" Agent Infra 之战，被火山推上了新高度。 " 作者丨林觉民 编辑丨 Kash 云厂商突围，今天已迫在眉睫。 在市场厮杀多年，云市场早已被"钳"得窒息——难以遏止的恶性价格战、难以标品化的项目、难以规模化 的高投入商业模式，就像一个泥潭，让厂商们深陷其中。 而被市场"炒了又热，热了又炒"的大模型，会是云厂商冲破泥潭的突破口吗？许多人如此相信，但如何突 围，答案还并不明朗。 12 月 18、19 日，字节火山引擎召开了 2025 年的冬季 Force 大会，以豆包大模型 1.8、视频生成模型 Seedance 1.5 pro 等新进展，决心在行业的坚壁上砸开一条"渠"，把 AI 的"活水"引进行业。 可以说，Agent 是今天 AI 实现突破的"超级共识"，但怎么发展 Agent，却仍然是厂商们众说纷纭的"多 元叙事"。 Agent Infra 平台——"AgentKit"，则是火山为了这场"大考"给出的答案。 今天，Agent 开发者平台不少，火山做 AgentKit 背后的逻辑是什么？这一切，或许早就可以从火山引擎 的发展史中，找到暗藏的草蛇灰线。 01 火山 MaaS 登顶 No.1，主要是抓 ...

Agent技术架构的演进与核心差异 - Agent与Chatbot存在本质区别，Chatbot仅是交互界面，而Agent具备任务规划、执行、感知反馈和动态调整的完整能力，其技术复杂度和对生态的要求远高于传统对话系统[2] - 以行动为目的的AI核心在于关注结果，Agent模式实现了流程自动化，将原本由人维护的任务规划、工具调用和上下文管理能力内化，使Agent能在循环中持续工作数十分钟甚至数天[3] - Agent的兴起扩展了AI的可操作范围，未来传统软件界面可能消失，由Agent与系统直接交互[4] 当前Agent发展的关键瓶颈与优化方向 - 高性价比算力短缺是当前主要瓶颈，许多应用为控制成本而使用30B或7B等较小模型，并将上下文窗口限制在32K或更小，同时限制深度思考轮次[5] - 上下文数据质量至关重要，低信息密度和高噪声数据会严重影响输出结果，需要通过数据预处理和更频繁的上下文压缩技术来提升信息密度和可靠性[6] - 企业私有数据质量是决定Agent效果的关键因素，其预处理和构建的难度远大于模型选择或微调[6] - 随着处理链路变长，即使每个环节可用性达90%，经过十个环节后整体可用性也会下降到不可接受的水平[7] 多Agent协作与协议标准化趋势 - 未来必然是多Agent协作的世界，且交互关系将呈多对多、开放式，统一的Agent交互协议至关重要[8] - 行业普遍认为协议将走向开源统一，速度可能非常快，类似Kubernetes、gRPC等近代协议约两三年就进入中立治理阶段，MCP协议在发布约一年后已被捐赠给AIF[8] - MCP协议已获得各大厂商大力支持，并基本成为多Agent沟通的事实标准，其上层生态仍在不断创新，例如Anthropic的PDC协议可将多次MCP调用合并，使上下文长度缩短80%甚至更多[9] - 协议的价值在于让生态中各角色使用同一种语言沟通，使各方能专注于自身专业领域，无需耗费大量时间做适配工作[4][7] 企业落地Agent的成本与精度权衡 - Agent长程推理任务会导致上下文膨胀，显著增加显存、带宽消耗和成本，需通过上下文压缩、长期记忆持久化等“上下文工程”手段提升信息密度[10] - 可通过优化KV Cache，如利用CPU内存或SSD进行分层存储及不同层级量化来提升系统吞吐，但这会带来1%到10%的精度损失[11] - 成本与精度的权衡必须与业务深度结合，高容忍度业务可使用低成本、精度略低的模型，而容错度低的场景则必须使用高精度方案[11][12] - 在C端对话场景，若1秒内不能输出首token，用户体验基本失败，总体上需在1–2秒内给出首token并保持持续输出[31] 知识图谱与长期记忆的技术优势 - 知识图谱具备知识压缩、事实边界与操作约束等特性，是企业知识的高度浓缩，以结构化方式提供给大模型时，其约束和提示效果远强于冗长文本[12] - 