行业趋势 - 越来越多的消费者习惯在购物前先向AI提问，这正在改变零售业的购物流程 [1] - 生成式AI和“智能体商业”预计将推动全球零售市场在2030年达到3万亿至5万亿美元的潜在规模 [1] 公司合作与竞争 - 美国零售业巨头沃尔玛与科技公司谷歌合作，将谷歌的生成式AI聊天机器人Gemini整合进购物流程，旨在帮助消费者更快发现商品、比价并完成购买 [1] - 科技公司微软近期也加入竞争，在其AI对话中为用户提供商品推荐和结账服务 [1]

行业技术演进核心观点 - 2025年人工智能技术演进的核心特征是“暴力美学”时代的终结，行业从单纯堆砌参数转向基础研究，重点突破流体推理、长期记忆、空间智能和元学习等领域，以解决通往AGI的能力不平衡问题 [2] 技术能力进展量化评估 - 根据CHC认知理论框架评估，2025年AI在多项关键能力上取得显著进步：即时推理能力从2023-2024年的0%提升至2025年晚期的8%，长期记忆存储从0%提升至3%，视觉处理从0%提升至5%，工作记忆从2%提升至6%，数学能力在2025中期达到10% [3] - 部分能力在2025年达到平台期：一般知识在2025中期达到9%后持平，读写能力在2025中期达到10%后持平，数学能力在2025中期达到10%后持平，听觉处理在2025中期达到6%后持平 [3] - 处理速度在2025晚期达到6%，较2025中期的3%有所提升 [3] 流体推理与Test-Time Compute革命 - 2025年最重要的范式革新是Test-Time Compute的诞生，其核心理念是智能不仅是参数的函数也是时间的函数，代表模型如OpenAI o1和DeepSeek R1通过在推理阶段投入更多计算资源进行“慢思考”，实现了推理能力从0到8的质变 [6] - 强化学习是提升推理能力的关键手段，研究证实RL的作用在于锐化基座模型中已有的原子推理步骤分布，并通过“链接”阶段组合新推理方法以解决未知难题 [7] - 强化学习工程在2025年取得明显发展，评分系统革新体现为基于可验证奖励的强化学习和稀疏奖励指标的全面崛起，尤其在数学、代码等有明确对错的领域效果显著 [11] - 参数更新算法因DeepSeek R1的成功而震荡，GPRO算法因节省50%显存且效果不差成为主流，国内公司在此基础上发展出多种变体，如Qwen的GSPO引入分值加权，Minimax的CISPO采用重要性采样 [15] - Meta的ScaleRL研究证明RL性能增长符合Sigmoid曲线，存在天花板，无法无限提升智力上限，但当前离天花板尚远，最佳工程实践包括使用长思维链和如2048 prompts的大Batch Size [16][17] 记忆能力与架构突破 - 记忆能力是AGI得分中的短板，2025年后半年最重要的模型变革是记忆能力提升，研究围绕三种方式展开：上下文作为记忆、RAG处理过的上下文作为记忆、将上下文融合到参数内化记忆 [18][19] - Google Research发布的Titans架构及Nested Learning是2025年记忆领域的最大突破，从根本上挑战了Transformer的无状态假设，Titans是一个能在推理时实时更新参数的深度神经长期记忆模块，通过“惊奇度”决定信息存储 [19][21][22] - Nested Learning将模型架构分成低、中、高三种更新频率的神经网络层，使整个模型参数可随时调整，低频层更新慢保证知识延续性，高频层处理快速反馈，其成本比SFT和RL达成同等效果更低 [25][27] - RAG在2025年发生质变，从静态资料库演变为具备反思与进化能力的系统，代表如DeepMind的ReMem引入了Action-Think-Memory Refine全链路，对记忆进行修剪、重组和定期清理，实现了经验复用 [28][30] - 针对灾难性遗忘问题，2025年提出了多种参数更新解决方案，Meta的稀疏记忆微调通过在Transformer中加入空白内存层进行稀疏更新，在TriviaQA任务中仅导致11%的旧知识遗忘，远优于全量微调的89% [31] - Thinking