2025年第四范式研究报告：企业级AI领导者、生成式AI强化差异化战略

一、第四范式：企业级 AI 的先驱与龙头

1、平台为中心的 AI 解决方案，助力企业智能化转型

第四范式成立于 2014 年 9 月，是企业级人工智能领域的行业先驱 者与领导者。公司提供以平台为中心的人工智能解决方案，并运用核心技术开发 了端到端的企业级人工智能产品，致力于解决企业智能化转型中面临的效率、成 本、价值问题，提升企业的决策水平。公司于 2016 年推出端到端人工智能应用 开发平台先知平台 2.0 版，并在后续不断升级迭代，并以此为核心开发了企业转 型平台 4Paradigm Shift 以及企业级编程助手 AIGS CodeX 等众多产品，用高质 量产品构建人工智能产业生态。公司自 2015 年开始率先为金融领域用户提供 AI 产品，经过多年的持续布局，现已广泛应用于金融、零售、制造、能源与电力、 电信及医疗保健等领域，多行业数据经验丰富。

公司提供以平台为中心的端到端企业级 AI 产品，有效解决企业智能化转型中面 临的难题。企业智能化转型往往因专业人员短缺、自建模型成本高、部署时间长 等问题而受阻，公司推出的以平台为中心的解决方案具备使用简便、投资回报高、 快速部署实施等特点，能够有效应对上述挑战。具体而言，公司提供先知 AI 平 台，帮助企业快速构建量身定制的人工智能系统；还提供即用型人工智能应用， 使用户可直接部署并用于优化其营销、风控、运营等业务环节；此外还提供可选 的配套“硬件+软件”服务器基础设施，赋能企业快速智能化。

2、管理团队技术基因优势，资本背书强大

公司核心团队成员同时拥有人工智能学术水平和丰富的行业经验。创始人兼 CEO戴文渊博士在人工智能技术行业拥有约15年经验，是人工智能的知名学者， 其论文在 NIPS、ICML、AAAI 及 KDD 等领先机构的学术会议上发表，并曾获得 ACM 国际大学生程序设计大赛全球总决赛冠军。执行董事兼首席研究科学家陈 雨强是 AutoML 算法的主要领导者，曾任百度资深工程师、字节跳动架构师。公 司其他核心成员拥有在百度、字节跳动、谷歌等公司的工作经历，从业经验丰富。 股权结构较为集中，资本背书强大。公司创始人戴文渊博士直接持股 22.79%，并通过北京新智等间接持股 15.9%，合计持股 38.69%，构成公司控股股东。此 外，公司股东还包括红杉投资、国新启迪、朴瑞天津、北京创新、中移基金等， 显示众多资本对其技术路径的认可。

3、技术壁垒深厚，应用场景与客户多元化

先知 AI 平台为核，SHIFT 智能解决方案与式说 AIGS 服务扩展生态版图。公司 主要产品及服务包含第四范式先知 AI 平台(4ParadigmSage)、SHIFT 智能解决 方案(4Paradigm SHIFT)、式说 AIGS 服务(4Paradigm AIGS)三大业务板块。

