科技行业2026年展望_企业级AI应用落地_开启价值新周期_

> **来源：[研报客](https://pc.yanbaoke.cn)** 2025年12月12日 # 科技行业2026年展望：企业级AI应用落地，开启价值新周期 民银证券研究团队 分析师： 苏聪 电话：37288224 Email: louisesu@cmbcint.com 今年以来指数表现 注：截至2025年12月11日资料来源：iFind、民银证券 2025年恒生人工智能主题指数（HSAIT.HK）表现亮眼，以 $34.6\%$ 的涨幅跑赢恒生指数（ $30.1\%$ ）及恒生科技指数（ $27.0\%$ ），并在12个恒生综合行业板块中涨幅位列第5，全年呈现“开局强势、金秋触阶段高点、年底震荡调整”的整体走势。 AI大模型已迈向“开源民主化”阶段，为落地奠基。大模型的发展以2017年Transformer架构为起点，2021-2022年通过监督微调（SFT）和强化学习（RLHF）提升可靠性，后经历多模态和“思考链”的迭代，并在DeepSeekR1的推动下行业从“高成本闭源垄断”转向了“低成本开源民主化”。发展趋势来看，当前头部科技公司的资本支出不断加码（Top5数据中心公司在25Q3Capex达1050亿美元)，开源与闭源模型之间差距逐步缩小，模型在效率和性价比不断提升，Tokens调用量爆发式增长，推理模型成为主流，且中美之间的模型差距也在逐步收窄。 企业级AI大模型落地提速，需求全面爆发。企业级AI分为判别式AI和大模型AI（含生成式能力和Agentic能力），覆盖数据生成到决策优化。落地层面，企业AI的采纳率大幅提升，助力实现增收减支；企业对大模型的日均调用量明显提升，对开源模型的认可度增加；招投标市场活跃度激增（25年上半年已超过24年全年）；企业在生成式AI的预算也显著增加并开始向核心业务倾斜（26年预计增长 $75\%$ ），标志着行业正在迈入规模化落地新阶段。 2026年行业发展将聚焦三大趋势：多模态与Agent技术渗透更多行业，企业开始转向复合AI策略，AI就绪数据将成为企业级AI大模型落地基石。当前市场格局也日趋清晰，主要参与者可划分为5大类别： 1）互联网科技巨头：覆盖基础层到应用层全栈生态，掌握算力与数据入口，如阿里、百度、腾讯、字节等； 2）AI+Data技术提供商：聚焦基础层数智基建，保持“模型中立”，如星环科技、拓尔思、滴普科技等； 3）技术转型者：包括上一代AI技术及企业转件转型厂商，行业及客户基础成熟，如科大讯飞、商汤科技、金蝶、金智维等； 4）AI原生创业者：专注大模型技术突破的创业公司，如DeepSeek、月之暗面、MiniMax等； 5）垂直领域深耕者：与特定行业深度结合专注于应用层，如百融云、迈富时、创新奇智、医渡科技等。 风险提示：落地不及预期、市场竞争加剧、下游客户预算不足、人材流失、地缘政治、政策监管收紧等风险 # 科技行业2026年展望：企业级AI应用落地，开启价值新周期 # 一、2025年行情回顾：港股恒生人工智能主题指数领涨，AI重塑资产价值 2025年初至今，港股的恒生人工智能主题指数（HSAIT.HK）跑赢恒生指数(HIS.HK)及恒生科技指数（HSTECH.HK）。截止2025年12月11日收盘，恒生人工智能主题指数（HSAIT.HK）较年初上涨了 $34.6\%$ ，同期恒生指数(HIS.HK)上涨了 $30.1\%$ ，恒生科技指数（HSTECH.HK）上涨了 $27\%$ ，跑赢了同期的恒生指数与恒生科技指数。 年初至今，以恒生人工智能主题指数为代表的港股整体呈现“开局强势，金秋触及阶段高点，年底前震动调整”的走势。从涨幅波动表现可以看出，年初特别是春节以来受DeepSeek大模型推出爆火出圈的利好影响，直接带来中国资产重估行情启动，港股恒生人工智能主题指数也展示出较明显的上涨行情，并在3月上升到阶段性顶点。4月初受关税影响冲击后整体下跌到阶段低点，但之后又开始波动上行并在9月底10月初伴随着美联储降息预期和AI应用的商业化落地等因素的推动，板块触及了年内阶段高点，但临近年底板块随情绪波动呈现震荡回落的态势，整体进入阶段性整理区间。 图1：2025年以来港股恒生人工智能主题指数较年初涨幅相对表现（截至2025年12月11日） 来源：iFind，民银证券整理 表 1: 港股恒生人工智能主题指数十大权重股一览 (截至 2025 年 12 月 11 日) 证券代码 证券名称 权重 总市值（亿港元） PE（TTM） 较年初涨幅 (%) 3690.HK 美团-W 10.67% 6,203.26 -171.20 -32.50 1810.HK 小米集团-W 10.51% 10,985.88 23.21 24.52 0941.HK 中国移动 9.90% 18,798.32 12.31 12.92 0700.HK 腾讯控股 9.89% 55,006.65 23.86 47.72 9988.HK 阿里巴巴-W 9.73% 28,747.97 21.55 87.01 0981.HK 中芯国际 6.89% 6,529.67 111.43 112.89 9999.HK 网易-S 6.81% 6,640.04 17.24 57.80 1024.HK 快手-W 4.61% 2,884.83 15.71 63.12 9888.HK 百度集团-SW 3.49% 3,404.71 38.30 52.36 9868.HK 小鹏汽车-W 2.76% 1,425.64 -49.36 61.74 来源：iFind，民银证券整理 行业维度来看，2025年初至今，与恒生综合行业12个行业板块指数对比，恒生人工智能主题指数（HSAIT.HK）较年初的涨幅来看排名第5，属于中间靠前的位置，表现相对较好。 图2：2025年港股恒生人工智能主题指数涨幅在各行业中排名第五（截至2025年12月11日） 来源：iFind，民银证券整理 # 二、AI大模型的发展与演变：从“规模竞赛”到“开源民主化” 大型人工智能模型（Large AI models）是指那些通常基于神经网路构建的、拥有数十亿乃至数万亿参数量，旨在提升模型表达能力和预测能力、具有泛化能力、可处理海量数据并解决复杂任务的机器学习模型。根据 Visual Intelligence 发表的综述文章 An Overview of Large AI Models and Their Applications，可以将 AI 大模型分为两大类：大型基础大模型和大型行业专用大模型。其中，大型基础模型根据输入数据类型模态差异可以划分为三类：LLM（Large Language models，大型语言模型，核心输入是文本数据）、LVM（Large Vision Model，大型视觉模型，核心输入是视觉数据）和 LMM（Large Multimodal Model，大型多模态模型，多模态数据混合输入，如文本+图像或文本+音频等）。大型行业专用大模型根据应用领域可以划分三个级别：大型通用 AI 模型（L0，能够跨多个行业和领域），大型行业特定 AI 模型（L1，是 L0 的微调行业大模型，结合了行业属性和知识，提升特定领域能力），和大型垂直专业化 AI 模型（L2，基于 L1 的微调垂直大模型，专注于解决特定任务和场景）。 图3：AI大模型分类 来源：Tu, X., He, Z., Huang, Y. et al. An overview of large AI models and their applications. Vis. Intell. 