（来源：中国银河证券新发展研究院）

核心观点

本期焦点：美国近期启动的“创世纪计划”显示其试图通过人工智能全面重塑国家科研体系，并在全球科技竞争中保持主导地位。

该计划由总统行政令推出，由能源部负责执行，重点是整合国家实验室的超级计算机、科研数据与安全云环境，建设统一的“美国科学与安全平台”。平台将支撑高性能计算、科学基础模型与自动化实验等能力，使科研人员能够在统一框架下利用数十年积累的实验数据开展模型训练与实验推演，提高科研效率。计划同时推动企业深度参与，OpenAI、谷歌、微软、英伟达等公司获得优先合作机会，并在标准制定中拥有更大影响力，企业也将以算力和工程能力反哺政府项目。

当前，欧洲、中国等地区都在积极发展“AI for Science”。美国也尝试通过制度与资源整合把人工智能纳入科研主链条，以争取下一阶段科学创新的主导权。

中国动态：在“十四五”收官与“十五五”谋划期间，多地密集发布人工智能相关规划与政策，明确未来发展重点。各地在“人工智能+”方向布局，贵州、重庆侧重算力与设施，北京关注产业生态与科研引领，上海、湖南等地结合本地产业特色（AI+海洋、AI+制造业）。未来区域发展格局可能呈现多点并存的态势，包括综合型集聚区和产业特色节点。

美国动态：算力市场出现分化，相较于GPU，TPU等自研芯片在成本和能效上占优，成为其有力竞争对手。谷歌计划向Meta提供可以本地部署的TPU，其性价比更高；为了应对TPU的竞争，英伟达强调GPU在通用性和生态体系上更加稳固。整体来看，TPU的开放应用在短期对英伟达造成了挑战。

欧洲动态：拉加德强调欧洲在人工智能领域已落后于美中，若不调整将削弱长期竞争力。她认为欧洲虽难在大模型上争先，但可依托产业结构，在应用层面发挥“第二行动者”优势。同时建议在算力和关键供应链保持基本自主能力，利用单一市场推动互操作性和开放标准，以改善技术扩散条件。

技术动态：模型竞争正从比性能转向比落地能力，厂商开始围绕工具调用和企业集成展开差异化。Zyphra在AMD平台上成功训练ZAYA1，证明大规模MoE可以脱离英伟达生态运行，AWS则以Nova Forge与Nova2系列强化面向企业的定制训练和服务体系。

智库动态：麦肯锡报告指出未来的工作将更多依赖人机协作，现有技能大部分仍然适用，但应用方式会发生变化，到2030年几乎所有职业都需要进行技能调整。通过“技能变迁指数”分析发现，数字技能和信息处理技能受自动化影响最大，而辅助关怀类技能变化较小。若企业围绕人机协作优化流程并提供培训，美国有望释放约2.9万亿美元经济价值。

风险提示：1.对政策理解不到位的风险；2.政策落实不及预期的风险；3.技术发展不确定性风险。

正文

一、本期焦点：美国启动“创世纪计划”

2025年11月24日，美国政府正式通过总统行政令推出“创世纪计划”（Genesis Mission，以下简称计划），该计划旨在利用人工智能技术加速科学研究，以维持美国在全球科技竞争中的领先地位。官方将其定位为“紧迫性和雄心可与曼哈顿计划相媲美”，并提出目标：在十年内将美国科研与创新的产出和影响力翻一番。这一计划超越了简单的监管措施，更侧重于基础设施建设与基础科学突破，被视为自阿波罗计划以来联邦科学资源整合力度最大的一次部署。行政命令指出，计划的收益将是多方面的，能够加速科学发现、增强国家安全、巩固能源优势、提升劳动力生产力，并提高纳税人的研发投资回报，从而促进美国在技术与全球战略上的领导地位。

计划的核心是推动人工智能与科学研究的深度融合，建设一项国家级基础设施——“美国科学与安全平台”。该平台将在技术层面整合高性能计算、AI建模框架、领域专用基础模型和自动化实验工具等能力。平台将接入能源部国家实验室的超级计算资源（包括阿贡国家实验室的“极光”/Aurora等系统）和安全云环境，形成统一的计算资源池，并对获得许可的科研人员与企业开放。

通过这一平台，研究人员可以利用联邦多年来累积的海量科研数据（涵盖中子散射、核聚变实验、气候记录、生物医学及涉密实验结果等）来训练科学基础模型；借助AI智能体自动化完成假设生成、实验设计与结果分析。对国家实验室而言，前沿算力与工业级AI能力还有助于激活那些因格式或元数据问题长期闲置的数据资产。若计划成功，科学发现的范式可能转向持续的、AI驱动的过程，并对半导体、航空航天、国防、能源系统和先进制造等领域产生显著的溢出效应。

