2025年人工智能产业中思考：扩张、效率、泛化

1. 概述

1.1. 2025 年中人工智能产业发展趋势三大研判

2025 下半年 AI 产业将围绕扩张、效率、泛化三大核心维度实现跨越式发展，推 动技术革新与商业落地的深度融合。 全球 AI 产业将继续全方位的“扩张发展”。在基础技术层面，摩尔定律虽面临物 理和工艺极限的挑战，但通过 3D 堆叠、先进封装等创新技术仍在延续其核心价 值。以英伟达为例，其在 2025 年 3 月 18 日发布最新 Blackwell Ultra 以显著的性 能提升印证了 AI 算力芯片仍在遵循着摩尔定律发展轨迹。半导体技术的持续进 步将为 AI 算力扩张提供坚实基础。亚马逊、微软等企业 2024 年算力资本支出总 额超 2400 亿美元的历史新高，为 AI 产业发展构建了强大的基础设施投入支撑。 在技术演进与资本投入的双重驱动下，Scaling Law将继续展现出强大的指导意义。 短期来看，模型规模的持续扩大仍将推动训练侧算力需求保持增长态势。由于新 兴的扩展方法和技术，人工智能的改进速度比以往任何时候都快，为 Scaling Law 的持续有效提供有力支撑。在半导体技术进步与计算理论创新的双重作用下，AI 算力扩张正在形成更健康、更可持续的新范式。与此同时，AI 产业正经历从训练 到推理的范式转变，AI 终端设备的普及、模型架构的演进、Agent 技术的成熟等 多股力量协同已推动推理侧算力成为 AI 产业发展的新焦点。算力需求的持续扩 张与基础算力的提升形成良性互动，全球算力基础设施正在向万卡乃至十万卡规 模快速演进。中国算力产业也在快速升级，三大电信运营商、头部互联网企业及 AI 研发公司纷纷加码投入，推动国产化万卡集群实现商用落地。值得关注的是， 开源生态的繁荣正在重塑算力发展模式。DeepSeek 等开源模型通过构建开放的技 术生态，显著降低了企业应用 AI 的门槛，推动 AI 能力向中小企业及边缘场景下 沉，算力资源配置向更高效的方向演进。

模型训练与推理的“效率优化”成为破解 AI 产业瓶颈的核心课题。随着大模型的 发展，成本与效率的矛盾日益凸显，模型训练开发成本高昂，算力成为核心制约 因素，训练和运行能耗巨大，优质语料短缺，万卡集群实际运行效率也与预期存 在差距。为应对这一系列挑战，在硬件层面，产业界不断通过异构计算架构、HBM、 存算一体芯片、光互连技术、ASIC 等技术路径显著提升计算效率。在算法层面， 模型优化和技术进步也开辟了降本增效的新路径。以 DeepSeek 为代表的创新模 型通过混合专家架构、稀疏训练等技术手段，在保持模型性能的同时大幅减少计 算资源消耗，在推理环节通过参数蒸馏、动态负载均衡等优化策略实现效率跃升。 与此同时，数据合成技术的突破为解决训练数据瓶颈提供了全新思路。随着 Epoch AI 等机构预测高质量语言数据可能在 2026 年面临枯竭，合成数据技术的重要性 愈发凸显。通过数据增强和生成模型的创新应用，已有研究者仅通过传统数据量 的极小部分便训练出具有竞争力的模型。此外，AI 硬件通过聚焦核心场景需求， 精简非必要功能，为 AI 技术在落地初期的稳健发展创造了有利条件。 AI 技术“泛化”加速商业化进程，多维度创新推动产业纵深发展。AI 技术商业化 正在呈现全方位加速态势，其应用广度与深度持续拓展。从行业应用广度来看， 生成式 AI 在金融、制造等 B 端市场快速普及。从技术渗透深度来看，大模型技 术正从企业辅助系统向核心生产环节延伸，在研发设计、生产优化等关键领域创 造实质价值。开源模型成为推动 AI 技术泛化的重要催化剂，DeepSeek 等开源大 模型促使更多厂商跟进开源，云服务厂商、科技巨头纷纷部署，其行业应用涵盖 多个领域，实现了行业部署与算力利用的双赢。当前 AI 产业正通过商业模式和技 术路径的创新，大幅降低应用落地的门槛，主流厂商掀起 API 价格下调浪潮，开 源生态的蓬勃发展正在改变技术获取方式，加速技术迭代。技术突破持续拓展应 用边界，蒸馏技术的成熟使小模型在边缘设备上的表现大幅提升，直接推动了 AI 终端的普及浪潮。大模型在多模态理解和复杂推理上的突破，为 AI Agent 的发展 提供了核心技术支撑。AI 应用虽尚处于落地初期，但未来发展路径明晰，借鉴 PC互联网发展规律，AI 产业预计将遵循“B 端—C 端—B 端”的三段式节奏，当前 处于 B 端萌芽期，未来 C 端有望大规模爆发，最终将实现 B 端与 C 端并行发展， 全面推动 AI 产业繁荣。

1.2. 投资建议

AI 产业的基础设施建设持续深化，投资应聚焦算力产业链的核心环节。算力供给 的扩张仍将是支撑当前 AI 产业发展的基石，建议关注具备先进封装技术、异构计 算架构研发能力的芯片企业，以及推动万卡级算力集群建设的网络软硬件服务商。 随着推理侧需求激增，可重点布局 AI 硬件加速器、边缘计算设备和多模态交互终 端的创新企业，特别是结合大模型迭代需求开发专用芯片的厂商。开源生态带来 的算力普惠化趋势值得重视，参与开源模型技术协同和算力资源优化的平台型企 业具备长期投资价值。 效率优化赛道存在显著技术突破机会，应重点关注创新技术应用的商业化前景。 在算力成本高企的背景下，建议关注如光互连等 Scale-up 和 Scale-out 先进互联技 术、如存算一体等先进存储等底层软件和硬件研发企业，这些领域的技术突破将 直接提升算力使用效率。模型架构创新和数据合成技术方向值得深度挖掘，关注 具备自主算法优化能力且能实现降本增效的 AI 公司。对于专注场景化落地的 AI 软件和硬件企业，尤其是能在特定垂直领域实现技术与商业平衡的解决方案提供 商，可进行战略性布局。 商业化进程加速催生多元化投资机遇，建议沿应用落地路径进行分层配置。当前 阶段应重点把握 AI 在 B 端市场爆发机遇，优先选择在金融、制造、教育等领域 具备成熟解决方案的行业 AI 服务商。开源模型生态参与者具有较大增长空间，可 关注构建行业应用生态的云服务商和基于开源模型开发垂直应用的创新企业。随 着边缘计算需求增长，具备优秀模型蒸馏能力和端侧部署技术的公司也值得关注。 长期来看，建议提前布局 C 端 AI 应用创新赛道，尤其是结合多模态感知能力的 AI Agent 产品和消费级智能硬件，把握未来产业爆发期的增长红利。

2. 人工智能产业 2025 年中关键词一：“扩张”

