2026年作为我国“十五五”规划推进的关键一年，数字经济将持续以先进生产力代表的身份，成为驱动新质生产力蓬勃发展的核心力量，通过优化生产力三大要素实现全要素生产率的持续提升。随着AI的发展，数字经济将通过科技产业创新、数据要素释放、现代化产业体系建设及生产关系优化四大路径，进一步释放价值，为高质量发展注入动力，2026年科技行业有望从“技术突破”向“价值释放”转型，为行业创造长期价值。
智能驾驶领域，商用车将完成从“规则驱动”到“数据驱动”的范式升级。历经高速NOA、城市NOA至全场景D2D的技术进阶，2026年的高阶智驾功能加速下探至10万元级车型，L2+渗透率预计从2024年的8%跃升至15%；乘用车则从技术验证迈向商业化。车路云协同技术与政策法规完善（如跨区域测试标准落地）将为规模化运营奠定基础，同时“汽车算力+数据闭环”方案供应商将成为推动行业突破的关键。
工业AI领域将实现从“跟随”到“超越”的转变，突破“工具级应用”局限深度融入研发设计、生产制造、经营管理全流程。研发设计环节，端到端智能将实现从“概念设计”到“工艺落地”的全流程自动化，AI仿线倍以上；生产制造环节，自适应智能系统将破解柔性生产难题，实现设备预测性维护与工艺参数动态优化；经营管理环节，三牛用户注册AI决策中枢将重塑企业效率，构建“软件-硬件-算法”自主可控体系，在新能源、专精特新制造等细分场景形成差异化领先优势。
医疗领域作为AI重点落地场景，“AI+医疗”将重塑行业生态，破解医疗资源“不可能三角”（质量、价格、速度难以兼顾）的困境。AI医疗已从萌芽、起步阶段进入探索期，在医学影像诊断、药物研发、健康管理及医疗信息化等细分赛道加速落地；2025年中国AI医疗行业规模已达1157亿元，预计2028年将增至1598亿元，未来多模态AI诊断将成临床标配，推动医疗资源下沉与普惠化覆盖。
此外，AI将向财税信息化、国产AI硬件等更多领域渗透：财税信息化领域，“金税四期”落地推动税务管理向“大系统、大架构”升级，AI助力智能审批、风险稽查与数据分析。国产AI硬件领域，虽在高端算力（如千亿参数大模型训练）与海外仍存差距，但在推理、边缘计算等中低端场景已具备成本与安全优势，华为昇腾、寒武纪等企业通过技术迭代与生态建设，预计2027年推理场景国产替代率将超80%，为数字经济提供自主可控的算力底座。
风险提示：政策落地滞后与商业化成本风险、核心技术依赖与场景适配风险、技术反噬与风险防控失衡风险、生态壁垒与技术迭代风险、临床落地与商业闭环风险
数字经济作为科技革命和产业变革的前沿领域，本质上是先进生产力的代表，是推动新质生产力蓬勃发展的关键力量。数字经济为生产力的三大要素（劳动者、劳动对象、劳动资料）优化组合奠定了基础。首先，它催生了新型劳动对象:数据要素成为劳动对象的新组成部分，数据与传统劳动对象的融合也形成了新的劳动对象，这些更丰富的劳动对象为满足多元化、个性化需求提供了物质基础。其次，数字经济塑造了新型劳动资料:它推动劳动资料从实体形态向虚拟形态延伸，全方位拓展了劳动资料的作用范围，使其分布呈现集中化与分散化并存的特点。最后，数字经济培育了新型劳动者:数字技术显著提升了劳动者的数字技能，深刻改变了劳动者的工作方式，催生了自主创业、兼职就业等灵活就业新模式。同时，以工业机器人为代表的智能装备在劳动过程中的广泛应用，极大地拓展了劳动者的内涵和外延。
AI作为新一轮科技革命和产业变革的重要领域，数字经济不仅优化了三大生产要素，还通过科技创新，特别是原创性和颠覆性的科技创新，实现了技术的革命性突破。在传统生产要素配置的边际效应递减时，数字经济能够实现生产要素的创新性配置。它能够改变传统的生产方式，通过产业的深度转型升级，催生新产业、新模式和新动能。这为推动新质生产力的发展注入了源源不断的动力，实现了对传统生产力的质的飞跃，促进了全要素生产率的大幅提升。
从AI发展角度而言，数字经济还将进一步科技产业释放价值，一是以数字技术产业创新发展，推动新质生产力动力变革。推进核心技术自主创新，健全技术创新支撑体系，强化企业创新主体地位。二是以数据要素价值充分释放，推动新质生产力要素变革。推动数据资源开放共享，引导数据健康有序流通，促进数据资源高效利用。三是以现代化产业体系建设，推动新质生产力载体变革。加快改造提升传统产业，培育新兴产业和未来产业，提升产业链供应链韧性和安全水平。四是以生产关系适应性优化，推动新质生产力制度变革。加快建设全国统一大市场，完善实体经济和数字经济融合体制机制，积极参与全球数字经济治理。
展望2026年，面向“十五五”的到来，AI+数字经济还将持续对新质生产力发展起到关键支撑作用，加快推动科技的高质量发展。从投资角度来说，我们建议关注以下几个方面：
“十五五”期间，汽车领域将以“数字技术深度渗透+产业生态协同共生”为核心，推动新质生产力从“单点技术验证”迈向“系统能力落地”，成为数字经济赋能实体经济的核心标杆。在技术层面，车路云一体化将实现规模化落地；在商业化层面，商用车智能化将成产业升级关键抓手；在生态层面，国产核心技术将打破海外垄断同时，全国统一的自动驾驶测试与数据流通标准将落地，解决“地方试点碎片化”问题，推动跨区域商业化运营。
“十五五”期间，工业AI将突破“工具级应用”局限，深度融入“研发-生产-管理-服务”全流程，推动制造业从“规模驱动”向“创新驱动”转型，成为新质生产力在实体经济中的核心载体。在研发设计领域，端到端智能将成主流范式：AI将实现从“概念设计”到“工艺落地”的全流程自动化；在生产制造领域，自适应智能将破解柔性生产难题：AI驱动的生产系统将实现“动态调整+自主优化”；在经营管理领域，AI决策中枢将重塑企业效率；在国产替代领域，工业软件将实现“从可用到好用”。工业AI与国产硬件（华为鲲鹏服务器、海光CPU）的适配率还将逐步提升，构建“软件-硬件-算法”自主可控的工业智能化体系。
“十五五”期间，网络安全将以“AI技术为核心、数据安全为基础、生态协同为支撑”，形成“事前预测-事中防御-事后溯源”的全周期防护能力，为数字经济发展筑牢安全屏障，保障新质生产力稳定运行。在技术层面，AI安全大模型将成防御核心；在数据安全层面，合规与流通将实现平衡；在风险防御层面，AI内生安全与衍生风险将双线防控；同时，中国将参与全球数字安全规则制定，推动“AI安全检测标准”国际互认，提升全球数字经济安全治理话语权。
“十五五”期间，AI医疗将突破“技术试点”阶段，实现“临床深度落地+普惠化覆盖”，通过“数字技术重构医疗流程”，破解“看病难、看病贵”的“不可能三角”，成为新质生产力改善民生的重要载体。在诊断领域，多模态AI诊断将成临床标配；在药物研发领域，AI全流程赋能将缩短研发周期；在健康管理领域，个性化预防将成主流；在资源配置领域，AI推动医疗资源下沉；在产业生态领域，国产AI医疗设备将突破垄断。
其他应用＆国产AI芯片：从“单点渗透”到“生态协同”，筑牢数字经济算力底座
“十五五”期间，AI将向更多民生与产业场景渗透，同时国产AI芯片将突破“算力瓶颈+生态短板”，形成“应用牵引芯片、芯片支撑应用”的正向循环，为新质生产力发展提供底层算力保障。AI赋能多领域实现效率跃升；AI芯片有望突破“卡脖子”，构建自主算力生态
综上我们认为，“十五五”期间，数字经济将通过车、工业AI、安全、AI医疗、多领域应用与国产AI芯片的协同发展，全方位激活新质生产力的创新动能，既推动产业升级与技术突破，又改善民生与保障安全，为高质量发展注入持久动力。
在自动驾驶行业的发展进程中，2025年堪称关键的“价值爆发年”，渐进式自动驾驶与跨越式自动驾驶两条技术路径双线并行、各放异彩，从技术深化到商业落地，全方位重塑着人类出行与产业运行的模式，拉开了自动驾驶规模化价值释放的大幕。
·功能迭代至全场景：从高速NOA（2022年量产）、城市NOA（2024年量产）升级至全场景D2D，实现“车位到车位”的全程无缝辅助驾驶，覆盖地库、城区、高速等全链路场景，还融合自动充电、跨楼层泊车等终极场景，彻底打破“场景割裂”的局限。
·科技平权深入大众市场：硬件降本（国产替代、集成设计）、软件增效（大模型+数据飞轮）、规模量产（头部车企供应链协同）三力共振，让高阶智驾功能加速下探至平价车型——比亚迪高速NOA进入8万元级车型，小鹏城市NOA覆盖15万元级市场，L2+渗透率预计从2024年的8%跃升至15%，真正实现“技术普惠”。
