#應用
中信建投:AI應用2026年投資機遇
2025年AI應用的關鍵詞是加速商業化。移動應用垂直性相對較強,使用者需要在社交、電商、支付、出行等不同場景下使用不同的應用。未來AI助手、通用型Agent的性能更強、功能更豐富,有望聚合更多垂類應用平台,而每個使用者可能只需要少數幾個AI助手、通用型Agent就能滿足所有線上需求,網際網路時代的流量入口格局有可能會被打破,搶佔AI時代流量入口是保持或強化自身在AI時代市場地位的關鍵一步。我們認為,全球AI應用商業化有望呈現持續加速。中信建投TMT科技、醫藥團隊推出【AI應用產業鏈2026年投資展望】系列研究:通訊 | AI大模型與應用持續發展,算力受益,關注量子通訊 | 國內外CSP持續加大資本開支,雲業務與大模型應用表現亮眼人工智慧 | 模型的應用落地處理程序呈現顯著加速態勢電子 | 巨頭加碼終端側AI算力,應用落地驅動產業發展電腦 | 景氣賽道:金融IT+智能駕駛傳媒 | MiniMax:國產全模態多面手,模型與應用飛輪啟動傳媒 | AI應用:從等待爆款,到商業化加速落地海外研究 | 國內AI產業鏈:AI轉型形成廣泛共識醫藥 | AI健康應用螞蟻阿福下載量攀升,繼續看好AI醫療投資機會01 AI大模型與應用持續發展,算力受益,關注量子DeepSeek V3.2正式版發佈,強化Agent能力,融入思考推理。在公開的推理類Benchmark測試中,DeepSeek-V3.2達到了GPT-5的水平,僅略低於Gemini-3.0-Pro。DeepSeek-V3.2-Speciale的目標是將開源模型的推理能力推向極致,探索模型能力的邊界。字節跳動旗下豆包團隊與中興通訊合作推出首款工程樣機nubia M153,支援豆包手機助手,進一步探索手機側AI Agent。我們認為,AI大模型仍在持續迭代,大局未定,各家都存在繼續進步或逆襲可能,所以不能因為某些模型階段性領先就過度看空其餘模型及相關公司產業鏈,AI應用也在持續發展,不論是手機還是眼鏡,尚未到完全突破階段,但都可能引發階段性行情,值得持續關注。亞馬遜發佈Trainium3,基於3奈米製程打造,性能較Trainium2提升4倍,能效提升40%。同時,亞馬遜表示正在研發中的Trainium4將支援與輝達晶片協同工作。AMD蘇姿丰證實已獲批對華出口AI晶片MI308,需向美政府支付15%稅費。摩爾線程上市首日大漲。xPU持續迭代,市場高度關注,有望推動AI進一步快速發展。近期,AI產業鏈催化不斷,包括Google新模型性能大幅提升及TPU展示出的較強能力、DeepSeek V3.2正式版發佈、亞馬遜發佈Trainium3、以及摩爾線程上市市場展現出的高參與熱情等等,同時更多公司包括輝達、阿里、AMD等否認AI泡沫的觀點,均展現了AI的良好發展前景。目前,世界正處於AI產業革命中,類比工業革命,影響深遠,不能簡單對比近幾年的雲端運算、新能源等,需要以更長期的視角、更高的視野去觀察。因此,我們對AI帶動的算力需求以及應用非常樂觀,持續推薦AI算力類股。風險提示:國際環境變化對供應鏈的安全和穩定產生影響,對相關公司向海外拓展的進度產生影響;關稅影響超預期;人工智慧行業發展不及預期,影響雲端運算產業鏈相關公司的需求;市場競爭加劇,導致毛利率快速下滑;匯率波動影響外向型企業的匯兌收益與毛利率,包括ICT裝置、光模組/光器件類股的企業;數字經濟和數字中國建設發展不及預期;電信營運商的雲端運算業務發展不及預期;營運商資本開支不及預期;雲廠商資本開支不及預期;通訊模組、智能控製器行業需求不及預期。02 國內外CSP持續加大資本開支,雲業務與大模型應用表現亮眼北美四家CSP廠商已經公佈三季報,資本開支加速增長,同時各家對未來基礎設施投資均繼續保持積極態度。北美四大雲廠商今年資本開支逐季提升:2025Q1資本開支總計773億美元,同比增長62%;2025Q2資本開支總計958億美元,同比增長64%;2025Q3資本開支總計1133億美元,同比增長75%,環比增長18%。大模型應用資料與相關業務收入規模激增。2025年5月,Google表示系統每月處理的Tokens數量激增,從去年的9.7兆增加到480兆,增長將近50倍。2025年7月,Google每月處理超980兆Tokens,較兩月前翻倍增長。2025年10月,Google每月處理的Tokens超過1300兆,一年內增長超過20倍。據The Information報導,OpenAI在2025年前七個月實現收入翻番,年化收入ARR達到120億美元,遠超2024年約40億美元的水平,目標是2029年年收入達到1250億美元,近期OpenAI CEO奧爾特曼表示公司年收入超過130億美元,並有望提前實現千億美元營收目標。2025年7月,Anthropic年化收入達40億美元,較2024年增長近四倍,其中70%-75%由程式碼生成場景貢獻。The Information資料:Anthropic將2025年營收預期上調26%至47億美元,2026年預期上調28%至152億美元,2027年預期上調13%至389億美元,到2028年營收將突破700億美元。國內CSP廠商季度資本開支略有波動,整體仍保持較高投資強度。2025年第二季度,阿里巴巴的資本開支達到386億元,同比增長220%,環比增長57.1%,創下單季歷史新高。2025Q2阿里雲業務營收333.98億元,同比增長26%,AI相關收入繼續保持三位數增長,外部商業化收入中AI貢獻已超過20%,AI需求快速擴大,同時帶動計算、儲存及其它公有雲服務需求上升。在財報電話會上,阿里巴巴CEO吳泳銘披露,過去四個季度,阿里已經在AI基礎設施及AI產品研發上累計投入超1000億元。公司已為全球AI晶片供應及政策變化準備“後備方案”,通過與不同合作夥伴合作,建立多元化的供應鏈儲備,從而確保投資計畫能夠如期推進。阿里2025雲棲大會上,阿里巴巴集團CEO、阿里雲智能集團董事長兼CEO吳泳銘表示,目前阿里正積極推進3800億元的AI基礎設施建設,並計畫追加更大的投入,為了迎接超級人工智慧(ASI)時代的到來,對比2022年GenAI的元年,到2032年阿里雲全球資料中心的能耗規模將提升10倍,這意味著阿里雲算力投入將指數級提升。2025年第二季度,騰訊的資本開支為191億元,同比增長119%,公司表示在AI方面一直在大量投入,同時未來還會繼續加大投入力度,但需要以合適的節奏進行。公司正在部分遊戲、微信、廣告等多方面加大人工智慧的應用,同時不斷升級混元基礎模型的功能,推動AI原生應用元寶的使用。據國家資料局資料,2024年初中國日均Tokens的消耗量為1000億,截至今年6月底,日均Token消耗量已突破30兆,1年半的時間增長300多倍。以豆包為例,去年12月中旬,豆包日均Tokens使用量已超過4兆,較七個月前首次發佈時增長了33倍;截至2025年3月底,豆包大模型日均Tokens 呼叫量已超過12.7兆,是2024年12月的3倍,是一年前剛發佈時的106倍;截至2025年5月底,其日均Tokens使用量超過16.4兆,同比增長137倍。2025年10月16日,火山引擎總裁譚待在武漢舉行的FORCE LINK AI創新巡展上披露,豆包大模型的每日Token呼叫量從去年5月的1200億增長至今年9月的30兆,實現253倍增長。根據IDC報告,今年上半年火山引擎在中國公有雲大模型服務呼叫量上居第一,市場份額達49.2%。風險提示:國際環境變化對供應鏈的安全和穩定產生影響,對相關公司向海外拓展的進度產生影響;關稅影響超預期;人工智慧需求過快增長,供給緊張導致出貨及業績兌現不及預期;人工智慧行業發展不及預期,資本開支不及預期,影響雲端運算及算力產業鏈相關公司的需求;市場競爭加劇,導致毛利率快速下滑;匯率波動影響外向型企業的匯兌收益與毛利率,包括ICT裝置、光模組/光器件類股的企業;數字經濟和數字中國建設發展不及預期;電信營運商的雲端運算業務發展不及預期;營運商資本開支不及預期;持倉較高帶來的交易型市場波動等。03 模型的應用落地處理程序呈現顯著加速態勢根據ARR Club最新統計的全球AI 應用ARR資料可以看出,全球AI應用商業化速度迅猛,且呈現強“頭部平台 + 長尾應用”結構。按 ARR 切分可見三個明顯層級:超大體量(>40億美金)由通用平台把持(OpenAI、Anthropic、Databricks、Canva),其後是 5–15億美金的企業應用與橫向工具(Deel、Fullscript、Rippling、Ramp、Samsara、Notion 等),最後是1–5億美金的專業垂類與新興 AI-native(Cursor、Cohere、HeyGen、ElevenLabs、Perplexity、Aiven 等)。這說明通用模型與資料平台依靠強大的平台效應或廣泛的客戶群迅速商業化,榜單前二十中出現了大量B端AI應用,包括上游(模型/資料/平台)和企業工作流(ERP/人力/安全/合規)。如“AI 程式設計/工作流自動化”成為新增長錨點,Cursor、Cognition(Devin+Windsurf)、Replit、Usercentrics、Customer.io 等顯示出 AI+開發的強勁變現能力:一是高頻、剛需、可快速替代人工(如程式設計師);二是從開發者自下而上滲透到B端批次採購。