2.1. 半导体产业和技术持续进步，算力扩张为 AI 产业发展筑基

摩尔定律未明显失效、半导体产业和技术持续进步，算力扩张没有显著瓶颈。摩 尔定律是指集成电路上可容纳的晶体管数目约每隔 18 至 24 个月便会增加一倍， 本质是计算性价比的指数增长。当前，传统制程微缩面临物理极限挑战，严格意 义上的摩尔定律或正接近极限。但通过多维度的技术创新，摩尔定律的核心目标， 即计算性能的持续指数级提升，仍在以新的形式延续，3D 堆叠与先进封装、异构 计算架构等微缩路线之外的设计与工艺贡献度在上升。尽管技术难度剧增，传统 微缩路线制程的升级也仍未停滞：根据 ASML 预测，每个封装中的晶体管数量仍 然每两年翻一番，预计到 2030 年将达到 1 万亿个晶体管。生成式 AI 的发展将加 速摩尔定律的进程，2030 年全球半导体销售额将超过 1 万亿美元，预计 2025-2030 年复合年增长率 9%。

2025 年 3 月 19 日英伟达发布新一代 GPU 芯片 Blackwell Ultra，英伟达芯片的更 新节奏进一步印证了 AI 算力芯片正沿着摩尔定律的节奏持续演进。从芯片性能 对比数据来看，英伟达 A100 80GB、H100 SXM5、H200 SXM5、B100 和 B200 SXM5 在算力密度、显存带宽和容量等方面均有显著提升。算力芯片持续进步的 背后是算力供给的“扩张”，以及训练、尤其是推理成本的几何下降，这主要得益 于芯片技术的创新和生产工艺的优化。这种算力扩张为 AI 模型的规模化发展及 性能提升提供了坚实的技术基础，进一步验证了 Scaling Law 在 AI 产业发展中的 持续有效性。

短期内，Scaling Law 将继续发挥作用，训练侧算力需求将继续随着模型规模的扩 大继续扩张。Scaling Law 指模型性能与参数量、数据量及计算量之间的幂律关系， 大语言模型的性能会随着模型参数量、数据量和计算量的增加而提升，这一规律 在过去几年中得到了反复验证。从 GPT 3 到 GPT 4，大模型参数量从 1750 亿增至 1.8 万亿，训练数据量从 0.3 万亿增至 13 万亿，同时模型规模的跃升也伴随着显 著的性能改进。尽管随着模型规模的扩大，训练所需的计算资源呈指数级增长， 获取更多有效数据的难度也日益增加，对预训练阶段 Scaling Law 的持续生效提出 挑战，但更高效的芯片设计、分布式计算框架的优化等硬件技术和数据合成技术、 多模态数据的引入等更高效的数据利用，仍在为 Scaling Law 的延续提供支持。 由于新兴的扩展方法和技术，人工智能的改进速度比以往任何时候都快，为 Scaling Law 的持续有效性提供了有力支撑。在 2025 年 3 月 GTC 大会上黄仁勋 指出，Scaling Law 已从单一的预训练扩展演化为预训练、后训练和测试时扩展三 个阶段。预训练阶段通过数据量、模型参数量和算力的线性堆叠提升基础能力； 后训练阶段利用强化学习和人类反馈数据优化模型，显著提升复杂任务能力；测 试时扩展则通过动态分配计算资源和多步骤问题分解，使模型表现与计算时间正 相关。此外，技术突破如 DeepSeek R1 模型的推理算力提升、物理 AI 和代理 AI 的涌现，以及模型架构创新，进一步验证了 Scaling Law 的弹性化发展。多模态数 据的爆发式增长和算力成本的下降，也从数据和算力维度为 Scaling Law 提供了双 重驱动。

AI 产业将以更广义的 Scaling Law 扩张。Open AI 的测试结果显示，随着强化训 练时间（train-time compute）和推理计算量（test-time compute）的增长，o1 模型 性能也会随之提升。DeepSeek R1-Zero 和 R1 的出现再次证明了强化学习的潜力 所在。DeepSeek R1-Zero 以 DeepSeek-V3-Base 为基础，不使用人类专家标注的监 督微调（SFT），完全依赖强化学习，DeepSeek R1 在此基础上引入冷启动数据、 增加以推理为中心的强化学习、拒绝采样、全领域监督微调和全领域强化学习的 训练步骤，展现出长文本推理及长链推理能力、自我修复和启发式搜索的能力， 再次验证了 Post-Training Scaling Law 的有效性。

科技巨头算力资本支出的持续增加，印证了算力继续扩张的趋势，为 AI 产业发 展奠定算力基建投入基础。据《财经》杂志统计，亚马逊、微软、谷歌和 Meta 2024 年资本支出达历史最高点，分别为 777 亿美元、756 亿美元、525 亿美元和 373 亿 美元，总额超 2400 亿美元，同比增长 63%；预计 2025 年资本支出环比增加约 1000 亿美元、800 亿美元、750 亿美元、600 亿至 650 亿美元。

2.2. 硬件加速落地、应用拓展及大模型迭代，驱动推理侧算力需求增长

AI 硬件加速落地、应用场景拓展与大模型迭代形成合力，推理侧算力需求将大幅 增长。根据 IDC 与浪潮信息联合发布的《2025 年中国人工智能计算力发展评估报 告》预测，中国推理算力的占比将逐渐上升，2028 年市场份额将达到 73%。

AI 眼镜、AI 耳机等 AI 端侧智能终端硬件的加速落地，多模态交互和实时智能服 务推动推理侧算力需求快速增长。低成本开源模型如 DeepSeek 契合 AI 端侧发展 需求，如字节跳动 OlaFriend AI 智能体耳机、李未可 View AI 眼镜等终端设备智 能化普及将推高推理侧算力需求。以 AI 眼镜为例，AI 眼镜需同步处理视觉、听 觉、语言等数据，目前上市的 AI 眼镜已实现提词、拍摄、物体识别、实时翻译、 导航、健康监测等功能，需要强大的推理算力来支持其复杂的计算任务。IDC 预 测，2025 年全球智能眼镜市场出货量为 1280 万台，同比增长 26%，其中中国智 能眼镜市场出货量为 275 万台，同比增长 107%；2030 年 AI 眼镜全球渗透率将达 20%。 新兴 AI 应用场景涌现，应用推广和复杂任务需求需要消耗大量推理算力。一方 面，微信、百度等接入 DeepSeek 等低成本开源模型， AI 搜索用户量将进一步扩 大，用户激增和并发请求对推理侧算力供给形成压力。另一方面，AI 技术正逐渐 渗透至医疗、金融、教育、办公、自动驾驶等多元化场景，部分场景要求低延迟、 高精度或实时性推理，多行业渗透与复杂任务需求带动推理侧算力需求增长。 大模型向多模态加速迭代，推高推理算力消耗。根据观研天下的数据，2024 年上 半年，国内多模态大模型行业市场规模为 33.33 亿元。根据谷歌云报告，2025 年 多模态 AI 将成为企业采用 AI 的主要驱动力，预计 2025 年全球多模态 AI 市场规 模将达 24 亿美元，到 2037 年底达到 989 亿美元。多模态模型需同时处理文本、 图像、视频等多种数据类型，涉及对多模态信息的综合理解和分析能力。以 Open AI 发布的文生视频模型 Sora 为例，Sora 能够生成长达 60 秒的视频，且视频涉及 高度细致背景、复杂多角度镜头、富有情感的多个角色等复杂场景，更强的视频 生成能力也意味着更大的推理算力需求。Sora 作为扩散模型，从纯粹的噪声模式 开始、逐步去除噪声、再完善模型、直至将其转化为连贯而详细的输出，这一过 程将大大增加推理计算的需求，Sora 推理侧算力消耗将远超传统文本生成模型。

