2025中国人工智能应用发展报告

编写委员会总体策划:研究人员:研究统筹:版式设计:中央广播电视总台研究院中央广播电视总台技术局阿里云智能集团中央广播电视总台视听新媒体中心杨华张 利 生吴 克 宇黎斌孙 锦 铭刘 朝 晖智卫赵 贵 华蔺飞穆 飞、肖 剑、陈雪琴、谢婞敏、余婧、麻芃、王巍令凌丹、童景妍、邹蕾、陈星、彭祖扬、严慧子、秦梓芮、李慧婷、李瑶、王旖璇、苏远、邱皓若、金鑫、杨冬璇、邵琦、刘雨佳、吴炫、赵博伦、于青云、卜一轩、张莹、刘思雨、张全爻、王梓、李晖、罗方媛、郝建韩、张弓、黄哲颖、连迎轩王翔、张师华刘 湘 雯穆 飞钱 蔚许 文 广田梅常务副院长创新发展研究中心副主任创新发展研究中心创意研发部主任创新发展研究中心新媒体研究部主任创新发展研究中心新媒体研究部研究员技术局局长技术局副局长技术局副局长技术局高级工程师阿里云智能集团副总裁、市场部总裁阿里云研究院院长视听新媒体中心主任视听新媒体中心副召集人视听新媒体中心制片人、总导演 前言PREFACE习近平总书记指出：“人工智能是引领这一轮科技革命和产业变革的战略性技术，具有溢出带动性很强的‘头雁’效应”，“加快发展新一代人工智能是事关我国能否抓住新一轮科技革命和产业变革机遇的战略问题”。人工智能作为战略性的通用目的技术，正在重构生产要素配置方式，催生新型产业形态，其引发的“人工智能+”效应已从技术范式创新上升为驱动经济高质量发展的核心动能，其发展水平直接关系到国家竞争力强弱与现代化经济体系建设进程。全球主要经济体纷纷将人工智能纳入国家战略体系，2024年我国也首次将“人工智能+”写入《政府工作报告》，2025年政府工作报告进一步指出，要持续推进“人工智能＋”行动，支持大模型广泛应用。人工智能技术正呈现多点突破、交叉融合的发展态势。算法层面，大模型技术突破推动生成式AI实现质的飞跃，深度推理、多模态融合等技术不断突破认知边界；算力层面，AI芯片能效比持续提升，极致的工程优化让算力持续释放；数据层面，高质量行业数据集以及合成数据为模型训练以及应用构建提供新动能。技术迭代催生AI产业化，并推动各行业智能化应用全面开花：在文化传媒领域，AIGC大幅提升创作效率；医疗领域，人工智能加速药物研发创新，并提升辅助诊断的精确度；制造业中，人工智能 助力产品设计、生产排程优化、提升质量检测与缺陷识别效率等，推动制造的全流程智能化升级。当前，人工智能技术正加速“创新-转化-应用”的迭代过程，为各行各业注入新质生产力，促进技术经济系统的协同进化，重构产业价值网络。2025年，是全球人工智能应用加速落地的一年。为积极响应“人工智能+”国家重要战略，中央广播电视总台与杭州市人民政府联合主办纪实创投类节目《赢在AI+》，致力于推动技术创新与产业融合，展示全国各地人工智能技术创新和应用的优秀创业企业，汇集院士、专家、投资者、优秀企业家等不同维度的精粹观点，为未来的企业，寻找企业的未来。中央广播电视总台视听新媒体中心、总台研究院、总台技术局与阿里云研究院，在充分梳理全国重点领域人工智能企业的基础上，深度访谈30余位各领域人工智能专家、 调研100余家行业龙头企业和科研机构、100余家参与《赢在AI+》的创新创业企业，开展 1500余份调查问卷，在“机器革命”、“智能终端”、“高校力量”、“智能智造”、“创想设计”、“未来医疗”、“智慧城乡”、“智能办公”、“智启万象”、“智能芯算”10期各领域AI+节目展示的基础上，推出《中国人工智能应用发展报告（2025》，系统地总结了当前中国人工智能技术发展和应用现状。报告创新性地提出人工智能的“654”体系，即六大技术创新趋势、五新应用落地场景和产业智能化四力分析模型，旨在构建全景式框架，力求呈现既有理论深度又兼具实践价值的行业图景。 