2025年科技行业2026年展望：企业级AI应用落地，开启价值新周期

2025 年行情回顾：港股恒生人工智能主题指数 领 涨，AI 重塑资产价值

2025 年初至今，港股的恒生人工智能主题指数（HSAIT.HK）跑赢恒生指数 （HIS.HK）及恒生科技指数（HSTECH.HK）。截止 2025 年 12 月 11 日收盘， 恒生人工智能主题指数（HSAIT.HK）较年初上涨了 34.6%，同期恒生指数 （HIS.HK）上涨了 30.1%，恒生科技指数（HSTECH.HK）上涨了 27%，跑赢 了同期的恒生指数与恒生科技指数。 年初至今，以恒生人工智能主题指数为代表的港股整体呈现“开局强势，金秋 触及阶段高点，年底前震动调整”的走势。从涨幅波动表现可以看出，年初特 别是春节以来受 DeepSeek 大模型推出爆火出圈的利好影响，直接带来中国资 产重估行情启动，港股恒生人工智能主题指数也展示出较明显的上涨行情，并 在 3 月上升到阶段性顶点。4 月初受关税影响冲击后整体下跌到阶段低点，但 之后又开始波动上行并在 9 月底 10 月初伴随着美联储降息预期和 AI 应用的商 业化落地等因素的推动，板块触及了年内阶段高点，但临近年底板块随情绪波 动呈现震荡回落的态势，整体进入阶段性整理区间。

行业维度来看，2025 年初至今，与恒生综合行业 12 个行业板块指数对比 ，恒 生人工智能主题指数（HSAIT.HK）较年初的涨幅来看排名第 5，属于中间靠前 的位置，表现相对较好。

AI 大模型的发展与演变：从“规模竞赛”到“开源 民主化”

大型人工智能模型（Large AI models）是指那些通常基于神经网路构建的、拥 有数十亿乃至数万亿参数量，旨在提升模型表达能力和预测能力、具有泛化能 力、可处理海量数据并解决复杂任务的机器学习模型。根据 Visual Intelligence 发表的综述文章 An Overview of Large AI Models and Their Applications，可以 将 AI 大模型分为两大类：大型基础大模型和大型行业专用大模型。其中，大 型基础模型根据输入数据类型模态差异可以划分为三类：LLM（Large Language models，大型语言模型，核心输入是文本数据）、LVM（Large Vision Model， 大型视觉模型，核心输入是视觉数据）和 LMM（Large Multimodal Model，大 型多模态模型，多模态数据混合输入，如文本+图像或文本+音频等） 。大型 行业专用大模型根据应用领域可以划分三个级别：大型通用 AI 模型（L0，能 够跨多个行业和领域），大型行业特定 AI 模型（L1，是 L0 的微调行业大模 型，结合了行业属性和知识，提升特定领域性能），和大型垂直专业化 AI 模 型（L2，基于 L1 的微调垂直大模型，专注于解决特定任务和场景）。

划分阶段来看，2017 年的 Transformer 架构是大型 AI 模型发展的根节点。2018 年到 2020 年这一阶段，BERT 和 GPT 的出现展示了大规模预训练和微调范式 的潜力，并且引发了对扩展模型规模关键因素的关注，即数据集大小、参数数 量和计算能力，为 AI 的未来突破奠定了基础。2021 年到 2022 年期间，随着 GPT-3 非凡的生成式能力的展示，引发人们对指令遵循（如偏离用户意图）和幻觉的担忧，从而推动了两种关键后训练方法的引入：监督微调 (SFT，一种用 于使用包含深度领域特定知识的自定义标记数据集，使预训练的大模型适应特 定下游任务的技术)和强化学习（RLHF，一种基于奖惩机制在动态环境中对预 训练大模型进行行为优化的适配技术），分别用以提升模型精度和同时进行偏 好对齐，让模型不仅能够准确遵循指令要求，还能适应新的任务并持续改进， 最终提升了 AI 的一致性和可靠性。这一阶段，ChatGPT 将对话式 LLM 引入主 流，使得领先的 AI 能力更容易为日常普通用户所接触。2023 年到 2024 年迎来 了多模态大模型的发展，将文本、图像和音视频集成到统一系统中，实现了更 丰富的交互和更复杂问题的解决。同时，这一时期也是开源和开放权重强劲发 展的阶段，使得模型能够被理解和定制，从而进行自适应调整和快速部署，而 开源社区如 Hugging Face 这样的平台也推动了模型的开放，这在加速 AI 技术 民主化的同时，也使得开源模型和闭源模型之间的差距在逐步缩小。2024 年， AI 开始强调推理能力的增强，并区分了“快思考”（快速、直觉）和“慢思考” （慢速、分析），OpenAI 的 o1 和 o3 推理模型的发布推动了大模型在解决数 据额和编码等复杂任务的能力。而进入 2025 年，DeepSeeK R1 通过利用混合 专家 (MoE)、多头潜在注意力 (MLA) 和多标记预测 (MTP)，和高效多阶段强化 学习训练，展示了通过极低的训练成本可以实现卓越的推理能力，从而使得尖 端的 AI 更加民主化和经济便捷，并促进了更具竞争性的生态系统的形成，也 为大模型在各行各业的应用和创新创造了基础。