傳統軟體廠商(如 Databricks、Canva、Notion、Deel、Rippling)依靠既有客戶基座與資料資產快速把AI能力嵌入,形成“功能增購/套件化”收入,強客戶粘性是顯著優勢。C端(圖像/視訊/配音/伴侶類)多數處於1–3億美金區間,增速快且空間大。且多模態內容生產正由“工具”走向“管道與平台化”。HeyGen、ElevenLabs、Otter.ai、Perplexity等的 ARR 進入 1-2億美金檔,核心不止是模型效果,而是範本化工作流、資產管理與分發管道:例如一鍵生成/配音/字幕/多語版本到企業素材庫,或將搜尋問答轉化為“可引用、可復用”的知識單元。我們認為,全球AI應用商業化有望呈現持續加速:1)OpenAI:根據彭博披露,OpenAI 預計 2025 年收入約 127 億美元。根據《The Information》預測,OpenAI 2026 年收入規劃約 290 億美元、2027年進一步達到540億美元。同時根據管理層Sam Altman對外口徑,2027 年收入在樂觀情景下有望達 1000 億美元(屬目標展望,非財務指引)。2)Anthropic:根據《The Information》披露的資料,Anthropic 在 2025年末年ARR目標定在約 90億美金;在此基礎上,公司對 2026 年設定了 200-260億美金ARR目標,對 2027 年進一步增長至300億美金以上。根據Unique Research 2025年10月發佈的資料統計,在全球按年度經常性收入(ARR)排名的 100 大 AI 產品中,有 23 個來自中國公司,23家的ARR收入加總超過11億美金,包括:KLing(1.49億美金)、PLAUD(1.44億美金)、美圖秀秀(1.10億美金)、PictureThis/形色(0.93億美金)、夸克(0.87億美金)、Hypic(0.81億美金)、HeyGen(0.80億美金)、Manus(0.75億美金)、GenSpark(0.42億美金)、AirBrush(0.40億美金)、BeautyPlus(0.26億美金)、OpusClip(0.26億美金)、OpenArt(0.24億美金)、BeautyCam(0.23億美金)、Wink(0.22億美金)、LazyFit(0.22億美金)、Polybuzz(0.21億美金)、Pixverse(0.20億美金)、Vidu(0.20億美金)、Linky(0.18億美金)、Filmora(0.17億美金)、Retell AI(0.17億美金)。而全球MAU排名中(截至 2025 年 8 月),前 100 家 AI 公司,其網頁和移動端月活躍使用者數估計達到 47.8 億,其中中國約佔 46%(約 22 億 MAU),規模排名前十中有六家是中國公司——百度、字節跳動、DeepSeek、美圖、作業幫和阿里。其中,多家AI公司有數個產品上榜,例如美圖旗下的美圖秀秀、wink、beautyplus、airbrush等。這體現了中國公司強大的使用者基礎和粘性,以及未來商業化的巨大潛能。中國前 100 名 AI 產品中近半數集中在媒體創作和最佳化領域,其中 47 個專注於視訊(23 個)或圖像(24 個)生成與編輯,約佔總數的 47%。這種高度集中反映了針對視覺內容製作和精修的生態系統已得到最佳化。值得關注的例子包括視訊領域的 KLING AI、HeyGen、Vidu 和 PixVerse,以及圖像領域的 Meitu、Hypic、BeautyPlus、BeautyCam、OpenArt 和即夢 AI。根據Unique Research 2025年10月發佈的C端AI產品資料顯示,中國C端AI應用的MAU佔到全球使用者數的34%,但是C端商業化收入ARR僅為5億美金,而美國AI應用ARR達到了334億美金。這裡面有幾方面原因,一方面中國網際網路大廠的AI產品很多是嵌入原有業務中,未單獨披露ARR(例如Google也未統計進去)。另一方面,中國AI大模型主要為本地化部署,未形成像OpenAI這樣的會員訂購模式(Unique Research統計OpenAI的ARR為175億美金,佔了美國334億中的超過一半)。但不可否認的是,美國AI應用的商業化正在蓬勃發展中,加上美國對於軟體的付費意識較好,因此大量的AI應用開始實現規模化的收入,進而反哺其研發和推廣。風險提示:北美經濟衰退預期逐步增強,宏觀環境存在較大的不確定性,國際環境變化影響供應鏈及海外拓展;晶片緊缺可能影響相關公司的正常生產和交付,公司出貨不及預期;疫情影響公司正常生產和交付,導致收入及增速不及預期;資訊化和數位化方面的需求和資本開支不及預期;市場競爭加劇,導致毛利率快速下滑;主要原材料價格上漲,導致毛利率不及預期;匯率波動影響外向型企業的匯兌收益與毛利率;人工智慧技術進步不及預期;汽車與工業智能化進展不及預期;半導體擴產不及預期等。04 巨頭加碼終端側AI算力,應用落地驅動產業發展混合AI有望成趨勢,端側AI價值顯現雲邊協同的混合式AI架構對AI的規模化擴展起到重要作用。根據高通《混合AI是AI的未來》白皮書,隨著生成式AI正以前所未有的速度發展以及計算需求的日益增長,AI處理必須分佈在雲端和終端進行,才能實現AI的規模化擴展並行揮其最大潛能。與僅在雲端進行處理不同,混合AI架構可以根據模型和查詢需求的複雜度等因素,在雲端和邊緣終端之間分配並協調AI工作負載。雲端和邊緣終端如智慧型手機、汽車、個人電腦和物聯網終端協同工作,能夠實現更強大、更高效且高度最佳化的AI。端側AI具有成本、能耗、可靠性、隱私、安全和個性化優勢。成本優勢:AI推理的規模遠高於AI訓練。模型的推理成本將隨著日活使用者數量及其使用頻率的增加而增加。在雲端進行推理的成本極高,這將導致規模化擴展難以持續。將一些運算負載從雲端轉移到邊緣終端,可以減輕雲基礎設施的壓力並減少開支。能耗優勢:邊緣終端能夠以很低的能耗運行生成式AI模型,尤其是將處理和資料傳輸相結合時。可靠性、性能和時延:當生成式AI查詢對於雲的需求達到高峰期時,會產生大量排隊等待和高時延,甚至可能出現拒絕服務的情況。向邊緣終端轉移計算負載可防止這一現象發生。隱私、安全和個性化:由於資料處理完全在本地進行,終端側AI有助於保護個人資訊,以及企業和工作場所中的機密資訊。以本地和雲端分別運行AI大模型製作行程安排為例,本地AI大模型通過長期學習使用者行為,並利用本地儲存的資訊,可以給出更貼合使用者生活習慣、更準確的建議。相較之下,如果雲端模型需要訪問使用者本地儲存的檔案、瀏覽記錄等資訊再給出個性化的建議,使用者通常較難接受。邊緣側已具備運行AI的實踐基礎,未來將支援多樣化的生成式AI模型。在生成式AI出現之前,AI處理已在終端側獲得應用,越來越多的AI推理工作負載在手機、PC等邊緣終端上運行。自2017年華為麒麟 970 首度在手機 SoC中引入了 NPU(用於拍攝和圖像識別)之後,高通與聯發科也先後在2018年的驍龍855和2019年的天璣1000中整合了NPU/APU模組;目前NPU已逐漸成為手機SoC中常備整合的模組,且用途從最初的協同ISP進行圖像處理發展為目前端側模型的主要支撐者,重要性與日俱增。在2024年發佈的驍龍8e和天璣9400上,分別整合了“Hexagon V79+Sensing Hub+DSP”和MediaTek NPU 890用於AI處理,NPU模組佔SoC投影面積比例顯著提升。除此之外,OPPO還曾在2021年12月舉辦的OPPO INNO DAY上發佈了首款外掛式NPU MariSilicon X(採用TSMC 6nm製程),儘管只是用於圖像處理,但仍讓我們看到了未來NPU在端側獨立部署的另一種可能。終端裝置有望在AI的催化下迎來新一輪創新周期。生成式AI正在驅動新一輪內容生成、搜尋和生產力相關用例的發展,覆蓋包括智慧型手機、PC、汽車、XR以及物聯網等終端品類,提供全新的增強使用者體驗。以PC為例,AI大模型已能夠有效地處理文件撰寫和簡報製作等任務,完美契合PC作為生產力工具的定位。此外,在以終端為中心的混合AI架構中,多數任務能夠在PC本地運行,既保護隱私,又能及時響應。新興的發展趨勢有望帶動新一輪的產品創新周期,全球科技巨頭正加速投入。風險提示:1、未來中美貿易摩擦可能進一步加劇,存在美國政府將繼續加征關稅、設定進口限制條件或其他貿易壁壘風險;2、AI上游基礎設施投入了大量資金做研發和建設,端側尚未有殺手級應用和剛性需求出現,存在AI應用不及預期風險;3、宏觀環境的不利因素將可能使得全球經濟增速放緩,居民收入、購買力及消費意願將受到影響,存在下游需求不及預期風險;4、大宗商品價格仍未走穩,不排除繼續上漲的可能,存在原材料成本提高的風險;5、全球政治局勢複雜,主要經濟體爭端激化,國際貿易環境不確定性增大,可能使得全球經濟增速放緩,從而影響市場需求結構,存在國際政治經濟形勢風險。05 景氣賽道:金融IT+智能駕駛互金行業景氣度持續攀升,AI賦能行業發展成效顯著AI技術快速迭代升級,正重塑證券行業的定價邏輯、服務模式以及風險管理體系。當前,AI賦能證券行業重點聚焦智能投顧、量化交易、風險控制以及投研輔助等核心應用場景,迅速提升客戶體驗,並以此為突破口,打開公司業務新增向上空間。隨著AI與證券行業全鏈條、全領域、全環節深度融合,有望全面釋放前中後台人員生產力,加速推動證券行業數位化、智能化轉型。