Machines提出的在策略蒸馏结合了RL的采样方式和SFT的监督信号，让学生模型在自己实时生成的轨迹中学习，提供密集即时反馈，创造了低成本且不会导致灾难性遗忘的更新方式 [33] 空间智能与世界模型发展 - 视觉处理能力在2025年得到有效提升，主要围绕三个主流派系发展：自监督生成模型、基于3D CV生成的符号主义World Labs派、以及Meta的预测式V-JEPA派 [35] - 自监督生成模型方面，Google DeepMind发布的Genie 3能以24fps帧率和720p分辨率实时渲染可交互的3D环境，并维持数分钟的场景一致性，展现了从海量视频数据中自发学习物理规律的能力 [36] - 研究发现扩散Transformer也遵循Scaling Law，但对批量大小和学习率极为敏感，Google通过打通视频生成的Scaling Law成功训练了Veo 3 [37][38] - Apple研究发现，原生多模态的晚期融合架构相比早期融合架构可能存在上限劣势，但参数利用率更高，同等规模下上限更高 [40] - 快手提出的SVG模型通过直接用图像理解模型代替VAE，统一了语义空间，极大地提升了训练效率和生成速度，在多项核心指标上击败了DiT和SDXL [42] - 李飞飞领导的World Labs派推出了商业产品Marble平台，这是一个“大型世界模型”，能从多模态输入生成可探索的3D空间表示，依赖3D高斯泼溅和神经辐射场技术，更稳定可控 [44][46][47] - Meta的V-JEPA 2通过预测被遮挡视频内容的训练机制，迫使模型学习物理规律，在使用了100万+小时视频训练集后，涌现出了“推演”和反事实预测的能力，但处理跨度仅64帧（约10秒），分辨率384x384 [48][50] 元学习与学习方法演进 - 2025年对学习的核心探讨围绕元学习展开，即模型应具备“学习如何学习”的能力，以应对未知任务和实现低成本快速适应 [51][52] - 关于Transformer是否具备隐式元学习能力存在争论，有研究证明其注意力机制在数学形式上与梯度下降更新步骤类似，但也有研究认为上下文学习只是激活了预训练知识而非真正学习 [53] - Test-Time Compute为隐式元学习提供了新可能，研究尝试引导模型在推理过程中更有效地探索思维路径和分配算力，例如通过累积遗憾最小化策略来优化 [56][58] - DeepMind的DiscoRL通过内外双循环让AI自主发现学习算法，其自主发现的算法Disco57在雅达利基准上击败了人类设计的顶级算法，并展现了强大的泛化能力 [59][61] - Meta的“中训练”方法让Agent在专家演示的每一步尝试备选动作并反思，建立起因果模型，能显著提升在复杂环境中的成功率（平均提升9.6%）并增强泛化能力 [61][63] - 神经科学研究为AI架构提供启示，研究表明大脑通过“动态路由”机制将结构化的神经子空间重新连线以执行新任务，这推动了2025年对模型进行分区（如记忆分区、快慢反应组别）的尝试 [64][66] 基础架构与训练范式演进 - 为对抗Scaling Law瓶颈，行业通过稀疏性、合成数据与强化学习结合实现突破，例如OpenAI在GPT-5.2中采用MoE、合成数据与RL加强三方结合 [68] - 合成数据方面，随着推理能力进步，模型可自主生成长思维链文本，DeepSeek R1的论文表明，利用其生成的长思维链对小模型进行微调，效果远超人类专家编写的CoT数据 [69] - 数据质量重于数量，研究证明筛选前10%推理路径最长、最复杂的样本进行训练，其效果可匹配甚至超越全量数据集 [70] - 针对大规模使用合成数据可能导致“模型崩溃”的问题，研究提出了利用自我验证机制过滤数据的方法，证明只要校准误差在一定界限内，仅凭自我验证就可在完全合成数据体制下持续训练而不崩溃 [72] - 模型蒸馏在2025年取得两大进步：针对MoE架构的特化蒸馏方案《Every Expert Matters》，让学生模型学习教师不同专家的组合输出；以及思维融合蒸馏，通过共识去噪原理将多个教师的稳健推理逻辑迁移给学生模型 [75][77] - 