全球人工智能
行业研究报告

覆盖模型、资本、企业应用、算力与能源、政策、风险及行业机会；时间窗口为 2025 全年与 2026 年截至 7 月 30 日。

优先使用政府、国际组织、大学研究项目与上市公司投资者关系页面；二手新闻只用于发现线索，不作为关键数字依据。

不写无来源数字；预测与事实分开；本报告自行推导的判断均标注“分析判断”，避免把推论伪装成事实。

前沿模型在 Humanity’s Last Exam 上一年提升 30 个百分点，基准测试的有效寿命正在缩短。

受访组织在 2025 年使用 AI；但智能体在多数业务职能的部署仍是个位数。

美国 2025 年私人 AI 投资，约为中国的 23 倍；资本与模型产出高度集中。

全球数据中心用电在 2025 年增长 17%；AI 专用数据中心用电增长 50%。

竞争焦点正在迁移

领先模型之间的能力差距收窄，差异化将更多来自价格、可靠性、分发、专有数据、行业工作流与合规能力。

最大矛盾不是“是否采用”

而是“如何形成可持续回报”：企业采用率高，但深度智能体部署尚早，基础设施投入与收入兑现存在时间差。

能力差异从“绝对领先”转向“组合优化”

Elo 为 Stanford 引用的 2026 年 3 月 Arena 排名；不同基准不可直接互换。

基准正在“被快速吃掉”

模型能力提升速度超过部分评测的更新速度；Stanford 同时指出，广泛使用的评测中无效问题比例可达 42%，榜单结果也可能受平台适配影响。

商业含义：采购决策不应只看单一总榜，应针对业务任务评估准确性、稳定性、延迟、成本和可审计性。

2025 年受访组织报告已使用 AI，较 2024 年的 78% 继续上升。

至少一个业务职能采用生成式 AI；采用不等同于显著利润贡献。

生成式 AI 在大众化产品推出约三年后达到，快于个人电脑和互联网早期扩散。

消费者价值正在显性化

Stanford 估计，美国消费者从生成式 AI 获得的年化消费者剩余在 2026 年初达到 $172B，较一年前 $112B 增长 54%。

企业价值仍呈“少数领先”

高采用率与低智能体渗透并存，说明行业已跨过工具试用阶段，但流程重构、数据治理和组织学习尚未同步完成。

上游护城河

资本密集、供应链复杂、部署周期长；需求强但受电力和设备交付约束。

中游压力

模型性能收敛与推理效率提升，会压缩单纯依赖模型差异的定价空间。

下游机会

将模型嵌入高价值流程、掌握专有数据并承担结果责任的企业，更容易形成持续收入。

近期现金流

代码、内容、客服、搜索与知识管理更易嵌入现有软件，部署周期较短。

中期壁垒

医疗、金融、工业等高价值行业需要更强的验证、数据质量、责任边界与监管适配。

长期增量

科学 AI、机器人和具身智能可能创造更大新增市场，但技术与资本周期更长。

约同比增长 26%；AI 在不同科学领域占研究产出的 5.8%–8.8%。

对比博士专家基线 83.5%，显示端到端科研任务仍存在巨大差距。

前沿模型在真实生物信息学分析任务上的准确率仍低。

值得投资的能力层

专有科学数据、实验自动化、可重复验证、领域评测与研究工作流集成，比单纯调用通用模型更具壁垒。

需要警惕的叙事

模型在局部任务超越人类，并不代表能够独立完成可信科研；Stanford 指出，实验确认的 AI 科学发现仍然有限。

2025 年由 AI Incident Database 记录，高于 2024 年的 233 起，增幅约 55%。

26 个顶级模型的范围，显示某些表述框架会显著破坏模型准确性。

Stanford 引用的审查发现，不同常用基准中的无效问题比例从 2% 到 42%。

企业治理最低配置

任务级评测、人工复核阈值、最小权限、数据分级、日志留痕、供应商与模型版本管理、事故响应。

不可忽略的二阶风险

提高一个维度（如安全）可能损害另一个维度（如准确性）；治理需要多目标权衡，而不是单一“安全分数”。

能力继续提升但增速更不均；企业将预算从试验迁移到可量化流程；基础设施投资保持高位，智能体采用逐步扩散。

推理成本、智能体可靠性和能源效率改善快于预期，催生新型消费与企业工作流，应用层收入加速兑现。

资本开支回报低于预期，电力与供应链瓶颈持续，监管和事故成本上升，企业削减缺少明确 ROI 的项目。