2025，AI行业发生了什么？

（原标题：2025，AI行业发生了什么？）

图片来源于网络，如有侵权，请联系删除

文/陈永伟

2025年的帷幕已经落下，这一年中，AI行业无疑走过了极具里程碑意义的一程。从技术范式的革新，到商业逻辑的重构，从产业应用的落地，到全球规则的博弈，这一年既有突破，也留下诸多思考。

鉴于AI发展错综复杂，这里只能从十个侧面做一个简要回顾。

一、多模融合

过去几年中，AI大模型在文字、推理等方面进展神速，但它们多模态能力的发展却相对迟缓，这在很大程度上限制了其能力的发挥。比如，在4.0版本之前，GPT虽然已经能写诗、会编程，但既看不见、也画不出，如果用户想让它分析一张图片讲了什么，或是根据要求生成一张图片，它就显得力不从心。

虽然从2024年开始，AI开发者们就开始大力发展模型的多模态能力，但在相当长一段时间里，这些努力仍然主要集中在对既有模型进行组合――文本一个系统，图像一个系统，语音再来一个系统，然后用工程手段把它们拼在一起。这样的模型可以完成一些多模态任务，但由于各系统之间存在协调问题，其能力局限性一直十分明显。到了2025年，越来越多的开发者不再满足于这种“拼装式”方案，转而开始设计“原生多模态”模型，从训练之初起，就让模型在同一个体系里同时处理文本、图像、音频、视频等信息。

在设计原生多模态模型的过程中，很多人逐渐意识到：多模态模型的真正瓶颈，并不在于它能不能看图、听声音，而在于能否把视觉、语言、时间与空间组织成一个可推理、可行动的统一表征。现在的大模型在语言上已经高度成熟，却依然缺乏对三维空间、物理约束和因果关系的系统理解。因此，下一代AI的突破重点，可能并不在于再多几个参数，而在于能否构建对真实世界的内部模型，使其可以在脑中“预演”行动后果。在这种思路之下，“世界模型”与“空间智能”重新被重视，并逐渐成为设计原生多模态模型的重要理论依据。

在实践层面，多模态模型几乎成为头部AI企业的主战场。企业不再满足于“能看图”，而是把能力推进到看得准、看得全、看得懂流程，并能把视觉理解转化为可执行的动作：有的强化视觉与语言的一体化表达，有的把能力扩展到视频与长时序理解，也有的尝试把“看懂屏幕”转化为界面操作。共同的趋势是，模型不再只是回答问题，而是越来越多地介入真实任务本身。

多模态模型的蓬勃发展，为AI技术的应用化和普及化提供了强大的助力。麦肯锡在《技术趋势展望2025》中指出，多模态AI正在成为新一代AI系统的关键底座，并将与智能体（Agent）、自动化、物理系统控制深度融合，其影响将从数字世界延伸至现实世界。而Gartner则强调，多模态技术的影响将超出AI范畴，全面重塑当前的软件生态。据其预测，到2030年，80%的企业软件将在其产品中植入多模态AI能力。

二、具身爆发

?

如果说多模融合解决了AI“怎么看”和“怎么理解”的问题，那么具身智能（Embodied AI）要回答的，则是AI在真实世界中“做什么”和“怎么做”。虽然具身智能的发展已有数十年时间，但过去，机器人更多停留在实验室展示阶段：完成一些酷炫动作，在受限场景中做局部自动化，人们讨论的也只是它们“技术上究竟能做到什么”。而到了2025年，情况开始发生变化――具身机器人真正走向市场，行业叙事也从“能不能做到”转向“能不能规模化、能不能稳定工作、能不能进入岗位”。

最直接的信号，来自量产节奏的变化。2025年，国内的宇树、优必选，国外的波士顿动力、Apptronik等企业，都明确宣布产品进入量产与商业化试点阶段，而不再只是单台原型或演示样机。在以北美和中国为代表的主要市场中，具身机器人开始按“百台级”“千台级”规划供应链、制造与交付。IDC估算显示，2025年全球在仓储、制造、巡检等岗位的试点应用，较2024年增长了数倍。