如,東方財富2023年推出“妙想”金融大模型,2024年發佈Choice8.0版本,提供智搜、智讀、智問、智創、智研以及智投等6大智能體驗;同花順2024年推出金融對話大模型HithinkGPT,應用於問財和iFind,提供智能投顧、金融問答、投研寫作、客戶服務、風控合規/程式碼生成等服務與能力。指南針主要通過接入外部大模型,整合技術能力,AI佈局集中於應用層最佳化,提供量化策略工具、智能客服等服務。隨著AI技術快速迭代,如DeepSeek、Manus等優秀成果持續湧現,“AI+金融”有望迎來新一輪發展機遇。多款智能投研產品爆火出圈,為AI在投研領域的應用創新提供了多種可能性。投研是AI技術的重要應用場景,該領域豐富規範的資料基礎、明確的任務流程、清晰的反饋機制,與AI的技術特性高度適配,能夠有效解決傳統投研中的資訊處理效率、分析深度等痛點,2025年以來Alpha派、Manus等產品的出圈,進一步印證了AI在投研場景的應用價值與發展潛力。儘管Manus從6月的爆火出圈,到徹底撤出中國,曇花一現,但是其多智能體協同架構與端到端閉環處理的技術方案,為AI投研的產品形態創新提供了重要參考;其在金融分析場景中展現的高效資料處理與可視化輸出能力,也進一步印證了AI賦能專業投研的巨大潛力。Alpha派作為訊兔科技推出的AI投研應用,聚焦機構投研全流程痛點,打造會議機器人、業績點評等細分工具,可快速生成紀要、梳理投資邏輯、輸出基本面概覽,支援定製化服務。產品上線後覆蓋超4萬名機構投研使用者,頭部買方機構使用率達80%,成為投研人員提升效率的高頻工具,充分驗證了AI在投研領域的巨大應用潛力。隨著A股市場活躍度提升,ETF市場規模逐步壯大,網際網路金融科技企業業績增長預期增強。AI在股票分析、智能投顧領域的積極進展,有望推動網際網路金融科技企業加大AI戰略佈局,重塑證券行業的定價邏輯、服務模式以及風險管理體系,加速AI賦能證券行業降本增效,打開業務新增長空間。網際網路金融科技企業核心受益市場活躍度提升以及AI在金融行業取得積極進展,迎來新一輪發展機遇。無人化應用場景廣泛帶動智能駕駛高景氣當前,以自動駕駛、機器人技術為核心的無人化應用正迎來多元化發展的關鍵時期。人工智慧、5G、物聯網等新一代資訊技術逐步成熟,企業應對勞動力短缺、提升效率與安全的需求強勁,共同驅動無人化應用場景加速落地。以港口、礦區、環衛等為代表的半封閉場景,憑藉環境可控、規則明確的特點,已基本完成技術驗證階段,實現了規模化商業落地,形成了清晰的商業模式和積極的投資回報。幹線物流、無人配送和Robotaxi(無人駕駛計程車)等場景市場空間更為廣闊,涉及時間與空間複雜度更高,且相關法律法規建設仍未完善,但上述場景正處於技術快速迭代與商業化試點周期,海內外技術與市場共振,有望在未來幾年內迎來加速突破。無人化場景的持續拓展,對車、路、雲、網等一體化基礎設施建設提出了大量新增需求,拉動了智駕產業鏈上游的高景氣度。要實現高階“真無人”駕駛,單車智能的成本限制以及自動駕駛演算法技術瓶頸仍然存在,“車路雲一體化”成為當前主流的解決方案。這催生了對智慧道路(路側感知、計算與通訊單元)、高精度地圖(釐米級高精度的靜態環境底圖)以及高可靠、低時延的5G/5G-V2X網路等基礎設施的大規模投入。上述設施共同形成了智能駕駛對於環境的即時感知能力和分析能力,彌補單車智能在高階智駕能力上的差距,提升安全冗餘和運行效率。2024年7月,工信部等5部門發佈《關於公佈智能網聯汽車“車路雲一體化”應用試點城市名單的通知》,確定20個城市(聯合體)作為首批“車路雲一體化”應用試點。北京、武漢等地相關項目規模突破百億元,無錫市已建成約1700個路口訊號燈聯網聯控、700個路口安裝路側直連通訊單元、300個路口部署感知及邊緣計算裝置,形成市區兩級協同的車聯網雲平台。風險提示:(1)宏觀經濟下行風險:電腦行業下游涉及千行百業,宏觀經濟下行壓力下,行業IT支出不及預期將直接影響電腦行業需求;(2)應收帳款壞帳風險:電腦多數公司業務以項目制簽單為主,需要通過驗收後能夠收到回款,下遊客戶付款周期拉長可能導致應收帳款壞帳增加,並可能進一步導致資產減值損失;(3)行業競爭加劇:電腦行業需求較為確定,但供給端競爭加劇或將導致行業格局發生變化;(4)國際環境變化影響:目前國際形勢動盪,對於海外收入佔比較高公司可能形成影響,此外美國不斷對中國科技施壓,導致供應鏈安全風險。06 MiniMax:國產全模態多面手,模型與應用飛輪啟動MiniMax成立於2021年12月,是模型能力、應用商業化均在前列的,國產大模型獨角獸。據虎嗅、新浪財經和創業最前線,目前MiniMax團隊規模僅約400人,但是依靠高效率、規模化的研發組織,MiniMax的模型性能可以對標全球頭部模型能力。模型與應用的協同發展也驅動Minimax快速商業化,24年收入約7000萬美元,在短時間內就實現自負盈虧甚至盈利。1、模型佈局:全球少數在文字、視訊、音訊三大模態均領先的公司。MiniMax在過去三年分別突破不同模態模型能力,23年發佈語音合成模型,24年發佈視訊和音樂生成模型,25年發佈全新文字模型M2,程式設計與Agent性能全球領先。其中M2模型率先在效果、價格和速度上取得較好的平衡,性能與GPT5、Claude4.5  Sonnet處於相近的水平線,但價格僅為它們的10%以內,速度快50%以上;視訊和音樂生成模型分別位列Artificial Analysis全球模型細分榜單的前10和前3。2、應用佈局:覆蓋AI社交、視訊、程式設計和Agent等多個賽道,出海步伐快,商業化節奏清晰。公司在賽道選擇上具有較強的前瞻性和差異化,22年底率先佈局社交陪伴賽道,首款產品Glow的上線時間僅比Character AI晚一個月;23年底成功拓展至語音/音樂賽道,彼時同類公司還主要在基座模型上發力;24年以來又拓展了視訊、Agent、程式設計等賽道。1)Talkie&星野:目前收入和使用者規模均最大的國產AI陪伴產品。Talkie和星野是分別面向海外和國內使用者的姊妹產品,App月活分別維持在2000萬和500萬以上。AI陪伴的使用者時長長、付費意願高,Talkie&星野之所以能在Character AI、字節貓箱等同類產品中脫穎而出,一是因為虛擬角色儲備更豐富,達千萬種以上;二是因為該產品在會員訂閱、廣告等常規變現模式的基礎上,還整合抽卡、UGC內容共創與交易等創新玩法。據新浪財經,24年Talkie收入達數千萬美元量級,是公司最核心的收入來源。2)語音合成和音樂生成:主要面向B端客戶,佈局具備前瞻性。2023年開始佈局,是國內發力最早、步伐最快的公司之一。國內已與躍然創新、Rokid、閱文起點中文網、高途教育、獵豹移動等超2000家公司達成合作,應用於有聲書、AI玩具、數字人等場景;海外為部分原生AI應用提供語音合成能力,以語音生成工具和AI廣告視訊創作工具為主,如Hedra(ARR 1億美元)、Vapi(ARR 800萬美元)。3)海螺AI:多次在海外出圈的AI視訊產品。海螺視訊模型的綜合性能,長期位列全球視訊模型榜單Artificial Analysis的前10。公司基於該模型推出面向B端的API介面和面向C端的AI視訊創作工具海螺AI,生成720P的5秒視訊最低僅1.7元,略低於豆包和可靈視訊模型。今年年中使用該模型創作的動物跳水視訊在Instagram的播放量超2億,吸引大量海外短影片創作者模仿。我們預計目前海螺視訊模型的收入主要來自海外P端使用者的訂閱。4)Coding Plan:程式設計性價比高,Token呼叫量快速提升。10月底公司推出M2模型,程式設計性能接近Claude Sonnet4.5、GPT5.1和Gemini3 Pro。目前已有超20個大模型聚合平台和AI程式設計應用直接呼叫M2模型的API,在頭部大模型聚合平台OpenRouter上的呼叫量連續4周位列全球前5,且超75%應用於程式設計場景。公司同步推出Coding Plan,是專為AI程式設計場景提供的M2模型呼叫方案。使用者可以在Cursor、Claude、Trae等主流程式設計應用中呼叫M2,價格僅為Claude Code的8%。5)MiniMax Agent:定位為通用Agent,已進入商業化階段。MiniMax Agent於今年7月上線,完成PPT創作、深度研究報告撰寫、網站製作等複雜任務的效果較好。目前該產品已開啟商業化,折合每個任務約1元,降本增效效果顯著。風險提示:版權保護力度不及預期,智慧財產權未劃分明確的風險,消費習慣難以改變的風險,關聯公司治理風險,生成式AI技術發展不及預期的風險,產品研發難度大的風險,產品上線延期的風險,行銷買量成本上升風險,人力成本上升的風險,政策監管的風險,商業化能力不及預期的風險,AI產品和服務的使用者增長和付費率不及預期的風險,AI產品和服務降本提效效果不及預期的風險,新客戶拓展不及預期的風險,生成式AI帶來的資料安全風險,全球經濟環境惡化風險,國內外網際網路行業反壟斷及監管風險,地緣政治導致客戶出海困難的風險,競爭加劇風險,頭部廣告主預算縮減風險,品牌客戶拓展不及預期的風險,人才流失風險。07 AI應用:從等待爆款,到商業化加速落地回顧2025年,AI應用的關鍵詞是 加速商業化。OpenAI從追求AGI全面轉向變現,OpenAI預計25年內ARR完成從100億美元到200億美元的跨越,Anthropic的ARR從24年底的10億美元快速增長至25年7月的50億美元,程式設計、搜尋、多模態 成為目前商業化最快的幾個賽道。