芯耀
5290
2025 年大模型技術在應用側的新趨勢是什么？哪些新的技術方向值得關注？企業(yè)在規(guī)劃? 2025 年數(shù)字化項目時有哪些核心關注點？本文將基于愛分析與企業(yè)用戶、模型廠商的調研交流中，抽象和總結出 2025 年的趨勢和洞察，供大家參考。
分享嘉賓｜張揚?愛分析 聯(lián)合創(chuàng)始人兼首席分析師
01、2025 年大模型如何賦能企業(yè)數(shù)字化建設？
從數(shù)字化的核心主導方針來看，2025 年已經(jīng)明確圍繞價值創(chuàng)造展開。
宏觀環(huán)境方面，在今年四季度初時，大家對于政策有良好的預期，但從實際落地的角度來看，很多企業(yè)用戶、廠商用戶從政府側回款的周期還是比較緩慢，盡管已經(jīng)有 10 萬億的投放預期，但實際的業(yè)務變化以及經(jīng)營狀況的變化，在 2025 年還是緩慢恢復的過程。
所以在 2025 年大家做數(shù)字化規(guī)劃時，應該以創(chuàng)造價值為核心導向，更多的關注業(yè)務收益，以及重點關注技術對于業(yè)務收益創(chuàng)造有哪些核心點。
大模型2025 年技術趨勢
上圖左邊的技術架構是大模型完整的全鏈路技術架構，從上層的戰(zhàn)略域，到下轄的應用域和管理域，再到基礎的框架域、能力域，和與框架域、能力域并行的上下文域，以及最底下的基礎設施的計算域。從中我們總結了幾點核心的技術趨勢。
第一是戰(zhàn)略域，是從整個大模型的技術架構探索的一個新方向。
所謂的快思考和慢思考主要映射的是人體大腦的兩個系統(tǒng)，一個是靠直覺，一個是靠推理。直覺系統(tǒng)可以理解為快思考的系統(tǒng)，推理系統(tǒng)可以理解為慢思考的系統(tǒng)。過去大模型的生成能力基本是圍繞快思考的方向展開的，類似于利用人腦系統(tǒng)里面的直覺去做。對于要求響應速度快，或者業(yè)務場景沒有太復雜的企業(yè)應用，快思考會比較適合。例如大家現(xiàn)在用的知識庫、內容生成、營銷素材生成、視頻生成等，都適用直覺的快思考的方式。而對于復雜的業(yè)務場景，一方面需要有大量的業(yè)務 KnowHow 和業(yè)務知識，另外一方面也需要有比較完整的思考邏輯，也就是推理邏輯。在過去的大模型應用落地時有很大的欠缺，很多企業(yè)也在通過做預訓練或者微調嘗試彌補專業(yè)知識的差距，都屬于從框架域和能力域的角度來解決問題。如果以更高維度的戰(zhàn)略域角度出發(fā)，更多是企業(yè)內在邏輯推理過程的理解。不管是用思維鏈的方式，還是把整個思考推理的邏輯訓練到模型里，要遠比純粹的知識訓練維度更高。這也就是從ChatGPT 4-o 提出的慢思考過程，在整個企業(yè)的大模型技術架構里，不只有直接的推理，還有很多思維鏈的邏輯推理，這就更適合復雜的業(yè)務場景，例如可以用大模型做數(shù)據(jù)分析背后更加深入的下鉆、歸因、根因分析，包括潛在的應對解決方案的分析。所以從模型推理的場景角度來看，會因為慢思考的加入，2025 年大模型的應用將逐步深入到企業(yè)更加復雜的業(yè)務場景里。
第二是框架域，框架域的兩個核心點，一個是Agent，一個是RAG
