计算机行业2026年度数字经济策略-AI赋能：科技行业投资的黄金时代

目录2026年数字经济：持续高速发展 4智能驾驶：渐进式与跨越式双规发展 6商用车：从规则驱动到数据驱动 7乘用车：从技术验证走向商业落地 13工业从跟跑追赶至超越引领 20研发设计：AI赋能创新提效 22生产制造：AI驱动精益运营 24经营管理：AI重塑决策效能 27AI赋能网安：行业加速发展与大模型一体机落地 31赋能传统网安：产品升级与运营效率提升 31AI应用落地：覆盖网络安全核心场景 35AI内生安全风险与AI衍生安全问题 38AI+医疗：重点场景落地与行业生态重塑 42发展脉络：AI医疗历程与细分赛道 43行业洞察：AI医疗现状与发展趋势 47其他领域：数字经济关联方向补充 49政务AI：提升政府运转效率 49国产芯片：IPO带来产能扩张与供应链协同 51投资建议 55风险提示 56图表目录图1：数字经济赋新生产力理论框架 4图2：中国智能驾技发展路径 6图3：智能驾驶正迈全场景辅助驾驶时代 7图4：搭载高阶智辅驾驶价格下探 8图5：2022-2028E高阶能辅助驾驶市场规及透率预测（亿元） 8图6：智能辅助驶L2-L3法律法规及部分实企业 9图7：从模块化到到，算力需求逐步增长 10图8：行业级智能驶算数据平台 10图9：目前L4智能驾驶发展情况 14图10：车云协同相关的块链 15图年汽车示范、先导区及试点城分图 16图12：寻防机器人年均省7万元成本 17图13：智能驾驶环卫车，预期园区将节约本城区将节约成本21% 17图14：在客单价25元，单车购置和改造20万元情况下，Robotaxi毛利率近传统出租车 17图15：以城区配送L4智能驾驶每年能帮助递站节约19%的成本 18图16：干线物流车在大模运营后会有明显成优势 18图17：L4市场规模快增长中 19图18：AI工软建设全面场景优化 21图19：AI+研发设计 22图20：AI工软建设全面场景优化 24图21：AI+生产制造 24图22：iMOM-APS高级计划排程系统 27图23：AI+经营管理 27图24：金蝶企业管理AI产品蓝图 30图25：网络安全的构成 31图26：中国网络安全产建设重点政策发展总 32图27：2019年~2023中国网络安全市场规模亿） 33图28：全球网络安全市规模亿美元) 33图29：全球人工智能网安全市场规模（亿元） 33图30：网络安全分类 34图31：2022年中国网络全市场结构 34图32：AI防火墙 36图33：AI提升安全运营自动化程度 36图34：AI技术面临的主风险 39图35：AI技术面临的安威胁与挑战、AI安全常用防御技术以及AI应用系统安全解决方案间的联 39图36：AI换脸样例一 40图37：AI换脸样例二 40图38：医疗领域不可能三角 42图39：我国与全球AI疗发展历程 44图40：不同主题对于人智能的需求差异 46图41：AI赋能医疗服务多环节 47图42：国内AI医疗主参与者 47图43：AI医疗市场规模 48图44：2023-2024年医疗AI领域及细分赛道融资次分析 49图45：财税信息化的分类 50图46：中国财务信息化业产业链下游应用域比 51图47：海外芯片FP16（TFLOPS）数据 52图48：国内芯片FP16（TFLOPS）数据 53表1：海内外车企端力规模 12表2：工业软件分类 20表3：AI+工业软件和产制造传统工业软的别 26表4：AI+工业软件在管理和传统工业软的别 29表5：国产算力司IPO情况 542026年数字经济：持续高速发展（图1：数字经济赋能新质生产力理论框架中国信通院AI从AI发展角度而言，数字经济还将进一步科技产业释放价值，一是以数字技术产业创新发展，推动新质生产力动力变革。推进核心技术自主创新，健全技术创新支撑体系，强化企业创新主体地位。二是以数据要素价值充分释放，推动新质生产力要素变革。推动数据资源开放共享，引导数据健康有序流通，促进数据资源高效利用。三是以现代化产业体系建设，推动新质生产力载体变革。加快改造提升传统产业，培育新兴产业和未来产业，提升产业链供应链韧性和安全水平。四是以生产关系适应性优化，推动新质生产力制度变革。加快建设全国统一大市场，完善实体经济和数字经济融合体制机制，积极参与全球数字经济治理。展望2026年，面向十五五的到来，AI+数字经济还将持续对新质生产力发展起到关键支撑作用，加快推动科技的高质量发展。从投资角度来说，我们建议关注以下几个方面：车：从技术突破到生态重构，自动驾驶开启全域价值释放十五五期间，汽车领域将以数字技术深度渗透+产业生态协同共生为核心，推动新质生产力从单点技术验证迈向系统能力落地，成为数字经济赋能实体经济的核心标杆。在技术层面，车路云一体化将实现规模化落地；在商业化层面，商用车智能化将成产业升级关键抓手；在生态层面，国产核心技术将打破海外垄断同时，全国统一的自动驾驶测试与数据流通标准将落地，解决地方试点碎片化问题，推动跨区域商业化运营。工业AI：从单点赋能到全链重构，加速制造业智能化转型十五五期间，工业AI将突破工具级应用局限，深度融入研发-生产-管理-服务全流程，推动制造业从规模驱动向创新驱动转型，成为新质生产力在实体经济中的核心载体。在研发设计领域，端到端智能将成主流范式：AI将实现从概念设计到工艺落地的全流程自动化；在生产制造领域，自适应智能将破解柔性生产难题：AI驱动的生产系统将实现动态调整+自主优化；在经营管理领域，AI决策中枢将重塑企业效率；在自主开发领域，工业软件将实现从可用到好用。工业AI与国产硬件（华为鲲鹏服务器、海光CPU）的适配率还将逐步提升，构建软件-硬件-算法自主可控的工业智能化体系。安全：从被动防御到主动免疫，构建AI驱动的全域安全体系十五五期间，网络安全将以AI技术为核心、数据安全为基础、生态协同为支撑，形成事前预测-事中防御-事后溯源的全周期防护能力，为数字经济发展筑牢安全屏障，保障新质生产力稳定运行。在技术层面，AI安全大模型将成防御核心；在数据安全层面，合规与流通将实现平衡；在风险防御层面，AI内生安全与衍生风险将双线防控；同时，中国将参与全球数字安全规则制定，推动AI安全检测标准国际互认，提升全球数字经济安全治理话语权。AI医疗：从辅助工具到诊疗核心，破解医疗资源供需矛盾十五五期间，AI医疗将突破技术试点阶段，实现临床深度落地+普惠化覆盖，通过数字技术重构医疗流程，破解看病难、看病贵的不可能三角，成为新质生产力改善民生的重要载体。在诊断领域，多模态AI诊断将成临床标配；在药物研发领域，AI全流程赋能将缩短研发周期；在健康管理领域，个性化预防将成主流；在资源配置领域，AI推动医疗资源下沉；在产业生态领域，国产AI医疗设备将突破垄断。其他应用＆国产AI芯片：从单点渗透到生态协同，筑牢数字经济算力底座十五五期间，AI将向更多民生与产业场景渗透，同时国产AI芯片将突破算力瓶颈+生态短板，形成应用牵引芯片、芯片支撑应用的正向循环，为新质生产力发展提供底层算力保障。AI赋能多领域实现效率跃升；AI芯片有望突破卡脖子，构建自主算力生态综上我们认为，十五五期间，数字经济将通过车、工业AI、安全、AI医疗、多领域应用与国产AI芯片的协同发展，全方位激活新质生产力的创新动能，既推动产业升级与技术突破，又改善民生与保障安全，为高质量发展注入持久动力。智能驾驶：渐进式与跨越式双规发展在自动驾驶行业的发展进程中，2025年堪称关键的价值爆发年，渐进式自动驾驶与跨越式自动驾驶两条技术路径双线并行、各放异彩，从技术深化到商业落地，全方位重塑着人类出行与产业运行的模式，拉开了自动驾驶规模化价值释放的大幕。渐进式自动驾驶已进入全场景D2D量产+L3规模化突破的新阶段.