2025年AI应用全景深度剖析：地域、行业与交互模式，一文掌握未来AI趋势！ --知识铺

AI 普及正在按下“快进键”，美国员工两年内使用率翻倍，但全球分布极不均衡：新加坡远超新兴市场，AI红利或加剧地域间的经济差距。与此同时，个人用户（Claude.ai）逐渐从协作走向指令式自主自动化；企业端通过 API 的应用更为集中，77% 的场景以研发驱动的自动化为主。

这意味着两件事：其一，新兴市场与新手用户更易错失早期红利；其二，要把 AI 的价值做实，企业必须投入数据现代化与组织重构。

【读书笔记】

1. AI的早期采用空前迅速，但在地域和任务应用上呈现高度集中，仅在美国，员工在工作中使用 AI 的比例两年内从 20% 跃升至 40%。全球范围则极不均衡，新加坡的人均使用量是其人口预测值的 4.57 倍，而印度尼西亚、印度、尼日利亚等新兴经济体的 AUI（Anthropic AI 使用指数）均低于 0.40，显示明显的地区差距

2. Claude.ai 用户的使用方式正在由协作（增强）转向自动化（指令式），指令式对话占比从 V1（2024 年底）的 27% 上升至 V3（2025 年 8 月）的 39%，首次出现自动化总体上超过或至少与增强相当的现象。同时，编程任务中新代码创建占比增加 4.5 个百分点，调试任务减少 2.8 个百分点，显示用户更倾向一次性完成创造性工作，而非迭代修复

3. AI 的使用趋势正快速从业务运营转向知识密集型的教育和科学领域，教育指导与图书馆类任务占比从 V1 的 9% 上升至 V3 的 12.4%；生命、物理与社会科学类任务从 6.3% 增至 7.2%。相对地，商业与金融运营类任务占比从 6% 降至 3%，管理类任务从 5% 降至 3%。新功能如网页搜索也催生了电子资源与数据库检索任务的显著增长（0.03%→0.49%），进一步印证趋势

4. AI 采用水平越高，任务分布越多元化，且更偏向人机协作；采用水平越低，越集中于编程和自动化，**低 AUI 国家（如印度）的 Claude 使用任务往往以编程为主，占比超过一半，而全球平均水平仅为三分之一左右。高 AUI 国家（如美国、新加坡）则在教育、科学和商业领域呈现多元应用。同时，即便在控制了任务组合后，低 AUI 国家更可能将完整任务交由 AI 自动完成，高 AUI 地区则更多体现为人机协作和学习迭代

5. 企业级 AI 部署（API）以研发驱动的自动化为主，模型能力比成本更能影响决策，**API 使用中 77% 为自动化模式（Claude.ai 用户约为 50%），且高度集中于计算机与数学类任务，占总流量近一半。API 数据显示使用最多的任务往往成本更高，整体价格敏感度较弱，说明企业更看重模型能力、部署便利性及自动化带来的经济价值，而非交互的直接成本

6. 获取并整合足够上下文信息是企业大规模部署复杂 AI 应用的主要障碍，使用 Claude 执行复杂任务的 API 客户往往提供更长的输入（上下文），这表明若要实现高影响力部署，企业需投入昂贵的数据现代化与组织改造，将分散信息集中并数字化，才能为模型提供充足情境支持

本文编译自发布于 2025 年 9月16日的Anthropic的专栏，原链接：

https://www.anthropic.com/research/anthropic-economic-index-september-2025-report

以下是原文的全文翻译，enjoy!

注：正文中标蓝部分为读书笔记的对应原文

【正文】

引言

人工智能（AI）与以往技术的最大不同在于其前所未有的采用速度。仅在美国，就有 40% 的员工报告称在工作中使用 AI，而在两年前的 2023 年，这一比例仅为 20%。如此迅速的普及，反映出该技术已经能够在广泛的应用中发挥作用，能够依托现有的数字基础设施部署，并且操作简便——只需输入文字或语音，无需专业培训。前沿 AI 的快速进步，很可能在这些维度上进一步加速其采用。

回顾历史，新技术的广泛应用往往需要几十年。电力在城市电气化之后，又花了 30 多年才进入农户家庭。第一批面向大众市场的个人电脑于 1981 年进入早期用户手中，但直到 20 年后才进入美国大多数家庭。即便是普及速度极快的互联网，也花了大约五年时间才达到如今 AI 在短短两年内实现的普及率。

这是为什么？简而言之，新技术——即使是具有变革性的技术——也需要时间在整个经济体中扩散，需要时间让消费者的采用从地理集中逐渐走向广泛分布，同时企业也需要时间来重组业务运营，以充分释放新技术的潜能。企业的采用往往先局限于少数特定任务，再逐步扩展至通用应用，这是关键技术得以传播并产生深远经济影响的重要途径。

换句话说，技术采用的早期特征往往是集中性的——无论是在少数地理区域，还是在企业的少数任务中。本报告所记录的数据表明，21 世纪的 AI 采用似乎也遵循了这一模式，只是时间线更短、强度更大，远超 20 世纪的技术扩散速度。

为了研究早期 AI 采用的模式，我们从两个重要维度扩展了 Anthropic Economic Index：一是引入了对 Claude.ai 对话的地理分析，二是首次开展了对企业 API 使用的研究。我们展示了 Claude 使用的时间演变、各地区的采用差异，以及——首次揭示——企业如何部署前沿 AI 来解决业务问题。

Claude.ai 使用模式的演变

在报告的第一章中，我们识别出过去八个月 Claude.ai 使用中的显著变化，这些变化与底层模型能力的提升、新产品功能的发布，以及 Claude 用户群体的扩大同步出现。

我们的发现包括：

• 教育与科学类使用占比上升。虽然编程任务仍然占据总样本的主导地位（36%），但教育任务的占比从 9.3% 上升至 12.4%，科学任务从 6.3% 上升至 7.2%。

• 用户赋予 Claude 更高的自主性。“指令式”对话（用户将完整任务交由 Claude 完成）的比例从 27% 跃升至 39%。编程中的程序创建增加了 4.5 个百分点，而调试任务减少了 2.9 个百分点——这表明用户可能在单次交互中就能实现更多目标。

AI 采用的地理分布

我们首次发布了覆盖 150 多个国家和美国所有州的 Claude.ai 使用数据。从扩散模式的研究角度，我们提出了 Anthropic AI Usage Index（AUI），用于衡量 Claude.ai 的使用是否相对于各国劳动年龄人口被高估或低估。