2, 34 (2024), 民银证券整理 参考《A Brief History of LLMs: From Transformers (2017) to DeepSeek-R1(2025)》（LMPo, 2025), 大语言模型最早可追溯到谷歌于 2017 年发表的论文《Attention is All You Need》中所提出的 Transformer 架构，注意力机制（attention）的引入直接引发了架构革命，使得模型规模可实现指数级扩展，直接催生了 Scaling Law（规模定律）；而 2018 年 BERT（Bidirectional Encoder Representations from Transformers）的出现则带来了大模型训练范式的革命，证明了“预训练大模型 +微调”（Pre-train + Fine-tune）路径可以大幅降低 AI 应用门槛，并直接推动了大模型时代的爆发。2020 年，OpenAI 发布的 GPT-3 凭借 1750 亿的参数规模展示了小样本和零样本学习能力在 AI 领域的潜力。此后，Google 研究团队于 2022 年发布的《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》正式提出了“思考链”（CoT）的概念。同年，OpenAI 在 11 月同时发布 GPT-3.5（基础大语言模型，首次证明“微调+RLHF”能大幅提升可用性）和 ChatGPT（微调后的对话交互产品，产品化的聊天机器人），随着 ChatGPT 免费向公众开放从而引发了全球性的广泛关注，也标志着 AI 大模型研究的新时代。2023 年和 2024 年的 GPT-4 和 GPT-4o 等多模态模型不断发展，无缝集成文本、图像和音频处理，使之表现出更多元的能力。而 2025 年 1 月 推出的DeepSeek R1则标志着大模型从“高成本闭源垄断”向“低成本开源民主化”的转变，在成本颠覆、生态开放和地缘层面上影响明显，推动了中国AI生态的爆发。 图4：近年来主要流行人工智能大模型及参数量一览 来源：Tu, X., He, Z., Huang, Y. et al. An overview of large AI models and their applications. Vis. Intell. 2, 34 (2024). 表 2: 2017-2025 年大型人工智能模型的主要演进过程 (截止 2025 年 11 月 28 日) 时间范围 关键节点/模型 意义 2017年6月 T transformers Google发布论文《Attention is All You Need》，引入自注意力机制，取代RNN，成为现代大模型的核心架构 2018年6月 GPT-1 OpenAI的首个版本，引入了仅用于解码器的Transformer架构，为GPT系列奠定基础 2018年10月 BERT 深度双向上下文建模，深度上下文理解，确立了"预训练语言模型+下游微调"的NLP范式 2020年5月 GPT-3 参数暴涨至175B+，确立“超大基础模型+Prompt少样本学习”范式，能够跨领域泛化 2022年1月 CoT Google研究团队首次系统提出了“思考链”(CoT)的概念，让大模型“像人一样思考” 2022年11月 Chat-GPT/ GPT-3.5 Chat-GPT是基于GPT-3.5微调优化后的对话交互产品，引发病毒式传播，开启大模型元年，激发全球AI竞赛 2023年2月 LLaMA Meta 的开源高效模型（LLaMA 1），促进开源生态繁荣 2023年3月 GPT-4 OpenAI 的多模态模型（文本+图像），基准超越人类专家 2024年2月 Sora OpenAI 的文本到视频生成模型，开启AI视频创作时代 2024年4月 GPT-4o 支持实时语音/视觉/文本，标志多模态交互的成熟 2024年12月 OpenAI-o1 OpenAI 的推理专用模型，内置 chain-of-thought，提升复杂问题解决，涌现高级推理能力 2025年1月 DeepSeek R1 第一个开源大模型实现“涌现推理”，标志着大模型从“规模竞赛”向“高效开源推理”的范式转变 2025年3月 Gemini 2.5 Pro 最长上下文10M tokens，开启超长文档AI应用新场景 2025年9月 Claud 4.5系列 Claude Sonnet 4.5 被誉为“全球最佳编码模型”，在编程能力和长周期任务处理能力表现领先，可靠性提升 2025年11月 Kimi K2 Thinking 专注于“思考代理”（thinking agent），首次实现“无人类干预”的200-300步顺序工具调用，标志着大模型从“单步推理”向“长时序多步规划”的跃进。 2025年11月 Gemini 3 在“深度推理+原生多模态+长上下文记忆”三者上实现综合跃升，使“智能体级”长周期任务规划和执行成为主流能力。 来源：《大语言模型(LMMs)发展简史(2017~2025)》,LM Po,新闻报道,民银证券整理 图5：2025年大模型发展时间线全景图（2025年1-8月） 来源：《全球大模型开源开发生态全景与趋势报告》蚂蚁开源，民银证券整理 划分阶段来看，2017年的Transformer架构是大型AI模型发展的根节点。2018年到2020年这一阶段，BERT和GPT的出现展示了大规模预训练和微调范式的潜力，并且引发了对扩展模型规模关键因素的关注，即数据集大小、参数数量和计算能力，为AI的未来突破奠定了基础。2021年到2022年期间，随着GPT-3非凡的生成式能力的展示，引发人们对指令遵循（如偏离用户意图）和 幻觉的担忧，从而推动了两种关键后训练方法的引入：监督微调(SFT，一种用于使用包含深度领域特定知识的自定义标记数据集，使预训练的大模型适应特定下游任务的技术)和强化学习（RLHF，一种基于奖惩机制在动态环境中对预训练大模型进行行为优化的适配技术），分别用以提升模型精度和同时进行偏好对齐，让模型不仅能够准确遵循指令要求，还能适应新的任务并持续改进，最终提升了AI的一致性和可靠性。这一阶段，ChatGPT将对话式LLM引入主流，使得领先的AI能力更容易为日常普通用户所接触。2023年到2024年迎来了多模态大模型的发展，将文本、图像和音视频集成到统一系统中，实现了更丰富的交互和更复杂问题的解决。同时，这一时期也是开源和开放权重强劲发展的阶段，使得模型能够被理解和定制，从而进行自适应调整和快速部署，而开源社区如Hugging Face这样的平台也推动了模型的开放，这在加速AI技术民主化的同时，也使得开源模型和闭源模型之间的差距在逐步缩小。2024年，AI开始强调推理能力的增强，并区分了“快思考”（快速、直觉）和“慢思考”（慢速、分析），OpenAI的o1和o3推理模型的发布推动了大模型在解决数据额和编码等复杂任务的能力。而进入2025年，DeepSeeK R1通过利用混合专家(MoE)、多头潜在注意力(MLA)和多标记预测(MTP)，和高效多阶段强化学习训练，展示了通过极低的训练成本可以实现卓越的推理能力，从而使得尖端的AI更加民主化和经济便捷，并促进了更具竞争性的生态系统的形成，也为大模型在各行各业的应用和创新创造了基础。 关于人工智能大模型近期的发展趋势，结合Artificial Analysis、SuperClue及OpenRouter等独立AI评估平台的统计来看（截止2025年12月11日），我们也关注到以下一些趋势特点： 1. 头部科技公司的资本支出随着时间推移不断加码：全球主要5家超大规模数据中心公司（亚马逊、谷歌、Meta、微软和甲骨文）的资本支出（Capex）合计金额从2020年Q3的240亿美元提升到2025年Q3的1050亿美元，较2020年增长了约 $338\%$ ，为模型持续迭代提供了算力支撑。 