人工智能正推动企业经历一场前所未有的系统性变革，从“AI+”的浅层应用阶段进入以智能体为核心、以AI原生为终极目标的智能新纪元。企业竞争的制高点已从争夺通用大模型转向构建垂域AI能力，即深入理解特定行业、解决实际问题、创造真实商业价值。成功的AI实践需要以商业价值为核心、跨部门协同、且不断进化的系统性工程。

AI时代网络安全体系的“智能重构”：随着AI应用加速，网络安全风险泛化，传统基于规则和边界的防御体系已力不从心。网络安全领域进入智能新范式，既要保障AI自身的安全，也要利用AI来增强整体安全能力。企业需构建智能化安全框架，安全左移，深度参与AI项目的早期设计，将安全要求内嵌于AI生命周期的起点，并建立跨职能的AI治理框架。

财务托管服务：从成本中心到价值引擎：数字化浪潮下，企业财务面临多重压力，传统财务运营模式已难以应对。财务托管服务（FMS）将企业从非核心但关键的财务运营中解放出来，通过专业伙伴的规模化能力、技术优势和实践经验，实现财务职能的效率提升、成本优化与价值释放。安永新一代财务托管服务以“AI优先、数据驱动、端到端托管、价值共创”为核心，构建了适配数字化时代的财务运营新范式。

智能跃迁与范式重塑：从数字化治理到AI原生架构的全栈演进：数字化技术正经历一场从“工具辅助”到“系统重构”的根本性变革。企业需要构建以智能为内核的新型架构（AI原生架构），涉及治理范式、产业逻辑与业务流程的深度革命。这要求企业从单纯的“数字化生存”转向“智能化进化”，从顶层设计到底层架构，从行业通则到具体业务场景进行全栈演进。

从“通用大模型”到“垂域Agent能力”：企业构建垂域AI能力并非简单的IT项目，而是涵盖业务战略、智能体能力、数据知识与模型治理的系统性工程。安永提出“垂域AI能力框架”方法论，帮助企业构建属于自己的、懂业务逻辑的垂域AI能力，将AI从单纯的“效率工具”，升级为驱动营收增长、重构客户体验的“第二增长引擎”。

AI重塑流程：企业亟需一次更深层的变革，不再将AI视为流程的“补充工具”，而应将其定位为流程的“架构主体”。即：以终为始，围绕核心业务目标，由AI主导流程的逻辑重构、角色分配与动态调优，实现从“效率改善”迈向“范式跃迁”。

人机混合经济：未来生产力，不再是人干机器的活或机器取代人，而是人类与机器在各自优势领域协同作战，形成人机共生的新型经济形态。AI不是替代者，而是放大器；人类不是被边缘化的角色，而是智能系统的指挥官与创意源泉。

全球企业的AI效能研究

• AI效能现状： 全球企业AI活动未转化为可衡量回报，仅20%的AI领军企业获得74%的AI驱动经济收益。
• AI适配指数框架： AI适配指数由六大AI基础能力（数据与技术、治理与风险、创新、员工队伍、投资、战略）和三大AI应用能力（广度与深度、先进性、从行业融合中捕捉价值）构成。
• AI领军企业特征：
  • 业务重塑与增长： 将AI与高价值业务目标对齐，优先布局价值流动机遇，利用AI创新商业模式、创造收入、挖掘新兴价值池、跨行业合作、从生态系统中解锁新价值。
  • 搭建针对性的AI基础： 进行充分且灵活的投资，升级关键数据与技术平台，建立员工能力信心，赋能创新，落地规模适配的治理机制。
  • 规模化推广成功的应用： 选择性地推广AI应用，让优先级用例在整个企业内持续落地，将AI嵌入核心工作流和系统，以更复杂的方式应用AI。