创世纪计划同时强调与私营部门的深度合作。初始合作企业超过四十家，包括OpenAI、Anthropic、微软、谷歌、英伟达、IBM、AMD、AWS等。这些公司将获得优先访问联邦数据资源的机会，并有机会参与未来技术标准、训练流程与科学模型的制定。政府则可以借助企业的计算资源和工程能力加速AI工具的部署。作为配套承诺，AWS于2025年11月24日宣布将投入500亿美元以支持联邦机构的人工智能与高性能计算基础设施建设；英伟达也透露正与能源部国家实验室合作，拟新建七台超级计算机。

尽管前景广阔，该计划仍存在一定的争议。一部分争议在于科研公共性与私有化之间的潜在冲突。传统上，政府资助的研究通过论文和数据开放共享，形成公共知识库，依靠同行评议和可重复性推动学术进步。然而，在该计划框架下，联邦资助产生的大量科研数据会用于训练Anthropic、OpenAI等公司的私有AI模型，这些模型的核心产出，例如模型参数和内部训练流程往往难以被独立审查、复现或扩展。《自然》杂志已对这种可能提出警示：如果监管不到位，资源和利益可能更多流向能够应对复杂合规要求的大型企业，而缺乏相应能力的小型实验室和初创公司则可能被边缘化。以国家安全为理由限定数据访问或设定优先权，可能在无意间把公共科学资产转化为某些企业的竞争优势，进而加剧科研资源与成果的集中与垄断。这既有损学术生态的多样性，也可能削弱长期的创新活力，特别是在需要开放验证与广泛参与的问题上。

计划与全球范围内快速兴起的“AI for Science”趋势高度契合。当前，“AI for Science”已在生命科学与生物医药等数据基础扎实、应用场景清晰的领域展现出一定优势。欧洲的材料研发平台、亚洲的自动化实验室计划以及各大科技公司持续投入的AI科研工具，均表明下一阶段的科技竞争重点不仅在于AI模型和计算能力本身，更在于谁能成功将人工智能深度整合到科学研究的全流程中。

二、中国动态：多地出台“十五五”人工智能政策

1.国家层面人工智能政策体系正在加速成型

11月15日，国家发展改革委将人工智能基础设施纳入新版REITs项目范围，使算力中心、数据中心等AI设施能够以基础设施资产的方式吸引长期资金进入。11月21日，国务院国资委提出，引导中央企业把更多资源投入人工智能等新兴领域，并推动相关项目集中签约，进一步强化央企在关键环节的布局。两项政策从资金来源和产业主体两个方向扩大了对AI基础设施和重点项目的投入。通过将AI纳入长期资产体系，并引入央企的集中布局，政策正在把相关建设引向更稳定的长期方向，关键资源进一步向AI聚集。

11月25日，工信部、发改委等六部门发布促进消费的方案，将人工智能明确纳入提升供需匹配能力的工具体系，使AI成为改善消费体验和产品供给的常规手段。11月28日，国家能源局启动“人工智能+能源”试点，推动能源企业围绕调度、预测和设备管理申报应用场景。12月1日，工信部就人工智能终端行业协会的设立征求意见，希望在终端设备领域形成更规范的行业协作机制。这三项政策集中反映出AI正在走向更具体的行业环节。政策在消费、能源和终端生态等领域落地，使应用方向更清晰，场景更加具体。

2.地方人工智能规划进入密集期并形成差异化布局

在“十四五”收官与“十五五”谋划的时间窗口内，多地密集发布与人工智能相关的规划和建议，明确下阶段的发展方向。北京、浙江、湖南、贵州、辽宁、天津等省市相继提出地区布局与行动方案。此外，上海在11月28日的海洋产业规划中提出“AI+海洋”方向。重庆同日发布方案，提出通过“疆算入渝”等举措扩展算力供给。各地已把AI写入“十五五”重点议程。短期看，相关地方将加大政策、资源和项目推动，形成更多落地机会。

各地虽然目标一致，但侧重点不同。贵州、重庆更强调算力和基础设施建设；北京侧重产业生态建设和科研引领；上海面向海洋场景布局，湖南偏重制造业应用，辽宁强调工业软件与算网协同。总体上，区域呈现“多点并存、各有特色”的格局。

3.人工智能产业生态多样化，规模逐步扩大

11月24日，京东宣布在南京建设新的AI研发中心，投资35亿元聚焦人工智能与无人驾驶技术。11月25日，阿里巴巴在财报会上表示，AI服务器的供给依旧紧张，公司将继续增加投入，并判断未来几年行业不会出现泡沫。11月28日至29日召开的首届全球万物智联大会提出，人工智能与物联网的结合将成为新的产业增量方向，物联网相关产业规模有望在2025年超过40万亿美元。11月29日，北京发布年度AI产业白皮书，预计本年度核心产业规模有望突破4500亿元，同时在智能体方向给出了更积极的增长判断。当前，AI产业生态逐渐多样化，产业界普遍认为未来几年依旧处于增长阶段，资金供给和产业预期均保持上行。

