文：澤平宏觀團隊

導讀

人工智能引領第四次科技革命，是當前最火的、最具前景、最具爆發力的科技賽道。進入到2025年，發生了什么新的變化？中國人工智能正告別“百模大戰”的規模競賽，向以DeepSeek等六小虎為代表的頭部大模型集中。AI發展的核心，從追求模型“可用”轉向實現場景的“好用”。

2025年，AI發展有四大核心：

趨勢一是應用革命，未來是執行任務的行動式AI，AI能幫你接近真實的問題，而不僅僅是知識生成的生成式AI。執行任務，在數字世界就是代理AI，AI Agent，在物理世界就是具身智能AI。

趨勢二是代理AI正在重塑交互范式，以后能顛覆當前的軟件APP。 AI正從“對話AI”變成“干活AI”。AI能自主規劃、調用工具、完成復雜任務，成為未來新的流量分配中心。字節、百度等大廠已入局，搶占生態位。

趨勢三是硬件+AI，具身智能AI多點開花，商業化進程加速。智能駕駛是最先落地的成熟場景，正迎來市場滲透率拐點。隨著將高階智駕下放至入門車型，預計2025年高速與城市NOA滲透率有望實現翻倍增長，突破20%大關。人形機器人則處于商業化黎明期，正以汽車和物流工廠為首個試驗場，探索B端應用場景。AI眼鏡賽道被大模型重新激活，未來中國企業有望憑借市場消費者興趣度高漲、供應鏈完備和研發速度三大獨特優勢實現跨越式發展。

趨勢四是基礎設施層，算力與數據是支撐產業發展的兩大基石，未來算力國產化加速、打破數據枯竭。中國的AI算力正在圍堵中尋求突圍。在英偉達占據全球數據中心GPU市場98%份額的背景下，美國的三輪精準封鎖使國產算力替代迫在眉睫。國產芯片性能已快速追趕（如華為昇騰910C在性能方面已開始追平先進水平），未來先進制程工藝與核心生態上，依然需要面臨加速國產化替代的挑戰。全球AI界正面臨高質量訓練數據將在2028年枯竭的危機，在數據枯竭預期下，未來需要重構AI數據筑護城河。

目錄

1 大模型層：迭代永不停歇

1.1 頭部大模型格局更加穩定

1.2 后訓練是破局關鍵

1.3 推理需求顯著增長

2 應用層：AI應用革命

2.1 軟件應用：通用Agent出圈

2.2 硬件應用：具身智能爆發

2.3 人形機器人：從B端開始商業化

2.4 AI眼鏡：具備三大產業優勢

2.5 智能駕駛：滲透率快速提升

3 基礎設施層：算力與數據仍是兩大發展基石

3.1 算力：GPU自主化迫在眉睫

3.2 數據：巨大資源潛力待挖掘

正文

1 大模型層：迭代永不停歇

1.1 頭部大模型格局更加穩定

大模型領域的發展正經歷著從無序競爭到頭部集中的演變。早期“百模大戰”時期，市場充斥著大量技術水平參差不齊的模型，企業間以快速推出產品搶占市場為首要目標。但隨著應用場景不斷深化，用戶對模型的性能、穩定性和安全性要求大幅提升，單純追求數量的競爭模式難以為繼。在此背景下，阿里巴巴、DeepSeek、字節跳動、騰訊、階躍星辰、智譜AI六家廠商憑借強大的研發能力、數據資源和資金投入，率先突破技術瓶頸，將大模型從“可用”階段推向“好用”階段。

隨著“六小虎”的崛起，大模型領域的馬太效應開始顯現。強者利用先發優勢不斷擴大領先幅度。阿里巴巴依托電商場景積累的海量數據，持續優化通義千問的商業應用能力；Deepseek憑借在算法創新上的突破，在科研輔助領域獨樹一幟；字節跳動憑借火山引擎的算力支持和全球化生態，讓豆包大模型在多語言交互上表現突出。這些企業通過持續迭代模型、拓展應用場景，吸引更多開發者和用戶，進而獲取更豐富的反饋數據用于優化模型，形成技術提升-用戶增長-數據反哺的良性循環，使得頭部與其他企業的差距不斷拉大，行業集中度持續提高。

