企业级AI应用的核心驱动力 - 红杉资本合伙人认为下一轮AI将聚焦收益而非工具销售 这代表万亿美元机会[2] - 企业级AI落地是实现收益最大化的必经之路 技术需在ToB领域获得成功[2] - 企业级Agent价值实现需要模型 数据 场景三要素缺一不可[3] 模型能力的发展趋势 - 模型选择标准从追求先进性转向商业价值创造 企业更关注模型带来的实际收益[3] - 生成式AI初期企业为模型先进性付费 发展阶段转向为商业价值付费[3] - 模型真正价值在于应用场景而非模型本身 需与行业Know-how深度融合[5] 数据要素的关键作用 - 高质量数据是企业AI落地的核心生产力 没有数据一切空谈[4] - 企业需要解决三个数据问题：是否有高质量数据 是否在用 是否发挥作用[4] - 创新奇智99%训练数据采用合成数据 弥补初期高质量数据不足困境[4] 应用场景的具体实践 - 电与大模型类比显示AI价值在于与具体场景结合 如空调 灯泡等用电场景[5] - 企业需选择最值得被AI改造的业务场景优先落地 工业领域已有多个应用案例[5] - 华为阿里云工业大模型提升CAE仿真效率50% 微软Azure自动生成PLC代码[6] - 南京恒略动态库存系统提升汽车零部件库存周转率22% 紧急采购频次下降65%[6] - 京东工业Joy industrial大模型通过智能调度降低运维成本[6] 工业AI产品创新 - 创新奇智与Bentley联合发布多模态工业大模型设计产品iPID[6] - iPID将传统PID图转化为智能PID 支持多格式图纸解析与生成[7] - iPID在设计场景提升工作效率10倍以上 旧改项目快速识别老旧PDF图纸[7] 国家政策与产业布局 - 国家部署AI+工业软件专项行动 支持AI+CAE AI+EDC先导产品开发[8] - 工信部提出以工业智能体深化人工智能工业应用 带动工业数据集和工业大模型创新[8] - 全国已建成超3万家基础级智能工厂 1200余家先进级智能工厂 230余家卓越级智能工厂[8] - 卓越级智能工厂产品研发周期平均缩短28.4% 生产效率平均提升22.3%[8] - 工业企业数字化研发设计工具普及率达83.5% 关键工序数控化率达66.2%[8] 企业级应用案例 - 鼎捷数智推出文生图ChatCAD 根据订单需求自动生成CAD图纸[9] - 易立德ETRX-PDM植入AI能力 涵盖智能物料推荐 智能合规性检查等功能[9] - 创新奇智与华润数科合作打造AI Agent平台 构建晶圆瑕疵图片知识库等应用[9] - 富士康FODT平台实现数字孪生与物理世界毫秒级同步[10] - 国家电网光明电力大模型在70余个场景实现设备运维和负荷预测自动化[10] 工业智能体的四大应用特性 - 数据治理类：通过大模型治理数据资产 某服务商在汽车设计环节压缩研发周期30%[11] - 知识处理类：通过知识库和问答助手提升员工水平 弥补个体经验差异[12] - 流程优化类：从流程驱动转向数智驱动 AI可完成多模态审核工作如财务报销识别[12] - 辅助决策类：基于历史数据分析帮助制定科学管理制度 实现利益最大化[12] 工业智能体发展现状 - 生成式AI在知识密集型领域发挥重要作用 体现在检索 交互 泛化想象能力[13] - 当前应用领域集中在企业数据资产最密集的四大类别[13] - 工业大模型与智能体正从功能替代迈向认知进化 推动制造业进入AI定义一切新纪元[10]