4.科研体系与产业落地双向展开

11月26日，中科院工业人工智能研究所在南京成立，聚焦制造业场景的模型训练、工业数据治理与工程化问题，强化科研与产业的直接反馈通道。11月27日，北京提出吉瓦级太空数据中心构想，探索在地面算力受限时的替代方案以应对能耗和散热等约束。12月1日，首支面向AI领域的孵化培育型创新基金在北京启动，采用“AI投AI”的方式，旨在缩短创新周期并降低早期探索的不确定性。科研机构、算力规划与专项基金形成合力，有助于把技术研究更快转为可用的产业能力。整体来看，创新活动的节奏在加快，成果落地的路径也更清晰。

11月21日，交通运输部提出低空经济发展方向，将航空航路调度、城市空中交通与物流配送等场景纳入重点。11月24日，北京市长调研后，人形机器人获得更多政策与资本关注，企业在动力、感知与通用控制算法上加快测试。11月28日至29日举办的金融科技论坛上，银行、券商和技术企业展示了大模型在投研、风控、客服和监管科技中的初步成果，行业对AI与资本市场互动的讨论增多。当前，低空交通、机器人和金融科技均已进入示范与测试阶段，政策与市场正在把关注点从概念转向落地应用。

三、美国动态：英伟达主导地位受到挑战

1.谷歌TPU等自研芯片正在以成本和性能优势切入市场

11月21日，有消息透露美国正在对向中国出口英伟达H200芯片的政策进行评估，这一不确定性引发企业重新考虑算力采购计划。H200是英伟达最新一代GPU，专为大模型训练设计，性能突出但价格高昂。特斯拉在11月23日公布了每年迭代自研AI芯片的路线，显示大型科技公司希望通过自研芯片降低对外部GPU的依赖，同时在能耗和延迟上获得优势。

11月25日，谷歌计划向Meta推出可在客户本地部署的TPU，这类ASIC在矩阵运算和模型推理方面能效更高、成本更低。英伟达在同一天回应，强调GPU在通用性和现有生态系统的兼容性仍是企业重要考虑。SemiAnalysis在12月1日发布报告称，由于TPU对外开放，英伟达部分产品价格下降，算力集群成本整体下降约30%，对大规模训练和推理尤其明显。

当前市场呈现两种趋势：企业采购GPU以满足云端和大模型的需求，同时大型公司尝试通过ASIC获得成本和性能优势。TPU的开放使用虽然能在短期内降低了企业成本，但中长期影响取决于软件生态兼容性、模型迁移成本以及供应链稳定性。从企业部署策略看，一些大型科技公司倾向于混合使用GPU与专用ASIC，以兼顾通用性和专用性能，降低单一方案带来的风险。

GPU仍是大多数企业的首选，因为它生态成熟、支持广泛；而TPU和其他自研ASIC则在高性能计算、定制模型和成本敏感场景中占据优势。未来一年内，算力的采购和部署将不仅受到价格和性能影响，还会受到供应链安全、出口政策和技术生态变化的牵制，企业的决策将更多基于长期成本效益与灵活性考量。

2.能源和互联能力决定数据中心扩张效率

11月22日，Meta提出申请进入电力交易市场，以保障大型数据中心的长期供电。这显示数据中心运营不仅是计算问题，也涉及能源安全和成本管理。11月24日，亚马逊宣布计划向美国政府投资500亿美元，建设面向政府的AI/HPC专用基础设施。12月1日，亚马逊和谷歌宣布推出标准化多云高速互联服务，旨在简化跨云运维和互联。这既可以提升企业部署灵活性，也有助于降低算力资源调度成本。

当前，算力扩张不仅受芯片和模型制约，还涉及能源、冷却和网络配套。科技公司正在通过参与电力市场、部署多云互联、建设专用政府云来降低不确定性。未来企业在数据中心扩张时，应要更加关注长期电力合同、能效管理和跨云协作标准。地方电力规划和环境评估可能成为审批和运营的重要环节。

3.AI企业通过融资和并购开展规模化与生态构建

当前企业战略主要两个方向，一是围绕大模型、算力和融资的规模化布局。11月24日，汇丰发布报告指出OpenAI在算力和长期采购合同下可能面临巨额融资需求。次日，谷歌与Accel在印度设立AI基金，在全球布局资金和技术生态。二是通过并购、基金和合作扩展生态。资本市场更关注能直接产生收益或降低成本的技术，从而导致企业在并购和战略投资上动作频繁。12月2日，OpenAI通过入股Thrive以“技术换股权”推动行业落地，同时暂停广告等非核心项目以集中改进核心产品。同日，Anthropic收购Bun，强化代码生成能力。

