垂直大模型针对特定行业进行开发，泛化能力稍弱，但精度及专业度优于通用大模型。垂直大模型资金门槛较低，私有化部署成本已降至百万元级别，其壁垒在于行业独家的数据。市场上知名的垂直大模型包括京东言犀大模型、携程问道大模型、网易有道子曰大模型等。垂直大模型的竞争尚处早期，各细分赛道中具备深刻场景认知及非公开行业数据积累的公司仍在陆续入场。

开源生态增长强劲，与闭源生态既存在竞争也相互促进。开源大模型与闭源大模型相比参数规模更小，但允许公众访问、使用、修改和分发模型的源代码，旨在构建开发者生态，为粘性客户提供增值服务，从而实现模型商业化。国外的领先开源大模型，如Meta的Llama，实为“有条件”开源，设置客户的产品月活不能过亿等上限。由于数据存在局限性，此类开源大模型在中文能力上短板明显，为中国开源大模型的发展创造了机会。目前，智谱AI、百川智能、阿里巴巴等在开源大模型方面较为领先。

大模型是下游应用的基础底座，“马太效应”极强，能容纳的玩家数量十分有限。当前通用和垂直大模型仍处于探索及投入阶段，虽然如MaaS、代理部署等环节的商业化路径已较为清晰，但实际的盈利情况并不乐观。

中国大模型投融资市场冷淡，或因“百模大战”的无序竞争导致行业回报预期下降。2023年，美国人工智能领域投融资事件达1151起，融资总金额达310亿美元，同比增长14%。同期，中国人工智能领域投融资事件为232起，融资总额仅为20亿美元，同比下降超85%，与美国差距扩大。其原因在于，2023年开启的“百模大战”驱使部分企业盲目进入该领域，导致无序竞争，降低了行业整体回报预期。

（三）应用层：各方积极探索，静待行业爆发

大模型应用层包含生成式人工智能内容生成、智能助理、人工智能硬件等几大类别。生成式人工智能已能在保证内容质量及多样性的前提下，降低制作成本、提升制作效率，赛道内明星项目频出，如OpenAI的Sora（文生视频）、Midjourney（文生图）、Jasper（指令生成营销文本案）等。智能助理是较有潜力的应用形式，通过整合大模型的感知、分析、内容生成、使用工具等能力，展现出远超单一大模型的生产力，由微软推出的代码助手GitHub Copilot等均属于该范畴。人工智能硬件涵盖各类人工智能硬件平台，如机器人、智能车、手机电脑等，覆盖众多人工智能赋能及衍生场景。

大部分生成式人工智能项目还处在早期探索阶段，仍存在较高不确定性。中国市场大、场景多、用户广，以开发超级应用、发掘新需求见长。尽管在人工智能研发方面距世界领先水平尚有距离，但可以通过应用普及反哺研发。国内头部大模型的中文问答效果已与ChatGPT不相上下，初具商业化能力。2024年，人工智能在教育、金融、自动驾驶、工业等场景的落地情况值得关注。

（四）监管层：高速发展暴露系列问题，寻求创新与监管平衡是政策重点

大模型在高速发展过程中也暴露出一系列法律及合规问题。在数据收集阶段，违规收集数据可能导致侵犯个人隐私，管理和使用不当可能面临数据泄露风险。在模型训练阶段，如果数据分布有偏误，算法模型可能产生歧视与偏见。此外，算法黑箱问题使评估、预测逻辑难以解释，可能存在侵犯知情权的风险。在内容生成阶段，违规内容的审查和处理也给网络信息安全治理带来新的挑战。

针对上述问题，一些国家和地区陆续出台面向人工智能新技术、新应用的监管政策。欧盟于2021年出台的《人工智能法案》将于2024年上半年生效，是全球首部全面监管人工智能的法案。该法案基于风险预防理念，对人工智能系统风险进行了分级，制定了覆盖全过程的风险规制体系。美国于2022年发布《人工智能权利法案蓝图》，要求人工智能开发者以公平方式使用和设计系统，并要求人工智能系统应默认保护隐私。相较于欧美侧重风险管控和隐私保护等环节，中国相关监管政策更多以鼓励创新和预防风险为导向，寻求人工智能创新和合规监管力度之间的平衡。2023年，国家网信办联合七部门发布《生成式人工智能服务管理暂行办法》，明确了发展和安全并重、促进创新和依法治理相结合的监管原则，同时提出了促进生成式人工智能技术发展的具体措施。

