1.1 报告背景：从技术突破到产业基础设施
我写这份大模型行业报告时，脑子里反复出现一个画面：大模型从实验室里的技术惊喜，变成企业日常运转的基础设施，像电力、云、数据库那样进入采购清单。2025年，讨论重点从参数、榜单，转向成本、稳定性、合规、单位产出。我看到的不是单一技术突破，而是技术、算力、数据、应用、治理一起搭台。
企业侧的人关心能不能接进业务。开发者关心工具链和推理成本。投资人关心收入模型和竞争壁垒。政策制定者关心安全与可控。我把这些声音放在同一张地图上，形成总览。大模型行业报告的价值，在于帮不同角色找到自己的坐标。
如果前几年大家问“大模型能做什么”，现在更多人问“我怎么把它变成基础设施”。我选“产业基础设施”作为主线，是想让读者看到技术突破之后，落地、规模化、治理、人才和资本如何咬合。这个背景决定了后面章节的展开方式。
1.2 核心发现：2025年大模型行业关键词图谱
我把2025年大模型行业关键词图谱概括成几张网：多模态、推理增强、MoE、端侧化；开源闭源竞合、模型即服务、行业大模型；合规、安全、可信、绿色算力；投融资热点、人才流动、区域格局。这些词不是孤立标签，它们在企业预算、产品路线、政策文件里互相牵引。
从我的观察，多模态和推理增强正在把“能用”推向“好用”。MoE和端侧化在成本与体验之间找平衡。开源与闭源不再简单对立，很多团队一边用开源底座，一边买闭源API，一边做行业微调。模型即服务降低了试错门槛，行业大模型把通用能力拉进具体流程。
政策治理和资本人才也在塑形。合规、安全、可信、绿色算力进入采购标准。投融资从广撒网转向看收入、看毛利、看续费。人才从大厂向创业公司、传统行业数字化部门、区域集群流动。我给读者的核心结论是：2025年的大模型行业，竞争焦点从模型本身扩展到系统能力。
1.3 报告方法论与数据来源说明
这份大模型行业报告采用桌面研究、专家访谈、企业调研、公开数据交叉验证。我会看论文、开源社区、云厂商财报、招投标、专利、招聘、政策文件、行业会议。数据来源包括公开数据库、企业披露、第三方机构、访谈记录。对每个关键数字，我会标注口径、时间、地域，避免把不同口径混在一起。
我处理数据时，会做三角验证。一个市场规模数字，至少用两种来源对照。一个应用落地案例，会看客户公开信息、供应商披露、访谈线索。遇到矛盾，我会保留区间，说明不确定性。大模型行业变化快，方法论的目标不是给出完美答案，而是给出可追踪、可修正的判断框架。我也提醒读者，报告是地图，不是终点。
1.4 阅读指南：如何理解趋势、应用与市场规模
我建议读者分三层读。趋势层看技术、生态、政策、资本人才。应用层看金融、制造、医疗、教育、政务、内容创意的落地方式。市场规模层看全球与中国、细分赛道、增长驱动。不同角色可以跳读，企业决策者先看应用与ROI，投资者先看竞争格局与市场规模，政策制定者先看治理与安全。
我读趋势时，会问它能不能变成预算。我读应用时，会问它有没有可复制流程。我读市场规模时，会问口径是否一致、增长来自替换还是新增。把这三个问题串起来，大模型行业报告就不只是信息汇编，而是决策工具。
我还想提醒一句，别把关键词当成答案。关键词图谱是入口，真正有价值的是背后的因果链和行动清单。你可以从自己所在行业出发，找到最靠近业务的那一两个词，再顺着报告往上游看算力、数据、模型，往下游看Agent、行业解决方案、终端入口。这样读，报告会更好用。
2.1 技术趋势：多模态、推理增强、MoE与端侧化
