AI 能力仍在加速，并没有进入平台期
- 行业在 2025 年产出了超过 90% 的重要前沿模型。
- 模型在博士级科学问题、多模态推理、竞赛数学和软件工程任务上继续逼近或超过人类基线。
- 编码、数学、智能体任务的跃升说明 AI 正从“答题型能力”走向“完成真实任务”。
第一部分
全球 AI 趋势报告
从《AI Index Report 2026》中提炼 9 个报告点，覆盖模型能力、竞争格局、基础设施、经济投入、责任治理、专业场景和公众信任。
中美模型能力差距收窄，竞争维度更加复杂
- 自 2025 年初以来，美国和中国模型多次交替领先。
- 美国仍在顶级模型和高影响力专利方面领先，中国在论文、引用、专利授权等方面领先。
- AI 竞争已经扩展到研究体系、产业转化、算力基础设施和应用生态。
AI 研发越来越产业化，前沿模型集中在少数企业手中
- 2025 年重要模型中，产业界占比约 91.2%。
- 顶级模型训练代码、参数量、数据集规模等透明度下降。
- 单位选型时需要关注供应商依赖、开源可替代性和技术路线锁定风险。
AI 基础设施成为国家能力的一部分
- 美国拥有 5,427 个数据中心，数量超过其他任何国家 10 倍以上。
- 领先 AI 芯片制造高度依赖关键供应链节点，硬件集中度带来战略风险。
- AI 竞争正在从算法和数据扩展到电力、芯片、云、数据中心和供应链韧性。
AI 的经济投入和使用扩散都在快速上升
- 2025 年美国私人 AI 投资达到 2,859 亿美元，约为中国的 23 倍。
- 生成式 AI 三年内达到约 53% 的人口采用率，快于个人电脑和互联网。
- 大量低价或免费 AI 工具创造了显著消费者价值，传统经济指标容易低估这种价值。
AI 已产生生产率收益，但就业影响开始分化
- 客服、软件开发、营销等结构化任务中，观察到 14% 至 26% 甚至更高的生产率收益。
- 软件开发领域收益明显，但年轻开发者就业人数从 2024 年起明显下降。
- AI 正在重排岗位入口、技能结构和人才培养路径。
负责任 AI 治理没有跟上能力发展
- AI 事件从 2024 年 233 起上升到 2025 年 362 起。
- 主流模型普遍报告能力基准，但安全、公平、可靠性等基准披露仍不充分。
- 单位引入 AI 时，应同步建立数据安全、输出审核、责任边界和使用留痕机制。
AI 正进入科学、医疗、教育等专业场景
- 自然科学领域 AI 相关论文快速增长，科学发现成为重要应用方向。
- 医疗 AI 已产生真实效率收益，但真实临床数据研究仍偏少。
- 教育中，学生使用 AI 的速度快于学校政策、课程和教师培训更新速度。
公众态度呈现“期待与焦虑并存”
- 全球认为 AI 利大于弊的受访者比例上升，但对 AI 感到紧张的人也在增加。
- 专家和公众在 AI 对工作、经济和医疗影响上的判断差异巨大。
- 对政府监管 AI 的信任高度分化，美国受访者对本国政府监管 AI 的信任水平仅 31%。
第二部分
我院 AI 应用实践
从底层能力、日常办公到核心业务，围绕真实生产场景推进 AI 工具链和智能体工作流落地。
从“AI+专业”到可复制工作流
- 围绕专业人员生产效率提升，推进 AI 智能体工作流。
- 已形成 AI一张图、CCTV管道缺陷检测、标书查重、智能体GIS、本地知识库、AI条件审查、UPS智能体、视频同步矢量等应用方向。
- 这些应用体现从“辅助查询”到“自动执行业务流程”的能力升级。
AI一张图：用自然语言操作空间数据
语义交互数据查询图层展示