4.国家算力和供应链战略成为决定技术竞争格局的关键因素

11月24日，北约与谷歌云签署高安全主权云合作协议，强调国家间合作在战略计算资源上的重要性。该合作强化了北约在敏感数据和战略算力上的可控能力，也为盟内共享高级AI工具提供了技术路径。12月1日，有消息称美国提出要计划与八国深化AI芯片和关键矿产供应链合作，目标是降低对单一来源的依赖并保障技术与资源安全。12月3日，据报道，美国政府在提出加速AI发展的计划数月后，正将战略重点向机器人产业倾斜，并在讨论通过行政令等手段推动相关政策。美国正在通过主权云、科研平台和供应链联盟试图保障核心资源和科研领先。

四、欧洲动态：欧洲正在面对人工智能落后焦虑

1.拉加德警示欧洲AI发展应发挥“第二行动者”的优势

11月24日，欧洲中央银行行长克里斯蒂娜·拉加德在布拉迪斯拉发发言，指出欧洲在人工智能上已落后于美中，若不调整将损害长期竞争力。她指出，当前AI具备迭代加速和基础设施可用两大特征，这使其在经济中扩散更快并提前带来生产力提升。拉加德认为，欧洲已难以在基础大模型上争第一，但可以通过更快地把现有AI技术应用到多元产业中，发挥“第二行动者”的优势。为此，她建议在算力与关键供应链环节保持最低限度的自主能力，减少对单一外部来源的依赖。

她还主张利用欧洲单一市场强化互操作性和开放标准，降低平台锁定风险。拉加德提到，要解决高能源成本、法规不统一和资本市场分散等结构性障碍，只有这样才能吸引规模化风险投资。整体来看，拉加德发言的核心是通过补短板来提升欧洲在AI应用层面的实际能力。

2.欧盟正把未成年人数字保护放在更高位置

11月26日，欧洲议会表决通过一份报告。报告建议将社交媒体最低使用年龄定为16岁。报告还提议对参与度驱动的推荐算法和无限滚动等设计实行限制。议会提出要对涉及未成年人的商业激励加强监管，并对深度伪造和AI伴侣等新风险提出专门应对措施。议员建议在严重违规时追究平台高层责任。欧盟这次的方向很明确。目标不是单纯禁止技术，而是把设计逻辑和激励机制拉入监管视野。短期内，监管更可能先从内容标识和透明度入手。长期则可能要求平台在设计阶段就考虑未成年人安全。

3.法国把“科技主权”写进研究资助清单

11月28日，法国宣布在France 2030框架下拨付3亿欧元支持15个战略项目。资助方向涵盖健康、低碳能源、主权技术和半导体设计等。项目中包括建立国家级AI评估体系和主权AI加速器。法国明确把减少关键技术依赖作为目标。官方强调要通过科研投入来增强国家的技术自给能力。

4.英德在量子领域展开合作

12月5日，英国和德国宣布联合投入1400万英镑用于量子技术合作。资金用于联合研发和支持应用研究中心。双方还推动在量子测量与标准方面的合作。声明把量子技术列为双边战略合作的重点。两国希望通过协作加速从研究到产业应用的进程。量子技术需要稳定且长期的投入。英德的联合行动能够通过集中资源提高研发效率。未来可能需要更多面向企业的试验平台、清晰的知识产权安排和更紧密的产学合作。

五、其他国家：AI基建成新兴经济体海外布局重点

1.AI基础设施正在成为新兴经济体配置海外资本的主要方向

11月24日，印尼社保基金公开表示，若获得政府批准，将把最多5%的资产投资于海外AI基础设施企业，重点关注数据中心、能源供应商和海底电缆公司，而不是竞争激烈的芯片制造环节。11月26日，DigitalBridge与韩国KT签署合作备忘录，计划在韩国建设大型AI数据中心，并探索“AI工厂”式高容量设施，将韩国视为其在亚洲扩张的关键节点。11月27日，韩国政府与三星、现代汽车、SK电信和Naver云等企业成立联合工作小组，准备部署超26万块英伟达GPU，覆盖政府数据中心、企业级AI工厂、自动驾驶研发、半导体设计与新型AI服务，同时延伸到量子计算、AI-RAN和6G研究。AI基础设施正逐渐成为国家资金与跨国资本共同关注的资产类型。

