报告行业投资评级 * 该白皮书未提供明确的行业投资评级 [1] 报告的核心观点 * 培训和教育是电子临床结局评估（eCOA）成功的关键基石，而不仅仅是技术的实施 [4] * 有效的eCOA培训应始于研究设计早期，并主动针对已识别的风险进行设计，以优化合规性、减轻用户负担并加强数据终点完整性 [6][11] * 培训必须为患者、试验地点和研究团队等不同利益相关者群体量身定制，强调评估的目的和与终点的联系，而不仅仅是技术操作 [5][16][17] * 吸收用户验收测试（UAT）和既往试验的经验教训，并融入可访问性和持续再培训，是构建稳健培训策略的重要组成部分 [20][22] * 稳健的eCOA培训能带来多重效益，包括减少现场工作量、更少的客服电话、更高的运营效率、提升的终点完整性及数据可靠性，以及更高的患者合规性 [46][47] 根据相关目录分别进行总结 培训作为eCOA成功的基石 * eCOA是现代临床试验的基石，但技术本身不能保证高质量结果，患者、试验地点和研究团队使用这些工具的准备情况是关键区别因素 [4] * 培训是确保最佳研究表现的必要前提，其核心是让所有利益相关者理解评估的重要性、与研究终点的联系以及他们在保护数据完整性中的角色 [4][5] 关于早期eCOA培训发展的论据 * 高质量的eCOA培训对于维持现场和患者参与度、降低试验数据风险至关重要，但其开发常被系统实施里程碑所掩盖，被视为后续活动 [7] * 测量科学和人类因素见解应在培训开发阶段被纳入，以了解评估运作方式、有效数据构成以及用户与技术互动的现实情况 [9] * 缺乏足够的教育和强化，即使设计精良的eCOA系统也易受滥用、误解和不一致执行的影响，导致数据缺失和方案偏差 [10] * 最有效的培训策略应在研究早期制定，并由研究设计、eCOA解决方案设计和用户验收测试期间识别出的风险来指导，以主动应对问题 [11] 最佳eCOA培训实践 * **实践一**：培训策略应在方案和eCOA解决方案设计阶段就开始制定，所选方案应体现方案细节、评估时间、患者负担和预期的依从性模式 [12] * **实践二**：培训应强调评估的目的及其与主要或次要终点的联系，而不仅仅是技术操作，这能提高患者和参与方的参与度 [14][17] * **实践三**：培训应为患者、现场协调员、临床医生和监测员等不同利益相关者群体量身定制，以应对他们在临床专业知识、技术熟练度和工作流程责任方面的差异 [16][18] * **实践四**：培训内容应吸收用户验收测试（UAT）和先前试验的经验教训，将可用性发现和历史风险模式纳入，形成主动的防护措施 [20] * **实践五**：培训方法应融入可访问性考虑，并作为持续发展的部分，提供按需资源和再培训机会 [22] 患者培训策略：为参与者准备成功 * 当患者意识到其输入会影响临床决策并影响未来治疗方案时，参与会更一致，培训应传达特定测量对研究的重要性以及患者数据对研究成功的贡献 [24] * 患者应明确了解预期的持续时间及努力程度、eCOA任务频率和时间、禁止行为（如服药后输入疼痛评分）、问题类型及如何解读 [25][26] * 互动式、应用内练习评估模块允许患者在低压力环境下体验评估流程，有助于在实际数据收集前明确期望，补充材料（如快速指南、视频）对加强学习至关重要 [27] * 明确的支持途径（知道联系谁及何时联系）有助于改善患者体验、提高数据收集质量、减少挫败感、提高保留率并最小化延误 [28][29] 站点培训策略：自信执行的秘诀 * 站点团队对eCOA技术和方案要求的熟悉程度直接影响患者表现，有信心的站点能培养出有信心的患者 [30] * 站点必须理解每个eCOA评估的目的、评估时间及完成要求、如何访问和监控eCOA数据及合规性、数据如何为终点提供信息、已知的患者易用性风险以及如何训练患者避免陷阱 [34] * 站点需要关于eCOA仪表板和监控工具的实际操作指导，包括受试者设置工作流程，以减轻行政负担和错误率 [34] * 站点应在患者招募过程中分配专门时间，引导患者完成设备模块和补充材料，以尽早解答问题 [35] * 有效的现场培训常结合多种形式（如调查者会议、学习管理系统模块），复习点应与CRO里程碑、人员变动或观测到的数据趋势相对应 [36] * 培训应提供明确的设备访问、登录、分配、存储、更换及自带设备（BYOD）方面的指导 [37] 培训交付方式：匹配格式以适应需求 * 培训格式的选择应依据临床结局评估（COA）的复杂性、频率和受众来指导，简单措施可能只需基础指导，复杂评估则要求更深层次、结构化的培训 [39] * 向患者重申培训对研究成功的必要性非常重要 [39] 培训资料类型：选择合适的组合 * 培训资料必须易于访问和反复学习，如果资料难以找到，很可能不会被使用 [40] * 家庭基础患者报告结果和现场管理员临床报告结果存在不同的教学需求，评估频率也会影响对培训工具的需求（如频繁任务需快速参考工具，不频繁任务需定期更新支持） [41] * 培训格式决策应权衡开发成本、更新需求和认知负荷，简单、可搜索的参考材料对繁忙的现场可能更实用，而非一味追求技术复杂 [42] * 地理限制、技术可用性、文化程度、语言、年龄和文化背景等可访问性因素都影响着培训的呈现方式 [43] * 为青少年、照顾者或视障用户等创建定制版本，考虑不同的学习风格和可访问性需求，能支持包容性并提高整体培训效果 [44] 研究团队和监控培训 * 有效的eCOA培训应包括负责持续数据监管的研究团队，监控团队需接受培训以审查实时数据、发现合规风险并适当地升级问题 [45] * 研究团队的培训应侧重于支持主动监管的工具，以便进行适当的数据治理，而非被动地进行数据清理 [45] 更高级别的健壮eCOA培训的效益 * 有效执行的eCOA培训能带来多重效益：减少现场工作量、更少的客服电话、更高的试验生命周期运营效率、提升终点完整性及数据可靠性、更高的患者合规性并降低其负担和挫败感 [46][47] 前瞻：研究培训的演变 * eCOA培训将继续进化，在eConsent、eCOA和可穿戴设备等平台上更高集成、更互动和个性化的学习体验，以及远程培训和虚拟模拟的更广泛使用，代表着进一步提升教育和参与度的机会 [48][49][51]

