飞等推出自研大模型，并将大模型接入业务系统，提升运行效率和用户使用体验。例如阿里巴巴推出的Qwen系列开源大模型，在性能、多模态覆盖、参数规模、部署灵活性等方面均显著提升。截至今年2月，在海内外开源社区中，基于Qwen的衍生模型已超9万个。同时，月之暗面、深度求索、智谱AI等一大批初创企业不断涌现，呈现蓬勃发展态势，深度求索的DeepSeek开源大模型性能全球领先。从分布上来看，人工智能企业主要集中在北京、上海、深圳、杭州等地，其中北京产业优势最为突出，现有人工智能企业超2400家，核心产业规模突破3000亿元，形成全链条完整布局，备案上线款，居全国首位。

　　等企业通过低价或免费策略抢占市场，百度文心一言的VIP服务也已转为免费模式。语音助手成为手机、智能音箱等智能硬件的一个功能，难以独立收费。但在企业服务领域，智能客服应用持续拓宽和深化，2023年智能客服市场规模39.4亿元，金融、电商、消费零售、生活服务行业应用规模占比超70%。

　　在金融领域，金融服务公司利用人工智能技术进行用户画像、风险管理以及智能投顾，服务水平大幅提升。银行、信贷公司通过人工智能大模型系统分析工商、供应链数据等多维度复杂信息，实现小额贷款快速评估，有效降低了不良贷款率。例如，江苏银行使用DeepSeek动态信用模型，风险评估准确率提升约35%，招商银行、平安银行等通过大模型系统评估用户投资偏好，为其智能推荐结构性理财产品，转化率大大提高。

　　在智能制造领域，人工智能大模型渗透研发、生产、运维等全链条，推动制造业向智能化、柔性化、高效化升级。通过大模型与EDA技术结合，可快速生成多版本设计方案，同时利用强化学习评估性能参数，显著缩短研发周期，解决了传统流程依赖人工经验导致的设计效率低、多目标优化难以平衡等问题。产业设计环节，通过数字孪生技术优化产线设计，缩短产线调整周期，有效降低了额外成本。通过分析传感器和设备日志数据，还能对设备进行预测性维护，减少停机时间、降低维修成本。同时，机器在矿产开采领域，人工智能在勘探、生产、安全等环节得到应用，帮助企业有效提升效率、优化成本。具体来看，云鼎科技开发的矿山大模型应用于化工行业，可精准预测甲醇精馏、低温甲醇洗、炼焦配煤等流程的最优工艺参数，提高产品质量，进一步降低生产成本。在智能网联汽车领域，人工智能已广泛应用于产品设计、智能座舱研发、自动驾驶等层面。通过大模型应用，可根据用户需求快速生成外观设计图，大大缩短了产品设计周期。以智能驾驶为例，截至2024年末，具备L2级组合辅助驾驶功能的乘用车新车销售占比达57.3%，具备领航辅助驾驶功能的新车渗透率为13.2%，随着人工智能技术的算法创新与场景应用深度融合，催生出Robotaxi运营、无人物流配送、智能道路基础设施建设运维等一系列新业态。

　　DeepSeek的出现开辟了一条新的技术路线，无需堆砌算力，通过算法和模型架构优化为低成本发展提供了可能。但也要看到，加快人工智能产业化进程，我国在核心技术攻关、产业生态构建等方面还有待进一步突破。

　　核心技术层面，算力基础尚未完全自主可控成为掣肘。与美国相比，我国在芯片架构、核心算法及软件工具链领域仍存在代际差距，技术成熟度不足导致大模型训练效率与实时应用场景拓展受限。算法领域取得了重大进展，但底层框架高度依赖开源体系，类脑智能、多模态融合等前沿领域缺乏性突破。同时，技术适配性不足成为人工智能与行业结合、推动场景落地的主要瓶颈之一。单一模型难以应对复杂场景，多模型协同与集成学习亟待突破。以制造业为例，产线设备参数与工艺流程的异构性要求AI系统既具备跨场景知识迁移能力，又能精准嵌入行业特有经验，但现有模型对隐性工艺知识的抽象建模能力还较为薄弱。破解这一难题，需突破多模态感知融合、边缘计算实时决策、行业知识图谱与模型泛化协同等技术壁垒。

