算力突破：AI爆发的核心引擎
算力是AI时代的“军火”，没有算力，一切都是空谈。这张PPT里的两组数据特别有冲击力：
第一组是GPU算力的指数级增长。以英伟达为例，A100 GPU单芯片算力，2018年才312TFLOPS，2023年就到624TFLOPS，算力翻倍，模型训练时间直接减半。我们测算，2024年全球AI算力需求达到10^23 FLOPS，相当于2010年全球算力总和的100万倍；预计2027年将达到10^26 FLOPS，三年增长1000倍。更别说这一届，CES炸场的性能怪兽：Vera Rubin
性能数据极其炸裂：对比Blackwell，Vera Rubin推理性能提升5x、训练提升3.5x、内存带宽2.8x、NVLink带宽翻倍，而晶体管仅增加1.6x。这种爆炸增长，既推动了算力硬件的光速迭代，也催生了算力服务模式的颠覆创新。
第二组是量子计算的潜力。谷歌的量子霸权正在不远的路上，虽然现在量子比特的稳定性和可扩展性还有问题，但商业化落地是早晚的事。为啥需要量子计算？因为传统算力快到极限了。制程工艺从7纳米往3纳米逼近，物理极限摆在那，3纳米制程的研发成本是7纳米的2倍，而性能提升却越来越慢，摩尔定律失效了。
更重要的是，算力格局正在被非GPU技术改写。过去GPU一家独大，但如今TPU、可重构芯片等非GPU技术崛起，在推理速度、能耗、算力成本上展现出独特优势。2025年上半年，我国非GPU加速服务器市场占比已达30%，预计2029年将占据半壁江山。比如部分企业研发的可重构AI芯片，在保留GPU通用性的同时，通过算子动态重构趋近专用芯片的能效优势，成为“通用型TPU”；还有RockAI推出的非Transformer架构大模型，在PC、平板、树莓派等终端落地，践行“让世界上每一台设备拥有自己的智能”，通过优化计算复杂度，让智能反稀缺到普通企业和人。
未来算力领域将呈现三大趋势：一是架构从“CPU+GPU”向“CPU+GPU+LPU+量子芯片”的异构架构演进；二是服务模式从“按需租用”向“按结果付费”转型；三是国产化成为必然趋势，2027年国产AI芯片的市场份额将突破30%。量子计算就是突破传统算力极限的关键，未来能彻底颠覆AI的算力格局。
核心结论很明确：摩尔定律物理极限失效了，算力的爆炸增长，是AI技术光速发展的核心驱动力。
如果说算力是“军火”，那数据就是AI的“石油”。这张图里两组数据特别扎心：
Gartner预测，到2026年，60%的AI项目会因为缺乏AI就绪型数据支撑而放弃；现在更残酷，只有37%的企业能用AI驱动业务。这说明啥？企业AI的上限不再是模型，是数据。
当前数据瓶颈并非“数据量不足”，而是“高质量、结构化、场景化的数据不足”。全球每天产生的数据量高达100ZB，但其中90%以上是非结构化数据，真正能用于AI训练的高质量数据不足1%。很多创业者踩过这个坑：花大价钱研发模型，结果因为数据质量差、场景不匹配，模型准确率一塌糊涂，根本没法落地。
“交付级数据”才是真正的稀缺资源。模型越通用，企业越需要用高质量标注数据把它“校准”到自己的业务上，这背后需要的是懂业务、懂AI的专业数据运营能力，而非便宜粗糙的流水线标注。比如善思开悟依托超级计算机集群，提供从数据清洗、标注到模型训练反馈的全流程服务，在低空、金融等领域实现数据交付满意度100%；还有企业针对具身智能痛点，发布大规模真实世界多模态数据集，采集酒店洗衣、物流作业等场景的人类标准操作流程数据，让数据“来自真实世界”，解决物理世界数据稀缺问题。