报告行业投资评级 * 报告未对特定行业或公司给出明确、统一的投资评级，其核心是阐述设立首席人工智能官这一职能角色对提升企业人工智能投资回报率的价值和路径 [18][31] 报告核心观点 * 设立首席人工智能官是企业提升人工智能投资回报率的关键举措，拥有该职位的企业在人工智能支出上的投资回报率比其他组织高出10% [18][31] * 当前仅26%的企业设有首席人工智能官，但66%的受访者预计未来两年内大多数组织都将设立此职位 [18][30] * 首席人工智能官的角色是连接商业与技术的桥梁，负责制定人工智能战略、指导实施、管理预算并推动变革，其成功高度依赖于与首席执行官及其他C级高管的紧密协作 [8][39][48][49] * 采用集中式或中心辐射式人工智能运营模式的企业，其人工智能投资回报率比采用去中心化模式的企业高出36% [20][67] * 有效衡量人工智能的广泛商业影响（而不仅仅是项目投资回报率）以及为首席人工智能官提供明确授权和跨职能团队支持，是实现更高价值的关键 [21][79][82][83] 根据相关目录分别进行总结 概述 * 全球机构已在人工智能上投入数百亿资金，但许多仍停留在试点阶段，缺乏从概念验证到全面部署的转化能力 [7] * 首席人工智能官是将人工智能愿景转化为行动和价值的核心角色，例如阿联酋已在政府中嵌入该职位以确保投资产生实际成果 [8][9] * 企业对人工智能的期望极高，80%的CEO要求在未来18个月内看到由人工智能驱动的成本节约和增长，但60%的组织仍主要投资于试点，且自2023年以来仅有25%的人工智能项目实现了预期投资回报率 [26] * 组织正在增加人工智能投资，在2022年至2025年间将人工智能支出占IT支出的比例提高了62%，并预计未来两年每年增长31% [26] 第1节：何时需要一个CAIO？ * 设立首席人工智能官的主要目的是推动人工智能战略和加速人工智能采用，他们在最高层面引领讨论并协调具体工作 [39] * 61%的首席人工智能官掌控其组织的人工智能预算 [40] * 首席人工智能官需要兼具数据专长和深厚的商业、行业知识，73%的受访者职业生涯专注于数据，同时多数人具备商业策略、创新、技术和运营背景 [41][44] * 当前典型组织使用11种生成式人工智能模型，并计划到2026年底至少使用16种，人工智能助手和代理的激增带来了巨大的集成挑战 [42][45] * 当组织的人工智能策略因模型、工具和数据的复杂性而停滞时，专门的CAIO可以从集中位置进行战略投资和优化，提高投资回报率 [45] 第二节：CAIOs成功需要什么？ * 首席人工智能官的职责涵盖定义战略、指导技术实施、管理预算、提升人才技能等整个组织架构 [48] * 80%的CAIO表示从CEO和更广泛的C级高管那里获得了足够支持，76%的CAIO表示其他CXO在人工智能决策上会咨询他们 [49] * 57%的CAIO直接向CEO或董事会汇报，这赋予了其突破障碍、推动变革的权力 [56] * 首席人工智能官必须与首席运营官、首席数据官、首席技术官/首席信息官、首席信息安全官、首席创新官/首席数字官及首席人力资源官等C级高管紧密协作，以对齐战略并解决伦理、治理等难题 [57][58][59][60][61][62] * 随着组织扩大人工智能规模，运营模式往往从分散转向集中或中心辐射式，采用后两种模式的CAIO将人工智能试点投入生产的数量增加了两倍 [66][67] 第三节：如何使CAIOs实现更高的AI投资回报率？ * 首席人工智能官需聚焦三个关键领域以取得更大可衡量的商业影响：测量、团队协作和权威 [79] * 72%的CAIO认为，缺乏人工智能影响评估会使组织面临落后风险，但68%的CAIO即使无法衡量效果也会启动项目，因为最有前景的机会往往最难衡量 [21][80] * 需要建立超越单一项目投资回报率的关键绩效指标，以捕捉人工智能对收入、利润、客户满意度和员工生产率等方面的广泛影响 [79] * 首席人工智能官团队的平均规模为5人，团队构成应优先包含人工智能专家、机器学习工程师和商业策略师，较小的团队或构成不佳的团队成功度较低 [82] * 首席执行官的支持是基石，但首席技术官的积极参与和倡导是人工智能成功的关键驱动因素，而首席人力资源官既可能成为有效倡导者，也可能是主要反对者（32%的CAIO持此观点），需要加强合作 [84][86] 行动指南 * **首席执行官**：应授予CAIO明确领导权、要求可衡量的商业成果、提供专用预算和跨职能团队资源、构建安全的AI合作伙伴关系、清晰传达AI愿景并鼓励成长型思维 [91][92][93][94][95][96] * **首席人工智能官**：需扩大团队影响力、制定AI赋能数字化转型路线图、创建并追踪广泛的AI关键绩效指标、加强C级高管网络协作、引领集中化的AI运营模式并明确自身角色职责 [97] * **首席运营官**：应负责AI产品的质量保证、将AI能力融入运营流程、促进跨部门协作以支持规模化、识别并缓解运营风险、与CAIO合作优化工作流程 [98] * **科技领袖（首席技术官/首席信息官/首席数据官/首席信息安全官）**：需建立坚实的AI技术基础、消除技术瓶颈、通过设计确保AI安全、让企业数据为AI做好准备、共同打造AI治理框架并培养技术创新文化 [100][101][102][103][104][105] * **首席人力资源官**：需在组织中建立人工智能素养、重新设计职位以整合AI能力、共同创建AI赋能的工作流程、打造拥抱AI创新的文化氛围、领导变革管理并确保AI计划与人力资源战略一致 [106]

