中国新一代人工智能科技产业发展报告·2026
China’sNew Generation Artificial Intelligence Technology Industry Development Report 2026
人工智能深度应用和智能经济新形态
2026·天津
Deep Application of Artificial Intelligence and
New Forms of Intelligent Economy
2026年 5月 28日
2026 世界智能产业博览会
I
内容提要
人工智能是具有基础设施性质的巨复杂技术系统。随着“人工智能+”战略
的实施，人工智能的深度应用带来新的生产力革命性跃迁和生产关系的深刻变革，
加快形成人智协同、跨界融合、共创分享的智能经济新形态。加强基础研究，实
现核心和关键技术突破，深化拓展“人工智能+”，推动重点行业人工智能规模
商业化应用，培育智能原生新产品、新业态和新模式，完善基础制度和治理体系，
加速推动科技创新和产业创新的深度融合，是打造我国智能经济新形态的路线图。
近年来，新一代人工智能出现两次重大技术转向：一是从判别式人工智能
向生成式人工智能的技术转向；二是在生成式人工智能发展中从强调规模效应
向重视智能密度的技术转向。其中，第二次技术转向发生在 2025 年，以中国为
主导，大模型的技术研发不再强调单一模型通用能力的提升，而是更加重视通过
持续提升模型的智能密度推动人工智能在经济社会领域的深度和广泛应用。
围绕着人工智能深度应用和打造智能经济新形态，中国企业、大学和科研
院所和政府共同推动人工智能创新生态的发展。在数据生态上，国家和地方政府
积极布局高质量语料库和数据集开发，与企业共同建设可信数据空间；在算力基
础设施建设上，在各省市算力中心建设的基础上，积极推动全国算力网发展。同
时，加快智算芯片的研发，努力在受制于人的关键技术环节解决“卡脖子”问题；
在模型开发上，在提升通用模型泛化能力的同时，重点发展行业模型和垂类模型。
同时，加快智能体和具身智能的开发和应用，推动信息智能和物理智能的融合发
展；在人才培养上，大学与头部科技企业合作，通过创建人工智能学院、开设人
工智能专业和与人工智能相关的交叉学科的方式，加快人才培养。
人工智能深度应用和智能经济发展的动力来自包括企业、大学和科研院所、
政府和投资机构在内的多元创新主体协同创新。到目前为止，我国人工智能企业
数量超过 6000 家，核心产业规模预计突破 万亿元。与企业相比，大学和科
研院所主要通过基础研究和人才培养服务人工智能科技创新和产业发展。同时，
中央政府通过规划和行动计划的制定和实施推动人工智能基础研究、技术开发和
规模应用，地方政府则从本地实际出发，在积极响应国家战略的同时，制定符合
本地实际的发展规划和行动计划。
专精特新“小巨人”企业是人工智能深度应用和智能经济发展的生力军。
它们一方面在包括芯片和工业软件领域进行技术攻关；另一方面在深耕的行业领
域，推动行业智能化转型和发展。基于人工智能领域专精特新“小巨人”企业的
技术合作关系数据，可以清晰地看到人工智能深度应用的前沿进展。
智能经济是基于网络空间发展的以数据、算法和算力融合产出的“智能要
素”为关键驱动力的新经济形态。网络空间发展产出的数据是算法的原材料，算
力为数据训练算法和推理提供计算能力。数据、算法和算力共同构成产出“智能
II
要素”的智能系统。通过“智能要素”的产出和投入，人工智能深度应用催生智
能经济新形态。人智协同的“混合智能”及其生产方式是智能经济发展的基础。
核心经济部门和融合经济部门的良性互动和正反馈是推动科技创新和产业创新
深度融合和发展智能经济的关键动力和机制。人工智能深度应用在带动融合经济
部门发展的同时，进一步带动核心产业部门的发展。围绕着数据确权流通、算法
透明可控、劳动权益保障和伦理安全底线，在建立在发展中规范和在规范中发展
的新兴通用目的技术和新质生产力发展逻辑的同时，加快构建与智能经济发展相
适应的制度结构。
关键词：人工智能，复杂技术体系，深度应用，人智协同，智能经济
1
1. 导论
近年来，人工智能技术创新出现了两次技术转向：一是从判别式人工智能到生成式人工
智能技术转向；二是在生成式人工智能创新中，从强调规模效应到重视智能密度提升的技术
转向。第二次技术转向为人工智能深度应用和智能经济发展奠定了坚实基础。
信息智能和物理智能的融合催生智能经济新形态
随着通用大模型泛化能力的提升以及行业模型、智能体和具身智能的开发和应用，智能
密度的持续提升推动信息智能和物理智能的融合，人工智能步入深度应用发展阶段。在“十
五五”时期，人工智能的深度应用带来经济的结构性变革催生智能经济新形态。
首先，智能经济是信息智能和物理智能融合发展的结果。2022年 11月，生成式大语言
模型 的推出，标志着从判别式人工智能向生成式人工智能的技术转变。2025
年，从规模效应向智能密度提升的技术转向，使模型开发强调可靠性、安全性、实用性和可
用性。模型泛化能力能够和可用性的提升、智能体和具身智能的开发和应用推动人工智能从
信息智能向物理智能的跨越，为智能经济涌现创造了条件。大模型是以参数表达的知识库，
智能体具备感知、记忆、决策和执行能力，具身智能则搭建了从网络空间到物理世界连接的
桥梁。它们共同构成的智能系统推动人工智能从信息智能走向物理智能、生物智能和社会智
能，创造出人智协同的生产方式、生活方式和科学研究范式，推动经济步入智能经济形态。
其次，人智协同的“混合智能”是智能经济运行的基础。与数字经济不同，智能经济
的关键要素不再是数据，而是智能系统产出的“智能要素”。它和人类智能共同构成的“混
合智能”，是微观经济活动的基础。“混合智能”突破了人类决策和资源配置及利用的智力
限制，创造出新的生产力和生产关系形态。
第三，智能经济属于典型的创新经济[1]。在知识创造上，“混合智能”决策带来人类新
知识创造活动效率的持续提升，创新成为现实经济活动的主导力量。在知识的利用上，人智
协同生产方式带来生产制造过程的自感知、自学习、自决策、自执行和自适应，能够实现市
场需求和供给的柔性匹配。基于“混合智能”的知识创造和知识利用的融合，不仅创造新的
社会生产力，而且能够激活历次工业革命积累的社会生产力发展潜力。
第四，新质生产力和生产关系的重构是“十五五”和今后一段时期我国智能经济发展
的逻辑主线。智能经济不是数字经济量的延伸，而是以“智能要素”为关键要素的经济结构
变革过程。与“智能要素”的产出和投入相适应的生产关系调整，是发展新质生产力的前提
和基础。
在智能经济发展上，中国是全球引领者。2025年，我国人工智能企业数量超过 6000家，
核心产业规模突破 万亿元人民币。在基础设施发展上，我国智能算力规模达 1590EFLOPS，
行业高质量数据集加速涌现，国产大模型引领全球开源生态；在产品创新上，AI手机、AI
电脑、AI眼镜等人工智能终端产品加快走进千家万户；在应用场景上，人工智能应用已覆
盖钢铁、有色、电力、通信等重点行业，逐渐深入到产品研发、质量检测、客户服务等重点
[1] 现实经济活动包括两个基本组成部分：知识创造和知识利用。其中，知识创造来自人类的探索行为，即
熊彼特的“破坏性创造”过程。知识利用是对现有知识的高效利用，即资源配置过程。究竟以哪类活动为
主导，是判断经济形态类型的关键。
2
环节；在生态发展上，我国已经启动运行国家人工智能产业投资基金，资金规模达 600亿元。
同时，通过深入实施人工智能标准化专项行动，2025年累计研制发布 40余项关键国家标准、
行业标准，智能体协议、算子库等一批关键开源项目孵化落地[1]。无论在产业规模上，还是
在基础设施建设、产品创新和应用上，我国智能经济发展都走在了世界前列。
科技创新和产业创新深度融合加速智能经济发展
在新的阶段，推动人工智能深度应用是发展智能经济新形态的根本途径。其中的关键是
加快培育实现人工智能科技创新和产业创新的融合发展的创新系统。随着数据、算法和算力
在端侧的深度融合，科技创新和产业创新之间的关系发生了重大改变。
在工业经济时代，创新被看作是一个从基础研究到应用研究和技术开发再到规模生产的
线性过程。20世纪 90年代，日本经济的崛起引发对线性创新模式的质疑和反思。1997年，
美国学者唐纳徳·斯托克斯（Donald E. Stokes）提出了科技创新的巴斯徳象限，即应用需求
激发和引导的基础研究。巴斯徳象限打破了割裂基础研究和应用研究的传统观念，提出两者
之间双向反馈的创新模式。
智能时代的创新实践，打破了对创新过程的传统认识。与传统创新不同，人工智能领域
的算法创新可以直接应用在实际生产和消费过程。在人工智能科技创新和产业发展领域，中
国的深科技创新模式[2]充分体现了智能经济时代科技创新和产业创新融合发展的特征。深科
技创新强调应用需求[3]牵引的基础研究、技术开发和规模应用创新循环，科技创新和产业创
新一体化趋势日益明显[4]。科技创新和产业创新的深度融合标志着智能经济新形态的加速到
来。
首先，从生态的视角看，我国人工智能创新生态是多样化和交互融合的。到目前为止，
中国人工智能创新生态不仅包括国家、区域和城市创新生态，而且包括头部科技企业主导的
产业创新生态。它们之间相互交互形成网络化结构。无论是技术创新还是产业发展，供给和
需求不再是上下分层关系，而是在数据、算法、算力、智能体和具身智能等诸多关系要素互
动中的共生演化关系。
其次，从技术系统演进视角看，2025年以来，人工智能开始从以算法为中心向数据、
算力、模型、智能体和具身智能五要素融合的结构转变。工信部《“人工智能+制造”专项行
动实施意见》提出，智能系统由算力底座、数据要素、模型及框架和智能体四个关键要素组
成。其中，每个关键要素都属于人工智能技术系统的子技术系统。算力底座包括高端芯片、
智算云操作系统、全国一体化算力网在内的软硬件技术体系，决定着智能系统技术供给的物
理基础。数据是智能系统“智能要素”产出的原材料。模型和框架层包括通用模型、行业模型
和开源框架，共同实现云、边、端的融合协同。智能体和具身智能是连接技术和产业的新物
种，具备感知、决策和执行能力，打破了传统软件系统和物理设备隔离，实现了技术的现场
[1] 工信部：我国人工智能核心产业规模预计突破 万亿元. 中国政府网. .
[2] 刘刚等. 深科技创新驱动的中国人工智能产业发展[M]. 中国财政经济出版社，2025.
[3] 在深科技创新模式中，“应用需求”不仅包括产业智能化产生的应用需求，而且包括人工智能产业化过
程中创造的应用需求。例如，生成式人工智能在创新过程中，产生出一系列新的应用需求。
[4] 刘刚，刘捷，李依菲. 中国人工智能发展的深科技创新模式[J]. 河北经贸大学学报. 2026(2).
3
嵌入。四个子技术系统的融合共同构成的智能系统产出的是“智能要素”，直接应用于现实
经济活动。
第三，从产业系统演进视角看，随着端侧部署的加快，人工智能核心产业部门和融合
产业部门的界限被打破。在早期发展过程中，智能经济可以明显地划分为核心产业部门和
融合产业部门。随着数据、算法和算力的端侧部署和深度融合，在具体应用场景中两个产业
部门是融为一体的。一方面，融合产业部门产生需求，需求牵引技术创新；另一方面，核心
产业部门的技术创新和产出开启新的应用场景，创造新需求。“智能要素”的供给和需求的一
体化动态演进，推动产业系统和结构的持续演进。
第三，从技术结构和产业结构的演进视角看，技术结构变化推动了产业分工重组趋势
的变化。人工智能产业链从软硬件制造纵向体系向基础支撑层、技术平台层和行业应用层垂
直分工体系转变。基础支撑层汇聚芯片厂商、云服务商和数据交易中心，支撑算力与数据供
给；技术平台层由模型开发商、开源社区和赋能应用服务商构成，承担智能算法调优、模型
评测和安全保障的功能；行业应用层则以“工业智能体”和“新型智能终端”为核心载体，覆盖
制造、能源、医药和消费品等重点领域。新的分工体系加速了科技创新成果产业转移转化的
速度。
第四，科技创新和产业创新之间的深度融合源于新机制的出现。一是MaaS（模型即服
务）模式使技术能力通过 API化和云化直接渗透至应用层，企业可按需调用大模型并结合
自身场景进行微调，形成从算法到服务的能力迁移；二是智能体的自主性使软硬件的边界消
失，工业智能体可直接介入设备层，实现研发、生产和管理的智能闭环；三是“模数共振”
效应形成模型与数据的持续反馈循环，数据治理成为产业内生过程，进而在产业链中催生新
的数据治理岗位和安全规范。上述机制共同推动从人工智能智能产业化和产业智能化的相互
融合，使技术创新和产业创新不再是传统的供需关系，而是迭代共生的循环系统。
第五，从国际视野看，我国人工智能领域的科技创新和产业创新融合发展路径具有独
特的政策逻辑。以 ITI、IDC和 Gartner为代表的国际政策研究机构通常采用基础模型、基
础设施和应用进行技术分类，强调技术体系与全球供应链的协同[1]。在我国，数据和算力被
看作是国家基础设施，即算力是国力和数据为生产力要素的独特体系。同时，工信部提出的
应用场景牵引策略通过构建行业全景图促使技术创新和产业发展同步演进。
最后，我国政策推进路径展现出技术创新和产业创新深度融合发展的趋势。技术创新
和产业发展通过数据、模型和智能体及具身智能实现无缝连接。场景中的数据不仅是产业创
新的投入品，而且推动通用人工智能技术的迭代和算法优化。在数据和算法之间，算力和治
理构成公共基础，它们共同构成技术创新和产业创新融合发展的创新生态。因而，中国人工
智能创新生态的科技创新和产业创新两个子系统之间不是分离的，而是以智能体为核心、以
模数共振为机制的动态协同演进系统。
[1] Understanding Foundation Models & the AI Value Chain: ITI’s Comprehensive Policy Guide - Information
Technology Industry Council.
hensive-policy-guide
4
2. 中国人工智能创新生态的新发展
人工智能深度应用和智能经济发展是多元创新主体协同创新的结果。近年来，我国人工
智能创新生态的发展是人工智能深度应用的基础。报告从技术发展、开源生态、数据、算力
基础设施和人才等维度，刻画我国人工智能创新生态的新发展。
技术方向的重大转折
2025年是人工智能技术创新路线出现重大转折的一年。自 Transformer架构提出以来，
规模效应是支配大模型技术创新的基本规律，模型参数和算力集群的规模是决定模型能力的
关键因素。2025年，模型技术研发的方向悄然转变，智能密度成为技术创新方向。围绕着
智能密度提升，技术沿着架构创新、行业模型、垂类模型和世界模型方向持续演进。智能密
度的提升是信息智能和物理智能交互和融合的结果。而智能体和具身智能的提出则进一步搭
建起连接信息智能和物理智能的桥梁。包括基础模型、行业模型、智能体和具身智能在内的
智能系统在提升智能密度的同时，推动物理智能、生物智能和社会智能的诞生和发展，网络
空间和物理空间界限被快速打破。人工智能从网络空间向物理世界的渗透推动经济发展新阶
段—智能经济时代的到来。
图 1 人工智能技术转向驱动智能经济发展
在人工智能新技术转向的推动下，网络空间和物理世界的融合带来物理智能、生物智能
和社会智能技术体系的形成和发展。其中，物理智能可能被广泛应用于智能制造和自动驾驶
等领域，生物智能推动生物医疗和制造产业的发展，而社会智能则为新的社会生产力发展、
资源配置方式和生产关系调整奠定了坚实基础。信息智能、物理智能、生物智能和社会智能
的快速创新和交互融合，标志着智能经济不再是数字经济简单量变的延续，而是质的变革—
—新的经济形态的诞生。
新的技术转向率先在中国发生。摩根斯坦利发布的《亚洲技术：中国人工智能 报告》
指出，中国的人工智能已然步入了全新的阶段，这个阶段并非是以缩小同美国之间的能力差
距作为核心追求，而是转变成为了价值捕获。[1]2025年以来，中国人工智能大模型的开发不
是一味追寻模型性能的绝对领先优势，而是把重心放在提升智能密度、降低成本和加快端侧
部署。随着大模型研发的重心从预训练向提升推理能力的转变，应用落地成为创新的方向。
[1] Morgan Stanley. Chian AI - Entering a New Phase[R].