推理模型数量增多，与传统模型相比把更多算力资源应用于推理侧。推理模型的 核心在于处理需要多步骤逻辑推导才能解决的复杂问题，Open AI o1 的推出验证 了推理侧 Scaling Law 的存在，标志着大模型转向缓慢、深思熟虑、多步骤的推理 时间计算，大模型算力消耗向推理侧倾斜。Open AI o1 在数学、编程、物理、化 学和生物等领域复杂推理和问题解决能力上有了显著提升，表现远超 GPT-4o，这 得益于强化学习（RL）和思维链技术（COT），但也意味着 o1 在推理过程中花费 更多思考时间，大大增加推理算力消耗。

开源大模型加速落地，多方主体加速布局，推理算力需求大。以 Deepseek 为例， DeepSeek 坚持贯彻开源策略，2025 年 2 月 24 日至 28 日，DeepSeek 连续开源五 项代码库，覆盖计算、通信与存储等关键领域。开源生态的持续繁荣显著降低了 技术准入门槛，目前 Hugging Face 的 Open-R1、香港科技大学的 simpleRL-reason、 伯克利团队的 TinyZero 等团队已成功复现了 DeepSeek 核心模型。多方主体加速 布局，阿里、腾讯、字节、百度等旗下云计算平台上线 DeepSeek 大模型，百度搜 索、腾讯元宝等多家产品也已接入 DeepSeek 模型，驱动推理热潮。 通用型 Agent Manus 发布，人机协作新范式进一步增大推理算力需求。自 2024 年 10 月以来，智谱 AI、Anthropic、OpenAI、Meta 等国内外多家头部大模型厂商 竞相推出 AI Agent 产品，百度、阿里、字节、腾讯等大厂纷纷基于自身大模型推 出一站式智能体开发平台。Gartner 将 Agentic AI 列为 2025 年十大技术趋势之一， 并预测 2028 年至少有 15%的日常工作决策将由 Agentic AI 自主完成。2025 年 3 月 6 日，通用型 Agent Manus 发布，可执行编写代码、筛选简历、分析股票、生 成网站等复杂任务，其“感知-思考-行动”的自动化工作流程所需要的推理算力支 持远超普通推理模型。

2.3. 算力硬件数量量级跃升，万卡和十万卡集群时代开启

随着 AI 大模型规模和数据参数的扩张，传统的千卡集群难以满足日益增长的计 算需求，算力集群的规模正不断扩大至万卡和十万卡。随着 ChatGPT、Sora、Claude 3、Llama 3 等大模型的推出，大模型参数从百亿级、千亿级迈向万亿级。以 ChatGPT4 为例，其包含 16 个专家模型，共计约 1.8 万亿参数，单次训练过程需要约 2.5 万 张 NVIDIA A100 GPU 并行训练 90 至 100 天。万卡集群超大规模并行计算能力可 实现训练效率跃升，大幅降低大模型训练周期，万卡和超万卡集群正成为更大规 模模型训练、更复杂计算任务和多模态数据处理的支撑。

海外头部厂商已完成万卡集群搭建，进入十万卡算力集群建设阶段。万卡集群方 面，Google 已于 2023 年 5 月正式推出超级计算机 A3 Virtual Machines，其搭载约 26000 块 NVIDIA H100 GPU，并辅以自研芯片构建 TPUv5p 8960 卡集群。Meta 于 2024 年 3 月公布最新的两个 AI 训练集群均各集成了 24576 个 NVIDIA Tensor Core H100 GPU，以支持 Llama 3 等新模型的训练，并计划于 2024 年底建设含 35 万块 NVIDIA H100 GPU 的算力集群。十万卡集群方面，xAI Colossus 数据中心目前配 备了 10 万个 NVIDIA H100 GPU，微软、谷歌、Meta 等都在同等体量规模。 国内通信运营商、头部互联网企业、AI 研发企业等多方纷纷加大投入，推动国内 算力集群建设进入万卡阶段。中国电信、中国移动和中国联通分别在 2024 年推进 多个万卡级智算中心的使用或建设，其中中国电信的上海临港国产万卡算力池为 国内首个正式运营的国产单池万卡液冷集群。字节跳动、阿里巴巴、腾讯、蚂蚁 集团等互联网企业通过自建万卡集群或技术升级，显著提升了 AI 大模型训练的 效率和规模。字节跳动的 MegaScale 生产系统在万卡集群上实现了高效的算力利 用率；腾讯基于自研高性能网络星脉以及新一代算力集群 HCC，可支持 10 万卡 GPU 的超大计算规模；百度智能云于 2025 年 2 月成功点亮国内首个正式点亮的 自研万卡集群昆仑芯三代万卡集群。AI 研发企业方面，华为昇腾 AI 集群扩展至 16000 卡，成为业界首个万卡 AI 集群；科大讯飞启动超万卡集群算力平台“飞星 一号”，支持大模型训练；摩尔线程宣布夸娥（KUAE）智算集群，规模显著扩展 至万卡级别。这些进展表明，国内算力集群建设正快速迈向万卡时代，为 AI 技术 的进一步发展奠定了坚实基础。

2.4. 开源模型激发自有算力资源部署，社会算力供给扩大

DeepSeek 等开源模型通过技术生态协同，推动企业通过 MaaS 平台或自建方式优 化算力资源配置。开源大模型的普及显著降低了 AI 技术的应用门槛，促使更多企 业根据业务需求灵活部署算力资源。DeepSeek R1 系列模型的推出，形成了良好 的技术生态协同。硬件层面，包括昇腾、昆仑芯、寒武纪、飞腾、海光在内的国 产芯片完成对 DeepSeek 的适配，加速了国产替代进程，降低企业自建算力设施的 技术门槛和成本。平台层面，海内外云厂商快速接入，简化算力调用流程，企业 可按需租用云端资源。应用层面，下游的软件厂商快速接入，推动大模型在垂直 领域的落地，激发企业基于数据安全和性能需求进行本地化算力部署，提升企业 对自有算力的掌控，推动社会算力的整体利用效率。

大模型开源化趋势激发规模化算力需求，将进一步提升现有算力中心利用率，扩 大全社会的算力供给规模： 从规模上看，开源大模型的广泛应用推动了对高性能算力的集中需求，倒逼算力 基础设施向规模化、集群化方向发展。尽管单次训练的算力需求可能降低，但整 体算力需求却因应用的普及而大幅增长。“杰文斯悖论”指出，资源利用效率的提 升将进一步刺激更大的资源需求。大量的模型部署需求促进算力中心减少算力资 源闲置、提高能效、升级服务。根据 IDC 与浪潮信息联合发布的《2025 年中国人 工智能计算力发展评估报告》，2025 年中国智能算力规模预计达 1037.3 EFLOPS， 较 2024 年增长 43%；2026 年中国智能算力规模将达到 1460.3 EFLOPS，为 2024 年的两倍，并在 2028 年达到 2,781.9 EFLOPS；2023-2028 年中国智能算力规模和 通用算力规模的五年复合增长率分别达 46.2%和 18.8%。 从效率上看，开源生态的协同效应促使算力中心通过技术创新提升能效，缓解算 力供需结构性错位的问题，促进算力资源高效利用。例如，燧原科技充分利用燧 原 AI 加速卡的计算能力，为模型的持续优化和大规模部署提供了坚实基础，目前 已完成对 DeepSeek 全量模型的高效适配，DeepSeek 全量模型已在庆阳、无锡、 成都等智算中心完成了数万卡的快速部署，将为客户及合作伙伴提供高性能计算 资源，提升模型推理效率。

3. 人工智能产业 2025 年中关键词二：“效率”

