2025年中国生成式AI行业最佳应用实践.pdf

400-072-55881400-072-5588120252025年中国生成式年中国生成式AIAI最佳实践最佳实践2025年8月生成式AI、Agentic AI、场景化、任务导向 Agentic AIAgentic AI下的任务重构、决策与创新下的任务重构、决策与创新400-072-55883生成式生成式AI趋势洞察趋势洞察-6 技术优化与成本降低-7 Agentic AI 创造新价值-8 合成数据推动大模型迭代与落地-9 AI安全治理体系持续完善-10生成式生成式AI海外优质案例分析海外优质案例分析-11 生成式AI海外优质案例评价维度分析-12 Google Cloud Seven-Eleven Japan-13 亚马逊云科技 Deye-14 亚马逊云科技 TVCMALL-15 Azure AI Foundry ASOS-16 Azure Sage Freight-17生成式生成式AI最佳实践案例评选流程及维度解析最佳实践案例评选流程及维度解析-18 最佳案例评选流程与方法-19 最佳案例评选维度解析-20 最佳案例2025重点维度解析-21中国生成式中国生成式AI行业最佳应用实践方案行业最佳应用实践方案-22 生成式AI行业应用实践情况分析-23 生成式AI功能投入分析-24 中国生成式AI行业最佳应用实践图谱-25 交通基建行业的场景需求与挑战-26 交通基建行业最佳应用实践-27 金融行业的场景需求与挑战-31 金融行业最佳应用实践-32研究框架（研究框架（1/21/2）400-072-55884 医疗健康行业的场景需求与挑战-36 医疗健康行业最佳应用实践-37 汽车行业的场景需求与挑战-41 汽车行业最佳应用实践-42 能源与工业行业的场景需求与挑战-46 能源与工业行业最佳应用实践-47 娱乐行业的场景需求与挑战-51 娱乐行业最佳应用实践-52 企业服务行业的场景需求与挑战-56 企业服务行业最佳应用实践-57 互联网行业的场景需求与挑战-61 互联网行业最佳应用实践-62研究框架（研究框架（2 2/2/2）章节章节一一生成式生成式AIAI趋势洞察趋势洞察 技术优化与成本降低技术优化与成本降低 Agentic AIAgentic AI创造新价值创造新价值 合成数据推动大模型迭代与落地合成数据推动大模型迭代与落地 AIAI安全治理体系持续完善安全治理体系持续完善400-072-55886400-072-55886得益于人工智能研究的持续火热得益于人工智能研究的持续火热，人工智能论文发表总量持续增长人工智能论文发表总量持续增长，人工智能在严苛比较人工智能在严苛比较基准测试中的性能持续提升基准测试中的性能持续提升，并且实现特定性能水平的推理成本已显著下降并且实现特定性能水平的推理成本已显著下降。1.11.1 生成式生成式AIAI技术优化与成本降低技术优化与成本降低章节一章节一趋势洞察趋势洞察输入价格输出价格来源：沙利文 2023 年，研究人员推出了 MMMU、GPQA 和 SWE-bench 等一系列新型比较基准，旨在测试前沿人工智能系统的极限。仅一年后，性能就大幅提升：MMMU、GPQA 和 SWE-bench 的得分分别提高了 18.8%、48.9%和 67.3%。除这些比较基准，人工智能系统在生成高质量视频方面也取得了重大进展，在某些特定场景下，基于语言模型的智能体在时间受限的编程任务中甚至表现优于人类。