智能与安全的研究主要聚焦在物理层的武器赋能与认知层的信息操控物理层的武器赋能与认知层的信息操控两个层面。一是关于人工智能带来的网络空间武器化的探讨一是关于人工智能带来的网络空间武器化的探讨。人工智能赋能国际网络安全攻防博弈，网络攻击智能化升级明显，攻击效率显著提升，呈现自动化、自适应和协同作战的特征（徐坚、朱思思，2025）。同时，算法驱动的认知战与网络攻击引发新型国际冲突，有学者提出“计算外交”概念，主张以“计算能力对抗计算风险”，强化外交智能化转型（董青岭、曹飞翠，2024）。随着人工智能“工具化”“武器化”，网络攻击升级、虚假信息泛滥、认知污染、政治舆情操纵变为现实。对此，Dan Hendrycks（美国人工智能安全中心执行主任）、Eric Schmidt（谷歌前 CEO）、Alexandr Wang（Scale AI 创始人）等指出，亟需制定全面战略应对风险，并提出“互保人工智能故障”（MAIM）的威慑概念（即任何国家试图单方面获得 AI 主导地位的激进行为都将面临对手的预防性破坏）。二是关二是关于虚假信息与认知战研究。于虚假信息与认知战研究。自 ChatGPT 发布以来，深度伪造和信息操控随之泛滥，极大地动摇了西方国家的民主根基与社会秩序（Shasha Yu、Fiona Carroll，2024）。生成式人工智能对意识形态渗透、国际舆论操控与军事指挥构成潜在威胁（黄日涵、姚浩龙，2023）。比如推动新闻生产由“书写逻辑”向“叙事逻辑”转变，部分已被用于制造虚假新闻（李明德、李聿哲，2025），虚假信息在数以万计的数量级上成倍扩散或者合并（邓宏光、王雪璠，2024）。尤其是 2016 年美国大选以来，人工智能成为西方政党政治的重要推动因素。技术迭代升级与政党博弈交织演进，人工智能结合大数据技术，降低政党触达选民的成本，强化科技公司在选举中的作用。这一趋势背景下，部分学者针对 ChatGPT 等人工智能大模型的政治偏见情况（朱尉、高强，2025）、人工智能对全球选举的干扰（ShanzeHasan，2024）展开研究，另有部分学者则探讨了新一代人工智能技术对选举的Global Report onArtificial Intelligence and Social Development(2025)20“双刃剑”效应，既认可“智能选举 3.0”时代人工智能赋能选举组织效率，也指出其对选举民主带来多重负面冲击，让智能选举面临严峻的失范风险（王中原，2025）。综上，人工智能作为第四次科技革命中最具有代表性和颠覆性的高新技术，拥有军民两用、更迭周期短、可复制性强的技术特性，具有天然的技术外溢倾向（部彦君，2024）。技术与权力深度交织，人工智能作为奇点性质的技术变量，正以前所未有的速度和影响力形塑国际权力格局与全球政治生态。全球技术军备竞赛将持续进行，全球智能鸿沟短期内未见弥合态势，如何确保人工智能安全可控、全球普惠，并最大化释放其促进和平与可持续发展的潜力，是政产学研界需要共同攻克的课题。（八）敏捷治理：渐进改进、协同共治（八）敏捷治理：渐进改进、协同共治人工智能技术快速演进伴生的高度不确定性和复杂风险，使传统长周期制定、刚性规则执行和单一主体主导的治理模式陷入瓶颈，难以有效匹配技术变革的节奏与应对涌现性挑战。追求敏捷逐渐成为人工智能治理的共识性理念。追求敏捷逐渐成为人工智能治理的共识性理念。目前，学界关于敏捷治理的研究多停留于概念阐释与案例分析，对于相关目前，学界关于敏捷治理的研究多停留于概念阐释与案例分析，对于相关理论架构、实现路径、操作工具、流程路线仍缺乏全面系统的综合性分析。理论架构、实现路径、操作工具、流程路线仍缺乏全面系统的综合性分析。敏捷治理这一概念最初起源于美国制造业，美国政府在其出台的21 世纪制造企业战略报告中首次提出“敏捷制造”这一说法，旨在倡导制造企业采用现代通信技术，积极响应用户的需求变化，快速配置生产资源，实现制造的敏捷性。敏捷理念其后进入美国软件工程领域，并以 2001 年由软件开发人员所撰写的敏捷宣言为标志性事件，为人所熟知。该宣言阐述了敏捷理念的四种核心价值观和十二条原则。“敏捷软件开发”将传统的计算机软件开发的瀑布模式改成平行开发模式，以用户为中心，以解决问题为导向，通过与用户的频繁互动和面对面的交流和互动，来响应和满足用户快速变化的需求（于文轩，2023）。2018 年，世界经济论坛将“敏捷治理”（Agile Governance）定义为“一种柔韧性、灵活性或适应性的行为或方法”，旨在转变政府政策的产生、制定、执行方式，以期全球人工智能社会发展研究报告(2025)21跟上新兴技术驱动社会快速变革。具体而言，敏捷治理强调有效回应不断变化的公共需求，并呈现出四个方面的特征：价值导向上强调创新和治理协调发展，治理主体上强调政府主导、多元参与，治理对象上强调全过程自下而上分层治理，治理工具上强调灵活响应、软硬兼施（龙龙，2024）。基于此，已有部分学者从敏捷治理的角度出发，对虚假信息治理（何宇华、李霞，2024）、数据治理（Chukwurah 等，2024；叶英杰、李川，2025）、数字政府建设（朱国伟等，2024）等议题展开纵深案例分析，初步尝试建构敏捷治理模式框架与理论体系。也有学者从实践的角度出发，对敏捷治理的国家模式展开初步探索。如 Kodai Zukeyama等（2024）对日本的敏捷治理模式进行了详细探析，并将敏捷治理与“以人为本的人工智能”（HCAI）进行了议题关联。但但现有成果仍多呈现点状突破的特征现有成果仍多呈现点状突破的特征，在理论体系的整合度、抽象度与统摄性方面尚存提升空间，亟待通过更深入的在理论体系的整合度、抽象度与统摄性方面尚存提升空间，亟待通过更深入的概念凝练与跨案例比较研究，推动敏捷治理理论的系统化发展。概念凝练与跨案例比较研究，推动敏捷治理理论的系统化发展。作为敏捷开发模式的典型成果，生成式人工智能的治理模式也应遵循敏捷作为敏捷开发模式的典型成果，生成式人工智能的治理模式也应遵循敏捷治理这一原生治理方式治理这一原生治理方式，传统治理模式难以为继传统治理模式难以为继（郭全中，2025）。这一必然性源于：其一，人工智能技术快速迭代导致制定周期较长的传统治理工具难以匹配。其二，人工智能的全面渗透性及其引发的不确定性风险导致以“命令-执行”为主的“官僚”治理模式难以奏效（龙龙，2024）。而敏捷治理这一实时反馈敏捷治理这一实时反馈、渐渐进改进、多方参与、灵活自适应的治理模式则为当下的人工智能治理带来了新进改进、多方参与、灵活自适应的治理模式则为当下的人工智能治理带来了新的窗口。然而，在实际治理过程中，寻找恰当的敏捷性与灵活性仍面临诸多挑的窗口。然而，在实际治理过程中，寻找恰当的敏捷性与灵活性仍面临诸多挑战战。安全性和敏捷性之间存在持续张力（Sascha Ngele，2023）。具体而言，在应对新兴技术时，政府在识别治理对象及其风险、权衡治理目标与治理工具方面仍然面临着信息不对称乃至“共同无知”的局限性。发展与规制的内在张力也使得利益相关方难以真正实现协同共治、监管协调。风险的“倒逼”和避责压力很容易导致监管出现敏捷治理和集中治理的急剧切换（薛澜等，2024）。此外，部分学者对敏捷治理中政府所应承担的角色进行了探讨。敏捷治理模式不同于传统自上而下的治理模式，强调政府、企业、社会组织等多元主体的共同参与。自下而上的模式保证了治理理念的多元化与效益的公平性，但也会衍生决策进程迟缓等附带作用。多个利益攸关方可能有不同的治理目标和优先事项，Global Report onArtificial Intelligence and Social Development(2025)22如企业更加注重技术创新，政府更加注重安全风险防治，用户个人更加注重隐私保护，这些目标之间可能存在冲突（郭全中，2025）。因此，决策权的共享程度决策权的共享程度极大地影响着治理的效率极大地影响着治理的效率。敏捷治理在倡导不同主体广泛参与的同时，也强调敏捷治理在倡导不同主体广泛参与的同时，也强调政府作为权威主体在其中扮演的主导性角色政府作为权威主体在其中扮演的主导性角色（薛澜，2024）。何宇华（2024）进一步指出，敏捷治理强调要在政府和非政府行为者之间保持决策权的极化，即敏捷治理强调要在政府和非政府行为者之间保持决策权的极化，即仅在一方保持决策权仅在一方保持决策权。以生成式人工智能虚假信息治理为例，治理效率是首要问题，同时又事关意识形态风险防范，因此应且仅应由政府来主导。同时，明确的政府导向和有效的高层管理支持是提升组织敏捷性的重要因素，为创造更大的公共价值和提高治理的敏捷性，必须以强有力的政治领导推动敏捷治理的关键流程。具体体现为，当多主体共同参与生成式人工智能虚假信息治理时，政府需要主动式、前置式协调来自社会各个层面和不同部门的参与资源，有效地组织工作和信息交换，以消解“去中心化”带来的权力泛化、决策困难和合作懈怠。因此，政府主导，多方参与同时保证了敏捷治理的效率性与包容性。综上，敏捷治理作为人工智能治理的新范式，其核心价值在于通过多元主体协同与弹性规则迭代破解传统治理的时滞性困境。这一模式与中国倡导的“包容审慎”以及“多利益相关方”深度契合，可为丰富敏捷治理概念谱系提供突破思路。未来需要双向发力，推动敏捷治理的理论深化与实践转化，包括发展敏捷治理可操作框架，例如通过分层监管沙盒（如人工智能分级分类治理机制）、政策适应性实验（如地方试点容错纠错制度）及政企责任共担体系（如算法安全备案与追溯机制）等创新路径，在激发技术创新活力与防控系统性风险之间构建动态平衡的治理生态。全球人工智能社会发展研究报告(2025)23三、结三、结 语语随着生成式人工智能的裂变演进，技术已超越工具范畴，成为重塑经济秩序与文明形态的元力量。本报告系统梳理了人工智能社会发展的八大核心议题：算力扩张在加剧能源困局的同时，也通过绿色转型与核能突破开辟了可持续发展路径；数据让渡在实现精准场景化服务的同时，也引发了隐私非自主让渡与知情同意机制失效的风险；模型幻觉既是可信性挑战的源头，亦为创造性突破的潜在催化剂；生成式人工智能颠覆劳动市场“低技能=高替代”的传统逻辑，推动“技术适应力 人文内核”双驱动的劳动力体系发展；智能鸿沟揭示技术红利分配的多维结构性不平等，国家发展失衡、企业巨头垄断、社会公平失序呼吁技术包容性导向发展；人类面临主体性异化危机，而机器“交互主体性”的涌现打破了主客体二元框架，未来需在理论与法律层面重构人机共生的主体性范式；人工智能通过重塑国家权力与国际安全格局，成为大国权力博弈的核心战略要素；敏捷开发与敏捷治理天然适配，以反馈与共治为核心的敏捷治理模式破解了传统规制的时滞困境，亟需推动相关可操作框架转化。赋能与风险并存、解构与重构共生赋能与风险并存、解构与重构共生、博弈与协同竞合博弈与协同竞合、工具理性与价值理性碰撞工具理性与价值理性碰撞。人工智能社会化揭示出技术嵌入现代性肌理的深层逻辑与复杂面向。人工智能的社会科学研究，其核心价值不仅在于理解技术，也不止在于驾人工智能的社会科学研究，其核心价值不仅在于理解技术，也不止在于驾驭技术，更在于深入探索技术与人类社会的共生逻辑。驭技术，更在于深入探索技术与人类社会的共生逻辑。技术发展驱动制度创新，社会调适反哺技术驯化。唯有持续深化相关核心议题的探索，构建技术革新与社会福祉的动态平衡机制，方能引导人工智能成为人类文明的向善建构性力量，而非社会分化的潜在风险源。这既要求学术理论的前沿突破，亦需政府、市场和社会协同构建治理框架，共同塑造兼具创新活力与人本价值的智能文明。24附录：参考文献附录：参考文献（Reference）1 Adam Satariano：The A.I.Race Is Splitting the World Into Haves and Have：https:/ Adam Zewe：Explained:Generative AIs environmental impact：https:/news.mit.edu/2025/explained-generative-ai-environmental-impact-01173 Bonney,K.,Breaux,C.,Buffington,C.,Dinlersoz,E.,Foster,L.,Goldschlag,N.,.&Savage,K.（2024）.The impact ofAI on the workforce:Tasks versus jobs?.Economics Letters,244,111971.4 Burkhardt,G.,Boy,F.,Doneddu,D.,et al.（2023）.Privacy behaviour:Amodel for onlineinformed consent.Journal of Business Ethics,186,237255.5 Chukwurah,N.,Ige,A.B.,Idemudia,C.,&Eyieyien,O.G.（2024）.Integrating agilemethodologies into data governance:Achieving flexibility and control simultaneously.OpenAccess Research Journal of Multidisciplinary Studies,8（01）,045-056.6 Fuchs,T.（2024）.Understanding Sophia?On human interaction with artificial agents.Phenomenology and the Cognitive Sciences,23,2142.7 Goldman Sachs:Generative AI could raise global GDP by 7%:https:/ Gondwe,G.(2023).CHATGPT and the Global South:how are journalists in sub-SaharanAfrica engaging with generative AI?.Online Media and Global Communication,2(2),228-249.9 Gregory Daco:How GenAI will impact the labor market:https:/ Hawkins,Z.,Lehdonvirta,V.,&Wu,B.（2025）.AI Compute Sovereignty:InfrastructureControlAcross Territories,Cloud Providers,and Accelerators.Cloud Providers,andAccelerators（June 20,2025）.11 IEDC:Artificial Intelligence Impact on Labor Markets:https:/www.iedconline.org/clientuploads/EDRP Logos/AI_Impact_on_Labor_Markets.pdf12 Jared Cohen:The Next AI Debate IsAbout Geopolitics:https:/ Ji,Z.,Lee,N.,Frieske,R.,Yu,T.,Su,D.,Xu,Y.,.&Fung,P.（2023）.Survey ofHallucination in Natural Language Generation.ACM computing surveys,55（12）,1-38.14 Lindgren,H.（2024）.Emerging roles and relationships among humans and interactive AIsystems.International Journal of HumanComputer Interaction,123.15 Lutz,C.(2024).Social Inequalities andArtificial Intelligence:How Digital InequalityScholarship Enhances Our Understanding.In Algorithms,Artificial Intelligence and Beyond(pp.193-210).Routledge.16 Maleki,N.,Padmanabhan,B.,&Dutta,K.（2024）.AI hallucinations:Amisnomer worthclarifying.arXiv.arXiv preprint arXiv:2401.06796.2517 Martin,K.D.,&Zimmermann,J.（2024）.Artificial intelligence and its implications fordata privacy.Current Opinion in Psychology,58,101829.18 Molly Kinder.el：Generative AI,the American worker,and the future of work:https:/www.brookings.edu/articles/generative-ai-the-american-worker-and-the-future-of-work/19 Northoff,G.,&Gouveia,S.S.（2024）.Does artificial intelligence exhibit basicfundamental subjectivity?Aneurophilosophical argument.Phenomenology and theCognitive Sciences,23,10971118.20 Ngele,S.,Schenk,N.,&Matthes,F.(2023,June).The current state of security governanceand compliance in large-scale agile development:Asystematic literature review andinterview study.In 2023 IEEE 25th Conference on Business Informatics(CBI)(pp.1-10).IEEE.21 Rane,N.（2023）.Contribution of ChatGPT and other generative artificial intelligence（AI）in renewable and sustainable energy.Available at SSRN 4597674.22 Ryan Stenvick:Why AI is Here to Help,Not Replace:Understanding GenAIs Role in theModern Workforce:https:/ Shanze Hasan：The Effect ofAI on ElectionsAround the World and What to Do About It:https:/www.brennancenter.org/our-work/analysis-opinion/effect-ai-elections-around-world-and-what-do-about-it24 Sun,Y.,Sheng,D.,Zhou,Z.,&Wu,Y.（2024）.AI hallucination:towards a comprehensiveclassification of distorted information in artificial intelligence-generated content.Humanitiesand Social Sciences Communications,11（1）,1-14.25 UN:Artificial intelligence and the future of work:WillAI replace our jobs?：https:/unric.org/en/artificial-intelligence-and-the-future-of-work-will-ai-replace-our-jobs/26 UN:Artificial Intelligence and gender equality:https:/www.unwomen.org/en/articles/explainer/artificial-intelligence-and-gender-equality27 WEF:Agile Governance Reimagining Policy-making in the Fourth Industrial Revolution:https:/www3.weforum.org/docs/WEF_Agile_Governance_Reimagining_Policy-making_4IR_report.pdf28 Yadav,N.,Pandey,S.,Gupta,A.,Dudani,P.,Gupta,S.,&Rangarajan,K.