我们的发现包括：

• AUI 与各国收入高度相关。与以往技术一样，AI 的使用具有明显的地理集中性。新加坡和加拿大的人均使用量分别达到预期的 4.6 倍和 2.9 倍，而新兴经济体的使用率则偏低，例如印度尼西亚（0.36 倍）、印度（0.27 倍）、尼日利亚（0.2 倍）。

• 在美国，本地经济因素影响使用模式。华盛顿特区的人均使用量最高（3.82 倍人口份额），紧随其后的是犹他州（3.78 倍）。区域性使用模式反映了当地经济的特征：加州 IT 使用偏高，佛罗里达州金融服务使用较多，而华盛顿特区则偏重文档编辑与职业辅助。

• 高采用国家的使用更为多元。低采用国家的 Claude 使用往往以编程为主，而高采用地区则在教育、科学和商业领域呈现多元应用。例如，在印度，编程任务占比超过一半，而全球平均水平仅为三分之一左右。

• 高采用国家的使用更偏向增强而非自动化。在控制各国任务结构后，低 AUI 国家更可能将完整任务交由 AI 自动完成，而高采用地区则更多体现为人机协作和学习迭代。

早期 AI 采用的不均衡地理分布引发了有关经济趋同的重要问题。19 世纪末至 20 世纪初的变革性技术——如广泛电气化、内燃机、自来水系统——不仅开启了现代经济增长的时代，也带来了全球生活水平的巨大分化。

如果生产率提升主要集中在高采用国家，那么当前的使用模式表明，AI 的收益可能会集中在原本就富裕的地区——可能加剧全球经济不平等，并逆转近几十年来的增长趋同趋势。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

企业系统性部署 AI

在最后一章中，我们首次对大量第一方（1P）API 流量进行了深入分析，揭示了企业和开发者使用 Claude 完成的任务。值得注意的是，API 用户是通过程序化方式访问 Claude，而非通过 Claude.ai 的网页界面。这体现了早期采用者企业如何部署前沿 AI 能力。

我们的发现包括：

• 1P API 使用虽与 Claude.ai 相似，但在某些方面更具专门化。两者都高度集中在编程任务，但 1P API 使用在编程和办公/行政任务上的占比更高，而 Claude.ai 使用则更多集中在教育和写作任务上。

• 1P API 使用以自动化为主。77% 的商业使用体现为自动化模式，而 Claude.ai 用户这一比例约为 50%。这反映了 API 使用的程序化特征。

• 能力比成本更能影响企业部署。我们观察到，API 数据中使用最多的任务往往成本更高，而使用频率低的任务成本更低，整体价格敏感度较弱。模型能力以及自动化某项任务的经济价值，对企业使用模式的影响更大。

• 情境限制了复杂应用。我们的分析表明，在复杂领域实现高影响力 AI 部署时，为模型提供合适的上下文信息至关重要。这意味着，对某些企业而言，昂贵的数据现代化和组织投资可能成为 AI 采用的瓶颈。

开放数据以促进独立研究

与以往报告一样，我们将底层数据开源，以支持独立研究 AI 的经济影响。这一全面数据集涵盖了 Claude.ai 和 1P API 的任务级使用模式（映射至 O*NET 分类以及自下而上的类别）、任务的协作模式拆分，以及详细的方法学文档。目前，地理使用模式仅适用于 Claude.ai 流量。

我们希望这些数据能够帮助回答的一些关键问题包括：

• AI 使用与采用对劳动者和企业的本地劳动力市场有何影响？

• 是什么决定了各国及美国各州的 AI 采用情况？如何确保 AI 的收益不仅集中于富裕经济体？

• 单项任务成本在企业部署模式中扮演怎样的角色？

• 为什么企业能自动化某些任务却无法自动化其他任务？这对不同类型劳动者的就业前景意味着什么？

第一章：Claude.ai 使用的时间演变

概述

理解 AI 采用随时间的演变，有助于预测其经济影响——从生产率提升到劳动力变化。通过对比从 2024 年 12 月至 2025 年 1 月（首次报告 V1）、**2025 年 2 月至 3 月（V2）以及2025 年 8 月（V3 最新数据）**的时间序列，我们能够追踪过去八个月中，随着能力和产品功能的提升、新用户的加入以及使用方式的日益成熟，AI 使用模式发生了哪些变化。

我们认为，下文所呈现的证据表明：新产品功能不仅仅是加速了既有任务的采用，而是开启了新的工作形式。

Claude.ai 在经济任务中的变化

教育与科学任务的相对重要性持续上升

虽然计算机与数学类任务仍占总体使用的 36%，但知识密集型领域的增长趋势明显。教育指导与图书馆类任务从 V1 的 9% 上升至 V3 的 12%；生命、物理与社会科学类任务从 6% 增至 7%。与此同时，商业与金融运营类任务的占比从 6% 降至 3%，管理类任务从 5% 降至 3%。

这种分化表明：AI 的采用在涉及知识综合与解释的任务中扩散得尤其迅速，而传统业务运营的扩散速度较慢——可能是因为前者更能从 Claude 的推理能力中获益。

图 1.1：Claude.ai 使用趋势。每个子图展示 Claude.ai 抽样对话中属于各 SOC 主类的任务占比。可见科学（scientific）与教育（educational）任务的使用显著上升。SOC 主类按首份报告中的使用频率排序。

新功能正在塑造使用模式

在更细分的层面，我们观察到与 V2 到 V3 期间新增功能相关的任务构成变化。电子资源与数据库检索显著增长（0.03% → 0.49%），很可能反映了我们在 3 月发布的网页搜索功能。基于互联网的研究任务也大幅上升（0.003% → 0.27%），与 4 月推出的 Research 模式相符。

开发教学材料的任务增加了 1.3 个百分点，从 0.2% 升至 1.5%，实现了 6 倍以上增长，可能反映了教育群体的日益采用。多媒体文档创建上升 0.4 个百分点，从 0.16% 增至 0.55%，几乎增长三倍，可能受益于 Artifacts 功能在构建传统或 AI 驱动应用中的持续使用。

新代码创建任务的占比翻倍以上，上升 4.5 个百分点（4.1% → 8.6%）；相对地，调试与错误修复下降 2.8 个百分点（16.1% → 13.3%），整体呈现 净 7.4 个百分点的转移——从修复转向创造。这可能表明模型可靠性提升，用户更倾向于一次性交互完成创造性工作。

