中信建投：“人工智能 ”投资机遇展望

01 推理走向舞台中央，自主可控大势所趋，Agent及多模态加速

AI 教育

在全球科技革命与教育变革共振的浪潮下，人工智能正深度重构教育生态，成为推动教育数字化升级的核心引擎。教育领域因其场景清晰性、数据丰富性和需求刚性，成为AI技术落地的黄金赛道。场景上，教学全流程的可量化特性使AI能够无缝嵌入"教、学、评、管"核心环节，通过智能备课系统与自适应学习引擎实现效能跃升;数据上，教育过程天然沉淀的海量多模态行为数据，为构建学习者全息画像与精准决策提供基础;需求上，国家战略目标与近亿级终端设备部署形成政策与市场双轮驱动，叠加亿级K12群体对优质资源的刚性需求，共同筑牢技术落地的需求基座。这三者深度耦合，正在催化教育从工具赋能向生态重构的范式升级，铸就兼具公平价值与千亿规模的新质生产力高地。

AI教育的核心优势体现在：

一、教学模式的范式革新。通过智能算法对学生学习数据的实时挖掘，AI系统能够精准识别个体学情差异，动态生成适配学习路径，使传统“千人一面”的教学转向“千人千路”的定制化培养。这种数据驱动的个性化教学大幅降低了因材施教的边际成本。同时，AI技术的深度融入重塑了教学边界，依托其强大的多模态内容生成能力，AI可动态构建多元课程形态，显著提升学习场景的沉浸感与认知参与度。

二、教育效能的规模化跃升。在课堂教学场景中，多模态数据分析技术可实时捕捉学生参与度与知识掌握状态，使教师动态调整教学节奏，提升单节课师生互动效率。在课后环节，自动化作业批改系统实现快速反馈，提升教师批改效率，提升教学效能，解决了教育领域长期存在的“规模扩张”与“个性化服务”难以兼得的矛盾。

三、教育资源的普惠化革命。通过低成本终端搭载名校课程与虚拟教师服务，降低偏远地区获取优质教育资源的门槛，显著缩小区域教育鸿沟。AI技术承担机械性工作后，教师得以转向创造性教学与人文关怀，推动教育资源从“基础覆盖”向“优质均衡”跃迁。同时，技术通过开源平台与数据共享机制，提升区域间教育资源配置效率，形成可持续的公平推进路径。

生成式人工智能技术的爆发性发展正驱动AI 教育进入全新阶段。据Market Research预测，教育领域生成式AI的市场规模将从2022年的2.15亿美元跃升至2030年的27.4亿美元，年均复合增长率(CAGR)高达37.5%。其中，面向学习者的应用场景(学生端)贡献近半数市场份额，成为产业增长的核心引擎。

双减”政策叠加政策红利赋能AI 教育行业发展。2021年，“双减”政策的出台旨在减轻中小学生过重的学业负担和校外培训负担，限制学科类培训机构的过度发展，强调教育的公益属性。这一政策导致了行业供给端的大规模出清，许多中小型培训机构关闭或转型，而行业龙头则开始调整业务方向，转向素质教育、职业教育以及合规的中高考复读市场。随着政策的边际放松，教育行业迎来了新的发展机遇。2024年以来，政策导向从“限制”转向“规范”，不再限制新机构的审批，并鼓励非学科类培训的发展。2024年《教育强国建设规划纲要》首次将 “AI助教覆盖90%义务教育学校”“建设教育专用大模型” 列为刚性目标，2025年九部门《加快推进教育数字化意见》进一步细化 “学科垂直模型研发(数学/思政优先)”、“智能学伴普及”、“算法安全备案制度” 三大抓手，标志着政策重心从工具应用转向体系重塑。同时，政策支持教培机构参与学校课后服务，为行业提供了更清晰的发展路径，推动AI与教学流程的深度融合，以促进教育公平和质量提升。

