中国新一代人工智能发展战略研究院：中国新一代人工智能科技产业发展报告2026

中国新一代人工智能科技产业发展报告·2026人工智能深度应用和智能经济新形态2026·天津DeepApplicationofArtificialIntelligenceandNewFormsofIntelligentEconomyI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，以中国为数量超过6000家，核心产业规模预计突破1.2万亿元。与企业相比，大学和科专精特新“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。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1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。1.1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ChatGPT-3.5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1.2万亿元人民币。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。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。1.2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（DonaldE.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[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.203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[l]。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。[l]UnderstandingFoundationModels&theAIValueChain:I/policy/artificial-intelligence/understanding-foundation-models-the-ai-valuehensive-policy-guide42.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。2.1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2.0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]MorganStanley.ChianAI2.0-5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。2.2从大模型到智能体和具身智能2.2.1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ScalingLaw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-timeCompute)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。DeepSeekNSA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2.0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、DeepSeekV3.2、Qwen3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KimiK2和Qwen3‑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。2.2.2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”快速构水区。其中，ScalingLaw（规模法则）的内涵发生了结构性演变：算力不再仅仅消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。2.2.3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82.39亿元，约占全球50%，预计2027年将突破1.25万亿元[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2.0”和“天轶2.0”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GalbotG1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TeslaOptimus和FigureAI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。2.3开源生态的快速兴起2.3.1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。DeepSeekR1和KimiK2率先在开源领域实现了高质量思维链（ChainofThought）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DeepSeekV4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，LLaMAFactory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/zwgk/zcwj/wjfb/tz/art/2026/art_01010414608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CUDA13.1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DeepSeekV4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。2.3.2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/T45654—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Apache2.0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Apache2.0，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，2026AI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[2026-05-15].http://www.csrca9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7.24亿元，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。2.4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)./2026/03/3941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5.8万人。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8.5万人，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CCI4.0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2.0”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。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。2.5大模型发展态势与格局2.5.1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GPT-5.5Instant模型，并正式将其设为ChatGPT官方默认模型。GPT-5.5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1.6万亿，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52.5%。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93.6%，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，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1.6万亿、单Token激活参数490亿（49BFlash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DeepSeek-V3.2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1.5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。2.5.2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59.63%，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61.50%，在三类产品中占据主导地位；垂类大模型数量165款，占比22.06%；通用大模型数量123款，占比16.44%。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14.97%大幅攀升至45.19%。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9.76%小幅提升至10.56%，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6.5%，累计占比从2024年的7.49%回落至3.88%。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。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85.83%，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37.03%；京津冀地区紧随其后，占比32.22%；珠三角地区占比16.58%；川渝地区占比3.07%；其余地区合计占比11.10%，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行业模型（16.58%）上较为突出，垂类模型占7.89%；珠三角通用模型、行业模型和垂类模型的占比分别为1.74%、11.10%和3.74%，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82.09%，产业集聚效应极为显著。其中，北京市占比最高，达29.55%，稳居全国首位；上海市占比18.45%，位列第二；广东省占比16.58%，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8.82%，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8.69%，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29.55%、上海市占比18.45%，是我国生成式AI产业创新的两大核心枢纽；广州市以9.09%的占比位列第三，杭州市7.49%排名第四，深圳市5.88%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。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(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18.72%，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7.09%，企业智能化管理领域占比7.09%，两大领域并列第二；工业与智能制造领域占比6.15%，排名跃升至第四位；汽车交通与物流领域占比6.15%，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5.35%、4.68%、4.68%，较2024年实现数倍增长，成为生成式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2.5算力基础设施建设现状2.5.1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1590EFLOPS[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]/xwfb/bldhd/art/2026/art_4ba01aa6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1.8万张AI加速卡可提供算力6.6EFLOPS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6.7EFLOPS中国电信京津冀/长三角万卡池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）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。2.5.2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Gephi0.9.7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1.889。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表3智算芯片企业簇群价值网络结构性统计指标样本节关系节总边平均网络直平均聚类系数平均路径长度模块化224543381.8890.0010.023.710.625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74.75%，远高于其他类型节点，处于绝对主导地位；高校（7.63%）和科研院所（5.20%）次之；数据与算力中心（4.70%）、协会与产业联盟（3.90%）、开源社区（2.48%）和政府（1.33%）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。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71.2%，技术输入占比为28.8%。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沐曦百度飞桨摩尔线程通义千问燧原中国移动海光信息智谱华章天数智芯麒麟软件壁仞科技众智FlagOS社寒武纪48中国移动OISA协同创新平台42龙蜥社区算能新华三云天励飞浪潮太初元碁科华数据平头哥北京智源人工智能研究院清微智能上海交通大学登临联想鲲云科技清华大学芯原微商汤科技图灵量子第四范式希姆计算之江实验室玻色量子中国电信智算测试与适配优化中心表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百度飞桨摩尔线程214台积电燧原麒麟软件海光信息中国移动沐曦众智FlagOS社区算能中国移动OISA协同创新平台天数智芯龙蜥社区寒武纪清华大学壁仞科技北京智源人工智能研究院云天励飞第四范式太初元碁之江实验室平头哥中国电信智算测试与适配优化中心鲲云科技无问芯穹清微智能商汤科技登临澎峰科技芯原微47统信软件瀚博半导体47上海交通大学芯瞳半导体46天翼云玻色量子43浙江大学2.6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、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。2.6.1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2.6.2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1.5万人，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[5]教育部等五部门关于印发《“人工智能+教育”行[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》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1.5万名，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。2.6.3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29.13万元，算法工程师平均年薪43.58万元，架构师高达56.55万元，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5.2万人，十年间年复合增长率为28.7%[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1：3.5，机器人行业技术人才的供需比高达1：5.2，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2.55、2.13[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）》和2.36，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47.13%，本科及以上学历者比例为87.06%，其中硕士与博士学历合计占比约34.48%[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46.89%，海外院校毕业人才占比10.72%，硕博学历合计占比67.9%，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。2.6.4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