先知 AI 平台是公司所有业务的内核，致力于降低企业部署 AI 门槛，实现对多场 景的规模化覆盖。通过提供一套完整的端到端人工智能解决方案，先知 AI 平台 能够高效帮助企业规模化设计、开发、操作及管理人工智能应用。且其即插即用 和低代码/无代码的特性降低了 AI 部署门槛，使得企业可以在短时间内打造特定行业的垂直模型并规模化部署，而无需专家或其他拥有丰富人工智能相关经验的 人员参与。目前已支持公司覆盖交运、数据中心、金融、能源电力、运营、信息 技术、智能制造和零售等 14 大行业。2025 上半年，公司积极拓展「AI+储能」 场景，与海博思创合作推动虚拟电厂与储能电站智能化。 经历近 10 年的迭代，先知 AI 平台实现 1.0 到 5.0 的进化，功能和覆盖场景不断 完善。Sage AIOS 是一个企业级人工智能操作系统，通过提供简单友好的用户界 面，用户可以快速构建及操作众多人工智能应用。2015 年，先知 AIOS 1.0 版本 发布，通过高维、实时、自学习框架大幅提升模型精度；2017 年，先知 AIOS 2.0 版本利用自动建模工具 HyperCycle，大幅降低了模型开发门槛；2020 年先知 AIOS 3.0 版本发布，规范了 AI 数据治理和上线投产，完成了建模到落地应用“最 后一公里”；2022 年，先知 AIOS 4.0 版本引入北极星指标，最大化发挥 AI 应 用价值，提升企业核心竞争力。2024 年发布的先知 AIOS 5.0 版本，旨在帮助各 行各业基于其自身场景的“X 模态数据”，构建行业基座大模型，让大模型能来 到的领域更加深入而广泛。2025 上半年，先知 AI 平台积极拓展「AI+储能」场 景，与海博思创合作推动虚拟电厂与储能电站智能化案。

SHIFT 智能解决方案是基于第四范式底层 AI 能力，向各行各业提供的垂直行业 的解决方案。第四范式基于先知 AI 平台技术和能力以及与合作伙伴共同沉淀的 行业 know-how，生成各行各业的数字化、智能化解决方案产品，旨在用领先的 AI 能力，赋能千行百业智能化转型，实现企业核心竞争力高效提升。2023 年， 公司发布了数十个解决方案产品，包括制造业智能物资管控、零售业智能供应链 以及医药行业慢性病管理等。

式说 AIGS（AI-Generated Software）服务是基于式说大模型能力打造的企业 级生成式 AI 软件开发平台，帮助企业重塑开发模式。AIGS 平台可以通过自动生 成代码片段、知识库应用、自动代码审查及部署等功能，减少手动编码时间，降 低开发者培训成本，提高代码质量和运行效率，进而帮助公司最大化开发人员利 用率，提升项目质量，增强客户粘性，推动业务板块更快实现规模化。经测算， 2023 年 AIGS 平台可帮助开发人员实现开发效率提升超过 30%。 依托完善的产学研体系，全面布局 AI 各关键技术领域。公司拥有世界上最先进 的自动机器学习技术，另外还有迁移学习、环境学习和自动强化学习共四项核心 技术，并将这些技术作为操作原子组件嵌入到人工智能开发人员套件中，包含由 用户设计开发的人工智能应用，推动人工智能普及。公司同时拥有人工智能领域 300 多核心专利和 400 多篇顶级学术论文，并已与国际顶尖高等院校、研究机构 建立深度合作关系，形成了深厚的人工智能学术积累。公司的专家顾问团队由来 自新加坡国立大学、南洋理工大学等国际顶级计算机与人工智能院校的资深教授 组成，研究方向涵盖 AI 计算和存储基础架构研究、自然语言处理、大规模分布 式优化算法等，支撑公司在 AI 的预测技术、感知技术、决策技术和 AI 基础架构 等关键领域形成了深厚的技术储备，有效保证公司在企业级 AI 方向的持续创新 和领先地位。

新业务 Phancy 开启消费电子新范式，生态版图加速扩张。2025 年 3 月份，集 团正式发布 Phancy 消费电子业务，定位于提供基于 AI Agent 的软硬件一体化解 决方案，通过智能体模组赋能端侧设备。首个季度，Phancy 携手李小龙、兰博 基尼、联想等品牌推出多款智能手表，并联合上下游合作伙伴打造智能眼镜、智 能耳机、智能手机背贴等产品，实现全渠道上市，为用户带来资料查询、同声传 译、健康建议、智能影像采集等多元 AI 功能。Phancy 持续拓展生态版图，于 2025 年 5 月亮相开源鸿蒙开发者大会并与 OpenHarmony 达成战略合作，降低 应用开发门槛，推动 AI 普惠化；同时携手中科蓝讯、杰理科技、博通集成，基 于 AI 芯片与算法形成全栈闭环，加速智能眼镜、智能玩具等新兴品类落地。

