2025年计算机行业深度报告：落实“人工智能+”，赋能千行百业

1. AI 应用高地：当前已经发展到了什么阶段？

从企业的生命周期来看，AI 应用已来到加速上行前夕。从企业生命周期来看，一 家公司/一个新生行业会经历：种子期→初创期→快速成长期→成熟期→衰退期。对于 AI 企业而言，从创始到成熟对应的企业特点主要包括：种子期（成本下降）、初创期（渗 透率快速提升）、快速成长（ROI 兑现）、成熟期（平台统一、合规完备）。 我们认为，当前 AI 应用已来到快速成长前夕。AI 应用当前已实现成本腰斩、渗透 率快速提升、收入验证带动 ROI 落地，基本符合快速成长期的特征。

1.1. 数十年技术浪潮持续叠加，当前已来到 AI 应用关键时刻。

AI 发展的先决条件已成熟。自 1960 年代半导体产业兴起伊始，人类在信息技术领 域的探索就在不断加速。经过数十年的浪潮堆叠式积累，现已具备强大的算力、高速网 络传输能力、大数据、渠道以及人才储备，这一切都将信息技术推向 AI 这一“最终幻 想”。当 AI 落实至传统产业中，应用带来的是历史性机遇、颠覆性变革，迅猛程度远超 以往任何一次技术浪潮。

1.2. 大模型使用成本快速下滑

API 价格快速下探+ DeepSeek 开源，大幅降低 AI 应用开发成本。自 2023 年 API 首发以来，ChatGPT 经过多次迭代，目前 token 处理价格目前已降至$2/百万 token（输 入端，GPT-4.1）、$8/百万 token（输出端，GPT-4.1）。DeepSeek 开源后模型训练成本大 幅下滑，R1 模型商用 API 价格仅￥0.5~2/百万 token，输出仅￥8/百万 token。基础大模 型成本快速下探，显著优化 AI 应用开发成本、加快国内 AI 应用发展速度。

1.3. AI 应用使用量持续上行

大模型的不断成熟，用户数量与月活均呈加速上升趋势。GPT 自 2022 年 11 月发布 后，5 日内用户数量突破 100 万，至 2023 年 11 月 WAU 达 1 亿，2024 年 8 月 WAU 达 2 亿，2025 年 2 月 WAU 达 4 亿，第二轮翻倍时间较第一轮缩短 3 个月；DeepSeek 上线 20 天即斩获 1000 万用户，上线 2 个月 MAU 达 2 亿。以 GPT 与 DeepSeek 两大最热门 大模型来看，用户数量与使用数量均呈现加速上升的态势。

1.4. 大厂持续加码资本开支，AI 应用收入验证

大厂资本开支持续发力，AI 应用收入&盈利能力逐渐凸显。 （1）大厂 Capex：全球 2025 年企业 AI 支出规模预计达到 2024 年的 3 倍，其中 42%的资金将投向生成式 AI 产品；2024 年谷歌、微软、亚马逊、Meta 合计 Capex 预计 达到 2504 亿美元，同比+63%，2025 年 Capex 预计达 3400 亿美元，同比+35%，AI 算 力需求持续扩张；

（2）AI 应用收入情况：全球收入靠前的应用目前主要集中于大语言模型（ChatGPT、 Grok、Claude 等）、套壳类文本生成（ChatOn、Chatbot 等）、音视频生成（Suno、Hula、 Invideo 等）、垂直化应用（Speak、Plaud、Speechify 等）、图片增强（FaceApp、Remini、 AirBrush 等）。当前 AI 应用盈利能力较上一阶段已出现显著好转。

2. AI 应用的未来：去向何方？

我们认为 AI 的价值将在应用层面得以实现，AI 应用才是“星辰大海”。传统应用 产品中，从应用类型来看，终端应用（包括 Tiktok、Zoom、Airbnb、Palantir 等）占据软 件市场的最大版图。从 AI 应用的视角来看，当前终端应用仍处在相对蓝海时期，尽管 2025 年以来空白市场相对缩减，但仍存在海量机会。传统应用中，应用层占据了软件行 业收入与现金流的顶层，我们认为，这一趋势同样将在 AI 领域复刻。

