2025年云知声研究报告：中国AGI技术的先驱者及引领者

一、中国 AGI 技术的先驱者和引领者

云知声是国内领先的 AI 解决方案提供商，专注于在中国销售用于日常生活及 医疗相关应用场景的对话式 AI 产品及解决方案。2023 年，公司推出了山海大 模型，于 2023 年 6 月的 MedQA 任务中超越 GoogleResearch 和 DeepMind 推出 的 Med-PaLM2；在临床执业医师资格考试中以 523 分（总分 600 分）的优异 成绩，超过 99%的考生水平。2024 年 6 月 MedBench 评测中，山海大模型医疗 行业版（UniGPT-Med）以综合得分 82.2 的成绩位列第一，各项指标全面超越 GPT-4。根据弗若斯特沙利文数据，公司 2024 年收入在中国日常生活 AI 解决 方案排名第三，在医疗 AI 解决方案排名第四。 2012 年 6 月，北京云知声信息技术有限公司成立。公司是最早将深度学习算法 应用于商业语音识别的公司之一。凭借战略远见，云知声于 2016 年开始建立 Atlas 人工智能基础设施，并据此开发了山海大模型，于 2023 年正式发布，成 为公司技术平台云知大脑（UniBrain）的新核心。2025 年 6 月 30 日，公司于 港交所上市。

三次蜕变：公司自 2012 年 6 月成立以来，敏锐地捕捉技术与市场趋势，完成 了三次关键的战略转型，逐步从技术提供商向全栈式 AGI 解决方案公司演进。 转向 B 端：2016 年起，公司从消费级硬件市场转向 B 端企业级解决方案，确 立了“智慧物联+智慧医疗”双轮驱动的业务模式，深入垂直行业。 云端芯⼀体：为解决 AI 技术落地成本高、周期长的痛点，公司提出“云端芯”一体化战略，通过自研 AI 芯片与云端算法、终端引擎的协同，实现了高效、 低成本的 AI 能力部署。 布局大模型：自 2021 年起，公司全面进入大模型阶段，集中资源自研“山海大 模型”，将公司战略重心转向 AGI（通用人工智能）的产业化应用。

1.1 大模型赋能，打造全栈式 AGI 解决方案

公司目前产品涵盖智慧生活和医疗中广泛的 AI 应用场景。云知声通过整合云 端大模型能力、终端应用解决方案以及自研 AI 芯片，实现了从技术到产品的 全栈式布局，使其能够针对不同行业的特定需求提供高度定制化和低成本的 AI 解决方案。目前，公司业务已清晰地聚焦于两大核心板块：智慧生活与智慧医 疗。

深度绑定头部客户，快速扩大市场覆盖。在智慧生活的 AI 应用方面，解决方 案涉及住宅、交通、商业空间、酒店等场景。公司已与华为、美的、格力、长 虹、京东、TCL 等家电巨头开展智慧家居深度合作，产品包含智能照明、智能 空调、智能厨房及智能安防等。在智慧交通领域，公司与深圳地铁达成了合作， 提供智能语音购票、智能语音客服及人脸识别等 AI 交互服务。此外，云知声 智慧座舱解决方案已广泛应用于上汽智己 L6、吉利星瑞、吉利博越 L、吉利领 克等多款车型。 自上而下，百强三甲医院提供商业背书。相较于生活场景，医疗容错率极低， 应用场景严肃，模型需通过循证医学验证才能被临床信任。公司目前已覆盖全国 30%百强三甲医院，如北京协和医院、北京友谊医院等。产品及解决方案涉 及病历语音输入、病历质控、单一疾病质控、门诊病历生成系统、医疗保险支 付管理和医学知识图谱等。截至 2025 年 6 月，云知声智慧医疗解决方案已部 署 400 家医院，700 余家进入测试阶段。根据弗若斯特沙利文的数据，按 2024 年收入计算，云知声在中国医疗服务及治疗 AI 市场中排名第四，市场份额为 2.3%。

1.2 营收稳健增长，或将迎来盈利拐点

业务高速增长，大模型成为未来核心驱动力。2021—2024 年，公司营业收入自 4.56 亿元增长至 9.39 亿元，复合增长率达到 27.2%。营收增长主要归因于：（1） AI 技术的增强，包括大模型及计算基础设施的升级；（2）提供创新的 AI 解决 方案，垂直应用场景不断拓宽；（3）客户群的巩固与合作持续深化。2025 年上 半年来自山海大模型的收入达到 9876 万元，同比增长 457.4%，占总收入比重 已接近 25%，凸显出公司营收增长的核心驱动力正从传统业务转向以“山海大 模型”为代表的 AGI 业务。 前期市场开拓和研发投入尚未盈利，但亏损幅度逐渐收敛。从利润端来看，当 前公司尚未盈利，2022~2024 年净亏损分别为 3.75 亿元、3.76 亿元、4.54 亿元。 剔除股份支付开支、赎回负债利息的融资成本（上市后不再产生该成本）及上 市开支的影响，公司 2022~2024 年经调整净亏损分别为 1.83 亿元、1.36 亿元、 1.68 亿元。亏损主要归因于：（1）商业化早期提升市场接受度进行的大力投入， 尚未到达回报期；（2）高水平的研发支出。若剔除 2024 年研发支出同比增加 的 0.83 亿元，2024 年经调整净亏损将收敛至 0.85 亿元。

