AI行业发展趋势与核心观点 - AI大模型发展将从基础设施向上层应用演进，基座大模型数量将收敛至个位数，但围绕千行百业将衍生丰富的垂域模型与应用，这是引发技术变革的关键[2] - 物理AI成为重要关注窗口，正加速推进具身智能、自动驾驶等领域演进，有望深刻改变未来社会运行方式[2] - 2025年被称为“Agent元年”，AI技术正从以“内容生成”为核心的Copilot辅助模式，向以“自主行动”为核心的Agent模式迈进，企业智能化目标从“效率提升”转向“业务重构”[9] - AI应用正告别“技术炫技”的初级阶段，迈入“价值落地”的关键时期，核心逻辑是从“实验室里的高精尖”转变为“产业中的实用工具”，从“单一技术赋能”升级为“全链条生态协同”[16] 物理AI的技术路线与竞争 - 物理AI存在两条核心路线竞争：世界模型与视觉语言模型（VLA）[3] - Sora等模型标志着AI正从“预测者”向“模拟者”进化，是从“数据驱动”到“模型仿真驱动”再到“物理对齐”和“通用模拟”的范式转移[3] - 当前Sora被视为“视觉模拟器”而非真正的“物理世界模型”，因其缺乏因果推理、反事实推演和物理一致性，常出现违背物理逻辑的“物理幻觉”[3][4] - 世界模型技术路线分化为“生成派”（如Sora、Marble）和“表征派”（如JEPA），生成派适合做数据工厂或仿真训练，表征派适合做决策大脑和实时推理[4] - VLA模型核心理念是将机器人控制转化为序列建模问题，价值在于零样本泛化能力，但缺乏因果推理且依赖训练数据覆盖度；世界模型主张先构建环境内部模型进行虚拟试错，样本效率远超VLA[5] - 产业界正呈现VLA与世界模型融合的趋势，例如利用VLA进行高层策略规划，利用世界模型进行底层动作验证[5] 世界模型面临的挑战与发展预测 - 世界模型赋能“数实融合”需解决三大难题：理解因果性并掌握第一性原理、构建解决物理一致性问题的模拟器、应对数据枯竭与长尾困境[6] - 世界模型旨在通过海量视频数据预训练，在神经网络内部构建隐式“物理引擎”，以在数字空间低成本试错和推演[6] - 自动驾驶等数据驱动型AI的下一阶段竞争本质是高质量合成数据的竞争，成熟的世界模型能生成现实中难以捕捉的极端工况数据[6] - 世界模型落地时间表预测：2024-2025年实现视觉仿真；2026-2027年实现物理对齐；2028-2030年有望实现通用具身智能[6] 网络架构向AI原生演进 - 网络架构正从“云原生”向“AI原生”演变，大模型时代流量特征转向分布式“同步计算”，带来“大象流”、丢包零容忍、微秒级时延敏感等特点，需要网络做到“万无一失”[7] - AI原生网络核心是极致的性能无损和算网协同，具备内生智能、确定性保障和算网一体等关键特征[7] - 应用层面，云原生应用以K8S为底座，AI原生应用以“大模型+Agent”为底座，两者将趋于融合成为云智一体原生应用[7] 中兴通讯的技术布局与产品 - 中兴通讯技术演进从2G时代硬件集成，发展到5G时代的芯片+整机+大模型的组装式研发范式，在技术、专利、标准方面从跟随转向引领[8] - 公司自研珠峰、定海、凌云等芯片，服务器、存储、数据中心交换机和数据中心等产品收入增速明显[8] - 公司提供全栈全域的智算解决方案，支持软硬解耦、模型解耦和训推解耦，聚焦工程能力工具化[8] - 针对智能体应用，中兴通讯推出“Co-Sight智能体工厂”，带有“CT级可靠性”基因，结合深度思考和反思、DAG和COA规划协同，支持分钟级智能体构建[11] - Co-Sight通过冲突感知元验证（CAMV）机制确保决策可信，采用基于结构化事实的可信推理（TRSF）支持超长任务的“断点续做”[11] - Co-Sight构建了严格的运行环境：受控沙箱、全链路审计、隐私保护[12] - Co-Sight 2.0在通用AI助手基准测试GAIA中连续三个月保持第一，在代表前沿知识的HLE评测中也连续两个月位居榜首[12] - 中兴通讯与中国移动合作，联合验证了“点金行动”的31个高价值场景，结合图谱检索、强推理以及电信级多智能体协议，助力自智网络向L4+迈进[12] - 公司采用“1（通用底座）+N（领域增强）+X（场景微调）”策略，结合RAG技术，兼顾能力与成本[16] Agent规模化落地的挑战 - 智能体从实验室原型走向企业核心生产系统的“最后一公里”充满挑战，在电信、金融、能源等高可靠性行业，需解决随机性模型与确定性业务之间的矛盾、确保长程任务稳定性、构建可信安全边界[10] - 核心业务中，AI“幻觉”是不可接受的风险，企业无法容忍“黑盒”在没有人类审核下做出关键决策[10] - 由于上下文窗口限制，处理跨天、跨周的复杂任务链时，模型易出现记忆丢失或逻辑断裂，导致Agent开发复杂度呈指数级增长[10] - Agent使用工具（执行代码、调用API、操作数据库）会带来安全风险，如沙箱逃逸、资源耗尽和数据泄露[10] - 企业现有IT环境复杂，存在接口标准化缺失、数据孤岛等问题，同时需平衡推理维护成本与投资回报率[10] 有望率先实现AI价值闭环的行业特征与方向 - 能率先实现AI价值规模化复制的行业关键特征：信息密集、数据结构化程度高、具备强反馈机制、价值闭环极快、有一定容错度、具备一定范围泛化能力[13] - 智能化转型基础是网络化和数字化，数字化转型较好的行业更容易进行智能化转型[14] - 具体产业中，教育、医疗、软件开发、智能制造、城市治理等可能率先完成价值闭环[14] - 制造业凭借高度结构化数据环境和明确效率指标，成为AI价值变现的“排头兵”；城市治理依托海量多模态数据和迫切公共安全需求，正通过“城市智能体”模式实现从被动响应到主动预防的跨越[14] - AI进入产业“深水区”意味着从外围辅助系统进入核心生产系统，将面临“三多”（多模态数据、多厂家设备、多业务场景）、“三新”（新技术、新架构、新安全威胁）、“三跨”（跨领域知识融合、跨系统数据调用、跨组织流程协同）的复杂局面[14] 行业AI模型部署路径 - 驱动各行各业融入AI的模型路径并非“二选一”，而应采用“云边协同”的混合路径[15] - “通用基础大模型+行业精调”是构建企业“大脑”的最有效路径，能以低成本继承通用逻辑能力，解决知识密集型任务[15] - 从零构建行业专属小模型是构建企业“四肢”的可行方案，在非自然语言、极致边缘和极致隐私场景下不可或缺，解决了感知与执行层面的效率、适配和安全问题[15] - 面对工业领域的振动波谱、雷达信号、基因序列等“非自然语言”数据，通用模型的先验知识可能成为噪音，需从零构建专用模型[15] - 在极致时延和功耗场景（如矿山无人驾驶卡车），推理时延需控制在毫秒级，训练一个参数量在几百万到几亿的专用小模型是唯一可行方案[16] - 在对数据隐私和主权有极致要求的场景（如金融），为确保模型无潜在偏见或后门，会选择完全物理隔离环境下的从零训练[16]