麥肯錫最新報告揭示了一個關鍵資料：78% 的企業已在業務中用上 AI，但只有 1% 真正實現了成熟部署。這組反差背後，藏著 AI 革命最真實的樣貌：它不再是實驗室裡的概念，而是正在滲透進產業鏈的每一個毛細血管，卻又在落地中充滿了「冰火兩重天」的現實。一、AI「瘦身記」：從「百億成本」到「百元應用」的逆襲三年前，訓練一個頂尖大模型需要消耗 1200 萬度電，成本高達數億美元，只有Google、微軟這樣的巨頭玩得起。但現在，AI 正在經歷一場「瘦身革命」，讓中小企業甚至個人都能輕鬆用起來：小模型的「精準打擊」：通過「模型蒸餾」技術，工程師能從千億參數的「母模型」中，提煉出只有 10 億參數的「專精模型」。比如外賣平台用的「智能調度小模型」，只專注於 3 公里內的騎手路線規劃，算力需求降了 90%，但精準率比原來的大模型還高 15%。多模態 AI 的「全能進化」：以前的 AI 是「偏科生」—— 要麼只會處理文字，要麼只會看圖片。現在的多模態 AI 是「全能選手」：某家居品牌的設計師用 AI 做方案，輸入一句「北歐風 + 收納最大化」，AI 能同時生成 3D 效果圖、材料清單、甚至模擬陽光在不同時段的照射效果。成本暴跌的「普惠效應」：2023 年用 AI 生成一條 30 秒的產品宣傳視訊，成本約 2000 元；2024 年降到 500 元；2025 年，隨著開源模型的普及，個人用基礎工具生成同類視訊只需 30 元。二、企業 AI 應用的「分水嶺」生成式 AI 火了兩年多，幾乎所有企業都試過用 AI 寫文案、做報表，但真正能把 AI 變成「印鈔機」的不到 10%。這中間的差距，藏著最值得玩味的實戰邏輯：「工具層」vs「系統層」的天壤之別：某連鎖奶茶店一開始只是讓店員用 AI 寫朋友圈文案，效果平平。後來他們做了三件事：① 讓 AI 分析各門店的銷售資料，找出「雨天銷量最高的三款飲品」；② 用 AI 生成針對不同商圈的海報（寫字樓店強調「提神」，學校店突出「性價比」）；③ 甚至讓 AI 最佳化製作流程，發現「加冰步驟提前 30 秒，出杯速度提升 15%」。這套組合拳下來，門店月營收平均增長 22%。這就是區別：停留在「用 AI 寫文案」是工具層，而把 AI 嵌入業務全流程才是系統層。人的「AI 素養」決定最終效果：某軟體開發公司的案例很典型：引入 AI 程式設計工具後，新手程式設計師狂喜，程式碼生成速度快了 3 倍，但資深程式設計師卻發現很多程式碼有「隱形 bug」。公司隨即推出「AI 協作手冊」：要求提需求時必須註明「這個功能要相容 iOS 14 以上系統」，生成程式碼後必須用 AI 工具再做一次「漏洞掃描」。三個月後，整體開發效率提升 60%，bug 率反而下降了 28%。這說明：AI 不是「甩手掌櫃」，而是「需要調教的助手」，人的「提效能力」比「使用工具」更重要。三、個人與 AI 共處的「生存指南」AI 不會突然「取代人類」，但會悄悄「重構崗位」。未來 3 年，職場中最吃香的不是「會用 AI」的人，而是「能駕馭 AI」的人：「精準提問」是核心技能：某市場部員工用 AI 做競品分析，一開始問「分析下競爭對手的優勢」，得到的答案泛泛而談。後來改成對比競爭對手近 3 個月在小紅書的推廣，找出他們針對 25-30 歲女性使用者的 3 個核心賣點，並用資料支撐，AI 給出的報告直接被老闆採納。這就是「提示詞工程」的價值 —— 能把模糊需求轉化為 AI 可執行的精準指令，未來會成為和「寫 PPT」一樣基礎的能力。「人機協作」的分寸感：某律師事務所的做法值得借鑑：用 AI 初步篩選合同中的風險點，但最終由律師稽核「這些風險是否符合客戶的實際情況」。AI 處理了 80% 的重複性工作，律師則聚焦在 20% 的關鍵判斷上。這種「AI 做基礎篩查 + 人類做深度決策」的模式，會成為很多行業的標配。