2025年人工智能产业“十四五”复盘与“十五五”展望：“两个变局”下的AI要素化跃迁

十四五复盘:AI完成“要素化”奠基五大质变

人工智能的三段论演进路径，在学界与产业界已形成高度共识:先以计算智能(高效能搜索、精确数值模拟)突破算力瓶颈，再以感知智能(视觉、听觉等模态的识别与还原)完成外部世界的数字化映射，最终迈向认知智能(理解、推理、决策与创造)。

2012-2022年的“黄金十年”正处于第二阶段--感知智能的集中爆发期，其中视觉技术凭借可标准化、可度量、可工程化的先天优势，成为资本、算法与场景三方共振的最大公约数。ImageNet挑战赛在 2012年的“AlexNet时刻”点燃了火种，随后ResNet、FPN、MaskR-CNN、EfficientNet、VisionTransformer等里程碑工作相继涌现，带动人脸识别、视频结构化、城市级安防、工业质检、零售稽核等赛道呈现指数级渗透。十年间，视觉算法精度提升二十余个百分点，终端成本下降两个数量级，政府端，以智慧城市、安防为代表的视觉场景爆发与移动互联网端“短视频内容理解”双轮驱动，使得感知智能在中国率先完成规模化落地，并沉淀为可复制的硬件、软件与解决方案范式。然而，当精度逼近人类一致性上限、政府土地财政红利退坡、场景侧从增量建设转向存量运维，视觉感知技术栈的边际收益于“十四五”开局的2020年前后陡然递减，标志着感知智能大周期的终结，也为认知智能的接棒埋下伏笔。

(一)技术质变:Transformer架构统- AIGC,完成“引擎收敛’

自2020年GPT-3横空出世以来,自然语言处理(NLP)领域迎来了前所未有的“大模型时代”其背后所采用的Transformer架构以“自注意力”机制为核心，摒弃了传统RNN、CNN在序列建模中的局部感受野与递归约束，将计算复杂度从O(㎡)的时序展开转化为O(n?)的并行矩阵乘法在GPU集群上实现了训练效率与模型容量的同步扩展。更为关键的是，当参数规模突破千亿级(≈1x10”)后，大模型在无需任何梯度更新的前提下，仅通过“提示-生成”范式即可在下游任务上呈现出陡峭的性能跃升--业界称之为“涌现能力”(EmergentAbilities)。这一现象在随后的一系列研究中被反复验证:当参数量、训练token数与算力(FLOPS)同时跨越某一临界阈值后,模型在逻辑推理、数学运算、代码生成甚至指令规划等复杂任务上的准确率均出现统计学意义的阶跃，标志着“通用人工智能”(AGI)的雏形首次在工程层面被确立。此前的视觉领域则呈现出截然不同的技术曲线。自2021年ViT-g/14达到90.45%后，ImageNet-1K的Top-1纪录提升幅度显著放缓,公开基准未再见大幅跃升,且伴随参数量的线性扩张，边际收益呈指数衰减;更为严峻的是，CV模型的跨场景泛化始终受限于“语义-几何”耦合瓶颈--在封闭数据集上训练的 SOTA 模型，一旦迁移至光照、视角、遮挡分布不同的开放场景,平均精度(mAP)普遍下降。为了弥补性能缺口，产业侧不得不采用“场景定制”模式:通过重标数据、重训模型、重调参数实现单点优化，导致研发成本随客户数量线性扩张，规模效应为负。资本定价迅速反映技术边际递减，2021-2023年，被冠以“CV四小龙”的商汤、旷视、依图、云从市值均出现大幅回撤，标志着“视觉红利”的终结。

与此形成鲜明对比的是,Transformer在视觉模态的“横向迁移”几乎毫无阻力。Google于2020年推出的 VisionTransformer(ViT)将图像切块(patch)后视为“词向量”，直接套用原始Transformer编码器，在ImageNet-21K上即取得88.5%的Top-1精度，首次证明“注意力机制”在二维信号上的表征能力不逊于卷积;随后出现的SwinTransformer、CvT、CoAtNet 等架构通过引入局部窗口、层次化下采样与卷积增强，进一步将视觉 Transformer 的参数量-精度曲线推向帕累托前沿。更为关键的是，当文本、图像、音频、视频被统一映射为“token”序列后，跨模态融合不再依赖繁琐的多分支网络，而仅需在Transformer输入层拼接embedding，即可实现端到端训练。

从技术-经济视角看，Transformer一统AIGC带来了三大结构性红利:其一，研发侧的规模效应终于成立--统一架构意味着底层CUDAkernel、通信库、编译器优化可在文本、图像、音频任务上复用，单次工程投入被多模态摊薄，平均训练成本大幅下降;其二，部署侧的边际成本递减--同一套推理引擎可承接任意模态请求，GPU利用率得以提升，单位算力产出大幅抬升;其三，数据侧出现“飞轮效应”--多模态模型在真实场景中不断回传高质量图文对齐数据，反哺预训练语料库，使模型精度与场景覆盖形成正循环。可以预见，随着参数规模继续向十万亿级迈进，Transformer 将作为通用引擎持续吞噬剩余“模态孤岛”，视觉、语音、图形、甚至结构化数据都将被纳入同一注意力视角，为即将到来的Agent时代提供“一个模型、任意任务”的底层支撑，为十五五期间Agent要素的“量价齐升”奠定了不可替代的算法基石。1.1 Transformer异军突起，CNN/RNN退居二线

自2017年《AttentionIsAllYouNeed》发布以来，Transformer架构从根本上重塑了人工智能研发。这一创新为大型语言模型(LLM)和视频语言模型(VLM)定了基础，推动了整个行业的产品化浪潮。ChatGPT于2022年11月的公开推出，将Transformer驱动的人工智能带入主流使用。然而，高效运行LLM带来了巨大的挑战，尤其在边缘计算设备和大型语言模型广泛采用之前设计的传统硬件架构上。先前最先进的CNN(卷积神经网络)、RNN(环神经网络)已退居二线、传统CNN进行简单运行时只有两个阶段:数据加载阶段和推理阶段，但如今LLM的多阶段运行时系统需运行五个不同阶段，每个阶段都有不同的计算和内存要求。与传统人工智能网络相比,这种多阶段复杂性显着加剧了LLM的部署难度。同时管理多个阶段、维护KV缓存以及处理阶段之间的动态转换给高效的LLM部署和资源管理带来了巨大的挑战。

当今使用的几乎所有主要LLM都建立在Transformer架构之上。无论是OpenAI的GPT系列、Google的 PaLM和 Gemini、Meta的LLaMA、Anthropic的 Claude,自注意力、位置编码和层归一化的底层机制仍然是核心。虽然参数、训练数据集和优化策略不断发展，但Transformer块结构继续充当支柱。

此外，Transformer引入的自注意力机制仍然是人工智能领域最通用的创新之一，该机制模型动态关注输入的不同部分，从而优化模型的上下文理解能力，目前没有其他架构能与注意力机制的灵活性和可扩展性相媲美，注意力机制成为算法基座。

1.2大模型参数量规模突破临界:质变触发“涌现”能力，奠定通用智能雏形

人工智能的快速发展以参数数量不断增长的大型语言模型(LLM)的兴起为标志。从拥有数百万个参数的早期迭代，到如今拥有数百亿甚至数千亿的模型。神经网络中参数表示模型捕获和修改的权重和偏差，类似于人脑中的突触连接。从计算架构的角度来看，参数充当模型的内存，存储输入数据中的复杂关系和细微差别。语言模型中参数数量的增加意味着理解上下文、生成连贯文本甚至执行未明确训练的任务的能力增强。而如今，模型表现出高级推理、创造力和跨不同领域泛化的能力等，表明扩大规模对于突破人工智能所能实现的界限至关重要。