二、中央企业在人工智能领域的布局情况

（一）布局情况

1.算力基础设施快速发展

中央企业对算力基础设施的布局主要集中在三大运营商。根据智源研究院数据，当前三大运营商算力规模占全国比重的12.4%。根据各运营商发展规划，中国电信2023年算力规模将达3.8 EFLOPS，同比增长81%，IDC机架将达51万架；中国移动2023年算力规模将达8.0 EFLOPS，同比增长54%，IDC机架将达47万架；中国联通2023年算力投入将达149亿元，资本开支占比达19%，IDC机架将达36万架。中国移动在算力规模方面位列第一，中国电信IDC机架规模较大，且算力规模同比增长较快。

2.部分算力基础设施组件取得一定成果

中央企业在FPGA、DSP、MCU等人工智能芯片领域的布局较为广泛，甚至部分产品实现性能领先。其中，中国电子旗下安路科技研制的“凤凰”系列FPGA芯片，采用28nm工艺制程，可应用于智能座舱、音视频处理等计算领域。中国电科旗下安徽芯纪元研制的DSP“魂芯二号”，单核1024浮点FFT运算仅需1.6μs，是德州仪器同类产品性能的3倍。同样由安徽芯纪元研制的MCU“魂芯智能计算芯片”，为基于可见光、红外、SAR成像的图像、视频识别提供语音识别和自然语言处理等功能。

中央企业在光模块、网络交换机等领域也有一定布局。中国信科拥有100G相干光传输模块和400G硅基光收发芯片，其中自研100G模块和设备已实现批量出货和应用，400G硅基光收发芯片也实现了国产芯片从0到1的突破。此外，中国信科还发布了1T可编程网络交换芯片，采用16nm工艺制程，性能已达国际先进水平，打破了长期依赖国外的困局。

3.大模型聚焦产业应用与合作开发

三大运营商依托海量数据优势，分别推出自研大模型。中国电信发布的星辰通用大模型覆盖3B、7B、12B和130B等参数量级，首次提出的多轮幻觉解决方案将幻觉率降低40%。在教育、政务、应急、客服、医保、交通等多个垂直领域实现商业应用。中国移动发布的“九天·众擎”通用大模型拥有20亿参数，训练数据规模超两万亿Tokens，衍生出九天客服、九天海算政务、九天川流出行、九天企业通话等垂直大模型。中国联通发布的鸿湖图文垂直大模型有8亿和20亿训练参数两个版本，是首个专为运营商增值业务设计的垂直大模型，能够跨模态理解内容实现文生图、视频剪辑、以图生图等多项功能。

除三大运营商外，制造、能源、金融、电力等领域中央企业也对垂直大模型进行探索。中国电科发布小可大模型，提供拟文助手、编码助手、智能标绘等功能。中国石油与百度合作开发国内首个油气储运领域大模型WisGPT，为油气储运工程等提供专业知识支持。国投集团发布国内首个公共安全大模型“天擎”，可用于安全事件的预测预警、案件研判、智能审讯、指挥调度等场景。南方电网发布国内首个电力行业百亿参数规模大模型，提供输配电、电力调度、市场营销、安监、综合管理等解决方案。

总体看，中央企业在大模型领域布局呈现两个特点。一是通用大模型以服务垂直行业应用为导向。不同于ChatGPT、文心一言等以基础技术和计算框架构建为导向的通用大模型，中央企业的通用大模型更多充当“底座”角色，为垂直行业服务，应用属性更强。二是垂直大模型主要采用合作开发模式。大模型开发对技术积淀要求较高，因此大部分技术基础薄弱的中央企业采取与领先大模型厂商的合作方式进行开发，如南方电网、中国石油等选择与百度合作，基于文心大模型的技术和自身行业资源优势开发垂直大模型。

