中国AI产业布局分析二十八

第六章 典型AI研究机构比较与模式分析

第二节 中国AI研究机构代表

中国也涌现出一批各具特色的AI研究力量，智谱AI、百度研究院、华为诺亚方舟实验室、上海人工智能实验室四家机构，分别代表了“独立大模型厂商”“互联网巨头研究院”“ICT企业基础研究实验室”“新型研发机构”四种典型模式，共同构成了中国AI研究版图的多极格局。

一、智谱AI

智谱AI是中国“独立大模型厂商”模式的最典型代表。从清华大学计算机系知识工程实验室的技术原型起步，到2026年1月以“全球大模型第一股”的光环登陆港交所，再到市值突破4000亿港元，智谱用六年时间走完了中国大模型企业的资本化破冰之路。

（一）定位

智谱的定位在2026年发生变化。上市之前，它是一家以GLM系列大模型为核心、以MaaS服务和企业解决方案为营收来源的独立模型厂商。上市之后，智谱逐步转型为一家“以基础模型研发为核心、以生态投资与技术服务为双翼”的AI平台型企业。

这一转型源于对行业趋势的精准判断。其认为“真正决定下一阶段格局的，是模型架构与学习范式”，而应用侧可能会出现“AI替代不同工种/任务的爆发年”。基于这一判断，智谱在2026年确立了“聚焦模型、生态投资、探索前沿”的三位一体战略。

（二）组织架构

智谱的组织架构在2026年经历重组。2026年4月，智谱相继成立“北京智远成章科技有限公司”“杭州智赋千行科技有限公司”两家子公司，由原华北、华南事业部负责人担任自然人股东，智谱体系控股80%。这一调整标志着智谱从“事业部垂直管理”向“分层运营”的深度转型。

在业务分工上，母公司智谱聚焦基础模型研发与平台能力建设，包括GLM系列大模型的迭代升级、MaaS服务生态构建及企业级AI解决方案开发；两家子公司则承接所有本地化部署项目、私有化定制开发及客户现场交付服务，形成“上层模型平台+下层区域服务”的垂直架构。更深远的变化在于，这些子公司未来可能转型为独立AI咨询服务商，甚至不局限于服务智谱的客户，企业即便采用其他模型厂商的API，仍可委托智谱子公司完成方案落地。

在组织内部，智谱设立了全新前沿研究部门X-Lab。X-Lab聚焦三大方向：探索超越Transformer的新一代模型架构与认知范式；孵化软硬件一体化的创新项目；前瞻性布局在线学习与持续学习等下一代学习机制。X-Lab不设短期商业化目标，允许高风险、长周期的基础探索，唐杰将X-Lab的使命定义为“做完全颠覆式的创新，最终回归到AGI的主线”。

（三）研究路径

智谱的研究路径经历从“全线布局”到“聚焦突破”的战略收敛。2025年4月发布“稳住阵脚”的模型，年中发布“上牌桌”的模型，年底发布Top 1的模型。最终Coding被确立为突破口。

在技术纵深上，智谱正在探索代际跨越。GLM-5已在2026年2月发布，成为上市后首次重大模型迭代。由于当前主流的Transformer架构在处理超长上下文时计算开销巨大，且缺乏有效的记忆更新机制，因此智谱将探索超越Transformer的新一代模型架构，并推动芯片与算法的协同设计。

在能力边界上，智谱将重点研发更通用的强化学习框架，使AI能够理解并执行跨越数小时乃至数天的长时程任务，突破现有指令跟随模式的局限。

（四）商业化策略

智谱的商业化转型经历了两个阶段。第一是收入结构转型。招股书数据显示，2025年上半年本地化部署在总收入中占比84.8%，云端部署仅占15.2%；到2025年全年，云端部署收入占比已提升至26.3%。MaaS（模型即服务）的营收比例不断提升，部分B端项目已开始试点订阅制收费，逐步摆脱“做一单一单”的项目制束缚。