「反脆弱」思維更重要：AI 擅長處理有標準答案的問題，但面對突發狀況、情感溝通、創造性突破時，人類的優勢無可替代。比如某客服團隊：AI 負責解答「退貨流程」等標準化問題，而人類客服專攻「客戶情緒安撫」「複雜糾紛調解」。那些能在 AI 不擅長的領域深耕的人，反而更不容易被替代。四、全球 AI 競賽的「暗線」AI 的戰場早已超越技術本身，成為國家競爭力的角力場。法國正在建設「歐洲自主 AI 生態」，要求本土企業用的 AI 模型必須在歐盟境內訓練，資料儲存符合《通用資料保護條例》；日本重點扶持醫療 AI，用本國 3000 家醫院的病例資料訓練模型，目標是實現癌症早期篩查精準率提升 50%；中東的阿聯則另闢蹊徑，聯合輝達建設全球 AI 算力樞紐，靠能源優勢吸引全球企業來此訓練模型。這種區域化趨勢帶來一個新現象：AI 正在變得「本土化」。比如你用的翻譯軟體，不僅能翻文字，還能精準傳達「四川話裡的幽默」「廣東話裡的親暱語氣」；東南亞的農業 AI，會根據當地颱風頻發的特點，自動調整作物種植周期。 (領鷹AI)

被矽谷奉為「互聯網女王」的 Mary Meeker 又出手了。她自 1996 年起連續每年發佈著名《網際網路趨勢報告》，記錄了從 PC 到移動網際網路的二十年進化史，是不少投資人和創業者的風口指南針。作為少數能通過資料講清楚未來走向的老牌投資人，這一次，她將目光投向了 AI。5 月 30 日，Meeker 發佈了一份長達 340 頁的重磅《AI 趨勢報告》，從技術路徑、投資規模到自動駕駛等領域的影響，幾乎把這場浪潮的每一個重要變數都梳理了一遍。如果你想抓住下一個風口，那麼這份報告絕對值得認真研讀。我們也整理了報告中的一些要點：AI 帶來的變化是前所未有的，ChatGPT 短短 2 個月內突破 1 億使用者，17 個月後月活躍使用者達到 8 億，訂閱使用者超 2000 萬，年收入接近 40 億美元。看到 AI 潛力的科技巨頭持續加大對 AI 基礎設施的資本投入，2024 年 AI 相關資本支出已達 2120 億美元，同比增長 63%。輝達 GPU 顯著提升了AI 推理的性能和能效，也因此賺得盆滿缽滿，堪稱這波 AI 浪潮中的最大受益者。AI 模型的訓練成本在短短 8 年內暴漲 2400 倍，單個模型訓練成本可能在今年將達到 10 億美元，未來有可能突破 100 億美元。開源模型（如 DeepSeek、Qwen 等）更是逐步縮小與頂級閉源模型的差距，尤其在推理和程式設計能力上具備競爭力。AI 在蛋白質摺疊、癌症檢測、機器人技術、多語翻譯等領域發展迅速，在圖靈測試中的表現已超越多數人類測試者，並開始滲透到自動駕駛、機器人等物理世界。AI 相關崗位增長 448%，而傳統 IT 崗位需求萎縮，AI Agent 成為新型數字勞動力，能夠執行多步驟任務並重塑各行業業務流程。附上原報告地址：https://www.bondcap.com/reports/tai另外，APPSO 也整理了原報告的中英雙語版本，可直接在公眾號後台回覆「趨勢」即可領取。使用者裂變速度史上最快，AI 真成新基建了？ChatGPT 僅用了 2 個月左右的時間達到 1 億使用者，遠遠快於歷史上任何一款產品。17 個月過後，ChatGPT 月活躍使用者增至 8 億，訂閱使用者超 2000 萬。此外，ChatGPT 年營收接近 40 億美元，是歷史上商業化速度最快的 AI 產品，沒有之一。與網際網路前期是以美國為中心的技術有所不同，ChatGPT 在短短的三年之後，北美之外的使用者普及率就超過 90%，呈現「同步爆發、全球鋪開」等技術特徵。AI 驅動基礎設施投資是本次浪潮的一大亮點。報告提到，我們所熟知的大型科技公司（蘋果、輝達、微軟、Google、亞馬遜、Meta）在 AI 相關 CapEx（資本支出）上持續加碼。