指令式自动化正在加速

和之前的报告一样，我们不仅跟踪用户在 Claude.ai 上用 AI 做什么，还分析他们如何与 Claude 协作或委派任务。

在高层次上，我们区分两类使用模式：

1.自动化（Automation）：聚焦于任务完成

• Directive（指令式）：用户直接给 Claude 一个任务，它在最少的交互下完成

• Feedback Loops（反馈回路）：用户自动化任务，并在需要时向 Claude 提供反馈

2.增强（Augmentation）：聚焦于协作交互

• Learning（学习）：用户向 Claude 请求信息或解释

• Task Iteration（任务迭代）：用户与 Claude 协作完成任务

• Validation（验证）：用户请 Claude 对其工作提供反馈

指令式对话在 Claude.ai 样本中从 V1（2024 年底）的 27% 上升至 V3 的 39%。这一增长主要挤占了任务迭代和学习类交互，意味着自动化模式显著提升，仅用八个月就达到新高。本报告也是首次记录到自动化使用超过增强使用。

图 1.2：各期 Anthropic Economic Index Report 中的协作模式频率。左图计算呈现自动化（automation）或增强（augmentation）形式的对话占比；右图按协作模式细分。随时间推移，Claude 的使用方式趋于更自动化，主要由指令式（directive）使用增加驱动。

这种变化可能源于模型能力的提升：随着模型在预测用户需求和首次生成高质量输出方面表现更好，用户所需的后续迭代减少。同时，这一增长也可能反映了用户在不断“边用边学”，逐渐增强对 AI 的信任，并敢于将完整任务委派出去。

其潜在的劳动力市场影响截然不同：如果是更先进的模型扩展了可自动化任务的范围，则执行这些任务的劳动者面临被取代的风险。但如果增长源自“边用边学”，那么最能适应 AI 驱动工作流的劳动者可能会更受欢迎，收入更高。换句话说，AI 的收益可能在劳动者之间分布不均：适应能力强者的工资更高，而适应能力弱者可能遭遇就业冲击。这将是未来研究的关键领域。

展望未来

V3 数据显示，AI 的能力与采用仍在持续进步。以教育和科学为代表的知识型任务仍在快速增长，新的产品功能不仅加速了既有任务，还催生了新的工作类型。

最引人注目的是，任务委派给 AI 的比例不断上升——这可能源于用户对技术信任的增加，也可能反映了底层模型能力的提升，甚至可能是用户群体构成的变化。下一章将首次从地理角度拆分使用模式，使我们能够更清晰地区分时间变化与地域差异。未来的报告中，我们将继续密切跟踪这些趋势。

第二章：Claude 在美国及全球的使用情况

概述

AI 首先在哪些地区被采用、如何被使用，将塑造全球范围内的经济结果。通过分析 Claude 在 150 多个国家和美国所有州的使用模式，我们揭示了三个关键动态：早期采用者分布在哪里；他们主要将 AI 用于哪些任务；随着采用的深入，使用模式如何演变。这些地理分布模式为我们提供了 AI 经济扩散的现实证据，帮助追踪不同地区在 AI 采用方面是趋同还是分化，并揭示了当地经济特征如何塑造技术部署。

基于 100 万条 Claude.ai 对话的隐私保护分析，我们的数据印证了一些预期，同时也带来了新的发现。美国占全球总使用量的 21.6%，这一结果并不意外，因为其人口规模庞大且收入水平高。但即便按劳动年龄人口调整，高收入国家的使用率仍显著更高。例如，新加坡的使用率是其人口规模预测值的 4.5 倍，而全球大部分地区的使用率却极低。有趣的是，在美国内部，华盛顿特区与犹他州的人均使用量超过了加州。

我们还观察到：随着人均 AI 采用的加深，使用案例也在发生变化。低采用国家的使用集中在编程任务（如印度，编程占比超过一半，而全球均值约为三分之一）；而高采用地区则逐渐多元化，教育、科学和商业任务占比提升。

更为显著的是：成熟市场更偏向与 AI 协作，而新兴市场更倾向将完整任务委派给 AI——这可能反映了不同经济体在结构转型阶段对 AI 部署方式的差异。我们的数据为这些模式提供了观察窗口，并将帮助我们跟踪未来这种差距是缩小、扩大，还是结构上发生变化。

Claude 在全球的扩散

Claude 在全球的采用的总使用量在美国最高

Claude 的采用在总体上高度集中于特定的地理区域。就全球总使用量而言，美国占据最高份额（21.6%），紧随其后的国家的使用份额则显著较低（印度为 7.2%，巴西为 3.7%，参见图 2.1）。然而，这种集中度受到各国人口规模的影响——人口较多的国家可能仅仅因为人口规模大而拥有较高的使用份额。

图 2.1：全球 Claude.ai 使用份额领先的国家。数据涵盖 Claude.ai Free 与 Pro 对话。

人均使用率集中在技术先进的国家

为控制人口规模差异，我们采用按劳动年龄人口调整的使用量，并提出一个新指标——Anthropic AI 使用指数（AUI）：对每个国家（或地区），计算其 Claude 使用量占比与劳动年龄人口（15–64 岁）占比。我们通过除以这些份额来计算 AUI:

这样可以判断一个地区的 Claude 使用率相对于其劳动年龄人口是高还是低。AUI > 1 表示使用高于预期；AUI < 1 表示使用低于预期。

结果显示：Claude 的人均使用高度集中在小型、技术先进的经济体。以色列在人均使用率上全球领先，AUI 为 7——意味着其劳动年龄人口使用 Claude 的频率是人口规模预测值的 7 倍。新加坡紧随其后（4.57），澳大利亚（4.10）、新西兰（4.05）和韩国（3.73）分列前五。

图 2.2：人均 Claude 采用率领先的是小型技术先进国家。该图给出按 Anthropic AI Usage Index 排序的前 20 国；为降低随机样本中低使用量国家带来的测量不确定性，仅保留样本中观测数≥200 的国家。底层数据覆盖 Claude.ai Free 与 Pro 使用。

