报告核心观点 - 生成式AI正遵循“科技突破—工程创新—产业变革”的规律演进，其价值实现高度依赖行业属性与场景特性的耦合效应 [1] - 下游ToB应用市场将成为价值高地和竞争焦点，并有望以更低成本向ToC市场渗透 [1] - 企业AI转型是深层价值塑造、思维创新、情感共生等全过程变革的新范式，需通过“赋能、融合、演进”三阶段推动 [4] 模型层发展格局 - 开源与闭源从技术路线差异转变为产业规则制定权之争 [1] - 国内科技创新主体对开源普遍持积极态度，为中国生成式AI产业走向自主可控和扩大国际影响力提供窗口期 [1] 应用层市场前景 - 随着基础设施层和模型层发展格局渐趋清晰，ToB应用市场需求有望爆发 [1] - 长期来看，随着ToB市场规模效应显现，生成式AI服务有望以更低成本向ToC市场渗透 [1] 金融行业应用现状 - 全球调研显示，金融服务、保险、资产管理等金融机构对AI投资回报的认可度高于跨行业平均水平 [2] - 国内生成式AI已在银行业进入试点应用阶段，预计1—2年内有望出现降本增效的财务成果 [2] - 保险和证券等机构的应用成熟度略低于银行业，但总体差距较小 [2] 制造业转型与AI应用 - 中国制造业需从“流程驱动”的线性增长模式迈向“流程和数据融合驱动”的精细化管理运营 [2] - 生成式AI正加速渗透至研发、生产、供应、销售、服务等制造业关键环节 [2] - 制造业场景相对碎片化，在知识壁垒高、流程规则严的场景中，小模型仍有存在必要性 [2] - 中短期内，生成式AI与传统AI在制造业中将互为补充、协同推进 [2] 企业投资意愿与挑战 - 在智能制造和新质生产力要求下，制造业企业正从“试点探索”走向“深度应用” [3] - 头部企业因数字化转型基础领先，对投资回报率判断清晰，持续投资意愿较高 [3] - 中小企业受限于成本、人才、技术压力，普遍存在不敢投、不能投的问题 [3] - 制造业企业关注实际场景需求，投资聚焦于具体运营指标提升和财务价值落地 [2] - 制造业数据结构复杂且隐性知识密集，企业前期训练部署生成式AI的资源成本极高，投入产出评价困难 [2] 生成式AI风险挑战 - 风险应对面临管控域、技术域、治理域、过程域、价值域五大领域的核心挑战 [3] - 五大挑战共同构成了生成式AI风险治理的立体化难题矩阵 [3]