毛利率趋于稳定，盈利拐点有望到来。公司毛利率长期稳定在 38%～40%的健康水平，是其商业模式具备潜在盈利能力的重要支撑。公司包含大量硬件成本， 分别占 2022、2023 及 2024 年收入的 46.6%、41.6%及 33.3%。未来预计包含较 少硬件的 AI 解决方案的收入贡献将有所增长，从而提高毛利率。当公司度过 前期高强度的研发支出与市场投入阶段，随着收入规模的持续扩大和规模效应 的显现，稳健的毛利率将有助于公司扭亏为盈、实现盈利拐点。 长期高额研发投入确保早期技术优势。近三年，公司研发费用率始终维持在 40% 左右的行业高位。这种不计短期利润的投入，旨在构建以大模型为核心的全栈 AI 技术壁垒，形成长期、可持续的竞争优势，符合硬科技企业发展的客观规律。 2022—2024 年，公司研发开支由 2.87 亿元增加至 3.70 亿元，复合年增长率为 13.5%，推动同年收入由 6.01 亿元增长至 9.39 亿元，复合年增长率为 25.0%。 这体现出研发优势到商业化变现的良好转化。 财务费用中赎回负债利息支出上市后将不再计入。2022—2024 年，计入公司融 资成本的赎回负债利息分别高达 1.76、2.09 及 2.65 亿元。2025 年 H1 公司赎回 负债利息 1.39 亿元，上市后，将不再产生该融资成本。

二、中国 AI 应用市场规模大、增速快、竞争分散

2.1 中国 AI 解决方案酝酿万亿市场规模

生成式 AI 及大模型应用推动其从“认知”迈向“生成”。随着框架开源、数据处 理技术完善，硬件规模化能力形成，人工智能产业发展驶入“快车道”。整体来 看，计算机视觉与语音识别和自然语言处理占据了我国 AI 解决方案市场的主 流地位。并且，伴随着下游客户对 AI 解决方案接受程度的提高及政府政策的有力引导，国内的 AI 解决方案开始向垂直应用场景深耕并落地。

国内 AI 解决方案市场规模将达万亿级别。根据 Frost&Sullivan 的资料，在经 济增长和客户需求不断变化的推动下，中国的 AI 解决方案市场从 2019 年的 人民币 422 亿元增加至 2024 年的人民币 1804 亿元，复合年增长率为 33.7%。 预计 2030 年将达到人民币 11749 亿元，2024 年至 2030 年的复合年增长率为 36.7%。

2.2 物联网 AI 交互为最大市场应用端

日常生活场景的渗透构成核心驱动力。物联网行业通过将各类设备、物品连接 到数据中心或云端进行处理和分析，实现数据的收集、传输与交互，构建起一 个庞大的智能生态系统。AI 的融入则为物联网注入了“智慧”，使其从单纯的数 据连接迈向智能决策与自主控制。而 AI 在日常生活领域的渗透成为物联网 AI 增长的核心驱动力，主要包含交通、商业、酒店、住宅等应用场景。 应用端市场踏上增长快车道。根据弗若斯特沙利文的资料，中国物联网 AI 市 场规模由 2019 年的人民币 188 亿元增加至 2024 年的人民币 710 亿元，复合年 增长率为 30.4%，预期 2030 年将达到人民币 5461 亿元，2024 年至 2030 年的 复合年增长率为 40.5%。

2.2.1 智慧交通

AI 语音交互技术在交通应用场景持续深化拓展。国家顶层设计持续加码，从 “交通强国”战略到“人工智能+”行动计划，为智慧交通发展提供了明确的指引 和广阔的空间。同时，日益严峻的城市交通拥堵、安全及环保压力，也倒逼传 统交通管理体系向智能化、精细化转型，催生了庞大的市场需求。虽然目前视 觉应用端产业化程度高、应用范围广，但 AI 语音交互技术在交通场景的应用 亦在加速落地。根据 Frost&Sullivan 数据显示，2024 年中国 AI+交通解决方案 市场规模达到 146 亿元，2019—2024 年复合年增长率为 54.7%，预期 2024— 2030 年复合年增长率将达到 46.4%。 地铁场景：AI 语音交互技术为乘客带来了便捷的购票进站与信息查询体验。例如，云知声与深圳地铁 14 号线合作，通过语音交互，乘客只需说出目的地， 系统便能快速规划最优路线，并完成购票操作，将自动售票操作的平均用时大 幅缩短至 1.5 秒，不仅极大地优化了乘客的购票体验，结合人脸识别进站技术， 还显著缓解了可能出现的排队拥堵问题。即便在早晚高峰，地铁站内人声鼎沸、 环境嘈杂的情况下，也能凭借先进的降噪与识别技术，准确捕捉乘客的语音指 令，确保交互的顺畅进行。