第二是定价策略转型。2026年初，智谱在全行业价格战中做出逆势涨价的选择，GLM 5 Turbo API价格上调20%，Coding Plan服务也完成首轮涨价。截至2026年3月，API调用定价较去年底提升83%后仍供不应求。从“价格战、低价换量”转向“性能溢价”，智谱在定价权上展现出更强的自信。

在资本市场层面，智谱2025年全年营收约7.2亿元，同比增长132%；API业务年度经常性收入实现17亿元，过去一年提升60倍。尽管2025年全年净亏损高达47.18亿元，但研发投入占亏损的绝大部分，2025年研发投入高达31亿元，占全年亏损额的66%，2024年研发开支21.95亿元，90%的亏损转化为模型架构、算力优化等研发资产。截至2026年4月，智谱市值突破4000亿港元，股价突破1000港元，上市仅三个月即宣布以3.6亿元收购中关村钻石大厦用于总部扩张，展现出资本市场对“独立模型厂商”模式的强信心。

（五）优势与挑战

智谱的核心优势在于作为“全球大模型第一股”的先发资本优势，为其长期研发提供了充裕资金弹药；GLM系列模型在国际基准测试中已跻身第一梯队，技术上不输国际竞品；“分层运营”的组织模式既保证了母公司聚焦模型研发的纯粹性，又为B端服务探索了新的商业路径。

然而，智谱也面临严峻挑战。2025年全年营收仅7.2亿元，远不足以支撑47亿元的亏损，盈利拐点何时到来是资本市场最关心的问题。子公司独立运营后可能削弱品牌协同效应，内部资源协调面临挑战。在C端应用层面，智谱尚未打造出像千问或豆包那样亿级月活的超级应用，消费端影响力有待提升。

二、百度研究院

百度研究院是中国AI研究力量中“企业实验室”模式的典型代表。从2013年成立深度学习研究院算起，百度在AI基础研究领域已深耕超过十四年。百度研究院并非单一实体，而是涵盖百度深度学习研究院、百度研究院（基础科学）、自动驾驶研究、昆仑芯研究等多个研究单元的整合性研究体系，其核心使命是为百度“芯-云-模-体”全栈战略提供底层技术支撑。

（一）定位

百度在AI领域的战略布局呈现“全栈”特征。建立了“芯-云-模-体”全栈协同体系：昆仑芯提供自研AI芯片算力，百度智能云承载算力与平台服务，文心大模型提供核心模型能力，智能体矩阵（搜索重构、数字人、无代码开发等）实现应用落地。百度研究院的角色，是这一全栈体系的技术源头，为文心大模型的迭代提供算法创新，为昆仑芯的升级提供架构探索，为自动驾驶等应用提供前沿技术储备。

百度创始人李彦宏将这种“重打地基”的策略总结为：“当这件事的成败几乎完全取决于它技术的先进性的时候，我们的成功概率就会大不少，尤其是这个技术需要很多很多年的投入和迭代，那我们成功的概率就会更大一些”。这种“长期主义”的投入哲学，使百度研究院在技术积累的厚度上独具优势。

（二）研究路径

百度研究院的研究成果最集中地体现在文心大模型的代际演进上。2026年1月，百度正式发布文心大模型5.0正式版，以2.4万亿参数规模与统一原生全模态建模技术，实现了从“模态拼接”到“原生融合”的关键跨越。不同于业界多数多模态模型通过“后期融合”方式整合单模态模块，文心5.0从底层架构上采用统一的自回归架构进行原生全模态建模，将文本、图像、视频、音频等多源数据在同一模型框架中进行联合训练，避免了多模态“转译”中的信息损耗。

在性能层面，文心5.0在40余项权威基准的综合评测中，超越谷歌Gemini-2.5-Pro、OpenAI GPT-5-High等国际主流模型，用数据证明了中国大模型的硬实力。在应用层面，上海辞书出版社将文心大模型引入“智慧修订”场景后，审校效率提升3倍，准确率飙升80%，成为文心大模型赋能行业智能化的生动注脚。

