1、需求侧动能弱化体现为固定资产投资增速放缓、出口竞争力重构、消费升级的“未完成转型”。财政紧平衡下基建投资增速放缓导致固定资产投资增速下行，出口在全球价值链中的地位面临重构，而居民可支配收入、储蓄率与GDP占比之间的剪刀差揭示了消费升级进程的未完成状态；2、供给侧效率瓶颈体现为资本边际产出率衰退的“索洛悖论”、人口红利消逝、碳达峰目标下的要素重置压力等多重瓶颈。

　　新一轮AI技术成为破局关键，AI核心产业及AI赋能产业成为驱动经济增长的双引擎。AI技术正在引发一场“静默的工业”——其本质是通过数据智能重构经济系统的熵减机制。我们预计到2035年AI核心产业，包括算力基础设施、AI智能终端与硬件、AI算法与软件等，将直接贡献GDP约10%；AI赋能产业，通过提升全要素生产率，间接拉动经济增长。

　　我们预计2025-2035年人工智能预将对TFP平均增速拉动1.3%左右，到2035年，人工智能对实际GDP额外拉动14.8%左右。我们在柯布道格拉斯生产函数框架下，分别在有AI影响和无AI影响条件下对全要素生产率进行测算，2025-2035年人工智能对TFP平均增速拉动1.3%左右。进一步外推出AI对GDP的拉动效应，测算得到到2035年，人工智能将对GDP额外拉动14.8%左右。

　　AI技术通过“消费创造、投资提质、出口升级”的三维重构路径，推动中国经济动能转换。AI经济下，中国的独特优势在于超大规模市场为AI提供丰富的训练场景，新型举国体制能快速聚合创新要素，完备的产业体系保障AI产业链上下游协同发展。具体而言，AI技术通过“消费创造（场景创新×需求激活）、投资提质（能算协同×空间智联）、出口升级（质量溢价×跨境服务AI化），促使全要素生产率与制度创新协同共进，以AI为代表的新质生产力将成为突破“中等收入陷阱”，重塑全球经济格局的核心驱动力。

　　DeepSeek成为中国AI经济从规模扩张转向全球竞争力构建的核心加速器。DeepSeek通过其高效的模型架构和优化策略，显著降低了AI技术的部署成本，提升了模型的响应速度和吞吐量，使得AI能够在更广泛的场景中实现快速落地，此外DeepSeek通过自研编译器和开源框架，实现国产芯片与全球主流技术生态兼容，降低AI算力成本同时，缩短了中国智能算力的海外代际差，加快企业智能化改造周期，加速中国AI经济推进。

　　展望2035，AI将撬动中国经济从“大国规模优势”向“全球协同优势”的范式跃迁。AI技术的突破性发展，特别是其在知识重组、系统优化、跨域协同方面的独特能力，将成为撬动中国经济范式跃迁的核心杠杆，推动规模优势升维为“协同优势”，重构中国在全球价值链中的战略定位。而未来十年中国的机遇恰恰在于将AI驱动的超复杂系统管理能力，与“人类命运共同体”的价值主张结合，为全球化2.0时代提供兼顾效率与公平的协同范式。

　　中国经济从“要素扩张”阶段进入“创新驱动”阶段。改革开放以来，中国经济高速增长，创造了全球独一无二的增长神话。不过，随着我国进入新发展阶段，过去由“要素扩张”带来的增长模式已不可持续，中国经济面临需求侧动能弱化与供给侧效率瓶颈的双重挑战，增长动力更加依赖“创新驱动”。与此同时，新一轮的科技和产业变革正在发生，人工智能技术的发展至关重要，中国经济增长范式将在这一轮人工智能发生重构。

　　当前我国宏观经济面临“需求侧动能弱化”与“供给侧效率瓶颈”的双重挑战。在需求冲击方面，有效需求不足是突出问题。从GDP平减指数来看，我国实际GDP增长速度已经持续7个季度高于名义GDP增长速度，反映出总需求疲软已经形成一个较为长期的趋势。从需求侧来看，消费作为拉动经济增长的重要马车，增长动力有所减弱。近年来，居民消费倾向有所下降，消费增速放缓，2024年社会消费品零售总额增速相比前几年出现一定下滑。投资方面，制造业投资受市场需求不振、企业盈利预期不佳等因素影响，扩张动力不足；基础设施投资由于地方财政压力等原因，增长速度也难以达到预期；房地产投资更是持续低迷，对经济增长的拉动作用明显减弱。出口方面，世界百年变局加速演进，外部环境更趋复杂严峻，对我国贸易领域造成更大冲击。

　　在供给侧方面，劳动力是核心拖累因素。我国实际上已经正式进入中度老龄化社会，劳动年龄人口占比下行将是大的趋势，在没有大规模科技进步驱动新一轮科技周期的情况下，人口要素将拖累我国GDP增速持续下行。资本回报方面，资本回报率是决定经济长期稳定增长的重要因素，我国自金融危机后出现了投资过剩、资本回报率持续下滑的迹象，经过测算，2008年全球金融危机之后，我国资本回报率由2008年的21.8%波动下滑至2019年的16%。全要素生产率方面，表现为技术进步与全要素生产率增长错位，经过测算，我国全要素生产率的增速波动较大，2001—2010年平均增速为1.35%，2011—2020年平均增速则降至-0.65%。进入“十四五”时期之后，虽然在2021年出现高位拉升现象（3.44%），但2022、2023年又快速下降。总体来看，近些年来我国全要素生产率增速放缓的长期趋势尚未扭转。

　　中国经济增长模式正从传统的土地财政转向新质生产力，在经济发展模式转型、增速转轨的过程中，面临着需求侧动能弱化的问题，体现在经济三驾马车上表现为：投资增速放缓、出口竞争力重构、向消费驱动型增长转型仍在“进行时”，也衍生出供需不平衡带来的产能过剩、价格水平持续低迷等问题，扩大内需的紧迫性不断提高，由此2024年12月中央经济工作会议将扩大内需列为2025年重点工作任务之首。

　　投资增速的放缓主要源于基建投资增速的放缓以及房地产投资的持续下行，投资主体表现也出现分化，由于过去几年经济转型的压力以及产业调整政策等因素，民营企业的投资动能持续偏弱，整体投资增速主要靠央国企拉动。

　　财政紧平衡下基建投资增速放缓。基础设施建设投资曾是中国经济增长的重要支撑，在2016年之前基建投资增速长期保持在10%以上，大规模的基础设施建设不仅改善了中国的交通、能源等基础设施条件，也带动了相关产业的发展，成为经济增长的重要动力。然而近年来基建投资增速出现了明显的下滑趋势，2024年基建投资增速已降至4.4%，基建投资增速的放缓有以下几方面原因：

　　（1）基建资金来源受到限制。首先，大规模化债的推进对基建投资产生了重要影响，为了防范地方政府债务风险，中国政府加强了对地方政府债务的管理和规范，这使得地方政府在基础设施建设方面的资金来源受到一定限制；其次，房地产的下行也导致地方政府土地出让收入大幅下滑，地方财政收支压力进一步加大。

　　（2）基建投资转型升级的需要。经过多年的高速建设，中国在交通、能源等基础设施领域的投资空间逐渐缩小，且财政压力下地方政府的投资意愿和能力也发生了变化。随着经济结构调整和转型升级的推进，地方政府更加注重投资的质量和效益，在这种情况下，基于绿色转型、能源安全、气候变化应对、经济逆周期调节等多重战略目标的综合考量，国家主导的战略性投资成为基建核心增长点，能源与安全的相关战略性布局使电力和水利投资近年持续高增。

　　泡沫破裂导致房地产市场持续深度调整。过去，房地产行业在我国经济的发展中具有举足轻重的地位，是内需最重要的组成部分。一方面，房地产开发投资涉及建筑、建材、工程机械等多个上下游产业，房地产投资能够直接带动相关产业的发展。另一方面，购房者在购房后通常会进行装修、购置家具家电等，房地产对消费的拉动作用也不容忽视。近年房地产投资持续下滑原因如下：

　　（1）政府主动作为刺破房地产市场泡沫。为了防范房地产市场过热引发的系统性风险，政府出台了一系列宏观调控政策主动刺破地产泡沫。2019-2021年期间政策的多次收紧，如2020年8月“三道红线”政策出台，限制房企的负债规模和杠杆水平；2021年年初银行“两个集中度”落地，限制银行对房地产的比例等，这些政策从资金端到销售端对房地产市场进行了全面约束，导致市场供需两端受到抑制，房地产市场进入深度调整期。

　　（2）经济环境和市场供需因素也加剧了房地产市场的下行。中国经济进入高质量发展阶段，经济增速有所放缓。经济增长放缓导致居民收入增长预期下降，购房能力和意愿受到一定影响，而人口红利逐渐消失也使得住房需求的长期增长动力减弱，房地产库存去化周期仍处于较高水平。综合以上因素，刚需群体由于收入预期低迷以及房价下跌预期选择持币观望，投资性需求在政策调控和市场预期变化的背景下也大幅减少，开发商也因此减少了投资和开发力度。