图 人工智能应用研究“654”框架体系 目录第一章： 人工智能：新质生产力的强劲引擎第二章： 人工智能技术创新六大趋势第三章： 人工智能应用落地“五新”场景第四章： 产业智能化“四力”观察第五章： 展望与建议附录：《赢在AI+》创企案例（一） 人工智能作为通用目的技术，正开启全新的智能时代（二） 人工智能正加速“技术创新-产业转化-行业应用”的迭代过程（三） 政策和市场双向驱动，人工智能助力新质生产力发展趋势一：强化学习驱动认知深化，模型推理能力持续提升趋势二：多模态融合加快推进，拓展智能交互边界趋势三：云边端深度协同，推动智能应用纵深发展趋势四：AI Agent迅速发展，以目标驱动替代指令响应趋势五：具身智能迈向深度情境理解与自主交互趋势六：AI基础设施持续精进，构筑高效能AI发展底座（一） 智能增效：催生效率提升新工具（二） 智享服务：开启用户体验新旅程（三） 智创产品：引领产业发展新业态（四） 智优决策：打造决策优化新助手（五） 智能助研：开拓科技研发新模式（一） 人才教育：构建全周期培养体系，夯实创新人才根基（二） 技术创新：强化AI基础设施，激活开源创新（三） 政策监管：完善治理框架，筑牢安全底线（四） 财税金融：创新多元化投入机制，优化资本配置（五） 产业生态：深化协同创新，培育开放生态（一） 技术创新力：AI技术深度融入各行各业，推动应用创新与产业升级（二） 资金吸引力：算法模型层投资保持稳定，逐步向行业应用层为主导推进（三） 市场渗透力：数字原生、创意导向及技术强耦合型行业成为AI应用的先行者（四） 业务价值力：AI应用效果达到市场预期，复杂任务处理能力仍待提升CONTENTS 1第一章人工智能：新质生产力的强劲引擎以大模型为代表的新一代人工智能技术不断突破，其通用性特征引发的技术范式变革持续释放创新潜能，成为引领新一轮科技革命和产业变革的重要驱动力量。当前，人工智能已上升为全球科技竞争的战略焦点，主要经济体通过政策引导、资本聚合和生态构建，在基础研究攻坚、应用场景拓展和治理体系创新等领域展开全方位竞合。我国凭借系统性创新优势，在这场全球智能革命中展现出强劲发展态势：基础模型不断突破、“人工智能+”应用创新蓬勃发展。人工智能通过深度融合实体经济，正在重塑生产方式、优化资源配置、提升全要素生产率，成为培育新质生产力的关键支撑，为经济高质量发展注入源源不断的创新动能。 人工智能作为通用目的技术，正开启全新的智能时代通用目的技术（General Purpose Technology, GPT）因其技术渗透性、创新互补性和生产力重构性，往往成为技术经济范式转换的核心驱动力。历史上每一次科技革命都提供了一种由通用目的技术、新型基础设施和经济组织制度所构成的新技术经济范式，这种新的技术经济范式能够推动经济社会现代化并逐步提高其生产率。人工智能技术，特别是大模型引发的认知革命，正展现出与前三次科技革命中蒸汽机、电力、信息技术等相似的通用目的技术特性，带来新一轮的技术经济范式重构，并引领新质生产力发展。一是展现跨领域泛化能力，具备多任务适应性。大模型具有强大的自然语言理解、多模态理解、意图识别、内容生成等能力，同时具有通用问题求解能力。相比传统的“小模型”，大模型具备较强的泛化能力，可适应跨领域的不同任务，从而在各行业发挥作用，不仅可以提升传统制造业中视觉检测的精度，适应复杂场景，还延伸至医疗诊断、法律文书、创意生成等知识密集型领域。二是基于基础模型的能力可塑性，支持行业知识迁移与创新。基于预训练模型的基座创新模式打破了传统技术创新的线性路径，使技术创新呈现“平台化”特征。基于基础大模型，通过增量预训练、有监督微调、强化学习、知识图谱等方法，实现将垂直领域和行业的专业数据、知识注入模型中，提升大模型在专业领域的应用能力。基于大模型的二次创新效率较传统研发模式大大提升，特别是在药物发现、材料科学等领域，传统研发模式面临超高成本和超长试错周期，AI大模型通过快速解析文献专利、构建学科知识图谱，识别并发现潜在组合规律，实现研发效率的指数级跃升，大大缩短创新周期。当前，人工智能正融入科学发现的假设形成、实验设计、数据收集和分析、生产工艺升级等各个阶段，为科学研究及试验开辟了新路径。