文章核心观点 - 北京市东城区发布专项政策 通过最高2000万元资金支持等16项举措 推动数字经济产业高质量发展 促进实体经济与数字经济深度融合[1] 产业数字化 - 政策聚焦人工智能、绿色能源、医疗健康等新兴产业和未来产业 支持传统企业发展数科板块[1] - 支持企业通过算力应用、大模型部署、数据治理提升研发效率[1] - 鼓励产业链重点企业整合资源与创新要素 并填补区域数字经济细分产业空白[1] 数字产业化 - 支持人工智能企业集聚发展 支持通用大模型和行业大模型发展[1] - 鼓励企业从具体场景出发 使用大模型开发商业化应用[1] - 支持数字技术场景落地 支持数据产业发展 培育数据要素多元经营主体[1] 创新生态构建 - 鼓励企业争先创优 支持数字经济企业与上下游企业、高校、科研机构合作打造创新联合体[2] - 支持数字经济产业集聚发展 支持组织数字经济产业交流活动[2] 政策适用范围与重点 - 政策适用于在东城区依法合规经营 并为数字经济高质量发展做出贡献的市场主体[1] - 主要扶持数字经济核心产业 重点支持新一代信息技术、人工智能等战略性新兴产业和未来产业[1]

文章核心观点 - 通用大模型在医疗垂直领域面临挑战，一项针对心脏介入手术决策支持的临床研究显示，基于RAG增强的垂直领域AI系统CA-GPT在关键决策指标上显著优于通用大模型ChatGPT-5和初级医师，有望重新定义心脏介入手术的智能化标准并解决医疗资源不均的痛点 [1][3][30] 通用大模型在专业领域的局限性 - 通用大模型在需要“火眼金睛”和“毫厘必争”的心脏手术等专业领域表现不佳，面对复杂病变时容易产生“幻觉”，缺乏对图像数据的数值敏感性和空间理解力 [1][17] - 在经皮冠状动脉介入治疗（PCI）手术中，光学相干断层成像（OCT）的图像解读高度依赖医生经验，初级医师与资深专家在手术成功率、并发症发生率等关键指标上的差距高达40%以上 [5] COMPARE研究设计与结果 - 研究由空军军医大学唐都医院与深圳清华大学研究院团队联合完成，基于中科微光医疗的OCT系统搭建RAG增强型AI-OCT整合决策支持模型（CA-GPT系统）[1] - 研究纳入了96名患者、160处病变，将CA-GPT系统、ChatGPT-5以及拥有1-5年经验的初级介入医师进行对比，以资深专家团队的手术记录为金标准进行盲测，评估涵盖10项预设决策指标 [8] - 在术前规划阶段，CA-GPT系统的总体决策评分中位数达到满分5.0，显著高于ChatGPT-5的3.0和初级医师的4.0 [11] - 在关键指标上，CA-GPT的支架直径选择准确率高达90.3%，显著优于ChatGPT-5的63.9%和初级医生的72.2%；支架长度选择准确率达80.6%，优于ChatGPT-5的54.2% [11] - 在术后评估阶段，CA-GPT对“最小支架面积是否达标”的判断与专家吻合度接近100%，在支架贴壁评估上的准确率达93.2%，优于初级医师组的76.1% [17] - 在处理功能性缺血（OCT-FFR≤0.80）或严重钙化等复杂病变时，CA-GPT展现了极高的稳定性，在亚组分析中依然保持了中位数5.0的高分 [17] - 传统OCT图像解读需医师逐帧分析，耗时数分钟至十数分钟，而CA-GPT系统可在20秒内完成全面分析并生成结构化报告，将影像解读时间缩短95%以上 [10] CA-GPT系统的技术架构优势 - 系统核心架构摒弃了对单一端到端大模型的迷信，构建了“小模型 + 大数据 + 大模型”的RAG复合智能体架构 [19] - **“感官”精准化（小模型层）**：底层集成了13项核心功能（含6项自研专有算法），能在5-10秒内完成管腔分割、斑块定性、钙化积分计算等定量分析 [21] - **“大脑”逻辑化（大模型层）**：基于开源的DeepSeek大模型构建，基于小模型提供的精准量化数据进行符合医学逻辑的深度推理 [21] - **“知识”实时化（RAG技术）**：通过RAG技术链接了包含超过100万篇心血管文献及指南的知识库，使AI的每一次决策建议都能追溯到具体的专家共识或最新指南，有效抑制了AI幻觉 [21] 技术突破的行业意义与市场价值 - 该技术突破的终极意义在于解决医疗资源分布不均的现实痛点，全球心血管疾病负担沉重，每年因心血管疾病死亡的人数达1920万，PCI全球年手术量已超过400万例，但资深介入专家（完成1000+例手术）是极度稀缺资源 [5][25] - 培养一名能独立处理复杂病变的医生往往需要8-12年的漫长周期，CA-GPT系统本质上是在做“医疗能力的平权”，能让偏远地区或初级医生在复杂手术中获得相当于顶尖专家的实时指导 [25][26][27] - 此次发布的CA-GPT系统及其临床成果，标志着中国企业在高端腔内影像领域开始掌握定义权，不做通用大模型的“套壳”，而是深耕垂直场景，将深度学习的精准度与大模型的推理能力完美结合 [30] - 这代表了中国医疗科技的“DeepSeek时刻”，即把AI技术落地业务场景，用自己的技术解决最真实的临床痛点 [31]