中国企业AI适配指数分析

• 中国企业AI适配度： 处于全球第一梯队，整体AI适配能力高于全球平均水平，部分能力略超过全球AI领军企业，呈现“应用强于基础”的特征。
• AI应用能力：
  • 广度与深度： 全价值链覆盖度高，应用落地深度处于全球第一梯队。
  • 先进性： 高阶应用成熟领先，但自主优化能力仍有增长空间，更多充当“辅助人工”的工具角色。
  • 从行业融合中捕捉价值： 增长导向突出，跨企业协作、客户需求响应、跨行业生态价值解锁等行业融合类AI应用渗透率领先领军企业。
• AI基础能力：
  • 战略： 管理推动水平较高，但价值追踪与实现较弱，存在“重部署、轻价值”的问题。
  • 投资： 资金投入占比领先，但创新不足且灵活性弱，投入增速略低于领军企业。
  • 创新： 创新试验基础完善高效，但拓展受限制，转化较低，“易试难推”的结构性瓶颈制约创新投入长期复利价值。
  • 员工队伍： 激励和培训机制完善，全员积极响应，但对AI信任度不足。
  • 治理与风险： 拥有成熟的体系和框架，但执行效能不足，数据安全实操与法规遵从的执行力度上仍有待提升。
  • 数据与技术： 数据治理基础和IT基建领先，但数据源可信和云平台能力有待提高。

中国企业AI效能发展潜力与展望

• 对比全球AI领军企业： 中国企业在战略与价值闭环能力、创新投入韧性、高阶AI应用和自主化、技术底座性能和数据可信度、员工文化和对AI的信任度、治理与合规体系完备性等方面仍存在提升空间。
• 重点国家企业AI效能特点： 新加坡、美国、英国、法国、德国、沙特阿拉伯、印度等国家和地区在AI发展方面各有优势和短板。
• 发展启示与展望：
  • 补全战略价值闭环，提升投入回报效率。
  • 强化长期创新投入，优化资源调度机制。
  • 攻坚高阶应用场景，释放增长潜力。
  • 聚焦场景优化基础底座和数据，避免盲目转型。
  • 完善AI文化和规则配套机制，提升AI信任度和采纳率。
  • 健全治理合规体系，平衡创新与风险。
• 未来展望： 中国企业AI发展正进入从“量的积累”向“质的飞跃”的关键转型期，需要政府、产业与学术界协同发力，营造开放、可信任的AI发展环境。

1. 简介

   • 大型语言模型（LLMs）的推理能力可通过思维链（CoT）和自洽性策略提升，但这些策略产生的自然语言推理链冗长，并非模型最高效的内部表示形式。
   • 本研究探讨LLMs能否创造新的符号语言以实现更高效的推理，提出通信语言符号路由（CLSR）框架。
   • CLSR框架中，多个LLM代理自主发明、进化和共享紧凑的语言符号框架（LSFs），一个无潜空间的路由器根据查询自适应地选择和组合这些语言，优化准确率-标记的权衡。

2. 问题设定与指标

   • 设x为查询，y为真实答案，假设有一个进化的LSF池S={S_k}_(k=1)^K。
   • CLSR运行k轮，第k轮中，路由器从[K]={1,...,K}中选择一个索引集I⊆[K]，并调用属于I的对应LSF子集{S_k}。
   • 评估指标包括计算成本（令牌计费）和推理准确率。

3. 研究方法

   • 目标：在预算内最大化预期正确率，同时考虑预期实现成本。
   • 语言符号框架（LSF）：由符号命名、语法和约束三部分组成，由LLM从范例中归纳并由选择过程完善。
   • LSF进化：通过迭代式自举程序优化LSF池，包括代理种群、操作LSF卡、数据集划分和代际调度、高杠杆选择与变异、跨代精英传承。
   • 端到端推理过程：给定测试查询和进化的LSF池S，通过检索LSF描述符、路由规划、执行协议和聚合得到最终答案。
   • 测试时LSF路由：路由器自适应地选择LSFs、组合顺序和停止规则，优化准确率与token之间的权衡。

4. 理论分析

   • CLSR将测试时的推理形式化为一个带约束的随机控制问题，推导出最小令牌成本的信息论下界。
   • 从社会语言学视角看LSF的演变：LSFs的演变类似于文化语言进化过程，正确性充当沟通成功的角色，符号长度充当生产成本的角色，路由充当在简洁和冗余LSFs之间进行语用代码转换的角色。
   • CLSR协议类可被视为一种可编程计算系统，多轮多LSF交互是“先生成程序再执行”范式的自然推广。