3.1. Scaling Law 进一步扩张，成本和效率矛盾凸显

大模型成本与效率矛盾凸显，行业面临算力和能耗成本、优质语料短缺与集群整 体效率下滑的三重困境。大模型训练开发成本高昂，随着模型训练计算量的增加， 近年来模型训练成本也呈指数级增长。根据斯坦福 HAI 研究所的报告，2017 年， Transformer 模型训练成本约为 900 美元；2023 年，Google Gemini Ultra 的训练成 本约为 1.91 亿美元，OpenAI GPT-4 成本约为 7800 万美元。Meta 公布其大语言模 型 Llama 3.1 405B，基于 15 万亿个 Tokens、超 1.6 万个 H100 GPU 进行训练，扎 克伯格表示 Meta Llama 3 训练计算能力花费达数亿美元。

大模型需要大量计算资源，参数规模、数据量和计算复杂度使得算力成为大模型 发展的核心制约因素。随着模型参数量大规模提升、训练数据量及训练次数的增 加，训练阶段算力消耗量相应增加。在训练端，大模型的参数规模从数十亿乃到 上万亿不等，训练时需要处理数万亿个 Token，需要消耗巨大的算力。在推理端， 随着大模型应用场景、用户数量、活跃度、应用时间的快速增加，推理数据和模 型数量增多引发推理阶段更大的算力需求量。根据华为报告预测，2030 年全球通 用计算算力将达到 3.3ZFLOPS（FP32），AI 算力需求激增，2030 年将达到 864 ZFLOPS（FP16）。 大模型训练和运行所需能耗巨大。随着 AI 快速发展，数据中心用电量将持续攀 升。根据 Digital Information World 的报告，数据中心为训练 AI 模型产生的能耗是 常规云工作的 3 倍。据《数据中心全生命周期绿色算力指数白皮书》预计，2030 年我国数据中心能耗总量将超过 4000 亿千瓦时。德勤预测，2025 年全球数据中 心用电量大约为 536 太瓦时（TWh），占全球用电量的 2%，随着电力密集型生成 式 AI 的训练和推理需求迅速增长，预计到 2030 年全球数据中心的用电量将翻一 番，约达 1065 太瓦时。

优质语料短缺，数据规模和质量待提高。微软研究院的研究显示，要保持大模型 性能的指数增长，2026 年需要 430 艾字节（EB）的高质量训练数据。Epoch AI Research 团队预测，高质量的语言数据存量将在 2026 年耗尽，低质量的语言数据 和图像数据的存量将分别在 2030 年至 2050 年、2030 年至 2060 年枯竭。 尽管万卡集群在理论算力上具有显著优势，但随着集群规模的指数级扩张，硬件 互联、软件优化、系统稳定性等瓶颈问题逐渐暴露，导致实际运行效率与预期效 能差距拉大。集群性能并不简单等于单卡性能的累加，随着模型规模和集群规模 的扩大，大模型分布式训练对高性能网络的要求更高，集群性能并不随着 GPU 数 量的增加而线性增长。根据阿里研究院的数据，目前万卡 GPU 集群中单卡 GPU 平均利用率约 50%，集群线性加速比约 93%。同时，集群规模的提升也伴随着稳 定性问题，从而对大模型训练效率造成影响。集群规模从千卡到万卡，故障中断 次数及恢复所需时间将呈指数级增长。以 Meta 公布的 Llama 3 训练细节为例， Llama 3 405B 大模型在 1.6 万台集群训练过程中发生了 419 次意外中断，平均每 3 小时就发生一次，GPU 故障率比 CPU 高出了 120 倍。

3.2. 算力端多元技术革新，破解效率困局

3.2.1. “异构算力”打破单一硬件架构局限，提供灵活、高效方案

异构算力体系整合 CPU、GPU、FPGA、ASIC 等多种类型计算硬件资源，优化 调度策略，打破单一硬件架构的局限，有效提升计算效率，为大模型训练和推理 提供了灵活、高效的解决方案。相对于传统的单一计算架构，异构算力具有以下 优势：（1）通过综合考虑任务需求和硬件特性，发挥各类处理器专长，实现整体 性能最大化。例如 CPU 通用性强，擅长逻辑控制和串行计算；GPU 擅长并行计 算，适合图形渲染、深度学习等数据密集型任务；FPGA 灵活性强；ASIC 定制化 设计。（2）降低功耗和成本，相比仅依赖 CPU 的大规模计算，利用 GPU 或 ASIC 等异构计算架构加速深度学习模型训练可以减少大量的电力消耗。（3）增强灵活 性和扩展性，具备 AI 推理、图像处理、高性能模拟等多类型任务的处理能力。

以无问芯穹为例，无问芯穹大规模模型异构分布式混合训练系统 HETHUB 在业 内首次实现六种不同品牌芯片的交叉混合训练，通过自研的通用集合通信库和基 于流水线并行的非均匀拆分方案，解决异构芯片间的通信和负载均衡问题，无问 芯穹千卡异构混合训练集群算力利用率高最高达 97.6%。无问芯穹 Infini-AI 云平 台已集成大模型异构千卡混训能力，是全球首个可进行单任务千卡规模异构芯片 混合训练的平台，具备万卡扩展性，支持包括 AMD、华为昇腾、天数智芯、沐曦、 摩尔线程、NVIDIA 六种异构芯片在内的大模型混合训练，截至 2024 年 7 月，Infini-AI 云平台已支持 Qwen2、GLM4、Llama3 等共 30 多个模型，以及 AMD、 华为昇腾、壁仞、寒武纪、燧原、海光、天数智芯、沐曦、摩尔线程、NVIDIA 等 10 余种计算卡。无问芯穹大规模模型异构分布式混合训练系统 HETHUB 和 InfiniAI 云平台屏蔽了底层硬件差异，使开发者能够轻松调用多种芯片资源进行大模型 训练和推理，显著降低了开发和维护成本。

3.2.2. “HBM”不断升级持续改善内存墙问题

HBM 具有高带宽、大容量、低延迟、低功耗等优势，是 AI 算力效率提升的重要 支撑。HBM 通过 3D 堆叠架构和硅通孔（TSV）技术，将多层 DRAM 芯片封装于 小体积空间中，实现小尺存与高带宽、大容量、低延迟和低功耗的统一。相较于 传统内存技术，HBM 具有以下优势：（1）HBM 通过串行接口和优化的信号传输 技术，带宽远超传统 DRAM，满足高性能计算的需求；（2）HBM 采用 3D 堆叠技 术，将多层 DRAM 芯片垂直集成，大幅缩小了内存模块的物理尺寸；（3）HBM 紧凑的内部结构，减少了内存访问的延迟，提高了系统的响应速度和效率；（4） HBM 的垂直堆叠结构缩短了数据传输距离，结合硅通孔（TSV）技术，进一步降 低了功耗。HBM 是目前高性能 AI 服务器 GPU 显存的主流解决方案。据 Mordor Intelligence 预测，从 2024 年到 2029 年，HBM 市场规模将从约 25.2 亿美元激增 至 79.5 亿美元，年复合增长率高达 25.86%。 HBM 技术不断突破，HBM3E 为当前先进规格之一，SK 海力士、三星等头部厂 商正加速推进下一代 HBM4 的设计和量产。根据全球半导体行业标准制定权威机 构 JEDEC 发布的 HBM4 初步规范，HBM4 设计目标在于进一步提升数据处理速 度，同时保持高带宽、低功耗和单位面积或堆叠的高容量等关键特性；HBM4 将 提供 24GB 和 32 GB 的存储层，支持 4 至 16 层的硅通孔（TSV）堆栈，初期确定 的速度等级可达 6.4Gbps，且正在讨论更高频率的可能性。

