2025年科技行业AI展望：New Scaling，New Paradigm，New TAM

模型：预训练 Scaling Law 有望开启新起点

大模型技术路线呈现出从预训练到后训练的发展过程

回顾大模型的迭代历程，呈现出从预训练到后训练的发展过程。大语言模型的预训练主要 包括参数集的扩大、训练数据的扩大以及模型架构的优化。自 2017 年 Google 提出 Transformer 架构，通过自注意力机制首次实现了序列数据的全局关联建模与高效并行处理。 自此预训练的 Scaling Law 开启。回顾过去大模型的迭代，2018-2024 年 9 月主要是模型 的预训练阶段。参数量来看，2024 年主流大模型迭代至千亿级别，而后参数扩大的趋势有 所放缓。进入 2025 年，以 Llama 4 Behemoth 为代表的模型进一步将参数扩大至 2 万亿级 别。

自 2024 年 9 月 OpenAI o1 模型开始，大模型进入后训练阶段。随着经典 transformer 架 构下，预训练数据已达到瓶颈（如现有互联网公开文本几乎耗尽），业界从“堆参数”转向 后训练优化，通过指令微调（SFT）和人类反馈强化学习（RLHF）对齐人类意图。大模型 在基础路线和架构上没有太大的变化，强化学习（RL）带来的后训练 test-time compute 是 大模型的主流迭代方向。全球的大模型厂商大都在遵循 OpenAI 于 24 年 9 月提出的这一路 线。包括 2025 年 1 月 DeepSeek 的发布，依然是在基础模型的底座上进行大规模的强化 学习，并没有完全脱离主流路线。

经典 transformer 架构下模型参数规模扩大放缓，新架构探索未来可期。从 2024 年 9 月 后的模型端的更新来看，多数的模型更新的重点在于后训练阶段的优化，模型参数与训练 数据的数量已达到瓶颈，最大规模模型参数数量维持在 2 万亿参数上下，目前还没看到更 大的突破，主要由于在当前架构下扩大参数数量未能看到模型性能的显著提升，当前互联 网公开数据在训练中已经接近使用完毕，这导致了预训练阶段的探索放缓。但在近期，我 们也看到了以新架构探索为代表的新一轮预训练开启的信号。

预训练 Scaling Law 有望开启新起点

如果说有一些新的变化，我们认为还是要关注大厂对于模型技术路径的创新，有几个值得 关注的点： 1）腾讯于 25 年 2 月发布了混元大语言模型 TurboS，是业界首个大规模部署的 Transformer-Mamba 专家混合（MoE）模型，通过 Mamba 架构在长序列处理上的卓越效 率与 Transformer 架构在上下文理解上的固有优势的有机协同，实现了性能与效率的平衡。 具体架构采用了创新的“AMF”（Attention → Mamba2 → FFN）和“MF”（Mamba2 → FFN）模块交错模式。 2）Google 的 Gemini Diffusion 可能是另一突破点。Google 于 5 月的 I/O 大会上发布了 Gemini Diffusion文本扩散模型，能够通过将随机噪声转换为连贯的文本或代码来生成输出， 类似图像/视频生成模型的工作模式（Transformer 模型是一个词一个词输出，而 Diffusion 模型一次性输出很多词再做优化，连贯性好）。Gemini Diffusion 在生成内容的速度上明显 快于 Transformer 类模型，官方指出输出速度约 1479 tokens/s，而一般的 Transformer 类 最快也只能每秒输出数百个 token。Gemini Diffusion 在数学和代码等编辑任务中表现出色。 我们认为，Gemini Diffusion 是大厂在商业化模型上首次将扩散模型用于文本生成，或是类 似于 OpenAI o1 一样的重要路径转折点，实现快速地迭代解决方案，并在生成过程中进行 错误校正。 3）大厂在预训练阶段参数量、数据量扩大仍有尝试。从近期的预训练阶段的更新来看，主 要包括 Meta 与小米，Meta 的 Llama 4 系列模型参数进一步扩大，Llama 4 Behemoth 总参 数达 2 万亿级别，是目前发布的最大参数的模型。数据量方面，小米近期发布的 MiMo 系 列模型，运用了约 200B tokens 合成推理数据，进一步扩大了训练数据规模。 4）大规模算力集群落地支持模型预训练的探索。随着 OpenAI 星际之门与 xAI colosuss 大 规模算力集群在未来的交付，预训练有望进一步向前推进。Sam Altman 在星际之门的纪录 片中表示星际之门算力集群的部署是为达到 AGI 而建，而非满足 OpenAI 推理需求。我们 看到在预训练阶段的探索没有停滞，OpenAI、xAI 等厂商在更大规模算力的支持下预训练 有望迎来新的突破。

模型架构的改进，或是 Scaling Law 提速的可行性方案，预训练有望开启新的起点。2024 年 12 月在神经信息处理系统会议（NIPS）上，Ilya Sutskever 指出：1）现阶段语言模型 在预训练阶段，已经达到了瓶颈，因为人类当前生产的公开数据几乎全部被用完。2）新数 据或合成数据没有带来大的变化。3）大模型与人类大脑类似，但人类仍在进步，因为人类 具有自我意识会使用工具创造新的知识，LLMs 将结合 Agent 和工具推动这一进程。另外， Ilya 还引用了《The evolutions of large brain size in mammals: the 'over-700-gram club quartet'》，用来说明人类大脑 Scaling Law 的速度快于普通哺乳动物，因此，将 Transformer 比作哺乳动物的话，那么下一步要点就是发现一个新的架构，其 Scaling 的速度能达到人类 大脑的水平，这样就能在有限的数据下，进一步提高模型性能。我们认为，模型架构的改 进，或是 Scaling Law 提速的可行性方案。