(2023).Dataprivacy in healthcare:in the era of artificial intelligence.Indian Dermatology Online Journal,14(6),788-792.29 Yu,S.,&Carroll,F.（2023）.Abalance of power:Exploring the opportunities andchallenges ofAI for a nation.In R.Montasari（Ed.）,Applications for artificial intelligenceand digital forensics in national security（pp.1537）.30 Zhang,E.,Wu,D.,&Boman,J.（2024,August）.Carbon-Aware Workload Shifting forMitigating Environmental Impact of Generative AI Models.In 2024 IEEE InternationalConferences on Internet of Things（iThings）and IEEE Green Computing&Communications（GreenCom）and IEEE Cyber,Physical&Social Computing（CPSCom）and IEEE Smart Data（SmartData）and IEEE Congress on Cybermatics（pp.446-453）.31 Zukeyama,K.,Nishimura,T.,Kawashima,H.,&Yamamoto,T.（2024）.Agile governance26asAI governance:A challenge for governance reformation in Japan.In Human-centeredAI（1st ed.,pp.276）.32 stergaard,S.D.,&Nielbo,K.L.（2023）.False responses from artificial intelligencemodels are not hallucinations.Schizophrenia bulletin,49（5）,1105-1107.33 部彦君,许开轶.重塑与介入：人工智能技术对国际权力结构的影响作用探析J.世界经济与政治论坛,2023,（1）:86-111.34 部彦君.人工智能发展下的权力扩散态势解析与挑战应对J.科学学研究,2025,43（3）:608-616.35 蔡翠红.国家间权力关系视域中的人工智能国际竞争与合作J.当代世界,2024,（5）:19-24.36 陈菲,蒲文杰.全球人工智能治理的去中心化 基于“主体模式结构”的分析框架J.世界经济与政治论坛,2025,（3）:15-44，177.37 陈晓红,曹廖滢,陈姣龙,等.我国算力发展的需求、电力能耗及绿色低碳转型对策J.中国科学院院刊,2024,39（3）:528-539.38 邓宏光,王雪璠.生成式人工智能虚假信息治理的风险与应对J.理论月刊,2024,（9）:115-129.39 董青岭,曹飞翠.计算外交：基于智能驱动的外交革命J.国际观察,2024,（2）:44-71.40 董淑芬,李志祥.论大数据后疫情时代的隐私让渡J.齐鲁学刊,2023,（4）:62-72.41 方师师,唐巧盈.聪明反被聪明误：ChatGPT 错误内容生成的类型学分析J.新闻与写作,2023,（4）:31-42.42 方兴东,钟祥铭.生成式 AI 与智能鸿沟：智能时代数字不平等的趋势、逻辑与对策J.湖南师范大学社会科学学报,2024,53（6）:121-131.43 郭全中.技术演化与涌现风险：生成式人工智能的协同式敏捷治理体系研究J.编辑之友,2025,（4）:49-56.44 何宇华,李霞.生成式人工智能虚假信息治理的新挑战及应对策略 基于敏捷治理的视角J.治理研究,2024,40（4）:142-156，160.45 胡晶晶,程承坪.新一代人工智能对就业的影响及应对策略J.人文杂志,2025,（1）:40-52.46 胡泳,王昱昊.技术过程论视角下 AI 幻觉生成的价值负荷与伦理问题探析J.南京社会科学,2025,（3）:84-94.47 黄日涵,姚浩龙.被重塑的世界？ChatGPT 崛起下人工智能与国家安全新特征J.国际安全研究,2023,41（4）:82-106，158-159.48 黄旭,董志强.人工智能对劳动力市场极化的影响与对策J.系统工程理论与实践,2024,44（1）:272-298.49 雷昊楠.生成式人工智能的竞争风险、监管逻辑与反垄断应对J.中国科技论坛,2024,（7）:64-74.50 李戈,何玉芳.人工智能时代人的主体性危机及其消解J.北京工业大学学报（社会科学27版）,2025,25（3）:101-110.51 李坤泽.人工智能对美国能源产业发展的影响J.现代国际关系,2025,（4）:49-68，138-139.52 李明德,李聿哲.赋能和消解:生成式人工智能与新闻真实的碰撞J.西安交通大学学报（社会科学版）,2025,45（2）:109-118.53 李洋,薛澜.颠覆、调适与协同：责任伦理视域下生成式人工智能的多主体治理机制研究J.电子政务,2025,（7）:40-49.54 李兆轩.开源模式下的垄断及其二元治理之策J.中国法律评论,2025,（3）:215-226.55 林爱珺,章梦天.基于数据多粒度的隐私差序保护J.苏州大学学报（哲学社会科学版）,2024,45（2）:182-192.56 林曦.人工智能“幻觉”的存在主义阐释J.社会科学辑刊,2025,（2）:81-91.57 凌应生.论人工智能对人的主体性的冲击及应对J.理论视野,2025,（4）:66-71.58 刘宏伟,马酉儒.生成式人工智能与绿色生产力培育:关键要素、驱动路径与政策建议*J.学术界,2025,（3）:78-88.59 刘琳璘.人工智能时代数据安全风险防范体系研究J.政法学刊,2024,41（3）:32-41.60 刘艳红.生成式人工智能的三大安全风险及法律规制 以 ChatGPT 为例J.东方法学,2023,（4）:29-43.61 刘泽垣,王鹏江,宋晓斌,等.大语言模型的幻觉问题研究综述J.软件学报,2025,36（3）:1152-1185.62 龙海泉,刘卓月,王向团.人工智能大发展对算力和能源影响研究J.中国信息化,2024,（11）:7-8.63 龙龙.敏捷治理理念下人工智能软法之治的问题与对策J.江汉论坛,2024,（5）:128-134.64 梅夏英.伦理人格与技术人格：人工智能法律主体地位的理论框架J.中外法学,2025,37（1）:26-44.65 孟芳.从边界重构到协作共生：生成式人工智能背景下的人机关系演进探究J.人工智能,2025,（3）:86-95.66 孟现玉.风险社会理论下人工智能时代的失业风险与法律治理J.郑州大学学报（哲社）,2024,57（4）:56-63.67 彭兰.智能传播时代“智能鸿沟”的走向探询J.中国编辑,2024,（11）:19-26.68 彭姝.论生成式治理中人的主体性建构：马克思主义的分析视角J.科学社会主义,2025,（2）:29-37.69 戚凯,杨悦怡.人工智能时代的美国对华算力竞争J.国际论坛,2024,26（3）:43-61，156，157.70 秦北辰.数字技术、权力失衡与全球南方产业发展的困境J.外交评论（外交学院学报）,2024,41（3）:80-103，167-168.2871 生成式人工智能对劳动力市场的颠覆性影响及其应对72 石冠彬.人工智能成为法律主体不存在理论障碍J.光明日报理论版,2024,（81）.73 寿步.agent（行为体）是人工智能领域的法律主体J.网络信息法学研究,2023,（1）:21-34，284.74 寿步.人工智能术语agent的精准译解及其哲学意义J.哲学分析,2023,14（3）:130-143，199.75 孙国烨,吴丹,刘静,等.用户与生成式人工智能交互的隐私披露多因素影响模型研究J.信息资源管理学报,2025,15（2）:108-122.76 孙良国.人工智能不应成为法律主体J.光明日报理论版,2024,（81）.77 孙志伟,殷浩铖.人工智能时代数字巨头的技术权力及其对“全球南方”的挑战J.国际安全研究,2025,43（2）:142-164，168.78 王丽媛,李繁荣.人工智能、产业结构服务化转型与劳动收入份额J.经济问题,2024,（8）:52-59.79 王梅艺.人工智能时代数据安全风险及应对策略J.中阿科技论坛（中英文）,2024,（11）:139-143.80 王中原.竞争性选举的智能转型：动力机制、技术过程与政治影响J.政治学研究,2025,（1）:108-118，189-190.81 吴鼎铭,汪荣燊.人工智能时代算法的公共化生产J.福建师范大学学报（哲学社会科学版）,2025,（3）:78-87.82 吴红,姜惠.从“红色 AI”到“绿色 AI”人工智能的生态范式转换J.探索与争鸣,2025,（5）:99-110，178-179.83 武延军.DeepSeek 引发的 AI 创新和开源生态发展的思考J.中国科学院院刊,2025,40（3）:446-452.84 徐偲骕.智能社会语境下的数据治理如何助力性别平等J.宁夏社会科学,2024,（4）:166-175.85 徐坚,朱思思.人工智能驱动的网络空间国际竞争及其治理路径J.中国网信,2025,（5）:57-61.86 徐政,吴晓亮.人工智能发展对劳动力市场的影响 基于政治经济学视角的分析J.湖北大学学报（哲学社会科学版）,2025,（3）:145-152.87 许潇丹,惠宁.人工智能对工业绿色低碳发展的影响研究J.陕西师范大学学报（哲学社会科学版）,2024,53（6）:74-86.88 薛澜,贾开,赵静.人工智能敏捷治理实践：分类监管思路与政策工具箱构建J.中国行政管理,2024,40（3）:99-110.89 阎孟伟.人工智能能否最终超越人类智能J.社会科学战线,2024,（11）:44-56.90 杨雅,滕文强,喻国明.“熟知还是真知”?生成式人工智能对媒体融合变革的影响基于复杂系统的视角J.南京社会科学,2024,（11）:94-104.2991 叶英杰,李川.人工智能模型训练中合成数据的应用风险及其治理路径J.情报理论与实践,2025,48（6）:47-55.92 易宪容,陈颖颖.生成式人工智能对劳动力市场的颠覆性影响及其应对J.江海学刊,2024,（6）:91-99.93 殷杰.生成式人工智能的主体性问题J.中国社会科学,2024,（8）:124-145，207.94 于文轩.ChatGPT 与敏捷治理J.学海,2023,（2）:52-57.95 余南平.通用人工智能时代的国际权力重塑J.中国社会科学,2025,（4）:41-59，205.96 俞立根,顾理平.隐私何以让渡:量化自我与私人数据的日常实践J.苏州大学学报（哲学社会科学版）,2024,45（2）:172-181.97 袁康.破除人工智能成为法律主体的臆想J.光明日报理论版,2024,（82）.98 张涵,许海滨,丁立捷,等.算法时代“无感伤害”下的隐私侵权J.全媒体探索,2024,（4）:120-122.99 张秀武,沈洋.人工智能对减污降碳协同治理的影响效应及作用机制研究J.现代财经-天津财经大学学报,2025,45（5）:77-94.100 张严.生成式人工智能垄断风险问题探析J.科学决策,2024,（9）:203-213.101 赵勇.青海绿色算力的金融支持研究J.青海社会科学,2024,（3）:90-96.102 赵雨涵,于佳琪,晏欧伦,等.人工智能技术创新能抑制城市碳排放强度吗？来自中国 277 个地级市面板数据的证据J.科学决策,2025,（2）:72-90.103 甄航.人工智能刑法“主体性”否定:缘起、解构、反思 以认知科学的五个层级为基础J.重庆大学学报（社会科学版）,2024,30（3）:242-252.104 朱国伟,周妍池,刘银喜.敏捷治理推动数字政府建设：发展趋势与实现路径J.电子政务,2024,（2）:55-64.105 朱尉,高强.ChatGPT 对美国两党和中美两国的政治偏见及意识形态风险J.阅江学刊,2025,17（1）:102-118，173.
2025-07-29
31页
5星级
AI安全：构建负责任且可靠的系统2版权所有 Appen 2024 保留所有权利AI安全：构建负责任且可靠的系统介绍 4AI安全的关键利益相关者 51.云计算服务提供商 52.模型构建者 53.企业负责人和运营者 6示例：AI在关键基础设施领域的应用 7第1阶段：开发 8在AI开发中采用安全设计方法 8优先选择高质量的数据源 9AI训练数据源 9AI训练数据最佳实践 12示例：AI在教育领域的应用 13第2阶段：部署 14监督与反馈机制 14示例：AI在医疗领域的应用 16第3阶段：应用 18确保应用中AI安全的最佳实践 18AI全球化：确保多语言系统的安全性 20示例：AI在心理健康领域的应用 21风险管理策略 22示例：AI在法律领域的应用 24结语 25关于作者 25关于澳鹏 26来源 263目录AI安全：构建负责任且可靠的系统4引言AI已成为日常生活中一种无处不在的助力。随着AI系统在能力和普及性上的不断扩展，安全因素变得愈发重要。安全的概念可能难以定义；然而，在AI的背景下，对安全最充分的理解就是要防止意外后果的发生。另一方面，AI安全着重于保护系统本身免受外部威胁，例如一些网络攻击或内部错误可能导致严重故障，因此应纳入安全问题的考虑范畴。从基础模型的构建者到采用AI解决方案的企业，在整个AI生命周期中所有相关方必须共同承担责任，最大程度地降低这一新兴技术的风险并确保尽可能安全地加以利用。AI安全=意味着要保护AI系统免受威胁，如网络攻击和系统内部错误，这些威胁可能导致系统运行中断或严重事故。AI安全问题会给企业带来风险，包括法律和财务责任，以及对人类造成从轻微不便到生命损失等各种后果。例如，基于偏见和不可靠数据集训练的大语言模型(LLM)更有可能提供不准确和有害的输出，对最终用户产生不利影响。尽管AI安全的具体实践在各类应用和各行各业中有所不同，但其基本原则始终如一：AI系统应通过积极追求符合伦理道德且可持续的AI最佳实践，最大限度地降低对个人、企业乃至全球造成伤害的风险。在本电子书中，我们将全面探讨AI在其生命周期中面临的安全挑战及解决方案，并深入分析如何在医疗和法律等高风险行业中应用这些原则。AI安全=意味着要预防意外产生的后果，例如防止幻觉或模型偏见影响最终用户的健康和福祉。5AI安全的关键利益相关者 在深入探讨AI安全的复杂性之前，首先需要了解主要参与者及其角色。在AI的整个生命周期中，从最初的数据采集到模型优化，安全最佳实践是众多个人和企业的共同责任。1.云计算服务提供商云计算服务提供商是AI的支柱，他们提供了构建强大AI系统所需的基础设施。他们的首要任务应是采取严格的供应商审查、权限管理和物理安全措施来维护AI的安全。角色：提供基础的AI计算资源。责任：审查软硬件供应商。确保实施严格的权限管理和物理安全措施。实施可靠的网络安全措施，以保护AI系统。2.模型构建者虽然云计算服务提供商负责保护AI系统所依赖的硬件和基础设施，但模型构建者才是所有企业和行业中确保AI实践符合安全要求与道德准则的基础。安全实践应考虑模型的实施方式，并与最终用户保持一致，因为为内部使用构建的模型与作为软件解决方案对外销售的模型存在不同的漏洞。角色：开发和训练AI模型。责任：采用安全设计方法。测试漏洞和潜在危险功能。使AI系统遵循以人为本的价值观。3.企业负责人和运营者一旦AI系统为实施准备就绪，企业负责人和运营者将承担起将这些系统安全地整合到其业务中的责任。在企业层面上，AI安全需要实施负责任的AI系统管理以及与提供者的开放式沟通。角色：部署和维护支持AI的系统。责任：建立用户测试和红队测试工作流程，以评估模型的安全性。与模型构建者分享反馈，以长时间持续改进模型。保护用户数据隐私，确保AI使用方面的透明度。6AI全景报告2024 自2023年以来，各行业生成式AI的采用率增长了17%，这凸显了采取严格安全措施的必要性，以降低AI生成内容带来的风险。41%的企业依赖自定义数据采集，报告显示，通过确保数据集的多样性和代表性，在应对模型偏见和可靠性问题方面取得了改进。80%的企业报告称，人类洞察力是优化AI系统的关键，强调数据多样性、减少偏见和可扩展性是确保AI安全性和有效性的关键因素。86%的企业至少每季度重新训练或更新一次其机器学习模型，这凸显了持续反馈循环在数据治理和模型评估中的重要性。澳鹏AI全景报告20247示例：AI在关键基础设施中的应用在最近的报告中，美国政府提出了关于在AI生命周期如何应对安全挑战的建议框架（Atanda，2024年，美国国土安全部，2024年）。这些框架详细阐述了现有的AI安全知识，涵盖了国防和关键基础设施等行业，这些领域中与AI故障相关的风险极高。AI系统有可能彻底改变一些关键基础设施。但是，由于数百万人依赖于邮政、电网和水处理等基础设施服务，技术上的失误可能带来灾难性的后果。AI在关键基础设施领域的应用具有以下优势：利用AI驱动的威胁检测，例如AI计算机视觉技术，促进机场和体育赛事的安检，以提升公共安全并降低风险。通过分析历史和实时数据中的模式，使LLM能够模拟潜在的网络攻击，提出应对措施，并加强基础设施以抵御数字威胁。实时生成详细的基础设施异常或故障报告，用于预防危机和实施快速应急响应，例如应对电网停电或扑灭山火等。在关键基础设施领域实施AI需考虑以下风险：AI工具，如面部识别软件，如果使用不平衡或带有偏见的数据进行训练，可能会对用户产生负面影响，尤其会对边缘化群体造成严重的影响（Lopez，2024年）。AI系统的错误可能导致大面积基础设施服务中断，例如水处理设施或邮件递送等关键服务的停摆。不法分子可能利用AI制造日益复杂的网络攻击。管理基础设施的AI系统也可能成为攻击目标，发生服务中断或安全数据遭到窃取。8第1阶段：发展 AI安全始于模型开发的最早阶段，远在AI系统进入市场之前。从基础设施到软件开发全程奠定坚实的安全基础，为AI系统的成功部署和应用做好准备。在AI开发中采用安全设计方法在模型创建过程中实施安全设计实践是从一开始就构建安全AI系统的最佳方式。将伦理道德和安全因素融入模型开发过程，使开发者能够构建出稳健可靠、值得信赖的AI系统。1.评估风险：进行全面的风险评估，以识别AI生态系统基础设施和模型架构中的潜在漏洞。2.预先考虑伦理问题：使用多样化、高质量且代表目标应用场景的数据训练基础模型，主动解决模型偏见和有害能力问题。3.建立安全的供应链：仔细审查数据提供者（如数据中心），以确保其实施严格的权限管理和物理安全协议。4.构建韧性：设计模型时需考虑对抗性攻击和网络安全威胁。强大的质量保证和透明的模型推理技术，例如思维链提示，也可最大限度地减少AI输出不准确或有害内容的风险。5.持续改进以适应变化：将定期测试、更新和模型优化纳入工作流程，以应对不断变化的威胁和用户需求。95%的IT决策者表示，选择合适的数据合作澳鹏AI全景报告2024伙伴对于模型的成功部署至关重要。9优先选择高质量的数据源在AI整个生命周期中，应始终重视安全，而数据在确保最终用户安全以及降低模型构建者责任风险方面起着至关重要的作用。AI训练数据对于模型开发至关重要，它决定了模型的学习效果和功能表现。在为AI模型获取数据时，有几种选择可供考虑，每种选择都有其优缺点。AI训练数据源网络抓取数据人工生成数据合成数据高体量，更高风险高品质，更高透明度高效率，更高可变性以较低成本快速获取大型数据集针对各用例利用数据驱动创新利用AI生成和扩展数据集可能使模型接触到带有偏见、受版权保护和不准确的数据。自定义数据采集可能既耗时又昂贵。AI生成的数据容易快速疲劳，并且容易出现幻觉。在将数据集引入模型之前务必谨慎地进行评估，避免使用有害或未经授权的数据来训练模型。为每个用例和领域定制数据集，从而尽可能提高模型的稳健性和多功能性。将人类专业知识融入数据流程，以确保合成数据准确可靠且具有代表性。在AI生命周期中，使用网络抓取数据训练AI模型会引入多重风险。抓取网络数据以无与伦比的效率产生数百万个数据点；然而，这些数据是从在线来源不加选择地提取的，很可能包含不准确、有害和受版权保护的内容。未经仔细清理和评估的网络抓取数据集可能包含有问题的内容。