2.新加坡转向中国语言模型，更加注重本地语言适配

11月24日，新加坡人工智能协会发布Sea-Lion的新版本，并首次在国家级模型中采用中国开源技术。新版本的底座从Meta的Llama转向阿里云的Qwen3-32B，原因在于Llama在印尼语、泰语和马来语等语言上的表现长期不理想，限制本地应用开发能力。新加坡团队在大规模东南亚语言数据上进行了额外训练，使模型在区域性任务中达到领先位置。区域政府在选择模型路线时更加看重实际表现，而不是简单沿用既有技术体系。

3.日、新借助补贴和长期预算稳态重塑芯片与AI产业结构

11月29日，美光科技确认将在日本广岛投资约1.5万亿日元建设新的HBM工厂，预计2028年投产。日本政府承诺提供不超过5000亿日元的补贴，以增强本国半导体生态，并争取在高端存储市场占据更稳固位置。新加坡在12月5日公布“研究、创新与企业2030计划”，未来五年投入将达370亿元，比上一周期提高三成。新加坡的重点集中在半导体前沿技术、先进封装、异构集成以及AI工程化与人才体系，强调保持连续性的投入框架，而不是依赖短期刺激。

六、技术前沿：大模型竞争回到真实任务表现

1.模型竞争开始围绕实际工作流能力展开

11月25日，Anthropic发布Claude Opus 4.5，强调编程能力和智能体功能，并在API中加入“努力参数”，让开发者在速度、成本和性能之间有更灵活的选择。12月1日，DeepSeek推出V3.2和高算力版本Speciale，更新聊天模板，改进工具调用方式，并加入“利用工具思考”的能力，使模型在应用中的交互深度有所提升。12月2日，AWS在Re:Invent发布Nova Forge定制训练服务，允许企业在不同训练阶段加入自有数据，以每年10万美元的基础价格获得更贴合业务的模型训练方案，为模型定制提供了新的途径。整体来看，模型端的竞争正从单纯比拼性能向更贴近实际工作的方向延伸。

近期的重点更加倾向于模型的应用能力，而不是单一的参数或速度。无论是更灵活的能力配置、更自然的工具协作方式，还是更易获得的定制训练路径，方向都是让模型更容易进入应用场景，承担更具体的任务。

2.AI在生命科学中开始形成可验证的临床与产业路径

11月30日，飞利浦在RSNA2025上推出全球首款由人工智能驱动的探测器基光谱CT系统Verida，把人工智能贯穿于数据采集、信号处理和图像重建的各个环节，在成像质量和诊断效率上做整体提升。12月1日，Generate:Biomedicines宣布其AI工程化设计的药物GB-0895进入全球三期临床，作为首个进入三期的长效抗TSLP抗体，该药物被认为有望成为同类最佳，也显示AI在抗体工程和药物研发周期上的加速作用。12月2日，上海人工智能实验室等团队发布“丰登·基因科学家”计划，计划将育种智能体向全球开放。系统能够模拟育种专家的思考过程，具备提出假设、设计实验和解释结果的能力，意味着育种研发的部分核心流程开始具备自动化条件。

整体来看，AI在生命科学领域的作用正从研究验证阶段进入临床与产业应用阶段。原本高度依赖专家经验的关键流程被AI转化为可被模型辅助或部分替代的操作，使成像、药物设计和生物育种的效率显著提升，也让研发路径更具规模化和可复制性。

3.端侧AI向系统级入口移动

11月27日，夸克发布AI眼镜，将通义千问能力引入可穿戴设备。产品在软件端做了深度整合，内置助手已接入支付宝、高德地图、淘宝、飞猪等阿里生态场景，并计划与QQ音乐、网易云音乐等第三方平台合作，扩展日常使用功能。12月1日，字节跳动发布豆包手机助手技术预览，并展示工程样机。该助手获得手机厂商系统级授权，能够直接作用于操作系统底层，在交互方式、任务处理和系统资源调用上实现更深的整合。12月1日，阶跃星辰开源GELab-Zero，提供面向GUI的Agent基建与4B模型，重点解决多设备ADB连接、依赖安装、权限配置等工程复杂性问题，缓解移动端Agent在跨品牌与型号落地时的适配难度。

端侧AI正进入新的发展阶段。智能体不再只是回答问题或提供建议，而是在硬件层、系统层和应用层之间建立更顺畅的路径，提升实际可用度，并推动端侧应用从试验阶段走向规模化覆盖。

4.算力体系的竞争转向全栈成本与效率平衡

11月24日，Zyphra在AMDMI 300X与Pensando网络上训练出MoE模型ZAYA1，在技术层面上验证了AMD硬件在大规模AI训练中的效率与潜力，通过高带宽内存简化大规模训练流程，降低系统复杂性并提升了整体吞吐量。12月2日，AWS 发布 Trainium3 和 Trn3 UltraServers，把性价比和扩展性作为主要亮点，希望在训练芯片市场扩大竞争空间。12月4日，九峰山实验室推出氮化镓电源模块，宣称可在超大规模算力中心降低约30%的能耗，为提升数据中心能效提供了新的选择。12月5日，中国电信发布跨境空芯光纤系统，将粤港互访时延降至约1毫秒，为金融高频交易与算力中心间协同带来更稳定的低时延条件。