算力：训练推理两条主线共同推动算力需求持续上行

长期看好全球 AI 算力需求持续上涨趋势不改。2025 年以来，模型层面，以 DeepSeek 为 代表的国产大模型通过 MLA、MoE、低精度训练等工程化优化进一步将大模型性能-成本曲 线拓展，带来“算力通缩”趋势；同时从近期各大厂发布的大模型迭代来看预训练阶段的 Scaling law 有所放缓；产业层面，25Q1 北美云大厂资本开支增速及指引放缓、英伟达 B 系列芯片交付节奏不及预期，产业端一系列变化暂时压制算力预期。 但我们认为，训练端与推理端都对未来 AI 算力需求保持积极推动： 1）训练端来看，模型层后训练阶段不断有新的 scaling 路径涌现；新架构正在积极探索过 程中，未来有望重启预训练阶段的算力需求叙事；全球大规模算力集群有望伴随英伟达 B 系列交付节奏的恢复加速推进，主权 AI 正逐步落地。 2）推理端来看，例如 google、meta 等大厂原有业务的 AI 改造需求仍有较大空间，推理算 力持续部署；Agent 的加速落地有望带来 tokens 调用量几十到百倍提升，推理需求有望加 速放量，看好全球 AI 算力需求持续向上。

训练端：后训练新 Scaling 路径不断涌现，新架构在持续探索中

后训练阶段的 Scaling Law 成为大厂的共识。2024 年底，预训练阶段的 scaling law 的放 缓趋势初现，目前在经典 Transformer 架构基础上的算法优化成为各大厂所追求的方向，从 各大厂发布的论文来看，Post-training 阶段与 Inference 阶段的新 Scaling 路径不断出现， 包括模型微调、SFT、RM、PRM、RLHF、RLAIF、CoT、MLA 等在内的算法优化不断证 明后训练阶段 Scaling Law 的有效性。同时，Qwen 团队提出的 Parallel Scaling（并行计算） 也进一步拓展了模型的 Scaling 路径。

更多新架构如若出现有望重启预训练阶段 Scaling Law 叙事。正如上文所述，腾讯混元 Turbo-S 在 transformer 架构的基础上叠加 Mamba 架构在长文本能力上表现更加出色， Google Gemini Diffusion 将扩散模型引入文本模型提升生成速度，各大厂对于新架构探索 的尝试正逐步出现，更多新架构如若出现有望重启预训练阶段的 Scaling Law，带来又一轮 的训练算力需求增长。 产业端来看，以“星际之门”为代表的大规模算力集群进展顺利。OpenAI 星际之门在美国 德克萨斯州阿比林的一期工程与 xAI Colossus 孟菲斯算力中心项目目前正在顺利进展中， 星际之门阿比林一期工程将包含 8 个建筑，每座建筑中都会有 5 万块完全互连的大型 GPU 集群，总共有多达 40 万块芯片，总发电容量将达到 1.2GW，这也让它成为世界上已知最 大的计算集群之一。从最新发布的项目现场视频来看，目前其中 2 座主体建筑基本完工， 伴随英伟达 GPU 的逐步交付正在进行算力机架与冷却系统的铺设。同时 XAI 在 Colossus 计算集群安装了 20 万个 GPU，仍继续加码算力投资，计划再次建立一个包含 100 万 GPU 的计算集群。

中东版“星际之门”落地，主权 AI 正逐步落地。5 月 22 日，OpenAI 宣布将在阿联酋阿布 扎比建设一个超级数据中心集群，这是“星际之门”计划的一次重大海外扩张。OpenAI 此 次合作对象是阿联酋本土 AI 公司 G42，由阿联酋主权财富基金支持。双方将在阿布扎比共 建一个总容量高达 5GW 的数据中心集群，大约等于 5 座核电站的发电能力。通过阿比林项 目 1.2GW/40 万张 GPU 测算，阿布扎比数据中心集群有望部署 160w 张 GPU。项目将分 阶段推进，第一阶段将先建设一个 1GW 的小型集群，其中 200 兆瓦预计将在 2026 年投入 运营。OpenAI 表示将继续向欧洲、亚太地区拓展，寻找新的数据中心选址。我们认为，AI 算力逐步成为各国家下一阶段的竞争要素，主权 AI 的逐步落地有望推动算力需求的持续提 升。 产业供给端加速，台积电新建工厂节奏加速。作为 AI 算力产业链的前线环节，台积电近年 来扩产节奏加速，2017-2020 年，台积电平均每年新建三座晶圆厂。2021-2024 年，每年 新建晶圆厂的数量增加到五座。2025 年，台积电将每年新建晶圆厂的数量增加到九座，以 支持以英伟达为代表的客户产品交付。在这九座晶圆厂中，有八座是晶圆厂，还有一座是 先进的封装厂。伴随新产能的逐步落地，英伟达 B 系列交付节奏或将加速。我们认为，台 积电新产能规划预示着未来算力需求产业角度的乐观预期。

推理端：Agent 落地带来推理需求快速增长

Agent 需求的快速增长或将带来推理算力几十甚至上百倍的提升。据 Artificial Analysis 统 计，在 Scaling Law 初期，模型的发展方向是更大参数，能够带来约 5 倍的算力提升。随 着模型进入后训练和推理时代，模型输出的 token 数将有约 10 倍的提升。而 Agent 时代， 每个 Agent 在处理单任务时所需的请求数（request）有约 20 倍的提升，且 Agent 基本都 是由推理模型驱动的，因此整体算力提升或有几十至上百倍。