例如，网络抓取数据集可能包含个人身份信息（PII），这会使个人和企业面临泄露隐私的风险，同时还会传播错误信息，这会导致严重后果，例如提供不准确的医疗建议。网络抓取数据10此外，网络抓取数据通常包含受版权保护的作品，如小说和艺术作品，这可能使模型构建者面临法律责任（例如，Alter诉OpenAI案）。公共领域的数据由于版权已过期或创作作品不符合资格，可以用于模型训练，法律风险极低。然而，对于这些数据集，仍需仔细评估是否存在偏见和有害内容，以确保模型行为符合较高伦理道德标准。例如，公共领域的文学作品常常反映过时的社会规范，这可能会促使模型延续有害的刻板印象和语言（Vassel，2024年）。网络抓取数据是通用的。所有模型构建者都能访问这些资源，生成的数据集很少针对特定领域或用例进行定制。使用数据来训练模型时，如果这些数据无法反映其预期应用的细微差别和复杂性，可能会导致模型表现不佳。虽然网络抓取数据为满足AI训练数据的高需求提供了一种经济高效的解决方案，但是模型构建者在使用这些数据集时应保持谨慎，从而减轻对业务、终端用户以及数据来源构成的AI安全风险。人工生成数据通常被认为质量最高，因为它可能经过精心制作和优化，以准确代表最终用户和应用的具体需求。人类专业知识可用于采集和整理各种用例的新数据集，从训练新语言的语音识别到通过人类偏好排名评估多模态模型的输出。然而，维持高质量的AI数据流程面临着诸多挑战，其中包括质量与数量之间的持续矛盾。生成大量数据可能需要耗费大量时间，而且维护成本高昂。投资获取具有多样化和代表性的人工生成数据集，是促进AI公平性和包容性的最佳途径之一，同时也能最大限度地减少因模型偏见带来的安全风险。虽然人工生成数据通常比网络抓取数据或合成数据更昂贵而且更耗时，但是模型构建者通过使用网络抓取数据节省的资源，最终会因模型性能不佳、最终用户安全风险增加、知识产权侵权以及PII泄露等问题而付出代价。例如，人工生成数据的一大优势是能够为不易获取的领域和数据类型创建新的数据集，例如稀有或不常见语言的机器翻译。通过人类监督创建具有多样性和代表性的数据集，使模型构建者能够使用相关数据来训练模型，这些数据可更准确地反映现实场景的细微差别，并降低模型产生幻觉或有害输出的风险。人工生成数据使用生成式AI创建数据集比网络抓取更经济高效，同时在版权侵权和数据偏见等方面的风险也更低。然而，在模型未经过充分训练的领域或语言中，合成数据很快就会表现出疲劳，重复现有模式而无法生成新的信息。对LLM使用其自身合成的数据进行递归训练可能导致模型崩溃，造成输出质量逐渐下降并强化错误（Shumailov，2024年）。因此，合成数据的最佳用途是通过利用生成式AI模型的模式识别能力来创建新的数据行，从而扩展现有数据集。有些任务适合使用合成数据，而有些任务则不适合。例如，自然语言处理(NLP)在新语言中的应用需要大量人工生成数据来训练精确的机器学习算法。另一方面，像优化模型的拼写检查能力这样的项目，可以利用合成数据以更少的资源实现与人工生成数据相似的效果。在这种场景下，LLM可以在几秒钟内生成大量合成数据，然后可用于训练模型，使其更准确、更高效地识别拼写和语法错误。虽然过度使用合成数据集可能会抑制AI的创新，但将合成数据与人工生成数据相结合，可以为大规模高质量的AI训练数据需求提供一个平衡的解决方案。使用合成数据补充人工生成数据集，提供了一种经济高效的方法来创建更大的模型训练数据集，与网络抓取解决方案相比，对最终用户和模型构建者构成的安全风险更低。11仅使用AI生成的数据训练的模型在原始数据分布建模能力上表现出逐渐退化的趋势，到第九代时产生了无意义的输出，包括重复的短语和无意义的序列这是模型崩溃的明显证据。（Shumailov等人，自然，2024年）。合成数据12AI训练数据最佳实践无论AI数据的来源如何，遵循以下最佳实践都有助于开发出优先考虑AI安全性的强大基础模型。1.透明的数据供应链：了解数据的来源对于实现安全和符合伦理道德的AI开发至关重要。对数据源坚持高标准，例如确保众包工作者的福祉和公平薪酬，不仅能提升数据集的质量，还能促进公平和多样化的数据实践。透明的数据供应链有助于在内部和外部建立信任与责任感。2.具有代表性的数据集：使用反映最终用户现实情况和预期用例的数据集来训练模型，更可能提高模型安全性和优化性能。例如，从目标人群的母语使用者那里采集LLM训练数据，可以提高模型的准确性，并减少部署后对最终用户造成意外伤害的风险，例如忽略文化敏感性或强化有害偏见。一个具有良好代表性的数据集能够使模型在不同场景中有效泛化并以符合伦理道德的方式运行。3.人机协作：将AI战略性地整合到数据流程中，可以在不影响AI数据质量的前提下提升效率。通过使用LLM作为评判工具或采用AI辅助数据标注技术，并结合人类监督，可以大幅减少创建高质量数据集所需的时间和资源。人类专业知识与AI能力的结合，确保了数据生产的准确性、道德性和可扩展性。“当AI的使用方式缺乏透明度、没有足够的人类监督（欧盟委员会，2023年）或系统不够稳健时，基本权利和安全风险会进一步加剧。”13示例：AI在教育领域的应用教育是AI最常见的应用领域之一，2023年有89%的学生在家庭作业上求助于ChatGPT（Ismail，2024年）。负责任的AI开发需要考虑教育环境，因为随着时间的推移，学生、教育工作者和学术研究人员将在更多不同的场景中充分利用AI。“鉴于创意写作和学校作业是ChatGPT两大最常见的用途，我们必须考虑模型偏见对儿童和青少年的潜在危害。”（Vassel，2024年）AI有望促进全球各地的不同学习者公平地获取信息。然而，必须优先考虑模型的安全性，以避免对弱势群体（如儿童和神经多样性学生）造成意外伤害。确保在教育中安全有效地使用AI，需要模型构建者、家庭、教育工作者和政策制定者共同努力，以实现最佳效果。在开发层面，评估数据集的偏见和有害内容是在教育环境中预防AI安全风险的最佳方法。AI在教育领域的应用具有以下优势：通过将学术资源翻译为多种语言，加强信息的公平获取，使全球各地的各种学习者能够以母语获取教育资源并从中受益。通过AI学习助手为学生提供个性化支持，助力提升学习成果。例如，AI工具可以帮助有阅读障碍的学生进行拼写和语法检查，而患有ADHD的学生则可以利用AI进行任务管理和企业。在教育领域实施AI需考虑以下风险：AI系统中的算法偏见可能对边缘化学生群体产生严重的影响，从而影响他们的学业成绩（Buolamwini，2018年）。研究表明，LLM可能延续有害的刻板印象，如“白人救世主”和“模范少数族裔”的叙事，这可能会对学生的自我认知和对他人的看法产生负面影响（Vassel，2024年）。14第2阶段：部署在从开发到部署的全过程中，保持坚实的模型安全性基础需要运营者与开发者之间紧密协作。使用无偏见、具有代表性的数据训练的模型在部署和应用中更有可能取得成功，但需要持续进行监控和优化，以确保最佳性能。监督与反馈机制商界有句老话：“能被衡量的，才能被管理。”这一点在AI系统中同样适用。持续监督和迭代改进对于保持安全、稳定的部署至关重要。有效的监督有助于主动解决问题，迅速修复漏洞，识别安全风险，并通过引入新数据来解决模型训练中的不足。运营者必须定期跟踪其AI系统在部署后的表现，以确保模型按设计运行，并能够快速识别和解决潜在异常。1.持续监督：部署自动化工具以实时监测模型准确度，主动识别性能下降或模型偏见等潜在问题。例如：社交媒体内容审核算法用于检测仇恨言论和虚假信息，需要持续监督以确保模型不会误判或遗漏有害内容。汽车安全系统，如驾驶员监控和疲劳检测，必须持续评估，以确保它们能够准确应对实际驾驶条件。2.迭代反馈：建立透明的反馈机制，让运营者与开发者之间能够共享观察结果、报告异常、应对挑战，并高效实施更新。例如：电子商务聊天机器人可以从用户对话中采集数据，从而改进情感分析、产品推荐以及基于客户咨询的营销策略。要点：安全至上的AI部署15 聘请人工评估员，通过诸如基于人类反馈的强化学习(RLHF)等技术来优化AI模型，对输出结果进行准确性评分，并提供改进建议以提升性能。3.模型评估：严格审查模型行为，确保与用户需求一致，并达到较高的安全标准。例如：采用大语言模型红队测试等技术来测试AI系统的漏洞，发现模型的偏见和安全缺陷，从而防止AI系统影响你的业务或用户。采用对抗性提示来挑战模型，揭示法律或多语言微调等自然语言处理(NLP)应用中的偏见。人机协同系统对于保持负责任的AI应用而言至关重要。当AI的开发、部署和评估始终以人类最终用户为中心时，所形成的AI系统对所有参与者来说都更加安全。自动化在AI安全中可以发挥重要的辅助作用，能够监控AI系统的异常情况、报告潜在漏洞，甚至预先标注数据，从而提高AI数据标注的效率。然而，人类监督仍然至关重要，有助于确保自动化运营正确无误，满足安全可靠的AI系统所需达到的高标准。考虑以下列方式在AI应用中实施人类监督：人工生成数据集：从全球各地采集AI数据，用于训练AI，以应用于现实世界场景，例如为AR/VR购物体验提供图像数据，或为训练多语言AI模型提供各种语言的语音数据。人工数据标注员最擅长捕捉各类数据中的细微差别和叙事，从而指导模型学习准确的情境含义。监督微调：通过监督微调(SFT)来优化模型，邀请人类专家根据准确性和相关性等选定标准评估模型的输出。人工评估员可以对生成的回答进行评分，并提供修订建议，这些建议可以纳入模型的训练数据中。例如，审查LLM智能体对给定提示的回答，并提供由评估员撰写的“最佳回答”建议，从而提供高质量的LLM训练数据。人类监督：人机协作：与合成数据类似，人机协作可以通过多种方式提高AI系统的准确性和效率。例如，LLM可以预标注原始数据供人工标注员审查，检查建议标签的准确性，并通过添加必要的文化背景和细微差别来增强数据集。这种人机协同标注策略可以在不影响数据质量或模型性能的情况下节省时间和成本。16示例：AI在医疗领域的应用 AI正在改变医疗领域，其应用涵盖临床研究、患者护理以及心理健康干预。公众正在越来越多地使用大语言模型(LLM)查询症状和获取医疗信息，因此其在促进医疗资源的公平获取方面蕴含巨大潜力。例如，GPT-4在回答有关产后抑郁症的查询时，表现优于谷歌等传统搜索引擎，这凸显了AI的潜力，也强调了模型构建者在确保可靠性方面的伦理责任（Sezgin，2023年）。然而，对于降低安全风险、促进实践合乎伦理以及解决医疗环境中的法律责任问题，负责任的AI开发与部署至关重要。为了使AI系统在提升患者护理水平的同时不引入意外风险，务必遵循严格的AI伦理、数据隐私和模型评估准则（Saeidnia，2024年）。AI在医疗领域的应用具有以下优势：AI基础模型加快了基因组模拟和数据处理，推进了精准医疗并确定了新的治疗路径（Sezgin，2024年）。AI聊天机器人和机器学习(ML)工具可以提供实时反馈和支持，帮助那些缺乏心理健康专业人士帮助的个体，弥补他们的需求缺口（Pandey，2024年）。17根据专业认证医师的评估，ChatGPT在回答医疗问题 医院采用持续的AI监控，通过自动化记录、转录和绩效跟踪减轻员工的管理负担，使他们能够更专注于患者护理（Solaiman，2024年）。在医疗领域实施AI需考虑以下风险：AI系统依赖于高质量、多样化的数据集来避免可能导致有害医疗建议的偏见，此类偏见对边缘化群体而言尤为严重（Pandey，2024年）。在高风险环境（例如精神病监测或医疗预约总结）中使用AI建议，如果系统生成错误或不完整的结果，就可能会带来风险，甚至危及患者安全（Solaiman，2024年）。时的准确性比谷歌搜索高出23.5%（Sezgin等人，2023年）。与AI生命周期的开发和部署阶段一样，确保AI在应用中的安全性需要细致的监控和跨职能协作。在跨多领域、行业和用例优化AI解决方案性能时，需要以早期阶段建立的安全措施为基础，同时解决应用的特定挑战带来的额外复杂性。在考虑采用以下AI安全准则时，请根据你的具体用例进行调整，并咨询专家以获取进一步指导。确保AI应用安全的最佳实践无论是利用现成的AI解决方案还是构建基础模型，在AI数据流程和算法系统中坚持较高伦理和透明度标准，对于确保企业和最终用户AI应用的安全性至关重要。在实施第三方AI系统时，应与提供者合作，确保遵循在开发和部署阶段提出的相关标准。请求提供有关其安全协议、模型评估流程和未来路线图的详细信息，以便识别那些优先采取主动措施确保AI安全的合作伙伴。算法偏见的潜在危害因应用场景而异。例如，减少社交媒体算法中的AI偏见，需要提升模型准确识别虚假信息和有害内容的能力，同时避免对不同用户群体造成不均衡的影响。相反，在人力资源方面的应用可能需要优先考虑减少身份偏见，例如训练模型在招聘时考虑微妙的社会文化规范。在训练数据和模型性能方面减少偏见的策略包括：使用高质量数据：最大程度减少算法偏见的最佳方法是使用多样化和具有代表性的AI训练数据来训练模型。模型的行为是对其训练数据的反映，因此构建者必须利用无偏见的数据源来训练和优化模型，这一点至关重要。持续改进：定期使用新数据微调模型，并保持持续监督，以确保AI系统按预期运行，并跟上企业和最终用户不断变化的需求。根据不断变化的用例调整数据流18第3阶段：应用 减少算法偏见：程，并持续评估模型性能（如A/B测试和红队测试），确保模型达到一致性和准确性的最高标准。人机协同评估：通过人机协同模型评估来微调模型，以增强与最终用户的一致性并最大程度减少偏见。邀请代表最终用户群体的领域专家和贡献者，评估模型的性能并提供反馈，以改进模型在不同场景下的输出效果。由于多种原因，可解释性对AI安全至关重要。对于构建者来说，具有透明逻辑的模型更易于评估、排查故障并进行改进，从而确保质量。例如，如果你在生成式AI模型中发现偏见，则可以使用沙普利加性解释(SHAP)或局部可解释模型无关解释(LIME)等技术来找出根本原因，从而有针对性地进行优化。此外，像思维链提示这样的AI推理技术，已被证明能够增强大语言模型在完成高等数学等复杂任务时的决策透明度和准确性（Shumailov，2022年）。可解释性对于在人类与AI系统之间建立信任也至关重要。类似于思维链提示，训练LLM引用可靠来源或阐明推理过程，能够使AI流程更加易于理解和透明，从而积极增强与人类最终用户之间的关系。清晰的解释有助于为用户揭开AI的神秘面纱，减少公众的疑虑，从而促进AI的普及，并最大程度减少企业在实施AI系统时可能遇到的阻力。制定公平、透明和负责任的高标准，不仅能提升企业、客户及利益相关者的AI安全，还能推动行业内的其他企业纷纷效仿。为企业定制一个框架，体现本指南中概述的原则，例如主动减少偏见、预防伤害以及保障AI决策透明度。19可解释AI(XAI)：伦理框架：在制定此类框架时，请参考以下这些领先的合乎伦理的AI框架：1.美国国家标准与技术研究院(NIST)的“AI风险管理框架”：该框架为识别、管理和减轻AI生命周期中的风险提供了全球公认的标准（美国国家标准与技术研究院，2023年）。2.Google DeepMind的“前沿安全框架”：DeepMind强调降低高级AI风险的措施，包括保护模型权重、评估潜在滥用风险，以及在必要时停止部署以防止灾难性危害（谷歌，2024年）。3.OpenAI的“准备框架”：利用该框架，OpenAI通过评估模型关键能力阈值，进行广泛的部署前测试，并实施第三方监督等问责机制，优先考虑AI模型的安全扩展（OpenAI，2023年）。4.Anthropic的“负责任扩展政策”：Anthropic更新的政策专注于大规模系统的AI安全，呼吁采取主动措施，如安全评估、风险缓解以及与外部利益相关者的合作，以确保负责任的AI发展（Anthropic，2024年）。5.欧盟的“AI法案”：这一全面的立法框架规范了欧盟境内的AI，并随着跨国企业适应新法规，正在影响全球的AI治理。该AI法案强调基于风险的监管、透明度以及在整个AI生命周期中实施高伦理标准的问责制（欧盟委员会，2023年）。AI全球化：确保多语言系统的安全性随着全球对AI技术的需求不断增长，模型构建者和跨国企业在部署AI时，必须考虑跨地域部署带来的额外复杂性。扩展大型语言模型以在多种语言中有效运行，需要语言学家和母语者的专业知识来准备自然语言数据集并评估模型输出。这些措施可确保符合不同文化规范和背景。某些任务，如内容审核和情感分析，需要对当地语言和文化有非常细致的理解，因此需要更多的人类监督。2021示例：AI在心理健康领域的应用 本地化策略应包括训练模型遵守当地法律，且在处理政治和医疗等高风险领域时保持适当的敏感性。如果没有训练模型以减轻对文化不敏感和误译等潜在危害，那么处理诸如历史或地方选举等有争议的话题可能会极具挑战性。未能有效调整模型可能会加剧社会矛盾，还可能导致合规问题、声誉受损以及用户信任度下降，对企业产生负面影响。对所有AI模型而言，减轻全球和多语言系统的安全风险都是一个持续的过程。采用迭代方法进行部署后监控和优化可确保模型能够随着文化规范、监管环境和用户期望的变化而不断演进。企业可将全面的本地化策略融入AI生命周期，构建出全球通行但又兼具文化敏感性和法律合规性的系统。全球心理健康问题不断加剧，临床医生资源不足。在这种情况下，AI提供了可扩展的解决方案，为患者和医疗保健服务者提供支持。例如，生成式AI(GenAI)工具有可能有助于解决紧急的心理健康护理需求，例如为低收入社区和农村社区提供支持，这些地区的医疗资源往往很有限（van Heerden，2024年）。然而，在心理健康领域实施AI也引发了对安全和伦理问题的担忧，需要开发者、临床医生和政策制定者合作解决。AI在心理健康护理领域的应用具有以下优势：在心理健康服务提供者短缺的社区中，AI聊天机器人可以提供初步咨询或持续支持（Pandey，2024年）。例如，多模态AI可以结合语音和文本分析，帮助诊断心理健康状况。研究人员可以借助AI分析复杂的数据集并运行模拟操作，从而推动科学突破和开发新的靶向治疗方法（Sezgin，2024年）。22AI部署后仍将持续存在安全挑战和机遇，这使得风险管理成为AI生命周期的关键组成部分。相对于孤立地应对风险，企业应采取整体策略，培养安全至上的理念。通过及早识别潜在漏洞并实施主动的风险管理策略，企业可以增强AI系统，应对不断变化的威胁，并确保其长期可靠性。有效的风险管理需要持续监控、人类监督，以及AI系统与现实世界数据的灵活交互。在开发者和运营者之间建立结构化的反馈机制，可以及早发现诸如模型崩溃、安全漏洞或合规挑战等新兴风险，从而及时采取干预措施。在AI的整个生命周期中整合这些保障措施，不仅能提高模型的可靠性和性能，还能确保部署过程符合伦理标准和监管要求，从而实现负责任的部署。风险管理策略 人机协同（AI-in-the-loop）系统可以训练和指导从业者、危机咨询师及亲友，从而更高效地提供AI心理健康支持（Sharma，2024年）。在心理健康领域实施AI需考虑以下风险：标注不当或带有偏见的数据集可能会加剧不当行为或有害行为，例如缺乏敏感性或忽视文化的细微差别，对弱势群体造成严重影响（Saeidnia，2024年）。为了确保安全合规地在心理健康领域部署AI，需要采取高标准的数据隐私和网络安全措施，以防止数据泄露并减轻HIPAA违规之类的法律风险（Solaiman，2024年）。如果没有强有力的监管，应用于心理健康护理的AI系统（如转录工具、聊天机器人或闭路电视监控）很可能会提供错误或有害的建议，导致悲剧性的后果（Solaiman，2024年）。模型训练可能使贡献者接触到有害内容，从而引发潜在的法律责任。使用未经授权的数据集来训练模型可能会导致与版权侵权或隐私数据使用相关的法律诉讼。AI系统可能使企业面临法律风险，例如因无障碍性问题而违反美国残疾人法。为接触有害内容的员工提供心理健康咨询，营造积极支持员工的安全工作环境。从可信、可授权的提供者处采集数据，以确保负责任的AI数据采集。使用代表各种人群的多样化数据来训练AI系统，为应对现实世界中的多样化场景做好准备，从而提升无障碍性和包容性。AI可能被用于实施犯罪活动，例如设计钓鱼攻击或开发生物武器。AI辅助的网络安全攻击可能使企业和个人面临新的、快速演变的安全威胁。在开发消费者AI解决方案或发布研究结果时，平衡创新与安全，避免为不法分子提供便利。采用红队测试技术训练模型以抵御对抗性提示，最大程度降低助长犯罪活动的风险。23思考以下常见的AI安全风险及应对策略：潜在风险解决方案信息危害：AI武器化：有害内容：法律责任：AI可能会意外地暴露敏感数据，例如，聊天机器人在回应客户查询时可能泄露专有商业信息。AI系统可能成为对抗性攻击的目标，导致数据泄露或系统中断。对模型进行持续测试和监控，以清晰记录其能力和局限性。采用红队测试技术（如对抗性提示），并咨询领域专家，以尽早识别漏洞。生成式AI模型可能会输出冒犯性或有害的内容，例如向儿童提供成人主题内容或延续刻板印象。社交媒体算法可能会助长虚假信息等有害内容的传播，对用户产生负面影响。开发AI筛选工具，有效地审核内容，特别适用于处理敏感内容的平台。在AI生命周期的每个环节进行严格评估，确保契合最终用户的需求。使用多样化、代表性的数据集来训练模型，以减少偏见和有害内容输出。