各家机构都在围绕算力基础设施做技术突破，范围涵盖训练芯片、数据中心能效和跨区域网络连接。整体趋势是让大规模计算变得成本更低、能耗更小、协同能力更强，从而支撑新一轮模型训练、数据中心扩容和低时延业务的发展。

5.机器人现实执行实现突破，鲁棒性显著提升

12月2日，字节跳动Seed团队发布GR-RL框架，采用真机强化学习结合离线筛选与在线微调，在“穿鞋带”类长时程、精细柔性操作任务上把成功率从约46%提升到83%。研究显示，真机微调与判别器设计能克服仿真与现实执行之间的错位问题。GR-RL的成果说明，面向真实机器的多阶段训练框架可以显著提升鲁棒性。如果这一方法能在更多任务上复现，将对家用服务机器人、制造柔性作业和医疗康复等场景带来实质影响。

七、智库观点：人工智能驱动技能重塑

1.McKinsey：《Agents, robots, and us: Skill partnerships in the age of AI》

报告指出，当前技术理论上能够自动化美国超过一半的工作时间，但这并不意味着就业将减少。技术扩散需要时间，岗位会随之调整，并出现新的职业。未来的工作方式将更多依赖人机协同。现有技能中超过70%既适用于可自动化的工作，也适用于不可自动化的工作，技能本身并不会迅速过时，但其使用方式会发生变化。

为分析技能变化趋势，报告构建了“技能变迁指数”，衡量未来五年中哪些技能更容易受到自动化影响。结果显示，70%以上的现有技能和预测技能仍具相关性。数字技能和信息处理技能暴露度最高，而辅助关怀类技能变化最小。指数结果显示，到2030年几乎所有职业都需要进行技能调整。若企业围绕人机协作重组工作流程，并为职工提供相应培训，到2030年美国有望释放约2.9万亿美元的经济价值，其中六成来自行业核心流程，如制造业供应链和医疗诊断，其余来自跨行业职能，如IT与财务。

2.MIT, Oak Ridge National Laboratory et al.：《The Iceberg Index: Measuring Skills-centered Exposure in the AI Economy》

研究提出了Project Iceberg，通过模拟1.51亿名劳动者在美国3000个县、3.2万项技能与数千个AI工具间的交互，衡量AI对劳动力市场的实际影响。研究引入“Iceberg指数”，用于评估AI能够执行职业任务的技能价值，从而衡量职业对AI的暴露程度。

分析显示，可见的AI采用主要集中在计算与技术类岗位，对应约2110亿美元的工资价值（2.2%）。当考虑更深层的认知自动化，AI的影响范围延伸到行政、金融和专业服务等领域，涉及1.2万亿美元（11.7%）的工资价值，是前者的五倍，并呈现全国性分布，而不仅局限在沿海科技中心。研究认为，传统指标往往在冲击发生后才反映结果，而技能维度的暴露值能够在技术扩散之前揭示风险。

3.MIT, Hugging Face et al.：《Economies of Open Intelligence: Tracing Power & Participation in the Model Ecosystem》

研究依托Hugging Face模型库2020年6月至2025年8月的22亿次下载记录和85.1万个模型元数据，分析开放模型生态的竞争格局与技术变化。结果显示，美国在开源模型生态中的主导地位正在减弱。谷歌、Meta、OpenAI等公司的份额相比2022年前明显下降，独立开发者、社区组织以及中国开发者的影响力上升。2024年8月至2025年8月，来自中国模型的下载量占比达到17.1%，超过美国的15.8%，其中DeepSeek和Qwen表现突出。不同国家的生态结构也有所差异，美、中、英以企业为主导，欧洲国家则呈现企业、大学、非营利机构和社区并存的局面。

技术演化呈现规模化和多模态两条主线。模型平均参数量相较2020年增长17倍，多模态生成与视频生成能力提升明显，混合专家架构的使用更为普遍。为了降低部署成本，量化和高效微调方法的采用迅速上升，形成一批专门从事量化与重打包的“中介开发者”。与此同时，模型透明度下降，开源生态出现退化迹象。披露训练数据的模型下载占比从2022年的79.3%降至2025年的39%，首次出现未开放训练数据的模型占比超过严格意义开源模型的情况。许可条款也变得更复杂，完全开放许可的数量持续减少。