机场与车站场景：在机场领域，福州长乐机场、厦门高崎机场及上海虹桥机场 T2 航站楼引入了云知声 AI 数智客服。依托云知声的大模型技术与多模态交互 能力，融合语音识别、语义理解、语音播报及深度学习真人合成等技术。其涵 盖乘客乘机指引、站内导航、旅游攻略、美食推荐、交通出行等超 400 个场景 的问询服务，实现 7×24 小时全天候在线，极大提升了机场服务效率与旅客满 意度。在车站方面，南宁火车东站借助云知声的人工智能技术与山海大模型， 实现了智慧车站的升级。智能客服系统借助人脸检测技术，自动识别用户并进 入交互状态，依托山海大模型准确回答乘客问题，大幅缩短了火车东站到达大 厅与公交、地铁站台的接驳时间。 智能座舱领域：传统智能座舱的触屏操作分散驾驶注意力，而依托 AI 交互智 能体集群和开放式语音大模型，用户仅通过语音指令就能完成导航设置、音乐 播放、调节温度、车窗控制等多场景服务。云知声智慧座舱解决方案已广泛应 用于上汽智己 L6、吉利星瑞、吉利博越 L、吉利领克等多款车型，可精准识别 复杂指令，支持方言和多轮对话，降低驾驶中的注意力侵占，显著提升行车安 全。

2.2.2 商业空间

降本增效、体验升级是重构商业空间的价值逻辑。在企业服务领域，AI 正以前 所未有的深度和广度渗透到业务流程的每一个环节，驱动企业从传统的“记录 系统”向高效的“行动系统”转型。例如，智慧工牌、智能话机等终端接入云知声 兽牙智能体平台后，可通过语音指令实现工单上报、客户咨询应答等功能—— 员工巡检时语音上报设备故障，系统自动生成带定位的运维工单；客服场景中， 智能话机自动识别客户意图并解答常见问题，未解决需求无缝转接人工。 一方面，AI 服务通过承接重复性、标准化服务需求，可大幅降低人工成本、缩 短客服响应时长、提升运维效率。另一方面，企业的智能硬件让内部服务更便 捷，从“用户找服务”转变为“服务找用户”，显著提升服务满意度。根据 Frost&Sullivan 数据显示，2024 年中国 AI+商业空间解决方案市场规模达到 167 亿元，2019—2024 年复合年增长率为 40.4%，预期 2024—2030 年复合年增长 率将达到 39.8%。

2.2.3 智慧酒店

差异化竞争与客户日益增长的需求，催生出智慧酒店市场。酒店业竞争日益激 烈，酒店正在寻求透过创新、技术驱动的客户体验和营运效率来获得差异化竞 争优势。酒店业正在利用人工智能、物联网和数据分析等智慧技术来改善客人 体验、简化服务交付并提高整体客户满意度、保留率。这与旅客对便利、舒适 和独特体验日益增长的需求相一致，也为智慧酒店市场带来了重大机遇。 中国预计将成为智慧酒店市场增速最快的地区。根据 DataBridg 报告显示，全 球智慧酒店市场到 2032 年将达到 2362 亿美元，CAGR26.3%。受快速技术应 用、大规模城市化和蓬勃发展的旅游业推动，亚太地区预计将成为智慧酒店市 场成长率最高的地区。而中国则由于基础设施投资不断增长、物联网的快速普 及以及酒店营运的高度数字化，占据了相当大的份额。

2.2.4 智慧家居

智能家居市场长坡厚雪，空间广阔。智能家居的最终形态是实现全屋产品的智 能化，为 AIoT 的关键场景，在灯光、空调、电视、窗帘、门窗、背景音乐、 安防、监控控制以及可编程定时控制等方面均有应用。根据 Statista 数据，2022 年到 2027 年，全球智能家居终端市场规模将以 12.47%的复合增长率增长，到 2027 年市场规模预计达到 2229 亿美元。从国内市场规模来看，2024 年我国智 能家居终端规模达到 324 亿美元。预计 2028 年达到 520 亿美元，CAGR 达到 12.57%。

中国智慧家居渗透率远低于欧美。美国是全球最早进入智能家居市场的国家， 据Statista数据，2022年美国智能家居渗透率已达43.8%，到2028年将达75.1%。 分国家来看，截至 2022 年，渗透率大于 20%的国家多为欧美国家，英国和美 国的市场渗透率均超过 40%，智能家居市场更为成熟，中国渗透率仅有 16.63%， 相对欧美仍有广阔渗透空间。

中国智能家居市场快速扩张，智能家电为核心品类。受到技术进步、中产阶级 不断壮大以及政府支持智慧城市的举措的推动。伴随着消费者寻求更大的便利 性和效率，中国的智能家居市场正在迅速扩张。在全屋智能体系中，智能家电 终端为核心品类，2027 年预计占比 39.4%。

2.3AI+医疗：潜力巨大且被低估的市场

2.3.1 大模型及 Agent 渗透医疗领域各环节

医疗行业关乎民生福祉，AI 技术的介入为医疗行业带来了全方位变革。应用 层构建智能体化的医疗健康服务生态，形成医院侧/患者侧双端、线上/线下结 合模式覆盖医疗/健康多场景。基于大模型技术，目前医疗健康 AI 智能体已经 在多个场景落地应用。

