1.1 企业需求从数字化迈向智能决策，核心问题是“怎么拥抱 AI”
智能化让业务决策从“经验导向”向“模型驱动”转变。企业数字化与信息化的最终目的是为了 驱动业务增长、提升效率和创造竞争优势。接入的各类软件与业务会积累大量数据，在进行一定 的数据整合后，数据可视化与分析一定程度上展现了过去和现状，再经由人为解读和分析进行决 策。决策智能化是通过运用机器学习、深度学习等 AI 技术，基于历史数据和实时数据构建预测 模型和优化模型。随着企业数字化、信息化发展步入深水区，叠加生成式人工智能与大模型技术 在各行各业的加速落地与广泛渗透，企业对数据的需求已不再局限于采集、存储与可视化展示， 而是更聚焦于数据对业务的实际赋能——即智能决策，也就是企业数智化/智能化发展的阶段。 企业“智能化”需求显现，但智能化落地涉及数据治理、AI 模型与业务场景的精准适配、系统 安全合规等多维度复杂问题，需专业团队实施落地（不论是自建或外采）。 在 AI 的发展过程中，有两条明显的研究主线：决策 AI 和生成式 AI。生成式 AI 凭借文本生成、 图像创作、代码辅助等具象化能力，依托 ChatGPT、DeepSeek 等一系列大模型的高市场普及度， 已成为企业感知智能化价值的增效（及部分增收）应用。决策 AI 更多作用于核心价值创造，锚 定企业核心业务痛点，并在不断反馈纠错中学习进步，实现对人为决策主观性误差的降低以及决 策效率与准确性的提升。
从通用场景的案例来看：AlphaGo 作为决策 AI 的里程碑代表，通过强化学习算法解析围棋的复 杂博弈空间，突破人类棋手的经验边界。广泛应用于电商、视频、音乐、资讯等泛娱乐平台的推 荐算法系统是决策 AI 规模化落地的典型范例，系统实时整合用户行为、商品属性、场景特征等 多维度数据，通过模型计算生成个性化推荐决策，达成各类最大化用户参与度的决策目标（例如 观看时长、购买转化等）。
1.2 第四范式：底层技术平台+垂类解决方案+AIGS 形成合力赋能“AI+”
1.2.1 以算法模型为核心，围绕 AI 落地核心生产要素深耕
第四范式在算法层深耕，强化软硬协同，从算力+平台+模型+应用赋能企业智能化：以底层技术 平台结合垂类解决方案，并运用生成式 AI 提升平台使用效率、赋能 AI 应用开发。 先知 AI 平台 - 4Paradigm Sage：行业大模型平台。以 AutoML、迁移学习等为技术核心， 从底层算力平台、提供企业级特性的 AIOS 操作系统到顶层全套软件 SageSuite，提供 AI 数 字化转型基础设施和全流程的模型及软件开发工具链。 智能解决方案 - 4Paradigm SHIFT：基于平台向细分场景深挖扩展，构建多行业方案，面 向银行、保险、证券、零售、能源、医疗、制造等领域，根据业务需要开发具备行业特性的 人工智能应用。 式说 AIGS 服务 - 4Paradigm AIGS：AI 赋能软件开发（AI-Generated System），提升应用 开发效率。例如持续优化迭代企业软件重构助手 AIGS Builder 降低开发门槛，以及编程助 手 AIGS CodeX 实现代码提效。 以先知平台为核心的系统化、平台化交付趋势显现。公司整体年收入稳定增长，先知平台收入占 比持续提升，2025H1 占比为 81.8%，2025Q2 达 86.8%。
首先从整体产品架构及交付形式来看： 第四范式通过本地化一体机的交付形式私有化部署，保障企业数据安全。先知平台可以理解为一 个类似 Windows/MacOS 的人工智能操作系统，帮助企业客户实现快速、规模化部署，用于设计、 开发、操作及管理人工智能应用。平台上提供两类供开发人员使用的套件，分别是无代码开发工 具 HyperCycle 系列及低代码和无代码开发工具 SageStudio 系列，根据不同应用场景选择不同 类型的算法工具，例如 HyperCycle ML、HyperCycle CV、HyperCycle OCR、HyperCycle KB、ML Studio、CV Studio、NLP Studio、Speech Studio 等。 HyperCycle 是一种方法论，结合各类 AI 技术栈帮助企业简化人工智能应用开发流程。具体来看 HyperCycle 包含行为、反馈、学习及应用四个步骤，不断循环优化智能效果。
