新華調查|利用AI抓熱點，炮製“爆款”博流量——起底新型網路“水軍”犯罪手法利用AI抓取熱點，一鍵生成“黑稿”……近年來，網路“水軍”犯罪呈現新動向，一些不法分子利用網路平台的演算法邏輯，使用AI等技術故意炮製負面資訊，操控海量“水軍”帳號同步炒作，借流量牟利。近期，山東煙台警方抓獲兩個專門炒作新能源汽車負面資訊的新型網路“水軍”團夥，關停網路帳號8000余個。這些“黑稿”是如何炮製出來的？背後存在怎樣的利益鏈？操縱“水軍”炒作負面資訊博流量這是山東煙台警方查處的網路“水軍”團夥辦公窩點。（受訪者供圖）2025年7月以來，理想汽車、華為鴻蒙智行、小米公司等知名企業先後向煙台市公安局報警稱，某知名網路平台出現大量涉及相關品牌新能源汽車質量、企業負責人的負面文章。這些文章有的以聳動的標題抓人眼球，如“M9交付遙遙無期，尊界投訴榜遙遙領先”“雷軍這次真的攤上大事了”；有的歪曲事實誤導公眾，如“偷偷減配，給消費者一個答覆”“理想死鴨子嘴硬，月銷量沒突破過四位數”。報案企業稱，這類負面資訊嚴重損害企業品牌形象和生產經營秩序。以理想汽車為例，2025年8月訂單銳減5000余輛，企業總市值下降約200億元。警方研判發現，發佈這類文章的帳號數以千計，不僅IP地址集中，發文時間、內容也較為集中。針對這些異常現象，警方經過數月偵查查明，網路“水軍”團夥註冊多家公司，利用MCN機構操縱數千個平台帳號發佈文章。相關內容呈現出高度的組織化特徵：有的串聯炒作、歪曲解讀，對企業進行惡意詆毀；有的偽裝身份、虛構場景，冒充消費者發佈不實體驗；有的搬運洗稿、批次炮製，將個別問題放大渲染。表述各異但指向相同的海量負面資訊短時間內集中發佈，瞬間佔領網路空間。有受害企業表示，曾以為這是同行攻擊或敲詐勒索，但警方查明，網路“水軍”的牟利模式為利用大量帳號發文的轉發和評贊數量，獲取平台支付的流量收益。其中一個團夥的主要負責人高某夫婦有自媒體、網際網路公司從業經歷，曾因在網上發佈負面資訊被刑拘。據二人交待，根據平台演算法機制，文章閱讀量越高流量費就越高；通過炮製爭議性“黑稿”，他們近年來收到平台打款50余筆，共計約180萬元。另一網路“水軍”團夥成員學歷多為初高中，動機也是賺取平台流量費。利用AI批次生成“黑稿”規模化推送這是山東煙台警方在審訊網路“水軍”團夥犯罪嫌疑人。（受訪者供圖）辦案民警介紹，相較於過去以“造謠引流”“輿情敲詐”“有償刪發帖”等為目的的網路“水軍”案件，新型網路“水軍”不敲詐、不收費、不引流，利用AI技術等批次炮製“黑稿”，“量大管飽”，只掙平台流量費。——使用AI寫稿，實現規模化“生產”。新型網路“水軍”通過AI軟體對抓取的熱點詞彙和內容進行重組、改寫，偽裝成個人體驗或觀點進行發佈，實現了內容的批次、快速生產。煙台市公安局經濟技術開發區分局網路安全保衛大隊民警李岩說，本案中的不法分子以網民觀點、留言為基礎，用AI工具一鍵生成多個角度、結構、措辭的文章，相當於“抄襲搬運+洗稿”，借此實現“零成本”批次化生產。如某網民發佈的原文是“換了理想，我好像得了一種怪病！為了省油錢，現在天天給車充電。這毛病，插混車主是不是都有？”被改為“換了理想，我好像得了一種怪病！聽說新款要上了，座椅按摩冰箱都堆上去了，電池還是老配方”。——搭建帳號矩陣，形成流量積累效果。由於平台規則是流量收益與帳號的發帖量、瀏覽量成正比，單個帳號賺錢微乎其微。因此，新型網路“水軍”為了擴大影響、獲取不法收益，往往搭建規模驚人的網路帳號矩陣。經查，團夥核心人員於某等人使用30多個MCN帳號，操控了8000多個個人帳號，達到規模化、地毯式推送同質化內容，人為製造輿情。這些帳號都是批次買來，1個MCN帳號一般要上萬元，實名註冊的個人帳號則幾十元1個，有的號主本人對買賣不知情甚至不知道註冊過帳號。一個號主說，趕集的時候聽說能領不鏽鋼盆，就把手機交給了別人，然後就被註冊了帳號。——多種工具助力，“小作坊搞起大流量”。新型網路“水軍”從管理帳號到找素材、發文章均使用自媒體管理軟體完成。這些軟體中，有的可以提高內容分發和帳號管理的效率，有的可以批次管理母帳號、子帳號，查看收益、發文情況，還能蒐集全網熱點話題、潛在爆款素材，並有現成創作範本。“這些工具大大降低犯罪門檻，讓缺乏專業技術的小團隊也能吃上‘流量飯’。”煙台市公安局經濟技術開發區分局網路安全保衛大隊大隊長陳天勝說，一個團夥的主犯僅受過小學教育，另一成員待業在家。他們租了個房子、買了幾台電腦、找了幾個員工，就開始“低成本創業”。他們專門炒作負面資訊，什麼火就發什麼，1個月能賺二三十萬元。平台守牢責任 監管仍需完善據悉，本案中的9名犯罪嫌疑人因涉嫌侵犯公民個人資訊罪，現已被依法採取刑事強制措施。“新型網路‘水軍’眼裡只有流量，今天炒作新能源汽車，明天就可能涉足其他熱門領域，危害不容小覷。”受訪專家建議，網信、公安、市場監管等部門加強聯合執法，嚴打包括帳號買賣、工具開發、資金結算在內的“黑產鏈”，推動刑事司法銜接。辦案民警表示，平台流量分發主要依賴點選率、點贊數等指標，新型網路“水軍”犯罪利用了平台的自媒體流量扶持計畫，借助平台對MCN機構的傾斜，實現一個母帳號操控成千上萬個子帳號。中國人民大學法學院教授劉俊海認為，平台應全面改造流量獎勵機制和帳號監管機制，從“唯流量”的獎勵機制，轉向社會價值、安全發展等多維價值取向；此外，加強個人資訊比照、內容原創、互動真實、帳號活躍等方面的帳號真實性核查。有受害企業的法務人員反映，依據相關法律，侮辱誹謗屬於自訴案件，損害商譽需要有明確損失，非法經營需要證明背後有資金資助，通過司法管道維權往往成本高、立案難。對此，中國人民公安大學首都社會安全研究基地首席專家李小波表示，新型網路“水軍”犯罪目前還存在法律適用方面的難點，建議立法機關及時完善相關法律法規，加強對司法實踐的幫助指引。 (中國汽車報)

當地時間3月22日，伊朗武裝部隊回應美國總統的“最後通牒”表示，根據伊朗此前發出的警告，如果伊朗的燃料與能源基礎設施遭到敵方攻擊，美國及其盟友在該地區的所有能源基礎設施、資訊技術系統和海水淡化設施都將成為打擊目標。稍早前，美國總統川普在社交平台發文稱，如果伊朗沒能在自此刻起48小時內全面開放荷姆茲海峽，將對其境內的各類發電廠實施打擊並將其徹底摧毀，首當其衝的將是其中規模最大的一座。此前，伊朗伊斯蘭革命衛隊發佈聲明稱，伊朗同美國和以色列的戰爭已進入“新階段”。隨著戰事進入第三周，交戰方圍繞基礎設施特別是能源設施的博弈日趨激烈，凸顯“以牙還牙”的特點。目前，作為能源運輸要塞的荷姆茲海峽雖然尚未被物理封鎖，但全球能源市場已進入一種全新的定價狀態。悲觀情緒認為，當下的油氣價格飆漲可能不只是恐慌性的短期脈衝，更可能是一次深層的結構性調整。橋水基金創始人瑞·達利歐近日在社交媒體上發文警告稱，美國、以色列和伊朗之間的衝突將圍繞荷姆茲海峽展開“決戰”，受其結果影響的將遠不止石油價格，將決定美國領導的全球秩序能否存續。“一切都取決於誰控制荷姆茲海峽。”達利歐將美國在荷姆茲海峽可能遭遇的失敗比作英國在1956年蘇伊士運河危機期間的遭遇。這被視作“大英帝國全球帝國主義的終結”的標誌性時刻。當地時間2026年3月12日，一艘貨船在阿聯杜拜北部海域遇襲。圖/視覺中國“荷姆茲溢價”理解這輪美伊衝突引發的劇烈油價波動，必須先理解“荷姆茲溢價”。從數字上看，3月17日以色列空襲伊朗後，布倫特原油期貨在12小時內從每桶88美元飆升至95美元，單日漲幅創2024年以來之最。而價格本身還不是最重要的訊號，更能說明問題的，是市場對“荷姆茲封鎖”這個此前被視為小機率事件的風險定價，在短短數小時內直接翻了近三倍：從每桶3美元漲到8美元。換句話說，投資者願意為“萬一海峽真的被堵死”這個假設，多付出此前三倍的保險成本。衍生品市場的反應更為極端。WTI原油期權的隱含波動率升至68%，遠超2023年銀行業危機時的水平。交易員們不再只是押注“油價漲還是跌”，而是大規模買入波動率本身，賭的是未來兩周內油價可能出現任意方向的劇烈震盪。跨品種的聯動失控同樣值得關注。歐洲天然氣期貨（TTF）與原油期貨的相關性從0.6飆升至0.9，這背後的邏輯很直接。卡達是全球最大液化天然氣出口國之一，而卡達LNG船出港，必須經過荷姆茲海峽。一旦封鎖成真，斷供的不只是石油，天然氣也會同步告急。歐洲對這個邏輯尤為敏感。因為俄烏衝突歷經漫長能源危機的歐洲，對“供應中斷”的應激反應已經變成肌肉記憶。這輪定價邏輯的質變，標誌著能源期貨市場完成了一次範式轉換：從“供需基本面主導”轉向“地緣博弈主導”。原油不再只是工業原料的定價，它越來越接近於一種地緣政治狀態的即時股票。油氣田成戰場在金融市場為“海峽斷流”瘋狂定價的同時，真正的能源戰已經在油田和煉廠打響。3月18日至19日，雙方打擊目標從軍事設施延伸至能源生產核心區。伊朗動用高超聲速導彈與無人機群，打擊了以色列內蓋夫沙漠的拉蒙氣田及海法附近的巴贊煉油廠。拉蒙氣田是以色列對歐出口液化天然氣的重要來源，日產量約佔以國天然氣總產能的18%，襲擊導致部分井口關閉，海法港LNG裝載作業隨之中斷，歐洲買家的補貨窗口驟然縮小。以色列則在3月19日凌晨對伊朗西南部阿瓦士油田和加奇薩蘭凝析油生產區實施精確轟炸。阿瓦士是伊朗原油產量的核心區塊，高峰日產量約佔伊朗總產出的8%；加奇薩蘭則以高附加值輕質凝析油著稱，是伊朗出口創匯的重要來源。衛星圖像顯示多處處理設施和輸油站起火，伊朗官方承認“原油處理能力暫時下降”。摩根大通當天發佈的報告估算，若雙方再有大型油氣設施遭到實質性摧毀，布倫特油價可能在現有基礎上再上浮5至7美元。這輪油氣田互炸釋放的最危險訊號，是一條默守數十年的紅線被正式踩穿。過去無論中東衝突烈度多高，各方都儘量避免攻擊對方能源命脈，因為石油是整個地區的共同財富，進行摧毀不僅是砸自己的飯碗，也會招致國際社會強烈反彈。這條不成文規定如今已宣告終結。當油氣田被正式納入“合法打擊目標”的清單，中東能源投資的底層邏輯就需要重寫。跨國石油公司正在重新審視深入伊朗周邊的勘探合同，再保險公司已開始對中東油氣項目加收戰爭險附加費。能源基礎設施的戰場化，將以緩慢但不可逆的方式推高整個地區的生產成本，並最終轉嫁給全球每一個加油站的消費者。主權安全問題如果說期貨市場的反應是短期的價格訊號，那麼新能源類股的變化則預示著更長周期的結構性轉移。3月18日，全球新能源類股市值單日上漲逾4000億美元。但這輪上漲的驅動邏輯，與以往任何一次都不同。過去的新能源牛市，主要由碳減排政策、技術成本下降、ESG資金驅動。這一次的核心驅動力只有兩個字：安全。歐盟委員會主席馮德萊恩在美伊衝突升級後的表態，幾乎是直白地宣告了這一轉變：“加速可再生能源部署不再是氣候議題，而是主權安全問題。”一旦全歐洲的新能源從“減碳工具”重新定義為“能源主權工具”，它所能調動的政治意願和財政資源，將遠超此前任何一輪綠色轉型浪潮。德國隨即宣佈上調太陽能裝機目標，法國取消海上風電項目的審批時限。這些動作背後的邏輯不是氣候雄心，而是對“能源被卡脖子”的恐懼。主權財富基金的調整方向同樣意味深長。挪威主權財富基金宣佈減持傳統能源股，轉投新能源龍頭。這不是一個小型避險基金的投機操作，而是全球最大主權財富基金之一發出的戰略訊號。當荷姆茲海峽的油輪隨時可能成為導彈靶標，太陽能電站的發電穩定性反而成了“確定性收益”。這種邏輯一旦被更多長線資金接受，新能源的估值基礎將發生根本性改變：它不再只是一個高成長賽道，還是一種類債券的避險資產。產業層面的加速效應同樣在發生。特斯拉宣佈在中東建設超級工廠，比亞迪與沙烏地阿拉伯主權基金PIF簽署儲能合作協議。這些動作的時間節點選在衝突升級後48小時內，絕非偶然。產油國自身的邏輯也在悄然轉變：當石油出口收入面臨戰爭風險，以石油美元投資新能源，某種程度上是在為自己的未來購買保險。沙烏地阿拉伯的“2030願景”在這個背景下呈現出新的戰略含義：不僅是經濟轉型計畫，也是主動降低對荷姆茲依賴的戰略避險。加速能源秩序轉型美伊戰事持續時間已達三周，也用一輪突發的能源危機提醒所有依賴荷姆茲的產油國一個共同的脆弱性。沙烏地阿拉伯和阿聯最先感受到壓力。沙烏地阿拉伯雖擁有能繞過荷姆茲的東西輸油管線（EW Pipeline），可將石油從東部油田直接輸送至紅海沿岸港口，但其設計產能僅為每日500萬桶，不足以全面替代經荷姆茲的出口量。阿聯的阿布扎比原油管道（ADCO Pipeline）可將原油輸送至富查伊拉港，但同樣存在產能瓶頸。這場衝突最直接的產業後果，可能是推動這些替代管道加速擴容。經濟帳變了。過去考慮成本原因而被擱置的基礎設施投資，在地緣風險導致重新定價之後將出現調整。更宏觀的變化發生在能源貿易路線層面。國際能源署預測，到2030年，中東石油出口中“非荷姆茲通道”佔比將從當前的12%升至35%。這無疑是在戰爭壓力下被強制加速的結構重組。此外，這場戰爭還在加速一場已經進行多年但節奏始終偏慢的變革，即能源結算的去美元化。這個處理程序的意義常常被低估。石油美元體系不只是一種結算慣例，還是美國全球金融霸權的重要支柱。只要全球石油貿易以美元計價結算，各國就必須持有美元儲備，美國就能以極低成本發行國債，維持對全球資本流動的主導地位。一旦這個基礎鬆動，美國的金融槓桿將顯著縮小。此次衝突後，伊朗和俄羅斯的石油人民幣結算實踐再度提速。更值得注意的是，阿聯阿布扎比國家石油公司（ADNOC）首次以人民幣計價發行綠色債券，用於太陽能項目投資。這意味著兩條線同時出現變動：能源結構從化石轉向清潔，結算貨幣從美元轉向多元。巴西和南非等新興市場國家提出建立“金磚國家能源貨幣籃子”，包含人民幣、盧比等。這個提議此前更多停留在討論層面，但在當前地緣衝突造成的美元供應鏈高風險背景下，其可行性論證正在變得更加充分。能源去美元化更像是一次緩慢的地殼運動，通常感知不到，但積累到一定程度，會引發真正的震動。短期內，美國、以色列同伊朗之間的這場戰爭，最直接受益者是傳統能源的避險基金和波動率交易者，但從更長的時間軸看，也加速一場本來至少需要十年才能完成的能源轉型。每一次油價飆升，都是對新能源的一次隱性補貼。而每一次“荷姆茲風險”的重新定價，都是對能源多元化的一次倒逼。歷史上重大的能源秩序轉型從來不是在會議室裡被談判出來的。1973年的石油禁運催生了西方的能源獨立戰略，車諾比事故重塑了核能的政治經濟學，2011年的福島核災加速了德國的能源轉型。這一次，荷姆茲海峽上空的戰機，或許會成為下一輪全球能源秩序轉型的起點。 (中國新聞周刊)