未来数据领域将呈现四大趋势：一是数据资产化将成为企业核心战略，2026年将有超过50%的上市公司在财报中披露数据资产价值；二是数据要素市场将加速成熟，数据交易从“非标交易”向“标准化交易”转型；三是联邦学习、差分隐私等隐私计算技术将大规模应用，解决“数据可用不可见”的痛点；四是合成数据将成为重要补充，2027年合成数据在AI训练中的占比将突破25%。
既然数据和算力是核心，那怎么让AI顺畅落地？这张一体化架构图，就是答案。核心理念很简单：夯实“Data for AI”和“AI for Data”的双向赋能，让数据支撑AI训练，AI反过来优化数据质量。
当前AI落地的失败率高达60%，其中70%的原因是缺乏完善的基础设施支撑，企业往往陷入“重模型、轻基建”的误区。这个架构就像盖房子，能解决技术与场景脱节、数据与模型割裂的问题：
资源接入层：是地基，负责动态调度CPU、GPU这些算力资源，解决算力闲置或不足的问题，现在已经能支持英伟达A100、H100、4090和华为昇腾910B，公有云、私有云都能兼容。未来将向“智能化调度”与“国产化兼容”发展，通过AI算法预测算力需求，实现提前部署与动态扩容，支持更多国产芯片与云平台，降低对国外算力的依赖。
数据管理层：是承重墙，用向量库、湖仓、MPP这些技术，处理多模态数据，打通数据孤岛，做数据清洗、融合、标注，为AI提供“燃料”。其核心创新在于“多模态数据融合”与“实时处理能力”，比如红熊AI采用增量式图谱重构技术，实现97%的多模态记忆精准采集和92%的记忆机制模型预测准确率；LightMem系统通过过滤（压缩50%信息准确率反升）、分层（主题自主生长）、异步（延迟更新更高效），解决AI记忆“准确-实时-经济”的三角难题。随着AI应用场景的复杂化，单一模态的数据已无法满足需求，多模态数据融合技术将成为核心竞争力；同时，实时处理能力将成为企业AI应用的关键指标，2026年将有60%的AI应用要求数据处理延迟低于100毫秒。
Data&AI工程化层：是横梁，负责训推一体、模型调优和运维，构建“训练-部署-监控-调优”的闭环，避免模型在实验室表现好、落地就拉胯。这里有个关键Know-How：模型调优不是“堆参数”，而是“精准适配”——比如DeepSeek将强化学习训练阶段成本压到29.4万美元，连同底座共约600万美元，证明复刻同代能力的成本可大幅降低。未来将向“自动化”与“工程化”演进，全流程自动化降低对技术人员的依赖，标准化的模型开发与运维流程，提升模型的可复用性与稳定性。
智能应用层：是屋顶，就是大家能直接用到的，像智能助手、智能体市场、数字人这些，是AI价值的直接体现。未来将呈现三大方向：垂直场景应用将成为主流，每个垂直场景都将诞生细分领域的龙头企业；智能体将从“单一功能”向“多功能协同”演进，多智能体协同将成为复杂场景的核心解决方案，比如龙湖集团通过多Agent覆盖不动产十大领域，实现从AI Ready到AI Inside的演进；AI应用将从“工具型”向“服务型”转型，通过“AI+人工”的混合模式，提供更优质的服务体验。
安全运营层：是安全阀，负责模型安全、数据治理、合规防控，现在AI安全风险这么突出，这一层是商业化的前提。这里必须警惕“对齐退化”风险——研究显示，大型推理模型（如DeepSeek-R1）作为“攻击者”，能以97.14%的成功率诱导其他模型生成有害内容，推理能力越强越擅长破坏安全基线。未来AI安全将进入“全生命周期安全”时代，从数据采集、模型训练、部署上线到运营维护，每个环节都需要建立安全防护机制。同时，AI安全将从“被动防御”向“主动免疫”转型，通过AI技术对抗AI攻击，比如利用大模型检测恶意代码、识别Deepfake内容等。