　　2002年中国加入世界贸易组织（WTO）之后，出口成为拉动中国经济增长的重要力量，中国凭借劳动力成本低、制造业产能扩张等优势迅速融入全球产业链，然而随着全球经济格局的变化和国内经济结构的调整，中国出口竞争力面临着重构的挑战。

　　1）贸易保护主义及地缘风险影响我国外需。Trump2.0时代将导致中国面临来自美国等国家不断加码的贸易限制措施，加征关税、设置贸易壁垒等措施都给中国的出口企业带来了诸多不确定性，增加了出口成本，此外，全球地缘局势日趋紧张也是影响中国外部需求稳定性的重要因素。2022、2023年中国对外贸易占全球的比重有所下滑，对美出口占中国出口的比重也保持下行趋势，表明部分对华进口商品需求已转移至其他贸易伙伴，外需的增长空间受限。

　　2）全球价值链地位变迁对中国出口的影响也日益显著。随着全球产业分工的深化和调整，中国在全球价值链中的位置逐渐从低端加工组装环节向中高端环节迈进。一方面，劳动力成本上升使得传统的劳动密集型产业优势减弱，而周边一些国家，如越南、印度等，凭借更低的劳动力成本开始承接部分劳动密集型产业转移。另一方面，中国在技术创新、产业升级方面取得了显著进步，出口商品结构逐渐优化，高附加值、技术密集型产品的出口比重逐渐增加。但转型升级的过程也面临着重重考验，既有来自发达国家在高端技术和知识产权领域的竞争压力，也有新兴经济体在中低端市场的竞争挤压，导致近年中国出口“以价换量”特征明显。

　　随着中国经济转型的不断深化，顶层设计定位上消费的战略地位有所提高，从2025年的工作部署来看，宏观政策更加强化民生导向，3月16日《提振消费专项行动方案》发布，政策效果会逐渐显现，但当前中国消费潜力的释放仍面临多重制约，消费复苏不是一蹴而就的，转向消费驱动型增长仍在“进行时”。

　　（1）收入分配格局失衡与社保不足带来的高储蓄限制了消费能力的提升。从居民可支配收入来看，虽然近年来居民收入水平有所提高，但重投资、重二产的发展模式我国一次收入分配格局失衡，居民可支配收入占GDP的比重有所下降，收入增长速度与经济增长速度之间的匹配度有待进一步优化。部分居民尤其是边际消费倾向更高的中低收入群体的收入增长相对缓慢，这在一定程度上限制了消费能力的提升。此外，社会保障体系的不完善使得居民需要通过储蓄来应对这些潜在的风险，这在一定程度上抑制了消费意愿。

　　（2）消费供需的不平衡限制消费潜力的释放。诚然，受到传统与家庭观念较重的文化影响下我国居民有较强的储蓄倾向，但我国储蓄率又明显高于同为东亚文化的日韩等国，一方面是由于我国过去由于没有足够的投资渠道与稳定的金融产品，房地产资产占比高，投资房地产的需求抑制了消费，过去几年房地产财富效应的下降又导致居民收入预期和信心下滑，被动储蓄上升，另一方面则是经济发展对二产的重视导致服务业发展受到挤压，高质量的服务消费供给不足，难以匹配居民生活水平的提高带来的消费升级需求，供需错配抑制了服务消费潜力。

　　“索洛悖论”又称“生产力悖论”，是指在特定时期内，尽管技术进步显著，特别是信息技术领域发展迅速，但生产力的增长却未能与之相匹配，甚至出现减速或放缓的现象。这一概念由美国经济学家罗伯特・索洛于1987年提出，当时他观察到美国企业在信息技术方面投入了大量资源，然而在生产率的统计数据上却没有明显体现。

　　从资本边际产出率的角度来看，“索洛悖论”表现为资本投入增加，尤其是在信息技术等新兴领域的投入不断加大，但资本的边际产出率却出现衰退。资本回报率是决定一国投资增速和资本份额的重要因素，也是决定经济长期稳定增长的重要因素，通过测算资本回报率的走势，可以衡量投资和消费的比例是否失衡。中国经济从金融危机后就显示出投资过剩的现象，具体表现为资本形成率与GDP增速走势分化走阔。

　　基于新古典宏观理论或企业财务数据，资本回报率估算大致可分为宏观和微观两类方法（Gomme等，2015，2017），两种方法又可细分为回归方法和参数估计法。本报告采用Bai（2006）的宏观模型化方法，对中国2008年金融危机之后的资本回报率进行测算。测量宏观资本回报率的Bai方法源自HallandJorgenson（1967）的资本租金公式。Bai（2006）对资本租金公式进行了开创性的改进，其最终得到的实际资本回报率r(t)表达式为：

　　金融危机后，我国资本回报率整体呈下滑态势。2008年我国资本回报率在21.8%左右，金融危机之后快速下降。其中2010-2012年，受益于部分新兴产业和高端制造业发展迅速，资本回报率快速回升，2014-2016年又趋势下滑，2016-2018年受益于房地产去库存政策，资本回报率短暂回升，2018年回升至16.6%的区间高点，之后又开始下降。从资本存量的增速来看，受金融危机政策刺激效应，2010年资本存量短暂快速抬升，2011年之后继续呈现快速回落态势。

　　我国资本回报率下降是多种因素共同作用的结果，包括外部需求减弱、资本边际收益递减、产业结构调整、产能过剩、金融资源错配以及较高的税收负担等。

　　宏观经济与外部环境层面，一方面外部需求减弱。全球金融危机导致国际经济形势恶化，国外经济增长大幅降低，需求放缓。2009年我国出口同比降低16%，外需不足拉低了资本收入，进而影响了资本回报率；另一方面，根据边际递减规律，技术和配置效率达到一定程度后难以再进一步提高，前期大量投资后，资本边际收益降低，资本回报率趋于下降。

　　经济结构调整层面，一方面产业结构变化导致整体资本回报率下降。随着我国工业化进程推进，经济结构逐渐从工业主导向服务业主导转型。第三产业占GDP比重逐渐超过第二产业并继续抬升，而第三产业投资效率往往低于第二产业；另一方面，地方政府对微观经济活动干预过多，引导和鼓励对容易在短期内拉动经济增长的产业投资，使得地方投资过度集中于这些行业，造成部分行业产能过剩，资本利用效率降低，资本回报率也随之下降。

　　政策因素与资源配置层面，长期以来，我国经济增长在一定程度上依赖于大规模的投资，政府和企业不断投入大量资金用于基础设施建设、房地产开发等领域，这些投资在短期内可以拉动经济增长，但从长期来看，随着投资规模的不断扩大，投资回报率可能会逐渐下降，出现资金回报率不足的情况；另一方面，金融资源在国有企业和民营企业之间存在错配，国有企业资本回报率相对较低，但获得了较多的金融资源，导致整体资本回报率被拉低。

　　劳动力供给方面，人口老龄化进程正在加速。人口与资本、技术一起在供给侧决定经济潜在增长率，是引发经济增速变动、经济结构转型的长周期变量。我国经济产出的核心拖累是劳动力，劳动年龄人口占比回落、人口老龄化的深化是一个长期看不可逆的趋势，在没有大规模科技进步驱动新一轮科技周期的情况下，人口要素将拖累我国经济增速持续下行。我国实际上已经正式进入中度老龄化社会，劳动年龄人口占比下行将是大的趋势。未来潜在增速的上行只能依赖科技进步提高全要素生产率。

　　老龄化进一步加剧，正从人口红利期转入人口负担期。中国人口自然增长从1987年后一直处于减速过程，2016年之后更是每年创新低，2022年开始降至-0.6‰，此后中国已经连续三年处于人口负增长时代。与此相伴的是老龄化加深，早在2000年，随着65岁及以上人口占比（即老龄化率）达到7%，中国即已进入老龄化社会。2013年15岁-64岁劳动年龄人口达到峰值，随后以加速度绝对减少：每年分别从万、十万、百万到千万的量级减少。2024年老龄化率进一步提高到15.6%，进入到老龄社会。从边际上看，中国人口红利渐逝，面临“未富先老”局面，未来储蓄率和投资率将逐渐下降，经济潜在增速下滑。在老龄化过程中，劳动年龄人口峰值和负增长对经济的冲击，主要表现在供给侧，即劳动力短缺、人力资本改善减速、资本回报率下降和资源重新配置空间缩小，导致潜在增长率下降。2012年-2024年期间，随着GDP潜在增长率从10%降低到5.3%，实际增长率也从7.9%降低到5%。

