AI應用驅動因素有哪些？

隨著自然語言處理、機器 學習和生成式 AI 的進步，AI Agent 的多功能性和部署量將急劇增長。

1、模型層：能力迅速提升，開源推動成本降低

（1）AI 技術快速發展，推動模型能力持續提升

近年來全球 AI 持續發展，大模型在知識問答、數學、編程等能力上達到新高度，多種任務上表現超過 人類水平，在各領域的可用性及準確度快速提升。從模型技術來看：1）當前模型主流架構逐步轉向 MoE，通過將輸入 Token 分配給不同的專家模型，讓模型在處理復雜任務時展現出更強的能力，同時 也能有效降低訓練、推理所需的資源，DeepSeek-V3、Qwen3、Llama4 等模型均采用 MoE 架構取得了 低成本的高性能表現；2）模型的多模態能力顯著增強，通過跨模態對齊、異構數據融合等技術，模型 能夠處理圖像、視頻、音頻等多種類型的數據，從而豐富了模型的應用場景，GPT-4o、Gemini2.5 Pro 等領先模型均采用多模態技術；3）模型開始采用思維鏈技術，將復雜問題逐步分解為多個簡單步驟， 并按照步驟推導最終答案，通過分步推理的方法，模型的回答不僅更加精確可靠，其思考過程也變得清 晰可懂。2024 年 9 月，OpenAI 發布 o1 模型，首次將思維鏈技術運用在底層模型當中，大幅提高了模 型在測試中的表現，后續 DeepSeek-R1 等模型均采用思維鏈技術，全球模型進入推理時代。除上述方面 外，模型量化、超長上下文窗口、多種 RAG 變體、偏好微調等技術的發展亦共同推動了模型可用性的 進步，為 AI 在垂直領域的應用奠定了基礎。

（2）模型訓練競賽趨緩，Scaling Law 向推理側遷移

據斯坦福大學數據，受訓練規模不斷增加、AI 技術復雜性提升以及開發新模型方法面臨更大挑戰等因 素影響，各地區 2024 年發布的模型總數同比均有所下降。美國為 2024 年發布知名模型最多的地區， 數量達 40 個，較 2023 年的 61 個同比下降 34.43%。分機構看，2024 年貢獻知名模型最多的機構分別 是 OpenAI（7 個）、谷歌（7 個）和阿里巴巴（4 個）。受 MoE 等新技術推動，2024 年模型的參數數 量保持快速上升趨勢，規模擴大仍是模型性能提升的重要方式。 Scaling Law 目前正在從預訓練擴展到后訓練和推理階段，基于強化學習、思維鏈等技術在后訓練和 推理階段投入更多的算力，可以大幅提升大模型的思考能力。同時，隨著強化學習時間和推理思考時間 的增長，模型性能也將得到顯著提升。據前 OpenAI 應用研究負責人 Lilian Weng 數據，s1 實驗中，通 過強制延長思維鏈推理路徑長度，以 Token 衡量的平均思維時間與下游評估準確率之間展現出明顯的正 相關關系。據上海交通大學研究表明，通過延長 AI 的推理時間，僅需 500 個樣本訓練，就能讓模型在 醫療診斷準確率上提升 6%-11%，達到專業醫生的診斷水準。隨著模型推理能力快速提升，當前 AI 在各 領域可用性、準確度不斷提高，商業化前景被逐步打開。

（3）模型推理成本顯著下滑，利好應用端成本下降

隨著大模型行業發展逐步成熟，廠商之間開始出現明顯的價格競爭與市場份額搶占。據 OpenAI 和谷歌 官網數據，2024 年雙方主力模型 API 調用價格均出現大幅下降，其中 GPT-4o 輸入 API 調用價格為 2.5 美元/百萬 Tokens（下降 50%），輸出 API 調用價格為 10 美元/百萬 Tokens（下降 33%）；谷歌 Gemini 1.5 Pro 輸入 API 調用價格為 2.5 美元/百萬 Tokens（下降 64%，超過 128k），Gemini 1.5 Pro 輸出 API 調用價格為 10 美元/百萬 Tokens（下降 52%，超過 128k）。國內方面，千問、Kimi、騰訊等 主力模型價格均有不同程度下降，據千問官網數據，Qwen-Max 輸入 API 調用價格在 2025 年下降至 2.5 元/百萬 Tokens（下降 88%），輸出 API 調用價格下降至 9.6 元/百萬 Tokens（下降 84%）大模型 API 調用價格下降利好 AI 應用廠商成本下降，進而傳導至終端 AI 應用消費者費用的下降。 據斯坦福大學數據，在保持 AI 性能不變的前提下，近年來大模型的推理成本有了顯著下降。例如，在 流行的 MMLU 基準測試中，達到 GPT3.5 水平（得分 64.8）的 AI 模型推理成本，從 2022 年 11 月的每 百萬 Tokens20 美元，大幅下降至 2024 年 10 月的僅 0.07 美元（對應 Gemini1.5-Flash-8B），這意味 著在大約 1.5 年的時間里，推理成本下降了超過 280 倍。在更具挑戰性的基準 GPQA 上，對于性能評分 超過 50%的模型，其推理成本從 2024 年 5 月的每百萬 Tokens15 美元，下降到了 2024 年 12 月的 0.12 美元（對應 Phi-4）。據 EpochAI 的估算，根據推理任務的不同，大模型的推理成本每年都在以 9 到 900 倍的速度下降。

