各批次AI办公深度合成算法备案占比 其他 AI办公 使用智能PPT的用户在总体办 公人群中的比例 涉及智能PPT的专业大模 型数量 场景深化与垂 直能力升级 无缝嵌入工作流 与决策支撑 基于大模型的多模态内容生成能力，Google、Microsoft、 WPS、百度如流、钉钉、飞书等推出多文档内容生成、 会议转录与摘要、 智能创作、流程安排等功能。 向垂类场景进发落地应用，开拓财务、人力、政务等场景， 完成基础PPT制作，并为专业 化生产提升人效：生成式AI应用依靠AI大语言模型、跨模态理解能力，缩短内容生产时间，通过联网数据和素材库支撑加速PPT设计并 提升可视化效果。 传统PPT生产工作流：流程冗长、执行复杂 现阶段智能PPT生成：简化操作过程、提升可视化质量 联网搜索/素材库 AI大语言模型 跨模态理解能力 6 智能PPT跨越可用阶段，以用户为中心助力向“直觉化”使用跃迁 1 智能PPT内嵌入办公平台、AI助手成为重要功能 文本处理 大纲生成 简化搜索 智能排版 多种PPT生成模式 思维导图等多形式与PPT的转化 多种模板个性化定制 智能图表分析、生成 云 存 储 模板素材库 多轮对话交互 多模态媒体融合 交互协同 端到端生成 数据可靠 数据精准 智能处理 技 术 带 来 的 功 能 与 办 公 流 程 的 演 进 数据来源：2025年6月用户调研（N=1172），极光月狐数据研究院整理。

数据处理为大模型提供基础燃料，存在跨模态数据整合难、部分行业数据缺 失、标注工作耗时耗力等痛点，聚焦 AI 场景，创新大模型预训练数据清洗、AIGC 多模态数据整合、数据合成、智能标注等技术，为模型迭代提供合规、多样化的 数据燃料，推动自动驾驶、医疗影像等垂直领域 AI 应用落地。 面向近期，为 AI 提供高质量数据燃料。数据合成技术突破真实数据瓶颈， 通过模拟生成多样化场景数据支撑模型训练；多模态数据整合，利用全模态大模 用全模态大模 型融合文本、图像、音频等，增强跨领域泛化能力；AI 驱动自动化标注，提升 数据清洗效率并优化标注质量；通过动态血缘追踪、数据版本管理，确保数据集 可追溯、无偏见及合规性。 14 面向中远期，将围绕智能化、实时化与生态协同深化发展。基于 AI 实现全 链路血缘追踪与异常根因定位，推动数据治理从被动转向动态自愈；通过元数据 驱动跨系统数据动态整合，支持多模态数据与实时流批处理的统一管理，破除数 理的统一管理，破除数 据孤岛；结合多模态大模型实现自动化数据标注、清洗与洞察生成，赋能业务敏 捷迭代；通过联邦学习、边缘节点算力优化实现数据“可用不可见”，保障敏感 场景合规性。 2.5.2 训练框架 模型训练存在混合并行效率低、低精度训练不稳定等多重挑战。中国移动通 过训练并行优化降低混合并行复杂性，完善 FP8 混合精度训练框架，基于故障容 错提升训练稳定性，通过构建可支撑万亿级参数模型训练的高效框架，加速产业

供感 知、传输、存 储、计算等基础性数字公共服务的基础设施体系，将 成为智能化时代的新兴基础能力和创新驱动力。 业务创新 大模型的出现对业务产生了颠覆性的影响，交互范式 发生了巨大改变，多模态内容可实时生成，解锁了各种 极具创意的应用场景，提供更为沉浸的业务体验和个 性化的贴心服务。 智能化时代的特征 智能化时代洞察 国际上，TM Forum联合多家产业伙伴发布白皮书，并签署《 AI大模型应用范式 端到端自动化 全栈数字孪生 多模态交互方式 以业务为中心 AI-Native网络 范式 场景 孪生 网络 业务 交互 范 式 多Agent群智协同，应用范式将Agent化。即网络中 的智能体（Agent）自动智能协同工作，共同解决复杂 问题，实现网络服务的智能化和自动化。 交 互 多模态意图人机交互方式变革，使得交互方式更加简 单和自然。结合大模型技术，网络能够理解和响应语 发展，正成为企业新质生产力的重要 驱动力。根据Gartner预测，企业在生产环境中应用GenAI相关技术的比例将从2023年的5%激增至2026年的超过 80%。此外，大语言模型、提示词工程、多模态技术等预计将在未来2至5年内达到技术成熟期，进一步推动产业智能 化进程。 智能体已成为2024年生成式人工智能的核心技术之 一。凭借自主学习、任务执行及多任务协作能力，智能 体为电信运营商的智能化转型提供了全新的路径。通