全球全球AI相关文献发表相关文献发表来源：斯坦福大学，沙利文87,24992,73396,890100,555109,949189,110222,659242,740050,000100,000150,000200,000250,00020132014201520162017201820192020202120222023 2013 年至 2023 年间，人工智能相关论文发表的总数翻了一番多，从 2013 年的约 10.2 万篇增至 2023 年的超过 24.2万篇。过去一年间的增长率达 19.7%，这一增幅具有重要意义。计算机科学的众多领域，从硬件与软件工程到人机交互，如今均对生成式AI的发展都有所贡献。因此，观测到的增长现象反映出该人工智能更广泛且日益增强的关注度。当前人工智能变得更加高效、经济和易用。当前人工智能变得更加高效、经济和易用。依托小型模型能力跃升，执行GPT-3.5 级别的系统的推理成本在2022 年11 月至2024 年10 月间骤降280 多倍。硬件层面，年化成本降幅达30%，能效年提升率达40%。同时各个厂商的模型API调用价格也持续下降，截止目前，常规模型的API输出价格已经达到10元人民币每百万Tokens以下甚至更低。GLMGLM-4.54.5通义千问通义千问MaxMaxDeepseekDeepseek-R1R1SenseNovaSenseNova-V6V60.82.42329.689元/百万token400-072-55887400-072-55887尽管生成式尽管生成式AIAI（GenAIGenAI）本身已经极大地提升了内容生成的效率和质量本身已经极大地提升了内容生成的效率和质量，但但AgenticAgentic AIAI作作为其更高级的形态为其更高级的形态，通过引入自主性通过引入自主性、目标导向和多步骤执行能力目标导向和多步骤执行能力，在生成式在生成式AIAI的基础上的基础上创造了全新的创造了全新的、更深层次的价值更深层次的价值。1.21.2 Agentic AIAgentic AI创造新价值创造新价值来源：沙利文Chatbot早期的生成式AI主要以聊天机器人（Chatbot）的形式出现，其核心功能是基于预设规则或简单的机器学习模型，对用户输入的文本进行响应。生成式AI进化革命Digital assistant随着深度学习和大规模语言模型的发展，生成式AI进化为数字助理（Digital Assistant），能够理解自然语言、执行多步骤任务，并与多种服务集成。Agentic AI具备代理（Agent）特性的AI系统，能够自主设定目标、规划路径、采取行动、评估结果并迭代优化，而不仅仅是响应指令。什么是什么是AgenticAgentic AIAI？Agentic AI又称代理型AI，将大量宝贵的数据、能力和程序与自主系统相结合。与传统的生成式AI不同，后者被动地处理输入以产生固定的输出，代理型AI更像是一个合作者，它在业务环境中积极地朝着某个目标努力，而不仅仅是遵循指令。这种协作能力使组织及其员工能够具备前所未有的效率和创造力水平，同时确保与组织目标保持一致。通过具备推理、感知环境、学习和适应的能力，智能体可以被赋予一个目标，然后独立执行复杂任务并解决问题以实现该目标，无需人类干预。为什么为什么AgenticAgentic AIAI是生成式是生成式AIAI的下一个阶段的下一个阶段？被动监控被动监控主动查询响应主动查询响应事件驱动触发器事件驱动触发器计划任务计划任务章节一章节一趋势洞察趋势洞察400-072-55888400-072-55888合成数据合成数据人工智能系统在算法上取得实质性改进的主要驱动力之一人工智能系统在算法上取得实质性改进的主要驱动力之一，是在越来越大的数据集上扩展是在越来越大的数据集上扩展模型及其训练模型及其训练。