功能迭代至全场景：从高速NOA（2022年量产）、城市NOA（2024年量产）升级至全场景D2D，实现车位到车位的全程无缝辅助驾驶，覆盖地库、城区、高速等全链路场景，还融合自动充电、跨楼层泊车等终极场景，彻底打破场景割裂的局限。科技平权深入大众市场：硬件降本（自主开发、集成设计）、软件增效（大模型+数据飞轮）、规模量产（头部车企供应链协同）三力共振，让高阶智驾功能加速下探至平价车型——比亚迪高速NOA进入8万元级车型，小鹏城市NOA覆盖15万元级市场，L2+渗透率预计从2024年的8%跃升至15%，真正实现技术普惠。政策与技术双轮驱动L3落地：地方试点（深圳、北京、武汉等地L3法规）与全国标准（工信部2025年L3技术标准规划、《道路交通安全法》责任修订）持续完善，华为乾崑智驾ADS4.0等L3级商用解决方案发布，车企L3车型蓄势待发，标志着从辅助驾驶向有条件自动驾驶的关键跨越。跨越式自动驾驶则在场景落地、商业闭环上实现质的飞跃。车路云一体化将实现规模化落地：随着硬件和政策的成熟，渐进式自动驾驶将从全场景D2D向车云协同决策升级，通过路侧感知设备（毫米波雷达、摄像头）与云端算力的实时联动，解决单车智能在极端天气（暴雨、大雾）、复杂路口（无保护左转、多非机动车混行）的感知盲区。技术带动成本降低：从成本下降维度看，技术成熟将通过规模效应+硬件迭代+协作分摊三重路径实现成本优化。随着边际成本持续下降，为行业从技术验证向盈利性运营过渡奠定基础。封闭场景深度渗透：在工业园区、矿区、港口等封闭/半封闭场景，无人驾驶物流车、接驳车、牵引车实现规模化替代人工，通过场景定制化技术方案+商业化运营模式，解决了传统运输的效率瓶颈与安全痛点，成为产业智能化升级的标杆。图2：中国智能驾驶技术发展路径亿欧智库整体来看两条路径的并行发展，为自动驾驶行业注入了双重活力：渐进式自动驾驶推动技术普及、用户教育与全场景能力构建，让高阶智驾从豪华配置变为大众标配；跨越式自动驾驶则探索技术极限与商业化路径，为完全无人驾驶的全域落地积累经验。二者互补共进，不仅将重构人类出行方式，更将在物流、交通、产业升级等领域释放巨大价值。可以预见，2025年只是自动驾驶行业爆发的起点，未来随着技术迭代、政策完善与场景拓展，自动驾驶将真正成为推动社会效率与安全升级的核心力量，行业发展前景充满想象空间。商用车：从规则驱动到数据驱动中国智能辅助驾驶功能已经开始实现从特定路段辅助到全旅程智能辅助的价值跃迁，技术也完成从规则驱动到数据驱动的范式升级。整体技术路线沿场景复杂度逐级攀升、覆盖范围持续扩展路径快速发展，历经高速NOA（2022年量产）、城市NOA（2024年量产）、全场景D2D（2025年量产）三阶段。NOA（（NOA（（（AEB）GPS）全场景D2D：实现车位到车位的全程无缝辅助驾驶，覆盖全驾驶场景。包含多场景无缝衔接（地库→城市道路、高速→城市NOA）、超视距全局规划（（（个性化接管提醒、乘客舒适度优化）等功能，标志着高阶智能辅助驾驶迈入全旅程智能辅助新时代。图3：智能驾驶正在迈向全场景辅助驾驶时代亿欧智库高阶智能辅助驾驶正通过科技平权迈入10万元级市场普惠新时代，其核心是硬件降本增效与软件算法迭代的双重驱动，这会带动市场规模的爆发式增长。在表现上，2025年车企纷纷将高阶智驾功能下探至平价车型：比亚迪把高速NOA功能带入8万元级车型，小鹏城市NOA覆盖15万元级市场，其余主流车企也将城市NOA下沉至10-20万元车型，彻底打破了高阶智驾高价专属的壁垒。这一科技平权由三股力量共振推动：软件增效硬件降价：通过自主开发与集成化设计，大幅降低传感器、芯片等硬件成本；规模量产：头部车企凭借销量杠杆和供应链协同，摊薄研发与生产边际成本，推动技术进入普惠新阶段。2021ONE40万202510L2+20248%跃升2025NOA778NOA952亿图4：搭载高阶智辅驾驶价格下探 图5：2022-2028E高阶能辅助驾驶市场规及渗透率预测（亿元）亿智库 亿智库智能辅助驾驶行业以责任认定试点落地+理性宣传为双轮，在政策护航下实现规范化发展，法规体系逐步完善，车企技术从L2向L3加速进阶。目前在法规建设上，依旧遵循地方试点先行→全国标准推进的路径：地方试点2022L3L3速及（；武汉RobotaxiL3全国标准L3/L4从国家级技术标准层面规范L32025年完成L3L3在政策的护航下，车企技术升级同步发力：L2→L2+领域NOA相继落地，全场景D2D功能也在持续迭代；L3领域2025ADS4.0L3商用2025L3L3L2L22022L3L3年L3图6：智能辅助驾驶L2-L3法律法规及部分可实现企业亿欧智库从产业发展角度看，我们坚定看好汽车算力+数据闭环方案供应商的未来方向，核心源于高阶智能驾驶（L3及以上）落地对算力支撑与数据迭代的双重刚性需求，且二者的协同融合正是突破当前技术瓶颈的关键。一方面，智能驾驶技术向全场景、高可靠进阶时，对算力的需求呈现指数级增长：随着激光雷达、4D毫米波雷达、高分辨率摄像头等多传感器的大规模装车，单台车每秒产生的感知数据量可达GB级，需实时完成环境感知、多目标预测、路径规划等复杂计算——这不仅要求供应商提供边缘端（车/路侧）低延迟算力+云端大规模训练算力的协同架构，还需突破异构算力（GPU/FPGA/ASIC/NPU）的高效调度技术，以及国产化算力芯片的适配优化（解决卡脖子风险）。例如，城市NOA场景中，车辆需在毫秒级响应突发路况，既依赖边缘算力的实时决策，又需云端算力对区域交通数据的汇总分析，而方案供应商能通过一体化算力调度系统，平衡实时性与算力利用率，这正是车企独立建设难以快速突破的技术痛点。另一方面，数据闭环是高阶智驾模型持续迭代的核心引擎：高阶智驾的安全性依赖对极端场景（CornerCase）的覆盖，而这类数据天然稀缺且分散，需通过采集-筛选-标注-训练-验证-部署-反馈的闭环持续积累。当前技术发展中，人工标注成本高、数据合规性（隐私保护、地理信息安全）要求严、高价值数据筛选效率低等问题，正制约车企模型迭代速度——而专业方案供应商能通过自动化标注技术（如基于大模型的半监督标注）降低80%以上的人工成本，依托联邦学习、差分隐私等技术实现数据可用不可见，同时结合仿真测试平台将实车数据与虚拟场景数据融合，快速扩充极端场景数据集。更关键的是，数据闭环的高效运转需以匹配的算力为基础：海量数据的清洗、特征提取、模型训练需大规模算力集群支撑，而供应商能通过算力按需分配+数据动态调度的协同方案，避免车企陷入算力闲置与算力不足并存的困境，让数据价值最大化。图7：从模块化到端到端，算力需求逐步增长亿欧智库此外，从技术协同性来看，二者的深度绑定正推动智能驾驶技术从分散研发向集约化迭代升级：算力的优化可反哺数据闭环效率（如通过算力调度优先级设置，让高价值数据优先进入训练流程），而数据闭环产生的模型迭代需求又能驱动算力架构升级（如针对特定模型特征优化芯片算子）。这种算力支撑数据迭代、数据反哺算力优化的正向循环，既能帮助车企降低智驾研发的技术门槛与成本（无需独立搭建复杂的算力与数据体系），又能快速响应技术迭代（如大模型与智驾模型的融合、车路云一体化的算力协同），恰好契合当前智能驾驶从单点技术突破向系统能力落地的技术发展主线——因此，能提供一体化解决方案的供应商，必然成为推动高阶智驾规模化落地的核心力量，发展前景极具确定性。图8：行业级智能驾驶智算数据平台中国汽车工程学会人工智能分会AIAI国外企业在数据积累、算力规模、算法迭代及仿真能力上形成壁垒特斯拉：全链条领先，是端到端自动驾驶标杆。