人工智能行业趋势 - 人工智能进入规模化商业化应用时代 将带来比互联网更大的机会 [1] - 大模型已从颠覆性创新的指数爆发期进入能力增强和功能修补的改良期 投入边际效益递减 [2] - 国产大模型包括DeepSeek、千问、Kimi、智谱等集体发力 推动开源普惠生态逐步形成 [2] 智能体技术发展 - 智能体已成为人工智能落地应用的重要形式 具备使用工具和记忆能力 可自主理解任务目标并规划分解 [2] - 智能体能够解决大模型在企业核心业务应用中的不足 相当于增加了手和脚 [2] - 2024年是大模型之年 而今年是智能体之年 [2] 政策支持 - 国务院出台《关于深入实施"人工智能+"行动的意见》 推动人工智能与各行业深度融合 [1] - 政策明确发挥中国数据资源丰富、产业体系完备、应用场景广阔等优势 加快培育新质生产力 [1] - 政策支持智能体广泛应用 发展智能体即服务 并设定了2027年和2030年的智能体应用普及率目标 [2] 公司战略 - 360集团实施安全+AI双主线战略 与政策部署高度匹配 [1] - 公司打造智能体工厂 为企业提供算力、大模型、知识库、工具等八项基础设施 [2] - 提供记忆、编程、多模态输出、安全等十大增强能力 让每个企业都能打造自己的智能体 [2]

产品发布 - 公司正式发布联想百应智能体2.0 标志着国内首个面向企业的L3级AI服务智能体问世 [1] - 产品具备自主规划 按需生成和闭环解决能力 实现AI从响应式助手到协作级伙伴的能力跃迁 [1][11] - 产品新增移动客户端 实现桌面 小程序和移动客户端的多端联动 渗透到移动办公的每一个环节 [8] 技术能力 - 智能体拥有L3级能力 能够深度融入企业高频场景 突破预设工作流限制 以多模态感知理解复杂需求 动态生成决策链条 闭环执行解决问题 [3] - 产品进行五大AI核心技术升级 包括AI感知规划 AI上下文增强 AI多工具调用 AI自生成和AI自迭代 [7][10] - 技术升级使智能体呈现出主动性 创造力和执行力三大L3级产品表现 主动性体现在主动捕捉设备状态和用户需求 创造力体现在按需生成专属解决方案 执行力体现在自动调用多类型工具实现端到端闭环 [11][13] 应用场景 - AI运维方面推出全新应用IT码上解 打破传统工具被动调用模式 由AI编码自主规划步骤 自生成解决工具和调用多类型工具 覆盖200+热门高频IT工具 [3] - AI办公方面新增超级员工应用 通过自然语言指令拆解需求 覆盖95%以上的核心AI场景 智能表格能串联数据 可视化呈现并输出业务洞察建议 [4] - AI营销方面实现零门槛专业设计与传播 通过对话即可生成海报 提供设计师级别的深度编辑能力 操作效率较纯人工模式快10倍 覆盖30+高关联场景的海量专业模板库 网页一键生成功能让效率快10倍 [5] 市场定位 - 产品将AI真正转化为中小企业都能用上的创新生产力 重新定义了中小企业AI服务边界 [1] - 智能体产业正以年均复合增长率超40%的速度蓬勃发展 成为推动数字化转型的关键力量 [3] - 产品将前沿AI成果转化为中小企业智能化转型的普惠工具 践行AI普惠的价值主张 [16]

企业级AI应用的核心观点 - AI发展重点从工具销售转向收益创造 红杉资本合伙人称此为万亿美元机会 企业级应用是实现收益最大化的关键路径[2] 企业级AI成功要素 - 模型、数据、场景三大要素缺一不可 模型需结合场景选择而非盲目追求规模 企业最终为商业价值而非技术先进性买单[3] - 高质量数据是核心生产力 企业需解决数据有无、使用和效用问题 合成数据可弥补高质量数据不足困境 创新奇智99%训练数据通过合成获得[4] - 场景价值高于技术本身 电与AI类比显示场景结合决定价值 需优先选择最适合AI改造的业务场景[5][6] 工业领域AI应用案例 - 华为阿里云工业大模型提升CAE仿真效率50% 微软Azure自动生成PLC代码 南京恒略提升库存周转率22%并降低紧急采购频次65%[7] - 