然而然而，随着互联网训练数据的日益枯竭随着互联网训练数据的日益枯竭，人们越来越担心这种扩展方法的人们越来越担心这种扩展方法的可持续性以及数据瓶颈的可能性可持续性以及数据瓶颈的可能性，使用合成数据如世界模型生成的数据来训练模型也被认使用合成数据如世界模型生成的数据来训练模型也被认为是解决潜在数据短缺的一种方案为是解决潜在数据短缺的一种方案。1.3 1.3 合成数据推动大模型迭代与落地合成数据推动大模型迭代与落地来源：沙利文合成数据应用场景什么是世界模型什么是世界模型？世界模型（World Models,WMs）作为一种生成式AI模型，能够通过构建内部表征理解真实世界的动态规律（涵盖物理特性与空间属性），同时借助文本、图像、视频和运动数据等输入信息生成视频内容。通过从感官数据中学习表征和预测运动、力和空间关系等动态特性，实现对现实环境物理属性的理解并通过生成环境及动作，从而模拟、指导及实施决策。数据获取数据获取困难困难试错成试错成本巨大本巨大标注成本标注成本高昂高昂场景复杂场景复杂多变多变数据标准数据标准不一致不一致游戏与游戏与VR具身智能具身智能科学模拟科学模拟自动驾驶自动驾驶自动驾驶与机器人仿真自动驾驶与机器人仿真：在真实世界中收集极端或危险场景（如车祸、行人突然闯入）的数据既困难又危险。科学模拟及科学模拟及研究研究：在科学研究和工程领域，通过跨尺度的推演，合成数据帮助科学家和工程师更好地理解和掌控复杂系统。游戏与游戏与VRVR：用于构建虚拟环境的逻辑与物理规则，使玩家能与动态场景互动。通过世界模型，系统可模拟重力、碰撞、光照等真实效果，提升沉浸感。随着合成数据的普及，特别是人工智能生成的网络内容所占比例越来越大，未来的模型将不可避免地在非人类生成的材料上进行训练。虽然合成数据具有近乎无限供应的优势，但要有效地利用合成数据进行模型训练，还需要深入了解其对学习动态和学习效果的影响。数据集扩展的一种方法是数据增强，即通过修改真实数据（如图像倾斜或混合）在保留关键特征的前提下创造新的变化。合成数据生成和数据增强都为增强人工智能模型提供了机会。合成数据特点及发展趋势章节一章节一趋势洞察趋势洞察400-072-55889400-072-55889AIAI安全风险不仅仅存在于理论分析安全风险不仅仅存在于理论分析，并且真实的存在于现今各种并且真实的存在于现今各种AIAI应用中应用中，AIAI系统在设系统在设计上面临五大安全挑战：软硬件的安全计上面临五大安全挑战：软硬件的安全、数据完整性数据完整性、模型保密性模型保密性、模型鲁棒性模型鲁棒性、数据隐数据隐私私，其中模型与数据的可解释性贯穿始终其中模型与数据的可解释性贯穿始终，保证保证AIAI应用安全应用安全。1.4 AI1.4 AI安全治理体系持续完善安全治理体系持续完善来源：沙利文AI安全防御技术闪避攻击药饵攻击后门攻击窃取攻击对抗样本检测对抗样本检测输入重构输入重构网络蒸馏网络蒸馏对抗训练对抗训练DNADNA模型验证模型验证对抗样本生成对抗样本生成训练数据过滤训练数据过滤回归分析回归分析差分隐私差分隐私集成分析集成分析模型剪枝模型剪枝隐私聚合教师模型隐私聚合教师模型模型水印模型水印输入预处理输入预处理数据收集阶段数据收集阶段模型训练阶段模型训练阶段模型使用阶段模型使用阶段 可解释数据与前馈检测：输入数据需要具备可解释性，并在进入模型前经过前馈检测，以发现潜在的恶意或异常数据，防止攻击样本混入 可解释模型与可验证模型：AI模型本身不仅要具备较好的可解释性和健壮性，还需要通过验证机制来保障模型不会因对抗样本、后门攻击或数据污染而产生错误判断 后馈检测与业务反馈：在模型推理完成后，系统通过后馈检测机制再次验证输出结果的合理性，确保输出不会对业务系统造成风险。