峰会概况 - 峰会由中关村科金与甲子光年联合主办、华为云深度参与，主题为“超级连接·智见未来”EVOLVE 2025大模型与智能体产业创新峰会 [1] - 峰会汇聚了超过500位嘉宾，涵盖金融、工业、汽车、零售、交通等重点行业代表，以及知名院士、顶尖产业智库与海外AI权威专家 [1] 中关村科金核心观点与产品发布 - 公司总裁喻友平提出，智能体是“超级连接器”，通过连接企业内部要素（员工、知识数据、业务系统、生产流程）和外部要素（客户、渠道、监管、生态伙伴）来释放新质生产力 [3] - 智能体落地需通盘考虑场景、数据、模型的“三位一体”并循环迭代，才能实现可持续进化 [3] - 公司发布了面向企业全场景的“3+2+2”智能体产品矩阵，包括大模型平台、AI能力平台、AI数据平台三大基础平台，智能客户平台、智能工作应用平台两大通用场景应用平台，以及金融和工业两大行业智能体平台 [3] - 公司正式发布得助大模型平台5.0，作为高效构建企业级智能体的全能基座 [5] - 平台全面升级的智能体集市，集成了金融、工业、汽车、零售、交通、政务六大行业超过300个智能体，可供企业即取即用 [5] - 得助大模型平台5.0强化了开发运维全链路能力，升级了知识引擎、智能体开发、效果评测等十多项能力，有效保障企业场景落地成功率超过95% [5] 华为云与中关村科金的合作 - 华为云与中关村科金的合作秉持生态融合、优势互补的原则，双方整合技术优势与行业经验，打造了联合解决方案并组织了多场客户对接与业务拓展活动 [5] - 合作初期聚焦智能客服场景，随后依托中关村科金的得助大模型平台等技术能力，逐步拓展至更多行业场景 [6] - 华为云为生态合作伙伴提供能力共建、人才共育、商机共享、合作共赢等全流程一体化服务 [5] - 华为云将持续深耕算力与AI两大核心领域，与中关村科金等伙伴共同推动人工智能的场景化应用落地 [12] 联合解决方案技术细节 - 华为云与中关村科金的联合解决方案基于华为昇腾云平台构建，旨在打造AI+全场景，高效开发AI应用、快速验证 [10] - 华为昇腾云支持使用各类主流大模型，其中DeepSeek模型深度适配后，并行调优提升62% [10] - 该解决方案采用异构NPU使调度利用效率提升20%，通过自主创新适配使用昇腾NPU建设，效率提升20% [10]

12月9日，由中关村科金主办的"超级连接・智见未来"EVOLVE 2025大模型与智能体产业创新峰会在北京圆满落幕。本次峰会聚焦 大模型与智能体的技术融合与产业实践，汇聚华为云、阿里云、百度智能云、火山引擎、亚马逊云科技、超聚变、软通动力等众多 产业领军企业，共同启动"超级连接"全球生态伙伴计划，凝聚行业力量，推动人工智能技术深入千行万业。 中国电信作为深耕产业数字化的服务商，深入汽车领域，以技术为纽带、以场景为核心，为产业全场景增效提供了实战方案。中国 电信广州汽车BU总经理魏志兴受邀出席，发表了题为《汽车行业智能体助力产业全场景增效》的主题演讲，结合行业数据与实践 案例，深度阐述了智能体在汽车产业的应用价值与发展前景。 中国已成为全球汽车产业核心力量，2024年汽车产量达3128万辆，占全球总产量的三分之一，超过美国、日本、德国等五个国家的 产量总和；智能网联汽车渗透率持续攀升，从2022年的60%跃升至2025年的85%，预计2028年将达到100%；乘用车智能渗透率也从 2022年的34.9%增长至2025年的62.8%，2028年有望突破90%。 数据背后是产业的深度变革： 一是交通工具升级为"出行 ...