随后，我们根据 AUI 构建人均使用分层：在我们的 100 万对话样本中，对至少有 200 条对话的国家计算分位数，划分为 领先组（前 25%）、中上组（50–75%）、中下组（25–50%）和新兴组（后 25%）；对不足 200 条样本的国家，根据 AUI 归入相应组别；对有劳动人口数据但样本中没有使用记录的国家，归入 极低组（Minimal）。（图 2.3 展示了 AUI 在全球的分布分层，表 2.1 提供了各层及代表国家示例。）

图 2.3：Claude 扩散程度因国而异，北美、欧洲及大洋洲国家按劳动年龄人口计算的人均采用率领先。不同层级反映某国在本章定义的 Anthropic AI Usage Index 全球分布中的位置。5,6

表 2.1：Anthropic Economic Index 各层级示例、国家数量及对应的 AUI 区间。

深入了解按人均使用量计算的领先国家和新兴国家

这种集中现象符合这些小型先进经济体作为技术先锋的既有模式。例如，以色列和新加坡在全球创新指数（衡量各国创新力的指标）中排名靠前，显示出其在信息技术方面的投资为前沿 AI 的快速采用奠定了条件。总体而言，这些经济体借助 高素质劳动力、完善的数字基础设施与创新友好的政策，形成了有利于 AI 应用的土壤。

值得注意的是主要发达经济体的表现：美国（AUI 3.62）位列人均采用领先组；加拿大（2.91）和英国（2.67）也处于较高水平，但低于美国；其他大国则明显较低：法国（1.94）、日本（1.86）、德国（1.84）。

与此同时，许多中低收入国家几乎没有 Claude 使用。非洲、拉美和部分亚洲国家的采用率普遍低于其劳动人口规模预期，包括：玻利维亚（0.48）、印度尼西亚（0.36）、印度（0.27）、尼日利亚（0.20）。

图 2.4：各国 Claude 人均使用量与人均收入呈正相关。同样仅保留观测数≥200 的国家以降低测量不确定性。双轴取对数（log scale），呈现幂律分布；各国以 3 位 ISO 代码标识。

这种差异与各国收入水平密切相关。我们发现 Claude 采用率与 劳动年龄人均 GDP 呈强正相关（见图 2.4）：GDP 人均每增加 1%，Claude 人均使用增加 0.7%。差距的形成可能是多重因素共同作用的结果，其中不少与收入高度相关：

• 数字基础设施：高使用率国家往往拥有可靠的互联网和云计算条件；

• 经济结构：Claude 的能力契合知识工作任务，而高收入国家知识型工作比例更高；

• 监管环境：各国政府在推动 AI 应用和监管强度上差异较大；

• 认知与获取渠道：与硅谷及 AI 研究社区联系更紧密的国家更容易接触 Claude；

• 信任与接受度：不同国家公众对 AI 的信任和舒适度差异显著。

Claude 在美国的扩散

在美国，加州遥遥领先，占全国使用量的 25.3%。其他科技中心州如 纽约（9.3%）、德州（6.7%）和 弗吉尼亚（4.0%）也位居前列。虽然这些数据未做人口调整，但可以合理推测，这与科技中心的快速采用密切相关，符合以往经济上关键技术的扩散规律。

不过，当我们调整州人口后，结果更加复杂：哥伦比亚特区以 AUI 3.82 位居第一，意味着其 Claude 使用率是人口占比的 3.82 倍。紧随其后的是 犹他州（3.78），显著高于 加州（2.13）、纽约（1.58）和 弗吉尼亚（1.57）。

图 2.5：按劳动年龄人口计算，Claude 采用率领先的美国州份包括哥伦比亚特区、犹他州、加利福尼亚州、纽约州和弗吉尼亚州。该图给出按 Anthropic AI Usage Index 排序的前 20 个州；为降低随机样本中低使用量州带来的测量不确定性，仅保留样本中观测数≥100 的州。底层数据覆盖 Claude.ai Free 与 Pro 使用。

在州际层面，我们也发现 Claude 使用率与人均收入正相关，但相关性弱于全球层面：收入差异解释了不到一半的跨州差异。不过，即便相关性较弱，增长幅度更大：州人均 GDP 每增加 1%，AUI 增加 1.8%。

图 2.6：Claude 在美国各州的使用情况存在差异，西海岸各州的人均使用量较高，内华达州、犹他州、科罗拉多州、密苏里州和弗吉尼亚州的使用量也相对较高。不同层级反映某州在本章定义的 Anthropic AI Usage Index 美国分布中的位置。

各国的任务使用模式差异

不同国家在 Claude 上的任务使用方式存在显著差异。与之前的报告一样，我们采用两种方法分析：第一种是O*NET 分类：使用美国职业分类体系（SOC），将任务映射到职业群组（如软件调试属于“计算机与数学”群组）；

第二种是自下而上的请求聚类：利用 Claude 对用户请求进行聚类，形成新的任务分类，捕捉传统体系未覆盖的用途。例如，最低层级的“帮忙写和改进求职信”会汇入中层级的“求职简历和文书帮助”，再归到高层级的“求职与职业发展帮助”。

两种方法结合，使结果既能对齐标准劳动统计，又能捕捉到更灵活的新兴用途。

人均使用率越高，任务分布越多元

当我们按 O*NET 高层职业群组聚合任务时，发现不同国家差异明显。虽然整体结果存在噪声（尤其是样本较少的国家），但图 2.7 表明：随着人均使用率的提升，Claude 的使用从“计算机与数学任务”（如编程）转向更多元的领域，包括教育、行政办公、艺术，以及生命、物理与社会科学等。

图 2.7：从低采用率国家过渡到高采用率国家，Claude 的使用似乎从以编程（programming）为主的任务转向更多样化的任务组合，但整体模式仍存在噪声。本图展示 Anthropic AI Usage Index（AUI）与最频繁的《标准职业分类》（SOC）主群之间的关系。每个子图对应一个 SOC 主群；SOC 占比由该地理区域内映射到对应 SOC 的 O*NET 任务数量计算得出。气泡颜色表示该国所属的 AUI 层级；气泡大小表示该国的使用次数。为降低随机样本中低使用量国家的测量不确定性，仅保留观测数≥200 的国家。回归分析对所有国家等权处理。

通过自下而上的请求分类法，也能观察到各国的特殊性。例如，美国、巴西、越南和印度分别代表了其所在 Anthropic AI 使用指数分层中总使用量最高的国家。美国用户在家庭管理、求职以及医疗指导上的使用比例显著高于全球平均水平；巴西用户在翻译和法律服务上的使用更为突出；越南的主要超额请求集中在软件开发和教育相关任务；印度的超额请求几乎完全集中在软件开发。这种差异很可能反映了当地的产业结构特点：巴西在司法系统中率先采用 AI，而印度拥有庞大的信息技术产业。