同时，随着 AI 技术的不断发展，HBM 厂商纷纷加大技术创新力度，推出定制化 方案，以满足不同的应用场景对 HBM 性能、功耗和成本的差异化需求。例如， SK 海力士推出半定制化 HBM，满足特定应用的需求；三星电子将 HBM 与定制 逻辑芯片 3D 堆叠，减少占地面积，优化功耗表现。

3.2.3. “存算一体”技术稳步前进，为产业提供远期解决方案

存算一体技术通过存储与计算的深度融合，突破传统架构的瓶颈，为 AI 计算提 供了高效、低功耗的解决方案。存算一体技术将存储与计算功能集成于同一芯片， 有效克服冯·诺依曼架构的数据搬移问题，显著降低功耗，大幅提升计算效率。 根据半导体产业纵横，存算一体技术优势主要体现在：（1）存算一体芯片兼具高 算力与高能效，在特定领域可提供超过 1000TOPS 的算力和 10-100TOPS/W 的能 效，远超传统 ASIC 芯片；（2）通过减少不必要的数据搬运，能耗可降至传统架构 的 1/10~1/100；（3）更高的计算效率和更低的功耗带来了显著的成本优势。

广义存算一体技术方案包括近存计算、存内处理和存内计算。近存计算主要通过 2.5D/3D 堆叠技术将计算逻辑芯片与存储器封装在一起，缩短数据传输路径，实 现高带宽和低访问开销，广泛应用于 CPU 和 GPU，技术成熟度高。存内处理通过 将计算逻辑嵌入存储单元，直接在数据存储位置完成运算，有效减少了数据搬运 需求，缓解冯·诺依曼架构的带宽瓶颈，从而提升系统能效和数据处理速度。存 内计算通过电路革新使存储器具备计算能力，如改造 SRAM 或 MRAM 的解码器 以实现计算功能，计算能效比高，但计算精度可能受限。

存算一体技术在产业界取得了一定进展，加速商业化突破。如 d-Matrix 首款 AI 芯 片 Corsair 显示存算一体技术在高性能计算领域的商业化取得重大突破。根据 dMatrix 官网信息，Corsair 芯片在单台服务器中为 Llama3 8B 模型提供每秒处理 60,000 个 tokens 的性能，每个 token 延迟仅为 1 毫秒。Corsair 芯片通过数字存算 一体技术架构，Corsair Dual Card 可提供 300TB/s 的超高内存带宽，交互速度提升 10 倍，能效提高 3 倍。此外，多样化的存内计算技术如 Flash、SRAM、DRAM 和 RRAM 等并行发展，满足不同场景需求，DRAM 存内计算硬件商业化加速，先进 封装技术如 2.5D、3D 和 3.5D 推动存内计算架构升级，提升了芯片集成度和性能， 共同推动存算一体技术在智能设备、数据中心等领域的应用和商业化落地。

3.2.4. “光互连”技术探索积极，静待大规模实际落地

光互连技术在高速、高密度和低功耗方面具有显著优势，正在逐步取代传统电互 连技术，成为数据中心通信的主流技术。传统电互连技术由于高频损耗、传输延 迟和电磁干扰等问题，其运营成本随着数据率和传输距离的增加而显著上升，已 接近物理极限。Broadcom 光学系统部门营销和运营副总裁 Manish Mehta 指出， 铜线在高端集群中只能传输约三到五米，信号就会开始减弱，随着串行器反序列 化器（SerDes）的速度超过 200Gbit/秒，铜线的传输距离将越来越短。相比之下， 光互连技术具有更高的传输速度、更大的带宽、更低的延时和损耗，以及更好的 抗干扰性能，能够支持更长的传输距离，可以有效突破传统电互连技术在高速、 高密度和高带宽需求下的局限，从而更好地满足数据中心的需求。目前主流技术 路线包括垂直腔面发射激光器（VCSEL）、电吸收调制激光器（EML）和共封装光 学器件（CPO），分别针对不同场景优化：VCSEL 凭借低功耗优势主导短距通信， EML 擅长中长距高带宽传输，CPO 则通过光电融合突破系统集成极限。 博通、英特尔等芯片巨头正积极探索光互连新技术，以构建支持万卡级 AI 集群 的通信基座。博通于 Hot Chips 2024 发布集成光学附件的 AI 计算 ASIC，融合硅 光子学与共封装光学（CPO）技术。新一代 Tomahawk 5Bailly 交换机采用 CPO 技 术，直接集成光学模块至芯片封装，降低系统延迟，提升数据传输速度与能效。 博通采用可插拔激光器设计增强系统可维护性，降低运维成本；通过整合计算ASIC、光学模块及高带宽内存（HBM），实现更高计算密度与更低功耗。英特尔 在 2024 光纤通信大会上展示了 SS 首款与其 CPU 共同封装的全集成光学计算互 连（OCI）芯粒，面向数据中心及高性能计算领域，可支持长达 100 米光纤上的 64 个 32Gbps 单向通道，有效提升集群扩展性、带宽及能效，加速高性能计算任务执 行。

3.2.5. 推理时代来临，“ASIC”或迎高速发展期

ASIC（Application Specific Integrated Circuit，专用集成电路）根据特定应用需 求定制设计和制造，通过硬件层面的深度优化，实现更高的处理效率和更低的能 耗表现。相较于通用芯片，ASIC 在技术路径上具有显著优势：首先，其定制化架 构能够精准匹配目标场景的计算需求，从而在算力密度和能效比上实现突破；其 次，针对内存和计算单元的协同优化，有效解决了传统 GPU 在高速缓存不足和数 据传输延迟方面的性能瓶颈，显著提升了数据处理效率。从应用场景来看，ASIC 在 AI 推理领域展现出独特的商业化价值。尽管推理任务对单集群算力的需求低 于训练阶段，但其场景碎片化和规模化部署的特点对设备的性价比和能效比提出 了更高要求。ASIC凭借其定制化优势，在单位算力成本和能耗经济性上优于GPU， 尤其适用于大规模数据中心等对功耗敏感的场景。根据Marvell数据，2023年ASIC 市场规模为 66 亿美元，在数据中心加速芯片中占比 16%，预计到 2028 年 ASIC 市场规模将增至 429 亿美元，年复合增速达 45%，在数据中心加速芯片中占比提 高到 25%。 根据运算类型，ASIC 芯片可分为 TPU、DPU、NPU，分别针对矩阵运算、网络数 据处理和神经网络计算进行了深度优化，满足不同场景的需求。新兴的 LPU（语 言处理单元）进一步拓展了 ASIC 的应用边界，专注于大语言模型的高效处理。

微软、亚马逊、谷歌等厂商纷纷加码自研 ASIC，以提升数据中心效率并降低运营 成本。微软在 Hot Chips 2024 上发布最新定制 AI 加速器 MAIA 100，专为 Azure 平台设计，专门用于运行 OpenAI 模型。2024 年 12 月 3 日，亚马逊 AWS 第三代 AI 训练芯片 Trainum3 发布，Trainum3 是首款采用 3nm 工艺节点制造的 AWS 芯 片，根据 AWS 安纳普尔纳实验室团队的产品与客户工程总监 Gadi Hutt，Trainum3 计算能力较上一代提升 2 倍，能效提升 40%，将于 2025 年年底上市。2024 年 12 月 12 日，谷歌发布了其第六代人工智能加速器芯片 Trillium，Trillium TPU 为 Gemini 2.0 的训练和推理提供了 100%的支持。根据谷歌官方提供的数据，Trillium TPU 在训练性能上较上一代提升 4 倍以上，推理吞吐量提升高达 3 倍，峰值计算 性能提升 4.7 倍；能源效率提高 67%，每美元训练性能提升高达 2.5 倍，推理性能 提升高达 1.4 倍。