教育信息化

教育信息化目前已全面进入2.0时代，以技术深度融合、场景全面延伸、服务对象多元化为核心特征，推动教育从“工具赋能”向“生态重构”跨越。在这一阶段，教学场景不再局限于传统课堂，而是向课后服务、教学管理、教育决策等全生态延伸，服务对象也从学生和教师扩展至教育管理者和政策制定者。技术应用方面，人工智能、大数据、云计算、5G等技术逐步取代单一硬件集成，成为教育信息化的智能中枢。例如，AI学习系统通过情感计算与生物识别技术，实现个性化教学路径推荐，显著提升学习效率;虚拟现实技术在医学、语言等领域的应用，使沉浸式教学成为可能。当前行业状态显示，全国中小学互联网接入率已达100%，99.5%的学校配备了多媒体教室，慕课数量全球领先，为教育信息化的进一步发展奠定了坚实基础。

此外，教育信息化市场结构持续优化，硬件设备占比约42%，教育软件占比30%，IT服务占比22%，内容资源占比6%，其中软件与服务板块增速显著，2022-2023年增长率分别达15%和18%。政策层面，国家通过《教育信息化2.0行动计划》《教育数字化转型三年行动计划》等战略，推动智慧教育平台体系全覆盖，为行业提供长期发展保障。

AI教育软件

AI 教育软件是以人工智能技术为驱动，通过算法分析学情数据、动态定制学习路径，实现教学流程智能化重构的教育应用程序，是人工智能落地的重要领域。

多邻国(Duolingo)作为全球领先的AI 教育软件代表，自2011年成立以来便致力于通过人工智能技术打造高效、有趣且易于访问的语言学习平台。其核心设计理念是将学习过程游戏化，通过闯关模式、积分奖励、排行榜以及虚拟宠物等方式，极大地提升了用户的参与感和学习动力。近年来，多邻国在AI方面的投入显著加深，推出了Duolingo Max订阅服务，这一服务基于GPT-4技术，具备“解释答案”、“角色扮演”、“ AI虚拟视频陪练”等多项AI功能，不仅增强了学习的互动性，也为用户带来了更深层次的知识理解。

在课程内容方面，多邻国充分利用生成式AI技术，在2024推出了148门新的语言课程，相当于传统方式下12年的成果，大幅缩短了内容开发周期，同时降低了人力成本。其用户规模也在持续增长，截至2025年第一季度，其月活跃用户(MAU)已达到1.302亿，同比增长33%，日活跃用户(DAU)为4660万，同比增长49%。付费用户数量同样表现亮眼，达到了1030万，同比增长40%，付费用户占MAU的比例为7.9%。与此同时，多邻国的盈利能力不断改善，2025年第一季度总营收达到2.31亿美元，同比增长38%，其中订阅收入同比增长45%，达到1.91亿美元，成为其主要的盈利来源。公司还计划在未来进一步拓展AI的应用范围，涵盖更多学科领域，如数学、音乐及国际象棋等，同时推出AR沉浸式学习功能以提升用户体验。

在全球市场中，多邻国尤其在中国取得了迅猛发展，2025年第一季度中文学习用户数同比增长216%，成为中国市场增长最快的语言学习平台之一。这一成绩得益于多邻国对AI驱动内容本地化和创新营销策略的运用。展望未来，多邻国的“AI为先”战略将继续引领其在教育科技领域的创新步伐，同时也面临着来自政策监管、竞争加剧、用户付费意愿波动等方面的挑战，这些因素都将在其长期发展中起到关键作用。

松鼠AI作为人工智能教育领域的领先企业，凭借其自主研发的全学科多模态智适应教育大模型，已在行业内树立起显著的技术壁垒。截至2025年1月，松鼠AI的累计付费订阅学生数达到98.9万人，显示出其在市场推广和用户转化方面的强大能力。此外，松鼠AI的线下门店布局也在快速扩展，目前已在全国多个城市开设超过3000家门店，并与超过6万家学校建立了合作关系，形成了线上、线下深度融合的教育生态。

此外，松鼠AI持续研发投入，持续优化其智适应教育大模型的算法和精度，同时也积极拓展海外市场，与多个国家和地区客户签约，并发布纯英文教学引擎及适配北美课标的教研产品，为全球化发展奠定基础。这些举措不仅体现了松鼠AI在技术研发上的重视，也反映了其在市场拓展和国际化进程中的战略布局。