创新奇智与Bentley联合发布生成式AI设计产品iPID 将传统图纸转化为智能PID 工作效率提升10倍以上 支持多格式图纸解析与组件识别[8] - 富士康FODT平台实现数字孪生毫秒级同步 国家电网大模型在70余场景实现自动化运维 提升电网稳定性与响应速度[11] 工业智能体应用特性 - 数据治理类：通过大模型治理数据资产 某服务商在汽车设计环节压缩研发周期30% 利用数万份图纸及力学数据实现增效[12] - 知识处理类：通过AI知识库提升员工平均水平 新手可通过问答助手获得设备维护技巧 弥补员工个体差异[13] - 流程优化类：从流程驱动转向数智驱动 AI可完成多环节审核工作 财务SaaS公司推出多语种报销票据自动识别工具[13] - 辅助决策类：在库存管理和供应链领域 AI根据历史数据分析 帮助企业制定科学管理制度实现利益最大化[13] 政策与行业基础 - 国家部署AI+工业软件专项行动 支持开发AI+CAE等先导产品 工信部提出以工业智能体深化AI应用[9] - 全国已建成超3万家基础级智能工厂 1200余家先进级和230余家卓越级智能工厂 覆盖超80%制造业大类[9] - 卓越级智能工厂产品研发周期平均缩短28.4% 生产效率平均提升22.3% 数字化研发设计工具普及率达83.5%[9] 工业软件厂商布局 - 鼎捷数智推出文生图ChatCAD 自动生成CAD图纸解决改型设计挑战[10] - 易立德PDM系统植入AI能力 涵盖智能物料推荐和合规性检查等功能[10] - 创新奇智布局工业具身智能和AI Agent 与华润数科合作构建晶圆瑕疵知识库和智能问数平台[11]

A股市场表现 - 三大指数集体高开 沪指涨0.03%至3869.61点 深成指涨0.08%至12483.19点 创业板指涨0.2%至2747.50点[2] - 科创50指数领涨1.15%至1285.44点 万得全A涨0.10%至6170.83点[3] - 全A股2235只个股上涨 2297只下跌 891只平盘[3] 行业板块表现 - AI产业链全线走强 算力 智能体 GPU概念领涨 寒武纪高开近4%[2] - 大消费普遍回调 农业 免税 汽车股跌幅居前[2] - 光伏 稳定币概念小幅下跌[2] 港股市场表现 - 恒生指数高开0.4%至25626.17点 恒生科技指数涨0.55%至5814.33点[4][5] - 恒生生物科技指数大涨1.71%至17483.40点 恒生中国企业指数涨0.36%至9181.86点[5] - 蔚来汽车大涨8% 康方生物 晶泰控股涨超4% 华润万象生活绩后低开1%[4]

A股市场开盘表现 - 三大指数集体高开 沪指涨0.03%至2747.50点 深成指涨0.08%至12483.19点 创业板指涨0.2%至1285.44点[3][4] - 全A股涨跌分布显示2235只个股上涨 2297只个股下跌 市场呈现分化态势[4] - 万得全A指数上涨0.10%至6170.83点[4] AI产业链板块表现 - AI产业链全线走强 算力 智能体 GPU概念领涨[3] - 寒武纪高开近4% 体现AI芯片领域强势开局[3] 港股市场开盘表现 - 恒生指数高开0.40%至25626.17点 上涨101.25点[4][5] - 恒生科技指数上涨0.55%至5814.33点 恒生中国企业指数上涨0.36%至9181.86点[5] - 恒生生物科技指数显著上涨1.71%至17483.40点[5] 个股及板块异动 - 蔚来汽车大涨8% 领涨港股汽车板块[4] - 康方生物和晶泰控股涨幅超4% 生物科技板块表现突出[4] - 华润万象生活业绩公布后低开1%[4] 弱势板块表现 - 大消费板块普遍回调 农业 免税 汽车股跌幅居前[3] - 光伏和稳定币概念板块小幅下跌[3]