HyperCycle ML 集成全流程 AutoML 能力，覆盖从数据自动处理、自动拼表、自动特征衍生、 自动特征筛选到算法自动调优、模型自动选择的全流程。其中多表自动拼接打破 AutoML 与 真实业务数据的屏障，将机器学习问题转换为数据准备问题，实现业务人员可用。应用场景 包含：精准营销、智能推荐、销售预测、客户流失预警、逾期预测、反欺诈、反洗钱、故障 预测等。
HyperCycle CV 将原本繁琐的模型构建过程提炼为图像、标注、学习和应用四个步骤，针对 图片分类、物体检测、图像分割等多种场景进行深度神经网络模型构建。应用场景包括：城 管治理、制造设备升级、车辆检测、工程监理、发动机破碎检查、货架检测、智能称重秤等。
HyperCycle OCR 内置多种 OCR 文字识别版式预制模型，覆盖身份证、驾驶证、银行卡等 40 余种常见的应用场景（身份识别验证、票据录入、文档核对、签名认证、存档检索等）。
2025 年 3 月，公司联合华为共同发布一体机 SageOne IA，实现从芯片、框架到服务的全链国产 化。2025 年 4 月，公司推出“模型弹性伸缩”以应对流量波动。系统会根据负载状况，自动灵活 切换同一系列下不同参数大小的模型提供模型服务，无需额外扩展计算节点，为企业客户节省算 力成本，提升资源使用效率的同时还能降低运维工作量。 SageOne IA 一体机的“模型弹性伸缩”技术更新进一步提升模型与算力运用效率和顺畅度，而 这个技术过程本身也是决策 AI 的一次经典应用。在大模型推理场景下，负载较小时，满血版模 型提供高精度的推理服务；进入高峰时段时，系统会自动将满血版降级为一个或多个蒸馏版/量 化版模型实例，来处理大量并发请求。结合模型预加载等技术，可避免模型服务切换时，导致服 务中断或输出质量波动问题，做到用户无感知的平滑切换；当流量回归常态后，系统再自动升级 到满血版模型服务，并释放多余的较小参数模型实例。同时，系统可预设多种基于负载的触发条 件，如结合 GPU 使用率、请求队列长度、响应延迟等资源健康度指标，形成动态切换策略和任 务路由机制，使弹性方案在实际应用中更贴近业务需求。
其次，关注赋能算法规模化落地的底层核心技术栈： 为提升实际机器学习模型的开发和优化效率，第四范式也针对底层数据及运行管理研发专用组 件，分别为机器学习数据库——OpenMLDB 和开源 AI 操作系统内核——OpenAIOS。
OpenMLDB：在人工智能工程化落地过程中，企业的数据和工程化团队 95% 的时间精力会耗 费在数据处理、数据校验等相关工作上。为此第四范式推出 OpenMLDB（已开源）解决 AI 工 程化落地的数据治理难题，为企业级机器学习应用提供线上线下计算一致、高性能低门槛的生产级特征平台。在例如个性化推荐、风控、反欺诈等需要毫秒级实时度计算、线上线下 一致的场景中应用，实现开发即上线的快速部署。
OpenAIOS：为优化人工智能应用的开发效率，第四范式推出 OpenAIOS 用于多级计算、存储 和通信的集中管理，旨在不影响用户使用体验的情况下自动调度及管理异构资源以提高计 算资源利用率。例如自动拆分任务进行并行计算、通过自动扩容策略扩大内存容量、提供低 延迟、高吞吐的通信框架并结合硬件虚拟化技术提升 GPU 利用率。
在底层算力管理方面，第四范式的 vGPU 资源池化技术持续创新，通过动态资源切分、智能任务 调度和弹性扩张能力的提升，实现 GPU 资源利用率的提升（30%+），单机多任务处理效率提升 3 倍。基于自研的大模型推理框架 SLXLLM 及推理加速卡 SLX，利用多任务共享及处理优化技术， 推理性能提升 5-10 倍。
在顶层的软件应用层： 第四范式为企业客户提供快速部署可用的 AI 应用矩阵及定制软件，满足企业的通用及个性化需 求。通过预装智能应用套件加速通用 AI 工具落地，包括 AIGC、智能办公、数字员工、AI 本地 搜索、分析决策等（2024 年 11 月推出 SageSuite）。同时根据行业特性提供特定功能模块，发布 多个行业应用方案，覆盖银行、房产经纪、医疗、水利、工业和法律等业务场景。
1.2.2 平台与产品迭代深度融合并受益于人工智能技术演进
第四范式技术迭代深度融合并受益于各类人工智能进展，包括生成式 AI 的多模态能力、Agent 产品形态、世界模型等。