图6：2020-2025年全球主要科技公司资本支出季度变化趋势（2020年Q3-2025年Q3） 来源：Artificial Analysis，民银证券整理 注：资本开支主要是指上述代表性科技公司在基础设施领域的重大投资，包括GPU及数据中心。资本支出是企业对AI发展的重要投入的指标，因为训练和运行前沿模型需要大量的算力支持。上述资本支出数据来自公开财务报告、新闻报道等。 2. 大模型在比较基准测试中的性能持续提升，头部大模型迭代差距逐步缩小：过去三年中全球代表大模型持续迭代多个版本，基准表现随着时间的推移持续提升，且中外头部大模型之间的差距也在逐步收窄，发布频率和测评分数都趋向接近，大模型的发布日期也越来越密集。 图7：2022-2025年代表性大模型基准表现趋势（2022年11月-2025年12月初） 来源：Artificial Analysis，民银证券整理 图8：2022-2025年代表性大模型发布日期趋势变化（2022年11月-2025年12月） 来源：Artificial Analysis，民银证券整理 3. 模型开源趋势明显，且和闭源模型之间的差距缩小：当前开源和开放权重AI模型的发展强劲，根据从下图可以看出，来自Artificial Analysis所选的27个主流高分模型中，有13个来自开放权重模型，占比接近一半（ $48\%$ ）。再者，来自开放权重模型和专有模型的基准测评比分差距，过去三年期间也在波动收窄。 图9:主流高分模型开放权重与专有模型分布 数据来源：Artificial Analysis，民银证券整理 图10:过去3年开放权重与专有模型发展趋势 4. 主流大模型的效率和性价比不断提升，国内模型在性价比方面更有优势：关注到各类主要语言模型（含推理及非推理模型）的每百万 tokens 推理价格整体在随着时间的推移逐步下降，如 Intelligence Index 评分在 20 到 30 分区间的模型每百万 tokens 的价格已经从 23 年初的超过 32 美元大幅下降到 24 年底的不到 0.125 美元，其他评分较高的模型也随着时间推移价格有不同程度的下跌。同时，也观察到主要语言模型的每秒输出 tokens 效率随 着时间的推移不断提升，如 Intelligence Index 评分在 40 到 50 分区间的模型输出速度从 24 年底的每秒不到 200 tokens 提升到 25 年 9 月份的每秒大约 700 tokens。 图11:推理价格趋势（USD per M Tokens） 数据来源：Artificial Analysis，民银证券整理 图12:输出速度趋势(Output Tokens per Second) 注：price_per_token 代表每百万 tokens 的美元价格，所统计的价格为输入和输出价格的混合 (3:1)；Output Tokens per Second 指每秒钟实际输出 token 数量，衡量大模型生成速度的关键指标。 此外，参考SuperCLUE发布的2025年9月中文大模型基准测评报告，可以观察到国内大模型API价格大多处于0-10元/百万Tokens（更为集中），平均API价格为3.88元/百万Tokens，而海外模型的API价格比较分散，从2-200元/百万Tokens不等，海外模型平均API价格为20.46元/百万Tokens，是国内模型API价格的5倍以上。国内模型主要分布在中高性价比区间，而海外模型全部分布在中低性价比区间。 图13：2025年9月中文大模型通用测评性价比区间分布 来源：SuperCLUE（发布于2025年10月11日），民银证券整理 注：SuperCLUE9月测评模型选取国内外代表性的33个大模型，其中开源模型使用方式为API，价格整理自官方9月标准价格（非优惠价格），部分模型API价格分别基于输入和输出的Tokens数量确定。 5. 大模型 Tokens 调用量爆发式增长, AI 发展转向需求驱动: 通过 OpenRouter 平台统计的多个主流模型 Tokens 使用情况随时间变化趋势图可以看到, 受到 AI 普及度、新模型发布和用户增长等因素的影响, 过去 12 个月 tokens 的周调用量呈现出爆发式增长, 从 24 年 12 月 16 日起的一周 366B 猛增到 25 年 12 月 1 日起的一周 6.19T (较一年前实现了周 tokens 调用量增长约 16 倍), 且下半年的使用量抬升明显, 表明 OpenRouter 统计的模型用户基数和调用频率在扩大, 即随着模型的发展 AI 在需求侧也展示出了强烈的拉动力。 图14：过去12个月OpenRouter平台Token使用量变化趋势（2024年12-2025年12月） 来源：OpenRouter，民银证券整理 注：上图统计的是每个模型的 prompt 和完成词的 tokens 总消耗，包含了推理 tokens，1T=1000B；OpenRouter 成立于 2023 年，一个多种类大语言模型的聚合 API 代理平台 6. 从模型类型来看，推理模型已经成为主流趋势：当前全球主流的27个模型中，按照得分能力从高到低排序，注意到推理模型的整体得分领先于非推理模型，且推理模型在主流模型中占据更高的比重（>85%）。从OpenAI o1的发布，首次将推理能力作为模型的重要特点，此后年初DeepSeeKR1的火爆让推理能力成为模型竞争力的关键，“会思考”已经成为模型刚需。 图15：当前全球主流高分模型以推理模型为主 来源：Artificial Analysis，民银证券整理 图16：推理模型当前占所有使用量的一半以上 来源：OpenRouter，民银证券整理 7. 中美两国模型之间的差距缩小，且国内在开源模型上有比较优势：由下图所示，可以观察到过去几年来，各国的主要前沿语言模型都随时间在基准测评的分数上取得了较大的进展，中美模型之间的评分差距正在逐步缩小。且当前评分较高的27个领先模型中，来自中国的模型占比已经超过 $26\%$ ，仅次于美国。其次，从近期多个测评平台榜单来看，就开放权重模型而言，来自中国的模型已经全面领先海外的模型。 图17：22-25年全球六国前沿语言模型评分变化趋势 来源：Artificial Analysis，民银证券整理 图18：当前全球领先模型的国家分布 来源：Artificial Analysis，民银证券整理 图19：23-25年各国前沿开放权重前沿语言模型评分变化趋势 来源：Artificial Analysis，民银证券整理 图20：SuperCLUE9月中文开源大模型评分 来源：SuperCLUE（2025年10月11日），民银证券 图21：中国开源模型上已处于领先地位 来源：LMArena，华盛顿邮报，民银证券 总结而言，当前人工智能大模型仍在持续加速发展与迭代中。全球主要头部超大规模的数据中心公司资本支出随时间的推移不断增长，带动了前沿大模型版本迭代的加速，且持续刷新着日益严苛的测评基准的性能比分，头部之间的差 距也在逐步缩小。与此同时，模型开源成为重要的趋势，且开源模型和闭源模型之间的性能差距在逐步收窄。另一方面，主流模型的效率和性价比也在不断提升，特别是国内模型在性价比上展示出较海外模型更大的优势。于是，更好性能的模型与更高的性价比与效率，伴随着开源趋势带来的使用门槛的下降，又反过来刺激了模型调用量的提升，过去12个月tokens调用量呈现出爆发式增长，从而让AI从早期的供给侧发展转向了需求侧的拉动。除此之外，也观察到模型的推理能力日益得到关注，AI模型已经从“会回答问题”进化到了“会通过自动思考解答复杂任务”。