图 2.8：美国、巴西、越南和印度的高频请求聚类。
当某类请求在某国的对话占比高于全球占比时，即视为该国“过度代表”。本图选取中等粒度请求聚类——比最底层聚类更综合，又比最高层聚类更细分。仅保留全球频率≥1% 且在该国频率≥1% 的请求。

在所有国家中，软件开发始终是 Claude 的最常见用途。为什么开发者任务会在 Claude 使用模式中持续占据主导？可能有几个原因：

• 模型与任务的契合度：Claude 在代码生成、调试和技术问题解决方面表现出色；

• 开发者的接受度：开发者社区往往快速采纳新工具，并通过社交和专业网络扩散；

• 组织门槛低：单个开发者通常可以直接使用 Claude，而无需复杂的审批流程，这与医疗等领域形成对比。

美国各州的任务使用模式

本节我们探讨美国不同州的 Claude 使用模式，以进一步理解地方经济结构如何影响使用方式。正如前文所述，跨州 AUI 的差异仅能解释不到一半的人均收入差异。这表明，Claude 能力与当地劳动力职业结构的契合度在决定使用集中度上起到了更大作用。

在一些州，我们发现 AI 使用模式与地方经济特征高度一致。我们选取了各使用层级的代表州——领先组：加利福尼亚州；中上组：德克萨斯州；中下组：佛罗里达州；新兴组：南卡罗来纳州；对比分析发现，自下而上的请求分类差异显著（见图 2.9）。加州：IT 相关请求、数字营销与翻译占比过高，反映其科技产业和语言多样性。加州用户还更频繁地请求基本数值类任务，可能用于测试模型能力，甚至滥用。佛罗里达州：在商业咨询和健身方面的使用比例突出，或与其作为金融中心、低税环境和适合户外运动的气候相关。

图 2.9：加利福尼亚州、得克萨斯州、佛罗里达州和南卡罗来纳州的过度代表请求类别。当某类请求在某州的对话占比高于全美整体占比时，即视为该州“过度代表”。本图选取中等粒度请求聚类——比最底层聚类更综合，又比最高层聚类更细分。仅保留全美频率≥1% 且在该州频率≥1% 的请求。

华盛顿哥伦比亚特区：在人均 Claude 使用上全国第一，主要集中在文档编辑、信息提供和求职相关任务。在 O*NET 分类与自下而上的分类中均有一致表现，例如，求职申请相关请求在 DC 的占比是全国平均的 1.84 倍（见图 2.10）。我们提供的交互式仪表盘允许读者探索各州的完整差异与模式。

图 2.10：华盛顿特区的人均 Claude 使用量最高，其任务和请求主要集中在文档编辑、信息提供和求职申请。O*NET 任务：指 O*NET 分类体系中的任务。请求：基于自下而上的请求类别，用于描述用户向 Claude 发出的具体需求。当某任务或请求在某州的对话占比高于全美整体占比时，即视为该州“过度代表”。本图选取中等粒度请求聚类，仅保留全美频率≥1% 且在该州频率≥1% 的请求。

人机协作的地理模式

前文分析了人们用 Claude 来做什么，而另一个同样有启发性的模式是他们如何与 Claude 互动。这里我们继续使用第一章定义的“增强（augmentation）”与“自动化（automation）”协作模式。

各国的任务组合不同，这会部分解释自动化模式的差异。因此，我们研究在控制任务组合差异的情况下，不同人均使用水平的国家在协作方式上是否存在系统性差异。

结果发现：即便控制了任务组合，不同国家的用户在自主委托（自动化）与协作互动（增强）上仍表现出明显偏好差异。随着人均使用率的上升，国家的使用模式从自动化转向增强。

这一发现略显反直觉，因为我们已经控制了任务分布的多样性。我们推测，文化与经济因素可能影响自动化占比，或者各国的早期采用者往往倾向于更自动化的用法——但这里仍需更多研究。

图 2.11：Anthropic AI Usage Index 越高的国家，越倾向于以协作方式（增强，augmentation）使用 Claude，而非让其独立运行（自动化，automation）。本图展示 AUI 与某国自动化占比的关系，并已控制各地任务结构差异，故呈现回归残差。为降低随机样本中低使用量国家的测量不确定性，仅保留观测数≥200 的国家；各国以 3 位 ISO 代码标识。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

结论

对 Claude 地理使用模式的分析揭示了几个关键洞见：地理集中性极为显著。美国与加州在总体使用上的领先，以及 Claude 使用率与人均收入的强相关，呼应了历史上技术扩散的模式，即初期往往呈现地域集中与专业化应用。

地理不仅影响用途，还影响使用方式。人均使用较低的经济体更偏向将任务完全委托给 Claude（自动化），而人均使用较高的地区更倾向于协作或学习型交互（增强），即便控制了任务组合。

与任务使用的地方专业化类似，协作模式的地方差异也表明：AI 的影响在不同地区可能呈现显著差异。这些发现意味着：如果要让 AI 的潜力惠及全球，政策制定者需要关注 AI 使用的地域集中，并积极应对可能加剧的数字鸿沟风险。

出于隐私原因，我们的自动化分析系统会过滤掉任何低于 15 次对话和 5 个独立用户账户的单元（例如国家，或“国家-任务”交叉单元）。对于自下而上的请求聚类，我们设置了更高的隐私阈值：至少 500 次对话和 250 个独立账户。

第三章：Claude 的 API 企业级部署

概述

前沿 AI 能力是否能让我们更具生产力、重塑劳动力市场并加速经济增长，将取决于企业何时以及如何选择部署 AI。即使企业认识到 AI 的潜力，想要实现有利可图的应用，也可能需要付出高昂代价来重组生产流程、培训新员工，以及进行其他沉没成本投资，以促进 AI 的有效部署。¹

为了理解企业对 AI 的采用模式，我们转向一个新的数据来源：Anthropic 的第一方（1P）API 客户——同样依赖保护隐私的方法。² 我们的 API 允许客户将 Claude 直接整合到他们自己的产品和应用中，并按使用的 token 收费，而不是统一订阅费。这与我们在前两章重点研究的 Claude.ai 有着根本不同的产品体验。