凯文·凯利在《未来 5～10 年，AI 改变世界的四大路径与机会》主题演讲中，从两 个维度出发对未来 AI 应用的形态进行展望：一方面，从智能的生物存在形态来看，既 有可能是一种通用智能，又有可能是一系列智能的集合（规划、判断、注意力、记忆、 推理、演绎等）。从这个角度来看，人工智能既可能指向通用智能，又可能指向专用智 能；另一方面，从智能的应用端口来看，人工智能既可以是中心化的集中式计算，又有 可能是去中心化的端侧计算。因此我们结合这两个方面的智能形态，认为 AI 应用未来 可能走向“四象限发展格局”。

2.1. AI 应用的四象限发展格局

我们认为未来 AI 应用将向着四个不同的象限发展。其中 x 轴指向通用化/专用化， y 轴指向端侧计算/集中式计算。四个象限分别有他们的代表应用： 第 I 象限（专用/端侧）：各行各业的专用/垂直应用； 第 II 象限（通用/端侧）：Tesla FSD 等； 第 III 象限（通用/集中）：ChatGPT、DeepSeek 等；第 IV 象限（专用/集中）：AI Agent 等。

2.1.1. 通用/集中：通用大模型实现全场景的大模型平权

我们认为，未来通用大模型的发展将逐渐走向基础设施化。通用人工智能已进入第 三代研究，成本呈对数级增长，但边际性能提升区域平缓，无法确定“模型越大、性能 越好”的规律是否会持续演绎，想要通过一个通用大模型解决千百业的 AI 应用问题， 在可预见的将来或难以实现。前文提到，在基于通用大模型的基础上，叠加行业的垂直 化数据可以打造出有深度的行业 AI 应用。因此我们认为，未来通用大模型可能成为一 种 AI 应用的基础设施，通用大模型的探索依然具有价值，但或不值得投入指数级增长 的成本以获得式微的边际产出，持续优化算法、降低训练成本、易于行业化改造或成通 用大模型的发展关键。

2.1.2. 专用/端侧 AI 应用：垂直大模型是 AI 应用的房梁

通用大模型作为根基，垂直大模型是构建在通用大模型底座上的“房梁”。当前 DeepSeek 开源+市场主流大模型 API 价格持续下降，算法已几乎实质上实现平权，而通 用大模型本身在成本、通用性、专业性“不可能三角”的限制下只有两种清晰的发展路 径：ToC（如用户直接向 DeepSeek 提问），或成为垂直大模型底座——大模型平权背景 下，真正能将 AI 渗透进专业领域应用场景的是垂直领域的 AI 应用：在已有大模型的基 础上叠加特定应用场景的垂直数据，才能真正将 AI 实现从通用大模型训练成垂直大模 型，成为 AI 应用的房梁。而在此过程中，大模型并非稀缺资源，而是律所判例、客服对话、企业知识图谱这类外界无法轻易复制的数据资产。

2.1.3. 通用/端侧大模型：以 Tesla FSD 为代表的跨领域通用大模型

特斯拉 FSD 是一种典型的通用+端侧大模型。采用纯视觉+Transformer 大模型的感 知+决策一体化架构，通用性：涵盖物体检测、轨迹预测、占用网络、路径规划等多任务 功能；端侧计算：特斯拉车内的 FSD 计算机（HW4）搭载专用 AI 芯片，算力高达约 144 TOPS，支持在本地处理多摄像头传感器数据，实时决策，无需依赖云；同时，车辆 数据回传+Dojo 超算训练，形成自循环优化模型，成为通用+端侧计算大模型的标志性产 物。