4.World Bank：《Digital Progress and Trends Report 2025》

人工智能带来新的发展机会，也带来新的责任。要让它产生更广泛的正面影响，各国必须正视不平等、创新资源集中以及伦理与问责等问题。目前全球AI发展高度集中。高收入国家掌握着大部分知名模型、初创企业和风险投资；个别中等收入国家表现突出，但大多数中低收入国家在模型、专利和投资上占比极低。对低收入和中等收入国家而言，经济实惠、易获取并能在常见终端上运行的小型AI，能够在农业、教育和基层医疗等领域产生直接效果。这类自下而上的应用虽规模有限，但能让更多人及时受益，跨越一些传统发展障碍。

实现更公平的AI影响，需要四项基础投入——连接、算力、数据语境与能力。因此，政策与实践应聚焦于可执行的举措：改善网络可及性并降低使用成本；在算力和服务获取上寻求多元化方案；建立本地化、高质量的数据集并明确数据治理规则；扩大职业教育与在职培训以提升数字能力。同时，鼓励小型AI的本土化开发和开放协作，避免把技术成果仅限于少数大型机构。总体来看，中低收入国家有机会通过有针对性的投入和务实的落地路径，把人工智能变成解决发展问题的工具，而不是新的壁垒。

5.ITIF：《The United States Needs Data Centers, and Data Centers Need Energy, but That Is Not Necessarily a Problem》

随着人工智能、电动汽车和建筑电气化的普及，美国的电力需求持续上升。数据中心是最主要的增量来源之一，预计到2028年，其用电量占比可能升至6.7%-12%。面对不断增长的需求，报告认为美国需要更充分地利用现有电网，同时稳步增加新的发电和输电能力。在需求侧，虽然电网在非高峰时段存在闲置容量，但高峰时期仍然紧张。研究显示，数据中心约有40%的用电并不依赖具体时间，这意味着它们可以在不影响服务的情况下调整部分负荷，将用电转移到低峰时段或不同地区，缓和高峰压力。电网已经在开展类似尝试，但总体规模仍然有限。

在供应侧，报告建议优先挖掘现有设施的潜力。动态线路评级、先进导体更换和潮流控制等技术能够提升输电效率，电池储能和虚拟电厂可以平滑负荷波动，提高系统弹性。监管方面，报告强调需要调整对电力企业的激励方式，支持示范项目，完善数据收集和绩效评估方法。同时建议考虑将“非新建”类供电替代方案排除在《国家环境政策法》的约束之外，减少相关审批限制，使电力系统能够更快应对需求增长。

6.WEF：《AI Agents in Action: Foundations for Evaluation and Governance》

白皮书梳理了AI代理的技术基础、分类方式、评估方法和治理框架。随着生成式AI和大模型能力提升，AI代理从概念走向实际部署，约82%的组织计划在未来三年内部署相关系统。AI代理依托三层架构（应用、编排、推理），通过MCP、A2A等协议实现系统互联与多代理协作，同时需要遵循零信任安全模型，应对身份管理和攻击面扩大的问题。

白皮书提出负责任部署的四项支撑机制。第一，从功能、角色、可预测性、自主性、权限、使用场景和环境七个方面定义代理特性，为评估奠定基础。第二，通过任务成功率、鲁棒性等指标，并结合沙盒测试和受控部署，对代理进行持续监测。第三，采用五步生命周期法识别风险来源，量化自主化程度与环境复杂度对系统行为的影响。第四，根据代理的风险等级调整治理要求，确保最小权限、人类监督和审计机制能够覆盖高风险环节。白皮书认为，评估体系与治理机制必须同步推进，使AI代理在可信、安全和可问责的条件下实现稳定落地。

7.UNDP：《The Next Great Divergence：Why AI may widen inequality between countries》

报告指出，人工智能正在影响亚太地区的社会与经济结构，但扩散过程并不均衡。如果治理不当，技术红利可能集中于数字基础设施完善、资本与人才资源充足的国家，从而扩大地区间的发展差距。技术在教育、医疗等领域已展现价值，但由于数据缺口和算法偏见，弱势群体可能无法同等受益。经济方面，网络覆盖、电力成本和专业人才储备限制了部分国家获取早期红利。

在治理层面，AI有助于提升服务效率，但如果制度能力不足，可能造成责任不清、公众信任下降等问题。面对可能出现的“新型分化”，亚太国家需要把包容性放在核心位置，在确保基本数字接入的基础上，加大基础设施和制度能力建设，并根据自身条件培育适合的应用生态。

8.Deloitte：《AI for energy systems Unlocking sustainable AI for a resilient energy transformation》

报告认为，能源系统面临可靠性、成本与减排等多重压力，人工智能为运营优化和效率提升提供了新的工具。AI在能源领域的应用包括三类：电网与市场优化、资产全生命周期管理以及终端能效管理。在实践中，AI可在甲烷泄漏监测、数据中心负荷降低和审批流程简化等场景带来直接收益。例如，自动化甲烷检测可每年节省近60亿美元；某数据中心在AI控制下于电力高峰的三小时内减少了25%用电量；AI辅助的审批系统可将时间和成本降低约一半。