教育智能硬件

智能学习设备服务市场是指通过智能化硬件设备为学生提供教育服务的市场，其核心特点是将AI技术(如OCR、AI大模型等)与教育服务深度融合，以满足学生、家长和教师对个性化教育体验的需求。该市场可分为两个主要方向：1)To C市场：主要面向个人终端用户，提供从早教到成人教育的辅助学习服务，目标人群广泛，市场需求持续增长。2)To B市场：主要面向学校和教育机构，提供数字校园教学解决方案，受益于政府对教育信息化的持续投入。

2024年中国教育智能硬件市场总规模突破1100亿元大关，其中消费级产品占据主导地位，占比接近80%，而面向学校与教育机构的B端产品贡献剩余份额。这种市场结构反映出家庭教育投入的持续升温，特别是在"双减"政策实施后，家庭场景成为硬件厂商竞逐的主战场。

主流硬件产品已形成清晰的品类矩阵。主要可分为学习机、教育智能手表、翻译工具、早教机、智能教育机器人、其他(智能作业灯、教育电子纸等)，产品品类丰富，且都具备能够与大模型结合的显著特征，是大模型落地的优质领域。AI赋能教育智能硬件着眼于学习效率的提升，主要集中于口语练习、人机互动与AI辅学功能。目前，与大模型结合最为紧密的是学习机，通过提供AI评测、AI口语、AI作文等功能，满足学生个性化学习需求。

用户需求呈现明显的学段差异特征。调研数据显示，31-45岁的一二线城市白领家庭构成消费主力，其硬件配置随子女教育阶段自然演进：学前阶段聚焦早教机与点读笔的组合，小学阶段扩展至学习平板 词典笔 智能手表的系统方案，而初高中阶段则转向更具工具属性的错题打印机等产品。这种需求阶梯表明，教育硬件的产品生命周期管理需要与用户成长路径深度绑定。

技术融合将开启新的增长空间。预计到2025年，AI技术对教育硬件市场的贡献率将提升至18%，脑机接口与数字孪生技术可能催生下一代产品形态。预计到2026年，中国智能学习设备的总市场规模将为1450亿元，2021年至2026年的复合年增长率为17.1%。在政府持续支持并投入实现校园数字化及智慧课堂升级的背景下，To B分部于2017年至2021年经历高速增长，2021年我国B端市场规模达到330亿，2026年有望达到709亿。相比而言，To C学习市场目标人群较多，且辅助教育涵盖从早教到成人教育，有庞大及持续的需求。2021年To C分部的市场规模为329亿元，预计To C分部持续稳健增长至2026年的741亿元。

AI 金融

金融行业的核心特征包括私有数据难以获取、高商业价值，以及较为领先的数字化基础。 在ChatGPT面世前，金融行业长期占据大数据和AI应用的领先地位，这与其丰富独特的数据积累密不可分。金融行业在数字化转型方面一直处于领先地位，这为大模型的发展提供了良好的基础。金融机构在数据收集、处理和分析方面拥有成熟的技术和流程，这些都是训练和部署大模型的关键条件。

自OpenAI于2022年底提出ChatGPT后，大语言模型(以下简称大模型)在C端快速取得成功，目前月浏览量超过17亿。B端，在制造业、医疗业、零售业等行业开始了广泛应用。金融领域存在许多GPT可以解决并提升的痛点：如帮助分析师分析投资标的基本面、自动提取研报信息节省研究员时间、宏观新闻分析、成为智能投资顾问等。2023年以来，海内外众多金融公司或科技公司都以类ChatGPT的大语言模型为基座，投喂自己的金融数据，训练金融行业大模型或应用。

国外金融大模型新进展

蚂蚁集团推出百灵大模型

2025年3月，蚂蚁集团首席技术官兼平台技术事业群总裁何征宇领导的Ling团队，宣布将推出名为百灵轻量版(Ling-Lite)和百灵增强版(Ling-Plus)的百灵系列MoE(混合专家)大语言模型。其中，Ling-Lite包含168亿参数，激活参数为27.5亿;Ling-Plus则包含2900亿参数，激活参数达288亿。实验表明，两款模型性能均达到业界领先水平。本论文通过系统性优化方案，为资源受限环境下的人工智能开发提供了效率提升与成本控制的方法论。作为蚂蚁集团自研的大模型，百灵大模型重点布局在生活服务、金融服务、医疗健康等场景的应用。后续，蚂蚁百灵大模型Ling-Plus 和 Ling-Lite将计划开源。

