2025年4月28日，甲子光年創始人&CEO 張一甲于「AI共潮生—2025甲子引力X科技產業新風向」上發布《AI共潮生：2025中國AI新風向30條判斷》。

4月28日，中國科技產業智庫「甲子光年」在上海·閔行馬橋工業智能中心舉辦「AI共潮生—2025甲子引力X科技產業新風向」大會。甲子光年創始人&CEO張一甲重磅發布主題報告《AI共潮生：2025中國AI新風向30條判斷》。以下為報告詳細內容。

關注公眾號「甲子光年」，后臺回復“AI共潮生”，獲得報告高清版完整PDF。或者點擊文末“閱讀原文”，進入甲子光年官網下載。

1.過去一年，AI發生了什么？

2.ChinaAI崛起，進擊與普惠時發生

2.1 “ChinaAI”是年度關鍵詞， 世界正重新評估中國AI的價值

過去一年風風雨雨，屏幕上呈現了很多關鍵詞，AI依然是最受關注的領域。

2025年初，我們迎來了一個歷史性轉折——DeepSeek以“開源、低成本、高性能”的算法革命，引發全球震動，不僅改寫了“算力軍備競賽”的邏輯，更標志著中國從“算力追隨者”向“算法定義者”的身份轉變。

因此，“ChinaAI”是2025年當之無愧的年度關鍵詞。世界正重新評估中國AI的價值體系。

2.2 進擊與普惠

AI的發展，正沿著兩個維度同步并舉。一方面，是AI的進擊。另一方面，是AI的普惠。

2.3 AI進擊：AI有多元研究方向，技術路線仍未收斂

我們先來看AI的進擊。進擊的原動力首先來自學術探索的空間。

根據2025年AAAI發布的報告，AI研究領域正朝著17個關鍵方向快速發展，這些方向之間相互獨立，同等重要——說明AI的研究方向并未收斂，進擊之路才剛剛開始。

2.3.1 一枝獨秀，不如萬枝芬芳數字AI、物理AI、生命AI的探索都有巨大空間

我們畫了一棵樹，呈現了AI的三大分支。

左邊是數字AI，是我們最熟悉的AI。

數字AI是停留在虛擬空間的AI，它像一個超級大腦。近幾年，伴隨大語言模型的快速進展，數字AI正在一個token、一個token地突破“智力”的上限。

中間是物理AI，也就是AI走進物理世界。

物理AI不再局限于數字環境的運算，它能夠感知、理解三維世界的空間關系和物理行為，并在現實世界中執行復雜操作，被廣泛應用于機器人、自動駕駛、材料研究、氣候預測、航天探索等領域。

右邊是生命AI，是通過人工模擬生命系統，來研究生命。

生命AI基于生命科學基礎大模型，解碼基因組、蛋白質、細胞、生物系統等底層規律，構建高質量的生命要素。

目前，大量的資源傾斜在數字AI，一部分人開始做物理AI，而生命AI才剛剛起步。一枝獨秀，不如萬枝芬芳，三大分支都有巨大的探索空間。如果說“數字AI”是理性的基礎，“物理AI”是現實的延伸，“生命AI”則關乎人類未來的可能性。這說明，AI的進擊之路還很長很長、很寬很寬。

2.3.2 百家爭鳴，大模型架構不斷演進尚未收斂

從大模型架構看，也是一條進擊之路。

從2017年Transformer架構的提出開始，大模型經歷了從傳統遞歸神經網絡（RNN）到以注意力機制（Attention）為核心的轉變，又逐步衍生出多種變體架構，如稠密模型（Dense）、混合專家模型（Mixture of Experts, MoE）、狀態空間模型（State Space Model, SSM）、保留網絡（Retentive Network, RetNet）等。

近期研究表明，結合多種架構的優勢可能產生更強大的模型，一些混合策略架構開始成為新方向，例如：MoE-Mamba架構、Transformer-SSM混合架構、架構自適應模型等等。

這是百家爭鳴，大模型架構不斷演進，尚未收斂。

2.3.3 千帆競技，企業部署AI技術在持續換新

從企業的角度看，根據甲子智庫調研，企業已經部署的AI核心技術和未來三年要重點部署的AI核心技術基本沒有重合度——這說明不斷迭代的AI技術將會不斷重構企業。

這是千帆競技，企業部署的AI技術仍在持續迭代換新。

2.3.4 萬燈火前方尚是等待探索的星辰大海

AI從在數字世界里沉浮，到與物理世界結合，再到對生命的探索……一枝獨秀、百家爭鳴、千帆競技、萬家燈火，這是AI的進擊之路，星辰大海才剛剛開始。

2.4 甲子智庫《2025AI普惠度調研》

AI技術的進擊，驅動了AI普惠的可能。為了了解AI普惠的具體情況，甲子智庫在今年3～4月做了一次深度用戶調研。

2.4.1 AI普惠：技術下沉到毛細血管，各行業對AI認知顯著提高

普惠首先離不開共識的建立。根據甲子智庫調研，74.5%的用戶已經理解并認可AI對其行業的價值——這說明，共識已經形成。伴隨共識形成，AI的技術權利正在從精英層向全民擴散。

2.4.2 開源與低價：不斷重構AI生態位與競合邏輯

驅動AI普惠加速的兩個引擎是開源和低價。

根據甲子智庫調研，44.7%的企業在部署使用AI時選擇“基于開源模型定制開發”——這說明，開源戰略已經成為企業部署使用AI的核心路徑之一。而使用成本的下降也讓基礎模型變得“平民化”。

這場“技術平權運動”，讓整個AI產業鏈在今年年初快速波動，所有角色都在調整迭代，不斷重構AI的生態位與競合邏輯。

2.4.3 聚類：AI用戶可劃分為具有顯著區別的四用戶群

接著，我們分析一下AI用戶。

甲子智庫從技術水平與應用程度兩大維度，構建了覆蓋八個關鍵指標的評估體系。我們以聚類方式來解析八大因子，可以在正交旋轉空間中看到AI用戶的分布——這個分布呈現了顯著的四類群體。

