2025 年 五大趋势 人智共创未来 点燃创新纪元 IBM 商业价值研究院 | 研究简报 2024 年是拥抱变化、把握机遇的一年。冲突和转型的交织令原有假设受到质疑，领导者不得 不重新评估其风险偏好。他们必须平衡速度需求与成熟流程的安全性，然后改变那些束缚发展 的习惯。 生成式 AI 是这一转变的核心，带来了一个充满新机遇和未知风险的世界。智能体 AI 是指自主 执行各种 这样个人得以提高生产率 并重新定义工作流程，同时挑战了传统的领导观念。 引言 AI 推动数据普及化， 重新定义决策流程。 领导者如何才能在不给企业带来风险 的情况下增强员工的自主创新能力？ 2025 年五大趋势：人智共创未来 点燃创新纪元 2 事实上，领导者没有时间审查每一项创新。随着智能体 AI 在组织中发挥的作用不断增强，领导 者需要下放更多决策权，才能真正加快步伐。他们仍然需要制定目标并明确前进规则，但必须 2025 扩展和优化 创新 30% 44% 24% 44% 46% 信息来源：《2025 年五大趋势全球脉动调查》。问：以下哪一项最能 描述贵组织当前和明年采用AI 的方法？ 注：总和不等于 100%，因为“重新评估“和“以上都不是”也是其中 的选项。 2025 年五大趋势：人智共创未来 点燃创新纪元 3 智能体 AI 将变革组织的业务， 但组织首先必须对员工进行再 培训。

... 1 一、大模型赋能政务热线：从数字化到数智化跃迁.......................................................2 （一）政务热线的发展历程.................................................................................... 2 （二）大模型在政务热线中的全新价值 （二）大模型在政务热线中的全新价值..................................................................5 二、大模型驱动政务热线的创新趋势.............................................................................7 （一）政务热线的新定位：从“接诉即办”到“治理枢纽”..... ............................................................................................24 四、 大模型在政务热线中的场景化实践..................................................................... 28 （一）智能运营体系构建.

... 1 一、大模型赋能政务热线：从数字化到数智化跃迁.......................................................2 （一）政务热线的发展历程.................................................................................... 2 （二）大模型在政务热线中的全新价值 （二）大模型在政务热线中的全新价值..................................................................5 二、大模型驱动政务热线的创新趋势.............................................................................7 （一）政务热线的新定位：从“接诉即办”到“治理枢纽”..... ............................................................................................24 四、 大模型在政务热线中的场景化实践..................................................................... 28 （一）智能运营体系构建.

年深度行业分析研究报告 目录 C O N T E N T S 英伟达主导现有大脑方案 01 02 03 大脑能力技术路线 4 04 L4及L5具身智能应用展望 05 从人脑看具身大脑 国内外厂商大模型进展 从人脑看 具身大脑 01 Partone 5 人脑结构拆解 01 6 资料来源：浙商证券产业研究院 了解机器人大脑之前我们不妨先了解一下我们人类的人脑。人脑由大脑、小脑、脑干 模型两种路线。 分层决策模型 端到端模型 以「Figure 01」为代表，将任务分解成不同层级，以多个神经网 络训练，再以流程管线的方式组合。Figure 01顶层接入OpenAI的 多模态大模型，提供视觉推理和语言理解；中间层神经网络策略 作为小脑进行运动控制并生成动作指令；底层机器人本体接受神 经网络策略的动作指令，进行控制执行。分层决策模型的缺点是： 不同步骤间的对齐和一致性需解决。 优势：数据更真实可靠 • 劣势：数据少、泛化性差；通过机器本体和人采集， 成本高、难度大、效率低 国内外厂商 大模型进展 04 Partone 16 银河通用抓取基础大模型 GraspVLA 04 17 资料来源：银河通用公众号，浙商证券产业研究院 2025年1月，银河通用发布抓取基础大模型GraspVLA。GraspLVA的训练包括预训练及后训练。其中预训练完全基于合成大数据，训练数据

