2025年人工智能赋能智慧旅游发展研究报告

微信扫码，打开到小程序

人工智能赋能智慧旅游发展研究报告 北京第二外国语学院数字文旅研究中心 2025 年 8 月 1 目 录 相关名词解释................................................................................................................ I 前 言......................................................................................................................... III 一、生成式 AI 发展及其对宏观社会经济的影响分析...........................................1 （一）技术基础：Transformer 架构推动生成式人工智能崛起...............................1 （二）实践突破：AI 浪潮引发算力需求快速膨胀.................................................. 2 （三）产业生态：国内 AI 大模型生态呈现井喷式发展......................................... 4 （四）经济动能：AI 赋能百行千业新质生产力加速形成..................................... 4 （五）场景应用：生成式 AI 对智慧旅游的影响逐渐显现..................................... 5 二、人工智能赋能智慧旅游的场景与成熟度研究................................................... 6 （一）国内外人工智能与智慧旅游结合的应用与分类........................................... 6 （二）智慧旅游领域人工智能应用场景分类........................................................... 7 （三）AI 智慧旅游场景应用成熟度分级................................................................ 10 三、构建 AI+智慧旅游层次化结构生态体系......................................................... 14 （一）底层开源大模型............................................................................................. 14 （二）通用大模型应用............................................................................................. 15 （三）垂直领域大模型应用..................................................................................... 15 （四）旅游行业企业 AI 应用................................................................................... 16 四、AI 赋能智慧旅游发展关键因素分析................................................................22 （一）以用户需求和服务场景为导向，更待 AI 旅游时代超级应用................... 22 （二）以 AI 服务性价比为目标，构建智慧旅游 AI 多元化生态.........................23 （三）以旅游高质量数据集为目标，建设数据分级分类与共享机制................. 25 五、AI 赋能智慧旅游发展展望与预测....................................................................27 （一）具有深度推理能力的 AI 旅游智能体值得关注........................................... 27 （二）将持续形成通专结合的旅游 AI 大模型新局面........................................... 