國內外大廠Token呼叫量快速增長,GoogleGemini10月份Token量較7月增長33%,字節豆包9月底的Token呼叫量較今年5月增長超80%。重點公司AI收入跨越式增長,如海外Applovin在24年高基數下仍維持70%左右的收入增速,國內美圖整體付費滲透率從1H23的2.9%增加至1H25的5.5%,可靈二季度收入2.5億元,環比一季度增長超60%。展望2026年,重點觀察:1)AI+老產品=新流量入口。騰訊微信最具備Agent化潛力,既擁有流量入口屬性(超14億月活),又整合微信小程序、公眾號、視訊號和社交生態,能滿足使用者幾乎所有線上功能。字節的豆包與抖音在AI搜尋(AI短影片、直播搜尋)全面打通;也期待阿里巴巴的淘寶、支付寶與夸克等產品成為一部分AI的流量入口。此外,期待抖快有望推出“中國版Sora”,目前AI生圖已經大眾化,AI視訊的全民推廣可期。2)AI+廣告,有望從2026年開始兌現報表。以快手 OneRec為代表,快手OneRec是全球首個端到端的生成式推薦模型,營運成本Opex僅為傳統內容推薦模型的10%,目前僅承接25%的流量就使使用者總時長提升1%。後續融合生成式競價系統,有望進一步提高廣告效率。騰訊 連續10個季度廣告收入增速在20%附近,其中25年二季度收入同增20%,主要原因之一是AI提升點選率,從而驅動eCPM增長。嗶哩嗶哩1H26將上線端到端表示學習演算法,啟動AI廣告Agent的白名單測試,並上線AI混剪廣告視訊,廣告創意數量提升千倍。3)AI出海有望成為關鍵詞:海外軟體付費意識較強,國內AI產品有望憑高產品力、高性價比獲得快速增長,美圖 有望在北美節假日加快海外功能更新和行銷節奏,此前AI合照、AI閃光燈等功能已推動美圖系產品登頂海外多國的iOS免費應用榜。快手可靈 海外收入佔比70%,後續模型性能有望沿著世界模型、音視訊同步生成等方向迭代,產品功能則可能借助靈動畫布、短影片生成Agent更深度融入視訊創作工作流。此外,Minimax、智譜等國產大模型公司,有望相繼步入資本市場,融資有望進一步驅動商業化速度,其中MiniMax在2024年的收入已突破7000萬美元,我們預計出海AI社交產品Talkie AI貢獻絕大部分收入。4)海外AI也加快融資-商業化進展,需重點關注OpenAI和Anthropic的進展規劃。OpenAI推動ChatGPT接入第三方應用,為AI時代應用生態打樣板,即一個超級入口+一眾垂類應用。OpenAI預計2030年ARR達數千億美元,Anthropic預計2028年收入達到800億美元,企業客戶的AI程式設計需求驅動增長。風險提示:版權保護力度不及預期,智慧財產權未劃分明確的風險,IP影響力下降風險,與IP或明星合作中斷的風險,大眾審美取向發生轉變的風險,競爭加劇的風險,使用者付費意願低的風險,消費習慣難以改變的風險,關聯公司治理風險,內容上線表現不及預期的風險,生成式AI技術發展不及預期的風險,產品研發難度大的風險,產品上線延期的風險,行銷買量成本上升風險,人才流失的風險,人力成本上升的風險,政策監管的風險,商業化能力不及預期的風險。08 國內AI產業鏈:AI轉型形成廣泛共識美國領先全球算力佈局,中國受制於供給限制顯著落後。根據Epoch AI,中美領先全球AI算力佈局,其中美國以74.4%的16-bit FLOP/s份額佔據絕對主導地位,而中國持有14.1%的份額,位居全球第二,但與美國存在顯著差距,主要受制於晶片採購禁令以及上游製造代工裝置採購限制,導致本土晶片產能也同樣受限。“開源大模型排行榜”顯示了一個關鍵趨勢:雖然美國的gpt-oss-120B在智能指數上拔得頭籌,但排行榜的前列(Top 10)幾乎被中國開源模型所佔據,包括DeepSeek V3.1、通義千問Qwen3 235B、Kimi K2 0905、智譜GLM-4.5等。它表明國內的“智能層”(中游)不僅在追趕,而且在廣度和頂尖競爭力上已經達到世界級水平。眾多中國模型上榜,顯示出市場競爭(如字節跳動發起的價格戰)和高強度研發投入(如阿里的全系列模型 、百度的文心)已經催生出一個高度繁榮和高水平的模型生態。應用方面,最顯著的趨勢是,亞洲(主要由中國市場驅動)的份額從23H2的約32%穩步增長至超過40%,成為全球最大且增長最快的AI應用市場。相比之下,北美市場的份額則從約20%下降至約10%。與移動網際網路類似,亞洲(尤其是中國)龐大且活躍的消費者群體為AI應用提供了最佳的“試驗場”和變現管道。以上共同描繪了一個完整的中國AI產業故事:一個龐大且佔主導地位的“應用市場”,正在資助一個“世界級”的“模型層”,並共同拉動一個“自主可控”的“硬體層”的快速迭代和追趕。我們看到雲廠商及網際網路平台在AI+廣告/搜尋/電商方面規模化探索,隨著海外投資者持續對AI CapEx回報產生擔憂,創新/規模化落地速度更快的國產應用具備更大的超預期空間,且估值更穩健合理,存在系統性重估的機會。風險提示:業務發展不及預期:業務市場競爭格局仍處於較快變化階段,我們對行業的判斷很大程度上是基於主觀預期,而市場競爭加劇可能影響相關業務的表現,使預期與實際業績產生偏差。行業增長不及預期:疫情下居家辦公等需求脈衝式增長,這使得重新開放後高基數、需求透支下行業增速可能有所放緩。產品發佈帶來短期需求爆發,但這類需求的長期可持續性仍有待驗證。監管不確定性:業務涉及多個國家和地區,同時滿足不同國家的監管要求及潛在的變化會對業務產生一定不確定性的影響。技術風險:大模型的部署和維護可能涉及技術上的挑戰。需要強大的計算資源和儲存能力來支援大模型的運行,這可能會增加成本。此外,大模型的訓練和更新也需要大量的時間和人力投入。商業落地風險:由於大模型業務處於探索期或成長期,業務模式尚未成熟,同時宏觀、行業環境可能發展變化,因此當前時點對未來的預判多數依賴上述環境變化不大或基本穩定的假設。大模型相關的監管尚未明確,可能涉及一些資料隱私、資料偏見、濫用等的法律風險其他風險:消費復甦節奏;宏觀經濟及社零增長疲弱;聯準會加息處理程序超預期;行業監管風險;中美關係發展的不確定性;中概股退市風險。09 AI健康應用螞蟻阿福下載量攀升,繼續看好AI醫療投資機會螞蟻阿福月活量穩居健康管理AI首位,APP下載量位列蘋果應用程式商店第三12月15日,螞蟻集團正式宣佈旗下AI健康應用“AQ”完成品牌升級,全新命名為“螞蟻阿福”。“螞蟻阿福”目前月活躍使用者已經達到1500萬,穩居健康管理類AI應用首位,15日新版App發佈後,下載量迅速攀升,16日位居蘋果應用程式商店下載總榜的第3位,顯示出使用者對其定位與價值的認可。螞蟻通過醫保碼和超8億的醫保使用者,建構起覆蓋支付、掛號、線上問診、健康應用等完整的健康服務生態。通過聯合上千位專家、院士,並組建千人規模的醫學標註團隊,持續調教底層大模型的思維,螞蟻阿福的專業大模型在國內率先通過中國資訊通訊研究院醫療健康行業大模型雙領域可信評估,並在HealthBench、MedBench等權威行業榜單中名列前茅。政策支援+產品應用落地,共同推動AI醫療的場景應用今年以來,國內AI醫療在政策、技術、產品及應用等方面均有持續進展,技術突破有望從單個產品走向場景全鏈條,應用場景從大醫院下沉到基層和個體。政策端一季度的揭榜掛帥工作通知為AI醫療發展提供了有力支援和保障;工信部等七部門隨後提出階段性的工作目標,到2027年打造100個以上醫藥工業數智技術應用典型場景等;國務院、衛健委最新發佈的政策強調“場景落地優先”,重視基層醫療與慢性病管理;“安全可控底線”,從資料安全、診療責任、產品稽核多維度設防;“產業生態共建”,鼓勵政產學研用協同推進技術創新與成果轉化。AI是醫療企業必須重視的創新方向,建議關注行業投資機會AI醫療在提升醫療器械功能、檢查檢驗結果解讀、輔助臨床醫生決策、健康管理等多個領域的應用價值較大,是醫療企業和醫院必須重視的創新方向和競爭趨勢。企業有望借助AI進一步提高產品競爭力和客戶粘性,鞏固行業地位和競爭優勢。AI醫療也是國內企業出海競爭的關鍵要素之一,在自主研發之外,併購、外部戰略合作、建立數位化平台和生態圈等也是加快AI佈局的重要途徑。在國家政策和行業技術的持續催化下,AI醫療應用場景有望加速落地,建議關注行業投資機會。風險提示:資料隱私與安全風險:AI醫療依賴大量敏感的醫療資料,在資料收集、傳輸及應用過程中,存在資料洩露、隱私濫用等風險,可能引發患者信任危機和合規審查等法律問題。技術落地及模型泛化風險:AI醫療產品可能因實際臨床資料複雜性、資料標準化難度大或技術瓶頸等因素,導致無法按計畫實現預期效果,甚至在特定場景下出現誤判、漏診等問題。政策、法律和倫理風險:AI醫療應用高度依賴政策推動和行業監管,若政策或合規標準制定與調整進度低於預期,將直接影響產業化落地。商業化進展和市場需求不及預期風險:由於AI醫療場景商業模式仍在探索,部分細分領域商業化落地速度、盈利能力、醫保支付等存在較大不確定性。同時,AI醫療的市場需求若未能按預期釋放,或C端使用者及院方客戶接受度不高,將限制企業收入增長。行業競爭快速加劇的風險:AI醫療行業作為跨界新興產業,國內外巨頭及創業公司不斷湧入,尤其開源大模型和SaaS平台促進行業門檻降低,導致市場競爭日益激烈。 (中信建投證券研究)
WhatsApp,又出大麻煩! !
