公司大模型相关业务收入实现显著增长，主要源于公司在大模型核心技术能力持续保持行业领先，以及商业化落地进程加速推进的共同作用。公司围绕 通用与行业应用需求，已构建起"山海"系列大模型，形成了涵盖"山海"大语言模型、"山海"多模态大模型及"山海"专业行业大模型在内的完整模型矩阵布 局。在模型架构设计、底层算法能力、工程化交付及行业适配性等关键维度形成了可持续的系统性优势。同时，公司基于统一的智能体平台，对上述模 型能力进行场景化封装，已形成覆盖智慧客服、智慧营销、文档审核等典型业务场景的多类智能体（Agent）。依托上述领先且成熟的技术与产品体系， 公司的大模型产品在医疗、医保及交通等多个专业性和复杂度较高的严肃应用场景中持续实现落地与复制，客户认可度不断提升，商业化进程加快，推 动公司大模型相关业务收入于本期间内实现较快增长。 云知声(9678.HK)午后涨幅进一步扩大，一度拉升涨99.45%至438.44港元，截至目前成交额放大至逾16亿港元。消息面上，公司公告称，预期2025年实现 大模型相关业务收入合计约为人民币6.0亿元至人民币6.2亿元，同比增长约1057%-1095%。 ...

AGI发展时间线 - AGI实现仍需约十年时间，与硅谷AI圈普遍乐观情绪相比预测保守5-10倍[10] - 2025年可能是智能体元年，但接下来的十年都将属于"智能体时代"[10] - 当前LLM虽取得巨大进展，但距离实现"在任意岗位都比人类更值得雇佣"的实体仍有大量基础工作需完成[11][12] LLM认知缺陷与改进方向 - 当前LLM过度依赖记忆，人类记忆能力差反而可能是有益的正则化特性[19][70] - 模型需要先变大以承载能力，再通过架构、训练范式和数据蒸馏向更小、更专注的认知内核收敛[19] - 未来认知核心可能精简至十亿参数级别，专注于思考算法而非记忆知识[76][78] 强化学习局限性 - 强化学习像"通过吸管获取监督信号"，信号/计算量比非常糟糕[15] - RL过程噪声大，信噪比低且易受干扰，正确步骤可能被抑制而错误步骤可能被鼓励[15] - 未来可能出现替代学习范式，智能体交互和系统提示学习是更有前景的方向[15] 智能体发展现状 - 当前智能体存在认知缺陷，缺乏多模态能力、持续学习能力和计算机操作能力[23] - 过度追求完全自主智能体可能导致软件质量下降、漏洞增多和安全风险[20] - 更现实的协作模式是LLM分块工作，解释代码，证明正确性，在不确定时与人类协作[20] 训练范式演进 - 完整训练流程包含基础模型自动补全、指令微调和强化学习三个层次，但需要第四、五层等新机制[16][18] - 预训练通过预测互联网下一个token来"预装"智能，类似于糟糕的进化过程[13][31] - 动物通过进化预装大量智能，与LLM训练方式存在本质区别[13][28] 技术发展路径 - AI发展是计算的延伸，所有方面包括算法、数据、硬件都需要全面改进[42][43] - Transformer架构可能持续存在，但会有更多注意力机制和稀疏MLP等改进[42] - 数据集质量将大幅提升，当前互联网训练数据包含大量垃圾内容[77][82] 经济影响 - AGI定义是可完成任何具有经济价值任务且性能达到或超过人类的系统[85] - 知识型工作约占经济10%-20%，是AI替代的首要目标[86] - 呼叫中心等标准化任务可能最先实现80%自动化，人类负责监督和剩余20%工作[87]