5
在“人工智能+”战略的推动下，中国人工智能正加速应用于生产制造、物流、供应链和消
费服务等领域。
从大模型到智能体和具身智能
从规模效应到智能密度
2023—2024年，大模型研发的逻辑以规模竞赛为主导，参数数量、语料规模和算力投
入是衡量技术实力的关键指标。随着 Scaling Law边际效应递减、预训练成本的急剧上升，
规则竞赛逼近物理和经济的天花板。中国信通院发布的报告指出，算力集群规模正迈入吉瓦
级时代，算力成本的攀升速度超过过去五年的两倍，而模型的性能提升则趋于停滞[1]。摩根
士丹利的预测表明，2025年全球云计算企业的资本支出达到 4450亿美元，但受到电网承载
能力的限制，算力的继续堆叠已无法带来线性收益[2]。在这一背景下，模型开发开始从预训
练扩展转向推理时扩展(Test-time Compute)和架构优化。
2025年，人工智能大模型从规模主导向密度主导的技术转向带来的结果是模型更注重
可靠性、安全性、实用性和可用性。从模型架构创新看，规模效应主导更多依赖稠密
Transformer架构和静态数据灌输，以知识复现为主。而密度效应主导则强调思维链和经验
学习，智能从被动记忆走向主动推理。包括链式思维(Chain-of-Thought, CoT)和自洽性采样
(Self-Consistency)在内的方法成为核心机制，通过推理前多步骤逻辑演绎实现性能提升。以
GPT-5和国产头部模型为例，在 GPQA博士级科学问题和 SWE—bench软件工程基准测试
中，推理准确率的提升幅度超过纯规模扩张模型[3]。这表明，模型性能的决定因素不再是参
数规模，而是“单位算力的智能产出率”，即智能密度。这种技术转向进一步推动混合专家模
型(MoE)和稀疏注意力机制的普及。DeepSeek NSA 和月之暗面 MoBA架构通过稀疏激活实
现降本增效。豆包大模型 通过结构优化把推理成本降至行业标杆的十分之一。大模型从
单纯的文本生成转向原生多模态协同，支持 256K以上上下文与多步工具规划，成为具备任
务拆解与程序执行能力的执行型智能体。
实现技术转向的关键是通过结构稀疏化和经验式训练，使模型在有限算力消耗条件下实
现思维涌现和任务泛化能力的大幅提升。中国信通院“方升”测试数据显示，2025年底以
GPT-5、DeepSeek 、Qwen 3等为代表的语言基础模型，平均能力提升约 30%，多模态
理解能力提升超过 50%[4]。月之暗面 Kimi K2和 Qwen 3‑Max‑Preview 通过引入路由机制在
效率与稳定性上实现了突破，进一步验证了结构优化取代机械扩张趋势。
开源策略和模块化研发
开源策略和模块化研发极大地降低了中小企业的进入门槛，带来创新主体的结构变化。
阿里 Qwen、智谱 GLM和 DeepSeek等国产开源模型凭借权重开放和本地化部署能力提升，
性能已经接近闭源旗舰模型[5]。中小企业可以基于“开源基座 + 私有数据 + 行业知识”快速构
[1] 中国信通院. 人工智能产业发展研究报告 2025[R]. .
[2] 中国信通院. 人工智能产业发展研究报告 2025[R]. .
[3] 中科算网科技有限公司、算泥 AI 开发者社区. 2025 AI 大模型开发生态白皮书[R]. .
[4] 中国信通院. 人工智能产业发展研究报告 2025[R]. .
[5] 2025年，全球 AI产业正式告别了渺视堆叠参数阶段，跨入以“逻辑推理”和“自主执行”为核心的深
水区。其中，Scaling Law（规模法则）的内涵发生了结构性演变：算力不再仅仅消耗在预训练阶段的文本
预测上，而是通过推理侧采样（Inference-time Scaling）转化为了机器的“深度思考”能力。
本报告来源于三个皮匠报告站（）,由用户Id:1228580下载,文档Id:1263088,下载日期:2026-06-03
6
建垂直应用技术体系，实现从模型接入者到生态构建者的角色转变。例如，百川智能在医疗
领域利用自建数据集提升诊断模型精准度，零一万物则聚焦企业级部署，通过模块化实现成
本可控的商用应用落地。大模型不再是头部科技企业的专属资源，而是中小企业实施创新战
略的通用基础设施。
同时，智能体的模块化开发流程进一步推动人工智能领域创新的民主化。拥有包括产品
经理Agent和程序员Agent在内的多智能体协同系统能够自动完成企业内部的复杂工作流程，
大幅提升企业运营效率。中小企业和机构能够在有限算力和人员条件下完成从设计到执行的
创新过程。技术的轻量化和智能化不仅解决了算力瓶颈，还催生了更多中小创新主体，使得
中国人工智能创新生态从封闭集中走向开放协同。
具身智能和世界模型
尽管传统基础模型在认知层面取得了显著突破，但是依然局限于纯语言和逻辑处理，缺
乏与物理世界的真实交互能力，难以在真实复杂环境中实现自主行动。具身智能的出现改变
了这一局面。它将感知、记忆、决策和执行整合为一个闭环体系，使人工智能具有“身体”。
同时，世界模型正在构成智能系统的大脑，为具身智能提供环境理解、因果推理和长程规划
能力。具身智能的本质不只是机器人技术的延伸，而是认知智能向物理空间的拓展，从而使
人工智能实现从数字空间认知到物理世界行动的跨越。
在世界模型的支持下，具身智能系统能够在采取行动之前预判行为的结果，通过在潜在
空间进行生成式预测，理解包括重力和摩擦在内的物理规律，对动作的适应性和后果进行判
断，极大提升了机器人在非结构化环境中的自适应能力。世界模型的作用不仅体现在具身智
能能够强化对环境的理解，而且表现在长程规划和容错机制方面。在执行复杂任务过程中，
具身智能能将任务拆解为多个步骤，通过动态调整操作序列优化整体效率。
中国具身智能已经进入商业化阶段。2025年中国具身智能市场规模达到 亿元，约
占全球 50%，预计 2027年将突破 万亿元[1]。具身智能产业的出现使人工智能实现从实
验室到工业现场的快速转化。凭借成熟的供应链体系和丰富的场景数据，中国企业在全球竞
争中积累了工程化优势。例如，北京人形机器人创新中心的“天工 ”和“天轶 ”在人形机
器人生产线上实现无人化装配，标志着具身智能在工业高精度领域的技术突破；宇树科技的
H1与 G1系列机器人依托优化运动控制算法，在奔跑与跳跃性能上达到全球领先，实现低
成本规模交付；银河通用推出的 Galbot G1在药店与商超场景中展现出泛化抓取能力，强化
了商业服务的自动化水平。目前，中国具身智能的发展路径已从模仿转向创新，通过“小脑
强化+场景驱动”模式形成独特的差异化优势。
在全球竞争格局中，中国企业的上述差异化优势日益显著。依托 Tesla Optimus和 Figure
AI等项目，美国坚持“大脑先行”策略，着力于算法创新和发挥算力优势。与之相比较，中
国则采取“工程落地+场景驱动”开发路线，凭借珠三角和长三角地区成熟的产业链基础实现
快速迭代和成本控制[2]。日本和韩国在高精密零部件和伺服电机领域保持传统优势，但在模
型整合速度上则相对滞后。中国企业面临的主要挑战集中在高端算力芯片受限、底层算法原
[1] 中国信通院. 具身智能发展报告[R]. .
[2] 36氪研究院. 2026年具身智能产业发展研究报告[R]. .
7
创性不足和部分核心部件仍然依赖进口，但在场景多样性、数据闭环速度和产业配套方面则
拥有竞争优势。目前，面对制造业从大规模标准化生产向大规模定制化制造转型带来的挑战
和机遇，具身智能机器人通过参与高复杂工艺环节的生产过程，开始冲刺解决自动化的“最
后 1厘米”问题[1]。
在现代服务业领域，具身智能同样渗透广泛。具身智能的应用带来包括保洁、物流配送
和养老护理在内的人力密集型行业的结构的改变，使机器逐步承担重复性和体力劳动，人类
劳动则转向监督和情感交互等高价值环节。这一变化不仅改变了工作岗位构成，而且推动全
要素生产率的显著提升。
具身智能与世界模型结合带来的生态价值表现为新的智能底座的诞生。世界模型解决了
“知”的深度问题，而具身智能则使机器具备了主动认知和预测能力，同时通过工程化创新解
决了“行”的问题，从而推动人工智能真正走进现实中的生产和服务环节。两者的融合标志着
人工智能突破了网络空间限制，成为物理空间的真实生产力。
开源生态的快速兴起
开源模型框架和社区生态
在全球开源模型生态发展中，呈现出中美“双极驱动”发展格局。2025年，在技术领域
的突破使中国不再是单纯的技术跟随者，而是在包括推理能力、模型轻量化和中文语境理解
在内的诸多领域形成独特优势。Meta 的 Llama 和欧洲的 Mistral 仍然是国际开源社区的重
要力量。而阿里通义千问（Qwen）、深度求索（DeepSeek）和月之暗面（Kimi）则标志着
中国在开源模型性能和普惠性上实现了从并跑到领跑。创新生态的结构转折为中小企业的创
新创业创造了条件。
推理和 Agent开发能力、高性价比和中文多模态数据生态，是中国开源社区的竞争优
势。DeepSeek R1 和 Kimi K2 率先在开源领域实现了高质量思维链（Chain of Thought）和
多轮工具调用，标志着模型不仅能生成答案，而且能够实施规划和任务执行，推动智能系统
从模型到智能体的跃迁。Qwen 系列则打破了对“大即强”的传统认知，推出从 4B 到 235B
系列模型，满足不同用户的需求，尤其是在小参数模型的下载量上实现全球领先，成为中小
企业的理想选择。随着 DeepSeek V4在昇腾 950PR芯片上实现万亿参数模型国产化设备的
运行，中国在摆脱 CUDA依赖上迈出了关键一步。
开源生态的发展带来创新链的重塑。通过预训练底座免费化、微调工具链标准化和数据
要素公共化三者的结合，中小企业创新的技术门槛显著降低。例如，LLaMA Factory开源微
调框架目前已成为行业标准，支持 LoRA和 QLoRA等高效微调算法，在单卡消费级 GPU
即可完成专业模型训练。工具链的成熟使研发周期从数月缩短至数周。其中，最具代表性的
MiniMind项目，仅仅 3美元成本和 2小时即可从零训练 64M参数模型，完整覆盖预训练、
监督微调和强化学习全过程。
数据要素的可获得性同样成为开源赋能的重要支柱。2025年，医疗、交通、工业等领
域已形成超过 300个高质量行业数据集，为垂直场景模型提供丰富语料支持。复旦与北大推
[1] 参见，八部门关于印发《“人工智能+制造”专项行动实施意见》的通知[EB／OL]. .
8
出的MAP—CC中文预训练数据集拥有 800亿标记，显著提升了中文大模型的语义广度与对
话质量。在国家数据局的“数据要素×”行动推动下，企业数据不再是“孤岛”，而是创新生态
的公共基础设施。
开源生态的繁荣同时隐藏着算力和基础软件可能存在的系统性风险。全球约 500万
CUDA开发者中，中国有 150万，但 CUDA 的 Tile编程模型进一步强化了生态锁定效
应，企业若迁移至国产芯片将面临高昂的代码重构成本。华为昇腾、海光和寒武纪等芯片各
自拥有独立软件（CANN、DTK），因为接口标准没有统一，存在的“一芯一栈”碎片化问题
增加开发复杂度。虽然 DeepSeek V4实现了在昇腾 950PR上的完整国产化运行，验证了非
CUDA生态的可行性，但高性能芯片供应受制于出口管制，基础软件仍大量依赖 PyTorch
和 Linux等国外开源社区，一旦出现断供或协议变更，国内生态将面临重构风险。
结构性依赖的存在表明“开源不等于自主”。应用层的开放共享不能消除底层技术和治理
体系的外部约束。要实现生态可持续发展，必须在开源繁荣与自主安全之间建立技术和制度
的双重平衡：一方面继续推动国产算力软件的统一，降低跨平台迁移成本；另一方面强化底
层框架研发，逐步减少对国外生态的依赖。同时，在模型开源的同时，中国开源社区要实现
的是标准和协议的国产化和协同。
开源的安全合规和商业模式竞争
2025年以来，我国生成式服务的合规管理从原则引导走向实质实施阶段。算法备案已
成为生成式人工智能服务的刚性门槛，累计备案服务数量超过 796款。《生成式人工智能服
务管理暂行办法》和国家标准 GB/T 45654—2025确立了合规硬指标：训练数据不良信息比
例不得超过 5%，模型输出合格率需达到 90%。政策监管的重心从上线前的审批延伸到常态
化治理，企业如果未完成备案将面临下架和高额处罚风险，合规成为大模型企业的生存底线。
在开源生态中，国家标准的量化监管使“合规工程化”成为行业新常态，企业不再仅仅依
赖内部自查，而且需要构建覆盖数据采集、模型训练、内容输出的全生命周期合规体系。经
统计，2025年下半年以来行政处罚案例数量显著增长，罚款中位数升至 28万元，最高案例
达 500万元[1]。在典型事件中，电商平台因 AI生成含“最高级”等绝对化用语的广告文案被
罚款 45万元，金融公司因客服训练数据泄露被罚款 280万元，表明内容安全和数据隐私属
于高风险区。无论模型是开源还是闭源，提供服务的企业都需承担首要合规责任，遵循显著
标识制度，如在生成内容中明确标注“AI生成”字样，确保算法透明。
除了安全和数据问题，开源许可的结构性变迁重塑了产业规则。传统的 Apache 和
MIT许可证无法满足商业竞争的控制力，部分企业转向自拟许可和双重授权模式。通义千
问的 GitHub代码遵循 Apache ，模型权重则采用《通义千问许可协议》中的约束条件，
禁止大规模商业使用。“代码开放和权重受限”的混合开源策略在带来技术扩散生态效益的同
时，通过法律阈值保护开源企业的商业权益。在国外开源模型安全风险上升的条件下，为降
低地缘政治和供应链可能出现的不确定性，中国企业加快了国产算力和芯片的适配速度[2]。
[1]参见， 2026 AI 监管风暴：8 起行政处罚案例复盘与企业合规自救指南[EB/OL]. (2026-03-23)
[2026-05-15].
[2] 同济大学法学院. 开源大模型法律风险及防范[R]. .
9
在监管和许可双重约束条件下，企业必须在公共基础设施属性和商业竞争属性之间寻找
平衡。头部科技企业出现两种战略取向：一是强调提升智能密度的高价值；二是以开源低价
换生态发展。例如，智谱 AI通过持续突破智能密度上限构建 MaaS商业体系，2025年营收
亿元，API平台年度经常性收入达 17亿元，同比增长 60倍，价格上涨 83%之后的调用
量仍然出现增长态势[1]。这一模式成功的关键是以智能密度提升和词元调用规模决定模型价
值的上限。与之相比较，阿里和百度则以开源换生态为策略，通过 API降价 50%并提供免
费额度吸引开发者。DeepSeek则利用MoE架构将推理成本降至国际同类产品 10%。
API订阅以 Token计费、行业专属私有化部署和Agent平台成为大模型商业化三种方式。
与 API订阅相比，私有化部署单价高和交付重，是面向高敏感行业的标准方案[1]。同时，以
AutoGLM和 OpenClaw 为代表的新兴智能体平台则通过低代码接口拓展任务场景，形成新
的增长空间。差异化竞争在减少单纯价格战风险的同时，推动企业从模型供应商转变为智能
服务平台。
开源在促进创新的同时，带来了合规和竞争的冲突。一方面，开源降低了技术扩散门槛、
释放了中小企业和研究机构的创新活力；另一方面，头部科技企业通过数据垄断和智能密度
提升形成新的壁垒。随着智能密度驱动定价权逻辑被验证，人工智能大模型行业开始由参数
规模竞争转变为智能密度和效率竞争。因而，拥有工程创新能力的高价值企业构成开源模式
发展的基础。
高质量语料库和安全可信数据空间构建
数据资源是人工智能创新发展的基础性战略资源，其规模、质量和流通效率影响大模型
训练效果与产业应用深度。在国家数据局的统筹牵头下，我国将高质量语料库和数据集建设
纳入“数据要素×”和"人工智能+"行动的整体部署，从政策制度、基础设施和行业实践三个
维度系统推进，中文数据供给能力和质量显著提升，为我国人工智能大模型研发和深度应用
提供了关键支撑。2023年 12月，国家数据局等 17部门联合印发《“数据要素×”三年行动
计划（2024—2026年）》，明确提出“建设高质量语料库和基础科学数据集，支持开展人
工智能大模型开发和训练”，首次在国家层面将语料库建设纳入数据要素市场化配置的战略
框架。2024年 11月，国家数据局发布《可信数据空间发展行动计划（2024—2028年）》，
进一步提出在科技创新领域推动基础科学数据集、高质量语料库汇聚，强化可信流通机制。
同年 12月，国家数据局联合国家发改委等四部门印发《关于促进数据产业高质量发展的指
导意见》，首次从产业角度明确“支持企业面向人工智能应用创新，开发高质量数据集”。
2025年 8月，《国务院关于深入实施“人工智能+”行动的意见》进一步要求“加强数据供
给创新，持续加强人工智能高质量数据集建设”，标志着语料库与数据集建设从部门规划上
升为国家战略行动。
(1) 规模扩张与质量提升并行
在政策引导下，我国高质量数据集建设加快推进，供给能力持续增强、流通效率稳步提
升和标注产能明显提高。从供给规模看，截至 2026年 3月，全国已建设高质量数据集超过
10万个，数据总体量超 890PB。我国日均 Token的调用量，已经超过了 140万亿，相比 2024
[1] 参见，智谱上市后首份财报[EB/OL]. (2026-03-31).