行业评级与核心观点 * 报告未明确给出对行业的投资评级 * 报告核心观点：在肿瘤学临床试验中，整合以患者为中心的电子化临床结局评估是满足监管要求、减轻患者负担、获取关键数据以支持药物开发与商业化的关键策略[4][5][28] 行业趋势与监管驱动 * 监管机构（如美国食品药品监督管理局）正推动以患者为中心的药物研发新时代，要求申办方在肿瘤学临床试验中纳入能捕捉患者体验（如剂量耐受性、副作用、日常功能影响）的临床结局评估[4] * 美国食品药品监督管理局的“优马计划”和“癌症临床试验的核心患者报告结果”指南是这一趋势的关键驱动因素[4][32] * 预计到2025年，美国将有超过200万新发癌症病例，凸显了该领域的重要性[14] 患者报告结局的价值与应用 * 患者报告结果是临床结局评估的关键工具，能提供关于疾病和治疗对生活影响的独特、至关重要的见解，这是调查者无法直接获取的[7] * 患者报告结果数据在药物开发生命周期中具有广泛价值，包括：指导临床试验设计与招募、支持监管审查中的利益-风险评估、增强产品标签声明、助力市场差异化与费用报销、以及为现实世界应用提供信息[8] * 收集患者报告结果数据需与监管机构关于以患者为中心的药物开发的指南保持一致，并且支付方和提供者也对这些数据感兴趣，用于评估治疗价值[11] 电子化临床结局评估策略与最佳实践 * **最佳实践一：以科学为导向** - 在方案开发早期就应采用基于证据的方法，与临床结局评估科学家或监管机构接触，以确定对肿瘤患者最重要的结局，确保终点和临床结局评估策略定义的严谨性[23][24] * **最佳实践二：跳出诊所思维** - 顺应去中心化临床试验趋势，采用远程电子数据收集，以延长访视间隔、提高患者便利性、收集实时数据并减少回忆偏差[22] * **最佳实践三：确保易用性** - 电子化临床结局评估设计需灵活，允许患者暂停并稍后继续，以尊重肿瘤患者因症状（如恶心、虚弱）而可能受限的完成评估能力，从而提高依从性[25] * **最佳实践四：考虑自带设备策略** - 允许患者使用自己的手机、电脑或平板电脑参与研究，可提高设备熟悉度、携带便利性，从而提升评估的及时性和合规率[26] * **最佳实践五：为患者提供更多背景信息** - 向患者解释其通过电子化临床结局评估提供的数据如何为研究增加价值，可以强化以患者为中心的体验并可能提升评估规程的遵循程度[27] 关键数据收集领域 * 美国食品药品监督管理局建议在肿瘤学电子患者报告结果评估中收集五个关键方面的患者体验数据[16]： 1. **疾病相关症状**：使用数字或口语量表评估严重程度，或使用频率量表[16] 2. **症状性不良事件**：定义一组最可能出现的典型不良事件，并在治疗组和对照组中收集患者报告结果数据[17] 3. **总体副作用影响摘要**：使用数字或口头量表了解副作用在一段时间内的整体影响[18] 4. **身体功能**：使用如患者报告结果测量信息系统身体功能量表或欧洲癌症研究与治疗组织生活质量问卷等工具，衡量治疗对活动能力的影响[19] 5. **角色功能**：了解治疗对患者工作能力和日常活动的影响，常用工具如欧洲癌症研究与治疗组织生活质量问卷的角色功能量表[16] * 理想情况下，申办者应选择能在一个工具中捕捉多个或全部这些见解的评估，以在满足监管要求的同时减少患者负担[16] 技术解决方案与效益 * 使用电子化临床结局评估可以通过让患者在方便的时间和舒适的家庭环境中完成评估来减轻其负担[13] * 将行为科学原理融入电子化临床结局评估解决方案设计，对于研究执行期间的患者参与至关重要，需关注患者需求和技术应用障碍[24] * 采用合适的电子化临床结局评估策略不仅能满足监管期望，还能为申办商提供宝贵的数据来源，帮助其在日益拥挤的市场中实现产品差异化[28] * 报告指出，IQVIA eCOA等敏捷解决方案可以加速试验、提升患者体验，从而帮助申办方更快地将新药推向市场[29]

报告行业投资评级 - 报告未明确给出行业投资评级 [1][2][3][4][5][6][8][10] 报告的核心观点 - 联想ThinkStation P8工作站是全球游戏开发者的首选工具，适用于从内容创建到最终编译部署的全流程 [2] - 该产品通过提供PCIe Gen 5支持、广泛的硬件配置选项和机架优化设计，旨在为用户的长期投资提供保障和灵活性 [3][4] - 报告通过为资产创造、编程、动作捕捉和游戏编译等不同生产需求推荐具体配置，展示了其满足专业工作负载的“无与伦比的能力” [4][5][6] 产品定位与市场优势 - 联想ThinkStation P8被定位为“更聪明”且“有很大差别”的工作站产品 [1] - 该工作站是全球游戏开发者进行角色、道具、环境创建以及表演捕捉、编程和构建的首选 [2] - 产品支持广泛的专业应用软件，包括3ds Max、Houdini、Maya、MotionBuilder、Photoshop、Substance、Unity、Unreal、ZBrush等，非常适合多应用工作流程 [4] 核心技术特性与配置 - **未来保障与升级灵活性**：产品支持PCIe Gen 5，为用户未来3到5年内的升级提供了自由和灵活性 [3] - **强大的计算与图形能力**：提供从12核4.7GHz至96核2.5GHz的广泛CPU选项，以及包括NVIDIA RTX专业级和NVIDIA GeForce显卡在内的GPU选项 [4] - **卓越的扩展与连接性**：配备7个PCIe插槽、10Gb网络标准以及1400W电源供应器 [4] - **部署灵活性**：采用机架优化设计，提高了部署的灵活性 [4] 针对不同工作流程的推荐配置 - **资产创造（三维建模、纹理处理和动画）**：推荐配置为AMD Threadripper PRO 7955WX (16核 @ 4.5GHz) CPU，NVIDIA RTX 5000 Ada或GeForce RTX 4080 GPU，128GB内存，以及共3TB的NVMe SSD存储 [5] - **编程（内部技术，中间件）**：推荐配置为AMD Threadripper PRO 7965WX (24核 @ 4.2GHz) CPU，NVIDIA RTX 4000 Ada GPU，256GB内存，以及共3TB的NVMe SSD存储 [5] - **角色身体和面部捕捉**：推荐配置为AMD Threadripper PRO 7975WX (32核 @ 4GHz) CPU，NVIDIA RTX 6000 Ada GPU，256GB内存，以及共3TB的NVMe SSD存储 [6] - **建造（编译适用于平台部署的游戏）**：推荐配置为AMD Threadripper PRO 7995WX (96核 @ 2.5GHz) CPU，NVIDIA RTX 4000 Ada GPU，512GB内存，以及共3TB的NVMe SSD存储 [6] 配套设备与公司背景 - **推荐显示器**：推荐使用ThinkVision P32pz-30或P27pz-30显示器，提供32英寸或27英寸4K迷你LED近无边框显示屏，并覆盖99% Adobe RGB色域 [8] - **公司实力**：联想是一家年收入达620亿美元的全球科技巨头，在《财富》全球500强中排名第217位，在全球180个市场运营，拥有77,000名员工，并是全球最大的个人电脑制造商 [8] - **公司战略**：联想正致力于实现“为所有人提供更智能的技术”的愿景，并推动包括服务器在内的“新IT”技术（客户端、边缘、云、网络和智能）发展 [8]

