[編者按] 美國作為AI技術與美元霸權的雙重主導者，正試圖將這兩大核心優勢深度融合，建構一套以AI為產業底座、美元（含穩定幣）為結算核心、算力與資本為紐帶的“AI美元體系”，而海灣國家則成為這一戰略佈局中不可或缺的關鍵支點。這一隱性體系既非對石油美元的簡單復刻，也不同於傳統SWIFT結算網路，而是適配數字時代的新型霸權形態，其形成邏輯、運作機制與潛在風險，值得深入剖析。本文以多維視角系統拆解了AI美元體系的完整圖景：從海灣國家在能源、資本、政治穩定、資料資源等方面的不可替代價值，到美國通過技術繫結、資本吸附、規則塑造、安全約束實現對海灣國家的戰略鎖定；從海灣國家“主動套利、多元合作”的博弈姿態，到美國推動該體系背後對衝去美元化、重建技術中心地位、強化海灣繫結的三重核心動機；最終聚焦體系的執行現狀、算力供應鏈壟斷策略、外交繫結路徑，並深刻揭示其“技術可替代、貨幣受制約、夥伴自主性增強”的根本脆弱性。在全球AI競爭與金融格局重構的關鍵節點，美國的這一戰略佈局不僅關乎美元霸權的未來存續，更將深刻影響國際技術分工、資本流向與地緣政治平衡。海灣國家的搖擺博弈、中美歐在AI與數字金融領域的角力，都讓這一體系成為充滿變數的“高強度競爭型霸權形態”。為幫助讀者全面把握數字時代國際秩序的演變趨勢，認清霸權重構背後的利益博弈與結構性風險，歐亞系統科學研究會特轉載此文，供讀者批判性閱讀，文章僅代表作者本人觀點。海灣國家會不會成為AI美元體系的勝負手？美國是否真有“AI美元”戰略？▲ 圖源：海灣譯讀在全球AI與數字經濟的快速發展背景下，海灣國家正在成為美國關注的戰略焦點。對於美國而言，如果要建構一個以AI為核心、以美元為結算標準、以算力和資料為底座的全球體系，海灣國家的重要性幾乎不可替代。這不僅是因為地緣位置和歷史因素，更根源於這些國家在資本、能源、資料、政治穩定與戰略延續性等方面的綜合優勢，而這些優勢在其他潛在合作地區難以同時具備。1   海灣國家對於AI美元體系的重要性體現在那裡？在全球AI競爭格局背景下，美國必須找到能夠承載算力、資料、資本和制度的關鍵節點，以確保其設想的AI美元體系具備足夠的可擴展性與穩定性。海灣國家因其獨特的資源稟賦、資本能力、產業動機和制度環境，自然成為了最優選擇。對美國而言，海灣不僅是技術部署的物理空間，更是制度嵌入、資本鎖定和戰略可控的綜合支點。首先，海灣國家具備從能源到算力的天然轉換能力。AI的運行核心是算力，而算力的底層成本直接來自能源消耗，AI資料中心和大模型訓練每年耗電量可達到數十億千瓦時。海灣國家不僅擁有豐富的石油和天然氣資源，而且近年來在可再生能源、清潔能源的佈局上也極具前瞻性，推進了大規模的太陽能和風電項目建設，使電力成本在全球處於最低水平——沙烏地阿拉伯工業用電價格約在0.048–0.06美元/千瓦時，阿聯得益於諸多太陽能項目和海灣地區唯一的核電項目——巴拉卡核電站（Barakah Nuclear Power Plant），電價同樣極具競爭力。更為重要的是，海灣國家的多元化能源佈局與算力基礎設施建設形成協同。低成本、可控且可擴展的能源供應不僅降低了資料中心、超算中心的營運成本，也確保了大規模AI系統的穩定運行，從而讓海灣國家在大規模佈局算力方面具備較高的經濟可行性和較強的全球吸引力。美國深知，如果能將海灣國家的能源優勢持續轉化為穩定、低成本的算力節點，將有助於其在全球AI基礎設施佈局中佔據更有利的位置，從而增強對未來AI經濟底層運行規則的影響力。其次，海灣國家的國家資本更注重長期主義投資能力。在AI時代，基礎設施建設、大模型訓練以及全球算力網路的部署都需要極其龐大的資金投入。這不僅包括建設數以萬計的GPU資料中心、跨境光纖網路和冷卻系統，還涉及周期長達數十年的電力與城市級算力設施。相較於西方國家的私募資本或避險基金，海灣國家的主權財富基金資本實力極其強大，總資產規模已超過5.2兆美元。同時，這些主權財富基金的投資邏輯並不會過度追求短期財務回報，而是旨在實現國家競爭力和戰略利益最大化，建設支撐國家未來形態與國際影響力的長周期項目。這種長期、國家導向的資本模式，使海灣國家成為AI全球體系中不可替代的金融支柱。它能夠確保算力中心、資料中心、跨境網路和大模型訓練項目能夠如期建設，並與海灣國家戰略深度繫結，從而提供了極高的金融和項目執行穩定性。這不僅加速了Falcon等本地AI項目的落地，也為美國在海灣地區測試和擴展其AI技術與治理框架提供了相對可控的環境。第三，海灣國家政治穩定且擁有超強執行能力。長期投資和戰略押注離不開制度保障。海灣國家的政治體系具有高度集中權威、長期規劃能力和高效執行力等突出特點，這使得大型基礎設施項目大多能夠順利落地，較少受到世界其他地區國家民主輪換、政策反覆或社會動盪等因素影響。無論是沙烏地阿拉伯的“2030願景”，還是阿聯的“AI國家戰略”均展現出至少10–15年的政策連續性，政府高層還會親自推動大型AI、算力與城市智能化項目，確保規劃落地而不會受到政局周期或短期政策波動影響。這種穩定性是跨國AI投資和基礎設施部署的關鍵前提，也成為了美國考慮全球AI項目部署、將海灣國家嵌入AI美元體時的重要因素。第四，石油美元體係為美國在海灣的戰略佈局提供了制度化基礎。海灣國家早已習慣將能源財富與美元體系深度繫結，在金融、投資、貿易結算等方面對美元具有天然適配性。新的AI美元體系在這一慣性基礎上可以更順利地推行，穩定幣及其他數字金融工具亦可以無摩擦地嵌入海灣國家的現有美元網路，實現AI服務和算力交易的標準化和透明化。同時，美國在地區安全和軍事保障上佔據主導地位，使其能夠對關鍵算力、晶片和雲服務體系進行可控部署。這種制度和安全相容性，使海灣成為AI美元體系中結構性十分必要、制度上高度可控的樞紐節點。最後，資料資源的獨特性賦予海灣國家新的戰略價值。與傳統資源不同，AI時代的資料不僅要求規模，更強調多樣性和跨境性。海灣國家的人口結構極具全球化特徵，阿聯國際移民佔比88%，卡達約78%，科威特約72%，巴林和阿曼均約55%，沙烏地阿拉伯約38%。這種人口多樣性使其在文化、醫療、金融、交通、社交、語言等領域積累了高度跨文明、跨種族的資料資產。美國科技公司和AI機構看重的正是這種跨語種、跨產業、跨人口結構的資料，因為它們能夠顯著提高AI模型的泛化能力。過去一年多時間裡，微軟與OpenAI等美國企業相繼與海灣國家開展資料交換談判，以期達成資料治理合作協議，正是為了利用海灣國家的多樣化資料資源為其全球模型最佳化提供支撐。這使得海灣國家不僅是前面提到的資本與能源樞紐，也可能成為未來AI資料霸權的重要節點。綜合來看，美國選擇海灣國家的邏輯是上述多維度因素疊加的結果。這一選擇不僅體現了美國戰略的前瞻性，也揭示了海灣國家在全球AI體系中不可替代的結構性地位。2   美國如何在新體系中定位和繫結海灣國家？在美國對於AI美元體系的構想中，海灣國家不僅是超級算力與資料的潛在樞紐，更是金融、技術和規則體系的關鍵節點。因此，美國對海灣國家採取了一整套系統性的定位和繫結策略，其邏輯核心是——通過“繫結、整合、吸附、鎖定”，使海灣國家成為美國主導下的全球AI網路的可控節點，同時降低其可能的自主偏離風險。首先，在技術層面，美國通過輸出自身AI技術體系，建立起對海灣國家的依賴。大模型、演算法架構、雲服務和算力管理工具都是美國企業的優勢資源。以阿聯的Falcon大模型為例，其研發和訓練過程高度依賴美國主導的算力生態、模型訓練工具鏈和安全規範。儘管模型部署在阿聯本土，但其技術路徑、工程方法和生態介面在很大程度上與美國主流AI體系保持一致。這種安排意味著，即便海灣國家在硬體與算力上具備自主能力，它們仍需依賴美國的技術生態完成系統整合和全球部署，從而形成了雙方之間事實上的技術繫結。與此同時，美國通過提供軟體工具、雲平台（如Azure、AWS和Google Cloud等）以及模型應用介面，使海灣的AI系統與全球美國技術生態無縫對接，從而形成跨境的技術依賴。其次，在資本與投資層面，美國利用海灣國家長期導向的國家資本，推動本土與全球AI生態的協同發展。海灣主權財富基金（如PIF、ADIA、Mubadala、QIA等）、大型國家企業（如Saudi Aramco、ADNOC等）長期以來投資於能源、基礎設施和金融領域，這使它們具備承擔大規模、高風險、長周期AI項目的能力。美國通過項目合作和投資引導，將這些資金吸納入其主導的全球AI體系。阿聯參與的“星際之門”（Stargate）項目就是典型案例。該項目聚焦高性能算力網路與跨境AI基礎設施建設，得到了Mubadala等主權基金以及國際合作夥伴的資金支援和政策配套。美國在這一過程中不僅獲得了必要的資金支援，還通過股權安排、合作協議和資金流向控制，建立了對海灣國家AI投資鏈條的影響力。這種資本繫結進一步強化了美國在全球AI基礎設施部署中的主導地位。第三，在規則與治理層面，美國通過制定資料、安全與結算規則，強化與海灣國家的制度相容性。資料治理框架、模型安全標準以及跨境算力協議都是美國在全球AI生態中施加影響的關鍵手段。例如，微軟與G42簽署的協議明確提出“資料治理合作框架”，要求資料標準、存取權和模型訓練流程符合美國制定的國際安全規範。美國還通過推動海灣國家採用美元或美元穩定幣進行AI服務結算等方式，將金融體系與技術體繫緊密捆綁。這種規則繫結不僅確保海灣國家在政策、技術和金融層面與美國體系相容，也給潛在的非美國技術替代方案進入海灣國家豎起了壁壘，導致後者難以快速落地，降低了戰略不確定性。此外，美國在安全與戰略層面對海灣國家形成隱性約束。算力中心、資料樞紐及跨境網路的建設，往往涉及關鍵基礎設施與國家安全議題。美國通過出口管制、技術審查、戰略合作協議以及聯合培訓項目，使海灣國家在AI應用部署、跨境資料流動及關鍵算力節點管理方面，形成對美國體系的依賴。這不僅保障了美國在全球AI產業鏈中的戰略話語權，也使海灣國家在未來可能出現的地緣政治或經濟波動中，維持相對可控的技術依賴度。需要特別指出的是，海灣國家除了能源、少量石化和金融產業外，實體經濟和高端製造、科技產業基礎相對薄弱。為了推動經濟多元化，海灣國家普遍希望通過AI實現“彎道超車”，快速建立新的產業支柱，推動經濟結構升級。羸弱的現實和蓬勃的野心形成了鮮明反差。而美國恰恰看準了這一薄弱環節並捕捉到了海灣國家的急切心理，通過資本、技術和標準等一系列組合拳，試圖快速彌補當地AI產業空白。可以說，海灣國家在核心技術、人才積累和產業鏈控制上的這一短板，正是美國進行繫結和規則塑造的戰略切入點。在這樣的條件下，海灣國家的AI產業雖然在表面上取得風風火火的發展成績，但實際上仍有可能過度依賴美國體系，在全球AI競爭中難以建立自主影響力。概括起來，美國對海灣國家的新體系定位與繫結機制是多維度的：技術繫結提供核心操作依賴，資本繫結確保項目落地與資金流動，規則與治理繫結建立制度相容性，安全繫結強化戰略可控性。通過這些手段，美國不僅鎖定了海灣國家在其主導下的全球AI網路中的戰略地位，也為自己在新興AI美元體系中的主導角色創造了制度性保障。這一佈局的核心邏輯是——利用海灣的天然優勢與短板，將其轉化為全球AI體系的可控節點，同時確保長期的技術、資本與規則依賴。3   海灣國家對AI美元這一新的依附體系作何反應？面對美國在AI美元體系中對其的定位與繫結，海灣國家並非像石油美元體系建構過程中的被動接受，而是採取了更為主動的戰略姿態，試圖利用AI 美元體系的窗口期實現戰略躍遷。這些國家敏感地意識到，AI不僅是一項技術，更是國家競爭力、經濟轉型和國際影響力的關鍵槓桿。同時，它們也很清楚，AI並不是美國獨享的技術專利，而是下一個時代的“基礎設施權力”。既然美國想用AI再次主導世界秩序，那麼，海灣國家同樣也想用AI在全球秩序中提升自身地位。在歷史上，沙烏地阿拉伯曾利用石油美元成為“地緣政治巨人”，阿聯曾利用港口體系成為“全球物流巨人”，卡達也曾利用天然氣成為“能源外交巨人”。現如今，這些海灣國家把AI看作下一次“躍升式發展窗口”。這也就意味著，海灣國家參與AI美元體系，不會單純被動依附美國，而是也會在這一過程中尋找套利的機會，利用美國爭取自身利益的最大化。我們可以說，美國需要海灣國家，海灣國家也需要美國，但這種關係不再是石油美元時代的“單向依賴”。彼時，美國主導、海灣國家完全依賴的場景清晰可見。而在AI美元時代，美國和海灣國家間更像一場“條件交換”。美國的條件是給技術、給模型、給生態、給算力體系、給穩定幣金融體系，海灣國家的條件則是提供資本、提供能源、提供算力場地、提供全球高品質資料、提供戰略縱深。美國希望借AI再度繫結海灣國家、穩住美元體系，海灣國家則既希望擺脫石油美元的宿命，同時又寄望於AI讓它們成為全球的中堅力量。這是一個典型的“互利但不穩定的平衡結構”，但其中蘊含的交集使得AI美元體系在海灣國家這裡成為了可能。4   海灣國家是否“心甘情願”？如果說上一部分強調的是海灣國家在戰略層面對AI美元體系的主動認知，那麼在操作層面，它們的行為邏輯則更加謹慎而精明。事實上，海灣國家對AI的投入，更多是一種帶有明顯套利邏輯的多頭合作策略。一方面，海灣國家清楚認識到，自身缺乏建構完整AI技術體系所需的產業土壤與科研生態。在這一前提下，與其在技術主權問題上進行高成本、低成功率的自主探索，不如優先利用外部成熟體系，將AI作為經濟轉型和國際地位提升的“工具變數”。在短中期內，與美國深度合作無疑是確定性最高的選擇。但另一方面，海灣國家並未在戰略上“孤注一擲”。它們普遍採取的是技術合作多元化、政治立場模糊化、資本配置分散化的策略：在AI、雲端運算、數字基礎設施領域，與美國公司深度合作；在新能源、製造、部分數字應用場景上，繼續與中國、歐洲等保持合作空間；在外交與地緣政治表態上，儘量避免在中美競爭中明確站隊。