电子产品世界

2025 年10 月底，“Omdia ICT 产业研讨会”在京举行。AI 首席分析师苏廉节先生做了报告《GenAl 从概念到日常——智能体和人形机器人的技术趋势与预测》，分享其对智能体的观察和预测。

1   AI专业有门槛，未来应用无处不在

在一年前的“Omdia ICT 产业研讨会议”上，苏廉节分析师曾预言2025 年将是AI 小年。没想到刚进入2025 年就被打脸——DeepSeek 横空出世，引来一波热潮，但快到2025 年11 月时，热情有些下降了。总体感觉AI 行业的特点是潮水很快涌起，退去也很快。

所以一些从业者对AI 产业感到迷茫：现在是否热潮已过？有些客户已经部署了大量计算资源，买了很多卡，下一步该怎么办？也有人对 AI 的回报率和部署的成功率持有一点怀疑态度，例如MIT 在2025 年发布了一份有争议的报告，认为95% 的生成式AI 公司已经黄了，大部分停留在了试验阶段。Omdia 在2025 年做的调研也有类似的结果，即真正能达到商业部署、跨过POC（概念验证）阶段的 AI 项目非常少，这意味着AI行业有一定的门槛。

好消息是，AI应用将像撒胡椒面一样无处不在，人们将来做的所有项目都会有AI 的身影。不管是从软件角度出发，还是从硬件角度出发；不管是在云端上部署系统，还是边缘的安防系统、人形机器人、量子计算等应用，都会有AI 算法在里面，都会需要数据，需要人们用自动化的方式去部署。

2   AI在消费和商用的应用特点

那么， 未来AI是不是大模型？ 是不是所有的产品都需要大模型？是不是所有行业必须要用Transformer等架构去解决？不一定。

●   2C偏重搜索引擎

DeepSeek出来以后，公众与大模型的第一次互动是通过各种搜索引擎，除了传统的搜索引擎诸如百度，还有非常热门的微信、抖音、小红书、豆包等，成为大众体验AI的方式。

Omdia于2025年发布了一份针对中国C 端市场AI搜索平台/ 引擎的市场报告，指出我国AI 大模型的渗透率约为36%、37%——这个数字可能没有人们想象的高, 因为现在所有经历的热点 浪潮只是起点，预计未来12~24 个月，渗透率会达到50%、甚至70% 以上。

●   2B在部署大模型

2025年9月，Omida发布了中国财富500强制造业大模型的数据，显示了渗透率的特点，撇开数量稍少的垂直行业，中国很多头部企业已经开始用起AI。

某些行业的AI 渗透率偏低，例如制造业、能源、矿业等（图1）；而电信、IT、汽车业对大模型的采用几乎百分之百，甚至很多企业同时有多个大模型，并认为多多益善。

图1 生成式AI在企业界采用的速度因行业而异

中国制造业对AI普遍接纳，主要有两个原因。

●   我国在开源大模型方面非常积极。自从DeepSeek出来以后，阿里甚至最近百度、华为都在推，对产业大模型有很大的推波助澜作用。

●   我国部署的大模型很多时候是依靠全栈式部署的，即企业跟云厂商合作时，会不知不觉地用上大模型，因此进一步扩大了大模型的应用。

3   具身智能：大模型之后的新增长点

既然大模型已经普及开来，下一个增长点在哪里？现在业界有两个共识，从软件端看，有代理AI；硬件是具身智能。

在硬件端，会看到更多基于具身智能的机器人，包括人形机器人（注：是现在产业的火热发力点之一），还有无人机、四足机器人、甚至传统的AGV。它们都对大模型本身的能力、云架构的算力、模型的优化以及系统的整合有进一步的诉求，需要厂商做更灵活的配置和提升性能。

很多人士认为2025 年是具身智能的元年。可能人们没看到什么具身智能的应用，因为很多企业在部署智能体的时候会偏向某个特定的应用。

4   智能体开发的两个软件挑战

据Omdia调研，大部分智能体偏重在软件开发，其次是文本分析。一个简单的原因是：与大模型刚开始出来时一样，人们对大模型的感知是它听得懂人们说话，人们能跟它用自然语言交流，它能理解人们上传或要下载的东西，这主要因为大模型是基于文本的数据训练的，文本的数据从现在的数据集来看是最成熟的。同样，现在智能体刚开始时，也会偏向于把基于文本/文字类的数据任务采集作为首要爆发点。

下一步，很多产业开始思考是否要采用更强的模式？所以2025 年，自从GPT-4o 发布之后，很多厂商推出多模态的大模型，以处理多种不同的数据源/ 数据类。

但是还有两个挑战。

首先，大模型出来了以后，一直没有很有效地解决幻觉问题。如何解决出错率？是整个行业思考的一个方向。

其次，人们在用智能体的时候，会消耗很多Token。从降本增效的角度，违背了人们一开始采用智能体的初衷。

因此有两个较新的思路。

第一, 解决幻觉的问题，可能要推理模型。例如阿里云、Mistral AI 和智谱AI。

第二，解决Token 的问题，是否可用垂直类的大模型来解决，以达到更精准、更高效。所以有很多垂直领域多模态模型，例如2025 年5 月，salesforce推出BLIP3-o：多模态图像理解模型；上海人工智能实验室于2025 年6 月推出“多模态机器人控制模型”；NASA于2025 年8 月推出Galileo：地理空间多模态模型。

现在较火的，人们比较积极去探讨的是基于软件开发的模型，最红的当属Anthropic 的Sonnet 4.5，某种程度上打破了这个行业的软件开发的天花板。接下来人们会以Sonnet 作为行业的标杆。