2.1.4. 专用/集中：AI Agent 或称为新时代的数字代理人？

Agent 或将成为未来技术发展的重要趋势之一。目前业界尚未对 Agent 形成统一定 义，但最恰当的理解方式或许是将之视为一种交互接口。当用户与人工智能系统对话时， 其本质上就是在与代理进行交互。然而，代理并非孤立存在，而是构成了一个协同运作 的代理网络体系。用户可能仅与某个表层代理直接对话，而该代理会在后台与其他功能 代理进行交互，这些次级代理则分别承担着不同的专业化任务。换言之，整个系统通过 代理网络的分工协作机制，实现复杂功能的有机整合。 Agent 的价值不仅在于信息查询，更体现在处理多环节的复杂任务链上。以票务服 务为例，理想的代理系统不仅能提供票务信息，还应能完成从查询、预订到改签的全流 程服务。这就要求代理系统具备任务分解、责任传递和专业化操作的能力，能够自主协 调完成包含纠错机制在内的复杂操作流程。虽然构建此类具备责任链管理能力的系统存 在显著技术挑战，但其潜在价值同样巨大。目前，Nvidia、OpenAI、Google 等科技企业 都在积极推进相关研发工作。尽管尚未出现成熟的代理系统，但预计在未来五年内，这 一技术有望取得实质性突破。

3. AI+：基于我国国情与全球 AI 产业链特征的人工智能战略

3.1. 中美 AI 产业逻辑差异

人工智能的技术路径没有收敛，因此我们需要发挥我们的比较优势。 中美 AI 产业发展逻辑存在显著差异，导致路径选择上两国有截然不同的战略规划。

3.1.1. 美国：站在全球的知识产权金字塔顶端，掘金全球

美国位于全球 AI 产业链的最顶端，掌控云服务与芯片市场的垄断地位。 （1）云服务：北美四大云厂商（谷歌、亚马逊、Microsoft、Meta）2025 年规划投 资超 3000 亿美元用于 AI 数据中心建设，云基础设施服务市场前八名中美国公司累计市 占率超 70%； （2）AI 芯片：截止至 2023 年底，美国 AI 芯片头部企业（NVIDIA、AMD、Intel） 累计市占率达 80-85%，形成技术壁垒与生态垄断。以 NVIDIA 为例，2024 年报净利润 超 300 亿美元，净利率超 53%，壁垒高、具备极强议价能力。中国 AI 服务器市场外购 美国芯片占比达 63%，无论产品端还是技术端都高度依赖美国芯片产业。

3.1.2. 中国：下游应用是我国核心优势与 AI 产业的关键突破口

中国 AI 产业优势体现在下游。中国 AI 产业上游云服务与芯片被美国卡脖子，尽管 中国本土厂商持续实现技术突围，但由于行业网络效应显著，中国想在上游实现完全胜 利难度极高。中国需要发挥自己的比较优势。

（1）数据优势：我国超 80%数据来自政府，尚处于未被开发的状态，具有极大经 济潜力；对比美国超 80%数据来自头部大厂，在大模型训练过程中已经被相当程度转化 为经济效应。

（2）产业链优势：中国具有全世界最完整的产业链。2024 年我国制造业增加值为 3.6 万亿美元，占全球制造业比重 28.9%。

（3）市场优势：我国具有超大规模市场的需求优势，有 14 亿多人口和 4 亿多中等 收入群体的超大规模内需市场，拥有丰富的应用场景。我国具有产业体系配套完整的供 给优势，是世界唯一拥有联合国产业分类中全部工业门类的国家，还有 6000 多万家各 类企业优势互补、竞相发展。我国具有大量高素质劳动者的人才优势，有 7 亿多劳动力、 2.4 亿多技能人才和每年 1000 多万高校毕业生的丰富人力资源。这些优势的背后是巨大 的市场潜力，将成为 AI 应用发展的强大后备力量。

（4）应用场景优势：当前，“人工智能+”正深度融入人们生产生活等具体环境，在 推动制造业、办公、家庭、消费等场景的智能化升级方面表现尤为突出。①在制造业领 域，传统的流水线模式正逐渐被柔性化和定制化的智能生产所取代；在办公场景中，人 工智能技术推动着知识工作者效率的提升和能力边界的拓展；在家庭生活场景中，各类 智能化产品让科技真正服务于人的需求；在娱乐消费场景中，人工智能助力体验经济等 新型消费模式的发展。