資料顯示，這六家公司大舉投資 AI 基礎設施，如資料中心，2024 年已達 2120 億美元，同比上漲 63%，為十年內最高。當然，AI 生態的增長邏輯是，算力投入越大，模型能力越強，產品體驗越好，從而導致使用者越多，平台收益潛力越大，進而刺激企業加碼 CapEx。在過去一年裡，黃仁勳在幾乎所有公開場合都在重複一個觀點：輝達不是晶片公司，也不僅僅是一家科技公司，而是一家 AI 基礎設施公司。由於資本的瘋狂投入，全球資料中心投資在 2022-2024 三年內幾乎翻倍。其中，輝達吃下了資料中心預算的「大頭」，眾多初創公司依賴輝達的硬體和軟體棧加速產品開發。到 2024 年，每 4 美中繼資料中心投資中，就有 1 美元進了輝達的口袋，也讓其成為了這波 AI 浪潮的最大贏家。另外，AI 應用也加速滲透到多個領域：蛋白質摺疊預測、癌症檢測、機器人、多語翻譯、視訊生成……正在重塑行業生態和人類工作方式。某種程度上說，AI 就是新基建的重要驅動力。推理成本下降，但模型訓練越卷越貴資料量、參數規模、CPU 叢集、工程師人力等同步上漲，導致 AI 模型的訓練成本呈現指數級暴漲。正如 Anthropic CEO Dario Amodei 所預測的那樣，2025 年將可能出現單個模型訓練成本達到 10 億美元，甚至未來 100 億美元也不是天方夜譚。報告顯示，前沿 AI 模型的訓練成本在短短 8 年內增長了約 2400 倍，2016 到 2019 年訓練成本仍處於幾十萬到幾百萬美元之間，而到了 2024 年， GPT-4、Gemini 1.0 Ultra、Llama 3 等模型訓練成本高達上億美元。根據 Epoch AI 的資料，從 1950 到 2025 年，AI 模型訓練所需資料集從百萬詞級躍升至兆詞級，規模年增 260%。與此同時，所需算力也在大幅增長。雖然 IT 硬體成本持續下降，但模型訓練 FLOP（浮點運算）年增長率高達 360%，AI 模型越來越「燒錢」「燒電」「燒卡」。輝達每一代 GPU 架構都大幅提升和最佳化 AI 推理性能和能效比，這也是 AI 走入現實生活的基礎前提之一。2014 到 2024 十年間，輝達 GPU 推理單個 Token 所需的能耗下降了約 105000 倍，幾乎趨近於可忽略的邊際能耗，有利於規模化部署和開發者接入。過去，輝達 CUDA 平台、GPU 程式設計模型雖已存在，但使用者多集中在科研、高性能計算領域。隨著深度學習、大模型訓練需求暴漲，越來越多的開發者也湧入輝達生態。輝達用了 13 年才做到第一個 100 萬開發者的里程碑，又用不到 7 年時間做到了 600 萬。包括在剛過去不久的 Google I/O 大會上，使用 Google Gemini 建構應用的註冊開發者總量也從 140 萬增長至 700 萬，年增幅達 5 倍。閉源想收割，開源想逆襲，使用者笑而不語OpenAI 等頭部企業尚未盈利，算力支出高於收入，呈現「高使用者、重燒錢、待盈利」的發展階段。不過，情況也正在好轉。2022–2024 年間，Open AI 收入大幅上升，算力支出顯著下降，顯示其 AI 商業化路徑逐漸清晰（如 ChatGPT Plus、API、企業訂閱等）。隨著性價比持續提升，開源模型正在成為閉源模型的強有力對手。知名分析機構 Artificial Analysis 資料顯示，截至 2025 年1 月份，像 DeepSeek、Meta 的 Llama 3、阿里的 Qwen 系列這樣的開源模型，已經在推理能力和程式設計能力等方面的性能逼近頂級閉源模型。到 2024 年，美國發佈超 100 個訓練計算量超 10²³ FLOPs 的大語言模型，而中國自 2022 年以後緊隨其後，模型進入高密度爆發期，不斷縮小中美之間的差距。相比之下，英國、法國、德國、加拿大等國的累計數量尚在 10-20 個區間，跨國協作模型開發增長曲線也比較緩。