三是通过慢思考推理过程，提升自主解决复杂问题的能力。大模型通过模拟人类“系统2思维”模式（即主动控制的、有意识进行的思考），采用强化学习等机制，能够自主构建推理链条，使机器具备动态环境中的策略优化能力和自我进化能力。当前，人工智能正在演变为主动的认知协作者，进一步提升在逻辑推理、数学计算及多因素决策等复杂任务的能力，表现出越来越强的思考和认知能力。四是推动人机交互革命，实现认知增强与决策优化的智能闭环。每一次的技术进步都带来新的人机协作模式，过去的人机交互需要依赖产品经理和程序员预设的算法逻辑，将现实世界的数据流程翻译成机器语言。当前由大模型支撑的 AI 智能体，能够通过自然语言交互，实现自主感知、决策、行动与执行能力。人机交互革命将重构一切软件，大模型将驱动一切硬件，并催生出具身智能、AI眼镜、AI耳机等人工智能原生终端产业，给生活、产业、科研等方方面面带来全局性、根本性、长期性的变革。（一） 2 3人工智能作为划时代的通用目的技术， 正通过领域泛化、创新模式变革和人机协同进化等，推动技术经济范式的系统性跃迁。其不仅延续了历次科技革命中通用目的技术对生产力的解放，更通过认知能力的突破开创了智能增强的新维度。从制造车间的视觉检测到科学发现的假设推演，从城市治理的全局优化到个体能力的数字延伸，人工智能正在重构人类认识世界和改造世界的方式。麦肯锡在《生成式人工智能的经济潜力：下一波生产力浪潮》报告中预测，生成式AI每年将为全球经济带来2.6万亿至4.4万亿美元的增长。3 人工智能正加速“技术创新-产业转化-行业应用”的迭代过程人工智能是生产要素配置的新质工具，根据生产函数理论，只有当生产要素通过应用转化为实际的生产力时，才能真正创造出经济价值。根据新技术产品发展的“S型曲线规律”，一开始，由于基础研究和技术路线探索不确定性大，产业处于萌芽期。技术路线清晰后，有更多参与者加入、更多用例出现，同时工艺进步显著，效率加快提高，产业越过曲线的第一个拐点，渗透率和市场规模进入高速增长期。当前，人工智能技术已经跨越了第一个拐点，且大模型的训练和推理效率持续提升，成本不断降低，大规模应用的条件已经具备，进入S曲线的高速成长期，这一时期AI发展呈现出“技术创新-产业转化-行业应用”的加速迭代特征，不仅 AI 在消费场景加速落地，也为更多企业和开发者提供了低成本、高效率的解决方案，推动了人工智能生态的快速扩展。大模型性能持续提升自2017年Transformer架构提出以来，大模型经历了快速的发展。首先，模型的参数量和训练数据量大幅上升，2018年BERT 模型均仅有1.1亿左右参数，训练数据量大约 33 亿级 token；到 2025年，头部模型参数量已突破万亿级，训练数据量扩展至10万亿token以上，多模态数据（图像、视频、代码等）占比显著提升。其次，模型架构逐步优化。一方面，加强对 Transformer 架构的创新，如DeepSeek提出的多头潜在注意力机制（MLA），提升模型在处理长序列时的效率和性能；MoE架构在保持模型效果的同时提升训练和推理效率；强化学习的大规模采用提升模型的逻辑推理能力。另一方面，部分机构已经在探索Transformer架构之外的新算法，例如MIT提出的Liquid Foundation Model，采用的是液态神经网络（LNN）；此外，Transformer架构与其他模型架构的融合，也成为重要趋势，如DiT（Diffusion Transformer）模型，极强地提高了图像生成的质量。在模型算法、参数量、数据量的协同作用下，大模型在基准测试中的表现持续提升。斯坦福大学发布的《2025年 AI 指数报告》认为，目前性能最高的人工智能在许多类别的任务能力（如图像分类、中等难度阅读理解、多任务语言理解、竞赛级别推理等）上已经超过了人类的平均水平。以LLM的常用评测标准MMLU（衡量大规模多任务语言理解）为例，2021 年初全球最先进大模型的MMLU得分刚达