以“模型+知识”智能驱动的AI CITY不是简单地在城市叠加技术元素，而是以AI为核心，融合联 接、计算、云、区块链等新一代信息技术，构建从感知智能到认知智能的全新技术体系，直接通过 由AI驱动的、具备对话能力的、多模态的智能体界面与之互动，打造数据驱动、具有深度学习能力 的城市级一体化智能协同体系，将推动城市走向更高效、更可持续、更有温度的新时代。 人工智能技术将重塑城市发展模式，带领人类进入智慧城市新阶段。报告提出“AI 多个行业实现初步应用，提供更加精准、高效的解决方案。 多模态大模型推动人工智能从单一感知向全场景认知跃迁 大模型发展已经进入多模态融合阶段，多模态大模型融合了多种感知途径与表达形态，能够同时处理文本、图 像、语音等多种数据，并进行深度语义理解和交叉模态处理，是实现通用智能的重要路径。大模型从早期简单的子任 务模型组合模式，逐步转变为端到端跨模态统一特征表示，实现了原生多模支持，为人工智能与现实世界复杂信息交 可信数据空间 应用创新 人才培养 M*数据资源 基础数据资源：交通、医疗、气象、文旅等 知识库：制造、导游、医药、医疗等 高质量数据集：外观质检、气象预测等 基础大模型：NLP、CV、多模态等 行业大模型：制造、文旅、医药、医疗等 场景大模型：外观质检、气象预测等 N*模型资源 大模型中心 数据平台 AI模型平台 AI原生应用平台 数据治理 知识抽取 数据集建设 模型训练

驾驶 3D⽣ 成 • ⾼ • 已有数量庞⼤的车队和成 熟的道路交通系统可以收 集⼤量数据 具身 智能 分析 XR • 中 • 以视觉信息为主，纯视觉 技术路线外会涉及激光雷 达和其他模态 数据构成精简度 • 中 • 以道路交通系统的⾏驶 为主，多数驾驶场景下 需要的数据可以充分收 集，但缺乏长尾数据 数据分布多样性 数据闭环成熟度 • 中 • ⾼精度的3D资产图形学数 据，主要由专业的3D模型 较⾼，模型可以覆盖各 类物件和场景 • ⽆ • 低 • 缺少存量装机量，要从零 开始积累数据，同时仿真 数据精度有限 • 低 • 需要视觉数据、⼒学数据、 运动数据、激光雷达、甚 ⾄其他模态，异构数据多 • 低，数据主要来自⼀些 垂直的训练场景，数据 分布比较单⼀ • ⽆ • 目前数据是⼤部 分AI系统进步的 瓶颈，算法和算 ⼒的问题相对更 容易解决 • 自动驾驶能够快 Meta推出了HOT3D数据集，能够加速机器学习研究以分析⼿与物体的交互。该数 据集包含以第⼀⼈称视角的用户抓取和操纵各种物体的⾼质量 3D 视频，展示了19 名受试者与33种不同刚性物体的交互，以及多模态信号，如眼动跟踪或场景点云 • 该数据集由Meta的两款头戴Project Aria和Quest 3设备录制 • 李飞飞和斯坦福⼤学开发了ARCap系统，可以进⾏便携式数据收集，通过增强现实 (AR)

2水平，依赖大量数据训练，如星海图机器人需人工干预才能完成复杂任务。 具身智能算法数据依赖性强，数据采集标注成本高，且算法泛化能力有限，难以适应多样化场景。 多模态交互视觉语言动作协同尚未成熟，MIT实验完成指令需3.4次试错，交互效率低，影响用户体验。 多模态交互技术不成熟，导致机器人在服务行业如餐厅服务、酒店接待等场景中响应速度慢，服务质量不稳定。 AI大脑与硬件融合存在兼容性稳定性问题，如部分机器人 在高强度任务下出现算法与硬件脱节故障，影响任务完成。 AI大脑与硬件融合问题导致机器人在复杂任务执行中出现故障，降低可靠性，影响市场信任度。 具身智能算法能力 多模态交互协同 AI大脑与硬件融合挑战 AI大脑发展 区域分布珠三角伺服系统、长三角AI 算法、京津冀精密制造，产业集聚效 应初显，但协同效率待提升。 区域产业分布不均衡，各地产业配套 不完善，导致产业链上下游企业沟通

领军者。 2023 年 3 月 ， OpenAI 发 布工程化的多模态 GPT-4 ，并 与 各个领域的软件开展合 作。 2023 年 11 月 7 日， OpenAI 开发者大会 重磅发布 GPT-4 Turbo ，这项新 模型带来了六大升 级 ，包括更长 的上下文长度、更 强的控制、模 型的知识升级、多 模态、模型微 调定制以及更高的 速率限制。 谷歌框架领先 模型丰富 腾讯云推出的 TI-OCR 大模型提供多种识别模式，包括智能结构化、 固定版式结构化、检测 / 识别、智能分拣。 TI-OCR 大模型具备原生 大模型支持、通过 prompt 设计支持复杂任务、多模态技术提高召回 率的特点。通过应用 TI-OCR 大模型，可实现自动化的数据处理和高 度结构化，将数据识别准确率提高至 95% 以上。这一应用降低了高 重复手工劳动，减少了运营成本，实现了多元业务数据处理的标准化、 智能化生产平台、多媒体智能资讯及互动平 台系统等多个人工智能相关项目，并在公司部分产品及服务中进行了具体应用。公司将继续紧跟 AI 技术发展前沿，不断加强 AI 能力建设，进一步强化自然语言处 理、图像处理、语音识别和多模态融合技术能力，并继续深入 AIGC 、交互式 AI 等领域的研究，完善内容生态构建， AI 赋能提升用户各场景使用体验和服务能力， 未来或创造新的场景以挖掘客户全生命周期需求，进一步巩固流量优势并提高客户转化率。

