2025年AI在各行业应用的总体阶段 - 行业处于“高普及、浅渗透、理性回归、再出发”的阶段，AI技术普及度大幅提升但多数应用停留在表面，极少实现深度智能化[5] - 大模型厂商迎来理性回归，基本放弃“参数和算力竞赛”，转向追求性能与参数的平衡（性参比），并探索轻量化、低成本部署[5] - 行业开始反思AGI、实时学习等根本问题，并对Transformer架构提出质疑，开启了“再出发”的新征程[5][6] AI在医疗领域的角色与格局 - AI在医疗领域的角色已突破单一环节辅助，形成多场景、全链条赋能格局，广泛渗透至严肃医疗和药物研发环节[7] - 在药物研发等细分场景，行业会构建针对性大模型，例如谷歌AlphaFold蛋白质预测大模型参数仅约2亿，但在特定场景下精准度和实用性更强[7] - 以传神素问中医大模型为例，其应用已从辅助开方延伸至全周期健康管理，并结合四诊仪器形成从挂号到康复的诊疗闭环[8] AI在中医领域的落地价值与成果 - 传神语联基于对中医的深刻理解与自研底层技术，构建了传神素问中医大模型，该模型是中国首个能像专家一样主动问诊的中医大模型，并于2025年8月获得中国信通院可信AI中医药大模型4+级最高评级[10] - 2025年10月，公司完成了国医大师数字孪生项目，方药一致性达95%，全维度诊疗一致性达93.5%，超越了传统师徒传承的效果[11] - 该数字孪生项目并非简单处方模仿，而是复现了名医的“辨证思维”与“临证心法”，其价值远超单一的处方一致性[11] 中医AI化与西医AI化的路径差异 - 西医因数字化、标准化程度高，数据易于形成全球通用标准，因此AI落地相对更容易[13] - 中医因流派众多、标准化程度低、数据沉淀难，且长期受“学术压制”偏见，导致其数字化、仪器化进程缓慢，AI发展滞后[15][16] - 尽管面临困境，但受访者认为中医反而是未来最有可能通过AI实现全面突破的领域[4][16] AI在中医药现代化中的新角色与价值 - AI技术能解决中医传承难题，传统师徒传承从入门到出师需8到14年，且存在“传不全、传不准”的问题[17] - 好中医资源稀缺，仅约10%的好医生接诊50%的患者，导致平均有效问诊时间仅约三四分钟[17] - 通过名医数字孪生技术，AI能突破时间空间限制，让患者充分阐述病情，也让徒弟能深度学习名医思维，同时推动优质中医服务下沉至基层[18] AI+中医项目的具体成效与挑战 - 国医大师数字孪生项目已显成效，在学术传承和教育辅助方面作用显著[19] - 基于名医孪生的数字诊所能帮助中医减少70%的线下复诊工作，解放医生时间以提升初诊满意度和收益，并改善患者用药依从性[20] - 规模化应用的核心挑战在于观念与认知壁垒，涉及患者信任、医师对标准化弱化精髓的担忧，以及行业缺乏明确的监管体系与医疗准入资质[20][21] 2026年AI+中医的重点发展方向 - 公司将重点关注传承场景和康养场景，认为这两个场景最容易实现规模化突破[22] - 未来3-5年，AI将推动中医从“经验主导”转向“数据赋能”，其角色从“单点工具”进化为“场景化智能体”，通过分层协同技术在多领域实现闭环管理[24] - AI将承接中医绝大部分基础及重复性工作，如通过智能四诊仪精准采集分析脉象、舌象数据，从而极大解放医师，让其聚焦于辨证论治等核心工作[25] AI+中医的未来形态与核心价值 - AI不能也不会替代中医医师，因为中医诊疗核心的“辨证论治”、“整体观”以及医患沟通中的人文关怀无法被替代，未来将是“人机协同”模式[26] - 2026年一个重要的突破方向是AI+中医心理，切入情志康养领域，结合中医理论与现代心理学，为情绪问题提供个性化疏导方案[27][28] - AI+中医的核心价值在于重塑中医的传承、诊疗与康养模式，使中医智能体成为24小时健康顾问，在饮食、音乐等日常生活中实现“一人一方、一时一方”的精准健康管理[4][29]