相比RAG，知识图谱更能保证信息的完整与高度相关，查询实体时所有相关内容都能被提取，生成的上下文质量更高、长度更短、效率更高[13] - 知识图谱符合人类记忆模式，能支持Agent的长期记忆和自我进化，例如将成功运维经验写入图谱后，相同任务处理时间可从20分钟缩短到5分钟[14] - 从算力角度看，从知识图谱中精准取回高信息密度节点，比将整本书塞进context window要划算成百上千倍[15] 企业AI项目落地与价值评估维度 - AI价值主要体现在提效和赋能新事物两方面，当前AI在许多场景可达初级到中级人员能力水平[18] - 对于高频次、规则性强、容错率允许的工作，交给AI效率显著更高，AI在创意类任务中也表现突出[19] - 评估AI项目需关注：业务方能否明确AI的衡量标准、业务方是否掌握数据用于提示或微调、业务方是否有预算[20] - 能够实实在在为企业赋能的，是那些已被大规模使用的AI应用，如AI Coding，其效率提升和性价比是确定的[18] Agent业务对齐与调度策略 - Agent落地最难的不是协议对齐，而是业务对齐，相同的词在不同业务场景中有不同的语义，需与合作伙伴在业务理解上达成一致[20][21] - 大模型带来的挑战是技术人员需向前迈一步，不仅要掌握技术，还要理解业务需求和业务语言[23] - 在处理复杂流程时，调度逻辑可采用SOP写死、模型动态规划或两者混合的方式，取决于具体场景要求[25][27] - 在异构集群调度中，需根据不同类型节点的压测结果调整负载评估逻辑，并采用组合策略，根据workload的SLA要求进行分配，以兼顾性能与性价比[28][29] Agent可信性与安全熔断机制 - 目前提升Agent可信性主要依赖RAG和知识图谱，但幻觉问题无法100%解决，要求完全无幻觉的场景仍需依赖外围机制或校验流程[28] - 熔断机制包括：设置循环阈值、为API key设置rate limit和预算上限、通过沙盒机制实现执行环境隔离、监控Agent执行状态并在异常时外部kill[31][32] - 需对模型的任务规划和执行模型进行调整，确保符合可信标准，避免生成离谱操作，并在执行中加入安全检查[33] Agent未来形态与技术人员能力发展 - 长远看，传统软件形态可能消失，软件核心功能以API形式暴露给Agent，由Agent承担软件外壳作用[35] - 技术人员需理解Agent工作原理、调度和交互机制，但更核心的依然是对计算机整体运行机制和底层原理的理解[36][37] - 2026年，多Agent治理体系可能成为爆发的技术变量，生产级多Agent落地将大规模发生，但其运维、调试和监控的复杂性将呈指数增长[38] - 市场对Agent的认可度显著提高是关键，需要用户和企业找到适合自身业务的使用方式，发挥其长板、规避短板[40][41]

除了外部独立APP的"反制"，整个技术生态的成熟度也未做好迎接Agent全面接入的准备。对此，火山引擎智能算法负责人吴迪对第一财经记者表示，当前 行业对AI与Agent的探索仍处于摸索阶段。过渡阶段里，市场需求已存在，但模型尚不完善，企业实践也各具特色，这种状态预计还会持续三年左右。从生 态与第三方视角来看，行业"是否准备就绪"的核心在于Agent 工具的完善。吴迪透露，公司内部已投入大量精力，尝试将存量功能转化为Agent可识别、可 调用的工具。 谭待向记者补充称，不论是豆包AI助手还是APP等产品，本质都是由众多复杂Agent构成的集合。哪怕是搜索、垂直领域问答等不同功能，背后都对应不同 逻辑的Agent，而如今Agent待突破的两大核心挑战包括基础能力支撑与真实线上落地要求，满足健全性、运行时稳定性、弹性伸缩、数据安全等高标准。 2025年迈入尾声，海内外大模型头部厂商密集发力，包括Seedance 1.5 pro在内的多款多模态大模型更新迭代。对此，谭待分析称，多模态让大模型能像人一 样 "看、听、说、做"，标志着AI应用往更深的场景走了。以前用大模型多为文字聊天，现在要让它办实事，不管是开车时的路况 ...