早期LLM表明，增加模型的大小可以带来可预测性能的改进。然而，此种改进遵循收益递减曲线。随着模型的变大，增量收益变小，需要成倍增长的资源才能实现显著收益。尽管如此，构建更大模型仍在继续，即使回报递减，对于高风险应用来说仍然有价值。例如，在垂类应用中，包括医学诊断、科学研究和自主系统等领域，性能的边际改进将产生显著影响。

大模型参数规模增长具有必然性:1)多模态能力的复杂性雷求:大模型已不仅限于处理文本,许多旨在处理多模态输入，集成文本、图像和其他类型的数据。扩展参数计数使这些模型能够处理和绘制各种数据类型之间的连接从而执行涉及多种输入类型的任务，例如图像字幕、生成音频以及结合调用视觉数据与文本信息。多模态能力需通过增加参数来调优其复杂性，增加的计算存储可以更好地表示不同的数据模态和更深入的跨模态理解，使模型在实际应用中更加通用。2)通用模型的泛化能力:为使模型尽可能通用，提升其泛化水平需要大量参数，以便模型可以将各种语言和事实、知识编码至其架构中。在此类应用中，训练数据可能并非适用于所有任务。扩大参数计数有助于LLM建立必要的知识框架和上下文灵活性，以在最少调优的情况下适应各种任务。

3)强竞争格局下的衡最标准:“参数计数”指标已成为衡量LLM能力的基准。虽然绝对规模并不是模型有效性的唯一决定因素，但已成为人工智能领域竞争定位的重要决定因素。

当前，人工智能大模型参数规模正朝着两极分化方向发展，呈现出“超大参数模型”与“轻量级模型”并行发展的态势。参数量千亿级别以上的超大参数模型，凭借海量参数，能够学习更复杂的特征和模式，为定制化解决方案提供有力支持，有效满足企业和科研机构的高阶需求，在处理复杂任务时具显著优势。而参数量一般在数十亿至百亿级别的轻量级模型，擅长于移动端以及对实时性要求较高的应用场景。通过模型压缩、蒸馏等前沿技术手段，可实现高效部署;具有高性价比优势，可借助端侧计算，降低云端负载的同时优化隐私保护，全方位提升用户体验。

(二)算力质变:国产 AI芯片能效收敛与 AIDC形态演进

“十四五”期间,中国人工智能算力体系完成了从“可用”到“好用”、从“引进”到“自主”的惊险一跃，通过“芯片能效曲线-算力中心形态-举国体制定价权”三条主线同步逼近拐点，最终重塑了产业对“算力成本”与“算力安全”的双重预期。定性来看，这一拐点由三条彼此咬合的链条驱动:国产AI芯片在架构侧完成“从0到1”后进入“能效收敛”阶段;数据中心产业由通用IDC(互联网数据中心)转向专用AIDC(人工智能数据中心);国家层通过“东数西算”与“算力券”把价格形成机制收回公共部门。三股力量同时发生作用，使得“算力”开始具备公共事业属性，也为后续Agent要素化提供了成本可预期、供给可控制、安全可验证的底座。首先，国产AI芯片的能效曲线在十四五阶段走出明显的“追赶-收敛”形态。由于美国2021年以后的实体清单限制，英伟达A100及H100的对华供应被卡死，国内云厂商与服务器厂被迫大规模评估国产方案。经过 2022-2023年稀疏化架构、Chiplet封装和本土制程良率爬坡，壁仞、沐曦、天数等第二代产品在FP16稠密算力/功耗比上开始具备“可替”条件。政策支持下，国产卡进入“政府-市场”双轮轨道，这是边际成本继续下降的关键条件。

其次，数据中心形态出现“AI化”重构。传统IDC围绕“机柜租金+带宽溢价”定价，功率密度4-8kW，PUE1.5左右，面对GPU训练负载30-100kW/柜的爆发式功耗立刻显得捉襟见肘:市电扩容周期长、风冷散热极限低、树形网络延迟高。以甘肃庆阳为例，其在国家数据中心集群(甘肃·庆阳)“东数西算”产业园区数据中心建设指南中明确要求:(1)新建数据中心单项目规模应不低于3000个标准机架，平均单机架功率不低于8kW，等级达到国标A级。(2)PUE要求:新建大型、超大型数据中心 PUE应≤1.20。虽然各地执行进度不同，但方向一致--把放服务器的机房升级为放算力的工厂，让电费而非机柜租金成为成本主体。产业界因此出现“冷板液冷”’“浸没液冷”“预制化变电站”等新供应链，IDC运营商的财务报表也开始把“电力成本”单独列示，并同地方政府谈判“绿电+补贴”包干价，这是传统IDC从未有过的商业模式。

定性来看，AIDC与IDC的最大区别是:前者出售的是“瓦特x时”转化来的“FLOPSX时”后者出售的是“平方米x月”:当电力成本占比超过45%，算力中心就天然具备公共事业属性，必须靠“规模-低价-长周期”回收投资，而非“高租金-短租约”快速周转，这正是政府端能介入定价的前提。

最后，国家通过“东数西算”和“算力券”把价格形成机制收回公共部门，政府不再只是提供“地+电”的招商模式，而是通过补贴系数、能效比、贴现利率调节供需。这一制度变迁的深远影响是:算力价格不再由高端芯片巨头定价，而是由“公共部门-市场”共同决定，意味着AI产业第一次拥有了“财政-货币”双重逆周期工具--当资本开支过热时，可降低补贴系数;当外部供应链受限时，可定向贴息，保证大模型训练成本始终处于企业可承受区间。

综合来看,十四五期间国产AI芯片能效从追赶到收敛、数据中心形态由通用IDC向专用AIDC的强制演进，以及国家通过“电力补贴+算力券”收回定价权，三者共同构成中国AI算力的质变轮廓。我们认为，未来五年，随着工艺-封装-液冷继续迭代，中国智算中心有望率先进入“算力即电费”的平价阶段，从而把AI训练与推理的门槛压到全球最低区间，这是观察Agent要素能否“量价齐升”最核心的底层变量。

2.1算力国产化自给率不断提升

中国半导体自给率仍然处在较低水平,国产替代潜力巨大。根据TechInsights数据显示,2022年中国IC市场规模为1640亿美元，中国2022年IC制造业产值(中资制造业产值与外资制造业产值之和)为300亿美元，整体来看2022年中国芯片自给率约为18.3%，其中中国大陆本土企业制造的芯片产值为152亿美元，外资制造的芯片产值产值为148亿美元，如果只计算中国大陆本土企业制造的芯片，自给率大概只有9.15%。我国半导体自给率相对2010年已经有很大提升，但目前仍处于较低水平，预计2027年中国半导体自给率为26.63%。国产GPU市场规模猛增，产业规模快速扩容，当下产能仍然是制约国产芯片的瓶颈之一。根据艾瑞咨询和中商产业研究院数据，2025年中国人工智能市场规模预计为3762亿元，预计28年市场规模达到8110亿元，预计25年中国GPU市场规模为预计为1200亿元，2021-2025年期间，中国GPU市场规模年复合增长率为超20%，伴随DeepSeek推动推理算力需求强劲增长叠加美国对中国科技封锁，国产GPU需求高速增长，但目前在产能扩张方面仍存在瓶颈。

2.2高端芯片受禁令影响，国产AI芯片奋起直追

虽然目前全球AI芯片市场被英伟达垄断，国内AI芯片投资热度高企，芯片厂商研发投入持续加码。目前国内AI芯片第一梯队有华为、寒武纪、海光信息等，单卡算力正在逐渐缩小与高端芯片差距。国产AI算力芯片中，华为昇腾910b单卡算力达到640TOPS(INT8);寒武纪思元370单卡算力256TOPS(INT8)。