大中華區半導體中國AI GPU：不斷縮小與美國的差距高昂的人工智慧資本支出（Capex）和持續的政策支援，催化了中國AI GPU生態系統的發展。在本篇深度研報中，我們引入了一個分析框架，以評估該行業的商業價值、競爭力及整合路徑。AI技術的迅速擴張正推動中國向更高品質的增長模式轉型。去年，我們在藍皮書報告《中國人工智慧：沉睡的巨龍甦醒》（China – AI: The Sleeping Giant Awakens）中，探討了中國AI的發展現狀及其邁向2030年及以後的發展軌跡。在本報告中，我們將聚焦中國AI基礎設施的核心——作為該技術基石的AI晶片——並評估不斷演變的需求前景、晶圓代工供應瓶頸以及塑造該行業的競爭格局。國產AI GPU供應取得重大進展： 在很長一段時間內，中國AI技術的普及並非受制於電力、資料或工程人才，而是受制於美國出口管制下無法獲取先進的AI晶片。中國自2020年起開始研發本土AI GPU，當時獲取海外先進製程技術的管道已十分有限。隨著管控趨嚴，這一窗口在2022年基本關閉，這重塑了（但並未阻斷）中國AI晶片產業的發展處理程序。過去12個月裡，中國在緩解裝置和晶圓代工瓶頸方面取得了有意義的進展。在政策支援下，我們預計到2028年左右，國內的晶圓代工產能和晶片供應將足以滿足國家的核心主權需求。從政策支援邁向商業化可行： 政策支援可以加速產業的早期發展，但長期價值取決於商業競爭力。中國AI GPU供應商必須展現出極具吸引力的經濟效益，才能在2028年之後維持增長。我們的分析表明，在較低的晶片價格、更廉價的電力成本以及不斷完善的基礎設施支撐下，中國AI資料中心的總擁有成本（TCO）有望具備競爭力。對於推理工作負載（inference workloads）而言，單位Token的成本比峰值性能更為重要，這進一步強化了國產替代方案的競爭力。行業與個股影響： 中國的國產化戰略——即通過擴大晶片、晶圓廠和裝置的規模來彌補製程上的劣勢——正持續見效。在樂觀情形（bull case）下，我們假設國產GPU將擴展至訓練工作負載領域，並可能獲得海外採用；在悲觀情形（bear case）下，我們假設產品差異化減弱，從而導致商品化（同質化）和行業整合。雖然我們不對AI GPU個股做出直接評級，但我們對中國AI半導體供應鏈保持建設性（樂觀）態度，包括中芯國際（晶圓代工）、北方華創（裝置）和 ASMPT（先進封裝），並看好AI晶片投資有助於鞏固其戰略地位的中國網際網路平台。關於後者的更多細節，請參閱 Gary Yu 撰寫的中國網際網路報告。關於中國AI GPU的六大核心圖表中國AI GPU：建構本土化的AI計算生態系統致首席資訊官（CIO）的資訊： 中國正通過系統級創新和以成本驅動的推理經濟性（inference economics），迅速縮小與美國在AI算力領域的差距。這一發展軌跡有望使國產AI GPU的自給率達到約76%，並在未來十年內對全球AI半導體的競爭格局產生深遠的重塑作用。致首席執行長（CEO）的資訊： 儘管美國晶片製造商在矽晶圓前沿技術上仍保持領先地位，但中國正加速轉向成本更低、針對推理最佳化的國產AI晶片。這將對全球AI的經濟性帶來中期的競爭壓力，而非在短期內實現技術層面的並駕齊驅。AI技術的快速擴張正推動中國向高品質經濟模式轉型。在去年的藍皮書報告《中國人工智慧：沉睡的巨龍甦醒》（China – AI: The Sleeping Giant Awakens）中，我們探討了中國AI的發展現狀及其邁向2030年及以後的發展軌跡。在本報告中，我們再次回歸AI主題，重點剖析中國AI基礎設施的基石——即支撐該技術的AI晶片——並對需求前景、晶圓代工供應以及競爭格局進行評估。我們分析了中國AI GPU的關鍵需求驅動因素及國內供應鏈的商業可行性，同時評估了本土生產晶片的性能與潛在商業價值。此外，我們還考察了中國全境與AI相關的資本支出（Capex）規模、本土晶圓代工供應的動態，以及塑造該行業的政策支援力度。最後，我們引入了一個框架，用於評估國產AI GPU晶片（即輝達的本土替代方案）的商業價值，並為投資者梳理了如何在長期內評估該行業及相關個股標的的路徑。行業展望：需求強勁、供給改善及同質化風險上升受制於晶圓代工產能的瓶頸，中國AI GPU在2026年和2027年的營收仍將維持“供給主導”的格局。在雲服務提供商（CSP）強勁的商業需求以及不斷增長的主權和政府主導的AI投資支撐下，該市場已進入高速增長階段。基於雲端資本支出（Capex）趨勢及隱含的AI半導體消耗量，我們預計2026年中國AI GPU的總潛在市場規模（TAM）約為500億美元，到2030年將增長至約670億美元。隨著國內晶圓廠產能的擴張和本土裝置能力的提升，國產AI GPU的供應正在快速追趕。我們預計到2027年，本土供應規模有望達到約300億美元，足以覆蓋中國算力總需求的一半以上。鑑於產能限制依然存在，我們預計到2027年之前，該市場將在很大程度上維持供給驅動的特徵。中國的基礎設施優勢縮小了表面上的技術差距在我們的基準情形（base case）下，輝達（NVIDIA）在大規模AI預訓練領域繼續佔據主導地位。中國主要的雲服務提供商處理預訓練工作負載時，依然依賴部署在海外資料中心的輝達伺服器機架。相比之下，國產AI GPU在中國國內的推理工作負載（inference workloads）中正獲得越來越高的市場認可度，因為在這些應用場景中，更低的延遲、資料本地化要求以及成本效益顯得更為重要。中國AI GPU能否充分縮小性能差距以勝任預訓練任務——並最終在出口市場贏得客戶——仍是一個關鍵的長期議題。我們的分析表明，儘管中國在晶片層面仍略落後於美國，但在系統硬體層面已具備廣泛競爭力，並在基礎設施和政策層面擁有優勢。因此，國產AI GPU在推理工作負載方面已經具備競爭力。需要強調的是，僅基於製程節點（process node）的比較會誇大實際的性能差距。當以“每瓦特每美元性能（performance per watt per dollar）”為基準進行評估時，這種差距會大幅縮小，特別是考慮到中國相對較低的利潤率要求和較低的能源成本。這種成本優勢顯著提升了國產替代方案的商業可行性。我們在下文中提供了一個基於此背景的輝達與沐曦（MetaX）GPU的對比案例研究。為了評估這一不斷演變的行業格局，我們引入了一個聚焦於中國AI GPU生態系統商業價值的分析框架。該市場目前有超過10家上市及非上市供應商，涵蓋獨立第三方供應商、內部專屬設計公司（captive design houses）以及國資背景企業。我們對中美AI計算生態系統進行了對比，並從設計能力、系統級性能、晶圓代工產能獲取、戰略合作夥伴關係、政府支援及商業戰略等維度對各供應商進行了評估。我們還應用了我們的全球AI半導體估值框架，為市值、晶圓代工產能隱含營收以及估值倍數提供了參考基準（圖表59）。關於百度崑崙和阿里平頭哥等內部專屬設計公司如何為母公司估值貢獻增量，請參閱我們的中國網際網路分析師 Gary Yu 的相關報告（連結）。聚焦商業價值分析近期的行業動態凸顯了中國AI GPU格局演變的迅速程度，並印證了為何商業價值與技術能力同等重要。幾家領先的中國網際網路平台正在轉向定製化或“合規（within spec）”的推理晶片，這些晶片通常通過設計服務模式並在海外先進的晶圓代工節點上生產。例如，據路透社報導，字節跳動正通過中國設計服務公司芯原股份（VeriSilicon），利用三星的4奈米製程生產其AI推理ASIC晶片。儘管這些解決方案通常針對偏低端的推理工作負載，但仍加劇了獨立GPU供應商面臨的競爭壓力。與此同時，政策訊號表明，可能會允許少量進口輝達的H200晶片，同時可能要求配套支援國產替代方案。這種做法強化了“雙軌制”戰略，而非實施全面替代。同步地，中國主要的大語言模型（LLM）供應商已開始提高Token價格，這改善了AI工作負載的商業化變現能力，並對整個生態系統中AI GPU的長期商業經濟效益形成了支撐。展望未來，行業結構引發了對產品同質化（commoditization）風險的擔憂。包括雲服務提供商和電信營運商在內的大客戶有強烈的動機去扶持至少一家具有國資背景的GPU供應商（如華為），而領先的CSP同時也支援自身內部的或關聯的設計公司（如百度崑崙、阿里平頭哥）。這種動態擠壓了獨立第三方供應商的潛在市場空間，並增加了其規模化發展的難度。隨著晶圓代工產能可能從2027年起擴張，加上AI GPU設計日益成熟，產品的差異化將變得更加困難。因此，我們認為隨著時間的推移，行業利潤率存在下降的風險，且未來兩到三年內行業整合的可能性日益增加。關於中國AI GPU類股的核心爭議上述結論建立在三個相互關聯的核心爭議之上，這些爭議塑造了中國AI GPU生態系統的未來前景。在接下來的部分中，我們將詳細探討這些爭議，以揭示中國AI GPU市場的發展脈絡、國產替代方案在那些領域已具備競爭力，以及那些結構性制約因素依然存在。核心爭議 #1：中國能否大規模供應具備競爭力的AI GPU？第一個爭議聚焦於供給端——即中國能否生產出具備足夠競爭力且能實現規模化量產的AI GPU。中國受益於系統級的工程優勢、基礎設施的快速鋪建以及強有力的政策支援，但在先進晶片設計和前沿製造工藝方面仍面臨挑戰。我們將評估這些優勢與限制因素如何相互交織，本土供需如何演變，以及這將如何影響國產AI GPU的長期競爭力。核心爭議 #2：需求端：中國AI GPU市場的潛在規模有多大？該爭議聚焦於需求端。中國AI GPU市場反映了雙重需求：一是由雲服務提供商和AI應用主導的商業化普及需求，二是與主權戰略優先順序掛鉤的政策驅動需求。我們分析了這些驅動因素的相對權重、政策持續支援國產AI晶片的底層邏輯，以及它們如何轉化為實際的市場規模。通過對本土AI晶片需求的情景分析（基於Gary Yu的預測），我們估算了中國AI GPU市場的潛在規模和增長軌跡。核心爭議 #3：如何評估中國AI GPU的商業價值？該爭議從估值和投資的視角審視該行業。中國AI GPU生態系統包括獨立供應商、國資背景企業，以及隸屬於大型網際網路平台的內部設計公司。我們將這些企業置於全球AI GPU和ASIC的背景下進行定位，勾勒出評估相對市場地位的定性標準，並應用統一的估值框架以幫助投資者權衡整個類股的投資機遇與風險。類股估值——高經營槓桿下的高市銷率（P/S）倍數儘管收入基數小得多且處於盈利的更早期階段，中國AI半導體設計公司的市銷率（P/S）倍數仍顯著高於全球可比同業。寒武紀（688256.SS，未覆蓋）： 目前其2026年預期市銷率（P/S）約為32倍，市盈率（P/E）約為96倍；相比之下，其2026年晶圓代工產能隱含營收約為22億美元，市場一致預期營收約為21億美元。儘管其銷售倍數低於部分國內同行，但在經過增長調整後，相對於輝達仍享有明顯的估值溢價，這反映了市場對國內AI市場快速實現國產替代的預期。海光資訊（688041.SS，未覆蓋）： 其2026年預期P/S約為94倍，P/E約為1118倍，隱含晶圓代工產能營收約為9億美元。這表明在本土化供應鏈結構下，市場對其捕獲CPU/GPU相關周邊需求抱有極高的期望。沐曦（MetaX，688802.SS，未覆蓋）與摩爾線程（Moore Threads，688795.SS，未覆蓋）： 兩者的2026年預期P/S分別約為60倍和139倍，而隱含營收分別僅為約5億美元和3億美元，且尚未實現實質性盈利。在香港上市的壁仞科技（Biren，6082.HK，未覆蓋）和天數智芯（Iluvatar CoreX，9903.HK，未覆蓋）： 其2026年預期P/S分別約為37倍和62倍，同樣基於較為有限的隱含營收（約2億至3億美元）。（估算來源請參見圖表11。）類股估值——非上市企業我們綜合使用定性評分卡和定量指標（包括營收規模、市場份額和晶片性能），來評估中國非上市AI GPU供應商的潛在市值。1. 崑崙芯 (Kunlunxin)崑崙芯已將銷售擴展至外部客戶，如中國移動、騰訊及其他的國有企業（SOEs）。我們預估其2025年營收為60億元人民幣（約50%來自外部），並預計在近期新GPU發佈的支撐下，2026年營收將在70億至130億元人民幣之間，代表其在國內GPU行業中佔據高單位數百分比的市場份額（相比之下，華為佔63%，寒武紀佔11%，平頭哥佔高單位數百分比）。我們對崑崙芯的估值為200億至610億美元：提議的分拆與上市是管理層釋放股東價值計畫的一部分，但隨著近期AI晶片的首次公開募股（IPOs），近期的市場情緒有所走強。基於2026年預期市銷率（P/S）20至33倍（較A股上市的寒武紀有0%至40%的折價），我們對崑崙芯的估值為200億至610億美元，假設控股公司（holdco）折價30%，這轉化為百度（BIDU）約60%股權的價值為80億至260億美元。將百度的中端分類加總（SOTP）估值修訂為215美元（原為220美元）；高端估值為330美元：我們的215美元中端SOTP估值，將崑崙芯估值為45美元/股（26倍 企業價值/銷售額（EV/S）），AI雲基礎設施（不含崑崙芯）估值為45美元/股（5倍 EV/S），行銷業務估值為44美元/股（6倍 企業價值/息稅前利潤（EV/EBIT））；我們330美元的高端SOTP估值，將崑崙芯估值為73美元/股（33倍 EV/S），AI雲基礎設施（不含崑崙芯）估值為62美元/股（7倍 EV/S），文心大模型（Ernie LLM）估值為38美元/股（30倍 EV/S），行銷業務估值為54美元/股（7倍 EV/EBIT）。2. 平頭哥 (T-Head)我們預估其2026年營收為140億至260億元人民幣，其中約一半來自AI GPU晶片，其餘來自CPU。我們預計平頭哥將在2026年至2030年間躋身國內第一梯隊GPU供應商，佔據高單位數百分比的市場份額（與崑崙芯類似），相比之下，華為為63%，寒武紀為11%。我們對平頭哥的估值為280億至860億美元：鑑於平頭哥一直以來保持低調、公開披露有限，且長期專注於內部供應，此次潛在的分拆令人感到意外。我們預計分拆後外部銷售將會加速增長。在需求端和供給端，支援依然強勁：阿里雲繼續驅動龐大的訓練與推理需求，並不斷增加產能供應。基於20至33倍的市銷率（P/S）（較寒武紀有0%至40%的折價），並應用於140億至260億元人民幣的營收區間（CPU + GPU），我們得出了280億至860億美元的估值區間。假設控股公司（holdco）折價30%，這轉化為阿里巴巴（BABA）分類加總（SOTP）估值中的12至36美元/股。我們對關鍵行業風險的情景分析我們概述了中國國內AI晶片市場的三個情景，這些情景由出口管制、國內製造的進展以及替代激勵機制之間的相互作用所驅動。基準情形——在持續受限下取得漸進式進展 先進AI晶片的海外流片（tape out）依然受限，限制了獲取前沿晶圓代工服務的管道。中芯國際繼續擴張國內產能，但在美國出口管制下，獲取關鍵晶圓製造裝置的管道受限，制約了先進製程節點的進展。輝達H200對中國的出口依然有限，無論是因為美國法規，還是中國方面的採購和政策考量。在此背景下，政府對國內計算基礎設施的持續支援推動了對本土生產的AI加速器的需求，並在性能差距持續存在的情況下，支撐了國內供應商的銷量增長。樂觀情形——國內能力加速提升與替代加速 國內AI晶片供應狀況實質性改善。通過替代性安排，或中芯國際在良率和製程穩定性上取得有意義的突破，獲取前沿晶圓代工服務（如台積電或三星）的管道得到改善；同時，本土裝置供應商的進展緩解了關鍵的製造瓶頸。對美國先進AI加速器出口的持續限制強化了對國產解決方案的需求，並促使生態系統在設計、製造和系統整合方面更快地走向成熟。悲觀情形——國內供應疲軟與替代壓力減輕 對晶圓製造裝置的限制進一步收緊，實質性地制約了先進製程節點的產能擴張，並推遲了製程改進。與此同時，對輝達H200的出口管制放鬆，或中國重新獲得更先進AI加速器的管道，從而降低了國產替代的緊迫性。對EDA（電子設計自動化）工具的額外限制制約了本土設計公司的架構升級，並進一步削弱了國產AI加速器產品的競爭力。關鍵爭議#1：中國能否大規模供應具備競爭力的AI GPU？市場觀點： 在比較中美AI晶片時，全球投資者往往只關注晶圓工藝——例如，台積電4奈米的輝達GPU與中芯國際12奈米的沐曦（MetaX）GPU的對比。基於此，他們通常得出結論，認為中國的AI晶片無法與之競爭。我們的觀點： “每瓦每美元性能”的評估框架顯著縮小了這一差距，特別是因為能耗（瓦特）因素在中國的權重較低。在我們對沐曦與輝達的案例研究中，按每瓦每美元性能衡量，沐曦C600的表現與輝達A100相當。隨著沐曦推出C700，我們認為它能夠在AI推理領域與輝達的H200相抗衡。然而，從長遠來看，我們認為市場對中國在某些裝置瓶頸上取得突破的預期過於樂觀。