Grynspan 联合国贸易和发展会议秘书长 历史表明，虽然技术进步推动经济增长，但它本身并不能确保公平的收 入分配或促进包容性的人类发展。更加强劲的国际合作可以将焦点从技 术转向人，使各国能够共同构建全球人工智能框架。这样一个框架应优 先考虑共享繁荣，创造公共产品，并将人类置于人工智能发展的核心。 报告开始，详细记录了几家企业和国家在人工智能开发中的高度集中情 况，并识别了数字基础设施方面的广泛差距，这些差距可能加剧各国和 进一步扩大。为此，报告主张基于包容性和公平性的人工智能发展，将 重点从技术转向人。人工智能技术应补充而非取代人类工人，生产结构 也应重组，以确保国家、企业和工人之间公平分享利益。同时，加强国 际合作也非常重要，以使各国能够共同创造包容性的人工智能治理。 前沿技术，尤其是人工智能（AI），正在深刻地改变我们的经济和社会 ，重塑生产流程、劳动力市场以及我们生活和互动的方式。人工智能是 否会加速实现可持续发展目标，还是会加剧现有的不平等，使弱势群体 进一步落后？发展中国家如何利用人工智能实现可持续发展？ A 人工智能在技术前沿 B 利用人工智能提高生产力和工人赋权 C 准备抓住人工智能机遇 D 设计人工智能国家政策 E 全球合作，实现包容和平等地使用人工智能 引导人工智能走向共同繁荣 人工智能正在重塑 经济和社会——它 将推动可持续进步 还是加深现有不平 等？ 全球协作是确保人 工智能的益处惠及 每个人的关键，从 而将重点从技术转 移到人。 第八章 1 1 人工智能技术前沿

产品商业价值的关键阶段。以优必选、宇树科技、特斯拉、Figure AI 等规模产线的建 成投产为标志，⼈形机器⼈进⼊"规模化量产元年"，头部企业实现千台级交付。 特征之⼆，产业群浮现，多路中国企业共同形成全产业链能⼒，全链基础上逐步 强链，开放协作的基础上加速⽣态化。核⼼模块与基础⽀撑系统，包括电机与减速 器、传感器与感知模组、伺服电机、灵巧⼿、操作系统、⼤⼩脑系统-基础模型-功能 模型、 ⼈形机器⼈、具⾝智能产业蓬勃发展，得益于国家与地⽅政策⽀持，需求端与供 给端双向协同、深度赋能。需求端以⼯业与消费升级锚定市场⽅向、释放增⻓动能， 14 供给端以技术突破与政策⽀持筑牢发展根基、破解落地瓶颈，共同推动中国具⾝智能 市场空间持续扩⼤。 4.1.1 政策端 2025 年以来，我国在具⾝智能政策层⾯形成以“国家顶层政策引领+地⽅政策精准 落地”特点。国家层⾯，2025 年《政府⼯作报告》中提出：培育壮⼤新兴产业、未来 务、教育科研等领域的商业化应⽤。此外，要打造具⾝智能数据采集基地，着⼒提升 具⾝智能数据供给能⼒，为具⾝智能研发提供⾼质量训练环境。 4.1.2 需求端 ⼯业与消费升级构成需求端双轮驱动，共同为⼈形机器⼈、具⾝智能产业发展注 ⼊核⼼动能。⼯业升级明确技术迭代⽅向、拓展产业应⽤边界；消费升级扩⼤市场规 模、推动技术普惠，⼆者协同发⼒推动具⾝智能产业实现规模化与⾼质量发展。⼯业 升级催

科研机构、科技企业、行业用户等各方力 量紧密合作, 形成了一个相互促进、共同发展的有机生态。与此同时, 客户对于 智能化产品、方案和服务的迫切需求也成为这场革命的重要驱动力。技术创新与 企业应用在智能化转型的道路上相向而行, 双向奔赴, 这个过程中, 一站式 partner 性质的长期陪伴尤为重要, 它将带领技术与企业共同奔赴, 共创更高价 为时代浪潮激动之余, 我们也清醒地认识到,智能化时代在为我们敞开机遇 自动化生产线, 企业能够提高生产效率, 降低运营成本, 从而在激烈的市场竞争中获得优势。 除此之外, 企业智能化转型过程中对 ESG (环境、社会和治理) 理念的践行 以及政府和行业龙头企业的共同推动,使得行业和社会价值成效在 2024 年开始 逆转。从行业层面来看, 智能化转型促进了产业结构优化升级,提高了行业整体 更多干货请关注公众号“管理技术化平台” 28 的竞争力和可持续发展 为企业创造直 接收益, 同时从长期助力品牌建设;建立韧性发展能力有助于企业应对市场不确 定性, 确保中长期稳定发展;推动行业变革则是企业基于长期战略布局, 引领行 业发展趋势, 实现自身与行业共同成长的关键举措。在未来的发展中, 企业应继 续坚定智能化转型的步伐,合理配置资源,充分发挥智能化技术在这三个方面的 作用, 以实现可持续发展的宏伟目标, 在不断变化的市场环境中保持竞争力, 为