24示例：AI在法律领域的应用 AI有可能会重塑法律环境，从革新法律实践到以通俗易懂的语言普及法律知识。人工智能的发展为法律领域同时带来了机遇和挑战，引发了诸多重要讨论，例如涉及AI在法律场景中的适当使用和监管，以及AI的治理、伦理和知识产权等（Neal，2024年）。AI工具可以优化法律实践中原本耗时耗力的流程例如通过高效的知识管理简化取证过程，以及通过预测分析为诉讼策略提供依据（Hallene，2024年）。然而，将AI纳入法律应用场景带来了新的挑战，需要进行细致的风险评估，以确保以公平、负责且符合伦理道德的方式使用AI。AI在法律领域的应用具有以下优势：检索增强生成(RAG)等AI解决方案可以优化模型，实现安全、准确的知识管理和法律研究，从而提高法律实践的效率。法院面临大量积压案件时，可以借助AI驱动的管理工具提升司法系统的效率，并确保被告享有快速审理权（Buckland，2024年）。AI工具可以提供低成本的法律援助和文件翻译等资源，从而促进法律服务和信息的公平获取，尤其对法律服务不足的社区而言。在法律领域实施AI需考虑以下风险：利用过时或偏见数据集进行训练的AI系统可能会通过引用已被推翻的案例（如美国最高法院在普莱西诉弗格森案中作出的臭名昭著的“隔离但平等”判决），导致法律研究产生不准确的结果，并造成不公正的司法裁决。生成式AI的幻觉可能会输出虚构或不准确的信息，从而对法律从业者和公众产生不利影响（Magesh，2024年）。例如，当美国用户询问其公民权利时，大型语言模型(LLM)可能会错误地引用英国普通法作为回应。25结语 AI安全并非一个待实现的目标，而是一种愿景，需要全面的协作、灵活适应以及共同承诺，从而实现持续改进。医疗和法律等行业的应用示例表明，在法规要求复杂且容错率极低的情况下，端到端的安全实践有助于在降低风险的同时推动变革性创新。克服安全挑战以构建可靠的AI系统需要我们共同的担当和努力，但同时，这也可能改善人类生活并促进人类与智能系统之间的信任。通过秉持安全至上的理念，我们能够打造一个AI驱动的未来，在全球各地区和各行各业中提升人们的生活体验。关于作者 Madison Van Doren，内容营销经理 Madison Van Doren是澳鹏的内容营销经理，她专注于研究AI思想领导力、搜索引擎优化(SEO)和品牌策略。Madison拥有超过十年的语言学研究和技术行业经验，在将复杂的AI概念转化为可操作的商业见解方面有独到的方法。Madison积极推进负责任的AI创新，通过写作和指导科技领域的年轻女性，倡导行业实现可持续且公平的增长。不断演变的法律环境使AI的实施变得错综复杂，因为治理和合规要求方面的变化导致潜在责任难以预测。一些关键问题仍然存在争议，例如生成式AI所输出内容的知识产权归属和AI相关违法行为的定责，例如涉及自动驾驶车辆的事故责任（Allen诉Perlmutter案，2024年；Alter诉OpenAI案，2024年；Lakier，2023年）。1 Allen诉Perlmutter案，CourtListener（美国科罗拉多州联邦地区法院，2024年12月3日）。检索日期：2024年12月3日，来源：https:/ AI相契合的积极研究议程|Rand。RAND.org。https:/www.rand.org/pubs/commentary/2024/11/the-white-houses-big-vision-of-ai-safety-building-a.html5.Buckland,R.（2024年）。AI、法官与判决：设定场景。哈佛大学肯尼迪学院莫萨瓦尔-拉赫马尼商业与政府中心。检索来源：https:/www.hks.harvard.edu/sites/default/files/centers/mrcbg/working.papers/Final_AWP_220.pdf6.Buolamwini,J.与 Gebru,T.（2018年）。性别色度：商业性别分类中的交叉性准确率差异。机器学习研究论文集，81，115。澳鹏（澳大利亚证券交易所代码：APX）是全球领先的AI训练解决方案提供商，凭借超过25年的数据采集、标注和模型评估经验，为AI全生命周期保驾护航。凭借行业领先的AI数据平台以及覆盖235种语言的全球100多万名贡献者，澳鹏助力企业快速、大规模推出创新的AI产品。澳鹏的解决方案深受各行各业领导者的信赖，助力企业实现卓越的AI表现，并在全球范围内开拓新机遇。澳鹏拥有丰富的专业知识、先进的平台和广泛的全球布局，无论你是在开发尖端技术的AI，还是在优化现有系统，澳鹏都是你在当今AI驱动的世界中取得成功所需的可靠合作伙伴。立即与AI专家交流。26关于澳鹏 来源：7.欧盟委员会。（2023年）。关于制定人工智能统一规则的法规提案（AI法案）。检索来源：https:/eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:52021PC02068.Google DeepMind。（2024年5月17日）。先进AI系统的前沿安全框架。检索来源：https:/deepmind.google/discover/blog/introducing-the-frontier-safety-framework/9.Hallene,A.和Allen,J.M.（2024年10月16日）利用AI进行诉讼预测分析。“经验之声”专栏。检索来源：https:/www.americanbar.org/groups/senior_lawyers/resources/voice-of-experience/2024-october/using-ai-for-predictive-analytics-in-litigation/10.Ismail,N.（2024年2月8日）。学术界对学生使用ChatGPT的看法：是遏制、约束还是拥抱这股力量？BERA。https:/www.bera.ac.uk/blog/academics-perspectives-on-students-use-of-chatgpt-contain-constrain-or-embrace-the-genie11.Lakier,G.和Douek,E.（2023年3月1日）。法院在Twitter诉Taamneh案中遗忘修正案。哈佛法律评论。https:/harvardlawreview.org/blog/2023/03/the-amendment-the-court-forgot-in-twitter-v-taamneh/12.Lopez,A.（2024年）。警方的人脸识别技术无法准确区分黑人。科学美国人。检索来源：https:/ Fotami,S.G.、Lund,B.和Ghiasi,N.（2024年）。人工智能干预心理健康与福祉的伦理考量：确保负责任的实施与影响。社会科学，13(7)，381。https:/doi.org/10.3390/socsci1307038121.Sezgin,E.、Chekeni,F.、Lee,J.和Keim,S.（2023年）。大语言模型与谷歌搜索对产后抑郁问题回答的临床准确性：横断面研究。医学互联网研究杂志，25，e49240。https:/doi.org/10.2196/4924022.Sezgin,E.和McKay,I.（2024年）。行为健康与生成性AI：未来疗法与患者护理的展望。Npj心理健康研究，3(1)，25。https:/doi.org/10.1038/s44184-024-00067-w23.Sharma,A.、Lin,I.W.、Miner,A.S.等人。人机协作可在基于文本的对等心理健康支持中实现更具同理心的对话。自然-机器智能5，4657（2023年）。https:/doi.org/10.1038/s42256-022-00593-224.Shieh,E.、Vassel,F.M.、Sugimoto,C.和Monroe-White,T.（2024年）。放任自流的危害：生成式语言模型中的算法偏见。arXiv预印本，arXiv:2404.07475。25.Shumailov,I.、Buesing,L.、Velikovi,P.和Kwiatkowska,M.（2022年）。神经网络的正式验证：进展、挑战与展望。arXiv预印本，arXiv:2201.11903。检索来源：https:/arxiv.org/pdf/2201.119032826.Shumailov,I.、Shumaylov,Z.和Zhao,Y.等人。（2024年）。使用递归生成的数据训练AI可能导致模型崩溃。自然，631(1)，755759。https:/doi.org/10.1038/s41586-024-07566-y27.Solaiman,B.、Malik,A.和Ghuloum,S.（2023年）。心理健康监测：在精神科病房使用人工智能的法律与伦理考量。美国法律与医学杂志，49(23)，250266。doi:10.1017/amj.2023.3028.白宫。（2023年10月30日）。关于安全、可靠、值得信赖地开发和使用人工智能的行政命令。白宫。检索来源：https:/www.whitehouse.gov/briefing-room/presidential-actions/2023/10/30/executive-order-on-the-safe-secure-and-trustworthy-development-and-use-of-artificial-intelligence/29.美国国土安全部（编）。（2024年11月14日）。美国国土安全部发布了一项开创性框架，旨在确保AI在关键基础设施中的安全部署。国土安全部。美国国土安全部。https:/www.dhs.gov/news/2024/11/14/groundbreaking-framework-safe-and-secure-deployment-ai-critical-infrastructure30.van Heerden AC、Pozuelo JR、Kohrt BA。全球心理健康服务及AI驱动的大语言模型的影响。美国医学会杂志精神病学2023年；80(7):662664。doi:10.1001/jamapsychiatry.2023.1253 https:/ Heerden AC、Pozuelo JR、Kohrt BA。全球心理健康服务及AI驱动的大语言模型的影响。美国医学会杂志精神病学2023年；80(7):662664。doi:10.1001/jamapsychiatry.2023.1253 https:/
2025-07-28
29页
5星级
2025中国AI商业落地应用价值研究报告构建基础资源、技术生态与场景应用的“三重螺旋”架构亿欧智库 https:/ reserved to EO Intelligence,July 2025亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()2 2024年“人工智能 ”行动的提出持续提高人工智能产业战略定位，“人工智能 ”将打开新质生产力的大门，AI将逐渐成为产业创新的关键抓手和驱动新质生产力的关键引擎。而2025年是国务院2017年发布新一代人工智能发展规划中的关键节点。2025年AI商业应用呈现“算力普惠化、场景纵深化、生态开源化”趋势，因此我们认为2025年AI商业落地主基调是，构建基础资源、技术生态与场景应用的“三重螺旋”架构。引言：2025年是中国“人工智能”中长期发展规划的关键节点资料来源：公开资料、亿欧智库亿欧智库：2024“人工智能 ”行动发布提高产业战略定位2024年政府工作报告中明确提出要深化大数据、人工智能等研发应用，开展“人工智能 ”行动，这是我国政府工作报告第一次提出“人工智能 ”。“人工智能 ”行动深入推进数字经济创新发展：深化大数据、人工智能等研发应用，开展“人工智能 ”行动，打造具有国际竞争力的数字产业集群激发产业创新动能推动新质生产力发展助推AI赋能千行百业赋能AI产业高地打造亿欧智库：2025“人工智能”中长期发展规划的关键节点新一代人工智能发展规划是中国第一个国家层面的人工智能中长期发展规划，旨在抢抓人工智能发展的重大战略机遇，构筑中国人工智能发展的先发优势，加快建设世界科技强国。规划提出了“三步走”目标：到2020年，人工智能总体技术和应用与世界先进水平同步；到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平；到2030年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。AI算力、算法、语料的演进AI技术生态的升级与精进AI的行业渗透与颠覆效果定义：通过政策引导与技术攻关，推动AI基础研究、芯片研发与算法创新，构建自主可控的产业生态。定义：通过政策引导与技术攻关，推动AI基础研究、芯片研发与算法创新，构建自主可控的产业生态。定义：通过政策引导与技术攻关，推动AI基础研究、芯片研发与算法创新，构建自主可控的产业生态。定义：通过政策引导与技术攻关，推动AI基础研究、芯片研发与算法创新，构建自主可控的产业生态。构建基础资源、技术生态与场景应用的“三重螺旋”架构亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()3 基础资源层面，算力、算法、数据构成核心支撑；技术生态形成“基础层-技术层-应用层”协同体系，通过开源大模型推动迭代，并与闭源模式形成差异化竞争；场景应用呈现显著行业分化，垂类大模型 AI Agent 渗透实体领域拓展空间巨大。基于稳定进阶的“三重螺旋”架构，AI场景解决方案从“能用”到“有用”到“好用”，在垂类行业渗透率持续提升。引言：构建基础资源、技术生态与场景应用的“三重螺旋”架构资料来源：2023-2024中国人工智能计算力发展评估报告2022-2023中国人工智能计算力发展评估报告、亿欧智库亿欧智库：人工智能行业渗透率持续提升随着人工智能智能技术的不断发展，2021-2024年各行业人工智能应用渗透率持续提高，互联网、电信、政府、金融、制造、交通、服务和教育等均是人工智能技术积极探索和广泛落地的领域。8245505540353825835152624538402027896865644745413030907572705249454036互联网电子通信政务公务金融服务工业制造交通出行企业服务医疗健康科研教育20212022202320242021-2024中国人工智能行业应用渗透率（%）亿欧智库：基础资源、技术生态与场景应用的进步AI算力、算法、语料的演进 算力基础设施的扩容与能效革命 算法优化路径，大模型轻量化 数据语料从“量”到“质”的转型AI技术生态的升级与精进 决策式AI从静态规则到动态演化 大模型从闭源到开源的生态重构 AI Agent从工具到“劳动力”的跃迁AI的行业渗透与颠覆效果 细分行业应用场景渗透率变化 高价值场景颠覆性效果 新场景创新应用试点亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)目录C ONT E NTSAI算力、算法、语料的演进01AI技术生态的升级与精进02AI应用行业渗透与颠覆效果03AI商业落地榜单及标杆案例04未来“三重螺旋”架构发展路径05 算力基础设施的扩容与能效革命 算法优化路径，大模型轻量化 数据语料从“量”到“质”的转型亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()5 整体来看，2025年AI三要素已形成算力扩容支撑场景扩展场景深化倒逼算法创新算法优化释放数据价值的增强回路，标志着AI发展从资源密集型向创新驱动型的战略转折。资料来源：公开资料、国家数据局、亿欧智库1 AI“三驾马车”算力、算法、语料的演进算力基础设施的扩容与能效革命数据语料从“量”到“质”的转型算法优化路径与开源生态亿欧智库：AI“三驾马车”算力、算法、语料的演进要素算力规模增长2025年预计增长43%至1037.3 EFLOPS。东数西算工程深化，智算中心项目投产运营160个，开工在建超200个。国产化突破华为昇腾、寒武纪等国产芯片性能接近国际水平，随国产生态架构渗透，国产AI算力芯片占比有望突破30%。绿色算力创新未来算力中心用电量GDP占比将超过3%，液冷技术、可再生能源、边缘计算试点，算力能效比提升30%。高质量语料标注工程2025年常规语料可用性达90%，但高质量语料预计2028年耗尽。截至2025年3月，全国7个国家级数据标注基地的总标注规模达17,282 TB。数据治理在数据治理的加持下，非结构化数据利用率从2024年10%提升至2025年20%，仍有80%的数据具备开发潜力，并且这些数据每年增长率达60%。语料平台建设聚焦垂直行业领域，通过提供高质量语料数据和定制化语料解决方案，加速大模型在各行业的应用落地，助力行业智能化升级。大模型轻量化DeepSeek-R1等模型通过混合专家模型和多头潜在注意力机制，在同等算力下实现推理性能提升3倍模型量化。训练推理成本爆降中国头部模型模算效率MCE达美国模型的3-5倍，API调用成本降低；企业私有化部署成本降低90%，AI一体机需求猛增。开源生态头部企业主动开源模型权重，吸引全球开发者共建生态；开源框架开发者社区规模增长，覆盖工业控制、生物计算等垂类场景。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()6 中国智算中心规模持续高速增长，算力芯片若突破主流生态架构壁垒，国产化率有望突破30%实现技术平价。当前“东数西算”基础设置扩容建设已适度超前，未来算力中心用电量GDP占比将超过3%，创新性液冷与可再生能源技术助力绿色算力发展，实现真正的能效革命。1.1 算力基础设施的扩容与能效革命资料来源：IDC&浪潮中国人工智能计算力发展评估报告、中国信通院发布的算力电力协同发展研究报告(2025 年)、华西证券、中证鹏元、亿欧智库亿欧智库：2025年“东数西算”未来重点规划智算中心建设适度超前，有望成为推动数字经济发展的重要基础设施。据中国IDC圈不完全统计，目前不同建设阶段的智算中心项目已超过500个，其中投产运营的项目160个，开工在建项目超过200个。亿欧智库：2021-2025年中国智能算力规模及增速155.2260416.4725.31037.3107htC 212022202320242025智算规模（Eflops）同比增速（%）算力芯片的“国产化之路”在美国芯片安全法案限制之下，中国智算中心核心算力芯片的“国产化之路”挑战与机遇共存，目前智算中心GPU国产化率不足30%。国产化算力芯片：昇腾910C在带宽（3.2TB/s）和算力（752 TFLOPS）上逼近H100，若CANN生态持续完善，2026年或实现技术平价。英伟达CUDA壁垒：英伟达CUDA支持超300个加速库，昇腾CANN需通过TBE算子转换工具兼容PyTorch，开发效率低30%城市发布时间政策名称重点内容北京2024.04北京市算力基础设施建设实施方案（20242027 年）2025年，北京市智算供给规模达到45EFLOPS；到2027年，100%自主可控智算中心建设能力。上海2024.03上海市智能算力基础设施高质量发展“算力浦江”智算行动实施方案（2024-2025年）到2025年，上海市智能算力规模将超过30EFlops，占总算力的50%以上。具备大规模应用赋能价值的智算中心数量达到10家。广东2024.03广东省算力基础设施高质量发展行动暨“粤算”行动计划（2024-2025 年）到2025年算力规模达到38EFLOPS，智能算力占比达到50%，到2025年底，新增国产化算力占比达到70%。江苏2024.04江苏省算力基础设施发展专项规划到2030年，算力基础设施方面，全省数据中心机架规模达120 万标准机架，在用总算力超过50EFLOPS，智能算力占比超过45%，智算中心数量突破20个，存储总量超过500EB。绿色算力实现能效革命液冷技术，突破能效极限第三代浸没式液冷系统，将GPU运行温度稳定控制在35以下，较传统风冷方案降低能耗40%，同时延长硬件寿命20%，较行业平均水平优化30%。可再生能源，构建零碳算力网络通过光伏电站与绿电交易，实现数据中心可再生能源供电。建立GPU回收-翻新-再利用闭环体系，使退役GPU的二次利用率达70%。中国AI企业商业落地的基础设施需以自主可控为核心，保障供应链安全与技术独立。高效的AI推理硬件与大模型优化技术是关键，能够以高性价比实现大规模算力输出，降低企业应用AI的成本门槛。安全私有部署至关重要，通过本地化方案确保数据主权与信息安全，满足企业对隐私与合规的高要求。基础设施需采用开放、模块化的架构设计，以灵活适应AI技术的快速迭代，保障长期竞争力。同时，深度融合行业知识与应用场景，推动智能化转型。