线控底盘结构及优势 3.4.2 智驾渗透加速线控底盘国产放量，行业格局集中，主机厂 粘性高 3.4.3 线控底盘技术在自动驾驶领域的应用正逐渐普及 3.4.4 拓普集团：业务体系多元化，已形成XYZ三大系列产品线 3.4.5 线控制动发展历程 3.4.6 线控制动：EHB One-Box当前是主流方案 3.4.7 伯特利：线控制动持续攀升，全面打造XYZ三轴汽车底盘 控制系统供应商 3.4.8 信息迅速做出决策。一体化端到端则将感知与规控模块全部打通，形成一个统一的大模型，使系统能够更直接、 高效地处理信息并作出反应。业内典型代表为特斯拉、Momenta、理想等。这种架构取消了模块划分，减少信息损 失的同时，对数据标注的需求也更少，同时具有更强的泛化性。从模块化端到端到一体化端到端是一种相对平滑 的过渡形式。随着算法优化，技术将逐步向一体化端到端或端到端+多模态大模型的冗余双系统架构演进。 感知“端到端”： 当前的主流感知算法路线 学习策略的方法。模仿学习中，一种 广泛使用的方法是行为克隆（BC），将问题转化为监督学习问题。另一种方法是逆最优控制（IOC，也称为 逆强化学习），利用专家示范来学习奖励函数。 表1：模仿学习的两大算法类别 类别 简述 优势 挑战 行为克隆（BC） 在行为克隆中，通过最小化规划损失 来实现智能体策略与专家策略的匹配， 其中监督学习中的损失函数用于度量 智能体动作与专家动作之间的距离。 早期应用于自动驾驶的BC，利用端到

(EQ)、团队合作力、领导力之后，影响组织和个人发展的关键指标。 面对 AI 的快速发展，企业对 AI 人才的需求已经发生质的转变，从早 期单纯的技术人才扩展到具备 AI 思维和应用能力的复合型人才，我们 必须重新思考大模型时代对人才的能力要求。这种转变既反映了 AI 应用的深化，也体现了企业对人才能力的新要求。 在 AI 人才短缺的困境中，高管普遍低估了员工学习和接纳 AI 的意 愿。这一认知偏差不仅限制了企业对现有人才的培养投入，也阻碍了 89% 的受访 CEO 认可 AI 的战略重要性，超半数的 CEO 表 示正面临来自企业内部推动 AI 转型的迫切压力，但只有四分之一的 CEO 表示其组织已经为全面整合 AI 做好充分准备。 大模型正从“能用”迈向“好用”和“实用 ”，从技术创新演变为推动组织变 革的核心引擎，引领企业的智能化转型。 1 2 3 具备高 AI 力的个体能够显著提升工作效率和质量。 他们能够更好地 理解 AI 4.1 引入大模型≠提升生产力 04 16 4.2 AI 力的诊断和测评 17 4.3 发展大模型时代的 AI 力 18 22 2.1.3 AI 在销售领域的应用 10 2.1.4 AI 在人力资源领域的应用 11 2024 年被业界公认为“大模型落地元年”。经过 2023 年的技术爆发期，大语言模型正在 经历从“实验室奇迹”到“商业变现”的关键转折： 种种迹象表明，大模型正从“能用”迈向“好用”和“实用，”开启了