（4）開源與閉源模型差距縮小，推動 AI 應用落地

得益于 Meta 發布的 Llama3.1 以及 DeepSeekV3、R1 等高性能開源模型的推出，開源與閉源之間 模型差異快速縮小。據斯坦福大學數據，2023 年閉源與開源大模型之間存在明顯的性能差距，在 Chatbot Arena 排行榜中，2024 年 1 月初領先的閉源模型比頂級開源模型高出 8.0%，而 2025 年 2 月 差距縮小至 1.7%，類似的趨勢也出現在其他問答類基準測試中。2023 年閉源模型幾乎在所有主要基準 測試上優于開源模型，但到 2024 年這種差距顯著縮小，例如，2023 年底閉源模型在 MMLU 基準上領 先開源模型 15.9 個百分點，而到 2024 年底這一差異縮小至僅 0.1 個百分點。 開源模型允許開發者直接訪問、修改和優化模型代碼，降低了 AI 技術的使用門檻，用戶可根據自身需 求進行定制化開發，使模型更容易適配金融、醫療等垂直行業需求，加速大模型應用的普及。同時，用 戶無需支付閉源模型調用費用，使用大模型的成本顯著降低，刺激 AI 應用在付費意愿較低的用戶中滲 透。隨著開源模型與閉源模型之間的差距逐步縮小，下游企業可直接在企業中接入相關模型，并獲得與 頂尖閉源模型等同的應用表現，極大推動 AI 在各個垂類領域的應用。例如，通過微調 Llama 模型， AT&T 在客戶服務搜索響應上取得了近 33%的提升；埃森哲基于 Llama3.1 構建了用于 ESG 報告的定制 大模型；北京中醫藥大學深圳醫院部署 DeepSeek 賦能醫院運營管理等。

2、智能體：技術逐步完善，新產品密集發布

Agent 的落地將給 AI 應用帶來顛覆性變化，打開 AI 在垂直行業滲透的入口。隨著自然語言處理、機器 學習和生成式 AI 的進步，AI Agent 的多功能性和部署量將急劇增長。

（1）模型 Agent 能力快速提升，測試分數不斷刷新

GAIA 是由 Meta 于 2024 年 5 月推出的一個面向通用 AI 助手的基準測試，包含 466 道問題，旨在評估 AI 系統執行廣泛任務的能力，包括推理、多模態處理、網頁瀏覽和工具使用等。與那些簡單、類似考試 風格的問題不同，GAIA 使用復雜、多步驟的問題來挑戰 AI 模型，這些問題可能需要搜索開放網絡、解讀多模態輸入，并在復雜情境中進行推理。GAIA 可以根據解決問題所需的步驟數量和所需的不同工具 數量分為三個難度級別：1）Level1：問題通常不需要工具，或最多使用一個工具，不超過 5 步；2） Level2：問題通常涉及更多步驟，大約在 5 到 10 步之間，且需要結合不同的工具；3）Level3：問題是 為接近完美的通用助手設計的，需要執行任意長度的操作序列，使用任意數量的工具，并訪問一般世界。 當研究人員發布 GAIA 時，他們發現現有的大語言模型（LLM）在表現上遠遠落后于人類。例如，使用 插件的 GPT-4 僅能正確回答 15%的問題，而人類受訪者的正確率則高達 92%。當前模型在 GAIA 上的 表現迅速提升，在 2024 年，表現最佳的系統得分達到了 65.1%，相比 2023 年記錄到的最高分提高了 大約 30 個百分點。2025 年 5 月，昆侖萬維的天工智能體登頂 GAIA，刷新 SOTA 得分，平均得分來到 78.0%。