我在整理2025年大模型行业报告的技术章节时，有一个很深的感受：技术路线不再是一条单线，而是四条线同时往前推。多模态让模型能处理文本、图像、音频、视频混在一起的任务，推理增强让模型在给出答案前多走几步逻辑链，MoE把大模型拆成多个专家模块按需激活，端侧化把一部分能力塞进手机、PC、车机。这四个方向不是并列关系，它们在实际产品里经常组合出现。
多模态的推进速度比我年初预想的快。以前多模态更像演示功能，现在不少客服、内容审核、工业质检场景已经把图文混合输入当成常规需求。推理增强带来的变化更微妙，它不只是让模型更聪明，而是让模型在数学、代码、规划类任务上变得可验证。我见过一些团队把推理链当成质量控制的抓手，通过限制推理步数来控制成本和延迟。
MoE和端侧化是我认为2025年最值得关注的两个成本杠杆。MoE让大模型在推理时只调用部分参数，单位算力产出更高。端侧化则把一部分任务从云端搬到设备上，隐私更好，延迟更低。这两条路都有代价，MoE对训练稳定性和路由设计要求高，端侧化受限于芯片算力和内存。我在报告里反复提醒读者，技术趋势不能只看论文指标，要看工程可行性和单位经济性。
2.2 产业生态趋势：开源闭源竞合、模型即服务与行业大模型
产业生态这部分我写得比较纠结，因为开源和闭源的关系在2025年变得很复杂。我访谈过的一些团队，底座用开源模型做微调，关键任务调闭源API做兜底，同时自己维护一套评测集来对比效果。这种混用模式正在成为常态。开源社区贡献了工具链、微调方法和部署方案，闭源厂商在长上下文、多模态、安全对齐上保持优势。双方在竞合中互相定义边界。
模型即服务把试错门槛拉得很低。企业不用一开始就买卡、搭集群、招算法团队，可以先按Token付费验证场景。我注意到一个现象：很多公司从API调用开始，跑通一个场景后，逐步转向私有化部署或混合架构。这个迁移路径让模型即服务成为入口，而不是终点。云厂商和模型厂商都在抢这个入口位置。
行业大模型是另一个关键趋势。通用模型能力再强，到了金融风控、医疗诊断、工业排产这些场景，还是需要行业数据、行业知识和合规约束。我看到的行业大模型不一定是从头预训练，更多是在通用底座上做持续预训练、指令微调和工具接入。行业大模型的竞争点不在参数规模，而在数据质量、场景理解和交付能力。
2.3 政策与治理趋势：合规、安全、可信与绿色算力
政策与治理是我写报告时最谨慎的部分。2025年全球主要经济体都在推进大模型相关立法和标准，合规要求从建议性转向强制性。我看到的趋势是，合规不再只是法务部门的事，它进入产品设计、数据采集、模型训练、部署运维的全流程。安全评估、红队测试、内容过滤、日志审计，这些环节开始有明确的操作规范。
可信和绿色算力是两个容易被低估的方向。可信涉及模型输出的一致性、可解释性、版权合规、偏见控制。绿色算力则和能耗、碳排放、数据中心选址直接相关。我了解到一些大型企业在采购大模型服务时，已经把能耗指标和碳足迹纳入供应商评估。这个变化对算力密集型玩家影响很大，也推动液冷、异构计算、调度优化等技术落地。
我在报告里想表达一个观点：治理不是创新的对立面。清晰的规则能降低交易成本，让企业敢用、敢投、敢规模化。模糊地带反而让预算卡住。2025年我观察到的一个积极信号是，行业联盟和标准组织在推动评测基准和互认机制，这比单纯等待立法更务实。
2.4 资本与人才趋势：投融资热点、人才流动与区域格局
