一、在过去一年中，AI大模型的进展依旧加速，AI技术的普及率显著提升

2024年，人工智能应用落地速度令人瞩目。AI技术的普及度在2024年有了显著增长，企业的AI应用率已攀升至70%以上。越来越多的企业正在积极部署AI技术，以应对复杂多变的市场需求。据统计，75%的脑力工作者已经在日常工作中使用AI，而其中46%的用户是在过去六个月内刚刚加入这个行列。AI大模型正迅速渗透到企业工作环境中，逐步成为不可或缺的核心工具之一。

在AIGC应用方面，虚拟视频生成服务的使用量激增，生成的视频数量较2023年实现了成倍的增长。在财务管理领域，人工智能被用于评估信用风险、市场风险和操作风险，支持更有效的风险管理。在零售和电子商务领域，聊天机器人(Chatbot)已广泛被用于提升客户服务体验。

大模型技术成本的下降为AI的广泛应用铺平道路。在过去一年里，主流顶尖大模型的使用价格在短短几个月内价格下调60%以上，而性能依然保持在较高的水平。大模型使用成本的大幅下降极大地降低了企业采用大模型的资金门槛，助推了AI技术的迅速落地。

综合价值创造潜力与人工验证需求，我们认为生成式人工智能将分三波在企业内落地应用：第一波次将优先落地于营销、客户运营与信息技术部门，推动传统内容生产与运营模式的颠覆；第二波次为人力资源、供应链和生产制造部门，助力企业提质增效；第三波次将随技术发展成熟，逐步应用至专业化高、容错率低、人工验证需求大的领域，例如产品研发、法务/风控及财务部门。

部署方案上，企业可考量三种模式：订阅、定制化部署及垂类自建。订阅或按量付费模式部署成本最低，通常为万元级，适用于智能客服、办公等功能模块单一的通用化场景，可作为低成本试错的第一步；定制化部署成本较高，百万至千万元不等，适用于功能模块多元、数据安全要求高的中大型企业，此模式将逐步成熟进入繁荣发展期；自建模式则需企业基于基础模型从0到1打造自有垂类模型，部署成本最高，适用于数据积累深厚、应用场景复杂、对模型自主性与灵活性高要求的细分行业头部企业。

二、与此同时，我们也观察到AI在多个应用领域蓬勃发展，逐步加速落地进程

具身智能并不是一个新的概念，但AI大模型的飞速发展促使具身智能在2024年已成为AI领域最热门的赛道之一。其中，人形机器人成为大型科技公司争相投资的焦点，OpenAI、Figure、Tesla、Google、Boston Dynamics等头部企业不断推出的新解决方案。各家以不同的技术路线解决负责顶层规划决策的“大脑”、负责运动控制的“小脑”和负责动作执行的“本体”的协同问题。随着先进视觉语言模型(VLM)的进步，真实世界训练数据、模拟训练技术以及硬件的发展推动着人形机器人商业化发展。成本和通用性为决定人形机器人商业化落地速度的核心限制。在未来几年，我们要么看到快速技术突破催生出一个巨大的市场，要么看到发展延迟，使市场规模保持在相当低的水平。

高速发展的情景：到2030年，具身智能将实现普遍适用性和广泛的可靠性。在这种情况下，到2050年，全球人形机器人市场产量可能达到5，000万台左右，随着许多地区劳动年龄人口减少，对体力劳动的需求不断增加，每年创造15，000亿美元的收益。它们还将彻底改变许多行业，例如制造业、医疗保健、教育和娱乐业，并创造新的价值主张和商业模式。保守情景：相反，如果人形机器人仍然局限于小众应用，它们将只能在受控环境或危险环境中执行特定任务。在这种情况下，由于硬件或软件技术都未能实现决定性技术突破，到2050年，人形机器人的全球市场将稳定在200万台左右，每年仅产生约2.000亿美元的收入。因此，人形机器人生产商将继续面临高昂的开发成本、技术复杂性和监管不确定性的困扰。由于互操作性有限和缺乏用户友好性，它们将主要用于研究、探索、搜索和救援行动或专业制造工作。