报告行业投资评级 未提及 报告的核心观点 - AI使员工更具价值和生产力，为企业创造价值，各行业均在扩大AI使用 [3][4] - 企业应将AI作为增长战略，而非仅用于提高效率，以实现企业级转型 [7][8] - 员工所需技能因AI发生快速变化，企业需助力员工提升技能并建立对AI的信任 [5][70] 根据相关目录分别进行总结 关键发现 - 受AI影响较大的行业，每位员工创造的收入增长速度比受影响较小的行业高3倍 [3][20] - 所有行业都在增加AI的使用，包括矿业和建筑业等不太明显受AI影响的行业 [3][6] - 受AI影响的工作岗位技能变化速度比去年的25%提升至66%，可自动化工作岗位的变化最快 [3][5] 对企业领导者的五点启示 - 利用AI进行企业级转型，从企业层面创造价值，获取新的收入来源和竞争优势 [7] - 将AI视为增长战略，而非仅用于控制员工数量，以开拓新市场和创造新收入 [8] - 优先采用智能AI，使员工借助数字代理团队提高生产力、创新和效率 [9] - 通过建立信任释放AI的变革潜力，确保AI的负责任部署和良好治理 [10] - 帮助员工掌握利用AI的技能，明确技能差距并制定弥补计划 [11] AI让员工更有价值 - 分析近十亿份招聘广告和数千份公司财务报告发现，即使在高度可自动化的工作岗位，AI也能提升员工价值 [13] - 以信息分析师Amina和客户支持代理John为例，展示AI如何增强员工能力，使员工创造更多价值 [18][19] - 受AI影响较大的行业，每位员工创造的收入增长速度比受影响较小的行业高3倍 [20][21] 智能AI：数字代理支持员工提高生产力 - AI代理是先进的数字劳动力，能协助员工完成更多工作，解锁新的生产力、创新和效率水平 [29] - 为企业领导者提供建议，将AI融入业务战略，用于企业级转型，优先采用智能AI [32] AI赋能员工工资上涨 - 受AI影响较大的行业，工资增长速度比受影响较小的行业快2倍 [33][36] - 即使在高度可自动化的工作岗位，工资也在上涨，自动化可使员工专注于更高价值的任务 [38] - 具备AI技能的员工平均工资高出56%，各行业均为具备AI技能的员工提供工资溢价 [42][44] AI代理承担常规任务，让员工创造更多价值 - 举例说明帮助客户使用AI代理的案例，如科技公司、 hospitality公司和医疗公司，展示AI代理如何提升工作效率和客户满意度 [48] AI对就业数量的影响复杂 - 除键盘文员和信息通信技术专业人员外，几乎所有受AI影响的职业岗位数量都在增长，但受影响较大的职业岗位增长速度较慢 [50] - 较温和的岗位增长对劳动年龄人口下降的国家可能有帮助，企业应将AI作为增长战略，创造更多价值 [54][59] 大胆运用AI对员工和企业至关重要 - “小范围运用AI”局限于过去的任务和产品，而“大胆运用AI”可解锁新能力、产品和行业，创造更多就业机会 [61] - 以西南航空公司为例，说明AI如何使员工专注于关键思考和创新，提升工作价值 [62] 技能变革加速 - 受AI影响较大的工作岗位，雇主所需技能变化速度比受影响较小的工作岗位快66%，比去年快2.5倍以上 [66][67] - 雇主对正式学位的需求在所有工作岗位均下降，在受AI影响的工作岗位下降更快，原因包括AI使专业知识更普及、技能变化快和对AI技能人才需求大 [70][74] AI可能提升可自动化岗位的技能水平 - 可自动化岗位的技能受AI影响变化最大，工资和岗位数量增长表明这些岗位正在重塑，以创造更多价值 [80][81] AI辟谣 - 反驳关于AI对生产力、工资、岗位数量、不平等、技能和自动化的常见误解，数据显示AI对这些方面有积极影响 [86] 女性在AI领域机遇与风险并存 - 各国受AI影响的工作岗位中，女性数量多于男性，女性有更多机会但也需加速提升AI技能以适应变革 [88][90] 各行业AI使用加速 - 要求具备AI技能的工作岗位增长速度快于所有工作岗位，去年增长7.5%，而总招聘信息下降11.3%，表明企业领导者重视AI投资 [92][93] - 各行业对具备AI技能员工的需求加速增长，早期在AI招聘领先的行业增长尤其迅速 [95][99] 展望未来 - AI使员工更有价值，受AI影响较大的行业每位员工创造的收入增长速度比受影响较小的行业高3倍 [103] - 可自动化岗位未大规模消失，工资和岗位数量增长表明这些岗位正在重塑，可增强岗位和可增强岗位的岗位数量和工资均在上升 [104] - 多数CEO认为AI将改变公司创造价值的方式，员工也认可AI带来的学习新技能和提高工作质量的机会 [105] - 未来需通过有意设计发挥AI作用，支持其增强员工能力，扩大中产阶级就业机会，同时确保AI获得公众和组织信任以实现全球GDP增长 [107]