有了这个架构，AI才能从技术变成能落地、能创造价值的产品，现在已经有很多大中型企业在采用，效果特别明显，项目交付周期能缩短一半以上，客户续约率大幅提升。未来三年，将有超过80%的大中型企业采用类似的架构体系构建AI基础设施。
AI商业化的核心赛道，现在已经明确分岔成两条路，这张PPT把差异说得很清楚：
一条是B端自动化，代表企业是Anthropic，90%的收入来自API，核心是用自动化重塑业务流程，比如帮摩根大通这样的大企业优化交易流程，2024年估值5.12亿美元，虽然增速没那么猛，但商业模式稳，客户粘性强，核心是帮企业降本增效。更关键的是，B端成功的关键是“从根本上重构工作流”，而不是在原有流程上叠工具——那些最受益于AI的企业，都是这么做的，这种做法的效果是其他公司的3倍。比如浩鲸科技推出企业AI操作系统，让企业从“使用AI”转变为“本身就是AI”，通过决策、流程等五大引擎驱动AI成为组织原生能力。未来B端AI市场将呈现“垂直化、一体化、订阅制”三大趋势。垂直化意味着AI解决方案将深度适配行业需求，比如制造业的AI质检、零售业的AI库存管理；一体化意味着从数据到模型再到应用的全栈服务，单一环节的服务商将逐渐被淘汰；订阅制将成为主流收费模式，2027年B端AI市场的订阅制收入占比将突破70%。
另一条是C端超级入口，代表企业是OpenAI，才26%的收入来自API，核心是打造C端超级入口，比如ChatGPT，触达亿万用户，2024年估值10亿美元，预计2027年能到140亿美元，爆发力强，但竞争也激烈。值得注意的是，C端用户对AI的使用非常分散，没有一项活动有超过五分之一的人依赖，且呈现明显的数字鸿沟——就业人群、高收入家庭的AI使用率远高于失业人群和低收入家庭（75% vs 52%，74% vs 53%）。同时，通用AI助手占据主导，91%的AI用户几乎在每项工作中都使用自己喜欢的通用工具，消费级AI支出的81%都集中在通用助手领域（如28%用ChatGPT，23%用Google Gemini）。未来C端AI市场将进入“超级入口+垂直应用”的格局。超级入口将占据用户大部分时间，比如ChatGPT、字节跳动的AI助手等；垂直应用将聚焦特定场景，比如AI教育、AI健身、AI创作等，通过差异化体验吸引用户。同时，C端AI的盈利模式将从“订阅费”向“增值服务”转型，比如AI创作工具通过提供素材库、版权服务等增值功能实现变现。
还有个明显趋势：C端新原生App呈负增长，降幅达60%，用户越来越依赖少数超级入口满足多元需求。所以创业者千万别跟超级入口硬碰硬，要做垂直场景补充，比如针对某个细分人群的AI工具，反而有机会。
三座大山与定价模式变革
企业服务有三座大山，价值创造难，价值衡量难，价值分配难。
现在赛道分岔了，模式也跟着变了。数据很直观：
传统厂商78%按从lisence定价，只有22%按用量；AI原生厂商56%按lisence，44%按用量，更倾向灵活收费。但这还不够，理想的方向是“按结果付费”。
传统SAAS软件卖lisence，不管用户用得好不好，收费都固定；AI产品该卖“效果”，比如AI营销工具按转化率付费，AI客服工具按问题解决率付费，只有让客户赚到钱，企业才能长久。这背后是AI价值度量衡的变化——2025年，四分之三的企业都能算出AI投入的正ROI，这让“按结果付费”有了落地基础。但当前定价模式仍面临“复杂且不透明”的问题，有500强CFO吐槽“完全不知道本季度AI会花多少钱”。
一个理想的迭代方向是：从lisence付费，走向按用量，最终走向按结果付费。比如AI销售代理，按识别出的潜在客户收费，比按发送邮件数量收费更贴近真实业务价值；某AI销售工具通过“按成单量分成”模式，客户续约率从60%提升至90%，营收直接翻倍。这背后的核心逻辑是，AI价值从“功能交付”转向“业务增值”，收费模式必须与客户的商业目标强关联。