　　面临人口负担的加重，需要推动“人口红利”向“人才红利”转变，提升科技进步水平。我国仍然拥有全球少有的庞大劳动年龄人口，面临人口负担持续加重的困境，我国需要推动“人口红利”向“人才红利”转变。根据国家统计局数据，2010-2020年我国15岁及以上人口平均受教育年限从9.08提升至9.91年。当前，我国教育支出占GDP比重为4.02%，相较美国的5.44%、法国的5.43%、德国的4.5%还有提升空间。健康水平的提升、文化素质等方面的提高，有助于改善劳动力的供应质量，推动“人才红利”加速释放，加快提升科技进步。

　　“双碳”目标已成为新发展阶段的核心议题。2020年9月份，习总在第75届联合国大会上宣布，2030年中国要实现“碳达峰”并且在2060年实现“碳中和”。自2020年12月中央经济工作会议首次将“做好碳达峰碳中和工作”作为重点任务起，中央高度重视碳达峰碳中和工作,《中央国务院关于完整准确全面贯彻新发展理念做好碳达峰碳中和工作的意见》和《2030年前碳达峰行动方案》等政策文件提出，到2030年，非化石能源消费比重达到25%左右，单位GDP二氧化碳排放总量比2005年下降65%以上，到2060年，非化石能源的消费比例进一步达到80%以上。

　　在双碳目标的大背景下，能源体系、产业结构等方面面临着深刻的调整与转型，这其中重置成本给经济增长带来了显著的压力与挑战。从能源角度看，我国能源结构长期以煤炭等化石能源为主，以2023年为例，我国煤炭消费占能源消费总量的55.3%。要实现双碳目标，就需要大规模向清洁能源转型，这意味着需要对现有的大量化石能源基础设施进行提前报废或改造，这种新旧能源体系更替产生的重置成本，会占用大量原本可用于其他经济领域发展的资金，从而在短期内抑制经济增长速度。

　　从产业结构角度看，当前我国第二产业对GDP的贡献为38.6%，第二产业的能源消费占比约为68%，许多高碳产业，如钢铁、水泥、化工等，在国民经济中占据重要地位。为达到双碳标准，相关产业需要进行生产工艺的革新和设备的更新换代。根据世界钢铁协会测算，为实现碳中和，中国钢铁行业需连续30年每年投资5000亿元左右，相当于吨钢每年需投资500元，这将大幅压缩钢企利润空间，部分企业甚至可能因无法承担高昂的重置成本而陷入经营困境。同时，高碳产业的转型还可能导致相关产业链上下游企业受到冲击，引发连锁反应，进一步加剧经济增长的压力。

　　以DeepSeek为代表的AI技术凭借其强大的数据处理能力、深度学习算法以及广泛的产业渗透性，展现出破解中国经济困局的巨大潜力。

　　DeepSeek在AI核心产业中扮演着重要的技术创新者和开源生态推动者的角色。其发布的DeepSeek-R1模型，通过优化算法和模型架构，在保持高性能的同时，大幅降低了训练和推理成本，从而大幅降低企业进入AI领域的门槛，促进了AI核心产业的快速发展。此外，DeepSeek采用完全开源策略，吸引了全球开发者和研究人员的关注，他们可以在GitHub等平台上自由获取和修改模型代码，共同推动AI技术的应用侧推广。在赋能传统产业方面，DeepSeek通过其高效的AI模型和算法，为制造业、农业、服务业等提供了强大的技术支持，助力这些行业的转型升级。这种赋能作用不仅提升了传统产业的竞争力，还创造了新的市场需求，推动了经济的高质量发展。

　　精准洞察：以DeepSeek为代表的AI技术通过大数据分析和机器学习算法，能够对海量、度的消费者行为数据进行深度挖掘与分析，精准地洞察消费者的个性化需求，深度学习技术可以构建复杂的预测模型，通过对宏观经济数据、行业动态、消费者行为等度数据的分析，提前预测市场趋势和需求变化。企业可以据此优化生产计划、调整产品策略，更好地满足市场需求，避免库存积压或缺货现象，提高市场响应速度和资源配置效率。

　　激发需求：AI技术催生了众多全新的产品和服务形态，激发了新的消费场景和需求。例如，智能家居领域，新一代AI驱动的智能语音助手、智能家电等产品，为消费者带来了全新的生活方式和体验。消费者对这些智能化产品的追求，形成了新的消费需求，推动相关产业的发展。AI技术还能促进了不同产业之间的融合与跨界创新，创造出新的市场需求，如AI与汽车行业的融合催生了自动驾驶技术，AI与金融行业的融合产生了金融科技，改变了金融服务的模式和体验，创造了新的金融产品和服务需求。

　　政策引导：大国体制优势可通过政策引导对公共领域AI优先采购（G端场景开放）、消费者数据权益保护立法，既能拓展AI应用场景，又可规范数据使用，促进AI产业健康发展。

　　创造供给：新型举国体制下，发展AI算力需要突破芯片/量子计算瓶颈，从而带来新增供给，而数据要素市场化改革推进数据确权、交易与收益分配，都为经济发展提供了创新供给。

　　智能化生产：AI技术赋能生产过程的自动化和智能化，工业机器人、智能自动化生产线等应用，大幅提高了生产效率和产品质量稳定性。AI驱动的生产管理系统能够实时监控生产过程中的各种参数，如设备运行状态、原材料消耗、产品质量等。通过对这些数据的分析和优化，企业可以及时调整生产流程，减少生产中断和浪费，提高生产效率和资源利用率。

　　优化资源配置：AI技术能够实现资源的动态调度和协同配置。在多工厂、多车间的生产环境中，AI系统可以根据各生产环节的实时生产进度和资源需求，动态调整资源分配，实现资源的高效利用。同时，AI技术还可以促进企业内部各部门之间以及企业与供应商、客户之间的协同合作，提高整个供应链的效率和竞争力。

　　在全球经济格局深度调整与科技浪潮汹涌的当下，中国经济传统增长模式在资源环境约束、人口红利消退等多重因素作用下逐渐显现出瓶颈效应，迫切需要寻找新的增长引擎以实现经济的高质量发展与转型升级。

　　AI技术正在引发一场“静默的工业”——其本质是通过数据智能重构经济系统的熵减机制。中国拥有超大规模市场、完备工业体系与丰富应用场景优势，有利于以实际应用场景为导向，推动AI技术的落地和普及，未来十年，国内经济在AI驱动下，以“自主算法创新为矛、可控算力基建为盾、高质数据生态为基”，在突破当下发展瓶颈的同时，也将重塑大国体系下的经济发展新范式。

　　AI对经济增长的驱动体现为“内生突破-外溢扩散”的复合机制，通过AI核心产业突破（内生增长极）和AI赋能传统产业（外溢增长网）的双引擎驱动，以及两者之间的协同机制，共同推动经济增长。AI核心产业的技术突破可以降低传统产业智能化改造的成本，扩大AI应用市场规模，进而反哺核心产业的研发投入，形成“双向增强回路”。

　　人工智能作为新一代信息技术的重要组成部分，展现出强大的渗透性（Pervasiveness）、替代性（Substitution）、协同性（Synergy）和创造性（Creativeness）。人工智能的四大特征通过影响劳动渠道、资本渠道和生产率渠道三大要素推动经济增长。

　　1、渗透性特征：渗透性决定了人工智能对经济增长影响的广泛性和全局性，虽然人工智能当下所产生的影响是局部性的，但在未来人工智能将发挥影响全产业的巨大潜力。

　　2、替代性特征：人工智能技术的替代性将“人工智能资本”对其他资本要素、劳动要素进行替代的过程;伴随人工智能资本的积累，其对经济增长的支撑作用也将不断提升。

　　3、协同性特征：人工智能协同性特征带来的投入产出效率或全要素生产率的提升，在微观层面将体现为企业利润盈余的增加，并最终转化为GDP的增长。

　　4、创造性特征：人工智能的创造性特征将通过知识生产促进技术进步，最终也将体现为全要素生产率的增长。

　　AI核心产业对GDP有着直接的拉动作用，AI核心产业包括三大组成部分——算力基础设施、AI智能终端与硬件、AI算法与软件。2023年，中国AI核心产业规模达5784亿元，同比增长13.9%，占同年GDP比重为0.44%，中国互联网络信息中心数据显示，截至2024年6月，我国人工智能核心产业规模接近6000亿元，相关企业超过4500家。尽管直接占比GDP仍低，但其增速显著高于GDP整体增速，显示产业扩张动能强劲。

　　展望未来十年，通过“通用能力强化-垂类场景落地-算力成本”与“单点工具-系统重构-人机协同”的双螺旋路径，2035年中国AI核心产业规模有望接近25万亿元，占GDP比重接近10%，成为推动GDP的重要内生增长极。