证券研究报告·策略报告·策略周评 （2）算力硬件领域，国内厂商聚焦全栈体系突破。算力硬件领域本周以国 内厂商的技术突破为核心，竞争焦点从单一算力供给升级为"芯片-服务器 -平台"的全栈体系构建。国内端，联想 12 月 10 日正式推出"AI 工厂" 解决方案，同步发布万全异构智算平台 4.0 与问天 WA8080aG5 算力服务 器——前者通过异构算力调度技术实现大模型预训练时间缩短 35%，后者 支持单 GPU 超 1000 瓦功耗，为未来更高性能模型训练预留升级空间，成 功破解国内算力异构化整合难题。同日，华为云发布"盘古算力调度系统"， 可实现跨区域算力资源的智能分配，使算力利用率提升至 85%以上。这些 布局不仅直接拉动通信设备、高规格数据中心的需求，更推动算力基础设 施从"资源型"向"生产型"转型。 （3）应用端多场景突破，AI 升级为产业核心引擎。应用端本周呈现多场 景突破态势，AI 技术从工具属性向产业核心引擎升级。内容创作领域，快 手可灵在 12 月 9 日-12 日期间保持日更节奏，先后上线数字人 2.0、图片 O1 与视频 O1 模型，通过标准化 API 接口构建起从脚本生成到视频输出的 ...

行业竞争态势 - 谷歌与OpenAI在同一天发布重磅AI更新，行业竞争进入前所未有的焦灼阶段，围绕智能体未来、基础大模型能力边界及应用生态主导权展开激烈对抗[2][3] - 两家公司的竞争节奏高度同步，其基础模型能力差距已进入毫厘级别，主要体现在特定任务场景而非全局优势[3][23] - 行业竞争焦点正从模型大战转向智能体平台与框架标准之争，谁掌握了智能体框架标准，谁就掌握了新一代计算范式的主导权[21][26] 谷歌Deep Research Agent核心能力 - 谷歌推出全新“重新构想”的Gemini Deep Research版本，并首次开放嵌入式研究智能体API[2] - 该智能体能整合海量信息，处理大量上下文数据，执行从尽职调查到药物毒性安全研究等广泛任务[5] - 谷歌计划将其集成到谷歌搜索、谷歌财经、Gemini应用及NotebookLM等服务中，标志着向由AI代理替代人类搜索的未来迈进[5] 技术架构与性能突破 - 新版Deep Research Agent基于Gemini 3 Pro核心模型构建，采用多步强化学习训练策略，旨在保持长达数十步、数百步复杂研究任务中的推理路径稳定，减少幻觉概率并确保决策一致性[6][7] - 具备超大规模上下文处理能力，能为每一条观点和结论自动附上可追溯至原文关键片段的结构化引用来源，使输出成为“提供带证据链的研究结果”[7] - 在关键基准测试中取得领先成绩：在“人类最后的考试”（HLE）数据集上得分为46.4%，显著优于GPT-5 Pro的38.9%；在DeepSearchQA上得分为66.1%，略胜GPT-5 Pro的65.2%；在BrowseComp上得分为59.2%，与GPT-5 Pro不分伯仲[13][15] 生态系统与开发者工具 - 谷歌此次发布是围绕“研究型智能体生态”的系统性发布，除更新Deep Research Agent外，还开源了用于测试智能体在复杂多步骤信息检索任务中表现的新基准DeepSearchQA[8] - DeepSearchQA包含17个领域共900道精心设计的“因果链”任务，旨在评估研究的精确度和检索召回率[9] - 推出了具有战略意义的Interactions API，允许开发者以结构化方式控制智能体的行为状态、推理步骤、长链任务执行及中间状态存储，实现了从“向模型发问”到“调教智能体如何执行任务”的转变[15] 市场与社区反应 - 技术社区对谷歌“真正把Agent做成工程化产品”表示肯定，特别关注其“可验证引用”和“端到端多步推理稳定性”的进步[18][19] - 有观点认为，如果Deep Research能实现逐步链路可审计，将是首次有大厂真正把Agent从玩具推向生产环境[19] - 同时存在谨慎声音，认为需要第三方在真实网页和任务中的测试，而非仅依赖公司自家的基准证明[19] - 网友将谷歌Deep Research Agent与同日发布的OpenAI GPT-5.2（Garlic）对比，根据OpenAI研究员在领英的发文，GPT-5.2在HLE中得分为45%，略低于谷歌新Agent的46.4%[20]