27 （三）旅游领域大模型将逐渐从“尝鲜”向务实化发展..................................... 28 （四）旅游数据要素化助力大模型生态早日成熟................................................. 28 六、AI+智慧旅游发展的建议...................................................................................30 （一）营造 AI 与旅游结合的良好环境，建立健全 AI+旅游的生态体系............30 （二）探索建立旅游数据分级分类管理，构建旅游领域数模融合新范式......... 31 （三）提升旅游 AI 类产品的技术和体验，扩大旅游大模型应用范围频次....... 31 （四）筑牢 AI 大模型应用安全底线，促进 AI+旅游应用良性健康发展............32 （五）预判人工智能技术对行业冲击，强化人机协作能力与情绪价值培养..... 34 （六）建立旅游行业 AI 转型动态监测体系，强化行业发展量化指导............... 34 附录 1：人工智能赋能智慧旅游发展研究相关案例.............................................. 36 附录 2：旅游景区与 OTA 平台开发的 AI 产品调研.............................................47 附录 3：游客和商旅用户 AI 使用情况的调研........................................................59 附录 4：旅游景区 AI 大模型应用情况调研数据....................................................71 附录 5：旅游企业 AI 大模型应用情况调研数据....................................................75 I 相关名词解释 1.Transformer 架构：该架构是由 Google 团队于 2017 年提出的深 度学习模型，其核心采用自注意力机制（Self-Attention）替代传统循 环神经网络（RNN），通过并行化计算高效捕捉序列数据的全局依赖 关系，并基于编码器-解码器结构（Encoder-Decoder）实现特征提取 与生成任务。该架构凭借对长序列的建模能力、可扩展性及跨领域适 应性（如自然语言处理、计算机视觉），成为驱动大模型及生成式 AI 发展的基石。 2.摩尔定律：该定律由戈登·摩尔于 1965 年提出，指出集成电 路上可以容纳的晶体管数目每隔 18 到 24 个月便会增加一倍，处理器 的性能大约每两年翻一倍，同时价格下降为之前的一半。 3.数据蒸馏技术：该技术是一种机器学习优化技术，旨在从大规 模数据集中提取关键信息，生成一个更小但信息量高度浓缩的合成数 据集，使得用该数据集训练的模型能接近或达到使用完整数据训练的 效果。 4.MLA+MoE 架构：该架构是一种结合了记忆增强线性注意力机 制（Memory-Augmented Linear Attention，MLA） 和 混合专家系统 （Mixture of experts，MoE） 的神经网络架构，旨在提升模型的处理 效率、扩展性和长序列建模能力。其中混合专家模型（MoE）是一种 机器学习方法，将人工智能（AI）模型划分为单独的子网络（或“专 家”），每个子网络专攻输入数据的一个子集，以共同执行任务，能 II 够在预训练期间大幅降低计算成本，并在推理时间内实现更快的性 能。 5.AIGC: 生 成 式 人 工 智 能 （ Artificial Intelligence Generated Content），是指基于生成对抗网络、大型预训练模型等人工智能的 技术方法，通过已有数据的学习和识别，以适当的泛化能力生成相关 内容的技术。 6.MaaS: 模型即服务（Model as a Service，MaaS），是将机器学 习模型部署到企业端提供给用户使用的服务。通过 MaaS，开发人员 可以简单调用模型，无需了解复杂算法和实现细节。 7.Token: 可翻译为“词元”，指在自然语言处理过程中用来表示 处理文本的最小单元或基本元素，可以是单个字符，也可以是多个字 符组成的序列。 8.MTP: Multi-Token Prediction (MTP) 是一种用于大型语言模型 （LLMs）训练的技术，旨在提高模型的训练效率、数据利用效率以 及生成质量。 