這種策略的核心目的，並非挑戰美國主導權，而是最大化自身在不同體系之間的迴旋空間。可以說，海灣國家並不是試圖“逃離繫結”，而是希望在繫結關係中獲得儘可能大的談判籌碼與時間窗口。5   AI美元體系下的依附關係會不會是一把雙刃劍？從短期看，美國通過繫結海灣國家，確實強化了自身在 AI 時代的體系優勢：既獲得了穩定的能源與資本支援，又避免了技術外溢帶來的潛在競爭者。這種模式在效率和可控性上都近乎理想。然而，從中長期看，這種安排本身也存在潛在反噬風險。對美國而言，過度依賴外部能源與資本支撐AI擴張，可能在未來地緣政治環境變化時放大系統脆弱性。一旦地區安全域勢惡化，或海灣國家在關鍵節點上選擇“消極配合”，美國主導的AI基礎設施網路可能面臨現實衝擊。此外，過度強調“可控擴張”，也可能在無意中抑制盟友與夥伴的技術內生能力，從而削弱整個陣營的長期創新彈性。對海灣國家而言，這更是一把明顯的雙刃劍。AI投資在短期內可以帶來經濟活躍度、國際能見度和政治籌碼，但如果無法逐步培育本土應用場景、人才體系和產業閉環，這種發展路徑極可能演變為一種“數字時代的資源型依附”——由過去依附石油美元，轉向依附演算法、算力與規則。在這種情況下，海灣國家不僅會喪失技術主權，還會在技術競爭格局發生改變時失去自主調整空間。更為重要的是，如果AI發展過度依賴外部合作，而本土創新生態未能形成閉環，本土非石油產業未能同步取得顯著進展，巨額AI基礎設施投資未必能夠順利轉化為長期競爭力，反而可能在缺乏產業和制度配套的情況下，演變為缺乏內生支撐的“空中樓閣”。在AI時代，海灣國家確實成為美國“AI美元體系”的關鍵支點，但這一角色更像是加速器和放大器，而非規則制定者或主導者。同時，這是一場帶有共謀色彩的結構性嵌入：短期內各取所需，長期卻潛藏新的依附與不穩定因素。6   如果美國真的擁有AI美元戰略，它的根源是什麼？要判斷美國的動機，必須從美元體系的歷史說起。美國的每一次金融戰略轉折，都發生在美元霸權面臨系統性威脅的時刻。1944年布列敦森林體系：美元與黃金掛鉤，確立戰後秩序。1971年尼克松衝擊：美元放棄金本位，需要尋找新的錨定物。1973–1975年石油美元體系：美元與石油繫結，解決美元信用危機。1990–2000年網際網路金融時代：全球美元資本市場擴張，美國進入單邊優勢周期。2008年金融危機：信任危機迫使美國推動美元“資產化”、“全球化”和“金融化”。2020年後去美元化風潮：SWIFT之外出現了CIPS和SPFS、歐盟的金融自主化、金磚國家的本幣安排、沙烏地阿拉伯對石油美元體系態度的鬆動、俄烏危機引發的制裁體系反噬。進入2022–2025年，全球經濟格局呈現出一個歷史性的變化。美元正第一次面臨“供應鏈去美元化+能源交易去美元化+地緣政治金融化”三重疊加的壓力。美國非常清楚，石油美元體系將逐漸鬆動，SWIFT體系會日益多元化，美債的全球吸引力會因地緣政治衝突與貨幣政策高度政治化而不斷下降。與此同時，發生了另一件極其關鍵的事情。AI正在成為21世紀最重要的產業基礎設施，沒有之一。這也讓美國捕捉到了美元體系“第二次轉型的窗口”——AI美元有望成為數字時代的新霸權基礎。如果說，石油美元讓美國繫結了資源時代的世界，AI美元有可能讓美國繫結數字時代的世界。換句話說，美國並非主動選擇AI美元，而是因為全球金融與技術格局變化迫使其必須尋找新的霸權基礎，而AI恰好成為最有潛力的選項。7   美國推動AI美元的根本動機之一——防止去美元化的加速過去20年，美國最最最擔心的國際趨勢便是去美元化。去美元化並非只是個別幾個國家喊喊口號，而是全球市場對美元的邊際需求實際下降。具體變化包括但不限於：沙烏地阿拉伯放出口風不排除以多種貨幣用於石油交易結算巴西推動南美區域本幣結算東盟推動本幣計價支付（LCT機制）金磚國家推動新支付體系歐盟推動數字歐元與金融主權化之前文章中提到的俄羅斯和中國的支付體系，自然不用再多言。美國深知，美元霸權的根基是國際支付壟斷，而不是美債規模。如果美元不再是跨境貿易的主要支付工具，美國就無法維持制裁體系、無法吸引全球儲備資金、也無法維持美債的國際買盤。然而，現在的時代不再是傳統金融時代，現行的美元體系是銀行系統建設的，而不是數字系統建設的。AI時代的交易需要高速、自動化、嵌入式的支付工具，而傳統銀行體系無法滿足這種需求。這也正是為什麼穩定幣在美國戰略中突然變得重要起來。或許，我們可以說穩定幣是“AI時代的美元SWIFT”。美國財政部在2024年的官方報告中首次公開承認：“美元穩定幣有潛力成為跨境支付的關鍵工具。”這句話背後所隱藏的是美國對全球金融格局變化的深刻危機感。因此，從戰略動機來看，AI美元並不是“讓AI支撐美元”，而是“讓美元在AI時代繼續支配世界”。8   美國推動AI美元的根本動機之二——重建美國在全球技術領域的中心位置如果我們從科技競爭結構來看，美國推動AI美元的另一重動機是，美國不確定是否能像資源時代那樣控制石油，但它可以主導AI技術堆疊。石油美元成立的前提是美國擁有全球最強大的軍事保護能力，以及對國際石油市場的定價權（美國既是石油最大消費國之一，也同時是石油主要生產和出口國之一）。而在AI時代，美國是否還擁有資源時代的控制力呢？答案似乎依然是肯定的。至少在現階段，美國在AI領域掌握著全球最重要的技術資源：GPU製造鏈（輝達+台積電生態）AI訓練晶片體系大模型研發（OpenAI、Google DeepMind、Anthropic等）AI雲算力平台（AWS、Azure、Google Cloud）AI基礎框架（PyTorch、TensorFlow）全球作業系統主導權（蘋果+微軟）如果再考慮到矽谷對全球科技人才的吸引度，我們甚至可以認為，美國對AI技術的壟斷程度，有可能高於當年對石油供應鏈的控製程度。因此，美國看到一個前所未有的機會——掌握全球經濟核心基礎設施主導權的機會。如果再能疊加上美元金融體系，美國完全有可能構造一種全新的國際體系：技術主導力+金融主導力=新美元體系的基礎。這也就可以很好地解釋，為什麼拜登政府與川普政府都把AI視為“國家安全資產”。在當前背景下，有且只有AI才能成為美國謀求數字時代新霸權體系的支點。9   美國推動AI美元的第三個動機——重新勒緊對海灣國家的捆綁在上一篇中，我們已經討論過海灣國家在建構AI美元體系中的核心作用。這裡，我們從更宏觀的角度解釋美國為何把海灣國家視為AI美元體系的關鍵組成部分。海灣國家，尤其是沙烏地阿拉伯、阿聯等國，長期以來依賴石油收入支撐經濟，但隨著全球能源格局的變化和去石油化趨勢的興起，它們正在積極尋求經濟多元化，特別是對技術、金融、人工智慧等新興產業的投資。美國深知海灣國家的資本流動方向和產業發展路徑將深刻影響全球經濟和科技格局，亦擔憂海灣國家在能源、金融、科技上的“多邊化”苗頭。因此，美國不再僅僅依賴傳統的石油美元體系，而是通過AI體系、算力、穩定幣和能源等多個維度來重新繫結海灣國家，並確保其資本和技術依賴美國。（一）AI體系：重塑全球技術主導權海灣國家在追求技術創新時面臨的最大挑戰之一是缺乏自主的AI技術體系。目前，美國在AI產業的主導地位幾乎無可爭議，特別是在AI基礎設施（如大語言模型、訓練平台、晶片製造和雲計算）的建構方面。面對海灣國家大規模推動本土AI產業發展的需求，美國很擔心這一市場空白成為摧毀石油美元體系的“蟻穴”（特別是在中國AI產業企業在海灣地區大舉攻城略地的情況下），因此採用了慣用的“大棒（管制/制裁）+胡蘿蔔（合作）”手段，對海灣國家軟硬兼施，迫使海灣國家無論是在發展AI資料中心等基礎設施還是開發大語言模型等方面，都高度依附於美國的技術架構和生態。（二）算力與電力基礎設施：AI經濟的能源保障AI的快速發展不僅依賴先進的演算法，還需要強大的算力基礎設施。而算力的核心資源正是高性能計算晶片、資料中心和雲平台，這些領域幾乎完全由美國主導。美國通過GPU製造鏈、雲端運算平台、晶片研發等技術手段，確保海灣國家的AI產業發展離不開美國的算力供應。在這一背景下，海灣國家的能源資源成為了連接美國技術和資本的關鍵因素。美國在全球範圍內主導了AI算力的供應鏈，而海灣國家的電力資源正是支撐這些算力基礎設施的重要保障。阿聯和沙烏地阿拉伯等海灣國家，憑藉其豐富的化石能源（油氣）、可再生能源（太陽能、風電）、清潔能源（核能、氫能）等，正成為全球AI資料中心和算力中心的重要基地。海灣國家通過在本地建設AI資料中心，雖然能夠更高效地利用本國能源資源（比如某些海灣國家高層心心唸唸的提高能源使用的附加值），但同時也因此被牢牢繫結在與美國的AI算力合作上，被繫結在美國主導的全球技術供應鏈中。美國則利用其技術優勢和海灣的能源資源優勢，進一步鞏固自己在全球算力競爭中的核心地位。（三）穩定幣：跨境支付的新動力雖然穩定幣的作用已在前文中有所提及，但從全球支付體系的角度來看，穩定幣不僅是美元的數位化替代物，更是支援AI經濟全球化交易的重要工具。隨著跨境數字支付需求的增長，穩定幣（如USDT、USDC等）逐漸成為全球支付的新基準，尤其是在AI產業的跨境交易中。美國深知，穩定幣具有可程式設計性、即時結算性和鏈上結算能力，這使得它成為跨境支付的理想工具。在這種背景下，海灣國家在推動跨境支付的過程中，逐漸依賴美國的穩定幣體系，而這正是美國推動AI美元的一部分。美國通過推動穩定幣在海灣國家的應用，進一步確保這些國家在AI經濟中的交易和支付依賴於美國的數字貨幣體系。（四）戰略合作與金融依賴：通過政策工具推動海灣資本回流在全球去美元化的背景下，海灣國家逐漸增強了戰略自主性，不再完全依賴美國的石油美元體系。然而，海灣國家依然面臨金融體系的困境，尤其是在與其他新興經濟體（如中國、俄羅斯等）的合作中，缺乏足夠讓這些國家信任和依賴的跨境支付工具。為了應對這一挑戰，美國積極推動海灣資本回流。通過引導海灣國家（如主權財富基金等）投資美國的AI項目、科技創新基金，並通過穩定幣和數位資產等手段加強金融聯絡，美國有效地在金融領域將海灣國家與自身深度繫結。美國利用其在金融和技術方面的優勢，不僅通過資本投資加深與海灣國家的經濟聯絡，還通過穩定幣支付體系和技術繫結，在全球化的AI產業中為海灣資本提供了一個穩定的“數位化通道”。這種方式，確保了海灣國家的資本、技術、算力等資源在全球競爭中依賴美國。10   美國是否已經公開提出AI美元戰略？美國並沒有公開承認自己在建立一個新的美元體系。然而，如果我們把過去三年的政策拼圖拼湊起來，便能看到一個清晰的輪廓正逐漸浮現。以下這些政策沒有一個叫AI美元，但它們正在共同建構AI美元的制度基礎。美國財政部推動穩定幣法案聯準會建立數位資產監管框架美國推動“可信AI”國際聯盟美國限制AI晶片出口中國美國支援海灣國家在本地部署美國AI模型美國AI企業要求以美元穩定幣收取跨境服務費用美國推進跨境資料協議（Cloud Act、資料訪問協定）OpenAI等企業計畫推出AI支付層把以上任何一項政策單拎出來看，都更像是散落獨立的拼圖，但它們實際上相互關聯，正在建構起一套包括了技術層、金融層、外交層、安全層、法律層等多個維度的完整體系，通過行動累積、結構塑造形成事實上的霸權體系。11   美國的AI美元戰略是否已經進入執行階段？判斷美國是否真的在執行，我們必須觀察三個系統：財政部是否在推廣數字美元矽谷是否在建構AI經濟體系五角大樓是否在把 AI 納入全球安全體系答案都是肯定的。比如前面提到多次的美國財政部推動美元穩定幣的全球化，再比如矽谷推動AI服務的跨境計費體系，以及五角大樓推動AI防務協議來繫結北約等盟友國家。特別值得關注的是美國近年來圍繞AI與阿聯、沙烏地阿拉伯兩國開展的一系列合作談判。美國方面提出了一系列嚴苛要求，包括但不限於：海灣國家必須限制與中國的AI資料和晶片合作海灣國家的AI資料中心必須遵從美國企業標準海灣國家購買的晶片必須經過美國出口審查美國AI大模型必須在海灣成為“默認模型”這背後的邏輯十分明確，美國希望海灣國家的AI產業起飛路徑必須依賴美國，而非歐洲，更決不能是中國。這其實也是所謂AI美元戰略的真正核心，即“讓全球AI產業與美元保持深度繫結，讓跨境AI交易以美元或美元穩定幣計價，讓美國AI模型成為全球不可替代的基礎設施，讓海灣國家在資本、算力、資料、生態上繼續依附美國”。到這裡，我們基本能夠得出一個階段性判斷。美國沒有明文昭告天下，但確實在建構一個AI美元體系。它不是石油美元，也不是SWIFT美元，而是一種高度適配於AI時代的美元體系。12   美國如何鎖定全球“算力供應鏈”？理解美國是否在實施 AI 美元戰略，還有一個關鍵切口在於，它是否試圖在技術結構上建立全球性的“算力壟斷鏈”。我們知道，石油美元依賴的是石油供應鏈與美元定價權，而AI美元若要成立，也必須依賴一種“不可替代、難以脫嵌、無法繞開的技術資源”。而深諳此道的美國在2023–2025年間做的事情就展現出了高度的一致性：一是鎖定GPU製造與供應鏈。美國採取了一個極具戰略意味的結構：輝達設計（管制高性能晶片對華出口）台積電製造（美國強勢控制台灣安保）阿斯麥EUV光刻機（美國對荷蘭採取施壓限制）EDA軟體（Synopsys、Cadence，美國絕對壟斷）晶片封測與先進產線遷往美國美國並非只是限制中國，而是通過管製出口、施壓盟友與再造供應鏈，把AI晶片體系變成一種“准戰時物資”。這極其類似20世紀70年代美國控制全球石油生產技術與運輸安全。這意味著，美國正在嘗試建立起一種能力，決定那些國家擁有AI算力，那些國家必須依賴美國。如果我們把AI和算力比作是未來的石油，那麼美國正在掌控其油井。