換句話說，AI用戶自然形成了四大類型。

2.4.4 命名：根據AI應用程度為四類用戶命名

通過分析用戶對AI產品的應用深度，可以發現四類用戶的顯著差異。

• 第一類用戶主要把AI當做工具；

• 第二類用戶主要把AI當做助手；

• 第三類用戶已經把AI當做助理和員工，可以一起協作；

• 第四類用戶與AI的協作已經可以對現實世界產生影響，如具身智能、AI大模型驅動的人機協作等。

由此，我們可以將四類用戶分別命名為：AI工具用戶、AI助手用戶、AI原生用戶和AI創生用戶。

2.4.5 分布：四類用戶分布體現AI應用進展

根據甲子智庫統計：

• AI工具用戶占比38%。

• AI助手用戶占比48%。

• AI原生用戶占比12%。

• AI創生用戶占比僅2%，說明AI在物理世界的實際應用進程還需要時間的培育。

我們進一步發現，不同行業的四類用戶分布也很不同，意味著不同行業的AI發展水平不同。

• 交通運輸、物流倉儲、醫療健康、互聯網、教育、制造等領域都有AI創生用戶，這些領域已經具有軟硬融合的AI產品，例如智能汽車、教育機器人等。

• 環保、旅游休閑、生命科學、能源化工、IT軟件等領域的AI原生用戶占比較高。

• 其他行業大部分還是以AI工具用戶和AI助手用戶為主。

以上，是進擊與普惠的情況。接下來，我們想進一步追問：

進擊和普惠這兩股力量是如何推動AI變革發展的？

ChinaAI，是否已經形成了一種發展范式？

關注公眾號「甲子光年」，后臺回復“AI共潮生”，獲得報告高清版完整PDF。或者點擊文末“閱讀原文”，進入甲子光年官網下載。

3.China AI雙螺旋演化機制

3.1 AI改變世界的評估模型

在回答剛才的問題“ChinaAI，是否已經形成了一種發展范式”之前，我們先來回顧一下甲子光年智庫提出的一些概念。

2023年，我們提出了評估指標“信能比”，反映單位能源所能駕馭的信息量。

2024年，我們提出了AI發展進程的四個階段：L1到L4。

如左圖所示，AI改變世界有兩大維度。

第一，AI主語化：AI的主導權逐漸增強；

第二，AI映射力：AI對物理世界的映射能力逐漸增強。

以這兩條主線為X-Y軸，可以劃分為四個象限：

• 左下角是L1-AI生產時代：人類為主， AI為輔， 位于這個階段的AI主要是基礎設施、算力、模型、算法等等，AI扮演的是數字生產力；

• 右下角是L2-AI原生時代：AI為主，人類為輔， AI滲透率將無限逼近直到超越人類在數字世界的行為邊界。這個階段已經產生了很多應用，比如AIGC、Agent等等；

• 左上角是L3-AI創生時代：人類為主，AI為輔，AI逐漸滲透逼近人在物理世界的行為邊界，比如具身智能、智能制造、智能駕駛；

• 右上角是L4-AI文明時代：AI為主，人類為輔， AI在數字世界和物理世界都對齊甚至超越人類的行為邊界，人類文明進入“雙生時代”。

這四個時代的切分有著更宏觀的意義。

2024年，甲子光年智庫進一步提出：科技進步“大三角”模型。

如右圖，能源、信息和運動是現代社會和自然界中三個基本而相互關聯的概念——凡科技進步，就是三者之間轉化能力加強的反映。

• 在傳統工業時期，主要是將能源轉化為運動，用生產率度量；

• 在信息時代和智能時代，主要是將能源轉化為信息，用信能比度量，L1-AI生產時代和L2-AI原生時代都屬于這個階段；

• 伴隨AI進入物理世界，主要是將信息轉化為運動，用信產率度量，L3-AI創生時代就屬于這個階段。

• 這個三角形的右上方是物理世界，左下方是數字世界，隨著AI在數字世界和物理世界能力的不斷優化，將會在實踐中構建一條AI影響虛實世界的動態平衡線——這條平衡線就是AI與人類的雙生文明，也就是L4。

這個基本框架可以作為我們分析問題的底色。接下來，讓我們用進擊和普惠兩個維度，去看看這四個階段。

3.2 AI進擊與普惠重塑四個階段

四個階段的AI都在經歷著進擊和普惠的交替發展，在不同階段各有側重。

L1-AI生產時代：AI基礎設施的建設既要更強，又要更多人能用得起，所以進擊與普惠要同步并舉。

L2-AI原生時代：更注重AI應用的廣度和通用性，故以普惠為主，進擊為輔。

L3-AI創生時代：首先還有大量技術問題要解決，故以進擊為主，普惠為輔。

L4-AI文明時代：進擊和普惠都發展到了相當水平，AI真正做到了全民可享，無處不在。

每個階段，我們都用了向上和向右的箭頭來表達其演進方向，箭頭長短區分每個階段的側重點。

3.3 China AI雙螺旋演化機制

接下來，我們用曲線代替這些箭頭，可以擬合出一條美麗的雙螺旋曲線。

無論是哪個階段的AI技術，都在進擊普惠這個雙螺旋中生長。二者是互相成就的關系：技術進擊為應用普惠帶來可能，而普惠的應用又反哺技術的進擊，形成螺旋狀的飛輪。

縱向進擊、橫向普惠，一縱一橫兩股勢能如螺旋般共生共長——沿著這樣的雙螺旋曲線，一場AI的多層次變奏曲已經響起。

3.4 點題：“AI共潮生”

這就是為什么本屆2025甲子引力X科技產業新風向大會，我們選擇以“AI共潮生”為主題。

從算力基建到終端應用，這一次，站在全新的歷史起點上，我們將共同繪制AI價值落地的“第一性原理地圖”，我們將探尋科技創新與產業變革的融合脈絡，我們將見證東方科技大國的崛起，投身人與AI共生的時代。