- 在原有“一张图”系统上叠加 AI 语义交互能力。
- 用户输入需求后，AI 自动分析意图、转化检索语言并调用工具。
- 解决非技术人员不熟悉专业术语和检索语句的问题。
AI+CCTV管道缺陷自动检测：AI看视频，人工做核验
视频识别多模态模型自动评分
- 结合视频识别模型与 AI 多模态大模型，自动检测 CCTV 管道缺陷。
- 流程覆盖异常帧获取、重复帧筛选、缺陷判断、规范评分、人工核验和报告导出。
- 将“人工全流程看视频”改为“AI初筛识别+人工确认修正”。
标书查重：投标前的 AI 文本风险检查
长上下文文本比对风险提示
- 利用 AI 文本大模型的长上下文理解能力，对本期标书与历史标书进行查重。
- 输出风险位置、重复内容和修改依据。
- 后续可扩展一键修改重复内容和导出修改后文本。
智能体GIS应用：让 AI 调度 GIS 工具完成作业
AI智能体GIS自动化流程编排
- 适用于流程成熟、步骤规范的 GIS 业务。
- AI 学习流程、拆解任务、调用工具并输出成果。
- 成熟后沉淀为智能体 skill，后续可直接复用。
本地知识库搭建：面向内网资料的 RAG 与智能体底座
本地LLMRAG文档问答
- 支持 PDF、Excel、Docx、PPT 等文件批量导入和结构化识别。
- 可选择仅基于文档回答的查询模式，适合内网资料问答和专业知识沉淀。
- 相比普通在线知识库，更适合离线运行、高度定制和院内私有化部署。
AI条件审查：让空间关系校核从人工判读走向智能复核
空间校核规则审查结果归档
- 面向矢量数据空间关系校核场景，支持范围数据与待检测数据上传识别，自动执行相交、位于范围内等条件规则判断。
- 系统直接按原始坐标检测，不强制检查坐标系，适合在数据坐标体系已确认一致的前提下快速开展批量校核。
- AI 检测操作员可对发现的问题生成结果解读，提示问题来源、对象属性、空间关系和复核建议。
- 同时支持文本类审查场景，对条件条款、审查要点和问题描述进行结构化识别，辅助形成更完整的校核意见。
- 输出总览图、局部问题图、CSV 和结果包，便于人工复核、问题定位和成果归档。
UPS智能体：面向院内工作的中文专业智能助手
代码开发文档处理自动化辅助
- UPS智能体面向宁波市镇海规划勘测设计研究院服务，聚焦软件开发、代码审查、项目分析、文档处理、数据分析和自动化脚本等工作。
- 支持 WebGIS 项目开发与技术支持、规划勘测相关数据处理、浏览器自动化、网页交互和文件组织管理。
- 通过中文简洁回答、任务规划和执行能力，帮助专业人员把重复性技术工作沉淀为可复用的智能体流程。
视频同步矢量：无人机视频与三维实景模型的时空同步
Cesium三维视频同步矢量叠加
- 将无人机航拍视频与同一区域的三维倾斜摄影模型进行时空同步，左侧播放原始视频，右侧 Cesium 三维窗口实时呈现一致相机视角。
- 支持时间偏移、轨迹倍率、高程修正、等效焦距、航向/俯仰/横滚修正、视场倍率和径向畸变等参数微调。
- 河流、道路等矢量图层可同时叠加在三维场景和视频画面上，支持浮空高亮、贴附模型和平滑贴面等显示模式。
- 通过轨迹采样和 SVG 投影点低通滤波，降低视频播放过程中的叠加抖动。
第三部分
未来院内 AI 方向
下一阶段建议从“安全可控的基础底座、更多贴近专业的应用、已有成果的稳定运营、需求协同机制”四条线推进，让 AI 能力真正进入院内日常生产。
AI 本地化部署：建设安全可控的院内智能底座
私有化模型内网知识库数据安全
- 优先面向涉密、内网资料和专业成果数据，推进本地模型、本地向量库、本地推理服务的组合部署。