二是鎖定雲算力平台，建立全球AI計算樞紐。AI時代的真正“能源”不是資料，也不是模型，而是可被穩定呼叫的雲算力。而美國在這一層的控制更接近“壟斷”，AWS佔據全球32%市場份額，Azure佔23%，Google Cloud佔11%（2024年Synergy Research資料），三大雲平台合計佔到全球接近70%的雲算力。大模型的訓練和推理十分依賴雲平台，這也就意味著AI時代的“能源管道”亦大多被美國掌控。三是定模型生態，讓全球AI開發必須基於美國平台。OpenAI、Anthropic等已經成為全球大模型的重要參考，海灣國家自主開發的Falcon等大模型，雖然部署在海灣本地，但其研發和訓練過程高度依賴美國主導的算力生態、模型訓練工具鏈和安全規範，技術路徑、工程方法和生態介面在很大程度上與美國主流AI體系保持一致。這也就構成了一個模型層的美元體系。換句話說，美國正在用算力+模型雙重結構建構一個全球AI依賴網路。這種結構如果再加上“以美元或穩定幣計價的AI服務”，就幾乎可以形成一個完整的經濟閉環。13   美國如何在外交層面用AI繫結全球？如果美國要建立一個數字時代的霸權體系，它需要找到新的“盟友核心區”。在冷戰時代，這一核心區在歐洲和日本；在能源資源時代，這一核心區在中東。而當時間來到AI時代後，美國正在試圖重構其盟友體系。對歐洲，美國推動AI聯盟，但限制中國技術進入歐洲鏈路。美國與歐盟簽署《貿易與技術委員會（TTC）AI合作框架》，旨在同步AI安全標準。而歐盟雖然推行AI Act，但在大模型生態上仍嚴重依賴美國技術。不僅如此，歐洲還在能源上依賴美國頁岩氣，在支付上依賴美元體系。對日本與韓國，美國推動建立“晶片四方聯盟（Chip4）”。美國通過晶片與AI生態，試圖將中國排除在全球高端算力鏈之外，同時強化日韓對美國供應鏈的依賴。對於海灣國家的定位和繫結路徑，前文已有探討，此處不多展開。但也提醒一下大家，如果單從海灣國家在電力和算力穩定供應方面的重要保障作用層面來看，我們再思考一下川普重返白宮後為何要緊盯格陵蘭、為何揚言要把加拿大變為美國的一個州、為何現如今要搞委內瑞拉，有些事情似乎更可以說得通。AI美元體系的地緣框架設想在這一系列操作背後也正在變得越來越清晰：美國掌控全球算力鏈；美國掌控全球模型生態；美國掌控全球數字美元流動；美國掌控全球資料跨境權限；美國通過軍事和科技繫結盟友。這就是AI美元體系的外交骨架。同時，這也進一步說明，美國的AI外交並不是“科技合作”，而是赤裸裸的“科技綁架”。14   美國的AI美元體系是否可持續？它的根本脆弱性在那裡？到目前為止，我們已經看到美國在技術層、金融層、外交層、資本層的結構性推進。那麼，美國真的能建立起“AI美元體系”嗎？答案也不是簡單的“能”或“不能”，而是——美國應該能夠建立AI美元體系，但難以確保其長期穩定。為什麼？因為AI與石油有一個根本區別，這一點我們在專題最初就曾探討過，石油是不可複製的自然資源，而AI也好、算力也罷，都不是；石油美元依賴不可替代資源，AI美元的依託只是一種可替代的技術生態。首先，我們已經看到了，美國雖然仍是AI技術的領先者，但歐洲、中國、海灣國家、印度、日韓乃至東南亞都在推動本地模型體系的建設。這顯示出，AI技術生態正在快速去美國化。雖然這些體系大多尚不能完全與美國的模型體系相匹敵，但它們足以讓開發這些模型的國家擺脫對美國的過度依賴。而一旦這些大模型真正成熟，“AI+美元”的繫結結構就會鬆動。其次，我們在之前也分析過，穩定幣是美元的“數位化野生版本”，很有可能受到很多國家央行的抵制。比如，歐盟正在試圖限制USDT/USDC在歐元區的佔比，中國完全禁止美元穩定幣進入支付體系，海灣國家則正在規劃自己的數字貨幣，甚至IMF也在推動多邊央行數字貨幣。這意味著，穩定幣不會像SWIFT那樣形成全球壟斷地位。一旦穩定幣難以成為“AI的全球貨幣層”，AI美元體系就會缺少最重要的結算基礎。最後，需要強調的是，海灣國家的戰略自主性正在迅速增強。美國認為海灣國家會像20世紀70年代那樣被石油美元體系完全鎖定，但這也有可能是華盛頓方面的一廂情願，現實情況是，海灣國家作為新興中等強國的代表，不會在心甘情願地做美國體系的“附庸國”，而是想成為未來世界的“數字樞紐國家”。它們技術能力不足，但“鈔”能力充足；它們需要美國，但不會完全依賴美國，甚至可能在這一博弈過程中套利。這讓AI美元體系無法像石油美元那樣形成政治繫結。最終判斷，美國的確正在建構一種“AI+美元+穩定幣+算力鏈+海灣資本/能源”的全球體系。這可以看作是一種隱性的AI美元戰略，但它不同於石油美元，而是一種“高強度競爭型霸權體系”。它的特徵是：不是公開宣佈的體系，而是政策堆疊形成的體系；不是自然資源鎖定，而是技術供應鏈鎖定；不是單極結構，而是多極競爭結構；不是穩定體系，而是高流動性、高競爭性體系。與石油美元相比，新建構的體系有明顯優勢：技術壟斷比石油壟斷更強、算力依賴比能源依賴更深、美元穩定幣比SWIFT更適合AI、海灣資本在AI上比在石油上更願意投資。但同時，它也有著明顯劣勢，比如AI可替代性高於石油、穩定幣受到各國貨幣監管限制、跨境資料與隱私法規限制美國AI輸出、海灣國家戰略自主性更強、中國與歐洲的本地AI體系削弱美國壟斷性。 (歐亞系統科學研究會)

有技術的，幹不過有背景的？如果說AI故事的第一章叫作「技術的革命」，那麼第二章的主題，看起來越來越像「權力的遊戲」。王晶曾說，過去的香港，每個拍電影的都是有“背景”的。因此演員和導演往往身不由己，電影生意的競爭也往往是背景的競爭。AI生意越來越有這個意思。大家都帶著背景和資源，這裡是Google、微軟、Meta、字節、騰訊、阿里交鋒的修羅場。每一天，抖音用自己浩如煙海的流量鋪天蓋地推舉豆包。Google用全公司的資源，在一系列APP裡狂推自己的Gemini。這種巨頭之力，那怕優秀如Manus、OpenAI也難以對抗。2025年11月起，原本落後的Google迅速在性能和使用者上追趕上了ChatGPT，尤其是在多模態領域，已經反超OpenAI在各種評測中位居第一。奧特曼直言，Google的崛起給OpenAI帶來很大的壓力。曾經火遍全球的通用智能體Manus，也放棄了單打獨鬥，網際網路巨頭Meta選擇將收購Manus。Kimi、DeepSeek這些紅極一時的“當紅炸子雞”早已被豆包、元寶鋪天蓋地的流量壓了下去。在這個拼爹的世界裡，似乎只有超級巨頭才有上桌的資格。以小博大的故事在商業裡十分常見。那怕是騰訊、阿里、Google、蘋果，也經常在某個領域輸給創業公司。但在AI裡，這種故事好像顯得困難了許多。看能力，更看資源娛樂圈裡有一種說法，藝人只要給足飽和式的曝光，都能紅。這也是眼下AI領域的現狀。ChatGPT是ChatBot的發明者，相當於蘋果發明了現代智慧型手機，無論是技術，還是品牌，都是真正的遙遙領先。但當超級巨頭Google發力，ChatGPT很快感受到了壓力。Gemini在多項機構評測中反超GPT，奧特曼在內部信中發出警告：公司的技術領先優勢正在縮小，並預計外界氛圍將在一段時間內“相當艱難”。國內市場，豆包早已取代Kimi成為月活第一的LLM產品。以搭載DeepSeek為賣點的元寶使用者資料也早已反超DeepSeek，成為了DeepSeek崛起的流量受益者。它們為什麼如此強勢，逆襲領先者？答案當然是因為有Google、字節跳動這些大廠在背後提供資源。其實明星AI創業公司背後都有大企業和大資本的投資，帳上也有很多錢，也有很多資源。但背靠巨頭帶來的生態優勢，創業公司們真的沒法復刻。比如Google直接把Gemini植入Android，作為默認的手機助手。Google還有排名第一的瀏覽器Chrome，Gmail，微軟的Copilot也直接融入Office套件。這種與常用APP繫結的方式，使用者不用也得用——而且為什麼不用呢？深度整合入常用APP的AI，體驗是非常絲滑的。金山軟體和微軟一樣，直接把AI融進WPS裡。騰訊也直接把元寶塞進微信裡，使用者無需下載任何APP就能在微信聊天框裡體驗到LLM。那怕是AI落腳點相對少的阿里和螞蟻，也有支付寶、夸克這樣的優質入口。這樣的做法OpenAI、Manus、Kimi們要如何模仿？難道為了與大廠競爭，還要自己做一個手機作業系統或者微信？有些生意，是自力更生，創業公司挑戰巨頭雖然困難，但也有機會。比如米哈游靠著幾部爆款遊戲，迅速在二次元遊戲領域裡成為老大，網易和騰訊資源再多，也沒能阻止米哈游的崛起。但有些生意，對外界的依附太重。AI應用恰恰是這種生意。第一，當然是因為它資產太重，網際網路產品最大的成本往往是買流量，但AI背後可能是數千億美元的固定資產，居民樓創業玩不轉。第二，更重要的是，它的使用場景，與生態的繫結太深，太需要與其他產品的聯動。Manus就是個很好的例子：它的功能當然強大，但在個人使用者端完全沒法獨立幹活，它需要“呼叫”其他網頁，依賴瀏覽器和瀏覽器中的資料。比如訂一張機票，需要帳號授權、支付授權——這些東西都掌握在Google、蘋果、微信這種巨頭手裡。Manus干的是系統級的活，卻完全沒有系統級的權限。相當於普通孩子學了一門“千萬資產理財課”，但他家卻沒有千萬資產。當Google這種瀏覽器和手機作業系統的擁有者親自下場，留給獨立智能體的空間就會越來越狹小。AI搜尋也感受到了這種壓力。畢竟在這個時代，搜尋早不是什麼獨立的APP了，iPhone裡的搜尋框，是由蘋果公司控制的。Perplexity再好用，它也不是蘋果的默認搜尋引擎——Google一年付200億美元獲得了這個身份。在國內，搜尋框則由百度、微信、手機廠商把持，他們很難把搜尋框交給AI創業公司。即便他們利用技術優勢，暫時在大廠的競爭壓力中獲得一定份額，他們還要面臨第二個難題：變現。AI的變現，也得拼爹富貴人家，總是更容易收回教育孩子的成本。他們送孩子去讀個水碩，可以憑藉家庭關係安排進國際銀行，或者進入家族企業擔當要職。但窮人家送孩子去國外讀一年碩士，畢業卻可能會因為學歷含金量不高找不到工作。視角切到AI的變現身上，也沒什麼不同，同樣的一個技術，小公司持有難以變現，大公司就能以不同的方式收到錢。比如在OpenAI還在陷入虧損難題的時候，微軟就通過把GPT服務打包進自家雲服務實現了業績的大幅度增長。OpenAI Service已經成了微軟Azure的王牌產品之一，畢竟客戶們本來就購買了微軟的雲服務，再買點AI服務，屬於捆綁銷售。更不用說Copilot和Office（Microsoft 365）的聯動，微軟把AI工具加入到辦公套件裡，上調訂閱費——不接受？那就別用Office。這也是微軟過去十年重要的增長來源。每當新技術、新變革、新功能出現時，他們就可以對訂閱服務漲價。當然這種漲價是雙贏的，客戶也收穫了便利和價值。在C端，從Gemini和OpenAI的會員中，也可以看到捆綁銷售能力的差距：同樣是賣20美元，Google就可以打包把GoogleOne（Android版本的iCloud）一併打包售賣，AI之外，使用者還能獲得Gmail、相簿裡的儲存空間。這是非常具備吸引力的捆綁銷售方案，畢竟那怕不用AI，使用者也需要郵件和存照片。不難想像，如果Manus屬於Google這樣的巨頭，也許它也會把Manus的訂閱服務加進這個20美元套餐裡，Manus的變現就會更加順滑。而OpenAI的訂閱幾乎只有ChatGPT，那怕Sora、Codex等新產品，也是靠OpenAI自己做的。豆包的變現花樣更加豐富。豆包的回答會把流量引入短影片——之後的商業模式就可以和抖音一樣了，在視訊中間插入廣告就好。豆包還上線了直接的Chat廣告，對話方塊的回答可以直達抖音生態內部的本地生活等服務。比如在豆包裡問附近的好餐館，豆包會直接給出團購連結。圖註：點選連結，就能直達餐館的抖音團購介面這種商業模式Kimi們很難學習，畢竟創業公司可沒有抖音那麼多短影片儲備，也沒有發達的本地生活服務或者電商的供應鏈。它只能向外去賣流量，但眼下的AI行業格局來看，大多數交易平台並不願意把入口交給其他AI工具，即便願意，變現的轉化率也不如生態內那樣高。如果沒有這些變現花樣，那麼AI的商業模式和老乾媽辣醬差不多——一手交錢，一手交貨。也就是在B端賣Token，C端賣訂閱。但這個模式太捲了：客戶只在乎多少錢買到多少Token，難以像微軟的雲服務一樣溢價。個人使用者的訂閱費價格被使用者習慣和行業共識限制：要麼20美元，要麼10-30人民幣。這是多個行業與使用者長期博弈出來的價格，是使用者訂閱習慣的平衡點，大多數行業的訂閱會員，最後都會回歸到這個數字附近。圖註：MiniMax國內產品“星野”的訂閱費用。事實上，國內大多數會員的網路訂閱會員的價格都在這個數字附近，誰想賣更貴都很困難。最近遞交招股書的智普AI和MiniMax，虧損資料都十分嚴重——創業公司，虧損當然很正常，但它們的虧損呈現逐年擴大趨勢，暫時看不到盈利預期在那裡。事實上，這二者的虧損被廣泛討論並不是因為它們的虧損尤為突出，只是因為它們遞交了招股書，在那些沒有遞交招股書的AI企業中，還藏著更為廣泛、普遍的虧損。那怕是已經有7億使用者的OpenAI也不例外。而這個問題，創業公司自己解決起來異常困難，最終很可能需要仰仗大廠的力量。小蝌蚪找爸爸在這個“拼爹”的世界裡，單打獨鬥似乎很難出頭。當出價合理，賣身給巨頭，也是不錯的選擇。Meta接連宣佈收購Scale和Manus，蘋果也被爆出考慮收購Perlexity。一旦被收購，情況就完全不同了。以Manus為例，它過去想呼叫一些功能，要看其他公司給不給權限，還要面臨巨頭自研智能體的競爭風險。但一旦屬於Meta，Manus就可以直接在WhatsAPP、INS、Messenger、Facebook裡獲得原生等級的權限，隨意呼叫各種聊天、購物的功能。更不用說Meta還有AI硬體的佈局，如果與AR眼鏡結合，Manus就能直接獲取SIRI等級的權限。這類AI應用公司，被大廠收購的好處實在是顯而易見。當然，如果自己能成為大廠，誰願意依附大廠呢？OpenAI就不願意。OpenAI原本是有巨頭靠山的，微軟是它的最大的單一機構股東。但可惜，由於特殊的架構，微軟並沒有獲得OpenAI的控制權。微軟管不了OpenAI，自然就不拿它當“親兒子”，不但自己有自己的AI產品，還訓練自己的模型。OpenAI也不想給誰做子公司，作為LLM的最大開創者，它只想自己成為超級大廠。明明微軟有現成的Edge瀏覽器，但OpenAI還是自己想做瀏覽器Atlas，明明微軟是最大的雲服務商，自己找合作夥伴建立算力能力，還與Google合作購買GCP服務。顯然，OpenAI希望成為美股七姐妹那樣真正的超級巨頭。這條路在網際網路時代是被驗證過的，每當行業出現大的變革，總會出現創業公司的崛起，用靈活性打得巨頭節節敗退，甚至最終自己成為巨頭。比如字節跳動在BAT三家統治的網際網路裡，硬是從居民樓裡殺出一條血路，成為網際網路的新一極。還有拼多多、米哈游這種在與騰訊和阿里的競爭中勝利，成為細分領域頭部的公司。畢竟行業的紅利時期總是充滿變革，方向、創意、技術、靈活性才是最重要的。但這條路在AI領域顯得難了太多，三年過去，創業公司的靈活性優勢和先發優勢不斷被大廠的體量碾壓，超級巨頭的優勢愈發明顯。巨頭對各種系統級的入口掌握權限，起到的作用太大了。如果說AI故事的第一章叫作「技術的革命」，那麼第二章的主題，看起來越來越像「權力的遊戲」。 (鈦媒體)