1.2 后訓練是破局關鍵

預訓練的Scaling Law曾是推動大模型發展的重要法則，它表明模型性能與模型規模、數據集大小和計算資源之間存在冪律關系，即隨著這三者的增加，模型性能會相應提升。通俗講就如學英語，背100個單詞只能蹦單詞，背1000個單詞能組句子，背1萬個單詞可能就懂語法和隱喻了，這就是 “學得多 = 能力強” 的樸素 Scaling Law。

然而如今，大模型預訓練Scaling Law的發展趨勢有所放緩。數據面臨挑戰，像是可用的高質量數據增長速度受限，公共互聯網數據預計在不久后被耗盡，且數據標注成本高昂；另一方面，算力提升遭遇瓶頸，構建和維護大規模算力基礎設施的成本極高，技術上也趨近現有硬件的極限，導致通過傳統Scaling Law來提升模型性能的難度增大。

盡管Scaling Law放緩，但探索基礎大模型能力上限仍極具必要性。基礎大模型作為AI發展的基石，其能力的提升能帶動眾多領域的變革。如馬斯克的xAI用全球規模最大的20萬張H100算力集群訓練出的Grok3，后續預計今年推動的GPT-5、Llama 4等基礎大模型也值得期待。

在AI的持續發展進程中，后訓練（Post-training）正逐漸成為推動其進化的關鍵所在。傳統大模型完成預訓練后，雖掌握了基礎能力，但面對復雜場景仍有不足。后訓練的出現，為突破這一困境提供了有效途徑。GPT-o1借助強化學習和測試時間搜索等后訓練技術，在數學、代碼等復雜推理任務上成績斐然，有力證實了后訓練擴展律的正確性，彰顯出后訓練挖掘模型潛力、拓展能力邊界的強大功效。

與預訓練的“廣撒網”不同，后訓練聚焦特定任務與場景，精準優化模型。醫療領域中，通過病例數據和醫學知識圖譜進行后訓練的大模型，疾病診斷準確率顯著提升；金融投資場景里，利用市場數據后訓練的模型，對風險評估等任務的處理能力也大幅增強，使模型從通用智能邁向 “專家型”智能。

今年5月，Deepseek發布了Deepseek-R1-0528版本。根據官網，0528版本在后訓練階段，團隊投入了更多算力，使得模型在數學、編程及通用邏輯等方面的表現得到大幅優化。更新后的R1模型的整體表現已接近其他國際頂尖模型，如o3與Gemini-2.5-Pro。后訓練同樣遵循Scaling Law，Scaling Laws已從預訓練維度擴展至后訓練+實時推理三個維度。

1.3 推理需求顯著增長

隨著AI應用場景不斷拓展，推理端需求呈爆發式增長態勢。微軟、谷歌等頭部客戶的日均token調用量已突破數萬億級別，較傳統chatbot時代的處理規模實現指數級躍升。多模態模型、Agentic AI等創新形態的加速落地，正催生實時推理需求與大規模低延遲計算的新一輪結構性增長，推動AI算力需求從“模型訓練為主”向“推理落地優先”的產業范式遷移。

我們認為推理需求規模有望達到訓練階段的5-10倍。若殺手級應用如AI Agent廣泛落地，推理算力需求將進一步攀升。預計到2026年，消費級AI日活躍用戶（DAUs）將突破10億。到2026年，推理計算的需求可能占GenAI總計算需求的70%以上，推理計算需求將超過訓練計算需求，并達到后者的4.5倍。

“慢思考”能力（如深度邏輯推理、多步規劃）和多模態理解（文本、圖像、語音等跨模態交互）正成為AI應用的標配。"慢思考"借鑒了人類認知的雙系統理論，強調AI在復雜任務中需進行深度推理與迭代計算，而非僅依賴直覺式響應。這種模式通過引入反思機制、蒙特卡洛樹搜索等技術，顯著提升了AI在數學推理、策略規劃等領域的表現。

多模態則是人類世界的本來樣貌，大模型的發展趨勢一定是走向多模態。人類通過視覺、聽覺、觸覺等多種感官接收信息，多模態技術就是模擬這一過程，讓機器能夠同時處理文本、圖像、音頻等多種類型的數據。以自動駕駛為例，車輛不僅依靠攝像頭的視覺圖像識別道路狀況，還借助雷達的距離探測數據、傳感器的震動反饋等，全方位感知周圍環境，做出更安全、準確的駕駛決策。多模態大模型打破了單一模態的局限，極大豐富了信息輸入，使模型對世界的理解更加全面、深入。