10
年初的 1000亿增长了 1000多倍，相比 2025年底的 100万亿，三个月时间增长了超 40%。
截至 2025年上半年，各数据交易机构累计挂牌数据集 3364个，总规模达 246PB，高质量数
据集累计交易额已达 40亿元。以北京国际大数据交易所为例，高质量数据集占平台交易总
量的比例已从初期的 10%提升至近 80%，数据集正逐步成为数据交易的主流标的。上海、
天津、安徽等地积极探索“数据语料作价入股”等新型流通模式，推动数据资产化进程。
从标注产能看，2024年 4月全国数据工作会议首次提出“探索建设数据标注基地”，由
国家数据局统筹布局，国家数据局布局建设成都、沈阳、合肥、长沙、海口、保定和大同 7
个国家级数据标注基地。截至 2025年 3月，总标注规模达 17282TB，已形成行业高质量数
据集 335个，从业人员 万人。这些基地聚焦自动驾驶、医疗健康、智能制造等重点领域，
建立了覆盖数据采集、清洗、标注和质检在内的全流程标准体系，显著提升了行业数据的可
用性和标注精度。2025年 7月，北京（国际）数据标注基地启动建设。到 2025年 9月底，
全国 7个基地集聚标注企业 362家，从业人员增至 万人，带动相关产值 163亿元。2025
年 11月，沈阳、保定等 7个国家级数据标注基地已建成数据集 524个，规模超 29PB，服务
大模型 163个。2025年 11月，沈阳市发布国内首个《数据标注技术创新指导意见》，联合
120余家企业组建产业集团与联盟。
从语料库结构看，中文数据供给能力持续改善。据国家数据局监测，当前国内多数大模
型训练使用的中文数据占比已达到 60%—80%，中文语料在模型训练中的基础性地位进一步
加强。与此同时，多模态数据集建设同步推进，图像、视频、语音等非结构化数据的开发利
用加速，2025年非结构化数据利用率已从 2024年的 10%提升至 20%，仍有 80%具备开发潜
力。
(2) 多元主体协同共建格局初步形成
在政策引导和市场需求双重驱动下，我国语料库建设形成了“国家队引领、地方队支撑、
企业与科研机构协同”的多元共建格局，涌现出一批具有示范意义的典型案例。人民网“主
流价值语料库”是国家数据局 2025年发布的高质量数据集典型案例之一。该语料库已入库
3000多万篇基础语料、31万对问答语料、500多万对图文语料，覆盖时政、经济、文化、
社会等多个领域，在国内多家主流大模型研发机构得到实际应用。其突出特点是强调内容安
全和价值导向，为构建符合中国语境的大模型提供了高质量、可信赖的语料支撑。
北京人工智能数据训练基地是全国首个人工智能数据训练基地，已建成并投入使用，为
区域大模型研发提供了重要的数据基础设施支撑。与此同时，北京智源人工智能研究院发布
的中文互联网语料库 CCI 已对外开放，该语料库规模达 35TB，其中中文数据 4300GB，
涵盖 4亿条逆向合成数据，经清洗后形成 4250亿 token的高质量训练语料，为国内大模型
厂商提供了可公开获取的大规模中文语料资源。
杭州国家语料库由杭州数据集团发布，作为国家数据基础设施建设先行先试项目，旨在
构建面向多行业、多模态的综合性语料资源平台。此外，上海人工智能实验室联合发布的“万
卷·丝路 ”多语言语料库，覆盖多模态数据，为跨境应用场景和“一带一路”沿线语言模
型训练提供了基础资源。
11
我国语料库建设正从单一文本数据向多模态、多语言、多领域拓展，从静态存储向动态
运营和合规流通延伸。语料库和高质量数据集建设是中国智能经济发展的重要支撑。
(3) 从规模扩张向质量提升的转变
尽管我国语料库与数据集建设取得显著进展，但仍面临结构性挑战。一是高质量语料结
构性供给压力加大。若仅依赖现有开源资源，其可持续供给将面临严峻挑战，数据资源的精
细化运营与再生能力亟待提升；二是中文开源高质量语料在规模上与英文仍存在一定差距，
且面临内容同质化、价值导向单一等问题，制约了模型的泛化能力和文化适应性；三是公共
语料库建设仍处于起步阶段，数据源分散、统一协调机制缺乏，跨机构、跨行业的数据汇聚
与共享机制尚不完善。
未来发展趋势呈现三个方向。第一，从量的积累转向质的提升。语料库建设将从追求规
模扩张转向精细化标注、专业领域深耕和多模态融合，行业专用数据集和领域知识库将成为
重点建设方向；第二，合成数据将发挥越来越重要的作用。根据 Gartner等机构的预测，到
2030年合成数据将成为人工智能模型使用数据的主要来源。合成数据能够在保护隐私的前
提下快速扩充训练数据规模，缓解真实数据供给压力；第三，国家级语料资源体系加速成型。
按照“1个综合平台+X个垂类行业语料库”架构，国家级语料库运营平台正在推进建设，
加速构建覆盖基础科学、工业制造、医疗健康、金融科技等重点领域的分层分类语料资源体
系。
我国高质量语料库和高质量数据集建设进入政策体系化推进、建设规模化落地、参与主
体多元化的发展新阶段。中文数据供给能力显著增强，数据流通机制持续创新，为人工智能
技术创新和产业深度应用奠定了坚实的数据基础。面向未来，需在扩大高质量语料供给、完
善公共数据汇聚机制、推动多模态数据开发利用等方面持续发力，加快构建适应智能经济新
形态要求的数据要素体系。
大模型发展态势与格局
大模型前沿技术进展
2025 年以来，全球大模型技术发展呈现出由单一参数规模竞赛转向性能、效率、可靠
性和场景适配性并重的技术演进趋势，海外头部厂商在通用大模型性能上保持领先地位，中
国厂商则在开源生态、推理能力和工程化落地等维度实现快速追赶，部分领域已呈并跑态势。
OpenAI 于 2026 年 5 月全量上线 模型，并正式将其设为 ChatGPT 官方
默认模型。 系列覆盖旗舰版和轻量化版本两大产品线，旗舰版总参数规模达 万
亿，原生支持百万级超长上下文窗口，核心参数规模和国产 DeepSeekV4Pro 模型处于同一梯
队。其中，Instant 轻量化版本聚焦低延迟、高可靠场景深度优化，核心优势集中于低幻觉
生成、高精准指令遵循，回复内容更简洁严谨，在医疗、法律、金融等高合规专业领域的幻
觉率较上一代版本下降约 %。
与此同时，国际头部厂商持续推动多模态理解、数理推理与长程任务能力的迭代升级。
谷歌于 2025 年 11 月发布的 Gemini3Pro 模型，在多模态、STEM 领域与智能体任务中实现标
杆式突破，其在 MMMU-Pro 多模态理解基准测试中得分达 81%，MMLU 科学子集 STEM 能力测试
得分达 %，并通过 AntigravityIDE 深度集成实现端到端的代码开发与智能体任务闭环，
12
成为海外多模态大模型的核心标杆产品。
依托政策驱动与场景落地优势，我国大模型在算法架构领域实现了一系列工程化突破与
系统优化，在 MoE 架构优化、长上下文注意力机制革新、多模态原生架构、大规模训练体系
优化等核心方向形成差异化竞争优势，深度适配“人工智能+”行动的实体经济落地需求。
混合专家（MoE）架构深度优化。2026 年 4 月 24 日新发布 DeepSeekV4 系列采用新一代
混合专家架构，其中 Pro 版总参数规模达 万亿、单 Token 激活参数 490 亿（49B），Flash
版总参数规模 2840 亿（284B）、单 Token 激活参数 130 亿（13B）。通过自研动态稀疏门控
技术，实现超大参数模型的极致高效推理，单 Token 推理计算量降至前代模型的 27%，显存
占用仅为前代的10%。同时，其MoE门控机制采用改进型路由网络，通过流形约束超连接（mHC）
技术大幅提升大规模 MoE 模型的训练稳定性，解决了传统 MoE 架构负载不均衡、训练易发散
的行业痛点。
长上下文注意力机制原创革新。DeepSeekV4 首创 CSA（压缩稀疏注意力）和 HCA（重压
缩注意力）的混合注意力架构，有效突破传统 Transformer 自注意力机制的二次方复杂度瓶
颈。其中，CSA（压缩稀疏注意力）将每 4 个 Token 的 KV 缓存合并为 1 条语义摘要，每个
Query 仅关注相关性最高的 Top-K 条摘要；HCA（重压缩注意力）进一步将每 128 个 Token
压缩为 1 条全局摘要，对核心摘要执行稠密计算。该原创架构使模型在百万 Token 超长上下
文场景下，单 Token 推理 FLOPs 降至 的 27%，KV 缓存显存占用仅为前代的
10%，首次实现百万级上下文能力的普惠化落地。
多模态原生统一架构实现核心突破。商汤科技于 2026 年 4 月 28 日发布并全面开源日日
新 SenseNovaU1 系列原生理解生成统一模型，彻底摒弃传统多模态模型“独立视觉编码器+
语言大模型”的拼接式架构，将文本、图像等多模态信息纳入统一表征空间直接建模，大幅
降低跨模态信息损耗，实现了更快的响应速度与更稳定的生成效果。该模型采用混合
Transformer（MoT）核心设计，通过自研动态跨模态注意力机制，可根据输入模态类型自动
调整权重分配，显著减少冗余计算，跨模态理解与生成能力实现跨越式提升。
大规模训练与数据体系优化持续深化。在训练优化器层面，DeepSeekV4 全面采用 Muon
子优化器替代传统 AdamW 优化器，通过改进型梯度压缩与动量更新策略，模型训练效率提升
30%，可稳定支撑万亿参数模型的大规模分布式训练；2025 年 11 月发布的相关理论研究成
果验证，Muon 子优化器在 L2 正则化条件下的收敛速度较 AdamW 优化器提升 倍，为超大
模型的高效训练提供了坚实的理论支撑。在训练数据体系层面，优必选通过真实工业场景数
据与高保真虚拟生成数据的协同迭代，构建了闭环“AI 数据飞轮体系”，实现模型训练有
效数据量提升 10 倍，数据采集成本降低 70%，不仅显著提升了垂直场景模型性能，更为大
模型的持续迭代进化构建了可持续的数据底座。
我国大模型产业在国产算力适配、自主生态构建与集群性能提升方面取得突破性进展，
彻底打破了海外算力生态的垄断壁垒，为大模型自主可控发展筑牢了算力底座。2026 年 4
月 24 日，DeepSeekV4 系列大模型正式发布并开源，同步完成华为昇腾、寒武纪、海光信息、
摩尔线程、百度昆仑芯等八家国产芯片厂商的 Day0 原生适配，实现模型发布当日即完成全
量国产芯片平台的流畅运行。这一突破性进展，标志着我国 AI 产业正式完成从“跟随式 CUDA
13
生态兼容”到“全栈自主软硬件生态构建”的战略跨越，构建了国产大模型与国产算力芯片
协同发展的全新产业格局。
我国生成式人工智能服务备案现状
本部分基于截至 2025 年 12 月 31 日的生成式人工智能服务备案全量数据，从时间演
进、产品类型、区域分布、应用领域四大维度，对我国生成式人工智能产业的发展格局与演
进趋势进行系统性分析，全面呈现备案主体与产品的属性特征，为产业发展研判提供量化数
据支撑与趋势洞察。
(1) 进入加速扩容期，年内备案保持高位平稳
截至 2025 年 12 月 31 日，国内累计已有 748 款生成式人工智能服务完成备案，435 款
生成式人工智能应用或功能完成登记。其中，2025 年全年新增完成备案的生成式人工智能
服务达 446 款，新增完成登记的服务达 330 款；年度新增备案数量较 2024 年的 240 款同比
增速超85%，2025年新增备案量占累计总备案量的比重达%，我国生成式AI产业在2025
年进入规模化落地与合规化发展的全面加速期。
从 2025 年年内备案节奏来看，月度新增备案始终保持高位运行，产业扩容节奏平稳有
序，市场主体参与热情持续高涨。其中 2025 年 1-3 月国家网信办新增备案生成式人工智能
服务 106 款，4-6 月，国家网信办新增备案生成式人工智能服务 93 款；7-8 月新增 99 款，
创下年内备案数量峰值；9-10 月新增 73 款，11-12 月新增 75 款备案，虽略有回落但仍维持
较高规模。新增全年备案节奏整体呈现“稳步冲高、高位平稳”的特征，无大幅波动，反映
出我国生成式 AI 产业供给能力持续增强，产业发展已进入常态化、规范化的稳步扩容阶段。
图 2 生成式人工智能服务的备案时间分布
(2) 产业重心向场景落地深度倾斜
从全量备案产品的类型结构来看，已备案的生成式人工智能服务可划分为通用大模型、
行业大模型、垂类大模型三大类型。截至 2025 年 12 月 31 日，全量备案产品中，行业大模
型的数量最多，达到 460 款，占比为 %，在三类产品中占据主导地位；垂类大模型数
14
量 165 款，占比 %；通用大模型数量 123 款，占比 %。目前整体形成“行业大模
型为主体、垂类大模型为补充、通用大模型为基础”的发展格局，与“人工智能 +”国家战
略的落地节奏高度契合。
从不同类型产品的备案时间演进规律来看，行业大模型成为备案增长的核心驱动力，通
用大模型备案热度回落，垂类大模型保持稳步增长态势，清晰反映出我国生成式 AI 产业发
展重心，已从通用底座技术研发向行业场景深度落地全面转移。
图 3 已备案生成式人工智能服务的类型分布
从不同类型的生成式人工智能服务备案时间分布来看，三类模型呈现出显著差异化的发
展态势，行业大模型和垂类大模型的备案数量总体呈现上升趋势，形成产业赛道分化格局。
行业大模型进入爆发式增长阶段。2025 年新增备案的行业大模型占全年新增备案总量
的比重超 75%，年度累计占比从 2024 年的 %大幅攀升至 %。反映出生成式 AI 与
实体经济的融合持续深化，产业发展已从通用技术研发，全面进入行业场景规模化落地的核
心阶段。
垂类大模型保持稳步增长态势。2025 年垂类大模型备案量较 2024 年新增 79 款，累计
占比从 2024 年的 %小幅提升至 %，整体保持平稳增长，在垂直细分场景的深度适
配能力持续增强，成为行业大模型之外，生成式 AI 落地细分场景的重要载体。
通用大模型备案热度持续回落。继 2024 年之后，通用大模型备案数量延续波动下降趋
势，2025 年新增备案数量仅占全年新增备案总量的 %，累计占比从 2024 年的 %回落
至 %。这一趋势反映出通用大模型赛道的市场格局已逐步固化，头部企业技术壁垒持续
强化，市场主体的竞争重心已从通用底座研发，全面转向行业场景的差异化创新。
15
图 4 不同类型的生成式人工智能服务备案时间分布
(3) 向核心城市圈集聚，区域差异化发展格局凸显
从备案主体的属地分布来看，我国生成式 AI 产业呈现出显著的空间集聚特征，核心资
源与创新能力高度集中于长三角、京津冀、珠三角三大都市圈，同时区域间差异化发展格局
逐步形成，中西部地区产业规模稳步扩容，整体呈现“核心引领、多点扩散”的空间演进规
律。
从都市圈维度看，长三角、京津冀、珠三角三大都市圈合计占全量备案总量的 %，
构成我国生成式 AI 产业发展的核心增长极。其中，长三角地区占比最高，达 %；京津
冀地区紧随其后，占比 %；珠三角地区占比 %；川渝地区占比 %；其余地区
合计占比 %，较 2024 年占比显著提升，反映出生成式 AI 产业正从核心城市向全国范
围逐步扩散，产业普惠化发展态势显现。
图 5 已备案生成式人工智服务在全国都市圈的分布
16
不同区域在通用模型、行业模型和垂类模型上的分布存在明显差异。长三角在行业模型
（%）和垂类模型（%）上占比均最高，通用模型占 %；京津冀在通用模型（%）
和行业模型（%）上较为突出，垂类模型占 %；珠三角通用模型、行业模型和垂类
模型的占比分别为 %、%和 %，川渝在各类模型上占比较低。
图 6 不同类型的已备案生成式人工智服务在全国都市圈的分布
从省级行政区维度看（如图 7所示），已备案生成式人工智能服务高度集中于头部省市，
北京市、上海市、广东省、江苏省、浙江省五省市合计占全量备案总量的 %，产业集
聚效应极为显著。其中，北京市占比最高，达 %，稳居全国首位；上海市占比 %，
位列第二；广东省占比 %，排名第三，备案主体主要集中于深圳市与广州市；江苏省
占比 %，排名第四，主体集中于南京市，较 2024 年实现快速增长；浙江省占比 %，
排名第五，主体集中于杭州市。其余省市备案量占比均低于 4%，整体呈现出头部省市高度
集聚、其余省市稳步跟进的发展格局。
从城市维度看（如图 8所示），头部城市的集聚效应尤为突出，同时产业集中度较 2024