3.3. 模型优化和技术进步，开辟降本增效新路径

3.3.1. 算法和架构的优化与创新是可实现且收益可观的

算法优化与模型架构创新，诞生更低成本模型。以 Deepseek 为例，通过算法优化 与模型架构创新，DeepSeek 在降低成本的同时，实现了模型性能的显著提升，为 行业提供了高效、低成本的 AI 研发范式。具体而言： （1）训练端，DeepSeek 通过多项技术大幅降低训练成本。DeepSeek-V3 技术报 告显示，该模型预训练、扩展上下文和后训练的总成本仅为 557.6 万美元，显著 低于其他模型。DeepSeek 采用宽幅混合专家架构（MoE），结合共享专家机制，按 需激活不同领域的专家模型，避免全量参数参与训练，显著减少计算资源消耗。 同时，通过稀疏训练技术减少 50%的计算资源需求，并引入 FP8 低精度训练，结 合双管道训练与多 Token 预测，提升硬件计算效率。 （2）推理端，DeepSeek 在降低成本的同时实现高效推理。根据 2024 年 2 月 27 日至28日的官方统计，每个H800节点每秒可处理73.7k/14.8k的输入/输出Tokens， 每日总成本为 87072 美元。若所有 Token 以 DeepSeek-R1 的价格计费，每日总收 入可达 562027 美元，成本利润率高达 545%。这一效率得益于跨节点专家并行（EP） 技术，通过增大 batch size、隐藏通信延迟、执行动态负载均衡，应对 EP 的系统 复杂性挑战，实现更高的推理吞吐量和更低延迟。同时，DeepSeek 采用低精度存 储与通信，结合多头潜在注意力（MLA）机制，减少 KV 缓存需求，显著降低显 存占用，进一步提升推理效率。此外，DeepSeek-R1 模型采用纯强化学习（RL） 进行后训练，结合思维链（CoT）技术逐步推理答案，而非直接预测结果，显著提 升推理能力。

李飞飞团队的成果进一步验证了算法优化在降低 AI 研发成本中的潜力。该团队 从谷歌模型中提炼出 1000 个样本，对通义千问模型进行监督微调，以不到 50 美 元的云计算费用成功训练出了 AI 推理模型 s1，模型数学和编码能力测试表现与 OpenAI o1 和 DeepSeek R1 等尖端推理模型不相上下，进一步表明算法优化可替 代硬件堆砌。

3.3.2. 推动数据合成技术发展有望解决中长期高质量数据供需难题

数据合成技术通过生成高质量、多样化的数据，成为解决大模型训练数据需求快 速增长与高质量数据稀缺之间矛盾的关键手段。据 Epoch AI 研究团队预测，到 2026 年，现存的用于 AI 模型训练的高质量语言数据将耗尽；到 2028 年，互联网 上的所有文本数据或将被耗尽。Gartner 研究报告指出，2030 年合成数据将成为 AI 模型的主要训练数据来源。数据合成技术贯穿大模型数据准备、预训练、微调、 指令调优、偏好对齐和应用等阶段，主要分为数据增强和数据合成两大类。数据 增强通过对现有数据进行变换或扰动，增加数据多样性和数量；数据合成则利用 生成模型从头创建全新数据。一方面，数据合成技术可突破数据获取瓶颈，具有 降低成本、长尾覆盖、隐私合规等优势；另一方面，数据合成技术提升数据质量， 帮助模型性能持续进化；此外，数据合成技术的使用或可压缩大模型研发周期， 例如 Textbooks Are All You Need 论文中研究者提出的模型 Phi-1 训练数据仅来自 网上筛选的教科书质量数据（6B token）和 GPT-3.5 生成的教科书及练习数据（1B token），模型对 7B token 进行了 8 次遍历，在近 2 亿 token 的数据上进行了微调， 整个训练过程在 8 个 A100 上进行，为期 4 天。Phi-1 最终在 HumanEval pass@1 上的准确率达 50.6%，在 MBPP 上达 55.5%，模型数据集和模型大小却较竞品模 型小几个数量级。

3.4. AI 硬件做“减法”，以创新形态适应技术落地初期需求

AI 硬件通过适度精简功能、聚焦场景刚需、快速推出可用产品，有助于实现技术 可行性与商业可行性的动态平衡。当前已有部分 AI 硬件聚焦核心场景，精简非必 要功能，优先确保核心体验的稳定性和可用性，为垂直人群打造极致体验。例如， PLAUD NOTE 录音笔专注会议记录场景，通过超薄设计+AI 笔记生成功能，成为 细分市场爆款。由于技术初期成熟度有限，过度堆砌功能会导致成本高、功耗大、 可靠性差，且大模型 API 接入耗时短，生态成熟更快，因此部分 AI 硬件将大模型 与 AI 硬件简单结合，加快技术落地。以 AI 眼镜为例，当前 AI 眼镜行业正处于 技术落地初期，光学方案尚存技术瓶颈未突破，厂商普遍选择“接入大模型+简化 光学设计”的策略快速抢占市场。根据 Wellsenn XR 数据，2024 年全球 AI 眼镜销 量为 152 万台，其中 94%为 AI 拍照智能眼镜，4%为 AR+AI 眼镜，2%为音频 AI 智能眼镜。Wellsenn XR 预计 2025 年全球 AI 眼镜达 350 万台，较 2024 年增长 230%，增长主要来自于 Ray BanMeto 的销量持续增长，多款 A1 智能眼镜新品上 市兑现以及小米、三星等大厂入场发售 AI 智能眼镜新品。

4. 人工智能产业 2025 年中关键词三：“泛化”

4.1. 商业化进程提速，应用端试水在千行百业大规模开花

AI 商业化进程提速，应用场景越来越广泛。根据智能超参数的统计数据，2024 年 共 1520 个大模型相关中标项目，其中 1107 个中标项目披露的金额达 64.67 亿元， 中标项目数量同比增长了 15.5 倍，披露中标金额增长了 7.2 倍，中国大模型招投 标市场的爆发式增长充分反映出大模型技术在商业化落地方面的巨大潜力和广阔 前景。根据 IDC 和浪潮信息联合发布的报告，目前金融、制造和教育等行业已率 先引入 AI 技术。在金融领域，AI 被广泛应用于智能客服、风控决策和资产管理； 在制造业，工业机器人和生产流程的优化借助 AI 提升了效率；教育行业则通过生 成式 AI 提供个性化教学与解题服务。根据 Gartner 预测，到 2029 年中国 60%的 企业将把 AI 融入其主要产品和服务中，并且这些 AI 功能将成为收入增长的主要 驱动力。

