行业整体趋势 - 2025年金融行业大模型采购与应用呈现爆发式增长，中标项目数量达587个，同比激增341%，披露金额达15.06亿元，同比飙升527% [3] - 银行业是金融行业大模型采购的绝对领跑者，发起采购项目290个，占行业总项目数的近一半（49.40%），披露中标金额占比高达75.2%，形成“一家独大”格局 [3][5][6] - 市场重心正从“拥有大模型”转向“用好大模型”，以智能体为代表的应用类项目中标数量已加速赶超并超越算力类项目，占据招投标市场更大份额 [3][7] 银行业采购动态 - 银行业在2025年同步采购算力与应用项目，其中应用项目采购从2025年才正式启动 [6] - 在银行类290个中标项目中，算力类项目达107个，占比约37%，金额为90172万元，占比约80% [6] - 多家银行已落地大模型应用，例如邮储银行将DeepSeek应用于智能客服，浙商银行引入阿里云“代码助手”，微众银行、苏商银行将大模型嵌入风控审核流程 [10] 市场驱动因素 - 政策支持是重要驱动力，国务院《关于深入实施“人工智能+”行动的意见》为金融业智能化转型按下加速键，并设定了智能终端/智能体2027年超70%、2030年超90%的普及率目标 [8] - 技术成熟迎来拐点，2025年初以深度求索公司DeepSeek为代表的开源模型崛起，凭借低成本与高性能优势降低了银行尝试新技术的门槛 [1][8] - 市场竞争压力倒逼，在息差收窄、同质化竞争背景下，银行业需新工具提升效率，麦肯锡报告指出AI全面应用有望在某些成本类别上实现高达70%的削减，预计银行整体成本基数净降幅达15%至20% [9] 应用场景与方向 - 金融行业大模型应用场景相对集中，中标项目数量排名前五的具体场景为：智能客服&数字人（81个）、知识问答&知识平台（35个）、智能审核&分析决策（28个）、智能编程（15个）、内容生成（14个） [10] - 智能体正成为金融机构深化大模型应用的重点方向，但以“智能体”为明确采购标的项目仍处起步阶段，相关项目数量为49个，约占项目总数的8% [10][11] - 主流大模型厂商与传统金融IT服务商均已重点布局金融行业，垂类厂商表现突出，例如中关村科金2025年中标的20个金融大模型项目全部为应用类 [11]

行业动态：智能体发展进入狂奔状态 - 2026年初，智能体发展进入狂奔状态，Anthropic发布Cowork，将大模型与智能体能力推进到电脑桌面，可解决大部分人的工作问题[1] - 谷歌联合Walmart等零售商推出专为智能体购物设计的开放标准“通用商务协议”，旨在推动智能体购物全流程标准化，实现从推荐、决策到支付的无缝衔接[1] - 2025年被普遍视为智能体元年，智能体热度持续，其出现让大模型从拥有智能“大脑”进化出灵活的“手”和“脚”，自动执行复杂任务的能力与日俱增[11] - 2026年1月，业界出现Anthropic的Cowork、OpenAI的ChatGPT Health等一系列新产品，科技公司正快速兑现智能体在企业与专业领域落地的预言[38] 公司产品发布：千问App上线“任务助理” - 2026年1月15日，千问App上线全新AI Agent能力“任务助理”，全面打通阿里生态，一次开启400多项新功能，并开启免费测试与灰度上线[2] - 该产品将国内最强的AI模型与最全的应用生态合而为一[4] - 用户只需对AI说出需求，千问即可自动完成找店、选地址、选商品、下单等流程，用户仅需点击最终支付[5] - 千问能够接入的应用包括淘宝、闪购、飞猪、高德地图和支付宝，并能帮用户打电话[9] - 强大的千问模型正在把阿里独有的生态优势并联起来，未来生活与工作的通行方法或将被AI重新整理[9] 产品功能实测：多场景任务执行 - **多品牌团购**：用户输入指令如“帮我点3杯霸王茶姬，5杯瑞幸，8杯茶百道”，千问在确认地址和口味需求后，自动分析需求、核对数量、搜索商品信息[12][13][16] - 