作 者

人工智能與大數(shù)據(jù)研究中心

一、發(fā)展背景及環(huán)境

【政策體系加速完善，可信與安全成為大模型落地的硬性前提】全球主要經(jīng)濟體正加速構(gòu)建人工智能治理體系，推動大模型從“野蠻生長”邁向“規(guī)范發(fā)展”。中國《人工智能生成合成內(nèi)容標識辦法》聚焦人工智能“生成合成內(nèi)容標識”關(guān)鍵點，通過標識提醒用戶辨別虛假信息，明確相關(guān)服務(wù)主體的標識責(zé)任義務(wù)，規(guī)范內(nèi)容制作、傳播各環(huán)節(jié)標識行為；歐盟《AI法案》將通用大模型納入高風(fēng)險系統(tǒng)監(jiān)管，強制披露訓(xùn)練數(shù)據(jù)來源與風(fēng)險評估；美國則通過NIST框架引導(dǎo)企業(yè)建立全生命周期風(fēng)險管理機制。這些政策信號一致表明：未來大模型能否進入金融、政務(wù)、醫(yī)療等核心領(lǐng)域，不再取決于技術(shù)先進性，而取決于是否滿足合規(guī)要求。這倒逼企業(yè)將安全機制前置到模型設(shè)計階段，“可信AI”正從理念轉(zhuǎn)化為基礎(chǔ)設(shè)施。

表1 全球大模型監(jiān)管政策對比

【全球大模型生態(tài)加速分化，技術(shù)路徑呈現(xiàn)區(qū)域特色】中美歐在大模型發(fā)展上正形成各具特色的演進方向：美國依托OpenAI、Meta等企業(yè)，構(gòu)建以Llama系列和商業(yè)API為核心的開放與閉源并行的生態(tài)體系；中國聚焦垂直場景深度適配，通義、文心、盤古等大模型體系注重與本土軟硬件基礎(chǔ)設(shè)施的高效協(xié)同，并在金融、制造、政務(wù)等領(lǐng)域加速規(guī)?；涞?；歐洲則以Mistral等為代表，強調(diào)數(shù)據(jù)隱私、算法透明與倫理合規(guī)。地緣環(huán)境變化推動各方更加重視技術(shù)供應(yīng)鏈的穩(wěn)定性與長期可持續(xù)性。在此背景下，開源成為生態(tài)競爭的關(guān)鍵抓手，通過開放模型權(quán)重吸引開發(fā)者社區(qū)、培育工具鏈、定義接口標準，進而影響未來產(chǎn)業(yè)格局。對國家和企業(yè)而言，構(gòu)建具有韌性的技術(shù)生態(tài)與可持續(xù)的創(chuàng)新體系，已成為戰(zhàn)略優(yōu)先級。

【技術(shù)重心從通用能力轉(zhuǎn)向場景實效，輕量化、專業(yè)化成主流】2025年，千億乃至萬億參數(shù)的通用大模型在性能提升上遭遇邊際遞減，訓(xùn)練成本高企而業(yè)務(wù)收益未同步增長，企業(yè)不再為“更大”買單，而是聚焦“更準、更快、更省”。這推動產(chǎn)業(yè)重心從基礎(chǔ)模型研發(fā)轉(zhuǎn)向垂直場景落地，頭部廠商如阿里、百度已將資源重點投向金融、政務(wù)、制造等領(lǐng)域的專用模型方案。通過RAG、輕量級參數(shù)適配等低成本技術(shù)，在保留通用能力的同時快速注入行業(yè)知識。同時，混合架構(gòu)（如MoE+狀態(tài)空間模型）顯著降低長文本推理成本，10億級小模型在金融、法律等場景實現(xiàn)更高精度；輕量化模型則在手機、工控設(shè)備等終端實現(xiàn)本地運行，滿足離線與低延遲需求。開源基座（如Qwen、Llama）雖降低創(chuàng)新門檻，但真正的競爭力已轉(zhuǎn)向工程化能力——包括部署效率、系統(tǒng)集成、人機協(xié)作流程設(shè)計等。技術(shù)價值的評判標準，正從實驗室指標全面轉(zhuǎn)向?qū)嶋H業(yè)務(wù)收益。