4.数据要素资源集中统一管理

中央企业在数据要素领域的布局主要集中在具有数据资源优势的中国电子和三大运营商。中国电子依托中国电子数据产业集团，联合100余家数据资源商、10余家元件开发商、400余家产品开发商的数据资源构建数字管理平台，形成数字化解决方案。中国移动每日数据采集量达5.5PB，日处理量达27PB，累计存储量超600PB，提供储算和数据工具开放等服务。中国电信推出“灵泽”数据要素平台，构建了“自研+生态”隐私计算能力的基础底座，实现数据集约共享和安全可信流通。中国联通则拥有400PB超大规模数据处理和超万亿级数据实时处理能力，打造了“联通服务”品牌。

5.下游应用场景覆盖较为广泛

中央企业在下游应用场景的人工智能技术布局较为广泛，已应用于制造、电力、通信、交通、安防等场景。东风汽车采用人工智能、大数据、边缘云等前沿技术，构建高效智能的冲压、全自动焊装、无尘化智能环保涂装及数字化总装车间。国家电网针对各类业务需要研发和推广电力巡检机器人、带电作业机器人、无人机等人工智能产品。中国电信运用数字重建和驱动显示技术，实现智能客服的人格化、个性化、专属化。中远海运智能配载平台推动集装箱、纸浆、汽车以及半潜船模块等多个特种船货种智能配载系统的构建。中国电子充分利用人工智能、大数据等技术，打造警务管理、警务指挥、警务安全、警务数据可视化四位一体的智慧警务安防体系。

（二）存在的问题

1.运营商算力规模占比落后头部云厂商

虽然三大运营商算力规模增长较快，但相较百度、阿里巴巴、腾讯、字节跳动等头部云厂商起步较晚，仅阿里云于2022年推出的飞天智算平台算力就已达15 EFLOPS，超过三大运营商算力总和。此外，由于三大运营商没有在美国芯片禁令前大批采购GPU等关键组件，导致其算力增长空间受到较大制约，进一步拉大与前述互联网巨头在整体规模和市场占比等方面的差距。

2.GPU和存储芯片等核心组件布局基本空白

在GPU方面，目前只有中国船舶旗下709所研制的凌久GP101及716所研制的JARI G12两款GPU，性能仅接近英伟达2016年发布的GTX1060民用级GPU，距离满足高水平加速计算、图像处理、深度学习等需求仍有较大差距。GPU研发需要解决基础技术攻关、产线建设、生态搭建等涉及产业链上下游联动的系列重难点问题，中央企业在技术积累、人才招募、产学研合作等方面存在明显短板，短期内难以摆脱受制于人的困境。在存储芯片方面，中央企业没有进行相关布局，但基于国产存储芯片性能优、价格低的优势，尽管离国际先进水平还有一定距离，在算力基础设施建设时有国产芯片可供选择。

3.通用大模型基础技术水平有待提升

相较于垂直大模型，通用大模型的技术含量更高、产业影响力更大。其对底层技术框架、数据全面性与质量等要求较高，中央企业在此方面存在一定不足。目前，仅中国移动和中国电信发布了通用大模型。其中，中国移动的大模型只使用通信、能源、钢铁、建筑等8个领域的数据进行训练，应用普适性不足；参数规模达千亿以上的仅中国电信一家。从技术基础和模型性能看，中央企业的通用大模型与国内外领先的通用大模型仍有一定差距。

4.中央企业间缺乏深度技术与投资合作

相较美国对人工智能产业采取高强度、集中化的投入方式，中央企业的产业布局较为分散，尚未形成产业合力。在技术研发、资源整合、联合投资等方面缺少深度产业合作，特别是在大模型领域，重复研发和资源浪费问题较为凸显。

5.缺少高端领军人才和有效激励机制

当前国内人工智能领域高端人才主要集中在民营企业、高校及科研院所中，中央企业人才储备不足，且在创新支撑、成果转化等创新机制建设方面仍待完善，对高端领军人才的吸引力不足。

（国新基金）