另外，中美之间在模型表现上的差距也日益收窄，甚至中国在开源模型上较海外模型具备更明显的优势。 # 三、企业级AI大模型的发展：商业价值逐步显现 # 1. 基于大模型的企业级AI解决方案与此前有何不同？ 企业服务的本质是以企业为目标客户所提供的一系列服务，主要提供帮助优化组织运营效率或提升业务增长的系统性解决方案，且这个过程中新技术手段的应用与数据要素的重要性也在不断提升。服务企业和服务个人之间的差异，主要体现在企业服务通常是需要较长时间进行定制和实施交付的，具备一定的专业性、复杂性和持续性的特点，而且通常需要借助先进的技术手段来驱动。类似的，企业级人工智能指的是面向各行业以及政府或机构等B端客户，能够将各类AI技术与硬件设备、软件系统和服务体系深度融合，并且能够与企业现有系统无缝结合确保其可扩展性及兼容性的提供多元化解决方案的企业级服务能力。 企业级人工智能市场已经形成了完整的生态链条。上游主要是包括了软件和硬件在内的基础设施供应商，如硬件的芯片企业为大模型的训练和推理提供算力，软件厂商则通过持续优化算法架构为各类企业级AI服务提供功能强大的模型产品基座。企业级AI解决方案提供商位于产业链中游，主要是通过全面的系统集成、软件开发和模型微调优化等能力为下游企业客户提供服务。下游则是各类行业应用侧，包括如金融、政务、能源、制造等不同领域。 图22：企业级人工智能市场产业链示意图 来源：佛若斯特沙利文，民银证券整理 参考滴普科技招股说明书，企业级人工智能又可以进一步划分为企业级判别式人工智能和企业级大模型人工智能，两者各有侧重但又不是完全泾渭分明的互斥关系。从区别来看，判别式AI更侧重于将数据归入预设好的分类或专注于直接学习输入特征来预测输出，强调高效的判别和边界的把控；而大模型AI作为后出现的概念，是侧重基于超大规模参数和Transformer架构，并结合微调及强化学习等技术来提供通用学习与生成能力，更强调跨任务的泛化性，通常以生成式为主，当前已经成为服务企业的强有力的工具。 表 3: 传统判别式人工智能 VS.大模型人工智能 对比维度 传统判别式人工智能 大模型人工智能 定义 侧重将数据归入预定义类别或根据输入数据预测数值，主要用于图像及物体检测、语音及音频处理及模式识别，核心任务是分类、回归和模式识别 基于超大规模参数与海量无标签语料预训练的深度学习模型，通常采用Transformer架构，通过自监督学习捕获通用表示，可通过微调/提示适配下游任务，核心任务是数据生成、模拟仿真和决策与行动 基本算法 通常使用各种模型，如逻辑回归、支持向量机、决策树、随机森林及较小的神经网络 需要基于数十亿参数的transformer架构，及强化学习 数据需求 大量的标记数据，其中每个输入数据的正确输出已知，标注成本高 大量的未标记数据，采用海量的无标签文本，模型可学习到丰富的语言知识和上下文信息 输出 通常为离散标签、数字预测等 可输出不同媒体形式的内容，以及对特定任务或外部环境做出反应 训练方式 端到端监督学习 一般分为两阶段：自监督预训练+微调/RLHF等 泛化能力 相对较差 强大的泛化能力 持续学习 面对新应用需求需要重新设计算法和模型，无法快速适应变化 支持持续学习，可在新的数据上继续训练，快速适应新的应用场景 可解释性 较高的可解释性和透明度 因内部结构复杂且参数庞大可解释性较差 来源：滴普科技招股书、CSDN、民银证券整理 企业级大模型人工智能不仅可以让企业高效地生成与处理各类内容，还可以赋予企业能够更明智做出业务决策的能力，即可以进一步区分为生成式AI能力和Agentic AI能力，虽然二者均建立在大模型人工智能基础之上（均依赖transformer架构及海量预训练），但在侧重点和应用上也有所差异：其中，生成式AI旨在通过学习大量数据以了解模式、风格或结构，从而根据所学习的内容来模仿人类创造力进行新的原始输出（包括本文、图像、代码到音视频等内容），是一种专注于创建新内容的AI；而Agentic AI则是超越内容创建，具备自主规划、目标分解、任务执行和进行反思与自我修正能力，并且能够适应外部环境的不断变化，强调AI系统的任务自主执行和特定任务的目标达成，仅需极少的人工干预。 表 4: 生成式人工智能 VS. Agentic 人工智能 对比维度 生成式人工智能 Agentic人工智能 主要目标 内容生成与信息合成，根据模式生成新的、类似人类的内容 任务自主决策、执行与目标完成，有明确目标 工作模式 单次响应、线性的“输入-输出”，缺乏持续规划和迭代优化 迭代、循环的工作流程，形成从感知-规划-行动-观察-反思的闭环 工具使用 很少调用工具 经常使用工具或函数 自主性 自主性有限，需要人工输入来产生响应，无法在没有外部提示情况下发起行动 可以独立行动，在最小化人工干预下独立运作，可自行分解目标、调用工具 评估标准 输出内容的质量、相关性和原创性 任务是否完成 主要输出 文本、图像、音视频及代码等 可包含生成内容，但最终输出的是状态改变 应用场景 文章撰写、对话生成、代码补全等 AI智能体、个人助理等 来源：滴普科技招股书、图科学实验室、Bring Data、民银证券整理 图23：人工智能主要层级关系图解参考 来源：民银证券整理 # 2. 企业级大模型市场空间 从整个企业服务市场来看，根据艾瑞推算，2023年中国企业服务市场规模达到11.4万亿元，预计2025年、2026年市场规模将分别达到12.8万亿（同比增长 $6.5\%$ ）和13.6万亿（同比增长 $5.8\%$ ）。 图24：2019-2026年中国企业服务市场规模（单位：亿元） 来源：艾瑞咨询，民银证券整理 当前在各行各业积极尝试AI技术不断创新的推动下，聚焦到企业级人工智能应用解决方案市场，根据佛若斯特沙利文的测算，按收入计，中国企业级人工智能应用解决方案市场规模已经从2020年的人民币107亿元增长到2024年的386亿元（20年到24年CAGR为 $37.8\%$ ），预计到2029年该市场规模将进一步扩大到2394亿元（24年到29年CAGR为 $44\%$ ）。就中国企业级大模型人 工智能应用解决方案市场规模而言，按收入计，2024年达到58亿元，占当年企业级人工智能应用解决方案市场规模的约 $15\%$ ；预计2029年达到527亿元（24年到29年CAGR为 $55.5\%$ ），占企业级人工智能应用解决方案市场规模的约 $22\%$ 。由此可见，企业级大模型AI的出现不仅推动了整个企业级AI应用市场的快速增长，而且正在凭借其更高的增长率（相较于判别式AI应用解决方案）快速在企业级AI应用市场中渗透。 图25：2020-2029年中国企业级人工智能应用解决方案市场规模（单位：十亿元） 来源：滴普科技招股书，佛若斯特沙利文，民银证券整理 # 3. 企业级大模型应用的发展近况 随着大模型技术的发展，如OpenAI的o1/o3、DeepSeek-R1、Claude 3.7 Sonnethinking等引入了“思考”机制的大型推理模型涌现，开源、推理成本大幅下降等趋势也助推了大模型技术的广泛应用。而国内《生成式人工智能管理暂行办法》（2023年7月13日公布，2023年8月15日起正式施行）也已执行了将近两年，截至2025年10月，先后有总计有611个生成式人工智能服务完成了备案。这些都为人工智能大模型技术在企业服务中的应用和发展奠定了基础。 生成式AI带动企业对AI技术的采纳再度提升。