該指令基於新修訂的《電信網路安全規則》,將這些平台歸類為"電信識別碼使用者實體"。政府稱,部分應用程式允許使用者在移除SIM卡後繼續使用服務,被境外勢力利用實施網路詐騙。網頁版服務需每6小時強制登出,並提供二維碼重新繫結功能。近日,印度電信部向WhatsApp、Telegram、Signal等8家通訊應用程式發出指令,要求在90天內實現應用與SIM卡持續繫結,使用者必須在裝置中插入對應SIM卡才能使用本服務。工作流程被反覆打斷日前,印度政府還試圖強制要求智慧手機製造商在所有新裝置上預裝一款政府網路安全應用,引發民間的強烈不滿。印度銀行和UPI應用已實施類似的SIM卡繫結規則。但消費者並不買帳。 Localcircles的一項調查顯示,近一半使用者認為SIM繫結將帶來明顯干擾和不便。WhatsApp在印度的成長引擎是小商家生態,這些夫妻店、街頭小販依賴電腦端處理訂單、管理客戶。但政策要求每6小時強制登出重新掃碼,小商家的工作流程將被重複打斷──B端商業化的基礎設施面臨崩潰。印度強制預裝應用據印度媒體報導,引發爭議的應用名為「Sanchar Saathi」(意為「溝通夥伴」),印度政府將其稱為以公民為中心的安全工具。該應用程式允許使用者使用裝置的國際移動裝置識別碼(IMEI)來鎖定和追蹤遺失或被盜的手機。此外,該應用還允許使用者查看有多少個手機號碼註冊在自己名下,從而幫助識別並斷開詐騙中使用的欺詐號碼。其他功能還包括舉報可疑欺詐電話以及在購買二手裝置前驗證其真偽。引發強烈不滿這項強制安裝印度版「反詐APP」的政策一經出台,也成為印度各界的熱門話題。儘管政府否認該應用程式存在任何隱私問題,但批評人士仍指責此舉是「印度政府獲取該國7.3億部智慧手機存取權的一種手段」。消息人士稱,蘋果公司已決定拒絕遵守印度政府的指令,並向印度政府表達了擔憂。印度政府單方面頒布強制令,已招致反對黨和隱私倡導者的強烈批評。國大黨要求撤回這項強制令,稱其違憲。國大黨成員、總書記普里揚卡·甘地(Priyanka Gandhi)在社交媒體上寫道:“Sanchar Saathi 是一款窺探隱私的應用程式……舉報詐騙和窺探每個印度公民在手機上的活動之間只有一線之隔。”言論自由組織「網際網路自由基金會」在社群平台X上表示,該組織將「抗爭到底,直到這項強制令被撤銷」。數字政策分析師尼基爾·帕瓦向《紐約時報》指出,由於印度政府在2023年將自身排除在《印度數字個人資料保護法》的適用範圍之外,因此目前尚無明確的法律依據來阻止其收集個人資訊。帕瓦同時指出,將所有印度人的資料連接到同一個應用程式上反而有利於駭客攻擊,可能使「網路安全應用變成網路漏洞應用」。“這只是個開始。這是政府在試探水溫。”帕瓦表示,“一旦政府應用程式被強制預裝到我們的裝置上,誰又能阻止他們未來推出更多可能用於監控的應用程式呢?” (進出口經理人)
OpenAI最新AI報告:醫療是增長最快的領域之一,Moderna入選最佳案例!
12月8日,OpenAI發佈報告The state of enterprise AI,首次全面展示了企業應用AI的現狀。報告指出,企業採用AI的動作正在加速,尤其是在幾個關鍵行業,其中醫療保健成為增長最快的領域之一。AI醫療實現驚人增長報告顯示,企業對AI的態度從試點轉向全面部署,醫療保健行業表現尤為突出,其OpenAI客戶的年同比增長率高達8倍(8x)。在增長速度上,醫療保健僅次於科技行業(11x),位列第二,超越了製造業(7x)。雖然像金融和科技等行業在AI使用規模上仍舊保持領先,但醫療保健和製造業等行業是從較小的基數起步,目前正以最快的速度迎頭趕上,正迅速縮小與領先者的差距。深入應用:AI為醫療保健帶來的實際價值報告通過具體的企業案例,展示了AI醫療在提升效率、改善客戶體驗等方面的實際效果。例如,生物科技公司Moderna利用ChatGPT Enterprise顯著壓縮了目標產品資料(TPP)的製作周期。過去,撰寫TPP是個複雜又費時的任務,通常要花上幾周時間,還得仔細閱讀多達300頁的資料。為瞭解決這個問題,Moderna引入AI系統,幫助從大量檔案中找出關鍵資訊和假設,自動生成結構清晰的草稿,並自動標記潛在錯誤。Moderna表示,在某些情況下,原本要花幾周才能完成的核心分析工作,現在幾個小時就能搞定。團隊可以更專注於驗證方案的可靠性、做出更周全的決策,從而更快地把新藥帶給患者。又比如,醫療保險公司Oscar Health推出了面向會員的聊天機器人,幫助使用者更輕鬆地應對複雜的醫療保健系統。這些聊天機器人與Oscar自身的系統和資料深度整合,能夠訪問會員的醫療記錄、理賠資訊等,從而提供個性化的回答,並協助完成諸如尋找醫生、續開處方等常見任務。上線後,該平台已能即時解答58%的問題,並在無需人工介入的情況下處理了39%的諮詢。這不僅提升了服務效率,也為會員提供了一個統一且可靠的入口,讓他們更容易理解並順利享受醫保服務。 (智藥局)
《自然》:中國領跑應用科學,貢獻全球56%,包攬前30頂尖機構
最新《自然指數》首次聚焦應用科學領域,該指數顯示:中國貢獻了全球56%的頂尖成果,相關領域排名前十的機構全部來自中國。對此,《自然》雜誌評論:這不僅是數量的領先,更折射出東西方迥異的科研戰略——一方瞄準產業與工程,一方側重基礎與自由探索。圖源:Pixabay面對現狀,《自然》雜誌開始思考,當“工程型社會”與“科學型社會”路徑日漸分明,全球科技競爭格局將被如何重塑,西方應該怎麼辦,該如何學習東方?然而,身為以“工程型”科研為主的國家,我們同樣需要思考,中國該如何理解這項新資料?中國該怎麼辦?●                ●     ●自然指數是《自然》旗下的學術評估工具,主要用來評估各個機構的頂尖學術產出,在全球範圍內有較大影響力。今年,《自然指數》發佈了其首份在應用科學領域的榜單,該榜單顯示出了東西方在科研資助側重點的巨大差異。本次發佈結果顯示,中國在該排名中佔據主導地位,韓國、新加坡等其他亞洲國家在該領域的表現也遠超其整體科研產出。然而,對於許多西方國家來說,情況則大不相同,它們在應用科學領域產出相對較少。該項排名依據的是去年一年間發表在25家應用科學期刊和會議上的文章,這些平台涵蓋工程、電腦科學和食品科學等領域,其中一些是《自然指數》新增的,另一些已存在於該資料庫。之所以選擇這25種期刊,是因為在一項調查中,有近4200名研究人員中表示,自己希望把最重要的工作發表在這些期刊和會議平台上。當然,《自然》、《科學》這類多學科期刊上的發表應用科學文章也會計入本次排名。結果顯示,中國的總貢獻分值為22261(一個機構或國家/地區對某篇論文的貢獻,採用分數式計量方法計算每篇論文作者的貢獻分值),佔全部應用科學產出的56%,遙遙領先於排在第二的美國。美國的總貢獻分值為4099,佔產出的10%。此外,應用科學領域排名前十的頂尖研究機構也全部在中國。01中國機構包攬了名單的前30名2024年應用科學領域排名第一的機構是中國科學院,它是目前為止中國最大的科研機構,緊隨其後的是浙江大學。在自然發佈的這份應用科學機構排名榜單中,前30名全部被來自中國的機構佔據,直到第31名,才出現了中國以外的科研機構——新加坡國立大學。圖片來源:自然應用科學榜單排名前10的科研機構(Nature Index)韓國在2025自然指數科研領先榜單(此榜單基於庫內145個自然和健康科學期刊發表的文章,展示了不同國家和科研機構在自然科學領域的高品質科研產出情況)中排名第七。但韓國在應用科學的榜單中排名第四,貢獻分值為1342,佔全球產出的3.4%,僅次於排名第三的德國——貢獻分值為1488。英國排名第五,佔全球產出的2.6%,日本第六,印度第七。法國在2025自然指數科研領先排名中表現亮眼,排名第六,但在應用科學領域卻只排到了第十二。據此看來,一個國家在自然指數總體研究產出中到底有多少比例來源於應用科學是我們應該進一步探究的問題。應用科學佔總體產出比例最高的是馬來西亞,佔比近90%,在應用科學的排名榜單中進入第31名。韓國、中國都超50%,新加坡為49%。相比而言,德國只有27%,英國是23%。而美國儘管在應用科學榜單排名中位列第二,但應用科學對整體貢獻只有17.4%,是(科學榜單)前十名中應用科學佔比最低的國家。東京的學術諮詢公司Scholarly Intelligence的首席分析師克里斯托斯·彼得魯表示,亞洲國家在應用科學領域表現出色並不令人意外。"這不是一蹴而就的,"他說,“相反,這源於政府幾年來長期扶持他們認為可能產生實際創新成果的科學而進行的努力。"彼得魯說。02西方的反思美國資訊技術與創新基金會主席羅伯特·阿特金森表示,這是因為東西方政府考慮國家研究事項的時候優先順序排列順序不同。美國在這方面更注重科學,優先推進基礎研究,目的是產出造福全人類的知識,即:為了科學而科學,目標崇高令人敬佩。