资本趋势在2025年变得更挑剔。我对比了前几年的投融资数据，发现资金从广撒网转向集中投少数赛道：推理优化、Agent框架、行业解决方案、数据治理、端侧芯片。投资人问的问题也变了，以前问技术壁垒，现在问收入、毛利、续费率、单位经济模型。能证明自己赚钱的团队更容易拿到钱。
人才流动是我在访谈中感受最深的一条线。大厂的核心算法人才还在，但一批有经验的工程师和产品经理流向了创业公司和传统行业的数字化部门。区域格局也在变化，北京、上海、深圳、杭州仍然是密度最高的地方，成都、武汉、合肥、西安在算力和政策支持下形成新的聚集点。我注意到一些海归人才回流后选择加入区域集群，而不是只盯一线城市。
人才趋势和资本趋势是咬合的。有钱的地方吸引人，有人才的地方更容易拿到钱。我写这部分时想提醒读者，大模型行业的人才竞争不只是薪资竞争，还有算力资源、数据权限、工程文化、落地场景的竞争。一个算法工程师在有大模型平台和真实业务的团队里成长更快。资本和人才的区域格局，最终会影响产业生态的多样性和韧性。
3.1 应用落地图谱：金融、制造、医疗、教育、政务与内容创意
我在梳理2025年大模型落地案例时，最直观的感受是行业之间的节奏差拉得很大。金融走得最快，投研报告生成、客服质检、代码辅助、反欺诈这几个场景已经跑出可复制的模板。银行和券商愿意花钱，合规部门也摸出了一套审批流程。制造慢一些，但方向很清楚，设备维修知识库、工艺参数推荐、质检图像识别、排产优化都在试。工厂对准确率要求苛刻，一条产线停机的代价太大，上模型之前要过好几轮验证。
医疗和教育是我花了最多篇幅写的两个领域。医疗的落地集中在病历结构化、影像辅助、导诊分诊、科研文献检索。三甲医院和区域医疗平台是主要买家，他们对数据不出院、模型可解释、责任可追溯这三件事抓得特别紧。教育这边，个性化练习、作文批改、口语陪练、教师备课助手是主流。K12受政策影响大，高等教育和职业教育反而更活跃，我访谈的一家职业教育公司把大模型用在实训陪练上，续费率涨了不少。
政务和内容创意放在一起看很有意思。政务场景偏项目制，12345热线工单分类、政策解读、公文辅助、城市治理事件识别，这些需求明确、预算稳定，但交付周期长。内容创意正好相反，广告文案、短视频脚本、电商详情页、游戏NPC对话，迭代快、容错高、付费意愿分散。我认识的一个创作者团队，三个人用大模型工具撑起过去十个人的产出，他们把省下来的时间拿去做创意策划。这条图谱上每个行业的成熟度不同，采购逻辑不同，能接受的错误率也不同，报告里我坚持把这点写清楚，免得读者拿金融的标尺去量内容创意。
3.2 落地模式：API调用、私有化部署、Agent与行业解决方案
落地模式这个话题我在报告里改了三次结构。一开始按技术架构分，后来发现按客户决策路径写更实用。API调用是大多数企业的第一步，门槛低、按量付费、两周就能验证一个场景。我见过一家零售公司用API做商品评论摘要，先跑三个月看效果，再决定要不要扩到客服。私有化部署是第二步，客户对数据安全、延迟、成本可控有硬要求时才会走这条路。金融、政务、大型制造基本都绕不开私有化，部署周期从几周到几个月不等。
Agent是我2025年最看好的落地形态。它把模型从问答工具变成能调用工具、能拆解任务、能多步执行的执行体。客服Agent能查订单、改地址、发退款，研发Agent能读代码、跑测试、提PR。我注意到Agent的落地有个规律：任务越结构化，成功率越高；工具越齐全，人工兜底越少。行业解决方案是集大成者，把模型、数据、流程、合规、运维打包交付。做行业解决方案的团队往往不是纯技术公司，他们懂业务、有客户关系、能扛交付。