·政策与技术双轮驱动L3落地：地方试点（深圳、北京、武汉等地L3法规）与全国标准（工信部2025年L3技术标准规划、《道路交通安全法》责任修订）持续完善，华为乾崑智驾ADS4.0等L3级商用解决方案发布，车企L3车型蓄势待发，标志着从“辅助驾驶”向“有条件自动驾驶”的关键跨越。
·车路云一体化将实现规模化落地：随着硬件和政策的成熟，渐进式自动驾驶将从“全场景 D2D” 向 “车云协同决策” 升级，通过路侧感知设备（毫米波雷达、摄像头）与云端算力的实时联动，解决单车智能在极端天气（暴雨、大雾）、复杂路口（无保护左转、多非机动车混行）的感知盲区。
·技术带动成本降低：从成本下降维度看，技术成熟将通过“规模效应+硬件迭代+协作分摊”三重路径实现成本优化。随着边际成本持续下降，为行业从“技术验证”向“盈利性运营”过渡奠定基础。
·封闭场景深度渗透：在工业园区、矿区、港口等封闭/半封闭场景，无人驾驶物流车、接驳车、牵引车实现“规模化替代人工”，通过“场景定制化技术方案+商业化运营模式”，解决了传统运输的效率瓶颈与安全痛点，成为产业智能化升级的标杆。
整体来看两条路径的并行发展，为自动驾驶行业注入了双重活力：渐进式自动驾驶推动技术普及、用户教育与全场景能力构建，让“高阶智驾”从豪华配置变为大众标配；跨越式自动驾驶则探索技术极限与商业化路径，为完全无人驾驶的全域落地积累经验。二者互补共进，不仅将重构人类出行方式，更将在物流、交通、产业升级等领域释放巨大价值。可以预见，2025年只是自动驾驶行业爆发的“起点”，未来随着技术迭代、政策完善与场景拓展，自动驾驶将真正成为推动社会效率与安全升级的核心力量，行业发展前景充满想象空间。
中国智能辅助驾驶功能已经开始实现从“特定路段辅助”到“全旅程智能辅助”的价值跃迁，技术也完成从“规则驱动”到“数据驱动”的范式升级。整体技术路线沿“场景复杂度逐级攀升、覆盖范围持续扩展”路径快速发展，历经高速NOA（2022年量产）、城市NOA（2024年量产）、全场景D2D（2025年量产）三阶段。
·高速NOA：聚焦结构化高速公路，实现长距离、低接管率辅助驾驶。功能涵盖基础巡航控制（自适应巡航、车道居中保持）、动态交通流适配（智能变道超车、自动调速）、匝道场景处理（自动汇入主路、自动驶出匝道），还具备特殊场景应对（施工区域避让、大车偏移避让）与系统安全监控（驾驶员状态检测、紧急降级策略），为高阶辅助驾驶奠定基础。
·全场景D2D：实现“车位到车位”的全程无缝辅助驾驶，覆盖全驾驶场景。包含多场景无缝衔接（地库→城市道路、高速→城市NOA）、超视距全局规划（超视距能力、全局规划特性）、终极泊车场景（跨楼层记忆泊车、机械车位泊入）、系统冗余降级（主系统失效备份、极端天气模式）、人机共驾协调（个性化接管提醒、乘客舒适度优化）等功能，标志着高阶智能辅助驾驶迈入“全旅程智能辅助”新时代。
高阶智能辅助驾驶正通过科技平权迈入10万元级市场普惠新时代，其核心是硬件降本增效与软件算法迭代的双重驱动，这会带动市场规模的爆发式增长。在表现上，2025年车企纷纷将高阶智驾功能下探至平价车型：比亚迪把高速NOA功能带入8万元级车型，小鹏城市NOA覆盖15万元级市场，其余主流车企也将城市NOA下沉至10-20万元车型，彻底打破了高阶智驾“高价专属”的壁垒。这一“科技平权”由三股力量共振推动：
·软件增效：依托端到端大模型与数据飞轮，大幅提升算法效率，让智驾能力不再过度依赖硬件配置；
·规模量产：头部车企凭借销量杠杆和供应链协同，摊薄研发与生产边际成本，推动技术进入“普惠新阶段”。
市场层面，搭载高阶智驾的车型最低售价持续下探，从2021年理想ONE的40万元级，逐步降至2025年海鸥的10万元内区间，平价车型普及智驾成为现实。同时，市场规模与渗透率呈爆发式增长：预计L2+高阶智驾渗透率将从2024年的8%跃升至2025年的15%，2028年高速NOA市场规模将达778亿元、城市NOA达952亿元，渗透率分别突破30%和15%，未来乘用车高阶智能辅助驾驶市场将持续高速扩张，真正实现技术普惠的行业变革。
智能辅助驾驶行业以“责任认定试点落地+理性宣传”为双轮，在政策护航下实现规范化发展，法规体系逐步完善，车企技术从L2向L3加速进阶。目前在法规建设上，依旧遵循“地方试点先行→全国标准推进”的路径：
·地方试点：北上深等城市率先突破，深圳2022年出台《深圳经济特区智能网联汽车管理条例》，成为全国首部允许L3级自动驾驶上路并明确责任划分的地方法规；北京发布《北京自动驾驶汽车条例》，明确L3级私家车在高速及城市快速路的责任界定（系统故障车企担责、未接管时驾驶员部分负责）；武汉出台《武汉智能网联汽车发展促进条例》，对Robotaxi、私家车L3应用及责任划分作出规定。
·L2→L2+领域：辅助驾驶已规模化量产，主流车企的高速NOA、城市NOA相继落地，全场景D2D功能也在持续迭代；
·L3领域：华为在2025上海车展推出乾崑智驾ADS4.0，发布高速L3商用解决方案，计划2025年推出L3车型；小鹏、理想等车企也在L3技术领域积极布局。
从时间维度看，2021年《汽车驾驶自动化分级》（GB/T40429-2021）定义L2技术标准，蔚来、理想、小鹏等布局L2级辅助驾驶；2022年上汽、长城等跟进，深圳率先探索L3地方法规；2023年华为、广汽、极氪、比亚迪等技术迭代；2024年零跑、奇瑞等加入，国家级L3标准加速推进；2025年L3车型有望落地，政策与技术的双轮驱动让行业规范化、规模化发展趋势愈发明确。
从产业发展角度看，我们坚定看好“汽车算力+数据闭环方案供应商”的未来方向，核心源于高阶智能驾驶（L3及以上）落地对“算力支撑”与“数据迭代”的双重刚性需求，且二者的协同融合正是突破当前技术瓶颈的关键。
一方面，智能驾驶技术向“全场景、高可靠”进阶时，对算力的需求呈现指数级增长：随着激光雷达、4D毫米波雷达、高分辨率摄像头等多传感器的大规模装车，单台车每秒产生的感知数据量可达GB级，需实时完成环境感知、多目标预测、路径规划等复杂计算——这不仅要求供应商提供“边缘端（车/路侧）低延迟算力+云端大规模训练算力”的协同架构，还需突破异构算力（GPU/FPGA/ASIC/NPU）的高效调度技术，以及国产化算力芯片的适配优化（解决“卡脖子”风险）。例如，城市NOA场景中，车辆需在毫秒级响应突发路况，既依赖边缘算力的实时决策，又需云端算力对区域交通数据的汇总分析，而方案供应商能通过一体化算力调度系统，平衡“实时性”与“算力利用率”，这正是车企独立建设难以快速突破的技术痛点。
另一方面，数据闭环是高阶智驾模型持续迭代的“核心引擎”：高阶智驾的安全性依赖对极端场景（CornerCase）的覆盖，而这类数据天然稀缺且分散，需通过“采集-筛选-标注-训练-验证-部署-反馈”的闭环持续积累。当前技术发展中，人工标注成本高、数据合规性（隐私保护、地理信息安全）要求严、高价值数据筛选效率低等问题，正制约车企模型迭代速度——而专业方案供应商能通过自动化标注技术（如基于大模型的半监督标注）降低80%以上的人工成本，依托联邦学习、差分隐私等技术实现“数据可用不可见”，同时结合仿真测试平台将实车数据与虚拟场景数据融合，快速扩充极端场景数据集。更关键的是，数据闭环的高效运转需以匹配的算力为基础：海量数据的清洗、特征提取、模型训练需大规模算力集群支撑，而供应商能通过“算力按需分配+数据动态调度”的协同方案，避免车企陷入“算力闲置与算力不足并存”的困境，让数据价值最大化。
此外，从技术协同性来看，二者的深度绑定正推动智能驾驶技术从“分散研发”向“集约化迭代”升级：算力的优化可反哺数据闭环效率（如通过算力调度优先级设置，让高价值数据优先进入训练流程），而数据闭环产生的模型迭代需求又能驱动算力架构升级（如针对特定模型特征优化芯片算子）。这种“算力支撑数据迭代、数据反哺算力优化”的正向循环，既能帮助车企降低智驾研发的技术门槛与成本（无需独立搭建复杂的算力与数据体系），又能快速响应技术迭代（如大模型与智驾模型的融合、车路云一体化的算力协同），恰好契合当前智能驾驶从“单点技术突破”向“系统能力落地”的技术发展主线——因此，能提供一体化解决方案的供应商，必然成为推动高阶智驾规模化落地的核心力量，发展前景极具确定性。
国外领跑生态、国内快速追赶但存短板。国外能领跑智能驾驶生态，是因为头部企业早早在数据积累、算力建设与算法研发上形成优势，还依托跨国家、跨企业的联盟构建了数据共享标准与基础设施，整合行业资源推动技术与生态协同发展；国内则通过整车企业、互联网科技厂商、政府及智能网联示范区的合力，快速推进智算中心建设与相关基础设施落地以追赶进度，但受国产算力芯片与AI框架适配不足、数据共享机制不健全、AI复合型人才缺口大等问题影响，仍存在明显短板。