【大模型普惠化加速，產(chǎn)業(yè)鏈分工深化推動MaaS生態(tài)成熟】大模型產(chǎn)業(yè)正從“巨頭通吃”的垂直整合模式，轉(zhuǎn)向?qū)I(yè)化、模塊化的協(xié)同生態(tài)。上游算力芯片和高質(zhì)量數(shù)據(jù)服務(wù)商快速成長；中游云廠商聚焦基座模型與智能調(diào)度平臺；下游大量垂直領(lǐng)域軟件商基于開源底座開發(fā)行業(yè)智能體應(yīng)用。以“模型即服務(wù)”（MaaS）為核心的商業(yè)模式日趨成熟，企業(yè)無需自建千億級模型，只需按需調(diào)用并微調(diào)即可實現(xiàn)智能化升級。據(jù)賽迪顧問預(yù)測，2025年中國MaaS市場規(guī)模將接近90億元，年復(fù)合增長率超80%。這種分工不僅降低了中小企業(yè)使用門檻，也提升了整體產(chǎn)業(yè)效率，使大模型真正走向規(guī)模化落地。

圖1 大模型產(chǎn)業(yè)鏈架構(gòu)圖

二、發(fā)展趨勢研判

趨勢一

大模型市場持續(xù)爆發(fā)增長，企業(yè)部署量與調(diào)用量雙雙躍升

2025年，中國大模型市場規(guī)模約490億元，預(yù)計2026年將超過700億元，三年復(fù)合增長率超40%，這一增長主要由MaaS服務(wù)、行業(yè)專用模型和智能體應(yīng)用驅(qū)動。與此同時，企業(yè)部署數(shù)量快速攀升。截至2025年底，已有超8萬家中國企業(yè)完成大模型試點或生產(chǎn)部署；預(yù)計2026年將突破10萬家，覆蓋金融、政務(wù)、制造等核心領(lǐng)域。全球范圍內(nèi)，主流開源模型（如Llama、Qwen系列）的下載量累計突破500萬次，企業(yè)私有化部署占比超60%。值得注意的是，模型調(diào)用量正從“千億token級”邁向“萬億token級”，頭部平臺月均Token調(diào)用量已邁入萬億級，單個金融或制造客戶月調(diào)用量常超百億Token。這標志著大模型不再是“演示玩具”，而是成為企業(yè)數(shù)字化基礎(chǔ)設(shè)施的標配組件。

圖2 中國大模型市場規(guī)模及增長預(yù)測

趨勢二

行業(yè)大模型加速落地，金融、政務(wù)、制造領(lǐng)跑

行業(yè)大模型在高價值、高合規(guī)需求場景率先實現(xiàn)規(guī)?；渴?。預(yù)計2026年，金融行業(yè)應(yīng)用率將達68%（覆蓋智能投研、信貸審核、合規(guī)問答），政務(wù)領(lǐng)域達61%（政策查詢、公文起草、市民服務(wù)），制造業(yè)達53%（設(shè)備預(yù)測性維護、工藝優(yōu)化、供應(yīng)鏈調(diào)度），顯著領(lǐng)先于醫(yī)療、教育、零售等尚處試點階段的行業(yè)。驅(qū)動這一落地潮的核心，是“小而精”的技術(shù)范式：企業(yè)普遍采用參數(shù)規(guī)模在10億至百億級的專用模型，通過“開源基座+私有高質(zhì)量數(shù)據(jù)微調(diào)+檢索增強（RAG）”組合，在保留通用語言能力的同時，精準注入領(lǐng)域知識。例如，某銀行信貸模型準確率達98%，推理成本僅為通用大模型的1/5；工廠設(shè)備診斷模型可本地部署，滿足數(shù)據(jù)不出域與毫秒級響應(yīng)要求。行業(yè)大模型正以更高精度、更低算力消耗、更強合規(guī)適配性，成為企業(yè)AI落地的首選路徑。