2 應用層：AI應用革命

技術實現閉環需要應用的落地，軟件領域的代理式AI（Agent）、硬件領域的具身AI，正成為備受矚目的大模型應用方向。

2025年GTC大會上，黃仁勛提出自2012年深度學習革命開始以來AI發展的四個階段：感知AI、生成式AI、代理式AI、具身AI。

一是感知AI，這是人工智能的初始階段，讓機器能“看見”和“聽見”，即具備計算機視覺和語音識別能力，如人臉識別、語音助手等應用。

二是生成式AI，在過去3年里發展迅速，主要以內容生成為核心，能夠創造文本、圖像、視頻等等。文本生成的普及度和使用率最高，以Deepseek、ChatGPT等大模型為代表,大大沖擊了傳統的檢索式搜索引擎，讓人們逐漸習慣了與大模型交互來獲取知識。

Agent和具身AI則被認為是接下來的發展方向。人工智能發展必然要從“智慧”到“智能”，也就是讓AI具備行動能力，這是發展Agent和具身AI的共同意義。Agent聚焦于計算機世界，給予AI調用軟件工具的能力，讓AI在計算機世界中執行工作任務。而具身AI則聚焦于物理世界，把AI裝在新能源汽車、人形機器人這樣的物理實體上，讓AI在物理世界中感知、理解和行動。

2.1 軟件應用：通用Agent出圈

軟件領域，大模型正從單純的“對話AI”向“干活AI”轉變。2025年，通用Agent迎來爆發元年。

大模型是知識庫，而Agent是行動者。Agent直譯為代理，本質就是由大模型驅動的一套自動化軟件系統，代表使用者完成任務；其在工作中展現出極高的自主性，無需或極少需要使用者介入。如果說大模型如同一個龐大的知識庫，在推理后生成用戶需要的答案；那Agent則如同一個行動者，它能夠拆解任務、調用工具、最終交付給用戶成果。

Agent是大模型向前發展的重要一環，是大模型發展的L3階段。Agent可以簡單理解成是讓大模型調用各種工具；工具種類豐富，包括信息檢索類工具、 代碼與計算類工具、軟件與系統操作類工具等。對外部工具的調用能極大拓展大模型的能力范疇，拔高大模型的生產力，是從知識庫向行動者躍升的一大顯著標志。

Manus的空降發布，推動通用Agent爆火出圈；“干活AI“成為人工智能行業新浪潮，并迅速引起了大廠和創企的生態卡位戰。

從應用范疇看，Agent有專用和通用之分。專用Agent即專用于某一特定領域，最成熟的是編程Agent。與之相比，通用Agent則不受限于特定任務類型，能執行各種復雜任務。

Manus是最先出圈的通用Agent產品，由中國人工智能公司Monica于3月發布，并引起巨大熱度。在官方展示的幾十個案例中，Manus可以完成的任務包括但不限于旅行規劃、股票分析、PPT制作、網頁制作等等，展現出非常高的通用性。Manus空降后，大廠和AI創企迅速拉開了針對通用Agent的生態卡位戰，競相發布通用Agent產品，大廠如字節跳動和百度、創企如Flowith和天工AI。

通用Agent本質是一場范式革命，未來可能成為最大的流量分配中心，重構當前軟件生態。因此Agent未來的發展不僅是一個技術問題，比如大模型本身的推理決策能力要再一步提升、降低幻覺問題；更是一個生態問題，即有多少應用愿意加入通用Agent的生態。值得注意的是，去年11月以來，表示支持Anthropic提出的MCP協議的大模型和應用越來越多，通用Agent的生態建設未來有望逐步強大。

