过去一年，中国人工智能产业交出一份扎实的成绩单。全国人工智能企业数量超过6000家，核心产业规模突破1.2万亿元，同比增长近30%。国产开源大模型在全球累计下载量超过100亿次，中国成为人工智能专利最大拥有国，在全球占比达到60%。
这些数字背后，是技术路线、产业应用、基础设施建设等一系列深层变化。从模型研发到算力统筹，从数据挖掘到行业落地，人工智能正在从“能聊天”走向“能办事”，从科技企业的专属赛道变为千行百业的通用工具。
一、技术重心从规模转向效率
大模型的发展路径正在发生调整。过去几年，行业普遍认为模型性能与参数规模成正比，更大算力、更多数据意味着更聪明的模型。这一逻辑没有完全失效，但边际效益正在递减。越来越多的研发团队发现，同样一个模型，用更精炼的架构、更聪明的算法，可以花更少的成本达到相近甚至更好的效果。
一家国内AI企业年初发表的两篇论文，集中解决了大模型训练中的内存瓶颈和稳定性问题。业界评价认为，新一代大模型的轮廓更加清晰：不再是单纯比拼参数量，而是比拼“智能密度”——用有限资源产出更多智能。
这一转向的直接表现是注意力机制的优化。传统的注意力机制让模型在处理信息时“听每个人说话”，计算量巨大。改进后的稀疏注意力机制让模型只“听关键人物发言”，大幅提升推理效率。类似的技术思路正在被多家研发机构采用，成为提升模型性能的主流方向。
从“拼规模”到“拼密度”，意味着大模型竞赛进入新阶段。基础模型的数量正在收敛，曾经上百家企业同时研发通用大模型的局面已经改变。头部企业继续迭代基础能力，更多参与者转向应用层开发。医疗、金融、工业等垂直领域成为竞争新战场，谁能把模型用起来、用出价值，谁就能拿到下一轮的门票。
二、智能体成为能力延伸方向
聊天机器人像一本“会说话的字典”，能回答问题，但不会主动做事。正在兴起的智能体AI，则像一个“能自主干活的管家”。它可以理解任务目标，规划执行路径，在过程中试错调整，并记住长期交互信息。
这种能力不是凭空产生的，而是在大模型基础上做工程化增强。通过调用工具、连接系统、组合动作，智能体把语言理解转化为实际行动。一家科技公司将自研模型应用到内部900多个场景，从客服、编程到数据分析，让模型成为员工的辅助工具。另一家企业把基础模型研发部和应用模型研发部分开设立，前者负责技术底座，后者专门研究如何让模型解决真实问题。
当前智能体仍处在发展早期。可靠性、长程任务执行、上下文记忆等方面还有明显短板，距离大规模商用还有距离。但方向已经明确：人工智能的竞争焦点正在从“谁更会说话”转向“谁会做事”。
一些研究团队已经开始探索人工智能走出数字世界。具身智能模型让机器人在物理世界中理解指令并执行任务。智能驾驶系统在复杂路况下的应对能力不断提升。未来的人工智能将不只是信息世界的“思考者”，也会是物理世界的“行动者”，甚至可能进入生命科学领域，成为生物智能的“探索者”。
三、算力建设从堆砌转向系统协同
人工智能对算力的需求仍在高速增长，但“买芯片、建机房”的粗放模式正在被系统性工程取代。算力不再只是硬件的堆砌，而是硬件、软件、网络、能源四者精密协作的整体。
国内已建成万卡级智算集群42个，智能算力规模超过1590EFLOPS，位居全球前列。更大规模的集群仍在规划中，单个集群的卡数正从万卡向十万卡、百万卡推进。但硬件规模只是算力能力的一部分，甚至不是最难的部分。
真正的瓶颈在于如何把分散的算力资源高效调度起来。不同厂商的芯片架构不同，软件栈互不兼容，数据中心之间网络带宽有限。一家初创公司开发了跨厂商、跨架构的算力调度平台，让各地算力资源像“空中加油”一样为急需算力的企业提供支援。这种做法正在被更多企业和地方政府采纳。
算力网建设正在走向集约化。东数西算工程已形成八大枢纽节点、十个数据中心集群，枢纽节点智算规模占全国八成以上。国家层面提出推进全国一体化算力网，强化智能算力统筹。跨地域调度平台逐步完善，政府引导、市场运作的协同机制正在建立。