根据斯坦福大学HAI(Human-Centered Artificial Intelligence)发布的《2025年人工智能指数报告》及2024年麦肯锡基于对不同行业、地区、公司规模和智能领域的2854名受访者的调 研分析显示，在经历了2017-2023年的相对停滞后，2024年有 $78\%$ 受访者表示其组织至少在一项职能中使用人工智能，而这一数据在2023年为 $55\%$ ，在2017年则大约仅 $20\%$ 上下。2024年有 $71\%$ 的受访者表示其组织至少在一项职能中定期使用生成式人工智能技术，而2023年这一比例仅为 $33\%$ 。且就2024年来看，人工智能使用率最高的是科技行业的信息技术（ $48\%$ ），其次是科技行业的产品或服务开发（ $47\%$ ）及科技行业的市场营销和销售（ $47\%$ ）。 来源：2025年人工智能指数报告，民银证券 图26：17-24年组织职能中使用AI的受访者比例 图27：24年各行业与职能中AI使用情况 来源：2025年人工智能指数报告，民银证券 与此同时，虽然大部分还处于较低水平和早期阶段，但生成式人工智能技术的使用也对组织成本的降低和收入增加带来一定正面影响。就2024年而言，首先在生成式AI技术的部署上，被调研人员反馈最常应用的功能包括营销战略内容支持（ $27\%$ ）、知识管理（ $19\%$ ）、个性化（ $19\%$ ）和设计开发（ $14\%$ ），所报告的主要应用部门多集中在营销和销售等职能部门。此外，受访者最常报告的能够为组织带来降本效果的职能领域是供应链和库存管理（ $61\%$ ）、服务运营（ $58\%$ ），及人力资源和战略与企业财务（ $56\%$ ）；而最常报告的生成式AI带来的收入增长方面的职能包括战略与企业财务（ $70\%$ ）、供应链和库存管理（ $67\%$ ），及营销与销售（ $66\%$ ）。 图28:24年按功能划分最常见的生成式AI应用 图29:24年按功能划分生成式AI降本增收情况 来源：2025年人工智能指数报告，民银证券 来源：2025年人工智能指数报告，民银证券 企业级大模型日均调用量正在大幅提升。就中国的企业级大模型应用的现状来看，根据沙利文联合头豹研究院发布的《中国GenAI市场洞察：企业级大模型调用全景研究》，基于对700位国内企业的IT部门负责、技术总监级AI项目负责人等角色的调研发现，2025年上半年中国企业级大模型日均调用量已经达到10.2万亿Tokens，较2024年下半年的2.2万亿Tokens实现约 $363\%$ 的增长。表明了中国企业级大模型市场需求正在全面释放和持续攀升，大模型也在快速走出试点验证期，从而进入规模化落地的新阶段。 图30：2025H1中国企业大模型市场日均调用量（单位：亿tokens） 来源：沙利文联合头豹研究院，民银证券整理 开源模型正在快速获得企业认可。值得注意的是，通常因为受节假日等因素影响第一季度是全年招投标数据的低谷期，但随着2025年2月DeepSeek爆火之后，直接刺激了中国大模型招投标项目在3月份开启猛增，并一次次刷新新高。这背后与以DeepSeek和通义为代表的开源体系在模型性能和效率上的突破密不可分，开源模型通过其透明可验证性、后训练的灵活性和部署的性价比等优 势，不仅帮助企业降低了使用门槛和成本，还使得企业能够针对自身的数据积累和业务逻辑来优化出适合自己的垂直专业化模型，加强了企业的技术自主可控与长期迭代能力，从而推动了企业对大模型人工智能技术的采用。根据沙利文联合头豹研究院的调研发现，2025年上半年所调研的企业中，采用开源模型的占比已经提升到 $44.4\%$ ，非常接近闭源模型的 $55.6\%$ ，且2025年H1中国企业级大模型日均调用量前三名分别为阿里通义（ $17.7\%$ ）、字节豆包（ $14.1\%$ ）和DeepSeek( $10.3\%$ )，且报告还预计未来将有超过 $80\%$ 的企业将在智能化建设中采用开源大模型。 图31:2025H1中国企业开源模型调用占比 来源：沙利文联合头豹研究院，民银证券 图32:2025H1中国企业市场选择最多的模型 来源：沙利文联合头豹研究院，民银证券 大模型相关的招投标市场活跃度提升。结合智能超参数定期披露的《中国大模型中标项目监测与洞察报告》，我们整理了从2024年全年到2025年1-10月期间中国公开的大模型项目中标数据，并由此观察到中国大模型市场的招投标活跃度在不断提升，大模型相关的中标项目数量已经从2024年初的仅仅10个，飞速提升到2025年10月的934个，提升了 $9240\%$ ；仅2025年上半年的累计中标项目数量（1813个）就已经超过2024年全年（1520个），且10月份中标项目数量创下月度新高（当月为934个），预计在11和12月份仍会再创新高，这些都体现出中国大模型技术在商业化落地的节奏在不断加快。 图33：2024年1月-2025年10月中国大模型中标项目数量变化趋势（单位：个） 来源：智能超参数，民银证券整理 企业级大模型技术在具体应用场景落地中进一步加速。从中国大模型项目招投标的分布类型来看，智能超参数整体划分为四类：算力（训练、运行大模型所需要的计算资源）、数据（大模型相关数据标注或者数据资源等）、大模型（各类垂直大模型、AI中台、AI工具链或者大模型基座，可能包含算力）、应用（大模型在明确场景中的融合落地，可能包含算力、AI大模型平台、应用软件等）。就2025年10月的最新统计结果来看，应用类相关的项目数量占比为总数的 $62\%$ （583个），去年同期的统计数据 $53\%$ （101个）有了进一步的提升，体现出大模型技术在具体应用场景的落地上有了更近一步的发展，也侧面说明当今市面上的主流大模型性能已经可以更好支撑较多应用场景的落地。此外，2025年1-10月的中标项目中与“智能体”相关的项目数量也在不断创下新高，表明智能体相关应用也开始进入快速增长阶段。 图34：25年10月项目类型分布（单位：个） 来源：智能超参数，民银证券 图35：24年10月项目类型分布（单位：个） 来源：智能超参数，民银证券 图36：2025年1-10月中标项目中与“智能体”相关的项目数量变化（单位：个） 来源：智能超参数，民银证券整理 企业在生成式AI上的预算增加。参考a16z在今年中对来自15个行业的100位CIO进行的调研，与一年前相比，企业在人工智能预算上的增长已经超出了预期，并且受访的企业高管预计下一年（2026年）在该领域投入的平均增长将进一步达到大约 $75\%$ 。而且，预算支出的增加部分是因为企业从过去将生成式AI主要应用于企业内部，转变为更多关注面向服务于外部客户的应用场景。同时发生的转变，还包括企业将越来越多的生成式AI的预算从创新和尝试性预算逐步蔓延到企业核心IT和业务部门的常规支出项目中去，这些都说明企业 对生成式AI的态度不再是试验性质的，而是逐步接受为企业日常业务运营的必须品。 爱分析在近期发布的《2026企业AI落地确趋势分析》中也观察到类似趋势，通过对众多企业CIO的调研，首先IT整体预算预计2026年将与2025年基本持平，但AI相关预算占比将明显提升。根据调研结果，有近半数的企业预计其2026年的AI预算将占公司整体IT预算的 $20 - 30\%$ ，有约 $31\%$ 的企业预计这一占比大约在 $10 - 20\%$ ，即意味着约有接近 $80\%$ 的企业计划将至少 $10\%$ 以上的IT预算投入到AI相关方向（去年同期调研显示大部分企业的AI预算占比尚不足 $10\%$ ）。此外，从预算使用方向来看，企业计划主要围绕算力基础设施和Agent智能体两方面进行布局，而且普遍认同大模型与小模型融合布局、协同发展的思路。 