　　产业生态建设方面，科技龙头企业积极推动技术开源，但中小企业协同发展的生态尚未形成。在工业制造、医疗健康、能源石化等垂直领域，由于缺乏行业主体深度参与或主导，往往只能以应用方的单一角色浅尝辄止，难以从行业战略、技术研发、业务流程、应用场景等多个维度进行深度整合。行业专有服务平台建设略显滞后，企业难以获取专业技术支持，数据质量参差不齐、算力分配不均、行业标准缺失等问题制约了规模化应用。资本层面，人工智能投资放缓，中国工业互联网研究院数据显示，2024年美国在人工智能领域投资额约641亿美元，我国约为55亿美元。

　　值得注意的是，由于大模型研发投入大而收益不确定性高，目前行业应用多停留在试点阶段，形成商业闭环仍面临挑战。例如，工业生产场景对精度、可靠性的严苛要求，与现有生成式人工智能的专业理解短板形成错位；技术迭代速度与企业消化能力脱节，导致适配难度加大；企业盈利模式不确定，主流的API调用、订阅制、项目制尚未实现可持续盈利。以OpenAI为例，预计2029年有望盈利，2026年亏损或达140亿美元，是2024年预期亏损的3倍。头部企业通过免费模式抢占市场，但数据资产转化、技术迭代降本、垂直场景价值挖掘的闭环尚未打通，持续投入与收益平衡成为破局关键。

　　我国有超大规模市场的旺盛需求，拥有全球最完整的工业体系，需持续发挥场景优势、加速应用创新，推动人工智能产业迈向更高水平。

　　一是强化顶层设计。将推动人工智能产业发展纳入“人工智能+”总体战略部署，开展多维度、多阶段系统布局和强化政策支持。发挥超大规模市场、产业体系完备、应用场景丰富等优势，有效整合数据、知识、人才资源，夯实算力基础，深入挖掘垂直领域应用场景，实施一批产业创新及应用示范工程。

　　二是攻克关键核心技术。人工智能关键核心技术是行业发展的重中之重。核心产业技术方面，重点支持基础科研和大模型技术攻关，鼓励企业与科研机构协同合作，集中优势资源突破技术瓶颈，为产业发展筑牢根基。同时，着力建设自主可控的AI软件工具系统，摆脱对CUDA等国外技术生态的依赖，开发具有自主知识产权的计算平台，基于开源开放和国产化平台开展原生大模型开发和应用创新。行业应用的核心技术方面，鼓励龙头企业牵头组成创新联合体，聚焦行业关键共性场景联合开发深度学习、机器学习等核心算法模型，通过持续创新不断提升模型的性能与精度，推动专用多模型“垂直做精”与通用大模型“横向扩展”形成互补。

　　三是完善产业体系形成发展合力。首先，将人工智能作为战略性新兴产业，加大技术研发、模型训练、应用推广等各环节产业主体和平台建设力度。鼓励科技领军企业发挥技术引领带动作用，构建开放包容的开源生态，支持中小企业深耕垂直细分领域，打造“独门绝技”，在新赛道脱颖而出。其次，聚焦工业制造、医疗健康、能源、金融等垂直领域，引导行业主体深度参与人工智能产业布局。加快专有服务平台建设，为企业提供专业技术支持、解决方案和咨询服务，支持第三方机构搭建开源模型适配平台。再次，加强算力等基础设施建设，加快公共数据开放和企业数据流通，支持模型应用、数据服务等相关企业组建联合体，开发高质量数据集，发展“数据即服务”“模型即服务”等新业态，同时完善人工智能监管制度以及应用标准，为企业开展数据合规认证、隐私保护、模型安全评估等提供依据。

　　四是构建协同创新的产业生态。聚焦重点领域人工智能应用面临的共性问题，推动行业场景和数据开放，打造“AI+千行百业”的协同创新生态。一方面，围绕能源化工、高端制造、材料、生物等重点领域建设行业大模型应用创新工程中心，有序组织科技领军企业、科研机构、行业龙头企业、高等院校等优势力量，面向垂直细分领域应用需求，推动大模型技术与行业知识、工艺等紧密结合，以强大的工程化能力驱动人工智能产业发展。另一方面，强化需求侧管理，鼓励在PC端、手机端推广AI应用，提高国产GPU、CPU和软件的市场占有率，有效扩大人工智能核心产业规模。鼓励企业创新商业模式，支持其通过技术红利、数据资产积累重构商业模式，在垂直场景中挖掘深度价值，实现数据资源向数据资产转化，推动人工智能产业可持续发展。