低空经济概述 - 低空经济定义为垂直高度1000米以下空域以民用航空器活动为牵引的综合性经济形态 核心是释放低空空域作为新型生产要素 相比地面交通显著降低建设和运维成本 [2] - 中国发展路径呈现"自上而下"特征 起步即瞄准垂起化 自动化与无人化 与美国"自下而上"的传统通用航空模式形成对比 [2] 市场规模与前景 - 全球低空经济规模预计2040年达1.5万亿美元(约10.8万亿元人民币) 中国民航局提出2035年中国市场规模目标为3.5万亿元 [3] 技术融合与创新 - AI与低空经济深度融合催生新生产要素与经济形态 中国凭借后发优势与智能化路径有望开辟独特发展道路 [1] - AI技术演进呈现通用大模型与垂直大模型双轨并行 中国企业更适合在垂直行业深耕特定场景应用 [3] - AI赋能低空经济具体路径包括数据决策转化 自主路径规划 多模态垂直大模型开发等 [3] 产业生态结构 - 低空经济分为四大板块：飞行器制造(如eVTOL 无人机) 数字化基础设施(起降场 通导监系统) 空域调度管理(十万架级自动化调度) 场景化运营服务(物流 巡检 载人) [4] - 四大板块相互依存形成完整产业生态 当前存在"热乱并存"现象 2024年各地规划建设上千个起降点但运营规则和安全标准尚未统一 [4] 产业发展挑战 - 当前低空经济各环节(飞行器制造 基础设施 运营服务)如同散落珍珠 需打通从用户需求到执行反馈的闭环形成完整价值链 [5] - 飞行器制造领域已形成"红海"竞争 全国数千家企业涌入 但数字化基础设施严重缺失 [4]

低空经济核心观点 - 低空经济需整合各环节形成完整价值链，才能构建坚实繁荣的新生态 [1] - AI与低空经济深度融合催生新生产要素与经济形态，中国凭借后发优势与智能化路径有望开辟独特发展道路 [1] - 全球低空经济规模预计2040年达1.5万亿美元（约10.8万亿元人民币），中国目标2035年达3.5万亿元人民币 [3] 低空经济定义与发展路径 - 低空经济指垂直高度1000米以下（可延伸至3000米）空域，以民用航空器活动为牵引的综合性经济形态，核心是释放低空空域作为新型生产要素 [2] - 相比地面交通，低空空域无需大量物理基建，仅需"空中划一条线"，显著降低建设和运维成本 [2] - 美国遵循"自下而上"传统通用航空模式，中国呈现"自上而下"特征，起步即瞄准垂起化、自动化与无人化 [2] AI与低空经济融合 - AI发展呈现通用大模型与垂直大模型双轨并行，中国企业深耕垂直大模型是实现AI价值高效落地的务实选择 [3] - AI赋能低空经济的具体路径包括：数据决策转化（处理无人机采集数据生成可执行决策）、自主路径规划（动态优化航线避开风险区）、多模态垂直大模型开发（如农业无人机识别病虫害匹配喷洒方案） [3] - AI应用需深入业务核心逻辑，仅停留在表层应用是资源浪费 [3] 低空经济产业生态 - 低空经济由四大板块构成：飞行器制造（如eVTOL、无人机）、数字化基础设施（起降场、通导监系统）、空域调度管理（十万架级飞行器自动化调度）、场景化运营服务（物流、巡检、载人） [4] - 当前低空经济"热乱并存"：2024年各地规划建设上千个起降点，但运营规则和安全标准尚未统一，导致"敢造飞机不敢飞"困局 [5] - 产业需打通从用户需求、任务智能分配到执行反馈的闭环，形成完整价值链 [5] 低空经济场景演进 - 近期（1～3年）：赋能型场景主导，如农林植保（AI精准施药减少30%化学污染）、电力巡检（替代人工高危作业）、隧道检测（无人机深入有毒环境） [5] - 中期（3～5年）：物流场景规模化，如城市即时配送（医疗急救物资）、跨境重型运输（深圳试点海鲜15分钟送达，损耗率从12%降至3%） [5] - 远期（8～10年）：载人交通革命，从文旅体验起步（如景区短途接驳），逐步扩展至通勤，终极目标飞行汽车进入家庭 [6] 低空经济核心挑战 - 法规细则仍需完善：低空空域管理改革推进多年，但配套法规细则落地仍需过程 [7] - 安全问题：通信、导航、监视技术及防冲突机制需绝对可靠，是大规模商用前提 [8] - 人才缺口：行业亟须高校培养与吸引顶尖人才支撑技术攻坚与产业创新 [8]

赛事活动 - 第二届雄安未来之城场景汇系列大赛决赛于6月9日开赛 涵盖智慧农业、空天信息、机器人、金融科技、垂直大模型、医疗大健康、绿色低碳、网络安全、智能网联、安全应急、低空交通等11个领域 [1] - 共有981家团队的1191项作品晋级决赛 决赛将于6月底全部结束 [1] 政策支持 - 雄安新区出台《关于促进未来之城场景汇成果转化落地支持创新载体高质量发展的若干措施》及实施细则 旨在吸引科创企业团队落地并推动大赛成果扩大应用 [1]