AI产品的演进，已经从Chatbot进入了Agentic Era：
过去的Chatbot，只能被动检索信息，你问一句它答一句，没有记忆、不会规划、不能用工具；现在的Agent不一样，能主动决策和执行，有记忆、会规划、能调用工具，操作主导权从人类慢慢转向AI。
更深刻的是，智能与智能体正在互相锻造。基模的智能决定智能体的上限，赋予其“想象能力”——比如预判“采取动作a后的期望回报”，打开可能性空间；而智能体通过与环境交互形成“任务执行→数据回流→基模迭代”的正循环，反过来锻造智能本身。多智能体协作更遵循“协作缩放定律”，集体表现能超越个体总和，随着数量增加，解决方案质量呈“S型曲线”提升（如清华研究所示）。
更有意思的是，智能体与世界模型同源同宗。任何能泛化完成复杂任务的智能体，其策略中必然包含环境预测模型——想成为聪明的智能体，就得在脑子里重建世界。就像顶级武林宗师，脑中对江湖格局与招式后果的推演，就是它的“世界模型”；DeepMind也指出“通用agent就是世界模型”，策略能力与世界模型知识在数学上等价。
未来Agent的自主决策能力将越来越强，将具备“目标拆解、资源调度、风险控制”三大核心能力。目标拆解能将复杂任务分解为可执行的子任务；资源调度能调用内部与外部的工具和数据；风险控制能识别执行过程中的风险并及时调整策略。比如企业采购Agent，能自动完成“需求分析→供应商筛选→合同审核→下单”全流程；物流Agent能自动制定运输方案，实时调整路线。
未来，AI与AI之间的交互（A2A）会超过人与AI的交互（H2A），企业内部的财务Agent、法务Agent、采购Agent可自动协同工作；产业层面，供应链各环节的Agent可实现数据共享与协同决策，大幅提升运营效率。这将彻底改变当前的商业协作模式，从“人与人协作”转向“人与Agent协作、Agent与Agent协作”的混合模式，形成“Agent联网协同”。
AI社会化三阶段：从工具到操作系统
AI的社会化演进，分三个阶段，很清晰：
第一阶段是工具式AI，比如早期的翻译软件、图片识别工具，AI作为辅助工具，人类主导操作，核心价值是提升效率，解决“省力”问题，就像计算器替代算盘一样。
第二阶段是伴随式AI，比如智能音箱、手机助手，AI持续陪伴用户，具备一定交互能力，核心是“场景融入”，从“按需调用”变成“主动陪伴”。
第三阶段是默认式AI，也就是我们现在进入的阶段，AI成为默认操作入口，不用主动调用，就能主动决策、执行任务，甚至AI和AI之间能自动协同，A2A时代来了。数据显示，超过一半的美国成年人在过去六个月中使用过AI，近五分之一的人每天都依赖AI——打开网页没有AI会觉得奇怪，身边朋友未使用过AI会觉得反常，这就是“默认式AI”的真实写照。
这一阶段的AI具有三大特征：一是非选择性，用户在日常操作中自动与AI交互，比如输入框默认AI补全、相机默认AI识别；二是低感知，AI参与被隐形化，比如照片自动分类、邮件智能排序、文档自动摘要；三是系统绑定，AI嵌入操作系统底层，比如Windows Copilot、Apple Intelligence，或是办公软件中内置的AIGC模块。
这意味着AI不再是工具，正在成为操作系统，SaaS软件会变成可被AI调用的组件，AI能力从应用层下沉至系统层，资源调度、任务编排、安全管理都将由AI主导。未来的交互将超越人与AI，扩展到AI与AI之间，82%的组织将采用“API优先”方法，为A2A交互奠定基础。
AI不仅能在虚拟世界发挥作用，还在走进物理世界，这就是具身智能，市场规模数据很惊人：