·特斯拉：全链条领先，是端到端自动驾驶标杆。数据端通过“影子模式”采集标准化道路与驾驶数据，积累海量高价值数据；算力端2024年底总算力达100EFLOPS（FP16，相当于30万块A100显卡）；算法端引领BEV（鸟瞰图）、数据闭环端到端技术，同时开发兼具WorldSim（真实场景仿真）与LogSim（日志回放仿真）的高保真仿真平台。
·Waymo：依托谷歌生态强化数据与仿真能力。借助谷歌全球用户网络，通过用户机器人验证完成道路对象数据标注，构建高质量数据集；同时以高保真模拟驾驶环境补充真实世界数据，降低极端场景数据采集成本。
·Wayve：聚焦AI算法创新。2023-2024年密集发布多模态生成式世界模型GAIA-1、混合模型LINGO-1、WayveScenes101数据集及自动驾驶仿线，强化算法与数据工具链能力。
·传统车企：借力云厂商与芯片商补短板。奔驰采用谷歌云VertexAI作为算力中心，并通过NVIDIADRIVESim验证智驾功能；宝马与亚马逊云合作开发定制化数据管理系统，覆盖数据分析、机器学习与存储。
·英伟达：提供全栈式硬件与软件支持。推出端到端自动驾驶开发平台NVIDIADrive、深度学习超级计算机DGX-1、智能座舱框架DRIVEIX及仿真平台DRIVESim，成为奔驰等车企的核心技术供应商。
国内近年加速智算基础设施布局，但在核心技术、数据机制、人才储备上仍存明显短板，呈现“硬件快进、软件滞后”的特点：
智算中心建设：多主体参与，规模快速扩张。国内整车企业、互联网厂商、政府及示范区共同推动智算中心落地，形成“全域覆盖”的建设态势：
·整车企业：算力需求驱动自建与租赁结合。吉利（1.2EFLOPS）、小鹏（10EFLOPS）、理想（9.3EFLOPS）、长城（3EFLOPS）等头部车企纷纷布局智算中心，为智驾模型训练提供算力支撑。
·互联网科技厂商：争夺AI算力高地。阿里张北超级智算中心规模达12EFLOPS，百度、腾讯在多城市布局智算中心，商汤绝影算力达23EFLOPS，字节跳动通过合作加码IDC领域，构建通用算力底座。
·政府端：大型智算中心成主流。2023年后政府智算中心以1000P以上算力规模为主，如甘肃庆阳算力中心达3500PFLOPS，北京、南京、西安等地均规划超大规模智算项目，同时推动17个国家级智能网联测试区、7个车联网先导区建设。
·智能网联示范区：车路云数据与算力协同。20个“车路云一体化”试点城市通过路侧感知设施汇聚道路数据，同步建设云控基础平台，为数据与算力的区域协同奠定基础。
国内虽在硬件设施上快速追赶，但在核心技术、数据机制与人才上存在明显瓶颈：
·国产算力与框架适配不足：硬件端，除华为昇腾外，国产AI芯片（天数智芯、摩尔线程等）难以规模化出货，自建算力中心中国产卡占比低于10%；软件端，国外框架（TensorFlow、PyTorch）垄断市场，国产框架（华为MindSpore）市占率低，在工具链兼容性、算子完备性、跨硬件适配能力上差距显著。
·数据共享与开放机制缺失：公开数据集远少于国外（如缺少对标nuPlan、WaymoOpenDataset的高质量公共数据），企业数据格式不统一，CornerCase（极端场景）数据占比不足5%；数据确权、定价、合规流通规则模糊，敏感数据（舱内、地理信息）边界不清晰，导致企业共享意愿低，“数据孤岛”问题突出。
·AI复合型人才缺口巨大：2024年国内AI产业人才约75万人，预计2030年需求达600万，供给仅200万；人才结构失衡，算法研发人才集中，但算力架构优化、跨领域融合（汽车+AI）人才稀缺，且校企合作存在工程化鸿沟，人才培养与产业需求脱节。
展望2026，我们认为“汽车算力+数据闭环”方案供应商的未来发展，需围绕“解决适配断层”展开，形成“算力适配数据、数据反哺算力”的正向循环，具体有三个核心方向
l构建“异构算力+多框架”的适配层，推动算力国产化与高效利用。针对国产算力适配痛点，供应商需开发跨架构算力调度平台：一方面，通过“算子兼容层”实现国产芯片（昇腾、寒武纪）与国内外框架的适配，支持“一张算力卡适配多框架、一个框架兼容多芯片”，降低企业使用国产算力的门槛；另一方面，搭建“算力共享适配系统”，通过标准化接口对接车企、高校的闲置算力，实现“按需分配、按量计费”，如报告中70%企业愿意加入算力共享体系，这一方向可有效解决算力适配浪费。同时，开发“车-路-云”算力协同适配标准，统一车端（边缘算力）与云端（集群算力）的数据传输协议、算力调度优先级，确保车端实时数据能快速调用云端算力做辅助决策，云端模型能轻量化适配车端算力做部署。
从技术适配角度，我们认为投资机会集中在“解决适配断层的核心技术”与“满足特定需求的场景化方案”，具体可分为两个赛道：
·国产算力-框架适配工具：投资方向为“算子兼容软件、异构算力调度平台”，如能实现国产芯片与MindSpore、TensorFlow双适配的中间件，解决报告中国产算力“用不起来”的痛点，目标客户为使用国产算力的车企、智驾供应商；
·车-路-云算力协同适配系统：投资方向为“边缘-云端算力调度协议、数据传输适配接口”，如能统一车端（如高通8295）与云端（如阿里张北智算中心）算力调度的平台，适配报告中20个“车路云一体化”试点城市需求，目标客户为地方政府、示范区运营方。
·数据合规与流通适配系统：投资方向为“隐私计算+区块链确权”一体化方案，如能实现敏感数据脱敏后仍可用于模型训练、且数据确权可追溯的平台，适配报告中“数据流通需解决合规与确权”的需求，目标客户为行业级数据交易平台、车企联盟。
2025年，中国L4级智能驾驶正从技术验证加速迈向商业化爬坡的关键节点，政策、技术、场景的三重驱动形成强大合力，推动产业进入规模化落地的“元年”。政策层面，工信部联合公安部推出修订版管理办法，上海、广州等五城率先实现全域商业化运营，取消安全员强制值守要求，并以“技术缺陷比例”明确事故责任划分，为行业扫清制度障碍；技术端，激光雷达分辨率突破200线，车路云协同能力持续增强，系统成本较三年前下降60%，百度ADFM大模型更将复杂路况事故率降至人类驾驶员的1/149；场景落地则呈现多线开花态势，Robotaxi形成“智驾公司-主机厂-出行平台”金三角模式，单车年毛利率接近传统出租车水平，工业园区智能重叉车、城区无人配送等场景更实现年均数万元的成本节省。截至年末，五城L4车辆保有量已突破10万辆，带动产业链规模超200亿元。
展望2026年及未来，L4智能驾驶将开启场景深化与范围扩张的新阶段。一线城市核心区有望实现全无人出租车常态化运营，单车日均订单预计突破30单，滴滴、蔚来等企业的定制化车型量产计划更将加速运力落地。技术上，端到端架构与多模态模型将进一步优化感知决策能力，算力门槛持续提升的同时，硬件成本有望再降30%，推动车型售价逐步下探。长远来看，随着试点城市扩围至20个以上，L4技术将从城市场景向干线物流、矿山等更多领域渗透，2035年市场规模有望突破45万亿元，成为智慧城市与共享经济的核心支撑。而这场变革背后，政策与技术的协同、数据安全与伦理规范的完善，将成为决定产业发展速度与质量的关键命题。
车云协同作为L4智能驾驶商业化的重要支撑，其产业协作格局已初步显现，核心围绕车端智能执行、云端算力与数据服务、通信链路保障三大环节展开，参与主体涵盖多类企业。从产业协作架构来看，车云协同的核心逻辑是“车端执行+云端赋能+链路保障”的三位一体模式，这一模式的落地依赖多类型企业的分工与配合。
云端则承担“算力中枢与数据大脑”的角色，是车云协同支撑商业化的核心动力源。报告中提及的腾讯云、百度智能云、华为云、天翼云、阿里云等云服务提供商，以及百度、华为等兼具智驾技术与云端能力的企业，为L4智能驾驶提供三大关键支撑：一是大规模算力供给，满足L4车型对复杂路况的实时建模、多车协同调度等高频次算力需求，例如百度智能云为其ApolloRobotaxi提供的边缘计算节点，可将数据处理延迟控制在毫秒级；二是海量数据管理，存储车端每日采集的千万级公里驾驶数据，并通过云端算法对数据进行清洗、标注，反哺驾驶模型迭代——腾讯云便与轻舟QCRAFT合作搭建了专属数据平台，实现“数据回传-模型训练-算法下发”的闭环；三是全局资源调度，结合高精度地图实时更新（如百度贵图、高德地图的云端更新服务）与区域交通动态数据（如蘑菇车联与北京公交、中国联通协作获取的路况信息），为车端提供最优行驶路径规划，提升运营效率。