3.2. 以通用大模型为基，以垂直大模型为梁，打造 AI+行业应用

我们认为，未来我国将重点发展通用大模型+垂直大模型以实现由面及点、由浅入 深的 AI 应用发展格局。通用大模型是算法地基，垂直大模型是屋柱房梁，AI 应用是封 顶大吉。换言之，AI 应用的根本问题在于解决通用大模型的基座与垂直大模型的骨架，因为如果没有足够强大的模型做支撑，AI 应用只会是空中楼阁。 AI 应用的“不可能三角”。我们认为，AI 应用只能在 “训练成本”“通用广度”“专 业深度”三大方向中任选其二：在现实情况中，训练成本有限，通用性与专业深度无法 兼顾。通用大模型的底座过于庞大，少量数据或个别业务逻辑的资料用于训练或微调难 以起到效果，重新搭建行业大模型成本又过于高昂，而基于通用大模型真正能赋能工作 的 AI 应用只需要精简的底座具备基本的人机交互、推理逻辑和语义理解功能，同时用 所在领域的知识库进行预训练，再依据业务逻辑进行微调，才能真正赋能我们的工作。

3.2.1. 通用大模型：扎根

通用大模型将成为一切 AI 应用的基石，是算力平权的决定性因素。一方面，AI 大 模型开始“飞入寻常百姓家”：AI 大模型调用价格的持续下探，大规模商业化应用成为 可能，千百业可以通过通用大模型+专有行业数据集的模式构建行业专属的垂直大模型， 真正服务细分场景；另一方面，通用大模型能力不断打破上限，大模型底座的智能性、 稳定性、可靠性持续走强，实际任务解决能力愈发强大、更加容易为人所用。

3.2.2. 垂直大模型：梁柱

通用大模型带来算力平权，差异焦点转向私域数据。开源模型和 API 价格曲线让 “生成文字”价值迅速归零；真正稀缺的是各个细分场景无法为人所轻易杜撰的数据资 产：如律所判例、客服对话、企业知识图等：通用大模型+数据资产=垂直大模型。 从资源禀赋看，我国具有丰富的垂直应用场景。前文提到，中国拥有全球最完整的 制造业体系和齐全的下游应用场景，“人工智能+”通过人工智能技术与各行业深度融合， 推动经济社会各领域的智能化升级，涉及技术创新、场景升级、产业发展等多个维度， 并由此带来现代化产业体系的整体性跃升。 赋能行业痛点明确。通用大模型在较复杂工作场景或要求数据真实性的场景中很难 实现实质性的工作赋能，而具体应用场景对大模型可靠性与专业性要求高，垂直模型通 过深度融合特定行业数据库，通常使用任务相关数据进行预训练或微调，以提高在某一 任务上的性能和效果。

政府数据主导与专业化数据需求： 政府数据主导：中国政务数据占全国数据资源超 3/4，但开放度不足美国的 10%， 因此未来的潜力巨大。垂直模型可依托“国资云+行业数据”模式，在保障数据安全的前 提下释放价值（如北京银行的智能风控系统）。 中文高质量数据持续推进：大模型发展催生高质量数据集需求，专业领域更容易获 取相关垂直赛道的高质量中文数据集，利于训练垂直 AI 大模型。我国现已采取多项举 措服务高水平中文数据集以用于行业大模型建设，包括多源数据融合突破数据多样性瓶 颈、破解大模型数据规模化处理难题、构建高质量数据供给平台等，多渠道数据融合构 建多元数据集，聚焦行业痛点打造智能赋能标杆。根据相关测算，在交通行业通过辅助 规划充电站最佳位置，可节省选址市场调研人力、物力成本超 70%；在文旅行业可有效 提升旅游管理水平，降低景区运营成本 25%。