数据端通过影子模式采集标准化道路与驾驶数据，积累海量高价值数据；算力端2024年底总算力达100EFLOPS（FP16，相当于30万块A100显卡）；算法端引领BEV（鸟瞰图）、数据闭环端到端技术，同时开发兼具WorldSim（真实场景仿真）与LogSim（日志回放仿真）的高保真仿真平台。AI2023-2024LINGO-1传统车企力中心，并通过NVIDIADRIVESim英伟达：提供全栈式硬件与软件支持。推出端到端自动驾驶开发平台NVIDIADriveDGX-1DRIVEIXDRIVESim国内近年加速智算基础设施布局，但在核心技术、数据机制、人才储备上仍存明显短板，呈现硬件快进、软件滞后的特点：智算中心建设：多主体参与，规模快速扩张。国内整车企业、互联网厂商、政府及示范区共同推动智算中心落地，形成全域覆盖的建设态势：整车企业：算力需求驱动自建与租赁结合。吉利（1.EFS、小鹏（1EFS（9.EFS（3OS互联网科技厂商：争夺AI算力高地。阿里张北超级智算中心规模达12EO3EO，政府端20231000P177智能网联示范区：车路云数据与算力协同。20个车路云一体化试点城市通过路侧感知设施汇聚道路数据，同步建设云控基础平台，为数据与算力的区域协同奠定基础。颈：：硬件端，除华为昇腾外，国产AI10%；软件端，国外框架（TensorFlow、PyTorch）垄断市场，国产框架（华为MindSpore）数据共享与开放机制缺失：公开数据集远少于国外（如缺少对标nuPlanayOpeDaaetConeCae（极端场景）数据占比不足5%；数据确权、定价、合规流通规则模糊，敏感数据（舱内、地理信息）边界不清晰，导致企业共享意愿低，数据孤岛问题突出。AI复合型人才缺口巨大：2024AI752030600200（+AI）表1：海内外车企云端算力规模类别企业/机构名称云端算力规模算力细节/备注国内车企吉利汽车（星睿智算中心）23.5EFLOPS国内车企云端算力领跑者，支撑高阶智驾模型训练与CornerCase场景挖掘华为（车BU）突 破10EFLOPS6亿公里L3级仿真验证理想汽车8.1EFLOPS匹配L2+级智驾功能迭代，支撑城市NOA等场景数据闭环小米汽车8.1EFLOPS与理想算力规模相当，服务XiaomiPilotMax智驾系统研发小鹏汽车计 划 达10EFLOPS（2025年）目标从现有2.51EFLOPS提升，同时自建扶摇智算中心（600PFLOPS=0.6EFLOPS）蔚来汽车（超算集群）472PFLOPS（0.472EFLOPS）支撑NIOPilot系统迭代，以双芯片冗余设计的车端算力为核心，云端侧重数据闭环奇瑞汽车（天穹智算）超13EFLOPS2050里程海外车企特斯拉（Cortex超算集群）未 明 确EFLOPS（5万个GPU）集成5万个英伟达H100/H200GPU，计划2025年内扩容至10万个，跻身全球前五大AI训练集群特斯拉（Dojo超算）1.1EFLOPS（2023年）10%Dojo10倍（计划中）Waymo未公开具体规模依托谷歌云算力基础设施，支撑高保真仿真测试与大规模数据集训练宝马集团未公开具体规模与亚马逊云科技合作开发定制化数据管理平台，依赖云厂商算力支撑智驾研发中国汽车工程学会人工智能分会展望2026，我们认为汽车算力+数据闭环方案供应商的未来发展，需围绕解决适配断层展开，形成算力适配数据、数据反哺算力的正向循环，具体有三个核心方向构建异构算力+多框架的适配层，推动算力国产化与高效利用。针对国产算力适配痛点，供应商需开发跨架构算力调度平台：一方面，通过算子兼容层实现国产芯片（昇腾、寒武纪）与国内外框架的适配，支持一张算力卡适配多框架、一个框架兼容多芯片，降低企业使用国产算力的门槛；另一方面，搭建算力共享适配系统，通过标准化接口对接车企、高校的闲置算力，实现按需分配、按量计费，如报告中70%企业愿意加入算力共享体系，这一方向可有效解决算力适配浪费。同时，开发车-路-云算力协同适配标准，统一车端（边缘（打造全流程数据闭环适配工具链，让数据高效转化为模型能力。针对数据闭环适配断层，供应商需提供数据采集-筛选-标注-训练-验证的全流程适配工具：其一，制定跨场景数据格式适配标准，开发数据格式转换工具，实现不同传感器、车企数据的统一适配，解决数据复用难问题；其二，开发高价值数据筛选-算力适配一体化模块，将AI筛选算法（如基于异常检测的CornerCase识别）与算力调度绑定，优先为数据筛选分配算力，提升高价值数据识别效率；其三，构建合规-确权-流通适配体系，将隐私计算（联邦学习、差分隐私）技术与数据确权区块链工具适配，实现数据可用不可见，同时开发数据定价适配模型（如按数据价值、使用次数定价），解决报告中数据流通难的核心痛点。建立算力-数据-模型协同适配平台，实现三者动态匹配。供应商需打破算力与数据的割裂，构建统一的协同适配层：一方面，开发动态算力调度适配算法，根据数据闭环进度（如标注阶段需10%算力、训练阶段需80%算力）自动调整算力分配，避免算力闲置；另一方面，针对智驾模型特性（如端到端模型、分块式模型）优化算力架构适配，例如为Transformer模型设计专用并行计算模块，提升训练效率；同时，搭建数据-模型-算力反馈适配机制，通过模型训练效果（如识别准确率）反向调整数据筛选标准与算力分配比例，形成数据驱动算力优化、算力支撑模型迭代的适配闭环。从技术适配角度，我们认为投资机会集中在解决适配断层的核心技术与满足特定需求的场景化方案，具体可分为两个赛道：国产算力-框架适配工具：投资方向为算子兼容软件、异构算力调度平台，如能实现国产芯片与MindSpore、TensorFlow双适配的中间件，解决报告中国产算力用不起来的痛点，目标客户为使用国产算力的车企、智驾供应商；车-路-云算力协同适配系统：投资方向为边缘-云端算力调度协议、数据传输适配接口，如能统一车端（如高通8295）与云端（如阿里张北智算中心）算力调度的平台，适配报告中20个车路云一体化试点城市需求，目标客户为地方政府、示范区运营方。CornerCase数据筛选-标注适配工具：投资方向为AI驱动的高价值数据识别算法+自动化标注平台，如能结合算力动态分配，将CornerCase识别效率提升50%以上的工具，解决报告中高价值数据少、标注成本高的痛点，目标客户为车企、智驾数据服务商；数据合规与流通适配系统：投资方向为隐私计算+区块链确权一体化方案，如能实现敏感数据脱敏后仍可用于模型训练、且数据确权可追溯的平台，适配报告中数据流通需解决合规与确权的需求，目标客户为行业级数据交易平台、车企联盟。乘用车：从技术验证走向商业落地2025年，中国L4级智能驾驶正从技术验证加速迈向商业化爬坡的关键节点，政策、技术、场景的三重驱动形成强大合力，推动产业进入规模化落地的元年。政策层面，工信部联合公安部推出修订版管理办法，上海、广州等五城率先实现全域商业化运营，取消安全员强制值守要求，并以技术缺陷比例明确事故责任划分，为行业扫清制度障碍；技术端，激光雷达分辨率突破200线，车路云协同能力持续增强，系统成本较三年前下降60%，百度ADFM大模型更将复杂路况事故率降至人类驾驶员的1/149；场景落地则呈现多线开花态势，Robotaxi形成智驾公司-主机厂-出行平台金三角模式，单车年毛利率接近传统出租车水平，工业园区智能重叉车、城区无人配送等场景更实现年均数万元的成本节省。截至年末，五城L4车辆保有量已突破10万辆，带动产业链规模超200亿元。20263030%，20L445图9：目前L4智能驾驶的发展情况亿欧智库车云协同作为L4智能驾驶商业化的重要支撑，其产业协作格局已初步显现，核心围绕车端智能执行、云端算力与数据服务、通信链路保障三大环节展开，参与主体涵盖多类企业。从产业协作架构来看，车云协同的核心逻辑是车端执行+云端赋能+链路保障的三位一体模式，这一模式的落地依赖多类型企业的分工与配合。