制定点单方案时，会根据距离远近等因素自动匹配合适商家，并进行商品筛选与推荐[17] - 能为用户推荐三种差异化方案，例如更快收货、选择高评分高销量门店、或包含更多饮品种类，精准捕捉用户潜在意图[18] - **定制旅游计划**：用户可要求制定旅游计划，千问会自动进行任务规划与执行，例如为从北京出发的威海两日游启动搜索子任务，查询多类型网络来源的攻略以确保信息可靠[22][23] - 根据搜索结果规划详细行程，全程调用高德和飞猪，最终在高德地图上呈现交互式路线图，用户可一键跳转导航或订票订酒店[25][29] - **政务场景**：接入支付宝政务服务后，用户一句话即可快速完成政策解读、材料清单梳理等步骤，覆盖办签证、查社保等场景，并直达办理入口[29] 技术架构：通用Agent体系与能力 - 千问App采用了一套全新的通用Agent体系，基于MCP和A2A协议[33] - 体系内主Agent作为指挥者，基于千问最强模型拆解和规划任务；子Agent作为执行者，是多个具有反思能力的智能体，在其领域有完全决策执行权限，可动态纠偏[33] - 该范式实现高效分层规划，保证特定任务领域的正确决策，大幅提升跨领域、长链路复杂任务的执行效率和准确率[34] - 千问深度重构了Agent的原生能力栈，选择通过直接协议打通而非基于视觉识别（GUI）的路线，提升了任务执行的精度、效率及隐私安全保障[34] - 为提升效率，千问专门为AI重构了工具栈，例如Agent能自主选择或并发不同搜索方式，操作浏览器的Agent经专门训练并结合阿里自研内核，具备毫秒级响应和极高交互精度[34] - 在处理可视化、写小程序或复杂表格时，智能体会检索、对齐经过验证的成熟代码范式，确保产出结果具备“工程级”稳定性[34] - “任务助理”多层Agent系统深度集成阿里生态应用与工具，大量应用被拆解成原子化指令级，确保工具调用准确，并能正确感知实时位置、价格等信息，减少大模型幻觉问题[34] - Agent系统具备持续演进能力，任务完成后会进行“反思”并沉淀经验，将实践经验转化为结构化经验库，作为先验知识在后续任务中动态加载[35] - 通过AI Coding能力，千问可在执行任务时发动AI生成代码现写工具，在少见任务上可启动Agentic Learning机制，自主编写、测试并封装新的原子工具[36] - 目前在数百个常用工具中，有超过一半是由AI Coding编程自主生成的[36] 产品意义与行业影响 - 千问的新发布把智能体拉近到用户身边，能用快速精准的方式连接最常用App，让Agent进入生活的每一步[38] - 在国内，能做到覆盖如此全面生活场景的公司只有阿里，其生态囊括购物、出行、支付、办公等方方面面[38] - 目前Agent能力虽显简单，但千问App的推出可能像是智能体的“iPhone时刻”，打响了从自然语言对话交互方式升级的第一枪，人与机器的关系进入第三次革命的关口[38] - 当AI开始帮用户整理发票、规划行程、下单购物时，它从云端“先知”变成了身边能干活的“助理”，这是AI从“言”到“行”的分水岭[38]

智能体指数及成分股市场表现 - 1月15日，智能体指数盘中跌幅超过2% [1] - 指数成分股呈现普遍下跌态势 [1] 主要成分股具体跌幅 - 南兴股份与浙文互联股价跌停 [1] - 星环科技-U和值得买股价跌幅均超过17% [1] - 拓尔思股价跌幅超过9% [1]

