夜雨聆风如需报告请联系客服或扫码获取更多报告
AI 技术突破驱动市场增长，商业化加速凸显投资价值
AI 技术实现关键突破，市场规模高速增长
全球人工智能技术已于 2025 年完成关键突破期的跨越式发展。语言基础模 型与推理模型实现双线并进，技术迭代速度与能力提升幅度均超出此前市场 预期。根据中国信通院数据，截至 2025 年 12 月，GPT-5.2、Gemini 3 Pro、 Grok-4、DeepSeek V3.2、Claude 4.5、Qwen3、Doubao-Seed-1.6、Kimi K2 Thinking、GLM4.5等头部语言大模型的综合能力较2024年底提升30%， 多模态理解能力提升幅度超过 50%，大模型基础能力实现了质的飞跃。
大模型评测体系的构建与模型训练的重要性已日趋等同。基准测试已深度 融入大模型 “建、用、管” 全生命周期，在指引学术研究、指导产品选型、 支撑行业应用、辅助监管治理、监测能力迭代等方面发挥关键作用。依托长 期、动态化的大模型基准测试，可搭建宏观决策的数据底座，实现产业政策 的精准制定与动态优化，例如精准量化国内外头部语言大模型在基础能力、 推理能力等维度的表现。从相关评测结果可见，国内头部语言大模型在基 础能力上已与国外水平不相上下，推理能力差距亦在持续收窄，成为推动 整体综合能力不断追赶的重要方向。
当前大模型技术仍处于快速迭代阶段。根据灼识咨询研究数据显示，伴随 技术成熟度提升与付费意愿持续释放，全球大模型市场规模预计将由 2024 年的 107 亿美元，快速增长至 2029 年的 2,065 亿美元，2024-2029 五年复 合增长率将达 80.7%。
中国大模型市场大致可划分为三个阶段。2020 年至 2022 年为技术积累期， 以学术研究和头部企业探索为主，市场体量有限但基础能力逐步夯实，三年 累计增量不足 100 亿元。2023 年至 2024 年为爆发式增长期，技术突破与 资本热潮形成共振，市场进入跑马圈地阶段。2025 年起进入应用深化期， 虽然增速随基数扩大而自然回落，但应用场景持续拓宽，商业模式逐步清 晰。据艾媒咨询数据，2024 年中国大模型市场规模已达到人民币 294.16 亿元，预计到 2026 年将增至人民币 738.57 亿元，2024 年至 2026 年预计 复合年增长率为 58.5%。
2025 年多模态技术持续成熟，2026 年仍为主流发展趋势
回顾 2025 年，多模态大模型持续深化技术布局，理解与生成能力实现深度 融合，原生多模态架构逐步走向成熟。2025 上半年，OpenAI-o3 模型与 Gemini 2.5 Pro 模型率先实现视觉与语言信息的同步处理，支持图像关键细 节的自动调优，成功将语言大模型的深度思考能力迁移至多模态场景，赋予 其复杂视觉任务的高阶推理内核；同期，GPT-Image-1 与 Gemini 2.0 Flash 模型通过原生架构融合自回归与扩散模型，突破长上下文图像生成与编辑的 技术瓶颈，为多模态技术从实验室走向规模化商业应用筑牢了基础。下半年， 行业迭代节奏进一步加快，谷歌推出 Gemini-2.5-flash-image-preview (nano banana) 文生图模型，OpenAI 则发布 Sora 2 文生视频模型，双方 向均实现内容质量与场景适配性的显著提升，多模态生态的完整性与落地广 度持续拓展。
基于 2025 年的技术演进轨迹，我们预计多模态化仍将是 2026 年人工智能 领域的核心发展趋势。该趋势将围绕能力边界拓展与落地场景渗透两大维 度持续深化：一方面，头部模型将持续推进多模态能力的通用化，突破文 本、图像、视频、音频等单一模态的界限，实现跨模态信息的无缝转换与 深度联动，推动模型在复杂逻辑推理、多轮内容创作等场景的实用性跃升； 另一方面，原生多模态架构将进一步渗透至垂直领域，结合行业需求完成 轻量化适配，降低企业落地门槛，同时 AI 生成内容的版权合规机制、内容 安全管控体系将逐步完善，为多模态技术的规模化商用提供更具确定性的发 展环境。