大量的工具调用与信息交互带来 tokens 消耗量数量级的提升。Agent 在执行任务时会进行 任务分解与编码，复杂任务常常涉及几十个不同的任务，或在执行过程中涉及到屏幕内容 的识别，这些与 chatbot 阶段不同的任务流程将大大提升 tokens 的消耗。同时，未来多 Agent 互联的场景下，不同 agent 间的通讯合作将再度加大算力的需求。我们认为，Agent 的落地 带来交互次数、任务复杂度、使用频率的提升，同时如屏幕识别等多模态的场景进一步加 大 tokens 的消耗，整体算力需求或提升几十到上百倍。

Agent 单次任务推理算力需求测算。以 70B 参数模型支持的 Agent 为例，假设单次生成长 度为 100 tokens，按照 OpenAI 2NBS 的计算公式计算，训练算力需求为 C=2*70B*100= 14*10^12FLOPs=14TFLOPs。同时，并发数量是 Agent 算力需求的重要指标，QPS（Queries Per Second，每秒查询数）是衡量 AI Agent 处理并发请求能力的关键指标，直接影响算力 需求。 假 设 并 发 请 求 数 量 为 10 次 ， 则 总 算 力 需 求 = 单 次 请 求 FLOPs*QPS= 14TFLOPs*10=140TFLOPs/s。以 A100 服务器 312FLOPs/s 计算，假设利用率为 50%， 则需要 140/（315*50%）≈1 台 A100 服务器。

Agent 产品用户数量增长迅速带动算力需求提升。根据 similarweb 数据，现有 Agent 产品 月活跃人数增长迅速，截至 2025 年 3 月底，Manus 自发布后不到一个月时间月活用户增 长至 2310 万人，N8n 月活人数达 526 万人，字节扣子月活人数 498 万，Genspark 月活人 数达 442 万人。从目前有数据公布的 Agent 产品来看，月活人数增长迅猛，预计随未来越 来越多的 Agent 产品放量，推理阶段的算力需求将迎来放量。

算力硬件新范式：软件指导设计、系统定义能力

以 Scale-up 与 Scale-out 持续迭代，算力系统综合能力成为下一代大集群的设计重点。 DeepSeek 不断发布的研究成果展示了其高效的硬件优化能力，4 月 3 日发布的新论文 “Scaling Challenges and Reflections on Hardware for Al Architectures”揭示了其软硬件 协同的更多技术细节，同时从大模型底层算法出发，提出了低精度驱动、互联驱动与大规 模网络驱动的硬件设计启示。证明了单纯算力的性能指标不是 AI 硬件的评定标准，目前大 模型对网络、延迟、计算、功耗等等之间的平衡要求更高，未来算力基础设施的设计或将 反向针对大模型要求进行优化，算力系统的综合能力愈发重要。 NVLink Fusion 强化英伟达 AI 硬件生态优势。英伟达在 ComputeX 大会新提出的 NVLink Fusion 允许包括 ASIC、CPU 在内第三方芯片公司接入 NVLink 的生态链，借助英伟达卡间 互联能力创建类似 GB200 的超级芯片。通过 Spectrum-X 以太网与 Quantum-X800 InfiniBand 技术，NVLink Fusion 可将千卡集群利用率从 60%提升至 90%，训练成本降低 50%以上，同时支持异构计算场景（CPU+GPU+ASIC 混合架构）。我们认为，算力系统综 合能力重要的背景下，此举进一步强化了英伟达除 Cuda 软件生态之外的 NVLink 硬件的生 态优势，进一步巩固了英伟达在整体算力硬件系统领域的领先地位。

国产算力加速迭代，算力硬件架构不断创新

美国对华 AI 出口限制进一步强化。继 H20 禁运后，BIS 进一步升级对华半导体技术出口限 制措施，强化对先进计算芯片和相关技术的对华出口限制。世界范围内禁止使用昇腾 910 系列（B/C/D）芯片，世界范围内禁止使用美国 AI 芯片训练和推理中国 AI 大模型，禁止 IaaS 提供商为中国训练 AI 大模型。在国产算力生态初步起势的背景下，美国 AI 竞争策略从单纯 限制变为对其他国家的技术推广，美国放松芯片对中东等其他国家的出口限制，进一步加 大对于中国 AI 软硬件发展的限制。我们认为，美国对中国大模型的更严苛的限制倒逼国产 替代加速，昇腾生态初步起势，长期看好国产算力产业链发展。 华为云推出 CloudMatrix 384 超节点服务器，从服务器向算力矩阵拓展。HW 新的 CloudMatrix 384 超节点服务器，基于 910C 芯片进行设计，性能约为前代 910B 的 2 倍， 功耗约为前代 2.6 倍。基于 384 个 910C 可以组建 CloudMatrix，对标 NVL72 的高密度方 案。从芯片设计方案上来看，910C 的方案类似于 B200 的芯片架构，采用双芯粒合封方案， 基于两颗 910C 等效芯粒，实现单卡性能的翻倍提升。机架方案来看，CloudMatrix 384 超 节点服务器采用全光互联，实现单节点的算力突破。超节点网络交换机采用 6812 个 400G 光模块，实现 2.8Tbps 卡间互联带宽。