通信链路则是保障车云协同“互联互通”的基础桥梁，其低延迟、高可靠性直接决定协同效果。报告中提到的中国移动、中国联通、ZTE中兴等企业，通过5G-V2X技术搭建车云通信网络：一方面，确保车端感知数据（如突发障碍物信息）、车辆状态数据（如电量、故障预警）能实时回传至云端，避免因数据传输延迟导致的安全风险；另一方面，保障云端下发的调度指令（如路径调整、避让提醒）能精准触达车端，尤其在Robotaxi集群运营、园区智能物流等场景中，通信链路的稳定性可直接提升车辆周转率。
从商业化落地场景来看，车云协同的支撑作用已在多个领域显现。在Robotaxi领域，文远知行、蘑菇车联等企业通过“车端感知+云端调度”的模式，解决了单一车辆在复杂路口、高峰期拥堵场景下的决策局限——例如蘑菇车联与中国联通、腾讯云合作，在广州黄埔区实现Robotaxi全域运营，云端可实时整合区域内200+台车辆的路况数据，提前预判拥堵点并调整行驶路线%；在机场物流场景，海口美兰国际机场、鄂州花湖机场引入仓擎智能、TRUNK等企业的无人转运车，通过车云协同实现“货物定位-路径规划-装卸调度”的自动化：车端负责货物实时追踪与避障，云端则根据航班起降动态调整运输时序，使货物转运效率提升40%，人力成本降低60%。
2025年是中国智能网联汽车从“技术验证”向“规模化商业化”迈进的关键一年，相关政策围绕“顶层设计明确化、监管要求精细化、安全底线严格化、产业协同高效化”四大核心方向展开，形成覆盖“战略-准入-运营-安全”全链条的管理体系，为产业高质量发展提供清晰指引。2026年L4智能驾驶相关政策导向主要体现为支持多主体协同推进商业化落地，例如北京经济技术开发区、上海市人民政府等地方层面推动试点环境搭建，中国联通、中国移动、ZTE中兴等通信企业受政策引导保障车云协同的通信链路，与小马智行・pony、文远知行、蘑菇车联等智驾企业，以及北汽集团、广汽集团等主机厂联动，同时结合腾讯云、百度智能云等云端服务商的算力支撑，共同为Robotaxi全域运营、园区智能服务等L4场景落地创造条件，形成“车-云-路-政府”协同的政策支持氛围，助力L4智能驾驶突破场景覆盖与运营效率瓶颈。
随着技术成熟度提高，L4智能驾驶行业的稳定性提升与成本下降将深度依托产业协同体系落地。从成本下降维度看，技术成熟将通过“规模效应+硬件迭代+协作分摊”三重路径实现成本优化：一方面，北汽集团、广汽集团等主机厂与智驾企业的深度合作（如定制化L4车型开发）将推动感知硬件、算力模块的规模化采购与生产，降低单车硬件成本，例如北汽新能源与蘑菇车联合作的Robotaxi车型已通过部件集成减少冗余配置，降低硬件开支；另一方面，华为云、天翼云等云端服务商的算力共享模式，可减少车端本地算力模块的配置需求，避免单车算力资源浪费，同时百度贵图、高德地图的云端高精度地图实时更新服务，能替代传统车载地图的高频线下升级成本；此外，随着海口美兰国际机场、鄂州花湖机场等场景中仓擎智能、TRUNK无人转运车的规模化落地，以及上海、北京等城市Robotaxi全域运营的推进，L4智能驾驶的研发成本、运营维护成本将被更多场景与订单分摊，边际成本持续下降，为行业从“技术验证”向“盈利性运营”过渡奠定基础。
在此基础下，我们认为2026年L4智能驾驶将迈入规模扩张与盈利攻坚期。政策层面，全域运营城市预计扩围至15城，京沪高速等干线物流场景开放无人重卡试点，OTA升级、数据安全等专项标准落地；技术上，头部企业L4车辆总拥有成本（TCO）较2023年下降50-60%，硬件成本占比从70%降至45%，端云协同技术使极端天气功能退出率降低50%，算力利用率提升300%；场景与商业化方面，一线城市核心区Robotaxi实现全无人常态化运营，单车日均订单突破30次，干线物流、城际接驳等场景加速渗透，封闭场景净利率有望达15%，头部企业通过“技术授权+场景运营”巩固格局，中国解决方案开始向海外输出。
从投资角度来说，我们建议关注解决方案提供商的收入增长以及各类场景运营商的降本增效。 “解决方案商的收入增长”与“场景运营商的降本增效”并非孤立，而是形成正向协同：解决方案商的技术迭代（如低成本算法方案）能直接帮助运营商降低硬件与运营成本，而运营商的规模扩张（如新增1000台运营车辆）又会反哺解决方案商的收入增长（如新增软件授权与迭代服务订单）。例如，华为ADS3.0方案的成本优化，使问界M9的L4功能落地成本降低40%，推动问界自动驾驶车队规模扩张至5000台，而车队扩张又为华为带来持续的软件服务费收入，形成“技术-规模-收入”的闭环。因此，投资端在关注单一企业时，需同时评估其与产业链上下游的协同能力：对解决方案商，看其是否有稳定的运营商客户（如与滴滴、蘑菇车联的长期合作）；对场景运营商，看其是否绑定技术领先的解决方案商（如百度Apollo的Robotaxi车队仅使用自研方案，技术迭代速度快于行业平均）。这种协同能力不仅能支撑短期收入与成本优化，更能在行业竞争加剧时形成“技术+规模”的护城河，成为长期投资价值的核心支撑。
工业AI实际上是利用软件技术实现对工业技术，知识、流程的永久固定和随时复用。工业软件是对先前工业知识与技术的总结与存档，使之前无形的知识、技术变成可以长期多次复用的“工业工具”和“效率倍增器”这些知识和技术既可以是设计环节里的灵感，也可以是制造环节中的工艺，还可以是管理层面的经验。
在工业软件出现之前，操纵机床加工金属的技艺往往掌握在以“老师傅”为代表的高级技工手中，多年积累的工艺知识只能通过口口相传的方式教授给下一代的年轻工人。而工业软件出现后，一个普通人经过短期的培训就可以在工业软件的辅助下，利用数控机床制造出精确程度不输给老师傅的金属器件。
从工业软件代表性企业的发展历程来看，虽然企业所处的发展阶段不同、所在领域不同，且都有各自不同的突出特点，但从发展模式的角度可以总结出一些共性因素。
一是高端需求催生产品。无论是达索系统还是Ansys，都是由重大装备研制或重大工程项目的需求催生的。MSC成立于20世纪60年代，在NASA的高端需求牵引下，成为将有限元分析技术引入航天研发设计的开拓者。目前主流的高端CAD产品最初都是由大军火商支持开发的。
二是应用牵引至关重要。以达索的CATIA为例，CATIA成立不久就得到了波音的应用，为其产品的成熟起到了重要的促进作用。尤其是CATIAV5这款产品，第一个用户是我国的某型飞机研制，为其产品走向成熟做出了重大贡献。航空航天、汽车制造等领域对于CAD、CAE等产品的旺盛需求大幅促进了三维CAD软件和仿真软件的发展。
三是商业发展形成规模。经过高端需求孵育出的工业软件产品，在经过了工程应用的检验后，不约而同走上了商业化发展的道路。达索系统和Ansys都在产品研发成功后很快走上了商业化发展的道路，在更广阔的制造领域找到了用武之地，通过市场获得了企业发展所需的资金和用户，使其具备了自我造血可持续发展的能力。
四是资本支持不断做强。20世纪80年代开始，工业软件企业掀起了一波上市热潮，通过资本市场的支持，为企业做强提供了条件。2000年以来，工业软件产业进入成熟发展期，各大巨头通过频繁并购来丰富产品线进入细分市场，实现产品的平台化，形成了较高的竞争壁垒。这一阶段诞生的两家工业软件巨头主要都是通过并购来实现发展，如西门子作为制造业巨头，从2001年起通过一系列重要并购、有效整合和转型，形成了全面的工业软件产品体系，并能够提供软硬一体化方案；瑞典海克斯康公司并购了不少于115家公司，成长为新的工业软件巨头。
在AI的加持下，我们认为国内工业软件的新一轮大迭代即将到来。这轮迭代不仅会延续“需求催生、应用牵引”的核心逻辑，更会以AI为突破口，解决国内工业软件长期面临的效率、易用性与场景适配难题，加速国产替代与价值升级。
一是AI赋能核心产品攻坚，突破效率瓶颈。国内工业软件在仿真分析（CAE）、复杂设计（CAD）等领域，长期存在计算效率低、对工程师经验依赖度高的问题。AI技术正成为破局关键：一方面，通过机器学习优化仿真算法，可将原本需要数小时的结构力学分析缩短至分钟级，大幅降低研发周期；另一方面，AI能基于海量设计案例生成智能辅助方案，比如在机械设计中自动推荐符合工艺要求的零部件参数，降低中小企业使用高端软件的门槛。例如，部分国产CAE厂商已引入AI模块，针对汽车碰撞仿线倍以上的提升。