1. 生成式 AI 为决策式 AI 提供更多模态且理解力更强的交互能力
决策式 AI 对于软件和业务环节的优化在于：通过收集历史数据，用机器学习总结规律，经由行 为-反馈-学习-应用四个步骤循环优化（HyperCycle 方法论），提升决策水平。生成式 AI 带来的 自然语言、图片、视频等多模态交互与理解能力的提升也促进了第四范式决策 AI 的运用和产品 的革新。其推出的 4Paradigm SageGPT 专注于通过多模态交互、企业级知识库整合和业务流程自 动化，帮助企业提升效率、优化决策，即基于机器学习和大模型技术，重构企业软件交互方式。 以集装箱货物摆放规划为例，SageGPT 会根据一个“装箱任务规划”的需求，沟通了解集装箱尺 寸、货物尺寸与件数及其他特殊需求，自动计算出最优堆叠结果，以 3D 图形展示，且推理过程 可见。
2. 通用大模型可被灵活部署在本地
2025 年 2 月，第四范式推出 Model Hub AIOT，客户可在端侧直接部署各类小尺寸蒸馏模型，包 括 DeepSeek、Qwen、Llama 等。端侧小模型的优势包括：1）离线运行，可灵活在多个模型之间切换；2）兼顾了模型压缩、推理性能，解决了部署与优化的复杂性；3）不仅能够满足用户对隐 私和实时性的需求，还极大降低了 AI 大模型推理成本。 9 月公司针对部署模型与芯片架构互不兼容的痛点推出 Model Hub XC。目前市面上运行的 ModelHub 中，很多国外模型和软件是针对他们的硬件（如英伟达 GPU）对应优化的，而国产硬件 会有“不适配”问题，导致在国产算力生态中，不同模型往往需要分别适配，耗时长且重复工作 量大。Model Hub XC 通过基础算法架构适配驱动批量化模型支持，并能缩短模型上国产算力平 台的部署周期。上线时已适配认证的模型数量达上百个，并将在一年内达到十万数级，已适配的 信创算力包括：华为昇腾、寒武纪、天数智芯、昆仑芯、沐曦和曦望等（按英文名排序，排名不 分先后），未来将覆盖市面所有主流信创算力。
3. 先知 AI 平台逐步打造全面 AI 生产力体系，构建垂类行业大模型能力
先知 AI 平台从底层算力平台、提供企业级特性的 AIOS 操作系统，到顶层全套软件 SageSuite， 提供全方位、高效率及高性价比的 AI 数字化转型基础设施和全流程的模型及软件开发工具链。 先知平台的发展过程可以总结为三个阶段。早期聚焦于提升模型本身的精度和自动化水平，降低 开发门槛让企业“用起来”。中期关注 AI 如何真正在业务中落地并产生可衡量的商业价值，解决 “用得好”和“有价值”的问题。上市以来加速融合生成式 AI 技术、提出 AIGS 战略，强调通过 Predict the Next "X" 的理念处理多模态数据，构建行业大模型，并通过资源池化和模型生态 建设，实现规模化应用和成本优化，让 AI 高效普惠。 2015 年，先知 AIOS 1.0 首次发布，通过高维、实时、自学习框架大幅提升模型精度； 2017 年，先知 AIOS 2.0 利用自动建模工具 HyperCycle，降低模型开发门槛； 2020 年，先知 AIOS 3.0 规范 AI 数据治理和上线投产，连通建模与应用落地； 2022 年，先知 AIOS 4.0 引入北极星指标来刻画企业的核心竞争力与目标 例如：希望以用户体验取胜的企业可以把“用户留存率”作为北极星指标；以服务效率 取胜的企业可以把“边际成本”作为北极星指标；以销售取胜给的企业可以把“客户经 理人均贡献利润” 作为北极星指标等。 2024 年，先知 AIOS 5.0 升级预测下一个 X 的能力，核心特点是基于各行各业场景的 X 模态数 据，构建行业基座大模型。
第四范式 AIGS 迭代结合 CoT 思维链，使企业级 Copilot 能够进行推理和任务拆解，增强 AI 自 动执行的能力。 AIGS 1.0 阶段是 Copilot，能调动各类信息、数据、应用，作为助手完成用户的指令。 AIGS 2.0 阶段是 Copilot+知识库，可以通过查询知识库，参照规则做更复杂的工作。 AIGS 3.0 阶段是 Copilot+CoT（思维链），大模型不断学习软件系统的使用行为，形成针对这个 领域的思维链，实现 AI 能自动地按照步骤完成某个任务而非依靠指令和既定规则。
