7月27日，在2025世界人工智能大会“智慧中信•共创新可能”科产融创新发展论坛上，中信智库发布《AI新纪元：砥砺开疆・智火燎原》AI+产业发展深度研究报告。
报告认为，AI大模型向更强、更高效、更可靠方向发展，呈现推理模型深化、智能体模型爆发的格局。美国在探索更强大模型上保持全球领先，中国企业则在算力受限下实现高效性全球领先。2025年是Agent元年。推理需求带动算力需求爆发，国内算力自主可控趋势凸显。2025年是AI应用加速落地之年。本轮AI渗透较互联网时代大幅提速，B端落地进程或超预期。
中信智库专家委员会主任，中信建投证券党委委员、执委会委员武超则在当日论坛上介绍，该份报告长达40万字，500页的篇幅，内容贯穿AI垂直产业链核心环节，从底层算力基础设施到中层大模型技术迭代，再到终端应用场景落地，实现软硬件研究全链路贯通。报告全面拆解AI模型、应用与算力，勾勒了AI新纪元产业图谱，立足全球最新AI大模型演进趋势，以全球化视野系统解码全球人工智能产业最新发展脉络，全方位挖掘横跨软硬领域的人工智能产业投资机遇。
更强大、更高效、更可靠武超则从“AI大模型发展情况及展望、AI算力基础设施发展趋势及展望、AI应用发展趋势及展望及AI端侧发展趋势及展望”等四大方面介绍了这份《AI新纪元：砥砺开疆・智火燎原》AI+产业发展深度研究报告主要内容。
武超则指出，AI大模型继续向更强大、更高效及更可靠的方向发展。一是参数量规模扩大性能提升依然有效，二是后训练部分强化学习明显提升了大模型的推理性能；三是模态融合越来越丰富，原生多模态较好地解决了输入延迟等问题；四是迈向 AGI 核心任务之一是拓展能力树，大模型不能停留在纸上谈兵阶段。Agent 的出现将快速把大模型能力从“做题”延伸到“工作”中，更为有趣的是，生物群落带来生物群体智能涌现，多智能体群聚也将带来 AI 群体智能涌现，进一步提升大模型性能；五是实时数据集成和检索增强生成：2025 年大模型在实时数据集成能力上呈现显著提升态势，有效地降低了幻觉；六是合成数据：数据紧缺比较明显，合成数据极大地扩充了数据范围，Kimi K2在Agent上使用大量合成数据有了明显性能提升。更高效方面，则是架构上做了新的创新以及使用了更低精度。
进入 2025 年，大模型的应用落地进程呈现显著加速态势，ChatGPT 用两年零一个季度的渗透率大致对应 PC 互联网 10 年的渗透进度 AI 大模型对产业的渗透速度超过此前互联网革命，并且其展现出来的商业化潜力和付费意愿也超过传统应用。
2025年是Agent元年武超则还指出，多模态商业化的进展迅速。国产 AI 视频与海外模型各有千秋。应用上， C 端聚焦社交娱乐（如快手可灵的视频特效）， B 端侧重营销素材与商品图创作（如美图设计室），专业领域（如影视制作）通过 AI 降本增效显著。
据不完全统计， 2025 年上半年有全球有超 30 款多模态模型更新或发布，其中超 75%为国产模型。国产模型尺寸上均支持多种规格；时长上国产可灵达 2 分钟，部分推理更快；效果上国产多次登顶全球榜单；使用门槛上，国产多端可用、价格更低。
而推理需求正带动算力需求爆发，一是各家互联网大厂纷纷加速 AI 与原有业务结合，核心是用户数量大幅增长，如Google搜索和AI结合； 二是 Agent ，Agent 执行一次任务平均消耗 token 达到 10 万的量级，大幅超过 AI 搜索单次问答 token消耗； 三是多模态，一分钟视频的生成 token 消耗基本在 10 万 token 至百万 token 量级。
具身智能商业化加速落地武超则进一步指出，从企业端 AI 应用渗透率方面看，美国企业采用 AI 技术比例为 9.2%，低于 C 端。这其中，美国大型企业的采用率最高。 而容错率与复杂度决定 B 端各场景 AI 应用落地顺序。 其模型推理能力决定复杂任务场景突破速度，模型幻觉率决定容错率场景突破进度。从高容错、单一任务的AI+编程场景到低容错、高复杂度的具身智能/AI+制药场景， AI 应用尚需一定时间周期。
目前AI应用最快的几个领域，都具备容错率高、复杂度低的特征。比如，应用最快的AI+编程，目前主流大模型的基础代码生成准确率普遍较高，已经在互联网、游戏等行业渗透率超过80%。微软表示公司代码库有20%-30%由AI生成。中美是全球AI编程领域的领先者，但二者的技术路径有所差异。美国在通用性、准确性、商业化、开发者体验方面更具优势；中国在本土化、行业场景、价格方面具有一定优势。
复杂度不高但容错率低的如金融领域，AI通过有效降低了传统组织转型中的高协调成本，实现自下而上的变革驱动。AI作为“认知杠杆”，推动金融机构从流程自动化向数据驱动的智能决策跃迁。目前中信建投研究所首次将千亿参数级金融大模型与研究所二十年投研积淀深度结合，开创24*7智能投研服务新模式。日均访问量近百次，单次处理信息量超百万token。
复杂度高、容错率低的典型场景也不少，比如具身智能。目前机器人大模型训练方式已经开始向端到端大模型+世界模型（物理规则建模）发展，同时模态能力也越来越丰富，从 VLM 过渡到 VLA，典型的是 Gemini Robotics（ 2025.3）已实现视觉-语言-动作（ VLA）三模态深度融合，推动机器人从感知理解走向高频执行。目前具身智能大模型仍有数据集不够、思考跟不上运动、缺乏生态等主要痛点，但随着合成数据使用、模型持续迭代，未来将有效解决上述问题。随着大模型快速迭代，供应链快速降本，两大因素加速以人形机器人为代表的具身智能商业化落地。
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。通弘网提示：文章来自网络，不代表本站观点。