　　人工智能带动产业链提升，我国智算中心规模持续提升。我们认为人工智能将带动算力规模保持高速增长，根据国家信息中心与浪潮信息共同发布的《智能计算中心创新发展指南》，人工智能作为数字经济时代的核心生产力，在各地积极布局数字经济的趋势下迎来了飞速发展。《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)提出要“推进人工智能理论、技术与应用;到2025年，人工智能核心产业规模超过4,000亿元，带动相关产业规模超过5万亿元;到2030年，人工智能核心产业规模超过1万亿元，带动相关产业规模超过10万亿元”。预计2020年至2030年我国人工智能核心产业规模的年均复合增长率达20.9%、带动相关产业规模的年均复合增长率达25.9%。保守估计，“十四五”期间，在智算中心实现80%应用水平的情况下，城市/地区对智算中心的投资可带动人工智能核心产业增长约2.9-3.4倍、带动相关产业增长约36-42倍。

　　从通算到智算，互联网占比及服务商占比逐步增长，行业规模逐步扩大。互联网逐步加大资本开支，占比呈现显著增长，下游占比中智算领域互联网占比约为53.27%，相较通算领域39%的占比有较大变化；同时算力服务商在智算领域发挥较大作用，占比约为17.80%，相较通算领域7.90%的占比有较大提升。

　　微软首席执行官引用了“杰文斯悖论”来解释这一现象：Jevons在《煤炭问题》中发现，随着蒸汽机效率的提升，煤炭消耗量不降反增。其核心观点为：技术进步提高了资源使用效率，效率提高降低了资源使用成本，成本下降刺激了资源需求的增长，需求增长可能超过效率提升带来的节约，最终导致资源总消耗增加。在算力日益成为数字经济“水电煤”的今天，DeepSeek的技术方向与开源定位，恰恰是算力化的关键参与者。我们认为，大模型成本优化与算力需求并不是直接的此长彼消关系，而是互相搭台、相互成就，高资源使用效率反而可能增加算力的总消耗量。定价的持续走低有望带来更快的商业化落地，进而会衍生出更多的微调及推理等需求，将逐步盘活全球AI应用及算力发展。

　　（1）训练算力方面，我们认为推理算力的逐步增长不会侵蚀训练算力的市场空间，且训练算力仍将快速发展。

　　GPT迭代时间增长，参数量提升带来可靠性增长。根据ChatGPT的不断发展，我们可以发现GPT迭代时间有所延长，从GPT-1到GPT-2时间少于1年，参数量提升约13倍，预训练数据量提升约8倍；GPT-2到GPT-3时间超过1年，参数量提升约35倍，预训练数据量提升约1100倍；GPT-3到GPT-4时间则约3年，虽然时间较久，但整体可靠性及参数量均有较大幅度提升；在2024年5月发布的GPT-4o模型中，在速率提升的同时，成本也有所大幅降低，代表大模型成本压力逐步降低，普及度有望加速提升，带动产业链发展。

　　大模型训练成本提升，硬件性能或将持续进步。在大模型参数量及预训练数据量持续提升的基础上，更低的训练成本及更高的响应速率或将成为未来的主流发展方向，对于硬件的需求将会逐步提升。以当前GPT-4为例，采用MoE模型后约1.8万亿参数，约在13万亿Token上进行训练，预估最低训练成本约为6400万美元，根据2019-2022年大模型单次训练成本对比可见，单次训练成本随时间提升而增加，其原因或同硬件迭代，参数量提升，以及响应速度提升正相关。

　　需求方面，我们认为当下主要集中于云厂商用于大模型的开发，以及人工智能的行业应用。根据对国内外相关云厂商资本开支进行分析，我们发现国内相关云厂商（百度、阿里巴巴、腾讯）在2025财年的资本开支中，已披露的厂商均有较大增幅，并未因为推理算力降本的影响而缩减资本开支；海外相关云厂商方面，对于AI训练端的投入也如火如荼，资本开支增长仍维持较高增速。整体来看，国内外对AI训练侧的投入仍维持较高热情，在算法优化的趋势下对于硬件的开发有望进一步提升，而ScalingLaw也并未失效，国内外云厂商对IT基础设施的投入热情均相对较高，当前算力仍处于相对紧缺状态，随着英伟达算力卡的不断迭代，以及应用场景的不断拓宽，预计行业资本开支仍有较大上行空间。

　　（2）推理算力方面，我们认为DeepSeek的推出大幅降低了AI普及的成本，推理算力的市场规模大幅拓展：

　　虽然DeepSeek的推出，对降低推理侧成本带来大幅降低，但我们认为推理侧的成本降低，将显著带来训练测迭代的加速，由于推理侧成本的降低，应用场景落地或将进一步加速，推动推理侧模型效率的进一步提升。

　　DeepSeek-R1以超越美国顶尖模型的性能、更低的研发成本和较弱的芯片性能要求，引发了美国对其AI全球领先地位的担忧，同时也对科技公司在构建AI模型和数据中心上的巨额投入提出了质疑。在DeepSeek的冲击下，国内外大模型厂商紧急上线新模型，采取降价、免费等措施以证明自身的领先优势。同时，亚马逊、英伟达、微软等海外AI巨头纷纷上线部署用户访问DeepSeek-R1模型。2月1日，OpenAI发布全新推理模型o3-mini并首次向免费用户开放。这是OpenAI推理模型系列中最新、成本效益最高的模型。在定价方面，o3-mini每百万token的输入（缓存未命中）/输出价格分别为1.10美元/4.40美元，比完整版o1便宜93%。不过，o3-mini的性价比或依然不及DeepSeek。作为对比，DeepSeek的API提供的R1模型，每百万token的输入（缓存未命中）/输出价格仅分别为0.55美元/2.19美元。在o3-mini推出后，OpenAICEO表示，中国竞争对手DeepSeek的崛起削弱了OpenAI的技术领先优势，并就开源与闭源的问题回应称，OpenAI过去公司曾经开源部分模型，但主要采用闭源的开发模式，未来将重新制定开源战略。与此同时，国产大模型的降价浪潮仍在持续。1月30日，阿里云发布百炼qwen-max系列模型调整通知，qwen-max、qwen-max-2025-01-25、qwen-max-latest三款模型输入输出价格调整，qwen-maxbatch和cache同步降价，AI大模型行业竞争加剧。

　　DeepSeek的成本突破不仅是大模型训练的从“硬件驱动”向“算法驱动”的范式拓展，更为普惠化应用打开了新空间，反映AI技术向实用化、低成本化演进。行业对算力的依赖相较之前发生了“结构性”而非“总量性”变化：DeepSeek的技术进步短期内或许能够局部缓解算力压力，但由于算法与算力的“螺旋上升”关系、应用场景的爆发式扩展以及数据增长的不可逆等特性，我们认为算力资源需求会从预训练端逐渐转移到推理端，DeepSeek的兴起不会削弱高端芯片需求，而会促使大模型发展进入“算法进步→模型复杂化→硬件升级”的正向循环。

　　大模型成本优化与算力需求之间相互成就，高资源使用效率反而可能会增加算力的总消耗量。DeepSeek通过降低训练成本，提高训练效率，看似减少算力需求，但同时，大模型成本缩减意味着降低了企业的训练与推理门槛，即每单位成本所能提供的训练和推理服务更多了，算力效率提升有望激活更广泛的用户与应用场景，从而引发对更大参数以及更复杂的大模型迭代需求。算法优化（如模型压缩、蒸馏）确实能提升单次任务效率，但AI能力的边界扩展（如多模态、复杂推理、通用人工智能）仍依赖更大规模模型和更复杂计算。这可能会对均衡下的算力需求产生正面影响，整体算力需求不会减少而是更加旺盛，从而形成对硬件需求的新一轮推升，即步入“算法进步→模型复杂化→硬件升级”的正循环。

　　（1）强化国产算力产业链：为中国AI发展带来新机遇，为中美科技竞争增添变数。DeepSeek-R1/V3支持华为昇腾平台及MindIE引擎，自研推理加速引擎使硅基流动与华为云昇腾服务上的模型效果媲美高端GPU，同时降低成本。这一突破为AI生态提供自主多元化方案，助力我国本土芯片厂商商业化落地，促进高效能AI的普及。

　　（2）提升中国AI国际影响力，持续加大算力投入：DeepSeek-R1的开源实践标志着开源模式对闭源模式的一次重要胜利，这一开源模式对社区的贡献能够迅速转化为整个开源社区的繁荣。DeepSeek迅速吸引了全球开发者瞩目，曾短时间内即在苹果中国及美国应用商店免费应用下载榜超越ChatGPT登顶，彰显了中国AI技术以更开放姿态融入全球。未来创新将聚焦于效率、开放性和生产力转化，DeepSeek或成全球AI科技发展转折点。中小企业和个人开发者等长尾市场原本因成本限制无法参与的领域（如小规模模型微调、实验性研究）将被激活，形成分散的算力需求增量，产业或将迎来结构性变化，有望为AI技术的多元化创新增添更多可能性。同时，AI加速走向千行百业，智能驾驶、机器人、元宇宙等新兴领域对实时计算和低延迟的高要求，将持续助推高算力需求，我国的算力设施投入有望持续加强。