A股市场开盘表现 - 三大指数集体高开 沪指涨0.03%至3869.61点 深成指涨0.08%至12483.19点 创业板指涨0.2%至2747.50点 [1][2] - 科创50指数涨幅显著达1.15% 北证50指数涨0.08% 万得全A指数涨0.10%至6170.83点 [2] - 全市场2235只个股上涨 2297只下跌 显示市场分化态势 [2] AI产业链表现 - AI产业链全线走强 算力 智能体 GPU概念领涨 [1] - 寒武纪大幅高开近4% 体现AI芯片领域强势表现 [1] 港股市场开盘情况 - 恒生指数高开0.4%至25626.17点 恒生科技指数涨0.55%至5814.33点 [3][4] - 恒生生物科技指数大涨1.71%至17483.40点 恒生中国企业指数涨0.36% [4] - 蔚来汽车开盘大涨8% 康方生物和晶泰控股涨超4% [3] 板块分化表现 - 大消费板块普遍回调 农业 免税 汽车股跌幅居前 [1] - 光伏和稳定币概念小幅下跌 显示资金从传统板块向科技板块流动 [1] 央行流动性操作 - 央行开展3799亿元7天期逆回购操作 操作利率1.40% [5] - 单日净回笼2361亿元 因当日有6160亿元逆回购到期 [5] 人民币汇率变动 - 人民币兑美元中间价调升80个基点至7.1108 创2024年11月6日以来最高 [6] - 前一交易日中间价报7.1188 在岸人民币16:30收盘价报7.1621 夜盘收报7.1518 [6]

市场表现 - A股三大股指集体小幅高开 沪指涨0.03%报3869.61点 深成指涨0.08%报12483.19点 创指涨0.2%报2747.5点 [1] - 两市及北交所共2235家上涨 2297家下跌 平盘891家 [2] 行业板块 - AI产业链全线走强 算力、智能体、GPU概念领涨 寒武纪中报超预期高开近4% [1] - 大消费普遍回调 农业、免税、汽车股跌幅居前 光伏、稳定币概念小幅下跌 [1] 资金流动 - 央行开展3799亿元7天期逆回购操作 利率1.40% 因6160亿元逆回购到期 实现净回笼2361亿元 [2] - 两市融资余额增加191.87亿元 合计达21847.81亿元 [3] 汇率变动 - 人民币对美元中间价报7.1108 调升80个基点 创2024年11月6日以来最高 [4]

量化模型与构建方式 1 **模型名称**：DeepSeek-V3.1混合推理架构[12] **模型构建思路**：通过单一模型支持“思考模式”与“非思考模式”两种推理方式，以适应不同复杂度的任务需求，提升计算资源分配效率[12] **模型具体构建过程**：模型基于Transformer结构进行深度改造，通过动态激活不同的注意力头来实现模式切换，并采用了思维链压缩训练技术以减少推理过程中的冗余token输出[12] 在非思考模式下，模型针对简单任务提供快速响应；在思考模式下，模型启动深度推理机制，适用于代码生成、复杂决策和多步逻辑推理等任务[12] 模型还将上下文长度从64K扩展至128K，采用了“两阶段长上下文扩展方法”，在原始V3模型检查点基础上新增了8400亿tokens的训练数据，其中32K上下文扩展阶段的训练量增加了10倍，128K扩展阶段增加了3.3倍[15] 2 **模型名称**：Seed-OSS-36B[22] **模型构建思路**：以360亿参数规模和原生512K超长上下文窗口为核心，旨在实现参数效率与性能的平衡，特别优化数学推理、代码生成和智能体任务[22] **模型具体构建过程**：采用稠密模型架构，参数分布于64层网络中，隐藏层维度为5120，词汇表扩展至155K以支持多语言与专业术语处理[22] 