例如，我們認為在未來五年內，中國晶圓廠將繼續依賴阿斯麥（ASML）的DUV光刻機進行多重曝光（multiple patterning），這與部分市場預期（即中國能夠研發自有光刻裝置）截然相反。需監測的指標： 1）先進製程節點的晶圓月產能（wpm）及良率提升情況；2）叢集規模的穩定性改善；3）本土軟體及類CUDA生態系統的進展。我們可能出錯的地方（潛在風險）： 1）良率提升進展慢於預期；2）裝置瓶頸持續的時間更長；3）軟體生態系統的規模化擴展比最初預期的更為複雜。大規模晶片製造面臨的障礙為了評估中國能否大規模供應具備競爭力的AI GPU並切實滿足市場需求，我們從AI半導體價值鏈的供給側——特別是晶圓代工產能——開始分析。在這一層面上，規模擴張不僅取決於名義產能的增加，還取決於關鍵上游要素的可用性與成熟度。因此，一系列供應瓶頸繼續影響著整個AI GPU價值鏈的最終產出。這些限制在晶圓前道裝置（WFE）和電子設計自動化（EDA）領域表現得最為明顯。在中芯國際產能擴張的背景下，幾個關鍵的半導體裝置瓶頸——例如外延裝置——目前已基本能由北方華創（Naura）、中微公司（AMEC）和新凱來（SiCarrier）等本土WFE供應商解決。然而，我們看到在光刻和檢測工具方面仍存在持續的限制。在光刻機方面，中國在2025年進口了大量阿斯麥（ASML）DUV系統，以防範未來潛在的限制。同時，我們的行業調研表明，中芯國際先進製程晶圓廠（特別是中芯南方）在科磊（KLA）檢測和量測工具方面的受限，推高了裝置利用率並導致檢測步驟減少，晶圓廠僅能專注於最關鍵的層級。雖然這種方法保障了產能產出（吞吐量），但可能以犧牲良率為代價，這進一步凸顯了國內先進製程製造所面臨的結構性挑戰。EDA是中國擴大先進製程產能的另一個關鍵制約因素。2025年，中國最大的EDA供應商華大九天（Empyrean Technology）按營收計算僅佔全球約1-2%的市場份額。迄今為止，華大九天尚未提供全流程數字IC EDA套件，更不用說支援先進製程節點GPU設計的工具了。相比之下，楷登電子（Cadence）、新思科技（Synopsys）和西門子EDA（Siemens EDA）在2025年合計佔據了全球80%以上的市場份額。美國政府對華實施了嚴格的EDA軟體出口管制，特別針對全環繞柵極（GAA）電晶體架構所需的工具。這些限制旨在阻礙中國開發先進的3奈米和2奈米晶片，而這些晶片對於高性能計算和AI至關重要。如果本土EDA能力無法迎頭趕上，且現行出口管制維持不變，本土AI晶片設計公司將很難向3奈米和2奈米節點遷移。中芯國際的擴張轉移了——但並未消除——晶片供應瓶頸儘管晶圓前道裝置（WFE）的限制構成了中國先進製程雄心的上游制約因素，但其下游影響日益顯現在晶圓代工層面。工具可用性、工藝成熟度以及產能吞吐量的侷限，實際上已將中國的先進製程產能集中於一家佔據主導地位的供應商。這種動態將供應瓶頸從裝置獲取轉移到了晶圓代工的執行與產能分配上。因此，中芯國際（SMIC）已成為擴大本土AI GPU生產規模的實質性“咽喉”所在。根據我們的行業調研，幾家本土AI晶片供應商已將製造環節遷回中國大陸，試圖在本土先進製程節點（如N+2的7奈米和N+1的12奈米）上流片AI加速器，以利用本土產能並緩解外部限制。目前，中國的先進製程產能仍高度集中在中芯南方，該公司已通過使用DUV光刻機進行多重曝光，將工藝技術延伸至N+2，並有可能延伸至N+3（約5奈米）。我們預計，中芯國際的N+2晶圓月產能（wpm）在2025年約為2.2萬片，2026年（預期）約為4萬片，2027年（預期）約為5.1萬片。然而，考慮到同樣嚴重依賴N+2級節點的智慧型手機和汽車SoC（系統級晶片）的持續需求，我們預計這些產能不會完全分配給本土AI處理器的生產。面對這些制約因素，一些AI GPU供應商選擇在N+1節點上製造加速器。我們認為，這一選擇反映了在產能可用性、流片成功率、製造穩定性以及成本控制方面所做出的務實妥協。相較於更先進的節點，N+1提供了更好的良率特徵和更成熟的供應鏈，從而在工藝受限的情況下仍能實現量產。然而，基於N+1節點的產品在計算密度和能效方面仍處於結構性劣勢，使其更適合AI推理及其他對功耗和成本敏感的工作負載，而非大規模訓練。應對晶圓工藝制約的戰略性舉措如上所述，中芯國際的產能擴張只能部分緩解中國的晶圓工藝瓶頸。在獲取先進製程節點受到結構性制約的情況下，本土AI晶片供應商和雲服務提供商（CSP）日益將焦點從直接縮小工藝差距，轉向通過系統級和架構層面的戰略來彌補單裸片（per die）性能較弱的劣勢。儘管中芯國際在N+2節點上取得了實質性進展，但與在4奈米或3奈米節點上製造的海外加速器相比，國產AI加速器在計算性能和能效方面仍處於結構性劣勢。我們認為，即使7奈米工藝得到廣泛應用，也無法在晶圓層面完全消除這一差距。鑑於能源供應在中國並不構成硬性約束，戰略重心已轉向提高絕對計算密度和系統級性能，而非每瓦能效。我們將中國AI晶片供應商和CSP當前的主流應對策略歸納為三大類：1）“如果單個計算裸片不夠強大，就把更多裸片封裝進同一塊晶片中。”由於製造技術和晶片設計的侷限性，國產AI加速器的計算能力仍大幅低於輝達及部分海外ASIC解決方案。在某些情況下，隨著獲取海外先進製程節點的管道受限，計算性能甚至出現了下降。例如，據報導，昇騰（Ascend）950PR的計算性能比其上一代產品910C低約38%。在此背景下，供應商採用了先進封裝和多裸片配置，以在單個封裝內擴展算力。這種方法在不需要獲取更先進製程節點的情況下，部分抵消了單裸片性能較弱的問題。雖然它未能完全消除與海外領先產品的差距，但已切實提升了絕對計算性能。2）“如果單塊晶片不夠強大，就建構更大的機架和叢集。”在系統層面，我們觀察到本土AI晶片供應商和CSP正越來越多地採用縱向擴展（scale-up）架構，這從輝達的NVL72設計中汲取了靈感。傳統的AI伺服器配置通常在每台伺服器中部署4或8個加速器，多節點擴展嚴重依賴伺服器間的網路連線，這可能會引入通訊瓶頸。NVL72標誌著一種轉變，即在單一系統內實現72個加速器的全互聯（all-to-all interconnect），從而顯著提升了GPU到GPU的頻寬和機架級性能。中國企業正在推行類似的縱向擴展戰略，包括華為的CloudMatrix 384、阿里巴巴基於PPU的機架解決方案，以及字節跳動的單機架256加速器設計，旨在克服單晶片的侷限性，提升機架級性能。3）“如果一家晶圓廠產能不足，就擴大製造產能。”第三項應對策略的核心是在現有工藝制約下擴大產能。中國的先進邏輯晶圓代工廠繼續進行激進的投資。中芯國際在2023年、2024年和2025年的資本支出分別達到了約75億美元、73億美元和81億美元，佔其營收的比例大幅提升。在2025年下半年，中國還加速了DUV光刻裝置的採購，從荷蘭的進口量同比急劇上升。我們認為，這些裝置的交付支撐了中期內先進製程產能的擴張，但不太可能消除與海外晶圓廠之間根本的工藝差距。網路與機架級設計彌補了晶圓工藝制約 即便在7奈米工藝上取得了進展，中國在晶圓層面縮小AI算力差距的能力依然受到結構性制約。因此，性能差異化的焦點已日益從單晶片算力轉向系統級架構，特別是網路互聯和機架級設計。面對晶圓工藝的制約，中國在系統級設計方面取得了切實的進展，特別是在光網路和伺服器機架架構方面。在去年的上海世界人工智慧大會（WAIC）（參見我們的報告《上海WAIC主要啟示》）上，我們觀察到了華為昇騰（Ascend）CloudMatrix 384的原型機，它展示了國內企業如何通過激進的縱向擴展（scale-up）和光互聯設計，來彌補單晶片算力較弱的問題。展望未來，在下一代昇騰平台（Atlas 950）中，華為聲稱其SuperPod架構最高可擴展至8,192顆晶片。在處理器層面，昇騰950PR和升級後的950DT預計將實現高達2TB/s的AI處理器間互聯頻寬，紙面資料超過了輝達NVLink第五代（Gen5）1.8TB/s的規格。單從原始規格來看，華為的互聯頻寬目前已超越NVLink Gen5。更均衡的算網配比（compute to networking ratios）。 我們觀察到海外AI晶片（例如輝達的Blackwell系列）的原始算力出現了急劇增長，但網路性能並未實現相應的階躍式提升。我們認為，這種分化很大程度上受制於電互連的物理極限，而光互連雖然前景廣闊，但尚未在大規模應用中證明具備足夠的穩定性。因此，在實際部署中，基於輝達的最先進系統可能會面臨算力未被充分利用的時期，空閒周期正日益成為軟體和調度層面的挑戰，而非純粹的硬體制約。相比之下，國內AI平台在網路能力方面實現了快速提升。雖然絕對計算性能仍落後於全球前沿水平，但從算網配比的角度來看，系統配置顯得更為均衡。在橫向擴展（scale-out）和以推理為主的重度部署場景中，儘管單晶片性能較弱，這種均衡性可能會減少系統層面的結構性低效。核心爭議 #2：需求端：中國AI GPU市場的潛在規模有多大？市場觀點：市場共識預期，領先的雲服務提供商（CSP，如阿里巴巴、騰訊、字節跳動）將繼續增加與AI相關的資本支出（Capex），以支援模型訓練和推理部署。在這一觀點下，政府的政策支援是本土AI GPU普及的主要驅動力。我們的觀點：我們採用情景分析法，將圍繞供需和地緣的風險納入對中國AI GPU市場的預測中。我們預計，到2030年總潛在市場規模將達到670億美元，其增長更多由推理而非訓練驅動，並將佔到屆時雲端總資本支出的約51%。我們預計國產AI晶片營收將從2024年的60億美元增長至2030年的510億美元（復合年增長率達42%），自給率將從33%提升至76%。除了政策支援外，我們認為本土AI晶片的商業價值是更為持久和可持續的需求驅動力。需要監測的指標：1) CSP雲端資本支出增長；2) 月度Token吞吐量增長；3) 國產AI晶片的平均售價（ASP）趨勢及分配訊號。我們可能判斷有誤之處：1) 地緣政治降溫使得獲取美國先進GPU的管道得以改善；2) AI商業化變現表現不及預期，導致資本支出增長慢於預期。中國AI晶片需求要評估中國AI GPU需求的持久性與規模，區分其潛在驅動因素至關重要。在我們看來，對國產AI晶片的需求取決於兩股力量：一是對技術自立自強的結構性推動；二是在消費者和企業端應用場景中，AI部署所帶來的日益重要的商業回報。應對美國晶片限制的自立自強。 中國將AI視為事關國家與經濟安全的戰略性領域。。。這段不展開了。如下圖所示，中國本土的AI晶片設計公司與先進製程晶圓代工供應商形成了一種共生關係。一方面，國產AI加速器供應商需要獲取產能並實現製程節點迭代，因為AI晶片通常需要經歷兩到三代製程的演進才能達到具備競爭力的性能。另一方面，本土先進製程晶圓代廠需要錨定客戶（anchor customers）及規模效應，以支撐其持續的投資。商業回報作為中國AI晶片市場的第二大主要驅動力。 儘管自立自強催化了早期的投資，但持續的AI相關資本支出最終需要可證明的商業回報，尤其是隨著支出規模的擴大以及利用率成為核心制約因素。因此，中國的AI發展路徑日益強調具有成本效益的創新以及能夠帶來可衡量商業回報的應用。中國主要的科技公司正步入正軌，有望在2026年將與AI相關的資本支出同比增長38%，達到5970億元人民幣，這反映了在廣告、消費者端（2C）及企業端（2B）應用場景中已被證明的商業化變現潛力。在我們看來，消費者端和企業端應用中由AI驅動的提升所帶來的總回報可能是巨大的。在扣除折舊、電力和伺服器租賃成本後，預計到2028年有望實現盈虧平衡，到2030年利潤率可能達到約50%（更多細節請見此處）。在政策支援與商業回報改善的雙重驅動下，中國AI GPU的需求集中在少數大型買家群體手中，其資本支出（Capex）決策最終決定了可觸達市場的規模。第一類群體由中國的雲服務提供商（CSP）構成——包括字節跳動、阿里巴巴和騰訊——這些企業採購AI晶片，既用於訓練自身專有模型並運行推理，也用於為外部雲客戶部署AI基礎設施。第二類群體包括中國的電信營運商、國有企業及地方政府——即所謂的“主權AI買家”——其需求主要由國家AI基礎設施建設、資料主權以及公共部門的應用驅動。AI初創企業（如DeepSeek、MiniMax）及汽車整車廠（如小鵬、小米）同樣採購AI晶片，儘管目前的採購量仍低於前兩類群體。我們預測，到2030年，中國AI晶片的總潛在市場規模（TAM）將達到670億美元，這意味著2024至2030年間的復合年增長率（CAGR）將達到23%。我們的估算基於主要CSP、電信營運商、政府與國企買家以及其他AI相關企業的雲端運算資本支出總額。我們預計，到2030年，中國雲端運算資本支出總額將達到1300億美元，其中AI GPU將佔據670億美元，約佔雲端運算總資本支出的51%。我們的預測基於以下幾項假設：1. CSP海外資料中心佔比下降。我們估計，2025年中國CSP雲端運算資本支出中約有40%投向了海外資料中心，用於大語言模型的預訓練，這反映了國內獲取先進GPU受限的現狀。我們預計，從2026年（預期）起，在本土AI晶片性能提升與供應增加，以及算力需求向推理端轉移的共同推動下，這一比例將降至30%左右。2. 伺服器支出佔比保持在雲端運算總資本支出的90%左右。3. AI加速伺服器佔伺服器總量的比例，將從2025年（預期）的75%上升至2030年（預期）的85%。4. AI加速器元件價值佔AI加速伺服器總價值的80%。基於上述假設，我們預測中國AI晶片的總潛在市場規模（TAM）將從2024年的190億美元增長至2030年的670億美元，2024至2030年間的復合年增長率（CAGR）將達到23%。本土化勢將支撐需求隨著中國AI GPU市場規模不斷擴大，關鍵問題不僅在於需求能變得多大，還在於這些需求最終流向何方。我們認為，持續的地緣政治風險將AI晶片需求鎖定在本土，使本土化成為中國AI GPU市場的結構性特徵，而非對出口管制的暫時性應對。減少對美國技術的依賴： 儘管在單晶片層面，中國的AI晶片仍落後美國約1.5至2代，但系統級性能差距正在持續縮小，這進一步強化了AI基礎設施部署本土化的動力。我們預計，在未來四年內，受晶片封裝（中國本土的2.5D和3D封裝）、架構縱向擴展（光網路）以及軟硬體協同最佳化的驅動，而非單純依靠工藝節點微縮，這一差距將縮小至約1代。中國還在減少供華晶片對台積電（TSMC）的依賴，轉而採用中芯國際（SMIC）的N+2和N+3節點，以及三星部分符合規格的設計。儘管在韓國儲存晶片（HBM）、歐洲光刻裝置（DUV）以及美國檢測裝置（KLA明場檢測）等方面仍存在一定的依賴，但我們最新的行業調研表明，本土在其中一些領域正在取得進展。在大多數地區，商業和主權買家對AI晶片的需求，既可以通過美國供應商滿足，也可以通過台積電代工的定製設計來滿足。然而，自2023年10月以來，美國工業和安全域（BIS）的規定限制了美國供應商向中國出售晶片技術的發展水平。這些限制包括對14奈米FinFET裝置、3奈米GAA EDA工具的限制，以及對性能密度和總性能等性能指標的限制。美國當局在2025年初進一步收緊了這些管制。來自外國晶片供應商的激烈競爭意味著，中國需要政策支援以推動本土AI GPU的發展。本土晶圓廠也需要具備競爭力的AI晶片供應商來實現規模化、提高良率並降低成本。因此，在規模擴張階段，政府的支援錨定了供應的形成與國內需求，包括鼓勵本土化應用，以及協調如中芯國際7奈米生產等稀缺的先進製程產能。基準情形綜合我們的供需分析，我們勾勒出中國AI晶片自給率的基準情形發展軌跡。我們預計中國的AI晶片自給率將從2024年的33%上升至2030年（預期）的76%。