　　（3）我们对算力基础设施进行十年预测，保持高增态势：从云厂商及运营商的资本开支角度出发，我们可以从其公布的资本开支额度进行分析，即算力基础设施的投入有较大幅度增长，由于云厂商投入方向分为国内及海外，运营商投入方向主要为国内。综合来看，我们将国内算力规模按照保守估计50%左右中性假设；同时上下浮动5%作为乐观预测及悲观预测；我们认为该种趋势将延续至2029年，主要原因为国产替代进程加速以及数据量的不断提升，带动算力基础设施的增速将持续保持在较高位置，虽然期间可能存在一定的价格下降，但整体趋势仍旧较好；2030年开始，我们并不认为AI的基础设施投入方向会有相对较大的变化，但由于在高基数的背景下，以及算力基础设施在算法水平不断提升，以及硬件成本价格下降的情况下，需求虽然依旧旺盛但整体价格有所下滑，我们预期其放缓速率有望降至35%左右水平。整体十年，受益AI+的快速发展，算力基础设施作为AI基石有望持续保持高增态势。

　　AIoT（人工智能物联网）正推动智能终端从“数据采集器”向“自主决策体”跃迁。根据Omdia的预测，到2030年，全球物联网设备总出货量将超越180亿，物联网设备的智能普及程度将进一步提高，尤其是在智能家居、工业物联网等领域，形成“端-边-云”协同的智能网络。这一变革的底层逻辑在于：硬件不再是算法的被动载体，而是成为AI能力落地的核心载体与价值放大器。制造业中，智能工业机器人通过本地化AI推理将故障响应时间从小时级压缩至毫秒级；消费领域，AR眼镜通过实时环境理解实现虚实无缝交互。AI与硬件的深度耦合，正重构人、机、物的交互范式。

　　AI计算主要依赖于云端，但云端计算存在延迟和数据隐私的问题。而端侧AI可以在本地处理数据和任务，实现快速响应，无需将数据传输到云端，从而提升用户体验并保护隐私。随着NPU的广泛应用，端侧设备逐渐具备了处理AI任务的能力。NPU是专为神经网络计算设计的加速器，与传统CPU和GPU相比，它在执行AI模型时效率更高、功耗更低，适合资源受限的设备。NPU技术的进步推动了终端设备在语音识别、图像处理和自然语言处理等多模态任务上的性能提升。例如，现代智能手机可以利用内置NPU实现实时物体识别，帮助用户管理和分类照片。

　　目前，端侧大模型主要发展语言模型和文生图模型，未来将向多模态领域拓展。多模态模型能处理语言、图像、音频、视频等多种数据，满足多样应用需求。比如用户能用自然语言和图片与设备交互，获得更智能体验。这不仅推动人机交互进步，还让终端更懂用户需求。端侧AI的个性化也是未来重点。通过在设备上个性化训练，它能适应不同用户习惯，提供定务。像手机AI学习用户拍照偏好后，能自动调参数、推荐拍摄模式。这既能提升用户依赖度，也为终端厂商带来商业机遇。

　　端侧AI的应用场景从智能手机、PC等拓展到可穿戴设备。随着NPU技术提升，可穿戴设备虽体积小巧，却能实现语音识别、健康监测和图像处理等功能。比如搭载NPU的智能手表，能本地处理语音命令，使用更便捷。新兴的智能眼镜等可穿戴设备，借助端侧AI实现实时翻译、情绪识别等功能，拓宽了应用边界。在可穿戴设备中引入AI，厂商能打造更具吸引力的产品，在市场竞争中占据优势。像兼具实时语音翻译和心率监测功能的智能手表，在出国旅行、健康管理等场景实用性强，提升了用户生活质量。智算在AI深度学习领域发挥着举足轻重的作用，主要应用体现在以下关键方面：

　　（1）加速模型训练：深度学习模型结构复杂，参数数量庞大，训练过程对计算资源需求极高。智能算力借助GPU（图形处理器）、TPU（张量处理单元）这类高性能计算设备，显著加快了模型训练进程。以GPT-4等大型语言模型为例，训练时需要处理海量文本数据，智能算力的强大运算能力可快速完成复杂的矩阵运算，大幅缩短训练时间。

　　（2）优化推断推理：在模型推断阶段，智能算力通过高性能计算设备与专门的推理芯片，显著加速了深度学习模型的推断过程。这使得模型能够在更短时间内处理输入数据并输出结果，大幅提升了模型的实时性和稳定性。在智能安防领域，实时视频监控的目标检测任务需要快速响应，智能算力可确保检测结果及时准确输出。

　　（3）助力模型优化：借助智能算力，能够对模型进行自动化的超参数调优，精准找到最适配的参数组合；开展网络结构搜索，探寻更高效的模型架构；实施模型剪枝，去除冗余连接，从而进一步提升模型的精度和效率。

　　AI为智能手机行业长期赋能，目前各家厂商加紧AI布局。从已发布的SoC来看，高通Gen3、联发科天玑9300等新款旗舰大幅提升算力。架构上，天玑9300采用全大核架构，运用大核运算速率优势降低整体功耗，峰值性能相较上一代提升40%，功耗节省33%，而8Gen3采用“1+5+2”架构，增加大核数量提升算力。AI性能方面天玑9300搭载的vivoX100可运行100亿参数大模型，算力达到33TOPS，高通及苹果旗舰芯片也能达到30+TOPS算力。

　　随着多模态大模型和世界模型（WMs）的出现，这些架构因其出色的感知、交互和推理能力而被视作具身代理的“大脑”。机器人可以通过接入大模型直接理解人类的自然语言指令，并将其转化为具体的行动。而当前我们依然处在“具身智能”的初级阶段，即智能硬件。

　　与AI结合的新型消费电子产品层出不穷。与手机、PC等传统的计算设备通过按键、触碰等物理接触进行交互不同，可穿戴设备可以通过语音、手势、图像、心率等方式进行交互，可以创造更直观、更自然且身临其境的用户体验。在2025年MWC大会，AR/VR眼镜成为参展厂商重点展示产品，三星展示了其首款基于安卓XR平台的扩展现实头显——Project Moohan；传音控股展出了两款AI/AR眼镜新品：TECNO AI Glasses以及AI Glasses Pro；雷鸟创新正式发布其最新的XR眼镜——RayNeo Air 3s；星纪魅族展示了AR智能眼镜StarV Air2。IDC预测，2025年全球智能眼镜出货量为1280万台，同比增长26%；其中中国智能眼镜出货量为275万台，同比增长107%。

　　具身智能机器人是大模型驱动的新一代AI浪潮对机器人行业赋能的重要体现。传统机器人通过人工编程和自动控制执行机械和重复性任务。智能机器人基于AI加持，不仅具备传统机器人的功能，而且能够感知、决策和学习，根据环境变化做出智能决策。其中智能机器人的智能性可以是依靠各类数据前期训练获得，也可以是依靠物理实体通过与环境交互实现智能增长。具身智能机器人属于智能机器人的分支，以是固定底座机器人、轮式机器人、足式机器人、仿生机器人等多种形态，其不仅具有物理身体的智能体，能够感知周围世界和与环境互动，而且还能自主学习、决策并执行任务，重视在在物体/场景/任务层面的泛化能力。相较更强调高精度运动控制和机器视觉的工业机器人，具身智能机器人更强调交互，传感器（感知）和能帮助进行高级任务规划的AI算法是核心技术点，也是此轮AI浪潮的重要受益方向。

　　具身智能机器人商业化需综合考虑技术壁垒、市场规模和成本接受程度。市场规模较大，技术壁垒中等，成本可接受程度更高的细分市场更容易渗透，也即：以汽车总装和3C制造代表的工业场景会率先渗透，随后是任务复杂度适中的商用服务场景、危险场景和其他工业场景，然后再到消费端，也即家庭场景。主要原因是：

　　（1）市场规模：具身智能机器人产品落地需要模型算法、本体制造&运控、上游芯片&算力&核心零部件供应商多方努力，且一定程度上需要各环节参与者针对具身智能机器人进行定制化开发，市场规模大的场景才能够吸引足够多企业加入，并在未来跑出数据飞轮效应。

　　（2）技术壁垒：产品是否满足用户需求、具备一定“必要性”是商业化的关键，家庭环境的场景复杂性和操作复杂性高于工业和部分商业服务场景，对人机交互的要求更高，技术实现难度更大。

　　（3）成本可接受程度：基于对机会成本的考量，在具身智能机器人方案优于其他替代方案时，购买意愿会显著增强，具身智能机器人从to B走向to C的过程对成本控制的要求将越来越严格。

　　综上我们测算得到2035年中国具身智能机器人保有量为1157万台，出货量为263万台。假设平均单价为10万元，估算得到2035年中国具身智能机器人行业市场规模为2630亿元人民币，其中政府&企业端市场规模为2290亿元人民币，个人消费者端市场规模为3500亿元人民币。