如果检测到异常，可以通过熔断、冗余等手段进行安全回退 业务系统集成：最终，AI推理结果才会被导入到业务系统中。通过这一整套架构，AI治理体系能在“数据模型业务”的全链路上实现安全保障可解释模型可验证模型前馈检测后馈检测可解释数据业务系统章节一章节一趋势洞察趋势洞察章节二章节二生成式生成式AIAI海外优质案例分析海外优质案例分析 生成式生成式AIAI海外优质案例评价维度分析海外优质案例评价维度分析 生成式生成式AIAI海外优质案例分析海外优质案例分析400-072-558811400-072-5588112.12.1生成式生成式AIAI海外优质案例评价维度分析海外优质案例评价维度分析来源：沙利文章节二章节二海外案例海外案例效率提升度效率提升度研发与运营效率研发与运营效率创新性创新性应用亚马逊云科技生成式应用亚马逊云科技生成式AI：辅助赛车及赛道设计、分析比赛策略、驱动粉丝互动效率提升度效率提升度行业深度行业深度创新性创新性 海外优秀生成式海外优秀生成式AI应用实践应用实践：亚马逊云科技亚马逊云科技 与法拉利与法拉利（Ferrari）合作，法拉利将其作为首选云服务商，利用其生成式 AI 技术实现多维度创新，有效实现客户个性化，并提高生产效率开发周期基础设施成本模拟速度20%20%30%30%进站策略：进站策略：误差分钟级秒级故障诊断：故障诊断：数周数分钟决策与响应速度决策与响应速度60%60%行业深度行业深度跨领域融合技术生态构建赛车制造自动化设计材料仿真性能优化模型赛事运营智能调度票务预测安全管理粉丝经济观众数据分析个性化推荐互动增强大模型平台数据湖亚马逊云科技云服务效率提升度效率提升度创新性创新性行业深度行业深度效率提升度指标包含成本效益降低、生产效率提升、资源利用率提升等创新性指标包含技术创新、应用模式创新、模式创新等行业深度指标包含所处行业价值链覆盖程度、行业专业度、行业影响力等章节三章节三生成式生成式AIAI最佳实践案例评选流最佳实践案例评选流程及维度解析程及维度解析 最佳案例评选流程与方法最佳案例评选流程与方法 最佳案例评选维度解析最佳案例评选维度解析 最佳案例最佳案例20252025重点维度解析重点维度解析400-072-558813400-072-558813来源：沙利文0101020203030404厂商报名厂商报名案例输入案例输入案例评估案例评估案例发布案例发布厂商报名厂商报名：提供所处行业及联系方式等基本信息案例输入案例输入：沙利文向各厂商发送调查问卷，同时展开深入市场调研，了解各厂商案例服务情况案例评估案例评估：结合问卷调查结果与厂商沟通信息，对厂商案例服务能力根据行业模块、评选指标进行评估案例发布案例发布：针对案例评估情况，撰写最佳案例评选内容，并与厂商保持透明的沟通确保案例内容的准确性最佳案例评选流程为厂商报名参与最佳案例评选流程为厂商报名参与、案例输入案例输入、案例评估以及最后的案例交付与发布案例评估以及最后的案例交付与发布。案案例评选将结合行业交叉大数据与沙利文创新的全维度评选指标例评选将结合行业交叉大数据与沙利文创新的全维度评选指标，客观公正地呈现生成式客观公正地呈现生成式AIAI行业的最佳案例行业的最佳案例。3.1 3.1 最佳案例评选流程与方法最佳案例评选流程与方法章节章节三三评选解析评选解析功能价值与适用性功能价值与适用性需求适配性、核心功能完整性、场景功能泛化性技术技术性能与创新性能与创新多模态融合能力、生成内容稳定性与鲁棒性、生成内容的合规安全实施与支持实施与支持使用成本优化、智能体应用、培训与支持客户体验与满意度反馈客户体验与满意度反馈场景价值、体验和定制化、满意度追踪情况沙利文融合了传统与创新的研究方法论，结合行业交叉大数据，通过多元化的调研方法与创新的全维度评估指标，客观公正地呈现生成式AI行业的最佳案例。