与此同时，成本也出现了显著下降。几年前，能够与人交互的人形机器人价格动辄几十万甚至上百万美元，几乎无法商业化；而根据美国银行研究院的数据，目前典型人形机器人的价格已经下降到每台约3.5万元左右，比2023年下降至少40%，并且未来几年还有继续下探的空间。这种成本下降，正在迅速降低使用门槛，让机器人更容易走向工厂、走进家庭。

具身智能在2025年的“爆发”，是多种因素共同作用的结果。一方面，原生多模态AI的发展，补上了机器人“看不懂世界”的短板，让它不仅会跑会跳，还能理解环境、根据情境做出决策，从而具备真正的实用价值；另一方面，用工成本的持续抬升，也在扩大市场需求。制造、物流、巡检、服务等领域本就劳动力密集，在老龄化、年轻人不愿进入高强度岗位、合规与安全成本增加等因素叠加下，企业开始转而接受机器人替代，由此带动了需求的快速增长。

三、算力竞争

如果说前几年算力竞争的核心，是“谁能抢到更多GPU”，那么到了2025年，这场竞争已从资本驱动的资源争夺，升级为一场长期、立体、甚至带有地缘意义的综合博弈。

首先，算力竞争从“规模导向”转向“效率导向”。过去，人们普遍相信：模型遇到瓶颈，就继续叠加参数与算力；但随着规模膨胀，成本与复杂度迅速上升，边际收益却不断递减。越来越多公司开始意识到，决定差距的已不是算力总量，而是如何把有限算力转化为有效能力。国产模型 DeepSeek 就是典型――通过多维并行、混合精度等策略，在更低投入下做出接近性能，被视为“效率转向”的象征。

其次，部分开发者开始直接介入芯片环节。长期以来，GPU几乎是大模型训练的唯一主力，而英伟达的供应与生态具有决定性影响。为降低依赖，一些公司转向自研芯片。谷歌的TPU便是代表，如今已在核心模型训练中大规模替代GPU，逐步构建起相对自主的算力体系。

第三，算力设施开始全面“基础设施化”。过去企业扩容，只需采购服务器、租机房、叠加云服务；而在大模型时代，这种“拼装式”做法难以承载高密度并行与稳定需求。2025年的智算中心，从一开始就围绕AI负载设计：网络拓扑以并行训练为核心，甚至连选址都需要同时评估电力、能耗与时延。一些公司也通过投资与并购深入上游，押注包括“太空算力”等潜在方向。

四、范式争议

就在产业界为赢得算力竞争而各显神通之时，理论界开始对持续算力投入的理论基础――“规模法则”提出反思。过去十几年里，这几乎是一条被反复验证的铁律：更多数据、更大模型、更强算力，往往带来更好的效果，进而塑造了研究范式、资本逻辑与产业结构。但到了2025年，围绕这条路径的信心，第一次出现了系统性分化。

比如，“图灵奖”得主杨立昆多次指出，单纯扩大自回归大模型，并不会自然通向通用智能。当前以语言预测为核心的模型，本质上仍是“被动系统”，缺乏因果理解、物理常识与长期规划能力；继续堆参数与数据，只会带来收益递减，反而掩盖结构性短板。类似的观点，也被其他研究者认同。安德烈・卡帕斯强调，未来突破更可能来自训练范式、数据结构与推理机制，而不是参数规模本身；原OpenAI首席科学家伊利亚・苏茨克维同样提醒，“无限堆规模”可能正在接近阶段性极限。

不过，规模法则依然有不少拥护者。他们认为，以大模型为核心的路线仍在推进，能力边界仍在外扩，尤其在多模态和复杂推理任务上，规模仍是重要前提。DeepMind联合创始人德米斯・哈撒比就认为，通向更高层次智能的关键在于世界模型、规划与推理结构――这些并非否定规模，而是在规模基础上的方向修正。在这种视角下，规模法则未必终结，反而可能在新范式出现后获得新的生命。