圖3 2026年行業(yè)大模型滲透率預(yù)測

趨勢三

大模型架構(gòu)從密集同構(gòu)向稀疏異構(gòu)演進，效率成競爭焦點

2026年，大模型架構(gòu)將經(jīng)歷從密集同構(gòu)向稀疏異構(gòu)的系統(tǒng)性躍遷。面對超長上下文處理、高并發(fā)服務(wù)與終端部署等現(xiàn)實約束，單純依賴參數(shù)規(guī)模擴張的路徑已難以為繼。稀疏化成為主流技術(shù)方向——以混合專家模型（MoE）為代表，通過動態(tài)激活部分子網(wǎng)絡(luò)，在維持甚至提升性能的同時，顯著降低推理計算開銷；結(jié)構(gòu)異構(gòu)化同步深化，研究者不再局限于純Transformer架構(gòu)，而是融合狀態(tài)空間模型（SSM）、改進注意力機制或引入循環(huán)記憶單元，以更靈活地平衡建模能力、時延與能效。華為、阿里、Meta等企業(yè)已在合同解析、智能客服等高負載場景規(guī)模化部署此類混合架構(gòu)。這一轉(zhuǎn)變標志著，2026年大模型的核心競爭力，正從“誰的模型更大”轉(zhuǎn)向“單位算力下誰能提供更高智能密度與更強落地效能”。

趨勢四

世界模型從實驗室走向工業(yè)仿真，AI開始理解物理規(guī)律

進入2026年，世界模型正從學(xué)術(shù)探索加速邁向工業(yè)級應(yīng)用。過去，大模型擅長處理語言和圖像，但對物理世界的運行規(guī)則，比如“物體如何運動、機器如何故障、流體如何流動”缺乏真正理解。而2026年，這一局面正在改變：世界模型通過融合傳感器數(shù)據(jù)、多物理場仿真與基礎(chǔ)科學(xué)知識，學(xué)習(xí)“干預(yù)—響應(yīng)”的因果機制，具備對現(xiàn)實世界動態(tài)演化的預(yù)測與推理能力。例如，某汽車廠商用世界模型在虛擬環(huán)境中模擬千萬次碰撞測試，大幅減少實車試驗成本；工廠則用它預(yù)測設(shè)備振動異常是否會演變?yōu)橥C故障。與純數(shù)據(jù)驅(qū)動的大模型不同，世界模型融合了物理規(guī)律與數(shù)據(jù)學(xué)習(xí)，更可靠、可解釋。雖然離通用智能還很遠，但它正成為AI連接數(shù)字與物理世界的關(guān)鍵橋梁——不再是“猜答案”，而是“懂因果”，是大模型向具身智能、科學(xué)智能和可靠決策演進的底層技術(shù)支點，屬于下一代AI核心能力的探索方向。

趨勢五

智能體編排能力取代基座參數(shù)，成為平臺競爭新焦點

進入2026年，企業(yè)對AI的需求已從“單點問答”升級為“端到端任務(wù)執(zhí)行”，單一模型難以勝任復(fù)雜業(yè)務(wù)流程，因此智能體將從技術(shù)驗證全面邁入規(guī)?；虡I(yè)應(yīng)用。目前，全球范圍內(nèi)已有大量企業(yè)開始構(gòu)建以智能體為核心的自動化工作流，尤其在客服、辦公協(xié)同、電商運營等領(lǐng)域形成可復(fù)用的落地范式。2025年，中國智能體市場規(guī)模達78.4億元，預(yù)計2026年達135.3億元，增速超70%。頭部云廠商和AI公司正通過開放智能體開發(fā)平臺，降低構(gòu)建門檻，推動行業(yè)快速滲透。企業(yè)不再關(guān)注底層模型有多大，而是更看重平臺能否實現(xiàn)任務(wù)拆解、多工具集成、記憶管理與安全可控的端到端閉環(huán)。具備強大編排能力、可觀測性和系統(tǒng)集成能力的智能體平臺，正在成為企業(yè)AI落地的“操作系統(tǒng)”，并逐步構(gòu)建起下一代MaaS生態(tài)的價值高地。