全球AI投资与市场趋势 - 2024年全球私人AI投资达到创纪录的2523亿美元，同比增长26%，其中私人投资增长44.5%，并购活动增长12.1%，过去十年总投资增长超过13倍[75] - 生成式AI的私人投资在2024年达到339亿美元，同比增长18.7%，是2022年的8.5倍以上，占所有AI相关私人投资的20%以上[76] - 美国在全球AI私人投资中继续领先，2024年达到1091亿美元，是中国93亿美元的近12倍，是英国45亿美元的24倍[77] - 2024年全球对AI产品和服务持乐观态度的比例在中国为83%，印尼为80%，而美国仅为39%，加拿大为40%[18] - 全球对AI产品和服务的乐观态度从2022年的52%增至2024年的55%，其中加拿大和德国的乐观比例分别增长17%和15%[106][107] AI技术与硬件发展 - 2024年AI硬件性能以每年43%的速度增长，价格性能每年下降30%，能源效率每年提升40%[53][128] - GPT-3.5级别系统的推理成本从2022年11月的每百万tokens 20美元降至2024年10月的0.07美元，成本降低超过280倍[51][126] - AI模型的训练计算需求每五个月翻倍，数据集规模每八个月翻倍，训练所需功率每年翻倍[50][125] - 2022年11月至2024年10月，GPT-3.5级别系统的推理成本下降了280倍，硬件成本每年下降30%，能源效率每年提高40%[19] - AI模型训练的碳排放量显著增加，从AlexNet（2012年）的0.01吨增长至GPT-4（2023年）的5184吨和Llama 3.1 405B（2024年）的8930吨[54][129] AI研究与专利 - 2024年AI专利数量达到122,511项，比2023年增长29.6%，其中中国占全球AI专利总量的69.7%[52][127] - 2023年全球AI专利数量达到122,511项，比上一年增长29.6%[188][190] - 2013年至2023年间，AI相关论文总量从约102,000篇增长至超过242,000篇，增幅超过两倍，2023年同比增长19.7%，AI在计算机科学论文中的占比从21.6%提升至41.8%[123][137][138] - 2023年，中国的AI论文引用占全球总量的22.6%，欧洲为20.9%，美国为13.0%[159][160] - 2023年，美国在全球前100篇被引用最多的AI论文中占50篇，中国占34篇，排名第二[175][176] AI应用与行业发展 - 2024年78%的企业报告使用AI，比2023年的55%显著增长[15] - 使用生成式AI的组织比例从2023年的33%翻倍至2024年的71%[78] - Waymo每周提供超过15万次自动驾驶汽车服务，百度的Apollo Go机器人出租车已在中国多个城市运营[14] - 2023年FDA批准了223种AI驱动的医疗设备，而2015年仅为6种[14] - 中国在工业机器人安装量上继续领先，2023年安装了276,300台，是日本的6倍，美国的7.3倍，占全球安装量的51.1%[81] AI模型与性能提升 - 2024年行业开发的显著AI模型占比达到近90%，相比2023年的60%显著增长[121] - 美国在2024年开发了40个显著AI模型，远超中国的15个和欧洲的3个[124] - 2024年AI模型在新基准测试（如MMMU和GPQA）上的表现显著提升，分别提高了18.8和48.9个百分点[55] - 2024年AI生成视频技术取得重大进展，推出了如OpenAI的SORA和Meta的Movie Gen等高质量视频生成模型[61] - 先进的LLM（如GPT-4和Claude 3 Sonnet）尽管采取了减少显性偏见的措施，但仍表现出隐性偏见，例如将负面词汇与黑人联系、将女性与人文学科联系而非STEM领域[73] AI政策与法规 - 2024年全球AI立法提及率同比增长21.3%，覆盖75个国家，自2016年以来增长了9倍[20] - 美国在2024年引入了59项与AI相关的联邦法规，比2023年的25项增长超过一倍，涉及42个不同机构[99] - 2024年RAI（负责任AI）相关论文在顶级AI会议上的接受数量达到1,278篇，比2023年的992篇增长28.8%，自2019年以来持续上升[74]

报告行业投资评级 未提及 报告的核心观点 - 生成式AI有潜力显著提高各规模企业和个人的生产力，其对生产力的影响取决于传播速度、模型进展、使用方式和政策等因素 [9][10] - ChatGPT广泛使用为了解AI对经济的影响提供了窗口，其快速采用表明AI将对经济产生重大影响 [11][15] - AI具备易于访问、低门槛高扩展性和众多用例等特性，加速了其普及，在多数情况下，AI对经济增长的影响将十分显著 [17][19] - AI在多个行业已带来初步经济效益，还将催生新的工作类型和公司，推动经济增长 [28][35] - 当前挑战是公平扩大AI带来的收益，确保所有人都能从中受益 [36] 根据相关目录分别进行总结 引言 - 2010年代美国劳动生产率年均增长约1.5%，较上世纪90年代末经济繁荣时期低1个百分点，生成式AI有望显著提高生产力 [9] - ChatGPT是史上用户增长最快的消费技术，目前超5亿用户，28%的美国在职成年人在工作中使用，全球日消息量超25亿条，美国超3.3亿条 [11][12] - ChatGPT使用广泛，是提高个人生产力的重要驱动力和AI经济影响的关键指标 [15] AI采用速度预示重大经济影响 - ChatGPT达到1亿月活用户仅用两个月，两年内采用率是互联网的两倍，去年五分之二的美国成年人使用过AI产品 [16] - AI加速采用的三个属性为易于访问、低门槛高扩展性和众多用例，多数预测认为AI将提高生产力，对经济增长影响显著 [17][19] 美国人如何使用ChatGPT - 美国人使用ChatGPT的主要场景为学习与技能提升（20%）、写作与沟通（18%）、编程、数据科学与数学（7%），还有设计与创意构思、商业分析和翻译等 [20][21] - 美国ChatGPT用户偏年轻，18 - 24岁占24%，25 - 34岁占32%，预示长期经济收益 [22] 行业层面的生产力提升 - 报告行业的大型企业客户中，20%来自金融和保险，9%来自制造业，6%来自教育服务 [26][27] - AI在语言或模式密集型工作任务的行业带来初步经济效益，如法律、客户获取与支持、咨询、政府服务和教育等行业，能提高生产力、节省时间和提升工作质量 [28][32] 创业与新工作 - AI降低创业成本，开辟新商业机会，帮助新公司快速扩张和低成本推出产品，Y Combinator 2025年冬季批次公司每周增长约10% [33] - 约40%的小企业使用AI，多数认为其对行业愈发重要，小企业利用AI管理库存、营销和客户支持等，占美国私营部门就业近46% [34] - AI将催生全新工作类型和公司，创造就业机会，推动经济增长 [35] 结论 - 美国人对ChatGPT的使用广泛且有影响力，早期证据表明AI在许多情况下辅助了工人，加速了创新，当前挑战是公平扩大收益，确保惠及所有人 [36]