规模法则是否继续有效，还需要时间来验证。但当我们把支持与反对的观点放在一起看，就会发现：双方其实都对现有范式有所不满。或许，正是这种争议，会推动AI界重新审视既有思路，从而寻找一条更优的发展路径。

五、代理崛起

2025年3月，初创公司Monica公布了一段名为Manus的AI应用演示视频。视频中，它可以根据用户要求，自动调用外部工具，完成简历筛选、房产研究、股票分析等复杂任务，全程无需人工干预。Manus一度迅速走红，被视为继 DeepSeek 之后的又一“现象级”产品；虽然随后因“技术创新不足”“炒作过度”而引发争议，但它仍被看作AI智能体崛起的重要象征。更有意味的是，Meta 随后以数十亿规模收购了Manus，从侧面印证了这一趋势。

AI智能体不同于传统大模型，它不只是“更聪明的对话界面”，而是一种能够理解目标、拆解任务、调用工具、执行操作并根据反馈调整策略的主体。它带来了人机交互方式的变化：从“人去找功能”，转向“任务驱动系统”。过去用户需要理解界面结构、在多个页面来回切换；而在智能体模式下，只需提出目标，系统便自动规划路径，在关键节点请求确认。这种转变看似细微，却显著降低了学习和使用成本。

需要强调的是，智能体的出现并非偶然，而是多项技术成熟后的结果：一方面，大模型在推理、多模态和长上下文上的能力增强，使其能够理解复杂任务；另一方面，MCP、ANP、A2A 等协议使工具调用与外部系统接入逐步标准化，AI不再局限于“只会说话”，而可以操作代码、文档、数据库乃至业务系统与物理设备，由此第一次具备跨步骤、跨系统完成任务的可行性。

可以预见，智能体将对产业生态产生深远影响。它带来的，并不仅是自动化某些岗位，而是重组流程本身――组织结构将从围绕“人”设计，逐渐转向围绕“任务”组织。在商业层面，价值计量也会从“提供能力”转向“完成事情”：企业不再按调用量付费，而更可能按任务与结果付费，从而推动商业模式发生变化。

当然，智能体的兴起也伴随风险。就业替代、隐私与数据使用边界等问题，都可能成为普及过程中的阻力。围绕豆包AI手机引发的争议，已经为我们揭开了冰山一角，类似讨论在未来一段时间内仍将持续。

六、开源盛世

2025年，开源模型已经从AI世界的边缘力量，逐渐演变为全球创新的基础设施。在这一年里，开源模型在性能、生态与采用率上全面逼近闭源体系，甚至在部分场景实现超越。多份权威报告显示，近两年新发布的大模型中，开源或“开放权重”模型已占据多数，而在被活跃调用的模型里，开源模型也占到大头，尤其在私有部署、微调和智能体等场景中占据主导。

开源模型的崛起，并不只是因为“免费”，而是AI创新逻辑正在发生变化：算力成本上升、应用需求高度分化，封闭模型难以覆盖全部场景；而开源模型依托社区协作与快速定制，在工程效率和适配能力上展现出明显优势，吸引了越来越多企业和开发者加入其中。

在这种背景下，AI创新的分工结构正在重组――基础模型不再是“终点产品”，而更像操作系统或数据库的底层平台；真正的创新，越来越多发生在模型之上的微调、工具链、智能体架构与行业应用中。开源由此不再只是理想主义选择，而成为降低门槛、加速扩散的现实机制。

在这股浪潮中，中国力量格外醒目。以 DeepSeek 与 Qwen 为代表的一批模型，在工程效率、推理成本与可部署性上形成鲜明优势。相关统计显示，2025年全球开源模型使用中，中国来源已接近三成，正在成为全球开源生态中最重要的供给方之一。

从更长时间看，2025年的“开源盛世”，并非简单的路线回潮，而是AI进入成熟阶段的标志之一：当创新不再过度依赖封闭体系与资本堆叠，而更多依赖开放协作与工程智慧，谁能够提供“可用、可改、可扩展”的技术底座，谁就将在下一阶段占据更有利的位置。