趨勢六

原生大模型應(yīng)用用自然語言重構(gòu)傳統(tǒng)軟件交互邏輯

傳統(tǒng)將大模型簡單嵌入傳統(tǒng)SaaS的“插件式”做法已被市場淘汰——其功能割裂、流程中斷和價值有限等問題難以滿足企業(yè)對深度智能的需求。2026年，取而代之的是從底層架構(gòu)圍繞大模型全新設(shè)計的原生應(yīng)用，它們以自然語言為統(tǒng)一輸入與控制接口，實現(xiàn)“意圖即操作”。例如，銷售人員只需輸入“識別上周流失風(fēng)險最高的三位客戶并生成個性化挽回方案”，系統(tǒng)即可自動完成數(shù)據(jù)查詢、行為分析與內(nèi)容生成。2026年，這一模式已在文檔協(xié)作、項目管理、開發(fā)工具等領(lǐng)域成熟落地，并快速向人力資源、法務(wù)合規(guī)、財務(wù)流程等核心業(yè)務(wù)擴展。其核心價值不僅在于提效，更在于大幅降低復(fù)雜系統(tǒng)的使用門檻，讓非技術(shù)人員也能高效調(diào)用AI能力。軟件正從“功能導(dǎo)向”全面轉(zhuǎn)向“意圖導(dǎo)向”，人機協(xié)作邏輯迎來結(jié)構(gòu)性重塑。

趨勢七

輕量化大模型在終端設(shè)備規(guī)?；涞兀纬稍七叾藚f(xié)同

伴隨企業(yè)對數(shù)據(jù)隱私、實時響應(yīng)和離線可用性的剛性需求，大模型正大規(guī)模從云端下沉至手機、PC、工業(yè)控制器等終端設(shè)備。參數(shù)規(guī)模在10億以下的輕量化模型，通過先進壓縮、低比特量化及與NPU等專用AI芯片的深度協(xié)同，已在終端實現(xiàn)高效本地推理。例如，新一代智能手機可實時完成會議語音轉(zhuǎn)寫與要點摘要，全程無需聯(lián)網(wǎng)；工廠邊緣設(shè)備則基于本地模型毫秒級識別設(shè)備異常振動，支撐預(yù)測性維護。在此背景下，“云訓(xùn)練、邊調(diào)度、端執(zhí)行”的三級協(xié)同架構(gòu)正成為主流，云端專注模型訓(xùn)練與版本迭代，邊緣節(jié)點聚合區(qū)域數(shù)據(jù)并做初步分析，終端聚焦低功耗、高時效任務(wù)。2026年，終端側(cè)大模型的普及不再是個案，而是構(gòu)建起兼顧安全、效率與實時性的新型智能基礎(chǔ)設(shè)施底座。

趨勢八

開源模型權(quán)重普及，但核心推理與安全能力仍高度封閉

盡管Llama、Qwen、DeepSeek等開源大模型雖已廣泛普及，顯著推動開發(fā)者生態(tài)繁榮，但企業(yè)級落地的關(guān)鍵能力，包括高性能推理引擎、內(nèi)容安全過濾、專屬工具鏈及高質(zhì)量領(lǐng)域微調(diào)數(shù)據(jù)，仍被商業(yè)公司高度保留在閉源體系內(nèi)。這是因為開源權(quán)重在長文檔處理、事實一致性或合規(guī)輸出等場景中，往往難以滿足高可靠性與低幻覺要求。例如，同一架構(gòu)的開源版本可能出現(xiàn)事實錯誤，而其商業(yè)版本則通過內(nèi)部事實校驗、輸出控制與審計機制，顯著提升準確性與合規(guī)性。2026年，“開源基座吸引生態(tài)，閉源服務(wù)兌現(xiàn)價值”已成為行業(yè)共識：開源用于建立標準、培養(yǎng)用戶習(xí)慣，而高價值功能則通過訂閱制服務(wù)交付。開源的價值，正從“技術(shù)開放”轉(zhuǎn)向“生態(tài)占位”，真正的競爭力仍系于不可見的閉源層。