文章核心观点 2025年是全球AI行业格局重新站稳、路径分化的关键年份，竞争焦点正从模型能力本身转向系统能力、生态位置与长期演化能力[5] 行业整体从追逐参数规模和热点概念，转向更强调系统效率、真实场景与可持续的技术积累[6] 大模型正变得“更可用”，而不仅仅是“更聪明”[14] Agent已成为公认的下一阶段核心主赛道，正从概念走向真实业务，重塑软件构建范式[35][37] AI Native应用正在重新定义软件的构建方式，但ToB领域呈现“热度高、落地慢”的特征[63] AI技术在各行业的普及度大幅提升，尤其在金融、医疗、教育等领域实现了规模化落地并带来可量化的成效[74][75] 全球AI竞争格局 - **OpenAI**：维持通用大模型能力上限，在推理、代码、多模态等维度作为行业对标对象，拥有全球最高的C端用户量，短期内保持入口级地位[4] 但GPT-5的发布未带来预期中的代际震撼，后续发布相对平淡[4] - **Google**：在2025年打了一场漂亮的翻身仗，技术能力全面回归，Gemini 3、Nano Banana等赢得众多用户，并通过搜索、办公和云产品形成有效分发和良性联动[4] - **Anthropic**：成为最稳健的玩家之一，Claude系列模型在开发者中口碑持续上升，通过与AWS等云厂商深度合作，其API业务的规模和增速实现了对OpenAI的超越[5] - **国内厂商**：DeepSeek是2025年最具标志性的明星公司，其R1的发布及开源姿态极大地活跃了AI中下游创新生态[5] MiniMax、智谱等公司开始冲击港股上市，但暴露出行业普遍面临的投产比偏低、亏损压力大、商业化仍在探索的现实问题[5] 行业成功与失败的关键 - **能跑出来的公司类型**：第一类是高频刚需场景（如AI社交、短剧、音乐）的公司，其关键不是生成能力，而是持续使用价值[7] 第二类是成本结构被AI彻底改写的公司，AI将内容或服务的边际成本压缩1–2个数量级，直接改变行业定价逻辑，实现商业模型重构[7] - **明显落后的公司类型**：包括只做通用型AI助手但缺乏垂直数据和结果闭环的公司、只做模型不做产品的公司、靠融资续命缺乏付费能力的AI创业公司，以及反应迟缓流程未被Agent化的传统软件公司[9] - **决策层认知是关键**：在同一个行业中，自一号位开始认真拥抱AI的，明显已经在业务流中找到许多落地机会，决策人的认识是未来拉开差距的关键点[10] 中美AI竞赛态势 - **国内AI取得实质性进展**：在基础模型能力、多模态理解、推理效率与工程化落地层面均呈现明显跃升，以DeepSeek-R2、Qwen3系列等为代表，在模型规模、效率与成本之间探索出更具可行性的平衡方案，形成以成本控制、系统优化和应用适配为核心的差异化优势[11] - **差距分层看待**：在部分通用能力与工程执行层面，差距正在迅速缩小，某些特定场景已具备直接竞争力[11] 但在长期基础研究积累、原创智能范式探索及面向下一代智能的系统性布局上，整体仍存在差距[11] 西方在AI算法创新方面优势可能只剩“几个月”，而不是“几年”[11] - **中国AI开始全球影响**：中国AI模型正被真实引入全球生产环境，而不仅停留于试验阶段[12] OpenRouter与a16z报告显示，全球开源模型使用量的显著增长与DeepSeek V3、Kimi K2等国内开放模型的发布高度同步[12] 大模型技术演进趋势 - **从“更聪明”到“更可用”**：大模型在复杂指令理解、多步推理稳定性及跨模态任务一致性上有肉眼可见的进步，尤其是在不依赖极端Prompt情况下完成整个任务链[14] 技术路线从训练时把模型做大，转向运行时让模型用得更好，强化学习、测试时计算、显式推理结构被大规模引入[14] - **性价比系统性重写**：训练一个激活参数规模约10B的模型，其整体能力已经可以超过2024年激活参数在100B以上的模型，一年内实现接近10倍的性价比提升[15] - **Scaling路径分化**：更多数据、参数规模和计算依然是提升基础模型能力最有效的通用路径，但单位成本所换取的收益正在快速下降，经济回报曲线变得平缓[16] 当前瓶颈更多来自模型无法高效利用已有信息，下一步真正拉开差距的是能找到值得Scaling的点，如基于动态应用场景的记忆[16] - **工程能力成为重点**：大模型厂商的工作进入了拼工程化的时代，更依赖集团军作战和组织能力，而非少数超级明星[18] 有传言称Gemini 3的成功有很大一部分归功于修复了若干重大bug[18] - **强化学习(RL)作用关键但有限制**：强化学习在这一轮爆发中发挥了决定性作用，只要具备足够数据和高质量反馈，它几乎可以在任何任务上达到人类前0.1%甚至0.01%的水平[18] 但目前大多数强化学习训练仍停留在几千步量级，距离跑通稳定的RL scaling law还有相当距离[18] - **合成数据成为重要来源**：大规模合成数据替代人工数据正在发生，但并非完全取代[19] 高价值的合成数据是被严格约束、可验证、能放大信息增益的数据[19] 模型架构发展 - **Transformer依然是核心基础**：在可预见的未来，Transformer仍将是大模型的核心基础，多数所谓的新架构本质上是围绕其关键组件所做的工程化改良[20] - **MoE迅速普及**：通过MoE对FFN进行稀疏化，是提升规模效率的关键路径，DeepSeek在大规模实践中证明了MoE可以稳定地扩展到超大模型规模[21] MoE的普及是被成本与规模双重压力逼出来的工程选择，通过“只激活少量专家”的方式，在参数规模与实际算力开销之间找到平衡点[22] - **注意力机制高度活跃**：业界持续探索更高效的注意力结构，例如Gemini系列采用滑动窗口注意力与稠密注意力的混合架构；Qwen3-Next、Kimi Linear引入DeltaNet等线性注意力机制[22] 这些探索主要源于厂商对Agent化与深度思考场景的需求[22] Agent技术发展与影响 - **从“会对话”到“能干活”**：AI的角色从“回答问题”转向“完成事情”，使模型具备了感知外部环境、理解复杂需求并主动调用系统能力的可能性，这是一次软件构建范式的跃迁[36][37] - **协议与标准推动规模化**：以MCP为代表的模型上下文与工具调用协议在今年迎来应用爆发，基于统一协议降低了应用层构建成本[38] Google推出的Agent-to-Agent通信协议，标志着多智能体系统开始走向标准化协同[39] - **技术呈现“上下分化”**：应用层创新异常活跃，在编程、运维、客服等高频场景中已开始创造可量化的业务价值[40] 平台层与基础设施层的竞争正在加剧，对资源调度、安全隔离、成本控制与可观测性的要求迅速上升[40] - **沙箱Infra快速发展**：以E2B为代表的沙箱服务随着Manus的爆火迎来真正爆发[41] 谷歌开源了基于k8s的Agent-sandbox项目，阿里云也宣布开源OpenKruise Agents，云原生技术与Agent沙箱技术的结合将极大推动Agent应用的普及[41] - **商业模式向“结果导向”演进**：单纯售卖“Agent能力”本身正变得越来越困难[42] 