▘人工智能是模拟和扩展人类智能的科学与技术，旨在使机器能够感知、理解、学习、推理、创造并自主行动，其终极目标是实现智能形态的范式革命，发展出能够自我迭代、全面超越人类能力的超级人工智能。发展超级人工智能将经历”AI学习人“”AI辅助人“”AI超越人“三阶段，当前正处于 “AI辅助人”阶段的快速发展期，并向“AI超越人”阶段过渡，具体体现为感知智能与生成式智能作为“AI学习人”阶段的标志性成果，已趋成熟并广泛落地；数字智能体技术正快速发展，成为“辅助人”阶段的核心载体，推动AI向自主任务执行者演进；具身智能体作为迈向“超越人”阶段的终极形态，已在自动驾驶、机器人等前沿领域展开攻坚探索。

▘人工智能的商业模式可概括为工具化收费、场景化解决方案、平台与生态化三类。人工智能应用的落地本质是商业模式的闭环，商业模式成功的闭环是技术能力、市场付费习惯与产业生态契合的结果，囿于算力限制、技术代际落后、较差的付费环境，中国AI应用落地较慢。目前，中美顶尖模型差距已大幅缩小至近乎持平，随着算力成本的快速下降及模型能力的进步，中国AI应用有望迎来规模化落地。

一、AI迈向“超越人”的三阶发展与四体实现

人工智能的终极目标是实现智能形态的范式革命，其发展轨迹可概括为”AI学习人“”AI辅助人“”AI超越人“三个阶段。人工智能应用是指利用人工智能技术来解决现实世界中的具体问题、提供自动化服务或增强人类能力的软件、系统或产品。人工智能应用的本质是将数据、算法和算力转化为实际的生产力、创造力或便捷的服务，终极目标是发展出能自我迭代、全面超越人类的超级人工智能ASI，通往ASI之路将经历”AI学习人“”AI辅助人“”AI超越人“三个阶段。第一阶段是”AI学习人“即人工智能通过学习人类知识，在对话、推理与测试中逐渐逼近人类智能水平，完成核心智能能力的构建。第二阶段是”AI辅助人“即AI可以在人类的目标设定下，拆解复杂任务，使用和制作工具，自主完成与数字世界和物理世界的交互，对真实世界产生影响。随后AI将进入第三个阶段，特征是“AI超越人”，在这个阶段人工智能通过连接真实世界的全量原始数据并实现自我学习与迭代，建立起超越人类认知与创造能力的智能体系，推动社会进入新的发展阶段。

感知智能、生成式智能、数字智能体、具身智能体是”AI学习人“”AI辅助人“”AI超越人“三个阶段的具体实现。感知智能即AI能够理解环境信息，其解决了机器理解信息（如图像、声音、文本）的难题，典型应用有人脸识别、语音助手和自动驾驶的视觉系统等。生成式智能是数字内容的创造者，解决了根据指令或模式自动创造内容（如文本、图像、代码）的难题，典型应用有文本生成、图形生成和视频生成等。感知智能与生成式智能是“AI学习人”阶段的具体实现，在“AI学习人”阶段，感知智能使AI能“读懂”数字化知识（文本、图像、语音），完成对世界的初步理解，生成式智能在此基础上创造文本、图像、视频等内容。智能体是自主的任务执行者，它解决了复杂目标下自主规划、决策与行动的难题，典型应用有个人AI助理。智能体是“AI辅助人”阶段的实现主体，其核心形态从能力模块演进为自主的智能体，将感知与生成能力整合到一个具备目标、规划与工具调用能力的完整行动框架中，从而能够理解人类指令、拆解任务、操作工具甚至自主编写程序，从而在数字世界中充当高效的执行代理，极大地提高生产力。根据交互环境可将智能体分为数字智能体与具身智能体，具身智能体是智能体在物理世界的实体化，它让AI能操控机器人、汽车等实体，完成物理任务，实现AI与真实环境的交互，最终帮助AI发现超越人类认知的规律，实现自主进化，是迈向“AI超越人”阶段的关键载体与终极形态，典型应用为自动驾驶、机器人。

感知智能、生成式智能、数字智能体与具身智能体四者逻辑上呈递进关系，时间上交织并行发展，共同推动人工智能从“数字世界的分析工具” 向“物理世界的自主智能体” 演进。感知智能，发展历经早期基于手工特征的模式识别，在2010年借助深度学习实现突破，于图像分类、语音识别等任务处理上达到商用化水平，当前已广泛嵌入各类数字系统。生成式智能发展始于2014年前后的GAN与VAE等模型，在Transformer架构兴起后进入积蓄期，并于2022年后随着Chat GPT等应用的普及进入爆发期，正从创作工具演变为一种新型的计算界面和知识处理引擎。数字智能体早期表现为实验室中的强化学习，随着大语言模型为其提供强大的推理与规划“大脑”，于近年进入快速发展期，目前的数字智能体通常融合大模型、规划器、记忆与工具调用能力，正从单智能体向多智能体协作演进。具身智能体经历了从无智能的预设程序机器人，到感知赋能的适应性系统，如今正致力于融合生成式AI的预测规划与数字智能体AI的决策能力，以应对物理世界的高维不确定性。尽管其已在自动驾驶、人形机器人等领域取得显著进展，但仍处于从演示验证到广泛实用的攻坚阶段。