另一个比较重要的点是最近行业也开始出现一些基于开源的智能体开发的工具，包括AWS 发布的StrandsAgent，以不同的方式去服务不同的客户。有的是以低代码的方式满足开发者的简单诉求，有的针对高强度、高代码的开发环境和诉求。

最后, 有了智能体以后，还会出现对多智能体的诉求。那么，怎么在多智能体的基础上套一个运营商的数据, 做得更专业？这是下一个多智能体厂商需要攻克的挑战。

5   人形机器人市场

Omida于2025 年1 月发布了人形机器人的市场预期平台（图2），目前产业还是处于比较初期的。

图2 人形机器人的三个发展阶段

从“早期试点”到“全球拓展”还需要一个过程。在这个过程中有些商业化的挑战。

第一，价格怎么降下来？当然，在国内可能会听说一些机器人10 万元以下就可以在台上表演了，但只能在台上表演，不能做别的。实际上，那种真正能够干活、能在工厂里部署的机器人是很昂贵的，只有宇树等最顶尖的机器人才能被用在实际场景。因此目前机器人的价格还很贵。下一步，不仅是怎么去把机器人部署出去，还要集成到工厂内部的IT/OT 系统中。

第二，怎么把它们推到海外市场？是用渠道？还是跟其他厂商合作？因为现在很多具身智能企业的背景不是工业机器人出身，因此对怎么去卖、用什么去样的渠道，走怎样的路径？这些策略还不是特别清晰。

所以现在业内都在卷技术，卷我的机器人比竞品的计算好，而没有真正在想我要怎么把这个东西销售出去？

当然这也不只是中国才有的现象，整个行业都存在这个问题。

值得一提的是，至少中国企业在卷技术方面做得不错，例如从中国的几大具身智能初创公司发布了一些基于大模型的产品。

具身智能的大模型需要各种技术：既需要传统的机器控制模型，同时也需要事件模型，也需要灵巧手，总之，需要好几个模型搭建起来，才能够达到可部署的效果。第二，不仅要把模型做好，还要把硬件做好。中国企业要双管齐下，各方面都要引领市场，才能够把这个市场地位布起来。

Omdia 把2024 年的人形机器人的出货量排了一下（图3），可看到中国的厂商还是属于业界较为领先的。这有很多的原因，因为政府的政策在推动，另外国内很多企业积极地在购买、合作。预计在接下来几年里，这个产业肯定会得到大力的发展。

图3 2024年人形机器人的百分比

● 灵巧手

机器人做得好，不能只有大脑小脑，还需要更多的零部件，其中比较重点的发展方向之一是手部。世界部分代表性厂商如表1。

表1 部分灵巧手厂商

传统机器人的手很简单，例如夹子，只有两三根手指就够用了。但是从人形机器人的视角还是不够的，很多物体还操控不了。所以怎么去模拟一个人的手，完全达到工控场景，是接下来行业一直需要去探讨的。

手本身既需要大模型，还需要各种传感器。先进的灵巧手每一根手指都有一个摄像头，意味着有很多数据需要处理。

●   人形机器人是半导体业的增长点

从半导体产业的角度，人形机器人是半导体行业的一个福音，需求量很大（表2）。传统上，汽车行业是一个很大的消费半导体的产业。将来人形机器人需要很多半导体芯片，因为每一个感官需要半导体去感知，每个部位都需要半导体去进行操控，大小脑也需要半导体去计算。

表2 Omdia估计每台人形机器人所需要的半导体元件及数量

7   智能体软件的三个痛点

智能体很复杂，有很多痛点需要去解决，例如如下三个。

第一，目前比较火的上下文工程的挑战。

第二，模型本身的任务解决能力。现在比较前沿的大模型都会声称其能力不在于我怎么解决一个问题，因为拆解工作和解决问题已是大模型的标配。现在前沿厂商想要解决的是怎么把一个非常难解的问题解决掉。因为如果一个问题特别难解决，大模型会半途而废。

好的大模型有办法坚持下去。其坚持下去的动力，就是基于上述提到的有很大的上下文的窗口，有很强的推理能力，使它能够坚持把一个非常难解的任务拆解出来。

第三，持续评估。创新一直是智能体的核心，目标之一是怎么能够确保我生成出来的东西是绝对准确的。因为今天的目标不是我们上网随便搜索一个2C 的应用，可能所有多智能体的应用是面向2B 的。在2B 的应用场景中，会有合法合规的诉求，是不能出错的。在这种情况下，我要怎么去评估大模型生成出来的东西是合法合规的，是我想要的结果？这是业界需要去攻克的。

此外，大模型供应商还要助力企业跨越AI 部署的障碍。大模型应该自研还是购买？这个点也是业界一直在探讨的。根据Omdia 对亚太区的调查，大部分企业还是会去买的。主要原因是大模型不好做，而且每隔6个月左右又会演进，所以对于很多中小企业，由于没有独立的IT/AI 团队，所以倾向于去购买第三方的解决方案，然后来进行各自AI 调整。

因此，供应商如果能够更加对应到客户的诉求，才是帮助客户提高AI 渗透力、提高AI 部署的一个最佳策略。不是说你的模型有多强，客户就会用你的解决方案，你需要去考虑客户的痛点在哪里？

主要就是要解决内在能力欠缺的挑战，例如要解决安全性的挑战，合法合规的挑战，缺乏数据的挑战，以及算力和成本，此外，还有技术的复杂度，数据的品质等。

（本文来源于《EEPW》202512）

关键词： 202512 Omdia 智能体 人形机器人