患者侧：AI 智能体在医疗服务、就医陪诊、智慧医保、医学教育、健康管 理、传统中医、药械产品应用与监测等场景，通过“智能问诊助手"“智能导诊机 器人”、“个性化健康顾问”等形式提供 24 小时不间断的专业问答、业务办理、 报告解读等智能化服务，并根据患者需求和场景特点提供个性化的专业建议。

医院侧：AI 智能体在患者诊疗、公共卫生、临床科研、医药产品推广等场 景，通过“智能医生助理”、“智能影像识别助手”等形式，提供辅助诊疗、文档 总结、病历生成、术后随访等能力，赋能医生和医院提质提效。同时专业医生 通过构建自己的“专家 A 智能体”可以延伸服务边界，扩大优质医疗的服务半 径，为医疗行业带来更加精确、高效、人性化的服务提升整个医疗系统的质量 和效率。

截至 2024 年底，中国互联网医疗用户规模达 4.18 亿人，占比超过中国网民整体的三分之一，较 2015 年增长 2.7 亿人，实现了 近三倍增长。当前，在整合大数据、物联网、5G、AI 等新一代信息技术的基 础上，智慧医疗生态体系持续丰富和完善，更加注重智能化和个性化，赋能生 命科学与医疗行业全链条优化。药械企业、医疗机构以及互联网企业纷纷加快 接入各项新技术，尤其是 AI 大模型，在提升医疗服务效率和创新药械可及性 的同时优化患者体验。

2.3.2 资源不均、供需错配构成 AI 医疗行业发展的底层逻辑

需求侧人口结构变迁：中国人口老龄化趋势加剧，慢性病管理、康复护理等 新医疗需求增长。根据联合国标准，中国在 2022 年进入深度老龄化社会，并 预期在 2035 年进入超高龄社会。少子化和老龄化衍生出许多新的医疗需求， 亟须新的疾病管理模式和长期护理模式，传统单一医疗模式已无法有效应对人 口结构转型带来的医疗健康需求变化。

需求侧大众服务升级：随着人民生活水平不断提升，社会大众对诊疗质量、 效率和体验也有了更高要求，追求更加个性化和主动的医疗健康管理模式。人 们健康意识的提高，带动了健康关注点从“疾疗”向“疾病预防”转移，大众的自 我健康管理意识也逐渐崛起。这与人口老龄化共同构成了 AI 医疗行业发展的刚性需求基础。

供给侧资源不均与效率瓶颈：中国长期存在医疗资源分布不均的问题。根据国 家卫健委数据，2023 年我国三级医院数量仅占全国医院的 10%，却承担了全 国 62%的医院门诊量。三级医院的门诊量承载量在过去十年持续增长，较 2014 年提高了 15%，而二级及以下医院的承载量则不断下滑，从 2014 的 45.1%下 跌至 2023 年的 34.5%，凸显了医疗资源分布不均的问题。此外，地域上，优 质医疗资源高度集中于大城市大医院，基层医疗能力薄弱，结构性矛盾突出。 智慧医疗通过 AI 辅助诊疗、远程医疗等手段，有望优化资源配置，提升诊疗 全流程效率与服务的可及性，是解决当前医疗体系痛点的关键。

2.3.3 政策是推动智慧医疗早期市场应用的核心驱动力

为了提升医疗服务的可及性和公平性，国家陆续出台了多个阶段性政策，推动 医疗信息化的转型升级。回顾过去，智慧医疗发展大致分为三个阶段，从院内 管理信息化到医疗数据信息化，再到现在的医疗生态智慧化。在 AI+医疗早期 的商业化落地进程中，政策的推动与支持构成核心驱动力。

院内管理信息化：开展以医院管理系统（HIS）为核心的系统建设，满足院 内业务流程信息化的基础需求。这一阶段，卫生部发布了《医院信息系统基本 功能规范第二版》和《全国卫生信息化发展规划纲要（2003-2010）》，为医院管 理信息系统建设提供了明确的标准和指导。

医疗数据信息化：开始医疗机构内部电子病历系统的应用。《电子病历基本 架构与数据标准（试行）》、《电子病历系统功能规范》、《电子病历系统功能应 用水平分级评价管理办法》等政策推动整体医疗信息化发展。国家卫健委在《关 于 2021 年度全国三级公立医院绩效考核国家监测分析情况的通报》中指出， 2022 年，全国二级和三级公立医院的电子病历应用水平平均级别分别应达到 3级和 4 级，即二级公立医院电子病历数据实现部门间交换，三级公立医院电 子病历数据能够全院共享，支持初级医疗决策。

医疗生态智慧化：《进一步推进以电子病历为核心的医疗机构信息化建设工 作》、《国家医疗健康信息医院信息互联互通标准化成熟度测评方案（2020 年 版）》等政策加大医疗信息化建设深度，加速实现医疗信息在区域内的互联互 通。另外，卫健委在 2019 年首次提出智慧医院定义且逐渐明晰标准。