9.MCP：模型上下文协议（Model Context Protocol，MCP），是 由 Anthropic 公司推出的开源协议，旨在实现大语言模型与外部数据 源和工具的集成，用来在大模型和数据源之间建立安全双向的连接。 III 前 言 党的十八大以来，以习近平同志为核心的党中央高度重视新一代 人工智能发展。习近平总书记立足世界科技发展前沿，深刻洞察人工 智能的战略价值，强调其具有“溢出带动性很强的‘头雁’效应”， 明确指出“加快发展新一代人工智能是事关我国能否抓住新一轮科技 革命和产业变革战略机遇的关键问题”。作为典型通用技术，人工智 能已成为培育新质生产力的重要引擎。习近平总书记在中共中央政治 局第二十次集体学习时进一步强调，要立足新型举国体制优势，坚持 自立自强，突出应用导向，推动我国人工智能朝着有益、安全、公平 方向健康有序发展。 智慧旅游是以数字化、网络化、智能化为特征，促进数字经济与 旅游业深度融合，推动旅游治理、服务、营销、体验创新，提升旅游 品质和产业竞争力的新型发展模式。《“十四五”旅游业发展规划》 提出国家智慧旅游建设工程；2024 年 5 月，文化和旅游部联合五部 委发布《智慧旅游创新发展行动计划》，全面系统地阐释了智慧旅游 治理、服务、营销、体验四个方面的发展思路与理念，其中特别强调 了人工智能在智慧旅游中的场景应用。 人工智能与智慧旅游的结合已经成为旅游业发展的关键议题。如 今，人工智能正从游客信息服务、企业服务模式重塑、政府治理方式 转型等多个维度重构旅游业，其影响或可与在线旅游、移动互联网及 IV 社交媒体等技术所引发的行业颠覆性变革相提并论。为深刻分析旅游 行业与人工智能结合的历史性机遇，厘清旅游+人工智能发展的行业 生态与相关问题，强化科技与旅游实际场景的融合机制，促进人工智 能赋能智慧旅游在新的历史阶段进一步创新发展，特开展此项人工智 能赋能智慧旅游发展相关的课题研究。本课题研究将从人工智能对经 济社会发展的影响、人工智能目前在旅游领域的主要应用场景与应用 成熟度、“人工智能+旅游”生态系统构建、人工智能赋能智慧旅游 发展的关键问题及对策建议等方面展开，辅之以多项行业调研数据与 分析，尝试建构一套人工智能赋能智慧旅游发展的理论框架与未来行 业发展的全景视图，为以人工智能为核心的技术驱动旅游业高质量发 展提供坚实的理论支撑。 1 一、生成式 AI 发展及其对宏观社会经济的影响分析 （一）技术基础：Transformer 架构推动生成式人工智能崛起 伴随 Transformer 架构（图 1）所引发的新一轮 AI 革命，生成式 AI 发展迅猛，在众多领域大放异彩。Transformer 架构所特有的注意 力机制，使生成式 AI 具备了对海量数据进行全局关联和动态解析的 能力，使模型能够从文本、图像等多元信息中提炼深层规律，生成逻 辑严密、语义连贯的创新内容。这种超越传统代码规则的“泛化生成” 特性重塑了人类对AI“思考能力”的认知边界。自2022年12月OpenAI 发布 ChatGPT 以来，两年多时间内，AI 技术迭代路径已从初期的模 型参数竞争，快速跨越至推理能力突破阶段，并加速向具备环境感知 与自主任务规划的智能体形态演进。这一持续的技术跃迁标志着生成 式 AI 正从工具属性向具备准自主决策能力的系统范式跃迁。 图 1 Transformer 架构图 2 （二）实践突破：AI 浪潮引发算力需求快速膨胀 算法、算力与模型是驱动生成式 AI 进化的三大要素。算法的持 续创新推动 AI 性能跃升，算力基础支撑复杂模型训练，模型则通过 预训练范式突破为多场景应用奠基。生成式 AI 的快速发展引发全球 算力需求激增，大模型算力需求每年增长四倍以上，远超摩尔定律的 预测，传统算力堆砌模式面临能耗与成本瓶颈。因此，算法、算力与 模型三要素的协同演进成为破局关键。在此背景下，DeepSeek 通过 数据、算法与算力的协同创新实现了效能的突破（图 2）。 图 2 DeepSeek 架构图 在数据层面，DeepSeek 通过数据蒸馏技术从海量数据中提取关 键信息生成精炼数据集，并采用纯强化学习路径训练 R1-Zero 模型， 实现了无需人工标注的零样本输入能力。DeepSeek 现已累计 14.8 万 亿 Token 的文本数据，其中包含 2 万亿代码和 5000 亿数学推理数据。 DeepSeek 借助自研 3FS 文件系统，实现 6.6 TiB/s 的读取吞吐量，结 合动态课程学习框架与去重系统，使数据收敛速度加快 2.3 倍，有效 利用率达行业顶尖水平。针对生成答案可读性差的问题，团队创新性 引入数千条人工标注的高质量 COT（思维链）数据进行监督微调， 同时结合自生成数据与专业领域数据优化模型性能。 