核心观点 - 人工智能正在引发一场历史性的范式转变，开启计算的新时代，其影响堪比历史上的铁路和互联网革命 [5][6][7][19] - 人工智能的发展不仅依赖于代码和模型，更依赖于由混凝土、钢铁和硅构成的物理基础设施，特别是数据中心 [8] - 当前人工智能发展的最紧迫瓶颈并非资本，而是电力供应 全球数据中心电力需求预计到2030年将激增+160% [9][38] - 电力基础设施（如电网）的老化与AI需求的快速增长之间存在结构性不匹配，这需要多层级的解决方案和前所未有的资本投入 [39][40][78][80] - 数据中心已成为地缘政治影响力的新工具，其选址具有战略意义，可能重塑全球联盟和经济竞争力 [70][71][75] - 为满足AI基础设施的巨大资本需求，需要创新的融资解决方案，结合公共和私人市场的优势，并扩大资本市场参与者的范围 [30][31][32][77][79][85] A Historic Paradigm Shift: AI Ushers In a New Era for Computing - 人工智能正在以极快速度发展，从根本上改变经济，各行业竞相跟进 [19] - 与传统云计算数据中心相比，AI数据中心在复杂性和资源密集度上呈指数级增长 预计到2027年，AI服务器机架的功耗将达到五年前云服务器的50倍 [21] - 超大规模云服务商（Hyperscalers）处于AI前沿，预计到2027年将在AI技术上投资1万亿美元 同时，出现了一批“新云”（neoclouds）公司，斥资数十亿美元购买GPU和数据中心 [22] - AI模型训练是能源密集型过程，需要高功率GPU、专用电源和先进冷却系统 其基础设施倾向于建在土地广阔、电力充足、监管条件有利的地区，如美国爱荷华州、内布拉斯加州、北欧和东南亚部分地区 [23] - AI推理（Inferencing）对延迟要求高，需要靠近终端用户，这为数据中心选址增加了复杂性和风险 [27] - 数据中心需求正迅速超过供应，空置率处于3%的历史低位，热门市场接近0% 数据中心开发总面积现已超过5000万平方英尺，是五年前的两倍 [28] - AI数据中心内部的计算设备成本是物理数据中心本身的3-4倍，加之技术迭代快，为贷款方和投资者带来了承保挑战 [28] The Power Imperative: Generational Opportunities and Challenges - 在经历了十年的平缓增长后，受高能耗AI数据中心驱动，全球数据中心电力需求预计到2030年将增长+160% [38] - 美国电网基础设施平均已使用40年，与AI技术的快速发展形成结构性错配，成为关键瓶颈 [39] - 过去十年低廉的天然气成本、风电太阳能安装成本下降、低利率以及平坦的电力需求维持了低电价 但间歇性可再生能源的涌入加速了基载煤电和核电的退役，导致电网缺乏足够的基载容量来满足峰值需求增长 [41][42] - 受监管的公用事业公司面临投资需求与避免资产搁浅风险的两难境地 它们正探索新的费率结构，如照付不议合同、前期资本投入和长期容量承诺 [43][45] - 高盛研究估计，约60%的数据中心需求增长需要通过新增容量来满足，可能由30%的天然气联合循环、30%的天然气调峰、27.5%的太阳能和12.5%的风能提供 [59] - 核电因其可靠、24/7零碳基荷发电的优势受到关注，被视为长期解决方案 但面临成本超支和工期延误的挑战 [62][63] - 面对漫长的并网等待，许多科技公司和数据中心开发商采取“表后”方案，自建微电网或靠近现有发电厂选址，以更快获得电力 [66][67] Data Center Diplomacy: A New Tool for Geopolitical Influence - 数据中心可以战略性地建在由企业和政府选择的地点，这使其成为AI时代地缘政治和经济竞争的关键工具 [71] - 美国若因国内限制导致数据中心扩张受阻，可能需要与全球伙伴建立溢出选项以训练AI模型 [73] - 亚马逊、谷歌和微软等公司已在中东数据中心进行投资 拉丁美洲也成为潜在枢纽，预计巴西数据中心市场将在未来五年内翻倍，其中约90%电力为可再生能源 [75] - 全球法规和制裁限制了美国芯片向某些国家的分销，为扩张数据中心枢纽增加了地缘政治和供应链风险层 [76] Meeting the Moment with Capital Solutions - 2024年，全球超大规模云服务商的资本支出达到约每天8亿美元 美国公用事业部门的年资本支出合计达2000亿美元 [78] - 预计到2030年，能源转型、电力和公用事业、数字基础设施的资本需求将分别达到12万亿美元、3万亿美元和2万亿美元 [80] - 全球数据中心供应量已从2019年的30吉瓦增至2024年的57吉瓦，相当于3240亿美元投资 预计到2030年还将有65吉瓦产能上线 [81] - 创新的融资策略包括：围绕稳定化数据中心发展股权资本，例如通过REIT市场或IPO；通过优化风险分配扩大投资者基础，例如吸引需要匹配长期负债的保险公司 [82][83] - 当前的资本支出策略需要结合公共市场和私人市场的优势，公共市场提供效率和流动性，私人市场提供定制化解决方案 [85] - 高盛新成立的资本解决方案集团整合了咨询、承销和投资平台，旨在为这一新格局提供全面的资本解决方案 [88][89][90]