我們預計先進製程產能的擴張和晶片性能的持續提升將推動本土AI晶片營收的增長。我們的核心假設如下：先進製程產能顯著擴張。 在強勁的資本支出投資以及矽鍺（SiGe）外延等本土裝置技術突破的支撐下，我們預計中國的先進製程晶圓月產能（wpm）將從2025年的8千片增至2028年的4.2萬片，並於2030年達到5萬片。生產良率顯著提升。 在更優質的檢測工具和不斷積累的操作經驗驅動下，我們預計中國AI晶片的生產良率將從2025年的約20%提升至2030年的約50%。產能分配依然由政策驅動。由於先進製程產能具備稀缺性，其分配很大程度上由政府機構決定。我們認為華為獲得的分配額度最高，其次是寒武紀（Cambricon）和海光（Hygon），而二線和三線AI晶片設計公司各自獲得的產能可能不到總產能的10%。海外晶圓廠供應“合規（within spec）”晶片。 我們預計三星等海外晶圓廠將為崑崙芯和字節跳動等本土設計公司流片符合規格要求的AI晶片。基於這些假設，我們預計中國本土AI晶片營收將從2024年的60億美元增至2030年（預期）的510億美元，2024至2030年的復合年增長率（CAGR）達到42%，同時我們預計AI晶片自給率將從2024年的33%提升至2030年（預期）的76%。我們在出口管制、本土製造進展以及替代激勵機制的相互作用驅動下，概述了中國本土AI晶片前景面臨的三種情景。關鍵爭議#3：我們該如何評估中國AI GPU的商業價值？市場觀點： 市場共識將政策驅動的替代視為本土AI GPU應用的主要驅動力。在這種觀點下，供應商的估值通常錨定於從輝達手中奪取市場份額的假設，以及對市場結構分散化的預期。我們的觀點： 我們認為，AI晶片的商業價值最終將決定各家供應商的長期營收和市值。儘管政府支援和雲服務提供商（CSP）的內部自研戰略依然重要，但我們預計市場領導地位將由產品競爭力和執行力來塑造。因此，我們結合定性因素（包括晶圓代工獲取能力、客戶關係、政策支援和技術方向）以及定量指標（如TPS（每秒生成Token數）、每瓦性能和每瓦每美元性能）來評估供應商。我們還密切監控不斷湧現的新發佈的晶片規格。隨著時間的推移，我們預計中國AI GPU市場將趨於整合，隨著產品差異化縮小和規模經濟佔據主導，利潤率壓力將會增加。需監測的指標： 1）新晶片規格；2）向主要客戶（如CSP）的出貨量爬坡情況；3）平均售價（ASP）趨勢及毛利率軌跡。我們可能出錯的地方（潛在風險）： 1）本土AI GPU供應商未能獲得先進製程晶圓代工廠的產能；2）CSP採用國產AI晶片的意願低於預期；3）AI計算範式的顛覆性轉變（例如，模型架構或工作負載特徵的根本性改變）降低了基於TPS的性能比較的相關性。識別長期贏家的分析框架潛在的贏家能夠將系統級競爭力轉化為大規模的商業應用。在實踐中，供應商需要具備四大特質：（1）具備競爭力的推理經濟效益；（2）可靠的先進製程節點產能獲取管道；（3）深厚的CSP合作關係；（4）與政策導向保持一致。如果供應商缺失其中一項或多項特質，即使他們發佈了強悍的規格資料，也很難維持其市場份額和利潤率。我們採用雙層分析框架：第一層 —— 定量的推理經濟效益我們側重於驅動大規模應用的、以推理為核心的指標，包括單Token成本和總擁有成本（TCO）、TPS（每秒Token數），以及每瓦和每美元性能。我們認為，要維持領導地位，必須在這兩個層面上都具備實力。第二層 —— 定性的市場定位我們評估獲取先進製程產能的管道、CSP合作關係的深度、政策契合度，以及技術路線圖的可信度。聚焦推理端：本土供應商持續追趕持續存在的生態系統與工藝制約因素，限制了國產加速器在先進基礎模型大規模訓練領域的定位。因此，我們預計近期的部署將集中在大語言模型（LLM）推理而非訓練上。這一重心與需求趨勢相符。DeepSeek、Doubao和Qwen（通義千問）等國產基礎模型，已將每日Token消耗量推高至10兆以上，驅動了推理需求的結構性上升。與此同時，輝達的A100以及部分已安裝的H100和H800越來越多地用於服務訓練工作負載。因此，我們預計中國的推理算力——儘管目前仍以輝達H20為基本盤——隨著時間的推移將更加依賴國產加速器。為了比較各家供應商的推理競爭力，我們採用每秒生成Token數（TPS）這一指標。TPS反映了硬體能力（計算吞吐量、記憶體頻寬、互連）以及軟體和模型的假設。我們以DeepSeek R1作為國產大語言模型的代表，以反映真實的推理部署場景。輝達在2025年第一季度公佈了其H200在DeepSeek R1推理下的官方TPS資料。在採用相同的Token長度和資料格式假設下，我們獨立推算的估計值與輝達公佈的結果基本一致，這印證了我們建模方法的可靠性。(Port Selected)

3月15日晚間，“315晚會”曝光了AI大模型被“投毒”的問題，矛頭直指GEO（生成式引擎最佳化）技術。圖片由AI工具製作這項技術原本用於最佳化資訊發佈、提升內容曝光效率，卻被一些公司開發成了“操控AI大模型”的工具，讓虛假資訊堂而皇之地成為AI給出的“標準答案”。在記者的探訪視訊中，為了驗證GEO技術，業內人士用“力擎GEO最佳化系統”捏造了一款名為“Apollo-9”的智能手環，編造誇張賣點和虛假使用者評價，並自動生成十幾篇軟文發佈到自媒體。僅兩個小時後，AI大模型竟引用這些虛構內容，正經推薦該手環，並給出購買建議。三天後，追加發佈11篇虛擬測評後，已有兩個AI模型開始推薦這款根本不存在的產品，且排名靠前。一款憑空捏造的商品，就這樣被推向了消費者。GEO背後究竟是怎樣的邏輯在運作？AI為何如此容易被“帶節奏”？對普通使用者又意味著什麼？本文將從技術原理、影響機制和應對思路三個維度，警示大家這場由AI引起的“資訊圍獵”。01當GEO變味兒：一場針對AI的“資訊圍獵”實際上，當前被討論的黑灰產化GEO亂象，已經不能再被簡單理解為傳統意義上的行銷最佳化。所謂GEO，本質上是圍繞 AI 搜尋和生成式引擎展開的一種“可見度最佳化”，目標是讓內容更容易被AI平台提及、引用或推薦。從這個角度看，它是SEO在AI時代的自然延伸，其本身並不天然帶有問題。如果GEO只是幫助內容更規範地被搜尋系統或AI系統理解，那仍屬於正常的資訊分發競爭。但問題在於，當前的GEO亂像已經越界，開始通過偽內容、偽權威、偽共識以及海量重複分發，去系統性影響大模型“看到什麼、引用什麼、如何組織答案”的過程時，它的性質就發生了變化。我們可以看到，在“315晚會”記者採訪的操作流程顯示中，業務人員以大量、定向、結構化的資訊投喂來影響模型抓取和排序，通過偽造內容、偽裝權威、重複鋪設資訊鏈條，就能在模型生成回答時形成“偽共識”，讓虛假資訊看起來像真實知識。AI大模型在回答問題時，會從網際網路上抓取大量內容作為參考依據。GEO正是利用了這一機制，通過系統性地向網路“投喂”特定內容，讓AI在檢索時優先抓取這些資訊，最終將其作為答案輸出給使用者。這種行為已經不是行銷最佳化，而是對AI資訊生態的污染，更深入嚴肅的看待這個問題來說，這是在面向生成式AI實施一種新的認知操縱。02不是“洗腦”AI，而是“操縱”了證據鏈這件事真正值得警惕的地方在於，這場變質行銷背後帶來的危害性。過去，黑灰產是想辦法把廣告排到更前面；現在，黑灰產更進一步，是想辦法讓AI把廣告說成答案，把操縱包裝成推薦，把商業利益偽裝成知識共識。這裡最容易讓公眾誤解的一點是，很多人會覺得AI的回答內容像是“自己想出來的”。但實際上，目前大量搜尋、問答、導購、助手類AI產品，並不只依賴模型內部記憶，而是會結合外部網頁、知識庫、檢索系統、搜尋增強模組來生成回答。也就是說，很多場景下，模型先要“看資料”，再去“組織答案”。而付費GEO的危險，不在於騙過某一個編輯或某一個平台營運，而在於它試圖去影響整個模型的外部證據鏈。它通常會通過幾類方式起作用：第一類，批次製造看上去像“中立資訊”的內容；第二類，偽裝成測評、科普、經驗總結、榜單、問答等更容易獲得信任的內容形態；第三類，在多個站點、多個帳號、多個文字範本中反覆分發，製造“很多地方都這麼說”的假象；第四類，把內容寫成更適合 AI 抓取、切片、引用和拼接的結構。從這個角度看，它影響的已經不只是內容曝光位置，還有影響AI的資訊輸入質量和答案形成依據。03GEO的新入口：RAG、搜尋增強、引用鏈路相比大眾普遍擔心的“訓練資料投毒”，這種風險在頭部基座模型廠商的訓練體系中其實較難真正發生。當前黑產利用的GEO，本質上與模型訓練、訓練環境無關，更準確地說，當前GEO主要作用在AI的檢索增強、聯網搜尋、知識庫呼叫、RAG（檢索增強生成）這類環節。其運作方式是：讓大量行銷化、偽裝成中立資訊的內容，進入檢索、抓取、知識庫或搜尋增強問答的候選池，再被模型當作參考依據呼叫出來。換句話說，當前這類風險更像是在污染AI的“外部證據層”。模型本身的參數並未被改動，只是在它回答問題時，桌上已經被擺滿了一批經過精心操縱的“參考材料”。因此，當我們討論GEO風險時，最重要的不是泛泛地談“AI被污染了”，眼下最現實的問題是：RAG、搜尋增強和引用鏈路正在成為被操縱的主要目標。而更值得警惕的是：即便基座模型廠商針對黑灰產式GEO做了定向安全風控，未來仍可能出現新型攻擊方式——比如在GEO場景下的“間接提示詞注入”攻擊。攻擊者可以通過在內容分發平台的圖片或正文中嵌入隱藏指令，誘導AI生成被操縱的答案。這類攻擊更加隱蔽、更難防範，目前也是包括OpenAI在內的全球AI平台都尚未有效解決的安全難題。04黑產GEO的危害：當廣告偽裝成知識，讓AI“夾帶私貨”GEO亂象之所以值得高度警惕，在於它攻擊的目標已從“廣告是否被看到”延伸到模型如何形成判斷本身。一旦廣告被包裝成知識，操縱被包裝成推薦，偽造出來的大量重複資訊又被偽裝成“外部共識”，模型就可能在形式上給出越來越完整、越來越像中立結論的答案，但這些答案背後的證據基礎，已經被污染了。這和傳統網際網路廣告亂象最大的不同在於：過去，使用者看到廣告，還能意識到“這是廣告”；但在生成式AI場景裡，商業操縱更可能以“AI總結後的建議”“AI推薦的答案”“AI整理出的共識”的形式出現。使用者面對的也不再似傳統網際網路中一個裸露的推廣位，將面對無數個類似於語氣平穩、結構完整、看上去經過篩選、歸納和綜合的回答。這會直接影響公眾如何理解資訊、信任資訊，以及依據什麼作出消費、選擇和判斷。也正因為如此，付費GEO一旦越過正常最佳化邊界，滑向偽造、投喂、操縱和偽共識製造，它就已經具備了明顯的AI時代黑灰產特徵。05當信任機制存在漏洞：AI安全治理何去何從GEO亂象的爆發，將一個更深層的問題推到了行業面前：生成式AI的安全治理，應該如何跟上技術發展的步伐？2024年，據普林斯頓大學等機構發表的一項研究顯示，通過對內容進行針對性的GEO最佳化，可以將資訊在AI生成回答中的可見度提升最高40%。研究人員測試了多種最佳化策略，發現加入引用來源、使用統計資料、採用流暢且結構化的表達，都能顯著提高內容被AI引用的機率。這些資料揭示了一個現實：AI系統目前的“信任機制”存在結構性漏洞，而GEO產業鏈正是瞄準這些漏洞精準施壓。顯然，目前傳統安全策略已無法應對新型風險。AI原生安全不只是簡單給模型外面套一層傳統安全殼，也不是只做內容稽核。它更核心的對像是模型的認知鏈路——尤其是模型在檢索、引用、組織和生成答案時，對外部證據的處理能力。這次國內基座模型集中暴露出的GEO問題，本質上是一個全球生成式AI都會面臨的外部證據鏈安全問題，只是在國內被更集中、更商業化、更面向大眾地放大了。之所以國內表現得更突出，主要有兩個方面：一方面與中文網際網路長期存在的軟文矩陣、偽測評、站群分發等成熟黑灰產生態有關；另一方面也說明部分模型廠商在來源可信度、引用透明度、抗偽共識、抗投喂操縱和產品風控上仍存在短板。這裡既是底層安全能力問題,也是產品責任和風險治理問題。模型廠商向使用者提供的，已經不是單純的模型能力,而是一套會影響使用者判斷、選擇與信任的答案服務；使用者信任最無價。因此廠商必須對模型“看到了什麼、為什麼引用、為什麼推薦”負責,這正是AI原生安全今天必須被放到核心位置的原因。總之，未來對於AI治理的核心不再只是判斷內容的真假，還包括對外部證據鏈的可信性進行審查，識別引用源是否被污染，以及判斷系統能否發現虛假的共識資訊。更重要的是，模型必須能夠在複雜、多變的資訊環境下守住事實、權威與可信度的邊界，以防止生成的回答被操控或誤導，這才是行業亟需攻克的核心問題。 (騰訊科技)

當地時間5日，印度尼西亞通訊與數字部對美國科技公司Meta發出嚴厲警告，指責該公司在網路賭博和虛假資訊傳播方面管控不力。此前一天，該部門已對Meta位於雅加達的營運辦公室進行了一次突擊檢查。印尼通訊與數字部在聲明中表示，Meta旗下臉書、照片牆和WhatsApp等平台上存在大量虛假資訊、誹謗和仇恨言論並涉及網路賭博，Meta未能有效遏制此類內容的傳播，對於這些內容的處置合規程度不足。政府正式敦促Meta立即加強內容稽核機制，加快清理違規與非法內容。資料顯示，在印尼，Meta僅對約28.47%被標記的涉及網路賭博和虛假資訊的內容進行了整改，遠低於監管預期。而在該國營運的社交媒體平台中，Meta的合規率處於較低水平。然而Meta在印尼的使用者基數位居全球前列，臉書和WhatsApp這兩個平台在印尼的使用者數量均超過1億。據悉，這並非印尼監管部門首次就此問題向Meta施壓。去年，因虛假資訊傳播問題，印尼通訊與數字部就已約談Meta及其他社交媒體平台代表，要求他們加強內容稽核。截至目前，Meta尚未就此次警告置評。 (央視財經)

一、資訊技術與軟體行業：自我顛覆的悖論資訊技術與軟體行業面臨著雙重衝擊，其一為開發端，資料顯示超過85%的開發者使用了AI程式設計助手，生產力提升了40%-60%，初級崗位需求下降了13%。其二是商業模式端，傳統“按席位”收費的SaaS模式被“按對話/結果”定價給顛覆了，諸如Salesforce等巨頭已轉向$2/次的AI服務收費。更加深遠的風險源自“代理型AI”，它具備能夠自主跨越應用去執行複雜任務的能力，這有可能會把現有的軟體平台貶低為後台基礎設施，進而引發市場估值體系的重新建構。二、金融服務：從人工顧問到演算法決策金融業具有資料密集型的特質，成為AI的天然試驗場，智能投顧呈現出爆發式增長態勢，全球管理資產規模預計在2028年達到2.33兆美元，到2027年，AI工具會成為80%零售投資者的主要建議來源，後台崗位同樣脆弱，演算法交易、欺詐檢測、會計審計等結構化資料處理工作正在被自動化，儘管混合模式，也就是人機結合模式佔當前收入的63.8%，但監管信任危機，僅39%的55歲以上美國人信任AI理財，以及“AI洗白”風險構成短期阻力。三、客戶服務：人機互動的全面重構客戶服務行業正在經歷著最為直接的勞動力替代，AI聊天機器人已經能夠處理那些初步諮詢，進行常見問題的解答以及問題分流，從而輔助客服人員每小時的處理量得到13.8%的提升，報告預測到2026年AI將會處理高至75%的客戶服務互動，這樣的轉型帶來顯著的成本節約，Mindbody公司的AI客服機器人每年節省125萬美元的聯絡成本，資料驅動的互動分析還能夠識別服務趨勢，形成持續最佳化的閉環。四、製造業與物流：體力勞動的智能化終結重複性體力勞動，面臨著系統性替代，在製造業領域，工業機器人已然承擔了全球百分之四十四的重複性生產任務，這些任務涵蓋了包裝、分揀、裝配等環節，在物流領域，自動駕駛技術對卡車司機、計程車司機以及快遞員構成了長期生存威脅，跟需要複雜手工靈巧性的建築工種不一樣，工廠環境的結構化、可預測性讓其成為AI機器人落地的理想場景，這種“可編碼的物理勞動”正被快速自動化。五、媒體與娛樂：創意生產的工業化AI對媒體娛樂產業的顛覆，不僅僅體現在效率上，更在於對創意工作的“去神秘化”，那些進行公式化內容創作的人士，面臨著被演算法所替代的風險，而具備獨特視角的原創藝術家，卻獲得了相對安全的區域，生成式AI直接對內容創作核心發起衝擊，AI已然能夠生成文字、圖像、音樂甚至視訊，實現自動化行銷以及娛樂領域的程式化內容生產，Quickbase借助生成式AI把行銷內容產出提高了50%，同時，串流媒體平台運用複雜演算法剖析觀看習慣，達成個性化內容推薦來增強使用者粘性。結語：顛覆而非毀滅德意志銀行分析師觀點，市場常常會把“顛覆”跟負面衝擊視為等同，然而歷史顯示新技術通常會讓企業以及個人工作得更迅速、更出色。 (TOP行業報告)