以金融业为切入点，应用场景趋于多元化。公司最早是服务金融行业客户，做风 险管理相关 AI 业务，如对信用卡高风险刷卡行为的识别及管控。之后在金融行 业强化业务深度的同时，持续拓展客户广度。目前公司企业级 AI 覆盖金融、零 售、制造、能源、电信、运输、科教、媒体等行业，具有多元化的特点。合作客 户包括中国工商银行、招商银行、交通银行、中国石化、瑞金医院、宁德时代等 各行业头部企业。从贡献营收来看，金融和能源由于自身行业特点及公司起步较 早，为优势行业。但随着公司持续拓宽应用场景，其他行业标杆用户不断增加， 营收结构也趋于多元化，能有效分散可能存在的行业波动带来的风险。

标杆用户贡献主要营收，用户数及用户平均收入均快速增长。得益于有效的市场进入战略，公司标杆用户数量持续增长。标杆用户指财富世界 500 强或公众上市 公司的先知平台终端用户。公司标杆用户从 2020 年的 47 名高增至 2024 年 161 名，营收占比均在 45%以上。标杆用户的收入增长是公司整体收入增长的主要推 动因素，且与标杆用户合作的初步成功能使公司高效积累行业数据经验，从而快 速渗透到其所在行业，进一步扩大用户群体并推动收入增长。总用户群体从 2020 年的 156 名高增至 2023 年的 445 名，年均复合增长率 41.8%。同时公司不断探 索新的商业机会，变现能力持续提升，2022-2024 年标杆客户的平均收入分别为 1790/1840/1910 万元。

4、亏损收窄趋势明确，长期价值显著

公司营收持续高速增长，先知 AI 平台贡献主要营收。公司 2018-2024 年营业收 入从 1.28 亿元高增至 52.61 亿元。2025H1 营收 26.26 亿元，同增 40.7%，仍 保持强劲的增长趋势。其中，先知 AI 平台及产品贡献主要增长动力。2020-2024 年先知 AI 平台及产品营收从 6.19 亿元高增至 36.76 亿元，CAGR 达 57%，且 占营收比重均在 45%以上。得益于行业大模型业务稳步拓展和“范生态”产品加 速落地，25H1 先知 AI 平台营收达 21.49，同增 72%，营收占比 82%，驱动公 司业绩稳步提升。

公司毛利率长期平稳，亏损收窄趋势明确，有望实现盈利。公司 2018-2025H1综合毛利率在 42%-48%范围内浮动，整体保持平稳。公司账面归母净亏损自 2021 年以来持续收窄。2021-2022 年公司账面净亏损均达 16 亿元以上，主要系 以股份为基础的薪酬费用、赎回负债的利息开支以及上市开支导致，剔除这些非 经营性因素后，公司自 2021 年以来调整后归母净亏损仍保持稳定收窄趋势。其 中，2025H1 净亏损规模仅 0.44 亿元，随着公司业务的成熟与扩张，有望实现扭 亏为盈。

公司三费费率持续降低，研发费用率稳中有降。公司发展初期，由于以行业标杆 用户为切入点的市场进入策略，需要较大规模的销售费用支撑市场开拓，叠加数 额较大的股权激励和上市开支，三费费率均承压。随着市场的持续开拓、品牌影 响力的不断扩大以及内部管理的优化，公司三费费率持续走低，销售/管理/财务 费用率从 2021 年的 23%/27%/31%下降到 2025H1 的仅 7%/3%/-1%。公司以行 业领先的技术为核心竞争力，持续注重 AI 关键技术布局，随着公司业务与营收 规模的不断增长，研究费用也在相应提升，从 2021 年的 12.5 亿元增长至 2024 年的 21.7 亿元。伴随业务扩展带来的规模效应及面对外包研发服务供应时议价 能力的提升，研发费用率稳中有降，从 2021 年的 62%逐步降低至 2025H1 的 34%。