AI产业趋势 - AI产业正处于资本、产业和技术交织的临界点，大模型格局逐渐收敛，智能体应用想象力被点燃，AI芯片在供需紧张与架构创新间博弈[2] - 2025年AI产业比任何时候都更像加速中的实验，新原生硬件正在出现[2] - AI不只是技术升级，正在重塑生产力、生产关系和商业入口[2] 大模型格局 - 大模型创业公司格局已收敛到个位数，头部为几家大厂加阶跃星辰、智谱AI和DeepSeek三家创业公司[3] - 基础模型公司必须瞄准AGI天花板和上限，不强调短期商业模式，全球优秀基础模型公司如OpenAI和DeepSeek都纯粹聚焦模型本身[4] AI芯片发展 - 英伟达维持万亿美元市值，未来五年仍供不应求，当前算力主要用于训练，新增长点将来自推理[4] - 推理芯片更强调性价比，创业公司在先进架构领域有机会[4] - 国内芯片公司将进入整合阶段，出现大规模并购机会，部分初创公司有望在A股、创业板或港股上市[5] - 寒武纪一季度实现规模化盈利，是国内芯片企业中突出案例[5] - 中国AI芯片追赶速度不够快，但寒武纪在创业公司阶段取得成果是奇迹[6] Agent领域机会 - Agent是今年最重要的AI投资赛道，有机会诞生下一代"字节跳动"或"抖音"级别公司[8] - AI原生超级应用或智能体将成为新入口，未来中国会诞生数百家相关独角兽，全球可能出现上万家各具特色企业[8] - 观察方向包括通用智能体、垂直智能体、To C智能体、AIGC内容、AI个人系统等[9] - 中国创业公司围绕智能体的机会规模可能达到移动互联网十倍，同时覆盖To B和To C领域[10] - 浏览器将发生变革，未来Agent浏览器或任务型浏览器将主动帮用户获取信息[9] Agent评估标准 - 评估Agent项目首要标准是产品能否实现用户付费，反映强客户价值[13] - 关注上线后周同比指标如AIR和用户增长率，验证产品爆款潜质[13] - AI产品核心在于直接提升生产力和绩效，用户更愿为结果付费，与传统SaaS工具有本质区别[13] 浏览器与Agent关系 - 未来Agent可分为基于浏览器和非基于浏览器两类，各有优势[10] - 浏览器公司未必需要具备基础大模型能力，Agent更多依赖工程化能力如多智能体协作、性能优化等[11] - 基础大模型存在取舍，未来基于浏览器的Agent可能采用复合AI模式调用最合适模型[11]

基础模型的跃迁 - 强化学习从人类反馈强化学习转向基于可验证奖励的强化学习，显著提升AI推理能力，推动AI从语言生成器向任务执行者转变，例如DeepSeek-R1-Zero通过纯强化学习展现强大推理能力，应用于工业机器人路径优化和复杂物流网络调度等领域 [2][17][34] - 原生多模态生成技术构建统一跨模态表征空间，实现图像、语音和文本深度融合，OpenAI的GPT-4o和Sora模型实现文本、图像和音频无缝交互，拓展创意产业、教育和娱乐应用边界 [2][17][49] - 语音合成技术从机械化文本朗读转向基于语境理解的情感化表达，ElevenLabs V3支持70多种语言零样本学习，Hume Octave基于万亿级token训练提升用户偏好率71.6%，音乐生成技术从片段创作迈向完整作品生成，Suno V4.5最大生成时长8分钟且音质达广播级别 [2][65][67] 智能行动者的崛起 - AI Agent分化为编排类和端到端两大技术路线，编排类Agent通过预定义代码路径编排LLM与外部工具交互，适合企业级工作流自动化和多工具集成复杂任务，端到端Agent模型通过强化学习将推理、规划和工具使用能力内化到模型中，适合深度推理专业任务 [3][75][79] - LifeOS概念通过整合用户多模态数据构建数字自我，ChatGPT Memory功能跨会话保留用户写作风格和长期目标，OpenAI创始人Sam Altman提出LifeOS愿景，AI具备终身记忆和个性化推理能力，成为用户生活和工作的人生合伙人 [3][83][84] - 游戏智能体从简单工具转变为玩家智慧伙伴，腾讯王者荣耀AI Coaching系统和暗区突围AI队友系统提供个性化训练方案和战术建议，通过深度强化学习和多模态感知技术理解玩家意图和预判战局，提升游戏体验并为元宇宙奠定基础 [3][7] AI走向物理世界 - 具身智能迎来GPT-2时刻，基础模型向多模态进化，视觉-语言-动作大模型成为机器人实现高阶认知与执行能力核心，腾讯和英伟达构建机器人模拟和训练平台，Tesla Optimus、1X Neo和Agility Digit等厂商计划量产约1000台具身智能机器人，应用于工业、物流、仓储和零售等领域 [4][6][8] - 空间智能从处理二维信息迈向处理三维空间，World Labs展示一张图生成3D世界原型模型，实现单幅图像或一句话生成可交互三维场景，为自动驾驶、机器人制造和XR混合现实等领域带来新机遇，并为AI走向通用人工智能提供物理常识和因果推理能力 [4][9][20] - 具身智能机器人从实验室走向产业化，运动系统、感知系统和基础设施系统逐步定型，协调和协作能力不断提升，为未来劳动力市场提供有力补充，各大厂商加大在工业、物流、仓储和零售等领域试点力度，基于反馈持续迭代优化硬件配置 [6][8][20] 技术应用与产业影响 - 腾讯混元大模型加速迭代，开放Hunyuan-A13B开源版本，腾讯云智能体开发平台和腾讯元器平台构建全链路智能体开发能力，支持多模态输入和多智能体协同，在制造行业打造产线AI质检智能体，政务领域打造数字政务助手，实现跨系统信息调度和政策答疑 [28][29][58] - 多模态闭环生成技术实现所见即所得实时体验，腾讯混元图像2.0将图像生成时间从3~5秒压缩至300~500毫秒，应用于个性化电商实时生成穿搭推荐图，XR领域结合眼动追踪和手势识别实现虚拟商品交互体验，游戏行业引入即时生成交互体验，腾讯混元游戏视觉生成平台实现实时画布和AI 2D美术功能 [58][59][60] - 智力即服务推动企业从算力驱动迈向智力驱动，RAG技术打破部门数据壁垒，微软365 Copilot构建可信答案工作流，一汽丰田通过大语言模型和RAG架构将客服独立解决率从37%提升至84%，Salesforce构建Agentforce平台嵌入Agent节点完成CRM流程多步推理与任务代理 [97][100][101]