1.2.3 第四范式：Agent+垂类世界模型技术路径具备优势
AI Agent 理解人的需求+垂直世界模型解决问题是第四范式实现 AGI 的核心理念。Agent+世界模 型的架构即是以行业 Know-How 提炼垂类世界模型，Agent 为与人交互的产品形式。优势在： 更高效的复杂问题解决能力：通过 Agent 理解人类意图并进行任务分解，再调用世界模型执 行，能够处理比单一大模型更复杂、专业性更强的业务场景。 更好地平衡通用性与专业性：大语言模型提供通用对话和理解能力（由 Agent 体现），而世 界模型则深耕垂直行业，解决了大模型在专业领域深度不足及幻觉问题。 持续进化与自我强化：AI Agent 在与人的交互中不断学习优化沟通能力，世界模型在解决实 际问题的过程中持续迭代增强专业能力，两者形成正向循环。 降低开发门槛与成本：第四范式提供的大模型工具链和开发平台，支持可视化编排和低代码 开发，缩短企业 AI 应用的开发周期。
Agent 是大模型实现在企业与个人工作流长驻与应用的重要媒介。每一个 Agent 都封装或打包了 一定的模型能力，并且过程可追溯、可审计，未来也将更加可控。Agent 突破传统规则执行，结合细分行业世界大模型主动感知、自主决策及执行复杂任务。具体来看，Agent 可充分理解使用 者指令与意图，对复杂任务目标进行分解与排序，并帮助使用者执行。 在理解垂直/行业世界模型前，我们先通过 Genie3 图像——即模拟真实人类视角的世界模型来 理解更广义或更全面的世界模型概念。 在 《 Recurrent World Models Facilitate Policy Evolution （ David Ha,Jurgen Schmidhuber,2018）》中提出，世界模型有三个核心部分：感知、记忆、决策。世界模型通过感 知组件与记忆组件，所学习到的关于环境的表征与对于未来的预测能有效地帮助模型理解现实， 构建强大的复杂因果推理能力，提升 AI 在动态环境中的自主决策能力。例如在生产流程中，如 果设备某个部件出现故障，需通过记忆与学习预测会受到影响的各个环节，并将实际发生情况返 回、反馈，以优化下一次预测。 谷歌 DeepMind2025 年 8 月发布的 Genie3 很直观地展现了模拟人类认知现实世界的通用世界模 型能力，在保持场景和物理一致性上有较大突破（实现数分钟级环境一致），包括结合记忆和过 往结果的下一帧预测、长视野推理与反事实推理。反事实推理（“What-If”）是通过思考过往认 知，来判断“假如发生了某件事情”的影响，而非“对着题集找答案”。
通用世界模型的建立是一个“人类”多维度的常识积累，垂类/行业世界模型的建立是一个行业专家的专用知识积累。通用世界模型的关键技术与能力包含因果推理能力、场景重建时空一致性、 多模数据物理规则准确描述、执行与实时反馈。以上核心能力亦可被抽象应用于行业世界模型中。
行业模型的反馈与自学能力使其效用与效率超越人工。在早期第四范式的银行反欺诈方案案例 中就展现了行业模型能力：制定传统反欺诈方案需要业务专家总结经验，而通常顶尖的专家团队 最多能制定出一千条专家规则，仅能覆盖重点区域的典型欺诈场景。但在某全国性股份制商业银 行与第四范式的合作案例中，仅基于一年的交易数据，银行就通过机器学习制定出了 25 亿条反 欺诈规则，不仅涵盖“非典型区域”的“非典型特征”，对于更新的欺诈方式也具备一定洞察能 力。该案例实际上线效果较传统专家规则提升 7.6 倍。反欺诈模型事后验证，对客户打扰率相比 专家规则下降 57%。 解决企业核心业务痛点的行业大模型具备如下特征：1.使用不限于开源的数据来源，运用企业内 部的结构与非结构化数据；2.认知和理解特定行业或领域运行规律；3.在进行企业核心价值与业 务逻辑的梳理后，结合行业知识图谱（+思维链能力）、决策 AI、生成式 AI 形成垂类行业大模型 辅助优化决策。
第四范式的 AI Agent+行业大模型已在多类业务中落地实践并实际创造企业价值，包括港口业 务、房产中介、法律、制造业、医疗等（截至 2025H1）。
在港口业务中，智能体自主分析上月数据，提醒业务人员因货船卸货顺序不合理导致某泊位效率偏低（例如翻箱率高了 20%），提出调整堆放策略的建议并根据实时货物状态给出最 优堆放方案。
