2025年具身智能行业研究从40–60万元单机成本到3–4年回收周，具身智能商业化拐点何时到来？

概览标签：具身智能、人形机器人

2025 Embodied Intelligence Industry

2025年における具身知能産業

研究目标

研究背景

2025年，中国政府工作报告首次将具身智能纳入未来产业培育计划，标志着其成为推动新质生产力发展的核心赛道。而具身智能也正从实验室转向商业化探索，在各行业场景开启试点应用。

◼ 研究目标

• 了解具身智能的基本概念及相关技术

• 了解2025年具身智能在各场景的商业化应用情况

◼ 本报告的关键问题

• 具身智能的核心特征，以及与离身智能的差异

• 具身智能在各场景的商业化应用情况

• 具身智能的核心技术及面临的挑战

观点摘要

01 具身智能应用现状：

2025年，全球具身智能已逐步从实验室走向场景落地，然而商用化进展低于预期，效率、成本、场景适配三大方面均让商用化面临各方面挑战。未来五年，具身智能在各场景的落地仍将遵循“从简单到复杂”、“先专后通”的原则。在2030年前，具身智能的核心在于工业专用场景，之后延伸至以“零伤亡”为安全底线的家庭场景，最终迈向通用场景。

02 具身智能面临的主要挑战：

技术挑战方面，具身智能当下仍缺乏自主意图生成能力，且难以完成从环境理解到任务执行的完成闭环；真实数据量的不足、合成数据的质量低制约了模型训练与场景适配；软件生态割裂限制了系统的开发；

应用挑战方面，市场需求的模糊和用户接受度低制约了具身智能的商业化进程；产品形态的合理性容易限制具身智能与场景的适配性；产业链条的不完善也阻碍了其产业的规模化发展和技术迭代。

目录

具身智能行业综述 05 · 基本定义与关键特征 06 · 具身智能 vs. 离身智能 07 · 发展历程 08 · 技术体系 09 · 核心技术层面 10 · 应用现状 11 · 面临的挑战 12 · 国家层面相关政策 14 · 地方层面相关政策 15 ◆ 头豹业务合作介绍 16 ◆ 方法论与法律声明 17

名词解释

◆ AGI：通用人工智能，是一种能够模仿人类思维、决策并具备自我意识和自主行动能力的人工智能系统。与传统人工智能不同，AGI具有通用性，可适应多种复杂场景，通过自我学习和改进解决任何问题而无需人为干预。其目标是实现从“工具”向“生命”的转变，目前仍处于研究初级阶段，但在医疗、金融、交通等领域展现出潜在应用价值。

◆ MPC：模型预测控制，是一种基于预测的多变量控制算法，通过动态模型预测系统未来状态，并在有限时域内求解优化问题以生成控制序列。其核心特点是滚动优化和约束处理，能够在化工、工业自动化等领域应对复杂系统的时变性和不确定性，同时考虑输入输出及状态变量的约束条件，广泛应用于自动驾驶和智能制造等场景。

◆ RL：强化学习，是机器学习的重要分支，通过智能体与环境的交互试错学习最优策略。智能体根据执行动作后获得的奖励信号调整策略，以最大化长期累积奖励。其核心依赖价值函数评估状态-动作对的收益，并通过优化策略逐步逼近最优解。RL已在游戏（如AlphaGo）、机器人控制和推荐系统等领域取得显著成果。

◆ SoC：系统级芯片，是将微处理器、存储器、模拟/数字IP核等关键组件集成于单一芯片的集成电路，面向特定用途的标准化产品。其高度集成特性广泛应用于智能手机、智能汽车和物联网设备，决定设备的核心性能（如运算速度、图形处理能力）。2025年全球市场规模预计达1864.8亿美元，亚太地区因5G和AI需求增长成为主要驱动力。

◆ WBC：全身控制算法，是一种用于多自由度机器人运动控制的优化策略，其核心目标是通过协调机器人全身关节运动，实现动态平衡与复杂任务执行。该算法广泛应用于人形机器人、四足机器人等领域，常与模型预测控制（MPC）结合以提升抗干扰能力和运动精度。

Chapter 1具身智能行业综述

具身智能行业综述——基本定义与关键特征

具身智能（Embodied Intelligence）是人工智能与机器人学交叉的前沿领域，其核心在于通过物理实体与环境的动态交互实现智能行为，“本体+环境+智能”是具身智能的核心三要素