这四种模式不是替代关系，是叠加关系。我访谈的一家医疗信息化公司，底层调API做通用问答，中层私有化部署行业模型，上层搭Agent做导诊，外面再包一层符合医院采购要求的解决方案。客户买单的是结果，不是模式。报告里我提醒读者，选模式要看场景的容错率、数据的敏感度、预算的支付方式，还有团队自己的交付能力。模式选错，技术再好也推不动。
3.3 市场规模测算：全球与中国市场、细分赛道与增长驱动
市场规模测算这部分我写得很小心，因为这个领域的数据口径太乱。有的机构把算力、模型、应用全算进去，有的只算模型服务收入，有的把IT预算里沾边的部分都算成大模型市场。我在报告里做了拆分，把市场分成基础层、模型层、应用层三块，再按地区、行业、部署方式交叉看。全球市场2025年保持高增速，北美在基础层和模型层领先，亚太在应用层和私有化部署上增长更快。
中国市场我单独拉了一节。国内的特点是政策驱动强、行业需求分散、价格竞争激烈。金融、政务、制造、医疗是四个最大的支出方向。我看到的增长驱动有三条：企业降本压力、国产算力替代、行业数字化预算向AI倾斜。细分赛道里，推理优化、Agent平台、数据治理、行业解决方案的增速高于整体。模型API的价格还在往下走，但私有化部署和解决方案的客单价在往上走，这个剪刀差决定了不同玩家的生存空间。
我对市场规模的判断有个前提：不能只看签约金额，要看实际消耗和续费。我了解到一些项目签约额很大，实际调用量很低，客户还在试用期。真正健康的信号是Token消耗持续增长、Agent任务完成率提升、客户主动扩场景。报告里我用了三个指标交叉验证：收入确认、算力消耗、场景数量。单看一个指标容易误判。市场规模是结果，不是目标，企业盯着客户价值做，规模自然会长出来。
3.4 商业价值验证：降本增效、收入创新与ROI评估框架
商业价值这块我访谈了几十家企业，听到最多的词是降本增效，但真正算清楚账的不多。客服场景比较好算，人工坐席数量、平均处理时长、首次解决率，三个指标一摆，省了多少钱一目了然。研发场景复杂一些，代码补全采纳率、缺陷率、需求交付周期，这些指标受团队协作影响大。制造和医疗的账最难算，因为收益分散在停机减少、良率提升、误诊率下降这些间接指标里。
收入创新是另一条线。我见过教育公司用大模型做个性化陪练，客单价提了三成。见过SaaS公司把AI功能单独打包收费，ARR多了几千万。见过内容平台用AI生成互动剧情，用户时长涨了。这些案例的共同点是，大模型不是嵌在原有产品里当功能，而是长出了新的收费点。收入创新比降本增效难验证，周期长，但天花板高。报告里我把两类价值分开写，提醒读者不要用降本的框架去评估创新的项目。
ROI评估框架我给了三层：第一层看直接成本替代，第二层看流程效率提升，第三层看收入增量和战略卡位。大多数企业止步于第一层，因为好算。能走到第二层的，通常有比较强的数据基础。走到第三层的，往往是行业头部或者决心转型的公司。我自己的观点是，ROI不是一次算完的，要按季度滚动更新。模型能力在变，场景在扩，成本在降，年初不划算的项目年中可能就划算了。企业需要一个动态的评估机制，而不是一次性的立项审批。
4.1 基础层：算力、数据、框架与云服务竞争
我跑了几家云厂商和算力公司，基础层的火药味比应用层浓得多。算力这块，英伟达的卡还是硬通货，可国产芯片在推理场景里找到了自己的位置。一家做边缘推理的创业公司告诉我，他们用国产芯片做端侧部署，成本降了一半，客户还愿意买单。云厂商的打法也在变，早些年卖GPU小时数，现在打包模型微调、推理优化、安全合规，客户要的是开箱即用。中小玩家想活，得在垂直算力优化或者边缘推理上找缝。