RAG 在 2025 年核心趨勢的判斷是 RAG 的工程化會越來越成熟，幻覺的消除更多是時間長短的問題。從消除幻覺的理論基礎上是比較容易理解和成熟的，本質是當有理有據(jù)的專家知識輸入時，模型的幻覺會自然消失。所以在實踐落地的過程中， RAG 具體的工程化策略中，消除幻覺是需要長時間且逐步成熟的過程。今年我們看到基于傳統(tǒng) RAG 已經(jīng)提升到 RAG 2.0，還有 Graph RAG 和新提出來的雙層信息過濾框架，這些不同的 RAG 路線，可以理解為不同的工程化策略和手段，這些工程化的策略和手段目前已經(jīng)很豐富，而且依然不停地有新的工程化路線出來，也意味著這些工程化手段的落地門檻，或者落地工具也會越來越成熟。所以預計在 2025 年末，隨著工程化手段的增加和工程化本身的能力提升，基本消除幻覺問題是可以做到的。以及企業(yè)用戶對于準確性的關注度將會降低，不再是第一位考慮的問題，因為在一些復雜場景里是無法 100% 解決幻覺的，但可能在絕大部分場景里，幻覺將不再是一個問題。
第三是能力域，包括多模態(tài)的視頻模態(tài)和端側大模型。
多模態(tài)的視頻模態(tài)肯定是 2025 年最核心最大的能力突破。一些大模型廠商、基模廠商的下一步將重點做這個方向，以及 2025 年一些 To C 的新場景迸發(fā)出來，基本也是在多模態(tài)領域。舉個例子，短視頻核心的組成元素包括背景音樂、文本腳本、真人表演。目前文本生成已經(jīng)不成問題，背景音樂從技術能力角度來看，大模型生成的音樂不管是從音樂多樣性的風格，還是音樂的成熟度，都已經(jīng)比較高了，只不過是欠缺一個爆款音樂的出現(xiàn)，所以核心要解決的是自動化生成視頻。從 C 端的應用角度來看，一些成熟的視頻大廠，以及基模廠商，都將會在 2025 年重點突破和關注這個方向。
2025 年消費級AI手機逐步成熟，端側大模型向企業(yè)場景滲透
當前端側大模型的場景出現(xiàn)的比較少，但是從未來的角度來說，尤其是在 2025 年，端側大模型的滲透會呈現(xiàn)比較明顯的增長趨勢。原因之一：隨著消費場景的變化，2025 年發(fā)售的手機將變成 AI 手機。端側的大模型會成為AI手機的標配，模型量化技術的成熟度在 2025 年會越來越高，尤其是在手機的端側模型中。原因之二：芯片廠商有足夠強的芯片設計適配，目前模型廠商和芯片廠商也有一些比較好的組合方式，正在向手機廠商做端側模型的輸出。
端側模型在企業(yè)場景中也滲透了三個核心場景。
第一是一線人員的作業(yè)場景。過去人員作業(yè)是紙質的，有了手機之后變成移動終端，現(xiàn)在是從移動終端再一次升級成智能終端。
第二是在設備作業(yè)場景。一線有大量的設備作業(yè)場景，跟人員作業(yè)的場景邏輯類似，面對設備自身的生產(chǎn)控制、設備自身的維修時，設備自身的智能化能力越強，便可以預見性的提前發(fā)現(xiàn)問題，包括生產(chǎn)過程中生產(chǎn)質量的自檢，也可以成為端側模型應用的方向之一。
第三是圍繞端側的決策分析。典型的是設備能耗管理，或者車機端的輔助駕駛，或者人工交互展開的角色分析場景，也是比較好的應用方向?？偟膩碚f，從人員作業(yè)、設備作業(yè)和角色分析場景都是 2025 年比較好的應用和突破方向，同時降本的效果也會比較明顯。
02、2025 年，企業(yè)大模型落地趨勢
首先是對企業(yè)模型支出方面的影響。2025 年會因為大環(huán)境的影響，企業(yè)IT預算會呈現(xiàn)微降的趨勢。但從實際預算的投入項拆分來看，第一個傳統(tǒng)的業(yè)務系統(tǒng)改造和升級依然是最大的支出項，第二個是國家要求的信創(chuàng)部分也是一大支出，第三個是大模型，也是唯一一個 it 預算正增長的方向。預估 2025 年實際支出的增速能夠接近 100% ，做到 238 億元的級別。
從企業(yè)點角度會更加看重業(yè)務的短期收益，會在大模型軟件和服務上占更高比例的投入，而在硬件層面投入會趨于平緩。同時一部分已經(jīng)完成規(guī)劃的企業(yè)，在大模型支出部分會維持在 5% ~ 10% 的it支出比例，這也可以給到正在做規(guī)劃的企業(yè)一個參考。接下來重點分析大模型落地部分的調研。