评选评选维度维度评选流程方法论400-072-558814400-072-558814来源：沙利文最佳案例评选维度围绕生成式最佳案例评选维度围绕生成式AIAI最新发展趋势最新发展趋势，结合功能价值与适用性结合功能价值与适用性、技术性能与创新技术性能与创新、实施与支持以及客户体验与满意度反馈四个维度全面评估不同行业各模块的案例服务能力实施与支持以及客户体验与满意度反馈四个维度全面评估不同行业各模块的案例服务能力。3.2 3.2 最佳案例评选最佳案例评选维度解析维度解析章节章节三三评选解析评选解析需求适配性：需求适配性：关注产品是否能精准匹配用户的业务需求和场景逻辑，评估在目标达成、收益实现、代价考量及战略对齐方面的表现，以确保其适应并解决市场需求。核心功能完整性：核心功能完整性：关注产品是否具备完整的核心功能模块，包括自然语言处理、图像生成、语音交互等核心模块协同性及成熟度，以满足实际业务闭环。场景功能泛化性：场景功能泛化性：衡量产品在不同应用场景中的适应性和扩展能力，以实现跨业务场景的无缝适配，泛华能力决定了技术的复用价值与长期持续性，是衡量系统扩展性的关键指标。多模态融合能力：多模态融合能力：关注产品能否高效处理文本、图像、音视频等多模态数据，并实现跨模态内容生成能力，该能力是实现复杂场景智能化的核心支撑。生成内容稳定性与鲁棒性生成内容稳定性与鲁棒性：关注系统在不同输入条件下输出内容的一致性与可靠性，关注在异常输入（如模糊指令、噪声数据）下的容错能力，确保生成结果始终符合预期，同时也关注生成质量提升方案生成内容的合规安全生成内容的合规安全：聚焦内容生成过程中的法律、伦理与数据安全风险，关注模型合规情况，自动化监测及合规保障措施，同时也关注在异常场景下的容错能力和应急响应制度技术技术性能与创新性能与创新维度维度功能价值与适用性功能价值与适用性维度维度使用成本优化：使用成本优化：关注部署、运行及维护生成式AI系统的全周期成本，包括硬件资源消耗、算法迭代费用及人力投入，关注轻量化模型、云原生架构等降本方案，以提升技术普及率和性价比。智能体应用：智能体应用：关注智能体在模拟人类决策、自动化流程中的实际效果，验证其在客服、运营等场景中的响应效率与准确性，以及对业务流程的优化贡献，关注智能体能力及其技术价值转化。培训与支持：培训与支持：关注用户的理解与操作门槛，关注厂商对客户实施建设后的持续赋能的资源和服务支持、实时技术支持及案例库，降低技术应用的复杂性并加速落地进程。场景价值：场景价值：关注产品在具体业务场景中实际带来的提升、收益与价值，结合用户反馈与业务数据，评估技术对核心需求的贡献度，关注获得的长期支持与投入。体验和定制化体验和定制化：关注产品方案交互设计的友好性（如API易用性、界面直观性）及定制开发能力（如参数可调性、模块扩展性），关注满足增长需求的实际有效性与多系统融合性，关注能否通过全面支持满足企业增长需求。满意度追踪情况：满意度追踪情况：关注产品在使用过程中不同使用场景与使用角色的满意度，关注对于客户满意度情况分析及反馈，以及是否识别共性问题并驱动产品迭代，持续贴合用户需求及提升忠诚度。客户体验与满意度反馈维度客户体验与满意度反馈维度实施与支持维度实施与支持维度400-072-558815400-072-558815来源：沙利文在最佳案例在最佳案例20252025评选维度中评选维度中，我们在技术性能与创新维度中更关注多模态融合能力我们在技术性能与创新维度中更关注多模态融合能力，并且并且在实施与支持维度更关注智能体应用情况在实施与支持维度更关注智能体应用情况。