数据层的竞争更隐蔽。我访谈过一家医疗数据清洗公司，十来个人，专门给医院和药企做脱敏、标注、结构化，订单排到明年。高质量数据太缺了，公开数据集不够用，合成数据成了新方向。我注意到一些头部模型公司开始自建数据团队，从数据源头卡位。框架层相对稳定，PyTorch、飞桨、MindSpore各有地盘，企业选框架看的是生态和人才储备。云服务这边，巨头通吃，细分场景还有机会。
基础层的格局我画过一张图，算力、数据、框架、云服务四块咬合得很紧。谁掌握算力，谁就有定价权。谁掌握数据，谁就能做行业模型。框架和云服务把前两块包起来卖给客户。我自己的判断是，基础层不会出现太多新巨头的机会，创业公司的窗口在垂直优化和边缘侧。大厂拼的是规模效应和生态绑定，小厂拼的是灵活和成本。
4.2 模型层：通用大模型、行业大模型与开源生态
模型层的玩家我分成两类来看。通用大模型这边，头部几家打得厉害，OpenAI、Google、Anthropic在海外，国内百度、阿里、字节、DeepSeek各有招数。竞争焦点从拼参数变成拼推理成本、多模态能力、Agent任务完成率。我试过几个模型做同一份合同审查，闭源模型准确率高一些，开源模型差一点但便宜很多。企业选型时算的是综合账，不是单看榜单。
开源生态在2025年变得特别重要。Llama、Qwen、DeepSeek这些开源模型能力逼近闭源，企业拿过来微调就能用。我访谈的一家制造企业，基于开源模型做设备维修问答，数据不出厂，成本可控。闭源模型靠工具链和生态服务守住阵地，开源模型靠灵活和低成本抢市场。行业大模型是另一条线，金融、医疗、法律、制造都有玩家。一家做法律大模型的公司，不追求通用能力，专注合同审查和判例检索，客单价很高。行业模型的护城河是数据壁垒和合规经验。
模型层的格局我这样看：通用模型是少数玩家的游戏，行业模型百花齐放，开源生态把门槛拉低。我注意到一个现象，模型层和应用层的边界在模糊。模型公司开始做Agent平台，应用公司开始微调自己的模型。这种交叉竞争让市场更热闹，也让选型更复杂。企业客户需要一个清晰的评估框架，不能只看模型跑分。
4.3 应用层：平台型玩家、垂直服务商与终端入口
应用层是离客户最近的一层，也是竞争最乱的一层。平台型玩家像微软Copilot、钉钉、飞书，把大模型嵌进办公流，客户不用换系统就能用AI。他们的优势是生态和入口，劣势是场景不够深。垂直服务商做客服、营销、代码、设计，扎进一个场景做透。我访谈过一家AI客服公司，他们活得好，原因是懂业务、有客户关系、能扛交付。平台型玩家抢通用需求，垂直服务商抢专业需求，两边有时会撞上。
终端入口是2025年新战场。手机厂商把大模型放端侧，汽车厂商做语音助手，智能家居做控制中枢。谁掌握入口，谁就掌握用户数据和使用场景。我试过一款端侧模型的手机，离线问答速度很快，隐私也好。终端入口的竞争刚开场，硬件出货量、系统生态、开发者数量都是筹码。我注意到应用层玩家开始往模型层走，模型层玩家往应用层走，边界越来越模糊。
应用层的格局我理成三句话：平台型靠生态，垂直型靠行业know-how，终端型靠硬件出货量。每类玩家都有自己的活法，也有自己的天花板。平台型容易做大，但难做深。垂直型容易做深，但难做大。终端型容易起量，但难赚钱。我写报告时把这三类分开分析，提醒读者别用一个标尺量所有玩家。
4.4 标杆案例：典型企业实践与可复制经验