智能体创业现状 - 80%创业者因验证伪需求失败而退出市场，仅20%存活[3] - 企业级应用面临老旧系统集成难题，实施成本和时间常超预期3倍以上[15][17] - 智能体输出常需人工干预，最后一公里效率决定实际价值[20][22] 成功案例特征 - 腾讯云智能体在BIRD-Bench考试获75.74分，全球第三/国内第一[5] - 垂直领域专家型智能体更易成功，如跨境医疗合规审核等细分场景[28] - 专注解决可量化问题：错误率从5%降至0.5%等具体指标[33] 市场需求验证 - 免费用户转化率低，收费时留存率暴露真实需求[12] - 企业客户关注核心指标：人力节省金额/误差降低幅度[4] - 早期"挺酷"类反馈易造成需求误判[11] 技术实施挑战 - 企业IT系统集成复杂度被普遍低估，实施周期常延长300%[17] - 数据格式不兼容/权限流程等问题显著增加实施成本[16] - 混合智能模式(AI+规则引擎+人工)成主流解决方案[42] 产品设计策略 - 聚焦高频标准化场景优于通用型方案，如家电安装改期工单[28] - MVP阶段即需收费验证，五折Beta版比免费Demo更具参考性[34] - 深度行业Know-How构筑竞争壁垒，需理解潜规则与核心痛点[41] 价值衡量标准 - 关键指标包括任务完成率/平均处理时间下降%/人工干预率[33] - 必须追踪输出物实际使用效果，如报告采用率/线索成交率[38] - 单位经济模型需确保客户LTV远高于获客与服务成本[45]

核心观点 - 传统ERP和工具型SaaS将被以AI Agent为载体的新一代SaaS淘汰 [3] - DeepSeek的强推理、低成本、开源特性正在颠覆SaaS行业 [4] - AI Agent将率先在B端场景落地并颠覆传统SaaS [6] - 智能体可实现人"做不到、做不精"的事情，将大量进入工作场景 [16] - 应用层将涌现大量小微创新团队，软件开发门槛大幅降低 [19] - 用友、金蝶等SaaS企业股价上涨反映市场对智能体带动业绩增长的预期 [21] 行业变革 - 传统SaaS厂商面临被AI Agent替代的风险，需抓住变革机会实现二次增长 [4] - 强推理模型成本较高，短期内更可能在专业B端场景落地 [7] - 企业服务生态将重构：底层大模型厂商、中层垂直服务商、上层场景化应用 [19] - DeepSeek开源使服务商可本地化部署，行业know-how能力成为关键竞争优势 [19] 用友案例 - 用友内部已广泛使用数智员工，IT零基础员工10分钟即可构建智能体 [9] - 智能体在费控场景实现20分钟完成交通补贴支付全流程 [9] - 采购合同智能体可自动审核标记不合规条款并生成修改建议 [10] - 流水认领场景中智能体通过自我学习将准确率从50%提升至80% [14][16] - 用友计划在第二季度密集发布一系列AI智能体 [11] 技术特性 - DeepSeek-R1幻觉率达14.3%，高于Deepseek-V3的3.9% [18] - 智能体存在生成内容与事实不符的风险，关键决策仍需人工复核 [17][18] - 智能体可适应业务变化无需二次开发，显著提升人效 [16] 市场影响 - 资本市场看好智能体对SaaS企业业绩和人效的提升潜力 [21] - 能否实现智能体落地带来的实质性增长将决定企业价值重估 [21] - 跟不上AI变革的SaaS企业将被淘汰 [21]