注意力机制方面，2025年是MLA及其变体普及的时代，同时线性注意力复归，Kimi Linear采用3:1混合架构，在1M超长上下文任务中达到94.8的高分，性能首次全面超越全注意力，且吞吐量可达全注意力的6.3倍 [80][81] - 行业出现向连续空间演进的趋势，代表如大型概念模型和腾讯的CALM，试图将多个Token压缩为连续概念向量进行预测，以增加语义带宽和提升效率 [83][85] 2026年潜在技术方向展望 - 记忆能力的工程化实践将成为重点，理论方向已明确，预计研究成果可能在一年内工程成熟并被采用，完成范式转换，更具学习性的记忆系统将被产品化 [87] - 标准架构可能发生变革，趋势是向分区、分层、增加更多功能层的混合架构演进，例如加入Titans记忆层或进行层级分区，以更符合人脑运作模式 [88][89] - 自进化AI探索将在2026年产生更多可能性，现有尝试包括让模型自问自答进行强化学习，以及像Alpha Evolve那样让LLM优化算法代码，但尚属早期阶段 [90][91][93]

谷歌与沃尔玛合作升级AI购物功能 - 谷歌公司与沃尔玛等大型零售商合作，扩展其“双子座”人工智能模型的购物功能，推动应用从“智能助手”升级为可直接完成交易的“虚拟商家”[2] - “双子座”应用将引入“即时结账”功能，消费者在聊天界面内即可从部分商家完成商品购买，无需打开应用以外的界面[2] - 该购物功能初期仅面向美国用户开放，未来数月将扩展至国际市场[3] 行业趋势与竞争格局 - 沃尔玛候任总裁兼首席执行官认为，从传统网页或应用搜索向“智能体主导的商业”转变，代表零售业的下一次重要演进[2] - 谷歌、开放人工智能研究中心和亚马逊等企业正竞相开发AI购物工具，力图把聊天机器人打造为新的电商入口[3] - 去年10月，OpenAI已与沃尔玛宣布类似合作，允许ChatGPT用户通过“即时结账”功能购买沃尔玛网站上除生鲜外的大部分商品[3] 相关行业活动 - 相关消息在美国全国零售商联合会年度大会上发布，该大会预计将吸引约4万名来自零售和科技行业的参会者[3] - 业内人士认为，AI在电子商务领域的应用及其对消费者行为的影响将成为会议焦点[3]

公司产品功能问题 - 谷歌人工智能概览功能在回答“肝功能血液检查的正常范围是多少”等医疗查询时 提供大量数字但缺乏关键的背景信息 如患者的国籍、性别、种族或年龄 [2] - 专家指出 该人工智能概览所定义的“正常”可能与实际的医学正常标准存在巨大差异 [2] - 这些存在缺陷的概览可能导致重症患者误以为自己检测结果正常 从而忽略后续必要的医疗检查 [2] 公司应对措施 - 在相关调查结束后 公司已删除了针对“肝血检查正常范围是多少”和“肝功能检查正常范围是多少”这两个特定搜索词的人工智能概览 [2] - 公司发言人表示 不会对搜索中的个别内容移除事件发表评论 [2] - 公司称 如果人工智能概览缺少某些上下文信息 会努力进行全面改进 并在适当情况下根据其政策采取行动 [2]

报告概览与核心预测 - 报告为《人工智能现状报告 2025》，长达300多页，由业界顶尖从业者评审，涵盖技术、产业、政策、安全、市场等多个维度[2] - 报告对下一年度做出多项预测：中国研究机构在前沿AI模型研究上将超越美国；开放式AI智能体(Agent)更值得获得进一步科研发现；基于AI生成欺诈视频的网络攻击将引发国际讨论；美国某头部AI研究架构将转向开源生态以获得政府支持[2] 技术发展与模型竞争 - 2024年末至2025年，随着GPT-o1发布，基于深度推理的大模型发展热潮兴起，多家厂商快速面世多个推理模型[3] - 以Meta为代表的科技巨头定义了“超级人工智能”(Superintelligence)一词，“通用人工智能”(AGI)成为过去时[3] - 顶尖模型仍保持闭源，如GPT-5、GPT-o3、Gemini 2.5 Pro、Claude 4.1 Opus、Grok4等，其中OpenAI的GPT-5在多个基准测试中保持领先[5] - 中国基础模型虽未取得突破性进展，但在开源模型领域颇具竞争力，DeepSeek、Qwen和Kimi等模型崛起，在推理和编程任务方面正逐步缩小与领先者的差距[6] - 