我选了四个案例放进报告。一家银行用大模型做投研助手，私有化部署，安全合规，研究员写报告的时间省了四成。一家制造企业用大模型做设备维修知识库，老师傅的经验变成问答对，停机时间降了。一家教育公司做AI陪练，学生开口练口语，续费率涨了三成。一家内容平台做AI生成互动剧情，用户时长涨了。这些案例的可复制经验是：从小场景切入，算清ROI，业务牵头，技术配合，别一上来就搞大平台。
另一个案例是某云厂商的模型服务平台，帮中小企业快速调用和微调模型。他们提供模板、按量付费、自动扩缩容，客户两周就能上线一个场景。这个案例的可复制经验是降低门槛。还有一个开源社区案例，企业基于开源模型微调，成本低，迭代快，数据留在自己手里。我访谈的团队负责人说，他们不怕模型能力差一点，怕的是数据泄露和成本失控。开源方案解决了这两个痛点。
标杆案例不是拿来照搬的，是学思路。我见过太多企业直接抄头部公司的方案，忽略了企业规模、行业监管、数据基础这些上下文。一家银行能私有化部署，一家小电商只能调API。一家制造企业有几十年维修数据，一家新工厂只有设备手册。选对场景、算清账、组织配套、持续迭代，这四条比具体技术选型更重要。报告里我坚持把案例的上下文写清楚，免得读者误读。
5.1 核心结论回顾：趋势、落地与市场规模的交叉验证
我做这份大模型行业报告，最深的体会是趋势、落地、市场规模三张图不能分开看。技术趋势里多模态、推理增强、MoE、端侧化在往前走，产业生态里开源闭源竞合、模型即服务、行业大模型在成型，政策治理在收紧，资本人才在重新布局。应用落地这边，金融、制造、医疗、教育、政务、内容创意都有案例，落地模式从API调用到私有化部署再到Agent和行业解决方案。市场规模测算，全球和中国市场都在涨，细分赛道冷热不均。我把这些维度放在一起交叉验证，发现一个规律：技术成熟度和商业接受度之间有时差。端侧模型技术准备好了，客户还在观望。Agent技术热闹，企业流程改造没跟上。
我拿给几位企业决策者看过这份交叉验证的结论。一位制造企业的CIO跟我说，他们最关心的不是模型跑分，是停机时间能不能降。一位投资机构的朋友说，他们看市场规模不看总量，看细分赛道的增速和毛利。这些反馈让我更确定，大模型行业报告的决策启示不在单一结论里，在维度之间的匹配。2025年是从试点到规模化的关键年，可规模化不是齐步走，金融和内容创意跑得快，制造和医疗走得稳，政务和教育受政策影响大。
我的判断是，读这份大模型行业报告的人，要带着自己的场景来交叉验证。趋势告诉你方向，落地告诉你可行性，市场规模告诉你天花板。三张图叠在一起，才能看出自己该不该进场、什么时候进场、用多大力度。我写报告时坚持把不确定性写出来，不藏。决策启示不是给标准答案，是给思考框架。
5.2 主要挑战：成本、幻觉、数据安全、人才与监管
成本这件事，我在访谈里听到的抱怨最多。推理成本在降，可总拥有成本不低。算力采购、数据清洗、模型微调、安全合规、人员培训，这些隐性成本加起来，很多企业算完账就犹豫了。一家零售企业的技术负责人跟我算过，他们做智能客服，API调用费只是小头，知识库维护和人工兜底才是大头。我自己的看法是，成本挑战不在单价，在规模化之后的边际成本能不能控住。
幻觉和数据安全是另一对硬骨头。通用场景里幻觉还能容忍，专业场景里幻觉就是事故。医疗诊断、法律合同、金融风控，模型说错一句话，代价可能很大。数据安全更敏感，私有化部署贵，公有云调用又担心泄露。我访谈过一家医院的信息科主任，他说他们不是不想用大模型，是不敢把患者数据放出去。人才短缺让这些挑战更难解。懂模型又懂业务的人太少，监管政策还在完善中。一家创业公司的CEO跟我吐槽，他们招一个既懂推理优化又懂行业合规的人，找了半年。