5. 实验

   • 基准：知识密集型问答（Wang等人，2024；Rein等人，2023；Lu等人，2022）、数学问题求解（Cobbe等人，2021；Hendrycks等人，2021；Veeraboina，2023）和多跳推理（Yang等人，2018）。
   • 骨干LLM代理：使用Qwen3-8B/32B、LLaMA3-8B和DeepSeek-R1。
   • 指标：推理准确率和推理LLM和LLM-路由器发出的生成令牌数量。
   • 进化自举：通过一个进化循环迭代优化LSF种群，每个进化步骤中，在保留的验证集上评估候选LSF，然后选择同时正确且token高效的杠杆推理轨迹，这些选定的轨迹被反馈给LLM，以合成下一代LSF种群。

6. 主要成果

   • CLSR在不同骨干网络和基准测试中始终提升了准确率-令牌前沿，与Raw CoT相比，CLSR将面向延迟生成的标记完成减少了约6倍，同时保持了准确率。
   • 与直接令牌缩减提示的基线相比，CLSR在帕累托前沿上表现更稳定，保留了可重用的符号协议，并根据查询难度在局部敏感函数（LSFs）之间进行路由。
   • 在匹配的设置下，针对提示优化的基线方法，CLSR在不依赖外部执行器的情况下依然具有竞争力，并且它也改进了针对提示优化的基线方法。

7. 消融与分析

   • 消融实验排除了设计选择：(i) 进化深度、(ii) 示例数量、(iii) 智能体数量和长度系数、(iv) T多轮次数、(v) 通过交换LSF生成器进行跨模型迁移、(vi) 定性示例。
   • 鲁棒性研究包括种子稳定性、种群规模敏感性、大模型推理、长上下文试点评估、类别/全池路由、跨域迁移和缓存感知的令牌计数。
   • 定性示例展示了CoT和CLSR的代表性模型输出以及CLSR产生的中间LSF，重点突出了几种反复出现的现象：从叙事式思维链到任务相关的潜在符号形式、跨轮次的错误定位与修正、精炼通常具有选择性而非累加性、当多轮次有助于时。

8. 结论与局限性

   • CLSR是一个测试时使用的框架，它允许大型语言模型（LLMs）发明、进化和在紧凑的符号通信协议之间进行路由。
   • CLSR表明LLMs可以发展出面向机器的语言，而这些语言并非由人类手动设计。
   • 离线语言进化可能计算成本高昂，合成管道需要用推理内容来训练示例。
   • 未来的工作应研究符号语言如何在模态、工具和多智能体环境中迁移。

2026年上半年，英国初创企业融资额达170亿美元，创下四年来的最强开局，其中人工智能（AI）领域表现尤为突出，融资额达126亿美元，创下仅用六个月创造年度记录的新高。英国风险投资额同比翻了一番，达到170亿美元，占欧洲总风险投资额的39%，领先于法国、德国和瑞典之和。AI初创企业融资额占英国总风险投资额的74%，其中19家超大型融资轮由AI企业完成，包括四家估值超过10亿美元的AI企业。

英国风险投资呈现以下特点：

1. 后期阶段融资主导市场，占比达68%，远高于欧洲平均水平（59%）
2. 企业软件领域成为AI发展的主要赛道，融资额达52亿美元
3. 深度科技与生命科学领域表现强劲，英国占欧洲该领域融资额的41%
4. 英国创新经济体规模达1.7万亿美元，十年间增长6.7倍，拥有217家独角兽企业

英国科技创新呈现以下趋势：

1. AI技术驱动各行业创新，从生命科学到工业技术领域均有突破
2. 后期阶段融资轮次占比提升，显示投资者更青睐具有商业价值的初创企业
3. 区域创新生态逐渐成熟，除伦敦外，剑桥、牛津等地区成为重要创新中心
4. 独角兽企业孵化能力突出，英国独角兽企业孵化了欧洲464家初创企业

研究结论表明，英国科技创新生态成熟度高，能够有效将科研优势转化为商业价值。随着AI技术渗透率提升，英国初创企业正进入商业化加速阶段，后期阶段融资活跃度持续提升。未来英国科技创新的持续发展，将取决于能否保持对资金、人才和技术的吸引力，以及能否将技术优势转化为全球竞争力。