二、行业增长确定性高，企业级 AI 龙头充分受益

1、市场规模高速扩张，企业级 AI 需求爆发

AI 大模型将推动 AI 发展进入新一轮浪潮。回顾历史，AI 发展经历三轮浪潮： 第一次浪潮（1950s-1970s）：1956 年的达特茅斯会议标志 AI 正式诞生。早期 以规则驱动的符号主义为核心，通过人工编码逻辑实现特定领域的问题求解。其 局限性在于依赖专家经验，难以适应复杂场景，且扩展性差，未能形成规模化商 业闭环。 第二次浪潮（1980s-1990s）：随着神经网络和机器学习的兴起，基于统计学习 方法，通过数据驱动模型优化。AI 在图像识别、推荐系统等领域取得进展，但由 于数据量不足、计算能力有限，导致成果难以大规模应用，2000 年前后再次遇 冷。 第三次浪潮（2000s-至今）：2006 年深度学习算法提出，标志着第三次 AI 浪潮 的到来。2022 年 OpenAI 发布 ChatGPT，随后众多大模型落地，AI 产业化应用 曙光初现。以深度学习为基础，结合大数据与算力飞跃，让 AI 大模型可以实现 多模态交互与复杂任务处理，推动自然语言生成、跨领域推理等能力突破。AI 工具的不断标准化和平台化特性加速了 AI 从学术研究走向产业化与大众化的趋 势，AI 大模型正以前所未有的渗透力，重构社会生产力格局。

全球 AI 商业化应用预期快速发展，企业级 AI 市场前景广阔。大语言模型的出现 降低了 AI 的使用门槛，赋予了 AI 更广阔的商业化场景想象。随着 AI 大模型的 加速更新迭代，预计全球 AI 应用市场将迎来快速发展。根据 Precedence Research 数据，预计全球 AI 市场规模将从 2024 年约 6,382 亿美元增长至 2034 年约 36,805 亿美元，CAGR 达 19.20%。作为 AI 应用重要子领域，企业级 AI 具有需求多元和明确等特点，是 AI 商业化的重点方向，预计市场将呈现高增长 潜力。

企业数字化转型进入深水区，智能化成为刚需。企业智能化转型是企业级 AI 市 场规模扩大的驱动力。在当前商业竞争持续加剧的背景下，企业面临来自效率、 成本等方面的多重压力。传统模式中，企业的资产利用率、运营效率、决策精度 以及市场响应速度都受到诸多限制，亟需借助技术手段降本增效。而 AI 凭借强 大的数据处理能力、预测分析技术和自动化应用，正逐步重塑企业管理模式和业 务全流程，高效率的同时缓解成本端压力，助力企业数字化转型从“工具使用” 迈向“系统性重构”深水区。 AI 已渗透至多个核心行业。根据 IDC 数据，人工智能在互联网、政府、金融、 电信、制造行业在 2018-2023 年中一直保持着前五名的高渗透度。例如对于制 造业，人工智能将从机器替代、赋能应用场景两方面推动企业降本增效；对金融 业，AI 已被用于风险管理、信贷评估、反欺诈等，提升决策效率和准确性；对零 售业，通过 AI 实现精准营销和库存预测，提升销售转化率；在医疗与能源领域， AI 被用于辅助诊断决策、能源分配优化等。这些场景的共同特点是依赖高精度、 高可靠性的决策支持，而 AI 通过数据建模与实时分析能力，显著优于传统人工。 根据 Gartner 预测，到 2029 年，中国 60%的企业将把 AI 融入其主要产品和服 务中并且将成为其收入增长的主要驱动力。