3.2 3.2 最佳案例最佳案例20252025重点维度重点维度解析解析章节章节三三评选解析评选解析多模态融合能力：多模态融合能力：生成式AI模型应该能够通过统一的架构设计，能够同时接收和处理来自不同感官通道的信息。这要求模型具备强大的编码能力，将异构数据（如时序信息、像素、声波、字符）转化为统一的语义向量空间中的表示，从而实现信息的对齐与融合。智能体应当具备四大能力智能体应当具备四大能力：感知与理解：通过自然语言接口接收用户指令，理解语义、意图和上下文；任务分解与规划：将高层目标拆解为可执行的子任务序列，动态选择最优路径；工具调用与执行：调用API、数据库、代码解释器、外部系统等工具完成具体操作；反思与迭代：根据执行结果进行自我评估与修正，提升长期表现。智能体智能体智能体智能体行动行动工具工具规划规划短期记忆长期记忆智能体智能体记忆与理解记忆与理解日历交互协作交互协作计算器代码解释器搜索反射自我反思思维链子目标拆解协作方式协作方式合作模式竞争模式混合模式利己模式场景构建多模态序列，采用文本生成损失进行训练，帮助模型从多模态语境中生成相关文本。针对具有多模态生成能力的模型，还需生成序列中的其他模态内容。多模态交错数据预训练多模态交错数据预训练模型通过大规模的多模态交错数据建立初步的跨模态关联模型通过大规模的多模态交错数据建立初步的跨模态关联训练数据训练数据多模态交错文档双模态对应数据针对特定场景构建的多模态数据集训练目标训练目标其他其他训练训练设定设定激活不同模块以支持模型架构需求，确保足够的可学习参数容量。引入高质量的数据进一步提升模型表现。可采用分阶段的预训练策略，逐步学习复杂的多模态关联。章节章节四四生成式生成式AIAI最佳实践案例汇编最佳实践案例汇编 生成式生成式AIAI行业应用实践情况分析行业应用实践情况分析 生成式生成式AIAI功能投入分析功能投入分析 中国生成式中国生成式AIAI行业最佳应用实践图谱行业最佳应用实践图谱 各行业生成式各行业生成式AIAI场景需求与挑战场景需求与挑战 各行业生成式各行业生成式AIAI最佳应用实践最佳应用实践400-072-558817400-072-558817章节四章节四 应用实践汇编应用实践汇编沙利文市场研读沙利文市场研读来源：沙利文功能价值功能价值&适用性适用性技术性能技术性能&创新创新实施实施&支持支持客户体验客户体验&满意度满意度反馈反馈4.3 4.3 生成式生成式AIAI行业最佳应用实践综合图谱行业最佳应用实践综合图谱杭州市医疗保障局杭州市医疗保障局Data AgentData Agent400-072-558818400-072-558818方法论方法论 头豹研究院布局中国市场，深入研究19大行业，持续跟踪532个垂直行业的市场变化，已沉淀超过100万行业研究价值数据元素，完成超过1万个独立的研究咨询项目。头豹研究院依托中国活跃的经济环境，研究内容覆盖整个行业发展周期，伴随着行业内企业的创立，发展，扩张，到企业上市及上市后的成熟期，头豹各行业研究员积极探索和评估行业中多变的产业模式，企业的商业模式和运营模式，以专业视野解读行业的沿革。头豹研究院融合传统与新型的研究方法论，采用自主研发算法，结合行业交叉大数据，通过多元化调研方法，挖掘定量数据背后根因，剖析定性内容背后的逻辑，客观真实地阐述行业现状，前瞻性地预测行业未来发展趋势，在研究院的每一份研究报告中，完整地呈现行业的过去，现在和未来。头豹研究院密切关注行业发展最新动向，报告内容及数据会随着行业发展、技术革新、竞争格局变化、政策法规颁布、市场调研深入，保持不断更新与优化。头豹研究院秉承匠心研究，砥砺前行的宗旨，以战略发展的视角分析行业，从执行落地的层面阐述观点，为每一位读者提供有深度有价值的研究报告。