2.3.4 市场潜力巨大且易被低估

在蚂蚁集团研究院与中国信通院联合发布的《人工智能大模型在医疗健康领域 发展态势研究报告》中，系统评估医疗大模型在各类应用场景的发展水平，建 立了医疗大模型应用场景热力图。 医疗服务、健康管理及药物研发在商业化上潜力最高。从热力图数据可以看出， 不同医疗场景在技术成熟度、应用深度和广度上存在显著差异。例如医疗服务 在“临床价值”维度高达 9.8 分，体现了其在改善诊疗和患者体验方面的巨大潜 力。总体而言，医疗服务、医学科研和医院管理等核心场景的大模型应用相对 成熟，在多个维度均达到了 7 分(10 分满分)以上的高水平，这表明大模型技术 已经开始实质性地赋能此类场景。相比之下，健康管理、医药服务、药物研发 等场景的应用仍处于起步阶段，应用深度和技术成熟度相对较低，但其商业化 潜力巨大。

由政策推动形成了部分医院的差异化竞争优势。早期国家对智慧医院的建设大 力支持，出台了一系列政策要求医院加快数字化升级，如电子病历评级、互联 互通测评等。随着科技的不断发展，AI 智慧医疗已成为医院行业应用的趋势， 降本增效与提升医院专业、先进的形象逐渐在等级医院间的服务差异化与竞争 性中更加凸显。 差异化竞争倒逼其余医院转向市场化选择。我国的公立医院属于公益二类单位， 自负盈亏，政府予以一定的补贴。随着医保控费财政收紧，目前财政拨款仅能 覆盖大约 60%左右的医护工资，剩余 40%的工资以及奖金需要医院自筹。对于 医院来说，DRG 改革后，每个病人都有一个“医保上限”，超过上限后的治疗费 用，实际是由医院承担。当地区内先进三甲医院率先落地 AI 医疗服务方案， 获得良好运营及患者反馈后，将在市场化竞争中构建先发优势，进而倒逼同地 域其余医院迅速跟进。 中国医疗 AI 解决方案市场 CAGR 超过 50%。中国医疗 AI 服务及解决方案的 市场规模由 2019 年的人民币 11 亿元增加至 2024 年的人民币 99 亿元，复合年 增长率为 54.3%。根据弗若斯特沙利文的资料，于 2030 年，中国的医疗 AI 服 务及解决方案市场预计将达到人民币 1,465 亿元，2024 年至 2030 年的复合年 增长率为 56.6%。

线性外推或仍将低估 AI 医疗应用市场潜力。即使市场上对行业增速的判断较 为乐观，但依靠线性外推仍有可能，低估产业的加速进程。AI 医疗的普及化序 幕才刚刚拉开。 城市圈三甲以外等级医院：目前早期市场化应用依赖政策推动，如政策规定 所有三级医院应将信息系统升级到 4 级（定义为支持全院信息共享）或以上。 在部分先进医院凭借 AI 服务获得正向患者反馈与口碑，构建差异化优势时， 大概率会加速其他等级医院跟进。 乡镇等基层诊疗机构：目前三甲医院承担了大量诊疗量，面临患者激增、医 护人力紧张等结构性压力，同时城乡医疗资源分布不均、基层医疗服务能力薄 弱。这些问题推动了 AI 技术在更广泛、更基层的医疗场景中的应用探索，为 AI 医疗市场的发展提供了广阔空间。 健康管理等 C 端应用：过去大众对 AI 的认知多停留在通用工具层面，而医 疗作为对精度和专业性要求极高的领域，AI 的能力长期被局限在基础辅助诊 断等“边缘环节”，真正在 C 端场景落地的案例寥寥无几，导致其市场价值被低 估。

2.4 应用端细分赛道众多，竞争格局分散

如此众多的赛道，使得行业竞争格局极为分散。不同赛道都吸引着大量参与者， 无论是头部科技企业，还是众多初创公司，都期望在其中占据一席之地。在大 模型的商业化赛道上，巨头利用自身庞大的生态体系，将 AI 业务嵌入现有产 品、服务和云平台，实现跨界赋能和收入协同，例如百度、阿里、腾讯、字节 等平台型巨头通过自研、收购、云平台能力将 AI 全面纳入主营生态。而那些 没有强大母系家族支撑的初创公司，要么在 ToB 市场，面向政府、金融、制造等领域提供定制化的 AI 解决方案，如智谱、阶跃星辰和商汤等公司；要么在 ToC 市场直接面向消费者落地 AI 应用，像 Minimax 和科大讯飞等公司。 在 2024 年中国 AI 解决方案市场中，云知声位居第四。在这样的大环境下，云 知声作为 AI 解决方案提供商，也在努力角逐。根据弗若斯特沙利文的数据， 按收入计算，在 2024 年中国 AI 解决方案市场中，云知声占据 0.6%的市场份 额，位居第四。在细分领域，其在中国生活 AI 解决方案排名第三，在医疗 AI 服务及解决方案排名第四。在家电领域，云知声与美的、格力等展开合作，产 品覆盖超 700 类家电，在国内语音交互模块市场约占 35%份额，尤其在白色家 电语音交互市场占有率颇高，达 70%；在医疗领域的电子病历细分市场，云知 声处于行业前三位置。