大模型鏈：從“模型數量賽跑”到“範式與效率之爭”（一）產業結構與關鍵指標：從“參數規模”到“國家—產業雙集中”從產業結構來看，大模型鏈可以粗分為三層：底層：語料與資料（通用語料、產業資料、合成資料）、算力與訓練架構；中層：通用基礎大模型（LLM、VLM、多模態模型），包含閉源「前沿模型」與開源權重模型；上層：產業/版本（金融、製造業模式、零售模型、零售模式與建築）、結構與建築）、建築、製造模型、零售模型（金融、製造模型）。這鏈條的幾個關鍵「集中度」特徵，基本可以用幾組數字來刻畫：1.「模型數量」層面的中美集中－中國信通院參與的《2024全球數位經濟白皮書》數據顯示：截至2024年一季度，全球AI大模型數量約1,328個，其中中國佔比約36%，位列全球第二，僅次於中國。 2025年世界人工智慧大會（WAIC）揭露的最新數據則顯示：全球已發布大模型累計3,755個，其中中國發布1,509個，位居世界第一，佔比超過40%。這意味著，從「模型數量」和「參與者數量」角度看，中美已經形成明顯的雙中心結構，中國在絕對數量上開始反超，但美國仍然掌握了更多「前沿模型」。 2.「前沿模型品質與產地」－美國仍是性能高地。史丹佛HAI發表的《2025AI Index》對「notable models（具代表性的前沿模型）」做了單獨統計：2024年，美國機構發布的「notable models」數量為40個，中國為15個，歐洲（主要是法國）為3個，美國依然是高性能模型最主要的國家。同一報告指出，2024年近90%的「notable models」由產業界發布，而2023年這一比例還是60%，模型研發重心已經基本從大學和實驗室全面轉向頭部科技公司。從效能收斂趨勢來看，AI Index的總結顯示，在公開評測榜上，前十名模型之間的Elo得分差距在一年內從約11.9%縮小到5.4%左右，頭部模型之間進入「你追我趕」的膠著狀態，而不再是某一兩家絕對壓制。 3.資本投向－生成式AI和大模型仍是投資「主戰場」。 AI Index統計：2024年美國民間AI投資達1,091億美元，中國約93億美元，美國約為中國的12倍；其中生成式AI相關的私人投資在2024年達到339億美元，年比+18.7%，佔全部AI私募投資的20%以上，仍是資本最集中的賽道之一。整體來看，大模型鏈已從早期的「單純參數軍備競賽」轉向「少數國家掌握前沿模型+產業資本高度集中在少數頭部實驗室+各國圍繞本土模型生態展開制度競爭」的階段。（二）美國：前沿閉源模型+超高資本密度在大模型鏈上，美國的優勢集中體現在「前沿閉源模型+高資本密度+全球開發者心智」三個面向。 1.前沿模型集中在少數實驗室－從「notable models」的統計可以看出，OpenAI、Google（Gemini）、Anthropic、Meta等少數幾家機構，貢獻了2024年美國大部分前沿模型。這些模型往往具備幾個共同特徵：參數規模和訓練算力處於行業天花板；多模態（文本、圖像、音頻、視頻）能力強，逐步向“agent + tool use”演進；採用嚴格的對齊與安全策略，以閉源API、企業服務為主要商業化方式。 2.資本投向高度集中－AI Index的經濟章節顯示：2024年美國私部門AI投資總額1,091億美元，約為中國的12倍、英國的24倍；生成式AI相關的私人投資339億美元，佔全球AI投資超過五分之一，其中相當部分流向了上述前沿實驗室。這意味著，「前沿模型」既是美國技術優勢的象徵，也是資本市場的集中押注標的——透過閉源API、雲端服務、企業訂閱等模式回收巨額算力投資。 3.制度與安全框架先行－在大模型安全、透明度和監管方面，美國在G7、OECD等多邊框架中發揮重要作用，同時透過本土行政命令和行業自律規範，對frontier models的訓練、部署和評估提出要求。這既是在國內政治環境下的“風險防控”，也是在國際競爭中為自身前沿模型設定規則門檻的一種方式。（三）中國：模型數量第一+開源與效率路線與美國「少而強、重前沿閉源」不同，中國的大模型發展更呈現出「數量多、參與主體廣+重視開源與效率+強監管門檻」的綜合特徵。 1.模型數量和服務數量「雙高」－白皮書數據顯示，截至2024年第一季全球大模型1,328個，中國約佔36%；2025年WAIC上公佈的數據進一步顯示：全球累計發布大模型3,755個，中國發布1,509個公佈，數量位居全球第一，佔比超過40%。在應用服務層面，截至2024年底，中國境內已正式備案的生成式AI服務達302項，其中2024年新增238項；到2025年一季度，這一數字進一步增至346項。此外，網信部門與工信部的統計顯示，到2024年底，中國註冊使用生成式AI服務的用戶數量已超過6億人，顯示出較高的C端滲透率。 2.開源模型與「效率路線」－在大模型開源領域，中國近一兩年呈現明顯加速：MIT與HuggingFace聯合研究指出，在「開放權重模型」下載量方面，中國開發者和模型已經超過美國，約佔全球下載量的17%，而美國代表性約為15.8%，項目包括DeepSeek、通義（Qwen）、千川等。 DeepSeek系列模型（包括DeepSeek-V3、DeepSeek-R1等）在國內外開源社群的下載和復現度顯著提高。社群梳理顯示，DeepSeek-V3.2採用MoE（混合專家）結構，在接近GPT-5級別表現的前提下，據稱訓練成本控制在數百萬美元量級，引發了全球對「低成本高性能訓練路徑」的討論。在高階GPU受限的背景下，中國廠商普遍更重視模型壓縮、蒸餾和算力利用效率，在「以較少算力逼近前沿模型性能」的路線下逐步形成差異化優勢。 3.監管驅動下的「有證經營」模式－自《生成式人工智慧服務管理暫行辦法》實施以來，中國對面向公眾開放的生成式AI服務實施備案製，要求企業在模型安全、資料來源和內容治理方面進行自評和申報。截至2024年底、2025年初的備案數量和用戶規模顯示，這一模式在一定程度上形成了「統一監管門檻+多元商業探索」的格局：一方面壓實安全責任，另一方面也使得合規模型形成「准入壁壘」。（四）小結：美系“少而強”vs中系“多點開花”綜合來看，大模型鏈中中美的相對優勢可以概括為：美國——在「前沿模型數量+性能+投資強度」上仍然明顯領先；模型更多以閉源API、企業服務形態輸出，強調安全與對齊；少數頭部實驗室掌控了參數規模、評測標準和生態心智，形成技術與資本的雙重高地。中國在模型總數量、開源模型下載量、註冊服務數量以及C端用戶體積上佔據優勢；在算力受限背景下走出“低成本、高效率”的技術路線，湧現出一批以DeepSeek等為代表的高性價比模型；在監管框架下，透過備案和標準體系推動“有證經營”，逐步構建本土生態。一句話概括為，美國的大模型優勢更多體現在“少而強的前沿閉源模型+高資本密度”；中國則通過“數量優勢+開源與效率路線+大規模應用”，在大模型鏈上形成了另一種“多點開花”的競爭路徑。軟體應用鏈：從“試點計畫”到“生產系統重構”（一）產業結構與關鍵指標：高滲透率vs價值兌現分化軟體應用鏈主要承接大模型在組織與個人層面的落地，大致可分為三類：通用辦公室與生產力工具－辦公室套件、搜尋、程式碼助理、內容產生；產業應用－金融風控、行銷自動化、客服與營運、研發/設計、醫療與教育等；智慧體與工作流程重構－基於大模型的agent、自動化工作流程、決策支援系統。從全球視角來看，過去兩年這條鏈呈現出「採用率很高，價值兌現不均衡」的典型特徵。 1.採用率快速上升－AI Index報告指出：2024年全球78%的組織報告“已經在業務中使用AI”，而2023年這一比例為55%，一年內提升超過20pcts。麥肯錫2024年全球AI調查顯示，約65%的受訪企業已經在「定期使用」生成式AI，比例在10個月內幾乎翻倍；其中約40%的企業在兩個以上業務職能中部署了生成式AI。 2025年最新一版《State of AI》調查進一步指出，接近9成受訪企業表示“定期使用AI”，但在業務重構程度、效率提升與風險管理等指標上差異較大。 2.價值兌現與ROI仍顯分化——BCG 2024年報告給出的結論相對冷靜：約74%的企業尚未能從AI項目中獲得“可量化的經濟價值”，只有少數“AI領先者”實現了可觀收益。報告同時指出，這些領先者在過去三年內實現了約1.5倍的營收成長、1.6倍的股東回報和1.4倍的投入資本回報，體現出明顯的「強者恆強」效應。 Gartner對資料基礎的評估則更加悲觀：預計到2026年，缺乏「AI-ready data」的組織將放棄60%的AI項目，原因主要在於資料品質、治理與整合能力不足。整體來看，軟體應用鏈已經從「試點/PoC階段」進入「大規模部署+系統性重構但價值實現高度分化」的階段。（二）美國等已開發經濟體：知識工作流程與企業軟體“AI原生化”在美國及其他部分已開發經濟體，軟體應用鏈的主戰場主要在白領知識工作流程和企業軟體「AI原生化」上，典型特徵包括：1.「辦公室+編碼+銷售/客服」三大高頻場景－綜合AI Index、麥肯錫和多家產業報告的拆分，目前生成式AI在企業側最集中的應用包括：程式碼輔助與軟體開發（DevOps、測試自動化等）；客服與銷售（智慧客服、郵件產生、銷售線索管理）；辦公室自動化（文件起草、分析總結、會議記錄與行動項目產生）。這些場景的共同點在於：資料相對結構化、流程可標準化、易於透過API插入現有SaaS系統。 2.企業軟體「AI-first」策略－頭部辦公與企業軟體廠商（雲端辦公、CRM、ERP、DevOps平台等）普遍採用「AI-first」或「Copilot」式路線：將LLM能力封裝成“助手/共駕”，以插件或側邊欄形式嵌入原有產品；不改變企業現有系統的主幹架構，而是用AI對人機交互和知識檢索進行升級；收費模式往往是“在原有訂閱之上疊加AI附加費”，提高ARPU。 3.治理與合規成為關鍵約束－在隱私保護、資料跨境、安全責任認定以及員工技能再培訓方面，歐美企業普遍面臨更嚴格的監管與社會輿論審視，這在一定程度上放緩了高風險場景（如自動決策、敏感資料處理）下的全面落地。整體上，美國在軟體應用鏈上的優勢是：依托成熟的SaaS生態和高價值知識工作流程，把大模型快速嵌入已有企業軟體體系，實現對高收入群體和關鍵業務流程的「優先重構」。（三）中國：C端超級入口+B端工業智慧化與美國偏向知識工作場景不同，中國的軟體應用鏈更呈現出「C端超級入口+B端工業和政務場景」並重的特徵。 1.C端：生成式AI服務用戶規模全球領先－網信部門與權威媒體的統計顯示，截至2024年底，中國生成式AI服務註冊用戶已超過6億人，依託的是搜尋、短視頻、即時通訊和支付等超級入口。正式備案的生成式AI服務在2024年底達到302項，其中2024年新增238項；到2025年3月底，這一數字進一步上升到346項。這意味著，中國在C端呈現出「以平台型應用為載體的大規模試用與迭代」：透過搜尋、短視頻、社交、電商和支付等入口，把文本生成、圖像/視頻生成、對話助手、AI翻譯等能力大規模分發。 2.B端：製造業與基礎設施中的“隱性AI”，與部分已開發經濟體相比，中國在To B與To G領域的AI應用更偏製造業與基礎設施。媒體和研究報告顯示：在製造業領域，家電、鋼鐵、水泥等行業龍頭已在產線調度、品質檢測、設備預測性維護等環節部署“AI工廠大腦”，透過視覺檢測+機器人協同顯著降低人力需求。在港口、物流和能源系統中，以天津港等為代表的樞紐已在堆場調度、集卡路徑規劃和排班中引入AI系統，實現了接近「無人值守」的運作模式。這類應用往往不以「聊天機器人」的形式呈現，而是嵌入生產控制系統、MES、SCADA等底層軟體中，對應的是「隱性AI」：對終端用戶不可見，但對產能、能源效率和安全指標有實質影響。 3.產業規模與結構－應用層正在放大，多家機構測算顯示：到2024年，中國AI產業總規模已超過2,000億元人民幣，近幾年保持年均20%以上增速；工信部及研究機構預計，2029年產業規模可望突破1兆元，2035年可望達到1.7兆元，複合成長約15.6%，其中具身智慧、多模態系統和產業應用被視為主要成長點。從結構來看，基礎設施、模型平台和產業應用三個子類股2024年營收分別實現約54%、18%和13%的年成長，應用層雖起步較晚，但在整體規模中的佔比正逐步提升。（四）小結：應用層的「落地路徑」差異從軟體應用鍊看，中美之間的主要差異可以壓縮為三點：落地點不同－知識工作vs.工業與民生，美國等已開發經濟體的增量更多來自知識工作流程和企業軟體，強調提升白領生產力、重構辦公與開發工具；中國在此基礎上，更大力度押注於工業、基礎設施和公共服務，透過「隱性AI+顯性大模型應用」並行，製造業與城市升級與城市基礎設施升級。商業模式路徑不同——SaaS附加vs.平台內嵌，美國更側重於在成熟SaaS訂閱模式上疊加“AI加價包”，形成“單用戶價值提升”；中國則更多透過平台型應用（電商、支付、社交、短視頻、超級App）將大模型能力“內嵌”為基礎功能，通過閉環與廣告、金融、現流量服務與廣告、金融、現流服務與廣告、金融、現流服務與廣告、金融、現在治理節奏不同－自律框架vs.准入制與備案，美國在企業和行業層面更依賴企業自律與行業標準補充政府監管，強調創新與安全的平衡；中國則透過「備案+標準+專項治理」的組合方式對C端應用進行統一門檻管理，在一定程度上提高了合規成本，但也為本土企業提供了相對明確的政策預期。用一句話概括軟體應用鏈的格局：在應用層，美國依托成熟的企業軟體與知識工作流，把大模型變成「白領工位上的標配工具」；中國則依托超級平台和工業/政務場景，把大模型和AI嵌入龐大的C端流量和實體經濟系統。兩條路徑疊加起來，構成了「大國競爭」中軟體應用鏈的雙重樣態。2026年全球AI端側應用投資展望：人形機器人、智慧駕駛、AI手機、AI眼鏡、AI製藥與AI醫療診斷AI端側應用已從概念示範邁入商業化落地關鍵期，成為衡量AI產業鏈價值的核心指標。全球產業呈現「美國定標準、中國促進落地」的雙極格局－美國以科技原創與生態能力佔據高端話語權，中國依托供應鏈縱深與場景優勢快速追趕。 2026年將是端側AI走向業績兌現的拐點，人形機器人、智慧駕駛、AI手機、AI眼鏡、AI製藥、AI醫療診斷六大領域將迎來關鍵突破。本章節將聚焦這六大核心領域，從市場預期、中美產業格局、核心差距及未來催化因素四個構面展開分析，為2026年投資決策提供參考。（一）人形機器人：量產前夜，中美競速開啟市場預期：2026年量產關鍵驗證期，兆市藍圖浮現2026年將是人形機器人從原型機驗證邁向規模化量產的關鍵拐點。特斯拉的Optimus將在2026年開啟量產進程，中國頭部機器人企業2026年的訂單同樣呈現5~10倍的成長。高工機器人產業研究所口徑顯示，2026年全球人形機器人市場規模預計超過20億美元，並在2030年達到200億美元，對應複合成長78%，這意味著產業將進入接近指數級增長的爆發期。 