二是数据驱动重构软件价值，打通“设计-制造-运维”闭环。传统工业软件多聚焦单一环节（如仅负责设计），难以整合生产、运维阶段的实时数据。而AI的核心优势在于对多源工业数据的处理与价值挖掘——通过对接设备传感器、MES系统（制造执行系统）的数据，工业软件可从“工具型”向“决策型”升级。比如，国产PLM（产品生命周期管理）软件结合AI后，能基于产品实际运行数据预测零部件寿命，反向优化设计方案；在新能源领域，AI驱动的电池设计软件可联动产线数据，实时调整电极配方以提升电池能量密度。
三是场景化AI迭代加速，适配本土产业需求。国内制造业存在大量差异化场景（如专精特新企业的小众工艺、新能源装备的特殊设计需求），国际软件难以全面覆盖。而AI的快速迭代能力，让国产工业软件能更灵活地适配本土场景：通过小样本学习技术，软件可在短期内掌握特定行业的工艺规则，无需依赖海量数据积累。例如，针对光伏组件的定制化设计需求，国产CAD软件已能通过AI快速生成符合不同电站地形的组件排布方案，适配效率远超国际同类产品。
四是AI+资本联动，加速产业链整合。参考国际巨头“并购扩围”的路径，国内工业软件企业正借助AI赛道的资本热度，通过并购整合AI技术团队与垂直场景解决方案。一方面，头部厂商通过收购AI算法公司，快速补齐技术短板；另一方面，资本正推动“工业软件+AI+硬件”的协同并购，比如部分自动化设备厂商收购国产MES软件公司后，嵌入AI调度模块，形成“设备+软件+智能调度”的一体化方案，构建更强的竞争壁垒。
我们认为，随着这轮工软全面向场景优化，这轮AI驱动的迭代，将不再是国产软件对国际产品的“跟随式模仿”，而是基于本土产业需求的“差异化突破”——通过AI解决实际痛点，国内工业软件有望在部分细分领域（如新能源、专精特新制造）实现从“可用”到“好用”的跨越，甚至形成领先优势。
传统工业软件是“规则驱动”，依赖预设逻辑与人工操作；而AI是“数据驱动+知识学习”，通过机器学习从数据中提炼规律，通过NLP/CV打破人机交互壁垒，通过知识图谱实现经验复用。这种范式革新让AI在效率（自动化替代人工）、智能性（理解自然语言、图像）、适应性（小样本学习适配小众场景）上全面超越传统软件，最终帮助企业实现“研发周期缩短、创新成本降低、设计质量提升”的核心目标。从技术原理层面，AI能在研发设计领域超越传统工业软件，核心源于数据驱动的智能范式革新，其通过机器学习、自然语言处理（NLP）、计算机视觉（CV）、知识图谱等技术，从效率、智能性、知识复用、场景适配四个维度实现突破。
传统工业软件（如CAD）依赖工程师手动绘制、参数化建模，效率低、知识隐性化。AI通过以下技术重构建模逻辑：
·生成式AI（文生图/3D、图生3D）：基于扩散模型、Transformer架构，将自然语言描述或参考图像转化为3D模型（如Solidworks2025AURA的“文生CAD模型”）。原理是通过大规模图像/3D模型数据训练，学习“语言-几何特征”的映射关系，让工程师以“描述需求”替代“手动绘图”，大幅缩短建模周期。
·知识图谱与智能检索：将企业历史设计图纸、规范文档转化为结构化知识图谱（如“模型设计知识库”），通过语义检索技术（如向量数据库+NLP），让工程师以自然语言提问即可获取设计知识（如“检索某型号电机的轴承选型规范”）。传统软件无此能力，知识多以文档形式散落，复用成本高。
传统设计变更、图纸审查依赖人工逐一比对，易漏检、效率低。AI通过以下技术实现自动化与智能化：
·自然语言处理（NLP）与意图理解：将设计变更需求（如“将零件厚度增加2mm”）转化为机器可执行的指令，自动修改图纸参数。其技术核心是大语言模型（LLM）对自然语言的语义解析，打破“人类-软件”的交互壁垒，传统软件需工程师手动调整参数，流程繁琐。
·代码生成自动化：针对二次开发场景，AI通过预训练模型（如CodeGPT）学习代码生成规律，将设计逻辑直接转化为可执行代码（如“玲珑智能二代代码生成”）。传统二次开发需工程师手动编写代码，AI可将开发时间从“天级”压缩至“分钟级”。
传统CAE软件依赖“物理方程求解+网格剖分”，计算耗时、对硬件依赖强。AI通过代理模型（SurrogateModel）实现效率跃迁：
·机器学习加速仿真：以AnsysSimAI为例，通过训练深度学习模型（如CNN、LSTM）学习“输入参数-仿真结果”的映射关系，将原本需数小时的仿真计算（如汽车碰撞、流体力学分析）替换为“模型预测”，耗时从“小时级”降至“秒级”。原理是利用历史仿真数据构建“数据驱动的预测模型”，替代传统“物理方程求解”的强计算过程。
·多模态数据融合：针对复杂场景（如华为“地幔大模型”融合地质、工程数据），AI通过多模态建模技术（如Transformer融合数值、图像、文本数据），实现跨领域数据的高效整合。传统软件难以处理多源异构数据，AI则能突破“数据孤岛”，提升仿真精度与场景适配性。
传统工艺文件生成依赖工程师查阅规范、手动编写，易出错、标准化程度低。AI通过以下技术实现革新：
·大语言模型（LLM）驱动的工艺生成：将行业工艺规范、设计规则编码为Prompt，让LLM自动生成工艺文件（如赛意信息“PCB工艺文件生成”）。原理是LLM通过学习海量工艺文档，掌握“设计意图-工艺逻辑”的映射，实现从“设计图纸”到“工艺文件”的自动化转化。
比如中望软件CAx+AI技术以“自主内核+AI技术+行业知识”为核心，在设计、仿真、制造全流程实现智能化升级，打破传统工业软件“手动操作、经验依赖、流程割裂”的痛点，形成从“工具级效率提升”到“全流程智能决策”的闭环。中望将AI技术（生成式AI、机器学习、知识图谱等）与CAD（设计）、CAE（仿真）、CAM（制造）三大核心模块深度融合，以创造更大价值。
目前中望CAx+AI已在机械装备、汽车零部件、建筑等行业形成成熟方案，通过“设计-仿真-制造-协同”一体化，解决行业定制化、效率低等痛点。
·汽车零部件行业：奇瑞、江淮等车企通过“异构数据复用+AI快速匹配”技术，实现多软件间带参模型转换，设计效率提升30%-80%；例如车灯模具设计中，AI自动匹配历史成功案例的工艺参数，减少试模次数。
·建筑行业：中望CAD建筑版的AI工具（楼梯助手、智能标注）已应用于数千个项目，某建筑设计院通过AI楼梯助手，将原本1周的楼梯设计工作量压缩至1天，图纸合规率达100%。
传统工业软件是“工具型”执行层系，依赖人工输入与规则；而AI是“智能型”决策层系统，通过数据学习、自主推理实现“从被动响应到主动预测、从单点功能到全流程优化”的跨越，这是其在生产制造领域效果更优的本质原因。技术原理层面来看AI在生产制造领域优于传统工业软件的原因，需围绕数据处理范式、智能决策能力、场景适配性三个核心维度。
·数字孪生与根因分析：构建设备数字孪生模型，结合多传感器数据模拟设备运行状态。当故障发生时，通过因果推理算法（如贝叶斯网络）快速定位根因，传统运维需人工逐一排查，耗时且依赖经验。
传统工艺优化依赖工程师“试错经验”，周期长、成本高。AI通过以下技术突破：
·计算机视觉的缺陷检测：利用YOLO、语义分割等CV算法，对产线产品（如芯片、钢材）进行实时缺陷检测，精度可达99%以上，远超人工肉眼或传统机器视觉的“规则化检测”（易漏检复杂缺陷）。
传统安全监控依赖“预设阈值+人工巡检”，误报率高、场景覆盖不足。AI通过以下技术升级：
传统运行控制是“固定逻辑编程”，无法适应复杂场景。AI通过以下技术实现智能调控：
·强化学习的动态决策：浪潮“工业设备节能智能体”采用DQN、PPO等强化学习算法，根据环境变化（如生产负荷、外界温度）动态优化设备运行参数（如电机功率、空调启停）。传统PID控制是“线性静态逻辑”，AI可在“节能-生产效率”间找到最优平衡。
·时序预测与资源调度：通过LSTM、Prophet等模型预测生产负荷，提前调度资源（如电力、物料），传统调度依赖人工经验，AI可将资源浪费降低10%-20%。
传统绩效分析是“历史数据汇总”，对未来无指导价值。AI通过以下技术实现前瞻式管理：
·大数据分析与预测建模：金蝶“数字化工厂分析”结合GBRT、深度学习模型，实时分析产线数据并预测产能瓶颈、质量风险。传统BI工具仅能做“数据可视化”，AI可输出“行动建议”（如“调整某产线%效率”）
传统工控编程依赖“人工编写代码”，门槛高、灵活性差。AI通过以下技术颠覆：