车端作为协同的感知与执行终端，聚集了小马智行・pony、文远知行、蘑菇车联等智能驾驶解决方案提供商，以及北汽集团（BAIC）、广汽集团、长安汽车、中国一汽等主机厂——前者负责为车辆搭载激光雷达、毫米波雷达等感知硬件与本地决策算法，实现实时路况识别、突发场景应急处理等基础功能；后者则通过定制化车型开发，为车云协同提供适配的硬件载体，例如北汽新能源与蘑菇车联合作的Robotaxi车型，便预留了云端数据交互的专属接口，确保车端与云端的高效联动云端则承担算力中枢与数据大脑的角色，是车云协同支撑商业化的核心动力源。报告中提及的腾讯云、百度智能云、华为云、天翼云、阿里云等云服务提供商，以及百度、华为等兼具智驾技术与云端能力的企业，为L4智能驾驶提供三大关键支撑：一是大规模算力供给，满足L4车型对复杂路况的实时建模、多车协同调度等高频次算力需求，例如百度智能云为其ApolloRobotaxi提供的边缘计算节点，可将数据处理延迟控制在毫秒级；二是海量数据管理，存储车端每日采集的千万级公里驾驶数据，并通过云端算法对数据进行清洗、标注，反哺驾驶模型迭代——腾讯云便与轻舟QCRAFT合作搭建了专属数据平台，实现数据回传-模型训练-算法下发的闭环；三是全局资源调度，结合高精度地图实时更新（如百度贵图、高德地图的云端更新服务）与区域交通动态数据（如蘑菇车联与北京公交、中国联通协作获取的路况信息），为车端提供最优行驶路径规划，提升运营效率。通信链路则是保障车云协同互联互通的基础桥梁，其低延迟、高可靠性直接决定协同效果。报告中提到的中国移动、中国联通、ZTE中兴等企业，通过5G-V2X技术搭建车云通信网络：一方面，确保车端感知数据（如突发障碍物信息）、车辆状态数据（如电量、故障预警）能实时回传至云端，避免因数据传输延迟导致的安全风险；另一方面，保障云端下发的调度指令（如路径调整、避让提醒）能精准触达车端，尤其在Robotaxi集群运营、园区智能物流等场景中，通信链路的稳定性可直接提升车辆周转率。图10：车云协同相关的模块链亿欧智库从商业化落地场景来看，车云协同的支撑作用已在多个领域显现。在Robotaxi领域，文远知行、蘑菇车联等企业通过车端感知+云端调度的模式，解决了单一车辆在复杂路口、高峰期拥堵场景下的决策局限——例如蘑菇车联与中国联通、腾讯云合作，在广州黄埔区实现Robotaxi全域运营，云端可实时整合区域内200+台车辆的路况数据，提前预判拥堵点并调整行驶路线，使车辆空驶率降低25%；在机场物流场景，海口美兰国际机场、鄂州花湖机场引入仓擎智能、TRUNK等企业的无人转运车，通过车云协同实现货物定位-路径规划-装卸调度的自动化：车端负责货物实时追踪与避障，云端则根据航班起降动态调整运输时序，使货物转运效率提升40%，人力成本降低60%。2025年是中国智能网联汽车从技术验证向规模化商业化迈进的关键一年，相关政策围绕顶层设计明确化、监管要求精细化、安全底线严格化、产业协同高效化四大核心方向展开，形成覆盖战略-准入-运营-安全全链条的管理体系，为产业高质量发展提供清晰指引。2026年L4智能驾驶相关政策导向主要体现为支持多主体协同推进商业化落地，例如北京经济技术开发区、上海市人民政府等地方层面推动试点环境搭建，中国联通、中国移动、ZTE中兴等通信企业受政策引导保障车云协同的通信链路，与小马智行・pony、文远知行、蘑菇车联等智驾企业，以及北汽集团、广汽集团等主机厂联动，同时结合腾讯云、百度智能云等云端服务商的算力支撑，共同为Robotaxi全域运营、园区智能服务等L4场景落地创造条件，形成车-云-路-政府协同的政策支持氛围，助力L4智能驾驶突破场景覆盖与运营效率瓶颈。图11：2024年汽车示范区、先导区及试点城市分布图亿欧智库随着技术成熟度提高，L4智能驾驶行业的稳定性提升与成本下降将深度依托产业协同体系落地。从成本下降维度看，技术成熟将通过规模效应+硬件迭代+协作分摊三重路径实现成本优化：一方面，北汽集团、广汽集团等主机厂与智驾企业的深度合作（如定制化L4车型开发）将推动感知硬件、算力模块的规模化采购与生产，降低单车硬件成本，例如北汽新能源与蘑菇车联合作的Robotaxi车型已通过部件集成减少冗余配置，降低硬件开支；另一方面，华为云、天翼云等云端服务商的算力共享模式，可减少车端本地算力模块的配置需求，避免单车算力资源浪费，同时百度贵图、高德地图的云端高精度地图实时更新服务，能替代传统车载地图的高频线下升级成本；此外，随着海口美兰国际机场、鄂州花湖机场等场景中仓擎智能、TRUNK无人转运车的规模化落地，以及上海、北京等城市Robotaxi全域运营的推进，L4智能驾驶的研发成本、运营维护成本将被更多场景与订单分摊，边际成本持续下降，为行业从技术验证向盈利性运营过渡奠定基础。图12：寻防机器人年均节省7万元成本亿欧智库图13：智能驾驶环卫车后，预期园区将节约成本11%，城区将节约成本21%亿欧智库图14：在客单价25元，单车购置和改造20万元情况下，Robotaxi毛利率接近传统出租车亿欧智库图15：以城区配送L4智能驾驶每年能帮助快递驿站节约19%的成本亿欧智库图16：干线物流车在大规模运营后会有明显的成本优势亿欧智库在此基础下，我们认为2026年L4智能驾驶将迈入规模扩张与盈利攻坚期。政策层面，全域运营城市预计扩围至15城，京沪高速等干线物流场景开放无人重卡试点，OTA升级、数据安全等专项标准落地；技术上，头部企业L4车辆总拥有成本（TCO）较2023年下降50-60%，硬件成本占比从70%降至45%，端云协同技术使极端天气功能退出率降低50%，算力利用率提升300%；场景与商业化方面，一线城市核心区Robotaxi实现全无人常态化运营，单车日均订单突破30次，干线物流、城际接驳等场景加速渗透，封闭场景净利率有望达15%，头部企业通过技术授权+场景运营巩固格局，中国解决方案开始向海外输出。图17：L4市场规模快速增长中亿欧智库从投资角度来说，我们建议关注解决方案提供商的收入增长以及各类场景运营商的降本增效。解决方案商的收入增长与场景运营商的降本增效并非孤立，而是形成正向协同：解决方案商的技术迭代（如低成本算法方案）能直接帮助运营商降低硬件与运营成本，而运营商的规模扩张（如新增1000台运营车辆）又会反哺解决方案商的收入增长（如新增软件授权与迭代服务订单）。例如，华为ADS3.0方案的成本优化，使问界M9的L4功能落地成本降低40%，推动问界自动驾驶车队规模扩张至5000台，而车队扩张又为华为带来持续的软件服务费收入，形成技术-规模-收入的闭环。因此，投资端在关注单一企业时，需同时评估其与产业链上下游的协同能力：对解决方案商，看其是否有稳定的运营商客户（如与滴滴、蘑菇车联的长期合作）；对场景运营商，看其是否绑定技术领先的解决方案商（如百度Apollo的Robotaxi车队仅使用自研方案，技术迭代速度快于行业平均）。这种协同能力不仅能支撑短期收入与成本优化，更能在行业竞争加剧时形成技术+规模的护城河，成为长期投资价值的核心支撑。工业AI实际上是利用软件技术实现对工业技术，知识、流程的永久固定和随时复用。工业软件是对先前工业知识与技术的总结与存档，使之前无形的知识、技术变成可以长期多次复用的工业工具和效率倍增器这些知识和技术既可以是设计环节里的灵感，也可以是制造环节中的工艺，还可以是管理层面的经验。在工业软件出现之前，操纵机床加工金属的技艺往往掌握在以老师傅为代表的高级技工手中，多年积累的工艺知识只能通过口口相传的方式教授给下一代的年轻工人。而工业软件出现后，一个普通人经过短期的培训就可以在工业软件的辅助下，利用数控机床制造出精确程度不输给老师傅的金属器件。