七、商业革新

过去两年，“盈利难”一直困扰着AI行业。很多公司即便做出了不错的产品，却仍然难以形成稳定收入，最终被迫退出市场。到了2025年，行业开始逐渐摸索出新的商业路径――不同层级的玩家，各自找到与自身能力匹配的变现方式，AI也从单一的技术竞赛，转向分工更加清晰的产业生态。

在技术底层，能力开始被商品化。算力、训练与推理被标准化为可计量、可定价的“生产要素”，云厂商、芯片公司与基础模型提供方，通过算力租赁、API与推理服务形成相对稳定的收入结构。随着算力基础设施化、模型效率提升，这一层也逐渐从“军备竞赛”走向“运营竞争”，单位成本下降、单位调用价值上升。

在平台服务层，“结果作为商品”（Outcome-as-a-Service，OaaS）开始崛起。过去AI产品更多停留在“功能售卖”，而智能体的普及，让“完成任务”成为核心价值单位，定价也逐渐转向按任务、流程或结果收费。虽然时间不长，但这一模式正在成为利润潜力最大、竞争最激烈的地带。

在应用层，场景分化明显成熟。2025年，一个重要变化是：通用应用的想象空间收敛，而垂直行业的价值被逐步释放。无论软件开发、企业运营、金融分析还是内容与客服，AI正深度嵌入业务流程，与数据和规则耦合，逐渐成为企业的长期系统投入，而不再是一次性工具采购。

这三层叠加在一起，标志着一个转折：AI的商业逻辑正在从“能力展示”走向“效率兑现”。过去更大的模型更容易获得关注与融资；而在2025年，真正决定成败的，是谁能把能力稳定转化为可计量的客户价值，这也促使越来越多公司把重心放在工程效率、部署成本和用户留存之上。

八、规则博弈

如果说此前AI发展的主要矛盾集中在技术层面，那么到了2025年，另一条同样重要的战线――AI治理――已经全面展开。它可以从两个维度理解：一是创新与规则之间的横向张力，二是不同制度体系之间的纵向博弈。

从横向看，矛盾并不在于“要不要监管”，而在于如何避免规则过早锁死尚未定型的技术路径。AI的不确定性，使“先立规矩、再准入”的传统方式面临挑战：制定得过早，可能固化现有形态；放得过松，又可能积累系统性风险。2025年的一个明显变化是，治理逐渐从“静态合规”转向“动态校准”，通过分层、分阶段、可调整的方式，与技术演进保持同步。

这一转向，源于对AI本质的重新理解：AI不是单一产品，而是一套持续演化的能力体系。因此，治理对象也从单个模型，延伸到数据、算力、模型训练、部署与使用场景等完整链条。共识正在形成――治理的目标不是压低创新速度，而是在不可逆节点上避免风险放大，“沙盒”“分级管理”“事后纠偏”等机制由此逐渐取代“一刀切”做法。

从纵向看，治理正在演化为国家与制度之间的竞争。规则不再只是内部秩序工具，而具有外溢效应：谁的规则更易被采纳，谁就获得更大的制度影响力。

在这一维度上，美国倾向将治理视为“护栏”，优先关注国家安全、关键基础设施与极端风险，尽量减少对研发的前置限制；其逻辑是，通过技术领先来换取治理弹性。

欧盟则强调在扩散之前先明确制度边界，通过系统化规则塑造发展方向，以规则和标准参与全球竞争。

中国更强调发展秩序与场景适配，规则与产业推进同步调整，不提前冻结技术路线，也不过度依赖事后纠偏，但对治理能力提出更高要求。

当这些不同路径在全球层面相遇时，治理便成为一场规则间的博弈：企业在不同制度间选择落地，技术在不同规则中分化演进，标准在竞争中被试探与扩散。全球治理格局因此更可能呈现多套模式并存、相互影响的状态。

从这个角度看，2025年的治理博弈，并非AI发展的“减速器”，而是其迈向成熟的标志之一――当技术被系统性治理，意味着它既足够重要，也具有潜在风险。如何在创新开放性与规则约束之间形成动态平衡，将决定AI能否长期、稳定嵌入社会结构。