隨著人工智慧技術的飛速發展，其對全球經濟、社會和行業的深遠影響已成為各界關注的焦點。2025年，AI技術正處於從實驗室邁向大規模應用的關鍵時期，生成式AI、AI智能體等新興技術正在重塑我們的工作方式、商業模式以及日常生活。為了更好地把握這一技術浪潮帶來的機遇與挑戰，深入理解AI技術的最新趨勢、應用場景以及潛在風險至關重要。在此背景下，《Generational：2025年人工智慧趨勢報告：AI智能體跨越鴻溝》和《HatchWorksAI：2025年人工智慧全景報告》兩份報告提供了極具價值的洞察。前者從宏觀到微觀，深入剖析了AI技術的經濟影響、資本市場表現、行業應用深度以及未來發展的關鍵趨勢，尤其是AI智能體的崛起及其在不同領域的應用前景；後者則聚焦於AI在企業中的實際應用現狀，探討了企業在AI實施過程中的挑戰與機遇，並提出了關於AI倫理、資料治理和使用者體驗的前瞻性思考。這兩份報告不僅涵蓋了豐富的行業資料、案例分析和專家見解，還為讀者提供了一個全面瞭解AI技術現狀與未來趨勢的框架。無論是技術從業者、企業管理者、政策制定者還是對AI技術感興趣的普通讀者，都能從這些報告中獲得啟發，更好地應對AI時代帶來的變革。推薦閱讀這兩篇報告，以在AI浪潮中找準定位，把握機遇，迎接挑戰。以下是對兩篇報告的核心內容解讀：《Generational：2025年人工智慧趨勢報告：AI智能體跨越鴻溝》報告核心內容解讀AI技術的快速普及與經濟影響報告指出，生成式AI的基礎模型是歷史上被採用最快的通用技術（GPT）。僅在兩年內，超過50%的美國人口已經使用過生成式AI產品。這種快速普及帶來了顯著的經濟影響，儘管AI對GDP增長的貢獻被部分誇大，但其在某些行業中的影響力不容小覷。例如，在就業市場中，年輕工作者在高度自動化的崗位上受到AI的衝擊更為明顯，而AI工具的成本優勢使其在許多工中比人類勞動力更具競爭力，這推動了企業對AI的採用。AI在資本市場與行業中的表現自2023年1月AI熱潮開始以來，納斯達克和標普500指數分別上漲了124%和89%，而AI指數更是飆升了182%。AI相關股票的強勁表現反映了市場對AI技術的高度期待和投資熱潮。然而，這種增長並非均勻分佈，一些行業如半導體、網際網路服務硬體等表現突出，而像EdTech等行業則受到衝擊。此外，AI模型的開發成本不斷攀升，訓練前沿模型所需的計算資源和資金投入巨大，這推動了晶片製造、資料中心等基礎設施的快速發展，但也引發了對能源供應和可持續性的擔憂。AI技術的發展趨勢與未來展望報告強調，AI智能體（agents）正在成為AI技術的重要發展方向，其能夠自主完成任務並與其他系統互動。AI智能體在多個領域展現出巨大的潛力，從軟體開發到客戶服務，再到複雜的工程設計和金融分析等。隨著AI模型性能的不斷提升，其在專業任務中的表現已經能夠與擁有14年經驗的專業人士相媲美，甚至在某些任務中超越人類。未來，AI技術將不僅僅侷限於知識工作，還將逐步擴展到物理世界的應用，如自動駕駛、機器人等領域。報告預測，2026年AI智能體將在電子商務、智能眼鏡、自動駕駛等領域取得顯著進展，推動AI技術的進一步普及和應用。《HatchWorksAI：2025年人工智慧全景報告》報告核心內容解讀AI在企業中的應用現狀與挑戰報告指出，2024年是AI從實驗轉向試點的關鍵一年，但大多數AI項目仍停留在試點階段，未能真正實現生產化。儘管85%的組織正在測試或使用某種形式的生成式AI，但只有37%的高管認為他們的AI項目真正準備好投入生產。這表明企業在AI應用過程中面臨著諸多挑戰，尤其是在將AI技術與現有業務流程和人員技能相結合方面。報告強調，AI的成功實施不僅依賴於技術本身，還需要企業在戰略規劃、人員培訓、資料管理和合規性等方面做好充分準備。此外，AI在企業中的應用呈現出多樣化的趨勢，涵蓋了從市場行銷、客戶服務到產品研發、風險管理等多個領域，但不同行業和企業規模在AI應用的深度和廣度上存在差異。AI技術的發展趨勢與創新報告分析了2024年AI技術的發展趨勢，指出AI行業正在從單純的“建構與購買”模式向“建構、購買與編排”模式轉變。企業越來越多地採用混合策略，結合現成的AI模型、開源模型以及定製化的多智能體系統，以實現成本效益、隱私保護和個性化服務的平衡。多智能體系統和智能體網格（Agent Mesh）的興起，使得AI能夠以更靈活、模組化的方式處理複雜任務，通過將任務分解為多個子任務並由專門的智能體協同完成，提高了系統的效率和適應性。此外，報告還提到，儘管大型語言模型（LLM）的規模不斷擴大，但性能提升的邊際效益正在逐漸減弱，這促使企業更加關注模型架構的最佳化、資料質量的提升以及多模態能力的拓展，以實現更智能的AI應用。AI的倫理、資料治理與使用者體驗隨著AI技術的廣泛應用，倫理、資料隱私和使用者體驗成為企業必須重視的問題。報告指出，AI系統在做出影響人們生活的決策時，必須確保公平性、可解釋性和無偏見。企業需要在AI工作流程中嵌入偏見檢查機制，並提供可操作的解釋，以增強使用者對AI決策的信任。資料治理方面，企業面臨著資料碎片化、資料質量不一致以及資料隱私法規日益嚴格的挑戰。報告建議企業投資於統一的資料治理平台，採用隱私增強技術（PETs），並部署本地或混合模型，以確保資料的安全性和合規性。在使用者體驗方面，AI系統的“幻覺”現象（生成看似合理但不精準的資訊）可能會削弱使用者信任，因此企業需要通過個性化、結構化輸出和多智能體系統等手段來提升使用者體驗，確保AI系統能夠提供可靠、可解釋且符合使用者期望的互動。 (TOP行業報告)

中國正通過國家級融資工具來應對與美國的科技衝突，此舉是對來自美國日益加大的壓力所作出的戰略性回應，目標在於降低技術依賴，並對敏感領域中的資本配置進行更為嚴格的組織和統籌。德媒《金融市場動態》相關報導全文現編譯如下：在人工智慧技術主導權的競爭中，中國啟用了一項強有力的新工具：一只初始規模為1000億元人民幣（約合127億歐元）的國家級風險投資基金，重點支援人工智慧、半導體和量子技術等戰略領域的早期初創企業。這只國家創業投資引導基金與三只區域性基金已經於12月26日一道正式投入運作。國家基金由財政部出資1000億元人民幣（約合127億歐元），資金來源為超長期特別國債。同時設立的還有京津冀地區基金、以上海、浙江、江蘇為核心的長三角基金，以及覆蓋深圳、廣州和香港的粵港澳大灣區基金。每一只區域基金的目標規模均超過500億元人民幣（各約63億歐元）。中國領導層已經認識到，在與美國的競爭之中，技術依賴性已成為一個風險，這一點在半導體、高性能計算和人工智慧領域尤為明顯。美國的出口管制限制了中國獲取先進晶片技術的管道，美國資本在投資中國科技企業時也日益受到政治性規定的約束。由此，衝突的重心正從商品流動轉向知識、資本以及產業基礎設施層面。▲圖源：all-ai.de中國並非在照搬美國模式。美國依賴的是私人風險投資市場、軍事採購以及選擇性禁令，而北京方面運用的則是其包括中央協調、長期融資以及政治優先性在內的制度優勢。新基金正是為此而設計，其運作周期為20年，其中10年用於投資，10年用於退出，短期收益並非核心考量。至少70%的資金將投向種子期和早期階段企業，單筆投資上限為5000萬元人民幣（約630萬歐元），目標企業估值不超過5億元人民幣（約6300萬歐元）。重點支援的領域包括積體電路、量子技術、生物醫藥、腦機介面以及航空航天。這些領域在地緣政治衝突中尤為敏感，獲取西方技術的確定性也已在下降。▲圖源：DALL-E 3與此同時，該基金也在承受著財政層面的壓力，因為國家的財政空間正在收緊，高負債、增長放緩以及持續的房地產危機使得決策層必須更加嚴格地篩選投資對象。這也正是官方強調市場化原則和專業化管理的原因：公共資金應當精準發揮作用，而非廣泛撒網。人工智慧初創企業DeepSeek等私營公司的成功就是最好的論據之一。高效的資本配置，如今在中國也被視為實現技術突破的前提條件。國家基金、區域基金與子基金構成的三級結構，亦旨在限制地方層面的不良激勵。過去，各省份往往各自為政，彼此之間缺乏清晰協調。如今，北京方面採取了自上而下的控制方式，同時結合地方層面的具體執行。首批子基金和項目已完成對接。從本質上看，這一新基金展示了中美製度競爭的轉向：不再是公開對抗，而是制度能力的較量。誰能夠在數十年內整合資本、人才與技術，誰就能獲得戰略優勢。中國押注於規劃、耐心和國家調控；美國則依賴市場、制裁和技術封鎖。這個新基金並非孤立項目，而是這場競爭中的一個組成部分。（德易知）

AI 的競爭成為模型公司全端能力和創新的博弈。2000 年，美國網際網路泡沫破滅時，Google 面臨巨大的商業化壓力。當時他們搜尋引擎的流量暴漲，但離盈利還有一段距離。Google 曾嘗試把自己的技術授權給友商，以賺取微薄的 “經費”。但還是無法支撐公司的長遠發展。公司作為商業組織本質是逐利的。但有技術信仰的企業，往往會在短期利益與長期投入之間，選擇那條更難、更慢、也更燒錢的路徑。Google 沒有放棄技術。2002 年，Google 的工程師們發現，使用者在搜尋框中輸入關鍵詞，不只是為了搜尋資訊，也是在表達購買意圖。Google 將 “使用者搜尋意圖” 與 “商業廣告” 通過競價排名結合，在行業中找到了一個獨特的身位，將技術和商業化真正連接了起來。偉大的技術突破往往能帶企業打開新的市場。蘋果未止步於個人電腦，而締造出了劃時代的 iPhone；字節跳動抓住推薦演算法，才完成對資訊流的重構；OpenAI 固執地進行大模型訓練，讓演算法湧現出了智能。但過去兩年，AI 技術受困於找不到落地場景，商業化受阻。2025 年，DeepSeek 在保持成本優勢的同時，展現出接近人類的思考能力，讓 C 端使用者對 AI 的價值有了新的認知。不久後，OpenAI 的原生多模態模型 GPT-4o，展現了其對圖片內容的理解能力，讓 AI 生成 “吉卜力” 畫風的圖片引爆社交網路。AI 技術的進展帶來瞭解決以下兩大難題的可能性，讓市場重新評估 AI 的商業潛力。物理： AI 對真實世界的理解和執行能力不足。商業： 推理成本過高，限制了 AI 的大規模應用。2025 年底，百度發佈文心大模型 5.0，Google 發佈 Gemini 3，模型實現在統一原生架構下能理解圖片、看懂視訊，大模型統一原生多模態的潛力被逐步看到。技術進步也帶來商業化的可能。目前，大模型有望通過演算法層、架構層、系統層，乃至晶片側的全端最佳化，降低推理成本，提高模型效能，如 Anthropic 的 Claude 系列、Google 的 Gemini 系列、百度文心繫列。AI 行業的競爭不止在於算力、資料，也成為一個公司全端工程能力和基礎創新的綜合博弈。AI 能力正從文字生成走向原生多模態大模型還無法做到完全理解使用者的意圖，但語言模型正在進入 “收益平台期”——儘管算力、資料投入指數級增加，但大模型在預測下一個 Token 的任務上，所表現出的泛化性曲線已明顯放緩。單一文字維度的縮放路徑，無法滿足大模型智能繼續進化的目標。業界一個廣泛流傳的觀點是，大模型要理解世界。“現在的大模型達不到 AGI”，大模型理解世界，需要視覺、聽覺、語言等多種感官資訊的融合。兩點陣圖靈獎得主，楊立昆、Geoffrey Hinton 都曾提出類似的觀點。目前，多數多模態模型就像 “傳話筒”，圖像、語音等訊號需經過獨立模型解碼後再轉譯給語言模型，最終實現理解、生成。建構原生多模態大模型，可以讓模型從訓練階段起，就具備理解圖片、語音等各種模態資訊的能力。原生多模態模型就是能像人一樣，“端到端” 理解各種模態的資訊——前者訓練時只需專注處理單一模態資訊，難在保持 “傳話” 過程中不出現資訊失真的現象；後者則是在訓練時就要讓模型理解圖片、視訊、語音等資訊，但難在讓各種類型資料的意義互通。但原生多模態模型在訓推中需要處理大量多模態的資料，給架構設計、訓練過程和推理等多個層面都帶來了指數級的壓力。