报告核心观点 - 构建和运营人工智能产品是新的竞争优势前沿，2025年报告聚焦如何将生成式智能转化为可靠的创收资产，从产品路线图、上市策略、人才、成本管理和内部生产力等维度展开分析 [11][12] 报告行业投资评级 - 文档未提及相关内容 根据目录总结 构建生成式人工智能产品 - 产品阶段：AI原生公司产品发展更成熟，约47%产品达关键规模并证明市场契合度，而AI赋能公司仍有11%处于预发布阶段 [28][30] - 产品类型：代理工作流和应用层是常见产品类型，约80%AI原生公司正在构建代理工作流 [33] - 模型使用：多数公司依赖第三方AI API，高增长公司更多微调现有基础模型或开发专有模型，后期公司（收入超1亿美元）因资源和定制需求更倾向此做法 [36][37] - 模型选择：面向客户用例选基础模型时，公司优先考虑模型准确性；今年成本考量上升，反映模型层商品化趋势 [39][40] - 模型提供商：OpenAI的GPT模型最受欢迎，但公司越来越多地采用多模型方法，根据用例、性能、成本和客户需求选择不同提供商和模型 [42][46] - 模型训练技术：检索增强生成（RAG）和微调是常见训练技术，高增长公司倾向使用更多基于提示的技术 [49] - 人工智能基础设施：多数公司使用基于云的解决方案和AI API提供商进行训练和推理，以降低前期资本支出和运营复杂性，但也使供应商选择、SLA协商和成本管理成为战略重点 [52][53] - 模型部署挑战：公司部署模型时面临的主要挑战包括幻觉、可解释性/信任和证明投资回报率 [55] - 人工智能性能监控：随着AI产品规模扩大，性能监控变得更重要，许多规模化AI产品提供某种高级性能监控 [58] - 代理工作流：大量公司正在评估代理工作流，高增长AI公司更积极地在生产中部署AI代理 [61] 上市策略与合规 - 人工智能产品路线图：AI赋能公司约20 - 35%的产品路线图专注于AI驱动功能，高增长公司这一比例接近30 - 45% [66] - 定价模型：许多公司采用混合定价模型，包括基于订阅/计划的定价以及基于使用量或结果的定价；目前多数AI赋能公司将AI功能作为高级产品的一部分或免费提供，但预计未来会转向基于使用量的模型 [69][70] - 定价变化：40%的公司无改变定价计划，37%的受访者正在探索基于消费、投资回报率和使用层级的新定价模型 [75] - 人工智能可解释性和透明度：随着AI产品规模扩大，提供详细的模型透明度报告或关于AI如何影响结果的基本见解变得更关键 [78] - 人工智能合规和治理：多数公司有AI道德和治理政策的护栏，大多数受访者使用人工监督来确保AI公平性和安全性 [81] 组织结构 - 专用人工智能/机器学习领导力：许多公司在收入达到1亿美元时设立专用AI领导职位，可能是由于运营复杂性增加和需要集中的AI战略负责人 [86] - 人工智能特定角色：多数公司目前拥有专用的AI/ML工程师、数据科学家和AI产品经理，其中AI/ML工程师平均招聘时间最长 [89] - 招聘速度：受访者对招聘速度看法不一，招聘慢的主要原因是缺乏合格候选人 [92][93] - 工程团队专注于人工智能的比例：平均而言，公司计划让20 - 30%的工程团队专注于AI，高增长公司这一比例更高 [95] 人工智能成本 - 人工智能开发支出：平均而言，公司将约10 - 20%的研发预算分配给AI开发，多数公司计划在2025年增加AI支出 [100] - 预算分配：随着AI产品规模扩大，人才成本在总支出中的比例下降，而基础设施和计算成本上升 [103] - 基础设施成本：受访者认为API使用费用是最难控制的基础设施成本，公司正在探索使用开源模型和优化推理效率来降低成本 [106][110] - 模型训练：多数受访者至少每月训练或微调模型一次，每月模型训练成本根据产品成熟度从16万美元到150万美元不等 [113] - 推理成本：发布后推理成本激增，高增长AI公司在通用可用性和规模化阶段的推理成本是同行的两倍 [114] - 部署成本：数据存储和处理成本在通用可用性阶段后急剧上升，高增长AI公司在这方面的支出高于同行 [117] 内部生产力 - 内部生产力预算：2025年企业内部AI生产力预算预计接近翻倍，占总收入的1 - 8%，研发预算仍是最常见的预算来源，部分公司开始使用人员预算 [122][125] - 人工智能访问和使用：约70%员工可访问内部AI工具，但只有约50%员工持续使用，成熟企业（收入超10亿美元）的采用难度更大 [129] - 模型选择：选择内部用例的基础模型时，成本是最重要的考虑因素，其次是准确性和隐私 [133] - 模型部署挑战：企业部署AI用于内部用例时面临的最大挑战通常是战略性的，如找到合适的用例和证明投资回报率 [136] - 使用案例数量：公司通常探索多个生成式AI用例，员工采用率高的公司使用7个以上用例 [139] - 顶级用例：按影响排名，编码辅助对生产力的影响远高于其他用例，高增长公司约33%的代码由AI编写，受访者表示这些用例的生产力平均提高15 - 30% [144][145] - 内部人工智能采用态度：高增长公司更积极地试验和采用新AI工具，将AI视为战略杠杆并更快地将其集成到内部工作流程中 [147] - 跟踪投资回报率：多数公司测量内部AI使用的生产力提升和成本节约，部分公司同时跟踪定量和定性效率提升 [150][151] 人工智能构建技术栈 - 模型训练和微调：核心深度学习框架（如PyTorch和TensorFlow）和完全托管或API驱动的产品（如AWS SageMaker和OpenAI的微调服务）都很受欢迎，后期公司更倾向满足企业级需求的工具 [159] - 大语言模型和人工智能应用开发：编排框架占主导地位，如LangChain和Hugging Face的工具集，同时安全和高级软件开发工具包（SDK）也逐渐受到关注 [160][164] - 监控和可观测性：近一半团队依赖现有应用性能管理（APM）/日志记录堆栈，ML原生平台（如LangSmith和Weights & Biases）开始获得一定市场份额，但生态系统仍较分散 [166][167] - 推理优化：NVIDIA的TensorRT和Triton推理服务器占据主导地位，ONNX Runtime和TorchServe是常见的非NVIDIA解决方案 [172][175] - 模型托管：多数团队直接使用OpenAI、Anthropic等提供商的模型主机，AWS Bedrock和Google Vertex AI也有较大市场份额，后期公司更倾向使用超大规模解决方案 [177][180] - 模型评估：没有明确的独立领导者，部分团队使用平台内置的评估功能，新兴的专业框架（如LangSmith和Langfuse）开始受到关注，但仍有部分团队不清楚使用的评估工具 [182][183] - 数据处理和特征工程：经典大数据工具（如Apache