刚说过，当AI照进物理现实世界，具身智能可能成为互联网、移动互联网、云计算、AI等技术的终极集成形态，智脑将成为具身智能的核心引擎，加速具身智能成为接管生产与服务的关键载体，成为下一次改变世界的力量。
2024年具身智能市场规模才37.8亿美元，预计2034年能到679.1亿美元，十年增长近18倍。现在已经有工业巡检机器人、家庭服务机器人、医疗康复机器人，比如Figure机器人能做家务，工业机器人能完成复杂装配。2025年，头部具身智能厂商已经开始千台级量产，标志着具身智能初步进入产业化阶段，物理AI走向应用拐点。
但具身智能的核心瓶颈是数据——需要高质量、规模化的物理世界数据，比如机器人抓取物体的力度数据、环境感知数据。当前互联网数据缺少动作信息，仿真数据真实性有限、泛化难，高质量的真实世界数据成为关键制约。比如它石智航发布的World In Your Hands数据集，采集酒店洗衣、物流作业等场景的人类标准操作流程数据，让数据“来自真实世界”；深圳某影院的AI机器人创下14小时卖出1000杯爆米花的纪录，能精准推荐饮品、零差错收款，还可根据行走速度调整平衡，展现出成熟的物理世界适应能力。
目前具身智能赛道软硬件均未收敛，模型层面有端到端VLA模型、分层模型以及世界模型等并行发展。端到端VLA是资本热度最高的路线（“一套权重看图听话直接出动作”），适合旗舰Demo与科研；分层方案是量产主力（“大小脑分工，兼顾效率与可靠性”）；世界模型仍处于早期验证。这反映了具身智能的复杂性，单一方案难以解决从高层认知到物理交互的全部挑战，需要多方协作推动技术进步和标准制定。
未来具身智能将从“工业场景”向“消费场景”逐步渗透，2027年消费级具身智能产品的市场规模将超过工业级。同时，具身智能将向“轻量化、低成本、高适配”方向发展，2026年人形机器人整机成本将降至25-40万元区间，投资回收期缩短至2年以内，在服务行业的渗透率将达15%；消费端“All in One”超级AI入口成型，手机端AI可离线完成多模态内容创作，无需依赖云端算力。此外，具身智能与脑机接口、虚拟现实等技术的融合，将催生全新的应用场景，比如沉浸式游戏、远程医疗等。
AI成为操作系统，基础设施也得跟着变，这张PPT对比了传统AI Infra和Agent Infra的差异：
传统AI Infra聚焦“被动执行”，关键指标是速度和吞吐量，比如模型训练有多快、能处理多少数据；
Agent Infra不一样，聚焦“自主决策和持续交互”，关键指标是决策质量和安全，比如AI做的决策对不对、有没有安全风险。这是因为AI的定位变了，从辅助工具变成了核心操作系统，对自主学习、风险控制的要求大幅提升。
Agent Infra需要围绕环境、上下文、工具与安全隔离等维度构建，更强调“A2A（Agent to Agent）”交互范式，比如无问芯穹提出的Agentic Infra新范式，通过环境建模、上下文管理、工具池建设和安全沙箱，支持Agent自主协作与持续进化，最终目标是实现“以Agents生产Agents”，推动智能体生态自我进化。
未来的基础设施，必须围绕“自主决策、安全可控”来构建，满足连续交互、自动、自洽的需求。比如在资源调度上，不仅要考虑算力利用率，还要预判Agent的任务优先级；在安全防护上，要防止Agent之间的恶意调用，以及Agent对底层系统的越权操作。
AI时代的开发者挑战
AI给开发者带来了效率提升，但也带来了新挑战：
82%的开发者常规使用AI编程工具，其中超60%的开发者每天都在使用；67%的开发者说AI生成或影响了至少20%的代码库，78%的人表示AI编程让生产力有所提高，59%的人认为AI提升了整体代码质量，效率确实提升了。