◼ 具身智能（Embodied Intelligence）是人工智能与机器人学交叉的前沿领域，其核心在于通过物理实体与环境的动态交互实现智能行为。它强调智能体的感知、行动与认知深度融合，使智能体能够像人类一样通过身体与环境互动，在试错中学习和进化。具身智能不仅依赖计算能力，更注重“身体”（物理载体）与环境的实时交互，形成“感知-决策-行动”的闭环系统。

◼ 具身智能同时需要具备“本体+环境+智能”三要素。其中，本体是具身智能的物理载体，即硬件实体。它可以是机器人（如人形机器人、四足机器人、机械臂）、自动驾驶汽车等能够与物理世界交互的设备；智能是具身智能的核心，涵盖算法、模型和决策能力，它包括大模型（如视觉-语言-动作映射模型）、感知算法（图像识别、SLAM）、控制算法（运动规划、力控）等；环境是本体交互的物理世界，包括工业场景（工厂、仓库）、家庭场景（家居）、开放场景（户外、交通）等。本体通过感知模块获取环境信息 → 智能算法进行决策 → 本体执行动作影响环境 → 环境变化反馈至感知模块，形成“感知-决策-行动-反馈”循环。

来源：头豹研究院

具身智能行业综述——具身智能 vs. 离身智能

具身智能通过物理载体与环境的深度交互，弥补了离身智能在动态适应性和跨领域泛化上的不足，成为实现AGI的关键路径。未来，两者的结合将进一步推动人工智能从“虚拟智能”迈向“虚实共生”的新阶段

具身智能与离身智能差异对比

◼ 具身智能（Embodied Intelligence）与离身智能（Disembodied Intelligence）的核心差异在于是否依赖物理载体与环境交互。具身智能强调智能体通过身体（如机器人）与物理世界的实时交互，结合感知、决策和行动形成闭环，从而适应动态环境；而离身智能则完全依赖虚拟环境中的数据和算法，无需物理实体，仅通过抽象计算完成任务。

◼ 具身智能被誉为通向通用人工智能（AGI）的重要一步，因其模拟了人类智能的本质——通过身体与环境的互动学习、决策和进化。传统AI（如符号推理或深度学习）因缺乏对“身体-环境”闭环的考虑，难以实现跨领域泛化和复杂场景适应性，而具身智能通过多模态感知（视觉、触觉等）和实时反馈，使智能体具备类似人类的环境理解与自适应能力，为AGI提供了更接近生物智能的范式基础。

来源：头豹研究院

具身智能行业综述——发展历程

自20世纪40年代开始，具身智能经历了从哲学思辨到认知科学的突破，行为主义革命与人形机器人的探索，多学科融合与算法框架构建，大模型赋能与场景化落地，以及当下标准化、泛化与伦理探索多个阶段

具身智能发展历程

机器人学与AI的早期融合，具身智能方法论初步形成

• 罗德尼・布鲁克斯（Rodney Brooks）在1986年提出“包容架构”，主张智能通过分层行为模块与环境直接交互实现，无需复杂内部模型。其团队开发的机器人如Genghis通过简单规则实现昆虫式运动，验证了“无表征智能”理论。

1980年代末，日本早稻田大学研发WABOT-1，首次实现全尺寸人形机器人双足行走，尽管行动能力仅相当于婴儿，但标志着具身智能硬件载体的初步成型。

1990年代，具身认知实验（如面部表情与情绪判断的关联）证实身体反应先于认知决策，为具身智能提供心理学依据。

生成式人工智能与具身智能深度耦合，产业 应用加速

• 2022年，ChatGPT的爆发推动具身智能向“认知-行动”一体化演进。2024年，OpenAI与Figure合作推出的Figure 01结合大模型实现自然语言指令理解与精准操作。

2023年，中国工信部发布《人形机器人创新发展指导意见》，明确将人形机器人作为未来产业新赛道。

2024年，物流领域，中科源码推出全国首个物流场景具身智能机器人，实现货物分拣与自主导航；工业领域，宇树G1机器人通过SoFTA框架优化强化学习算法，实现行走与末端控制的协同。

来源：头豹研究院

1940

具身智能的哲学根基与早期理论框架形成

• 1945年，梅洛-庞蒂在《知觉现象学》中提出“身体是认知的主体”，批判主客二元论，强调身体在感知与世界互动中的核心作用。这一思想为具身认知理论奠定基础。

1950年，图灵在《计算机器与智能》中首次提出具身智能概念，但受限于技术条件未能深入。符号主义AI 的局限性促使研究者转向物理交互范式。

1977年，吉布森（James J. Gibson）提出 “可供性”理论，认为环境的意义由主体的身体能力定义，认知是身体与环境动态交互的结果.