企业不再仅仅为一个Agent平台付费，而是为“一个能完成具体工作的数字员工”买单[43] - **多Agent协作的现实挑战**：多个Agent之间无效沟通带来的Token消耗，正在成为企业真实的成本压力，促使业界从“人格化Agent”转向“系统化Agent”[43] - **产业分工清晰化**：大模型厂商在Agent的规划、推理与工具调用层具备优势；云厂商在基础设施、弹性调度、安全隔离与企业集成方面占据关键位置；创业公司则在垂直场景的定制化解决方案与成本优化上寻找空间[44] 具身智能发展现状与挑战 - **行业繁荣但非共识多**：截至2025年11月，中国已有超200家人形机器人本体厂商[48] 但行业对于本体形态、数据类型、模型架构仍存在大量争议，需要更多探索和迭代才能逐步收敛[49] 并未出现ChatGPT时刻或具身数据的ImageNet时刻[50] - **技术取得渐进式进步**：机器人在稳定性、可靠性上有显著提升，正从技术演示阶段朝着产品化方向推进[48] 机器人已经具备100%完成一些简单任务的能力，其他复杂任务的成功率也在稳步提升[49] 视觉语言导航(VLN)方向进展显著，涌现出大量基于视觉语言输入的导航模型，可以解决零样本泛化问题，不再需要预先建图，大幅降低部署成本[50] - **面临多重制约难题**：具身大模型普遍存在“感知不准确”与“决策不靠谱”的问题[51] 机器人硬件成本居高不下，核心部件价格高[51] 软硬件技术路径结合未完全收敛，模型架构和数据的飞轮迭代设计未做好整合[51] 场景化产品定义不清晰，产品完整生命周期的市场和运维体系未建立[52] - **世界模型成为新范式焦点**：世界模型被认为是实现高级推理和规划的关键，已显著提升机器人在动态环境中的任务执行连贯性和长期行为合理性[54] 世界模型是解决数据问题的一个共识，是VLN突破长程规划和动态适应瓶颈的充分非必要条件[54] 技术架构开始把VLA与RL结合起来使用[55] - **未来展望与商业模式**：到2026年，具身智能可能在多任务协同、长时自主运行、人机共融交互等方面实现显著突破[57] 首款大面积铺开的具身智能落地产品很可能在中国出现[60] 除整机销售外，租赁、按使用次数或完成任务量收费的RAAS模式，以及“整机销售 + 每年服务费”的组合模式正在逐步落地[60] AI Native开发范式 - **定义与特征**：AI Native指从设计之初就将AI作为其不可分割的基石和核心驱动力的应用程序、产品或系统[62] 其内部嵌有模型，交互方式更贴近“人与人沟通”的多通道、多模态体验[62] - **ToB领域“热度高、落地慢”**：企业级AI应用数量同比增长超过60%，但超过一半仍集中在编程辅助、内容生成、数据分析与内部效率工具等轻量级场景，真正成为“系统级核心能力”的AI应用仍属少数[63] - **面临工程挑战**：对AI能力高度依赖的行业客户，其系统模型、算力和数据高度耦合，模型版本更新可能直接影响业务逻辑，推理成本变化会反向制约产品形态，这些问题超出了传统软件工程的设计范式[65] 低代码平台上的AI应用开发者则面临企业治理逻辑与AI认知模式之间的结构性冲突[65] - **渐进式“AI化”成为务实路径**：越来越多团队选择不推翻原有系统，而是在其之上通过Agent、插件或工作流逐步“AI化”，使AI更像一个协作层、决策层或增强层[66][67] - **对核心业务系统改造偏慢**：AI对CRM、HR、财务与供应链等核心业务系统的改造仍然偏慢，因其核心逻辑高度稳定，用户迁移成本极高[68] - **资本投入趋于谨慎**：与2023年相比，2024年国内资本对ToB