该模型最大的突破在于提出了一系列创新方法，以提升资源受限环境下AI开发的效率与可及性。实验表明，其3000亿参数的MoE(混合专家)大模型可在使用国产GPU的低性能设备上完成高效训练，性能与完全使用英伟达芯片、同规模的稠密模型及MoE模型相当。

东方财富妙想大模型向所有用户开放

3月21日，东方财富宣布妙想大模型已正式向所有用户开放，并全面登陆东方财富app，开启智能投资时代。妙想大模型于2024年1月推出，经过一年时间打磨，基于妙想模型之上的妙想助理面向所有用户推出。

数据层面，秒想训练数据来源于目前国内高质量金融数据库。当前，妙想已覆盖2亿 的资讯舆情，4亿 的宏观数据、6亿 的行业数据、10亿 的企业数据、百亿 的市场数据，以及百亿 的股吧、财富号等内容，涵盖上万种数据品类，从根本上保证数据来源的准确性、即时性、可靠性。模型规模层面，基于过往并将NLP、CV、Ranking等多种AI技术应用于50多个业务场景的历史储备，妙想系列模型灵活组合几十亿到上干亿参数规模不等的大、小模型族群，可面向应用场景选择最佳的模型方案。

功能层面，晨会信息整理(既可以对市场行情、宏观经济、政策变化等重点类目进行常态化跟踪，也可以辨别并筛选出增量信息中对行业有重要影响力的内容，按照层次分明、重点突出的结构进行呈现)，路演纪要转化，研报信息提取等均属于妙想核心功能。与市面已有大模型不同，基于金融行业投研人员对于采用的信息有准确性和信源权威性的双重要求。妙想将传统金融终端与大模型技术的双重专业禀赋进行了有机结合，有效解决了用户的“信任危机”。在信息采选源头，妙想构建了专业度分级机制，可以识别并优先采纳更可靠、更符合投研偏好的信源;在信息获取过程中，妙想实现了多信源一并获取并交叉验证，让同类数据能够在时间、属性、单位等颗粒度上相互支持、补充和修正;在回答时，妙想能够持续对回答进行反思并不断完善，效果完整度更高、细节更丰富，以此来实现实际价值创造。

2.5 AI 工业

一直以来，工业AI的应用就落后于其他领域，原因是工业领域更多的依赖对行业know-how的经验理解，而不是单纯从数据中挖掘规律。但随着AI通用性和专业性两方面的不断加强，越来越多的工业know-how被计算机所理解，甚至表现出更好的性能。例如上世纪60年代专家系统诞生与80年代的工业领域应用间隔近20年，统计机器学习的工业领域应用滞后周期基本在10年左右，而深度学习、生成对抗网络等新技术于2012年后在通用领域开展应用，不足4年便产生了工业领域探索实例。总体来看，由于人工智能技术可用性增强以及工业信息化水平提升，通用技术的工业落地间隔由20年逐步缩短至小于5年。加之工业领域的关键技术如数字孪生等本身就与深度学习密切相关，我们认为，伴随ChatGPT带来的通用AI大模型突破，工业领域AI应用将迎来快速落地和发展。

AI 工业软件

工业软件是工业创新知识长期积累、沉淀并在应用中迭代进化的软件产物。工业软件的根基仍然是工业行业本身，有赖于正向创新和行业创新知识的积累，是一个长期系统工程。任何工业知识都必须先形成完整的体系，搭建出知识库和模型库，并在实践中反复应用、更改，与工程紧密结合并不断更新迭代，才有可能形成工业软件。因此，工业软件是工业创新知识的载体，依靠软件化这一关键过程，通过强大的软件工程能力才得以实现。软件平台与架构将直接决定工业软件产品的生命力。

海外进展

AI与工业软件结合是产业新趋势，在研发设计，生产控制，经营管理和嵌入式软件四大类中，AI与研发设计的合作主要在于交互与预设计，与生产控制的结合主要在于参数修改，与经营管理的结合主要在智能文本生成，与嵌入式软件的结合则主要在代码自动编写上。

在传统 CAD 草图绘制过程中，用户需要逐步明确几何约束(如平行、垂直、同心等)及结构关系，手动输入大量命令，草图绘制效率较低，且对操作熟练度要求较高。为提升草图建模效率与智能化水平，Siemens NX 和 Solid Edge 在近年持续强化基于 AI 的草图智能绘制与自动化功能。