制度惯性以及采用的固定成本表明，企业早期使用 AI 的案例很可能集中在那些部署容易、能力稳健、并且采用能带来较高经济收益的专业化任务中。

事实上，本章数据呈现的证据与此一致。我们的分析揭示出几个模式：

-企业使用 Claude 的方式与个人用户类似，但更加专业化：企业集中在那些适合通过编程化方式访问的任务，如编码或行政工作。与 Claude.ai 用户相比，企业较少将 Claude 用于教育或创意类任务，总体上使用方式更偏向自动化。

-API 客户倾向于选择成本更高的任务：尽管不同任务的成本差异巨大，但最昂贵的任务往往使用率更高，这表明模型能力、部署便利性以及自动化带来的经济价值，比交互本身的成本更能决定采用情况。

-获取适当的上下文信息是复杂部署的必要条件：我们发现 AI 在企业中应用效果存在一个潜在瓶颈。使用 Claude 执行复杂任务的 API 客户往往提供较长的输入。这可能成为阻碍某些重要任务广泛企业部署的障碍，因为这些任务依赖分散的上下文，而这些信息尚未集中化或数字化。解决这一瓶颈可能需要企业重组组织结构、投资新的数据基础设施，并集中信息以实现模型的有效部署。

奠基：公共数据中的 AI 采用模式

在深入探讨我们的 API 数据之前，有必要先了解企业采用 AI 的更广泛背景。根据美国人口普查局的《商业趋势与展望调查》，过去两年美国企业对 AI 的采用率增长了两倍多，从 2023 年秋季的 3.7% 上升到 2025 年 8 月初的 9.7%（见图 3.1）。³ 尽管增长速度很快，美国绝大多数企业仍报告未在生产过程中使用 AI。

然而，这些总体数字掩盖了行业间的巨大差异。例如，到 2025 年 8 月初，信息产业中每四家企业就有一家报告使用了 AI，这一比例大约是住宿和餐饮服务行业的十倍。⁴

公共数据呈现出的图景很清晰：企业使用 AI 的速度增长迅速，但我们仍处于 AI 采用的早期阶段。使用分布在整个经济中仍然不均衡，最有能力快速采用并受益于这项技术的行业率先走在前列。

正如下文所示，我们的 1P API 数据得出一个互补结论：Claude 的早期企业使用同样分布不均，主要集中在信息产业典型职业的任务上。

图 3.1：美国企业 AI 采用率（来源：Census《Business Trends & Outlook Survey》）。
注：AI 采用率 = 回答“过去两周内，本企业在生产商品或服务过程中是否使用了人工智能（AI）？（AI 示例：机器学习、自然语言处理、虚拟代理、语音识别等）”为“是”的企业占比。

Anthropic API 客户的专业化使用

为分析 API 流量，我们应用了与前几章相同的隐私保护分类方法——将匿名化的 API 转录内容按 O*NET 任务分类，并构建自下而上的分类体系。出现的模式显示，企业使用集中在特别适合自动化的专业化任务上。

总体而言，软件开发占据了主导地位。在前 15 个使用集群中（约占所有 API 流量的一半），大多数与编码和开发任务相关。调试 Web 应用和解决技术问题各占大约 6% 的使用，而构建专业的企业软件也占据了相当份额。值得注意的是，约 5% 的 API 流量专门用于开发和评估 AI 系统本身（见图 3.2）。

但并非所有 API 使用都用于编码。API 客户还部署 Claude 来制作营销材料（4.7%）和处理业务及招聘数据（1.9%）。这两个类别表明，AI 的部署不仅限于商品和服务的直接生产，还涉及人才获取和对外沟通。

图 3.2：1P API 抽样记录的自下而上（Bottom-Up）分类体系。采用隐私保护方法将 1P API 记录映射至反映实际用途的自下而上分类，本图给出该体系最顶层的主要用例。

O*NET 分类进一步凸显了这些模式。不到一半的 API 流量映射到计算机和数学类任务上——比 Claude.ai 高出 8 个百分点以上。办公室和行政类任务位居第二，占大约 10% 的转录内容，反映了这些任务的自动化适用性。

另一方面，一些在 Claude.ai 上占比较高的互动密集型任务在 API 使用中比例明显下降：教育和图书馆类任务从 12.3% 降至 3.6%，艺术和娱乐类任务从 8.2% 降至 5.2%。

然而，在许多情况下，Claude.ai 和 API 数据中的职业类别相当接近，这表明推动采用的往往是底层模型能力，而不是特定的产品界面。

图 3.3：Claude.ai 与 1P API 的主要职业类别占比。先计算任务级使用份额，再统计 Claude.ai 与 1P API 流量在 O*NET 顶层职业中的分布。示例：样本中 44% 的 API 流量被映射至“计算机与数学”职业任务。

职业分割 vs. 任务专业化

尽管 API 和 Claude.ai 服务的用户群体和界面不同，两者的任务使用却呈现出惊人相似的幂律分布。在 Claude.ai 的对话中，使用最少的 80% 任务类别仅占 12.7% 的使用量；而在 API 客户中，这一比例更集中，仅为 10.5%（见图 3.4）。这些极端集中（基尼系数⁵ 分别为 0.84 和 0.86）显示出 AI 与任务匹配度的巨大差异——最契合的任务使用量比不契合的高出几个数量级。

这种跨平台的相似性尤为引人注目，考虑到它们的用户群和使用场景不同。两者在集中度上收敛，表明 AI 能力与经济任务之间存在一个共同的匹配过程。

诸如代码生成这样的任务之所以占主导地位，是因为它们处于模型能力出色、部署障碍最小、员工能够快速采用的“最佳平衡点”。而那些使用频率极低的长尾任务可能反映了多个因素。⁶ 例如，有些任务本就罕见——调试软件远比谈判马戏团合同常见得多。这种极端集中还暗示了“O 型环”

力量的潜在作用：如果某个任务需要 Claude 无法处理的推理水平、企业无法访问的内部数据，或不存在的监管批准，那么任何一个障碍都可能阻止其被采用。

图 3.4：少量任务集中度的可视化：Claude.ai vs 1P API。左图绘制两条 Lorenz 曲线（O*NET 任务维度），高亮点表示底部 80% 任务所占的总使用量；右图将任务按使用量排序，对占比≥0.1% 的任务绘制排名-份额双对数图，拟合斜率接近 –1 时即符合 Zipf’s law。