这些挑战互相缠绕。成本限制数据安全投入，人才不足加剧幻觉风险，监管收紧又让企业不敢大胆试。我注意到一个现象：挑战越多的行业，大模型落地越慢，可一旦突破，壁垒也越高。金融和医疗就是例子。企业决策者要做的，不是等挑战消失，是找到挑战和收益之间的平衡点。我的建议是，把挑战拆成可管理的模块，一个一个解决，别想一口吃成胖子。
5.3 未来机遇：AI Agent、具身智能、科学智能与产业互联网
AI Agent是我目前最看好的方向。从问答到执行任务，这个跳跃很大。我试过几个Agent产品，能订票、写代码、做数据分析、自动填表。企业流程自动化空间更大，客服、销售、运营、财务都有机会。一家做外贸的朋友跟我说，他们用Agent自动跟进客户邮件，转化率涨了两成。AI Agent的机遇在于它把大模型从“说”变成“做”，商业价值更直接。我判断未来一两年，Agent会从单任务走向多任务协作，从个人助手走向企业员工。
具身智能和科学智能是更远一点的机遇。具身智能把大模型放进机器人、自动驾驶、智能家居，让机器理解物理世界。我去看过一家机器人公司，他们用大模型做任务规划，机械臂抓取成功率提升明显。科学智能用大模型做生物医药、材料发现、气象预测，一家AI制药公司的创始人告诉我，他们用大模型筛选候选分子，周期缩短了几个月。产业互联网是把大模型嵌入产业链，从研发、生产、物流到销售，每个环节都有优化空间。一家汽车厂商用大模型做供应链预测，库存成本降了。
这些机遇的时间线不一样。AI Agent一到三年能看到规模收入，具身智能三到五年，科学智能五到十年，产业互联网需要更长时间。投资者和企业要匹配自己的节奏。我见过一些团队追热点，什么火做什么，结果资源分散。我的建议是，选一个自己有数据、有场景、有耐心的方向，扎进去。大模型行业报告的决策启示里，机遇不是拿来追的，是拿来匹配的。
5.4 行动建议：企业、投资者与政策制定者的策略清单
给企业的建议，我理成几步。从小场景切入，算清ROI，业务牵头，技术配合。数据治理先行，别急着上大模型。人才内部培养加外部引进，别指望招一个全能选手。选开源还是闭源，看数据敏感度和成本承受力。一家制造企业的做法我比较认可：他们先做设备维修问答，跑通之后再做质量检测，再往后做排产优化。每一步都算账，每一步都复盘。企业决策者要记住，大模型是工具，不是战略。战略是解决什么问题，创造什么价值。
给投资者的建议，我概括成三看。看基础层的垂直优化和边缘推理，别碰纯通用模型烧钱。看行业模型的数据壁垒和合规经验，别只看参数。看Agent应用和端侧入口的团队，有没有客户关系和交付能力。我访谈过一位投过大模型赛道的合伙人，他说他们现在不投模型层，投应用层里能收钱的公司。这个思路我认同。大模型行业报告的市场规模数据能帮你判断天花板，可团队的执行力决定你能不能碰到天花板。
给政策制定者的建议，我想到三条。平衡创新和监管，别一刀切，也别放任。推动数据开放和算力普惠，让中小企业也能用上大模型。培养跨学科人才，参与国际标准制定。我参加过几次政策研讨会，企业界和学术界的共识是，监管要给确定性，不要给模糊空间。一家做医疗大模型的创业公司跟我说，他们不怕监管严，怕监管变。政策制定者的行动清单里，稳定预期比补贴更重要。这份大模型行业报告的决策启示，收尾一句话：别追风口，追价值。价值在哪里，大模型就在哪里落地。