年有所下滑，“核心引领、多点扩散”的态势进一步强化。北京市与上海市两大城市合计占
全量备案总量的近 50%，其中北京市占比 %、上海市占比 %，是我国生成式 AI 产
业创新的两大核心枢纽；广州市以 %的占比位列第三，杭州市 %排名第四，深圳市
%排名第五；前五大城市备案数量合计占比超 70%，但较 2024 年集中度有所下滑，反映
出生成式 AI 产业正从一线核心城市向新一线城市、二线城市逐步辐射，全国化产业布局加
速形成。
17
图 7 已备案生成式人工智能服务的属地分布（省份）
图 8 已备案生成式人工智能服务的属地分布（城市）前 20
18
(4) 与实体经济融合持续深化
从备案产品的应用领域来看，我国生成式 AI 的应用场景已覆盖国民经济的主要行业门
类，整体呈现“内容生成领域率先成熟、实体经济领域加速渗透、民生服务领域稳步拓展”
的特征，与“人工智能+”行动重点推进方向高度契合，应用边界持续拓展，产业融合深度
不断提升。
全量备案产品中，除通用领域外，内容生成优化与推荐领域占比最高，达 %，是
当前生成式 AI 应用最成熟、落地最广泛的赛道；教育领域占比 %，企业智能化管理领
域占比 %，两大领域并列第二；工业与智能制造领域占比 %，排名跃升至第四位；
汽车交通与物流领域占比 %，与工业与智能制造领域并列第四。此外，电商客服与智能
营销、政务与公共事业、生活服务、科研与技术服务、网络安全与安防、金融、医疗健康等
领域均有广泛布局，生成式 AI 的全行业渗透格局已初步形成。
图 9 已备案生成式人工智能服务的行业领域分布
从年度增长维度来看，2025 年除通用领域外，各细分领域备案数量均实现较高幅度增
长，实体经济相关领域成为增长核心亮点，产业融合深度持续提升。工业与智能制造领域实
现跨越式增长，成为 2025 年增速最快的赛道。生成式 AI 与制造业的融合进入加速期，智能
制造成为生成式 AI 落地实体经济的核心方向，与国家新型工业化发展战略形成深度协同。
此外，企业服务与民生服务领域保持高速增长。企业智能化管理、教育、汽车交通与物
流领域 2025 年新增备案占比分别达 %、%、%，较 2024 年实现数倍增长，成为
19
生成式 AI 落地的核心赛道，大模型在产业降本增效、服务升级层面的价值持续释放。
图 10 不同领域的已备案生成式人工智能服务的时间分布
算力基础设施建设现状
全国算力网络
在“十四五”迈向“十五五”的关键阶段，算力中心的战略定位已发生根本性变化。截
至 2024 年上半年，国内已经建设和正在建设的智算中心超过 250 个。截至 2025 年底，中国
已建成万卡级智算集群 42 个（如表 1所示），智能算力总规模超过 1590 EFLOPS[1]，算力基
础设施发展正处于从“物理堆砌”向“网络化调度与服务化运营”转型的关键时期。《国家
数据基础设施建设指引》和 2026 年政府工作报告明确提出要实施“超大规模智算集群”“算
电协同”等新基建工程，算力设施被同时纳入信息基础设施与融合基础设施范畴，确立为数
字中国建设的核心底座和国家级战略资源。算力的重要性已与水、电、网络并列，不仅支撑
海量数据的采集、传输与处理，更成为人工智能、大模型、工业互联网、车路协同等新型基
础设施的驱动引擎。
[1]
20
表 1 部分万卡智算集群情况
集群名称 地点 特点/规模
深圳智能算力集群 广东深圳 14000P，全国首个万卡级全栈自主可控智算集群
国家超算互联网核心节点 河南郑州
超 3 万卡国产 AI 算力，部署 3 套曙光 scaleX 万
卡超集群
中国移动智算中心（哈尔
滨）
哈尔滨 万张 AI 加速卡可提供算力
中国移动智算中心（呼和
浩特）
内蒙古呼和浩
特
约 2 万张 AI 加速卡，智能算力规模高达
EFLOPS
中国电信京津冀/长三角
万卡池
京津冀、长三角 全液冷万卡池
中国联通上海临港万卡智
算中心
上海临港 全液冷国产超万卡智算集群
中国联通呼和浩特智算中
心
呼和浩特 万卡级智算中心
百度昆仑芯三代万卡集群 未公开披露 自研万卡集群
黎明智算中心项目 上海
2025 年 7 月，浦发集团与上海仪电、智谱寰宇共
同宣布，正式启动人工智能新型基础设施建设合
作，协同推进浦东新区首个万卡算力集群
阿里云灵骏智算集群 多地 万卡规模，支撑双 11 及通义千问
深圳（东部）人工智能产
业公共服务平台
深圳龙岗
2026 年 3 月正式点亮，是中国首个使用全国产先
进芯片构建的万卡级全栈自主可控智算集群
新疆疆算万卡枢纽型智算
中心
新疆 2025 年 7 月招投标
华能德衡绿能算力中心 青海海南州
部署高性能 GPU 万卡算力集群，东数西算西部核
心节点
“真武”万卡智算集群 粤港澳大湾区
2026 年 4 月 3 日上线，由中国电信广东公司与阿
里云智能集团联合打造
数据来源：网络公开资料整理，2026
中国算力空间格局的重构以“东数西算”工程为标志，超过七成新增算力集中在内蒙古、
宁夏、贵州、甘肃、四川等西部地区，改变了算力设施长期过度集中于东部沿海一线城市的
局面。低电价和良好的绿电基础成为西部崛起的关键支撑，这种能源成本优势叠加国家政策
导向，使西部成为后台算力和绿色算力的重要承载地，促进了算力供给与能源禀赋的空间匹
配，为“全国一体化算力网”建设奠定了地理基础。
表 2 东数西算主要枢纽与集群特征对比
枢纽类型 典型集群 主要功能定位 区域特征与政策优势
东部枢纽
（需求侧）
张家口、芜湖、
韶关、天府等
支撑实时交易、工业互联
网、城市治理与前端交互
业务集聚、时延敏感，依托
骨干网络与高端应用生态
西部枢纽
（供给侧）
和林格尔、贵安、
庆阳、中卫
承接离线分析、大模型训
练、海量存储
高时延信息处理、风光水能
丰富、电价低、气候冷凉、
政策倾斜
资料来源：网络公开资料整理，2026
21
此外，地方政府围绕“土地、电价、税收”三项核心要素，构建起多维政策工具组合，
形成了具有显著吸引力的成本洼地。宁夏发展改革委发布《宁夏回族自治区绿电直连实施方
案》，创新绿电供应体系。东部发达地区在算力布局中已实现从建设主体向调度中枢与应用
高地的角色转变。在地价与能耗制约趋紧的背景下，北京、上海、深圳、杭州、广州等城市
通过政策创新、技术架构升级和跨区域协同，形成了以低时延、高可靠性服务为核心的前端
节点体系。其共同目标是维持算力服务能力并在全国算力网络中发挥牵引作用，实现“前端
敏捷感知、后台高效承载”的一体化运行格局。
智算芯片
算力网络的物理布局与传输效率，决定了算力资源的空间配置效率；而算力网络的供给
基础，则取决于智算芯片的产能规模与产业生态的成熟度。当前，智算芯片的竞争已从单纯
的硬件性能比拼，演变为涵盖架构适配、软件生态、技术协同的系统性工程。围绕芯片设计、
制造与应用全链条的技术合作关系，正逐步构建起我国智算领域的创新生态系统。本节从智
算芯片企业的技术合作网络入手，对当前创新生态的格局与特征进行分析。
(1) 价值网络的结构
本报告选择 52 家中国典型智算芯片企业作为样本，将其技术合作关系数据输入 Gephi
社会网络分析软件，得到智算芯片企业簇群价值网络图，如图 11 所示。由表 3统计
数据可知，该网络包含 52 个样本节点和 2245 个关系节点。网络总边数为 4338 条，整体平
均度为 。价值网络的结构性统计指标表明，中国智算芯片价值网络具小世界网络典型
特征。
图 11 智算芯片价值网络拓扑结构
22
表 3 智算芯片企业簇群价值网络结构性统计指标
样本节
点
关系节
点
总边
数
平均
度
网络直
径
图密
度
平均聚类
系数
平均路径
长度
模块化
52 2245 4338 10
图 12 列出了智算芯片价值网络度数中心度排名前 30 的样本节点，包括华为昇腾、摩尔
线程、沐曦、海光信息、壁仞科技等芯片设计企业，同时包括本源量子、图灵量子等量子计
算企业，以及芯原微、瀚博半导体、芯动科技等半导体相关企业。其中，华为昇腾的度数中
心度远高于其他企业，以绝对优势位居首位。
图 12 智算芯片价值网络度数中心度排名前 30 的样本节点
从关系节点的类型看，主要包括企业、高校、科研院所、数据与算力中心、协会与产业
联盟、开源社区和政府，统计数据如图 13 所示。其中，企业占比高达 %，远高于其他
类型节点，处于绝对主导地位；高校（%）和科研院所（%）次之；数据与算力中心
（%）、协会与产业联盟（%）、开源社区（%）和政府（%）所占比例相对
较小。这反映出在智算芯片的价值网络中，企业是核心参与主体，同时高校、科研院所、数
据与算力中心、协会与产业联盟、开源社区、政府等多元创新主体共同推动，形成了多元协
作的创新生态。
23
图 13 智算芯片价值网络关系节点类型分布
从度数中心度排名前 30 的关系节点来看，包括 DeepSeek、百度飞桨、通义千问、商汤
科技等人工智能技术与平台服务商，同时包括中国移动、中国电信、麒麟软件、浪潮信息等
通信与信息技术企业，以及清华大学、上海交通大学、浙江大学等高校和中国信通院等科研
机构。其中，DeepSeek 的度数中心度远高于其他机构，位居首位。
图 14 智算芯片价值网络度数中心度排名前 30 的关系节点
(2) 技术合作关系
图 15 为智算芯片价值网络技术输入与技术赋能占比情况，以技术赋能为主，占比达到
%，技术输入占比为 %。
24
图 15 智算芯片价值网络技术输入与技术赋能占比情况
表 4 智算芯片价值网络技术输入排名前 15 的样本节点和关系节点
样本节点 技术输入 关系节点 技术输入
华为昇腾 97 deepseek 30
沐曦 96 百度飞桨 19
摩尔线程 92 通义千问 19
燧原 80 中国移动 18
海光信息 73 智谱华章 16
天数智芯 66 麒麟软件 14
壁仞科技 66
众智 FlagOS 社
区
12
寒武纪 48
中国移动 OISA
协同创新平台
12
昆仑芯 42 龙蜥社区 12
算能 38 新华三 12
云天励飞 35 浪潮 12
太初元碁 34 科华数据 12
平头哥 30
北京智源人工
智能研究院
11
清微智能 29 上海交通大学 11
登临 28 联想 11
鲲云科技 27 清华大学 10
芯原微 23 商汤科技 10
图灵量子 23 第四范式 9
希姆计算 23 之江实验室 9
玻色量子 22
中国电信智算
测试与适配优
化中心
9
25
表 4 列出了智算芯片价值网络技术输入排名前 15 的样本节点和关系节点。排名靠前的
样本节点主要是华为昇腾、沐曦、摩尔线程、燧原、海光信息、天数智芯、壁仞科技、寒武
纪、昆仑芯、算能、云天励飞、太初元基、平头哥、清微智能、登临。技术输入排名靠前的
关系节点则涵盖了多种类型，以 DeepSeek、百度飞桨、通义千问、智谱华章为代表的人工
智能大模型厂商；以中国移动、中国电信为代表的通信运营商；以麒麟软件、众智 FlagOS
社区、龙蜥社区为代表的开源社区与操作系统企业；以新华三、浪潮、科华数据为代表的硬
件与基础设施服务商；以及清华大学、上海交通大学、北京智源人工智能研究院、之江实验
室等高校及科研机构。
表 5 展示了智算芯片价值网络技术赋能排名前 15 的样本节点与关系节点。样本节点按
技术赋能由高到低依次为：华为昇腾、摩尔线程、燧原、海光信息、沐曦、算能、天数智芯、
寒武纪、壁仞科技、昆仑芯、云天励飞、太初元基、平头哥、鲲云科技、清微智能。关系节
点技术赋能排名靠前的是百度飞桨、台积电、麒麟软件等。
表 5 智算芯片价值网络技术赋能排名前 15 的样本节点和关系节点
样本节点 技术赋能 关系节点 技术赋能
华为昇腾 787 百度飞桨 19
摩尔线程 214 台积电 15
燧原 174 麒麟软件 14
海光信息 156 中国移动 13
沐曦 144 众智 FlagOS 社区 12
算能 137
中国移动
OISA 协同创新平台
12
天数智芯 129 龙蜥社区 12
寒武纪 122 清华大学 12
壁仞科技 120 deepseek 10
昆仑芯 87 北京智源人工智能研究院 10
云天励飞 74 第四范式 9
太初元碁 72 之江实验室 9
平头哥 65
中国电信
智算测试与适配优化中心
9
鲲云科技 63 无问芯穹 9
清微智能 55 商汤科技 8
登临 55 澎峰科技 8
芯原微 47 统信软件 8
瀚博半导体 47 上海交通大学 7
芯瞳半导体 46 天翼云 7
玻色量子 43 浙江大学 7
人才
我国人工智能产业已迈入规模化落地、全域赋能的战略纵深推进期，国家统筹顶层设计、
26
地方引才竞相发力、校企深化育人改革，同步完善引才、育才、用才、留才闭环机制，全方
位构建起覆盖基础教育、高等教研、职业实训、社会赋能的全链条人工智能人才培育生态，
有效适配人工智能应用产业刚需，逐步破解人才结构性失衡难题，筑牢我国人工智能领域高
质量发展的人才根基。
政策支撑：构筑人工智能人才发展的制度底座
近年来，我国人工智能人才政策呈现出顶层设计持续加码、多部门协同发力的演进特征。
2017 年《新一代人工智能发展规划》将高端 AI 人才培养列为战略重点，提出“人工智能+X”
复合培养模式
[1]
。2020 年，教育部等多部门联合印发《关于“双一流”建设高校促进学科融
合加快人工智能领域研究生培养的若干意见》，推动顶尖高校构建高水平人才培养体系，推
动人工智能相关学科建设进入系统化布局阶段
[2]
。2024 年，人社部等九部门出台《加快数字
人才培育支撑数字经济发展行动方案（2024—2026 年）》，以数字技术工程师培育项目为
抓手，将人工智能、智能制造等列为重点职业方向，通过规范化培训、社会化评价与职称衔
接，打通数字人才自主培养与职业发展通道
[3]
。2025 年 8 月，国务院《关于深入实施“人工
智能+”行动的意见》进一步将人才战略提升至新高度，明确提出推进人工智能全学段教育
和全社会通识教育、超常规构建领军人才培养新模式、完善多元化评价体系等核心举措
[4]
。
2026 年 4 月，教育部等五部门印发《“人工智能+教育”行动计划》，支持构建纵向贯通大
中小学、横向联通学校教育与社会培训的 AI 全学段通识教育体系，实施高技能人才集群培
养计划和“双千”就业能力提升计划
[5]
。2026 年 4 月，教育部发布《普通高等学校本科专业
目录（2026 年）》，增设“交叉学科”门类，列入具身智能等新专业
[6]
。
整体而言，当前政策演进呈现出覆盖学段从高等教育下延至基础教育、上拓至终身教育，
形成全周期培养闭环，培养定位从单一技术型人才向复合型、领军型、应用型人才转变的趋
势。
区域布局：各地竞相打造人工智能人才集聚高地
从空间格局看，京津冀、长三角、粤港澳大湾区依托产业集聚与要素配置优势，汇聚了
全国绝大部分 AI 企业与高端人才，北京、上海、深圳、杭州在产业集聚指数与人才需求规
模两个维度均占据主导地位
[7]
。北京依托密集的高校院所与头部企业资源，在人才梯队的高
度、密度与结构完整度三个维度均形成显著优势。AI 学者总量达 万人，占全国约 30%，
且资本随人才流动，2025 年 AI 融资规模占全国超过四成。上海人工智能人才规模近 30 万
人，约占全国 1/3，凭借重点人才工程与优质科创资源，持续畅通高端人才引育渠道，形成
多层次人工智能人才梯队。杭州汇聚阿里巴巴、浙江大学、之江实验室等核心资源，AI 人
[1] 国务院关于印发新一代人工智能发展规划的通知（国发〔2017〕35号）
[2] 教育部 国家发展改革委财政部印发《关于“双一流”建设高校促进学科融合加快人工智能领域研究生
培养的若干意见》的通知（教研〔2020〕4号）
[3] 人力资源社会保障部 中共中央组织部 中央网信办 国家发展改革委 教育部 科技部 工业和信息化部
财政部 国家数据局关于印发《加快数字人才培育支撑数字经济发展行动方案（2024—2026年）》的通知
（人社部发〔2024〕37号）
[4] 国务院关于深入实施“人工智能+”行动的意见（国发〔2025〕11号）
[5] 教育部等五部门关于印发《“人工智能+教育”行动计划》的通知（教科信〔2026〕1号）
[6] 教育部关于公布《普通高等学校本科专业目录（2026年）》的通知（教高函〔2026〕2号）
[7] 数据来源于猎聘《2025人工智能行业人才供需趋势报告》
27
才储备与需求均居全国前列，人才吸引力和薪酬水平在长三角保持领先，以“西湖明珠工程”、