文章核心观点 - 报告基于技术发展周期视角，深度洞察中国金融智能体的落地现状与趋势，认为2025年是金融智能体发展元年，行业正处于初步探索期（投资建设期）[1][12] - 金融智能体在“技术突破、业务创新与政策支持”三重因素驱动下，展现出比其他新兴技术更强劲的发展势头，金融机构普遍采取“战略积极、落地务实”的策略[2] - 当前行业面临高涨的市场期望与探索期落地现状的落差，需警惕预期未能达成带来的信心透支风险，维护行业良性发展需各方共同努力跨越“规模化峡谷”[43] 三重驱动因素 - **技术突破**：智能体能弥补大模型在执行具体任务和对外交互方面的不足，解决落地应用的“最后一公里”难题，同时技术进步与工具生态完善正加速其走向实用化[6] - **业务创新**：约33%的金融机构对智能体持较为积极的投资态度，致力于探索其在业务增长、客户体验与服务升级、运营降本增效等维度的落地模式[7] - **政策支持**：多项国家层面政策为智能体在金融领域的发展提供了清晰的指引与目标规划，尤其是金融“五篇大文章”所涵盖的领域，为业务实践锚定了关键探索路径[8][10] 应用落地及商用实践现状 - **周期阶段**：2025年是金融智能体发展元年，96%的应用实践处于初步探索期，仅4%进入敏捷实践期[12] - **场景应用**：当前应用聚焦于两类场景：职能运营类场景（如知识问答、办公助手）和业务场景外围的初步探索（如生成报告、流水分析），尚未深入金融核心业务流程[16] - **项目部署实施**：主要有两种落地路径：在现有系统中嵌入智能体功能，以及采购标准产品或定制化开发独立智能体应用，大部分项目在2025年按计划推进[18][19] - **项目落地运行风险**：预计将有20%～25%的项目面临效果不达预期甚至失败的风险，失败原因涉及产品技术能力、成本规划、真实生产环境制约等多方面[22] - **客户分布**：银行业以43%的项目数量占比成为核心阵地，资产管理类机构以27%位居第二，保险业以15%位列第三[25][26] - **项目类型分布**：市场呈现“嵌入式智能体功能”与“独立智能体应用开发”两类项目双向发展的格局[27][28] - **项目金额分布**：智能体应用类项目金额多集中在30万至150万元区间，平台类项目多在100万至150万元之间，也存在少量由业务团队主导的千万级深度改造项目[31][32] - **市场规模**：2025年中国金融机构对智能体平台及应用解决方案的投资规模为9.5亿元，预计2030年将达193亿元，年复合增长率为82.6%[35] - **商业模式**：主要分为产品交付模式和价值交付模式（RaaS），后者市场空间巨大但对服务商要求极高，目前尚在探索中[39][42] 客户需求分析 - **从业者认知**：不同背景从业者对智能体存在认知偏差，非技术背景者易“高预期值、低辨别力”，技术背景者中近五分之三因过度谨慎而低估价值，市场教育需差异化[47][51] - **价值期望演变**：金融机构对智能体的价值期望已从提升效率的工具，转变为驱动业务可持续增长与重塑客户体验的核心创新引擎[53][56] - **投资意愿提升**：2025年Q4相较Q1，拥有积极投资意愿的机构占比增加了27.5%，受同业示范效应、政策引导及RaaS模式推动[58][59][60] - **投资分层特征**：机构分为积极探索型（战略视角投资）、务实跟进型（价值驱动投资）和审慎观望型（风险规避）三类[64] - **四大关注方向**：客户核心关注安全合规、价值评估、落地实践及持续价值反馈四大维度[68] - **安全合规前提**：安全合规是采纳智能体的前提与底线，智能体行为安全（58.9%）、数据隐私保护（47.0%）及合规责任归属（45.7%）是关注重点[71][72] - **价值评估核心**：对价值的定义、衡量与场景适配已成为金融机构采纳智能体的关键决策锚点[73] - **落地实践关键**：在安全合规、产品易用基础上，更懂金融业务（场景深度适配、预置行业知识）的智能体更具落地优势，66.2%的受访者最关注金融场景深度适配[76] - **持续价值反馈与组织模式**：领先实践者开始关注持续价值反馈，长远可尝试构建智能体战略办公室（ASO）来推动智能体应用的体系化落地与价值持续反馈[80][81] 基于行业周期的趋势推演 - **初步探索期（投资建设期）**：多数项目经历POC、部署、试运行，应用局限于职能运营及非核心业务场景，应重点关注市场教育、客户预期建设及防范伪智能体产品[94][95][96] - **数据工程关键性**：数据的有效性和可用性是影响项目推进并贯穿全生命周期的关键因素，需建立面向智能体的数据工程能力体系，从为静态分析提供数据转变为为自主智能体提供动态数据燃料[98][99] - **敏捷实践期（回报初期）**：项目开始业务落地但未形成可规模化方案，行业到达第一个增长拐点“看到曙光”，核心目标是抽象出规模化范式[101] - **市场竞争分化**：项目服务周期结束后，成功与失败的案例将筛选厂商，形成“大浪淘沙，竞争分化”的市场迭代[103] - **RaaS模式推动**：价值交付模式（RaaS）有助于规避客户对ROI的顾虑，推动行业在敏捷实践期发展，将厂商角色从产品供应商升级为业务成果共创伙伴[106] - **增强信任的安全架构**：需构建一套围绕“大模型-智能体-场景”的增强信任的金融智能体安全架构，以支持行业迈向规模扩展期[109] - **规模扩展期（黄金回报期）**：预计2028年行业进入规模扩展期，智能体应用规模化范式形成，行业进入黄金回报期[112][114] - **价值增长基础设施**：面向价值增长的金融Agent Infra将成为解决价值衡量、最佳实践场景等问题的必选项[115] - **成本管控挑战**：在规模扩展期，部分机构因忽视算力消耗、数据治理等隐性成本导致预算超支，需从战略、技术、组织、风险四维度系统审视总体拥有成本（TCO）[119][122] - **智能体金融网络平台**：自主式AI、多智能体系统等技术成熟后，可能催生智能体金融网络平台，实现从平台中介到代理网络的范式革命[127] - **金融智能共生系统**：长期趋势是客户侧与金融机构服务侧均呈现人与智能体融合状态，将重塑金融服务体系与竞争格局[129][130]

行业核心观点 - 新能源产业已进入“价值深耕期”，从单点创新走向融合创新，以解决因新能源渗透率提升带来的电力系统平衡与稳定性问题 [1] 技术发展趋势 - 光风储协同：未来光风储大基地需具备稳定可控、成本可控两大支柱，以及100%新能源独立运行、全链路智能协同、全生命周期安全高质量三大要素，以实现可预测、可调控的稳定供电 [2] - 构网型储能：构网型储能将无处不在，从平抑发电波动、保障供电，到主动参与能量市场交易并提供调频调峰等辅助服务，成为电网稳定和平衡的关键支撑 [4] - 源网荷储协同：依托AI智能调度技术，实现电源、电网、负荷、储能四大环节的深度联动与高效协同，供电模式走向“区域自治 + 全局协同” [5] - 家庭光储AI化：家庭光储场景将从AI赋能走向AI原生，AI全面嵌入设计、体验和运维全阶段，实现从“最大自发自用”到“最优用电体验”的升级 [6] - 设备高频高密化：通过器件到系统的技术创新及高效散热与高频材料技术，预计未来几年光伏逆变器与储能PCS的功率密度将提升40%以上 [7] - 系统高压高可靠：关键器件耐压能力和绝缘材料升级推动高压化趋势，安全防护从被动响应转向主动防控，以降低光伏系统度电成本 [8] - 系统级电池管理：采用电力电子、云与AI等数字技术对储能从电芯到系统进行精准管理，是实现更高放电量、更高安全、更高寿命和极简运维的基础要求 [9] - 新能源构网技术体系：构网型储能正从电网的“被动跟随者”向“主动构建者”转型，技术围绕高性能硬件、构网算法和智能化三大支柱向体系化深度融合迈进 [10] - 电站智能化：智能体通过云边端智能协同深度赋能新能源电站，助力电站实现“自动驾驶” [11] 产业安全标准演进 - 储能安全评估系统化：储能安全从单一样品评估走向覆盖系统全生命周期的系统化评估 [13] - 安全标准量化：通过量化指标明确安全标准，以分级要求牵引安全能力迭代，解决“安全边界模糊、防控针对性不足”的行业痛点 [13] - 安全等级矩阵：提出了基于安全失效率（次/年）与事故严重度等级（从无事故到电站起火）的产品安全等级矩阵，将安全区域划分为不可接受、风险缓解和可接受三类 [13][38]