总体而言，中国AI基础设施应通过技术自主、成本优化、安全保障与行业适配，助力企业高效落地AI应用，加速智能化进程。林冬艺品高股份CTO 大咖说亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()7 当前全球主流大模型均以谷歌提出的Transformer架构为基础，其注意力机制至今仍是语言模型的基石，中国大模型企业架构原创力不足。DeepSeek 的算法突破并非基础理论颠覆，而是通过架构级创新、训练技术整合、开源生态建设推动产业级低成本应用。DeepSeek所有模型架构上的创新均是围绕“降本增效”在基本不损害性能前提下，尽可能通过算法挖掘和提升硬件训练和解码效率。1.2 算法优化路径与开源生态资料来源：民生证券、腾讯、阿里巴巴、亿欧智库亿欧智库：大模型企业开源生态建设亿欧智库：DeepSeek架构级创新及训练技术整合单位：美元/百万 tokens输入成本（缓存命中）输出成本DeepSeek-V30.07-0.140.28-1.10DeepSeek-R10.142.16GPT-4o2.510Claude3.5 Sonnet315Gemini 2.00.0750.3o1(OpenAI)7.560成本优势对比 DeepSeek-V3输入成本仅为GPT-4o的1/181/5，输出成本为1/41/10。对比Claude3.5，DeepSeek-V3输出成本仅为其1/53。架构级创新（MoE MLA）训练技术整合（FP8 蒸馏）混合专家模型（MoE）：将大模型拆分为多个“专家子网络”，通过动态路由机制，模型根据任务类型选择相关专家，避免全参数计算。效果：计算效率提升3-5倍。多头潜在注意力机制（MLA）：将传统Transformer的Key-Value矩阵压缩为低秩潜在向量，通过解耦旋转位置编码（RoPE），减少70-80%的KV缓存。效果：显存占用降低40%，适合端侧设备部署。FP8混合精度训练框架：将80%计算密集型操作（如矩阵乘）使用FP8精度，关键操作（梯度更新、损失计算）保留FP32精度。效果：显存需求减少50%，训练吞吐量提升2.1倍。数据蒸馏技术：用大模型合成高质量训练数据（如代码注释、数学推导），小模型在蒸馏数据上训练，达到接近原始数据的性能。效果：模型参数量减少60%时，推理性能保持90%以上。中国头部企业（阿里、DeepSeek、腾讯等）主动开源模型权重，吸引全球开发者共建生态，中国开源策略降低技术门槛，推动垂直场景快速落地（如金融、医疗定制化AI）DeepSeek开源后，HuggingFace社区衍生出670 个模型变体，下载量超320万次。阿里Qwen系列衍生模型超10万个，成为全球最受欢迎开源模型，超越Meta Llama。腾讯元宝整合DeepSeek-R1与混元双模型驱动，实现文生图功能升级，体现开源促成的技术互补。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()8 我国7个数据标注基地数据标注规模再创新高，总规模达到17282TB，形成行业高质量数据集335个。但人工智能语料训练需求量短缺仍然制约AI技术发展，目前尚未被利用的非结构化数据约占总量80%，平衡科技创新与数据安全治理之间的关系也是不能回避的现实问题。语料库运营平台建设加速，致力于打造“1 X”的高质量综合及垂类行业语料库资源体系，更好实现大模型行业场景训练的适配度。1.3 数据语料从“量”到“质”的转型资料来源：德勤人工智能基础数据服务白皮书、库帕思、亿欧智库亿欧智库：语料库运营平台提升人工智能国际竞争力亿欧智库：人工智能语料训练需求量开发流程语料需求量这一阶段主要关注于需求分析和问题定义。主要需要的是足够的背景信息和初步市场研究数据来帮助定义模型的目标和参数。需要收集大量语料来形成一个全面且多样化的数据集，以训练和测试模型。数据量的大小很大程度上依赖于模型类型和预期的应用范围。具体取决于任务的复杂性和模型的深度。此外，为了防止过拟合，还需要足够的数据来进行有效的交叉验证。在评测阶段需要的数据量比训练阶段少，但测试数据仍然需要覆盖所有可能的使用场景，以确保测试结果的广泛适用性和准确性。迭代阶段的数据需求量不固定，主要依赖于评测阶段发现的问题和需求调整的情况，另外可能需要额外的数据来测试新的功能或进一步优化模型。设计训练评测仿真迭代需求量需求量需求量需求量需求量高质量语料特点标注精准、错误率低信息完整、覆盖相关变量和特征具备反映复杂性、多样性的代表性具备格式的一致性和标准化语料平台建设按照综合与专业统筹兼顾、可智能配比的原则，打造大模型语料汇聚与调配的核心枢纽，按照“1 X”整体架构搭建高质量大模型语料资源体系，更好实现与行业场景的适配。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)目录C ONT E NTSAI算力、算法、语料的演进01AI应用行业渗透与颠覆效果03AI商业落地榜单及标杆案例04未来“三重螺旋”架构发展路径05AI技术生态的升级与精进02 决策式AI从静态规则到动态演化 大模型从闭源到开源的生态重构 AI Agent从工具到“劳动力”的跃迁亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()10 决策式AI渗透各垂类行业渐深，大模型开源生态助推生产力飞跃，多模态交互愈趋拟人，AI agent使数字同事替代人工劳力成为可能，各维度尽显AI生态技术的升级与精进。资料来源：公开资料、亿欧智库、阿里巴巴2 AI生态技术的升级与精进决策式AI：从静态规则到动态演化AI Agent：从工具到“数字劳动力”的跃迁AI大模型：开源生态重构，多模态重塑人机交互范式亿欧智库：AI生态技术的升级与精进与业务深度融合针对不同行业特点，行业定制化解决方案增多，与企业管理系统深度集成。市场渗透率不断提升。可解释性和数据透明性优先使用白盒模型等技术，公开数据来源，采集方法，预处理步骤等。协同生成式AI让生成式AI协同为决策式AI提供数据和信息，提高内容质量和可靠性。AI Agent定义：一个能感知环境、自主决策并执行任务以实现特定目标的智能系统，其阶段性突破的核心在于工具链整合能力的规模化跃升通往AGIAI Agent经历了基于符号规则，统计学习，深度学习的三个阶段，现在已跨入基于大语言模型的智能体阶段，其最终目标是通向AG!，数字同事企业级Agent的核心价值正在得到广泛认可，阿里巴巴预测人工智能数字同事将在五年内成为常态。2025年开源革命DeepSeek-V3使大模型推理成本年降90%，率先引爆开源革命;2025年6月30日，百度、华为两家巨头同步开源MoE架构模型。原生多模态原生多模态是当下大模型主要发展突破的重点。多模态的加速发展正在重塑人机交互方式，人机交互方式未来将更接近人与人之间的交互。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()亿欧智库：决策式AI未来发展趋势112.1 决策式AI：从静态规则到动态演化产品研发生产制造营销与销售客户运营供应链管理风险与法务制造能源化工商贸零售医药生物交通运输教育政务传媒金融亿欧智库：决策式AI在垂类行业中关键环节的应用分布资料来源：公开资料、亿欧智库、腾讯研究院决策式AI应用场景投资价值生成式AI应用场景投资价值 决策式AI主要应用在金融、制造、能源化工、交通运输、政务等垂类行业的生产制造、供应链管理、风险与法务环节。决策式AI正朝着与行业业务深度融合、增强可解释性与透明度、协同生成式AI提升数据质量的方向发展，推动企业决策智能化升级。工业场景中，生产制造环节是决策式AI的优质落地领域，比如在智能质检场景中，决策式AI能够从海量的工业产品图片数据中，学习产品的外观特征、质量标准和缺陷模式等关键信息，对新样本进行快速和准确的判断。亿欧智库：工业制造中生产制造环节重点落地决策式AI 行业定制化解决方案增多：针对不同行业特点，提供更加定制化的解决方案 与企业管理系统深度集成：帮助企业管理层准确掌握运营状况，提高管理水平和竞争力与业务深度融合可解释性和透明度提高 选择可解释的模型：优先使用白盒模型和事后解释技术 数据透明性：公开数据来源、采集方法、预处理步骤（如缺失值处理、标准化）及潜在偏见协同生成式AI 生成式 AI和决策式 AI 具有互补性，相互结合、协同发展，为决策式AI提供数据和信息，提高内容质量和可靠性14W3$2%研发设计生产制造经营管理产品服务决策式AI（小模型）生成式AI（大模型）亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()2025年是大模型企业从闭源转向开源的重要时间点，DeepSeek-V3使大模型推理成本年降90%，率先引爆开源革命；2025年6月30日成为AI开源标志性节点，百度、华为两家巨头同步开源MoE架构模型。大模型多模态能力迅速提升，从只支持文本逐步扩展到不同模态，目前已具有对文本、图像、音频、视频等多模态内容的理解分析和推理等能力。现阶段来看，原生多模态是当下大模型主要发展突破的重点。多模态的加速发展正在重塑人机交互方式，未来将更接近人与人之间的交互。数据来源：公开资料 钛媒体 阿里巴巴2.2 AI大模型：开源生态重构，多模态重塑人机交互范式12技术民主化商业逻辑与生态政策与竞争企业开源时间开源模型/产品百度2025.6.30文心大模型4.5系列华为2025.6.30盘古70B稠密模型 720B MoE模型腾讯2025.6.30混元A13B混合推理模型阿里2025年持续巩固开源WebSailor网络智能体系列亿欧智库：从闭源到开源的三大驱动因素亿欧智库：多家重要的大模型企业宣布从闭源转向开源企业开源模型多模态表现阿里Qwen-VLo支持自然语言精细控制图像生成与编辑，实现风格迁移、场景重构商汤 日日新SenseNova V6国内首获信通院多模态大模型4 级最高评级百度文心4.5 Turbo集成多模态感知与推理能力，赋能工业质检、金融风控快手可灵AI 2.1累计生成3.44亿图片 1.68亿视频，推出全球首部AI叙事剧新世界加载中首播破3000万亿欧智库：多家重要大模型的多模态表现亿欧智库：多模态的发展进程过往单一模态：文本当前主流：原生多模态未来重塑：人机交互模式政策：开源成国家战略，中国多地政府将开源写进人工智能发展规划。竞争：国际巨头如meta、XAI也加速开源布局，倒逼国产厂商加入这场”开放竞赛“。行业定制化需求：允许企业复用基座，只需针对垂直场景微调，既可利用开源模型在本地部署，既保障隐私，又节省算力开支。应用生态：阿里通义千问、腾讯混元等开源模型，正是通过降低技术门槛吸引开发者构建应用生态。成本：DeepSeek等开源模型以十分之一成本实现接近闭源性能，倒逼巨头调整策略，免费开源成为可能。端侧智能需求爆发：本地化部署推动模型轻量化，开源成为技术落地最短路径。上下文理解能力：大模型能够处理的上下文长度是其基础能力的体现。上下文窗口已在过去的一年不断突破：已经从GPT-4的128K突破到百万乃至千万token量级。多模态：从只支持文本逐步扩展到文本、图像、音频、视频等多模态。原生多模态：区别于将多个不同模态的模型整合来获取多模态能力，原生多模态指天然具备处理多种不同类型输入数据的能力。像人一样与用户交互：大模型通过麦克风接收用户语音输入，通过摄像头观察用户状态，直接与用户对话并给出工作生活建议。多模态的本质：让AI理解物理世界的因果链从静态感知到动态交互，最终指向通用AGI的终极形态。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()数据来源：公开资料、阿里巴巴、头豹研究院、亿欧智库2.3 AI Agent：从工具到“数字劳动力”的跃迁13 AI Agent定义：一个能感知环境、自主决策并执行任务以实现特定目标的智能系统。其核心进化逻辑可以用一句话概括：从“执行命令的工具”升级为“会思考的伙伴”。企业级Agent的核心价值正在得到广泛认可，阿里巴巴预测人工智能数字同事将在五年内成为常态。Al Agent的最终目标是通向AGI，其发展经历了符号智能体、反应型智能体、基于强化学习的智能体、具有迁移学习和元学习功能的智能体四大发展阶段，现在已经跨入基于大型语言模型的智能体阶段。亿欧智库：AI Agent的发展历程注重算法设计和训练策略忽视模型通用能力基于统计学习基于符号规则基于深度学习深度学习新范式和思维链强大的自然语言理解能力强大的学习能力和迁移能力基于大模型L1简单步骤跟随“打开第一封邮件并读取内容”L2确定性任务自动化“查询北京今天的天气”L3战略任务自动化“给爱丽丝打视频电话”L4记忆和上下文感知“告诉扫地机器人今晚打扫房间”L5数字人格“找出最近适合旅游的城市”亿欧智库：基于大模型AI不同自动化程度所需能力简要分析对比维度通用级Agent（ToC）企业级Agent（ToB）确定性要求容错率高用户可以容忍一定程度的幻觉零失误要求任何错误可能导致直接的经济损失和信誉危机应用范围通用平台处理多种任务，研究型导向，广泛覆盖数据、金融等领域垂直聚焦针对特定业务场景深度优化例：深度绑定CRM业务流程和数据工具与系統集成开放工具箱浏览器、虚拟机、搜索引擎、代码解释器等，通过MCP调用各种互联网工具业务系统整合需要与ERP,CRM,HRM,财务系统等整合使用场景多样化消费场景创意内容创作旅游攻略规划休闲娱乐服务企业核心业务财务报销流程供应链管理客户销售跟进任务创建价值创造方式便捷性与体验感提供便利、节省时间、增强用户体验闭环业务价值提高效率，减少错误，创造直接业务价值亿欧智库：通用agent和企业级agent对比随着人工智能技术的迅猛发展，各行业对AI的应用需求呈爆发式增长。然而在智能体领域，通用级AI Agent看上去很“美”，但对于安全、合规、管控等门槛颇高的政企业务场景却水土不服，因此，AI应用的实际落地仍然面临诸多挑战。作为360旗下智能业务协同平台，360智语以智能体为全新引擎，将大模型能力系统化注入业务协同全场景，在充分考虑企业严谨的决策链、复杂的权限管控要求以及垂直聚焦性等之外，更应该扎根政企业务逻辑，构建起了从最底层的大模型适配、到中间层智能体开发、管理和使用，到最上层和业务系统打通、形成AI应用落地的全过程，形成了企业级智能体的完整能力矩阵，将成为AI时代政企数智化升级的重要支撑。廖百成360智语产品总经理大咖说亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)目录C ONT E NTSAI算力、算法、语料的演进01AI技术生态的升级与精进02AI应用行业渗透与颠覆效果03AI商业落地榜单及标杆案例04未来“三重螺旋”架构发展路径05 中国人工智能产业图谱 SCE垂类行业应用价值评估模型 十大细分行业应用场景价值分析（互联网、电子通讯、政务公务、金融服务、商贸零售、工业制造、交通出行、企业服务、医疗健康、教育科研）亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()153.1 中国人工智能产业图谱开放平台通用技术z计算机视觉自然语言处理知识图谱智能语音技术生物识别技术开放平台基础开源框架OS行业应用硬件云计算通用大模型商贸零售金融服务互联网公共服务数据语料交通出行医疗健康工业制造科研教育智能体电子通信企业服务备注：图谱仅展示部分企业，未穷尽亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()16 本报告着重研究决策式AI和生成式AI商业落地场景给下游客户带来的应用价值，从“战略价值、降本增效、创收创利”三个维度构建评估体系，搭建SCE（Strategic Value-Cost Value-Economic Value）价值评估模型。3.2 AI商业落地应用价值SCE评估模型资料来源：亿欧智库创收创利降本增效战略价值三位一体创造经济利益成本价值优化创新水平 品牌美誉战略价值提升政策响应效率提高成本降低质量提升业务扩张品牌价值提升客户满意度提高入选示范场景顺应时代趋势新品落地速度提升品牌美誉度提高政策响应度提高创新研发水平提升品牌形象优化，助力长期发展积极响应政策，抓住时代红利研发水平提高，保持竞争优势有效客户数增加生产/服务量增加销售转换提高设计质量提升生产/服务质量提升业务规模扩大产品质量提升技术产业融合，业绩表现提升整体质量优化，构筑产品壁垒战略价值提升人工智能商业落地场景持续为下游客户创造综合价值成本价值提升经济价值提升人力成本降低生产/服务成本降低交易成本降低生产/服务效率提高运营效率提高成本降低效率提升成本结构优化，经济效益提升整体效率提升，生产方式优化亿欧智库：AI商业落地应用价值评估模型及价值创造机制亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()173.3 AI应用行业渗透与颠覆效果筛选逻辑行业应用价值申万行业分类中的31个一级行业8-10个细分行业细分行业重要场景SCE价值评估模型行业筛选人工智能行业渗透率技术成熟度行业变革可能性核心环节结合案头研究、专家访谈和问卷调研，从营销与销售、客户运营、产品研发、生产制造、软件工程、供应链管理、风险与法务、战略与财务、采购、企业IT及人才与组织等重要场景中，筛选出颠覆性场景（从AI渗透率、价值创造、可替代性等维度筛选）模型评估梳理细分行业重要场景决策式AI、AI大模型、AI Agent的落地场景结合2023中国AI商业落地投资价值研究报告中的SCE（Strategic Value-Cost Value-Economic Value）价值评估模型对细分场景的投资价值进行评估应用价值结合SCE评估模型得出细分行业核心环节的落地场景中，决策式AI、AI大模型、AI Agent落地场景给下游甲方企业带来的综合应用价值的高低，寻找AI带来颠覆性变革的行业和落地场景比如生产制造是轻工制造行业的核心环节，在该环节的计划调度和设备管理等场景中，决策式AI带来效率倍数提高的质变，生成式AI带来锦上添花的使用体验优化；比如传媒行业的生产制造即内容创作环节中，生成式AI能大幅提升创作效率实现颠覆式创新，该行业生成式AI的商业落地投资价值高决策式AI、AI大模型、AI Agent在垂类行业的商业落地应用价值分析框架资料来源：麦肯锡“The economic potential of generative AI”、亿欧智库农林牧渔基础化工有色金属钢铁家用电器食品饮料轻工制造纺织服饰公用事业医药生物交通运输房地产商贸零售银行社会服务综合非银金融建筑材料建筑装饰电力设备国防军工机械设备传媒计算机通信石油化工煤炭美容护理环保汽车电子亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()183.3.1 互联网：以内容为核心的行业属性决定AI场景的本质需求为转换劳动力为想象力资料来源：小红书、今日头条、米哈游、盛趣游戏、亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：互联网行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：互联网行业AI大模型亿欧智库：互联网行业AI Agent价值评估模型价值评估模型价值评估模型满足玩家无限追求，吸引和留存用户研发效率跃升打开创意天花板人工成本降低风格一致质量稳定提高新兴市场GMV激活UGC生态4.04.44.1亿欧评述：AI大模型成为新时代的画笔，将原画师从“像素劳工”解放为“创意导演”，效率跃升打开艺术表达的无限边疆。亿欧评述：AI智能创作助手将内容平台从“精英创作围城”推向“全民造物时代”，百倍效能释放与零门槛革命激活UGC生态。代表场景：个性化推荐解决方案场景痛点“信息茧房”问题早期协同过滤算法就像个偏食的孩子，只给用户喂相似内容，用户疲劳度上升。图文/视频依赖人工打标，错误率大于30%，冷门内容因无标签曝光率小于5%，优质创作者流失率大于40%，跨平台行为割裂，如电商与社交数据无法互通。颠覆性效果成本：无标签内容自动打标，降低人工成本。内容：实时捕捉兴趣漂移，长尾内容覆盖率上升；强化学习多样性控制，同质化率下降至，用户停留时长上升。创收：融合社交/搜索/消费数据，构建跨域图谱跨域推荐，新用户7日留存率上升，GMV上升。代表场景：原画内容生成解决方案场景痛点单张高质量场景原画需3-5天，角色设计迭代超10版；项目美术资源制作占研发周期60% ，研发成本巨大。传统的原画概念设计依赖于设计师个人的创意与技艺，多人协作时画风漂移，难以保证风格统一性和质量稳定性。设计师创意枯竭，内容出现同质化，创新提案通过率小于20%。颠覆性效果成本：单张设计时间从 12小时减少为40分钟，人力成本仅为传统1/10，原画产能从5张/月减少到200张/月。内容：创新方案采纳率上升，角色设计获奖数增长。