2.2 硬件應用：具身智能爆發

硬件領域，具身智能在2025年熱度高漲，人形機器人、AI眼鏡和智能駕駛三大賽道迎來催化。

2025年政府工作報告提出要“建立未來產業投入增長機制，培育生物制造、量子科技、具身智能、6G等未來產業”。作為人工智能的重要分支，具身智能浪潮將至。人工智能有兩條發展路徑：一條是非具身智能，即聚焦于抽象計算所需的智能；非具身智能不具備物理身體，在數字世界運行，通常表現為程序、算法等；典型案例如Deepseek、ChatGPT等大語言模型。另一條則是具身智能，核心在于“具身”二字，即用物理實體來承載AI，從而構成一個可感知真實世界、可理解問題并制定規劃、可在真實世界中行動的智能系統，特點是形成“感知——行動”閉環；人形機器人、AI眼鏡、智能駕駛是典型案例，依次是“AI+類人機器”、“AI+新能源汽車”、“AI+XR眼鏡”。

2.3 人形機器人：從B端開始商業化

人形機器人承載著人類對“通用性”具身AI的終極愿景。傳統的工業機器人和服務機器人通常專用于單一任務，如工業機械臂用于流水線的某一環節、掃地機器人用于家居環境清理等等。然而人形機器人從構型設計開始便承載了人類對于“通用性”具身AI的美好愿景，即未來要能像人一樣使用各種各樣的工具、執行各種各樣的任務。人類社會中的許多工具與空間都是圍繞著人類設計的，理論上講完全擬人形態的人形機器人其適用場景會更為廣泛，因此雙足、全尺寸的構型成為目前最受關注的人形機器人形態。

人形機器人要經歷從實驗環境到工廠環境再到家庭環境的跨越，其商業化可分為三個階段：第一個階段是將人形機器人用于科研教育、娛樂表演等。第二個階段面向B端，人形機器人替代人從事重復枯燥性、高危險性的工作。第三個階段面向C端，人形機器人成為智能家居的一環，提升居住生活體驗，甚至滿足人的養老陪護需求。

當前產業發展重心仍在研發制造環節，但已有部分人形機器人進入B端試水，“進廠”成了人形機器人沖鋒商業化的首個試驗場。汽車工廠和物流工廠是人形機器人試點部署最主要的兩大結構化工業場景，人形機器人在其中執行簡易裝配、搬運碼垛、分揀等工作，任務相對重復且單一。也有一些其他場景，比如有部分人形機器人企業和電子制造企業建立了合作，優必選和富士康、Apptronik和Jabil（捷普）等等。此外，部分企業在2024年也透露了其人形機器人的銷售情況或量產計劃，基本在數百或者數千臺。

伴隨宇樹科技等企業的出圈，2025年人形機器人賽道迎來浪潮，未來產業發展將圍繞兩大方向展開：一是利用大模型使人形機器人有更強的“大腦”、使用機器學習技術讓其有更強的“小腦”功能。二是諧波減速器、行星滾柱絲杠、六維力傳感器等核心上游零部件突破技術壁壘，推動人形機器人做優整機以及降低造價。而諸如人形機器人馬拉松賽、拳擊賽等活動也會越來越多，都是人形機器人走出實驗室要完成的錘煉。

2.4 AI眼鏡：具備三大產業優勢

大模型的廣泛應用，為AI眼鏡帶來了質的飛躍。多模態大模型賦予AI眼鏡強大的功能，使之具備物體識別、實時翻譯、導航等實用功能，顯著提升用戶體驗。

眼鏡是AI落地的良好載體，具備相當的想象空間。表層上，AI眼鏡是對傳統眼鏡的智能升級，融入多模態傳感，內置大模型軟件，且仍然可具備MR/AR的現實融合能力。深層上，其核心優勢在于便攜、交互平滑、功能豐富——AI眼鏡既可以兼容智能手機內容生態，也能此基礎上開發更豐富的智能應用。

2025年，AI 眼鏡成為消費電子領域的熱門話題之一，科技巨頭紛紛布局這一賽道，蘋果、Meta、小米、百度、華為等公司都在積極研發或推出AI眼鏡產品。Well-sennXR的數據顯示，預計2029年，AI眼鏡的年銷量將達到5500萬副，到2035年有望突破14億副。未來AI眼鏡對傳統眼鏡的滲透率空間極大，部分中國品牌在此領域有可能實現跨越式發展。有三大原因：