（2）MCP 擴展 AI 能力邊界，推動 Agent 加速落地

MCP 為鏈接模型與工具標準協議，有效提升 AI 應用開發效率。2024 年 11 月，Anthropic 發布了 MCP 協議；2025 年 4 月，谷歌在 MCP 基礎上發布了 A2A 協議。MCP 為統一大模型與外部數據源和工 具之間的通信協議，提供了標準化的方法使得大模型能夠標準化地調用外部數據源、工具，類似硬件中 的―USB-C‖接口。MCP 提升了 Agent 接入生態伙伴的效率，A2A 解決了異構框架、不同模型的 Agent 互聯互通問題，開發者不需要為每個工具或數據源單獨編寫代碼，AI 應用開發的效率和功能擴展性得到 提升，Agent 生態建設有望進一步加速。 科技大廠積極擁抱 MCP，AI Agent 發展有望提速。2025 年 4 月，阿里云宣布百煉平臺上線業界首個 全生命周期 MCP 服務，上線了高德等 50 多款阿里巴巴和三方 MCP 服務，滿足不同場景的 Agent 應用 開發需求。2025 年 4 月，騰訊云大模型知識引擎升級支持 MCP 協議，支持騰訊云 EdgeOnePages、騰 訊位置服務、Airbnb 等多款 MCP Server。百度優化了文心基礎大模型，提升了模型在使用 MCP Server 時的任務規劃和調度能力；百度智能云千帆大模型平臺已經全面兼容 MCP。

（3）谷歌發布 A2A 協議，打通 AI 落地復雜應用場景

A2A 與 MCP 互補，加速 Agent 生態完善。2025 年 4 月，Google 正式發布 Agent2Agent Protocol （簡稱 A2A），為用于鏈接不同封閉 Agent，并實現其相互操作的開放協議，該協議為不同類型的智能 體之間搭建了高效溝通與協作的橋梁，無論是獨立 Agent 與獨立 Agent、獨立 Agent 與企業 Agent，亦 或是企業 Agent 與企業 Agent，都能借助該協議實現通信交互和事務協作。A2A 協議與 MCP 互補， A2A 負責解決 Agent 間的通信問題，MCP 解決 Agent 與工具間的通信問題，有望提升 Agent 在下游領 域的應用效果，推動 Agent 生態系統的完善與發展。 A2A 獲得多個科技巨頭支持，推動 AI 應用向復雜工作流落地。隨著 Agent 應用的逐步落地，單一 Agent 難以獨立完成多領域任務（如同時處理數據分析、文檔生成等），需依賴團隊協作，而不同廠商 的 Agent 因技術棧差異無法直接協作，形成信息孤島，從而阻礙 Agent 應用落地。A2A 協議可通過任務 自動分配與結果同步，減少人工干預，同時整合不同領域 Agent 的優勢，完成跨系統復雜任務。A2A 協 議構建在 HTTP、Server-Sent Events(SSE)、JSON-RPC 等常用標準上，企業無需大規模改造自身 IT 技術棧，就能平滑接入多代理環境。在用戶發起任務后，客戶端智能體通過 Agent Card 定位目標智能 體，通過代理間相互發送消息，包括上下文信息、用戶指令、執行結果等形成協同網絡，依次或并行地 處理不同環節。A2A 協議當前已得到了 50 多家谷歌技術合作伙伴的支持和貢獻，包括 Atlassian、 Salesforce、SAP、ServiceNow 等，為依賴多源數據和需要嵌入復雜工作流的 AI 應用提供了走向大規模 落地的生態支撐。

（4）海內外智能體快速發展，測評成績不斷刷新

全球通用領域 Agent 快速發展，應用效果快速提高。海外方面，2025 年 1 月，OpenAI 上線了其首個 AI Agent Operator，能夠與電腦交互，完成瀏覽網頁、填寫表格、預定餐廳等相關任務。2 月， OpenAI 發布 Deep Research，由 o3 模型提供支持，能夠幫助用戶進行信息查詢與分析，輸出綜合報告。 5 月，Anthropic 發布 Claude4，可自主編程數小時并在推理過程中使用工具。同時發布編程 Agent Claude Code，通過 GitHub Actions 支持后臺任務，與 VS Code 和 JetBrains 進行了原生集成，可直接 在文件中顯示編輯內容，實現無縫結對編程。國內方面，3 月，Monica 正式對外發布通用型 AI Agent 產品 Manus，提供多種處理現實世界任務的案例，包括旅行規劃、股票分析等，測評成績超越 Deep Research。4 月，MainFunc 發布 Genspark，采用整合多 AI 模型的混合代理（MoA）系統，包含 80 多個工具集和 10 多個高級數據集，可協調多個 AI 工具高效執行各項任務。字節跳動發布扣子空間，除 通用 Agent 外還提供華泰 A 股助手等專家 Agent，支持飛書多維表格、高德地圖等 MCP。5 月，昆侖萬 維發布天工智能體，采用 Deep Research 技術，能夠生成文檔、PPT、播客和音視頻多模態內容，提供 5 個專家級 Agents 和 1 個通用 Agent，接入數十個 MCP，刷新 GAIA 測評新高。