　　当前边缘AI正处于爆发关键期，我们预计，AI智能终端与硬件市场规模在2035年有望达到5.37万亿元，占AI核心产业比重为22%左右。受边缘终端的计算性能限制，边缘端搭载的AI模型较传统模型更加轻量级，其参数范围取决于模型的预期功能和搭载的终端。AI耳机和AI眼镜作为新兴品类，增速较快但基数较小，在悲观、中性和乐观情景下，2035年市场规模均为5443亿元、10740亿元和15904亿元。AI玩具和其他AI产品代表长尾市场，规模较小但潜力巨大，在悲观、中性和乐观情景下，2035年市场规模均为2720亿元、5370亿元和7952亿元。随着技术的飞速发展和创新突破，AI硬件将成为推动人类社会进步的核心引擎，AI智能终端与硬件市场将迎来爆发式增长，成为全球经济的新增长点。

　　未来十年，人工智能算法与软件将进入技术突破与产业落地的共振周期。多模态AI与量子计算的渐次成熟将重构底层技术范式，而垂直行业大模型及AI Agent的爆发式增长则将深刻改写商业生态。

　　多模态打开大模型感知与理解维度。多模态大模型是一类结合了大型语言模型的自然语言处理能力与对其他模态（如视觉、音频等）数据的理解与生成能力的模型。可以通过整合文本、图像、声音等多种类型的输入和输出，提供更加丰富和自然的交互体验，目前大模型发展已经进入到了多模态初期、推理与优化复合的新阶段。

　　大模型将逐渐向多模态演进。其主要原因为：（1）多模态从输入数据类型来看更符合人类感知世界的方式，人类自然会收到通常互补和融合的多感官输入，多模态大模型有望更加智能；（2）多模态提供了一个更用户友好的界面，输入的多样性让用户可以以更灵活的方式与智能助手进行交互和交流；（3）多模态是一个更完善的任务求解器，虽然大模型可以执行NLP任务，但是多模态可以支持更大的任务范围。

　　另一方面，神经符号系统是一种融合了神经网络和符号推理的人工智能技术。神经符号可以简单理解为神经网络与符号推理相结合的方式，神经网络通过大量数据来学习模式和规律，而符号推理侧重于基于逻辑和推理规则进行思考和决策，神经符号AI通过将神经网络与符号推理结合起来，更加全面、灵活的智能系统。神经网络负责处理大规模的感知和学习，符号推理用于高级推理、决策和推断，通过将神经网络与符号推理相结合，神经符号系统可以同时具备感知能力和和复杂的逻辑推理能力，从而理解和处理复杂问题，大幅降低推理成本。

　　当前人工智能大模型面临资源消耗庞大，算法局限等问题。目前人工智能模型仍然面临一些挑战，并且或将是影响AI应用进一步发展和渗透的关键因素。一方面，由于大模型对计算资源有着极高的需求，训练一个复杂的人工智能模型，需要成千上万张图形计算芯片，同时还伴随着大量的电力消耗与时间成本，不仅提高了人工智能研究与应用的成本，也对能源供给提出了更为严苛的要求。另一方面，人工智能大模型持续加速迭代，但在处理部分复杂问题时依然存在局限性并出现“大模型幻觉”同时训练过程需要耗费大量的时间成本。

　　量子计算的核心在于量子力学基本原理，在处理默写复杂计算问题上具备巨大潜力。与传统传统计算机的计算方式采用二进制的“0”和“1”进行信息处理，而量子计算机则采用量子比特进行计算，量子比特可以同时处在“0”和“1”的叠加状态，这也让量子计算机具备同时处理多个状态的能力。另一方面，量子比特之前可以通过量子纠缠来保持彼此之前的关联关系，即使在很远距离也能保持同步变化，进一步提升了处计算并行处理能力，使得量子计算机在处理复杂计算任务上具备很大潜力，也为解决当前无法处理的计算任务尤其是大规模数据分析等领域提供了可能性。

　　语言模型通过与量子计算结合，开辟了混合训练的新领域。这种策略为减少错误提供了新的途径，并显示出对变分模拟的强大改进，由于生成模型最近已被改编为量子纠错，混合训练可能为未来实现容错量子计算机的圣杯迈出了重要一步，量子计算机和在其输出中训练的语言模型之间即将出现良性循环。量子计算与大模型的深度融合或将逐渐显现优势，量子计算虽然仍处于早期发展阶段，但其潜力已不容忽视，随着硬件技术的不断进步和量子算法的成熟，量子计算有望在未来几年内为各行各业带来性的变化，成为推动人工智能行业发展的重要力量。

　　量子计算是一个利用量子力学原理快速发展的领域，有可能对ChatGPT等大型语言模型(LLM)产生重大影响。通过利用叠加和纠缠等量子特性，量子计算可以彻底改变LLM的训练、优化和部署方式，从而改变人类与AI的交互并在各个领域扩展AI应用。

　　人工智能时代进入拐点，大模型开源生态成为推动人工智能产业从技术走向应用的重要模式。大模型开源生态加速推动人工智能技术革新，并推动其在各个行业的广泛应用。通过开源大模型，企业能够更快地实现任务部署和技术落地，这对于人工智能产业的发展起到了关键作用。随着更多的开源大模型案例和应用的发布，未来将在社会经济发展中发挥至关重要作用。

　　开源大模型将推动训练数据与底层技术的标准化，加快模型的迭代与应用落地。一方面，训练大模型所需数据集和定义的数据服务接口，将会成为行业的标准，而接入大模型的各类应用都必须遵循此标准，另一方面，处理大模型训练数据的底层技术所需的工具链也必须产品化和标准化。大模型在标准化技术服务的有力支撑下，可输出硬件适配、模型蒸馏和压缩、模型分布式训练和加速、向量数据库、图数据库、模型互联互通等技术方案，提供自然语言处理、计算机视觉、跨模态、知识图谱等各类能力，让更多的企业、开发者可以低门槛地将大模型应用于自身业务并构建行业垂直模型，从而促进人工智能在各领域广泛落地。

　　我们根据AI人工智能演进趋势，预计AI算法与软件2035年总体市场规模达到接近：2.64万亿元（悲观假设）、4.08万亿元（中性假设）、5.99万亿元（乐观假设）。

　　垂直大模型是针对特定行业或领域的深度学习模型，能够更好地满足行业的个性化需求。垂直大模型的增长特征表现为：（1）行业渗透的加深：垂直大模型将逐渐渗透到更多行业和领域，如制造业、农业等；（2）与其他技术的融合：垂直大模型将与物联网、区块链等技术相结合，形成更强大的解决方案。

　　市场空间预测方面，我们预计垂直大模型市场在未来十年将保持高速增长，到2035年，国内垂直大模型市场规模有望达到7.27万亿元。

　　DeepSeek所公布的论文中除了RL技术范式的革新之外，跨维度知识蒸馏体系的搭建同样亮眼。相关数据表明，

　　DeepSeek-R1-Distill-Qwen-7B在AIME2024评测里，取得了55.5%的分数，成功超越了原版QwQ-32B-Preview。值得一提的是，在参数规模锐减81%的情况下，其性能却实现了23%的提升。而它的32B版本在MATH-500测试中更是表现惊艳，达到了94.3%的超高准确率，相比传统训练方法，提升幅度接近40个百分点。DeepSeek采用的技术路径为先把32B大模型的推理逻辑拆解为可迁移的认知模式，再借助动态权重分配机制，将这些模式注入到7B小模型当中，实现的并非仅仅是知识的简单记忆，更传承的是思维范式，也使得小模型不仅拥有了大模型的解题能力，还有问题拆解以及逻辑推演等能力。

　　垂类大模型行业Know-how驱动的价值落地，DeepSeek的出现证明企业可以减少在硬件设备如高性能服务器、GPU等设备采购和租赁上的⽀出，以及降低能源消耗成本。此外，不同行业面临着不同的业务场景和数据特点，对人工智能技术有着特定的需求。通用大模型虽然具有强大的泛化能力，但往往难以充分利用行业知识，提供有针对性的解决方案。相比之下，行业大模型能够根据特定行业的痛点和需求进行定制化训练，学习行业专业知识和语言习惯，从而提供更加精准、高效的服务，属于企业的垂类大模型的时代即将爆发。

　　生产性服务行业垂类大模型将率先爆发，尤其在金融、广告等行业。生产性服务业凭借自身优势，其具备良好的数据基础，运营模式轻盈灵活，同时对效率提升以及用户体验有着极高要求，这些特质使其天然契合垂类大模型的应用场景。尤其是金融、广告这类知识密集型行业，对海量数据的高效处理以及专业服务有着迫切需求，将成为垂类大模型落地的最佳场景。

　　2023年中国AI Agent市场规模为554亿元，预计至2028年将达8520亿元，其年均复合增长率为72.7%。AI Agent于2023年被业内正式引入并重新定义，随着人工智能技术的迅速发展，垂直领域的AI Agent正逐渐成为科技行业的新宠，垂直领域的AI代理市场规模可能达到SaaS的十倍，创造超过3000亿美元的独角兽企业。AI Agent市场规模包括ToC端和ToB端的应用价值：（1）在B端场景下，AI Agent将对SaaS应用进行全面重构，与传统知识库结构化管理模式相比，AI Agent的向量数据库能自动学习和理解文档，实现更加高效知识管理；（2）在C端场景下，AI Agent作为生成式AI的商业化应用，可以广泛应用于电商、教育、旅游、酒店以及客服等行业，带来传统行业的升级转型。