Google 從開始訓練 Gemini 系列，便確定原生多模態的技術路徑。但訓練資料較難統一，剛開始 Google 的模型在應用側的效果並算不突出。直到 2025 年末，Gemini 3.0 展現的多模態理解能力，讓業界重新相信了 “原生多模態”。2025 年，國內企業發佈的模型開始呈現原生多模態轉向，發佈的模型有各自的特點。階躍星辰的 Step-3 針對國產晶片頻寬進行了最佳化，降低了企業的商用成本；智譜的 GLM-4.6V 和字節的豆包大模型 1.8，都是將工具呼叫能力原生融入大模型，讓 AI 可以行動；阿里發佈的 Qwen 3-Omni 主要通過最佳化使用者互動與開源，擴大生態。百度文心大模型 5.0 則專注於模型本身，發佈了參數量達 2.4 兆的原生全模態大模型。在國內為數不多的全模態模型中，參數量最大，並在底層架構實現了文字、圖像、音訊、視訊多模態的統一。真實世界本質是跨模態的訊號流，大模型要理解世界，原生多模態是技術上的趨勢。以百度文心大模型 5.0 為例，其文字與視覺理解能力體現出的泛化性，均在 LMArena 大模型競技場相應領域的全球排行榜中，佔據前列。通過原生多模態架構，模型能捕捉到更多非語言資訊，AI 能夠像人類一樣感知現實，並通過 Agent 建立與世界更深層的連接。這也讓大模型切入具身智能、智能座艙、消費硬體等兆美金級賽道的商業場景成為可能。推理成本定義 AI 商業化拐點2024 年底，行業從 “快思考” 轉向 “慢思考”。慢思考是讓模型在回答問題之前，先模仿人類思考路徑，在後台列出完整思維鏈條，自我修正後再生成回答。慢思考模式下使用者每提一個問題，單次消耗的 token 數量都激增。OpenRouter 發佈的年度報告指出，2025 年推理任務消耗 token 的佔比不斷升高，模型專用於推理類任務的呼叫量，佔 token 消耗總額的超 50% 。使用者規模擴大後，模型廠商需為使用者消耗的 token 支付高額的成本。能否降低推理成本，成為 AI 走向商業化的關鍵。2025 年初，DeepSeek 憑藉 MLA 架構和精細化的 MoE 設計，顯著降低大模型計算消耗的同時，提高了模型的性能，被行業視為 “效率標竿”。但 DeepSeek 只是語言模型。語言模型的降本經驗並不能直接平移到多模態領域。GPT-5、Gemini 3、豆包 1.8、文心 5.0 等原生多模態模型，需要處理視覺和音訊流，其對訓練算力的需求是純文字模型的 5 到 10 倍，推理過程也更加複雜。GPT-4o 訓練投入超 1000 PFlop/s-day，大約相當於數千台頂級 GPU 滿負荷運行數周。原生多模態模型若要實現 DeepSeek 式的降本，僅靠模型層面的演算法創新是不夠的。以文心 5.0 為例，依託飛槳深度學習框架進行大規模 MoE 模型訓練，模型預訓練性能較基線提速 230%，啟動參數比低至 3%。在國產晶片替代的大背景下，大模型降本需要同時掌握晶片、框架、模型和應用四個層面的自主權，對企業全端系統工程能力提出了更高的要求。目前國內具備這種閉環能力的只有百度和華為。當推理成本降低，模型可以在後台持續完成自我博弈、工具呼叫和邏輯反思，以 Manus 為代表的通用 Agent 就能實現在網頁間穿梭，完成報表分析。這不光重塑了軟體，也驅動模型能力從 “雲端” 向 “端側” 下沉。原本昂貴的 AI 被嘗試融合進 AI 眼鏡、智能座艙和手機 OS 中。顯然，AI 的下半場不再只是比拚模型規模，而是比 “誰能以更低的成本提供更深的智能”。在這場效率革命中，降本不是目的，而是手段。誰是 AI 時代下一個 “超級入口”？2000 年，百度也憑藉自身技術，為搜狐、新浪、網易等入口網站提供搜尋方面的支援。彼時，這些入口網站雖然擁有龐大的搜尋流量，但 “搜尋” 卻僅被其視為一個附屬的功能模組，沒進行深度最佳化。2001 年，李彥宏力排眾議要推出自己的入口網站，以搜尋引擎為核心的入口 “百度”（Baidu.com）應運而生。百度憑藉超鏈分析技術和精準的中文分詞，從入口網站的索引中脫穎而出。那時，百度的成功在於解決了 “搜得準” 的問題。百度成為了最初的 “平台級入口”。時間回到 2025 年，AI 技術讓 “超級入口” 的邏輯發生了質變，下一代超級入口正從 “匯聚流量的 app” 轉向 “多模態的智能助手”。在 “超級入口” 之爭上，國內能與大廠競爭的創業公司屈指可數。大廠不會放棄任何一種擴張的可能。字節跳動、阿里、騰訊與百度正依託各自的生態，搶佔 “平台級入口” 這一高地。12 月 1 日，字節發佈和中興努比亞合作開發的豆包手機助手，試圖重塑人機互動的底層邏輯。使用者僅通過語音互動，就可以讓豆包手機助手直接接管使用者螢幕。同期，阿里調動整個集團資源，打造 AI 時代的超級助手。阿里成立千問 C 端事業群，將之前阿里雲事業部下通義千問 APP 改名 “千問 APP” 發佈，以 “一周一更新” 的速度迭代。近日，千問 APP 已接入高德地圖，未來阿里或把夸克、UC、天貓精靈等功能也整合進千問 APP。百度基於搜尋，也上線了百度文心助手，對標 Gemini 3，競爭超級入口。百度搜尋全面升級文心助手 AIGC 創作能力，支援 AI 圖片、AI 視訊、AI 音樂、AI 播客等多種模態創作。從硬體佈局的演進趨勢來看，百度可以依託文心 5.0 大模型的技術底座，通過蘿蔔快跑接管物理空間，用小度佔據家庭互動入口，讓資訊實現從虛擬空間向真實空間的滲透。幾周前，Google 將 Gemini 3 嵌入核心搜尋業務，通過跨應用的資料調取，即時生成能與使用者互動的 UI 頁面，向使用者直接交付搜尋結果。Google 通過自研 AI 晶片和 Google Cloud 支援大模型訓練、推理，訓練出的先進的模型又能與自身搜尋、雲盤、Android 生態等入口融合，繼續產生相應領域的高品質資料，持續推動智能升級。有行業人士認為，Google 已形成 “算力-模型-資料-應用” 的系統級飛輪，而百度是中國為數不多能與 Google 對標的 “AI 六邊形戰士”。因為下個時代的 AI 競爭的不止是模型能力，而是演進為全端式的系統競爭，比拚的是誰能完成 “算力—系統—模型—入口—資源—行動能力” 六個層面的閉環。他們認為，百度依託崑崙芯、智能雲作為算力與系統底座，以文心大模型作為能力中樞，連結搜尋、網盤、小度等流量入口，並通過搜尋、地圖與自動駕駛等業務將能力落地到現實世界，形成了六大要素閉環，是國內最接近 “AI 六邊形戰士” 形態的公司之一，具備長期演進的系統飛輪能力。圖源網路水面之下，騰訊同樣暗流湧動。12 月下旬，騰訊新成立 AI Infra 部、AI Data 部、資料計算平台部，27 歲的前 OpenAI 研究員姚順雨出任 “CEO / 總裁辦公室” 首席 AI 科學家。過去數月裡，騰訊也以加倍薪資挖角 AI 人才，強化研發體系。在生成式人工智慧的第一波流量交鋒中，有的公司水漲船高，有的公司陷入沉靜。但在喧囂之下，堅守 “技術信仰” 的企業，正在等待那個規則被重新定義的時刻。 (晚點LatePost)

前言：AI的“空間轉向”與新物種誕生的必然性1.1 前言2025年，人工智慧產業迎來歷史性轉折點——以大型語言模型（LLM）為代表的通用AI技術在文字互動、圖像生成等領域的突破已觸及天花板，而“空間智能”作為連接虛擬算力與物理世界的核心載體，正成為AI技術演進的終極方向。史丹佛大學教授李飛飛在《從語言到世界：空間智能是AI的下一個前沿》中明確指出，當前AI系統困於“語言的世界”，缺乏對現實空間、物理規律與因果關係的真正理解，而空間智能將實現AI從“理解語言”到“理解世界”的跨越，成為AI攀登的下一座高峰。這一轉向不僅催生了“AI+空間”融合的產業新物種，更重塑了全球算力產業鏈的競爭格局與需求結構。本報告聚焦2025年AI與空間智能融合發展的核心議題，核心研究內容包括：空間智能的技術架構與“新物種”產業形態界定；全球及中國算力產業鏈的全景對比（上游晶片、中游算力服務、下游應用）；空間智能驅動下的算力需求分層分析（行業、場景、算力形態）；技術瓶頸與風險挑戰；未來發展趨勢與產業機遇。報告依託2025年最新行業資料、政策檔案及企業實踐案例，兼具技術深度與產業指導價值，旨在為產業鏈參與者、投資者及政策制定者提供全景式洞察。1.2 核心結論預覽1. 技術演進：空間智能是AI的“終極形態”，其核心是建構融合幾何、物理與動態規則的“世界模型”，實現從被動分析到主動規劃的跨越，當前已進入技術突破與規模化應用的臨界點。2. 產業新物種：催生三大類新物種形態——技術層的“空間大模型”、產品層的“具身智慧型手機器人”、服務層的“空間即服務（SPaaS）”，2025年全球相關市場規模已突破1.2兆元。3. 算力格局：全球智能算力規模2025年達1980 EFLOPS，中國佔比37.8%（748 EFLOPS），算力結構從訓練主導向推理驅動切換，邊緣算力增速（CAGR 50%-60%）遠超雲端。4. 產業鏈競爭：國外形成輝達、AMD雙寡頭格局，國內“一超多強”態勢顯現，國產晶片替代率2025年達41%，沐曦、壁仞等企業加速資本化處理程序。5. 需求驅動：智慧城市、工業智能空間、自動駕駛是核心需求領域，生物醫藥、AR/VR等細分場景算力需求增速超200%，端側AI裝置出貨量2025年破5億台。6. 挑戰與機遇：技術瓶頸集中於晶片製程、叢集互聯效率，地緣政治與能源約束加劇供需失衡；未來機遇在於異構算力協同、綠電算力基建及跨行業場景滲透。第一章 概念界定：AI與空間智能的融合演進1.1 空間智能的核心定義與技術內涵空間智能（Spatial Intelligence）是指機器對物理空間進行感知、建模、推理、規劃並實現互動的綜合能力，其核心是將多模態感知資料轉化為對空間關係、物理規律與因果邏輯的理解，實現虛擬算力與物理世界的精準對應。與傳統AI技術相比，空間智能具有三大核心特徵：一是多模態融合感知，整合LiDAR、攝影機、UWB、地理資訊等多源資料，實現釐米級定位與毫米級建模精度；二是動態世界建模，建構兼具語義與幾何屬性的3D動態場景，支援物理規則模擬與未來狀態預測；三是具身互動能力，依託“感知-決策-行動”閉環，實現與物理空間的自主協同互動。從技術架構來看，空間智能的實現需建構“五層技術堆疊”：第一層底層為算力支撐層（雲端+邊緣+終端異構算力）；第二層為感知硬體層（LiDAR、毫米波雷達、高畫質攝影機等）；第三層為資料處理層（空間資料清洗、融合與標註）；第四層為核心演算法層（3D生成模型、物理引擎、具身智能演算法）；頂層為應用場景層（智慧城市、工業、自動駕駛等）。其中，核心演算法層的“世界模型”是空間智能的技術核心，需突破現有LLM的範式侷限，實現語義關係與物理規律的統一理解。1.2 AI向空間智能演進的邏輯必然性AI技術的演進遵循“能力升級-場景拓展-需求倒逼”的邏輯，向空間智能轉向是技術發展與產業需求共同作用的必然結果。從技術層面看，當前以LLM為代表的通用AI存在三大核心侷限：一是缺乏空間認知能力，即使是最新的多模態大模型，在估算距離、方向、大小等基礎空間屬性時表現不及隨機水平；二是物理規律認知缺失，無法穩定預測物體運動軌跡、碰撞關係等基本物理規則；三是動態連貫性不足，生成的視訊內容往往在幾秒內失去空間邏輯連貫性。這些侷限使得AI難以真正賦能需要與物理世界互動的場景，成為技術演進的“天花板”。從產業需求來看，數字經濟與實體經濟的深度融合對AI提出了“落地物理世界”的迫切需求。智慧城市需要全域空間感知與智能調度，工業製造需要數字孿生與即時最佳化，自動駕駛需要高精度空間定位與動態決策，這些場景均要求AI具備空間認知與互動能力。據測算，2025年全球需要空間智能支撐的產業規模已達5兆美元，佔數字經濟總量的28%，需求倒逼成為AI向空間智能轉向的核心驅動力。從認知本質來看，空間智能是人類認知建構的“腳手架”，驅動著想像、創造與推理能力的形成。李飛飛團隊的研究表明，空間智能是連接感知與行動的核心能力，人類通過空間認知實現停車測距、人群穿行等日常動作，其本質是“想像-感知-行動”的一體化過程。AI作為模擬人類智能的技術體系，向空間智能演進是其逼近甚至超越人類認知能力的必然路徑，也是實現從“弱人工智慧”向“強人工智慧”跨越的關鍵環節。1.3 空間智能的“新物種”形態界定AI與空間智能的融合催生了三類具有顛覆性的產業新物種，這些新物種打破了傳統產業邊界，重構了價值創造模式：1. 技術層新物種：空間大模型。區別於傳統LLM，空間大模型以“空間資料”為核心訓練素材，融合地理資訊、3D點雲、物理規則等資料，具備空間建模、動態預測與場景生成能力。例如，史丹佛大學World Labs研發的世界模型可在語義與幾何層面理解複雜3D場景，推理物理屬性與互動關係，並生成連貫可探索的虛擬空間。2025年，國內外已有12款空間大模型實現商用，其中GPT-5空間版、百度文心空間大模型等在建築設計、城市規劃領域的應用精準率達93.6%。2. 產品層新物種：具身智慧型手機器人。依託空間感知與互動能力，具身智慧型手機器人實現了從“固定場景作業”到“全域自適應作業”的跨越，可在動態空間中自主規劃路徑、規避障礙並完成任務。典型案例包括亞馬遜倉庫智能分揀機器人（空間定位精度±2cm）、特斯拉Optimus人形機器人（具備家庭空間互動能力）、醫療微創手術機器人（空間操作精度±0.1mm）。2025年全球具身智慧型手機器人出貨量達120萬台，同比增長210%。3. 服務層新物種：空間即服務（SPaaS）。