开源为中国厂商提供了快速追赶的契机，越来越多的开发者选择基于Qwen进行开发[6] - 曾作为开源模型标杆的Meta Llama，其市场份额已从2024年末的约50%大幅下滑至目前的15%[6] - 近期推理模型的方法改进完全处于基准模型的误差范围内，可能意味着其进步并不真实，且强化学习带来的实际收益微乎其微，容易过拟合[9] - 前沿AI实验室正探索将强化学习、可验证奖励机制、可验证推理与新环境结合，赋予模型规划、反馈、自我修正及长期执行任务的能力[11] - AI研究正考虑利用小语言模型构建智能体，因其成本显著降低且能满足实际操作需求，策略是采用小语言模型构建有限的异构智能体架构，仅在必要时调用大模型[11] AI智能体与产业应用 - AI智能体框架发展迅速，LangChain仍是众多选择之一，各细分领域涌现数十种框架，如研发领域的AutoGen、camel，软件工程领域的MetaGPT等[13] - AI智能体的研究正赋予其记忆能力，实现从拓展上下文窗口到结构化、持久性终身记忆的转变，并延伸至动态整合、遗忘和反思[13] - AI在跨学科领域应用价值凸显，例如DeepMind基于Gemini 2.0构建的AI系统“Co-scientist”能生成、辩论并进化其假设生成与实验规划过程[13] - AI在物理世界涌现，如艾伦人工智能研究所的MolmoAct和谷歌的Gemini Robotics 1.5，能提升物理机器人的可解释性和可靠性[13] - AI产业应用迅速普及，AI优先企业营收远超其SaaS同行，在各个行业展现出发展势头[13] - 2025年，随着AI采用率上升，用户留存率上升，企业支出增加，特别是在音视频、虚拟形象、图像生成领域，AI公司收入有望实现爆发式增长[13] - 企业内部AI应用场景以内容生成、代码生成、研究及分析密集型任务最为常见[18] - 使用频率最高的工具包括ChatGPT、Claude、Gemini/Google和Perplexity，DeepSeek覆盖率略低但使用频率相对较高[18] - 在开发者工具中，Cursor、Claude Code和GitHub Copilot备受青睐；非编程工具中，Deep Research、ChatGPT、ElevenLabs、Perplexity和Claude使用频率非常高[18] - 对1183名AI从业者的调研显示，95%的专业人士现在在工作或生活中使用AI，76%的人自掏腰包购买AI工具，且大多数人表示生产力持续提高[25] 市场竞争、风险与基础设施 - AI编程工具可能主动覆盖企业生产代码，导致开发成果受损[21] - 从事AI编程开发的初创公司面临严峻的单位经济效益挑战，盈利受制于上游模型价格和竞争对手，可能采取突然提价或限制用户功能等措施[21] - 浏览器正成为AI应用的最新焦点和企业竞争的新战场，OpenAI、Google、Anthropic和Perplexity均推出了能在浏览器中导航和操作的助手功能，将浏览器重新定义为智能操作系统[21] - 谷歌在其产品中嵌入Gemini能力，其每月Token消耗数量在2025年同比增长了50倍，达到千万亿个Token[22] - 电力供应正成为制约AI发展的新因素，若电力供应不足，国家AI计划将面临崩溃风险，未来1-3年内美国几个主要地区可能会出现电力短缺[22] - 美国能源部警告，由于电力供应不稳定和AI需求增长，到2030年，停电频率可能会增加100倍[22] - 2024年末DeepSeek搅动市场，市场重新认识“杰文斯悖论”，即更便宜的智能带来更高的需求，进而提高对芯片的消耗[22] - GPU至关重要，英伟达市值突破4万亿美元，占据90%的AI研究论文市场份额，定制芯片与新云服务同步崛起[25] - 除英伟达外，上市公司Coreweave、Nebius以及私企Lambda、Crusoe因客户对优惠价格、灵活合同条款及AI专用软件套件的需求增加而实现快速增长[25] - TPU和AMD的GPU普及程度并不高[25] 劳动力市场影响 - AI主要挤压入门级岗位市场，在软件和客服领域，这类岗位极易受AI技术影响，其招聘岗位持续下降，经验丰富的劳动力暂时保持工作稳定性[25] - 研究发现当前劳动力市场变化早于2022年ChatGPT的问世，AI自动化目前并未削弱经济领域对认知型劳动力的需求[28] 政策、安全与监管 - 美国推行“美国AI优先”战略并调整出口政策，中国加速推进自主研发与本土芯片制造，中美AI竞赛愈演愈烈[28] - 2025年，特朗普政府将人工智能安全研究所更名为人工智能标准与创新中心，并启动了5000亿美元的“星门计划”，同时美国政府发布《人工智能行动计划》力求保持其全球主导地位[28] - AI芯片出口限制政策用“反复”形容，美国政府需在国家安全目标与供应链依赖、供应商游说间寻求平衡，英伟达和AMD成为政治焦点，英伟达在中国市场并未达到稳定状态[28] - 美国监管措施在巨额投资浪潮中被边缘化，国际外交陷入僵局，《人工智能法案》实施遭遇重重阻碍[31] - AI数据中心建设陷入邻避主义瓶颈，美国公众对新建大规模数据中心的反对声日益高涨[33] - 政府《人工智能行动计划》提及需自主AI领域“基础科学”，但其核心研发资金远低于专家建议的2026年320亿美元投资目标[33] - 硅谷科技巨头采取“逆向”并购政策：通过快速引进人才（创始人及团队高薪）以规避并购限制，同时保留原业务精简的公司转型拓展小众市场，例如微软收购Inflection，谷歌收购Character AI，亚马逊收购Adept，Meta收购Scale AI[33] - 美国联邦贸易委员会对这类“逆向”并购行为的担忧日益加剧[35] - 美国就AI安全相关的政策议题发生转变，加之实验室间商业竞争激烈，某些安全规程已被列为非优先事项[36] - 外部安全机构年度预算甚至不及顶尖实验室单日总支出，曾以安全为核心的机构开始将重点转向产品化[36] - 报告估算，外部AI安全研究投入仅约1.3亿美元，而同期全球AI研发支出接近千亿美元，比例极低[36] - AI实验室为防范生物安全风险和网络攻击部署了空前防护，部分实验室却因错过自我设定的截止日期或悄然放弃测试方案[36] - 网络攻击能力每五个月翻一番，远超防御措施的更新速度，犯罪分子利用AI智能体的勒索软件已渗透至世界500强企业[39] - 涉及生成式AI的安全事件正呈急剧增长态势，大量报告事件涉及AI换脸技术，与大模型的滥用密切相关，AI代理正日益成为网络安全防御的重大挑战[39]

公司战略与合作 - 谷歌公司将与沃尔玛公司等大型零售商合作，扩展其“双子座”人工智能模型的购物功能，推动应用从“智能助手”升级为可直接完成交易的“虚拟商家” [1] - 合作将引入“即时结账”功能，消费者在聊天界面内即可从部分商家完成商品购买，无需打开应用以外的界面 [1] - “双子座”人工智能模型的购物功能初期仅面向美国用户开放，未来数月将扩展至国际市场 [1] 行业趋势与竞争 - 从传统网页或应用搜索向“智能体主导的商业”转变，代表零售业的下一次重要演进 [1] - 谷歌、开放人工智能研究中心和亚马逊等企业正竞相开发AI购物工具，力图把聊天机器人打造为新的电商入口 [1] - 去年10月，OpenAI与沃尔玛宣布类似合作，允许ChatGPT用户通过“即时结账”功能购买沃尔玛网站上除生鲜外的大部分商品 [1] 事件背景与影响 - 相关消息在美国全国零售商联合会年度大会上发布，该大会预计将吸引约4万名来自零售和科技行业的参会者 [1] - 业内人士认为，AI在电子商务领域的应用及其对消费者行为的影响将成为会议焦点 [1]

