2025 爱分析·大模型应用实践报告

报告编委 特别鸣谢（按拼音排序） 目录 1.报告综述62.市场洞察153.对话式智能分析市场234.“大模型+政务”市场375.结语50关于爱分析51产品服务52法律声明53 报告综述 1.报告综述 近年来，全球人工智能产业的焦点已从早期的算法创新和参数规模竞赛，战略性地向应用深耕与商业化落地倾斜。中国大模型市场热潮的持续升温，反映了其发展已进入一个由宏观政策主导、内生技术突破支撑、最终由市场价值牵引的成熟阶段。 本报告采用三维分析框架，即政策主导（确定方向）、技术供给（提供可能）、需求牵引（实现价值），对驱动中国大模型市场发展的核心力量进行结构化、前瞻性的深度剖析。只有理解这三股力量的相互作用及其内部结构性变化，才能准确把握未来市场的脉络和战略机遇。 1.国家战略导向与政策体系的系统构建 政策力量是中国大模型市场爆发的最强外部推力。它不仅提供了资金和资源支持，更重要的是通过国家意志确定了行业发展的方向、速度和应用深度，尤其对具有战略地位的央国企和关键领域产生了巨大的“刚性”需求。 1.1顶层设计：从“鼓励创新”到“战略强制”的转变 中国对人工智能的定位已超越单纯的新兴技术领域，被提升至国家战略和基础生产力的高度。在最新的宏观规划中，这一转变得到了明确的确认。“十五五”规划建议已将“全面实施‘人工智能+’行动”定为国家核心战略基调。这意味着人工智能不再是可选项，而是作为一种基础生产力工具和科研范式变革的引领者被定位。规划建议明确指出，要“以人工智能引领科研范式变革”，并“全方位赋能千行百业”。 政策对央国企的直接影响是刚性需求的早期、最大来源。24年初至25年初，国资委推进“人工智能+”的会议，标志着自上而下的战略部署形成。央国企作为国家核心基础设施和关键数据资产的拥 有者，其AI化转型是政策驱动型刚性需求的起始和核心。这种顶层设计机制保证了国内大模型生态在商业化初期拥有一个稳定且高标准的市场基础。 1.2AI发展逻辑的根本性转变与战略优先级 政策的关注点已经从单一的经济产出指标，扩展到了更广泛的社会效益和国家韧性层面。政策文件明确要求加强人工智能与“产业发展、文化建设、民生保障、社会治理”相结合。同时，国务院关于深入实施“人工智能+”行动的意见要求，加快实施“人工智能+”消费提质、科学技术、治理能力三大行动。 这表明AI的价值评估体系已经超越了单纯的GDP贡献，提升至社会效益和国家治理能力的层面。政府及央国企作为大模型初期最大、最稳定的用户群，通过刚性需求保证了国内大模型生态的基本盘。此外，政策的体系化也体现在风险管理方面。在推动技术加速发展的同时，政策采取了“同步治理”的战略，明确要求“加强人工智能治理，完善相关法律法规、政策制度、应用规范、伦理准则”。这种双轨制策略，特别提到持续推动“智能向善”，构建中国特色人工智能治理框架，旨在保证技术的安全、可控与合规性。对于央国企、金融、医疗等高敏感度行业的应用落地而言，这种合规性基础是推动应用深度普及的必要前提。 1.3政策驱动的广度与深度解析 1.3.1广度拓展：从技术领域到全社会覆盖 未来，政策覆盖面将显著扩大。首先在消费端，加快实施“人工智能+”消费提质行动，旨在拓展服务消费新场景，培育产品消费新业态，直接拉动了C端对高性能、高智能服务的需求。其次，政策深入到科研环节，要求“以人工智能引领科研范式变革”。这不仅是应用层面的赋能，更是对基础研究方法的颠覆性投入，预示着AI将在科研范式变革中扮演核心角色。 1.3.2深度加码：投入力度与人才生态建设 政策的投入力度已从集中在基础设施（如算力）向更广泛的生态环节延伸，包括人才、标准和安全。为了解决制约AI产业发展的核心瓶颈——高素质人才供给不足，工业和信息化部等机构通过征集“人工智能与数字安全产业人才基地联合建设机构”，旨在推动产业链、人才链、创新链、教育链的协同发展。这种结构性的人才供应链重塑，为行业的长期、高质量发展提供了坚实基础。 