將空間智能能力封裝為標準化服務，通過API介面向千行百業輸出，實現“空間能力的按需呼叫”。例如，華為盤古空間服務平台可提供城市全域空間建模、動態交通預測等服務，已接入200余個智慧城市項目；GoogleEarth Engine空間服務平台為農業、環保領域提供土地利用監測、災害預警等服務，全球使用者超500萬。2025年全球SPaaS市場規模達2000億元，預計2030年突破1.2兆元。1.4 空間智能的發展階段與2025年關鍵節點空間智能的發展可劃分為四個階段：技術探索期（2015-2020年）、技術突破期（2021-2025年）、規模化應用期（2026-2030年）、成熟普及期（2030年後）。2025年正處於“技術突破期”向“規模化應用期”過渡的關鍵節點，呈現三大標誌性特徵：1. 技術突破節點：3D生成模型、物理引擎與具身智能演算法實現融合，空間大模型的場景理解精準率突破90%，邊緣算力支援毫秒級空間響應（延遲≤10ms）。例如，UWB+LiDAR復合定位技術市場滲透率達35%，實現釐米級定位精度；液冷技術普及使智算中心PUE降至1.1以下，支撐單機櫃算力密度達5P Flops。2. 產業落地節點：核心應用場景實現規模化落地，智慧城市試點項目覆蓋全國89%地級市，北京、上海、深圳等超大城市完成全域智能空間基礎設施建設；工業數字孿生工廠覆蓋率突破60%，生產線綜合效率（OEE）平均提升18個百分點；全屋智能滲透率達12.3%，華為鴻蒙生態與小米AIoT平台連接裝置突破8億台。3. 政策與資本節點：全球主要經濟體出台空間智能專項政策，中國《智能空間產業發展行動計畫（2025-2030）》明確培育30家以上獨角獸企業，組建國家級智能空間創新中心；美國《晶片與科學法案》投500億美元用於算力基建，重點支援空間智能相關晶片研發；歐盟“數字羅盤計畫”建100個百億億次超算節點，支撐空間智能場景落地。資本市場熱度攀升，2025年國內算力晶片企業迎來上市潮，摩爾線程、沐曦股份等相繼登陸科創板，融資規模超40億元。第二章 技術架構：空間智能的核心技術體系與算力支撐2.1 核心技術堆疊：從感知到互動的全鏈路拆解2.1.1 感知層技術：多模態融合與高精度定位感知層是空間智能的“眼睛”，核心目標是獲取物理空間的多維度資料，實現高精度、高可靠的空間感知。當前主流技術方向為多模態感測器融合，整合LiDAR、毫米波雷達、高畫質攝影機、UWB、IMU（慣性測量單元）及地理資訊系統（GIS）資料，彌補單一感測器的侷限性。例如，LiDAR具備高精度3D測距能力，但受天氣影響較大；攝影機可獲取豐富語義資訊，但測距精度不足；UWB適合室內短距離定位，室外表現較差。通過多模態融合演算法，可實現“全天候、全場景、高精度”的空間感知。關鍵技術突破包括：一是LiDAR技術的成本下降與性能提升，2025年車規級LiDAR單價降至500美元以下，探測距離突破300米，點雲密度達300萬點/秒；二是UWB+LiDAR復合定位技術，結合兩者優勢，實現室內外無縫切換定位，精度達±2cm，2028年市場滲透率預計達68%；三是多模態資料融合演算法，基於Transformer架構的融合模型可有效處理異構資料，提升感知精準率，在複雜交通場景中目標識別精準率達99.2%。2.1.2 建模層技術：3D動態場景與數字孿生建模層是空間智能的“大腦中樞”，核心是將感知資料轉化為結構化的空間模型，實現對物理世界的精準對應。技術方向分為靜態建模與動態建模兩類：靜態建模聚焦空間幾何結構的重建，如建築、道路、地形等；動態建模聚焦空間中物體的運動狀態與互動關係，如車輛、行人、裝置等。數字孿生是建模層的典型應用，通過“物理實體-虛擬模型-資料鏈路-服務應用”的閉環，實現物理空間與虛擬空間的即時同步。關鍵技術突破包括：一是3D生成模型，基於擴散模型與Transformer的融合架構，可快速生成高保真3D場景，例如史丹佛大學Marble平台允許創作者無需傳統3D建模工具，快速建立和編輯完整的虛擬世界；二是動態場景預測演算法，結合物理引擎與深度學習，可預測空間中物體的運動軌跡，預測準確率達95%以上，為自動駕駛、機器人導航提供支撐；三是輕量化建模技術，針對邊緣端裝置算力有限的問題，提出輕量化3D模型架構，模型體積壓縮70%以上，可在手機、邊緣閘道器等裝置上即時運行。2.1.3 決策層技術：空間推理與具身智能演算法決策層是空間智能的“決策核心”，核心是基於空間模型進行推理、規劃與決策，實現從“理解空間”到“利用空間”的跨越。核心技術包括空間推理演算法、路徑規劃演算法與具身智能決策演算法。空間推理演算法聚焦空間關係的邏輯判斷，如“物體A在物體B的左側”“路徑C比路徑D短20米”等；路徑規劃演算法聚焦動態環境下的最優路徑選擇，如自動駕駛中的避障路徑規劃、機器人的倉儲分揀路徑規劃；具身智能決策演算法聚焦“感知-行動”閉環，使智能體能夠根據空間環境變化調整行動策略。關鍵技術突破包括：一是空間大模型的推理能力提升，GPT-5空間版、文心空間大模型等可基於3D場景進行複雜推理，如建築結構安全性評估、城市交通流量最佳化；二是強化學習在路徑規劃中的應用，通過模擬海量空間場景訓練模型，使智能體在動態環境中（如擁堵路段、突發障礙）快速找到最優路徑，規劃效率提升40%以上；三是人機協同決策技術，結合人類經驗與AI推理能力，在醫療手術、工業操作等高精度場景中實現“人機互補”，降低操作風險。2.1.4 互動層技術：無感化與人機協同互動層是空間智能的“輸出介面”，核心是實現智能體與物理空間、人類的高效互動。技術方向分為兩類：一是智能體與物理空間的互動，如機器人的機械臂操作、自動駕駛汽車的轉向與制動；二是智能體與人類的互動，如語音互動、手勢互動、腦機介面等。當前發展趨勢是“無感化互動”，即智能體通過感知人類行為、情緒等訊號，主動提供服務，無需人類主動觸發。關鍵技術突破包括：一是手勢與姿態識別技術，基於電腦視覺的即時姿態捕捉精度達98%，可實現對機器人的手勢控制、智能座艙的姿態互動；二是語音互動的空間化，結合空間聲學技術，實現多區域語音識別，區分不同位置的說話人，在智慧辦公場景中支援多人同時語音指令；三是腦機介面技術，在高端辦公、醫療場景中實現腦電波控制，2029年商用化率預計突破15%。2.2 算力支撐體系：雲端-邊緣-終端的異構協同空間智能的全鏈路技術落地離不開算力支撐，其算力需求具有“高並行、低延遲、異構化”的特徵：高並行源於多模態感測器的海量資料（如LiDAR每秒產生數十GB資料）；低延遲源於即時互動需求（如自動駕駛需≤10ms的決策延遲）；異構化源於不同任務對算力的差異化需求（如建模需GPU的平行計算能力，推理需ASIC的高能效比）。為此，空間智能建構了“雲端-邊緣-終端”三級異構算力協同體系，各層級功能與算力形態如下：2.2.1 雲端算力：大規模訓練與全域調度雲端算力是空間智能的“核心算力底座”，主要承擔空間大模型訓練、全域空間資料處理、跨區域調度等重算力任務。2025年全球雲端智能算力佔比70%-75%，單叢集算力達50 EFLOPS，可支撐萬卡級GPU叢集進行空間大模型預訓練。例如，GPT-5空間版的訓練需萬卡級GPU叢集，單次訓練成本超千萬美元，訓練過程消耗算力達100 EFLOPS·天。雲端算力的核心技術方向是異構計算與叢集互聯最佳化。異構計算整合GPU、CPU、NPU、TPU等多種晶片，發揮不同晶片的優勢；叢集互聯技術通過高速互聯匯流排（如輝達NVLink、國產昇騰高速互聯匯流排）提升叢集通訊效率，當前萬卡級叢集互聯效率達60%-70%，仍是算力擴展的主要瓶頸。為支撐雲端算力需求，全球智算中心建設加速，中國“東數西算”工程建成8大算力樞紐，2025年新增算力60%以上集聚國家樞紐節點，新建大型資料中心綠電佔比超80%。2.2.2 邊緣算力：即時推理與本地決策邊緣算力是空間智能的“即時響應核心”，部署於靠近物理空間的邊緣節點（如基站、智能路側裝置、工業閘道器），主要承擔即時推理、本地資料處理、低延遲決策等任務。邊緣算力的核心優勢是低延遲，可將資料傳輸與處理延遲控制在毫秒級，滿足自動駕駛、工業即時控制等場景需求。2025年邊緣算力佔比約15%-20%，2030年將升至30%-35%，2025-2030年CAGR達50%-60%，邊緣AI晶片市場規模達150億美元。邊緣算力的核心技術方向是高能效比晶片與輕量化演算法。邊緣裝置通常受限於功耗與體積，需要高能效比的專用晶片（如ASIC、NPU）；同時，通過模型輕量化（剪枝、量化、蒸餾）降低推理算力需求。例如，華為昇騰310B邊緣晶片能效比達200 TOPS/W，可支撐智能路側裝置的即時目標識別；特斯拉D1晶片專為自動駕駛邊緣計算設計，單晶片算力達362 TOPS，滿足車載即時決策需求。2.2.3 終端算力：本地感知與輕量化互動終端算力是空間智能的“末端感知核心”，部署於終端裝置（如智慧型手機、智能手錶、小型機器人），主要承擔本地感知資料預處理、輕量化互動等任務。終端算力的核心需求是低功耗與小型化，滿足移動裝置的續航與體積要求。2025年終端算力佔比約5%-10%，智慧型手機AI算力達10 TOPS以上，車載計算平台增速超40%。終端算力的核心技術方向是整合化晶片與低功耗演算法。整合化晶片將CPU、GPU、NPU等功能整合於單一晶片（如手機SoC），提升整合度與能效比；低功耗演算法通過最佳化計算流程，降低資料處理的功耗。例如，蘋果A18 Pro晶片整合神經網路引擎，算力達35 TOPS，可支撐手機端3D場景掃描與AR互動；小米澎湃C2晶片專為智能穿戴裝置設計，能效比達150 TOPS/W，滿足長期續航需求。2.2.4 異構協同技術：算力資源的高效調度雲端-邊緣-終端的算力協同是空間智能高效運行的關鍵，核心技術是統一調度平台與高速通訊網路。統一調度平台通過算力感知、任務拆分與資源分配，實現“任務在最合適的算力節點運行”：重算力任務（如模型訓練）分配至雲端，即時任務（如自動駕駛推理）分配至邊緣，輕量化任務（如本地感知）分配至終端。高速通訊網路是協同的基礎，5G-A網路支撐的毫秒級空間感知系統實現釐米級定位精度，光互聯技術升級推動CPO市場2025-2027年CAGR達78%，OCS CAGR達120%。當前異構協同的關鍵突破是“算力網路”技術，通過軟體定義網路（SDN）、網路功能虛擬化（NFV）等技術，將分散的算力資源整合為“算力池”，實現跨區域、跨層級的算力調度。例如，中國電信“天翼算力網路”已接入20個省級算力樞紐，實現算力資源的按需調度；中國移動“算力網路”支撐智慧城市場景下的邊緣-雲端算力協同，降低資料傳輸成本30%以上。2.3 2025年技術突破與瓶頸：從可用到好用的差距2.3.1 關鍵技術突破清單1. 感測器技術：車規級LiDAR單價降至500美元以下，探測距離突破300米；UWB+LiDAR復合定位精度達±2cm；高畫質攝影機影格率突破240fps，低光照環境識別精準率達98%。2. 建模技術：3D生成模型生成效率提升10倍，高保真3D場景生成時間從小時級降至分鐘級；動態場景預測準確率達95%以上，預測時長從1秒擴展至5秒。3. 演算法技術：空間大模型參數規模突破兆級，場景理解精準率達93.6%；輕量化模型體積壓縮70%以上，邊緣端推理延遲≤10ms。4. 算力技術：晶片製程推進至3nm/2nm，輝達B200性能較H100翻倍；國產晶片（昇騰910B、寒武紀590）替代率達41%；液冷技術普及使PUE降至1.1以下，能耗降40%。5. 通訊技術：5G-A網路實現10Gbps下行速率，毫秒級傳輸延遲；CPO技術實現光電器件與晶片的整合，通訊頻寬提升5倍。2.3.2 核心技術瓶頸1. 晶片技術瓶頸：晶片製程逼近物理極限，2nm以下製程成本指數級上升，性能提升放緩；高端晶片受地緣政治影響供給受限，全球GPU供需缺口15%-20%。2. 叢集互聯瓶頸：萬卡級叢集互聯效率僅60%-70%，成為算力擴展的主要障礙；儲存頻寬與算力增長不匹配，CXL協議普及尚需時間，資料傳輸延遲影響大規模訓練效率。3. 演算法泛化瓶頸：空間大模型的場景泛化能力不足，在陌生環境中的精準率下降20%-30%；動態場景中突發情況（如交通事故、極端天氣）的預測能力薄弱。4. 資料質量瓶頸：空間資料標註成本高，3D資料標註單價是2D資料的5倍以上；多源資料格式不統一，資料融合難度大；隱私保護要求提升，空間資料採集與使用受限。5. 能源約束瓶頸：智算中心能耗激增，2026年資料中心IT電力需求達96GW，配套電力設施建設壓力大；邊緣與終端裝置功耗控制仍需突破，影響續航能力。第三章 全球算力產業鏈全景分析：競爭格局與技術路線3.1 算力產業鏈結構：從上游核心硬體到下游應用算力產業鏈圍繞“算力生產-算力服務-算力應用”形成完整生態，分為上游核心硬體、中游算力服務、下游應用三大環節，各環節相互支撐、協同發展。上游核心硬體是算力生產的基礎，中游算力服務是算力流通的載體，下游應用是算力需求的來源，三者共同構成“硬體支撐-服務賦能-應用驅動”的產業閉環。2025年全球算力產業鏈規模達6.5兆美元，其中上游硬體佔比45%，中游服務佔比35%，下游應用佔比20%。3.1.1 上游核心硬體：算力的“物理基礎”上游核心硬體包括晶片、伺服器、感測器、光模組、儲存裝置等，其中晶片是核心中的核心，佔上游硬體成本的50%以上。晶片環節分為通用晶片（CPU、GPU）、專用晶片（ASIC、NPU、TPU）、可程式設計晶片（FPGA）三類，分別適用於不同算力場景：GPU主導訓練場景，2027年市場規模達5000-6000億美元；ASIC在推理場景優勢擴大，2027年市場規模280億美元，佔AI晶片市場35%；NPU/TPU等專用晶片快速滲透，2025年市場規模850億美元。