（三）组织架构与商业化

百度研究院与百度智能云、千帆平台形成了紧密的“研-发-用”闭环。千帆平台是百度将文心大模型能力产品化、生态化的关键枢纽——截至2026年初，千帆平台已累计助力企业搭建超130万个智能体，聚合150余个精选SOTA模型，涵盖文心5.0等自研王牌以及Kimi K2.5、GLM 4.7等第三方优质模型。这种“自研核心+生态互补”的模式，使千帆平台成为国内企业级大模型落地的枢纽。

百度智能云作为千帆平台的算力底座，2026年初点亮了国内首个全自研昆仑芯三万卡集群，为大模型训练提供了自主可控的算力支撑。百度研究院通过持续输出文心大模型的核心算法能力，驱动着这一企业级AI生态的底层进化。

（四）优势与挑战

百度研究院的核心优势在于其“全栈协同”的生态壁垒，从昆仑芯到文心大模型，从智能云到千帆平台，百度构建了从芯片到应用的完整闭环，这在技术适配和成本控制上具有难以复制的优势。在商业化层面，千帆平台已在企业级市场建立起先发优势和稳固的生态壁垒。

然而，百度在消费端面临严峻挑战。文心助手虽以2亿月活跻身第一梯队，但始终难以追上字节豆包日活破亿的迅猛势头。更关键的是，文心助手在C端场景的功能创新上未能打造出如阿里千问“AI帮办”那样的现象级功能，用户粘性更多依赖百度搜索的天然流量兜底，主动使用的心智尚未完全建立。在大模型C端竞争日益白热化的当下，百度研究院如何通过技术突破帮助文心大模型在消费端突围，仍是一个待解命题。

三、华为诺亚方舟实验室

华为诺亚方舟实验室成立于2012年，隶属于华为总研究组织“2012实验室”，是华为从事人工智能基础研究的核心机构，研究领域覆盖计算机视觉、自然语言处理、搜索与推荐、决策与推理、人机交互、AI基础理论等。如果说百度研究院代表了互联网巨头的AI研究模式，那么诺亚方舟实验室则代表了ICT巨头的AI基础研究范式。

（一）定位

诺亚方舟实验室的核心定位，是为华为“以昇腾为核心的AI开放生态”提供基础研究支撑。它不直接面向消费市场提供产品，而是通过基础算法创新和前沿技术探索，为昇腾AI芯片、盘古大模型、华为云、鸿蒙生态等业务部门提供技术储备和突破性方案。

2025年3月，诺亚方舟实验室迎来重大人事调整，90后科学家王云鹤接任实验室主任，原主任姚骏内部转岗。王云鹤2018年博士毕业于北京大学智能科学系，主要研究方向包括深度学习、模型压缩、机器学习、计算机视觉等，已发表CCF A类学术论文70余篇，并曾担任NeurIPS和ICML的领域主席。王云鹤曾在华为第四届“十大发明”评选中凭借“大幅提升算力的高效能乘法器和加法神经网络”获奖，其衍生应用协助中科院国家天文台专家从中国天眼FAST观测工作中找到了数百个新的快速射电暴样本。90后新掌门的上任，既是华为AI战略深化的重要信号，也引发了业内对诺亚方舟实验室未来研究方向的广泛关注。

（二）研究路径

诺亚方舟实验室的研究版图涵盖多个前沿方向。在具身智能领域，2025年9月，诺亚方舟实验室提出了OmniEVA，一个兼顾“会想”和“能做”的具身通用智能体。OmniEVA通过“任务自适应的三维Grounding”机制，在需要空间推理时动态注入三维位置先验，在仅依赖视觉语义时保持轻量；同时引入“具身感知推理”框架，将任务目标和机器人自身的物理条件纳入同一推理回路，输出既符合任务要求又能在真实环境落地的计划。这一工作的独特价值在于，它直面了当前具身智能领域“几何适配性缺口”和“具身约束缺口”两大核心瓶颈，前者让模型难以兼顾二维视觉语义和三维空间理解，后者则使推理结果脱离机器人物理执行能力。