API 转录中的自动化 vs. 增强

API 和 Claude.ai 使用之间最明显的区别在于人类与 AI 如何分工。当企业将 Claude 嵌入到应用程序中时，他们主要是将任务完全交给 Claude，而不是与模型进行迭代式协作。

在我们的数据中，77% 的 API 转录显示出自动化模式（尤其是完整的任务委托），而增强型模式（如协作完善和学习）仅占 12%。相比之下，在 Claude.ai 的对话样本中，自动化和增强的比例几乎相当。跨经济任务来看，Claude 通过 API 的自动化程度更为明显：97% 的任务在 API 使用中呈现自动化主导模式，而在 Claude.ai 上仅为 47%（见图 3.6）。

这一点直观合理。编程化的 API 接口天然适合自动化：企业提供上下文，Claude 执行任务，输出直接流向最终用户或下游系统。

这种模式与经济上有重大影响的技术如何转型相呼应：技术嵌入系统后，工人无需专业技能即可获取生产力提升。尽管增强和自动化两种方式都能提升人类能力，但系统级的自动化更有可能在整个经济中带来更大的生产力提升，并对劳动力市场带来更显著的变化：完全自动化部分任务，改变不同工作的关键任务，甚至催生全新的工作形式。

图 3.5：ONET 任务层面的自动化（automation）与增强（augmentation）协作模式：Claude.ai vs 1P API。对每项 ONET 任务，分别计算 Claude.ai 对话与 1P API 记录中呈现自动化或增强模式的占比（定义见第 1 章）。若因隐私保护无法观测，则该模式占比记为 0%。若某任务自动化占比更高，则判定为“自动化主导”，反之为“增强主导”。

Claude 的能力越强，所需的信息越多

为什么我们的 API 客户会更多地将 Claude 用于某些任务，而非其他任务？除了基本的模型能力之外，一个潜在的重要解释是：对于某些任务而言，向 Claude 提供成功部署所需的信息（上下文）要比其他任务更容易。

举例来说，如果目标是让 Claude 在一个复杂的软件开发项目中重构一个模块，Claude 可能需要阅读——或者至少探索——整个代码库，才能理解要做哪些更改以及在何处进行更改。对于拥有集中式代码存储库的软件开发项目而言，原则上获取这些信息是直截了当的。

而对于其他任务，适当的上下文信息可能不易获取，或者访问起来存在挑战。例如，要求 Claude 为一个关键客户制定销售策略，可能不仅需要 Claude 访问客户关系管理系统（Customer Relationship Management system）中包含的信息，还需要访问位于客户经理、营销人员和外部联系人脑海中的默会知识（tacit knowledge）。在其他条件相同的情况下，缺乏此类上下文信息将使 Claude 的能力大打折扣。

我们通过研究跨任务的平均 API 输入长度（即提供给 Claude 的上下文）与 Claude 的平均输出长度（即模型产生的响应）之间的关系来探讨这个问题。

对于我们样本中的每个 O*NET 任务，我们计算了相关 API 记录的平均输入和输出长度。然后，我们将这些值除以样本中所有任务的平均长度。这就为每个任务得出了一个输入 Token 指数和一个输出 Token 指数。例如，指数值为 1.5 意味着与该任务相关的 API 记录比所有任务的平均长度长 50%。

Claude 的 API 输出长度在不同任务之间存在显著差异。例如，输出长度处于 90 百分位的任务，比处于 10 百分位的任务长 4 倍以上。表 3.1 提供了 O*NET 任务示例，以及 Claude Sonnet 4 对该分布部分任务组的总结。图 3.7 显示，输出长度也存在跨职业类别的系统性变化。

表 3.1：输出长度较短与较长的 ONET 任务示例及 Claude 摘要。对每条匹配到 1P API 流量的 ONET 任务，计算输出 token 指数：该任务平均输出长度 ÷ 全样本平均长度。Claude 在最小提示下（仅要求列出“示例任务｜指数值｜摘要”三栏）选取指数 10%、50%、90% 分位任务并生成摘要；Claude 将输出长度与任务复杂度相关联。

图 3.6：主要职业类别下 ONET 任务的平均输出 token 指数。对每条匹配到 1P API 流量的 ONET 任务，先计算输出 token 指数（该任务平均输出长度 ÷ 全样本平均长度），再按 O*NET 顶层职业组求平均。“All Other”为其余职业组的合并类别。

Claude 的任务评估中突出的发现是，输出长度较长的任务往往代表着日益复杂的用途。当然，输出长度并不能涵盖任务复杂度的所有维度，但它似乎是一个合理且易于衡量的代理指标。

由于 API 客户在使用 Claude 时，输入 Token 和输出 Token 都是按边际价格收费的，他们有动力去优化模型提示，以最大限度地减少输入和输出 Token。因此，输入长度与 Claude 产生输出之间存在的任何系统性关系，部分反映了在部署 Claude 执行复杂任务时潜在的上下文约束。

换句话说，API 客户被激励只向 Claude 提供刚好足以完成其目标的上下文，不多不少。通过观察不同输出长度任务的上下文要求，我们可以了解到以下关键关系：输入与输出长度的关系：边际回报递减

通过观察所有任务，我们发现在 API 客户向 Claude 提供的上下文（输入）量与 Claude 实际生成的输出量之间存在一种非常稳定的关系。弹性系数（Elasticity）: 在所有经济任务中，输入长度每增加 1%，输出长度的增幅不成比例，仅增加 0.38%（参见图 3.7）。这个 0.38 的弹性系数表明，在将较长的上下文输入转化为较长的输出时，这些具有经济用途的任务存在强烈的边际回报递减。这意味着，虽然处理更复杂的任务需要更多的上下文（更长的输入），但增加的上下文信息对最终生成输出的长度影响越来越小。

图 3.7：O*NET 任务层面输出 token 指数与输入 token 指数的散点图。输出 token 指数定义同上；输入 token 指数构建方式相同。弹性系数 0.38 表示输入指数每增加 1%，输出指数约增加 0.38%。

总而言之，在企业中部署 AI 执行复杂任务，其瓶颈可能更多在于能否获取信息，而非底层模型的能力。那些无法有效收集和组织上下文数据的公司，可能会在复杂的 AI 部署中面临困境，这成为阻碍更广泛企业采用的潜在障碍——尤其对于那些默会知识和分散知识对业务运营至关重要的职业和行业而言。