2026年人形機器人成本下降與技術成熟將形成共振，推動產業實現真正意義上的量產，其長期全球潛在市場規模可望突破兆級。目前，人形機器人產業雖已就2026年實現量產達成共識，但在具體規模上卻存在明顯分歧，這直接構成了新一年的核心觀察焦點。海外投行對於量產規模的預測差距甚大，在1萬台~10萬台不等。這一落差根源在於市場對於技術成熟度與商業化節奏的假設不同，一部分觀點相信整機廠的產能擴張能迅速拉動產業鏈成熟，而謹慎的觀點則更加現實地考慮了核心零部件產能瓶頸以及機器人實際工作效率仍遠低於人類等硬約束。因此，2026年與其簡單稱為量產年，不如更精確地定義為驗證訂單與產能爬坡並行的年份。由特斯拉和國內領軍企業所釋放的實質訂單與穩定的出貨節奏，將成為判斷產業走向最具含金量的訊號。產業格局：美國技術引領，中國量產突圍當前全球人形機器人領域呈現出清晰的中美雙極格局。美國依託其深厚的技術積累，形成了硬體創新與平台賦能兩條發展主線，美國企業正在定義產業的技術標準與發展方向。同時，中國展在明確的產業政策引導下，本土企業正以驚人的速度推進產品迭代和產能建設，透過快速規模化搶佔市場，並在應用實踐中持續優化技術。隨著2026年量產節點的臨近，全球市場的競爭態勢與融合路徑將深刻重塑全球產業鏈。01 美國：研發驅動與雙軌生態並行美國在人形機器人領域的產業格局呈現出典型的研發驅動和巨頭引領特徵，其核心優勢在於完善的政策支援體系、深厚的技術累積以及成熟的產學研生態。在此背景下，美國形成了兩條平行的發展路徑：一是硬體本體廠商的技術深耕，二是科技巨頭的平台化賦能。在硬體本體層面，美國頭部企業憑藉著先發優勢和技術壁壘，佔據了產業制高點。特斯拉（Tesla）依託其在電動車領域累積的強大AI和視覺處理能力，將其FSD系統復用於Optimus人形機器人，實現了技術的快速遷移和迭代，目標是替代人類從事危險、重複或枯燥的工作。波士頓動力（Boston Dynamics）的Atlas機器人憑藉領先的液壓驅動技術和動態控制演算法，在高機動性、爆發力及複雜地形適應性方面處於全球頂尖水平，是技術探索的標竿。 Figure AI作為新興力量，透過與寶馬集團的合作，將其Figure 02機器人成功部署於實際生產線，驗證了其技術的商業化可行性，為該行業樹立了清晰的應用標竿。同時，一個更強大的技術賦能生態正在輝達、OpenAI等科技巨頭的推動下形成。與硬體製造商不同，它們從底層技術切入，建構了差異化的競爭路徑。輝達透過提供從硬體到軟體的全端解決方案，打造了一個開放協同的開發生態：開源Isaac GR00T基礎模型與Omniverse平台，降低研發門檻；提供從Jetson計算硬體到Newton物理引擎的軟硬體深度優化方案，奠定產業標準化基礎；並透過投資Figure AI等企業，建構緊密的產業地位，建立緊密的產業地位。本質上，輝達正將AI領域的技術優勢延伸至機器人產業，以底層基礎設施賦能整個產業。OpenAI則聚焦於提升機器人的認知與決策能力。利用GPT系列大模型賦予機器人更深度的語言理解、環境推理與自主決策能力；透過投資Figure AI、1X Technologies等公司，推動大模型與具身智能的融合；OpenAI採取的「大模型+投資賦能」路徑，旨在為機器人注入高階智能，攻克長期存在的決策瓶頸。這類技術賦能生態展現出獨特的競爭優勢，能夠高效整合資源、加速技術迭代、易於建構技術壁壘，並營造多方協同的產業環境。02 中國：全產業鏈配套與群聚式發展中國的產業格局則體現出鮮明的政策領航與全速產業化特徵。國家層級將具身智能提升至未來產業的戰略高度，2025年《政府工作報告》首次將其納入培育方向。工信部發布的《人形機器人創新發展指導意見》明確提出2025年實現整機批量生產的目標，為產業發展設定了清晰的時間表。地方政府迅速跟進，上海、重慶、杭州等地密集出台支持政策，例如上海張江為具身智慧產業提供單一項目最高可達億級的資金支持，大大激發了市場活力。截至目前，本土整機企業數超過百家，形成全球最密集的產業集聚，解決方案差異化突出，量產節奏加快，小批量交付與場景驗證持續推進。智元機器人計畫在2025年實現數千台年產量，並於2026年將目標提升至數萬台。優必選也制定了清晰的產能爬坡計劃，預計到2026年，其工業人形機器人年產能將達到5000台，2027年再翻一番至10000台。包括宇樹科技在內的多家國內頭部企業，均將2026年實現數萬台層級的量產規模作為核心策略目標。中國企業在快速推進量產的同時，也致力於建構自主可控的供應鏈。在靈巧手、觸覺感測器、輕量化材料等領域實現技術突破，並積極推動諧波減速器、無框力矩馬達等核心零件的國產化，產業生態正在快速形成。03 核心差異中國機器人產業與美國相比的差距並不反映在產業規模或落地速度上，而是集中存在於少數高價值、決定長期競爭力的關鍵環節。從整體格局來看，中國在機器人製造規模、供應鏈完整度以及應用落地速度方面已處於全球領先位置，而美國的優勢更多體現在底層技術原創、具身智能演算法、算力與生態控制力上。這種差距不是“全面落後”，而是一種結構性分工差異，也決定了兩國產業所處的價值鏈位置不同。在最核心的「智慧大腦」層面，中美差距最為明顯。美國機器人產業在具身智慧、強化學習和端到端控制框架上長期領先，強調讓機器人透過大模型與數據學習形成通用認知與決策能力，追求跨場景泛化與自我進化能力。特斯拉、Figure AI 等公司的技術路線，本質上是把自動駕駛中累積的感知、決策和控制能力遷移到人形機器人上，由演算法先行，再反向定義硬體能力邊界。相較之下，中國機器人更依賴工程驅動與任務導向的控制方式，強調場景拆解、規則設計和快速部署，在特定環境中效率很高，但在跨任務、跨場景的通用智慧層面仍然偏弱。這種差距不是短期產品能力的差異，而是對「機器人究竟該如何獲得智慧」這個核心問題的理解路徑不同。在算力和晶片層面，中美有明顯差距。美國不僅掌握高階AI晶片設計能力，也控制從硬體架構、軟體框架到開發生態的完整體系，使得機器人訓練和迭代效率具有天然優勢。算力資源的充裕直接決定了模型規模、訓練頻率和演算法演化速度，這在通用機器人時代尤其關鍵。中國雖然在專用晶片、邊緣運算和成本控制方面進步顯著，但在高階訓練晶片和生態相容性上仍受限制，這使得機器人在學習能力和長期進化速度上存在客觀差距。在系統級創新能力上，兩國也呈現明顯不同的產業氣質。美國更擅長從系統層面提出全新範式，透過少數突破性架構形成代際領先，而中國的優勢在於工程整合能力和規模化能力，能夠把已經驗證的技術快速優化、降本並推向大規模應用。這導緻美國機器人產品往往數量不多、價格高，但技術路線前瞻，而中國機器人產品更新快、型號多、成本低，更容易在真實商業場景中形成規模優勢。在關鍵零件領域，中美差距正在縮小，但在高階環節差距仍然存在。中國在伺服馬達、減速器、感測器等核心零件上的國產化率持續提升，中階性能已能滿足大部分工業和服務機器人需求，但在極高精度、長期可靠性和壽命穩定性方面，與日本和歐美頂級廠商仍有差距。不過，這一領域更多是時間與累積的問題，而非能力天花板，隨著規模化應用與持續迭代，差距正在快速壓縮。從全球價值鏈位置來看，美國機器人產業更多佔據高利潤、高話語權的上游環節，包括演算法、作業系統和事實標準的製訂，而中國則在中下游的製造、整合和應用端形成壓倒性規模優勢。這種結構與智慧型手機、新能源車等產業早期階段高度相似，中國往往先在規模和成本上取得領先，但在標準制定和生態主導權上相對被動。最長期、也是最難彌補的差距，體現在全球標準與生態影響。美國公司更容易形成被全球開發者、科學研究機構和資本接受的技術標準，從而在無形中鎖定未來演進方向。中國機器人企業的生態影響力目前仍以本土市場為主，出海更多依賴性價比和交付能力，而不是規則和平台的主導權。這一差距並不會在短期內消失，但一旦中國企業在具身智慧或系統架構上形成原創突破，生態格局也可能隨之重塑。綜合來看，中國機器人產業並不存在「做不出來」的問題，而真正的挑戰在於「誰來定義機器人未來的智慧形態和技術標準」。在未來三到五年內，中國很可能繼續在機器人量產、人形機器人落地和商業應用規模上保持領先，而更長期的競爭關鍵，則取決於中國是否能夠誕生具備全球影響力的底層平台型企業，在演算法、系統和標準層面真正進入美國的優勢區。2026年展望展望2026，市場的焦點將集中在幾個方面：一是標竿產品的技術高度，特斯拉Optimus Gen3的實際性能與小規模生產進展將成為行業技術標尺；二是中國產業化的速度，以宇樹、智元為代表的企業能否兌現其萬台級量產目標，將檢驗中國供應鏈的實力；三是商業落地的廣度，更多類似Figure在寶馬工廠的實際應用案例亟待，以驗證其經濟價值下降，以驗證其經濟價值的變化是零度的成本斜率下降。儘管中美兩國發展路徑各異，但整個產業共同面臨兩大根本挑戰：軟體與資料是目前最大瓶頸，高品質訓練資料的稀缺限制了演算法能力的提升；硬體自主可控則是另一大課題，以減速器為代表的核心零件，其效能、成本與供應穩定性仍是產業發展的關鍵。未來，隨著供應鏈成熟帶動成本下降、關鍵技術持續突破、以及應用場景從工業向服務業不斷拓寬，人形機器人產業有望迎來關鍵的商業化拐點，為智慧化未來開啟新的篇章。（二）自動駕駛：商業化奇點，Robotaxi規模落地市場預期：2026年開啟主流化，2030年規模達2,000億美元智慧駕駛市場正迎來高階功能滲透率的爆發期，L3級以上自動駕駛成為核心成長引擎。工銀國際預測，自2026年起，L3以上自動駕駛的滲透率將從5%的基數開始快速躍升。華為的展望更為積極，預計到2027年，L3級的滲透率可望突破20%。作為關鍵功能的自動導航輔助駕駛（NOA）已展現強勁成長勢頭，預計到2030年，L2及以上智駕功能的滲透率將全面超過90%。技術上，產業正全面轉向由數據驅動的端到端架構，大模型成為核心。以理想、元戎啟行為代表的VLA架構，以及華為ADS 4.0採用的WEWA架構，都致力於擺脫對複雜人工規則的依賴，透過海量資料驅動模型自學習、自進化。此外，高階智駕的普及離不開核心硬體的成本優化，其中光達是關鍵。其單顆成本已從早期的數萬元降至2025年的1,200元水平，為大規模前裝量產鋪平了道路。Robotaxi作為終極應用場景，其商業化正迎來成本轉折點。生成式模擬技術突破大幅降低測試成本，東西方協作帶來供應鏈成本下降，以及全球監理政策的漸進支持。領先企業將跨越技術驗證與小範圍測試，在更多城市部署無人化車隊，真正開啟出行服務的商業變現。預計到2026年，Robotaxi的單公里營運成本將下降至與傳統計程車相當，具備了與現有旅遊服務競爭的商業化基礎。產業格局：中美雙線並行，商業模式分化從整體格局來看，中美自動駕駛產業已經形成了高度分化但相互映射的雙中心結構。美國在自動駕駛領域長期佔據技術原創與範式定義的優勢地位，尤其是在演算法、晶片、基礎軟體和頂層技術路線選擇上擁有先發優勢；而中國則在應用落地、量產能力、場景豐富度以及產業鏈完整性方面迅速崛起，形成了全球規模最大的自動駕駛試驗與商業化土壤。在技​​術路線上，美國產業更強調「通用智慧優先」的路徑，以特斯拉和Waymo為代表，普遍採用端到端或高度整合的演算法體系，透過大規模真實道路資料訓練統一模型，追求在複雜環境中的泛化能力。特斯拉堅持純視覺路線，將自動駕駛視為通用人工智慧的一部分；Waymo則在多感測器融合基礎上，注重高安全冗餘與演算法可靠性，已率先實現L4級的無人駕駛商業化運作。相較之下，中國產業更偏向「場景驅動、工程優先」的路徑，車企與科技公司多從L2+、L2++漸進式向高階智慧駕駛演進，借助複雜交通環境加速系統成熟。比亞迪、華為、小鵬等企業透過將高階智駕下放到中階車型，推動了技術快速普及。 2024年中國乘用車中具備自動駕駛能力的車型滲透率已超過50%，預計2025年將進一步提升至約65%。商業化路徑上，美國以Robotaxi和無人駕駛服務為核心，Waymo、Cruise等企業圍繞城市級無人運營展開，推進節奏謹慎而路徑清晰；中國則採用多線並進模式，一方面以Robotaxi作為L4技術試驗場，如百度Apollo Go已在多城規模化運營，另一方面透過量產乘用車推動高階智駕快速落地，使自動駕駛成為產品競爭力的重要組成部分，形成真實的商業閉環與數據反哺。從產業鏈結構觀察，美國在晶片、作業系統、核心演算法及軟體工具鏈等高價值環節優勢明顯，輝達、高通、Google、特斯拉等企業在算力平台與生態建構上掌握主導權；中國則在感測器整合、整車製造、供應鏈協同與成本控制方面表現突出，能夠將新功能迅速推向大規模市場。政策環境上，美國透過判例與監管框架逐步明確責任邊界，更注重安全與法律可解釋性；中國則依托政策試點與地方支持，形成「先試行、再推廣、邊跑邊改」的模式，顯著加快了技術迭代與商業驗證速度。2026年展望2026年，自動駕駛產業的核心看點將從技術演示轉向商業化營運數據的驗證。市場焦點不再侷限於技術參數比拼，而是深入至車隊規模擴張速度、日均訂單量、單位里程成本控制及獲利能力等實際營運指標。特斯拉Cyber​​cab的量產成本、Waymo的跨城市營運效率、文遠知行的無人化營運安全數據等，都將成為檢驗商業模式可行性的關鍵試金石。同時，法規演進仍是影響產業發展的關鍵變量，特別是完全無人駕駛事故責任認定法律框架的明確化，將直接左右資本投入與市場信心。若中美兩國能在2026年推出更清晰的監管政策，將為產業突破提供重要支撐，加速Robotaxi從試驗走向普及。（三）AI手機：範式初現，靜待花開市場預期：滲透率即將達到關鍵節點AI手機正從概念導入期邁向規模化普及階段。根據Canalys的預測，全球AI手機出貨量佔比將在2026年達到45%的關鍵滲透率節點，並於2029年佔據57%的市場。這一趨勢清晰表明，AI功能正從高階旗艦的專屬賣點，向全系標配快速演變。聚焦中國市場，IDC預計到2027年，新一代AI手機的出貨量將達到1.5億台，市佔率超過50%，領先全球平均。產業格局：蘋果生態築牆，中國安卓陣營差異化突圍目前，全球主流AI手機廠商在技術佈局上呈現出清晰的共通性與差異。共通性在於，各方均致力於將AI能力從應用層下沉至作業系統層，透過軟硬體協同優化，提升AI運算效率與使用者體驗。硬體層面，具備強大NPU算力的SoC晶片、大容量高頻寬記憶體（LPDDR5X）已成為高階機型的標準配置。然而，在生態路徑和商業模式演進上差異顯著。美國AI手機產業格局由蘋果絕對主導。蘋果透過Apple Intelligence將AI能力與自研晶片（A系列/M系列）、作業系統（iOS/macOS）和硬體終端深度綁定，建構「硬體-軟體-服務」整合的封閉護城河。這種模式提供了高度一致、流暢且安全的跨裝置體驗，形成了強大的使用者黏性。 Apple Intelligence的技術精髓在於其本地AI+私有雲運算的混合架構，旨在平衡強大的AI功能與極致的用戶隱私保護。其核心功能包括多模態能力（文字、圖像生成）、智慧寫作、優先通知、跨應用操作和增強版Siri。同時，蘋果的AI策略突顯隱私保護，大部分AI任務利用設備端強大的自研晶片進行本地處理。對於需要更強算力的複雜請求，系統會將其傳送至專門建置的私有雲處理。蘋果的封閉生態策略以隱私和跨裝置無縫體驗為核心，透過Apple Intelligence強化其高階市場定位和使用者黏性。中國市場則呈現百花齊放的多元化格局，並分化出兩條路徑：一是以華為、小米為代表的手機廠商，依托自研大模型和操作系統，構建軟硬一體化的全場景生態；二是以字節跳動（豆包）與中興合作為代表的互聯網技術與硬體技術公司，通過“AI技術賦能+硬體合作模式，解耦能碼與硬體技術公司，通過“AI技術賦能+硬體合作”模式，解耦能碼與硬體的新設施。