·大语言模型（LLM）的自然语言编程：西门子“IndustrialCopilot”将工程师的自然语言需求（如“让产线点自动切换到备用设备”）转化为工控代码，原理是LLM学习海量工控代码与自然语言的映射关系，将编程效率提升数倍。
·强化学习的机器人自主控制：浪潮“智能机器人控制”采用深度强化学习（如SAC、TD3），让机器人在动态环境中自主避障、调整动作（如焊接路径优化）。传统机器人是“预编程执行”，AI可适应产线的实时变化。
赛意基于模型的制造iMOM赛意数字化制造运营管理系统,基于华为云工业数字模型驱动引擎iDME和数字化制造云平台MBMSpace构建,以“平台+行业应用”的模式打造场景化的工具链体系。以统一数据模型及组件化设计，支持应用的灵活组配连点成线。基于Center-Site架构，支持集团化、链主和产业集群统一管理，支持云边端弹性部署，解决自动化工厂边缘采集高频率、高稳定需求。目前，iMOM聚焦泛电子、汽车及零部件、装备制造这三大核心制造领域，未来，赛意将持续携手华为，探索并赋能更多行业实施应用，打造行业竞争新优势，助力企业实现“提质、降本、增效”的智造转型升级。
iMOM-APS高级计划排程作为iMOM核心业务模块之一,通过构建敏捷+精益为目标的柔性计划体系,实现生产过程的数字化、智能化和可视化管理,助力企业实现响应能力与内部盈利能力的双维度提升,提高企业的管理水平和决策效率,帮助企业更好地了解市场动态和客户需求,制定更加科学合理的生产和物料计划。通过集成和协同工作,全面提升企业生产效率、优化资源配置、降低生产成本、增强市场竞争力以及推动企业的数字化转型。
传统经营管理软件是“流程工具”，负责记录与执行；而AI是“智能决策中枢”，通过数据学习、知识建模实现“从被动记录到主动预测、从人工主导到智能优化”的跨越，这是其在经营管理领域效果更优的本质技术逻辑。AI在经营管理领域优于传统工业软件的原因，围绕数据处理能力、智能决策逻辑、交互与适配性三个维度，持续优化“人力财务、客户服务、采购销售”各模块的的运作效率。
传统经营管理软件（如ERP）以流程固化、规则预设为主，依赖人工输入与判断；AI通过多模态数据处理、知识图谱与大模型融合，实现效率与智能的跃迁：
AI技术原理：通过NLP语义分析提取简历技能、经验等非结构化信息，结合知识图谱构建“岗位能力-人才特质”的关联网络（如金蝶“AI招聘助手”），再通过大语言模型（LLM）理解招聘需求的自然语言描述，实现“需求-人才”的深度匹配。相比传统软件，AI可将简历筛选效率提升30倍，且能挖掘“跨领域技能迁移”等人工易忽略的适配点。
AI技术原理：通过计算机视觉（CV）分析销售沟通中的肢体语言、表情，结合NLP解析话术语义（如用友“销售教练”），再通过强化学习输出评分与改进建议。相比传统事后总结，AI可实现“实时反馈+行为优化”，将销售培训效果提升25%以上。
传统采购销售软件以流程记录、人工核算为主，缺乏对复杂业务的预测与优化能力；AI通过时序分析、知识图谱、多目标优化实现全链路智能管理：
AI技术原理：通过机器学习回归模型（如XGBoost）分析历史报价、成本结构、市场供需等多维度数据，结合约束优化算法生成“利润-竞争力”平衡的报价方案（如树根互联“智能报价”）。相比人工，AI可将报价决策时间从“天级”压缩至“分钟级”，且方案合理性提升20%。
供应商侧：通过时序分析模型（如LSTM）分析供应商交付历史、市场舆情，预测交付风险（如鼎捷“采购智能体”）；
2025年是“十四五”规划收官之年，科技和产业创新成果层出不穷，以人工智能为代表的颠覆性技术正深刻重构社会发展图景。在这一背景下，网络安全行业迎来历史性变革，网络安全保障与信息化建设已形成“一体之两翼、驱动之双轮”的发展格局，共同成为数字经济高质量发展的核心引擎。一方面，我国信息化基础设施与应用场景持续引领全球，随着各领域数字化渗透率不断提升，国家安全、经济运行和社会稳定的网络依赖性显著增强，对安全防护能力提出了更高要求；另一方面，网络安全深度融入信息化进程的每个环节、AI技术的规模化落地正在引发网络安全需求的结构性升级，随着数字经济体量持续扩大与技术场景持续革新，我国网络安全产业正面临前所未有的市场机遇。网络安全产业在政策护航、技术迭代与威胁升级的三重作用下，一个更广阔、更融合、更智能的网络安全新生态正在形成。
在AI出现之前，传统的网络安全主要依赖于基于签名的检测系统。这些系统通过将传入的流量与已知威胁或恶意代码签名的数据库进行比较来工作。当找到匹配项时，系统会触发警报并采取行动来阻止或隔离威胁。虽然这种方法对已知威胁有效，但对新的和未知的威胁则不足够。网络犯罪分子可以通过修改代码或创建数据库中尚未存在的恶意软件新变种来轻易绕过基于签名的检测系统。另外，基于签名的检测系统可能会产生大量的误报，因为如果合法流量恰好与已知威胁具有相似的特征，就可能被标记为恶意的。这导致安全分析师花费大量时间调查误报，这可能会消耗资源。
传统网络安全的定义可以从狭义和广义两个角度看。狭义角度上在针对网络中的一个运行系统而言，网络安全就是指信息处理和传输的安全。它包括硬件系统的安全、可靠运行，操作系统和应用软件的安全，数据库系统的安全，电磁信息泄露的防护等，狭义的网络安全，侧重于网络传输的安全。广义的网络安全是指网络系统的硬件、软件及其系统中的信息受到保护。它包括系统连续、可靠、正常地运行，网络服务不中断，系统中的信息不因偶然的或恶意的行为而遭到破坏、更改或泄露。随着移动互联网、物联网、人工智能等技术的迅猛发展，网络的概念开始由传统的计算机网络不断向云、边缘、终端等新的衍生概念延伸，早期的网络安全也相应演变为与陆、海、空、天等国家安全概念相提并论的网络空间安全(CyberSecurity)的简称。
20世纪80~90年代，互联网开始商业化，首次出现了病毒攻击终端事件，故终端网络安全受到重视。在千禧年之后，随着互联网的商业化以及网民规模的快速增长，第二代网络安全技术诞生，核心为白名单机制，主要由于病毒、蠕虫可大规模通过网络攻击，第一代的黑名单机制已无法奏效。2014年，网络安全上升为国家战略。2015年之后，基于人工智能的大数据分析作为第三代网络安全技术诞生，2016年《网络安全法》出台，网络安全行业进入快速发展阶段。
随着社会网络安全需求的不断增长及网络安全法律体系完善发展的内在要求，为适应网络安全新形势。2025年3月，国家互联网信息办公室发布了《中华人民共和国网络安全法（修正草案再次征求意见稿）》体现了宽严相济、加重对违法行为处罚、完善相关罚则体系等特点导向。一方面，对违规行为加大处罚力度，进一步强化了法律要求的合规威慑，对于网络安全运行合规咨询、网络安全监测和审计、个人信息和重要数据保护等将带来综合促进。另一方面，对于法律责任的补充，尤其是对使用合规网络产品和服务等责任的规定，对于相关网络产品认证服务、数据产品认证服务、网络和数据产品设备采购等业务或将带来提振。
为强化数据安全和关键信息基础设施的保护，国家持续细化和完善《关键信息基础设施安全保护条例》《个人信息保护法》《网络安全法》《数据安全法》《密码法》，陆续颁布如《政务数据共享条例》《国家数据基础设施建设指引》《中国人民银行业务领域数据安全管理办法》等法律法规、标准、安全指南，构筑起基础法律体系。
在AI大规模使用前，2019年~2023年我国网络安全规模由478亿元增长至694亿元，CAGR为9.77%，呈现稳步增长态势。从全球角度看，2024年全球网络安全市场规模为2182亿美元，预计2024至2029年CAGR为17.39%。从网络安全市场结构看，可分为硬件、软件和服务三大类，目前以硬件、软件类产品为主导，硬件与安全软件市场占比约为40%、安全服务市场占比20%。
硬件市场:未来几年网络安全硬件仍将是网络安全市场中规模占比最高的一级子市场，占比规模均超过40.00%。2021-2025年，中国网络安全硬件市场复合增长率将达到18.4%；
软件市场：近年越来越多的企业业务迁移到云计算平台，最终用户对于统一安全能力的平台类产品需求也在不断增加。未来国内网络安全软件市场将成为网络安全市场中增速最快的一级子市场。到2025年，我国软件市场规模将达到59.0亿美元，五年复合增长率将达23.9%；
相较于增速放缓的全球网络安全服务市场，中国安全服务市场将以近全球两倍的五年复合增长率快速增长。2021-2025年中国网络安全服务市场年复合增长率将达到20.8%，到2025年，其市场规模预计将超过61.1亿美元。
