中国打印机行业概览

行业综述

• 定义与分类：打印机主要分为激光打印机和喷墨打印机。激光打印机速度快、成本高，适合办公和商业用途；喷墨打印机清晰度高、成本低，适用于家用和高质量彩色打印场景。
• 发展历程：打印机技术历经从针式到喷墨、激光，再到多功能和照片打印的演变，满足了用户日益多样化的需求。
• 全球市场规模：全球打印机市场规模逐年下降，主要原因是市场饱和和数字化替代。然而，新型打印技术如3D打印可能带来新的增长点。
• 中国市场规模：中国打印机市场规模也逐年下降，面临网络安全挑战和电子文档替代趋势。但家庭学习需求的增长为市场带来新机遇。

产业链分析

• 技术分析：喷墨打印机的核心技术包括热发泡技术、微压电技术和墨水研发等；激光打印机的核心技术包括激光器、显影单元和定影器等。技术发展方向为提高打印速度、减少废粉等。
• 企业出货量：全球打印机出货量平缓下滑，但奔图品牌凭借自主核心技术、性价比优势及信创国产替代趋势，实现打印机连续7年全球销量增速第一。
• 盈利模式：打印机厂商通过“剃须刀”模式盈利，即低价销售设备和高价销售耗材。耗材销售成为主要收入来源，原装耗材连接率随时间和通用耗材兼容性提升逐渐下降。
• 消费场景：打印机以商用为主，消费行业需求广泛，政府机构和教育领域亦有显著需求。家用打印机市场虽小但重要性提升，支持孩子学习成为新焦点。

企业分析

• 奔图：凭借强大的自主研发能力、高品质的产品和服务，以及对环保和信息安全的重视，在打印机行业脱颖而出。
• 联想：凭借创新技术、先进材料和多功能一体化设计，赢得消费者信赖。
• 得力：依托技术研发能力、高性价比产品和创新设计，展现了强劲竞争力。

1.1 背景
新型配用电系统因分布式新能源和互动资源接入，呈现设备规模大、种类多、分布广的“长尾特性”，传统大电网的计划模式难以适应当前及未来发展趋势。

1.2 背景
传统配用电系统存在感知能力不足、人工依赖度高、调控迟缓等问题，制约新能源大规模接入，需新工具推动系统转型升级。

1.3 背景
人工智能（AI）技术具备海量数据计算、推理和求解能力，可为新型配用电系统的协同、调度和能源管理提供智能化方案，推动系统向物理柔性、运行智慧、管理智能的方向发展。

2.1 技术基础架构
遵循“物理-信息-应用”三层原则，通过智能设备构建物理柔性载体，数据与算力协同构建信息基础，AI算法赋能新型场景，实现高效协同与自治。

2.2 物理层
通过“软硬分离+操作系统”建立统一数智基座，解决设备间互操作问题；融合HPLC、高低频无线等技术，打造泛在通信网络，支撑分钟级数据采集至准实时应用。

2.3 信息层
推动“范式转移”，AI赋能智能终端为“智能体”，通过区块链、强化学习等技术实现去中心化协商、决策与执行，形成群体智能，从集中智能向分布智能演进。

2.4 信息层
云-边-端架构支撑信息高效协同，智能AI终端成为信息中枢，实现数据/算力融合。

2.5 应用层
三级联动分层架构实现智慧调度：“用户侧精准感知-台区侧协同优化-区域侧全局调控”，实现源网荷储全要素智慧运行。

2.6 应用层
多模态融合实现从“被动抢修”到“主动运维”的变革，汇聚电气量、局放、红外、视频、气象等全链路数据，实现运维过程“可观、可测、可感、可控”。

2.7 应用层
“小模型+大模型协同应用”提升管理效率，多源数据融合的多模态运行风险评估体系，AI化人员管理和设备维护对策，实现中低压配网低压台区自治、中压网格联动。

2.8 应用层总结
物理柔性是AI数据获取与能力执行的基座，云边端协同下的多源信息融合是AI化落地的关键，系统智慧运行、设备智能运维及管理机器代人是新型配用电系统AI化的终极目标。

3.1 实践探索
南网科技聚焦新型配用电系统+AI关键技术，探索AI感知诊断、AI协同调控、AI网荷互动等领域。

3.2 AI感知诊断
基于AI+终端高速边缘计算，实现“变-线-户”拓扑自动精准感知，方案应用于十五届全运会全链路保供电监测及埃及开罗等地，覆盖超1万台区，线损率下降超过12%。

3.3 AI感知诊断设备智能运维体系
构建AI+运维协同体系，实现从“被动救火”向“主动处置”变革。

3.4 AI协同调控车网灵活互动系统
利用多维数据融合、动态博弈与最优决策，搭建车网互动AI智能控制系统，确保系统稳定运行，实现安全预警、精准预测与智能调度。

3.5 AI协同调控光储充协调自治平台
通过AI终端实现光储充用户特性分析及负荷预测，辅助生成协同调控策略，支撑配电台区精细化调控。

3.6 AI网荷互动用户用电管理AI芯片
部署轻量化AI模型，实现用户用能智能化、精细化、绿色化管理。

3.7 AI网荷互动电碳算协同体系
端侧部署AI电碳监测模型，边侧部署AI电-算匹配模型，云端部署AI多模态碳算大模型，推动电能量流、算数据流和碳价值流的深度融合。

4.1 总结与展望
新型配用电系统将长期与大电网协同共生，能源智能体将成为产业新机遇，未来需拥抱“电-算-碳协同”新范式，建立电力、算力、碳排深度耦合的发展模式，探索AI在两者兼容并存的新技术和新应用。