图1：人工智能应用发展历程

资料来源：大普信评整理

二、中国AI应用商业落地奇点将至

（一）商业模式概况

人工智能的商业化正经历从“技术驱动”向“价值驱动”的关键转折。当前AI企业已形成工具化收费、场景化解决方案、平台与生态化三大主流盈利模式。工具化收费是AI企业最直接的变现方式，此模式的优势在于技术复用率高、边际成本递减，包括SaaS订阅制和API调用计费两种形式，典型代表是Chat GPT。Chat GPT Plus主要面向个人用户提供文件上传与分析、联网搜索、图像生成、任务提醒、自定义GPTs等功能，每月20美元；Chat GPT Team面向中小型团队、创业公司提供共享工作区、团队管理后台、管理员控制等功能，按用户数计费，每用户每月30美元。场景化解决方案即AI企业为金融、医疗、制造等领域客户提供定制化解决方案，这种模式客单价高，是典型的项目制服务模式，需要深厚的行业积累和数据壁垒，以Palantir为典型代表。Palantir凭借深厚的行业理解及数据基础，为政府及大型企业构建了一个深度融合AI的决策操作系统。平台与生态化模式即通过聚合第三方开发者和应用，形成分成机制，这种模式的核心是抢占AI入口，形成长期网络效应，以GPT Store和星辰智能体服务平台为典型代表。Open AI的GPT Store允许开发者上架Agent并抽成，中国电信的星辰智能体服务平台则以“星小辰”为统一入口，合作伙伴点击接入即可入驻“星小辰”服务广大用户。

在感知智能、生成式智能、数字智能体、具身智能体四个发展阶段中，无论是API付费还是订阅收费，人工智能商业模式的本质都是将 AI能力转化为可销售的产品、服务或解决方案，不同的是所包含的 “价值浓度”和“代理程度”。感知智能阶段，AI售卖的是工具，主要价值是提升现有流程的效率。生成式智能售卖的是 “创造型平台” ，价值在于创造新内容。数字智能体售卖的是 “数字化身”或“虚拟劳动力” ，是对脑力劳动本身的替代，价值在于直接交付业务成果。具身智能体售卖的是 “实体化智能” ，这是软件、硬件与物理行为的深度融合，购买的是一个能在外界独立存在并创造价值的“智能实体”，是对综合劳动的终极替代。