另一个刚性约束是电力。数据中心是高耗能设施，2024年全国数据中心用电量占社会用电量的1.68%。按照中速增长预测，2030年这一比例将升至3%左右，用电量突破4000亿千瓦时；若高速增长，则可能突破7000亿千瓦时。国家引导算力向西部可再生能源富集区布局，企业也在探索绿电直供、分布式新能源等模式。一家头部科技公司的数据中心去年绿电占比已达80%。
算电协同从行业倡议上升为战略方向。把时延敏感的业务放在东部，把冷数据存储和非实时计算放到西部，通过网络优化和智能调度实现整体成本最优，将是算力基础设施竞争力的核心。
四、数据重心从体量转向质量
人工智能三要素——算法、算力、数据——中，数据正在成为最难复制的竞争壁垒。过去十年，数据标注是劳动密集型产业，大量人员在中西部地区用鼠标完成“看图贴标签”的工作。今天，这一行业的门槛正在急剧抬升。
训练一个合格的行业大模型，需要的不再是通用图像或文本，而是沉淀在企业和机构内部的专有知识。医生看CT片子靠的是几十年临床经验，AI要掌握这项能力，就需要医生把经验转化为机器可学习的标注样本。工程师标注自动驾驶车辆在雨雪天气中的交互轨迹，农学专业学生标记水果生长周期的无人机影像，医学硕士生标注肝癌疗效预测的CT影像。这些数据标注岗位的薪酬正在上涨，重点大学本硕博优先的岗位月薪接近两万元。
中国拥有全球规模最大的互联网用户群体，也是唯一拥有联合国产业分类中全部工业门类的国家。从原材料开采到终端产品制造，全链条的数据资源极为丰富。但大量数据处于“存而不用”的状态。医疗数据标准不统一，跨院流通困难；企业担心数据泄密或丧失竞争优势；行业间数据格式差异大，互通成本高。
这些问题正在逐步破解。数据被明确为生产要素，国家层面挂牌成立专门机构统筹数据工作。成都、合肥、沈阳等七个城市建设数据标注基地先行先试，截至去年三季度，已形成医疗、工业、教育等行业高质量数据集超过500个，带动数据标注相关产值163亿元。
数据集建设的重点正在从通用基础数据集转向行业高质量数据集。一项对数据标注企业的调研显示，78%的企业以行业数据集供给为主，重点分布在交通运输、医疗健康、教育教学、工业制造等领域。
当现实数据难以获取或涉及隐私时，合成数据技术开始发挥作用。借助AI生成符合物理规律和业务逻辑的训练数据，正在成为突破数据瓶颈的新手段。数据训练的密度和利用效率，正在取代单纯的堆量成为行业新焦点。
五、产业融合从边缘走向核心
一家建厂70多年的电池企业，正在经历人工智能带来的全流程改变。研发环节用AI配方大模型开发多特性电池，生产环节用AI实时联动设备与工艺实现预警，检测环节引入AI云系统替代人工质检。这不是个别现象。人工智能正在从高科技企业的专属工具，转变为传统产业升级的通用能力。
Token消耗量是观察应用落地速度的一个窗口。2024年初，全国日均Token消耗量约1000亿；去年6月底，这一数字突破30万亿。一年半时间增长300多倍。一家头部模型企业的数据显示，去年12月其日均Token调用量突破50万亿，同比增长超过10倍。业界预测，未来Token消耗将呈现“二八格局”：约80%来自企业，20%来自个人用户。
应用落地的节奏在不同行业存在差异。数字化基础好、人才密集的互联网、金融、政务等领域率先引入大模型；物理资产密集、数字化相对滞后的传统产业落地较慢。但在制造业内部，AI应用的渗透正在从边缘向核心延伸。当前大模型应用超过四成集中在客服等运营管理环节，三至四成在研发环节，生产制造环节的应用比例从2024年的19.9%提升到2025年的25.9%。
汽车、机器人等先进制造企业走在前列。钢铁、石化、能源电力等行业形成较好的应用态势。工信部门已印发专项行动意见，提出到2027年形成特色化、全覆盖的行业大模型，推广500个典型应用场景。从研发设计到生产制造，从运营管理到售后服务，人工智能正在以“小步快跑”的方式嵌入制造业的全流程。