生成式 AI 在 B 端市场的商业化进程正在加速，代码生成和辅助工具、聊天机器 人、企业搜索、数据转换和会议纪要成为 B 端市场最广泛的五大 AI 应用场景。 MenloVentures 对 600 名企业 IT 决策者的调查结果显示，企业加大对生成式 AI 的 支出，2024 年企业对生成式 AI 应用的投入达 46 亿美元，同比增长近 8 倍，代码 生成和辅助工具、聊天机器人、企业搜索、数据转换和会议纪要的企业采用率分 别为 51%、31%、28%、27%和 25%。代码生成工具如 GitHub Copilot 营收已突破 3 亿美元，新兴工具如 Codeium 和 Cursor 也在快速崛起；阿里云和通义实验室联 合推出的通义灵码基于通义大模型，具备代码智能生成和研发智能问答等多项功 能，目前通义灵码插件下载量已突破 1500 万。聊天机器人通过提供全天候的知识 支持，广泛应用于企业内部和客户服务场景，例如国内首款基于大模型重构的智 能客服产品百度智能云客悦，已和捷信、中国联通等达成合作，满足企业智能客 服全场景应用需求的智能客服系统。企业搜索工具如钉钉 AI 企业搜索，其基于通 义大模型实现自然语言查询信息，并对钉钉内的用户自有信息、企业知识进行整 理与提炼，大大提升搜索效率。会议纪要工具如 Fireflies.ai、飞书妙记等则通过自 动捕获和总结会议内容，提升了协作效率。

大模型逐渐渗透工业领域，赋能新型工业化。工业互联网的普及让部分工业企业 实现了从数据采集到数据应用的全流程，积累的丰富数据为工业大模型的训练提 供支撑，部分场景已具有落地可行性。根据沙丘智库发布的《2024 年中国工业大 模型应用跟踪报告》，大模型落地工业领域覆盖工业价值链的多个环节，包括研发 设计、生产制造、经营管理和产品服务，其中生产制造环节的落地案例最多。从 细分行业来看，电力、煤炭、汽车制造、电子制造和钢铁等行业的大模型落地速 度较快，但不同行业在场景选择上存在差异，制造类企业更倾向于将大模型应用 于产品服务环节，而能源类企业则更多聚焦于生产制造环节的应用。在技术类型 上，当前工业企业落地的大模型以语言大模型为主，但长期多模态大模型和预测 大模型将在工业领域发挥越来越重要的作用。目前工业企业更倾向于采用 RAG 扩 展或参数微调的方式落地大模型。随着大模型技术的发展，工业大模型将逐步应 用于垂直细分行业的各个应用场景，从通用能力延伸至行业专用能力，形成汽车、 家电、化工、新能源等垂直细分行业的行业大模型。

4.2. 开源模型成 AI 应用落地催化剂，带动行业部署与算力利用双赢

DeepSeek 开源大模型推出，倒逼更多大模型厂商开源，百度、MiniMax、阶跃星 辰等企业跟上大模型行业开源节奏。自 2024 年 12 月 26 日 DeepSeek-V3 首个版 本上线并开源后，开源之风在大模型行业盛行：2025 年 1 月 15 日，MiniMax 发 布并开源新一代 01 系列模型，包括基础语言大模型 MiniMax-Text-01 和视觉多模 态大模型 MiniMax-VL-01；2025 年 2 月 13 日，百度宣布文心一言自 4 月 1 日起 全面免费，文心大模型 4.5 系列将全部开源；2025 年 2 月 18 日，阶跃星辰和吉利 汽车集团宣布开源两款阶跃 Step 系列多模态大模型，包含视频生成模型 StepVideo-T2V 和语音交互大模型阶跃 Step-Audio。 云服务厂商纷纷部署 DeepSeek。国内主要云服务商如天翼云、移动云、联通云、 华为云、京东云、阿里云和百度智能云均已接入 DeepSeek 大模型，国际云厂商微 软云和亚马逊云科技也迅速跟进。例如，天翼云通过自研“息壤”智算平台率先 实现 DeepSeek 模型全栈国产化推理服务落地；移动云深度集成融合 DeepSeek， 依托自研 COCA 算力原生平台，实现“开箱即用”，并提供高性价比算力定制方 案；联通云基于“星罗”平台率先实现 DeepSeek 多场景深度对接。百度智能云千 帆平台以超低价格上架 DeepSeek-R1 和 DeepSeek-V3 模型，并推出限时免费服务 降低使用门槛；阿里云 PAI Model Gallery 支持一键部署 Deep Seek-V3、Deep SeekR1；京东云上线 DeepSeek-R1 模型，扩充 AI 服务生态。 科技巨头同样加速接入 DeepSeek。腾讯元宝、AI 代码助手 ima、微信搜一搜等应 用已接入 DeepSeek-R1 模型；百度搜索与文心智能体平台实现 DeepSeek 和文心 大模型双模型联动，开放免费深度搜索服务。

基于 DeepSeek 的行业部署初现，涵盖了农业、汽车行业、手机行业、物流、办 公、金融、医疗、教育等多个领域，加速了人工智能在多场景、多产品中的应用。 开源大模型通过降低技术门槛和开发成本，使更多企业能够快速接入 AI 能力，多 行业已应用 DeepSeek 解决实际问题，体现了 DeepSeek 在不同行业落地实践的显 著成效。

4.3. 低成本开源模型领航，大幅推动 AI 应用渗透

越来越多大模型厂商降低 API 调用成本，降低企业 AI 应用研发成本。2024 年 5 月，DeepSeek 推出 DeepSeek-V2，API 调用价格降至每百万输入 Tokens 1 元，每 百万输出 Tokens 2 元，带动字节、阿里、百度等厂商纷纷跟进降价。字节宣布豆 包主力模型推理输入价格仅为 0.0008 元/千 Tokens，比行业低 99.3%；阿里云宣布 其 9 款商业化及开源系列模型降价，涵盖 Qwen-Long、Qwen-Max、Qwen1.5-72B 等，最高降价幅度达到了97%；百度智能云宣布文心大模型的两款主力模型ENIRE Speed 与 ENIRE Lite 全面免费。DeepSeek R1 API 服务定价为每百万输入 tokens 1 元（缓存命中）/ 4 元（缓存未命中），每百万输出 tokens 16 元，大幅降低了 AI 应 用厂商调用 API 的成本门槛，从而减少中小企业的开发成本压力，推动 C 端产品 在大多数应用场景得到落地，会让原本因为预算不足、用户意愿不足的一些场景具备商业化落地的可能。

开源模型降低 AI 应用研发门槛，减少了企业自研大模型的必要性，加速 AI 应用 渗透。开源模型具有开放性和协作性，企业对开源模型有完全的理解和透明度， 支持开发者自由修改和优化，减少了企业自研大模型的必要性。以 Hugging Face 为例，截至 2024 年 9 月，Hugging Face 平台收录的 AI 模型数量突破 100 万，覆 盖自然语言处理（NLP）、计算机视觉、多模态交互等领域，形成繁荣的技术协同 网络。此外，开源社区协作使更多开发者参与模型的改进和优化，加速技术迭代 和行业渗透。例如，恒生电子接入 DeepSeek-R1 模型，实现招股书等复杂文档自 动解析、财务数据校验和合规风险提示的秒级响应，在金融投研、合规、运营、 投行等业务场景中取得较好效果。中国科学院家天文台人工智能工作组基于阿里 通义千问开源模型开发“星语 3.0”天文大模型，成功接入国家天文台兴隆观测站 望远镜阵列 Mini“司天”，实现望远镜自主观测与数据分析。