格隆汇12月15日丨博彦科技(002649.SZ)在互动平台表示，公司目前自身不直接进行通用大模型研发， 而是积极与国内外主流大模型厂商开展技术与生态合作，基于客户场景需求，为行业客户提供一站式 AI 应用解决方案及服务。目前，相关AI应用解决方案已在部分金融、化工、制造等多个行业实现业务 落地，帮助客户实现业务流程智能化与效率提升。公司将持续深化行业理解，推动AI技术与产业场景 的结合，助力客户实现数字化与智能化转型。 ...

AI智能体的平台级机遇 - AI智能体被视为堪比移动互联网的平台级机会，正在重塑全球产业价值分配[2] - 通用大模型是基础设施，而AI智能体是能够直接创造价值的“发电厂”[2] - AI智能体革命的核心是解放人类的决策执行能力[2] 价值体现与商业应用 - **企业效率提升**：一家中等规模电商企业引入销售智能体后，线索转化率提升40%，成本仅为人工团队的1/3[3] - **个人能力延伸**：设计师通过创作智能体将重复性工作耗时减少80%[3] - **新商业模式孵化**：完全由AI智能体驱动的虚拟偶像公司已实现盈利，AI法律助手平台以传统律所1/10的价格提供服务[3] - **企业级数字人员工**成为细分方向，注重交互体验人性化以提升接受度和使用粘性[4] 关键发展节点与垂直领域 - 个人智能体可能成为继搜索、社交后的新流量入口[5] - 智能体正在改变医药研发、材料科学、芯片设计等领域的创新范式[5] - 重点关注方向包括：垂直行业合规智能体、跨部门协同智能体、SaaS化轻型平台、专业能力平民化产品、情感陪伴型产品、个人数字分身、研发加速工具以及跨学科创新催化剂[5] - 代码自主开发智能体能实现从需求描述到完整产品的应用开发[6] 投资者的筛选标准 - 寻找技术刚跨越可用门槛、能解决实际问题的场景[6] - 寻找数据护城河可构建的领域，依赖独特行业数据或专业知识[6] - 寻找商业闭环已得到验证的模式，已有早期客户付费且ROI明确[6] - 以推氪AI为例，其已在数字客服、虚拟培训等场景找到可复制的商业模式，并通过OEM模式降低企业使用门槛[6] - 团队需具备跨界整合能力，既懂AI技术又深谙行业know-how[7] 市场阶段与窗口期 - AI智能体赛道目前处于类似2011年移动互联网的阶段：技术基础就位、杀手级应用初现、市场认知形成但格局未固化[10] - 对于已完成技术验证、找到产品市场匹配的智能体公司，接下来18个月将是决定性的融资和发展窗口[10] - 历史经验表明，平台级技术浪潮的投资窗口期通常只有2-3年，移动互联网的黄金投资期是2010-2013年[9] 未来展望与商业模式 - 未来十年，最大的新公司可能来自真正理解如何将AI智能体转化为商业和社会价值的创造者[11] - 新兴商业模式包括：完全由智能体运营的虚拟公司和内容工作室、人机协作创业平台、以及智能体服务交易和租赁平台[12]