在房产中介的日常业务中，智能体通过房产知识库与政策法规模型，对内提升经纪人专业 服务能力（理解经纪人在日常咨询、合同解读、政策适配等方面的即时学习需求，提供 7× 24 小时的专业知识问答与业务场景培训）；对外提升客户个性化服务能力（通过客户行为分 析与推荐模型，基于客户浏览、询盘、历史交易数据，理解客户购房需求与偏好，智能匹配 房源信息，提供个性化房产推荐）。
在法律行业，智能体加速合同扫描与风险检测，几分钟就能完成原本耗时数小时的人工合 同审阅，既避免人为疏漏、确保审查覆盖所有关键风险点，又能基于统一标准审核，避免不 同人审核标准不一的问题。
在制造业，智能体帮助某飞机制造集团将零件生命周期成本降低上亿元；某半导体集成电 路企业通过半导体制造智能排产派工，产能提升 13%。
在医疗业，智能体助力医疗机构实现接诊能力及效率的实际提升：理解医患需求，并链接丰 富细分的医疗行业垂直模型，实现医疗资源利用率提升 60%、每年手术台次数提升 14.5%、 平均每台手术节省时间 0.25 小时等。
因此总结来看，第四范式以决策 AI 为基础，融合生成式 AI 帮助企业实现智能化，解决各行业 企业“不知道 AI 能力边界”、“不知道怎么用 AI”、“内部部署需投入大量人力与时间”等问题： 1. 本地化部署：SageOne IA 本地化一体机形式部署，支持全国产链落地。 2. 结合通用 AI 能力：使用 SageGPT 进行自然语言交互、使用 Sage CodeX 进行代码辅助、 使用 Sage Builder 快速生成 AI 应用部署 Agent 等。并且实现不同模型满血版与蒸馏版 的“智能切换”，提升算力使用效率与使用体感。 3. 决策 AI + 行业世界模型（行业知识图谱+思维链 CoT）+ Agent 构成各领域企业的业务 定制化大模型。
2.1 标杆客户量价齐升并逐步推动规模化落地
标杆客户积累是持续验证技术及提升垂类解决方案能力的核心。第四范式 2021 年以来每半年营 收均呈现同比正增长，2025H1 同比增速有所提升，较去年同期增长 40.7%至 26.26 亿元。从客户 结构来看，2023 年以来，标杆客户收入占比维持在约 60%，2025H1 达 61.6%。
2020-2022 年，标杆客户与非标杆客户数均增长较快，且具备持续获取新增标杆客户的能力。该 期间，标杆客户 CAGR（2020-2022）为 48.8%，非标杆客户 CAGR（2020-2022）为 67.3%。当期标 杆客户仅统计该会计周期内为财富世界 500 强及上市公司的客户，非标杆客户会涵盖会计周期 内未产生新增项目收入的原标杆客户。从 2020-2022 年数据来看，新增标杆客户数持续增长，且 统计期被划归为非标杆客户的存续客户占比较小，客户留存率/复购率高。
回溯历史业绩，标杆客户量价齐升是营收高增长的重要因素。2024 年末标杆客户数同比增长 22 个至 161 个，截至 2025H1 标杆客户数较去年同期增长 4 个至 90 个，预计 2025 年末标杆客户将 持续上升。标杆客户 ARPU 亦呈现持续上升趋势，截至 2025H1 每标杆客户平均收入为 1798 万， 同比+56.6%。同时，留存标杆客户的平均收入也在逐年增加：
NDER（2023）= 2023 留存标杆客户收入/2022 标杆客户收入 = 115%
NDER（2024）= 110%
决策 AI 在多行业应用广泛，在某些环节重要性强于生成式 AI，第四范式已在金融、能源等 20+ 行业积累标杆客户，覆盖行业广。决策 AI 在金融业的风险与法务、制造业的生产制造环节、能 源化工的生产制造与供应链管理、交通运输的供应链管理、政务企业的风险与法务等关键环节应 用重要性相对强于生成式 AI。第四范式在多细分行业积累标杆客户（世界 500 强及上市公司）， 从第一个银行客户延展至多行业覆盖。截至 2023Q1，能源电力、金融、运输（不分先后顺序）为 前三大主要收入行业。当前已覆盖 20+行业，包括金融、零售、制造、能源电力、电信、运输、 科技、教育、媒体及医疗等。通过行业龙头的定制化 AI+服务积累行业垂类能力，可逐步复用至 行业内其他公司。
2.2 3C 产品与细分领域合作共创拓展商业增量