一是國內消費電子市場的優勢，不僅用戶基數大，而且創新技術接受度高。根據德勤調研，2024年中國消費者對AI、AR/VR產品的興趣度高達73%，超過美國的58%。

二是供應鏈和產業優勢，中國集合了全球消費電子產品供應鏈的中上游，珠三角和長三角地區產能占全球70%。品牌實力也不遜色，2025年Q1，中國智能手機品牌在全球市場份額超過1/3。

三是技術迭代快，得益于市場擁抱新興技術疊加產業鏈完整，中國廠商的新品研發和改進升級周期短。根據波士頓咨詢，中國廠商的綜合研發周期在6-8個月，而美國品牌在12-18個月。

AI眼鏡賽道方興未艾，技術路線（如Micro LED、光波導）、應用場景（消費級vs工業級）和區域市場（北美、亞洲、歐洲需求差異）的多元化，使得任何具備核心技術突破或生態整合能力的企業都可能塑造未來的行業格局，值得期待。

2.5 智能駕駛：滲透率快速提升

具身AI率先在智能駕駛領域爆發。2025年，高速NOA和城市NOA滲透率或將迎來超預期增長。2025年2月10日，比亞迪高階智駕系統“天神之眼”正式發布，比亞迪全系車型將搭載該系統，首批有21款車型上市。天神之眼”分為三個版本：“天神之眼A”（DiPilot 600）配備三個激光雷達，支持全國無圖領航，主要搭載于仰望品牌上；“天神之眼B”（DiPilot 300）配備單激光雷達，支持全國無圖領航，主要搭載于騰勢、比亞迪等品牌上；“天神之眼 C”（DiPilot 100）為高階智駕三目版，支持高速領航和代客泊車，主要搭載在比亞迪秦PLUS DM-i等入門款車型。天神之眼C最低可搭載于海鷗車型，是行業內首次將高階智駕下放到7萬元級市場的A00級車。

回顧智能手機及新能源汽車的發展路徑，科技產品在市場滲透率突破5%之后，通常會迎來加速普及的階段。比亞迪的入局是智駕行業最大預期差，有望推動L2+級別銷量基本盤從100萬輛快速提升至1000萬輛級別，預計2025年高速NOA+城市NOA有望實現翻倍增長，滲透率超20%。

3 基礎設施層：算力與數據仍是兩大發展基石

3.1 算力：GPU自主化迫在眉睫

算力是AI的基石，GPU是算力最具象的代名詞。GPU（圖形處理器），最初是為了圖形渲染任務而設計的，它擁有數千甚至數萬個計算核心。與CPU（中央處理器）相比，CPU通常只有幾個到幾十個核心，更擅長邏輯控制和串行處理任務。而大模型訓練和推理過程涉及到大量的矩陣運算，對并行計算有著很高的要求，GPU憑借其多核架構展現出無可比擬的優勢，因此成為AI領域關鍵的支撐硬件。

縱觀全球GPU版圖，美國的控制力是絕對的，達到壟斷級別。英偉達作為全球 GPU 市場的龍頭企業，其市場份額和技術實力遙遙領先。隨著生成式AI大爆發，2023年全球數據中心GPU總出貨量達385萬顆，同比增長44.2%；其中英偉達出貨了約376萬個數據中心GPU，市場份額高達98%。英偉達憑借其先進的GPU技術和完善的生態體系（CUDA生態），在AI 算力領域占據著難以撼動的主導地位。

美國GPU霸權下，中國的AI發展事實上處于受制于人的狀態，隨著全球政治、經濟、科技對峙的加劇，針對中國的GPU封鎖事件也時有發生。自2022年，標志性的限制事件已經經歷了三輪。

第一輪封鎖（2022年10月）：美國首次將AI芯片納入出口管制，直接禁止英偉達向中國出售旗艦級AI計算芯片A100和H100。這兩款芯片是訓練大模型的核心硬件，性能屬行業頂尖。面對管制，英偉達迅速推出“合規版”A800/H800芯片，通過性能閹割來規避出口限制，勉強維持對華供應。

第二輪封鎖（2023年10月）：為封堵“中國特供版”漏洞，美國調整管制標準，將A800/H800納入禁售范圍，同時擴大管制國家至40余國，嚴防轉口貿易。此次封鎖后，英偉達又推出中國特供版H20芯片，相當于二次閹割版的H100，性能僅為15%。