AI的投入明显趋于谨慎，更倾向于支持能快速体现效率收益的AI产品，而非周期更长的系统级重构[68][69] - **重塑研发流程**：在中大型技术团队中，超过70%的工程师已将AI作为日常开发工具，显著提高了开发效率，同时也改变了工程能力结构[69] 随着AI应用规模扩大，上下文压缩、信息筛选和记忆机制将成为AI Native架构的核心竞争力之一[70] AI行业应用落地 - **金融行业**：AI应用已经从工具变为“生产力伙伴”，参与到实际业务流程中，协助和独立承担任务拆解、流程执行[75] 如果以“是否已经尝试或者部署AI”为标准，在金融行业的比例已经非常接近、甚至在部分细分领域已经超过一半[75] 一些机构日均模型调用规模已达亿级token，成为事实上的基础设施[75] - **医疗行业**：AI在医疗领域的角色早已突破单一环节的辅助，正在形成多场景、全链条的格局[77] 传神语联推出的“传神素问”中医大模型，年度使用用户已突破千万，是中国第一个能够像专家一样主动问诊的中医大模型[77] 大模型在医疗领域的应用更广泛渗透到了药物研发环节，行业内会专门构建针对性的大模型[78] - **教育行业**：豆神教育正在独家AI教育大模型的基础上，打通AI教育不同场景间的壁垒，其企业级Agent覆盖了从内容生产、课堂授课到课后服务的全流程[79] - **未来突破方向**：平安将继续在医疗多模态、居家养老具身智能上持续探索，例如利用无线波感知技术监控老人行为轨迹，识别跌倒风险[80] AI+中医将以“场景化智能体”为核心形态，AI的角色将从零散的单点工具进化为适配中医诊疗逻辑的“场景化智能体”[80] AI+中医情志康养是下一步突破的重点，预计在明年1月发布相关推进计划[80]

服贸会概况与行业趋势 - 2025年中国国际服务贸易交易会（服贸会）于9月10日至14日在北京举办，主题为“数智领航，服贸焕新” [1] - 全球服务贸易正加速向数字化、智能化转型，数字服务和知识密集型服务已成为全球服务贸易增长的核心引擎 [1] - 服贸会是展现全球服务贸易趋势、促进国际服务合作的核心平台 [1] - 人工智能技术已成为各类服务贸易“走出去”的关键支撑 [7] 公司参展产品与技术 - 公司作为国家语言服务出口基地受邀参会，展示了覆盖语言服务、中医药服务、跨境商务服务等领域的AI创新成果 [1] - 核心展品包括任度大模型、传神素问中医大模型、传神小尾巴AI翻译机、全球会客厅等 [3] - 传神素问中医大模型专注于中医传承与辅助诊疗，提供智能问诊、辨证分析、方剂推荐、健康管理等体系化支撑，近日通过中国信通院可信AI中医药大模型评估并获得4+级高评级 [3] - 传神小尾巴AI翻译机支持140种以上语言的实时翻译 [5] - 全球会客厅产品能帮助用户在现场或云端顺畅开展国际会议 [5] 公司技术战略与核心竞争力 - 公司强调其“根原创”技术优势，为产业智能化升级提供可落地的解决方案 [1] - 公司副总裁称具备全栈创新能力的人工智能技术是公司参与全球竞争的核心底气 [6] - 任度大模型实现了从底层算法框架、模型架构到上层应用的全技术栈自主创新，具备实时学习、长期记忆等能力，并通过中国信通院“0开源依赖”认证 [6] - 传神素问中医大模型的突破说明依托“根原创”技术能打造具备竞争力的垂直领域大模型 [6] 公司未来发展规划 - 公司未来将持续加大研发投入，坚定不移走“根原创”人工智能发展道路 [7] - 公司将构建更完善的语言服务体系，助力中国企业和中国服务突破语言壁垒 [7] - 公司将持续拓展传神素问等垂直领域模型的服务贸易场景，推动中医药服务、健康管理服务等特色服务走向全球 [7] - 公司期待与更多合作伙伴携手，以AI创新驱动服务贸易形态升级 [7]