创收：AI批量生成高质量原画，2D月产量超28万张，效率提升40倍。跨域推荐商业与体验不再对立人工成本降低自动打标用户体验是核心驱动力代表场景：AI智能创作助手解决方案场景痛点人工撰写效率低（200字/小时），爆款率小于5%；多平台适配需重复修改，如微博限140字vs公众号长文。多语言翻译成本高，文化隔阂致转化率下降；本地素材制作缓慢。普通用户创作门槛高，UGC占比小于10%；优质内容埋没，90%笔记阅读量小于100。颠覆性效果成本：广告文案CTR上升，人工成本下降70%。内容：UGC占比上升，某内容平台70%爆款笔记来自AI辅助新人。创收：AI跨文化改写和生成本土素材使新兴市场GMV上升，翻译成本下降80%。降本增效降本增效人工成本降低减少平台重复适配和翻译量亿欧评述：用户兴趣碎片化速度超越规则迭代周期，内容复杂度碾压人工标注容量；在信息流内容领域中，AI满足了“千人千面”的个性化需求。在以内容为核心竞争力的互联网产业中，AI技术应用的核心在于磨平生产门槛，减少重复劳动从而解放想象力，鼓励全民创作激活UGC生态。个性化推荐，内容生成大模型，AI智能创作助手等应用正在重塑互联网内容生产链。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()193.3.2 电子通信：以信息传输为核心的行业属性决定AI场景的本质需求为全域协同智能资料来源：中国移动、中兴通讯、达观数据、亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：电子通信行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：电子通信行业AI大模型亿欧智库：电子通信行业AI Agent价值评估模型价值评估模型价值评估模型套餐收入增加体验维度升级人工成本降低响应时间加快业务增长智能化转型3.74.13.9亿欧评述：AI多模态客服重构服务维度，使通信商从“管道提供商”蜕变为“感官服务商”，在成本、体验、收入三维实现量子跃迁。亿欧评述：AI Agent将电信账单异常检测响应速度大幅提升，精准识别异常问题，实时预警防范客户流失风险，助力运营商实现智能化转型与业务增长。代表场景：故障预测与资源分配解决方案场景痛点基站设备故障依赖人工定期巡检，响应滞后。突发故障导致大规模断网；维护成本高且效率低。5G/6G网络切片调度时，固定资源分配无法应对流量突发，人工调度响应慢，超过10分钟。高实时性业务，如VR质检，易卡顿。颠覆性效果成本：减少现场技术人员和非必要现场巡检；智能基站功耗动态调整降低能耗。效率：通过传感器实时分析设备状态，提前7-30天预警故障，降低非计划停机时间；满足10ms级超低时延要求。创收：直接减少运营商因故障导致的收入损失；结合算力调度，全链路能效提升显著，闲置带宽降低40%。代表场景：多模态智能客服解决方案场景痛点设备故障需工程师到场，响应大于24h，用户描述失真率高。套餐变更需多次验证身份，老年用户操作困难。传统推荐转化率小于8%，用户画像单维度。颠覆性效果成本：用户拍摄设备视频，CV识别故障部件，AR标注维修步骤，实时生成3D拆装动画维修效率提升，减少现场维修人力成本。体验：业务办理时长从15分钟缩减至2分钟，老年用户满意度提升。创收：分析用户截图中的使用场景，生成个性化套餐，转化率和单用户收入增加。减少故障损失人工成本降低全链路能效提升高时性高可靠性代表场景：账单异常检测解决方案场景痛点海量账单数据处理压力大，传统人工检测方式效率低下，易出现漏检和误检。账单异常类型繁多，隐蔽性强，传统规则难以识别。响应速度慢导致的客户流失风险：账单异常不能及时检测和处理，导致客户经济损失和不满，引发客户流失。颠覆性效果成本：从数据采集到异常检测、预警推送及后续处理跟进，无需人工干预，降低人工成本。效率：检测响应速度提升60倍。账单异常检测准确率达到95%以上。创收：提供丰富的业务洞察和决策支持，如优化资费套餐设计、精准营销策略制定、网络资源规划等，提高客户留存率。降本增效降本增效人工成本降低响应速度加快亿欧评述：AI通过构建“预测-决策-自愈”闭环系统，将通信网络从被动响应式基础设施升级为具有主动神经中枢的智能生命体。在以信息传输的为核心的通信本质驱动下，AI技术通过重构网络架构、优化资源调度与创新服务范式，将通信系统从被动管道升级为主动决策的神经中枢，驱动行业向全域智能、高效可靠与价值创新跃迁。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()203.3.3 政务公务：以公共服务为核心的行业属性决定AI场景的本质需求为高效透明资料来源：公开资料，亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：政务公务行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：政务公务行业AI大模型亿欧智库：政务公务行业AI Agent价值评估模型价值评估模型价值评估模型该场景不以盈利为目的行政效能提高加速业务流程人工成本降低格式合规率增加数据流闭环形成数字资产数据驱动决策高效透明3.84.14.0亿欧评述：公文内容生成通过自然语言大模型实现政策文件秒级生产，知识图谱动态注入法规更新流，催化行政体系从经验驱动向认知智能升维。亿欧评述：AI公务员从根本上重塑了政府服务行业的运作模式，大幅提升了效率、降低了成本，并推动了政府服务从传统人工模式向数字化、智能化的全面转型。代表场景：智能审批解决方案场景痛点传统招标文件合规性审查中，人工审查效率低，标准“因人而异”。违规点事后纠错别动，风险滞后。流程复杂致群众独立操作困难，窗口排队耗时。企业登记服务中，多部门协同工程项目审批中，部门串联审批耗时长，企业反复提交材料。颠覆性效果成本：智能审批自动识别违规点准确率95%，资质审查速度提升至人工3倍。体验：“AI公务员 虚拟大厅”连接10余个平台，1.2万次访问实现“零跑动”，平均审批时限压减30%。创收：泉州台商区企业开办时间压缩至0.5小时，北海市工程审批提速80%，促使项目早投产、早纳税。代表场景：公文内容生成解决方案场景痛点人工撰写耗时，平均4小时/份，格式错误率超15%,专业术语一致性缺失，年均32起表述事故。法规更新滞后导致30%公文存在法律风险。人工回复模板复用率不足，回复超期严重%。颠覆性效果成本：人工成本和时间成本降低，公文生成效率提高60%，会议纪要耗时减少60%。体验：智能生成千级差异化模板，信访响应时效压缩至2小时内，提升信访市民感受。创收：语义理解生成效率提升80%，格式合规率99.2%。知识图谱自动绑定最新条款，法律风险熵减98%，规避年均45起政策误读导致的千万级法律纠纷。该场景不以盈利为目的人工成本降低审查速度提升数智化治理提升市民体验代表场景：AI公务员解决方案场景痛点数据孤岛致重复提交、人工跑件串联流转、跨部门协作超3天。人工客服响应慢、夜间无服务、政策解读因人而异、方言沟通障碍。事件处置依赖人工巡查、隐患响应滞后、工单分拨错误率高。颠覆性效果成本：人力时间成本下降，跨部门业务从数天减少到1天办结。AI公务员“平平”累计处理202万次咨询，响应速度秒级。效能：数据驱动政务公务决策，避免员工个人情感波动，服务高效透明更为公平公正。创收：通过AI技术分析海量政策文件，生成标准化政策语料库授权给金融、咨询公司等使用。降本增效降本增效人工成本降低响应速度加快亿欧评述：智能审批通过算法淬炼制度刚性、数据贯通流程梗阻，在承诺时限压缩的同时实现超高风险拦截率，催化权力清单向效能清单的范式跃迁。在以公共服务为核心的政府服务行业中，AI技术赋能将“人跑腿”变为“数据跑路”，使规则标准化、流程自动化、服务人性化，秒级响应、未诉先办，以无感技术成就民生有感温度。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()213.3.4 金融服务：以收益为核心的行业属性决定AI场景的本质需求为效率和精准资料来源：公开资料，招商银行，平安科技，2025“人工智能 ”行业发展蓝皮书，亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：金融行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：金融行业AI大模型亿欧智库：金融行业AI Agent价值评估模型价值评估模型价值评估模型收益率增加风险损失减少数据-算法-服务人工成本降低普惠覆盖有效识别套利机会市场变革竞争优势3.84.24.0亿欧评述：AI智能投顾以技术普惠突破财富管理边界，重构人-资-场价值链条，驱动金融业从资本规模竞争跃迁至算法效能竞争。亿欧评述：AI高频量化以纳秒级决策突破人类生理极限，驱动市场从资本规模竞争转向数据-算法-算力三维效能竞争，重塑资本配置效率边界。代表场景：智能风控解决方案场景痛点法规复杂，人工合规成本高，易遗漏违规行为。信贷审批中，人工审核效率低，风险识别不精准，易受主观因素影响。传统规则系统难以应对复杂多变的欺诈手段，误报率高。颠覆性效果成本：AI通过自然语言处理，自动解读法规，实时监控交易，降低合规成本。风险：AI通过大数据分析，实现自动化审批，提升效率，降低违约风险，实时识别异常行为，精准打击欺诈，降低误报率。创收：AI的风险预测和信用评分优化了投资和贷款决策，提高了资产回报率。代表场景：智能投顾解决方案场景痛点人工顾问成本高昂，管理费1%-2%，服务覆盖范围仅限高净值客户，依赖人工分析配置效率低。人工跟踪滞后市场变化，情绪化决策如追涨杀跌，跨资产分析能力有限。颠覆性效果成本：管理费降至0.25%-0.5%，服务门槛从百万降至万元级，配置组合调整响应速度从天级到秒级。风险：智能投顾可以通过行为金融干预，自动拦截非理性交易,减少情绪化交易。创收：智能投顾可以通过NLP分析，行为金融干预，多资产关联分析等技术,实现组合收益率跑赢大盘，因子挖掘维度扩展至非结构化数据。大大减少潜在损失人工成本降低风险识别精准提升风险管理能力代表场景：高频量化交易解决方案场景痛点人工建模滞后市场变化，响应延迟大于200毫秒。人工套利受限于跨市场数据割裂，套利机会捕捉率小于15%，跨境交易摩擦成本吞噬利润。传统风控模型无法预判黑天鹅，闪崩事件损失率大于20%，同质化策略引发系统性风险。颠覆性效果成本：量化交易响应延迟降至0.3微秒，通过联邦学习构建跨市场价差模型，跨境交易摩擦成本压缩。风险：通过生成对抗网络（GAN）模拟市场极端情景，多Agent博弈训练避免策略趋同，策略同质化风险下降，市场异常波动持续时间缩短。创收：多Agent协同架构实时比对全球30 交易所数据，有效套利机会识别率提升。降本增效降本增效跨境摩擦成本降低响应速度跃升亿欧评述：智能风控通过数据驱动和智能决策，为金融行业构建了高效、精准、全面的风险管理体系，推动了行业数字化转型，提升了竞争力与客户价值。在收益的本质驱动下，AI通过提升交易效率、优化资产配置和增强风险控制能力，深刻改变了金融行业的运作方式，推动其向智能化转型、自动化发展，为金融机构带来更高收益与更优决策能力。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()223.3.5 商贸零售：以消费者为核心的行业属性决定AI场景的本质需求为优化客户体验资料来源：云拿科技、世优科技、天润融通、亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：商贸零售行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：商贸零售行业AI大模型亿欧智库：商贸零售行业AI Agent价值评估模型价值评估模型价值评估模型闲时转化率、私域线索转化数字人作为企业数据资产驱动人工成本降低直播时间拉长提高产品推介成单率优化客户体验4.14.13.9亿欧评述：数字人直播零售通过“技术重构战略降本释放资源创利反哺生态”的闭环，解构零售业不可能三角。亿欧评述：从“人适应货”到“货主动适配人”的范式转移顾客情绪成为核心生产要素，零售效率与体验的边界被重新定义。代表场景：无人零售解决方案场景痛点传统RFID技术易被规避，视觉识别在遮挡、光线变化、人流密集时准确率骤降。传统无人柜SKU受限（平均小于50种），补货依赖人工巡查，滞销率高达30%。传统便利店人工成本占比近50%，收银环节耗时占顾客停留时间30%。颠覆性效果成本：成本结构根本性变革，单店人工成本50%下降至20%。创收：Z时代零售习惯，校园店客流量提升200%，复购率85%。体验：无感支付使购物效率提升3倍，停留时间减少70%。代表场景：数字人直播解决方案场景痛点主播分成占比高，中小商家月均直播成本超20万元，且真人主播存在跳槽、负面舆情等不确定性风险。真人主播日均有效直播时长仅6-8小时，凌晨2点至8点潜在消费时段的转化率浪费超70%。传统直播需搭建专业影棚、配置主播/助播/设备，中小商家自然流量占比不足15%。颠覆性效果成本：从“人力杠杆”到“边际成本趋零”，直播成本仅为真人1/5。体验：构建“虚拟卖场 实景融合”，消费者体验感加强。创收：数字人直播间直接引导用户至品牌私域池，有效线索获取提高60%用户体验升级、创新商业模式人工成本降低与库存成本商品销售转向技术赋能代表场景：情感交互式智能导购解决方案场景痛点传统导购实体店需长期雇佣专业导购，人力成本占运营费用30%以上，高峰时段导购无法兼顾所有顾客。导购依赖主观经验推荐商品，忽略实时行为数据，推荐准确率不足50%。传统导购难以捕捉顾客微表情、语调变化，无法提供情感化服务。颠覆性效果成本：客服人力成本下降，高峰期可覆盖所有消费者。体验：基于情感状态（如兴奋、犹豫）调整推荐策略，无真人接触式服务降低消费者心理压力。创收：通过情感交互，洞察消费者购物心态，提高产品推介成单率。降本增效降本增效人工成本降低高峰导购效率增加亿欧评述：AI在无人零售中不仅解决技术可靠性、运营经济性和体验瓶颈三大痛点，更是技术迭代与商业模式创新。在“以消费者为中心”的零售本质驱动下，AI技术的应用核心在于全方位优化客户旅程，提升个性化、便捷性与互动体验。无人零售、数字人直播、智能导购助手等这些场景的本质，在于利用AI的感知、理解、决策与交互能力，在购物流程的关键触点注入智能化、个性化和无摩擦的体验。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()233.3.6 工业制造：以效能为核心的行业属性决定AI场景的本质需求为智效革新资料来源：宁德时代、国家电网、西门子、亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：工业制造行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：工业制造行业AI大模型亿欧智库：工业制造行业AI Agent价值评估模型价值评估模型价值评估模型技术溢价资源重构降低关键原料依赖度时间成本降低缩短研发成本电力市场套利物理资源虚拟化4.04.24.0亿欧评述：扩散模型以智能涌现重构能源化工底层创新，实现原子级精准合成与性能极限突破，重塑万亿级产业竞争格局.亿欧评述：AI Agent是虚拟电厂的智能中枢，通过动态优化分布式资源聚合与电力交易策略，实现分钟级光储荷协同调控，提升新能源消纳与收益。代表场景：智能巡检解决方案场景痛点工厂设备巡检依赖人工按固定路线检查，效率低；纸质记录易错漏，标准不统一。能源消耗监控环节，人工抄表数据滞后，误差大于15%；温控等调节依赖经验，能效优化不足。变电站巡检环节，高危环境（高压、有毒气体）人工难覆盖。颠覆性效果成本：某热电厂通过AI平台实现“无人监盘”，每班组从12人减至5人。安全：巡检机器狗的26倍高清摄像头 气体传感器实现变电站“动态清零”故障。创收：某钢铁企业通过能耗预测模块，能源采购误差从15%压缩至5%。代表场景：扩散模型研发解决方案场景痛点传统催化剂设计依赖试错法，单次开发周期长达3-5年，成本达千万美元。固态电解质离子通道设计盲区多。人工经验仅覆盖60%风险场景，如多米诺效应事故漏判率大于40%。颠覆性效果成本：催化剂设计中，扩散模型可生成120万候选结构/日，活性提升4倍，设计时间可能从几年缩短到几个月。安全：扩散模型生成10*6级事故工况库，覆盖99.7%长尾风险，应急准备时间从72小时减少至15分钟。创收：宁德 时代 生成 固态 电解 质使 电池 能量 密度 突破500Wh/kg，定价超传统产品41%。综合能效提升人工成本降低安全性提高可持续发展代表场景：虚拟电厂解决方案场景痛点实时电力调度中依赖人工经验，响应速度大于30秒，无法应对风光波动，误差率大于40%。传统定期检修模式，故障漏检率大于12%，运维成本占营收18%。传统电力市场交易的策略静态化，日内交易频次小于5次，套利空间捕获率小于35%。颠覆性效果成本：亚秒级动态优化，风光消纳率提升至90%，调度成本降低50%。安全：数字孪生Agent预警故障，运维成本下降。创收：深度强化学习实现900 次/日高频交易，衍生品收益提升38%。降本增效降本增效人工成本降低运维成本下降亿欧评述：智能巡检重构能源化工安全范式，超高隐患预警率实现高危装置风险免疫，重塑行业安全逻辑与经济模型。在以效能革新为核心的能源化工行业中，AI作为复杂系统的神经中枢，实时锁定安全、高效、低碳的最优操作点，将事故防控从“概率控制”升级为“确定性阻断，打破“分子-工厂-供应链”的数据孤岛，释放全链路价值。在安全、能效、研发三重维度重构产业竞争力。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()243.3.7 交通出行：以安全效率为核心的行业属性决定AI场景的本质需求为确定性协同资料来源：公开资料、京东、顺丰、美团、亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：交通出行行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：交通出行行业AI大模型亿欧智库：交通出行行业AI Agent价值评估模型价值评估模型价值评估模型产品功能的溢价自动驾驶智能等级升级人工成本降低数据处理准确性提高功能订阅增收更安全更智能的卖点第三空间的座舱数据4.04.34.0亿欧评述：智驾大模型通过其强大的多模态数据处理和端到端学习范式，显著提升了智能驾驶系统的感知和决策能力，加速了高阶自动驾驶的实现。亿欧评述：AI Agent是智能座舱的“神经中枢”，通过多模态交互与主动服务重构人车关系，驱动体验与商业双变革。代表场景：运输路径规划解决方案场景痛点快递末端配送中，人工排单耗时长，约200单/3小时；路径重叠率高，30%冗余里程，燃油成本占比40%。危化品运输过程中，安全路径依赖经验，事故率0.12%；紧急避灾缺乏实时决策，如泄漏后疏散延迟。即时配送调度中，高峰时段单均配送耗时大于45分钟；骑手路径冲突导致超时率超过25%，导致大量投诉。颠覆性效果成本：实时动态规划，排单系统小于0.2秒；强化学习优化：冗余里程减少，燃油成本减少25%。安全：融合地形，人口，气象数据，事故率下降；仿真推演系统使救援响应提速8倍。创收：动态调度后骑手日均配送增加，外卖业务营收增加。代表场景：智驾大模型解决方案场景痛点 数据采集、存储、处理成本高昂，尤其是高精地图数据的采集和处理。大量数据处理仍需人工干预，自动化程度不足。基于规则的感知算法和基于高精地图的定位方案在技术或商业化层面难以突破至更高阶的智驾功能。颠覆性效果成本：通过数据闭环系统优化数据处理流程，降低数据采集、存储和处理成本。安全：实现从数据采集、标注、训练到仿真测试的全自动化流程，提高数据处理效率和准确性。创收：智驾大模型将凭借端到端的自主学习能力和环境适应能力，成为实现高阶智驾功能的关键。承接订单量提升人工成本降低排单效能增加智慧物流的数据资产代表场景：智能座舱解决方案场景痛点功能碎片化需手动切换；跨场景服务断点。被动告警，无法预判风险；驾驶员状态监测精度不足。服务标准化，无法动态适配用户习惯；生态服务割裂，如导航/娱乐/办公独立。颠覆性效果成本：单指令触发多任务联动，如出差安排同步调用导航/日程/充电，形成场景闭环，降低用户时间成本。安全：实时融合环境感知，行人/车辆识别；驾驶员状态分析，疲劳/分心，主动介入避险，事故率显著降低。创收：基于用户习惯记忆的主动服务，自动调节座舱环境，行程规划，充电预约等。并通过流量变现，付费OTA等形式为车企带来额外收益。降本增效降本增效时间成本降低用户体验提升亿欧评述：AI将运输路径规划从“经验导航”进化为“智能博弈”，物流战争的终局属于算法密度最高的玩家。在以安全效率为核心的本质驱动下，AI作为关键决策者正在从安全革命，效率质变，基建智能化，商业范式颠覆四方面重构交通运输业，将事故率降低且物流时效提升，驱动行业从人力依赖型向数据驱动的智慧网络跃迁，催生万亿级自动驾驶经济新生态。