行业动态与催化事件 - 特斯拉CEO马斯克于12月3日转发其擎天柱团队发布的机器人跑步视频，团队称在实验室刷新了个人纪录 [1] - 众擎机器人于12月2日正式发布全尺寸极致高效能通用人形机器人众擎T800，并随即启动产品发售进程 [1] - 近期国内外产业端迎来密集催化，产业潮起入局者明显增多 [2] 产业发展阶段与趋势 - 人形机器人产业已开启从技术研发到商业化落地的关键跨越，A股上市公司进入批量供货阶段 [1] - 机器人从本体到零部件商持续开展产品迭代，同时快速推进业务合作和场景应用，积极探索规模化量产和商业落地 [1] - 目前人形机器人进入工业场景，已成为国内外确定性较高的应用趋势 [2] - 产业正在快速实现商业化落地，人形机器人商业化落地可期 [2] 市场前景与投资机遇 - 在电动化与智能化浪潮下，国内外人形机器人产品问世并不断迭代，有望开辟比汽车更广阔的市场空间 [1] - 人形机器人产业链将迎来“从0至1”的重要投资机遇 [1] - 人形机器人产业或迎来“ChatGPT时刻” [1] - DeepSeek等人工智能公司的涌现推动通用机器人大模型的发展，助力人形机器人实现具身智能 [2] - 人形机器人产业链进入“百花齐放，百家争鸣”阶段 [2] 企业战略与竞争格局 - 国内多数企业纷纷加码具身智能 [2] - 海外特斯拉、Figure AI等加速商业化量产步伐 [2] - 长期需重点关注产业链上具备确定性的优质公司 [2]

通用大模型在金融领域的局限性 - 通用大模型并非为金融市场设计，在真实市场表现不佳，近期一场“AI炒股大赛”中，两款中国模型成为唯二盈利的大模型，而美系四大模型全线亏损，最多的亏损达60% [1] - 通用大模型存在根本性“不适症”：其底层设计旨在理解世界而非市场，难以可靠区分信念与事实，这在金融等高危领域可能导致真实投资损失 [4] - 通用大模型依赖公开网络信息训练，存在金融垂类数据的滞后性和专业性缺失问题，且其“黑箱”决策与金融行业极高的合规性要求相悖 [4] 金融行业对专业AI体系的需求 - 金融行业需要一套完整的专业AI体系，而非仅将通用大模型作为辅助工具 [4] - 专业AI体系需构建四个关键层级能力：专业信源能力、专业分析框架、合规与可控、以及交易级的工程能力 [4][5][6] - 头部券商凭借其稀缺的数据资源、结构化分析框架、合规风控体系及高性能技术设施，在满足这四层需求上拥有核心资源禀赋 [5][7] 华泰证券AI原生应用“AI涨乐”的突破 - 华泰证券上线了国内首个AI原生证券交易APP“AI涨乐”，其意义在于从底层重构服务逻辑，让AI重塑交易体验，而非简单地在原有APP中嵌入AI功能 [2][8] - 该应用代表证券行业首次系统化地将AI技术整合为一套“可用、可控、可闭环”的产品体系，标志着从模型实验时代进入金融AI的“可用时代” [3][18] - AI涨乐重构了信息体系，从用户“看信息”转变为让模型“过滤信息”，并首次将AI深度接入完整交易链路，覆盖选股、盯盘、条件单、语音辅助下单等环节 [9][13][15] AI涨乐的核心功能与用户体验革新 - 选股功能革新：用户可通过自然语言（如询问“今天的热点是什么”）进行交互，AI利用大模型分析能力智能捕捉热点、挖掘关联板块并提供策略级分析，例如“涨停猎手”功能 [13][14] - 盯盘与条件单自动化：AI可代替用户持续监控市场，在关键事件发生时提醒，并将用户用语言描述的风险条件自动转化为条件单并执行，实现从“人盯市场”到“市场条件触发执行”的过渡 [15] - 语音辅助下单与交互范式变革：应用以对话为入口，用户可通过语音直接下达交易指令（如“买入100股苹果”），模型自动抓取关键信息并提示确认，实现了从意图到交易的完整、不间断AI贯穿链路 [8][15] - 致力于吸引Z世代投资者：应用提供二次元风格的AI投资助手形象（如Yomi和Domi），并内置基于用户兴趣生成财经播报的“早点听”播客功能，以年轻化、陪伴式体验重构用户关系 [16] AI涨乐的技术与工程化支撑 - 字节跳动旗下火山引擎提供了关键的技术支撑，包括构建私有化算力底座以满足金融级数据安全、合规与7x24小时服务可靠性的要求 [19] - 通过火山引擎的联网问答Agent能力，整合今日头条、抖音等大规模内容体系作为实时互联网信息池，与华泰内部专业数据库合并，赋予AI涨乐“市场实时感知”能力 [19] - 应用依赖模型集群而非单一模型：华泰自研模型确保核心投资分析的专业性与准确性；豆包大模型擅长处理财报、舆情等互联网碎片化信息的提炼与摘要 [20] - 火山引擎作为战略伙伴深度介入业务，与华泰共同解决行业难题，提供了从实验到产品化、工程化的关键一跃 [20] 对证券行业AI化发展的影响与展望 - 华泰与火山引擎的实践为行业提供了首个可复用的样本，预示着证券行业正从“数字化”迈入“AI原生”的深水区，类似行业的“iPhone时刻” [21] - 大型券商的演进路径将是“自研金融模型+全场景AI化”，旨在将AI深度融入全业务链条，构建智能服务护城河，其底层需要与火山引擎等企业合作确保基础设施性能 [22] - 中小券商的现实路径是“借助AI技术厂商，实现能力普惠”，通过API或模块化方案以较低成本和风险快速获取已验证的AI能力，实现“智能平权” [23] - 证券业的竞争维度正从传统的“网点多、人员多”，转向以数据、算法和算力深度融合为核心的“AI体系竞争” [23]