国产算力单卡性能落后的背景下，高密度 Scale-up 机架为性能追赶提供可行路径。从单卡 性能来看，910C 较 GB200 仍有差距，体现在算力、HBM、能效比等参数上。单颗昇腾芯 片的性能仅为英伟达 Blackwell GPU 的三分之一，但五倍于后者的芯片数量弥补差距。完 整的 CloudMatrix 系统可提供 300 PFLOP 的密集型 BF16 计算能力，约为 GB200 NVL72 的两倍。在单卡性能有限的情况下，以量换性能的方式或对其他厂商而言具备借鉴意义。 在不考虑功耗、成本、能源等参数情况下，证明了可以用芯片堆叠的方式实现对 NV 最先进 方案的反超。目前的系统通过 6912 个 400G 光模块、上百台叶/脊交换机实现互联，但各 个层级的互联速率低于 NV 方案。考虑到未来推理对低延迟的需求，因此后续如何提升数据 交换效率，也是集群改进的重要方向之一，持续看好未来国产算力的迭代。

应用：Agent 进展提速，看好 AI 应用进入业绩收获期

国内 Agent 快速追赶，全球 AI 应用共同迈入商业化阶段。1）产品化（2023 年）：2023 年全球软件厂商开始打磨 AI 应用产品，海外产品进展略领先于国内；2）初步商业化（2024 年）：海外 AI 应用逐步实现 AI 应用成熟度的完善并明确定价模式（订阅+用量），率先进入 商业化阶段，国内 AI 应用加速产品化进展并开始产品标杆试点；3）规模商业化（2025 年）： 受益于国产大模型的能力追赶，国内 AI 应用加速产品迭代，快速进入商业推广阶段，全球 AI 应用有望于 2025 年实现规模化业务放量，看好全球 AI 应用商业化进展。

Agent 或是 AI 应用的终极形态，目前雏形初具

Agent 可能是大模型应用落地的终极形态。我们认为，Agent 和 Chatbot 的核心智能均来 源于大语言模型，这是相同的。而 Agent 区别于 Chatbot 最大的特点，在于其能自主的、 持续的解决长序列的问题，并且能够在大模型的智力驱使下使用合适的工具。OpenAI 将 Agent 定义为 AI 系统的第三层级，后续 AI 系统还能够进行发明创新和实现组织能力。我们 认为，虽然 Agent 仅位于 AI 系统 Level 3，但是其使用工具、自动解决问题的理念，可能 是大模型应用落地的终极形态，后续大模型的能力或主要围绕 Agent 这种形式展开。

可商业化的 Agent 产品快速发展，Deep Research 功能是目前较成熟的应用方式。从目前 商业化的 Agent 产品来看，实现方式上以虚拟机为主，好处是不用占据用户的本地设备使 用权限，可以完全在云端运行，而且支持多任务并行。另一种方式是利用模型的多模态能 力对 GUI（图形用户界面）进行推理，然后进行键鼠、触屏等操作来模拟人类，好处是可 以绕开各类 App 的底层权限。功能上看，Deep Research 较为成熟，本质是让大模型不停 的搜索各种网页，然后根据用户的问题形成专业调研报告，一般会持续推理 10-30min。

Agent 能力达不到在日常工作中大规模实用的程度，根源或不在 LLM 的智能，而是在于暂 时难以将更长的动作序列串联起来。当前前沿 AI 大模型在大多数考试类问题上的表现甚至 超越人类专家，而且通过接入 API 等工具能够扩展其“动作”能力范围。但是在完成复杂、 长期的任务上，Agent 能力仍显得有限，且目前尚未有能够大规模使用的通用 Agent 应用 问世。其中的核心根源或在于 Agent 难以将更长的动作序列串联起来，来完成复杂的长期 任务。据 METR 数据（METR 选取了 2019 年至 2025 年 3 月期间能力较好的 Agent，在约 200 项任务上进行测试，主要是编码任务和一般推理任务），当模型在完成耗时少于 4 分钟 的任务时，成功率接近 100%；但对于耗时超过 4 小时的任务，成功率不到 10%，达不到 能够在日常生活工作中大规模实用的程度。

“任务长度”是 AI Agent Scaling Law 的关键衡量指标，19-24 年每 7 个月翻倍。虽然当 下 Agent 对于长任务的完成率还达不到实用程度，但是 Agent Scaling Law 提升速度很快。 据 METR 数据，2019-2024 年，AI Agent 完成任务的时长持续呈指数级增长，翻倍时间约 为 7 个月。以此趋势发展，2029 年之前，或将看到 AI Agent 能够独立完成大量目前需要 人类数天甚至数周才能完成的软件任务。这一趋势甚至还在加速，2024-2025 年 4 月 Agent 能完成的任务长度约每 4 个月翻一倍，如果以这种更快的趋势持续下去，Agent 可能在 2027 年就能完成长达一个月的任务。2025 年 5 月，Anthropic 发布了新模型 Claude 4 Opus/Sonnet，官方指出新模型可在扩展思考过程中并行调用工具，并且模型独立运行 7 小时仍保持稳定性能，记忆能力上也显著超越了所有前代模型，我们认为，模型能持续执 行的“任务长度”增速显著，Agent 的长序列瓶颈终将被突破。

MCP 为 Agent 开启了统一度量衡的时代

Agent 的许多功能的实现依赖外部工具调用，之前不同的模型工具调用方法不统一。大模 型无法执行诸如联网搜索、垂类数据搜索、地图导航、天气查询等能力，因此需要在推理 时调用外部的应用工具来弥补这些能力，这也是 Agent 存在的基础。问题在于，不同的大 模型提供商采用的结构和参数格式各不相同，使得对多模型集成、统一管理和标准化接入 变得复杂而繁琐。