表2：工业软件分类类型 典型产品 作用信息管理类企业资源计划客户关系管理应链管理、HRM（人力资源管理、EAM（管理）提高生产管理水平、提高信息和物流协作效率、降低企业管理成本研发设计类辅助设计辅助分析辅助制造PDM（产品数据管理、PLM（产品生命周期管理、EDA（电子设计自动化）缩短开发周期生产控制类MES（制造执行系统、APS（高级计划排产系统数据采集与监视控制系统系统）提高制造设备利用率、降低制造成本、提高生产质量嵌入式软件嵌入工业装备内部的软件，主要应用领域包括工业通信、能源电子、汽车电子、安防电子等提高工业装备的数字化、自动化和智能化水平，提升工业装备性能和附加值工业软件发展简史AnsysMSC2060NASA高端CADCAD、CAECADAnsys208020002001提供软硬一体化方案；瑞典海克斯康公司并购了不少于115家公司，成长为新的工业软件巨头。在AI的加持下，我们认为国内工业软件的新一轮大迭代即将到来。这轮迭代不仅会延续需求催生、应用牵引的核心逻辑，更会以AI为突破口，解决国内工业软件长期面临的效率、易用性与场景适配难题，加速自主开发与价值升级。一是AICEAICAE厂商已引入AI3二是数据驱动重构软件价值，打通设计-制造-运维闭环。传统工业软件多聚焦单一环节（如仅负责设计），难以整合生产、运维阶段的实时数据。而AI的核心优势在于对多源工业数据的处理与价值挖掘——通过对接设备传感器、MES系统（制造执行系统）的数据，工业软件可从工具型向决策型升级。比如，国产PLM（产品生命周期管理）软件结合AI后，能基于产品实际运行数据预测零部件寿命，反向优化设计方案；在新能源领域，AI驱动的电池设计软件可联动产线数据，实时调整电极配方以提升电池能量密度。AIAICADAI四是AI+资本联动，加速产业链整合。参考国际巨头并购扩围的路径，国内工业软件企业正借助AI赛道的资本热度，通过并购整合AI技术团队与垂直场景解决方案。一方面，头部厂商通过收购AI算法公司，快速补齐技术短板；另一方面，资本正推动工业软件+AI+硬件的协同并购，比如部分自动化设备厂商收购国产MES软件公司后，嵌入AI调度模块，形成设备+软件+智能调度的一体化方案，构建更强的竞争壁垒。图18：AI工软建设全面向场景优化IDC我们认为，随着这轮工软全面向场景优化，这轮AI驱动的迭代，将不再是国产软件对国际产品的跟随式模仿，而是基于本土产业需求的差异化突破——通过AI解决实际痛点，国内工业软件有望在部分细分领域（如新能源、专精特新制造）实现从可用到好用的跨越，甚至形成领先优势。研发设计：AI赋能创新提效传统工业软件是规则驱动，依赖预设逻辑与人工操作；而AI是数据驱动+知识学习，通过机器学习从数据中提炼规律，通过NLP/CV打破人机交互壁垒，通过知识图谱实现经验复用。这种范式革新让AI在效率（自动化替代人工）、智能性（理解自然语言、图像）、适应性（小样本学习适配小众场景）上全面超越传统软件，最终帮助企业实现研发周期缩短、创新成本降低、设计质量提升的核心目标。从技术原理层面，AI能在研发设计领域超越传统工业软件，核心源于数据驱动的智能范式革新，其通过机器学习、自然语言处理（NLP）、计算机视觉（CV）、知识图谱等技术，从效率、智能性、知识复用、场景适配四个维度实现突破。图19：AI+研发设计IDC建模环节：从手动堆砌到智能生成+知识沉淀（生成式AI（文生图/3D、图生3D）：基于扩散模型、Transformer架构，将自然语言描述或参考图像转化为3D模型（如Solidworks2025AURA的文生CAD模型）。原理是通过大规模图像/3D模型数据训练，学习语言-几何特征的映射关系，让工程师以描述需求替代手动绘图，大幅缩短建模周期。知识图谱与智能检索：将企业历史设计图纸、规范文档转化为结构化知识图谱（如模型设计知识库），通过语义检索技术（如向量数据库+NLP），让工程师以自然语言提问即可获取设计知识（如检索某型号电机的轴承选型规范）。传统软件无此能力，知识多以文档形式散落，复用成本高。审查变更环节：从人工比对到智能感知+自动执行AI计算机视觉（CV）与图像理解：对图纸变更前后的图像进行像素级比对（如目标检测、图像分割算法），自动标记变更区域（如鼎捷雅典娜文生设计变更）。原理是通过训练CNN模型学习图纸的几何特征，实现像素级差异识别，准确率远超人工。自然语言处理（NLP）与意图理解：将设计变更需求（如将零件厚度增加2mm）转化为机器可执行的指令，自动修改图纸参数。其技术核心是大语言模型（LLM）对自然语言的语义解析，打破人类-软件的交互壁垒，传统软件需工程师手动调整参数，流程繁琐。代码生成自动化：针对二次开发场景，AI通过预训练模型（如CodeGPT）学习代码生成规律，将设计逻辑直接转化为可执行代码（如玲珑智能二代代码生成）。传统二次开发需工程师手动编写代码，AI可将开发时间从天级压缩至分钟级。仿真预测环节：从暴力计算到数据驱动+代理模型传统CAE软件依赖物理方程求解+网格剖分，计算耗时、对硬件依赖强。AI通过代理模型（SurrogateModel）实现效率跃迁：机器学习加速仿真：以AnsysSimAI为例，通过训练深度学习模型（如CNN、LSTM）学习输入参数-仿真结果的映射关系，将原本需数小时的仿真计算（如汽车碰撞、流体力学分析）替换为模型预测，耗时从小时级降至秒级。原理是利用历史仿真数据构建数据驱动的预测模型，替代传统物理方程求解的强计算过程。多模态数据融合：针对复杂场景（如华为地幔大模型融合地质、工程数据），AI通过多模态建模技术（如Transformer融合数值、图像、文本数据），实现跨领域数据的高效整合。传统软件难以处理多源异构数据，AI则能突破数据孤岛，提升仿真精度与场景适配性。工艺创建审查：从人工查规到智能生成+合规校验AI通大语言模型（LLM）驱动的工艺生成：将行业工艺规范、设计规则编码为Prompt，让LLM自动生成工艺文件（如赛意信息PCB工艺文件生成）。原理是LLM通过学习海量工艺文档，掌握设计意图-工艺逻辑的映射，实现从设计图纸到工艺文件的自动化转化。规则引擎与计算机视觉的合规审查：对工艺文件（如图纸、流程文档）进行智能审查，通过CV识别图纸中的工艺特征（如焊点大小是否符合规范），结合规则引擎（如Solidworks工艺审查优化）自动校验合规性。传统人工审查依赖经验，AI可实现全维度、无遗漏的合规校验。比如中望软件CAx+AI技术以自主内核+AI技术+行业知识为核心，在设计、仿真、制造全流程实现智能化升级，打破传统工业软件手动操作、经验依赖、流程割裂的痛点，形成从工具级效率提升到全流程智能决策的闭环。中望将AI技术（AI）CAD（CAE（CAM（制造）图20：AI工软建设全面向场景优化中望软件目前中望CAx+AI已在机械装备、汽车零部件、建筑等行业形成成熟方案，通过设计-仿真-制造-协同一体化，解决行业定制化、效率低等痛点。机械装备行业：东华机械采用该方案后，设计周期压缩50%、出图效率提升20%；AI参数化设计可快速响应客户定制需求，CAE提前识别90%设计缺陷，CAM自动生成加工代码，实现概念→量产全流程提速。汽车零部件行业：奇瑞、江淮等车企通过异构数据复用+AI快速匹配技术，实现多软件间带参模型转换，设计效率提升30%-80%；例如车灯模具设计中，AI自动匹配历史成功案例的工艺参数，减少试模次数。建筑行业CAD建筑版的AI千个项目，某建筑设计院通过AI11100%。生产制造：AI驱动精益运营传统工业软件是工具型执行层系，依赖人工输入与规则；而AI是智能型决策层系统，通过数据学习、自主推理实现从被动响应到主动预测、从单点功能到全流程优化的跨越，这是其在生产制造领域效果更优的本质原因。