企业人才自主认定、赛会引才等机制为抓手，构建产学研协同的 AI 人才生态。深圳依托华
为、腾讯等龙头企业与强大的电子信息产业基础，以市场化高薪和产业应用优势为核心引力，
集聚了大量 AI 工程师与应用型人才，形成了全国领先的产业导向型人才梯队，并以“鹏城
优才”计划、顶尖人才直认、入户补贴等政策强化人才引育。2026 年 3 月，广东省在全国
率先出台《广东省支持人工智能 OPC 创新发展行动方案（2026-2028 年）》
[1]
，明确将港澳
及海外人工智能 OPC 人才纳入人才引进绿色通道，构建跨境复合型人才引育体系。天津依托
“海河英才”行动计划，将人工智能从业者纳入战略性新兴产业领军企业急需型人才认定范
畴。
相比之下，中西部地区对人工智能领域顶尖和领军人才的吸引力仍显不足，但区域中心
城市正加速追赶。2026 年 4 月，成都发布西部首个针对 AI 产业链人才的专项政策“卧龙九
条”，聚焦顶尖、领军、应用、高潜四类人才构建“4+5”发展生态。重庆依托“渝跃行动”
“百万英才兴重庆”等人才政策，加快引进 AI 创新团队和高端人才，数字技术工程师培育
规模居全国第一。合肥 AI 高层次人才近 2000 人、从业者超 4万人，近三年人才流入比例攀
升，在智能语音等特色领域形成人才集聚优势。武汉具有 33 所高校开设人工智能专业的科
教资源优势，2025 年为 AI 人才发展定制专项 7条政策，2026 年 3 月推出 AI 领域引才政策，
通过资金扶持、引才激励、安居保障招揽全球高端 AI 创新创业团队，打造光谷人工智能人
才高地。西安超 30 所高校开设人工智能相关专业，每年培养专业人才超 万名，其中约
70%毕业生愿意留在西安就业，有力支撑本地企业的 AI 发展。
供需态势：规模扩张与结构性缺口并存
当前我国 AI 人才市场呈现出总量扩张与结构性短缺并存的复杂图景。猎聘数据显示，
2024 年 3 月至 2025 年 2 月，人工智能行业整体平均年薪达 万元，算法工程师平均年
薪 万元，架构师高达 万元，核心技术岗位的薪酬水平显著超出行业均值，反映
出市场对高端技术人才的强烈渴求
[2]
。据智联招聘数据，2025 年前三季度人工智能行业职位
数呈现供需双增态势，招聘需求端同比增长 3%，求职人数同比增长 39%。其中，AI 产品经
理招聘同比增速高达 178%，算法工程师需求增长 80%，数据标注/AI 训练师需求增长 11%，
且中小微企业 AI 招聘职位数占总数的 80%以上
[3]
。
《全球人工智能科研态势报告（2015—2024）》显示，中国 AI 研究人员数量在 2024
年达到 万人，十年间年复合增长率为 %
[4]
。然而，总量的扩张并未缓解市场层面的
结构性短缺。据人社部测算，当前国内人工智能人才缺口超 500 万人，人才供给与岗位需求
之比约为 1：10，供需呈现失衡态势。另外，细分赛道中人工智能技术岗位的供需比是 1：
，机器人行业技术人才的供需比高达 1：，有大量的人才缺口。猎聘大数据研究院监
测显示，2024 年算法工程师、硬件工程师与数据建模岗位的人才紧缺指数分别为 、
[1] 广东省发展改革委关于印发《广东省支持人工智能 OPC创新发展行动方案（2026-2028年）》的通知（粤
发改高技〔2026〕78号）
[2] 数据来源于猎聘《2025人工智能行业人才供需趋势报告》
[3] 数据来源于智联招聘《2025年人工智能产业人才发展报告》
[4] 数据来源于《全球人工智能科研态势报告（2015—2024）》
28
和 ，均处于高度供不应求区间，反映了当前人才供给在质量维度上与产业升级需求仍
存在落差。
从人才画像看，AI 行业从业者呈现显著的年轻化与高学历特征。猎聘大数据显示，30
岁以下人员占比达 %，本科及以上学历者比例为 %，其中硕士与博士学历合计占
比约 %
[1]
。另外，2025 年上半年，国内 AI 技术人才毕业于 985/211 院校的人数占比为
%，海外院校毕业人才占比 %，硕博学历合计占比 %，专业背景高度集中于计
算机科学与技术、人工智能等相关专业
[2]
。这种“青年化+高学历”结构既体现了行业的技
术密集型属性，也折射出具备长期工程经验与跨学科整合能力的资深复合型人才供给相对不
足。
产学研融合：协同育人构建人工智能人才培养新生态
面对产业需求的快速迭代，我国 AI 人才培养正从专业设置走向学院化、体系化的系统
布局。目前全国已有 90 余所高校成立人工智能学院，例如，清华大学人工智能学院于 2024
年 4 月成立，由图灵奖得主姚期智院士领衔，聚焦“人工智能核心基础理论与架构”和“人
工智能+X”两大重点方向；上海交通大学人工智能学院于 2024 年 4 月揭牌，依托上海市及
上海人工智能实验室资源，构建从基础研究到产业落地的全链条创新体系；2024 年 6 月，
哈尔滨工业大学人工智能学院成立，发布“AI+先进技术领军班”；北京大学（深圳）科学
智能学院于 2025 年 4 月成立，采用“AI 导师+Science 导师”双导师制，依托粤港澳大湾区
产业资源深化战略合作。
我国正聚焦人工智能领域产学研协同育人关键环节，着力加快构建多元主体共育的人工
智能人才培养新生态，助力人工智能领域高质量人才供给。在协同育人实践中，龙头企业充
分发挥牵引带动作用，以深度嵌入人才培养过程为核心，通过共建产业学院和产教融合共同
体，实现课程、师资与平台的共建共享。科大讯飞联合上海交通大学、重庆城市职业学院等
百余所院校，发起成立全国人工智能行业产教融合共同体。部分企业则强调全程参与教学与
就业等环节，推动教学场景与生产实践的紧密衔接。华为与广东白云学院共建华为 ICT 学院，
通过校企双导师制与“基础实训—项目实战—顶岗实习”的全链条真实场景培养，教学融入
国产化适配、云原生应用开发、AI 技术场景落地等产业项目，同时依托华为生态企业资源
开通优先录用渠道，有效弥合高校教学与产业需求鸿沟。另外，将真实技术场景拆解为递进
式教学项目，可以使学生在解决实际问题过程中提升工程实践能力。南昌大学联动企业把真
实产线技术难题、项目案例转化为教学素材与实训工单，搭建校内 AI 实验室和校企实践基
地，将企业产线数据接入教学平台，引导学生全程参与技术实践，使其多项技术成果落地企
业。最后，区域层面的多元主体协同育人生态正在逐步构建，由地方政府、高校、产业园区
与科研院所联动共建区域性育人平台，整合各方资源形成育人合力。湖北人工智能学院联合
50 所高校及华为、百度等 30 余家 AI 企业，组建“高校+企业+研究院”三元协同联合体，
桂林学院人工智能学院则联合青果软件集团与桂林重点产业园区构建产教融合共同体，着力
推动教育链、人才链、产业链、创新链深度融合。
[1] 数据来源于猎聘《2025人工智能行业人才供需趋势报告》
[2] 数据来源于猎聘《2025AI技术人才供需洞察报告》
29
整体来看，我国正在构建适配“人工智能+”行动全域落地的人才培育生态，政策体系
逐步完善、区域布局持续优化、供给规模稳步扩大、培育模式呈现多元化趋势。后续需持续
深化产教融合、动态优化学科课程布局、加大高端人才专项引育力度、均衡区域人才资源配
置，着力缓解结构性人才缺口，进一步提升我国人工智能产业核心人才竞争力，为培育新质
生产力和打造智能经济新形态提供坚实的人才支撑
30
3.创新主体
作为巨复杂技术系统，人工智能创新是包括企业、政府、高校和科研院所在内的多元创
新主体协同创新的结果。多元创新主体的互动和合作，是推动人工智能深度应用和智能经济
发展的基本动力和机制。
人工智能企业
人工智能企业及其创新活动构成了智能科技产业发展的基础。通过对 4465 家人工智能核
心产业部门企业的技术合作关系数据进行分析，刻画和概括中国人工智能科技产业发展的微
观基础和内在结构。
人工智能企业价值网络的结构
把4465家人工智能核心产业部门企业的技术合作关系数据输入Gephi 社会网络分
析软件，得到人工智能企业簇群价值网络图，如图 16所示。从图 16和表 6的价值网络结构
统计指标看，人工智能企业簇群的价值网络是“极核状”的，即少数核心节点是产业发展的
主导者。
图 16 人工智能企业簇群价值网络图
表 6列出了 2014-2024年我国人工智能企业簇群价值网络的结构性指标的变动情况。与
2022年数据相比，2023年样本节点从 2200增加到 4311，关系节点由 28565增加到 31361，
关系节点个数增长 %，总边数由 83815增加到 91158，总边数增长 %。2024年样本
节点为 4465家，关系节点为 36510家，总边数为 112439。整个价值网络呈现出明显的极化
特征，即少数核心节点拥有大量的连接，而大部分节点则相对孤立。从平均聚类系数和平均
路径长度指标的变化来看，从平均路径长度越来越短和平均聚类系数越来越高的指标变化来
看，同样也反映出这一特点，价值网络的结构是“极核”状的。
31
表 6 2014-2024年价值网络结构性统计指标的动态变化
价值网络节点的度数中心度分布图（图 17）表明，20%的节点拥有网络中约 80%的链
接，即少数核心节点拥有较高的度数中心度。围绕着核心节点，周边分布着紧密联系的节点，
共同构成了企业簇群结构。
图 17 价值网络度数中心度幂律分布特征图
表 7列出了人工智能企业簇群价值网络度数中心度排名前二十的样本节点。包括华为、
腾讯、阿里巴巴、百度、京东、科大讯飞在内的人工智能开放创新平台是度数中心度排名前
列的企业。同时，包括中国移动、中国电信和中国联通在内的基础设施服务商同样是度数中
心度排名前列的关键节点。
年份
样本
节点
总数
关系
节点
总数
节点总
数
总边
数
平均
度
网络直
径
平均路径长
度
平均聚类系
数
2014 493 1480 1973 2602 15
2015 688 2169 2857 4007 15
2016 880 2669 3549 5370 15
2017 1238 4422 5660 9658 14
2018 1712 7569 9281 17889 13
2019 2088 11315 13403 28271 13
2020 2205 18697 20902 49781 13
2021 2200 22608 24808 63809 12
2022 2200 28565 30765 83815 12
2023 4311 31361 35672 91158 11
2024 4465 36510 40975 112439 11
32
表 7 度数中心度排名前二十的样本企业
样本企业 连入度 连出度 度数中心度 样本企业 连入度 连出度 度数中心度
华为 2690 5339 8029 中兴通讯 514 899 1413
腾讯 1090 2807 3897 华为云 282 720 1002
百度 805 2037 2842 腾讯云 367 632 999
中国移动 886 1437 2323 用友 222 744 966
京东 604 1642 2246 Deepseek 40 833 873
阿里巴巴 673 1468 2141 小米 411 366 777
阿里云 631 1417 2048 新华三 242 483 725
中国电信 649 1355 2004 智谱华章 188 441 629
科大讯飞 423 1200 1623 海康威视 208 415 623
中国联通 518 972 1490 海尔 246 254 500
表 8 列出了度数中心度排名前二十的关系节点。排名前二十的关系节点主要包括四类：
一是以清华大学、信通院、北京大学为代表的研究型大学和科研院所；二是以英特尔、微软、
英伟达、高通为代表的国外基础软硬件供应商；三是以上汽集团、吉利和中国一汽为代表的
产业智能化企业。
表 8 关系节点度数 TOP20
关系节点 连入度 连出度 度数中心度 关系节点 连入度 连出度 度数中心度
清华大学 276 279 555 高通 67 103 254
英特尔 158 199 357 复旦 76 75 242
信通院 187 166 353 吉利 115 31 241
微软 142 126 268 上汽 100 44 241
北京大学 122 116 238 北京航空航天大学 70 68 237
英伟达 94 136 230 IBM 59 58 213
浙江大学 100 103 203 华中科技大学 52 57 188
中科院 92 96 188 哈尔滨工业大学 49 56 182
上海交通大学 88 95 183 长城汽车 76 28 170
亚马逊 89 82 171 长安汽车 74 27 163
人工智能企业技术合作关系
（1）人工智能企业技术输入和技术赋能关系
从技术合作关系的类别来看，如图 18所示，%的技术合作关系为技术赋能，%
的技术合作关系为技术输入。其中，基础层的企业技术合作关系最多，占比高达 %。
应用层的企业技术合作关系次之，占比为 %。技术层的企业技术合作关系占比为 %。
33
图 18 不同层次样本企业技术合作关系分布
从技术合作关系的国内外占比来看，如图 19所示，无论是技术输入还是技术赋能，均
以国内技术合作为主，占比分别为 %和 %。从国外获取的技术输入占比为 %，
对国外的技术赋能占比为 %。
图 19 技术合作关系国内外占比分布
（2）人工智能企业技术合作关系节点度数中心度
表 9 是价值网络技术输入与技术赋能排名靠前的样本节点和关系节点。其中，技术输入
靠前的样本节点分别为华为、腾讯、中国移动、阿里巴巴、百度、中国电信和阿里云等。技
术输入靠前的关系节点分别有清华大学、信通院、英特尔、微软、北京大学等。技术赋能靠
前的样本节点分别为华为、腾讯、京东、阿里巴巴、百度、中国电信、中国移动等。技术赋
能靠前的关系节点分别为清华大学、英特尔、信通院、微软、北京大学、英伟达等。
34
表 9 价值网络技术输入排名前 20 的样本节点和关系节点
技术输入 技术赋能
样本节点
度数中
心度
关系节点
度数中心
度
样本节点
度数中
心度
关系节点
度数中
心度
华为 5235 清华大学 505 华为 10419 清华大学 487
腾讯 1931 信通院 381 腾讯 4915 英特尔 422
中国移动 1570 英特尔 295 百度 3579 信通院 327
百度 1429 微软 230 中国移动 2274 高通 291
中国电信 1161 上海汽车 218 京东 2253 英伟达 244
阿里巴巴 1001 北京大学 201 阿里云 2158 微软 210
阿里云 969 吉利控股 199 阿里巴巴 2088 北京大学 176
中国联通 957 浙江大学 184 中国电信 2027 浙江大学 166
中兴通讯 911 长安汽车 183 科大讯飞 1945 上海交通大学 151
京东 903 广汽集团 164 中国联通 1527 亚马逊 125
小米 728 高通 163 中兴通讯 1463 中国科学院 123
科大讯飞 655 上海交通大学 153 Deepseek 1163 复旦大学 116
腾讯云 494 英伟达 151 华为云 1038 北京航空航天大学 92
比亚迪 456 长城汽车 148 用友 967 联发科 92
华为云 367 亚马逊 129 腾讯云 835 地平线 87
新华三 359 工商银行 127 智谱华章 808 华中科技大学 85
海尔 355 复旦大学 125 新华三 691 哈尔滨工业大学 85
小鹏汽车 353 中国科学院 119 小米 586 上海汽车 78
用友 336 一汽 118 阿里巴巴 545 东南大学 77
蔚来汽车 331 建设银行 112 海康威视 510 IBM 77
(3) 人工智能企业技术体系与应用领域
中国人工智能科技产业技术体系包涵大数据和云计算、物联网、5G/6G、智能机器人、
智能芯片、自动驾驶、虚拟/增强现实、计算机视觉、光电技术、智能推荐、语音识别、区
块链、大模型、空间技术、生物识别、网络安全、自然语言处理、算力网络、人机交互、
操作系统、AI框架、知识图谱、多模态、具身智能在内的 24个技术类别。其中，大模型、
网络安全、算力网络、操作系统、AI框架、多模态、具身智能等技术类型是 2024年中国人