中國和韓國就更注重工程應用,資助集中於先進技術和製造業,致力於產出能支援重要戰略產業的知識。中國長期致力於支援符合其經濟目標的研究。比如成為全球科技、計算和人工智慧中心。目前,中國已成為電動汽車發展的主要陣地,產量佔全球的70%。而在生成式人工智慧領域,2014年至2023年間,中國發明人申請了超過38,000項專利——是美國發明人的六倍。“這是中國長期戰略思維的結果,"彼得魯說。"他們希望通過在科技領域取得突破,從而在全球舞台上獲得優勢。"另一些研究科學政策的學者則對此持相反觀點,他們認為基礎科學提供了私營企業在開發新產品時經常使用的知識和資料,儘管這項研究對於公司自身而言成本太高、風險太大,難以承擔。在冷戰期間,美國政府更傾向於投入應用科學研究。阿特金森指出,當時的美國資助了具有明確技術目標的研究項目,比如載人登月。但隨著美蘇關係緩和,美國的聯邦科研支出相對於整體經濟規模有所下降,並開始優先支援基礎科學研究。金素英則提到,當時的理念是,無論受益者是誰,通過基礎科學創造知識都是一件好事,而且產業界可以根據自身需要利用這些知識進行產品創新。“基礎科學就像一座知識寶庫,技術應用來源於此,”韓國科學技術院(KAIST)的科技政策研究員金素英(So Young Kim)說道。她表示,學術界長期以來一直在研究基礎科學如何通過“技術創新、知識庫的建構、培養下一代科學家和工程師以及開發新工具”等形式促進經濟增長。但是時代變了,阿特金森說,西方科學的霸權不再無人挑戰。這一點已經被資料反覆證明。2022年,中國在自然科學研究產出中超過美國,並在此後連年擴大優勢。國際能源署今年最新資料顯示,中國約佔全球可再生能源支出的三分之一,而美國僅佔15%。而且中國的製藥公司現在啟動的臨床試驗數量超過了美國和歐盟的同行。《自然指數》的應用科學資料只是再一次證明這一點。阿特金森認為,如果美國和其他西方國家還想保持科學領域的主導地位,那麼就需做出改變。“西方的科學系統十分傲慢,我們認為這個系統很棒,所以從未改革。但我認為我們需要保持謙遜,我們要反思:是不是需要做些改變?應該如何改變?”阿特金森說。阿特金森認為,西方可以借鑑亞洲的科研資助模式。雖然科學研究應該始終保持自主權,但政府可以更大程度地設定資金的優先順序,讓資金傾向於國家重大戰略領域。當然,這需要美國科學界轉變觀念。因為美國科學界過去對學術自由的定義過於寬泛了,認為學術自由需要包括研究人員選擇研究什麼,以及他們如何進行研究。阿特金森指出,在當前全球競爭的環境下,這種觀點可能已經過時了。隨著西方很多國家的人口老齡化,科學界能否轉變態度變得十分重要。“因為人口結構意味著勞動年齡人口減少,難以支援越來越多的退休人員。因此,獲得公共基礎研究資金將更難,科學家們需要理解這一點。”阿特金森表示。“為了追求有趣和酷炫的研究,總需要分配一定比例的科研經費,”阿特金森說。“我不是說我們要完全模仿中國,但是我們的確需要優先推進某些技術的發展。” (知識分子)
任正非最新演講:發明AI只是一家IT公司,應用AI會強大一個國家
大家看了嗎?華為CEO任正非和ICPC頂尖選手和教練的那場對談,可以說含金量很高。華為不用多講,是中國科技突圍的關鍵力量;而ICPC呢,被稱為“程式設計師的奧運會”,是全球最強大學、最強選手的主戰場。這場交流跨越企業和學界,連接中國與世界,全程聚焦AI、聚焦未來,今天秋香就給大家分享讓我最有感觸的兩點:第一點也是引發廣泛討論的核心觀點,任正非站在企業發展的視角提出“AI 重在應用,不重在發明”,什麼意思呢?他認為應用的社會價值更深遠,能真正改變產業效率。比如高爐煉鐵通過AI 最佳化爐溫,效率能提升 1%;煤礦開採用 AI 實現無人化,既保障了礦工安全,還能精準預測瓦斯爆炸、透水風險;就連洗煤這樣的傳統環節,AI 都能把精選精度提高 0.1%,看似微小的提升,乘以億噸級的產量就是巨大的社會價值。關於這樣的實踐應用在華為數不勝數。比如西藏牧區用5G+AI 遠端診斷肝包蟲,瑞金醫院的病理大模型輔助醫生診斷,還有 450 公里時速高鐵的 5G-R 無線調度系統,全都是 AI 在具體場景的鮮活案例。華為聚焦未來3-5 年,把大模型、巨量資料、大算力落到工農業、醫療、交通等實體經濟中,解決在生產和消費中的實際問題。這源於企業的價值定位:任正非明確表達,華為是搞技術的,不是搞科學的。就像他說的:“發明 AI 只是一家 IT 公司,應用 AI 是會強大一個國家”。第二點,是很多年輕人最關心的——AI 時代要怎麼走?任總也給出了自己的回答,其實正好對應了現在年輕人的焦慮:學什麼?會不會被淘汰?會不會走錯方向?首先,勇於“摸高”,大膽突破自己的邊界。他說,能摸高就不要摸低,要敢於走到行業最高點,去探索未知。你敢相信嗎?全世界最好的氣象模型是華為一個22 歲的員工提出的,現在都能用在預測糧食產量、颱風路線上了。其次,專注長期價值,超越短期指標。任總舉了孟德爾的例子,他的基因理論沉寂了一兩百年才被重視,最後卻改變了世界。告訴我們也不必糾結於一時的成敗、薪資的高低,堅持適合自己的方向,失敗也是財富。還有,面對質疑別害怕,大膽創新就行。華為一路走來,推5G Polar 碼的時候、搞多鏡頭拍照的時候,都遭過不少質疑,用結果說話就是最好的回應。最讓秋香佩服的,還是任總的學習能力和開放心態,也給年輕人做了最好的示範。俄羅斯的數學優勢、法國的工程發明、白俄羅斯熱工技術等,他都娓娓道來,且視技術為人類文明共同積累。這種跨界視野,讓華為能整合全球智慧,也告訴年輕人不要侷限於自己的專業,要做知識的連接器。還有他開放包容的心態,坦承美國在科技人才和創新生態上的優勢,華為自力更生是被逼無奈,始終渴望全球化。不盲目自大、不閉關自守的格局,讓華為能在複雜的國際環境中保持前行的動力。這種既能扎進產業裡務實做事,又能抬頭看世界保持開放的格局,大概就是華為能一直培養出優秀人才、始終站在時代前面的原因所在吧!也值得我們所有人學習,你說對吧!大家感興趣的話,可以到ICPC北京總部官網查看原文~ (伯虎財經)
2026年看空美股的四大理由
投資者對美股高估值、與基本面背離以及對AI的過度依賴,需要密切關注。如果出現AI應用成果低於預期的情況,恐怕明年將有明顯調整。11月20日,美國股票市場出現劇烈調整。雖然輝達公佈了高於市場預期的三季度營收,納斯達克指數在高開之後大幅下跌,最終收盤較前一個交易日下跌2.2%,標普指數也下跌了1.6%。筆者以為,市場調整可能反映出投資者對美股本身估值過高且與經濟基本面背離的擔憂。同時,當前美國經濟和資本市場都高度依賴人工智慧(AI)投資和應用,若其盈利不及預期,投資者可能需要為2026年美股市場更多的調整做好準備。理由一:美股估值過高雖然從表面上看標普500指數近30倍的PE和納斯達克指數約40倍的PE並沒有達到歷史上的極值區域,但是歷史的極值區域常常出現在較大的衝擊嚴重影響企業盈利之後。比如,2020年的疫情衝擊使得2021年初的標普指數PE上升到40以上。為了避免這種極值的影響,許多投資者用過去十年盈利的平均作為盈利的參考計算市盈率,也就是計算 “經周期調整”的PE。如果參考這個指標,當前標普指數的市盈率已經達到了40.0,僅次於2001年美國科技股泡沫的時期,股票估值的昂貴程度顯而易見。與股票的高估值相對應,是市場對企業盈利的樂觀預期,實現起來頗具挑戰。從遠期PE來看,市場預計2027年納斯達克的估值將回落到25.6倍,這意味著納斯達克成分股的盈利會在兩年多的時間裡增長61%。長期而言,一個經濟體企業利潤佔國民總收入的比重一般是穩定的,也就是說企業盈利的總體增速與名義GDP大體相當。即使對未來的兩年多,一個市值(納斯達克當前總市值約40兆美元)已經超過美國GDP三分之一的股票市場,其名下企業(儘管有外國企業和來自外國的收入)盈利的增速要大幅高於美國(以及全球)名義GDP的增長,實現起來也並不容易。從結構上看,美國股票市場本輪繁榮主要集中在AI相關的股票。據統計,自2022年底ChatGPT發佈以來,AI相關的股票貢獻了標普指數75%的回報率。其中,以輝達、微軟等為首的美股7巨頭的表現尤其搶眼。然而,即使大型公司的盈利前景相對穩定,更值得關注的是納斯達克指數中剔除7巨頭剩下的三千多家公司(市值約佔納斯達克市值的一半)當前的PE高達50倍,而2027年的預測市盈率也在24倍左右。這說明市場預計這些公司的盈利會在兩年多左右的時間增長超過100%——恐怕更加難以實現。理由二:美股表現與經濟基本面存在背離與美國股市近期持續上行並不一致,今年以來美國經濟的增速明顯放緩,通膨壓力上升而就業市場壓力加大,滯脹風險凸顯。美股表現與經濟基本面的背離同樣值得警惕。今年上半年美國GDP環比折年增長約1.5%(由於政府停擺,三季度經濟資料尚未公佈),而聯準會對全年的經濟增長預測也不過是1.6%。同時,與經濟放緩保持一致,近期美國就業市場明顯冷卻。