整体来看国产GPU单卡性能与英伟达H100等中高端产品性能接近。寒武纪的思元590和沐曦科技的曦云 MXC500在算力和功耗上领先，发布时间集中在2023-2024年。整体来看，国产芯片的算力水平与英伟达中端产品如H100接近，但由于各家厂商技术路线多样性，TDP热设计功耗方面较为分散，中国AI芯片目前逐渐进入爆发期，但与英伟达仍存在代际差。

国产GPU处在“可用”到“好用”关键转型期。虽然目前国产AI芯片在特定领域实现突破但构建完整技术生态仍需一定周期，AI大模型算力需求缺口以及美国对中国科技限制加剧，正在倒逼产业加速迭代，也推动全产业链生态的协同进化。

(三)数据质变:公共数据“财政化”与资产入表机制落地

“十四五”时期，国内人工智能产业在“数据”这一生产要素上出现的最大跃迁，公共数据由“政务共享”升级为“财政级要素”的制度闭环正式跑通。标志事件有三:一是2022-2023年财政部连续就《企业数据资源相关会计处理暂行规定》公开征求意见，并于2024年1月1日起在全国施行，数据首次在会计意义上被确认为“可辨认无形资产”或“存货”，从而具备入账、摊销、减值、质押的全部条件;二是2023年《中共中央国务院关于构建数据基础制度更好发挥数据作用的意见》(“数据二十条”)提出“公共数据政府指导定价、二级市场协商定价”的两级价格体系。明确把政府掌握的原始数据作为全社会数据定价之“锚”;三是2024年国家发展改革委、国家数据局在多个政策解读中反复强调“公共数据运营收益纳入财政，用于反哺数据治理和公共服务”。三条政策相互咬合，形成了“政府授权-企业开发-市场定价-财政分成”的完整价值链，使公共数据可以借助资产入表机制把未来现金流提前折现为政府和企业资产负债表上的“硬资产”

从财政视角观察，这一制度变迁的直接影响是地方政府获得了一条新的、可持续的非税收入来源。资产入表机制则把数据进一步转化为“资产”，使政府与企业在不增加隐性债务的前提下获得一次性融资空间。

需要强调的是，公共数据“财政化”并不意味着政府可以随意扩大分成比例或无限质押融资。国家发展改革委在2025年相关政策解读中强调建立数据资产收益分配机制，提出“谁投入、谁贡献、谁受益”的原则。此外，国家数据局正在建立公共数据资源登记制度、授权运营规范以及相应的信息披露机制，明确合规政策和管理要求，配合有关部门加强对公共数据产品和服务价格的指导和管理。这些制度安排表明，公共数据“财政化”并非回到“土地财政”的老路，而是通过透明定价、限额分成、强制审计把数据收益锁进“预算笼子”使其成为可审计、可追责、可预期的正规财政渠道。

综合来看，十四五期间公共数据完成了“政务共享→授权运营一资产入表→财政分成”的四级跳，其制度意义远高于短期收入规模，其意义有三个层面:首先使得政府拥有了新的与土地无关、却可自我造血的资产负债表渠道;其次使企业拥有了不依赖抵押土地、却可质押融资的新型无形资产;第三，使AI产业拥有了由政府背书、价格可预期、供给可持续的“财政级”数据原料池。随着数据治理成本持续摊薄、运营场景不断丰富，公共数据分成收入与资产估值仍有提升空间，但制度框架已提前设置天花板和审计阀，避免重蹈“土地财政”式泡沫。

对于人工智能产业而言,这意味着未来五年的大模型训练与Agent场景落地将获得一条“预算内”低成本、高确定性、安全合规的数据供给通道，从而显著降低商业应用中的数据获取与合规风险，为“数据要素XAI”真正进入规模经济提供了制度底座。

3.1数据要素发展中间层暂时面临卡点，待政策出台及地方政策完备

从产业链角度来看，数据要素市场分为底层数据资源化(数据供给)、中间层(数据资产化)、上层数据资本化(数据应用)，以及贯穿全产业链的数据服务，主要包括数据的安全服务、数据的存储与计算等服务。

数据要素基础设施主要涵盖提供计算、存储与网络的物理数据中心，和用于数据采集的物理设备等;数据流通交易主要涵盖数据交易(数据产品的交易、数据中间态交易、原始数据交易、共性服务交易)、数据开放(政府数据开放、公共数据开放、行业开放共享平台)、数据共享(政府间与政府内数据共享、企业内部数据共享);数据要素的应用主要体现在个人、政府与千行百业。

我们认为、当前我国数据要素发展中间层暂时面临卡点，数据确权、数据资产定价和流通交易仍处于起步阶段，制约底层数据供给侧市场空间突破，及上层应用侧推进;伴随中央政策出台及地方政策完备，市场机制有望逐步完善，以及A应用的场景落地，将打开数据要素全市场新的增长空间。

3.2数据流通带来公共数据运营新机遇

数据开放层面主体以公共数据为主，政策促使公共数据价值释放，将为数据安全、数据服务及数据存储与计算等板块带来新机遇。数据开放是指提供方无偿提供数据，需求方免费获取数据，没有货币媒介参与的数据单向流通形式由于缺少直接的经济收益，企业的参与意愿不强烈，因此开放数据主要为公共数据。公共数据是政府部门在履行公共管理职责或提供公共服务过程中收集、产生的各类数据，由政府或其他公共机构代为行使管理、开放等职责，受政策推动明显。

2024年10月9日，中共中央办公厅、国务院办公厅授权公开发布《关于加快公共数据资源开发利用的意见》。2024年10月12日，国家数据局关于向社会公开征求《公共数据资源授权运营实施规范(试行)》(公开征求意见稿)意见，明确公共数据可以授权经营，建立健全价格形成机制不得垄断行为，引导社会资本有序参与公共数据资源开发利用活动等核心要点。我们认为，《关于加快公共数据资源开发利用的意见》作为国家数据局成立以来的首份中央层面发布的顶层设计文件首次明确公共数据可以授权经营，加快推进公共数据资源开发利用，有望最大程度释放公共数据价值潜能，更好发挥公共数据价值作用，加速数据要素市场化进程，繁荣数据产业发展生态并促进其高质量发展。此外，公共数据的开放共享是数字政府建设的重要组成部分。通过开放共享公共数据可以推动公共服务透明公开，增强数字政府效能，提升公共服务的精准性和有效性。根据麦肯锡测算，我国公共慙俩数豎≧趱慰据开放的潜在价值高达10万亿至15万亿元，在公共数据全生命周期安全管理机制建立、分类分级管理等数据安全机制完善的过程中，数据要素价值有望逐步释放。

3.3数据资产化入表进程中，2025年中报披露数据资产入表总金额已至26.52亿元

数据交易层面，于企业而言，资产化是数据交易的前提，而数据资产化入表是数据资产化的主要落地形式。企业对数据进行收集、整理、分析和挖掘以形成有价值的数据资源，经评估和确认后作为数据资产纳入财务报表。财政部于2023年8月正式发布《企业数据资源相关会计处理暂行规定》(以下简称《暂行规定》)，并规定自2024年1月1日起施行，数据资产化时代正式开启。主要入表项目为无形资产、存货与开发支出，无形资产适用于绝大部分情况。主要变化体现在由原来的损益类可转换为资产类。在具体操作层面，根据《暂行规定》，企业在编制资产负债表时，应当根据重要性原则并结合本企业的实际情况，在“无形资产”、“存货”与“开发支出”项目下增设“数据资源”项目。其中，无形资产反映资产负债表日确认为无形资产的数据资源的期末账面价值;存货反映资产负债表日确认为存货的数据资源的期末账面价值;开发支出反映资产负债表日正在进行数据资源研究开发项目满足资本化条件的支出金额。