图37：受访企业在LLMs领域的预算支出变化（单位：百万美元） Source: a16z survey of 100 CIOs across 15 industries 来源：a16z，民银证券整理 总结来看，随着大模型技术的发展，企业对包括生成式AI技术的采纳度不断提升，生成式AI技术也开始对组织的降本增效带来一定的积极作用。与此同时，也有调研显示企业对大模型的日均调用量有所提升，反映到企业级的招投标市场来看，则关注到大模型相关的项目招投标活跃度也在不断提升。与此同时，也观察到开源模型正凭借其透明性、灵活性、自主可控及高性价比等优势快速获得企业客户的认可，并推动了大模型技术在应用落地中的快速发展。最后，企业对AI技术接纳最终将反应在其预算增长上，企业对生成式AI的应用 范围已经从对内使用逐步转向对外服务，从创新实验性项目蔓延到核心业务部门的常规支出，这些都清晰地表明企业级大模型人工智能技术正在快速走出试点验证期，从技术预热转向商业价值的实现，并逐步迈进规模化落地的新阶段。 # 4. 企业级大模型应用的部署与落地 当前大模型已经走出试点期，步入规模化落地阶段。在具体部署上，当前主要有三种主流的部署方式——私有化部署、混合部署及算力共享模式。其中，私有化部署模式强调将模型部署在服务器或私有云环境中，数据不出域，可保证核心业务数据的安全可控，但也会同步带来较高的硬件成本和专业的运维团队需求，通常适合大型集团、政府、金融及医疗等强监管、资金相对充裕的行业。其次，混合部署指企业通过“私有云+公有云”的组合方式，结合具体业务及数据的敏感程度与安全等级要求，灵活选择部署方式，适合跨地域的大型集团和需要平衡灵活性与安全考虑的企业。最后，算力共享模式可以为多个用户提供按需计算能力服务，可以帮助企业实现应对算力资源不足、降低部署成本和提升资源利用效率等诉求，适合中小企业和跨行业协作场景的需求。参考艾瑞咨询的报告，就国内企业市场而言，考虑到大模型部署应用当前仍存在较高的技术和资金门槛，而且面临AI芯片供不应求、运维成本高和利用率低等问题，很多企业仍然会考虑依托云上的智能算力和开源模型为基础来部署自有大模型应用，也因此衍生出云端算力供给体系及一站式模型服务平台的服务模式。 图38：大模型的部署与服务模式及衍生云服务 来源：艾瑞咨询，民银证券整理 此外，虽然AI大模型可以帮助企业能够高效地生成与处理各类内容，以及赋能企业做出更高效和更有影响力的业务决策，但是企业客户本身出于对稳定性、精确性、定制化、可解释性等方面要求，因此在考虑采用大模型AI解决 方案的时候仍然会面临一些来自基础层、技术层和应用层的局限与挑战：1）从基础层来看，当前企业还面临着数据获取难度大，缺乏垂直行业优质结构化数据，实际生产环节产生的新数据难以实时更新到模型中等问题。2）从技术层面来看，由于大模型本身生成式机制及数据依赖性等原因，还会带来模型幻觉、鲁棒性缺陷、可解释性及可信度问题，以及受制于当前底层技术架构带来的模型通用与专用性的平衡问题。3）此外，从应用层来看，一方面当前企业应用落地的经验较少，在如何将大模型与企业现有业务和流程做融合适配的问题上仍有待探索，短期内设计出符合用户需求的落地应用仍然存在挑战；另一方面企业自身受成本与资源投入、专门人才短缺等问题的限制，导致难以充分利用基础模型进行调整以满足自己特定的需求功能。 因此，在具体落地上，根据毕马威（KPMG）与CISCO联合发布的《人工智能就绪白皮书》，认为企业在引入和应用AI技术前需要在战略、技术基础设施、数据、治理、员工和文化等维度上做好全面的准备，包括硬实力（技术、数据、业务）和软实力（战略、治理、人才、组织架构）两大方面，即实现AI Ready（人工智能就绪）。具体而言，强调企业在AI变革中要形成覆盖技术架构、数据语料、基础设施和组织体系的系统化推进思路： 1）在技术架构侧：首先提示企业需要随着大模型应用场景的发展深入关注具体的场景体系设计与企业架构及战略目标的融合，通过统一数据标准、接口规范和数据底座等打破单点式场景的重复建设和“信息孤岛”问题，如避免将应用集中在聊天、内容生成等浅层领域，而要实现企业内算力、数据、算法的共享和复用，推动AI在规模化应用中实现技术想业务价值转化。其次，在部署方式上，企业要根据自身情况权衡灵活性与稳定性，在考虑成本投入的同时兼顾安全防护和数据存储备份等需求。再者，企业需要关注云端部署带来的数据风险（如注意数据隔离、隐私保护、跨境合规等要求）和大模型私有部署带来的潜在安全风险（如攻击者可能通过特定方式操纵大模型偏离预期行为，或在模型中恶意植入后门等风险）。最后，关于大模型的幻觉问题，企业可采取诸如“RAG”（检索增强生成）、模型协同机制、模型反思机制、偏好对齐、COT数据集增强预训练等多元策略进行应对。 图39：企业应对大模型幻觉问题所采用的策略调研（多选） 来源：《人工智能就绪白皮书》，KPMG，CISCO，民银证券整理 2）在数据语料侧：首先企业需要关注通过建立数据标准化体系、敏感数据自动识别、质量监控平台及安全合规审计等模块来构建大模型的数据治理框架。其次，针对垂直领域数据质量不足的问题，企业可以通过自动化处理、合成数据生成和模型优化等手段来提升数据质量，支持AI模型的高效训练与应用。 图40：企业针对垂直领域数据质量不足问题的应对方法调研（多选） 来源：《人工智能就绪白皮书》，KPMG，CISCO，民银证券整理 3）在基础设施侧：企业的AI基础设施建设就投入模式而言通常可以分为三类：前瞻布局式、渐进升级式和以核心业务先导投入+长尾场景按需扩展的混合模式，企业需要根据自身当前业务需求（如技术储备情况、资金情况等）及未来战略谨慎选择，兼顾务实与创新。此外，为避免基础设施与业务脱节，企业可以采取需求优先级评估、构建数字化需求管理平台（需求-开发-验收全流程透明化管理）、设置敏态稳态资源池（敏态池试错，稳态池保障核心业务)和推行技术与业务跨部门协作等方式来实现AI基础设施与业务需求的协同。 4）在组织体系侧：敏捷性和协同性是大模型应用对组织机制的核心要求，需要企业打破传统层级架构转向更加扁平化或矩阵式的组织架构。其次，企业在AI能力建设上有四类模式可以选择，包括混合模式（关键能力字眼+通用模块外包）、自建全栈团队模式（虽然技术自主可控但成本较高）、外包核心开发模式（聚焦业务场景落地）及采购SaaS化服务模式（可实现快速验证），企业需要根据自己的选择适合的建设模式。此外，随着AI与企业业务的结合程度不断深化，企业还要大力推进相关措施应对员工日常工作中使用AI工具可能带来的额风险。 图41：AIReady四大体系建设 来源：《人工智能就绪白皮书》，KPMG，CISCO，民银证券整理 # 四、2026行业展望 # 1. 企业级大模型应用趋势展望 根据佛若斯特沙利文的调研，当前大模型规模化落地的场景仍主要集中在“问答增强”、“代码助手”、“文档处理生成”和“智能客服”等场景，金融、政府和制造等行业也在加速部署RAG、行业Agent和数字员工。技术落地的核心阻碍也不再是训练与推理的高昂成本，B端企业市场已经从“技术驱动”转向“价值驱动”，已经跨越了AI大模型早期的技术尝鲜期，开始更加关注如何落地为能产生实际价值的应用，场景契合度与商业价值并重。聚焦到企业级AI大模型应用的发展，我们认为主要有三大趋势值得关注： 1）从企业大模型技术发展趋势来看，多模态和Agent将为各行业注入更多生产力。多模态大模型通过将不同类型的数据进行结合、关联，将进一步提 升模型的准确性和鲁棒性，并且能更好支持多模态任务，丰富与人类的交互方式，拓宽企业的应用场景。而AI Agent通过更多强调自主决策及与环境的主动适应性来自主调动工具完成既定目标，可能成为各行业不可或缺的新型生产力。 2）由追求单一最强模型转向复合AI技术的采纳。