表1：人工智能商业模式概况

资料来源：大普信评整理

（二）中美AI应用落地差异

商业模式的闭环是技术能力、市场付费习惯与产业生态三者的契合，三方面的差异造就了中美两国AI应用落地的进展差异。技术维度方面，技术的先进性由AI大模型能力体现，AI大模型能力不仅取决于技术，还取决于算力成本。从技术上看，从Transformer架构到扩散模型，从GPT系列到Sora，关键技术突破和产业方向定义仍主要由美国企业和研究机构主导；从算力上看，凭借在芯片（如英伟达高端GPU）、底层框架和工程化经验上的优势，美国头部公司在训练和推理相同规模模型时，通常具有更高的效率和更低的单位成本，技术和算力成本的差距导致中国AI大模型能力落后于美国，在权威评测（如MMLU、GPQA等）和全球开发者自发的对比中，美国顶尖模型（如GPT-4、Claude-3）在复杂推理、指令遵循、代码生成和逻辑一致性方面，普遍领先于中国最好的AI模型。付费环境方面，美国市场认同知识产权价值，拥有成熟、健康的软件付费环境，企业与个人用户为软件工具与技术服务付费的意愿强，形成了稳定的SaaS订阅和API调用付费模式。中国的付费环境较差，体现在企业和个人两个层面。企业层面，企业IT支出长期重硬件、轻软件，重项目定制、轻标准化服务，为“软件许可”或“SaaS订阅”建立独立预算的习惯尚未普及，企业更愿意为能直接带来收入或能明确核算出成本节约的“业务结果” 付费（如营销效果、替代的人力成本），而非为抽象的“技术能力”或“效率提升潜力”付费。同时，为软件付费的决策流程复杂、信任建立成本高导致企业级SaaS的销售周期长、客单价难以提升。个人层面，为实体商品和娱乐内容付费的意愿显著高于为生产力工具付费，用户习惯享用“免费+广告”的互联网模式，对订阅制软件服务的心理价位极低，为纯数字产品（如软件、模型服务）付费的意愿普遍薄弱，破解、共享账号等现象普遍。这种付费环境直接扼杀了依靠纯软件订阅或API调用产生稳定现金流、高利润的可能性。在这种环境下，将技术包装成能明确计算ROI的 “业务解决方案”，或者走 “软硬结合” 路线，将软件价值附着在硬件销售上，又或者依赖巨头，将AI能力作为 “流量入口”或“生态赋能工具” ，通过广告、电商等传统互联网模式间接收费也许是更可能落地的商业模式。产业生态方面，美国市场由巨头与资本驱动，形成了从基础研究、模型公司、云服务商到应用开发者的开放协作网络。中国的AI产业生态呈现鲜明的 “双重结构”，顶层为巨头主导的封闭垂直生态，中层及以下为高度内卷的应用与解决方案市场。百度、阿里、腾讯、字节等互联网巨头，利用其资本、数据、场景和云计算基础设施的绝对优势，构建了从芯片、框架、大模型到终端应用的全栈闭环。它们的目标是用AI加固自身核心业务的护城河（如搜索、电商、社交），并争夺下一代人机交互入口，但是挤压了独立基础模型公司的生存空间，也使得统一的、开放的“模型层”市场难以形成。由于在通用模型层难以与巨头抗衡，也无力承担其高昂成本，大量创业公司和行业厂商被迫在应用层和狭窄的垂直领域寻求生机，面对着激烈的竞争。这种生态结构决定了商业模式的主航道由巨头定义，其主要是通过AI拓展现有主业和构建以我为主的新入口，而非售卖模型能力本身。同时，创业公司路径狭窄，主要出路在于成为行业专家同时提供巨头无法快速覆盖的、极其专业的行业解决方案。

（三）中国有望迎来AI应用规模化落地

AI应用商业化的本质是技术价值通过市场付费习惯和产业生态实现闭环，中国市场较差的付费环境短期难以改变，产业生态决定了大厂凭借模型能力竞争入口，小公司依靠数据优势做场景渗透。因此，应用的落地奇点主要取决于模型能力进步及算力成本下降带来的AI应用经济性——即ROI的提升。模型能力进步是“价值创造”的门槛，是ROI的分子。从感知智能到具身智能体，AI应用售卖的产品价值从卖工具转换至卖劳动力，这一过程的转变以模型能力的进步为支撑，只有当模型能可靠地完成数据分析、代码生成、流程自动化等高价值“行动”时，企业才愿意为之大规模付费。另一方面，算力成本下降是应用规模化的基石，是ROI的分母，成本曲线的陡峭下降，使得AI应用部署从“奢侈品”变为“经济品”，为大规模企业级应用扫清了经济障碍。

随着中国AI大模型能力进步与算力成本下降，中国AI应用有望迎来规模化落地。模型能力方面，斯坦福大学《2025年人工智能指数报告》显示，中美最顶尖的大模型能力差距已从2023年的17.5%缩小至0.3%，中国AI大模型已实现了从“代际差”到“近乎零差距”的跨越。这一跨越主要得益于以Deep Seek为代表的中国AI企业在技术路线上的创新突破，DeepSeek-V3通过MoE架构创新，使同等效果的大模型所需算力明显下降，其671B参数模型在处理每个问题时，实际被激活的参数仅约37B，算力需求降低至传统架构的二十分之一。算力成本的显著下降为AI应用大规模落地提供了经济可行性。2024年底，阿里云对大模型产品进行大幅降价，其中Qwen-VL-Plus输入价格降幅达81.3%，按照最新价格，1元钱可以处理约600张720P图片，这种“提质降价”趋势正在全行业蔓延。

本文是大普信用评级股份有限公司（以下简称“大普信评”）相关研究人员根据公开信息做出的分析和研究，文中的任何表述、假说、逻辑、推论等均严格遵守经济学含义，不带有任何价值观、道德偏向或政治立场。

本文作者力求内容完整准确，但不应看作为提供任何投资建议，也不代表大普信评的观点。任何直接或间接使用本文内容所造成的损失或引致的法律纠纷，大普信评不承担任何责任。本文内容可能受到未来事件或情况的影响而不再准确或失效，大普信评保留随时更新本文内容的权利。

本文内容或其任何部分的版权和其他相关知识产权属于大普信用评级股份有限公司。未经大普信评的书面许可，严禁以任何形式或方式修改、复制、引用、逆向工程、储存或发布任何内容。经过大普信评许可转载或引用本文内容，需注明出处为大普信评，并且不得对本文内容进行有悖原意的删改。