春江水暖，時不我待。明月當空，共潮而生。

關注公眾號「甲子光年」，后臺回復“AI共潮生”，獲得報告高清版完整PDF。或者點擊文末“閱讀原文”，進入甲子光年官網下載。

4.30條判斷

4.1 L1-AI生產時代

判斷1：ChinaAI，從追隨者走向定義者，中國方案成為事實標準

2025年，中國人工智能領域迎來歷史性突破——DeepSeek以“開源、低成本、高性能”的技術革新，徹底改寫了全球AI產業的規則。DeepSeek在發布第5天日活用戶超過ChatGPT，第15天日活用戶達其2倍，成為全球增速最快的AI應用。

根據甲子智庫調研，DeepSeek以63.9%的支持率躍居國內C端用戶偏好第二位，這表明，DeepSeek不僅技術領先，更在市場認可度上取得了全面突破。

DeepSeek爆紅后，在140個國家和地區的應用商店下載量登頂，并迅速迎來各行各業的“接入潮”，全球開發者積極參與其生態，衍生出無數垂直行業版本，讓整個行業從“技術壁壘競爭”轉向“生態協同競爭”……這就是開源戰略的顛覆性——“以開源換標準”，讓“中國方案”成為了事實意義上的標準，China AI也從“算力追隨者”轉型為“算法定義者”。

判斷2：開源模型AI平民化進程從L2躍升為L3-L5

甲子光年將AI的平民化進程分為五個階段：看得見AI、看得懂AI、用得上AI、用得好AI，以及形成中國范式的AI。

過去，AI的平民化進程停留在看得懂到用得上之間，而DeepSeek推動AI成為了全民可用、全行業可享的技術，用得上AI、用得好AI、形成中國范式的AI同時發生，這讓AI的平民化進程縱身一躍，直接從L2躍升到了L3-L5。

判斷3端側模型，正在定義AI端的新一代操作系統

從2023年開始，主流廠商就陸續發布端側模型，2024年則進入密集發布期，端側模型數量顯著上升。端側模型不僅推動AI更廣泛地應用于各種硬件終端，也在重新定義AI終端的新一代操作系統。

未來智能操作系統將突破傳統靜態規則和預定義邏輯流程體系，轉向以AI為核心的動態化、自主化架構。通過將大模型與智能體深度植入系統內核，可構建AI原生操作系統。AI原生操作系統將從被動工具進化為可超前思考、自主進化的智慧伙伴。

判斷4物理AI打破“缸中之腦”，強化學習+合成數據+數字孿生，推動AI走入現實

在AI大模型預訓練之初，數據集都來自于互聯網，例如GPT-3的訓練用數據集100%都是互聯網數據。基于互聯網數據訓練出的AI模型，本質上是 “互聯網記憶體”，對物理世界了解有限，容易違背物理常識。

在甲子光年的調研中，互聯網數據已經不能滿足企業部署AI的需求。在智能制造、醫療健康、自動駕駛等行業，企業部署AI所需的數據有超過一半是物理數據。

當AI進入物理世界，我們稱之為物理AI。物理AI能夠理解我們居住的三維世界的空間關系和物理行為，利用物理 AI，自主機器能夠感知、理解并在現實世界中執行復雜操作。

物理AI的實現與數字AI方法不完全相同，需要合成數據、數字孿生、強化學習等技術。

合成數據：在AI訓練過程中，3D訓練數據由高度精確的計算機模擬生成，這些合成數據包含與現實世界的空間關系和物理規則有關的信息，既充當數據源，也作為AI訓練場。

數字孿生：物理數據的生成始于某個空間 （例如工廠） 的數字孿生。在這個虛擬空間中，添加傳感器和自主機器 ，模擬現實世界場景，傳感器會捕捉各種交互，如剛體動力學或光在環境中的交互作用。

強化學習：借助強化學習，自主機器可以在模擬環境中通過數千甚至數百萬次試錯行為，最終發展出現實世界應用所需的精巧運動技能——例如靈巧地給箱子打包、幫助制造車輛，或獨立完成環境導航，為在現實世界中運行做好準備。

物理AI讓AI打破“缸中之腦”，走向現實世界。

判斷5：算法變革，AI技術路線尚未收斂，下一條“鯰魚”仍會出現

過去幾十年，人工智能的創新一直圍繞算法、數據、算力動態循環。但目前大多數算法創新，仍是基于Transformer架構體系下的路徑創新。這是否是終局最優解呢？

不一定。目前，非Transformer架構仍在快速發展中，部分算法已經表現出了超越同等規模Transformer模型的能力。

所以，AI技術路線尚未收斂，年輕的挑戰者層出不窮，“鯰魚效應”始終存在。我們也很期待下一個DeepSeek。

判斷6：算力，杰文斯悖論再次印證，算力需求不減反增，但“算力效率”成新共識

2025年，人們對算力的認知有了很大的改變。DeepSeek讓“算力規模至上”的傳統認知被挑戰，達到同等性能模型的預訓練端所需算力正在下降。但從總盤子看，算力的需求不減反增。

為什么？一方面，Agent的核心是推理，相比于之前ChatGPT類產品的一次性回答，推理模型會把問題分解為若干步驟，我們會看到長長的思維鏈和反復自我檢查的過程——token數量會急劇增多，這是對算力的需求；

另一方面，我們又希望AI生成token的速度進一步加快，這也是對算力的需求；

此外，隨著物理AI、生命AI等分支崛起，Scaling law依然有大量發揮空間，這都是對算力的需求。

這是杰文斯悖論的再次印證：當技術進步提高了效率，資源消耗不僅沒有減少，反而激增。例如，瓦特改良的蒸汽機讓煤炭燃燒更加高效，但結果卻是煤炭需求飆升。

當然，雖然算力總需求仍在增長，我們也看到“算力效率”成為新的共識。

DeepSeek R1系列大幅降低了預訓練階段的算力需求，各大廠也在紛紛跟進，這是對算力效率的追逐；另一方面，在推理端按照token計費的情形中，大家可以很容易算清楚賬，就更關注算力的效率。