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()253.3.8 企业服务：以客户价值为核心的行业属性决定AI场景的本质需求为全周期优化资料来源：金蝶云、用友、亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：企业服务行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：企业服务行业AI大模型亿欧智库：企业服务行业AI Agent价值评估模型价值评估模型价值评估模型销售收入增加形成企业数据资产人工成本降低知识获取速度提高人才驱动业绩增长形成企业人才培养体系3.84.14.0亿欧评述：AI知识库智能问答将企业知识资产转化为实时决策力和增长引擎，驱动服务效能质变与竞争力重构。亿欧评述：智能培训助手将企业人力成本中心裂变为能力资产引擎，驱动组织效能指数级跃迁与商业价值重构。代表场景：人力资源智能决策解决方案场景痛点招聘流程中，简历筛选耗时，面试流程低效，平均周期28天。HR系统/业务系统/外部数据割裂，分析维度单一绩效评估中，主观打分偏差大；反馈滞后，按季度为周期季度周期；激励方案粗放。颠覆性效果成本：在保护隐私下整合财务、绩效、生产数据，构建“能力-项目-绩效”关联网络，匹配精度大大提升，人力招聘成本和时间成本大大下降。效率：实时抓取项目数据自动评分，多源反馈融合分析，生成个性化改进方案。人均管理半径扩大。创收：AI推演不同激励方案的留存率影响，优秀员工留存率提升，支撑业务收入扩张。代表场景：企业知识库智能问答解决方案场景痛点知识分散在200 文档中，检索耗时。报告撰写占30%工作时间，人工整理数据耗时。销售话术更新滞后，客户需求匹配偏差大，高价值客户流失预警缺失。颠覆性效果成本：非结构化数据（聊天记录/会议纪要）自动转为结构化知识图谱，自然语言提问3秒返回答案，1分钟解析100页PDF，提取关键信息准确率高，知识获取效速度提高，减少时间成本。效率：AI自动输出结构化周报，如销售数据汇总。创收：客户画像融合外部数据生成话术，实时竞品分析推荐应对策略，预测高流失风险客户，增加销售业务收入。人才留存 业务扩张人工成本降低招聘速度加快助力企业数字化转型代表场景：智能培训助手解决方案场景痛点人工管理耗时，学习监督缺失，效果评估主观。课程同质化，能力缺口诊断偏差，学习资源分散。业务技能实战模拟中，真实场景复现成本高，如客户投诉模拟，陪练资源有限，反馈滞后。颠覆性效果成本：AI自动生成教案/试题库，实时学习行为追踪仪表盘，教务人力成本降低，培训管理效率提高。效率：技能图谱分析能力短板，DRL算法生成定制课程，生成动态业务场景（如催收/理赔），情感识别 话术分析实时评分，动态调整模拟难度，实战演练效率，销售转化率，员工技能达标速度提高。创收：员工技能转化效率提升，驱动业绩增长。降本增效降本增效人工成本降低培训效果提升亿欧评述：AI驱动人力资源从成本中心升级为战略中枢，实现人才管理全链路的效能跃迁与价值增值。在以客户价值为核心的企业服务本质驱动下，AI技术通过智能体替代大量重复劳动，更构建动态能力中枢，延伸客户生命周期价值，重塑行业竞争制高点，将企业服务从成本消耗工具蜕变为增长共生体。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()通过 AI 技术在医疗健康行业的多种应用场景，有效解决了医疗资源分配不均、工作效率低下等问题，实现了降本增效与创收创利的双重价值，推动医疗行业向智能化转变。263.3.9 医疗健康：AI深度嵌入医疗健康场景实现资源优化、效率提升与服务创新资料来源：医疗机构公开信息、亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：医疗健康行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：医疗健康行业AI大模型亿欧智库：医疗健康行业AI Agent价值评估模型价值评估模型价值评估模型病历数据洞察挖掘科研价值病历智能处理，提升医院核心竞争力病历高效处理，加快诊疗效率助力医院拓展创新业务医疗资源的精准布局，助力服务均等化4.04.34.1亿欧评述：病历智能化处理解决方案，不仅能显著提升病历处理效率与质量，还能通过深挖病历数据科研价值，全方位重塑医疗病历管理模式。亿欧评述：通过优化医疗资源配置与流程整合，以数据驱动实现个性化健康管理与多元服务创新，助力医疗行业迈向智能化。代表场景：医学影像分析解决方案场景痛点我国医学影像数据的年增长率约30%，而医师的增长率只有4.1%，导致供需严重失衡。医生工作负荷过重，以CT报告为例，影像科医生每天需要完成的阅片量在80-100份，简单的CT影像阅片可能只需要几分钟，而复杂的病例可能需要花费30分钟或更长时间。传统结果评估依赖人工二次诊断，耗时长且资源消耗大。颠覆性效果成本：平均每例报告生成时间仅需2秒，每小时完成的阅片量相当于150名三甲医院影像科医生全天的工作量。体验：诊断准确率最高可达98%。创收：在建立医学影像数智化平台后，某医院的影像检查业务量与之前相比增加了20%。代表场景：病历智能化处理解决方案场景痛点传统病历书写依赖医生手工录入，关键诊疗环节单份文书耗时超8分钟，挤占核心诊疗时间。人工书写病历易错误，且存在同义术语混用、描述不规范、逻辑不严谨等问题，影响诊断规范性和数据统计准确性。在进行多学科会诊时，针对相对复杂的病例，患者的病历通畅内容较多，之前医生需要至少十几分钟翻阅病历。颠覆性效果成本：AI助手1-2分钟就能自动梳理患者完整的治疗轨迹。体验：利用生成式AI技术结合自然语言处理和专业疾病知识图谱自动生成病历。创收：通过对病历数据进行结构化处理和深度分析，增加医院在科研项目资助和科研成果转化方面的收入。医学影像检查量增加、准确率有保证秒级阅片降低医生工作量医学影像数据资产价值释放代表场景：医疗健康智能体场景痛点医院的管理涉及多个环节和部门，传统的管理模式往往存在信息不畅、流程繁琐、工作效率低等问题。传统医疗服务大部分采用“一刀切”的模式，难以满足患者个体化的健康需求。优质医疗资源集中在头部医院，偏远地区的患者难以获得高水平的医疗服务，导致医疗资源分配不均。颠覆性效果成本：智能体高效的服务管理有助于降低医院运营成本。体验：依据患者的病史、生活习惯等，智能体生成个性化的健康管理方案以及行动计划，帮助患者更好地管理自身健康。创收：智能体可以支持医院开展健康管理等多元化的医疗业务，拓宽收入渠道。降本增效降本增效优化医院管理流程，降低运营成本亿欧评述：AI在医学影像分析中不仅化解了医生负担重、诊断准确率不足及资源浪费三大难题，更是推动了医疗技术革新与服务模式升级。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()科研教育行业引入AI解决方案，精准破解科研项目管理、个性化教学及实验设计等核心场景的痛点，通过智能优化资源分配、提升决策精准度与执行效率，不仅实现降本增效，更推动教育模式向个性化、科研流程向智能化转型，为行业开辟全新价值增长曲线。273.3.10 科研教育：革新科研教育模式，激发创新活力与效能提升资料来源：多鲸教育、亿欧智库，场景价值打分通过定量问卷 专家评价计算，满分5分亿欧智库：科研教育行业决策式AI战略价值创收创利降本增效战略价值创收创利战略价值创收创利亿欧智库：科研教育行业AI大模型亿欧智库：科研教育行业AI Agent价值评估模型价值评估模型价值评估模型创造个性化学习服务新场景充分考虑学生个体差异辅助教师承担教学任务缩短研发周期抢占市场先机提升科研项目精准度4.04.43.9亿欧评述：传统教育模式存在局限性，而个性化教辅解决方案正以其技术驱动优势，推动教育创新，引领教育模式转型。亿欧评述：科研流程中设计、数据处理及分析环节存在脱节与低效问题，通过精细化设计与高效执行可降低成本、提升效率、抢占市场先机。代表场景：科研项目管理决策式AI解决方案场景痛点在科学研究中，及时了解全球各学科领域的研究进展、建立各学科间的联系以及确保研究的学术影响力是科研人员面临的挑战。科研人员在项目申报和选题过程中存在决策困难的问题。科研工作中调研耗时费力，以药物研发为例，传统的药物研发过程通常需要数年之久，耗费大量的人力、物力和时间。颠覆性效果成本：AI实时监控科研项目的能源消耗和资源使用情况，通过数据分析找出资源优化配置方案。体验：AI预测各学科领域的发展趋势和研究热点，帮助科研人员提前布局，把握科研机遇。创收：利用AI分析市场趋势，帮助科研成果转化为实际应用。代表场景：个性化教辅解决方案场景痛点目前教学多聚焦于学科知识，对综合素养评价的关注相对不足，主要借助作业、试卷等传统手段开展教学观察与评价。教师处于知识传授的核心地位，学生处于被动接收知识的状态。传统教育模式以教师为中心，教学进程呈现线性特征，且标准化的教学方法难以充分考虑学生的个体差异。颠覆性效果成本：教学大模型承担一些教学任务，降低了运营成本。体验：借助大模型的互动式学习工具，学生对词汇和语法的长期记忆保持率提升了 28%。创收：通过个性化学习服务（如AI作文指导、虚拟人口语教练）创造新的付费场景。推动科研成果转化为实际应用监控科研项目能耗，优化资源配置建立学科联系，提前布局科研项目代表场景：科研实验设计与数据分析解决方案场景痛点初级科研人员可能对实验流程的规划不够清晰全面，容易遗漏关键步骤或出现逻辑错误。科研数据往往具有海量、多源、异构等特点，数据的预处理工作非常繁琐。从实验设计到数据分析再到结论的整个研究过程往往缺乏连贯性，容易出现数据与实验方案脱节等问题。颠覆性效果成本：依据实验目标和约束条件，通过大量数据分析和模拟，设计出更精准合理的实验方案，降低实验资源浪费。体验：通过多Agent协同架构，实现复杂科研任务的全自动执行和高效协作。创收：缩短科研周期，产品抢占先机，获得更多市场份额。降本增效降本增效降低实验资源浪费亿欧评述：AI驱动的科研项目管理方案通过实时监控与预测，精准优化资源配置、提前布局科研方向、加速成果转化，全方位革新科研管理效能。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)目录C ONT E NTSAI算力、算法、语料的演进01AI技术生态的升级与精进02AI应用行业渗透与颠覆效果03AI商业落地榜单及标杆案例04未来“三重螺旋”架构发展路径05 榜单评价逻辑与方法 中国AI商业落地投资价值榜单 优秀企业案例分析亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()294.1 榜单评选逻辑与方法资料来源：亿欧智库一、榜单研究方法说明本榜单主要采用的研究方法包括：问卷调研、深度访谈和亿欧数据分析1.问卷调研：利用调查问卷收集不同企业提供的商业落地场景为下游客户带来的具体价值。2.深度访谈：通过F2F和电话的形式，对中国主要的人工智能企业进行深度访谈，深入分析市场竞争格局和企业发展情况。3.亿欧数据分析：借助亿欧数据获取主流AI企业的产品应用与商业化进展、企业估值、场景商业价值等信息。二、榜单参考价值与补充说明1.本榜单参考的数据包括：调研数据、企业营收等公开数据、亿欧数据等。2.本榜单的评选思路为：非基础层服务商：在细分行业核心环节中，以企业直接提供的商业落地场景数为基础，结合营收数据和细分场景价值创造能力，评选出优质服务商。基础层服务商：在细分行业核心环节中，以企业提供的产品最终能够服务的商业落地场景数为基础，结合营收数据和技术落地能力，评选出优质服务商。3.本榜单中的企业排名不分先后，按首字母顺序进行呈现。本榜单可用于判断人工智能在各细分领域对下游客户产生的综合价值，但不能反映各企业综合实力与行业地位。4.受限于调研范围与调研信息的不透明性，以及相关企业的问卷填答意愿，本榜单不可避免会存在企业遗漏现象，仅供业界参考。5.本榜单通过企业问卷调研和深度访谈等方式对数据的真实性作尽可能地追求，但不作任何保证，不承担相关法律责任，同时本榜单中的信息不构成对任何人的投资建议，如有问题与建议，请与我们联系。场景落地能力场景落地能力越强，客户需求满足能力越高，客户销售转换和客户粘性也会相应提高产品与服务能力资本及市场关注度营收及业务增速融资轮次、融资金额、市场声量等亿欧智库：榜单评选说明亿欧智库：榜单评选维度亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()304.2 2025中国决策式AI企业商业落地Top20决策式AI企业资料来源：专家访谈、调研问卷、亿欧数据、亿欧智库；按名字中文简称首字母排序亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()314.2 2025中国AI大模型企业商业落地Top20AI大模型企业资料来源：专家访谈、调研问卷、亿欧数据、亿欧智库；按名字中文简称首字母排序亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()324.2 2025中国AI Agent企业商业落地Top20AI Agent企业资料来源：专家访谈、调研问卷、亿欧数据、亿欧智库；按名字中文简称首字母排序亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()334.2 2025中国AI基础设施服务商商业落地Top20基础设施服务商资料来源：专家访谈、调研问卷、亿欧数据、亿欧智库；按名字中文简称首字母排序亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()配天机器人：工业机器人全家福行业覆盖34 配天机器人是一家专注于工业机器人、核心零部件及行业自动化解决方案的提供商，是京城机电旗下的国家级高新技术企业。公司始终致力于机器人技术的自主研发及高端装备技术瓶颈的突破，同时前瞻性布局打造以具身智能、机器人行为大模型为核心的AI 机器人。植根于工业制造场景，配天在“AI 机器人”已经成功发布绎焊系统。该系统具有自主识别、焊缝提取、智能避障等功能，实现焊接过程的全面自动化与智能化。资料来源：配天机器人、亿欧智库4.3 配天机器人：具身智能工业场景应用代表厂商场景应用3C配天专注工业机器人及自动化领域13年。控制器、伺服系统等智能核心部件自主研发。工业机器人产品46款，负载范围在3-280kg。其中 六轴工业机器人负载范围:3-280kgSCARA工业机器人负载范围:3-20kg汽车能源玻璃制造橡胶塑料金属加工食品加工化工.焊接上下料切割.打磨搬运码垛喷涂分拣装配行业范围产品应用典型案例制药行业配天机器人：智能自动化解决方案船舶行业建筑行业包装行业半导体新能源材料搬运上下料工作站&产线机器人焊接工作站&产线智能仓储物流拆码垛，成品处理，包装产线AOI产品缺陷检测定制化非标产线无源滤波器自动化智能柔性装配生产线医药行业粉针剂类全自动混粉投料系统装配式建筑智能化产线物流行业智能分拣码垛工作站植物纤维餐具检品机AI加持：以免示教焊接任务为例：从专机专用到单机多任务并行，并在低制造、部署、运营成本下，大规模部署在结构化，半结构化，非结构化环境中，并逐步向多样化任务延伸。应用案例：造船行业免示教焊接某船舶制造厂商专注于碳钢船体结构的生产，其焊接工件呈现小批量、多品种的特点，传统焊接机器人需要花费大量时间精力进行人工示教，换产成本高昂，难以适应此类生产需求。绎焊系统支持根据生产需求开展产线柔性化部署与布局优化。配备高精度视觉识别功能，可自动检测并提取工件焊缝信息；依托先进的智能避障路径规划算法，自主生成最优焊接路径，实现多工位柔性流水线作业。场景需求主要生产碳钢板，常规厚度12-25mm，需人工将BK板按照划线标识进行装配与焊接。依靠人工上下料、装配与手工焊枪焊接。多品种小批量，且产品间均存在差异免模型专家算法驱动的离线编程：通过3D相机自主识别工件类型、板厚和焊缝类型，自动提取焊缝，结合免模型专家算法自适应路径规划和工艺匹配；焊缝跟踪与实施修正系统：极高的视觉定位精度，实时的电弧跟踪修正；面向多种工艺场景的解决方案：船舶制造、轨道交通、航空航天、建筑钢构、电力制造等板材焊接、管材焊接，覆盖多种接头类型与多种焊缝类型。解决思路 基于绎零控制引擎的免示教焊接：满足非结构化场景下的非标产品生产工业放置（非结构化）一键运行：任务配置设备连接速度设定点云扫描焊缝提取路径规划ARL生成一键空运行一键实焊应用效果：全自动流程亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()资料来源：深元人工智能、亿欧智库4.3 深元人工智能：国产智能体代表 MasterAgent 全球首个L4级多智能体母体系统35 深元人工智能科技有限公司自主研发的L4级智能体母体系统MasterAgent，基于全国产化技术底座，拥有超强理解和泛化能力，通过动态生成AI Agent集群实现跨领域自主决策与专业协同，技术能力处于国际领先地位，远超市面同类智能体产品。其技术研发依托中国科学技术大学人工智能专家团队，,核心技术团队自2018年起专注智能体自主决策领域研究。MasterAgent实现从底层架构、算法框架到训练数据的全链条自主化，彻底规避海外技术依赖风险，构建安全可控的国产Al Agent生成与协作平台。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()36 致远互联（688369.SH）2002年成立，专注于协同办公和协同运营管理领域，打造了“AI-COP企业智能运营协同平台”。以AI为引擎、以数据为驱动、平台化的智能运营能力平台，助力企业实现运营智能化、管理精益化和决策科学化，从而提升整体运营效率、释放创新潜能并加速数字化转型。为政企客户提供领先的产品、平台、解决方案及云服务。致远互联推出CoMi AI产品家族覆盖企业全域应用，打造企业AI业务工作场景：4.3 致远互联：”以AI为引擎，让协同更智能”使能组织智能化升级资料来源：致远互联、亿欧智库部 分 典 型 客 户AI-COP V5/V8、第三方平台ERP/CRM 协同运营领域模型 基座大模型DeepSeek、Qwen 组织权限流程任务决策构建编排定制智能流程数据智能引擎GBI企业知识中枢自研 Agents第三方能力接入第三方 Agents客户定制AgentsCoMi 门户CoMi数字人CoMi 开放服务知识问答数据分析文档生成营销商机商务投标法务风控公文拟稿流程审批目标跟踪组织效能CoMi 助手CoMi BuilderCoMi AgentsCoMi FamilyCoMi AI 产品家族一级央企省市国资世界五百强中国五百强 员工效率提升工具：AI助手、数字人、超级门户入口、开放AI能力服务 业务场景AI化引擎：CoMi 自研Agent 第三方Agent 客户定制Agent AI智能协同运营平台：CoMi Builder 多智能体协同，链通信息系统数据与业务协同。CoMi AI 产品家族亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()数据分析智能体智能投放智能体实战成效三大核心能力 天娱数科以数字化、智能化、全球化为战略，将“数据要素”与“人工智能 ”结合，依托海量数据要素资源优势和人工智能算法技术优势，开发多个企业级大模型，构筑了AI营销SaaS、移动应用分发PaaS、空间智能MaaS三大业务平台，为数字化转型、智能化升级和全球化发展持续赋能。天娱数科通过构建覆盖技术研发、场景落地和全球化布局的智能体体系，在具身智能与 AI 营销领域形成了差异化竞争优势，通过通用平台降低行业门槛，以全链路智能体重构商业逻辑资料来源：天娱数科、亿欧智库4.3 天娱数科：“数据-算法-场景-生态”四位一体，智能体时代企业数智化转型全面赋能37感知层面构建多模型协同与时空记忆机制，实现动态任务理解、即时因果推理与策略优化。天娱数科：Behavision 具身智能通用 Agent全景图数据资产壁垒5个具身智能数据集完成资产登记，积累150万条3D数据和65万条多模态数据，其中包括20万条机器人任务训练的专业数据及丰富的3D铰接数据。云边端协同架构自研智者千问大模型完成复杂任务规划、空间智能芯片实现实时决策、集成深度视觉模组执行精准操作。权威认证三大优势入选中国信通院AI Agent 智能体产业图谱 1.0，成为场景智能体领域标杆。推理层面执行层面赋予机器人类人空间理解能力，融合多源数据，精准感知并解码复杂环境中的结构与语义信息。天娱数科：AI营销平台支持人形、四足等多种机器人形态跨本体响应，灵活适配多元操作任务与真实应用场景。1.素材采集传统模式：旅拍人员手动拍摄/选图识别Agent:AI识别 素材推荐Agent2.