谷歌发布全新Deep Research Agent - 谷歌发布了全新“重新构想”的Gemini Deep Research版本，并首次开放了嵌入式研究智能体API [1] - 该工具是一款智能Agent，能够整合海量信息并处理大量上下文数据，任务范围从尽职调查到药物毒性安全研究均有涉及 [4] - 谷歌计划将该Agent集成到其各项服务中，包括谷歌搜索、谷歌财经、Gemini应用以及NotebookLM [4] 新版Deep Research Agent的核心能力升级 - 模型完全基于Gemini 3 Pro构建，该模型被视为谷歌迄今最“真实”、最可靠、最适合长链推理的旗舰模型 [5] - 采用多步强化学习训练策略，目标是在长达数十步、数百步的复杂研究任务中保持推理路径稳定，减少幻觉概率，并确保决策一致性 [5] - 具备超大规模上下文处理能力，可一次性处理大量资料，并为每一条观点、每一个结论自动附上可追溯的结构化引用来源 [6] - 可以承担以往LLM无法胜任的任务，如跨天级研究、政策评估、多源数据整合和全流程尽职调查 [6] 谷歌推出新基准与API - 谷歌创建并开源了名为DeepSearchQA的全新网络研究智能体基准，旨在测试智能体在复杂的多步骤信息检索任务中的表现 [7] - DeepSearchQA包含17个领域共900道精心设计的“因果链”任务，衡量研究的精确度和检索召回率 [8] - 推出了具有战略意义的Interactions API，让开发者首次能够以结构化方式控制智能体的行为状态、推理步骤、长链任务执行和中间状态存储 [13] 基准测试表现 - 在“人类最后的考试”测试中取得46.4%的成绩，显著优于GPT-5 Pro的38.9% [10] - 在DeepSearchQA测试中取得66.1%的成绩，略胜GPT-5 Pro的65.2% [10] - 在BrowseComp测试中取得59.2%的成绩，与GPT-5 Pro不分伯仲 [10] - 有信息指出，GPT-5.2在HLE中的得分为45%，略低于谷歌新Agent的46.4% [18] 技术社区反应 - 技术社区对谷歌此次“真正把Agent做成工程化产品”表示肯定 [15] - 有观点认为，谷歌在产品层面强调“可验证引用”和“端到端多步推理稳定性”是AI Agent领域的一次明显进步 [16] - 也有观点保持谨慎，认为需要第三方在真实网页和真实任务中的测试，而非仅依赖谷歌自家的基准证明 [16] - 由于发布时间与OpenAI GPT-5.2同一天，网友对两者进行了比较，有观点认为用途不同，但GPT-5.2更好 [16] 谷歌与OpenAI的竞争态势 - 两家公司围绕智能体未来、基础大模型能力边界以及应用生态主导权的竞争，正进入一个前所未有的焦灼阶段 [2] - 基础模型能力的竞争已进入“毫厘级别”，差距常常只体现在特定任务场景，而不再是全局性优势 [20] - 谷歌通过全面重构Deep Research Agent并推出Interactions API，正式加入智能体战争，旨在提供可执行完整研究任务的专业智能体 [21] - OpenAI的智能体体系更侧重通用性和自由度，其Agent API、OpenAI Swarm、BrowserAgent、CodeAgent已形成一个完整的智能体开发框架 [22] - 两者竞争的核心在于，未来谁掌握了智能体框架标准，谁就掌握了新一代计算范式的主导权 [22]