Anthropic 提出的 MCP 为 Agent 统一了工具调用生态。Anthropic 于 24 年 11 月发布模型 上下文协议（Model Context Protocol，简称 MCP）。MCP 是一种开放标准，标准化地为大 语言模型（LLMs）提供应用场景和数据背景，使开发人员能够在数据源和人工智能工具之 间建立安全的双向连接——开发人员可以通过 MCP 服务器公开数据，也可以构建连接到这 些服务器的 AI 应用程序（MCP 客户端）。MCP 在开发者和 Anthropic 的共建下逐步得到认 可，OpenAI 和 Google 先后宣布对 MCP 的兼容和支持，国内阿里、字节、腾讯等大厂也 纷纷布局 MCP 生态。MCP 的普及为 Agent 快速构建和发展提速。

AI 原生应用海外商业化更好，AI Coding 是重要垂类赛道

从 Anthropic 发布的 Economic Index 看，Coding 和教育是 Claude 模型主要的应用垂 类。25 年 3 月，Anthropic 基于其 Claude 3.7 模型，统计了垂类领域的模型调用情况，发 现自 Claude 3.7 Sonnet 推出以来，Coding 以及教育、科学的使用份额有所上升。其中 Coding 在调用量中占有绝对优势，占比高达 40%左右。其他调用较多的领域包括艺术/设 计/娱乐、办公/行政支持等。

反常识的是，月活用户多的AI应用并不一定商业化好，细分垂类反而有不错的货币化效果。 据 a16z 数据，对月活跃用户数量排名前 50 的移动应用与月收入最高的应用（来自移动订 阅）进行分析，结果发现只有 40%的应用重叠。收入或使用量排名前 50 的 80 款应用中， 许多使用量较低的应用反而实现了较好的商业化。垂类的应用更有可能吸引那些愿意为其 专业价值付费的用户。

海外 AI 应用：25Q1 业绩大部分超预期，全年收入指引积极

关税激发更强的 AI 下游需求，美股 AI 应用 Q1 业绩大部分超预期，收入指引积极。从 Q1 业绩表现来看，大部分美股软件公司 Q1 业绩超预期，AI 成为重要增长驱动。AI 商业化进 展顺利主要在于两点：一是 AI 产品经过标杆客户验证功能已基本成熟，二是下游客户想通 过投资 AI 实现降本对冲关税风险。AI 应用提速下，SAP、ServiceNow、Palantir 等 2B 企 业Q1业绩超预期增长，尤其是对于25年全年的收入指引转向更积极态度，比如ServiceNow 在电话会中指引 FY26 AI 收入达到 10 亿美元量级，预计 AI 收入占比提升至 5-6%。

AI 产品客户渗透情况来看接近 10%，海外 AI 应用全年收入有望加速增长。我们统计了截 至 24 年年报的数据，头部 2B 软件 AI 产品在存量客户的渗透率基本接近 10%，Salesforce 的 Agent 产品由于上线较晚（24 年 9 月）渗透率偏低。目前海外 Agent 产品均采用“订阅 +用量”的混合定价模式，我们认为，在实现客户渗透的基础上，长期来看海外 AI 应用收 入有望加速释放。

国内 AI 应用：25Q1 利润率先改善，全年收入放量可期

国内 AI 应用加速实现从简单环节到复杂环节的产品升级。Agent 应用能力边界拓展本质在 于数据访问权限与模型能力边界的拓展，国内 AI 应用加速从简单数据环节向复杂数据环节 进阶。1）2C AI 应用：完成从通用 AI 搜索向个人知识管理的产品升级，并加速进入生活 Agent 助理场景，以 Manus 为代表的通用型 Agent 初步实现商业化；2）2B AI 应用：完成 从企业知识库到单点 Agent 的能力跨越，25 年伴随 MCP、A2A 等标准化协议推广，2B 应 用开始布局跨业务的多 Agent 协同功能，有望实现复杂场景的 Agent 交互与协同。

25Q1 AI 应用公司利润指标率先改善。我们筛选 21 家 AI 应用公司作为样本，其中 8 家企 业 25Q1 收入同比增速优于去年同期，11 家企业净利润率水平优于去年同期，利润指标改 善幅度优于收入，主要原因在于两点：1）企业 AI 内部提效效果显著，带动期间费用率下 降；2）AI 应用目前商机充分，但转化为订单、收入仍需一定周期。我们认为，部分公司 24 年已完成 AI 应用的标杆项目验证，25 年有望实现复制推广。

AI 商业化 24 年已初步验证，25 年有望加速复制推广。我们筛选泛 ERP、轻办公、AI+行 业、数据等四大类 AI 应用标的，可以看到 AI 商业化验证 24 年已初步完成，以汉得信息、 鼎捷数智、万兴科技为例，三家公司 24 年 AI 应用收入已突破千万量级。受益于 DeepSeek 带动下游客户 AI 需求，25Q1 各家公司的业务进展显著提速。

MCP 有望加速 AI 应用产业节奏，应用公司态度积极。MCP 协议旨在实现 AI 应用开发的 标准化，对于加速 AI 应用产业落地具有重要意义。海外 Anthropic、OpenAI、Microsoft、 Google，国内阿里、腾讯、百度已全面支持 MCP，AI 应用公司同样快速接入 MCP 生态。 泛 ERP 类、数据类公司支持 MCP，主要是在 PaaS 平台内提供 MCP 服务，便于企业开发 者打造更丰富的 Agent 功能；轻办公类、AI+行业类公司支持 MCP，主要作为 MCP Server 提供工具化能力。我们认为，AI 应用放量趋势日益明显，产业生态正在加速完善。