三、两大核心优势打造专业护城河

3.1 多模态融合认知为基石，铸就垂直领域壁垒

3.1.1 底层技术到上层解决方案的完整能力闭环

云知声山海大模型构建了一个层次化、可扩展的技术能力矩阵，该矩阵以 Atlas 基础架构及通用能力为基石，以多模态能力为核心技术优势，最终赋能于垂直 领域的深度应用，构建高质量行业数据飞轮，形成了从底层技术到上层解决方 案的完整能力闭环。

1）通用大模型基座：山海大模型先后拓展了检索增强生成(RAG)、智能体 (Agent)、多模态融合及深度推理（类似 DeepSeek-R1）等技术能力，参数规模 已达到千亿级别。为支撑如此庞大的模型，其训练数据量（Tokens）高达 2.0 万亿（2.0T），覆盖了通用领域与医疗等专业领域的知识。这确保了模型在处理 复杂任务时的深度与广度，成为专业大模型的高效底座。目前通用大模型能力 在 OpenCompass、SuperCLUE 等多次评测中处于第一梯队水平。 2）专业级大模型：公司深入医疗、保险、交通等行业应用场景，结合行业知 识、关键问题及专家 Know-how 等，构建行业应用场景的专业级大模型。基于 山海大模型打造的医疗行业专用大模型 UniGPT-Med-U1 在中文医疗大模型权 威评测平台 MedBench 的最新自测榜单中，以综合得分 93.1 的成绩卫冕冠军。 在医学语言理解与医学安全伦理双项评测中，分别斩获 122.3 分与 104.9 分的 佳绩，位居榜首。通过极致压缩幻觉影响，突破门诊病历生成、病历质控、医 保审核、智慧座舱等规模化应用瓶颈，2025 年 H1 实现大模型收入同比增长 457%。 3）端侧芯片优化：多模态感知与生成技术，已经有效整合到山海语音大模型 中，显著提升语言理解和情感表达能力。通过大模型蒸馏技术，医疗大模型从 70B 无损压缩到 13B，模态交互从 13B 无损压缩到 0.5B，构建端云结合的智 慧座舱解决方案，将交互响应时间压缩到 300ms 以内，并在国内车企成功交付 并规模化应用。公司 AI 芯片支撑规模化应用，并适配华为、海光及高通 8295 芯片，可针对不同场景推出专用芯片，如为智慧家居设计的蜂鸟系列芯片，以 及车规级全栈式语音 AI 芯片雪豹。其中，“蜂鸟”智能交互芯片/模组，至 2025 年 6 月末累计出货量近亿颗。 4）Atlas 基础架构：Atlas 的智算集群目前拥有超过 184PFLOPS 的计算能力， 以及超过 10PB 的存储容量，而两者均可在不中断训练任务的情况下进行扩展。 智算集群可高效动态地调度数千个 GPU 进行并行计算，并无缝执行动态扩张， 以满足不断变化的业务需求。可以说，智算集群强大的算力、高效动态的调度 和可扩展性，是支持通用和专业级大模型高效训练及数据飞轮的核心竞争优势。

3.1.2 山海大模型 4.0 在主流测评中得分领先

根据 SuperCLUE 团队发布的《中文大模型基准测评 2024 上半年报告》等多项 权威测评结果，云知声山海大模型 4.0 版本在通用基础与应用能力方面均已稳 居全球第一梯队，展现出与国内外主流大模型同台竞技的实力。

在理科能力上，主要测评计算、逻辑推理及代码三部分数据集，由于具有较高 的挑战难度，区分度明显。其中山海大模型 4.0 得分 76，仅次于 GPT-4-Turbo 及 GPT-4o，得分位居国内模型第一。 在文科能力上，主要测评知识百科、语言理解、长文本、角色扮演、生成和创 作、安全、工具使用等维度。国内外头部模型处于同一水平，均未达到 80 分 良好线。GPT-4o 在文科任务上取得第一 76 分的成绩。山海大模型 4.0 得分 75， 位居第二。文科任务上如何提高语言处理质量，增加内容生成和理解的优秀水 平，是国内外大模型需要进一步优化的方向。 在医疗领域，其评测表现超越了 GPT-4 的水平，这得益于云知声利用大量专业医学数据进行的深度预训练和场景优化，构成了其核心的差异化竞争壁垒。

3.1.3 深度融入垂直行业强于一味地技术参数比拼

真正的护城河并不只有单纯的技术参数比拼。虽然山海大模型 4.0 在多家主流 大模型测评中表现优异，但在通用大模型能力趋于同质化的背景下，真正的护 城河并非单纯的技术参数比拼，云知声选择将技术深度融入垂直行业，通过解 决特定场景的复杂问题来构建难以复制的行业壁垒。 多模态融合技术已成未来趋势。打造多模态大模型正朝着技术统一化的方向发 展，主流模型如 GPT-4、Qwen-VL 等已从单模态向多模态融合转型，多模态大 模型能够整合文本、图像、音频等多种模态的数据，实现更接近人类认知方式 的复杂信息处理能力。这种跨模态的深度融合不仅大幅提升了模型的理解深度， 还能解决传统单模态模型在跨场景交互中的语义盲区。 国际科技巨头正加速布局多模态大模型领域。谷歌的 Gemini2.0、OpenAI 的 GPT-4.5、Meta 的 Llama4 等都在显著提升原生多模态能力。这些企业的重视 和投入，充分说明了多模态在未来大模型竞争中的重要性，拥有强大的多模态 能力将成为大模型在市场竞争中脱颖而出的关键因素。