任务成本与替代模式

API 客户按 Token 付费，导致部署 Claude 执行不同任务的成本有所差异。更复杂的任务通常需要更高的输入和输出 Token 数量，因此成本更高。这种成本差异帮助我们探究成本是否是决定企业选择用 Claude 自动化哪些任务的主要因素。

数据显示，成本并非主要决定因素，至少相对而言是如此。例如，计算机和数学类职业的典型任务成本比销售类任务高出 50% 以上，但它们却主导了使用量。总体而言，我们发现成本与使用量呈正相关：成本较高的任务往往使用率也较高（参见图 3.9）。

这种成本与使用量的正相关关系表明，成本在塑造企业 AI 部署模式中的作用微不足道。相反，企业可能更倾向于在那些模型能力强劲、且 Claude 驱动的自动化所产生的经济价值足以抵消 API 成本的领域进行部署。

图 3.8：各职业类别的 API 成本指数与使用份额。对每条 O*NET 任务计算 API 成本指数（该任务平均 API 成本 ÷ 全样本平均成本），再在职业组内取平均，并与该组使用份额绘图。弹性估计值 3 表示任务平均成本每增加 1%，其在样本中的占比约增加 3%。

虽然这种正相关性总体成立，但我们接下来探讨了在其他条件相似但成本较高的任务中，对 Claude 能力的需求是否会降低。尽管这应被视为一项初步探索，但我们确实发现：

在控制了任务特征后，我们发现成本每增加 1%，在我们的 API 记录样本中，使用频率会降低 0.29%（参见图 3.10）。

尽管这符合标准经济学理论（价格上涨导致需求下降），但成本下降带来的使用量增长是有限的。根据这一估算，特定任务成本降低 10% 仅能使使用量增加约 3%。

这表明，使用 Claude 执行特定任务的成本之外的其他因素，对使用模式的影响似乎更大。

图 3.9：控制任务特征后的 API 成本指数与使用份额散点图。样本限制为同时出现在 1P API 与 Claude.ai 中的任务，并控制以下特征：职业类别固定效应、Claude.ai 中的协作模式占比、以及因隐私保护导致协作模式被删失的指示变量。弹性估计值 –0.29 表示在控制上述特征后，任务 API 成本指数每增加 1%，其占比约下降 0.29%。

结论

我们的 API 数据捕捉了企业 AI 采用的早期阶段：高度集中、专注于自动化，并且出乎意料地对价格不敏感（至少在我们 API 客户使用 Claude 执行的任务中是如此）。

• 自动化主导：77% 的自动化率表明企业使用 Claude 是委托执行任务，而非作为协作工具。这种系统化部署很可能是 AI 在整个经济中提供更广泛生产力收益的重要渠道。

• 劳动力市场影响：鉴于企业部署中清晰的自动化模式，这也可能带来劳动力市场的颠覆，有可能取代那些最容易面临自动化的角色的工人。

• 补充性作用：然而，对劳动力市场的影响并非完全明朗。正如我们在上文所述，复杂任务需要不成比例的上下文信息。这些信息可能分散在整个组织中。在这种情况下，拥有关于业务运营默会知识的工人，可能会作为复杂 AI 驱动自动化的互补者而受益。 理解 AI 采用对劳动力市场产生的不均衡影响是未来研究的一个重要领域。

寻求有效采用 AI 的企业，可能需要重组其组织信息的方式，并维护好前沿系统所依赖的信息。当前这种狭隘、以自动化为主导的采用模式是否会演变为更广泛的部署，很可能将决定 AI 未来的经济影响。

总结性评价

这一版的 Anthropic 经济指数报告捕捉了 AI 采用的关键时刻。鉴于 Claude 和其他前沿 AI 系统的能力具有广泛适用性，它们已蓄势待发，将彻底改变经济活动。快速发展的 AI 能力进一步证实了巨大变革即将到来的结论。

然而，早期的 AI 采用表现出惊人的不均衡性。目前，AI 的使用集中在少数几类任务中，并存在强烈的地理差异，这种差异与收入高度相关，尤其在跨国层面。这种集中现象反映了 AI 能力、部署便利性和经济价值高度一致的领域：高使用量领域：编程和数据分析的使用率很高。滞后领域：需要分散上下文或复杂监管导航的任务则相对落后。企业对 Claude 的早期采用既与消费者使用有相似之处（编程都是最常见的用途），又在几个关键方面有所不同。特别是通过 API 对 Claude 进行程序化访问时，企业倾向于以更高的自动化程度来使用 Claude。

这种系统性的企业部署反映了 AI 将如何重塑经济活动：它将提高整体生产力，但对于那些现有职责被自动化的工人而言，其影响仍充满不确定性。

这些模式有加剧分化的风险。如果 AI 的生产力收益集中在已然富裕的地区和易于自动化的部门，现有的不平等现象可能会扩大而非缩小。此外，如果 AI 自动化提升了具有默会组织知识的工人的生产力（正如我们的一些证据所示），那么经验更丰富的工人可能会看到需求和工资上涨，而入门级工人则面临更严峻的劳动力市场前景。

基于我们之前发布的报告，本次指数报告在范围和透明度方面进行了重大扩展：我们现在正在开源全面的 API 使用数据，以及现有的 Claude.ai 消费者数据（现包括国家和州级别地理细分），所有这些数据都与详细的任务级别分类交叉结合。通过将这些数据公开，我们希望能够让其他人调查我们尚未考虑的问题，检验关于 AI 经济影响的假设，并制定基于实证证据的政策应对措施。

最终，变革性 AI 的经济影响将不仅取决于技术能力，更取决于社会所做的政策选择。历史表明，技术采用的模式并非一成不变：它们会随着技术的成熟、互补创新的出现以及社会对其部署做出深思熟虑的选择而发生转变。我们今天观察到的高度集中使用模式，可能会演变为更广泛的分布——这种分布将捕获更多 AI 提高生产力的潜力，加速滞后部门的创新，并实现新的经济价值创造形式。

我们仍处于这场 AI 驱动的经济转型的早期阶段。政策制定者、企业领导者和公众现在采取的行动将塑造未来几年。我们将继续追踪这些模式，为导航我们时代最具重大意义的经济转型之一提供经验基础。

AI大模型从0到精通全套学习大礼包

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

04.大模型面试题目详解

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业“的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。

业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