地方实践先行：北京、上海等地推出专项政策，推动 AI 在智能制造、智慧医疗等 场景的示范应用。

3.3. AI+的核心意义：与传统行业的双向赋能

AI+传统行业的终极发展模式在于 AI 与传统行业的双向赋能：即 AI 赋能传统行 业、降本提效，生产过程中产生的行业数据反哺 AI 进一步自我迭代。AI 通过“人工智 能+”深度融入产业创新发展，如智能制造、智能医疗、智能金融等，从而加速构建更加 智能化和互联化的产业生态。反过来，产业生态又可以通过集聚技术、人才和数据等要 素，进一步加快技术变革，推动新产品开发应用，激励人工智能相关企业更多地投入智 能管理、关键技术研发和应用场景培育等领域。为此，应充分发挥现有应用场景的优势， 实现人工智能与场景升级的协同驱动，加快构建“人工智能+”产业生态。 （1）挖掘垂直场景需求：依托制造业柔性生产、智能家居人机交互、消费领域多 模态推荐等众多成熟案例，推动人工智能技术与下游应用痛点的精准对接。通过建立行 业需求图谱与技术能力匹配模型，将人工智能算法研发与产业转型升级需求精准耦合， 重点突破设备预测性维护、个性化产品定制、智能营销决策等典型场景的技术适配难题， 形成可复制的技术赋能模式。

（2）构建商业化闭环。可通过设立专项基金、税收优惠等方式，降低企业技术研发 风险，同时建立市场化技术交易平台促进供需对接；企业端则要打通实验室原型开发与 量产部署间的转化通道，重点培育具备工程化交付能力的中间层机构。特别是在医疗健 康等民生领域，应加快制定行业准入标准，推动前沿技术在基层医疗机构的普惠性应用， 实现社会效益与经济效益的协同发展。 （3）强化场景驱动的协同创新：搭建跨行业数据要素流通基础设施，统一多源异构数据接入规范与隐私保护框架。通过建设开放型产业协作平台，促进智能制造装备厂 商、智慧城市解决方案提供商等主体间的技术资源共享与商业模式创新。在复合型场景 中，依托真实业务场景的持续演进压力，推动底层算法架构革新与产业链协同升级，形 成“场景牵引—技术突破—生态重构”的良性循环，最终实现人工智能技术价值的螺旋 式提升。

3.4. 典型行业应用

3.4.1. AI 医疗：最快落地的 AI 下游应用

我国 AI 医疗市场规模快速增长。（1）医疗资源分布不均匀，医疗资源与需求倒挂： 截止至 2022 年底，我国 3.7 万家医院中仅 3523 家三甲医院，而诊疗人次高达 22.3 亿 次，其中三甲医院承担全国 58.6%的诊疗量，资源分配明显不均。AI 可通过辅助诊疗、 辅助问诊等模式，有效减少医生繁杂工作，提高诊疗效率；（2）政策驱动医疗行业数智 化发展：自 2017 年起我国将 AI 作为重点政策推动，AI 医疗作为 AI 行业先行者，政府 大力倡导。 未来我国 AI 医疗行业将快速、持续扩容，医疗板块或将成为 AI 率先实现赋能的 赛道。（1）技术选代推动 AI 在医疗领域渗透率。以大模型为代表的 AI 技术正与生物制 药、医学诊疗深度融合极大提高药物研发效率和医疗诊疗的覆盖度和诊疗效果；（2）医 疗健康大模型多态发展，推动 AI 医疗扩容。目前多模态医疗健康大模型主要涉及视觉 和语言两种模态，未来可融合各类数据类型和尺度(如分子、细胞、基因等)进一步释放 大模型在科学发现和临床诊疗方面的潜力，推动医疗健康大模型多模态融合发展。

我国 AI 医疗大模型进展飞快，国内多家顶尖医疗机构和科技企业纷纷发布了自主 研发的 AI 病理大模型。截至 2024 年 9 月，我国共有超 100 家企业和机构发布了医疗健 康产业大模型。企业占比达到 81.3%，高校和研究机构占比分别为 10.3%和 5.6%，医院占比为 2.8%。医疗大模型在 2024 至 2027 年迎来快速发展期，2025 年医疗大模型市场 规模已达 82 亿元，预计到 2027 年我国医疗行业大模型市场规模将超过 260 亿元。

