并产生了明显的经济效益和社会效益。 特别是在中国, AI 的风起云涌恰逢波澜壮阔的企业智能化浪潮,体现在《中 国企业智能化成熟度报告 (2024) 》 (以下简称《报告》) 中,便是千行百业如 雨后春第般地开始探索与迈进各自的智能化发展旅程,从智能制造领域的智能生 产线优化,到医疗行业的辅助诊断与疾病预测,再到交通领域的智能调度与拥堵 缓解, AI 技术如同流水 悄无声息又快速地填满了企业运营的各个环节 静水流 深地改变了企业的运营模式和人们的生活方式。 在今年的调研中, 我们将企业智能化成熟度量表做了刷新, 针对智能体转型 "领先者们" 的衡量标准 也即 L4 和 L5 水平的要求,进一步明确了企业智能 体的布局、探索、应用的水平,希望在 AI 2.0 时期的新要求、高要求,对企业利 用新 AI 技术实现跨越式发展提供一定面向未来的指引。 作为率先布局全栈 AI 的领军者, 企业聚焦数据、算力和算法, 积极投身 到智能 基础设施领域的 "一横五纵" ,再到面向不同客群的智能解决方案领域的 "一擎 三箭" , 全方位勾勒出人工智能蓬勃发展的壮丽画卷, 为新质生产力的茁壮成长 培土施肥。 从企业的实践与探索中, 我们也看到, 与以往的技术革命不同, 此次 AI 带 来的革命是一场全方位的变革。 它并非仅靠单一技术的突破来驱动, 而是技术、 产品与生态的协同共进。在技术层面,深度学习、 机器学习、自然语言处理等前

在编码相关的任务中表现出专家水平， 在 Codeforces 上获得了 2029 Elo 评级，在竞赛中表现 优于 96.3% 的人类参与者 DeepSeek-R1 在知识类问答上推动科学探索边界： MMLU \ MMLU-Pro \ GPQA Diamond 等 STEM- related 榜单上取得良好表现 R1 展现出强推理模型在 AI-Driven Research Test-Time Search ）的增长，模型性能（例如数学推理能力）也会随之提 升 Post-Training Scaling Laws 下 训练时计算量 多了一个新的变量： Self-Play 探索时 LLM Inference 的计算量 回顾： Post-Training Scaling Law response length 逐 渐增加（对应着 test-time computation increasing ） Aha moment: 自然学会增加更多的推理时间，反思评价先前步骤、 探索其他方法 DeepSeek-R1 Zero: 无需监督微调 SFT ，纯强化学习驱动的强推理模型 DeepSeek-R1 技术剖析： DeepSeek-R1 Zero

设备、智能运营等方面的基础共性标准，完善相关技 术要求、测试方法等，充分发挥标准对产业发展的引领和推动 作用。同步探索算力计量、感知、调度、互通、交易等方面标 准建设，支撑算网融合产业化发展。 专栏 1 算力供给提升行动 一是持续开展国家算力中心典型案例遴选，鼓励各方主体 创新探索智能计算中心建设运营模式和多方协同合作机制。二 是举办中国算力大会，凝聚产业共识，开展算力技术、产品、 应用 应用的宣传推广，营造算力发展的良好氛围。三是持续发布《中 国综合算力指数》，对全国算网存能力进行综合评价。 （二）提升算力高效运载能力 1. 优化算力高效运载质量。探索构建布局合理、泛在连接、 灵活高效的算力互联网。增强异构算力与网络的融合能力，通 过网络的应用感知和资源分配机制，及时响应各类应用需求， 实现计算、存储的高效利用。针对智能计算、超级计算和边缘 5 计算等场景，开展数据处理器（DPU）、无损网络等技术升级 术应用，实现网络传输智能高效、灵活敏捷、按需随选。 4. 探索算力协同调度机制。推动以云服务方式整合算力资 源，充分发挥云计算资源弹性调度优势。鼓励各方探索打造多 层次算力调度架构体系，建设可满足各类创新主体开展多元异 构算力调度、应用、研发、验证的平台环境。依托国家新型互 联网交换中心、骨干直联点等设施，促进多方算力互联互通。 专栏 2 算网融合发展行动 一是探索建设多层级算力调度平台，逐步实现多元异构算

从解决现实问题的AI，走向解决科学问题的科学型AI 大模型AI 智能体AI 物理AI 科学AI 10 政企、创业者必读 面对全球大模型产业之争，要打赢「三大战役」 AGI之战 应用场景之战 大模型安全之战 • 探索超越人类的超级人工 智能AGI • 不仅是科技之争，更是国 运之争 • 不发展是最大的不安全， 发挥举国体制优势，打赢 追赶之战 • 大模型带来前所未有安全 挑战 • 外挂式传统安全手段难以 全面超越人类的人工智能在逻辑上不成立 政企、创业者必读 15 DeepSeek出现之前的十大预判 之二 慢思考成为新的发展模式  大模型发展范式正在从「预训练」转向「后训练」和「推理时计算」  大模型厂商都在探索慢思考、思维链技术 政企、创业者必读 DeepSeek出现之前的十大预判 之三 模型越做越专  除了少数科技巨头，大多数公司都专注于做专业大模型  MoE架构盛行，本质是多个专家模型组成一个大模型 Deepmind的Alpha系列产品是这一趋势的最佳诠释 16 政企、创业者必读 DeepSeek出现之前的十大预判 之四 模型越做越小 17  大模型进入「轻量化」时代，上车上终端，蒸馏小模型  先做得更大，然后探索能做多小 政企、创业者必读 DeepSeek出现之前的十大预判 之五 知识的质量和密度决定大模型能力  高质量数据、合成数据使模型知识密度的快速增长  大模型能以更少的参数量达到更高的性能