数据资产化入表的具体影响包括财务报表改善，利润释放，降低资产负债率，提升企业价值过去，一些数据相关支出往往被确认为期间费用项目，对企业当期业绩造成影响。现在，无论是将数据确认为无形资产还是确认为存货，均属资产项，有助于企业改善利润率与资产负债率。在企业的经营层面，数据入表后，企业投入压力减小，有助于增长企业的经营与研发的动力，深入挖掘数据多重价值。暂行规定并未改变资产确认条件和计量基础，且数据的估值与确权存在具体执行层面的难度，数据入表的相关探索与执行是一个循序渐进的过程。

据同花顺统计2025年半年报结果显示，截至2025年9月1日，2025年中报共有110家A股上市公司披露数据资源入表情况，涉及总金额26.52亿元。计算机行业入表数量最多共22家，通信行业入表金额最大共16.05亿元。资产规模方面，计入无形资产的高达17.18亿元，其次是开发支出9.12亿元、存货2,151.19万元，分别占比为64.78%、34.41%、0.81%。变动趋势方面，2025年中报首次披露入表的共12家，入表公司数量持续增加，范围不断扩大至传统制造业，其中建筑材料、煤炭等传统行业首次尝试数据资产入表。

(四)市场质变:视觉红利终结，供给曲线与支付曲线同步下移

回顾十四五阶段，2020-2025年被普遍视为中国计算机视觉智能产业的“转折五年”技术端:ImageNet-lk单标签分类精度逼近90%理论天花板,模型参数与算力再扩大两个数量级仅带来0.2-0.3%的纳米级增益，研发弹性跌破1，标志着以“结构创新+监督微调”为核心的传统技术栈进入边际收益递减区间;需求端，地方政府土地出让收入持续下滑，安防类专项债发行规模萎缩，导致智慧交通、城市大脑等视觉项目预算出现负增长，算法溢价被迅速摊平。“十四五”期间，供给曲线与支付曲线同步下移，形成“双杀”格局，视觉人工智能由高速渗透期转入公用事业化阶段。

需求层面:土地财政退坡与政府采购曲线左移。首先，财政乘数收缩，以往，视觉AI的2G订单占国内市场大部分份额,资金来源高度依赖地方政府土地出让金与专项债。财政部数据显示,2024年国有土地使用权出让收入4.87万亿元，同比下降16%,自2021年全国土地出让收入创历史新高达到8.7万亿元以来，2022年、2023年、2024年较上年的增速分别为-23.3%、-13.2%、-16%对应“雪亮工程”“智慧交通”类招标项目数量减少，需求曲线快速左移。其次，回款周期拉长,城投平台资金紧张直接拉长AI系统付款周期，A股代表性四家视觉智能安防企业(海康威视、大华股份、千方科技、苏州科达)2021年平均应收账款周转天数138天，到2024年升为174天，又进一步导致视觉厂商营运资金占用率上升，从而形成负反馈。

技术侧:“精度一算力”弹性<1与需求侧“土地财政乘数”<1同时出现，使视觉 AI行业在十四五期间面对“双杀”局面:继续投入难以获得差异化，不投入则立刻丧失项目投标资格，行业经历一次产能出清、价格寻底、毛利率磨底的公用事业化过程。

(五)政策质变:AI由“产业工具”向“社会治理基础设施”的跃迁

从十四五之前,我国人工智能政策就规划并引领完成了由产业工具向社会治理基础设施的跃迁整体沿着“攻关一筑基一应用一变革”四个阶段循序推进，为“十五五”期间人工智能成为公共治理的通用底座奠定了合法性、制度性与财政性框架。

阶段一:攻关(2017-2019)

2017年国务院发布的《新一代人工智能发展规划》首次将人工智能上升为国家战略，提出“三步走”目标:2020年与世界同步，2025年部分领域领先，2030年总体领先。文件把“突破基础理论与核心算法”列为首要任务，启动首批国家重大科技专项，并在北京、上海、合肥等地批复国家新一代人工智能创新发展试验区，形成“揭榜挂帅”机制，集中攻克GPU、深度学习框架、开源平台等“卡脖子”环节。这一阶段的政策关键词是“技术攻关”,，治理目标聚焦于“不被断供”，尚未触及社会应用层面的制度安排。

阶段二:垝入筑基(2020-2021)

2021础共性、安全伦理”纳入国家标准清单，标志着政策重心从“单点技术”转向“制度底座”年《数据安全法》《个人信息保护法》相继生效，为后续AI大规模应用划出“数据红线”;2023年底，工信部等六部门发布《算力基础设施高质量发展行动计划》，提出到2025年，计算力方面，算力规鐜赘超过 300EFLOPS，智能算力占比达到35%，东西部算力平衡协调发展，并计算力、运载力逕脑、存储力以及应用赋能四个方面提出了到2025年发展量化指标，引导算力基础设施高质量发展。制度层面，2020年3月18日，批准成立全国信息技术标准化技术委员会人工智能分技术委员会(SAC/TC28/SC42)，秘书处设在中国电子技术标准化研究院(以下简称“电子标准院”)。

阶段三:应用(2022-2023)

2022年科技部等六部门印发《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》，首次以国务院部门文件形式提出“场景创新”概念，提出制造、农业、物流、金融、商务、家居等重点行业深入挖掘人工智能技术应用场景，促进智能经济高端高效发展。2023年7月由国家网信办联合国家发展改革委、教育部、科技部、工业和信息化部、公安部、广电总局等七部门于联合发布《生成式人工智能服务管理暂行办法》，在全球率先对AIGC实施“备案+安全评估双轨管理，要求服务提供者在上线前完成算法备案、训练数据来源说明、有害信息过滤机制测试,并建立用户投诉举报通道。该文件被视为“AI应用法”，标志着政策关注点从“技术可用”转向“内容可信”，为社会佺治理层面的规模化部署提供了合规模板。

阶段四:跃迁(2024-2025)

2024年《政府工作报告》首次在“社会治理”段落而非“产业升级”段落提及人工智能，要求“深化人工智能研发应用，开展'人工智能+’行动”;2024年6月，工信部等四部门联合印发《国家人工智能产业综合标准化体系建设指南(2024版)》;2025年8月国务院印发《关于深入实施“人工智能+”行动的意见》，给出2027/2030/2035三阶段量化目标:2027年形成3-5个全球领先的通用大模型、100个以上高质量行业大模型、1000个规模化落地场景;2030年:人工智能核心产业规模超1万亿元，带动相关产业突破10万亿元;2035年成为全球AI创新高地，全面支撑新型工业化与数字经济。

纵观十四五期间发布的政策来看，一是推动技术创新，强调数字技术与各领域的深度融合，促进技术迭代升级;二是强调规范性，明确技术应用的规则和边界，确保技术应用的安全、可靠;三是关注技术在推动经济和社会发展方面的作用,旨在通过技术赋能实现经济高质量发展和社会变革;

四是重视技术应用的安全性和伦理问题，保障技术发展与人类价值观相协调。政策旨在一方面，推动技术更好地服务社会，提升经济和社会发展的质量和效益;另一方面，确保技术应用的安全、可靠和可持续，防范技术风险，保障社会公共利益和公众合法权益，促进技术与社会的和谐共生，通过强调场景落地、产业规模、安全治理三位一体，以及专项基金、税收优惠、政府采购、标准认证多管齐下，对A产业的支持力度不断加强，奠定了未来五年中国人工智能产业成为经济转型引擎的坚实政策底座和保障。