公司产品发布 - 公司于1月14日在北京正式发布“招采智能体平台” [1] - 公司将平台定位为垂直领域的“智能体工厂” [1] - 平台基于公司自研的“星辰Agent”技术底座 [1] - 企业可通过低代码或零代码方式组装AI能力组件 [1] - 企业可构建贴合自身业务流程的专属智能体 [1] 行业技术趋势 - 公司发布的产品体现了AI技术向垂直领域和业务流程深度定制化发展的趋势 [1] - 低代码/零代码的构建方式降低了企业应用AI技术的门槛，可能推动AI在产业端的普及 [1]

AI智能体的核心定义与能力演进 - 自2022年以来，人工智能（AI）方法的发展已超越传统的数据分类和预测能力，大语言模型（LLM）具备了逻辑推理能力，能够规划和协调复杂工作流程，并作为智能体（Agent）运行[3] - AI智能体是能够感知、学习并作用于环境的自主/半自主系统，可以与外部知识或软件交互，在最少甚至无需人工输入的情况下执行系列任务，这与只能完成单一特定任务、缺乏上下文意识且需要人类严格指导的传统AI系统有本质不同[3][8] - AI智能体将大语言模型的推理能力与外部工具相结合，使其能够主动获取信息、分析数据并采取行动，而不仅仅是回应指令[14] AI智能体在癌症研究中的革命性应用 - 在癌症研究和肿瘤学领域，AI智能体能够处理以往AI系统无法解决的复杂多步骤问题，证据正在快速涌现[3] - 在科研工作流中，AI智能体能够实现从创意到发表的全流程自动化，包括生成研究假设、设计实验方案、执行数据分析以及撰写科研论文[17] - 研究表明，诸如ResearchAgent和BioDiscoveryAgent等AI智能体已能实现自主科研，更有商业化的AI Scientist-v2生成的论文成功通过了同行评审[15] - 多智能体协作系统正在涌现，不同AI智能体扮演特定专家角色（如分子生物学家、临床肿瘤学家），通过“辩论”和协作模拟人类科研团队，提高了问题解决的全面性和决策过程的透明度[18] AI智能体在临床肿瘤学的应用前景 - 在临床领域，AI智能体展现出广阔应用前景，能够整合多源医疗数据（如电子健康记录、影像学报告、基因组数据和最新文献），形成对患者的全面了解[20][22] - AI智能体能够支持治疗决策，例如TxAgent系统可通过多步推理和实时访问生物医学知识，为癌症治疗提供个体化建议，考虑药物相互作用、禁忌症和患者特定因素[22] - AI智能体可自动化匹配临床试验，通过自动分析患者特征并系统评估试验资格标准，大大提高匹配效率，解决因匹配过程低效而错过最佳治疗机会的问题[22] - 在放射学和病理学图像分析方面，AI智能体能够模拟人类专家的多步推理过程，例如在病理学中优先处理切片、聚焦感兴趣区域、放大并综合发现，以应对更复杂的临床问题[23] - AI智能体直接集成到现有临床系统中，可显著减少医生在文书工作上的时间消耗，据统计医疗专业人员有高达一半的时间花费在文书工作上，这让他们能更多地关注患者本身[24] 肿瘤学“智能体化”的未来发展阶段 - 癌症研究和肿瘤学将经历三个阶段的“智能体化”进程[26] - 第一阶段（当前）：AI智能体通过类似ChatGPT的接口操作，独立于临床信息系统，处理用户明确提供的数据[28] - 第二阶段：AI智能体深度集成到医院基础设施和研究数据生态系统中，获得直接、许可的数据访问权限，但在人类监督框架下运行[28] - 第三阶段：AI智能体能够在操作环境中自主发起行动，例如直接控制实验室机器人进行实验，或独立订购诊断测试[28] AI智能体发展面临的挑战 - 评估难度：如何准确衡量AI智能体在复杂肿瘤学工作流中的表现是一大挑战，现有的“是-否”答案式评估标准已不适用，需要开发能捕捉多步推理质量的新基准[28] - 实施障碍：从研究原型到可持续临床工具存在巨大差距，历史经验表明许多AI项目因工作流集成不佳而失败[28] - 伦理监管：自主系统比传统AI模型有更多行动自由，也可能造成更大伤害，确保其稳健性、公平性和透明度至关重要[28] - 人类角色：当知识工作者依赖AI时，可能存在认知卸载风险——从主动解决问题转变为监督验证，设计应强化而非取代人类判断[28]