在6月到9月四個月中,美國單月非農就業平均僅僅增長4萬3千人,大幅低於今年5月份以前12個月平均13.5萬人的水平。在經濟放緩的同時,美國的通膨反而回升,經濟滯脹的壓力顯現。受到關稅等多方面因素的影響,近期美國通膨籃子中的商品價格同比增速回升。伴隨著關稅通膨效應的進一步發酵,美國整體通膨可能在年內進一步回升。聯準會預測全年PCE可能達到3%左右,也高於2024年。實際上,由於通膨前景不明,市場對聯儲降息的預期發生變動,也是近期市場調整的關鍵因素之一。不能排除未來通膨壓力超預期,2026年美國流動性環境偏緊衝擊市場的可能。從結構來看,美國經濟基本面對AI也有較大依賴。今年上半年美國經濟的增長主要依賴於居民消費的增長和企業的資本支出,而居民住房投資、庫存調整、淨出口、以及政府支出對經濟增長的貢獻都是負的。考慮到美國消費支出的增長也較2024年有所放緩,當下企業的資本支,特別是與AI相關的如資料中心等投資成為支援美國經濟最核心的驅動力。哈佛大學經濟學家Nick Lichtenberg甚至宣稱,如果沒有AI相關的資本支出的支援,美國2025年上半年GDP增速僅為0.1%。理由三:人工智慧對企業盈利的影響有較大不確定性作為可以與蒸汽機、網際網路媲美的新一代的通用型技術進步,人工智慧被包括投資者在內的社會各界寄予厚望,也成為了支援美國資本市場和美國經濟的關鍵。從目前的情況來看,人工智慧可能對美國經濟乃至全球經濟有積極影響,但是這種影響的大小特別是對企業盈利有多少貢獻則仍有較大不確定性。如果最終證明人工智慧在現實的應用成果低於預期,對市場的衝擊恐怕不能低估。從總量上看,一些研究並不支援AI將徹底改變世界的樂觀預測。比如,高盛預測未來十年AI會增加全球GDP約7%,也就是平均每年增加0.7%。而諾貝爾經濟學獎得主達龍•艾司莫格魯的估計則更是低了一個數量級,他預計未來十年AI將提振美國GDP的總計1.1-1.6%,平均每年約0.1%。即使AI對經濟總量有一定影響,這將如何影響企業盈利,也存在較大不確定性。一方面,AI的落地並不容易。例如,近期美國麻省理工學院對 300 余個公開的 AI 項目及公告進行了系統性分析,並對 153 位領導者進行了調研,得出的結論是95% 的生成式人工智慧投資幾乎沒有為企業帶來收益,半數項目以失敗告終,僅 5% 落地商業化。同時,投資者也普遍關注到,本輪人工智慧浪潮領頭羊OpenAI公司通過外部融資支援存在巨額虧損的營運模式實際上對上下游企業盈利和估值都構成了支撐。比如OpenAI承諾未來幾年進行1.4兆美元的投資建設資料中心基礎設施,並且採購雲服務,支援了上游的晶片製造商和雲服務商的盈利;同時OpenAI以低於成本價提供部分API服務,也方便下游創業企業開拓市場。然而,若 OpenAI 的模式不可持續,整個產業鏈可能受到巨大衝擊。另一方面,IMF 及多份研究表明 AI 的收益在行業、人群乃至國家分配可能高度不均。這意味著如果AI產生的收益過度集中於少數公司,甚至形成更高的壟斷壁壘,是否可能引發美國社會更大的階層對立,乃至引發反壟斷調查等政策風險,也同樣需要防範。理由四:AI公司上下游抱團需要警惕近期以來,美國炙手可熱的AI巨頭們還出現了彼此連接、上下游抱團的行為;具體表現為供應商為客戶提供資金、客戶與供應商之間分享收入、相互持股等。這使得評估真實的AI需求的發展和各公司的獨立財務狀況變得異常困難。在AI的前景本身有較大不確定性的情況下,不透明可能增加市場調整的風險。今年9月,輝達則與OpenAI宣佈達成了一項10吉瓦的算力合作,前者預計向OpenAI投資1000億美元以提供後者購買算力裝置的現金,並且承諾向OpenAI提供足夠的晶片。這一交易本身已經引發了許多關注和討論。此外,OpenAI與晶片巨頭AMD又宣佈了一項巨額算力基建協議,兩家公司將合作部署總計6吉瓦的算力,隨著算力部署規模的擴大和其他條件的滿足,OpenAI可通過行權獲得AMD約10%的股權。實際上,甲骨文、乃至微軟、xAI等企業也都簽署過類似的一些協議。總體而言,筆者認為投資者對美股高估值、與基本面背離以及對AI的過度依賴產生的脆弱性需要密切關注。如果出現人工智慧應用成果低於預期的情況,恐怕美股2026年將有明顯調整。 (FT中文網)
DeepSeek 與 Google 的暗戰:誰會最先找到通往 AGI 的鑰匙?
自從 2022 年 ChatGPT 3.5 橫空出世,讓世人領略到 AI 的非凡魅力;再到 2024 年底 DeepSeek 驚豔登場,給國人帶來了巨大的驚喜與自信。如今,各類大模型(LLM)及 AI 應用已經深刻地改變了我們的生活。AI 每天都在增強功能。昨天做不到的事,今天已經能做;前天做不好的題,今天已經可以輕鬆解決。我們彷彿回到了蒸汽機投入實用後的那段時間——新技術、新發明以肉眼可見的速度狂飆突進。然而,在這波 AI 浪潮的狂歡背後,科技界仍存爭議:LLM 真的是通往 AGI(通用人工智慧)的正確方向嗎? 或者說,僅靠當前的 LLM 就足夠了嗎?答案其實很清晰:不夠。Transformer 是一次偉大的突破,但要讓機器真正“理解世界”,我們仍需要更多類似 Transformer 等級的全新核心技術。凍結的知識快照不是智能我們知道,當前大模型的訓練方法,本質是讓 Transformer 在大量文字裡尋找“詞與詞的關係”,並基於這些統計關係預測下一個詞。訓練完成後,所有知識都被壓縮排最終的權重檔案裡,像一張凝固的“知識快照”。 但之後它不會自動學習新知識,除非重新訓練或微調。明天產生的新知識無法自動融入,換言之,LLM 本身沒有即時的學習能力。從上面你很快能就發現當前基於LLM的AI的兩個“死穴”:其一,LLM只是一個機率模型,它知道“E=mc²”後面大機率跟著“愛因斯坦”,也知道怎麼用這句話造句,但它不知道這公式是怎麼推匯出來的,也不知道如果光速改變了世界會怎樣。它學到的是知識的“投影”(文字),而不是知識的“本體”(邏輯與因果)。其二,它的知識是靜態的。正因為它沒有一個知識的生產過程,所以它不知道這些知識是如何產生的,為什麼會形成這個知識,這些知識為什麼對,為什麼錯。正如X上有某位大佬所言:“當前 AI 水平離真正的 AGI 還差好幾個 Transformer 等級的創新。” 但遺憾的是,現在還沒有可以取代Transformer的新架構。在這一點上,中美其實“站在同一片荒原上”,未來怎麼走,大家都在摸索。理解知識的積累過程,是智能的前提嗎?回想一下人類的學習方式:從小到大,知識是一點一滴積累的,對同一個知識點的理解也是層層遞進的。相比之下,LLM 生成即“凍結”,缺失了進化的過程,所以它“知道”,但它不“理解”。那麼,將知識的積累過程保留下來,會不會是通往 AGI 的一個方向?如果 AI 能復現人類對某個現象的認識過程,是否就能理解其背後的原理,從而舉一反三?至少,可以將這個認識過程當作一種“元模式”記錄下來,在處理新問題時按部就班地套用。當然,這個觀點也存在爭議。因為許多科學突破是“斷層式”的——先是天才的“靈光一閃”,後人再通過邏輯去填補證據。不過,從人類的普適經驗來看,模擬知識的積累過程,肯定有助於 AI 達到人類智能的平均水準。我們不指望 AI 頓悟成愛因斯坦,但達到專家的水平是完全可期的。這個過程可以從兩個角度來分析一是知識的層級性,高階知識依賴並建立在前導知識(基礎概念、技能)之上。比如說,一個人學習流體力學前,需掌握微積分與線性代數。二是學習的漸進性,對具體知識的理解和記憶,是一個從模糊、具體到清晰、抽象的動態過程。對於個人來說,對新概念的掌握,會從最初的生硬記憶,逐漸內化為可靈活運用的直覺。Google的思考:結構化與記憶針對第一個維度(層級性),Google 試圖將模型的知識結構化為不同時間尺度、相互巢狀的層級,提出了“巢狀學習”(Nested Learning)與記憶框架。(參見論文:https://abehrouz.github.io/files/NL.pdf)。“巢狀學習”的核心是將一個複雜的AI模型,視為一系列相互巢狀的最佳化問題。簡單來說,模型的不同部分可以像人的不同記憶一樣,以不同的“速度”學習和更新。簡單舉例,一般的LLM訓練,對於一個文字來說,可以理解成一個平面,從上而下,流式分佈。然後訓練過程相當於找出每個字之間的關係機率,因為處理窗口的關係,如果算到了後面的內容,往往與前面的文字關係就小了,計算時用的權重也就低了。如同一篇小說,即使作者費盡心機在結尾時回應了開頭處的一個梗,填了開始的一個坑,對於AI來說,也是拋媚眼給瞎子看。AI早就忘記了。而Google的巢狀學習,則是對同一篇文章,除正常的訓練方式外,還對文章先在不同的層次上進行預處理。比如先做一個文章梗概,先過一遍文章,把所有作者預埋的“坑”提取出來……,這樣一篇文字就變成了n篇不同維度文字,然後在訓練時,這些文字都參與訓練,可以平行處理,只是訓練參數和訓練方法不同。