2.2.1 运用端侧模型能力拓展多品类 C 端 AI 智能硬件
公司业务以 B 端企业智能化服务为核心，向 C 端消费电子延展。2025 年 3 月，公司成立范式集 团，将上文提及的主要企业智能化服务业务划归为集团下的核心子业务 4Paradigm，并单独发布 消费电子业务板块 Phancy。消费电子业务形式亦为软硬件一体，通过端侧模组在消费电子产品 中实现 AI Agent 能力。 公司直接发布产品或与品牌合作搭载 Phancy 机芯。第四范式与华为 OpenHarmony 战略合作，华为 OpenHarmony、海思 HISILICON 芯片结合第四范式 AI 大模型形成完整智能硬件，已推出 AI 眼 镜、AI 耳机、AI 手表、AI 音箱等智能硬件产品。同时，公司携手李小龙、兰博基尼、联想等品 牌推出搭载 Phancy AI 机芯的智能手表。用户通过使用各类智能硬件产品，可以运用语音、按键 等多种方式唤醒智能体实现交互，并实现诸如资料查询、同声传译、会议速记、AI 拍摄识别、 高清影像采集、智能导航、健康建议等功能。 此外，公司与中科蓝讯、杰理科技、博通集成达成战略合作，基于 AI 芯片超低功耗、高算力及 稳定连接能力，为端侧 AI 设备提供支撑，形成从芯片到算法的全栈闭环。 2025 年 6 月在巴西举办的金砖国家人工智能高级别论坛中，第四范式的 AI 手机助手被论坛选为 翻译支持，可使用 140+种语言。该产品为重量只有 28g 的扁圆型可磁吸手机助手，实现一键翻 译、同声传译、拍照识别、面对面翻译（双语交替）、生成会议纪要等功能。
2.2.2 以储能、稳定币为切入点，深化 B 端战略共创
AI+储能：成立合资公司，提升电力资源全链条效率
第四范式在智慧能源领域已有经验积累，客户包括华油能源、中石油、中石化、国家电网等，在 石油管道异常检测、海关内腐蚀检测、化工品价格预测、风机设备故障预测等场景下均有落地实 践。实现油层识别率提升 96%、风机故障预警提前 20 分钟、化工品价格预测准确率 99%等业务效 果。 2025 年 8 月，第四范式与海博思创成立合资公司：通过将分散在电网中的分布式电源（如光伏、 风电）、可控负荷（如空调、电动汽车充电桩）、储能系统等资源聚合起来，进行统一的协调、优 化和控制，帮助虚拟电厂全方位参与电力市场运行，为电网提供调峰、调频等多种服务。优化“发-输-配-用”全链条效率。 海博思创是行业领先的储能系统解决方案与技术服务供应商，专注于储能系统的研发、生产、销 售和服务，为传统发电、新能源发电、智能电网、终端电力用户及智能微网等“源－网－荷”全 链条行业客户提供全系列储能系统产品。在电源、电网、用户侧提升用电效能。电源侧：助力解 决弃风弃光问题，提升新能源的利用率，减小功率波动，降低对电网冲击，提高新能源发电的消 纳能力，促进新能源的高质量发展。电网测：通过调峰、调频、辅助服务、提升电能质量等方式 提升电网运行稳定性。用户侧：峰谷时移、错峰用电，降低用电成本；同时可以平衡峰值负荷， 减少供电容量需求，延缓配电设施扩容改造，提升供电可靠性。
AI+稳定币：战略合作/成立合资，从传统金融延展至稳定币安全交易构建
第四范式加深与优势应用行业的合作，将智慧金融经验拓展至稳定币生态。在稳定币交易方面， 2025 上半年，公司与头部券商签署战略合作协议：共同开发探索 AI+稳定币风控&合规解决方案。 该方案依托公司特色的 AI 反洗钱系统和交易反欺诈解决方案，通过 AI 算法自动解析全球监管 文件，动态调整合规参数并生成策略；利用大数据监控跨境资金流和链上数据，及时预警稳定币 脱锚等风险。 在稳定币底层收益方面，2025 年 7 月，第四范式与固定收益金融科技平台九鞅科技战略合作并 成立合资企业：携手发布稳定币底层资产管理解决方案。公司依托十余年为国内头部金融机构服 务累积的 AI 实战经验与技术积累，引申运用至核心需求高度一致的稳定币生态（安全、合规）， 具备能够精准洞察稳定币生态风险点，利用 AI 将传统银行合规能力与区块链技术实现深度融合 的能力。短期来看，双方或将推出“合规 + 组合管理”SaaS 方案，助力机构满足监管要求；中 期将共建评级体系和 API 服务，推动行业标准化；长期将打造国家级技术底座，支持跨境数字人 民币等战略项目。 第四范式基于对监管动态与市场痛点的洞察，依据金融行业的 AI 反洗钱、AI 反欺诈模型，引申 出针对稳定币的 AI 应用。同时结合九鞅科技优势构建稳定币底层资产组合管理平台、组合风险 监控、合规及监管辅助应用，并为传统资管机构（如银行理财、券商、基金公司等作为投资人或 托管人）开发稳定币参与策略组件。