以vivo、華為、小米為首的手機廠商，發揮深度綁定軟硬一體優勢，基於自身優勢探索差異化路徑。華為憑藉Harmony Intelligence建構全場景協同能力，鞏固其在多設備用戶中的優勢；小米則透過「人車家全生態」策略，利用其龐大的IoT設備基礎，主打萬物互聯的用戶心智；vivo則持續深耕AI影​​像，吸引對攝影有專業需求的用戶群。這種多元化競爭格局，使得安卓陣營在滿足細分市場需求和快速迭代方面具備優勢，但也面臨生態碎片化的長期挑戰中國廠商普遍採取靈活策略，透過模型精簡優化技術，加速AI手機向大眾市場的滲透。以字節跳動為代表的網路科技公司，也正透過與硬體廠商合作的模式切入市場，與手機廠商自主研發路徑形成互補。字節跳動旗下豆包與中興努比亞達成首個OS級合作，推出搭載豆包AI手機助手的nubia M153工程樣機。該合作打破了傳統預裝模式，實現了AI與作業系統的深度整合，由字節跳動提供核心AI大模型，中興負責硬體。豆包AI手機助理具備跨應用執行、複雜步驟規劃及情境記憶能力，支援多模態喚醒，並可透過模擬點擊完成操作。其功能涵蓋多平台比價、一站式旅行規劃等，展現了互聯網科技公司與手機廠商合作，透過能力解耦實現技術優勢互補的新典範。2026年展望真正的AI手機，必須是系統深度整合且體驗優秀的新一代產品。目前發展的核心瓶頸並非硬體能力，而是軟體層面尚未出現真正實現深度整合、賦予AI系統級權限的成熟作業系統。這意味著，AI手機需要的不是功能疊加，而是一個能從根本上理解並執行使用者複雜意圖的「智慧大腦」。 AI手機系統級深度整合的終極目標是重構人機互動範式，推動手機從「應用驅動」向「意圖驅動」的智能體（Agent）演進。展望2026年，競爭的關鍵將不再是AI功能的堆砌，而是誰能率先打造出真正懂用戶、能執行複雜任務的系統級智能體，這將徹底改變消費者的使用習慣，並重塑AI手機的商業模式。隨著AI手機普及與體驗升級的關鍵轉折點，投資脈絡也日益清晰，或將帶動大規模換機需求，為整個產業鏈創造顯著的增量空間。 AI手機市場的投資機會關鍵在於掌握三大趨勢。首先，硬體升級是確定性主線，AI對算力、儲存的需求將持續拉動SoC晶片、高頻寬記憶體（LPDDR）和快閃記憶體（NAND） 的需求。其次，商業模式正從硬體銷售轉向「基礎免費+高級訂閱」的軟體服務，AI應用商店和垂類模型優化商具備高成長潛力。最後，擁有深厚用戶基礎、能建構開放生態的平台廠商將掌握定義體驗的主動權，應專注於具備生態建構能力和在關鍵零件領域實現技術突破的廠商。（四）AI眼鏡：從0到1突破，開啟千萬級出貨時代市場預期：2026年邁入千萬級體量，年複合成長率超50%全球AI眼鏡賽道將在2026年迎來從前沿概念到規模化放量的關鍵爆發期，多家權威機構的預測數據形成高度共識，指向千萬級出貨量和百億級美元市場規模。IDC 10月發布的報告預計，2026年全球AI眼鏡出貨量將突破2368.7萬台，較2025年的350萬台實現跨越式增長，標誌著市場正式邁入千萬級體量。中國市場的成長同樣強勁。高盛預計2025年中國AI眼鏡市場將迎來爆發，出貨量預計從2024年的數十萬級躍升至百萬級，全球市場則向千萬級邁進IDC預測到2026年，中國廠商的AI眼鏡出貨量將佔據全球市場的45%，成為全球核心供應方。這項成長不僅來自消費級市場，工業、醫療等產業應用的規模化落地也將提供重要支撐，2025年國內已出現多起百萬級產業訂單，驗證了AI眼鏡在特定場景的實用價值。產業格局：美國定義產品，中國主導製造與放量從整體格局來看，中美AI 眼鏡產業已經形成了非常清晰的分工結構。美國主導的是產品定義、底層AI 能力與全球消費級標桿，中國主導的是供應鏈、產品形態快速迭代、規模化落地速度。在美國市場，AI 眼鏡的核心推動者是少數頭部科技公司，產品路徑相對集中且克制。以Meta為代表的RayBan Meta智慧眼鏡，是目前全球範圍內唯一實現規模化銷量的AI眼鏡產品，其成功並不依賴顯示或AR，而是聚焦拍攝、音頻與語音AI助理的「無顯示」輕量化路線。 Meta的優勢在於模型能力、系統級AI體驗和全球社交生態，透過語音互動、即時拍攝、內容總結等功能，把AI眼鏡定義為“始終在線的隨身AI入口”，而不是AR設備。谷歌與蘋果在美國的角色更偏向下一階段的定義者，Google已明確計畫在2026年推出AI驅動的智慧眼鏡，強調多模態AI與Android生態協同；蘋果則保持一貫的審慎節奏，更關注隱私、系統級體驗與Vision系列的協同，而非快速鋪量。與美國相比，中國AI眼鏡市場呈現出完全不同的景象，大量廠商同時入場快速試錯，形成百鏡大戰的格局。網路公司、手機廠商、AR新創公司、汽車廠商幾乎同時參與，使得中國成為全球AI眼鏡產品形態最豐富、迭代最快的市場。阿里夸克、小米、華為、百度、理想，以及雷鳥、Rokid、INMO等AR廠商，均已推出或正在密集迭代AI 眼鏡產品，覆蓋拍攝型、音頻型、AI+AR 融合型等多種路線。在技​​術路徑上，中美分歧同樣明顯。美國更強調“AI 能力優先、硬體極簡”，主流產品刻意壓制顯示模組，以降低功耗和佩戴負擔，把AI 眼鏡當作語音與感知的延伸終端。中國廠商則更激進，往往在同一代產品中同時嘗試AI 拍攝、即時翻譯、資訊提示、輕量顯示等多種功能，那怕犧牲部分續航和佩戴舒適度，也希望盡快探索出新的「殺手級場景」。這使得中國在產品創新速度和功能豐富度上明顯領先，但在體驗穩定性和系統成熟度上仍參差不齊。產業鏈角度來看，中國在AI眼鏡上的優勢更加明顯。光學模組、攝影機、音訊元件、電池、整機製造幾乎全部集中在中國，這使得中國廠商能夠快速壓低成本、快速改版、快速鋪貨。美國廠商即便在產品定義上領先，也高度依賴中國供應鏈完成量產。正因如此，全球AI 眼鏡出貨量的快速成長，很大一部分實際上是由中國製造體系所支撐的，而中國市場本身也正在成為全球成長最快的需求來源。商業化階段上，美國已經跑出了確定性路徑，而中國仍處於密集探索期。RayBan Meta 已經驗證了無顯示AI 眼鏡在真實消費者中的可行性，並貢獻了當前全球AI 眼鏡銷量的絕大部分，這使美國在產品正確性上領先一步。中國雖然產品眾多，但真正形成全國性、持續性銷售爆發的單一型號仍然有限，更依賴通路鋪設、生態綁定和價格優勢推動出貨。這也意味著，中國市場短期內仍將經歷一輪淘汰與收斂。綜合來看，中美AI 眼鏡格局的本質差異在於定位不同。美國把AI 眼鏡當作下一代運算平台的入口級設備，強調長期用戶習慣、生態綁定與系統體驗；中國則更像是在把AI 眼鏡當作一個高速演進的新硬體品類，透過規模、場景和供應鏈優勢，尋找最先跑通的商業模式。短期內，美國在產品定義和全球影響力上仍佔優勢，而中國在出貨量成長、產品多樣性和成本控制上更具爆發力。真正的分水嶺，將出現在誰能率先把AI 眼鏡變成日常剛需，而不是技術展示品。2026年展望2026年將是AI眼鏡從早期嚐鮮走向規模化普及的關鍵一年。其發展將主要取決於兩大驅動力：持續深入的消費者市場教育，以及以Meta、蘋果、Rokid、雷鳥創新為代表的中美龍頭企業的產品放量與生態建構。消費者的認知與接受度，將直接決定市場滲透的速度；而頭部廠商能否推出兼具實用性與性價比的爆款產品，則是產業跨越鴻溝、實現放量的核心。然而在邁向普及的過程中AI眼鏡也面臨挑戰：1) 技術升級：當前產品在續航、重量、顯示效果與交互自然度上仍有不足，若下一代產品未能顯著改善，將影響大眾接受度。 2) 內容體驗：殺手級應用缺失、各系統間生態封閉可能導致使用者體驗割裂，限制設備使用頻率與價值。 3) 成本與競爭風險：供應鏈降本速度若不及預期，將延緩普及進程。 4）隱私與監理風險：作為全天候配戴的感知設備，資料安全與使用者隱私保護將面臨嚴格檢視，相關法規的演變可能影響產品功能設計與市場推廣。（五）AI製藥：逆轉Eroom定律的希望，臨床轉化迎來考驗市場預期全球AI製藥市場近年快速擴大，中國市場起步略晚但成長速度明顯更快。Global Market Insights在2025年發布的報告顯示，全球AI製藥市場在2024年的規模約為36億美元，預計2025年將增至約46億美元，並在2034年達到約495億美元，對應2025年至2034年年均複合增長率約30%。隨著AI深度賦能藥物研發，市場預期2030年前後全球相關產業規模可望邁入數百億美元量級，AI製藥將從早期試點走向產業化放量階段。 2019年至2024年中國AI驅動藥物市場規模從0.7億元成長至7.3億元，年均複合成長率約57.4%。在國家政策支持和技術進步的共同推動下，未來五年中國AI製藥市場預計將維持接近70%的年均成長速度，市場規模到2028年達到約58.6億元，國內市場空間加速擴張。AI相關計畫和基礎科學突破正在成為推動製藥產業深度變革的關鍵力量。2010年全球AI介入的新藥研發項目數量不足10個，而2021年已增至158個。 2022年底，全球已有約80個由AI參與研發的藥物管線進入臨床階段，其中41個處於Ⅰ期，接近30個處於Ⅱ期。 AlphaFold等里程碑式技術突破推動AI深入生物醫學領域，2020年發布的AlphaFold2解決了蛋白質結構預測這一長期難題，為大分子藥物設計提供了新的技術路徑。 2024年發表的AlphaFold3進一步將預測對象擴展到蛋白質與核酸及小分子配體等複合體相互作用結構，使結構生物學資訊更直接服務於藥物標靶結合與先導優化。整體來看，未來幾年AI可望席捲製藥全鏈條，從標靶發現到臨床試驗各環節實現顯著提速降本，市場規模和產業影響力都有望倍增。產業格局美中兩國在AI製藥領域形成此消彼長的競爭格局，美國在原始創新和商業模式成熟度方面仍佔上風，中國依托龐大市場和醫療數據正在加速追趕並形成後發優勢。整體來看，美國憑藉起步更早、產學研體系完備以及跨國藥企與AI新創公司深度合作，在演算法、藥物化學和臨床轉化上更成熟；中國在政策扶持、資本投入和專利佈局的推動下，正通過平台化+管線化路徑快速補齊短板，未來在部分細分方向存在實現超車的可能，但短期內繼續超越高階藥物差距。美國在AI製藥上的優勢主要體現在創新生態和商業轉化環節。 2010年代起，Recursion、Exscientia、BenevolentAI等科技新創公司逐步崛起並成功登陸資本市場，多家大型製藥企業主動式佈局AI，與上述公司建立了穩定合作關係，全球已有超過800家知名藥廠以不同方式參與AI製藥專案。依托這一生態，美國在分子生成與篩選演算法、小分子和大分子設計能力以及臨床試驗設計和數據整合上積累深厚經驗，商業模式以專利授權、合作研發和里程碑分成為主，形成「AI初創+製藥巨頭」雙輪驅動的格局，在原始創新和全球業務拓展方面明顯領先。中國在AI賦能新藥研發上起步較晚，但近年來受惠於政策支持與資本投入，追趕速度非常快。國內已出現近百家相關企業，既包括晶泰科技、英矽智能等專注AI的新藥公司，也包括恆瑞醫藥、石藥集團等傳統藥企透過股權投資和聯合研發引入AI能力，依托臨床資源和本土需求推動創新藥從「Me-too」「Fast Follow」轉型為「First-in-class」。中國企業普遍採用「平台+管線」模式，一方提供藥廠AI演算法、算力和工具服務，另一方面自建或共建創新管線以增強自身議價能力和估值彈性。在這種路徑下，中國憑藉政府支持、海量醫療數據和快速試錯環境，在應用落地和成本效率上具有優勢，有機會在特定靶點、特定適應症或新型分子類型上形成差異化競爭，但在基礎研究積累、全球註冊經驗和高價值原創管線數量上仍明顯落後於美國。核心驅動與挑戰AI賦能製藥的核心驅動力在於大幅提升研發效率和成功率，進而緩解新藥研發投入高和周期長的結構性痛點。製藥領域長期存在倒摩爾定律（Eroom定律），即研發成本約每9年翻倍，新藥開發平均耗資高達20億美元到30億美元，耗時往往超過10年。人工智慧和機器學習結合大數據分析可望逆轉這一趨勢，加速早期研發決策。已有統計顯示，應用AI可將藥物發現周期縮短約40%，將臨床試驗時間縮短50%到60%，將新藥臨床成功率從12%提高到約14%。尤其在標靶挖掘和先導化合物優化等環節，演算法能夠更全面地搜尋化學空間並預測生物活性，取代大量人工反覆試誤。各國監管政策也逐步為AI開路，美國FDA和中國NMPA已經多次釋放支持利用AI提升研發效率的訊號，其中FDA針對AI演算法用於藥物設計和臨床試驗給予指導原則，提質增效和政策利多共同推動AI製藥從概念階段走向實際應用。AI賦能製藥在快速推進的同時也面臨一系列挑戰和瓶頸。高品質生物醫藥資料取得難度較大，產業存在資料孤島現象，關鍵實驗資料往往集中在少數大型藥企且對外保密，限制了AI模型的訓練與驗證。 AI演算法對藥物作用機理的解釋能力有限，監管部門和科學研究人員對黑箱決策仍有顧慮，新藥研發關乎安全性，需要更嚴謹的驗證機制。目前AI發現的候選藥物在實際成功率上尚未出現決定性突破，截至2025年仍然沒有任何由AI設計的新藥完成3期臨床或獲得上市批准，一些AI製藥公司在臨床階段遇到挫折後被迫調整戰略，市場仍在等待可以真正驗證AI價值的標誌性新藥。跨學科人才缺口和投入成本高企也在一定程度上限制了AI在醫藥領域的大規模應用。整體來看，技術進步與現實約束並存，AI正以前所未有的速度重塑製藥流程，但要實現2026年前後較為樂觀的預期，仍需在數據獲取、監管框架和臨床轉化等方面持續攻關，確保AI工具在嚴謹的科學體系中經受充分檢驗。2026年展望面向2026 年，AI 製藥可望進入由個案驗證走向體系化落地的關鍵階段。預計到2026 年，全球將有更多由AI 參與發現或優化的候選藥物進入Ⅱ 期甚至Ⅲ 期臨床試驗，部分計畫有望公佈中期結果，為市場提供更具說服力的臨床證據。若能出現一批在安全性和有效性上表現優於傳統同類藥物的品種，AI 對製藥成功率的邊際貢獻將更充分認可。在監管層面，FDA 與NMPA 預計會進一步完善針對AI 輔助藥物研發的技術指南，例如對虛擬篩選、體外模擬實驗和數位孿生模型提出更清晰的合規要求，為企業使用AI 工具提供更明確的操作空間。2026 年中國AI 製藥生態可望在平台成熟度和專案廣度上同步提升。國內AI 製藥公司預計將與更多創新藥廠和跨國藥廠建立聯合研發關係，形成以共建管線和里程碑分成為核心的合作模式。本土大型藥廠也將更有系統地將AI 融入研發流程，從先導化合物篩選延伸到臨床試驗設計和真實世界證據分析。隨著中國創新藥在全球註冊進程中的推進，部分由中國團隊主導、引入AI 技術的候選藥物預計將在境外重要市場啟動臨床試驗，為本土AI 製藥積累國際經驗。整體而言，2026 年可望成為檢驗AI 製藥價值和中美差距變化的關鍵觀察點，成功案例與失敗教訓都將對後續產業路徑產生深遠影響。（六）AI醫療診斷：多模態賦能臨床，邁向體系化落地階段市場預期醫療診斷領域正在掀起新一輪人工智慧浪潮，全球市場規模維持快速成長且前景看好。 Precedence Research測算，2024年全球醫療診斷人工智慧市場規模達到約13億美元，並在2034年增至約145億美元，10年複合成長率約27.4%。成長動力主要來自醫療體系對快速精準診斷的迫切需求，以及慢性病高發和人口老化帶來的龐大疾病負擔，這些結構性因素共同催生出更有效率和智慧的診斷解決方案，推動資本和產業持續加碼這條賽道。中國醫療人工智慧診斷市場同樣呈現爆發式成長態勢，體量和成長速度在全球都具有代表性。2024年中國人工智慧醫學影像市場規模約39億元，預計2025年將大幅升至57億元，2026年進一步成長到約88億元；疊加「健康中國2030」及「新一代人工智慧發展規劃」等政策利多，各地試點計畫正在陸續落地，人工智慧輔助診斷預計在2027年前後帶動中國醫療人工智慧整體市場突破100億元人民幣，從局部試點走向全國範圍的規模化應用，為全球醫療診斷AI市場貢獻越來越重要的增量。