伺服器環節聚焦智算伺服器，搭載多顆AI晶片，支援大規模平行計算，2025年全球智算伺服器市場規模達1200億美元，同比增長45%。感測器環節是空間智能的專屬硬體，LiDAR、毫米波雷達等空間感知感測器市場規模達300億美元，同比增長60%。光模組環節支撐高速通訊，2025年CPO市場規模達50億美元，OCS市場規模達20億美元。儲存裝置環節聚焦高速儲存（如HBM、SSD），HBM3E記憶體頻寬達19.6TB/s，2025年市場規模達150億美元。3.1.2 中游算力服務：算力的“流通載體”中游算力服務包括算力基礎設施（智算中心、邊緣節點）、算力營運服務（雲算力、邊緣算力租賃）、算力賦能服務（模型訓練、資料處理）等。智算中心是中游核心基礎設施，2025年全球智算中心數量達1200個，中國佔比40%，“東數西算”工程8大算力樞紐集聚60%以上新增算力。算力租賃服務是當前最熱門的細分領域，受益於大模型訓練與推理需求爆發，2025年全球算力租賃市場規模達800億美元，同比增長80%。算力賦能服務聚焦專業化算力解決方案，為下遊客戶提供定製化的模型訓練、資料處理服務，頭部企業包括亞馬遜AWS、微軟Azure、阿里雲、騰訊雲等。此外，算力網路服務快速發展，通過整合分散算力資源，實現算力的跨區域調度，2025年全球算力網路服務市場規模達300億美元。3.1.3 下游應用：算力的“需求來源”下游應用分為空間智能專屬應用與通用AI應用兩類，其中空間智能專屬應用是核心增長引擎，包括智慧城市、工業智能空間、自動駕駛、AR/VR、智能醫療等。2025年空間智能相關應用佔算力需求的35%，其中智慧城市佔比最高（12%），工業智能空間次之（8%），自動駕駛（7%）、AR/VR（4%）、智能醫療（4%）緊隨其後。通用AI應用包括網際網路內容生成、金融風控、生物醫藥研發等，佔算力需求的65%，其中網際網路行業佔算力採購的60%，阿里、騰訊等頭部企業未來三年AI投資超5000億。3.2 國外算力產業鏈：雙寡頭主導與技術引領3.2.1 美國：全產業鏈主導，技術壁壘高築美國是全球算力產業鏈的領導者，在晶片、伺服器、算力服務等核心環節佔據主導地位，形成“晶片-軟體-服務-應用”的全產業鏈優勢。晶片環節，輝達、AMD形成雙寡頭格局，佔據全球AI晶片市場的70%以上份額。輝達2025年推出Blackwell B200晶片，採用“單封裝雙芯粒”路線，算力密度和記憶體頻寬達行業極致，性能較H100翻倍，並拋出2026–2027路線圖，Vera Rubin與Rubin Ultra即將推出，Rubin推理峰值50 PFLOPS、HBM4記憶體288GB，FP4稀疏算力是B200的2.5倍。AMD採用Chiplet思路，MI350系列採用CDNA4架構、台積電第二代3nm工藝，配備288GB HBM3E記憶體，峰值2.3 PFLOPS，與B200直接競爭，2026年的MI400將邁入2nm，配備432GB HBM4記憶體，目標直指Rubin。算力服務環節，亞馬遜AWS、微軟Azure、GoogleCloud佔據全球雲算力市場的65%份額，其中AWS的Trainium晶片專為模型訓練設計，Inferentia晶片專為推理設計，形成“自研晶片+雲服務”的閉環；微軟Azure與輝達深度合作，推出Azure ND H100 v5虛擬機器，支援萬卡級叢集訓練；GoogleCloud推出TPU v5e晶片，能效比提升2倍，支撐空間大模型訓練。應用環節，美國在自動駕駛、AR/VR、生物醫藥等空間智能相關領域領先，特斯拉Autopilot採用自研D1晶片與多模態感知技術，自動駕駛Level 4等級的測試里程突破10億英里；Meta的Quest 3 VR裝置搭載空間感知晶片，實現高精度空間定位與虛擬場景融合；OpenAI與生物醫藥企業合作，利用空間大模型加速藥物研發，分子結建構模效率提升10倍。政策與資本支援方面，美國《晶片與科學法案》投500億美元用於算力基建，重點支援AI晶片研發與智算中心建設；國防部、能源部等部門持續投入資金支援空間智能相關技術研發；資本市場對算力企業的估值溢價顯著，輝達市值突破3兆美元，成為全球市值最高的企業之一。3.2.2 歐盟：政策驅動，聚焦協同與綠色歐盟算力產業鏈以政策驅動為核心，聚焦算力協同與綠色低碳，試圖通過“聯合創新”突破美國技術壟斷。晶片環節，歐盟缺乏具有全球競爭力的晶片企業，主要依賴輝達、AMD等美國企業，同時通過“歐洲晶片計畫”投入430億歐元支援本土晶片研發，目標2030年本土晶片產能佔全球20%。重點發展方向為專用晶片，如用於工業智能空間的ASIC晶片、用於自動駕駛的邊緣晶片。算力基礎設施環節，歐盟“數字羅盤計畫”提出建設100個百億億次超算節點，支撐空間智能、氣候變化、生物醫藥等領域的科研與應用；推動“歐洲算力聯盟”（EUC）建設，整合成員國算力資源，實現跨區域算力協同。2025年歐盟已建成20個超算節點，其中芬蘭LUMI超算、德國JUWELS超算躋身全球前十，支援工業數字孿生、城市空間規劃等場景。應用環節，歐盟聚焦智慧城市與工業4.0，推出“智慧城市和社區創新夥伴關係”計畫，支援200個智慧城市試點項目；德國“工業4.0”戰略推動工業智能空間落地，西門子數字孿生工廠覆蓋率達70%，生產線效率提升20%以上；法國在智能交通領域領先，巴黎建成全域智能交通管理系統，交通擁堵率下降30%。綠色算力是歐盟的核心特色，提出2030年資料中心全生命周期碳排放量較2020年下降50%，新建智算中心綠電佔比超90%；推廣液冷、風能、太陽能等綠色技術，芬蘭LUMI超算採用水力發電，PUE降至1.05以下，為全球最低之一。3.2.3 其他國家：差異化佈局，依附核心市場日本聚焦機器人與智能感測領域，索尼、松下等企業在LiDAR、毫米波雷達等感測器技術上具有優勢，索尼Vision-S電動概念車搭載28個感測器，實現高精度空間感知；軟銀集團投資大量具身智慧型手機器人企業，推動空間智能在服務機器人領域的應用。政策方面，日本《數字社會推進基本法》投入200億美元支援算力基建，目標2025年智能算力規模達100 EFLOPS。韓國聚焦晶片與終端裝置，三星電子在晶片製造領域具有優勢，2025年實現3nm製程量產，為輝達、AMD提供代工服務；SK海力士在HBM記憶體領域佔據全球40%份額，支撐高端AI晶片的記憶體需求；三星Galaxy S25手機搭載自研NPU晶片，算力達40 TOPS，支援AR空間互動。其他開發中國家主要依附歐美核心市場，通過承接算力服務外包、引進技術等方式發展，如印度、東南亞國家聚焦算力服務外包，為歐美企業提供資料標註、模型訓練輔助服務；巴西、南非等國家推動智慧城市試點，引進歐美成熟技術與裝置。3.3 中國算力產業鏈：自主可控加速，“一超多強”格局顯現3.3.1 上游核心硬體：國產替代加速，突破關鍵瓶頸晶片環節，中國形成“一超多強”的格局，昇騰系列晶片扮演“頭雁”角色，搭建“晶片-框架-叢集-應用”的四級閉環，已支援建造多個萬卡級叢集，2025年推出384卡超節點新形態，最大算力可達300 PFLOPS，配備創新的高速互聯匯流排，大幅提升大模型訓推效率。寒武紀聚焦AI專用晶片，2024年四季度首次實現單季度盈利，2025年前三季度營收46.07億元，同比增長2386.38%，歸母淨利潤16.05億元，核心產品寒武紀590替代率達15%。國產GPU“四小龍”（摩爾線程、沐曦股份、壁仞科技、燧原科技）加速崛起，2025年迎來上市潮：摩爾線程12月5日登陸科創板，上市首日股價躋身A股Top 3，市值3595億元，業務覆蓋AI智算、圖形渲染和智能座艙SoC晶片等領域；沐曦股份12月17日登陸科創板，總募資規模約41.97億元，核心產品曦雲C600性能介於A100和H100之間，實現全流程國產供應鏈閉環，2026年上半年正式量產；壁仞科技港股IPO獲備案，聚焦高性能通用GPU，公開融資總額超50億元；燧原科技啟動上市輔導，擬在科創板上市。其他硬體環節，中國在伺服器、光模組、感測器等領域具有全球競爭力：伺服器領域，浪潮資訊、華為佔據全球智算伺服器市場的25%份額，浪潮AI伺服器出貨量全球第一；光模組領域，中際旭創、天孚通信在CPO、OCS等技術上領先，2025年全球市場份額達30%；感測器領域，華為、大疆創新在LiDAR領域突破，車規級LiDAR單價降至800元以下，國內市場份額達20%。3.3.2 中游算力服務：基建領先，服務生態完善算力基礎設施方面，中國“東數西算”工程成效顯著，建成8大算力樞紐、10個國家資料中心叢集，2025年新增算力60%以上集聚國家樞紐節點，新建大型資料中心綠電佔比超80%。截至2025年3月底，中國智能算力規模達748 EFLOPS，預計2026年達1460.3 EFLOPS，2028年達2781.9 EFLOPS。頭部智算中心包括華為昇騰AI計算中心、阿里達摩院智算中心、騰訊智算中心等，其中華為昇騰AI計算中心已在全國建成20個節點，總算力達500 EFLOPS。算力服務方面，阿里雲、騰訊雲、百度智能雲、華為雲佔據國內雲算力市場的80%份額：阿里雲推出“飛天智算平台”，支援萬卡級大模型訓練，服務超10萬家企業；騰訊雲推出“混元智算平台”，整合自研晶片與輝達晶片，提供彈性算力租賃服務；百度智能雲“千帆大模型平台”聚焦空間大模型服務，已接入百度文心空間大模型等20餘款行業大模型；華為雲“盤古算力平台”依託昇騰晶片，提供全端國產化算力服務。算力網路方面，中國營運商牽頭推動算力網路建設，中國電信“天翼算力網路”、中國移動“算力網路”、中國聯通“智慧算力網路”已實現全國主要城市覆蓋，支援算力的按需調度與跨省互聯。2025年國內營運商算力投資增20%以上，算力核心產業規模2026年達2.6兆元，帶動相關產業超12兆元。3.3.3 下游應用：場景豐富，規模化落地加速中國空間智能應用場景豐富，智慧城市、工業智能空間、智能家居、自動駕駛等領域均實現規模化落地：智慧城市領域，試點項目覆蓋全國89%地級市，北京、上海、深圳等超大城市完成全域智能空間基礎設施建設，城市治理響應速度提升70%，能耗管理效率提高45%；工業智能空間領域，數字孿生工廠覆蓋率突破60%，基於邊緣計算的即時最佳化系統使生產線OEE平均提升18個百分點；智能家居領域，全屋智能滲透率達12.3%，華為鴻蒙生態與小米AIoT平台連接裝置突破8億台；自動駕駛領域，百度Apollo、小鵬汽車、理想汽車等企業的Level 3等級自動駕駛車型實現量產，Level 4等級在特定區域試點營運。政策支援方面，中國出台多項專項政策推動算力與空間智能產業發展：《智能空間產業發展行動計畫（2025-2030）》明確培育30家以上獨角獸企業，組建國家級智能空間創新中心，完成73項行業標準制定；《“十四五”數字經濟發展規劃》要求2025年智能家居市場滲透率達到40%；《建築節能與智能化發展綱要》提出2030年新建建築智能化系統覆蓋率達90%以上，存量建築改造率不低於60%。3.4 國內外產業鏈對比：差距與優勢並存3.4.1 核心差距：高端晶片與生態建構1. 高端晶片技術差距：國外晶片製程已推進至2nm，輝達B200、AMD MI350等產品性能領先，國內最先進製程為3nm，昇騰910B、沐曦C600等產品性能介於A100和H100之間，與最新產品存在一代差距；晶片架構設計能力不足，國外企業擁有成熟的GPU架構（如輝達CUDA架構），國內架構生態尚在建構。2. 軟體生態差距：國外形成“晶片-框架-應用”的完整生態，輝達CUDA生態擁有數百萬開發者，支援各類AI框架與應用；國內生態較為分散，昇騰MindSpore、百度飛槳等框架的開發者數量與應用覆蓋度不足，跨框架相容性差。3. 高端感測器差距：LiDAR、毫米波雷達等高端感測器的核心元器件（如雷射發射器、探測器）依賴進口，國內企業在精度、可靠性等方面存在差距，車規級LiDAR的國外品牌市場份額達80%。3.4.2 中國優勢：市場規模與政策支援1. 龐大的市場需求：中國是全球最大的算力與空間智能應用市場，2025年智能算力規模佔全球37.8%，智慧城市、工業製造等場景的需求規模全球領先，為本土企業提供了廣闊的試錯與迭代空間。2. 強有力的政策支援：國家層面出台多項專項政策，從算力基建、技術研發、標準制定到應用推廣全方位支援，“東數西算”工程、新基建戰略等為產業發展提供了充足的資金與資源保障。3. 完善的製造業基礎：中國擁有全球最完整的電子資訊製造業產業鏈，在伺服器、光模組、終端裝置等硬體製造領域具有全球競爭力，可支撐算力產業鏈的本地化生產與成本控制。4. 快速的迭代速度：本土企業在應用場景落地方面迭代速度快，能夠快速響應客戶需求，在智慧城市、工業智能空間等細分場景形成差異化優勢。3.4.3 未來競爭焦點：異構算力與生態協同未來全球算力產業鏈的競爭焦點將集中在異構算力協同與生態建構：一是異構算力晶片的研發，整合GPU、CPU、NPU等多種晶片優勢，提升算力能效比；二是統一調度平台的建設，實現雲端-邊緣-終端的算力協同；三是開放生態的建構，通過開源框架、開發者社區等吸引全球開發者，擴大應用覆蓋度；四是綠色算力的突破，通過液冷、綠電等技術降低能耗，提升產業可持續性。第四章 算力需求分析：空間智能驅動的分層需求與增長邏輯4.1 算力需求總體特徵：規模爆發與結構分化2025年全球算力需求呈現“規模爆發式增長”與“結構差異化分化”的雙重特徵。