展会概况 - 第十七届中国（济南）国际信息技术博览会暨人工智能+创新应用高端峰会于11月26日至27日在济南召开 [1] - 展会核心主题为“人工智能赋能未来” [1] 展会焦点领域 - 展会聚焦通用大模型、行业大模型、智能体等前沿领域 [1] - 设置“人工智能+”系列展示板块，覆盖制造、交通、能源、金融、医疗等重点行业 [1] 同期专题活动 - 同期举办“人工智能+”创新应用高端峰会 [1] - 同期举办第二届济南智能网联汽车“车路云一体化”应用大会 [1] - 同期举办区块链技术赋能传统企业数字化转型论坛 [1] - 同期举办山东省“人工智能+”产业集群智能化转型工作座谈会 [1] - 同期举办2025济南光电与激光智能装备产业发展大会 [1] - 多场专题活动构建起多层次交流体系 [1]

数据治理市场规模与痛点 - 2025年中国数据产量将达51.78ZB，但有效留存率仅5.1%，超九成数据因治理缺失沦为沉睡资产 [1] - 2025年78%的国内企业已实施数据治理，但仅有不足30%的企业实现数据资产化运营 [1] - 技术标准混乱、安全风险凸显等问题成为普遍痛点 [1] 数据治理行业演进 - 数据治理行业经历三个阶段：1.0时代比拼功能汇聚数据，2.0时代平台功能智能化但严重依赖行业专家 [2] - 传统治理模式存在规则僵化、语义割裂、任务碎片化等问题，导致大量数据资产沉睡 [2] - 行业亟须进入3.0时代，即依托垂直领域大模型实现全流程智能赋能 [2] - 到2028年，企业中超过50%的生成式AI模型将为特定领域模型 [3] 垂直模型解决方案优势 - 通用大模型缺乏深度业务理解，面临知识肤浅、幻觉频发困境 [4] - 垂直大模型能理解行业专有名词，例如应急管理场景下“三防”指防汛、防旱、防风 [4] - 百分点科技发布业内首个百思数据治理大模型（BS-LM），基于过去十年服务16个部委、90余个省市、50余家央企所积累的近千个项目经验 [4] 技术架构与实施机制 - 构建独特的数据回流机制，项目产生的数据主题库、标准元数据、运营指标体系等必须回流，直接影响项目考核 [5] - BS-LM采用知识原语理念，将复杂治理知识解构为可计算语义单元，通过多阶段训练和模型融合技术解决知识遗忘和语义漂移问题 [6] - 百思数据治理平台（AI-DG）以自然语言交互为入口、以智能体群为执行单元，实现从智能决策到高效执行 [6] 商业应用与价值验证 - 百思大模型已在政务、应急、央国企等关键领域落地，例如广州市白云区应急管理局对多源异构预案数据进行整合支撑智能分析 [7] - 某省应急厅的智能问数应用使跨业务数据获取与决策效率显著提升，实现从被动响应向主动治理跨越 [7] - 治理3.0时代核心是将行业知识变成可计算原语，让智能体处理重复性工作，使人专注于高价值判断 [7] - 未来垂类大模型竞争焦点是场景深度与知识厚度，而非参数大小 [7]