全球AI应用现状与规模化挑战 - 几乎所有受访企业已将AI纳入业务实践，近九成（88%）受访者表示其组织已在至少一个职能中常态化应用AI，较去年的78%有所上升 [2][3] - 然而，大多数机构仍停留在从试点走向规模化的早期阶段，仅约三分之一（约33%）的受访者表示企业正在全公司范围推进AI的规模化应用 [2][3][13] - 企业规模越大，AI部署成熟度越高：在营收超过50亿美元的企业中，近半数（近50%）已进入规模化阶段，而营收不足1亿美元的企业中，这一比例仅为29% [13] 中国大陆AI应用表现 - 中国大陆的AI应用普及率与全球平均水平基本持平，生成式AI已广泛渗透，有83%的企业在至少一个职能中常态化使用生成式AI，领先全球平均水平 [6] - 中国大陆地区有45%的受访企业实现AI的规模化或全面部署，高于全球38%的平均值，展现出在应用深度上的相对领先优势 [6] 智能体应用现状 - 智能体应用开始崭露头角，23%的受访者表示其企业已在至少一个职能中启动智能体的规模化应用，另有39%正处于试验阶段 [7][10] - 但智能体普及度仍有限，在任一具体职能中报告“正在扩大智能体应用”的受访者比例均未超过10% [7] - 在职能层面，IT与知识管理的智能体采用率最高；从行业视角看，科技、媒体与电信及医疗行业的智能体采用率领先 [9] AI应用的职能与行业分布 - AI在组织内部的渗透面持续拓宽，超过三分之二的受访者称其组织至少在两个职能采用AI，半数表示应用已覆盖三个以上职能 [11] - 除科技行业（应用率已超90%）外，其他所有行业中“至少在一个业务板块常态化使用AI”的比例均较上一轮调研明显上升，媒体与电信、保险行业的应用率已与科技行业并驾齐驱 [13] - IT、营销与销售始终是AI应用最集中的职能，知识管理在今年首次跻身这一行列 [13] - 从具体场景看，AI最常被用于信息获取、处理与分发；营销策略内容支持；以及联络中心或客服工作的自动化 [13] AI对财务与业务的影响 - AI对整体息税折旧摊销前利润（EBIT）的拉动有限，仅39%的受访者认为AI对EBIT产生了影响，其中多数表示贡献率不足5% [16] - 但在具体用例中已看到清晰的成本效益，尤其在软件工程、生产制造和IT等领域 [19] - 在营销与销售、战略与公司财务、产品与服务开发等职能中，AI推动的营收增长尤为突出 [22] - 超过一半（超过50%）的受访者表示AI明显增强了组织的创新能力，近半数（近50%）观察到客户满意度与竞争差异化有所提升 [16] AI高绩效企业的特征 - 将EBIT因AI提升超过5%并已利用AI创造“显著”价值的企业定义为“AI高绩效企业”，这一群体约占样本总量的6% [25] - 高绩效企业普遍拥有借助AI重塑业务的更宏大目标，其计划通过AI实现颠覆性变革的比例是其他企业的三倍以上 [25] - 它们不满足于降本，更倾向于同时将增长和/或创新纳入AI战略目标 [25] - 高绩效企业对具体工作流程进行根本性重构的比例达到其他机构的三倍，这是推动取得实质业务成效的关键因素之一 [26] - 高绩效企业在各职能中的应用广度显著领先，在营销与销售、战略与公司财务、产品与服务开发等核心职能中应用AI的比例远高于其他组织 [26] - 在多数职能中，高绩效企业规模化部署智能体的比例达到其他组织的三倍以上 [27] - 高绩效企业的AI应用更常获得高层的强力背书，高管不仅是推动者，更是率先践行者 [27] - 高绩效企业更擅长系统化方法，例如更常建立清晰流程以明确对模型输出进行人工核验的时机与方式 [30] - 高绩效企业在AI技术上的投入显著更大，超过三分之一（超过33%）的高绩效企业受访者表示组织已将20%以上的数字化预算投向AI [31] - 约四分之三（约75%）的高绩效企业已经或正在规模化部署AI，而其他企业的这一比例仅为三分之一（约33%） [31] AI对员工规模的影响与预期 - 回望过去一年，在已落地AI的各项职能中，多数受访者认为员工数量大体保持稳定，在多数职能里，不到20%的受访者观察到AI造成超过3%的人员缩减 [34] - 展望未来一年，预期出现分化：表示过去一年因AI导致人员缩减的受访者中位数比例为17%，而预计未来一年会出现缩减的这一比例升至30% [34] - 从企业整体编制看，32%的受访者预计未来一年员工规模将减少3%及以上，另有13%预计会增加3%及以上，多数受访者认为将大体保持稳定 [37] - 大型企业的受访者更倾向于认为AI将带来整体性的人力缩减，而AI高绩效企业的受访者则更有可能预期出现显著变化（无论是减少还是扩张） [37] - 