Spark和Kafka）占主导地位，Python工具（如Pandas）也有一定使用，专用特征存储的使用率较低 [188][192] - 向量数据库：Elastic和Pinecone是领先的向量数据库，Redis和开源解决方案也在逐渐获得市场份额 [194][196] - 合成数据和数据增强：超半数团队自行构建工具，Scale AI是第三方合成数据平台的领导者，基于编程的框架开始受到关注 [200][202] - 编码辅助：GitHub Copilot使用率近四分之三，Cursor也有较高使用率，低代码或无代码解决方案开始受到关注 [208] - 开发运维和机器学习运维：MLflow是领先的工具，但市场份额仅三分之一，Weights & Biases也有一定份额，市场仍在发展中 [210][213] - 产品和设计：Figma是UI/UX和产品设计的事实上的标准，Miro用于高级协作，部分团队使用低代码或无代码解决方案进行快速原型设计 [215][217] - 内部生产力用例：销售、营销、客户参与、文档和知识检索等领域，团队倾向使用现有工具的嵌入式AI功能，同时也有部分团队使用专业工具或自行开发解决方案 [220][221]

报告行业投资评级 未提及相关内容 报告的核心观点 - 人工智能技术变革的速度和范围空前，其发展受全球互联网普及、数据积累、大语言模型突破等因素驱动，同时全球竞争激烈 [5][6][8] - 人工智能在用户、使用量和资本支出方面呈现前所未有的增长态势，模型计算成本高且上升、推理成本下降，使用、成本和损失也在增长，货币化面临竞争加剧、开源趋势和中国崛起等威胁，与物理世界融合加速，推动全球互联网用户增长，改变工作方式 [11] - 尽管人工智能发展带来不确定性，但从长期看，激烈竞争、创新、可获取的计算资源、全球快速采用以及明智的领导可能带来积极结果 [30] 根据相关目录分别进行总结 1. Seem Like Change Happening Faster Than Ever? Yes, It Is - 人工智能技术变革速度远超以往，互联网发展曾带来前所未有的变化，而人工智能用户和使用量增长更快 [4][5] - 全球55亿公民可通过联网设备接入互联网，三十多年积累的数字数据集以及大语言模型的突破，推动了人工智能的发展 [6] - 新兴人工智能公司积极创新、发布产品、投资、收购等，传统科技公司也将更多自由现金流投向人工智能 [7] 2. AI User + Usage + CapEx Growth = Unprecedented - 用户方面，ChatGPT用户增长迅速，17个月内增长8倍至8亿，全球采用速度也远超互联网，且在各年龄段的使用量都在上升，用户参与度和留存率高 [146][150][238] - 使用量上，ChatGPT在各年龄段的使用量快速上升，用户参与度提高，会话次数和时长增加 [238][241][244] - 资本支出方面，大型科技公司的资本支出多年来呈上升趋势，与数据使用和存储增长相关，且随着人工智能崛起而发生转变，云收入也相应增长 [286][290][293] 3. AI Model Compute Costs High / Rising + Inference Costs Per Token Falling = Performance Converging + Developer Usage Rising - 训练最强大的大语言模型成本高昂且不断上升，可能达到数十亿美元，但推理成本因硬件改进和算法效率提升而迅速下降 [378][379][380] - 推理成本下降带来新的成本曲线，增加了大语言模型提供商的竞争压力，也为用户和开发者带来更低成本，但模型提供商的货币化和盈利面临挑战 [380][381][382] - 开发者活动增加，因为推理成本下降和模型可获取性提高，人工智能的使用量增加推动了计算需求的增长 [421][390][393] 4. AI Usage + Cost + Loss Growth = Unprecedented - 人工智能使用量在各年龄段和各领域都在快速增长，如ChatGPT在不同年龄段的使用量上升，企业和政府也在增加人工智能的应用 [238][216][250] - 成本方面，训练成本高且上升，推理成本虽单位下降但总体支出因使用量增加而上升，形成增长飞轮，给云提供商、芯片制造商和企业IT预算带来压力 [331][332][333] - 损失方面未提及相关内容 5. AI Monetization Threats = Rising Competition + Open - Source Momentum + China's Rise - 竞争加剧，美国领先的大语言模型面临来自中国大语言模型的竞争，市场份额受到影响 [15] - 开源趋势增强，开源模型的发展可能对商业模型造成冲击 [79] - 中国在人工智能领域的崛起，如中国大语言模型的桌面用户份额增加，工业机器人安装数量可观 [15][16] 6. AI & Physical World Ramps = Fast + Data - Driven - 人工智能与物理世界的融合加速，如共享出行和自动驾驶出租车在旧金山运营区域的市场份额变化，体现了数据驱动的特点 [18] - 人工智能在医疗、交通等领域的应用，提高了效率和服务质量，如Kaiser Permanente的多模态环境AI抄写员帮助医生减少行政任务时间 [203][204] 7. Global Internet User Ramps Powered by AI from Get - Go = Growth We Have Not Seen Likes of Before - 由人工智能驱动的全球互联网用户增长速度前所未见，ChatGPT在全球的用户增长迅速，在推出后短时间内达到较高的用户比例 [150] - 人工智能的发展推动了全球互联网的普及和应用，为用户提供了更多的服务和体验 [24] 8. AI & Work Evolution = Real + Rapid - 人工智能正在切实且快速地改变工作方式，美国IT行业中与人工智能相关的工作岗位大幅增加，而非人工智能相关岗位减少 [19] - 职场中使用人工智能聊天机器人的员工认为这些工具能让工作更高效、质量更高 [250]