　　B端行业软件的智能化转型：AI Agent在B端的应用则聚焦于与垂直行业大模型及办公软件的深度融合，推动产业智能化升级。一方面，通过将AI Agent与特定行业大模型结合，企业能够构建出具备独立思考与行动能力的虚拟助手或软件功能，显著提升业务处理效率与智能化水平。在制造业、教育、金融等多个领域，展现出强大的应用潜力与拓展性。

　　AI Agent凭借强大的机器学习与模式识别能力，能够对脑电信号进行深度分析。通过持续学习大量神经信号数据，它可以精准识别不同思维模式对应的信号特征，极大提高信号解读的准确率，让用户的想法能更准确地转化为指令传递给外部设备，如帮助瘫痪患者更自如地控制轮椅行动。此外，AI Agent可以进行个性化自适应调整，AI Agent可以根据个体用户的神经信号特点，进行个性化的算法优化与参数调整。随着用户使用时间的增加，它不断学习用户的行为习惯和神经信号变化，自适应地优化信号处理流程，使脑机接口系统能更好地契合每个用户独特的生理特征，提升交互体验的稳定性和流畅性；最后，AI Agent拓展应用场景边界基于AI Agent的脑机接口，不再局限于简单的运动控制。它能够拓展到如医疗康复训练中的智能辅助、教育领域中对学生学习状态的实时监测与反馈等更多场景。

　　AI Agent丰富智能虚拟角色。AI Agent能够赋予虚拟角色高度智能，使其具备自主思考、学习和决策能力。这些虚拟角色可以根据用户的行为和环境变化，做出逼真且自然的反应，与用户进行更有深度、更真实的互动，如在虚拟社交场景中与用户展开富有情感和逻辑的对话，极大丰富元宇宙社交体验；同时可以优化内容生成与场景，AI Agent可通过生成式对抗网络等技术，自动生成虚拟场景、物品等内容，根据用户偏好和实时需求，快速调整场景布局、生成新的建筑风格或虚拟道具，为用户打造个性化、沉浸式的元宇宙空间。同时，通过对用户行为数据的分析，AI Agent还能不断优化场景设计，提升用户在元宇宙中的探索和使用体验；最后AI Agent可以实时监测元宇宙网络中的异常流量、潜在攻击行为等安全威胁。一旦发现问题，能迅速做出响应，采取防御措施，如阻断恶意连接、修复系统漏洞等，确保元宇宙环境的安全稳定，为用户营造可靠的虚拟世界运行环境。

　　AI Agent可以提供主动式智能服务。AI Agent能够通过对用户日常行为习惯的学习，提前预测用户需求，自动根据用户习惯调节好室内温度、打开灯光，当检测到用户即将起床时，提前准备好热水等，实现主动式、贴心的智能服务，让家居生活更加舒适便捷；AI Agent可以进行设备协同与优化管理，实现智能设备之间的智能协同，根据不同设备的功能特点和用户需求，合理调度设备资源，如在家庭用电高峰时，智能调整电器使用顺序，优先保障重要设备运行，同时降低整体能耗。通过对设备运行数据的分析，还能提前预测设备故障，及时提醒用户维护，延长设备使用寿命；最后AI Agent可以进行自然语言交互升级，借助AI Agent强大的自然语言处理能力，智能家居的语音交互更加流畅自然。用户可以用更随意、日常的语言与智能家居系统交流，系统能准确理解用户意图并执行相应操作。例如用户说“我想看电影”，系统自动调节灯光亮度、打开电视并切换到影视播放界面，无需复杂精确的指令，提升用户与智能家居交互的便捷性。

　　（3）市场需求的增长：金融、医疗、教育等行业对智能化解决方案的需求不断增加，推动垂直大模型的应用。

　　我们预计十年AI垂直行业应用增长达到接近：4.93万亿元（悲观假设）、7.27万亿元（中性假设）、10.57亿元（乐观假设）。

　　总之，AI核心产业正从“技术红利”向“经济红利”转化。通过算力基建夯实底座、智能终端重塑消费、算法软件定义生产、行业应用释放价值，中国有望在2035年建成全球领先的AI经济生态。

　　除了AI核心产业以外，AI赋能传统行业也能拉动GDP的增长。目前国内大力推进“AI+”行动，发展AI在垂直领域的应用已经有了坚实基础，到2023年4月，全国工业企业关键工序数控化率、数字化研发设计工具普及率分别达55.7%和75.1%，为AI技术嫁接提供了硬件基础。2024年11月末，5G基站总数为419.1万座，全年呈持续增长趋势，构成低时延数据传输网络。2024年，工业互联网平台连接设备超9600万台，形成设备互联生态。

　　目前传统产业增速降低，亟需新动能注入，而人工智能无疑是目前最好的驱动力。最近几年，AI赋能传统产业一直在持续推进。2025年政府工作报告重点强调了“AI+”行动，提出推进技术与行业的化学反应，将数字技术与制造优势、市场优势更好结合起来，支持大模型广泛应用，大力发展智能网联新能源汽车、人工智能手机和电脑、智能机器人等新一代智能终端以及智能制造装备。表明政策导向已从单纯追求技术突破，转向推动AI技术在实体经济中的深度渗透，尤其注重解决工业、医疗、农业等领域的实际问题。在医疗领域，天眼查专业版数据显示，截至目前，我国与“智慧医疗”相关企业超1942万家，2023年新增注册企业超342.8万家，相比2022年增长27.57%，其中2024年以来已新增相关企业超356.5万家。在工业领域，智能工业机器人产出逐年增多，年产量已突破50万台。在农业领域，中央财政对AI+智慧农业的支持力度不断加大，补贴金额超过300亿元。2025年，智慧农业市场规模预计超过1000亿元，其中AI+智慧农业市场规模预计达487亿元，同比增长26.5%。

　　未来十年，AI对传统产业的赋能已从单点突破演变为系统性重构，形成以“数据-算法-场景”为纽带的外溢增长网。这一网络呈现三大趋势：

　　1、技术扩散非线性化：AI渗透率在制造业、服务业、农业的差异背后，是技术成熟度与产业适配性的动态博弈。例如，制造业因设备数字化率高、流程标准化强，成为AI落地“第一站”；而农业受限于场景碎片化，渗透速度滞后但潜力巨大。

　　AI赋能制造业：AI在制造业中的渗透率正在快速提升。AI技术通过优化生产流程、提高生产效率、降低生产成本，正在成为制造业转型升级的关键驱动力。例如，AI驱动的预测性维护系统能够实时监测设备状态，提前预测故障，减少停机时间。

　　以纺服为例，服装生产智能化逐步应用，生成式AI精准决策。AI技术正在参与研发技术管理、计划排产管理、设备物联、智能生产管理、视觉质量检测管理决策等领域。生成式AI的集成为企业生产运营管理注入了精准灵活的分析与决策能力，显著提升对大数据的理解与应用水平，进而推动从管理层到执行层的全面智能化转型。同时，生成式AI打破了传统工作流程中对非结构化数据的依赖，消除部门间的信息壁垒，实现了信息高效传递，确保运营流程顺畅。通过实时查询和播报生产运营数据，生成式AI为管理层提供了精准快速的决策支持，并以可视化的方式呈现数据，提升决策效率及系统交互体验。

　　AI赋能服务业：服务业是AI应用的另一大领域，其渗透率也在不断提高。AI在金融、医疗、零售等服务行业的应用，正在改变行业的运作模式。例如，在金融领域，AI用于智能投资顾问、风险控制、信用评估和欺诈检测。在医疗领域，AI辅助诊断系统能够快速准确地识别疾病，提升诊断效率。在零售行业，AI通过智能推荐和个性化广告，优化消费者体验。

　　我国医疗体系仍面临结构性矛盾，医疗资源配置及利用效率有进一步优化空间。长期以来，实现公平与效率的统筹是我国医疗体系改革的核心任务之一，当前我国城乡、区域间医疗资源分布尚不均衡。一些基层医疗机构设备陈旧、人才短缺，一时难以承接分级诊疗政策落地，大量患者涌入三甲医院加剧资源紧张的同时，患者和医生人才的虹吸一度进一步加剧了区域间医疗水平的差距；同时，医疗机构信息化建设水平参差不齐，不同科室、不同医疗机构间信息共享尚不充分，医疗数据孤岛现象较为普遍，且数字医疗技术（如人工智能辅助诊断）覆盖率较低，在一定程度上对疾病的诊疗效率形成了制约。