3 在算法层面，DeepSeek 通过 MLA+MoE 架构（多头潜在注意力 与混合专家模型）实现全链路效率提升，单次推理仅激活 5.4%的参 数（约 370 亿）1，显著降低计算负载。其训练框架创新性融合自监 督学习与强化学习策略，例如 R1-One 模型的多阶段训练（冷启动监 督微调+强化学习迭代），显著提升逻辑推理能力，并借助多 Token 预测（MTP）技术实现推理速度提升。此外，Transformer 架构的持 续优化（如引入后训练推理过程）与开源生态协同（如 MLA 架构共 享）进一步推动 DeepSeek 算法创新，帮助其缩小与国际头部模型的 差距。广泛评估表明，DeepSeek-Coder 不仅在多个基准测试的开源 代码模型中实现了最先进的性能，而且还超越了现有的闭源模型，如 Codex 和 GPT-3.5。DeepSeekMoE 2B 实现了与 GShard 2.9B 相当 的性能。DeepSeekMoE 16B 与 LLaMA2 7B 性能相当，但只需 LLaMA2 7B 大约 40% 的计算量。 在算力层面，DeepSeek 坚持“架构创新优先于算力堆砌”发展 路径，实现效能-成本均衡突破，训练与推理成本显著低于行业头部。 对 比 行 业 标 杆 ， DeepSeek 在 代 码 生 成 （ HumanEval pass@1 达 73.78%）、数学推理（GSM8K 0-shot 84.1 分）及中文生成（学术综 述准确率 99.2%）等领域展现优势。在同等性能下，其训练成本仅为 GPT-4o 模型的 1/10，推理成本低至 GPT-4 Turbo 的 17%。面对未来 万亿参数模型演进，DeepSeek 需突破高质量数据稀缺、高端 GPU 产 能受限及能效提升瓶颈，通过自动化数据处理、国产算力替代与颠覆 1 https://build.nvidia.com/deepseek-ai/deepseek-r1/modelcard 4 性计算技术探索，持续以“架构创新优先于算力堆砌”的路径引领行 业可持续发展，在算力需求膨胀中巩固差异化竞争力。 （三）产业生态：国内 AI 大模型生态呈现井喷式发展 国内 AI 大模型产业发展火热，DeepSeek 凭借独有的混合专家 机制（MoE）、强化学习等大模型算法方面的优化以及对底层硬件近 乎极致的优化，仅依靠 1/30 的资源投入就取得了跟 GPTo1 相媲美的 推理能力，引起了业界的广泛关注。现阶段，DeepSeek 已依靠其开 源技术优势构建了特色生态，在国内初步形成了以其为核心的技术- 应用协同体系，全面激活了国内的大模型产业，使得约超过 4 亿用户 以极低的价格使用了世界级的大模型推理产品，其在 2025 年一季度 拥有了活跃过亿的用户量，首次使得国内民众对 AI 大模型产生了广 泛的兴趣和使用的认知，完成了 AI 大模型技术从实验室到大众市场 的认知破圈。QuestMobile 数据表明，截止 2025 年 2 月份，DeepSeek 月活用户量突破 1.8 亿。从底层算力资源到通用开源大模型，从应用 智能体到行业解决方案，各行业已快速构建起围绕 AI 的产业生态。 （四）经济动能：AI 赋能百行千业新质生产力加速形成 目前，AI 正以“技术-场景-效能”三位一体的模式推进新质生产 力在百行千业的渗透重构。包括教育、医疗、交通、文旅等在内的各 个行业，都在积极推动 AI 技术与其核心业务相结合，加速行业智能 化转型进程。以医疗行业为例，AI 医疗影像识别技术能在短时间内 对大量 X 光、CT 影像进行分析，辅助医生快速准确诊断疾病，极大 缩短诊断时间，提高诊断效率。在交通领域，AI 智能调度系统实时 5 收集分析交通流量数据，动态调整信号灯时长，有效缓解交通拥堵， 让出行更加顺畅高效，大幅提升交通运营效率。判别式 AI 已经在预 测和识别等场景展现了巨大的效能提升，而生成式 AI 则在创造性内 容生成和知识检索等方面开始涌现出新的生机。生成式 AI 打破了传 统行业的生产格局与服务模式，重塑了服务体系以及内部人员结构和 分工，大幅提升了单位时间内的生产效率，切实成为赋能百行千业新 质生产力形成的重要力量。 （五）场景应用：生成式 AI 对智慧旅游的影响逐渐显现 以 DeepSeek 和 ChatGPT 为代表的生成式 AI 为旅游行业带来显 著变化。其能依据游客需求生成个性化旅游方案，还可通过数据分析 助力旅游企业决策。从提升游客体验到优化企业运营，生成式 AI 都 发挥着重要作用。自 DeepSeek 于 2025 年 1 月火爆以来，全国已有数 十家旅游景区接入了 DeepSeek，其主要在景区服务方面引入智能体 作为客服的入口；旅游目的地也纷纷通过整合智能体应用与公共服务 平台结合的方式，加入