"后发有劣势也有优势，关键是把手里的牌打好。" 文 丨 贺乾明 今年下半年，火山引擎调整 2021 年定下的千亿元年营收目标：原定 2029 年-2031 年的实现周期不 变，目标金额上调数百亿元。 当我们问 "这是谁的要求" 时，火山引擎总裁谭待说，是团队主动上调，是他们的 "务实浪漫"。多数 人低估了火山引擎拿下 AI 云的决心。 他们的信心来源，是火山引擎 MaaS（模型即服务）收入和豆包大模型能力提升都超出预期。12 月 18 日，火山引擎举办冬季 Force 原动力大会，谭待宣布，今年 12 月，豆包大模型日均 Token 处理量超 过 50 万亿，半年增长超 200%。 增长的动力不只来自字节旗下豆包、即梦等 AI 应用快速发展，还有一批外部客户在深入使用大模 型：累计使用上万亿 Token 的超过 100 家，比全球云计算巨头 AWS 还多了一倍。 "大模型能力持续提升，会解锁新场景，从而带动 Token 使用量增长。" 谭待说，比如生图、生视频的 需求过去一年随着 Seedream、Seedance 模型成熟迅速上涨。 这次大会，火山引擎又升级多款大模型。豆包基础大模型 1.8 版本， 强化多 ...

腾讯AI战略与组织调整 - 近期完成组织调整，新成立AI Infra部、AI Data部、数据计算平台部，以整合内部力量，统一模型团队[4] - 任命Vinces Yao（姚顺雨）为首席AI科学家，并兼任AI Infra部、大语言模型部负责人，其曾为OpenAI研究员，是Operator与Deep Research核心贡献者[4] - 新成立的AI Data部负责大模型数据及评测体系建设，数据计算平台部负责大数据和机器学习的数据智能融合平台建设[6] 人才争夺与团队建设 - 在AI人才招聘上表现激进，2025年校招对中意人才出价高50%是基准线，最高可达2倍薪资挖人[8] - 正以加倍薪资积极挖角字节跳动等公司的顶尖AI人才[8] - 新任负责人姚顺雨已帮助混元团队从字节、阿里及多家AI初创公司招募到数位核心员工[9] 自研模型进展与成果 - 整合原有团队并调整训练目标后，成果迅速显现，于12月5日发布全新大模型HY 2.0，在推理和效率上有显著进步[10] - 整个2025年，混元团队发布了超过30个新模型，其3D模型已位居全球领先梯队[10] - 公司内部已形成共识：必须拥有不能拖后腿的自研模型能力[4][17] 市场竞争与产品化驱动 - 2024年第三季度开始感受到紧迫感，外部重要因素是字节旗下豆包日活逼近1000万，被视为产品初步站稳脚跟的分界线[14] - 决定坚定在AI助手类应用方向加大投入，必须以产品化、商业化方式竞争，并于2025年初将“元宝”应用调整至云与智慧产业事业群[15] - 借助开源模型DeepSeek，“元宝”月活在2025年初1个月内突破4000万，一度在苹果免费下载榜跃居第一，但后续增长放缓，凸显自研模型的重要性[15][17] 行业趋势与未来赛点 - 行业验证铁律：模型能力决定产品上限，对话依然是AI应用的核心形态[19] - 智能体正成为下一个竞争赛点，字节推出豆包手机将赛场推向新阶段[20] - 公司总裁刘炽平明确表示微信最终会推出一个智能体，但同时指出AI市场仍处于非常早期的发展阶段[23]