大模型能力迭代，运行机制、架构与训练方法三维革新
传统 LLM 模型以文本为核心构建了强大的语言理解与生成能力，核心聚焦 自然语言处理，仅处理文本模态的理解与生成任务。能力范围包括文本分类、 问答、摘要、文本生成等纯语言。因此输入仅接受文本输入，输出也仅限于 文本形式。
多模态大语言模型 MLLM：以 LLM 为基础骨干，通过扩展架构、引入多模 态编码/解码模块，实现跨模态（文本、图像、视频、音频等）的理解与生 成。不仅覆盖 LLM 的全部文本任务，还新增跨模态任务（如图像描述、文 本到图像生成、视频问答、多模态推理等）。支持文本与非文本模态的混合 输入（如 “描述这张图片并生成相似场景的视频”），输出可包含文本、图 像、视频等多种形式。
多模态大型语言模型的典型架构，核心是输入模态（含图像（Image）、文 本（Text）、音频（Audio）、视频（Video）等）先经模态编码器（ModalityEncoder）转成特征，再通过模态连接器（Connector）转换为大型语言模 型（LLM）可理解的格式:
投影型连接器（Projection-based Connector）:把模态编码器输出的 特征（图中黄色块）输入 MLP，通过线性变换将其投影到大型语言模 型的词嵌入空间，最终转换成 LLM 能识别的 token 格式（蓝色块）。
查询型连接器（Query-based Connector）：先通过“可学习查询向 量（Learnable Queries）”（图中彩色块）向模态特征（黄色块）发 起查询，借助 Q-Former 提取关键信息，最终压缩成少量核心 token（蓝 色块），再输入 LLM。
融合型连接器（Fusion-based Connector）：直接在 LLM 的注意力 模块中，让文本 token（黄色块）和非文本特征（橙色块）在多头注意力层（MH-Attn）进行跨模态注意力交互（通过 Q/K/V 向量的传递）， 实现特征层面的深度融合。
最后由 LLM 完成推理后输出文本，或通过模态生成器（Generator）生成 其他模态结果。
语言及多模态模型的能力跃迁，正驱动于运行机制、基础架构与训练方法的三维革新：
在运行机制层面，单纯依赖参数规模（Scaling）已难以实现能力的质变， 精细化的机制优化成为当前核心破局点。尽管月之暗的 KimiK2、阿里的 Qwen3-Max-Preview 等模型参数量已达万亿级别，但其能力突破仍未达到 OpenAI o1 级别的跃迁效应。反观技术演进方向，其一，路由机制(MoE， Mixture of Experts)成为效率核心引擎，如 GPT-5，MiniMax M 模型等通 过动态调度专家模块，实现了“思考”与“非思考”能力的智能切换，显著提升 推理与生成效率；其二，扩散语言模型（Diffusion-based LM）如 LLaDA、 Dream7B 等借助并行计算逻辑，突破了传统自回归模型的累积误差瓶颈， 在语义连贯性上表现优异。虽然目前扩散模型在综合能力上仍逊于传统架构， 但其在生成速度上已确立绝对优势，例如谷歌 Gemini Diffusion 可在 12 秒 内高效生成万级 tokens，为实时交互场景提供了坚实基础。