工智能产业应用比较活跃的技术类别
从技术合作关系数的占比看，排名第一的是大数据和云计算，占比 %；排名第二
的是物联网，占比 %；排名第三的是 5G/6G，占比 %；排名第四和第五的分别是智
能机器人和智能芯片，占比分别为 %和 %。
35
图 20 技术类别的技术合作密度分布
高校和科研院所
截至 2025年底，我国已有 80多所高校成立专门的人工智能学院，超过 600 所高校开
设人工智能相关本科专业。在教育部新增的 38种本科专业中，大多属于包含人工智能的交
叉方向。同时，在教育部 2026年新增的的 767个职业本科专业点中，人工智能工程技术是
新增专业点数量最多、布局最密的专业。本节通过专利和论文发表情况，刻画我国高校和
科研院所在人工智能创新中的贡献。
AI 领域专利授权和被引用情况
截至目前，我国已授权的人工智能相关专利总量约达 万件，专利权人超
万。
[1]
专利授权的分布呈现显著的头部集中特征：授权专利量达 10 件及以上的专利权人约
8000 位，达 100 件及以上的约 1100 位，而突破 1000 件的仅约 140 位，不同主体的专利产
出规模差距显著。
在 AI 专利授权量排名前 20 的高校及科研院所中，西安电子科技大学（5537 件）位居
首位；北京航空航天大学（5150 件）、清华大学（4695 件）、电子科技大学（4520 件）和
[1]本报告采集的 AI专利来源于国家知识产权局公布的数据，并依据《关键数字技术专利分类体系（2023）》
中的人工智能分支进行筛选。
36
浙江大学（4447 件）紧随其后，东南大学（4010 件）突破四千件，位列第六，构成第二梯
队；其余进入前 20 的单位包括上海交通大学、哈尔滨工业大学、华中科技大学、北京邮电
大学、电信科学技术研究院等，专利授权量从 3170 件递减至 1968 件。整体呈现头部集中、
理工科院校主导的特征。
图 21 中国 AI 领域专利授权数量排名前 20 的高校与科研院所
从专利被引用次数来看，专利被引次数排名前 20 的高校和科研院所如图 22 所示，其中
北京航空航天大学、西安电子科技大学、清华大学、浙江大学、电子科技大学分别位列前五，
专利被引用次数分别达到了 万、 万、 万、 万和 万。
37
图 22 中国 AI 领域专利被引用次数前 20 的高校与科研院所
AI 领域论文发表
(1) 总体情况
根据最新统计数据
[1]
，我国人工智能领域的学术论文发表量持续保持高速增长，如图 23
所示，近十年中国 AI 领域论文发表数量呈现持续增长态势。截至 2024 年，AI 领域论文总
量已超 62 万篇，参与发表的机构数量超 25 万
[2]
。论文产出的学科覆盖日益广泛，涵盖了计
算机科学、工程学、数学、神经科学以及 AI for Science 等交叉学科，充分显示出 AI 技术
作为通用目的技术的多领域渗透与基础支撑特征。具体来看，2015 年至 2024 年，高校发表
的 AI 论文数量从 21673 篇逐年攀升至 67858 篇，十年间增长超过两倍。
[1] 本报告所采集的 AI 论文，以教育部高校名单以及中国科学院、中国社会科学院、中国工程院为来源机构，
在中国知网中使用“篇关摘”字段，结合制定的 AI关键词进行检索，并获取所有可检索到的论文数据。
[2] 此处仅统计发表论文的第一单位，以二级学院或三级系所作为发表单位的，均归入学校层面进行统计。
38
图 23 近十年中国 AI 领域学术论文发表数量分布
(2) 头部排名
在AI领域论文发表量排名前20的高校与科研机构中，中国科学院以10859篇位居首位，
领先优势显著。上海交通大学（6636 篇）、清华大学（6056 篇）、浙江大学（5707 篇）、
武汉大学（5633 篇）、四川大学（5099 篇）均突破五千篇，构成第二梯队。同济大学、西
北工业大学等 14 所高校发表 AI 领域的论文量在 3400–4600 篇之间。整体呈现中国科学院
领先、头部高校集中的分布特征，且上榜机构以综合性高校和理工强校为主。
图 24 中国 AI 领域论文发表排名前 20 的高校与科研院所
39
政府
政策出台情况
2017 年至 2025 年，我国人工智能政策始终紧扣全球技术演进方向，呈现出由判别式人
工智能向生成式人工智能、再向高效智能与系统能力布局的阶段特征。在战略布局前瞻性、
技术路线完整性和产业体系协同性方面，整体走在全球前列。
2017 年至 2023 年，是围绕判别式人工智能展开布局的重要阶段。2017 年国务院印发《新
一代人工智能发展规划》，首次从国家战略层面对人工智能发展作出系统部署，形成了具有
前瞻性的顶层设计框架。在关键共性技术方面，重点围绕知识计算引擎、跨媒体分析推理、
群体智能、智能芯片、自然语言处理、自主无人系统等方向开展攻关。这一阶段的核心技术
逻辑，是依托我国海量数据资源、丰富应用场景和持续算法迭代，提升机器在“识别—判断
—决策”链条中的能力，为我国在计算机视觉、语音识别等领域建立国际竞争优势奠定了基
础。
2023 年至 2024 年，生成式人工智能进入爆发式发展阶段。以 为代表的生
成式大语言模型的推出，引发了人工智能技术范式的重大变革。以大语言模型、多模态模型
和智能体为代表的新技术体系迅速成为国际竞争焦点。我国政策体系对此快速响应，高度重
视生成式人工智能的健康发展和规范应用。2023 年 7 月，《生成式人工智能服务管理暂行
办法》出台，成为全球首个全面监管生成式人工智能的立法文件。在鼓励生成式人工智能创
新发展的同时，对生成式人工智能服务实行包容审慎和分类分级监管。
进入 2025 年，人工智能技术路线再次发生重要变化，从单纯追求参数规模转向更加重
视“智能密度”。以 DeepSeek 为代表的国产大模型通过混合专家（MoE）架构、稀疏注意力
机制等高效算法创新，实现了以更少算力、更低成本产出同等乃至更高质量的服务。2025
年 7 月发布《国务院关于深入实施“人工智能+”行动的意见》，要求以科技、产业、消费、
民生、治理、全球合作等领域为重点，深入实施“人工智能+”行动。低成本部署、产业可
落地性和实际经济社会价值成为政策核心导向。
对比美国 2025 年以来的政策动向，国家主导型人工智能战略布局特征愈发明显。2025
年 1 月，推出“星际之门计划”，重点强化算力基础设施、先进芯片和大模型生态布局；2025
年 7 月，发布《赢得竞赛：美国人工智能行动计划》，进一步将人工智能确立为维护全球领
导地位的核心战略；2025 年 11 月，推出“创世纪计划”，强化联邦政府在关键技术领域的
资源统筹权。整体来看，美国政策呈现出政府强力主导、资源高度集中、聚焦硬科技基础设
施的鲜明特点，强调通过大规模算力投入和科学智能体系建设维持技术领先优势。但相比之
下，其在应用场景拓展、产业协同推进等方面的部署明显滞后于中国。
我国人工智能政策的优势在于其前瞻性、系统性和协同性。从2017年的顶层设计到2025
年的“人工智能+”行动，逐步形成了覆盖技术研发、产业应用、场景开放、安全治理、国
际合作的全链条政策体系。在全球人工智能技术演进的重要节点上，我国能够实现前瞻布局、
快速响应和系统推进，进而为在新一轮全球人工智能竞争中巩固领先优势奠定了坚实制度基
础。
40
政策取向
当前，我国人工智能政策进入全面落地、深度融合、系统治理的阶段。2025 年以来，
国家层面密集出台了一系列重要政策文件，形成了以“十五五”规划纲要为中长期战略指引，
以《国务院关于深入实施“人工智能+”行动的意见》为行动指导，涵盖技术创新、产业发
展、融合应用、安全治理、国际合作，并延伸至数据要素、工业互联网等关键基础支撑领域
的政策体系。
表 10 国家人工智能及相关基础支撑政策汇总（）
分类 名称 时间 部门 领域
顶层
设计
《中华人民共和国国民经济和社会
发展第十五个五年规划纲要》
2026 年 3 月
13 日
国务院 总体战略
总体
方案
《国务院关于深入实施 “人工智能
+”行动的意见》
2025 年8月
26 日
国务院
“人工智
能+”行动
《数字中国建设 2025 年行动方案》 2025 年 5 月 国家数据局
数字中国
建设
领域
应用
《关于“人工智能+交通运输”的实
施意见》
2025 年 9 月
26 日
交通部、发改委、
工信部等七部门
交通运输
《“人工智能+制造”专项行动实施
意见》
2025 年 12
月 25 日
工信部、网信办、
发展委等八部门
工业制造
《推动工业互联网平台高质量发展
行动方案（2026—2028 年）》
2025 年 12
月 29 日
工信部 工业制造
《“人工智能+教育”行动计划》
2026 年 4 月
2 日
教育部、发改委、
工信部等五部门
教育
合规
《人工智能生成合成内容标识办法》
2025 年 3 月
7 日
网信办、工信部、
公安部、广电总局
内容治理
《人脸识别技术应用安全管理办法》
2025 年 3 月
13 日
网信办、公安部 安全监管
《人工智能科技伦理审查与服务办
法（试行）》
2026 年 3 月
20 日
工信部、发改委、
教育部等十部门
伦理审查
《人工智能拟人化互动服务管理暂
行办法》
2026 年 4 月
10 日
网信办、发改委、
工信部等五部门
服务管理
2025 年 3 月 7 日，国家互联网信息办公室、工业和信息化部、公安部、国家广播电视
总局四部门印发《人工智能生成合成内容标识办法》，并于 2025 年 9 月 1 日起施行。《办
法》明确了 AI 服务提供者、传播平台、分发平台和用户四方责任，体现了从传统监管向协
同治理的重要转变。其中，服务提供者应当对文本、音频、图片、视频、虚拟场景等人工智
能技术生成、合成的信息添加显式标识；在提供生成合成内容下载、复制、导出等功能时，
41
应当确保文件中含有满足要求的显式标识；应当在生成合成内容的文件元数据中添加隐式标
识。
2025 年 3 月 13 日，国家互联网信息办公室、公安部联合公布《人脸识别技术应用安全
管理办法》，自 2025 年 6 月 1 日起施行。该办法对应用人脸识别技术处理人脸信息的基本
要求和处理规则、技术应用安全规范、监督管理职责等作出了全面规定。
2025 年 5 月 16 日，国家数据局综合司印发《数字中国建设 2025 年行动方案》，这也
是国家数据局首次向地方数据管理部门印发的指导开展数字中国建设的文件。《行动方案》
部署了体制机制创新、地方品牌铸造、“人工智能+”、基础设施提升、数据产业培育、数
字人才培育、数字化发展环境优化、数字赋能提升等 8 个方面的重大行动。
2025 年 8 月 26 日，国务院印发《国务院关于深入实施 “人工智能+”行动的意见》（以
下简称《意见》），明确了实施“人工智能+”行动的总体要求、发展目标和重点方向。《意
见》提出加快实施 6大重点行动，分别是“人工智能+”科学技术、“人工智能+”产业发展、
“人工智能+”消费提质、“人工智能+”民生福祉、“人工智能+”治理能力、“人工智能+”
全球合作。《意见》提出强化 8项基础支撑能力，包括提升模型基础能力、加强数据供给创
新、强化智能算力统筹、优化应用发展环境、促进开源生态繁荣、加强人才队伍建设、强化
政策法规保障、提升安全能力水平。
2025 年 9 月 26 日，交通运输部会同国家发展改革委、工业和信息化部、国家数据局、
国家铁路局、中国民用航空局、国家邮政局等七部门联合印发《关于“人工智能+交通运输”
的实施意见》。《实施意见》从加大关键技术供给、加速创新场景赋能、加强核心要素保障、
优化产业发展生态四大方面部署 16 项具体任务，覆盖智慧公路、智能铁路、智慧航运、智
慧民航、智慧邮政、智能建养、联程联运与智慧物流等七大应用场景。
2025 年 12 月 25 日，工业和信息化部、中央网信办、国家发展改革委等八部门联合发
布《“人工智能+制造”专项行动实施意见》。这也是落实国务院“人工智能+”行动的第一
个专项实施意见。《实施意见》聚焦夯实人工智能赋能底座、拓展推广高价值应用场景、构
建智能新产品新业态、打造人工智能发展和赋能应用主力军、加强资源配置优化产业生态、
筑牢应用赋能安全保障、塑造国际合作竞争新优势、强化全方位政策支持保障等重点任务作
出明确部署。发展目标是，到 2027 年，推动 3 至 5 个通用大模型在制造业深度应用，形成
特色化、全覆盖的行业大模型，打造 100 个工业领域高质量数据集，推广 500 个典型应用场
景。培育 2 至 3 家具有全球影响力的生态主导型企业和一批专精特新中小企业，打造一批“懂
智能、熟行业”的赋能应用服务商，选树 1000 家标杆企业。建成全球领先的开源开放生态，
安全治理能力全面提升，为人工智能发展贡献中国方案。
2025 年 12 月 29 日，工业和信息化部印发《推动工业互联网平台高质量发展行动方案
（2026—2028 年）》，是落实“人工智能+制造”专项行动的重要配套政策。该方案共部署
平台培育培优、聚“数”提“智”、平台规模化应用、平台生态支撑四大重点行动。其中与
人工智能深度融合的核心举措包括实施工业互联网与人工智能融合赋能行动，推动 AI 技术
在工业全链条渗透。在生产控制、风险识别等场景推广判别式 AI 应用；在工艺优化、方案
设计等场景探索生成式 AI 实践；加快培育流程自动化助手、智慧巡检数字人、具身智能装
42
备等工业场景智能体；探索“平台+场景智能体”融合架构，实现多智能体在复杂生产场景
中的任务调度与群体协作。
2026 年 3 月 13 日，《中华人民共和国国民经济和社会发展第十五个五年规划纲要》正
式发布。其中 30 处提及人工智能，“深入推进数字中国建设，提升数智化发展水平”单独
成篇，体现出我国牢牢把握人工智能发展机遇，体系化推进人工智能产业创新和赋能应用的
决心。“第十二章 强化算力算法数据高效供给”“第十三章 全方位推进数智技术赋能”
“第十四章 营造健康有序的发展生态”，共 3 章 11 节，构成了未来 5年我国人工智能发
展的根本遵循。
2026 年 3 月 20 日，工业和信息化部、国家发展改革委、教育部等十部门联合印发《人
工智能科技伦理审查与服务办法（试行）》。《办法》对人工智能科技伦理审查的适用范围、
服务促进、实施主体、工作程序、监督管理等作出规定，并结合人工智能科技活动特点，明
确了申请与受理、一般程序、简易程序、专家复核程序、应急程序等不同程序要求，有效规
范人工智能科技活动伦理治理，确保人工智能负责任创新，为我国人工智能产业高质量发展
提供有力支撑。
2026 年 4 月 2 日，教育部、国家发展改革委、工业和信息化部等五部门印发《“人工
智能+教育”行动计划》。《行动计划》共分为六个部分，围绕“十五五”期间教育强国建
设的重点任务，对人工智能人才培养、应用创新、基础环境和生态建设等作出了一体部署。
旨在抢抓智能时代教育发展的战略机遇，推动教育内容更新、教育模式变革、教育形态重塑，
加快构建面向未来的教育体系。
2026 年 4 月 10 日，国家网信办、国家发展改革委、工业和信息化部等五部门联合公布
《人工智能拟人化互动服务管理暂行办法》。该规定将于 2026 年 7 月 15 日起施行，是全球
第一部专门针对 AI 情感陪伴、虚拟伴侣等场景的国家级监管规则。旨在促进人工智能拟人
化互动服务健康发展和规范应用，维护国家安全和社会公共利益，保护公民、法人和其他组
织的合法权益。
43
4.人工智能深度应用
—基于 505 家 AI 专精特新“小巨人”企业的属性和关系数据量化分析
AI 专精特新小巨人是伴随人工智能与实体经济深度融合发展而发展起来的人工智能创
新主体。它们在人工智能深度应用中的作用表现在两个方面：一是包括工业软件、AI 芯片
和算法框架在内的人工智能关键技术领域的攻坚力量；二是许多专精特新小巨人企业是行业
智能化的主要力量，掌握行业的数据和工艺知识，它们的技术和经验积累是人工智能深度应
用的基础。因而，本部分以它们为研究对象，考察人工智能深度应用的情况。
AI 专精特新“小巨人”企业概况
成立时间
本报告运用价值网络分析方法，考察 AI 专精特新”小巨人“企业的人工智能深度运用
情况，图 25 列出了我国 AI 专精特新小巨人企业获批分布情况，505 家 AI 专精特新小巨人