判斷7：算力，高性價比算力供不應求，依然是中國算力生態的核心矛盾

雖然DeepSeek讓很多國產卡可以用起來，但我們依然需要看到：高性價比算力供不應求，依然是中國算力生態的核心矛盾。

先看芯片。目前國內芯片和國際先進水平大概差1.5代。國內大多數芯片性能已接近英偉達A系列，最新一代接近H系列，但能否達到B系列水平仍不確定。國內主要受限于芯片制造供應鏈，尤其是制程和帶寬。制程受限于代工能力，帶寬受限于封裝技術。如果國內供應鏈能突破瓶頸，吸收臺積電的先進制程和CoWoS等先進封裝技術，趕上英偉達是有可能的。

再看算力中心。假設，現在建一個算力中心，要達到同樣能力，買英偉達的卡需要1億，國產芯片需要1.5億，那差距的50%誰來買單？消費者很難接受，只能由產業鏈分攤。

算力產業鏈的鏈條是“能源-建設-運營”，在產業鏈上，建設方和能源方都能賺錢，但運營環節的性價比卻算不過來，這就會出現供需錯配。

要解決這個問題，必須學會“算大賬”——將資本投入、綠色能源、建設規劃、平臺運營、優質企業招引、本地經濟增長、人才培養等通盤考慮，才能建設一個健康的算力生態。

判斷8一體機，釋放企業私有化部署需求的三分之一

最近，國產一體機也迎來爆發式發展。根據甲子光年的調研，44.7%的企業部署AI的途徑是基于定制化開發和私有化部署，而這其中約三分之一的企業對一體機有需求。

據甲子光年不完全統計，現在已經有60多家主流廠商推出一體機。國產一體機是目前滿足企業部署AI需求的重要解決方案之一。

判斷9：AI改變云廠商增長邏輯，“資源規模”+“智能密度”缺一不可

2025年，各大云廠商紛紛加大對AI的資本開支。

• 谷歌預計2025年資本支出750億美元，資本開支增長42.9%。

• 微軟計劃2025財年投資800億美元建數據中心，資本開支增長43.6%。

• 阿里巴巴宣布未來三年將投入3800億元建設云與AI硬件基礎設施，這一金額超過其過去十年的總和。

為什么云廠商要這么投入？因為AI已經成為云廠商收入增長的核心引擎。

在甲子光年的調研中，32.7%的企業傾向于以云服務集成模式來部署AI。這表明云廠商已經成為AI落地的重要途徑，隨著AI需求爆發，云計算市場將迎來可觀的持續增長。

過去，云廠商的競爭力來自“資源規模”，未來，云廠商的競爭力還要加上“智能密度”——也就是云服務里AI的密度。

判斷10：AI推動云生態結構性變化，數字生態拍扁，物理生態延長

伴隨AI生態體系逐步與云服務生態體系融合，甲子光年認為，將會形成全新的【AI智能云服務生態體系】。

AI智能云服務生態體系將涵蓋AI終端層、應用層、MaaS層、PaaS層、模型層、DaaS層和IaaS層。

右圖從下往上看：

• AIIaaS層：AI發展的底層支撐，包括AI芯片和AI算力基礎設施；

• AIDaaS層：提供數據支持；

• AI模型層：是“靈魂核心”，包括大語言模型、多模態大模型、行業大模型等；

• AIPaaS層：支撐模型的微調開發，提供工具鏈和環境，使開發者甚至普通用戶可以高效構建智能應用；

• 與之并行的還有AIMaaS層：將復雜模型服務化、接口化，使開發者可以按需調用AI能力；

• AI應用層：Agent、AIGC應用、各類行業AI應用等；

• AI終端層：AIPC、AI手機、AI眼鏡、具身智能、智能汽車、無人機、智能家居、智能高端設備等。

AI將推動云生態結構性變化：數字生態拍扁，物理生態延長。

4.2 L2-AI原生時代

判斷11：AIAgent，從“純智力”到“能動性”，從“以指令為中心”到“以意圖為中心”

當我們談AI原生，第一個要談的就是Agent。如今，AI Agent已經突破了chatbot模式，正帶來人機協作方式的顛覆性變化。

這里有兩個顯著特點：一方面，AI Agent讓大模型的“大腦”長出了“手腳”，從“純智力”走向“能動性”，讓AI不僅能說，還能做事；

另一方面，AI Agent讓人機協作從“以指令為中心”發展為“以意圖為中心”。用戶只需要設立目標，提供相應資源，監督結果，Agent就自主完成策略規劃、任務拆解、靈活運用多種工具和數據資源、控制進度，直至工作完成。

舉個例子，當用戶希望在飛行途中繼續觀看視頻劇集，過去，他需要告訴手機上的AI智慧助手逐步執行“打開某視頻平臺”、“找到某視頻”、“下載第5~8集”等操作。但在“以意圖為中心”的理念下，用戶只需要告訴 AI Agent“我坐飛機時想看我正在追的劇”，AI Agent 就能夠自動處理如下任務:

1.檢索到用戶第二天有一班從北京飛深圳的航班，飛行時長為3小時。

2.發現用戶近期正在某視頻平臺上看某視頻，看完了第4集，每集視頻時長約40分鐘。

3.推理出3小時飛行時長需要下載5集。

AI Agent會主動規劃并執行上述步驟，同時確保視頻下載時手機處于Wi-Fi連接狀態。

在不遠的將來，AIAgent將接管人類世界的絕大部分規則性操作。

判斷12：多智能體協作，從“零和博弈”到“正和博弈”，Data吸引Data，服務吸引服務，Agent吸引Agent

進一步，我們將進入多智能體協作時代。如右圖，目前國內外關于多智能體的研究呈顯著上升趨勢。

再看左圖，前陣子大家都看到了Manus。Manus是多智能體協作的一個樣本：用戶發起需求后，模型首先進行任務拆解與規劃，生成結構化待辦清單；調度器隨即分配子任務至專用Agent群，驅動虛擬機中的瀏覽器和Python執行數據抓取、API調用等操作；執行結果實時回傳，并進一步進行任務規劃……依次類推，最終完成任務。