公司作为专业 AI 厂商，聚焦于家居、交通、医疗、保险等特定垂直领域，通 过深入理解行业痛点、积累专属领域知识与数据、构建针对性技术壁垒（如特 定场景的语音交互、多模态理解、专业大模型构建、行业知识图谱、边缘计算 优化等），提供深度集成的解决方案。 多模态融合感知与生成：山海大模型的核心技术创新之一在于其卓越的多模态 能力，实现了对文本、音频、图像等多种信息模态的深度融合与一体化处理。 模型能够接收文本、音频、图像等多种形式的混合输入，并实时生成文本、音 频和图像的任意组合输出。这种灵活的输入输出能力打破了单一模态的限制， 使其能够应对更加复杂和真实的交互场景。且通过先进的多模态预训练和对齐 技术，模型能够实现跨模态信息的深度理解与生成。如上图示范中，凭借多模 态感知与生成技术，用户可以实现与系统的跨模态语音交互。 知识图谱：人们的日常生活常识、建筑空间的各种规则和系统以及甚至不同科 学知识部门都可以结构化及图谱化。其核心作用是将分散、异构的信息转化为 结构化的知识网络，通过概念标准化、层次化与关联化三大能力，让机器实现 “看得懂、能计算、可连接”的认知升级。通过与山海大模型结合可有效提高产 业知识的准确性和可靠性，解决产业问题。如上图示范中，当大楼内的用户询 问洗手间的位置时，系统在理解询问内容后，可以从知识图谱中检索讯息由大 楼运营团队维护的动态知识库，包含有关大楼布局的资料，以确定距离用户最 近的洗手间位置，然后使用自然语言生成产生文字讯息，并透过语音回应将这 些讯息传递给使用者。

物联网(LoT)组件：物联网组件作为连接物理世界与数字系统的核心枢纽，其核 心作用体现在数据采集传输、设备管控与智能协同三个维度。感知层组件通过 各类传感器实时捕捉温度、湿度等环境参数，网络层组件借助 MQTT 等协议实现数据的低时延、高可靠传输，而控制层组件则能接收云端指令对设备进 行远程调控与状态管理。在实际应用中，它既可以让智能家居实现灯光、空调 的自动适配，也能通过工业场景的实时监控与智能诊断优化生产线效率，更能 助力智慧城市实现路灯节能、环境监测等精细化管理。在上图示范中，该组件 类似于大楼的神经末梢，与大楼内的各种物联网设备连接。其检查各装置的状 况，并确定距离用户最近的卫生间的状况以及是否被占用。

3.2 清晰的市场判断与商业化布局

3.2.1AI 时代关于医疗之变的两问

一问：院端 AI 商业化落地真正的核心变量是什么？过去信息技术带来的“同 质化”转变为人工智能驱动的“智能化分化”。这一变革预示着在未来三至五年 内，医院间的竞争力鸿沟将被迅速拉开。在这场新的竞赛中，资本投入与基础 设施是重要前提，但真正的决定性的变量在于什么。 1）严肃应用场景下，幻觉不能被接受：与 C 端应用不同，许多 B 端行业（如 金融、医疗、法务）因其高风险和严格的监管要求，无法承受 AI 模型的“幻觉” 问题。如果一个事实在训练数据中没有足够的信息冗余度，模型就记不住，继 而会用“幻觉”去补白、编造细节。这种“幻觉”的产生，其根源或在于训练数据 的质量。 2）通用大模型的学习往往导致数据庞杂、陈旧、失真：通用大模型依赖互联 网进行无差别学习，其数据源庞杂，难以保证事实的准确性与重复度，这在高 度严肃的医疗领域是不能接受的。并且，在公域互联网所搜索的信息中，往往 存在滞后性，无法代表医疗行业的最先进成果。浙江大学医学院相鹏主任指出， 医疗大模型并非学习得越多越好，如果模型训练采用了十年前的指南或二十年 前的文献，其对大模型训练毫无帮助。 3）垂直大模型的数据构成真正的核心资产：这恰恰凸显了垂类数据的核心价 值：当一个行业拥有通用大模型无法从公共互联网获取的独有数据时（如特定 医疗项目数据），这本身就+形成了一道强大的护城河，并构成了投资者眼中极 具价值的核心资产。因此，拥有这些高质量、独有数据的垂类公司和机构便建 立起了坚实的竞争壁垒，这也证明了人工智能的竞争已不再是模型的竞争，更 关键的是数据质量的竞争。 二问：基层诊疗 AI 商业化落地真正的难点在哪里？基层诊疗机构商业化落地 面临诸多难点，这些难点与成本密切相关，同时也受到城市医疗资源分配不均 的影响。