十五五展望:AIAgent 主导未来五年 AI 叙事

经历了2025年至今的技术演进，AIAgent已经从“被动执行”跨越到“自主协作”。AIAgent的商业模式也将发生变革，AlAgent应用的竞争点正从“提供工具”向“交付价值”转变。能真正提升下游企业利润的AIAgent应用将会胜出。Agent有望实现直接按“节省的人力成本”或“创造的增量收益”抽成，把AI收入曲线从线性推向指数，从而由“成本中心”转到“利润中心”。8月26日，国务院正式印发《关于深入实施“人工智能+”行动的意见》，其意义超出了一般的政策指导，标志着“人工智能+”概念正式升级为国家战略行动，我国人工智能发展实现从技术突破向全要素赋能的关键跃升。AIAgent将主导未来五年AI叙事主线。

(一)顶层设计升维:AI将重构大国经济新范式

2025年8月26日，国务院印发《关于深入实施“人工智能+”行动的意见》(以下简称《意见》)，首次以国家级文件明确AI与六大领域(科技、产业、消费、民生、治理、全球合作)的融合时间表，提出“实现人工智能与6大重点领域广泛深度融合”“到2027年新一代智能终端智能体等应用普及率超70%，2030年超90%、2035年全面步入智能社会”的三阶段目标，并配套八大基础支撑能力(算力、数据、模型、开源、人才、法规、安全、国际合作)，为中国发展AI产业提供了清晰的路线图。

顶层设计升维，AI将重构大国经济新范式:我们认为，《意见》标志着AI在中国正式完成由“单纯技术革命”向“国家经济范式重构”的跃迁，文件以普及率、规模、治理能力三大硬性指标替代过去模糊的“鼓励发展”表述，实质是把AI竞争定义为国家“底层操作系统”级别的战略定位，未来，我们认为AI将通过“消费创造-投资提质-出口升级”三维重构，形成全新范式跃迁。我们在柯布道格拉斯生产函数框架下,分别在有AI影响和无AI影响条件下对全要素生产率进行测算2025-2035年人工智能对我国TFP平均增速拉动1.3%左右。进一步外推出AI对GDP的拉动效应测算得到到2035年，人工智能将对GDP额外拉动14.8%左右，真正成为中国发展新质生产力的核心动力引擎。

六大场景重点行动，将扎实有效推动形成技术-商业闭环。1、科技场景:科学大模型与6G、量子科技捆绑，意在抢占“后摩尔时代”产业链制高点;2、产业场景:AI全面赋能改造第一、第二、第三产业，实现工业全要素智能化(AI+工业互联网)、农业数智化(精准种植/智能农机)、服务业无人化(服务智能终端/智能体)，我们预计，到2035年AI赋能传统产业增量有望达7.3万亿元(中性情景);3、消费场景:智能终端“万物智联”(AR眼镜/智能网联汽车)、AI+元宇宙沉浸式消费，根据我们此前测算，2035年AI0T终端市场规模预计5.37万亿元;4、民生场景:教育、医疗、养老三大领域，直接对应2G市场，对应领域财政支出有望向AI支出倾斜:5、治理场景:按照《意见》社会治理人机共生新图景下，预计数字孪生、车路云、低空经济、管理等有望纳入同一数据底座，为地方政府基建投资提供新抓手同时，也为数据要素市场打开新空间:6、全球合作场景:提出“帮助全球南方国家加强人工智能能力建设”，我们认为，这实际上是以开源模型+算力云服务+人才培训为组合，推动“数字丝绸之路2.0”拓展，打造AI能力出海标准并开拓增量市场。

八大支撑体系的深层逻辑:三要素共振+生态级护城河。1、算力侧:文件要求“超大规模智算集群+全国一体化算力网”，加大数、算、电、网等资源协同，我们预计 2025-2030年国产AI芯片出货量将高速增长，液冷、绿电直供、储能配套将同步放量;2、数据侧:公共数据开放+数据产权分置，将有力催生数据标注、合成、交易全产业链市场扩容;3、模型侧:鼓励“多路径技术探索+开源生态”，意味着高校、央企、民企可共用一套开源底座，降低重复投入，提升迭代速度，发挥举国体制保障模型保持国际领先;4、生态侧:以顶尖人才梯队、精准政策法规、体系化安全能力、深度国际合作为四大支柱，构建可持续的“护城河”。依托中试基地和共性平台加速应用落地，通过开源社区汇聚全球模型、工具与数据，形成开放共赢的繁荣生态。

(二)技术跃迁:从大模型时代到 AIAgent 时代

2.1人机交互范式演进到CUI是重大突破，智能体从“被动执行”到“自主协作”

人机交互范式的演进不断深化，从最初的GUI(图形界面)，到LUI(自然语言界面)，再到如今的CUI(对话式界面)，反映了AI从“能用”到“好用”，再到“智能协作”的转变。互联网时代以GUI(图形用户界面)作为人机交互的核心范式，通过视觉隐喻和WIMP(窗口、图标、菜单、指针)架构将计算机操作转化为直观的可视化交互，显著降低了用户使用门槛，推动了信息技术的普及化进程。AI发展初期，LUI以自然语言(文本/语音)作为主要输入，典型形态是“查询式搜索+语音助手执行”，代表性应用包括Google搜索与 Siri。LUI在“降门槛、提效率”的单步交互上边际收益显著，而在复杂业务流程与自主协作方面则需要借助对话式与多模态能力完成范式升级。

CUI(ConversationalUserInterface,对话式界面)是交互范式的第三次飞跃,它帮助 Agent从“被动工具”迈向“自主决策体”,从个体走向协作。2025年,OpenAI的Operator与Anthropic的CaudeOpus4成为代表性模型，它们具备长期任务规划、复杂推理与跨模态处理能力，被视为Agent进入“自主协作体”阶段的标志。

CUI的落地遵循“感知-规划-执行-记忆”的完整闭环:一、输入层通过ASR或文本解析将语音、自然语言转化为tokens，构建人机交互入口;二、理解层借助大模型生成对话状态，并结合历史上下文实现语义追踪;三、规划层依托自主任务拆解与路径搜索，判断是否需要调用外部工具或进行本地生成;四、执行层通过FunctionCalling或MCP标准接口对接ERP、CRM等业务系统完成真实业务操作;五、记忆层将交互信息进行摘要与向量化存储，实现跨任务的持续记忆与个性化推荐;六、安全层则在全链路引入合规审查、输出约束与人工兜底机制，确保系统在企业级应用中具备稳定性与可控性。

CUI的发展促使Agent应用从功能导向转向任务导向，未来五年gent有望从“成本中心转成“利润中心”。伴随着AlAgent从“被动工具”迈向“自主决策体”，并且从个体走向协作AI Agent的商业模式也将发生变革，AIAgent应用的竞争点正从“提供工具”向“交付价值”转变。能真正提升下游企业利润的AlAgent应用将会胜出，从“成本中心”转成“利润中心”。从这个角度来说,对应垂直行业knowhow型卡位公司的投资机会相对提升,能融入智能体能力的SaaS企业有望迎来价值重估的机会。

2.2AI商业模式变迁:订阅制→调用制→结果分成制

AI商业模式的发展轨迹大致经历了三个阶段:1、订阅制:在传统SaaS模式下，用户按月/年付费获取产品使用权，与实际使用次数和效果无强相关。该模式下，收入来源清晰，但增长主要依靠用户规模扩张。对服务商而言，收入和算力成本之间存在明显的线性关系，每多一个客户，就需要多一份算力和运维支持。2、调用制:随着大模型API开放，收入逐渐演进为“按调用计费”用户每次调用接口按token或次数收费。调用制的优势是更灵活、与实际使用挂钩，也降低了用户初期的进入门槛。但其收入逻辑仍然是“调用量x单价”，呈现近似线性的增长。边际算力成本几乎恒定，规模化后利润逐渐放大，但仍属“加法效应”’。3、结果分成制:进入Agent阶段，AI不再仅仅是被动调用工具，而是能自主规划、执行复杂任务，甚至直接产生业务成果。因此其计费模式也向“按结果付费”转变。具体而言，Agent可根据为客户节省的人力成本或创造的新增收益抽成，形成效果驱动的分成机制。这一模式下，客户的付费意愿更强，单客收入显著提升，并且具备指数放大的特征。