相较于通用大模型，特定行业领域企业级 AI 更有竞争力。由于大多数企业都依 赖于相似的预训练模型，因此基于企业或所在行业专属数据搭建的企业级 AI 在 特定行业具备更高的专业性和可靠性。以第四范式房产经纪大模型为例，该模型 以我爱我家 23 年来积累的庞大知识库、完备的运营规则与沟通技巧作为高质量 语料，训练出行业大模型针对特定行业及领域时具备通用大模型所不具备的准确 度和专业性水平。

2、政策暖风频吹，推动 AI 产业化发展

政策支持组合拳密集出台，积极布局 AI 产业化。2017 年 7 月，国务院发布第一 份有关人工智能行业的系统部署文件《关于印发新一代人工智能发展规划的通 知》，重点对 2030 年我国新人工智能发展进行系统的规划和部署。后续随着 AI 技术的不断更新迭代，多部门陆续多次出台对 AI 产业化发展的支持政策，以完 善新型智能算力生态、建设示范应用场景等形式推动 AI 产业化发展。2025 年 3 月十四届全国人大二次会议上，人工智能更是被写入政府工作报告，明确提出要 深化人工智能的研发应用，开展“人工智能+”行动，打造具有国际竞争力的数 字产业集群。实施制造业、工业、服务业等行业的数字化转型。

3、作为企业级 AI 龙头，第四范式充分受益行业增长

第四范式是国内企业级 AI 行业龙头，充分受益 AI 行业增长。根据 IDC 数据， 2022 年中国智能决策解决方案市场份额中，第四范式占比 15.9%，稳居行业第 一，并蝉联 2018-2023 六年机器学习平台中国市场份额第一。随着 AI 应用市场 及企业级 AI 市场的不断扩张，第四范式以高市占率及良好的品牌优势，将率先 受益行业增长。此外，公司在多年的市场拓展过程中，积累了大量的行业 know-how，信息本身及以此为基础训练的大模型形成短时间难以突破的技术壁 垒，保障第四范式能够充分受益企业级 AI 市场扩张，并有望持续领跑企业级 AI 赛道。

三、生成式 AI 技术突破多方位赋能企业级 AI

1、需求端：生成式 AI 的普及刺激企业拥抱 AI 应用

国内豆包、Deepseek 等生成式 AI 的成功与普及，提升了企业对 AI 解决方案的 接受度。2022 年 ChatGPT 的出现标志着 AI 技术发展进入新的时代，生成式 AI 渗透到学术、生产、生活等各方面，带来多领域 AI 应用落地的想象力与可能性。 随后以豆包、DeepSeek 为代表的国产 C 端 AI 现象级产品，加速了 AI 应用的概 念在国内的普及。豆包、DeepSeek 等生成式 AI 凭借其用户规模与场景渗透能 力，在验证 AI 应用技术落地的可行性的同时，形成了显著的产业示范效应。 DeepSeek 上线 20 天日活跃用户突破 2215 万，峰值突破 3000 万，庞大的用户 群体对全社会产生深远影响，其多模态交互能力与“智能创作+场景化应用”模 式，不仅激活个人用户市场，更推动 B 端用户对 AI 技术价值的认知深化，促进 更多企业决策者思考并采用 AI 解决方案，提升企业对 AI 解决方案的接受度，刺 激企业加速智能化转型。在此背景下，企业级 AI 市场呈现爆发式增长。 生成式 AI 技术的快速迭代与生态成熟，系统性降低企业部署 AI 产品的综合门槛 与成本，驱动智能化转型从“头部企业试点”向“全行业规模化应用”跃迁，开 辟更广阔的企业级 AI 市场。