六、社会服务从响应转向预警
人工智能对社会治理的渗透正在从“事后处置”转向“事前预警”。一个村庄的智能监测系统，能及时发现独居老人的异常行为，从预警到网格员上门仅需15分钟。一座城市的“城市大脑”以分钟级发现路面井盖缺失、垃圾堆积等问题。一座大桥上的AI系统能识别行人翻越栏杆、靠近水流等危险行为，与警务部门联动后挽救了20多条生命。
消费领域也在经历类似变化。去年“双十一”购物节，一家电商平台一口气推出六款AI导购应用，从智能搜索、商品筛选到虚拟试衣、购物清单生成，全程介入消费决策。车载语音系统里，用户说一句“想吃麦当劳”，系统就能自动定位最近门店，根据驾驶路线和会员身份推荐套餐。消费起点正在从用户主动搜索逐渐变为算法主动推荐。
终端设备也在升级。智能网联汽车、人工智能手机和电脑、智能机器人、智能家居、智能穿戴等新一代智能终端正在形成一体化全场景覆盖的交互环境。研究机构判断，今年有望成为AI消费终端大规模普及的关键年份。
人工智能还在重新定义技能和教育。一位日语专业毕业生决定辞职攻读计算语言学，在他看来，AI降低了跨界门槛，很多知识壁垒没有想象中高。一家科技公司自主研发的编程助手已被超过九成内部工程师使用，让程序员从重复编码中解放出来，专注于创新。在一所职业大学的课堂上，AI正在手把手教学生写代码，但校长明确说：成功的AI教育不是让学生依赖AI获取答案，而是培养他们用AI创新的能力。
七、安全治理从理念走向制度
人工智能带来的风险正在被更多人所感知。2025年，美国、英国、澳大利亚的权威词典不约而同将年度词汇授予同一个词：AI垃圾内容。大量低质量、无意义、粗制滥造的AI图像和文字充斥互联网，提示人们技术快速演进的同时，隐患也在同步积累。
业内专家将AI风险归纳为几个方面：数据隐私与安全边界模糊、技术滥用与虚假信息传播、算法偏见与决策黑箱。当大模型、智能体与无人车、机器人等物理系统连接起来，智能体之间的协作与博弈一旦失控或被恶意利用，风险等级将大幅抬升。
安全治理正在从柔性指导走向硬性约束。新修改的网络安全法增加了人工智能伦理规范、风险监测评估和安全监管的内容。针对拟人化互动服务的暂行办法向社会公开征求意见，要求服务提供者建立应急响应机制，在用户明确提出实施自杀、自残等极端情境时由人工接管对话。
认证机制开始落地。2024年，国家级研究机构启动大规模预训练模型安全认证，标志着大模型内容安全进入系统化、标准化认证阶段。部分科技企业与研究机构联合发布金融等行业的大模型标准。从研究机构到企业平台，建立健全人工智能安全伦理体系、明确数据使用和责任界定规则，正在成为行业共识。
人工智能是全球性技术，治理也需要全球性协作。参与起草相关国际行动方案的专家指出，构建公平、公正、综合、平衡的人工智能全球治理体系，关乎全人类共同发展。
八、从技术工具到社会基础设施
过去一年中国人工智能发展的诸多变化，可以归结为同一个趋势：人工智能正在从实验室里的技术工具，转变为经济社会的基础设施。
技术路线上，从堆规模转向拼效率，从比拼参数转向比拼落地能力。产业格局上，从上百家企业挤在通用大模型赛道，转向各有侧重、垂直深耕。应用场景上，从客服、编程等标准化环节，延伸到生产制造、城市治理、医疗教育等核心领域。治理方式上，从鼓励创新为主，转向发展与规范并重。
这一转变并非自然发生。它得益于过去几年算力、算法、数据三要素的持续积累，也得益于制造业门类齐全、互联网生态活跃、政策响应及时等结构性优势。更重要的是，越来越多的人开始把人工智能当作解决问题的手段，而不是炫技的工具。
电池厂的配方优化、村里的独居老人守护、程序员身边的编码助手、医生手边的影像分析工具——这些分散在千行百业的“小场景”，正在汇聚成人工智能与经济民生深度融合的“大场面”。这条路没有捷径，也没有终点，但方向已经清晰可见。