1980

强化学习、深度学习与机器人学的深度融合，具身智能技术体系成型

2000

1994年，MIT启动的Cog项目尝试模拟人类婴儿的认知发展，通过摄像头、麦克风和机械臂实现感知 - 行动闭环，为具身智能研究提供平台。

• 2013年，波士顿动力的Atlas通过动态平衡算法突破，展示了具身智能在复杂物理环境中的适应性。

2016年，谷歌DeepMind的AlphaGo战胜了世界围棋冠军，其强化学习框架为机器人自主决策提供方法论。

2022

• 2018年，OpenAI的Dactyl项目通过强化学习让机器人操作魔方，展示了具身学习的潜力。

具身智能从单点突破转向生态化发展，跨领域协同成为主流

2025

2025年，中关村论坛发布“具身智能十五大重点方向”，涵盖多模态感知、具身大模型、群体智能等，推动技术标准化。

2025年，银河通用的Galbot G1通过具身大模型实现轮式人形机器人在零售场景的自主服务；星动纪元的STAR1 支持跨机器人形态部署，同一模型可适配双臂机械臂与人形机器人。

具身智能行业综述——技术体系

具身智能的演进趋势正由分模块化的AI算法整合向基于大模型的统一技术框架转型，其技术体系以“感知-决策-行动-反馈”四大核心模块构建闭环系统架构

◼ 当前，具身智能的演进趋势正由分模块化的AI算法整合向基于大模型的统一技术框架转型，在跨场景泛化能力和通用性方面取得显著进展。现阶段，具身智能正处于多路径协同演进的关键阶段，技术路线涵盖感知-决策融合、感知-决策-行动全链条闭环等方向，最终目标是构建具有通用智能的具身智能基础模型，实现复杂环境下的自主演化与能力跃迁。

◼ 具身智能技术体系以“感知-决策-行动-反馈”四大核心模块构建闭环系统架构，通过实体与环境的动态交互，实现环境的实时感知建模、自主决策生成以及自适应执行能力。系统通过反馈机制持续优化模型参数，形成经验积累与自进化能力。具体而言，感知模块是具身智能的“信息采集和处理器”，负责通过多模态传感器（如视觉、听觉、触觉、激光雷达等）实时采集环境数据，并建立对外部世界的动态映射与理解；决策模块是具身智能的“策略中枢”，负责基于感知信息进行任务规划、行为推理和动态决策，为行动模块提供明确的指令序列；行动模块是具身智能的“执行引擎”，负责将决策结果转化为物理动作，驱动机械结构（如机械臂、移动底盘、仿生关节）完成指定任务；反馈模块是具身智能的“自进化核心”，负责通过传感器与环境交互数据（如任务结果、用户反馈、执行误差）构建闭环学习机制，持续优化感知、决策与行动模块的性能。

来源：中国信通院，头豹研究院

具身智能行业综述——核心技术层面

具身智能商业化落地的本质是将认知智能与物理执行系统深度融合，使得具身本体能够通过感知、理解与行动协同完成任务，而其技术路径涉及到三大层面，分别是算法演化、数据来源和硬件演进

具身智能商业化的三大核心技术层面——算法、数据、硬件

上层模型主导语义理解和任务规划，下层控制聚焦高频率、高精度运动执行

从真实世界的动作捕捉到仿真生成与网络视频预训练构建出多维训练闭环

以SoC芯片为基础，形成面向AI决策与实时控制的双层控制器架构

上层控制（机器人“大脑”）

算法层面：负责任务的定义与行为决策，理解物理世界中的关键特征要素，对外界环境和任务需求进行分析与拆解，并将其转化为具体的行动指令。在此背景下，VLA（视觉-语言-动作）模型正逐步成为实现这一能力的标准路径。

硬件层面：SoC芯片——CPU、GPU、存储芯片、AI加速芯片、通信芯片等。

注：以人形机器人为载体的具身智能，其“大脑”控制器通常位于躯干核心区域.“小脑”控制器通常分布在头部、四肢关节。上图仅作视觉化展示

来源：芝能汽车，头豹研究院

数据采集（驱动模型迭代）

真实数据的获取依赖遥操作系统与高精度动作捕捉；合成数据可通过域随机化机制模拟得到（如NVDIA Omniverse）；网络视频数据则用于补充长尾行为模式。

下层控制（机器人“小脑”）

行与运动控制，涵盖目标运动规划、末端执行器控制及全身协调控制等，具有较高的控制频率和严格的实时性要求。MPC、WBC等经典算法被广泛应用，且强化学习（RL）逐渐成为不确定环境下的补充路径。