產業格局美國在AI醫療診斷產業上佔據先發主導地位，已經形成從基礎研究到臨床應用的完整生態。美國產業生態較為完善，既有Google、IBM、微軟等科技巨頭長期深耕醫療AI基礎研發，也有GE醫療、西門子醫療等傳統醫療設備企業全面整合AI技術。此外，大批專業化醫療AI公司在美國湧現，例如卒中診斷領域的Viz.ai、病理AI領域的PathAI、醫學影像領域的Zebra Medical等，形成了豐富的創新集群和多樣化商業模式。美國監管體系較為成熟，也為產業發展提供了穩定環境，2015 年FDA 僅核准6 款AI 醫療設備，而到2024 年底數字已突破1,000 款。根據FDA 最新公開清單及第三方統計，截至2025 年5 月底已共有1247 款AI 驅動醫療設備獲得FDA 授權，雙邊政策研究機構BPC 進一步估算，截至2025 年7 月已超過1250 款，顯示美國在AI 醫療器材臨床轉換上的顯著領先優勢。中國在AI醫療診斷領域以後來居上的姿態加速追趕，依托龐大的醫療需求和數位轉型浪潮持續釋放潛力。眾多中國醫療AI公司迅速崛起，尤其在醫學影像輔助診斷領域成果突出，代表企業包括專注眼底影像AI並於2021年在港交所上市的鷹瞳科技，被市場稱為中國醫療AI第一股，以及在肺部CT智能診斷領域已向科創板遞交招股書的推想醫療和專注心血管影像的科亞醫療等。此外，平安好醫師、好大夫線上等網路醫療平台也開發了智慧問診和診斷系統，將AI用於分診和疾病風險篩檢。中國監管部門積極回應創新步伐，自2018年以來已有多款AI醫療軟體取得第三類醫療器材註冊證。國家藥監局在2025年11月公開答覆中揭露，已累計核准超過110款基於深度學習的第三類AI醫療器材獨立軟體產品，AI醫療器材從試驗走向常態化應用。隨著審批提速，一批AI影像產品例如胸部CT結節檢測和DR糖尿病視網膜病變篩檢系統已經在全國數百家醫院落地應用，AI閱片功能在放射科逐步普及。一些地方衛生系統也將AI輔助診斷納入基層醫療，用於提升鄉村和社區醫生的診斷水平，中國模式在政府引導、試點示範和公立醫院深度參與方面表現出鮮明特色。中美在AI醫療診斷領域的競爭與合作格局正逐步成型，整體來看各自優勢與短板都十分清晰。美國在核心演算法研發、產品成熟度和國際市場份額等方面目前仍領先中國，這一優勢來自長周期科研累積、產業資本投入和完善的標準體系。中國正在發揮數據體量和應用場景優勢，在政策扶持和數位基礎設施完善的背景下，預計在影像輔助診斷和智慧問診等具體場景實現局部超越，例如在眼科和胸部疾病早篩領域，中國AI產品已經在大規模人群篩檢中展現出較高的實用價值。未來誰能在這領域取得更大話語權，將取決於持續的技術突破、監管體系對創新的適配程度以及商業模式的成熟度。可以預見，美中兩國企業將在全球市場同台競爭，同時也會在部分領域透過合作與數據共享推動AI診斷技術更快走向成熟，為全球患者提供更高品質的診斷服務。核心驅動與挑戰未來AI在醫療診斷領域將邁向智能水平更高和融合程度更深的新階段。第一個重要趨勢是大模型技術在醫療場景中的加速應用，隨著通用人工智慧的進步，各國科技公司紛紛研發面向醫療的超大規模預訓練模型。中國在這方向上動作頻繁，2023年被不少機構稱為醫療大模型元年，平安、百度、阿里巴巴等企業先後推出醫療版大語言模型，用於輔助問診和診斷決策支援。億歐智庫預測，2025年中國醫療大模型市場規模可望接近20億元，並以超過140%的年平均成長率擴張，到2028年形成數百億元的新興市場。這類醫療智能助理預計在2024年至2026年逐步進入臨床實踐，例如協助醫生書寫病歷、解讀檢驗結果，並在安全可控前提下根據患者主訴提出初步鑑別診斷建議。第二個趨勢是多模態AI診斷技術的快速發展，未來的AI不再局限於讀取單一醫學影像或數據類型，而是綜合分析影像、病理、基因組和電子病歷等多源數據，提供更全面和精準的診斷支持。例如，透過融合放射影像和病理影像，AI可以提高對腫瘤早期識別和分型的準確率，結合基因資訊和臨床數據則有助於預測患者對特定治療方案的反應。中美研究團隊已經在這一方向上進行探索，預計到2026年將出現多模態診斷AI的標誌性成果並開始商業化落地。AI診斷效能和醫療效率將出現顯著提升，這一趨勢已在多項臨床研究和真實世界試點中得到初步驗證。近年來大量研究表明，AI與醫生協同工作可以顯著提高診斷準確率和工作效率，例如史丹佛大學的一項實驗顯示，在醫生參考AI建議後，綜合診斷準確率提升了約10個百分點。國內有三甲醫院在乳癌篩檢中引入影像AI系統後，將早期篩檢準確率從82%提高到94%，漏診率從12%降至3%。隨著演算法模型持續迭代和算力條件不斷改善，預計到2026年前後，主流AI診斷產品在準確率和敏感度方面將進一步逼近甚至在部分標準化程度較高的場景中超越有經驗的專科醫生。例如在眼底影像和皮膚疾病影像辨識等領域，AI可望承擔大規模初篩工作，醫師更負責結果覆核、複雜病例判斷和最終決策，從而形成更有效率的人機協同診斷流程。產業監管和臨床認可度的提高將成為AI診斷從局部試點走向大規模應用的重要前提。目前AI診斷的一個現實挑戰是部分醫護人員對自動化工具仍然持保留態度，不少臨床醫師對AI給出的診斷結論缺乏充分信任，需要更多臨床證據和明確的責任邊界。隨著更多前瞻性臨床試驗數據和真實世界研究結果發布，以及針對AI診斷演算法的品質控制標準陸續出台，醫護人員對AI工具的接受度有望明顯提升。例如，美國放射科醫師學會已經啟動以影像AI為導向的驗證平台，用於系統性評估不同演算法的安全性和有效性。中國國家藥品監督管理局也在2024年提出要求醫療AI產品在說明文件中清晰標註演算法性質與診斷結論用途，為臨床使用提供明確邊界。到2026年，AI診斷可望在若干高價值應用場景中被納入臨床指引或健保報銷試點，從制度層面推動其走向常規化使用。綜合來看，未來2年至3年將是醫療AI從輔助工具走向關鍵生產力的窗口期，大模型驅動的智能問診、跨模態融合的精準診斷以及更加成熟的行業規範都將成為值得重點關注的亮點。同時仍需正視資料隱私保護、安全與倫理治理等挑戰，產業各方與監管部門需要協同推進，確保技術演進始終服從於提升醫療品質與病患福祉這一根本目標。2026年展望面向2026 年，醫療診斷AI 可望從單點技術驗證階段進入系統性落地和規模化擴張階段。影像AI 產品在三級醫院的滲透率預計將進一步提升，並向區域醫療中心和基層醫療機構下沉，胸部CT 結節篩檢、腦中風急診影像識別和糖尿病視網膜病變篩檢等場景有望成為首批實現常規化使用的應用領域。多模態診斷系統有望在腫瘤和複雜疑難疾病領域率先實現商業部署，為醫生提供跨影像、病理和基因的綜合決策支援。若相關項目能夠在真實世界數據中證明對減少漏診、縮短住院時間和降低總體成本具有顯著作用，醫療機構和支付方對AI 診斷的接受度將顯著提高。2026 年中國醫療診斷AI 生態可望在示範計畫和政策配對上取得實質進展，進一步鞏固在應用場景落地的優勢。預計到2026 年，中國將形成若干具有全國示範意義的智慧醫院和區域影像中心，這些項目將在影像閱片、病理診斷、檢驗分析和隨訪管理等多個環節全面嵌入AI 工具。部分省市可能推動將AI 輔助診斷納入按病種付費或按人頭付費系統的試點，以探索透過技術手段提升效率和控費的路徑。若相關政策順利推進，醫療診斷AI 在中國的商業模式將逐步從一次性設備和軟體銷售轉向以服務為核心的長期合作模式，為產業鏈上下游帶來更穩定的收入預期。整體來看，2026 年將成為醫療診斷AI 在中美兩國從關鍵應用走向體系化建設的重要節點，技術成熟度、政策環境和支付機制的協同演進將決定這一領域能否真正邁入永續發展階段。總結（一）結論整體來看，大國競爭下的AI浪潮正在形成技術高地與產業廣度並存的雙中心結構，投資主線逐漸收斂到算力、電力、端側硬體和高價值應用場景四個方向。美國在高階晶片、大模型與基礎軟體等技術高地上維持領先，並透過雲端平台和訂閱模式加速商業化落地。中國在電力成本、資料中心建置、製造能力和場景豐富度上形成規模優勢，透過效率路線和工程能力縮小與技術高地之間的效能差距。端側硬體和產業組織模式呈現美國負責產品定義和標準輸出、中國負責規模化製造和降本增效的格局，人形機器人、智慧駕駛、AI手機和AI眼鏡等領域的分工已經比較清晰。醫藥和醫療服務開始成為AI賦能的重要落地方向，從藥物發現、影像診斷到院內營運管理都有望受益於算力成本下行和演算法迭代。中長期看，更有潛力的資產往往同時具備技術護城河、供給約束和產業協同三類優勢，並能在中美競爭的框架下持續獲得資源和需求的雙重支撐。美股科技在各個維度已跨越從0到1的初始階段，從能源到端側發展主要聚焦於優化與探索期。（二）標的配置方向在可選標的層面，可以按照電力基礎設施、美股算力與平台、美股與全球機器人及端側硬件、A股算力與硬體鏈以及醫藥與AI結合標的五個方向進行梳理，以下羅列部分代表性個股與ETF以供跟踪參考。電力基礎設施A股與美股的電力設備龍頭及發電側新技術領導者：思源電氣(002028.SZ)：高壓電力設備出海核心標的。金盤科技(688676.SH)：深耕乾式變壓器，提供北美資料中心中壓變壓器及SST（固態變壓器），已取得相關訂單。伊戈爾(002922.SZ)：資料中心移相變壓器（巴拿馬電源核心零件）供應商，已切入海外頭部客戶供應鏈。陽光電源(300274.SZ)：全球儲能係統龍頭，海外出貨佔比高。阿特斯(688472.SH / CSIQ.O)：北美大儲市場的重要參與者，美國出貨佔比高。西門子能源(ENR.DF)：全球電力設備龍頭，在燃氣渦輪機、電網技術等領域優勢顯著，訂單可見度高。伊頓(ETN.N)：全球電氣化巨頭，受惠於電網現代化、資料中心配電需求。通用電氣(GEV.N)：燃氣渦輪機主要製造商之一，訂單高速成長。Vertiv (VRT.N)：資料中心關鍵基礎設施（供電、溫控）全球領導者。Bloom Energy (BE.N)：固態氧化物燃料電池（SOFC）的全球龍頭，已獲得甲骨文等資料中心訂單，直接受惠於資料中心備用/分散式電源需求。Oklo (OKLO.N)：小型模組化核反應器（SMR）的先驅。全球基礎設施/清潔能源ETF：例如iShares Global Infrastructure ETF (IGF)、Invesco Global Clean Energy ETF (PBD)，其中包含多家全球電力設備及新能源營運商。美國工業ETF：例如Industrial Select Sector SPDR Fund (XLI)，涵蓋通用電氣、伊頓等工業及電氣巨頭。美股算力與平台標的美股算力與平台方向主要包括全球級晶片龍頭及雲端平台公司。輝達（NVDA.US）是目前AI訓練和推理GPU的核心供應商，資料中心業務收入佔比已成為公司營收的重要來源之一。超微半導體（AMD.US）在通用GPU和CPU領域形成差異化競爭格局，在AI訓練和推理伺服器中持續提高市場份額。博通（AVGO.US）在客製化加速晶片和高速互連晶片上具備優勢，同時受惠於雲端廠商自研ASIC外包需求。微軟（MSFT.US）透過Azure雲端平台與自研大模式加速企業級AI落地，在算力供給與應用層均具備重要地位。Alphabet（GOOGL.US）依託搜尋、廣告和雲端業務，將AI能力深度嵌入各類產品中，對生成式AI和基礎模型保持高強度投入。Meta Platforms（META.US）在大模型開源和AI推理基礎設施領域保持較強投入，並透過社群和廣告場景驗證AI商業化能力。VanEck半導體ETF（SMH.US）透過集中持有全球半導體龍頭公司，對AI算力晶片及配套產業形成一籃子敞口。安碩半導體ETF（SOXX.US）持有美國及全球主要半導體公司，在晶片周期和AI景氣上提供相對分散的配置方式。Invesco納指100ETF（QQQ.US）透過持有納斯達克100成份股，對美國大型科技平台公司和AI應用形成廣泛敞口。機器人與端側硬體標的機器人與端側硬體方向主要涵蓋自動駕駛、電動車、人形機器人和精密醫療設備等高工程密集度賽道。特斯拉（TSLA.US）在電動車和自動駕駛軟硬體一體化平台上具有先發優勢，是智慧駕駛與車載AI算力的重要載具之一。Intuitive Surgical（ISRG.US）透過達文西手術機器人切入微創手術領域，在醫療機器人和高端設備資料沉澱方面具有長期優勢。Global X機器人與人工智慧ETF（BOTZ.US）集中投資全球機器人與AI相關公司，對人形機器人、工業自動化和服務機器人形成組合曝險。安碩機器人與人工智慧多元ETF（IRBO.US）透過分散持有多家機器人、自動化和AI公司，為機器人和端側硬體賽道提供相對均衡的配置工具。小鵬汽車（9868.HK）在智慧駕駛與整車電子電氣架構上持續加強研發投入，是中國智慧電動車與車載AI的重要參與者之一。比亞迪股份（1211.HK）透過垂直一體化模式降低關鍵零件成本，在電動車和動力電池放量過程中為車載AI和智慧座艙提供硬體基礎。A股算力與硬體鏈標的A股算力與硬體鏈方向主要涵蓋伺服器、晶片、光模組及相關主題ETF。浪潮資訊（000977.SZ）長期深耕伺服器整機和AI伺服器市場，在國內算力集群建設中佔據較高出貨份額。中科曙光（603019.SH）在高效能運算和資料中心基礎設施方面具有較強競爭力，受益於東數西算等工程帶來的算力需求成長。中際旭創（300308.SZ）在高速光模組領域具備領先優勢，是AI資料中心內部高速互連的重要供應商之一。海光資訊（688041.SH）在伺服器CPU和配套晶片上推進國產替代佈局，是國內通用算力和AI算力的重要備選方案。半導體ETF（512480.SH）主要投資A股半導體設計製造公司，對AI晶片和功率元件景氣提供高彈性敞口。晶片ETF（159995.SZ）圍繞著本土晶片設計、製造和封測企業建構組合，在半導體全產業鏈上提供相對分散的投資工具。電腦ETF（512720.SH）追蹤中證電腦指數，持有覆蓋軟體、網路安全和部分AI應用公司，是國內AI軟體與電腦類股的重要指數工具。人工智慧ETF（515980.SH）以人工智慧主題指數為績效比較基準，聚焦A股AI演算法和應用相關公司，為AI主題提供集中敞口。醫藥與AI結合標的醫藥與AI結合方向主要涵蓋醫療服務、CRO和醫藥製造中對演算法和算力依賴度較高的公司以及相關醫藥ETF。Intuitive Surgical（ISRG.US）在手術機器人和數位化手術數據領域將持續受益於AI演算法優化和器械迭代。Teladoc Health（TDOC.US）在網路醫療和遠距醫療服務中累積了大量結構化和非結構化數據，是將AI用於追蹤管理和慢病管理的代表性公司之一。藥明康德（603259.SH）在小分子和生物藥CRO服務中積極佈局AI輔助藥物發現和研發流程數位化，有望在效率提升中放大平台優勢。藥明生物（2269.HK）在生物藥CDMO領域佔據全球較高份額，透過大規模製程數據累積為製程優化和品質控制中的AI應用提供基礎。泰格醫藥（300347.SZ）在臨床CRO領域具有較強全球專案管理經驗，臨床試驗數位化和智慧化推進可望為AI輔助試驗設計和數據分析提供情境。易方達滬深300醫藥ETF（512010.SH）追蹤滬深300醫藥衛生指數，透過集中持有A股醫藥龍頭公司，對醫藥類股整體景氣提供一籃子敞口。廣發中證全指醫藥衛生ETF（159938.SZ）追蹤中證全指醫藥衛生指數，相比產業龍頭更偏向全產業覆蓋，對中小市值醫藥公司也提供一定權重。華寶中證醫療ETF（512170.SH）追蹤中證醫療指數，持倉結構更偏向醫療服務和醫療器械，對醫藥中游服務和高端設備有相對較高暴露。 (諾亞精選)