核心观点与关键数据

• 算力动态：算力租赁价格平稳，OpenAI推出ChatGPT个人理财功能。
  • Tokens消耗量周度上升4.67%，达到26.9T。
  • DeepSeek、Anthropic、Google、OpenAI、Tencent分列Tokens规模Leaderboard前五。
  • MiniCPM-V 4.6模型Token吞吐量是Qwen3.5-0.8B的1.5倍，运行效率更快。
  • 小米启动“MiMo Orbit 100T Token计划”，腾讯云开源TencentDB Agent Memory。
• AI应用动态：Kimi周访问量环比增长11.66%，GPT-5.5首破测试ProgramBench。
  • Kimi周访问量增速最快，达到11.66%。
  • GPT-5.5首次攻克ProgramBench测试，AI编程能力转向推理深度。
• AI融资动向：Isomorphic Labs完成21亿美元B轮融资。
  • Isomorphic Labs专注于AlphaFold蛋白质结构预测模型商业化，AI药物设计引擎IsoDDE为其当前重点投入对象。
  • 本轮融资创下全球AI制药行业单笔融资新纪录。

研究结论

• OpenAI推出ChatGPT个人理财功能，标志着通用AI首次以亿级用户规模介入金融隐私数据场景，AI Agent向金融理财场景渗透。
• GPT-5.5在ProgramBench测试中的突破，表明AI编程能力的提升正转向推理深度与算力有效投入。
• 台积电发布AI芯片“三层蛋糕”核心架构，聚焦高效算力运算、多元异质整合、3DIC与光子光学互连，光互连技术将成为未来AI数据中心建设的核心底层技术。

投资建议

• 建议关注专注于半导体等高端制造业的罗博特科、新能源业务高增并供货科尔摩根等全球电机巨头的唯科科技、AI智能文字识别与商业大数据领域巨头的合合信息、深耕工业AI与软件并长期服务高端装备等领域头部客户的能科科技。

风险提示

• AI底层技术迭代速度不及预期。
• 政策监管及版权风险。
• AI应用落地效果不及预期。
• 推荐公司业绩不及预期风险。

智能体AI Agent的创新与应用

研究背景

• 智能体（AIAgent）正加速渗透至金融、医疗、教育、通信等多个行业，其角色已从传统AI的辅助工具演变为能够自主拆解目标、调度资源并执行复杂任务的通用型自动化生产单元。
• 全球智能体赛道形成“科技巨头建生态，独角兽企业创革新，传统厂商谋转型”的多元化竞争格局。

研究目标

• 分析智能体行业的创新与应用案例。
• 解析中美金融智能体的差异化路径。

金融智能体发展阶段

• 金融智能体的发展已从“单点实验”进入“系统性重构”阶段。
• 其价值创造路径：始于降本增效，深化于风险管理，最终指向核心业务革新。

本报告关键问题

• 全球视野下智能体的应用和创新。
• 全球金融智能体在金融子领域的应用。
• 中美金融智能体在发展路径上的差异。

中美金融智能体差异化发展道路

宏观政策与战略路径

• 美国：对内宽松监管，对外高度警惕，通过《新一代人工智能发展规划》和《关于安全、可靠和值得信赖的人工智能的行政命令》等文件推动通用智能体能力突破。
• 中国：明确规划路径，大力赋能产业，通过《新一代人工智能发展规划》《AI+行动》等文件引导金融智能体加速嵌入既有金融体系。

技术发展路线

• 美国：强调通用模型能力上限扩展，以MoE、多模态统一建模等技术追求更强的泛化推理能力。
• 中国：强调场景驱动的工程化创新，优先提升特定行业与中文场景下的可用性。

市场规模结构与用户特征

• 美国：双轮驱动市场规模增长，目标用户以B端为主，技术供给以头部基础模型和云基础建设为核心。
• 中国：用户结构偏向C端/零售为主，技术供给通过集中场景、数据、权限以及合规能力降低垂直应用门槛。

金融智能体应用实践

全球范围内的分业实践

• 银行业：智能体产品如Eno智能助手。
• 证券与投资银行：智能体产品如AI投资伴侣“小招”。
• 保险：智能体产品如保单满期及退咨询Agent。
• 资产管理机构：智能体产品如Snowflake研发的风险监测与预警工具。
• 交易所、监管机构以及清算所：智能体产品如纳斯达克NTS、深交所风险管理技术。

中美的差异化发展道路

• 美国：以“效率变现”为核心，推动金融智能体走向标准化、可复制的生产力产品。
• 中国：以“场景渗透”为起点，推动智能体深度嵌入金融业务流程，先形成规模化使用，再逐步探索能力定价与平台化机会。

研究结论

• 金融智能体在金融业内的应用落地已能够在明确规则和权限约束下完成任务拆解、外部链接、工具调用与连续执行，但并不具备自主设定目标或独立承担结果的能力。
• 制约其向真正金融智能体演进的核心原因是技术不足，现阶段金融智能体更像是“人类主导下的副驾驶系统”，其价值在于提升效率、降低操作风险和增强一致性。