腾讯AI组织架构与人才引进 - 腾讯内部官宣大模型研发组织架构调整，新成立AI Infra部、AI Data部、数据计算平台部，以全面强化大模型研发体系与核心能力 [6] - 姚顺雨加盟腾讯，出任“CEO/总裁办公室”首席AI科学家，向总裁刘炽平汇报，同时兼任AI Infra部、大语言模型部负责人，向技术工程事业群总裁卢山汇报 [4][7] - AI Infra部将负责大模型训练和推理平台技术能力建设，聚焦分布式训练、高性能推理等核心技术 [8] - AI Data部负责大模型数据及评测体系建设，数据计算平台部负责大数据和机器学习的数据智能融合平台建设 [8] - 此次架构升级旨在强化工程化优势，提升AI大模型研究能力，聚焦公司AI战略布局，提升研发效率 [8] 姚顺雨背景与成就 - 姚顺雨是前OpenAI研究员，拥有清华大学姚班背景和普林斯顿大学计算机博士学位，是NOI奥赛银牌得主和安徽省高考探花 [2][16] - 他是Tree of Thoughts（思维树）、ReAct等知名研究的作者，也是SWE-bench、SWE-agent等一系列研究的核心贡献者 [3][27] - 博士期间师从GPT-1第二作者Karthik Narasimhan，从事智能体方向研究，毕业后加入OpenAI [18] - 其研究工作贯穿Agent研究关键节点，包括提出CALM、WebShop等 [19] 姚顺雨的AI发展观点 - 姚顺雨在2024年8月发表博文《The Second Half》，提出AI正处在“中场休息”阶段 [21] - 他认为AI上半场以模型和方法为中心，核心是“把模型训出来”；下半场重心将转向任务定义、系统构建与评估体系 [22] - 关键问题从“能否训练模型解决XX”转向“什么问题值得被解决”以及“如何判断AI是否真的进步”，评估成为决定方向的前置条件 [23] - 真正重要的不是继续堆模型规模，而是让模型在真实任务和系统中经得起检验 [24] - 他认为Agent的本质不是“会用工具”，而是“能推理并泛化” [26] - 创业公司的最大机会不在模型，而在交互方式 [28] 腾讯AI产品与业务进展 - 过去一年，腾讯混元大模型发布了超过30个新模型 [9] - 2024年12月5日发布的混元2.0显著改进了预训练数据和强化学习策略，在复杂推理与文本生成场景表现国内领先 [9] - 混元3D模型保持全球领先水准，开源社区下载量超过300万 [9] - 腾讯元宝AI应用用户规模稳居国内前三，成为最受新中产欢迎的AI原生应用，上线初期保持每天一个版本的迭代频率 [10] - 腾讯将元宝的AI能力融入微信、QQ、音乐、会议等国民级产品中 [10] - 腾讯混元大模型已在内部超过900款应用和场景中落地，包括腾讯会议、微信、广告、游戏等 [10] - 公司内部超90%的工程师使用腾讯云代码助手CodeBuddy，50%新增代码由AI辅助生成，代码评审环节AI参与度达94% [10] 腾讯AI战略与行业地位 - 腾讯被认为拥有完备的AI要素：丰富场景、海量数据、生态资源，以及谋定后动的战略风格 [14] - 公司通过组织变阵、人才引进、产品（如元宝）和开源（如混元3D）等多方面举措，明显开启了AI进程上的提速 [12][13] - 引进姚顺雨这样的顶尖人才，被视为腾讯开启AI攻坚的证明 [11]

此次调整也是腾讯在今年紧锣密鼓的AI布局中，颇为重磅的一步。 36氪独家获悉，腾讯近期完成了一次组织调整，正式新成立AI Infra部、AI Data部、数据计算平台部。 12月17日下午发布的内部公告中，腾讯表示，Vinces Yao将出任"CEO/总裁办公室"首席 AI 科学家，向 腾讯总裁刘炽平汇报；他同时兼任AI Infra部、大语言模型部负责人，向技术工程事业群总裁卢山汇 报。 腾讯并未披露Vinces Yao的中文名或过往履历。