能根據性質選擇不同精度和速度的計算,而且訓練出的成果是可以疊加的,不再是單一固定的權重檔案。上面的圖就是一個例子,左邊是普通的深度學習訓練過程,而右邊則是巢狀學習的例子,你能看出對於同一個內容,根據進行多次訓練,只是廣度和精度各不相同。此外,Google 的 ReasoningBank 記憶框架(相關論文:https://arxiv.org/abs/2509.25140 )則更進一步。它的思路是讓AI智能體從以往的成功與失敗經驗中,主動提煉出結構化的“記憶項”。每個“記憶項”包含策略標題、描述和推理內容,本質上是對低級經驗的抽象總結。當面對新任務時,AI會檢索並應用這些抽象原則來指導行動,這模擬了人類專家運用已有知識框架去解決新問題的過程。DeepSeek的嘗試:多維感知與自驗證推理針對第二個維度(漸進性),DeepSeek 在感知與推理兩個層面都展現了對人類思維模式的深度模擬。首先在視覺感知層面,以 DeepSeek-OCR 為例,他們採用了一種獨特的“多解析度訓練”思路:不僅僅是對圖像進行簡單的向量化,而是試圖模擬人類的視覺認知過程——即 “從模糊到清晰” 的動態掃描。對同一張圖片(場景),模型會同時學習其低解析度的宏觀輪廓與高解析度的微觀細節(相關技術細節可參看此前的公眾號文章)。這種策略暗合了人類大腦處理視覺資訊的生物學模式:先建立全域印象,再填充局部細節。不僅在感知上發力,DeepSeek 更試圖在推理層面重現人類的“反思”能力。DeepSeek 不僅在基礎大模型上發力,向各個專家模型演進(如 DeepSeekMath-V2),更在某些領域嘗試模擬人類的“記憶狀態”。在 2025 年 11 月 27 日剛剛發佈的 DeepSeekMath-V2(論文:https://arxiv.org/pdf/2511.22570 )中,DeepSeek 引入了突破性的 “自驗證”(Self-Verification) 機制。這相當於讓 AI 進化出了“自我監考”的能力。傳統的模型像是一個只顧填答題卡的考生,只在乎最終答案是否命中;而 DeepSeekMath-V2 則像是一個嚴格的老師,它不僅檢查答案的對錯,更會一步步審視 解題過程(Process) 的邏輯鏈條。通過這種方式,模型不再是“蒙”對了一個答案,而是真正確信自己“理解”了這道題。這種從“結果導向”向“過程導向”的轉變,是 AI 邁向深度邏輯推理的關鍵一步。DeepSeek 的“自驗證”機制構成了一個自我完善的智能閉環:它不僅能評估解題過程,更能主動生成推理步驟並對其驗證。這模仿了人類的元認知與自我學習能力。古人倡導“吾日三省吾身”,而 AI 則可實現瞬時、高頻的自我審視與迭代最佳化。如下圖(論文中的附圖)所示,隨著驗證次數(最高達7次)的增加,模型解決問題的能力顯著提升,充分體現了通過“反覆自學”實現能力進化的潛力。雖然上述分別列舉了兩家公司的例子,但在技術演進的洪流中,它們並非孤立存在。Google 的巢狀學習涉及不同清晰度資料的處理,而 DeepSeek 的多專家系統(MoE)及多層次資料訓練,本質上也是在對知識進行結構化拆解。結尾:AGI的未來方向,也許正在悄悄顯現從 Google 到 DeepSeek,我們正在看到一個趨勢越來越明確:真正的智能,不是更大的模型,而是更“結構化”的學習過程。未來的 AI,可能會具備:能分層理解知識結構的能力能保持多時間尺度記憶的能力能自主總結“經驗規則”的能力能在模糊與清晰之間漸進切換的能力能記錄“知識的進化史”而不是只記錄結論這些能力加在一起,不是“下一代更大的 Transformer”,而是:一種能夠像人一樣“成長”的架構。我們或許距離 AGI 仍有數個重要突破,但路徑正在變得越來越清晰:不是簡單堆算力、堆資料,而是讓模型獲得“理解知識如何生成”的能力。或許,真正的智能不是一夜之間的奇蹟,而是一次又一次讓機器“重走人類認知之路”的漫長積累。而現在,我們正在走在這條路的最前面。 (亍雲旁觀)
中美領跑全球AI,瑞銀:海灣地區的力量亦不可忽視
中美主導全球生成式AI早已成為不爭的事實,但其他國家也並非都是陪跑角色。瑞銀近期發佈一份研究報告,稱海灣地區憑藉低成本高韌性電力接入的適宜土地,以及支援推理設施建設的強力政策,正成為全球資料中心開發的核心優選區域。據瑞銀測算,在完全折舊的前提下,電力成本佔資料中心整體物料成本的5%-10%。海灣地區充裕的電力容量使其成為建設AI推理設施的低成本區域。此外,海灣地區發展動能正逐步積聚:與超大規模雲服務商、晶片製造商的數吉瓦級合作已逐步落地,貿易限制持續放寬,電網升級計畫與國家級戰略穩步推進,同時終端與企業側對AI推理的旺盛需求,共同構築了良好的產業發展環境。不過,鑑於地緣政治重要性與敏感性,瑞銀判斷用於預訓練的超大型資料中心園區仍大機率保留在美國。Part.01 AI縮放定律近年來,AI資本開支規模與投入強度的大幅增長,源於模型智能度與算力/資料規模的強相關性,這一規律被稱為AI縮放定律。在過去的深度學習時代,該定律發生了範式轉變:更大規模的資料集、高性能硬體及演算法最佳化共同推動算力需求激增。據EpochAI資料,2010-2024年,AI訓練所用算力呈指數級增長,每6個月便實現翻倍,遠高於20世紀50年代機器學習系統誕生初期超20個月的翻倍周期。與此同時,每一輪算力擴容都伴隨能耗的顯著攀升。新一代晶片的單GPU功耗持續走高:輝達晶片的最大功率需求已從安培架構的400瓦,提升至霍珀架構的700瓦、布萊克韋爾架構的1200瓦,預計魯賓架構將達到約1800瓦。除單晶片功耗外,算力叢集規模的擴大進一步推高整體能耗;儘管硬體能效提升可部分抵消算力增長帶來的電力需求,但綜合來看,EpochAI測算2010-2024年,前沿AI模型訓練的總電力需求年均增幅仍超100%。上述趨勢凸顯了電力成本對資料中心營運的關鍵意義——電力已成為資料中心最大的營運成本項。Part.02 合作驅動海灣地區AI基礎設施增長全球頭部生成式AI基礎設施建設方已與海灣地區達成多項合作,其中阿聯的合作項目最為典型:阿聯星門項目2025年5月,輝達、甲骨文與OpenAI宣佈在阿布扎比落地星門項目,複製其在美國的星門基礎設施建設模式。根據規劃,該項目將依託輝達最先進的GB300晶片打造1吉瓦算力容量,且是總投資規模預計達5000億美元的全球星門計畫的組成部分。同時,這也是“面向國家的OpenAI”全球倡議下的首份協議,該倡議隸屬於美國星門計畫,旨在幫助美國以外地區建構自主AI能力。1吉瓦算力叢集將由當地科技企業G42承建,甲骨文與OpenAI負責營運,輝達、思科及軟銀提供技術支援,叢集將落戶阿布扎比新建的美阿AI園區,該園區是整體AI基礎設施基地的一部分,未來總算力規劃達5吉瓦。微軟在阿聯的佈局微軟已承諾2023-2029年在阿聯投資152億美元,其中包括向G42注資15億美元,並近期宣佈在該區域建設200兆瓦資料中心園區。此外,微軟聯合貝萊德、MGX及全球基礎設施夥伴成立AI基礎設施合作聯盟,承諾總投資規模達1000億美元,輝達與xAI已於今年早些時候加入該聯盟。沙烏地阿拉伯的合作項目Google與沙烏地阿拉伯公共投資基金達成100億美元合作,將在沙烏地阿拉伯建設並營運全新的雲與AI樞紐,聚焦區域本土化AI應用。亞馬遜與沙烏地阿拉伯PIF旗下AI企業HUMAIN達成超50億美元投資協議,將打造開創性的“AI專區”,該區域基礎設施將配備約15萬顆晶片(含亞馬遜Trainium晶片及輝達GPU),此投資為亞馬遜此前宣佈的53億美元沙烏地阿拉伯基礎設施投資(2026年投用)的增量項目。高通與HUMAIN達成合作,計畫2026年採用高通加速器建設200兆瓦資料中心,但因細節尚未披露,該項目的確定性低於上述合作。Part.03 海灣地區AI應用落地進展如何?海灣地區是技術前瞻性極強的區域,擁有成熟的消費市場、創新技術資本及強力政策支援。例如,阿聯早在2017年便將AI列為國家戰略優先事項,目標2031年成為全球AI領導者,推動AI在醫療、能源、水務、教育等領域的跨行業融合,並以此提升政府治理效能。因此,海灣地區的終端與企業AI滲透率整體處於全球領先或持平水平:德勤資料顯示,阿聯及沙烏地阿拉伯58%的消費者會每日或每周使用AI工具,顯著高於英國的約20%。微軟AI滲透報告指出,阿聯的人均AI使用量位居全球第一,遠超全球均值。企業端方面,德勤調研顯示海灣合作委員會國家在AI應用意願、工具落地普及率及智能體部署進度上與全球企業基本持平,考慮到AI智能體整合的成本與時間投入,瑞銀預計海灣地區國家AI工具的普及將與全球趨勢同步。瑞銀認為,AI擴散規則的調整及AI縮放定律驅動的算力需求快速增長,為GCC國家成為領先AI基礎設施區域奠定了堅實基礎;疊加充裕電力、深厚資本市場及高技術接受度的消費群體,該區域AI相關基礎設施具備強勁增長潛力。 (智通財經APP)