首先是落地的階段，在 2025 年處于觀望學習的企業(yè)不足30%，有 20% 的企業(yè)會到試點速贏的階段，也就是從早期的探索可研到試點速贏的過程中。所以明年將是大模型產(chǎn)品跨越鴻溝的一年，也是比較關鍵的一年。其次是落地手段，沒有太大的變化，大部分企業(yè)采取私有化部署開源模型+應用定制開發(fā)的落地手段。再從落地目的來看，圍繞創(chuàng)造價值展開的增收還是比較困難的，所以最核心的創(chuàng)造價值還是圍繞降本和提升利潤展開。
最后是大模型落地的風險點，當前準確性/幻覺是第一位，但也看到數(shù)據(jù)和知識質量的關注度有在迅速上升。這些是調研中定性層面的總結，從落地的實際業(yè)務場景中，我們核心看到產(chǎn)研和科研場景的價值已得到企業(yè)用戶認可。產(chǎn)研和科研本來就是企業(yè)重點投入的方向，屬于知識密集型和資金密集型的典型應用場景，與大語言模型的相關性和適應程度比較高，所以產(chǎn)研和科研是值得企業(yè)用戶 2025 年重點嘗試的場景。企業(yè)用戶對大模型預期收益會在 2025 年會回歸理性。
我們調研中，對于已經(jīng)落地大模型的企業(yè)，了解到項目預期收益達成情況中，少部分實現(xiàn)和完全未實現(xiàn)的占比28%，近 1/ 3。這其中可以看到大模型落地的實際價值，與企業(yè)用戶的預期之間還是有一定差距的，在 2025 年時，這個差距會是比較良性的。同時在 2025 年也會出現(xiàn)一些大模型實際收益沒有達到預期的場景案例，這其實對于整個行業(yè)的發(fā)展還是比較正向和健康的。
主要有兩個核心的原因：
第一個核心原因是 ROI 的問題，即投入太高以及對應產(chǎn)出太低。例如 10 倍算力的投入支出只帶來了 KPI 提升的 10% ，這個就是典型的 ROI 太低的情況。而在 2025 年基本上已經(jīng)能很穩(wěn)健地去解決這個問題了，因為基礎硬件設施的投入會縮減，企業(yè)用戶會更注重些能看到立竿見影效果的場景應用，對于大規(guī)模、長周期見效的技術設施投入接受度會比較低，所以這是能自然而然隨著企業(yè)用戶對于 IT 預算分布和 IT 預算投項變化而直接能解決的問題。
第二個是本地化部署和模型能力之間的掣肘與制約問題。比較典型的是測試的時候，用公有云的模型測試效果不錯，但是本地化部署上線的手段會導致模型能力的下降，下降的比例或者下降的程度根據(jù)不同的項目有所區(qū)別，這是不及企業(yè)用戶預期的另一個核心原因。而且本地化部署的落地手段不會因為效果不及預期從而發(fā)生任何變化，明年以及未來幾年都會以本地化部署為導向。從完整的模型效果來講，30%-40% 是由基礎模型決定的，30%-40% 是由 RAG 決定的，剩下的 20%-30% 是由微調決定的。
所以隨著 RAG 的逐漸成熟，想要改善模型效果，一方面可以利用微調做一些補充，需要等待微調工具鏈的進一步成熟，這也是改善本地化部署與模型能力掣肘的有效方式。另外一方面是應用工程化的成熟度，隨著企業(yè)搭建越來越多的應用，通用性會越來越強，可以將模型能力轉移到應用中解決，不一定全部依托于模型能力，應用的工程化的、成熟度的提高也能解決預期收益達成的問題，但這個問題可能需要兩年甚至三年的時間來長期解決。總的來看，大模型的預期收益會在 2025 年逐漸回歸理性。以上就是此次分享的內容。
畢業(yè)于清華大學及香港中文大學，杭州市金融科技創(chuàng)新項目應用案例專家評委，原投中集團副總裁。十余年金融行業(yè)從業(yè)經(jīng)驗，在愛分析媒體平臺發(fā)文超過 500 篇，有很深的行業(yè)影響力。