行业趋势转向 - AI产业正经历从通用能力探索到垂直行业落地的关键转折，决定AI商业价值的战役已在教育、医疗、客服等具体领域打响[2] - 通用大模型试图在所有场景下表现良好，却在任何场景下都难以做到极致，难以直接承担关键生产任务，真正的产业化落地必然发生在垂直场景[4] - 在线口语教学是最适合AI Agent落地的垂直场景之一，因其有明确的教学目标、可量化的学习效果、标准化的内容体系以及个性化互动需求[4] 斑马口语产品定位 - 公司推出业内首个真正实现AI外教一对一的产品「斑马口语」，是真正意义上在垂直行业落地的AI Agent[2] - 产品解决方案基于通用大模型能力，针对6-12岁儿童英语口语场景做深度定制，目标是打造真正「会教英语」的一对一AI外教，而非仅仅「能聊英语」的AI助手[5] - 教育场景对AI要求苛刻，AI外教需能判断发音标准度、情绪、理解程度并实时调整教学策略，且必须适龄，不能输出不当内容或事实性错误[4] 技术突破：实时交互 - 为实现自然对话，AI外教响应延迟需控制在合理范围，分层延时目标为即时反馈1.5秒内，标准响应1.5到2.5秒内[9] - 完整语音交互链路（ASR、大模型推理、TTS、网络传输）总延迟易超过2.5秒，在教学场景下不可接受[9] - 公司采用全链路流式处理架构，将各环节由串行等待改为流水线并行，并结合智能调度策略与WebRTC协议，将端到端延迟压至1.5到2.5秒目标范围[10] 技术突破：语音识别 - 英语教学对语音识别要求远超普通语音助手，需精准识别易混音素并给出音素级反馈，低龄儿童发音不标准率可能超过40%[11] - 系统需应对真实环境音频干扰，并解决VAD判停策略难题，避免打断孩子思路或导致交互混乱[12] - 公司采用智能VAD判停策略，结合音频能量、静音时长、语义完整度三维判断，并根据教学环节动态调整判停阈值[12] 技术突破：内容安全与适龄 - 教学场景需要严格的目标导向和内容可控，大模型的开放性和随机性可能导致错误知识或不适合儿童的内容输出[14] - 公司建立多层防护体系，包括在模型训练阶段进行数据严格筛选与安全强化训练，上线前进行全面测试集验证，运行时接入传统风控系统实时拦截与在线会话质检监控[15][16] 技术突破：多模态呈现 - 现代在线教学需实现语音、动画、文字、特效等多种元素的时序精确配合，同步误差超过200毫秒就会产生「对不上」的感觉[17] - 公司设计统一的时序编排引擎，所有模态元素在统一时钟下调度，并实现自动补偿机制以保持整体同步[17] - 采用「边生成边渲染」的流式策略与自适应性能降级机制，根据设备性能动态调整呈现策略，确保体验流畅[18] 市场竞争与公司优势 - AI教育赛道参与者众多，如谷歌、可汗学院等，但其产品多停留在「AI辅助学习」层面，工具属性强，而非真正意义上的「教学」[19] - 公司产品在实现AI主导教学、像真人老师一样引导系统化学习方面处于领先地位，优势建立在近60万节真实对话数据、1500万分钟交流记录以及长期技术积累之上[19] 行业影响与前景 - 产品成功正在重构口语教育赛道竞争规则，竞争焦点从外教资源、师资数量转向AI Agent打造能力，标准提升至AI外教能否做到比真人更稳定、更个性化、更具可扩展性[22] - 垂直AI Agent的成功为其他行业提供范本，未来可能涌现医疗问诊、心理咨询、法律咨询等领域的专业Agent，形成全新AI服务生态[22] - 中国企业在垂直AI应用上有能力做到全球领先，庞大的市场规模、丰富场景和快速迭代能力将成为巨大优势[22]

大模型发展路径 - 通用大模型与场景大模型相辅相成，通用大模型是基础，其强大的数据、算力和算法能力不断推高技术天花板 [1] - 通用大模型能力增强后，其解决场景问题的能力也会越来越强 [1] - 场景模型更专注于行业和应用场景的理解，能够满足时间、资源和环境等约束条件，实现精准落地 [1] 算力基础 - 算力是基础，国产算力正蓬勃发展 [3] - 百度昆仑芯已组成自研3万卡集群 [3] - 国内其他芯片厂商也在快速成长 [3] AI人才发展 - 人才是大模型发展的关键支撑，AI发展迅速，年轻人能快速掌握核心技术并发挥巨大作用 [3] - 优秀人才选择工作单位时不仅关注薪酬待遇，更重视研发平台、算力支持和成长空间 [3] - 企业争取AI人才需要提供综合支撑，确保技术创新得以持续 [3]