集成分组查询注意力（GQA）机制，通过80个查询头分组共享键值对，结合旋转位置编码（RoPE）技术原生支持512K上下文窗口[22] 训练阶段采用RMSNorm归一化与SwiGLU激活函数，使用12万亿tokens的训练数据[23] 引入“思考预算”机制，允许用户动态控制模型推理深度，开发者可设定512的整数倍token预算（如512、4K、16K），模型会实时反馈剩余计算资源并调整输出策略[24] 3 **模型名称**：WebWatcher[26] **模型构建思路**：构建一个能够同步解析图像与文本信息，并自主调用多种工具链完成多步骤任务的多模态深度研究智能体[26] **模型具体构建过程**：开发团队设计了一套完整的四阶段训练框架[27] 首先通过CRAWLQA模拟人类浏览权威网站如arXiv和Wiki来构建数据，随后进行轨迹采样以构建网页操作链，接着通过监督微调学习基础工具调用与决策逻辑，最后利用强化学习在动态环境中优化长期推理能力[27] 其关键突破在于E2HQA数据合成技术，通过由简到难的策略自动生成带验证的多步推理问答对[27] 4 **模型名称**：AutoGLM 2.0[32] **模型构建思路**：通过创新的云端架构和“云手机+云电脑”技术范式，构建一个能在手机端运行的通用智能体，实现人工智能从信息交互向行动执行的关键跨越[32] **模型具体构建过程**：其核心架构建立在“终端指令-云端执行-结果反馈”的闭环系统之上，为每位用户配备专属的云端虚拟设备（基于安卓环境的云手机和Ubuntu系统的云电脑），使任务执行与用户本地设备完全解耦[33] 由智谱最新开源模型GLM-4.5与GLM-4.5V协同驱动，GLM-4.5作为“决策大脑”负责任务规划与逻辑推理，GLM-4.5V作为“视觉执行器”通过计算机视觉识别GUI界面元素并精准映射操作动作[34] 两者通过端到端异步强化学习框架协同工作：模型在数千个并行云环境中自主试错，仅依赖最终任务完成的奖励信号优化策略[34] 5 **模型名称**：WeChat-YATT（gCore）[39] **模型构建思路**：专注于强化学习（RL）和多模态模型训练，旨在提供一套易扩展、简洁、高效且可靠的大模型训练解决方案，以应对大尺寸模型、长序列输入以及大规模数据集带来的挑战[39] **模型具体构建过程**：针对大模型分布式训练中的两大核心瓶颈提出解决方案[39] 首先是多模态场景下的可扩展性瓶颈，通过引入并行控制器（Parallel Controller）机制，由多个控制器协同管理数据任务，有效分散系统压力[39] 其次是动态采样与生成式奖励计算下的效率短板，通过部分共存策略（Partial Colocation）和异步交互机制，大幅减轻模型切换损耗和长尾任务的影响[40] 支持两种资源放置模式：全员共存（Full Colocation）与部分共存（Partial Colocation）[43] 全员共存模式采用串行调度机制，Actor Rollouts、生成式奖励模型（GenRM）与训练（Train）依次串行执行，每个角色完成后主动释放计算资源；部分共存模式则适用于Rollouts与GenRM需要高频交互、动态采样的复杂任务场景，Actor Rollouts与GenRM独立部署并通过异步方式进行高效交互[43] 6 **模型名称**：Qwen-Image-Edit[47] **模型构建思路**：基于Qwen-Image基础模型，通过创新的双重编码机制与多模态扩散Transformer架构（MMDiT），实现语义与外观双重编辑能力的深度融合[47] **模型具体构建过程**：采用双路径输入设计，将原始图像同时送入Qwen2.5-VL模型和VAE编码器[47] 