多数受访者提到企业在过去一年招聘了AI相关岗位人才，大型企业中这一比例更高，软件工程师与数据工程师仍是最受追捧的角色 [37] AI风险管理现状 - 企业在AI风险管理方面的投入有所提升，受访者平均报告企业治理的AI风险类型从2022年的2类升至如今的4类 [41] - 在已应用AI的组织中，51%的受访者表示至少遭遇过一次AI相关负面事件，近三分之一（近33%）提到AI结果不准确带来的实际影响 [41] - 结果不准确是当前企业最常着手缓解的风险，然而位列第二的“可解释性”问题未获得与其重要性相匹配的关注 [41] - AI高绩效企业部署的AI用例数量是其他企业的两倍，报告的负面事件比例也更高，尤其集中在知识产权侵权与监管合规方面，同时它们也在更系统地治理更广泛的风险类型 [44]

文章核心观点 - AI时代的核心在于连接更强，智能体作为超级连接器，将人、数据、知识与智能编织进企业全流程，形成新的数字人力体系 [1][2][9][10] - 企业智能化是一个由场景选择、数据与知识治理、模型构建三要素持续迭代驱动的长期工程，而非一次性项目 [3][14][16][17] - 企业级智能体规模化落地的关键在于重构底座平台能力，即大模型平台、AI能力平台和AI数据平台三大核心 [5][6][17][19][20] - 在三大平台之上构建“智能体集市”，实现数百甚至上千个数字员工的协同工作，成为企业组织的新单元 [7][28] - 企业级智能体应用与ToC场景的核心差异在于对规模化、成本效率和精度的极致要求 [17][32][49] 行业趋势与本质判断 - 从互联网到AI时代是连接的进化，智能体实现了人与数据、知识、智能的更高效连接 [1][9][10][11] - 智能体为企业新增了一类“数字人力”，能连接内部资源，提升员工协同效率，并在外部助力客户连接，创造营销、客服、销售等价值 [12] - 企业智能化是一个持续变化、不断演进的过程，不同于过去固定不变的信息化、数字化项目 [16] 企业智能体落地的关键框架 - **三大核心平台**：企业用好智能体的关键在于三个平台 [17] - **大模型平台**：作为认知中枢，连接算力，兼容各类开源模型，覆盖从数据标注到上线运营的全流程，并提供智能体构建工具与模板 [6][17][19] - **AI能力平台**：作为感知系统，提供OCR、ASR、TTS等能力，需针对企业严肃场景进行极致调优，例如关键信息的ASR识别准确率需达到99%以上 [6][17][20][21][23] - **AI数据平台**：作为企业的记忆与经验沉淀系统，将感知、认知、记忆统一是实现有效落地的关键 [6][17][25][26] - **持续迭代的三要素**：企业智能体落地需在场景选择与评估、企业内部数据与知识整理、模型训练与构建三个环节循环迭代 [14][17] - **智能体集市与人机协作**：在三大平台之上构建“智能体集市”，支持数百至上千个智能体在一个人机协作平台上协同工作，形成赋能、协同、自主完成与监督等多样化人机关系 [7][28] 典型应用场景与案例 - **营销服场景**：是目前最典型、落地效果最好的场景，核心基础是全媒体、全渠道的联络中心 [35] - 应用包括线索抓取、识别与打标、外呼、客服、陪练、质检等多个销售智能环节，智能体可高效捕获线上潜在客户线索并开展互动 [35] - 没有智能体，企业很难与数亿用户进行充分沟通互动并取得良好效果 [36] - **办公与运营提效场景**：做好问答、写作、审核、问数四件事可覆盖80%-90%的价值，底层支撑是完整的智能知识库 [37] - 企业对容错率、准确性、专业性要求极高，简单搭建的系统行不通 [38] - 案例：协助中国电建财务公司梳理了数百个专业指标，精准解决办公运营需求 [38] - **垂直行业应用**： - **金融领域**：已服务超200家银行、500余家各类金融机构，在风控、消保、信贷等场景积累了大量智能体解决方案 [41] - **工业领域**：大语言模型及未来的多模态模型将推动工业智能化从局部向全局演进 [45] - 案例：与中控技术、中南大学等单位合作，为南方有色金属打造了有色金属行业垂直大模型，构建了行业与企业知识库，并应用于能耗节约、设备预测性维护、冶炼工艺优化等核心场景 [45][46] 公司定位与市场布局 - 公司定位为全球领先的企业级大模型技术与应用服务商，专注于将大模型与智能体技术应用于企业场景，助力企业实现增收、降本、提效、合规等目标 [10][47] - 公司服务了2000+各行业头部企业，沉淀了大量经过场景验证的“样板间”和智能体资产 [33] - 除了国内市场，公司正积极拓展海外市场，在中国香港、新加坡、马来西亚、泰国、印尼等地区和国家布局，服务海外直客并助力中企出海 [47][48]