2025 年，Siemens NX 和 Solid Edge 的草图绘制引擎集成了更高精度的 AI 预测模块。该模块基于深度学习算法和用户历史操作数据，实时推断用户的绘制意图，智能推荐下一步绘图命令，支持基于上下文自动生成初步草图形态。同时，AI 能够在用户绘制过程中自动判定并施加几何关系(如共线、同心、切线等)，大幅减少显式手动定义约束的操作步骤。同时，AI 模块通过分析用户提供的边界条件(如加载、固定支撑、材料属性)和设计目标(如重量最小化、刚度最大化)，基于 AI 拓扑生成算法快速生成多种可行拓扑形态。该过程基于复杂有限元分析结果的智能化数据驱动，显著加快概念方案到结构性能验证的迭代效率。另外，新增的 Sketch Checker 模块具备高效的草图完整性检测功能。该模块实时监控草图几何元素和约束状态，自动识别并定位存在的尺寸冗余、未定义约束、封闭性缺陷等常见问题，并提供一键式修正建议。通过该模块，草图在生成阶段即可实现高一致性与可制造性，显著降低后续建模阶段的返工率。2025 年，NX X 和 Solid Edge X 实现了全面云化。AI 驱动的草图绘制及修正功能被部署至云端，用户可直接在浏览器中使用，无需依赖本地高性能硬件。云化架构支持多用户并行编辑、实时版本管理和跨地域协作，提供高度可扩展的工业级智能化 CAD 平台。

SAP 的 AI 助手 Joule 是一款深度集成在 SAP ERP 系统中的智能化工具。Joule 能够通过自然语言处理(NLP)技术，理解用户提出的问题和意图，自动分析 SAP 中海量数据，并结合深度学习模型，形成最优的解决方案。比如，它可以自动提取关键业务指标、生成财务和生产报告，甚至能协助审批等决策环节。

Joule 还与 SAP 的核心业务产品(如 S/4HANA、SuccessFactors、Ariba)深度结合，形成了一个面向全场景的智能代理网络——Joule Everywhere。这意味着无论是财务数据、供应链优化，还是 HR 业务等模块，Joule 都可以跨系统自动获取和处理数据，提供一站式的智能化服务。在 2025 年，Joule Agents 能够无缝集成财务、供应链、生产和人力等多模块，支持从数据提取到任务自动化执行，打破了传统 ERP 模块割裂的“数据孤岛”问题。基于自然语言模型，Joule 可以像“智能助理”一样，直接理解用户指令，自动生成相应的操作或报告，避免了人工逐步操作和信息拆解的繁琐流程，通过深度语义理解和 AI 自动推荐，用户只需用自然语言对话，就能在复杂的报表和数据中快速定位关键信息，显著加快决策速度。依托 SAP Knowledge Graph 和 Business Data Cloud，Joule 将所有 AI 功能和数据分析放在云端，支持多语言、多区域、跨平台的无缝使用。另外，Joule还推出 Joule for Developers，支持 AI 辅助代码自动化生成、自然语言查询代码、智能文档编制等功能。这意味着不仅业务流程智能化，IT 开发本身也实现了自动化。

AI 机器视觉&机器人

AI 机器视觉

工业机器视觉是软硬件一体化的集成系统，它的目的是代替人眼对被测物进行观察和判断。从组成上，机器视觉系统硬件设备主要包括光源、镜头、相机等，软件主要包括传统的数字图像处理算法和基于深度学习的图像处理算法。系统工作时首先依靠硬件系统将外界图像捕捉并转换成数字信号反馈给计算机，如下图深灰色方块所示过程，然后依靠软件算法对数字图像信号进行处理，如下图中灰色方块所示过程。工业机器视觉在识别的精确度、速度、客观性、可靠性、工作效率、工作环境要求、数据价值方面都优于人眼。

2024年中国机器视觉市场规模预计为181.47亿元，其中2D视觉市场规模约153.32亿元，3D视觉市场规模约28.15亿元。尽管整体市场出现小幅下滑，3D视觉市场仍实现了19.20%的同比增长。2025年，机器视觉市场预计将突破210亿元，2028年达到385亿元，2024-2028年复合增长率为20%。尤其是3D视觉市场，预计2028年市场规模将超70亿元，2024-2028年复合增速达25%。