公司与谷歌的战略合作 - 沃尔玛与谷歌建立了基于谷歌通用商务协议的代理式商务合作伙伴关系 [2] - 合作将谷歌的Gemini人工智能工具与沃尔玛及山姆会员店的商品品类相结合 [2] - 合作旨在将沃尔玛的购物体验直接融入Gemini 以创造比以往更直观和个性化的无缝购物体验 [3] 合作的具体功能与消费者体验 - Gemini将在相关时自动包含沃尔玛和山姆会员店的店内及在线商品 [3] - 由于用户与Gemini进行对话交流 在整个对话中有更多机会展示相关产品和服务 [3] - 当客户关联账户后 沃尔玛将根据过往购买记录推荐“互补商品” 并合并购物车中的其他商品 [4] - 关联账户的客户可享受其Walmart+和山姆会员店会员的全部权益 [4] - 客户和会员可在3小时内 最快30分钟 获得他们指定时间和地点的产品配送 [4] 公司的AI战略定位与治理 - 公司正将人工智能定位为新的交互界面 而不仅仅是工具 其引导发现的方式比搜索栏或分类菜单更自然 [5] - 公司任命AI专家、Superhuman CEO Shishir Mehrotra加入其董事会 将治理与战略方向相结合 [6] - 此举表明公司并非简单地采用人工智能工具 而是在战略决策层面嵌入AI领导力 [7] 行业背景与公司动向 - 从传统的网页或应用搜索转向代理主导的商务被认为是零售业的下一次重大演进 [2] - 公司正在驱动这一转变 而非仅仅旁观 [2] - 所有主要零售商都在努力应对AI应如何指导产品推荐、个性化、供应链自动化和客户互动 [6] - 公司近期在其AI购物助手Sparky中引入广告 显示出对对话式商务日益增长的信心 [5]

文章核心观点 - AI行业竞争已演变为巨头之间的“权力游戏”，创业公司单打独斗难以生存，生态资源与变现能力成为竞争关键[6][28] AI行业竞争格局：巨头主导的“拼爹”游戏 - 谷歌、微软、Meta、字节、腾讯、阿里等互联网巨头凭借庞大资源与生态，在AI领域占据主导地位[6] - 谷歌自2025年11月起，在多模态领域性能反超OpenAI，位居评测第一，给OpenAI带来巨大压力[6] - 字节跳动的豆包凭借抖音的流量优势，已取代Kimi成为国内月活第一的LLM产品[10] - 腾讯的元宝借助微信入口，用户数据已反超其技术提供方DeepSeek[10] - 明星创业公司如Manus已被Meta收购，Kimi、DeepSeek等风头被巨头产品盖过[6][10] 巨头生态的碾压性优势 - 巨头能将AI产品深度集成至现有生态，获得巨大流量与用户基础[10] - 谷歌将Gemini植入安卓系统作为默认助手，并整合进Chrome、Gmail等应用[10] - 微软将Copilot融入Office套件[10] - 腾讯将元宝内置入微信聊天框[10] - 金山软件将AI融入WPS[10] - AI应用高度依赖外部生态与系统权限，创业公司难以复制[11] - Manus等智能体需要调用浏览器、支付等由巨头控制的服务，缺乏系统级权限[11] - AI搜索面临入口被手机厂商、百度、微信等把持的困境，如Perplexity并非苹果默认搜索引擎[12] - AI行业资产重，涉及数千亿美元固定资产投入，创业门槛极高[11] 商业模式与变现能力差异 - 巨头能通过生态捆绑实现高效变现，创业公司模式单一且面临激烈价格竞争[15][21] - 微软将OpenAI服务打包进Azure云服务销售，并通过对Office订阅涨价实现AI价值变现[15] - 谷歌将Gemini会员与谷歌One云存储服务捆绑，以20美元套餐出售，提供额外价值[15] - 豆包通过回答将流量引向抖音短视频与本地生活服务，实现广告与交易转化[18] - 创业公司主要依赖B端售卖Token和C端订阅，商业模式类似“一手交钱一手交货”，难以溢价[21] - C端订阅费被用户习惯限制在20美元或10-30人民币区间，难以突破[21][23] - 智普AI与MiniMax等创业公司亏损严重且呈扩大趋势，普遍面临盈利难题[24] - 即使拥有7亿用户的OpenAI也面临亏损问题[24] 创业公司的出路：依附巨头或艰难独立 - 被巨头收购成为AI创业公司的重要出路，可获得生态与权限支持[26][27] - Meta收购Manus后，后者可深度集成至WhatsApp、Instagram等应用，获得原生权限[27] - 苹果被曝考虑收购Perplexity[27] - OpenAI是罕见的拒绝被控制、意图自立为巨头的案例，但面临巨大挑战[27][28] - OpenAI与股东微软关系特殊，微软未获控制权，并自研AI产品与模型[27] - OpenAI自行开发浏览器Atlas，并与谷歌云合作，试图建立独立生态[28] - 互联网时代“以小博大”的创业故事在AI领域难度大增，巨头对系统级入口的控制力过强[7][28]