從規模來看，全球智能算力規模達1980 EFLOPS，較2023年增長5倍，其中空間智能相關算力需求達693 EFLOPS，佔比35%，成為核心增長引擎。IDC測算2025年全球AI模型訓練與推理算力需求650 EFLOPS，多模態模型貢獻60%算力增量，而空間智能是多模態模型的核心應用場景。從結構來看，算力需求呈現三大分化趨勢：一是訓練與推理分化，訓練算力2025-2027年CAGR 25%-30%，主要用於GPT-5等兆級空間大模型預訓練；推理算力同期CAGR 90%-100%，為訓練的近4倍，2028年規模超訓練，成為算力增長主力，主要源於空間智能應用的規模化落地（如自動駕駛推理、智能路側感知）。二是算力形態分化，雲端算力佔比70%-75%，但邊緣算力增速（CAGR 50%-60%）遠超雲端，終端算力穩步增長，形成“雲端重訓練、邊緣重推理、終端重感知”的格局。三是行業需求分化，網際網路行業仍佔主導（60%），但金融、醫療、自動駕駛、工業模擬等場景增速超行業平均，生物醫藥AI模型訓練需求同比增210%。算力需求的增長邏輯可總結為“技術驅動-場景牽引-政策護航”三大核心要素：技術驅動方面，空間大模型參數規模從千億級邁向兆級，GPT-5級空間模型訓練需萬卡級GPU叢集，單次訓練成本超千萬美元，倒逼算力規模提升；場景牽引方面，智慧城市、自動駕駛等場景的規模化落地，帶來海量即時推理需求，Token消耗激增，中信證券預計2030年全球Token消耗為2025年的100-340倍，推理算力規模為2025年的65-220倍；政策護航方面，全球主要經濟體出台算力基建支援政策，中國“東數西算”、美國《晶片與科學法案》、歐盟“數字羅盤計畫”等為算力需求增長提供保障。4.2 分行業算力需求：核心場景與量化分析4.2.1 智慧城市：全域感知與智能調度的算力盛宴智慧城市是空間智能的核心應用場景，算力需求源於全域空間感知、數字孿生建模、智能調度決策三大環節，2025年算力需求達180 EFLOPS，佔空間智能總算力的25.9%。具體場景包括智能交通、智能安防、智能市政、智慧能源等：1. 智能交通：核心需求是即時交通感知與動態調度，單條智能路側裝置（含LiDAR、攝影機、雷達）每秒產生10GB資料，需邊緣算力進行即時處理（目標識別、軌跡預測），單路裝置推理算力需求達10 TOPS；城市級智能交通調度平台需雲端算力進行全域最佳化，一線城市（如北京、上海）調度平台的雲端算力需求達5 EFLOPS。2025年智能交通領域算力需求達80 EFLOPS，同比增長70%。2. 智能安防：核心需求是全域視訊監控與異常行為識別，超大城市的視訊監控點位超10萬個，單個點位需0.5 TOPS推理算力，邊緣端總算力需求達5 EFLOPS；雲端需進行視訊資料回溯分析與模型訓練，算力需求達2 EFLOPS。2025年智能安防領域算力需求達15 EFLOPS，同比增長50%。3. 數字孿生城市：核心需求是全域3D建模與動態模擬，超大城市全域數字孿生建模需處理PB級空間資料，訓練算力需求達10 EFLOPS；動態模擬需即時更新城市狀態，推理算力需求達5 EFLOPS。2025年數字孿生城市領域算力需求達30 EFLOPS，同比增長100%。4. 智慧能源：核心需求是電網、管網的空間監測與最佳化調度，城市級電網數字孿生需處理海量感測器資料，推理算力需求達3 EFLOPS；能源調度最佳化模型訓練需1 EFLOPS算力。2025年智慧能源領域算力需求達8 EFLOPS，同比增長60%。政策驅動是智慧城市算力需求增長的核心動力，中國《智能空間產業發展行動計畫（2025-2030）》要求2025年前完成200個智慧城市試點建設，配套財政補貼規模超800億元；住建部《建築節能與智能化發展綱要》提出2030年新建建築智能化系統覆蓋率達90%以上。 (AI雲原生智能算力架構)

"AI可能毀滅人類，而中國正在引領全球應對這場危機——其他國家必須加入！"你是否知道，全球AI發展正面臨一個致命悖論：我們正在以火箭般的速度開發AI，卻沒有建立相應的安全機制？Nature最新 editorial 發出震撼警告：中國提出的"世界人工智慧合作組織"(WAICO)可能是阻止AI毀滅人類的唯一希望，而美國等國家的不作為將使全球陷入危險境地！🔥 AI的雙面性：天使還是魔鬼？AI模型擁有令人驚嘆的能力，既能加速科學發現、推動經濟增長，也可能在不經意間造成災難性後果：• 加劇社會不平等：AI演算法可能強化現有的社會偏見• 助力犯罪活動：深度偽造技術已用於詐騙和政治操縱• 傳播虛假資訊：AI生成內容難以分辨真偽• 最可怕的威脅：部分頂尖研究者警告，超級智能AI可能在未來"毀滅人類""它們不完全理解世界，可能會以不可預測的方式失敗。" ——Nature editorial更令人擔憂的是，在AI開發的"百米衝刺"中，安全問題被嚴重忽視。許多專家擔心，當前的AI熱潮正在形成一個即將破裂的經濟泡沫，而全球卻缺乏統一的監管框架！🌐 全球AI治理：三國演義的現狀🇺🇸 美國：自由放任的"野蠻生長"美國作為全球AI技術的領導者，卻沒有國家層面的AI法規，僅靠各州零散的法律和企業自律。最新發佈的"AI安全指數"顯示，沒有一家美國公司得分高於C+。更令人擔憂的是，美國政府不僅沒有加強監管，反而在推動"創世任務"(Genesis Mission)，為AI開發者提供前所未有的政府資料存取權，被比作"登月計畫"。"美國公司期望自己監管自己，同時又在無休止的競爭中。" ——Nature🇪🇺 歐盟：謹慎前行的"AI法案"歐盟去年推出的《AI法案》要求最強大的AI系統加強威脅分析，但實施效果尚不明確。媒體報導稱，企業正在向歐盟施壓，要求放寬法律限制。儘管有巨額罰款的威脅，但法案實施仍處於初級階段，實際效果有待觀察。🇨🇳 中國：快速行動的"監管先鋒"與美歐不同，中國自2022年以來已推出一系列AI法規和技術標準：• 要求AI開發者提交生成式AI模型進行部署前安全評估• 強制在AI生成內容上加入可見、不可磨滅的水印• 2025年上半年發佈的AI國家標準數量等於過去三年總和"中國在2025年上半年發佈的AI國家標準數量等於過去三年總和。" ——Concordia AI中國AI監管的核心理念是：既要推動AI廣泛應用，又要確保可追溯性和企業責任。儘管中國AI企業在"AI安全指數"上的得分低於西方同行（部分原因是未能充分應對災難性濫用風險），但其監管速度和系統性令人矚目。🌐 WAICO：中國提出的"AI聯合國"中國提出建立"世界人工智慧合作組織"(WAICO)，旨在協調全球AI監管規則，同時"充分尊重各國政策和實踐的差異"，並特別關注全球南方國家。WAICO的總部計畫設在上海，雖然細節尚未明確，但Nature認為："建立這樣一個機構符合所有國家的利益，全球各國政府都應該加入。"WAICO不會直接強制執行AI規則（中國也表示支援聯合國主導的全球AI治理），但它可能成為各國逐漸凝聚共識的平台。🤝 為什麼中國方案值得關注？1️⃣ 中國AI的全球影響力中國推行"開放權重"政策，使全球公司越來越多地基於中國AI建構服務。中國AI模型的可獲取性和低成本正在重塑全球AI生態。"中國'開放權重'模型政策意味著全球公司越來越多地基於中國AI建構服務。" ——Nature2️⃣ 全球治理的迫切需求現有全球AI治理努力——如經濟合作與發展組織的AI原則和歐洲委員會的《人工智慧框架公約》——要麼不具約束力，要麼未得到有效執行。Nature建議，WAICO可以借鑑國際原子能機構(IAEA)的模式：各國同意限制AI開發並開放系統接受檢查，使各國能夠驗證彼此是否遵守規則。🌍 科學啟示：AI治理不是零和遊戲Nature editorial 發出重要警示："AI治理不應被視為地緣政治競賽，認為一個國家的安全可以通過技術主導來保證。'獲勝'對大多數國家來說不是選項，AI軍備競賽不會保證人們更安全或更富裕。"相反，全球應共同合作，就什麼是安全的AI以及世界希望如何利用AI達成共識。中國學者Angela Zhang指出，儘管中國監管有其政治考量，但其基本動機與他國"相當相似"："他們不想被機器人消滅。"💡 科研人員和企業的行動指南1️⃣ 關注中國AI標準隨著中國AI影響力的擴大，瞭解中國的AI標準對全球研究人員和企業至關重要。忽視這一趨勢可能導致技術落後或合規風險。2️⃣ 參與全球對話科研人員應積極參與多邊對話，幫助評估什麼樣的全球治理既有效又現實。AI安全需要全球智慧，而非單一國家的解決方案。3️⃣ 平衡創新與安全企業和研究機構需要在追求創新的同時，主動加強內部AI安全機制，而不是等待監管強制要求。 (聖不可知)

隨著AI模型的能力以驚人的速度進化，我們對這些“黑盒”背後的運作機制卻似乎知之甚少。史丹佛大學等機構最新發佈的 2025年基礎模型透明度指數（Foundation Model Transparency Index, FMTI）揭示了一個令人擔憂的趨勢：儘管AI技術在飛速發展，但行業整體的透明度卻在大幅倒退。ArXiv URL：http://arxiv.org/abs/2512.10169v1這份年度重磅報告不僅對OpenAI、Google等老牌巨頭進行了“體檢”，還首次將阿里巴巴、DeepSeek等中國公司納入評測範圍。結果令人咋舌：平均分從去年的58分暴跌至40分，甚至低於2023年的水平。透明度“寒冬”：誰在裸泳，誰在領跑？今年的FMTI報告評估了13家全球頂級的基礎模型開發商。研究團隊設計了包含100項指標的評估體系，涵蓋了從上游資料、模型建構到下游影響的全過程。紅榜與黑榜的巨大反差：• 冠軍（IBM）：IBM以 95/100 的高分一騎絕塵，成為透明度的絕對標竿。它在很多其他公司諱莫如深的領域（如資料來源、計算資源）都做到了充分披露。• 墊底（xAI & Midjourney）：Elon Musk旗下的xAI和繪圖模型巨頭Midjourney僅獲得 14分，處於極度不透明的狀態。• “中庸”的巨頭們：包括OpenAI、Google、Anthropic、Amazon和Meta在內的“前沿模型論壇”（Frontier Model Forum）成員，分數全部擠在中間梯隊（平均約36分）。報告犀利地指出，這些公司似乎達成了一種默契——既避免因分數過低而聲譽受損，又缺乏動力去爭當透明度的領頭羊。中國公司的首秀：今年首次參評的中國公司表現各異。阿里巴巴、DeepSeek等公司被納入評估，雖然整體得分處於中下游（DeepSeek、Meta和Alibaba的平均分為30分），但這標誌著全球AI透明度評估版圖的完整化。評分暴跌背後的真相：標準升級與刻意隱瞞為什麼今年的平均分會從58分跌至40分？這不僅僅是因為加入了得分較低的新公司，更是因為許多老牌玩家在關鍵指標上出現了“倒退”。1. 核心資源的“黑盒化”公司們對“上游資源”最為保密。訓練資料（Training Data）和訓練算力（Training Compute）是兩個最大的黑洞。• 資料來源：幾乎沒有公司願意詳細披露其訓練資料的具體來源和構成，這直接關係到版權和偏見問題。• 算力成本：儘管外界對訓練大模型的昂貴成本充滿好奇，但具體使用了多少 、消耗了多少能源，往往被視為商業機密。例如，AI21 Labs在2024年還披露了算力和碳排放資料，但在2025年卻選擇了隱瞞。2. 評估標準的“硬核”升級FMTI 2025對指標進行了大幅修訂，旨在“去偽存真”。• 拒絕模糊描述：以前只要描述了模型能力（如“文字生成”）就能得分，現在必須列出“在後訓練階段專門最佳化的能力清單”。• 強調可復現性：僅僅聲稱模型在某個基準測試上得分很高是不夠的，必須開放原始碼和提示詞（Prompts），證明第三方可以復現這一結果才能得分。技術拆解：如何量化透明度？為了科學地衡量透明度，研究團隊將100個指標分為三個核心領域：1. 上游（Upstream）：關注建構模型所需的資源。• 資料：資料來源、版權、許可、PII（個人身份資訊）處理。• 勞動力：涉及資料標註工人的薪資和工作環境。• 計算：硬體詳情、能源消耗。2. 模型（Model）：關注模型本身的屬性和發佈。• 架構：參數量、層數等（很多公司現在對此閉口不談）。• 能力與風險：模型能做什麼，不能做什麼，以及潛在的安全隱患。3. 下游（Downstream）：關注模型的使用和影響。• 分發：誰在使用模型？• 影響：對使用者、受影響群體以及環境的實際影響。有趣的發現：AI Agent能取代人類評估員嗎？在今年的評估過程中，研究團隊進行了一項有趣的實驗：利用AI Agent來輔助收集各公司的透明度資訊。結果顯示，AI Agent確實能提高資訊檢索的效率，但還遠不能完全取代人類。Agent容易產生“幻覺”或被表面資訊誤導（False Positives），同時也容易漏掉深藏在技術文件中的關鍵細節（False Negatives）。最終，所有資訊仍需經過FMTI團隊的人工核實。結論：透明度是一種選擇，而非技術難題2025 FMTI報告最核心的啟示在於，透明度的差異主要源於企業意願，而非技術或結構性障礙。IBM、Writer和AI21 Labs的高分證明，即使是商業化公司，也可以在保持競爭力的同時實現高度透明。相反，某些公司在下游應用政策（如下載使用條款）上得分極高，卻在模型訓練資料上得分掛零，這種鮮明的對比揭示了其策略性的不透明。隨著全球政策制定者（如歐盟AI法案）開始強制要求某些類型的透明度，這份報告不僅是對現狀的記錄，更是對未來政策干預方向的指引。如果市場競爭無法帶來透明，那麼更激進的政策干預或許將成為必然。 (AI研究)