过去几年，AI 技术在工业质检领域的应用逐渐从传统的机器视觉检测发展到深度学习驱动的智能质检系统。这些系统能够自动识别产品缺陷、分析趋势，并适应生产线的变化，实现高效、精准的质量控制。2025 年 AI 技术在工业质检中的突破包括深度学习与视觉检测的结合、边缘计算和 AI 的融合、少样本学习的应用，以及自然语言处理在交互中的创新，这些技术发展都使得工业质检变得更高效、更精准、更智能。

在工业异常检测领域，传统方法往往仅依赖单一视觉信号进行检测，难以处理复杂场景中的多种类型异常。此外，很多现有模型在多模态数据(如图像和领域知识)融合方面仍存在较大挑战，限制了其在实际生产环境中的应用。 AnomalyR1模型于2025年提出，它是基于多模态视觉语言模型(VLM-R1)和GRPO优化策略的工业异常检测模型。该模型的主要创新点在于，利用多模态数据的融合，即将图像数据与领域知识结合，增强了模型的推理能力，从而能够更准确地识别和定位异常。

AnomalyR1模型基于多模态大语言模型(MLLM)和强化学习中的Group Relative Policy Optimization (GRPO) 进行了增强。其主要目的是提高工业异常检测任务中的推理能力和异常图像定位精度。 其核心架构包括：1)采用深度卷积神经网络(CNN)进行特征提取，能够捕捉到细微的图像差异，提升异常检测的准确性。2)AnomalyR1采用了少样本学习技术，使其能够在仅有极少标注数据的情况下，依然能够有效进行异常检测任务。模型通过学习少量的异常样本，能对全新的工业环境中的异常情况进行预测。 3)GRPO被应用于模型的训练过程中，通过群体策略优化来优化多模态数据的集成，并提高模型对异常检测的精准度。每个图像输入都会经过一系列的策略生成过程，从而实现对异常的精确定位。 在多个工业异常检测任务中，AnomalyR1表现出色。尤其在MVTec-AD数据集和PCB Bank数据集上，AnomalyR1刷新了传统方法的检测精度，准确率提高了8%-10%。此外，模型在检测速度上也有显著提高，能够在不到30秒内处理并输出异常定位结果。

传统的工业异常检测方法往往依赖大量的标注数据进行训练，这在许多工业应用中是不可行的，尤其是在少样本或零样本的情况下，模型的性能急剧下降。以往的大部分方法都是通过经典的生成对抗网络(GAN)或者自编码器(AE)生成异常样本，然而，这些方法通常在处理复杂异常时难以提供高质量的生成图像，尤其在图像细节和视觉一致性方面表现较差。 DualAnoDiff是腾讯优图实验室的研究团队于2025年提出的基于扩散模型的少样本异常图像生成模型，旨在解决少样本训练数据不足的问题。该模型采用了一种双重扩散模型(Dual Diffusion Model)，其核心思想是通过扩散过程生成异常图像，以补充传统数据集中异常样本的缺乏，从而提升模型的异常检测能力。

DualAnoDiff 的核心创新在于引入了双重扩散生成机制，该机制能够生成高质量且多样的异常样本，从而增强了模型的检测能力。该模型主要由以下几部分组成：1)模型通过两个扩散路径生成异常图像。第一个路径生成与正常图像区域对应的异常部分，第二个路径生成整个异常图像。每个生成过程都经过扩散模型的反向优化，使得生成的异常图像更加真实、具有多样性。2) DualAnoDiff采用了背景补偿模块来修复生成图像中的背景失真。通过对异常区域的精细调整，确保生成的异常图像既保持与正常图像的细节一致性，又能有效突出异常部分。 DualAnoDiff在多个工业异常检测任务中表现出色，尤其在MVTec-AD数据集上，相比传统的生成对抗网络(GAN)模型，DualAnoDiff生成了更加多样且高质量的异常图像。通过扩散模型的双重生成路径，模型能够生成更加贴近真实的异常样本，极大地提升了异常检测的精度和鲁棒性。