對比來看，中國在工業機器人部署上具備領先優勢。2023 年工業機器人安裝數量達到 276000 台，首次超過全球其他國家總和。圖靈測試不香了？你可能已經相信 AI 是「人」隨著 AI 模型性能的不斷提升，人類已經越來越難分辨 AI 和真人了。圖靈測試（Turing Test）是著名數學家、邏輯學家、密碼學家艾倫·圖靈於 1950 年在《電腦器與智能》一文中提出的一種測試機器是否具有智能的方法。現如今，GPT-4.5 在圖靈測試中被 73% 的測試者誤認為人類，遠超 GPT-4o 和機器人 ELIZA。在下方的聊天記錄圖片中，左側 Witness A 是 GPT-4.5，右側 Witness B 是人類，相比之下，GPT-4.5 表達更輕鬆，更有人味，而真人的回答反而略顯笨拙。圖像方面的進步在 Midjourney v1-v7 上展現得淋漓盡致，2022 年生成的葵花吊墜質感粗糙，肉眼可見地像玩具，到了 v7 版本，質感直接邁向商品級水平。下圖左側是 AI 生成的圖片，在膚色、髮絲、光線等細節上幾乎毫無破綻，而面對右側真實拍攝的照片，也很難說一眼便能分清 AI 與真人。聲音更是 AI 生成領域的重災區，ElevenLabs 支援多語言語音克隆與翻譯，保留原說話者的音色。功能包含自動轉錄、翻譯、合成一條新音軌。資料顯示，ElevenLabs 網站的月訪問量從 0 飆升到接近 2000 萬，音色克隆+即時翻譯已趨近商用等級。這屆 AI 不只會聊天，開始開車、種地、打工了報告還提出了一個關鍵的趨勢轉變：AI 正從數字世界擴展到物理世界，「物理智能體」正在加速崛起。例如，Waymo 和 Tesla 的自動駕駛系統已投入商業營運，不再只是停留在測試階段，而是與即時環境緊密結合，截止至 2025 年 4 月，Waymo 自動駕駛計程車在舊金山的市場份額已經佔到了約 1/3。Uber CEO Dara Khosrowshahi 也曾表示：再過 15 到 20 年，自動駕駛系統將比人類司機更優秀。它們會基於無數人類駕齡的資料進行訓練，而且不會分心。與此同時，AI 正在快速滲透到各個行業，包括 AI 工廠、AI 機器人、工業 AI、AI 醫療裝置與 AI 農業等部署，正在去取代傳統的人工流程。如 Carbon Robotics 等農業公司則將 AI 應用於除草，通過電腦視覺實現無農藥作業。AI 相關崗位增長 +448%，非 AI 崗位反降 -9%（2018–2025），說明企業對於 AI、機器學習、資料科學、生成式 AI 等相關崗位需求迅猛增長；而傳統 IT 崗位（如基礎維運、通用程式設計）職位需求則相對飽和甚至萎縮。2025 年是 Agent 元年，Agent 正在成為新型數字勞動力。AI 不再只是一個對話工具，而是真正能幹活，比如 Claude 3.5 的 Computer Use 可以直接控制電腦螢幕，自動執行多步驟任務，如線上購物、介面導航等。各行業（金融、醫療、製造、零售）正用 AI 重塑業務流，提升生產率與客戶體驗。圖表顯示，企業採用 AI 的目標正在發生演變：從最初提升整體辦公效率（如 Copilot 應用）出發，快速擴展至特定崗位自動化、客戶互動最佳化、新營收機會探索等多個方向。 (APPSO)

當地時間5月30日，瑪麗·米克爾（Mary Meeker）發佈了長達340頁的“AI趨勢報告”。報告顯示，AI的發展速度前所未見，使用者增長、使用量和資本支出均呈現出爆炸式增長，其影響力可能遠超技術本身。瑪麗·米克爾是美國風險投資家，曾就職於摩根士丹利和凱鵬華盈（Kleiner Perkins），於2018年創立了自己的風投公司邦德資本（BOND）。她主要專注於網際網路與新技術領域投資，被譽為“互聯網女王”。AI發展速度前所未有報告顯示，在消費者、開發者、企業和政府部門中，AI的使用正在前所未有地激增。