1）专业不足，人才短缺、培训成本高：一方面大医 院凭借更好的薪资待遇、职业发展空间和科研环境，形成强大的虹吸效应，导 致基层人才持续流失。另一方面由于资金有限，培训投入相对较少，且培训资 源也不如城市丰富，这不仅影响了医生的专业成长，也间接增加了机构的成本， 因为能力不足可能导致诊疗效率低下。 2）营收天花板明显，导致资金不足无法支付成本：基层诊疗机构服务范围有 限，单日可接纳病人数量不多，即使满负荷运行，收入也有上限。无法像城市 大医院那样通过发展高价值业务、加快病床周转率来增加营收。此外，一些基 层诊疗机构难以纳入医保，或者医保报销名目有限，导致患者更倾向于选择医 保覆盖更全面的城市大医院，进一步限制了基层诊疗机构的营收。导致无法承 担引入智慧系统的硬件、软件费用（正常单院接入成本可达百万元）。 3）云端化，SaaS 平台成为解决专业性与成本的最优解 成本端：SaaS 平台采用云端化部署，基层诊疗机构无需购买昂贵的服务器、电 脑等硬件设备甚至建设机房，只需通过网络即可使用软件服务，大大降低了硬 件成本。此外，SaaS 平台的维护和升级由服务提供商负责，基层诊疗机构无需 聘请专业的 IT 人员进行系统维护，节省了人力成本。单院接入成本可下探至 15 万元。 服务端：SaaS 平台可对诊疗全流程进行优化，从预约挂号、快速接诊、问诊开 方、患者管理等功能。医生可以通过 SaaS 平台快速查询患者的历史就诊记录、 检查报告等信息，减少了问诊时间，提高了诊疗效率。同时，SaaS 技术可搭建 远程医疗协作平台，让上级医院的专家资源下沉至基层，实现远程会诊、教学 培训等功能。这不仅解决了基层医疗人才短缺问题，还能让基层医生在遇到疑 难病例时及时得到上级专家的指导，提高了诊疗水平和服务质量。

3.2.2Agent 垂直深化临床价值，SaaS 横向拓宽市场边界

针对上述 AI 在医院端及基层诊疗机构商业化落地发问，云知声给出了自己的 答案。公司未来的医疗业务将以“Agent 深化临床价值，SaaS 拓宽普惠边界”为 双引擎： Agent 垂直深化临床价值。公司广泛发掘业务需求，通过专科 Agent 切入诊疗 核心场景（包含门诊、住院、医技、医保、医政医管等），满足更多的临床智能 化需求。例如，在专科诊疗 Agent 方面，公司针对特定疾病（如肿瘤、心血管 病）构建专科智能体，整合多模态数据（影像、基因、病历）辅助诊断；在全 病程管理 Agent 方面，公司为慢病患者提供用药提醒、健康监测、并发症预警。 在医院运营 Agent 方面，公司开发适用于病历质控、DRG 医保审核、排班优化 等多种应用场景的智能体。且公司已经与全国 30%百强三甲医院建立合作，如北京协和医院、北京友谊医院等。最终，这些垂直领域最先进与专业的 数据资产将构成公司核心竞争优势，推动客单价的跃升，抢占医疗 AI 技术制 高点。 SaaS 平台扩展基层诊疗市场。从传统的、定制化程度高的项目制思维，转向 提供标准化 SaaS 和智能体平台的思维模式，是云知声开拓基层诊疗市场的重 要战略突破。针对基层诊疗机构服务专业性不高、资金不足的困境。云知声通 过省级/市级 SaaS 云端平台批量覆盖基层，基层机构按需调用 AI 服务，有望 降低医疗机构智能化准入成本，单院接入成本可降至 15 万元，进一步向广大 市/县域基层打开市场空间。此外，采用基础功能买断+增值模块订阅的混合收 费模式，可进一步抓住首次部署及多次使用、深度依赖的客户，构建生态网络 壁垒。

3.2.3 日常生活解决方案是公司稳健增长以及盈利的重要基石

如果形容 AI 医疗业务是公司未来最值得期待的增长点，日常生活 AI 解决方 案业务则是当下企业运营及盈利的坚实保障。 在交通领域，其以山海大模型为核心的交通客服 Agent，通过语音、触控等多 模态交互，已在厦门地铁、南宁火车东站、福州长乐机场等多地落地，为乘客 提供精准的咨询引导、换乘指导等服务，成为智慧交通场景的重要支撑。 在智能座舱赛道，云知声构建起涵盖语音识别、语义理解等全链路技术的解决 方案，依托端侧大模型实现 350ms 级快速响应与离线交互，不仅能通过生理状 态监测保障驾驶安全，还可提供旅行建议、健康管理等个性化服务，已成功赋 能吉利、上汽智己等多款车型，形成规模化落地优势。 在家电领域，其与 TCL、格力等龙头企业深度合作，凭借“AI 语音自由说技术” 实现百万级指令词离线控制与方言快速学习，相关技术获国际领先认定并量产 应用，重塑了人与家电的交互范式。这些跨场景的解决方案布局，既通过标准 化技术输出降低边际成本，又以高频生活场景的深度渗透提升客户黏性，为公 司从项目制向高毛利模式转型、实现盈利突破奠定了坚实基础。

编辑：火腿肠