前者负责提取高层语义特征，实现对场景、对象关系的理解；后者则专注于保留底层视觉细节如纹理与色彩[47] 引入链式编辑机制，用户可通过多次框选指定区域逐步调整，如修正书法作品[49] 7 **模型名称**：PROMPTQUINE框架[58] **模型构建思路**：提出一种颠覆传统大语言模型提示设计范式的新方法，通过将自然语言提示修剪成看似不连贯的“乱码”来提升模型在多样化任务中的表现[58] **模型具体构建过程**：该框架采用进化搜索算法，仅利用上下文中的token资源，自主发现有效的修剪策略[58] 将提示优化重构为引导式搜索问题，将搜索空间定义为原始提示的所有可能子序列，通过动态调整子序列长度来优化不可微的任务目标函数[59] 设计了基于遗传算法的搜索机制，其中二进制token掩码作为基因型，生成的ICL提示作为表现型，通过位翻转实现变异操作，基于精英选择指导后代生存[59] 模型的回测效果 （报告中未提供相关模型的量化回测性能指标，如年化收益率、夏普比率、信息比率（IR）、最大回撤等，因此此部分省略） 量化因子与构建方式 （报告中未涉及量化因子的构建与测试，因此此部分省略） 因子的回测效果 （报告中未涉及量化因子的构建与测试，因此此部分省略）

国家人工智能政策支持 - 国务院出台《关于深入实施"人工智能+"行动的意见》 体现国家推动人工智能融入经济社会各行业各领域的顶层设计和对智能经济、智能社会的强力支持 [1] - 政策明确发挥中国数据资源丰富、产业体系完备、应用场景广阔等优势 加快培育发展新质生产力 在培育新模式新业态、安全治理等方面作出详细部署 [1] - 政策设定2027年、2030年的智能体应用普及率目标 支持智能体广泛应用和发展"智能体即服务" [3] 人工智能技术发展现状 - 大模型已走过颠覆性创新的"指数爆发期" 进入能力增强、功能修补的"改良期" 投入边际效益递减 [2] - 国产大模型包括DeepSeek、千问、Kimi、智谱等集体发力 能力进入国际第一梯队 开源普惠生态逐步形成 [2] - 企业部署大模型成本从两年前天价降至几乎为零 人工智能进入规模化商业化应用时代 带来比互联网更大的机会 [2] 智能体技术演进与应用 - 智能体通过使用各种工具和具备记忆能力 解决大模型在企业核心业务应用的差距 相当于增加"手和脚" [2] - 智能体可自主理解任务目标、规划分解任务 完成复杂工作 成为人工智能落地应用的重要形式 [2] - 2024年是大模型之年 2025年是智能体之年 智能体已成为人工智能应用重要形式 [2] 企业战略与政策契合度 - 三六零实施"安全+AI"双主线战略 与政策安排部署高度匹配 [1] - 公司打造智能体工厂 为企业提供算力、大模型、知识库、工具等八项基础设施 [3] - 提供记忆、编程、多模态输出、安全等十大增强能力 让每个企业都能打造自己的智能体 [3] 人工智能安全治理 - 政策高度关注人工智能安全可控 共12处提到"安全" 明确要求打造安全治理多元共治新格局和提升安全能力水平 [3] - AI时代网络安全形势更为严峻 网络安全运营专家稀缺的同时出现"智能体黑客" [3] - 一名人类黑客可操控数十个"智能体黑客"发起攻击 网络攻防对抗从"人与人"演变为"人与机器" 加剧攻防不对称性 [3] 企业安全技术突破 - 三六零通过"以模制模"策略 利用专业安全数据、知识、工具、工作流、大模型和智能体打造平台 [4] - 在360安全大模型"大脑"上增加"手和脚"作用 打造360安全智能体 [4] - 该智能体补齐企业安全人才短板 有效应对"智能体黑客" 实现安全能力"质"的突破 [4]