行业核心观点 - 华为数字能源发布2026智能光伏十大趋势 认为光风储产业已从单点创新迈入以融合创新为核心的“价值深耕期” 旨在为光风储加速融入新型电力系统并成为主力电源提供前瞻洞察与实践路径 [1][3] 产业发展阶段与挑战 - 过去十年光风储产业实现跨越式发展 但随着新能源渗透率提升 电力系统在发电侧、电网侧、用电侧均面临平衡与稳定性挑战 [3] 十大趋势：场景化应用方向 - **趋势一：光风储协同 打造稳定可控电源** 未来大基地需筑牢稳定可控与成本可控两大支柱 并具备100%新能源独立运行、全链路智能协同、全生命周期安全高质量三大要素 [4] - **趋势三：源网荷储协同 迈向“区域自治+全局协同”** 依托AI智能调度技术 推动电源、电网、负荷、储能四大环节深度联动 重构供电模式 [4] - **趋势四：家庭光储进入AI原生时代** AI技术将全面嵌入设计、使用、运维全流程 推动用户需求从“最大自发自用”升级为“最优用电体验” [4] - **趋势九：智能体赋能电站迈向“自动驾驶”** 通过云边端智能协同 实现电站运维、调度全流程自动化管控 [6] 十大趋势：技术突破方向 - **趋势二：构网型储能成电网稳定核心支撑** 构网型储能将实现全场景覆盖 既能平抑新能源波动 又可主动参与能量市场交易并提供调频、调峰等辅助服务 [4] - **趋势五：高频高密化提升设备效能** 通过全链条技术创新 未来几年光伏逆变器与储能PCS功率密度有望提升40%以上 [4] - **趋势六：高压高可靠驱动度电成本下降** 依托关键器件与材料升级推进高压化进程 并推动安全防护从被动响应转向主动防控 以降低度电成本 [5] - **趋势七：系统级电池管理筑牢储能安全基础** 通过电力电子、云与AI等数字技术 实现从电芯到系统的精准监测与管控 达成更高放电量、更高安全、更长寿命、极简运维的目标 [5] - **趋势八：新能源构网技术体系日趋成熟** 构网技术将从单一功能升级为体系化融合 围绕高性能硬件、构网算法、智能化三大支柱构建全场景稳定支撑能力 [6] - **趋势十：储能安全进入可量化新阶段** 安全评估将从单一样品升级为全生命周期系统化评估 通过量化指标与分级要求牵引安全能力迭代 [6] 公司战略与目标 - 华为数字能源将携手产业伙伴 以技术创新与行业洞见引领产业发展 加速光风储成为主力电源 [6]

行业背景与核心观点 - 华为数字能源发布2026智能光伏十大趋势白皮书 旨在为光风储加速成为新型电力系统主力电源提供前瞻洞察与实践路径[1] - 行业已进入“价值深耕期” 从单点创新走向融合创新 以解决新能源渗透率提升带来的电力系统平衡与稳定性问题[3] 四大场景化应用趋势 - 趋势一：光风储协同 使新能源成为可预测、可调控的稳定电源 未来大基地需具备稳定可控、成本可控两大支柱及100%新能源独立运行等三大要素[3][5] - 趋势二：构网型储能无处不在 成为电网稳定和平衡的关键支撑 可平抑波动、保障供电并参与市场交易[6] - 趋势三：源网荷储协同 供电模式走向“区域自治+全局协同” 依托AI智能调度技术实现四大环节深度联动[7][9] - 趋势四：家庭光储场景率先从AI赋能走向AI原生 AI全面嵌入设计、体验和运维全阶段 实现最优用电体验[9] 六大技术应用趋势 - 趋势五：高频高密化推动设备功率密度持续提升 预计未来几年光伏逆变器与储能PCS的功率密度将提升40%以上[11] - 