市场概述 智驾地图的定义、核心特征与要素 高精地图主导 高精几何+语义 - 依赖高精度传感器 - L3/L4 早期探索 - 成本高/更新难 轻地图兴起 Light Map / SD Pro - 平衡成本与功能 - 支撑城市NOA落地 - 众源更新探索 轻地图成为主流 重语义/拓扑/规划 - 与端到端算法深度 融合 - 地图成为在线先验 与离线训练数据源 - 市场分析 细分市场-按车企类型 车企类型 地图技术路线 核心诉求 供应商合作模式 数据闭环 总体策略 头部自研型 (如: 华为ADS, 理想) 轻地图+自研核心 (主) (部分保留HD Map探索) 技术掌控, 差异化 体验 基础数据采购/合作 + 自研 强依赖自身车队 数据 投入大，目标自研搞定核 心能力（含地图相关模 块），对外部依赖相对小 快速追赶型 (如: 小米) 取混合策略（如基础图+ 自研更新） 传统大厂转型 (如: 比亚迪，吉利, 长安，长城) 多路线并行 (轻/HD/合作) 快速补齐能力, 规 模化 多供应商策略, 合作/采购 探索中, 合作/自建并存 加大投入，内部多团队尝 试不同路线，倾向组合外 部供应商（芯片、软件、 图商）快速上量 外资车企 (在华) (如: 特斯拉、通用) 轻地图 (依赖本土伙伴)

3、质量管理：机器视觉检测大量取代人工检测 ............ 12 4、安全管理：在部分重化工业存在一定需求 .............. 13 5、试验验证和产线优化：仅在部分龙头企业开展探索 ...... 13 （二）应用行业：重点用于汽车、电子、金属三大行业 ..... 14 1、汽车：关注精细生产、高效物流和外观检测 ............ 15 2、半导体：重点在质量管理和柔性操作 系统，助力制造业数字化转型、智能化变革。2024 年 6 月 24 日，国 家发展改革委印发《关于打造消费新场景培育消费新增长点的措施》， 提到要拓展智能机器人在清洁、娱乐休闲、养老助残护理、教育培训 等方面功能，探索开发基于人工智能大模型的人形机器人。 （三）工业领域将成为短期内智能机器人应用落地的主战场 自动化水平高、结构化、封闭式的工业场景是当前技术条件下智 能机器人最大的应用市场。工业环境相对标准化，生产流程固定，对 ，快速探索随机树 （RRT）算法能够先构建一条复杂但可行的路径，然后对其进行优化 来避免碰撞。另外，蚁群算法、粒子群算法等群体算法能够通过模拟 自然界生物群体的行为，实现群体优化协调。在感知交互方面，基于 机器视觉技术的识别类模型应用比较成熟，在机器人的操作取物、移 动避障等各类功能中应用广泛，部分企业甚至开始了针对表面缺陷、 产品特征识别、安全巡检等难度较高任务的深度学习探索；基于语音

， 同时加速跨模态融合，并在推理效率优化和新型注意力机制等方面持续探索，推动AI产业向更 高水平迈进。 宏观环境 产业动态 发展趋势 1）市场规模增速略低于预期：2024年中国AI产业规模为2697亿元，增速26.2%，略低于预期。 主要原因为大模型在实际业务场景的表现未完全满足客户需求，且建设成本较高，较多项目仍 处于探索阶段。 2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 Scaling Law是否失效？思维链、强化学习、后训练可提升模型训练ROI 来源：艾瑞咨询研究院自主研究绘制。 AI技术动态 Scaling Law 演进：Scaling未到尽头，各家仍在积极探索，探索大模型能力边界 思维链 CoT 优化：强化学习完成推理侧优化，在复杂计算、科学研究等方向持续加强 跨模态响应：将大语言模型、视觉理解模型及和视觉生成模型等能力实现高阶融合 • 大模型Scaling 2024年，大模型驱动的人工智能市场增长低于预期，主要因为大模型在真实业务场景中的表现未能完全满足部分客户的需求，且建设成本 较高，企业需在数据基础、算力资源及组织机制等方面投入较多资源，导致多数项目处于尝试探索阶段，难以规模化落地；另一方面，模 型计算成本下降叠加供应商间激烈竞争，模型调用的费用持续降低，进一步限制了市场增长。 2025年初，DeepSeek刷新了市场对大模型现阶段性能的认知，其开源策略结