AI与工业加速融合，迎来规模化落地的前夕：AI技术历经专家系统、机器学习和深度学习三个代际的演进，正迎来第四波浪潮，进入大模型时代。面向2025，我们预见大模型将以“U”型曲线的节奏向研/产/供/销/服全流程环节进行落地渗透。这意味着，大模型将率先对研发与工艺设计、销售服务与运营两端产生颠覆性影响。例如，生成式AI辅助外观造型设计，激发设计师创意思维；AI仿真模拟替代传统中试，极大缩短产品研发周期；为消费者提供具有情感洞察能力和丰富知识储备的一对一智能客服。然而，在工业最核心的生产控制环节，我们预见大模型的落地与成熟还将经历1-2年的孵化探索期。这是受到工业场景的高度碎片化、生产过程的高节拍和实时性要求、工业机理沉淀等因素的制约，需要大模型在预训练后快速积累工业知识、增强可解释性、提升实时性方面做出适配，形成更加专精的模型。对此，我们建议工业企业尽快行动，摸清数据底盘和场景痛点，快速从U型曲线的两端寻找切入点，借助大模型的东风实现从数字化到智能化的跃迁。

在自然语言处理方面，文本转语音(TTS)技术得到快速发展。据估计，62%的财富500强公司已在使用TTS服务。另一方面，尽管AI语音识别技术已经相对成熟，随着模型准确度的不断提高，其在大规模自动化日常任务中的应用潜力正在迅速释放。

三、尽管如此，AI大模型的实际应用仍然面临若干挑战

人工智能的发展离不开强大的计算能力支持。开发高性能硬件和训练复杂的AI模型通常需要更高的成本和能源消耗，因此对高性能算力的需求也在不断上升。为了克服计算瓶颈，在满足计算需求的同时，平衡效率与可持续性显得尤为重要。

与人工智能对社会就业的影响可能成为其落地实施的一大挑战。约40%的工作有可能在人工智能的帮助下实现自动化或得到效率提升，可能会导致工作岗位的减少。然而，AI技术的发展同样能催生新的岗位，从而在一定程度上抵消对传统工作的替代影响。

在推动落地过程中，数据治理也是需重点考量的因素。随着人工智能对数据量和类型的需求不断增加，保护数据隐私显得愈加重要。同时，人工智能的可解释性需求也在持续上升：大模型通过整合海量信息生成内容，但无法判断信息的真伪，因此AI决策的透明度对于提升AI模型的信任度至关重要。

四、AI与业务的深度融合势不可挡，企业应全盘考量，综合布局

AI与数字化技术深度融合。未来，“AI软件”和“非AI软件”之间的界限将逐渐模糊。随着企业加速数字化转型，AI将与各类技术深度融合，打通工作流程，带来更高的透明度和业务自动化水平。企业应从自身的战略和业务现状出发，整合需求，以自上而下清晰的规划为牵引，明确AI及数字化应用可产生价值的业务场景，并通过升级企业技术支撑、打造适配性的团队、建立风控体系与机制，确保AI对企业的切实赋能。尤其在风控环节，应重点关注数据来源的合规性、数据隐私的安全性及生成结果的可靠性三大潜在风险，保障生成式人工智能应用的稳定和可持续发展。

人工智能立法与监管步伐加快。随着AI技术的发展，各国政府逐渐认识到对AI的监管必要性。2024年5月21日，欧盟《人工智能法案》(Artificial Intelligence Act)由欧盟理事会正式批准通过，并于当地时间8月1日正式生效，全球首部针对人工智能(AI)的专门性法律正式生成，为其他国家提供了参考。该法案为开发者、部署人员等提供了有关人工智能具体用途的明确规则，希望确保人工智能系统尊重基本权利、安全和道德原则，并解决人工智能模型带来强大且有影响力的潜在风险。预期未来将有更多关于AI的法律和政策在全球出台，企业在AI产品/解决方案设计、运维流程设计时，需要将潜在的监管要求主动纳入考量。