趋势六：高压高可靠推动度电成本持续降低 关键器件与安全防护技术升级保障高压化商业落地[12] - 趋势七：系统级电池管理是安全稳定运行的必要条件 需采用电力电子与数字技术实现更高放电量、安全性与寿命[13] - 趋势八：新能源构网技术体系日趋成熟 构网型储能正从“被动跟随者”向“主动构建者”转型 核心围绕高性能硬件、构网算法和智能化三大支柱[14] - 趋势九：智能体深度赋能新能源电站 通过云边端智能协同助力电站实现“自动驾驶”[15] - 趋势十：储能产业迈向安全可量化新阶段 通过量化指标与分级要求牵引安全能力迭代 破解行业安全痛点[16] 公司愿景与行业展望 - 华为数字能源表示愿与产业伙伴携手 以洞见和创新引领产业发展 加速光风储成为主力电源[17]

英特尔Intel 18A工艺与第三代酷睿Ultra处理器发布 - 在CES 2026期间，英特尔发布了首款采用Intel 18A（对标业界2纳米级先进工艺）工艺制程的第三代酷睿Ultra处理器 [2] - Intel 18A是英特尔采用EUV光刻设备并量产的关键节点，其能效提升15%，芯片密度提升30%，NPU面积缩小40%但性能大幅增强 [7] - 该处理器以40%的功耗实现了超越前代产品的性能，并获得了OEM合作伙伴（如联想、戴尔、华硕）的搭载，标志着Intel 18A工艺正在真正落地 [2][7] AI PC的市场定位与发展阶段 - AI PC（能独立处理AI任务的个人电脑）正在成为更重要的计算设备，其处理器集成了CPU、GPU、NPU，能在本地处理更多AI任务 [3] - 截至2026年1月，全球搭载英特尔处理器的AI PC出货量已超过1亿台，其与边缘设备的算力总和约等于40个数据中心 [4] - 英特尔认为AI PC的发展关键在于优化应用，用户会因为AI PC能更好地完成任务而选择它，行业正处于推动AI规模化部署的阶段 [9] AI PC的生态合作与应用案例 - 英特尔已与200多家ISV（独立软件开发商）合作伙伴基于AI PC开发了500多项AI应用功能，覆盖通信、安全、生成式AI和图片编辑等领域 [4][10] - 与字节跳动的合作取得进展，其剪映App可以在PC利用本地AI算力完成AI粗剪，在提升用户体验的同时降低了云成本 [4] - 与Perplexity.ai等公司正在合作探索云、边、端的协同架构，并与阿里巴巴合作，在其通义千问大模型发布时提供了Day0支持 [10][12][23] AI PC与云计算的分工协同 - 一种新兴的合作模式是：超大参数模型的推理任务仍依赖云端，但AI PC已经能支持700亿参数的小模型在本地进行满足需求的计算 [17] - 合作旨在利用本地算力资源，为用户提供更高的可控性、更低的成本以及更好的隐私与安全性，目前更多是静态分配工作负载 [16][18] - 合作被认为是长期架构，随着端侧和边缘侧AI设备规模扩大，云端AI服务提供商开始关注并探索与本地算力的融合 [20] AI PC带来的行业变革与交互演进 - AI工具正在改变工作方式，例如软件工程师基本不再需要亲自编写基础代码，可以更专注于架构和工程开发 [11][16] - AI多帧生成技术等能力正成为游戏开发的新方向，旨在提升游戏流畅度和体验，而非简单的“杀手级应用” [9] - 未来PC的交互模式将多样化，键盘仍将存在，但语音和手势等无键盘交互也会普及，用户正越来越习惯于与PC对话的新模式 [14] 英特尔业务战略与市场展望 - 客户端计算事业部（向PC厂商销售芯片的部门）是英特尔的现金流业务，2024年在英特尔营收占比57% [5] - 公司正通过“Super Builder”等开发者生态计划，帮助ISV更快地在AI PC与边缘设备上部署AI应用 [21] - 中国市场被视为AI发展的重要推动力量，英特尔高度重视与中国企业的合作，并将加强与中国OEM、ODM厂商在边缘计算领域的合作作为2026年目标之一 [23]