第一，生成式 AI 技术成熟重塑交互，进一步降低企业自身开发、部署和操作企 业级 AI 的门槛。传统人工智能在部署过程中会面临高成本和复杂的操作环境， 因此在保证使用价值的前提下，一定程度上会牺牲用户体验，存在界面复杂、工 作量大、专业性要求高等问题。而生成式 AI 的融合，使企业用户可以通过无代 码、自然语言、可视化的交互方式，简单实现对 AI 的大规模部署，而不需要人 工智能专家的大量参与，降低了企业的部署成本和使用时的学习成本； 第二，DeepSeek 等生成式 AI 的成功将加速带动产业链协同并产生技术溢出效 应，降低企业使用 AI 时面临的来自算力和技术方面的成本，进而推动企业拥抱 智能化转型与 AI。例如，和以往大模型相比，DeepSeek-R1 的训练成本和使用 成本均实现了指数级下降，其开源的举措，让绝大多数开发者以及聚焦应用的创 业公司都能够以更低的门槛去做开发，更加便宜且更容易私有化部署。且 DeepSeek-chat API 的仅定价为 GPT-4-Turbo 的近百分之一。这些趋势将给企 业带来更低的 AI 部署成本，直接催化企业级 AI 市场规模结构性增长。

2、产品端：生成式 AI 强化第四范式产品生态完整性

传统的人工智能解决方案大多为固定一次性交付的项目制，难以满足企业后续需 要在原有解决方案上进行扩展的额外定制化需求。鉴于人工智能技术与资本密集 的性质，企业或需大量资源方可大规模部署人工智能解决方案，以开发定制化应 用，且开发周期较长。同时企业在内部开发人工智能过程中往往面临缺乏有经验 的人工智能专家及数据科学家这一关键阻力，这将会使企业及其部署的 AI 无法 低成本、及时、准确地对客户需求或数据变化做出响应。 深度融合生成式 AI，第四范式解决方案完整链条得到优化。将生成式 AI 作为用 户交互界面，公司的企业级 AI 产品可以通过自然语言对话实时捕获客户业务场 景痛点，并实时做出解答和反馈调整，降低门槛的同时，缩短企业内部部署、调 整 AI 的周期。在生成式 AI 的基础上，公司开发并持续优化 AI Agent，进一步提 升了解决复杂推理及执行的精准度，并覆盖大模型 Agent 设计、开发、调试、发 布、运营分析、迭代优化的全流程，为 Agent 生产应用提供稳定可靠保障。通过 以上措施，公司形成了“生成式 AI 交互，通过 Agent 调用行业垂直模型来覆盖 企业应用的特定场景”的成熟业务架构，充分结合并发挥各类 AI 的优势，兼顾 生成式 AI 的沟通效果和垂直模型的针对性和准确度。

生成式 AI 的应用加速第四范式企业级 AI 产品化进程。AI 产品化是将平台内的 核心技术、模型、服务打造成产品，进行“积木式”输出。通过 AI 产品化，在 面对相似应用场景或不同场景的共同流程时可以实现重复调用，进而在显著降低 企业级 AI 产品的边际交付成本的同时，提升打造和部署产品的效率。第四范式 先知 Inside 就是该模式的创新实践，具体是将先知 AI 平台的强大能力产品化后 “嵌入”到具体行业的需求中，构建智能化的产品和解决方案。而生成式 AI 在 作为用户交互界面时，可结合得到的多轮用户闭环反馈数据训练，提升对企业个 性化需求中共性特征的提取效率。从而在后续将高频共性需求抽象为智能客服、 数据分析、自动化工作流生成器等可配置扩展、可重复使用的模块，为 AI 产品 化提供了新的思路与路径，加速企业级 AI 产品化进程。

四、纵向深耕特定行业，不断创新厚筑技术壁垒

1、专注行业大模型，避免同质化竞争

与通用大模型相比，行业大模型更具专业性。DeepSeek 等通用大模型的数据主 要依赖互联网文本、代码等公开文本，而行业大模型主要依赖行业数据闭环，如 制造业设备的故障日志、金融企业风险情况等，这些通常为非公开的企业内部数 据，不是通用大模型或企业级 AI 行业新进入者能在短期内积累的。同时，与通 用大模型大多依靠的纯数据驱动不同，行业大模型出于行业数据量和训练成本等 考虑，通常会在模型中融合行业机理，提高模型响应速度和效果，这些更需要长 期纵向深耕积累的系统性行业 know-how 作为支撑。此外，金融、医疗等行业具 有较强合规性要求，面对应用场景复杂，行业大模型更具优势，合规风险更低。