报告预测，到2030年AI可实现超过3700 TWh的节能量，高于其自身能耗；到2050年节能量将达到9500–12000 TWh。以2030年为基准，AI每年可节省超过2000亿美元的成本，2050年接近5000亿美元，累计节省达11万亿美元。在减排方面，AI在2030年的潜在贡献可达660 MtCO2eq，2050年的年减排将稳定在约100 MtCO2eq。报告认为，若治理得当，AI能够成为能源系统应对转型压力的重要工具。

八、风险提示

对政策理解不到位的风险；政策落实不及预期的风险；技术发展不确定性风险。

如需获取报告全文，请联系您的客户经理，谢谢！

本文摘自：中国银河证券2025年12月10日发布的研究报告《【CGS-NDI跟踪】美国启动“创世纪计划”，以AI驱动科研革命——数字经济双周报（2025年第22期）》

分析师：彭雅哲 S0130525020001

研究助理：杨晓

评级标准：

 评级标准为报告发布日后的6到12个月行业指数（或公司股价）相对市场表现，其中：A股市场以沪深300指数为基准，新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对做市转让标的）为基准，北交所市场以北证50指数为基准，香港市场以恒生指数为基准。 行业评级 

推荐：相对基准指数涨幅10%以上。

中性：相对基准指数涨幅在-5%～10%之间。 

回避：相对基准指数跌幅5%以上。 

公司评级 推荐：相对基准指数涨幅20%以上。 

谨慎推荐：相对基准指数涨幅在5%～20%之间。 

中性：相对基准指数涨幅在-5%～5%之间。 

回避：相对基准指数跌幅5%以上。 

法律申明： 

本公众订阅号为中国银河证券股份有限公司（以下简称“银河证券”）研究院依法设立、运营的研究官方订阅号（“中国银河证券研究”“中国银河宏观”“中国银河策略”“中国银河总量”“中国银河科技”“中国银河先进制造”“中国银河消费”“中国银河能源周期”“中国银河证券新发展研究院”）。其他机构或个人在微信平台以中国银河证券股份有限公司研究院名义注册的，或含有“银河研究”，或含有与银河研究品牌名称等相关信息的其他订阅号均不是银河研究官方订阅号。

本订阅号不是银河证券研究报告的发布平台，本订阅号所载内容均来自于银河证券研究院已正式发布的研究报告，本订阅号所摘录的研究报告内容经相关流程及微信信息发布审核等环节后在本订阅号内转载，本订阅号不承诺在第一时间转载相关内容，如需了解详细、完整的证券研究信息，请参见银河证券研究院发布的完整报告，任何研究观点以银河证券发布的完整报告为准。

本订阅号旨在交流证券研究经验。本订阅号所载的全部内容只提供给订阅人做参考之用，订阅人须自行确认自己具备理解证券研究报告的专业能力，保持自身的独立判断，不应认为本订阅号的内容可以取代自己的独立判断。在任何情况下本订阅号并不构成对订阅人的投资建议，并非作为买卖、认购证券或其它金融工具的邀请或保证，银河证券不对任何人因使用本订阅号发布的任何内容所产生的任何直接或间接损失或与此有关的其他损失承担任何责任，订阅号所提及的任何证券均可能含有重大的风险，订阅人需自行承担依据订阅号发布的任何内容进行投资决策可能产生的一切风险。

本订阅号所载内容仅代表银河证券研究院在相关证券研究报告发布当日的判断，相关的分析结果及预测结论，会根据银河证券研究院后续发布的证券研究报告，在不发出预先通知的情况下做出更改，敬请订阅者密切关注后续研究报告的最新相关结论。

本订阅号所转发的研究报告，均只代表银河证券研究院的观点。本订阅号不保证银河证券其他业务部门或附属机构给出与本微信公众号所发布研报结论不同甚至相反的投资意见，敬请订阅者留意。

《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过微信订阅号发布的本图文消息仅面向银河证券客户中的机构专业投资者，请勿对本图文消息进行任何形式的转发。若您并非银河证券客户中的机构专业投资者，为保证服务质量、控制投资风险，请取消关注、请勿订阅、接受或使用本订阅号的任何信息。

本订阅号所载内容的版权归银河证券所有，银河证券对本订阅号保留一切法律权利。订阅人对本订阅号发布的所有内容（包括文字、影像等）的复制、转载，均需注明银河研究的出处，且不得对本订阅号所在内容进行任何有悖原意的引用、删节和修改。

投资有风险，入市需谨慎。