九鞅科技是一家深耕本土、面向全球的金融科技服务商，聚焦于为银行、券商、基金等金融机构 提供资产定价、投资组合分析及风险管理系统解决方案。其自主研发的投资组合管理与风险管理 系统已在 20+大型机构落地应用，客户涵盖银行金融市场部及理财、券商自营与资管部门、各类 基金公司等。
3.1 落地优势 1：自上而下的智能化应用与企业智能化发展趋势
从“互联网+”迈向“人工智能+”。2015 年 7 月 4 日，国务院发布《国务院关于积极推进“互联 网+”行动的指导意见》。其中重点行动第十一项提及“互联网+人工智能”，强调在智能家居、智 能终端、智能汽车、机器人等领域的推广应用。自 2015 年印发《关于积极推进“互联网+”行动 的指导意见》十年后，为进一步推动人工智能与各行业领域的广泛深度融合，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》，推动与经济社会各行业领域的广泛深度 结合，促进生产力革命性跃迁和生产关系深层次变革，并提出在未来十年中的分阶段行动目标。 具体来看：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 我国全面步入智能经济和智能社会发展新阶段。 “人工智能+”指导意见肯定智能终端、智能体等应用发展趋势，“十大关键词”强调“企业级 AI” 发展。在以新质生产力为牵引的数字化跃迁中，“人工智能+”被正式写入 2025 年政府工作报告， 成为推动产业智能化升级与社会治理现代化的国家战略抓手。报告中明确要求“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”。2025 年 9 月 16 日，中国信通院发布“2025 政企数智化转型十大关键词”：“十五五”数字化规划、架构与 流程治理、企业级 AI+、企业数据价值化、信创生态化攻坚、AI 应用研发、智能体应用、政务数 智治理、城市全域数字化转型、数智化成熟度。
我国正在逐步把政策目标转化为可执行、可操作的治理实践，逐步建立并强化政策法规保障。为 强化政策制度驱动，激活人工智能核心要素供给，自 2017 年《新一代人工智能发展规划》以来， 国家层面已将法治与伦理纳入人工智能发展的制度保障体系，提出到 2025 年基本建立人工智能 法律法规、伦理规范与政策体系。在数据要素、算法与模型、算力与基础设施、标准与指南、人 工智能管理方面均有相应法律法规出台。我国正在逐步把政策目标转化为可执行、可操作的治理 实践。在此过程中，跨境数据新规、“东数西算”与算力网络、算法与深度合成备案、生成式人工 智能服务管理暂行办法及其确立的“包容审慎—分类分级”的监管理念、以及行业标准与评测体系 的成熟，共同为“人工智能+”行动提供了“硬法—软法—技术”三位一体的政策供给体系。 同时为进一步落实落地人工智能应用，10 月 10 日中央网信办发布《政务领域人工智能大模型部 署应用指引》，围绕政务服务、社会治理、机关办公和辅助决策等工作提供人工智能大模型部署 应用的工作导向和基本参照。
当前人工智能在各行业领域的应用度仍有较大提升空间。互联网、电信、政府、金融、制造、交 通、服务、和教育均为 AI 技术积极探索和广泛落地的领域。除互联网企业投身 AI 革命，应用渗 透率较高外，部分行业 AI 化相对较快，形成梯队差异。电子通信、政务公务、金融服务的应用 渗透率在 70%+，工业制造、交通出行、企业服务、医疗健康等行业 AI 应用渗透率在近 50%及 50% 以下。
3.2 落地优势 2：在各机器学习平台中具有长期领先优势
2024 年中国机器学习平台市场同比+22.7%至 34.5 亿，第四范式的先知平台具备规模化落地能力 与市占优势。据 IDC，范式连续七年为中国机器学习平台中市占率第一。同时，在《中国大模型 开发平台 2025 年厂商评估》中，范式定位在领导者类别，与百度、阿里、商汤等一众头部厂商 共同引领技术前沿。