Agent结果分成制把AI收入曲线从线性推向指数。收入公式演变为:

Agent收入=基础调用费+(结果分成x任务价值x网络节点)

其中，基础调用费依然延续线性逻辑，而后半部分“结果分成X任务价值x网络节点”三项的乘积则成为推动曲线由线性跃迁至指数的关键动力。这一机制的背后逻辑在于:

首先，任务价值的提升让单个任务的经济回报被大幅放大。在传统模式下，一次API调用的价值可能只体现在生成一段文本、翻译一段语言，价值相对有限。但在Agent阶段，单个任务往往嵌入在更复杂的业务流程中，例如财务审计、智能化营销、供应链优化等，这些场景单次执行的价值可能达到数十万甚至上百万元级别。任务复杂度的提升，使得单任务的变现能力远超API层面，显著抬高了收入的价值基数。其次，结果分成机制突破了线性叠加的天花板，使得收入与客户价值深度绑定。传统模式中，服务商卖的是调用次数，用户体验的好坏与收入并无直接挂钩。但在结果分成模式下，Agent的收入与客户的成本节省或收益提升直接挂钩。例如财务Agent可以按照客户节省的人力成本抽取5%，营销Agent可以按照新增GMV抽取10%。这种“效果付费”模式不仅让服务商与客户的利益高度一致，还显著提升了客单价的天花板，使得收入不再受调用次数的束缚,而是随效果呈几何级跳升。最后，网络节点效应带来规模外溢,使收入具备自增强循环。一个Agent被使用得越多，沉淀的场景经验、插件生态和知识记忆就越丰富，新用户无需重新训练即可直接复用这些成果，从而体验到更高的效率与准确率。这种“用的人越多→Agent越聪明→吸引更多人使用”的飞轮循环，使得每一个新增用户带来的边际价值并非线性叠加，而是推动整个生态呈现指数放大。随着网络规模扩大，Agent的应用边界和商业潜能被进一步释放。

综合来看，任务价值、结果分成和网络节点三者相互叠加，构成了AAgent商业模式的“乘法效应”:单点价值提升、收益模式创新与规模外溢循环共同作用，使得收入逻辑从“加法”演进为“乘法”，从而实现了真正意义上的由线性增长向指数增长的跃迁。这不仅意味着单个企业的商业模式效率显著提高，更意味着整个产业链可能在短期内迎来爆发式增长。

2.3Agent产业分工裂变，从卖算力到卖服务

Agent平台层主要由大模型厂主导。大模型厂积极推进AI智能体开发平台，逐步构建各自的A1Agent生态，提供MaaS服务。AI智能体开发平台具有汇聚流量的优势，如果在上面的Agent应用丰富起来，构建起AIAgent生态，则有望成为AI时代的“安卓”圈，因此平台的开放性和模型技术优势也是关键驱动力。字节跳动发布“Coze”，以零代码方式构建多模态、可记忆的智能体，应用于内容创作、教育辅导等场景，提升营销效率，也可辅助教学;阿里推出“百炼平台支持从模型调用到插件集成的全流程智能体开发，应用于电商服务助手、日程管理助手等场景;腾讯的“元器”，结合混元大模型与微信生态，实现一站式创建和分发，应用于客服助手、内容创作等场景，可以提升服务效率，辅助创作。

根据IDC报告显示，2024年中国公有云上大模型调用量达114.2万亿tokens(不包含出海群体使用的海外MaaS平台的调用量)，按照大模型调用量的市场份额来看，字节火山引警占据了46.4%的市场份额，位列第一，其次为百度智能云(19.3%)和阿里云(19.3%)。此外，腾讯云中国移动、天翼云等其他厂商整体占据15%的市场份额。2024年模型调用量仍然以文本类的能力为主，2024Q4语音类模型调用量也开始增长。预计2025年图像、视频类大模型的调用量也将开始起量，成为驱动未来2年大模型tokens增长的重要力量。

Agent应用层由生产力智能体和企业级智能体组成。生产力智能体目标以提升效率为核心，大模型厂的通用型智能体占据重要比例，提供“智能体即服务”(AaaS)，此外编程、教育、创作等领域的应用增长最快，呈现百花齐放的格局。根据火山引警数据，其AI工具类场景tokens消耗5个月增长4.4倍，其中AI搜索增长10倍，AI编程增长8.4倍，K12在线教育增长12倍。智能巡检、视频检索等新场景突破日均百亿tokens。同时，根据Anthropic发布的《AI经济指数》报告Claude模型的使用量里计算机和数学占比37.2%(编程、开发)、艺术和创作10.3%、教育/档案

9.3%.不同于生产力智能体，企业级智能体的参与者更大比例是原有深耕重直领域的SaaS服务商SaaS服务商迎来弯道超车的机遇。由于MCP、A2A协议出现以及Agent生态的日渐丰宫，当企业级智能体共享数据并协作时，故障模式会呈指数级增长,而这些故障对基础设施的影响是巨大的对于企业来说，无论是为智能体重新构建架构还是事后补救基础设施，成本都很高，与企业降本增效的初衷背道而驰。而SAAS服务商能很好地帮企业解决这种复杂性部署，因此在Agent技术布局具有先发优势的SAAS企业有望迎来弯道超车的机遇。

我们认为，当前企业在应用AIAgent时会重点考虑投资回报率(RO)，结合各行业的场标准化程度、数据基础与商业价值，综合来看企业级智能体有望最快落地的领域按优先级排序为:企业服务(OA/ERP/CRM等)、金融/财务/风控、营销/电商、制造/供应链、法律/政务、医疗教育。

政策为Agent应用发展提供优质环境。《关于深入实施“人工智能+”行动的意见》以硬基础和软建设为保障，统筹发展和安全，围绕模型、数据、算力、应用、开源、人才、政策法规、安全8个方面，系统构建人工智能基础支撑体系，为Agent应用发展构建一个全链条、全要素、全周期的优质发展环境。在制造、医疗、交通、金融、能源等关键领域，布局建设一批人工智能应用中试基地。这些基地作为集共性技术研发、标准验证、人才实训、生态孵化于一体的战略性平台，能将通用大模型转化为解决行业痛点的专用方案，大幅降低A技术的产业化门槛。其次，通过培育一批专业的人工智能应用服务商，发展“模型即服务”(MaaS)“智能体即服务”(Aaas)等新模式闶中书业杺黝纔婥嗑淘，袼命步己构騶囲鉈鐳謁龃耋得豁穴个专业化、精细化、平台化的人工智能应用服务链。这将使AI能力像积木一样可被灵活调用，加速其在千行百业的渗透。最后，建立容错试错与激励机制，破解AI创新面临的“高风险、长周期”的难题。

对于大模型厂来说，通过构建Agent生态平台以及提供通用型智能体，未来有望从“卖算力”转变为“卖MaaS及AaaS服务”，价值量得到提升;对于SaaS服务商来说，通过提供企业级智能体，彖读瑛未来有名望伕戢从“卖license”转变为“卖劳动力”，基于利润分成的商业模式一旦形成，市场空间巨大。

(三)算力跃迁:将实现国产全栈闭环

3.1芯片层正从GPU到ASIC演绎，国产算力芯片迎来新格局

算力芯片主流架构当前以GPU和ASIC为主。芯片架构有CPU、GPU、ASIC、FPGA等，其中绋燍濆病塀竖瑉扃哫畦驫心(DataProcessingUnit,数据处理单元)、NPU(NeuralProcessingUnit，神经网络处理单元)以及TPU(TensorProcessingUnit，张量处理单元)也属于ASIC芯片。