在基础架构维度，Transformer 架构的性能优化依旧是现阶段技术攻坚的核 心赛道。其中，以 DeepSeek 的 NSA（Nested Sparse Attention）、月之 暗面的 MoBA（Mixture of Bounded Attention）及面壁智能的 InfLLM-V2 为代表的稀疏注意力机制，已成为行业实现模型“降本增效”的标准化方案，在控制计算成本的同时，显著提升了长序列任务的处理效率。尽管Mamba3、 RWKV-8 等非 Transformer 新型架构在理论上具备独特优势，但目前仍处于 早期探索阶段，尚未形成成熟的工程化生态。当前业界更倾向于采用“混合架构”策略，通过融合 Transformer 与新型架构的特性，实现优势互补。代 表案例包括 Qwen3-Next、Hunyuan-TurboS、MiniMax M1、英伟达 Nemotron-H 等模型，它们兼具了 Transformer 的并行计算优势与线性注 意力的长序列建模能力，已在商业场景中取得了广泛成功。
在训练方法上，大模型的研发范式正经历根本性变革，即从“人类数据时 代”向“经验智能时代”加速过渡。这一变革的核心在于，模型不再局限 于依赖人工标注的静态数据集进行被动学习，而是转向通过与真实环境的动 态交互、任务试错迭代与自我反思优化，来积累系统性经验。这种“学习范 式”的升级，使大模型具备了三大核心能力跃升：
一是跨场景规律的自主提炼，能从有限经验中泛化出通用知识；
二是认知偏差的动态修正，通过反馈闭环持续优化决策逻辑；
三是知识边界的突破式创新，能够生成超越初始训练数据范畴的全新解决方案。最终，推动大模型能力从“复刻已知”走向“探索未知”。
目前，DeepSeek 提出的 GRPO（Group Relative Policy Optimization）算 法因其高效与稳健性，已成为大模型对齐策略的行业事实标准。在此基础上， DAPO、VAPO、SRPO、GFPO 等一系列优化变体应运而生，显著提升了 模型在复杂任务环节中的泛化能力与决策稳定性。与此同时，以 ToolRL、 Agent Lightning、Verlog 为代表的 AgenticRL 技术通过真实动态环境的多 轮交互式训练，赋予模型自主规划、调用工具、因果推断的能力，进而提升 其真实应用场景表现。
MaaS/XaaS 生态为 AI 商业化落地提供核心支撑
模型即服务（MaaS）作为聚焦 AI 模型部署与调用的新型服务模式，与软 件即服务（SaaS）、平台即服务（PaaS）、基础设施即服务（IaaS）共同 构成的主流的 XaaS 生态，正成为推动 AI 技术赋能千行百业的核心支撑。
模型即服务（MaaS）是 AI 领域新型服务与商业模型，以云计算为支撑， 将 AI 和 ML（Machine Learning，机器学习）模型及相关基础设施作为服 务提供给开发者和企业。核心优势在于用户可通过简单接口、API 或 SDK等方式，直接调用预训练的 AI/ML 模型，无需自行训练和维护复杂模型， 也无需具备深厚的专业知识和庞大的基础设施，其聚焦 AI 和 ML 模型的训 练、部署与调用，能提供专业化、定制化服务，通过简化工具和友好操作界 面降低 AI 使用门槛。
软件即服务（SaaS）即通过互联网以在线订阅方式为用户提供应用程序， 用户无需本地安装软件，仅需进行人机交互即可使用，百度网盘、Dropbox、 Gmail 均是典型示例。
平台即服务（PaaS）是为程序开发者提供稳定的应用构建、测试与部署一 体化云计算平台，谷歌 App Engine 和微软 Azure 应用服务是经典代表。
基础设施即服务（IaaS）在云计算服务中是指通过网络服务提供虚拟化计 算资源，用户可按需租用服务器、网络、存储等基础设施，并通过 API 进 行使用。谷歌 Compute Engine、DigitalOcean、亚马逊弹性计算云均是成 熟的 IaaS 平台，且主要面向开发团队提供服务。
生成式 AI 的技术栈，可以按以下分层：
IaaS：云端/本地基础设施与计算硬件；
SaaS：嵌入基础模型的应用、面向消费者或企业的应用；
PaaS：支持用户生成式 AI 应用构建、多模型管理的模型平台（如 Azure AI Foundr）；
MaaS：开源/闭源的基础模型