- 形成统一的院内 AI 服务入口，支持文档问答、知识检索、专业助手和智能体调用，避免各部门重复搭建。
- 同步建立数据分级、权限控制、日志留痕、输出审核等机制，确保 AI 使用过程可管理、可追溯、可迭代。
- 在条件成熟后，可逐步形成“云端通用模型+本地专业模型+院内知识库”的混合架构。
算力与模型部署适合院内场景的本地大模型，兼顾推理效率、成本和可维护性。
知识与数据把规程规范、历史项目、技术成果沉淀为可检索、可问答的知识资产。
安全与治理把权限、审计、脱敏、留痕作为底座能力，而不是事后补丁。
开发更多专业应用：围绕真实业务流程做深做专
AI+专业流程自动化智能体工具链
- 围绕设计、检测、测绘、GIS、管网、招投标、项目管理等高频业务，持续识别“规则明确、资料充足、重复性强”的 AI 应用场景。
- 应用建设不只做聊天入口，更要把 AI 嵌入资料读取、信息抽取、空间分析、图表生成、报告编制等具体流程。
- 对成熟流程沉淀为智能体 skill 或标准化工具，让不同项目、不同部门能够快速复用。
- 优先选择能明显节省人工时间、降低质量风险、提升成果一致性的场景作为下一批开发对象。
从助手到工具把“问答式 AI”升级为能调用数据、软件和规则库的专业工具。
从样例到流程把单次演示沉淀为可配置、可复核、可交付的标准流程。
从部门到全院以共性能力为底座，面向不同专业方向扩展业务插件。
巩固现有应用：从可演示走向可长期使用
稳定性准确率运维闭环
- 对 AI一张图、CCTV缺陷检测、标书查重、GIS智能体、本地知识库、AI条件审查、UPS智能体、视频同步矢量等已有应用，建立问题收集、版本迭代和效果评估机制。
- 重点提升系统稳定性、识别准确率、界面易用性、结果可解释性和人工复核效率。
- 结合真实项目积累样本数据和反馈案例，让模型、提示词、规则库和流程配置持续优化。
- 形成“试点应用、项目验证、问题修正、标准推广”的闭环，避免应用停留在一次性展示。
效果评估用准确率、节省工时、修改次数、采纳率等指标评估真实价值。
用户反馈把一线使用中的问题转化为迭代清单，持续优化体验。
标准推广成熟应用形成操作规范、使用边界和典型案例，便于院内推广。
需求交流机制：院内 AI 需求与博士工作室协同推进
需求征集联合评估快速试点
- 建议建立常态化 AI 需求交流渠道，各部门可将重复性工作、资料处理痛点、专业分析需求和系统集成设想整理后提交。
- 相关院内 AI 需求及开发设想，可与博士工作室进行交流，由业务人员说明场景，技术人员共同评估可行性和开发路径。
- 对需求可按“价值大小、数据条件、流程清晰度、开发难度、推广范围”进行优先级排序。
- 对高价值场景先做小范围原型验证，再根据反馈决定是否纳入正式应用建设。
业务提出问题明确痛点、输入资料、期望输出和当前人工流程。
工作室评估方案判断模型能力、数据条件、开发周期和安全边界。
联合试点迭代用小样本、小范围、短周期方式验证，再逐步推广。
真正拉开差距的，是系统化使用 AI 的能力
AI 的下一阶段不是单纯比拼模型参数和榜单成绩，而是比拼能不能把 AI 稳妥地嵌入组织和业务系统。对我院来说，一方面要持续关注模型能力、基础设施、治理风险和行业政策变化；另一方面要把 AI一张图、CCTV缺陷检测、标书查重、GIS智能体、本地知识库、AI条件审查、UPS智能体、视频同步矢量等实践继续沉淀为可复制的工具链和工作流。后续可围绕本地化部署、专业应用开发、现有应用巩固和需求交流机制持续推进，让 AI 成为院内专业能力建设的一部分。