AI 从制药、医疗器械、医疗助理等多个角度出发，全面赋能医疗行业。 （1）AI 制药： 以医药大数据为基础，将 AI 赋能至制药各环节，提高新药研发效 率及质量、降低研发成本。ARK 的报告中指出，2024 年以前，制药行业平均上市时间 约为 13 年，总上市成本约 24 亿美元；而在 AI 的充分驱动下，有望将药物平均上市时 间压缩至 8 年，总上市成本压缩至 6 亿美元。

（2）AI 医疗器械： AI 医疗器械已应用于癌症领域、肺结节检测、肺部术前规划、 感染性疾病、肺炎诊断、结核病诊断、脑卒中诊断、冠心病诊断和骨折诊断等领域，协 助完成术前规划、病灶检测和靶区勾画等工作。

（3）AI 医疗助理：AI 医疗助理包括 AI 语音电子病历、AI 智能导诊、AI 智能问 诊和 AI 推荐用药，能无缝地赋能到门诊、住院两大诊疗场景中，有效补充医疗资源， 弥补基层诊疗服务短板。

3.4.2. AI 教育：教育体制变革

AI 教育价值持续放大，技术与教育各环节的融合愈发紧密。随着我国于 2022 年全 面开始实施国家教育数字化战略行动，包含 AI 技术在内的数字技术在幼儿教育、小初 高基础教育、高等教育、职业教育等各学段教育中发挥的价值持续放大。截至 2023 年， 我国 AI+教育 B 端市场规模约为 213 亿元。预计自 2025 年至 2028 年，随着 AI 大模型 等技术的进一步成熟，学校、企业等 B 端用户的相关教育需求将得到进一步满足，市场 规模的增长预计将保持超过 20%的复合增长率，应用范围也逐渐从基础教育更多的拓展 至幼儿教育、高等教育、职业教育、社会企业培训等领域。

在政策、资本、用户关注等多方推动下，AI+教育已在校内外多点落地应用。从学 段维度来看，中小学阶段在校内外场景中均为应用成熟度最高的阶段。在校内场景中， 考试测评应用成熟度最高，其次是教学应用;在校外场景中，居家学习已达到高成熟度阶 段。此外，语言学习应用整体成熟度也较高，该场景对多模态数据要求相对较低，且学 习标准较为统一。相对中小学阶段，成年人教育阶段、早幼教阶段的 AI+教育应用成熟 度则相对较低，这主要来源于成年人教育内容及目标多样化，高校学科知识图谱构建难 度大.职教及兴趣培训知识点分散，模型构建难度大等原因。

3.4.3. AI 能源：从生产管理到市场交易

AI 在能源生产管理过程中的应用主要包括新能源发电优化、优化调度决策、电网状 态监测与故障诊断、储能设备的优化控制等，目前我国已推出多款能源行业大模型。

能源生产管理： （1）新能源发电优化：可构建更精准的新能源发电预测模型，对太阳能、风能等发 电功率进行提前预测。例如，针对某风光装机占比达 58%的省级电网，DeepSeek 通过构 建考虑新能源场站波动特性的动态安全域模型，将弃光率从 19%降至 3.2%，日前预测 精度提高至 94.7%。 （2）优化调度决策：基于精准的发电预测，AI 大模型可以综合考虑电网的负荷需 求、不同新能源电站的发电能力、储能设备的状态等多方面因素，制定出最优的电力调 度方案。这有助于提高电网对新能源电力的消纳能力，降低弃风、弃光率，提高新能源 发电的利用效率。