落地节奏展望：商业模式变革有望成为共识，看好细分领域率先 放量

AI 应用展望一：从交付工具到交付结果，重视 AI 应用商业模式变革

不同于传统软件，Agent 应用从交付工具转变为交付结果，商业模式也对应发生改变，按 效果付费的新范式有望成为行业共识。1）产品定位：传统软件定位为软件即服务，将软件 应用作为辅助工具，旨在提升人类员工的工作效率与企业的管理能力；Agent 应用定位为服 务即软件，将软件应用作为数字员工（数字生产力），旨在替代人类员工完成任务交付最终 结果；2）收入影响指标：传统软件应用是工具属性，员工人数是影响软件厂商收入的关键 指标；Agent 应用是服务属性，具体效果或成为影响软件厂商收入的新指标；3）商业模式： 考虑到产品定位与收入影响指标变化，软件厂商的 Agent 产品开始新商业模式探索。以 Salesforce 为例，Agent 最早沿用 SaaS 订阅模式（50 美元/人/月），后转变为按用量付费 （每使用一次客服 Agent 2 美元），我们认为，后续有望转变为按实际使用效果付费。

AI 应用展望二：数据复杂度影响落地节奏，看好细分场景率先放量

我们认为，Agent 产品必须要与垂直行业数据、垂直场景数据深度结合，才能实现真正的 商业化落地，从业务逻辑与实际进展看，数据复杂度低、幻觉容忍度高的场景有望率先实 现规模化商业落地。

2C 应用幻觉容忍度较高，商业化进展或领先于 2B。从 AI 落地节奏来看，2C 场景（广告、 电商、虚拟陪伴等）因幻觉容忍度较高，成为商业化进展较领先的业务场景。以 Meta 为例， Meta 于 2024 年开始推荐系统与广告系统的 AI 升级，实现了用户留存时间的增长与广告转 化率提升。根据公司 25Q1 电话会介绍，得益于推荐系统的 AI 改进，过去半年内 Facebook 用户使用时长增加了 7%，Instagram 用户使用时长增加了 6%，得益于广告系统的 AI改进， 25Q1 Reels 的新的广告推荐模型带动广告转化率提高了 5pct。在 2B 场景，客户场景的复 杂度相对较高、对模型输出的精准度要求更高，落地节奏或慢于 2C 场景。

2B 应用分场景来看：数据复杂度是影响 AI 应用落地节奏的关键因素，数据复杂度越低的 场景商业化进展越快。1）简单难度梯队：企业知识库、企业高管数智助手率先完成产品落 地，主要通过大模型实现企业文件资料与业务系统数据的读取与分析，不涉及跨业务系统 的数据双向交互；2）中等难度梯队：企业人/财/物管理 Agent、销售/客服 Agent 或是 25 年的重点放量环节，此类环节涉及多业务系统的数据交互，同时对于数据分析精准度要求 较高，24H2 海外应用厂商通过企业数据中台架构搭建了此类 Agent 的技术基础，有望在 25 年实现业务放量；3）复杂难度梯队：生产/工艺流程 Agent 对于精准度要求再度提升， 同时涉及数据的实时预测与分析，目前此类应用仍在试点阶段，以 Palantir 为例，24Q4 公 司推出的 Warp Speed 计划，正是以优化工业生产为目标的系列 Agent 功能，目前仍在验 证阶段。

2B 应用分行业来看：数据基础好、客户预算足的行业进展较为领先。1）数据基础好：企 业私有数据是大模型降低幻觉的重要因素，因此信息化程度高、数据基础好的行业具备更 优的 AI 落地基础；从海外来看，Agent 应用下游景气度较高的行业主要包括政府、军事、 工业、金融、法律等数字化基础较好的行业；2）客户预算足：客户预算也是影响产品落地 节奏的重要因素，大型客户相较中小型客户的 AI 投资意愿更强，因此大客户占比较高的软 件公司 AI 业务进展也更为领先，以 ServiceNow 为例，其下游大客户较多，截至 24 年底， AI 产品渗透率已接近 12%（存量客户 8,000+家，AI 应用采购企业数为 1,000 家左右）。

AI 应用展望三：AI+营销/销售，数据丰富+可量化 ROI+标准化流程三大因 素驱动 AI 快速商业化

AI 在营销和销售领域的应用已从技术探索阶段迈入到规模化应用。营销和销售领域成为 AI 大模型落地较快的场景之一，核心原因在于其数据驱动的本质、业务目标的可量化性、流 程的标准化特征与 AI 技术特性高度契合。 一、营销和销售是企业直接产生收入的环节，业务目标可量化，ROI 驱动快速验证。营销 和销售的核心目标（如销售额提升、提升广告支出回报率 ROAS、转化率、客户留存率） 具有明确的量化指标，便于企业快速评估 AI 应用效果，因此企业更愿意投入成本尝试。 相比之下，医疗、金融等领域虽信息密度高，但合规风险和伦理争议（如误诊责任、数据 隐私）导致落地周期更长。营销领域的 “短平快” 特性（如短视频广告的即时反馈）使 其成为 AI 商业化试水的理想场景。 二、数据资源的天然优势。营销领域是企业数据密集的场景，涵盖用户行为、消费偏好、 市场趋势等多维度数据。这些数据为 AI 模型提供了丰富的 “燃料”，使其能够快速学习 并优化营销策略。此外，营销数据的实时性（如短视频平台的日活数据）和结构化特征（如 广告点击、转化等指标）进一步降低了模型训练门槛，加速技术落地。 三、流程标准化与工具化：低门槛的技术集成。营销全链路（从内容生成、投放优化到效 果分析）具有清晰的流程节点，流程的可拆解性降低了技术集成难度，企业无需重构业务 体系即可快速部署 AI 解决方案。 企业客户对于 AI 营销的需求已经从单一工具向全链路智能中枢升级。营销链路可以分为公 域引流阶段以及私域引流阶段，传统营销模式下企业注重在公域引流上的投入，但在后互 联网时代下，越来越多企业注重私域运营以实现企业业务的稳定增长。 1）洞察环节：企业利用 AI 打通线上线下数据，自动聚合多源数据（社交媒体、CRM、电 商平台），实时生成市场趋势报告。 2）内容生产：营销内容生成与创意突破。基于大模型生成个性化文案、图像及视频，缩短 创作周期。 3）媒介投放：利用 AI 进行精准营销，并动态优化广告预算分配，实现 ROI 的快速提升。 4）后链路管理：自动化客户触达与售后服务，提升客户互动体验。