趨勢九

可審計、可溯源、公平性成為大模型進入強合規(guī)領(lǐng)域的前提

在全球AI治理框架加速落地的推動下，政府、金融、醫(yī)療等對合規(guī)性與可靠性要求較高行業(yè)已將“可審計、可溯源、公平性”作為大模型準入的核心合規(guī)要求。模型若要用于信貸審批、診療輔助或政策咨詢等場景，必須能夠說明其決策依據(jù)、標注信息來源，并提供完整的操作記錄。例如，當(dāng)系統(tǒng)拒絕一筆貸款申請時，需清晰指出所依據(jù)的合規(guī)條款；在回答醫(yī)學(xué)問題時，應(yīng)標明知識出處并提示結(jié)論的不確定性。為滿足這些需求，企業(yè)正加速構(gòu)建“可信AI”能力：在訓(xùn)練階段引入數(shù)據(jù)均衡處理與公平性約束方法，在推理過程中嵌入內(nèi)容水印與溯源標識，在運行時自動記錄決策鏈條。第三方評估體系也逐步建立，從公平性、透明度、魯棒性等維度設(shè)定準入標準。2026年，可信性不再是附加選項或道德倡議，而是大模型能否真正進入核心業(yè)務(wù)系統(tǒng)的硬性門檻和合規(guī)基礎(chǔ)設(shè)施。

趨勢十

大模型人才需求從算法研究轉(zhuǎn)向AI產(chǎn)品與流程工程設(shè)計

隨著模型開發(fā)平臺化與工具鏈高度標準化，純算法研發(fā)崗位需求趨于飽和，而兼具業(yè)務(wù)理解力、AI任務(wù)定義能力和人機協(xié)作流程設(shè)計經(jīng)驗的復(fù)合型人才成為企業(yè)爭奪焦點。2026年，企業(yè)更需要AI產(chǎn)品經(jīng)理，他們能將法務(wù)合同審核、供應(yīng)鏈預(yù)測等業(yè)務(wù)痛點轉(zhuǎn)化為可執(zhí)行的AI任務(wù)，并設(shè)計合理的“人機分工”機制（如AI初篩+人工復(fù)核）。同時，提示工程演進為“流程工程”，需掌握Agent編排、工具集成、失敗回退等系統(tǒng)設(shè)計能力。高校與企業(yè)正共建“AI工程化”課程，培養(yǎng)兼具領(lǐng)域知識、產(chǎn)品思維與技術(shù)理解力的人才。這一轉(zhuǎn)變標志著大模型從“科研驅(qū)動”全面邁入“工程與產(chǎn)品驅(qū)動”階段。

三、需關(guān)注問題及建議

問題一

“落地難”與“價值虛”并存

當(dāng)前，大模型發(fā)展已進入從技術(shù)突破向產(chǎn)業(yè)深耕的關(guān)鍵階段，但“落地難”與“價值虛”問題并存，成為制約規(guī)?；瘧?yīng)用的核心瓶頸。盡管各類大模型應(yīng)用案例層出不窮，多數(shù)仍局限于演示性場景或非核心業(yè)務(wù)環(huán)節(jié)，缺乏可量化、可持續(xù)的商業(yè)閉環(huán)。部分企業(yè)陷入“為AI而AI”的實施誤區(qū)，導(dǎo)致投入成本高企而實際收益有限。建議大模型應(yīng)用從概念驗證轉(zhuǎn)向?qū)嵭涞?。企業(yè)應(yīng)優(yōu)先選擇業(yè)務(wù)價值清晰、實施路徑成熟、投入產(chǎn)出可測算的場景推進規(guī)?；瘧?yīng)用，例如合同輔助審核、設(shè)備預(yù)測性維護和高并發(fā)智能客服等。為避免盲目投入，有必要建立科學(xué)的評估框架，綜合考量場景匹配度、經(jīng)濟回報潛力與部署復(fù)雜度，并由行業(yè)協(xié)會牽頭制定統(tǒng)一的效果驗證標準和最佳實踐指南，增強解決方案的可復(fù)制性與行業(yè)公信力。