（3）电网状态监测与故障诊断：利用传感器网络收集电网的实时运行数据，如电 压、电流、功率因数等，AI 大模型可以对这些数据进行实时分析和处理，监测电网的运 行状态一旦发现异常情况，如电压波动电流过载、设备故障等，能够及时发出警报，并 对故障进行诊断和定位，帮助运维人员快速排除故障，提高电网的可靠性和稳定性。 （4）储能设备的优化控制：对于电池储能、抽水蓄能等储能设备，AI 大模型可以 根据能源需求和供应的变化情况，优化储能设备的充放电策略。例如，在电价低谷时段， 控制储能设备充电，储存多余的电力:在电价高峰时段，控制储能设备放电，向电网供应 电力，从而实现削峰填谷，降低能源成本。

3.4.4. AI 文旅：从“技术试水”到“场景深耕”

2025 年或将成为 AI 旅游从“技术试水”到“场景深耕”的关键节点。政策层面， “十四五”数字经济规划将 AI 列为重点领域，推动旅游行业与 A 企业的协同创新;技术 层面，本土大模型在语义理解、多态交互等领域的突破，为行程规划、虚拟导游、智能 客服等场景提供底层支持。 AI 时代的到来，必将引发互联网流量入口的重构，但目前距诞生真正意义上的超 级应用还有一定距离。AI 在结果可信度、用户采纳意愿、使用体验、商业交易闭环等方 面仍不够成熟，长远来看，若 AI 通用领域出现能够很好解决用户打车、订餐、购物等 日常高频需求的“超级智能体”，且用户逐渐形成对 AI 的信任和使用依赖，用户习惯就 可能从日常化高频应用向旅游等低频应用蔓延，进而深度影响旅游行业。后续，旅游目 的地推荐、酒店查询、预订、景区攻略等信息的搜集，极有可能向某个 AI 大模型平台 迁移，使其成为旅游行程规划和预订的入口。

3.4.5. AI 金融：可信数据与可信模型的双向促进

金融业是 AI+的天然沃土。金融业作为数据密集型产业，在日常业务中积累了海量 用户及交易数据，与 AI 技术应用天然契合。国内外金融机构正在积极探索生成式 AI 在 业务场景落地，主要可以分为智能服务、智能投研、金融风控、生产赋能等 4 个领域。 （1）智能服务：一方面智能客服不受时间地域限制、提供精确的个性化解决方案； 另一方面智能营销能够生成个性化产品推荐，实现精准触达和高效转化。 （2）智能投研：为金融机构提供更深入的行业洞察、更全面的信息，提升行业研 究的效率和准确性。通过实时分析市场行情、企业财报等数据，生成式 AI 能够识别潜 在的市场风险和投资机会，形成直观的市场趋势分析和预测报告 （3）金融风控：通过建立风险模型，生成式 AI 可以识别传统模型难以检测到的风 险信号和异常情况、预测信用风险和欺诈行为；通过构建知识图谱，生成式 AI 能够帮 助金融机构精准识别潜藏的灰黑色产业链，反制不法行为。

通用大模型在金融行业可以直接承担智能客服、智能报表分析、智能投顾等功能， 叠加训练金融知识库后训练成为金融行业大模型，再针对性添加工具箱可打造为多模态 金融大模型。金融行业大模型从侧重场景、技术参数等方面，可以分为知识增强与任务 增强大模型，分别扮演行业专业人员（信贷经理、理财专家、保险销售等）与平台化金 融行业专家的角色。

未来，随着可信数据与可信模型相互促进，AI 金融将持续迸发活力。AI+金融将实 现金融行业数据可信加工流通→可信 AI 算法→数据要素×行业的模式，持续赋能金融 行业发展。

3.4.6. AI 交通：从感知智能到决策智能的跃迁

AI 已充分赋能智慧交通运输系统。根据我国人工智能计算力发展评估报告，在车 辆识别、智能交管、智能停车管理等方面，我国已实现深度 AI 赋能，而智能路网、智能路灯系统等方面也已趋于成熟。

从数据流程与算法程序来看，未来 AI 赋能交通将从多模式数据融合与状态感知技 术出发，逐渐完善智慧城市交通管理系统，最后实现综合交通运输大模型智能化平台。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）