3、C 端：入口重塑與協同滲透的雙輪驅動

（1）AI 應用有望重塑 C 端流量入口，互聯網巨頭具備先發優勢

AI 應用有望重塑流量入口，各個廠商積極卡位。回顧互聯網發展歷史，超級應用大都由用戶基數龐大 的基礎需求出發，成為龐大的用戶流量入口，再逐步覆蓋更多的需求層級，聚合和鏈接背后龐大的應用 生態，掌握用戶流量的分配權。進入 AI 時代后，隨著大模型 C 端應用圍繞個性化、強交互等方向實現 價值增量，相關應用的流量迅速提高，有望推動新的入口級應用出現。當前各類廠商紛紛布局和卡位 AI 應用，結合自身資源和技術迭代趨勢布局最具價值的領域，主要分為以下策略：1）投入聊天機器人， 布局通用人工智能；2）切入生產力場景，以內容創作、垂直專業、工作效率類 AI 應用搶抓用戶流量； 3）布局垂類領域 AI+解決方案，掌握垂直行業 C 端流量入口。 傳統互聯網巨頭在 AI 領域具備先發優勢，可利用專有數據和用戶參與度將 AI 功能集成到現有的應用 當中，在 AI 應用滲透領域具備先發優勢。互聯網生態圍繞超級應用（如微信、淘寶、谷歌等）發展， 這些應用在平臺上提供全面服務，從而形成了龐大的用戶基礎和高度的用戶參與。通過這些應用，主要 互聯網公司可以訪問具有行為、社交和商業特征的專有用戶數據，對提供定制化的 AI 服務至關重要。 得益于龐大的用戶基礎和高用戶參與度，將 AI 功能整合到現有應用能夠促進市場的采用，在相關領域 具備先發優勢。25 年 C 端的 AI 應用將迎來一個爆發期。

（2）AI 協同新范式：從編程高地走向全行業滲透

編程成為人機協同的主要領域。在 TOC 領域，當前 AI 正逐步融入用戶工作當中，據 Anthropic 數據， 在與 Claude 的對話中軟件工程相關任務占據了數據集中最大的比例，達 37.2%的對話涉及代碼調試、 網絡故障排查等內容，第二大類任務是寫作與編輯，占比為 10.3%，這兩類職業在美國經濟中分別僅占 3.4%和 1.4%，但成為 AI 的高頻使用場景。科學和教育領域的職業也顯示出占比例更高的 AI 使用率。 更廣泛應用場景的 AI 滲透率提升。技術平權+算力成本持續優化，AI 向各個垂直行業賦能，將由最初 的搜索、編程等等逐步拓展至教育、營銷等等多個場景。在互聯網應用板塊中電商、影視、娛樂、游戲、 教育、傳媒和金融等等多個板塊均有眾多潛在的 AI 應用滲透提升方向。

4、B 端：開源模型提升企業投入意愿，刺激國內上云需求

開發工具和生態的繁榮大幅降低行業應用門檻，加速產業智能化落地進程。多種開發平臺匯聚了多樣化 開發框架、工具組件、算法資源、數據集等，開發者可快速調用、微調模型，從而驗證想法并構建 AI 應用。開源模型具備可控性強、可定制性強以及社區支持豐富等優勢，推動更多企業采用 AI 作為技術 解決方案。據阿里云數據，開源模型的采納比例持續提升，2024 年 12 月企業使用開源模型的比例為 34.7%，到 2025 年 3 月使用開源模型的比例增長至 46.9%。 AI 技術和解決方案已深入到傳媒、醫療、機器人、制造等多個行業，通過創新產品和服務、優化生產流 程來推動行業的智能化轉型。據 Morgan Stanley 數據，到 2030 年中國企業的生成式 AI 工作負載滲透 率將達到 31%，美國的生成式 AI 工作負載滲透率將在 2029 年達 31%，中國企業 AI 的采用進程將比美 國落后約 12 個月，并在后續達到類似水平。同時，AI 應用將提升企業上云意愿，預計未來將有超 25% 的工作負載被遷移至公有云中。