技术原理层面来看AI在生产制造领域优于传统工业软件的原因，需围绕数据处理范式、智能决策能力、场景适配性三个核心维度。图21：AI+生产制造IDC设备运维辅助：从被动响应到预测性主动干预传统设备运维依赖人工巡检+阈值报警，滞后性强、故障识别精度低。AI通过以下技术实现革新：时序分析与异常检测：基于LSTM、孤立森林等算法，对设备振动、温度、电流等时序数据进行实时分析（如图中某能源集团AI+边缘计算）。原理是学习设备正常运行模式，一旦数据偏离模式则触发预警，将故障识别提前至萌芽阶段，而传统阈值报警仅能识别已发生的明显异常。数字孪生与根因分析（工艺质量分析优化：从经验依赖到数据驱动的精准优化传统工艺优化依赖工程师试错经验，周期长、成本高。AI通过以下技术突破：机器学习挖掘隐性关联：以卡奥斯质量分析工具为例，通过XGBoost、神经网络分析全流程工艺参数（如温度、压力、原料成分）与产品质量的非线性关系，识别传统经验无法发现的关键影响因子，实现工艺参数的精准调优。YOLOCV（如芯片、钢材）进行实时缺陷检测，精度可达99%以上，远超人工肉眼或传统机器视觉的规则化检测（易漏检复杂缺陷）。安全监控：从规则报警到多模态智能预警传统安全监控依赖预设阈值+人工巡检，误报率高、场景覆盖不足。AI通过以下技术升级：多模态数据融合：华为云合规检测融合视频监控（CV识别违规操作）、文本报告（NLP提取隐患信息）、设备数据（时序分析异常），构建知识图谱式的安全规则库。当风险发生时，通过图神经网络（GNN）快速推理关联风险，传统规则仅能单点报警，无法识别连锁风险。异常行为识别：基于人体姿态估计、行为识别算法，对工厂人员操作（如未戴安全帽进入危险区）进行实时识别，传统监控需人工盯屏，AI可实现24小时无遗漏监控。运行监控与节能：从静态控制到动态自适应优化传统运行控制是固定逻辑编程，无法适应复杂场景。AI通过以下技术实现智能调控：强化学习的动态决策：浪潮工业设备节能智能体采用DQN、PPO等强化学习算法，根据环境变化（如生产负荷、外界温度）动态优化设备运行参数（如电机功率、空调启停）。传统PID控制是线性静态逻辑，AI可在节能-生产效率间找到最优平衡。时序预测与资源调度LSTM、Prophet（AI0生产绩效分析：从事后统计到实时预测与决策传统绩效分析是历史数据汇总，对未来无指导价值。AI通过以下技术实现前瞻式管理：大数据分析与预测建模：金蝶数字化工厂分析结合GBRT、深度学习模型，实时分析产线数据并预测产能瓶颈、质量风险。传统BI工具仅能做数据可视化，AI可输出行动建议（如调整某产线排班可提升30%效率）工控编程与智能机器人控制：从人工编码到自然交互+自主决策传统工控编程依赖人工编写代码，门槛高、灵活性差。AI通过以下技术颠覆：大语言模型（LLM）的自然语言编程：西门子IndustrialCopilot将工程师的自然语言需求（如让产线A在凌晨3点自动切换到备用设备）转化为工控代码，原理是LLM学习海量工控代码与自然语言的映射关系，将编程效率提升数倍。强化学习的机器人自主控制：浪潮智能机器人控制采用深度强化学习（如SAC、TD3），让机器人在动态环境中自主避障、调整动作（如焊接路径优化）。传统机器人是预编程执行，AI可适应产线的实时变化。表3：AI+工业软件和在生产制造传统工业软件的区别维度 传统工业软件 AI驱动的生产制造数据处理依赖预设规则，仅处理单一类型数据（如数值）/时序等多模态数据决策方式静态逻辑，人工主导动态自适应（强化学习）、预测性决策（时序模型）知识沉淀经验依赖人工传递，易流失可复用、可推理场景适配对小众、复杂场景适配性差（需定制化开发）小样本学习、迁移学习快速适配新场景，降低定制成本赛意基于模型的制造|iMOM赛意数字化制造运营管理系统,基于华为云工业数字模型驱动引擎iDME和数字化制造云平台MBMSpace构建,以平台+行业应用的模式打造场景化的工具链体系。以统一数据模型及组件化设计，支持应用的灵活组配连点成线。基于Center-Site架构，支持集团化、链主和产业集群统一管理，支持云边端弹性部署，解决自动化工厂边缘采集高频率、高稳定需求。目前，iMOM聚焦泛电子、汽车及零部件、装备制造这三大核心制造领域，未来，赛意将持续携手华为，探索并赋能更多行业实施应用，打造行业竞争新优势，助力企业实现提质、降本、增效的智造转型升级。iMOM-APSiMOM,+,实现生产过程的数字化、智能化和可视化管理,应能力与内部盈利能力的双维度提升,提高企业的管理水平和决策效率,图22：iMOM-APS高级计划排程系统赛意信息目前来看，赛意信息的iMOM以泛电子、汽车及零部件、装备制造为核心，通过技术创新与行业Know-How结合，正在成为制造业数字化转型的关键引擎。未来，随着AI、数字孪生等技术的融合，其应用场景将进一步向新能源、高端装备等领域延伸，助力企业实现从制造到智造的跨越。经营管理：AI重塑决策效能传统经营管理软件是流程工具，负责记录与执行；而AI是智能决策中枢，通过数据学习、知识建模实现从被动记录到主动预测、从人工主导到智能优化的跨越，这是其在经营管理领域效果更优的本质技术逻辑。AI在经营管理领域优于传统工业软件的原因，围绕数据处理能力、智能决策逻辑、交互与适配性三个维度，持续优化人力财务、客户服务、采购销售各模块的的运作效率图23：AI+经营管理IDC人力财务领域：从人工驱动到数据+知识双轮驱动传统经营管理软件（如ERP）以流程固化、规则预设为主，依赖人工输入与判断；AI通过多模态数据处理、知识图谱与大模型融合，实现效率与智能的跃迁：财务审核：AI技术原理：通过OCR（光学字符识别）提取票据文本，结合NLP（自然语言处理）解析财务语义（如识别费用归属科目），再通过机器学习模型（如随机森林、图神经网络）学习历史审核规则与风险模式，自动判断合规性（如用友智能审核）。相比传统人工，AI可将审核效率提升5-10倍，且通过知识图谱关联财务-业务-税务多维度规则，降低隐性风险漏检率。人才筛选推荐：传统软件：仅支持简历关键词匹配，无法理解岗位与人才的隐性适配性。AI技术原理：通过NLP语义分析提取简历技能、经验等非结构化信息，结合知识图谱构建岗位能力-人才特质的关联网络（如金蝶AI招聘助手），再通过大语言模型（LLM）理解招聘需求的自然语言描述，实现需求-人才的深度匹配。相比传统软件，AI可将简历筛选效率提升30倍，且能挖掘跨领域技能迁移等人工易忽略的适配点。客户服务领域：从流程响应到智能交互+预测服务通过智能客服：AI技术原理：基于Transformer架构的对话模型（如GPT类大语言模型），实现用户意图识别、多轮对话管理与个性化回复生成（如卡奥斯售后智能体）。同时结合知识图谱管理产品维修、服务流程等专业知识，确保回复准确性。相比传统客服，AI可将工单处理效率提升40%，并通过情感分析识别用户情绪，动态调整沟通策略。销售培训辅助：AI技术原理：通过计算机视觉（CV）分析销售沟通中的肢体语言、表情，结合NLP解析话术语义（如用友销售教练），再通过强化学习输出评分与改进建议。相比传统事后总结，AI可实现实时反馈+行为优化，将销售培训效果提升25%以上。采购销售领域：从人工决策到数据驱动的预测与优化传统采购销售软件以流程记录、人工核算为主，缺乏对复杂业务的预测与优化能力；AI通过时序分析、知识图谱、多目标优化实现全链路智能管理：智能报价：AI技术原理：通过机器学习回归模型（如XGBoost）分析历史报价、成本结构、市场供需等多维度数据，结合约束优化算法生成利润-竞争力平衡的报价方案（如树根互联智能报价）。相比人工，AI可将报价决策时间从天级压缩至分钟级，且方案合理性提升20%。