AI 营销/销售领域的市场格局非常分散。AI 营销/销售领域的市场格局非常分散，按照沙利 文《中国营销及销售 SaaS 解决方案市场行业研究报告》数据显示，2023 年迈富时 （Marketingforce）是中国最大的营销及销售 Saas 解决方案厂商，份额为 3%；Saleforce、 微盟、纷享销客、有赞市场份额分别为 1.8%/1.8%/1.5%/0.9%。 AI 有望重塑行业格局。当前，AI 已成为重塑数字营销及销售行业的重要力量。我们认为， 对行业的深刻理解、AI 技术领先性、成熟的销售网络、强大的品牌知名度等将成为厂商胜 出的重要因素。 AI 营销/销售行业的相关公司包括：Saleforce、迈富时、微盟集团、纷享销客、有赞等。

AI 应用展望四：AI+HR，应用全面开花，从“效率工具”到“战略中枢”的跃 迁

AI 在 HR 领域的应用已经“全面开花”。美国人力资源管理协会（SHRM）调查显示，大约 66%的 HR 专业人士已经在日常工作中使用人工智能，高于八个月前的约 30%。HR 科技企 业 HireVue 发布的《2025 全球 AI 招聘指南》调查了全球 4000 多名 HR 负责人和员工，结 果发现 AI 在 HR 领域的采用率已从 2024 年的 58%跃升至 2025 年年初的 72%。国内大型 互联网公司的 HR 部门已经开发出内部 AI 系统，覆盖招聘、培训、员工关怀等多领域。如 字节开发了 AI 面试官，可以根据岗位要求自动生成面试问题并评价候选人回答；阿里的人 才发展团队则利用 AI 分析员工学习数据，为数万员工定制个性化的学习路径。 HR 领域成为 AI 大模型落地较快的场景之一，本质上是由其业务特性、技术适配性和市 场需求共同决定的。

1、HR 业务流程天然适合自动化改造

HR 职能涵盖招聘、培训、绩效、薪酬、员工关系等全生命周期管理，其中大多数环节具 有重复性、规则性和数据密集型特征： 1）招聘场景：涉及到简历筛选、职位描述撰写、面试邀约等流程，需处理海量文本数据； 2）员工服务场景涉及到假期申请、薪资查询、政策咨询等高频事务性工作，可通过 AI 聊 天机器人 7×24 小时响应； 3）合规管理场景涉及到合同审核、考勤核算、数据合规等需严格遵循法规的环节，AI 可 自动校验风险点。

2、HR 场景是典型的语言密集型领域，LLMs 可以很好的解决语义理解与生成、跨模态信 息处理、对话交互等核心问题。

3、HR 系统积累了企业较完整的结构化（如员工档案、考勤记录、绩效评分、薪酬数据等） 和非结构化数据（如面试录音、培训反馈等），且企业对 HR 环节“降本增效”的需求非常刚 性。

AI 在 HR 领域正从“效率工具”到“战略中枢”进行跃迁。AI 大模型在 HR 领域的商业化 应用，短期可以解决招聘、行政等环节的效率瓶颈，降低成本；中期可以通过员工数据洞 察（如离职预警、技能图谱），辅助管理层进行组织优化；长期会成为企业“人才战略大脑”， 自动规划人才供应链、预测劳动力市场趋势，甚至参与企业文化建设（如智能员工关怀）。 因此，HR 领域成为大模型技术与企业管理深度融合的最佳试验场之一。 根据艾瑞咨询《2025 年中国人力资源数字化研究报告》（以下简称“报告”），2024 年中国 人力资源数字化市场规模约 303 亿元，同比增长 13.2%。全球经济下行压力下，企业 IT 支 出趋于保守，对人力的管理目标也从业务增长向成本优化转移。人力数字化市场进入存量 优化阶段，增量需求更多依赖于 AI 应用及功能迭代。AIGC 技术成熟及应用场景深化，催 生员工培训、知识管理、人才盘点等场景有望在未来 2-3 年内实现 AI 成熟应用。《报告》预 测，2027 年中国人力资源数字化市场规模将达到 484 亿元。

HCM SaaS 市场格局相对分散，北森控股蝉联榜首。根据 IDC 发布的《中国人力资本管 理 HCM SaaS 市场 2024 上半年跟踪报告》，北森位居中国 HCM SaaS 市场整体第一， 市场份额上涨至 14.93%，自 2016 年至 2024 年上半年已连续 8 年蝉联榜首。在 Core HCM、招聘管理 SaaS 和绩效管理 SaaS 三大 HCM SaaS 子市场中，北森也凭借战略及 产品的创新突破，连续多年保持领先，优势明显。 除北森外，市场上还有众多其他厂商参与竞争。如浪潮海岳 HCM 凭借领先的技术实力与 市场表现，入选 2024 年度中国企业人力资本应用市场 TOP3，成为大型企业人力数字化转 型首选。此外，金蝶、用友、SAP、Oracle 等厂商也在市场中占据一定份额。 AI 时代，具有丰富的 HR 垂直场景数据、积极布局 AI 的企业有望获得更多增量机会。面对 AI 浪潮带来的历史性机遇，领先厂商如美国的 Workday、HireVue，以及中国的北森控股、 金蝶国际、用友网络等公司均在积极布局 AI Agent 布局。其中部分公司的 AI Agent 产品已 经快速实现商业化变现：如 Workday FY26Q1 由 AI 驱动的订阅收入为 20.59 亿美元，同比 增长 13.4%；北森控股的 AI 面试官自 24 年 8 月份推出后，迅速获得数百家企业客户购买。 我们认为，市场份额高、HR 垂直场景数据积累丰富、AI 布局早的企业有望获得更多增量业 务机会。 AI+HR 领域相关上市公司包括：Workday、北森控股、金蝶国际、用友网络等。