企业获批时间集中在 2019-2024 年之间，并且获批企业数量呈逐年递增趋势，企业获批峰值
出现在 2024 年，为 170 家，占 AI 专精特新小巨人企业总数的 %。
图 25 AI 专精特新“小巨人”企业获批时间分布
地域分布
在 34 个省、直辖市和自治区中，AI 专精特新小巨人企业主要分布在广东省、北京市、
浙江省、上海市、江苏省、山东省、安徽省、湖北省、福建省和湖南省。其中广东省占 505
家 AI 专精特新小巨人企业的比重最高，为 %，主要分布在深圳市和广州市；其次是北
京市，占比为 %；排名第三的是浙江省，占比为 %，主要分布在杭州市；排名第
四的是上海市，占比为 %；排名第五的是江苏省，占比为 %，主要分布在南京市和
苏州市。
44
图 26 AI 专精特新“小巨人”企业地域分布（省级）
图 27 AI 专精特新“小巨人”企业所在主要城市分布（前 20）
45
从城市分布来看，北京市以 %的占比居首，较第二名高出 10 个百分点，领先优势
明显；上海市（%）、杭州市（%）、广州市（%）、深圳市（%）分列第二
至第五位；合肥市（%）、南京市（%）、武汉市（%）次之；其余城市如苏州
市、佛山市、天津市、长沙市、成都市、济南市、珠海市、厦门市、宁波市、青岛市、无锡
市、西安市的占比在 %至 %之间。整体呈现向头部城市高度集中的分布特征。
企业规模与员工人数
图 28 列出了 505 家 AI 专精特新小巨人企业员工规模分布情况，从员工人数来看，以中
小企业为主。%的专精特新小巨人企业员工人数在 99 人以内，员工数在 100-199 人之
间的企业占比为 %，员工数在 200-299 人之间的企业占比为 %，员工数在 300-399
人、400-499 人、500 人以上的企业占比分别为 %、%、%。从企业规模来看，
如图 29 所示，在 505 家 AI 专精特新小巨人企业中，微型企业的占比为 %，小型企业的
占比为 %，中型企业的占比为 %，大型企业的占比为 %。
图 28 AI 专精特新“小巨人”企业员工人数
图 29 AI 专精特新“小巨人”企业规模
46
AI 专精特新“小巨人”企业价值网络结构
价值网络的结构
把 AI专精特新“小巨人”企业2020年至2025年的人工智能技术合作关系数据输入Gephi
社会网络分析软件，得到技术合作关系价值网络图，如图 30 所示。致远互联、埃斯
顿、紫光云、云从科技等企业处于核心枢纽位置，是技术合作网络中的关键节点。大量分布
于网络外围的节点与核心节点共同构成了以核心企业为中心、向外辐射扩散的多元合作格局，
体现了核心企业在 AI 技术合作生态中的主导作用和跨主体协同特征。
图 30 AI 专精特新“小巨人”企业价值网络图
表 11 列出了从 2020—2025 年我国 AI 专精特新“小巨人“企业价值网络的结构性统计
指标动态变化。在网络规模层面，样本节点总数从 367 个增长至 488 个
[1]
，总边数从 5235
条大幅提升至 38313 条，表明参与 AI 技术合作的主体数量持续增加，企业间的技术合作
关系密度提升。在连接特征层面，平均度从 上升至 ，反映出网络节点的平均合
作对象数量有所增加，整体连通性增强；网络直径从 5 扩大至 13、平均路径长度从
延长至 ，说明随着网络规模扩张，节点间的技术合作链条拉长，信息与技术传递的路
径复杂度提升；平均聚类系数从 上升至 ，表明形成了局部的行业集群。
[1] 专精特新“小巨人”AI样本企业共 505家，采集到有效数据的企业 488家。
47
表 11 AI 专精特新“小巨人”企业价值网络结构性统计指标的动态变化
年份
样本节
点总数
关系
节点
总数
节点
总数
总边
数
平均
度
网络
直径
平均路径
长度
平均聚类
系数
2020 367 3801 4168 5235 5
2021 427 6568 6995 11080 7
2022 450 9057 9507 16969 8
2023 469 11460 11929 23073 10
2024 480 13400 13880 28236 11
2025 488 17351 17839 38313 13
表 12 列出了 AI专精特新小巨人价值网络度数中心度排名前二十的样本企业，包括致远
互联、思必驰、紫光云、实在智能、深兰科技和中科信息在内的人工智能平台企业。同时包
括极飞科技、汇博机器人、库卡机器人和银河航天等先进制造业企业。其中，致远互联度数
中心度最高，其协同管理软件业务覆盖大量政企客户，且与华为、阿里云等共建智能化合作，
成为网络中重要节点。
表 12 AI 专精特新“小巨人”企业度数中心度排名前二十的样本企业
样本企业 连入度 连出度
度数
中心度
样本企业 连入度 连出度
度数
中心度
致远互联 193 1354 1547 极飞科技 92 358 450
思必驰 126 736 862 新石器 98 352 450
云从科技 206 647 853 汇博机器人 148 291 439
趣链科技 65 699 764 汉威科技 168 247 415
埃斯顿 330 341 671 强脑科技 68 296 364
深兰科技 117 480 597 库卡机器人 155 187 342
华章科技 236 328 564 银河航天 175 166 341
紫光云 177 382 559 驭势科技 42 292 334
奥比中光 137 343 480 中科信息 99 235 334
实在智能 60 397 457 科比特 97 235 332
表 13 列出了度数中心度排名前二十的关系节点，排名前二十的关系节点主要包括三类：
一是以清华大学和浙江大学为代表的研究型大学；二是以华为和阿里巴巴为代表的国内人工
智能开放创新平台企业；三是以中国移动和中国联通为代表的国内人工智能基础设施服务商。
表 13 AI专精特新“小巨人”企业度数中心度排名前二十的关系节点
关系节点 连入度 连出度
度数
中心度
关系节点 连入度 连出度
度数
中心度
华为 268 384 652 信通院 50 72 122
阿里巴巴 118 193 311 华为云 36 85 121
48
中国移动 190 78 268 北京大学 24 86 110
清华大学 32 221 253 上海交通大学 27 81 108
中国联通 147 74 221 国家电网 91 12 103
中国电信 143 54 197 科大讯飞 50 46 96
腾讯 86 100 186 比亚迪 80 8 88
浙江大学 47 137 184 小米 64 24 88
百度 45 109 154 武汉大学 17 60 77
中国科学院 16 111 127 京东 57 17 74
表 14 列出了度数中心度排名前二十的国外关系节点，排名前二十的国外关系节点主要
包括两类：一是以英伟达、英特尔和高通为代表的的国外基础软硬件供应商；二是以西门子、
大众和奔驰为代表的国外智能制造企业。
表 14 AI专精特新“小巨人”企业度数中心度排名前二十的国外关系节点
海外关系
节点
连入度 连出度
度数
中心度
海外关系
节点
连入度 连出度
度数
中心度
英伟达 85 7 92 奔驰 1 21 22
英特尔 68 19 87 SAP 12 8 20
微软 42 15 57 空中客车 5 13 18
谷歌 31 11 42 IBM 16 1 17
高通 29 8 37 三星 2 14 16
西门子 17 20 37 丰田汽车 2 11 13
德国莱茵 TÜV 19 12 31 索尼 2 11 13
博世 7 23 30 特斯拉 1 12 13
大众 1 28 29 亚马逊 7 6 13
瑞士 ABB 16 11 27 Oracle 10 3 13
技术合作关系
(1) 技术合作关系分布
从技术流向的国别对比来看，AI 专精特新小巨人企业的合作对象主要为国内企业，技
术输入国内企业占比为 %，国外企业占比为 %；技术赋能国内企业占比为 %，国
外企业占比为 %。
从技术合作关系占比来看，AI专精特新小巨人企业国内合作关系占比为95%，共计26069
次；国外合作关系占比为 5%，共计 1344 次。专精特新小巨人企业合作次数最多的国家为美
国，占比约 %；其次是德国，%；第三是日本，%。
49
图 31 AI专精特新“小巨人”企业技术流向的国别对比
图 32 AI 专精特新“小巨人”企业技术合作关系国外占比分布
（2）技术类型与应用领域
在各技术类型中，AI 专精特新小巨人技术合作的技术类型主要分布在大数据与云计算、智
能机器人、物联网、计算机视觉、自动驾驶与大模型。其中，大数据与云计算占比最高，为
%；其次是智能机器人，为 %；排名第三的是物联网，为 %；并列第四的是计算
机视觉与自动驾驶，均为 %。
50
图 33 AI专精特新“小巨人”企业人工智能技术合作关系的技术类型分布
图 34 AI专精特新“小巨人”企业人工智能技术合作关系的应用领域分布
51
在各应用领域中，专精特新小巨人技术合作的技术类型主要分布在智能制造、智慧城市、
智能交通、企业智能管理与智能教育。其中智能制造占比最高，为 %；其次是智慧城市，
为 %；排名第三的是智能交通，为 %；排名第四的是企业智能管理，为 %；排名
第五的是智能教育，为 %。
（3）产业分布
从 AI 专精特新小巨人技术合作的三次产业分布来看，第三产业占比约为 %，第二
产业占比约为 %，第一产业占比约为 %。
图 35 AI 专精特新“小巨人”企业技术合作关系三次产业占比分布
图 36 AI 专精特新“小巨人”企业技术合作关系第二产业分布
52
在第二产业中，合作关系均属于制造业，%的技术合作为计算机、通信和其他电子
设备制造业的合作；排名第二的是专用设备制造业，占比为 %；排名第三的是通用设备
制造业，占比为 %；排名第四的是仪器仪表制造业，占比为 %；排名第五的是电
气机械和器材制造业，占比为 %。
在第三产业中，%的技术合作为信息传输、软件和信息技术服务业的合作；排名第
二的是科学研究和技术服务业，占比为 %；排名第三的是教育，占比为 15%；排名第四
的是政府，占比为 %；排名并列第五的是租赁和商务服务业与金融业，占比为 %。
图 37 AI 专精特新“小巨人”企业技术合作关系第三产业分布
（4）国内技术合作流动方向
中国人工智能深度应用的空间结构是“极核”状网络。北京市、广东省、上海市、浙江
省和江苏省构成了价值网络的核心区域。从技术输入和赋能的占比情况看，北京市、广东省、
浙江省、上海市和江苏省是 505 家 AI 专精特新小巨人分布密度排名前列的省份。
表 15 AI 专精特新“小巨人”企业技术合作关系占比排名前十的省级行政区
技术赋能 技术输入
排名 技术赋能省份 占比 排名 技术输入省份 占比
1 北京市 % 1 北京市 %
2 广东省 % 2 广东省 %
3 浙江省 % 3 上海市 %
4 上海市 % 4 浙江省 %
5 江苏省 % 5 江苏省 %
53
6 山东省 % 6 山东省 %
7 湖北省 % 7 湖北省 %
8 四川省 % 8 天津市 %
9 安徽省 % 9 安徽省 %
10 福建省 % 10 福建省 %
从技术合作的流向看，排名第一和第二的是北京市和广东省内部技术流动，占比为 %
和 %，广东省和北京市、北京市和广东省的技术合作排名第四和第五，占比 %和 %。
表 16 AI 专精特新“小巨人”企业技术合作流向排名前十的省级行政区
技术流向
（技术赋能地-技术输入地）
占比 类型
北京市-北京市 % 省内技术流动
广东省-广东省 % 省内技术流动
浙江省-浙江省 % 省内技术流动
北京市-广东省 % 跨省技术流动
广东省-北京市 % 跨省技术流动
江苏省-江苏省 % 省内技术流动
浙江省-北京市 % 跨省技术流动
北京市-上海市 % 跨省技术流动
江苏省-北京市 % 跨省技术流动
北京市-江苏省 % 跨省技术流动
深度应用引发经济结构性变化
人工智能深度应用正在引发中国经济的结构性变化。AI专精特新“小巨人”企业在三
次产业及其细化行业领域的深度应用情况表明，人工智能在工业制造业、科学研究和生活服
务领域的深度应用带来新的人智协同的生产方式、生活方式和科学研究范式及其组织制度创
新，驱动中国经济步入智能经济发展新阶段。
首先，人工智能在工业制造业中的深度应用催生新的人智协同的生产方式。在生产过
程中，人工智能深度应用重新定义了劳动者与智能系统之间的分工方式。自动化和数字化转
型中的“机器替代”转变为“智能增强”。“机器替代”完成的是生产过程中的标准化和重复性工
作，而智能系统的“智能增强”则是提升劳动者的创造力和复杂协调能力。
在制造业中，人工智能广泛应用于包括质量检测、生产调度、设备维护、售后服务、危
险作业和供应链管理在内的生产制造各个环节。随着行业模型和工业智能体的开发和应用，
智能系统逐步与劳动者协同进行包括产品研发、工艺设计和调优在内的劳动作业。
人智协同带来劳动组织方式的结构变化。在生产制造过程中，人工智能完成实时感知、
模式识别和设备预测，劳动者则进行问题界定和现场决策。智能系统和劳动者之间构成“双
向学习”的协同机制。在人智协同生产中，劳动者要具备算法理解、数据分析、跨设备和跨
部门协作能力。劳动过程具有更高的知识密集度和复杂性。人工智能在产业领域深度应用最
终构建的不是替代人的机器体系，而是以劳动者和智能系统互补和协作的新型生产方式，即
人智协同生产方式。
54
其次，在科学研究和创新领域，人智协同的创新范式构成创新驱动经济发展的基础。
智能经济属于创新经济。与制造经济相比，创新经济以知识创造为主导。近年来，科研大模
型和智能体的快速发展推动人智协同的科学研究和创新范式的到来。知识创造的主体从“人”
扩展为“人和智能系统的协同”。在人工智能赋能的科研、设计和创意生产过程中，人类主导
问题的定义和价值判断，而智能系统则在假设生成、方案搜索和高速仿真中构成人类的知识
创造伙伴。人智协同使创新过程具有更高的并行度和即时反馈特征，推动持续创新和快速知
识积累。
新创新范式在科学研究领域的应用重构了科学发现机制。AI4S打破了传统的从假设到
实验再到验证的线性流程，诞生了从数据到模型和假设再到验证的创新循环模式。在材料科
学与药物研发中，ID4Inno™平台通过融合人工智能、量子计算和自动化实验，实现端到端
研究流程[1]。人工智能不仅加快了数据筛选和参数优化，而且能够通过跨学科知识图谱自动
生成研究假设，使科学家从繁重计算中解放出来。
第三，人工智能在工业设计和创意产业中的深度应用进一步推动人智协同的深化。法
国达索系统推出的Magic SOLIDWORKS 能在设计约束满足、多方案生成和实时仿真中实现
自适应优化。人工智能根据材料参数和工艺限制快速提供成千上万种可行解，人类工程师则
在其中进行筛选与整合，使设计过程从线性搜索转变为并行迭代。在艺术和内容创作领域，
人工智能同样可以通过风格迁移和语义建模形成庞大的创意草图集，人类创作者在其中进行
审美判断和叙事整合。智能系统的高频试错和组合探索提升了作品的多样性和创新速度，而
人类的经验、情感与文化积淀则确保了输出内容的社会意义和艺术价值。
第四，人智协同带来人类生活方式的变革。随着智能体和具身智能的发展和应用，人
类的生活方式发生重大变革。一方面，创造性活动成为人类生活的重要组成部分，物质生
活不再是人类生活的主导因素；另一方面，新的生产方式推动人类生产和生活的一体化，在
生活消费中的数据本身就构成了社会产生的信息来源。无论是创新还是生产活动都更加民主
化。
最后，人智协同的生产方式和创新范式推动教育体系、创新激励机制和制度结构的同
步演进。在智能经济时代，建设“AI+X”交叉学科生态是高校学科发展的方向。在成果评价
体系中，重视对过程贡献和跨学科协同。目前的传统成果评价体系偏重成果数量和论文指标，
与新的创新模式严重脱节。在科研活动中，要激励研究者善于运用智能系统进行价值创造。
在未来教育体系中，要侧重培养具备计算思维、跨学科知识和创新意识的复合型人才。
人智协同的生产方式和创新范式在带来社会生产力发展可能的同时，迫切需要与之相适
应的生产关系调整和制度创新。例如，生成式人工智能的广泛参与引发了知识产权界定和数
据确权问题。解决问题的关键是确认人智协同中人类主导性的法理地位，[2]为后续制度设计