在模型架构创新方面，诺亚方舟实验室与北京大学等机构在2023年底提出了“盘古π”网络架构，尝试构建更高效的大模型架构以解决Transformer架构中非线性能力不足的问题，显著降低特征塌陷，王云鹤为该论文的第一作者。诺亚方舟实验室还联合香港大学开发了扩散推理模型Dream 7B，在开源扩散语言模型领域取得了新突破。

诺亚方舟实验室的更大战略价值，在于其与昇腾算力生态的深度耦合。在昇腾国产算力平台之上，诺亚方舟实验室与华为云研发力量携手，基于6000多块昇腾NPU组成的国产算力集群，成功完成了7180亿参数MoE模型的长期稳定训练，为突破英伟达CUDA生态、走通国产化自主可行的AI大模型训练之路提供了关键探索。

（三）商业化路径

与百度研究院“以千帆平台为商业化枢纽”的模式不同，诺亚方舟实验室的商业化路径更为间接。华为董事长梁华在2026年2月明确提出了华为AI生态的战略方向：持续加大研发投入，通过一体机、集群、超节点等产品满足算力需求，构建以昇腾为核心的AI开放生态；加强鸿蒙生态建设；投入基础大模型及终端、驾驶等智能体；聚焦重点行业打造智能体使能平台，赋能行业智能化。在这一战略中，诺亚方舟实验室的角色是为昇腾生态和盘古大模型提供基础研究的“活水源头”，其技术突破通过产品化路径转化为商业价值。

（四）优势与挑战

诺亚方舟实验室的核心优势在于：背靠华为强大的工程能力和产业资源，研究成果能够快速在昇腾芯片、盘古大模型、华为云等产品线中得到验证和应用；在国产算力生态中占据核心枢纽地位，其研究直接服务于国家自主可控AI技术体系的构建；90后新掌门的上任预示着研究方向的年轻化和更具前瞻性。

作为企业内设研究机构，其研究议程不可避免地受到公司战略优先级的影响，在某些前沿方向的探索上可能不如独立研究机构灵活。在美国出口管制持续升级的背景下，诺亚方舟实验室在获取国际前沿研究资源（如国际顶级会议参与、海外人才交流）方面面临更多限制。此外，如何在保持基础研究“纯度”的同时更有效地支持华为的商业化需求，仍是实验室需要持续平衡的命题。

四、上海人工智能实验室

上海人工智能实验室（上海AI实验室）是中国“新型研发机构”模式的典型代表。它既不同于依附于企业的实验室，也不同于纯学术性的高校研究机构，而是以国家战略需求为导向、以开放协同为机制、以“科学智能”为特色赛道的国家战略科技力量。

（一）定位

上海AI实验室的定位成为“科学智能创新中枢”。它不做面向C端的应用产品，也不以商业化为首要目标，而是聚焦于“AI for Science”（科学智能）这一前沿交叉领域，为科学家提供AI驱动的科研基础设施和工具链。

这一战略定位是科学发现是智能的终极考验，也是AI从“工具革命”走向“生产力革命”的关键前沿作为出发点。通过为科学界提供开源大模型、数据平台和计算资源，上海AI实验室试图在“AI for Science”这一全球竞速的赛道上确立中国的战略地位。

（二）组织架构与资源体系

上海AI实验室构建了一套完整的科学智能基础设施体系。在算力层面，推出DeepLink超智融合算力平台，打通通算、超算、智算集群，构建“算力一张图”，已与全国主流超算、智算中心实现互联互通。在数据层面，建设Sciverse科学智能数据库，构建100PB级超大规模科学数据基座，覆盖十余个自然科学一级学科，开放2500万篇科研文献。在模型层面，开源了基于“通专融合”技术架构SAGE打造的万亿参数科学多模态大模型Intern（书生）-S1-Pro，为科学智能从“工具革命”的1.0阶段迈向以“革命的工具”驱动科学发现的2.0时代，提供了系统性开源基座。在平台层面，书生科学发现平台支撑全流程一站式科学发现，支持200余个专业智能体、2200余种专业工具一键调用，让科研人员从重复劳动中解放出来，专注原创探索。