合规审核：AI技术原理：通过NLP信息抽取提取合同关键条款（如付款周期、违约责任），结合法律知识图谱与规则引擎自动校验合规性（如浪潮合同审核智能体）。相比人工，AI可将审核效率提升50%，并通过图神经网络识别条款间的隐性冲突（如付款时间与交货周期的逻辑矛盾）。：AI供应商侧：通过时序分析模型（如LSTM）分析供应商交付历史、市场舆情，预测交付风险（如鼎捷采购智能体）；物资侧：通过计算机视觉+RFID实现物资自动识别与库存实时管理，结合时间序列预测模型（如Prophet）优化库存水平（如羚数智能物资管理）。相比传统管理，AI可将库存周转率提升15%，供应商风险预警准确率超90%。依赖表单、代码等专业交互，门槛高能力（依赖表单、代码等专业交互，门槛高能力（输入数据处理AIAI驱动的经营管理传统经营管理软件维度决策逻辑基于机器学习决策逻辑基于机器学习/大模型的动态预测、多目标优化（如报价平衡、库存优化）交互方式 支持自然语言、图像等直觉式交互（如交互方式支持自然语言、图像等直觉式交互（如AI招聘、智能客服）知识沉淀经验依赖人工传递，易流失知识沉淀经验依赖人工传递，易流失4A架构模AIHRAI2025（企业问数智能体Agent2.0AI30AI在AI金钥财报（AICaB（招聘智能体AIAgent差旅智能体Agent企业知识智能体:图24：金蝶企业管理AI产品蓝图金蝶软件从投资的维度而言，工业软件行业正从"单点突破"转向"生态共赢"，建议采用"核心资产+成长标的"组合策略。核心资产聚焦具备自主技术壁垒与生态整合能力的头部企业，分享自主开发主升浪；成长标的关注深耕细分场景的隐形冠军，把握技术突破后的估值跃迁机会，同时通过分散配置对冲单一赛道的研发不及预期风险，长期伴随行业从"可用"向"好用"的质变过程。研发设计环节：关注AI驱动的高端工业软件厂商，尤其是在CAE仿真（如能将仿真效率提升3倍以上）、CAD智能建模（文生3D模型、知识图谱适配）领域具备自主算法的企业，这类企业可破解传统工业软件效率低、依赖经验的痛点，适配新能源、高端装备等领域的定制化设计需求。生产制造环节：优先选择能提供自适应智能生产系统的供应商，如具备设备预测性维护（基于时序数据的故障预警）、工艺参数动态优化（AI驱动的柔性生产）能力的标的，重点关注与汽车零部件、泛电子等核心制造领域龙头合作落地的企业。经营管理环节：布局AI决策中枢相关企业，尤其是能将数据-模型-决策闭环落地的PLM（产品生命周期管理）、MES（制造执行系统）厂商，这类企业可通过数据驱动优化库存周转、产能调度，优先选择适配国产硬件（华为鲲鹏、海光CPU）的标的，契合信创政策导向。AI赋能网安：行业加速发展与大模型一体机落地2025年是十四五规划收官之年，科技和产业创新成果层出不穷，以人工智能为代表的颠覆性技术正深刻重构社会发展图景。在这一背景下，网络安全行业迎来历史性变革，网络安全保障与信息化建设已形成一体之两翼、驱动之双轮的发展格局，共同成为数字经济高质量发展的核心引擎。一方面，我国信息化基础设施与应用场景持续引领全球，随着各领域数字化渗透率不断提升，国家安全、经济运行和社会稳定的网络依赖性显著增强，对安全防护能力提出了更高要求；另一方面，网络安全深度融入信息化进程的每个环节、AI技术的规模化落地正在引发网络安全需求的结构性升级，随着数字经济体量持续扩大与技术场景持续革新，我国网络安全产业正面临前所未有的市场机遇。网络安全产业在政策护航、技术迭代与威胁升级的三重作用下，一个更广阔、更融合、更智能的网络安全新生态正在形成。赋能传统网安：产品升级与运营效率提升AI威胁。在AIAI图25：网络安全的构成计算机网络技术及应用(第二版)(CyberSecurity)2080~9020142016年《网络安全法》出台，网络安全行业进入快速发展阶段。图26：中国网络安全产业建设重点政策发展汇总前瞻经济学人20253AI大规模使用前，2019年~2023478694亿218220242029CAGR17.39%40%20%。图年~2023中网络安全市场规（亿元 图28：全球网络安全市规模亿美元) 贝哲斯咨询图29：全球人工智能网络安全市场规模（亿美元）Statista，安全极客在AIaa2023至200年全球AI安全市场规模AR1340AI图30：网络安全分类前瞻产业研究院硬件市场:未来几年网络安全硬件仍将是网络安全市场中规模占比最高的一40.00%2021-202518.4%；软件市场202559.0亿美元，五年复合增长率将达23.9%；。2021-202520.8%202561.1图31：2022年中国网络安全市场结构观研天下AI应用落地：覆盖网络安全核心场景AIAIAIAI(UEBA)恶意代码检测AI（（（如M（攻击流量检测AI—(UEBA)在用户与实体行为分析（UEBA）领域，人工智能技术尤其是无监督学习算法通过解析用户及系统实体的行为模式，实现对异常行为的精准识别AI（加密流量分析(C&C)通信、数据泄AI防火墙AIAI(NGFW)AI防火墙是基于AIAI芯AIAI图32：AI防火墙至顶网AI赋能网络安全运营AIAI图33：AI提升安全运营的自动化程度幻影视界告警降噪智能告警过滤与分类AI上下文关联分析攻击研判复杂攻击模式识别（APT）自动化威胁狩猎自动响应与处置自动化剧本执行AI自适应安全策略调整交互式辅助决策报告的自动生成整体来看，AI化水平。AI赋能数据安全AI在数据安全方面的应用十分重要，尤其是在数据分类分级和数据脱敏这两个关键环节，有助于提高数据管理和保护的效率与精确度：数据分类分级大机制能有效确保高敏感度数据获得更严密的安全管控，从源头强化数据安全管理效能。数据脱敏动态脱敏自动化检测与优化基于AIAIAIAI衍生安全问题AIAI数据以及AI应用于生物核身、自动驾驶、图像识别、语音识别等多种场景中，加速了传统行业的智能化变革。AI投毒攻击毒害AIAIAI安全的基本要求。本文将AIAIAI图34：AI技术面临的主要风险CSDNAIAI解决方案间的关联CSDN人工智能衍生安全指人工智能系统因其自身脆弱性被利用而引起其他领域的问题，AI衍生安全影响AI的合规使用，还涉及人身安全、隐私保护等。人工智能的衍生安全包括以下两大类：（3IOActive501050复杂的社会问题。AIGC用到的语料和生成的内容可能涉及侵犯知识产权方面的问题，也可能泄露隐私和敏感数据。通过深度合成和生成式AI技术制造虚假音视频图像进行诬陷、诽谤、诈骗、勒索等违法行为已屡见不鲜。近年来，AI各项技术快速发展，应用更加普及多元。深度合成和生成式AI技术作为人工智能领域的创新应用技术，以其较低的应用门槛、较强的娱乐属性、丰富的应用场景备受关注。ChatGPT以及换脸、虚拟主播、AI绘画等为人熟知的场景都使用了深度合成和生成式AI技术。在深度合成和生成式AI技术向社会生活的各个领域渗透的时候，AI安全的负面风险持续加剧且产生实质危害。随着深度合成和生成式AI技术的开放开源、深度合成和生成产品和服务的增多，此类内容制作的技术门槛越来越低，实现了技术的平民化。深度合成技术是指利用深度学习、虚拟现实为代表的生成合成类算法制作文本、图像、音频、视频、虚拟场景等信息的技术。通过对网络内容进行加工处理，使其完成从原初形态到目标形态的变化。在实际应用中，深度合成技术可以完成文本生成、声音复刻、微表情操纵等，最为人熟知的便是AI换脸。图像的篡改和修饰技术早已出现，如PS等。但深度合成技术可以做到极其逼真的改头换面，甚至是人体姿态的全身合成。德国的科学家曾用1000段换脸视频进行鉴别实验，结果表明普通人若无特殊的标记训练，根本无法辨别人脸真伪。