多智能體讓智能體之間從“零和博弈”到“正和博弈”，成為了合作伙伴：Data吸引Data，服務吸引服務，Agent吸引Agent，讓智能以更絲滑、更豐富的服務滿足用戶需求。

判斷13入口爭奪戰的矛盾性，從“超級入口”到“入口無處不在”，入口將不再成為AI產品的價值核心

2012年，微信之父張小龍曾發朋友圈說：PC互聯網的入口在搜索框，移動互聯網的入口在二維碼。那么，AI時代呢？

從現狀看：

互聯網巨頭都在重金砸向超級入口：夸克超級框、豆包、元寶；

創業公司也在呈現新的入口：智譜清言，DeepSeek，還有AskManyAI這樣的新工具；

還有其他很多新入口形態：瀏覽器插件、手機上的懸浮球；

此外，硬件本身也在力爭做入口——蘋果、華為等手機巨頭已全面押注AI，期望手機成為AI的超級入口。

然而，不知道大家有沒有一種和我一樣的體驗？我從春節到今天，已經切換了七八個入口，每個入口出現，我就試一試，如果這里有一個知識庫，我可能用久一點，另外又有了一個入口有知識庫，我就又會換……我作為一個AI用戶，沒有粘性。

為什么AI時代入口會出現這種矛盾性？

一方面，技術民主化導致入口碎片化。

當AI技術變為各大平臺的標配，點子可以被快速復制和落地，流量也將被迅速分化——也許這就是DeepSeek似乎不在意入口的原因之一。

在互聯網經濟鼎盛時期，移動支付、社交網絡、搜索框都曾扮演過“超級入口”的角色。傳統入口競爭的本質是用戶高頻需求的壟斷權，這種范式在AI發展初期同樣奏效，一個驚人的技術會讓大家沸騰一陣子，流量陡然沖高，但AI的擴散速度實在太快了——當每個應用都能嵌入AI能力，入口的壟斷價值便土崩瓦解，導致“處處皆入口，無處可淘金”的商業困局。

另一方面，多智能體正在實現“去節點化”服務，擊穿不同產品服務的邊界，把很多入口變成了接口。

甲子光年認為：在AI原生時代，價值創造的邏輯將從 all in one 到 all for one。

移動時代的App是割裂的，彼此互不打通，Supper App的邏輯是all in one——這個one是這個Supper App，這個App要有很強的場景整合能力和商業閉環能力；

而AI時代的邏輯是all for one——這個one是用戶。用戶的需求是至上的綱，AI入口需要調用盡可能精準的產品和服務，多個Agent主動理解用戶需求，跨產品調用、跨平臺協作。而入口本身將不再成為AI產品的價值核心。

甲子光年大膽猜測：最終，AI原生時代的入口形態將是“無處不在的輕量級Agent入口+分布式服務”。

這些輕量級的Agent入口可能是一個“框”，或者是手機本身。但它只是一個起點Agent，自主調用該調用的產品和服務，自動進行交易履約，每個產品和服務獲得相應的收益。

這個判斷是否準確，是2025年的一大看點——AI時代是否收斂到某個超級入口？還是，入口將不再成為AI產品的價值核心。

判斷14：C端產品競爭力改寫，從入口到接口，極致的開放倒逼極致的能力

AI原生時代給了所有企業一次重新爭奪生態位的機會。用戶都不愿意在不同入口跳來跳去，只希望一個Agent一站式接入，到那時，大量的入口就會變成接口，原來的C端APP很可能在三年內減少一半。

不同于移動APP時代的孤立性，開放成為AI原生時代的基本精神，當所有“墻”都被拆掉，C端產品的競爭力是什么？

在2020年的甲子引力主題報告里我曾經提到，一個公司的大小取決于三件事：

第一，你所在的生態系統本身夠不夠大？

第二，你離這個生態的控制節點有多遠？

第三，在你所在的環節，有多少家公司在做這件事，能做這件事？越多公司能做，你能做大的可能性越小。

AI時代同理。在AI時代，大小企業的競爭力各有不同。

大企業的競爭力：

• 強大的基礎設施（算力、數據）

• 基座模型能力

• 生態整合能力

小企業的競爭力：

• 極致的單點任務能力，精準的用戶體驗

• 用戶場景數據沉淀

• 形成“越多人用→越懂需求→體驗越精準”的閉環

• 鎖定關鍵場景，與用戶核心流程深度綁定，構成遷移壁壘

• 與盡可能多的入口綁定

• 絲滑融入任務鏈，讓自己多“被調用”

極致的開放倒逼極致的能力，每個企業要牢牢構筑自己的核心競爭力。

判斷15：C端商業化潛力，2025年光年象限場景比2023年增加一倍，從簡單應用走向產業賦能

為評估哪些應用場景更具有商業應用潛力，甲子光年智庫基于用戶凈推薦值【X軸】和滿意度【Y軸】，將AI在C端應用場景劃分為四個象限，形成甲子星空坐標系。

位于右上角光年象限的場景，是用戶滿意度高且愿意推薦給同行使用的場景，也是最具有商業化潛力的場景。

我們對比了甲子光年智庫2025年和2023年的數據，2025年光年象限的AI落地場景相比2023年增加了一倍。

2023年，光年象限場景只有網站創建、3D交互內容生成、聊天機器人、數字孿生、直播帶貨和音樂生成。2025年則增加了藥物研發、自動駕駛、智能家居、科研學術、繪畫設計、虛擬社交、海報設計等七大場景。這些新增領域已經突破了消費級邊界，向產業鏈核心環節滲透。