关于人工智能大模型近期的发展趋势，结合 Artificial Analysis、SuperClue 及 OpenRouter 等独立 AI 评估平台的统计来看（截止 2025 年 12 月 11 日），我们 也关注到以下一些趋势特点：

1. 头部科技公司的资本支出随着时间推移不断加码：全球主要 5 家超大规模 数据中心公司（亚马逊、谷歌、Meta、微软和甲骨文）的资本支出（Capex） 合计金额从 2020 年 Q3 的 240 亿美元提升到 2025 年 Q3 的 1050 亿美元， 较 2020 年增长了约 338%，为模型持续迭代提供了算力支撑。

2. 大模型在比较基准测试中的性能持续提升，头部大模型迭代差距逐步缩 小：过去三年中全球代表大模型持续迭代多个版本，基准表现随着时间的 推移持续提升，且中外头部大模型之间的差距也在逐步收窄，发布频率和 测评分数都趋向接近，大模型的发布日期也越来越密集。

3. 模型开源趋势明显，且和闭源模型之间的差距缩小：当前开源和开放权重 AI 模型的发展强劲，根据从下图可以看出，来自 Artificial Analysis 所选的 27 个主流高分模型中，有 13 个来自开放权重模型，占比接近一半（48%）。 再者，来自开放权重模型和专有模型的基准测评比分差距，过去三年期间 也在波动收窄。

4. 主流大模型的效率和性价比不断提升，国内模型在性价比方面更有优势： 关注到各类主要语言模型（含推理及非推理模型）的每百万 tokens 推理价 格整体在随着时间的推移逐步下降，如 Intelligence Index 评分在 20 到 30 分区间的模型每百万 tokens 的价格已经从 23 年初的超过 32 美元大幅下降 到 24 年底的不到 0.125 美元，其他评分较高的模型也随着时间推移价格有 不同程度的下跌。同时，也观察到主要语言模型的每秒输出 tokens 效率随着时间的推移不断提升，如 Intelligence Index 评分在 40 到 50 分区间的模 型输出速度从 24 年底的每秒不到 200 tokens 提升到 25 年 9 月份的每秒大 约 700 tokens。

此外，参考 SuperCLUE 发布的 2025 年 9 月中文大模型基准测评报告，可 以观察到国内大模型 API 价格大多处于 0-10 元/百万 Tokens（更为集中）， 平均 API 价格为 3.88 元/百万 Tokens，而海外模型的 API 价格比较分散， 从 2-200 元/百万 Tokens 不等，海外模型平均 API 价格为 20.46 元/百万 Tokens，是国内模型 API 价格的 5 倍以上。国内模型主要分布在中高性价 比区间，而海外模型全部分布在中低性价比区间。

5. 大模型 Tokens 调用量爆发式增长，AI 发展转向需求驱动：通过 OpenRouter 平台统计的多个主流模型 Tokens 使用情况随时间变化趋势图可以看到，受 到 AI 普及度、新模型发布和用户增长等因素的影响，过去 12 个月 tokens 的周调用量呈现出爆发式增长，从 24 年 12 月 16 日起的一周 366B 猛增到 25 年 12 月 1 日起的一周 6.19T（较一年前实现了周 tokens 调用量增长约 16 倍），且下半年的使用量抬升明显，表明 OpenRouter 统计的模型用户 基数和调用频率在扩大，即随着模型的发展 AI 在需求侧也展示出了强烈的 拉动力。

6. 从模型类型来看，推理模型已经成为主流趋势：当前全球主流的 27 个模型 中，按照得分能力从高到低排序，注意到推理模型的整体得分领先于非推 理模型，且推理模型在主流模型中占据更高的比重（>85%）。从 OpenAI o1 的发布，首次将推理能力作为模型的重要特点，此后年初 DeepSeeK R1 的火爆让推理能力成为模型竞争力的关键，“会思考”已经成为模型刚需。

7. 中美两国模型之间的差距缩小，且国内在开源模型上有比较优势：由下图 所示，可以观察到过去几年来，各国的主要前沿语言模型都随时间在基准 测评的分数上取得了较大的进展，中美模型之间的评分差距正在逐步缩小。 且当前评分较高的 27 个领先模型中，来自中国的模型占比已经超过 26%， 仅次于美国。其次，从近期多个测评平台榜单来看，就开放权重模型而言， 来自中国的模型已经全面领先海外的模型。

总结而言，当前人工智能大模型仍在持续加速发展与迭代中。全球主要头部超 大规模的数据中心公司资本支出随时间的推移不断增长，带动了前沿大模型版 本迭代的加速，且持续刷新着日益严苛的测评基准的性能比分，头部之间的差距也在逐步缩小。与此同时，模型开源成为重要的趋势，且开源模型和闭源模 型之间的性能差距在逐步收窄。另一方面，主流模型的效率和性价比也在不断 提升，特别是国内模型在性价比上展示出较海外模型更大的优势。于是，更好 性能的模型与更高的性价比与效率，伴随着开源趋势带来的使用门槛的下降， 又反过来刺激了模型调用量的提升，过去 12 个月 tokens 调用量呈现出爆发式 增长，从而让 AI 从早期的供给侧发展转向了需求侧的拉动。除此之外，也观 察到模型的推理能力日益得到关注，AI 模型已经从“会回答问题”进化到了“会 通过自动思考解答复杂任务”。另外，中美之间在模型表现上的差距也日益收 窄，甚至中国在开源模型上较海外模型具备更明显的优势。