與網際網路1.0革命的技術起步於美國，然後穩步向全球擴散不同的是，ChatGPT一下子登上了世界舞台，並在全球大部分地區同時增長。具體來看，作為衡量算力的基本計量單位，浮點運算次數在2010年以後開始增速顯著增加，年增長率達到360%。值得注意的是，ChatGPT年搜尋量達到3650億的時間為兩年，而Google用了11年，ChatGPT的增速是Google的5.5倍。如果以美國計算相關專利授權數量為例，可以發現，第一次加速是在1995年，標誌著網際網路時代的開始。2004年起，其增速放緩，標誌著網際網路時代的發展也開始變慢。在2022年ChatGPT發佈之後，專利數量又一次開始爆發式增長，而且比1995年那次更快。AI使用者的增速同樣前所未有，ChatGPT的使用者數量曾在17個月內翻了8倍。中國正在引領開源競賽為何說AI爆炸式發展的影響力可能遠超技術本身？瑪麗·米克爾在報告中直言，在開源模型領域，中國正在引領開源競賽。在瑪麗·米克爾看來，OpenAI的GPT-4或Anthropic的Claude等閉源模型通常性能更強、更易於使用，因此也受到企業、消費者和政府青睞。但閉源模型往往需要數月的計算時間和數百萬美元的支出，並且還是一個不透明的“黑箱”。隨著大語言模型的成熟和競爭的加劇，開源模式因其較低的成本、不斷迭代的功能以及對開發人員和企業更廣泛的可及性而興起。此類模式可供任何人免費使用、修改和建構，因此普遍受到初創企業、研究人員/學者和獨立開發人員的青睞。再看國內各AI公司，開源模型已成為主要發力方向之一。5月29日，DeepSeek宣佈，DeepSeekR1模型已完成小版本升級，當前版本為DeepSeek-R1-0528。據介紹，DeepSeek-R1-0528仍然使用2024年12月所發佈的DeepSeek V3 Base模型作為基座，但在後訓練過程中投入了更多算力，顯著提升了模型的思維深度與推理能力。更新後的R1模型在數學、程式設計與通用邏輯等多個基準測評中取得了當前國內所有模型中首屈一指的優異成績，並且在整體表現上已接近其他國際頂尖模型。而與舊版本的DeepSeek-R1保持一致，此次團隊的開源倉庫（包括模型權重）仍然統一採用MIT License，並允許使用者利用模型輸出、通過模型蒸餾等方式訓練其他模型。5月14日晚，阿里正式開源通義萬相Wan2.1-VACE，單一模型可同時支援文生視訊、圖像參考視訊生成、視訊重繪、視訊局部編輯、視訊背景延展以及視訊時長延展等全系列生成和編輯能力。此前，阿里亦於4月開源新一代混合推理模型Qwen 3（千問3）。截至4月底，阿里通義已開源200余個模型，全球下載量超3億次，千問衍生模型數超10萬個，成為全球最大的開源模型族群。智譜華章也在4月14日集中開源GLM-Z1-Air等模型，包括9B與32B尺寸，涵蓋基座模型、推理模型和沉思模型。以上開源模型可免費用於商業用途、自由分發，為開發者提供了最大的使用和開發自由度。據悉，此次模型開源後，智譜華章的GLM-4開源倉庫已經在GitHub上斬獲超過6000顆星星。最新模型上線智譜開放平台bigmodel後，當天有超過6000家企業和開發者接入，呼叫tokens日增幅超100%。 (上海證券報)

日前，Gartner發佈了2025年十大戰略技術趨勢報告。在該報告中，Gartner強調了那些將在未來10年內給CIO和其他IT領導人帶來重大變革與機遇的趨勢，涵蓋AI、資訊安全、量子密碼學、計算、機器人等。 Gartner研究副總裁高挺（Arnold Gao）表示：“今年的重要戰略技術趨勢涵蓋了AI的必要事項和風險，以及計算技術和人機協同等前沿趨勢。追蹤這些趨勢將幫助IT領導者以負責任、和合乎道德的創新方式塑造企業機構的未來。” 以下是2025年重要戰略技術趨勢。 代理型AI（Agentic AI）