图36：AI换脸样例一 图37：AI换脸样例二凤网 凤网OpenAI推出了AITextClassifier文件检测器来帮助人们检测一段文本是由人类创作，还是由AI生成的，它是通过对来自各种来源的人类写作和AI生成文本进行训练而得到的。OpenAI在来自5个平台（包括OpenAI本身）的34个文本生成系统的文本上训练了这款AI文本检测器，例如维基百科等。每个文档都被标记为非常不可能、不太可能、不确定、可能或非常可能是AI生成的。然而，该分类器并不完全可靠，在对英语文本的挑战集进行评估时，OpenAI的分类器正确地将26%的AI写作文本（真阳性）标记为可能是AI写作，同时将9%的人类写作文本错误地标记为AI写作（假阳性）。我们首先建议关注有能力解决大模型广泛应用带来的衍生安全问题的企业。比如国投智能自主研发深度伪造视频图像检测鉴定的核心引擎，打造出一系列视频图像检测鉴定的一体化智能装备，如AI-3300慧眼视频图像鉴真工作站。AI-3300慧眼视频图像鉴真工作站是一款以人工智能技术为核心的视频图像检验鉴定设备，配备了美亚柏科人工智能团队自主研发的核心AI智能检测引擎，支持当前绝大部分深伪视频图像篡改方法的检测，检测精度处于国内领先水平。该设备涵盖4010果，而且对利用深度伪造技术进行换脸、美颜、生成人脸、同图或异图复制篡改的影像具有十余种理想的鉴定效果。慧眼视频图像鉴真工作站可为公安、司法行业及相关领域的技术人员和影像鉴定人员提供一站式影像真伪检验鉴定解决方案。未来公司将对各类AIGC内容的检测、AI生成文本的检测技术及产品进行持续布局。公司也会在利用人工智能进行生成活动中的取证方向，以及人工智能算法模型的安全性和合规性方向，开展相关的业务工作。腾讯旗下朱雀实验室打造的全新AI检测工具朱雀AI大模型检测系统正式上线。这款AI检测工具的核心功能是快速识别AI生成的图像和文本。1）在图片检测方面，通过对用户上传的图片进行几秒钟的快速验证，判断该图片是否由AI生成。该系统的原理基于捕捉真实图片与AI生成图像之间的差异，如逻辑不合理、包含隐形特征等。为了确保检测的准确性，腾讯在模型训练中使用了140万份正负样本，涵盖了人体、人像、风景、地标、植物、电影、游戏和新闻等多种内容类型，最终测试的检出率达到了95%以上。2）在文本检测方面，通过对比检测文本与大模型的预测内容，能够推测出文本的AI生成概率。腾讯的检测系统经过了大量正负样本的训练，能够覆盖新闻、公文、小说、散文等多样化文体，甚至未来还计划扩展至诗歌等其他体裁，以进一步提高识别准确率。这一检测系统不仅能够用于普通用户的日常检查，还对新闻媒体、教育机构等对文本真实性要求较高的行业有着重要的应用价值。GenAIDeepSeekAI+医疗：重点场景落地与行业生态重塑AI（AIAIDeepMindAIAIAIAI借助AIAI医疗解决看病难、看病贵的问题。在传统医疗领域，美国耶鲁大学教授WilliamKissick曾提出一个广为人知的理论——不可能三角。该理论核心观点为，医疗服务的质量、价格以及就诊速度这三个关键要素，在实际情境中往往难以同时兼顾。图38：医疗领域不可能三角纬迪资本然而，人工智能的兴起，为突破这一不可能三角带来了曙光。AI技术能够助力医疗机构优化患者管理流程，大幅缩短患者排队等候时间。经过充分数据学习训练的AI系统，其诊疗能力可达到甚至超越具有10年以上临床经验医生的水平。与此同时，AI在药物研发进程中亦能发挥关键作用，可显著压缩研发周期，这不仅有效降低了研发成本，还减轻了患者的用药经济负担，有力推动了药物的广泛普及。AI23andMeAIAI医疗的优势：提升医疗效率：实现个性化医疗：发展脉络：AI医疗历程与细分赛道AI201820217我国的AI医疗进程可以划分为以下三个阶段：1）萌芽阶段（1978-2015年）特点：医疗数据孤岛林立、数据治理有待展开，临床AI应用稀缺。技术：此阶段的AI医疗产品以辅助医生诊疗的程序或系统为主，几乎没有应用于临床，整体产业仅出现一个初步的形态。2）起步阶段（2015-2021年）特点：数据建设初步展开，部分疾病标准数据库建立、基于深度学习的感知智能应用兴起。NLPKG探索阶段（2021年至今）由信息系统改造转向数据治理阶段领跑的影像应用往尚未覆盖的疾病诊疗领域横NLPKG、ML图39：我国与全球AI医疗发展历程深度求学AIAIAI70%XCT、MRIAI医学影像是AI2612-1510%AIAIAIAIAIAI3）AIAIAI图40：不同主题对于人工智能的需求差异蛋壳研究院图41：AI赋能医疗服务众多环节甲子光年图42：国内AI医疗主要参与者财经科学家行业洞察：AI医疗现状与发展趋势2025年中国AI医疗行业规模将达到1157亿元，预计在2028年达到1598亿元，2022-2028CAGR10.5%AIAI图43：AI医疗市场规模甲子光年英伟达多次投注，做AI制药发展重要推手。通过对各细分领域的深入剖析可知，影像、信息化以及机器人赛道在2023年经历短暂回暖后，2024年资本投入的频次已回落至2022年的相近水平。反观制药赛道，在同期内，投融资事件数量呈持续下降态势。即便在2023年整个医疗AI赛道呈现报复式回暖时，制药赛道也未展现出同步的增长趋势。由此可见，由于AI制药领域至今尚无一款药物成功推进至上市阶段，随着时间的推移，这一状况正逐渐加剧对资本信心的负面影响。不过，放眼全球，AI制药依然充满生机。英伟达近两年在该赛道频繁出手疯狂扫货"成为AI制药回暖的重要推手。据Pitchbook、Crunchbase及动脉橙产业智库数据，英伟达在2023年及2024年(截至2024年9月5日)共参与投资超过70起，所有投资无一例外，均与AI相关，而其中至少投注AI制药企业14家，医疗其他领域企业8家。2024Artsight理领域的AbridgeNeocis等AIAIAI医疗AI，尤其是AI图44：2023-2024年医疗AI领域及细分赛道融资轮次分析动脉橙产业智库,2024AI领域ApreAA+A++AAB侧面印证了资本对医疗AI2024年平均单笔医疗AI20236893.6310344.533亿美金的AAIAI向生成式AIAIAI，其分AIAIAI能够超越判别式AIAI生成式AIAI。其他领域：数字经济关联方向补充细内容可参考近期发布的其他。AI：提升政府运转效率政务细分领域，为智慧城市建设提供强大支撑，打造更加高效、智能、便捷的政务环境。图45：财税信息化的分类智研咨询61.31%，企业占比为38.69%。201953320241006亿元，CAGR为13.5%。202590%AI查覆盖80%图46：中国财务信息化行业产业链下游应用领域占比智研咨询在AI的催化下，行业加速发展中。政府端财税信息化建设已告别过往针对性强、准入门槛较低的单一模块电子化阶段，税务部门信息化系统正加速向大系统、大架构的一体化方向迭代升级。这一转型对服务商的系统集成整合能力，以及大数据、云计算、人工智能等前沿技术的应用深度与落地能力提出了更为严苛的要求。税友集团、金财互联等长期深耕该领域、伴随行业发展持续积累技术与项目经验的专业化企业，凭借其深厚的行业积淀与核心技术优势，预计将在行业升级浪潮中持续斩获发展红利。同时我国企业信息服务市场具备广阔的发展空间，受行业属性、企业规模、区域特征等多维度因素影响，企业对财税系统及SaaS产品的需求呈现显著的差异化特征，更需要AI的个性化能力来辅助。未来，企业财税服务市场将逐步形成以需求为导向的差异化竞争格局。同时，随着在线+模式的持续渗透与深化，行业有望突破传统服务边界，催生出新的业务机遇与业态模式，为市场参与者开辟增长新路径。百望股份构建覆盖3000多个维度的企业信用评价体系，并形成数据+场景+模型+算力+生态的五位一体解决方案。其推出的金盾