和创新提供了基础。
[1] 参见关于晶泰科技运用行业大模型进行药物研发的案例和报道。晶泰科技科研人员在充分理解大分子药
物研发流程的基础上，自主开发了大分子药物 De novo设计平台 XuperNovo®。平台包含了一系列大分子
药物从头设计策略，其中一款策略在内部被称为 ProteinGPT，技术路线与 ChatGPT相似，可以一键生成符
合要求的蛋白药物。
[2] 例如，美国版权局明确要求 AIGC 作品必须体现“人类实质性创作控制”，否则不予登记。
55
5. 智能经济新形态
智能经济的基本内涵
智能经济是基于网络空间发展的以数据、算法和算力融合产出的“智能要素”为关键驱动
力的新经济形态。网络空间的发展产出的数据是算法的原材料。算力为数据训练算法和推理
提供计算能力。数据、算法和算力共同构成产出“智能要素”的智能系统。作为中间投入品，
通过“智能要素”的生产和投入经济活动，人工智能深度应用重塑经济发展的内在逻辑。
2026年《政府工作报告》首次提出“打造智能经济新形态”，这一表述标志着中国经济
已经从以数字化和网络化连接和数据汇聚为特征的阶段，迈入以人工智能深度应用和人智协
同决策为核心驱动力的新发展阶段。在“十五五”规划纲要中，智能经济被明确定位为推动新
质生产力发展的关键引擎，成为构建现代化产业体系的重要支点。过去十多年时间里，数字
经济发展显著提升了信息和市场交易效率，而智能经济的兴起则意味着经济发展的动力基础
从信息对称向智能决策的转变。
数字经济的核心逻辑是以数据的采集、整合和匹配为基础，通过云计算和互联网平台实
现信息交换、交易撮合和资源配置优化。数字经济创造价值的机制是降低搜寻和交易成本，
促进和实现供给和需求的高效对接。数字经济的关键要素是数据。在数据驱动下，包括电子
商务、共享出行和金融科技在内的新兴产业获得快速发展。
数据驱动的技术系统是基于人类判断和决策的信息系统。当数字经济发展到一定程度后，
数据驱动带来的海量数据往往导致信息过载。同时，互联网平台的数据集中可能导致市场垄
断和丧失创新活力。更重要的是，数据驱动的“数据”更多地属于“过去时”，无法预测未来。
人类的决策仍然依赖决策者的经验和静态模型，社会生产力发展存在瓶颈。
智能经济的形成突破了数字经济发展的局限。以大模型为主导的人工智能技术体系不再
仅仅是提升效率的工具，而且是经济运行的基本构件。首先，在智能经济中，数据从被动分
析的对象转化为实时学习和自主决策的驱动源。由模型和智能体构成的智能系统能够实现从
信息处理到意图识别、环境感知和理解、决策和行动执行的跨越，形成端到端自适应系统。
其次，随着通用模型、行业模型、智能体和具身智能的研发和普及，人工智能具备了跨场景
和领域迁移和自我优化能力，从计算走向认知。第三，智能经济通过人智协同的生产方式实
现价值创造。复杂判断和价值分析由人做出，人工智能则完成自主分析、模式学习和执行调
度。
数字经济与智能经济的差异表现为价值创造的底层逻辑由连接效率转化为智能优化。例
如，在供应链管理上，传统电子商务依靠算法推荐和库存匹配提升交易效率，而智慧供应链
系统则整合包括货场、能源消耗、交通和物流在内的全量数据，通过智能系统实现实时决策
与动态调度。以模型自学习和跨环节协同为特征的智能体系实现了供应链管理从局部优化到
系统最优的跃升。
智能经济的实质是一种基于智能网络发展的智能系统为载体、以人智协同“智能”为关键
驱动要素的技术经济范式，是目前经济发展的最高级形态。数据、算法和算力共同构成智能
系统。作为关键驱动要素，“智能”是人智协同的结合，是实现生产过程自主决策、执行和提
升效率的基础。
56
智能经济的结构
到目前为止，智能经济包括核心经济部门和融合经济部门及其融合。核心经济部门是人
工智能产业化过程中形成的经济部门，它包括网络、数据、算法和算力在内的技术和产业领
域。它的产出是“智能”要素。而融合经济部门是指产业智能化过程中创造的经济部门，是投
入“智能”要素的产出结果。两个经济部门的良性互动和创新循环是智能经济发展的关键动力。
核心经济部门是智能经济发展的基础。人工智能产业化形成算法模型、芯片硬件、算力
平台和行业解决方案的系统集成。截至 2025年，中国人工智能核心产业规模已突破 万
亿元，企业数量超过 6000家，智能算力总规模达到 1590 EFLOPS。基础模型和全国算力网
络建设为智能经济发展奠定了基础。目前，我国国产开源模型下载量超过百亿次，人工智能
专利占全球比重达 60%，生成式智能体在政务、视频和工业制造等领域落地应用。同时，
我国产业链底层的软硬件生态仍然存在短板。尽管国产 ASIC 芯片市场规模逐步扩大，但是
高端 GPGPU 依旧依赖海外供给，国产人工智能操作系统和训练框架生态尚处于发育和成长
阶段。
融合经济部门不仅是智能经济发展需求拉动者，而且通过人工智能通用目的技术与实体
经济专用技术的重组和互补性创新进一步推动通用技术创新。产业智能化是推动我国经济结
构升级的重要路径。在制造业，人工智能已经嵌入研发、生产、售后服务和供应链等全产业
链环节。鼎捷数智开发的汽车零部件研究与质量 AI研发平台，通过人工智能对研发流程的
优化，产品试样次数从 8次降至 3次，成本降低 62%，产品从方案评审到定型的周期由“天
级”压缩至“小时级”。在智能物流和数智采购领域，可信数据空间打通运输、仓储和配送数
据链条，提高了供应链透明度与决策效率。在公共治理领域，通过政务大模型实现了从服务
自动化到智能决策的转变。多领域产业智能化发展表明，人工智能已成为推动研发水平、生
产效率、供应链韧性和治理能力提升的系统性力量。
智能经济的发展动力来自两个经济部门供需互动中形成的创新循环。随着科技创新和产
业创新的深度融合，两个经济部门日益一体化。人工智能产业化提供数据、算法和算力资源，
产业智能化则通过场景开放形成数据反馈和动态需求，进而反哺和拉动人工智能技术创新和
迭代。例如，制造业领域的复杂装配环境催生了多模态灵巧手系统的研发。政务服务高频问
句的再训练则促进了语义模型持续迭代。这种场景开放、技术优化和泛化能力提升、场景再
拓展的创新循环成为智能经济的自我演进动力和机制。来自场景的反馈系统和样本回流通道
带来模型迭代周期的大幅缩短，实现了持续微调和功能的自适应。而模型泛化能力的提升反
过来进一步推动了新场景的拓展。
智能经济发展的基本规律
与以资本和劳动投入为关键要素的工业经济不同，智能经济建立在数据非竞争性、算法
可复用性和网络外部性基础之上，呈现出近零边际成本、规模报酬递增和数据正反馈并行的
运行方式。新运行机制打破了传统工业经济存在的生产函数报酬递减约束，使新经济系统具
有自我强化和持续增长趋势。
智能产品和服务的基本特征是边际成本趋近于零。当知识和算法可以无限复制并通过云
端调用之后，生产活动脱离了物质约束，复制成本几乎为零[9]。在非竞争性条件下，同一款
57
算法模型的重复调用带来明显的规模报酬递增效应。2026年初，国产大模型价格战带来 API
调用费用的持续降低。例如，阿里通义千问 ‑Plus的调用价格仅为每百万 Token
元，仅为 Gemini 3 Pro 的约十八分之一。随着算力硬件和算法架构成本的持续下降，模型在
企业端侧部署成本和接入门槛迅速降低。智能经济的成本结构使企业可以在不增加物质资本
的前提下实现生产的指数级增长。
在网络效应和数据正反馈机制的作用下，智能经济的报酬递增效应被进一步放大。例如，
平台企业可以通过用户数量增长、数据积累、算法优化和体验提升作用的相互作用，构建高
度自强化的经济运行逻辑[18]。尽管报酬递增提高了交易和生产效率，但是可能强化头部科
技企业在产品创新、生产和营销中的主导地位，出现高度集中的市场格局。
面对激烈的国内和国际市场竞争，智能经济在受报酬递增支配的同时，同样会面对新的
成本约束。首先是提高算力和算法能力的持续研发和投资成本。目前，人工智能模型预训练
深受算力规模效应支配。算力的高消耗进一步带来能源的高消耗。同时，在引入智能系统之
后，企业面临迁移和再训练成本的显著上升。尤其当人工智能能力深度嵌入企业业务流程之
后，转换成本远高于最初的部署费。其次是治理和合规成本上升。在现行的监管制度下，企
业必须投入大量资源以确保算法透明、数据安全和隐私保护。可能存在的算法歧视和虚假推
荐风险使治理成本成为企业运营的常态化支出。
智能经济的制度结构
工业革命以来，通用目的技术创新带来的社会生产力的跃升来自技术对生产力诸要素的
重构。继蒸汽机、电力和信息技术之后，人工智能的深度应用创造出人智协同的新生产力体
系。其中，劳动资料不再是单纯的机械设备，而是具备感知、决策和执行能力的智能系统。
劳动者不再局限于一般的体力和脑力劳动，而是成为人智协同的知识生产者。劳动对象同样
从物质材料转变为高度结构化的数据。新型劳动资料、劳动者和劳动对象的有机融合构成了
智能经济时代的新质生产力。从生产过程看，数据、算法和算力融合创造的机器智能和劳动
者智能共同构成智能经济社会生产力体系的“关键要素”。
“智能要素”的产出和投入对现有生产力要素的重组和激活是实现社会生产力跃升的关
键。在核心经济部门中，作为智能经济的劳动资料，算法系统加工的劳动对象是数据，产出
的是“智能”要素。劳动者则主导和参与智能系统的“智能要素”的生产。劳动资料具备了类认
知功能，劳动者的主体性通过混合智能得到放大，劳动对象转化为可计算、可重组的动态要
素。在融合产业部门中，“智能要素”的投入激活了历次工业革命积累的社会生产力发展潜力。
在智能化改造中，传统产业部门的数据和专用知识进一步形成行业模型和智能体。通过数据
和算法反馈，进一步推动通用模型的开发和迭代。在核心经济部门和融合经济部门的良性互
动中，智能经济的生产力表现出高度自适应、高效率和可扩展性特征，是新质生产力发展的
内在驱动力。
新生产力发展的基础是新的制度结构的形成和完善。智能经济生产力体系高效运行的前
提是包括数据产权界定、算法责任划分和混合智能劳动权益保障在内的制度约束。制度创新
和治理体系建设是发展新质生产力的促进和保障。同时，人工智能深度应用正在打破传统以
静态规则、单一主体和事后监管为特征的制度结构和治理体系。算法驱动的动态协同和数据
58
要素的跨域流通需要制度重构。构建与智能经济新质生产力发展相适应的制度结构，是新发
展阶段我国体制机制改革的重要方向。从发展趋势看，“十五五”时期，迫切需要开展的制度
建设工作主要包括如下方面：
首先，以确立“三权分置”机制为抓手，加快数据要素市场制度建设。《“数据要素×”三
年行动计划（2024—2026年）》和“数据二十条”共同确立了数据资源持有权、加工使用权
和产品经营权的分置框架。数据确权和流通的制度化推进，为数据要素的价值实现奠定了法
理基础。面对跨行业标准不一致、区域壁垒和合规成本过高等突出问题，“十五五”时期制度
改革的重点聚焦在三个方面：一是完善数据分类分级指引，提高公共数据授权运营和行业共
享机制的透明度；二是培育高质量行业数据集和训练语料库，平衡安全监管和数据可用性；
三是建立跨区域数据交换通道，促成安全可控的全国统一数据市场。
其次，推进从备案制度到风险分级治理，加快算法治理体系完善。自《互联网信息服
务算法推荐管理规定》实施后，国家网信办建立了算法备案制度，将备案范围扩展至具有舆
论属性或社会动员能力的所有算法，包括 API、小程序和大模型的“双备案”体系。截至 2026
年 1月，国家网信办已发布第十五批共 572个深度合成服务算法备案清单，标志着备案的常
态化。算法备案促进企业数据处理与内容推荐从“黑箱”迈向“透明”。同时，国家标准委已启
动《人工智能风险管理能力评估》等标准研制，探索基于风险等级的差异化管理机制。在未
来发展中，通过引入“监管沙盒”试点，在金融、医疗等高风险领域实施动态评估、场景化监
管，形成备案和评估过程的全周期治理。
第三，推动新劳动关系的制度化。随着基于大模型的人工智能深度应用，包括“一人公
司”在内的新就业形态发展推动制度层面劳动关系的重新定义。传统以劳动合同为核心的保
障模式难以覆盖算法驱动的灵活用工群体。劳动关系制度创新的方向表现在三个方面：一是
明确算法管理下的用工法律关系，承认“不完全劳动关系”的合法存在；二是建立强制职业伤
害保险和灵活缴费体系，以降低平台经营风险；三是完善再培训和终身学习支持机制，提升
劳动者适应智能经济的弹性技能。
第四，完善人工智能伦理和安全治理体系，形成智能经济发展的制度保障。国家标准
化技术委员会（TC28/SC42）主导制定了《人工智能风险管理能力评估》和《用户个人信息
保护指引》等治理标准。同时，中国网络空间安全协会发布《人工智能服务未成年人伦理规
范共识》，在应用伦理上率先进行细化。《2026年国际人工智能安全报告》显示，即使技
术进步显著，全球高阶风险防控措施仍存在能力缺口[21]。在下一步人工智能治理中，应在
高风险领域建立强制算法审计、外部独立评估和应急熔断制度，使伦理原则具备制度执行力。
通过风险评估、标准落地与技术验证构建闭环，推动伦理治理从倡导性共识转变为硬约束机
制。
最后，实现跨部门协同是智能经济制度建设的重要内容。智能经济发展是中国经济发
展的新形态，涉及跨部门的协同。国家数据局主导数据要素市场建设，网信办负责算法与内
容安全监管，市场监管总局聚焦平台经济反垄断与价格行为，人社部负责劳动保障制度设计。
目前，跨部门协作仍存在响应迟滞与多目标冲突问题，数据开放与隐私保护、算法创新与公
平竞争、灵活用工与社保覆盖等领域的矛盾和冲突表现突出。
59
智能经济的制度结构构建是一项系统工程。数据确权流通、算法透明可控、劳动权益
保障和伦理安全底线构成智能经济制度结构的四大支柱。它们之间形成了创新激励、权益保
障与风险防控的动态平衡。当前，制度建设中最大的挑战来自部门之间的壁垒和制度分割。
从未来的发展看，通过高层级的统筹治理和标准化体系，构建智能经济规则的一体化架构是
推动新经济形态发展制度建设的根本方向。
内容提要
1.导论
信息智能和物理智能的融合催生智能经济新形态
科技创新和产业创新深度融合加速智能经济发展
2.中国人工智能创新生态的新发展
技术方向的重大转折
从大模型到智能体和具身智能
从规模效应到智能密度
开源策略和模块化研发
具身智能和世界模型
开源生态的快速兴起
开源模型框架和社区生态
开源的安全合规和商业模式竞争
高质量语料库和安全可信数据空间构建
(1)规模扩张与质量提升并行
(2)多元主体协同共建格局初步形成
(3)从规模扩张向质量提升的转变
大模型发展态势与格局
大模型前沿技术进展
我国生成式人工智能服务备案现状
(1)进入加速扩容期，年内备案保持高位平稳
(2)产业重心向场景落地深度倾斜
(3)向核心城市圈集聚，区域差异化发展格局凸显
(4)与实体经济融合持续深化
算力基础设施建设现状
全国算力网络
智算芯片
(1)价值网络的结构
(2)技术合作关系
人才
政策支撑：构筑人工智能人才发展的制度底座
区域布局：各地竞相打造人工智能人才集聚高地
供需态势：规模扩张与结构性缺口并存
产学研融合：协同育人构建人工智能人才培养新生态
3.创新主体
人工智能企业
人工智能企业价值网络的结构
人工智能企业技术合作关系
（1）人工智能企业技术输入和技术赋能关系
（2）人工智能企业技术合作关系节点度数中心度
(3) 人工智能企业技术体系与应用领域
高校和科研院所
截至2025年底，我国已有80多所高校成立专门的人工智能学院，超过600所高校开设人工智能相
AI领域专利授权和被引用情况
AI领域论文发表
(1) 总体情况
(2) 头部排名
政府
政策出台情况
政策取向
4.人工智能深度应用
AI专精特新小巨人是伴随人工智能与实体经济深度融合发展而发展起来的人工智能创新主体。它们在人工智能深
AI专精特新“小巨人”企业概况
成立时间
地域分布
企业规模与员工人数
AI专精特新“小巨人”企业价值网络结构
价值网络的结构
技术合作关系
(1) 技术合作关系分布
（2）技术类型与应用领域
（3）产业分布
（4）国内技术合作流动方向
深度应用引发经济结构性变化
5. 智能经济新形态
智能经济的基本内涵
智能经济是基于网络空间发展的以数据、算法和算力融合产出的“智能要素”为关键驱动力的新经济形态。网络空
智能经济的结构
智能经济发展的基本规律
智能经济的制度结构
6. 总结和需要进一步研究的问题