GPU(GraphicsProcessingUnit,图形处理器)是专为高速处理图形和图像数据而设计的专用计算芯片，核心优势在于处理大规模并行计算能力。最初设计是为了进行图像渲染加速，用于渲染计算机游戏、影视动画等内容，由于其高并行处理架构，数千个计算核心可以同时执行多线程任务，加速矩阵运算和向量处理，通过CUDA、OpenCL等并行计算框架，当前已发展成为通用计算的核心硬件与平台。

GPU目前广泛被应用于AI模型训练与推理、HPC(高性能计算)、区块链与加密计算等领域GPU为TsensorFlow、PyTorch等框架提供基础计算能力，支持大规模神经网络的训练与部署,凭借强大的浮点运算能力，大量应用于物理、化学、气候模拟等精密计算与科学研究方向，同时也适合处理加密计算的重复性哈希运算。

2024年中国加速卡出货量英伟达占据70%市场份额，以华为为代表的ASIC芯片加速渗透。根据IDC数据，2024年中国本土加速卡出货量仍然以英伟达占据70%市场份额，出货量达到1904742张，其在性能上做了大幅削减。华为昇腾ASIC系列芯片以644102张占据23%的市场份额，此外在第三梯队中，百度以69279张出货量占据大部分市场份额，国产算力芯片当前正加速渗透，ASIC芯片异军突起。

目前英伟达系列芯片性能仍然处于领先地位。英伟达作为GPU市场领导者，提供从数据中心级A100、H100、H200、GB2000到消费级GeForceRTX系列产品。其更是凭借主流CUDA生态系统增强了GPU的可编程性和应用扩展性，占据全球领先地位;其最新架构BlackWell芯片B300预计今年9月开始出货，其次AMD的InstinctMI350于2025年6月13日在AdvancingAI2025活动中发布InstinctMI350X和MI355X两种芯片,基于CDNA4架构,采用台积电 3nm 工艺制造,集成 1850亿晶体管，支持FP8、FP6、FP4等多种浮点精度格式;Intel近几年通过 Gaudi、Arc和 DataCenterGPUMax拓展GPU市场，专注AI加速计算和高性能计算领域。

GPU在处理并行计算能力优与CPU，国产GPU芯片以仞科技BR100为代表。中国最早的GPU芯片是景嘉微的JM5400于2015年研制成功,2022年8月壁仞科技发布首款通用GPUBR100系列，采用7nm工艺，集成770亿晶体管并应用Chiplet与2.5DCoWoS先进封装技术，其峰值算力达每年千万亿次，16位浮点算力超1000T,8位定点算力超2000T，搭载原创“壁立仞”架构兼容主流深度学习框架，配套推出OAM服务器、PCIe板卡及BIRENSUPA软件平台。

国产ASIC芯片以华为昇腾系列DPU及寒武纪思元系列为代表。国产ASIC芯片主要为华为与寒武纪为代表,华为昇腾系列芯片采用7nm工艺制造,单卡算力达到640TOPS(INT8)/256TFLOPS(FP16)，采用华为全栈生态CANN6.0+MindSpore，可以支持动态任务调度及Agent任务分解等，目前应用于运营商智算中心、政府云以及一部分互联网企业等;寒武纪亿思元 370/590为代表,采用 7nm 工艺制造，思元370单卡算力可以达到256TOPS(INT8)/96TFLOPS(FP16)，集成MLU-Link多芯互联替代NVLink，兼容PyTorch/TensorFlow降低迁移成本。

华为和寒武纪是以ASIC芯片为代表的国产算力领军企业，华为在政务、金融、云计算等领域发挥重要作用，占据一定市场份额，寒武纪凭借技术实力和生态布局在市场中快速崛起，逐渐在互联网企业中加速渗透，二者共同促进国产AI算力及生态发展，推动国产算力自主可控进程。

GPU具备极强处理并行能力，但仍有一定局限性。GPU可以通过强大的并行计算处理庞大的计算量，但仍然存在一定局限性如，1)算力浪费:英伟达为代表的传统GPU通用计算架构冗余度较高，通常在Agent或者推理任务中仅有20-30%的CUDA核心被有效利用;2)能效比较低:在大模型推理场景下，GPU的算力/TDP仅为专用芯片的1/5-1/3;3)成本过高并依赖高端制程:英伟达H100为例，依赖高端制程，以英伟达H100芯片为例，价格为2-3.5万美元，谷歌TPU成本仅为其五分之一。

AI训练开始采用FP8兼顾效率与性能，首次由国产大模型DeepSeek-V3验证有效性。通常AI训练与推理中采用二进制数据进行存储和运算，即对于有小数点和小数位的小数采用符号位+指数位+尾数位组成的二进制序列来表示，通常的浮点类型有FP32(32位单精度浮点数)、FP16(16位半精度浮点数)、BF16(GoogleBrain设计的另一种半精度浮点数)等。随着大模型参数快速提升，显存、带宽以及算力瓶颈开始加剧，为了进一步减少训练开销并提升训练效率，FP8(8位浮点数)这种精度更低、存储更少的数据类型逐渐被广泛采纳与应用，英伟达Hopper架构GPU原生支持FP8，将BF16进一步压缩到FP8进行训练成为可能，并第一次由DeepSeek-V3验证其训练的有效性。

DeepSeek-V3采用FP8通过降低算力精确度，使国产ASIC芯片能在成熟制程(12-28nm)上接近高端制程英伟达GPU的算力精度。国产ASIC芯片主要受制于7nm先进制程工艺产能及良率因素，难以实现高算力密度，国产大模型以DeepSeek-V3为代表开始主动拥抱FP8，从某种程度降低对先进制程(7nm以下)和HBM内存的依赖，大幅提供国产算力芯片的性价比和可用性。

国产算力芯片迎来新机遇，DeepSeek-V3.1使用UE8MOFP8Scale参数精度，“软硬协同!的生态技术壁垒逐渐成为AI浪潮下新范式。DeepSeek-V3.1新增了量化缩放因子格式UE8MO,可以在部署阶段更好地兼容不同硬件(包括国产芯片)，意味着未来向低精度将是发展趋势，未来不在是让硬件去适应算法，而是让算法主动拥抱硬件“喜欢”的数据格式，通过软硬件的深度协同换取数量级性能的提升，国产算力芯片将迎来新机遇。

技术演进:从GPU到Agent专用芯片(ASIC)的必然性。Agent芯片将是为处理AIAgent任务色剂的专用集成电路，某种程度上来说也是ASIC的一种，通过硬件端优化来实现Agent的工具调用、自主决策、多任务协同与处理能力，提升处理多复杂任务的执行效率和能效比。

传统AI芯片以算力密度为核心，Agent专用芯片以“任务流优化”为核心，支持动态决策与环境实时交互。Agent专用芯片总结应该具备以下四大核心能力:1)任务动态调度引警:可以讲任务拆解成子任务相应的芯片端根据任务类型实时切换计算模式(INT8、FP16、FP8等);2)工具调度加速:通过MCP快速连接外部API，与内存共享数据;3)记忆与上下文管理:可以实现长期用户偏好记忆与短期用户输入记忆;4)多模态交互接口:可融合视觉、语音、传感器输入等，比如传感器融合引擎。

我们认为，国产算力芯片正经历从通用GPU到专用ASIC，再到面向AIAgent定制化芯片的技术跃迁，体现了从“替代”到“定义”的转变。1)短期来看:GPU仍然在信创、AI训练领域占据主要市场份额，国产ASIC将逐渐主导AI训练与边缘计算，并逐渐脱颖而出，标志着中国半导体产业从“替代跟随”到“定义创新”的战略转型。2)长期来看:国产算力有望定义自主Agent专用芯片，并构建完整的Agent芯片生态系统，国产Agent芯片生态构建需要全协同，从底层硬件到上层应用形成正向循环。其中DeepSeek-V3以及V3.1已经迈出重要一步，深度绑定国产芯片生态，打造“模型一芯片一系统”的自主闭环，深度协同芯片指令集针对模型特性优化，国产算力迈入“软硬协同”新纪元。