AI应用在网安中的应用主要包括恶意软件检测、攻击流量检测、用户和实体行为分析(UEBA)、以及加密流量分析等。AI应用在网络安全领域的应用效果明显，其自动编程能力、分析能力及自身集成的知识库能够帮助网络安全从业者提升工作效率，改进组织的网络安全计划。AI算法可以分析大量的数据，并检测出可能存在的网络威胁风险。AI在网络安全威胁检测产品的应用从多个维度提升了检测的效率和准确性，具体到恶意文件检测、攻击流量检测、用户和实体行为分析(UEBA)、以及加密流量分析这几方面。
AI防火墙引领边界防护进入一体化智能时代。新华三集团发布的《AI防火墙技术白皮书》指出，作为结合人工智能的新一代防火墙，AI防火墙可以实现本地与云端结合，提供一体化的智能网络空间安全边界防护，将会是下一代防火墙(NGFW)的演进方向。AI防火墙是基于AI硬件加速检测分析引擎的新一代防火墙，即具有AI芯片，可通过本地及云端大数据进行训练及建模，为未知威胁、未知用户行为及未知应用行为提供安全策略推荐，本地可对用户、应用及威胁进行检测与分析，具有全面高级威胁检测分析能力，能够应对各类复杂高效的高级网络攻击威胁。
AI大模型在网络安全运营中的产业实践，尤其是在告警降噪、攻击研判、自动响应与处置方面，展现出了显著的优势和潜力。安全运营是安全行业最需要AI深度改造的环节：1）传统安全设备是第三方的，多且杂，数据混乱，导致误报率高，变成了真实风险看不到，出现威胁防不了；2）安全运营工作压力较大，且绝大多数非真实威胁，效率低下。
上下文关联分析：大模型能够分析告警之间的关联性，结合时间序列、用户行为、网络流量等多种因素，为告警提供更丰富的上下文信息，有助于快速判断告警的真实性和严重程度。
自动化剧本执行：依托AI智能决策，大模型能够自动触发预设的安全响应剧本，快速执行一系列标准化操作，如隔离受感染设备、关闭高危端口、发送告警邮件等，以最短时间阻断安全事件的扩散路径，将潜在损失降至最低。
自适应安全策略调整：基于实时威胁分析结果，大模型具备动态优化安全控制策略的能力。面对不同风险态势，它可灵活调整防护方案，如强化特定区域的监测密度，或临时限制高风险服务访问权限，构建起动态、自适应的防御体系。
交互式辅助决策：在复杂安全事件处置过程中，大模型能够为安全团队提供智能决策支持。通过深度分析生成可视化事件报告，并基于历史案例与实时数据，输出针对性的处置建议，帮助安全分析师快速定位问题根源，制定更精准的应对策略。
在安全运营工作中需要生成各种各样的安全报告，是较为繁重的工作量，AI大模型的文本生成能力在报告的书写方面可以提供大力的帮助，可以高效、优质地生成网络安全需要的各种报告。
智能脱敏策略：AI大模型能够根据数据的分类和分级结果，智能选择最合适的脱敏方法。例如，对于高度敏感数据，模型可能会选择强脱敏策略，如完全替换或随机化；而对于较低敏感度的数据，则可能采用弱脱敏，如部分遮盖或偏移。这种精细化的策略能够平衡数据保护与业务需求。
动态脱敏：AI技术支持在数据使用过程中实施动态脱敏，即根据用户角色、访问环境和使用场景的不同，自动调整数据的显示方式。例如，对于内部审计人员可能展示更多细节，而对于外部合作伙伴则提供高度脱敏的数据视图，以此来最小化数据泄露的风险。
自动化检测与优化：AI还能持续监控数据处理过程，自动检测数据脱敏的效果和潜在的漏洞，根据反馈优化脱敏算法和策略，确保数据保护措施的有效性和适应性。
基于AI的分析可以帮助组织动态评估数据的风险等级，依据数据类型、来源、使用频率等因素，自动调整安全策略。例如，AI模型可以预测特定数据泄露的潜在影响，据此调整访问权限或加密级别，以减轻潜在威胁。
人工智能技术的崛起依托于AI模型、AI数据以及AI承载系统。1）深度学习模型在机器学习任务中取得的突破性进展；2）日趋成熟的大数据技术带来的海量数据积累；3）开源学习框架以及计算力提高带来的软硬件基础设施发展。
学术界与工业界的研究工作表明AI技术在应用过程中存在不可估量的安全威胁。投毒攻击毒害AI模型，使得AI模型的决策过程受攻击者控制；对抗样本攻击导致模型在攻击者的恶意扰动下输出攻击者指定的错误预测；模型窃取攻击导致模型的参数信息泄漏。此外，模型逆向工程、成员推断攻击、后门攻击、伪造攻击以及软件框架漏洞等多种安全威胁都会导致严重的后果。这些潜在的威胁使模型违背了AI安全的基本要求。本文将AI安全威胁分为三个大类别，AI模型安全、AI数据安全与AI承载系统安全。
人工智能衍生安全指人工智能系统因其自身脆弱性被利用而引起其他领域的问题，AI衍生安全影响AI的合规使用，还涉及人身安全、隐私保护等。
比如人工智能系统（如机器人）一旦同时具有行为能力以及破坏力、不可解释的决策能力、可进化成自主系统的进化能力这3个失控要素，不排除其脱离人类控制和危及人类安全的可能。据美国网络安全公司IOActive对50个机器人进行的安全调查，发现10个机器人中有近50个安全漏洞可能威胁到人身安全，如果人工智能系统经常犯错，基于人工智能的物联网体系就会变成令人感到恐怖的系统。再比如由于特斯拉自动驾驶汽车使用许多传感器，这些传感器不断向自动驾驶系统发送数据，因此恶意攻击者可以通过攻击数据源、采用数据欺骗或其他手段来远程控制汽车系统，由此可导致汽车偏航或重大交通事故。
同时利用生成式大模型生成的作品可能包含一些伪造的内容，被用于诈骗与钓鱼攻击，也可能侵犯他人肖像权、隐私权、名誉权，假如生成虚假新闻则可能引发更加复杂的社会问题。AIGC用到的语料和生成的内容可能涉及侵犯知识产权方面的问题，也可能泄露隐私和敏感数据。
通过深度合成和生成式AI技术制造虚假音视频图像进行诬陷、诽谤、诈骗、勒索等违法行为已屡见不鲜。近年来，AI各项技术快速发展，应用更加普及多元。深度合成和生成式AI技术作为人工智能领域的创新应用技术，以其较低的应用门槛、较强的娱乐属性、丰富的应用场景备受关注。ChatGPT以及“换脸”、虚拟主播、AI绘画等为人熟知的场景都使用了深度合成和生成式AI技术。在深度合成和生成式AI技术向社会生活的各个领域渗透的时候，AI安全的负面风险持续加剧且产生实质危害。随着深度合成和生成式AI技术的开放开源、深度合成和生成产品和服务的增多，此类内容制作的技术门槛越来越低，实现了技术的“平民化”。
深度合成技术是指利用深度学习、虚拟现实为代表的生成合成类算法制作文本、图像、音频、视频、虚拟场景等信息的技术。通过对网络内容进行加工处理，使其完成从原初形态到目标形态的变化。在实际应用中，深度合成技术可以完成文本生成、声音复刻、微表情操纵等，最为人熟知的便是“AI换脸”。图像的篡改和修饰技术早已出现，如PS等。但深度合成技术可以做到极其逼真的改头换面，甚至是人体姿态的全身合成。德国的科学家曾用1000段“换脸”视频进行鉴别实验，结果表明普通人若无特殊的标记训练，根本无法辨别人脸真伪。
OpenAI推出了AITextClassifier文件检测器来帮助人们检测一段文本是由人类创作，还是由AI生成的，它是通过对来自各种来源的人类写作和AI生成文本进行训练而得到的。OpenAI在来自5个平台（包括OpenAI本身）的34个文本生成系统的文本上训练了这款AI文本检测器，例如维基百科等。每个文档都被标记为“非常不可能”、“不太可能”、“不确定”、“可能”或“非常可能是AI生成的”。然而，该分类器并不完全可靠，在对英语文本的“挑战集”进行评估时，OpenAI的分类器正确地将26%的AI写作文本（真阳性）标记为“可能是AI写作”，同时将9%的人类写作文本错误地标记为AI写作（假阳性）。
比如国投智能自主研发深度伪造视频图像检测鉴定的核心引擎，打造出一系列视频图像检测鉴定的一体化智能装备，如“AI-3300慧眼视频图像鉴线“慧眼”视频图像鉴真工作站是一款以人工智能技术为核心的视频图像检验鉴定设备，配备了美亚柏科人工智能团队自主研发的核心AI智能检测引擎，支持当前绝大部分深伪视频图像篡改方法的检测，检测精度处于国内领先水平。该设备涵盖40余种视频图像线种深伪鉴定算法，同时具有智能鉴定和专业鉴定两种鉴定模式，支持卷宗管理和三种鉴定文书生成，为司法鉴定人员提供一站式视频图像检验鉴定服务。它不仅对利用传统伪造手段篡改的影像能生成理想的鉴定效果，而且对利用深度伪造技术进行换脸、美颜、生成人脸、同图或异图复制篡改的影像具有十余种理想的鉴定效果。“慧眼”视频图像鉴真工作站可为公安、司法行业及相关领域的技术人员和影像鉴定人员提供一站式影像真伪检验鉴定解决方案。未来公司将对各类AIGC内容的检测、AI生成文本的检测技术及产品进行持续布局。公司也会在利用人工智能进行生成活动中的取证方向，以及人工智能算法模型的安全性和合规性方向，开展相关的业务工作。
