7月27日，在2025世界人工智能大會“智慧中信?共創新可能”科產融創新發展論壇上，中信智庫發布《AI新紀元：砥礪開疆?智火燎原》AI+產業發展深度研究報告。

報告認為，AI大模型向更強、更高效、更可靠方向發展，呈現推理模型深化、智能體模型爆發的格局。美國在探索更強大模型上保持全球領先，中國企業則在算力受限下實現高效性全球領先。2025年是Agent元年。推理需求帶動算力需求爆發，國內算力自主可控趨勢凸顯。2025年是AI應用加速落地之年。本輪AI滲透較互聯網時代大幅提速，B端落地進程或超預期。

中信智庫專家委員會主任，中信建投證券黨委委員、執委會委員武超則在當日論壇上介紹，該份報告長達40萬字，500頁的篇幅，內容貫穿AI垂直產業鏈核心環節，從底層算力基礎設施到中層大模型技術迭代，再到終端應用場景落地，實現軟硬件研究全鏈路貫通。報告全面拆解AI模型、應用與算力，勾勒了AI新紀元產業圖譜，立足全球最新AI大模型演進趨勢，以全球化視野系統解碼全球人工智能產業最新發展脈絡，全方位挖掘橫跨軟硬領域的人工智能產業投資機遇。

更強大、更高效、更可靠

武超則從“AI大模型發展情況及展望、AI算力基礎設施發展趨勢及展望、AI應用發展趨勢及展望及AI端側發展趨勢及展望”等四大方面介紹了這份《AI新紀元：砥礪開疆?智火燎原》AI+產業發展深度研究報告主要內容。

武超則指出，AI大模型繼續向更強大、更高效及更可靠的方向發展。一是參數量規模擴大性能提升依然有效，二是后訓練部分強化學習明顯提升了大模型的推理性能；三是模態融合越來越豐富，原生多模態較好地解決了輸入延遲等問題；四是邁向 AGI 核心任務之一是拓展能力樹，大模型不能停留在紙上談兵階段。Agent 的出現將快速把大模型能力從“做題”延伸到“工作”中，更為有趣的是，生物群落帶來生物群體智能涌現，多智能體群聚也將帶來 AI 群體智能涌現，進一步提升大模型性能；五是實時數據集成和檢索增強生成：2025 年大模型在實時數據集成能力上呈現顯著提升態勢，有效地降低了幻覺；六是合成數據：數據緊缺比較明顯，合成數據極大地擴充了數據范圍，Kimi K2在Agent上使用大量合成數據有了明顯性能提升。更高效方面，則是架構上做了新的創新以及使用了更低精度。

進入 2025 年，大模型的應用落地進程呈現顯著加速態勢，ChatGPT 用兩年零一個季度的滲透率大致對應 PC 互聯網 10 年的滲透進度 AI 大模型對產業的滲透速度超過此前互聯網革命，并且其展現出來的商業化潛力和付費意愿也超過傳統應用。

2025年是Agent元年

武超則還指出，多模態商業化的進展迅速，國產 AI 視頻與海外模型各有千秋。應用上， C 端聚焦社交娛樂（如快手可靈的視頻特效）， B 端側重營銷素材與商品圖創作（如美圖設計室），專業領域（如影視制作）通過 AI 降本增效顯著。

據不完全統計， 2025 年上半年有全球有超 30 款多模態模型更新或發布，其中超 75%為國產模型。國產模型尺寸上均支持多種規格；時長上國產可靈達 2 分鐘，部分推理更快；效果上國產多次登頂全球榜單；使用門檻上，國產多端可用、價格更低。

而推理需求正帶動算力需求爆發，一是各家互聯網大廠紛紛加速 AI 與原有業務結合，核心是用戶數量大幅增長，如Google搜索和AI結合； 二是 Agent ，Agent 執行一次任務平均消耗 token 達到 10 萬的量級，大幅超過 AI 搜索單次問答 token消耗； 三是多模態，一分鐘視頻的生成 token 消耗基本在 10 萬 token 至百萬 token 量級。

具身智能商業化加速落地

武超則進一步指出，從企業端 AI 應用滲透率方面看，美國企業采用 AI 技術比例為 9.2%，低于 C 端。這其中，美國大型企業的采用率最高。 而容錯率與復雜度決定 B 端各場景 AI 應用落地順序。 其模型推理能力決定復雜任務場景突破速度，模型幻覺率決定容錯率場景突破進度。從高容錯、單一任務的AI+編程場景到低容錯、高復雜度的具身智能/AI+制藥場景， AI 應用尚需一定時間周期。

目前AI應用最快的幾個領域，都具備容錯率高、復雜度低的特征。比如，應用最快的AI+編程，目前主流大模型的基礎代碼生成準確率普遍較高，已經在互聯網、游戲等行業滲透率超過80%。微軟表示公司代碼庫有20%-30%由AI生成。中美是全球AI編程領域的領先者，但二者的技術路徑有所差異。美國在通用性、準確性、商業化、開發者體驗方面更具優勢；中國在本土化、行業場景、價格方面具有一定優勢。

復雜度不高但容錯率低的如金融領域，AI通過有效降低了傳統組織轉型中的高協調成本，實現自下而上的變革驅動。AI作為“認知杠桿”，推動金融機構從流程自動化向數據驅動的智能決策躍遷。目前中信建投研究所首次將千億參數級金融大模型與研究所二十年投研積淀深度結合，開創24*7智能投研服務新模式。日均訪問量近百次，單次處理信息量超百萬token。

復雜度高、容錯率低的典型場景也不少，比如具身智能。目前機器人大模型訓練方式已經開始向端到端大模型+世界模型（物理規則建模）發展，同時模態能力也越來越豐富，從 VLM 過渡到 VLA，典型的是 Gemini Robotics（ 2025.3）已實現視覺-語言-動作（ VLA）三模態深度融合，推動機器人從感知理解走向高頻執行。目前具身智能大模型仍有數據集不夠、思考跟不上運動、缺乏生態等主要痛點，但隨著合成數據使用、模型持續迭代，未來將有效解決上述問題。隨著大模型快速迭代，供應鏈快速降本，兩大因素加速以人形機器人為代表的具身智能商業化落地