這說明AI正從“替代人力”的輔助工具，升級為“重塑產業”的核心引擎。

判斷16：C端付費意愿，用戶可接受價格相比兩年前提升1.5倍

根據甲子光年智庫調研，72.5%的C端用戶愿意付費使用AI產品。

進一步，我們針對C端用戶開展了價格敏感度測試。從結果看，2025年C端用戶可接受的產品價格區間為每年500元到2萬元之間，其中最優價格點為3000元/年。相比于2023年，最優價格從1200元提高到了3000元，用戶可接受的價格增加了1.5倍。

判斷17：企業級軟件，AIAgent推動企業服務從“數字化”到“智能化”質變

剛才聊的都是C端，但AI Agent不僅在C端發揮作用，也正在通過三層重構重塑企業級軟件：

第一是交互層，自然語言取代復雜界面；

第二是邏輯層，目標導向替代流程固化；

第三是價值層，從“人適應系統”轉向“系統服務人”。

AIAgent將通過降低“數字化摩擦”推動企業服務的質變。

判斷18：數字勞動力的覺醒，革新生產要素，重塑生產關系

我們都知道，官方定義的五大生產要素包括：土地、勞動力、資本、技術和數據。

在過去，勞動力指的是有勞動能力的人口，而今天，AI讓勞動力的主角有了新的可能——人的勞動力、Agent驅動的數字勞動力、物理AI驅動的機器勞動力，三者疊加，讓生產要素有了全新的含義。

根據甲子智庫的調研數據顯示，38%的用戶可以用AI完成超40%日常工作任務。這是一種數字勞動力的覺醒，正在重塑生產要素和生產關系。

判斷19：AI原生企業，正在重塑商業DNA

接下來我們看企業內部。從企業使用AI，到AI原生企業，是一個質變。

從定義看：AI原生企業是指將人工智能深度嵌入到企業各項業務活動中，使其成為常態而非偶爾的輔助工具。AI不再是技術工具，而是企業文化和日常操作中不可或缺的一部分。

AI原生企業的核心特征包括智能內生、持續進化和跨界融合。

例如：某電商平臺用AI優化商品推薦，這是“AI+”；而AI原生企業會讓AI推薦算法參與商品設計、供應鏈管理，甚至反向定義用戶需求。

評估AI原生企業的層次時，可以從以下幾個層面進行：

• 層次0：員工完全不使用AI。

• 層次1：員工利用各種AI工具完成工作。

• 層次2：AI自主完成工作流程的某些步驟。

• 層次3：AI自主完成端到端的工作流程。

AI原生企業的組織結構：

• 傳統“金字塔”結構將被動態“蜂窩網”結構替代，每個員工成為網絡中的“節點”，通過AI實時連接資源、數據和協作對象。

AI原生企業的辦公形態：

• 員工變成超級個體：大部分需求和獲得都是與AI產品的交互得到的，比如資料查找、素材生成。一線員工獲得更大的生產能力和決策權，企業審批層級可以大大壓縮。

• AI成為看不見的指揮官：AI自主處理流程性工作，甚至參與決策。例如，甲子光年的日常會議，AI助手已能自動整理會議紀要并生成待辦清單，代辦清單直接分配任務，接管了大量行政工作。

數據表明，2027年，40%的中層管理崗位將因AI整合而轉型。走向AI原生的企業領導者必須清楚地意識到，這一轉型將深刻重塑公司。

判斷20：看不見的AI指揮官，隱藏在數據洪流中的AI系統正在顛覆規則

“看不見的AI指揮官”可以做到什么呢？

以某電商企業為例：

1.供應鏈的“超感官”進化：通過分析過去五年7000萬次交易數據，AI系統可以將補貨準確率提升至95%。AI還能預判臺風路徑對物流的影響，提前72小時啟動應急方案。

2.價格戰的“量子糾纏”：當某3C賣家遭遇跟賣時，AI防御系統在凌晨2點啟動“閃電戰”——連續17次微調價格并同步更新廣告策略，讓對手的跟賣機器人陷入邏輯死循環。

3.用戶需求的“讀心術”：AI客服系統能通過語義分析識別83種情緒波動，會自動推送禮品并生成溫馨祝福語，讓客戶滿意度提升29%。

以蘇州某服裝賣家為例：

智能決策系統正上演著精妙博弈：它同時監控著TikTok上的潮流趨勢、1688平臺的原料價格波動，以及紐約時裝周的設計元素，在0.3秒內生成2025秋季新款衛衣的生產方案。這讓新品研發周期從28天壓縮至72小時，爆款率提升至行業平均水平的3倍。

這兩個例子可以看出，AI原生企業的核心將不再是IT系統，而是能連接所有資源的AI協調網絡。

4.3 L3-AI創生時代

判斷21AI終端，從“設備為中心”走向以“場景為中心”，從“人找服務”，到“服務找人”

進入AI創生時代，我們首先要看的就是AI終端。手機、電腦、汽車、機器人、智能家居、眼鏡等可穿戴設備都是AI終端。多設備、多場景已經成為我們使用AI終端的常態。當我們每個人都擁有多個AI終端時，它們之間應該是什么關系？

設想一下，如何確保“美妙音樂始終伴隨用戶左右”？當我們在戶外跑步時，可以通過耳機聆聽音樂，利用手表輕松控制播放；駕車時，音樂能夠自動流轉至車載系統；回到家中，音樂則無縫切換至智能電視的大屏幕上。

這個例子說明：我們期待的體驗是自然連續、無縫銜接、跨端流轉的。

當用戶的終端設備變多、使用場景變多，用戶的需求并非以設備為中心，而是以場景為中心，不是人找服務，而是服務找人，不是離散性服務，而是連續性服務——最理想的情況是“服務隨人而動，體驗無縫銜接”。