同时也建议关注国内安全厂商陆续发布安全大模型或一体机。随着GenAI技术的飞速发展，企业对大模型落地的需求日益迫切。开源大模型DeepSeek的优秀性能表现、本地部署及推理成本的显著降低则极大的加快了大模型在千行百业的落地应用。网络安全厂商充分利用自身安全技术优势，快速响应市场需求，推出安全大模型一体机产品。1）具备丰富安全防护能力的大模型一体机：产品的核心是算力和通用大模型，满足企业大模型本地化部署和应用的需求，同时提供网络边界安全、工作负载安全、数据安全、安全审计等一系列安全检测和防护能力；代表厂商包括天融信、深信服、亚信安全等，既对通用大模型有全面深入的研究与适配，又能够为企业级用户提供与业务紧密结合的模型调优、智能体建设等服务。2）深度融合垂域大模型能力的安全一体机：产品的核心是安全垂域大模型，满足企业智能化安全运营、威胁检测、情报解读、数据分类分级和风险监测等需求，并以软硬件一体机的形式对外销售；代表厂商包括三六零、安恒信息、绿盟科技、天融信、亚信安全等，既具备雄厚的网络安全技术底蕴，又对安全垂域大模型有先发优势和持续高投入。
AI医疗是指通过机器学习、自然语言处理（NLP）、计算机视觉等技术，对医疗数据进行深度分析，辅助临床决策、优化诊疗流程、提升医疗效率的智能化应用体系。AI医疗是利用人工智能技术来帮助医生和医疗机构更快、更好地处理医疗数据、诊断疾病、管理患者健康等。AI可以通过深度学习和分析大量的医学影像、病历数据、基因信息等资料，在此基础上提供更精准的诊断和治疗方案。AI医疗核心技术包括医学影像分析、自然语言处理、机器学习等，例如谷歌旗下的DeepMind公司开发的AI系统，已经在眼科疾病诊断中表现出色，能够通过分析眼底扫描图像，准确诊断出糖尿病视网膜病变等疾病。
AI在医疗中的应用非常广泛，主要包括辅助诊断、临床决策、健康管理、药物研发以及医疗机器人等等，通过在这些场景应用AI，可以帮助达到在降低成本提高效率的同时优化病人体验、提高诊疗质量、减少潜在疾病等的目标，全方位赋能医疗服务的各个环节。
AI医疗提高医疗质量和效率。AI在学习速度与能力方面的卓越表现已广为人知。借助AI技术，能够高效地汇聚过往病例及医学知识，并构建相应模型。在此过程中，AI可助力医生更为迅速地处理海量医疗数据，减轻重复性工作负担，使医生得以将更多时间投入到患者治疗环节，同时辅助制定更为规范的治疗方案，降低人为失误的概率。通过远程医疗及智能诊断系统，AI能够促使偏远地区的患者获取与大型医院相当的医疗服务，推动医疗资源实现更为合理的重新分配，进而让更多人受益于高质量的医疗服务。
AI医疗解决“看病难、看病贵”的问题。在传统医疗领域，美国耶鲁大学教授WilliamKissick曾提出一个广为人知的理论——“不可能三角”。该理论核心观点为，医疗服务的质量、价格以及就诊速度这三个关键要素，在实际情境中往往难以同时兼顾。
然而，人工智能的兴起，为突破这一“不可能三角”带来了曙光。AI技术能够助力医疗机构优化患者管理流程，大幅缩短患者排队等候时间。经过充分数据学习训练的AI系统，其诊疗能力可达到甚至超越具有10年以上临床经验医生的水平。与此同时，AI在药物研发进程中亦能发挥关键作用，可显著压缩研发周期，这不仅有效降低了研发成本，还减轻了患者的用药经济负担，有力推动了药物的广泛普及。
AI凭借对患者个体基因数据、既往病史详情以及生活习惯特征等多源信息的深度挖掘与整合分析，能够精准构建契合个体特质的治疗策略。这种基于精准医学理念的个性化治疗模式，不仅显著提升治疗效果，还能有效规避因传统经验性治疗导致的不必要药物不良反应。以美国23andMe公司为例，该公司借助先进的基因检测技术，结合AI算法对海量基因数据进行深度剖析，帮助用户精准评估自身罹患遗传疾病的潜在风险，并据此提供科学、个性化的健康管理建议，为疾病预防与早期干预提供有力支撑。
1.提高诊断准确性：AI能够对海量医疗数据进行学习和分析，发现人类难以察觉的规律和模式，减少误诊和漏诊的发生。
2.提升医疗效率：自动化的流程和决策支持系统可以替代或辅助人工操作，如数据分析、病历管理、患者监护等，使医生能够将更多时间和精力集中在患者的治疗上，提高医疗服务的整体效率。
3.加速药物研发：AI技术可以模拟化学反应和分子结构，预测药物的效果和副作用，大大节省了药物研发过程中的实验和临床试验时间，加快新药上市的速度。
4.实现个性化医疗：通过对个体的全面健康数据分析，为患者量身定制个性化的治疗方案，提高治疗的有效性和安全性。
从国内AI医疗发展历程来看，自2018年开始，我国人工智能医疗行业监管政策逐步完善，个别赛道开始出现可行性强的商业模式。2021年7月，国家药监局发布《人工智能医用软件产品分类界定指导原则》，明确人工智能医用软件产品按照第三类医疗器械管理。
技术：此阶段的AI医疗产品以辅助医生诊疗的程序或系统为主，几乎没有应用于临床，整体产业仅出现一个初步的形态。
特点：数据建设初步展开，部分疾病标准数据库建立、基于深度学习的感知智能应用兴起。
技术：医疗大数据建设展开，信息系统升级改造，眼底与肺部影像的标准数据库建立；基于深度学习的影像应用走到感知应用发展的前端NLP、KG等其他应用在慢跑；商业模式处于混沌的初步尝试阶段，可行模式未确定。
技术：医院内部各科室、医院与医院、医院与当地卫健委之间的数据互联互通建设由信息系统改造转向数据治理阶段领跑的影像应用往尚未覆盖的疾病诊疗领域横向拓展与深度挖掘，NLP应用追赶至前端，KG、ML蓄力慢跑。
AI正在迅速渗透医疗行业的各个环节，包括但不限于影像诊断、药物研发、临床决策支持、健康管理等。AI医疗的价值体现在提升医疗服务质量、增加医疗服务可及性以及降低医疗成本上。
AI医学影像：医学影像是利用光、电、磁、声等物理现象，以非侵入方式获得人体或人体某部分内部组织的影像。临床超过70%的诊断都依赖于医学影像。临床中最常见的影像模态包括X线摄影、CT、MRI和超声等。人工智能应用于医学影像，主要是通过深度学习实现机器对医学影像的分析判断，帮助医生更快获取影像信息，进行定性定量分析，提升医生阅片效率，协助发现隐藏病灶，协助医生完成诊断工作。AI医学影像是AI医疗领域目前最为成熟和常见的领域之一。
药物研发：传统的药物研发模式依赖研发人员的经验以及大量的试错实验，不仅耗费大量的时间和资金，而且成功率相对较低。据相关研究表明，研发一种新药平均需要投入约26亿美元，耗时长达12-15年，然而在临床试验阶段的成功率却不足10%。AI在药物研发领域的应用有助于缩短药物上市周期，降低研发成本，提高研发效率。
AI赋能医疗信息化：AI+医疗信息化的应用场景广泛，具体包括临床决策支持，电子病历，医疗资源调控以及远程治疗及智慧医院的建设等。1）临床决策支持，通过AI整合临床数据、医学知识库和实时患者信息，为医生提供循证医学建议，降低误诊风险并提升诊疗质量。2）在电子病历方面，人工智能能够多模态的梳理并理解医患间的对话内容，提升病历记录的效率。同时，AI通过对历史病历信息的读取，可以更好的了解患者的基本信息、过往药史等，使患者图像更为清晰。3）在医疗资源调控方面，AI算力的提升加快对医院信息、药物存量、患者情况的收集、处理、交换速度，更方便调配医疗资源，发掘医疗潜能，并提升公共卫生事件的应对效率。4）在远程医疗方面，虚拟现实技术突破了智能医生与患者间的时空限制，并对术后跟踪、慢病治疗环节有所效益。
健康管理：AI健康管理，是指运用新一代信息、通信、人工智能、生物信息等技术手段，感测、分析、整合健康数据采集、健康检测与监测、健康评估、健康干预等关键环节的各项信息，从而对个体或群体的健康需求做出智能响应的新模式。AI助力健康管理可以帮助医生和患者更好地了解自己的病情，进而提高治疗效率和质量。AI技术在健康管理领域的应用，如智能可穿戴设备，能够实现对用户健康状况的实时监测和管理。
2025年中国AI医疗行业规模将达到1157亿元，预计在2028年达到1598亿元，2022-2028年CAGR为10.5%。AI医疗的快速发展得益于人口老龄化和医护人员短缺的大环境，AI技术能够缓解医疗资源供需矛盾，提高医疗体系的效率，减轻医务人员的工作负。