北美电力缺口与数据中心供电 - 北美地区面临严重的电力缺口，预计达88吉瓦，且存在紧迫的倒计时[1] - 为应对电力短缺，科技巨头将数据中心备用电源作为“保电”首选方案，导致该领域需求激增26吉瓦[1] - 中国相关零部件与整机龙头企业已成功卡位全球供应链，有望受益于此轮需求增长[1] AI服务与公司发展 - 某公司在AI中台和智能体领域完成布局并实现落地[1] - 公司单季度AI相关业务收入已突破1亿元[1] - 公司AI业务增长前景明确，预计到2026年相关收入有望达到5至6亿元[1] - 公司正筹划H股上市以加速全球化进程[1] - 机构预计公司未来三年净利润复合年增长率将超过25%[1]

公司业务澄清 - 青云科技在投资者互动平台明确表示，截至目前，公司未单独研发、销售智能体相关产品 [1]

新一轮人工智能范式演进 - 新一轮人工智能是信息智能、物理智能和生物智能的融合，本质上是原子、分子和比特的融合[1][6] - 在规模定律持续作用下，当参数规模、数据体量与算力资源跨过阈值，智能开始“涌现”，从鉴别式AI走向生成式AI，再走向以智能体为代表的新范式[1][8] - 以ChatGPT和DeepSeek为里程碑，前者通过统一表征与token化整合多模态数据，后者以高效率、高性能、低价格和开源路径，将大模型从“预训练时代”推向以推理为核心的“DeepSeek时刻”[1][8][10] 人工智能发展的关键趋势 - 生成式AI正快速演化为智能体，过去七个月，Agent的任务长度增长了两倍，准确度大于50%[11][13] - 规模定律在预训练阶段已放缓，更多智能转向后训练、推理和智能体阶段，推理单位成本在过去一年下降10倍，而智能体算力要求一年增长10倍[13] - 人工智能正从信息智能走向物理智能和生物智能，大语言模型走向视觉语言动作模型[13] - 无人驾驶在2024年已到达“ChatGPT时刻”，预计2030年达到“DeepSeek时刻”，即10%左右的新车拥有L4级无人驾驶能力[13] - 机器人是未来最大赛道之一，预计未来10年左右机器人数量将超过人口数量[13] - 智能体出现后，AI风险至少翻倍[13] 未来产业格局与机遇 - 基础大模型将像操作系统一样在全球范围内收敛，预计最终玩家不超过10个，中美两国引领，各有不同路径[2][14] - 产业格局将重构为“基础模型+垂直/边缘模型+智能体网络”，开源生态预计将占主导，可能占比80%，闭源占20%[3][14] - 智能体将取代今天的大部分SaaS和App，成为企业和个人与世界交互的默认形态[2][19] - 基础大模型是人工智能时代的操作系统，将彻底重写、重构和重塑产业形态，其带动的产业规模将比PC时代、移动时代大一到三个数量级[21][22] - 从互联网发展角度看，行业正从PC互联、移动互联、物联网走向智能体互联网，这是未来5到10年最大的发展方向[22] 智能体互联网与AGI路径 - 智能体互联网是通往通用人工智能的必经之路，预计需要15到20年完成从信息智能到物理智能，再到生物智能的跨越[3][24] - 实现AGI需要新的算法体系，如新的记忆体系和世界模型，未来五年内，现有的自回归架构、Transformer、Diffusion可能被颠覆[24] - 智能体不仅在形成网络，也在形成新的经济形态，未来企业架构将包含GPU、大模型、数据以及由人和智能体构成的人力资源[17] - 以清华的医疗智能体为例，多智能体网络能在两天内完成一个三甲医院两到三年的病例学习，且准确度更高，未来每个医生都可能拥有一个智能体助理[19][21]