不过，36氪了解到，Vinces Yao即为数月前入职腾讯的 姚顺雨，他毕业于清华和普林斯顿大学，曾任OpenAI研究员，是OpenAI首批智能体产品Operator与 Deep Research的核心贡献者。 此前，混元大模型团队虽是腾讯的公司级项目，拉通了各个BG的不同板块，就TEG内部而言，参与到 混元模型研发的就有大预语言模型部、AI Lab、机器学习平台等等部门。经过调整后，模型团队内部力 量会更加统一。 新成立的 AI Data 部、数据计算平台部，将分别负责大模型数据及评测体系建设、大数据和机器学习的 数据智能融合平台建设工作。 其中，王迪继续担任大语言模型部 ...

文章核心观点 - 在AI、具身智能等赛道高度拥挤、共识形成极快的市场环境下，早期投资的决胜点已从“赌赛道”转向对“人、周期及非共识”的深刻理解，即挖掘“认知红利” [1][2] - 投资机构正通过全链条布局、深度研究输出、个人IP打造等不同方式构建独特的“认知模型”和项目雷达，以在红海中识别机会 [1] - 保持投资“手感”、建立正向反馈循环以及在行业低谷期坚持布局，是捕捉下一个成功项目的关键 [1] 投资机构概况与策略 - **红杉中国种子基金**：成立于2018年，管理规模超过100亿人民币，7年来支持了400多家早期公司，其中约70%为第一轮投资，致力于成为创业者“最早的”投资人 [3] - **元禾原点**：成立12年，为元禾控股旗下早期投资平台，已投资300多个项目，主打硬科技、早期及医疗健康标签，依托国资背景与市场化结合 [4] - **峰瑞资本**：成立10年，为综合型早期基金，覆盖医疗、科技和消费，旨在赛道热起来之前进入，以对抗板块轮动周期 [5][6] - **心资本**：专注于科技与数字化领域的早期风险投资机构，团队曾投资小鹏汽车、满帮、速腾聚创等项目的早期轮次 [7] 当前重点投资方向 - **具身智能与AI硬件**：被视为重要方向，包括机器人、AI驱动的消费电子等 [8] - **AI应用与基础设施**：包括AI模型、应用、GPU、推理芯片等 [8][12] - **前沿与交叉学科**：包括AI for Science、量子科技、生物制造、核聚变、氢能、6G等“十五五”未来科技方向 [9] - **非共识与留白**：机构均保留一部分资金用于布局确定性不高、处于极早期的新兴技术和方向 [10][12] 构建认知差异的关键要素 - **投人重于投赛道**：早期投资的核心是识别优秀的创业者，例如红杉投资宇树科技主要基于对创始人王兴兴坚韧品质的认可，尽管当时行业共识不足 [14] - **长期跟踪与体系化布局**：通过长期（如5-10年）持续关注和投入，在赛道爆发前形成前瞻性认知，例如元禾原点自2011年投资江苏北人后，体系化布局了机器人及自动驾驶赛道 [16] - **穿越周期与低谷期布局**：在行业低谷期坚持投资，以便在技术拐点或市场回暖时抓住机会，例如红杉在去年市场不热时投资了外骨骼公司极壳和智能眼镜公司Even Realities [14][19] - **个性化认知模型**：投资决策如同大模型，每个人的背景、经历和过往案例（参数）不同，导致对同一创始人的评估和兴奋点截然不同 [21] 项目来源与机构影响力构建 - **红杉的全链条与孵化机制**：通过从想法阶段到IPO的全阶段布局，积极进行人才追踪和创业孵化，构建持续迭代的行业认知 [13][24] - **峰瑞资本的内容影响力**：通过创始人李丰（丰叔）的活跃输出、团队深度研究分享以及线上线下活动（如播客、美国路演）提升品牌能见度，间接促进优质项目触达 [25][26] - **心资本的思考开源**：通过运营“AI大航海”公众号（年更新5-6篇深度文章）开源关于AI的思考，旨在吸引志同道合的创业者，形成学习、投资、输出的正向循环 [26][27][28] - **元禾原点的资源融合**：作为人民币基金，学习美元基金开放打法，依托地方产业资源和国家方针引导，同时坚持市场化竞争，在硬科技领域与头部美元基金出现更多交汇与合作 [30][31] 未来投资展望关键词 - **AI全面聚焦**：机构普遍表示将大部分资金投向AI相关领域，峰瑞资本计划将70%资金投到AI上，近乎All in AI [33] - **AI基础底座**：元禾原点强调将更加注重在AI基础底座发力 [34] - **AI应用细分**：红杉中国表示将继续聚焦AI应用的各个细分领域 [34] - **投有积累的人**：心资本强调投资那些在特定领域有“10万小时积累”的创始人 [32]

2025年AI行业预测复盘与格局演变 - 文章核心观点：对2025年AI行业的20个关键预测进行了复盘，大部分关于行业格局和技术路径的判断得到验证，但对技术进步、基建成熟度和AI交易复杂性的预期存在过度乐观 2026年AI领域将在争议中继续发展，World Model、多模态、机器人等方向存在积极信号，但OpenAI高达1.4万亿美元的资本支出计划也意味着市场预期已被推至高位 [2] 模型与云服务格局 - 微软投资Anthropic，结束了模型与云服务的独家绑定关系 Anthropic的Claude模型在Azure上线，OpenAI则与AWS签署了价值380亿美元的多年合作协议，并与其他云服务商合作，实现了“所有模型在所有云上”的格局 [5][6][7] 主要科技公司的竞争态势 - Google凭借TPU算力、分发渠道（Android/Chrome）和DeepMind人才优势，在2025年第四季度通过Gemini 3模型成功扭转了“AI落后者”的形象，回归“AI王者”地位 [8][9] - 科技巨头（Mag 9）凭借对云、算力、分发渠道等关键资产的掌控，在AI大规模应用时代持续受益，从收取“流量税”转向收取“基建税” [57][58][59] 操作系统与智能体竞争 - 模型公司之间的竞争演变为“操作系统”之争，拥有OS被视为最高护城河 Anthropic发布了MCP和Claude Skills，OpenAI推出了App SDK，旨在定义Agent运行标准并掌控应用分发权 [10][11] - Agent被视为运行在LLM OS上的“App”，其发展重点从知识生成转向任务生成，交互形态探索包括AI浏览器、Artifacts、Canvas和语音等 [33][34] 智能体的发展与落地 - Coding Agent是2025年的重要落地场景，实现了从IDE内联补全到“给需求、生成甚至改造整个项目”的Agentic工作流转变 Claude Code的年经常性收入突破10亿美元，Cursor的ARR和估值增长了10倍以上 [13] - 衡量Agent能力的关键指标是处理长周期任务的成功率，其任务长度正以指数级增长，大约每7个月翻一倍，预计2029年能处理时长为1个工作月的任务 [17][18] - Context Engineering成为Agent落地的核心基础设施和决定性竞争因素，其重要性超越了提示工程和RAG，旨在解决冗长上下文带来的性能瓶颈 [22][23] 算力硬件市场动态 - OpenAI o1模型开启的复杂推理需求对硬件内存带宽和互连能力要求极高，导致大量高端推理需求回流至NVIDIA生态，推动其市值在2025年内突破5万亿美元 CSP自研芯片受限于软件生态和性能，难以承接最前沿的模型工作负载 [24][25] 