， 同时加速跨模态融合，并在推理效率优化和新型注意力机制等方面持续探索，推动AI产业向更 高水平迈进。 宏观环境 产业动态 发展趋势 1）市场规模增速略低于预期：2024年中国AI产业规模为2697亿元，增速26.2%，略低于预期。 主要原因为大模型在实际业务场景的表现未完全满足客户需求，且建设成本较高，较多项目仍 处于探索阶段。 2）算力需求结构性转变：2024年部分地区智算中心出现闲置，但这主要是供需错配导致。随 Scaling Law是否失效？思维链、强化学习、后训练可提升模型训练ROI 来源：艾瑞咨询研究院自主研究绘制。 AI技术动态 Scaling Law 演进：Scaling未到尽头，各家仍在积极探索，探索大模型能力边界 思维链 CoT 优化：强化学习完成推理侧优化，在复杂计算、科学研究等方向持续加强 跨模态响应：将大语言模型、视觉理解模型及和视觉生成模型等能力实现高阶融合 • 大模型Scaling 2024年，大模型驱动的人工智能市场增长低于预期，主要因为大模型在真实业务场景中的表现未能完全满足部分客户的需求，且建设成本 较高，企业需在数据基础、算力资源及组织机制等方面投入较多资源，导致多数项目处于尝试探索阶段，难以规模化落地；另一方面，模 型计算成本下降叠加供应商间激烈竞争，模型调用的费用持续降低，进一步限制了市场增长。 2025年初，DeepSeek刷新了市场对大模型现阶段性能的认知，其开源策略结

07 解码DeepSeek,) 构建医药⾏业新质⽣产⼒ 腾讯健康 李慧 ⽬录 • 从DeepSeek看⼈⼯智能发展趋势 • ⼤模型及DeepSeek潜在应⽤场景探索 从DeepSeek看⼈⼯智能发展趋势 AI离我们越来越近，越来越密集的“加速”信号 4 “AI”概念⾯世 1950s 2012 CNN,$⼈脸识别 Alpha, ⼤战李世⽯ 2017 2022 Chatgpt 幻觉⾼=“创造⼒税“ 底层⼤模型各有所长 幻觉情况1 11 数据来源：1.(Vectara(HHEM⼈⼯智能幻觉测试； 2.(腾讯健康内部测试数据，通过⾼质量医学病历数据 ⼤模型及DeepSeek潜在应⽤场景探索 DeepSeekJ会给医药企业带来哪些变化？ DeepSeek有哪些应⽤场景？能产⽣哪些价值？ 13 提升新药研发和 临床管理效率 数字化内部流程 提效 数据驱动的 多渠道营销 更个性化、互动 检索药监、⽂献、临床指南、申报⼚家 数量等选择潜在靶点（需RAG未公开数据） • 知识图谱可关联临床试验数据与RWE 试验，去观察有潜⼒的适应症 研发⽅向探索 • 患者分层：基于⼤模型的语义理解能⼒， 从历史数据中识别符合⼊组标准的“数 字孪⽣”患者群体，提⾼招募效率 • 剂量探索：通过强化学习算法模拟不同 剂量⽅案的效果，缩短1期的试验周期 试验设计优化 • 去中⼼化试验⽀持：居家数据采集与依 从性管理

开放合规的全 球服务体系等。IDC调研显示，目前，超过一半的中国企业处于复杂多云阶 段，而处于有序复杂和战略价值实现阶段的企业不到�/�，从整体上看，企业 在提高多云成熟度方面还有很长的路需要探索。 面向通用人工智能技术高速发展的新时代，企业有必要重点围绕AI应用需求 构建多云能力。即以应用为导向，以创造业务价值为目标，确保所选技术和 策略能够直接支持业务创新发展，发挥大模型优势，提升业务价值，并通过 在业务变化加速和多元化市场竞争态势的影响下，企业的生存和发展都面临诸多 新的挑战。对企业管理者而言，业务持续受到各类不确定因素的影响，运营管理 和决策的难度不断增加。企业如何快速聚焦有利因素，保障核心业务的稳定发 展，并适时探索新业态、新模式，寻找第二增长曲线，是企业自上而下最为关注 的话题。 企业IT架构的演进，应始终与企业业务发展保持高效的协同。在企业上云已经进 入深水区的今天，每一次云策略的调整都必然关联到未来一段时期的业务发展目 来源：IDC，���� 初步探索期 快速增长期 巩固期+ 新一轮探索期 试点建设，小规模部署和应用 灵活扩展支持业务增长 资源持续整合优化+ 面向未来的布局和规划 �� 在经历初创期的IT系统快速交付后，企业需要不断思考IT系统的灵活扩展、整合 优化以及面向未来的统筹规划问题。大多数企业在业务与数字化的协同发展中， 都普遍经历了以下典型阶段： 初步探索期：业务发展伊始，企业往往采用试点验证的思路，小幅投入IT资