同时，政策落地直接催生了新的劳动价值链。例如，人工智能提示词设计员及基于人工智能进行内容创作与模式创新的各类新职业的出现，不仅代表了就业机会的增加，也说明AI赋能正在深刻重塑劳动力结构。 2.基础技术突破与高质量供给的持续迭代 技术进步是驱动大模型热潮的核心内生动力。当前的技术供给正在经历一次系统性的升级，涵盖了从底层架构效率、工程化可靠性、部署形态优化到下一代智能形态的全面迭代。这种迭代确保了AI应用的商业可行性和泛化能力。 2.1基础架构：效率、规模与范式创新 2.1.1MoE架构的市场成熟 稀疏激活与动态选择机制的MoE（MixtureofExperts）架构，已经成为构建千亿乃至万亿级大模型的主流技术路径。MoE架构的引入有效地解决了超大规模模型在训练和推理时的计算资源线性增长瓶颈。通过允许模型仅激活部分专家子网络，MoE极大地降低了超大规模模型在推理时的总拥有成本（TCO），使得“大模型、低成本”成为可能，这是推动大模型商业化落地的关键一环。 2.1.2非Transformer架构的挑战与潜力 在Transformer架构占据主导地位的背景下，以状态空间模型（SSM）为代表的新兴技术正在快速崛起。SSM凭借在长序列处理、训练与推理效率上的显著优势，正成为未来大模型技术突破的关键方向。这种新架构的兴起预示着未来大模型技术将走向多架构并行的生态格局，能够与Transformer形成优势互补，为特定任务（如长文本理解、时序数据预测）提供更优的解决方案。 2.2应用工程化路径：从“可用”到“可靠” 2.2.1RAG成为企业级应用首选 RAG（检索增强生成）结合向量数据库或知识图谱，已成为缓解大模型“幻觉”现象、提升信息准确性与可信赖度的主流解决方案。RAG允许模型从企业内部或外部的权威知识库中检索实时、准确的信息，显著提升了输出内容的准确性和可解释性。RAG的工程化成熟度高，正在快速取代高成本、维护难度大的微调技术（Fine-tuning），成为应用厂商构建智能系统、实现知识快速更新的首选路径。这种转变反映了市场已经进入了商业化实用阶段，技术供应商必须在模型性能、成本效益和数据安全之间找到最佳平衡点。RAG逐渐取代微调，正是市场对“快速迭代”和“成本控制”的明确投票。 2.2.2轻量化技术群推动AI能力端侧迁移 量化（Quantization）、蒸馏（Distillation）与剪枝（Pruning）作为大模型轻量化的三大核心支柱技术，共同推动了AI能力从高成本的云端向低延迟、高隐私性的端侧高效迁移。这对于满足智能手机、车载系统、物联网等边缘设备的需求至关重要。未来的持续挑战在于如何在压缩率、精度保持与硬件适配之间寻找更优平衡，以确保在资源受限的环境下仍能提供高性能的AI服务。 2.3下一代智能的核心形态 2.3.1Agent（智能体）的商业化双路径 Agent作为大模型落地的核心形态，正沿着“流程引擎”与“自主规划”两条路径并行发展： 流程引擎型：强调低门槛、高稳定性，满足企业流程自动化需求，通过结构化的工具调用快速实现商业价值。自主规划型：以高泛化能力探索通用智能的边界，通过复杂的任务拆解和执行，代表了Agent的长期发展潜力。 随着MCP（多智能体协作协议）的普及与大模型能力的提升，Agent将逐步从“工具型助手”演进为“自主型伙伴”，成为推动社会智能化构建的关键力量。此外，多智能体协作作为AI系统组织方式的重要演进方向，预示着AI将从“工具”向“组织”跃迁。 2.3.2交互革命与世界模型 OSAgents：OSAgents作为多模态大模型与操作系统深度融合的产物，正在开启“语义驱动交互”的新纪元。它利用强大的泛化能力和创新的交互潜力，有望成为下一代智能交互的核心形态。 端到端语音大模型：通过一体化建模实现了语音交互的质的飞跃，将人机沟通从“听得懂”推向“说得妙”，成为大模型时代最具情感温度的人机接口。 