九、大国竞合

2025年，AI 的国际竞争已从企业层面上升到国家层面：谁来定义下一代 AI 的技术路径？谁能掌控芯片与算力供应链？谁有能力把技术选择转化为全球通行的标准？围绕这些问题，中美欧逐渐形成了一种彼此错位、却高度纠缠的竞争格局。

在核心技术层面，美国依然掌握着最强的话语权。这种优势不仅体现在模型性能，更体现在“问题定义权”上――从大模型、多模态到世界模型、智能体架构，许多关键方向往往首先由美国提出，随之而来的评测方式与技术叙事，也自然成为行业默认参照。

中国的路径则明显不同。并未把全部筹码押在“重新定义范式”上，而是更强调在既有技术框架下，通过工程优化、系统集成和真实场景反馈，把技术转化为可规模复制的能力，从而在训练效率、算力调度、具身智能与产业级应用等方面逐步形成优势。

欧盟在核心技术原创上的存在感相对有限，但并未缺席。它更多通过基础研究网络、跨国科研项目与评测体系，在关键概念与方法论层面保持影响力，为后续标准制定保留位置。

如果说核心技术决定长期上限，那么芯片与算力供应链，则决定谁能把技术持续跑下去。美国在高端芯片设计、先进制程与软件生态上的主导，使算力逐渐具有战略属性；中国在压力之下加快推进多路径算力体系建设，一方面补齐本土芯片与制造能力，另一方面通过智算中心与算法优化增强韧性；欧洲虽然在规模上不占优势，但在设备、材料与部分关键工艺节点上仍然不可替代。

随着 AI 从软件工具走向基础设施，标准制定权的重要性迅速上升，并成为最隐蔽、也最持久的竞争战场。美国更多依托技术领先形成“事实标准”，中国在大规模部署中形成“用出来的标准”，欧洲则试图通过制度化规则，在国际标准体系中持续发声。三种路径并行，使标准本身成为竞争的一部分。

值得注意的是，这种竞争并非简单对抗。现实中的中美欧，在技术、供应链与市场层面依然高度相互依赖：美国的前沿技术离不开全球制造体系，中国的产业能力深度嵌入国际网络，欧洲的规则影响力也需要技术生态配合。由此，2025年的国际格局更接近“高强度竞争中的有限合作”。真正的较量，已不再是单一模型或一代技术的胜负，而是围绕谁能构建并长期运转一整套技术与产业体系。

十、少帅掌兵

2025年AI行业的另一个重要趋势，是一批三十岁出头、甚至二十多岁的年轻科学家开始被大公司赋予指挥权，直接影响工程架构、数据策略与下一代AI能力的走向。

腾讯在调整AI组织架构时，任命27岁的姚顺雨为首席AI科学家，并负责基础设施与大模型团队；更早之前，小米启用“95后”科学家罗福莉负责MiMo系列核心研发。在硅谷，这一趋势更为明显。Meta引入Scale AI创始人亚历山大・王担任首席AI官，并在其与公司内部元老意见冲突时仍然坚定支持，显示出对年轻技术领袖的高度信任。

这种“年轻化+实权化”的背后，是AI发展逻辑本身的变化：AI已经进入“下半场”。技术边界不再只是把模型做得更大、更久，而是重新定义问题、重塑评估方式、判断未来路径。越来越多的企业意识到，AI的核心从“解决问题”转向“提出什么问题、如何衡量进步”，而这种能力往往出现在长期浸泡在一线研究中的年轻技术派身上。

因此，“少帅掌兵”并非一时的人事口号，而是产业进入深水区后的结构性调整：当技术范式更加不确定、探索性更强，组织更需要那些愿意快速试错、敢于在不完全信息下判断的人，而不仅依赖经验丰富的工程管理者。正因如此，罗福莉、姚顺雨、亚历山大・王等年轻科学家，不仅站在研发一线，也开始直接影响公司战略与技术路径。可以预计，在未来相当长时间内，AI方向的关键抉择，很可能就掌握在这一代年轻技术领袖手中。