等编解码技术）、业务保障和网络传输（多模态协同传输， QoS 自适应，高速率低时延高 可靠性传输，FoV 传输技术和节能技术）等方面。6G 网络需要针对沉浸式业务具体用例的 特点，提供高数据传输速率，低时延高可靠的数据传输性能，对多模态沉浸式业务支持多模 态协同传输，以及支持灵活可变的 QoS 自适应传输，以实现人与人、人与物之间的三维动 态感知与交互。 1. 多模态协同传输 典型的多模态业务数据流可能包含 的环境信息（亮度、 温度、湿度等）；触觉数据，包含表面触觉数据（压力、震动、温度），动觉感知（重力、 拉力、位置感知）等。 多模态通信业务可以针对一个 UE 或多个 UE，表现为单终端多流和多终端多流。 为满足不同应用场景的多模态业务的通信协同传输需求，多模态业务的协同传输需考虑 QoS 策略、传输同步和系统容量提升等。 2. QoS 自适应 沉浸式丰富的应用场景和业务类型对 6G 网络的 精细化的资源利用、最 优节能触发方式选择和最优节能模式选择。 3.1.3 性能指标 从沉浸式通信应用场景中可以看出，沉浸式通信需要 6G 网络提供高速率、低时延、高 可靠、高安全等性能以及多模态协同传输，以实现更加丰富和真实的用户体验。同时要满足 沉浸式业务的可变 QoS 和 QoE，以及节能需求。 1. 极高数据速率：沉浸式通信需要极高的数据传输速率来支持高清、3D 甚至 6D 视

模增长带来更多存量扩张与增量空间。2028年，中国人工智能产业规模将达到8110亿元。对比原本大模型未出现涌现能力的人工智 能产业规模值，艾瑞测算，大模型带来的产业加成比例在2028年或达到32.9%，在语言语音模态规模加成最为显著，未来大语言模 型、语音大模型的产品门槛与应用成本将逐步降低，带来更多API能力调用与产品解决方案的AI能力融入发展，尤其在2024年以后， 更多AI产品逐步变现、AI能力下放至边缘 明显；原本以图像识别为主的计算机视觉市场增长变缓，受政 策及政府预算影响，泛安防类的业务增长更多被医疗、工业等CV产品取代，且图像生成市场将在未来3-5年迎来更多商业变现机会， 进一步填充计算机视觉模态的市场空间驱力。 来源：艾瑞咨询研究院根据专家访谈、桌面研究自主研究绘制。 中国人工智能产业规模盘点 注：中国人工智能产业规模口径包括中国AI芯片市场规模、AI基础数据服务规模、计算机视觉市场 更多生成式AI应用的产业增量。艾瑞测算增量规模仅考虑现有产业与技术架构的带动 加成，未来AI技术与VR、泛互联网、游戏等产业空间的TAM规模将更具想象空间。 2023年中国人工智能产业模态分布 2028年中国人工智能产业模态分布 2020-2028年中国人工智能产业规模 1389 1621 1687 2093 2620 3293 4092 4955 6104 1706 2137 2800

企业希望用生成式AI与客户互动，并赋予其更高的自主 性，前提是AI的使用可以提升、而非损害客户关系。为此，企 业必须精准把握技术发展脉动，助力聊天机器人突破常规。 • 个性化AI • 多模态模型 • 精准数据与上下文语境 技术展望 2025 | AI 自主宣言 27 品牌新门面 技术展望 2025 | AI 自主宣言 28 定义 企业正积极探索如何有效利用强大的生成式 DALL-E���� （2021年1�） 多模态模型研究显著增加 2020年至2024年*多模态基础模型相关的研究论文数量 说明：*2024年只包含截至2024年10月的部分数据。 数据来源：埃森哲商业研究院对arXiv论文的分析；2020年1月至2024年10月。 数据来源：埃森哲商业研究院对arXiv论文的分析；2020年1月至2024年10月。 多模态模型 29 品牌新门面 定义 逐 步对外发布。 与技术趋势的关联 随着文本式聊天机器人在企业客服中日益普及，音 频、图像、视频输入/输出技术的融合将大幅拓宽交互 式 AI 在客户服务中的应用场景。这些多模态模型将赋 予聊天机器人多模态交互能力，深化人机互动，甚至能 在视觉上呈现具有品牌特色的面部表情及环境，使聊天 机器人更加生动逼真。 领先应用者 AI 初创公司 Runway 发布的 Gen-3 Alpha