第三輪封鎖（2025年1月）：構建三極世界體系,將全球劃分為三個等級—— 17個盟友圈可自由獲取GPU；對100多個中間國實施配額制，約能獲得5萬塊GPU；對中國、俄羅斯等敵對國家則全面禁售。

短期看，企業往往通過囤貨實現對GPU出口管制的緩沖，然而非長久之計；中長期看，全力加速國產化替代十分必要。一些國產力量正在站出來，例如華為的昇騰910C性能達英偉達H100的60-80%。但是差距仍難以忽視，一方面英偉達最新一代GB200算力再次躍升3倍；另一方面在制程工藝上，英偉達采用5nm/4nm先進制程，而國產主流仍為14nm級別。未來在設計、制程和生態建設方面都需要持續發力，加速自主化腳步。

3.2 數據：巨大資源潛力待挖掘

數據是Gen-AI時代的燃料；基于神經網絡的大模型具備典型的“垃圾進、垃圾出”的特征，訓練數據的數量和質量直接決定了大模型的性能上限。以OpenAI為例，從GPT-1迭代到GPT-4，隨著模型性能的躍升，訓練數據量也經歷了跨越式增長：2018年GPT-1數據集僅4.6GB，而2023年GPT-4訓練數據量達到驚人的百TB級別，翻了數萬倍。

然而隨著大模型的快速更迭，對于數據枯竭的擔憂也越發明顯。OpenAI原科學家蘇茨克維爾曾表示，“我們只有一個互聯網”，雖然計算在增長，但數據卻沒有增長，預訓練毫無疑問會結束。無獨有偶，2024年研究機構Epoch AI發布的一份報告預測：人類生成的公開文本數據總有效存量僅約300萬億tokens，總量年增速不足10%，而AI訓練數據集規模以每年翻倍的速度擴張，這種剪刀差導致互聯網所有高質量文本數據將在2028年枯竭。

內容屏障日益高筑等因素則進一步加劇了數據短缺危機。數據擁有方正通過技術和法律手段限制訪問。技術手段比如通過爬蟲反制來限制內容調用；而法律手段則更激進，表現為直接的版權訴訟。例如海外《紐約時報》對OpenAI的版權訴訟、雜志巨頭康泰納仕集團曾向Perplexity發出的侵權通知；國內也有類似案例，比如知網對秘塔AI的侵權警告。

數據短缺或成為制約大模型技術發展的關鍵瓶頸，應對這一危機，有兩大思路：一是合成數據，即讓大模型生成用于自身訓練的新數據；二則是深入挖掘現有的數據資源。

馬斯克曾在公開演講中表示：“現實世界中用于訓練AI模型的數據幾乎已經耗盡”，并指出合成數據將成為未來唯一的替代路徑。然而，合成數據卻存在著一些難以規避的問題，例如質量參差不齊、偏離真實分布、并且可能產生模型自噬現象，即模型因反復學習自身生成的數據而導致性能退化的問題。

相比之下，盤活現有數據資源的巨大潛能，則是一種更務實、更富戰略價值的解法。我國在此方面展現出獨特優勢，不僅具備深厚的數據資源積累，同時正在加速完善國家級的數據要素市場。

一方面，我國的數據資源體量和增量都十分強大。中國擁有全球最龐大的網民群體與最活躍的數字化應用生態，有機構預測到2025年數據總量將占全球的近30%。當前，我國數據生產總量呈高速增長態勢，2024年同比增長25%。AI相關的數據資源增長尤其快：用于開發、訓練和推理的數據量同比增長超40%。智能家居、智能網聯汽車等智能設備數據增速位居前列，分別為50%和30%左右。

另一方面，國家級數據標記體系正加速成型，以充分挖掘各行業數據潛力。所謂數據標注，是對數據進行添加標記、說明、解釋、分類和編碼的過程，是提升人工智能算法、模型核心能力的關鍵環節。我國數據標注產能全球領先并持續建設：2024年起國家數據局統籌的全國七大標注基地快速推進中，分別位于四川成都、遼寧沈陽、安徽合肥、湖南長沙、海南海口、河北保定和山西大同。2025年3月，七大基地的數據標注總規模達到17282TB，相當于中國國家圖書館數字資源總量的6倍左右。目前已形成醫療、工業、教育等行業的高質量數據集超300個，標注從業人員近6萬人。