化升级、供应链不确定性加剧，叠加气候与资源约束，传统生 产模式和增长逻辑面临前所未有的挑战。 与此同时，以人工智能为核心的新一代数字技术，正穿透从田 间到餐桌的全产业链条，为行业打开效率跃迁与价值重塑的想 象空间。以大语言模型为代表的生成式AI技术取得了突破性进 展，从最初简单的文本生成，到如今能够生成高质量的图像、 音频、视频等多模态内容，其应用范围不断拓展，潜力也愈发 凸显。如何借助AI技术实现转型升级，已成为食品饮料行业发 面临着诸多困惑和难题，需要有一份具有针对性和可操作性的 经验总结来引领方向。 第一章深入洞察了食品饮料行业的变化趋势，并简述了AI技术 的演变路径、大语言模型的技术原理，以及现阶段应用大模型 技术的主流路径，和未来通用人工智能的趋势。第二章遴选了 食品饮料行业的典型十大场景，用具体案例，详细描述了需求 场景、解决路径、应用成果和经验反思，为行业企业实践提供 参考。受限于篇幅和案例落地时间，已经在行业内深度应用的 需要一套领域专家知识库和智能问 答系统，实现企业级知识沉淀 查找资料过程繁琐 养殖员日常工作需要翻阅大量资料 解决操作问题，人工查找过程繁 琐，期望使用自然语言描述自己遇 到的问题 问题回答准确率 90% 奶牛养殖企业级知识库 降低学习成本 提升工作效率 简单快速地搜索相关养殖知识， 高效处理实际遇到的各类问题 赋能养殖员高效、快速学习大量 的专业知识      

jing Taibo Co.， Ltd. All Rights Reserved. 研究背景  智能驾驶技术正加速从早期“功能验证”向“全域场景”突破，头部整车厂与科技公司大规模投入车规 级大模型、“世界模型”等自动驾驶方案，智驾地图作为支撑自动驾驶决策与感知的关键底层能力，如 何成为实现自动驾驶落地和差异化体验的基础保障？  随着舱驾一体化架构成为主流，智驾地图成为连接座舱体验与驾驶功能的关键枢纽，如何实现从导航指 两者本质区别在服务对象（机器 vs. 人），区别于传统导航为人类驾驶员提供路径规划和导航提示， 智驾地图则面向自动驾驶系统，提供机器可读的多元结构化环境要素数据，支撑AI感知、路径计划与决 策。 6 资料来源：公开资料、泰伯智库 市场概述 智驾地图与传统导航地图的区别 特征 传统导航地图 智驾地图 主要目的 人类驾驶员路径规划、导航指引 服务自动驾驶系统 (机器)，辅助感知、规划与决策 精度要求 道路级别 (典型精度5-10米) 按需达到车道级或更高精度 (如信号灯等关键要素位 置，<50cm) 更新频率 相对较低 要求高，强依赖众源数据实现近实时或高频更新 服务对象 人类驾驶员 自动驾驶系统 (机器) 价值体现 导航功能本身 (相对价值有限) 赋能智驾功能实现与体验提升，亦可作训练数据源 车辆系统融合 主要用于基础导航显示与座舱交互 与感知、规划、控制系统深度耦合，支撑高阶功能

研究员 刘俊 SAC No. S0570523110003 SFC No. AVM464 karlliu@htsc.com +(852) 3658 6000 研究员 苗雨菲 SAC No. S0570523120005 SFC No. BTM578 miaoyufei@htsc.com +(86) 21 2897 2228 研究员 戚腾元 戚腾元 SAC No. S0570524080002 SFC No. BVU938 qitengyuan@htsc.com +(86) 21 2897 2228 研究员 马梦辰，CFA SAC No. S0570524100001 SFC No. BUM666 mamengchen@htsc.com +(86) 21 2897 2228 行业走势图 的特性，使其在计算效率上实现了显著提升，且降低对供给紧张的外部 GPU 资源依 赖，为中国 AI 大模型开发提供了更可行和更经济的解决方案；另一方面，Deepseek 的开 源模式使其可以本地部署，且有利于提升数据安全性和处理速度，这将加速国内 AI 应用的 开发进程。随着 DeepSeek 的成功面市，我们看好国内 AI 大模型和 AI 应用投资的加速， 带动中国主权 AI 建设和 AI 电力需求快速增长，缩小与海外领先国家的差距。