4.4. 推理模型能力进阶，AI 应用领域持续拓宽

蒸馏小模型性能卓越，符合边缘设备和 AI 终端部署需求，推动提升边缘设备和 端侧 AI 应用的广度和深度。DeepSeek 蒸馏小模型性能卓越，其中 32B 和 70B 模 型在多项能力上实现了对标 OpenAI o1-mini 的效果。DeepSeek-R1-Distill-Qwen1.5B 在数学基准测试中的表现超越了 GPT 4o 和 Claude-3.5-Sonnet，此类轻量化 模型由于参数较少，非常适合部署在车机、工业控制设备等边缘场景，以及 AI 手 机、PC、眼镜和玩具等终端设备上。特别是对于 AI 眼镜这类注重便携性的设备， 引入大模型可以在不增加设备体积的情况下，增强其智能化功能，提升用户体验， 并加速 AI 眼镜产业的商业化进程。

大模型持续突破的推理能力和多模态感知能力，与 AI Agent 产品的底层逻辑架构 高度契合，推动产品从基础功能型向智能交互型、任务自主执行型转变。通过算 法工程的优化，DeepSeek 实现了更具成本效益的模型推理能力，在数学、代码、 自然语言推理等任务上，性能比肩 OpenAI o1 正式版；同时 DeepSeek 开源发布 的 Janus-Pro 多模态模型，集成先进的文本生成图像和视觉理解能力，根据官方数 据，Janus-Pro 性能超越 DALL-E 3，DPG-Bench 准确率达 84.2%，提供 1B 和 7B 两种版本灵活部署。DeepSeek 有望以强大的推理能力和多模态感知能力，赋能 AI Agent，重塑机器人交互与决策，同时通过低成本、高效率的解决方案，加速具身 智能的普及与应用。

MiniMax、阶跃星辰等国内多家大模型企业积极布局 AI Agent。MiniMax 明确表 示 Agent 是未来大模型产品形态趋势，并联合多家智能硬件企业成立“MiniMax 智能硬件产业创新联盟”，将应用领域拓展至智慧家居、穿戴设备等多个智能硬件 领域。阶跃星辰将智能终端 Agent 作为大模型技术落地的关键方向，重点布局汽 车、手机、具身智能、IoT 等关键应用场景，例如，阶跃星辰宣布和吉利汽车集团、 千里科技加强合作，推动“AI +车”深度融合；宣布与智元机器人战略合作，共同 探索 AI+具身机器人应用场景。

4.5. AI 应用尚在落地初期，未来发展路径明晰

AI 应用尚在落地初期，模型能力和市场需求尚待进一步提升，产业空间还很大、 且未来会有大量 AI 应用创业公司机会。根据甲子光年统计，2023 年中国人工智 能行业市场规模超过 5000 亿元，预计 2027 年将达到 12000-15000 亿元规模，有 望在制造、交通、金融、医疗等多领域实现应用落地。

PC 互联网的演进历史为理解 AI 应用发展趋势提供了重要参照。PC 互联网发展 轨迹总体呈现“B 端萌芽—C 端爆发—B 端深化”的阶段性特征。早期阶段以 B 端为主导，企业级需求驱动了基础设施的构建。1960 年代末至 1995 年，从 ARPANET 军用网络到 TCP/IP 协议标准化，从 IBM 个人计算机普及到 Novell 局 域网系统推广，企业信息化工具逐步解决了组织内部效率问题。这一阶段的 C 端 市场受制于硬件成本与网络门槛，普及率极低。随着技术成熟和成本下降，B 端 与 C 端的分水岭逐渐显现。技术拐点出现在 1990 年代中期，如 Mosaic、Windows 95 等图形化浏览器与操作系统的突破大幅降低了用户使用门槛，推动互联网进入 消费爆发期。1995 年至 2000 年，企业级电子商务和 SaaS 模式开始兴起，而 C 端 市场则通过门户网站和通信工具积累早期用户。进入 21 世纪后，C 端应用迎来全 面爆发，搜索引擎、社交网络和电子商务平台通过流量经济实现规模化变现，同 时反哺 B 端生态的深度整合，如云计算和企业级数据分析工具的普及。 美国 PC 互联网的发展完整呈现了“企业需求驱动-消费市场爆发-产业生态重构” 的演进路径。其 B 端萌芽可追溯至 1969 年 ARPANET 的诞生，1983 年 TCP/IP 协 议成为标准后， Novell 的局域网系统和 SAP 的 ERP 解决方案满足了大型企业的 信息化需求，这些高客单价的企业级产品为互联网技术商业化提供了首批资金支 持。1995 年成为 C 端爆发的关键转折点，硬件成本下降和浏览器普及催生了亚马 逊、Google 等平台型企业，它们通过免费服务快速获取用户，构建了广告和电商 的变现模式。值得注意的是，消费互联网的繁荣本质上依托于前期 B 端建设积累 的技术储备。2006 年进入 B 端深化期，AWS 将互联网基础设施服务化，Salesforce 革新软件交付模式，C 端积累的海量用户数据开始反哺企业决策，形成了完整的 价值闭环。

中国 PC 互联网演进路径在遵循全球规律的同时，展现出鲜明的本土特征。早期 B 端建设以解决特定行业痛点为切入点，与改革开放进程深度绑定：1994 年全功 能接入国际互联网后，用友财务软件替代手工记账，阿里巴巴 B2B 平台则通过消 除外贸信息壁垒激活制造产能。2003 年起 C 端市场进入爆发周期，腾讯 QQ 在即 时通讯领域实现突破，淘宝以免费策略击败国际巨头 eBay，百度在搜索市场超越 Google。这一阶段的本土化创新背后，既有《电信条例》等政策对外资准入的限 制，也离不开人口红利带来的低成本用户增长。2010 年后的 B 端深化期呈现出生 态整合特征：阿里云和华为云将消费互联网积累的技术能力输出给企业，微信企 业版则实现了 C 端流量向 B 端的自然延伸。

借鉴 PC 互联网的爆发历史，可以推测 AI 产业的爆发顺序预计将遵循类似的“B 端—C 端—B 端”的三段式节奏，但技术扩散速度和商业模式的创新将显著缩短 发展周期。当前阶段，AI 应用正处于 B 端萌芽期，企业级解决方案在工业质检、 金融风控和医疗影像等领域优先落地。虽然 C 端市场潜力巨大，但 B 端企业引入 大模型后可快速降本增效，相较于 C 端付费意愿更强，商业模式更清晰。大模型 商业化将在 B 端初步探索并率先取得突破，服务于智能制造、智能客服等企业的 特定需求。如 OpenAI 的企业 API 和行业定制化模型验证了 B 端市场的付费意愿 和明确 ROI。与此同时，C 端市场通过 ChatGPT 等低门槛工具积累用户，为后续 爆发奠定基础。随着技术的成熟和普及，C 端将迎来大规模爆发，智能家居、智 能穿戴设备等将深入个人生活。与 PC 互联网时代相比，AI 技术的开源生态和混 合商业模式加速了 B 端与 C 端的双向赋能，例如 C 端用户数据可直接优化 B 端 模型，而企业级 API 又能被 C 端开发者调用。这种界限的模糊化使得 AI 产业的 演进路径更加复杂且动态。AI 应用最终将实现 B 端与 C 端的并行发展，企业级 AI 解决方案和消费级 AI 产品将共同推动 AI 产业的全面繁荣。历史规律表明，B 端始终是技术落地的第一推动力，而 C 端的爆发则为 B 端深化提供数据和资本杠 杆，这一逻辑在 AI 时代仍将延续。因此，AI 应用产业需在短期内聚焦高价值 B 端场景，同时以 C 端思维布局用户体验，才能在 AI 产业的螺旋式演进中占据先 机。

编辑：火腿肠