硬件层面：处理器、存储单元、通信接口、传感器接口、执行器接口、电源模块等。

具身智能行业综述——应用现状

2025年，具身智能的商用化仍步履蹒跚。未来，具身智能从实验室向场景落地将遵循“从简单到复杂”、“先专后通”的原则，优先在工业场景实现落地，再延伸至ToC家庭场景，最后迈向通用场景

具身智能各场景应用现状

工业制造

^现_状

^挑_战

服务与零售

^挑_战

医疗与养老

^现_状

特种与高危

^现_状

^挑_战

成本高昂，远超普通康复器械，且医保尚未将其纳入报销范围

^挑_战

伦理与隐私问题，高情感交互需求特种场景下故障难以现场维修，当前自主修复能力不成熟

◼ 2025年，全球具身智能已逐步从实验室走向场景落地，然而商用化进展低于预期，效率、成本、场景适配三大方面均让商用化面临各方面挑战。未来五年，具身智能在各场景的落地仍将遵循“从简单到复杂”、“先专后通”的原则。在2030年前，具身智能的核心在于工业专用场景，之后延伸至以“零伤亡”为安全底线的家庭场景，最终迈向通用场景。

来源：头豹研究院

具身智能行业综述——面临的挑战

技术挑战方面，具身智能当下仍缺乏自主意图生成能力，且难以完成从环境理解到任务执行的完成闭环；真实数据量的不足、合成数据的质量低制约了模型训练与场景适配；软件生态割裂限制了系统的开发

具身智能面临的挑战（1/2）

算 法 层 面

➢ 当前具身智能缺乏自主意图生成能力，仍需人类智能介入

尽管具身智能的终极目标是构建可自主行动的通用智能体，但现有方案多为将大模型的语义理解能力“移植”到机器人中，形成“感知-语义-动作”的单向映射。例如，VLA（视觉-语言-动作）模型通过自然语言指令驱动机器人操作，但其本质仍是被动响应人类输入，而非自主生成意图）。这种依赖外部指令的设计模式，导致机器人在复杂动态环境中无法独立决策，需持续依赖人类干预调整策略。此外，大模型的泛化能力受限于训练数据，面对未见过的任务时，需人工重新标注或微调模型，进一步暴露其“工具化”而非“自主化”的本质

算 法 层 面

➢ 当前算法在感知与行动之间存在“认知断层”，难以完成从感知到任务执行的闭环

一方面，多模态感知系统虽能融合视觉、触觉等信息，但缺乏对物理世界的抽象建模能力，无法将传感器数据转化为可操作的语义意图。例如，机器人可识别“牛奶瓶”，却无法自主推理“如何拿取并倾倒牛奶”的操作流程。另一方面，现有算法依赖预设任务模板，难以实现从感知到行动的动态规划。模仿学习和强化学习策略在任务迁移时表现不稳定，甚至需为每个变体任务单独设计奖励函数，而人类可通过类比推理直接泛化。这种“感知-认知-行动”的割裂，使得具身智能体在非结构化场景中表现出机械僵硬的行为模式，远未达到类人灵活度。

数 据 层 面

➢ 真实数据稀缺、合成数据质量低及数据标准化缺失，制约模型训练与场景适配

具身智能依赖物理世界的动态交互数据，但真实数据采集成本高昂且碎片化；合成数据虽可缓解短缺，但“现实差距”问题突出，仿真环境与真实世界的物理、光照差异导致模型泛化能力受限；同时，工业数据缺乏统一标准，采集过程易受噪音干扰，且涉及数据安全与隐私，进一步加剧数据瓶颈。

软 件 层 面

➢ 软件生态割裂、开发工具链不完善，限制了具身智能系统的高效开发与部署

具身智能缺乏统一的操作系统和标准化开发工具链，ROS等平台因兼容性问题导致开发成本激增。同时，软硬件解耦难题，例如运动控制需厘米级空间精度，手眼协调需毫米级精度，算法与硬件的深度集成要求极高。此外，算法与执行的闭环优化不足，实时决策延迟普遍达0.5-1秒，远逊于人类的0.1秒。

来源：头豹研究院

（接上页——面临的挑战）

应用挑战方面，市场需求的模糊和用户接受度低制约了具身智能的商业化进程；产品形态的合理性容易限制具身智能与场景的适配性；产业链条的不完善也阻碍了其产业的规模化发展和技术迭代