2025年5月，凌云光发布了一套面向印刷包装行业的高性能 AI 视觉检测系统VP8 (VisionPrint8)。它在硬件层面结合了8K 工业相机和高精度光源方案，软件层面则基于凌云光自研的 VisionWARE 框架 以及 通用工业视觉大模型 F.Brain，具备端到端的深度学习能力。 VP8 系统搭载8K线扫相机，能够以高达 450 m/min 的生产线速度，进行连续检测，捕捉极其细微的印刷缺陷。得益于 F.Brain 大模型，VP8 在印刷缺陷识别上不仅依赖传统灰度/彩色特征算法，而是融合了深度卷积特征、注意力机制以及自研的多层特征金字塔(FPN)结构，精准度大幅度提升。其算法框架 VisionWARE 优化了多线程并行推理，单帧检测响应时间低至 8 ms，可在生产线上实现毫秒级检测、实时剔除次品。 F.Brain 具备更好的领域迁移与少样本适应能力，使得 VP8 能在实际生产线的复杂噪声、光线干扰下，依然保持高准确率和低误报率。

凌云光官方资料及客户现场测试结果显示，VP8 已在多个印刷包装场景落地，例如：彩盒、软包装薄膜、标签印刷、烟包等。在这些实际应用中，VP8 通过AI 智能瑕疵检测，检测效率相较传统方案提升 400% 以上，且大幅度降低了误报率和返工率。例如，在彩盒生产线上，VP8 的智能套印监测功能可精确识别多色印刷品的错印问题;在软包装行业，其微米级检测精度确保了高速薄膜材料中的针孔或划痕等缺陷的实时检测与追踪。

焊接机器人

焊接机器人是一种能够自动执行焊接(包括切割和喷涂)任务的工业机器人。根据焊接方式、结构形式、负载能力、工作范围等因素的不同，焊接机器人业有不同种类。焊接机器人广泛应用于钢结构、航空、造船、电子、机械等行业，可以提高焊接质量、效率和安全性，涉及的技术包括焊接电源技术、传感器技术、离线编程技术、智能控制技术、仿真技术等。

全球焊接机器人市场：2022年全球焊接机器人市场规模达626亿元，销量30.4万台，由此推算平均每台售价约为2000万元，据《中国焊接机器人行业发展前景预测与投资战略规划分析报告》预测，全球焊接机器人市场规模在2025年达43.9万台，折合904亿元。据TechNavio预测，其中弧焊机器人市场规模在2025至2029年间将达到62亿元。据Nexus Group Report 预测，激光焊接机器人市场到2033年有望增长到467亿元。

国内焊接机器人市场：2022年中国焊接机器人市场规模达248亿元，占全球市场规模比例约40%，由上述数据推算2025年国内焊接机器人市场规模约358亿元。

AI 军事

人工智能逐渐成为公认的改变今日世界并影响未来全球格局的决定性力量，既直接表现在人工智能技术对经济、社会乃至军事领域的直接变革，也表现在人工智能技术对国际战略、科技竞争、大国博弈等方面的长期间接影响。目前世界各国均在不同军种、不同层级探索利用不同种类的AI工具提升战场表现，其中生成式AI利用海量数据库辅助战场态势感知和决策成为当下新焦点。

AI战场使用场景概括

1)自主作战系统。AI驱动的无人系统(如无人机、无人地面车辆等)可以在战场上执行侦察、打击、后勤补给等任务，减少人类兵员的直接暴露风险。它们通过自我学习和适应环境，能够在复杂条件下自主作战，且响应速度远超人类。美国军方在多个项目中使用了自主无人机(如MQ-9 Reaper无人机和X-47B无人战斗机)，这些无人机不仅执行侦察任务，还能够执行打击任务。美国还在研发自适应自主无人地面车辆(UGVs)，它们能在没有人类操作的情况下执行巡逻、侦察等任务。

2)态势感知和实时决策。战场态势瞬息万变，AI能够通过整合来自多个传感器(如卫星图像、无人机数据、地面侦察等)的信息，快速分析并提供实时的战场态势感知。它能够通过模式识别和数据分析，帮助指挥官做出更精准的决策，并优化资源分配。AI通过实时处理传感器数据，能够自动识别和分类战场上的目标，提高精确打击能力。尤其是在复杂环境下，AI能够从海量的目标信息中迅速筛选出高价值目标，优化攻击时机和资源使用。美国军方目前使用AI驱动的目标识别和精准打击技术，如“MAVEN”，它通过分析图像数据来帮助识别战场上的关键目标。该系统主要应用于无人机群的打击任务，能够自动锁定并攻击敌方高价值目标。