➢ 训练完的模型参数量也会影响推理端算力 大模型训练 作为驱动人工智能发展的关键生产要素，数据规模多维度影响大模型的性能与应用场景：超大模型追求“能力上 限”，轻量化模型聚焦“应用普适性”，两者共同推动人工智能从实验室研究走向规模化商业落地。 17 资料来源：灼识咨询 大模型的发展及参数量变化 ➢ 规模法则（Scaling law）在当前人工智能发展中仍然占主导地位。目前，规模法则（Scalling 51% 第三方服务商 其他1 ➢ 算力中心市场中，供给端目前主要有三大来源：一是三大电信运营商，二是 第三方算力中心服务商，三是企业或地方政府的自建算力中心。三大供给方 通过各自的特色与优势，共同驱动算力中心租赁行业的持续发展与创新。 1）三大电信运营商：作为网络基础设施的提供者，电信运营商的算力 中心服务以标准化需求为主，便于企业进行快速部署和接入，旨在通过 其庞大的网络覆盖能力，为用户提供稳定、可靠的算力资源。 运维能力等方面存在一定的差距。这些因素 共同影响了电信运营商在定制批发业务中的 市场表现，导致其承接的定制批发业务需求 份额仅占整体市场的约10%。 • 相比之下，第三方算力中心服务商在定制批 发业务市场中占据了主导地位，这得益于第 三方服务商对于市场需求的深刻理解、较强 的定制化服务能力，以及高效的集群化运维 能力。同时，第三方算力中心服务商中包含 全国性与区域性两类服务商，两者共同满足 市场中的定制批发业务需求。

场景， 边际效应随着智驾能力的提升呈现几何式骤减。与基于 规则的传统自动驾驶算法结构相比，端到端算法基于数 据驱动，可以实现信息的无损传递。同时，端到端架构 将感知、预测和规划结合为一个可以共同训练的单一模 型，整个系统都针对最终任务进行优化，并且共享的骨 干网络大幅提高了计算效率，使智驾方案具备更高的迭 代效率，有效降低了维护成本。 请务必阅读正文之后的免责条款部分 图2：端到端技术演进 操作，将传统“指令式交互”转变为“场景化服务”。 请务必阅读正文之后的免责条款部分 10万级别智驾落地推动行业进入智驾平权 16 随比亚迪引领的10万级别智驾落地，视觉感知方案与端到端大模型共同推动 行业进入“智驾平权”时期。过去，由激光雷达、高算力芯片和海量数据训 练等筑成的高门槛，使智能驾驶功能主要集中在豪华车上。2024年，中国市 场乘用车入门级L2及以下辅助驾驶前装搭载虽高达52.44%，以NOA为代表的 合重建-新路径自动标注，通过融合多条路径，重建3D语义地图， 并将其应用于新轨迹的自动标注上。自动标注算法对一万个驾驶旅 程的12小时自动标注相当于500万小时的人工标注。此外，特斯拉 通过影子模式搜集数据，经过清洗、标注，与仿真数据共同构建训 练集。训练集也用于车载模型的训练，完成之后更新到车上，并以 此往复完成数据流的闭环。 算力：建设车端算力与超算中心。计算平台是自动驾驶系统的核心 硬件，涵盖车端算力和训练用超算中心。特斯拉从外购转向自研，