　　人工智能技术取得突破进展，有望以度影响医疗体系变革。人工智能技术具有多模态数据处理能力、跨学科算法创新、实时决策支持的核心技术特征，能够在医疗体系变革中展现精确性提升、效率突破、服务模式重构等显著优势。例如深度学习算法能够实现医学影像诊断准确率大幅提升、运用知识图谱技术可将临床决策支持响应时间缩短至毫秒级、学习架构体系能解决医疗数据孤岛问题，进而在资源配置优化、诊疗效率提升、疾病防控转型等方面正向影响中国医疗体系变革的节奏和效果。我们认为，当前中国医疗体系正处于从“规模扩张”向 “质量跃升”转变的关键阶段，AI的应运而生为“健康中国2030”等目标提供了重要技术引擎，其赋能主要体现在三个方面：（1）突破资源配置时空限制，打造新医疗服务模式；（2）重构医疗决策链路，提升诊治精准度；（3）弥合健康管理断层，构建全周期健康生态。

　　医学诊断服务：高度受益于AI技术发展的领域。在医疗健康产业中，医学诊断为临床决策提供依据，其效率与准确性至关重要。现代医检依赖大型自动化设备产生海量多模态数据，在个性化医疗、资源下沉及技术创新背景下，面临数据维度丰富、可及性提升、持续优化的新要求。人工智能凭借强大的数据处理、精准判读、严谨推理能力，以及自我优化、融入产品触达用户的特性，有望使医学诊断服务领域显著受益。其最主要的体现形式在于：AI辅助判读促进检验降本增效、大模型推理助力检验医师精准诊断、数据资产衍生创收增量。

　　在医学影像领域，AI已能够实现影像的快速分析和精准诊断，凭借深度学习算法快速识别肺结节、肿瘤等病变，促进阅片效率大幅提升;在临床检验领域，AI能够通过优化检验设备产品设计，实现更高程度的流程自动化和智能化决策支持，极大提升检测效率与准确性；在基因检测领域，AI通过对基因数据分析关联特定基因变异与疾病表型、结合生物标志物数据预测癌症发展趋势、模拟药物-基因相互作用筛选候选化合物，进而加速了个体化医疗的实现。

　　新药早期研发：AI提高研发效率，多款药物进入临床。AI制药（AIDD）是指利用AI技术在药物研发、药物设计、药物筛选、临床试验和药物生产等各个环节中应用的制药领域。AI在药物研发中可以通过数据挖掘、机器学习和深度学习等技术，加速药物发现和设计过程，提高研发效率和成功率。AI还可以在药物筛选中帮助挑选出具有潜在疗效的候选药物，降低研发成本和时间。在临床试验中，AI可以帮助优化试验设计、招募适合的患者群体，并提供数据分析和预测，加快药物上市进程。此外，AI还可以应用于药物生产中的质量控制、流程优化和智能化管理等方面，提高药物的生产效率和质量。目前全球已有多款AI研发药物进入临床，且最高进展已到临床三期，与此同时，有很多利用AI技术研发的药物进入临床后失败，至今尚无AI研发的药物成功上市。

　　医疗服务与医疗信息化：场景赋能与创新应用。在医疗服务场景中，AI技术可以根据患者的个体特征，如基因信息、生理数据等，预测患者对特定药物的反应和治疗效果，为患者制定个性化的治疗方案；人工智能驱动的医疗机器人可以协助医生进行手术、护理等工作；AI还可用于康复治疗领域，通过分析患者的康复数据，制定个性化的康复计划。在医疗信息化场景中，通过对电子病历中的文本信息进行自动提取和分析，将非结构化数据转化为结构化数据，能够便于医生快速查阅和统计分析；经过海量医疗数据的挖掘和分析，AI可以发现疾病发生规律、治疗效果的影响因素等，为医疗决策提供数据支持；AI还可以实现远程诊断、远程监测等功能的加速落地。

　　人工智能正通过技术突破、场景落地的路径促进中国医疗体系向智能化、普惠化变革，当前AI已在制药、医学诊断、机器人、健康管理、远程医疗等领域崭露较大应用潜力，基于政策端、技术端、需求端、资本等关键要素假设，考虑AI对医药行业的影响变量，我们分别作至2030年、2035年的乐观、中性、保守情景预测：

　　核心假设：①技术端：技术突破加速；②政策端：政策红利释放；③资本端：资本持续涌入；④需求端：老龄化及消费升级需求持续释放。

　　我们预计，在乐观情景下，至2030年，AI将构建起“预防-诊断-治疗-康复”的全周期智能管理体系，为医药行业带来近2,000亿元增量，2025-2030年均400亿元；至2035年，医疗AI将深度融入社会健康治理，形成超大规模医疗服务网络，为医药行业带来约4,350亿元增量，2030-2035年均470亿元。

　　核心假设：①技术端：技术平稳迭代；②政策端：常态化支持；③资本端：理性增长；④需求端：诊疗人次自然增长。

　　我们预计，在中性情景下，至2030年，AI将在医疗领域形成覆盖核心诊疗环节的智能协作系统，实现疾病预警与辅助诊断的规模化应用，为医药行业带来近1,300亿元增量，2025-2030年均260亿元；至2035年，医疗AI将推动分级诊疗体系升级，形成跨机构协同的区域性医疗服务网络，但数据互通壁垒与伦理监管框架仍需持续完善，为医药行业带来约3,150亿元增量，2030-2035年均370亿元。

　　核心假设：①技术端：技术落地放缓；②政策端：政策边际收紧；③资本端：资本态度观望；④需求端：支付存在压力，渗透率提升遇瓶颈。

　　我们预计，在保守情景下，至2030年，AI技术将在影像诊断、药物研发等细分领域实现专业化突破，但全周期健康管理体系建设仍面临技术整合、数据隐私等挑战，为医药行业带来近650亿元增量，2025-2030年均130亿元；至2035年，医疗AI可能在特定场景下实现局部优化，但社会健康治理的全面智能化转型将受限于技术成熟度及法规滞后性，同时仍面临数据孤岛、伦理争议等障碍。为医药行业带来约1,650亿元增量，2030-2035年均200亿元。

　　AI赋能农业，农业领域虽然AI渗透率相对较低，但增长潜力巨大。AI的应用可以带来农业产业链方面的全方位变革，包括研发生产平台化、加工储运智能化、品牌销售精准化等。AI技术将全面渗透到农业生产、加工、流通、销售全过程，极大提高农业生产力水平，提升农产品市场效益和消费者福利，促进农业高质量发展。

　　2024年农业部发布关于大力发展智慧农业的指导意见，提到“以推进物联网、大数据、人工智能、机器人等信息技术在农业农村领域全方位全链条普及应用为工作主线，以全面提高农业全要素生产率和农业农村管理服务效能为主要目标”；“到2030年，智慧农业发展取得重要进展，农业生产信息化率达到35%左右”；“展望2035年，智慧农业取得决定性进展，农业生产信息化率达到40%以上”。另外，2024年10月发布的《全国智慧农业行动计划（2024-2028年）》提到“到2026年底，智慧农业公共服务能力初步形成，农业生产信息化率达到30%以上”；“到2028年底，农业生产信息化率达到32%以上”。

　　实际操作层面，以精准农业为例，在种植业层面，AI技术可以收集和分析大量的数据，包括土壤成分、气候条件、作物生长状态等，做出更加精准的决策。根据《中国数字乡村发展报告（2022年）》，我们看到已有部分城市构建“智慧农艺+智能农机”双轮驱动技术体系，实现耕种管收全过程信息感知、定量决策、智能作业，亩均增产14.3%、节约氮肥32.5%、节约磷肥16.8%、减药38%、亩均增收500元左右。

　　2、价值创造全域化：AI不再局限于降本增效，而是通过数据要素再配置重构产业价值链条。从“工具赋能”到“生产要素重组”，AI将推动土地、劳动力、资本等传统要素重新定价。制造业中，AI优化能力可能成为比设备更核心的资产；农业中，数据使用权或超越土地承包权成为价值分配依据。

　　3、生态协同网络化：头部企业构建的AI能力正通过工业互联网平台、API接口等向中小厂商溢出，形成“以大带小”的技术扩散网。从“行业改造”到“跨产业耦合”，AI将打通产业数据壁垒，催生新业态。例如，汽车工厂的能耗数据可赋能电网负荷预测，养殖场的甲烷排放数据可交易给碳交易所，形成跨产业价值网络。

　　据测算，2025-2035年人工智能对TFP平均增速拉动1.3%左右和记娱乐官网靠谱吗，到2035年，人工智能对实际GDP额外拉动14.8%左右。由于资本边际回报率递减，新增投资带来的额外产出减少，2025至2035年中国的全要素生产率增速持续为负，而AI对全要素生产率有正向的拉动作用。在柯布道格拉斯生产函数框架下，分别在有AI影响和无AI影响条件下对全要素生产率进行测算，2025-2035年人工智能对TFP平均增速拉动1.3%左右。进一步外推出AI对GDP的拉动效应，测算得到到2035年，人工智能对GDP额外拉动14.8%左右。