在人才和组织层面，2026年3月，上海AI实验室发布“AGI4S珠穆朗玛计划”，首次从基础设施、科学场景到项目孵化实现了全链路打通、全要素协同。计划构建了“实验室-上海市-国家级”三级项目支持体系，引入项目经理人创新机制，提供从种子期培育到产业化落地的全周期护航。实验室还与人工智能战略科技力量联盟、科学智能战略科技力量联盟联合发起AGI4S算力、数据共建计划，与国内顶尖院所及头部企业共同启动科学智能应用场景共建计划。

（三）研究路径

上海AI实验室的研究路径聚焦于推动科学智能从“工具革命”的1.0阶段迈向以“革命的工具”驱动科学发现的2.0阶段。其核心方法论是“可深度专业化通用模型”的探索。

在技术突破层面，Intern-S1-Pro引入了傅里叶位置编码并重构了时序编码器，为AI赋予了双重视角——既能像“粒子”一样捕捉文字之间的相对距离，又能像分析“波”一样把握科学信号的整体规律与频率。模型首次能统一处理从寥寥数个到百万级采样的各类信号，使感知能力实现重大跃迁。Intern-S1-Pro还验证了从原创模型架构到国产算力基座自主技术的完整链路，从架构设计之初就与昇腾计算生态确立了联合研发路线，实现了从最底层算子、编译优化到上层训练、推理框架的深度全栈适配。

（四）商业化路径

上海AI实验室不追求直接的商业化变现，其价值实现路径是“开源→生态→影响力→国家竞争力”。Intern-S1-Pro和AGI4S基础设施面向全球开源开放，目的是吸引更多科学家使用、更多开发者贡献、更多企业参与，形成围绕科学智能的产学研用生态。这种模式与DeepMind的“贝尔实验室”模式有异曲同工之妙——以非营利的方式推动基础研究突破，最终通过生态繁荣实现国家层面的战略价值。

（五）优势与挑战

上海AI实验室的优势在于：清晰聚焦“AI for Science”这一具有战略意义的差异化赛道，在国家层面获得了有力的政策和资源支持；通过开源科学大模型和计算平台，正在快速构建面向全球科学家的生态影响力；在合成科学等部分领域已率先实现技术突破，将“设计-合成-测试”科研周期从数年缩短至3-6个月。

挑战同样存在。AI for Science在全球范围内仍处于探索阶段，技术路径尚不成熟，需要长期持续投入，成果产出周期较长。与DeepMind相比，上海AI实验室在科学领域的品牌影响力和顶尖人才集聚度仍有差距。在算力资源层面，尽管已构建DeepLink平台连接全国算力中心，但在高端算力芯片受制于外部环境的背景下，如何保障科学大模型训练所需的算力供给，仍是需要持续攻关的难题。

五、四种模式的比较与启示

四家机构的模式差异，折射出中国AI研究版图的多元化格局。智谱AI代表了“市场驱动型”的独立模型厂商路径。通过资本市场获取长期研发资金，以灵活的组织形态快速迭代，在商业化探索中寻找技术与市场的平衡点。百度研究院代表了“生态驱动型”的互联网巨头路径。以“全栈协同”为战略核心，研究院为百度“芯-云-模-体”体系提供底层技术支撑，通过千帆平台实现企业级商业化变现。华为诺亚方舟实验室代表了“硬科技驱动型”的ICT企业路径。以昇腾国产算力生态为核心使命，在具身智能、模型架构等前沿领域进行基础研究，研究成果直接服务于华为的芯片和云业务。上海人工智能实验室代表了“使命驱动型”的新型研发机构路径。以“AI for Science”为战略支点，通过开源开放的方式构筑科学智能基础设施，为国家战略科技力量提供智力支撑。

这种多元化的格局，既是市场选择的结果，也是制度创新的产物。智谱的资本化探索、百度的全栈协同、华为的国产算力攻坚、上海AI实验室的科学智能布局，分别对应了中国AI产业在商业化落地、技术生态、自主可控和基础前沿四个维度上的核心关切。