IT 领域实现广泛落地。  医院运营智能体 所谓医院运营管理智能体，是指构建一个立体的、多域协同、精确判断和持续智能的系 统，它包括智能交互、智能连接、智能中枢和智慧应用四个主要层次。四个层次共同构 建了一个能够实现医院人、财、物全要素协同，医疗、服务、管理全场景智慧化的系统。 熙软科技的医院运营管理智能体在保有上述基础特征的情况下，围绕医院运营管理建设 进行重点突破，围绕 ODR 核心运营数据中心、ODSS 算法等出具了明确要求，但在制药 领域，数据保护、隐私保护、算法的不可解释性等问题仍然悬而未决，没有官方政策对 上述要素制定统一合规标准。目前，关于制药 AI 的合规和伦理讨论仍处于起步阶段， 企业需同监管机构共同探讨监管合规的可能。  模型可解释性和可信度 基于 AI 的药物发现过程中，制药企业需要给出数据与预测结果间明确的逻辑关系，而 非仅简单算出药物。英矽智能在治疗间皮瘤的孤儿药研发中，曾被监管要求解释 方法。因此，如何持续学习和更新 AI 模型是一个仍在摸索的问题。 综上所述，AI 在药物研发及临床应用中面临数据质量与多样性、监管合规、模型可解释 性和可信度、模型持续学习等多方面的挑战。这些挑战需要行业、监管机构和企业共同 努力，通过不断学习和创新逐步克服困难。 2.4 讨论：颇具规模的 AI 产品矩阵，能够破解商业化难题吗？ 回顾影像 AI、信息化 AI、新药 AI 三大赛道，每一个赛道均有丰富的产品体系，许多企

范等领域深化跨界合作。 站在产业智能化的转折点，我们将持续以牛客松系列活动为纽带，深化“业务场 景开放+技术能力共享”的双向驱动。我们期待更多企业以战略远见拥抱转型， 用技术温度守护食品本质，共同探索推动供应链效率与消费者体验的几何级提升。 未来的食品饮料行业，必将是科技创新与人文关怀交织的舞台，而今天的选择， 将决定我们在未来生态中的坐标。让我们以AI为桨，驶向更具韧性、更可持续的 行业未来。

do 发挥团队的集体智慧。 打破各自为政的思维模式，建立协作沙盒， 在沙盒中对 AI 工作流程进行严格测试和完 善，鼓励员工大胆实验，不必担心失败。让 业务部门、IT 和人力资源部门的领导者共同 对 AI 成果负责，凸显在整个企业内采用 AI 的战略重要性。让治理成为协同创新成果的 关键要素，重新构想运营模式，确保有效、 负责任地整合智能体 AI。 让员工为未来做好准备。 设立流程协调者和数字资源管理员等新角色 价值的项目，然后砍掉那些拖后腿的项目。 投入足够的资源来确保成功扩展 AI，并根据 增长潜力来分配 AI 预算。考虑生态系统，摒 弃各自为政的方式，与最有价值的客户和战 略性 IT 合作伙伴共同积极探讨生成式 AI 能 在哪些领域带来最大价值。 发挥开源优势。 创建一个开源项目办公室，负责管理组织对 开源代码的使用和贡献。建立一个经过仔细 审查的开源代码仓库，以便于轻松访问首选

•关系相对松散 主要挑战： 需求匹配度低 •图商提供地图服务 •车企提供众源数据 •共同构建数据闭环 主要挑战： 数据权责/价值平衡 •地图要素/功能定制 •车企掌握部分更新能力 •关系更紧密 •接口/工具链支持 主要挑战： 协同效率/需求多变 •深度绑定 •共同投入研发 •探索期, 案例少 主要挑战： 信任/商业模式设计复杂 模式

挑战三：创新能力的保持与发展挑战 企业在引入新的云环境时，往往会期望获得更先进的技术并以此产生更多的 新应用场景、新商业模式和新开发流程。但创新能力的构建并非单纯依赖技 术体系的升级，而是企业战略、目标、方法论和实践项目共同作用的结果。 因此，企业如果在认知不到位的情况下盲目投入，往往会使整体的投入产出 比下降，反而背离最初的期望目标。 挑战四：成本控制与优化挑战 企业多云环境最现实的挑战是在异构资源增加后的重组和优化问题，包括对 避免因配置疏漏引发的安全风险。对于服务的一些敏感配置变更，可以定制 监控策略，及时进行告警并收敛潜攻击面。 多云间的风险管理：具备云上异常行为的检测能力，并建立完善的风险评估 和管理流程，共同识别多云环境中的关键资产、潜在威胁和风险敞口，及时 发现已泄露云账号的异常行为，补齐基于云上环境的入侵链路还原能力，并 具备有效止损的手段。此外，还应定期开展风险评估和审计，并根据风险变 化动态调整安全策略。 跨多个云环境加密管理 云治理与合规 云服务配置不当 Security-by-design设计思路的实践 身份和访问管理 应用程序和 API 安全与 DevOps 数据主权问题 安全责任不明确（共同责任模式） 缺乏云安全技能 ��.�% ��.�% ��.�% ��.�% ��.�% ��.�% �.�% �.�% �.�% �.�% �� 跨云高级安全服务：提供例如数据加密、安全沙箱、微隔离等高级安全功