具身智能面临的挑战（2/2）

➢ 硬件成本高、能源效率低及核心部件自主化不足，阻碍具身智能的规模化落地

硬 件 层 面

具身智能所需的高性能传感器、仿生关节等核心部件依赖进口，自主化程度不足，成本居高不下。同时，机械耐用性差，复杂环境下故障率高，例如精密操作需高稳定性执行器，但现有技术尚未突破动态平衡与精细操作的瓶颈。此外，具身智能的物理载体能源效率低下，当前主流人形机器人续航时间仅2-5小时，远无法满足实际场景需求。

商 业 层 面

➢ 市场需求的模糊和用户接受度的滞后制约具身智能的商业化进程与规模化复制

具身智能的商业应用面临“场景定义不清”与“用户信任不足”的双重挑战。一方面，市场需求尚未形成清晰的共识：工业领域需高可靠性与低成本，而消费领域需情感交互与个性化服务，两者的技术路线与商业模式差异显著。例如，医疗康复机器人需满足严格的医疗合规性，而家庭服务机器人则需兼顾隐私保护与易用性，导致产品开发难以标准化。另一方面，用户对具身智能的认知仍处于早期阶段，尤其在医疗、养老等高敏感领域，传统人工服务模式长期占据主导地位，用户对智能体的安全性、可靠性及伦理风险存在疑虑。此外，具身智能的高成本使其难以快速普及，需通过场景细分与技术降本逐步渗透市场。

产 品 层 面

➢ 具身智能产品形态的合理性影响其性能和场景适配性

产 业 链 层 面

具身智能面临高自由度动作需求与硬件复杂性之间的矛盾，如人形机器人的多自由度关节需兼顾精度与可靠性，而现有技术难以实现低成本规模化生产。同时，场景适应性与硬件通用性之间存在矛盾，如工业机器人需高精度执行特定任务，而家用机器人需灵活应对非结构化环境，硬件设计难以兼容。此外，能源效率与续航能力存在矛盾，高功率硬件导致电池续航成为瓶颈，限制了连续作业能力。硬件与软件的耦合度也要求极高，动作控制算法需深度适配硬件结构，而硬件迭代速度远慢于算法发展，进一步加剧产品落地的复杂性。

➢ 产业链条的不完善与协同效率低下阻碍具身智能产业的规模化发展与技术迭代

具身智能产业涵盖芯片、传感器、算法、机器人制造等多个环节，但当前产业链存在三大瓶颈：一是核心零部件自主化不足，高精度传感器、仿生关节等依赖进口，国产替代率低，导致成本居高不下；二是跨学科协同效率低下，具身智能需融合机械工程、AI算法、材料科学等领域，但行业缺乏统一的技术标准与数据共享机制，导致研发周期长、试错成本高；三是生态闭环尚未形成从研发到落地的链条断裂：上游算法企业缺乏真实场景数据，下游应用场景难以反哺技术优化。