模型训练技术演进 - 2025年最重要的技术范式转移是算力投入从预训练侧转向强化学习规模化，后训练阶段与预训练的算力消耗量级相当，成为核心训练阶段 OpenAI为此提出了“Mid-Training”的组织形式 [26][27][28] - 合成数据在2025年未能实现技术突破，过度依赖合成数据会导致模型坍塌和特征同质化 高质量的专家策划数据变得更为关键，成为RL学习中稀缺的奖励信号燃料 [29][30] 推理模型商业化与产品形态 - 强推理模型如o1系列验证了推理规律，但其商业化受限，因为强推理并非大众需求，在ChatGPT产品中使用率不到5% 后端通过Model Router机制将复杂查询自动分发给推理模型，加速了商业化渗透 [31][32] - Chatbot的竞争基本结束，成为基础的自然语言指令入口 AI产品形态竞争转向创造Agentic工作流和探索AI原生交互 [33][34] 多模态与持续学习 - 多模态智能在2025年取得显著进展，例如Google Nano Banana Pro展现出逻辑与物理推理能力，DeepMind的Genie 3定位为通用世界模型，可从文本生成可交互3D环境 [38][39] - 持续学习与在线学习在2025年未获解决，其技术实现难度被低估，仍面临灾难性遗忘、记忆存储结构等前沿科学难题，是开启AI新范式的关键命题 [35][36][37] AI商业化与市场应用 - OpenAI在电商广告领域动作激进，探索即时结账、购物研究等功能，但广告收入超过订阅的预测仅部分验证，低估了构建广告业务的现实难度和Google的护城河 [40][41][42] - 自动驾驶公司Waymo业务持续增长，截至2025年12月每周提供超过45万次付费行程，较一年前几乎翻番，但Google并未推动其IPO，反而追加了50亿美元投资 [43][44] 行业并购与整合 - 2025年AI领域并购活跃，“收购式招聘”成为明显趋势，例如Google通过技术许可协议“截胡”Windsurf团队 但预期中的中小GPU云整合并未发生，因AI需求暴增推动其业务上涨 [45][46][49][50] 能源与AI科研 - 数据中心功耗爆炸式增长使得稳定电力供应成为稀缺资产，核电成为可靠基荷电源，获得科技大厂采购协议 美股核电板块公司在2025年涨幅远超纳斯达克100指数，最高超出368个百分点 [51][52][53] - AI+科研快速发展，各学科涌现出专属基础模型，例如Google DeepMind的AlphaGenome、Arc Institute的Evo2、微软的MatterGen等，分布在DNA序列、蛋白质设计、材料生成等多个重要模态 [54][55][56] 资本市场表现 - 美股科技板块在2025年4月经历大幅回调，从2月高点下跌近18.9%，但随后在AI投资热潮推动下恢复增长，并在第三季度创下新高 AI应用企业采纳速度在加速，例如Salesforce的AgentForce产品在半年内ARR从1亿美元增长至5.4亿美元 [61][62][63]

（文章来源：第一财经） 中信证券研报表示，从OpenAI企业端AI的数据来看，2025年企业级AI处于场景探索阶段，用户数和流 量实现高增，能力平权和人员降本价值凸显，且行业整体渗透率仍有较大提升空间。展望2026年，我们 认为以强化学习技术发展为基础的Agent主线仍将持续演进，带动AI从降本到增收打开更多应用场景， 其中数据分析、代码生成、人力招聘、销售辅助、智能客服等场景需求较为清晰。建议持续关注AI在 财务、人力、销售、生产、供应链等管理软件核心模块上的商业进展。 ...