未来企业级大模型的发展将更多转向企业的行业需求驱动，更加关注通用大模型泛化能力与专用大模型精准性的结合，以从单一采用生成式AI技术转向针对不同场景行业采用复合AI技术（指除了生成式AI外还包括知识图谱和传统机器学习等方法）及多模型的策略。根据Gartner年初发布的《2025年及未来中国企业实现AI价值的重要预测》，认为到2027年，中国有 $80\%$ 的企业将采用多模型生成式人工智能策略来实现多样化的模型功能、满足本地部署要求并获得成本效益。其中，强调采用复合AI技术的企业将比只依赖生成式人工智能的企业提前两年实现AI落地。Gartner预计到2029年，随着AI产品化进程的加快，中国预计有 $60\%$ 的企业将把AI融入到其主要的产品和服务中去，并且这些AI功能将转化为新型生产力的关键驱动力。 3）AI就绪数据是实现企业成功应用落地的基石。AI的成功需要以数据为基础，模型的性能取决于数据的质量、及时性和可访问性。Gartner在《2025年人工智能成熟度曲线》提及了AI就绪数据（AI-ready Data）的概念，是指经过精心准备、结构化处理和严格验证的数据，能够更好地支持AI应用，确保AI算法能够高效学习、预测并生成有价值的洞察。数据是AI模型高效训练与推理的“燃料”，数据的质量、标注精度直接决定AI应用的上限，大模型当前已经不再被企业视为差异化的来源，而企业内部数据因为其独特性、实时性和高密度的领域知识，正在被视为AI应用的护城河。此外，Gartner还预计，到2028年中国企业对人工智能就绪数据（特别针对非结构化数据）的投资达到2024年的20倍。 # 2. 赋能企业级大模型应用落地的参与者有哪些？ 大模型技术仍在快速演变，企业技术架构仍在持续优化，AI技术在企业的应用落地上并非简单的工具部署或IT基础设施升级，需要不同背景的厂商参与。参考爱分析发布的《2025爱分析·大模型厂商全景报告》，将当前企业大模型市场从技术架构角度划分为基础层、模型层、中间层和应用层四个层级： 1）基础层：是企业AI技术落地的物理与虚拟资源支撑体系，提供必须的算力、存储、网络和数据基础设施，包括湖仓一体、向量数据库、智算中心、大模型安全流通平台等，在这一层； 2）模型层：聚焦于基础大模型以及微调优化后的各类大模型，在基础设施构建好之后承载核心AI能力，提供“底座智能”，包括通用大模型、行业大模型、领域大模型和企业大模型； 3）中间层（或称工具层/平台层）：其作用是模型层和应用层之间的“桥梁”，主要服务于业务场景，将复杂模型能力拆解为模块化组件，有利于大模型在各种实际场景中快速落地，包括大模型应用开发管理工具、LLMOps工具、Agent开发管理平台等； 4）应用层：是指大模型的具体应用和解决方案，帮助将AI能力落地到具体业务中，包括知识库问答、智能客服、对话式分析等。 其中，基础层可以为模型层提供“燃料和引擎”，只有完善的资源基础才能推动模型能力的持续优化；模型层是AI智能的“大脑”，是整个架构的关键价值中枢；中间层链接上下，进行能力封装与重构，提升AI能力在企业中的通用性和调用效率；最后应用层可以将中间层的组件整合进具体应用场景中去，完成“从模型到价值”的闭环。 图42：2025年企业级大模型市场技术架构全景图 来源：爱分析，民银证券整理 不同厂商在为企业客户提供上述服务的时候并非是单一的，涉及的模块和产品类型可能是全栈式的或多模块的，并且基于各自的原因背景和产品矩阵相互之间各有差异，但在不同案例上厂商所扮演的角色也可能互有变化或重叠，互相之间也存在着合作共赢的关系。为了便于理解市场格局，结合36Kr研究院在《2025年中国大模型行业发展研究报告》中的分类，以及当前市场上出现的其他不同类型的厂商，我们将国内的企业级AI大模型应用落地的行业参与者大致分为五大类： 1）互联网科技巨头：这类参与者往往打造了从芯片、框架、模型到应用的全栈式生态，提供覆盖基础层到应用层的全栈式服务，自有场景及流量，在自研基础通用大模型之外还掌握算力与数据的入口，把模型做成“平台+应用”的模式吸引中小企业，这类参与者的代表包括阿里、百度、腾讯、字节等厂商。 2）AI+Data技术提供商：这类主要是指专注于AI基础层，提供模型训练和推理所需的底层基础设施的厂商，根据Gartner的定义亦可称为数智基建厂商，提供分析型数据库、数据集成、元数据管理和数据质量等技术能力，是数据、分析和AI应用的可复用底座，通常保持“模型中立”，强调底层技术的可靠性和处理海量数据的工程能力，这方面的代表厂商包括星环科技、拓尔思、滴普科技和Zilliz等。 3）技术转型者：我们定义这类参与者中既包括深耕企业端AI应用，从传统算法、决策式AI技术转向生成式AI大模型方向的AI厂商；也包括过往积累了大量企业业务流程与行业Know-How，当前通过积极引入大模型嵌入现有系统的企业管理软件，诸如ERP、MES、BI、RPA等。上述公司通常基于此前的技术基础都具备大量成熟的客户基础、强大的销售渠道和深厚的领域知识，但其中的企业软件类公司通常不以改变客户现有业务流程为目的，战略上更看重将大模型能力快速融入到自身已有的软件应用和客户场景中去。整体上这类参与者的代表厂商包括科大讯飞、第四范式、商汤科技、旷视科技、用友、金蝶、浪潮数字企业、鼎捷数智、金智维、来也科技等。 4）AI原生创业者：这类公司通常专注于大模型技术本身的突破，追求在通用能力或特定技术点上达到世界领先水平，大多仍为创业公司，以算法的原 创性、模型的卓越性能和团队的技术与品牌号召力影响市场，代表参与者包括DeepSeek、月之暗面、智普AI、零一万物、MiniMax等。 5）垂直领域深耕者：这类企业通常将大模型能力与特定行业知识和数据深度结合，基于通用模型开发行业大模型或解决方案，专注于应用层中垂直行业如金融、医疗、制造、能源等，聚焦解决具体的细分领域业务或场景问题。代表性的参与者包括百融云、迈富时、创新奇智、明略科技、医渡科技、长亮科技、恒生电子等。 表 5: 企业级 AI 大模型市场主要参与者 参与厂商类型 主要特点 典型企业 互联网科技巨头 打造从芯片、框架、模型到应用的全栈式生态,在自研基础通用大模型之外还掌握算力与数据的入口 阿里、百度、腾讯、字节等 AI+Data技术提供商 亦可称为数智基建厂商,通常保持“模型中立”,强调底层技术的可靠性和处理海量数据的工程能力 星环科技、拓尔思、滴普科技、Zilliz等 技术转型者 既包括决策式AI技术转向生成式AI大模型方向的AI厂商,也包括基于企业业务流程与ERP、MES、RPA等相关的企业管理软件厂商,都已具备大量的成熟客户 科大讯飞、第四范式、商汤科技、旷视科技、用友、金蝶、浪潮数字企业、鼎捷数智、金智维、来也科技等 AI原生创业者 通常专注于大模型技术本身的突破,追求在通用能力或特定技术点上达到世界领先水平,大多仍为创业公司 DeepSeek、月之暗面、智普AI、零一万物、MiniMax等 垂直领域深耕者 通常将大模型能力与特定行业知识和数据深度结合,专注于垂直行业领域,聚焦解决具体的细分领域业务或场景问题 百融云、迈富时、创新奇智、明略科技、医渡科技、讯飞医疗科技、长亮科技、恒生电子 来源：36Kr，民银证券整理 表 6: 企业级 AI 大模型市场相关公司估值表 (截至 2025 年 12 月 11 日) 分类 日期 公司代码 2025/12/11 当地货币 收入（亿人民币） 净利润（亿人民币） PE 公司简称 收盘价 市值(亿) 2024A 2025E 2026E 2024A 2025E 2026E 2024A 2025E 2026E 互联网科技巨头 9988.HK 阿里巴巴-W 151 28,748 9,412 10,014 10,496 713 1,370 