未來，AI驅動的服務分發將提供服務連續性體驗——從設備孤島到全面鏈接，從有限感知到全面感知，從單場景應用到多場景設備服務流轉。

判斷22：全局化智能，基于用戶場景的端云協同AI將構筑真正強大的全局化智能

要想實現剛才描繪的場景，離不開技術的支持。

目前，業界在積極研究模型輕量化、低功耗高性能AI芯片、高性能系統優化等技術，使得在端側部署的AI模型能力不斷提升，但端側模型性能仍然與云側大模型有較大的差距。

端側模型有著推理速度快、隱私數據不出端、離網可用的好處。然而，一些更復雜、更高階的場景則需要交給云側大模型處理。

因此，當未來圍繞在用戶周邊的大大小小的終端設備都集成了AI能力時， 也需要強大的云側AI能力進行統一的、跨端的、全局化協同——基于用戶場景的端云協同AI將構筑真正強大的全局化智能。

判斷23：人形機器人，當下細分市場，中期個人市場，遠期星辰大海

人形機器人，從概念誕生以來，一直充滿爭議，最大的爭議無非是人形機器人到底適用于什么市場？

首先，我們可以看到，人形機器人的關鍵硬件組件正持續邁向更高的成熟度與可靠性，而整體制造成本也在快速下降——這為大規模應用創造了基礎。

其次，我們需要理解，人形機器人的商業化落地不是一蹴而就的。

當前階段，人形機器人將在工廠生產、安防巡檢、物流配送、服務引導等To B細分場景率先實現落地，以功能單一、任務明確的形態積累經驗、優化性能；

隨著技術能力的增強，人形機器人將逐步從專用向通用演進，拓展至家政陪護、教育助理等To C市場，逐步成為“人人可擁有”的智能服務終端；

更長遠的未來，人形機器人還將代替人走向航天、深海、極地等極端環境，成為人類探索宇宙與未知世界的重要延伸工具。

所以，當下細分市場，中期個人市場，遠期星辰大海，是我們對人形機器人的合理期待。

判斷24：情感陪伴類機器人剛性需求快速釋放商業紅利

今年在CES的現場，甲子光年的分析師發現，情感陪伴類機器人得到了非常多的關注。

為什么？首先，孤獨是現代人的普遍現狀。根據美國勞工局數據，從2003年到2022年，美國消費者獨處的時間從平均每天5.3小時增加到7.4小時，增長了約40%。AI陪伴成為了對抗孤獨的一種手段。

此外，數據顯示：

• 兒童群體：70%的兒童日均與父母互動不足10分鐘；

• 老年人：全球33%的老年人獨居，其中超50%長期感到孤獨，顯著增加抑郁風險；

• 單身人口增加：中國適婚年齡的單身人口已超過2.4億。

情感陪伴，對于他們是剛需。

據ARK Invest的預測，全球AI陪伴市場的復合增長率高達200%以上，剛性需求快速釋放商業紅利，情感陪伴類機器人市場將迎來高速發展期。

判斷25：具身智能工業機器人視覺AI工業機器人將重塑工業柔性智造場景

接下來我們看工業機器人。目前，具身智能落地最快的場景是相對封閉的工業制造場景。

具身智能工業機器人重構后的智能工廠，將徹底打通縱向管理體系，使得智能工廠中的數據決策層—生產計劃層—數據監測層—現場管控層—設備層實現打通，重塑工業柔性智造場景。

舉個例子：微億智造獨創了“眼手腦云”全棧一體架構，以自研超精細圖像感知為“眼”，突破材質成像極限，以工業機器人智能控制為“手”，實時精準規劃，以“人機交互式”模型工廠為“腦”，驅動實時決策進化，并依托云平臺構建數據-模型雙向閉環，推出系列跨場景、跨領域智能化產品。

目前，微億智造已率先將具身智能理論落地工業實踐，于2024國際工博會現場全球首發專為柔性生產設計的具身智能工業機器人，已覆蓋工業質檢、打磨、焊接、裝配、上下料等核心工業場景。

判斷26：智能機器人，從L2動作自主向L3任務自主演進

右邊是梅卡曼德機器人的演示視頻。這種能力對于智能機器人來說是什么階段呢？

甲子智庫認為，判斷機器人智能程度的關鍵，是機器人的自主性，以及能夠應對的環境和任務的復雜性。

甲子光年將機器人與AI融合進程劃分為了L0-L5六個等級：

L0：完全固定動作。

• L0的機器人只能重復執行事先編寫好的動作。例如一些機器人寫字的展示，其實就是固定動作。

L1：固定動作+微調。

• L1的機器人通過加入簡單的傳感器，可以對固定動作進行少量的修正。這在工業上已經很成熟，有大量應用。

L2：固定任務，自主動作。

• L2的標志是動作的自主性。L2仍然是執行固定任務，例如從貨筐中揀選貨品，搬運快遞，或者從料筐中把隨意堆放的物品抓取出來，但物品的種類和姿態相比L1要復雜很多，L2的機器人能應對比較復雜的環境，并自主規劃動作。

L3：自主理解并完成任務。

• L3的標志是更加開放的任務。不但動作是自主的，而且任務也可以是臨時通過自然語言等方式告訴機器人的。剛才的視頻就是梅卡曼德的L3級機器人。

L4：自主尋找任務并完成任務。

• L4的機器人甚至不再需要人類來下達一個個具體的任務，而是可以自主尋找任務并執行。

L5：全自主，近似通用智能。

• 這個階段的機器人是可以像人類一樣存在的機器人。

甲子光年智庫將L3及L3以上的機器人稱為通用機器人。如今的機器人大多處于L0和L1的階段，一些公司開始批量應用L2階段的機器人，而L3則處于少量應用的前夕。例如，梅卡曼德率先實現了L2智能機器人大規模應用，已經在汽車、鋰電、物流等行業部署了超過15000臺L2級別的智能機器人系統，并且在L3上也有很好的進展，進入少量應用階段。