垂直大模型发展趋势 - 人工智能大模型正从通用走向垂直 成为驱动产业变革的核心引擎 已从实验室走向实际应用场景如生产线和服务柜台 [1] - 加快垂直大模型的创新突破与深度应用是推动产业迈向智能化高端化的关键抓手 也是全球人工智能竞争格局中的重要突破口 [1] 垂直大模型面临的挑战 - 高质量垂类数据供给不足 中文垂类数据在全球数据训练集占比不高 行业私有数据开放度低 部分模型出现"营养不良" [1] - 标准化倒逼技术实用化场景适配不足 部分应用难以创造应有价值 如金融大模型在风险预测中的实践 [2] - 中小金融机构受制于算力成本 仍依赖规则引擎而非AI模型 [3] 解决方案与行业实践 - 联合头部企业科研机构共建垂直领域数据共享平台 通过"数据沙箱"实现合规流通 上海"模速空间"已推动43个备案大模型落地 聚集400家企业形成完整产业链 [2] - 加快建立行业专属评估体系 明确准确性安全性等硬指标 以场景需求为牵引摸索联合研发模式 推动AI创新从"功能叠加"转向"业务原生" [2] - 开发轻量化垂直专用模型 通过领域知识蒸馏和边缘计算优化降低部署成本 建设垂直大模型产业园整合智算中心资源为中小企业提供低成本算力服务 [3] 垂直大模型的应用潜力 - 医疗金融等领域已涌现细分场景应用 展现出重塑行业生态的潜力 [2] - 在农业汽车等优势领域形成示范项目 以算力推动培育行业"新质生产力" [3]

上海人工智能产业集群发展 - 上海正以自主可控算力为支点推动多行业变革，涵盖传统产业智能化与现代服务业数字化升级 [1] - 宝钢智能车间AI质检系统精准率达96%，太保数据中心智能算法每秒处理数万次保险业务 [1] - 上海计划到2025年智能算力规模突破100EFLOPS，建成50个行业语料库示范应用和3-5个大模型孵化器 [8] - 2024年上海人工智能产业规模达4500亿元，同比增长7.8%，提前完成"十四五"目标 [8] 宝钢股份智能化转型 - 宝钢股份热轧车间采用AI模型预判炉况，冷轧车间"AI主操"实现秒级轧制规程调整，减少人为误差 [2] - 昇腾算力训练的高炉大模型使炉温预测准确率超90%，热轧AI缺陷识别准确率96%，年经济效益超千万元 [2] - 公司与华为昇腾合作构建云边端智能体系，计划2025年上线300个AI场景并打造5个标杆智能生产线 [3] 金融行业AI应用 - 太保科技构建保险业首个千亿级参数大模型，训练效率提升30%，理赔审核准确率提升59.4%，客户满意度80.5% [4] - 金融垂直大模型可处理健康险疾病风险评估等复杂场景，优化核保、理赔流程并形成行业知识壁垒 [5] - 太保科技基于华为鲲鹏实施"一云多芯"战略，30天完成60余个应用适配，推动保险系统国产化替代 [4] 上海超算中心与算力生态 - 上海超算中心昇腾Atlas900Pod集群运算速度达每秒10亿次，将AI训练周期从数周压缩至几天 [6] - 平台汇聚80余家企业机构，形成算法研发至商业转化的全产业链，如珑京信息推出智能体解决方案，新致软件聚焦金融AI转型 [6] - "超智融合"模式贯通基础研究到产业落地，上海电力大学风灵大模型降低风电运维成本30% [6] 政策与产业协同 - 上海"模塑申城"方案提出建设世界级AI生态，包括赋能中心、垂直模型训练场等 [8] - "基础平台+核心企业+场景应用"集群模式在AI与实体经济融合中形成示范效应 [7] - 上海超算中心通过"超算+智算"融合架构推动长三角智能化转型，助力芯片、工业软件等走向国际市场 [7]

AI行业竞争格局 - 大厂聚焦参数升级的"军备竞赛"，中小创业者深耕大厂无暇顾及的细分赛道[1] - 医疗行业被视为"数字化攻坚的最难阵地"，通用大模型难以满足其高准确性和严谨性需求[1] - 越来越多的AI企业意识到细分赛道重要性，加大垂直领域行业大模型投入[1] 医疗垂直大模型必要性 - AI在医疗场景应用需专业算法和高质量数据才能达到80分以上水平[1] - 通用大模型如医学生具备广泛医学认知但缺乏临床实战经验[1] - 垂直大模型需上万例临床实践和持续学习才能成为专家级诊疗能力[2] 公司实践案例 - 壹生检康专注女性健康3年，积累丰富行业经验和庞大用户群体[4] - 通用大模型存在"幻觉"问题，特定场景无法控制其自由发挥[4] - 公司选择32B参数模型在计算资源和回复效果间取得最佳平衡[5] 模型训练过程 - 第一轮使用1400例蒸馏数据训练准确率仅50%[5] - 第二轮经医生标注后准确率提升至60%[6] - 补充600例数据解决数据失衡问题，最终准确率达77.1%[6] 模型性能对比 - 豆蔻妇科大模型整体准确率77.1%，高出DeepSeek 7%[13] - 在下腹包块诊断中准确率优势达17.1%[14] - 在月经推迟诊断中更全面考虑激素类药物影响[15] 成本优化措施 - 仅使用一张英伟达4090 GPU进行训练[16] - 最终模型参数量仅为DeepSeek R1的1/20[17] - 选择INT8量化版本对准确率影响可忽略不计[17] 应用场景规划 - toC端解决女性健康问题描述困难和病耻感问题[17] - toB端赋能基层诊所和大健康机构弥补专业资源不足[18] - 模型设计带推理过程便于专业人员评估其正确性[18] 未来发展方向 - 强化学习可使模型从垂直领域拓展到全医学领域[19] - 强化学习让模型具备解决通用问题和泛化能力[19] - 目标使模型成为既优秀又全面的医生[19]