1,080 33 19 24 9888.HK 百度集团-SW 124 3,405 1,331 1,300 1,368 242 184 271 14 17 11 0700.HK 腾讯控股 602 55,007 6,603 7,500 8,317 1,965 2,263 2,583 27 22 19 AI+Data技术提供商 688031.SH 星环科技 71 86 4 4 5 -3 -3 -1 -25 -32 -70 300229.SZ 拓尔思 19 170 8 9 10 -1 1 1 -180 296 227 1384.HK 滴普科技 73 238 2 / / -13 / / -18 / / 技术转型者 002230.SZ 科大讯飞 49 1,130 233 278 331 5 9 12 202 128 92 0020.HK 商汤-W 2 816 38 49 61 -43 -26 -11 -18 -29 -70 6682.HK 第四范式 41 214 53 70 90 -3 0 3 -75 773 71 0596.HK 浪潮数字企业 7 81 82 89 97 4 5 7 20 14 11 0268.HK 金蝶国际 14 481 63 70 80 -2 1 4 -319 391 121 垂直领域深耕者 6608.HK 百融云-W 9 42 29 32 38 3 3 4 15 13 10 2556.HK 迈富时 31 80 16 23 30 -9 1 1 -9 132 49 2718.HK 明略科技-W 203 295 14 / / 0 / / 5,883 / / 2121.HK 创新奇智 6 32 12 15 18 -6 -1 -1 -5 -23 -42 2506.HK 讯飞医疗科技 83 100 7 10 13 -1 -1 0 -71 -110 -298 2158.HK 医渡科技 5 53 8 8 8 -2 -1 -1 -25 -34 -66 来源：iFind，民银证券整理 # 风险提示： 企业级AI技术商业化落地不及预期风险：大模型技术仍在迭代发展中，可能进展不急预期，企业级大模型相关的部分技术尚不成熟，仍然存在落地风险。 市场竞争加剧风险：新技术、新模式、新市场参与者仍然在不断涌现，仍然会对行业带来较大革新及变动，当前已有厂商可能面临竞争加剧风险。 下游企业级AI预算不及预期风险：下游企业客户部分面临行业不景气等挑战，可能导致企业在数智化改革进程中放缓，从而减少在企业级AI项目上的采购预算。 专项人才不足及流失风险：随着技术持续迭代和市场竞争的不断加剧，行业各家参与者对优秀人才的需求不断提升且对人才的争夺日趋激烈，可能出现部分领域人才缺失或部分企业因为无法有效留住技术人才而限制其后续项目的持续获取与长期发展。 地缘政治风险：全球地缘政治环境仍存在较大变动风险，特别是对于大模型训练和推理相关的算力芯片获取的限制仍然存在进一步升级的可能性，同时也会可能会影响中国企业级AI大模型解决方案提供商的海外拓展机会。 政策监管收严风险：大模型基础能力与应用在发展中可能受到政策的影响，特别在企业数据风险与信息安全的监管上可能推出新的监管要求，从而影响应用发展的速度。 # 行业评级体系（基准为MSCI中国指数） 增持：未来12个月行业股票指数强于基准 中性：未来12个月行业股票指数基本与基准持平 减持：未来12个月行业股票指数弱于基准 # 公司评级体系（基准为公司所在行业的MSCI中国行业指数） 买入：未来12个月个股股价表现强于基准 持有：未来12个月个股股价表现基本与基准持平 卖出：未来12个月个股股价表现弱于基准 # 分析师声明 本报告作者谨此声明：（i）本报告发表的所有观点均正确地反映作者有关任何及所有提及的证券或发行人的个人观点，并以独立方式撰写；（ii）其报酬没有任何部分曾经，是或将会直接或间接与本报告发表的特定建议或观点有关。 本报告作者进一步确定（i）他们或其各自的有联系者（定义见证券及期货事务监察委员会持牌人或注册人操守准则）没有在本报告发行日期之前的30个历日内曾买卖或交易过本报告所提述的股票，或在本报告发布后3个工作日内将买卖或交易本文所提述的股票；（ii）他们或其各自的有联系者并非本报告提述的任何公司的雇员；及（iii）他们或其各自的有联系者没有拥有本报告提述的证券的任何金融利益。 # 民银证券有限公司 CMBC Securities Company Limited 网站：https://www.cmbccap.com/ 地址：香港中环交易广场1期45楼 # 免责声明 此报告只提供给阁下作参考用途，并非作为或被视为出售或购买或认购证券的邀请或向任何特定人士作出邀请。此报告内所提到的证券可能在某些司法管辖区不能出售或分发。 此报告由民生商银国际控股有限公司（“民银国际”）的附属公司民银证券有限公司（“民银证券”）编写和发布。民银证券持有香港证券及期货监察委员会第1，4类牌照。此报告所载资料的来源皆被民银证券认为可靠。此报告所载的见解，分析、预测、推断和期望都是以这些可靠数据为基础，只是代表观点的表达。民银国际和任何附属公司（包括民银证券，统称“民银集团”）或任何个人不能担保其准确性或完整。 此报告所载的资料、意见及推测反映民银证券于最初发表此报告日期当日的判断，可随时更改而毋须另行通知。 此报告内所提到的任何投资都可能涉及相当大的风险，包括但不限于市场波动、流动性限制及汇率波动等。若干投资可能不易变卖，而且也可能不适合所有的投资者。 此报告中所提到的投资价值或从中获得的收入可能会受汇率影响而波动。过去的表现不能代表未来的业绩。此报告没有把任何投资者的投资目标，财务状况或特殊需求考虑进去。 民银证券及其高级职员、董事、员工，可能不时地，在相关的法律、规则或规定的许可下(1)持有或买卖此报告中所提到的公司的证券，(2)进行与此报告内容相异的仓盘买卖，(3)与此报告所提到的任何公司存在顾问、投资银行或其他金融服务业务关系，(4)又或可能已经向此报告所提到的公司提供了大量的建议或投资服务。(5)民银集团的投资银行或资产管理团队可能作出与此报告相反投资决定或持有与此报告不同或相反意见。(6)此报告的意见亦可能与销售人员、交易员或其他民银集团成员专业人员的意见不同或相反。投资者应注意其可能存在影响本报告客观性的潜在利益冲突，并独立判断相关信息。 投资者不应仅依靠此报告，而应按照自己的判断作出投资决定。投资者依据此报告的建议而作出任何投资行动前，应咨询独立的专业意见。民银集团不会对因使用此报告内之材料而引致任何人士的直接或间接或相关之损失负上任何责任。 此报告对于收件人来说是完全机密的文件。此报告的全部或任何部分均严禁以任何方式再分发予任何人士，尤其（但不限于）此报告及其任何副本均不可被带往或传送至日本、加拿大或美国，或直接或间接分发至美国或任何美国人士(根据1933年美国证券法S规则的解释），民银证券也没有任何意图派发此报告给那些居住在法律或政策不允许派发或发布此报告的地方的人。 此报告受到版权和资料全面保护。除非获得民银证券的授权，任何人不得以任何目的复制、派发或出版此报告。民银证券保留一切权利。 # 规范性披露 民银集团拥有此报告提到的上市公司的财务权益少于 $1\%$ 。 民银集团的雇员包括分析员或其有联系者（参照证监会持牌人守则中的定义）并未担任此报告提到的上市公司的董事或高级职员。 民银集团在过去12个月未与此报告提到的上市公司有任何庄家活动相关的业务关系。 民银集团在过去12个月曾与此报告提到的上市公司有投资银行的业务关系。民银集团旗下的民银资本有限公司担任滴普科技上市的联席保荐人、整体协调人、联席全球协调人、联席账簿管理人、联席牵头经办人及资本市场中介人。