問題二

核心技術(shù)受制于算力與工具鏈短板

核心技術(shù)能力的發(fā)展仍受到算力供給不足和工具鏈短板的雙重制約。一方面，人工智能芯片的全球供應(yīng)鏈格局正在重塑，國產(chǎn)算力平臺在軟件生態(tài)適配、系統(tǒng)兼容性以及大規(guī)模集群調(diào)度效率等方面仍處于持續(xù)優(yōu)化階段；另一方面，企業(yè)在部署大模型時普遍面臨工具分散、流程割裂的問題，從模型上線到持續(xù)運維缺乏一體化支撐，顯著增加了技術(shù)門檻和實施成本。為此，建議加快構(gòu)建覆蓋全生命周期的模型工程基礎(chǔ)設(shè)施，鼓勵頭部企業(yè)與開源社區(qū)協(xié)作，共同打造輕量高效的推理引擎、智能體調(diào)度平臺和安全審計工具，通過標準化和模塊化降低中小企業(yè)落地難度，真正實現(xiàn)大模型從“能用”到“好用”的跨越。

問題三

治理滯后于技術(shù)演進，合規(guī)風(fēng)險積聚

人工智能治理體系建設(shè)明顯滯后于技術(shù)應(yīng)用的快速推進，合規(guī)風(fēng)險在金融、醫(yī)療、政務(wù)等對合規(guī)性與可靠性要求較高的領(lǐng)域不斷累積。目前，行業(yè)尚未就如何確保模型輸出的可解釋性、數(shù)據(jù)來源的可追溯性以及算法決策的公平性形成統(tǒng)一標準，企業(yè)在實際部署中常因規(guī)則不明而陷入法律與監(jiān)管的灰色地帶。有必要在強化頂層設(shè)計的同時，推動“沙盒監(jiān)管”制度試點與合規(guī)認證機制并行，在重點領(lǐng)域先行探索大模型準入規(guī)則，并配套發(fā)布操作性強的技術(shù)指引，明確企業(yè)在內(nèi)容標識、人工復(fù)核、風(fēng)險披露等方面的義務(wù)，從而在保障公共利益的前提下，為技術(shù)創(chuàng)新保留合理空間。

問題四

人才結(jié)構(gòu)失配，復(fù)合型工程力量嚴重不足

人才供給結(jié)構(gòu)與產(chǎn)業(yè)實際需求之間存在明顯失配，具備跨領(lǐng)域能力的工程化人才尤為緊缺。當(dāng)前人才培養(yǎng)仍偏重于算法理論研究，而真正支撐大模型落地的關(guān)鍵角色，如“能夠理解業(yè)務(wù)痛點、設(shè)計人機協(xié)作流程、集成系統(tǒng)工具的AI產(chǎn)品經(jīng)理和工程實施人員”嚴重不足。建議推動高校與龍頭企業(yè)深度合作，設(shè)立面向產(chǎn)業(yè)實踐的“AI工程化”培養(yǎng)項目，將行業(yè)知識、產(chǎn)品思維、系統(tǒng)設(shè)計與倫理規(guī)范融入課程體系，加快形成一支既懂技術(shù)又通業(yè)務(wù)的復(fù)合型人才隊伍，為大模型在實體經(jīng)濟中的深度應(yīng)用提供堅實支撐。

IT趨勢

< <滑動查看全文> >

更多行業(yè)案例及其特點，請掃描下方二維碼關(guān)注“賽迪顧問”公眾號，獲取最新動態(tài)。

微信號：ccidconsulting

本公眾號提供的內(nèi)容用于個人學(xué)習(xí)、研究或欣賞，不可用于其他商業(yè)用途。如有關(guān)于作品內(nèi)容、版權(quán)及其它問題，請及時在公眾號留言。

如果獲得轉(zhuǎn)載授權(quán)，請注明作者姓名和轉(zhuǎn)載的出處，不修改文章的標題、文字、圖片或者音視頻，以免曲解原文意思。