印度政府拟推行新安全法规引发科技行业反对 - 印度政府拟出台包含83项内容的新安全标准方案 要求科技企业提交源代码供政府测试审查 并需将重大更新告知政府 保存12个月安全审计日志 定期提示用户审查权限 [3] - 新规旨在应对网络诈骗和数据泄露 保护印度近7.5亿手机用户的安全 [4] - 苹果 三星 谷歌 小米等科技巨头集体反对该提案 认为要求提交源代码会泄露企业核心商业机密并危及技术安全 并指出全球无其他国家有类似要求 [4] 行业组织与企业的具体反对理由 - 代表科技厂商的印度行业组织MAIT直接反对新规 称其完全不具备可行性 并已致函政府要求撤回提案 [4] - 企业反对理由包括 源代码是核心商业机密 提交会引发安全风险 以及新规要求的12个月日志存储和强制恶意软件扫描会占满手机存储或严重耗电 [4] 事件最新进展 - 印度政府再次向苹果公司施压要求获取iOS源代码 但从多方情况看 此诉求恐难实现 [1]

行业发展趋势 - 定位平台正从传统基础地图解决方案转型为AI驱动的数据平台，通过实时定位智能、预测性洞察和高度个性化体验创造价值 [4] - 生成式AI正在利用定位数据，提供更具前瞻性与上下文感知能力的主动式服务 [4] - “搜索”与“附近”等定位感知型AI功能正加速走向主流，超本地化与高度个性化的用户体验逐步成为主流 [4][7] - 定位智能将成为未来代理式AI体验的关键基础 [4] - 未来的智能出行体验取决于AI驱动的定位平台与半导体、软件及传感器深度融合的程度，以实现自动驾驶汽车或人形机器人的应用 [4] 竞争力评估结果 - Counterpoint Research发布的《2026年定位平台竞争力评估报告》基于截至2025年12月的数据，对25家企业进行了详尽调查与分析 [4][8] - HERE与TomTom在定位平台竞争力评估指数中脱颖而出，双双获评“先锋” [4][7] - Google跻身“领导者”行列 [4][7] - 百度、高德与Mapbox被评为“挑战者” [4][7] - ESRI因突出的执行力表现被评为“新锐”，但在部分能力维度上与头部企业存在差距 [4] 领先企业分析：HERE - HERE在平台能力与执行能力两个维度上均显著领先于竞争对手 [5] - 优势体现在完善的定位服务产品组合、强大的合作伙伴体系，以及覆盖汽车、运输与物流等多个垂直行业的广泛客户基础 [5] - 持续加大在产品技术与创新领域的研发投入，包括运用AI技术构建面向汽车与物流行业的代理式AI解决方案 [5] - HERE正在引领软件定义汽车的转型进程，并通过与车企的深度协作逐步成为行业的“北极星” [5] 领先企业分析：TomTom - TomTom凭借Orbis地图在3D可视化、交通分析以及新产品技术及创新领域的表现，与HERE一同进入“先锋”类别 [5] - 该公司成为继Google之后唯一一家推出模型上下文协议服务器的全球性企业 [5] - 发布了汽车导航应用程序，使车企能够在最短12周内完成导航系统的部署 [5] 其他主要参与者分析 - Google Maps依托其扎实的核心地图能力以及来自数十亿月活用户的海量众包数据支持，获得“领导者”评级 [8] - Google通过将自研的Gemini大语言模型深度整合至产品与服务中，已在AI技术领域确立了无可争议的领导地位 [8] - 百度与高德凭借在中国出行与本地服务生态中的规模与优势，成为区域性领导者，但在中国以外市场的实际需求有限 [8] - Mapbox以开发者优先的策略脱颖而出，提供高度灵活、可定制的SDK，成为注重定制化和可视化能力用户的首选平台 [8] 评估方法论 - Counterpoint采用专有的CORE评估框架，从“平台能力”与“执行能力”两个维度对定位平台进行分析评估 [8] - “平台能力”涵盖核心地图能力、高级地图功能、服务提供、平台架构、技术与创新以及行业解决方案等指标 [8] - “执行能力”则包括开发者生态、地理覆盖范围、合作伙伴关系及客户组合等指标 [8]