行业大模型聚焦单一行业的形式更符合 toB 的市场需求。通用大模型的训练语料 来自海量不同场景，面对用户的专业问题可能难以快速深入聚焦。而行业大模型 聚焦细分行业的多模态数据，直面行业问题，与用户的交互更有针对性，高效给 出专业的解决方案而不是简单的对话。例如依据历史数据预测制造设备的未来故 障率等，给企业直接创造实际价值，更符合 B 端产品注重性能高效的特点。 行业大模型规模更小，成本方面更优。通用大模型的部署需要巨量的数据资源， 周期也更长。与之相比，行业大模型本身以更小的参数规模满足大多数业务场景 需要，从而降低企业部署和使用模型时面临的算力与数据成本。 第四范式深耕行业大模型，发布先知 AIOS 5.0，强化规模化构建行业大模型能 力。公司自成立以来深耕行业大模型十年，积累了海量数据经验，充分了解企业 的痛点、需求和关键 KnowHow，支撑起公司搭建行业垂直模型的强大能力，避 免了与通用大模型的直接竞争。在此基础上，公司于2024 年发布了先知 AIOS 5.0 版本，规模化地帮助企业基于各行各业场景的多模态数据，构建特定行业基座大 模型。传统行业大模型只能将行业文本数据喂给大语言模型，让其回答“生成下 一个字”的问题。以健康管理领域为例，大语言模型可以理解相关的术语和指标， 但无法基于个人近三年的体检报告去预测其下一年的身体状况。而先知 AIOS 5.0 构建的行业基座大模型解决了这一痛点，它拥有不断地根据历史数据去预测未来 数据的能力。依托先知 AIOS 5.0，公司已经打造了健康管理、水电、声学等一 系列行业的基座大模型，以低门槛、低成本实现对 AI 场景规模化覆盖。

2、持续布局“范生态”，强化核心竞争力

自 2023 年发布以来，公司持续布局范生态。第四范式范生态致力于基于企业对 产业未来方向的定义，以及第四范式企业级 AI 核心技术能力，联合生态合作伙 伴，一起打造各行各业端到端的解决方案。首批公布便已有 40 余家合作伙伴加 入范生态，落地数十个行业场景。通过先知 Inside 模式，公司可以将 AI 核心技 术产品化，为构建范生态提供技术支持。截至 2024Q3，公司已基于范生态打造 超 40 余款人工智能产品，进一步扩大核心业务产品的产业应用边界及效果，拓 宽了我们的业务版图和先知 AI 平台的市场覆盖度。

范生态进一步降低研发成本，提升开发效率，以更小代价但更高专业性地拓宽企 业级 AI 应用场景。通过范生态，公司可以将建设个性化行业端到端解决方案的 任务转交由合作伙伴完成，从而在降低公司研发部署成本的同时，将研发资源聚 焦到核心 AI 技术能力强化的方面，部署和开发效率双双提高，且合作企业基于 自身经验和需求打造的解决方案更具专业性。 范生态增强客户粘性，构建 AI 生态壁垒。合规性和专业性较强的企业使用或更 换成新的企业级 AI 产品的风险较大，叠加标杆用户积累的品牌效应，第四范式 的客户粘性本身较高。通过范生态，公司在企业级 AI 领域初步构建起一个技术 兼容性高、覆盖从数据采集到 AI 应用、从硬件到软件的全链条系统，丰富了可 供参考的解决方案案例和应用，一定程度上形成产品的网络效应，进一步降低了 范生态内客户的迁移意愿。随着范生态的持续布局，公司有望构建具有强大竞争 力和行业影响力的 AI 生态壁垒。