判斷27：AI醫生，迎來“人機共診療”戰略拐點

接下來看AI在醫療領域的應用。AI診療分為L0-L5六個階段，目前，AI技術能力已經進入到從L1到L2過渡的階段，AI從單點輔助開始擴展至多節點輔助。

如右圖所示，目前，AI在部分場景的診斷水平已經超越人類醫生的經驗判斷。這將形成“人機共診療”的新醫療范式——AI已不僅僅是醫療的工具，“AI醫生”已成為可能。

判斷28：AI安全，從數字世界到物理世界，安全的邊界要始終對齊AI的邊界

隨著AI的廣泛應用，AI安全越來越成為制約AI產業發展的核心要素。

根據甲子光年的調研，29.2%的B端用戶將數據隱私與合規性作為核心服務需求，38.6%的C端用戶認為數據隱私與安全性是購買決策的關鍵影響因素。伴隨AI從數字世界進入物理世界，AI安全的邊界要對齊AI技術滲透的邊界，這是一場不會結束的陪跑。

4.4 L4-AI文明時代

判斷29：AI重構文明秩序背后的隱憂
隱憂一：警惕“加拉帕戈斯現象”

加拉帕戈斯群島由于千萬年來與世隔絕，產生了與大陸極為不同的穩定生態系統，可一旦面對來自外來物種入侵，就面臨被淘汰的危險。

同理，產業或產品在封閉市場內過度適應本土需求，與國際標準脫節，在孤立環境下“過度特化”，就會形成難以應對外部競爭的脆弱性。

這提醒我們：任何商業生態的長期生存都依賴于開放性與適應性。AI企業也需避免“技術優越性幻覺”，主動融入全球價值鏈。

隱憂二：繁榮未必增長，增長未必分配

過去GDP增長的邏輯是：人更多、干得更多、花得更多。GDP是以“人”為核心的增長體系，而AI將剝離“人”的角色，讓很多工作流程不再依賴人。

一個內容工廠，從腳本策劃到剪輯分發，甚至連觀眾評論都可由AI完成；一個初創公司，只需要一個創始人 + 多個AI模塊，就能代替一個團隊。這意味著什么？

• 企業增長但不擴招。

• “無員工企業”將越來越多，雇員少，納稅少。

• GDP可能看起來在漲，但“體感經濟”卻在冷卻。

• 掌握AI的人、組織獲得指數級增長，大多數人被排除在“增長模型”之外。

• 當勞動力不再是主引擎，傳統個稅與社保體系將面臨空心化，很多現行制度會面臨挑戰。

如果AI創造的是這樣的增長，增長的紅利卻不一定和你我有關。這會帶來一個后果：繁榮未必增長，增長未必分配。

隱憂三：AI普惠并不意味著平等

首先是人的不平等。

在AI時代，人們會有三種角色：

• AI控制者：掌握算力和模型，擁有AI企業；

• AI合作者： 能寫提示詞、調模型、接API的人，他們成為了AI系統的“接口”；

• AI被管理者： 各類知識工作者，編輯、分析師、程序員，他們的工作被AI流程安排和分配，AI成了人的+1。

接著是行業的不平等。

高度結構化、流程化、數字化的行業和高算力的行業的利潤指數級放大，低介入行業的邊緣感持續上升——強者更強，弱者更弱。AI在行業之間造成了“利潤密度差”。

然后是地緣關系不平等。

舉個例子：

• 一家美國AI公司可通過API向50個國家提供醫療診斷模型；

• 本地醫院支付模型費用、上傳患者數據，模型訓練持續進化；

• 數據和利潤都流回“模型擁有國”，而本地醫院只是“算力終端”。

這個例子背后的邏輯是：

• 核心國家掌握AI大模型；

• 弱勢國家開放數據、輸出勞動力、租用算力；

• 表面上是“技術合作”，實質上是“模型租賃與利益抽取”。

哈佛教授Niall Ferguson（尼爾·弗格森）稱這種模式為“算力殖民”。

隱憂四：數據洪流的失控風險

2024年亞馬遜德國倉曾發生機器人集群“暴走”事件，導致24名工人緊急住院。事后查明是天氣數據接口異常引發的決策紊亂。當75萬臺機器人的行動都依賴數據流時，任何細微的漏洞都可能釀成系統性危機。

隱憂五：世界秩序的改寫，AI成為戰略安全的主軸

在歷史中，“基礎技術的主導權”和國家地位相伴相生：

• 蒸汽機誕生后，英國成為全球海權中心；

• 核裂變成功后，美國在冷戰中建立絕對制衡；

• 而今天，大模型的參數數量、推理速度、訓練效率，已經成為國家級比較優勢。

如果出現AI時代的戰爭，很可能出現這種情況：模型的更新頻率=戰略反應速度，AI成為戰略安全的主軸。

隱憂六：人機信任和相關制度的建立是否跟得上AI的發展？

目前，雖然AI在很多方面的表現已經比人好，但大多數政府和企業在用AI時卻陷入三種尷尬：

• “裝了AI，但不讓它決定”

• “加了AI，但沒拆掉舊流程”

• “激活了AI，但不信任”

核心問題是：人機信任和相關制度的建立能否跟得上AI的發展呢？今天的制度還無法回答以下三個問題：

• AI生成的判斷，誰來背書？

• AI被錯誤采納后的后果，誰來承擔？

• AI是否有“判斷權”，而非僅僅“建議權”？

AI是一個有認知推理能力和能動性的新主體——如果你不承認它的主體地位，就無法構建合理的制度體系。

隱憂七AI對世界“高階相關性”的理解遠超人類，或將創造出人類不理解的世界

很多人比喻AI像電力，但AI并不僅僅是基礎設施，AI改變了認知結構。當AI的認知和判斷充斥在整個社會運行的鏈路中，它的影響很容易外溢出來。

舉個例子。萬事萬物間，存在千絲萬縷的聯系，再聰明的人也只能理解事物之間的“一階相關性”或“二階相關性”，而AI對世界的“高階相關性”的認知遠超人類。簡言之：AI能看出關聯的，人類看不出來，AI能聯想到的，人類聯想不到。

因此，人類對符號世界的理解很難跑贏AI，而AI也很可能創造出人類不理解的世界。

隱憂八：人類的價值體系和意義感將如何重建？