3)非理想环境作业。人工智能技术可以在某些特殊的空间发挥作用，例如，人不能长期存在的核辐射、高温高湿、缺氧等恶劣环境，人在这些非理想环境中作业存在难以克服的困难和危险，借助人工智能技术，可以提高作业效率和安全性，例如扫雷机器人等。

4)情报分析与预测。AI能够快速从大量的开源情报、监视数据中提取有价值的信息，并进行趋势预测。通过模式识别和数据挖掘，AI能够预测敌方的行为、战术变化以及可能的作战区域，为决策提供有力支持。美国国防高级研究计划局(DARPA)已经开发了多种基于AI的情报分析系统，能够从社交媒体、通信数据和卫星图像中提取信息，预测敌方动向和行动意图，提供决策支持。

Anduril Pulsar电子战系统：对抗中小型无人机的防御系统

Anduril Industries成立于2017年，由Oculus VR创始人Palmer Luckey创办，致力于开发先进的人工智能(AI)驱动的军事技术。公司以其自主系统、传感器融合和AI平台而闻名，特别是在反无人机、电子战、指挥控制和扩展现实(XR)领域。

Anduril的AI驱动系统目前有几个方面组成。其核心产品是Lattice平台，这是一个开放的AI操作系统，作为指挥控制和任务自主的核心，Lattice支持多种传感器和平台的集成，实现数据融合和实时决策支持。在反无人机领域，Anduril在2024年推出的的Pulsar系统可以利用AI快速识别和应对当前和未来的威胁，特别是小型和中型无人机。

Pulsar系统能够通过AI工具快速识别新威胁，并制定相应的防御措施，显著压缩响应时间。当一个系统识别到新的威胁信号后，会在数小时内进行分析，并将应对策略推送到其他系统，实现快速共享和协同应对。系统采用射频机器学习(RFML)技术，能够实时感知电磁频谱中的活动，并进行智能干扰。这种能力使得Pulsar能够在复杂的电磁环境中有效应对多种威胁，包括小型和中型无人机。2025年4月，Anduril发布了Pulsar-L(Pulsar轻型版)，旨在提供高性能的电磁效应，其可以在两分钟内完成部署，并且提供空中和地面两种配置，适用于快速变化的战场环境。另外系统具备自主操作能力，用户无需专业技术培训即可使用，降低了操作门槛。Pulsar系统与Anduril的Lattice平台紧密集成，形成一个开放架构的指挥控制系统。这种集成使得多个Pulsar系统能够协同工作，实现全域覆盖和协同效应。

此外，目前Anduril与OpenAI、Meta、Microsoft均有仍在进行的研发项目，分别在反无人机系统、扩展现实(XR)和AI技术结合的辅助情报决策系统以及集合增强现实(AR)和虚拟现实(VR)技术提升作战人员超越视距感知能力的可穿戴作战系统领域进行深度合作。2024至2025年间，通过发布新型电子战系统、与AI公司的战略合作以及收购通信公司，Anduril不断推动军事AI技术的发展和应用。这些进展不仅提升了美军的作战能力，也为未来的军事AI技术奠定了基础。

风险提示：

北美经济衰退预期逐步增强，国际地缘变局冲击全球供应链韧性，企业海外拓展承压;

芯片结构性短缺可能制约产能释放与交付节奏;

行业竞争加剧触发价格战隐忧，中低端产品毛利率可能跌破盈亏平衡点;

原材料成本高企叠加汇率宽幅波动持续侵蚀外向型企业利润空间;

技术端则面临大模型迭代周期拉长的风险，影响AI产业化进程;

汽车智能化渗透率及工业AI质检等场景落地进度不及预期，或将延缓第二增长曲线兑现;

模型算法更新迭代效果不及预期，可能会影响大模型演进及拓展，进而会影响其商业化落地。

本文编选自中信建投证券研究，智通财经编辑：陈雯芳。