但问题也来了：76.4%的开发人员经常遇到AI代码“幻觉”，且对AI代码缺乏信心。他们会手动查看或重写大多数建议，避免直接将AI集成到工作中。更核心的矛盾是：编程的难点从来不是写代码，而是搞清楚要做什么——“编程很简单，软件工程很难”，AI可以“写代码”，但很难“构建软件”。比如AI能生成排序算法代码，但无法理解整个系统的架构设计、模块耦合关系，也难以应对复杂的业务逻辑迭代。
这就导致一个现象：AI并没有让编程人人可做，反而把权力集中到了专家手中。“老手+AI”的组合能产生更大价值，AI更像一个“有自己电脑的笨实习生”，需要人类给出明确任务（比如“写一个用户登录接口，符合OAuth2.0协议”），自己则专注于更高层次的架构设计、逻辑梳理、风险把控。
这里有个关键Know-How：用AI编程要“控过程、强校验”。比如先让AI生成代码框架，再人工补充核心逻辑；用静态代码分析工具（如SonarQube）检测AI代码的漏洞与规范问题；建立“AI代码审核清单”，重点检查边界条件、异常处理、性能瓶颈。这就是编程的悖论：AI提升了效率，但也带来了技术债风险。所以开发者不能完全依赖AI，要把AI当成辅助工具，把控代码质量，新手更要注重基础能力培养，避免被AI“养废”。
生产关系结构变革：执行者减少，主动决策者增加
AI对就业的影响，已经很明显了，岗位变化数据很直观：
计算机图形艺术家岗位减少32.70%，合规专员减少29.23%，摄影师减少28.14%，这些都是重复性强、规则明确的执行者岗位。哈佛大学的研究更显示，2022年中期开始，初级员工的就业趋于平缓并从2023年开始下降，而资深员工的就业持续增长——拐点正是ChatGPT的出现。
这揭示的不是一场普通的“就业危机”，而是“社会流动性的塌陷”。AI正在进行“偏向资历的技术变革”，侵蚀了职业阶梯的底层。企业更希望少的人负责执行，多的人参与决策，高层领导、经理职位的就业水平远高于市场平均，职位越高，就业表现越好（如分析1.8亿份招聘启事显示，高级领导职位几乎未受就业市场收缩影响）。
AI对就业的影响并非“替代”，而是“重构”。未来将出现三类新岗位：第一类是“AI训练与运维岗”，比如数据标注师、模型调优工程师等；第二类是“AI协同岗”，比如AI辅助设计师、AI辅助医生等，这类岗位需要人类与AI协同工作；第三类是“AI无法替代的岗位”，比如创意设计、战略决策、情感服务等。
同时，终身学习将成为职场人的必备能力，2027年将有超过70%的职场人每年参加不少于3次的技能培训。比如某医院引入AI诊断系统后，医生不用再做重复性的影像分析，能专注于病情诊断和治疗方案制定，同时新增了AI训练师岗位，负责优化AI诊断模型的准确率。未来职场人必须提升决策能力、创造性思维，从“执行者”向“决策者”转型。
组织逻辑翻转：从“人找流程”到“流程找人”
就业结构变了，组织逻辑也跟着翻转了。核心观点很鲜明：
过去是“人找流程”，员工得主动适应公司的制度、流程；现在是“流程找人”，AI Agent能自动匹配员工分工、推送工作任务、跟进流程进度，不用再花时间找流程、适应流程。
企业级Agent的快速普及是这一变革的核心驱动力。调研显示，42%的组织现在已经部署了“至少一些代理”，而两个季度前这一数字只有11%。AI Agent成为企业数字化平台的中枢大脑，理解目标后主动调度所有系统和服务，只把需要人类决策或确认的节点精准推送，重构了整个工作逻辑。比如千丁数科为龙湖集团打造的AI智能体解决方案，覆盖不动产十大领域，多Agent协同推动企业从AI Ready到AI Byside再到AI Inside的演进，审批效率提升40%，运营成本降低25%。