图像处理传统模式：美工调色、修图、滤镜手动操作图像优化Agent:图像优化Agent自动美化、去抖统一风格3.脚本策划传统模式：策划人员研究热词、撰写脚本策划Agent：热词 评论AI生成脚本草案，人工校对4.视频剪辑传统模式：剪辑师卡节奏、加特效、套模板剪辑Agent：视频剪辑Agent自动卡点、生成初版，人工微调5.配音字幕传统模式：人工录音 字幕校对配音Agent：Al配音 字幕同步生成6.发布适配传统模式：运营手动调整抖音/小红书封面 格式适配Agent：平台适配Agent一键输出全平台版本案例分析：旅游营销运营人效提升150%，高质量内容产出速度加快；AI 客服响应率&正确率达 99%，提升用户留资转化率；自动化流程降低人工成本与流量获取成本；智能审查与溯源体系减少，内容违规风险。智能线索中枢全触点侦测引擎行业知识图谱预测性分配模型资产管理跨平台智能调度自动化合规检测AI内容引擎第三代营销引擎行业know-how融合垂直行业模型微调智能体工厂AI形象声纹定制闭环增长飞轮实时BI驾驶舱全链路运营数据预测性算法资源分配优化内容生成智能体策略生成智能体AI客服智能体 构建“1 X”智能体矩阵，通过内容生成、数据洞察、智能投放、智能客服、策略分析等模块化智能体，实现营销全链路自动化，破解“流量成本高、投放效率低、用户运营难”行业痛点。Behavision空间智能 M a a S 云 平 台模型构建模型蒸馏调优对齐推理部署LLMV-SLAM3D扫描及重建文生3D语义分割目标识别实例分割空间计算注视点渲染ACTVLAend2endMLLM3D-GS数据处理模型训练仿真模拟虚实交互让虚拟世界更真实让真实世界更智能游戏影视MR/VR/AR/XR数字孪生智能体智能工业制造模型训练数据开源人形机器人空间智能系统芯片深度视觉模组算力算法数据多形态机器人多种采集场景机器人原子技能摇操机器人数据智能 数据处 理3D物体模型数据3D空间场景数据数据可视化仿真机器人数据环境参数变化数据多场景仿真任务多机器人协同仿真虚拟样本合成多种采集场景合成场景模拟摇操机器人数据应用场景Behavision 空间智能 MaaS 平台具身智能算法感知算力真机任务数据百万级3D数据集仿真平台模拟数据AI生成合成数据海量通用网络数据视觉语言数据人类 行为数 据强化学习数据文本 类数据亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()服务客户 星凡星启是业内领先的AI Infra供应商，提供以大模型为核心的训练/推理一体机及集群产品，技术聚焦于大模型推理专用芯片的研发、大模型异构芯片加速中间件平台的开发以及应用于算力中心侧全业务场景的LLM Agent开发。依托技术创新、广泛的市场应用，公司先后荣获中国社会科学院信息化研究中心“2024年AIGC赋能行业创新企业100强”、四川省工业和信息化研究院“2024年四川省新经济企业100强榜单”等荣誉。资料来源：星凡星启、亿欧智库4.3 星凡星启：业内领先的AI Infra供应商38数据格式广部署成本低推理性能高显存效率高算力高功耗低尺寸小成本低开箱即用超线性加速异构兼容单机部署满血DS-671B模型极致大模型推理服务能力广泛的数据格式支持异构并行推理能力支持单机高密度部署DS满血模型极致大模型推理服务能力一键大模型快速部署适配异构并行组合推理加速单机部署满血DS-671B满血模式首创双机高性能部署方案一键大模型快速部署适配异构并行组合推理支持企业级模型自由工厂，驱动场景化智能跃迁知识中枢赋能，重构精准决策链路零代码构建AI Agent，让复杂任务自主闭环具备IDC环境资源，项目建设规模大、对安全性与合规性要求高。需要处理敏感数据或关键业务、业务连续性与可用性要求高不具备IDC资源或现有IDC资源不满足AI服务器部署需求。有快速就近部署、近能源部署、应急计算部署，要求支持高灵活性部署基础设施AI芯片AI应用一体机星核AI推理芯片星核AI推理芯片星凡类Deepseek大模型一体机星辉国产化大模型一体机星漩高性能大模型一体机星芒高性价比大模型一体机（通用版）算力集群产品IDC式集装箱式AGI智能体应用平台核心技术技术聚焦于推理场景下的大模型推理性能提升。其自研的高精度权重稀疏技术、注意力稀疏技术、大模型混合精度量化技术、高精度低比特量化技术以及支持混合精度模型的高性能大模型推理引擎技术使大模型推理的硬件成本最多节约85%，真正降低了大模型应用落地的门槛。大模型技术基于星凡自研的算子调度工具、模型量化工具、模型稀疏化工具和高性能算子库提升大模型的推理性能。大模型专用芯片基于星凡自研的多Agent架构，实现算力自动调度和优化、复杂行业应用智能搭建，助力大模型应用更快落地。神机AI OS产品矩阵项目业主工业数智化解决方案的创新与引领者，国家高新技术企业、国家级专精特新“小巨人”企业。在电子高科、汽车、新能源、高端装备、机器人等领域获得业界认可与肯定。解决方案星漩 星芒一体机：搭载星凡优化版DS大模型 智能体应用平台高推理并发：支持200 团队代码开发快速落地：开箱即用，无需构建知识库/工具库及复杂模型调优关键成果应用案例降本增效：相较于同类产品节约40%的资金投入极致性能：100 并发，支撑日均30000行代码生成优化需求开箱即用：软硬一体交付，通电通网即可使用资建设智算中心，助力区域AI产业落地及发展。政府、平台公司AI应用企业研发垂类大模型、行业智能体应用，需要高并发推理支持。科研机构基于特定科研课题或场景创新，构建软硬一体化AI研发设施。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)目录C ONT E NTSAI算力、算法、语料的演进01AI技术生态的升级与精进02AI应用行业渗透与颠覆效果03AI商业落地榜单及标杆案例04未来“三重螺旋”架构发展路径05“三重螺旋”架构发展路径、阻碍与机遇 语料生态提升模型高质量进化 Agent进入规模化应用拐点亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()405.1“三重螺旋”架构发展路径、阻碍与机遇基础资源层算力、算法、数据的螺旋升级过去（2020-2023）现在（2024-2025）未来（2026-2030）算力：依赖英伟达芯，国产算力处于技术起步阶段，训练需求占主导。算法：大模型以预训练规模竞赛为主，国内模型与国际水平差距显著。数据：依赖互联网公开语料，面临数据质量不均、隐私合规风险。算力：推理负载占比提升，国产芯片性能追赶，初步构建国产生态。算法：强化学习与多模态成为重点，在数学推理、代码生成等领先。数据：语料平台建设，自动化标注提升效率；数据要素市场加速形成。算力：实现接口/算子库/训练统一，云边端动态调度成常态，能效将提升30%。算法：多模态认知统一物理与数字世界，慢思考机制支持深度决策。数据：合成数据占比将超50%，语料平台构建全生命周期体系，彻底突破“数据墙”。技术生态层开源协同与工程能力跃迁场景应用层垂直渗透与价值重构应用特点：集中于数字原生行业（互联网、金融），以单点工具（如推荐系统）为主，制造业渗透率不足。价值局限：效率提升为主，复杂决策与实体产业结合薄弱。开源重塑：国产开源模型性能比肩闭源，推动全球二次开发。工程能力：自动化微调平台缩短开发周期；轻量化技术降低硬件门槛。智能体元年：30%中国企业试点智能体，部分实现生产落地。生态协作：开源社区模块化接口吸引全球开发者，形成“基础模型-行业插件”生态网络。工程化普及：AI开发“流水化”，低代码平台覆盖80%场景；多智能体协作实现任务自主分解。智能体爆发：Agent成为操作系统级入口，重构人机交互范式，。生态模式：闭源主导（如GPT-3），开源模型性能差距大；工程化工具链缺失，AI落地周期长。开发门槛：依赖高价GPU集群，中小企业难以参与。行业分化明显：领跑行业，数字原生（软件/互联网）与创意领域（传媒/设计）使用率超90%。服务环节差异：研发（仿真优化）和服务（预测维护）环节应用多。垂直行业深化：垂类模型更专业化本地化部署。中小企业渗透：行业平台MaaS降低使用门槛，推动“节俭型AI”。智能体驱动新产业：AI硬件如人形机器人与AR眼镜催生万亿级市场。算力一体化多模态合成数据语料平台开源生态低代码开发智能体爆发人机交互原生AI产业节俭型AIMaaS垂模深耕资料来源：专家访谈、亿欧智库 未来，基础资源突破支撑技术生态进化，开源与工程能力降低场景应用门槛，垂直场景数据将反哺算法优化。此三重架构的持续螺旋上升，将推动中国AI从“技术可用”迈向“产业好用”，最终成为新质生产力的核心引擎。根据亿欧智库调研从业者对未来的趋势判断，高质量数据语料将成为基础资源中的最大阻碍，而商业机遇普遍看好AI智能体的应用落地。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()合成数据已成为一种很有前途的解决方案，可以解决人工智能开发中数据稀缺、隐私问题和高成本等挑战。高质量和大量的合成语料数据不仅支持模型的开发，更是确保其成功部署和长期有效性的关键。研究机构预测，到2030年，合成数据将成为AI模型所使用数据的主要来源。国家级语料库运营平台采用“三横三纵”的总体架构。横向维度，平台贯通数据汇聚、数据治理和数据服务三大环节。纵向维度，平台覆盖技术工具、安全监管、生态创新等“三大能力”的全流程支撑。资料来源：公开资料、Gatner、信通院、突破人工智能大模型的“数据瓶颈 构建国家级语料库运营平台的思考、亿欧智库5.2 语料生态提升模型高质量进化4131.32F.98!.68%基础算力缺乏（算力成本高、算力芯片卡脖子等）数据语料枯竭（数据质量低、行业语料缺失、数据不流通等）基础算法落后（原创性不足、开发框架依赖等）亿欧智库：中国AI应用发展的主要障碍合成数据模型走向深度进化合成数据的技术创新四大趋势多模态合成能力不断突破强化学习与合成数据逐渐融合发展隐私保护与合规性技术不断增强亿欧智库：语料平台构建全生命周期体系横向维度数据汇聚，以全国一体化政务大数据平台和各省市政务大数据平台为抓手实现公共数据、企业数据、专项数据等各类数据的采集、汇聚。数据治理：通过数据清洗、标准化、标注和质量评价的治理手段，形成直接可用于 AI大模型训练的预训练数据集、指令微调数据集、监督测试数据隼数据服务：提供数据检索、数据共享、数据流通交易等配套服务，着力于开源数据生态打造。纵向维度：技术工具：通过隐私保护、数据互操作、跨域数据交换等技术的更新迭代，助力语料库打通多主体、跨层级数据流通壁垒。安全监管:强调对数据安全、隐私保护和合规性的全面监管，构建“技术 运维 管理”三元语料库安全防护体系，以保证平台平稳运行的基础。生态创新:通过数据标准生态、行业多元主体参与生态的打造，增强语料库运营平台价值发挥，向市场传递重构语料生态的顶层设计理念。目标定位：国家语料库集聚与运营服务平台数据服务数据检索数据治理数据汇聚数据检索数据流通交易开源数据生态数据清洗数据标准化数据标注数据质量评价公共数据企业数据专项数据.数据物理连接数据逻辑连接编制数据目录、统一数据整合标准、规范数据描述格式技术工具安全监管生态创新亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()开发门槛降低部署成本锐减生态兼容性提升行业渗透加速42 根据亿欧智库调研显示，60%的从业者认为3年内AI Agent可以实现商业变现，其中，金融、制造及零售进入了大规模应用拐点。三年内AI Agent爆发的确定性信号主要体现在政策层面的国家人工智能产业综合标准化体系建设指南、信创替代窗口；技术层面的L4级自主决策、多智能体协作成熟；商业层面的基础设施普惠化和SaaS模式共推规模化。数据来源：IDC、麦肯锡、华龙证券、定量问卷、专家访谈、亿欧智库5.3 Agent将进入规模化应用拐点亿欧智库：中国AI Agent商业变现时间60.73.9%5.4%1-3年3-5年5年以上行业典型应用场景技术成熟度（2026-2028）挑战与风险金融投研自动化、风险控制(L4)数据安全、合规审计制造供应链优化、预测性维护(L4)设备异构集成、工艺知识封装零售精准营销、库存管理(L4)实时数据延迟、个性化长尾需求医疗辅助诊断、电子病历管理(L3L4)伦理审查、临床责任界定政务智慧交通、公共服务(L3 )系统孤岛、跨部门协同阻力亿欧智库：未来AI Agent关键行业应用预测国家AI标准化体系L4级自主决策基础设施普惠化信创替代窗口多智能体协作SaaS模式共推规模化亿欧智库：AI Agent商业爆点驱动因素预测AI Agent爆点工信部设备更新和技术改造指南要求2027年前更新200万套工业软件、80万台操作系统，为AI Agent提供底层基础。L4级别能够自主学习并泛化知识，将其应用到不同情境中，接近人类的认知能力。通信协议普适化架构分层开放化安全伦理制度化规范智能体基本功能、应用架构等技术要求，包括智能体强化学习、多任务分解、推理、提示词工程，智能体数据接口和参数范围，人机协作、智能体自主操作、多智能体分布式一致性等标准。低成本接入可量化业务指标融入企业现有系统商业层技术层政策层亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()43 团队介绍：亿欧智库（EO Intelligence）是亿欧旗下的研究与咨询机构。为全球企业和政府决策者提供行业研究、投资分析和创新咨询服务。亿欧智库对前沿领域保持着敏锐的洞察，具有独创的方法论和模型，服务能力和质量获得客户的广泛认可。亿欧智库长期深耕新科技、消费、大健康、汽车出行、产业/工业、金融、碳中和等领域，旗下近100名分析师均毕业于名校，绝大多数具有丰富的从业经验；亿欧智库是中国极少数能同时生产中英文深度分析和专业报告的机构，分析师的研究成果和洞察经常被全球顶级媒体采访和引用。以专业为本，借助亿欧网和亿欧国际网站的传播优势，亿欧智库的研究成果在影响力上往往数倍于同行。同时，亿欧内部拥有一个由数万名科技和产业高端专家构成的资源库，使亿欧智库的研究和咨询有强大支撑，更具洞察性和落地性。关于亿欧王思雨亿欧智库 分析师Email：孙毅颂亿欧智库 研究总监Email：报告作者：报告审核：王思晗亿欧大健康咨询专家Email：亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()44 版权声明：本报告所采用的数据均来自合规渠道，分析逻辑基于智库的专业理解，清晰准确地反映了作者的研究观点。本报告仅在相关法律许可的情况下发放，并仅为提供信息而发放，概不构成任何广告。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。本报告的信息来源于已公开的资料，亿欧智库对该等信息的准确性、完整性或可靠性作尽可能的追求但不作任何保证。本报告所载的资料、意见及推测仅反映亿欧智库于发布本报告当日之前的判断，在不同时期，亿欧智库可发出与本报告所载资料、意见及推测不一致的报告。亿欧智库不保证本报告所含信息保持在最新状态。同时，亿欧智库对本报告所含信息可在不发出通知的情形下做出修改，读者可自行关注相应的更新或修改。本报告版权归属于亿欧智库，欢迎因研究需要引用本报告内容，引用时需注明出处为“亿欧智库”。对于未注明来源的引用、盗用、篡改以及其他侵犯亿欧智库著作权的商业行为，亿欧智库将保留追究其法律责任的权利。关于亿欧 关于我们：亿欧是一家专注科技 产业 投资的信息平台和智库；成立于2014年2月，总部位于北京，在上海、深圳、南京、纽约设有分公司。亿欧立足中国、影响全球，用户/客户覆盖超过50个国家或地区。亿欧旗下的产品和服务包括：信息平台亿欧网（）、亿欧国际站（EqualO）、研究和咨询服务亿欧智库（EO Intelligence），产业和投融资数据产品亿欧数据（EO Data）；行业垂直子公司亿欧大健康（EO Healthcare）和亿欧汽车（EO Auto）等。亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()45 基于自身的研究和咨询能力，同时借助亿欧网和亿欧国际网站的传播优势；亿欧为创业公司、大型企业、政府机构、机构投资者等客户类型提供有针对性的服务。创业公司亿欧旗下的亿欧网和亿欧国际站是创业创新领域的知名信息平台，是各类VC机构、产业基金、创业者和政府产业部门重点关注的平台。创业公司被亿欧网和亿欧国际站报道后，能获得巨大的品牌曝光，有利于降低融资过程中的解释成本；同时，对于吸引上下游合作伙伴及招募人才有积极作用。对于优质的创业公司，还可以作为案例纳入亿欧智库的相关报告，树立权威的行业地位。大型企业凭借对科技 产业 投资的深刻理解，亿欧除了为一些大型企业提供品牌服务外，更多地基于自身的研究能力和第三方视角，为大型企业提供行业研究、用户研究、投资分析和创新咨询等服务。同时，亿欧有实时更新的产业数据库和广泛的链接能力，能为大型企业进行产品落地和布局生态提供支持。亿欧服务亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)获取更多维度报告数据，请访问亿欧网()获取更多维度报告数据，请访问亿欧网()46 政府机构针对政府类客户，亿欧提供四类服务：一是针对政府重点关注的领域提供产业情报，梳理特定产业在国内外的动态和前沿趋势，为相关政府领导提供智库外脑。二是根据政府的要求，组织相关产业的代表性企业和政府机构沟通交流，探讨合作机会；三是针对政府机构和旗下的产业园区，提供有针对性的产业培训，提升行业认知、提高招商和服务域内企业的水平；四是辅助政府机构做产业规划。机构投资者亿欧除了有强大的分析师团队外，另外有一个超过15000名专家的资源库；能为机构投资者提供专家咨询、和标的调研服务，减少投资过程中的信息不对称，做出正确的投资决策。欢迎合作需求方联系我们，一起携手进步；电话 010-53321289，邮箱 亿欧服务亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)亿欧智库-阳侑(439219)网址：https:/
2025-07-28
47页
5星级
十五五规划建议全文（25页）.pdf
三个皮匠报告：2025银发经济生态：中国与全球实践白皮书（150页）.pdf
2025刘润年度演讲PPT：进化的力量.pdf
三个皮匠报告：2025中国情绪消费市场洞察报告（24页）.pdf
清华大学：2025年AIGC发展研究报告4.0版（152页）.pdf
三个皮匠报告：2025中国AI芯片市场洞察报告（24页）.pdf
三个皮匠报告：2025银发经济生态：中国与全球实践白皮书（PPT版）（55页）.pdf
三个皮匠报告：2025中国稀土产业市场洞察报告-从资源到战略武器，中美博弈的稀土战场（25页）.pdf
麦肯锡：2025年人工智能发展态势报告：智能体、创新与转型（英文版）（32页）.pdf
Gartner：2026年十大战略技术趋势报告（28页）.pdf
0731-84720580
商务合作：really158d
友链申请 (QQ)：1737380874
最新报告
中英对照
全文搜索
报告精选
PDF上传翻译
多格式文档互转
入驻&报告售卖
会员权益
机构报告
券商研报
财报库
专题合集
英文报告
数据图表
会议报告
其他资源
研报
新质生产力
DeepSeek
低空经济
大模型
AI Agent
AI Infra
具身智能
自动驾驶
宠物
银发经济
人形机器人
企业出海
算力
微短剧
薪酬
白皮书
创新药
行业分析
个股研究
年报财报
IPO招股书
会议纪要
宏观策略
政策法规
其他
人工智能
信息科技
互联网
消费经济
汽车交通
电商零售
传媒娱乐
医疗健康
投资金融
能源环境
地产建筑
传统产业
英文报告
其它
行业聚焦
芯片产业
热点概念
全球咨询智库
人工智能
500强
新质生产力
会议峰会
新能源汽车
企业年报
互联网
公司研究
行业综观
消费教育
科技通信
医药健康
人力资源
投资金融
汽车产业
物流地产
电子商务
传统产业
传媒营销
其它
2025年养老经济/银发经济/长寿经济/银发族/老龄化报告合集（共50套打包）
2025年商业航天行业报告合集（共41套打包）
AI、科技与通信
广告、传媒与营销
消费、零售与支付
HR、文化与旅游
金融、保险与投资
能源、环境与工业
医疗制药与大健康
物流、地产与建筑
其他行业
AI ▪ 科技 ▪ 通信
数字化
金融财经
智能制造
电商传媒
地产建筑
医疗医学
能源化工
其他行业
收藏
下载
2025-11-19
AI查数
行业数据
政策法规
商业模式
产业链
竞争格局
市场规模
产业概述
其它
2025年
AI读财报
年报
一季报
半年报
三季报
IPO招股书
社会责任报告
A股
IPO申报
港股
美股&全球
新三板
微信扫码登录
手机快捷登录
账号登录