世界模型(WorldModel)：世界模型代表了AI系统从“被动响应”向“主动理解”与“预测”的关键跃迁。它通过构建一个能够模拟、理解并预测复杂环境变化的内部系统，为强化学习、机器人控制、自动驾驶等需要高保真环境模拟的领域提供了基础，为构建更通用的人工智能系统奠定了基础。 2.4生态基础设施的韧性与开放性 异构算力整合是构建自主可控AI基础设施的关键支撑。通过资源池化与智能调度，异构算力将多元计算资源“化零为整”，不仅提升了大模型的部署效率与系统韧性，也为国内大模型产业的规模化发 展提供了可靠基础。随着国产芯片生态的完善与调度算法的持续优化，异构算力整合将成为大模型产业不可或缺的基础设施能力。 3.市场认知成熟与多维度需求的全面释放 市场需求是技术成果转化为商业价值的最终落脚点。政策驱动和技术成熟共同作用，加速了G/B/C三端对大模型的价值认同，并引发了从IT预算到战略投资的投入模式转变。 3.1认知成熟：价值认同驱动战略投入 市场教育的深化使得对大模型的认知不再停留在技术好奇或概念验证阶段。随着技术的可靠性（RAG）和效率（MoE/轻量化）的提升，市场已经完成了从“技术可行性”到“商业价值”的确认。投入模式随之发生了根本性转变：大模型建设投入从以往的IT支出或试点预算，升级为与企业核心业务流程深度捆绑的战略投资。这体现在企业愿意投入资源构建私有化部署、定制RAG知识库以及Agent系统。 3.2G/B端需求的刚性释放与结构性驱动 3.2.1政策驱动型刚性需求(政府和央国企) 国资委会议的推动是央国企端需求爆发的关键催化剂。央国企面临国家战略层面的数字化转型压力，必须将AI应用内嵌到核心生产和治理流程中。这种政策推进首先作用于央国企，创造了高价值、刚性的“第一批大订单”。 政策机制使得“政府作为第一个大客户”，保障了国内AI生态在初期避免陷入纯粹的低价竞争，而是集中资源解决最高标准下的落地可行性问题。这类需求特征是高安全要求（私有化部署）、强定制化（行业垂直模型）、高合规性。这反过来驱动了国内大模型厂商必须在数据安全、垂直领域精度和私有化部署能力上快速成熟，为后续向中小企业市场扩张奠定了高质量基础。 3.2.2效率驱动型需求(普通企业) 对于更广泛的普通企业，大模型的价值主要体现在效率提升和成本优化上： 知识管理变革：RAG技术直接满足了企业解决内部海量文档的检索、分析和利用效率问题，实现了企业知识资产的有效激活。流程自动化升级：Agent流程引擎的成熟推动了RPA（机器人流程自动化）的代际升级，将自动化范畴从结构化任务扩展到半结构化和非结构化任务，极大地提升了白领工作效率。 3.3C端消费的场景创新与生态培育 3.3.1AIGC驱动内容消费 大模型在内容生成（图像、视频、文本）上的能力突破，直接驱动了新一轮的C端应用浪潮。特别是在短视频、游戏、设计等领域，AIGC实现了创作效率和个性化体验的指数级提升。 3.3.2新交互形态的拉动与技术反向推动 OSAgents和端到端语音大模型通过语义驱动的深度交互，极大地优化了用户体验，使AI助手从“功能集合”演变为“主动伙伴”。这种用户对更流畅、更智能体验的追求，刺激了对高性能端侧AI硬件的更换需求。 值得注意的是，C端需求不再是技术的被动接收者，而是通过对体验和成本的严格要求，反向引导了技术栈的优化和迭代方向。例如，用户对智能手机端侧AI的需求，直接反向推动了量化、蒸馏等轻量化技术的研发投入，以满足低功耗、高精度运行的要求。这构成了“技术供给”和“市场需求”之间更紧密的闭环反馈机制。 3.4社会与人才的需求重塑 需求的全面爆发正在重塑劳动力市场结构。人工智能产业本身及其赋能的应用场景催生了新的就业机会，例如数据标注员、人工智能提示词设计员及基于人工智能进行内容创作与模式创新的各类新职业。这种人才结构性需求不仅是就业量的增加，更代表了社会对新型AI劳动力的迫切需要。此外，随着大模型应用的普及，社