3、AIGS 重构企业软件，聚焦用户痛点

式说 AIGS 服务将大模型“扔到一块无人地”。AIGS（AI-Generated Software） 服务就是以生成式 AI，重构企业软件。公司敏锐洞察在当前生成式 AI 在 C 端应 用已十分广泛的背景下，B 端软件仍存在交互体验极为复杂且开发效率极低等问 题，这为生成式AI留下了足够的重构和改造的空间。由此第四范式推出式说AIGS， 基于大模型能力通过自动生成代码片段、知识库应用、自动代码审查及部署等功 能，减少手动编码时间，提高开发效率。 公司将 AIGS 的路径总结为三个阶段：1.0 阶段，Copilot 调动不同的信息、数据、 应用，作为助手完成用户的指令。相当于在所有企业级软件系统里，配备一个接受用户指令的指挥官。2.0 阶段，Copilot+基于企业规则的“知识库”，AI 能够 参照规则做复杂工作，进一步丰富了“对话框”的能力。比如 AI 查询了“人像 美化”知识库后，能执行把照片修好看的步骤。3.0 阶段，Copilot+CoT（思维链）， 具备更强的推理能力，大模型最终将学会软件系统的使用行为，形成 AI 针对这 个领域的思维链，意味着“把照片处理得更好看”这类更复杂指令，AI 也能自动 地按照步骤完成。

经历上述阶段发展，式说 AIGS 已具备四大优势。第一，多模态且支持私有化部 署，能够应对更多更复杂的场景，私有化部署在最大限度保证数据安全的同时， 剔除原本需要调用外部大模型产生的成本。第二，具备知识库，信源为企业内部 知识库，且融合知识图谱交叉验证生成内容准确、可信，最大限度避免 AI 幻觉 给实际业务造成的损失。第三，企业级 Copilot，让企业使用产品时能对模型执 行软件的进程进行更好的调控和修正。第四，具备思维链（CoT）能力，可以通 过多步推理，将复杂任务拆分成一个个子任务，形成数据飞轮。正式通过 Copilot+CoT 能力，AIGS 重塑企业软件的交互范式，并在新型交互上不断地学 习软件的使用过程，形成领域软件的“思维链”，进而提升软件开发效率变得更 高。用固定的“对话框”代替原本繁杂的单个功能或执行逻辑组成的界面，将软 件升级的开发周期从月级缩短到天级。

工具链方面，公司开发 AIGS Builder 和 AIGS CodeX，企业软件开发提效显著。 AIGS Builder 拥有 AI Agent、无代码编程、多工具调用能力，可实现智能化软件 前后端、及数据库的开发、改造和部署等全栈能力，替代了传统软件开发的复杂 页面，使不具备研发、代码基础的人员，仅通过自然语言描述进行软件开发，甚至将企业软件开发效率提升至“小时级别”。改造后的企业软件内置多模态“对 话框”作为交互，提升企业软件的用户体验。AIGS CodeX 产品除涵盖代码补全、 业务问答、代码审查等基础功能之外，还可以针对企业级客户的技术特点和编码 风格差异化打造企业私域代码仓库集成，结合 RAG 检索增强及私域模型微调， 实现业务代码生成效率和业务问答效果的双效增长。 AIGS 打通从大模型、产品化工具链到应用落地全链路。公司在生成式 AI 领域， 准确找到企业软件重构为切入点，基于式说大模型学件群底座，依托思维链 CoT、 Memory 机制学习等技术，打造第四范式 AIGS 这一生成式 AI 软件开发平台，全 面提升企业级软件的体验及开发效率。目前已与金融、零售、制造、医疗、房产、 运营商等行业近百家企业探索大模型的落地合作。公司 AIGS 服务业务营收占比 稳定增加，发展路径清晰可持续，有望驱动公司实现长期增长。

（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。）