来源：头豹研究院

具身智能行业综述——国家层面相关政策

近五年国家层面的具身智能政策呈现“技术攻关-场景应用-生态构建”的递进逻辑。当下，国家明确将人形机器人等具身智能载体作为未来产业重点，强调多技术融合和跨领域协同

具身智能产业相关政策，国家层面，截至2025年6月

来源：头豹研究院

具身智能行业综述——地方层面相关政策

在国家大力支持具身智能产业发展的背景下，2025年国内多省市相继发布具身智能产业相关政策，形成覆盖技术研发、场景开放、生态建设的系统性产业支持体系

具身智能产业相关政策，地方层面，截至2025年6月

来源：头豹研究院

头豹 业务合作

全球视野 · 本土洞察 · 助力企业把握市场先机

核 心 业 务

行 业 数 据 A P I

开放原创报告与研究数据接口，支持企业知识库、系统平台及A应用高效接入和调用

定制报告/白皮书

对产业及细分行业进行现状梳理和趋势洞察，输出全局观深度研究报告

务 咨 询

客服电话：400-072-5588

报 告 作 者

袁栩聪首席分析师

办 公 地 点

深圳办公室广东省深圳市南山区粤海街道华润置地大厦E座4105室邮编： 518057

K N I T 解 决 方 案

构建企业可信内容体系，提升品牌在AI搜索与问答中的可见度、准确性与转化效果

商业尽调

面向投资并购和商业决策，评估标的公司的商业前景、价值及风险

官方网站：www.leadleo.com

张俊雅行业分析师

上海办公室

上海市静安区南京西路1717号会德丰国际广场2701室邮编： 200040

报告会员账号

可阅读全部原创报告和百万数据，提供PC及移动端，方便触达平台内容

招股书引用

研究覆盖国民经济19+核心产业，内容可授权引用至上市文件、年报

商务咨询与深度合作

service@leadleo.com

南京办公室

江苏省南京市栖霞区经济开发区兴智科技园B栋401邮编： 210046

方法论

◆ 头豹研究院布局中国市场，深入研究19大行业，持续跟踪532个垂直行业的市场变化，已沉淀超过100万行业研究价值数据元素，完成超过1万个独立的研究咨询项目。

◆ 研究院依托中国活跃的经济环境，研究内容覆盖整个行业的发展周期，伴随着行业中企业的创立，发展，扩张，到企业走向上市及上市后的成熟期，研究院的各行业研究员探索和评估行业中多变的产业模式，企业的商业模式和运营模式，以专业的视野解读行业的沿革。

◆ 研究院融合传统与新型的研究方法，采用自主研发的算法，结合行业交叉的大数据，以多元化的调研方法，挖掘定量数据背后的逻辑，分析定性内容背后的观点，客观和真实地阐述行业的现状，前瞻性地预测行业未来的发展趋势，在研究院的每一份研究报告中，完整地呈现行业的过去，现在和未来。

◆ 研究院密切关注行业发展最新动向，报告内容及数据会随着行业发展、技术革新、竞争格局变化、政策法规颁布、市场调研深入，保持不断更新与优化。

◆ 研究院秉承匠心研究，砥砺前行的宗旨，从战略的角度分析行业，从执行的层面阅读行业，为每一个行业的报告阅读者提供值得品鉴的研究报告。

法律声明

◆ 本报告著作权归头豹所有，未经书面许可，任何机构或个人不得以任何形式翻版、复刻、发表或引用。若征得头豹同意进行引用、刊发的，需在允许的范围内使用，并注明出处为“头豹研究院”，且不得对本报告进行任何有悖原意的引用、删节或修改。

◆ 本报告分析师具有专业研究能力，保证报告数据均来自合法合规渠道，观点产出及数据分析基于分析师对行业的客观理解，本报告不受任何第三方授意或影响。

◆ 本报告所涉及的观点或信息仅供参考，不构成任何投资建议。本报告仅在相关法律许可的情况下发放，并仅为提供信息而发放，概不构成任何广告。在法律许可的情况下，头豹可能会为报告中提及的企业提供或争取提供投融资或咨询等相关服务。本报告所指的公司或投资标的的价值、价格及投资收入可升可跌。

◆ 本报告的部分信息来源于公开资料，头豹对该等信息的准确性、完整性或可靠性不做任何保证。本文所载的资料、意见及推测仅反映头豹于发布本报告当日的判断，过往报告中的描述不应作为日后的表现依据。在不同时期，头豹可发出与本文所载资料、意见及推测不一致的报告和文章。头豹不保证本报告所含信息保持在最新状态。同时，头豹对本报告所含信息可在不发出通知的情形下做出修改，读者应当自行关注相应的更新或修改。任何机构或个人应对其利用本报告的数据、分析、研究、部分或者全部内容所进行的一切活动负责并承担该等活动所导致的任何损失或伤害。

2026

中国GEO营销实践与合规发展报告

企业案例征集正式启动

共建合规、透明、可信、可持续的GEO营销生态聚焦生成式引擎优化服务实践、品牌AI可见度提升、可信内容体系建设与行业合规发展，遴选年度代表性企业及优秀产品案例，推动GEO行业规范化与高质量发展

重点征集方向

品牌AI可见度诊断

围绕AI搜索、AI问答及生成式引擎中的品牌识别、理解、引用与推荐表现开展监测与分析

内容资产优化与可信信源建设

围绕品牌内容结构化、权威信源建设、多渠道传播与可信内容供给形成实践案例

展示GEO诊断模型、监测工具、内容优化工具、报告交付体系及全流程服务能力

合规实践与行业示范

重点呈现符合法律法规、平台规则、广告合规与内容伦理要求的代表性实践案例

重要时间

项目启动2026年6月1日-2026年7月31日

产品及案例申报评选2026年8月1日-2026年8月31日

报告发布预计2026年10月中国国际广告节期间正式发布

扫码参与征集

发布单位：弗若斯特沙利文指导单位：中国广告协会传播支持：头豹研究院官网：www.frostchina.com