3.3 落地优势 3：服务紧扣业务痛点，千万级定制化交付客户粘性强
第四范式的企业级 AI 服务业务具备以下优势：紧扣企业需求、客户支付能力强粘性高、复用度 提升未来或提升利润率。
1. 紧扣企业需求：业务模式从单客户定制化服务出发，引入契合企业上下统一目标的北极星理 念和指标，逐渐形成具备行业及业务场景特征的服务与产品库。以平台化交付提升 AI 规模化交 付能力，同时提炼具备不同行业特性的核心 KPI 指标、建立行业大模型。在 AI 的技术进展下提 升规模化落地能力与效率，提供通用化的平台与产品，并建立易用的开发工具。
2. 客户支付能力强粘性高：我国企业处于智能化应用的前中期，第四范式标杆客户以行业龙头 企业为核心用户群体，高客单价系统交付的形式带来高客户粘性（2024 年末标杆客户平均收入 1910 万元）：在客户形成使用先知平台构建的行业大模型与 AI 应用习惯后，长期使用及新业务 需求采购均对第四范式的先知平台有更高倾向。
3. 复用度提升未来或驱动利润率改善：第四范式在过往十余年的多行业定制化服务中形成行业 垂直模型积累，在学习大量真实的企业软件数据后，对于各领域的逻辑推理能力才能使 AI 实现 更好的拆分、决策、执行工作。且在生成式 AI 的助力下，模型与应用交付效率提升。截至 2025 年 9 月，第四范式已发布包括零售、水利、银行业、工业、医疗、房产经纪、港口、券商、运营 商、法律等在内的 10 个垂直行业模型，具备向行业同类及中长尾企业拓展复用的能力。 在非自研或自建团队的企业智能化路径中，第四范式的服务路径可以总结为机器学习平台+行业 垂直模型+LLM 能力的路径，相较于其他两类路径更具专才特征。其他两类分别为：企业软件接 入并结合通用大模型能力，推出 Copilot、Agent 或平台；通用大模型厂商接入知识库，结合检 索增强和思维链强化。后两者通常涉及对大模型的剪枝、蒸馏与微调优化，以实现模型使用个性 化及使用效率的提升，并需降低模型幻觉，提升优化后模型的实用性。
参考海外企业智能化服务商，Palantir 利润持续优化，政府+商业双轮驱动。借鉴美国企业智能 化龙头 Palantir 的发展历程，Palantir 从情报局服务起家，现已推出 Gotham、Foundry、Apollo、 AIP 四个主要的软件平台，形成政府+商业双轮驱动的稳定业务模式。自 2021 年以来，Palantir 整体毛利率呈上行趋势，2025Q3 毛利率已实现 82.4%。2022 年扭亏以来净利率水平持续上升， 2025Q3 达 40.4%。2024 年来，每季度营收同比增速持续提升，政府业务贡献持续增长动能（2025Q3 增速为 54.9%），商业部分 2025Q3 增速显著提升（72.9%）。
Palantir 政府客户数在近 5 期逐步提升，截至 2025Q3 已达 29%，商业客户增速维持同比近 50% 的高增速（季频数据），当期政府/商业客户数分别达 169/742 个。
Palantir 智能化业务或具备区域特性，2024 年来美国地区营收增速显著提升，自 2024Q1 的同 比+20.6%增长至 2025Q3 的 76.9%，非美地区收入增速在 2025Q3 有所回升（31.8%）。
美国地区政府及商业营收增速均呈现快速增长，其中商业客户收入增速较快，2025 年来客单价 迅速提升。2025Q3/2025Q2/2025Q1/2024Q4 商业客户收入与商业客户数同比增速分别为（121.8%， 65.1%）/（92.5%，64.4%）/（70%，64.9%）/（63.4%，72.9%），可见美国地区商业客户平均收 入（美国商业客户 ARPU）逐步进入加速增长通道。
因此从 Palantir 的发展借鉴来看，企业智能化或具有在地化特征，第四范式在中国市场中采用 了软硬件一体化的交付模式，也正是本土化适应的体现。而 AI 应用开发与管理平台的类“Windows” 系统式平台化服务增加客户粘性。同时，行业龙头企业的经验累加有助于形成各行业大模型能力 及规模化交付能力，进而提升行业非龙头/非典型客户服务能力，并提升利润率。第四范式的企 业级 AI 服务业务在中国市场具备落地优势。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