AI 应用展望五：AI+医疗，AI 正在构建药物研发新范式

AI 正在构建药物研发新范式，创新药有望进入全新发展阶段。AI 正在加速向新药研发的各 个环节渗透，未来将从化学合成环节走向临床前及临床试验等生物环节，全球头部创新药 研发企业纷纷拥抱 AI。基于多模态深度学习算法，研究者能够系统整合基因组、蛋白质组 等高维数据，实现全维度靶点特征挖掘与优先级排序。知识图谱技术的创新应用同样成效 显著，BenevolentAI 通过构建跨学科知识图谱，成功挖掘出具有全新作用机制的慢性肾病 治疗靶点，相关候选药物进入到临床试验阶段。只有当 AI 被用于连接药物发现各个阶段之 间的点，并构建一个从假设到临床前和临床阶段的端到端系统时，才能真正实现范式转变。

各类大模型正广泛应用于药物发现的各个环节。药物发现领域的大模型包括三类，一种是 使用专门针对蛋白质（如 ProGen 和 ESM3）、DNA（如 DNABERT 和 Evo）、单细胞数据 （如 scGPT）和小分子（化学语言模型）等特定科学领域的 tokens 序列表示进行训练的特 定基础模型。另一种是调整经过良好训练的通用大型语言模型以适应特定的科学领域，例 如用于小分子的 Tx-LLM 和用于蛋白质的 ProLLAMA。第三种涉及从头开始训练科学数据 增强的 LLM，主要使用文本数据和少量科学数据，例如 BioGPT 和 Galactica。利用大模型 可以加速潜在药物候选物的识别，预测药物的安全性、有效性和药代动力学性质，优化先 导化合物，并预测合成途径，通过自动化和加速药物发现的各个阶段，帮助研究人员更有 效、更高效地识别有希望的药物候选物，从而显著缩短药物开发时间并降低成本。

各大厂积极进行 AI 医药研发大模型的布局。Google 推出 AlphaFold 模型用于预测分子结 构，同时利用通用 LLM Gemma 微调推出用于医药研发领域的大模型 TxGemma，在此基 础上推出智能助手 TxGemma-Chat 与智能体系统 Agentic-Tx；微软于 2025 年 2 月发布适 用于包括小分子、蛋白质、核苷酸等多实体的预测大模型 NatureLM；Salesforce 推出了蛋 白质生成 AI 大模型 ProGen；微软发布了蛋白质生成的通用 AI 框架 EvoDiff；亚马逊为其 AWS 机器学习平台 SageMaker 发布了蛋白质折叠工具；英伟达推出了用于药物发现的生 成 AI 云服务 BioNeMo，并投资了制药公司 Recursion Pharmaceuticals 和 Iambic Therapeutics。 DeepMind AlphaFold 持续迭代，革新药物发现范式。AlphaFold 系列模型是由 Google DeepMind最早于2018年提出的预测蛋白质结构的模型，基于Transformer架构进行构建， 而后持续迭代。2021 年开源 AlphaFold 2，借助该模型，发布了 AlphaFold 蛋白质结构数 据库， 98.5%的人类蛋白质结构全被 AlphaFold2 预测出来。2024 年 5 月提出 AlphaFold 3 版本，实现对蛋白质之外的上亿个结构物分子的复合物进行联合结构预测，还可以模拟蛋 白质、DNA、RNA 和小分子之间的复杂相互作用，而这种能力有望帮助科学家加深对疾病 机制和药物相互作用的理解，对药物发现至关重要，使得大模型在医药研发领域的可用性 进一步提升。

商业化进展来看，医疗制药领域 AI应用进展迅速。AI制药领域公司商业模式包括以下几类， 1）CRO 商业模式是大多数公司商业化的首选方案，即提供分子设计服务（如设计和优化 小分子、抗体、多肽、PROTAC 等），代表企业包括 AbCellera、Insilico Medicine、Evotec 和 Labcorp；2）AI 制药 SaaS 服务，通过提供 AI 软件辅助药物发现流程，用户通过订阅 服务的方式访问平台，获取用于药物发现的各类工具和资源，代表企业包括 Insilico Medicine、Exscientia 和 Atomwise 等；3）自研管线，通过 AI 驱动进行药物发现并积极推 动管线进程，海外代表性企业包括 Recursion Pharmaceuticals、Atomwise、Exscientia、 Relay 等。国内代表企业如英矽智能、未知君、剂泰医药等。

AI 正在驱动临床试验范式的系统性变革，AI 制药市场规模增长迅速。根据 BCG 数据，在 临床前阶段的药物发现步骤中，AI 可以节省至少 25%~50%的时间和成本。根据 The Business Research Company 最新数据，全球 AI 制药市场规模将从 2023 年的 15.8 亿美 元增长至 2028 年的 56.2 亿美元，年复合增速达 28.5%。

编辑：火腿肠