3.2框架层:PyTorch/TF→国产AgentOS

深度学习框架(DeepLearningFramework)用于简化神经网络部署、训练，是一整套工具和库的合集。提供预构建的算法模块、自动微分、硬件加速支持，可以让开发者无需从零实现数学运算，能高效构建AI模型，其中目前主流的深度学习框架有TensorFlow与PyTorch。

TensorFlow是GoogleBrain团队在2015年开发的开源深度学习框架，为了让深度学习模型构建、训练以及部署更加高效，并且可以支持跨平台部署。PvTorch是Facebook团队人工智能研究实验室在2016年发布的深度学习框架，在动态计算图方面优势明显，具有更好的灵活性。这两种主流框架在各自有不同特点，TensorFlow更加适合在生产环境中部署，支持大规模分布式训练和跨平台部署;PyTorch更加适合在科研中用于研究原型开发，动态调试效率和大模型训练优化显著提升研究效率，此外区eras是一个高级API，结合TensorFlow使用可以降低开发门。

(四)数据跃迁:从“资产入表”到“可信数据飞轮

十五五期间，数据要素不再只是“入表”停格，而是被重新编码为可流通、可定价、可自动触发商业动作的“行动单元”。这一跃迁的核心在于把原先沉睡在政企数据湖中的原始记录，经由联邦训练、可信执行环境(TEE)、链上确权与Agent封装四步闭环，转化为供智能体实时调用、即时结算的数据商品。

(五)市场跃迁:需求端外溢到全球南方市场，场景大幅扩容迭代

中国人工智能产业面向全球南方市场的拓展，正逐步从“产品出海”迈向“能力共建”的新阶段。这一进程不仅是中国AI技术成熟与成本优势的自然外溢，更是全球南方国家数字化需求爆发、治理结构转型与产业基础设施升级共同作用下的历史性契机。基于最新产业数据与区域发展指标，中国AI产业在全球南方市场的拓展呈现出明显的“区域梯度”与“场景梯度”双轮驱动特征,其路径选择与战略节奏将对全球AI产业格局产生深远影响。

5.1区域梯度:从中国到全球南方，Agent出口复制“数字丝绸之路2.0”

中国的数字丝绸之路(DSR)倡议旨在发展以中国为中心的全球数字生态系统，重点关注电子商务、金融、工业数字化、量子计算和人工智能。DeepSeek 开源模型有望成为全球标准制定者,向中国数字网络的转变可能会重塑发展中经济体的数字框架，并影响全球的技术政策。Agent出口复制中国移动互联网出海路径“数字丝绸之路2.0”。据CIA2024年统计，全球南方包括东南亚、中东、非洲、拉美在内的国家总人口达47.44亿，占世界总人口近60%。

第一梯度以东南亚和中东为代表，这些地区具备相对成熟的数字基础设施、较高的政府数字化意愿以及与中国良好的双边合作关系。根据国际电信联盟(IDI)2023年数据，马来西亚、泰国、阿联酋等国在“普遍连接”指标上得分均超过80分，显著高于全球南方平均水平(67.7分)，为AI技术的快速蒂地提供了基础条件。中国AI企业已在这些区域实现深度嵌入，例如2025年7月2日，阿里云在新加坡召开全球峰会，宣布正式启动其首个全球人工智能能力中心(AIGlobalCompetencyCentre，简称AIGCC)，并同步公布在马来西亚和菲律宾新建数据中心的计划。

第二梯度涵盖南亚与非洲大部分地区，这些区域虽然在基础设施与制度环境上相对薄弱，但人口红利巨大、AI应用场景刚需强烈，成为中国AI技术“低成本适配”与“高社会影响”试验的理想场所。

第三梯度则包括拉美与中亚等政治环境复杂、监管制度尚不稳定的区域，中国AI企业在此更多采取“第三方合作+本地化合资”模式，以降低政策风险。华为出具的2024年GDI报告指出，未来五年内，70%的全球经济增长将由数字化和智能化驱动。数字经济的年复合增长率将达到9.2%，远超传统经济。数字和智能转型将创造新机会，目前已超过170个国家发布了国家数字和智能转型战略。2023年，全球信息与通信技术(ICT)投资达4.9万亿美元。

全球数字基础设施发展雷求显著增加。目前，全球各国加速数字化。尽管这些国家的信息与通信技术(ICT)产业成熟度各不相同，但全球各国政府已认识到发展数字基础设施的价值。因此，全球对数字基础设施的投资每年都在增加，并始终高于GDP增速。从2010到2020十年间，全球ICT投资的年复合增长率(CAGR)达4.3%，比GDP的CAGR高出1.5%。

5.2场景梯度:由“单点刚需”向“系统治理”再向“产业协同”逐层演进

从场景梯度来看，中国A技术在全球南方的应用呈现出由“单点刚需”向“系统治理”再向

“产业协同”逐层演进的逻辑路径。第一层为刚雷高频场景，主要集中于农业、医疗与教育三大领域，这些场景普遍具备“数据可得性强”“技术门槛相对较低”“社会影响显著”等特征，成为中国A技术打开全球南方市场的切入口。以农业为例，中国A企业极飞科技，正积极将农业无人机等前沿数字技术引入越南的农业生产之中，通过分享“中国方案”和积累的经验，极飞科技致力于助力越南农业的转型升级，并与泰国正大集团共同打造AI+农业场景的超级农场;在医疗领域，商汤医疗的人工智能运用于智能影像分析，让新加坡患者的诊疗体验得到提升等等。

第二层为治理协同场景，主要涉及城市治理、语言本地化与公共服务优化等领域，这些场景对AI技术的系统性、适应性与政策协同能力提出更高要求。中国AI企业正通过“城市大脑”“数字政府”等解决方案参与全球南方国家的治理现代化进程。例如，阿里云在吉隆坡部署的“城市大脑”系统，通过AI算法优化红绿灯配时，使高峰时段交通拥堵指数大幅下降，成为马来西亚数字政府建设的标杆项目。

第三层为产业协同场景，主要聚焦于能源、制造与物流等关键产业环节，这些场景通常与全球南方的工业化战略深度耦合，成为中国A技术“高附加值输出”的重要方向。在能源领域，华为FusionSolar在摩洛哥为光伏电站提供AI智能清洗与能效优化系统;在制造业，阿里云与越南台资鞋厂合作部署AI质检系统;在物流领域，菜鸟在巴西的国家级自动化分拨中心投入运营，智能分拣系统提升效率7倍，日均处理量近百万件，展现中国物流科技出海成功范例。值得注意的是，中国AI产业在全球南方的拓展并非单向技术输出，而是逐步构建起以“技术一标准一生态”为核心的协同体系。一方面，中国AI企业通过开源模型、低成本算力与本地化服务显著降低全球南方国家接入AI技术的门槛。另一方面，中国正通过双边合作机制、多边发展银行与南南合作平台，推动AI标准的“软联通”。

综上所述，中国人工智能产业在全球南方市场的拓展，正呈现出“区域梯度推进、场景梯度深化、生态协同共建”的系统性格局。这一进程不仅为全球南方国家提供了可负担、可复制、可持续的AI发展路径，也为中国AI产业在全球价值链中的位置重构提供了战略支点。

未来五到十年，随着全球南方数字化需求的持续释放与中国AI技术能力的不断成熟，双方有望在“能力共建、价值共享、治理共商”的基础上，构建起一种新型南北技术合作关系，推动全球AI产业格局向多极化、包容性方向演进。

编辑：火腿肠